srsRAN_4G项目中UE附着问题的分析与解决方案
问题背景
在使用srsRAN_4G项目进行5G网络切片实验时,遇到了UE(用户设备)无法正常附着到gNB(基站)的问题。实验环境采用了Open5GS核心网、srsRAN_Project的gNB以及srsRAN_4G的UE模拟器,通过ZMQ接口进行连接。
问题现象
在配置网络切片后,srsUE在启动过程中会卡在"Attaching UE"阶段,无法完成完整的附着流程。即使尝试移除切片配置,问题依然存在。
配置分析
核心网配置
Open5GS核心网中,AMF和NSSF的配置包含了两个网络切片:
- 切片1:SST=1,SD=0x000001
- 切片2:SST=1,SD=0x000002
gNB配置
gNB配置文件中明确指定了支持的切片信息,包括:
- 切片ID配置
- 切片类型设置
- 切片资源分配参数
UE配置
UE配置文件中包含了:
- 切片订阅信息
- APN设置
- ZMQ接口参数
- 采样率设置(初始为11.52MHz,后调整为23.04MHz)
排查过程
-
采样率调整:最初怀疑采样率设置不当,从11.52MHz调整为23.04MHz,但问题依旧。
-
APN设置检查:将APN从"srsapn"改为"internet",未解决问题。
-
配置简化测试:尝试使用基础配置(不含切片)进行测试,发现问题依然存在。
-
核心网替换:将自行搭建的Open5GS替换为srsRAN提供的Docker版Open5GS核心网,问题得到解决。
解决方案
最终确定的解决方案包括:
-
使用Docker版核心网:采用srsRAN官方提供的Open5GS Docker容器作为核心网。
-
多UE连接方案:通过GNU Radio Companion作为broker,实现多个UE同时连接。
-
完整系统架构:
- 1个Docker版Open5GS核心网
- 1个srsRAN gNB,配置2个网络切片
- 3个srsUE,其中2个连接至第一个切片,1个连接至第二个切片
经验总结
-
核心网配置的准确性对UE附着过程至关重要,使用官方提供的容器镜像可以减少配置错误。
-
网络切片功能的实现需要gNB、核心网和UE三方的配置协调一致。
-
多UE连接时,ZMQ接口可能需要额外的broker组件来管理连接。
-
采样率设置应根据实际硬件能力和需求合理配置,23.04MHz是推荐的基准值。
配置建议
对于希望实现类似网络切片功能的用户,建议:
-
从基础配置开始验证,逐步添加切片功能。
-
优先使用经过验证的容器化核心网解决方案。
-
多UE场景下,考虑使用专门的broker管理连接。
-
仔细核对各组件间的参数匹配,特别是切片ID和类型设置。
通过以上方法,可以成功构建支持网络切片的5G实验环境,并实现多个UE在不同切片上的正常运行。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00