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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00