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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00