CQI原理及CQI指标优化
CQI
CQI是信道质量指示,英文全称channel quality indication,CQI由UE测量所得,UE使用CQI来告诉eNodeB的调度器,UE所看到的下行信道质量信息。如果使用了MIMO传输,CQI会包含所需的MIMO相关的反馈。LTE的下行物理共享信道(PDSCH)支持三种编码方式:QPSK、16QAM和64QAM,编码方式越高依赖的信道条件需要越好。
引入原因
eNodeB决定编码方式,而作为发射端,eNodeB并不清楚信道条件如何,就需要UE来反馈这个信道质量,协议把这个信道质量量化成0~15的序列(4bit数来承载),并定义为CQI。
CQI的计算:UE是根据什么进行测量CQI的?
目前没有规范对测量进行一个明确的定义,每个厂商均有自己的机制算法,但基本上是根据SNR/SINR/SNDR来计算的,结合大量的测试,根据SINR及BLER制作了一张相互关联的表,这张映射表最终确定了CQI的值。
SNR:signal-to noise
Sinr: signal to interference plus noise
SNDR:
其基本思路是:在特定条件下,每次取1~15的中的一个CQI值,在对应的调制方式和码率下,调整SNR值,使其达到可接受的10% BLER,则该SNR值就对应所选的CQI值。注意:在不同的条件下(例如不同的TM模式、或不同的天线配置),该对应关系可能不同,需要区别对待。
具体过程:测量CRS-SINR → 确定等效SNR阈值(BLER=10%)(小于或等于SINR的最大SNR阈值) → 查表找到对应的CQI。
BLER 计算只计算初始传送的,不计算重传
BER
FER
等效SNR阈值(BLER=10%) |
CQI index |
modulation |
code rate x 1024 |
efficiency |
0 |
out of range |
|||
-6.71 |
1 |
QPSK |
78 |
0.1523 |
-5.11 |
2 |
QPSK |
120 |
0.2344 |
-3.15 |
3 |
QPSK |
193 |
0.3770 |
-0.87 |
4 |
QPSK |
308 |
0.6016 |
0.71 |
5 |
QPSK |
449 |
0.8770 |
2.529 |
6 |
QPSK |
602 |
1.1758 |
4.606 |
7 |
16QAM |
378 |
1.4766 |
6.431 |
8 |
16QAM |
490 |
1.9141 |
8.326 |
9 |
16QAM |
616 |
2.4063 |
10.3 |
10 |
64QAM |
466 |
2.7305 |
12.22 |
11 |
64QAM |
567 |
3.3223 |
14.01 |
12 |
64QAM |
666 |
3.9023 |
15.81 |
13 |
64QAM |
772 |
4.5234 |
17.68 |
14 |
64QAM |
873 |
5.1152 |
19.61 |
15 |
64QAM |
948 |
5.5547 |
注:efficiency = code rate / 1024 * Qm(其中QPSK对应的Qm = 2;16QAM对应的Qm = 4;64QAM对应的Qm = 6)
eNodeB在选择MCS,即选择调制阶数(modulation order)和TB size时,会保证对应的码率(code rate)尽可能地接近CQI index指示的码率。如果有多个“调制阶数和TB size的组合”对应的码率同样接近CQI index指示的码率,则eNodeB会选择TB size最小的那个组合。
CQI的作用:
- 表征下行信道质量
- 用于确定MCS
- 在PUCCH上发送,如果有上行业务在PUSCH上发送
MCS与调制阶数
Qm |
Modulation Method |
2 |
QPSK |
4 |
16 QAM |
6 |
64 QAM |
8 |
256 QAM |
由CQI怎样映射得到MCS
UE上报的CQI只有0~15,因此还需要某种算法来将CQI映射为MCS(0~28),即4bit映射为5bit,这个映射算法由设备厂商提供。
方法:
efficiency_1= I_TBS/(N_PRB在当前的可用传输的RE总数)
可用RE={ [(符号数-PDCCH)*每RB12个子载波-CRS]*RB}={ [(14-3)*12-12]*100}=12000
CQI --> efficiency --> efficiency_1 --> I_TBS -->MCS
MCS等级 |
CQI等级 |
QM |
Modulation Method |
0 |
0 |
|
|
1 |
1 |
2 |
QPSK |
2 |
2 |
2 |
QPSK |
3 |
3 |
2 |
QPSK |
4 |
|
2 |
QPSK |
5 |
4 |
2 |
QPSK |
6 |
|
2 |
QPSK |
7 |
5 |
2 |
QPSK |
8 |
|
2 |
QPSK |
9 |
6 |
2 |
QPSK |
10 |
|
4 |
16 QAM |
11 |
7 |
4 |
16 QAM |
12 |
|
4 |
16 QAM |
13 |
8 |
4 |
16 QAM |
14 |
|
4 |
16 QAM |
15 |
|
4 |
16 QAM |
16 |
9 |
4 |
16 QAM |
17 |
|
6 |
64 QAM |
18 |
10 |
6 |
64 QAM |
19 |
|
6 |
64 QAM |
20 |
11 |
6 |
64 QAM |
21 |
|
6 |
64 QAM |
22 |
12 |
6 |
64 QAM |
23 |
|
6 |
64 QAM |
24 |
13 |
6 |
64 QAM |
25 |
|
6 |
64 QAM |
26 |
14 |
6 |
64 QAM |
27 |
|
6 |
64 QAM |
28 |
15 |
6 |
64 QAM |
CQI指标
目前考核CQI≥7的占比
统计周期内,小区内UE上报的CQI(CQI7~15)数量在整个CQI上报数量中的比例。
优化:CQI与SINR关系最大
全网:
第一步:基础优化
覆盖(弱覆盖、过覆盖、重叠覆盖)
邻区优化
干扰(PCI)
第二步:适当的参数优化提升
- 最小接入电平优化
- 重定向门限优化
- Pa\pb
- CQI上报模式及上报周期
TOP小区处理
告警核查
干扰核查
覆盖核查
参数核查
什么是误块率?怎样计算误块率?
在无线网络中,一个设备(如eNodeB)是按块(block,也就是TB)向另一个设备(如UE)发送数据的。发送端使用块中的数据计算出一个CRC,并随着该块一起发送到接收端。接收端根据收到的数据计算出一个CRC,并与接收到的CRC进行比较,如果二者相等,接收端就认为成功地收到了正确的数据,并向发送端回复一个“ACK”;如果二者不相等,接收端就认为收到了错误的数据,并向发送端回复一个“NACK”,以要求发送端重传该块。如果在某个特定的期间内,发送端没有收到接收端的回复,则发送端假定之前发送的块没有到达接收端,发送端自动重发该块。(MAC层的HARQ处理)
BLER(block error rate),即误块率,是出错的块在所有发送的块中所占的百分比(只计算初传的block)。在实际应用中,某一特定百分比(如:LTE中数据信道的BLER要求为10%以下)的BLER并不总是必须的,因为可以重传出错的块并通过特殊的处理(如软合并等),使得接收端正确解出收到的数据。需要测量和计算BLER时,在发送端就能够完成,因为可以通过收到的NACK数来计算BLER。
在LTE中,控制信道的目标BLER为1%,数据信道的目标BLER为10%。当BLER不超过10%时,UE将向eNodeB上报它所能解码的最高MCS(通过CQI上报)。
例:假设发送了500个block的数据,其中499个block回复ACK,1个block回复NACK,则BLER为1 / 500 = 0.002 * 100% = 0.2%(从这个例子可以看出,计算BLER时,是不把重传的block的ACK/NACK计算在内的)。
CQI原理及CQI指标优化相关推荐
- 从渲染原理谈前端性能优化
前言 合格的开发者知道怎么做,而优秀的开发者知道为什么这么做. 这句话来自<web性能权威指南>,我一直很喜欢,而本文尝试从浏览器渲染原理探讨如何进行性能提升. 全文将从网络通信以及页面渲 ...
- 秋色园QBlog技术原理解析:性能优化篇:用户和文章计数器方案(十七)
2019独角兽企业重金招聘Python工程师标准>>> 上节概要: 上节 秋色园QBlog技术原理解析:性能优化篇:access的并发极限及分库分散并发方案(十六) 中, 介绍了 ...
- 秋色园QBlog技术原理解析:性能优化篇:数据库文章表分表及分库减压方案(十五)...
文章回顾: 1: 秋色园QBlog技术原理解析:开篇:整体认识(一) --介绍整体文件夹和文件的作用 2: 秋色园QBlog技术原理解析:认识整站处理流程(二) --介绍秋色园业务处理流程 3: 秋色 ...
- Monkey原理初步和改良优化--Android自动化测试学习历程
章节:自动化基础篇--Monkey原理初步和改良优化(第三讲) 主要讲解内容与笔记: 一.理论知识: 直接看文档,来了解monkey的概念.基本原理,以及如何使用. First,what is And ...
- 【数据竞赛】kaggle竞赛宝典-多分类相关指标优化
↑↑↑关注后"星标"kaggle竞赛宝典 kaggle竞赛宝典 作者: 尘沙杰少.谢嘉嘉.DOTA.有夕 赛题理解,分析,规划之多分类相关指标优化 这是一个系列篇,后续我们会按照我 ...
- 【机器学习基础】回归相关指标优化
作者: 尘沙杰少.谢嘉嘉.DOTA.有夕 赛题理解,分析,规划之回归相关指标优化 此处我们列举kaggle过往几年中,在回归问题中经常出现的一些评估指标,因为在数据竞赛中我们更多的是考虑在特定评测指标 ...
- Unreal Engine 4 —— 版本兼容的工作原理以及一些可优化项
http://blog.csdn.net/noahzuo/article/details/51887205 这篇博客讲解了在UE4中涉及到版本之间识别.切换的工作原理以及一些可优化项的介绍. 本博客翻 ...
- 秋色园QBlog技术原理解析:性能优化篇:打印页面SQL,全局的SQL语句优化(十三)...
文章回顾: 1: 秋色园QBlog技术原理解析:开篇:整体认识(一) --介绍整体文件夹和文件的作用 2: 秋色园QBlog技术原理解析:认识整站处理流程(二) --介绍秋色园业务处理流程 3: 秋色 ...
- 秋色园QBlog技术原理解析:性能优化篇:access的并发极限及超级分库分散并发方案(十六)...
上节回顾: 上节 秋色园QBlog技术原理解析:性能优化篇:数据库文章表分表及分库减压方案(十五) 中, 介绍了 秋色园QBlog 在性能优化方面,从技术的优化手段,开始步入数据库设计优化,并从数据的 ...
- 许键树:华为云视频直播在各细分场景的体验指标优化实践
点击上方"LiveVideoStack"关注我们 本文来自华为云媒体服务直播产品经理 许键树在LiveVideoStack公开课的分享,结合华为云在直播领域的实践经验,详细解析如何 ...
最新文章
- Oracle 12C -- 扩展varchar2、nvarchar2、和raw数据类型的大小限制
- 现代软件工程讲义4 Scrum/Sprint
- 利用mysql提供的c语言接口操作数据库
- python mysql 保存csv_使用Python将csv文件快速转存到Mysql
- 2019聊大考研计算机调剂,2019年聊城大学硕士研究生预调剂工作说明
- linux系统MongoDB4.0安装,密码设置,常用命令,集成springmvc
- Web全栈工程师应该会什么?
- 神舟战神笔记本Z7M-CT7NA开机进入Bios方法
- 小试牛刀1:制作一个简单的导航栏页面
- 国开大学计算机实操,国开大学计算机实操答案一 .pdf
- 硬盘分区被格式化了如何恢复
- bp神经网络算法的优缺点,基于bp的神经网络算法
- 基于soot的过程内数据流分析
- 24个扁平风格图标的PSD格式免费下载
- plt.imshow()无法显示两站图片?
- 基础提升*哈希函数与哈希表
- Chrome浏览器安装 React Developer Tools和Redux DevTools插件
- 为什么现在90后员工离职率那么高?
- 云鲸扫拖一体机器人说明书_云鲸小白鲸扫拖一体机器人 真实的测评带你走进智能化家居时代...
- 怀旧服显示服务器已满,十五年前的怀旧服居然还能服务器爆满 魔兽世界正式服算不算失败...