nand qcl 点点滴滴学5G——一文掌握NR TRS的基本原理

发布时间 : 2024-11-25

作者 : 小编

访问数量 : 23

扫码分享至微信

点点滴滴学5G——一文掌握NR TRS的基本原理

1. TRS的基本概念

TRS的全称是Tracking Reference Signal（如图1所示），它也是一种CSI-RS。我们知道终端接收下行数据传输的时候，需要不断的跟踪和补偿时偏和频偏。TRS主要就是提供这个功能的，终端通过测量CSI-RS来tracking时/频偏差。

图1

2. TRS的配置说明

CSI-RS for tracking必须配置为NZP CSI-RS，并且信令NZP-CSI-RS-ResourceSet中IE:trs-Info必须设置为‘true’(该字段trs-Info的意思就是‘Tracking RS Info’)，CSI-RS for tracking的资源配置如图2所示且说明如下：

图2

对于包含有IE:trs-Info的信令NZP-CSI-RS-ResourceSet，在同一个NZP-CSI-RS-ResourceSet中的所有NZP-CSI-RS资源的天线端口索引都相同：

1）对于frequncy range 1(FR1)，可以给UE配置一个或多个NZP CSI-RS resource set，每个NZP-CSI-RS-ResourceSet 都包含4个周期性NZP CSI-RS资源，这4个周期性NZP CSI-RS资源分配在2个连续的slot上，每个slot上有2个周期性NZP CSI-RS资源。

2）对于frequncy range 2(FR2)，可以给UE配置一个或多个NZP CSI-RS resource set，每个NZP-CSI-RS-ResourceSet 都包含2个周期性NZP CSI-RS资源(这2个周期性NZP CSI-RS资源分配在1个slot上)或者包含4个周期性NZP CSI-RS资源，这4个周期性NZP CSI-RS资源分配在2个连续的slot上，每个slot上有2个周期性NZP CSI-RS资源。

特殊说明： CSI-RS for tracking在配置方面的限制如下：

对于一个特定的UE而言，如果在信令CSI-ReportConfig中配置了包含CSI-RS for tracking的CSI-ResourceConfigId，那么信令CSI-ReportConfig 中的IE:timeRestrictionForChannelMeasurements不能设置为‘configured’。

对于一个特定的UE而言，如果要配置在PUSCH上上报非周期性CSI-RS for tracking的测量结果，那么对于非周期的带有IE:trs-Info的NZP CSI-RS resource set，对应的信令CSI-ReportConfig中的IE：reportQuantity 只能设置为‘none’

对于一个特定的UE而言，不能在CSI-ReportConfig中配置周期性CSI-RS for tracking。

对于一个特定的UE而言，不能在NZP-CSI-RS-ResourceSet同时配置IE：trs-Info和repetition(这两个字段都是OPTIONAL的)。

如果CSI-RS for tracking的带宽大于52个RB，那么CSI-RS的周期不能配置为slot，其中指的是子载波间距配置

CSI-RS for tracking的powerControlOffset和powerControlOffsetSS由信令NZP-CSI-RS-Resource给出，所有NZP CSI-RS资源的powerControlOffset和powerControlOffsetSS相同。

3．TRS时频域资源特征说明；

对于FR1(sub6)，TRS有如下特征：

是一个由4个periodic的nzp-CSI-RS resource组成的NZP-CSI-RS-ResourceSet，并且这个resource set会被配置参数trs-Info

这4个CSI-RS resource分布在连续的两个slot内。每个slot内映射两个CSI-RS resource，并且时域间隔是固定的4个symbol（l∈{4,8}, l∈{5,9}, or l ∈{6,10} for frequency range 1）

每个CSI-RS resource是 1-port并且density-3

带宽是min{52, BWP大小}或者等于BWP的大小

周期由periodicityAndOffset给出，是Xp*2的u次方个slots，其中Xp = 10, 20, 40, or 80

u为子载波间隔。

具体解释如图3所示

图3

4.周期性TRS和非周期性TRS

CSI-RS for tracking可以配置为周期性和非周期性两种类型，如果一个UE配置的信令NZP-CSI-RS-ResourceSet 中带有IE:trs-Info,CSI-RS的资源配置如下：

只有周期性CSI-RS资源作为CSI-RS for tracking的场景，一个NZP-CSI-RS-ResourceSet 中的CSI-RS资源都具有相同的周期，带宽(这个指的就是包含CSI-RS的RB个数)和子载波位置。

第一个NZP-CSI-RS-ResourceSet 中为周期性CSI-RS资源，第二个NZP-CSI-RS-ResourceSet 中是非周期性CSI-RS资源的场景，周期性CSI-RS资源和非周期性CSI-RS资源具有相同的带宽以及相同的RB位置，非周期性CSI-RS资源与周期性CSI-RS资源关于'QCL-Type-A' and 'QCL-TypeD'准共址。周期CSI-RS resource set和非周期CSI-RS resource set中应配置相同数量的CSI-RS资源并且在一个slot中配置的CSI-RS资源数量也要相同。如果触发了一个非周期性CSI-RS resource set，并且如果相关联的周期CSI-RS resource set配置有4个周期性CSI-RS资源(这4个周期性NZP CSI-RS资源分配在2个连续的slot上，每个slot上有2个周期性NZP CSI-RS资源), 那么信令NZP-CSI-RS-ResourceSet中的IE: aperiodicTriggeringOffset指示了这2个含有4个周期性CSI-RS资源的slot中的第一个slot和触发了非周期性CSI-RS的DCI所在的slot之间的slot个数(请参考博文'NZP CSI-RS Resource Configuration')

回顾2019，企业如何通过IT创新降本增效？

无论何时，写总结都是一件不怎么轻松的事，如何以轻松的方式写，如何能以轻松的方式读，想来想去想不通，这里，索性以最简单的随意形式梳理一下小编在2019年看到的，印象深的趋势，科技热点和创新点，看看大家是怎么降本增效的。

2019年，新的经济形势下，裁员潮令许多人都过不好这个年了，企业更应该思考如何用创新技术来省钱，把一块钱当两块钱花，提升性价比。

创新者与跟随者都很重要

有企业作为技术创新者、市场的开拓者，以一种颠覆性技术开创一个行业，这些方案往往水平高、质量好，价格也非常对得起自己。

而当行业逐渐成熟，市场教育阶段过后，新入局者看清楚门道后，快速学习套路，以最低成本，最明确的目标，最高效率入局，对前者形成打击，走别人的路，让前者无路可走，毕竟，做一个有明确需求的东西比开创点什么要难的多。

正因为如此，企业可以采购更具性价比的替代性解决方案，创新者陷入窘境，残酷但是现实，这确实就是行业发展的必经阶段，旧时王谢堂前燕，飞入寻常百姓家是必然趋势。

类似的，药品的专利也有有效期限，期限一到，市场上替代品一拥而入，在此之前，药企投入巨大的研发成本之后想获利也是理所应当的，不同的是，IT技术本身是靠一个个功能实现的，模仿者跟踪者做起来更轻松一些，IT领域极少数有模仿不出来的东西，比如Oracle的数据库，同类竞品哪怕性能或者安全可靠性上差一点，基本也是可以起到替代作用。

在IT领域，产品技术专利远不如标准来的实在，而标准往往掌握在行业的开创者（或者发扬光大者）手里，但每一次的发展需要这些硬核技术创新者，生态构建者，行业引领者，这样的企业值得被尊重。

跟随者的出现同样对于行业发展有贡献，他们往往是厉害的、有战斗力的企业，他们的故事脚本一般不怎么精彩，但他们当中的市场佼佼者，依然能靠平庸的剧本演绎出精彩。他们的出现逼迫领跑型创新者不断创新提升附加价值。

最终造福用户。

2019，冷静看待AI

随着社会的发展，人力成本是最贵的，说降本增效，还有什么比得过AI替代人？

在看过那么多科幻电影里演绎的智能后，2019年，AI离我们又更近了一步，2019年打着教学旗号搞知识付费的骗子们也消停了，网上也出现了许多人工智能劝退帖子，大家开始理性看待人工智能，认识人工智能的能力和局限性，正确使用AI能成为企业降本增效的好手段。

2019年世界人工智能大会上马云和埃隆马斯克对人工智能发表了看法，马斯克认为人类现在低估了人工智能的能力，人工智能会对人类带来大的威胁。马云则认为不要跟AI比智力了，人类应该做创造性的事儿。二马的观点基本代表了理科生和文科生对AI的看法。

两位大佬都认为人工智能将带来非常大的颠覆，小编认为，既然有了人工智能，就不应该逃避和拒绝它，潘多拉魔盒已经打开就不可能再关上了，你不研究也有别人去研究，人们应该积极拥抱而不是惧怕人工智能，只有充分了解后才可能为我所用，不至于让人工智能过于失控。

AI技术与生态发展

人工智能技术的发展一方面在于不断优化的算法，虽说算法已经发展了好几十年了，不是说一两年马上就能有什么质的飞跃，但总还是有前沿的算法值得期待，与以往不同的是，现在在实践的驱动下，算法更有针对性了，算法在实践中成长。

计算能力AI芯片方面，谷歌的TPU开了一个头，如今的市场上我们能看到各式各样的AI芯片，全球市场上英特尔在AI芯片布局上真可谓是急先锋一个，收购了一个又一个AI芯片厂商，芯片布局包括Mobileye、Nervana、Movidus等，不久前又刚刚收购了可编程AI芯片Habana Labs，英伟达、高通、AMD做起AI芯片一个比一个卖力，国内市场也非常热闹，华为的麒麟和昇腾系列芯片也有有AI芯片，地平线征程旭日系列，依图科技求索，寒武纪，阿里平头哥玄铁910，紫光展锐虎贲（ben）T710等。

在人工智能的应用开发上，全球范围内有谷歌的Tensorflow、Facebook的PyTorch、Caffe、MXNet、Scikit-Learn等著名框架，中国百度有PaddlePaddle等比较成熟的框架，也开始出现像商汤科技SenseParrots，阿里X-Deep Learning，华为的MindSpore灯新兴框架，各种框架各有侧重，看似杂乱无章，其实跟芯片一样，相互互补，相互协作，并非冲突关系，层出不穷的深度学习框架放映出人工智能的多样性。

一点关于AI应用的事儿

2019年，“智能+”正式出现在两会报告中，这是政府报告中第三次提到人工智能话题，“智能+”是国家顶层的顶层战略，在实际发展中，有哪些尝试和探索呢？

在无人驾驶，自动驾驶或者辅助驾驶等以AI技术为主的汽车驾驶方案方面，谷歌，特斯拉，百度等国内外巨头都有许多探索，它的出现让汽车更像是一个功能强大的电子产品，2019年，上汽红岩5G智能重卡的示范运营开启智能汽车运营，电脑开的汽车离我们又近了一步。

智能机器人可以分为用于生产的工业机器人和服务于人的服务型机器人，工业机器人负责搬东西，送快递，去厂房里帮（替代）人干活儿，服务于人的机器人在家里帮你扫地，在桌子上跟你对话，大多是时候，智能音箱跟你的对话都像个话不投机的智障，可能是人类太复杂了，机器还不够了解人们，可如果想要让机器了解人，那就得收集人类的语言信息，在许多国家和地区，收集信息这件坏事儿需要严格控制。

教育AI，基于AI能力的教育服务商，基于AI做智能化服务探索，让AI辅助或者替代老师进行教学，梳理知识点，回顾错题，制定有针对性的复习计划，这是一方面，还有一类是提供教学用的IT解决方案，随便翻看了一下，很多厂商都在推行类似的方案，此类方案多位软硬一体，供学生学习练手用，毕竟大部分学校的机房都跑不了机器学习这种新型负载，而人工智能技能是必须要学的。AI人才缺口有多大，这块市场就有多大。

工业AI，产品质量检测方面是重点，毕竟质检是对生产环节调整最小的环节，还有一大类应用是智能故障预警，提前发现问题，提前换掉即将发生故障的零部件，这些场景都非常典型。

医疗AI，依靠人工智能系统对大量数据的全量分析，找到各种因素和结果质检的关联关系，比如最近，IBM提出用机器学习开发阿尔茨海默病关键生物标记物的血液检测方法，能以一种不解释的方式给出答案，两年前，人们已经发现人工智能的步子迈的太大了，就连IBM做了很多年的”沃森医生“也出了很多BUG，在中国，用人工智能来辅助医生看片子（CT，MR什么的），出现了许多创业公司。

就应用层面而言，目前AI最成熟的就是相对简单的语音识别和图像识别了方面了，语音识别是指将语音转换为文字，大家试试微信的语音输入就知道了。

各种身份认证，活体认证APP都在用图像识别人脸识别，监控摄像头也在用，娱乐性的拍照软件也在用，只要人脸关键点识别做的好，整体体验就还不错，本来用的人畜无害的，偏偏有人让你上传自己照片给影片人物换脸，泄露隐私和侵害版权还是小事儿，中国一些明星get了不用去现场就能拍电影的神技能，没准就彻底把中国电影的棺材板子给盖实了，还顺手浇灌了几桶混凝土。

不过，通过这事儿也能看出来，AI的危害其实可以很大，关键得看你怎么用了。

AI在企业级基础设施领域的应用

2019年，云数据中心，特别是许多互联网云数据中心的创新步伐不减，对他们来说，创新不是消耗成本，而是降本增效。

在企业IT领域，AI也在发力，SSD的控制器里有AI算法，存储系统的智能分层系统里有AI算法，存储系统的故障管理系统有AI算法，IT运维系统的时候也有AI算法，灾备系统里也有AI算法。复杂抽象的IT参数和指标非常多，让AI做运维非常合适，不怕数据量不够，也不怕做错了之后出人命。所以说，电脑的事儿还是交给电脑来解决吧。

数据中心基础设施运维管理上开始用AI出现的最早，大概四年前，我先是看到一家叫先智数据的公司开始尝试用AI技术预测磁盘故障，后来，新华三收购的Nimble的Infisight也在做类似的事情，随后有看到戴尔易安信，浪潮，华为等越来越多的存储系统在用AI来做故障预测和故障处理了，AI正在将存储管理员从一些简单的重复性的工作中拯救出来。

要知道，经验丰富的存储运维工程师的工资成本是非常高的……如果能给他们分担点工作，那感性非常好了。

数据中心算力性价比发展将加速

摩尔定律的本质就是不断提升算力的性价比。

2019年4月，英特尔发布第二代至强可扩展处理器，以提升性价比的方式继续延续摩尔定律，不过，下半年AMD发布的7nm处理器确实给英特尔带来了不小压力，英特尔也急忙宣告了10nm上的计划，消费级的产品线据说还拿出了降价策略。

AMD重返数据中心市场确实带来了新气象，究竟会拿走英特尔市场份额几个百分点还是未知数，但客观上肯定会促进牙膏厂下一次挤牙膏的时候多使点劲儿。

数据中心市场是一个非常看重性价比的市场，所以，实际应用中也不能只看参数，7nm固然好，多核的优势对绝大部分还是未知数，一些比如PCIe 4.0这样的接口设定，先一步发布优势还非常有限，毕竟2019年真正支持 4.0的设备屈指可数，生态还是很重要的，这是英特尔牢牢作为上游厂商牢牢把控市场的根本原因。

企业级数据中心里，Power系统凭借原有的稳定生态仍占有一席之地，凭借超高的系统稳定性依然是服务器家族中一个特殊的存在，2019年，Power服务器在中国凭借IPS（浪潮商用机器）重新收复旧土，在金融等传统优势领域获得很好的市场表现。

ARM服务器几次起落之后，2019年，国内服务器厂商尤其是华为又重新大力加持，一众国内厂商跳出来推出了基于华为鲲鹏解决方案，ARM服务器能否在更多场景中使用，还有很多未知数。

数据中心的计算架构方案越来越多，因此，数据中心算力性价比发展将加速。

降本增效的神器——SCM

若论这几年基础设施架构上的创新，SCM是当属最热话题之一，继英特尔3D Xpoint发布以及快速商用推出傲腾之后，三星发布Z-NAND，东芝XL-Flash，西数LLF，随后也都推出了类似的方案（一起开发3D Xpoint的美光也是前不久才正式拿出了产品）。

对SCM最热衷的英特尔的意思是，SCM往上看能帮内存打下手，往下看能拉NAND SSD一把，价值就在体现出来了，它能上计算架构的数据流动更顺畅，效率提高。

英特尔是目前最成熟的SCM方案供应商，一定程度上他就是我们所说的行业开创者和市场教育者。

在使用上，有的企业把英特尔傲腾当做性能略差的内存来用，在快手的Redis方案里，英特尔傲腾充当内存，与原来的DRAM内存相比，性能相差无几，而成本却有大幅降低，在青云的NeonSAN分布式块存储方案里，在阿里的PolarDB里傲腾凭借介质的高耐久度和低延迟特性都表现出独特价值，据说，包括阿里在内的一线云巨头都在尝试拿傲腾替内存方案，作为云主机的内存，这是要为云主机价格战再燃起一把火。

许多存储公司都在利用傲腾打造独特优势，还有一些像Memverge这样的新锐创新公司，正在以英特尔傲腾存储为基础，开创了内存融合基础架构（MCI）系统，该系统提供了10倍的内存容量和10倍的数据I/O速度，以更为独特的方式提供更高的内存容量和更快的存储速度。

NAND的性价比发展之路

与摩尔定律类似的是闪存芯片介质，2019年的市场上，MLC基本退出了市场，TLC与QLC共存，更高层的NAND颗粒也将成为市场主流，历史的车轮滚滚向前，闪存的发展也断然不会走回头路。中国大连的英特尔芯片工厂明年将量产144层QCL 3D NAND。

2019年底，中国自己的3D NAND产品也已经开始走向市场了。最近NAND价格在波动，我就想问，明年的SSD要降价多少吧？

快速迭代演进的闪存技术为用户带来了越来越多的福利，比如，金山云在CDN节点服务器上使用了QLC来替代原来的磁盘，单台设备上的性能瓶颈得到了解决，单个CDN节点的能力提升了，设备数量减少了，而且回溯流量也减少了，在多个方面降低了整体成本，降本增效。

Nitro领衔的数据中心硬件创新方案

超大规模数据中心里，AWS拿出了Nitro专有ASIC硬件方案，减少服务器通用计算资源的消耗量，给用户交付足量的计算资源，能提升产品服务的性价比，最终提升的是整体竞争力。Nitro专有硬件的出现，再次说明云计算是精打细算的一门生意。

几个月后，阿里也推出了类似的方案，跟AWS的描述语言非常相似，这一做法其实非常有代表性，一位UCloud专家谈起Nitro也是赞赏有加。

2019年10月份，随着新一轮融资就位，对标Nitro的Pensando走入公众视野，它宣称的也是类似Nitro功能，但各方面比Nitro都要强，他提供这些专有硬件方案给超大规模数据中心用户。

软硬一体获胜

2019年年底，AWS宣布在参与软硬解耦的路由器项目DENT，这是一个园区网和企业网交换机操作系统，他所代表的技术趋势非常诱人，但目前主要的应用场景也比较局限，对行业的影响可能并不会特别大。

数据中心市场，超融合作为方案载体的作用越来越明显了，k8s部署费劲？那超融合来做，人工智环境部署麻烦？超融合来做。

超融合的市场发展可见纯软的方式并不适合超融合，软硬一体才是王道，软硬分离的方案看似似乎可以像Windows的硬件兼容电脑一样，其实，超融合的系统其实更像是Linux的兼容机，Linux对于一些硬件的兼容性并不是特别好，软硬一体的Mac体验其实最好。

分布式框架，K8S越来越火了，称之为数据中心的操作系统也不过分，k8s描绘了一个应用负载能在数据中心里里外外自由流动的美好愿景，不过，即使最热心的容器技术拥护者也都认可，并不是所有应用都适合做容器化的。

像AWS这样的云巨头推出多个容器方案，自己实现了一个管理工具，也托管了k8s方案，就连虚拟化巨头VMware也在积极用实际行动拥抱容器化，2019年，容器当之无愧的成了虚拟化之后，IT基础设施领域的又一大创新。

公有云向企业级私有云迈进

公有云上的主要变化是，公有云普遍涉足企业私有云。

2019年12月，AWS正式发布Outposts，进入混合云私有云市场，等于AWS承认了这个世界不只有公有云。UCloud也在布局企业私有云，不久前IPO注册成功后公布的信息显示，私有云占据UCloud的营收越来越高。国内公有云一哥阿里云也在关注企业市场，阿里云方面单就存储来看，已经发布多款企业级存储解决方案，说它是家存储公司也不过分。

AWS Outposts强调云上云下一致的架构体验，这样的说法大家可能也都不陌生。

类似的说法，最早我是从青云的嘴里听到的，青云最早是做公有云的，而现在做企业私有云，企业私有云是一块非常大的市场，青云很有眼光的看到这一市场并用实际行动抓住了这一市场，这也可能是青云较早实现盈利的重要原因，企业私有云市场很热，纵然是AWS也不能置之不理。

公有云服务是卖服务器的做的好，还是互联网公司做的好呢？

某公司创始人是从某著名企业级IT公司出来的，对于老东家的方案部署实施极度糟糕的体验深有体会，超融合能获得市场青睐其实最主要的就是他有开箱即用的能力，有人将超融合比作简单易用的智能手机，说明企业级IT对于体验也是有需求的，但在残酷的现实面前，这些需求被压制了。

小编也认为，云服务也是要讲究体验的，互联网公司在体验上有非常明显的优势，这是小编本人不看好服务器厂商做公有云的原因之一，放眼全球，也只有中国有服务器厂商在做公有云。

一位了解某某云的专家在谈起使用体验时表示，他们使用的服务器还是很好的。

而小编在实际体验中感觉，产品体验上确实比较粗糙，经常有一些莫名其妙的小问题，但基本功能都是有的，只是体验不够流畅，这些细致的问题在一些场合可能不是决定性的，但对于打磨产品的服务商而言，初步具备能力只能算是行百里者半九十，接下来还需要继续不断优化。

云厂商与硬件厂商的博弈

2019年，做企业级SSD的厂商是越来越多了，服务器厂商在做SSD，云厂商也在做SSD，做的好的，已经迈入了百万IOPS时代，比如有UCloud和阿里云。

有人半开玩笑的说，这是客大欺店，做SSD的不如用SSD的强势，所以，SSD都冠上了用户的名字（这个说法有待商榷），而且要按照用户需求来做，早在几年前，服务器厂商也都开始大规模做定制化服务器了，这是一样的趋势。各种品牌的SSD产品说明了市场对SSD需求的多样性。

HPE作为不做公有云的硬件厂商则非常看好边缘计算，HPE最近公布的一组数字显示，未来四分之三的数据都将在数据中心以外产生，从经济性和性能体验的角度讲，将算力放在靠近数据的地方更合适，HPE以此来向投资人证明边缘发展策略的正确性。

数据中心以外的计算资源基础设施大提升都可以算作是边缘场景，也确实有道理。

开源云技术风向

说起私有云市场Openstack是绕不开的话题，OpenStack基金会中有许多中国企业，这对于中国企业来说，这就是OpenStack的全部，OpenStack是一套开源技术的集合，也是一系列标准的集合，在OpenStack的推动下，一批公司茁壮成长，然后又沿着不同的路径发展。

国内的OpenStack创业公司中，Easystack最早开始做超融合，在容器方面也入手较快，九州云走边缘计算，跟OpenStack的在边缘计算方面的路径保持一致……发展各有侧重，公有云厂商比如腾讯云也在以OpenStack作为切入企业私有云市场的工具，2019年，电信运营商作为最典型的OpenStack用户，从另外一个方面看，电信运营商如今也都是公有云服务商。

OpenStack像运载火箭的推动器一样，已经完成了阶段性任务，又像是一个航母，作为一个海洋上的起落平台，2019年，OpenStack依然很重要，但当他变成必需品时，也就没必要聊的太多了，OpenStack正在延展出更多项目，包括拥抱以以K8s为代表的容器技术。

容器技术正在接过云市场的创新接力棒，大牌如IBM收购了手握OpenShift的Red Hat，Mirantis收购Docker EE……2019年，许多企业都发布了基于k8s的方案，青云发布k8s发行版KubeSphere，博云，灵雀云等也在基于k8s的基础上，更新开发，测试和运维管理企业云方案，还有一些企业在将现有的集中式架构嫁接在k8s分布式方案商。

创新的故事还有很多，创新没有终点，但方向是降本增效，2020年，你需要继续拥抱创新。