With wireless communication technology development, the 5G New Radio (NR) has been proposed and developed for a decade. This advanced mobile communication technology has more advancements, such as higher system capacity, higher spectrum efficiency, higher data rates, and so on. In 5G, Ultra- Dense Network (UDN) is deployed for increasing the system capacity and frequency reuse to meet high application requirements. The architecture of 5G UDN is to realize the dense and flexible deployment of smaller general Node B (gNB). However, the increased capacity of applying UDN in 5G is anticipated at the cost of increased signal interference, increased handover times, and increased handover failures. The Time to Trigger (TTT) is one of the most important factors in handover frequency which is deserved to be detected. Moreover, the density of the 5G gNBs influences the handover times and performance as well. In this work, we provide a compendium of 5G handover management. A downlink system-level simulator for 5G handover is built and utilized to evaluate the effect of different TTT values and densities of gNBs on the 5G handover. In addition, different velocities of Traffic Users (TUs) have been applied to the simulation system. From the simulation results, the handover performance has been analyzed and optimized by applying adjustable TTT under different densities of gNBs which will help people have a better understanding of the selection and effect of proper TTT, UDN, and different velocities of TUs on 5G handover performance.


翻译:随着无线通信技术的发展,已提出并开发了5G新无线电台(NR)10年,这一先进的移动通信技术取得了更多的进步,例如系统容量提高、频谱效率提高、数据率提高等等。在5G中,超常网络(UDN)的密度是为了提高系统容量和频率再利用以满足高应用要求而部署的。5GUUDN的架构是为了实现更密集和灵活地部署较小的一般节点B(gNB)的配置。然而,5G应用UDN的能力提高,其代价是信号干扰增加、交接时间增加、交接失败增加。Trigger(TTTTT)的时间是移交频率中最重要的因素之一,值得检测。此外,5GNBNG的密度影响影响到移交时间和性能。5GUDN的交接的下级系统模拟效果已经建立并用于评估不同的TTU值和密度对5G交接的帮助度的影响。此外,从5GUT(T)系统内部的升级和可优化的模拟结果将改进。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员