Archives pour la catégorie Technique

Comprendre la 5G – NTN Part 4

Posté le by - 51 vues
Répondre

Suite de l’article : Comprendre la 5G – NTN Part 3

Variabilité Temporelle et Mises à Jour

Mobilité du Satellite (LEO)

Pour les constellations LEO, le satellite se déplace rapidement par rapport à la Terre (vitesse orbitale ~7.5 km/s pour un satellite à 600 km).

Taux de variation de la distance :

dD/dt ≈ v_sat × cos(θ)

où θ est l’angle entre le vecteur vitesse du satellite et la direction UE-satellite.

Impact sur TA : Le TA doit être mis à jour régulièrement. Le taux de variation du TA est :

dTA/dt = (1/c) × dD/dt

Exemple numérique :

  • v_sat = 7 500 m/s
  • Angle défavorable : cos(θ) = 0.7
  • dD/dt = 5 250 m/s
  • dTA/dt = 5 250 / (3×10⁸) ≈ 17.5 µs/s ≈ 1.05 ms/minute

Le TA change donc d’environ 1 ms par minute, nécessitant des mises à jour fréquentes.

Périodicité des Mises à Jour

Le 3GPP TS 38.213 définit que les mises à jour de TA doivent être envoyées lorsque l’erreur de TA dépasse un seuil. En NTN, ce seuil est adapté mais le principe reste :

Fréquence de mise à jour du TA :

  • LEO : Toutes les 10-100 secondes (selon la géométrie)
  • GEO : Très rarement (satellite quasi-stationnaire)

Fréquence de mise à jour de Koffset/Kmac :

  • LEO : Toutes les 1-10 secondes (éphémérides mises à jour)
  • GEO : Rarement (peut être fixe)

Prédiction et Compensation Doppler

La variation de distance induit également un effet Doppler en fréquence qui doit être compensé. La compensation Doppler en NTN (TS 38.821) peut être :

  1. Pré-compensée par l’UE (Common TA/Doppler pre-compensation)
  2. Compensée par le satellite (si régénératif)
  3. Combinaison des deux

Le calcul du décalage Doppler est :

f_doppler = -f_carrier × (v_radiale / c)

où v_radiale = dD/dt (vitesse radiale).

Architectures NTN et Implications

Transparent Payload

Dans une architecture transparente (bent-pipe), le satellite est un simple répéteur :

  • TA pré-compensé : Obligatoire côté UE
  • Koffset : Calculé par l’UE ou fourni par le réseau
  • Kmac : Géré localement par l’UE
  • Commandes TA résiduelles : Envoyées par le gNB au sol

L’UE doit avoir des capacités GNSS et de calcul d’éphémérides.

Regenerative Payload

Dans une architecture régénérative, le satellite décode et ré-encode les signaux :

  • TA : Peut être géré partiellement par le satellite
  • Koffset : Split entre segment spatial et terrestre
  • Kmac : Géré par le satellite gNB

Cette approche réduit la complexité UE mais augmente celle du satellite.

Choix de l’Architecture

Le choix entre transparent et régénératif impacte directement la gestion de TA, Koffset et Kmac :

Aspect Transparent Régénératif
TA pré-compensé UE obligatoire Optionnel
Complexité UE Élevée (GNSS+calcul) Modérée
Complexité satellite Faible Élevée
Latence minimale RTT complet RTT segment
Efficacité spectrale Modérée Élevée

Défis et Limitations

Précision de Localisation

L’efficacité du TA pré-compensé dépend de la précision GNSS de l’UE :

  • GPS standard : Précision ~5-10 m → erreur TA ~33-66 ns
  • GNSS augmenté : Précision ~1 m → erreur TA ~6.6 ns

Avec c = 3×10⁸ m/s, une erreur de position de 10 m induit une erreur de TA de ~33 ns, ce qui reste négligeable par rapport au Tc ≈ 0.509 ns mais peut s’accumuler.

Latence des Éphémérides

Les éphémérides sont diffusées dans les SIB avec une périodicité de quelques secondes. Durant cet intervalle, la position du satellite (LEO) a changé, induisant une erreur dans le calcul de TA pré-compensé.

Atténuation : Utiliser des modèles de prédiction d’orbite (propagateurs Kepler/SGP4) avec les paramètres orbitaux.

Délai de Feeder Link

Le délai feeder link (satellite ↔ gateway) est souvent variable en fonction de :

  • Charge du réseau backbone
  • Routage IP
  • Traitement dans les gateways

Cette variabilité introduit un jitter qui doit être absorbé par les buffers et compensé par les mises à jour de TA résiduel.

Consommation Énergétique

Le calcul fréquent de TA pré-compensé, Koffset et Kmac par l’UE consomme de l’énergie :

  • Acquisition GNSS continue
  • Calculs trigonométriques pour les distances
  • Traitement des éphémérides

Optimisations :

  • Utiliser des prédictions au lieu de recalculer à chaque slot
  • Mode discontinu avec réveil périodique
  • Offload vers le réseau si possible

Conclusion

La gestion temporelle en 5G NTN représente un défi majeur que le 3GPP a relevé par l’introduction de mécanismes sophistiqués :

  1. Le Timing Advance (TA) pré-compensé permet à l’UE de calculer lui-même la majorité de l’avance temporelle nécessaire, réduisant la charge sur le réseau et permettant une synchronisation initiale rapide malgré les délais importants.
  2. Le Round-Trip Time (RTT) étendu, pouvant atteindre 520 ms en GEO, impose une refonte complète des procédures HARQ et des fenêtres de retransmission.
  3. Koffset compense le RTT dans les relations temporelles de scheduling et HARQ, permettant au système de fonctionner malgré des délais de propagation dépassant largement la durée d’une trame.
  4. Kmac assure que la couche MAC prépare les données suffisamment en avance pour que la couche physique puisse appliquer le TA important requis en NTN.

Ces mécanismes, standardisés dans les TS 38.213, 38.214, 38.321 et 38.821, permettent à la 5G NR de s’étendre au-delà de son domaine terrestre initial pour embrasser les réseaux satellites, ouvrant la voie à une connectivité globale véritablement ubiquitaire.

Les défis restants portent sur l’optimisation de la consommation énergétique des UEs, la gestion de la mobilité satellite (particulièrement pour les constellations LEO), et l’interopérabilité entre segments terrestres et non-terrestres dans les architectures hybrides futures.

Références 3GPP

  • TS 38.211 – Physical channels and modulation
  • TS 38.213 – Physical layer procedures for control
  • TS 38.214 – Physical layer procedures for data
  • TS 38.300 – NR and NG-RAN Overall description
  • TS 38.321 – Medium Access Control (MAC) protocol specification
  • TS 38.331 – Radio Resource Control (RRC) protocol specification
  • TS 38.821 – Solutions for NR to support non-terrestrial networks (NTN)

Glossaire

  • ECEF : Earth-Centered, Earth-Fixed (système de coordonnées)
  • GEO : Geostationary Earth Orbit
  • GNSS : Global Navigation Satellite System
  • HARQ : Hybrid Automatic Repeat Request
  • LEO : Low Earth Orbit
  • MAC : Medium Access Control
  • NTN : Non-Terrestrial Networks
  • PDSCH : Physical Downlink Shared Channel
  • PUCCH : Physical Uplink Control Channel
  • PUSCH : Physical Uplink Shared Channel
  • RTT : Round-Trip Time
  • SCS : Subcarrier Spacing
  • SIB : System Information Block
  • TA : Timing Advance
  • TAC : Timing Advance Command
  • UE : User Equipment

 

Comprendre la 5G – NTN Part 3

Posté le by - 74 vues
Répondre

Suite de l’article Comprendre la 5G – NTN Part 2

L’Ordonnancement Temporel : Koffset et Kmac

Le Problème de la Latence HARQ

Dans un réseau 5G NR terrestre, le mécanisme HARQ (Hybrid Automatic Repeat Request) suit un timing strict défini par le 3GPP TS 38.214 :

  1. Slot n : Transmission downlink du PDSCH
  2. Slot n+k : Réception de l’ACK/NACK dans le PUCCH uplink
  3. Slot n+k+k’ : Retransmission éventuelle

Les valeurs de k sont typiquement petites (4 à 8 slots) car le RTT terrestre est faible.

En NTN, avec un RTT de plusieurs millisecondes voire centaines de millisecondes, ces valeurs deviennent inadaptées. Le 3GPP a donc introduit Koffset et Kmac.

Le décalage Koffset associé au temps de propagation introduit une latence élevée pour l’acquittement. La 5G NTN propose d’augmenter le traitement en parallèle de 16 processus à 32 processus pour éviter un effondrement du débit par attente d’acquittement (HARQ Stalling). Mais la 3GPP propose également de désactiver le processus HARQ.

Koffset : Compensation du Délai de Propagation

Le paramètre Koffset est défini dans le TS 38.214 (amendements NTN) et représente un offset temporel additionnel pour compenser le délai de propagation NTN. Afin de comprendre l’intérêt de ce paramètre, revenons sur le cas d’usage de la 5G terrestre.

Lorsque la station de base envoie des informations de contrôle DCI, c’est pour :

  • Informer l’UE qu’il recevra des données en DL. L’UE répondra à la station de base en transmettant un acquittement HARQ.
  • Informer l’UE qu’il peut émettre des données en UL

La 5G terrestre définit des indicateurs K0, K1 et K2 :

  • K0 : retard entre la réception de l’information DCI et la réception des données sur le canal PDSCH
  • K1: retard entre la réception de l’information DCI et l’émission de l’acquittement sur le canal PUCCH
  • K2: retard entre la réception de l’information DCI et l’émission des données sur le canal PUSCH

La valeur de K0, K1 et K2 sont des paramètres d’ordonnancement fixés à la durée de quelques sous-trames. Par exemple K1 vaut 3 ms, ce qui signifie que la station de base s’attend à recevoir cet acquittement 3 ms après l’émission du DCI. Du point de vue de l’UE, celui-ci dispose de moins de 3 ms pour récupérer la trame radio, l’acquitter et l’envoyer à la station de base (il faut prendre en compte la propagation DL et UL donc le TA). Si le TA est supérieur à 3 ms, il est impossible que l’acquittement soit reçu sur la sous-trame dédié.

Figure 1 : L’acquittement émis par l’UE et reçu par le gNB

Dans le cas ou la commande DCI demande à l’UE de transmettre un paquet montant, ce paquet doit être reçu à K2+Koffset trames après la commande DCI. La valeur du Koffset garantit que le nombre de sous-trames pour la réception du paquet au niveau du gNB est supérieur au RTT maximal. Il s’agit bien d’un paramètre d’ajustement d’ordonnancement « grossier ».

Figure 2 : La réception du paquet UL reçu par le gNB (Rohde et Schwarz)

Définition et Calcul

Koffset = ⌈2 × T_propagation / T_slot⌉

où :

  • T_propagation = délai de propagation unidirectionnel UE↔satellite↔gateway
  • T_slot = durée d’un slot (dépend de la numérologie)

Exemple LEO (600 km, élévation 30°) :

  • Distance UE-satellite : ~693 km
  • Distance satellite-gateway : ~693 km
  • T_propagation : (693 + 693) km / c ≈ 4.6 ms
  • Avec SCS 15 kHz (T_slot = 1 ms) : Koffset ≈ 10 slots

Exemple GEO (35 786 km) :

  • Distance totale : ~80 000 km (UE-SAT-GW)
  • T_propagation : ~267 ms
  • Avec SCS 15 kHz : Koffset ≈ 534 slots

Application de Koffset

Koffset est appliqué aux relations temporelles suivantes (TS 38.214) :

Pour PDSCH → HARQ-ACK :

Slot_HARQ-ACK = Slot_PDSCH + K1 + Koffset

Pour DCI → PUSCH :

Slot_PUSCH = Slot_DCI + K2 + Koffset

où K1 et K2 sont les valeurs configurées normalement en NR terrestre.

Configuration de Koffset

Koffset peut être :

  1. Calculé par l’UE (mode pré-compensé) en fonction des éphémérides et de sa position
  2. Signalé par le réseau via les SIB ou RRC (mode transparent)

Le choix dépend de l’architecture NTN (transparent vs régénératif) et de la capacité de l’UE à calculer les paramètres temporels.

Kmac : Timing Advance pour la Couche MAC

Le paramètre Kmac est intimement lié au Timing Advance mais opère au niveau de la couche MAC. Il représente le délai à appliquer aux PDU MAC pour tenir compte du TA en NTN.

Distinction TA vs Kmac

  • TA (Timing Advance) : Appliqué au niveau physique (PHY), avance le timing de transmission RF

Kmac : Appliqué au niveau MAC, avance la préparation et l’envoi des MAC PDU à la couche physique

Figure 3 : La liaison NTN (illustration 3GPP)

Le point de référence correspond à l’alignement entre la trame physique UL et DL. Mais il faut prendre en compte la distance entre la couche MAC du gNB terrestre et le point de référence. La 3GPP propose un décalage UL/DL afin de compenser de manière transparente à l’UE.

Figure 4 : Les timers Koffset et Kmac (Rohde et Schwarz)

De plus, lorsque le satellite se déplace, il peut suspendre sa connexion feeder avec une passerelle terrestre (nommée passerelle source) et activer une connexion feeder avec une autre passerelle terrestre (nommée passerelle cible). Le routage IP est anticipé pour éviter d’avoir une latence importante, mais on peut imaginer que qu’avant routage la passerelle terrestre contient le gNB DU et le RRU et après routage, le gNB DU est resté sur la passerelle source et le RU est au niveau de la passerelle cible ce qui modifie le désalignement DL/UL.

Cas Pratiques et Dimensionnement

Scénario LEO (600 km)

Considérons un satellite LEO à 600 km d’altitude, avec un UE à une élévation de 30°.

Paramètres géométriques :

  • Distance UE-satellite : ~693 km
  • Distance satellite-gateway (supposé au nadir) : ~693 km
  • Distance totale : 1 386 km

Calculs temporels :

RTT = 2 × 1 386 / 300 000 ≈ 9.24 ms

TA_precomp = 1 386 / 300 000 ≈ 4.62 ms

Avec SCS 15 kHz (T_slot = 1 ms) :

Koffset = ⌈9.24⌉ = 10 slots

Kmac = ⌈4.62⌉ = 5 slots

Avec SCS 30 kHz (T_slot = 0.5 ms) :

Koffset = ⌈9.24 / 0.5⌉ = 19 slots

Kmac = ⌈4.62 / 0.5⌉ = 10 slots

Scénario GEO (35 786 km)

Pour un satellite géostationnaire :

Paramètres géométriques :

  • Distance UE-satellite : ~38 000 km (élévation 30°)
  • Distance satellite-gateway : ~40 000 km
  • Distance totale : ~78 000 km

Calculs temporels :

RTT = 2 × 78 000 / 300 000 ≈ 520 ms

TA_precomp = 78 000 / 300 000 ≈ 260 ms

Avec SCS 15 kHz :

Koffset = ⌈520⌉ = 520 slots

Kmac = ⌈260⌉ = 260 slots

Impact sur les Ressources Système

Ces valeurs importantes ont des conséquences majeures :

  1. Processus HARQ :
  • Nombre de processus HARQ nécessaires : Au moins RTT/TTI
  • En GEO avec SCS 15 kHz : 520 processus HARQ minimum
  • En NR terrestre : Typiquement 8-16 processus
  1. Mémoire requise :
  • Buffers MAC : Kmac × taille_MAC_PDU × nombre_UE
  • Buffers HARQ : RTT × débit_pic
  • En GEO : Plusieurs dizaines de MB par UE
  1. Complexité du scheduleur :
  • Fenêtre de scheduling : Kmac + Koffset slots
  • En GEO : Planification sur ~780 slots (7.8 secondes avec SCS 15 kHz)

Comprendre la 5G – NTN Part 2

Posté le by - 86 vues
Répondre

Suite de l’article Comprendre la 5G – NTN Part 1

Le Timing Advance (TA) : Compenser le Délai de Propagation

Principe Fondamental du TA

Le Timing Advance est un mécanisme fondamental des réseaux de mobiles (cf. 3GPP TS 38.213 pour la 5G NR – Section 4.2). Son objectif est de garantir que les transmissions uplink de tous les UEs arrivent synchronisées à la station de base (gNB ou satellite).

Sans TA, les transmissions de différents UEs situés à des distances variables arriveraient à des instants différents, causant des interférences inter-symboles et dégradant les performances du système.

Le principe : L’UE avance temporellement sa transmission uplink d’une valeur TA pour compenser le délai de propagation, de sorte que : T_arrivée_gNB = T_transmission_UE + T_propagation – TA ≈ T_référence

Calcul du TA dans les Réseaux Terrestres

Dans les réseaux terrestres (TS 38.213 pour la 5G), le TA est calculé par le gNB en mesurant la différence de temps entre la réception du signal Uplink et le début de la sous-trame dédiée à la réception de ce message. Le gNB envoie ensuite des commandes de TA à l’UE via :

  • Timing Advance Command (TAC) dans le Random Access Response (RAR) afin de calculer la valeur du TA initial. On parle de boucle ouverte et le gNB mesure la différence de temps entre la réception du préambule d’accès RACH et la sous-trame dédiées à la réception des RACH
  • TA adjustments via des commandes MAC CE (Control Element) permettant de compenser en boucle fermée la variation du TA lorsque l’UE se déplace. On compense ainsi le delta supplémentaire lorsque l’UE se déplace par rapport à la valeur du TA précédent.

Ajustement en boucle ouverte

La valeur de TA est quantifiée en unités de Tc (temps d’échantillonnage de base) :

TA = NTA × Tc.

On retrouve parfois en 4G-LTE le calcul suivant 1 TA = 16 Ts avec Ts = 1/(15000 × 2048) ≈ 32,55 ns (durée d’échantillonnage de base).

En NR (5G) :

  • TA dépend de la numérologie (SCS – Subcarrier Spacing)
  • Pour SCS = 15 kHz : 1 TA unit = 16 × 64 Tc ≈ 0,51 μs
  • Pour SCS = 30 kHz : 1 TA unit = 16 × 64 Tc / 2
  • Tc = 1/(480000 × 4096) (période d’échantillonnage de base)

Avec Tc ≈ 0.509 ns on peut calculer l’erreur de distance : 0,51 μs / 2× c ≈ 78 m

En boucle ouverte, le gNB transmet la valeur TA absolue

  • NR : MAC CE « Absolute Timing Advance Command » Absolute : 12 bits (valeur complète) Le calcul est le suivant : TA = TA_command × N_TA
  • TA_command : valeur reçue (0 à 4095 pour 12 bits)
  • N_TA : granularité qui dépend de la numerology (SCS)

Granularité N_TA selon le SCS :

  • μ = 0 (SCS 15 kHz) : N_TA = 16 × 64 Tc
  • μ = 1 (SCS 30 kHz) : N_TA = 16 × 64 Tc / 2¹ = 16 × 32 Tc
  • μ = 2 (SCS 60 kHz) : N_TA = 16 × 64 Tc / 2² = 16 × 16 Tc
  • μ = 3 (SCS 120 kHz) : N_TA = 16 × 64 Tc / 2³ = 16 × 8 Tc

Le TA est codé sur :

  • 11 bits en LTE : valeurs de 0 à 2047
  • 12 bits en NR : valeurs de 0 à 3846 (valeurs utilisables max actuellement)

Distance maximale :

  • LTE : 2047 × 78 m ≈ 160 km
  • NR (15 kHz) : environ 200 km

Ajustement en boucle fermée

Une fois la connexion établie, le réseau effectue des ajustements fins du TA. Commandes TA :

  • LTE : MAC CE (Control Element) « Timing Advance Command »
    • 6 bits : valeurs de 0 à 63
    • Représente un ajustement relatif : TA_new = TA_old + (TA_command – 31) × 16 Ts
    • Plage : ±31 unités TA (±1,6 km environ)
  • NR : MAC CE  » « Relative Timing Advance Command »
    • Relative : 6 bits (ajustement incrémental)

Pour le TA relatif

TA_new = TA_old + (TA_adjustment – 31) × N_TA

Timer TA :

  • timeAlignmentTimer : si l’UE ne reçoit pas de commande TA pendant cette durée, elle considère que le TA n’est plus valide
  • Valeurs typiques : 500 ms à 10 s
  • Expiration → l’UE doit refaire un RACH

TA Offset dans le réseau terrestre

Le TA offset est un désalignement intentionnel entre les trames downlink et uplink qui est transmis par le paramètre 5G NR n-TimingAdvanceOffset diffusé par un message RRC SIB.

Valeurs possibles : •

  • n0 : TA_offset = 0 (comportement par défaut)
  • n25600 : TA_offset = 25600 Tc ≈ 13 μs
  • n39936 : TA_offset = 39936 Tc ≈ 20 μs

Le TA_offset vaut 0 dans le cas FDD (les trames UL et DL sont synchronisées en temps sur des bandes de fréquences différentes.

Dans le cas TDD il faut prendre en compte le délai du temps de garde (Special). Exemple de pattern TDD (D = Downlink, U = Uplink, S = Symbole flexible)

  1. Slot n : DDDDDDDDDDDDD (tout DL)
  2. Slot n+1 : DDDSUUUUUUUUU (DL + spécial + UL)
  3. Slot n+2 : UUUUUUUUUUUUU (tout UL)

Le Ta_offset permet de prendre en compte ce délai. Ainsi en 5G pour les réseaux terrestres, TA=(N_TA+N_TAoffset).Tc

Ainsi en 5G pour les réseaux terrestres, TA=(N_TA+N_TAoffset).Tc

TA Pré-Compensé en NTN : Une Approche différente

Alors que pour le réseau terrestre la valeur du TA est calculée par la station de base, l’évolution majeure pour les terminaux 5G NTN est la capacité à pré-calculer le TA.

Pré-calcul du TA

En NTN, les délais de propagation sont beaucoup trop importants. Le 3GPP a introduit un concept dans le TS 38.821 : le TA pré-compensé (pre-compensated TA).

Dans le cas du réseau non terrestre, l’UE communique vers un satellite et le satellite transmet le trafic vers une passerelle satellitaire terrestre. On parle de lien de service le lien entre l’UE et le satellite et de lien de feeder, le lien entre le satellite et la passerelle satellitaire terrestre.

Figure 1 : Liaison NTN

Le standard 3GPP propose actuellement 2 architectures 5G NTN :

  • Architecture Transparente
  • Architecture Regénérative

Dans l’architecture transparente, la station de base est au sol, c’est-à-dire après la passerelle terrestre. Le temps de propagation radio aller/retour prend en compte le temps de propagation sur le lien de service et sur le lien du feeder.

Dans l’architecture régénérative, la station de base est située dans le satellite. Le temps de propagation radio prend en compte le temps de propagation sur le lien de service uniquement.

Principe du Pré-calcul

L’idée clé est que l’UE calcule lui-même la valeur du TA en utilisant :

  1. Les éphémérides du satellite : Position et vitesse du satellite, diffusées dans les System Information Blocks (SIB19 selon TS 38.331)
  2. Sa propre position GNSS : Latitude, longitude, altitude obtenues via GPS/Galileo/etc.
  3. Le temps de référence commun : Fourni par le satellite

Le calcul du TA pré-compensé suit la formule (TS 38.821, Section 6.3.1.1) :

TA_precomp = (d_UE→SAT + d_SAT→GW) / c

où :

  • d_UE→SAT = distance UE vers satellite (calculée géométriquement)
  • d_SAT→GW = distance satellite vers gateway (fournie dans SIB19)
  • c = vitesse de la lumière

Calcul Géométrique de la Distance UE-Satellite

La distance UE-satellite se calcule en coordonnées ECEF (Earth-Centered, Earth-Fixed) :

d_UE→SAT = √[(X_sat – X_UE)² + (Y_sat – Y_UE)² + (Z_sat – Z_UE)²]

Les coordonnées du satellite (X_sat, Y_sat, Z_sat) sont dérivées des éphémérides, tandis que les coordonnées de l’UE (X_UE, Y_UE, Z_UE) sont converties depuis ses coordonnées GNSS (latitude, longitude, altitude).

Mais, un satellite LEO se déplace environ à 28000 km/h (7,8 km/s). Le délai de propagation varie donc entre le sens montant et le sens descendant.

Figure 2 : La distance entre le satellite et l’UE en fonction de la position du satellite (Rohde et Schwarz)

Figure 3 : Le temps RTT sur le lien de service (Rohde et Schwarz)

Lorsque l’UE envoi une demande d’accès aléatoire à l’instant t0, la 3GPP propose de calculer le RTT à partir :

  • du délai t1 entre l’UE et le satellite (lien de service). Le satellite reçoit la demande d’accès à l’instant t1 et le transmet à la passerelle. Il est nécessaire de connaitre la position du satellite à l’instant t1.
  • du temps RTT_feeder nommé t2 entre le satellite et la passerelle terrestre.
  • du délai satellite-UE (lien de service) à l’instant t2. Il est donc nécessaire de connaitre la position du satellite à l’instant t2.

Pour calculer la position du satellite à l’instant t1 et t2, l’UE connait :

  • le temps de référence tepoch. Celui-ci correspond par exemple à l’instant de le sous-trame n°5
  • des informations éphémérides du satellite
    • Sa position à l’instant tepoch
    • Son vecteur vitesse à l’instant tepoch
    • Son vecteur accélération à l’instant tepoch

Toutefois, en connaissant la position de l’UE et du satellite (à l’instant t0, t1 et t2), il est possible de localiser la position de la passerelle satellitaire terrestre à partir du RTT_feeder. Afin de masquer cette information, la 3GPP propose une subtilité qui consiste à définir un point de référence sur le lien feeder nommé RP ou UTSRP (uplink time synchronization) comme point de référence.

Ainsi, la station de base diffuse dans le SIB19 les paramètres Common TA. Cette information (éphéméride et temps de référence tepoch) permet de calculer le RTT du lien feeder et s’applique donc à tous les UE :

  • Le délai NTA,common entre le point de référence et le satellite à l’instant tepoch
  • La vitesse NTA,commondrift entre le point de référence et le satellite à l’instant tepoch
  • L’accélération NTA,commondriftvariation entre le point de référence et le satellite à l’instant tepoch

Dans le cas ou l’architecture choisie par l’opérateur est l’architecture regénérative, alors les paramètres Common TA (NTA,common, NTA,commondrift, NTA,commondriftvariation) sont toutes égales à 0.

Ainsi le pré-calcul du TA effectué par l’UE est le suivant :

  • NTA,adjUE: avance temporelle estimée par l’UE lui-même pour pré-compenser le délai de la liaison de service. Elle est calculée à partir de :
    • La position de l’UE estimée via positionnement GNSS
    • La position estimée du satellite basée sur les informations d’éphémérides que l’UE possède
  • NTA,adjcommon est l’avance temporelle commune contrôlée par le réseau sur le lien feeder. Elle est dérivée des paramètres reçus par l’UE en provenance de la couche supérieure RRC SIB 19 et se calcule à partir du délai feeder à l’instant t1 et à l’instant t2 :
    • TACommon : estimation initiale du délai de propagation entre le satellite et la passerelle terrestre ou du point de référence
    • TACommonDrift : représente la vitesse de dérive de l’avance temporelle commune
    • TACommonDriftVariation (si configurés). Si non configurés, sa valeur par défaut est 0. Ce paramètre représente la variation (ou accélération) de la dérive du timing. Il modélise le fait que la vitesse de changement de distance n’est pas constante en raison de l’orbite non circulaire du satellite et d’autres facteurs.

Le délai vaut :

Tepoch est la référence temporelle qui correspond à l’instant où le récepteur UE doit recevoir une sous-trame définie. Cela permet d’avoir une référence de temps commune entre le réseau et l’UE.

Figure 4 : Le calcul du délai sur le feeder en fonction de la position du satellite à l’instant t

 

3.2 Timing Advance Résiduel

Même avec le TA pré-compensé, il subsiste une erreur due à :

  • Imprécisions de position GNSS de l’UE (quelques mètres)
  • Latence dans les éphémérides (propagation des SIB)
  • Délai de feeder link variable

Le réseau envoie donc encore des commandes TA résiduelles via MAC CE pour affiner l’alignement temporel. Ces corrections sont beaucoup plus petites qu’en réseau terrestre. Mais, de par la vitesse du satellite LEO, la variation de délai est de 40 µs toutes les 1 ms ce qui nécessite de mettre à jour régulièrement le TA lorsque l’UE est en mode connecté. La charge en signalisation est trop importante pour conserver ce mode de fonctionnement. Le pré-calcul du TA permet à l’UE de compenser automatiquement la variation du délai sur le lien de service et le lien de feeder.

Ainsi, si la station de base gNB mesure une différence de temps entre la réception de la sous-trame UL par rapport à la sous-trame de réception, cette différente étant négligeable, peut être  compensée par le gNB.

Ainsi, le TA global se calcule de la manière suivante :

Avec NTa,offset défini par le paramètre nr-TimingAdvanceOffset : Un offset supplémentaire appliqué au TA pour tenir compte de la configuration spécifique NTN (TS 38.213 Section 4.2).

 

 

 

 

U-DESERVE 5G : Démonstration de la 5G directe par satellite pour le CNES

Posté le by - 548 vues
2

Résumé

Le projet U-DESERVE 5G (Unified Direct-to-device Satellite Radio Enhanced Virtual Environment) a été lancé par le CNES dans le cadre du programme France 2030. Piloté par Thales Alenia Space en consortium avec Capgemini et Thales, ce projet vise à démontrer la faisabilité des communications directes entre satellites en orbite basse et terminaux mobiles ou fixes selon le standard 5G Release 17 du 3GPP.

La latence radio sera donc de 26 ms soit 52 ms RTT car la R17 propose l’architecture Transparent Payload. Le satellite LEO est donc un relai RF et cette approche se différencie de l’architecture présentée dans l’article précédent.

Introduction

Le CNES a sélectionné Thales Alenia Space, en partenariat avec Capgemini et Thales, dans le cadre d’un appel à projets lancé pour le compte de l’État au titre du programme France 2030, afin de mettre en œuvre une démonstration innovante de service de télécommunications par satellite selon le standard 5G.

Le projet dénommé U-DESERVE 5G a pour objectif de démontrer la faisabilité des communications directes entre satellites et terminaux mobiles ou fixes (5G Direct to Device ou D2D). Dans cette optique, un satellite de démonstration en orbite basse sera déployé afin de tester l’interopérabilité entre les réseaux 5G terrestres et non-terrestres.

Contexte et enjeux

Dans un contexte où la connectivité en tout temps et en tous lieux est devenue une priorité stratégique, à la fois pour répondre aux attentes du marché et garantir la résilience des infrastructures face aux crises, les technologies satellitaires apparaissent comme une solution complémentaire et essentielle aux réseaux terrestres.

Architecture technique du démonstrateur

Charge utile satellitaire

Au cœur du projet, une charge utile 5G innovante dotée d’antennes actives sera embarquée sur le satellite. Elle permettra de passer des appels et d’échanger des données directement entre le terminal mobile de test et le satellite, et ce sans passer par une station sol.

Composants du système

Le démonstrateur comprendra l’ensemble des éléments de la chaîne :

  • Satellite de test
  • Charge utile
  • Segment sol NTN (Non-Terrestrial Network)
  • Terminaux mobiles de tests

Le segment sol NTN désigne l’ensemble des infrastructures terrestres qui permettent de communiquer avec les réseaux non terrestres, comme les satellites, les drones à haute altitude (HAPS), ou les ballons stratosphériques.

Conformité aux standards

Le démonstrateur sera compatible avec la Release 17 du standard 5G 3GPP et fournira une plateforme d’essai de bout en bout, destinée à évaluer les performances du système 5G NTN/TN et à expérimenter des cas d’usages, notamment autour de l’Internet des objets (IoT).

Le consortium

Fort de son expertise dans le domaine des télécommunications et des actions menées avec succès en faveur de la normalisation de la 5G par satellite, Thales Alenia Space dirigera le consortium rassemblant :

Capgemini : En charge des solutions d’accès radio et des cœurs de réseau 4G/5G.

Thales : Étudiera la faisabilité d’un terminal 5G D2D à antenne directive fonctionnant dans la future bande C.

Orange : L’expertise d’opérateur est mise à profit et accueillera la démonstration sur son site de Bercenay.

SES : Pour l’étude de la mise en œuvre des services D2D.

Qualcomm : Fournira un terminal de test mobile compatible 5G NTN.

Loft Orbital : Responsable de la plateforme, de l’AIT (Assemblage, Intégration et Test), de la réservation de lancement et de l’exploitation du satellite pendant la phase de démonstration.

Objectifs du projet

Couverture étendue

Selon Stéphane Anjuère, 5G Venture Leader de Thales Alenia Space : « Ce nouveau projet relatif à la 5G directe par satellite ouvre à Thales Alenia Space la voie à une couverture haut débit étendue aux zones non desservies par les réseaux terrestres, mais aussi à des services de secours ou bien de continuité en cas de crise. »

Il ajoute : « En capitalisant sur son expertise dans les domaines des télécommunications géostationnaires et des constellations en orbites moyenne et basse, Thales Alenia Space a joué un rôle déterminant dans la normalisation de la 5G par satellite et a de ce fait toutes les cartes en main pour accompagner des futurs projets de grande envergure liés à la 5G « Direct to Device » par satellite. »

Innovation technologique

Alexandre Bottero, VP Réseaux et Systèmes d’infrastructure de Thales, a déclaré : « Ce projet pionnier de 5G par satellite représente une avancée majeure pour Thales et l’industrie des télécommunications. En développant des solutions modem 5G NTN D2D permettant une connectivité haut-débit, même dans les zones les plus isolées, nous posons les fondations pour l’avenir des communications mondiales et renforçons notre engagement pour un monde plus connecté et résilient. »

Engagement de Capgemini

Angélique Lallouet, Directrice Exécutive de Capgemini Engineering en France, a souligné : « Ce projet illustre parfaitement l’engagement de Capgemini à repousser les frontières de la connectivité. Grâce à notre expertise unique dans l’intégration des réseaux terrestres et non terrestres, ainsi qu’à notre maîtrise des solutions d’accès radio et des cœurs de réseau 4G/5G, Capgemini joue un rôle clé dans la démonstration de la 5G par satellite. Nous sommes particulièrement fiers de contribuer à cette initiative stratégique aux côtés de Thales Alenia Space, Thales et de l’ensemble des partenaires, et de collaborer à nouveau avec le CNES pour faire avancer la souveraineté technologique française et européenne. »

Applications visées

Le projet prévoit notamment de tester des scénarios de mobilité entre la couverture satellitaire et la couverture terrestre 5G, un enjeu clé dans la perspective d’une connectivité mondiale fluide et sans interruption.

Les cas d’usage expérimentés incluront l’Internet des objets (IoT).

Financement

Ce projet a été financé par le Gouvernement dans le cadre de France 2030, opéré conjointement pour le compte de l’État par le CNES et BpiFrance.

France 2030

France 2030, pensé en concertation avec les acteurs économiques, académiques, locaux et européens, offre à la France des moyens exceptionnels pour répondre aux défis écologiques, démographiques, économiques, industriels et sociaux d’un monde en mutation permanente.

Ce plan inédit d’innovation et d’industrie traduit une double ambition :

  • D’une part, transformer durablement des secteurs clés de l’économie (énergie, automobile, aéronautique, numérique ou encore espace) par l’innovation et l’investissement industriel
  • D’autre part positionner la France non pas seulement en acteur, mais bien en leader de l’économie de demain

Les acteurs du projet

Thales Alenia Space

Thales Alenia Space combine plus de quarante ans d’expérience et une diversité unique en termes d’expertise, de talents et de cultures. Les architectes de Thales Alenia Space conçoivent et délivrent des solutions innovantes pour les télécommunications, la navigation, l’observation de la Terre et la surveillance de l’environnement, l’exploration, les sciences et les infrastructures orbitales.

Société commune entre Thales (67%) et Leonardo (33%), Thales Alenia Space forme également la Space Alliance avec Telespazio pour proposer une offre complète de solutions incluant les services. Thales Alenia Space a réalisé un chiffre d’affaires de 2,23 milliards d’euros en 2024 et emploie plus de 8100 personnes dans 7 pays, avec 14 sites en Europe.

Thales

Thales est un leader mondial des hautes technologies pour les secteurs de la Défense, de l’Aérospatial et de la Cybersécurité & Digital. Son portefeuille de produits et de services innovants contribue à répondre à plusieurs défis majeurs : souveraineté, sécurité, durabilité et inclusion.

Le Groupe investit plus de 4 milliards d’euros par an en Recherche & Développement dans des domaines clés, en particulier pour les environnements critiques, tels que l’Intelligence Artificielle, la cybersécurité, le quantique et les technologies du cloud. Thales compte plus de 83 000 collaborateurs dans 68 pays. En 2024, le Groupe a réalisé un chiffre d’affaires de 20,6 milliards d’euros.

Capgemini

Capgemini, partenaire de la transformation business et technologique de ses clients, les accompagne dans leur transition vers un monde plus digital et durable, tout en créant un impact positif pour la société. Le Groupe, responsable et multiculturel, rassemble 350 000 collaborateurs dans plus de 50 pays.

Depuis plus de 55 ans, ses clients lui font confiance pour répondre à l’ensemble de leurs besoins grâce à la technologie. Capgemini propose des services et solutions de bout en bout, allant de la stratégie et du design jusqu’à l’ingénierie, en tirant parti de ses compétences de pointe en intelligence artificielle et IA générative, en cloud, et en data, ainsi que de son expertise sectorielle et de son écosystème de partenaires. Le Groupe a réalisé un chiffre d’affaires de 22,1 milliards d’euros en 2024.

Liens avec les travaux de recherche sur la 5G NTN

Le projet U-DESERVE 5G s’inscrit dans un contexte de recherche active sur les réseaux 5G non-terrestres (NTN). Plusieurs aspects techniques font l’objet de travaux approfondis dans la communauté académique et industrielle :

La gestion des cellules en environnement satellitaire

Un des défis majeurs des réseaux NTN concerne la gestion des cellules (ou faisceaux) projetées au sol par les satellites. Contrairement aux réseaux terrestres où les antennes sont fixes, les satellites en orbite basse se déplacent à plus de 27 000 km/h. La Release 17 du 3GPP a introduit le concept de Tracking Area Identifier (TAI) géofixe, où le TAC est associé à une zone géographique fixe au sol plutôt qu’au satellite mobile.

L’architecture du cœur de réseau 5G

L’architecture du cœur de réseau 5G repose sur une Service-Based Architecture (SBA) qui facilite l’intégration des réseaux non-terrestres. Les fonctions essentielles comme l’AMF (Access and Mobility Management Function), le SMF (Session Management Function) et l’UPF (User Plane Function) peuvent être déployées de manière distribuée.

Le NRF (Network Repository Function) fournit un contrôle des fonctions virtuelles et des services proposés. Le NSSF (Network Slice Selection Function) sélectionne le jeu de tranches réseau que l’utilisateur va pouvoir utiliser.

Les états du terminal en 5G

La spécification Release 15 relative à la 5G a introduit un état supplémentaire RRC_INACTIVE en plus des états RRC_CONNECTED et RRC_IDLE. Cet état a été introduit pour les terminaux IoT dans le but de réduire le nombre de requêtes de signalisation et par conséquent la consommation énergétique.

L’interface radioélectrique 5G-NR

L’interface radioélectrique 5G-NR utilise la modulation OFDM (Orthogonal Frequency Division Multiplexing). Une station de base 5G peut moduler au plus 3300 sous-porteuses. L’espacement entre sous-porteuses SCS (SubCarrier Spacing) est défini par la formulation : SCS=2^µ*15 kHz, avec µ la numérologie.

Le bloc de ressource RB (Resource Block) correspond à une allocation de N=12 sous-porteuses contiguës. Un slot est composé de 14 symboles OFDM consécutifs (trame normale).

Le Network Slicing

Le découpage réseau (network slicing) est l’une des caractéristiques différenciatrices majeures de la 5G afin de supporter une multitude de cas d’usage avec des exigences très différentes. Dans la spécification Release 17, une fonction spécifique a été ajoutée pour gérer les ressources des slices : le Network Slice Admission Control Function (NSACF).

Conclusion

Le projet U-DESERVE 5G représente une initiative majeure pour la démonstration de la 5G directe par satellite en France. Soutenu par le programme France 2030 et piloté par un consortium d’industriels de premier plan, ce projet vise à valider la faisabilité technique des communications 5G Direct to Device conformes aux standards 3GPP Release 17.

Cette démonstration s’inscrit dans la stratégie France 2030 qui vise à renforcer la position de la France dans les secteurs technologiques et industriels clés, dont l’aéronautique et l’espace. Elle contribue également à faire avancer la souveraineté technologique française et européenne dans le domaine des télécommunications spatiales.

Références

Sources officielles :

  • Communiqué de presse Thales Alenia Space : « Thales Alenia Space pilote la démonstration 5G directe par satellite pour le CNES » (septembre 2025)
  • Petites Affiches des Alpes Maritimes : « U DESERVE 5G : Thales Alenia Space pilote une démonstration de 5G directe par satellite pour le CNES » (9 septembre 2025

Standards 3GPP :

  • Release 17 : Première spécification complète pour les communications 5G par satellite
  • TS 23.501 : System Architecture for the 5G System
  • 3GPP (3rd Generation Partnership Project) : Organisme de normalisation

5G NTN – Le Dilemme des Cellules : Fixes au Sol ou Mobiles avec le Satellite ?

Posté le by - 343 vues
Répondre

Deux Philosophies pour Résoudre un Problème

Le défi de base est simple : un satellite (surtout en orbite basse – LEO) se déplace très vite par rapport à la Terre. Comment projeter une couverture cellulaire stable depuis un objet en mouvement ?

Le 3GPP a standardisé deux réponses radicalement différentes à cette question, donnant naissance aux deux scénarios que vous mentionnez :

1. Earth-Fixed Cell (EFC) : La cellule est « scotchée » au sol.
2. Earth-Moving Cell (EMC) : La cellule est « scotchée » au satellite.

1. Earth-Fixed Cell (EFC) – La Cellule « Géofixe »

C’est le scénario le plus complexe à gérer pour le réseau mais le plus transparent et simple pour l’utilisateur. C’est aussi le plus courant dans les discussions initiales de la 5G NTN.

Concept : Le réseau découpe la surface de la Terre en cellules virtuelles et fixes, comme un réseau terrestre. La mission du système satellitaire est de projeter dynamiquement la couverture de ces cellules fixes, peu importe quel satellite est au-dessus.

Comment ça marche ?

Une cellule au sol a un identifiant unique (Cell ID) et est associée à une zone de tracking fixe (TAC géofixe), comme expliqué précédemment.

Les faisceaux des satellites sont très agiles. Le réseau (l’Orchestrator) calcule en temps réel la position de chaque satellite et steer son faisceau pour que la projection au sol (« footprint ») de ce faisceau coïncide PARFAITEMENT avec les limites de la cellule géofixe.

Lorsque le satellite s’éloigne, le faisceau est déformé et dirigé pour continuer à couvrir exactement la même zone géographique fixe. Au moment où il ne peut plus le faire, un handover parfait est effectué vers le satellite suivant, qui prend le relais pour couvrir cette même cellule fixe.

Analogie : Imaginez un groupe de projecteurs (les satellites) en mouvement au-dessus d’un stade. Chaque projecteur est assigné à éclairer un même marquage au sol (la cellule fixe) pendant un moment. Ils bougent leur faisceau de lumière pour le garder parfaitement aligné sur la cible, et se passent le relais pour que la zone soit toujours éclairée.

Avantages :
Transparence totale pour le terminal : Le téléphone ne voit aucune différence avec un réseau terrestre. La cellule (Cell ID) et la zone de tracking (TAC) ne changent pas tant qu’il est immobile.
Pas de mobilité pour l’utilisateur immobile : Un capteur IoT fixe n’aura jamais à mettre à jour sa localisation.
Intégration facilitée avec les réseaux terrestres : On peut utiliser exactement les mêmes TACs.

Inconvénients :
Extrêmement complexe : Nécessite des satellites avec des antennes très agiles (phased-array antennas) et un Network Orchestrator ultra-performant pour calculer et piloter tout cela en temps réel.

Coût élevé.

Exemples de systèmes visant ce scénario :** Le projet **AST SpaceMobile**.

—

2. Earth-Moving Cell (EMC) – La Cellule « Mobile »**

C’est le scénario historique des constellations comme Iridium ou Globalstar. C’est plus simple pour le réseau mais plus complexe pour le terminal.

Concept :,La cellule est rigidement attachée au satellite. Le faisceau pointe dans une direction fixe par rapport au satellite. Par conséquent, la cellule « défile » sur la surface de la Terre à la vitesse du satellite (environ 27,000 km/h pour un LEO).

Comment ça marche ?  La cellule a un identifiant (Cell ID) et un TAC qui lui sont propres, mais ils ne sont pas liés à une zone géographique.
Un utilisateur immobile verra défiler les cellules très rapidement : une cellule (du satellite A) arrive, le terminal s’y connecte, puis elle s’éloigne et le terminal doit en chercher une nouvelle (souvent du satellite B).
Le terminal subit des handovers très fréquents (toutes les quelques minutes, voire secondes) alors même qu’il est immobile.

Analogie : Reprenons les projecteurs, mais cette fois, chacun pointe droit vers le bas, fixement. La tache de lumière (la cellule) traverse le stade à grande vitesse. Les spectateurs (les terminaux) voient une lumière arriver, les illuminer, puis repartir, pour être illuminés par la tache de lumière du projecteur suivant.

Avantages :

Beaucoup plus simple pour le satellite : Les antennes peuvent être plus simples (moins d’agilité de faisceau requise). La gestion du réseau est simplifiée car elle suit la mécanique orbitale naturelle.
Moins coûteux à mettre en œuvre (conception heritage des systèmes comme Iridium).

Inconvénients :
Très pénalisant pour les terminaux : Ils doivent être constamment en recherche de nouvelle cellule et effectuer des handovers très fréquents, ce qui consomme énormément de batterie. C’est rédhibitoire pour les capteurs IoT qui doivent fonctionner 10 ans sur une pile.

Conclusion : Qui Va Gagner ?

Le choix du scénario dépend entièrement de l’usage cible :

Pour du haut débit mobile (smartphones) et de l’IoT basse consommation, le scénario Earth-Fixed Cell (EFC) est indispensable. C’est la voie privilégiée pour la véritable intégration « sans couture » de la 5G NTN.

Le scénario Earth-Moving Cell (EMC) reste pertinent pour des applications spécialisées (e.g., tracking de containers, systèmes militaires) ou pour des constellations héritées qui cherchent à moderniser leur service sans changer radicalement leur architecture spatiale.

La grande majorité des développements récents en 5G NTN (Release 17 et au-delà) se concentre sur le scénario Earth-Fixed Cell, car il offre l’expérience utilisateur la plus proche de la promesse 5G : une connectivité omniprésente et transparente, que vous soyez connecté à une antenne sur un toit ou à un satellite dans le ciel.

Mais dans les deux cas, il y a mise à jour du TAC

MSISDN-less MO SMS

Posté le by - 611 vues
Répondre

Introduction

MSISDN-less MO SMS est un service qui permet à un appareil sans numéro de téléphone classique (MSISDN-less), comme un objet connecté, d’envoyer un SMS vers un serveur applicatif via le NEF, en utilisant des identifiants alternatifs comme le GPSI. Il faut que cet appareil ait un abonnement spécifique, et le réseau ne stocke pas le SMS s’il ne peut pas être délivré immédiatement.

Description

Nous allons commencer par expliquer les termes de ce service :

  • MO SMS signifie Mobile Originated SMS, c’est-à-dire un SMS envoyé depuis le terminal mobile (UE – User Equipment).
  • MSISDN-less veut dire qu’il n’y a pas de numéro de téléphone classique (le MSISDN) associé à l’envoi du SMS. Ça veut dire que l’UE (le terminal) envoie un SMS sans s’identifier avec un numéro de téléphone mobile, mais plutôt via d’autres identifiants, comme le GPSI ou l’IMSI.

👉 Ce service est souvent utile pour des objets IoT (Internet of Things) ou des appareils qui n’ont pas de numéro de téléphone traditionnel.

La souscription au service :

  • Avant de pouvoir envoyer ce genre de SMS, l’UE doit avoir un abonnement spécifique (subscription) dans le réseau.
  • Ce sous-service indique au réseau si l’UE est autorisé ou non à envoyer ce type de SMS MSISDN-less.

Service Centre Address & SMS-SC :

  • L’UE est préconfiguré avec l’adresse d’un Service Centre (SC) spécifique.
  • Ce SC est en fait un SMS-SC (Short Message Service – Service Centre), qui s’occupe de prendre en charge et d’acheminer le SMS envoyé par l’UE.
  • Ici, ce SMS-SC travaille avec le NEF pour délivrer le SMS.

NEF & AF :

  • NEF (Network Exposure Function) est une passerelle dans l’architecture du réseau 5G. C’est lui qui expose des services réseau aux applications externes (AF – Application Function).
  • Dans ce cas, le NEF sert à transporter le SMS vers une destination prédéfinie, qui est une Application Function (AF).

👉 L’adresse du destinataire du SMS (SME – Short Message Entity) est pré-configurée dans le terminal.

Les identifiants GPSI et IMSI 

  • Le GPSI (Generic Public Subscription Identifier) est une identité publique, un peu comme le MSISDN, mais qui peut prendre différentes formes (adresse e-mail, identifiant SIP…).
  • Si l’UE a plusieurs GPSI associés au même IMSI (l’identité internationale d’abonné), alors on utilise une valeur spécifique (Application Port ID) présente dans le SMS pour savoir quel GPSI est concerné.
  • Le NEF peut interroger le UDM (User Data Management) avec l’IMSI + le port d’application pour retrouver le bon GPSI.

Delivery & Reporting :

  • Le terminal (UE) sait si son SMS est délivré ou pas, grâce à un rapport de livraison qui lui est renvoyé par le SMS-SC.
  • Par contre, il n’y a pas de fonction de « store and forward » pour ces SMS.

👉 Ça veut dire que si l’AF n’est pas dispo pour recevoir le message au moment de l’envoi, le réseau ne le stocke pas pour le retenter plus tard.

Pour aller plus loin : TS 23.502 :

Le TS 23.502 décrit les services du réseau 5G, on trouve une description plus complète du fonctionnement du NEF, de ses services et opérations, notamment comment il expose les SMS aux AF.

 

Comprendre le concept du modèle ML/IA – Sur le RAN – Partie 3

Posté le by - 565 vues
Répondre

L’IA dans les différentes architectures RAN (D-RAN/C-RAN/O-RAN)

Nous allons dans cet article présenter plus spécifiquement le rôle de l’IA dans trois architectures RAN principales: le RAN traditionnel, le Cloud RAN et l’Open RAN.

L’intégration et l’impact de l’IA dans ces différentes architectures réseau présentent des potentiels variables pour améliorer les performances, l’évolutivité et l’adaptabilité des réseaux. Chaque architecture offre des opportunités et des contraintes distinctes pour l’utilisation de l’IA.

L’IA dans le RAN traditionnel

Caractéristiques et avantages

  • Les architectures RAN traditionnelles sont dites de conception monolithique. L’environnement est  stable et optimisé pour l’IA
  • Cette architecture répond efficacement aux exigences strictes de latence

Limitations

  • La structure rigide rend difficile l’adaptation rapide aux nouvelles innovations en IA
  • Les contraintes liées aux systèmes propriétaires d’un seul fournisseur peuvent limiter l’intégration et la mise à jour des modèles d’IA
  • L’adaptabilité aux technologies émergentes est restreinte.

L’intégration ciblée du RAN traditionnel permet d’apporter des améliorations réseau, mais le manque de flexibilité conduit à des limitations.

L’IA dans le Cloud RAN

Architecture

  • Le Cloud RAN (C-RAN) désagrège le matériel et le logiciel
  • Il déploie les fonctions réseau sous forme de fonctions réseau virtualisées (VNF) dans un environnement COTS (Commercial Off-The-Shelf)
  • Cette configuration permet un traitement centralisé et une gestion flexible des ressources
  • Cette architecture est particulièrement adaptée à l’intégration de l’IA

Capacités d’IA

  • Inférence en temps réel et quasi-temps réel: L’architecture centralisée permet une inférence IA efficace, supportant l’optimisation et la gestion du réseau basées sur l’analyse de données extensives
  • Adaptation dynamique: La virtualisation des modèles d’IA et leur allocation dans des schémas centralisés ou distribués selon la couche ou le cas d’utilisation améliorent le comportement dynamique du réseau
  • Capture de modèles localisés: Les unités distribuées permettent de capturer des modèles et comportements plus localisés dans le réseau

Cette flexibilité du Cloud RAN offre de nombreuses possibilités d’optimisation et d’amélioration des performances en réponse aux données et prédictions en temps réel, améliorant l’allocation des ressources et l’expérience utilisateur.

L’IA dans l’Open RAN

Architecture

  • L’Open RAN (O-RAN) présente également une désagrégation matériel-logiciel comme le Cloud RAN
  • Il se distingue par ses interfaces ouvertes et ses composants standardisés permettant une plus grande interopérabilité
  • Le Contrôleur Intelligent RAN (RIC) sert de plateforme centralisée pour la gestion et l’optimisation des performances réseau via l’IA
  • Il supporte des applications en temps réel et non-temps réel, améliorant l’adaptabilité du réseau

Organisation et contrôle dans l’O-RAN

  • Le RIC non-RT fait partie du framework SMO (Session Management and Orchestration) et supporte les rAPPs contenant des algorithmes IA/ML
  • Le RIC near-RT réside dans le cloud télécoms régional ou de périphérie et active l’optimisation réseau via les xAPPs
  • La release « Cherry » de l’alliance O-RAN (janvier 2021) standardise les frameworks IA/ML dans l’écosystème O-RAN
  • L’architecture SMO découplée supporte une entité de gestion de flux de travail IA/ML pour assister les fonctions RIC

Capacités d’IA

  • Interopérabilité accrue: La conception modulaire et ouverte facilite les capacités d’IA natives
  • Déploiement d’IA évolutif: L’architecture flexible permet d’appliquer l’IA à des fonctionnalités individuelles, des systèmes ou l’ensemble du réseau

Illustration de l’interaction de l’IA dans les architectures RAN

  • Dans le RAN intégré: Application de l’IA directement aux fonctions critiques comme la formation de faisceaux, l’ordonnancement, et la gestion du spectre
  • Dans le Cloud et Open RAN: Utilisation de l’IA à travers des couches multiples avec différents types de boucles de contrôle (temps réel, proche temps réel, et non-temps réel)

Conclusion

  • Le RAN traditionnel offre stabilité et performances optimisées mais avec une flexibilité limitée
  • Le Cloud RAN permet une centralisation et une flexibilité accrues, idéales pour l’inférence IA en temps réel sur de grandes quantités de données
  • L’Open RAN, avec ses interfaces ouvertes et son architecture modulaire, facilite particulièrement l’interopérabilité et le déploiement évolutif de solutions basées sur l’IA

La tendance générale montre une évolution vers des architectures qui supportent une intégration plus profonde et plus native de l’IA, permettant des réseaux plus intelligents, adaptatifs et efficaces.

Comprendre le concept du modèle ML/IA – Sur le RAN – Partie 1

Posté le by - 669 vues
Répondre

L’apport de l’IA sur la couche L1

Introduction

 

Le RAN est un système complexe nécessitant la configuration précise de centaines de paramètres. L’optimisation manuelle était historiquement laborieuse et coûteuse surtout en 2G avec l’ingénierie cellulaire.

Les réseaux auto-organisés (SON – Self Optimized Networks) ont émergé pour automatiser la planification, la configuration et l’optimisation. Les premiers SON utilisaient des approches heuristiques avec des règles prédéfinies. Mais ces méthodes sont limitées face à la complexité croissante des réseaux modernes.

L’IA/ML offre une opportunité de dépasser ces limitations grâce à l’apprentissage dynamique. L’architecture 6G sera Native-IA.

L’AI native est définie [2] comme « le concept d’avoir des capacités d’IA intrinsèquement fiables, où l’IA est une partie naturelle de la fonctionnalité, en termes de conception, déploiement, opération et maintenance ».

Une implémentation AI native s’appuie sur un écosystème basé sur les données et la connaissance, où les données et connaissances sont consommées et produites pour réaliser de nouvelles fonctionnalités basées sur l’IA ou pour remplacer des mécanismes statiques basés sur des règles par une IA adaptative et apprenante selon les besoins.

II) IA Native

 

L’architecture AI native comporte quatre aspects principaux:

1. Intelligence partout (Intelligence everywhere)

  • L’IA doit pouvoir être exécutée partout où cela a du sens selon une analyse coût-bénéfice
  • Cela inclut tous les domaines du réseau, toutes les couches de la pile, tous les sites physiques (du central à la périphérie), et potentiellement même sur les appareils mobiles
  • Des environnements d’exécution IA doivent être disponibles partout, et des environnements d’entraînement peuvent être co-localisés si nécessaire.

2. Infrastructure de données distribuée

  • L’exécution et l’entraînement des modèles d’IA nécessitent que les données et ressources de calcul (comme les GPU) soient disponibles partout
  • Les données disponibles partout permettent aux modèles de s’étendre au-delà des frontières actuelles des couches et domaines
  • L’infrastructure doit gérer les contraintes temporelles des données (date de péremption, contraintes légales, volume)
  • Les infrastructures de données et les orchestrateurs de modèles doivent interagir: parfois les données sont transportées vers l’intelligence, et parfois l’intelligence doit être rapprochée des données

3. Zero-touch

  • La gestion de l’intelligence et de l’infrastructure de données doit être automatisée
  • Plutôt que d’introduire de nouvelles opérations manuelles ou automatisées, l’objectif est d’atteindre des opérations entièrement autonomes
  • Les humains restent en contrôle en exprimant des exigences au système et en supervisant leur réalisation, mais sans dicter les actions spécifiques à prendre
  • Cette approche permet un réseau autonome avec des capacités d’auto-configuration, auto-guérison, auto-optimisation et auto-protection

4. IA en tant que service (AIaaS)

  • Les fonctions liées à l’IA et à la gestion des données peuvent être exposées comme services à des parties externes
  • Exemples: gestion du cycle de vie des modèles d’IA (entraînement, environnement d’exécution) ou aspects de manipulation des données (exposition de données)
  • Cette exposition transforme le réseau en plateforme d’innovation
  • Les utilisateurs de ces services peuvent être le fournisseur de services lui-même ou ses clients

Structure de l’architecture AI native

L’architecture AI native peut être représentée comme un système où l’intelligence et l’infrastructure de données traversent toutes les couches traditionnelles du réseau:

  • Applications
  • Gestion, Orchestration, Monétisation
  • Accès, Mobilité, Applications réseau
  • Infrastructure cloud
  • Transport

 

III) IA sur la couche Physique

Les applications clés sont décrites sur la figure 1 [1] : gestion des non-linéarités des émetteurs/récepteurs, adaptation de liaison, estimation de canal (CSF : Channal State Feedback).

 

 

Figure 1 : Cas d’usage de l’IA sur la couche physique RAN [1]

Introduction à l’IA dans la couche physique

Les applications de l’IA dans la couche physique se concentrent principalement sur:

  • La gestion des non-linéarités des émetteurs et récepteurs
  • L’amélioration de l’adaptation de liaison au niveau de la station de base et des équipements utilisateurs
  • L’optimisation de l’estimation de canal et des signaux de référence
  • L’exploration du codage de canal piloté par l’IA

Les travaux des groupes 3GPP dans les Release 18 et 19 ont également exploré la prédiction de canal, la compression pour des retours d’information plus efficaces, et les avancées dans la gestion de faisceau et le positionnement.

Le retour d’information sur l’état du canal (CSF) amélioré par l’IA

Importance et défis du CSI

La technologie TDD (Time Division Duplex) permet d’obtenir, dans le cas d’un canal quasi-stationnaire, une réciprocité parfaite entre la liaison montante et la liaison descendante. Ainsi la connaissnce du canal, via le CSI de la liaison descendante est disponible à la station de base à partir de la mesure du signal de sondage en liaison montante. Cependant, dans un système FDD (Frequency Division Duplex) ou un système TDD avec réciprocité non idéale, le CSI de la liaison descendante est acquis par rapport de l’UE.

Dans ce cas, les défis principaux incluent:

  • La dimensionnalité élevée du CSI dans les systèmes MIMO massifs à large bande (le nombre de CSI étant de 32 du R.15 au R.18 et 128 à partir de la R.19).
  • La surcharge associée à l’acquisition du CSI réduit les ressources radio disponibles
  • Les contraintes liées aux périodes de cohérence de canal limitées

Approches traditionnelles et leurs limites

A partir de la 4G, l’utilisation de mots de codes( codebooks CSI) permet de comprimer le CSI à remonter (dans le domaine spatial MIMO et fréquentiel CA). Le nombre d’informations étant élevée, cela nécéssite :

  • Demandes élevées de bande passante en liaison montante
  • Précision réduite dans la reconstruction de canal à la station de base
  • Structure CSI prédéfinie qui manque d’adaptabilité

Solutions basées sur l’IA/ML

L’IA/ML offre une approche pilotée par les données qui détermine dynamiquement le contenu du message de retour d’information. Cette approche est avantageuse car:

  • Les modèles IA/ML sont entraînés sur des réalisations de canal réelles
  • Ils peuvent s’adapter à différents scénarios
  • Ils permettent une compression plus efficace
  • Ils améliorent l’équilibre entre surcharge de feedback et précision de reconstruction

Un modèle IA/ML à deux faces pour le retour CSI est proposé pour réduire la charge des informations :

  • L’encodeur basé sur un réseau neuronal au niveau de l’émetteur (UE) compresse et quantifie les caractéristiques du canal
  • Le décodeur basé sur un réseau neuronal au niveau du récepteur (station de base) reconstruit les caractéristiques du canal
  • La paire encodeur-décodeur est entraînée ensemble pour une optimisation de bout en bout

Travaux 3GPP et jalons importants pour le CSF

Les cadres à l’étude pour l’amélioration du retour CSI par l’IA incluent:

  • Des modèles à face unique pour la prédiction CSI
  • Des modèles à deux faces pour la compression CSI

Le groupe de travail 3GPP RAN1 a étudié l’évaluation de la compression en fréquence et spatiale dans la Release 18, puis a exploré des sous-cas d’utilisation avec compression temporelle dans la Release 19. Des évaluations approfondies ont été menées sur la généralisation à divers scénarios, l’évolutivité à diverses configurations, et les aspects de collaboration multi-fournisseurs.

Pour les modèles à deux faces, diverses architectures ont été envisagées, comme les réseaux de neurones convolutifs (CNN), les mémoires à court et long terme (LSTM), et les transformers. Les approches d’entraînement incluent:

  • L’entraînement conjoint du modèle à deux faces d’un seul côté
  • L’entraînement conjoint du modèle à deux faces du côté réseau et du côté UE respectivement
  • L’entraînement séparé du côté réseau et du côté UE

Un défi majeur dans le déploiement du modèle à deux faces est la complexité de la collaboration inter-fournisseurs.

Des modèles hyper-locaux ont également été étudiés pour exploiter la cohérence spatiale, permettant une meilleure compression des échantillons de canal collectés dans une région locale par rapport aux données globales.

La gestion de faisceau (BM) améliorée par l’IA

Importance et défis du MIMO massif

Si le MIMO massif est une technique clé dans les systèmes 5G, elle utilise d’un nombre élevé de réseaux d’antennes pour réaliser des gains de formation dans une direction donnée. La gestion de faisceau est cruciale pour établir et maintenir la connexion entre la station de base et l’UE dans des conditions de canal dynamiques.

Les défis principaux incluent:

  • Inefficacité du protocole de balayage de faisceau, particulièrement pour les bandes de fréquences plus élevées
  • Surcharge de messagerie
  • Codebooks sous-optimaux avec une approche « taille unique »
  • Nouveaux cas d’utilisation nécessitant des performances ciblées sous conditions de mobilité

Solutions basées sur l’IA/ML

Face aux défis des cadres de gestion de faisceau avec recherche exhaustive, les techniques d’IA/ML sont explorées pour:

  • Réduire le temps de réponse et la charge de calcul
  • Améliorer la sélection de faisceau basée sur des informations contextuelles
  • Optimiser la performance réseau sous différentes conditions

Les solutions de gestion de faisceau basées sur l’IA/ML se répartissent principalement en:

  • Apprentissage supervisé: utilisant des relations préétablies entre entrées et sorties pour prédire les meilleurs faisceaux
  • Apprentissage par renforcement: déployant un apprentissage par essai-erreur et basé sur les récompenses sans nécessiter de connaissances préalables des canaux

Travaux 3GPP et standardisation

L’interface air IA-native supportant des algorithmes IA/ML pour la gestion de faisceau a été étudiée dans la Rel-18 et spécifiée dans la Rel-19. Les objectifs incluent:

  • Réduire la consommation d’énergie de l’UE en mesurant moins
  • Améliorer l’efficacité énergétique du réseau en transmettant moins de signaux de référence

La prédiction de faisceau s’effectue dans les domaines spatial et/ou temporel, avec des prédictions côté UE et côté réseau. Pour la prédiction temporelle de faisceau, les mesures de puissance des signaux de référence (RSRP) passées sont utilisées pour prédire les meilleurs faisceaux à des instances futures, améliorant ainsi la performance sous conditions de mobilité.

Le document discute également de la généralisation des modèles IA/ML à travers différents scénarios et de la surveillance des performances des modèles pendant l’inférence.

Le positionnement amélioré par l’IA

Importance et limitations des méthodes traditionnelles

Le positionnement est présenté comme un facilitateur clé pour diverses applications, notamment la sécurité, la conduite autonome et l’IoT industriel. Les signaux sans fil peuvent être échangés entre un UE et des points de transmission et de réception (TRP) pour estimer la distance et/ou l’angle en ligne de vue (LOS).

Les méthodes de positionnement 5G NR standard incluent:

  • Différence de temps d’arrivée en liaison descendante/montante (TDoA)
  • Méthodes basées sur l’angle comme l’angle de départ en liaison descendante (AoD)
  • Angle d’arrivée en liaison montante (AoA)
  • Temps d’aller-retour multiple

Ces méthodes supposent une condition LOS entre l’UE et le TRP, ce qui peut conduire à des erreurs lorsque l’UE est en condition de non-ligne de vue (NLOS).

Solutions basées sur l’IA/ML

L’IA/ML est présentée comme une solution pour améliorer la précision du positionnement en conditions NLOS en:

  • Analysant les chemins de propagation de l’environnement sans fil
  • Apprenant leur correspondance avec les informations de localisation
  • Créant un modèle qui fait correspondre les mesures de canal dans le domaine temporel à la localisation de l’UE

Travaux 3GPP et résultats

Dans l’étude de la Release 18, le groupe 3GPP RAN1 a démontré:

  • Une précision au niveau sous-métrique du positionnement IA/ML dans des conditions NLOS extrêmes
  • Une amélioration significative par rapport aux approches de positionnement classiques (plus de 10 mètres d’erreur)

Deux cas d’utilisation ont été identifiés:

  • Positionnement IA/ML direct: le modèle produit les coordonnées de localisation de l’UE
  • Positionnement assisté par IA/ML: le modèle produit une information de mesure de positionnement intermédiaire

Des évaluations approfondies ont été menées pour comprendre:

  • La généralisation et la sensibilité des modèles
  • L’impact des erreurs de synchronisation
  • Les variations temporelles du canal
  • Les déploiements avec différents encombrements

Pour le déploiement réseau, cinq cas ont été identifiés selon:

  • Le type de sortie du modèle
  • L’endroit où s’exécute le modèle (UE, LMF, station de base)

Dans la Release 19, 3GPP RAN1, a spécifié le support pour le positionnement IA/ML, priorisant certains cas et se concentrant sur l’identification de mesures améliorées pour l’entrée du modèle et la sortie du modèle.

Conclusion

L’IA transforme la couche physique des réseaux cellulaires en apportant des améliorations significatives dans:

  • Le retour d’information sur l’état du canal, permettant une compression plus efficace et une meilleure reconstruction
  • La gestion de faisceau, optimisant la sélection de faisceau et réduisant la surcharge de signalisation
  • Le positionnement, atteignant une précision sous-métrique même dans des conditions défavorables

La progression vers des réseaux « IA-natifs » où l’intelligence artificielle est intégrée dès la conception promet d’améliorer considérablement les performances, la fiabilité et l’efficacité des systèmes de communication sans fil.

 

 

Références

[1] 5G America : Artificial Intelligence in Cellular Networks – Dec 2024 https://www.5gamericas.org/wp-content/uploads/2024/12/AI-Cell-Networks-Id-.pdf

[2] Ericcson : Defining AI native: A key enabler for advanced intelligent telecom network, https://www.ericsson.com/en/reports-and-papers/white-papers/ai-native

Comprendre le concept du modèle ML/IA – Partie 2

Posté le by - 548 vues
Répondre

Dans l’article précédent nous avions présenté 3 d’apprentissages IA. Nous allons maintenant revenir plus particulièrement sur l’apprentissage fédéré horizontal (HFL) et vertical (VLF)

Le fonctionnement du HFL et VFL pour l’IA dans les réseaux de télécommunications

Introduction à l’apprentissage fédéré

L’apprentissage fédéré est une approche d’entraînement de modèles d’IA qui permet de développer des modèles à partir de données distribuées sur différents appareils ou serveurs, sans nécessiter le transfert des données brutes vers un serveur central. Cette approche est particulièrement pertinente dans le contexte des télécommunications où la confidentialité des données, la réduction de la bande passante et la distribution géographique sont des considérations importantes.

Deux principales variantes d’apprentissage fédéré sont mentionnées dans le document de 5G Americas et développées dans la littérature scientifique: l’apprentissage fédéré horizontal (HFL) et l’apprentissage fédéré vertical (VFL).

Figure 1 : HFL (gauche) et VFL (droite)

Apprentissage Fédéré Horizontal (HFL)

Principe fondamental

Selon le document, le HFL (souvent simplement appelé « apprentissage fédéré ») est une technique où le modèle d’apprentissage automatique est entraîné sur différents « clients » (nœuds, appareils ou serveurs) qui possèdent des données avec les mêmes caractéristiques mais concernant des échantillons différents.

En termes plus simples, dans le HFL:

  • Chaque participant dispose du même type de données (mêmes features/variables)
  • Mais chacun a des exemples/échantillons différents (différentes instances)

Fonctionnement détaillé

  1. Initialisation: Un modèle global initial est créé sur le serveur central (NWDAF serveur dans le contexte des télécommunications).
  2. Distribution du modèle: Ce modèle est envoyé à plusieurs clients (par exemple, différents NWDAF locaux dans différentes zones géographiques).
  3. Entraînement local: Chaque client entraîne le modèle sur ses données locales pendant plusieurs itérations.
  4. Agrégation des paramètres: Les clients renvoient uniquement les paramètres du modèle mis à jour (pas les données) au serveur central.
  5. Mise à jour du modèle global: Le serveur central agrège ces paramètres (typiquement par une forme de moyenne pondérée) pour créer une version améliorée du modèle global.
  6. Itération: Les étapes 2-5 sont répétées à travers plusieurs cycles jusqu’à ce que le modèle converge ou atteigne des performances satisfaisantes.

Avantages dans le contexte des télécommunications

  • Confidentialité: Les données sensibles restent sur leurs appareils/serveurs d’origine.
  • Efficacité de communication: Seuls les paramètres du modèle sont transmis, pas les données brutes, réduisant considérablement la charge du réseau.
  • Adaptation locale: Le modèle peut capturer les spécificités locales tout en bénéficiant de l’apprentissage collectif.

Application dans le NWDAF (3GPP)

Dans les réseaux 5G, comme mentionné dans le document, le HFL a été introduit dans la Release 17 du 3GPP pour le NWDAF. Il permet:

  • L’entraînement collaboratif entre différentes zones d’intérêt (parties du réseau)
  • Chaque zone utilise le NWDAF le plus proche pour entraîner localement
  • L’apprentissage collectif est agrégé par une fonction centrale sur le NWDAF serveur
  • Des protocoles préservant la confidentialité comme l’agrégation sécurisée peuvent être appliqués

Apprentissage Fédéré Vertical (VFL)

Principe fondamental

Le VFL, introduit dans la Release 19 pour le NWDAF selon le document, est conçu pour des scénarios où différents participants possèdent différentes caractéristiques/features pour les mêmes échantillons (ou un chevauchement significatif des échantillons).

En termes simplifiés, dans le VFL:

  • Chaque participant a des types de données différents (features différentes)
  • Mais ils concernent le même ensemble d’utilisateurs ou d’entités (mêmes échantillons)

Fonctionnement détaillé

  1. Division du modèle: Dans le VFL, le modèle d’apprentissage est divisé en « modèle de tête » et « modèle de queue »:
    • Les modèles de tête sont déployés chez les participants (par exemple, Client A et Client B)
    • Le modèle de queue est hébergé sur un serveur central
  2. Processus d’entraînement:
    • Propagation avant: Les clients traitent leurs données locales à travers leurs modèles de tête
    • Transfert d’activations: Les résultats intermédiaires (activations) sont envoyés au serveur central
    • Concaténation: Le serveur central concatène ces activations
    • Calcul de perte: Le modèle de queue calcule une perte en utilisant les étiquettes disponibles sur le serveur
    • Rétropropagation: Les gradients sont calculés et les dérivées partielles correspondantes sont renvoyées aux clients
    • Mise à jour locale: Chaque client met à jour son modèle de tête en fonction des gradients reçus
  3. Alignement des échantillons: Pour que le VFL fonctionne, il est crucial d’aligner les échantillons entre les participants, généralement à l’aide d’identifiants uniques comme des horodatages ou des identifiants d’utilisateur (SUPI dans le contexte 5G).

Avantages spécifiques au VFL

  • Enrichissement des caractéristiques : Permet de combiner différentes perspectives ou types de données sans les partager directement
  • Architecture personnalisée: Chaque participant peut avoir sa propre architecture de réseau neural
  • Complémentarité des données: Permet d’exploiter des données complémentaires détenues par différentes entités

Application dans les réseaux 5G (NWDAF)

Selon le document, dans la Release 19 du 3GPP, le VFL est introduit pour permettre la collaboration entre:

  • Les NWDAF dans le réseau cœur
  • Les fonctions d’application (AF) qui peuvent détenir d’autres types de données

Cette approche permet notamment:

  • La prédiction de QoS en utilisant à la fois des données réseau et des données applicatives
  • Une meilleure adaptation aux besoins spécifiques grâce à des architectures de modèle personnalisées
  • L’extension des fonctionnalités existantes développées pour le HFL

Différences clés entre HFL et VFL

En synthétisant les informations du document et la littérature sur le sujet:

Aspect HFL (Horizontal) VFL (Vertical)
Partitionnement des données Même espace de features, échantillons différents Features différentes, mêmes échantillons
Architecture du modèle Modèles identiques sur tous les clients Division tête/queue avec architectures potentiellement différentes
Communication Paramètres du modèle complet Activations et gradients partiels
Confidentialité Protège la confidentialité des échantillons Protège la confidentialité des features
Cas d’usage typique dans 5G Apprentissage entre différentes zones géographiques Collaboration entre réseau cœur et applications
Complexité d’implémentation Plus simple (agrégation directe des modèles) Plus complexe (coordination entre sous-modèles)

Protection de la confidentialité dans HFL et VFL

Les deux approches intègrent des mécanismes pour renforcer la confidentialité:

Dans le HFL:

  • Agrégation sécurisée: Techniques cryptographiques pour agréger les mises à jour de modèle sans révéler les contributions individuelles
  • Distillation de connaissances: Transfert de connaissances sans partager les paramètres exacts du modèle
  • Quantification et élagage: Réduction de la précision ou de la taille des modèles pour limiter les fuites d’information

Dans le VFL:

  • Calcul multi-parties: Techniques permettant des calculs conjoints sans partager les données sous-jacentes
  • Chiffrement homomorphe: Opérations sur des données chiffrées sans les déchiffrer
  • Perturbation différentielle: Ajout de bruit aux activations partagées pour protéger la confidentialité

Implémentation dans un réseau de télécommunications

Dans le contexte spécifique des réseaux de télécommunications, le document de 5G Americas décrit l’implémentation de ces approches:

Pour le HFL:

  • Déployé entre différentes zones géographiques du réseau
  • Les NWDAF clients sont situés près des zones qu’ils desservent
  • Un NWDAF serveur central coordonne l’agrégation
  • Les modèles peuvent prédire des comportements comme la charge du réseau ou la mobilité des utilisateurs

Pour le VFL:

  • Permet la collaboration entre le réseau cœur et les applications externes
  • Les prédictions peuvent combiner des données réseau (comme les conditions du signal) avec des données applicatives (comme les exigences des applications)
  • Permet de préserver la séparation entre domaines administratifs tout en bénéficiant du partage de connaissances

Conclusion: évolution et tendances futures

L’évolution de l’apprentissage fédéré dans les réseaux de télécommunications, comme le montre le document 5G Americas, suit une progression naturelle:

  1. D’abord introduction du HFL dans la Release 17, permettant la collaboration entre différentes parties du réseau
  2. Extension au transfert de modèles entre domaines administratifs dans la Release 18
  3. Introduction du VFL dans la Release 19, permettant la collaboration entre le réseau et les applications

Cette évolution reflète une tendance plus large vers:

  • Des réseaux de plus en plus intelligents et adaptatifs
  • Une intégration plus profonde entre les réseaux et les applications qu’ils supportent
  • Une attention croissante à la confidentialité et à l’efficacité des communications

Le HFL et le VFL représentent deux approches complémentaires d’apprentissage fédéré qui, ensemble, permettent une collaboration plus riche et plus flexible entre les différentes entités d’un écosystème de télécommunications, tout en respectant les contraintes de confidentialité et d’efficacité.

La modulation 6G : De l’OFDM à l’OTFS – Article 3

Posté le by - 1 120 vues
Répondre

Suite de l’article 2

IV) La transmission OTFS : une nouvelle approche.

L’OTFS est proposé pour surmonter les limitations de l’OFDM, particulièrement dans les scénarios de haute mobilité (trains, drones, …) et pour les futures applications 6G.

Principes fondamentaux

L’OTFS utilise le domaine retard-Doppler pour la transmission des données, offrant plusieurs avantages :

  • Représentation plus naturelle du canal radio mobile
  • Meilleure gestion de l’effet Doppler
  • Exploitation de la diversité temps-fréquence
  • Performance supérieure dans les canaux à forte mobilité

Fonctionnement

Le schéma de transmission de la chaîne OFTS (issu du site Matlab) est le suivant [7]

Figure 22 : Chaine de transmission OTFS [7]

  1. ISFFT/SFFT : transformation du domaine temps-fréquence depuis/vers le domaine retard-Doppler : le canal de propagation est défini par la matrice H, qui représente la dimension de temps et de fréquence.
    1. Pour une fréquence donnée, on regarde l’évolution du canal dans le temps.
    2. Pour un temps donné, on connait l’évolution du canal en fréquence.

Figure 23 : Passage du domaine temps/fréquence en delai/doppler [6]

La relation entre la représentation du canal en temps et en fréquence H(t,f) et celle du canal en délai-doppler H(τ,υ) s’obtient à partir de la transformée de Fourier sympletique bi-directionnelle SFT [6].

La transformée de Fourier inverse se calcule par :

Ainsi, le signal en sortie de la transformée inverse ISFFT s’écrit

2. Modulation des symboles dans le domaine retard-Doppler : on applique une transformée de Heisenberger

Le signal émis est transcrit dans le domaine temporel à partir de la transformation de Heisenberg (IFFT).

3.) Démodulation du signal.

Le signal reçu est transformé dans le domaine temps/fréquence par la transformation de Wiener (FFT).

4) Égalisation simplifiée grâce à la structure du canal dans le domaine retard-Doppler. Par la transformation SFFT, le signal est ramené dans le domaine retard/doppler. L’égalisation est réalisée par un filtre adapté.

Le schéma de modulation OTFS peut être réalisé par la transformation inverse de Zak :

Figure 24 : Utilisation de la transformée de Zak discrète [8]

Figure 25 : L’équivalence entre transformée inverse de Zak et l’OTFS [8]

 

Perspectives futures

L’OTFS est considérée comme une technologie clé pour :

  • Les communications 6G
  • Les réseaux à ultra-haute fiabilité
  • Les systèmes de communication quantique
  • L’Internet des objets à haute mobilité

L’OTFS est particulièrement adaptée pour :

  • Communications véhiculaires (V2X)
  • Communications par satellite
  • Drones et systèmes aériens
  • Applications militaires nécessitant une haute fiabilité

Conclusion

L’OTFS représente une évolution significative par rapport à l’OFDM, offrant des solutions aux limitations actuelles des systèmes de communication sans fil. Bien que des défis d’implémentation persistent, cette technologie est prometteuse pour l’avenir des télécommunications, particulièrement dans les scénarios de haute mobilité et les applications nécessitant une grande fiabilité.

Perspectives : canaux de communications orthogonaux

Le signal est transmis autour de la fréquence porteuse via une onde EM.

La technologie OAM (Orbital Angular Momentum) présente plusieurs avantages significatifs,

  1. Multiplication de la capacité spectrale : L’OAM permet d’encoder l’information sur différents modes orbitaux (niveaux OAM), créant ainsi des canaux de communication orthogonaux qui peuvent coexister dans la même bande de fréquence sans interférence.
  2. Utilisation efficace du spectre : dans un contexte où le spectre radioélectrique est une ressource limitée et précieuse, l’OAM offre une nouvelle dimension pour la transmission de données.
  3. Débits théoriques très élevés : les systèmes basés sur l’OAM peuvent potentiellement atteindre des débits de l’ordre du térabit par seconde dans des conditions optimales.
  4. Applications en communications optiques et radio : L’OAM peut être appliqué tant aux ondes lumineuses (fibre optique) qu’aux ondes radio, offrant une flexibilité d’implémentation.
  5. Sécurité améliorée : les communications basées sur l’OAM peuvent offrir un niveau supplémentaire de sécurité, car l’interception nécessite des équipements capables de détecter et de démoduler les modes orbitaux spécifiques.
  6. Potentiel pour les communications quantiques : L’OAM est étudié pour son application dans les communications quantiques et la cryptographie.

Cependant, il est important de noter que cette technologie présente encore des défis techniques, notamment la sensibilité aux perturbations atmosphériques pour les transmissions en espace libre et la complexité des systèmes d’émission/réception nécessaires.

Pour aller plus loin

[1] https://dspillustrations.com/pages/posts/misc/the-dirac-comb-and-its-fourier-transform.html

[2] An improved method to detect coherence time in wireless communications channels based on auto-correlation functions, November 2022, Journal of Ambient Intelligence and Humanized Computing14(4) :1-17, DOI :10.1007/s12652-022-04470-z

 

[3] Modulation multiporteuses : https://easytp.cnam.fr/leruyet/Cours/presentation_ofdm.pdf

[4] Channel Impulse Response – An overview ELSEVIER

[5] Yi Hong, Tharaj Thaj, Emanuele Viterbo, « Delay Doppler Communications : Principle et Applications » – 1st Edition – February 11, 2022, ISBN : 9780323850285

[6] Elena Cordero, Gianluca Giacchi, Symplectic analysis of time-frequency spaces, Journal de Mathématiques Pures et Appliquées, Volume 177, 2023, Pages 154-177, ISSN 0021-7824, https://doi.org/10.1016/j.matpur.2023.06.011. (https://www.sciencedirect.com/science/article/pii/S0021782423000855)

[7] Matlab : https://fr.mathworks.com/help/comm/ug/otfs-modulation.html

[8] Overview of the Orthogonal Time-Frequency Space for High Mobility Communication Systems

[9] Vidéo Viavi : https://video.viavisolutions.com/fr-fr/detail/videos/toutes-les-videos/video/1800375304576736059/d%C3%A9mo-d%E2%80%99otfs-espace-temps-fr%C3%A9quence-orthogonal?autoStart=true