从4G到5G VoNR:对比VoLTE呼叫流程,聊聊核心网演进带来的那些变化

news2026/5/18 18:18:15
从4G到5G VoNR核心网架构演进与语音业务的技术跃迁当我们在4G时代习惯了高清语音通话(VoLTE)的清晰稳定5G时代VoNR(Voice over New Radio)的商用正在悄然重塑移动通信的语音业务版图。这场技术演进绝非简单的网络升级而是从核心网架构到业务承载方式的系统性变革。本文将带您深入剖析从VoLTE到VoNR的技术跃迁揭示5G SA架构下语音业务的全新实现逻辑。1. 从EPC到5GC核心网架构的范式转移4G时代的演进分组核心网(EPC)和5G核心网(5GC)代表着两种截然不同的网络架构哲学。在EPC中MME(Mobility Management Entity)作为控制面的核心节点承担着移动性管理、会话管理和用户鉴权等关键功能。而在5GC架构中这一角色被分解为AMF(Access and Mobility Management Function)和SMF(Session Management Function)两个独立的网络功能。这种解耦带来的直接影响是呼叫流程中控制面信令的路径变化。在VoLTE呼叫建立过程中MME需要同时处理移动性管理和会话建立的双重任务。典型场景下当UE从空闲态发起呼叫时UE通过RRC连接请求发起服务请求eNodeB将Initial UE Message转发给MMEMME协调建立承载并管理会话状态而在5G VoNR场景中这一流程被重新设计flowchart TD A[UE] --|Service Request| B(gNB) B --|N1 Message| C[AMF] C --|Session Establishment| D[SMF] D --|QoS Flow Setup| E[UPF]这种架构变化使得5G网络能够更好地支持网络切片和边缘计算等新特性。AMF专注于纯粹的移动性管理而SMF则负责会话相关的策略控制这种职责分离带来了更高的网络灵活性和可扩展性。注意5GC采用服务化架构(SBA)各网络功能通过标准化接口通信这与EPC的点对点接口有本质区别。2. SIP信令的传承与优化尽管核心网架构发生了巨大变化但IMS(IP Multimedia Subsystem)作为语音业务的核心控制系统在5G时代仍然保持其关键地位。SIP(Session Initiation Protocol)作为IMS中的核心信令协议在VoNR中继续发挥着会话控制的作用。VoLTE中的典型SIP信令流程包括INVITE/100 Trying183 Session ProgressPRACK/200 OKUPDATE180 RingingACK/BYE在VoNR环境下这些基本信令流程得以保留但在传输效率和处理机制上进行了多项优化优化维度VoLTE实现VoNR增强信令压缩传统SIP头SIP头压缩优化会话建立时延平均约2.5s目标1.5s错误恢复有限重试机制快速会话重建QoS保障QCI 1专用承载5G QoS Flow特别值得注意的是5G网络引入了更精细化的QoS控制机制。在VoLTE中语音业务通过QCI(QoS Class Identifier)1的专用承载保障服务质量而在VoNR中这一概念演进为5G QoS Flow通过以下关键参数实现动态QoS控制5QI(5G QoS Identifier)分配与保持优先级(ARP)流比特率(GBR/Non-GBR)最大流比特率(MFBR)3. 承载方式的革命性变化从4G到5G语音业务的承载方式经历了从承载到流的概念演进。在VoLTE架构中语音业务依赖于端到端的专用承载(E-RAB)MME发起承载建立请求eNodeB配置无线承载S-GW/P-GW建立S5/S8承载形成端到端QCI 1承载路径VoNR则采用了完全不同的QoS Flow模型# 5G QoS Flow建立示例流程 def establish_qos_flow(): amf AMF() smf SMF() upf UPF() # UE发起服务请求 service_request UE.send_service_request() # AMF处理移动性部分 amf.process_mobility(service_request) # SMF处理会话部分 pdu_session smf.establish_pdu_session() # 建立QoS Flow qos_flow { 5QI: 1, # 语音业务标准5QI ARP: {priority: 1, preemption: True}, GBR: 64kbps, MFBR: 256kbps } upf.setup_qos_flow(qos_flow)这种变化带来的直接优势包括更灵活的资源分配策略动态QoS调整能力与网络切片的天然兼容性更高效的资源利用率4. 实际部署中的挑战与解决方案在现网部署VoNR时运营商面临着多方面的技术挑战。首当其冲的是与现有VoLTE网络的互操作问题。典型的互操作场景包括5G到4G的语音回落当5G覆盖不足时需要平滑切换到VoLTE跨代网络间的紧急呼叫确保紧急服务的连续性QoS映射一致性保持5QI到QCI的正确映射针对这些挑战3GPP定义了完善的互操作规范关键解决方案包括EPS Fallback5G UE临时回落到4G进行语音呼叫RAT Fallback基于测量的智能网络选择QoS参数映射表确保端到端质量一致另一个重要考量是能耗优化。测试数据表明在相同通话时长下网络类型平均功耗(mW)连接建立时延(ms)VoLTE4502500VoNR3801500这种能效提升主要来自更高效的编码方案(EVS代替AMR-WB)快速休眠机制智能DRX配置在实际网络优化中我们通常关注以下KPI指标# 典型VoNR KPI监控命令示例 nrcli monitor kpi voNR --metricscall_setup_time,drop_rate,jitter --interval5s输出应满足呼叫建立成功率 99.5%端到端时延 200ms语音质量MOS 4.05. 未来演进方向站在技术演进的前沿VoNR正在向更智能、更融合的方向发展。一个明显的趋势是语音业务与AI技术的深度结合智能语音质量优化实时监测并动态调整编解码策略预测性QoS基于用户行为预测提前预留资源语音增强现实结合5G大带宽实现沉浸式语音体验另一个重要方向是与边缘计算的融合。通过将语音处理功能下沉到网络边缘可以实现超低时延语音服务(50ms)本地化语音数据处理定制化语音增强服务在测试某厂商的VoNR解决方案时我们发现其创新的编解码动态切换机制可节省约15%的无线资源占用。具体实现方式是在通话建立时协商多种编解码选项根据网络状况实时切换// 编解码动态切换示意代码 void on_network_condition_changed(NetworkCondition condition) { if (condition NETWORK_CONGESTED) { switch_codec(CODEC_MODE_13_2k); } else { switch_codec(CODEC_MODE_24_4k); } }这种级别的优化细节正是5G语音技术不断进步的缩影。从实验室测试到现网部署VoNR正在证明自己不仅是4G语音的继承者更是未来通信体验的开拓者。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2622446.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…