Улучшение систем LTE и NR за счёт эффективного распределения физических идентификаторов ячеек

Почему сигнал вашего телефона может внезапно пропасть

Каждый, кто видел, как видео зависает или звонок прерывается в поезде или при прогулке по центру города, ощущал пределы современных мобильных сетей. По мере того как 4G и 5G-системы на плотных городских территориях устанавливают всё больше антенн, чтобы обеспечить более высокие скорости и меньшую задержку, удерживать телефон «приписанным» к правильной ячейке становится удивительно трудно. В этой статье рассматривается скрытый элемент — своего рода «бейдж» под названием физический идентификатор ячейки (PCI) — и показано, как более умные методы присвоения этих меток могут сделать мобильные сети более надёжными и эффективными.

Скрытый идентификатор, который держит сеть вместе

Каждый раз, когда ваш телефон «просыпается», он слушает специальные синхронизационные сигналы, которые подсказывают, с какой базовой станцией связываться, как выровнять тайминг и как плавно переключаться между ячейками в движении. Эти сигналы соответствуют PCI — числу, которое уникально идентифицирует каждую ячейку в районе. Проблема в том, что пул таких идентификаторов мал: всего 504 в 4G LTE и 1008 в 5G. В плотных городских сетях с множеством мелких ячеек повторное использование одних и тех же идентификаторов неизбежно. Если две соседние ячейки имеют одинаковый PCI, телефон может их перепутать, что приводит к помехам, неудачным хэндоверам и сбоям соединения. Даже когда используются разные номера, определённые паттерны в присвоении могут создавать упорядоченные помехи, ухудшающие качество сигнала.

От вышек до сети связанных точек

Исследователи рассматривают мобильную сеть как граф — сеть точек и связей. Каждая точка — это ячейка, а каждая связь отмечает пару ячеек, которые могут мешать друг другу или часто передавать между собой пользователей. В этой модели присвоение PCI превращается в задачу раскраски: нужно дать каждой точке цвет (идентификатор), чтобы сильно связанные соседи избегали совместного использования одного и того же цвета или проблемных паттернов. Команда использует идею «топ-соседей», фокусируясь только на наиболее влиятельных соседях для каждой ячейки, что делает задачу более реалистичной и масштабируемой. Они также создают подробные симуляции на платформе NS-3, которые воспроизводят поведение реальных LTE- и похожих на 5G систем, включая движение пользователей, радиодиапазон и то, как помехи ухудшают отношение сигнал/помеха плюс шум (SINR) — ключевую меру качества канала.

Умные алгоритмы для переполненного эфира

Чтобы найти лучшие планы PCI, авторы сравнивают три класса алгоритмов. DSATUR, классический метод раскраски графов, присваивает идентификаторы по одной ячейке, всегда обрабатывая следующую наиболее ограниченную ячейку. Более исследовательский метод, названный Многопопуляционным смещённым генетическим алгоритмом с дробными ключами (BRKGA), заимствует идеи эволюции: он поддерживает популяцию кандидатных планов PCI, смешивает их «гены» и постепенно улучшает их на протяжении многих поколений. Наконец, точная математическая техника — целочисленное линейное программирование (ILP) — применяется с помощью кластеризации сети на меньшие части. ILP теоретически может найти оптимальные решения, но, как правило, становится слишком медленным или невыполнимым по мере роста сети. Все три техники тестируются в одинаковых симулированных условиях и оцениваются по тому, как они изменяют распределение значений SINR у пользователей, в частности по тому, какая доля измерений попадает в категорию «отлично» выше 20 децибел.

Что показывают симуляции о реальных преимуществах

В небольших сетях с несколькими базовыми станциями DSATUR показывает лучшие результаты. Он существенно снижает долю пользователей с очень низким SINR и повышает долю тех, кто получает отличное качество сигнала — иногда более чем на 25 процентных пунктов по сравнению с простым базовым вариантом, где PCI назначаются по порядку. По мере того как сеть становится плотнее и сложнее, BRKGA обгоняет DSATUR. Его эволюционный поиск лучше справляется со запутанными паттернами помех в больших графах, стабильно увеличивая долю высококачественных связей и сокращая худшие случаи, оставаясь при этом относительно устойчивым во многих сценариях. ILP с кластеризацией работает хорошо для умеренных размеров сети, но плохо масштабируется; в очень больших сетях он даже может ухудшать ситуацию, что подчёркивает практические ограничения чисто точной оптимизации в этой задаче.

Что это означает для повседневной связи

Для обычных пользователей вывод прост: лучшие «правила именования» для базовых станций могут прямо переводиться в меньшее число прерванных звонков, более плавное воспроизведение видео и более высокие скорости передачи данных, особенно в оживлённых частях города. Исследование предлагает простую рабочую стратегию для операторов: использовать быстрые эвристики вроде DSATUR при развертывании или корректировке небольших регионов, а затем применять генетические алгоритмы, такие как BRKGA, для поддержания и уточнения планов PCI по мере роста сети и изменения трафика. В среднем оптимизированные схемы повышают долю отличных условий сигнала примерно на 8 процентных пунктов и резко снижают число худших случаев. Хотя работа основана на симуляциях, она предлагает практическую, основанную на доказательствах дорожную карту для настройки сетей 4G и 5G сегодня и указывает на будущие системы, где ИИ сможет адаптировать эти идентификаторы ячеек в реальном времени по мере изменения условий.

Цитирование: Farghaly, S.I., Khayal, H.M., Algohary, I.M. et al. Enhancement of LTE and NR systems through efficient physical cell identity allocation. Sci Rep 16, 5626 (2026). https://doi.org/10.1038/s41598-026-36608-w

Ключевые слова: сети 5G, взаимные помехи ячеек, оптимизация сети, генетические алгоритмы, качество сигнала