Das Spatial Channel Model Ein geometriebasiertes, stochastisches Kanalmodell Marcel Nehring * Qosmotec Software Solutions GmbH * Fachhochschule Aachen Campus Jülich – Scientific Programming

2 / 43 Übersicht Der Kanalsimulator als Testwerkzeug Zweck von Kanalmodellen Effekte des Funkkanals MIMO-Technik Das Spatial Channel Model Alternative Modelle Aussicht auf die Bachelorarbeit

3 / 43 Aktuelles Verbreitung von Smartphones nimmt stetig zu Damit einhergehend immer höhere Transferraten durch Kunden gefordert Immer höheres Datenaufkommen Neue Technologien nötig um Erwartungen zu erfüllen LTE

4 / 43 Risiken Mögliche Fehler bei –Der Implementierung der Software –Der Konzeption der Hardware –Dem Aufbau der Netze

5 / 43 Probleme beim Testen von Mobilfunkkomponenten Mögliche Testmethode für Systemtest: Feldtests –Umfangreich –Zeitintensiv –Teuer –Erst mit „fertigem“ Prototyp möglich –Benötigt Netz –Nicht reproduzierbar

6 / 43 Kanalsimulatoren Simuliert die Luftschnittstelle Effekte über Software steuerbar Tests individuell Reproduzierbare Tests Regressionstest möglich Automatisierte Tests möglich Dadurch: Kostensenkung

7 / 43 Simulationsanforderungen Realitätsnahe Simulation –Möglichst viele Effekte simulierbar –MIMO fähig –Realitätsnahe virtuelle Umgebung –Ausreichend allgemein

8 / 43 Kanalmodelle Flexibel & trotzdem realitätsnah –Stochastisch MIMO fähig –Geometrisch Geometriebasierte stochastische Kanalmodelle GSCM

9 / 43 Der Funkkanal Mehrere Störeinflüsse auf ein Funksignal Hindernisse wie Gebäude, Landschaft, … Bewegung des Endgerätes

10 / 43 Leistungspegel Signalstärke Gesendet: ~20 Watt Empfangen: ~0,1 Mikrowatt

11 / 43 Pfadverlust Abschwächung des Funksignals Ursache: Hindernisse, Signalausbreitung Abhängig von Frequenz

12 / 43 Laufzeitverzögerung Zeitdifferenz zwischen senden/empfangen Größenordnung: 100ns bis 1µs Lichtgeschwindigkeit

13 / 43 Frequenzverschiebung Auch „Dopplereffekt“ Verursacht durch Bewegung Verändert die beobachtete Frequenz Frequenz: ~2GHz Verschiebung: ~100Hz

14 / 43 Mehrwegeausbreitung Mehrere „Kopien“ eines Signals Verschiedene Wege Signalkomponenten werden unterschiedlich beeinflusst

15 / 43

16 / 43 Mehrwegeschwund Komponenten mit unterschiedlicher Amplitude und Phase Je nach Verhältnis: –Verstärkung –Abschwächung –Auslöschung

17 / 43 Abschattung Signifikante Abschwächung durch Hindernis Nur reflektierte Komponenten erreichen Empfänger

18 / 43 Laufzeitstreuung Komponenten erreichen Empfänger zeitlich versetzt Signal wird gestreut Einzelne Bits evtl. nicht klar erkennbar

19 / 43 Winkelstreuung Komponenten treffen aus verschiedenen Richtungen ein Verursacht durch Reflektion

20 / 43 Frequenzspreizung Bei Bewegung Spreizung um eigentliche Frequenz Verursacht durch Winkelstreuung

21 / 43 Multiple Input Multiple Output Mehrere Antennen bei Sender und Empfänger Steigert Signalqualität Steigert Datenrate

22 / 43

23 / 43 Räumliches Multiplexing Datenstrom wird aufgeteilt Gleichzeitige Übertragung über mehrere Antennen Zusammensetzen beim Empfänger

24 / 43 Kanalmatrix Signalübertragung wirkt sich aus auf Amplitude und Phase Darstellung als komplexe Zahl Vergleiche Polarkoordinaten

25 / 43 Amplitude & Phase 1 (0°) i (90°) -1 (180 °) -i (270° -90°) Re Im a * e i φ = a * ( cos φ + i sin φ )

26 / 43 Kanalmatrix - Beispiel 1- i ()

27 / 43 Das Modell Entwickelt vom 3GPP und 3GPP2 Beschreibt Mehrwegeausbreitung MIMO fähig Verfahren für Systemtests Geeignet für Performancetests

28 / 43 Das Modell Beschreibt Mehrwegeausbreitung Erzeugt Serie von Kanalmatrizen Berücksichtigt Antennenausrichtung Gibt physikalische Parameter vor Gibt Berechnungsvorschriften für Effekte vor

29 / 43 BTS Antenne MS Antenne BTS Antenne MS Antenne

30 / 43 Parametergenerierung Zufällige Platzierung des Endgerätes –Entfernung zur BTS ermitteln –Ausrichtung zur BTS ermitteln Zufällige Bewegungsrichtung bestimmen Zufällige Geschwindigkeit bestimmen

31 / 43 BTS Antenne MS Antenne

32 / 43 Parametergenerierung Zufällige Pfadlaufzeit ermitteln –Monoton steigend Davon abhängigen Leistungspegel bestimmen –Monoton fallend Annahme: langer Pfad = lange Laufzeit

33 / 43 Parametergenerierung Zufälligen Austrittswinkel bestimmen –Monoton steigend Zufälligen Eintrittswinkel bestimmen –Abhängig von Leistungspegel –Monoton steigend Annahme: schwaches Signal = große Ablenkung

34 / 43 BTS Antenne MS Antenne

35 / 43 BTS Antenne MS Antenne

36 / 43 Parametergenerierung Je Pfad 20 Subpfade Simulieren Signalstreuung Vorgegebene Abweichung bei Eintritts- / Austrittswinkel „Erben“ restliche Eigenschaften von Hauptpfad

37 / 43 Cluster BTS Antenne MS Antenne

38 / 43 Generierung der Kanalmatrix Matrix pro Pfad Sendeelemente: S Empfangselemente: U Matrixdimension: U x S Matrixelemente –Phasenlage –Leistungspegel

39 / 43 Durchführung Basiert auf „Drops“ Platzierung des Endgerätes in Landschaft Kurze Simulation der Effekte Mehrere Drops pro Simulation Mehrere Endgeräte Mehrere Sendestationen

40 / 43 Anpassungen Verschiedene Szenarien / Testumgebungen Kleinstädtische Umgebung Großstädtische Umgebung Makrozellen Mikrozellen

41 / 43 Alternative Modelle Höherer Detailgrad erforderlich Z.B. bei Netzplanung Landschaftsinformationen einbeziehen Extremer Rechenaufwand

42 / 43 Alternative Modelle Semistochastisch Pfadverlauf in bekannter Umgebung berechnet Bekannte Parameter in stochastisches Modell einsetzen

43 / 43 Aussicht auf Bachelorarbeit Integration von SCM in Kanalsimulator QPER –Konzepterstellung –Exakte Umsetzung –Grafikbasierte Umsetzung –Implementierung eines Prototypen

Vielen Dank für die Aufmerksamkeit Marcel Nehring * Qosmotec Software Solutions GmbH * Fachhochschule Aachen Campus Jülich – Scientific Programming