5G NR
PulseAugur coverage of 5G NR — every cluster mentioning 5G NR across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究探讨了5G神经接收器的对抗性攻击
研究人员调查了5G新无线电（NR）系统中使用的神经接收器的对抗性漏洞。他们发现，由于展开的低密度奇偶校验（LDPC）解码器中的双曲正切（tanh）饱和引起的梯度掩蔽，标准的基于梯度的攻击无效。为了解决这个问题，提出了两种新的损失函数：L_BP和L_LLR。L_BP使用每迭代监督，通过未饱和的早期迭代来路由梯度，而L_LLR则对预解码器对数似然比（LLR）应用裕度损失，完全绕过了解码器。这两种方法在对抗性扰动下都显著提高了块错误率（BLER）。
-
HELENA 深度学习模型在 5G NR LEO NTN 信道估计中表现强劲
一篇新的研究论文评估了 HELENA 深度学习模型在 5G NR LEO NTN 环境中进行信道估计的有效性。尽管 LEO NTN 中的多普勒和同步损伤带来了挑战，HELENA 仍展现出比其他深度学习估计器（包括一个专门的 NTN 模型）更高的准确性。虽然 HELENA 在高性能 GPU 上实现了低推理延迟，但在功耗受限的嵌入式平台上未能满足严格的延迟预算，这表明尾部延迟对于此类应用仍然是一个悬而未决的挑战。
-
发布维也纳4G/5G路测数据集，用于移动网络机器学习
研究人员发布了维也纳4G/5G路测数据集（Vienna 4G/5G Drive-Test Dataset），这是一个全面的开放数据集，旨在推动机器学习在移动网络分析中的应用。该数据集包含在奥地利维也纳收集的地理参考的长期演进（LTE）和5G新空口（NR）测量数据。它结合了被动扫描仪观测和主动手机日志，提供了网络侧和用户侧的视角。该数据集还包含推断的基站部署细节以及高分辨率的建筑和地形模型，以支持几何条件学习和校准。
-
新的 5G AI 框架预测重传以提高效率
研究人员开发了 NOSTRAdAMUS，一个旨在增强 5G NR 网络中链路自适应的预测框架。该系统基于 HARQ 历史预测重传，从而能够主动调整调制和编码方案 (MCS) 选择。NOSTRAdAMUS 利用在 X5G 测试平台的实际数据上训练的梯度提升模型，实现了 82.9% 的准确率，并在各种信道条件下显著提高了有效吞吐量并减少了重传。
-
5G NR 侧信道攻击使视频质量减半
研究人员展示了一种针对 5G NR 网络的新型侧信道攻击，该攻击可将视频流质量降低多达 50%。此攻击利用公共调度数据推断加密流量信息，从而在不直接访问加密内容的情况下降低视频质量。
-
用于 5G/6G 网络中具有截止时间意识的 V2X 调度的微型 LLM 代理
研究人员开发了 Agentic-V2X，这是一种利用微型语言模型进行 5G/6G 网络中具有截止时间意识的车辆到一切 (V2X) 调度的创新架构。该系统采用本地部署的微型语言模型来创建周期性策略，然后由轻量级控制器进行验证和执行。该框架旨在通过确保策略的有效性和安全性来解决大型语言模型在实时网络调度中的局限性，在关键可靠性指标方面表现具有竞争力，但总体上并未超越最强的静态策略。
-
深度学习通过新颖的合并器设计提升功率放大器效率
研究人员开发了一种新颖的深度学习方法，用于设计包含像素化输出合并器网络的Doherty功率放大器（PAs）。该方法利用深度卷积神经网络（CNN）作为电磁代理模型，快速预测这些复杂合并器的性能。通过将此CNN集成到黑盒框架中并采用遗传算法，研究团队成功合成了在更宽功率范围内提高效率的Doherty合并器。原型机展示了令人印象深刻的效率和输出功率，在9 dB回退水平下保持超过52%的漏极效率，并在使用类似5G NR的波形进行测试时，在具有…
-
GL.iNet 发布安全 Wi-Fi 7 5G 旅行路由器
GL.iNet Mudi 7 是一款新的 5G 旅行路由器，旨在增强在线安全性和连接性。它采用 Wi-Fi 7 技术、双 SIM 卡插槽、eSIM 支持以及可由用户更换的电池，续航时间长达 13.5 小时。该路由器搭载高通 Dragonwing Gen 3 平台，支持高达 4.67Gbps 的 5G 速度，并配备 2.8 英寸 LCD 触摸屏进行管理。
-
Camera-primed AI system VIBE improves mmWave beam management for vehicles
研究人员开发了一个名为VIsion-based BEamforming (VIBE)的新系统，以改进车辆连接的毫米波 (mmWave) 实时波束管理。VIBE结合了机器学习、基于模型的推理和射频反馈，利用摄像头输入来减小波束对齐的搜索空间。该方法旨在克服车联网 (V2X) 网络中的路径损耗和波束失准等挑战。评估表明，与现有的5G NR方法相比，VIBE实现了更低的掉线率，并且优于其他机器学习模型。