SigComm‘21 - A Variegated Look at 5G in the Wild: Performance, Power, and QoE Implications

计算机网络顶会无线通信类论文解读

1. 背景

本文测试了5G现阶段的性能，对吞吐量、功耗、QoE进行了评测，对比NSA、SA组网的性能差异，sub 6-GHz（LB，low band)与毫米波（mmWave）性能差异，并于4G-LTE进行了对比。测试设备与数据收集方法见论文原文，这里给出测试结果。
测试地点：美国 Ann Arbor，Minneapolis
运营商：Verizon，T-Mobile
使用的5G终端：Google Pixel 5 (PX5)，Samsung Galaxy S20 Ultra 5G (S20U) 和 Samsung Galaxy S10 5G (S10)

2. 5G网络性能

2.1 测量说明

1. 使用运营商托管的服务器降低网络阻塞对测试的影响；
2. 本文测量的是峰值网络性能，不应与用户感知的网络质量混淆（关注峰值指标有助于进一步减少拥塞和其他互联网方面的因素对性能测量的影响，并有助于了解UE-Server距离和无线电技术/波段对网络性能的影响）；
3. mmWave-5G的测试均设在户外，UE（用户设备，User Equipment）静止并保持与5G基站为直线传播（即LoS）。

2.2 UE-服务器距离影响

主要测试了UE-服务器距离对吞吐量（可理解为网络速率）和往返时间（RTT，可理解为网络时延）的影响。

1. 低频段5G相比于毫米波5G有6_{8毫秒的延迟，4G相比于5G有着6}15毫秒的延迟；
2. RTT随着距离的增加而增加；
3. 对于运营商T-Mobile，RTT在NSA和SA上没有明显差别；
4. 单连接下行吞吐量可稳定维持在3Gpbs，多连接吞吐量则随着距离增大显著下降，这与RTT增大和丢包率增加有关；
5. 两种连接方式中上行链路吞吐量均可稳定达到220Mbps；
6. 对于T-Mobile的sub-6GHz 5G网络，其SA组网下的吞吐量（上行或下行）仅有NSA组网吞吐量的一半，这可能是由于SA组网还未支持载波聚合技术或5G核心网仍未成熟；

2.3 5G sub-6频段的网络切换

测试场景：选择了一条10公里的驾驶路线，该路线穿过繁忙的市中心地区和高速公路，行驶速度为0~100Km/h。
测试了七种场景下网络的切换次数：1）仅使用SA-n71频段；2）使用NSA-n71频段和LTE；3）仅适用LTE；4）使用SA-n71频段和LTE；5）适用全部频段（手机中的默认认定）。测试结果如下图，五条bar分别代表五种配置，不同颜色表示不同的网络状态（4G-LTE为蓝色，NSA-5G为橙色，SA-5G为绿色），十字形表示此处网络发生了水平切换（即不同基站间的切换）或竖直切换（即网络制式的切换，这里表示4G与5G网络的来回切换）。

1. 5G SA有着最少的切换次数（13次）；
2. SA和NSA在n71波段的水平切换次数都很少（13次和20次），但NSA却发生了90次的垂直切换，表现出NSA组网的复杂性。

3. 功耗

3.1 NSA-5G数传功耗

1. 4G和5G的功耗都随着吞吐量的增加而线性增加，但mmWave 5G(上行和下行)的功耗增速要比其他两个无线网络慢。虽然在低吞吐量时mmWave 5G的功耗更高，但系统当吞吐量很高时，mmWave 5G的能量效率也更高（具体的，下行链路中，吞吐量大于187Mbps时mmWave 5G效率高于4G，吞吐量大于189Mbps时mmWave 5G效率高于sub6-5G；下行链路中，吞吐量大于40Mbps时mmWave 5G效率高于4G，吞吐量大于123Mbps时mmWave 5G效率高于sub6-5G；注意具体数值与使用的具体设备类型是有关的，这里的测试设备为S20U）。
2. 在下行链路上，sub6-5G与4G的能量效率近似，但在上行链路中sub6-5G比4G的的能量效率更高；
3. 在低吞吐量下，5G的能量效率比4G低79%(74%，上行)，但在高吞吐量下，5G的效率比4G高5倍 (2倍，上行)；
4. 上行链路的功耗增长率比下行链路高2.2~ 5.9倍；

5. 接收信号强度越高，能量效率越高。

4. mmWave-5G中的视频流

自适应比特率(ABR)算法是优化视频体验质量(QoE)的主要工具，本章测试现有的ABR算法在mmWave-5G中的工作情况，这里共测试了七种ABR算法：1）基于缓冲的算法（基于缓冲区的占用情况来绝大比特率的大小）：BBA${}^{32}$和BOLA${}^{56}$；2）基于吞吐量的算法（基于之前数据块的大小去预测未来的吞吐量并决定下一个数据块的比特率）：simple rate-based (RB) 和 FESTIVE${}^{33}$；3）基于控制理论（通过优化之后N个数据块的QoE来决定比特率）：FastMPC和RobustMPC${}^{62}$；3）基于机器学习（深度学习方法最大化QoE奖励）：Pensieve${}^{38}$。

1. 图17(a-b)右上角的矩形区域用栗色的虚线标记，代表具有更好的QoE的ABR算法。这里，更好的QoE指的是在不同的track中实现小于5%的视频停滞和超过0.8的归一化比特率的ABR算法。对于5G来说，只有一种算法（robustMPC）能够提供更好的QoE，而对于4G来说则有3种算法；
2. 当RB、BOLA、MPC和Pensieve在应用于5G时视频停滞显著增加(平均58.2%)，从图17c可以看出，除了BBA，其他所有ABR算法的视频停滞时间都有所增加。Pensieve和fastMPC有时会选择最高比特率的数据块，但这极有可能导致更长的停滞时间，而这种情况在使用相同优化指标的4G场景中则不会发生。

5. mmWave-5G中网页浏览的QoE

5.1 页面加载时间与功耗

mmWave 5G能够提供超高吞吐量，但需要更多的能耗。另一方面，低频段的5G或LTE能耗更低，但性能比mmWave更差。因此在实现高性能和高能效之间存在一个权衡。这里将网页浏览作为一个案例研究QoE，指标式页面加载时间（PLT）

1. 随着网站中对象数量的增加或页面大小的增大，4G和5G的PLT性能差距越来越大，4G的性能较差；
2. 4G比5G有着更高的能量效率

5.2 网页浏览中的接口选择

论文使用决策树来来判断加载网页时使用4G还是5G，QoE定义为$QoE=(\alpha \times EC)+(\beta \times PLT)$，EC为能量消耗，PLT为网页加载时间，$\alpha$和$\beta$为两者的权重系数。对于不同的权重组合，使用该模型加载420个网页的决策结果如下表所示。

当能量利用率优先(M4)时，4G处理更多的网站，而当网站动态对象数量远高于比静态对象时，5G将是首选。

https://dl.acm.org/doi/10.1145/3452296.3472923