51学通信

深度解析 3GPP TS 28.552：5.16 Measurements for LMF & 5.18 Measurements for NWDAF (5G的“千里眼”与“智慧大脑”)

20分钟阅读

好的，我们继续进行系列的下一篇深度解读。

深度解析 3GPP TS 28.552：5.16 Measurements for LMF & 5.18 Measurements for NWDAF (5G的“千里眼”与“智慧大脑”)

本文技术原理深度参考了3GPP TS 28.552 V18.10.0 (2025-03) Release 18规范中，关于“5.16 Performance measurements for LMF”和“5.18 Performance measurements for NWDAF”的核心章节，旨在为读者提供一个关于5G网络定位能力与内生智能分析能力的性能测量全景解析。

引言：从“连接”到“感知”与“预知”

“王哥，我们现在能保障‘智行一号’的移动不中断，能保障‘水滴-5G’的长效续航，还能保障远程手术的超低时延。5G网络，还有什么是我们没做到的吗？”在一次技术分享会上，小林自信满满地问。

老王微微一笑，打开了两段视频。第一段视频里，消防员正冲入浓烟滚滚的商场，他们头盔上的摄像头实时回传着画面，但指挥中心最想知道的，是他们在商场三维空间中的精确位置。第二段视频里，一个区域的网络流量即将达到拥塞临界点，几分钟后，大量用户的视频体验开始下降。

“小林，你看。第一个场景，需要网络具备‘感知’能力，不仅要连接消防员，更要知道他们在哪里。第二个场景，需要网络具备‘预知’能力，在拥塞发生之前，就提前预测到风险，并主动进行资源调度。”

老王将TS 28.552的屏幕切换到5.16和5.18节。“今天，我们要认识5G的‘千里眼’和‘智慧大脑’。5.16节的LMF (Location Management Function) 测量，就是评估网络‘千里眼’——定位服务——的性能，看它是否能‘看得准’、‘看得快’。而5.18节的NWDAF (Network Data Analytics Function) 测量，则是对5G‘智慧大脑’——网络数据分析功能——的一次‘智商测试’，看它能否从海量数据中洞察规律、做出精准的‘预测’。”

“这两个功能，代表了5G从一个纯粹的通信网络，向一个‘通信、计算、感知、智能’融合的信息服务平台的关键演进。测量它们的性能，就是确保5G能够在更高维度上，为社会提供智能化服务的基础。”

1. 5G的“千里眼”：LMF定位服务测量 (5.1.16)

LMF是5G核心网中负责管理和执行UE定位的专属网元。无论是手机上的地图导航，还是物联网资产追踪，抑或是应急救援中的人员定位，都离不开LMF的调度和计算。

1.1 定位请求的全流程监控 (5.16.1 Location determination)

当消防指挥中心需要获取某个消防员的位置时，它（作为NF service consumer）会向LMF发起一次定位请求。

5.16.1.1 Number of location determination requests (LM.LocationDeterReq) a) This measurement provides the number of location determination requests received by the LMF. c) Receipt of an Nlmf_Location_DetermineLocation request by the LMF from an NF service consumer…

5.16.1.2 Number of successful location determinations (LM.LocationDeterSucc) c) Transmission of an Nlmf_Location_DetermineLocation response by the LMF to an NF service consumer indicating a successful location determination…

5.16.1.3 Number of failed location determinations (LM.LocationDeterFail.Cause) c) …each message increments the relevant subcounter per failure cause by 1.

  • 深度解析: 这组测量LM.LocationDeter... (Location Management, Determination) 监控了一次性定位请求的完整生命周期。
    • Req (请求数): 统计LMF收到了多少次DetermineLocation请求，是总业务量。
    • Succ (成功数): 统计LMF成功计算出位置并返回response的次数。
    • Fail.Cause (失败数及原因): 统计定位失败的次数，并按原因细分。失败原因可能包括：UE不可达、测量信息不足、计算超时等。 通过这三个指标，可以计算出定位成功率，这是衡量定位服务可用性的核心KPI。

1.2 持续追踪的可靠性：位置通知服务 (5.16.2 Location notification)

对于移动中的目标，如消防员或贵重资产，指挥中心可能需要LMF提供持续的位置更新服务（周期性上报或进入/离开某个区域时上报）。

5.16.2.1 Number of location notifications for successful activation (LM.LocationNotifSucc) a) This measurement provides the number of location notifications for successful activation provided by the LMF.

5.16.2.2 Number of location notifications for failed activation (LM.LocationNotifFail.Cause) a) This measurement provides the number of location notifications for failed activation provided by the LMF.

  • 深度解析: 这组测量LM.LocationNotif...监控的是位置订阅服务的激活成功率。它衡量的是当一个应用请求“持续关注”某个UE的位置时，LMF能否成功地建立起这个订阅关系。如果激活失败，后续的位置更新就无从谈起。

1.3 场景化应用：保障应急救援的“生命坐标”

在商场火灾救援中，指挥中心为每一位进入火场的消防员，都向LMF订阅了周期性（如每3秒一次）的位置通知服务。

  1. 服务激活: 运维团队首先关注LM.LocationNotifSucc和LM.LocationNotifFail。如果Fail计数很高，说明LMF与AMF/UE之间的订阅信令通路存在问题，必须立刻解决。
  2. 定位精度与时延: 虽然28.552中没有直接定义定位精度（如米）和定位时延（如秒）的测量，但这些是定位服务最终的SLA。LM.LocationDeterSucc的高成功率是实现高精度、低时延定位的基础。在实际应用中，通常会结合应用层的数据，来反向评估定位的精度和端到端时延。

洞察: LMF的性能测量，是确保5G定位服务（LCS）从“可用”到“可靠”的关键。对于公共安全、车联网（V2X）、资产追踪等高度依赖位置信息的垂直行业，一套稳定、可靠的定位测量体系，是其业务得以成功开展的“定盘星”。

2. 5G的“智慧大脑”：NWDAF分析服务测量 (5.1.18)

NWDAF是5G R16引入的、最具革命性的网元之一。它扮演着网络“内生智能大脑”的角色，能够从其他网元收集海量数据，进行大数据分析和机器学习，并对外提供两种核心能力：历史分析和未来预测。例如，它可以分析过去一小时的网络拥塞情况，也可以预测未来15分钟某个小区的负载可能会超标。

5.18节的测量，就是对这个“大脑”工作效率和产出质量的一次“体检”。

2.1 大脑的“反应速度”：Time consumption of NWDAF providing analytics service information (5.18.1.1)

当一个NF（如PCF或OAM）向NWDAF订阅一个分析服务（如“请在切片A负载超过80%时通知我”）或请求一次分析报告时，从请求到收到第一个有效结果，需要多长时间？

a) This measurement provides the time consumed by the NWDAF to generate and provide the analytics service information. The measurement is calculated per Analytics ID…

c) This measurement is obtained by the following method:

  • the time when the NWDAF sends the notification… minus the time when the NWDAF receives the corresponding analytics service subscription…
  • the time when the NWDAF sends the response… minus the time when the NWDAF receives the corresponding analytics service request…

e) DANS.AnalyticsSerTimeCons.AnalyticsID, where AnalyticsID identifies different analytics.

  • 深度解析: DANS.AnalyticsSerTimeCons (Data Analytics Service Time Consumption) 衡量的是NWDAF的端到端分析时延。
    • 测量方法: 它分为两种情况：对于订阅式服务，测量从收到订阅请求到发送第一次通知的时间差；对于请求-响应式服务，测量从收到请求到发送响应的时间差。
    • 关键过滤维度 (AnalyticsID): 3GPP定义了多种标准的分析服务类型，用Analytics ID来标识，例如：
      • UE_MOBILITY: UE移动性分析/预测
      • UE_COMM: UE通信行为分析/预测
      • SLICE_LOAD_LEVEL: 切片负载水平分析/预测 这个按ID细分的测量，使得我们可以评估NWDAF处理不同分析任务的效率。

2.2 大脑的“工作量”：服务交互测量

NWDAF的工作，依赖于与其他NF和消费者之间的频繁交互。规范定义了一系列测量项来监控这些交互。

5.18.3.1 NWDAF service provisioning subscription (NWDAF服务开通订阅)

  • DANS.SerSubReceived: 收到的订阅请求数
  • DANS.SerSubAccepted: 接受的订阅数
  • DANS.SerSubRejected: 拒绝的订阅数

5.18.3.2 NWDAF service provisioning request (NWDAF服务开通请求)

  • DANS.SerReqReceived: 收到的请求数
  • DANS.SerReqAccepted: 接受的请求数
  • DANS.SerReqRejected: 拒绝的请求数
  • 深度解析: 这两组测量，从订阅和请求两个维度，统计了NWDAF服务的总请求量、成功率和拒绝率。这些是评估NWDAF服务可用性和负载的基础KPI。SerSubRejected或SerReqRejected的增高，可能意味着NWDAF自身过载，或者请求方没有权限。

2.3 大脑的“输出质量”：服务失效测量 (5.18.4)

“大脑”做出的预测，如果不准或不及时，那就毫无价值，甚至有害。5.18.4节专门定义了衡量NWDAF分析服务失效的事件。

5.18.4.1 Number of analytics events for time misconfiguration (时间配置错误的分析事件数) a) …the “Time when Analytics information is needed” is lower than the “Supported Analytics Delay”.

5.18.4.2 Number of analytics events for late delivery (延迟交付的分析事件数) a) …the “Time when Analytics information is needed” is lower than the “Time when Analytics is delivered to the consumer”.

  • 深度解析: 这两个测量项监控的是分析服务的时效性问题。

    • TimeMisconfigAnalyticsEve: 监控“不合理的需求”。消费者请求的“期望交付时间”(needed)，比NWDAF在其能力里声明的“最小处理时延”(Supported)还要短。这说明是请求方配置错误。
    • LateDeliveryAnalyticsEve: 监控“交付延迟”。实际的交付时间(delivered)，晚于了消费者期望的交付时间(needed)。这说明是NWDAF自己“拖稿”了，没有按时完成分析。

  • 场景化应用：预测拥塞的“黄金时间” 在开头视频的场景中，OAM系统向NWDAF订阅了“切片负载预测”服务，并要求：“请在预测到拥塞发生至少5分钟前通知我，以便我提前启动扩容”。这里的Time when Analytics information is needed就是“预测发生时间 - 5分钟”。

    • 如果NWDAF在拥塞发生前3分钟才发出通知，就计为一次LateDelivery事件。
    • 如果OAM请求NWDAF提前1分钟就给出预测，而NWDAF的能力档案里写明自己最快也需要2分钟才能完成一次预测，这就计为一次TimeMisconfig事件。

结论：“感知”与“预知”，5G智能化的双翼

通过对LMF和NWDAF这两个“超能力”网元的测量解读，我们得以一窥5G网络智能化的未来图景。

  1. LMF测量体系，为5G的**“感知”**能力提供了性能标尺。它通过对定位请求、订阅激活的全流程监控，保障了网络在物理世界中“看得准、找得到”的能力，为车联网、应急通信等关键行业应用奠定了基础。
  2. NWDAF测量体系，则为5G的**“预知”能力构建了评估框架。它通过对分析时延、服务成功率、交付及时性的精细度量，确保了“智慧大脑”不仅能思考，更能高效、可靠地**思考，为实现网络的预测性维护、自动化资源管理等高级智能铺平了道路。

这两套测量体系，共同驱动着5G网络从一个被动的“管道提供者”，向一个主动的、具备“感知”与“认知”能力的“智能服务平台”演进。它们是衡量5G“智商”和“情商”的“标准考试”，也是我们迈向真正智能化、自动化运维新时代的“指南针”。

FAQ 环节

Q1：LMF进行定位时，具体使用了哪些技术？ A1：5G LMF支持多种定位技术，并可以进行融合定位。主要包括：1）基于卫星的定位： 如GNSS (GPS, Galileo等)，UE将卫星测量信息上报给LMF进行计算。2）基于无线信号的定位： 如OTDOA（下行到达时间差）、UTDOA（上行到达时间差）、AoA（到达角）、Multi-RTT（多点往返时延）等，通过测量UE与多个基站之间的无线信号特征来计算位置。3）基于传感器的定位： 利用UE内置的传感器（如气压计、陀螺仪）进行辅助定位。LMF会根据应用场景的精度要求、UE能力和网络环境，智能地选择一种或多种技术组合，以达到最佳的定位效果。

Q2：NWDAF的数据来源是哪里？它如何收集数据？ A2：NWDAF的数据来源非常广泛，几乎涵盖了所有5G核心网NF以及RAN。根据3GPP的定义，NWDAF可以通过两种主要方式收集数据：1）订阅-通知模式： NWDAF向其他NF（如AMF, SMF, PCF）或OAM订阅特定的事件或统计数据。当事件发生或数据生成时，这些NF会主动将信息通知给NWDAF。2）请求-响应模式： NWDAF也可以主动向其他NF（特别是UDM、UDR）请求特定的历史数据或用户签约信息。

Q3：DANS.AnalyticsSerTimeCons（分析时延）这个指标高，一定说明NWDAF性能差吗？ A3：不一定。分析时延的长短，与分析任务的复杂度密切相关。一个简单的“切片平均负载”统计，可能只需要几秒钟。而一个基于海量历史数据、利用复杂机器学习模型的“用户移动轨迹预测”，则可能需要几分钟甚至更长。因此，评估这个指标时，必须结合AnalyticsID来看。只有当某个特定AnalyticsID的分析时延，远超出了同类任务的基线水平，或者持续恶化，才说明NWTAF在该任务上的处理性能可能存在瓶颈。

Q4：NWDAF的“预测”能力，在实际网络中是如何应用的？ A4：应用场景非常广阔，是实现“Level 4/5”高度自动化网络的关键。例如：1）预测性资源管理： NWDAF预测到某个小区在1小时后因为音乐会而将发生拥塞，可以提前通知OAM系统激活载波聚合、调整负载均衡策略，甚至自动部署一个移动基站。2）预测性移动性优化： NWDAF预测某个UE即将进入弱覆盖区，可以提前通知源gNB准备条件切换（CHO），提高切换成功率。3）预测性SLA保障： NWDAF预测某个切片的时延即将超出SLA，可以通知PCF和SMF，动态调整该切片的QoS策略和资源预留。

Q5：这些LMF和NWDAF的测量项，是所有5G网络都必须支持的吗？ A5：不一定。LMF和NWDAF都是5G核心网中的可选网元。运营商可以根据其业务发展规划，来决定是否部署以及何时部署这两个功能。在5G建设初期，大部分运营商可能更关注基础的连接和移动性。随着车联网、工业互联网、智能化运维等需求的增长，LMF和NWDAF的部署和应用会越来越普及。TS 28.552提前为这些高级功能定义好性能测量，正是为了在其规模化商用时，提供一套成熟、标准的性能管理框架。

关系图谱