51学通信

深度解析 3GPP TS 29.552：5.7.20 Relative Proximity Analytics (相对邻近性分析)

21分钟阅读

好的，我们继续深入5G“智慧大脑”NWDAF的能力图谱。在前几篇文章中，我们探讨了大量关于网络性能、用户个体行为和群体动态的分析。今天，我们将进入一个非常新颖且富有想象力的领域——相对邻近性分析。这项分析不再关心用户的绝对位置或轨迹，而是聚焦于一个更具社交和物理互动意味的问题：用户与用户之间，离得近不近？

深度解析 3GPP TS 29.552：5.7.20 Relative Proximity Analytics (相对邻近性分析)

本文技术原理深度参考了3GPP TS 29.552 V18.7.0 (2024-12) Release 18规范中关于“5.7.20 Relative Proximity Analytics”的核心章节，旨在为读者详细拆解NWDAF是如何扮演一位“时空关系分析师”，通过分析多个用户的位置信息和移动趋势，来判断他们之间的相对接近程度，从而为社交应用、公共安全和物联网协同等场景提供独特的价值。

前言：当网络开始理解“我们”

从“我”到“我们”，是人类社会的基本构成。在数字世界中，这种“我们”的关系，过去更多是通过社交网络上的“好友关系”、游戏中的“组队关系”等逻辑链路来定义的。然而，在物理世界中，“我们”最基本的关系就是**“在一起”或“离得近”**。

如果5G网络不仅能知道每个用户的位置（where I am），更能理解用户与用户之间的相对空间关系（where we are），将会催生出大量创新的应用场景：

  • 增强社交体验: 一款社交App可以通知你：“你的三位好友，现在都在你附近500米内的商场里。”

  • 游戏与AR互动: 一款大型AR游戏，可以根据玩家之间的真实物理距离，来触发不同的互动任务或内容。

  • 家庭关怀: 家庭成员之间可以共享大致的相对位置，例如，“孩子们都在学校区域内”。

  • 公共安全与疫情防控: 在紧急事件响应或流行病追踪中，可以快速分析出特定人群之间的“时空伴随”关系。

  • 物联网协同: 一个仓库内的AGV（自动导引运输车）集群，需要知道彼此的相对位置以避免碰撞和优化路径。

**相对邻近性分析（Relative Proximity Analytics）的使命，就是让‘洞察者’(Insight-AI)具备这种理解“我们”之间空间关系的能力。它不再输出单个UE的绝对坐标，而是输出一组UE相对于彼此是“近”还是“远”**的判断。

在“未来科技博览会”上，主办方推出了一款官方社交App“Expo-Connect”，它有一个热门功能：“寻找附近的同行”。当一位参展的AI工程师开启这个功能时，“Expo-Connect”的应用（AF）就会向‘洞察者’发起请求：“请为我的用户李雷（SUPI-L），找出他附近200米内，所有同样开启了‘寻找同行’功能的用户。”

本文将深入5.7.20节的信令流程，看看“时空关系分析师”‘洞察者’是如何完成这次“茫茫人海找朋友”的任务的。

1. 任务简报：度量“时空伴随”的距离

这项分析的目标是，为一组特定的UE，提供它们之间的相对接近程度的统计或预测信息。

规范原文引用 (Clause 5.7.20 Introduction):

This procedure is used by the NWDAF service consumer e.g. NEF or AF to obtain Relative Proximity Analytics among UEs provided by NWDAF to assist more accurately localize a cluster (or a set) of UEs via provisioning statistics and/or prediction information related to their relative proximity.

‘洞察者’解读道：“要判断一群人是否‘在一起’，我需要成为一名‘侦察排长’。首先，我需要拿到排里每个‘士兵’（UE）的实时位置‘坐标’，然后在我绘制的‘沙盘’上，计算他们之间的距离。”

  • 分析对象: 一组UE列表 (ueList)。

  • 核心输入:

    • proximityDispersion: 消费者指定的“邻近距离”，例如200米。

  • 情报来源: 位置信息是这项分析的唯一食粮。来源可以包括：

    • AMF: 提供小区级（Cell ID）或TAI级的位置信息，这是最基础、覆盖最广但精度较低的数据。

    • GMLC/LCS: 通过网络侧的定位技术（如OTDOA, E-CID），提供更高精度的地理坐标。这是实现米级邻近性判断的关键。

    • AF: 应用自身可以通过终端的GPS、Wi-Fi、蓝牙等能力，获取最高精度的位置，并上报给NWDAF。

    • OAM: 可以提供UE上报的移动速度和方向（通过MDT），这对于预测未来的邻近性非常有帮助。

  • 分析ID: RELATIVE_PROXIMITY

2. 行动方案：解构相对邻近性分析的信令全流程

规范中的 “Figure 5.7.20-1: Procedure for Relative Proximity Analytics” 为我们展示了“时空关系分析师”的工作流程。

阶段一：任务启动与授权检查 (步骤1)

“Expo-Connect”的AF向‘洞察者’发起请求：“请分析用户李雷（SUPI-L）与用户韩梅梅（SUPI-H）、用户吉姆（SUPI-J）之间的相对邻近性，距离阈值为200米。”

步骤1a-1c：AF发起订阅

  1. 隐私授权是前提: 在发起请求前，AF必须已经获得了李雷、韩梅梅、吉姆等所有用户的明确授权，同意共享他们的位置信息用于此项功能。

  2. 发起请求: AF通过Nnwdaf_EventsSubscription_Subscribe发起订阅，analyticsId为RELATIVE_PROXIMITY，eventFilter中包含了：

    • ueList: ["SUPI-L", "SUPI-H", "SUPI-J"]

    • proximityDispersion: {"distance": 200, "unit": "meters"}

阶段二：多源位置情报的汇集 (步骤2 - 10)

这是‘洞察者’为所有目标UE“打点定位”的过程。

步骤2a-3b：从AMF获取基础位置

规范原文引用 (Step 2a-2b):

…the NWDAF may invoke Namf_EventExposure_Subscribe service operation…to subscribe to the notification of UE ID and UE location.

  • 动作: ‘洞察者’向服务于这几位用户的AMF(s) 发起Namf_EventExposure_Subscribe订阅。

  • 目的: 获取他们当前所在的小区ID（ECGI）。如果几位用户在不同的小区，且小区覆盖范围远大于200米，‘洞察者’可以快速做出“不邻近”的初步判断。

步骤4a-5b：从GMLC获取高精度坐标

规范原文引用 (Step 4a-4b):

The NWDAF may invoke Ngmlc_Location_ProvideLocation service operation to retrieve UE Location and UE Location Accuracy…

如果小区级的精度不够，‘洞察者’需要更精确的“GPS坐标”。

  • 动作: ‘洞察者’向GMLC发起Ngmlc_Location_ProvideLocation请求。

  • 目的: 为ueList中的每个UE，请求一次高精度的网络侧定位。GMLC会返回每个UE的经纬度坐标和定位精度。

步骤6a-9d：融合来自AF的终端侧超高精度位置

规范原文引用 (Step 6a-6b):

If the AF is trusted, the NWDAF may invoke Naf_EventExposure_Subscribe service operation…to subscribe the Proximity attributes and/or Proximity related input data of UE(s) from AF directly.

网络侧定位可能受限于环境，而终端自身的GPS通常更准。

  • 动作: ‘洞察者’反过来向“Expo-Connect”的AF发起Naf_EventExposure_Subscribe订阅。

  • 目的: 请求AF上报它通过终端SDK获取的、由手机GPS/Wi-Fi/蓝牙产生的最高精度位置。

  • 非可信AF场景 (8a-9d): 如果AF是外部的，交互需通过NEF。

步骤10：参考OAM的移动趋势数据

‘洞察者’还可以从OAM获取UE上报的速度和方向信息，这对于预测邻近性至关重要。例如，“虽然李雷和韩梅梅现在相距300米，但他们正相向而行，预计1分钟后将进入邻近范围。”

阶段三：时空关系计算与洞察交付 (步骤11 - 19)

规范原文引用 (Step 11):

The NWDAF derives the Relative Proximity Analytics based on the data collected from AMF, GMLC, (DC)AF, and/or OAM.

所有“坐标点”都已汇集到“沙盘”上。

  1. 距离计算 (Step 11 & 18): AnLF的核心算法开始工作：

    • 遍历计算: 对ueList中的所有UE对，根据它们最新的高精度坐标，使用地理距离公式（如Haversine公式）计算出两两之间的直线距离。

    • 比对阈值: 将计算出的距离与消费者请求的proximityDispersion（200米）进行比对。

    • 聚类分析: 当UE数量很多时，‘洞察者’还可以运行聚类算法（如DBSCAN），自动发现人群中形成的“小圈子”或“聚集簇”。

  2. 生成分析报告: ‘洞察者’生成了一份“时空关系报告”：

    • 结论: “在当前时刻，用户李雷与韩梅梅的距离为150米，满足邻近条件；与吉姆的距离为800米，不满足。”

    • 报告内容 (ProximityInfo):

       
{
 
  "ueId": "SUPI-L", // 目标UE
 
  "proximityUes": [ // 与其邻近的UE列表
 
    {
 
      "ueId": "SUPI-H",
 
      "proximity": "IN_PROXIMITY" // 状态：邻近
 
    }
 
  ]
 
}
 
```    *   **预测信息 (可选)**: 如果融合了移动趋势数据，报告还可以包含预测信息，如“预计用户吉姆将在5分钟后进入李雷的邻近范围。”

  3. 交付洞察 (Step 12 & 19): ‘洞察者’将这份报告通过_Notify服务，交付给“Expo-Connect”的AF。

闭环完成：“Expo-Connect”的AF收到报告后，立即在李雷的手机App上推送了一条通知：“你的好友韩梅梅正在你附近，快去打个招呼吧！”同时，在App的地图上，将韩梅梅的头像高亮显示了出来。

总结：赋予网络“社交感知”的能力

5.7.20节的相对邻近性分析，是一项极具创新性的、将网络定位能力与上层应用场景深度结合的分析服务。它让5G网络不再只是冷冰冰的连接管道，而拥有了初步的**“社交感知”和“物理世界关系理解”**的能力。

  • 隐私保护下的位置能力开放: 这项分析提供了一种相对**“隐私友好”的位置能力开放模式。AF向NWDAF提供一组它希望分析的UE列表，而NWDAF只返回它们之间是否“邻近”的结论**，而不必暴露每个UE的精确地理坐标给AF。这在很多场景下，既满足了应用的需求，又保护了用户的绝对位置隐私。

  • 从“绝对定位”到“相对关系”: 这是定位服务能力的一次升维。它将分析的重点，从单个点的位置，转移到了多个点之间的拓扑关系。这种“关系”信息，对于协同工作、社交互动、群体行为分析等场景，往往比绝对坐标更有价值。

  • 催生创新应用场景: 相对邻近性分析为LBS（基于位置的服务）应用打开了全新的想象空间，从“附近有什么”，升级到了“附近有谁、我们是谁”。无论是V2X（车与车）的协同驾驶、无人机集群的编队飞行，还是元宇宙应用中虚拟形象与现实位置的联动，都离不开对物理世界相对关系的精准感知。

相对邻近性分析，是5G网络迈向“物理世界数字化”和“数字世界物理化”融合过程中的重要一步。它让网络能够更好地理解人与人、物与物之间的时空关联，为构建一个更智能、更互联、更具情境感知的未来世界，提供了坚实的技术基石。

在下一篇文章中，我们将继续5.7节的探索，再次回到移动性的话题，但将聚焦于一个更宏观的视角——5.7.21 Movement Behaviour Analytics (移动行为分析)，看看‘洞察者’是如何分析一个区域内群体的宏观移动模式的。

FAQ 环节

Q1：相对邻近性分析和之前讲的离散度分析（5.7.12）有什么区别？

A1：它们都分析群体，但分析的焦点和输出完全不同。

  • 离散度分析 (Dispersion): 它的焦点是一个群体的整体分布特征。它回答的是“这群人是聚集还是分散？他们的热点在哪里？”。它的输出是统计性的宏观指标，如质心、半径、Top-N热点区域。

  • 相对邻近性分析 (Proximity): 它的焦点是群体内个体之间的两两关系。它回答的是“这群人里面，谁和谁离得近？”。它的输出是一个关系列表，明确指出哪个UE与哪个UE是邻近的。

可以理解为，离散度分析是“社会学”研究，而邻近性分析是“人际关系”研究。

Q2：这项分析的精度能达到多少米？

A2：分析的精度直接取决于其输入的位置信息的精度。NWDAF自身的计算（如算距离）几乎没有误差，瓶颈在于数据源。

  • AMF提供的数据: 只能达到小区级（几十米到几公里），基本无法用于精确的邻近性判断。

  • GMLC提供的网络侧定位: 精度依赖于定位技术和无线环境，在室外开阔地带，可以达到几十米级别，在室内或复杂市区，精度会下降。

  • AF提供的终端侧定位 (GPS): 这是最精确的来源，在室外可以达到米级甚至亚米级。

因此，要实现高精度的邻近性分析，与能够提供终端GPS数据的AF进行协作是至关重要的。NWDAF的价值在于，它提供了一个标准化的框架，来安全、合规地融合和处理这些来自不同源头的高精度位置数据。

Q3：用户授权是如何处理的？是所有用户都要同意吗？

A3：是的，隐私授权是这项分析的生命线，并且需要所有相关方的同意。流程如下：

  1. 应用层授权: AF（如“Expo-Connect”）在其App的用户协议和隐私设置中，必须明确告知用户，其位置信息将被用于“寻找附近的人”等功能，并获得用户的主动勾选同意。

  2. 运营商侧授权: 用户在与运营商的协议中，也需要同意将其位置信息用于增强服务。

  3. 请求时验证: AF在向NWDAF发起请求时，它在道义和法律上有责任确保其ueList中的所有用户都已授权。

  4. NWDAF侧核查 (可选): NWDAF在收到请求后，可以（并且通常应该）再次向UDM查询，核对列表中每个用户的授权状态，作为双重保险。

只要有一个用户未授权，关于他的邻近性分析就不能进行。

Q4：为什么这项分析的结果不直接返回精确距离，而只返回“IN_PROXIMITY”（邻近）或“NOT_IN_PROXIMITY”（不邻近）？

A4：这是一种保护隐私的设计。

  • 数据最小化原则: 应用（AF）的需求只是想知道“谁在200米范围内”，它并不需要知道精确的距离是150米还是50米。只返回满足阈值的结论，而不是原始的距离数据，符合隐私保护的“数据最小化”原则。

  • 降低信息泄露风险: 如果返回精确距离，恶意应用可能通过多次请求，结合其他信息，来反向推算出用户的精确坐标。只返回一个二元状态（邻近/不邻近），大大增加了这种反向推算的难度。

当然，规范是灵活的，在某些高信任度的内部应用场景下，NWDAF的实现也可以选择在ProximityInfo中扩展，返回精确的距离值。

Q5：这项分析可以用于预测未来的邻近性吗？

A5：可以。这是这项分析的一个高级功能。规范的介绍中就提到了prediction information related to their relative proximity。实现方式是：

  1. 收集移动向量: NWDAF不仅收集UE的当前位置，还通过OAM（MDT）或AF（传感器数据）收集它们的速度和方向。

  2. 轨迹外推: NWDAF对ueList中的每个UE，都进行一个短期的线性（或非线性）轨迹外推。

  3. 预测碰撞点: 计算这些预测轨迹在未来某个时间点是否会相交或进入邻近范围。

这种预测能力，对于V2X防碰撞预警、无人机编队协同等场景至关重要。

关系图谱