# 5G重传与链路自适应原理图解：HARQ与AMC如何"边传边调" 你在地铁里刷短视频，隧道里信号忽强忽弱，但视频几乎不卡——这不是运气，而是5G物理层里一对"黄金搭档"在实时协作：**HARQ（混合自动重传请求）** 和 **AMC（自适应调制编码）**。一个负责"传错了就补"，一个负责"看路况选档位"。 本文将深入这两个机制的底层原理，回答一个核心问题：**为什么5G要在10%的初传误块率下故意"犯错"，再通过重传来获得更高吞吐量？** --- ## 一、从日常类比理解链路自适应 ### 1.1 开车的类比 想象你开车在山路上： - **AMC** 就像根据路况换挡——直路平坦就挂高档（高阶调制，如256QAM），弯道泥泞就降挡（低阶调制，如QPSK） - **HARQ** 就像送货——第一批货到了发现有几件破损（解码失败），不扔掉，把破损的留着，再送一批补充件过来，拼在一起修复（软合并） - **OLLA**（外环链路自适应）就像你的经验——如果你最近经常出错，就保守一点；如果一直顺利，就大胆提速 这三者形成了一个闭环控制系统：  > *图表 1* ### 1.2 为什么不直接用最高级别的纠错编码？ 一个直觉上的问题是：为什么不直接用最强的纠错编码，保证一次就能成功解码？ 答案是**频谱效率**。最强编码意味着大量冗余比特，有效数据占比极低。实测数据表明： | 策略 | 平均频谱效率 | 初传成功率 | 延迟 | |------|------------|-----------|------| | 固定低码率（保守） | 1.2 bps/Hz | 99.9% | 最低 | | 固定高码率（激进） | 4.5 bps/Hz | 60% | 不确定 | | **AMC + HARQ（最优）** | **5.8 bps/Hz** | **~90%** | **可预测** | 关键洞察：**AMC + HARQ 的联合设计允许初传以10%左右的BLER运行，牺牲少量重传开销，换取整体吞吐量最大化。** 这是一种"故意犯错再修正"的策略——和人类学习的"试错法"异曲同工。 --- ## 二、AMC：看路况选档位 ### 2.1 MCS表——5G的"变速箱" 5G NR 定义了多张 MCS（调制编码方案）表。最常用的 MCS Table 1（适用于低频段、信道条件较好的场景）包含 32 个等级： | MCS索引 | 调制方式 | 码率 | 频谱效率(bps/Hz) | 适用场景 | |---------|---------|------|-----------------|---------| | 0-2 | QPSK | 0.12-0.30 | 0.23-0.60 | 小区边缘、深衰落 | | 3-9 | QPSK/16QAM | 0.30-0.60 | 0.60-2.40 | 中等信道质量 | | 10-15 | 16QAM | 0.54-0.77 | 2.16-3.08 | 良好信道 | | 16-23 | 64QAM | 0.55-0.83 | 3.30-4.98 | 近基站 | | 24-27 | 256QAM | 0.65-0.82 | 5.20-6.56 | 极好信道 | | 28-31 | 保留/特殊 | — | — | 重传专用 | > **工程直觉**：从MCS 0到MCS 27，频谱效率相差约28倍。这意味着同一个PRB（物理资源块），选对MCS和选错MCS，吞吐量可能相差一个数量级。 ### 2.2 内环链路自适应的工作原理 基站的调度器每1毫秒（一个slot）做一次MCS选择决策，过程如下：  > *图表 2* **核心公式**： $$MCS_{selected} = \arg\max_{m} \left\{ SE(m) \mid BLER(m, SINR_{eff}) \leq BLER_{target} \right\}$$ 其中 $SE(m)$ 是MCS等级 $m$ 对应的频谱效率，$SINR_{eff} = SINR_{CQI} + \Delta_{OLLA}$ 是经过外环修正后的有效SINR。 ### 2.3 5G相比4G的AMC改进 | 特性 | 4G LTE | 5G NR | |------|--------|-------| | MCS表数量 | 1张（CQI表） | 3张（MCS Table 1/2/3） | | 最高调制 | 64QAM（下行） | 256QAM（下行） | | BLER目标 | 固定10% | 可配置（URLLC可达0.1%） | | CSI粒度 | 子带/宽带 | 更灵活（Type I/Type II） | | 码率范围 | 0.076-0.926 | 0.12-0.95 | **为什么5G需要多张MCS表？** 因为不同场景对可靠性的要求差异巨大。eMBB场景追求吞吐量（用MCS Table 1，支持256QAM），而URLLC场景追求可靠性（用MCS Table 3，低码率QPSK，确保BLER < 0.1%）。 --- ## 三、HARQ：传错了不扔，补完再拼 ### 3.1 HARQ的三种类型 HARQ（Hybrid Automatic Repeat reQuest）是FEC（前向纠错）和ARQ（自动重传请求）的混合体：  > *图表 3* **关键区别**： | 对比项 | Chase Combining | Incremental Redundancy | |--------|----------------|----------------------| | 重传内容 | 与原传输完全相同 | 不同的校验比特（不同RV） | | 合并方式 | 软比特直接相加 | 软比特联合解码 | | 增益来源 | 仅SNR增益（功率合并） | SNR增益 + 编码增益 | | 典型增益 | 3-4 dB | **5-7 dB** | | 缓冲区需求 | 小（仅存一份数据） | 大（需存所有RV） | | 5G NR采用 | 支持 | **主要采用** | ### 3.2 增量冗余（IR）为什么更优？ 用一本书的类比来理解： - **Chase Combining**：你收到一本被雨水淋湿的书，字迹模糊。你让朋友再寄一本同样的书，然后对着两本一起看——模糊的地方互相参照，能看清更多内容（SNR增益） - **Incremental Redundancy**：你收到一本书，缺了几页索引。朋友不寄整本书，而是只寄缺失的索引页——这些额外的校验信息直接降低了"理解难度"（编码增益） 从编码理论角度，IR的核心在于**每次重传降低有效码率**： $$R_{eff}^{(k)} = \frac{K}{N_1 + N_2 + \cdots + N_k}$$ 其中 $K$ 是信息比特数，$N_i$ 是第 $i$ 次传输的总比特数。随着重传次数增加，有效码率 $R_{eff}$ 不断降低，纠错能力不断增强。 实测BLER衰减曲线（以典型TDL-C信道为例）： | 重传次数 | 累计BLER | 有效码率变化 | 累计增益 | |---------|---------|------------|---------| | 初传（RV0） | 10% | R = 0.5 | 基线 | | 第1次重传（RV2） | ~1% | R_eff ≈ 0.25 | +3-4 dB | | 第2次重传（RV3） | ~0.1% | R_eff ≈ 0.17 | +5-6 dB | | 第3次重传（RV1） | ~0.01% | R_eff ≈ 0.125 | +6-7 dB | > **工程要点**：百度百科中IR条目指出，与Chase Combining相比，IR方案可获得约 **2 dB的额外信噪比增益**。这意味着在同样的信道条件下，IR能用更少的重传次数达到相同的可靠性。 ### 3.3 5G NR的HARQ进程架构 5G NR 上下行均采用**异步HARQ**（LTE仅下行异步，上行同步）。一个HARQ进程的完整生命周期：  > *图表 4* **关键参数解读**： | 参数 | 含义 | 取值范围 | |------|------|---------| | HARQ PID | 进程编号（最多16个并行） | 0-15 | | NDI | 新数据指示（翻转=新数据） | 0/1 | | RV | 冗余版本 | 0,2,3,1 | | K1 | PDSCH到HARQ-ACK的时隙偏移 | 1-15 | > **为什么RV顺序是0→2→3→1？** 这不是随机的。这个顺序经过优化设计：RV0包含最多的系统比特（信息位），RV2包含最互补的校验比特，使得仅一次重传就能获得最大的编码增益。 ### 3.4 16个HARQ进程：为什么需要这么多？ 5G NR最多支持16个HARQ进程（LTE为8个）。原因在于**流水线效应**： ``` 时间轴（slot）: 0 1 2 3 4 5 6 7 8 9 10 11 12 ... 进程#0: [发] ............ [ACK] [重发?] ............ 进程#1: [发] ............ [ACK] [重发?] ......... 进程#2: [发] ............ [ACK] [重发?] ...... ... 进程#15: [发] ............ [ACK] ... ``` 从发送到收到ACK/NACK（K1=4，处理时间N1≈2个slot），一个HARQ进程需要等待约6个slot才能复用。在这段时间里，调度器可以给其他HARQ进程发送数据，**保持无线资源100%利用率**。 如果只有1个HARQ进程，信道利用率将降至： $$\eta = \frac{T_{transmit}}{T_{transmit} + T_{process} + T_{feedback}} = \frac{1}{1+2+4} \approx 14\%$$ 16个进程让利用率回升到接近100%。 --- ## 四、OLLA：基站如何"学习"调整 ### 4.1 为什么需要外环？ 内环链路自适应（ILLA）根据UE上报的CQI选择MCS，但CQI存在两个问题： 1. **量化误差**：CQI只有4bit（16个等级），分辨率有限 2. **时延**：CQI上报到实际调度之间存在4-8ms延迟，信道可能已变化 3. **校准偏差**：不同UE的接收机性能不同，同样的CQI值含义可能不同 **OLLA（Outer Loop Link Adaptation）** 通过监测实际的ACK/NACK反馈来修正SINR估计： ```python # OLLA核心逻辑（伪代码） delta_olla = 0 # 初始偏移量 BLER_target = 0.10 # 目标初传BLER 10% for each_harq_feedback: if NACK and is_initial_transmission: delta_olla -= delta_down # 降低偏移 → 选更低MCS elif ACK and is_initial_transmission: delta_olla += delta_up # 增加偏移 → 尝试更高MCS # 保持偏移量在合理范围 delta_olla = clamp(delta_olla, -10, 10) ``` **关键参数**：步进值的设计遵循"保守优先"原则。典型配置： | 参数 | 典型值 | 含义 | |------|-------|------| | $\Delta_{up}$ | +0.1~0.3 dB | ACK时上调（小步） | | $\Delta_{down}$ | -1.0~-3.0 dB | NACK时下调（大步） | | BLER目标 | 10%（eMBB） | 初传误块率 | | 调整周期 | 每个HARQ反馈 | 实时调整 | > **为什么下调步进远大于上调步进？** 因为一次NACK意味着重传开销（至少浪费一个slot），而保守一点只损失少量频谱效率。以BLER目标10%为例：$\Delta_{up}/\Delta_{down} = (1-BLER_{target})/BLER_{target} = 9$，即下调步进约为上调步进的9倍，确保在稳态下统计BLER收敛到目标值。 ### 4.2 不同BLER目标的实测影响 根据IEEE论文《Performance Evaluation of Link Adaptation Algorithms in 5G NR》的仿真结果： | BLER目标 | 平均吞吐量 | 平均MCS | 重传率 | 适合场景 | |----------|-----------|--------|--------|---------| | 5% | 基线 | 偏低 | 5% | 均衡 | | 10% | **+8~15%** | 适中 | 10% | eMBB推荐 | | 20% | +3~5%（vs 10%） | 偏高 | 20% | 高速移动 | | 0.1% | -20~30% | 很低 | <0.1% | URLLC | 10%的BLER目标是eMBB场景的"甜蜜点"——更高则重传开销太大，更低则MCS过于保守。 --- ## 五、HARQ + AMC联合：从理论到实测 ### 5.1 联合增益的数学推导 整个链路自适应系统的吞吐量可以建模为： $$T = R_{MCS} \cdot (1 - BLER_{init}) + R_{MCS} \cdot BLER_{init} \cdot (1 - BLER_{re1}) \cdot \frac{1}{2} + \cdots$$ 简化后（假设每次重传成功率相同）： $$T \approx R_{MCS} \cdot \frac{1 - BLER_{init}^N}{1 + BLER_{init} + BLER_{init}^2 + \cdots}$$ 其中 $N$ 是最大HARQ重传次数。当BLER_init = 10%，N = 3时： - 第1次传输成功率：90%，吞吐量贡献：$R_{MCS} \times 0.9$ - 第2次传输成功率：99%，额外贡献：$R_{MCS} \times 0.09 \times 0.5$（除以2因为占用额外时隙） - 第3次传输成功率：99.9%，额外贡献更小 - **总有效吞吐量 ≈ $0.945 \times R_{MCS}$** 而如果用固定低码率保证99.9%初传成功率，$R_{MCS}$ 本身可能降低30-50%。**HARQ允许"先用高码率搏一把，失败再补救"，整体吞吐量更高。** ### 5.2 不同信道条件下的实测对比 | 信道条件 | SINR范围 | 最佳MCS（有AMC） | 固定MCS=10 | AMC+HARQ增益 | |---------|---------|-----------------|-----------|-------------| | 极好（近站） | 25-35 dB | MCS 25-27 (256QAM) | 2.4 bps/Hz | +170% | | 良好 | 15-25 dB | MCS 18-22 (64QAM) | 2.4 bps/Hz | +80% | | 中等 | 5-15 dB | MCS 10-16 (16QAM) | 2.4 bps/Hz | +10% | | 较差 | 0-5 dB | MCS 4-8 (QPSK) | 2.4 bps/Hz | -15%* | | 极差（边缘） | <0 dB | MCS 0-2 (QPSK) | 2.4 bps/Hz | -40%* | \*注：在信道极差时，固定MCS=10（16QAM中等码率）可能根本无法解码（BLER>50%），此时AMC降到低阶调制虽然速率低但至少能传数据——**"慢但通"好过"快但断"**。 ### 5.3 非地面网络（NTN）中的HARQ挑战 5G NR在卫星通信场景中面临新的HARQ挑战——往返时延（RTT）可能高达20-540ms，传统的HARQ机制会导致严重的资源浪费。3GPP Release 17/18对此做了增强： - **禁用HARQ反馈**：在某些配置下直接关闭物理层HARQ，仅依赖RLC层ARQ - **增大K1值**：将反馈定时从毫秒级扩展到数百毫秒 - **HARQ进程数扩展**：标准允许超过16个进程以适应长RTT --- ## 六、工程实战：调优中的关键指标 ### 6.1 现网调试常用指标 | 指标 | 含义 | 健康范围 | 异常排查 | |------|------|---------|---------| | 初传BLER (I-BLER) | 首次传输误块率 | 5%-15% | >20%：MCS过激进或干扰 | | 残余BLER (R-BLER) | HARQ重传后的误块率 | <0.1% | >1%：覆盖漏洞或硬件故障 | | MCS分布 | 各MCS等级的使用比例 | 高MCS占比高为佳 | 低MCS占比>50%：覆盖问题 | | HARQ重传率 | NACK占比 | 10%-20% | >30%：外环需要调整 | | CQI均值 | 信道质量指示 | >10（64QAM门限） | <7：覆盖/干扰问题 | ### 6.2 常见调优误区 **误区1：BLER越低越好** 很多工程师看到BLER>5%就想"优化"。但如前所述，10%的BLER是系统最优工作点。强行降低BLER意味着降低MCS，反而降低吞吐量。 **误区2：HARQ重传率高=网络有问题** 初传BLER 10%意味着必然有约10%的HARQ重传。这是正常的设计行为，不是bug。但如果**重传后仍然失败**（残余BLER高），那才需要关注。 **误区3：固定MCS比AMC更"稳定"** 在高速移动场景（高铁350km/h），信道变化太快，CQI上报跟不上。一些厂商提供"半固定MCS"模式，但这只是退而求其次的方案，实际性能仍不如优化好OLLA参数的全动态AMC。 ### 6.3 一个真实的调优案例 某城区5G站点投诉"上网慢"，现场测试发现： - CQI均值：12（应该支持64QAM） - 实际MCS均值：8（只用到16QAM低阶） - 初传BLER：3%（过低） - HARQ重传率：3% **诊断**：OLLA偏移量过于保守（$\Delta_{down}$ 设置过大），导致虽然CQI足够高，但外环把SINR估计压低了，MCS选得太低。 **解决**：将 $\Delta_{down}$ 从 -3.0 dB 调整为 -1.5 dB，$\Delta_{up}$ 从 +0.1 dB 调整为 +0.2 dB。 **效果**：MCS均值升至15，初传BLER升至9%，吞吐量提升约40%。 --- ## 七、4G与5G HARQ关键差异总结 | 特性 | 4G LTE | 5G NR | |------|--------|--------| | 下行HARQ | 异步 | 异步 | | 上行HARQ | **同步** | **异步** | | 最大HARQ进程数 | 8 | **16** | | 最大重传次数 | 4 | 4 | | 信道编码 | Turbo码 | **LDPC码** | | 反馈定时 | 固定 | **灵活（K1可配）** | | CBG级反馈 | 不支持 | **支持** | | BLER目标 | 固定10% | **可配置** | **5G上行改用异步HARQ的意义**：LTE的上行同步HARQ意味着重传时序固定（收到NACK后固定4ms重传），这在低时延场景下不够灵活。5G NR的上行异步HARQ允许基站通过DCI灵活调度重传时机，既能支持URLLC的超低时延需求，又能适应NTN的超长时延场景。 --- ## 常见问题 **Q1: HARQ和RLC层ARQ有什么区别？** A: HARQ工作在MAC层/物理层，处理单次传输的比特级错误，速度快（毫秒级），但重传次数有限（最多4次）。RLC ARQ工作在RLC层，处理HARQ重传后仍失败的数据包，速度较慢（数十毫秒），但可以无限重传直到成功。两者是串行关系：HARQ先"快修"，修不好交给RLC"慢修"。 **Q2: 为什么5G用LDPC码替换了Turbo码？这对HARQ有什么影响？** A: LDPC码相比Turbo码有三个优势：(1) 在中高码率下性能更好（适合eMBB高吞吐量）；(2) 更容易并行化解码（降低处理延迟）；(3) 对增量冗余HARQ更友好——LDPC的速率匹配结构天然支持灵活的RV划分。Polar码用于控制信道，其重传机制与LDPC不同。 **Q3: CBG（码块组）级HARQ反馈是什么？为什么需要？** A: 传统HARQ以整个传输块（TB）为单位反馈ACK/NACK。如果一个15000字节的TB中只有一个500字节的码块出错，重传整个TB很浪费。CBG级HARQ将TB分成多个码块组，只重传出错的CBG，在大包场景下可减少30-50%的重传开销。 **Q4: 现网中如何判断HARQ参数是否需要调优？** A: 三个关键信号：(1) 初传BLER偏离目标值（如>20%或<3%），说明OLLA需要调整；(2) 残余BLER>0.5%，说明存在覆盖或干扰问题，HARQ4次重传都救不回来；(3) MCS分布与CQI分布不匹配（如CQI高但MCS低），说明外环或内环校准有问题。 **Q5: 在高铁场景下HARQ还能正常工作吗？** A: 高铁场景（350km/h）的挑战是多普勒频移导致信道在1ms内剧烈变化。CQI上报时信道好，到实际调度时可能已恶化。解决方案包括：(1) 更快的CSI上报周期；(2) 更激进的OLLA调整步进；(3) 利用HARQ的重传作为"安全网"。华为、爱立信等厂商有专门的高铁优化算法，核心思想是让AMC更加保守，依赖HARQ来弥补。 --- ## 参考来源 1. [ShareTechnote - 5G NR MCS and Code Rate](https://www.sharetechnote.com/html/5G/5G_MCS_TBS_CodeRate.html) — 5G NR MCS表完整参考 2. [HiCellTek - BLER in LTE and 5G NR: Acceptable Range, Causes and Field Diagnosis](https://hicelltek.com/en/blog/bler-acceptable-range-causes/) — BLER指标解读与现网诊断 3. [RF Wireless World - Chase Combining HARQ vs Incremental Redundancy HARQ](https://www.rfwireless-world.com/terminology/chase-combining-harq-vs-incremental-redundancy-harq) — CC与IR方案对比分析 4. [telecomHall - Working of OLLA based on BLER in 5G](https://www.telecomhall.net/t/working-of-outer-loop-link-adaptation-olla-based-on-bler-in-5g/22420) — OLLA外环链路自适应工作原理 5. [CafeTele - How HARQ Soft Combining Actually Works](https://www.cafetele.com/blog/how-harq-soft-combining-actually-works.html) — HARQ软合并机制详解 6. [IEEE - Performance Analyses of Hybrid-ARQ in Fifth Generation New Radio](https://ieeexplore.ieee.org/document/9587674) — 5G NR HARQ性能分析学术论文 7. [arXiv - Adaptive Modulation and Coding based on Reinforcement Learning for 5G NR](https://arxiv.org/pdf/1912.04030) — 基于强化学习的AMC方案研究 8. [NVIDIA Research - SALAD: Self-Adaptive Link Adaptation](https://research.nvidia.com/publication/2025-10_salad-self-adaptive-link-adaptation) — 2025年最新自适应链路自适应研究 --- > 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 > 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。 > [!tip] 51学通信知识星球 > **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 > **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 > **当前规模**：5200 篇主题 / 990 个回答，198 元/年。 > **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 > **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。