TIS的计算公式

Posted 2023-03-31 无线认证x英利检测

根据读者的要求，本篇我们继续学习TIS的计算公式。我们知道TIS跟TRP是对应的，一个是接收机的总辐射灵敏度，一个是发射机的总辐射功率。在3GPP 5G NR无天线传导口的1-O基站以及1-O和2-O的基站/终端测量中，虽有TRP的要求，但却没有TIS的要求，仅要求EIS。那么目前真正有TIS测量需求的，是CTIA的终端OTA标准，以及3GPP关于5G NR FR1的OTA测试标准（正在制定过程中）。

01

—

TIS/TRS

对于TIS（Total Isotropic Sensitivity：总的各向同性的灵敏度），在3GPP中称为TRS（Total Radiated Sensitivity，总辐射灵敏度）。我们可以认为是同一种概念的两种表达。

在CTIA标准中，TIS的离散化公式如下所示：

而3GPP 38.834中TRS的离散化公式也基本follow了CTIA标准：
 

其中EIS是在每个方向和极化测量的辐射 effective isotropic sensitivity：有效各向同性灵敏度。相当于TRP计算公式中需测量的EIRP。N和M以及θ和ϕ 角，

同TRP中的定义是一样的。TRP的计算公式-1

1.TRP <==> TIS/TRS;

2.EIRP <==> EIS;

我们想当然地觉得TIS/TRS应该跟TRP是一样的，那为什么公式表达跟TRP有如此差别呢？TIS/TRS的积分计算形式为什么是倒数形式呢？是不是觉得TIS/TRS的公式应该类似TRP，是这样的？

其实这本没有错，关键是我们在探寻两个极化的EISθ和EISϕ时，出现了问题。

如果我们在计算TRP的时候，将EIRP写成下式是理所当然的：
 

然而，如果我们将EIS也写成类似上面的式子，就大错特错了。

原因是：EIRP可以通过两个极化值线性功率相加求和的方式来计算，然而EIS与EIRP不同，EIS是BER，BLER，吞吐量...高于阈值的最小功率。比方说，当EIS接收到功率-80dBm时，计算出的误码率/吞吐量等符合要求。此时需要将功率继续降低至-81dBm，-82dBm，等等，直到BER，BLER，吞吐量等下降到阈值以下，记录此时的EIS的值，即为所需要的值。如果按照上面的公式来计算两个极化测到的EISθ和EISϕ，那么得出的结果必然是比那个较高的（也就是较差的灵敏度）的那个极化的EIS更高（或更差）。例如：

1.EISθ = -79.72 dBm；

2. EISϕ = -83.45 dBm；

3. 如果按照上面错误的公式计算，则

4. EIS = -78.19 dBm

显然不应该是我们所要的结论。

02

—

TIS的公式推导

但我们仍然可以借鉴TRP的公式对TIS进行改造，我们先来复习一下TRP的积分公式：

 

由上图，我们可以将EUT接收器的总灵敏度Ps用下面的积分公式来表示。可以将PTIS挪到积分运算里面，则PTIS与天线分别在（θ，ϕ）方向上的增益G相乘（dB相加）即为那个极化的EIS。所以从这个原则上说，TRS/TIS与TRP的公式形式是一致的。

 

接下来我们可以将天线分别在（θ，ϕ）方向上的增益G替换成以下形式：Gx,EUT是EUT的天线在（θ，ϕ）方向上的相对各向同性增益（在极化x）。EISx（θ，ϕ）辐射灵敏度相当于在（θ，ϕ）方向上，在极化x输入的最小信号功率，这个功率能够满足BER，BLER，吞吐量等的最低性能标准。
 

所以有下面的推导：

到了这一步，再进行离散化，参考TRP的计算公式-1中的结论，则得到：

其实，如果天线效率为100%，则TIS=Ps。我们只是利用他们做了一个相互的推导，得到我们希望得到的结论。

TRP <==> TIS/TRS;EIRP <==> EIS;EISθ = -79.72 dBm；EISϕ = -83.45 dBm；如果按照上面错误的公式计算，则EIS = -78.19 dBm

 

以上信息由英利检测（Teslab）整理发布，欢迎一起讨论，我们一直在关注这方面的发展，如有引用也请注明出处。

国家高新技术企业；唯一覆盖中国和欧美运营商认证服务机构；业内最为优秀第三方认证服务商之一；专业的人做专业的事；

入库：┆移动┆联通┆电信┆中国广电┆

欧美：┆GCF┆PTCRB┆VzW┆ATT┆TMO┆FCC┆

中国：┆CCC┆SRRC┆CTA┆

号码：┆IMEI┆MAC┆MEID┆EAN┆

TIS教程-安装

简介

TIS（Triton Inference Server）是NVIDIA推出的AI模型部署框架，前身为ensorRT Inference Server，它支持多种深度学习框架作为backend（如TensorFlow、PyTorch、TensorRT、ONNX等）甚至可以集成多个backend，如下图所示，通过TIS部署的服务可以通过HTTP或者gRPC的方式请求。目前，PyTorch的模型部署其实还不是很完善，主流的部署框架其实就是TorchServe和Triton，相较于前者使用Java，我这边还是比较喜欢Triton一些，所以这个系列的核心就是利用Triton部署PyTorch模型。

安装

安装Triton之前必须确保显卡驱动正确安装，且已经成功安装docker和nvidia-docker，具体可以参考我之前的教程，因为后续的安装都需要基于docker来进行（也推荐采用这种方式）。

接下来，需要登录NVIDIA NGC以便于获取镜像的地址，不过这时并不能成功获取镜像，需要先获得API Key才能获取镜像，注册流程见下图。

注册后，使用下面的框中命令登录docker，登录成功后（会有Login Succeeded提示）。

接着，再访问TIS镜像地址获取镜像地址，并使用下图框中的命令拉取最新的镜像。当然，这个版本很新，对显卡驱动要求较高，我所用的机器的显卡驱动也才455版本，因此我这里使用旧版本，命令如下。

docker pull nvcr.io/nvidia/tritonserver:20.10-py3

此时也可以通过将镜像保存到本地以便使用，这是因为其实从nvidia官方下载这个镜像其实挺慢的。相关的命令如下。

# 保存镜像
docker save -o tritonserver-20.10-py3.tar nvcr.io/nvidia/tritonserver:20.10-py3

# 加载镜像
sudo docker load < tritonserver-21.07-py3.tar

运行

在运行镜像之前，我们按照官方的推荐建立一个模型仓库，该仓库中按照模型名存放着tensorrt engine文件，该文件夹有如下格式，具体如何设置配置文件后面的文章会提到（主要是模型配置文件和各个版本的模型文件，参考官方示例，这里的1指的就是版本1）。

model_repository/
└── inception_graphdef
    ├── 1
    │   └── model.graphdef
    ├── config.pbtxt
    └── inception_labels.txt

然后，我们运行可使用GPU的镜像并将模型仓库映射到容器中的根目录下的models文件夹中，命令如下，其中的命令均为docker常用命令（设置是使用本机第3号GPU卡），这里不多做赘述，可以查看我的Docker教程。

docker run --gpus '"device=3"' --rm -p8000:8000 -p8001:8001 -p8002:8002 -v/home/zhouchen/model_repository:/models nvcr.io/nvidia/tritonserver:20.10-py3 tritonserver --model-repository=/models

此时出现下图所示的状态，没有报ERROR代表服务开启成功。

由于这时候后端还没有写具体的接口，这里调用默认接口测试一下，使用命令curl -v localhost:8000/v2/health/ready，有如下的反馈代表后端部署成功，可以正常访问。

*   Trying 127.0.0.1...
* TCP_NODELAY set
* Connected to localhost (127.0.0.1) port 8000 (#0)
> GET /v2/health/ready HTTP/1.1
> Host: localhost:8000
> User-Agent: curl/7.58.0
> Accept: */*
>
< HTTP/1.1 200 OK
< Content-Length: 0
< Content-Type: text/plain
<
* Connection #0 to host localhost left intact

至此，初步TIS的部署就初步完成了。

总结

本文主要介绍了Triton Inference Server的安装教程，具体可以查看官方文档。