IEEE 802.11ax-2021:高效能无线局域网新标准

需积分: 38 33 下载量 72 浏览量 更新于2024-07-07 收藏 5.24MB PDF 举报
"80211ax-2021.pdf" 本文将详细介绍802.11ax,这是IEEE发布的最新一代无线局域网(WLAN)标准,旨在提高网络效率和吞吐量,以满足不断增长的无线数据需求。802.11ax是对802.11ac和802.11n等前几代标准的扩展和增强,主要关注高密度环境下的性能提升。 802.11ax标准由IEEE的局域和城域网络标准委员会(LAN/MAN Standards Committee)开发,是IEEE Computer Society的一个项目。该标准在2021年2月9日得到了IEEE-SA Standards Board的批准。其正式名称是IEEE Std 802.11ax-2021,是对IEEE Std 802.11-2020的修正案,目标是实现“高效率WLAN”(High-Efficiency WLAN,HEW)。 802.11ax的关键改进包括以下几个方面: 1. **OFDMA(Orthogonal Frequency Division Multiple Access)**:引入了正交频分多址技术,允许多个设备在同一时隙内同时传输数据,显著提高了频谱效率和多用户接入能力。 2. **MU-MIMO(Multi-User Multiple Input Multiple Output)**:扩展了原有的MU-MIMO技术,现在可以同时支持多个上行链路的设备,不仅提高了下行链路的效率,也优化了上行链路的性能。 3. **1024-QAM(Quadrature Amplitude Modulation)**:采用更高阶的调制方式,相比于802.11ac使用的256-QAM,能够在一个信号周期内编码更多的数据,从而提升了数据传输速率。 4. **Target Wake Time (TWT)**:这是一种新的节能机制,允许设备与接入点协商唤醒时间进行数据传输,减少了不必要的电池消耗,尤其适用于物联网设备和低功耗设备。 5. **频道聚合(Channel Aggregation)**:如同802.11ac一样,802.11ax也支持在5GHz频段使用更宽的频道宽度,比如80MHz或160MHz,以增加带宽和传输速度。 6. **Spatial Reuse**:通过改进信道访问策略,允许相邻的AP在同一时间发送数据,提高网络容量,尤其是在高用户密度环境中。 7. **Basic Service Set (BSS) Coloring**:一种信道标记技术,用于区分不同基本服务集(BSS)之间的干扰,提高多个AP共存时的效率。 通过这些技术的组合应用,802.11ax标准能够显著提升WLAN的总体性能,尤其是在拥挤的公共区域如机场、体育场和咖啡馆等地方。它不仅可以提供更高的数据速率,还能改善网络的能效,为用户提供更好的无线体验。随着移动设备和物联网设备的普及,802.11ax将成为未来WLAN基础设施的重要组成部分。

import numpy as np import matplotlib.pyplot as plt import math def count(lis): lis = np.array(lis) key = np.unique(lis) x = [] y = [] for k in key: mask = (lis == k) list_new = lis[mask] v = list_new.size x.append(k) y.append(v) return x, y mu = [14, 23, 22] sigma = [2, 3, 4] tips = ['design', 'build', 'test'] figureIndex = 0 fig = plt.figure(figureIndex, figsize=(10, 8)) color = ['r', 'g', 'b'] ax = fig.add_subplot(111) for i in range(3): x = np.linspace(mu[i] - 3*sigma[i], mu[i] + 3*sigma[i], 100) y_sig = np.exp(-(x - mu[i])**2/(2*sigma[i]**2))/(math.sqrt(2*math.pi)) ax.plot = (x, y_sig, color[i] + '-') ax.legend(loc='best', frameon=False) ax.set_xlabel('# of days') ax.set_ylabel('probability') plt.show() plt.grid(True) size = 100000 samples = [np.random.normal(mu[i], sigma[i], size) for i in range(3)] data = np.zeros(len(samples[1])) for i in range(len(samples[1])): for j in range(3): data[i] += samples[j][i] data[i] = int(data[i]) a, b = count(data) pdf = [x/size for x in b] cdf = np.zeros(len(a)) for i in range(len(a)): if i > 0: cdf[i] += cdf[i - 1] cdf = cdf/size figureIndex += 1 fig = plt.figure(figureIndex, figsize=(10, 8)) ax = fig.add_subplot(211) ax.bar(a, height=pdf, color='blue', edgecolor='white', label='MC PDF') ax.plot(a, pdf) ax.legend(loc='best', frameon=False) ax.set_xlabel('# of days for project') ax.set_ylabel('probability') ax.set_title('Monte Carlo Simulation') ax = fig.add_subplot(212) ax.plot(a, cdf) ax.legend(loc='best', frameon=False) ax.set_xlabel('# of days for project') ax.set_ylabel('probability') ax.grid(True) plt.show()修改一下代码

2023-05-18 上传