用Python+Matplotlib动态解析5G CORESET资源分配机制

刚接触5G物理层概念时，那些密密麻麻的协议文档总让人望而生畏。特别是CORESET（Control Resource Set）这种核心概念，仅靠文字描述很难在脑海中形成具象认知。作为一名曾经被各种缩写折磨的通信工程师，我发现用Python可视化工具动态绘制资源分配图，是理解这些抽象概念的最佳捷径。

1. 环境准备与基础概念可视化

在开始绘制CORESET之前，我们需要先搭建Python环境并理解几个关键术语的实际含义。不同于传统学习方法直接啃协议文本，我们将通过代码逐步构建认知模型。

1.1 安装必要的Python库

pip install numpy matplotlib ipython

Matplotlib是我们主要的绘图工具，而NumPy将帮助处理矩阵运算。建议使用Jupyter Notebook或IPython环境进行交互式学习，这样可以实时看到每个步骤的图形输出。

1.2 CORESET的时空矩阵表示

CORESET本质上是一个时频资源网格，我们可以用二维矩阵来模拟：

import numpy as np
import matplotlib.pyplot as plt

# 创建一个基础的CORESET资源网格
def create_coreset_grid(rb_num=24, symbol_num=3):
    return np.zeros((rb_num, symbol_num))

# 示例：6个RB和2个符号的CORESET
coreset = create_coreset_grid(6, 2)
plt.imshow(coreset, cmap='Blues', aspect='auto')
plt.xlabel('OFDM Symbols')
plt.ylabel('Resource Blocks')
plt.title('Basic CORESET Resource Grid')
plt.colorbar(label='Resource Utilization')
plt.show()

这段代码会生成一个6RB×2符号的空白资源网格，蓝色越深表示资源占用越高。这就是CORESET最基本的物理形态——无线资源控制区域中的一个矩形块。

1.3 REG与CCE的可视化拆解

*REG（Resource Element Group） 是CORESET的最小组成单位，而 CCE（Control Channel Element）*则是更高一级的结构：

def plot_reg_cce():
    fig, ax = plt.subplots(figsize=(10,6))
    
    # 绘制REG（每个小格子）
    for rb in range(6):
        for sym in range(2):
            rect = plt.Rectangle((sym-0.5, rb-0.5), 1, 1, 
                               fill=False, edgecolor='gray', linewidth=1)
            ax.add_patch(rect)
            plt.text(sym, rb, f'REG\n({rb},{sym})', 
                    ha='center', va='center', fontsize=8)
    
    # 用不同颜色标记CCE（每组6个REG）
    cce_colors = ['#FF9999', '#99FF99']
    for i, cce in enumerate([(0,0,1,0,2,0,3,0,4,0,5,0), 
                           (0,1,1,1,2,1,3,1,4,1,5,1)]):
        for rb, sym in zip(cce[::2], cce[1::2]):
            rect = plt.Rectangle((sym-0.5, rb-0.5), 1, 1, 
                               color=cce_colors[i], alpha=0.3)
            ax.add_patch(rect)
        plt.text(i+0.5, 2.5, f'CCE {i+1}', 
                ha='center', va='center', fontsize=12, 
                bbox=dict(facecolor=cce_colors[i], alpha=0.5))
    
    ax.set_xlim(-0.5, 1.5)
    ax.set_ylim(-0.5, 5.5)
    ax.set_xticks([0,1])
    ax.set_yticks(range(6))
    ax.set_xlabel('OFDM Symbols')
    ax.set_ylabel('Resource Blocks')
    ax.set_title('REG and CCE Structure in CORESET')
    plt.grid(True)
    plt.show()

plot_reg_cce()

这个可视化清晰地展示了：

• 每个REG对应1个RB×1个符号的物理资源
• 6个REG组成1个CCE（图中用相同颜色标记）
• 不同CCE在时域或频域上的分布方式

2. CORESET配置参数动态演示

理解了基础结构后，我们需要模拟不同配置参数对CORESET形态的影响。这些参数通常在RRC信令中配置，决定了控制信道的资源分配方式。

2.1 时域符号数的影响

CORESET的时域跨度可以是1-3个OFDM符号，这个由 duration 参数控制：

def plot_duration_impact():
    fig, axes = plt.subplots(1, 3, figsize=(15,5))
    
    for i, duration in enumerate([1, 2, 3]):
        grid = np.random.rand(24, duration)  # 随机生成资源占用情况
        axes[i].imshow(grid, cmap='OrRd', aspect='auto')
        axes[i].set_title(f'duration={duration} symbol(s)')
        axes[i].set_xlabel('OFDM Symbols')
        if i == 0:
            axes[i].set_ylabel('Resource Blocks')
    
    plt.tight_layout()
    plt.suptitle('Impact of CORESET Duration Parameter', y=1.05)
    plt.show()

plot_duration_impact()

从输出图形可以直观看出：

• 符号数越多，时域资源越丰富
• 但实际系统中，符号数增加会减少数据传输资源
• 典型配置是2-3个符号，平衡控制与数据需求

2.2 频域RB的连续与非连续分配

CORESET在频域上可以配置连续或非连续的RB分配：

def plot_freq_allocation():
    fig, axes = plt.subplots(1, 2, figsize=(12,6))
    
    # 连续分配
    cont_grid = np.zeros((24,2))
    cont_grid[6:12,:] = 1  # 连续6个RB
    axes[0].imshow(cont_grid, cmap='Greens', aspect='auto')
    axes[0].set_title('Continuous RB Allocation')
    
    # 非连续分配
    noncont_grid = np.zeros((24,2))
    noncont_grid[[1,3,5,7,9,11],:] = 1  # 间隔的RB
    axes[1].imshow(noncont_grid, cmap='Purples', aspect='auto')
    axes[1].set_title('Non-Continuous RB Allocation')
    
    for ax in axes:
        ax.set_xlabel('OFDM Symbols')
        ax.set_ylabel('Resource Blocks')
    
    plt.tight_layout()
    plt.show()

plot_freq_allocation()

关键区别：

• 连续分配有利于信道估计和波束赋形
• 非连续分配提供更好的频率分集增益
• 实际系统会根据信道条件动态选择

3. 交织映射机制的可视化解析

CORESET中CCE到REG的映射方式直接影响PDCCH的性能特性。NR标准支持两种映射模式：交织和非交织。

3.1 非交织（本地化）映射

def plot_localized_mapping():
    plt.figure(figsize=(10,6))
    
    # 创建6个RB×3符号的CORESET
    grid = np.zeros((6,3))
    
    # 标记3个CCE（每个6个REG）
    cce_pos = [
        [(0,0),(0,1),(0,2),(1,0),(1,1),(1,2)],  # CCE 0
        [(2,0),(2,1),(2,2),(3,0),(3,1),(3,2)],  # CCE 1
        [(4,0),(4,1),(4,2),(5,0),(5,1),(5,2)]   # CCE 2
    ]
    
    for i, positions in enumerate(cce_pos):
        for rb, sym in positions:
            grid[rb,sym] = i+1
            plt.text(sym, rb, f'CCE{i}', 
                    ha='center', va='center', fontsize=10)
    
    plt.imshow(grid, cmap='tab20b', aspect='auto')
    plt.xlabel('OFDM Symbols')
    plt.ylabel('Resource Blocks')
    plt.title('Localized (Non-Interleaved) CCE-to-REG Mapping')
    plt.colorbar(ticks=[1,2,3], label='CCE Index')
    plt.show()

plot_localized_mapping()

非交织映射的特点：

• 每个CCE的REG在频域连续
• 有利于波束赋形和信道估计
• 适合信道条件较好的场景

3.2 交织（分布式）映射

def plot_interleaved_mapping():
    plt.figure(figsize=(10,6))
    
    # 创建6个RB×3符号的CORESET
    grid = np.zeros((6,3))
    
    # 交织映射的CCE分布
    cce_pos = [
        [(0,0),(2,0),(4,0),(0,1),(2,1),(4,1)],  # CCE 0
        [(1,0),(3,0),(5,0),(1,1),(3,1),(5,1)],  # CCE 1
        [(0,2),(2,2),(4,2),(1,2),(3,2),(5,2)]   # CCE 2
    ]
    
    for i, positions in enumerate(cce_pos):
        for rb, sym in positions:
            grid[rb,sym] = i+1
            plt.text(sym, rb, f'CCE{i}', 
                    ha='center', va='center', fontsize=10)
    
    plt.imshow(grid, cmap='tab20c', aspect='auto')
    plt.xlabel('OFDM Symbols')
    plt.ylabel('Resource Blocks')
    plt.title('Interleaved CCE-to-REG Mapping')
    plt.colorbar(ticks=[1,2,3], label='CCE Index')
    plt.show()

plot_interleaved_mapping()

交织映射的优势：

• REG分散在更宽的频带
• 获得频率分集增益
• 适合多用户或信道条件较差的场景

实际系统中，基站会根据UE反馈的信道质量指示（CQI）动态选择映射方式。好的信道条件下使用本地化映射提高频谱效率，差的条件下使用交织映射增强鲁棒性。

4. 聚合等级与搜索空间实战模拟

聚合等级（Aggregation Level）和搜索空间（Search Space）是CORESET应用中的两个关键概念，直接影响PDCCH的检测性能。

4.1 聚合等级的可视化对比

聚合等级定义了单个PDCCH使用的CCE数量，直接影响控制信道的可靠性：

聚合等级	CCE数量	适用场景
1	1	极好信道条件
2	2	好信道条件
4	4	一般信道条件
8	8	较差信道条件
16	16	极差信道条件

def plot_aggregation_levels():
    fig, axes = plt.subplots(2, 3, figsize=(15,10))
    levels = [1, 2, 4, 8, 16]
    
    for i, al in enumerate(levels):
        ax = axes[i//3, i%3]
        grid = np.zeros((24,3))
        
        # 随机选择起始CCE
        start_cce = np.random.randint(0, 24//al)
        for j in range(al):
            cce_idx = start_cce + j
            # 标记该CCE的所有REG
            for rb in range(6):
                for sym in range(3):
                    if (rb//2 + sym*3) == cce_idx:
                        grid[rb,sym] = 1
        
        ax.imshow(grid, cmap='binary', aspect='auto')
        ax.set_title(f'AL={al} ({al} CCEs)')
        ax.set_xlabel('Symbols')
        if i%3 == 0:
            ax.set_ylabel('RBs')
    
    # 隐藏多余的子图
    axes[1,2].axis('off')
    plt.tight_layout()
    plt.suptitle('PDCCH Candidates with Different Aggregation Levels', y=1.02)
    plt.show()

plot_aggregation_levels()

从可视化中可以观察到：

• 高聚合等级占用更多资源，但解码可靠性更高
• UE需要盲检不同聚合等级的PDCCH候选
• 实际系统会根据信道条件自适应选择

4.2 搜索空间动态生成

搜索空间定义了UE需要监测的PDCCH候选位置集合：

def generate_search_space(coreset_rbs=24, coreset_symbols=3, al=4):
    total_cces = (coreset_rbs * coreset_symbols) // 6
    num_candidates = total_cces // al
    
    search_space = []
    for i in range(num_candidates):
        start_cce = i * al
        candidate = list(range(start_cce, start_cce + al))
        search_space.append(candidate)
    
    return search_space

# 示例：生成AL=4的搜索空间
search_space = generate_search_space(al=4)
print(f"Search space candidates (AL=4): {search_space}")

典型输出：

Search space candidates (AL=4): [
    [0,1,2,3], [4,5,6,7], 
    [8,9,10,11], [12,13,14,15]
]

结合可视化：

def plot_search_space():
    ss = generate_search_space(al=4)
    grid = np.zeros((24,3))
    
    for i, candidate in enumerate(ss):
        for cce in candidate:
            # 标记该CCE的所有REG
            for rb in range(24):
                for sym in range(3):
                    if (rb//6 + sym*4) == cce:
                        grid[rb,sym] = i+1
    
    plt.figure(figsize=(10,6))
    plt.imshow(grid, cmap='tab20', aspect='auto')
    plt.xlabel('OFDM Symbols')
    plt.ylabel('Resource Blocks')
    plt.title('Search Space with AL=4 (4 Candidates)')
    plt.colorbar(label='PDCCH Candidate Index')
    plt.show()

plot_search_space()

搜索空间的关键特性：

• 每个候选对应可能的PDCCH位置
• UE需要盲检所有候选
• 候选数量与聚合等级成反比
• 公共搜索空间（CSS）和UE专用搜索空间（USS）有不同的配置规则

5. 完整CORESET仿真系统搭建

现在我们将前面所有知识点整合，构建一个完整的CORESET仿真系统，可以动态配置各种参数并可视化结果。

5.1 CORESET配置类设计

class CORESET_Config:
    def __init__(self, rb_num=24, symbol_num=3, 
                 interleaved=False, aggregation_level=4):
        self.rb_num = rb_num          # 频域RB数量
        self.symbol_num = symbol_num  # 时域符号数量
        self.interleaved = interleaved  # 是否交织映射
        self.aggregation_level = aggregation_level  # 聚合等级
        
        # 计算总CCE数量
        self.total_reg = rb_num * symbol_num
        self.total_cce = self.total_reg // 6
        
        # 生成搜索空间
        self.search_space = self._generate_search_space()
    
    def _generate_search_space(self):
        num_candidates = self.total_cce // self.aggregation_level
        search_space = []
        
        for i in range(num_candidates):
            start_cce = i * self.aggregation_level
            candidate = list(range(start_cce, start_cce + self.aggregation_level))
            search_space.append(candidate)
        
        return search_space
    
    def plot_configuration(self):
        fig, ax = plt.subplots(figsize=(10,6))
        grid = np.zeros((self.rb_num, self.symbol_num))
        
        # 标记REG和CCE
        for cce_idx in range(self.total_cce):
            reg_count = 0
            for sym in range(self.symbol_num):
                for rb in range(self.rb_num):
                    if self.interleaved:
                        # 交织映射计算
                        if (rb % (self.rb_num//self.total_cce) == cce_idx % (self.rb_num//self.total_cce)):
                            grid[rb,sym] = cce_idx + 1
                    else:
                        # 非交织映射
                        if (rb // (self.rb_num//self.total_cce)) == cce_idx:
                            grid[rb,sym] = cce_idx + 1
        
        # 绘制搜索空间候选
        for i, candidate in enumerate(self.search_space):
            for cce in candidate:
                for sym in range(self.symbol_num):
                    for rb in range(self.rb_num):
                        if grid[rb,sym] == cce + 1:
                            plt.text(sym, rb, f'C{i}', 
                                    ha='center', va='center', fontsize=8)
        
        plt.imshow(grid, cmap='plasma', aspect='auto')
        title = f"CORESET Configuration\n"
        title += f"RBs: {self.rb_num}, Symbols: {self.symbol_num}, "
        title += f"Mapping: {'Interleaved' if self.interleaved else 'Localized'}, "
        title += f"AL: {self.aggregation_level}"
        plt.title(title)
        plt.xlabel('OFDM Symbols')
        plt.ylabel('Resource Blocks')
        plt.colorbar(label='CCE Index')
        plt.show()

# 示例使用
config1 = CORESET_Config(rb_num=12, symbol_num=2, 
                        interleaved=False, aggregation_level=2)
config1.plot_configuration()

config2 = CORESET_Config(rb_num=24, symbol_num=3, 
                        interleaved=True, aggregation_level=4)
config2.plot_configuration()

5.2 动态参数调整界面

为了更直观地探索参数影响，我们可以创建交互式控件：

from ipywidgets import interact, IntSlider, Dropdown

def interactive_coreset(rb_num=24, symbol_num=3, 
                       mapping_type='Localized', 
                       aggregation_level=4):
    config = CORESET_Config(
        rb_num=rb_num,
        symbol_num=symbol_num,
        interleaved=(mapping_type == 'Interleaved'),
        aggregation_level=aggregation_level
    )
    config.plot_configuration()

interact(
    interactive_coreset,
    rb_num=IntSlider(min=6, max=48, step=6, value=24),
    symbol_num=IntSlider(min=1, max=3, step=1, value=2),
    mapping_type=Dropdown(options=['Localized', 'Interleaved']),
    aggregation_level=Dropdown(options=[1,2,4,8,16])
)

这个交互界面允许实时调整：

• 频域RB数量（6-48个，步长6）
• 时域符号数量（1-3个）
• 映射类型（本地化/交织）
• 聚合等级（1,2,4,8,16）

通过拖动滑块和选择下拉选项，可以立即看到CORESET结构的变化，这是理解参数相互关系的最有效方式。