/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}
BLER（Block Error Rate，误块率）在5G中的“计算”，并没有一个像 `SINR = S/(I+N)` 那样可以直接代入的解析公式。它的本质是一个**统计与映射的复合体**：在实时系统中，它是基于HARQ反馈的**经验统计值**；在链路仿真与系统建模中，它是基于有效SINR查表得到的**预测值**；在理论分析中，则存在基于有限块长（Finite Blocklength）理论的**近似解析表达式**。
### 📊 工程实时计算：基于HARQ反馈的经验统计
在真实的5G网络中，基站（gNB）最直接“计算”BLER的方式，是统计数据传输的确认/否认（ACK/NACK）反馈。一次传输的传输块（Transport Block, TB）如果被UE正确解码，会回复ACK；如果解码失败，则回复NACK。BLER的实时估计值就是**NACK的数量在总传输次数中的占比**：
\\[
\\text{BLER}_{\\text{empirical}} = \\frac{\\sum \\text{NACK}}{\\sum (\\text{ACK} + \\text{NACK})}
\\]
3GPP标准中也采用类似的统计方式，即 `(NACK + statDTX) / (NACK + statDTX + ACK)`，其中 `statDTX` 代表统计意义上的不连续传输。
但这通常是一个**长期平均**的视角。为了捕捉信道变化，实际的链路自适应算法（如外环链路自适应，OLLA）会维护一个**滑动窗口**内的BLER。一种常见的更新方式是采用指数加权移动平均（EWMA），使得近期的传输结果拥有更高的权重：
\\[
\\text{BLER}(t) = (1-\\alpha) \\cdot \\text{BLER}(t-1) + \\alpha \\cdot \\mathbb{I}(\\text{NACK}_t)
\\]
这里，\\( \\mathbb{I}(\\text{NACK}_t) \\) 是一个指示函数，当第 \\( t \\) 次传输收到NACK时取1，收到ACK时取0；\\( \\alpha \\) 是遗忘因子，控制对新数据的敏感度。
### 📐 链路仿真与系统建模：基于有效SINR的预测（EESM）
在5G的链路级仿真和系统级仿真中，为了在不实时运行复杂基带处理的前提下预测BLER，业界广泛采用**有效SINR映射（EESM）** 结合 **BLER查找表** 的方法。
**核心逻辑是**：一个传输块（TB）会经历频域上多个资源块（RB）和空域上多个层（Layer）的不同信道状态，因此对应一组瞬时SINR \\( \\gamma_n(l,m) \\)。EESM将这些多维的SINR压缩为一个**有效SINR** \\( \\gamma_{\\text{eff}} \\)，使得在AWGN（加性高斯白噪声）信道下，达到相同BLER所需的SINR与该有效SINR相等。
对于给定的MCS（由CQI索引），EESM的公式为：
\\[
\\gamma_{\\text{eff}} = -\\beta \\ln\\left( \\frac{1}{N_L N_{RB}} \\sum_{l=1}^{N_L} \\sum_{m=1}^{N_{RB}} \\exp\\left( -\\frac{\\gamma_n(l,m)}{\\beta} \\right) \\right)
\\]
其中 \\( \\beta \\) 是一个需要通过链路仿真校准的参数，目的是让EESM的预测结果与真实链路性能最吻合。得到 \\( \\gamma_{\\text{eff}} \\) 后，便可以在预先通过**链路级仿真**生成的 **SINR-BLER查找表**中进行插值，从而**预测**出该次传输的BLER。
这个预测出的BLER，正是上一轮回答中CQI选择的依据：选择满足 `预测BLER ≤ BLER_target` 的最大CQI索引。
### 🧮 理论分析视角：有限块长（FBL）下的近似推导
在URLLC等场景下，传输块的长度有限，香农容量公式不再精确。此时，BLER可以从**有限块长理论**出发，得到一个**近似解析表达式**。对于一个码长为 \\( n \\)、码率为 \\( R \\) 的编码块，在给定SINR \\( \\gamma \\) 下的BLER可以近似为：
\\[
\\epsilon \\approx Q\\left( \\frac{n \\cdot C(\\gamma) – k}{\\sqrt{n \\cdot V(\\gamma)}} \\right)
\\]
这里：
* \\( Q(\\cdot) \\) 是标准高斯Q函数。
* \\( C(\\gamma) = \\log_2(1+\\gamma) \\) 是香农容量。
* \\( V(\\gamma) \\) 是**信道离散度**（Channel Dispersion），对于复AWGN信道，其表达式为 \\( V(\\gamma) = \\left(1 – \\frac{1}{(1+\\gamma)^2}\\right) (\\log_2 e)^2 \\)。
* \\( k \\) 是信息比特数，码率 \\( R = k/n \\)。
这个公式的物理含义是：当实际码率 \\( R \\) 超过有限块长下的可达速率 \\( C(\\gamma) – \\sqrt{V(\\gamma)/n} \\cdot Q^{-1}(\\epsilon) \\) 时，解码错误概率会显著上升。它为理解BLER与SINR、块长、码率之间的根本权衡提供了理论基石。
### 🔄 HARQ对BLER的影响：从“单次”到“有效”
上述讨论主要针对**首次传输**。5G中的HARQ（混合自动重传请求）机制会通过重传来降低**有效BLER**（即一个TB经过多次传输后最终仍失败的概率）。
如果单次传输的BLER为 \\( \\epsilon \\)，且各次重传是独立的，那么经过 \\( N \\) 次传输后仍失败的概率（有效BLER）为：
\\[
\\epsilon_{\\text{eff}} = \\epsilon^N
\\]
业务可靠性指标 \\( P_{\\text{reliability}} \\) 与传输次数 \\( N_{\\text{trans}} \\) 和单次BLER的关系可以表示为 \\( 1 – \\epsilon^{N_{\\text{trans}}} \\ge P_{\\text{reliability}} \\)。例如，若单次BLER为 \\( 10^{-1} \\)，通过两次HARQ传输，有效BLER可降至 \\( 10^{-2} \\)。
值得注意的是，5G的链路自适应目标通常是控制**首次传输的BLER**。eMBB业务的目标一般是10%（即0.1），而URLLC业务则可能要求低至 \\( 10^{-5} \\)（0.001%）甚至更低。剩余的错误则通过HARQ重传来“兜底”，从而在频谱效率和可靠性之间取得平衡。
### 💎 总结
5G中BLER的计算是一个多层次的概念：
* **在实时协议栈中**，它是基于HARQ ACK/NACK反馈的**经验统计比率**，驱动着外环链路自适应。
* **在系统与链路仿真中**，它是通过EESM将多维SINR压缩为有效SINR后，**查表预测**出的性能指标，是CQI选择的核心输入。
* **在理论分析中**，有限块长理论提供了BLER与SINR、码长、码率之间关系的**近似解析表达式**，为系统设计提供了根本性的指导。
* **在端到端的可靠性视角下**，HARQ重传机制将单次传输的BLER转化为**有效BLER**，是实现URLLC极高可靠性目标的关键使能技术。
