GMP (Generic Mapping Procedure，通用映射规程)是OTN (Optical Transport Network) 中用于将各种速率的客户信号（Client Signal）映射到OPUk（Optical Payload Unit）容器中的关键技术。

与传统的 AMP (Asynchronous Mapping Procedure) 相比，GMP 的最大特点是灵活和高效，它不依赖固定的正/负码速调整位置，而是通过计算动态确定每帧携带的数据量，并将其均匀分散。

以下为您详细介绍$C_m(t)$值的计算原理和数据在容器中的分布原理。

---

一、 核心概念：什么是$C_m(t)$？

在GMP 中，$C_m(t)$是最核心的参数。

• 定义：它表示在第$t$ 个 OPUk 服务器帧（Server Frame）中，实际装载的客户数据实体的数量。

• 单位：以$m$-byte 为单位（通常$m=1$到$256$，在 OPUk 中通常 $m=1$字节或$TS$时隙大小）。

• 作用： $C_m(t)$ 直接反映了客户信号相对于服务器时钟的速率。接收端通过读取 JC (Justification Control) 字节中的 $C_m(t)$ 值，就能知道这一帧里有多少有效数据，从而恢复出客户时钟。

---

二、$C_m(t)$值的计算原理(产生逻辑)

$C_m(t)$ 的计算本质上是一个频率比较和相位累加的过程。它的目的是保证映射后的数据流速率与客户侧输入速率保持一致。

1. 基本公式逻辑

在一个OPUk 帧周期 ($T_{server}$) 内，客户信号到达的比特数理论上是：

 

$$\text{Data}_{client} = f_{client} \times T_{server}$$

但是，由于 $f_{client}$和$f_{server}$ 都是模拟量且有波动，且数据必须以整数个实体 ($m$-byte) 传输，所以每帧传输的数量 $C_m(t)$会在两个整数之间跳变。

2. Sigma-Delta 算法(累加器模型)

GMP 使用类似Sigma-Delta 调制的算法来计算$C_m(t)$。想象一个“相位累加器”：

1. 输入：客户时钟($f_{client}$) 和服务器时钟 ($f_{server}$) 的计数值。

2. 累加： 每个服务器帧周期，计算客户侧积累了多少个 $m$-byte 的数据。

3. 残余处理：

   • 如果累积的数据不是整数（例如 15230.4 个），整数部分 (15230) 变为当前的 $C_m(t)$发送出去。

   • 小数部分 (0.4) 也就是“相位误差”，会保留在累加器中，带入下一帧计算。

4. 下一帧： 下一帧可能积累了 15230.4 + 0.4 = 15230.8，还是发 15230。再下一帧可能是 15230.8 + 0.4 = 15231.2，这时 $C_m(t)$就变成了15231 。

总结： $C_m(t)$的值通常在$Y$和$Y+1$两个整数之间变化，其平均值精确等于客户信号速率与服务器帧速率的比值。

---

三、 数据在容器中的分布原理(映射逻辑)

计算出这一帧要发多少个数据 ($C_m$) 后，接下来的问题是：这 $C_m$个数据块放在OPUk 净荷区的什么位置？

GMP 摒弃了 AMP 那种“固定位置存放数据，固定位置填充”的做法，而是采用均匀分散的策略，这对于降低抖动（Jitter）至关重要。

1. 容器结构

假设OPUk 的净荷区域总共有$P_{server}$个位置（以$m$-byte 为单位）。

• 有效数据量： $C_m$个。

• 填充数据量(Stuff)： $P_{server} - C_m$个。

2. Sigma-Delta 分布算法(均匀插空)

GMP 再次使用Sigma-Delta 算法（有时称为“累加器算法”或“Bresenham 算法的变体”）来决定每一个位置是放“数据”还是放“填充”。

原理如下：

有一个累加器变量$j$，初始为 0。对于净荷区的每一个位置 $i$（$1$到$P_{server}$）：

• 我们将$C_m$累加到变量$j$中：

   

  $$j = j + C_m$$

• 判断逻辑：

  • 如果$j \ge P_{server}$：

    • 当前位置$i$放置有效数据(Data) 。

    • 累加器减去总容量：$j = j - P_{server}$。

  • 如果$j < P_{server}$：

    • 当前位置$i$放置填充字节(Stuff) 。

    • 累加器保持不变（或者根据具体实现逻辑，反向理解亦可，核心是比例控制）。

3. 视觉效果：均匀混合

通过上述算法，有效数据和填充数据会非常均匀地混合在一起。

• 例子： 假设容器大小是 8，要放 5 个数据 ($C_m=5$)，3 个填充。

  • 分布结果不会是DDDDDSSS(数据集中)。

  • 而是类似 DADADADD (D=Data, A=Stuff/All-zero)，数据均匀散开。

---

四、 总结与对比表

为了帮助记忆，我们可以将计算原理和分布原理总结如下：

特性	C米​（t ）计算(Outer Loop)	数据分布(Inner Loop)
目的	决定发多少(速率适配)	决定放哪里(抖动控制)
输入	$f_{client}$对比$f_{server}$(时钟差)	$C_m$(数据量) vs$P_{server}$(总容量)
核心算法	Sigma-Delta (相位累加)	Sigma-Delta (均匀插值)
结果体现	JC 字节中的数值变化	净荷区中Data/Stuff 的排列图案
优势	可以适应任意速率(Any-rate)	接收端更容易恢复时钟，抖动极低

五、 形象化比喻

您可以这样理解GMP 的全过程：

1. $C_m$ 计算（装水）：

   你有一个水龙头（客户信号）往桶里流数（缓存）。每隔固定的时间（服务器帧），你从桶里舀出一勺水。因为水流速度不完全均匀，你这一勺有时候是 1000 滴水，有时候是 1001 滴水。这个数字就是 $C_m$。

2. 数据分布（撒豆子）：

   你手里现在有$C_m$ 颗红豆（数据），你需要把它们放到一个有很多格子（$P_{server}$）的盒子里。为了好看且平衡，你不能把红豆全堆在一头，而是利用数学算法，把红豆最均匀地撒在所有格子里，空出来的地方放绿豆（填充）。

---

举例：

Pserver = 8
cmt = 5
容器：  *    *    *    *    *    *    *    *    
数据：  0    1    0    1   1    0    1   1         0:表示塞入   1：表示有效数据
 j:           5    2    7    4    1    6    3   0