This report explores the integration of 5G cellular networks with Time-Sensitive Networks (TSN), focusing on network latencies. While mobile 5G networks offer high bandwidth and low latency, TSN is an IEEE standard-based wired solution used in real-time applications for deterministic data transmission with low latency and high reliability. Integrating TSN with 5G could significantly enhance scalability, particularly in industrial automation, by providing flexibility, efficiency, and responsiveness. When combining 5G capabilities with TSN, seamless communication across wired and wireless domains becomes achievable. 5G supports several Quality of Service (QoS) flows with different priorities that must map to TSN QoS to ensure smooth integration. To meet TSN's requirements for latency and jitter, effective traffic translation and forwarding between the networks are crucial. This thesis aims to address key questions regarding traffic translation, QoS implementation, and latency in both TSN and 5G networks. Through experiments and evaluations, we assess latency and network capabilities. Understanding these metrics is essential for devising effective integration strategies. Our findings indicate that integrating 5G with TSN is feasible for achieving low latencies for packet sizes below 128-bytes. However, as packet sizes increase, latencies and jitter rise significantly. This result indicates that Firecell 5G technology may have difficulties efficiently handling larger packet sizes without latency degradation. Additionally, leveraging QoS functionalities in the current version of OpenAirInterface (OAI), which forms the foundation of the utilized Firecell 5G, is currently unattainable. This thesis highlights the importance of implementing QoS functionalities to maintain low latencies and jitter in targeted network applications. / Denna rapport undersöker den potentiella integrationen av 5G-mobilnät med tidskänsliga nätverk (TSN), med fokus på nätverksfördröjningar. Medan 5G-nät erbjuder hög bandbredd och låg fördröjning, är TSN en IEEE-standardiserad trådbunden teknik som används i realtidsapplikationer för deterministisk dataöverföring med låg fördröjning och hög tillförlitlighet. Att integrera TSN med 5G kan avsevärt förbättra skalbarheten, särskilt inom industriell automation, genom att erbjuda flexibilitet, effektivitet och låg fördröjning. Genom att kombinera 5G med TSN blir tidskänslig kommunikation över trådbundna och trådlösa nätverk möjligt. 5G stödjer flera kvalitetsnivåer för tjänster (QoS) med olika prioriteringar som måste anpassas till TSN:s QoS för att säkerställa en smidig integration. För att möta TSN:s krav på fördröjning och jitter är effektiv datahantering mellan nätverken avgörande. Denna avhandling behandlar centrala frågor kring datahantering, QoS-implementering och fördröjning i både TSN och 5G-nätverk. Genom experiment och utvärderingar får vi fram information om fördröjning och nätverkskapacitet i TSN-5G, vilket är avgörande för att utveckla effektiva integrationsstrategier. Våra resultat visar att integrationen av TSN-5G uppnår låg fördröjning för paketstorlekar under 128 byte. När paketstorleken ökar, ökar också fördröjning och jitter avsevärt. Resultaten visar att Firecell 5G-teknologin har svårigheter att effektivt hantera större paketstorlekar utan ökad fördröjning. Utöver detta är det för närvarande inte möjligt att använda QoS-funktioner i den nuvarande versionen av OpenAirInterface (OAI), vilket är mjukvaran Firecell 5G bygger på. Denna avhandling understryker vikten av att kunna implementera QoS-funktioner för att upprätthålla låg fördröjning och jitter i specifika nätverksapplikationer.

The diploma thesis deals with design and development of the system which detects and numbers train carriages in compliance with International Union of Railways. Firstly, methods for correct detection of passing wheel including time records are analysed. Also, the summary of detection sensors used in railway industry is referred. I analyse meaning of each digit in numbering according to the UIC. The system solution is designed and the interaction and communication with other sub-systems is discussed. I put emphasis on the kind of solution that returns as accurate record as possible under any circumstances. The system operates in real time. Further, the results of measuring program are back-tested in order to verify low-deviation of measuring system component. The following section describes program prototype, which processes the recorded data. The algorithms which I used for the detection of wheel and train carriages are described. In the following chapter I discuss the usage of an external camera detecting the numbers in accordance to the UIC. In the last chapter, I describe the test environment in which the solution has been tested, and summarize the results of tests on a real life railway.