CN113475157A - 用于无线网络的连接行为标识 - Google Patents
用于无线网络的连接行为标识 Download PDFInfo
- Publication number
- CN113475157A CN113475157A CN201880100710.8A CN201880100710A CN113475157A CN 113475157 A CN113475157 A CN 113475157A CN 201880100710 A CN201880100710 A CN 201880100710A CN 113475157 A CN113475157 A CN 113475157A
- Authority
- CN
- China
- Prior art keywords
- connection
- user equipment
- channel condition
- information
- behavior state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 82
- 238000013507 mapping Methods 0.000 claims abstract description 43
- 230000006399 behavior Effects 0.000 claims description 332
- 230000009471 action Effects 0.000 claims description 59
- 230000005540 biological transmission Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 42
- 238000013473 artificial intelligence Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 7
- 239000004065 semiconductor Substances 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 description 139
- 230000006870 function Effects 0.000 description 33
- 238000004891 communication Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 19
- 238000010801 machine learning Methods 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000009977 dual effect Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000000678 band cell Anatomy 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 101100465000 Mus musculus Prag1 gene Proteins 0.000 description 1
- 241000278713 Theora Species 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/10—Connection setup
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种方法,包括从无线网络内的无线电接入网络(RAN)节点接收用于一个或多个用户设备的连接事件信息和相关联的信道条件信息;以及基于连接事件信息的至少一部分和相关联的信道条件信息以及连接行为状态模型,来确定用户设备的连接行为状态,其中连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
Description
技术领域
本说明书涉及无线通信。
背景技术
通信系统可以是能够在两个或更多节点或设备(诸如固定或移动通信设备)之间进行通信的设施。信号可以被携带于有线或无线载体上。
蜂窝通信系统的示例是由第三代合作伙伴计划(3GPP)标准化的架构。该领域中的最新发展通常被称为通用移动电信系统(UMTS)无线电接入技术的长期演进(LTE)。E-UTRA(演进型UMTS地面无线接入)是用于移动网络的3GPP长期演进(LTE)升级路径的空中接口。在LTE中,被称为增强型节点AP(eNB)的基站或接入点(AP)在覆盖区域或小区内提供无线接入。在LTE中,移动设备或移动站被称为用户装备(UE)。LTE包括了许多改进或发展。LTE的各方面也在不断改进。
5G新无线电(NR)发展是用于满足5G要求的持续的移动宽带演进过程的一部分,类似于3G和4G无线网络的早期演进。此外,5G还针对移动宽带以外的新兴用例。5G的一个目标是提供无线性能的显著改进,其可以包括新的数据速率、延时、可靠性和安全性水平。5G NR还可以缩放以有效连接大规模物联网(IoT),并且可以提供新型的任务关键的服务。例如,超可靠和低延时通信(URLLC)设备可能需要高可靠性和极低延时。
发明内容
根据示例实施例,一种方法可以包括:从无线网络内的无线电接入网络(RAN)节点接收用于一个或多个用户设备的连接事件信息和相关联的信道条件信息;以及基于连接事件信息的至少一部分和相关联的信道条件信息以及连接行为状态模型来确定用户设备的连接行为状态,其中连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
根据示例实施例,一种装置可以包括:用于从无线网络内的无线电接入网络(RAN)节点接收用于一个或多个用户设备的连接事件信息和相关联的信道条件信息的部件;以及用于基于连接事件信息的至少一部分和相关联的信道条件信息以及连接行为状态模型来确定用户设备的连接行为状态的部件,其中连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
根据示例实施例,一种装置可以包括:至少一个处理器;以及包括计算机程序代码的至少一个存储器;至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置至少:从无线网络内的无线电接入网络(RAN)节点接收用于一个或多个用户设备的连接事件信息和相关联的信道条件信息;并且基于连接事件信息的至少一部分和相关联的信道条件信息以及连接行为状态模型来确定用户设备的连接行为状态,其中连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
根据示例实施例,一种非瞬态计算机可读存储介质,包括存储在其上的指令,该指令在由至少一个处理器执行时,被配置为使计算系统执行以下方法:从无线网络内的无线电接入网络(RAN)节点接收针对一个或多个用户设备的连接事件信息和相关联的信道条件信息;以及基于连接事件信息的至少一部分和相关联的信道条件信息以及连接行为状态模型来确定用户设备的连接行为状态,其中连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
在附图和以下描述中阐述了实施例的一个或多个示例的细节。从描述和附图以及从权利要求中,其他特征将是明显的。
附图说明
图1是根据示例实施例的无线网络的框图。
图2是图示出了根据示例实施例的系统的图。
图3是图示出了根据示例实施例的信号图的图。
图4是图示出了根据示例实施例的系统的操作的流程图。
图5是根据示例实施例的无线站(例如AP、BS、gNB或用户设备或其他网络节点)的框图。
具体实施方式
图1是根据示例实施例的无线网络130的框图。在图1的无线网络130中,也可以被称为移动站(MS)或用户装备(UE)的用户设备131、132、133和135可以与基站(BS)134连接(并通信),基站(BS)134也可以被称为接入点(AP)、增强型节点B(eNB)或网络节点。接入点(AP)、基站(BS)或(e)节点B(eNB)的至少部分功能性也可以由诸如远程无线电头之类的可操作地耦合到收发器的任何节点、服务器或主机来执行。BS(或AP)134在小区136内提供无线覆盖,包括对用户设备131、132、133和135的无线覆盖。虽然仅示出四个用户设备连接或附接到BS 134,但是可以提供任意数量的用户设备。BS 134还经由S1接口151连接到核心网络150。这仅仅是无线网络的一个简单示例,并且可以使用其他示例。
用户设备(用户终端、用户装备(UE))可以指的是包括使用或不使用订户识别模块(SIM)操作的无线移动通信设备的便携式计算设备,包括但不限于以下设备类型:例如,移动台(MS)、移动电话、蜂窝电话、智能电话、个人数字助理(PDA)、手机、使用无线调制解调器的设备(警报或测量设备等)、膝上型计算机和/或触摸屏计算机、平板电脑、平板手机、游戏机、笔记本电脑、车辆、传感器和多媒体设备或任何其他无线设备。应当了解,用户设备也可以是几乎独占的仅上行链路设备,其示例是相机或摄像机,其将图像或视频剪辑加载到网络。
在LTE(作为示例)中,核心网络150可以被称为演进分组核心(EPC),其可以包括:可以处理或协助用户设备在BS之间的移动性/切换的移动性管理实体(MME),可以在BS和分组数据网络或互联网之间转发数据和控制信号的一个或多个网关,以及其他控制功能或块。
此外,作为说明性示例,本文所描述的各种示例实施例或技术可以被应用于各种类型的用户设备或数据服务类型,或者可以应用于其上运行多个应用的用户设备,这些应用可以是不同的数据服务类型。新无线电(5G)开发可以支持多种不同的应用或多种不同的数据服务类型,诸如例如:机器类型通信(MTC)、增强型机器类型通信(eMTC)、物联网(IoT)和/或窄带IoT用户设备、增强型移动宽带(eMBB)和超可靠低延时通信(URLLC)。
IoT可以是指不断增长的一组对象,其可以具有互联网或网络连接性,以使得这些对象可以向其他网络设备发送信息以及从其他网络设备接收信息。例如,许多传感器类型的应用或设备可以监视物理条件或状态,并且可以向服务器或其他网络设备发送报告,例如,当事件发生时发送。机器类型通信(MTC,或机器对机器通信)的特征例如可以是,在有人类干预或没有人类干预的情况下,智能机器之间的全自动数据生成、交换、处理和致动。增强型移动宽带(eMBB)可以支持比目前LTE中可用的数据速率高得多的数据速率。
超可靠低延时通信(URLLC)是一种新的数据服务类型,或新的使用场景,新无线电(5G)系统可以支持它。这使得诸如工业自动化、自动驾驶、车辆安全、电子健康服务等之类的新兴的新应用和服务成为可能。作为说明性示例,3GPP的目标是提供具有与误块率(BLER)为10-5和高达1ms U平面(用户/数据平面)延时相对应的可靠性的连接性。因此,例如,URLLC用户设备/UE可能需要比其他类型的用户设备/UE显著更低的误块率以及低延时(需要或不需要同时的高可靠性)。因此,例如,与eMBB UE(或在UE上运行的eMBB应用)相比,URLLC UE(或UE上的URLLC应用)可能需要更短的延时。
各种示例实施例可以被应用于多种无线技术或无线网络,诸如LTE、LTE-A、5G、cmWave和/或mmWave频带网络、IoT、MTC、eMTC、eMBB、URLLC等,或任何其他无线网络或无线技术。这些示例网络、技术或数据服务类型仅作为说明性示例而被提供。
在一些情况下,一些UE可以表现出不同的连接行为。例如,不同的UE,或不同UE类型(例如,不同的UE制造方或型号)的UE,或具有不同特征的UE,或具有不同芯片组或硬件模块、天线或软件模块(例如,协议实体)版本的UE,可能具有不同的连接行为,或者UE有着不同的订阅和订阅策略。根据示例实施例,连接行为可以包括针对各种条件(例如,针对各种信道条件)发生、通常发生或已经发生的针对UE的不同连接事件。例如,连接行为可以包括UE可以连接(或通常可以连接)到小区或网络的不同信道条件,和/或UE可以(或通常可以)断开到网络的(多个)小区的连接(或丢失到网络的(多个)小区的连接)的不同条件。作为说明性示例,UE的连接行为例如可以包括:当UE以第一接收信号强度(RSSI)和/或针对从小区接收到的信号使用第一调制和编码方案(MCS)从小区接收信号时,UE已经连接到小区达75%的连接尝试,和/或当UE正在以第二接收信号强度(RSSI)和/或以第二MCS接收信号时,UE已从小区断开X次(或X百分比)(例如,在特定时间段内)。这仅仅是可能已经由UE或一组UE展现出来的连接行为的说明性示例。连接行为的其他示例例如包括:当由UE从小区接收到的信号的强度或质量从第一级别上升到第二级别(例如,在某个时间段内)时或者当UE以某个速度移动时,UE已经连接到一个小区达80%的连接尝试;或者当由UE从小区接收到的信号的强度或质量从第一级别下降到第二级别(例如,在某个时间段内)时或者当UE以某个速度移动时,UE与小区失去连接的概率超过10%。
例如,当基于诸如5G的新无线电接入技术的新网络被引入时,一个或多个新UE实现可能无法正常运行或者可能具有低性能的(或异常)连接行为。作为说明性示例,典型情况可以包括:不成熟的芯片组实现(常常是由于需要提前上市导致芯片组的测试不充分);由像5G之类的新技术所带来的复杂性显著更高,例如,由于大规模MIMO(多输入多输出)和波束形成引起的对RF(射频)环境的更多维度,导致更复杂的算法以及要测试和证实的更多数量的配置;导致在软件或固件中不能正确处理的意外场景的更新和更复杂的协议;UE可能需要执行的但是可能是嘈杂和不准确的更新类型的测量和估计;某些设备变体和网络之间的互操作性测试不足;以及在手机中放置新天线类型的问题等。此外,各种频率和无线电接入技术的使用增加,诸如5G、LTE和“演进型LTE”(连接到5G核心的LTE)及其组合,例如仅毫米波或与较低频率相结合,每个频率具有不同的数字学(带宽、时隙持续时间等),需要紧密的互通和/或空中接口协调以实现高效的无线电接口利用,避免干扰并支持接收机和发射机数量有限的UE。至少一些UE实现可能无法正确操作的进一步示例情况可以包括实现双连接性、载波聚合、大规模/多用户/单用户MIMO和/或补充上行链路/下行链路的UE。
即使当网络成熟时,一些UE实现也可能无法正常运行,例如,此类UE可能具有低性能的连接行为(例如,这在大多数UE通常能够连接到小区的信道条件下(例如,在接收信号强度(RSSI)和/或MCS下)可能导致低性能的UE连接到小区失败的可能性高于期望的可能性(或阻止UE连接到小区),和/或在大多数UE将保持连接到小区的接收信号强度下可能导致这种低性能的UE的较早的小区断开的速率高于期望的速率)。随着更便宜的实现变得广泛可用,它们可能具有较差的质量,这可能导致此类UE的较低性能的连接行为。
在5G网络的情况下,许多5G小区可以通过使用大带宽(40-100MHz或更多)和大规模MIMO(16个或更多天线)来提供高容量。如此高容量的5G小区很可能会在热点地区中被部署例如作为小小区集群,而不是被部署为提供无处不在的高容量的无处不在的覆盖范围。例如,这些高容量/热点5G小区可以采用中频带/厘米波(3-6GHz)或高频带/毫米波频谱,其中足够的带宽可能是充足可用的。无处不在的覆盖范围通常将由低频带小区(低于3GHz,甚至低于1GHz)提供,其容量有限,因为带宽稀缺(通常只有5-20MHz)并且大规模MIMO由于所需的大天线尺寸而是困难或昂贵的。低频带无处不在的覆盖范围可以使用5G/NR无线电技术或LTE无线电技术,或者甚至3G无线电技术。高容量/热点5G小区可以独立于(独自)无处不在的覆盖小区,或者可以例如经由非独立(NSA)模式来与无处不在的覆盖小区交互。因此,5G小区可以与诸如LTE等的其他类型的小区或网络重叠。
如所指出,5G无线网络或小区通常可以提供远远优于现有4G/LTE网络/小区的数据速率/带宽和/或延时。因此,为了提供最高质量的性能和用户体验,因此可能期望在最广泛的信道条件范围下并且尽可能长时间地增加(例如,最大化)UE可以利用这些5G热点小区中可用的高容量的概率。因此,例如,UE应该能够在它们进入此类5G小区的覆盖区域(其是有限的,如上所述)后立即快速检测到此类5G小区的存在,并能够尽早连接到该小区。此外,一旦UE连接到这样的小区,重要的是尽可能长时间地保持连接,即它不应较早断开小区的连接。
然而,许多UE实现可能在足够早地快速识别并连接到高容量5G热点小区方面遇到问题,或者完全无法连接到网络,或者遇到诸如掉线之类的其他连接问题。如上面所提及,新的UE实现常常将展现出低性能的连接行为,并且这种低连接性能的可能后果的一个示例是无法足够早地连接到5G热点小区,从而从用户的角度来看导致较差的5G体验。例如,正常(或平均)表现的UE(例如,具有正常或平均连接行为)可能通常能够以X dB的接收信号的接收信号强度指示(RSSI)连接到5G小区,但是作为说明性示例,低性能的UE可能无法建立到5G小区的连接,直到从小区接收到的信号的RSSI处于XdB+3dB为止。这可能导致低性能的UE稍后(以更高的RSSI)连接到5G小区,并更早地与5G小区断开连接,例如,由于UE可以接受的较小范围的信道条件来建立和维持与5G蜂窝的连接。
因此,根据示例实施例,描述了一个或多个技术,其允许标识或分类具有低性能的连接行为的(多个)个体UE或(多个)UE群组,例如无法连接到5G热点小区或者可以连接但“不够早”或者较早断开与高容量5G小区的连接的UE。在UE(或UE群组)已经被标识或分类为具有低性能的连接行为(例如,低的连接行为状态或低性能的连接行为)之后,然后可以执行一个或多个网络校正动作以便改进UE的连接行为(例如,将用于UE的MCS调整为更稳健的MCS,增加发射到UE或从UE发射的信号的传输功率,调整用于UE小区之间的切换决策的信号阈值,调整无线电资源管理(RRM)阈值或决策标准,取决于UE实施的服务类型或质量(诸如游戏或IP上语音或LTE/NR上语音)或取决于UE作为其一部分的网络切片来调整RRM阈值或决策标准等)或者可以改进低性能的UE的连接行为的(一个或多个)其他网络校正动作。(一个或多个)其他网络校正动作可以包括:将UE对低性能的连接行为的观察或识别与诸如IMSI(国际移动用户身份)或IMEI(国际移动装备身份)或TMSI(临时移动用户身份)之类的UE的标识符相关联;基于UE关联的IMSI/IMEI/TMSI来对UE在多次连接尝试中的低性能的连接行为的观察或标识进行计数;以及在发生的次数或频率达到足够高值时调用网络校正动作。校正动作还可以包括:向其UE已被标识为针对5G高容量/热点小区具有低性能的连接行为的订户提供计费调整或其他信用,或者用于提高客户满意度的其他客户体验管理/改进动作,诸如在不同的网络层(诸如无处不在的覆盖低频带层)上提供更高的服务质量以补偿针对5G高容量/热点小区的低性能的连接行为。校正动作还可以包括:标识具有低性能的连接行为的给定UE类型的大量UE(诸如具有通用芯片组版本的UE,或由给定设备制造方制造的UE),并针对芯片组或设备制造方调用校正动作以进行故障排除。需要注意的是,虽然各种实施例可以参考5G网络并针对5G大容量/热点小区的连接行为来描述,但是它们同样适用于任何无线电接入技术的网络,包括但不限于LTE、演进型LTE(eLTE)、3G、WiFi、IEEE802.11变体、MulteFire、NB-IOT等,以及各种类型的小区,包括高覆盖小区或宏小区或小小区等。
可以提供和/或训练连接行为状态模型,其中连接行为状态模型可以提供针对一个或多个UE的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
在示例实施例中,连接事件信息可以包括描述(或涉及)UE或UE群组的任何连接相关事件的信息,或者可以指示或描述(多个)UE的连接性能的任何信息。作为说明性示例,连接事件信息可以包括以下至少一项(以说明性示例的方式):连接事件,该连接事件包括以下一项或多项:用户设备对小区的成功连接尝试;用户设备执行或发起与小区的随机接入过程;用户设备成功开始向小区发射控制信号或数据;用户设备测量或检测接收信号电平或接收信号质量高于第一电平;以及小区向用户设备提供配置信息以允许用户设备配置自身以与小区通信;以及连接丢失事件,包括以下中的一个或多个:用户设备对小区的连接尝试不成功;用户设备无法向小区发射或接收数据或控制信号;与小区的数据重传事件的至少一个阈值数量或阈值率;以及解码错误的至少一个阈值数量或阈值率。
在示例实施例中,相关联的信道条件信息可以包括描述与(多个)连接事件相关联的信道条件的信息。例如,相关联的信道条件信息可以包括涉及或描述在连接事件之前的某个时间段、在连接事件的发生期间和/或在连接事件之后的某个时间段内存在或被检测到的信道条件的信息。作为说明性示例,(多个)相关联的信道条件可以包括以下一项或多项:信道质量信息、数据错误率或块错误率、信道状态信息(CSI)、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信干噪比(SINR)、根据随机接入(RACH)传输测量的定时提前、信号的到达方向和/或角度、用于发射或接收波束的波束信息指示、每个天线测量(例如,天线强度和/或相位)。在一些示例中,UE可以连接到可以是低频带小区的第一小区,并且连接事件可以涉及UE到可以是5G高容量/热点小区的第二小区的连接(或尝试连接)。在其他示例中,连接事件可以涉及UE失去与可能是5G高容量/热点小区的第二小区的连接,同时保持到可以是低频带小区或主小区(Pcell)或主eNB(MeNB)的第一小区的连接。相关联的信道条件信息可以在第一小区和/或第二小区上。例如,在表示UE到可能是5G大容量/热点小区的第二小区的连接(或尝试连接)的连接事件的情况下,在连接事件之前的时间段内的相关联的信道条件信息可以表示UE在第一小区中的信道条件,并且在连接事件之后的时间段内的相关联的信道条件信息可以表示UE在连接事件之后在第二小区中的信道条件。
连接行为状态可以是被指派给UE(或UE群组)的状态或分类,指示(多个)UE的连接行为(例如,连接性能)。可以由特定UE针对特定5G高容量/热点小区而针对特定连接事件来指派连接行为状态。或者,基于到特定5G高容量/热点小区的多个连接事件,它可以更广泛地被指派给特定UE。或者,基于到一个或多个5G高容量/热点小区的多个连接尝试,它可以更广泛地被指派给一个或多个UE。例如,该连接行为状态可以被用来执行针对UE的(一个或多个)网络校正动作,和/或可以被发送到一个或多个其他网络节点以执行网络校正动作和/或对存储在核心网络或其他位置中的UE配置文件执行更新。各种连接行为状态(或状态格式)可以被用来基于UE的连接性能对UE进行分类或归类。例如,可以使用两种连接行为状态:低(低性能的连接行为状态)和高(高性能的连接行为状态),或者可以指派数值(例如,0到100之间的值),其表示UE的连接行为的性能。例如,可以对具有低性能的连接行为状态的UE应用一个或多个网络校正动作,以便改进这种低性能的UE的连接行为,而对于具有高性能的连接行为状态的UE可能不需要网络校正动作。或者,在另一示例实施例中,可以使用三种连接行为状态,例如:低(低性能的连接行为状态)、中(或中等性能的连接行为状态)和高(高性能的连接行为状态),其中更多的网络校正动作可以被应用以改进具有低性能的网络连接行为状态的UE(例如,调整MCS和增加传输功率),并且更少或不同的网络校正动作可以被应用于具有中等性能的连接行为状态的UE,以及例如,对于具有高性能的连接行为状态的UE,可能不需要网络校正动作。这仅是说明性示例。因此,可以对具有不同连接行为状态的UE应用不同的网络校正动作。
在另一示例实施例中,UE的连接行为状态可以是可以指示UE是低性能UE的可能性的数字(例如,在0和10之间,或在0和1之间)(例如,需要网络校正动作来改进连接行为),例如,其中0.7的连接行为状态指示70%的概率(例如)UE具有低性能的连接行为,因此可能需要一个或多个网络校正动作来改进连接性能。或者,在另一个示例实施例中,连接行为状态可以是指示UE的网络连接性能级别的数字,或者可以指示UE的网络校正动作的相对需要(例如,0.5和1.0之间的连接行为状态可以指示正常或高性能的UE,其中不需要网络校正动作,而0和0.49之间的连接行为状态可以指示较低性能的UE,其中UE可以从网络校正动作中受益以改进连接性能。这些只是一些示例,可以使用其他类型的连接行为状态。
如所指出的,可以提供和/或训练连接行为状态模型,其中连接行为状态模型可以提供针对一个或多个UE的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。在示例实施例中,连接行为状态模型可以是例如人工智能(AI)神经网络模型或其他模型。也可以使用其他模型,例如更简单的模型。例如,在已经确定或训练连接行为状态模型(其可以基于针对许多UE和许多事件的连接事件信息和相关联的信道条件信息或者基于这些来进行训练)之后,针对UE的连接事件信息(例如,描述一个或多个事件)和相关联的信道条件信息被接收。然后,可以基于连接事件信息、相关联的信道条件信息和连接行为状态模型来确定UE的连接行为状态(例如,可以对UE连接行为进行分类)。例如,如果模型指示80%(作为示例)的UE能够以第一MCS连接到一个小区,并且基于以第一RSSI(RSSI1)从小区接收到的信号,并且针对该UE的连接事件信息和相关联的信道条件信息指示该UE在RSSI至少为RSSI1+3dB之前无法连接到该小区,那么模型可以输出该UE的连接行为状态,其指示低性能的连接行为状态。基于此,可以推荐或执行一个或多个网络校正动作以改进UE的连接行为。
在一些情况下,UE的群组或子集可以具有公共的方面或特征,例如,其可导致UE的该群组或子集中的许多或大部分UE(或甚至在一些情况下是全部UE)具有相同或相似的连接性能,至少在一些情况下是这样。根据示例实施例,UE的群组或子集的一个或多个公共的特征或方面可以包括以下一项或多项:相同的UE品牌或制造方;相同的UE型号(或相同类型的UE);包含相同半导体芯片或芯片组的UE;包含相同版本协议实体的UE;包含相同硬件模块的UE;包含相同软件模块的UE;包括相同天线系统或天线配置的UE等等。这些是一些示例,并且其他公共的特征或方面可以被用来将可以具有公共或至少相似连接性能的UE分组在一起。在该示例中,可以从具有该公共或共享方面或特征的该UE子集或UE群组的多个UE接收连接事件信息和相关联的信道条件信息。然后可以针对至少该UE群组或UE子集来确定或训练该模型。因此,在该示例中,可以基于针对具有该公共或相同方面或特征(例如,导致特定于群组的连接行为状态模型)的该UE子集或UE群组内的UE的连接事件信息和相关联的信道条件信息来确定或训练连接行为状态模型。然后,对于也在具有或共享该UE子集或UE群组的该公共方面或特征的该群组或子集内的新UE,可以基于针对新UE的连接事件信息和关联的信道条件以及特定于群组的连接行为状态模型,来确定针对该新UE的连接行为状态或分类。也可能是虽然可以基于来自大型UE群体的数据来训练模型,并且虽然针对个体UE或其连接事件进行连接行为状态的标识,但是如上面所指出的那样。可以标识具有公共共享方面或特征并且展现出高于期望或高于被归类为具有不良连接行为状态的典型频率的UE群组。
根据示例实施例,针对UE用于改进UE的连接行为的网络校正动作可以包括例如以下至少一项:调整用户设备的调制和编码方案(MCS),调整用户设备用于上行链路传输的传输功率,调整用于向用户设备传输的下行链路传输功率,调整重传定时或策略,调整用户设备在小区之间的切换的(一个或多个)信号阈值,调整针对用户设备的资源调度,调整用于物理下行链路控制信道(PDCC)的控制信道单元(CCE)选择,调整波束形成或其他MIMO传输策略,更新用户设备的订阅配置文件以指示用户设备的连接行为状态,触发或引起对用户设备或订户的订阅计划或收费/计费的更新,触发或引起呼叫跟踪以收集订户或用户设备连接的数据,确定或维持连接事件或用户设备的连接行为状态的改变的计数,引起或触发问题报告或状态报告被生成和/或被发射到硬件或软件或设备制造方。这些是一些示例,并且例如,至少在UE的分类或连接行为状态指示UE是低性能的UE(低性能的连接行为)或者UE可能受益于(或可能需要)一个或多个网络校正动作来改进UE的连接行为的情况下,可以使用或执行其他网络校正动作来改进UE的连接行为。
因此,根据示例实施例,一种方法可以包括:从无线网络内的无线电接入网络(RAN)节点(例如,BS)接收用于一个或多个UE的连接事件信息和相关联的信道条件信息;以及基于连接事件信息的至少一部分和相关联的信道条件信息以及连接行为状态模型来确定UE的连接行为状态,其中连接行为状态模型提供在用于一个或多个UE的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射。
根据示例实施例,该方法还可以包括:确定连接行为状态模型,该模型提供针对一个或多个UE的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。该方法还可以包括:执行或发送消息以使另一网络节点基于UE(或用户设备)的连接行为状态来执行关于UE的网络校正动作以改进UE的连接行为。
图2是图示出了根据示例实施例的系统的图。该系统可以包括例如可以向一个或多个UE或用户设备提供无线服务和连接的RAN(无线电接入网络)节点(例如,诸如eNB、gNB或BS)210、RAN智能控制器(RIC)220(例如,其可以是近实时的)、可以在242处提供模型更新或模型训练的ONAP(开放网络自动化平台)或RIC 240(例如,其可以是非实时的)、以及另一个网络节点230,其可以是例如核心网络或下一代核心(NGC)节点,或在线或离线计费系统,或计费支持系统(BSS),或操作支持系统(OSS),或网络运营中心(NOC),或网络管理系统(NMS),或客户体验管理(CEM)系统,或家庭用户服务器(HSS)等。
根据示例实施例,RAN节点210(例如,eNB或gNB)可以包括若干元件,诸如中央单元(CU)、分布式单元(DU)和无线电单元(RU),例如如3GPP技术报告38.401中所述。中央单元(CU)可以提供上层RAN功能,例如诸如无线电资源控制(RRC)之类的控制平面功能和诸如分组数据聚合协议(PDCP)和双连接性/多连接性之类的用户平面功能。CU可以包括控制平面元件(CU-CP)和用户平面元件(CU-UP)。CU和DU可以通过F1或W1接口来彼此交互。CU-CP和CU-UP可以通过E1接口来彼此交互。RAN节点210的各种功能可以在CU中被实现,或在DU中被实现,或者部分在CU中部分在DU中被实现,没有限制。
如图2中所示,在212处,例如,RAN节点210可以检测或确定针对连接到RAN节点的一个或多个UE的连接事件信息(与(一个或多个)连接事件和/或(一个或多个)连接丢失事件相关联)。在214处,RAN节点210可以在主小区(Pcell)和/或5G热点小区上进行与UE相关的测量(例如,对从UE接收到的一个或多个信号的测量(或与之相关))。在216处,例如,RAN节点210可以在主小区或5G热点小区上接收UE信道反馈或UE测量。
在一些实施例中,RAN节点210可以提供与UE的主小区(PCell)或主eNB或主gNB相关联的所有RAN功能,以及与辅小区(Scell)或辅eNB(SeNB)或辅gNB(SgNB)相关联的功能。在一些实施例中,RAN节点210可以提供一部分RAN功能,而另一个RAN节点210-B可以提供其他相关的RAN功能。例如,RAN节点210可以仅提供Pcell(或MeNB或MgNB)的功能,而另一个RAN节点210-B可以提供与Scell(或SeNB或SgNB)相关联的功能。备选地,RAN节点210可以提供与Scell(或SeNB或SgNB)相关联的功能,而RAN节点210-B可以提供Pcell(或MeNB或MgNB)的功能。在一些实施例中,RAN节点210可以提供上层或中央单元(CU)RAN功能,而RAN节点210-B可以提供下层或分布式单元(DU)RAN功能。Pcell/MeNB/MgNB和Scell/SeNB/SgNB的功能以其他方式在一个或多个RAN节点上进行拆分的其他实施例也是可能的。RAN节点210可以使用X2或Xn接口、或使用F1接口或其他接口来与RAN节点210-B进行接口。在UE使用双连接性连接到支持高容量/热点小区的5G gNB同时还连接到LTE主小区或主eNB的情况下,5GgNB可以位于RAN节点210处,而LTE主小区可以位于RAN节点210-B处,或者反之亦然(即,在这样的说明性示例中,5G gNB可以位于RAN节点210-B处,而LTE主小区可以位于RAN节点210处)。在这种双连接性的情况下,在LTE和5G之间的多种选项的双连接性可以被采用,诸如选项3/3a/3x或选项4/4a或选项7/7a/7x等,例如在3GPP技术报告(TR)38.801中所述。
在一些情况下,RAN节点210可以接收关于与Pcell/MeNB/MgNB相关的连接事件和关联的信道条件的部分信息,而RAN节点210-B可以接收关于连接事件和相关联的信道条件信息的其他部分信息。例如,RAN节点210可以提供Pcell/MeNB/MgNB的功能,而RAN节点210-B可以提供Scell/SeNB/SgNB的功能。在这种情况下,RAN节点210可以获得与Pcell/MeNB/SeNB上的信道条件相关的信息,而RAN节点210-B可以接收关于连接事件的信息,诸如UE对Scell或SeNB/SgNB的连接尝试以及在连接事件之后UE相对于SgNB/SeNB/Scell的关联的信道条件。备选地,例如,RAN节点210可以提供上层或中央单元或CU功能,而RAN节点210-B可以提供下层或分布式单元或DU功能。在这种情况下,RAN节点210可以经由诸如无线电资源控制(RRC)之类的上层来接收连接事件信息和相关联的信道条件信息,例如经由RRC连接尝试信息和RRC测量,而RAN节点210-B可以经由诸如层1/物理层或层2/媒体访问控制(MAC)之类的下层来接收连接尝试和相关联的信道条件信息,例如经由RACH尝试和信道状态信息(CQI)或信道质量指示符(CQI)或预编码矩阵指示符(PMI)或秩指示符(RI)或功率余量报告(PHR)等。在这种情况下,RAN节点210-B可以向RAN节点210传达关于连接事件和相关联的信道条件信息的信息。从RAN节点210-B到RAN节点210的这种信息传达可以发生在X2或Xn或F1接口或其他接口上,具体取决于由RAN节点210和RAN节点210-B所提供的功能性。RAN节点210然后可以将它自己的关于连接事件和关联的信道条件的信息一起与从RAN节点210-B接收的信息进行组合以形成关于连接事件和关联的信道信息的整体信息。
此外,基于针对一个或多个UE收集或接收的连接事件信息和相关联的信道条件信息,可以确定或开发一个模型(例如,连接行为状态识别(CBSI)模型)224,该模型224可以提供在用于UE的连接事件信息和相关联的信道条件信息与UE的连接行为状态之间的映射或关联。以这种方式,可以训练或开发模型。模型224可以是相对简单的模型,其可以使用一个或多个相对简单的规则。例如,该模型可以跟踪大多数UE能够连接并维持与小区的连接的接收信号强度(RSSI)。并且,无法以这样的RSSI进行连接和/或维持连接的UE可以被分类为低性能的连接行为状态(例如,其中RAN节点(例如,BS)、核心网络或其他网络节点可以执行一个或多个网络校正动作以改进此类UE的连接行为)。否则,如果UE能够以这样的RSSI进行连接并维持连接,那么UE可以被分类为正常或高性能的连接行为状态(例如,在这种情况下,与可能受益于一个或多个网络校正动作的较低性能的连接行为相比,可以执行较少的网络校正动作,或者可以不执行网络校正动作)。这仅仅是模型的一个说明性示例。
模型224也可以是明显更复杂的,并且可以基于许多不同的连接事件和信道条件。在一些情况下,模型224例如可以是人工智能(AI)神经网络模型。例如,模型可以包括人工智能/机器学习(AI/ML)方法(例如,聚类或神经网络),其可以被应用于由事件的时间轨迹或向量以及在事件之前、期间和/或之后的信道条件/测量序列所形成的UE签名,以确定UE的分类或连接行为状态,其可以包括例如UE是特定连接行为状态的可能性(例如,UE具有低性能的连接行为或者应被分类为低性能的连接行为状态的可能性)。
A)如图2中所示,5G连接行为状态标识(CBSI)模块222可以从RAN节点(例如,BS、eNB或gNB)210接收(经由212、214和216)关于一个或多个UE到5G热点小区的连接(或连接丢失)的事件的连接事件信息,以及在事件之前、期间和/或之后的时间间隔内的关联的UE的信道条件信息。
B)5G-CBSI模块222可以基于连接/丢失连接事件和相关联的信道条件的信息,来确定UE的分类或连接行为状态,其可以是(或者可以包括)例如一个或多个UE是连接到5G热点小区的“异常”或低性能的UE的可能性。
根据示例实施例,5G-CBSI模块222可以基于接收到的连接事件信息和关联的信道条件来确定UE的UE签名(在226处)。可以计算UE签名以反映针对UE的连接事件和关联的信道条件。不同的技术或算法可以被用来生成UE签名。例如,UE签名可以由(一个或多个)连接事件的时间轨迹或向量以及在(一个或多个)连接事件之前、和/或期间、和/或之后的关联的信道条件的时间序列、和/或其数学函数来形成。例如,UE签名可以由向量组成,该向量包括:连接事件发生的时间戳和连接事件的标识符(例如,连接事件是RACH尝试还是RRC连接尝试等)、在连接事件之前的时间段内执行的与UE相关的相关联的信道条件信息或测量序列以及关联的时间戳,以及在连接事件之后的时间段内执行的与UE相关的相关联的信道条件信息或测量序列以及与测量相关联的时间戳。此外,UE签名还可以包括测量的数学函数,诸如平均值,或者表示诸如信号强度电平之类的测量的变化率的一阶导数等等。
UE签名(和/或针对UE的连接事件和相关联的信道条件)被提供或输入到模型(例如,AI神经网络模型)224。5G-CBSI模块222可以基于UE签名(和/或UE的连接事件和关联的信道条件)和模型224来确定UE的分类或连接行为状态。此外,UE签名(和/或针对UE的连接事件和关联的信道条件)可以被提供给RIC 240,其中可以确定已更新的模型(在242处)。经更新的模型可以被提供回5G-CBSI模块222。
C)由5G-CBSI模块222向其他网络节点(例如,核心网络)230和/或向RAN节点210提供(或输出)UE分类或UE的连接行为状态的通知。节点230可以例如基于UE的分类或连接行为状态来更新UE配置文件。例如,UE配置文件可以包括UE的订阅状态、诸如IMEI或IMSI之类的UE的标识符以及诸如UE在当前计费时段期间消耗的数据量或与UE相关联的服务质量之类的UE的各种特性。通常,与UE相关联的属性与诸如IMEI或IMSI之类的标识符相关联并且可以由运营商针对特定标识符或标识符群组进行查询或检索。作为UE配置文件的一部分,其他网络节点230可以维持UE被分类为示出低连接性能行为的可能性的计数或频率或其他度量。相关联的数据库可以被维持在其他网络节点处,诸如保持跟踪UE的哪些IMEI连接到网络以及与各种IMEI相关联的观察或测量的各种属性或特性的IMEI注册表,或者跟踪哪些IMSI连接到网络以及与各种IMSI相关联的观察或测量的各种属性或特性的订户数据库。作为示例,当5G-CBSI模块222向其他网络节点230提供(或输出)UE分类或UE的连接行为状态的通知时,该通知可以承载UE的标识符,诸如用于S1-AP接口的eNodeB UE S1-AP身份、或临时移动用户身份(TMSI)、或IMSI、或IMEI等。基于此,网络节点230可以将接收到的通知与特定UE的UE配置文件相关联。网络节点230然后可以更新表示UE被分类为具有给定连接行为状态的累积次数的计数器,或者等效地,UE被分类为具有给定连接行为状态的频率或可能性。
此外,在218处,例如,基于UE分类或UE的连接行为状态,RAN节点210可以针对UE执行一个或多个网络校正动作。如所指出的,例如,如果UE具有低性能的连接行为状态,则多种不同的网络校正动作可以被用来改进UE的连接行为。一些示例网络校正动作例如可以包括:例如,将被发送到UE或由UE发送的信号的MCS调整为更稳健的MCS,增加被发送到UE或由UE发送的信号的传输功率,调整用于为针对UE的后续Scell/SeNB(辅小区或辅RAN节点/BS)指派选择UE的标准,调整针对UE的资源的调度,和/或调整用于UE在小区或BS/gNB之间执行切换的一个或多个阈值或参数。这些只是可以被用来改进可能具有低性能的连接行为状态的UE的连接行为的网络校正动作的几个示例。
其他网络节点230可以是RAN节点(例如,210或其他RAN节点)或诸如ONAP之类的编排/管理系统,或者在ORAN架构中,例如可以是RIC或核心网络元件(MME/NGC)。其他网络节点230可以基于UE分类或UE连接行为状态的通知,或者基于在接收到通知时执行的对UE配置文件的已更新的结果,来调用网络校正动作。在一些情况下,UE的连接行为状态可以随着时间的推移而改变,因为针对UE的事件和关联的信道条件改变和/或因为模型改变。
5G-CBSI模块222可以在RIC(例如,RIC-near-RT(实时)或RIC-non-RT(非实时)处被托管(或运行于):在RIC-near-RT处托管(或运行或执行)5G-CBSI模块222将启用用于本文所描述的方法或技术的“在线”应用,例如,在UE仍连接到小区时对UE进行分类(以确定UE的连接行为状态),支持应用近实时网络校正动作(例如,由连接到UE的小区)以改进UE的连接行为,从而例如通过增加传输功率、使用更稳健的MCS等等,可能避免较早断开的连接(与低性能的连接行为状态相关联)。
在实时(或近实时)RIC上托管或运行5G-CBSI模块可以允许(例如,在阈值时间段内)更近的UE签名或更近的UE事件和信道条件(例如,并且还可以允许使用更近的已更新的模型224),其被输入到模块222并被用来快速生成用于UE或用于UE到小区的连接的分类或连接行为状态。模块222的非实时托管可以例如使用先前的或仅较旧的(或历史的)UE签名或连接事件和信道条件以及先前/较旧的模型来确定UE的分类或连接行为状态。因此,例如,可以允许基于新近的数据例如阈值时间段内的数据(例如,连接在过去100毫秒内发生或检测到的事件和信道条件)来确定模块222的实时(或近实时)实现。而例如,模块222的非实时实现可以使用可能比阈值时间段老旧(例如,比100ms老旧)的数据(事件和信道条件和/或模型)。这些仅仅是一些说明性的示例。
在RIC-non-RT(RIC非实时)处托管将使得能够离线识别或分类或离线确定UE的行为状态。又例如,在ORAN架构中,模型开发或训练可以例如在RIC非实时处进行或在其他节点或位置处进行。
如上所指出,模型224可以是人工智能模型、神经网络模型、AI神经网络模型,(例如,其备选地可以被称为AI模型、AI神经网络、神经网络、神经网络模型或模型,或其他术语)或机器学习(ML)模型。AI模型或神经网络是由分层组织的节点组成的机器学习中使用的计算模型。节点也被称为人工神经元,或就称为神经元,并对所提供的输入执行函数以产生一些输出值。神经网络需要一个训练时段来学习被用来将输入映射到所期望输出的参数,即权重。映射经由函数来发生。因此,权重是应用神经网络的映射函数的权重。每个AI模型或神经网络模型都可以针对特定任务而被训练。根据示例实施例,一项任务可以包括改进无线电网络的性能(或者至少减少无线电网络性能的降低)。由AI模型或神经网络模型执行的任务由所提供的输入、映射函数和所期望的输出来确定。
为了在给定输入的情况下提供输出,必须训练神经网络,这可能涉及学习应用映射函数的大量参数的适当值。这些参数通常也被称为权重,因为它们被用来对映射函数中的项进行加权。这种训练可能是一个迭代过程,在数千轮训练中微调权重值,直到达到最佳或最准确的值。在神经网络的上下文中,参数可以被初始化,常常利用随机值来进行初始化,并且训练优化器迭代地更新网络的参数(也被称为权重),以最小化映射函数中的误差。换句话说,在迭代训练的每一轮或每一步期间,网络更新参数的值,以使得参数的值最终收敛到最佳值。
可以以监督方式或非监督方式来训练机器学习模型。在监督学习中,训练示例被提供给神经网络或其他机器学习算法。训练示例包括输入和期望的或先前观察到的输出。训练示例也被称为被标记数据,因为输入被标记为具有期望或观察到的输出。在神经网络的情况下,网络学习映射函数中使用的权重值,权重值在给定训练输入时通常产生所期望的输出。在非监督训练中,机器学习模型学习识别所提供的输入中的结构或模式。换句话说,模型识别数据中的隐含关系。非监督的学习被使用在许多机器学习问题中,并且通常需要大型未标记数据集合。
此外,在一些示例神经网络模型和其他机器学习模型中,可以基于数据和成代价函数或奖励函数来执行学习。例如,代价函数可以提供特定解决方案与待解决问题的最佳(或期望)解决方案相距多远的度量或指示。而奖励或奖励函数可以指示输出更靠近期望或最佳解决方案。
根据示例实施例,神经网络模型的学习或训练可以被分类为两大类别(监督和非监督),这取决于是否存在可用于模型的学习“信号”或“反馈”。因此,例如,在机器学习领域内,模型的学习或训练可以有两种主要类型:监督和非监督。这两种类型之间的主要区别在于,监督学习是使用针对某些数据样本的输出值应该是什么的已知或先验知识来完成的。因此,监督学习的目标是学习一个函数,在给定数据样本和期望输出的情况下,该函数近似数据中可观察到的输入和输出之间的关系。另一个方面,非监督学习没有被标记的输出,因此其目标是推断数据点的集合内存在的自然结构。
监督学习:向计算机呈现示例输入及其期望的输出,并且目标可以是学习将输入映射到输出的一般规则。例如,监督学习可以在分类的上下文中执行,其中计算机或学习算法尝试将输入映射到输出标记,或者在回归的上下文中执行,其中计算机或算法可以将(一个或多个)输入映射到(一个或多个)连续输出。监督学习中的常见算法可以包括例如逻辑回归、朴素贝叶斯、支持向量机、人工神经网络和随机森林。在回归和分类中,目标可以包括在输入数据中找到特定的关系或结构,使我们能够有效地产生正确的输出数据。作为特殊情况,输入信号可以只部分可用,或仅限于特殊反馈:半监督学习:计算机只得到一个不完整的训练信号:其中一些(通常很多)目标输出丢失的训练集。主动学习:计算机可以只获得针对有限实例集的训练标记(基于预算),并且还必须优化用于获取标记的其对象选择。当交互使用时,这些可以被呈现给用户以进行标记。强化学习:训练数据(以奖励和惩罚的形式)仅作为对动态环境中的程序动作的反馈,例如使用实时数据。
非监督的学习:没有给学习算法赋予标记,让它自己在它的输入中寻找结构。非监督的学习中的一些示例任务可以包括聚类、表示学习(representation learning)和密度估计。在这些情况下,计算机或学习算法试图在不使用明确提供的标记的情况下学习数据的固有结构。一些常见的算法包括k均值聚类、主成分分析和自动编码器。由于没有提供标记,因此在大多数非监督的学习方法中没有特定的方法来比较模型性能。
图3是图示出了根据示例实施例的信号图的图。如图3中所示,系统可以包括UE312、RAN节点210、5G连接行为状态识别(5G-CBSI)模块222、模型训练模块242和另一个网络节点(例如,其可以是下一代(或5G)核心网络节点、RAN节点或其他节点)230。
在314处,模型训练模块242可以确定初始5G连接行为状态识别(5G-CBSI)模型。在316处,模块242向5G CBSI模块222提供初始5G CBSI模型。在318处,RAN节点210可以接收或可以确定连接事件信息(描述一个或多个连接或连接丢失事件)。
A)在320处,RAN节点210向5G CBSI模块222提供连接事件信息和相关联的信道条件信息。
B)在322处,5G CBSI模块222针对UE确定分类或连接行为状态,例如,其可能是具有低性能的连接状态行为的UE的可能性。
C)在324处,5G CBSI模块222向RAN节点210通知UE的分类或连接行为状态(例如,UE可以连接到小区/RAN节点210,或者可以尝试或可以已经尝试连接到RAN节点或小区等)。
在326处,5G CBSI模块222向其他网络节点230通知UE的分类或连接行为状态。在328处,5G CBSI模块222向模型训练模块242通知接收到的针对UE的连接事件信息和相关联的信道条件信息。在218处,RAN节点210可以基于UE的分类或连接行为状态,针对UE执行一个或多个网络校正动作,例如以改进UE的连接行为。在330处,模型训练模块242可以基于接收到的针对UE的连接事件信息和相关联的信道条件信息来更新5G CBSI模型。在332处,其他网络节点(例如,核心网络节点)可以执行网络校正动作(例如,基于UE的分类或连接行为状态),例如,其可以包括更新订户或UE配置文件和/或更新基于MEI的注册表。在334处,模型训练模块242可以向5G CBSI模块222提供经更新的5G CBSI模型。在336处,5G CBSI模块222可以使用经更新的模型来处理后续连接事件和相关联的信道条件,例如以确定一个或多个UE的分类或连接行为状态。
注意,虽然参考5G/NR(新无线电)网络描述了一个或多个示例实施例,但是应当理解,本文所描述的各种技术和示例实施例不限于5G/NR,而是可以被应用于任何无线网络或无线技术,例如诸如WLAN、LTE或其他无线技术。例如,可以例如通过如下操作针对其他类型的网络(例如,WLAN、LTE或其他无线技术)来改进网络或用户设备的连接行为或连接性能:接收或确定关于LTE UE或WLAN用户设备的连接事件信息和相关联的信道条件信息,确定UE或用户设备的连接行为状态,向(LTE或WLAN,或其他无线技术)BS、AP或RAN节点报告或通知UE连接行为状态,和/或向核心网络或其他网络节点通知UE的UE连接行为状态,然后(例如,由BS/AP和/或由核心网络)基于UE连接行为状态来执行一个或多个网络校正动作。以这种方式,无论无线技术或无线网络的类型如何,都可以标识具有低性能的连接行为的UE,并且可以执行一个或多个网络校正动作以改进此类UE或用户设备的连接行为或性能。
现在将描述进一步的说明性示例。
方面A(操作320,图3)的进一步细节:接收连接/连接丢失事件信息和相关联的信道条件信息。
根据示例实施例,针对连接到5G热点小区的UE的连接事件可以包括:UE执行与5G热点小区的RACH(随机接入过程,或发送随机接入请求);UE在5G热点小区上成功开始控制(物理上行链路控制信道或探测参考信号,PUCCH/SRS)或数据(物理下行链路共享信道或物理上行链路共享信道,PDSCH/PUSCH)传输;以及RAN节点向UE提供高容量5G gNB/BS配置信息(例如,用于载波聚合作为Scell(辅小区),或作为SgNB(辅基站)以用于双连接性或NSA)。
针对连接到5G热点小区的UE的连接丢失事件可以包括以下任何导致UE无法在5G热点小区上发射/接收控制和/或数据信道的事件,例如:高数据信道重传事件(MAC/PHY处的混合自动重传(HARQ)或RLC处的自动重传(ARQ);高PDCCH传输错误(不连续传输(DTX)或响应于物理下行链路控制信道(PDCCH)授权的来自UE的无数据传输);高PUCCH解码错误
对应于事件之前和/或之后的时间间隔(和/或事件之前、期间和/或之后的时间间隔)的、与事件相关联的信道条件信息,包括:关于Pcell以及关于5G热点小区的UE信号或信道质量信息;这可以包括:CQI(信道质量指示(CQI)或预编码矩阵指示符(PMI)和/或秩指示(RI)、路径损耗/PHR、RACH(随机接入信道)定时提前、HARQ Ack/Nack、RSRP(参考信号接收功率)、上行链路信号强度和/或上行链路干扰和/或UL SINR信干噪比)、到达方向/角度、波束信息、每个天线测量(信号强度和/或相位)等。
在xRAN/ORAN的上下文中,作为进一步示例,该信息可以由RAN节点通过B1(或E2)接口报告给RIC-near-RT。
方面B(图3的操作322)的进一步细节:确定针对UE或针对连接到5G热点小区的连接行为状态的分类或(或可能性):
可以使用AI或机器学习模型或神经网络模型来执行对UE或针对连接的连接行为状态的分类或确定。
5G-CBSI模块可以从训练模块接收经训练的机器学习/AI模型或神经网络模型。训练模块可以在ONAP上或(在ORAN架构中)在RIC非实时处。
5G CBSI模块可以根据UE的连接事件的向量/序列/轨迹和相关联的信道条件信息来形成UE签名。AI/ML方法/AI模型可以被应用于此UE签名,例如确定针对UE到小区或5GgNB的连接或UE的连接行为状态。
AI/ML方法、AI模型或神经网络模型可以是例如:
(i)聚类——确定UE签名/向量的空间中的聚类,并将聚类分类为具有正常或高性能连接行为状态,或低性能的连接行为状态,或其他状态或分类,以便标识具有(或可能是)异常或低性能的连接行为的那些UE。例如,在某些UE已经被分类的情况下,这可能不需要先验的“基本事实”,这可以作为“非监督的”训练来完成。
(ii)密度估计——基于事件可能性和/或信道条件的扩展,将“尾部概率事件”标识为低性能的连接行为状态,或输出UE具有低性能的连接行为状态的可能性。
(iii)监督学习方法,诸如神经网络或SVM——通常这些方法需要“基本事实”,其中某些UE签名已被分类为低性能的连接行为状态,从中可以训练分类器。
分类可以一次被应用于一个UE,或被应用于一批UE。例如,当接收到给定的UE信息(连接/丢失连接事件和关联的信道条件)时,系统可以确定是否将UE分类为低性能的连接行为状态或确定UE是或具有低性能的连接行为的可能性。或者,累积一批(或大量)UE的连接事件和关联的信道条件,并对其应用分类/聚类。
在说明性示例实施例中,批处理方法可以被用于“离线”应用——例如,当在UE的连接已经完成之后认为足以确定UE的分类或连接行为状态时。一次一个UE的方法适用于“在线”应用,例如,当在连接仍在进行时需要识别具有低(或异常)性能的连接行为状态的UE。
5G-CBSI模块可以提供有模型,并且可以将该模型应用于传入的UE事件或一批UE的事件。在分类(或确定连接行为状态)的情况下,模型可以表示在UE签名空间中在“异常”和“非异常”行为之间或在低性能的连接行为与预期或平均或高性能的连接行为之间的分隔边界。在可能性预测的情况下,模型可以表示例如UE签名到分隔边界上的最近点的距离。可以通过收集与连接/连接丢失事件相关联的大量UE签名来训练由5G-CBSI模块使用的模型。在聚类的情况下,签名可以被表示为N维空间中的向量,并且可以使用诸如k均值之类众所周知的聚类方法来识别该空间中的集群。然后可以根据连接行为或连接性能对集群进行排名。例如,可以根据集群中的UE连接(或失去连接)到5G热点小区(例如与RSSI或其他信道条件相比的连接事件或连接丢失事件)的“较早”程度对集群进行排名。例如,作为说明性示例,“较早的”连接可以包括基于较低的RSSI连接到小区,从而导致较高的连接性能,而较晚的连接可能是直到RSSI较高才发生的连接,从而由于UE连接到该5G小区的时间较少而导致该小区的较低连接性能。最差性能的集群将是连接太晚(例如,需要更高RSSI才能连接的UE)或较早失去连接的那些,并且这些可以被标注或分类为低性能的连接行为状态(例如,以使得RAN节点和/或其他节点可以针对UE执行一个或多个网络校正动作以尝试改进低性能的UE的连接行为)。
如所指出的,具有公共特征或方面的UE可以展现出相同或相似的连接行为。公共特征或方面可以例如是相同的UE模型类型、相同的硬件组件、相同的天线系统、相同的软件实体或协议实体(例如,相同的SW供应商和/或相同的协议实体版本)或相同的芯片组。例如,就连接到5G热点小区的能力而言,即使在不同的UE实现中,给定芯片组类型可能会给出相同或相似的连接行为(例如,建立和/或维持连接需要什么信道条件)。因此,聚类/分类方法可以帮助识别使用相同芯片组的不同UE给出相似的行为。
例如,用于特定芯片组模型的给定芯片组制造方的实现可以被多个UE供应商/制造方使用。因此,例如,芯片组实现是确定UE行为的主要因素。
在一些情况下,就连接到5G热点小区的能力而言,UE设备或手机的细节可能是主要因素。设备或手机特性例如可以是天线的放置或RF损耗特性等。在这种情况下,即使在使用相同芯片组的那些手机中,聚类/分类方法也可以帮助区分性能良好的手机和性能不佳的手机。
方面C(操作324,图3)的进一步细节:生成分类或连接行为状态(或特定连接行为状态的可能性)的通知:
5G CBSI模块可以基于UE的分类或连接行为状态生成去往另一网络节点的通知。其他网络节点可以是RAN节点或诸如ONAP之类的编排/管理系统,或者在ORAN架构中可以是RIC非实时,或核心网络元件(MME/NGC)。然后其他网络节点可以基于通知来调用动作:如果其他节点是RAN节点,那么RAN节点可以(在同一连接期间)以不同方式对待UE,例如进行一个或多个调整,诸如MCS、传输功率、切换阈值等。
在xRAN/ORAN的上下文中,举例来说,该通知可以通过B1或E2接口发生。基于该通知,RAN节点可以例如修改用于切换或后续CA/双连接性尝试的阈值,或者在UE靠近(例如,由于针对UE的RSSI开始下降)可能失去连接时时修改调度或MCS选择。
在XRAN/ORAN的上下文中,5G-CAI可以被视为无线电智能控制器(RIC)平台之上的模块或微服务。它生成的通知可以由5G CAI发送到RIC之上的另一个模块,然后该模块可以确定最佳校正动作并通知RAN。在这种情况下,在其上发送通知的接口可以是“C1”接口,它使得模块能够与RIC平台本身或与RIC平台上的其他模块进行通信。
上述两种情况(其他节点=RAN节点,或其他节点=RIC之上的另一个模块)中的任何一种都可以实现该方法的“在线”应用。例如,如果其他节点是ONAP或核心网络(NGC或MME),它可以采取校正动作。例如,网络校正动作可能是更新/修改UE的订阅配置文件以将其标注为异常(或低性能),或更新IMEI注册表以将该特定UE标注为低性能的UE等。其他网络节点(例如,下一代核心节点或NGC)还可以使用累积计数器来保持跟踪相对于连接/连接丢失事件的总数(例如,每个UE、具有相同特征或方面的每个群组、或全部或所有UE)而被分类为异常(或低性能的连接行为)的事件数量。对于该值为高的UE,可以调用校正动作。基于已更新的订阅配置文件,对于随后的连接尝试,RAN节点可以被告知以不同方式对待UE,例如,这可以指示RAN节点执行一个或多个网络校正动作以改进UE的连接行为。此外,如果有足够多的特定类型或具有相同特征或方面(例如,相同制造方或相同芯片组)的UE显示针对到热点小区的5G连接的显著异常或低性能的连接行为,则例如通过向供应商或制造方发送性能报告,指示针对这些UE型号或UE型号类型或针对该芯片组的低性能的连接行为,网络运营商(或核心网络或网络内的其他节点)可以交涉制造方或芯片组供应商的问题。这通常适用于“离线”应用。
示例优势:根据示例实施例,本文所描述的系统和/或方法的一些示例优势可以包括,例如:
1)对可能具有到某些(例如,5G)小区的低性能的连接行为的UE的标识,允许对这样的UE和/或这样的连接执行网络校正动作以便改进针对UE和/或针对UE关于(多个)特定小区的连接行为。
2)可以通过允许RAN节点和/或核心网络实体/节点对已被标识或分类为具有低性能的行为状态或异常连接行为的(多个)UE进行网络校正动作来改进UE性能和/或用户体验。以这种方式,通过标识此类UE,然后向RAN节点通知此类低性能的连接行为状态,这可允许此类RAN节点或小区例如应用网络校正动作以允许此类UE改进连接行为,例如允许UE更早地连接(例如,以较低的RSSI)和/或更长时间地保持连接,从而改进UE所经历的整体数据吞吐量、延时等。
3)可以通过减少断开连接的数目或通过减少不成功的连接尝试的数目来改进网络性能和可靠性。此外,可以提供更有效的资源使用,因为在断开连接之后或在连接尝试不成功之后,在尝试更多连接的UE上可以浪费更少的资源。
4)至少在一些示例实施例中,通过允许在多个不同位置——例如在RAN节点上、在云中、在核心网络内或在RIC上(RT或非RT)或其他节点或位置提供5G CBSI模块222,这可以允许不同的供应方或设备制造方提供5G-CBSI模块和解决方案。
虽然关于5G/NR(新无线电)网络描述了多个说明性示例,但是各种实施例不限于5G/NR,而是适用于任何无线网络或无线技术,例如WLAN、LTE等。
现在描述一些另外的示例实施例。
示例1.图4是图示出了根据示例实施例的系统的操作的流程图。操作410包括从无线网络内的无线电接入网络(RAN)节点接收用于一个或多个用户设备的连接事件信息和相关联的信道条件信息。操作420包括基于连接事件信息的至少一部分和相关联的信道条件信息以及连接行为状态模型来确定用户设备的连接行为状态,其中连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
示例2.根据示例1所述的方法,还包括:确定连提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
示例3.根据示例2所述的方法,其中确定连接行为状态模型包括:接收型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
示例4.根据示例2-3中任一项所述的方法,其中确定连接行为状态模型包括:训练提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
示例5.根据示例1-4中任一项所述的方法,并且还包括:向无线电接入网络(RAN)节点发送消息,该消息指示用户设备的连接行为状态。
示例6.根据示例1-5中任一项所述的方法,还包括:向网络节点发送消息,该消息指示用户设备的连接行为状态。
示例7.根据示例1-6中任一项所述的方法,并且还包括:
执行或发送消息以使另一网络节点基于用户设备的连接行为状态来执行关于用户设备的网络校正动作,以改进用户设备的连接行为。
示例8.根据示例1-7中任一项所述的方法:其中,所述接收包括:从无线网络内的无线电接入网络(RAN)节点接收用于至少用户设备的连接事件信息和相关联的信道条件信息;其中确定连接行为状态包括:基于用于用户设备的连接事件信息和相关联的信道条件信息以及连接行为状态模型来确定用户设备的连接行为状态。
示例9.根据示例1-8中任一项所述的方法,其中用户设备具有第一用户设备类型;其中接收包括:从无线网络内的无线电接入网络(RAN)节点接收用于第一用户设备类型的多个用户设备的连接事件信息和相关联的信道条件信息;其中连接行为状态模型包括提供在用于第一用户设备类型的至少一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
示例10.根据示例1-9中任一项所述的方法,其中用户设备是具有一个或多个公共特征或方面的用户设备的子集的一部分,该公共特征或方面使第一用户设备子集的用户设备至少在部分时间展现出相同或相似的连接行为;其中接收包括:从无线网络内的无线电接入网络(RAN)节点接收用于用户设备子集的多个用户设备的连接事件信息和相关联的信道条件信息;其中连接行为状态模型包括提供在用于用户设备子集的至少一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
示例11.根据示例10所述的方法,其中用户设备子集的一个或多个公共特征或方面包括以下一项或多项:相同的用户设备品牌或制造方;相同的用户设备型号;包括相同半导体芯片或芯片组的用户设备;包括相同版本协议实体的用户设备;包括相同硬件模块的用户设备;包括相同软件模块的用户设备;包括相同天线系统或天线配置的用户设备。
示例12.根据示例1-11中任一项所述的方法,其中连接事件信息包括用于一个或多个用户设备的连接事件和连接丢失事件中的至少一项。
示例13.根据示例1-12中任一项所述的方法,其中连接事件信息包括以下至少一项:连接事件,包括以下一项或多项:用户设备到小区的成功连接尝试;用户设备执行与小区的随机接入过程;用户设备成功开始向小区的用于控制信号或数据的传输;以及小区向用户设备提供配置信息以允许用户设备配置自身以与小区通信;以及连接丢失事件,包括以下一项或多项:用户设备对小区的不成功连接尝试;用户设备无法向小区发送或接收数据或控制信号;与小区的数据重传事件的至少一个阈值数目或阈值率;以及解码错误的至少一个阈值数目或阈值率。
示例14.根据示例1-13中任一项所述的方法,其中相关联的信道条件信息包括以下至少一项:信道质量信息、数据错误率或块错误率、信道状态信息(CSI)、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信干噪比(SINR)、随机接入(RACH)定时提前、信号的到达方向和/或角度、用于发射或接收波束的波束信息指示、针对天线强度和/或相位的每个天线测量)。
示例15.根据示例1-14中任一项所述的方法,其中相关联的信道条件信息包括以下一项或多项:在连接事件之前的阈值时间段内的信道条件信息;在连接事件时的信道条件信息;在连接事件之后的阈值时间段内的信道条件信息。
示例16.根据示例7-15中任一项所述的方法,其中用以改进用户设备的连接行为的关于用户设备的网络校正动作包括以下至少一项:调整用户设备的调制和编码方案(MCS),调整用户设备的用于上行链路传输功率的传输功率,调整用于向用户设备传输的下行链路传输功率,调整重传定时或策略,调整用户设备在小区之间的切换的(一个或多个)信号阈值,调整针对用户设备的资源调度,调整用于物理下行链路控制信道(PDCC)的控制信道单元(CCE)选择,调整波束形成或其他MIMO传输策略,更新针对用户设备的订阅配置文件以指示用户设备的连接行为状态,触发或引起针对用户设备或订户的订阅计划或收费/计费的更新,触发或引起呼叫跟踪以收集用于订户或用户设备连接的数据,确定或维持连接事件或对用户设备的连接行为状态的改变的计数,引起或触发问题报告或状态报告被生成和/或被给硬件、软件或设备制造方。
示例17.根据示例1-16中任一项所述的方法,其中确定连接行为状态模型包括确定人工智能(AI)模型或神经网络模型。
示例18.根据示例4-17中任一项所述的方法,其中训练连接行为状态模型包括执行以下至少一项:使用监督学习来训练连接行为状态模型;使用监督学习来训练连接行为状态模型;并使用强化学习来训练连接行为状态模型。
示例19.一种装置,包括用于执行示例1-18中任一项所述的方法的装置。
示例20.一种非瞬态计算机可读存储介质,包括存储在其上的指令,所述指令在由至少一个处理器执行时,被配置为使计算系统执行示例1-18中任一项所述的方法。
示例21.一种装置,包括:至少一个处理器;以及包含计算机程序代码的至少一个存储器;至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置至少执行示例1-18中任一项所述的方法。
示例22.一种装置,包括:至少一个处理器;以及包含计算机程序代码的至少一个存储器;至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置至少:从无线网络内的无线电接入网络(RAN)节点接收用于一个或多个用户设备的连接事件信息和相关联的信道条件信息;并且基于连接事件信息的至少一部分和相关联的信道条件信息以及连接行为状态模型来确定用户设备的连接行为状态,其中连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
示例23.根据权利要求22所述的装置,还使该装置:确定连接行为状态模型,该连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
示例24.根据示例23所述的装置,其中使该装置确定连接行为状态模型包括使该装置:接收提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
示例25.根据示例23-24中任一项所述的装置,其中使该装置确定连接行为状态模型包括使该装置:训练连接行为状态模型,该连接行为状态模型提供针对一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
示例26.根据示例22-25中任一项所述的装置,并且还包括使该装置:向无线电接入网络(RAN)节点发送消息,该消息指示用户设备的连接行为状态。
示例27.根据示例22-26中任一项所述的装置,并且还包括使该装置:向网络节点发送消息,该消息指示用户设备的连接行为状态。
示例28.根据权利要求22-27中任一项所述的装置,还包括使该装置:执行或发送消息以使另一网络节点基于用户设备的连接行为状态来执行关于用户设备的网络校正动作,以改进用户设备的连接行为。
示例29.根据示例22-38中任一项所述的装置:其中使该装置接收包括使该装置:从无线网络内的无线电接入网络(RAN)节点接收用于至少用户设备的连接事件信息和相关联的信道条件信息;其中确定连接行为状态包括:基于用于用户设备的连接事件信息和相关联的信道条件信息以及连接行为状态模型来确定用户设备的连接行为状态。
示例30.根据示例22-29中任一项所述的装置,其中用户设备具有第一用户设备类型;其中使该装置接收包括使该装置:从无线网络内的无线电接入网络(RAN)节点接收用于第一用户设备类型的多个用户设备的连接事件信息和相关联的信道条件信息;其中连接行为状态模型包括提供在用于第一用户设备类型的至少一个或多个用户设备的连接事件信息与相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
示例31.根据示例22-30中任一项所述的装置,其中用户设备是具有一个或多个公共特征或方面的用户设备子集的一部分,该公共特征或方面使第一用户设备子集的用户设备至少在部分时间展现出相同或相似的连接行为;其中使该装置接收包括使该装置:从无线网络内的无线电接入网络(RAN)节点接收用于用户设备子集的多个用户设备的连接事件信息和相关联的信道条件信息;其中连接行为状态模型包括提供在用于用户设备子集的至少一个或多个用户设备的连接事件信息与相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
示例32.根据示例31所述的装置,其中用户设备子集的一个或多个公共特征或方面包括以下一项或多项:相同的用户设备品牌或制造方;相同的用户设备型号;包括相同半导体芯片或芯片组的用户设备;包括相同版本协议实体的用户设备;包括相同硬件模块的用户设备;包括相同软件模块的用户设备;包括相同天线系统或天线配置的用户设备。
示例33.根据示例22-32中任一项所述的装置,其中连接事件信息包括针对一个或多个用户设备的连接事件和连接丢失事件中的至少一项。
示例34.根据权利要求22-33中任一项所述的装置,其中所述连接事件信息包括以下至少一项:连接事件,包括以下一项或多项:用户设备到小区的成功连接尝试;用户设备执行与小区的随机接入过程;用户设备成功开始向小区的用于控制信号或数据的传输;以及小区向用户设备提供配置信息以允许用户设备配置自身以与小区通信;以及连接丢失事件,包括以下一项或多项:用户设备对小区的不成功连接尝试;用户设备无法向小区发射或接收数据或控制信号;与小区的数据重传事件的至少一个阈值数目或阈值率;以及解码错误的至少一个阈值数目或阈值率。
示例35.根据示例22-34中任一项所述的装置,其中相关联的信道条件信息包括以下至少一项:信道质量信息、数据错误率或块错误率、信道状态信息(CSI)、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信干噪比(SINR)、随机接入(RACH)定时提前、信号的到达方向和/或角度、用于发射或接收波束的波束信息指示、针对天线强度和/或相位的每个天线测量)。
示例36.根据示例23-36中任一项所述的装置,其中相关联的信道条件信息包括以下中的一个或多个:在连接事件之前的阈值时间段内的信道条件信息;在连接事件时的信道条件信息;在连接事件之后的阈值时间段内的信道条件信息。
示例37.根据示例29-36中任一项所述的装置,其中用于改进用户设备的连接行为的关于用户设备的网络校正动作包括以下中的至少一个:调整用户设备的调制和编码方案(MCS),调整用户设备用于上行链路传输功率的传输功率,调整用于向用户设备传输的下行链路传输功率,调整重传定时或策略,调整用户设备在小区之间的切换的(多个)信号阈值,调整针对用户设备的资源调度,调整用于物理下行链路控制信道(PDCC)的控制信道单元(CCE)选择,调整波束形成或其他MIMO传输策略,更新用户设备的订阅配置文件以指示用户设备的连接行为状态,触发或引起对用户设备或订户的订阅计划或收费/计费的更新,触发或引起呼叫跟踪以收集订户或用户设备连接的数据,确定或维持连接事件的计数或用户设备的连接行为状态的变化,引起或触发问题报告或状态报告被生成和/或被给硬件、软件或设备制造方。
示例38.根据示例22-37中任一项所述的装置,其中使该装置确定连接行为状态模型包括使该装置确定人工智能(AI)模型或神经网络模型。
示例39.根据示例26-38中任一项所述的装置,其中使装置训练连接行为状态模型包括使装置执行以下至少一项:使用监督学习来训练连接行为状态模型;使用监督学习来训练连接行为状态模型;并使用强化学习来训练连接行为状态模型。
示例40.根据示例22-39中任一项所述的装置,还使RAN节点从另一个RAN节点接收连接事件信息的至少一部分和关联的信道信息。
示例41.一种非瞬态计算机可读存储介质,包括存储在其上的指令,该指令在由至少一个处理器执行时,被配置为使计算系统执行以下方法:从无线网络内的无线电接入网络(RAN)节点接收用于一个或多个用户设备的连接事件信息和相关联的信道条件信息;以及基于连接事件信息的至少一部分和相关联的信道条件信息以及连接行为状态模型来确定用户设备的连接行为状态,其中连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
图5是根据示例实施例的无线站(例如,AP、BS或用户设备、或其他网络节点)1000的框图。无线站1000可以包括例如一个或两个RF(射频)或无线收发器1002A、1002B,其中每个无线收发器包括发射信号的发射机和接收信号的接收机。无线站还包括用于执行指令或软件并控制信号的传输和接收的处理器或控制单元/实体(控制器)1004,以及用于存储数据和/或指令的存储器1006。
处理器1004还可以做出决定或确定,生成用于传输的帧、分组或消息,解码接收到的帧或消息以用于进一步处理,以及本文所描述的其他任务或功能。例如,可以是基带处理器的处理器1004可以生成消息、分组、帧或其他信号以用于经由无线收发器1002(1002A或1002B)传输。处理器1004可以控制通过无线网络的信号或消息的传输,并且可以控制经由无线网络的信号或消息的接收等(例如,在被无线收发器1002下变频之后)。处理器1004可以是可编程的并且能够执行存储在存储器中或其他计算机介质上的软件或其他指令以执行上述各种任务和功能,诸如上述任务或方法中的一个或多个。处理器1004可以是(或者可以包括)例如硬件、可编程逻辑、执行软件或固件的可编程处理器和/或这些的任何组合。例如,使用其他术语,处理器1004和收发器1002可以一起被视为无线发射机/接收机系统。
另外,参考图10,控制器(或处理器)1008可以执行软件和指令,并且可以为站1000提供总体控制,并且可以为图10中未示出的其他系统提供控制,诸如控制输入/输出设备(例如,显示器、键盘),和/或可以执行用于可以在无线站1000上提供的一个或多个应用的软件,诸如例如电子邮件程序、音频/视频应用、文字处理器、IP语音应用或其他应用或软件。
另外,可以提供包括已存储的指令的存储介质,这些指令在由控制器或处理器执行时可以导致处理器1004或其他控制器或处理器执行上述功能或任务中的一个或多个。
根据另一个示例实施例,(一个或多个)RF或无线收发器1002A/1002B可以接收信号或数据和/或发射或发送信号或数据。处理器1004(以及可能的收发器1002A/1002B)可以控制RF或无线收发器1002A或1002B以接收、发送、广播或发射信号或数据。
然而,实施例不限于作为示例给出的系统,本领域技术人员可以将该解决方案应用于其他通信系统。另一个合适的通信系统示例是5G概念。假设5G中的网络架构将与高级LTE的网络架构非常相似。5G很可能使用多输入多输出(MIMO)天线,比LTE多得多的基站或节点(所谓的小小区概念),包括与较小基站合作运行的宏站点,并且可能还采用各种无线电技术以获得更好的覆盖范围和增强的数据速率。
应当了解,未来的网络将最有可能利用网络功能虚拟化(NFV),它是一种网络架构概念,其提出来将网络节点功能虚拟化为“构建块”或实体,这些“构建块”或实体可以可操作地连接或链接在一起以提供服务。虚拟化网络功能(VNF)可以包括使用标准或通用类型服务器而不是定制硬件运行计算机程序代码的一个或多个虚拟机。还可以利用云计算或数据存储。在无线电通信中,这可能意味着节点操作可以至少部分地在可操作地耦合到远程无线电头的服务器、主机或节点中执行。节点操作也可能将分布在多个服务器、节点或主机之中。还应该理解,核心网络操作和基站操作之间的劳动力分布可能与LTE不同,甚至不存在。
本文所描述的各种技术的实施例可以以数字电子电路或者以计算机硬件、固件、软件或者它们的组合来实现。实施例可以被实现为计算机程序产品,即,有形地体现在信息载体中(例如在机器可读存储设备中或在传播的信号中)的计算机程序,用于由例如可编程处理器、一个或多个计算机的数据处理装置执行或控制其操作。还可以在计算机可读介质或计算机可读存储介质上提供实施例,计算机可读介质或计算机可读存储介质可以是非暂时性介质。各种技术的实施例还可以包括经由瞬时信号或介质而被提供的实施例,和/或可经由互联网或(一个或多个)其他网络(有线网络和/或无线网络)下载的程序和/或软件实施例。此外,实施例可以经由机器类型通信(MTC)提供,也可以经由物联网(IOT)提供。
计算机程序可以是以源代码形式、目标代码形式或以某种中间形式,并且它可以被存储在某种载体、分发介质或计算机可读介质中,这些介质可以是能够携带程序的任何实体或设备。例如,这样的载体包括记录介质、计算机存储器、只读存储器、光电和/或电载体信号、电信信号和软件分发包。取决于所需要的处理能力,计算机程序可以在单个电子数字计算机中被执行,或者它也可以分布在多个计算机之中。
此外,本文所描述的各种技术的实施例可以使用信息物理系统(CPS)(协作计算元件控制物理实体的系统)。CPS可以实现嵌入在不同位置处的物理对象中的大量互连ICT设备(传感器、执行器、处理器微控制器等)的实施例和利用。其中所讨论的物理系统具有固有移动性的移动网络物理系统是信息网络系统的一个子类别。移动物理系统的示例包括由人类或动物运送的移动机器人和电子设备。智能手机的普及增加了人们对移动网络物理系统的领域的兴趣。因此,可以经由这些技术中的一个或多个来提供本文所描述的技术的各种实施例。
计算机程序,诸如上述的(一个或多个)计算机程序,可以以包括编译或解释语言在内的任何形式的编程语言来编写,并且可以以任何形式来部署,包括作为独立程序或作为适合在计算环境中使用的模块、组件、子程序或其他单元或其中的一部分来部署。计算机程序可以被部署以在一个计算机上或在一个站点处的多个计算机上被执行,或者分布在多个站点上并通过通信网络互连。
方法步骤可以由一个或多个可编程处理器执行,该一个或多个可编程处理器执行计算机程序或计算机程序部分以通过对输入数据进行操作并生成输出来执行功能。方法步骤也可以由专用逻辑电路来执行,并且装置可以被实现为专用逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。
适合于执行计算机程序的处理器包括例如通用和专用微处理器,以及任何种类的数字计算机、芯片或芯片组的任何一个或多个处理器。通常,处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的元件可以包括用于执行指令的至少一个处理器和用于存储指令和数据的一个或多个存储器设备。通常,计算机还可以包括或可操作地耦合以从一个或多个用于存储数据的大容量存储设备(例如,磁光盘、磁光盘或光盘)接收数据或将数据传送到这些设备或两者皆有。适用于体现计算机程序指令和数据的信息载体包括所有形式的非易失性存储器,例如包括半导体存储器设备,例如EPROM、EEPROM和闪存设备;磁盘,例如内置硬盘或可移动磁盘;磁光盘;和CDROM和DVD-ROM磁盘。处理器和存储器可以由专用逻辑电路补充或被合并到专用逻辑电路中。
为了提供与用户的交互,可以在具有用于向用户显示信息的显示设备例如阴极射线管(CRT)或液晶显示器(LCD)监视器和诸如键盘和例如鼠标或轨迹球的定点设备之类的用户接口的计算机上实现实施例,用户可以通过这些接口向计算机提供输入。也可以使用其他类型的设备来提供与用户的交互;例如,提供给用户的反馈可以是任何形式的感官反馈,例如视觉反馈、听觉反馈或触觉反馈;并且可以以任何形式接收来自用户的输入,包括声学、语音或触觉输入。
实施例可以被实现在计算系统中,该计算系统包括:后端组件,例如作为数据服务器,或者包括中间件组件,例如应用服务器,或者包括前端组件,例如具有图形用户界面或Web浏览器的客户端计算机,用户可以通过该界面与实施例或此类后端、中间件或前端组件的任何组合进行交互。组件可以通过任何形式或介质的数字数据通信例如通信网络来互连。通信网络的示例包括局域网(LAN)和广域网(WAN),例如互联网。
虽然所描述的实施例的某些特征已经如本文所描述的那样被图示出,但是本领域技术人员现在将想到许多修改、替换、改变和等同物。因此,应当理解,所附权利要求旨在覆盖落入各种实施例的真实精神内的所有此类修改和变化。
Claims (44)
1.一种方法,包括:
从无线网络内的无线电接入网络(RAN)节点接收用于一个或多个用户设备的连接事件信息和相关联的信道条件信息;以及
基于所述连接事件信息和相关联的信道条件信息的至少一部分以及连接行为状态模型来确定用户设备的连接行为状态,其中所述连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
2.根据权利要求1所述的方法,还包括:
确定提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的所述连接行为状态模型。
3.根据权利要求2所述的方法,其中确定所述连接行为状态模型包括:
接收提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的所述连接行为状态模型。
4.根据权利要求2-3中任一项所述的方法,其中确定所述连接行为状态模型包括:
训练提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的所述连接行为状态模型。
5.根据权利要求1-4中任一项所述的方法,还包括:
向所述无线电接入网络(RAN)节点发送指示所述用户设备的所述连接行为状态的消息。
6.根据权利要求1-5中任一项所述的方法,还包括:
向网络节点发送指示所述用户设备的所述连接行为状态的消息。
7.根据权利要求1-6中任一项所述的方法,还包括:
执行或发送消息以使另一网络节点基于所述用户设备的所述连接行为状态来执行关于所述用户设备的网络校正动作,以改进所述用户设备的连接行为。
8.根据权利要求1-7中任一项所述的方法:
其中所述接收包括:从无线网络内的无线电接入网络(RAN)节点接收用于至少所述用户设备的连接事件信息和相关联的信道条件信息;
其中确定连接行为状态包括:基于用于所述用户设备的连接事件信息和相关联的信道条件信息以及所述连接行为状态模型来确定所述用户设备的连接行为状态。
9.根据权利要求1-8中任一项所述的方法,其中所述用户设备具有第一用户设备类型;
其中所述接收包括:从无线网络内的无线电接入网络(RAN)节点接收用于所述第一用户设备类型的多个用户设备的连接事件信息和相关联的信道条件信息;
其中所述连接行为状态模型包括提供在用于所述第一用户设备类型的至少一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
10.根据权利要求1-9中任一项所述的方法,其中所述用户设备是具有一个或多个公共特征或方面的用户设备的子集的一部分,所述公共特征或方面使所述第一用户设备子集的用户设备至少在部分时间展现出相同或类似的连接行为;
其中所述接收包括:从无线网络内的无线电接入网络(RAN)节点接收用于所述用户设备子集的多个用户设备的连接事件信息和相关联的信道条件信息;
其中所述连接行为状态模型包括提供在用于所述用户设备子集的至少一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
11.根据权利要求10所述的方法,其中所述用户设备子集的一个或多个公共特征或方面包括以下一项或多项:
相同的用户设备品牌或制造方;
相同的用户设备型号;
包括相同半导体芯片或芯片组的用户设备;
包括相同版本协议实体的用户设备;
包括相同硬件模块的用户设备;
包括相同软件模块的用户设备;
包括相同天线系统或天线配置的用户设备。
12.根据权利要求1-11中任一项所述的方法,其中所述连接事件信息包括用于一个或多个用户设备的连接事件和连接丢失事件中的至少一项。
13.根据权利要求1-12中任一项所述的方法,其中所述连接事件信息包括以下至少一项:
连接事件,包括以下一项或多项:
用户设备到小区的成功连接尝试;
用户设备执行与小区的随机接入过程;
用户设备成功开始向小区的用于控制信号或数据的传输;以及
小区向所述用户设备提供配置信息以允许所述用户设备配置自身以与所述小区通信;以及
连接丢失事件,包括以下一项或多项:
用户设备对小区的不成功连接尝试;
用户设备无法向小区发送或接收数据或控制信号;
与小区的数据重传事件的至少一个阈值数目或阈值率;以及
解码错误的至少一个阈值数目或阈值率。
14.根据权利要求1-13中任一项所述的方法,其中所述相关联的信道条件信息包括以下至少一项:
信道质量信息、数据错误率或块错误率、信道状态信息(CSI)、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信干噪比(SINR)、随机接入(RACH)定时提前、信号的到达方向和/或角度、用于发射或接收波束的波束信息指示、针对天线强度和/或相位的每个天线测量)。
15.根据权利要求1-14中任一项所述的方法,其中所述相关联的信道条件信息包括以下一项或多项:
在所述连接事件之前的阈值时间段内的信道条件信息;
在所述连接事件时的信道条件信息;以及
在所述连接事件之后的阈值时间段内的信道条件信息。
16.根据权利要求7-15中任一项所述的方法,其中用以改进所述用户设备的连接行为的关于所述用户设备的所述网络校正动作包括以下至少一项:
调整所述用户设备的调制和编码方案(MCS),调整所述用户设备的用于上行链路传输的传输功率,调整用于向所述用户设备传输的下行链路传输功率,调整重传定时或策略,调整所述用户设备在小区之间的切换的(多个)信号阈值,调整针对用户设备的资源调度,调整用于物理下行链路控制信道(PDCC)的控制信道单元(CCE)选择,调整波束形成或其他MIMO传输策略,更新针对用户设备的订阅配置文件以指示所述用户设备的所述连接行为状态,触发或引起针对用户设备或订户的订阅计划或收费/计费的更新,触发或引起呼叫跟踪以收集用于所述订户或用户设备连接的数据,确定或维持所述连接事件或对用户设备的所述连接行为状态的改变的计数,引起或触发问题报告或状态报告被生成和/或被发送到硬件或软件或设备制造方。
17.根据权利要求1-16中任一项所述的方法,其中确定连接行为状态模型包括确定人工智能(AI)模型或神经网络模型。
18.根据权利要求4-17中任一项所述的方法,其中训练所述连接行为状态模型包括执行以下至少一项:
使用监督学习来训练所述连接行为状态模型;
使用监督学习来训练所述连接行为状态模型;以及
使用强化学习来训练所述连接行为状态模型。
19.根据权利要求1-18中任一项所述的方法,其中所述RAN节点从另一RAN节点接收所述连接事件信息的至少一部分和相关联的信道信息。
20.一种装置,包括用于执行根据权利要求1-19中任一项所述的方法的部件。
21.一种非瞬态计算机可读存储介质,包括存储在其上的指令,所述指令在由至少一个处理器执行时被配置为使计算系统执行根据权利要求1-19中任一项所述的方法。
22.一种装置,包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码;
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置至少执行根据权利要求1-19中任一项所述的方法。
23.一种装置,包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码;
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置至少:
从无线网络内的无线电接入网络(RAN)节点接收用于一个或多个用户设备的连接事件信息和相关联的信道条件信息;以及
基于所述连接事件信息和相关联的信道条件信息的至少一部分以及连接行为状态模型来确定用户设备的连接行为状态,其中所述连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
24.根据权利要求23所述的装置,还使所述装置:
确定提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的所述连接行为状态模型。
25.根据权利要求24所述的装置,其中使所述装置确定所述连接行为状态模型包括使所述装置:
接收提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的所述连接行为状态模型。
26.根据权利要求24-25中任一项所述的装置,其中使所述装置确定所述连接行为状态模型包括使所述装置:
训练提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的所述连接行为状态模型。
27.根据权利要求23-26中任一项所述的装置,还包括使所述装置:
向所述无线电接入网络(RAN)节点发送指示所述用户设备的所述连接行为状态的消息。
28.根据权利要求23-27中任一项所述的装置,还包括使所述装置:
向网络节点发送指示所述用户设备的所述连接行为状态的消息。
29.根据权利要求23-28中任一项所述的装置,还包括使所述装置:
执行或发送消息以使另一网络节点基于所述用户设备的所述连接行为状态来执行关于所述用户设备的网络校正动作,以改进所述用户设备的连接行为。
30.根据权利要求23-29中任一项所述的装置:
其中使所述装置接收包括:使所述装置从无线网络内的无线电接入网络(RAN)节点接收用于至少所述用户设备的连接事件信息和相关联的信道条件信息;
其中使所述装置确定连接行为状态包括使所述装置:基于用于所述用户设备的连接事件信息和相关联的信道条件信息以及所述连接行为状态模型来确定所述用户设备的连接行为状态。
31.根据权利要求23-30中任一项所述的装置,其中所述用户设备具有第一用户设备类型;
其中使所述装置接收包括使所述装置:从无线网络内的无线电接入网络(RAN)节点接收用于所述第一用户设备类型的多个用户设备的连接事件信息和相关联的信道条件信息;
其中所述连接行为状态模型包括提供在用于所述第一用户设备类型的至少一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
32.根据权利要求23-31中任一项所述的装置,其中所述用户设备是具有一个或多个公共特征或方面的用户设备的子集的一部分,所述公共特征或方面使所述第一用户设备子集的用户设备至少在部分时间展现出相同或类似的连接行为;
其中使所述装置接收包括使所述装置:从无线网络内的无线电接入网络(RAN)节点接收用于所述用户设备子集的多个用户设备的连接事件信息和相关联的信道条件信息;
其中所述连接行为状态模型包括提供在用于所述用户设备子集的至少一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联的连接行为状态模型。
33.根据权利要求32所述的装置,其中所述用户设备子集的一个或多个公共特征或方面包括以下一项或多项:
相同的用户设备品牌或制造方;
相同的用户设备型号;
包括相同半导体芯片或芯片组的用户设备;
包括相同版本协议实体的用户设备;
包括相同硬件模块的用户设备;
包括相同软件模块的用户设备;
包括相同天线系统或天线配置的用户设备。
34.根据权利要求23-33中任一项所述的装置,其中所述连接事件信息包括用于一个或多个用户设备的连接事件和连接丢失事件中的至少一项。
35.根据权利要求23-34中任一项所述的装置,其中所述连接事件信息包括以下至少一项:
连接事件,包括以下一项或多项:
用户设备到小区的成功连接尝试;
用户设备执行与小区的随机接入过程;
用户设备成功开始向小区的用于发射控制信号或数据的传输;以及
小区向所述用户设备提供配置信息以允许所述用户设备配置自身以与所述小区通信;以及
连接丢失事件,包括以下一项或多项:
用户设备对小区的不成功连接尝试;
用户设备无法向小区发送或接收数据或控制信号;
与小区的数据重传事件的至少一个阈值数目或阈值率;以及
解码错误的至少一个阈值数目或阈值率。
36.根据权利要求23-35中任一项所述的装置,其中所述相关联的信道条件信息包括以下至少一项:
信道质量信息、数据错误率或块错误率、信道状态信息(CSI)、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信干噪比(SINR)、随机接入(RACH)定时提前、信号的到达方向和/或角度、用于发射或接收波束的波束信息指示、针对天线强度和/或相位的每个天线测量)。
37.根据权利要求23-36中任一项所述的装置,其中所述相关联的信道条件信息包括以下一项或多项:
在所述连接事件之前的阈值时间段内的信道条件信息;
在所述连接事件时的信道条件信息;以及
在所述连接事件之后的阈值时间段内的信道条件信息。
38.根据权利要求30-37中任一项所述的装置,其中用以改进所述用户设备的连接行为的关于所述用户设备的所述网络校正动作包括以下至少一项:
调整所述用户设备的调制和编码方案(MCS),调整所述用户设备的用于上行链路传输的传输功率,调整用于向所述用户设备传输的下行链路传输功率,调整重传定时或策略,调整所述用户设备在小区之间的切换的(多个)信号阈值,调整针对用户设备的资源调度,调整用于物理下行链路控制信道(PDCC)的控制信道单元(CCE)选择,调整波束形成或其他MIMO传输策略,更新针对用户设备的订阅配置文件以指示所述用户设备的所述连接行为状态,触发或引起针对用户设备或订户的订阅计划或收费/计费的更新,触发或导致呼叫跟踪以收集用于所述订户或用户设备连接的数据,确定或维持所述连接事件或对用户设备的所述连接行为状态的改变的计数,引起或触发问题报告或状态报告被生成和/或被发送到硬件或软件或设备制造方。
39.根据权利要求23-38中任一项所述的装置,其中使所述装置确定连接行为状态模型包括使所述装置确定人工智能(AI)模型或神经网络模型。
40.根据权利要求27-39中任一项所述的装置,其中使所述装置训练所述连接行为状态模型包括使所述装置执行以下至少一项:
使用监督学习来训练所述连接行为状态模型;
使用监督学习来训练所述连接行为状态模型;以及
使用强化学习来训练所述连接行为状态模型。
41.根据权利要求23-40中任一项所述的装置,还使所述RAN节点从另一个RAN节点接收所述连接事件信息的至少一部分和相关联的信道信息。
42.根据权利要求23-41中任一项所述的装置,其中从所述RAN节点接收到的所述连接事件信息的至少一部分和相关联的信道信息首先由另一RAN节点传达给所述RAN节点。
43.根据权利要求23-42中任一项所述的装置,其中从所述RAN节点接收到的所述连接事件信息的至少一部分和相关联的信道信息经由所述RAN节点从另一个RAN节点被接收到。
44.一种非瞬态计算机可读存储介质,包括存储在其上的指令,所述指令在由至少一个处理器执行时被配置为使计算系统执行以下方法:
从无线网络内的无线电接入网络(RAN)节点接收用于一个或多个用户设备的连接事件信息和相关联的信道条件信息;以及
基于所述连接事件信息和相关联的信道条件信息的至少一部分以及连接行为状态模型来确定用户设备的连接行为状态,其中所述连接行为状态模型提供在用于一个或多个用户设备的连接事件信息和相关联的信道条件信息与连接行为状态之间的映射或关联。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2018/067410 WO2020131128A1 (en) | 2018-12-22 | 2018-12-22 | Connection behavior identification for wireless networks |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113475157A true CN113475157A (zh) | 2021-10-01 |
CN113475157B CN113475157B (zh) | 2024-05-14 |
Family
ID=65033662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880100710.8A Active CN113475157B (zh) | 2018-12-22 | 2018-12-22 | 用于无线网络的连接行为标识 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11979754B2 (zh) |
EP (1) | EP3900475A1 (zh) |
CN (1) | CN113475157B (zh) |
WO (1) | WO2020131128A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220046433A1 (en) * | 2018-12-22 | 2022-02-10 | Nokia Solutions And Networks Oy | Connection behavior identification for wireless networks |
CN114423035A (zh) * | 2022-01-12 | 2022-04-29 | 重庆邮电大学 | 一种网络切片场景下服务功能链异常检测方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220272554A1 (en) * | 2019-07-31 | 2022-08-25 | Ntt Docomo, Inc. | Terminal and communication node |
CN114365424A (zh) * | 2019-09-12 | 2022-04-15 | 瑞典爱立信有限公司 | 提供用于多天线发射机的预编码器选择策略 |
CN114095969A (zh) * | 2020-08-24 | 2022-02-25 | 华为技术有限公司 | 一种智能的无线接入网络 |
WO2022053933A1 (en) * | 2020-09-08 | 2022-03-17 | Telefonaktiebolaget Lm Ericsson (Publ) | Open radio access networks near-real time radio access network intelligent controller |
US11910203B2 (en) * | 2020-09-24 | 2024-02-20 | Qualcomm Incorporated | Radio (NR) adaptation of cellular network configuration in response to machine learning based weather prediction |
CN116438923A (zh) * | 2020-10-30 | 2023-07-14 | 三星电子株式会社 | 用于在无线通信系统中控制e2节点的装置和方法 |
KR20220060956A (ko) * | 2020-11-05 | 2022-05-12 | 삼성전자주식회사 | 무선 통신 시스템에서 e2 노드 제어를 위한 장치 및 방법 |
WO2022103210A1 (ko) * | 2020-11-12 | 2022-05-19 | 삼성전자 주식회사 | 무선 통신 시스템에서 e2 노드 제어를 위한 장치 및 방법 |
US20220190990A1 (en) * | 2020-12-16 | 2022-06-16 | Qualcomm Incorporated | Network-configured training procedure |
US20240152820A1 (en) * | 2021-03-23 | 2024-05-09 | Nokia Solutions And Networks Oy | Adaptive learning in distribution shift for ran ai/ml models |
EP4175370A3 (en) * | 2021-10-28 | 2023-08-30 | Nokia Solutions and Networks Oy | Power saving in radio access network |
US20230318779A1 (en) * | 2022-04-04 | 2023-10-05 | Dell Products, L.P. | Fast radio access network parameter control |
WO2023199264A1 (en) * | 2022-04-13 | 2023-10-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Dual connectivity handover optimization using reinforcement learning |
WO2023229505A1 (en) * | 2022-05-25 | 2023-11-30 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, wireless device and network node for handling wireless devices having different capabilities |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103563409A (zh) * | 2011-06-09 | 2014-02-05 | 黑莓有限公司 | 用于小区间干扰协调的分布式无线资源管理的方法和装置 |
WO2014183664A1 (en) * | 2013-05-17 | 2014-11-20 | Mediatek Singapore Pte. Ltd. | Enhanced mechanism of uplink time alignment maintenance for inter-enb carrier aggregation |
CN104871631A (zh) * | 2012-12-24 | 2015-08-26 | 诺基亚技术有限公司 | 用于控制在近距离无线通信中的ue的状态转换的方法和网络单元 |
WO2016091298A1 (en) * | 2014-12-10 | 2016-06-16 | Nokia Solutions And Networks Oy | Updating flow-specific qos policies based on information reported from base station |
WO2017134641A1 (en) * | 2016-02-05 | 2017-08-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems and methods for triggering connection status reporting for a wireless local area network |
CN107710824A (zh) * | 2015-06-29 | 2018-02-16 | 瑞典爱立信有限公司 | 用于管理上行链路资源的网络节点、无线设备和其中的方法 |
WO2018069180A1 (en) * | 2016-10-14 | 2018-04-19 | Ip.Access Limited | Locating mobile wireless communication units |
CN108476443A (zh) * | 2015-12-03 | 2018-08-31 | 瑞典爱立信有限公司 | 多rat网络中的轻量级rrc连接设立 |
US10085213B1 (en) * | 2017-05-15 | 2018-09-25 | Apple Inc. | Device, system, and method for a high power mode for a cellular connection |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100957434B1 (ko) | 2005-04-19 | 2010-05-11 | 콸콤 인코포레이티드 | 무선 통신 시스템에서의 접속 실패 보고 |
US9324022B2 (en) | 2014-03-04 | 2016-04-26 | Signal/Sense, Inc. | Classifying data with deep learning neural records incrementally refined through expert input |
US9668223B2 (en) | 2014-05-05 | 2017-05-30 | Isco International, Llc | Method and apparatus for increasing performance of communication links of communication nodes |
US10193780B2 (en) | 2015-10-09 | 2019-01-29 | Futurewei Technologies, Inc. | System and method for anomaly root cause analysis |
WO2017196949A1 (en) | 2016-05-10 | 2017-11-16 | Wyebot, Inc. | Methods and systems for optimizing wireless network performance using behavioral profiling of network devices |
EP3282665B1 (en) | 2016-08-10 | 2021-01-27 | Nokia Solutions and Networks Oy | Anomaly detection in software defined networking |
EP3566489B1 (en) | 2017-01-04 | 2023-03-22 | Telefonaktiebolaget LM Ericsson (publ) | Network node and method performed therein for neighbour relationship establishment in a wireless communication network |
CN113475157B (zh) * | 2018-12-22 | 2024-05-14 | 诺基亚通信公司 | 用于无线网络的连接行为标识 |
-
2018
- 2018-12-22 CN CN201880100710.8A patent/CN113475157B/zh active Active
- 2018-12-22 WO PCT/US2018/067410 patent/WO2020131128A1/en active Application Filing
- 2018-12-22 EP EP18836443.4A patent/EP3900475A1/en active Pending
- 2018-12-22 US US17/309,823 patent/US11979754B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103563409A (zh) * | 2011-06-09 | 2014-02-05 | 黑莓有限公司 | 用于小区间干扰协调的分布式无线资源管理的方法和装置 |
CN104871631A (zh) * | 2012-12-24 | 2015-08-26 | 诺基亚技术有限公司 | 用于控制在近距离无线通信中的ue的状态转换的方法和网络单元 |
WO2014183664A1 (en) * | 2013-05-17 | 2014-11-20 | Mediatek Singapore Pte. Ltd. | Enhanced mechanism of uplink time alignment maintenance for inter-enb carrier aggregation |
WO2016091298A1 (en) * | 2014-12-10 | 2016-06-16 | Nokia Solutions And Networks Oy | Updating flow-specific qos policies based on information reported from base station |
CN107710824A (zh) * | 2015-06-29 | 2018-02-16 | 瑞典爱立信有限公司 | 用于管理上行链路资源的网络节点、无线设备和其中的方法 |
CN108476443A (zh) * | 2015-12-03 | 2018-08-31 | 瑞典爱立信有限公司 | 多rat网络中的轻量级rrc连接设立 |
WO2017134641A1 (en) * | 2016-02-05 | 2017-08-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems and methods for triggering connection status reporting for a wireless local area network |
WO2018069180A1 (en) * | 2016-10-14 | 2018-04-19 | Ip.Access Limited | Locating mobile wireless communication units |
US10085213B1 (en) * | 2017-05-15 | 2018-09-25 | Apple Inc. | Device, system, and method for a high power mode for a cellular connection |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220046433A1 (en) * | 2018-12-22 | 2022-02-10 | Nokia Solutions And Networks Oy | Connection behavior identification for wireless networks |
US11979754B2 (en) * | 2018-12-22 | 2024-05-07 | Nokia Solutions And Networks Oy | Connection behavior identification for wireless networks |
CN114423035A (zh) * | 2022-01-12 | 2022-04-29 | 重庆邮电大学 | 一种网络切片场景下服务功能链异常检测方法 |
CN114423035B (zh) * | 2022-01-12 | 2023-09-19 | 北京宇卫科技有限公司 | 一种网络切片场景下服务功能链异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220046433A1 (en) | 2022-02-10 |
WO2020131128A1 (en) | 2020-06-25 |
EP3900475A1 (en) | 2021-10-27 |
CN113475157B (zh) | 2024-05-14 |
US11979754B2 (en) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113475157B (zh) | 用于无线网络的连接行为标识 | |
US11399303B2 (en) | Configuration of a neural network for a radio access network (RAN) node of a wireless network | |
US11997722B2 (en) | Random access procedure reporting and improvement for wireless networks | |
US20220190883A1 (en) | Beam prediction for wireless networks | |
US20220279341A1 (en) | Radio resource control procedures for machine learning | |
US20230269606A1 (en) | Measurement configuration for local area machine learning radio resource management | |
US12088475B2 (en) | Exploration data for network optimization | |
US20240211770A1 (en) | Communication method and apparatus | |
EP4136782A1 (en) | Channel state information values-based estimation of reference signal received power values for wireless networks | |
US20230403591A1 (en) | Group based beam reporting | |
US20240137783A1 (en) | Signalling support for split ml-assistance between next generation random access networks and user equipment | |
WO2023015428A1 (en) | Ml model category grouping configuration | |
US20240107347A1 (en) | Machine learning model selection for beam prediction for wireless networks | |
WO2023040885A1 (zh) | 参数选择方法、参数配置方法、终端及网络侧设备 | |
WO2023168589A1 (en) | Machine learning models for predictive resource management | |
US20230269022A1 (en) | Link adaptation improvement with pci reporting enhancements | |
WO2024027911A1 (en) | Task specific models for wireless networks | |
WO2023285012A1 (en) | Sidelink signal sensing of passively reflected signal to predict decrease in radio network performance of a user node-network node radio link | |
WO2023198275A1 (en) | User equipment machine learning action decision and evaluation | |
CN118509903A (zh) | 一种通信方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |