CN113570062B

CN113570062B - 机器学习模型参数传递方法及装置

Info

Publication number: CN113570062B
Application number: CN202010349436.7A
Authority: CN
Inventors: 索士强; 谌丽; 王映民
Original assignee: Datang Mobile Communications Equipment Co Ltd
Current assignee: Datang Mobile Communications Equipment Co Ltd
Priority date: 2020-04-28
Filing date: 2020-04-28
Publication date: 2023-10-10
Anticipated expiration: 2040-04-28
Also published as: CN113570062A

Abstract

本申请公开了在移动通信系统中进行机器学习模型参数传递方法及装置，用以当机器学习推演模型在无线移动通信系统内部时，实现机器学习模型的部署/更新。本申请提供的机器学习模型参数传递方法包括：向第二设备上报第一设备支持应用机器学习模型的功能单元列表及机器学习模型类型；接收所述第二设备发送的机器学习模型参数；将所述机器学习模型参数发送给所述第一设备中的目标功能单元。

Description

机器学习模型参数传递方法及装置

技术领域

本申请涉及通信技术领域，尤其涉及机器学习模型参数传递方法及装置。

背景技术

作为人工智能的关键方法之一，机器学习在1950年代被提出。随着机器学习技术的发展，神经网络(NN：Neural Network)或人工神经网络(ANN：Artificial NeuralNetwork)被提出，它是受生物神经网络启发，便于在机器学习中构建模型而引入的通用的模型。一个简单的神经网络包括输入层、输出层以及隐藏层(如果需要的话)，每层包括多个神经元(Neurons)。

为了解决复杂的非线性问题，所设计出的神经网络中的隐藏层逐渐增多，形成深度神经网络(DNN：Deep Neural Network)，其对应的学习方法即深度机器学习，或深度学习。深度神经网络模型目前已经发展出多种类型，包括DNN、递归神经网络(RecurrentNeural Network，RNN)、卷积神经网络(Convolutional Neural Network，CNN)等。从2010年代开始，深度学习作为机器学习的一个重要分支，获得了广泛的关注，获得了爆发式的增长。

机器学习的发展主要体现在语音识别、图像识别等领域，在其中沉淀了大量经典的模型与算法。将机器学习引入到无线移动通信系统中，用来解决无线移动通信系统的问题，在最近几年才凸显出来。

然而，当机器学习推演模型在无线移动通信系统内部时，如何进行机器学习模型的部署/更新是一个待研究的问题。特别的，当用户终端侧的机器学习模型需要更新时，其还影响了空口的传输。

发明内容

本申请实施例提供了在移动通信系统中进行机器学习模型参数传递的方法及装置，用以当机器学习推演模型在无线移动通信系统内部时，实现机器学习模型的部署/更新。

在终端侧，本申请实施例提供的一种在移动通信系统中进行机器学习模型参数传递方法，包括：

向第二设备上报第一设备支持应用机器学习模型的功能单元列表及机器学习模型类型；

接收所述第二设备发送的机器学习模型参数；

将所述机器学习模型参数发送给所述第一设备中的目标功能单元。

通过该方法，向第二设备上报第一设备支持应用机器学习模型的功能单元列表及机器学习模型类型；接收所述第二设备发送的机器学习模型参数；将所述机器学习模型参数发送给所述第一设备中的目标功能单元，从而当机器学习推演模型在无线移动通信系统内部时，实现了机器学习模型的部署/更新。

可选地，所述机器学习模型参数是第二设备根据所述第一设备支持应用机器学习模型的功能单元列表及机器学习模型类型，在机器学习模型库中根据部署状态确定的第一设备中待部署机器学习模型的目标功能单元所对应的机器学习模型参数。

可选地，该方法还包括：

所述目标功能单元根据所述机器学习模型参数，配置并生成机器学习模型。

可选地，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

可选地，所述功能单元列表、机器学习模型类型、和/或机器学习模型参数，是由移动通信系统中的控制信令承载。

可选地，所述第一设备是移动通信系统中的终端设备，所述第二设备是移动通信系统中的基站设备；或所述第一设备是移动通信系统中的基站分布式单元，所述第二设备是移动通信系统中基站的集中式单元。

在基站侧，本申请实施例提供的一种在移动通信系统中进行机器学习模型参数传递方法，包括：

接收第一设备上报的支持应用机器学习模型的功能单元列表及机器学习模型类型；

根据所述第一设备上报的支持应用机器学习模型的功能单元列表及机器学习模型类型在机器学习模型库中的部署状态，确定第一设备中待部署机器学习模型的目标功能单元及其对应的机器学习模型参数；

将所述机器学习模型参数发送给所述第一设备。

可选地，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

在终端侧，本申请实施例提供的一种在移动通信系统中进行机器学习模型参数传递装置，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行：

接收所述第二设备发送的机器学习模型参数；

可选地，所述处理器还用于调用所述存储器中存储的程序指令，按照获得的程序执行：

控制所述目标功能单元根据所述机器学习模型参数，配置并生成机器学习模型。

可选地，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

在基站侧，本申请实施例提供的一种在移动通信系统中进行机器学习模型参数传递装置，包括：

存储器，用于存储程序指令；

将所述机器学习模型参数发送给所述第一设备。

可选地，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

在终端侧，本申请实施例提供的另一种在移动通信系统中进行机器学习模型参数传递装置，包括：

上报单元，用于向第二设备上报第一设备支持应用机器学习模型的功能单元列表及机器学习模型类型；

接收单元，用于接收所述第二设备发送的机器学习模型参数；

发送单元，用于将所述机器学习模型参数发送给所述第一设备中的目标功能单元。

可选地，所述上报单元使用移动通信系统中的控制信令进行所述功能单元列表及机器学习模型类型的上报；

所述接收单元使用移动通信系统中的控制信令进行所述机器学习模型参数的接收。

在网络侧，本申请实施例提供的另一种在移动通信系统中进行机器学习模型参数传递装置，包括：

接收单元，用于接收第一设备上报的支持应用机器学习模型的功能单元列表及机器学习模型类型；

确定单元，用于根据所述第一设备上报的支持应用机器学习模型的功能单元列表及机器学习模型类型在机器学习模型库中的部署状态，确定第一设备中待部署机器学习模型的目标功能单元及其对应的机器学习模型参数；

发送单元，用于将所述机器学习模型参数发送给所述第一设备。

可选地，所述发送单元使用移动通信系统中的控制信令进行所述机器学习模型参数的发送；

所述接收单元使用移动通信系统中的控制信令进行所述功能单元列表及机器学习模型类型的接收。

本申请另一实施例提供了一种计算设备，其包括存储器和处理器，其中，所述存储器用于存储程序指令，所述处理器用于调用所述存储器中存储的程序指令，按照获得的程序执行上述任一种方法。

本申请另一实施例提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行上述任一种方法。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的机器学习模型更新的主要流程示意图；

图2为本申请实施例提供的位于接收机部分的功能划分与标识实施例示意图；

图3为本申请实施例提供的假设接收机的各模块均由DNN模型所构建，其所有模块的神经网络连在一起的示意图；

图4为本申请实施例提供的第一设备侧的一种在移动通信系统中进行机器学习模型参数传递方法的流程示意图；

图5为本申请实施例提供的第二设备侧的一种在移动通信系统中进行机器学习模型参数传递方法的流程示意图；

图6为本申请实施例提供的第一设备侧的一种在移动通信系统中进行机器学习模型参数传递装置的结构示意图；

图7为本申请实施例提供的第二设备侧的一种在移动通信系统中进行机器学习模型参数传递装置的结构示意图；

图8为本申请实施例提供的第一设备侧的另一种在移动通信系统中进行机器学习模型参数传递装置的结构示意图；

图9为本申请实施例提供的第二设备侧的另一种在移动通信系统中进行机器学习模型参数传递装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在无线移动通信系统中引入机器学习，可以解决移动通信系统的复杂问题或提升性能。但是，由于无线移动通信系统的构成复杂、厂商众多，如何将网络侧训练好的机器学习模型部署/更新到终端侧成为一个系统性的问题，需要有统一的解决方案。

因此，本申请实施例提供了机器学习模型参数传递的方法及装置，用以实现将网络侧训练好的机器学习模型传递到终端侧。

其中，方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。

本申请实施例提供的技术方案可以适用于多种系统，尤其是5G系统或6G系统。例如适用的系统可以是全球移动通讯(global system of mobile communication，GSM)系统、码分多址(code division multiple access，CDMA)系统、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)通用分组无线业务(general packet radioservice，GPRS)系统、长期演进(long term evolution，LTE)系统、LTE频分双工(frequencydivision duplex，FDD)系统、LTE时分双工(time division duplex，TDD)、通用移动系统(universal mobile telecommunication system，UMTS)、全球互联微波接入(worldwideinteroperability for microwave access，WiMAX)系统、5G系统以及5G NR系统等。这多种系统中均包括终端设备和网络设备。

本申请实施例涉及的终端设备，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。在不同的系统中，终端设备的名称可能也不相同，例如在5G系统中，终端设备可以称为用户设备(user equipment，UE)。无线终端设备可以经RAN与一个或多个核心网进行通信，无线终端设备可以是移动终端设备，如移动电话(或称为“蜂窝”电话)和具有移动终端设备的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。例如，个人通信业务(personal communication service，PCS)电话、无绳电话、会话发起协议(session initiated protocol，SIP)话机、无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant，PDA)等设备。无线终端设备也可以称为系统、订户单元(subscriber unit)、订户站(subscriberstation)，移动站(mobile station)、移动台(mobile)、远程站(remote station)、接入点(access point)、远程终端设备(remote terminal)、接入终端设备(access terminal)、用户终端设备(user terminal)、用户代理(user agent)、用户装置(user device)，本申请实施例中并不限定。

本申请实施例涉及的网络设备，可以是基站，该基站可以包括多个小区。根据具体应用场合不同，基站又可以称为接入点，或者可以是指接入网中在空中接口上通过一个或多个扇区与无线终端设备通信的设备，或者其它名称。网络设备可用于将收到的空中帧与网际协议(internet protocol，IP)分组进行相互转换，作为无线终端设备与接入网的其余部分之间的路由器，其中接入网的其余部分可包括网际协议(IP)通信网络。网络设备还可协调对空中接口的属性管理。例如，本申请实施例涉及的网络设备可以是全球移动通信系统(global system for mobile communications，GSM)或码分多址接入(code divisionmultiple access，CDMA)中的网络设备(base transceiver station，BTS)，也可以是带宽码分多址接入(wide-band code division multiple access，WCDMA)中的网络设备(NodeB)，还可以是长期演进(long term evolution，LTE)系统中的演进型网络设备(evolutional node B，eNB或e-NodeB)、5G网络架构(next generation system)中的5G基站，也可是家庭演进基站(home evolved node B，HeNB)、中继节点(relay node)、家庭基站(femto)、微微基站(pico)等，本申请实施例中并不限定。

下面结合说明书附图对本申请各个实施例进行详细描述。需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。

本申请实施例提出了利用参数传递方式，在无线移动通信系统中将系统侧训练好的机器学习模型部署/更新到终端侧的方法。机器学习模型更新的主要流程如图1所示，具体包括：

步骤一、终端将其支持应用机器学习模型的功能单元列表及机器学习模型类型上报给基站。

下面的表1给出了终端侧支持应用机器模型的功能单元列表及机器学习模型类型的示例：

表1：

特别的，其中终端信号检测功能单元支持两种DNN和RNN两种机器学习模型类型。

步骤二、当基站决策部署/更新终端侧机器学习模型时，基站根据获知的终端机器学习模型的功能单元列表及机器学习模型类型，在机器学习模型库中，查找并根据部署状态确定待部署/更新的目标功能单元及其对应的机器学习模型参数。

下面的表2给出了机器学习模型库的示例，其中第2、3列用于查找，即逐行根据表1中第2、3列信息，在表2的第2、3列中查找与其一致的信息，并确定对应的编号。具体的，在本实施例中查找到的编号为#81、#83、#84、#88、#90、#92、#95。第4列为部署状态，如果其状态显示为“已部署”则表示其对应的机器学习模型参数已经在终端侧部署过，如果其状态显示为“未部署”，则表示其对应的机器学习模型参数未在终端侧部署过。具体的，在本实施例中，部署状态显示为“未部署”的功能单元被进一步筛选出来、并确定为目标功能单元，即编号#81、#84、#88、#90分别对应的功能单元“终端信道估计”、“终端信号检测”“终端信道译码”、“终端CQI测量”。第5列为机器学习模型库中具体的机器学习模型参数。

表2

步骤三、基站将所确定的机器学习模型参数(包括目标功能单元、机器学习模型类型、以及机器学习模型详细参数)发送给终端。

步骤四、终端接收到机器学习模型参数后，将机器学习模型参数传递给相应的目标功能单元。

步骤五、终端侧支持应用机器学习模型的目标功能单元，根据接收到的机器学习模型参数，配置并生成对应的机器学习模型。

以下述机器学习模型参数为例(假设其有3个输入、6个输出)：

●目标功能单元标识：终端信道译码；

◆机器学习模型类型：DNN；

●机器学模型详细参数如下：

■隐藏层个数：2

◆隐藏层#1的参数：神经元个数5；

●神经元#1-1的参数：

■权重：0.1、0.3、0.5；

■偏差：0.1；

■激活函数：Sigmoid；

●神经元#1-2的参数：

■权重：0.1、0.1、0.2；

■偏差：0；

■激活函数：Sigmoid；

●神经元#1-3的参数：

■权重：0.2、0.3、0.7；

■偏差：0.2；

■激活函数：Sigmoid；

●神经元#1-4的参数：

■权重：0.1、0、0；

■偏差：0；

■激活函数：Sigmoid；

●神经元#1-5的参数：

■权重：0.2、0.3、0.3；

■偏差：0.8；

■激活函数：ReLU；

◆隐藏层#2的参数：神经元个数5；

●神经元#2-1的参数：

■权重：0.1、0.4、0.5、0.7、0；

■偏差：0；

■激活函数：ReLU；

●神经元#2-2的参数：

■权重：0.1、0.1、0.1、0.7、0.1；

■偏差：0.5；

■激活函数：Sigmoid；

●神经元#2-3的参数：

■权重：0.2、0.4、、0.6、0.3、0.7；

■偏差：0.24；

■激活函数：ReLU；

●神经元#2-4的参数：

■权重：0、0.8、0.1、0、0.1；

■偏差：0.7；

■激活函数：Tanh；

●神经元#2-5的参数：

■权重：0.2、0.1、0.8、0.3、0.3；

■偏差：0.18；

■激活函数：Sigmoid；

◆输出层的参数：

●神经元#O-1的参数：

■权重：0.1、0.7、0、0.4、0.5；

■偏差：0.6；

■激活函数：ReLU；

●神经元#O-2的参数：

■权重：0.1、0.2、0.1、0.5、0.1；

■偏差：0.2；

■激活函数：Sigmoid；

·神经元#O-3的参数：

■权重：0.2、0.3、、0.6、0.13、0.7；

■偏差：0.4；

■激活函数：ReLU；

·神经元#O-4的参数：

■权重：0.1、0.8、0.2、0、0.1；

■偏差：0.17；

■激活函数：Sigmoid；

·神经元#O-5的参数：

■权重：0.2、0.3、0.18、0.3、0.3；

■偏差：0；

■激活函数：ReLU；

●神经元#O-6的参数：

■权重：0.2、0.2、0.8、0.2、0.3；

■偏差：0.2；

■激活函数：Sigmoid。

终端接收到上述机器学习模型参数后，根据其中的目标功能标识所提供的信息，即能确定具体应用机器学习模型的目标功能单元：终端信道译码；根据其中的机器学习模型类型确定所应用的机器学习模型类型：DNN；根据其中机器学习模型详细参数部分的描述，以及下述的公式，即可确定具体的模型，即公式中所有参数均为已知的。

f(x^[0])＝f^[L](f^[L-1](…f^[1](x^[0])))

其中，上标表示其对应的层序号，x^[0]为目标功能单元的输入，f(x^[0])为目标功能单元的输出。每一层对应的输出f^[n](x^[n-1])是一个向量，由该层所有的神经元的输出构成，其中每一个神经元的输出为其中w_i是与其连接的前一层中神经元的权重，b是一个偏差量(bias)，f(x)是一个非线性函数，也称为激活函数。常见的激活函数包括：Sigmoid函数，双曲正切(Tanh：hyperbolic tangent)函数，线性整流(ReLU：Rectified Linear Unit)函数等：

Sigmoid：

ReLU：f_ReLU(z)＝max{0,z}

其中，在步骤一和步骤三中，基站与终端进行信息交互时，可以采用高层信令，比如RRC信令、MAC信令等。

对于某一具体的功能单元，为了应用本申请实施例提供的上述方法，需要对其功能进行标识。

以图2给出的位于接收机部分的功能划分为例，其中，标识除了采用文字标识，比如“信道估计”、“信号检测”、“信道译码”，也可以采用数字编号的方式，比如#2、#3、#4。

在无线移动通信系统中功能处理单元标识清晰的情况下，所需传递和下发的机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型，比如DNN、CNN、RNN等；

机器学习模型详细参数，针对具体的机器学习模型类型，其具体的配置参数不同。

以上述接收机部分的功能划分与标识为例，假设机器学习模型采用DNN，其所传递的参数至少包括下列参数之一或组合：

目标功能单元标识：#3；

机器学习模型类型：DNN；

机器学习模型详细参数：

隐藏层个数；

每个隐藏层的参数：神经元的个数，以及每一个神经元的权重、偏差、激活函数。

输出层参数：每一个神经元的权重、偏差、激活函数。

终端侧的功能单元接收到机器学习模型参数后，可以配置并生成对应的机器学习模型。以前述接收机的框图为例，假设其各模块均由DNN模型所构建，其所有模块的神经网络连在一起的示意图如图3所示(隐藏层和神经元个数仅作示意)。其实线框表示为接收机设计的神经网络的总体模型，实现圆圈表示当前模型中参与计算的神经元，虚线圆圈表示当前模型中未参与计算的神经元，可以看出通过配置激活函数来控制哪些神经元参与计算，即可以通过参数传递的方式来实现机器学习模型的具体实现。每个神经元及其连接所代表的操作仅仅为加法以及有限数量类型的非线性函数，并且同一层中的多个神经元的操作可以并行进行，从而处理操作的类型得到了简化、计算效率得到提升。

相应的，本申请实施例给出了一种在移动通信系统中进行机器学习模型参数传递的系统，它至少包括基站侧和终端侧，其中基站侧包括控制信令收发单元和机器学习模型库；终端侧包括控制信令收发单元和若干可应用机器学习模型的功能单元。

除了可以利用终端和基站之间的Uu接口的信令进行机器学习模型参数传递外，在系统侧存在多个单元时，比如中心单元(Centralized Unit，CU)和分布式单元(Distributed Unit，DU)，也可以利用CU与DU之间的信令进行机器学习模型参数传递。

综上所述，参见图4，在第一设备侧，本申请实施例提供的一种在移动通信系统中进行机器学习模型参数传递方法，包括：

S101、向第二设备上报第一设备支持应用机器学习模型的功能单元列表及机器学习模型类型；

其中，所述第二设备，例如可以是网络侧的基站，所述第一设备，例如可以是终端；所述第二设备，例如也可以是CU等，所述第一设备，例如也可以是DU等。

S102、接收所述第二设备发送的机器学习模型参数；

S103、将所述机器学习模型参数发送给所述第一设备中的目标功能单元。

可选地，该方法还包括：

可选地，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

在第二设备侧，参见图5，本申请实施例提供的一种在移动通信系统中进行机器学习模型参数传递方法，包括：

S201、接收第一设备上报的支持应用机器学习模型的功能单元列表及机器学习模型类型；

S202、根据所述第一设备上报的支持应用机器学习模型的功能单元列表及机器学习模型类型在机器学习模型库中的部署状态，确定第一设备中待部署机器学习模型的目标功能单元及其对应的机器学习模型参数；

S203、将所述机器学习模型参数发送给所述第一设备。

可选地，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

参见图6，在第一设备侧，本申请实施例提供的一种在移动通信系统中进行机器学习模型参数传递装置，包括：

存储器620，用于存储程序指令；

处理器600，用于调用所述存储器中存储的程序指令，按照获得的程序执行：

接收所述第二设备发送的机器学习模型参数；

可选地，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

收发机610，用于在处理器600的控制下接收和发送数据。

其中，在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机610可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备，用户接口630还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。

处理器600负责管理总线架构和通常的处理，存储器620可以存储处理器600在执行操作时所使用的数据。

可选的，处理器600可以是CPU(中央处埋器)、ASIC(Application SpecificIntegrated Circuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)或CPLD(Complex Programmable Logic Device，复杂可编程逻辑器件)。

在第二设备侧，参见图7，本申请实施例提供的一种在移动通信系统中进行机器学习模型参数传递装置，包括：

存储器520，用于存储程序指令；

处理器500，用于调用所述存储器中存储的程序指令，按照获得的程序执行：

将所述机器学习模型参数发送给所述第一设备。

可选地，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

收发机510，用于在处理器500的控制下接收和发送数据。

其中，在图7中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器500代表的一个或多个处理器和存储器520代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机510可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器500负责管理总线架构和通常的处理，存储器520可以存储处理器500在执行操作时所使用的数据。

处理器500可以是中央处埋器(CPU)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)。

在第一设备侧，参见图8，本申请实施例提供的另一种在移动通信系统中进行机器学习模型参数传递装置，包括：

上报单元11，用于向第二设备上报第一设备支持应用机器学习模型的功能单元列表及机器学习模型类型；

接收单元12，用于接收所述第二设备发送的机器学习模型参数；

发送单元13，用于将所述机器学习模型参数发送给所述第一设备中的目标功能单元。

可选地，所述上报单元11使用移动通信系统中的控制信令进行所述功能单元列表及机器学习模型类型的上报；

所述接收单元12使用移动通信系统中的控制信令进行所述机器学习模型参数的接收。

在第二设备侧，参见图9，本申请实施例提供的另一种在移动通信系统中进行机器学习模型参数传递装置，包括：

接收单元21，用于接收第一设备上报的支持应用机器学习模型的功能单元列表及机器学习模型类型；

确定单元22，用于根据所述第一设备上报的支持应用机器学习模型的功能单元列表及机器学习模型类型在机器学习模型库中的部署状态，确定第一设备中待部署机器学习模型的目标功能单元及其对应的机器学习模型参数；

发送单元23，用于将所述机器学习模型参数发送给所述第一设备。

可选地，所述发送单元23使用移动通信系统中的控制信令进行所述机器学习模型参数的发送；

所述接收单元21使用移动通信系统中的控制信令进行所述功能单元列表及机器学习模型类型的接收。

需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例提供了一种计算设备，该计算设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)等。该计算设备可以包括中央处理器(Center Processing Unit，CPU)、存储器、输入/输出设备等，输入设备可以包括键盘、鼠标、触摸屏等，输出设备可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。

存储器可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器提供存储器中存储的程序指令和数据。在本申请实施例中，存储器可以用于存储本申请实施例提供的任一所述方法的程序。

处理器通过调用存储器存储的程序指令，处理器用于按照获得的程序指令执行本申请实施例提供的任一所述方法。

本申请实施例提供了一种计算机存储介质，用于储存为上述本申请实施例提供的装置所用的计算机程序指令，其包含用于执行上述本申请实施例提供的任一方法的程序。

所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。

本申请实施例提供的方法可以应用于终端设备，也可以应用于网络设备。

其中，终端设备也可称之为用户设备(User Equipment，简称为“UE”)、移动台(Mobile Station，简称为“MS”)、移动终端(Mobile Terminal)等，可选的，该终端可以具备经无线接入网(Radio Access Network，RAN)与一个或多个核心网进行通信的能力，例如，终端可以是移动电话(或称为“蜂窝”电话)、或具有移动性质的计算机等，例如，终端还可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置。

网络设备可以为基站(例如，接入点)，指接入网中在空中接口上通过一个或多个扇区与无线终端通信的设备。基站可用于将收到的空中帧与IP分组进行相互转换，作为无线终端与接入网的其余部分之间的路由器，其中接入网的其余部分可包括网际协议(IP)网络。基站还可协调对空中接口的属性管理。例如，基站可以是GSM或CDMA中的基站(BTS，BaseTransceiver Station)，也可以是WCDMA中的基站(NodeB)，还可以是LTE中的演进型基站(NodeB或eNB或e-NodeB，evolutional Node B)，或者也可以是5G系统中的gNB等。本申请实施例中不做限定。

上述方法处理流程可以用软件程序实现，该软件程序可以存储在存储介质中，当存储的软件程序被调用时，执行上述方法步骤。

综上所述，本申请实施例利用标准化接口进行机器学习模型参数的传递。提供了通过高层信令进行机器学习模型参数传递的方法、机器学习模型参数表示方法、学习模型参数传递系统，便于运营商通过部署/更新机器学习模型解决无线移动通信系统的复杂问题，提升网络性能，包括控制终端侧的性能。在机器学习模型相对固定、参数更新频繁、处理时延相比敏感的场景，应用参数传递的方法可以有效降低传输开销。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims

1.一种在移动通信系统中进行机器学习模型参数传递方法，其特征在于，该方法包括：

向第二设备上报第一设备支持的应用机器学习模型的功能单元列表，所述列表中包括至少一个功能单元与机器学习模型类型的对应关系；

接收所述第二设备发送的机器学习模型参数；其中，所述机器学习模型参数是所述第二设备根据所述功能单元列表中的所述至少一个功能单元与机器学习模型类型的对应关系，在所述第二设备中的机器学习模型库中，根据部署状态确定的所述第一设备中待部署机器学习模型的目标功能单元所对应的机器学习模型参数；其中，所述第二设备在所述机器学习模型库中，查找与所述对应关系一致的信息，并在所述机器学习模型库中确定所述信息对应的部署状态，将所述部署状态为待部署的功能单元确定为目标功能单元，并将所述目标功能单元对应的机器学习模型参数发送给所述第一设备；

将所述机器学习模型参数发送给所述第一设备中的所述目标功能单元。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：

3.根据权利要求1所述的方法，其特征在于，所述功能单元列表、机器学习模型类型、和/或机器学习模型参数，是由移动通信系统中的控制信令承载。

4.根据权利要求1所述的方法，其特征在于，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

5.根据权利要求1所述的方法，其特征在于，所述第一设备是移动通信系统中的终端设备，所述第二设备是移动通信系统中的基站设备；或所述第一设备是移动通信系统中的基站分布式单元，所述第二设备是移动通信系统中基站的集中式单元。

6.一种在移动通信系统中进行机器学习模型参数传递方法，其特征在于，该方法包括：

接收第一设备支持的应用机器学习模型的功能单元列表，所述列表中包括至少一个功能单元与机器学习模型类型的对应关系；

在第二设备中的机器学习模型库中，查找与所述对应关系一致的信息，并在所述机器学习模型库中确定所述信息对应的部署状态，将所述部署状态为待部署的功能单元确定为目标功能单元；

将所述目标功能单元对应的机器学习模型参数发送给所述第一设备。

7.根据权利要求6所述的方法，其特征在于，所述功能单元列表、机器学习模型类型、和/或机器学习模型参数，是由移动通信系统中的控制信令承载。

8.根据权利要求6所述的方法，其特征在于，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

9.根据权利要求6所述的方法，其特征在于，所述第一设备是移动通信系统中的终端设备，所述第二设备是移动通信系统中的基站设备；或所述第一设备是移动通信系统中的基站分布式单元，所述第二设备是移动通信系统中基站的集中式单元。

10.一种在移动通信系统中进行机器学习模型参数传递装置，其特征在于，包括：

存储器，用于存储程序指令；

11.根据权利要求10所述的装置，其特征在于，所述处理器还用于调用所述存储器中存储的程序指令，按照获得的程序执行：

12.根据权利要求10所述的装置，其特征在于，所述功能单元列表、机器学习模型类型、和/或机器学习模型参数，是由移动通信系统中的控制信令承载。

13.根据权利要求10所述的装置，其特征在于，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

14.根据权利要求10所述的装置，其特征在于，所述第一设备是移动通信系统中的终端设备，所述第二设备是移动通信系统中的基站设备；或所述第一设备是移动通信系统中的基站分布式单元，所述第二设备是移动通信系统中基站的集中式单元。

15.一种在移动通信系统中进行机器学习模型参数传递装置，其特征在于，包括：

存储器，用于存储程序指令；

16.根据权利要求15所述的装置，其特征在于，所述功能单元列表、机器学习模型类型、和/或机器学习模型参数，是由移动通信系统中的控制信令承载。

17.根据权利要求15所述的装置，其特征在于，所述机器学习模型参数包括下列参数之一或组合：

目标功能单元标识；

机器学习模型类型；

机器学习模型配置参数。

18.根据权利要求15所述的装置，其特征在于，所述第一设备是移动通信系统中的终端设备，所述第二设备是移动通信系统中的基站设备；或所述第一设备是移动通信系统中的基站分布式单元，所述第二设备是移动通信系统中基站的集中式单元。

19.一种在移动通信系统中进行机器学习模型参数传递装置，其特征在于，包括：

上报单元，用于向第二设备上报第一设备支持的应用机器学习模型的功能单元列表，所述列表中包括至少一个功能单元与机器学习模型类型的对应关系；

接收单元，用于接收所述第二设备发送的机器学习模型参数；其中，所述机器学习模型参数是所述第二设备根据所述功能单元列表中的所述至少一个功能单元与机器学习模型类型的对应关系，在所述第二设备中的机器学习模型库中，根据部署状态确定的所述第一设备中待部署机器学习模型的目标功能单元所对应的机器学习模型参数；其中，所述第二设备在所述机器学习模型库中，查找与所述对应关系一致的信息，并在所述机器学习模型库中确定所述信息对应的部署状态，将所述部署状态为待部署的功能单元确定为目标功能单元，并将所述目标功能单元对应的机器学习模型参数发送给所述第一设备；

发送单元，用于将所述机器学习模型参数发送给所述第一设备中的所述目标功能单元。

20.根据权利要求19所述的装置，其特征在于，

所述上报单元使用移动通信系统中的控制信令进行所述功能单元列表及机器学习模型类型的上报；

21.根据权利要求19所述的装置，其特征在于，所述第一设备是移动通信系统中的终端设备，所述第二设备是移动通信系统中的基站设备；或所述第一设备是移动通信系统中的基站分布式单元，所述第二设备是移动通信系统中基站的集中式单元。

22.一种在移动通信系统中进行机器学习模型参数传递装置，其特征在于，包括：

接收单元，用于接收第一设备支持的应用机器学习模型的功能单元列表，所述列表中包括至少一个功能单元与机器学习模型类型的对应关系；

确定单元，用于在第二设备中的机器学习模型库中，查找与所述对应关系一致的信息，并在所述机器学习模型库中确定所述信息对应的部署状态，将所述部署状态为待部署的功能单元确定为目标功能单元，并确定所述目标功能单元对应的机器学习模型参数；

发送单元，用于将所述目标功能单元对应的机器学习模型参数发送给所述第一设备。

23.根据权利要求22所述的装置，其特征在于，

所述发送单元使用移动通信系统中的控制信令进行所述机器学习模型参数的发送；

24.根据权利要求22所述的装置，其特征在于，所述第一设备是移动通信系统中的终端设备，所述第二设备是移动通信系统中的基站设备；或所述第一设备是移动通信系统中的基站分布式单元，所述第二设备是移动通信系统中基站的集中式单元。

25.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行权利要求1至9任一项所述的方法。