CN114302506B - 一种基于人工智能ai的协议栈单元、数据处理方法和装置 - Google Patents

Abstract

本发明公开了一种基于人工智能的协议栈、数据处理方法和装置，涉及通信领域，提高了数据或信令的处理效率，进而能够提升通信系统的通信性能。该方法包括：确定基于AI算法处理所述第一数据获得的通信性能，以及确定基于传统算法处理所述第一数据获得的通信性能；发送第二数据；所述第二数据是基于AI算法处理所述第一数据得到的数据，且基于所述AI算法处理所述第一数据获得的通信性能优于基于所述传统算法处理所述第一数据获得的通信性能；或，所述第二数据是基于传统算法处理所述第一数据得到的数据，且基于所述传统算法处理所述第一数据获得的通信性能优于基于所述AI算法处理所述第一数据获得的通信性能。

Description

一种基于人工智能AI的协议栈单元、数据处理方法和装置

技术领域

本发明涉及通信领域，尤其涉及一种基于人工智能AI的协议栈单元、数据处理方法和装置。

背景技术

目前，无线通信技术逐步演进，无线通信系统的性能已愈发重要。在第三代合作伙伴计划(3rd generation partnership project，3GPP)制定的无线通信系统的空口架构中，用户面协议栈单元和控制面协议栈单元具有不同的功能。用户面协议栈单元主要负责数据的处理、传输，控制面协议栈单元主要负责信令的处理、传输。用户面协议栈单元和控制面协议栈单元分别包括多层的处理实体，分别用于完成数据、信令的处理、传输。

随着业务种类增长和用户需求的日益提升，对无线通信系统性能的要求越来越高，如何提高数据或信令的处理效率，进而提升通信系统的通信性能，成为亟待解决的技术问题。

发明内容

本发明提供了一种基于人工智能AI的协议栈单元、数据处理方法和装置，用于提高数据或信令的处理效率，进而通信系统的通信性能。

为达到上述目的，本发明采用如下技术方案：

第一方面，本发明提供了一种基于人工智能AI的协议栈单元，协议栈单元应用在终端或接入网设备，协议栈单元包括：

媒体访问控制MAC层，用于接收第一数据；

MAC层，还用于确定基于AI算法处理第一数据获得的通信性能，以及确定基于传统算法处理第一数据获得的通信性能；

MAC层，还用于向物理层发送第二数据；第二数据是基于AI算法处理第一数据得到的数据，且基于AI算法处理第一数据获得的通信性能优于基于传统算法处理第一数据获得的通信性能；或，第二数据是基于传统算法处理第一数据得到的数据，且基于传统算法处理第一数据获得的通信性能优于基于AI算法处理第一数据获得的通信性能。

其中，通过AI算法可以学习未知的隐结构和隐参数，拟合复杂的函数。这为无线场景的感知和无线状态的刻画提供了新的手段。但是，在某些场景中，AI算法的收敛性不佳，计算可靠性较低。本申请实施例中，为了规避AI算法在某些突发情况或者某些环境中的性能偏差问题，引入了冗余机制。即，在AI算法之外还考虑传统算法。在确定某次用于处理数据的目标算法时，比较传统算法和AI算法的性能，并选择两者中性能更好的算法处理数据，如此，在某些场景中，能够发挥传统移动通信系统的稳定性。比如，在AI算法的性能不佳时，使用传统算法处理数据，避免AI算法短时间无法收敛导致的数据处理偏差较大的问题。在某些场景中，能够利用AI算法提高移动通信系统的环境适应性和吞吐性能。

也就是说，本申请实施例的技术方案，能够根据不同场景，确定适合当前通信场景的算法是AI算法还是传统算法，并动态调整使用目标算法处理数据，以便获得当前通信场景中的高通信性能。

在一种可能的设计中，基于传统算法处理第一数据获得的通信性能与MAC层的通信参数、物理层的通信参数有关。

在一种可能的设计中，MAC层，用于确定基于AI算法处理第一数据获得的通信性能，包括：

用于根据MAC层的通信参数、物理层的通信参数以及AI模型，确定基于AI算法处理第一数据获得的通信性能。

在一种可能的设计中，MAC层，还用于计算AI模型的部分参数，并经物理层向核心网设备传输部分参数，部分参数用于核心网设备训练AI模型；

MAC层，还用于从物理层接收来自核心网设备的AI模型。

在一种可能的设计中，MAC层，还用于存储物理层的通信参数。

在一种可能的设计中，AI模型的训练样本包括：物理层的通信参数、MAC层的通信参数以及标签，标签用于表征在物理层的通信参数以及MAC层的通信参数的情况下，采用AI算法处理数据获得的性能。

第二方面，提供一种基于人工智能AI的数据传输方法，包括：

确定基于AI算法处理第一数据获得的通信性能，以及确定基于传统算法处理第一数据获得的通信性能；

发送第二数据；第二数据是基于AI算法处理第一数据得到的数据，且基于AI算法处理第一数据获得的通信性能优于基于传统算法处理第一数据获得的通信性能；或，第二数据是基于传统算法处理第一数据得到的数据，且基于传统算法处理第一数据获得的通信性能优于基于AI算法处理第一数据获得的通信性能。

在一种可能的设计中，基于传统算法处理第一数据获得的通信性能与MAC层的通信参数、物理层的通信参数有关。

在一种可能的设计中，确定基于AI算法处理第一数据获得的通信性能，包括：

根据MAC层的通信参数、物理层的通信参数以及AI模型，确定基于AI算法处理第一数据获得的通信性能。

第三方面，提供一种通信装置用于实现上述各种方法。该通信装置可以为网络设备(比如接入网设备)或终端设备，或者包含上述网络设备或终端设备的装置，或者上述网络设备或终端设备中包含的装置，比如芯片。通信装置包括实现上述方法相应的模块、单元、或手段(means)，该模块、单元、或means可以通过硬件实现，软件实现，或者通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块或单元。

在一些可能的设计中，该通信装置可以包括确定模块和处理模块。该确定模块，用以实现上述第一方面及其任意可能的实现方式中的确定功能。该处理模块，可以用于实现上述第一方面及其任意可能的实现方式中的处理功能。

第四方面，提供了一种通信装置，包括：处理器和存储器；该存储器用于存储计算机指令，当该处理器执行该指令时，以使该通信装置执行上述任一方面的方法。该通信装置可以为上述网络设备或终端设备，或者包含上述网络设备或终端设备的装置，或者上述网络设备或终端设备中包含的装置，比如芯片。

第五方面，提供一种通信装置，包括：处理器和通信接口；该通信接口，用于与该通信装置之外的模块通信；处理器用于执行计算机程序或指令，以使该通信装置执行上述任一方面的方法。该通信装置可以为上述网络设备或终端设备，或者包含上述网络设备或终端设备的装置，或者上述网络设备或终端设备中包含的装置，比如芯片。

第六方面，提供了一种通信装置，包括：接口电路和处理器，该接口电路为代码/数据读写接口电路，该接口电路用于接收计算机执行指令(计算机执行指令存储在存储器中，可能直接从存储器读取，或可能经过其他器件)并传输至该处理器；处理器用于执行计算机执行指令以使该通信装置执行上述任一方面所述的方法。该通信装置可以为上述网络设备或终端设备，或者包含上述网络设备或终端设备的装置，或者上述网络设备或终端设备中包含的装置，比如芯片。

第七方面，提供了一种通信装置，包括：至少一个处理器；所述处理器用于执行计算机程序或指令，以使该通信装置执行上述任一方面所述的方法。该通信装置可以为上述网络设备或终端设备，或者包含上述网络设备或终端设备的装置，或者上述网络设备或终端设备中包含的装置，比如芯片。

在一些可能的设计中，该通信装置包括存储器，该存储器，用于保存必要的程序指令和数据。该存储器可以与处理器耦合，或者，也可以独立于该处理器。

在一些可能的设计中，该通信装置可以是芯片或芯片系统。该装置是芯片系统时，可以由芯片构成，也可以包含芯片和其他分立器件。

第八方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在通信装置上运行时，使得通信装置可以执行上述任一方面所述的方法。

第九方面，提供了一种包含指令的计算机程序产品，当其在通信装置上运行时，使得该通信装置可以执行上述任一方面所述的方法。

可以理解的是，第二方面至第九方面中任一方面提供的通信装置是芯片时，上述的发送动作/功能可以理解为输出信息，上述的接收动作/功能可以理解为输入信息。

其中，第二方面至第九方面中任一种设计方式所带来的技术效果可参见上述第一方面中不同设计方式所带来的技术效果，在此不再赘述。

附图说明

为了更清楚地说明本发明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单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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1A为相关技术中的用户面协议栈单元；

图1B为相关技术中的控制面协议栈单元；

图2为本申请实施例提供的通信系统的架构；

图3为本申请实施例提供的数据处理方法的流程；

图4为本申请实施例提供的一种用户面协议栈单元；

图5为本申请实施例提供的一种训练AI模型的方法；

图6为本申请实施例提供的上传传输过程中的数据处理流程；

图7为本申请实施例提供的终端或接入网设备的功能模块架构；

图8为本申请实施例提供的又一种用户面协议栈单元；

图9为本申请实施例提供的一种控制面协议栈单元；

图10为本申请实施例提供的一种数据处理方法的流程；

图11为本申请实施例提供的又一种用户面或控制面协议栈单元；

图12为本申请实施例提供的终端或接入网设备的架构。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

首先，对本发明实施例涉及的技术术语进行介绍：

1、用户面协议栈单元(协议栈单元也可称为协议栈)

如图1A所示，终端、基站的用户面协议栈由上至下可以包括服务数据适配协议(service data adaptation protocol，SDAP)层，分组数据汇聚协议(packet dataconvergenc e protocol，PDCP)层，无线链路控制(radio link control，RLC)层，媒体访问控制(m edium access control，MAC)层，物理层(physical layer，PHY)。

其中，每个协议层有不同的独立功能，上层对下层数据进行封装，下层对下层数据进行解封装。SDAP层用于实现服务质量(quality of service，QoS)流与无线承载的映射。PDCP层用于实现加密，数据完整性验证，路由和分发等功能。RLC层用于实现分段和重分段，以及确认模式(acknowledged mode，AM)和透传模式(transport mode，UM)校验等功能。MAC层用于实现调度和优先级处理等功能。物理层用于实现循环冗余校验(cyclic redundancycheck，CRC)，信道编码，混合自动重传请求(hybrid auto matic repeat request，HARQ)，调制等功能。

2、控制面协议栈

如图1B所示，终端的控制面协议栈从上至下可以包括非接入层(non-accessstratu m，NAS)层，无线资源控制(radio resource control，RRC)层，PDCP层，RLC层，MAC层，PHY层。

其中，PDCP层，RLC层，MAC层，PHY层的功能可参见上述用户面协议栈中相应协议层的功能。

NAS层，用于实现会话管理、用户管理、安全管理。

RRC层，用于实现系统信息，寻呼信息的发送，通信连接的建立、保持和释放，移动性管理，测量上报，QoS管理等。

术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

“至少一个”是指一个或者多个，

“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。

此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

本申请的实施例应用于无线通信系统中。比如，应用于新无线(new radio，NR)及后续的演进系统中。本申请描述的系统架构及业务场景是为了更加清楚的说明本申请的技术方案，并不构成对于本申请提供的技术方案的限定，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本申请提供的技术方案对于类似的技术问题，同样适用。

如图2所示，图2示出了本申请的一种可能的通信系统示意图，该通信系统可以包括至少一个网络设备10(图中仅示出1个)以及能够与网络设备10通信的一个或多个终端20。

其中，本申请所称的网络设备，是一种部署在无线接入网中用以为终端提供无线通信功能的装置，本申请所称的网络设备包括但不限于：各种形式的基站，比如宏基站，微基站(也称为小站)，中继站，发送接收点(transmission reception point，TRP)，下一代网络节点(g Node B，gNB)、连接下一代核心网的演进型节点B(ng al area n etwork，WLAN)接入设备等非第三代合作伙伴计划(third generation partnership prevolv ed NodeB，ng-eNB)、等，还可以包括无线局域网(wireless locoject，3GPP)系统的无线接入网设备。在采用不同的无线接入技术的系统中，具备相类似无线通信功能的无线接入网设备的名称可能会有所不同。仅为描述方便，本申请实施例中，上述可以为终端提供无线通信功能的装置统称为网络设备。

本申请所称的终端，是一种具有无线收发功能的设备，可以部署在陆地上，包括室内或室外、手持或车载；也可以部署在水面上(如轮船等)；还可以部署在空中(例如飞机、气球和卫星上等)。该终端可以包括各种类型的手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、无线数据卡、虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备、机器类型通信(machine type co mmunication,MTC)的终端设备，工业控制(industrial control)中的终端设备、无人驾驶(self driving)中的终端设备、远程医疗(remote medical)中的终端设备、智能电网(smart grid)中的终端设备、运输安全(transportation safety)中的终端设备、智慧城市(smart city)中的终端设备，以及可穿戴设备(如智能手表，智能手环，计步器等)等等。在采用不同的无线接入技术的系统中，具备相类似无线通信功能的终端的名称可能会有所不同，仅为描述方便，本申请实施例中，上述具有无线收发通信功能的装置统称为终端。

上述终端20和网络设备10之间可以交互用户面的数据或信令。其中，用户面的数据，是通过用户面协议栈处理。信令，又可称为控制面的数据，是通过控制面协议栈处理。终端20向网络设备10发送数据的过程，可以称为上行传输的过程。终端20从网络设备10接收数据的过程，可以称为下行传输的过程。

本申请实施例中，可以对用户面协议栈中的MAC层进行改进。MAC层，MAC层，用于接收第一数据，并基于AI算法以及传统算法分别处理所述第一数据；若采用第一算法处理所述第一数据获得的性能优于采用第二算法处理所述第一数据获得的性能，则向物理层发送经所述第一算法处理后的数据。

其中，所述第一算法是AI算法，所述第二算法是传统算法；或，所述第一算法是传统算法，所述第二算法是AI算法。

确定第一算法处理第一数据获得的性能，以及确定第二算法处理第一数据获得的性能的具体实现手段，将在下述实施例中给与介绍。

目前，在某些场景下，AI算法在精准度和可靠性上与传统方式可能存在差异。本申请实施例中，考虑到无线通信的不同场景的不同通信要求，可以灵活确定采用AI算法或传统算法处理数据，使得数据处理过程更契合当前的通信场景，如此能够获得更好的通信性能。

可选的，第一数据可以是MAC服务数据单元(service data unit，SDU)。示例性的，如图3的(a)所示，MAC层从上层(RLC层)接收用户面数据或信令对应的MA C SDU之后，将MACSDU传递给AI算法模块，AI算法模块基于AI算法处理该MAC SDU，得到基于AI算法的MAC PDU(可以简称为MAC-f-PDU)。MAC层还将MA C SDU传递给传统算法模块，传统算法模块基于传统算法处理该MAC SDU，得到基于传统算法的MAC PDU(可以简称为MAC-ai-PDU)。MAC层可以计算两种算法各自对应的性能，并对采用AI算法处理该MAC SDU获得的性能以及采用传统算法处理该M AC SDU获得的性能，进行比较。

可选的，考虑到性能比较会带来的一定延迟，因此也可选择默认采用AI算法得到MAC-ai-PDU，间隔周期的对比算法性能。

若传统算法处理方式的性能优于AI算法处理方式的性能，则MAC层采用传统算法处理MAC SDU，得到MAC-f-PDU，并向物理层发送MAC-f-PDU。比如，如图3的(a)所示，相比于使用AI算法模块处理MAC SDU，使用传统算法模块处理MAC SDU，能够获得更好的性能，则MAC层向物理层发送MAC-f-PDU(采用传统算法模块处理得到的MAC PDU)。

反之，如图3的(b)所示，相比于使用传统算法模块处理MAC SDU，使用AI算法模块处理MAC SDU，能够获得更好的性能，则MAC层向物理层发送MAC-ai-PDU(采用AI算法模块处理得到的MAC PDU)。

可选的，采用某个算法处理第一数据获得的性能，与当前通信场景相关。当前通信场景可以使用MAC层的通信参数、物理层的通信参数表征。意味着，采用某个算法处理第一数据获得的性能，与MAC的通信参数以及物理层的通信参数有关。

其中，所述MAC层的通信参数包括但不限于如下任一项或多项：误码率、吞吐量。作为一种可能的实现方式，MAC层的通信参数可根据MAC层的MAC SDU计算。MA C层通信参数的具体计算方式可参见相关技术，这里不再赘述。

物理层的通信参数，可以是执行物理层测量得到的参数，包括但不限于接收信号强度指示(received signal strength indication，RSSI)。

作为一种可能的实现方式，MAC层根据物理层的通信参数、MAC层的当前通信参数，对传统算法处理第一数据获得的性能进行计算。其中，物理层的通信参数可以从存储空间中获取，MAC层的通信参数可以根据第一数据计算。

根据物理层的通信参数、MAC层的当前通信参数以及第一AI模型，对AI算法处理第一数据获得的性能进行计算。

其中，第一AI模型的训练样本包括：物理层的通信参数、MAC层的通信参数以及第一标签，第一标签用于表征在相应物理层的通信参数以及MAC层的通信参数情况下，采用AI算法处理数据获得的性能。示例性的，假设物理层的通信参数为参数A-F，MA C层的通信参数为参数G-L，则训练样本可以包括：

参数A-F各自对应的参数值为A1-F1，参数G-L各自对应的参数值为G1-L1，此种情况下采用AI算法处理数据获得的性能；

参数A-F各自对应的参数值为A2-F2，参数G-L各自对应的参数值为G2-L2，此种情况下采用AI算法处理数据获得的性能；

参数A-F各自对应的参数值为A3-F3，参数G-L各自对应的参数值为G3-L3，此种情况下采用AI算法处理数据获得的性能…

如下，对本申请实施例涉及的第一AI模型的训练过程进行介绍。训练过程如图5所示，训练用于评估AI算法性能的第一AI模型，需要提供N(N为正整数)个样本，样本包括：物理层的通信参数、MAC层的通信参数。可选的，训练样本还可以包括各参数条件下对应的标签(表征各参数条件下处理数据获得的性能)，对多个样本进行训练即可得到第一AI模型。

可选的，在训练分类器之前，可以对训练样本等数据进行处理，比如进行平滑处理，归一化处理。

在训练完成后，第一AI模型便可以用来评估AI算法性能。如图5所示，MAC可以对物理层的通信参数、MAC层的通信参数进行预处理，并将预处理后的各数据输入第一AI模型，由第一AI模型输出AI算法的性能估计结果。

上述技术方案中，对传统算法获得的性能与AI算法获得的性能进行比较，并选择性能更好的算法作为处理MAC SDU的算法，能够提升终端或基站在数据处理过程中的性能，进而提升整个无线通信系统的通信性能。

示例性的，图4示出了本申请实施例提供的用户面的一种可能的协议栈架构。作为一种可能的实现方式，MAC层包括两个子功能层，即基于传统算法的媒体访问控制(M AC-f)子功能层和基于人工智能算法的媒体访问控制(MAC-ai)子功能层。

其中，MAC-f子功能层保留传统的无线系统功能，传统的无线系统功能包括但不限于如下功能：

逻辑信道和传输信道之间的映射、将属于一个或多个逻辑信道的MAC SDU复用/解复用到传输信道上的传输块(transport block，TB)中、从传输信道上的物理层传送到传输块中、调度信息上报、通过HARQ进行纠错、通过动态调度实现UE间的优先级处理、通过逻辑信道优先化在一个UE的逻辑信道之间进行优先级处理、一个UE的重叠资源之间的优先级处理、填充。

可选的，MAC-f子功能层，可以用于替换图3所示的传统算法模块。

MAC-ai子功能层，用于通过AI算法处理MAC SDU，并得到MAC-ai-PDU。可选的，MAC-ai子功能层，可以用于替换图3所示的AI算法模块。

需要说明的是，图3、图4、图6、图8、图9、图11所示协议栈架构仅是本申请实施例提供的协议栈架构的示例，在另一些实施例中，协议栈还可以是其他架构，比如，对于某个协议层，还可以划分更多、更少的子功能层(或模块)，或者，拆分某些子功能层，或合并某些子功能层，或具有不同的子功能层布局。

以传输上行的用户面数据为例，图6示出了具有图3所示协议栈架构的终端处理、发送上行用户面数据的过程。终端的SDAP层对待发送的用户面数据进行处理，并将形成的数据单元传递给PDCP层，PDCP层对来自SDAP层的数据单元进行处理，形成新的数据单元，并将新的数据单元传递给RLC层，RLC层对来自PDCP层的数据单元进行处理，并将处理后形成的数据单元(MAC SDU)传递给MAC层。

MAC层从RLC层接收MAC SDU之后，MAC层中的MAC-ai子功能层，采用AI算法对MACSDU进行处理，得到MAC-ai-PDU。MAC层中的MAC-f子功能层，采用传统算法对MAC SDU进行处理，得到MAC-f-PDU。在一些示例中，若MAC层确定采用AI算法处理MAC SDU获得的性能优于采用传统算法处理MAC SDU获得的性能，则如图6所示，MAC层将MAC-ai-PDU传递给物理层，由物理层进行进一步处理。

反之，若MAC层确定采用传统算法处理MAC SDU获得的性能优于采用AI算法处理MAC SDU获得的性能，则MAC层将MAC-f-PDU传递给物理层，由物理层进行进一步处理。

图6还示出了基站接收、处理来自终端的上行用户面数据的过程。可选的，基站从终端接收用户面数据之后，通过物理层对用户面数据进行处理，并将处理后的数据单元传递给MAC层。作为一种可能的实现方式，MAC层接收来自物理层的数据单元后，可以独立确定需采用的算法，而并不依赖于终端的MAC层所选择的算法。具体的，基站可以比较传统算法处理MAC SDU获得的通信性能和AI算法处理MAC SDU获得的通信性能，若基站确定采用AI算法处理MAC SDU获得的性能优于采用传统算法处理M AC SDU获得的性能，则采用AI算法处理MAC SDU，得到MAC-ai-PDU，并向RLC层发送MAC-ai-PDU。若确定采用传统算法处理MACSDU获得的性能优于采用AI算法处理MAC SDU获得的性能，则采用传统算法处理MAC SDU，得到MAC-f-PDU，并向RLC层发送MAC-f-PDU。

可选的，作为另一种可能的实现方式，基站的MAC层算法与终端的MAC层算法关联，或者说，基站沿用终端的MAC层的算法。此种方式中，终端的MAC层可以在MA C PDU中封装预设标识，用于表征MAC PDU是采用何种算法获得的。后续，基站从终端接收数据之后，可以解封装数据，得到数据中的预设标识。若终端采用AI算法处理MAC SDU，则基站也可以采用AI算法处理MAC SDU，若终端采用传统算法处理MA C SDU，则基站也可以采用传统算法处理MAC SDU。

可以理解，MAC将MAC PDU传递给RLC层之后，RLC层、PDCP层、SDAP层依次对用户面数据进行处理。RLC层、PDCP层、SDAP层对用户面数据的处理过程，可参见相关技术的描述，这里不再赘述。

作为一种可能的实现方式，所述MAC层，还用于存储预设时间段内的物理层的通信参数。

其中，预设时间段可以根据应用场景灵活设置，本申请实施例对此不进行限制。

在预设时间段之后，参数存储模块可以删除其中存储的部分测量数据，以释放存储空间，释放得到的空闲存储空间可以用来存储后续的物理层通信参数和/或MAC层的通信参数。

示例性的，如图7示出了MAC-ai子功能层的一种可能架构。MAC-ai子功能层包括：AI使能模块、性能估计模块、训练模型存储模块、模型训练模块、参数存储模块等。

参数存储模块，用于存储预设时间段内的物理层的通信参数，这些参数可以作为第一AI模型的训练样本。第一AI模型，用于评估AI算法处理第一数据获得的性能。

模型训练模块，用于独立训练第一AI模型或与核心网设备协同训练第一AI模型。

在协同训练模型的场景中，模型训练模块，用于训练第一AI模型，以获取第一AI模型的至少部分参数(可以为阶段性参数)，并可以将训练获得的阶段性参数发送给核心网设备。核心网设备可以根据从一个或多个终端和/或基站接收的阶段性参数，继续训练第一AI模型。

可选的，模型训练模块可以根据物理层的通信参数、MAC层的通信参数以及相应标签，训练第一AI模型。

可选的，模型训练模块，还用于训练第二AI模型，第二AI模型用于处理MAC SD U。也就是说，MAC层从RLC层接收MAC SDU之后，将MAC SDU输入第二AI模型，并由第二AI模型输出MAC-ai-PDU。第二AI模型可以由终端(或基站)的MAC层独立训练，也可以由终端(或基站)和核心网设备协同训练。

采用协同训练模型的方法，一方面，为了使得核心网设备能够训练AI模型，基站(或终端)向核心网设备需要发送训练后的阶段性参数，而无需向核心网设备发送大量的训练样本(比如物理层测量数据)，降低了基站(或终端)的发送开销。另一方面，由于无需向核心网设备发送物理层测量数据，因此，降低了基站(或终端)的数据隐私泄露的概率。

此外，通过协同式的模型训练方式，可以充分利用核心网设备和终端(或基站)的计算资源，将计算负担分摊到多个层，提高模型训练的效率。并且，由于核心网设备能够基于多个基站(或终端)上报的阶段性参数训练AI模型，即扩宽了AI模型的阶段性参数的来源，因此，训练得到的AI模型的准确性通常更高。

训练模型存储模块，用于存储训练好的AI模型，并存储该AI模型。AI模型包括但不限于上述第一AI模型、第二AI模型。

性能估计模块，用于对AI算法处理第一数据获得的性能进行估计。作为一种可能的实现方式，性能估计模块将第一数据、物理层的通信参数、MAC层的通信参数输入第一AI模型，由第一AI模型输出该情况下，AI算法处理第一数据获得的性能。

人工智能使能模块，用于基于AI算法对第一数据(比如MAC SDU)进行处理，得到MAC-ai-PDU。可选的，基于第二AI模型对MAC SDU进行处理。

人工智能使能模块，还用于根据性能估计模块的预测结果(基于AI算法处理第一数据获得的性能)，以及基于传统算法处理第一数据获得的性能，若基于AI算法处理第一数据获得的性能优于基于传统算法处理第一数据获得的性能，则向物理层发送MA C-ai-PDU。反之，若基于传统算法处理第一数据获得的性能优于基于AI算法处理第一数据获得的性能，则不向物理层发送MAC-ai-PDU。

可选的，MAC-f子功能层也可以采用诸如图7所示方式进行功能模块的划分，这里不再赘述。MAC-f子功能层可以计算传统算法的性能估计结果。MAC层可以基于AI算法的性能估计结果和传统算法的性能估计结果，确定向物理层传输MAC-ai-PDU(基于AI算法处理第一数据得到的MAC PDU)还是MAC-f-PDU(基于传统算法处理第一数据得到的MAC PDU)，以便获得更好的通信性能。

通常，用户对不同业务有着不同的业务需求。比如，对于语音通话的语音包，用户希望低时延，对于其他数据(比如视频流)，用户希望可能并不要求低时延。

针对特定的数据流，为了提高该中数据流的优先级，可以在核心网签约配置。比如，对于游戏，通常需要低时延，游戏公司和运营商可以提前签约配置好，对于某款游戏的数据包，需要运营商的网络优先保证该款游戏的数据包的服务质量。之后，核心网设备在传输该款游戏的数据包时，会给游戏数据包打特定标签，予以表征数据包为高优先级的数据包。当游戏的数据包到达基站后，基站(SDAP层)识别数据包的标签，再基于基站的优先级规则以及映射规则，将该标签重新映射为新的标签。一方面，在此过程中，基站通只是将核心网设备为数据包打的标签进行重映射，基站通常不会自己打标签。即，若核心网设备没有为数据包打标签，则基站通常无法识别数据包是否为需要高优先级处理的游戏包，于是不能进行高优先级处理，游戏的业务性能较低。另一方面，核心网设备签约配置的方式，如果需要签约配置的业务比较多，则核心网设备负担重，导致通信性能下降。

为了解决上述问题，在本申请的另一些实施例中，可选的，还可以对用户面协议栈中的SDAP层的功能进行改进。SDAP层，用于对数据流(flow)进行分类，并根据分类为数据流打标签。在后续对数据流进行处理时，可以根据数据流的标签进行相应的处理。

可选的，SDAP层，维护有第三AI模型，第三AI模型用于对数据流进行分类。

示例性的，SDAP层通过AI算法学习到数据流中的数据包大部分为短时的小包，则估计该数据流可能是语音包的数据流。于是，SDAP层为该数据流打上语音流的标签。如此，后续处理过程中，可以根据语音流的标签，采取对应处理策略，比如通常语音流要求低时延，则后续物理层在发送该数据流中的数据包时，需及时发送，以尽可能满足低时延的业务需求。相比于核心网设备签约配置导致通信性能较低，通过该方案，基站(或终端)的SDAP层能够基于AI算法自动识别数据包的类别，并根据数据包的类别为数据包打标签。该过程中，无需核心网设备配置并向基站发送数据包的标签信息，能够降低核心网设备的计算开销。并且，基站(或终端)的打标签过程不再依赖核心网设备下发的标签信息，因此，即便核心网设备不再为数据包打标签，基站(或终端)也能够自己完成打标签的流程，使得后续数据处理过程中，能够根据基站(或终端)所打标签，进行相应优先级的业务处理，以满足业务需求。

可选的，SDAP层的第三AI模型的训练样本包括但不限于如下任一项或多项数据：包大小，包重传次数，包时延，包缓存区存储时间等。

可选的，如图8所示，SDAP层可以包括两个子功能层，即基于传统算法的服务数据适配协议(SDAP-f)子功能层和基于人工智能算法的服务数据适配协议(SDAP-ai)子功能层。

其中，SDAP-f子功能层保留传统的无线系统功能，包括但不限于如下任一项或多项功能：

QoS流和数据无线承载(data radio bearer，DRB)之间的映射、在下行链路(downlink，DL)和上行链路(uplink,UL)数据包中标记服务质量流的标识(quality of servic eflow identity，QFI)。

以基站向终端发送数据为例，基站从核心网设备接收发往终端的数据(比如游戏数据)，基站的SDAP层，首先检查该数据是否携带标签，若该数据携带标签，则将该数据交由SDAP-f子功能层进行处理，由SDAP-f子功能层对数据携带的标签进行重映射等处理，之后，SDAP-f子功能层将处理后的数据交由下层进行处理。

SDAP-ai子功能层，用于对数据流进行分类，并根据分类结果为数据流打标签。

以基站向终端发送数据为例，基站从核心网设备接收发往终端的数据(比如游戏数据)，基站的SDAP层，首先检查该数据是否携带标签，若该数据没有携带标签，则将该数据交由SDAP-ai子功能层进行处理，由SDAP-ai子功能层采用AI算法对数据进行分类之后，打上相应标签。之后，SDAP-ai子功能层将打上标签的数据交由下层进行处理。

本申请实施例还提供一种控制面协议栈，示例性的，基站、终端的控制面协议栈的架构如图9所示。

在本申请的一些实施例中，对控制面协议栈中的MAC层进行改进。比如，将MAC层分成两个子功能层，即MAC-f子功能层和MAC-ai子功能层。这两个子功能层的功能可参见用户面协议栈中对应子功能层的相关介绍，这里不再赘述。

在另一些实施例中，可以对RRC层的功能进行改进。比如，将RRC层分成两个子功能层，即基于传统算法的无线资源控制(RRC-f)子功能层和基于人工智能算法的无线资源控制(RRC-ai)子功能层。

其中，RRC-f子功能层保留传统的无线系统功能，包括但不限于如下任一项或多项功能：

与接入层(access stratum，AS)和NAS相关的系统信息广播；核心网(5th generation core，5GC)或下一代接入网(next generation radio access network，NG-RAN)发起寻呼；在UE和NG-RAN之间建立、维护和释放RRC连接；安全功能(包括密钥管理)；移动功能；QoS管理功能；UE测量报告和报告控制；无线链路故障的检测和恢复；传输NAS消息；信令无线电承载(signalling radio bearers，SRB)和DRB的建立、配置、维护和发布。

在UE和NG-RAN之间建立、维护和释放RRC连接，包括：载体聚合中载波的添加、修改和释放；在NR中或演进的通用移动通信系统陆地无线接入(evolved universal mobiletelecommunications system terrestrial radio access，E-UTRA)和NR之间添加、修改和释放双连接。

移动功能包括但不限于如下任一项或多项功能：切换和上下文转移；UE小区选择和重选以及小区选择和重选的控制；系统间移动性。

RRC-ai子功能层，用于基于AI算法实现移动性管理。

可选的，RRC-ai子功能层维护第四AI模型，并基于第四AI模型实现移动性管理。

示例性的，以基站中RRC-ai子功能层为例，RRC-ai子功能层基于AI算法识别当前的通信场景和/或业务类型，并根据通信场景和/或业务类型进行移动性管理。

可选的，通信场景包括但不限于终端跨基站移动的场景、终端在高铁上快速移动的场景，室内开阔场景，多频覆盖场景等。

示例性的，在终端进行跨基站移动的场景中，对于接续性要求较高的业务，比如，对于语音通话业务中的数据，中断业务很可能影响用户的通信体验，那么，RRC-ai子功能层需优先保证语音通话业务的接续性，比如控制将终端切换至接续性最优的基站(比如与该基站距离最近的目标基站)。

再示例性的，在终端进行跨基站移动的场景中，RRC-ai子功能层，对于接续性要求不高的业务(比如浏览视频的业务)，可以将终端切换至信号好的目标小区，以保证用户能够继续浏览高清的视频画面，而可以不考虑业务接续性。

可选的，RRC-ai子功能层的第四AI模型的训练样本，包括但不限于如下任一项或多项数据：用户标识，用户的位置信息，用户位置的时间戳，服务小区信号强度，邻区信号强度等。

可选的，上述第四AI模型可以由RRC-ai子功能层独立训练，或由RRC-ai子功能层和核心网设备协同训练，本申请实施例对模型的具体训练方式不做限制。类似的，对于其他模型，也可以协同训练，或由某个设备独立训练。模型训练方式可以是离线训练或在线训练。

作为一种可能的实现方式，RRC层可以默认采用RRC-ai子功能层进行移动性管理，以便采用AI算法学习当前的通常场景和/或业务类型，以便进行智能化的移动性管理。只有当移动性相关的关键绩效指标(key performance indicator，KPI)恶化时，才考虑切换到传统RRC管理模式(即采用RRC-f子功能层进行移动性管理)。移动性相关的KI P恶化，包括但不限于如下场景：切换失败率增加，切换时延增加等。

本申请实施例还提供一种数据处理方法，如图10所示，该方法包括：

S101、发送端确定使用AI算法处理第一数据获得的通信性能，以及使用传统算法处理第一数据获得的通信性能。

示例性的，以第一数据为MAC SDU为例，发送端的MAC层用于执行S101，以便确定使用AI算法处理MAC SDU获得的性能，以及使用传统算法处理MAC SDU获得的性能。

可选的，发送端的MAC层根据物理层的通信参数以及MAC层的通信参数，确定使用传统算法处理MAC SDU获得的性能。发送端的MAC层根据物理层的通信参数、M AC层的通信参数以及第一AI模型，确定使用AI算法处理MAC SDU获得的性能。

S102、若使用AI算法处理第一数据获得的性能优于使用传统算法处理第一数据获得的性能，则发送端将使用AI算法处理第一数据获得的数据发送给接收端。

示例性的，若使用AI算法处理MAC SDU获得的性能优于使用传统算法处理MAC SDU获得的性能，则MAC层可以将由AI算法处理MAC SDU获得的MAC-ai-PDU，发送给物理层，物理层对MAC-ai-PDU进行进一步处理，得到第二数据。发送端向接收端发送第二数据。

可选的，发送端可以按照一定策略执行S101、S102。比如，发送端的MAC曾每隔一定周期比较一次AI算法和传统算法的性能，并根据比较结果，选择MAC层的数据处理算法。发送端还可以基于其他策略执行AI算法和传统算法的性能比较，并根据性能比较结果，选择MAC层的数据处理算法。

在另一些实施例中，若使用传统算法处理第一数据获得的性能优于使用传统算法处理第一数据获得的性能，则发送端将使用传统算法处理第一数据获得的数据发送给接收端。

本申请实施例的数据处理方法，发送端可以根据AI算法和传统算法的性能，选择两者中性能更好的算法来处理第一数据，并向接收端发送第一数据的处理结果，从而实现动态调度，提升通信系统的调度性能。

在另一些实施例中，还可以对用户面或控制面协议栈的物理层进行功能改进。示例性的，图11示出了本申请实施例的协议栈的又一架构。该架构可适用于用户面或控制面。

其中，物理层可以包括基于传统算法的处理模块以及基于AI算法的处理模块。基于传统算法的处理模块包括但不限于：传统信道编码模块、传统调制模块、传统资源映射模块。基于AI算法的处理模块包括但不限于：AI信道编码模块、AI调制模块、AI资源映射模块。

示例性的，如图11的(b)所示，若MAC层确定基于AI算法处理MAC SDU能够获得更好的性能，则可以在MAC-ai-PDU中封装预设标识(比如0)，以表征该MAC-ai-PDU是对MAC SDU采用AI算法处理得到的MAC PDU。可选的，预设标识可承载在MAC-ai-PDU的包头中。

可选的，物理层从MAC层接收携带预设标识(比如0)的MAC-ai-PDU之后，可以根据该预设标识获知MAC层采用AI算法处理MAC SDU，相应的，物理层也采用A I算法对MAC-ai-PDU进行处理。比如，物理层采用AI算法进行信道编码、调制、资源映射等。

再示例性的，如图11的(a)所示，若MAC层确定基于传统算法处理MAC SDU能够获得更好的性能，则可以在MAC-f-PDU中携带预设标识(比如1)，以表征该MA C-f-PDU是对MACSDU采用传统算法处理得到的MAC PDU。

上述以预设标识为0、1进行举例，在另一些实施例中，预设标识还可以是其他标识，比如，在一些示例中，预设标识缺省可以表示MAC采用传统算法处理，预设标识不缺省(比如置0)可以表示MAC采用AI算法处理。本申请实施例对预设标识的具体设置方式、用于承载预设标识的具体载荷不做限制。

需要说明的是，上述主要以SDAP层、MAC层、RRC层划分相应子功能层为例进行说明，在另一些实施例中，还可以对协议栈中的其他层划分子功能层，并在相应子功能层中实现相应功能，本申请实施例对具体划分子功能层的协议层不做限制，对具体划分的子功能层的数量、功能也不做限制。

需要说明的是，上述方法流程中的步骤仅是示例性的。其中某些步骤还可以替换为其他步骤，或者增加或减少部分步骤。

上述各方法实施例的流程中的一些操作任选地被组合，并且/或者一些操作的顺序任选地被改变。

并且，各流程的步骤之间的执行顺序仅是示例性的，并不构成对步骤之间执行顺序的限制，各步骤之间还可以是其他执行顺序。并非旨在表明执行次序是可以执行这些操作的唯一次序。本领域的普通技术人员会想到多种方式来对本文的操作进行重新排序。另外，应当指出的是，对于某个方法来说，本文结合本文的其他方法的其他过程的细节同样以类似的方式适用于上文结合该方法。

根据本公开实施例的又一个方面，还提供了一种用于实施上述方法的电子设备，上述电子设备可以但不限于应用于终端、接入网设备、核心网设备中。如图12所示，该电子设备包括存储器610和处理器620，该存储器610中存储有计算机程序，该处理器620被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

进一步地，在本实施例中，上述处理器620可以被设置为通过计算机程序执行如图10的步骤。

可选地，本领域普通技术人员可以理解，图12所示的结构仅为示意，电子设备还可包括比图12中所示更多或者更少的组件(如网络接口等)，或者具有与图12所示不同的配置。

其中，存储器610可用于存储软件程序以及模块，如本公开实施例中的方法和装置对应的程序指令/模块，处理器620通过运行存储在存储器610内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的数据处理方法。存储器610可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器610可进一步包括相对于处理器620远程设置的存储器，这些远程存储器可以通过网络连接至终端。这里，网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器610具体可以但不限于用于储存数据处理方法的程序步骤。此外，还可以包括但不限于上述装置中的其他模块单元，本示例中不再赘述。

可选地，上述的传输装置630用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置630包括网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通信。在一个实例中，传输装置630为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通信。

可选地，本公开另一实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行上述方法实施例所示的方法流程中执行的各个步骤。

可选地，在本公开另一实施例中，还提供一种计算机程序产品，该计算机程序产品包括指令，当指令在计算机上运行时，使得计算机执行上述方法实施例所示的方法流程中执行的各个步骤。

可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Mem ory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。

上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本公开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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本公开各个实施例方法的全部或部分步骤。

在本公开的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本公开所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开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。

以上仅是本公开的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本公开的保护范围。

Claims (8)

1.一种基于人工智能AI的协议栈单元，其特征在于，所述协议栈单元应用在终端或接入网设备，所述协议栈单元包括：

媒体访问控制MAC层，用于接收第一数据；

所述MAC层，还用于根据MAC层的通信参数、物理层的通信参数以及AI模型，确定基于AI算法处理所述第一数据获得的通信性能，以及确定基于传统算法处理所述第一数据获得的通信性能；基于传统算法处理所述第一数据获得的通信性能与MAC层的通信参数、物理层的通信参数有关；

所述MAC层，还用于向物理层发送第二数据；所述第二数据是基于AI算法处理所述第一数据得到的数据，且基于所述AI算法处理所述第一数据获得的通信性能优于基于所述传统算法处理所述第一数据获得的通信性能；或，所述第二数据是基于传统算法处理所述第一数据得到的数据，且基于所述传统算法处理所述第一数据获得的通信性能优于基于所述AI算法处理所述第一数据获得的通信性能。

2.根据权利要求1所述的协议栈单元，其特征在于，

所述MAC层，还用于计算所述AI模型的部分参数，并经物理层向核心网设备传输所述部分参数，所述部分参数用于所述核心网设备训练所述AI模型；

所述MAC层，还用于从所述物理层接收来自所述核心网设备的所述AI模型。

3.根据权利要求1所述的协议栈单元，其特征在于，所述MAC层，还用于存储所述物理层的通信参数。

4.根据权利要求1所述的协议栈单元，其特征在于，所述AI模型的训练样本包括：物理层的通信参数、MAC层的通信参数以及标签，所述标签用于表征在所述物理层的通信参数以及所述MAC层的通信参数的情况下，采用所述AI算法处理数据获得的性能。

5.一种基于人工智能AI的数据传输方法，其特征在于，包括：

根据媒体访问控制MAC层的通信参数、物理层的通信参数以及AI模型，确定基于AI算法处理第一数据获得的通信性能，以及确定基于传统算法处理所述第一数据获得的通信性能；基于传统算法处理所述第一数据获得的通信性能与MAC层的通信参数、物理层的通信参数有关；

发送第二数据；所述第二数据是基于AI算法处理所述第一数据得到的数据，且基于所述AI算法处理所述第一数据获得的通信性能优于基于所述传统算法处理所述第一数据获得的通信性能；或，所述第二数据是基于传统算法处理所述第一数据得到的数据，且基于所述传统算法处理所述第一数据获得的通信性能优于基于所述AI算法处理所述第一数据获得的通信性能。

6.一种通信装置，其特征在于，所述通信装置包括：至少一个处理器；

所述处理器，用于执行计算机程序或指令，以使所述通信装置执行如权利要求5所述的方法。

7.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序或指令，当所述计算机程序或指令被通信装置执行时，实现如权利要求5所述的方法。

8.一种通信装置，其特征在于，包括：处理器和存储器；所述存储器用于存储计算机指令，当所述处理器执行所述指令时，以使所述通信装置执行如权利要求5所述的方法。

Images