CN114762367A - 向生产者节点提供基于机器学习的辅助 - Google Patents

向生产者节点提供基于机器学习的辅助 Download PDF

Info

Publication number
CN114762367A
CN114762367A CN201980102669.2A CN201980102669A CN114762367A CN 114762367 A CN114762367 A CN 114762367A CN 201980102669 A CN201980102669 A CN 201980102669A CN 114762367 A CN114762367 A CN 114762367A
Authority
CN
China
Prior art keywords
machine learning
node
indication
learning based
based function
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.)
Pending
Application number
CN201980102669.2A
Other languages
English (en)
Inventor
I·科瓦茨
J·莫伊拉南
W·齐瓦斯
T·恩托南
T·维加莱南
L·乌泽达·加西亚
M·M·巴特
M·琴泰纳罗
M·洛佩斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN114762367A publication Critical patent/CN114762367A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/50—Service provisioning or reconfiguring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
    • H04W8/24—Transfer of terminal data

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

根据一个方面，公开了一种方法，该方法包括从生产者节点接收包括基于机器学习的辅助能力的生产者节点能力，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与所述机器学习实体相关联的至少一个机器学习模式。根据另一方面，公开了一种方法，该方法包括标识包括基于机器学习的辅助能力的生产者节点能力，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式；以及引起生产者节点能力到消费者节点的传输。

Description

向生产者节点提供基于机器学习的辅助
技术领域
本申请总体上涉及无线通信领域。特别地，本申请涉及用于无线通信的消费者节点和生产者节点、以及相关的方法和计算机程序。
背景技术
在无线通信网络中，机器学习算法可以由消费者节点和/或生产者节点执行，例如在无线电接入网(RAN)侧(例如，在网络节点或基站处)、以及在用户节点侧(例如，在用户设备(UE)处)。例如，用户设备可以具有向RAN提供基于机器学习的辅助所需要的功能。例如，这些功能可以包括某些事件的预测(预报)，诸如切换(HO)、跨参考符号接收功率(RSRP)阈值、服务质量(QoS)变化、移动性状态变化等。然后，需要将该预报信息报告回(多个)服务gNB，以用作无线电资源管理(RRM)算法和RRM动作的输入。
通常，需要一种解决方案来高效地配置基于机器学习的辅助，同时将消费者节点与生产者节点之间的信令开销保持在较低水平。
发明内容
一种方法的示例实施例包括从生产者节点接收包括基于机器学习的辅助能力的生产者节点能力，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式。
在一个示例实施例中，与机器学习实体相关联的至少一个机器学习模式包括至少一个回退操作模式。
在一个示例实施例中，该方法还包括在基于机器学习的功能中选择至少一个基于机器学习的功能；以及引起用于激活所选择的至少一个基于机器学习的功能的激活请求到生产者节点的传输。
在一个示例实施例中，该方法还包括从生产者节点接收激活请求响应，激活请求响应包括关于至少一个基于机器学习的功能是否被激活的指示。
在一个示例实施例中，该方法还包括从生产者节点接收用于激活基于机器学习的功能中的至少一个基于机器学习的功能的激活请求。
在一个示例实施例中，该方法还包括引起基于机器学习的功能激活响应到生产者节点的传输。
在一个示例实施例中，该方法还包括从生产者节点接收用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求。
在一个示例实施例中，改变请求包括改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，该方法还包括当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，该方法还包括引起用于启用与去激活的机器学习相关联的去激活推理报告的请求到生产者节点的传输。
在一个示例实施例中，该方法还包括引起用于指示改变后的基于机器学习的功能的确认的响应到生产者节点的传输。
在一个示例实施例中，该方法还包括引起用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求到生产者节点的传输。
在一个示例实施例中，改变请求包括改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，该方法还包括当改变请求包括去激活指示或切换指示时，引起推理报告重新配置消息到生产者节点的传输。
在一个示例实施例中，该方法还包括当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，该方法还包括引起用于启用与去激活的机器学习相关联的去激活推理报告的请求到生产者节点的传输。
在一个示例实施例中，该方法还包括从生产者节点接收对改变请求的应答。
一种方法的示例实施例包括标识包括基于机器学习的辅助能力的生产者节点能力，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式；以及引起生产者节点能力到消费者节点的传输。
在一个示例实施例中，与机器学习实体相关联的至少一个机器学习模式包括至少一个回退操作模式。
在一个示例实施例中，该方法还包括从消费者节点接收用于激活基于机器学习的功能中的至少一个基于机器学习的功能的激活请求。
在一个示例实施例中，该方法还包括引起激活请求响应到消费者节点的传输，激活请求响应包括关于至少一个基于机器学习的功能是否被激活的指示。
在一个示例实施例中，该方法还包括引起用于激活基于机器学习的功能中的至少一个基于机器学习的功能的激活请求到消费者节点的传输。
在一个示例实施例中，该方法还包括从消费者节点接收基于机器学习的功能激活响应。
在一个示例实施例中，该方法还包括引起用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求到消费者节点的传输。
在一个示例实施例中，改变请求包括针对改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，该方法还包括当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，该方法还包括从消费者节点接收用于启用与去激活的机器学习相关联的去激活推理报告的请求。
在一个示例实施例中，该方法还包括从消费者节点接收用于指示经改变的基于机器学习的功能的确认的响应。
在一个示例实施例中，该方法还包括从消费者节点向消费者节点接收用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求；以及基于改变请求改变至少一个基于机器学习的功能。
在一个示例实施例中，改变请求包括针对改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，该方法还包括当改变请求包括去激活指示或切换指示时，从消费者节点接收推理报告重新配置消息。
在一个示例实施例中，该方法还包括当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，该方法还包括从消费者节点接收用于启用与去激活的机器学习相关联的去激活推理报告的请求。
在一个示例实施例中，该方法还包括引起对改变请求的应答到消费者节点的传输。
一种消费者节点的示例实施例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引起消费者节点至少执行：从生产者节点接收包括基于机器学习的辅助能力的生产者节点能力，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式。
在一个示例实施例中，其中与机器学习实体相关联的至少一个机器学习模式包括至少一个回退操作模式。
在一个示例实施例中，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引起生产者节点至少执行：在基于机器学习的功能中选择至少一个基于机器学习的功能；以及引起激活所选择的至少一个基于机器学习的功能的激活请求到生产者节点的传输。
在一个示例实施例中，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引起生产者节点至少执行：从生产者节点接收激活请求响应，激活请求响应包括关于至少一个基于机器学习的功能是否被激活的指示。
在一个示例实施例中，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引起生产者节点至少执行：从生产者节点接收激活基于机器学习的功能中的至少一个基于机器学习的功能的激活请求。
在一个示例实施例中，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引起生产者节点至少执行：引起基于机器学习的功能激活响应到生产者节点的传输。
在一个示例实施例中，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引起生产者节点至少执行：从生产者节点接收改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求。
在一个示例实施例中，改变请求包括针对改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，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引起生产者节点至少执行：当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，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引起生产者节点至少执行：引起用于启用与去激活的机器学习相关联的去激活推理报告的请求到生产者节点的传输。
在一个示例实施例中，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引起生产者节点至少执行：引起用于指示经改变的基于机器学习的功能的确认的响应到生产者节点的传输。
在一个示例实施例中，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引起生产者节点至少执行：引起用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求到生产者节点的传输。
在一个示例实施例中，改变请求包括针对改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，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引起生产者节点至少执行：当改变请求包括去激活指示或切换指示时，引起推理报告重新配置消息到生产者节点的传输。
在一个示例实施例中，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引起生产者节点至少执行：当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，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引起生产者节点至少执行：引起用于启用与去激活的机器学习相关联的去激活推理报告的请求到生产者节点的传输。
在一个示例实施例中，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引起生产者节点至少执行：从生产者节点接收对改变请求的应答。
一种生产者节点的示例实施例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引起消费者节点至少执行：标识包括基于机器学习的辅助能力的生产者节点能力，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式；以及引起生产者节点能力到消费者节点的传输。
在一个示例实施例中，与机器学习实体相关联的至少一个机器学习模式包括至少一个回退操作模式。
在一个示例实施例中，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引起生产者节点至少执行：从消费者节点接收用于激活基于机器学习的功能中的至少一个基于机器学习的功能的激活请求。
在一个示例实施例中，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引起生产者节点至少执行：引起激活请求响应到消费者节点的传输，激活请求响应包括关于至少一个基于机器学习的功能是否被激活的指示。
在一个示例实施例中，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引起生产者节点至少执行：引起用于激活基于机器学习的功能中的至少一个基于机器学习的功能的激活请求到消费者节点的传输。
在一个示例实施例中，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引起生产者节点至少执行：从消费者节点接收基于机器学习的功能激活响应。
在一个示例实施例中，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引起生产者节点至少执行：引起用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求到消费者节点的传输。
在一个示例实施例中，改变请求包括针对改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，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引起生产者节点至少执行：当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，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引起生产者节点至少执行：从消费者节点接收用于启用与去激活的机器学习相关联的去激活推理报告的请求。
在一个示例实施例中，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引起生产者节点至少执行：从消费者节点接收用于指示经改变的基于机器学习的功能的确认的响应。
在一个示例实施例中，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引起生产者节点至少执行：从消费者节点向消费者节点接收用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求；以及基于改变请求改变至少一个基于机器学习的功能。
在一个示例实施例中，改变请求包括针对改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，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引起生产者节点至少执行：当改变请求包括去激活指示或切换指示时，从消费者节点接收推理报告重新配置消息。
在一个示例实施例中，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引起生产者节点至少执行：当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，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引起生产者节点至少执行：从消费者节点接收用于启用与去激活的机器学习相关联的去激活推理报告的请求。
在一个示例实施例中，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引起生产者节点至少执行：引起对改变请求的应答到消费者节点的传输。
一种消费者节点的示例实施例包括用于执行以下操作的部件：从生产者节点接收包括基于机器学习的辅助能力的生产者节点能力，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式。
在一个示例实施例中，与机器学习实体相关联的至少一个机器学习模式包括至少一个回退操作模式。
在一个示例实施例中，该部件还被配置为执行：在基于机器学习的功能中选择至少一个基于机器学习的功能；以及引起用于激活所选择的至少一个基于机器学习的功能的激活请求到生产者节点的传输。
在一个示例实施例中，该部件还被配置为执行：从生产者节点接收激活请求响应，激活请求响应包括关于至少一个基于机器学习的功能是否被激活的指示。
在一个示例实施例中，该部件还被配置为执行：从生产者节点接收用于激活基于机器学习的功能中的至少一个基于机器学习的功能的激活请求。
在一个示例实施例中，该部件还被配置为执行：引起基于机器学习的功能激活响应到生产者节点的传输。
在一个示例实施例中，该部件还被配置为执行：从生产者节点接收用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求。
在一个示例实施例中，改变请求包括针对改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，该部件还被配置为执行：当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，该部件还被配置为执行：引起用于启用与去激活的机器学习相关联的去激活推理报告的请求到生产者节点的传输。
在一个示例实施例中，该部件还被配置为执行：引起用于指示经改变的基于机器学习的功能的确认的响应到生产者节点的传输。
在一个示例实施例中，该部件还被配置为执行：引起用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求到生产者节点的传输。
在一个示例实施例中，改变请求包括针对改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，该部件还被配置为执行：当改变请求包括去激活指示或切换指示时，引起推理报告重新配置消息到生产者节点的传输。
在一个示例实施例中，该部件还被配置为执行：当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，该部件还被配置为执行：引起用于启用与去激活的机器学习相关联的去激活推理报告的请求到生产者节点的传输。
在一个示例实施例中，该部件还被配置为执行：从生产者节点接收对改变请求的应答。
在一个示例实施例中，该部件包括至少一个处理器和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引起消费者节点的执行。
一种生产者节点的示例实施例包括用于执行以下操作的部件：标识包括基于机器学习的辅助能力的生产者节点能力，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式；以及引起生产者节点能力到消费者节点的传输。
在一个示例实施例中，与机器学习实体相关联的至少一个机器学习模式包括至少一个回退操作模式。
在一个示例实施例中，该部件还被配置为执行：从消费者节点接收用于激活基于机器学习的功能中的至少一个基于机器学习的功能的激活请求。
在一个示例实施例中，该部件还被配置为执行：引起激活请求响应到消费者节点的传输，激活请求响应包括关于至少一个基于机器学习的功能是否被激活的指示。
在一个示例实施例中，该部件还被配置为执行：引起用于激活基于机器学习的功能中的至少一个基于机器学习的功能的激活请求到消费者节点的传输。
在一个示例实施例中，该部件还被配置为执行：从消费者节点接收基于机器学习的功能激活响应。
在一个示例实施例中，该部件还被配置为执行：引起用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求到消费者节点的传输。
在一个示例实施例中，改变请求包括针对改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，该部件还被配置为执行：当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，该部件还被配置为执行：从消费者节点接收用于启用与去激活的机器学习相关联的去激活推理报告的请求。
在一个示例实施例中，该部件还被配置为执行：从消费者节点接收用于指示经改变的基于机器学习的功能的确认的响应。
在一个示例实施例中，该部件还被配置为执行：从消费者节点向消费者节点接收用于改变基于机器学习的功能中的至少一个基于机器学习的功能的改变请求；以及基于改变请求改变至少一个基于机器学习的功能。
在一个示例实施例中，改变请求包括针对改变的原因指示，原因指示包括以下中的一项：用于去激活基于机器学习的功能的去激活指示；用于切换到另一基于机器学习的功能的切换指示；用于将基于机器学习的功能暂停设定时间段的暂停指示；以及用于重置或重启基于机器学习的功能的重置指示。
在一个示例实施例中，该部件还被配置为执行：当改变请求包括去激活指示或切换指示时，从消费者节点接收推理报告重新配置消息。
在一个示例实施例中，该部件还被配置为执行：当改变请求包括去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
在一个示例实施例中，该部件还被配置为执行：从消费者节点接收用于启用与去激活的机器学习相关联的去激活推理报告的请求。
在一个示例实施例中，该部件还被配置为执行：引起对改变请求的应答到消费者节点的传输。
在一个示例实施例中，该部件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引起生产者节点的执行。
一种计算机程序的示例实施例包括用于引起装置执行任何上述示例实施例的方法的指令。
一种计算机可读介质的示例实施例包括用于引起装置执行任何上述示例实施例的方法的程序指令。
附图说明
附图包括用于提供对实施例的进一步理解并且构成本说明书的一部分，其示出了实施例，并且与说明书一起帮助解释实施例的原理。在附图中：
图1示出了本文中描述的主题的示例实施例，示出了消费者节点。
图2示出了本文中描述的主题的示例实施例，示出了生产者节点。
图3A示出了生产者节点的基于机器学习的辅助能力的结构的示例实施例。
图3B示出了机器学习功能架构的示例实施例。
图4A示出了信令的示例实施例，其中消费者节点激活生产者节点中的特定的基于机器学习的功能。
图4B示出了信令的示例实施例，其中生产者节点请求激活基于机器学习的功能。
图4C示出了信令的示例实施例，其中生产者节点请求去激活当前使用的基于机器学习的功能。
图4D示出了信令的示例实施例，其中消费者节点请求去激活生产者节点中的当前使用的基于机器学习的功能。
图4E示出了信令的示例实施例，其中消费者节点使用暂停命令去激活生产者节点中的当前使用的基于机器学习的功能。
在附图中，相同的附图标记用于表示相同的部分。
具体实施方式
现在将详细参考实施例，其示例在附图中示出。下面结合附图提供的详细描述旨在作为对本示例的描述，而不旨在表示可以构造或利用本示例的唯一形式。该描述阐述了示例的功能以及构造和操作示例的步骤顺序。然而，相同或等效的功能和序列可以通过不同的示例来完成。
如本文中讨论的，术语“生产者节点的基于机器学习的辅助”、“用户节点的基于机器学习的辅助”或“基于机器学习的辅助”被广泛用于指代生产者节点(例如，用户节点或任何其他网络节点)处的功能，该功能用于提供与网络(例如，无线电接入网、认知无线电和软件定义无线电解决方案)相关联的基于机器学习(ML)的辅助。即使本文中讨论的示例实施例可以涉及其中用户节点具有向无线电接入网提供基于ML的辅助所需要的功能、并且其中这些功能可以包括例如某些事件(诸如切换(HO)、跨参考符号接收功率(RSRP)阈值、服务质量变化、移动性状态变化等)的预测(预报)的场景，但是这些只是非限制性示例。此外，用于提供/生成用户节点的基于机器学习的辅助信息(例如，RSRP值、CSI、HO事件的预测)的所采用的ML算法可能已经在一组全面的操作模式(输入数据)下进行了优化(训练和测试)，并且可能具有递送典型的ML/深度学习(DL)/人工智能(AI)算法性能度量中的至少一个的能力。
此外，如本文中使用的，标签“生产者”和“消费者”可以涉及机器学习预测/推理。
图1示出了本文中描述的主题的示例实施例，示出了消费者节点100。
消费者节点100包括一个或多个处理器102、以及具有计算机程序代码的一个或多个存储器104。消费者节点100还可以包括收发器106以及其他元件，诸如输入/输出模块(图1中未示出)和/或通信接口(图1中未示出)。
虽然消费者节点100被描绘为仅包括一个处理器102，但是消费者节点100可以包括一个以上的处理器。在一个示例实施例中，存储器104能够存储指令，诸如操作系统和/或各种应用。
此外，处理器102能够执行所存储的指令。在一个实施例中，处理器102可以体现为多核处理器、单核处理器、或者一个或多个多核处理器与一个或多个单核处理器的组合。例如，处理器102可以体现为各种处理设备中的一种或多种，诸如协处理器、微处理器、控制器、数字信号处理器(DSP)、具有或不具有伴随DSP的处理电路系统、或各种其他处理设备，包括集成电路，例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、微控制器单元(MCU)、硬件加速器、专用计算机芯片(例如，机器学习专用处理器，例如张量处理单元(TPU)等)等。在一个实施例中，处理器102可以被配置为执行硬编码的功能。在一个示例实施例中，处理器102体现为软件指令的执行器，其中指令可以具体地将处理器102配置为在指令被执行时执行本文中描述的算法和/或操作。
存储器104可以体现为一个或多个易失性存储器设备、一个或多个非易失性存储器设备、和/或一个或多个易失性存储器设备和非易失性存储器设备的组合。例如，存储器104可以体现为半导体存储器(诸如掩模ROM、PROM(可编程ROM)、EPROM(可擦除PROM)、闪存ROM、RAM(随机存取存储器)等)。
例如，消费者节点100可以是网络节点、基站、或提供无线通信(例如，长期演进(LTE)或5G无线通信)的任何其他网络侧节点或装置。
至少一个存储器104和计算机程序代码被配置为与至少一个处理器102一起引起消费者节点100至少执行从用户节点接收包括基于机器学习的辅助能力的用户节点能力，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式。
此外，图1中公开的所示组件的任何组合(例如，处理器102、存储器104和收发器106中的至少一个)可以构成用于从用户节点接收包括基于机器学习的辅助能力的用户节点能力的部件，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式。
图2示出了本文中描述的主题的示例实施例，示出了生产者节点200。
生产者节点200包括一个或多个处理器202、以及具有计算机程序代码的一个或多个存储器204。生产者节点200还可以包括收发器206以及其他元件，诸如输入/输出模块(图2中未示出)和/或通信接口(图2中未示出)。
虽然生产者节点200被描绘为仅包括一个处理器202，但是生产者节点200可以包括一个以上的处理器。在一个示例实施例中，存储器204能够存储指令，诸如操作系统和/或各种应用。
此外，处理器202能够执行所存储的指令。在一个实施例中，处理器202可以体现为多核处理器、单核处理器、或者一个或多个多核处理器与一个或多个单核处理器的组合。例如，处理器202可以体现为各种处理设备中的一种或多种，诸如协处理器、微处理器、控制器、数字信号处理器(DSP)、具有或不具有伴随DSP的处理电路系统、或各种其他处理设备，包括集成电路，例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、微控制器单元(MCU)、硬件加速器、专用计算机芯片等。在一个实施例中，处理器102可以被配置为执行硬编码的功能。在一个示例实施例中，处理器202体现为软件指令的执行器，其中指令可以具体地将处理器202配置为在指令被执行时执行本文中描述的算法和/或操作。
存储器204可以体现为一个或多个易失性存储器设备、一个或多个非易失性存储器设备、和/或一个或多个易失性存储器设备和非易失性存储器设备的组合。例如，存储器204可以体现为半导体存储器(诸如掩模ROM、PROM(可编程ROM)、EPROM(可擦除PROM)、闪速ROM、RAM(随机存取存储器)等)。
例如，生产者节点200可以是用户节点或用户设备或由最终用户使用并且能够在无线网络中通信的任何其他类型的设备。这样的设备包括但不限于智能手机、平板电脑、智能手表、笔记本电脑、物联网(IoT)设备、手持或便携式设备等。
至少一个存储器204和计算机程序代码被配置为与至少一个处理器202一起引起生产者节点200至少执行标识包括基于机器学习的辅助能力的用户节点能力，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式；以及引起生产者节点能力到消费者节点的传输。
此外，图2中公开的所示组件的任何组合(例如，处理器202、存储器204和收发器206中的至少一个)可以构成用于标识包括基于机器学习的辅助能力的用户节点能力的部件，基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与机器学习实体相关联的至少一个机器学习模式；以及用于引起生产者节点能力到消费者节点的传输的部件。
图3A示出了生产者节点的基于机器学习的辅助能力300的结构的示例实施例。在一个示例实施例中，生产者节点可以被配置为向消费者节点提供基于机器学习的辅助，并且通过使用生产者节点的基于机器学习的辅助能力300向消费者节点暴露其基于机器学习的辅助能力。生产者节点的基于机器学习的辅助能力300可以存储在生产者节点的存储器204中。
生产者节点的基于机器学习的辅助能力300包括基于机器学习的功能302A、302B、302C。每个基于机器学习的功能302A、302B、302C包括机器学习实体304A、304B、304C和与机器学习实体304A、304B、304C相关联的至少一个机器学习模式306A、306B、306C、306D、306E。
作为示例，机器学习实体304A可以与切换(HO)预测相关联。两个机器学习模式306A、306B已经与机器学习实体304A相关联。例如，第一机器学习模式306A可以以95％的准确度与提前10ms的HO预测相关联。第二机器学习模式306B可以是在第一机器学习模式306A不可用的情况下可以应用的回退操作模式。在该示例中，第二机器学习模式306B(即，回退操作模式)以90％的准确度与提前200ms的HO预测相关联。
作为示例，机器学习实体304B可以与服务质量(QoS)预测相关联。两个机器学习模式306C、306D已经与机器学习实体304B相关联。至少一个机器学习模式306C、306D可以与机器学习实体304B相关联。机器学习模式306D可以是在机器学习模式306C不可用或不能以其他方式使用的情况下可以应用的回退操作模式。
作为另一示例，生产者节点的基于机器学习的辅助能力300还可以包括基于机器学习的功能302A，基于机器学习的功能302A包括仅与一个机器学习实体302C相关联的机器学习模式306E。
一般地与回退操作模式相关，至少一个回退操作模式可以被配置为在所配置的用户节点的基于机器学习的主要模式都不能使用时使用。例如，这可能发生在它们不可用、没有输入可用/去激活、存在测量或连接错误等时。至少一个回退操作模式可以包括例如以下中的一项：
-第二生产者节点能力(基于或不基于机器学习)，其不同于第一基于机器学习的辅助能力。
-特定的基于机器学习的功能，它是基于机器学习的辅助能力的一部分。
-特定的基于规则的功能，它是基于机器学习的辅助能力的一部分。
-以上各项的组合。
-可以针对不同的基于机器学习的功能中的每个、针对一组机器学习模式或针对一组机器学习实体指定和配置不同的回退操作模式。也可能存在基于机器学习的功能根本不需要回退操作模式(或包括“什么都不做”回退操作模式)。
图3B示出了机器学习功能架构的示例实施例。图3B示出了一个简化示例，其中无线电接入网(RAN)(例如，gNB 100)和用户设备(UE)200都具有基于机器学习的功能，即，训练308、312和推理310，314。训练308、312和推理310、314功能被分开以说明这些功能通常可以解耦，并且可以并行地或者在不同的时刻激活。在这种情况下，训练可以表示例如机器学习算法的(超)参数正在被学习、测试和验证。推理表示数据驱动的预测或决策正在发生。
图3B所示的控制反馈消息循环包括递送(多个)基于机器学习的功能的配置和推理结果的报告。在一个示例实施例中，这可以是需要在gNB 100与UE 100之间交换的通用和最小信息集。(多个)基于机器学习的功能的配置可以包括例如机器学习模型和层架构的选择，可能初始化权重、(超)参数，选择激活函数等。gNB 100和UE 200都可以是这样的消息的源和目标。
图4A示出了信令的示例实施例，其中消费者节点100激活生产者节点200中的特定的基于机器学习的功能。生产者节点200可以被配置为向消费者节点100提供基于机器学习的辅助。在该示例实施例中，消费者节点100是网络节点，例如gNB，生产者节点200是用户节点，例如用户设备。很明显，在其他环境中，实际节点可以不同。
在400，用户节点200将其基于机器学习的辅助能力暴露给网络节点100。基于机器学习的辅助能力可以包括基于机器学习的功能，其中每个基于机器学习的功能包括机器学习实体和与机器学习实体关联的至少一个机器学习模式。基于机器学习的功能、机器学习实体和机器学习模式已经关于图3A进行了更详细的讨论。
在402，可以执行基于机器学习的辅助能力内的基于机器学习的功能的初始探索和调节。在这个阶段，机器学习实体中的一些机器学习实体可以由网络以通用描述(诸如容器化实现等)的形式直接或间接提供。在一个示例实施例中，执行这个阶段的控制信令可以部分地特定于基于机器学习的辅助能力和辅助能力内的基于机器学习的功能的确切定义。
在404，网络节点100可以被配置为选择可用的基于机器学习的功能。在选择中，网络节点100可以利用关于从用户节点200接收的基于机器学习的辅助能力信息的知识。
在406，根据无线电资源管理(RRM)的需要，网络节点100可以向用户节点200发送激活请求，激活请求用于激活从用户节点200接收的基于机器学习的功能(机器学习实体——机器学习模式)中的一个或多个基于机器学习的功能。
在408，用户节点200被配置为确定所请求的基于机器学习的功能是否可用。
在410，用户节点200被配置为向网络节点100传输激活应答。例如，基于机器学习处理资源可用性或无线电测量/条件检测，用户节点200向网络节点100应答，以指示是否可以利用所请求的基于机器学习的功能。如果不可能利用所请求的基于机器学习的功能，则用户节点200可以在激活应答410中指示造成这种情况的原因。例如，用户节点200可以指示要考虑的替代的优选的基于机器学习的功能。作为另一示例，用户节点200可以指示要使用的基于机器学习的功能中包括的回退操作模式。作为另一示例，用户节点200可以指示其没有足够的电池电量来运行辅助算法。作为另一示例，用户节点200可以指示已经检测到信道无线电条件的显著变化，即，信道条件已经从已训练模型显著改变并且基于机器学习的辅助/推理的准确度不在目标范围内。
如果用户节点200在激活应答中确认激活请求，则网络节点100启用对应的(特定的)推理报告方案。网络节点100还可以在机器学习推理报告配置消息412中向用户节点200提供附加配置信息，例如，以下中的一项或多项：
-报告周期的配置。在一个示例实施例中，默认值可以是机器学习实体和/或机器学习模式定义的一部分。
-报告的实际内容的配置。在一个示例实施例中，这可以是机器学习实体和/或机器学习模式定义的一部分。
在414，用户节点200可以根据所请求的或设置的基于机器学习的功能416，向网络节点100发送周期性的用户节点推理报告。在418，网络节点100可以连续监测来自每个激活的基于机器学习的功能的推理报告的质量。
图4B示出了信令的示例实施例，其中生产者节点200请求激活基于机器学习的功能。生产者节点200可以被配置为向消费者节点100提供基于机器学习的辅助。在该示例实施例中，消费者节点100是网络节点，例如gNB，生产者节点200是用户节点，例如用户设备。很明显，在其他环境中，实际节点可以不同。
在400，用户节点200将其基于机器学习的辅助能力暴露给网络节点100。基于机器学习的辅助能力可以包括基于机器学习的功能，其中每个基于机器学习的功能包括机器学习实体和与机器学习实体关联的至少一个机器学习模式。基于机器学习的功能、机器学习实体和机器学习模式已经关于图3A进行了更详细的讨论。
在402，可以执行基于机器学习的辅助能力内的基于机器学习的功能的初始探索和调节。在这个阶段，机器学习实体中的一些机器学习实体可以由网络以通用描述(诸如容器化实现等)的形式直接或间接提供。在一个示例实施例中，执行这个阶段的控制信令可以部分地特定于基于机器学习的辅助能力和辅助能力内的基于机器学习的功能的确切定义。
框419指示在特定时间段，网络节点100不需要可用的基于机器学习的功能。
在420，用户节点检测到需要基于机器学习的辅助。
在422，用户节点200被配置为向网络节点100发送基于机器学习的辅助激活请求。该请求可以请求在400处暴露的基于机器学习的功能中的一个或多个基于机器学习的功能的激活。基于机器学习的辅助激活请求422可以包括或不包括显式的原因指示。
在424，网络节点100可以被配置为向用户节点200发送基于机器学习的功能激活应答。该应答充当对激活请求422的确认。它还可以包括用户节点200的推理报告配置信息。
在414，用户节点200可以根据所请求的或设置的基于机器学习的功能416，向网络节点100发送周期性的用户节点推理报告。在418，网络节点100可以连续监测来自每个激活的基于机器学习的功能的推理报告的质量。
图4C示出了信令的示例实施例，其中生产者节点200请求去激活当前使用的基于机器学习的功能。生产者节点200可以被配置为向消费者节点100提供基于机器学习的辅助。在该示例实施例中，消费者节点100是网络节点，例如gNB，生产者节点200是用户节点，例如，用户设备。很明显，在其他环境中，实际节点可以不同。
在414，用户节点200可以根据所请求的或设置的基于机器学习的功能416，向网络节点100发送周期性的用户节点推理报告。在418，网络节点100可以连续监测来自每个激活的基于机器学习的功能的推理报告的质量。
如果用户节点在432检测到应当改变基于机器学习的辅助，则用户节点200可以被配置为向网络节点发送用于去激活或切换推理报告的改变请求434。改变请求434还可以提供关于去激活原因的指示。所指示的原因可以包括例如以下中的一项：
-“Stop-bat”：由于电池电量不足，当前的基于机器学习的辅助无法再运行。
-“Stop-comp”：由于计算能力较低，当前的基于机器学习的辅助无法再运行。
-“Stop-input”：由于检测到输入数据(无线电测量)的显著变化，当前的基于机器学习的辅助无法再运行。
-“Switch”：由于检测到输入数据(无线电测量)的变化或移动性状态变化，切换到另一配置的基于机器学习的辅助。
-“Pause-X”：当前的基于机器学习的辅助无法运行达到配置/指示的时间段X。
-“Reset-alg”：由于算法实现的特殊性，需要重置/重启基于机器学习的算法。
-“Reset-err”：已经检测到太多错误，例如，在给定时间窗口内或相对于阈值。需要重置/重启基于ML的算法。
网络节点100可以被配置为响应于改变请求434而向用户节点200发送机器学习功能去激活应答436。机器学习功能去激活应答436向用户节点200提供去激活的基于机器学习的辅助和报告的确认。在一个示例实施例中，去激活的推理报告的状态可以在给定时间段/窗口内有效，或者直到被网络节点100再次启用才会无效。
在438，网络节点解除配置/解除分配用户节点推理报告资源。
图4D示出了信令的示例实施例，其中消费者节点100请求去激活生产者节点(UE)中的当前使用的基于机器学习的功能。生产者节点200可以被配置为向消费者节点100提供基于机器学习的辅助。在该示例实施例中，消费者节点100是网络节点，例如gNB，生产者节点200是用户节点，例如，用户设备。很明显，在其他环境中，实际节点可以不同。
在414，用户节点200可以根据所请求的或设置的基于机器学习的功能416，向网络节点100发送周期性的用户节点推理报告。在418，网络节点100可以连续监测来自每个激活的基于机器学习的功能的推理报告的质量。
在440，网络节点100被配置为检测到应当停止基于机器学习的辅助。在一个示例实施例中，例如，在以下情况下，可能不需要机器学习辅助(即，其可以停止)：
-没有可用于利用推理报告的处理能力
-检测到高(上行链路)负载，并且没有来自用户节点的用于推
理报告的容量
-检测到太多错误(通过任何专有方式)
-由于作为更大的机器学习/人工智能方案的一部分的周期性的禁用/启用。
在442，网络节点100被配置为向用户节点200发送机器学习辅助改变请求。改变请求442请求用户节点去激活或改变当前用户的一个或多个基于机器学习的功能以及相应的推理报告。改变请求442还可以指示去激活的原因，例如，以下中的一项：
-“Stop”：不再需要当前的基于机器学习的辅助。
-“Switch to X”：切换到另一配置的基于机器学习的辅助X(新的机器学习实体和/或新的机器学习模式)。
-“Pause”：在配置/指示的时间段内不需要当前的基于机器学习的辅助。
-“Reset”：在给定时间窗口内或相对于阈值检测到太多错误。
需要重置/重启基于机器学习的算法。
在444，用户节点200可以被配置为向网络节点100发送机器学习辅助激活应答446。该应答可以包括例如改变请求442的确认。在一个示例实施例中，该确认可以被网络节点100用来重新配置它自己的算法、禁用报告等。在否定确认(NACK)的情况下(例如，用户节点200由于某种原因而不能禁用所指定的机器学习辅助模式)，网络节点100可能仍决定禁用/解除配置相关联的报告，但同时在与同一用户节点200的未来信令中使用该信息(例如，当不再需要激活特定的机器学习辅助模式时)。
在442处指示“Switch to X”或“Reset”信号的情况下，在446，网络节点100可以被配置为向用户节点200发送机器学习推理报告配置消息。配置消息可以指示用户节点200向网络节点100重新配置其推理报告。响应于446处的配置消息，用户节点200被配置为根据所请求或设置的基于机器学习的功能416，再次开始向网络节点100发送周期性的用户节点推理报告。在418，网络节点100可以连续监测来自每个激活的基于机器学习的功能的推理报告的质量。
图4E示出了信令的示例实施例，其中消费者节点100使用暂停命令来去激活生产者节点中的当前使用的基于机器学习的功能。生产者节点200可以被配置为向消费者节点100提供基于机器学习的辅助。在该示例实施例中，消费者节点100是网络节点，例如gNB，生产者节点200是用户节点，例如，用户设备。很明显，在其他环境中，实际节点可以不同。
在414，用户节点200可以根据所请求的或设置的基于机器学习的功能416，向网络节点100发送周期性的用户节点推理报告。在418，网络节点100可以连续监测来自每个激活的基于机器学习的功能的推理报告的质量。
在440，网络节点100被配置为检测到应当停止基于机器学习的辅助。
在448，网络节点100被配置为向用户节点200发送包括暂停指示的机器学习辅助改变请求。暂停指示可以包括不需要当前的基于机器学习的辅助的时间段值450。
当时间段450到期时，用户节点200可以被配置为根据先前请求或设置的基于机器学习的功能416，再次开始向网络节点100发送周期性的用户节点推理报告。在418，网络节点100可以连续监测来自每个激活的基于机器学习的功能的推理报告的质量。
所示示例实施例中的一个或多个可以实现解决方案，其中网络节点和用户节点推理的组合是可能的。此外，所示示例实施例中的一个或多个可以实现解决方案，其中基于机器学习的控制的一部分可以被委托给用户节点。这可以更好地使用可用的用户节点无线电信息。此外，推理结果的用户节点质量监测可以在用户节点和网络节点两者处执行，可能以不同的时间粒度和独立的算法。此外，所示示例实施例中的一个或多个可以实现其中信令负载减少的解决方案。该解决方案可以更好地使用可用的用户节点机器学习能力，而不需要针对每个基于机器学习的功能配置和/或改变的显式信令。
以上说明的示例实施例可以由用户节点(例如，用户设备)和/或网络节点(例如，基站)执行。此外，包括用于引起装置执行的指令的计算机程序可以执行所示示例实施例。
尽管已经以特定于结构特征和/或动作的语言描述了主题，但是应当理解，在所附权利要求中定义的主题不一定限于上述特定特征或动作。相反，以上描述的特定特征和行为被公开为实现权利要求的示例，并且其他等效特征和行为旨在落入权利要求的范围内。
应当理解，上述益处和优点可以涉及一个实施例或可以涉及若干实施例。实施例不限于解决任何或所有所述问题的实施例或具有任何或所有上述益处和优点的实施例。还将进一步理解，对“一个(an)”项目的引用可以是指这些项目中的一个或多个。
本文中描述的方法的步骤可以以任何合适的顺序进行，或者在适当的情况下同时进行。另外，可以在不脱离本文中描述的主题的精神和范围的情况下从任何方法中删除个体块。上述任何实施例的方面可以与所描述的任何其他实施例的方面结合以形成另外的实施例，而不会失去所寻求的效果。
术语“包括(comprising)”在本文中用于表示包括所标识的方法、块或元素，但是这样的块或元素不包括排他性列表，并且方法或装置可以包含附加的块或元素。
应当理解，以上描述仅作为示例给出，并且本领域技术人员可以进行各种修改。上述说明、示例和数据提供了对示例性实施例的结构和使用的完整描述。尽管上面已经以一定程度的特殊性或参考一个或多个个体实施例描述了各种实施例，但是本领域技术人员可以对所公开的实施例进行很多改变而不脱离本说明书的精神或范围。

Claims (48)

1.一种方法，包括：
从生产者节点接收包括基于机器学习的辅助能力的生产者节点能力，所述基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与所述机器学习实体相关联的至少一个机器学习模式。
2.根据权利要求1所述的方法，其中与所述机器学习实体相关联的所述至少一个机器学习模式包括至少一个回退操作模式。
3.根据权利要求1或2所述的方法，还包括：
在所述基于机器学习的功能中选择至少一个基于机器学习的功能；以及
引起用于激活所选择的至少一个基于机器学习的功能的激活请求到所述生产者节点的传输。
4.根据权利要求3所述的方法，还包括：
从所述生产者节点接收激活请求响应，所述激活请求响应包括关于所述至少一个基于机器学习的功能是否被激活的指示。
5.根据权利要求1或2所述的方法，还包括：
从所述生产者节点接收用于激活所述基于机器学习的功能中的至少一个基于机器学习的功能的激活请求。
6.根据权利要求5所述的方法，还包括：
引起基于机器学习的功能激活响应到所述生产者节点的传输。
7.根据权利要求1至6中任一项所述的方法，还包括：
从所述生产者节点接收用于改变所述基于机器学习的功能中的至少一个基于机器学习的功能的改变请求。
8.根据权利要求7所述的方法，其中所述改变请求包括针对所述改变的原因指示，所述原因指示包括以下中的一项：
用于去激活所述基于机器学习的功能的去激活指示；
用于切换到另一基于机器学习的功能的切换指示；
用于将所述基于机器学习的功能暂停设定时间段的暂停指示；以及
用于重置或重启所述基于机器学习的功能的重置指示。
9.根据权利要求8所述的方法，还包括：
当所述改变请求包括所述去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
10.根据权利要求8所述的方法，还包括：
引起用于启用与去激活的机器学习相关联的去激活推理报告的请求到所述生产者节点的传输。
11.根据权利要求7至10中任一项所述的方法，还包括：
引起用于指示经改变的基于机器学习的功能的确认的响应到所述生产者节点的传输。
12.根据权利要求1至6中任一项所述的方法，还包括：
引起用于改变所述基于机器学习的功能中的至少一个基于机器学习的功能的改变请求到所述生产者节点的传输。
13.根据权利要求12所述的方法，其中所述改变请求包括针对所述改变的原因指示，所述原因指示包括以下中的一项：
用于去激活所述基于机器学习的功能的去激活指示；
用于切换到另一基于机器学习的功能的切换指示；
用于将所述基于机器学习的功能暂停设定时间段的暂停指示；以及
用于重置或重启所述基于机器学习的功能的重置指示。
14.根据权利要求13所述的方法，还包括：
当所述改变请求包括所述去激活指示或所述切换指示时，引起推理报告重新配置消息到所述生产者节点的传输。
15.根据权利要求13至14中任一项所述的方法，还包括：
当所述改变请求包括所述去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
16.根据权利要求13至14中任一项所述的方法，还包括：
引起用于启用与去激活的机器学习相关联的去激活推理报告的请求到所述生产者节点的传输。
17.根据权利要求12至16中任一项所述的方法，还包括：
从所述生产者节点接收对所述改变请求的应答。
18.一种方法，包括：
标识包括基于机器学习的辅助能力的生产者节点能力，所述基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与所述机器学习实体相关联的至少一个机器学习模式；以及
引起所述生产者节点能力到消费者节点的传输。
19.根据权利要求18所述的方法，其中与所述机器学习实体相关联的所述至少一个机器学习模式包括至少一个回退操作模式。
20.根据权利要求18或19所述的方法，还包括：
从所述消费者节点接收用于激活所述基于机器学习的功能中的至少一个基于机器学习的功能的激活请求。
21.根据权利要求20所述的方法，还包括：
引起激活请求响应到所述消费者节点的传输，所述激活请求响应包括关于所述至少一个基于机器学习的功能是否被激活的指示。
22.根据权利要求18或19所述的方法，还包括：
引起用于激活所述基于机器学习的功能中的至少一个基于机器学习的功能的激活请求到所述消费者节点的传输。
23.根据权利要求22所述的方法，还包括：
从所述消费者节点接收基于机器学习的功能激活响应。
24.根据权利要求18至23中任一项所述的方法，还包括：
引起用于改变所述基于机器学习的功能中的至少一个基于机器学习的功能的改变请求到所述消费者节点的传输。
25.根据权利要求24所述的方法，其中所述改变请求包括针对所述改变的原因指示，所述原因指示包括以下中的一项：
用于去激活所述基于机器学习的功能的去激活指示；
用于切换到另一基于机器学习的功能的切换指示；
用于将所述基于机器学习的功能暂停设定时间段的暂停指示；以及
用于重置或重启所述基于机器学习的功能的重置指示。
26.根据权利要求25所述的方法，还包括：
当所述改变请求包括所述去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
27.根据权利要求25所述的方法，还包括：
从所述消费者节点接收用于启用与去激活的机器学习相关联的去激活推理报告的请求。
28.根据权利要求24至27中任一项所述的方法，还包括：
从所述消费者节点接收用于指示经改变的基于机器学习的功能的确认的响应。
29.根据权利要求18至23中任一项所述的方法，还包括：
从所述消费者节点向所述消费者节点接收用于改变所述基于机器学习的功能中的至少一个基于机器学习的功能的改变请求；以及基于所述改变请求改变所述至少一个基于机器学习的功能。
30.根据权利要求29所述的方法，其中所述改变请求包括针对所述改变的原因指示，所述原因指示包括以下中的一项：
用于去激活所述基于机器学习的功能的去激活指示；
用于切换到另一基于机器学习的功能的切换指示；
用于将所述基于机器学习的功能暂停设定时间段的暂停指示；以及
用于重置或重启所述基于机器学习的功能的重置指示。
31.根据权利要求30所述的方法，还包括：
当所述改变请求包括所述去激活指示或所述切换指示时，从所述消费者节点接收推理报告重新配置消息。
32.根据权利要求30至31中任一项所述的方法，还包括：
当所述改变请求包括所述去激活指示时，将与去激活的基于机器学习的功能相关联的去激活推理报告的状态维持预定时间段。
33.根据权利要求30至31中任一项所述的方法，还包括：
从所述消费者节点接收用于启用与去激活的机器学习相关联的去激活推理报告的请求。
34.根据权利要求29至33中任一项所述的方法，还包括：
引起对所述改变请求的应答到所述消费者节点的传输。
35.一种消费者节点(100)，包括：
至少一个处理器(102)；以及
至少一个存储器(104)，包括计算机程序代码；
所述至少一个存储器(104)和所述计算机程序代码被配置为与所述至少一个处理器(102)一起引起所述消费者节点(100)至少执行：
从生产者节点接收包括基于机器学习的辅助能力的生产者节点能力，所述基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与所述机器学习实体相关联的至少一个机器学习模式。
36.根据权利要求35所述的消费者节点(100)，其中所述至少一个存储器(104)和所述计算机程序代码被配置为与所述至少一个处理器(102)一起引起所述消费者节点(100)至少执行根据权利要求2至17中任一项所述的方法。
37.一种生产者节点(200)，包括：
至少一个处理器(202)；以及
至少一个存储器(204)，包括计算机程序代码；
所述至少一个存储器(204)和所述计算机程序代码被配置为与所述至少一个处理器(202)一起引起所述生产者节点(200)至少执行：
标识包括基于机器学习的辅助能力的生产者节点能力，所述基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与所述机器学习实体相关联的至少一个机器学习模式；以及
引起所述生产者节点能力到消费者节点的传输。
38.根据权利要求37所述的生产者节点(200)，其中所述至少一个存储器(104)和所述计算机程序代码被配置为与所述至少一个处理器(102)一起引起所述消费者节点(100)至少执行根据权利要求19至34中任一项所述的方法。
39.一种消费者节点(100)，包括用于执行以下操作的部件：
从生产者节点接收包括基于机器学习的辅助能力的生产者节点能力，所述基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与所述机器学习实体相关联的至少一个机器学习模式。
40.根据权利要求39所述的消费者节点(100)，其中所述部件被配置为执行根据权利要求2至17中任一项所述的方法。
41.根据权利要求39至40中任一项所述的消费者节点(100)，其中所述部件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，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引起所述消费者节点(100)的所述执行。
42.一种生产者节点(200)，包括用于执行以下操作的部件：
标识包括基于机器学习的辅助能力的生产者节点能力，所述基于机器学习的辅助能力包括基于机器学习的功能，每个基于机器学习的功能包括机器学习实体和与所述机器学习实体相关联的至少一个机器学习模式；以及
引起所述生产者节点能力到消费者节点的传输。
43.根据权利要求41所述的生产者节点(200)，其中所述部件被配置为执行根据权利要求19至34中任一项所述的方法。
44.根据权利要求42至43中任一项所述的生产者节点(200)，其中所述部件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，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引起所述生产者节点(200)的所述执行。
45.一种计算机程序，包括指令，所述指令用于引起装置执行根据权利要求1至17中任一项所述的方法。
46.一种计算机程序，包括指令，所述指令用于引起装置执行根据权利要求18至34中任一项所述的方法。
47.一种计算机可读介质，包括计算机程序，所述计算机程序包括指令，所述指令用于引起装置执行根据权利要求1至17中任一项所述的方法。
48.一种计算机可读介质，包括计算机程序，所述计算机程序包括指令，所述指令用于引起装置执行根据权利要求18至34中任一项所述的方法。
CN201980102669.2A 2019-10-02 2019-10-02 向生产者节点提供基于机器学习的辅助 Pending CN114762367A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2019/076747 WO2021063500A1 (en) 2019-10-02 2019-10-02 Providing producer node machine learning based assistance

Publications (1)

Publication Number Publication Date
CN114762367A true CN114762367A (zh) 2022-07-15

Family

ID=68159105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980102669.2A Pending CN114762367A (zh) 2019-10-02 2019-10-02 向生产者节点提供基于机器学习的辅助

Country Status (4)

Country Link
US (1) US20220335337A1 (zh)
EP (1) EP4038913A1 (zh)
CN (1) CN114762367A (zh)
WO (1) WO2021063500A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024065681A1 (en) * 2022-09-30 2024-04-04 Shenzhen Tcl New Technology Co., Ltd. Communication devices and methods for machine learning model monitoring

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11431583B2 (en) * 2019-11-22 2022-08-30 Huawei Technologies Co., Ltd. Personalized tailored air interface
EP4075843A4 (en) * 2019-12-31 2022-12-28 Huawei Technologies Co., Ltd. METHOD AND APPARATUS FOR REPORTING MEASUREMENT INFORMATION, AND METHOD AND APPARATUS FOR COLLECTING MEASUREMENT INFORMATION
US11751072B2 (en) * 2020-06-24 2023-09-05 Qualcomm Incorporated User equipment behavior when using machine learning-based prediction for wireless communication system operation
EP4211624A1 (en) * 2020-09-11 2023-07-19 Qeexo, Co. Method and system for training machine learning models on sensor nodes
US11871250B2 (en) * 2020-09-25 2024-01-09 Qualcomm Incorporated Machine learning component management in federated learning
US20220330012A1 (en) * 2021-04-12 2022-10-13 Qualcomm Incorporated Methods and apparatus for ue reporting of time varying ml capability
EP4331258A4 (en) * 2021-04-29 2024-07-03 Ericsson Telefon Ab L M NETWORK NODE AND METHOD IMPLEMENTED THEREIN
US11825553B2 (en) * 2021-05-05 2023-11-21 Qualcomm Incorporated UE capability for AI/ML
WO2022257068A1 (zh) * 2021-06-10 2022-12-15 Oppo广东移动通信有限公司 控制方法、终端设备和网络设备
US12089291B2 (en) 2021-06-15 2024-09-10 Qualcomm Incorporated Machine learning model configuration in wireless networks
US12041534B2 (en) * 2021-08-26 2024-07-16 Qualcomm Incorporated Network measurements for enhanced machine learning model training and inference
US11916754B2 (en) 2021-09-03 2024-02-27 Qualcomm Incorporated Configuring a user equipment for machine learning
WO2023208746A2 (en) * 2022-04-27 2023-11-02 Continental Automotive Technologies GmbH Collaborative communication for radio access network
US20230403588A1 (en) * 2022-06-10 2023-12-14 Qualcomm Incorporated Machine learning data collection, validation, and reporting configurations
WO2024027916A1 (en) * 2022-08-04 2024-02-08 Nokia Technologies Oy Devices, methods and computer-readable media for activation of artificial intelligence and/or machine learning capabilities
GB2622606A (en) * 2022-09-22 2024-03-27 Nokia Technologies Oy Capability reporting for multi-model artificial intelligence/machine learning user equipment features
EP4346177A1 (en) * 2022-09-29 2024-04-03 Nokia Technologies Oy Ai/ml operation in single and multi-vendor scenarios
WO2024080023A1 (ja) * 2022-10-11 2024-04-18 株式会社Ｎｔｔドコモ 端末、無線通信方法及び基地局
US20240196230A1 (en) * 2022-11-30 2024-06-13 Dell Products, L.P. Artificial intelligence radio function model management in a communication network
WO2024149108A1 (en) * 2023-01-09 2024-07-18 Telefonaktiebolaget Lm Ericsson (Publ) Support for federated learning (fl)
WO2024193940A1 (en) * 2023-03-17 2024-09-26 Nokia Technologies Oy Transmission by the ue of the requirements upon which ml features combinations are supported by the ue
WO2024210796A1 (en) * 2023-04-06 2024-10-10 Telefonaktiebolaget Lm Ericsson (Publ) Applicability report for ai/ml for phy models

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009055467A (ja) * 2007-08-28 2009-03-12 National Institute Of Information & Communication Technology 無線通信ネットワークシステム及び無線基地局選択方法
CN108304250A (zh) * 2018-03-05 2018-07-20 北京百度网讯科技有限公司 用于确定运行机器学习任务的节点的方法和装置
US20190086988A1 (en) * 2017-09-18 2019-03-21 Verizon Patent And Licensing Inc. Methods and systems for managing machine learning involving mobile devices
US20190132708A1 (en) * 2017-10-30 2019-05-02 Apple Inc. Expanded Implementation of Enhanced Broadcast Multicast Services for Broadcast Multicast Content Selection and Service

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009055467A (ja) * 2007-08-28 2009-03-12 National Institute Of Information & Communication Technology 無線通信ネットワークシステム及び無線基地局選択方法
US20190086988A1 (en) * 2017-09-18 2019-03-21 Verizon Patent And Licensing Inc. Methods and systems for managing machine learning involving mobile devices
US20190132708A1 (en) * 2017-10-30 2019-05-02 Apple Inc. Expanded Implementation of Enhanced Broadcast Multicast Services for Broadcast Multicast Content Selection and Service
CN108304250A (zh) * 2018-03-05 2018-07-20 北京百度网讯科技有限公司 用于确定运行机器学习任务的节点的方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024065681A1 (en) * 2022-09-30 2024-04-04 Shenzhen Tcl New Technology Co., Ltd. Communication devices and methods for machine learning model monitoring

Also Published As

Publication number Publication date
EP4038913A1 (en) 2022-08-10
US20220335337A1 (en) 2022-10-20
WO2021063500A1 (en) 2021-04-08

Similar Documents

Publication Publication Date Title
CN114762367A (zh) 向生产者节点提供基于机器学习的辅助
US20230262448A1 (en) Managing a wireless device that is operable to connect to a communication network
US20240114402A1 (en) Handover method, handover device, and network system
JP2020514865A (ja) ブロックチェーンを基にしたコンセンサス方法およびデバイス
CN108076513B (zh) 一种下行数据包传输方法及相关设备
CN110297640B (zh) 模型部署的方法、装置、存储介质及电子设备
US20230345271A1 (en) Evaluation and control of predictive machine learning models in mobile networks
Sarkar Internet of Things—Robustness and reliability
WO2018233818A1 (en) COORDINATED NETWORK OPTIMIZATION BY COGNITIVE NETWORK MANAGEMENT
CN116250270A (zh) 一种模型配置方法及装置
US20240249199A1 (en) Verifying an action proposed by a reinforcement learning model
US20220240140A1 (en) User equipment, base station and method of performing conditional handover
WO2021168753A1 (en) Methods, apparatuses, and systems for intelligent interference management and radio resource management
CN116346290A (zh) Csi预测方法、装置、通信设备及可读存储介质
CN111314036B (zh) 用于多pdcch重复发送场景的cpu占用时间确定方法及装置、存储介质、终端
CN116017608A (zh) 通信方法、装置、终端及网络设备
US20240340653A1 (en) Network Configured Operation of User Equipment With Artificial Intelligence/Machine Learning Model Capability
WO2024031469A1 (en) Method of artificial intelligence-assisted configuration in wireless communication system
US20240340634A1 (en) Autonomous Operation of User Equipment With Artificial Intelligence/Machine Learning Model Capability
WO2024082447A1 (en) Method and apparatus of supporting artificial intelligence
CN115866637A (zh) 通信方法、设备和存储介质
EP4373159A1 (en) Ai/ml model functionality in handover scenarios
GB2629009A (en) Apparatus, method, and computer program
WO2024188188A1 (zh) 信道预测模型的确定方法、监测配置信息的指示方法
EP4418169A1 (en) Structure of ml model information and its usage

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