CN114788330A - 网络实体、用户设备和方法 - Google Patents
网络实体、用户设备和方法 Download PDFInfo
- Publication number
- CN114788330A CN114788330A CN202080086421.4A CN202080086421A CN114788330A CN 114788330 A CN114788330 A CN 114788330A CN 202080086421 A CN202080086421 A CN 202080086421A CN 114788330 A CN114788330 A CN 114788330A
- Authority
- CN
- China
- Prior art keywords
- network
- network entity
- admission
- connection request
- admission control
- 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
Links
- 238000000034 method Methods 0.000 title claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 75
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 238000010801 machine learning Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 13
- 238000011084 recovery Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000001737 promoting effect Effects 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 6
- 230000003111 delayed effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 101150069124 RAN1 gene Proteins 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 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
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/10—Connection setup
-
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/02—Access restriction performed under specific conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/02—Access restriction performed under specific conditions
- H04W48/06—Access restriction performed under specific conditions based on traffic conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/30—Connection release
- H04W76/34—Selective release of ongoing connections
- H04W76/36—Selective release of ongoing connections for reassigning the resources associated with the released connections
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (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
一种用于移动电信系统的网络实体，包括被配置成对到移动电信系统的接收到的连接请求执行接纳控制的电路，其中，接纳控制是基于多个接纳控制层执行的。
Description
技术领域
本公开整体涉及移动电信系统的网络实体和用户设备以及移动电信系统方法。
背景技术
已知移动电信系统的各个代，例如，基于国际移动电信-2000(IMT-2000)具体规定的第三代(“3G”)、提供国际移动电信-高级标准(IMT-Advanced Standard)中限定的能力的第四代(“4G”)和正在开发并可能在2020年投入使用的当前第五代(“5G”)。
提供5G需求的候选方案是所谓的长期演进(“LTE”)，这是一种无线通信技术，允许手机和数据终端进行高速数据通信，已经用于4G移动通信系统。满足5G要求的其他候选方案被称为新无线电(NR)接入技术系统。NR可以基于LTE技术，就像LTE的某些方面基于前几代移动通信技术一样。
LTE基于第二代(“2G”)网络技术的GSM/EDGE(“全球移动通信系统”/“GSM演进的增强数据速率”，也称为EGPRS)和第三代(“3G”)网络技术的UMTS/HSPA(“通用移动电信系统”/“高速分组接入”)。
LTE在3GPP(“第三代合作伙伴计划”)的控制下被标准化，并且存在允许比基本LTE更高的数据速率的后继LTE-A(LTE Advanced)并且该后继LTE-A也在3GPP的控制下被标准化。
未来，3GPP计划进一步开发LTE-A，使其能够满足5G的技术要求。
由于5G系统可以分别基于LTE-A或NR，因此假设5G技术的特定需求基本上将由LTE-A和NR标准文档中已经限定的特征和方法来处理。
另外，对于新的无线电(NR)来说，特定的NR功能是已知的，例如，增强型移动宽带(eMBB)和超可靠低延迟通信(URLLC)。
此外，诸如虚拟现实等高度以用户为中心的无线服务的快速部署，对具有不同连接需求的各种服务的网络资源的可控预留和分配提出了更高的要求。
通常，已知例如在基站中实现接纳控制(admission control)过程，以便评估当前网络资源是否足以用于各种不同服务的连接建立请求。
尽管存在用于移动电信系统的接纳控制的技术，但通常希望改进现有的技术。
发明内容
根据第一方面，本发明提供了一种用于移动电信系统的网络实体，包括被配置成对到移动电信系统的接收到的连接请求执行接纳控制的电路，其中，所述接纳控制是基于多个接纳控制层执行的。
根据第二方面，本发明提供了一种用于移动电信系统的网络实体，包括被配置成对到移动电信系统的接收到的连接请求执行接纳控制的电路，其中，该接纳控制是基于为多个接纳控制层生成的机器学习算法的输出来执行的。
根据第三方面，本发明提供了一种用于移动电信系统的用户设备，包括被配置成对到移动电信系统的接收到的连接请求执行接纳控制的电路，该移动电信系统包括基于机器学习算法的输出的接纳许可条件。
根据第四方面，本公开提供了一种用于对到移动电信系统的接收到的连接请求执行接纳控制的方法，该方法包括：基于多个接纳控制层执行接纳控制。
根据第五方面，本发明提供了一种用于对到移动电信系统的接收到的连接请求执行接纳控制的方法，该方法包括：基于为多个接纳控制层生成的机器学习算法的输出执行接纳控制。
在从属权利要求、下面的描述和附图中阐述了进一步的方面。
附图说明
参照附图通过实例的方式说明实施方式，其中：
图1示出了无线电接入网络的实施方式；
图2示出了延迟的无线电资源控制连接建立序列的实施方式；
图3示出了由网络实体执行的接纳控制的第一实施方式；
图4在方框图中示出了在训练阶段中的神经网络的实施方式；
图5在框图中示出了在推理阶段中的神经网络的实施方式；
图6示出了由网络实体执行的接纳控制的第二实施方式；
图7示出了在切换情况下由网络实体执行的接纳控制的第三实施方式；
图8示出了用户设备和网络实体；
图9示出了可以用于实现用户设备或网络实体的多用途计算机；
图10在流程图中示出了用于执行接纳控制的方法的第一实施方式；和
图11在流程图中示出了用于执行接纳控制的方法的第二实施方式。
具体实施方式
在参考图2详细描述实施方式之前，进行通常性说明。
如开头所述，通常已知几代移动电信系统，例如，基于国际移动电信-2000(IMT-2000)规范的第三代(“3G”)、提供国际移动电信-高级标准(IMT-Advanced Standard)限定的能力的第四代(“4G”)和正在开发并可能在2020年投入使用的当前第五代(“5G”)。
满足5G要求的候选系统之一被称为新无线电(NR)接入技术系统。在一些实施方式中，NR的一些方面可以基于LTE技术，就像LTE的一些方面基于前代移动通信技术一样。
如前所述，新无线(NR)接入技术的两个新功能是增强型移动宽带(eMBB)和超可靠低延迟通信(URLLC)服务。
图1示出了作为移动电信系统的实例的NR无线接入网RAN 1的典型实施方式。RAN1具有由LTE eNodeB 3建立的宏小区2和由NR eNodeB5(也称为gNB(下一代eNodeB))建立的NR小区4。
UE6可以与LTE eNodeB 3通信，并且只要它在NR小区4内，它也可以与NR eNodeB 5通信。
也如在开始部分所提到的，诸如虚拟现实(“VR”)之类的高度以用户为中心的无线服务的快速部署对具有不同连接要求的各种服务的移动电信系统的网络资源的受控预留和分配提出了额外的要求。
因此，在一些实施方式中，接纳控制是在基站中实现的处理，以便评估当前网络资源是否足以为可能来自各种不同服务的接收到的连接请求建立连接(接纳许可)。接纳控制的性能对网络容量和用户体验有很大的影响。
在一些实施方式中，智能接纳控制算法具有以下特征(要求)：
1)在一些实施方式中，接纳控制从短期和长期连接考虑服务需求，例如QoS(“服务质量”)。例如，在一些实施方式中，以不同的方式处理来自URLLC服务和来自VR游戏服务的接收到的连接请求。URLLC服务可能是短期连接，但不应中断，因此服务的继续是至关重要的。VR游戏服务可以是资源消耗服务，因此，在一些实施方式中，确定是否可以将所需的网络资源连续地提供给VR游戏服务的用户，因为如果用户由于可用网络资源有限而被迫退出游戏将是糟糕的用户体验。
2)在一些实施方式中，接纳控制考虑包括网络资源分配和/或网络资源预留的联合优化。
3)在一些实施方式中，接纳控制考虑用户体验。在一些实施方式中，改善用户体验可以是移动电信系统运营商的重要目标，尽管用户体验是主观概念。在这些实施方式中，切换是改善用户体验的关键区域，并且接纳控制在其中起关键作用。
4)在一些实施方式中，接纳控制考虑用户之间的有区别的接纳控制。
5)在一些实施方式中，接纳控制考虑网络切片。
为了提供上述接纳控制特性，在一些实施方式中，接纳控制根据以下步骤确定移动电信系统将接受哪个用户或服务和/或特定用户服务的哪个部分：
1)用户和服务请求的(预测)数目。
2)系统容量。
3)体验质量(“QoE”)和/或预测质量。
4)服务等级协议(“SLA”)和/或预测级别。
因此，在一些实施方式中，对于那些在当前情况下不能被接受的用户或服务，接纳控制在一些实施方式中根据(预测的)用户和服务量给出其何时能够接入网络的指令。
通常，在一些实施方式中，QoE是基于人类感知限定的，并且取决于应用而变化。以下ETSI(“欧洲电信标准协会”)规范中提供了QoE的实例：ETSI TR 102 643V1.0.1(2009-12)实时通信服务的体验质量(QoE)要求。
SLA(服务等级协议)可以是电信提供商和客户之间的任何商业契约。有各种各样的例子，但维基百科的以下网站通常解释了其中的内容：“https：//en.wikipedia.org/wiki/Service-level_agreement”，其也可应用于一些实施方式中。
鉴于上述，已经认识到接纳控制可以基于多个接纳控制层，这些接纳控制层根据不同的策略进行接纳控制，以便考虑各种需求。
因此，一些实施方式涉及用于移动电信系统的网络实体，包括被配置成对到移动电信系统的接收到的连接请求执行接纳控制的电路，其中，所述接纳控制是基于多个接纳控制层来执行的。
作为移动电信系统的一部分，网络实体可以是基站，诸如eNodeB、NR gNB等，其可以基于UMTS、LTE、LTE-A或NR、5G系统等。该实体也可以是移动电信系统的任何其他实体，并且可以位于系统中的任何地方。
该电路可以包括处理器、微处理器、专用电路、存储器、存储装置、无线电接口、无线接口、网络接口等中的至少一者，例如基站中包括的典型电子部件，诸如eNodeB、NR、gNB、用户设备等。它可以包括接口，诸如移动电信系统接口，它适合于提供至移动电信系统的通信和/或来自移动电信系统的通信。它还可以包括无线接口，例如无线局域网接口、蓝牙接口等。
在一些实施方式中，网络实体接收到移动通信系统的连接请求(来自例如用户设备)，诸如在随机接入过程中通过RACH(“随机接入信道”)的RRC(“无线电资源控制”)连接请求、RRC恢复请求等，并执行接纳控制以确定接收到的连接请求的接纳许可或接纳拒绝，即移动电信系统的当前资源是否足以建立连接。通常，在一些实施方式中，对于空闲/非活动状态期间的任何过程，该方法可以扩展到RRC连接模式状态转换信令过程，并且连接请求可以是这样的过程和实施方式中的对应消息。在一些实施方式中，还可以扩展到处理低优先级UE在新的高优先级服务被接受并消耗资源时应该等待的用户平面数据，并且在这样的过程和实施方式中，连接请求可以是相应的消息。在这样的实施方式中，这需要临时改变QoS要求，即临时增加丢弃计时器值。RACH可以是基于争用的，例如，在其扎营小区内，或者可以是无争用的，例如在处理过程中。在与切换情况有关的一些实施方式中，RACH发生在源网络实体(即基站)向目标网络实体(即基站)发送切换请求之后，目标网络实体(即基站)确认切换并执行连接请求的接纳控制。
该过程基于多个接纳控制层，在一些情况下包括根据SLA或与用户的任何契约制定接纳控制策略的第一层，即服务级别层。在一些实施方式中，该过程包括根据当前状况制定接纳控制策略的第二层，即网络级别层。在某些情况下，该过程包括根据不同的用户需求制定接纳控制策略的第三层，即制定用户特定策略的用户级别层。在一些实施方式中，多个接纳控制层仅包括一层或包括两层的组合或根据不同于上述策略进行接纳控制的三个以上的层。因此，在一些实施方式中可以实现对服务的有效管理。
因此，在一些实施方式中，所述多个接纳控制层包括服务级别层，所述服务级别层被配置成基于服务等级协议来确定接收到的连接请求的接纳许可或接纳拒绝。
接纳控制策略，即对接收到的连接请求的接纳许可或接纳拒绝，例如可以基于网络收益最大化、性能成本比最大化、接入用户数目最大化，或者它们的任意组合，或者任意根据SLA的策略。在这些实施方式中，服务级别层基于服务等级协议确定接收到的连接请求的接纳许可或接纳拒绝。
此外，在一些实施方式中，所述多个接纳控制层包括网络级别层，所述网络级别层被配置成基于网络状况确定接收到的连接请求的接纳许可或接纳拒绝。
在一些实施方式中，根据当前状况(网络状况)(例如，在网络即将拥塞的情况下)调整和/或更新网络级接纳控制策略，接纳控制策略可以从网络收益最大化改变为接入用户数目最大化，以保持QoE可接受。例如，在自然灾害的情况下，接纳控制策略可能倾向于对来自关键职能部门的接入请求进行优先级排序。在一些实施方式中，接纳控制策略适用于整个网络(例如，作为移动电信系统的一部分的移动电信网络)，例如，网络被划分为不同的子网络，每个子网络应用不同的接纳控制策略，例如，城市地区和农村地区将应用不同的策略。在这样的实施方式中，网络级别层基于网络状况确定接收到的连接请求的接纳许可或接纳拒绝。
此外，在一些实施方式中，所述多个接纳控制层包括用户级别层，所述用户级别层被配置成基于用户需求确定接收到的连接请求的接纳许可或接纳拒绝。
在一些实施方式中，用户级别层中接收到的连接请求的接纳许可或接纳拒绝是基于网络资源的。
在一些实施方式中，用户级别层根据不同的用户需求制定用户特定策略。用户特定的接纳控制策略的实例如下：
1)当前网络资源丰富时：
a)如果资源足以覆盖现有和未来的用户设备(“UE”)和服务请求，在一些实施方式中，将接受所有UE及其正在进行的服务。
b)如果资源对于正在进行的服务足够，但是对于未来的UE及其服务可能不够，在一些实施方式中，为那些具有高优先级的未来UE或具有高优先级的服务保留某些资源。在这样的实施方式中，剩余资源将在请求UE及其服务之间进行划分。例如，如果预期URLLC UE在不久的将来连接，则在一些实施方式中预先从eMBB UE释放网络资源。在一些实施方式中，RAN移动电信系统利用由核心网根据例如ARP(“分配和保留优先级”)配置的抢占准则来实现抢占特征。在这样的实施方式中，低优先级承载被抢占以支持高优先级承载。
2)当前网络资源有限时：
a)在一些实施方式中，具有高优先级和低资源消耗服务的UE将以更高的概率被接受。
b)在一些实施方式中，具有高优先级和高资源消耗服务的UE将以中概率被接受。
c)在一些实施方式中，具有低优先级和低资源消耗服务的UE将以中概率被接受。
d)在一些实施方式中，具有低优先级和低资源消耗服务的UE将以低概率被接受。
3)在当前网络资源稀缺的情况下，在一些实施方式中，只接受高优先级的UE或服务。
高优先级UE可以是例如支付更多订阅费的用户、具有更高用户体验预期的用户(例如，VR用户)等。
高优先级服务可以是例如紧急服务、高QoS服务、URLLC服务等。
因此，在一些实施方式中，对于用于现有和未来连接的丰富网络资源，用户级别层通过其正在进行的服务确定接收到的连接请求的接纳许可。
因此，在一些实施方式中，对于用于现有连接的丰富网络资源，用户级别层对于高优先级连接请求，确定接收到的连接请求的接纳许可。
因此，在一些实施方式中，对于有限的网络资源，用户级别层对于要求低网络资源的高优先级连接请求，以高概率确定接收到的连接请求的接纳许可。
因此，在一些实施方式中，对于有限的网络资源，用户级别层对于要求高网络资源的高优先级连接请求，以中概率确定接收到的连接请求的接纳许可。
因此，在一些实施方式中，对于有限的网络资源，用户级别层对于要求低网络资源的低优先级连接请求，以中概率确定接收到的连接请求的接纳许可。
因此，在一些实施方式中，对于有限的网络资源，用户级别层对于要求高网络资源的低优先级连接请求，以低概率确定接收到的连接请求的接纳许可。
因此，在一些实施方式中，对于稀缺的网络资源，用户级别层仅针对高优先级的连接请求确定接收到的连接请求的接纳许可。
如上所述，在一些实施方式中，RRC连接或恢复请求从UE发送到基站，即电信系统的网络实体。在这样的实施方式中，网络实体向UE发送RRC建立或恢复消息，该消息指示是否可以建立连接，并且附加地包括接纳控制条件，该接纳控制条件包括指示UE何时将被网络接受的计时器。例如，当用户将被允许向例如处于RRC_CONNECTED的网络发送数据/从例如处于RRC_CONNECTED的网络接收数据时，计时器可以指示等待时间或时间点。通常，该方法对于空闲/非活动状态期间的任何过程可以扩展到到RRC连接模式状态转换信令过程。它还可以被扩展以处理当新的高优先级服务被接受并消耗资源时低优先级UE应该等待的用户平面数据。这可能需要临时更改QoS要求，即临时增加丢弃计时器值。
因此，在一些实施方式中，网络实体的电路还被配置成响应于接收到的包括接纳许可条件的连接请求，来发送无线电资源控制消息。
进一步认识到机器学习(“ML”)和/或人工智能(“AI”)是学习、分析和预测复杂网络场景的强大工具，因此在一些实施方式中机器学习可以集成在无线通信中。在一些实施方式中，ML和/或AI在无线通信(即移动电信系统)中的应用可以分类如下：
第一，在一些实施方式中，ML在无线系统中的应用是利用智能和预测性数据分析来增强无线网络上的态势感知和整个网络操作，诸如故障监视、用户跟踪等。
第二，在一些实施方式中，除了其强大的、智能的和预测性的数据分析功能之外，ML还被用作智能的和数据驱动的无线网络优化的主要驱动器，以便解决从小区关联和无线接入技术选择到频率分配、频谱管理、功率控制、智能波束形成等的各种问题。
第三，众所周知，除了其系统级功能之外，ML在无线网络的物理层，诸如在编码和调制设计中，在通常通信系统中的发射器和接收器级别都起着关键作用。
第四，在一些实施方式中，诸如VR的高度以用户为中心的无线服务的快速部署，其中，终端用户和网络功能之间的差距几乎是最小的，ML协助能够跟踪和适应人类用户行为的无线网络。
因此，进一步认识到，上述多层接纳控制可以基于机器学习算法的输出，以便在各种复杂网络状况下提供上述接纳控制要求。
因此，一些实施方式涉及用于移动电信系统的网络实体，网络实体包括被配置成对到移动电信系统的接收到的连接请求执行接纳控制的电路，其中，所述接纳控制是基于为多个接纳控制层生成的机器学习算法的输出来执行的。
如上所述，网络实体可以是作为移动电信系统的一部分的基站，诸如eNodeB、NRgNB等，其可以基于UMTS、LTE、LTE-a或NR、5G系统等。该电路可以包括处理器、微处理器、专用电路、存储器、存储装置、无线电接口、无线接口、网络接口等中的至少一者，例如包括在基站中的典型电子部件。
机器学习算法可以是或可以包括或可以基于神经网络、决策树、支持向量机等，生成由多个接纳控制层使用的输出，以便确定接收到的连接请求的接纳许可或接纳拒绝。ML算法可以通过有监督、无监督、强化、深度学习策略等进行训练。ML算法可以在有监督和深度学习策略中使用历史网络数据。通常，输出可以包括表示接纳控制所使用的信息的数据。在下文中，描述了用于不同种类输出的实施方式(它们可以各自单独实现或以彼此的任何组合实现)。在一些实施方式中，输出包括多个预测和/或概率，例如，(未来)网络流量，(未来)传入UE和服务，(未来)可用资源等。在一些实施方式中，机器学习算法的输出包括对未来连接请求及其服务需求的预测。在这样的实施方式中，ML算法可以为单独的接纳控制算法(接纳控制层)提供输入。在一些实施方式中，输出包括基于对各种网络参数的监视的连接限制，例如受限服务的类型，即，ML算法计算多个接纳控制层的接纳控制准则。在一些实施方式中，机器学习算法的输出包括生成的接纳控制规则。在这样的实施方式中，输出包括动态生成的QoS策略，并且该策略被分发到PCRF(“策略和计费规则功能”)服务器。
在一些实施方式中，ML算法为每个请求的UE及其具有预定优化目标的服务生成最佳接纳概率，例如，为了容纳尽可能多的用户、尽可能多地收费、最大化用户体验等。
在一些实施方式中，所述多个接纳控制层包括服务级别层，所述服务级别层被配置为基于根据服务等级协议生成的机器学习算法的输出来确定接收到的连接请求的接纳许可或接纳拒绝。
在这样的实施方式中，ML算法根据SLA或与用户的任何契约生成接纳控制策略。
在一些实施方式中，多个接纳控制层包括网络级别层，该网络级别层被配置成基于根据网络状况生成的机器学习算法的输出来确定接收到的连接请求的接纳许可或接纳拒绝。
在这样的实施方式中，ML算法根据当前(网络)装置制定或生成接纳控制策略。
在一些实施方式中，ML算法监视、学习和识别当前网络状况，以便根据当前状况(例如，当网络变得拥塞时)更新或调整接纳控制策略，例如，策略从最大净收益改变为最大接入用户数目，以便保持QoE可接受。
通常，QoE使用主观和客观的顾客满意度来评估系统的性能。在无线网络中，例如移动电信系统，多个因素与QoE相关联，例如，连接建立成功率、切换成功率、成本、可靠性、吞吐量、延迟等。通常，很难找到这些因素与QoE之间的相关性。
因此，在一些实施方式中，用这些(这样的)输入值训练ML算法，并且将来自用户轮询的输出预先标记为QoE。轮询可以通过对用户的请求来执行，以在每个连接之后对连接和满意度等级进行评级。用户输入可用作QoE的预标记输出，连接时监视的网络参数可用作训练阶段ML算法的输入值。在这样的实施方式中，ML算法设法将输入数据映射到QoE输出，从而建立模型以评估QoE。
在一些实施方式中，所述多个接纳控制层包括用户级别层，该用户级别层被配置成基于根据用户需求生成的机器学习算法的输出来确定接收到的连接请求的接纳许可或接纳拒绝。
在这样的实施方式中，ML算法根据不同的用户需求制定或生成用户特定策略。
如上所述，用户特定接纳控制策略的实例可以基于网络资源，例如，当当前资源丰富，但这些资源仅足以用于正在进行的服务，但可能不足以用于未来UE及其服务时，在一些实施方式中，某些资源被保留给那些具有更高优先级的未来UE或具有更高优先级的服务。在这样的实施方式中，剩余的资源将在请求UE及其服务之间划分。例如，如果预期URLLC UE在不久的将来连接(这可以是预测的并且包括预定的时间间隔，例如一些秒、分钟、小时等)，则在一些实施方式中预先从eMBB UE释放网络资源。在一些实施方式中，RAN移动电信系统利用由核心网络根据例如ARP(“分配和保留优先级”)配置的抢占准则来实现预抢占特征。在这样的实施方式中，低优先级的承载被抢占以支持高优先级承载。在这样的实施方式中，ML使得RAN节点能够在网络中发生的实际拥塞场景之前动作，并且仍然允许无延迟地接受高优先级承载。
上述实例是基于优化用于接受连接请求的概率的ML输出的基于规则的策略的实施方式。在其他实施方式中，ML算法与人类预定规则(即预定接纳控制规则)一起生成规则。因此，在一些实施方式中，还基于预定接纳控制规则来执行接纳控制。
在一些实施方式中，例如，在意外结果或结果似乎违背人类偏好的情况下，ML算法生成的规则被预定规则覆盖。
在实际应用中，可能存在例外情况或状况，其中ML算法生成的规则可能是不相关的，因此，在这种情况下，附加的(人类的)预定接纳控制规则可能会覆盖ML算法生成的规则。
在一些实施方式中，该电路还被配置成响应于所接收的连接请求发送无线电资源控制消息，该连接请求包括基于机器学习算法的输出的接纳许可条件。
如上所述，在一些实施方式中，RRC连接或恢复请求从UE发送到基站，即电信系统的网络实体。在这样的实施方式中，网络实体向UE发送RRC建立或恢复消息，该消息指示是否可以建立连接，并且附加地包括基于ML算法的输出的接纳控制条件，该接纳控制条件包括指示UE何时将被网络接受的计时器。ML算法预测任何进一步的用户请求或服务请求，以便使得接纳控制能够基于预测来决定连接控制是否可以被接受(接纳、允许或拒绝)。此外，在一些实施方式中，该过程应用于切换情况，其中在源网络实体(即基站)向目标网络实体(即基站)发送切换请求之后发生RACH，目标网络实体(即基站)确认切换并执行连接请求的接纳控制。在一些实施方式中，当为已经处于RRC_Connected模式的UE建立/修改新的服务/承载时，也执行接纳控制，并且如本文所述的其他实施方式也可应用于这些实施方式中。
ML算法还可以基于网络拥塞级别、可用资源、潜在竞争UE、用户体验等，来预测用户将(或必须)等待多长时间以被接受的时间。
因此，在一些实施方式中，接纳许可条件包括指示到移动电信系统的连接请求将被接受的时间(例如，等待时间或时间点)的计时器。
另外，在一些实施方式中，相同的计时器与那些保留的资源相关联，以避免资源浪费。在这样的实施方式中，如果在计时器已经超期之后没有接收到消息，则这些资源将被释放。
因此，在一些实施方式中，所述电路还被配置成预留网络资源，并且其中，在计时器已经超期之后接收到消息的情况下，所述网络资源仅用于到移动电信系统的连接请求。
在一些实施方式中，上述机制被应用于RRC连接模式下的UE，以便在发送和接收中产生临时休假间隙(sabbatical gap)。在这种情况下，UE仍然可以保持在RRC连接模式下，但没有任何活动，从而有助于改善网络拥塞情况。在这样的实施方式中，ARP参数被修改以指示该承载是否可以经受潜在的休假间隙或延迟的RRC恢复过程(例如，对于处于RRC_IDLE中的UE，在gNB(即网络实体)中没有UE上下文，因此(修改的)ARP信息在gNB中不可用)。在这样的实施方式中，ML算法通过预测未来即将到来的UE及其服务来辅助接纳控制，并根据现有网络开销和请求UE和/或服务为一些UE生成最佳延迟。
因此，在一些实施方式中，电路还被配置成修改分配和保持优先级参数，以指示用户设备可以经受发送和接收间隔或延迟的无线电资源控制恢复过程。
该延迟的接纳控制过程的实现可以节省重复的RACH尝试。与回退指示符(通常已知)的区别在于，例如，使用回退指示符，用户将被随机化以重新发起RACH。然而，网络不能精确地控制UE，特别是何时以及哪个UE将发起RACH。通过如上所述的延迟的接纳控制过程，在一些实施方式中，网络可以(精确地)控制每个特定UE在预计时间内接入网络。如上所述，这可以基于对未来网络流量、潜在接入UE的数目等的预测。
总之，在一些实施方式中，在从网络实体(例如gNB)到UE的消息中，包括条件RRC连接和恢复请求设置和/或在RRC连接模式中流量间隙的创建，包括接纳许可条件，以指示UE何时将实际发送到RRC连接或允许开始发送。
在一些实施方式中，机器学习算法包括神经网络，所述神经网络包括输入层、包括权重的中间层和输出层，并且其中，所述机器学习算法的输出基于所述输出层的输出。
在一些实施方式中，神经网络包括损失函数。
通常，并且因此，在一些实施方式中，(人工)神经网络被组织成多个层，其中，每个层包括一个或多个节点，并且其中，一层中的每个节点连接到紧邻的前一层和后一层中的节点。接收外部数据(输入)的层是输入层，并且产生结果和/或预测(输出)的层是输出层。中间是包括一个或多个隐藏层的中间层。节点之间的每个连接被分配有权重。在一些实施方式中，被训练的神经网络可以通过被训练的权重来表征。
在一些实施方式中，损失函数用于神经网络的训练阶段(权重更新)，并且可以表示代价函数，该代价函数测量输出层的输出与训练数据(在此，例如，从历史网络数据或通过用户轮询获得)给出的期望(实际)输出之间的差值。可以在训练阶段调整权重，以通过最小化代价函数将输入映射到输出，其中通常应用反向传播算法。
在一些实施方式中，用历史输入值训练神经网络，并且神经网络提供输出并将输出与存储的历史输出值中的实际结果进行比较。如果两者之间存在偏差，损失函数计算误差，并根据偏差更新神经网络的权重。
在一些实施方式中，训练过程部署在如本文所述的网络实体(例如，基站等)内部，包括通常用于训练过程、ML算法(即神经网络)的电子部件(电路)，例如存储器、微处理器、图形处理单元等。在其他实施方式中，训练过程被部署在用于网络操作和维护(O&M)的外部服务器/工具内。在一些实施方式中，离线处理训练过程。在其他实施方式中，在实时网络操作期间处理训练过程，其中服务器包括足够的存储器来存储历史(训练)数据。在一些实施方式中，网络的原始数据(历史数据)太大，无法存储在网络实体或服务器内的存储器上。在这样的实施方式中，例如，在训练过程中通过平均化等处理数据，以便减小大小。
在一些实施方式中，被训练的ML算法，例如具有被训练的权重的神经网络，被用于在网络实体中进行推理(用于接纳控制的实际操作)。在这种情况下，ML算法(例如神经网络)的输入是来自现场网络监测和一些静态配置的实际(实时)数据。例如，ML算法提供可用资源的预测，并将输出发送到接纳控制器，即接纳控制层，该接纳控制器决定接纳控制并将信令发送到网络控制平面(AMF/RRM“接入和移动性管理功能”/“无线电资源管理”)。结果，新的呼叫/流量可能受到限制。例如，如果ML算法输出的结果不是预期的或者是错误的，则接纳控制器可以通过预定的接纳控制规则用基于规则的策略来覆盖它。
通常情况下，ML(具体是深度学习和神经网络)的优势是，它可以在众多输入参数中找到相关的输入。从这个意义上说，任何类型的输入都可以。然而，在一些实施方式中，它需要额外的成本(例如，大量的节点、层等)。因此，在这样的实施方式中，例如，当人类认为一些输入参数不相关时，基于人类的偏好和准则排除不相关的输入。
通常，更多数目的(隐藏)层可能提供更准确的预测。但是，它需要额外的训练时间、处理负载和功耗成本。因此，在预测精度和成本之间存在权衡。神经网络的中间层(包括隐藏层)可以根据输入和输出参数的数目以及预测结果与实际结果之间的差距，进行优化。
本发明在没有QoE退化、资源短缺、资源损失等的情况下，在多个输入参数之间确定接纳控制的决策准则。如上所述，除了从针对多个接纳控制层的训练神经网络生成的当前状况之外，这还可以基于对例如不久的将来QoE发展的预测。
因此，作为实例，在一些实施方式中，神经网络采用以下输入并提供以下输出：
输入实例：
a)高级别策略/情况：
·正常或特殊情况，如自然灾害。
·关于移动电信提供商的政府条例。
b)运营商的商业策略：
·优先考虑VIP(“非常重要的人”)或有价格的高端服务。
·特定服务或应用的统一费率(或不收取额外费用)。
·新终端启动或新服务启动的推广活动。
c)物理参数：
·历史数据网络数据。
·与流量相关的输入，如用户数目、每个用户的流量或溢出呼叫。
·与服务相关的输入，如服务类型及其请求、服务器所需的QoS或QoS与QoE之间的关系。
·物理资源，如基站(即网络实体)的功率余量、干扰、基带处理负载/信道容量、回传/前传带宽的使用，或与物理资源使用相关的网络关键性能指示符(例如设置成功率)。
输出实例：
a)连接限制，如果ML算法直接为接纳控制层生成接纳控制：限制开始的时间/日期、限制开始的位置、受限制的服务类型、受限制的用户和这些用户的网络动作，或结束这些限制的准则。
b)关于接纳控制层的未来(时间)和特定位置(小区覆盖/地区/区域)的预测：可用资源、用户数目、服务用量、流量负载、干扰、基站的功率余量、基带处理负载或回传/前传带宽的用量。
c)生成的用于分发到PCRF服务器的QoS策略：QoS规则和接纳准则。
为了优化神经网络(权重)，损失函数可以基于以下实例：
a)基于QoE和/或QoS退化：损失函数测量所需的QoE和/或QoS与提供的QoE和/或QoS之间的差值，即，该差距与客户的挫折感或违反服务等级协议有关。
b)基于流量负载：损失函数测量提供的流量(所需发送的)和承载的流量(实际发送的)之间的差值，即该差值与未承载的溢出流量有关。
c)基于可用资源：损失函数测量估计的资源和实际的资源之间的差值。该差距与资源短缺(或高估)有关。
d)基于业务需求：损失函数测量预期收入和实际收入之间的差值。该差距与额外收益有关。
在一些实施方式中，神经网络的输出层的输出包括多个连接限制。
在一些实施方式中，多个连接限制包括限制开始的计时。
在一些实施方式中，多个连接限制包括限制开始的位置。
在一些实施方式中，多个连接限制包括受限制服务的类型。
在一些实施方式中，多个连接限制包括受限用户和针对这些用户的网络动作。
在一些实施方式中，多个连接限制包括限制结束的准则。
在一些实施方式中，神经网络的输出层的输出包括指示未来时间和位置的多个预测的网络状况指示符。
在一些实施方式中，多个预测的网络状况指示符包括预测的可用资源。
在一些实施方式中，多个预测的网络状况指示符包括预测的用户数目。
在一些实施方式中，多个预测的网络状况指示符包括预测的服务用量。
在一些实施方式中，多个预测的网络状况指示符包括预测的流量负载。
在一些实施方式中，多个预测的网络状况指示符包括预测的干扰。
在一些实施方式中，多个预测的网络状况指示符包括预测的基站的功率余量。
在一些实施方式中，多个预测的网络状况指示符包括预测的基带处理负载。
在一些实施方式中，多个预测的网络状况指示符包括预测的回传和/或前传带宽的用量。
在一些实施方式中，神经网络的输出层的输出包括服务质量接纳控制规则。
在一些实施方式中，输入层的输入包括多个高级别情况。
在一些实施方式中，多个高级别情况包括正常和/或特殊情况策略。
在一些实施方式中，多个高级别情况包括关于移动电信服务的政府条例。
在一些实施方式中，输入层的输入包括多个运营商规则。
在一些实施方式中，多个运营商规则包括对预定人员的优先级和/或对具有预定价格的高端服务的优先级。
在一些实施方式中，多个运营商规则包括用于特定服务和/或应用的统一费率。
在一些实施方式中，多个运营商规则包括用于新终端启动和/或服务启动的促销活动。
在一些实施方式中，输入层的输入包括多个物理网络参数。
在一些实施方式中，多个物理网络参数包括历史物理网络参数和当前物理网络参数。
在一些实施方式中，多个物理网络参数目包括用户数目。
在一些实施方式中，多个物理网络参数包括每个用户的流量。
在一些实施方式中，多个物理网络参数包括溢出呼叫。
在一些实施方式中，多个物理网络参数包括服务和请求的类型。
在一些实施方式中，多个物理网络参数包括所需的服务质量。
在一些实施方式中，多个物理网络参数包括服务质量和用户体验质量之间的关系。
在一些实施方式中，多个物理网络参数包括基站的功率余量。
在一些实施方式中，多个物理网络参数包括干扰。
在一些实施方式中，多个物理网络参数包括基带处理负载和/或信道容量。
在一些实施方式中，多个物理网络参数包括回传和/或前传带宽的用量。
在一些实施方式中，多个物理网络参数包括与物理资源用量有关的网络关键性能指示符。
在一些实施方式中，损失函数基于所需的服务质量与所提供的服务质量之间的差值和/或所需的体验质量与所提供的体验质量之间的差值。
在一些实施方式中，损失函数基于要求的流量和承载的流量之间的差值。
在一些实施方式中，损失函数基于估计的网络资源与当前网络资源之间的差值。
在一些实施方式中，损失函数基于预期收益和当前收益之间的差值。
在一些实施方式中，在意外结果和/或在违背预定偏好的结果的情况下，该输出层的输出被预定接纳控制规则覆盖。
在一些实施方式中，中间层的权重基于历史训练数据来训练。
在一些实施方式中，中间层的权重是离线训练的和/或在操作期间训练的。
在一些实施方式中，中间层的权重在基站和/或外部服务器内部训练，用于网络操作和维护。
在一些实施方式中，对历史数据进行预处理。
在一些实施方式中，训练中间层的权重以估计用户体验质量，并且其中，基于用户输入值来训练权重，该用户输入值作为用户体验训练数据的输出与到移动电信系统的连接质量的评级相对应。
在一些实施方式中，用户体验训练数据的输入包括连接建立成功率。
在一些实施方式中，用户体验训练数据的输入包括切换成功率。
在一些实施方式中，用户体验训练数据的输入包括连接成本。
在一些实施方式中，用户体验训练数据的输入包括连接可靠性。
在一些实施方式中，用户体验训练数据的输入包括连接吞吐量。
在一些实施方式中，用户体验训练数据的输入包括连接延迟。
如上所述，一些实施方式涉及用于移动电信系统的用户设备，用户设备包括被配置成响应于到移动电信系统的连接请求而接收无线电资源控制消息的电路，该移动电信系统包括基于机器学习算法的输出的接纳许可条件。
用户设备可以是或可以包括智能手机、VR设备、膝上型计算机等。电路可以包括处理器、微处理器、专用电路、存储器、存储装置、无线电接口、无线接口、网络接口等中的至少一者，例如，包括在用户设备中以实现本文所述功能的典型电子部件。
在一些实施方式中，如上所述，接纳许可条件包括计时器，计时器指示到移动电信系统的连接请求将在何时被接受的时间。
在一些实施方式中，如上所述，电路还被配置成发送与到移动电信系统的连接质量的评级相对应的用户输入值。
在一些实施方式中，如本文所述的网络实体和如本文所述的用户设备构成接纳控制系统和/或是移动电信系统(网络)的一部分。
一些实施方式涉及用于对到移动电信系统的接收到的连接请求执行接纳控制的方法，该方法包括：
基于多个接纳控制层执行所述接纳控制。
该方法可以包括如本文针对网络实体和用户设备讨论的任何其他步骤。
一些实施方式涉及用于对到移动电信系统的接收到的连接请求执行接纳控制的方法，该方法包括：
基于为多个接纳控制层生成的机器学习算法的输出，来执行接纳控制。
该方法可以包如本文针对网络实体和用户设备讨论的任何其他步骤。
当在计算机和/或处理器上执行时，本文描述的方法还在一些实施方式中被实现为使计算机和/或处理器执行该方法的计算机程序。在一些实施方式中，还提供了一种存储有计算机程序产品的非暂时性计算机可读记录介质，该计算机程序产品当由诸如上述处理器的处理器执行时，使得执行本文所述的方法。
返回到图2，示出了延迟的无线电资源控制连接建立序列的实施方式。
在10，UE 6经由RACH将包括RRC连接建立请求的随机接入请求发送到网络实体(NE)7，在该实施方式中为gNB。在该实施方式中，它是基于争用的RACH。NE 7检查建立原因，并且根据ML算法，在本实施方式中部署在网络实体7中的被训练的神经网络(如上所述)，基于对任何其他用户请求或服务请求的预测，网络实体7确定允许或拒绝接纳，即是否可以接受连接控制(如本文所述)。
如果此时接收到的连接请求不能被接受，则网络实体7在11发送包括接纳许可条件的RRC建立消息。在本实施方式中，接纳许可条件包括计时器，该计时器指示将在何时可以接受建立过程的(未来)时间(如本文所讨论的)。计时器，即UE 6将等待直到UE 6被接受的时间量，取决于从被训练的ML算法输出的预测网络拥塞级别、可用资源、潜在竞争UE、用户期望等。同时，网络实体7维护用于接收到的连接请求的网络资源，如果在计时器已经过期之后没有从UE 6接收到消息，则该连接请求将被释放。
在满足上述条件并且UE 6变为RRC连接模式之后，UE 6在12处确认接收到建立消息。
图3示出了由网络实体7执行的接纳控制的第一实施方式。
在80，UE 6向NE 7发送连接请求。NE 7包括具有多个接纳控制层的接纳控制器(ACL)35(为了说明目的，将其描述为单独的单元)，在此：服务级别层、网络级别层和用户级别层(如本文所讨论的)。ACL 35(作为NE 7的一部分)在80a获取接收到的连接请求并基于多个接纳控制层(如本文所讨论的)执行接纳控制。ACL 35基于服务等级协议、网络装置和用户要求(如本文所述)来确定接收到的连接请求的接纳许可或接纳拒绝。在该实施方式中，ACL 35在80b确定接纳许可。NE 7在81向UE 6发送接纳许可，UE 6在82确认其接收并向移动电信系统发送许可。
在另一实施方式中，NE 7在81处发送包括接纳许可条件的RRC建立消息。在这样的实施方式中，接纳许可条件包括计时器，该计时器指示将在何时可以接受建立过程的(未来)时间(如本文所讨论的)。计时器，即UE 6将等待直到UE 6被接受的时间量。同时，NE 7维护用于接收到的连接请求的网络资源，如果在计时器已经超期之后没有从UE 6接收到消息，则该连接请求将被释放。在满足上述条件并且UE 6变为RRC连接模式之后，UE 6在82处确认接收到建立消息。
图4在框图中示出了在训练阶段中的神经网络20的实施方式。
在本实施方式中，训练阶段中的神经网络20被部署在网络实体7中，并在输入层22处从包括历史数据21的数据存储设备获得输入。在该实施方式中，输入包括多个(历史)高级别情况、多个(历史)运营商规则并且包括多个(历史)物理网络参数，如上所述。
输入层22的节点连接到中间层23的第一节点。中间层23执行计算，最后的节点连接到输出层24，该输出层输出对实际结果的预测。在本实施方式中，输出包括多个连接限制、多个预测网络状况指示符和服务质量接纳控制规则，如上所述。
损失函数25将预测结果与从存储的历史数据21获得的实际结果进行比较，并使用反向传播算法来更新神经网络20的权重，以提高神经网络20的预测精度。
图5在框图中示出了在推理阶段中的神经网络30的实施方式。
神经网络30对应于图3的被训练的神经网络20，并被部署在网络实体7中用于推断，其中输入层32、中间层33和输出层34具有与图3相同的结构。神经网络30获得实际(实时)数据31，并将预测输出到包括三个接纳控制层：服务级别层、网络级别层和用户级别层的接纳控制器35。接纳控制器35确定接纳许可或接纳拒绝，并将信令发送到网络控制平面(AMF/RRM))36。结果，新的呼叫或流量受到限制。
在意外结果的情况下，接纳控制器包括预定接纳控制规则37，并用预定接纳控制规则覆盖神经网络30的输出。
图6示出了由网络实体7执行的接纳控制的第二实施方式。
在90，UE 6向NE 7发送连接请求。NE 7包括图5中的具有多个接纳控制层的接纳控制器(ACL)35(为了说明目的，将其描述为单独的单元)，在此：服务级别层、网络级别层和用户级别层(如本文所讨论的)。ACL 35(作为NE 7的一部分)在90a获取所接收到的连接请求，并基于ML算法的输出执行接纳控制，在此是在90b为多个接纳控制层生成的来自图5的被训练的神经网络(NN)30(如本文所述)。ACL 35基于根据服务等级协议、网络状况和用户需求(如本文所讨论的)生成的NN 30(ML算法)的输出，来确定接收到的连接请求的接纳许可或接纳拒绝。在该实施方式中，ACL 35在90c确定接纳许可。NE 7在91处向UE 6发送接纳许可，UE 6在92处确认其接收并连接到移动电信系统。
图7示出了在切换情况下由网络实体7b执行的接纳控制的第三实施方式。
在70，源网络实体NE 7a向目标网络实体7b发送切换请求，目标网络实体7b确认切换。在70a，UE 6向目标NE 7b发送连接请求。目标NE7b包括图5中的具有多个接纳控制层的接纳控制器(ACL)35(为了说明目的，将其描述为单独的单元)，在此：服务级别层、网络级别层和用户级别层(如本文所讨论的)。ACL 35(作为目标NE 7b的一部分)基于ML算法的输出，在70b获取接收到的连接请求并执行接纳控制，在此图5中的被训练的神经网络(NN)30在70c处针对多个接纳控制层(如本文所讨论的)生成。ACL 35基于根据服务等级协议、网络状况和用户需求(如本文所讨论的)生成的NN30(ML算法)的输出，来确定接收到的连接请求的接纳许可或接纳拒绝。在该实施方式中，ACL 35在70d确定接纳许可。目标NE 7b在71向UE 6发送接纳许可，UE 6在72确认其接收并经由目标NE 7b连接到移动电信系统。
参考图8讨论用于实现本公开的实施方式的UE 6和网络实体(NE)7(例如，NR eNB/gNB)的实施方式以及UE 6和NE 7之间的通信104。
UE6具有发射器101、接收器102和控制器103，其中，通常，发射器101、接收器102和控制器103的技术功能为本领域技术人员所知，因此，省略对它们的更详细描述。
NE7具有发射器105、接收器106和控制器107，其中，也在此，通常发射器105、接收器106和控制器107的功能为本领域技术人员所知，因此，省略对它们的更详细描述。
通信路径104具有从UE 6到NE 7的上行链路路径104a和从NE 7到UE 6的下行链路路径104b。
在操作期间，UE 6的控制器103控制在接收器102处的下行链路路径104b上的下行链路信号的接收，并且控制器103控制经由发射器101在上行链路路径104a上的上行链路信号的发送。
类似地，在操作期间，NE 7的控制器107控制下行链路路径104b上的下行链路信号在发射器105上的发送，并且控制器107控制上行链路路径104a上的上行链路信号在接收器106上的接收。
在下文中，参考图9描述通用计算机130的实施方式。
计算机130可以被实现为使得它基本上可以充当如本文所述的任何类型的网络实体、基站或新的无线电基站、发送和接收点或用户设备。计算机具有部件131至141，其可以形成电路，例如基站的电路中的任何一者，以及如本文所述的用户设备。
使用软件、固件、程序等来执行如本文所述的方法的实施方式可以安装在计算机130上，计算机130被配置成适合于具体实施方式。
计算机130具有CPU 131(中央处理单元)，其可以例如根据存储在只读存储器(ROM)132中、存储在存储装置137中并加载到随机存取存储器(RAM)133中、存储在可插入到相应驱动器139等中的介质140上的程序，来执行本文所述的各种类型的过程和方法。
CPU 131、ROM 132和RAM 133与总线141连接，总线141又连接到输入/输出接口134。CPU、存储器和存储装置的数目仅为实例，并且本领域技术人员将理解，计算机130可以相应地被适配和配置以满足当其用作基站或用户设备时出现的特定要求。
在输入/输出接口134处，连接几个部件：输入135、输出136、存储装置137、通信接口138和驱动器139，介质140(压缩盘、数字视频盘、紧凑型闪存等)可以插入其中。
输入135可以是指针设备(鼠标、图形表等)、键盘、麦克风、照相机、触摸屏等。
输出136可以具有显示器(液晶显示器、阴极射线管显示器、发光二极管显示器等)、扬声器等。
存储装置137可以具有硬盘、固态驱动器等。
通信接口138可适于例如经由局域网(LAN)、无线局域网(WLAN)、移动电信系统(GSM、UMTS、LTE、NR等)、蓝牙、红外等进行通信。
应当注意，上面的描述仅涉及计算机130的实例配置。可选配置可以用附加的或其他传感器、存储设备、接口等来实现。例如，通信接口138可以支持所述UMTS、LTE和NR以外的其他无线电接入技术。
当计算机130用作基站，通信接口138还可以具有相应的空中接口(提供例如E-UTRA协议OFDMA(下行链路)和SC-FDMA(上行链路))和网络接口(例如实现诸如Sl-AP、GTP-U、Sl-MME、X2-AP等的协议)。此外，计算机130可以具有一个或多个天线和/或天线阵列。本公开不限于此类协议的任何特殊性。
图10在流程图中示出用于执行接纳控制的方法50的第一实施方式。
在51，如本文所述，基于多个接纳控制层来执行接纳控制。
图11在流程图中示出了用于执行接纳控制的方法60的第二实施方式。
在61，如本文所述，基于为多个接纳控制层而生成的机器学习算法的输出，来执行接纳控制。
在本说明书中描述的和在所附权利要求中要求的所有单元和实体，如果没有另作说明，可以实现为集成电路逻辑，例如在芯片上，并且如果没有另作说明，可以通过软件实现由这些单元和实体提供的功能。
就上述公开的实施方式而言，至少部分地使用软件控制的数据处理装置来实现，应当理解，提供这种软件控制的计算机程序以及通过以下方式的传输、存储或其他介质提供这样的计算机程序是被设想为本公开的方面的。
注意，本技术也可以如下所述配置。
(1)一种用于移动电信系统的网络实体，包括被配置成对到移动电信系统的接收到的连接请求执行接纳控制的电路，其中，该接纳控制是基于多个接纳控制层执行的。
(2)如(1)的网络实体，其中，多个接纳控制层包括服务级别层，所述服务级别层被配置成基于服务等级协议来确定接收到的连接请求的接纳许可或接纳拒绝。
(3)如(1)或(2)的网络实体，其中，多个接纳控制层包括网络级别层，所述网络级别层被配置成基于网络状况确接收到的连接请求的接纳许可或接纳拒绝。
(4)如(1)至(3)中任一项的网络实体，其中，多个接纳控制层包括用户级别层，所述用户级别层被配置成基于用户需求确定接收到的连接请求的接纳许可或接纳拒绝。
(5)如(1)至(4)中任一项的网络实体，其中，电路还被配置成响应于包括接纳许可条件的接收到的连接请求，来发送无线电资源控制消息。
(6)如(4)或(5)的网络实体，其中，用户级别层对接收到的连接请求的接纳许可或接纳拒绝的确定是基于网络资源的。
(7)如(6)的网络实体，其中，对于用于现有和未来连接的丰富网络资源，用户级别层确定接收到的连接请求与该用户级别层正在进行的服务的接纳许可。
(8)如(6)或(7)的网络实体，其中，对于现有连接节点的丰富网络资源，用户级别层针对高优先级连接请求确定接收到的连接请求的接纳许可。
(9)如(6)至(8)中任一项的网络实体，其中，对于有限的网络资源，用户级别层针对要求低网络资源的高优先级连接请求，以高概率确定接收到的连接请求的接纳许可。
(10)如(6)至(9)中任一项的网络实体，其中，对于有限的网络资源，用户级别层针对要求高网络资源的高优先级连接请求，以中概率确定接收到的连接请求的接纳许可。
(11)如(6)至(10)中任一项的网络实体，其中，对于有限的网络资源，用户级别层针对要求低网络资源的低优先级连接请求，以中概率确定接收到的连接请求的接纳许可。
(12)如(6)至(11)中任一项的网络实体，其中，对于有限的网络资源，用户级别层针对要求高网络资源的低优先级连接请求，以低概率确定接收到的连接请求的接纳许可。
(13)如(6)至(12)中任一项的网络实体，其中，对于稀缺的网络资源，用户级别层仅针对高优先级连接请求，确定接收到的连接请求的接纳许可。
(14)一种用于移动电信系统的网络实体，包括被配置成对到移动电信系统的接收到的连接请求的执行接纳控制的电路，其中，该接纳控制是基于为多个接纳控制层生成的机器学习算法的输出来执行的。
(15)如(14)的网络实体，其中，多个接纳控制层包括服务级别层，所述服务级别层被配置成基于根据服务等级协议生成的机器学习算法的输出，来确定接收到的连接请求的接纳许可或接纳拒绝。
(16)如(14)或(15)的网络实体，其中，多个接纳控制层包括网络级别层，所述网络级别层被配置成基于根据网络状况生成的机器学习算法的输出，来确定接收到的连接请求的接纳许可或接纳拒绝。
(17)如(14)至(16)中任一项的网络实体，其中，多个接纳控制层包括用户级别层，该用户级别层被配置成基于根据用户需求生成的机器学习算法的输出，来确定接收到的连接请求的接纳许可或接纳拒绝。
(18)如(14)至(17)中任一项的网络实体，其中，电路还被配置成响应于接收到的连接请求发送无线电资源控制消息，所述连接请求包括基于所述机器学习算法的输出的接纳许可条件。
(19)如(18)的网络实体，其中，接纳许可条件包含计时器，该计时器指示到移动通信系统的连接请求将在何时被接受的时间。
(20)如(19)的网络实体，其中，电路还被配置成预留网络资源，并且其中，在计时器已经超期之后接收到消息的情况下，所述网络资源仅保持到移动电信系统的连接请求。
(21)如(18)至(20)中任一项的网络实体，其中，电路还被配置成修改分配和保留优先级参数，以指示用户设备能够经受传输和接收间隙或延迟的无线电资源控制恢复过程。
(22)如(14)至(21)中任一项的网络实体，其中，机器学习算法的输出包括对未来连接请求及所述未来连接请求的服务需求的预测。
(23)如(14)至(22)中任一项的网络实体，其中，机器学习算法的输出包括生成的接纳控制规则。
(24)如(23)的网络实体，其中，接纳控制还基于预定接纳控制规则执行。
(25)如(14)至(24)中任一项的网络实体，其中，机器学习算法包括神经网络，所述神经网络包括输入层、包括权重的中间层和输出层，并且其中，机器学习算法的输出基于所述输出层的输出。
(26)如(25)的网络实体，其中，神经网络包括损失函数。
(27)如(25)或(26)的网络实体，其中，神经网络的输出层的输出包括多个连接限制。
(28)如(27)的网络实体，其中，多个连接限制包括限制开始的计时。
(29)如(27)或(28)的网络实体，其中，多个连接限制包括限制开始的位置。
(30)如(27)至(29)中任一项的网络实体，其中，多个连接限制包括受限制服务的类型。
(31)如(27)至(30)中任一项的网络实体，其中，多个连接限制包括受限用户和针对这些用户的网络动作。
(32)如(27)至(31)中任一项的网络实体，其中，多个连接限制包括限制终端的准则。
(33)如(25)至(32)中任一项的网络实体，其中，神经网络的输出层的输出包括多个预测的网络状况指示符，指示未来时间和位置。
(34)如(33)的网络实体，其中，多个预测的网络状况指示符包括预测的可用资源。
(35)如(33)或(34)的网络实体，其中，多个预测的网络状况指示符包括预测的用户数目。
(36)如(33)至(35)中任一项的网络实体，其中，多个预测的网络状况指示符包括预测的服务用量。
(37)如(33)至(36)中任一项的网络实体，其中，多个预测的网络状况指示符包括预测的流量负载。
(38)如(33)至(37)中任一项的网络实体，其中，多个预测的网络状况指示符包括预测干扰。
(39)如(33)至(38)中任一项的网络实体，其中，多个预测的网络状况指示符包括基站的预测的功率余量。
(40)如(33)至(39)中任一项的网络实体，其中，多个预测的网络状况指示符包括预测的基带处理负载。
(41)如(33)至(40)中任一项的网络实体，其中，多个预测的网络状况指示符包括预测的回传和/或前传带宽的用量。
(42)如(25)至(41)中任一项的网络实体，其中，神经网络的输出层的输出包括服务接纳控制规则的质量。
(43)如(25)至(42)中任一项的网络实体，其中，输入层的输入包括多个高级别情况。
(44)如(43)的网络实体，其中，多个高级别情况包括正常和/或特殊情况策略。
(45)如(43)或(44)的网络实体，其中，多个高级别情况包括关于移动电信服务的政府法规。
(46)如(25)至(45)中任一项的网络实体，其中，输入层的输入包括多个运营商规则。
(47)如(46)的网络实体，其中，多个运营商规则包括预定人员和/或具有预定价格的高端服务的优先级。
(48)如(46)或(47)的网络实体，其中，多个运营商规则包括用于特定服务和/或应用的统一费率。
(49)如(46)至(48)中任一项的网络实体，其中，多个运营商规则包括用于新终端启动和/或服务启动的促销活动。
(50)如(25)至(49)中任一项的网络实体，其中，输入层的输入包括多个物理网络参数。
(51)如(50)的网络实体，其中，多个物理网络参数包括历史物理网络参数和当前物理网络参数。
(52)如(50)或(51)的网络实体，其中，多个物理网络参数目包含用户的数目。
(53)如(50)至(52)中任一项的网络实体，其中，多个物理网络参数包括每个用户的流量。
(54)如(50)至(53)中任一项的网络实体，其中，多个物理网络参数包括溢出呼叫。
(55)如(50)至(54)中任一项的网络实体，其中，多个物理网络参数包括服务和请求的类型。
(56)如(50)至(55)中任一项的网络实体，其中，多个物理网络参数包括所需的服务质量。
(57)如(50)至(56)中任一项的网络实体，其中，多个物理网络参数包括服务质量和用户体验质量之间的关系。
(58)如(50)至(57)中任一项的网络实体，其中，多个物理网络参数包括基站的功率余量。
(59)如(50)至(58)中任一项的网络实体，其中，多个物理网络参数包括干扰。
(60)如(50)至(59)中任一项的网络实体，其中，多个物理网络参数包括基带处理负载和/或信道容量。
(61)如(50)到(60)中任一项的网络实体，其中，多个物理网络参数包括回传和/或前传带宽的用量。
(62)如(50)至(61)中任一项的网络实体，其中，多个物理网络参数包括与物理资源用量有关的网络关键性能指示符。
(63)如(26)至(62)中任一项的网络实体，其中，损失函数基于所需的服务质量和/或所需的体验质量与所提供的服务质量和/或所提供的体验质量之间的差值。
(64)如(26)至(63)中任一项的网络实体，其中，损失函数基于命令流量和承载流量之间的差值。
(65)如(26)至(64)中任一项的网络实体，其中，损失函数基于估计的网络资源与当前网络资源之间的差值。
(66)如(26)至(65)中任一项的网络实体，其中，损失函数基于预期收益和当前收益之间的差值。
(67)如(26)至(66)中任一项的网络实体，其中，在意外结果和/或在结果违背预定偏好的情况下，该输出层的输出被预定接纳控制规则覆盖。
(68)如(26)至(67)中任一项的网络实体，其中，中间层的权重基于历史训练数据来训练。
(69)如(68)的网络实体，其中，中间层的权重被离线训练和/或在操作期间训练。
(70)如网络实体(68)或(69)的网络实体，其中，中间层的权重在基站和/或外部服务器内训练，用于网络操作和维护。
(71)如(68)至(70)中任一项的网络实体，其中，历史数据被预处理。
(72)如(25)至(71)中任一项的网络实体，其中，中间层的权重被训练用于对用户体验质量的评估，并且其中，基于作为用户体验训练数据的输出的与所述移动电信系统的连接质量评级相对应的用户输入值，来训练所述权重。
(73)如(72)的网络实体，其中，用户体验训练数据的输入包括连接建立成功率。
(74)如(72)或(73)的网络实体，其中，用户体验训练数据的输入包括切换成功率。
(75)如(72)至(74)中任一项的网络实体，其中，用户体验训练数据的输入包括连接成本。
(76)如(72)至(75)中任一项的网络实体，其中，用户体验训练数据的输入包括连接可靠性。
(77)如(72)至(76)中任一项的网络实体，其中，用户体验训练数据的输入包括连接吞吐量。
(78)如(72)至(77)中任一项的网络实体，其中，用户体验训练数据的输入包括连接延迟。
(79)一种用于移动电信系统的用户设备，包括被配置成响应于对到移动电信系统的连接请求接收无线电资源控制消息的电路，该消息包括基于机器学习算法的输出的接纳许可条件。
(80)如(79)的用户设备，其中，接纳许可条件包含计时器，该计时器指示到移动电系统的连接请求将在何时被接受的时间。
(81)如(79)或(80)的用户设备，其中，电路还被配置成将对应于连接质量的评级的用户输入值发送到移动电信通信系统。
(82)一种用于对到移动电信系统的接收到的连接请求执行接纳控制的方法，该方法包括：
基于多个接纳控制层执行接纳控制。
(83)一种用于对到移动电信系统的接收到的连接请求执行接纳控制的方法，该方法包括：
基于为多个接纳控制层生成的机器学习算法的输出来执行接纳控制。
Claims (83)
1.一种用于移动电信系统的网络实体，所述网络实体包括被配置成对到移动电信系统的接收到的连接请求执行接纳控制的电路，其中，所述接纳控制是基于多个接纳控制层执行的。
2.根据权利要求1所述的网络实体，其中，所述多个接纳控制层包括服务级别层，所述服务级别层被配置成基于服务等级协议来确定所述接收到的连接请求的接纳许可或接纳拒绝。
3.根据权利要求1所述的网络实体，其中，所述多个接纳控制层包括网络级别层，所述网络级别层被配置成基于网络状况确定所述接收到的连接请求的接纳许可或接纳拒绝。
4.根据权利要求1所述的网络实体，其中，所述多个接纳控制层包括用户级别层，所述用户级别层被配置成基于用户需求确定所述接收到的连接请求的接纳许可或接纳拒绝。
5.根据权利要求1所述的网络实体，其中，所述电路还被配置成响应于包括接纳许可条件的所述接收到的连接请求，发送无线电资源控制消息。
6.根据权利要求4所述的网络实体，其中，所述用户级别层对所述接收到的连接请求的接纳许可或接纳拒绝的确定是基于网络资源的。
7.根据权利要求6所述的网络实体，其中，对于用于现有连接和未来连接的丰富网络资源，所述用户级别层，确定所述接收到的连接请求及所述接收到的连接请求的正在进行的服务的接纳许可。
8.根据权利要求6所述的网络实体，其中，对于现有连接的丰富网络资源，所述用户级别层针对高优先级连接请求，确定所述接收到的连接请求的接纳许可。
9.根据权利要求6所述的网络实体，其中，对于有限的网络资源，所述用户级别层对于要求低网络资源的高优先级连接请求，以高概率确定所述接收到的连接请求的接纳许可。
10.根据权利要求6所述的网络实体，其中，对于有限的网络资源，所述用户级别层对于要求高网络资源的高优先级连接请求，以中概率确定所述接收到的连接请求的接纳许可。
11.根据权利要求6所述的网络实体，其中，对于有限的网络资源，所述用户级别层对于要求低网络资源的低优先级连接请求，以中概率确定所述接收到的连接请求的接纳许可。
12.根据权利要求6所述的网络实体，其中，对于有限的网络资源，所述用户级别层对于要求高网络资源的低优先级连接请求，以低概率确定所述接收到的连接请求的接纳许可。
13.根据权利要求6所述的网络实体，其中，对于稀缺的网络资源，所述用户级别层仅对于高优先级连接请求，确定所述接收到的连接请求的接纳许可。
14.一种用于移动电信系统的网络实体，所述网络实体包括被配置成对到所述移动电信系统的接收到的连接请求执行接纳控制的电路，其中，所述接纳控制是基于为多个接纳控制层生成的机器学习算法的输出来执行的。
15.根据权利要求14所述的网络实体，其中，所述多个接纳控制层包括服务级别层，所述服务级别层被配置成基于根据服务等级协议生成的所述机器学习算法的输出，确定所述接收到的连接请求的接纳许可或接纳拒绝。
16.根据权利要求14所述的网络实体，其中，所述多个接纳控制层包括网络级别层，所述网络级别层被配置成基于根据网络状况生成的所述机器学习算法的输出，确定所述接收到的连接请求的接纳许可或接纳拒绝。
17.根据权利要求14所述的网络实体，其中，所述多个接纳控制层包括用户级别层，所述用户级别层被配置成基于根据用户需求生成的所述机器学习算法的输出，确定所述接收到的连接请求的接纳许可或接纳拒绝。
18.根据权利要求14所述的网络实体，其中，所述电路还被配置成响应于包括基于所述机器学习算法的输出的接纳许可条件的所述接收到的连接请求，发送无线电资源控制消息。
19.根据权利要求18所述的网络实体，其中，所述接纳许可条件包含计时器，所述计时器指示到所述移动电信系统的连接请求将在何时被接受的时间。
20.根据权利要求19所述的网络实体，其中，所述电路还被配置成预留网络资源，并且其中，所述网络资源仅在所述计时器超期后接收到消息的情况下，针对到所述移动电信系统的连接请求而被维持。
21.根据权利要求18所述的网络实体，其中，所述电路还被配置成修改分配和保留优先级参数，以指示用户设备能够经受传输和接收间隙或延迟的无线电资源控制恢复过程。
22.根据权利要求14所述的网络实体，其中，所述机器学习算法的输出包括对未来连接请求及所述未来连接请求的服务需求的预测。
23.根据权利要求14所述的网络实体，其中，所述机器学习算法的输出包括生成的接纳控制规则。
24.根据权利要求23所述的网络实体，其中，所述接纳控制还基于预定接纳控制规则执行。
25.根据权利要求14所述的网络实体，其中，所述机器学习算法包括神经网络，所述神经网络包括输入层、输出层和包括权重的中间层，并且其中，所述机器学习算法的输出基于所述输出层的输出。
26.根据权利要求25所述的网络实体，其中，所述神经网络包括损失函数。
27.根据权利要求25所述的网络实体，其中，所述神经网络的所述输出层的输出包括多个连接限制。
28.根据权利要求27所述的网络实体，其中，所述多个连接限制包括限制开始的时间。
29.根据权利要求27所述的网络实体，其中，所述多个连接限制包括限制开始的位置。
30.根据权利要求27所述的网络实体，其中，所述多个连接限制包括受限制服务的类型。
31.根据权利要求27所述的网络实体，其中，所述多个连接限制包括受限用户和针对这些用户的网络动作。
32.根据权利要求27所述的网络实体，其中，所述多个连接限制包括限制终端的准则。
33.根据权利要求25所述的网络实体，其中，所述神经网络的所述输出层的输出包括指示未来时间和位置的多个预测的网络状况指示符。
34.根据权利要求33所述的网络实体，其中，所述多个预测的网络状况指示符包括预测的可用资源。
35.根据权利要求33所述的网络实体，其中，所述多个预测的网络状况指示符包括预测的用户数目。
36.根据权利要求33所述的网络实体，其中，所述多个预测的网络状况指示符包括预测的服务用量。
37.根据权利要求33所述的网络实体，其中，所述多个预测的网络状况指示符包括预测的流量负载。
38.根据权利要求33所述的网络实体，其中，所述多个预测的网络状况指示符包括预测的干扰。
39.根据权利要求33所述的网络实体，其中，所述多个预测的网络状况指示符包括预测的基站的功率余量。
40.根据权利要求33所述的网络实体，其中，所述多个预测的网络状况指示符包括预测的基带处理负载。
41.根据权利要求33所述的网络实体，其中，所述多个预测的网络状况指示符包括预测的回传和/或前传带宽的用量。
42.根据权利要求25所述的网络实体，其中，所述神经网络的所述输出层的输出包括服务质量接纳控制规则。
43.根据权利要求25所述的网络实体，其中，所述输入层的输入包括多个高级别情况。
44.根据权利要求43所述的网络实体，其中，所述多个高级别情况包括正常情况策略和/或特定情况策略。
45.根据权利要求43所述的网络实体，其中，所述多个高级别情况包括关于移动电信服务的政府法规。
46.根据权利要求25所述的网络实体，其中，所述输入层的输入包括多个运营商规则。
47.根据权利要求46所述的网络实体，其中，所述多个运营商规则包括预定人员的优先级和/或具有预定价格的高端服务的优先级。
48.根据权利要求46所述的网络实体，其中，所述多个运营商规则包括用于特定服务和/或应用的统一费率。
49.根据权利要求46所述的网络实体，其中，所述多个运营商规则包括用于新终端启动和/或服务启动的促销活动。
50.根据权利要求25所述的网络实体，其中，所述输入层的输入包括多个物理网络参数。
51.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括历史物理网络参数和当前物理网络参数。
52.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括用户的数目。
53.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括每个用户的流量。
54.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括溢出呼叫。
55.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括服务和请求的类型。
56.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括所需的服务质量。
57.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括服务质量和用户体验质量之间的关系。
58.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括基站的功率余量。
59.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括干扰。
60.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括基带处理负载和/或信道容量。
61.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括回传和/或前传带宽的用量。
62.根据权利要求50所述的网络实体，其中，所述多个物理网络参数包括与物理资源用量有关的网络关键性能指示符。
63.根据权利要求26所述的网络实体，其中，所述损失函数基于所需的服务质量与所提供的服务质量之间的差值和/或所需的体验质量与所提供的体验质量之间的差值。
64.根据权利要求26所述的网络实体，其中，所述损失函数基于要求的流量和承载的流量之间的差值。
65.根据权利要求26所述的网络实体，其中，所述损失函数基于估计的网络资源与当前网络资源之间的差值。
66.根据权利要求26所述的网络实体，其中，所述损失函数基于预期收益和当前收益之间的差值。
67.根据权利要求26所述的网络实体，其中，在意外结果和/或在结果违背预定偏好的情况下，所述输出层的输出被预定接纳控制规则覆盖。
68.根据权利要求26所述的网络实体，其中，所述中间层的权重基于历史训练数据来训练。
69.根据权利要求68所述的网络实体，其中，所述中间层的权重在离线期间和/或在操作期间训练。
70.根据权利要求68所述的网络实体，其中，所述中间层的权重在基站内和/或外部服务器内训练，用于网络操作和维护。
71.根据权利要求68所述的网络实体，其中，历史数据被预处理。
72.根据权利要求25所述的网络实体，其中，所述中间层的权重被训练用于评估用户体验质量，并且其中，基于作为用户体验训练数据的输出的与到所述移动电信系统的连接质量评级相对应的用户输入值，来训练所述权重。
73.根据权利要求72所述的网络实体，其中，所述用户体验训练数据的输入包括连接建立成功率。
74.根据权利要求72所述的网络实体，其中，所述用户体验训练数据的输入包括切换成功率。
75.根据权利要求72所述的网络实体，其中，所述用户体验训练数据的输入包括连接成本。
76.根据权利要求72所述的网络实体，其中，所述用户体验训练数据的输入包括连接可靠性。
77.根据权利要求72所述的网络实体，其中，所述用户体验训练数据的输入包括连接吞吐量。
78.根据权利要求72所述的网络实体，其中，所述用户体验训练数据的输入包括连接延迟。
79.一种用于移动电信系统的用户设备，所述用户设备包括被配置成响应于到所述移动电信系统的连接请求而接收无线电资源控制消息的电路，所述连接请求包括基于机器学习算法的输出的接纳许可条件。
80.根据权利要求79所述的用户设备，其中，所述接纳许可条件包含计时器，所述计时器指示到所述移动电信系统的所述连接请求将在何时被接受的时间。
81.根据权利要求79所述的用户设备，其中，所述电路还被配置成发送与到所述移动电信系统的连接质量的评级对应的用户输入值。
82.一种用于对到移动电信系统的接收到的连接请求执行接纳控制的方法，所述方法包括：
基于多个接纳控制层执行所述接纳控制。
83.一种用于对到移动电信系统的接收到的连接请求执行接纳控制的方法，所述方法包括：
基于为多个接纳控制层生成的机器学习算法的输出，来执行所述接纳控制。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19219023.9 | 2019-12-20 | ||
| EP19219023 | 2019-12-20 | ||
| PCT/EP2020/086402 WO2021122732A1 (en) | 2019-12-20 | 2020-12-16 | Network entity, user equipment and method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114788330A true CN114788330A (zh) | 2022-07-22 |
Family
ID=69005418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080086421.4A Pending CN114788330A (zh) | 2019-12-20 | 2020-12-16 | 网络实体、用户设备和方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20220400521A1 (zh) |
| EP (1) | EP4079029A1 (zh) |
| KR (1) | KR20220117215A (zh) |
| CN (1) | CN114788330A (zh) |
| WO (1) | WO2021122732A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114302505B (zh) * | 2021-12-30 | 2023-05-19 | 中国联合网络通信集团有限公司 | 会话连接方法及网络功能实体设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040053622A1 (en) * | 2002-07-10 | 2004-03-18 | Kabushiki Kaisha Toshiba | Wireless communication scheme with communication quality guarantee and copyright protection |
| CN101416449A (zh) * | 2006-04-06 | 2009-04-22 | 艾利森电话股份有限公司 | 涉及接入处理的系统、设备和方法 |
| US20170118795A1 (en) * | 2014-07-11 | 2017-04-27 | Nec Corporation | Communication system, control node, base station and method for congestion control on a backhaul link |
| CN108605032A (zh) * | 2015-06-01 | 2018-09-28 | 华为技术有限公司 | 用于针对无线通信网络进行客户服务管理的方法和设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10548063B1 (en) * | 2015-11-24 | 2020-01-28 | Sprint Spectrum L.P. | Call admission control for relay access nodes |
| US10271376B2 (en) * | 2016-09-29 | 2019-04-23 | Intel IP Corporation | Optimized transmission for priority data on a radio access technology network |
| WO2020032638A1 (en) * | 2018-08-09 | 2020-02-13 | Lg Electronics Inc. | Method for performing access control and device supporting the same |
-
2020
- 2020-12-16 EP EP20824249.5A patent/EP4079029A1/en active Pending
- 2020-12-16 US US17/777,285 patent/US20220400521A1/en active Pending
- 2020-12-16 CN CN202080086421.4A patent/CN114788330A/zh active Pending
- 2020-12-16 KR KR1020227018858A patent/KR20220117215A/ko unknown
- 2020-12-16 WO PCT/EP2020/086402 patent/WO2021122732A1/en unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040053622A1 (en) * | 2002-07-10 | 2004-03-18 | Kabushiki Kaisha Toshiba | Wireless communication scheme with communication quality guarantee and copyright protection |
| CN101416449A (zh) * | 2006-04-06 | 2009-04-22 | 艾利森电话股份有限公司 | 涉及接入处理的系统、设备和方法 |
| US20170118795A1 (en) * | 2014-07-11 | 2017-04-27 | Nec Corporation | Communication system, control node, base station and method for congestion control on a backhaul link |
| CN108605032A (zh) * | 2015-06-01 | 2018-09-28 | 华为技术有限公司 | 用于针对无线通信网络进行客户服务管理的方法和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021122732A1 (en) | 2021-06-24 |
| KR20220117215A (ko) | 2022-08-23 |
| EP4079029A1 (en) | 2022-10-26 |
| US20220400521A1 (en) | 2022-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11076451B2 (en) | Automated network design and traffic steering | |
| US10827501B2 (en) | Techniques for providing proximity services (ProSe) priority-related information to a base station in a wireless network | |
| US9872308B2 (en) | Communication system | |
| US11343660B2 (en) | Mobile edge computing applications management for wireless networks | |
| US11558924B2 (en) | Method and apparatus for selectively releasing user equipment devices to efficiently operate an enterprise wireless communication network | |
| US11026133B2 (en) | Flexible quality of service for inter-base station handovers within wireless network | |
| US10091785B2 (en) | System and method for managing wireless frequency usage | |
| WO2016091298A1 (en) | Updating flow-specific qos policies based on information reported from base station | |
| EP3962171A1 (en) | User equipment centric wide area optimization method and system thereof | |
| Zhang et al. | M2M communication performance for a noisy channel based on latency-aware source-based LTE network measurements | |
| US20230062393A1 (en) | Radio Access Network Congestion Response | |
| Jafari et al. | A location aware history-based approach for network selection in heterogeneous wireless networks | |
| US20240236713A9 (en) | Signalling support for split ml-assistance between next generation random access networks and user equipment | |
| US11954177B2 (en) | System and method for online constraint optimization in telecommunications networks | |
| Aguilar-Garcia et al. | Load balancing mechanisms for indoor temporarily overloaded heterogeneous femtocell networks | |
| CN114788330A (zh) | 网络实体、用户设备和方法 | |
| Lee et al. | CASTLE over the air: Distributed scheduling for cellular data transmissions | |
| US20230121268A1 (en) | System and method for adaptively and dynamically scaling wireless communication enterprise network infrastructure | |
| US20240211768A1 (en) | Signaling of training policies | |
| Zeydan et al. | Performance comparison of QoS deployment strategies for cellular network services | |
| Choudhary et al. | Performance Modeling of Call Admission Control Policy and Handover Management in 5G Ultra-dense Cellular Network | |
| US20240196391A1 (en) | Systems and methods for access network control channels based on network slice requirements | |
| MAMADOU et al. | MCDM-based RAT Selection method between LTE-D2D and IEEE 802.11 | |
| Hasan et al. | Joint call admission control and load-balancing in ultra-dense cellular networks: a proactive approach | |
| JP2016225682A (ja) | 中継装置、通信システム、通信制御方法および通信制御プログラム |
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 |