CN115021883A

CN115021883A - 无线蜂窝系统中应用联邦学习的信令机制

Info

Publication number: CN115021883A
Application number: CN202210818222.9A
Authority: CN
Inventors: 韩丽华
Original assignee: Beijing Wuzi University
Current assignee: Beijing Wuzi University
Priority date: 2022-07-13
Filing date: 2022-07-13
Publication date: 2022-09-06
Anticipated expiration: 2042-07-13
Also published as: CN115021883B

Abstract

本申请公开了一种无线蜂窝系统中应用联邦学习的信令机制，信令机制包括：一个无线节点向另外一个无线节点发送基于联邦学习的人工智能模型信息，该信息至少包括无线应用案例、联邦学习类型、人工智能模型结构、特征参数、处理时延要求、联邦学习的时间信息、参与联邦学习的方式、人工智能模型传输的性能参数；另外一个无线节点向此无线节点应答是否加入联邦学习以及发送相关的确认信息。

Description

无线蜂窝系统中应用联邦学习的信令机制

技术领域

本发明涉及数据处理技术，更具体的说，是涉及无线蜂窝系统中应用联邦学习的信令处理方法和装置。

背景技术

人工智能技术可以应用于无线蜂窝系统中，帮助解决无线通信的系列问题，例如无线调度、切换优化等。但是受限于数据隐私保护、采集数据量不足等因素，人工智能模型的部署和性能受到很大制约。基于这样的背景，可以将基于联邦学习的人工智能技术引入到无线通信中来，帮助解决数据隐私、数据量受限等问题。

联邦学习分为横向联邦和纵向联邦。横向联邦学习也称为特征对齐的联邦学习，横向联邦学习参与者的数据特征是对齐的。纵向联邦学习，适用于参与者训练样本ID重叠较多，而数据特征重叠较少的情况。

目前，将基于联邦学习的人工智能技术引入到无线蜂窝系统的研究刚刚开始，无线节点之间的信令机制也没有相关标准，尚无相关公开的技术资料。

发明内容

有鉴于此，本发明提供如下技术方案。

1．一种无线蜂窝系统中的信令机制，应用于无线节点之间的联邦学习，其特征在于，包括：

一个无线节点向另外一个无线节点发送基于联邦学习的人工智能模型信息，该信息至少包括无线应用案例、联邦学习类型、人工智能模型结构、特征参数、处理时延要求、联邦学习的时间信息、参与联邦学习的方式、人工智能模型传输的性能参数；

另外一个无线节点向此无线节点应答是否加入联邦学习以及发送相关的确认信息。

2．根据权利要求1所述的一种无线蜂窝系统中的信令机制，其特征在于，所述无线应用案例，至少包括一个或者多个以下配置参数：

无线资源优化、用户行为检测、网络节能、负载均衡、用户移动性优化、用户体验优化。

3．根据权利要求1所述的一种无线蜂窝系统中的信令机制，其特征在于，所述联邦学习的时间信息，至少包括：

人工智能模型局部优化完成时间；

向中心节点发送完成局部优化的人工智能模型的时间；

中心节点完成人工智能模型全局优化的时间；

中心节点将全局优化的人工智能模型发送给本地节点的时间。

4．根据权利要求1所述的一种无线蜂窝系统中的信令机制，其特征在于，所述参与联邦学习的方式，至少包括：

同时参与人工智能模型的局部优化和全局优化；

仅参与全局优化。

5．根据权利要求1所述的一种无线蜂窝系统中的信令机制，其特征在于，所述人工智能模型传输的性能参数，至少包括：

可靠性；

吞吐量。

6．根据权利要求1所述的一种无线蜂窝系统中的信令机制，其特征在于，所述相关的确认信息，至少包括：

确认加入某无线应用案例的联邦学习；

不加入某无线应用案例的联邦学习以及原因描述。

7．根据权利要求6所述的一种无线蜂窝系统中的信令机制，其特征在于，所述原因描述，至少包括：

人工智能模型结构不匹配；

特征参数不匹配；

处理时延不满足要求；

不满足联邦学习的时间要求。

8．一种无线蜂窝系统中的人工智能模型处理装置，应用于无线节点之间的联邦学习处理单元，其特征在于，包括：

经由上述的技术方案可知，与现有技术相比，本发明实施例公开了一种无线蜂窝系统中应用联邦学习的信令机制，信令机制包括：一个无线节点向另外一个无线节点发送基于联邦学习的人工智能模型信息，该信息至少包括无线应用案例、联邦学习类型、人工智能模型结构、特征参数、处理时延要求、联邦学习的时间信息、参与联邦学习的方式、人工智能模型传输的性能参数；另外一个无线节点向此无线节点应答是否加入联邦学习以及发送相关的确认信息。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。

图1 为本发明实施例公开的一种无线蜂窝系统中应用联邦学习的信令流程的示意图；

图2 为本发明实施例公开的无线蜂窝系统中应用联邦学习的示意图；

图3 为本发明实施例公开的无线节点处理联邦学习信令的功能示意图。

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。

图1 为本发明实施例公开的一种无线蜂窝系统中应用联邦学习的信令流程的示意图，图1所示方法应用于无线蜂窝系统中无线节点的人工智能控制单元。参见图1所示，该方法可以包括。

步骤101：一个无线节点向另外一个无线节点发送基于联邦学习的人工智能模型信息。

其中人工智能模型信息至少包括无线应用案例、联邦学习类型、人工智能模型结构、特征参数、处理时延要求、联邦学习的时间信息、参与联邦学习的方式、人工智能模型传输的性能参数。

无线应用案例包括无线资源优化、用户行为检测、网络节能、负载均衡、用户移动性优化、用户体验优化等。其中无线资源优化主要用于无线资源的优化调度；用户行为检测指的是利用人工智能进行用户异常行为判断；网络节能指的是利用人工智能进行无线参数的优化，提高能耗效率；负载均衡指的是利用人工智能技术进行用户的小区切换；用户移动性优化指的是利用人工智能技术进行用户移动性的判断，进行切换机制的优化；用户体验优化指的是利用人工智能技术进行用户体验评估，如果发现体验恶化则优化无线参数。

联邦学习类型至少包括横向联邦和纵向联邦两种。

人工智能模型结构包括人工智能模型的类型和人工智能模型的结构信息。其中人工智能模型类型指的是例如线性回归、逻辑回归、决策树、神经网络等人工智能模型。对于每一种人工智能模型，人工智能模型的结构信息包含其具体结构参数，例如针对线性回归，规定其自变量和相关系数；针对神经网络，规定其包含多少层、每层包含的神经元、激活函数。

特征参数指人工模型训练或者推理需要的输入特征，例如用户的无线接收质量、时延、可靠性或者小区的掉话率、切换成功率等。

处理时延要求是指完成整个联邦学习的最长处理时间。

联邦学习的时间信息包含人工智能模型局部优化完成时间，向中心节点发送完成局部优化的人工智能模型的时间，中心节点完成人工智能模型全局优化的时间，中心节点将全局优化的人工智能模型发送给本地节点的时间。

中心节点一般为发起联邦学习的节点，本地节点为接收联邦学习信令的节点。局部优化指的是人工智能模型在本地节点进行训练，然后发送给中心节点进行模型的全局优化。中心节点优化完模型后，将模型发送给本地节点，进行相关的推理应用。

参与联邦学习的方式有两种，一种是参与人工智能模型的局部优化和全局优化，另一种是仅参与全局优化。前者为本地节点参与联邦学习的全部环节，后者为本地节点不参与模型的局部优化，仅仅参与模型的全局部署（中心节点将全局模型优化完后，将此模型部署到本地节点中）。

人工智能模型传输的性能参数包括可靠性和吞吐量，用于保障人工模型的传输。可靠性一般为80%-100%，吞吐量为1Mbps-10Gbps。

依据上述说明，具体的信令格式示例为：

联邦学习请求信令

{

信令ID;

发送信令的节点的ID；

无线应用案例；

联邦学习类型；

人工智能模型结构；

特征参数；

处理时延要求；

联邦学习的时间信息；

参与联邦学习的方式；

人工智能模型传输的性能参数；

}。

步骤102：另外一个无线节点向此无线节点应答是否加入联邦学习以及发送相关的确认信息；

一个节点可能会向另一个节点请求多个无线应用案例的联邦学习，例如用户行为检测和网络节能。被请求节点应该基于每一个无线应用案例进行应答。如果应答为不加入联邦学习，需要针对此无线应用案例描述原因，例如人工智能模型结构不匹配，特征参数不匹配，处理时延不满足要求，不满足联邦学习的时间要求等。

联邦学习应答信令

{

信令ID;

应答节点的ID；

同意进行联邦学习的无线应用案例ID列表；

{

不同意进行联邦学习的无线应用案例ID1；

原因描述；

不同意进行联邦学习的无线应用案例ID2；

原因描述；

//循环

}；

}。

步骤103：基于中心节点和本地节点协商的联邦学习信息优化人工智能模型；

根据协商结果，中心节点选择同意参联邦学习的本地节点参与本地优化，然后中心节点再进行全局优化。

步骤104：基于优化后的人工智能模型进行推理；

基于全局优化完后的模型进行数据采集，特征处理，推理应用。

本实施例所述的基于联邦学习的人工智能信令处理机制，基于无线应用案例进行优化，所涉及的信令流程短，可以很好地平衡信令开销、人工智能模型优化、无线性能等多个维度的因素。

图2为本发明实施例公开的应用于联邦学习的人工智能信令流程实施例，其中无线节点A为中心节点和联邦学习的请求方，无线节点B为本地节点和联邦学习的应答方。具体流程与图1类似。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置实现，因此本发明还公开了一种装置，下面给出具体的实施例进行详细说明。

图3为本发明实施例公开的无线节点的人工智能控制单元的实施例。其中信令处理模块301为联邦学习信令的生成模块，信令发送模块302为联邦学习信令的发送模块，按照不同接口或者不同物理介质进行传输消息的转换（例如转化为3GPP定义的X2/Xn/NG/S1接口消息或者O-RAN定义的E2/O1接口消息）；信令接收模块303为联邦学习信令的接收模块，按照不同接口或者不同物理介质进行接收消息的转换（例如按照3GPP定义的X2/Xn/NG/S1接口消息或者O-RAN定义的E2/O1接口消息进行消息的解析）；人工智能模型应用模块304为基于全局优化的模型，进行推理的模块。

本实施例所述无线蜂窝系统中应用联邦学习的处理方法和装置，方法包括：一个无线节点向另外一个无线节点发送基于联邦学习的人工智能模型信息，该信息至少包括无线应用案例、联邦学习类型、人工智能模型结构、特征参数、处理时延要求、联邦学习的时间信息、参与联邦学习的方式、人工智能模型传输的性能参数；另外一个无线节点向此无线节点应答是否加入联邦学习以及发送相关的确认信息。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种无线蜂窝系统中的信令机制，应用于无线节点之间的联邦学习，其特征在于，包括：

2.根据权利要求1所述的一种无线蜂窝系统中的信令机制，其特征在于，所述无线应用案例，至少包括一个或者多个以下配置参数：

3.根据权利要求1所述的一种无线蜂窝系统中的信令机制，其特征在于，所述联邦学习的时间信息，至少包括：