CN115589609A - 用于无线通信系统的电子设备、方法和存储介质 - Google Patents
用于无线通信系统的电子设备、方法和存储介质 Download PDFInfo
- Publication number
- CN115589609A CN115589609A CN202110756858.0A CN202110756858A CN115589609A CN 115589609 A CN115589609 A CN 115589609A CN 202110756858 A CN202110756858 A CN 202110756858A CN 115589609 A CN115589609 A CN 115589609A
- Authority
- CN
- China
- Prior art keywords
- user equipment
- information
- base station
- uplink resource
- local model
- 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
- 230000006854 communication Effects 0.000 title claims abstract description 136
- 238000004891 communication Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims description 34
- 238000010801 machine learning Methods 0.000 abstract description 52
- 230000005540 biological transmission Effects 0.000 description 45
- 238000010586 diagram Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 31
- 230000014509 gene expression Effects 0.000 description 31
- 230000008569 process Effects 0.000 description 21
- 238000013468 resource allocation Methods 0.000 description 16
- 238000005457 optimization Methods 0.000 description 13
- 230000011664 signaling Effects 0.000 description 12
- 230000006835 compression Effects 0.000 description 11
- 238000007906 compression Methods 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 230000010267 cellular communication Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000006837 decompression Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/51—Allocation or scheduling criteria for wireless resources based on terminal or device properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开内容涉及用于无线通信系统的电子设备、方法和存储介质。描述了关于在无线通信系统中利用分布式机器学习的各种实施例。在一个实施例中,向控制实体发送用户设备在本地模型的当前训练期间使用的训练样本的数量信息;接收用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由控制实体基于从多个用户设备接收到的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及经由所述上行资源信息指示的上行资源,向控制实体上传本地模型的参数,以供控制实体得到下一个全局模型。
Description
技术领域
本公开涉及无线通信领域,更具体地,涉及在利用分布式机器学习时采用的技术,还涉及用于数据传输的技术。
背景技术
随着无线网络和人工智能的发展,网络逐渐趋于智能化。无论是目前如火如荼发展的5G技术,还是未来新一代的无线网络技术,无线网络智能化将是其发展的重要方向之一。具体地,联邦学习(Federated Learning,FL)由于其在保证数据隐私安全性和合法合规性方面具有独特的优势,并且可以通过多个设备共同建模提升机器学习模型的效果,已经成为当前非常重要的分布式人工智能框架或分布式机器学习框架,其与无线网络的结合将是未来无线网络智能化应用的主要内容之一。因此,如何将FL与无线网络技术进行有效的联合设计,将会对未来的人工智能应用产生重要影响。
由于FL的应用的特点,FL对无线网络的QoS提出了更高的要求。例如,FL的数据业务具有时延敏感特征,使得针对FL产生的数据业务需要采用超可靠低时延通信(Ultra-Reliable Low-Latency Communications,URLLC)场景来传输。具体地,FL中的本地模型和全局模型的参数的传输需要URLLC的支持。然而,同时向大量用户设备提供URLLC的数据传输服务会对无线网络造成巨大压力,也很大程度上增加了通信成本。因此,为了使无线网络能够满足联邦学习中模型参数传输的服务需求,需要对当前的无线网络标准进行相应的补充,以使得FL能够在无线网络中成功运行。更可取的是,使FL能够以低成本和高效率的方式在无线网络中运行,避免FL应用对无线网络造成过多的压力,并使得训练出的全局模型的误差能够最小化。
由于无线网络中资源的有限性,可能不足以使参与诸如FL之类的分布式机器学习的所有用户设备都能够上传本地模型的参数。由于本地模型参数的缺失,聚合得到的全局模型的误差可能较大,使得分布式机器学习的效果难以令人满意。
因此,希望能够提供一种方式,使得在无线网络中应用分布式机器学习时全局模型的误差能够减小。
另一方面,5G通信由于其卓越的数据传输性能,正受到越来越多的关注和研究。作为5G通信的核心应用场景之一的URLLC对可靠性和时延性有着极为严格的性能要求。具体而言,URLLC要求达到99.999%的可靠性和1ms的时延。此外,伴随着无线网络的换代升级,许多新型应用应运而生,这些应用对时延性和可靠性的要求可能更加严格。例如,工厂自动化(Factory automation)要求可靠性高于7个9(99.99999%),时延短于1ms。下一代无线通信(B5G或6G)对时延性和可靠性的要求只会更高更严格,预计可靠性会高达9个9,时延性会低于0.1ms。
针对诸如URLLC之类的对时延性和可靠性有较高要求的通信,存在如下问题。一是,尽管目前开发使用的诸如短数据包传输、免授权传输、短时间间隔传输、以及时间、频率和空间分集之类的大量技术有助于提升可靠性和缩短时延,但是,如果信道状态急剧变化等异常情况出现,那么目前存在的技术往往需要通过消耗大量的资源来应对这些异常情况,缺少对无线传输环境的适应性,并缺乏调度的灵活性。二是,现行网络为了实现诸如URLLC之类的低时延高可靠性通信,需要消耗大量的资源做信道的探测和估计,使得开销较大,并且在异常情况下难以提供更为准确的信道信息。三是,由于无线信道的实时变化,基站进行调度所参考的信道采样信息可能已经过时而失真,完全或部分失去了对系统的调度价值,难以保证传输信息的及时和有效。
因此,希望能够提供一种方式,使得基站能够灵活地根据当前的信道状态在更合适的资源上发送下行数据,由此提高下行数据的传输性能。
发明内容
本公开的一个方面涉及用于无线通信系统中的用户设备侧的电子设备。根据一个实施例,该电子设备可以包括处理电路系统。该处理电路系统可以被配置为向控制实体发送用户设备在本地模型的当前训练期间使用的训练样本的数量信息;接收用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由控制实体基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及经由所述上行资源信息指示的上行资源,向控制实体上传本地模型的参数,以供控制实体得到下一个全局模型。
本公开的一个方面涉及用于无线通信系统中的网络设备侧的电子设备。根据一个实施例,该电子设备包括处理电路系统。该处理电路系统可以被配置为接收来自用户设备的用户设备在本地模型的当前训练期间使用的训练样本的数量信息;发送用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由所述处理电路系统基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及接收用户设备经由所述上行资源信息指示的上行资源上传的本地模型的参数,以得到下一个全局模型。
本公开的另一个方面涉及在无线通信系统中使用的方法。在一个实施例中,该方法可以包括向控制实体发送用户设备在本地模型的当前训练期间使用的训练样本的数量信息;接收用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由控制实体基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及经由所述上行资源信息指示的上行资源,向控制实体上传本地模型的参数,以供控制实体得到下一个全局模型。
本公开的另一个方面涉及在无线通信系统中使用的方法。在一个实施例中,该方法可以包括接收来自用户设备的用户设备在本地模型的当前训练期间使用的训练样本的数量信息;发送用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及接收用户设备经由所述上行资源信息指示的上行资源上传的本地模型的参数,以得到下一个全局模型。
本公开的再一个方面涉及存储有一个或多个指令的计算机可读存储介质。在一些实施例中,该一个或多个指令可以在由电子设备的一个或多个处理器执行时,使电子设备执行根据本公开的各种实施例的方法。
本公开的再一个方面涉及各种装置,包括用于执行根据本公开实施例的各方法的操作的部件或单元。
提供上述概述是为了总结一些示例性的实施例,以提供对本文所描述的主题的各方面的基本理解。因此,上述特征仅仅是例子并且不应该被解释为以任何方式缩小本文所描述的主题的范围或精神。本文所描述的主题的其他特征、方面和优点将从以下结合附图描述的具体实施方式而变得明晰。
附图说明
当结合附图考虑实施例的以下具体描述时,可以获得对本公开内容更好的理解。在各附图中使用了相同或相似的附图标记来表示相同或者相似的部件。各附图连同下面的具体描述一起包含在本说明书中并形成说明书的一部分,用来例示说明本公开的实施例和解释本公开的原理和优点。其中:
图1是根据本公开实施例的在无线网络中使用分布式机器学习的场景的示意图。
图2是根据本公开实施例的在无线网络中使用分布式机器学习的体系架构的示意图。
图3是根据本公开实施例的在无线网络中应用分布式机器学习时使用的方法的流程图。
图4是根据本公开实施例的分布式机器学习的每次迭代的过程示图,其中还示出了作为控制实体的基站可以临时占用的eMBB资源。
图5是根据本公开实施例的控制实体和用户设备之间的交互过程的示图。
图6是根据本公开实施例的分布式机器学习的模型参数传输可以采用的5QI值的示图。
图7是根据本公开实施例的基站向用户设备发送数据的系统架构的示意图。
图8是根据本公开实施例的用于数据传输的方法的流程图。
图9是根据本公开实施例的训练机器学习模型的示意图。
图10是根据本公开实施例的在第一预测模式下训练机器学习模型的示意图。
图11A是根据本公开实施例的传输所预测的信道增益的架构的示意图。
图11B是根据本公开实施例的使用图11A中的架构来传输所预测的信道增益的时序图。
图12A是根据本公开实施例的基站向用户设备发送数据的通信过程的流程图。
图12B是根据本公开实施例的用户设备从基站接收数据的通信过程的流程图。
图13是根据本公开实施例的与图12A和12B所示的通信过程对应的时序图。
图14A是根据本公开实施例的基站向用户设备发送数据的另一通信过程的流程图。
图14B是根据本公开实施例的用户设备从基站接收数据的另一通信过程的流程图。
图15是根据本公开实施例的与图14A和14B所示的通信过程对应的时序图。
图16是根据本公开实施例的采用图8所示的方法进行仿真得到的曲线图。
图17是作为本公开的实施例中可采用的信息处理设备的个人计算机的示例结构的框图。
图18是示出可以应用本公开的技术的gNB的示意性配置的第一示例的框图。
图19是示出可以应用本公开的技术的gNB的示意性配置的第二示例的框图。
图20是示出可以应用本公开的技术的智能电话的示意性配置的示例的框图。
图21是示出可以应用本公开的技术的汽车导航设备的示意性配置的示例的框图。
虽然在本公开内容中所描述的实施例可能易于有各种修改和另选形式,但是其具体实施例在附图中作为例子示出并且在本文中被详细描述。但是,应当理解,附图以及对其的详细描述不是要将实施例限定到所公开的特定形式,而是相反,目的是要涵盖属于权利要求的精神和范围内的所有修改、等同和另选方案。
具体实施方式
以下描述根据本公开的设备和方法等各方面的代表性应用。这些例子的描述仅是为了增加上下文并帮助理解所描述的实施例。因此,对本领域技术人员而言明晰的是,以下所描述的实施例可以在没有具体细节当中的一些或全部的情况下被实施。在其他情况下,众所周知的过程步骤没有详细描述,以避免不必要地模糊所描述的实施例。其他应用也是可能的,本公开的方案并不限制于这些示例。
首先参考图1,描述根据本公开实施例的在无线网络100中使用分布式机器学习的场景的示意图。
如图1所示,无线网络100包括多个用户设备(UE)120-1至120-n 以及基站(BS)110。无线网络100可以是诸如LTE(长期演进)、LTE- A、NR(新无线电)之类的现有网络,也可以是未来出现的新的无线网络。基站110与核心网相连,它可以是诸如节点B、eNodeB、HeNB之类的各种5G基站,也可以是向用户设备提供无线接入服务的其它接入设备。用户设备120-1至120-n中的每一个可以是诸如移动电话、智能手机、平板电脑、膝上型电脑、笔记本电脑、数字电视、服务器之类的各种终端设备。用户通过使用用户设备可以接收广泛的网络服务。在图 1的示例中,仅示出了3个用户设备120-1、120-2和120-3,但是本领域技术人员可以理解,与一个基站通信的用户设备的数量可以更多或更少。为了描述的简便,当不需要区分不同的用户设备时,下文将用户设备称为用户设备120。
由于分布式机器学习在无线网络100中的使用,用户设备120-1至 120-3共同构成一个分布式机器学习组。在组内的每个用户设备120处可以具有一个本地模型。在基站110处可以具有一个全局模型。用户设备 120通过收集它本地的数据,可以对它的本地模型进行训练,从而得到本地模型的参数。例如,用户设备120-1通过收集它本地的数据,可以得到用于训练的数据样本用户设备120-2的本地模型的训练数据为用户设备120-2收集的数据样本用户设备 120-3的本地模型的训练数据为用户设备120-3收集的数据样本这些数据样本可以由各用户设备根据历史处理信息和/ 或存储信息得到,也可以由管理人员输入到用户设备中。
通过将这些数据样本输入各用户设备中的用于训练模型的现有程序 (例如Pycharm),可以拟合出模型的参数。这样的模型可以是各种机器学习模型或人工智能(AI)模型,它能够根据用户的需求由现有的各种神经网络等构成。更广泛地讲,任何能够由参数表征的数学模型都可以作为本地模型和全局模型。在本公开实施例采用的分布式机器学习中,相统一的本地模型和全局模型的具体构成和能够实现的功能没有特别限制。
用户设备120可以将当前迭代中训练好的本地模型上传到基站110。本地模型的上传是指本地模型的参数的上传(在下文中,模型上传和模型参数上传具有相同的含义),例如模型各层节点具有的参数等的上传。用户设备可以采用URLLC业务资源来上传模型参数,以满足对时延和可靠性的需求。基站110根据各用户设备上传的模型参数,可以聚合得到全局模型,并可以将全局模型的参数下载到各个用户设备,例如通过 URLLC业务资源来传输。此外,用户设备还可能与基站进行其它数据业务的传输,例如,用户设备可能通过增强移动宽带(eMBB)业务资源与基站进行大文件传输。
在无线网络100中使用的分布式机器学习可以是联邦学习。本领域技术人员可以想到,各种机器学习除了在设备本地以集中式的方式实现之外,还可以采用分布式的方式由多个节点共同完成,因此在无线网络中以分布式的方式进行机器学习的场景都可以应用本公开的实施例,本公开实施例对分布式机器学习的具体类型不做特别限制,只要用户设备能够向基站上传本地模型的参数,基站能够向用户设备下发全局模型的参数即可。为了描述的简便,下文以联邦学习(FL)作为分布式机器学习的例子来描述本公开的技术方案。本领域技术人员可以理解,当应用其它分布式机器学习时,本公开实施例仍然适用。
当在无线网络100中应用联邦学习时,各通信实体之间的交互可以具体分为如下V1-V4四种类型,如图2中所示。要注意的是,在图2中,除了包括用户设备UE A、UE B和UE C以及基站之外,还包括作为功能实体的联邦学习控制器(FLCF)。FLCF接收来自各用户设备的本地模型的参数以聚合得到全局模型,并将全局模型的参数经由基站发送给各用户设备。此外,FLCF还从基站接收来自用户设备的状态信息和可以使用的无线资源信息,以对于不同的用户设备确定如何向其分配用于模型上传的上行资源。FLCF所处的位置决定了联邦学习中的控制实体是谁。例如,FLCF可以位于基站内,也可以位于能够与基站通信的单独的服务器内,还可以位于能够与基站通信的核心网中的网元内,相应的控制实体分别为基站、服务器和核心网网元。在图1中,FLCF位于基站内,因此基站是联邦学习的控制实体。如果FLCF位于其它设备中,那么将图1中的基站替换为对应设备即可。
继续图2,UE A、UE B和UE C均包括FL应用,FLCF包括FL 应用服务器。UE A、UE B和UE C通过空口LTE-Uu与基站接口。UE A、UE B和UE C之间的V1表示用户端边缘信息的交互。FL应用和 FL应用服务器之间的V2表示联邦学习框架下模型的请求、分发、上传和下载。当FLCF不位于基站时,V2包含的过程的信息传输需要经由基站转发。UE A、UE B和UE C与基站之间的V2表示用户设备向基站发送用户设备的状态信息,例如用户设备训练本地模型使用的样本数量、用户设备距基站的距离等。基站和FLCF之间的V3表示基站向FLCF 提供在上行资源分配中所需的信息,包括例如在V2中接收到的状态信息、以及在本地模型上传阶段可以使用的无线资源(例如,专门用于模型上传的有限的给定上行资源和可以临时占用的上行资源)。V3还可以表示FLCF向基站提供联邦学习的QoS要求(例如特定于联邦学习的参数传输的5QI值),并且向基站发送用于模型上传的上行资源分配指令,以使基站基于该上行资源分配指令为各用户设备分配相应的上行资源来进行模型上传。
由于无线资源的有限性,专用于联邦学习的无线资源可能无法使得所有本地模型都被上传,由此导致全局模型误差较大。本公开实施例考虑到不同用户设备处的本地模型可能对于全局模型具有不同的重要程度,因此设想如果能让更重要的本地模型优先上传,那么全局模型的误差可以被减小。基于此考虑,引入了上述的V2和V3。下面结合图3所示的方法300的流程图来具体说明V2和V3。通过方法300的执行,用于上传本地模型参数的上行资源能够被更合理地分配给不同的用户设备从而减小全局模型的误差。
在S310中,用户设备向控制实体发送用户设备在本地模型的当前训练期间使用的训练样本的数量信息。
在诸如联邦学习的分布式机器学习的框架下,需要通过多次迭代来持续更新本地模型的参数,以与当前的训练样本的实际情况等更加匹配,从而具有更高的准确性。在每一次迭代中,用户设备根据收集到的训练样本,对它的本地模型进行训练。在训练过程中,用户设备确定该训练总共使用的训练样本的数量,并将该数量通过消息(例如信令)反馈给控制实体。
训练样本的数量在一定程度上反映了用户设备本地模型的重要程度。用户设备训练本地模型时使用的训练样本的数量越多,代表该模型的参数能够反映更多数据的信息,从而具有更高的置信度,使得该模型预测的结果更加准确,从而该模型更加重要。
控制实体可以是图2中的FLCF所处的网络设备(例如基站、服务器和核心网网元),用于根据分布式机器学习组(例如联邦学习组)中的各用户设备处的本地模型参数得到全局模型,并将全局模型的参数下发给用户设备。控制实体还用于为组中的各用户设备确定用于模型上传的上行资源分配。
在S320中,用户设备接收用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由控制实体基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源。
位于同一个联邦学习组中的每个用户设备需要将在当前迭代中训练本地模型时使用的训练样本的数量信息提供给控制实体。控制实体根据每个用户设备使用的训练样本数量,可以确定数量的大小关系。由于使用训练样本数量越多的用户设备训练出的本地模型通常因为包含更多的数据信息而更准确(或者说更重要),因此控制实体可以为样本数量多的用户设备分配足以让它上传本地模型参数的上行资源,从而确保更重要的本地模型能够被上传。特别是在无线资源有限的情况下,优先保证更重要的本地模型能够被上传,对于减小全局模型误差具有重要的作用。具体的上行资源分配方式将在下文中描述。
控制实体分配上行资源之后,与所分配的上行资源有关的信息可以被通知给用户设备,以使用户设备可以在所分配的上行资源上发送模型参数。
在S330中,用户设备经由上行资源信息指示的上行资源,向控制实体上传本地模型的参数,以供控制实体得到下一个全局模型。
用户设备在分配给它的上行资源上向控制实体发送本地模型的参数。控制实体基于不同用户设备上传的参数,根据目前已有的技术(例如联邦学习中的聚合技术)可以得到全局模型。在得到全局模型之后,控制实体可以将全局模型的参数下发给用户设备,以使用户设备更新本地模型,并在下一次迭代中继续用新的训练数据对更新后的本地模型进行训练。
上行资源信息指示的上行资源可以是URLLC业务的上行资源。这样,能够保证参数的上传具有低时延和高可靠性,有助于全局模型误差的减小。然而,在无线系统中无线资源往往是有限的,使得专门用于模型上传的上行资源(例如URLLC资源)可能不足以使所有用户设备都能进行上传。在这样的情况下,可以考虑临时占用一些资源来用于模型的上传。例如,联邦学习组内的所有用户设备在模型上传阶段正在进行的非时延敏感型业务的上行资源可以被临时占用,例如eMBB业务的上行资源。此时,可被占用的上行资源被原有业务释放,并被分配给缺少上行资源的用户设备来上传模型参数,由此保证更多的模型参数能够被上传到控制实体进行聚合,从而进一步减小全局模型的误差。通过在上传阶段使用给定的有限个数的URLLC业务上行资源(其数量通常小于用户设备的数量),并且有可能使用随机的若干个可用于占用的eMBB 业务上行资源,使得可以更灵活地调度上行资源,满足模型上传的需要。
S310至S330根据图2中的RLCF所处位置的不同,牵涉到不同的设备。例如,在图2中的FLCF位于基站内的情况下,控制实体是基站。此时,S310和S330涉及用户设备和基站之间的通信,S320的上行资源信息直接由基站确定并发送给用户设备。再例如,在图2中的FLCF可以位于基站之外的网络设备(例如服务器或核心网网元)内的情况下,控制实体是服务器或核心网网元。此时,S310中由用户设备发送的数量信息和S330中由用户设备发送的模型参数需要经由基站转发给控制实体, S320中由用户设备接收的上行资源信息需要首先由控制实体发送给基站、再由基站转发给用户设备。控制实体发送给基站的上行资源信息和基站转发给用户设备的上行资源信息的具体形式可以不同,但是都指向相同的上行资源。由于两者都指向相同的上行资源,因此可以认为两者实质上是一样的。优选地,FLCF在基站内,从而基站是控制实体。这样,模型参数的交互时延可以更小并且更加稳定可靠。此外,优选地,在无线网络中使用的分布式机器学习是联邦学习。
根据上述技术方案,通过向控制实体(例如基站)发送训练本地模型所使用的训练样本数量信息,可以使控制实体根据不同用户设备上报的样本数量来确定不同用户设备处的本地模型的重要程度,使得利用更多训练样本从而更重要的本地模型更有机会上传给控制实体,使得全局模型的聚合能够基于更重要的本地模型,从而能够减小全局模型的误差。
根据本公开的实施例,用户设备除了向控制实体发送数量信息之外,还可以向控制实体发送它距基站的距离信息。该距离信息可以反映用户设备和基站之间的物理距离,例如信号传输的直线距离等。上传距离信息的原因是为了使控制实体在分配上行资源时,优先满足距离基站更近的用户设备,从而优化分布式机器学习组内的用户设备的能量消耗。
用户设备的运行需要消耗电池的电量,而电池容量是有限的。为了使得用户设备能够具有更长的续航时间,在联邦学习的过程中,可以为联邦学习组内的所有用户设备设置总的功率约束,以使个体用户设备传输模型参数消耗的总能量不至于过大。总的功率约束可以基于平均功率约束来确定。平均功率是指所有参与联邦学习的用户设备的数据发送功率的平均值,这可以由基站通过从用户设备接收的信号强度来确定。功率约束可以被提供给控制实体,以使控制实体在分配上行资源时予以考虑。
当控制实体既知晓用户设备训练本地模型使用的样本数量、又知晓用户设备距基站的距离时,控制实体可以使样本数量越大并且距离越小的用户设备越有机会被分配足以上传本地模型的参数的上行资源。使用的训练样本数量越大,意味着对应的本地模型越重要。距基站的距离越小,意味着用户设备上传本地模型消耗的能量越小,从而能耗方面更有优势。这样,不仅越重要的本地模型可以被保证上传,而且越重要且上传消耗能量越小的本地模型可以被进一步优先保证上传。
图4示出了根据本公开实施例的分布式机器学习的每次迭代的过程示图,其中,除了专用于模型上传的上行资源外,可临时占用的资源在图4的示例中为eMBB上行资源。
如图4所示,第n次迭代和第n+1次迭代具有相同的迭代过程,但是每次迭代可以临时占用的eMBB资源不同。每次迭代包括三个阶段:阶段一是用户设备的本地模型训练阶段,阶段二是用户设备的状态信息上传阶段,阶段三是控制实体的资源分配、用户设备的本地模型上传和控制实体的全局模型下发阶段。在图4的示例中,控制实体是基站,分布式机器学习是联邦学习。
联邦学习组包括用户设备1、用户设备2至用户设备U,共U个用户设备。每个用户设备具有本地模型,它们根据用户设备在本地收集的训练样本在阶段一(例如,A1至A2、B1至B2)中进行训练。在阶段二(例如,A2至A3、B2至B3)中,每个用户设备i将它们各自的包括训练模型使用的样本数量Ki(n)的状态信息发送给基站。状态信息还可以进一步包括用户设备i距基站的距离di(n)。当基站收到组内的所有用户设备的状态信息时,迭代过程进入阶段三(例如,A3至B1、B3至下一次迭代开始训练本地模型的定时)。在阶段三开始的定时(例如,A3和 B3),基站可以确定它与组内的所有用户设备正在进行的eMBB业务,这些正在进行的eMBB业务的上行资源是当前迭代可以占用来上传本地模型参数的资源。
在图4中,在A3处,出现两个eMBB业务,这两个eMBB业务的上行资源是可以临时占用来传输本地模型参数的资源。在B3处,出现一个eMBB业务,这个eMBB业务的上行资源是可以临时占用来传输本地模型参数的资源。被临时占用的eMBB业务的上行资源可以分配给组内的任何需要上传本地模型的用户设备,而不管该eMBB业务的资源来自哪个用户设备。
在图5中,示出了根据本公开实施例的控制实体和用户设备之间的交互过程500的示图。在图5中以控制实体是基站505为例进行了描述。本领域技术人员可以理解,当控制实体是其它网络设备时,也可以进行类似的过程。
如图5所示,分布式机器学习的第n次迭代开始到结束的时间长度为T0,第n次迭代结束的时刻就是下一次(第n+1次)迭代开始的时刻。分布式机器学习组中的用户设备i在第n次迭代开始时,开始通过本地收集的训练样本对本地的机器学习模型(简称为本地模型)进行训练。在S510中,用户设备i将用于训练本地模型的训练样本的数量Ki(n)和用户设备i距基站505的距离di(n)发送给基站505,例如通过物理上行链路共享信道(PUSCH)发送给基站505。Ki(n)和di(n)可以同时发送,也可以分开发送。
在S520中,基站505基于从组内的所有用户设备接收到的Ki(n)和 di(n)确定需要分配给用户设备i的上行资源Xi(n)。具体的资源分配方式在下文中详细描述。上行资源Xi(n)可以是专门用于模型上传的URLLC 资源,也可以是在基站接收到组内所有用户设备的Ki(n)和di(n)时,正在这些用户设备和基站505之间进行的非时延敏感性业务的资源,例如eMBB资源。当非时延敏感性业务的资源需要被占用来传输模型参数时,该资源被基站505和相应的用户设备全部释放,并全部用于模型参数的传输。
在S530中,基站505将资源分配结果Xi(n)通过给用户设备i。
在S540中,用户设备i在Xi(n)指示的上行资源上,将本地模型的参数ωi(n)上传给基站505。
在S550中,基站505根据接收到的来自组内的用户设备的本地模型,聚合得到全局的机器学习模型(简称为全局模型),并将全局模型的参数 gi(n)发送给用户设备i,以供用户设备i利用gi(n)更新本地模型。
接着,用户设备i开始第n+1次迭代,对经更新的本地模型进行训练,并在S560中,将用于训练本地模型的训练样本的数量Ki(n+1)和用户设备i距基站505的距离di(n+1)发送给基站505。当用户设备i保持不动时,距离di(n+1)也可以不被发送。然后,类似于S520至S550,基站505继续根据新的状态信息分配上行资源,将资源分配结果通知用户设备i,用户设备i上传本地模型参数,基站505下发全局模型参数,由此完成新一轮的迭代。迭代过程可以持续进行,以使得各用户设备处的机器学习模型能够与更多的训练样本相匹配而更加准确。
下面,以联邦学习为例,描述控制实体根据用户设备发送的包括数量信息和距离信息的状态信息进行上行资源分配的过程,其中用于联邦学习的上行资源除了专用于模型上传的URLLC业务资源之外,还包括可以临时占用的eMBB资源。
在控制实体从联邦学习组内的每个用户设备接收到在当前迭代中训练本地模型所使用的训练样本的数量信息以及用户设备距基站的距离信息时,控制实体可以实时地动态分配上行链路的资源,以供本地模型的上传。具体来说,一方面,控制实体可以考虑用户设备训练本地模型使用的样本数量信息,来判断用户设备训练的本地模型的重要程度。再一方面,控制实体可以考虑用户设备与基站之间的距离信息,以满足平均功率限制。又一方面,考虑到专用于联邦学习的无线资源的数量小于组内的用户设备的数量,控制实体可以确定资源的有限性。基于模型的重要程度、功率限制和/或无线资源限制,控制实体可以决定用户设备间的无线资源分配,以实现最小化全局模型的误差的期望。
为了尽可能地同时实现能耗成本、无线资源成本以及机器学习效果的最优化,发明人将上行资源分配需要考虑的因素设计如下:
表达式(1)中的各变量定义如下:
g(n):第n次迭代后,联邦学习得到的全局模型。
g*:最优的全局模型。
F(g):模型g的误差函数,其具体形式依赖于模型的特定表示。
U:参与联邦学习的总的用户设备数,即联邦学习组中的用户设备总数。
L(n):专用于联邦学习的URLLC业务的上行资源分配,L(n)=
{L1(n),L2(n),…,LU(n)},其中Li(n)=0或1。Li(n)=0表示用户设备i未被分配专用于联邦学习的URLLC业务资源,Li(n)=1表示用户设备i被分配专用于联邦学习的URLLC业务资源。
Ai(n):用户设备i占用的eMBB业务的上行资源分配,其中
Ai(n)=0或1。Ai(n)=0表示用户设备i未被分配临时用于联邦学习的eMBB业务资源,Ai(n)=1表示用户设备i被分配临时用于联邦学习的eMBB业务资源。
di(n):用户设备i与基站之间的距离。
η和μ:比例因子,例如拉格朗日乘子。
E(.):数学期望。
‖.‖0:0范数,计算结果为向量中大于0的分量的数目。
II{.}:示性函数,当括号内的事件为真时函数值为1,否则函数值为0。
在表达式(1)中,上行资源分配需要考虑的因素被分成三个部分。第一部分E(F(g(n))-F(g*))表示第n次迭代聚合后全局模型误差的期望,对应着机器学习的效果或人工智能(AI)训练效果。第二部分‖L(n)‖0表示第n次迭代中本地模型上传时使用的专用于联邦学习的 URLLC业务资源,对应着无线资源成本。第三部分 表示第n次迭代中本地模型上传时无线信号的路径损耗,对应着能耗成本。为了在无线资源成本与能耗成本受限的情况下最小化全局模型误差,优化目标被建立如下:
minA,LE(F(g(n))-F(g*))…(2)
s.t.
‖L(n)‖0≤Lth…(3)
‖A(n)‖0≤C(n)…(6)
上述表达式的含义为,在受限于表达式(3)至(6)的情况下,寻找A(n)和L(n)使表达式(2)最小。其中,A(n)是联邦学习组内的用户设备占用的eMBB业务的上行资源分配,A(n)={A1(n),A2(n),…, AU(n)},Ai(n)与表达式(1)中的含义相同。此外,表达式(2)至(6)与表达式(1)相同的符号具有相同的含义,在此不再赘述,仅描述与表达式(1)不同的符号的含义。
Lth:专用于联邦学习的URLLC上行资源的最大值,表示无线资源成本约束。该值可以由基站确定。例如,该值可以为基站总共可用的 URLLC上行资源的预定百分数,例如5%、10%、20%等。该值也可以由用户设置到基站中,还可以根据预定规则进行配置。当控制实体不是基站时,该值由基站发送给控制实体。
Pth:用于联邦学习的用户设备的最大总能耗,表示能耗成本约束。该值可以由基站基于联邦学习组中的用户设备的数据发送功率的平均值确定。例如,该值可以等于平均值乘以组内的用户设备总数,也可以等于用户预先设置到基站中的与能耗相关的阈值。当控制实体不是基站时,该值由基站发送给控制实体。
ωi(n):第n次迭代中用户设备i训练出的本地模型的参数。
Ki(n):第n次迭代中用户设备i训练本地模型时使用的训练样本的数量。
C(n):第n次迭代中本地模型上传时可以被占用的eMBB业务资源总量,该值由基站基于它接收到组内的用户设备的Ki(n)和di(n)时正在基站和组内的用户设备之间进行的eMBB业务确定。例如,该值可以等于正在进行的eMBB业务的上行资源总量,也可以等于该总量的预定百分比,例如50%、70%等。
由于上述优化问题是多目标优化问题,求解比较复杂,因此希望将上述多目标优化问题转化为单目标优化问题。可以通过最小化多目标的线性加权,来将多目标优化问题转化为单目标优化问题。如表达式(7) 至(9)所示,上述优化问题被转化如下:
s.t.
‖A(n)‖0≤C(n)…(9)
上述表达式的含义为,在受限于表达式(8)至(9)的情况下,寻找A(n)和L(n)使表达式(7)最小。其中,表达式(7)至(9)与表达式(2)至(6)相同的符号具有相同的含义,在此不再赘述。
上述优化问题的难点在于目标函数的第一部分E(F(g(n+1))- F(g*))的表达。由于该期望的结果通常不是显式的,并且其准确结果取决于具体的AI模型,所以难以通过准确的表达式予以确定。幸运的是,在M.Chen、Z.Yang、W.Saad、C.Yin、H.V.Poor和S.Cui的于2021年1月发表在IEEE Transactions on Wireless Communications,第 20卷、第1号、第269-283页中的题为"A Joint Learning and Communications Framework for FederatedLearning Over Wireless Networks"的非专利文献中给出了该期望的一个上界,该非专利文献通过引用合并于此。该期望的所述上界如下所示:
参数ξ1、L和A与特定的机器学习模型有关,在优化问题中它们是常数。参数K是当前迭代中所有用户设备训练本地模型使用的样本数量之和,即其中参数Ki表示用户设备i在当前迭代中训练本地模型使用的样本数据量大小。参数ai表示用户设备i的本地模型是否上传。在本优化问题中,ai=II{(Ai(n)+Li(n))>0}。若用户设备i的本地模型还没被上传,则ai=0,否则ai=1。函数qi(ri,Pi)表示用户设备i通过无线网络上传本地模型的误码率。由于在当前的示例中专用于联邦学习的上行资源是URLLC业务资源,因此其误码率可以设置为常数10-5。
在用上述第一项代替表达式(7)中的E(F(g(n+1))-F(g*))后,开始求解表达式(7)中的优化问题。设置η和μ的取值,可以得到使表达式(7)最小化的A(n)和L(n)。如果A(n)不满足表达式(6)的约束和/ 或L(n)不满足表达式(3)的约束,那么调整η和μ的取值,重新找到使表达式(7)最小化的A(n)和L(n)。如果得到的A(n)和L(n)均满足表达式(6)和(3)的约束,那么得到的A(n)和L(n)对应于需要分配给每个用户设备的上行资源。例如,如果A(n)={1,1,0,0,0}, L(n)={0,0,0,1,1},则用户设备1和2被分配专用于联邦学习的 URLLC上行资源,用户设备3没有被分配上行资源,用户设备4和5被分配当前可用的eMBB上行资源。如果得到的A(n)和L(n)还是未能都满足表达式(6)和(3)的约束,则继续调整η和μ的取值,直到找到满足表达式(6)和(3)的约束的A(n)和L(n)。在每次迭代中,都需要重新确定η和μ并重新求解表达式(7)。
通过调整η和μ,可以实现联邦学习过程中的能耗、无线资源以及 AI模型误差的最优折中关系,从而可以动态地调整能耗成本和无线资源成本来获取不同程度的训练效果。通过上述表达式(7)的求解,能够在无线资源和能耗受限的情况下,为各用户设备分配合理的用于上传模型的上行资源,使得更重要的本地模型被优先分配上行资源,距基站距离较近的用户设备也可以被优先分配上行资源。
向用户设备分配了上行资源之后,在控制实体不是基站的情况下,控制设备可以经由基站向用户设备发送信息以分配对应的上行资源。在控制实体是基站的情况下,基站根据求解表达式(7)得到的分配信息,向用户设备分配对应的上行资源。用户设备在所分配的上行资源上发送本地模型的参数。
本地模型参数的传输可以满足特定的服务质量(QoS)要求。该 QoS要求可以由规定的5QI值来指定。例如,5QI值可以具有图6所示的形式。
如图6所示,该5QI值可以采用目前未使用的值,例如87。与5QI 值相关的QoS特性可以包括资源类型、默认优先级水平、包时延预算 (PDB)、误包率(PER)、默认平均窗口、默认最大数据突发量中的至少一项。在分布式机器学习(例如联邦学习)的模型参数传输的场景中,资源类型可以是保障流比特率(GBR),默认优先级水平可以是70,包时延预算可以是10ms,误包率可以是10-6,默认平均窗口可以是 2000ms,默认最大数据突发量可以没有定义。通过定义这样的QoS要求,可以使得模型参数的传输具有令人满意的时延和可靠性,使得分布式机器学习的准确性更高。
该5QI值可以被配置到用户设备中,例如由用户、核心网设备或基站设置到用户设备中,以使用户设备在模型上传中采用对应的QoS要求。
除了本地模型上传需要满足该5QI值规定的QoS要求之外,全局模型的下发也需要满足该5QI值规定的QoS要求。例如,可以由核心网设备、管理人员、基站中运行的程序,将该5QI值配置到基站中,以使基站下发全局模型的参数时满足对应的QoS要求。
上面描述了在无线通信网络中利用分布式机器学习时采用的技术。接着,在下文中描述在无线通信网络中传输数据时使用的技术。
首先,参考图7描述根据本公开实施例的基站向用户设备发送数据的系统架构700的示意图。
如图7所示,作为发送方的基站通过无线信道向作为接收方的用户设备发送下行数据。图7中的基站和用户设备可以与图1中的基站和用户设备相同。为了描述的简便,在这里用相同的附图标记分别表示它们。
为了满足某网络服务对时延的要求,该网络服务的数据包a[n]最多可以每隔Ta时间到达基站110的发送队列q[n],其中Ta是每个数据包能容忍的最大时延。基站110可以每隔Th时间对信道状态进行一次采样。对信道的采样间隔Th远小于每个数据包的容忍时延Ta。当基站110发送处于队列q[n]中的数据包时,基站110以与用户设备120反馈的信道质量指示(CQI)表征的信道质量相适应的功率,通过无线信道向用户设备120发送数据包。
用户设备120除了接收来自基站110的数据包之外,用户设备120 还可以基于历史的信道状态对未来的信道状态进行预测性分析,以得到能够指示多个未来时隙中信道状态最好的时隙的信息。通过将这样的信息反馈给基站110,基站110能够确定在什么时隙发送待传输的数据包。此外,用户设备120还可以向基站110反馈在预测得到的信道状态最好的时隙处测量得到的CQI,该CQI可以决定基站110的功率分配。这样,基站110能够在信道状态良好的时隙中采用与该时隙的真实CQI相匹配的功率传输数据,从而既能避免使用信道状态不好的时隙,又能合理地分配功率,使得下行数据的传输更加合理,资源的使用更加高效。此外,下行数据的正确传输还能避免后续为了纠错导致的资源开销和浪费。
用户设备120执行的预测性分析对于网络的调度决策具有重要的作用,该预测性分析可以基于深度神经网络(DNN)等实现。将预测性分析与用户设备120对最佳时隙处的CQI的反馈相结合,有助于下行数据传输性能的提高。下面,结合图8具体描述由用户设备120执行的用于数据传输的方法800的流程图。
在S810中,用户设备基于当前时刻之前的多个历史时隙的信道增益,预测与当前时刻之后的多个未来时隙的信道增益有关的信息,所述信息指示所述多个未来时隙中具有最高信道增益的时隙。
用户设备通过将它收集的大量信道状态信息用作训练数据来对机器学习模型进行训练,可以得到用于预测性分析的预测模型。该预测模型可以具有根据过去若干时隙的信道状态预测未来若干时隙的信道状态的功能。所述功能的实现可以采用现有的训练机器学习模型的方式,例如采用专门用于编写和训练神经网络的开发软件包,比如Pycharm开发平台。基于Pycharm开发平台,可以利用tensorflow模块搭建模型进行训练,从而得到可以实现对应功能的模型。
在收集到大量的已知训练样本之后,需要对训练样本进行标注,以得到用于训练模型的大量的输入数据和输出数据对。可以将某时刻t之前的过去N个时隙的信道状态用其各自的信道增益进行标注,共同作为 DNN的输入数据x[t]=[h[t-N-1],…,h[t-1],h[t]],其中h[x]是与时刻x对应的时隙的信道增益。并且,将该时刻t之后的未来M个时隙的信道状态用如下四种方式中的至少一种进行标注,共同作为DNN的输出数据 y[t]。y[t]具有M个元素,其中的第一个元素对应时刻t之后的第一个时隙,第二个元素对应时刻t之后的第二个时隙,以此类推。N和M是相同的或不相同的大于1的正整数,例如N可以等于8、10、16等,M可以等于3、5、8等。接着,将经过标注的大量的具有对应关系的DNN输入数据和DNN输出数据一起输入到现有的DNN训练程序中,拟合出 DNN中的各个参数,由此得到能够预测未来时隙信道状态的预测模型。
在训练过程中,对DNN输出数据进行不同方式的标注,可以得到不同的预测模式。在下面给出了四种不同的标注方式以得到四种不同的预测模式。这四种不同的预测模式不需要同时使用,这意味着一个通信系统可以使用其中的一种或多种预测模式,也可以使用全部预测模式。不同的通信系统使用的预测模式可以相同也可以不同。当一个通信系统可以使用多种预测模式时,它可以选择在每次预测时使用什么预测模式,也可以由管理人员配置使用什么预测模式。使用某预测模式进行预测,就能得到与该模式对应的预测结果。这四种预测模式包括第一预测模式、第二预测模式、第三预测模式和第四预测模式。在训练DNN期间,这四种预测模式都具有如上所述的DNN输入数据x[t],下面分别描述其输出数据。
在第一预测模式中,在训练DNN期间,将未来时隙的信道状态中具有最高信道增益的时隙标注为1,其它时隙标注为0,共同作为DNN 的输出数据。如果有多个时隙的信道增益相同且最高,那么将这多个时隙中的最早时隙标注为1,这多个时隙中的其它时隙以及信道增益不是最高的那些时隙都标注为0,共同作为DNN的输出数据。这样训练出的 DNN接收N个过去时隙的信道增益,输出M个未来时隙中的信道增益最高的时隙。例如,通过使用这样的DNN,用户设备120根据当前时刻 t之前的多个历史时隙的信道增益得到输出数据y[t]=[0,1,0],那么可以确定在未来的三个时隙中,第二时隙的信道状态最好。
在第二预测模式中,在训练DNN期间,将未来时隙的信道状态中信道增益超过提前设定的阈值的时隙标注为1,其它时隙标注为0,共同作为DNN的输出数据。这样训练出的DNN接收N个过去时隙的信道增益,输出M个未来时隙中信道增益超过阈值的所有时隙。例如,通过使用这样的DNN,用户设备120根据当前时刻t之前的多个历史时隙的信道增益得到输出数据y[t]=[0,1,1],那么可以确定在未来的第二和第三时隙内的信道增益超过了设定的阈值而具有可接受的信道质量,而在未来的第一时隙中,信道增益的预测结果较差,不能用来发送数据。接收到这样的y[t]信息的基站会认为第二和第三时隙都是具有最高信道增益的时隙,可以选择在其中发送数据。
在第三预测模式中,在训练DNN期间,将未来时隙的信道状态中具有最高信道增益的时隙标注为1,将其它时隙标注为该时隙的信道增益相对于最高信道增益的比例值,共同作为DNN的输出数据。这样训练出的DNN接收N个过去时隙的信道增益,输出M个未来时隙中的每个时隙的信道增益的相对大小。例如,通过使用这样的DNN,用户设备 120根据当前时刻t之前的多个历史时隙的信道增益得到输出数据y[t]=[0.5,1,0.8],那么可以确定在未来的三个时隙中,第二个时隙中的信道增益最高,第一个时隙中的信道增益为第二个时隙中的信道增益的0.5,第三个时隙中的信道增益为第二个时隙中的信道增益的0.8。接收到这样的y[t]信息的基站可以确定未来第二个时隙的信道状态最好,可以选择在其中发送数据。
在第四预测模式中,在训练DNN期间,将未来时隙中的每个时隙用该时隙的信道增益的值进行标注,共同作为DNN的输出数据。这样训练出的DNN接收N个过去时隙的信道增益,输出M个未来时隙中的每个时隙的信道增益。例如,通过使用这样的DNN,用户设备120根据当前时刻t之前的多个历史时隙的信道增益得到输出数据y[t]=[0.1,0.4, 0.5],那么可以确定h[t+1]=0.1,h[t+2]=0.4,h[t+3]=0.5。
尽管上文以DNN作为机器学习模型的例子描述了预测模型的训练和使用,但是本领域技术人员可以想到还可以使用其它的机器学习模型来训练预测模型,例如,循环神经网络、卷积神经网络等,DNN并不构成对本公开的限制。
用户设备可以只使用上述预测模式中的一种进行信道状态的预测,也可以使用上述预测模式中的多种进行信道状态的预测。当用户设备可以使用多种预测模式时,这多种预测模式可以同时使用,也可以根据用户或系统的选择或设置在某时间段内使用特定的一种。无论用户设备使用什么预测模式,预测得到的结果需要反馈给基站,以便于基站进行资源调度和数据传输。
在图9中示出了训练机器学习模型的示意图。用户设备120在与基站110的通信过程中,通过信道估计收集信道状态信息,作为用于训练的样本数据。对于上述四种预测模式中的每一种,对样本数据进行标注得到大量的x[t]和y[t]对,并将这些x[t]和y[t]对输入通过现有开发平台搭建的机器学习模型中进行训练,由此得到能够预测信道状态的预测模型。采用什么形式的x[t]和y[t]对模型进行训练,就能在使用该模型的过程中根据x[t]得到相应的y[t]。
更具体而言,在图10中示出了在第一预测模式下训练机器学习模型的示意图。当前时刻被表示为0,时刻-5到时刻0的信道增益共同构成 x[t],未来时刻1至3被标注为y[t]=[0,1,0]。将x[t]中的每个元素输入到模型的输入端的每个节点,将y[t]中的每个元素设置到模型的输出端的每个节点。通过大量x[t]和y[t]对输入到模型并进行运算,可以训练出能够根据历史时隙的信道增益预测未来具有最高信道增益的时隙的模型。本领域技术人员可以理解,对于其它预测模式,也可以根据该预测模式实现的功能进行输入数据和输出数据的标注来进行训练,由此得到实现此功能的预测模型。
当预测模型训练好之后,用户设备120可以实时地向预测模型输入当前时刻之前的多个历史时隙的信道增益,由此得到相应的预测结果。无论用户设备120使用的是上述哪种预测模式,预测结果都与未来时隙的信道增益有关,并且通过预测结果能够确定未来时隙中具有最高信道增益的时隙。
此外,用户设备使用预测模型进行的预测操作可以响应于基站发送的用于启动预测的触发命令而开始。例如,当准备发送给用户设备120 的数据到达基站110或由基站110产生时,基站110可以向用户设备120 发送触发命令。响应于接收到触发命令,用户设备120可以开始进行预测操作。此外,用户设备120的预测操作也可以根据需要被设置,例如在无线资源不充足的情况下、无线信道不稳定的情况下、出现极端天气的情况下等,可以让用户设备120一直处于能够进行信道预测的状态。
在S820中,用户设备向基站通知所预测的信息。
当用户设备120使用预测模型得到预测结果之后,用户设备120可以立即将预测结果反馈给基站110,例如,可以将模型的输出结果y[t]发送给基站110。具体而言,如果用户设备120使用第一预测模式进行预测,那么用户设备120向基站通知多个未来时隙中具有最高信道增益的时隙。如果用户设备120使用第二预测模式进行预测,那么用户设备 120向基站通知多个未来时隙中信道增益超过第一阈值的所有时隙。如果用户设备120使用第三预测模式进行预测,那么用户设备120向基站通知多个未来时隙中的每个时隙的相对信道增益。如果用户设备120使用第四预测模式进行预测,那么用户设备120向基站通知多个未来时隙中每个时隙的信道增益。预测结果可以承载在响应于上述触发命令的消息(例如反馈信令)中发送。
由于通常在每次预测时上述四种预测模式中只有一种模式被使用,因此用户设备120可以仅向基站110反馈一种预测结果。当多种预测模式被同时使用时,这多种预测模式的预测结果都可以反馈给基站。例如,出于计算复杂度的考虑,优选使用第一预测模式。出于向基站提供更多的信道状态信息以便于基站更好地了解各时隙的信道状况的考虑,优选使用第四预测模式。
当用户设备120需要向基站110反馈基于第四预测模式的每个未来时隙的信道增益时,用户设备120可以将预测得到的每个未来时隙的信道增益经由通过深度神经网络搭建的压缩模型发送给基站110。
在图11A中示出了当预测模型预测的是多个未来时隙中的每个时隙的信道增益时,向基站传输所预测的信道增益的架构的示意图。图11B 是与图11A对应的时序图。
预测DNN 1110和压缩DNN 1120可以位于用户设备120中,解压缩 DNN 1130可以位于基站110中。预测DNN 1110用于根据当前时刻之前的若干过去时隙的信道增益预测当前时刻之后的若干未来时隙的信道增益。预测得到的信道增益经过压缩DNN 1120的处理得到中间数据。中间数据经由无线信道被发送给解压缩DNN 1130。解压缩DNN 1130通过对接收到的中间数据进行处理,得到解压缩数据。这些解压缩数据是经恢复的预测信道增益,与预测DNN 1110得到的信道增益相同。压缩 DNN 1120和解压缩DNN 1130共同实现了对预测的信道增益的压缩解压缩处理,使得通过无线信道传输的数据量相比于预测的信道增益的数据量大大减少,降低了传输预测结果的资源消耗,提高了系统效率。
压缩DNN 1120和解压缩DNN 1130可以共同作为一个机器学习模型被训练。可以为该模型搭建一个输入层、预定数量的隐藏层和一个输出层,每个隐藏层中的节点数量要明显小于输入层的节点数量和输出层的节点数量。另外,为该模型设置相同的输入数据和输出数据。当机器学习开发平台(例如Pycharm)使用这样设置的输入和输出数据使搭建的模型收敛时,从隐藏层中的任一层(在下文中,将该层称为中间层) 起将该模型分成两部分,一部分构成压缩DNN 1120,置于用户设备中,而另一部分构成解压缩DNN 1130,置于基站中。这样,能够通过构建机器学习模型的形式实现压缩和解压缩处理,使得能够以一种全新的压缩方式实现信道增益的压缩传输,提高压缩效率并减少无线资源消耗。
尽管图11A中以DNN为例描述了用户设备中的压缩模块和基站中的解压缩模块,但是本领域技术人员可以理解,也可以使用其它的机器学习模块来构建压缩模块和解压缩模块,只要使得在无线信道中传输的数据量明显少于预测得到的信道增益的数据量即可。
图11B示出了在预测模型(例如预测DNN 1110)预测的是信道增益的情况下,用户设备将信道增益传输给基站时的信号时序图1100。
在S1110中,基站向用户设备发送CSI-RS(信道状态信息参考信号) 信令,以指示用户设备测量信道质量并向其反馈。
在S1120中,用户设备根据多个历史时隙的信道增益,通过第四预测模式对多个未来时隙的信道增益进行预测,得到多个未来时隙中的每个时隙的信道增益。
在S1130中,用户设备中的压缩DNN对预测得到的多个信道增益进行处理,得到从中间层的中间节点输出的、比输入到压缩DNN的多个信道增益的数据量少的中间数据。
在S1140中,对中间节点输出的中间数据进行量化和反馈。
在S1150中,基站中的解压缩DNN对接收到的中间数据进行处理,以恢复用户设备预测的多个未来时隙的信道增益。基于这些信道增益,基站可以确定未来最佳的发送时隙。
在S1160中,基站选择在未来最佳的发送时隙中将下行数据发送给用户设备。
返回图8,在S830中,用户设备向基站通知所预测的信息指示的具有最高信道增益的时隙处的信道质量指示,以使基站在该时隙处基于所述信道质量指示发送数据。
基站110通常会周期性地向用户设备120发送用于进行信道质量测量的信令。例如,基站110可以每个时隙向用户设备120发送CSI-RS信令。响应于接收到CSI-RS信令,用户设备120可以向基站110反馈当前的CQI。
然而,在用户设备120确定可用的上行资源低于第二阈值(该阈值表明上行资源匮乏)的情况下,为了更合理地使用有限的上行资源,用户设备120可以不在接收到所有CSI-RS信令时都反馈CQI,而是等待预测信息指示的最佳时隙,仅在该时隙处对信道进行测量,以向基站 110反馈该最佳时隙的真实CQI。本领域技术人员可以理解,当基站例如根据记录的资源使用情况、用户设备上报信息等确定可用的上行资源低于某阈值时,可以向用户设备发送消息,以使用户设备仅在最佳时隙反馈CQI。
另外,在用户设备120确定上行反馈信道质量低于第三阈值(该阈值表明上行反馈信道质量较差)的情况下,为了避免通过质量较差的上行反馈信道反馈CQI可能失败而浪费发送功率和资源的问题,用户设备 120也可以选择不对所有CSI-RS信令进行响应,而是等待预测信息指示的最佳时隙,仅在该时隙处向基站110反馈该最佳时隙的真实CQI。本领域技术人员可以理解,当基站例如根据先前的数据解码操作等确定上行反馈信道质量低于某阈值时,可以向用户设备发送消息,以使用户设备仅在最佳时隙反馈CQI。
上述两种情况可以同时存在于一个实施例中,也可以分别存在于不同实施例中。上述阈值可以根据实际需要灵活设置,只要能够达到合理利用资源和/或节省资源的目的即可。
此外,为了使得基站以更恰当的功率在最佳时隙发送下行数据,用户设备也可以主动在最佳时隙处反馈该时隙的真实CQI,而不管基站有没有向它发送CSI-RS信令。接收到最佳时隙的真实CQI的基站可以如相关技术中那样基于CQI进行合适的功率分配,从而以恰当的功率在最佳时隙中发送下行数据。
用户设备可以采用如下两种方式向基站反馈CQI。第一种方式在图 12A、12B和13中示出,在这种方式中,用户设备仅对最佳时隙的CSI- RS信令做出响应,在最佳时隙中向基站反馈该最佳时隙的CQI。第二种方式在图14A、14B和15中示出,在这种方式中,用户设备一旦在某时隙中接收到CSI-RS信令,就在该时隙中向基站反馈该时隙的CQI。接下来描述图12A至图15。
与第一种方式相对应地,图12A示出了由基站执行的数据传输方法 1200-T的流程图,图12B示出了由用户设备执行的数据传输方法1200- R的流程图。
如图12A所示,方法1200-T开始。在S1210-T中,待发送给用户设备的数据包到达,基站向用户设备发送触发命令以使用户设备开始预测。在S1220-T中,基站从用户设备接收包含预测信息的反馈,所述反馈指示多个未来时隙中具有最高信道增益的最佳时隙。在S1230-T中,基站等待具有最高信道增益的最佳时隙。在S1240-T中,基站基于最佳时隙的CQI向用户设备发送数据包。接着,方法1200-T结束。
如图12B所示,方法1200-R开始。在S1205-R中,用户设备持续接收基站发送的CSI-RS,并获得每个时隙的信道增益。该步骤与其它步骤没有特定的时序关系,而是一直在执行。在S1210-R中,用户设备从基站接收用于启动预测的触发命令。在S1220-R中,用户设备根据当前时刻之前的多个过去时隙的信道增益,预测与当前时刻之后的多个未来时隙的信道增益有关的信息,该信息指示具有最高信道增益的时隙。在该示例中,采用第一预测模式,预测结果是具有最高信道增益的最佳时隙。在S1230-R中,用户设备向基站反馈预测的最佳时隙。在S1240-R 中,用户设备等待预测的最佳时隙,并向基站反馈该时隙的CQI。在S1250-R中,用户设备接收基站在最佳时隙发送的数据包。接着,方法 1200-R结束。
图13示出了与图12A和图12B所示的方法对应的时序图。
在S1310中,基站在每个时隙向用户设备发送CSI-RS信令。尽管该步骤只被描述在S1310中,但是该步骤一直在周期性执行,与其它步骤的执行顺序没有特定的关系。
在S1320中,用户设备根据接收到的数据进行信道估计,得到信道状态信息,例如每个时隙的信道增益。尽管该步骤被描述在S1320中,但是该步骤也一直在执行,而与其它步骤的执行顺序没有特定的关系。
在S1330中,发送给用户设备的新的数据包到达基站。
在S1340中,基站向用户设备发送用于启动预测的触发命令。
在S1350中,用户设备向基站反馈预测得到的最佳时隙。
在S1360中,用户设备等待该最佳时隙的到来。
在S1370中,用户设备测量该最佳时隙的CQI,并向基站反馈该 CQI。
在S1380中,基站基于反馈的CQI在该最佳时隙向用户设备发送数据包。
与第二种方式相对应地,图14A示出了由基站执行的数据传输方法 1400-T的流程图,图14B示出了由用户设备执行的数据传输方法1400- R的流程图。
数据传输方法1400-T与上述数据传输方法1200-T基本相同,步骤 S1410-T至S1440-T与步骤S1210-T至S1240-T基本一致,在此不再赘述。
如图14B所示,方法1400-R开始。在S1405-R中,用户设备持续接收基站发送的CSI-RS,并获得每个时隙的信道增益。在S1409-R中,用户设备持续向基站反馈响应于CSI-RS测得的每个时隙的CQI。步骤 S1405-R和S1409-R与其它步骤没有特定的时序关系,而是一直在执行。步骤S1410-R至S1430-R与步骤S1210-R至S1230-R基本相同。在 S1440-R中,用户设备接收基站在最佳时隙发送的数据包。接着,方法 1400-R结束。
图15示出了与图14A和图14B所示的方法对应的时序图。
S1510与S1310基本相同。在S1515中,用户设备在每个时隙向基站反馈CQI。尽管S1510和S1515的操作仅被示出为执行一次并在图15 的开始处执行,但是S1510和S1515一直在每个时隙中执行,并且与其它步骤的执行顺序没有特定的关系。S1520至S1560与S1320至S1360 基本相同。在用户设备等待最佳时隙到来的同时,基站也在等待最佳时隙的到来以在其中发送数据包。在S1570中,基站基于最佳时隙的CQI 在最佳时隙向用户设备发送数据包。
根据图8所示的上述技术方案,通过基于历史时隙的信道增益预测未来时隙的信道增益,可以使基站确定信道增益最高的未来时隙,由此能够在信道质量相对更好的时隙中以与该时隙的信道质量指示匹配的功率发送下行数据,从而能够根据当前的信道状态灵活地确定更合适的传输资源,缓解在信道质量不佳的时隙中传输数据而浪费功率和资源的问题,使得下行数据的传输性能得以提高。
上述方法可以对基站发送下行数据的时隙进行预测。在其它场景中,也可以试着利用过去的数据包的到达延迟、数据包的大小来对即将到达的数据流量进行预测。
在图16中示出了使用本公开实施例提供的用于数据传输的方法得到的仿真结果。在仿真过程中,假定信道为瑞利衰落信道,信道增益服从指数分布,指数分布的均值为依据香农公式获得功率每个数据包的长度为l=4位。基站选择用户设备预测所得的将来Ta时隙内的最好信道发送数据包,其中Ta大于M与Th的乘积, M是预测的未来时隙的个数,Th是信道采样周期,并且用户设备预测信道的未来时间的范围以及基站选择的发送数据的时隙均在数据包所能容许的时延范围内。
在仿真图中,Ta=1代表不做任何预测,数据包到达后立即被基站在下一个时隙发送。Ta=2表示在未来两个时隙中预测最佳时隙,Ta=3表示在未来三个时隙中预测最佳时隙,以此类推。从仿真结果可以看到,当不做任何预测而立即发送数据包时,基站的平均功率消耗最大,当采用预测时,基站的平均功率消耗急速降低。随着可预测的时隙数增多 (可预测的时隙数不能超过数据包容许的最大时延),基站的平均功耗逐渐减小。该仿真结果表明,基站基于用户设备的预测结果进行调度和功率分配时,可以大大地减少功率消耗。
以上分别描述了根据本公开实施例的各示例性电子设备和方法。应当理解,这些电子设备的操作或功能可以相互组合,从而实现比所描述的更多或更少的操作或功能。各方法的操作步骤也可以以任何适当的顺序相互组合,从而类似地实现比所描述的更多或更少的操作。
应当理解,根据本公开实施例的机器可读存储介质或程序产品中的机器可执行指令可以被配置为执行与上述设备和方法实施例相应的操作。当参考上述设备和方法实施例时,机器可读存储介质或程序产品的实施例对于本领域技术人员而言是明晰的,因此不再重复描述。用于承载或包括上述机器可执行指令的机器可读存储介质和程序产品也落在本公开的范围内。这样的存储介质可以包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等等。
另外,应当理解,上述系列处理和设备也可以通过软件和/或固件实现。在通过软件和/或固件实现的情况下,从存储介质或网络向具有专用硬件结构的计算机,例如图17所示的通用个人计算机1300安装构成该软件的程序,该计算机在安装有各种程序时,能够执行各种功能等等。图17是示出作为本公开的实施例中可采用的信息处理设备的个人计算机的示例结构的框图。在一个例子中,该个人计算机可以对应于根据本公开的上述示例性终端设备。
在图17中,中央处理单元(CPU)1301根据只读存储器(ROM) 1302中存储的程序或从存储部分1308加载到随机存取存储器(RAM) 1303的程序执行各种处理。在RAM 1303中,也根据需要存储当CPU 1301执行各种处理等时所需的数据。
CPU 1301、ROM 1302和RAM 1303经由总线1304彼此连接。输入/输出接口1305也连接到总线1304。
下述部件连接到输入/输出接口1305:输入部分1306,包括键盘、鼠标等;输出部分1307,包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等;存储部分1308,包括硬盘等;和通信部分1309,包括网络接口卡比如LAN卡、调制解调器等。通信部分1309经由网络比如因特网执行通信处理。
根据需要,驱动器1310也连接到输入/输出接口1305。可拆卸介质 1311比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器1310上,使得从中读出的计算机程序根据需要被安装到存储部分 1308中。
在通过软件实现上述系列处理的情况下,从网络比如因特网或存储介质比如可拆卸介质1311安装构成软件的程序。
本领域技术人员应当理解,这种存储介质不局限于图17所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质1311。可拆卸介质1311的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是 ROM 1302、存储部分1308中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
本公开的技术能够应用于各种产品。例如,本公开中提到的基站可以被实现为任何类型的演进型节点B(gNB),诸如宏gNB和小gNB。小gNB可以为覆盖比宏小区小的小区的gNB,诸如微微gNB、微gNB 和家庭(毫微微)gNB。代替地,基站可以被实现为任何其他类型的基站,诸如NodeB和基站收发台(Base Transceiver Station,BTS)。基站可以包括:被配置为控制无线通信的主体(也称为基站设备);以及设置在与主体不同的地方的一个或多个远程无线头端(Remote Radio Head, RRH)。另外,下面将描述的各种类型的终端均可以通过暂时地或半持久性地执行基站功能而作为基站工作。
例如,本公开中提到的终端设备在一些示例中也称为用户设备,可以被实现为移动终端(诸如智能电话、平板个人计算机(PC)、笔记本式PC、便携式游戏终端、便携式/加密狗型移动路由器和数字摄像装置) 或者车载终端(诸如汽车导航设备)。用户设备还可以被实现为执行机器对机器(M2M)通信的终端(也称为机器类型通信(MTC)终端)。此外,用户设备可以为安装在上述终端中的每个终端上的无线通信模块 (诸如包括单个晶片的集成电路模块)。
以下将参照图18至图21描述根据本公开的应用示例。
[关于基站的应用示例]
应当理解,本公开中的基站一词具有其通常含义的全部广度,并且至少包括被用于作为无线通信系统或无线电系统的一部分以便于通信的无线通信站。基站的例子可以例如是但不限于以下:基站可以是GSM 系统中的基站收发信机(BTS)和基站控制器(BSC)中的一者或两者,可以是WCDMA系统中的无线电网络控制器(RNC)和Node B中的一者或两者,可以是LTE和LTE-Advanced系统中的eNB,或者可以是未来通信系统中对应的网络节点(例如可能在5G通信系统中出现的gNB, eLTE eNB等等)。本公开的基站中的部分功能也可以实现为在D2D、 M2M以及V2V通信场景下对通信具有控制功能的实体,或者实现为在认知无线电通信场景下起频谱协调作用的实体。
第一应用示例
图18是示出可以应用本公开内容的技术的gNB的示意性配置的第一示例的框图。gNB 1400包括多个天线1410以及基站设备1420。基站设备1420和每个天线1410可以经由RF线缆彼此连接。在一种实现方式中,此处的gNB 1400(或基站设备1420)可以对应于上述电子设备 300A、1300A和/或1500B。
天线1410中的每一个均包括单个或多个天线元件(诸如包括在多输入多输出(MIMO)天线中的多个天线元件),并且用于基站设备1420 发送和接收无线信号。如图18所示,gNB 1400可以包括多个天线1410。例如,多个天线1410可以与gNB 1400使用的多个频段兼容。
基站设备1420包括控制器1421、存储器1422、网络接口1423以及无线通信接口1425。
控制器1421可以为例如CPU或DSP,并且操作基站设备1420的较高层的各种功能。例如,控制器1421根据由无线通信接口1425处理的信号中的数据来生成数据分组,并经由网络接口1423来传递所生成的分组。控制器1421可以对来自多个基带处理器的数据进行捆绑以生成捆绑分组,并传递所生成的捆绑分组。控制器1421可以具有执行如下控制的逻辑功能:该控制诸如为无线资源控制、无线承载控制、移动性管理、接纳控制和调度。该控制可以结合附近的gNB或核心网节点来执行。存储器1422包括RAM和ROM,并且存储由控制器1421执行的程序和各种类型的控制数据(诸如终端列表、传输功率数据以及调度数据)。
网络接口1423为用于将基站设备1420连接至核心网1424的通信接口。控制器1421可以经由网络接口1423而与核心网节点或另外的gNB 进行通信。在此情况下,gNB 1400与核心网节点或其他gNB可以通过逻辑接口(诸如S1接口和X2接口)而彼此连接。网络接口1423还可以为有线通信接口或用于无线回程线路的无线通信接口。如果网络接口 1423为无线通信接口,则与由无线通信接口1425使用的频段相比,网络接口1423可以使用较高频段用于无线通信。
无线通信接口1425支持任何蜂窝通信方案(诸如长期演进(LTE) 和LTE-先进),并且经由天线1410来提供到位于gNB 1400的小区中的终端的无线连接。无线通信接口1425通常可以包括例如基带(BB)处理器1426和RF电路1427。BB处理器1426可以执行例如编码/解码、调制/解调以及复用/解复用,并且执行层(例如L1、介质访问控制 (MAC)、无线链路控制(RLC)和分组数据汇聚协议(PDCP))的各种类型的信号处理。代替控制器1421,BB处理器1426可以具有上述逻辑功能的一部分或全部。BB处理器1426可以为存储通信控制程序的存储器,或者为包括被配置为执行程序的处理器和相关电路的模块。更新程序可以使BB处理器1426的功能改变。该模块可以为插入到基站设备 1420的槽中的卡或刀片。可替代地,该模块也可以为安装在卡或刀片上的芯片。同时,RF电路1427可以包括例如混频器、滤波器和放大器,并且经由天线1410来传送和接收无线信号。虽然图18示出一个RF电路1427与一根天线1410连接的示例,但是本公开并不限于该图示,而是一个RF电路1427可以同时连接多根天线1410。
如图18所示,无线通信接口1425可以包括多个BB处理器1426。例如,多个BB处理器1426可以与gNB 1400使用的多个频段兼容。如图18所示,无线通信接口1425可以包括多个RF电路1427。例如,多个RF电路1427可以与多个天线元件兼容。虽然图18示出其中无线通信接口1425包括多个BB处理器1426和多个RF电路1427的示例,但是无线通信接口1425也可以包括单个BB处理器1426或单个RF电路 1427。
第二应用示例
图19是示出可以应用本公开内容的技术的gNB的示意性配置的第二示例的框图。gNB 1530包括多个天线1540、基站设备1550和RRH 1560。RRH 1560和每个天线1540可以经由RF线缆而彼此连接。基站设备1550和RRH 1560可以经由诸如光纤线缆的高速线路而彼此连接。在一种实现方式中,此处的gNB 1530(或基站设备1550)可以对应于上述电子设备300A、1300A和/或1500B。
天线1540中的每一个均包括单个或多个天线元件(诸如包括在 MIMO天线中的多个天线元件)并且用于RRH 1560发送和接收无线信号。如图19所示,gNB 1530可以包括多个天线1540。例如,多个天线1540可以与gNB 1530使用的多个频段兼容。
基站设备1550包括控制器1551、存储器1552、网络接口1553、无线通信接口1555以及连接接口1557。控制器1551、存储器1552和网络接口1553与参照图18描述的控制器1421、存储器1422和网络接口 1423相同。
无线通信接口1555支持任何蜂窝通信方案(诸如LTE和LTE-先进),并且经由RRH1560和天线1540来提供到位于与RRH 1560对应的扇区中的终端的无线通信。无线通信接口1555通常可以包括例如BB 处理器1556。除了BB处理器1556经由连接接口1557连接到RRH1560的RF电路1564之外,BB处理器1556与参照图18描述的BB处理器1426相同。如图19所示,无线通信接口1555可以包括多个BB处理器1556。例如,多个BB处理器1556可以与gNB 1530使用的多个频段兼容。虽然图19示出其中无线通信接口1555包括多个BB处理器 1556的示例,但是无线通信接口1555也可以包括单个BB处理器1556。
连接接口1557为用于将基站设备1550(无线通信接口1555)连接至RRH 1560的接口。连接接口1557还可以为用于将基站设备1550 (无线通信接口1555)连接至RRH 1560的上述高速线路中的通信的通信模块。
RRH 1560包括连接接口1561和无线通信接口1563。
连接接口1561为用于将RRH 1560(无线通信接口1563)连接至基站设备1550的接口。连接接口1561还可以为用于上述高速线路中的通信的通信模块。
无线通信接口1563经由天线1540来传送和接收无线信号。无线通信接口1563通常可以包括例如RF电路1564。RF电路1564可以包括例如混频器、滤波器和放大器,并且经由天线1540来传送和接收无线信号。虽然图19示出一个RF电路1564与一根天线1540连接的示例,但是本公开并不限于该图示,而是一个RF电路1564可以同时连接多根天线 1540。
如图19所示,无线通信接口1563可以包括多个RF电路1564。例如,多个RF电路1564可以支持多个天线元件。虽然图19示出其中无线通信接口1563包括多个RF电路1564的示例,但是无线通信接口 1563也可以包括单个RF电路1564。
[关于用户设备的应用示例]
第一应用示例
图20是示出可以应用本公开内容的技术的智能电话1600的示意性配置的示例的框图。智能电话1600包括处理器1601、存储器1602、存储装置1603、外部连接接口1604、摄像装置1606、传感器1607、麦克风1608、输入装置1609、显示装置1610、扬声器1611、无线通信接口1612、一个或多个天线开关1615、一个或多个天线1616、总线1617、电池1618以及辅助控制器1619。在一种实现方式中,此处的智能电话 1600(或处理器1601)可以对应于上述终端设备300B和/或1500A。
处理器1601可以为例如CPU或片上系统(SoC),并且控制智能电话1600的应用层和另外层的功能。存储器1602包括RAM和ROM,并且存储数据和由处理器1601执行的程序。存储装置1603可以包括存储介质,诸如半导体存储器和硬盘。外部连接接口1604为用于将外部装置 (诸如存储卡和通用串行总线(USB)装置)连接至智能电话1600的接口。
摄像装置1606包括图像传感器(诸如电荷耦合器件(CCD)和互补金属氧化物半导体(CMOS)),并且生成捕获图像。传感器1607可以包括一组传感器,诸如测量传感器、陀螺仪传感器、地磁传感器和加速度传感器。麦克风1608将输入到智能电话1600的声音转换为音频信号。输入装置1609包括例如被配置为检测显示装置1610的屏幕上的触摸的触摸传感器、小键盘、键盘、按钮或开关,并且接收从用户输入的操作或信息。显示装置1610包括屏幕(诸如液晶显示器(LCD)和有机发光二极管(OLED)显示器),并且显示智能电话1600的输出图像。扬声器1611将从智能电话1600输出的音频信号转换为声音。
无线通信接口1612支持任何蜂窝通信方案(诸如LTE和LTE-先进),并且执行无线通信。无线通信接口1612通常可以包括例如BB处理器1613和RF电路1614。BB处理器1613可以执行例如编码/解码、调制/解调以及复用/解复用,并且执行用于无线通信的各种类型的信号处理。同时,RF电路1614可以包括例如混频器、滤波器和放大器,并且经由天线1616来传送和接收无线信号。无线通信接口1612可以为其上集成有BB处理器1613和RF电路1614的一个芯片模块。如图20所示,无线通信接口1612可以包括多个BB处理器1613和多个RF电路1614。虽然图20示出其中无线通信接口1612包括多个BB处理器1613和多个 RF电路1614的示例,但是无线通信接口1612也可以包括单个BB处理器1613或单个RF电路1614。
此外,除了蜂窝通信方案之外,无线通信接口1612可以支持另外类型的无线通信方案,诸如短距离无线通信方案、近场通信方案和无线局域网(LAN)方案。在此情况下,无线通信接口1612可以包括针对每种无线通信方案的BB处理器1613和RF电路1614。
天线开关1615中的每一个在包括在无线通信接口1612中的多个电路(例如用于不同的无线通信方案的电路)之间切换天线1616的连接目的地。
天线1616中的每一个均包括单个或多个天线元件(诸如包括在 MIMO天线中的多个天线元件),并且用于无线通信接口1612传送和接收无线信号。如图20所示,智能电话1600可以包括多个天线1616。虽然图20示出其中智能电话1600包括多个天线1616的示例,但是智能电话1600也可以包括单个天线1616。
此外,智能电话1600可以包括针对每种无线通信方案的天线1616。在此情况下,天线开关1615可以从智能电话1600的配置中省略。
总线1617将处理器1601、存储器1602、存储装置1603、外部连接接口1604、摄像装置1606、传感器1607、麦克风1608、输入装置1609、显示装置1610、扬声器1611、无线通信接口1612以及辅助控制器1619 彼此连接。电池1618经由馈线向图20所示的智能电话1600的各个块提供电力,馈线在图中被部分地示为虚线。辅助控制器1619例如在睡眠模式下操作智能电话1600的最小必需功能。
第二应用示例
图21是示出可以应用本公开内容的技术的汽车导航设备1720的示意性配置的示例的框图。汽车导航设备1720包括处理器1721、存储器 1722、全球定位系统(GPS)模块1724、传感器1725、数据接口1726、内容播放器1727、存储介质接口1728、输入装置1729、显示装置1730、扬声器1731、无线通信接口1733、一个或多个天线开关1736、一个或多个天线1737以及电池1738。在一种实现方式中,此处的汽车导航设备1720(或处理器1721)可以对应于上述终端设备300B和/或1500A。
处理器1721可以为例如CPU或SoC,并且控制汽车导航设备1720 的导航功能和另外的功能。存储器1722包括RAM和ROM,并且存储数据和由处理器1721执行的程序。
GPS模块1724使用从GPS卫星接收的GPS信号来测量汽车导航设备1720的位置(诸如纬度、经度和高度)。传感器1725可以包括一组传感器,诸如陀螺仪传感器、地磁传感器和空气压力传感器。数据接口 1726经由未示出的终端而连接到例如车载网络1741,并且获取由车辆生成的数据(诸如车速数据)。
内容播放器1727再现存储在存储介质(诸如CD和DVD)中的内容,该存储介质被插入到存储介质接口1728中。输入装置1729包括例如被配置为检测显示装置1730的屏幕上的触摸的触摸传感器、按钮或开关,并且接收从用户输入的操作或信息。显示装置1730包括诸如LCD 或OLED显示器的屏幕,并且显示导航功能的图像或再现的内容。扬声器1731输出导航功能的声音或再现的内容。
无线通信接口1733支持任何蜂窝通信方案(诸如LTE和LTE-先进),并且执行无线通信。无线通信接口1733通常可以包括例如BB处理器1734和RF电路1735。BB处理器1734可以执行例如编码/解码、调制/解调以及复用/解复用,并且执行用于无线通信的各种类型的信号处理。同时,RF电路1735可以包括例如混频器、滤波器和放大器,并且经由天线1737来传送和接收无线信号。无线通信接口1733还可以为其上集成有BB处理器1734和RF电路1735的一个芯片模块。如图21所示,无线通信接口1733可以包括多个BB处理器1734和多个RF电路 1735。虽然图21示出其中无线通信接口1733包括多个BB处理器1734 和多个RF电路1735的示例,但是无线通信接口1733也可以包括单个 BB处理器1734或单个RF电路1735。
此外,除了蜂窝通信方案之外,无线通信接口1733可以支持另外类型的无线通信方案,诸如短距离无线通信方案、近场通信方案和无线 LAN方案。在此情况下,针对每种无线通信方案,无线通信接口1733 可以包括BB处理器1734和RF电路1735。
天线开关1736中的每一个在包括在无线通信接口1733中的多个电路(诸如用于不同的无线通信方案的电路)之间切换天线1737的连接目的地。
天线1737中的每一个均包括单个或多个天线元件(诸如包括在 MIMO天线中的多个天线元件),并且用于无线通信接口1733传送和接收无线信号。如图21所示,汽车导航设备1720可以包括多个天线1737。虽然图21示出其中汽车导航设备1720包括多个天线1737的示例,但是汽车导航设备1720也可以包括单个天线1737。
此外,汽车导航设备1720可以包括针对每种无线通信方案的天线 1737。在此情况下,天线开关1736可以从汽车导航设备1720的配置中省略。
电池1738经由馈线向图21所示的汽车导航设备1720的各个块提供电力,馈线在图中被部分地示为虚线。电池1738累积从车辆提供的电力。
本公开内容的技术也可以被实现为包括汽车导航设备1720、车载网络1741以及车辆模块1742中的一个或多个块的车载系统(或车辆) 1740。车辆模块1742生成车辆数据(诸如车速、发动机速度和故障信息),并且将所生成的数据输出至车载网络1741。
以上参照附图描述了本公开的示例性实施例,但是本公开当然不限于以上示例。本领域技术人员可在所附权利要求的范围内得到各种变更和修改,并且应理解这些变更和修改自然将落入本公开的技术范围内。
例如,在以上实施例中包括在一个单元中的多个功能可以由分开的装置来实现。替选地,在以上实施例中由多个单元实现的多个功能可分别由分开的装置来实现。另外,以上功能之一可由多个单元来实现。无需说,这样的配置包括在本公开的技术范围内。
在该说明书中,流程图中所描述的步骤不仅包括以所述顺序按时间序列执行的处理,而且包括并行地或单独地而不是必须按时间序列执行的处理。此外,甚至在按时间序列处理的步骤中,无需说,也可以适当地改变该顺序。
虽然已经详细说明了本公开及其优点,但是应当理解在不脱离由所附的权利要求所限定的本公开的精神和范围的情况下可以进行各种改变、替代和变换。而且,本公开实施例的术语“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。
从本文中的描述将认识到的是,本公开实施例可以被配置如下:
1、一种用于无线通信系统中的用户设备侧的电子设备,包括处理电路系统,所述处理电路系统被配置为:
向控制实体发送用户设备在本地模型的当前训练期间使用的训练样本的数量信息;
接收用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由控制实体基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及
经由所述上行资源信息指示的上行资源,向控制实体上传本地模型的参数,以供控制实体得到下一个全局模型。
2、如条款1所述的电子设备,其中,所述处理电路系统进一步被配置为:
向控制实体发送指示用户设备距基站的距离的距离信息,
其中,所述上行资源信息指示的上行资源是由控制实体基于来自所述多个用户设备的数量信息和距离信息分配的,使得数量信息指示的数量越大并且距离信息指示的距离越小的用户设备越有机会被分配足以上传本地模型的参数的上行资源。
3、如条款1所述的电子设备,其中,所述上行资源信息指示的上行资源包括URLLC业务的上行资源。
4、如条款1所述的电子设备,其中,所述上行资源信息指示的上行资源包括在控制实体接收到来自所述多个用户设备的数量信息时,基站正在与所述多个用户设备进行的非时延敏感型业务的上行资源。
5、如条款4所述的电子设备,其中,所述非时延敏感型业务是 eMBB业务。
6、如条款1所述的电子设备,其中,所述控制实体和所述多个用户设备共同实现联邦学习,以及所述控制实体是基站。
7、如条款1所述的电子设备,其中,本地模型的参数的上传满足规定的QoS要求,所述QoS要求由规定的5QI值指定。
8、如条款1所述的电子设备,其中,所述处理电路系统进一步被配置为:
从控制实体接收所述下一个全局模型的参数,以更新本地模型的参数,
其中,所述下一个全局模型的参数的传输满足规定的QoS要求,所述QoS要求由规定的5QI值指定。
9、如条款7或8所述的电子设备,其中,所述规定的5QI值定义如下各项中的至少一项:
资源类型为保障流比特率GBR,
默认优先级水平为70,
包时延预算为10ms,
误包率为10-6,
默认平均窗口为2000ms。
10、如条款9所述的电子设备,其中,所述5QI值等于87。
11、一种用于无线通信系统中的网络设备侧的电子设备,包括处理电路系统,所述处理电路系统被配置为:
接收来自用户设备的用户设备在本地模型的当前训练期间使用的训练样本的数量信息;
发送用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由所述处理电路系统基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及
接收用户设备经由所述上行资源信息指示的上行资源上传的本地模型的参数,以得到下一个全局模型。
12、如条款11所述的电子设备,其中,所述处理电路系统进一步被配置为:
接收来自用户设备的指示用户设备距基站的距离的距离信息,
其中,所述上行资源信息指示的上行资源是由所述处理电路系统基于来自所述多个用户设备的数量信息和距离信息分配的,使得数量信息指示的数量越大并且距离信息指示的距离越小的用户设备越有机会被分配足以上传本地模型的参数的上行资源。
13、如条款11所述的电子设备,其中,所述上行资源信息指示的上行资源包括URLLC业务的上行资源。
14、如条款11所述的电子设备,其中,所述上行资源信息指示的上行资源包括在所述处理电路系统接收到来自所述多个用户设备的数量信息时,基站正在与所述多个用户设备进行的非时延敏感型业务的上行资源。
15、如条款14所述的电子设备,其中,所述非时延敏感型业务是 eMBB业务。
16、如条款11所述的电子设备,其中,所述电子设备和所述多个用户设备共同实现联邦学习,以及所述电子设备是基站。
17、如条款11所述的电子设备,其中,本地模型的参数的上传满足规定的QoS要求,所述QoS要求由规定的5QI值指定。
18、如条款11所述的电子设备,其中,所述处理电路系统进一步被配置为:
向用户设备发送所述下一个全局模型的参数,以使用户设备更新本地模型的参数,
其中,所述下一个全局模型的参数的传输满足规定的QoS要求,所述QoS要求由规定的5QI值指定。
19、如条款17或18所述的电子设备,其中,所述规定的5QI值定义如下各项中的至少一项:
资源类型为保障流比特率GBR,
默认优先级水平为70,
包时延预算为10ms,
误包率为10-6,
默认平均窗口为2000ms。
20、如条款19所述的电子设备,其中,所述5QI值等于87。
21、一种在无线通信系统中使用的方法,包括:
向控制实体发送用户设备在本地模型的当前训练期间使用的训练样本的数量信息;
接收用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由控制实体基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及
经由所述上行资源信息指示的上行资源,向控制实体上传本地模型的参数,以供控制实体得到下一个全局模型。
22、一种在无线通信系统中使用的方法,包括:
接收来自用户设备的用户设备在本地模型的当前训练期间使用的训练样本的数量信息;
发送用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及
接收用户设备经由所述上行资源信息指示的上行资源上传的本地模型的参数,以得到下一个全局模型。
23、一种存储有一个或多个指令的计算机可读存储介质,所述一个或多个指令在由电子设备的一个或多个处理器执行时使该电子设备执行根据条款21或22所述的方法。
24、一种用于无线通信系统中的装置,包括用于执行如条款21或22所述的方法的操作的部件。
25、一种用于无线通信系统中的用户设备侧的电子设备,包括处理电路系统,所述处理电路系统被配置为:
基于当前时刻之前的多个历史时隙的信道增益,预测与当前时刻之后的多个未来时隙的信道增益有关的信息,所述信息指示所述多个未来时隙中具有最高信道增益的时隙;
向基站通知所述信息;以及
向基站通知所述信息指示的具有最高信道增益的时隙处的信道质量指示,以使基站在该时隙处基于所述信道质量指示发送数据。
26、如条款25所述的电子设备,其中,所述处理电路系统进一步被配置为:
接收基站发送的用于启动预测的触发命令,以及
其中,所述预测与当前时刻之后的多个未来时隙的信道增益有关的信息进一步包括:
响应于接收到触发命令,预测与当前时刻之后的多个未来时隙的信道增益有关的信息。
27、如条款26所述的电子设备,其中,所述接收基站发送的用于启动预测的触发命令包括:
接收基站响应于待发送给用户设备的数据的出现而向用户设备发送的用于启动预测的触发命令。
28、如条款25所述的电子设备,其中,所述信息包括如下中的至少一项:
所述多个未来时隙中具有最高信道增益的时隙;
所述多个未来时隙中信道增益超过第一阈值的所有时隙;
所述多个未来时隙中的每个时隙的相对信道增益;以及
所述多个未来时隙中的每个时隙的信道增益。
29、如条款28所述的电子设备,其中,当所述信息是所述多个未来时隙中的每个时隙的信道增益时,将所述多个未来时隙中的每个时隙的信道增益经由通过深度神经网络搭建的压缩模型发送给基站。
30、如条款25所述的电子设备,其中,所述向基站通知所述信息指示的具有最高信道增益的时隙处的信道质量指示包括:
在确定可用的上行资源低于第二阈值的情况下,或者在确定上行反馈信道质量低于第三阈值的情况下,仅向基站通知该时隙处的信道质量指示,而不通知所述多个未来时隙中的其它时隙处的信道质量指示。
31、一种用于无线通信系统中的基站侧的电子设备,包括处理电路系统,所述处理电路系统被配置为:
从用户设备接收与当前时刻之后的多个未来时隙中的信道增益有关的信息,所述信息是用户设备基于当前时刻之前的多个历史时隙的信道增益预测得到的,所述信息指示所述多个未来时隙中具有最高信道增益的时隙;
从用户设备接收所述信息指示的具有最高信道增益的时隙处的信道质量指示;以及
在所述信息指示的具有最高信道增益的时隙处基于所述信道质量指示发送数据。
32、如条款31所述的电子设备,其中,所述处理电路系统进一步被配置为:
向用户设备发送用于启动预测的触发命令。
33、如条款32所述的电子设备,其中,所述向用户设备发送用于启动预测的触发命令包括:
响应于待发送给用户设备的数据的出现,向用户设备发送用于启动预测的触发命令。
34、如条款31所述的电子设备,其中,所述信息包括如下中的至少一项:
所述多个未来时隙中具有最高信道增益的时隙;
所述多个未来时隙中信道增益超过第一阈值的所有时隙;
所述多个未来时隙中的每个时隙的相对信道增益;以及
所述多个未来时隙中的每个时隙的信道增益。
35、如条款34所述的电子设备,其中,当所述信息是所述多个未来时隙中的每个时隙的信道增益时,所述每个时隙的信道增益是经由通过深度神经网络搭建的压缩模型从用户设备接收的。
36、如条款31所述的电子设备,其中,所述从用户设备接收所述信息指示的具有最高信道增益的时隙处的信道质量指示包括:
在确定可用的上行资源低于第二阈值的情况下,或者在确定上行反馈信道质量低于第三阈值的情况下,仅从用户设备接收该时隙处的信道质量指示,而不接收所述多个未来时隙中的其它时隙处的信道质量指示。
37、一种在无线通信系统中使用的方法,包括:
基于当前时刻之前的多个历史时隙的信道增益,预测与当前时刻之后的多个未来时隙的信道增益有关的信息,所述信息指示所述多个未来时隙中具有最高信道增益的时隙;
向基站通知所述信息;以及
向基站通知所述信息指示的具有最高信道增益的时隙处的信道质量指示,以使基站在该时隙处基于所述信道质量指示发送数据。
38、一种在无线通信系统中使用的方法,包括:
从用户设备接收与当前时刻之后的多个未来时隙中的信道增益有关的信息,所述信息是用户设备基于当前时刻之前的多个历史时隙的信道增益预测得到的,所述信息指示所述多个未来时隙中具有最高信道增益的时隙;
从用户设备接收所述信息指示的具有最高信道增益的时隙处的信道质量指示;以及
在所述信息指示的具有最高信道增益的时隙处基于所述信道质量指示发送数据。
39、一种存储有一个或多个指令的计算机可读存储介质,所述一个或多个指令在由电子设备的一个或多个处理器执行时使该电子设备执行根据条款37或38所述的方法。
40、一种用于无线通信系统中的装置,包括用于执行如条款37或 38所述的方法的操作的部件。
Claims (10)
1.一种用于无线通信系统中的用户设备侧的电子设备,包括处理电路系统,所述处理电路系统被配置为:
向控制实体发送用户设备在本地模型的当前训练期间使用的训练样本的数量信息;
接收用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由控制实体基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及
经由所述上行资源信息指示的上行资源,向控制实体上传本地模型的参数,以供控制实体得到下一个全局模型。
2.如权利要求1所述的电子设备,其中,所述处理电路系统进一步被配置为:
向控制实体发送指示用户设备距基站的距离的距离信息,
其中,所述上行资源信息指示的上行资源是由控制实体基于来自所述多个用户设备的数量信息和距离信息分配的,使得数量信息指示的数量越大并且距离信息指示的距离越小的用户设备越有机会被分配足以上传本地模型的参数的上行资源。
3.如权利要求1所述的电子设备,其中,所述上行资源信息指示的上行资源包括URLLC业务的上行资源。
4.一种用于无线通信系统中的网络设备侧的电子设备,包括处理电路系统,所述处理电路系统被配置为:
接收来自用户设备的用户设备在本地模型的当前训练期间使用的训练样本的数量信息;
发送用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由所述处理电路系统基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及
接收用户设备经由所述上行资源信息指示的上行资源上传的本地模型的参数,以得到下一个全局模型。
5.如权利要求4所述的电子设备,其中,所述处理电路系统进一步被配置为:
接收来自用户设备的指示用户设备距基站的距离的距离信息,
其中,所述上行资源信息指示的上行资源是由所述电子设备基于来自所述多个用户设备的数量信息和距离信息分配的,使得数量信息指示的数量越大并且距离信息指示的距离越小的用户设备越有机会被分配足以上传本地模型的参数的上行资源。
6.如权利要求4所述的电子设备,其中,所述上行资源信息指示的上行资源包括URLLC业务的上行资源。
7.一种在无线通信系统中使用的方法,包括:
向控制实体发送用户设备在本地模型的当前训练期间使用的训练样本的数量信息;
接收用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是由控制实体基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及
经由所述上行资源信息指示的上行资源,向控制实体上传本地模型的参数,以供控制实体得到下一个全局模型。
8.一种在无线通信系统中使用的方法,包括:
接收来自用户设备的用户设备在本地模型的当前训练期间使用的训练样本的数量信息;
发送用于上传本地模型的参数的上行资源信息,其中,上行资源信息指示的上行资源是基于来自多个用户设备的数量信息分配的,使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源;以及
接收用户设备经由所述上行资源信息指示的上行资源上传的本地模型的参数,以得到下一个全局模型。
9.一种存储有一个或多个指令的计算机可读存储介质,所述一个或多个指令在由电子设备的一个或多个处理器执行时使该电子设备执行根据权利要求7或8所述的方法。
10.一种用于无线通信系统中的装置,包括用于执行如权利要求7或8所述的方法的操作的部件。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110756858.0A CN115589609A (zh) | 2021-07-05 | 2021-07-05 | 用于无线通信系统的电子设备、方法和存储介质 |
EP22836785.0A EP4369767A1 (en) | 2021-07-05 | 2022-06-29 | Electronic device for use in wireless communication system, method and storage medium |
CN202280046653.6A CN117730560A (zh) | 2021-07-05 | 2022-06-29 | 用于无线通信系统的电子设备、方法和存储介质 |
PCT/CN2022/102285 WO2023280032A1 (zh) | 2021-07-05 | 2022-06-29 | 用于无线通信系统的电子设备、方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110756858.0A CN115589609A (zh) | 2021-07-05 | 2021-07-05 | 用于无线通信系统的电子设备、方法和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115589609A true CN115589609A (zh) | 2023-01-10 |
Family
ID=84772181
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110756858.0A Pending CN115589609A (zh) | 2021-07-05 | 2021-07-05 | 用于无线通信系统的电子设备、方法和存储介质 |
CN202280046653.6A Pending CN117730560A (zh) | 2021-07-05 | 2022-06-29 | 用于无线通信系统的电子设备、方法和存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280046653.6A Pending CN117730560A (zh) | 2021-07-05 | 2022-06-29 | 用于无线通信系统的电子设备、方法和存储介质 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4369767A1 (zh) |
CN (2) | CN115589609A (zh) |
WO (1) | WO2023280032A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116669045B (zh) * | 2023-06-08 | 2024-04-12 | 北京杰睿中恒科技有限公司 | 一种增强通信能力的双模通信系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108738151B (zh) * | 2018-05-18 | 2020-08-28 | 北京航空航天大学 | 一种基于粗略信息的无线预测资源分配方法 |
WO2020006687A1 (en) * | 2018-07-03 | 2020-01-09 | Nokia Shanghai Bell Co., Ltd. | Unified uplink control information for uplink transmission with configured grant |
CN111158902B (zh) * | 2019-12-09 | 2022-05-10 | 广东工业大学 | 一种移动边缘分布式机器学习系统和方法 |
CN112738851B (zh) * | 2020-12-16 | 2022-05-20 | 北京邮电大学 | 基于预测移动边缘网络的智能资源配置系统及其配置方法 |
-
2021
- 2021-07-05 CN CN202110756858.0A patent/CN115589609A/zh active Pending
-
2022
- 2022-06-29 EP EP22836785.0A patent/EP4369767A1/en active Pending
- 2022-06-29 WO PCT/CN2022/102285 patent/WO2023280032A1/zh active Application Filing
- 2022-06-29 CN CN202280046653.6A patent/CN117730560A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4369767A1 (en) | 2024-05-15 |
CN117730560A (zh) | 2024-03-19 |
WO2023280032A1 (zh) | 2023-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11456795B2 (en) | Electronic device and method for measuring a beam quality of a currently serving beam based on a prediction window when the detected beam quality is within a particular range | |
TWI755472B (zh) | 中繼通訊裝置、基地台、通訊方法及記錄媒體 | |
US11290239B2 (en) | Communication control apparatus and communication control method | |
WO2019167474A1 (ja) | 端末装置、通信制御装置、基地局、ゲートウェイ装置、制御装置、方法及び記録媒体 | |
US20180206235A1 (en) | Apparatus and method in wireless communications system | |
TWI654895B (zh) | Communication control device, communication control method, and terminal device | |
EP4369767A1 (en) | Electronic device for use in wireless communication system, method and storage medium | |
CN109155932A (zh) | 无线通信系统中的设备和无线通信方法 | |
EP3267741B1 (en) | Communication apparatus, communication method, and program | |
CN103313311A (zh) | 一种无线资源管理方法、用户设备和网络侧 | |
WO2021254211A1 (zh) | 用于无线通信的电子设备和方法、计算机可读存储介质 | |
CN117837215A (zh) | 电子设备、用户设备、无线通信方法和存储介质 | |
US20210143931A1 (en) | Methods, apparatuses, and computer programs for link adaptation | |
US20220110110A1 (en) | Communication device, communication method, and recording medium | |
WO2024012319A1 (zh) | 用于无线通信的电子设备和方法、计算机可读存储介质 | |
WO2023143216A1 (zh) | 用户设备、电子设备、无线通信方法和存储介质 | |
WO2023185562A1 (zh) | 用于无线通信的电子设备和方法、计算机可读存储介质 | |
WO2024027676A1 (zh) | 用于分层联邦学习网络中的切换的装置、方法和介质 | |
CN110786036B (zh) | 电子装置、无线通信方法以及计算机可读介质 | |
WO2024093717A1 (zh) | 电子设备、用于无线通信的方法以及计算机可读存储介质 | |
WO2023208043A1 (zh) | 用于无线通信系统的电子设备、方法和存储介质 | |
US20240114424A1 (en) | Systems and methods for dynamically controlling the configuration of a modem of a user equipment device | |
WO2021185111A1 (zh) | 用于无线通信的电子设备和方法、计算机可读存储介质 | |
CN117917907A (zh) | 用于无线通信的电子设备和方法、计算机可读存储介质 | |
CN116998179A (zh) | 用户设备、电子设备、无线通信方法和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |