CN115696376A - Ai内生的实现方法、终端及基站 - Google Patents

Abstract

一种AI内生的实现方法、终端及基站，其中，所述基站包括：第一功能面，用于通过与终端进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。本发明实现了一种智能内生的无线网络，提升了网络的智能化。本发明实施例能够直接将AI能力作为网络中服务的对象，可以对AI模型参数提供高保障和传输优化，提升AI和网络能力的适配度。

Description

AI内生的实现方法、终端及基站

技术领域

本发明涉及移动通信技术领域，具体涉及一种人工智能(ArtificialIntelligence，AI)内生的实现方法、终端及基站。

背景技术

5G与AI正在逐渐的融入到人们的生活，并且带了新的经济增长趋势。随着AI技术的迅猛发展，在未来网络中，网络的架构会越来越多的与AI技术进行融合。在今后的6G时代AI必然会成为网络架构不可缺少的一部分。

随着AI技术的迅猛发展，在未来网络中，网络的架构会越来越多的与AI技术进行融合。现有的AI模型是在网络侧进行训练，通过网络采集一部分网络或者终端的数据，进行AI建模，依据需要达到的目标进行优化设计。上述方案智能功能和网络功能相对独立。这种方案面临一些挑战：1)越来越多的数据需要上报，额外的占用了更多的网络带宽。2)无线的能力和AI效率相互制约，无法采用系统级的优化。3)终端的发展越来越智能，当前方面没有充分利用终端的智能，不能形成端到端智能。

可以看出，现有的网络架构与AI的结合还处于研究的初期，很多应用情景还没有在网络架构中进行考虑，比如AI的增强依然采用外挂式的解决办法，还没有提出智能内生的网络架构。虽然终端具有一定的算力，但是在网络进行设计时，没有考虑终端侧的AI能力。

发明内容

本发明的至少一个实施例提供了一种AI内生的实现方法、终端及基站，实现了一种智能内生的无线网络，提升了网络的智能化。

根据本发明的一个方面，至少一个实施例提供了一种基站，包括：

第一功能面，用于通过与终端进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

此外，根据本发明的至少一个实施例，所述第一功能面包括第一功能层，所述第一功能层用于执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种；

所述基站还包括：RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；其中，

所述RRC层功能模块，用于将所述第一功能层产生的信息，通过RRC信令的方式发送给终端或网络侧的网元；

所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，用于传输RRC层功能模块产生的RRC信令。

此外，根据本发明的至少一个实施例，第一功能层产生和接收的信息包括第一数据类型和第二数据类型，第一数据类型为用于基站和终端AI模型控制的控制信息，包括以下至少一类数据：AI任务配置信息、建立端到端AI模型的控制信息、数据采集与预处理的控制信息、AI任务评估配置的用于控制的任务信息，第二数据为基站和终端模型传递、数据采集传输或者数据预处理后的数据信息，包括以下至少一类数据：AI模型计算中传递的参数、数据采集任务采集或预处理后的数据、标签。

此外，根据本发明的至少一个实施例，所述MAC层功能模块，还用于将所述第一功能层产生的AI模型计算中传递的参数，发送给终端或网络侧的网元。

此外，根据本发明的至少一个实施例，所述第一功能层，还用于：

对AI任务需求进行分解，确定基站侧和终端侧的数据采集需求、AI模型架构、AI算法选择、AI模型评估算法中的至少一种，并通过RRC信令或MAC控制信息向终端发送AI任务配置信息，配置终端需要执行的AI任务，所述AI任务配置信息包括AI模型的分割方式、AI模型算法的配置、数据采集需求的配置、AI模型性能评估算法、执行的任务标识中的至少一种；

接收终端通过RRC信令或MAC CE向基站发送的预处理后的数据；

根据所述预处理后的数据，进行AI模型的训练或者与终端协同进行AI模型的联合训练，得到AI模型的参数配置，并利用采集的数据和对应的标签、以及AI模型性能评估算法，对AI模型进行验证评估；

根据训练得到的更新后的AI模型参数，向终端和/或网络侧的网元发送更新后的AI模型参数；

利用训练得到的AI模型，生成AI任务的决策信息，并将生成的决策信息发送给终端或网络侧的网元。

此外，根据本发明的至少一个实施例，所述AI任务需求包括网络侧的任务需求，和/或，终端侧上报的任务需求。

根据本发明的另一方面，至少一个实施例提供了一种终端，包括第二功能模块；

所述第二功能面，用于通过与基站进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

此外，根据本发明的至少一个实施例，所述第二功能面包括第二功能层，所述第二功能层用于执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种。

此外，根据本发明的至少一个实施例，第二功能层产生和接收的信息包括第三数据类型和第四数据类型，第三数据为用于基站和终端AI模型控制的控制信息，包括以下至少一类数据：AI任务配置信息，建立端到端AI模型的控制信息、数据采集与预处理的控制信息、AI任务评估配置的用于控制的任务信息，第四数据为基站和终端模型传递，数据采集传输或者数据预处理后的数据信息，包括以下至少一类数据：AI模型计算中的传递的参数、数据采集任务采集或预处理后的数据、标签。

此外，根据本发明的至少一个实施例，还包括：RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；其中，

所述RRC层功能模块，用于接收基站通过RRC信令的方式发送的信息，并转发至所述第二功能模块；

所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，用于向所述RRC层功能模块传输基站发送的RRC信令。

此外，根据本发明的至少一个实施例，所述MAC层功能模块，还用于接收所述基站产生的AI模型计算中传递的参数，并发送给所述第二功能层。

此外，根据本发明的至少一个实施例，所述第二功能层，还用于：

将AI任务需求通过所述RRC层功能模块发送给基站；

接收基站通过RRC信令或MAC控制信息发送的AI任务配置信息，确定需要执行的AI任务，所述AI任务配置信息包括AI模型的分割方式、AI模型算法的配置、数据采集需求的配置、AI模型性能评估算法、终端执行的任务标识中的至少一种；

根据数据采集需求的配置，采集数据并进行预处理，将预处理后的数据通过RRC信令或MAC CE发送给基站；

与所述基站协同进行AI模型的联合训练；

接收所述基站发送的更新后的AI模型参数；

接收基站发送的决策信息。

根据本发明的另一方面，至少一个实施例提供了一种AI内生的实现方法，应用于基站，所述基站包括有第一功能面，所述方法包括：

通过所述基站的第一功能面，与终端进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

此外，根据本发明的至少一个实施例，所述第一功能面包括第一功能层；所述基站还包括：RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；所述方法还包括：

通过所述第一功能层，执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种；

通过所述RRC层功能模块，将所述第一功能层产生的信息，通过RRC信令的方式发送给终端或网络侧的网元；

通过所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，传输RRC层功能模块产生的RRC信令。

根据本发明的另一方面，至少一个实施例提供了一种AI内生的实现方法，应用于终端，所述终端包括有第二功能面，所述方法包括：

通过所述终端的第二功能面，与基站进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

此外，根据本发明的至少一个实施例，所述第二功能面包括第二功能层；所述终端还包括RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；所述方法还包括：

通过所述第二功能层，执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种；

通过所述RRC层功能模块，接收基站通过RRC信令的方式发送的信息，并转发至所述第二功能模块；

通过所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，向所述RRC层功能模块传输基站发送的RRC信令。

根据本发明的另一方面，至少一个实施例提供了一种基站，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的方法的步骤。

根据本发明的另一方面，至少一个实施例提供了一种终端，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的方法的步骤。

根据本发明的另一方面，至少一个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有程序，所述程序被处理器执行时，实现如上所述的方法的步骤。

与现有技术相比，本发明实施例提供的AI内生的实现方法、终端及基站，实现了一种智能内生的无线网络，提升了网络的智能化。本发明实施例能够直接将AI能力作为网络中服务的对象，可以对AI模型参数提供高保障和传输优化，提升AI和网络能力的适配度。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例的一种应用场景示意图；

图2为本发明实施例提供的智能面的一种组成结构示意图；

图3为本发明实施例的基站与终端的智能面的交互的一种流程图；

图4为本发明实施例的端到端AI的实现流程的一种示例图；

图5为本发明实施例提供的AI内生的实现方法应用于基站侧时的流程图；

图6为本发明实施例提供的AI内生的实现方法应用于终端侧的流程图；

图7为本发明实施例提供的基站的一种结构示意图；

图8为本发明实施例提供的终端的一种结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。说明书以及权利要求中“和/或”表示所连接对象的至少其中之一。

本文所描述的技术不限于NR系统以及长期演进型(Long Time Evolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，并且也可用于各种无线通信系统，诸如码分多址(Code Division Multiple Access，CDMA)、时分多址(Time Division Multiple Access，TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency-Division Multiple Access，SC-FDMA)和其他系统。术语“系统”和“网络”常被可互换地使用。CDMA系统可实现诸如CDMA2000、通用地面无线电接入(UniversalTerrestrial Radio Access，UTRA)等无线电技术。UTRA包括宽带CDMA(Wideband CodeDivision Multiple Access，WCDMA)和其他CDMA变体。TDMA系统可实现诸如全球移动通信系统(Global System for Mobile Communication，GSM)之类的无线电技术。OFDMA系统可实现诸如超移动宽带(UltraMobile Broadband，UMB)、演进型UTRA(Evolution-UTRA，E-UTRA)、IEEE 802.21(Wi-Fi)、IEEE802.16(WiMAX)、IEEE 802.20、Flash-OFDM等无线电技术。UTRA和E-UTRA是通用移动电信系统(Universal Mobile Telecommunications System，UMTS)的部分。LTE和更高级的LTE(如LTE-A)是使用E-UTRA的新UMTS版本。UTRA、E-UTRA、UMTS、LTE、LTE-A以及GSM在来自名为“第三代伙伴项目”(3rd Generation PartnershipProject，3GPP)的组织的文献中描述。CDMA2000和UMB在来自名为“第三代伙伴项目2”(3GPP2)的组织的文献中描述。本文所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。然而，以下描述出于示例目的描述了NR系统，并且在以下大部分描述中使用NR术语，尽管这些技术也可应用于NR系统应用以外的应用。

以下描述提供示例而并非限定权利要求中阐述的范围、适用性或者配置。可以对所讨论的要素的功能和布置作出改变而不会脱离本公开的精神和范围。各种示例可恰适地省略、替代、或添加各种规程或组件。例如，可以按不同于所描述的次序来执行所描述的方法，并且可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

请参见图1，图1示出本发明实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络设备12。其中，终端11也可以称作用户终端或用户设备(UE，UserEquipment)，终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)、个人数字助理(Personal Digital Assistant，PDA)、移动上网装置(Mobile Internet Device，MID)、可穿戴式设备(Wearable Device)或车载设备等终端侧设备，需要说明的是，在本发明实施例中并不限定终端11的具体类型。网络设备12可以是基站和/或核心网网元，其中，上述基站可以是5G及以后版本的基站(例如：gNB、5G NR NB等)，或者其他通信系统中的基站(例如：eNB、WLAN接入点、或其他接入点等)，其中，基站可被称为节点B、演进节点B、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set，BSS)、扩展服务集(Extended ServiceSet，ESS)、B节点、演进型B节点(eNB)、家用B节点、家用演进型B节点、WLAN接入点、WiFi节点或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本发明实施例中仅以NR系统中的基站为例，但是并不限定基站的具体类型。

基站可在基站控制器的控制下与终端11通信，在各种示例中，基站控制器可以是核心网或某些基站的一部分。一些基站可通过回程与核心网进行控制信息或用户数据的通信。在一些示例中，这些基站中的一些可以通过回程链路直接或间接地彼此通信，回程链路可以是有线或无线通信链路。无线通信系统可支持多个载波(不同频率的波形信号)上的操作。多载波发射机能同时在这多个载波上传送经调制信号。例如，每条通信链路可以是根据各种无线电技术来调制的多载波信号。每个已调信号可在不同的载波上发送并且可携带控制信息(例如，参考信号、控制信道等)、开销信息、数据等。

基站可经由一个或多个接入点天线与终端11进行无线通信。每个基站可以为各自相应的覆盖区域提供通信覆盖。接入点的覆盖区域可被划分成仅构成该覆盖区域的一部分的扇区。无线通信系统可包括不同类型的基站(例如宏基站、微基站、或微微基站)。基站也可利用不同的无线电技术，诸如蜂窝或WLAN无线电接入技术。基站可以与相同或不同的接入网或运营商部署相关联。不同基站的覆盖区域(包括相同或不同类型的基站的覆盖区域、利用相同或不同无线电技术的覆盖区域、或属于相同或不同接入网的覆盖区域)可以交叠。

无线通信系统中的通信链路可包括用于承载上行链路(Uplink，UL)传输(例如，从终端11到网络设备12)的上行链路，或用于承载下行链路(Downlink，DL)传输(例如，从网络设备12到终端11)的下行链路。UL传输还可被称为反向链路传输，而DL传输还可被称为前向链路传输。下行链路传输可以使用授权频段、非授权频段或这两者来进行。类似地，上行链路传输可以使用有授权频段、非授权频段或这两者来进行。

现有技术的无线网络包括有数据面和控制面，没有考虑智能面的影响，后续的网络中在考虑终端和网络的能力后，也应该考虑智能面的设计。考虑到现有标准中网络功能和架构的定义都是以网络控制和数据传输为目的，并没有将端到端的智能作为网络的服务对象。基于此，本发明实施例考虑智能与无线网络相融合的方案，将网络智能作为网络的服务对象，为了实现这一目的，在本发明实施例中引入了智能面的定义。

本发明实施例针对网络智能内生进行研究，提出了一种智能内生的网络架构以及对应的AI交互流程，在充分挖掘终端算力的基础上，通过将智能作为空口传输的一部分，实现智能内生的网络，提升网络的智能化。

本发明实施例通过引入智慧内生的流程，实现智能面端到端贯穿整个网络的智能。AI作为基站中的一部分，通过与无线架构的融合，达到模型算法、交互流程与无线通信有机融合，从而更好的为端到端智能进行服务。

本发明实施例提出了智能面的定义，所述智能面的主要功能有：

1)端到端AI任务的控制，包括AI任务建立，任务开始执行和结束等；

2)AI模型和参数的传输、数据采集的上报控制等。

本发明实施例的智能面包括无线人工智能(Wireless AI，WAI)层和其余网络中的通信相关的协议模块或者协议层，以5G网络架构为例，智能面包括WAI、无线资源控制(Radio Resource Control，RRC)层、分组数据汇聚协议(Packet Data ConvergenceProtocol，PDCP)层、无线链路控制(Radio Link Control，RLC)层、媒体接入控制(MediaAccess Control，MAC)层和物理层(PHY)。本文中，也将基站侧的智能面称作第一功能面，将基站侧的WAI层称作第一功能层；将终端侧的智能面称作第二功能面，将终端侧的WAI层称作第二功能层。智能面如图1所示，其中：

WAI层用于基站和终端的端到端的AI控制、同步、计算、数据采集上报。WAI层与RRC层的功能不同，WAI层聚焦于AI能力的配置，AI任务的控制和相关计算的执行，基于任务和目标形成对应的决策。RRC层聚焦于将决策通过RRC配置的方式下发给终端。

RRC层用于将WAI产生的决策信息、配置等通过RRC信令的发送给终端或其他网元。

PDCP层、RLC层、MAC层执行RRC信令的传输。MAC层还可以传递WAI层中模型参数等参数，将该类的数据发送给网络或者终端。

为了保障端到端AI能力的灵活性，本发明实施例的接入网的WAI可以与核心网进行同步，达到AI能力统筹的效果。

具体的，本发明实施例中，基站包括有第一功能面(智能面)，所述第一功能面，用于通过与终端进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

具体的，所述第一功能面包括有第一功能层(WAI层)所述第一功能层用于执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种。

另外，如图2所示，所述基站还包括：RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；其中，

所述RRC层功能模块，用于将所述第一功能层产生的信息，通过RRC信令的方式发送给终端或网络侧的网元；

所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，用于传输RRC层功能模块产生的RRC信令。

本发明实施例中，所述第一功能层产生和接收的信息包括第一数据类型和第二数据类型，第一数据类型为用于基站和终端AI模型控制的控制信息，包括以下至少一类数据：AI任务配置信息、建立端到端AI模型的控制信息、数据采集与预处理的控制信息、AI任务评估配置的用于控制的任务信息，第二数据为基站和终端模型传递、数据采集传输或者数据预处理后的数据信息，包括以下至少一类数据：AI模型计算中传递的参数、数据采集任务采集或预处理后的数据、标签。

所述基站侧的MAC层功能模块，还用于将所述第一功能层产生的AI模型计算中传递的参数，发送给终端或网络侧的网元。

所述第一功能层，还用于通过执行以下步骤，实现智能内生的网络：

a)对AI任务需求进行分解，确定基站侧和终端侧的数据采集需求、AI模型架构、AI算法选择、AI模型评估算法中的至少一种，并通过RRC信令或MAC控制信息向终端发送AI任务配置信息，配置终端需要执行的AI任务，所述AI任务配置信息包括AI模型的分割方式、AI模型算法的配置、数据采集需求的配置、AI模型性能评估算法、执行的任务标识中的至少一种。这里，所述AI任务需求包括网络侧的任务需求，和/或，终端侧上报的任务需求。

b)接收终端通过RRC信令或MAC CE向基站发送的预处理后的数据。

c)根据所述预处理后的数据，进行AI模型的训练或者与终端协同进行AI模型的联合训练，得到AI模型的参数配置，并利用采集的数据和对应的标签、以及AI模型性能评估算法，对AI模型进行验证评估。

d)根据训练得到的更新后的AI模型参数，向终端和/或网络侧的网元发送更新后的AI模型参数。

e)利用训练得到的AI模型，生成AI任务的决策信息，并将生成的决策信息发送给终端或网络侧的网元。

本发明实施例中，所述终端包括第二功能面(智能面)。所述第二功能面，用于通过与基站进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

具体的，所述第二功能面包括第二功能层(WAI层)，所述第二功能层用于执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种。

这里，第二功能层产生和接收的信息包括第三数据类型和第四数据类型，第三数据为用于基站和终端AI模型控制的控制信息，包括以下至少一类数据：AI任务配置信息，建立端到端AI模型的控制信息、数据采集与预处理的控制信息、AI任务评估配置的用于控制的任务信息，第四数据为基站和终端模型传递，数据采集传输或者数据预处理后的数据信息，包括以下至少一类数据：AI模型计算中的传递的参数、数据采集任务采集或预处理后的数据、标签。

如图2所示，所述终端还包括：RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；其中，

所述RRC层功能模块，用于接收基站通过RRC信令的方式发送的信息，并转发至所述第二功能模块；

所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，用于向所述RRC层功能模块传输基站发送的RRC信令。

这里，所述MAC层功能模块，还用于接收所述基站产生的AI模型计算中传递的参数，并发送给所述第二功能层。

所述第二功能层，还用于通过执行以下步骤，实现智能内生的网络：

a)将AI任务需求通过所述RRC层功能模块发送给基站。

b)接收基站通过RRC信令或MAC控制信息发送的AI任务配置信息，确定需要执行的AI任务，所述AI任务配置信息包括AI模型的分割方式、AI模型算法的配置、数据采集需求的配置、AI模型性能评估算法、终端执行的任务标识中的至少一种。

c)根据数据采集需求的配置，采集数据并进行预处理，将预处理后的数据通过RRC信令或MAC CE发送给基站。

d)与所述基站协同进行AI模型的联合训练。

e)接收所述基站发送的更新后的AI模型参数。

f)接收基站发送的决策信息。

基于以上架构，本发明实施例还引入了接入网侧的智能面间的交互流程，包括架构中的端到端AI任务控制流程、数据采集上报流程、AI同步流程等。根据传输内容的不同，WAI也可以进一步分为第一数据类型(AI-C)和第二数据类型(AI-U)，AI-C是用于端到端模型控制等的控制信息，AI-U是模型传递、数据采集传输或者预处理后的数据传输等信息。端到端AI任务控制，AI模型端到端的建立、数据采集与预处理、AI任务评估配置等控制任务中传输的数据，称为AI-C。AI模型计算中的参数传递、数据采集以及预处理后的参数处理，标签传递等中传输的数据，称为AI-U。

请参照图3，本发明实施例的基站与终端的智能面的交互，主要包括：

A)需求分解：将终端或网络的AI任务需求，发送给终端或网络的WAI层。WAI层按照AI任务需求，决定基站侧和网络侧的数据采集需求、AI模型架构、AI算法选择、AI模型评估算法等。参见图3中的步骤301。

B)任务分解与配置：基站按照需求分解的结果，将需要终端进行的AI任务通过RRC信令或者MAC CE通知到UE侧的WAI实体中。可能包括模型算法的分割、模型算法的配置、数据采集的配置、性能评估算法。终端WAI按照配置需求，选择合适的模型和算法。见图3中的步骤302和303。

C)数据采集和数据预处理：终端WAI按照收到的数据处理要求，可能包括格式化数据格式以及对应标签的定义，生成预处理后的数据，通过RRC信令或者MAC CE上报给基站WAI。见图3中的步骤304。

D)性能评估与验证：根据基站或者终端WAI配置的评估方法进行评估验证。例如，基站WAI训练或者基站和终端的WAI的联合训练，得到模型的参数配置，并利用采集的数据和对应的标签，以及确定的评估算法进行验证。见图3中的步骤305和306。

E)结果下发：按照需求目标，WAI把AI模型获得的决策信息发给对应的网元，涉及到终端的决策由RRC信令或者MAC PDU通知到终端。见图3中的步骤307和308。

F)对于结果下发后仍然无法满足需求的任务，重新进行需求分解，通过其他的模型架构和AI算法进行解决。见图3中的步骤309和310。

以调度优化为例，说明基于以上架构是如何实现优化流程的，主要包括：

S1.网络收到调度优化的请求，分解任务需求，确定AI模型信息，例如CNN数据采集(例如用户每个逻辑信息的数据量，数据包大小，信道情况，移动速度)和数据预处理并配置给终端。

S2.基站发送RRC信令，携带AI模型信息，数据采集配置信息通知给终端。

S3.终端按照任务配置，进行数据采集和数据预处理。

S4.终端上报数据采集和预处理结果给基站。

S5.基站进行模型推理训练，产生调度结果，发送给终端。

S6.终端按照调度结果，评估调度性能，如果性能没有满足，继续上报需求给基站。

重复上述S1到S5直到满足需求或者到达预设的最大上报次数。

请参照图4，基于本发明实施例的网络架构，提供了一种端到端AI的流程示例，包括：

A)需求分解：任务需求包括两种情况：a、来自网络的任务需求(对应图4的1)，由基站侧的WAI进行需求分解，确认模型算法；b、来自终端的任务需求，通过RRC信令上报到网络侧(对应图4的1.1-1.4)，由网络侧进行需求分解。在需求分解之后，基站通过RRC信令将分解后的任务配置到终端。对应图4中的2-4。

需求分解包括：终端和网络侧的任务指示，双方需要执行的训练任务，还包括约定双方待采集的数据类型，格式，标签值的定义等。

B)任务分解与模型配置：基站侧WAI将涉及到终端的模型通过RRC信令配置到终端侧。对应图4中的5-7。

C)数据采集和数据预处理：通过RRC信令或者MAC数据包，将终端WAI按照约定的格式、类型和标签发送给基站WAI，对应图4中的8-10。

D)模型的训练与性能评估：通过RRC信令或者MAC数据包进行端到端AI参数更新，并按照配置的评估准则进行性能评估对应图4中的11-16。

E)结果下发：通过RRC信令或者MAC控制CE，将WAI的结果，例如空口参数更新，发送给终端侧，终端根据基站的配置进行配置更新，对应图4中的17-18。

从以上所述可以看出，本发明实施例提供了一种智慧内生理念下基站和终端AI内生网络模块的交互流程，通过引入智能面的定义、需求分解、模型配置、数据采集、模型优化和结果下发等流程，通过RRC信令以及MAC数据包的交互传输数据采集的需求以及模型的参数，以及，通过数据采集的配置，直接将AI能力作为网络中服务的对象，可以对AI模型参数提供高保障和传输优化，提升AI和网络能力的适配度。

请参照图5，本发明实施例提供的一种AI任务的控制方法，在应用于基站，包括：

步骤501，通过所述基站的第一功能面，与终端进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

通过以上步骤，本发明实施例实现了一种智能内生的无线网络，提升了网络的智能化。

可选的，所述第一功能面包括第一功能层；所述基站还包括：RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；所述方法还包括：

通过所述第一功能层，执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种；

通过所述RRC层功能模块，将所述第一功能层产生的信息，通过RRC信令的方式发送给终端或网络侧的网元；

通过所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，传输RRC层功能模块产生的RRC信令。

可选的，所述第一功能层产生和接收的信息包括第一数据类型和第二数据类型，第一数据类型为用于基站和终端AI模型控制的控制信息，包括以下至少一类数据：AI任务配置信息、建立端到端AI模型的控制信息、数据采集与预处理的控制信息、AI任务评估配置的用于控制的任务信息，第二数据为基站和终端模型传递、数据采集传输或者数据预处理后的数据信息，包括以下至少一类数据：AI模型计算中传递的参数、数据采集任务采集或预处理后的数据、标签。

可选的，所述MAC层功能模块，还将所述第一功能层产生的AI模型计算中传递的参数，发送给终端或网络侧的网元。

可选的，所述第一功能层，还执行以下步骤：

对AI任务需求进行分解，确定基站侧和终端侧的数据采集需求、AI模型架构、AI算法选择、AI模型评估算法中的至少一种，并通过RRC信令或MAC控制信息向终端发送AI任务配置信息，配置终端需要执行的AI任务，所述AI任务配置信息包括AI模型的分割方式、AI模型算法的配置、数据采集需求的配置、AI模型性能评估算法、执行的任务标识中的至少一种；

接收终端通过RRC信令或MAC CE向基站发送的预处理后的数据；

根据所述预处理后的数据，进行AI模型的训练或者与终端协同进行AI模型的联合训练，得到AI模型的参数配置，并利用采集的数据和对应的标签、以及AI模型性能评估算法，对AI模型进行验证评估；

根据训练得到的更新后的AI模型参数，向终端和/或网络侧的网元发送更新后的AI模型参数；

利用训练得到的AI模型，生成AI任务的决策信息，并将生成的决策信息发送给终端或网络侧的网元。

可选的，所述AI任务需求包括网络侧的任务需求，和/或，终端侧上报的任务需求。

请参照图6，本发明实施例提供的一种AI内生的实现方法，在应用于终端侧时，包括：

步骤601，通过所述终端的第二功能面，与基站进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

可选的，所述第二功能面包括第二功能层；所述终端还包括RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；所述方法还包括：

通过所述第二功能层，执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种；

通过所述RRC层功能模块，接收基站通过RRC信令的方式发送的信息，并转发至所述第二功能模块；

通过所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，向所述RRC层功能模块传输基站发送的RRC信令。

可选的，第二功能层产生和接收的信息包括第三数据类型和第四数据类型，第三数据为用于基站和终端AI模型控制的控制信息，包括以下至少一类数据：AI任务配置信息，建立端到端AI模型的控制信息、数据采集与预处理的控制信息、AI任务评估配置的用于控制的任务信息，第四数据为基站和终端模型传递，数据采集传输或者数据预处理后的数据信息，包括以下至少一类数据：AI模型计算中的传递的参数、数据采集任务采集或预处理后的数据、标签。

可选的，所述MAC层功能模块，还接收所述基站产生的AI模型计算中传递的参数，并发送给所述第二功能层。

可选的，所述第二功能层，还执行以下步骤：

将AI任务需求通过所述RRC层功能模块发送给基站；

接收基站通过RRC信令或MAC控制信息发送的AI任务配置信息，确定需要执行的AI任务，所述AI任务配置信息包括AI模型的分割方式、AI模型算法的配置、数据采集需求的配置、AI模型性能评估算法、终端执行的任务标识中的至少一种；

根据数据采集需求的配置，采集数据并进行预处理，将预处理后的数据通过RRC信令或MAC CE发送给基站；

与所述基站协同进行AI模型的联合训练；

接收所述基站发送的更新后的AI模型参数；

接收基站发送的决策信息。

以上介绍了本发明实施例的各种方法。下面将进一步提供实施上述方法的装置。

请参考图7，本发明实施例提供了基站的一结构示意图，包括：处理器701、收发机702、存储器703和总线接口，其中：

在本发明实施例中，基站还包括：存储在存储器上703并可在处理器701上运行的程序，所述程序被处理器701执行时实现如下步骤：

通过所述基站的第一功能面，与终端进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

可理解的，本发明实施例中，所述计算机程序被处理器701执行时可实现上述图5所示的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

在图7中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器701代表的一个或多个处理器和存储器703代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机702可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。

处理器701负责管理总线架构和通常的处理，存储器703可以存储处理器701在执行操作时所使用的数据。

需要说明的是，该实施例中的终端是与上述图5所示的方法对应的设备，上述各实施例中的实现方式均适用于该终端的实施例中，也能达到相同的技术效果。该设备中，收发机702与存储器703，以及收发机702与处理器701均可以通过总线接口通讯连接，处理器701的功能也可以由收发机702实现，收发机702的功能也可以由处理器701实现。在此需要说明的是，本发明实施例提供的上述设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。

在本发明的一些实施例中，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现以下步骤：

通过基站的第一功能面，与终端进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

该程序被处理器执行时能实现上述应用于基站的AI内生的实现方法中的所有实现方式，且能达到相同的技术效果，为避免重复，此处不再赘述。

请参照图8，本发明实施例提供的终端的一种结构示意图，该终端包括：处理器801、收发机802、存储器803、用户接口804和总线接口。

在本发明实施例中，终端还包括：存储在存储器上803并可在处理器801上运行的程序。

所述处理器801执行所述程序时实现以下步骤：

通过所述终端的第二功能面，与基站进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

可理解的，本发明实施例中，所述计算机程序被处理器801执行时可实现上述图6所示的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

在图8中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器801代表的一个或多个处理器和存储器803代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机802可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备，用户接口804还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。

处理器801负责管理总线架构和通常的处理，存储器803可以存储处理器801在执行操作时所使用的数据。

需要说明的是，该实施例中的设备是与上述图6所示的方法对应的设备，上述各实施例中的实现方式均适用于该设备的实施例中，也能达到相同的技术效果。该设备中，收发机802与存储器803，以及收发机802与处理器801均可以通过总线接口通讯连接，处理器801的功能也可以由收发机802实现，收发机802的功能也可以由处理器801实现。在此需要说明的是，本发明实施例提供的上述设备，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。

在本发明的一些实施例中，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现以下步骤：

通过所述终端的第二功能面，与基站进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

该程序被处理器执行时能实现上述应用于终端侧的AI内生的实现方法中的所有实现方式，且能达到相同的技术效果，为避免重复，此处不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (19)

1.一种基站，其特征在于，包括：

第一功能面，用于通过与终端进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

2.如权利要求1所述的基站，其特征在于，

所述第一功能面包括第一功能层，所述第一功能层用于执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种；

所述基站还包括：RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；其中，

所述RRC层功能模块，用于将所述第一功能层产生的信息，通过RRC信令的方式发送给终端或网络侧的网元；

所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，用于传输RRC层功能模块产生的RRC信令。

3.如权利要求2所述的基站，其特征在于，

第一功能层产生和接收的信息包括第一数据类型和第二数据类型，第一数据类型为用于基站和终端AI模型控制的控制信息，包括以下至少一类数据：AI任务配置信息、建立端到端AI模型的控制信息、数据采集与预处理的控制信息、AI任务评估配置的用于控制的任务信息，第二数据为基站和终端模型传递、数据采集传输或者数据预处理后的数据信息，包括以下至少一类数据：AI模型计算中传递的参数、数据采集任务采集或预处理后的数据、标签。

4.如权利要求3所述的基站，其特征在于，

所述MAC层功能模块，还用于将所述第一功能层产生的AI模型计算中传递的参数，发送给终端或网络侧的网元。

5.如权利要求3所述的基站，其特征在于，所述第一功能层，还用于：

对AI任务需求进行分解，确定基站侧和终端侧的数据采集需求、AI模型架构、AI算法选择、AI模型评估算法中的至少一种，并通过RRC信令或MAC控制信息向终端发送AI任务配置信息，配置终端需要执行的AI任务，所述AI任务配置信息包括AI模型的分割方式、AI模型算法的配置、数据采集需求的配置、AI模型性能评估算法、执行的任务标识中的至少一种；

接收终端通过RRC信令或MAC CE向基站发送的预处理后的数据；

根据所述预处理后的数据，进行AI模型的训练或者与终端协同进行AI模型的联合训练，得到AI模型的参数配置，并利用采集的数据和对应的标签、以及AI模型性能评估算法，对AI模型进行验证评估；

根据训练得到的更新后的AI模型参数，向终端和/或网络侧的网元发送更新后的AI模型参数；

利用训练得到的AI模型，生成AI任务的决策信息，并将生成的决策信息发送给终端或网络侧的网元。

6.如权利要求5所述的基站，其特征在于，

所述AI任务需求包括网络侧的任务需求，和/或，终端侧上报的任务需求。

7.一种终端，其特征在于，包括第二功能模块；

所述第二功能面，用于通过与基站进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

8.如权利要求7所述的终端，其特征在于，

所述第二功能面包括第二功能层，所述第二功能层用于执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种。

9.如权利要求7所述的终端，其特征在于，

第二功能层产生和接收的信息包括第三数据类型和第四数据类型，第三数据为用于基站和终端AI模型控制的控制信息，包括以下至少一类数据：AI任务配置信息，建立端到端AI模型的控制信息、数据采集与预处理的控制信息、AI任务评估配置的用于控制的任务信息，第四数据为基站和终端模型传递，数据采集传输或者数据预处理后的数据信息，包括以下至少一类数据：AI模型计算中的传递的参数、数据采集任务采集或预处理后的数据、标签。

10.如权利要求7所述的终端，其特征在于，还包括：RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；其中，

所述RRC层功能模块，用于接收基站通过RRC信令的方式发送的信息，并转发至所述第二功能模块；

所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，用于向所述RRC层功能模块传输基站发送的RRC信令。

11.如权利要求10所述的终端，其特征在于，

所述MAC层功能模块，还用于接收所述基站产生的AI模型计算中传递的参数，并发送给所述第二功能层。

12.如权利要求10所述的终端，其特征在于，所述第二功能层，还用于：

将AI任务需求通过所述RRC层功能模块发送给基站；

接收基站通过RRC信令或MAC控制信息发送的AI任务配置信息，确定需要执行的AI任务，所述AI任务配置信息包括AI模型的分割方式、AI模型算法的配置、数据采集需求的配置、AI模型性能评估算法、终端执行的任务标识中的至少一种；

根据数据采集需求的配置，采集数据并进行预处理，将预处理后的数据通过RRC信令或MAC CE发送给基站；

与所述基站协同进行AI模型的联合训练；

接收所述基站发送的更新后的AI模型参数；

接收基站发送的决策信息。

13.一种AI内生的实现方法，应用于基站，所述基站包括有第一功能面，其特征在于，所述方法包括：

通过所述基站的第一功能面，与终端进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

14.如权利要求13所述的方法，其特征在于，所述第一功能面包括第一功能层；所述基站还包括：RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；所述方法还包括：

通过所述第一功能层，执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种；

通过所述RRC层功能模块，将所述第一功能层产生的信息，通过RRC信令的方式发送给终端或网络侧的网元；

通过所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，传输RRC层功能模块产生的RRC信令。

15.一种AI内生的实现方法，应用于终端，所述终端包括有第二功能面，其特征在于，所述方法包括：

通过所述终端的第二功能面，与基站进行交互，执行以下流程中的至少一种：人工智能AI任务控制流程、数据采集上报流程、AI模型的传输和同步流程。

16.如权利要求15所述的方法，其特征在于，所述第二功能面包括第二功能层；所述终端还包括RRC层功能模块、PDCP层功能模块、RLC层功能模块和MAC层功能模块；所述方法还包括：

通过所述第二功能层，执行AI任务控制流程、AI任务计算、数据采集上报流程、AI模型的传输和同步流程中的至少一种；

通过所述RRC层功能模块，接收基站通过RRC信令的方式发送的信息，并转发至所述第二功能模块；

通过所述PDCP层功能模块、RLC层功能模块和MAC层功能模块，向所述RRC层功能模块传输基站发送的RRC信令。

17.一种基站，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求13至14任一项所述的方法的步骤。

18.一种终端，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求15至16任一项所述的方法的步骤。

19.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求13至16任一项所述的方法的步骤。

Images