CN116193504A - 一种信道状态信息的上报方法、电子设备及存储介质 - Google Patents

Abstract

本申请实施例涉及通信技术领域，公开了一种信道状态信息的上报方法、电子设备及存储介质。信道状态信息的上报方法，应用于站点STA，包括：获取目标带宽中各目标单元的信道状态信息；所述目标单元包括多资源单元MRU，或者，所述目标单元包括所述目标带宽非连续情况下的所述目标带宽中的各连续频带；基于预设的机器学习模型，压缩各所述目标单元的信道状态信息，以根据压缩结果生成信道测量报告；向无线接入点AP发送所述信道测量报告。至少有利于减少非连续带宽或者多资源单元调度时的信道状态信息上报过程中占用资源。

Description

一种信道状态信息的上报方法、电子设备及存储介质

技术领域

本申请实施例涉及通信技术领域，特别涉及一种信道状态信息的上报方法、电子设备及存储介质。

背景技术

通信系统需要对信道进行测量，以获得信道状态信息，从而根据信道状态信息进行波束赋形，资源调度等。目前无线信道的信道状态信息通常是通过如下方式实现上报：无线接入点（Access Point，AP）发出空数据包（Null Data Packet，NDP），站点（Station，STA）根据接收到的NDP进行信道估计，得到信道状态信息，并将信道状态信息上报给AP。

然而，随着通信系统变得复杂，比如支持越来越多的空间流、使用越来越多的天线、使用越来越大的带宽等，需要上报的信道状态信息的数据量变得越来越大。同时，由于希望能够更准确实时地获取测量的信道状态信息，因此，通信系统对信道状态信息的需求也越来越频繁。这样，将会有大量的信道状态信息需要上报，严重占用了无线资源。

发明内容

本申请实施例提供了一种信道状态信息的上报方法、电子设备及存储介质，至少有利于减少非连续带宽或者多资源单元调度时的信道状态信息上报过程中占用的资源。

根据本申请一些实施例，本申请实施例提供了一种信道状态信息的上报方法，应用于站点STA，所述方法包括：获取目标带宽中各目标单元的信道状态信息；所述目标单元包括多资源单元MRU，或者，所述目标单元包括所述目标带宽非连续情况下的所述目标带宽中的各连续频带；基于预设的机器学习模型，压缩各所述目标单元的信道状态信息，以根据压缩结果生成信道测量报告；向无线接入点AP发送所述信道测量报告。

根据本申请一些实施例，本申请实施例还提供了一种信道状态信息的上报方法，应用于无线接入点AP，所述方法包括：接收站点STA发送的信道测量报告，所述信道测量报告携带目标带宽的信道状态信息的压缩结果；基于预设的机器学习模型，对所述压缩结果进行还原，得到若干信道状态信息；将还原得到的信道状态信息与所述目标带宽中各目标单元进行对应，以确定各所述目标单元的信道状态信息，所述目标单元包括多资源单元MRU，或者，所述目标单元包括所述目标带宽非连续情况下的所述目标带宽中的各连续频带。

根据本申请一些实施例，本申请实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一所述的信道状态信息的上报方法。

根据本申请一些实施例，本申请实施例还提供了一种计算机可读存储介质，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上任一项所述的信道状态信息的上报方法。

本申请实施例提供的技术方案至少具有以下优点：

STA以MRU，或者，带宽非连续情况下的目标带宽中的各连续频带为目标单元，通过在获取到目标带宽中各目标单元的信道状态信息后，基于预设的机器学习模型压缩获取到的信道状态信息，使得发送给AP生成测量报告中的信道状态信息为压缩数据，有利于减少传输的数据量，进而有利于减少非连续带宽或者多资源单元调度时的信道状态信息上报所占用的资源。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。

图1是本申请一实施例提供的信道状态信息的上报方法的流程图；

图2是本申请一实施例提供的包括压缩第一拼接结果步骤的信道状态信息的上报方法的流程图；

图3是本申请一实施例提供的信道状态信息的上报方法涉及的信道状态信息的一种压缩示意图；

图4是本申请一实施例提供的信道状态信息的上报方法涉及的信道状态信息的另一种压缩示意图；

图5是本申请一实施例提供的包括划分步骤的信道状态信息的上报方法的流程图；

图6是本申请一实施例提供的信道状态信息的上报方法涉及的信道状态信息的又一种压缩示意图；

图7是本申请一实施例提供的包括填充步骤的信道状态信息的上报方法的流程图；

图8是本申请一实施例提供的信道状态信息的上报方法涉及的信道状态信息的再一种压缩示意图；

图9是本申请一实施例提供的包括压缩第二拼接结果步骤的信道状态信息的上报方法的流程图；

图10是本申请一实施例提供的信道状态信息的上报方法涉及的信道状态信息的其他一种压缩示意图；

图11是本申请一实施例提供的包括确定对应的模型步骤的信道状态信息的上报方法的流程图；

图12是本申请一实施例提供的信道状态信息的上报方法涉及的信道状态信息的模型部署一种示意图；

图13是本申请一实施例提供的信道状态信息的上报方法涉及的信道状态信息的模型部署另一种示意图；

图14是本申请一实施例提供的包括接收步骤的信道状态信息的上报方法的流程图；

图15是本申请一实施例提供的现有STA info subfield消息的结构示意图；

图16是本申请一实施例提供的信道状态信息的上报方法涉及的STA infosubfield消息的一种结构示意图；

图17是本申请一实施例提供的信道状态信息的上报方法涉及的STA infosubfield消息的另一种结构示意图；

图18是本申请一实施例提供的包括将还原得到的信道状态信息与目标带宽中各目标单元进行对应步骤的信道状态信息的上报方法的流程图；

图19是本申请一实施例提供的包括检测步骤的信道状态信息的上报方法的流程图；

图20是本申请一实施例提供的电子设备的结构示意图。

具体实施方式

由背景技术可知，信道状态信息上报对资源的占用比较严重，亟需解决。

虽然目前已经提出了STA先对获取到连续带宽的信道状态信息进行压缩，再发送到AP的信道状态信息的上报方法。但是并不是所有的场景下的待测带宽均为连续带宽，如有某个窄带强干扰存在于Wi-Fi工作带宽某处，或者，已有某个窄带系统（比如雷达系统）工作在Wi-Fi工作带宽某处，或者，某段带宽在某地区不可用于Wi-Fi系统等。也就是说，为了不对已有系统产生干扰，或者减小Wi-Fi自身能量消耗，需要绕过某段频段，测量不连续带宽的信道状态信息并上报。由此可见，如何实现对非连续带宽的信道状态信息上报资源占用减少是目前需要解决的问题。

并且，多资源单元(Multiple Resource Unit，MRU)调度已经成为802.11be的一个特征。MRU调度场景下的信道状态信息的上报也是亟需解决的问题。尤其是信道状态信息上报设备被调度的MRU所包含的资源单元(Resource Unit，RU)可能不连续的分布在工作带宽上，进而也会出现测量信道不连续的情况。

为解决上述问题，本申请实施例提供的信道状态信息的上报方法，STA以MRU，或者，带宽非连续情况下的目标带宽中的各连续频带为目标单元，通过在获取到目标带宽中各目标单元的信道状态信息后，基于预设的机器学习模型压缩获取到的信道状态信息，使得发送给AP生成测量报告中的信道状态信息为压缩数据，有利于减少传输的数据量，进而有利于减少非连续带宽或者多资源单元调度时的信道状态信息上报所占用的资源。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实例施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。

以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。

本申请的实施例一方面提供了一种信道状态信息的上报方法，应用于STA。在一些实施例中，其流程可以如图1所示，包括以下步骤：

步骤101，获取目标带宽中各目标单元的信道状态信息；目标单元包括MRU，或者，目标单元包括目标带宽非连续情况下的目标带宽中的各连续频带。

本实施例中的目标带宽为接收到NDP的信道所覆盖的带宽。从而基于NDP可以获取目标带宽的信道状态信息。

在一些实施例中，应用于带宽非连续的信道状态信息上报场景，此时，目标带宽非连续是指目标带宽对应至少两个交集为空集的频率区间的并集对应的带宽。前述至少两个频率区间中的每个频率区间即目标带宽中的连续频带，其中，对于频率区间而言，其对应的带宽是连续，因此，其属于连续频带。

为便于本领域技术人员更好地理解，以下将进行举例说明：在一个例子中，目标带宽对应[2.412GHz，2.432 GHz]∪[2.447GHz，2.457 GHz]，此时目标带宽非连续，目标带宽中的连续频带包括[2.412GHz，2.432 GHz]和[2.447GHz，2.457 GHz]。

在一些实施例中，应用于MRU调度场景，此时，目标带宽为所有被调度的MRU所占用的带宽。

需要说明的是，单个或多个MRU对应的带宽的连续性以及不同的MRU对应的带宽大小并不存在限定。MRU是由多个RU构成，构成单个MRU的多个RU之间对应的带宽可以在频率上不连续分布，并且不同MRU所包含的RU的数量或各个RU对应的带宽大小可能不同，因此，不同MRU对应的带宽大小可能相同，也可能不同，其根据调度需求或配置等可以有所不同。而多个MRU之间对应的带宽也可以在频率上不连续分布，本申请实施例并不对此进行限定。

还需要说明的是，本实施例不对信道状态信息进行具体的限定，信道状态信息可以是任一或任一些能够描述对应信道状态的信息，以用于波束赋形和/或资源调度等。其可以包括以下信息中的一项或其组合：原始信道估计值、波束赋形系数、信道特征值、信道特征值向量、信道质量标识（Channel Quality Indication，CQI）、信噪比（Signal to NoiseRatio，SNR)、差量信噪比(Delta-Signal to Noise Ratio， Delta-SNR)、波束赋形矩阵上报的相位、波束赋形矩阵上报的角度等，其中，差量信噪比为STA估计到的信噪比减掉平均信噪比后的结果。

可以理解的是，为了更贴合实际的需求，根据实际的需求不同，可以在不同的实施例中对步骤101中所获取到的信道状态信息的种类进行不同的具体限定。如，在一些实施例中，信道状态信息可以包括CQI，以便于确定调制类型以及选择阶数；在另一些实施例中，信道状态信息可以包括波束赋形矩阵上报的相位和波束赋形矩阵上报的角度，以便于更好地进行波束赋形等，此处就不再一一赘述了。

相应地，信道状态信息的获取与所需要的信道状态信息的类型相适应，可以针对每个目标单元以连续的带宽的方式获取对应的信道状态信息，此处也不再一一赘述了。

在一些实施例中，信道状态信息还可以是数据量化后的信道状态信息。

步骤102，基于预设的机器学习模型，压缩各目标单元的信道状态信息，以根据压缩结果生成信道测量报告。

本实施例不对机器学习模型进行限定，其可以是基于机器学习实现的任一或任一些能够实现数据压缩功能且压缩后的结果能够被解压还原的模型。其中，实现压缩数据功能的模型部分在STA侧，对应的解压缩功能的模型部分在AP侧。

在一些实施例中，机器学习模型可以是自编码器模型，或者是基于机器学习的分类器模型（类似于LTE codebook），或者是自编码器模型和分类器模型的结合。

在一些实施例中，数据压缩解压功能是由有数据压缩解压缩的机器学习模型和传统非机器学习方法的结合实现，其中，这里传统非机器学习方法为802.11ax的信道状态信息压缩方法。

需要说明的是，在一些实施例中，根据压缩结果生成信道测量报告可以通过如下方式实现：将压缩结果作为信道状态信息写入信道测量报告。

还需要说明的是，信道测量报告中的信道状态信息还可以是原始的压缩信道状态信息，也可以是量化的压缩信道状态信息等。

步骤103，向无线接入点AP发送信道测量报告。

在一些情况下，信道测量报告可以是Compressed beamforming或CQI report。

在一些情况下，为了与已有的连续带宽的信道状态信息上报时采用的Compressedbeamforming和CQI report进行区分，信道测量报告还可以被重命名为 Machine LearningCompressed beamforming/CQI report、ML Compressed beamforming/CQI report或MLbased NDP report，本质上是包含经过机器学习处理/压缩过的信道状态信息。

在一些实施例中，为了便于AP了解当前发送的信道测量报告未经过压缩过的信道状态信息，还可以向STA发送携带用于指示上报的信道状态信息是否为经过压缩的信道状态信息的NDP announcement frame。

可以理解的是，相对于将获取到的所有信道状态信息无损完全地发送给AP，对信道状态信息进行压缩，将会使得信道测量报告所包含的数据量减少，从而信道测量报告的发送所占用的资源将会减少，降低了非连续带宽或者多资源单元调度时的信道状态信息上报过程中占用的资源。

为便于本领域技术人员更好地理解上述实施例，以下将结合不同的场景、需求等进行说明。

在一些实施例中，基于预设的机器学习模型，压缩各目标单元的信道状态信息，可以通过如下方式实现：基于机器学习模型，对不同的目标单元的信道状态信息分别进行压缩。

也就是说，将每个目标单元作为一个独立的整体，不同目标单元的信道状态信息分开压缩，同一目标单元的信道状态信息一起压缩。这样能够避免不同目标单元的信道状态信息彼此之间的影响，更不容易出现多个目标单元压缩的信道状态信息一起出错的情况，有利于提高信道状态信息上报的可靠性。

在一些实施例中，目标单元包括MRU，也就是说，逐MRU进行压缩处理。其中，可以使用一个机器学习模型逐一处理MRU的信道状态信息，这样每个MRU的信道状态信息采用的压缩方式保持一致，有利于减少其他因素对压缩结果的影响；还可以是每个MRU的信道状态信息对应一个机器学习模型，这样有利于并行实现压缩处理，提高处理效率。

这样，实现了将本申请实施例提供的信道状态信息的上报方法与RU调度场景相结合，有利于解决MRU调度场景下的信道状态上报的资源占用问题。因为有的MRU可能对信道状态信息要求比较高，需要在频域上高密度的上报信道状态信息，而有的MRU信道比较平缓，对信道状态信息要求比较低，需要在频域上低密度的上报信道状态信息。从而，可以根据不同的MRU决定其对应的信道状态信息分段上报。

需要说明的是，还可以逐RU进行压缩处理，其与逐MRU大致相同，其区别在于针对的是MRU还是RU，此处就不再一一赘述了。

在一些实施例中，目标单元包括连续频带，也就是说，逐连续频带进行压缩处理。其中，可以使用一个机器学习模型逐一处理连续频带的信道状态信息，这样每个连续频带的信道状态信息采用的压缩方式保持一致，有利于减少其他因素对压缩结果的影响；还可以是每个连续频带的信道状态信息对应一个机器学习模型，这样有利于并行实现压缩处理，提高处理效率。

在一些例子中，连续频带覆盖至少一个子信道，此时，获取目标带宽中各目标单元的信道状态信息即获取目标带宽包含的各个子信道的信道状态信息。这样，通过获取每个子信道的信道状态信息得到各连续频带的信道状态信息，使得提供的信道状态信息的上报方法与子信道调度场景相结合。

也就是说，通过对连续带宽的信道状态信息的获取压缩，解决了子信道调度场景下非连续带宽信道状态上报的资源占用过大问题。

在一些实施例中，如图2所示，在基于预设的机器学习模型，压缩各目标单元的信道状态信息之前，信道状态信息的上报方法还包括：

步骤104，对所有目标单元中带宽连续分布部分的信道状态信息进行拼接，得到至少两个第一拼接结果。

相应地，基于预设的机器学习模型，压缩各目标单元的信道状态信息，通过如下方式实现：基于机器学习模型，对至少两个第一拼接结果中每个第一拼接结果分别进行压缩，即图2中的步骤1021。

也就是说，对目标单元的信道状态信息进行分段处理。

为便于本领域技术人员更好地理解上述实施例，以下将结合如图3和图4所示的压缩示意图进行说明。

在目标单元包括MRU的情况下，如图3所示，填充部分表示目标带宽，未填充部分为目标带宽中连续带宽之间间隔的带宽，填充部分的每个矩形表示一个MRU，为便于理解，图3中间隔开的相邻的填充矩形对应的信道状态信息分别采用了不同模型处理，即从上至下，第1个填充矩形表示的MRU的信道状态信息由模型1压缩，第2个和第3个阴影表示的填充矩形表示的MRU对应的带宽在频率上连续，其信道状态信息一起送入由模型2同时被压缩，第4个填充矩形表示的MRU的信道状态信息由模型3压缩。

当然，在其他情况下，还可以采用统一模型，分批处理各个第一拼接结果等。比如，STA能力比较强，支持一个复杂度比较高，或者泛化能力强的机器学习模型。不同RU的信道状态信息都可以送入这个机器学习模型处理。

这样，目标带宽中带宽连续分布的MRU一起压缩，目标带宽中带宽不连续分布的MRU分别压缩。从而有利于减少压缩处理次数，提高处理效率，进而提高信道状态信息上报的实时性。其中，压缩时具体采用哪一个模型，可以由STA根据自身能力上报和/或者由AP配置给STA。在一些情况下，AP如何配置可以根据实时性要求，或者STA上报的自身算力或能力等决定。

在目标单元包括连续频带的情况下，如图4所示，填充部分表示目标带宽，未填充部分为目标带宽中连续频带之间间隔的带宽，填充部分的每个填充矩形表示一个子信道，为便于理解，图4中间隔开的相邻的填充部分对应的信道状态信息分别采用了不同模型处理，即从上至下，第1个填充矩形表示的子信道的信道状态信息由模型4压缩，第2-3个填充矩形表示的子信道对应的带宽在频率上连续，即为共同构成了一个连续频带，该连续频带的信道状态信息一起送入由模型2同时被压缩，第4-6个填充矩形表示的子信道对应的带宽在频率上连续，即为共同构成了一个连续频带，该连续带宽的信道状态信息由模型6压缩。在其他情况下，还可以采用统一模型，分批处理等。

这样，压缩的次数较少，压缩效率高，有利于提高信道状态信息上报的实时性。

在一些实施例中，目标单元包括连续频带，连续频带覆盖至少一个子信道的带宽；此时，获取目标带宽中各目标单元的信道状态信息；目标单元包括目标带宽非连续情况下的目标带宽中的各连续频带的实现方式为如图5所示的步骤1011，并且如图5所示，基于预设的机器学习模型，在压缩各目标单元的信道状态信息之前，信道状态信息的上报方法还包括：

步骤105，对所有连续频带对应的至少一个子信道进行划分，得到至少两个子信道组。

相应地，基于预设的机器学习模型，压缩各目标单元的信道状态信息，可以通过如下方式实现：基于机器学习模型，对至少两个子信道组中的每一个子信道组的信道状态信息分别进行压缩，即图5中的步骤1022。

以图4为例，填充部分表示目标带宽，未填充部分为目标带宽中连续频带之间间隔的带宽，填充部分的每个填充矩形表示一个子信道，为便于理解，图4中间隔开的相邻的填充部分对应的信道状态信息分别采用了不同模型处理，即从上至下，第1个填充矩形表示的子信道对应一个子信道组，其信道状态信息由模型4压缩，第2-3个填充矩形表示的子信道对应一个子信道组，其信道状态信息一起送入由模型2同时被压缩，第4-6个填充矩形表示的子信道对应一个子信道组，其信道状态信息由模型6压缩。在其他情况下，还可以采用统一模型，分批处理等。

需要说明的是，本实施例不对子信道组所包含的子信道的数量进行限定，可以根据实际需求、模型处理能力、实时性要求等确定，在一些情况下，子信道组所包含的子信道的数量还可以通过子信道组所对应的带宽的大小进行定义，如每个子信道组对应的带宽为5MHz 、20MHz、40MHz等。也不对不同子信道所包含的子信道的数量是否相同进行限定，在不同信道组包含的子信道数量相同的情况下，每次压缩时的数据处理量更稳定，有利于降低对模型的鲁棒性要求，从而降低实现难度；在不同信道组包含的子信道数量不完全相同的情况下，有利于稳定每次压缩处理的次数，进而有利于更好地预测上报时长，使得AP能够更好地监测信道状态信息的上报。

在一些例子中，子信道组所包含的子信道数量可以为1，2，3，4……中的任一个。

例如，以将每两个20MHz子信道的信道状态信息拼接为40MHz带宽的信道状态信息为例。当目标带宽为320MHz时，有16个20MHz的band，就在信道测量报告中上报8个40MHz带宽的信道状态信息的8个压缩结果。

由此可见，当每个子信道组包含的子信道组数量均大于1时，相当于每个连续频带覆盖至少一个频段的带宽，此时，获取目标带宽中各连续频带的信道状态信息，可以通过如下方式实现：获取目标带宽中所有连续频带对应的每个频段的信道状态信息。相应地，基于预设的机器学习模型，压缩各连续频带的信道状态信息，可以通过如下方式实现：基于机器学习模型，分别压缩各连续频带对应的至少一个频段的信道状态信息。

当然，还可以分别压缩每个频段的信道状态信息，此处就不再一一赘述了。

在一些实施例中，基于机器学习模型，压缩各连续频带对应的至少一个子信道的信道状态信息还可以逐子信道进行压缩，从而避免不同子信道的信道状态信息彼此之间的影响，更不容易出现多个子信道一起出错的情况，有利于提高信道状态信息上报的可靠性。

在一些实施例中，目标单元包括连续频带，此时，基于预设的机器学习模型，压缩各目标单元的信道状态信息，还可以通过如下方式实现：基于机器学习模型，将所有连续频带中属于主信道和属于从信道的带宽的信道状态信息分开进行压缩。

为便于本领域技术人员更好地理解上述实施例，以下将结合图6所示的压缩示意图进行说明。

如图6所示，图6中的填充部分表示目标带宽，未填充部分为目标带宽中连续频带之间间隔的带宽，每个填充矩形表示一个子信道，为便于理解，图6对应主信道和从信道的子信道对应的信道状态信息分别采用了不同模型处理，即从上至下，第1个填充矩形表示的子信道属于主信道，其信道状态信息由模型7压缩，第2-6个填充矩形表示的子信道属于从信道，其信道状态信息一起送入由模型8同时被压缩。在其他情况下，还可以采用统一模型，分批处理等。

也就是说，对目标带宽对应的信道分为两类——主信道和从信道，从而分别这两类所对应的信道状态信息分别进行压缩，从而将主信道和从信道分开进行处理，有利于针对主信道的重要性提供顽健性更好的模型处理，提高主信道对应的信道状态信息的传输的准确性而不过多影响处理效率，能够更好地上报信道状态信息。

在一些实施例中，如图7所示，在基于预设的机器学习模型，压缩各连续频带的信道状态信息之前，信道状态信息的上报方法还包括以下步骤：

步骤106，以预设数据为目标单元之间间隔的带宽的信道状态信息，并填充到目标单元的信道状态信息中，得到虚拟连续带宽的信道状态信息。

本实施例中，目标单元之间间隔的带宽是指目标带宽对应至少两个频率区间之间间隔的频率区间或者相邻两个带宽不连续分布的资源单元（RU）之间间隔的频率区间。例如目标单元包括连续带宽，此时，目标带宽为[2.412GHz，2.432 GHz]∪[2.447GHz，2.457GHz]为例，目标单元之间间隔的带宽为（2.432 GHz，2.447GHz）。或者，目标单元包括MRU，此时，目标带宽对应的三个MRU分别对应的频率区间为[A，A+Δ1]，（A+Δ1，A+Δ1+Δ2]，[A +Δ1+Δ2+Δ3，A+Δ1+Δ2+Δ3+Δ4]，Δ1、Δ2、Δ3、Δ4均大于0，则MRU之间间隔的带宽为（A+Δ1+Δ2，A +Δ1+Δ2+Δ3）。

可以理解的是，预设数据可以为无意义数据，从而AP在解压还原压缩结果之后通过剔除无意义数据就能够准确得到各目标单元的信道状态信息；预设数据还可以为有意义数据，如用于表征目标单元之间间隔的带宽的信道状态的信息，从而AP在解压还原压缩结果之后能够了解完全连续带宽区间的信道状态，在AP侧接收到的信道状态信息将会呈现为连续带宽的信道状态信息，从而在AP侧实现非连续带宽和MRU调用场景与连续带宽调用场景统一。

在一些情况下，预设数据包括以下类型中的一项或组合：0、随机数、预测出的目标单元之间间隔的带宽的信道状态信息。其中，预测出的目标单元之间间隔的带宽的信道状态信息可以采用任一种预测方式，此处并不对此进行限制。

可以理解的是，预设数据的长度还可以与目标单元之间间隔的带宽所对应的信道状态信息的数据长度一致。进一步提高目标单元区间的信道状态信息上报的一致性。

相应地，基于预设的机器学习模型，压缩各目标单元的信道状态信息，以根据压缩结果生成信道测量报告可以通过如下方式实现：基于机器学习模型，对虚拟连续带宽的信道状态信息进行压缩，以根据压缩结果生成信道测量报告，即图7中的步骤1023。

这样，对于STA和AP而言，其传输的信息对应的是一个完全连续带宽区间，实现了与实际连续带宽的信道状态信息状态上报方法相统一，不论是STA侧还是AP侧，都能够很好地与现有的连续带宽的信道状态信息状态上报方法兼容，有利于减少对通信系统的改动，减少资源浪费，降低部署难度。并且，由于信道测量报告中的信道状态信息对应的是完全连续的带宽区间，因此，无需额外通知其中的不可用的信道，即无需通知连续带宽之间间隔的带宽，有利于减少信令交互，提高信道测量效率，有利于更好地进行波束赋形、资源调度等处理。

为便于本领域技术人员更好地理解上述实施例，以下将结合图8进行说明。

在目标单元包括MRU的情况下，如图8所示，左列的矩形中填充部分表示目标带宽，未填充部分为目标带宽中MRU之间间隔的带宽，填充部分的每个矩形表示一个RU，从上至下，第1-4个填充矩形表示的MRU之间被两段带宽间隔开，而在中列中第1个填充矩形表示的MRU和第2-3个填充矩形表示的MRU之间间隔的带宽对应的信道状态信息被填充为预设数据后与第1-3个填充矩形表示的MRU的信道状态信息拼接在一起后由模型9压缩，第3个填充矩形表示的MRU的信道状态信息由模型10压缩。

在一些实施例中，如图9所示，基于预设的机器学习模型，压缩各目标单元的信道状态信息之前，信道状态信息的上报方法还包括：

步骤107，对所有目标单元的信道状态信息进行拼接，得到第二拼接结果。

相应地，基于预设的机器学习模型，压缩各目标单元的信道状态信息，还可以通过如下方式实现：基于机器学习模型，对第二拼接结果进行压缩，即图9中的步骤1024。

也就是说，对目标单元的信道状态信息进行联合处理。

为便于本领域技术人员更好地理解上述实施例，以下将结合图10所示的压缩示意图进行说明。

如图10所示，图10中的填充部分表示目标带宽，未填充部分为目标带宽中目标单元之间间隔的带宽，每个填充矩形表示一个子信道或一个MRU等单元，此处以子信道为例，为便于理解，图10中第1-6个填充矩形表示的子信道的信道状态信息先被拼接然后被送入模型11进行压缩。

也就是说，忽略目标单元之间间隔的带宽，将目标带宽假想为一个连续带宽进行处理。从而实现了与实际连续带宽的信道状态信息状态上报方法相统一，不论是STA侧还是AP侧，都能够很好地与现有的连续带宽的信道状态信息状态上报方法兼容，有利于减少对通信系统的改动，减少资源浪费，降低部署难度。

需要说明的是，如前所述，由于目标带宽的信道状态信息可能是以RU、信道组、子信道等的信道状态信息得到，因此，被拼接的相应的是RU、信道组、子信道等的信道状态信息，此处就不再一一赘述了。

在一些实施例中，机器学习模型提供至少两种处理方式，此时，如图11所示，基于预设的机器学习模型，压缩各目标单元的信道状态信息之前，信道状态信息的上报方法还包括：

步骤108，根据各目标单元的目标信息是否满足目标条件，从至少两种处理方式中分别确定各目标单元对应的处理方式。

相应地，基于预设的机器学习模型，压缩各目标单元的信道状态信息，还可以通过如下方式实现：基于机器学习模型对各目标单元的信道状态信息采用对应的处理方式进行压缩，即图11中的步骤1025。

也就是说，在机器学习模型提供至少两种处理方式的情况下，能够根据目标单元的特征，即目标信息，为目标单元的信道状态信息选择合适的处理方式进行压缩，有利于提高信道状态信息压缩的准确性、压缩处理的效率等。并且采用不同的处理方式进行压缩处理，能够提高恶意拦截分析者的解压难度，更难造成信息泄露，有利于提高信道状态信息上报的安全性。

在一些实施例中，至少两种处理方式包括至少一种基于机器学习的处理方式和至少一种基于传统非机器学习的处理方式。其中，基于机器学习的处理方式是指基于机器学习原理进行压缩，基于传统非机器学习的处理方式是指基于机器学习之外的其他原理进行压缩。

为便于本领域技术人员更好地理解基于机器学习的处理方式和基于传统非机器学习的处理方式，以下将对其进行举例说明。

在一些例子中，如图12所示，基于机器学习的处理方式可以是基于编码器进行压缩，该编码器的输入数据的维度大于输出数据的维度，从而实现数据降维，即实现数据压缩。这样AP侧通过部署、加载、调用等方式利用对应的解码器实现解压还原，就能够得到目标带宽的信道状态信息。

在一些例子中，如图13所示，基于机器学习的处理方式还可以是基于分类器进行压缩，该分类器的输入数据的维度大于输出数据的维度，从而实现数据降维，即实现数据压缩。这样AP侧通过部署、加载、调用等方式利用对应的解分类器实现解压还原，就能够得到目标带宽的信道状态信息。

也就是说，在一些实施例中，压缩由autoencoder完成。

当然，压缩不限于自编码器的encoder压缩功能，分类器到码本codebook的映射也可以看做压缩。压缩同样可以是自编码器encoder和分类器到码本向量映射的结合。同样，解压缩可以指自编码器的decoder压缩功能，分类器中解分类器从codebook index到码本向量的映射也可以看做解压缩。解压缩同样可以指自编码器decoder和分类器码本索引到码本向量映射的结合。

即：

在一些实施例中，压缩由一个经过机器学习训练得到的分类器完成，分类器类似于codebook，STA把信道状态信息向量量化为codebook index并上报，AP根据codebook 和codebook index解出信道状态信息向量。

在一些实施例中，机器学习压缩由autoencoder和分类器共同完成，autoencoder直接把输入的信道状态信息压缩为一个codebook index对应的向量；STA上报codebookindex，接收端AP根据codebook 和codebook index解出信道状态信息向量，并通过autocoder恢复信道状态信息。

其中，STA采用上述至少一种处理方式可以是由其自身能力决定，并上报给AP；还可以是由AP配置决定，配置信令可以为Trigger frame、Announcement frame、RxVECTOR或TxVECTOR中的一个条目。

可以理解的是，上述仅为对机器学习模型的具体举例说明，其基于现有的编码器-解码器、分类器-解分类器进行构造，有利于降低AP部署对应的解压模型的难度，降低了实现难度。在其他例子中，还可以分别训练STA侧的压缩模型和AP侧的解压模型。

在一些实施例中，可以优先考虑使用基于机器学习的处理方式进行压缩。基于此，根据各目标单元的目标信息是否满足目标条件，可以通过如下方式实现：根据各目标单元的目标信息是否满足目标条件，确定各目标单元是否对应至少一种基于机器学习的处理方式。如果不满足一个，或者一组条件则回退到传统非机器学习处理方法。

其中，可以根据STA的能力和压缩上报要求灵活地选择是否采用基于机器学习的处理方式。

可以理解的是，基于机器学习的处理方式能够更好地学习目标带宽的信道状态信息的潜在表示，其通常有利于更好地进行压缩和解压缩。因此，在STA有能力支持的情况下，优先考虑使用基于机器学习的处理方式进行压缩能够更高效的压缩，节约资源。

还可以理解的是，基于机器学习的处理方式是否能够较好地学习到潜在表示受到子信道数量、带宽大小、空间流数量、配置参数等信息影响。这些因素还关联到模型复杂度。因此，在一些实施例中，在进行判断时，所依据的目标信息包括以下信息中的一项或组合：子信道数量、带宽大小、空间流数量、配置参数，STA能力(即设备自身所具有的能力，如能够支持的最大计算量、是否支持基于机器学习的处理方式等)、天线数。这样能够对采用基于机器学习的处理方式是否能够较好地对对应的目标单元的信道状态信息进行压缩进行准确判断，有利于提高压缩和后续解压还原的准确性。

需要说明的是，配置参数可以是STA的配置参数，也可以是AP的配置参数。

为便于本领域技术人员更好地理解子信道数量、带宽大小、空间流数量、配置参数中的至少一种作为目标信息以确定各目标单元是否对应至少一种基于机器学习的处理方式的实现方式，以下即将进行具体的举例说明。

在一些实施例中，为便于说明以每个连续频带覆盖至少一个子信道为例，自编码器压缩解压需要多个子信道在子信道中寻找相似性，完成压缩。当子信道过少就很难体现增益。所以，当带宽或者可用子信道小于某个数值，比如40MHz、20MHz、40MHz、60MHz、80MHz、160MHz、320MHz、480MHz或者640MHz，不适合采用基于机器学习的处理方式压缩解压了。此时机器学习带来的压缩增益不大，应切换切换到基于非机器学习的处理方式压缩信道状态信息方式。也就是说，目标信息为子信道数量，目标条件为子信道数量大于预设的子信道数量阈值，当子信道组数量小于子信道数量阈值时，则回退到基于机器学习的处理方式进行处理。

在一些实施例中，空间流数量也可以作为切换到基于机器学习的处理方式的条件，相应地，也可以是使用空间流数量作为目标信息。如从集合中{2，3，4，5 ，6，7，8，9，10，11，12，13，14，15，16}中选择一个作为空间流数量阈值，目标条件为空间流数量大于空间流数量阈值，也就是说，当连续带宽或子信道组或UR对应的空间流数量小于空间流数量阈值时，则采用基于非机器学习的处理方式进行压缩。其中，空间流数量阈值可以有由STA上报给AP也可以由AP配置给STA。

在一些实施例中，无论带宽可用的子信道的总带宽多么小，STA和AP如果均有能力支持基于机器学习的处理方式进行信道状态信息压缩解压，则STA和AP仍然可以通过基于机器学习的处理方式压缩解压信道状态信息。例如，STA和AP都支持的情况下，可以把作为目标条件所对应的最小信道带宽配置成“0”，或者最小空间流数量配置成“0”，从而让STA和AP始终工作在基于机器学习的处理方式进行压缩的模式下；或者，STA和AP都支持的情况下，默认认为如果没有配置目标条件，STA和AP始终工作在基于机器学习的处理方式进行压缩的模式下。

在一些实施例中，当出现多个不连续带宽，或者，被调度多个不连续MRU的时候，可以根据配置参数确定是统一使用一种处理方式压缩解压信道状态信息，还是每个不连续的部分的信道状态信息都是分别采用不同的处理方式处理。其中，配置参数可以是AP的配置参数或STA的配置参数，若是AP的配置参数，可以由AP通知STA，以使得STA可以根据AP的通知确定是否采用同一处理方式进行压缩。例如目标信息可以是通知消息中的特定比特位的值，目标条件为特定比特位取值为0（或1），也就是说，通知消息中的特定比特位为0（或1）时表示当工作带宽为非连续带宽时候统一使用一种处理方式进行压缩，该特定比特位为1（或0）的时候表示当工作带宽为非连续带宽时候使用多种处理方式分别对各连续带宽的信道状态信息分别压缩。

在一些实施例中，还可以隐式指定是否采用同一种处理方式进行压缩。

在一些例子中，目标条件为目标信息是否与默认配置相同，例如默认配置为调度的多个RU连续，即MRU连续，这样，如果MRU连续，则使用同一种处理方式处理压缩MRU对应的全部信道状态信息；如果MRU不连续，则对各个RU/MRU对应的信道状态信息通过不同处理方式分别压缩。

在一些例子中，目标条件为目标信息是否与默认配置相同，例如默认配置为最小RU（或MRU）对应的带宽小于20MHz或者子载波数小于242，这样，如果最小RU（或MRU）对应的带宽小于20MHz或者子载波数小于242，则采用不同处理方式分别压缩不同RU对应的其全部信道状态信息。其中，最小RU是指对应的带宽最小的RU。

还可以理解的是，在一些情况下，目标条件还可以用于确定是否采用同一种处理方式对不同带宽的信道状态信息，即从至少两种处理方式分别确定各目标对应的处理方式实际确定的是：是否采用同一处理方式进行处理。

由此，在一些实施例中，目标信息可以包括以下信息中的一项或组合：带宽连续性、STA处理能力、STA配置。这样通过带宽连续性、STA处理能力、配置参数能够较好地表征各连续频带之间的相似性，从而能够更好地确定是否采用同一处理方式对对应的信道状态信息进行压缩。

需要说明的是，配置参数可以是STA的配置参数，也可以是AP的配置参数。

为便于本领域技术人员更好地理解带宽连续性、STA处理能力、配置参数中的至少一种作为目标信息以确定各目标单元是否对应同一处理方式的实现方式，以下即将进行具体的举例说明。

在一些实施例中，根据STA处理能力确定是否采用同一种处理方式处理，即在提供了至少两种处理方式的情况下，根据是否支持泛化能力比较强的机器学习的处理方式来确定采用同一种处理方式处理。也就是说，以目标单元包括MRU为例，STA的处理能力支持泛化能力比较强的基于机器学习的处理方式，此时，MRU对应的多个部分的信道状态信息由同一个泛化能力比较强的基于机器学习的处理方式统一处理。

在一些实施例中，以目标单元包括MRU为例，STA默认配置对应的带宽连续分布的MRU采用同一种处理方式处理，目标条件为对应的带宽分布是否连续。也就是说，对应的带宽分布连续的MRU的信道状态信息经过拼接、合并或填充后由同一种处理方式压缩。

在一些实施例中，以目标单元包括MRU为例，某些MRU对应的信道状态信息是否由同一种处理方式压缩，由STA上报支持最大联合处理MRU对应的信道状态信息的带宽决定。

在一些实施例中，按照连接情况决定信道状态信息是否采用同一种处理方式压缩。其中，工作在多连接情况下的设备，可以把多连接看作一种特殊的资源不连续。比如2.4GHz频带的信道状态信息由一种基于机器学习的处理方式进行压缩，5GHz对应的信道状态信息由另一种基于机器学习的处理方式压缩上报，6GHz的信道状态信息由又一个基于机器学习的处理方式压缩上报。对应多连接的情况，若一种基于机器学习的处理方式对应一个机器学习模型，三个连接将会需要三个机器学习模型。

在一些实施例中，在多连接情况下（不限于三个连接，未来可能加入毫米波频段的连接），每个连接对应的基于机器学习的处理方式，可以由新的专门信令完成对一个连接，或者一个主连接中完成的至少一个连接所对应的具体的基于机器学习的处理方式进行配置。

在一些例子中，该信令是在主连接，或者某一个连接中，传输一个信令，决定多连接的每一个连接基于机器学习的处理方式的情况。

在一些例子中，决定每个连接是单独使用同一个机器学习模型，还是多个连接使用部分或者全部相同的机器学习模型。其中，“使用”的意思不限于以下动作，{部署，激活，去激，监测，训练，在线训练，离线训练，微调（fine tuning)}。在一些情况下，该信令用于机器学习模型生命周期管理。

在一些实施例中，基于机器学习的处理方式用于压缩信道状态信息。

在一些实施例中，该信令可以包含在 trigger frame, announcement frame,TxVector, ReVector, 或者SIG common field中。

在一些实施例中，该信令可以写作{连接名1：机器学习模型ID1}{连接名2：机器学习模型ID2}……；或者{连接名1：机器学习模型ID1，CSI压缩},{连接名2：机器学习模型ID2，CSI压缩}……，其中ID为机器学习模型编号，或标识，CSI压缩表示该机器学习模型用于信道状态信息压缩。

在一些实施例中，支持信道状态信息联合处理，还是信道状态信息分段处理是STA的一种能力。其中，该能力可以是由STA上报给AP，也可以是由AP通过信令配置给STA等。或者先通过STA上报给AP，再由AP配置给STA。其中分段和联合的依据可以是带宽连续性、MRU的调度情况，或者根据AP的对STA的配置。

在一些例子中，根据配置参数是否相同或近似确定是否采用同一模型压缩。配置参数可以是CSI配置参数，如CSI时域上报密度，或者CSI的频域密度、带宽或者MRU调度粒度等。

在一些实施例中，还可以是由AP显式指示、隐式指示等对是否采用同一模型（或同一处理方式）压缩，其实现方式如前所述的目标信息包括以下信息中的一项或组合：子信道数量、带宽大小、空间流数量、配置参数的情况大致相同，此处就不再一一赘述了。

在一些实施例中，目标条件为预先配置的条件或者由AP通过消息通知STA得到，其中，消息包括：Trigger Frame、SIG common field、Announcement frame、RxVECTOR或TxVECTOR。

也就是说，目标条件可以是AP通过Trigger Frame、SIG common field、Announcement frame、RxVECTOR或TxVECTOR等消息通知STA。这样，对于不同STA而言，其向同一AP上报的信息能够基于同一AP的指示，更加统一，便于AP对不同STA上报的信道状态信息进行解压还原。

在一些实施例中，目标单元包括连续频带。此时，获取目标带宽中各目标单元的信道状态信息；目标单元包括目标带宽非连续情况下的目标带宽中的各连续频带的实现方式为如图14所示的步骤1011，并且如图14所示，获取目标带宽中各目标单元的信道状态信息之前，信道状态信息的上报方法还包括：

步骤109，接收AP发送的STA info subfield消息。

步骤1010，解析STA info subfield消息，确定目标带宽。

也就是说，通过已有的STA info subfield消息实现AP向STA通知目标带宽，更有利于与现有协议兼容。

在一些实施例中，解析STA info subfield消息，确定目标带宽，可以通过如下方式实现：根据STA info subfield消息中的第一字段中各比特位的取值确定对应的子信道是否属于目标带宽，以根据属于目标带宽的子信道确定目标带宽，第一字段包括disallowed subchannel bitmap字段和至少一比特的保留字段。

为便于本领域技术人员更好地理解，以下将结合图15和图16所示的STA infosubfield消息结构示意图进行说明。

如图15所示，STA info subfield消息中的B11- B18为disallowed subchannelbitmap字段，B19- B26、B28- B31均为保留（Reserved）字段。其中，STA info subfield消息还包括AID11字段（即图15中的B0-B10）和Disambiguation字段（即图15中的B27-B28），AID11字段和Disambiguation字段如802.11ax规定，此处就不再详述了。

如图16所示，在目标带宽的最小频率与最大频率之间的差值为320MHz的情况下，以20MHz为一个子信道对应的带宽，此时，可以扩展图15所示的保留字段中的8bit（如STAinfo subfield消息中的B19- B26）与disallowed subchannel bitmap字段共16bit一起作为第一字段，这样解析第一字段中的每一bit将会得到20MHz*16=320MHz内的每个子信道是否可用。

在一些实施例中，解析STA info subfield消息，确定目标带宽，还可以通过如下方式实现：根据STA info subfield消息中的第二字段，确定STA info subfield消息对应的子带宽在总带宽中的位置，总带宽为目标带宽对应的最小频率和最大频率之间的频带的带宽；根据STA info subfield消息中的第三字段中各比特位的取值，确定子带宽中的各子信道是否属于目标带宽，以根据子带宽在总带宽中的位置和子带宽中属于目标带宽的子信道确定目标带宽；第二字段和第三字段中的一者包括至少一比特的保留字段。以目标带宽对应[2.412GHz，2.432 GHz]∪[2.447GHz，2.457 GHz]为例，目标带宽对应的最小频率为2.412GHz，目标带宽对应的最大频率为2.457 GHz。

为便于本领域技术人员更好地理解，以下将结合图15和图17所示的STA infosubfield消息结构示意图进行说明。

如图17所示，在目标带宽的最小频率与最大频率之间的差值为320MHz的情况下，以20MHz为一个子信道对应的带宽，此时，可以扩展图15所示的保留字段中的1bit（如STAinfo subfield消息中的B19）作为第二字段，而disallowed subchannel bitmap字段作为第三字段仍然指示20MHz*8=160MHz内的每个子信道是否可用。这样，通过解析第二字段中的每一bit将会确定当前通知的是320MHz中的前160MHz，还是后160MHz中的每个子信道是否可用，通过解析第三字段可以确定当前通知的160MHz中的各个子信道是否可用。

与上例类似，在目标带宽的最小频率与最大频率之间的差值为480MHz的情况下，可以扩展图15所示的保留字段中的2bit（如STA info subfield消息中的B19-B20）作为第二字段，而disallowed subchannel bitmap字段作为第三字段仍然指示20MHz*8=160MHz内的每个子信道是否可用。这样，通过解析第二字段中的每一bit将会确定当前通知的是480MHz中的第几个160MHz中的每个子信道是否可用，通过解析第三字段可以确定当前通知的160MHz中的各个子信道是否可用。

在目标带宽的最小频率与最大频率之间的差值为640 MHz的情况下，可以扩展图15所示的保留字段中的8bit（如STA info subfield消息中的B19-B26）与disallowedsubchannel bitmap字段共16bit一起作为第三字段，指示20MHz*16=320MHz内的每个子信道是否可用，并可以扩展图15所示的保留字段中的1bit（如STA info subfield消息中的B28）作为第二字段。这样，通过解析第二字段中的每一bit将会确定当前通知的是640MHz中的第几个320MHz中的每个子信道是否可用，通过解析第三字段可以确定当前通知的320MHz中的各个子信道是否可用。

需要说明的是，图16、图17仅为提供的比特位的具体扩展方式，在其他实施例中，还可以扩展STA info subfield消息中的保留字段中的其他比特位，并且图16和图17均以20MHz为一个子信道的带宽，在其他实施例中，在带宽之间的差异较小的情况下，还可以以40MHz、80MHz等为一个子信道的带宽，从而能够指示更多带宽是否可用，此处就不再一一赘述了。

需要说明的是，在对目标带宽的信道状态信息分别进行压缩后，还可以进一步对压缩后的结果进行拼接，再次进行压缩，以进一步减小数据量，减少目标带宽的信道状态信息上报过程中占用的资源。例如对各目标单元的信道状态信息分别压缩后，再对各目标单元对应的压缩结果进行拼接和再压缩，或者，再对从信道中的每个子信道的信道状态信息进行压缩后，对属于从信道的子信道对应的压缩结果进行拼接和再压缩，此处就不再一一赘述了。

还需要说明的是，前述提供的不同实施例彼此直接可以在不矛盾的情况下相互结合，例如对属于主信道的子信道拼接后采用一个模型压缩，对属于从信道的子信道拼接后采用另一个模型压缩；对带宽连续分布的MRU采用机器学习模型进行压缩，对与其他MRU带宽均不连续分布的MRU采用非机器学习模型进行压缩等，此处也不再一一赘述了。

由此可见，本申请的一些实施例还通过对通信资源（比如带宽，MRU）对应的信道状态信息联合压缩上报，或者分段独立压缩上报。这样，在实现本申请一些实施例提供的信道状态信息上报时，可以灵活的部署使用不同复杂度的机器学习模型，有利于适应当前各种通信设备的能力，而不必须进行大量改造、升级、更换等操作，节约了资源。

本申请的实施例一方面提供了一种信道状态信息的上报方法，应用于AP。在一些实施例中，其流程可以如图18所示，包括以下步骤：

步骤1801，接收站点STA发送的信道测量报告，信道测量报告携带目标带宽的信道状态信息的压缩结果。

本实施例中的测量报告与上述实施例中的测量报告大致相同，此处就不再一一赘述了。

步骤1802，基于预设的机器学习模型，对压缩结果进行还原，得到若干信道状态信息。

本实施例中的机器学习模型与前述实施例中STA内的机器学习模型一一对应，STA通过某个机器学习模型压缩处理的压缩结果在本实施例中将会经过对应的机器学习模型进行解压，解压的处理过程大致与前述实施例中提供的压缩的处理过程大致一一对应，如在MRU调度情况下逐个RU进行信道状态信息的压缩，其对应的解压也应当是逐个RU进行。本申请在此就不再对解压模型对压缩结果的进行解压的具体实现过程一一进行赘述了。

需要说明的是，在一些实施例中，还原得到的信道状态信息的粒度可以小于目标带宽的信道状态信息的粒度。也就是说，在STA侧机器学习模型的输入数据的维度小于在AP侧机器学习模型的输出数据的维度。

为便于本领域技术人员更好地理解上述内容，以下将对其进行说明。

在一些实施例中，STA中机器学习模型输入的信道状态信息依次为各个子载波组中所有子载波的信道状态信息，总体上包括了目标单元包括的所有子载波的信道状态信息。子载波的信道状态信息是按照子载波组为单位上报的。其中，子载波组的大小为Ng，Ng∈{1，2，4，8，16，32}，Ng是一个子载波组内载波数目。而在AP中对应的机器学习模型的输出可以为全部子载波组的信道状态信息，并且对应的子载波组的大小不变，与STA侧对应的子载波组的大小相同。其中，STA中机器学习模型的输入子载波组为子载波组编号（按一定顺序为子载波赋予的序号）模4后等于0（或者1、2、3中的一个）。在某些情况下，其中STA中机器学习模型的输入子载波组为子载波组编号（按一定顺序为子载波赋予的序号）为奇数/偶数的载波组；而在AP中对应的机器学习模型的输出可以为全部子载波组的信道状态信息。

在一些实施例中，STA中机器学习模型输入的信道状态信息依次为各个子载波组中所有子载波的信道状态信息，总体上包括了目标带宽所包括的所有子载波的信道状态信息，其中，子载波组的大小为Ng。Ng∈{1，2，4，8，16，32}。在AP中对应的机器学习模型的输出可以为全部子载波的信道状态信息，但是其得到的子载波组的大小Ng＇∈{1，2，4，8，16，32}至少一个元素，且Ng＇小于或者等于Ng。也就是说，还原后得到了更多的数据，数据的粒度更细。各个子载波组对应的信道状态信息可以一次性输入机器学习模型从而利用信道频域相关性获得更大的压缩比。当然，也可以对各个子载波组对应的信道状态信息分别依次输入机器学习模型压缩，这样的机器学习模型复杂度低，方便部署。

当然，上述实施例以子载波为例进行说明，在其他实施例中还可以将子载波替换为RU等，此处就不再一一赘述了。

在一些实施例中，STA中的机器学习模型的输入子载波组大小和/或子载波组编号配置，可以是作为机器学习模型的一个属性在模型配置时STA即已经知晓，还可以是由AP配置，包含在NDP announcement frame中。

在一些实施例中，处理某部分带宽对应的信道状态信息使用机器学习模型，或者某个RU，或者某一些RU对应的信道状态信息所使用的机器学习模型，由AP提前配置在TxVector，或RxVector中，或者包含在NDP announcement frame中。在一些情况下，信令可以为{MRU index / RU index，Model ID，CSI压缩}，或者{subband No.，Model ID，CSI压缩}，其中Model ID为机器学习模型ID，CSI压缩标识用途。或者在一些情况下，信令可以为{Model ID}，或者{Model ID，CSI压缩}传输在对应的某部分带宽，或者对应的MRU/RU上，隐式的指示该单元处理信道状态信息使用机器学习模型。STA可以通过该信令决定对目标单元（连续的频带，或MRU）对应的信道状态信息联合或者分段压缩处理。

可以理解的是，在机器学习模型具有一定的信道状态信息预测功能的情况下，AP侧的机器学习模型最终得到的数据量多于STA侧测量得到的目标带宽的信道状态信息，这样，AP侧将会得到更细粒度的信道状态信息，有利于更加精准地进行波束赋形、资源调度等。

当然，在另一些实施例中，还原得到的信道状态信息的粒度还可以等于目标带宽的信道状态信息的粒度，从而可以对目标带宽的信道状态信息进行准确的还原，有利于更好地进行波束赋形、资源调度等。或者，在一些特定的需求下，如AP对应的STA过多，数据处理量过大，或者，STA反馈的相邻信道的信道状态信息大致相同时，信道状态信息的粒度还可以小于目标带宽的信道状态信息的粒度，以提高AP的处理效率。

步骤1803，将还原得到的信道状态信息与目标带宽中各目标单元进行对应，以确定各目标单元的信道状态信息，目标单元包括MRU，或者，目标单元包括目标带宽非连续情况下的目标带宽中的各连续频带。

可以理解的是，目标带宽非连续的情况下，目标带宽中各目标单元之间间隔的带宽无实质的信道状态信息，若是将目标带宽的最小频率和最大频率之间的频带按照顺序对应到信道状态信息将会出现错误，因此，需要将还原得到的信道状态信息与目标带宽中各目标单元进行对应，使其准确对应。

在一些情况下，当目标单元包括MRU时，还原得到的信道状态信息具体将会对应到MRU种被调度的各RU。

在一些实施例中，如图19所示，将还原得到的信道状态信息与目标带宽中各目标单元进行对应之前，信道状态信息的上报方法还包括以下步骤：

步骤1804，检测还原得到的信道状态信息中是否存在以预设数据填充的信道状态信息。

本实施例不对检测的具体方式进行限定，可以是根据是否接收到STA发送的用于通知AP哪些带宽的信道状态信息为填充的预设数据消息；还可以是AP根据检测信道状态信息中是否存在数据格式与预设数据相同的数据，或者，AP根据还原得到的信道状态信息是否能够与目标带宽匹配实现，此处就不再一一赘述了。

步骤1805，若检测到存在以预设数据填充的信道状态信息，从还原得到的信道状态信息中去除预设数据。

本实施例中的预设数据与前述实施例中的预设数据大致相同，此处就不再一一赘述了。

相应地，将还原得到的信道状态信息与目标带宽中各目标单元进行对应，可以通过如下方式实现：将去除预设数据后的信道状态信息与目标带宽中各目标单元进行对应，即图19中的步骤1813。

需要说明的是，在一些实施例中，还可以不对预设数据进行去除，而是直接将还原得到的信道状态信息与目标带宽对应的最小频率和最大频率之间的频带进行对应，仅保留目标带宽对应的信道状态信息等，此处也不再一一赘述了。

在一些实施例中，目标单元包括连续频带，此时，接收站点STA发送的信道测量报告之前，信道状态信息的上报方法还包括：根据目标带宽生成STA info subfield消息；向AP发送的STA info subfield消息，供STA根据STA info subfield消息确定目标带宽。

在一些实施例中，根据目标带宽生成STA info subfield消息，可以通过如下方式实现：根据目标带宽对应的子信道，确定第一字段中与各子信道对应的比特位的取值，以根据第一字段生成STA info subfield消息，第一字段包括disallowed subchannel bitmap字段和至少一比特的保留字段，所述第一字段中各比特的取值用于指示对应的子信道是否属于所述目标带宽。

本实施例中的第一字段与前述实施例中的第一字段大致相同，其区别主要在于前述实施例为解析第一字段，本实施例为生成第一字段，其处理过程相反，此处就不再一一赘述了。

在一些实施例中，根据目标带宽生成STA info subfield消息，还可以通过如下方式实现：根据目标带宽，确定N个第三字段中各比特位的取值，以生成N个第三字段，第三字段中各比特的取值用于指示对应的子信道是否属于目标带宽；为N个第三字段中的每一个第三字段生成一个对应的第二字段，第二字段用于指示对应的第三字段中所有比特位对应的子带宽在总带宽中的位置，总带宽为目标带宽对对应的最小频率和最大频率之间的频带的带宽；根据每个第三字段和对应的所述第二字段，生成对应的STA info subfield消息；第二字段和第三字段中的一者包括至少一比特的保留字段。

本实施例中的第二字段、第三字段与前述实施例中的第二字段、第三字段大致相同，其区别主要在于前述实施例为解析第二字段、第三字段，本实施例为生成第二字段、第三字段，其处理过程相反，此处就不再一一赘述了。

为便于本领域技术人员更好地理解上述两个实施例以下将结合图16、图17，以目标带宽为160MHz，目标带宽中的连续带宽之间间隔的带宽涉及160MHz为例进行说明。

可以理解的是目标带宽的最小频率和最大频率之间的频带的带宽为160MHz+160MHz=320MHz。

在一个例子中，参考图16，STA info subfield消息中的B19- B26被扩展作为第一字段的一部分，第一字段共16bit，20MHz为一个子信道的带宽的情况下，其可以指示320MHz是否可用。此时，根据第一个20MHz属于目标带宽可以确定第一字段的第一个比特位的数值为1（以数值为1表示该子信道为待测量的带宽为例进行说明），假设第二个20MHz不属于目标带宽，则第一字段的第二个比特位的数值为0，以此类推，从而确定出第一字段中的每个比特位的取值，实现第一字段的生成，进而基于第一字段生成STA info subfield消息。

在一个例子中，参考图17，在20MHz为一个子信道的带宽的情况下，STA infosubfield消息中的B19被扩展作为第二字段的一部分，用于当前的STA info subfield消息指示的320MHz中的前160MHz中属于目标带宽的部分还是后160MHz中属于目标带宽的部分。B11~ B18为第三字段，其每一bit分别指示160MHz的带宽中每个子信道是否属于目标带宽。在需要指示前160MHz的情况下，B19的取值为0（以数值为0表示当前的STA info subfield消息指示的320MHz中的前160MHz为例），实现第二字段的生成。并且根据第一个20MHz属于目标带宽可以确定第三字段的第一个比特位的数值为1（以数值为1表示该子信道为待测量的带宽为例进行说明），假设第二个20MHz不属于目标带宽，则第三字段的第二个比特位的数值为0，依次类推，从而确定出该第三字段中的每个比特位的取值，实现第三字段的生成，进而基于前述生成的第二字段和第三字段生成STA info subfield消息。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本发明的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该发明的保护范围内。

本申请实施例另一方面还提供了一种电子设备，如图20所示，包括：至少一个处理器2001；以及，与至少一个处理器2001通信连接的存储器2002；其中，存储器2002存储有可被至少一个处理器2001执行的指令，指令被至少一个处理器2001执行，以使至少一个处理器2001能够执行上述任一方法实施例所描述的方法。

其中，存储器2002和处理器2001采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器2001和存储器2002的各种电路连接在一起。总线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连接在一起，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。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器2001处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传输给处理器2001。

处理器2001负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器2002可以被用于存储处理器2001在执行操作时所使用的数据。

本申请实施方式另一方面还提供了一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。

即，本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各个实施例所述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、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (13)

1.一种信道状态信息的上报方法，其特征在于，应用于站点STA，所述方法包括：

获取目标带宽中各目标单元的信道状态信息；所述目标单元包括多资源单元MRU，或者，所述目标单元包括所述目标带宽非连续情况下的所述目标带宽中的各连续频带；

基于预设的机器学习模型，压缩各所述目标单元的信道状态信息，以根据压缩结果生成信道测量报告；

向无线接入点AP发送所述信道测量报告。

2.根据权利要求1所述的信道状态信息的上报方法，其特征在于，在所述基于预设的机器学习模型，压缩各所述目标单元的信道状态信息之前，所述方法还包括：

对所有所述目标单元中带宽连续分布部分的信道状态信息进行拼接，得到至少两个第一拼接结果；

所述基于预设的机器学习模型，压缩各所述目标单元的信道状态信息，包括：

基于所述机器学习模型，对所述至少两个第一拼接结果中每个第一拼接结果分别进行压缩。

3.根据权利要求1所述的信道状态信息的上报方法，其特征在于，在所述基于预设的机器学习模型，压缩各所述目标单元的信道状态信息之前，所述方法还包括：

对所有所述目标单元的信道状态信息进行拼接，得到第二拼接结果；

所述基于预设的机器学习模型，压缩各所述目标单元的信道状态信息，包括：

基于所述机器学习模型，对所述第二拼接结果进行压缩。

4.根据权利要求1所述的信道状态信息的上报方法，其特征在于，所述基于预设的机器学习模型，压缩各所述目标单元的信道状态信息，包括：

基于所述机器学习模型，对不同的所述目标单元的信道状态信息分别进行压缩。

5.根据权利要求1所述的信道状态信息的上报方法，其特征在于，所述目标单元包括所述连续频带，所述连续频带覆盖至少一个子信道的频带；在所述基于预设的机器学习模型，压缩各所述目标单元的信道状态信息之前，所述方法还包括：

对所有所述连续频带对应的所述至少一个子信道进行分组，得到至少两个子信道组；

所述基于预设的机器学习模型，压缩各所述目标单元的信道状态信息，包括：

基于所述机器学习模型，对所述至少两个子信道组中的每一个子信道组的信道状态信息分别进行压缩。

6.根据权利要求1所述的信道状态信息的上报方法，其特征在于，所述目标单元包括所述连续频带，所述基于预设的机器学习模型，压缩各所述目标单元的信道状态信息，包括：

基于所述机器学习模型，将所有所述连续频带中属于主信道和属于从信道的带宽的信道状态信息分开进行压缩。

7.根据权利要求1至6中任一项所述的信道状态信息的上报方法，其特征在于，所述机器学习模型提供至少两种处理方式，在所述基于预设的机器学习模型，压缩各所述目标单元的信道状态信息之前，所述方法还包括：

根据各所述目标单元的目标信息是否满足目标条件，从所述至少两种处理方式中分别确定各所述目标单元对应的处理方式；

所述基于预设的机器学习模型，压缩各所述目标单元的信道状态信息，包括：

基于所述机器学习模型对各所述目标单元的信道状态信息采用对应的处理方式进行压缩。

8.根据权利要求7所述的信道状态信息的上报方法，其特征在于，所述至少两种处理方式包括至少一种基于机器学习的处理方式和至少一种基于传统非机器学习的处理方式；

所述根据各所述目标单元的目标信息是否满足目标条件，从所述至少两种处理方式分别确定各所述目标单元对应的处理方式，包括：

根据各所述目标单元的所述目标信息是否满足所述目标条件，确定各所述目标单元是否对应所述至少一种基于机器学习的处理方式。

9.根据权利要求8所述的信道状态信息的上报方法，其特征在于，所述目标信息包括以下信息中的一项或组合：子信道数量、带宽大小、空间流数量、配置参数、STA能力、天线数。

10.根据权利要求7所述的信道状态信息的上报方法，其特征在于，所述目标单元包括所述连续频带，在所述获取目标带宽中各目标单元的信道状态信息之前，所述方法还包括：

接收所述AP发送的STA info subfield消息；

解析所述STA info subfield消息，确定所述目标带宽。

11.根据权利要求10所述的信道状态信息的上报方法，其特征在于，所述解析所述STAinfo subfield消息，确定所述目标带宽，包括：

根据所述STA info subfield消息中的第一字段中各比特位的取值确定对应的子信道是否属于所述目标带宽，以根据属于所述目标带宽的子信道确定所述目标带宽，所述第一字段包括disallowed subchannel bitmap字段和至少一比特的保留字段。

12.一种信道状态信息的上报方法，其特征在于，应用于无线接入点AP，所述方法包括：

接收站点STA发送的信道测量报告，所述信道测量报告携带目标带宽的信道状态信息的压缩结果；

基于预设的机器学习模型，对所述压缩结果进行还原，得到若干信道状态信息；

将还原得到的信道状态信息与所述目标带宽中各目标单元进行对应，以确定各所述目标单元的信道状态信息，所述目标单元包括多资源单元MRU的各个RU，或者，所述目标单元包括所述目标带宽非连续情况下的所述目标带宽中的各连续频带。

13.根据权利要求12所述的信道状态信息的上报方法，其特征在于，所述目标单元包括所述连续频带，在所述接收站点STA发送的信道测量报告之前，所述方法还包括：

根据所述目标带宽生成STA info subfield消息；

向所述AP发送所述STA info subfield消息，供STA根据所述STA info subfield消息确定所述目标带宽。

Images