CN116235609A - 使用人工智能调度与多个用户设备的任务相关的多个分组的方法及执行该方法的电子装置 - Google Patents

使用人工智能调度与多个用户设备的任务相关的多个分组的方法及执行该方法的电子装置 Download PDF

Info

Publication number
CN116235609A
CN116235609A CN202180066193.9A CN202180066193A CN116235609A CN 116235609 A CN116235609 A CN 116235609A CN 202180066193 A CN202180066193 A CN 202180066193A CN 116235609 A CN116235609 A CN 116235609A
Authority
CN
China
Prior art keywords
packets
scheduling
module
queue
scheduling parameters
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
Application number
CN202180066193.9A
Other languages
English (en)
Inventor
宋柱奂
金泰正
李泰燮
张瑞祐
崔珉硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN116235609A publication Critical patent/CN116235609A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • H04L47/62—Queue scheduling characterised by scheduling criteria
    • H04L47/6215—Individual queue per QOS, rate or priority
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H04W72/121—Wireless traffic scheduling for groups of terminals or users
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • H04L47/62—Queue scheduling characterised by scheduling criteria
    • H04L47/622—Queue service order
    • H04L47/6225—Fixed service order, e.g. Round Robin
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/80—Actions related to the user profile or the type of traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/83—Admission control; Resource allocation based on usage prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0278—Traffic management, e.g. flow control or congestion control using buffer status reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria
    • H04W72/566—Allocation or scheduling criteria for wireless resources based on priority criteria of the information or information source or recipient
    • H04W72/569—Allocation or scheduling criteria for wireless resources based on priority criteria of the information or information source or recipient of the traffic information
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

提供了一种由电子装置执行的调度与多个用户设备(UE)的任务相关且堆叠在队列中的多个分组以向所述多个分组分配无线资源的方法，该方法包括：基于预设的调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级，基于所设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源，使用至少一个人工智能(AI)学习模型来更新调度参数，以及基于更新后的调度参数来设置在晚于第一时间点的第二时间点堆叠在队列中的多个分组的优先级。

Description

使用人工智能调度与多个用户设备的任务相关的多个分组的 方法及执行该方法的电子装置
技术领域
本公开涉及一种使用人工智能(AI)来调度与多个用户设备(UE)的任务相关的多个分组的方法以及执行该方法的电子装置。
背景技术
随着通信技术的发展，用户可以通过使用用户设备(UE)与基站进行通信来以各种形式执行任务。例如，用户可以利用他们各自的UE来发送和接收语音消息或文本消息、再现声源或图像、或使用因特网。
基站可以从同一时区中的多个UE接收为多个任务分配无线资源的请求。请求可以以分组的形式传送到基站，并且可以基于任务或UE的类型为与请求相关的分组确定优先级，以便公平且无缝地向用户提供服务。基站可以基于优先级依次向分组分配无线资源，使得UE能够向用户提供相应的服务。
已经介绍了用于在基站中为多个分组设置优先级的各种调度算法，但是在针对具体环境应用每种算法时，都需要设置包括在算法中的相应参数的值。为了进行高效的分组调度，需要根据安装有基站的区域、时间或提供通信服务的网络运营商，不同地设置参数的值，同时，基站的基于这些参数的性能需要满足移动通信网络运营商的标准。另外，来自UE请求的服务的类型、模式、信道状态等可以随安装有基站的区域或使用基站的时间而变化，导致需要周期性地调整在调度算法中使用的参数的值。然而，在满足标准的同时设置或周期性地改变参数的值需要很多时间和劳动力，这导致难以使用高效且自适应的调度方法。
发明内容
技术方案
本公开的实施例解决了上述问题，并且提供了高效地且自适应地调度多个分组的方法以及执行该方法的电子装置。
另外的方面将在随后的描述中被部分地阐述，并且根据描述其将是部分明显的。
附图说明
通过结合附图所进行的以下描述，本公开的某些实施例的上述及其他方面、特征和优点将变得更明显，在附图中：
图1是示出根据各种实施例的包括基站和多个用户设备(UE)的示例通信系统的图；
图2是示出根据各种实施例的用于调度与多个UE的任务相关的多个分组的示例系统的框图；
图3是示出根据各种实施例的调度多个分组的示例方法的流程图；
图4是示出根据各种实施例的通信系统中包括的调度多个分组的电子装置的示例操作的信号流图；
图5是示出根据各种实施例的其中存储有多个分组的示例缓冲区的图；
图6是示出根据各种实施例的示例数据处理器和示例人工智能(AI)模块的框图，该示例数据处理器和示例人工智能(AI)模块被配置为彼此之间发送和接收数据以调度与多个UE的任务相关的多个分组；
图7是示出根据各种实施例的示例数据处理器和示例AI模块的框图，该示例数据处理器和示例AI模块被配置为彼此之间发送和接收数据以调度与多个UE的任务有关的多个分组；
图8是示出根据各种实施例的由AI模块执行的向数据处理器传送调度参数的示例方法的流程图；以及
图9是示出根据本公开的各种实施例的由AI模块执行的向数据处理器传送调度参数的示例方法的流程图。
关于附图的描述，相同的或相似的附图标记可以用于指相同的或相似的组件。
具体实施方式
根据示例实施例，一种由电子装置执行的调度与多个用户设备(UE)的任务相关且堆叠在队列中的多个分组以向所述多个分组分配无线资源的方法可以包括：基于预设的调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级，基于所设置的优先级来向被设置了优先级的多个分组中的至少一些分组分配无线资源，使用至少一个人工智能(AI)学习模型来更新调度参数，以及基于更新后的调度参数来设置在晚于第一时间点的第二时间点堆叠在队列中的多个分组的优先级。
根据示例实施例，一种电子装置，所述电子装置用于调度与多个用户设备(UE)的任务相关且堆叠在队列中的多个分组以向所述多个分组分配无线资源，所述电子装置包括：至少一个处理器，和存储器，所述存储器连接到所述至少一个处理器并存储调度参数，其中，所述至少一个处理器被配置为：基于预设的调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级，基于所设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源，获得使用至少一个人工智能(AI)学习模型更新的调度参数，以及基于更新后的调度参数来设置在晚于所述第一时间点的第二时间点堆叠在队列中的多个分组的优先级。
根据本公开的示例实施例，一种系统，所述系统调度与多个用户设备(UE)的任务相关且堆叠在队列中的多个分组以向所述多个分组分配无线资源，所述系统包括：人工智能(AI)模块和数据处理器，所述AI模块包括至少一个AI学习模型，所述AI模块被配置为：基于预设的调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级，基于所设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源，获得使用所述AI模块的至少一个人工智能(AI)学习模型更新的调度参数，以及基于更新后的调度参数来设置在晚于所述第一时间点的第二时间点堆叠在所述队列中的多个分组的优先级，其中，所述AI模块被配置为：基于向被设置了优先级的所述多个分组中的至少一些分组分配无线资源，从所述数据处理器获得分组处理信息，使用所述至少一个AI学习模型基于所获得的分组处理信息来生成所更新的调度参数，以及将所更新的调度参数传送给所述数据处理器。
贯穿本公开，表达“a、b或c中的至少一者”指的是仅a、仅b、仅c、a和b两者、a和c两者、b和c两者、a、b和c所有，或其变化。
图1是示出根据各种实施例的包括基站和多个用户设备(UE)的示例通信系统的图。
参照图1，通信系统100可以包括基站110、第一UE、第二UE 122和第三UE 123。根据各种实施例，包括在通信系统100中的UE 120的数量可以不限于图1的图示。
根据实施例，多个UE 120可以与至少一个基站110连接以向至少一个基站110发送无线资源分配的请求，并且基站110可以响应于该请求向多个UE 120分配无线资源。在各种实施例中，无线资源例如可以被理解为指的是作为在特定时间期间在有限数量的用户中共享的有限资源的用于无线通信的频率资源。在实施例中，无线资源例如可以指的是正交频分多路复用(OFDM)方案的无线通信中的资源块(RB)。
根据实施例，多个UE可以请求基站110分配用于执行各种任务的无线资源。例如，第一UE 121可以请求分配用于使用因特网的无线资源，第二UE 122可以请求分配用于语音通信的无线资源，第三UE 123可以请求分配用于流传输(stream)图像的无线资源。在实施例中，当多个UE 120在相同的时间点发送分配无线资源以执行各种任务的请求时，基站110可以获得这些请求的多个分组并且为这多个分组设置优先级。例如，基站110可以将第三UE123的请求的优先级设置为高于第一UE 121的请求的优先级，并将第二UE 122的请求的优先级设置为高于第三UE 123的请求的优先级。基站110可以根据所设置的优先级依次向多个分组分配无线资源，并且多个UE 120可以执行所请求的任务。
图2是示出根据各种实施例的用于调度与多个UE的任务相关的多个分组的示例系统的框图。
参照图2，系统200可以包括数据处理器(例如，包括处理电路)210和AI模块(例如，包括处理电路和/或可执行程序元素)260。根据实施例，数据处理器210和AI模块260可以使用他们的通信模块(例如，数据通信模块235和AI通信模块274)发送或接收数据。在各种实施例中，数据处理器210和AI模块260可以通过其间的有线连接(例如，以太网、无限宽带等)或无线连接(例如，无线保真(WiFi)、蜂窝通信等)发送和/或接收数据。在实施例中，AI模块260可以使用通用串行总线(USB)类型的张量处理单元(TPU)、Jetson Nano等来实现，并且在短距离内可以通过各种接口(例如，USB 2.0、USB3.0等)与数据处理器210连接。在这种情况下，AI模块260与数据处理器210之间的数据传输时间可以相对减少。在各种实施例中，数据处理器210可以被理解为基站110或包括在图1所示的基站110中。
数据处理器210可以从多个UE(例如，图1的多个UE 120)接收数据、处理接收到的数据，并将处理过的数据发送给多个UE。例如，数据处理器210可以从多个UE接收为要在多个UE中执行的任务分配资源(例如，无线资源)的请求。在另一个示例中，数据处理器210可以基于针对接收到的请求指定的算法来调度任务的顺序，并基于任务的调度顺序向多个UE分配资源。根据本公开的实施例，数据处理器210可以向AI模块260发送数据、从AI模块260接收数据，以及对要发送的数据或接收到的数据进行处理。例如，数据处理器210可以向AI模块260发送用于来自多个UE请求的多个任务的一个或更多个数据、关于为多个任务所设置的优先级的数据，或者关于基于优先级的资源分配结果的数据。在另一个示例中，数据处理器210可以从AI模块260接收与设置优先级所需的参数相关的数据。
根据本公开的实施例，数据处理器210可以包括处理器(例如，包括处理电路)211、输入单元(例如，包括输入电路)212、输出单元(例如，包括输出电路)213、存储器214和模块单元(例如，包括有包括各种处理电路和/或可执行程序元素的各种模块)215。在各种实施例中，无需受限于图2，数据处理器210可以省略图2中示出的组件中的至少一者，并且还可以包括图2未示出的组件。例如，多个可操作模块被图示为包括在图2中的模块单元215中，但是多个模块中的至少一些可以被实现为存储在存储器214中的软件模块。例如，分组接收模块221可以作为软件模块存储在存储器214中，而不是被实现为如图2中所示的模块单元215中所包括的单独的硬件模块，并且可以通过由处理器211执行而运行，或者可以是其任何组合。根据本公开的实施例，响应于通过输入单元212获得的至少一个输入，通过执行模块单元215中包括的至少一个模块，处理器211可以生成至少一个数据并通过输出单元213向数据处理器210的外部输出所生成的至少一个数据。根据实施例，模块单元215中包括的模块可以不限于图2的图示。例如，图2中示出的模块中的至少一些可以被表示为一个其他模块，并且图2中示出的模块可以被表示为多个其他模块，并且图2未示出的另一模块可以进一步包括在模块单元215中。
根据各种实施例，数据处理器210可以包括各种处理电路，诸如像数字单元(DU)基站设备、基于X86的DU仿真器、系统级仿真器、虚拟化无线接入网络(vRAN)的处理模块等中的至少一者，而没有限制。
分组接收模块221可以包括各种处理电路和/或可执行程序元素，并通过被处理器211执行来接收与多个UE的任务相关的多个分组。例如，多个UE可以发送针对向相应用户提供不同的服务(例如，语音通信、视频流传输、因特网等)而分配无线资源的请求，并且分组接收模块221可以接收指示分配无线资源的请求的多个分组。
根据实施例，可以基于UE或要提供的服务类型来对多个分组加以区分。例如，每个分组可以包括关于UE的标识值或用于每个UE的承载的标识值的信息以及关于要提供的服务的标识值的信息。在本公开的实施例中，承载可以被理解为例如指的是用于数据发送和接收的存在于每个UE与数据处理器210之间的一个或更多个载波。
根据实施例，可以基于所提供的服务的服务质量(QoS)来设置多个分组的优先级。例如，所需的QoS可以因所提供的每个服务的类型而不同，并且与基于所需的QoS需要较早执行的服务相关的分组的优先级可以相对较高。在实施例中，每个分组可以包括关于指示所需的QoS的优先级的参数(例如，QoS类标识符(QCI))的信息。
信道状态监测模块222可以包括各种处理电路和/或可执行程序元素，并且通过由处理器211执行而以指定的时间间隔周期性地获得指示多个UE中的每个UE的信道状态的信道状态信息(CSI)。例如，指定的时间间隔例如可以是与一个符号、一个时隙、一个子帧、一个半帧、一个帧等相对应的时间。在实施例中，作为在多个UE中的每个UE中生成的信息的CSI可以是就对从基站发送的参考信号的接收而言的质量测量结果，并且可以被理解为例如指的是从多个UE向基站报告的信息。在实施例中，CSI可以包括预编码矩阵指示符(PMI)、秩指示符(RI)或信道质量指示符(CQI)中的至少一者。针对多个UE所获得的CSI可以用于设置由分组接收模块221获得的分组的优先级。例如，CSI可以用于计算用于设置优先级的分组参数当中的针对每个分组的调制阶乘码率(MPR)。
缓冲区状态监测模块223可以包括各种处理电路和/或可执行程序元素，并通过由处理器211执行而以指定的时间间隔周期性地获得多个UE的缓冲区占用率(BO)。根据实施例，BO例如可以指示或指的是相对于用于多个UE中的每个UE的无线承载(RB)的缓冲区，数据的占用率的水平，可以被理解为例如指的是由多个UE中的每个UE生成的并报告给基站的信息。BO可以例如指的是当前将由每个UE发送的数据量。例如，当从每个UE获得了多个新分组时BO会提高，并且当多个分组中的至少一些分组被分配有无线资源且因此被处理时BO会降低。针对多个UE而获得的BO可以用于为由分组接收模块221获得的分组设置优先级。例如，CSI可以用于计算用于设置优先级的分组参数当中的传输块大小(TBS)。
队列控制模块224可以包括各种处理电路和/或可执行程序元素，并通过由处理器211执行将从分组接收模块221获得的多个分组和与多个分组相关的数据堆叠在队列中。与多个分组相关的数据可以包括以下中的至少一者：例如UE的标识号、每个UE中的承载的标识号或多个分组中的每个分组的分组参数。在实施例中，可以从分组接收模块221获得UE的标识号或关于多个分组中的每个分组的承载的标识号，并且可以从分组参数模块226获得分组参数。根据实施例，队列控制模块224可以将多个分组和与多个分组中的每个分组相关的数据集成到一个缓冲区中，并且将与每个分组相对应的缓冲区堆叠在队列中。在实施例中，分组可以以缓冲区的形式堆叠在队列中，因而将分组堆叠在队列中或从队列中移除分组可以被理解为例如指的是与将对应于分组的缓冲区堆叠在队列中或从队列中移除对应于分组的缓冲区相同或类似。
根据实施例，队列控制模块224可以从队列中移除堆叠在队列中的分组中的至少一些。例如，队列控制模块224可以从队列中移除堆叠在队列中的分组当中的被分配有无线资源的分组。在各种实施例中，队列控制模块224可以通过将分组堆叠在队列中或从队列中移除分组来调整堆叠在队列中的分组的数量。
队列监测模块225可以包括各种处理电路和/或可执行程序元素，并通过由处理器211执行来监测包括多个分组的队列的状态。根据实施例，可以基于指定的顺序将从分组接收模块221获得的多个分组堆叠在队列中。例如，可以基于所提供的服务的QoS优先级依次堆叠多个分组。在另一个示例中，可以基于由调度模块232所设置的优先级按顺序依次堆叠具有相同QoS优先级的多个分组。
根据实施例，队列监测模块225可以监测剩余在队列中的分组的量。例如，可以向堆叠在队列中的分组中的一些分配无线资源，并且剩余分组的量可以由队列监测模块225来监测。在实施例中，队列监测模块225可以通过以指定的时间间隔监测剩余在队列中的分组的量来检测多个分组被处理的速度。
分组参数模块226可以包括各种处理电路和/或可执行程序元素，并通过由处理器211执行来计算分组参数。分组参数可以被理解为例如指的是用于为堆叠在队列中的多个分组中的每个分组设置优先级的参数。在实施例中，分组参数可以是针对每个分组计算的参数。例如，分组参数模块226可以使用由信道状态监测模块222所获得的CSI和由缓冲区状态监测模块223所获得的BO来生成每个分组的分组参数。根据实施例，分组参数可以包括MPR或TBS中的至少一者。
在实施例中，MPR可以从CSI计算而得。根据实施例，CSI可以包括CQI，CQI可以被理解为例如指的是表示由UE所测量的信道的质量的信息。在实施例中，MPR可以被理解为例如指的是以标准定义的CQI索引表格上的码率x1024的值。可以通过选择与从CSI获得的CQI相对应的码率x1024的值来计算MPR。
在实施例中，TBS可以表示为每个UE的无线资源分配，并且可以从BO计算而得。TBS可以被理解为例如指的是在调度之后成功发送的无线资源分配，并且可以根据基站的情形(例如，小区带宽等)或UE的情形(例如，信道状态、调制编码方案(MCS)级别等)被确定。
根据实施例，分组参数可以包括秩指示符(RI)。RI可以被包括在CSI中，并且可以例如指的是关于信道链路的信息，其可以例如指的是通过相同的时间-频率资源发送不同的信息的层(或流)的最大数量。在本公开的实施例中，分组参数可以包括与所提供的服务的QoS优先级相关的QCI参数。
调度参数模块231可以包括各种处理电路和/或可执行程序元素，并通过由处理器211执行来配置为多个分组设置优先级所需的调度参数。在本公开的实施例中，调度参数例如可以包括这样的参数，该参数区别于为每个分组计算的并且根据调度的状态或方法配置的分组参数。例如，可以基于调度处理状态将调度参数更新为具有改善的调度处理状态的新参数。在另一个示例中，调度参数可以是与比例公平调度、轮式调度和最大载波干扰(C/I)调度中的任何一种调度方法相关的参数。根据各种实施例，调度参数可以被理解为例如指的是表示用于调度的各种标准(例如，信道状态或对每个UE的资源分配)的权重值的值。
根据实施例，利用比例公平调度方法，指示分组的优先级指标的P可以表示如下。
Figure BDA0004147317010000091
这里，MPR是分组参数，例如可以指每个分组的调制阶乘码率(MPR)，TBS是分组参数，例如可以指传输块大小，α和β可以表示TBS和MPR的指数。可以为每个分组设置优先级指标P，其中可以按从最大P到最小P的顺序来确定优先级。例如，具有较大P的分组可以被理解为与具有较小P的分组相比具有更高优先级。
在实施例中，作为与比例公平调度相关的参数的调度参数可以包括α和β。根据各种实施例，α和β可以指示TBS和MPR的权重值，并且可以考虑数据处理器210和多个UE的周围环境进行配置。例如，当基于数据处理器210和多个UE的周围环境确定了相比于对多个UE中的每个UE的资源分配，适宜更多地考虑多个UE中的每个UE的信道状态时，可以减小α并且可以增大β。例如，当与强电场相对应的UE的数量同与弱电场相对应的UE的数量之间的差小于指定水平时或当每个UE的MPR的偏差都小于指定水平时，即使增大β，UE之间的资源分配的差也会小于指定水平，因而可以减小α并且可以增大β以增加总吞吐量。在另一示例中，当基于数据处理器210和多个UE的周围环境确定了相比于多个UE中的每个UE的信道状态，适宜更多地考虑对多个UE中的每个UE的资源分配时，可以增大α并且可以减小β。例如，当与强电场相对应的UE的数量同与弱电场相对应的UE的数量之间的差大于指定水平时或当每个UE的MPR的偏差都大于指定水平时，在β增大时与弱电场相对应的UE可以不被分配无线资源，因而可以增大α并且可以减小β以均衡对每个UE的资源分配。
根据实施例，可以根据移动通信网络运营商的标准来调整α和β。例如，当移动通信网络运营商的标准是优先地增加分组的总无线资源分配或总吞吐量时，可以将α设置为相对低的值并且可以将β设置为相对高的值。在另一示例中，当移动通信网络运营商的标准是优先于对每个UE的均匀且稳定的无线资源分配时，可以将α设置为相对高的值并且可以将β设置为相对高的值。
在实施例中，作为与比例公平调度相关的参数的调度参数还可以包括表示TBS的测量时段的无限脉冲响应(IIR)滤波系数。在实施例中，IIR滤波系数可以被理解为例如指的是与平均吞吐量相关的参数，如以下公式。
Tn+1＝(1-i)×Tn+i×Rn
Tn+1和Tn可以分别表示平均吞吐量，Rn可以表示在当前时间点的传输速度，i可以表示IIR滤波系数。在各种实施例中，当IIR滤波系数增大时，可以通过对当前时间点的传输速度应用比对先前的平均吞吐量应用的权重值更高的权重值来计算平均吞吐量；当IIR滤波系数减小时，可以通过对先前的平均吞吐量应用比对当前时间点的传输速度应用的权重值更高的权重值来计算平均吞吐量。
根据实施例，当IIR滤波系数增大时，TBS的测量时段会延长，并且可以考虑更远的过去的TBS。在本公开的实施例中，当IIR滤波系数减小时，TBS的测量时段会缩短，并且可以考虑更近的过去的TBS。根据实施例，当UE与基站的连接和断开相对频繁地出现时，可以将IIR滤波系数设置得相对低；当UE与基站的连接和断开没有频繁地出现时，可以将IIR滤波系数设置得相对高。
根据实施例，当使用轮式调度时，对于优先级指标P，β的值可以为0，并且与最大C/I调度相关的调度参数可以包括α且还包括IIR滤波系数。根据本公开的实施例，当使用最大C/I调度时，对于优先级指标P，α的值可以为0，并且与轮式调度相关的调度参数可以包括β且还包括IIR滤波系数。
根据实施例，调度参数可以具有预设初始值。在本公开的实施例中，调度参数模块231可以在每次指定时间过去时将调度参数设置成预设初始值。在本公开的实施例中，调度参数模块231可以在剩余在队列中的分组的量大于或等于指定水平时将调度参数设置成预设初始值。剩余在队列中的分组的量可以是从队列监测模块225获得的。
根据实施例，可以将调度参数更新为新值。例如，调度参数模块231可以在预设时间过去时从AI模块260获得新调度参数，并且用新调度参数来更新现有调度参数。在本公开的实施例中，调度参数模块231可以基于预设时间在时间上与AI模块260同步。在实施例中，当新调度参数具有与现有调度参数相同的值时，调度参数模块231可以维持现有调度参数。
在另一示例中，无论是否经过了指定时间，当存在从AI模块260获得的新调度参数时，调度参数模块231就可以更新现有调度参数。在本公开的实施例中，调度参数模块231可以不在时间上与AI模块260同步。例如，调度参数模块231可以检测出AI模块260已经传送了新调度参数，并获得新调度参数。
调度模块232可以包括各种处理电路和/或可执行程序元素，并通过由处理器211执行来对堆叠在队列中的多个分组设置优先级。在各种实施例中，调度模块232可以使用比例公平调度、轮式调度和最大C/I调度中的任何一种调度来设置多个分组的优先级。
根据实施例，调度模块232可以基于调度参数来设置堆叠在队列中的多个分组的优先级。例如，调度参数可以被设置为预设初始值，并且调度模块232可以基于预设调度参数来设置多个分组的优先级。在另一示例中，当调度参数被更新时，调度模块232可以基于更新后的调度参数来设置多个分组的优先级。
根据实施例，调度模块232可以基于调度参数和分组参数来设置堆叠在队列中的多个分组的优先级。根据本公开的实施例，调度模块232可以使用比例公平调度来设置多个分组的优先级，并且在该情况下，优先级指标P可以表示如下。
Figure BDA0004147317010000121
在实施例中，调度模块232可以基于调度参数和分组参数来计算每个分组的优先级指标P，并且按从最大P到最小P的顺序设置多个分组的优先级。
根据各种实施例，优先级指标P可以表示为与此公式不同，且不限于此公式。例如，优先级指标P可以被表示为此公式与RI的乘积。在另一示例中，根据轮式调度，优先级指标P可以在不考虑信道状态的情况下表示如下。
Figure BDA0004147317010000122
在另一示例中，根据最大C/I调度，优先级指标P可以在不考虑当前资源分配的情况下表示如下。
Pm＝MPRβ
资源分配模块233可以包括各种处理电路和/或可执行程序元素，并且通过由处理器211执行来向被设置了优先级的多个分组中的至少一些分组分配无线资源。根据实施例，资源分配模块233可以基于所设置的优先级从最高优先级分组开始向指定数量的分组分配无线资源。
分组处理信息生成模块234可以包括各种处理电路和/或可执行程序元素，并通过由处理器211执行来生成分组处理信息作为向被设置了优先级的多个分组中的至少一些分组分配无线资源的结果。在各种实施例中，分组处理信息是与移动通信网络运营商的关键性能指标(KPI)相关的信息，可以被理解为例如指的是以下中的至少一者：多个UE中的全部UE的分组吞吐量、每个UE的分组吞吐量、每个UE的分组吞吐量的偏差、分组处理延迟时间，或者为了确定分组处理效率所收集的其他信息。
数据通信模块235可以包括各种处理电路和/或可执行程序元素，并通过由处理器211执行来向多个UE或AI模块260发送数据和/或从多个UE或AI模块260接收数据。例如，数据通信模块235可以向AI模块260发送从分组接收模块221获得的多个分组、从信道状态监测模块222获得的CSI或从缓冲区状态监测模块223获得的BO。在另一示例中，数据通信模块235可以向AI模块260发送从分组处理信息生成模块234获得的分组处理信息。在另一示例中，数据通信模块235可以从AI模块260接收更新后的调度参数。
AI模块260可以通过与数据处理器210进行通信从数据处理器210获得数据，基于获得的数据执行至少一个AI学习，作为执行AI学习的结果输出至少一个数据，并且向数据处理器210传送输出数据。根据实施例，AI模块260可以被配置为与数据处理器210相区分的单独模块。例如，AI模块260可以包括与数据处理器210的处理器211有区别的处理器(例如，包括处理电路)261，并且处理器261可以与数据处理器210的处理器211分开地执行AI学习。这样，无论在AI模块260中执行何种AI学习，数据处理器210都可以防止和/或减小数据处理速度的降低。在各种实施例中，当AI模块260执行AI学习时，可以将其理解为等同于或类似于训练至少一个AI模型。
根据本公开的实施例，AI模块260可以包括处理器(例如，包括处理电路)261、输入单元(例如，包括输入电路)262、输出单元(例如，包括输出电路)263、存储器264和模块单元(例如，包括有均包括各种处理电路和/或可执行程序元素的各种模块)265。在各种实施例中，不受限于图2，AI模块260可以不包括图2中示出的组件中的至少一者，并且还可以包括图2未示出的组件。例如，多个可操作模块被图示为包括在图2中的模块单元265中，但是多个模块中的至少一些可以被实现为存储在存储器264中的软件模块。根据实施例，相对于通过输入单元262获得的至少一个输入，处理器261可以通过执行包括在模块单元265中的至少一个模块来生成至少一个输出并通过输出单元263向外部输出所生成的至少一个输出。根据实施例，包括在模块单元265中的模块可以不限于图2的图示。例如，图2中示出的模块中的至少一些可以被表示为一个其他模块，并且图2中示出的模块可以被表示为多个其他模块，并且图2未示出的另一模块可以进一步包括在模块单元265中。
根据实施例，AI模块260还可以包括用于提高AI学习的速度的加速器。根据本公开的各种实施例，加速器例如可以包括但不限于，图形处理单元(GPU)、张量处理单元(TPU)、神经处理单元(NPU)、视觉处理单元(VPU)等中的至少一者。
参数学习模块271可以包括各种处理电路和/或可执行程序元素，并通过由处理器261执行来使用至少一个AI学习模型生成调度参数。根据各种实施例，至少一个AI学习模型例如可以包括但不限于，强化学习、机器学习、持续学习、联合学习、深度学习等的任何一种学习模型。
根据实施例，参数学习模块271可以使用通过AI通信模块274从数据处理器210获得的多个分组、分组处理信息、BO或CIS中的至少一者来作为AI学习模型的输入。例如，参数学习模块271可以包括强化学习模型来作为AI学习模型，在强化学习模型中，强化学习模型的状态变量可以包括多个分组，强化学习模型的补偿变量可以包括通过对多个分组中的至少一些分组的无线资源分配所获得的分组处理信息，强化学习模型的行为变量可以包括计算出的新调度参数。
根据实施例，参数学习模块271可以使用AI学习模型来推导引起关于多个分组、BO和CSI的最优分组处理信息的调度参数。例如，可以将从数据处理器210获得的多个分组、BO和CSI输入到AI学习模型。参数学习模型271可以使用AI学习模型，通过使用BO和CSI向多个分组应用调度方法(例如，比例公平调度、轮式调度、最大C/I调度等)来执行调度。根据实施例，参数学习模块271可以使用AI学习模型通过应用各种调度参数来推导引起关于多个分组的最优分组处理信息的调度参数的适当值。
根据各种实施例，参数学习模块271可以基于分组处理信息出于各种目的来推导新调度参数。根据实施例，参数学习模块271可以推导引起最大分组处理信息(例如，用于每个UE的最大分组吞吐量)的新调度参数。例如，参数学习模块271可以推导进一步增大α且进一步减小β的调度参数。在本公开的实施例中，参数学习模块271可以推导引起最小分组处理信息(例如，用于每个UE的分组吞吐量的最小偏差)的新调度参数。例如，参数学习模块271可以推导进一步减小α且进一步增大β的调度参数。在各种实施例中，参数学习模块271可以推导最大化分组处理效率的新调度参数。
根据本公开的各种实施例，参数学习模块271可以基于多个分组、BO、CIS、推导的调度参数和分组处理信息来重复学习。例如，参数学习模块271可以基于多个分组、BO和CSI来推导优化分组处理信息的调度参数，并将实际测量出的分组处理信息与目标分组处理信息相比较。根据实施例，目标分组处理信息可以由用户来配置，并且可以基于移动通信网络运营商所要求的KPI来配置。参数学习模块271可以计算测量出的分组处理信息与目标分组处理信息之间的差别并且向AI学习模型反映该差别，由此重复学习以减小该差别。在本公开的各种实施例中，当参数学习模块271执行学习时，其可以被理解为与参数学习模块271的训练相同或与之类似。
条件确定模块272可以包括各种处理电路和/或可执行程序元素，并通过由处理器261执行来确定用于向数据处理器210传送从参数学习模块271推导出的新调度参数的条件。例如，当从参数学习模块271推导出了新调度参数并且满足指定条件时，条件确定模块272可以向数据处理器210传送新调度参数。在另一示例中，当指定条件不满足时即使从参数学习模块271推导出了新调度参数，条件确定模块272也可以不向数据处理器210传送新调度参数。
根据实施例，条件确定模块272可以基于从数据处理器210所获得的分组处理信息来计算参数学习模块271的性能指标，并且确定计算出的性能指标是否满足指定条件。根据本公开的各种实施例，性能指标可以包括：可以通过将参数学习模块271的目标分组处理信息与从数据处理器210所获得的分组处理信息相比较而计算出的差别或准确度，或者可以从分组处理信息计算而得出的评估指标。在实施例中，当条件确定模块272确定差别小于阈值时，条件确定模块272可以确定新调度参数是可靠的并向数据处理器210传送新调度参数。在本公开的实施例中，当条件确定模块272确定准确度大于阈值时，条件确定模块272可以确定新调度参数是可靠的并向数据处理器210传送新调度参数。根据本公开的实施例，阈值可以由用户预设。
根据实施例，条件确定模块272可以确定是否过去了指定时间。例如，当过去了指定时间时，条件确定模块272可以向数据处理器210传送新调度参数。根据实施例，指定时间可以由用户预设。
根据实施例，条件确定模块272可以确定当前调度参数是否与新调度参数相同。例如，从参数学习模块271推导出的新调度参数可以与当前调度参数相同。在这种情况下，条件确定模块272可以不向数据处理器210传送新调度参数。在另一示例中，从参数学习模块271推导出的新调度参数可以不同于当前调度参数。在这种情况下，条件确定模块272可以向数据处理器210传送新调度参数。
根据实施例，条件确定模块272可以基于数据处理器210与多个UE之间的网络的状态来确定用于向数据处理器210传送新调度参数的条件。例如，条件确定模块272可以基于从数据处理器210所获得的分组处理信息来获得关于网络状态的信息，例如，关于网络的延迟水平的信息或关于堆叠在队列中的分组的量的信息。在实施例中，条件确定模块272可以基于关于网络状态的信息来确定是否适合更新调度参数。例如，当网络的延迟水平大于或等于指定水平时，条件确定模块272可以不向数据处理器210传送新调度参数以抑制数据处理器210与AI模块260之间的数据发送和接收。在另一示例中，当堆叠在队列中的分组的量大于或等于指定水平时，条件确定模块272可以不向数据处理器210传送新调度参数以不增加数据处理器210的负荷。在本公开的上述实施例中，数据处理器210可以使用现有调度参数而不对其进行更新。
条件学习模块273可以通过由处理器261执行，使用至少一个AI学习模型来推导作为条件确定模块272的确定标准的阈值或指定时间。根据实施例，条件学习模块273可以使用至少一个AI学习模型来推导要与损耗相比较的阈值，使得该阈值大于或小于当前阈值。例如，条件学习模型273可以在确定数据吞吐量大于指定水平时推导出要与损耗相比较的阈值，使得该阈值大于当前阈值，以及可以在数据处理的精度低于指定水平时推导出要与损耗相比较的阈值，使得该阈值小于当前阈值。在另一示例中，条件学习模型273可以在确定数据吞吐量大于指定水平时推导出要与准确度相比较的阈值使得该阈值小于当前阈值，以及可以在数据处理的精度低于指定水平时推导出要与准确度相比较的阈值使得该阈值大于当前阈值。在另一示例中，条件学习模型273可以在确定数据吞吐量大于指定水平时推导出比现有设定时间长的指定时间，并且可以在数据处理的精度低于指定水平时推导出比现有设定时间短的指定时间。
根据各种实施例，由条件学习模块273使用的至少一个AI学习模型可以包括强化学习、机器学习、持续学习、联合学习和深度学习中的任何一者。
AI通信模块274可以包括各种处理电路和/或可执行程序元素，并通过由处理器261执行来向数据处理器210发送数据或从数据处理器210接收数据。例如，AI通信模块274可以从数据处理器210接收多个分组、CSI、BO或分组处理信息。在另一示例中，AI通信模块274可以向数据处理模块发送新调度参数以更新调度参数。根据各种实施例，AI通信模块274可以从多个UE接收多个分组、CSI或BO中的至少一者。
图3是示出根据各种实施例的调度多个分组的示例方法的流程图。
参照图3，根据实施例的由电子装置(例如，图2的数据处理器210)执行的调度多个分组的方法300可以包括操作301至307。在实施例中，操作301至307可以由包括在电子装置中的处理器(例如，图2的处理器211)来执行。在各种实施例中，由电子装置执行的调度多个分组的方法还可以包括图3中未示出的操作，而不受限于图3的图示。
在操作301中，电子装置可以基于调度参数来设置多个分组的优先级。例如，电子装置可以基于调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级。在实施例中，多个分组例如可以包括在第一时间点之前从多个UE(例如，图1的多个UE 120)中的每个UE获得的分组，并且每个分组例如可以与由UE执行请求用于将服务提供给用户的无线资源有关。
在实施例中，调度参数例如可以是电子装置中的预设值，例如，从用户或外部输入的存储在电子装置的存储器(例如，图2的存储器214)中的值。根据实施例，调度参数是与调度的状态或方法相关的参数，可以被理解为例如指的是表示用于调度标准的权重值的值。例如，可以通过向信道状态的优势和劣势应用权重值或通过向针对多个UE中的每个UE的公平资源分配应用权重值来配置调度参数，以进行调度。
在操作303中，电子装置可以基于在操作301中设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源。根据实施例，在单位时间(例如，与一个时隙相对应的时间)期间可分配的无线资源的量可能受到限制。电子装置可以根据在单位时间期间可分配的无线资源的量，按从最高优先级到最低优先级的顺序向至少一个分组分配无线资源。在本公开的实施例中，可以从队列中移除被分配有无线资源的分组。
根据各种实施例，可以将操作301至303重复至少一次或更多次。例如，电子装置还可以按指定的时间间隔获得多个新分组，并且这多个分组可以堆叠在队列中。电子装置可以在执行操作303的时间点之后重置堆叠在队列中的多个分组的优先级，并基于重置的优先级向至少一些分组分配无线资源。
在操作305中，电子装置可以更新调度参数。根据实施例，调度参数可以从AI模块(例如，图2的AI模块260)获得更新后的调度参数。根据各种实施例，AI模块可以使用至少一个AI学习模型来推导引起最优分组处理信息的调度参数，并且电子装置可以通过从AI模块获得推导出的调度参数来更新调度参数。
在操作307中，电子装置可以基于在操作305中更新后的调度参数来设置多个分组的优先级。例如，电子装置可以基于调度参数来为在时间上晚于第一时间点的第二时间点堆叠在队列中的多个分组设置优先级。在本公开的实施例中，多个分组可以包括在第二时间点之前从多个UE中的每个UE获得的分组和在第一时间点之前从多个UE中的每个UE获得的分组。根据实施例，电子装置可以基于所设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源。
图4是示出根据各种实施例的通信系统中包括的调度多个分组的电子装置的示例操作的信号流图。
参照图4，根据实施例的由通信系统(图1的系统100或图2的系统200)中包括的电子装置执行的调度多个分组的方法400可以包括操作401至415。在各种实施例中，由电子装置执行的调度多个分组的方法还可以包括图4中未示出的操作，或可以省略图4中示出的至少一个操作。
在操作401中，多个UE 120可以向数据处理器210请求用于任务的无线资源。例如，多个UE 120中的每个UE可以请求使得用户使用因特网、执行语音通信、或者流传输图像、或者执行其他各种任务的无线资源。
根据实施例，当多个UE 120请求用于任务的无线资源时，可以向数据处理器210传送与任务相关的多个分组。每个分组可以包括与为了执行任务而请求的无线资源相关的信息，例如所需的无线资源的量。根据实施例，当多个UE 120请求用于任务的无线资源时，可以从多个UE 120向数据处理器210传送与每个UE相关的CSI和/或BO。
在实施例中，CSI和BO可以用作执行调度的标准。例如，数据处理器210可以从CSI识别出对于每个UE信道状态良好的程度，并且可以执行调度使得具有良好信道状态的UE的分组具有高优先级。在另一示例中，数据处理器210可以从BO识别出资源被分配给每个UE的程度，并且可以执行调度使得具有较少资源分配的UE的分组具有高优先级。
根据实施例，当多个分组被传送到数据处理器210时，可以从数据处理器210向AI模块260传送该多个分组。根据本公开的实施例，当CSI和/或BO从多个UE 120被传送到数据处理器210时，可以将CSI和/或BO从数据处理器210传送到AI模块260。在本公开的实施例中，传送到AI模块260的多个分组、CSI或BO可以被AI模块260用来推导适当的调度参数。例如，多个分组、CSI或BO可以被输入到包括在AI模块260中的AI学习模型以推导适当的调度参数。
在操作402中，AI模块260可以训练AI学习模型。根据实施例，操作402可以独立于操作401被执行。例如，AI模块260可以执行训练AI学习模型的操作，而不管多个UE 120是否请求了无线资源。例如，可以在操作401之前或与操作401同时地、或者在时间上在操作401之后执行操作402。
根据实施例，AI模块260可以使用多个分组、CSI、BO、或者在过去收集到的分组处理信息来训练AI学习模型。根据本公开的实施例，当随着操作401的执行从数据处理器210传送了多个分组、CSI或BO时，AI模块260可以使用传送的多个分组、CSI或BO以及在过去收集的信息来训练AI学习模型。
在操作403中，数据处理器210可以生成分组参数。分组参数可以例如指的是针对每个分组确定的参数，例如可以包括但不限于，MPR、TBS、RI、QCI、与分组的优先级相关的参数等中的至少一者。
在操作405中，数据处理器210可以基于调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级。根据各种实施例，调度参数可以是预设值，例如，从用户或外部输入的存储在电子装置的存储器(例如，图2的存储器214)中的值。在各种实施例中，设置优先级的方法可以使用例如但不限于，比例公平调度、轮式调度、最大C/I调度等中的至少一者。
在操作407中，数据处理器210可以基于在操作405中所设置的优先级来生成有序列表，并向至少一些分组分配无线资源。根据实施例，有序列表可以被理解为例如指的是在单位时间(例如，与一个时隙相对应的时间)期间可被分配有无线资源的分组的列表。根据本公开的各种实施例，有序列表可以包括指定数量的分组或与指定量的无线资源相对应的分组。
根据实施例，数据处理器210可以向包括在所生成的有序列表中的分组分配无线资源，并可以从与每个分组相对应的UE向用户提供被分配有无线资源的分组的任务。在实施例中，可以从队列中移除被分配有无线资源的分组。
在操作409中，数据处理器210可以获得分组处理信息。根据实施例，分组处理信息可以例如指的是作为操作407的结果所获得的信息，可以被理解为例如指的是全部多个UE的分组吞吐量、每个UE的分组吞吐量、每个UE的分组吞吐量的偏差、分组处理延迟时间，或者为了确定分组处理效率所收集的其他信息中的至少一者。在实施例中，分组处理信息可以与移动通信网络运营商的KPI有关。
根据实施例，当获得了分组处理信息时，数据处理器210可以向AI模块260传送分组处理信息。在实施例中，传送到AI模块260的分组处理信息可以被输入到AI学习模型并且可以用于推导新调度参数。例如，传送的分组处理信息可以用于通过与AI学习模型的目标分组处理信息相比较来计算AI学习模型的性能指标。在传送的分组处理信息与目标分组处理信息之间的差别较小时，AI学习模型的准确度或可靠性会较高，并且由AI学习模型推导出的调度参数的可靠性也会较高。
在操作411中，AI模块260可以推导调度参数。根据实施例，AI模块260可以使用从数据处理器210获得的多个分组、CSI、BO或分组处理信息来训练AI学习模型，并且可以使用训练过的AI学习模型来推导新调度参数，使得分组处理信息具有增强值。
根据实施例，当AI模块260推导调度参数时，AI模块260可以将推导出的调度参数传送给数据处理器210。根据各种实施例，AI模块260可以基于是否满足特定条件来将推导出的调度参数传送给数据处理器210。例如，AI模块260可以计算AI学习模型的性能指标并且将计算出的性能指标与阈值相比较。性能指标可以指示目标分组处理信息与所获得的分组处理信息之间的差别或者所获得的分组处理信息相对于目标分组处理信息的准确度。在实施例中，当性能指标对应于指定范围时，可以将调度参数传送给数据处理器210。在另一示例中，AI模块260可以确定是否过去了指定时间，并在过去了指定时间时将推导出的调度参数传送给数据处理器210。在另一示例中，AI模块260可以确定是否从数据处理器210获得了请求消息，并在获得了请求消息时将推导出的调度参数传送给数据处理器210。根据实施例，AI模块260可以确定推导出的调度参数是否与现有调度参数相同，并且在它们彼此不同时将推导出的调度参数传送给数据处理器210。可以将上述示例实施例分开地实现或可以组合地实现各个实施例的特性的特定部分。
在操作413中，数据处理器210可以基于更新后的调度参数来设置在第二时间点堆叠在队列中的多个分组的优先级。根据实施例，数据处理器210可以基于从AI模块260传送的调度参数来更新调度参数，并基于更新后的调度参数来设置在第二时间点堆叠在队列中的多个分组的优先级。在实施例中，在第二时间点堆叠在队列中的多个分组可以包括在操作407中未被分配无线资源的分组，以及在第二时间点之前从多个UE中的每个UE获得的分组。根据实施例，数据处理器210可以基于所设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源。
在操作415中，AI模块260可以训练AI学习模型。根据实施例，AI模块260可以基于推导并传送调度参数的操作被终止来执行训练AI学习模型的操作。
图5是示出根据各种实施例的其中存储有多个分组的示例缓冲区的图。
参照图5，数据处理器210可以包括物理(PHY)层、介质访问控制(MAC)层和无线链路控制(RLC)层。在实施例中，PHY层可以例如指的是负责引导数据处理器210与多个UE(例如，图1的多个UE 120)之间的数据发送和接收的层，其中可以从PHY层向MAC层传送从多个UE所获得的CSI。在实施例中，RLC层可以例如指的是用于支持可靠的数据传输的层，可以将从多个UE所获得的BO从RLC层传送到MAC层。在实施例中，MAC层可以使用从PHY层所获得的CSI和从RLC层所获得的BO来调度从多个UE获得的分组。
根据实施例，数据处理器210可以在MAC层中对多个UE(例如，1500个UE)执行调度，并且每个UE可以被赋予从0到1499的标识号。根据实施例，可以存在指定数量的承载以用于每个UE与数据处理器210之间的数据发送和接收。在实施例中，承载可以被理解为例如指的是用于数据传输的载波，并且通过承载携带的数据可以例如指的是MAC层中的调度目标，在本文可以被理解为与分组相同。可以根据通信系统不同地设置承载的数量。在实施例中，对于每个UE可以存在最多七个承载，并且每个承载可以被赋予从0到6的标识号。然而，将理解的是，本公开不限于该示例。
根据实施例，可以将用于多个UE的承载的数据与关于相应数据的信息一起以缓冲区的形式来存储。例如，当对于1500个UE中的每个UE存在七个承载时，可能存在10500个缓冲区，每个缓冲区可以被赋予从0到10499的标识号。根据实施例，多个缓冲区510中的每个缓冲区可以对应于一个UE的一个承载，并且可以包括多个分量。例如，缓冲区0 511具有的分量可以有UE的标识号、每个UE中的承载的标识号、QoS参数、MPR、RI或TBS。根据各种实施例，QoS参数、MPR、RI或TBS中的至少一者可以用于确定每个分组的优先级。
图6是示出根据各种实施例的示例数据处理器和AI模块的框图，该示例数据处理器和AI模块彼此之间发送和/或接收数据以调度与多个UE的任务相关的多个分组。
参照图6，调度与多个UE(例如，图1的多个UE 120)的任务相关的多个分组的数据处理器210和AI模块260可以在它们之间传送指定类型的数据。根据各种实施例，在数据处理器210和AI模块260之间传送的数据的类型可以不限于图6的图示。
根据实施例，数据处理器210可以包括用于调度与多个UE的任务相关的多个分组的调度器(例如，包括各种处理电路和/或可执行程序元素)610。根据各种实施例，调度器601例如可以被理解为指的是图2中示出的处理器211或调度模块232。
根据实施例，调度器601可以从缓冲区列表611获得多个缓冲区。在实施例中，缓冲区列表611可以被理解为例如指的是其中堆叠有与多个分组相对应的缓冲区的队列。多个缓冲区中的每个缓冲区可以包括与任务相关的分组或与分组相关的信息。例如，不作为限制，在多个缓冲区中的每个缓冲区中，如参考图5所描述的，可以存储UE的标识号、每个UE中的承载的标识号、QoS参数、MPR、RI或TBS中的至少一者。根据本公开的实施例，调度器601可以从缓冲区列表611获得从多个UE获得的信息，例如BO或CSI。
根据实施例，调度器601可以基于优先级来调度多个分组并生成有序列表612。根据实施例，有序列表612可以被理解为例如指的是在单位时间(例如，与一个时隙相对应的时间)期间可被分配有无线资源的分组的列表。根据各种实施例，有序列表612可以包括指定数量的分组或与指定量的无线资源相对应的分组。根据实施例，调度器601可以向包括在有序列表612中的分组分配无线资源。
根据实施例，调度器601可以向AI模块260传送从多个UE获得的数据或通过调度产生的数据中的至少一些。例如，调度器601可以向AI模块260传送从多个UE获得的多个分组、BO、CSI、分组处理信息或有序列表612中的至少一者。
根据实施例，AI模块260可以包括至少一个AI学习模型，该至少一个AI学习模型可以对应于通过包括代理(例如，包括处理电路和/或可执行程序元素)621和环境622的强化学习训练过的模型。代理621可以被理解为例如指的是具有识别环境622的能力的虚拟实体，并且代理621可以包括这样的实体：例如从环境622获得过去动作的状态和奖励并测量针对环境622的适当动作。
根据实施例，从数据处理器210传送到AI模块260的数据中的至少一些可以被输入到AI学习模型。例如，从数据处理器210传送的多个分组可以作为状态输入到AI学习模型的环境622。在另一示例中，从数据处理器210传送的分组处理信息可以作为奖励输入到AI学习模型的环境622。
根据实施例，可以训练AI学习模型，并且可以使用作为状态或奖励输入到环境622的数据来推导适当动作。例如，可以通过使用BO或CSI重复调度来训练AI学习模型，并且AI学习模型可以推导新调度参数作为使奖励最大化的动作。
根据实施例，AI模块260可以评估所训练的AI学习模型的可靠性。例如，AI模块260可以通过将目标值或预测值与通过AI学习模型实际获得的值相比较来获得AI学习模型的性能指标。在各种实施例中，性能指标可以包括目标分组处理信息与所获得的分组处理信息之间的差别或者所获得的分组处理信息相对于目标分组处理信息的准确度。
根据实施例，AI模块260可以向数据处理器210传送从AI学习模型产生的数据的至少一部分。例如，AI模块260可以将α、β、或IIR滤波系数中的至少一者作为新调度参数传送给数据处理器210。在另一示例中，AI模块260可以向数据处理器210传送性能指标，例如目标分组处理信息与所获得的分组处理信息之间的差别或所获得的分组处理信息相对于目标分组处理信息的准确度。在本公开的实施例中，性能指标可以用于确定是否应用新调度参数。
根据实施例，从AI模块260传送到数据处理器210的数据中的至少一些可以用于调度多个分组。例如，从AI模块260传送的新调度参数可以用于更新数据处理器210的现有调度参数。数据处理器210可以基于更新后的调度参数来调度多个分组。
图7是示出根据各种实施例的示例数据处理器和AI模块的框图，该示例数据处理器和AI模块彼此之间发送和/或接收数据以调度与多个UE的任务相关的多个分组的。
参照图7，调度与多个UE(例如，图1的多个UE 120)的任务相关的多个分组的数据处理器210和AI模块260可以在其间传送指定类型的数据。根据各种实施例，在数据处理器210与AI模块260之间传送的数据的类型可以不限于图7所示。根据各种实施例，相应描述可以同样地或类似地应用于图7中示出的组件当中的图2至图6中示出的组件的附图标记和具有相同的附图标记的组件。
根据实施例，数据处理器210可以包括调度与多个UE的任务相关的多个分组的调节分支701和调度器601。调节分支701可以被理解为例如指的是包括在图2中示出的处理器211中的组件和/或单独的另外的模块。在各种实施例中，调节分支701可以执行图6中示出的调度器601的操作的至少一部分。例如，调节分支701可以向AI模块260传送数据或从AI模块260获得数据。
根据实施例，调节分支701可以向AI模块260传送通过调度产生的数据或从多个UE获得的数据中的至少一些。例如，调节分支701可以向AI模块260传送从多个UE获得的多个分组、BO、CSI、分组处理信息或有序列表612中的至少一者。
根据实施例，当满足指定条件时，例如确定AI学习模型的可靠性大于或等于指定水平时，调节分支701可以向AI模块260传送请求消息。在实施例中，请求消息可以是主动地向AI模块260请求新调度参数的消息。
根据实施例，调节分支701可以从AI模块260获得AI学习模型的性能指标。例如，AI模块260可以以指定的时间间隔周期性地向数据处理器210传送性能指标，并且调节分支701可以以指定的时间间隔周期性地获得性能指标。根据实施例，调节分支701可以确定所获得的性能指标是否满足指定范围。例如，调节分支701可以从获得的性能指标确定AI学习模型的准确度是否大于或等于指定水平或AI学习模型的差别是否小于或等于指定水平。
在实施例中，当调节分支701确定所获得的性能指标满足指定范围时，调节分支701可以确定AI学习模型的可靠性大于或等于指定水平，并且可以向AI模块260传送请求从AI学习模型推导出的新调度参数的请求消息。在实施例中，AI模块260可以响应于从数据处理器210接收到请求消息，将推导出的新调度参数传送给数据处理器210。数据处理器210可以通过获得新调度参数来更新调度参数。
图8是示出根据各种实施例的由AI模块执行的向数据处理器传送调度参数的示例方法的流程图。
参照图8，由根据实施例的AI模块(例如，图2的AI模块260)执行的向数据处理器(例如，图2的数据处理器210)传送调度参数的方法800可以包括操作801至809。在实施例中，操作801至809可以由包括在AI模块中的处理器(例如，图2的处理器261)来执行。根据各种实施例，传送调度参数的方法还可以包括图8中未示出的操作，而不限于图8的图示，或者可以省略图8中示出的操作中的至少一者。
在操作801中，AI模块可以生成调度参数。例如，AI模块可以使用至少一个AI学习模型来生成与分组处理信息的改善值相对应的调度参数。
在操作803中，AI模块可以计算性能指标。性能指标可以被理解为例如指的是与AI学习模型的可靠性相关的指标，并且可以被计算为在AI学习模型中预测的分组处理信息与从数据处理器所获得的分组处理信息之间的差别。
根据实施例，可以基于分组处理信息中的全部多个UE的分组吞吐量来计算性能指标。例如，AI模块可以计算预测的全部多个UE的分组吞吐量与实际分组吞吐量之间的差作为性能指标。根据本公开的实施例，可以基于分组处理信息中的每个UE的分组吞吐量来计算性能指标。例如，AI模块例如可以计算预测的分组吞吐量与每个UE的实际分组吞吐量之间的差的均方或均方根作为性能指标，但不限于此。根据本公开的实施例，可以基于分组处理信息中的每个UE的分组吞吐量的标准偏差来计算性能指标。例如，AI模块可以计算每个UE的分组吞吐量的标准偏差的预测值与实际值之间的差作为性能指标。
在操作805中，AI模块可以确定性能指标是否满足指定条件。根据各种实施例，性能指标例如可以但不限于以下中的任何一者：全部多个UE的预测的分组吞吐量与实际分组吞吐量之间的差、每个UE的分组吞吐量的预测值与实际值的均方或均方根，或每个UE的分组吞吐量的标准偏差的预测值与实际值之间的差。根据各种实施例，当AI模块确定计算为预测值与实际值之间的差的性能指标小于阈值(在操作805中为“是”)时，AI模块可以确定新调度参数可靠并执行操作807。根据各种实施例，当AI模块不确定计算为预测值与实际值之间的差的性能指标小于阈值(在操作805中为“否”)时，AI模块可以返回到操作801并再次执行生成调度参数的操作。
在操作807中，AI模块可以确定所生成的调度参数是否具有不同于现有调度参数的值。在实施例中，当AI模块确定新生成的调度参数具有不同于现有调度参数的值(在操作807中为“是”)时，AI模块可以执行操作809。在实施例中，当AI模块确定新生成的调度参数具有与现有调度参数的值相同的值(在操作807中为“否”)时，AI模块不需要传送调度参数，因此返回到操作801来再次执行生成调度参数的操作。在这里，已经描述了在操作805之后执行操作807的实施例，但是可以在操作805之前或与操作805同时地执行操作807。
在操作809中，AI模块可以向数据处理器传送所生成的调度参数。传送的调度参数可以在数据处理器中更新现有调度参数。
图9是示出根据各种实施例的由AI模块执行的向数据处理器传送调度参数的示例方法的流程图。
参照图9，由根据实施例的AI模块(例如，图2的AI模块260)执行的向数据处理器(例如，图2的数据处理器210)传送调度参数的方法900可以包括操作901至909。在本公开的实施例中，操作901至909可以由包括在AI模块中的处理器(例如，图2的处理器261)来执行。根据各种实施例，传送调度参数的方法还可以包括图9中未示出的操作，而不限于图9的图示，或者可以省略图9中示出的操作中的至少一者。
根据各种实施例，操作901、903和909可以分别与操作801、803和809相同或与其类似。图8中示出的操作801、803和809的描述可以同样地或类似地应用于操作901、903和909。
在操作905中，AI模块可以向数据处理器传送性能指标。根据各种实施例，通过数据处理器的调节分支(例如，图7的调节分支701)，可以确定传送到数据处理器的性能指标是否满足指定条件。在各种实施例中，当通过调节分支确定性能指标小于阈值时，调节分支可以向AI模块传送请求消息。在各种实施例中，当没有确定性能指标小于阈值时，调节分支可以不向AI模块传送请求消息。
在操作907中，AI模块可以确定是否从数据处理器获得了请求消息。在各种实施例中，AI模块可以在获得了请求消息时执行操作909，并且在没有获得请求消息时返回到操作901以再次执行生成调度参数的操作。
在操作909中，可以将调度参数从AI模块传送到数据处理器，并且可以确定传送的调度参数是否具有不同于现有调度参数的值。当在数据处理器中确定传送的调度参数具有不同于现有调度参数的值时，可以在数据处理器中利用传送的调度参数的值来更新现有调度参数。
根据示例实施例，一种由电子装置执行的调度与多个用户设备(UE)的任务相关且堆叠在队列中的多个分组以向所述多个分组分配无线资源的方法可以包括：基于预设的调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级，基于所设置的优先级来向被设置了优先级的多个分组中的至少一些分组分配无线资源，使用至少一个人工智能(AI)学习模型来更新调度参数，以及基于更新后的调度参数来设置在晚于第一时间点的第二时间点堆叠在队列中的多个分组的优先级。
根据示例实施例，该方法还可以包括获得作为向被设置了优先级的多个分组中的至少一些分组分配无线资源的结果的分组处理信息，其中分组处理信息被输入到至少一个AI学习模型以更新调度参数。
根据示例实施例，该方法还可以包括从多个UE获得多个UE中的每个UE的缓冲区占用率(BO)和每个UE的信道状态信息(CSI)。
在示例实施例中，该方法还可以包括：基于所获得的BO和所获得的CSI来生成与在第一时间点堆叠在队列中的多个分组中的每个分组相关的分组参数，其中在第一时间点堆叠在队列中的多个分组的优先级是基于分组参数和调度参数设置的。
在本公开的示例实施例中，分组参数可以包括调制阶乘码率(MPR)或传输块大小(TBS)中的至少一者。
在本公开的示例实施例中，所获得的BO和所获得的CSI可以被输入到至少一个AI学习模型以更新调度参数。
在本公开的示例实施例中，更新调度参数可以包括：基于根据所获得的分组处理信息计算出的性能指标满足指定条件，改变调度参数，以及基于计算出的性能指标不满足指定条件，维持调度参数。
根据示例实施例，更新调度参数可以包括基于过去了预设时间来更新调度参数。
根据示例实施例，至少一个AI学习模型可以包括强化学习、机器学习、持续学习、联合学习和深度学习中的至少一者。
根据示例实施例，至少一个AI学习模型可以包括通过强化学习训练的模型，强化学习的状态变量可以包括多个分组，强化学习的奖励变量可以包括作为向多个分组中的至少一些分组分配无线资源的结果所获得的分组处理信息，强化学习的动作变量可以包括所更新的调度参数。
根据示例实施例，调度参数可以包括比例公平调度、轮式调度和最大载波干扰(C/I)调度中的任何一者。
根据示例实施例，一种电子装置，所述电子装置被配置为调度与多个用户设备(UE)的任务相关且堆叠在队列中的多个分组以向所述多个分组分配无线资源，所述电子装置可以包括：至少一个处理器；以及存储器，该存储器连接到至少一个处理器并存储调度参数，其中，至少一个处理器被配置为：基于预设的调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级，基于所设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源，获得使用至少一个人工智能(AI)学习模型更新后的调度参数，以及基于更新后的调度参数来设置在晚于第一时间点的第二时间点堆叠在队列中的多个分组的优先级。
根据示例实施例，至少一个处理器可以被进一步配置为：获得作为向被设置了优先级的多个分组中的至少一些分组分配无线资源的结果的分组处理信息，以及向包括至少一个AI学习模型的AI模块传送所获得的分组处理信息，使得所获得的分组处理信息被输入到至少一个AI学习模型。
在示例实施例中，至少一个处理器可以被进一步配置为：从多个UE获得多个UE中的每个UE的缓冲区占用率(BO)和每个UE的信道状态信息(CSI)。
在示例实施例中，至少一个处理器可以被进一步配置为：基于所获得的BO和所获得的CSI来生成与在第一时间点堆叠在队列中的多个分组中的每个分组相关的分组参数，其中，在第一时间点堆叠在队列中的多个分组的优先级是基于分组参数和调度参数设置的。
在示例实施例中，至少一个处理器可以被进一步配置为：向包括至少一个AI学习模型的AI模块传送所获得的BO和所获得的CSI，使得所获得的BO和所获得的CSI被输入到至少一个AI学习模型。
根据示例实施例，至少一个AI学习模型可以包括强化学习、机器学习、持续学习、联合学习和深度学习中的至少一者。
根据示例实施例，至少一个AI学习模型可以包括通过强化学习训练的模型，强化学习的状态变量可以包括多个分组，强化学习的奖励变量可以包括作为向多个分组中的至少一些分组分配无线资源的结果所获得的分组处理信息，强化学习的动作变量可以包括所更新的调度参数。
根据示例实施例，调度参数可以与比例公平调度、轮式调度和最大载波干扰(C/I)调度中的至少一者相关。
根据本公开的实施例，一种被配置为调度与多个用户设备(UE)的任务相关且堆叠在队列中的多个分组以向所述多个分组分配无线资源的系统包括：人工智能(AI)模块，该AI模块包括至少一个AI学习模型；以及数据处理器，该数据处理器被配置为：基于预设的调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级，基于所设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源，从AI模块获得使用至少一个人工智能(AI)学习模型所更新的调度参数，以及基于更新后的调度参数来设置在晚于第一时间点的第二时间点堆叠在队列中的多个分组的优先级，其中，AI模块被配置为：从数据处理器获得作为向被设置了优先级的多个分组中的至少一些分组分配无线资源的结果的分组处理信息，使用至少一个AI学习模型基于所获得的分组处理信息来生成所更新的调度参数，以及将所更新的调度参数传送给数据处理器。
应该理解，本公开的各种实施例以及其中使用的术语并不意图将在此阐述的技术特征限制于本公开的具体实施例，而是包括针对本公开的相应实施例的各种改变、等同形式或替换形式。对于附图的描述，相似的参考标号可用来指代相似或相关的组件。将理解的是，与项目相应的单数形式的名词可以包括一个或更多个事物，除非相关上下文另有明确指示。如这里所使用的，诸如“A或B”、“A和B中的至少一个”、“A或B中的至少一个”、“A、B或C”、“A、B和C中的至少一者”以及“A、B或C中的至少一者”的短语中的每一个短语可包括在与所述多个短语中相应一个短语中一起列举出的项的所有可能组合。本文使用的诸如“第一”、“第二”、“首要”或“次要”等的表达可以不管顺序和/或重要性来表示各种组件，而不会限制相应的组件。当描述了组件(诸如第一组件)与另一组件(诸如第二组件)“操作地或通信地耦接/或操作地或通信地耦接到其”时，该组件可以直接地连接到其他组件或可以通过另一组件(例如，第三组件)连接到其他组件。
本文使用的术语“模块”可以例如指的是包括硬件、软件，和固件之一或硬件、软件，和固件中的两者或更多者的组合或其任何组合的单元，并且可以与诸如逻辑、逻辑块、部分或电路等的术语可交换地使用。模块可以是被适配为执行一个或更多个功能的单个集成组件或者是该单个集成组件的最小单元或部分。例如，模块可以被实现为专用集成电路(ASIC)。
在本文阐述的本公开的各种实施例可以被实现为包括存储在机器(例如，计算机)可读的存储介质(例如，内部存储器或外部存储器)中的一个或更多个指令的软件。机器可以从存储介质中调用存储指令并根据调用的指令来运行，并且可以包括根据本公开所公开的实施例的电子装置。当指令由处理器执行时，与指令相对应的功能可以由处理器直接地执行，或在处理器的控制之下由其他组件执行。一个或更多个指令可以包括由编译器产生的代码或可由解释器运行的代码。可以以非暂时性存储介质的形式来提供机器可读存储介质。其中，“非暂时性”存储介质是有形装置，并且可以不包括暂时电信号，但是该术语对将数据半永久地存储在存储介质中与将数据暂时地存储在存储介质中之间不进行区分。
根据本公开的实施例，根据本公开的各种实施例的方法可以被包括并设置在计算机程序产品中。计算机程序产品可以作为产品在销售者和购买者之间进行交易。计算机程序产品可以以机器可读存储介质(例如，紧凑盘只读存储器(CD-ROM))的形式分发，或经由应用商店(例如，Play StoreTM)在线分发。当被在线分发时，计算机程序产品中的至少一部分可以是临时产生的，或者可以将计算机程序产品中的至少一部分至少临时存储在机器可读存储介质(诸如制造商的服务器、应用商店的服务器或中继服务器的存储器)中。
根据本公开的各种实施例的每个组件(例如，模块或程序)可以包括单个实体或多个实体，并且可以省略上述子组件中的一些，或可以在本公开的各种实施例中另外包括其他子组件。作为另一种选择或者另外地，一些组件(例如，模块或程序)可以被集成为单个组件，并且该集成组件可以仍旧与所述多个组件中的相应一个组件在集成之前执行的相同或相似的方式，执行所述多个组件中的每一个组件的一个或更多个功能。由根据本公开的各种实施例的模块、程序或另一组件所执行的操作可顺序地、并行地、重复地或以启发式方式来执行，或者操作中的一个或更多个操作可按照不同的顺序来执行或被省略，或者可添加一个或更多个其它操作。
根据本公开的与AI有关的功能可以通过处理器和存储器来执行。处理器可以包括一个处理器或多个处理器。在这种情况下，一个处理器或多个处理器可以包括诸如CPU、应用处理器(AP)、数字信号处理器(DSP)等的通用处理器、诸如GPU、视觉处理单元(VPU)等的图形专用处理器、或诸如神经处理单元(NPU)的AI专用处理器。一个处理器或多个处理器可以控制根据存储在存储器中的预定义操作规则或AI模型来处理数据。当一个处理器或多个处理器包括AI专用处理器时，该AI专用处理器可以被设计为专门用于处理特定AI模型的硬件结构。
可以通过训练来制定预定义操作规则或AI模型。在本文，当通过训练制定预定义操作规则或AI模型时，其可以例如指的是使用多个训练数据基于学习算法训练出的基本AI模型，使得制定出被设置为执行期望的特性(或目的)的预定义操作规则或AI模型。这种学习可以由其上实现有根据本公开的AI的装置来执行，或者由单独的服务器和/或系统来执行。学习算法的示例可以包括但不限于监督学习、无监督学习、半监督学习或强化学习。
AI模型可以包括多个神经网络层。多个神经网络层中的每一者可以具有多个权重值，并且通过前一层的操作结果与多个权重值之间的操作来执行神经网络操作。可以通过AI模型的训练结果来优化多个神经网络层的多个权重值。例如，多个权重值可以被更新以使在训练过程期间在AI模型中获得的损失值或成本值减小或最小化。AI神经网络的示例可以包括但不限于深层神经网络(DNN)、卷积神经网络(CNN)、循环神经网络(RNN)、受限玻尔兹曼机(RBM)、深度置信网络(DBN)、双向循环深度神经网络(BRDNN)和深度Q-网络。
在根据本公开的由电子装置执行的调度多个分组方法中，AI模型可以用作使用多个分组、BO或CSI来推理或预测调度参数以优化表示向多个分组分配无线资源的结果的分组处理信息的方法。处理器可以通过对数据执行预处理来将数据转换为适于用作针对AI模型的输入的形式。可以通过训练制定AI模型。在本文，当通过训练制定AI模型时，其可以例如指的是使用多个训练数据基于学习算法训练出的基本AI模型，使得制定出被设置为执行期望的特性(或目的)的预定义操作规则或AI模型。AI模型可以包括多个神经网络层。多个神经网络层中的每一者可以具有多个权重值，并且通过前一层的操作结果与多个权重值之间的操作来执行神经网络操作。
推理/预测可以例如指的是用于确定信息并执行逻辑推理和预测的技术，并包括基于知识/概率的推理、优化预测、基于偏好的规划、推荐等。
根据在本文公开的各个示例实施例，可以自适应地更新在调度与多个UE的任务相关的多个分组的方法中使用的参数，由此节约设置参数或周期性地改变参数所需的时间和劳动力。而且，可以根据目的通过AI来调整参数，由此高效地执行向多个UE的无线资源分配。
尽管已经参考各种示例实施例示出和描述了本公开，但将理解的是，各种示例实施例意图是说明性的，而非限制性的。本领域的技术人员将进一步理解，在不背离本公开的真实精神和全部范围(包括所附权利要求及其等同形式)的情况下，可以进行形式和细节方面的各种改变。

Claims (15)

1.一种由电子装置执行的调度与多个用户设备(UE)的任务相关且堆叠在队列中的多个分组以向所述多个分组分配无线资源的方法，所述方法包括：
基于预设的调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级；
基于所设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源；
使用至少一个人工智能(AI)学习模型来更新所述调度参数；以及
基于更新后的调度参数，设置在晚于所述第一时间点的第二时间点堆叠在队列中的多个分组的优先级。
2.根据权利要求1所述的方法，所述方法还包括：基于向被设置了优先级的多个分组中的至少一些分组分配无线资源，来获得分组处理信息，
其中，所述分组处理信息被输入到所述至少一个AI学习模型以更新所述调度参数。
3.根据权利要求1所述的方法，所述方法还包括：从所述多个UE获得所述多个UE中的每个UE的缓冲区占用率(BO)和每个UE的信道状态信息(CSI)。
4.根据权利要求3所述的方法，所述方法还包括：基于所获得的BO和所获得的CSI来生成与在所述第一时间点堆叠在队列中的多个分组中的每个分组相关的分组参数，
其中，在所述第一时间点堆叠在队列中的多个分组的优先级是基于所述分组参数和所述调度参数设置的。
5.根据权利要求4所述的方法，其中，所述分组参数包括调制阶乘码率(MPR)或传输块大小(TBS)中的至少一者。
6.根据权利要求3所述的方法，其中，所获得的BO和所获得的CSI被输入到所述至少一个AI学习模型以更新所述调度参数。
7.根据权利要求2所述的方法，其中，更新所述调度参数包括：基于根据所获得的分组处理信息计算出的性能指标满足指定条件，改变所述调度参数，并且基于计算出的性能指标不满足所述指定条件，维持所述调度参数。
8.根据权利要求1所述的方法，其中，更新所述调度参数包括基于过去了预设时间来更新所述调度参数。
9.根据权利要求1所述的方法，其中，所述至少一个AI学习模型包括强化学习、机器学习、持续学习、联合学习和深度学习中的至少一者。
10.根据权利要求1所述的方法，其中，所述至少一个AI学习模型包括通过强化学习训练过的模型，
所述强化学习的状态变量包括所述多个分组，
所述强化学习的奖励变量包括作为向所述多个分组中的至少一些分组分配无线资源的结果所获得的分组处理信息，并且
所述强化学习的动作变量包括更新后的调度参数。
11.根据权利要求1所述的方法，其中，所述调度参数与比例公平调度、轮式调度和最大载波干扰(C/I)调度中的至少一者相关。
12.一种电子装置，所述电子装置被配置为调度与多个用户设备(UE)的任务相关且堆叠在队列中的多个分组以向所述多个分组分配无线资源，所述电子装置包括：
至少一个处理器；以及
存储器，所述存储器连接到所述至少一个处理器并存储调度参数，
其中，所述至少一个处理器被配置为：
基于预设的调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级；
基于所设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源；
获得使用至少一个人工智能(AI)学习模型更新后的调度参数；以及
基于更新后的调度参数，设置在晚于所述第一时间点的第二时间点堆叠在队列中的多个分组的优先级。
13.根据权利要求12所述的电子装置，其中，所述至少一个处理器还被配置为：
基于向被设置了优先级的多个分组中的至少一些分组分配无线资源，来获得分组处理信息，
向包括所述至少一个AI学习模型的AI模块传送所获得的分组处理信息，使得所获得的分组处理信息被输入到所述至少一个AI学习模型。
14.根据权利要求12所述的电子装置，其中，所述至少一个处理器还被配置为：从所述多个UE获得所述多个UE中的每个UE的缓冲区占用率(BO)和每个UE的信道状态信息(CSI)。
15.一种系统，所述系统被配置为调度与多个用户设备(UE)的任务相关且堆叠在队列中的多个分组以向所述多个分组分配无线资源，所述系统包括：
人工智能(AI)模块和数据处理器，所述AI模块包括至少一个AI学习模型；其中，
所述数据处理器被配置为：基于预设的调度参数来设置在第一时间点堆叠在队列中的多个分组的优先级，基于所设置的优先级向被设置了优先级的多个分组中的至少一些分组分配无线资源，从所述AI模块获得使用至少一个人工智能(AI)学习模型更新后的调度参数，以及基于更新后的调度参数来设置在晚于所述第一时间点的第二时间点堆叠在队列中的多个分组，
其中，所述AI模块被配置为：
从所述数据处理器获得作为向被设置了优先级的多个分组中的至少一些分组分配无线资源的结果的分组处理信息；
使用所述至少一个AI学习模型基于所获得的分组处理信息来生成更新后的调度参数；以及
将更新后的调度参数传送给所述数据处理器。
CN202180066193.9A 2020-09-28 2021-05-10 使用人工智能调度与多个用户设备的任务相关的多个分组的方法及执行该方法的电子装置 Pending CN116235609A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2020-0126358 2020-09-28
KR1020200126358A KR20220042927A (ko) 2020-09-28 2020-09-28 인공지능을 이용하여 복수의 단말들의 작업들과 관련된 복수의 패킷들을 스케줄링하는 방법 및 이를 수행하는 전자 장치
PCT/KR2021/005807 WO2022065622A1 (en) 2020-09-28 2021-05-10 Method of scheduling plurality of packets related to tasks of plurality of user equipments using artificial intelligence and electronic device performing the method

Publications (1)

Publication Number Publication Date
CN116235609A true CN116235609A (zh) 2023-06-06

Family

ID=80821714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180066193.9A Pending CN116235609A (zh) 2020-09-28 2021-05-10 使用人工智能调度与多个用户设备的任务相关的多个分组的方法及执行该方法的电子装置

Country Status (5)

Country Link
US (1) US11737080B2 (zh)
EP (1) EP4189939A4 (zh)
KR (1) KR20220042927A (zh)
CN (1) CN116235609A (zh)
WO (1) WO2022065622A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11824731B2 (en) * 2021-12-29 2023-11-21 Salesforce, Inc. Allocation of processing resources to processing nodes
WO2023214796A1 (ko) * 2022-05-06 2023-11-09 삼성전자 주식회사 단말의 스케줄링 우선순위를 결정하는 방법 및 전자 장치
WO2024063710A1 (en) * 2022-09-20 2024-03-28 Telefonaktiebolaget Lm Ericsson (Publ) Mapping of artificial intelligence-related messages

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3898965B2 (ja) * 2002-03-06 2007-03-28 株式会社エヌ・ティ・ティ・ドコモ 無線リソース割り当て方法及び基地局
US6920120B2 (en) * 2002-08-22 2005-07-19 Ericsson Inc. System and method of scheduling radio resources in a wireless communications network
CN1276672C (zh) * 2003-05-16 2006-09-20 株式会社Ntt都科摩 分组通讯系统、基站和移动站
ATE554567T1 (de) 2004-12-29 2012-05-15 Ericsson Telefon Ab L M Prioritäts-träger in einem mobiltelekommunikationsnetz
KR100704674B1 (ko) * 2005-06-27 2007-04-06 한국전자통신연구원 휴대 인터넷 시스템의 스케줄링 장치 및 그 방법
KR100749847B1 (ko) * 2005-11-11 2007-08-16 한국전자통신연구원 휴대 인터넷 시스템의 기지국에서 순방향 패킷 스케쥴링장치 및 방법
JP4786340B2 (ja) 2005-12-28 2011-10-05 株式会社エヌ・ティ・ティ・ドコモ 基地局装置およびパケットスケジューリング方法
US20090010202A1 (en) * 2006-09-27 2009-01-08 Hitachi Kokusai Electric Inc. Wireless base station
US8687489B2 (en) * 2007-06-15 2014-04-01 Qualcomm Incorporated Aborting a packetized wireless communication
US8755405B2 (en) 2009-11-09 2014-06-17 Movik Networks, Inc. Burst packet scheduler for improved ran efficiency in UMTS/HSPA networks
US20120281641A1 (en) * 2011-05-06 2012-11-08 The Hong Kong University Of Science And Technology Orthogonal frequency division multiple access (ofdma) subband and power allocation
CN104113924B (zh) * 2013-04-17 2019-04-16 中兴通讯股份有限公司 一种多子帧调度方法、装置及系统
US9609660B2 (en) * 2014-12-19 2017-03-28 Wipro Limited System and method for adaptive downlink scheduler for wireless networks
KR102355785B1 (ko) * 2015-01-19 2022-01-26 삼성전자주식회사 무선 통신 시스템에서 협력 전송을 위한 제어 정보 송신 장치 및 방법
JP6569374B2 (ja) * 2015-08-10 2019-09-04 富士通株式会社 スイッチ装置及びスイッチ装置の制御方法
KR20170036509A (ko) 2015-09-24 2017-04-03 삼성전자주식회사 통신 시스템에서 패킷을 스케쥴링하는 장치 및 방법
US10057915B2 (en) * 2016-03-11 2018-08-21 Wipro Limited Methods and systems for adaptive scheduling of packets in a wireless broadband network
KR102269068B1 (ko) * 2017-03-10 2021-06-24 한국전자통신연구원 스위칭을 위한 스케줄링 방법 및 스케줄러
CN109219024B (zh) * 2017-06-30 2021-08-13 华为技术有限公司 数据传输方法及装置

Also Published As

Publication number Publication date
US20220104213A1 (en) 2022-03-31
EP4189939A1 (en) 2023-06-07
US11737080B2 (en) 2023-08-22
KR20220042927A (ko) 2022-04-05
WO2022065622A1 (en) 2022-03-31
EP4189939A4 (en) 2024-01-10

Similar Documents

Publication Publication Date Title
US10805804B2 (en) Network control method, apparatus, and system, and storage medium
CN116235609A (zh) 使用人工智能调度与多个用户设备的任务相关的多个分组的方法及执行该方法的电子装置
CN110381541B (zh) 一种基于强化学习的智能电网切片分配方法及装置
Qian et al. Survey on reinforcement learning applications in communication networks
Sun et al. Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning
Zhang et al. Federated deep reinforcement learning for resource allocation in O-RAN slicing
CN110225553B (zh) 一种数据分流方法及设备、系统
WO2014139448A1 (en) Systems and methods for quality of experience aware joint scheduling of buffered video on demand and best effort flows
US20170245179A1 (en) Method and Apparatus for Dynamic Backhaul Resource Allocation in a Radio Access Network
Zhang et al. Delay-aware cellular traffic scheduling with deep reinforcement learning
CN111711666A (zh) 一种基于强化学习的车联网云计算资源优化方法
CN113840333B (zh) 电网资源分配的方法、装置、电子设备及存储介质
CN116541106A (zh) 计算任务卸载方法、计算设备及存储介质
EP4030708A1 (en) Method and apparatus for bandwidth allocation
CN115996403B (zh) 5g工业时延敏感业务资源调度方法、装置、电子设备
AlQwider et al. Deep Q-network for 5G NR downlink scheduling
WO2023115534A1 (en) Systems, devices and methods for scheduling wireless communications
US20230362976A1 (en) Method and electronic device for determining scheduling priority of user equipment
Falahatraftar et al. A multiple linear regression model for predicting congestion in heterogeneous vehicular networks
KR20230156630A (ko) 단말의 스케줄링 우선순위를 결정하는 방법 및 전자 장치
Kathuria et al. Design, Implementation, and Evaluation of Modern Approaches for the Augmentation of QoS in Medical Body Sensor Network.
CN116156654B (zh) 联合数据价值与信息年龄的多集群视频直播系统调度方法
Tokuda et al. Resource Allocation for Mobile Edge Computing System Considering User Mobility with Deep Reinforcement Learning
CN117499960B (zh) 一种通信网络中资源调度方法、系统、设备及介质
CN117177376B (zh) 考虑回程延迟的多小区协同调度方法、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination