CN116266945A - 预测时钟漂移 - Google Patents
预测时钟漂移 Download PDFInfo
- Publication number
- CN116266945A CN116266945A CN202211613337.0A CN202211613337A CN116266945A CN 116266945 A CN116266945 A CN 116266945A CN 202211613337 A CN202211613337 A CN 202211613337A CN 116266945 A CN116266945 A CN 116266945A
- Authority
- CN
- China
- Prior art keywords
- clock
- reported
- time
- machine learning
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims description 34
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 13
- 230000010267 cellular communication Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000001413 cellular effect Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000197727 Euscorpius alpha Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009975 flexible effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W56/00—Synchronisation arrangements
- H04W56/004—Synchronisation arrangements compensating for timing error of reception due to propagation delay
- H04W56/005—Synchronisation arrangements compensating for timing error of reception due to propagation delay compensating for timing error by adjustment in the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W56/00—Synchronisation arrangements
- H04W56/001—Synchronization between nodes
- H04W56/0025—Synchronization between nodes synchronizing potentially movable access points
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/06—Synchronising arrangements
- H04J3/0635—Clock or time synchronisation in a network
- H04J3/0638—Clock or time synchronisation among nodes; Internode synchronisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03J—TUNING RESONANT CIRCUITS; SELECTING RESONANT CIRCUITS
- H03J3/00—Continuous tuning
- H03J3/02—Details
- H03J3/04—Arrangements for compensating for variations of physical values, e.g. temperature
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03L—AUTOMATIC CONTROL, STARTING, SYNCHRONISATION OR STABILISATION OF GENERATORS OF ELECTRONIC OSCILLATIONS OR PULSES
- H03L1/00—Stabilisation of generator output against variations of physical values, e.g. power supply
- H03L1/02—Stabilisation of generator output against variations of physical values, e.g. power supply against variations of temperature only
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J3/00—Time-division multiplex systems
- H04J3/02—Details
- H04J3/06—Synchronising arrangements
- H04J3/0635—Clock or time synchronisation in a network
- H04J3/0676—Mutual
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L7/00—Arrangements for synchronising receiver with transmitter
- H04L7/0016—Arrangements for synchronising receiver with transmitter correction of synchronization errors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W56/00—Synchronisation arrangements
- H04W56/0055—Synchronisation arrangements determining timing error of reception due to propagation delay
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W56/00—Synchronisation arrangements
- H04W56/001—Synchronization between nodes
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
公开了一种方法,该方法包括:获取多个先前时钟偏斜、已报告温度和已报告时间;基于多个先前时钟偏斜、已报告温度和已报告时间,获取当前时钟偏斜的预测;基于所预测的当前时钟偏斜,确定当前时钟偏移;基于当前时钟偏移和已报告时间,确定时钟调节;以及基于时钟调节,确定已校正时间。
Description
技术领域
以下示例性实施例涉及蜂窝通信网络内的无线通信和处理时钟漂移(drifting)。
背景技术
蜂窝通信网络包括多个网络节点。为了使通信可靠并且及时,网络节点的时钟要同步,以使得时间概念能够对所有网络节点而言是共同的。
发明内容
本发明的各种实施例所寻求的保护范围由独立权利要求规定。在本说明书中描述的不属于独立权利要求的范围的示例性实施例和特征(如果有的话)应当被解释为对理解本发明的各种实施例有用的示例。
根据第一方面,提供了一种装置,该装置包括:用于获取多个先前时钟偏斜、已报告温度和已报告时间的部件;用于基于多个先前时钟偏斜(skew)、已报告温度和已报告时间获取当前时钟偏斜的预测的部件;用于基于所预测的当前时钟偏斜确定当前时钟偏移(offset)的部件;用于基于当前时钟偏移和已报告时间确定时钟调节的部件;以及用于基于时钟调节确定已校正时间的部件。
根据第二方面,提供了一种装置,该装置包括至少一个处理器和包含计算机程序代码的至少一个存储器,其中至少一个存储器和计算机程序代码被配置为与至少一个处理器一起引起该装置:获取多个先前时钟偏斜、已报告温度和已报告时间,基于多个先前时钟偏斜、已报告温度和已报告时间获取当前时钟偏斜的预测,基于所预测的当前时钟偏斜确定当前时钟偏移,基于当前时钟偏移和已报告时间确定时钟调节,并且基于时钟调节确定已校正时间。
根据第三方面,提供了一种方法,该方法包括获取多个先前时钟偏斜、已报告温度和已报告时间;基于多个先前时钟偏斜、已报告温度和已报告时间获取当前时钟偏斜的预测;基于所预测的当前时钟偏斜确定当前时钟偏移;基于当前时钟偏移和已报告时间确定时钟调节;以及基于时钟调节确定已校正时间。
根据第四方面,提供了一种计算机程序,该计算机程序包括用于引起装置执行至少以下操作的指令:获取多个先前时钟偏斜、已报告温度和已报告时间;基于多个先前时钟偏斜、已报告温度和已报告时间获取当前时钟偏斜的预测;基于所预测的当前时钟偏斜确定当前时钟偏移;基于当前时钟偏移和已报告时间确定时钟调节;以及基于时钟调节确定已校正时间。
根据第五方面,提供了一种计算机程序产品,该计算机程序产品包括用于引起装置执行至少以下操作的指令:获取多个先前时钟偏斜、已报告温度和已报告时间;基于多个先前时钟偏斜、已报告温度和已报告时间获取当前时钟偏斜的预测;基于所预测的当前时钟偏斜确定当前时钟偏移;基于当前时钟偏移和已报告时间确定时钟调节;以及基于时钟调节确定已校正时间。
根据第六方面,提供了一种包括存储在其上的指令的计算机程序,该指令用于执行至少以下操作:获取多个先前时钟偏斜、已报告温度和已报告时间;基于多个先前时钟偏斜、已报告温度和已报告时间获取当前时钟偏斜的预测;基于所预测的当前时钟偏斜确定当前时钟偏移;基于当前时钟偏移和已报告时间确定时钟调节;以及基于时钟调节确定已校正时间。
根据第七方面,提供了一种包括程序指令的非暂态计算机可读介质,该程序指令用于引起装置执行至少以下操作:获取多个先前时钟偏斜、已报告温度和已报告时间;基于多个先前时钟偏斜、已报告温度和已报告时间获取当前时钟偏斜的预测;基于所预测的当前时钟偏斜确定当前时钟偏移;基于当前时钟偏移和已报告时间确定时钟调节;以及基于时钟调节确定已校正时间。
根据第八方面,提供了一种包括存储在其上的程序指令的非暂态计算机可读介质,该程序指令用于执行至少以下操作:获取多个先前时钟偏斜、已报告温度和已报告时间;基于多个先前时钟偏斜、已报告温度和已报告时间获取当前时钟偏斜的预测;基于所预测的当前时钟偏斜确定当前时钟偏移;基于当前时钟偏移和已报告时间确定时钟调节;以及基于时钟调节确定已校正时间。
附图说明
在下文中,将参考实施例和附图更详细地描述本发明,在附图中:
图1示出了无线电接入网的示例性实施例;
图2示出了根据示例性实施例的流程图;
图3示出了用于机器学习辅助时钟漂移预测的架构的示例性实施例;
图4示出了训练机器学习模型的示例性实施例;以及
图5和图6示出了装置的示例性实施例。
具体实施方式
以下实施例是示例性的。尽管本说明书可以在文本的若干位置引用“一个(an)”、“一个(one)”或“一些(some)”实施例,但这并不一定表示每个引用都是指相同实施例或者特定特征仅适用于单个实施例。不同实施例的单个特征也可以组合以提供其他实施例。
如本申请中使用的,术语“电路”是指以下所有内容:(a)仅硬件电路实现,诸如仅在模拟和/或数字电路中的实现,以及(b)电路和软件(和/或固件)的组合,诸如(如适用):(i)处理器的组合,或(ii)处理器/软件的部分,包括数字信号处理器、软件和存储器,其一起工作以引起装置执行各种功能,以及(c)即使软件或固件在物理上不存在仍然需要软件或固件进行操作的电路,诸如微处理器或微处理器的一部分。“电路”的这个定义适用于该术语在本申请中的所有用途。作为另外的示例,如本申请中使用的,术语“电路”还将涵盖仅一个处理器(或多个处理器)或处理器的一部分及其(或它们的)附带软件和/或固件的实现。例如,如果适用于特定元素,术语“电路”还将涵盖用于移动电话的基带集成电路或应用处理器集成电路、或者服务器、蜂窝网络设备或另一网络设备中的类似集成电路。电路的上述实施例也可以被认为是提供用于执行本文档中描述的方法或过程的实施例的部件的实施例。
本文中描述的技术和方法可以通过各种手段来实现。例如,这些技术可以在硬件(一个或多个设备)、固件(一个或多个设备)、软件(一个或多个模块)或其组合中实现。对于硬件实现,实施例的装置可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、图形处理单元(GPU)、处理器、控制器、微控制器、微处理器、被设计为执行本文中描述的功能的其他电子单元或其组合内实现。对于固件或软件,该实现可以通过执行本文中描述的功能的至少一个芯片组的模块(例如,程序、功能等)来执行。软件代码可以存储在存储器单元中并且由处理器执行。存储器单元可以在处理器内或在处理器外部实现。在后一种情况下,它可以经由任何合适的方式通信耦合到处理器。此外,本文中描述的系统的组件可以由附加组件重新布置和/或补充,以促进关于其而描述的各个方面等的实现,并且它们不限于给定附图中阐述的精确配置,如本领域技术人员将理解的。
本文中描述的实施例可以在通信系统中实现,诸如在以下至少一个中实现:全球移动通信系统(GSM)或任何其他第二代蜂窝通信系统、基于基本宽带码分多址(W-CDMA)的通用移动电信系统(UMTS、3G)、高速分组接入(HSPA)、长期演进(LTE)、高级LTE、基于IEEE802.11规范的系统、基于IEEE 802.15规范的系统和/或第五代(5G)移动或蜂窝通信系统。然而,实施例不限于作为示例给出的系统,而是本领域技术人员可以将该解决方案应用于具有必要特性的其他通信系统。
图1描绘了简化的系统架构的示例,其示出了一些元件和功能实体,它们都是逻辑单元,其实现可以与所示出的有所不同。图1所示的连接是逻辑连接;实际物理连接可以有所不同。对于本领域技术人员来说很清楚的是,该系统还可以包括除了图1所示的功能和结构之外的其他功能和结构。图1的示例示出了示例性无线电接入网的一部分。
图1示出了被配置为在小区中的一个或多个通信信道上与提供该小区的接入节点(诸如(e/g)NodeB)104处于无线连接的终端设备100和102。接入节点104也可以被称为节点。从终端设备到(e/g)NodeB的无线链路称为上行链路或反向链路,而从(e/g)NodeB到终端设备的无线链路称为下行链路或前向链路。应当理解,(e/g)NodeB或其功能可以通过使用适合于这种用途的任何节点、主机、服务器或接入点等实体来实现。应当注意,尽管在该示例性实施例中讨论一个小区,但是为了简化解释,在一些示例性实施例中,可以由一个接入节点提供多个小区。
通信系统可以包括多于一个(e/g)NodeB,在这种情况下,(e/g)NodeB也可以被配置为通过为此目的而设计的有线或无线链路彼此通信。这些链路可以用于信令目的。(e/g)NodeB是被配置为控制其耦合到的通信系统的无线电资源的计算设备。(e/g)NodeB也可以称为基站、接入点、或包括能够在无线环境中操作的中继站的任何其他类型的接口设备。(e/g)NodeB包括或耦合到收发器。从(e/g)NodeB的收发器,向天线单元提供连接,该连接建立到用户设备的双向无线电链路。天线单元可以包括多个天线或天线元件。(e/g)NodeB进一步连接到核心网110(CN或下一代核心NGC)。取决于系统,CN侧的对应方可以是服务网关(S-GW,其路由并转发用户数据分组)、分组数据网络网关(P-GW,其用于提供终端设备(UE)与外部分组数据网络的连接)、或移动性管理实体(MME)等。
终端设备(也称为UE、用户装置(user equipment)、用户终端、用户设备(userdevice)等)示出了空中接口上的资源被分配和指派给其的一种类型的装置,并且因此本文中描述的终端设备的任何特征可以用对应装置(诸如中继节点)来实现。这样的中继节点的一个示例是朝向基站的层3中继(自回程中继)。这样的中继节点的另一示例是层2中继。这样的中继节点可以包含终端设备部分和分布式单元(DU)部分。例如,CU(集中式单元)可以经由F1AP接口协调DU操作。
终端设备可以是指便携式计算设备,该设备包括使用或不使用订户标识模块(SIM)或嵌入式SIM(eSIM:embedded SIM)进行操作的无线移动通信设备,包括但不限于以下类型的设备:移动台(移动电话)、智能电话、个人数字助理(PDA)、听筒、使用无线调制解调器的设备(警报或测量设备等)、膝上型计算机和/或触摸屏计算机、平板电脑、游戏机、笔记本和多媒体设备。应当理解,用户设备也可以是排他性的或几乎排他性的仅上行链路设备,其示例是将图像或视频剪辑加载到网络的相机或摄像机。终端设备也可以是具有在物联网(IoT)网络中进行操作的能力的设备,在该场景中,对象被提供有在无需人与人或人与计算机交互的情况下通过网络传输数据的能力。终端设备也可以利用云。在一些应用中,终端设备可以包括带有无线电部件的小型便携式设备(诸如手表、耳机或眼镜),并且计算在云中执行。终端设备(或在一些实施例中为层3中继节点)被配置为执行用户设备功能中的一个或多个。
本文中描述的各种技术也可以应用于网络物理系统(CPS)(控制物理实体的协作计算元件的系统)。CPS可以实现和利用嵌入在物理对象中的不同位置的大量互连ICT设备(传感器、致动器、处理器微控制器等)。所讨论的物理系统在其中具有固有移动性的移动网络物理系统是网络物理系统的子类别。移动物理系统的示例包括由人类或动物运输的移动机器人和电子器件。
另外,尽管将装置描绘为单个实体,但是可以实现不同的单元、处理器和/或存储器单元(图1中未全部示出)。
5G支持使用多输入多输出(MIMO)天线,比LTE(所谓的小型蜂窝概念)多得多的基站或节点,包括与较小基站协作并且采用多种无线电技术的宏站点,这取决于服务需求、用例和/或可用频谱。5G移动通信支持各种用例和相关应用,包括视频流、增强现实、不同的数据共享方式和各种形式的机器类型应用(诸如(大规模)机器类型通信(mMTC)),包括车辆安全、不同传感器和实时控制。5G有望具有多个无线电接口,即,6GHz以下、cmWave和mmWave,并且与诸如LTE等现有传统无线电接入技术可集成。与LTE的集成可以至少在早期阶段实现为如下系统:在该系统中,由LTE提供宏覆盖并且5G无线电接口接入通过聚合到LTE而来自小小区。换言之,计划5G同时支持RAT间可操作性(诸如LTE-5G)和RI间可操作性(无线电接口间可操作性,诸如6GHz以下-cmWave、6GHz以上-mmWave)。被认为在5G网络中使用的概念之一是网络切片,其中可以在同一基础设施中创建多个独立且专用的虚拟子网(网络实例)以运行对延迟、可靠性、吞吐量和移动性具有不同要求的服务。
LTE网络中的当前架构完全分布在无线电中并且完全集中在核心网中。5G中的低延迟应用和服务可能需要使内容靠近无线电,从而可能导致本地分流(local breakout)和多址边缘计算(MEC)。5G使得可以在数据源处进行分析和知识生成。这种方法需要利用可能无法连续地连接到网络的资源,诸如笔记本电脑、智能电话、平板电脑和传感器。MEC为应用和服务托管提供分布式计算环境。它还具有在蜂窝订户附近存储和处理内容以加快响应时间的能力。边缘计算涵盖各种技术,诸如无线传感器网络、移动数据采集、移动签名分析、协作式分布式对等自组织网络和处理(也可分类为本地云/雾计算和网格/网状计算)、露水计算、移动边缘计算、微云(cloudlet)、分布式数据存储和检索、自主自我修复网络、远程云服务、增强和虚拟现实、数据高速缓存、物联网(大规模连接和/或延迟关键)、关键通信(自动驾驶汽车、交通安全、实时分析、时间关键控制、医疗保健应用)。
通信系统还能够与其他网络通信,诸如公共交换电话网络或互联网112,和/或利用由它们提供的服务。也可以是,通信网络能够支持云服务的使用,例如,核心网操作的至少一部分可以作为云服务(这在图1中由“云”114描绘)来执行。通信系统还可以包括例如中央控制实体等,该中央控制实体为不同运营商的网络提供用于例如在频谱共享中进行协作的设施。
边缘云可以通过利用网络功能虚拟化(NFV)和软件定义网络(SDN)被引入无线电接入网(RAN)中。使用边缘云意味着接入节点操作将至少部分在操作耦合到包括无线电部分的远程无线电头端或基站的服务器、主机或节点中执行。节点操作也可以分布在多个服务器、节点或主机之间。cloudRAN架构的应用使得RAN实时功能能够在RAN侧(在分布式单元DU 104中)执行并且非实时功能能够以集中式方式(在集中式单元CU 108中)执行。
还应当理解,核心网操作与基站操作之间的分工可以不同于LTE的分工,或者甚至不存在。可以使用的一些其他技术包括例如大数据和全IP,这可能会改变网络的构造和管理方式。5G(或新无线电NR)网络被设计为支持多个层次结构,其中MEC服务器可以放置在核心与基站或nodeB(gNB)之间。应当理解,MEC也可以应用于4G网络。
5G还可以利用卫星通信来增强或补充5G服务的覆盖,例如通过在没有地面覆盖的区域中提供回程或服务可用性。可能的用例包括为机器对机器(M2M)或物联网(IoT)设备或为车上乘客提供服务连续性,和/或确保关键通信和/或未来的铁路/海事/航空通信的服务可用性。卫星通信可以利用对地静止地球轨道(GEO)卫星系统,也可以利用低地球轨道(LEO)卫星系统,例如巨型星座(其中部署有数百个(纳米)卫星的系统)。星座中包括的卫星106可以携带创建地面小区的gNB或gNB的至少一部分。替代地,卫星106可以用于将一个或多个小区的信号中继到地球。地面小区可以通过地面中继节点104或由位于地面上或卫星中的gNB创建,或者gNB的一部分(例如DU)可以在卫星上,并且gNB的一部分(例如CU)可以在地面上。另外地或替代地,可以使用高空平台站HAPS系统。HAPS可以被理解为位于20-50公里高度的物体上并且相对于地球处于固定点的无线电台。替代地,HAPS也可以相对于地球移动。例如,宽带接入可以使用例如连续运行数月的在20-25公里高度的轻型太阳能飞机和飞艇经由HAPS提供。
应当注意,所描绘的系统是无线电接入系统的一部分的示例,并且该系统可以包括多个(e/g)NodeB,终端设备可以接入多个无线电小区,并且该系统还可以包括其他装置,诸如物理层中继节点或其他网络元件等。(e/g)NodeB中的至少一个可以是家庭(e/g)NodeB。另外,在无线电通信系统的地理区域中,可以提供有多个不同种类的无线电小区以及多个无线电小区。无线电小区可以是宏小区(或伞形小区),它们是直径通常长达数十公里的大型小区,或者是诸如微小区、毫微微小区或微微小区等较小小区。图1的(e/g)NodeB可以提供任何种类的这些小区。蜂窝无线电系统可以实现为包括几种小区的多层网络。在一些示例性实施例中,在多层网络中,一个接入节点提供一种一个或多个小区,并且因此这样的网络结构的提供需要多个(e/g)NodeB。
为了满足改善通信系统的部署和性能的需要,引入了“即插即用”(e/g)NodeB的概念。除了家庭(e/g)NodeB(H(e/g)nodeB),能够使用“即插即用”(e/g)NodeB的网络还可以包括家庭nodeB网关或HNB-GW(图1中未示出)。可以安装在运营商网络内的HNB网关(HNB-GW)可以将业务从大量HNB聚合回核心网。
在无线蜂窝通信网络中彼此通信的设备(诸如接入节点和终端设备)可以称为可以形成传输-接收对(transmit-receive pair)的无线电,并且它们可以根据3GPP标准执行传输和接收。需要实现准确的传输和接收时钟同步,该时钟同步是指一个过程,通过该过程,作为无线蜂窝通信网络的一部分的无线电设备可以具有并且保持相同的时间概念。该要求适用于在各种无线电接入技术(RAT)(诸如5G)中建立和保持各种无线电(诸如gNB)和/或终端设备之间的通信所需要的过程。例如,诸如小型数据传输(SDT)、测距和工业物联网(IIoT)应用等5G应用需要准确的定时提前(TA),这需要紧密的时钟同步。此外,电源管理(诸如占空比、定位、安全、跟踪和/或扩展现实(XR)应用和/或任何其他类型的时间敏感网络(TSN)部署)需要紧密的时钟同步。
无线蜂窝通信网络中包括的诸如无线电等设备的时钟包括诸如振荡器等周期性组件(periodic component),并且无线蜂窝通信网中包括的时钟振荡器的精度会影响时钟同步。此外,设备尺寸、成本、电源操作温度等也可能会影响时钟同步。因此,时钟漂移是一种普遍存在的现象,并且会影响所有无线电设备,诸如5G网络的所有无线电设备。时钟漂移可能导致无线电传输-接收对以不同速率和时刻对信号进行采样,这随后可能由于信号的未对准和错误采样而导致信息丢失。为了避免这些问题,例如可以通过使终端设备通过监听DL蜂窝同步信号而与网络同步并且从中提取用于与蜂窝系统通信的正确时间和频率来补偿时钟漂移。该同步过程将相位补偿应用于终端设备中包括的时钟,从而允许终端设备校正时钟漂移。然而,在终端设备移动到不同物理位置的情况下,该同步过程随后导致时钟漂移以及由于终端设备的移动而引起的时间漂移(drift)。结果,由于终端设备的移动,终端设备可能具有用于其上行链路传输的无效TA。如果网络能够针对TA差进行调节,则可以避免这种情况,然而,当终端设备处于RRC非活动状态时,情况并非如此。
除了周期性组件之外,时钟还包括计数组件,诸如硬件寄存器。周期性组件和计数组件的组合确定时钟的分辨率。分辨率可以被理解为由该组合确定的最小可测量时间单位。时钟漂移可以理解为与实际时间相比时钟没有以正确的速度运行。不同时钟可以彼此不同地漂移,并且时钟漂移可以取决于上述因素。因此,即使是一个时钟在不同条件下也可以有不同漂移。时钟偏斜和偏移可以用于表征时钟漂移。瞬时时钟漂移率可以称为时钟偏斜,并且与实际时间的时间差可以称为时间偏移。
如果由无线电(即,无线无线电)中包括的时钟(索引为k)在某个理想时间t报告的时间是Ck(t),则理想时钟t与给定时钟k的时间之间的差被称为偏移,其可以定义为:
θk(t)=Ck(t)-t。
这种补偿可以具有诸如防止帧索引中的失准变得如此严重以致整个帧可能丢失或变得不可用(这可能严重降低数据传输的性能)等效果。此外,可以防止测距操作受到损害,因为可以防止定位不确定性增加(可能增加到数百米)。此外,还可以防止需要在多个网络节点之间进行信息交换的协作服务由于其数据传输未被成功组合等而变得无用。
某些5G或未来一代(诸如6G)相关应用(诸如SDT、IIoT和XR定位)可能以具有准确的时钟同步作为前提。例如,这样的应用可能需要几十皮秒量级的同步精度。因此,在如本示例中的5G的情况下,gNB的同步需要接近完美同步,以允许基于5G的定位和/或联合MIMO传输方案的厘米级精度,其中传输器没有像在诸如联合传输(JT)MIMO那样并置在相同硬件中。为了解决这样的要求,以下示例性实施例讨论预报时钟5G无线电(诸如gNB、任何传输接收点(TRP)或终端设备)的时钟漂移的示例。
图2示出了根据预报时钟漂移的示例性实施例的流程图。在该示例性实施例中,首先预测时钟漂移,然后将其用于漂移补偿以将已报告时钟值调节为真实时钟。应当注意,已报告时钟值也可以称为已报告时间值。该示例性实施例中的第一步骤S1包括应用机器学习(ML)模型,该ML模型通过提出可调谐时钟漂移模型来预测时钟漂移,随后可以进行稳健时钟漂移预测。机器学习模型可以是定制的,并且可以利用任何合适的机器学习模型,诸如深度神经网络、ResNet、卷积神经网络等。接下来,在S2中,通过相应地调节所预测的漂移,对温度影响进行建模并且基于建模来考虑温度影响。然后在S3中,考虑硬件(HW)老化的影响。由于老化,HW缺陷增加,并且可以随着时间的推移来改进预测,以确保对HW缺陷的增加具有稳健性。然后,在S4中,时钟漂移模型可以以各种复杂度被实例化。这允许以复杂性换取性能。最后,在S5中,结合随后的时钟调节来训练模型,以获取混合ML模型。
图3示出了示例性实施例,其中示出了用于机器学习辅助时钟漂移预测的架构。如前所述,时钟漂移可以通过时钟偏斜和偏移来表征。瞬时时钟漂移率可以称为时钟偏斜,并且与实际时间的时间差可以称为时间偏移。此外,如上所述,如果由时钟在某个理想时间t报告的时间被写为C(t),则理想时钟与给定时钟的时间之间的差(即,时钟偏移)被定义为:
θ(t)=C(t)-t (1)
时钟中的振荡器产生周期性脉冲,并且产生这些脉冲的速率与理想时钟对期望间隔进行计数的速率之间的差称为偏斜,并且由下式表示:
因此,时钟变化可以被分解为三个独立分量:
1.瞬时时钟偏斜α(t),
2.初始时钟偏移θ0,以及
3.随机测量和其他类型的附加噪声w(t)。
于是,时间t的瞬时时钟偏移可以给出为:
在采样被执行后,连续时间模型变为离散时间模型,并且可能需要离散时钟模型,因为同步可以通过时间戳消息交换来获取。因此,基于等式(2),时间索引n处的离散时间时钟模型可以如下得到:
其中k是样本索引,τk是第k样本的采样周期。现在可以使用递归形式将模型重写为:
θn=θn-1+αnτn+wn (5)
n=0:U-1 (7)
在收集(7)中的观测值之后,可以获取时钟偏斜的模型,使得可以确定预测应当注意,确定(determining)也可以理解为计算(computing)或算出(calculating)。此后,可以使用等式(6)预测时钟偏移,然后使用等式(A)校正时钟偏移以获取真实时间。
此外,可以通过使用以下假定进一步开发估计模型:偏斜的V<<U阶自回归模型,即αn=f(αn-i,i=1:V),并且偏斜基于温度Tn:αn=f(αn-i,Tn,i=1:V)
如图3所示,在上述假定之后,可以应用单输出自回归(SO-AR)时间序列来进行预测。换言之,在图3的框图中存在SO-AR模型框320,其示出了SO-AR建模。在该示例性实施例中,基于瞬时偏斜αn的机器学习,有:
2.当前报告时间Cn,以及
3.当前观测温度Tn。
这也在图3中示出,使得存在示出模型阶数选择的框310、示出根据上述特征(1)的过去偏斜列表的框312。过去偏斜列表也可以理解为多个先前偏斜。还存在示出上述特征(3)的框314,其示出了作为当前观察温度的已报告温度,并且存在示出上述特征(2)的框316,其示出了作为当前报告时间的已报告时间。然后,框310、312、314和316被用作框320所示的SO-AR模型的输入。
在该示例性实施例中,如果所应用的机器学习模型是神经网络(NN),则特征(1)-(3)可以用作NN的输入以输出该输出/>是框300所示的预测电流偏斜。NN可以是任何合适的类型,诸如长短期记忆(LSTM)、递归神经网络(RNN)或卷积神经网络(CNN)。NN之前可以进行标准数据准备,诸如缺失特征去除、归一化等。还应当注意,也可以利用任何其他合适的有监督学习来代替NN。
由于现在获取了时钟偏斜的预测模型,因此可以使用等式(6)通过将n替换为z来在任何未来时间时刻z重构时钟偏移然后可以使用(A)来调节时钟,因为/>这在图3中示出,使得框340示出了基于由框300示出的所预测的当前时钟偏斜来确定当前时钟偏移。换言之,框300示了当前偏斜的预测。然后,基于当前时钟偏斜和已报告时间,如框330所示执行时钟调节。基于时钟调节,然后如框350所示获取已校正时间。
图4示出了用于训练机器学习模型(诸如先前描述的用于时钟调节的机器学习模型)的块架构的示例性实施例。首先,如框410所示,选择用于训练的参数,换言之,机器学习模型的训练数据,然后生成U个训练数据样本,如框420所示,其对应于上文讨论的特征(1)-(3),用于从范围[Tm,TM]中均匀提取的温度。例如,可以从经受不同温度值的参考设备提取训练数据样本,并且因此从温度值的均匀分布(即,从范围[Tm,TM])中提取温度值。这由框422示出。然后,每个V+1样本集被拆分成用作训练特征的前V个样本,换言之,如框430所示,作为输入;以及用于标签的第V+1样本,换言之,作为输出,如框440所示。应当注意,训练数据也可以用于调谐基线模型的复杂性,即,可以通过在选定范围[1,Vmax](诸如Vmax=10)中改变V而针对不同模型阶数来训练不同架构。
可选地,所生成的训练数据批次还可以包括样本,诸如所记录的测量的差分偏移,如框424所示。这可以使用上述等式(7)获取。所生成的训练数据还可以可选地包括所记录的报告时钟,如框426所示;以及所记录的真实时钟,如框428所示。
然后,来自框430的输入可以通过以下各项来获取:示出过去偏斜列表的框452、示出已报告温度(可以是已报告室温)的框454、以及示出已报告时间的框456。然后,框460示出了SO-AR模型,该模型可以对应于图3的示例性实施例的SO-AR模型,并且它接收过去偏斜列表、已报告温度和已报告时间作为输入。基于SO-AR模型,然后确定当前时钟偏移,如框480所示。然后,如框470所示,基于当前时钟偏移和已报告时间执行时钟调节,并且如框490所示,基于时钟调节获取已校正时间。
在该示例性实施例中,训练在网络侧实现,并且解决方案可以部署在任何NR无线电中,诸如在gNB侧、在TRP处、在任何网络中继节点处和/或在任何终端设备处。还应当注意,机器学习模型的训练数据可以以任何合适的方式提取,例如,从参考设备或从模拟设备提取。
如上所述,时钟漂移受到内置振荡器的寿命的影响。因此,定期重新训练架构以捕获老化效应是有益的。因此,诸如在该示例性实施例中,当检测到系统异常时,可以以规则时间间隔(例如,以月的数量级)或按需激活训练架构,例如,来自网络的TA调节请求的数目中与终端设备的速度无关的规则尖峰可以指示较差的时钟漂移补偿。
通过使用上述示例性实施例,可以利用所谓的大数据的强大功能来获取演进的时钟补偿模型。这种模型可以具有如下优点,例如对HW缺陷和老化的稳健性、灵活的实现(例如,可以通过选择模型阶数来联合优化性能和复杂性)、以及不断发展的模型(例如,可变模型阶数)以适应诸如温度等内在和外在可变因素。
图5示出了根据示例实施例的装置500,其可以是诸如终端设备等装置或其中包括的装置。装置500包括处理器510。处理器510解释计算机程序指令并且处理数据。处理器510可以包括一个或多个可编程处理器。处理器510可以包括具有嵌入式固件的可编程硬件,并且可以替代地或另外地包括一个或多个专用集成电路ASIC。
处理器510耦合到存储器520。处理器被配置为从存储器520读取数据和向存储器520写入数据。存储器520可以包括一个或多个存储器单元。存储器单元可以是易失性或非易失性的。应当注意,在一些示例性实施例中,可以存在一个或多个非易失性存储器单元和一个或多个易失性存储器单元,或者替代地,可以存在一个或多个非易失性存储器单元或替代地一个或多个易失性存储器单元。易失性存储器可以是例如RAM、DRAM或SDRAM。非易失性存储器可以是例如ROM、PROM、EEPROM、闪存、光存储器或磁存储器。通常,存储器可以称为非暂态计算机可读介质。存储器520存储由处理器510执行的计算机可读指令。例如,非易失性存储器存储计算机可读指令,并且处理器510执行指令,且在执行指令的过程中使用易失性存储器来临时存储数据和/或指令。
计算机可读指令可以已经被预存储到存储器520,或者替代地或另外地,它们可以由装置经由电磁载波信号接收,和/或可以从诸如计算机程序产品等物理实体复制。计算机可读指令的执行引起装置500执行上述功能。
在本文档的上下文中,“存储器”或“计算机可读介质”可以是任何非暂态介质或装置,其可以包括、存储、传送、传播或传输指令,以供指令执行系统、装置或设备(诸如计算机)使用或与之相结合使用。
装置500还包括或连接到输入单元530。输入单元530包括用于接收用户输入的一个或多个接口。一个或多个接口可以包括例如一个或多个运动和/或定向传感器、一个或多个相机、一个或多个加速计、一个或多个麦克风、一个或多个按钮和一个或多个触摸检测单元。此外,输入单元530可以包括外部设备可以连接到的接口。
装置500还包括输出单元540。输出单元包括或连接到能够渲染视觉内容的一个或多个显示器,诸如发光二极管LED显示器、液晶显示器LCD和硅上液晶LCoS显示器。输出单元540还包括一个或多个音频输出。一个或多个音频输出可以是例如扬声器或一组耳机。
装置500还可以包括连接单元550。连接单元550实现到外部网络的有线和/或无线连接。连接单元550可以包括一个或多个天线和一个或多个接收器,它们可以集成到装置500或者装置500可以连接到它们。连接单元550可以包括为装置500提供无线通信能力的集成电路或一组集成电路。替代地,无线连接可以是硬连线专用集成电路ASIC。
应当注意,装置500还可以包括图5中未示出的各种组件。各种组件可以是硬件组件和/或软件组件。
图6的装置600示出了可以是接入节点或包括在接入节点中的装置的示例实施例。该装置可以是例如适用于接入节点以实现所描述的实施例的电路系统或芯片组。装置600可以是包括一个或多个电子电路的电子设备。装置600可以包括通信控制电路610(诸如至少一个处理器)和包含计算机程序代码(软件)622的至少一个存储器620,其中至少一个存储器和计算机程序代码(软件)622被配置为与至少一个处理器一起引起装置600执行上述接入节点的示例实施例中的任何一个。
存储器620可以使用任何合适的数据存储技术(诸如基于半导体的存储器设备、闪存、磁存储器设备和系统、光学存储器设备和设备、固定存储器和可移动存储器)来实现。存储器可以包括用于存储配置数据的配置数据库。例如,配置数据库可以存储当前相邻小区列表,并且在一些示例实施例中,存储检测到的相邻小区中使用的帧的结构。
装置600还可以包括通信接口630,包括用于根据一个或多个通信协议实现通信连接的硬件和/或软件。通信接口630可以向该装置提供无线通信能力以在蜂窝通信系统中进行通信。通信接口可以例如向终端设备提供无线电接口。装置600还可以包括朝向诸如网络协调器装置等核心网和/或到蜂窝通信系统的接入节点的另一接口。装置600还可以包括被配置为分配资源的调度器640。
尽管以上已经参考根据附图的示例描述了本发明,但显然本发明不限于此,而是可以在所附权利要求的范围内以多种方式修改。因此,所有单词和表达都应当被广泛地解释,它们旨在说明而不是限制实施例。对于本领域技术人员来说,很清楚的是,随着技术的进步,本发明概念可以以各种方式实现。此外,本领域技术人员清楚,所描述的实施例可以但不需要以各种方式与其他实施例组合。
Claims (15)
1.一种装置,包括至少一个处理器和包含计算机程序代码的至少一个存储器,其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起引起所述装置:
获取多个先前时钟偏斜、已报告温度和已报告时间;
基于所述多个先前时钟偏斜、所述已报告温度和所述已报告时间,获取当前时钟偏斜的预测;
基于所预测的所述当前时钟偏斜,确定当前时钟偏移;
基于所述当前时钟偏移和所述已报告时间,确定时钟调节;以及
基于所述时钟调节,确定已校正时间。
2.根据权利要求1所述的装置,其中所述预测是使用机器学习模型获取的。
3.根据权利要求2所述的装置,其中所述机器学习模型被包括在单输出自回归模型中。
4.根据权利要求2或3所述的装置,其中所述机器学习模型是有监督机器学习模型。
5.根据权利要求2至4中任一项所述的装置,其中所述机器学习模型结合所获取的所述时钟调节被训练。
6.根据权利要求2至5中任一项所述的装置,其中所述机器学习模型以规则时间间隔被重新训练。
7.根据权利要求2至6中任一项所述的装置,其中所述机器学习模型在系统异常被检测到时被重新训练。
8.根据权利要求2至7中任一项所述的装置,其中用于所述机器学习模型的训练数据是从参考设备或从模拟设备中提取的。
9.根据权利要求8所述的装置,其中当所述参考设备经受不同温度时,所述训练数据从所述参考设备中被提取,其中所述温度的值是从所述温度的值的均匀分布中获取的。
10.根据权利要求2至9中任一项所述的装置,其中所述装置还被引起获取所述机器学习模型。
11.一种方法,包括:
获取多个先前时钟偏斜、已报告温度和已报告时间;
基于所述多个先前时钟偏斜、所述已报告温度和所述已报告时间,获取当前时钟偏斜的预测;
基于所预测的所述当前时钟偏斜,确定当前时钟偏移;
基于所述当前时钟偏移和所述已报告时间,确定时钟调节;以及
基于所述时钟调节,确定已校正时间。
12.根据权利要求11所述的方法,其中所述方法还包括:使用机器学习模型获取所述预测。
13.根据权利要求12所述的方法,其中所述机器学习模型结合所获取的所述时钟调节被训练。
14.根据权利要求12或13所述的方法,其中所述机器学习模型在系统异常被检测到时和/或以规则时间间隔被重新训练。
15.一种非暂态计算机可读介质,包括用于引起装置执行至少以下操作的程序指令:
获取多个先前时钟偏斜、已报告温度和已报告时间;
基于所述多个先前时钟偏斜、所述已报告温度和所述已报告时间,获取当前时钟偏斜的预测;
基于所预测的所述当前时钟偏斜,确定当前时钟偏移;
基于所述当前时钟偏移和所述已报告时间,确定时钟调节;以及
基于所述时钟调节,确定已校正时间。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20216285A FI20216285A1 (en) | 2021-12-16 | 2021-12-16 | Predicting clock creep |
FI20216285 | 2021-12-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116266945A true CN116266945A (zh) | 2023-06-20 |
Family
ID=84358438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211613337.0A Pending CN116266945A (zh) | 2021-12-16 | 2022-12-15 | 预测时钟漂移 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11997627B2 (zh) |
EP (1) | EP4199386A1 (zh) |
CN (1) | CN116266945A (zh) |
FI (1) | FI20216285A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116567800A (zh) * | 2023-06-30 | 2023-08-08 | 湖南时空信安科技有限公司 | 时间校准方法、调整模型训练方法及电子设备 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8837530B2 (en) * | 2010-03-12 | 2014-09-16 | University Of Maryland | Method and system for adaptive synchronization of timing information generated by independently clocked communication nodes |
US10349367B2 (en) * | 2015-03-03 | 2019-07-09 | Qualcomm Incorporated | Methods and systems for synchronizing devices |
US10410135B2 (en) * | 2015-05-21 | 2019-09-10 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
US9801150B2 (en) * | 2015-06-16 | 2017-10-24 | Cisco Technology, Inc. | Controlled synchronizing of sensor devices in a wireless sensor network based on received drift information |
ES2943234T3 (es) | 2016-07-22 | 2023-06-12 | Fundacio Per A La Univ Oberta De Catalunya Uoc | Corrección de deriva en una red inalámbrica |
US10505652B2 (en) | 2017-12-29 | 2019-12-10 | Khalifa University of Science and Technology | Methods and systems for estimating offset skew and drift |
US11658798B1 (en) * | 2018-05-07 | 2023-05-23 | ZaiNar, Inc. | Methods for time synchronization and localization in a mesh network |
US10887038B2 (en) | 2018-09-28 | 2021-01-05 | Samsung Electronics Co., Ltd. | GNSS-based multi-modal clock correction |
US10623173B1 (en) * | 2019-06-17 | 2020-04-14 | Tick Tock Networks, Inc. | Clock syntonization using network effect and/or adaptive stochastic control |
US11863298B1 (en) * | 2019-11-26 | 2024-01-02 | ZaiNar, Inc. | Method for identifying and diagnosing failures in pairwise time synchronization and frequency calibration in a mesh network |
US11063738B1 (en) * | 2020-04-27 | 2021-07-13 | Equinix, Inc. | Time synchronization using a weighted regression analysis |
US11906649B2 (en) * | 2021-07-09 | 2024-02-20 | ZaiNar, Inc. | Systems and methods for precise radio frequency localization of wireless nodes including a wireless arbitrary device using time difference of arrival |
US20230032215A1 (en) * | 2021-07-27 | 2023-02-02 | Rockwell Collins, Inc. | Time synchronization in wireless networks |
-
2021
- 2021-12-16 FI FI20216285A patent/FI20216285A1/en unknown
-
2022
- 2022-11-16 EP EP22207816.4A patent/EP4199386A1/en active Pending
- 2022-11-23 US US17/993,557 patent/US11997627B2/en active Active
- 2022-12-15 CN CN202211613337.0A patent/CN116266945A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116567800A (zh) * | 2023-06-30 | 2023-08-08 | 湖南时空信安科技有限公司 | 时间校准方法、调整模型训练方法及电子设备 |
CN116567800B (zh) * | 2023-06-30 | 2023-09-08 | 湖南时空信安科技有限公司 | 时间校准方法、调整模型训练方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
FI20216285A1 (en) | 2023-06-17 |
EP4199386A1 (en) | 2023-06-21 |
US20230199684A1 (en) | 2023-06-22 |
US11997627B2 (en) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11083026B2 (en) | Determining coverage availability estimates of mobile non-terrestrial access node | |
CN114389779B (zh) | 信道状态信息报告 | |
US11974242B2 (en) | Neighbour cell measuring | |
CN112839389B (zh) | 无线网络中的前导检测 | |
US11243290B2 (en) | Future position estimation for improved reliability of connectivity | |
WO2020160974A1 (en) | Selecting uplink transmission band in wireless network | |
WO2022129690A1 (en) | Estimating positioning integrity | |
US11997627B2 (en) | Predicting clock drifting | |
US11500111B2 (en) | Doppler compensation in non-terrestrial networks | |
EP4054251A2 (en) | Clock synchronization | |
US20240040542A1 (en) | Method and Apparatus for Efficient Positioning | |
CN115104346B (zh) | 将终端设备与网络时钟同步 | |
JP7441968B2 (ja) | ネットワーク時間の監視および調整 | |
US20240007181A1 (en) | Communication in non-terrestrial networks | |
US20240040534A1 (en) | Positioning a device associated with multiple network subscriptions | |
EP4191270A1 (en) | Device positioning | |
WO2023046302A1 (en) | Apparatus, methods, and computer programs for propagation delay determination | |
WO2024022589A1 (en) | Charging and tracking a passive radio device | |
WO2023066662A1 (en) | Criteria-based measurement data reporting to a machine learning training entity | |
CN115442847A (zh) | 提高链路自适应 |
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 |