CN116419354A - 通信方法及装置 - Google Patents

Abstract

本申请提供一种通信方法及装置，该方法可以应用于第一通信装置。该方法包括：第一通信装置接收来自第二通信装置的第一信息，并根据第一信息从至少一个第一节点中选择驻留的第一节点。其中，第一信息用于指示至少一个第一节点的人工智能处理能力。第一通信装置可以选择人工智能处理能力与需求相匹配的节点作为驻留的节点，使得第一通信装置得到满足需求的人工智能服务。

Description

通信方法及装置

技术领域

本申请涉及通信领域，尤其涉及一种通信方法及装置。

背景技术

随着人工智能(artificial intelligence，AI)技术和通信技术的迅速发展，通信网络的智能化是一个重要的演进趋势。其中，通过在第五代移动通信(5th generationmobile networks，5G)网络中新增网络数据分析功能(network data analyticsfunction，NWDAF)，为通信网络引入了AI功能。具体地，NWDAF能够训练AI模型，所训练的AI模型能够应用于移动性管理、会话管理和网络自动化等领域，并且所训练的AI模型能够替换原有网络功能中基于数值公式的方法，从而达到通信网络的智能化。

当前的移动性管理过程，例如小区选择，仅考虑了终端设备与网络设备之间连接的性能，未考虑网络中引入AI功能的情况，不能使终端设备得到更好的AI服务。基于此，在网络中引用AI功能的情况下，如何提供移动性管理，使终端设备得到更好的AI服务是亟待解决的问题。

发明内容

本申请实施例提供一种通信方法及装置，使得终端设备能够得到更好的AI服务。

为达到上述目的，本申请采用如下技术方案：

第一方面，提供一种通信方法，所述方法可以应用于第一通信装置，所述方法包括：第一通信装置接收来自第二通信装置的第一信息，并根据该第一信息从至少一个第一节点中选择驻留的第一节点。其中，第一信息用于指示至少一个第一节点的AI处理能力。

在第一方面提供的方法中，第一通信装置可以根据至少一个第一节点的AI处理能力，从至少一个第一节点中选择驻留的节点，使得第一通信装置能够得到满足需求的AI服务。

一种可能的实现中，第一通信装置可以是终端设备，第二通信装置可以是网络设备，第一节点可以是AI节点，AI节点可以为具有AI功能的网元。可选地，至少一个第一节点包括与网络设备关联或合设的AI节点，还可以包括能够与网络设备通信的其他AI节点。示例性地，当第一节点和网络设备合设时，网络设备可以为具有AI功能的RAN节点。终端设备可以根据至少一个AI节点的AI处理能力，从这至少一个AI节点中选择驻留的AI节点。终端设备所驻留的AI节点可以是与网络设备关联的AI节点，还可以是其他能够与该网络设备通信的AI节点，终端设备可以选择AI处理能力与需求相匹配的AI节点作为驻留的AI节点，使得终端设备得到满足需求的AI服务。

一种可能的实现中，第一方面所述的方法可以应用于多个终端设备。这样，多个终端设备中的每个终端设备均能够选择AI处理能力与需求相匹配的AI节点作为驻留的AI节点，并且能够避免驻留在负载高或即将过载的AI节点上，也即是说多个终端设备可以分散驻留在多个AI节点，避免一个AI节点上驻留过多的终端设备，优化AI节点的性能。

一种可能的实现中，第一信息可以包括如下一项或多项：第一节点的可用资源、第一节点的算力、第一节点的轻量化模型、第一节点的神经网络模型的模型精度。其中，轻量化模型可以由第一节点的神经网络模型确定。换言之，AI节点的AI处理能力可以通过第一节点的可用资源、第一节点的算力、第一节点的轻量化模型、第一节点的神经网络模型的模型精度中的一项或多项表示。这样，能够更准确地表示AI节点的AI处理能力，使得终端设备可以更准确地选择AI处理能力与需求相匹配的AI节点作为驻留的AI节点，从而使得终端设备得到满足需求的AI服务。

一种可能的实现中，第一节点的可用资源可以包括如下一项或多项：第一节点的处理器运行性能、第一节点的内存性能、第一节点的待处理任务信息。

一种可能的实现中，第一方面所述的方法还可以包括：第一通信装置向第二通信装置发送参考数据。其中，参考数据可以用于确定第一节点的神经网络模型的模型精度。换句话说，AI处理能力可以根据第一通信装置上报的参考数据确定。

第一通信装置上报的参考数据可以是来自第一通信装置待处理任务，根据该参考数据确定的AI处理能力可以表示为AI节点在处理第一通信装置待处理任务时的性能。这样，第一通信装置可以更准确地选择AI处理能力与需求相匹配的AI节点作为驻留的AI节点，使得第一通信装置得到满足需求的AI服务。

一种可能的实现中，第一方面所述的方法还可以包括：第一通信装置根据第一节点的轻量化模型，测量第一节点的神经网络模型的性能。其中，第一节点的轻量化模型可以是第一节点基于第一任务和神经网络模型生成的。

具体地，第一通信装置可以根据第一节点的轻量化模型处理第一任务，得到处理性能，用该处理性能标识第一节点的神经网络模型在处理第一任务时的性能。这样，第一通信装置在选择驻留的AI节点时，如果第一通信装置需要处理第一任务，那么第一通信装置可以基于处理第一任务性能选择更合适的AI节点作为驻留的AI节点，使得第一通信装置得到满足需求的AI服务。

一种可能的实现中，第一信息可以承载于广播级别信息和/或终端级别信息。

可选地，广播级别信息可以包括系统信息块(system information block，SIB)。这样，第一信息可以通过广播的方式发送给多个终端设备，节省信令开销。

可选地，终端级别信息可以包括无线资源控制层(radio resource control，RRC)消息，也即是说，第一信息可以承载于RRC消息中。其中，第一信息还可以承载于非接入层(non-access stratum，NAS)消息中。这样，第一信息可以针对某个终端设备发送，使得消息传递更精准。

一种可能的实现中，第一方面所述的方法还可以包括：第一通信装置接收来自第二通信装置的第二信息。其中，第二信息可以用于指示驻留的第一节点的配置参数，配置参数可以包括如下一项或多项：权限参数、模型参数、数据集信息，权限参数可以用于指示驻留的第一节点是否允许驻留，模型参数可以为驻留的第一节点的神经网络模型的参数，数据集信息可以指示用于训练驻留的第一节点的神经网络模型的数据集。如此，第一通信装置可以根据第二信息更新驻留的AI节点的配置参数，完成AI节点的重选。

一种可能的实现中，所述第一通信装置根据第一信息从至少一个第一节点中选择驻留的第一节点，可以包括：若第一通信装置当前驻留的节点的算力低于算力阈值，则第一通信装置根据第一信息从至少一个第一节点中选择驻留的第一节点。换言之，第一通信装置在当前驻留的AI节点无法提供满足需求的AI服务时，可以根据AI节点的处理能力选择AI节点进行驻留，这样，可以在确保第一通信装置能够得到满足需要的AI服务的情况下，减少第一通信装置重选AI节点的次数，降低第一通信装置的功耗。

一种可能的实现中，所述第一通信装置根据第一信息从至少一个第一节点中选择驻留的第一节点，可以包括：首先，第一通信装置根据第一信息，确定至少一个第一节点中每个第一节点的算力；然后，第一通信装置获取至少一个第一节点中每个第一节点的延迟；最后，第一通信装置在满足第一条件时，确定第二节点为驻留的第一节点。其中，第一条件可以包括：至少一个第一节点中存在所述第二节点，第二节点为满足如下一项或多项条件的第一节点：第二节点的算力大于第一算力、第二节点的算力大于第二算力、第二节点的延迟小于第一延迟、第二节点的延迟小于第二延迟。第一算力可以为第一通信装置当前驻留的节点的算力，第二算力可以为第一通信装置当前驻留的节点的算力与第一阈值之和，第一延迟可以为第一通信装置当前驻留的节点的延迟，第二延迟可以为第一通信装置当前驻留的节点的延迟与第二阈值之和。如此，第一通信装置可以选择处理能力更强的AI节点进行驻留，提升第一通信装置的AI处理性能。

可选地，延迟包括传输延迟、处理延迟、通信延迟中的至少一项。具体地，传输延迟可以包括数据在第一通信装置与第一节点之间的传输时延，处理延迟可以包括数据在第一节点的处理时延，通信延迟可以包括传输延迟和处理延迟。

一种可能的实现中，第一信息还用于指示第一通信装置保持在空闲(idle)态。这样，第一通信装置可以在不退出idle态的情况下，根据AI节点的处理能力选择AI节点进行驻留，降低第一通信装置的功耗。

第二方面，提供一种通信方法，所述方法可以应用于第二通信装置，所述方法包括：首先，第二通信装置获取第一信息。其中，第一信息用于指示至少一个第一节点的AI处理能力，并且第一信息用于第一通信装置从至少一个第一节点中选择驻留的第一节点。然后，第二通信装置向第一通信装置发送第一信息。

一种可能的实现中，第一通信装置可以是终端设备，第二通信装置可以是网络设备，第一节点可以是AI节点，AI节点可以为具有AI功能的网元。可选地，至少一个第一节点包括与网络设备关联或合设的AI节点，还可以包括能够与网络设备通信的其他AI节点。示例性地，当第一节点和网络设备合设时，网络设备可以为具有AI功能的RAN节点。

一种可能的实现中，第一信息可以包括如下一项或多项：第一节点的可用资源、第一节点的算力、第一节点的轻量化模型、第一节点的神经网络模型的模型精度。其中，轻量化模型可以由第一节点的神经网络模型确定。

其中，第一节点的轻量化模型可以是第一节点基于第一任务和神经网络模型生成的。

一种可能的实现中，第一节点的可用资源可以包括如下一项或多项：第一节点的处理器运行性能、第一节点的内存性能、第一节点的待处理任务信息。

一种可能的实现中，第二方面所述的方法还可以包括：第二通信装置接收来自第一通信装置的参考数据。其中，参考数据用于确定第一节点的神经网络模型的模型精度。

第一通信装置上报的参考数据可以是来自第一通信装置待处理任务，根据该参考数据确定的AI处理能力可以表示为AI节点在处理第一通信装置待处理任务时的性能。

一种可能的实现中，第二方面所述的方法还可以包括：第二通信装置接收AI早期数据传输(early data transmission，EDT)信息，所述AI EDT信息可以用于指示所述参考数据。

一种可能的实现中，第一信息可以承载于广播级别信息和/或终端级别信息。

可选地，广播级别信息可以包括SIB。

可选地，终端级别信息可以包括RRC消息，也即是说，第一信息可以承载于RRC消息中。其中，第一信息还可以承载于NAS消息中。

一种可能的实现中，第二方面所述的方法还可以包括：第二通信装置向第一通信装置发送第二信息。其中，第二信息可以用于指示驻留的第一节点的配置参数，配置参数可以包括如下一项或多项：权限参数、模型参数、数据集信息，权限参数可以用于指示驻留的第一节点是否允许驻留，模型参数可以为驻留的第一节点的神经网络模型的参数，数据集信息可以指示用于训练驻留的第一节点的神经网络模型的数据集。

一种可能的实现中，第一信息还用于指示第一通信装置保持在idle态。

此外，第二方面所述的通信方法的技术效果可以参考第一方面所述的通信方法的技术效果，此处不再赘述。

第三方面，提供一种通信装置。该通信装置可以用于第一方面的第一通信装置，该通信装置可以是终端设备，也可以是终端设备中的装置(例如，芯片，或者芯片系统，或者电路)，或者是能够和终端设备匹配使用的装置。一种可能的实现中，该通信装置可以包括执行第一方面中所描述的方法/操作/步骤/动作所一一对应的模块或单元，该模块或单元可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。

该第一通信装置可以包括处理模块和收发模块。其中，处理模块，用于接收来自第二通信装置的第一信息。其中，第一信息用于指示至少一个第一节点的AI处理能力。收发模块，用于根据第一信息从至少一个第一节点中选择驻留的第一节点。

一种可能的实现中，第二通信装置可以是网络设备，第一节点可以是AI节点，AI节点可以为具有AI功能的网元。可选地，至少一个第一节点包括与网络设备关联或合设的AI节点，还可以包括能够与网络设备通信的其他AI节点。示例性地，当第一节点和网络设备合设时，网络设备可以为具有AI功能的RAN节点。

一种可能的实现中，第一信息可以包括如下一项或多项：第一节点的可用资源、第一节点的算力、第一节点的轻量化模型、第一节点的神经网络模型的模型精度。其中，轻量化模型可以由第一节点的神经网络模型确定。

一种可能的实现中，第一节点的可用资源可以包括如下一项或多项：第一节点的处理器运行性能、第一节点的内存性能、第一节点的待处理任务信息。

一种可能的实现中，收发模块，还用于向第二通信装置发送参考数据。其中，参考数据可以用于确定第一节点的神经网络模型的模型精度。

第一通信装置上报的参考数据可以是来自第一通信装置待处理任务，根据该参考数据确定的AI处理能力可以表示为AI节点在处理第一通信装置待处理任务时的性能。

一种可能的实现中，处理模块，还用于根据第一节点的轻量化模型，测量第一节点的神经网络模型的性能。其中，第一节点的轻量化模型可以是第一节点基于第一任务和神经网络模型生成的。

具体地，处理模块，还用于根据第一节点的轻量化模型处理第一任务，得到处理性能，用该处理性能标识第一节点的神经网络模型在处理第一任务时的性能。

一种可能的实现中，第一信息可以承载于广播级别信息和/或终端级别信息。

可选地，广播级别信息可以包括SIB。

可选地，终端级别信息可以包括RRC消息，也即是说，第一信息可以承载于RRC消息中。其中，第一信息还可以承载于NAS消息中。

一种可能的实现中，收发模块，还用于接收来自第二通信装置的第二信息。其中，第二信息可以用于指示驻留的第一节点的配置参数，配置参数可以包括如下一项或多项：权限参数、模型参数、数据集信息，权限参数可以用于指示驻留的第一节点是否允许驻留，模型参数可以为驻留的第一节点的神经网络模型的参数，数据集信息可以指示用于训练驻留的第一节点的神经网络模型的数据集。

一种可能的实现中，处理模块，还用于若第一通信装置当前驻留的节点的算力低于算力阈值，则根据第一信息从至少一个第一节点中选择驻留的第一节点。

一种可能的实现中，处理模块，还用于根据第一信息，确定至少一个第一节点中每个第一节点的算力。处理模块，还用于获取至少一个第一节点中每个第一节点的延迟。处理模块，还用于在满足第一条件时，确定第二节点为驻留的第一节点。其中，第一条件可以包括：至少一个第一节点中存在所述第二节点，第二节点为满足如下一项或多项条件的第一节点：第二节点的算力大于第一算力、第二节点的算力大于第二算力、第二节点的延迟小于第一延迟、第二节点的延迟小于第二延迟，第一算力可以为第一通信装置当前驻留的节点的算力，第二算力可以为第一通信装置当前驻留的节点的算力与第一阈值之和，第一延迟可以为第一通信装置当前驻留的节点的延迟，第二延迟可以为第一通信装置当前驻留的节点的延迟与第二阈值之和。

可选地，延迟包括传输延迟、处理延迟、通信延迟中的至少一项。具体地，传输延迟可以包括数据在第一通信装置与第一节点之间的传输时延，处理延迟可以包括数据在第一节点的处理时延，通信延迟可以包括传输延迟和处理延迟。

一种可能的实现中，第一信息还用于指示第一通信装置保持在idle态。

可选地，收发模块可以包括接收模块和发送模块。其中，接收模块用于实现第三方面所述的第一通信装置的接收功能，发送模块用于实现第三方面所述的第一通信装置的发送功能。

可选地，第三方面所述的第一通信装置还可以包括存储模块，该存储模块存储有程序或指令。当处理模块执行该程序或指令时，使得该第一通信装置可以执行第一方面所述的方法。

需要说明的是，第三方面所述的第一通信装置可以是终端设备，也可以是设置于终端设备中的芯片(系统)或其他部件或组件，还可以是包含终端设备的通信装置，本申请对此不做限定。

此外，第三方面所述的第一通信装置的技术效果可以参考第一方面所述的方法的技术效果，此处不再赘述。

第四方面，提供一种通信装置。该通信装置可以用于第二方面的第二通信装置，该通信装置可以是网络设备，也可以是网络设备中的装置(例如，芯片，或者芯片系统，或者电路)，或者是能够和网络设备匹配使用的装置。一种可能的实现中，该通信装置可以包括执行第一方面中所描述的方法/操作/步骤/动作所一一对应的模块或单元，该模块或单元可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。

该第二通信装置可以包括处理模块和收发模块。其中，处理模块，用于获取第一信息。其中，第一信息用于指示至少一个第一节点的AI处理能力，并且第一信息用于第一通信装置从至少一个第一节点中选择驻留的第一节点。收发模块，用于向第一通信装置发送第一信息。

一种可能的实现中，第一通信装置可以是终端设备，第一节点可以是AI节点，AI节点可以为具有AI功能的网元。可选地，至少一个第一节点包括与网络设备关联或合设的AI节点，还可以包括能够与网络设备通信的其他AI节点。示例性地，当第一节点和网络设备合设时，网络设备可以为具有AI功能的RAN节点。

一种可能的实现中，第一信息可以包括如下一项或多项：第一节点的可用资源、第一节点的算力、第一节点的轻量化模型、第一节点的神经网络模型的模型精度。其中，轻量化模型可以由第一节点的神经网络模型确定。

其中，第一节点的轻量化模型可以是第一节点基于第一任务和神经网络模型生成的。

一种可能的实现中，第一节点的可用资源可以包括如下一项或多项：第一节点的处理器运行性能、第一节点的内存性能、第一节点的待处理任务信息。

一种可能的实现中，收发模块，还用于接收来自第一通信装置的参考数据。其中，参考数据可以用于确定第一节点的神经网络模型的模型精度。

第一通信装置上报的参考数据可以是来自第一通信装置待处理任务，根据该参考数据确定的AI处理能力可以表示为AI节点在处理第一通信装置待处理任务时的性能。

一种可能的实现中，收发模块还用于接收AI EDT信息，所述AI EDT信息可以用于指示所述参考数据。

一种可能的实现中，第一信息可以承载于广播级别信息和/或终端级别信息。

可选地，广播级别信息可以包括SIB。

可选地，终端级别信息可以包括RRC消息，也即是说，第一信息可以承载于RRC消息中。其中，第一信息还可以承载于NAS消息中。

一种可能的实现中，收发模块，还用于向第一通信装置发送第二信息。其中，第二信息可以用于指示驻留的第一节点的配置参数，配置参数可以包括如下一项或多项：权限参数、模型参数、数据集信息，权限参数用于指示驻留的第一节点是否允许驻留，模型参数可以为驻留的第一节点的神经网络模型的参数，数据集信息可以指示用于训练驻留的第一节点的神经网络模型的数据集。

一种可能的实现中，第一信息还用于指示第一通信装置保持在idle态。

可选地，收发模块可以包括接收模块和发送模块。其中，接收模块用于实现第四方面所述的第二通信装置的接收功能，发送模块用于实现第四方面所述的第二通信装置的发送功能。

可选地，第四方面所述的第二通信装置还可以包括存储模块，该存储模块存储有程序或指令。当处理模块执行该程序或指令时，使得该第二通信装置可以执行第二方面所述的方法。

需要说明的是，第四方面所述的第二通信装置可以是网络设备，也可以是设置于网络设备中的芯片(系统)或其他部件或组件，还可以是包含网络设备的通信装置，本申请对此不做限定。

此外，第四方面所述的第二通信装置的技术效果可以参考第二方面所述的方法的技术效果，此处不再赘述。

第五方面，提供一种通信装置。该通信装置用于执行第一方面至第二方面中任意一种实现方式所述的通信方法。

在本申请中，第五方面所述的通信装置可以为第一通信装置或第二通信装置，也可以是设置于第一通信装置或第二通信装置中的芯片(系统)或其他部件或组件，还可以是包含第一通信装置或第二通信装置的通信装置，本申请对此不做限定。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的通信方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的通信方法。

应理解，第五方面所述的通信装置包括实现上述第一方面至第二方面中任一方面所述的通信方法相应的模块、单元、或手段(means)，该模块、单元、或手段可以通过硬件实现，软件实现，或者通过硬件执行相应的软件实现。该硬件或软件包括一个或多个用于执行上述通信方法所涉及的功能的模块或单元。

第六方面，提供一种通信装置。该通信装置包括：处理器，该处理器用于执行第一方面至第二方面中任意一种可能的实现方式所述的通信方法。

一种可能的实现中，第六方面所述的通信装置还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第六方面所述的通信装置与其他通信装置通信。

一种可能的实现中，第六方面所述的通信装置还可以包括存储器。该存储器可以与处理器集成在一起，也可以分开设置。该存储器可以用于存储第一方面至第二方面中任一方面所述的通信方法所涉及的计算机程序和/或数据。

在本申请中，第六方面所述的通信装置可以为第一通信装置或第二通信装置，也可以是设置于第一通信装置或第二通信装置中的芯片(系统)或其他部件或组件，还可以是包含第一通信装置或第二通信装置的通信装置，本申请对此不做限定。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的通信方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的通信方法。

第七方面，提供一种通信装置。该通信装置包括：处理器，该处理器与存储器耦合，该处理器用于执行存储器中存储的计算机程序，以使得该通信装置执行第一方面至第二方面中任意一种可能的实现方式所述的通信方法。

一种可能的实现中，第七方面所述的通信装置还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第七方面所述的通信装置与其他通信装置通信。

在本申请中，第七方面所述的通信装置可以为第一通信装置或第二通信装置，也可以是设置于第一通信装置或第二通信装置中的芯片(系统)或其他部件或组件，还可以是包含第一通信装置或第二通信装置的通信装置，本申请对此不做限定。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的通信方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的通信方法。

第八方面，提供一种通信装置。该通信装置包括：包括：处理器和接口电路。其中，接口电路，用于接收指令并传输至所述处理器。处理器用于运行上述指令以执行第一方面至第二方面中任意一种实现方式所述的通信方法。

一种可能的实现中，第八方面所述的通信装置还可以包括存储器。该存储器可以与处理器集成在一起，也可以分开设置。该存储器可以用于存储第一方面至第二方面中任一方面所述的通信方法所涉及的计算机程序和/或数据。

在本申请中，第八方面所述的通信装置可以为第一通信装置或第二通信装置，也可以是设置于第一通信装置或第二通信装置中的芯片(系统)或其他部件或组件，还可以是包含第一通信装置或第二通信装置的通信装置，本申请对此不做限定。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的通信方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的通信方法。

第九方面，提供一种通信装置。该通信装置包括处理器和存储介质，该存储介质存储有指令，该指令被处理器运行时，使得第一方面至第二方面中任意一种可能的实现方式所述的通信方法被实现。

在本申请中，第九方面所述的通信装置可以为第一通信装置或第二通信装置，也可以是设置于第一通信装置或第二通信装置中的芯片(系统)或其他部件或组件，还可以是包含第一通信装置或第二通信装置的通信装置，本申请对此不做限定。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的通信方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的通信方法。

第十方面，提供一种处理器。其中，处理器用于执行第一方面至第二方面中任意一种可能的实现方式所述的通信方法。

第十一方面，提供一种通信系统。该通信系统包括第一通信装置或第二通信装置。其中，第一通信装置用于执行第一方面中任一种可能的实现方式所述的通信方法，第二通信装置用于执行第二方面中任一种可能的实现方式所述的通信方法。

第十二方面，提供一种计算机可读存储介质，该计算机可读存储介质包括计算机程序或指令，当该计算机程序或指令被处理器运行时，使得第一方面至第二方面中任意一种可能的实现方式所述的通信方法被实现。

第十三方面，提供一种计算机程序产品，该计算机程序产品包括指令，当该指令被处理器运行时，使得第一方面至第二方面中任意一种可能的实现方式所述的通信方法被实现。

第十四方面，提供一种芯片，该芯片包括处理逻辑电路和接口电路。其中，处理逻辑电路的数量可以是一个或多个，接口电路的数量可以是多个。

其中，接口电路，用于接收代码指令并传输至所述处理逻辑电路。处理逻辑电路用于运行上述代码指令以执行第一方面至第二方面中任意一种实现方式所述的通信方法。

可选地，该芯片可以包括存储器，该存储器可以与处理逻辑电路集成在一起，也可以分开设置。该存储器可以用于存储第一方面至第二方面中任一方面所述的通信方法所涉及的计算机程序和/或数据。

在本申请中，第十四方面所述的芯片可以位于第一通信装置或第二通信装置，可以位于一个通信系统中的第一通信装置或第二通信装置。其中，芯片位于第一通信装置时用于执行第一方面中任一种可能的实现方式所述的通信方法，芯片位于第二通信装置时用于执行第二方面中任一种可能的实现方式所述的通信方法。

第五方面至第十四方面中的任一种实现方式所带来的技术效果可参见第一方面至第二方面中任一方面对应实现方式所带来的技术效果，此处不再赘述。

本申请在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。

附图说明

图1为联邦学习的一种流程示意图；

图2为终端设备选择人工智能节点进行驻留过程的示意图；

图3为本申请实施例提供的通信系统的一种架构示意图；

图4为本申请实施例提供的通信装置的一种结构示意图；

图5为本申请实施例提供的通信方法的交互示意图一；

图6为本申请实施例提供的一种终端设备选择人工智能节点驻留的场景示意图；

图7为本申请实施例提供的通信方法的交互示意图二；

图8为本申请实施例提供的通信装置的结构示意图。

具体实施方式

为了方便理解本申请实施例中的方案，首先给出联邦学习(federated learning，FL)的简要介绍。

联邦学习可以在充分保障用户数据隐私和安全的前提下，通过促使多个边缘设备(也可以称为客户端)和中心服务器协同合作来高效地完成神经网络模型的学习任务。

其中，典型的联邦学习包括多轮学习过程。具体地，参照图1，图1为联邦学习的一种流程示意图，第i轮联邦学习过程可以包括如下几个步骤：

步骤1.1，多个客户端进行神经网络模型的梯度计算。具体地，多个客户端中的第m个客户端(比如图1中的手机)根据局部数据集训练本地的神经网络模型，并确定该神经网络模型的梯度。

示例性地，i和m均为整数，i∈[1，T]，m∈[1，M]，T和M均为正整数，T表示联邦学习的训练轮数，M表示参与联邦学习的客户端的数量，梯度为

γ表示第m个客户端的神经网络模型的梯度数量。换句话说，/>

可以表示第i轮联邦学习的第m个客户端的神经网络模型的所有梯度的集合。

步骤1.2，第m个客户端通过空口将梯度(即

)传输至中心服务器。

步骤1.3，中心服务器进行梯度汇总。具体地，中心服务器接收所有客户端的梯度，并对所有梯度进行加权求平均，得到全局梯度。示例性地，加权求平均过程可以参照如下公式：

基于上述公式，

可以表示全局梯度，即对/>

至/>

的所有梯度求和，并求平均，也可以做加权后再平均。

步骤1.4，中心服务器广播全局梯度。第m个客户端接收中心服务器发送的全局梯度。

步骤1.5，第m个客户端根据全局梯度更新本地的神经网络模型。

通过重复执行上述步骤1.1～步骤1.5，直至神经网络模型收敛或训练轮数达到上限，即可完成联邦学习。

在引入AI功能的通信网络中，具有AI功能的网元可以被定义为AI节点，AI节点可以为终端设备提供AI服务，为终端设备提供服务的AI节点可以定义为终端设备驻留的AI节点。

在一种包括AI节点的应用场景中，终端设备选择AI节点进行驻留的过程可以通过小区选择实现的，也即是终端设备接入哪个小区，则这个小区的网络设备(比如基站)所关联的AI节点即为该终端设备所驻留的AI节点。

示例性地，图2为终端设备选择AI节点进行驻留过程的示意图，请参照图2，网络设备1与AI节点1关联，网络设备2与AI节点2关联。在第一时刻，终端设备1和终端设备2均与网络设备1通信连接，终端设备3与网络设备2通信连接，由于终端设备选择AI节点进行驻留的过程是通过小区选择实现的，因此终端设备1和终端设备2均驻留在AI节点1，终端设备3驻留在AI节点2。在第二时刻，假设终端设备2进行小区切换，与网络设备1断开连接，并成功接入了网络设备2，那么此时终端设备2驻留在AI节点2。

需要说明的是，本申请实施例中，网络设备与AI节点关联可以是指：网络设备中记录有AI节点的信息。假设网络设备中记录AI节点1的信息，那么当有终端设备接入网络设备并需要驻留AI节点以获取AI服务时，网络设备可以将该AI节点1的信息发给终端设备，终端设备可以利用该AI节点1的信息驻留在AI节点1。换句话说，与网络设备关联的AI节点可以向与所述网络设备连接的终端设备提供服务。其中，AI节点1可以部署在网络设备，也可以部署在与网络设备通信连接的其他网元，对此不作限定。

基于图2可以看出，终端设备接入哪个小区，则这个小区的网络设备所关联的AI节点即为该终端设备所驻留的AI节点。因此，在移动性管理过程中，例如小区选择，只考虑了终端设备与网络设备之间连接的性能，未考虑网络中引入AI功能的情况，导致终端设备仅能驻留在与网络设备关联的AI节点，不能选择AI节点进行驻留，并且导致AI节点可能由于服务的终端设备数量过多而无法为终端设备提供满足需求的AI服务，不能使终端设备得到更好的AI服务。基于此，在网络中引用AI功能的情况下，如何提供移动性管理，使终端设备得到更好的AI服务是亟待解决的问题。

为了解决上述问题，本申请实施例提供一种技术方案，该技术方案包括通信系统、应用于该通信系统的通信方法和通信装置等。下面将结合附图，对本申请提供的技术方案进行说明。

本申请实施例的技术方案可以应用于无线通信系统，例如：无线通信系统可以为第四代(4th generation，4G)通信系统(例如，长期演进系统(long term evolution，LTE)系统)，第五代(5th generation，5G)通信系统(例如，新空口(new radio，NR)系统)，5G之后演进的移动通信系统(例如，6G通信系统)，窄带物联网系统(narrow band-internet ofthings，NB-IoT)，短距通信系统等。本申请实施例的技术方案还可以应用于卫星通信系统或者非陆地通信网络(non-terrestrial network，NTN)通信系统中，其中，卫星通信系统或NTN通信系统可以与无线通信系统相融合。本申请实施例的技术方案还可以应用于卫星星间链路通信系统、无线投屏系统、虚拟现实(virtual reality，VR)系统、增强现实(augmented reality，AR)系统、接入回传一体化(integrated access and backhual，IAB)系统、无线保真(wireless fidelity，Wi-Fi)通信系统、光通信系统等，对此不作限定。

本申请将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是，各个系统可以包括另外的设备、组件、模块等，并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外，还可以使用这些方案的组合。

另外，在本申请实施例中，“示例地”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。

本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请实施例提供一种通信系统，该通信系统可以适用于第一通信装置和第二通信装置之间的通信。本申请实施例提供的通信系统中可以包括一个或多个第一通信装置、一个或多个第二通信装置，本申请实施例对于通信系统中第一通信装置和第二通信装置各自的个数不作限定。第一通信装置例如是终端设备，第二通信装置例如是网络设备。另外，本申请实施例中，第二通信装置中还可以部署有第一节点，或者第一节点部署在第二通信装置以外的网元且第二通信装置与第一节点通信连接。第一节点例如可以是AI节点。

需要说明的是，本申请实施例以第一通信装置为终端设备、第二通信装置为网络设备、第一节点为AI节点举例，说明本申请实施例提供的方案，在此统一说明，下文不再赘述。

作为一种示例，图3为本申请实施例提供的通信系统的一种架构示意图，如图3所示，该通信系统中可以包括网络设备和终端设备(图3中以包括2个终端设备进行示例)，网络设备和终端设备之间可以通过无线的方式连接。网络设备和终端设备之间可以交互数据和/或控制信令等。可选地，图3中的网络设备中可以部署有至少一个AI节点，或者，网络设备可以与至少一个部署有AI节点的网元通信连接，这个部署有AI节点的网元也可以被称为AI网元。

可选地，至少一个AI节点包括与网络设备关联或合设的AI节点，还可以包括能够与网络设备通信的其他AI节点。示例性地，当AI节点和网络设备合设时，网络设备可以为具有AI功能的无线接入网(radio access network，RAN)节点。可选地，如果终端设备已经驻留在一个AI节点，那么这里的至少一个AI节点可以是终端设备当前驻留的AI节点的邻节点。

可选地，本申请实施例中的网络设备，是一种将终端设备接入到无线网络的设备。网络设备可以为无线接入网中的RAN节点，又可以称为基站，还可以称为节点(或设备)，其中，基站可以是一个分布式天线系统，与某个终端设备通信的可以是基站的一个射频头端。例如，网络设备可以包括LTE系统或演进的LTE系统(LTE-Advanced，LTE-A)中的演进型基站(evolved Node B，eNB或eNodeB)，如传统的宏基站和异构网络场景下的微基站；或者也可以包括5G NR系统中的下一代节点B(next generation node B，gNB)，或者还可以包括传输接收点(transmitting and receiving point，TRP)、发射点(transmitting point，TP)、家庭基站(例如，home evolved NodeB，或home Node B，HNB)、基带单元(base band unit，BBU)、基带池BBU pool，或Wi-Fi接入点(access point，AP)、移动交换中心以及设备到设备(device-to-device，D2D)、车到万物(vehicle-to-everything，V2X)、机器到机器(machine-to-machine，M2M)通信中承担基站功能的设备等；或者也可以是5G之后演进的公共陆地移动网络(public land mobile network，PLMN)中的网络设备；或者还可以是可穿戴设备或车载设备等；再或者还可以包括云接入网(cloud radio access network，CloudRAN)系统中的集中式单元(centralized unit，CU)和分布式单元(distributedunit，DU)；又或者可以包括NTN中的网络设备，即可以部署于高空平台或者卫星。在NTN中，网络设备可以作为层1(L1)中继(relay)，或者可以作为基站，或者可以作为DU，或者可以作为IAB节点，本申请实施例并不限定。当然，网络设备也可以为核心网中的节点。

可选地，本申请实施例中的终端设备，可以是用于实现无线通信功能的设备，例如终端或者可用于终端中的芯片等。其中，终端可以是5G网络或者5G之后演进的PLMN中的用户设备(user equipment，UE)、用户单元(subscriber unit)、接入终端、终端单元、终端站、移动站、移动台(mobile station，MS)、远方站、远程终端、移动设备、无线通信设备、终端代理或终端装置、工业场景中的各类终端(例如机器人或装配有无线传输模块的机械臂)等。接入终端可以是蜂窝电话(cellular phone)、智能电话(smart phone)、无绳电话、会话启动协议(session initiation protocol，SIP)电话、无线本地环路(wireless local loop，WLL)站、个人数字处理(personal digital assistant，PDA)、膝上型电脑(laptopcomputer)、无线调制解调器(modem)、电脑、平板型电脑、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备或可穿戴设备，VR终端、AR终端、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、无人机、传感器、执行器、卫星终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等。或者，终端可以是V2X中的终端(例如车联网设备)、设备到设备(Device to Device)通信中的终端、机器类型通信(machine type communication，MTC)中的终端、或者机器到机器(machine tomachine，M2M)通信中的终端等。

可选地，终端设备可以具备一定的AI功能。例如，当前的手机可以拍摄图片，并识别出图片中物体的名称，并进行标记显示在显示屏上。可选的，终端设备还可以获取网络侧提供的AI服务。

可选地，本申请实施例中的AI节点可以是指具有AI功能的网元，AI节点在逻辑上可以认为是一个独立的网元。在部署时，AI节点既可以部署在RAN节点上，也可以部署在网络中的其他网元上，比如用户平面功能(user plane function，UPF)网元，本申请实施例对此不作限定。示例性地，当AI节点部署在RAN节点上时，AI节点与RAN节点在逻辑上是分离的。

可选地，本申请实施例中的网络设备、终端设备、AI节点可以部署在陆地上，包括室内或室外、手持或车载；也可以部署在水面上；还可以部署在空中的飞机、气球和人造卫星上。本申请的实施例对网络设备、终端设备和AI节点的应用场景不做限定。

本申请实施例并未对本申请实施例提供的方法的执行主体的具体结构特别限定，只要能够通过运行记录有本申请实施例的提供的方法的代码的程序，以根据本申请实施例提供的方法进行通信即可，例如，本申请实施例提供的通信方法的执行主体可以是网络设备、终端设备，或者，是网络设备、终端设备中能够调用程序并执行程序的功能模块。

换言之，本申请实施例中的第一通信装置或第二通信装置的相关功能可以由一个设备实现，也可以由多个设备共同实现，还可以是由一个设备内的一个或多个功能模块实现，本申请实施例对此不作具体限定。可以理解的是，上述功能既可以是硬件设备中的网络元件，也可以是在专用硬件上运行的软件功能，或者是硬件与软件的结合，或者是平台(例如，云平台)上实例化的虚拟化功能。

例如，本申请实施例中的第一通信装置或第二通信装置的相关功能可以通过图4中的通信装置400来实现。图4为本申请实施例提供的通信装置400的一种结构示意图。该通信装置400可以包括一个或多个处理器401，通信线路402，以及至少一个通信接口(图4中仅是示例性的以包括通信接口404，以及一个处理器401为例进行说明)，可选地还可以包括存储器403。

处理器401可以是一个中央处理器(central processing unit，CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本申请方案程序执行的集成电路。

通信线路402可包括用于连接不同组件的通路。示例性的，该通信线路402可以为总线，如地址总线、数据总线、控制总线等。

通信接口404可以是收发模块，可以用于与其他设备或通信网络通信。例如，所述收发模块可以是收发器、收发机一类的装置。可选地，所述通信接口404也可以是位于处理器401内的收发电路，用以实现处理器的信号输入和信号输出。

存储器403可以是具有存储功能的装置。例如可以是只读存储器(read-onlymemory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过通信线路402与处理器相连接。存储器也可以和处理器集成在一起。

其中，存储器403用于存储执行本申请方案的计算机执行指令，并由处理器401来控制执行。处理器401用于执行存储器403中存储的计算机执行指令，从而实现本申请实施例中提供的通信方法。

或者，本申请实施例中，也可以是处理器401执行本申请下述实施例提供的通信方法中的处理相关的功能，通信接口404负责与其他设备或通信网络通信，本申请实施例对此不作具体限定。

本申请实施例中的计算机可执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。

在具体实现中，作为一种实施例，处理器401可以包括一个或多个CPU，例如图4中的CPU0和CPU1。

在具体实现中，作为一种实施例，通信装置400可以包括多个处理器，例如图4中的处理器401和处理器407。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

在具体实现中，作为一种实施例，通信装置400还可以包括输出设备405和输入设备406。输出设备405和处理器401通信，可以以多种方式来显示信息。

以上对本申请提供的通信系统进行了介绍，下面将结合附图对本申请实施例提供的通信方法进行说明。

请参照图5，图5为本申请实施例提供的通信方法的交互示意图一，该通信方法可以应用于上述通信系统，可以由上述图3所示通信系统中的网络设备或终端设备执行。该通信方法能够使得终端设备能够根据AI节点的处理能力选择AI节点进行驻留，从而使得终端设备能够得到满足需求的AI服务。该方法可以包括S502～S504，下面依次说明。

S502，网络设备获取第一信息。

其中，第一信息用于指示至少一个AI节点的AI处理能力，并且第一信息用于终端设备从至少一个AI节点中选择驻留的AI节点。

在一些可能的实施例中，第一信息可以包括如下一项或多项：至少一个AI节点的可用资源、至少一个AI节点的算力、至少一个AI节点的轻量化模型、至少一个AI节点的神经网络模型的模型精度。下面依次对这几项信息进行介绍：

1、AI节点的可用资源

AI节点的可用资源可以是指：AI节点的软硬件资源中可以使用的资源的大小，从而可以表示AI节点的AI处理能力。

其中，AI节点的软硬件资源可以包括：AI节点的硬件资源和AI节点的软件资源。AI节点的硬件资源可以包括AI节点的处理器运行性能、AI节点的内存性能等。AI节点的软件资源可以包括AI节点的待处理任务信息。

可选地，AI节点的可用资源可以包括如下一项或多项：AI节点的处理器运行性能信息、AI节点的内存性能信息、AI节点的待处理任务信息。

AI节点的处理器运行性能信息可以包括如下一项或多项：AI节点的处理器的频率(包括主频、倍频、外频等)、核心数量、处理器的一级缓存(L1 cache)大小、处理器的一级缓存速率等。可选地，处理器的一级缓存大小可以为处理器的一级缓存大小中可使用缓存大小。示例性地，假设AI节点的处理器的一级缓存大小为512千字节(kilobyte，KB)，其中，该缓存中400KB已被占用，那么一级缓存大小中可使用缓存大小为112KB。

AI节点的内存性能信息可以包括如下一项或多项：AI节点的内存容量、存储读写速率等。可选地，AI节点的内存容量可以为AI节点的剩余容量。示例性地，假设AI节点的内存容量为16吉字节(gigabyte，GB)，其中，该内存容量中8GB已被占用，那么AI节点的剩余容量为8GB。

AI节点的待处理任务信息可以包括AI节点的待处理任务量或者AI节点中任务队列的长度。

2、AI节点的算力

AI节点的算力是指AI节点的计算能力，从而可以表示AI节点的AI处理能力。在一些可能的实施例中，AI节点的算力可以利用AI节点的可用资源确定。

可选地，可以根据AI节点的处理器运行性能信息、AI节点的内存性能信息、AI节点的待处理任务信息中的一项或多项，确定AI节点的算力。示例性地，可以根据如下公式确定AI节点的算力：

P＝F(F_cpu，L1，F_mem，…，Mission_queue)

其中，P表示AI节点的算力的大小。函数F中的参数可以包括AI节点的处理器运行性能信息、AI节点的内存性能信息、AI节点的待处理任务信息中的一项或多项。例如，包括F_cpu，L1，F_mem，Mission_queue等。F_cpu为AI节点的处理器的频率，L1为AI节点的处理器的一级缓存大小，F_mem为AI节点的内存容量或存储读写速率，Mission_queue为AI节点中任务队列的长度。另外，函数F可以由网络设备确定或者由协议定义，对此不作限定。

下面以函数F中的参数包括AI节点的处理器的主频、AI节点的存储读写速率、AI节点的待处理任务量举例，说明“P＝F(F_cpu，L1，F_mem，…，Mission_queue)”的实现方式：

首先，定义：AI_node_F为F_cpu中的AI节点的处理器的主频，AI_node_RAM为F_mem中的AI节点的存储读写速率，AI_node_overload表示AI节点的待处理任务量(也即是Mission_queue)，F_ref表示处理器的参考主频，RAM_ref表示内存的参考读写速率，Overload_ref表示参考任务量。

然后，可以通过如下公式确定AI节点的算力的大小(也即是P)：

其中，F_ref的定义如下：F_ref值可以是多个AI节点的处理器的最高主频，或者可以是协议定义的值，对此不作限定。A、B、C为权重值，A、B、C均可以为大于或等于0的常数，例如，A、B、C均可以为100。应理解，F_ref可以用于对AI_node_F进行归一化。类似地，RAM_ref、Overload_ref的定义与F_ref的定义类似，在此不再赘述。

需要注意的是，当第一信息为AI节点的算力时，上述S502，网络设备获取第一信息的执行过程中，网络设备可以首先获取AI节点的可用资源，然后根据AI节点的可用资源确定AI节点的算力。这样，AI节点的算力相当于是由网络设备已经计算好的，可以表示AI节点的AI处理能力的信息，能够节省终端设备的计算量，降低终端设备的功耗。

3、AI节点的轻量化模型

AI节点的轻量化模型可以由AI节点的神经网络模型确定，该轻量化模型可以用于测量AI节点的神经网络模型的性能，从而可以表示AI节点的AI处理能力。

具体来说，AI节点的轻量化模型可以是基于AI节点的神经网络模型进行简化后的神经网络模型。或者，AI节点的轻量化模型也可以认为是对AI节点的神经网络模型进行压缩后的模型。相较于AI节点的神经网络模型，AI节点的轻量化模型中的模型层数更少、节点更少，并且，AI节点的轻量化模型的参数更少、计算量更少、需要运行的时间也更少。另外，AI节点的轻量化模型的大小也更小，更利于传输。

AI节点的神经网络模型和AI节点的轻量化模型的功能可以是相同的，也即是均可以用于完成相同的任务。这样，通过确定出AI节点的轻量化模型的模型精度，即可推断出AI节点的神经网络模型的模型精度，从而确定AI节点的AI处理能力。

在一些可能的实施例中，AI节点的轻量化模型可以由AI节点确定。

可选地，AI节点的轻量化模型可以是AI节点基于第一任务和神经网络模型生成的。具体地，终端设备可以根据AI节点的轻量化模型处理第一任务，得到处理性能，用该处理性能标识AI节点的神经网络模型在处理第一任务时的性能。这样，终端设备在选择驻留的AI节点时，如果终端设备需要处理第一任务，那么终端设备可以基于处理第一任务性能选择更合适的AI节点作为驻留的AI节点，使得终端设备得到满足需求的AI服务。

在实际应用中，AI节点可以基于模型生成配置信息和AI节点的神经网络模型，针对不同的任务生成不同的轻量化模型，也即是说，AI节点对于一个神经网络模型可以生成多个轻量化模型，每个轻量化模型对应一个任务。这样，终端设备在需要处理某个任务时，可以利用该任务对应的轻量化模型确定AI节点的神经网络模型在处理该任务时的性能，从而更准确地选择AI处理能力与需求相匹配的AI节点作为驻留的AI节点，使得终端设备得到满足需求的AI服务。

其中，模型生成配置信息可以是指基于AI节点的神经网络模型生成轻量化模型的限制条件。例如，模型生成配置信息可以包括：基于AI节点的神经网络模型迭代生成轻量化模型的过程中的迭代阈值、所生成的AI节点的轻量化模型的算力阈值、所生成的AI节点的轻量化模型的层数阈值等。这里的迭代阈值的定义可以是：AI节点在迭代生成轻量化模型的过程中最多迭代的次数。类似地，算力阈值、层数阈值的定义与迭代阈值的定义类似，在此不再赘述。

需要说明的是，在实际应用中，模型生成配置信息可以是网络侧的设备(比如AI节点、AI网元、基站等)确定的或者是协议定义的，在此不做限定。

4、AI节点的神经网络模型的模型精度

AI节点的神经网络模型的模型精度可以用于表示AI节点的神经网络模型的模型性能，从而可以表示AI节点的AI处理能力。示例性地，AI节点的神经网络模型的模型精度可以为所述神经网络模型处理第一任务时的输出结果的准确程度。这里的第一任务可以是识别任务、分类任务等等，对此不作限定。

在一些可能的实施例中，AI节点的神经网络模型的模型精度可以由AI节点根据终端设备上报的参考数据确定。其中，参考数据可以用于确定AI节点的神经网络模型的模型精度。

需要说明的是，关于参考数据的说明以及终端设备上报参考数据的过程可以参考下述方法实施例中的S501，在此不予赘述。

需要注意的是，当第一信息包括AI节点的神经网络模型的模型精度时，该AI节点的神经网络模型的模型精度可以是由AI节点已经计算好的，可以表示AI节点的AI处理能力的信息，从而能够节省终端设备的计算量，降低终端设备的功耗。

在上述对第一信息的介绍中，AI节点的AI处理能力可以通过AI节点的可用资源、AI节点的算力、AI节点的轻量化模型、AI节点的神经网络模型的模型精度中的一项或多项表示。这样，能够更准确地表示AI节点的AI处理能力，使得终端设备可以更准确地选择AI处理能力与需求相匹配的AI节点作为驻留的AI节点，从而使得终端设备得到满足需求的AI服务。

在一些可能的实施例中，上述S502，网络设备获取第一信息的方式可以包括：至少一个AI节点确定各自的AI处理能力信息；至少一个AI节点向网络设备发送各自的AI处理能力信息；网络设备接收来自至少一个AI节点的AI处理能力信息，并确定第一信息。

AI处理能力信息可以包括如下一项或多项：AI节点的可用资源、AI节点的算力、AI节点的轻量化模型、AI节点的神经网络模型的模型精度。关于AI节点的可用资源、AI节点的算力、AI节点的轻量化模型、AI节点的神经网络模型的模型精度的说明可以参照上文相关介绍，在此不再赘述。

下面结合示例进行详细说明，参照图6，图6为本申请实施例提供的一种终端设备选择AI节点驻留的场景示意图。其中，AI节点1部署在网络设备1，AI节点2部署在网络设备2，AI节点3、AI节点4部署在网络中的其他网元(比如UPF)上。以网络设备为网络设备2举例，网络设备2获取第一信息的方式可以包括：AI节点1～AI节点4分别确定各自的AI处理能力信息；AI节点1～AI节点4向网络设备2发送各自的AI处理能力信息，分别为图6中的A、B、C、D；网络设备2分别接收来自AI节点1～AI节点4的AI处理能力信息，并确定第一信息，该第一信息可以包括AI节点1～AI节点4的AI处理能力信息。这样，网络设备2获取的第一信息可以用于指示AI节点1～AI节点4的AI处理能力。

一种可能的实现中，一个AI节点可以关联至一个或多个网络设备(也即是RAN节点)，AI节点可以通过AI-RAN节点之间的接口，将AI节点的AI处理能力信息传输给上述一个或多个网络设备，相应的，一个网络设备可以收到多个AI节点发送的AI处理能力信息，例如图6中的网络设备2。可选地，AI节点按照事先划定的地理区域与一个或多个网络设备关联。

在一些可能的实施例中，第一信息还可以用于指示至少一个AI节点中每个AI节点是否允许驻留。这样，终端设备可以根据第一信息从允许驻留的至少一个AI节点中选择驻留的AI节点。

在另一些可能的实施例中，第一信息所指示的至少一个AI节点中每个AI节点均允许驻留。具体地，网络设备可以接收来自多个AI节点的AI处理能力信息，该AI处理能力信息还用于指示AI节点是否允许驻留；然后，网络设备根据AI处理能力信息，将所述多个AI节点中所有允许驻留的AI节点确定为上述至少一个AI节点；网络设备根据至少一个AI节点的AI处理能力信息确定第一信息。这样，第一信息所指示的至少一个AI节点中每个AI节点均允许驻留，能够节省终端设备的计算量，降低终端设备的功耗。

S503，网络设备向终端设备发送第一信息。相应地，终端设备接收来自网络设备的第一信息。

在一些可能的实施例中，第一信息可以承载于广播级别信息和/或终端级别信息。

其中，终端级别信息也可以被称为终端级别信令、或者被称为UE特定(UEspecific)信令、或者被称为UE级别信息等类似的概念，广播级别信息也可以被称为广播级别信令等类似的概念，本申请实施例对此不作限定。

当第一信息承载于广播级别信息时，网络设备可以向终端设备广播第一信息。相应地，终端设备接收网络设备广播的第一信息。可选地，广播级别信息可以包括SIB，也即是第一信息可以承载于SIB。这样，第一信息可以通过广播的方式发送给多个终端设备，节省信令开销。另外，SIB承载于物理下行共享信道(physical downlink shared channel，PDSCH)，因此SIB可以调度较大的传输资源，从而确保能够承载上述的第一信息。

当第一信息承载于终端级别信息时，网络设备可以向终端设备发送第一信息。相应地，终端设备接收网络设备发送的第一信息。可选地，终端级别信息可以是RRC消息，也即是说，第一信息可以承载于RRC消息中。可选地，第一信息还可以承载于NAS消息中，承载有第一信息的NAS信息可以再承载于RRC消息中。这样，第一信息可以针对某个终端设备发送，使得消息传递更精准。

示例性地，继续以图6所示的应用场景举例，网络设备2在确定第一信息后，可以通过SIB广播该第一信息；终端设备2在接入网络设备2后，可以从SIB中接收第一信息(也即是图6中的E)，从而提取AI节点1～AI节点4的AI处理能力信息。

应理解，本申请实施例并未限定第一信息所承载的信息的类型，第一信息例如还可以承载于媒体接入控制(media access control，MAC)控制单元(control element，CE)等信令中。并且，随着通信技术的发展，该第一信息还可以承载于新设计的信令中。

S504，终端设备根据第一信息从至少一个AI节点中选择驻留的AI节点。

在一些可能的实施例中，S504，终端设备根据第一信息从至少一个AI节点中选择驻留的AI节点，可以包括：在满足重选节点条件时，终端设备根据第一信息从至少一个AI节点中选择驻留的AI节点。

其中，重选节点条件可以包括如下几种实现方式：

方式1，重选节点条件可以包括：终端设备当前驻留的节点的算力低于算力阈值，也即是，终端设备在当前驻留的AI节点无法提供满足需求的AI服务时，可以根据AI节点的处理能力选择AI节点进行驻留，这样，可以在确保终端设备能够得到满足需要的AI服务的情况下，减少终端设备重选AI节点的次数，降低终端设备的功耗。

示例性地，继续以图6所示的应用场景举例，终端设备2在获取AI节点1～AI节点4的AI处理能力信息后，当终端设备2确定当前驻留的AI节点(例如，AI节点1)的算力低于算力阈值时，则确定满足重选节点条件，需要根据第一信息从AI节点1～AI节点4中选择驻留的AI节点。

其中，终端设备当前驻留的节点的算力的获取方式可以包括：终端设备根据第一信息确定终端设备当前驻留的节点的算力；或者，网络设备向终端设备发送驻留节点信息，驻留节点信息用于指示终端设备当前驻留的节点的算力，终端设备接收来自网络设备的终端设备当前驻留的节点的算力。

方式2，重选节点条件可以包括：终端设备的当前时间为第一时间，其中，第一时间可以是周期性的时间(例如，相邻两个第一时间之间的间隔为5秒)，或非周期性的时间。换言之，终端设备可以周期或非周期地根据AI节点的处理能力选择AI节点进行驻留。

方式3，重选节点条件可以包括：终端设备切换小区。换言之，终端设备可以在发生小区切换时根据AI节点的处理能力选择AI节点进行驻留。

应理解，在实际应用中，重选节点条件可以根据需求设置，对此不作限定。

可选地，终端设备根据第一信息从至少一个AI节点中选择驻留的AI节点的实施方式，可以包括：终端设备根据第一信息，确定至少一个AI节点中每个AI节点的算力，以及终端设备获取至少一个AI节点中每个AI节点的延迟，终端设备在满足第一条件时，确定第二节点为驻留的AI节点。

其中，第一条件可以包括：至少一个AI节点中存在第二节点。第二节点为满足如下一项或多项条件的第一节点：第二节点的算力大于(或者大于或等于)第一算力、第二节点的算力大于(或者大于或等于)第二算力、第二节点的延迟小于(或者小于或等于)第一延迟、第二节点的延迟小于(或者小于或等于)第二延迟。其中，第一算力可以为终端设备当前驻留的节点的算力，第二算力可以为终端设备当前驻留的节点的算力与第一阈值之和，第一延迟可以为终端设备当前驻留的节点的延迟，第二延迟可以为终端设备当前驻留的节点的延迟与第二阈值之和。

其中，延迟可以包括传输延迟、处理延迟、通信延迟中的至少一项。具体地，传输延迟可以包括数据在第一通信装置与第一节点之间的传输时延，处理延迟可以包括数据在第一节点的处理时延，通信延迟可以包括传输延迟和处理延迟。

一种可能的实现中，存在多个第二节点时，终端设备可以在这多个第二节点中确定任一个第二节点为驻留的AI节点，或者可以将这多个第二节点中算力最高的第二节点确定为驻留的AI节点，或者可以将这多个第二节点中延迟最低的第二节点确定为驻留的AI节点，对此不作限定。

一种可能的实现中，终端设备根据第一信息，确定至少一个AI节点中每个AI节点的算力的实现方式，可以包括：第一信息包括至少一个AI节点的可用资源，终端设备根据第一信息中的AI节点的可用资源确定至少一个AI节点中每个AI节点的算力；或者，第一信息包括至少一个AI节点的算力，终端设备根据第一信息获取至少一个AI节点中每个AI节点的算力。

一种可能的实现中，终端设备获取至少一个AI节点中每个AI节点的延迟的实施方式，可以包括：终端设备根据第一数据的发送时间和第一数据的反馈数据的接收时间，确定至少一个AI节点中每个AI节点的通信延迟，第一数据为终端设备向AI节点发送的数据，反馈数据为AI节点根据第一数据向终端设备反馈的数据；或者，终端设备接收来自网络设备的延迟信息，该延迟信息用于指示至少一个AI节点中每个第一节点的延迟，并根据延迟信息可以获取至少一个AI节点中每个第一节点的延迟。

另外，上述延迟信息可以携带于第一信息或第一信息以外的信息，对此不作限定。

示例性地，继续以图6所示的应用场景举例，终端设备2获取AI节点1～AI节点4的AI处理能力信息后，终端设备2可以根据AI节点1～AI节点4的AI处理能力信息，确定AI节点1～AI节点4中每个AI节点的算力和延迟；如果满足第一条件，那么终端设备2可以将AI节点1～AI节点4中的第二节点为驻留的AI节点。例如，假设AI节点3的算力大于第一算力、AI节点4的算力大于第二算力，且AI节点3的算力小于AI节点4的算力，那么终端设备2可以确定AI节点4为驻留的AI节点。换言之，终端设备可以根据AI节点的处理能力选择处理能力更强的AI节点进行驻留，提升终端设备的AI处理性能。

在S504中，第一阈值、第二阈值可以使得第二节点的AI处理能力大于终端设备当前驻留的节点，从而使得终端设备能够得到更好的AI服务。另外，算力阈值、第一阈值、第二阈值可以是网络设备确定的或者是协议定义的，对此不做限定。

可选地，在S502之前，图5所示的通信方法还可以包括：

S501，终端设备向网络设备发送参考数据。相应地，网络设备接收来自终端设备的参考数据。

其中，参考数据可以用于确定AI节点的神经网络模型的模型精度。可选地，网络设备还可以向AI节点转发该参考数据。AI节点可以接收来自网络设备的参考数据，然后，根据该参考数据确定AI节点的神经网络模型的模型精度。

具体地，参考数据可以包括输入数据集和标签数据集。示例性地，假设AI节点的神经网络模型可以用于识别图片中的猫的图像，那么参考数据中的输入数据集可以包括多张照片，这些照片中可以包括存在猫的图像或不存在猫的图像，参考数据中的标签数据集可以包括每张照片对应的识别信息，该识别信息用于指示对应的照片是否存在猫。在此情况下，AI节点可以将输入数据集输入至该AI节点的神经网络模型中，并为识别其中的每张照片是否包括猫的图像，得到识别结果；然后，AI节点可以根据标签数据集判断识别结果的正确率，从而得出该AI节点的神经网络模型的模型精度。

这样，在S501中，AI处理能力可以根据终端设备上报的参考数据确定。由于终端设备上报的参考数据可以来自终端设备待处理任务，因此，所确定的AI处理能力相当于可以表示AI节点在处理终端设备待处理任务时的性能。这样，终端设备可以更准确地选择AI处理能力与需求相匹配的AI节点作为驻留的AI节点，使得终端设备得到满足需求的AI服务。

可选地，在S503之后，图5所示的通信方法还可以包括：终端设备根据AI节点的轻量化模型，测量AI节点的神经网络模型的性能。

示例性地，假设AI节点的轻量化模型可以用于识别图片中的猫的图像，那么终端设备可以获取输入数据集和标签数据集。其中，输入数据集中可以包括多张照片，这些照片中可以包括存在猫的图像或不存在猫的图像；参考数据中的标签数据集可以包括每张照片对应的识别信息，该识别信息用于指示对应的照片是否存在猫的。在此情况下，终端设备可以将输入数据集输入至该AI节点的轻量化模型中，并为识别其中的每张照片是否包括猫的图像，得到识别结果；然后，终端设备可以根据标签数据集判断识别结果的正确率，从而得出该AI节点的轻量化模型的模型精度。该AI节点的轻量化模型的模型精度即可表示AI节点的神经网络模型的模型精度。

其中，关于轻量化模型的说明可以参照上文中的相关介绍，在此不再赘述。

可选地，在S504之后，图5所示的通信方法还可以包括：

S505，网络设备向终端设备发送第二信息。相应地，终端设备接收来自网络设备的第二信息。

其中，第二信息可以用于指示驻留的AI节点的配置参数，配置参数可以包括如下一项或多项：权限参数、模型参数、数据集信息。权限参数可以用于指示驻留的AI节点是否允许驻留，模型参数可以为驻留的AI节点的神经网络模型的参数，数据集信息可以指示用于训练驻留的AI节点的神经网络模型的数据集。

可选地，终端设备在接收到第二信息后，可以根据第二信息完成AI节点的驻留。

其中，若第二信息所指示的配置参数包括权限参数，且权限参数指示驻留的AI节点不允许驻留，则终端设备可以通过再次执行上述S501～S505以重新选择一个可以驻留的AI节点进行驻留。

这样，通过执行S505，终端设备可以根据第二信息更新驻留的AI节点的配置参数，完成AI节点的重选。

在一些可能的实施例中，上述S501～S505中的终端设备可以保持在idle态，在此情况下，第一信息还可以用于指示终端设备保持在idle态。这样，终端设备可以在不退出idle态的情况下，根据AI节点的处理能力选择AI节点进行驻留，降低终端设备的功耗。

在一些可能的实施例中，图5所示的通信方法可以应用于多个终端设备。这样，多个终端设备中的每个终端设备均能够选择AI处理能力与需求相匹配的AI节点作为驻留的AI节点，并且能够避免驻留在负载高或即将过载的AI节点上，也即是说多个终端设备可以分散驻留在多个AI节点，避免一个AI节点上驻留过多的终端设备，优化AI节点的性能。

下面结合几个示例进一步对上述图5所示的方法实施例进行说明。

示例1，在第一信息包括AI节点的可用资源的情况下，上述S502～S504的实现方式可以包括如下几个步骤：

步骤2.1，网络设备获取第一信息，该第一信息包括至少一个AI节点的可用资源。

步骤2.2，网络设备向终端设备发送第一信息，相应的，终端设备接收网络设备发送的第一信息。

步骤2.3，终端设备根据第一信息，确定至少一个AI节点中每个AI节点的算力和延迟。

步骤2.4，终端设备在满足第一条件时，将至少一个AI节点中的第二节点确定为驻留的AI节点。其中，第一条件和第二节点的相关说明可以参照上述方式3，在此不再赘述。

应理解，关于步骤2.1～步骤2.4的具体实现方式及效果可以参照上述图5所示方法实施例中的相关说明，在此不再赘述。

其中，示例1也可以称为：终端设备基于AI节点的负载选择AI节点进行驻留。

示例2，在第一信息包括AI节点的轻量化模型的情况下，上述S502～S504的实现方式可以包括如下几个步骤：

步骤3.1，网络设备获取第一信息，该第一信息包括至少一个AI节点的轻量化模型。

步骤3.2，网络设备向终端设备发送第一信息，相应的，终端设备接收网络设备发送的第一信息。

步骤3.3，终端设备根据第一信息，确定至少一个AI节点中每个AI节点的轻量化模型的模型精度。

步骤3.4，终端设备在满足第二条件时，将至少一个AI节点中的第三节点确定为驻留的AI节点。

其中，第二条件可以包括如下一项或多项：第三节点的轻量化模型的模型精度大于(或者大于或等于)第一精度、第三节点的轻量化模型的模型精度大于(或者大于或等于)第一精度与第三阈值之和，第一精度为终端设备当前驻留的AI节点的轻量化模型的模型精度。第三阈值可以是网络设备确定的或者是协议定义的，在此不做限定。

应理解，关于步骤3.1～步骤3.4的具体实现方式及效果可以参照上述图5所示方法实施例中的相关说明，在此不再赘述。

其中，示例2也可以称为：终端设备基于测量AI节点的性能选择AI节点进行驻留。

示例3，在第一信息包括AI节点的神经网络模型的模型精度的情况下，请参照图7，图7为本申请实施例提供的通信方法的流程示意图二，假设网络设备为RAN节点，RAN节点分别与AI节点1、AI节点2通信连接，并且终端设备处于idle态。通过图7所示的方法实施例，可以使得终端设备在不退出idle态的情况下，既能够使得终端设备得到更好的AI服务，又能够降低终端设备的功耗。另外，在介绍图7所示的方法实施例之前，先对AI早期数据传输EDT进行介绍。AI EDT是指：在随机接入过程中以及在建立RRC连接之前的AI数据的传输。利用AI EDT，终端设备可以在随机接入过程中以及在建立RRC连接之前向RAN节点发送与AI功能相关的数据(比如上述的参考数据)，以及接收RAN节点反馈的数据(比如AI节点的神经网络模型的模型精度)。其中，与AI功能相关的数据可以携带于消息3(message3，Msg3)或消息A(messageA，MsgA)中，RAN节点反馈的数据可以携带于消息4(message4，Msg4)或消息B(messageB，MsgB)中。

具体地，图7所示的方法实施例可以包括如下几个步骤：

步骤4.1，RAN节点向终端设备发送AI EDT的配置信息。该AI EDT的配置信息可以包括：前导码(preamble)配置、所支持的最大AI EDT尺寸(size)等信息。相应地，终端设备接收来自RAN节点的AI EDT的配置信息。可选地，上述AI EDT的配置信息携带在SIB中。

步骤4.2，终端设备根据AI EDT的配置信息确定AI EDT相关的前导码，并通过消息1(message1，Msg1)向RAN节点发送AI EDT相关的前导码。相应地，RAN节点通过Msg1接收来自终端设备的AI EDT相关的前导码。

步骤4.3，RAN节点通过消息2(message2，Msg2)响应终端设备的请求，以及通过Msg2分配Msg3的传输资源。相应地，终端设备接收来自RAN节点的Msg2。

步骤4.4，终端设备通过Msg3向RAN节点发送参考数据。相应地，RAN节点通过Msg3接收来自终端设备的参考数据。其中，关于参考数据的说明可以参照上述方法实施例，在此不再赘述。

一种可能的实现中，上述步骤4.1-4.3可以替换为终端设备向RAN节点发送MsgA，该MsgA中包括前导码和AI功能相关的数据，AI功能相关的数据例如可以为上述参考数据。

步骤4.5，RAN节点向AI节点1、AI节点2转发该参考数据。相应地，AI节点1、AI节点2分别接收来自RAN节点的参考数据。

步骤4.6，AI节点(包括AI节点1、AI节点2)根据该参考数据确定AI节点的神经网络模型的模型精度的信息。

其中，“根据该参考数据确定AI节点的神经网络模型的模型精度”的实现方式可以参照S501，在此不再赘述。

步骤4.7，AI节点向RAN节点发送该模型精度的信息。相应地，RAN节点接收来自AI节点(包括AI节点1、AI节点2)的模型精度的信息。

步骤4.8，RAN节点通过Msg4向终端设备转发来自AI节点的模型精度的信息。相应地，终端设备通过Msg4接收来自RAN节点的AI节点的模型精度的信息。

一种可能的实现中，RAN节点通过MsgB向终端设备转发来自AI节点的模型精度的信息。

其中，终端设备还可以根据AI节点(包括AI节点1、AI节点2)的模型精度选择驻留的AI节点，具体实施方式可以参照上述S504，在此不再赘述。

步骤4.9，终端设备保持在idle态。示例性地，RAN节点还可以通过Msg4中指示终端继续保持在idle态。

在上述步骤4.1～步骤4.9中，终端设备可以在不退出idle态的情况下，向AI节点发送参考数据，实现AI节点测量模型精度，降低功耗。并且，终端设备能够根据AI节点的模型精度选择AI节点进行驻留。

其中，示例3也可以称为：终端设备基于AI EDT选择AI节点进行驻留。

可选地，上述步骤4.1～步骤4.8的过程也可以应用于分布式学习过程。参照步骤4.1～步骤4.8，以联邦学习举例，具体来说可以包括：

首先，多个终端设备(相当于客户端)可以通过Msg3向RAN节点发送神经网络模型的梯度、模型参数等信息；然后，RAN节点向AI节点(相当于中心服务器)转发来自终端设备的梯度；之后，AI节点根据各个终端设备的梯度确定全局梯度；最后，RAN节点利用Msg4向各个终端设备转发该全局梯度，以及利用Msg4指示各个终端设备保持在idle态。其中，这个过程中终端设备可以处于idle态。这样，终端设备可以在不退出idle态的情况下，实现联邦学习，降低功耗。

基于上述图5所述的方法，终端设备可以根据至少一个AI节点的AI处理能力，从这至少一个AI节点中选择驻留的AI节点。终端设备所驻留的AI节点可以是与网络设备关联的AI节点，还可以是其他能够与该网络设备通信的AI节点，终端设备可以选择AI处理能力与需求相匹配的AI节点作为驻留的AI节点，使得终端设备得到满足需求的AI服务。

以上结合图1～图7详细说明了本申请实施例提供的通信方法。以下结合图8详细说明用于执行本申请实施例提供的通信方法的通信装置。

如图8所示，本申请实施例提供了一种通信装置800。该通信装置800可以是网络设备或终端设备，也可以是网络设备或终端设备中的装置，或者是能够和网络设备或终端设备匹配使用的装置。一种可能的实现中，该通信装置800可以包括执行上述方法实施例中网络设备或终端设备执行的方法/操作/步骤/动作所一一对应的模块或单元，该单元可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。

一种可能的实现中，该通信装置800可以包括：处理模块801和收发模块802。为了便于说明，图8仅示出了该通信装置的主要部件。

在一些实施例中，通信装置800可适用于图3中所示出的通信系统中，执行图5中所示出的通信方法中终端设备的功能，在此情况下，通信装置800可以理解为第一通信装置。

其中，处理模块801，用于接收来自第二通信装置的第一信息。其中，第一信息用于指示至少一个第一节点的AI处理能力。收发模块802，用于根据第一信息从至少一个第一节点中选择驻留的第一节点。

一种可能的实现中，第二通信装置可以是网络设备，第一节点可以是AI节点，AI节点可以为具有AI功能的网元。可选地，至少一个第一节点包括与网络设备关联或合设的AI节点，还可以包括能够与网络设备通信的其他AI节点。示例性地，当第一节点和网络设备合设时，网络设备可以为具有AI功能的RAN节点。

一种可能的实现中，第一信息可以包括如下一项或多项：第一节点的可用资源、第一节点的算力、第一节点的轻量化模型、第一节点的神经网络模型的模型精度。其中，轻量化模型可以由第一节点的神经网络模型确定。

一种可能的实现中，第一节点的可用资源可以包括如下一项或多项：第一节点的处理器运行性能、第一节点的内存性能、第一节点的待处理任务信息。

一种可能的实现中，收发模块802，还用于向第二通信装置发送参考数据。其中，参考数据可以用于确定第一节点的神经网络模型的模型精度。

第一通信装置上报的参考数据可以是来自第一通信装置待处理任务，根据该参考数据确定的AI处理能力可以表示为AI节点在处理第一通信装置待处理任务时的性能。

一种可能的实现中，处理模块801，还用于根据第一节点的轻量化模型，测量第一节点的神经网络模型的性能。其中，第一节点的轻量化模型可以是第一节点基于第一任务和神经网络模型生成的。

具体地，处理模块801，还用于根据第一节点的轻量化模型处理第一任务，得到处理性能，用该处理性能标识第一节点的神经网络模型在处理第一任务时的性能。

一种可能的实现中，第一信息可以承载于广播级别信息和/或终端级别信息。

可选地，广播级别信息可以包括SIB。

可选地，终端级别信息可以包括RRC消息，也即是说，第一信息可以承载于RRC消息中。其中，第一信息还可以承载于NAS消息中。

一种可能的实现中，收发模块802，还用于接收来自第二通信装置的第二信息。其中，第二信息可以用于指示驻留的第一节点的配置参数，配置参数可以包括如下一项或多项：权限参数、模型参数、数据集信息，权限参数可以用于指示驻留的第一节点是否允许驻留，模型参数可以为驻留的第一节点的神经网络模型的参数，数据集信息可以指示用于训练驻留的第一节点的神经网络模型的数据集。

一种可能的实现中，处理模块801，还用于若第一通信装置当前驻留的节点的算力低于算力阈值，则根据第一信息从至少一个第一节点中选择驻留的第一节点。

一种可能的实现中，处理模块801，还用于根据第一信息，确定至少一个第一节点中每个第一节点的算力。处理模块801，还用于获取至少一个第一节点中每个第一节点的延迟。处理模块801，还用于在满足第一条件时，确定第二节点为驻留的第一节点。其中，第一条件可以包括：至少一个第一节点中存在所述第二节点，第二节点为满足如下一项或多项条件的第一节点：第二节点的算力大于第一算力、第二节点的算力大于第二算力、第二节点的延迟小于第一延迟、第二节点的延迟小于第二延迟，第一算力可以为第一通信装置当前驻留的节点的算力，第二算力可以为第一通信装置当前驻留的节点的算力与第一阈值之和，第一延迟可以为第一通信装置当前驻留的节点的延迟，第二延迟可以为第一通信装置当前驻留的节点的延迟与第二阈值之和。

可选地，延迟包括传输延迟、处理延迟、通信延迟中的至少一项。具体地，传输延迟可以包括数据在第一通信装置与第一节点之间的传输时延，处理延迟可以包括数据在第一节点的处理时延，通信延迟可以包括传输延迟和处理延迟。

一种可能的实现中，第一信息还用于指示第一通信装置保持在idle态。

在另一些实施例中，通信装置800可适用于图3中所示出的通信系统中，执行图5中所示出的通信方法中网络设备的功能，在此情况下，通信装置800可以理解为第二通信装置。

其中，处理模块801，用于获取第一信息。其中，第一信息用于指示至少一个第一节点的AI处理能力，并且第一信息用于第一通信装置从至少一个第一节点中选择驻留的第一节点。收发模块802，用于向第一通信装置发送第一信息。

一种可能的实现中，第一通信装置可以是终端设备，第一节点可以是AI节点，AI节点可以为具有AI功能的网元。可选地，至少一个第一节点包括与网络设备关联或合设的AI节点，还可以包括能够与网络设备通信的其他AI节点。示例性地，当第一节点和网络设备合设时，网络设备可以为具有AI功能的RAN节点。

一种可能的实现中，第一信息可以包括如下一项或多项：第一节点的可用资源、第一节点的算力、第一节点的轻量化模型、第一节点的神经网络模型的模型精度。其中，轻量化模型可以由第一节点的神经网络模型确定。

其中，第一节点的轻量化模型可以是第一节点基于第一任务和神经网络模型生成的。

一种可能的实现中，第一节点的可用资源可以包括如下一项或多项：第一节点的处理器运行性能、第一节点的内存性能、第一节点的待处理任务信息。

一种可能的实现中，收发模块802，还用于接收来自第一通信装置的参考数据。其中，参考数据可以用于确定第一节点的神经网络模型的模型精度。

第一通信装置上报的参考数据可以是来自第一通信装置待处理任务，根据该参考数据确定的AI处理能力可以表示为AI节点在处理第一通信装置待处理任务时的性能。

一种可能的实现中，收发模块802，还用于接收AI EDT信息，所述AI EDT信息可以用于指示所述参考数据。

一种可能的实现中，第一信息可以承载于广播级别信息和/或终端级别信息。

可选地，广播级别信息可以包括SIB。

可选地，终端级别信息可以包括RRC消息，也即是说，第一信息可以承载于RRC消息中。其中，第一信息还可以承载于NAS消息中。

一种可能的实现中，收发模块802，还用于向第一通信装置发送第二信息。其中，第二信息可以用于指示驻留的第一节点的配置参数，配置参数可以包括如下一项或多项：权限参数、模型参数、数据集信息，权限参数用于指示驻留的第一节点是否允许驻留，模型参数可以为驻留的第一节点的神经网络模型的参数，数据集信息可以指示用于训练驻留的第一节点的神经网络模型的数据集。

一种可能的实现中，第一信息还用于指示第一通信装置保持在idle态。

一种可能的实现中，收发模块802，还用于向终端设备发送第二信息。其中，第二信息可以用于指示AI节点的配置参数，配置参数可以包括如下一项或多项：权限参数、模型参数、数据集信息，权限参数用于指示AI节点是否允许驻留，模型参数可以为AI节点的神经网络模型的参数，数据集信息可以指示用于训练AI节点的神经网络模型的数据集。

可选地，收发模块802可以包括接收模块和发送模块(图8中未示出)。其中，发送模块用于实现通信装置800的发送功能，接收模块用于实现通信装置800的接收功能。

可选地，通信装置800还可以包括存储模块(图8中未示出)，该存储模块存储有程序或指令。当处理模块801执行该程序或指令时，使得通信装置800可以执行图5中所示出的通信方法中网络设备或终端设备的功能。

应理解，通信装置800中涉及的处理模块801可以由处理器或处理器相关电路组件实现，可以为处理器或处理单元；收发模块802可以由收发器或收发器相关电路组件实现，可以为收发器或收发单元。

此外，通信装置800的技术效果可以参考图5中所示出的通信方法的技术效果，此处不再赘述。

如果本申请实施例提供的通信装置800是芯片，那么通信装置800中的收发模块802可以分别对应芯片输入输出，比如，收发模块802中的接收模块对应芯片的输入，收发模块802中的发送模块对应芯片的输出，本申请对此不作限定。

本申请实施例还提供一种芯片系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序或指令，当所述程序或指令被所述处理器执行时，使得该芯片系统实现上述任一方法实施例中的方法。

可选地，该芯片系统中的处理器可以为一个或多个。该处理器可以通过硬件实现也可以通过软件实现。当通过硬件实现时，该处理器可以是逻辑电路、集成电路等。当通过软件实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现。

可选地，该芯片系统中的存储器也可以为一个或多个。该存储器可以与处理器集成在一起，也可以和处理器分离设置，本申请并不限定。示例性的，存储器可以是非瞬时性处理器，例如只读存储器ROM，其可以与处理器集成在同一块芯片上，也可以分别设置在不同的芯片上，本申请对存储器的类型，以及存储器与处理器的设置方式不作具体限定。

示例性的，该芯片系统可以是现场可编程门阵列(field programmable gatearray，FPGA)，可以是ASIC，还可以是系统芯片(system on chip，SoC)，还可以是CPU，还可以是网络处理器(network processor，NP)，还可以是数字信号处理器(digital signalprocessor，DSP)，还可以是微控制器(micro controller unit，MCU)，还可以是可编程控制器(programmable logic device，PLD)或其他集成芯片。

本申请实施例提供一种通信系统。该通信系统包括网络设备、终端设备。该网络设备、终端设备结合起来可以执行上述方法实施例，具体执行过程可以参照上述方法实施例，在此不再赘述。

本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机可读存储介质被计算机执行时实现上述任一方法实施例的功能。

本申请还提供了一种计算机程序产品，该计算机程序产品被计算机执行时实现上述任一方法实施例的功能。

应理解，在本申请实施例中的处理器可以是CPU，该处理器还可以是其他通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是ROM、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)，EEPROM或闪存。易失性存储器可以是RAM，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。

上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

本申请说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于限定特定顺序。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

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

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

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

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

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

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。根据这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

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

Claims (20)

1.一种通信方法，其特征在于，包括：

第一通信装置接收来自第二通信装置的第一信息，所述第一信息用于指示至少一个第一节点的人工智能处理能力；

所述第一通信装置根据所述第一信息从所述至少一个第一节点中选择驻留的第一节点。

2.根据权利要求1所述的方法，其特征在于，所述第一信息包括如下一项或多项：所述第一节点的可用资源、所述第一节点的算力、所述第一节点的轻量化模型、所述第一节点的神经网络模型的模型精度，所述轻量化模型由所述第一节点的神经网络模型确定。

3.根据权利要求2所述的方法，其特征在于，所述第一节点的可用资源包括如下一项或多项：所述第一节点的处理器运行性能、所述第一节点的内存性能、所述第一节点的待处理任务信息。

4.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：

所述第一通信装置向所述第二通信装置发送参考数据，所述参考数据用于确定所述第一节点的神经网络模型的模型精度。

5.根据权利要求2-4中任一项所述的方法，其特征在于，所述方法还包括：

所述第一通信装置根据所述第一节点的轻量化模型，测量所述第一节点的神经网络模型的性能。

6.根据权利要求1-4中任一项所述的方法，其特征在于，所述第一信息承载于广播级别信息和/或终端级别信息。

7.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：

所述第一通信装置接收来自所述第二通信装置的第二信息，所述第二信息用于指示所述驻留的第一节点的配置参数；

其中，所述配置参数包括如下一项或多项：权限参数、模型参数、数据集信息，所述权限参数用于指示所述驻留的第一节点是否允许驻留，所述模型参数为所述驻留的第一节点的神经网络模型的参数，所述数据集信息指示用于训练所述驻留的第一节点的神经网络模型的数据集。

8.根据权利要求1-6中任一项所述的方法，其特征在于，所述第一通信装置根据所述第一信息从所述至少一个第一节点中选择驻留的第一节点，包括：

若所述第一通信装置当前驻留的节点的算力低于算力阈值，则所述第一通信装置根据所述第一信息从所述至少一个第一节点中选择驻留的第一节点。

9.根据权利要求1-7中任一项所述的方法，其特征在于，所述第一通信装置根据所述第一信息从所述至少一个第一节点中选择驻留的第一节点，包括：

所述第一通信装置根据所述第一信息，确定所述至少一个第一节点中每个第一节点的算力；

所述第一通信装置获取所述至少一个第一节点中每个第一节点的延迟；

所述第一通信装置在满足第一条件时，确定第二节点为所述驻留的第一节点；

其中，所述第一条件包括：所述至少一个第一节点中存在所述第二节点，所述第二节点为满足如下一项或多项条件的第一节点：所述第二节点的算力大于第一算力、所述第二节点的算力大于第二算力、所述第二节点的延迟小于第一延迟、所述第二节点的延迟小于第二延迟；

所述第一算力为所述第一通信装置当前驻留的节点的算力，所述第二算力为所述第一通信装置当前驻留的节点的算力与第一阈值之和，所述第一延迟为所述第一通信装置当前驻留的节点的延迟，所述第二延迟为所述第一通信装置当前驻留的节点的延迟与第二阈值之和。

10.一种通信方法，其特征在于，包括：

第二通信装置获取第一信息，所述第一信息用于指示至少一个第一节点的人工智能处理能力，所述第一信息用于第一通信装置从所述至少一个第一节点中选择驻留的第一节点；

所述第二通信装置向所述第一通信装置发送所述第一信息。

11.根据权利要求10所述的方法，其特征在于，所述第一信息包括如下一项或多项：所述第一节点的可用资源、所述第一节点的算力、所述第一节点的轻量化模型、所述第一节点的神经网络模型的模型精度，所述轻量化模型由所述第一节点的神经网络模型确定。

12.根据权利要求11所述的方法，其特征在于，所述第一节点的可用资源包括如下一项或多项：所述第一节点的处理器运行性能、所述第一节点的内存性能、所述第一节点的待处理任务信息。

13.根据权利要求11或12所述的方法，其特征在于，所述方法还包括：

所述第二通信装置接收来自所述第一通信装置的参考数据，所述参考数据用于确定所述第一节点的神经网络模型的模型精度。

14.根据权利要求10-13中任一项所述的方法，其特征在于，所述第一信息承载于广播级别信息和/或终端级别信息。

15.根据权利要求10-14中任一项所述的方法，其特征在于，所述方法还包括：

所述第二通信装置向所述第一通信装置发送第二信息，所述第二信息用于指示所述驻留的第一节点的配置参数；

其中，所述配置参数包括如下一项或多项：权限参数、模型参数、数据集信息，所述权限参数用于指示所述驻留的第一节点是否允许驻留，所述模型参数为所述驻留的第一节点的神经网络模型的参数，所述数据集信息指示用于训练所述驻留的第一节点的神经网络模型的数据集。

16.一种通信装置，其特征在于，所述通信装置包括用于执行权利要求1-9中任一项所述的方法中的各个步骤的模块或单元；或者用于执行权利要求10-15中任一项所述的方法中的各个步骤的模块或单元。

17.一种通信装置，其特征在于，包括：与存储器耦合的处理器，所述处理器用于执行所述存储器中的计算机程序或指令，使得权利要求1-9中任一项所述的方法被执行；或者，使得权利要求10-15中任一项所述的方法被执行。

18.根据权利要求17所述的装置，其特征在于，所述装置还包括所述存储器和收发器中的至少一个，所述收发器用于收发数据或信令。

19.一种计算机可读存储介质，其特征在于，包括计算机程序或指令，当所述计算机程序或指令在计算机上运行时，使得权利要求1-9中任一项所述的方法被执行；或者，使得权利要求10-15中任一项所述的方法被执行。

20.一种包含指令的计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得权利要求1-9中任一项所述的方法被执行；或者，使得权利要求10-15中任一项所述的方法被执行。

Images