CN116437416A - 一种通信方法及通信装置 - Google Patents
一种通信方法及通信装置 Download PDFInfo
- Publication number
- CN116437416A CN116437416A CN202111669057.7A CN202111669057A CN116437416A CN 116437416 A CN116437416 A CN 116437416A CN 202111669057 A CN202111669057 A CN 202111669057A CN 116437416 A CN116437416 A CN 116437416A
- Authority
- CN
- China
- Prior art keywords
- network device
- information
- performance information
- data
- network
- 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 title claims abstract description 161
- 238000004891 communication Methods 0.000 title claims abstract description 158
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 78
- 230000015654 memory Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 11
- 210000004027 cell Anatomy 0.000 description 126
- 238000012549 training Methods 0.000 description 72
- 230000000875 corresponding effect Effects 0.000 description 69
- 230000006870 function Effects 0.000 description 43
- 230000008569 process Effects 0.000 description 42
- 238000013528 artificial neural network Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 23
- 238000005259 measurement Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 230000001960 triggered effect Effects 0.000 description 11
- 238000013139 quantization Methods 0.000 description 9
- 230000008093 supporting effect Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 230000002596 correlated effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/08—Access restriction or access information delivery, e.g. discovery data delivery
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/08—Reselecting an access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/16—Discovering, processing access restriction or access information
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种通信方法及通信装置,用于在网络设备为终端设备提供人工智能(artificial intelligence,AI)服务的场景下,使得网络设备的AI性能信息作为是否接入网络设备的确定依据,以便于后续终端设备接入至AI性能信息较为优异的网络设备,并获得优异的AI服务。在该方法中,终端设备获取第一网络设备的AI模型信息;该终端设备基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息。
Description
技术领域
本申请涉及无线技术领域,尤其涉及一种通信方法及通信装置。
背景技术
无线通信,是指两个或两个以上的通信节点间不经由导体或缆线传播而进行的传输通讯,该通信节点一般包括网络设备和终端设备。一般的,终端设备可以接入(或驻留)网络设备,并接收网络设备的调度和指示信息,以实现无线通信。
目前,终端设备可以结合一些机制(例如小区选择、小区重选或小区切换等),对该终端设备所接入的网络设备进行切换,即终端设备可以基于该机制在不同的时刻中,将多个网络设备中不同的网络设备作为该终端设备所接入的网络设备。其中,在多个网络设备中确定出服务网络设备的依据,主要包括终端设备与网络设备之间通信的信道质量信息。例如,该信号质量信息可以包括参考信号接收功率(reference signal receiving power,RSRP)、参考信号接收质量(reference signal receiving quality,RSRQ)或信号与干扰加噪声比(signal to interference plus noise ratio,SINR)等。
随着人工智能(artificial intelligence,AI)的发展,网络设备也可能为终端设备提供AI服务,而不同的网络设备所提供的AI服务有可能是不同的。而终端设备与网络设备之间通信的信道质量优劣并不完全代表着网络设备所提供的AI服务的好坏。
为此,在网络设备为终端设备提供AI服务的场景下,终端设备如何确定所接入的网络设备,是一个亟待解决的技术问题。
发明内容
本申请提供了一种通信方法及通信装置,用于在网络设备为终端设备提供AI服务的场景下,使终端设备获得优异的AI服务。
本申请第一方面提供了一种通信方法,该方法由终端设备执行,或者,该方法由终端设备中的部分组件(例如处理器、芯片或芯片系统等)执行,或者该方法还可以由能实现全部或部分终端设备功能的逻辑模块或软件实现。在第一方面及其可能的实现方式中,以该通信方法由终端设备执行为例进行描述。在该方法中,终端设备获取第一网络设备的AI模型信息;该终端设备基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息。
基于上述技术方案,终端设备在获取第一网络设备的AI模型信息之后,该终端设备基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息;此后,该终端设备可以基于该第一网络设备的AI性能信息确定是否接入该第一网络设备。换言之,终端设备基于该第一网络设备的AI模型信息所确定的该第一网络设备的AI性能信息,可以作为确定该终端设备所接入的网络设备的依据。从而,在网络设备为终端设备提供AI服务的场景下,使得网络设备的AI性能信息作为是否接入网络设备的确定依据,以便于后续终端设备接入至AI性能信息较为优异的网络设备,并获得优异的AI服务。
可选地,AI服务可以包括AI模型训练服务和/或AI推理服务。
应理解,本申请所提供的任一实施例中,接入第一网络设备(或第二网络设备)可以表述为,驻留在第一网络设备(或第二网络设备);也可以表述为,切换至第一网络设备(或第二网络设备);也可以表述为,选择第一网络设备(或第二网络设备);也可以表述为,重选至第一网络设备(或第二网络设备)。
应理解,本申请任一实施例所涉及的不同网络设备(例如第一网络设备和第二网络设备)之间的切换,可以包括:无线接入网(radio access network,RAN)切换、分组数据汇聚协议(packet data convergence protocol,PDCP)切换、无线链路控制(radio linkcontrol,RLC)协议切换、无线资源控制(radio resource control,RRC)层切换、媒体接入控制(media access control,MAC)层切换、物理(physical,PHY)层切换,或者其他的切换,例如AI服务节点的切换等,此处不做限定。
可选地,为某个终端设备提供AI服务的网络设备可以称为该终端设备的AI服务节点。
在第一方面的一种可能的实现方式中,该终端设备基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息包括:该终端设备获取第一数据,该第一数据为该终端设备的本地数据或该第一数据为基于来自该第一网络设备的第一信号生成的数据;该终端设备基于该第一网络设备的AI模型信息和该第一数据确定该第一网络设备的AI性能信息。
基于上述技术方案,该终端设备基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息中,该终端设备可以基于该第一网络设备的AI模型信息和该第一数据确定该第一网络设备的AI性能信息。
一种实现方式中,当该第一数据为该终端设备的本地数据时,可以降低终端设备实现的复杂度的同时,在该终端设备需要确定多个网络设备的AI性能信息的场景中,也可以通过复用该终端设备的本地数据的方式降低该终端设备的存储开销。
可选地,当该第一数据为该终端设备的本地数据时,该第一网络设备向该终端设备提供的AI服务可以包括但不限于AI推理服务和/或AI模型训练服务,其中,该本地数据可以包括终端设备的位置数据、终端设备的传感器(例如图像传感器、距离传感器、测速传感器等)所感测的环境数据等。
另一种实现方式中,当该第一数据为基于来自该第一网络设备的第一信号生成的数据时,由于终端设备确定该第一网络设备的AI性能信息的依据(包括AI模型信息和AI模型的输入数据)均来自于该第一网络设备,使得终端设备所确定出来的第一网络设备的AI性能信息能够更为全面地体现出第一网络设备的AI性能信息。
可选地,当该第一数据为基于来自该第一网络设备的第一信号生成的数据时,该第一网络设备向该终端设备提供的AI服务可以包括但不限于AI推理服务和/或AI模型训练服务,其中,该基于来自该第一网络设备的第一信号生成的数据可以包括与无线信号的传输所相关的信号,例如网络设备和终端设备之间的信道数据、网络设备的位置数据等。
在第一方面的一种可能的实现方式中,该方法还包括:终端设备获取第二网络设备的AI模型信息;该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
基于上述技术方案,终端设备除了确定第一网络设备的AI性能信息之外,该终端设备还可以确定其它网络设备(本实现方式中,以“其它网络设备”为第二网络设备为例进行说明)的AI性能信息。其中,终端设备在获取第二网络设备的AI模型信息之后,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息;此后,该终端设备可以基于该第二网络设备的AI性能信息确定是否接入该第二网络设备。换言之,终端设备基于该第二网络设备的AI模型信息所确定的该第二网络设备的AI性能信息,可以作为确定该终端设备所接入的网络设备的依据。
在第一方面的一种可能的实现方式中,该终端设备获取第二网络设备的AI模型信息包括:在该第一网络设备的AI性能信息的取值低于第一阈值时,该终端设备获取第二网络设备的AI模型信息。
基于上述技术方案,终端设备确定第一网络设备的AI性能信息之外,在该第一网络设备的AI性能信息的取值低于第一阈值的情况下,该终端设备还可以进一步向其它网络设备发送请求消息,以获取其它网络设备(包括第二网络设备)的AI模型信息。并且,终端设备基于其它网络设备的AI模型信息确定其它网络设备的AI性能信息,以便于终端设备后续基于多个网络设备的AI性能信息接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
可选地,在该第一网络设备的AI性能信息的取值等于该第一阈值时,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
可选地,该其它网络设备的AI模型信息可以承载于单播消息、组播消息或广播消息中,此处不做限定。
在第一方面的一种可能的实现方式中,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息包括:在该第一网络设备的AI性能信息的取值低于第一阈值时,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
基于上述技术方案,终端设备确定第一网络设备的AI性能信息之外,在该第一网络设备的AI性能信息的取值低于第一阈值的情况下,该终端设备还可以进一步确定其它网络设备的AI性能信息,以便于终端设备后续基于多个网络设备的AI性能信息接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
可选的,在该第一网络设备的AI性能信息的取值等于该第一阈值时,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
在第一方面的一种可能的实现方式中,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息包括:该终端设备获取第二数据,该第二数据为该终端设备的本地数据或该第二数据为基于来自该第二网络设备的第二信号生成的数据;该终端设备基于该第二网络设备的AI模型信息和该第二数据确定该第二网络设备的AI性能信息。
基于上述技术方案,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息中,该终端设备可以基于该第二网络设备的AI模型信息和该第二数据确定该第二网络设备的AI性能信息。
一种实现方式中,当该第二数据为该终端设备的本地数据时,可以降低终端设备实现的复杂度的同时,在该终端设备需要确定多个网络设备的AI性能信息的场景中,也可以通过复用该终端设备的本地数据的方式降低该终端设备的存储开销。
可选地,当该第二数据为该终端设备的本地数据时,可以适用于第二网络设备向该终端设备提供的AI服务可以包括但不限于AI推理服务和/或AI模型训练服务,其中,该基于来自该第二网络设备的第二信号生成的数据可以包括与无线信号的传输所相关的信号,例如网络设备和终端设备之间的信道数据、网络设备的位置数据等。
另一种实现方式中,当该第二数据为基于来自该第二网络设备的第二信号生成的数据时,由于终端设备确定该第二网络设备的AI性能信息的依据(包括AI模型信息和AI模型的输入数据)均来自于该第二网络设备,使得终端设备所确定出来的第二网络设备的AI性能信息能够更为全面地体现出第二网络设备的AI性能信息。
在第一方面的一种可能的实现方式中,该第一网络设备为该终端设备的服务小区所在的网络设备;在满足以下任一项时,该终端设备执行小区重选,包括:该第二网络设备的AI性能信息的取值大于该第一网络设备的AI性能信息的取值;或,该第一网络设备的AI性能信息的取值低于第一阈值且该第二网络设备的AI性能信息的取值高于第二阈值;或,该第二网络设备的AI性能信息的取值高于第二阈值。
基于上述技术方案,该第一网络设备为该终端设备的服务小区所在的网络设备的情况下,该终端设备可以基于该第一网络设备的AI性能信息和/或该第二网络设备的AI性能信息进一步确定是否执行小区重选。以便于在终端设备确定执行小区重选的情况下,重选至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
应理解,上述“任一项”示例中,以AI性能信息的取值大小与AI性能信息所指示的AI性能的好坏呈正相关为例进行说明;即AI性能信息的取值越大,该AI性能信息所指示的AI性能越好(例如AI推理精度越高、AI模型训练的损失越小等);反之,AI性能信息的取值越小,该AI性能信息所指示的AI性能越差(例如AI推理精度越低、AI模型训练的损失越大等)。
可选地,AI性能信息的取值大小与AI性能信息所指示的AI性能的好坏还可以呈负相关,即AI性能信息的取值越小,该AI性能信息所指示的AI性能越好(例如AI推理精度越高、AI模型训练的损失越小等);反之,AI性能信息的取值越大,该AI性能信息所指示的AI性能越差(例如AI推理精度越低、AI模型训练的损失越大等)。在这种情况下,该实现方式可以表述为:
在满足以下任一项时,该终端设备执行小区重选,包括:该第二网络设备的AI性能信息的取值小于该第一网络设备的AI性能信息的取值;或,该第一网络设备的AI性能信息的取值高于第一阈值且该第二网络设备的AI性能信息的取值低于第二阈值;或,该第二网络设备的AI性能信息的取值低于第二阈值。
在第一方面的一种可能的实现方式中,该方法还包括:该终端设备向该第一网络设备发送第一信息,该第一信息包括以下至少一项:该第一网络设备的AI性能信息;或,该第二网络设备的AI性能信息;或,该第一网络设备的AI性能信息和该第二网络设备的AI性能信息之间的相对信息。
基于上述技术方案,该终端设备在确定该第一网络设备的AI性能信息和/或该第二网络设备的AI性能信息的情况下,该终端设备还可以向第一网络设备发送该信息。以便于后续网络设备(包括第一网络设备和/或第二网络设备)将该信息作为是否切换终端设备所接入的网络设备的依据之一,以期该终端设备能够接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
本申请第二方面提供了一种通信方法,该方法由第一网络设备执行,或者,该方法由第一网络设备中的部分组件(例如处理器、芯片或芯片系统等)执行,或者该方法还可以由能实现全部或部分第一网络设备功能的逻辑模块或软件实现。在第二方面及其可能的实现方式中,以该通信方法由第一网络设备执行为例进行描述。在该方法中,第一网络设备生成该第一网络设备的AI模型信息,该第一网络设备的AI模型信息用于确定该第一网络设备的AI性能信息;该第一网络设备发送该第一网络设备的AI模型信息。
基于上述技术方案,网络设备生成并发送第一网络设备的AI模型信息,使得终端设备接收该第一网络设备的AI模型信息之后,可以基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息。此后,该终端设备可以基于该第一网络设备的AI性能信息确定是否接入该第一网络设备。换言之,终端设备基于该第一网络设备的AI模型信息所确定的该第一网络设备的AI性能信息,可以作为确定该终端设备所接入的网络设备的依据。从而,在网络设备为终端设备提供AI服务的场景下,使得网络设备的AI性能信息作为是否接入网络设备的确定依据,以便于后续终端设备接入至AI性能信息较为优异的网络设备,并获得优异的AI服务。
在第二方面的一种可能的实现方式中,该方法还包括:该第一网络设备接收第一信息,该第一信息包括以下至少一项:该第一网络设备的AI性能信息;或,第二网络设备的AI性能信息;或,该第一网络设备的AI性能信息和该第二网络设备的AI性能信息之间的相对信息。
基于上述技术方案,该第一网络设备还可以接收到该第一网络设备的AI性能信息和/或该第二网络设备的AI性能信息。以便于后续第一网络设备将该信息作为是否切换终端设备所接入的网络设备的依据之一,以期该终端设备能够接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
在第二方面的一种可能的实现方式中,在满足以下任一项时,该第一网络设备发送切换请求消息,包括:该第二网络设备的AI性能信息的取值大于该第一网络设备的AI性能信息的取值;或,该第一网络设备的AI性能信息的取值低于第一阈值且该第二网络设备的AI性能信息的取值高于第二阈值;或,该第二网络设备的AI性能信息的取值高于第二阈值。
基于上述技术方案,该第一网络设备为该终端设备的服务小区所在的网络设备的情况下,该第一网络设备可以基于该第一网络设备的AI性能信息和/或该第二网络设备的AI性能信息进一步确定是否切换该终端设备所接入的网络设备。其中,第一网络设备可以基于该信息发送切换请求消息以实现将该终端设备切换至其它网络设备,以期该终端设备能够接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
应理解,上述“任一项”示例中,以AI性能信息的取值大小与AI性能信息所指示的AI性能的好坏呈正相关为例进行说明;即AI性能信息的取值越大,该AI性能信息所指示的AI性能越好(例如AI推理精度越高、AI模型训练的损失越小等);反之,AI性能信息的取值越小,该AI性能信息所指示的AI性能越差(例如AI推理精度越低、AI模型训练的损失越大等)。
可选地,AI性能信息的取值大小与AI性能信息所指示的AI性能的好坏还可以呈负相关,即AI性能信息的取值越小,该AI性能信息所指示的AI性能越好(例如AI推理精度越高、AI模型训练的损失越小等);反之,AI性能信息的取值越大,该AI性能信息所指示的AI性能越差(例如AI推理精度越低、AI模型训练的损失越大等)。在这种情况下,该实现方式可以表述为:
在满足以下任一项时,该第一网络设备发送切换请求消息,包括:该第二网络设备的AI性能信息的取值小于该第一网络设备的AI性能信息的取值;或,该第一网络设备的AI性能信息的取值高于第一阈值且该第二网络设备的AI性能信息的取值低于第二阈值;或,该第二网络设备的AI性能信息的取值低于第二阈值。
可选地,该第一网络设备发送切换请求消息包括:该第一网络设备向该终端设备发送切换请求消息,以指示该终端设备切换至该第二网络设备。
可选地,该第一网络设备发送切换请求消息包括:该第一网络设备向该第二网络设备发送切换请求消息,以指示请求将该终端设备切换至该第二网络设备。
在第二方面的一种可能的实现方式中,该方法还包括:该第一网络设备发送第一信号,其中,该第一信号用于生成第一数据,该第一数据用于确定该第一网络设备的AI性能信息。
基于上述技术方案,第一网络设备还可以发送用于生成第一数据的第一信号,使得该终端设备可以基于该第一网络设备的AI模型信息和该第一数据确定该第一网络设备的AI性能信息。其中,由于终端设备确定该第一网络设备的AI性能信息的依据(包括AI模型信息和AI模型的输入数据)均来自于该第一网络设备,使得终端设备所确定出来的第一网络设备的AI性能信息能够更为全面地体现出第一网络设备的AI性能信息。
可选地,当该第一数据为基于来自该第一网络设备的第一信号生成的数据时,可以适用于第一网络设备向该终端设备提供的AI服务包括AI模型训练服务的场景。
在第一方面或第二方面的一种可能的实现方式中,该AI模型信息包括AI模型的参数信息,例如权重信息、偏置信息等中的至少一项。
在第一方面或第二方面的一种可能的实现方式中,该AI性能信息包括以下至少一项:推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息。
在第一方面或第二方面的一种可能的实现方式中,数据重要性信息包括数据用于AI模型训练的权重变化、差异、梯度等。
在第一方面或第二方面的一种可能的实现方式中,该第一数据包括以下至少一项:输入数据或标签数据。
本申请第三方面提供了一种通信方法,该方法由终端设备执行,或者,该方法由终端设备中的部分组件(例如处理器、芯片或芯片系统等)执行,或者该方法还可以由能实现全部或部分终端设备功能的逻辑模块或软件实现。在第三方面及其可能的实现方式中,以该通信方法由终端设备执行为例进行描述。在该方法中,终端设备确定第一数据和第二数据之间的数据相对信息,其中,该第一数据为基于来自该第一网络设备的第一信号生成的数据,该第二数据为基于来自该第二网络设备的第二信号生成的数据;该终端设备发送第一指示信息,该第一指示信息用于指示该数据相对信息。
基于上述技术方案,终端设备基于来自第一网络设备的第一信号生成第一数据,且该终端设备基于来自第二网络设备的第二信号生成第二数据之后,该终端设备确定第一数据和第二数据之间的数据相对信息。此后,该终端设备发送用于指示该数据相对信息的第一指示信息,使得第一网络设备在接收该第一指示信息之后,该第一网络设备基于该第一指示信息所指示的数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。在网络设备为终端设备提供AI服务的场景下,使得网络设备可以确定第一网络设备的AI区域信息和第二网络设备的AI区域信息,并基于所确定的AI区域信息作为对终端设备所接入的网络设备进行切换的依据,以期使得终端设备接入至AI性能信息较为优异的网络设备,并获得优异的AI服务。
可选地,该第一网络设备还可以基于所确定的AI区域信息确定该第一网络设备和该第二网络设备是否位于同一AI区域。
可选地,位于同一AI区域的网络设备具备相同/相近的AI模型。
可选地,位于同一AI区域的网络设备能够提供相同/相近的AI服务。
此外,若网络设备基于所确定的AI区域信息确定该第一网络设备和该第二网络设备处于同一AI区域,则该终端设备在该第一网络设备和该第二网络设备之间进行切换时,可以节省不必要的AI模型信息的下载(或重新下载)所导致的开销,且使得该终端设备在切换的过程中可以获得相同/相近的AI服务。
本申请第四方面提供了一种通信方法,该方法由第一网络设备执行,或者,该方法由第一网络设备中的部分组件(例如处理器、芯片或芯片系统等)执行,或者该方法还可以由能实现全部或部分第一网络设备功能的逻辑模块或软件实现。在第四方面及其可能的实现方式中,以该通信方法由第一网络设备执行为例进行描述。在该方法中,第一网络设备接收来自终端设备的第一指示信息,该第一指示信息用于指示第一数据和第二数据之间的数据相对信息,其中,该第一数据为基于来自该第一网络设备的第一信号生成的数据,该第二数据为基于来自该第二网络设备的第二信号生成的数据;该第一网络设备基于该第一指示信息所指示的数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。
基于上述技术方案,第一网络设备在接收用于指示该数据相对信息的第一指示信息之后,第一网络设备可以基于该数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。在网络设备为终端设备提供AI服务的场景下,使得第一网络设备可以确定第一网络设备的AI区域信息和第二网络设备的AI区域信息,并基于所确定的AI区域信息作为对终端设备所接入的网络设备进行切换的依据,以期使得终端设备接入至AI性能信息较为优异的网络设备,并获得优异的AI服务。
可选地,该第一网络设备基于该数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息之后,该方法还包括:
该第一网络设备基于所确定的AI区域信息确定该第一网络设备和该第二网络设备是否位于同一AI区域。
可选地,位于同一AI区域的网络设备具备相同/相近的AI模型。
可选地,位于同一AI区域的网络设备能够提供相同/相近的AI服务。
此外,若网络设备基于所确定的AI区域信息确定该第一网络设备和该第二网络设备处于同一AI区域,则该终端设备在该第一网络设备和该第二网络设备之间进行切换时,可以节省不必要的AI模型信息的下载(或重新下载)所导致的开销,且使得该终端设备在切换的过程中可以获得相同/相近的AI服务。
在第四方面的一种可能的实现方式中,该第一网络设备基于该数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息包括:该第一网络设备基于该数据相对信息,在本地配置第一网络设备的AI区域信息和第二网络设备的AI区域信息。
基于上述技术方案,第一网络设备在接收第一指示信息之后,第一网络设备可以在本地基于该第一指示信息所指示的数据相对信息配置第一网络设备的AI区域信息和第二网络设备的AI区域信息。使得该确定过程在该第一网络设备本地执行即可,无需其它设备辅助决策,可以节省开销。
在第四方面的一种可能的实现方式中,该第一网络设备基于该数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息包括:该第一网络设备向其它网络设备(例如核心网设备)发送该数据相对信息;该第一网络设备接收其它网络设备发送的第二指示信息,其中,该第二指示信息用于指示第一网络设备的AI区域信息和第二网络设备的AI区域信息。
基于上述技术方案,第一网络设备在接收第一指示信息之后,第一网络设备可以向其它网络设备发送该数据相对信息,以便于其它网络设备辅助决策,以确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。使得该确定过程在其它网络设备执行,便于节省第一网络设备的算力消耗。此外,在终端设备的数量较多的场景中,多个网络设备(包括第一网络设备、第二网络设备等)可以将多个终端设备所上报的第一指示信息汇集至该其他网络设备,以便于在该其它网络设备中对多个终端设备的AI服务进行宏观调控。
在第三方面或第四方面的一种可能的实现方式中,该数据相对信息包括:数据分布距离、数据相似度。
在第三方面或第四方面的一种可能的实现方式中,第一网络设备为该终端设备的服务小区所在的网络设备。
本申请第五方面提供了一种通信装置,该装置可以实现上述第一方面或第一方面任一种可能的实现方式中的方法。该装置包括用于执行上述方法的相应的单元或模块。该装置包括的单元或模块可以通过软件和/或硬件方式实现。例如,该装置可以为终端设备,或者,该装置可以为终端设备中的组件(例如处理器、芯片或芯片系统等),或者该装置还可以为能实现全部或部分终端设备功能的逻辑模块或软件。
该装置包括收发单元和处理单元;该收发单元,用于获取第一网络设备的AI模型信息;该处理单元,用于基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息。
在第五方面的一种可能的实现方式中,该处理单元,具体用于:获取第一数据,该第一数据为该终端设备的本地数据或该第一数据为基于来自该第一网络设备的第一信号生成的数据;基于该第一网络设备的AI模型信息和该第一数据确定该第一网络设备的AI性能信息。
在第五方面的一种可能的实现方式中,该收发单元,还用于获取第二网络设备的AI模型信息;该处理单元,还用于基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
在第五方面的一种可能的实现方式中,该处理单元,具体用于:在确定该第一网络设备的AI性能信息的取值低于第一阈值时,基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
在第五方面的一种可能的实现方式中,该处理单元,具体用于:在确定该第一网络设备的AI性能信息的取值低于第一阈值时,获取该第二网络设备的AI模型信息。
在第五方面的一种可能的实现方式中,该处理单元,具体用于:获取第二数据,该第二数据为该终端设备的本地数据或该第二数据为基于来自该第二网络设备的第二信号生成的数据;基于该第二网络设备的AI模型信息和该第二数据确定该第二网络设备的AI性能信息。
在第五方面的一种可能的实现方式中,该第一网络设备为该通信装置的服务小区所在的网络设备;该处理单元还用于,在满足以下任一项时,执行小区重选,包括:该第二网络设备的AI性能信息的取值大于该第一网络设备的AI性能信息的取值;或,该第一网络设备的AI性能信息的取值低于第一阈值且该第二网络设备的AI性能信息的取值高于第二阈值;或,该第二网络设备的AI性能信息的取值高于第二阈值。
在第五方面的一种可能的实现方式中,该收发单元,还用于向该第一网络设备发送第一信息,该第一信息包括以下至少一项:该第一网络设备的AI性能信息;或,该第二网络设备的AI性能信息;或,该第一网络设备的AI性能信息和该第二网络设备的AI性能信息之间的相对信息。
需要说明的是,本申请第五方面提供的通信装置的实现过程可以参考实现前述第一方面所描述的实现过程,并实现相应的技术效果,此处不做赘述。
本申请第六方面提供了一种通信装置,该装置可以实现上述第二方面或第二方面任一种可能的实现方式中的方法。该装置包括用于执行上述方法的相应的单元或模块。该装置包括的单元或模块可以通过软件和/或硬件方式实现。例如,该装置可以为第一网络设备,或者,该装置可以为第一网络设备中的组件(例如处理器、芯片或芯片系统等),或者该装置还可以为能实现全部或部分第一网络设备功能的逻辑模块或软件。
该装置包括收发单元和处理单元;该处理单元,用于确定该第一网络设备的AI模型信息,该第一网络设备的AI模型信息用于确定该第一网络设备的AI性能信息;该收发单元,用于发送该第一网络设备的AI模型信息。
在第六方面的一种可能的实现方式中,该收发单元,还用于接收第一信息,该第一信息包括以下至少一项:该第一网络设备的AI性能信息;或,第二网络设备的AI性能信息;或,该第一网络设备的AI性能信息和该第二网络设备的AI性能信息之间的相对信息。
在第六方面的一种可能的实现方式中,该收发单元,还用于在满足以下任一项时,发送切换请求消息,包括:该第二网络设备的AI性能信息的取值大于该第一网络设备的AI性能信息的取值;或,该第一网络设备的AI性能信息的取值低于第一阈值且该第二网络设备的AI性能信息的取值高于第二阈值;或,该第二网络设备的AI性能信息的取值高于第二阈值。
在第六方面的一种可能的实现方式中,该收发单元,还用于发送第一信号,其中,该第一信号用于生成第一数据,该第一数据用于确定该第一网络设备的AI性能信息。
在第五方面或第六方面的一种可能的实现方式中,该AI模型信息包括AI模型的参数信息,例如权重信息、偏置信息等中的至少一项。
在第五方面或第六方面的一种可能的实现方式中,该AI性能信息包括以下至少一项:推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息。
在第五方面或第六方面的一种可能的实现方式中,数据重要性信息包括数据用于AI模型训练的权重变化、差异、梯度等。
在第五方面或第六方面的一种可能的实现方式中,该第一数据包括以下至少一项:输入数据或标签数据。
需要说明的是,本申请第六方面提供的通信装置的实现过程可以参考实现前述第二方面所描述的实现过程,并实现相应的技术效果,此处不做赘述。
本申请第七方面提供了一种通信装置,该装置可以实现上述第三方面或第三方面任一种可能的实现方式中的方法。该装置包括用于执行上述方法的相应的单元或模块。该装置包括的单元或模块可以通过软件和/或硬件方式实现。例如,该装置可以为终端设备,或者,该装置可以为终端设备中的组件(例如处理器、芯片或芯片系统等),或者该装置还可以为能实现全部或部分终端设备功能的逻辑模块或软件。
该装置包括收发单元和处理单元;该处理单元,用于确定第一数据和第二数据之间的数据相对信息,其中,该第一数据为基于来自该第一网络设备的第一信号生成的数据,该第二数据为基于来自该第二网络设备的第二信号生成的数据;该收发单元,用于发送第一指示信息,该第一指示信息用于指示该数据相对信息。
需要说明的是,本申请第七方面提供的通信装置的实现过程可以参考实现前述第三方面所描述的实现过程,并实现相应的技术效果,此处不做赘述。
本申请第八方面提供了一种通信装置,该装置可以实现上述第四方面或第四方面任一种可能的实现方式中的方法。该装置包括用于执行上述方法的相应的单元或模块。该装置包括的单元或模块可以通过软件和/或硬件方式实现。例如,该装置可以为第一网络设备,或者,该装置可以为第一网络设备中的组件(例如处理器、芯片或芯片系统等),或者该装置还可以为能实现全部或部分第一网络设备功能的逻辑模块或软件。
该装置包括收发单元和处理单元;该收发单元,用于接收来自终端设备的第一指示信息,该第一指示信息用于指示第一数据和第二数据之间的数据相对信息,其中,该第一数据为基于来自该第一网络设备的第一信号生成的数据,该第二数据为基于来自该第二网络设备的第二信号生成的数据;该处理单元,用于基于该数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。
可选地,该处理单元,还用于基于该AI区域信息确定该第一网络设备和该第二网络设备是否位于同一AI区域。
在第七方面或第八方面的一种可能的实现方式中,该数据相对信息包括:数据分布距离、数据相似度。
在第七方面或第八方面的一种可能的实现方式中,第一网络设备为该通信装置的服务小区所在的网络设备。
需要说明的是,本申请第八方面提供的通信装置的实现过程可以参考实现前述第四方面所描述的实现过程,并实现相应的技术效果,此处不做赘述。
本申请实施例第九方面提供了一种通信装置,包括至少一个处理器,该至少一个处理器与存储器耦合;该存储器用于存储程序或指令;该至少一个处理器用于执行该程序或指令,以使该装置实现前述第一方面或第一方面任意一种可能的实现方式所述的方法,或,以使该装置实现前述第二方面或第二方面任意一种可能的实现方式所述的方法,或,以使该装置实现前述第三方面或第三方面任意一种可能的实现方式所述的方法,或,以使该装置实现前述第四方面或第四方面任意一种可能的实现方式所述的方法。
一种可能的实现方式中,该通信装置还包括上述存储器。可选地,该存储器和处理器集成在一起,或者,该存储器和处理器分开设置。
一种可能的实现方式中,该通信装置还包括收发器,用于收发数据或信令。
本申请实施例第十方面提供一种存储一个或多个计算机执行指令的计算机可读存储介质,当计算机执行指令被处理器执行时,该处理器执行如上述第一方面或第一方面任意一种可能的实现方式所述的方法,或,该处理器执行如上述第二方面或第二方面任意一种可能的实现方式所述的方法,或,该处理器执行如上述第三方面或第三方面任意一种可能的实现方式所述的方法,或,该处理器执行如上述第四方面或第四方面任意一种可能的实现方式所述的方法。
本申请实施例第十一方面提供一种存储一个或多个计算机的计算机程序产品(或称计算机程序),当计算机程序产品被该处理器执行时,该处理器执行如上述第一方面或第一方面任意一种可能实现方式的方法,或,该处理器执行如上述第二方面或第二方面任意一种可能的实现方式所述的方法,或,该处理器执行如上述第三方面或第三方面任意一种可能的实现方式所述的方法,或,该处理器执行如上述第四方面或第四方面任意一种可能的实现方式所述的方法。
本申请实施例第十二方面提供了一种芯片系统,该芯片系统包括至少一个处理器,用于支持通信装置实现上述第一方面或第一方面任意一种可能的实现方式中所涉及的功能,或,用于支持通信装置实现上述第二方面或第二方面任意一种可能的实现方式中所涉及的功能,或,用于支持通信装置实现上述第三方面或第三方面任意一种可能的实现方式中所涉及的功能,或,用于支持通信装置实现上述第四方面或第四方面任意一种可能的实现方式中所涉及的功能。
在一种可能的设计中,该芯片系统还可以包括存储器,用于保存该通信装置必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。可选地,该芯片系统还包括接口电路,该接口电路为该至少一个处理器提供程序指令和/或数据。
本申请实施例第十三方面提供了一种通信系统,该通信系统包括上述第五方面和第六方面所涉及的通信装置,和/或,该通信系统包括上述第七方面和第八方面所涉及的通信装置,和/或,该通信系统包括上述第九方面的通信装置。
其中,第五方面至第十二方面中任一种设计方式所带来的技术效果可参见上述第一方面至第四方面中不同实现方式所带来的技术效果,在此不再赘述。
附图说明
图1为本申请提供的通信系统的一个示意图;
图2a为本申请提供的通信方法中所涉及的AI处理过程的一个示意图;
图2b为本申请提供的通信方法中所涉及的AI处理过程的一个示意图;
图2c为本申请提供的通信方法中所涉及的AI处理过程的一个示意图;
图3a为AI处理过程中神经网络的一个示意图;
图3b为AI处理过程中损失函数与神经网络参数之间的关联关系的一个示意图;
图3c为AI处理过程中梯度信息处理的一个示意图;
图4为本申请提供的通信方法的一个交互示意图;
图5为本申请提供的通信方法的另一个交互示意图;
图6a为本申请提供的通信方法中涉及的区域划分示意图;
图6b为本申请提供的通信方法的一种切换场景示意图;
图7为本申请提供的通信方法的另一个交互示意图;
图8为本申请提供的通信方法的另一个交互示意图;
图9为本申请提供的通信装置的一个示意图;
图10为本申请提供的通信装置的另一个示意图;
图11为本申请提供的通信装置的另一个示意图;
图12为本申请提供的通信装置的另一个示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先,对本申请实施例中的部分用语进行解释说明,以便于本领域技术人员理解。
(1)终端设备:可以是能够接收网络设备调度和指示信息的无线终端设备,无线终端设备可以是指向用户提供语音和/或数据连通性的设备,或具有无线连接功能的手持式设备,或连接到无线调制解调器的其他处理设备。
终端设备可以经RAN与一个或多个核心网或者互联网进行通信,终端设备可以是移动终端设备,如移动电话(或称为“蜂窝”电话,手机(mobile phone))、计算机和数据卡,例如,可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语音和/或数据。例如,个人通信业务(personal communication service,PCS)电话、无绳电话、会话发起协议(SIP)话机、无线本地环路(wireless local loop,WLL)站、个人数字助理(personal digital assistant,PDA)、平板电脑(Pad)、带无线收发功能的电脑等设备。无线终端设备也可以称为系统、订户单元(subscriber unit)、订户站(subscriberstation),移动站(mobile station)、移动台(mobile station,MS)、远程站(remotestation)、接入点(access point,AP)、远程终端设备(remote terminal)、接入终端设备(access terminal)、用户终端设备(user terminal)、用户代理(user agent)、用户站(subscriber station,SS)、用户端设备(customer premises equipment,CPE)、终端(terminal)、用户设备(user equipment,UE)、移动终端(mobile terminal,MT)等。
作为示例而非限定,在本申请实施例中,该终端设备还可以是可穿戴设备。可穿戴设备也可以称为穿戴式智能设备或智能穿戴式设备等,是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称,如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备,更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能,例如:智能手表或智能眼镜等,以及只专注于某一类应用功能,需要和其它设备如智能手机配合使用,如各类进行体征监测的智能手环、智能头盔、智能首饰等。
终端还可以是无人机、机器人、设备到设备通信(device-to-device,D2D)中的终端、车到一切(vehicle to everything,V2X)中的终端、虚拟现实(virtual reality,VR)终端设备、增强现实(augmented reality,AR)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、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。
此外,终端设备也可以是第五代(5th generation,5G)通信系统之后演进的通信系统(例如第六代(6th generation,6G)通信系统等)中的终端设备或者未来演进的公共陆地移动网络(public land mobile network,PLMN)中的终端设备等。示例性的,6G网络可以进一步扩展5G通信终端的形态和功能,6G终端包括但不限于车、蜂窝网络终端(融合卫星终端功能)、无人机、物联网(internet of things,IoT)设备。
在本申请实施例中,上述终端设备还可以获得网络设备提供的AI服务。可选地,终端设备还可以具有AI处理能力。
(2)网络设备:可以是无线网络中的设备,例如网络设备可以为将终端设备接入到无线网络的RAN节点(或设备),又可以称为基站。目前,一些RAN设备的举例为:5G通信系统中的基站gNB(gNodeB)、传输接收点(transmission reception point,TRP)、演进型节点B(evolved Node B,eNB)、节点B(Node B,NB)、家庭基站(例如,home evolved Node B,或home Node B,HNB)、基带单元(base band unit,BBU),或无线保真(wireless fidelity,Wi-Fi)接入点AP等。另外,在一种网络结构中,网络设备可以包括集中单元(centralizedunit,CU)节点、或分布单元(distributed unit,DU)节点、或包括CU节点和DU节点的RAN设备。
网络设备可以是其它为终端设备提供无线通信功能的装置。本申请的实施例对网络设备所采用的具体技术和具体设备形态不做限定。为方便描述,本申请实施例并不限定。
网络设备还可以包括核心网设备,核心网设备例如包括第四代(4th generation,4G)网络中的移动性管理实体(mobility management entity,MME),归属用户服务器(homesubscriber server,HSS),服务网关(serving gateway,S-GW),策略和计费规则功能(policy and charging rules function,PCRF),公共数据网网关(public data networkgateway,PDN gateway,P-GW);5G网络中的访问和移动管理功能(access and mobilitymanagement function,AMF)、用户面功能(user plane function,UPF)或会话管理功能(session management function,SMF)等网元。此外,该核心网设备还可以包括5G网络以及5G网络的下一代网络中的其他核心网设备。
本申请实施例中,上述网络设备还可以具有AI能力的网络节点,可以为终端或其他网络设备提供AI服务,例如,可以为网络侧(接入网或核心网)的AI节点、算力节点、具有AI能力的RAN节点、具有AI能力的核心网网元等。
本申请实施例中,用于实现网络设备的功能的装置可以是网络设备,也可以是能够支持网络设备实现该功能的装置,例如芯片系统,该装置可以被安装在网络设备中。在本申请实施例提供的技术方案中,以用于实现网络设备的功能的装置是网络设备为例,描述本申请实施例提供的技术方案。
(3)配置与预配置:在本申请中,会同时用到配置与预配置。其中,配置是指网络设备/服务器通过消息或信令将一些参数的配置信息或参数的取值发送给终端,以便终端根据这些取值或信息来确定通信的参数或传输时的资源。预配置与配置类似,可以是网络设备/服务器预先与终端设备协商好的参数信息或参数值,也可以是标准协议规定的基站/网络设备或终端设备采用的参数信息或参数值,还可以是预先存储在基站/服务器或终端设备的参数信息或参数值。本申请对此不做限定。
进一步地,这些取值和参数,是可以变化或更新的。
(4)本申请实施例中的“多个”是指两个或两个以上。“和/或”,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的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“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和C中的至少一项”包括A,B,C,AB,AC,BC或ABC。以及,除非有特别说明,本申请实施例提及“第一”、“第二”等序数词是用于对多个对象进行区分,不用于限定多个对象的顺序、时序、优先级或者重要程度。
本申请中,除特殊说明外,各个实施例之间相同或相似的部分可以互相参考。在本申请中各个实施例、以及各实施例中的各个方法/设计/实现方式中,如果没有特殊说明以及逻辑冲突,不同的实施例之间、以及各实施例中的各个方法/设计/实现方式之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例、以及各实施例中的各个方法/设计/实现方式中的技术特征根据其内在的逻辑关系可以组合形成新的实施例、方法、或实现方式。以下所述的本申请实施方式并不构成对本申请保护范围的限定。
本申请可以应用于长期演进(long term evolution,LTE)系统、新无线(newradio,NR)系统,或者是5G之后演进的通信系统(例如6G等),其中,该通信系统中包括网络设备和终端设备。
请参阅图1,为本申请中通信系统的一种示意图。图1中,示例性的示出了一个网络设备101和6个终端设备,6个终端设备分别为终端设备1、终端设备2、终端设备3、终端设备4、终端设备5以及终端设备6等。在图1所示的示例中,是以终端设备1为智能茶杯,终端设备2为智能空调,终端设备3为智能加油机,终端设备4为交通工具,终端设备5为手机,终端设备6为打印机进行举例说明的。
如图1所示,AI配置信息发送实体可以为网络设备。AI配置信息接收实体可以为终端设备1-终端设备6,此时,网络设备和终端设备1-终端设备6组成一个通信系统,在该通信系统中,终端设备1-终端设备6可以发送上行数据给网络设备,网络设备需要接收终端设备1-终端设备6发送的上行数据。同时,网络设备可以向终端设备1-终端设备6发送配置信息。
可选地,该AI配置信息可以理解为下行信息,包括后文提及的AI模型信息和/或用于生成AI数据的信号;该上行数据可以包括后文提及的AI性能信息和/或用于指示AI数据的数据相对信息的指示信息。
示例性的,在图1中,UE4-UE6也可以组成一个通信系统。其中,终端设备5作为网络设备,即AI配置信息发送实体;终端设备4和终端设备6作为终端设备,即AI配置信息接收实体。例如车联网系统中,终端设备5分别向终端设备4和终端设备6发送AI配置信息,并且接收终端设备4和终端设备6发送的上行数据;相应的,终端设备4和终端设备6接收终端设备5发送的AI配置信息,并向终端设备5发送上行数据。
以图1所示无线通信系统为例,无线通信系统一般包括网络设备和终端设备。一般的,终端设备可以接入(或驻留)网络设备,并接收网络设备的调度和指示信息,以实现无线通信。
目前,终端设备可以结合一些机制(例如小区选择、小区重选或小区切换等),对该终端设备所接入的网络设备进行切换,即终端设备可以基于该机制在不同的时刻中,将多个网络设备中不同的网络设备作为该终端设备所接入的网络设备。其中,在多个网络设备中确定出服务网络设备的依据,主要包括终端设备与网络设备之间通信的信道质量信息。例如,该信号质量信息可以包括RSRP、RSRQ或SINR等。
应理解,本申请所提供的任一实施例中,接入某个网络设备可以表述为,驻留在该网络设备;也可以表述为,切换至该网络设备;也可以表述为,选择该网络设备;也可以表述为,重选至该网络设备。
可选地,当前通信系统中,终端设备可以接收来自一个或多个小区(包括服务小区和邻区等)的用于测量的信号,该终端设备基于该信号进行测量得到的测量结果,可以作为对该终端设备所接入的网络设备进行切换的依据,使得网络设备对该终端设备执行小区切换(或使得终端设备执行小区重选)。
例如,终端设备可以在确定服务小区的信号对应的测量结果大于某个门限值时,该终端设备确定无需测量邻区的信号;又如,终端设备可以在确定服务小区的信号对应的测量结果小于某个门限值时,该终端设备确定启动测量邻区的信号;又如,终端设备可以在确定服务小区的信号对应的测量结果小于某个门限值且确定邻区的信号对应的测量结果大于另一个门限时,该终端设备确定启动切换至邻区;又如,终端设备可以在确定邻区的信号对应的测量结果大于另一个门限时,该终端设备确定启动切换至邻区;又如,终端设备可以在确定服务小区的信号对应的测量结果小于某个门限值时,该终端设备确定启动切换至邻区。
网络设备除了为终端设备提供通信服务之外,还有可能为终端设备提供AI服务,而不同的网络设备所提供的AI服务有可能是不同的。其中,以深度神经网络(deep neuralnetworks,DNN)为代表的AI技术近年来在机器视觉、自然语言处理等领域取得重大进展,并且在实际生活中逐渐开始普及。可以预见,AI将在各种连接设备(如终端、边缘)中无处不在。
一些可能的实现中,通信系统可以成为大规模机器学习和AI服务的平台。其中,终端设备既可以从网络享受AI推理服务或者AI模型训练服务,也可以参与网络模型训练所需要的数据收集,甚至参与分布式模型训练。如图2a所示,网络设备和终端设备之间可以交互一些数据,为提供AI服务,所交互的数据可以包括“训练所需数据”、“AI推理结果”和/或“AI模型信息”。
示例性的,训练所需数据可以包括输入数据和/或标签;AI模型信息可以包括AI模型的参数信息,例如神经网络节点之间连接的权重信息和神经网络节点的偏置信息;AI推理结果可以包括输出数据和/或标签。可选地,输入数据可以包括推理数据分布信息;输出数据可以包括标签分布信息、模型预测分布信息等。
一种可能的实现中,该AI推理服务的实现过程可以包括:终端设备将本地AI模型信息上传给网络设备,由网络设备提供神经网络推理计算服务,并将AI推理结果反馈给终端设备。
一种可能的实现中,该AI推理服务的实现过程可以包括:网络设备提供训练好的AI模型信息,终端设备从网络设备下载AI模型信息,用于本地推理,以得到AI推理结果。
一种可能的实现中,该AI推理服务的实现过程可以包括:网络设备提供训练好的AI模型信息,终端设备从网络设备下载该AI模型信息,用于终端设备和网络设备执行联合推理,以得到AI推理结果。可选地,由于网络设备和终端设备均参与了AI推理过程,为此,该实现方式也可以称为联合推理。
例如,该实现过程可以通过图2b所示方式实现。在图2b中,以终端设备为矩形,网络设备为长方体,两者所交互的数据为三角形为例进行说明。如图2b所示,终端设备执行模型下载,即该终端设备从网络设备处下载AI模型,用于终端设备和网络设备的联合推理。
又如,该实现过程可以通过图2c所示方式实现。在图2c中,网络设备经过训练得到一个完整的AI模型,AI模型分割成两部分,一部分部署在网络设备本地,另一部分发送到终端设备,使得终端设备和网络设备执行联合推理,以提供联合推理的AI服务。
一种可能的实现中,该AI模型训练服务的实现过程可以包括:终端设备利用本地生成的训练所需数据,参与联邦学习的训练,将训练得到的模型(即AI模型信息的中间结果,或称为融合前的AI模型信息)上传给网络设备用于融合,使得网络设备得到融合后的AI模型信息。进一步可选地,终端设备可以从网络下载融合后的AI模型信息。可选地,由于网络设备和终端设备均参与了AI训练过程,为此,该实现方式也可以称为联合训练。
一种可能的实现中,该AI模型训练服务的实现过程可以包括:终端设备负责采集训练所需数据,并将采集得到的训练所需数据上传给网络设备,使得网络设备基于该训练所需数据进行模型训练,使得网络设备得到融合后的AI模型信息。进一步可选地,终端设备可以从网络下载融合后的AI模型信息。
为便于理解,下面将以全连接神经网络为例,对神经网络以及其训练的方法进行介绍。其中,全连接神经网络又叫多层感知机(multilayer perceptron,MLP)。如图3a所示,一个MLP包含一个输入层(左侧),一个输出层(右侧),及多个隐藏层(中间)。
可选地,前述图2a所涉及的“训练所需数据”可以视为图3a中的输入层对应的数据,前述图2a所涉及的“AI模型信息”可以视为图3a中的隐藏层对应的数据,前述图2a所涉及的“AI推理结果”可以视为图3a中的输出层对应的数据。
可选地,图3a中的输入层对应的数据可以称为输入数据,该输入数据可以包括推理所需数据和/或图2a所涉及的“训练所需数据”。
此外,上述MLP的每层包含若干个节点,称为神经元。其中,相邻两层的神经元间两两相连。
可选地,考虑相邻两层的神经元,下一层的神经元的输出h为所有与之相连的上一层神经元x的加权和并经过激活函数,可以表示为:
h=f(wx+b)。
其中,w为权重矩阵,b为偏置向量,f为激活函数。
进一步可选地,神经网络的输出可以递归表达为:
y=fn(wnfn-1(...)+bn)。
换言之,可以将神经网络理解为一个从输入数据集合到输出数据集合的映射关系。而通常神经网络都是随机初始化的,用已有数据从随机的w和b得到这个映射关系的过程被称为神经网络的训练。
可选地,训练的具体方式为采用损失函数(loss function)对神经网络的输出结果进行评价。如图3b所示,可以将误差反向传播,通过梯度下降的方法即能迭代优化神经网络参数(包括w和b),直到损失函数达到最小值,即图3b中的“最优点”。可以理解的是,图3b中的“最优点”对应的神经网络参数可以作为训练好的AI模型信息中的神经网络参数。
进一步可选地,梯度下降的过程可以表示为:
其中,θ为待优化参数(包括w和b),L为损失函数,η为学习率,控制梯度下降的步长。
进一步可选地,反向传播的过程利用到求偏导的链式法则。如图3c所示,前一层参数的梯度可以由后一层参数的梯度递推计算得到,可以表达为:
其中,Wij为节点j连接节点i的权重,Si为节点i上的输入加权和。
由前述内容可知,网络设备有可能为终端设备提供AI服务。例如,终端设备可以从网络设备下载训练好的AI模型信息,或者参与所在小区对应的网络设备的AI模型训练。一般地,终端设备所下载的AI模型信息通常由网络设备训练得到,参与训练也通常针对所在小区对应的网络设备进行。
进一步的,当前网络中,终端设备在多个网络设备中确定出服务网络设备的依据,主要包括终端设备与网络设备之间通信的信道质量信息。然而,不同的网络设备所提供的AI服务有可能是不同的,终端设备与网络设备之间通信的信道质量优劣并不完全代表着网络设备所提供的AI服务的好坏。例如,只考虑通信的信道质量的小区切换(或小区重选、小区选择等),有可能使得终端设备接入至某个信道质量较好的网络设备,但是该网络设备所提供的AI服务有可能并无法满足该终端设备的AI推理需求和/或AI模型训练需求,导致该终端设备所获得的AI服务较差。
为此,在网络设备为终端设备提供AI服务的场景下,如何确定终端设备所接入的网络设备,是一个亟待解决的技术问题。
为了解决上述问题,本申请提供了一种通信方法及通信装置,用于在网络设备为终端设备提供AI服务的场景下,使得网络设备的AI性能信息作为是否接入网络设备的确定依据,以便于后续终端设备接入至AI性能信息较为优异的网络设备,并获得优异的AI服务。下面将结合附图进一步说明。
请参阅图4,为本申请提供的通信方法的一个示意图,该方法包括如下步骤。
S401.终端设备获取第一网络设备的AI模型信息。
本实施例中,在步骤S401中,第一网络设备发送第一网络设备的AI模型信息;相应的,终端设备接收该第一网络设备的AI模型信息。
在一种可能的实现方式中,该AI模型信息包括AI模型的参数信息,例如权重信息、偏置信息等中的至少一项。
示例性的,权重信息、偏值信息等可以是权重值、偏置值等经过量化及编码后的比特或者数据包等。
在一种可能的实现方式中,该AI性能信息包括以下至少一项:推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息。
示例性的,AI性能信息可以是(推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息)对应的值经过量化及编码后的比特。其中,推理精度信息可以表示神经网络推理的准确度,即神经网络输出相对真实标签的误差或距离;数据分布信息、标签分布信息、模型预测分布信息分别是输入数据、标签、模型预测输出的概率密度函数等分布信息;数据重要性信息是模型训练前后的权重差异或梯度值。
可选地,在该AI性能信息的一些实现中,数据重要性信息包括数据用于AI模型训练之后的权重变化、差异、梯度等。
示例性的,AI模型利用数据训练之后的梯度或权重变化越大,表示这些数据越重要;反之,AI模型利用数据训练之后的梯度或权重变化越小,表示这些数据越不重要。
S402.终端设备基于该第一网络设备的AI模型信息确定第一网络设备的AI性能信息。
本实施例中,终端设备在步骤S401中获取第一网络设备的AI模型信息之后,该终端设备在步骤S402中基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息。
一种可能的实现方式中,该终端设备获取第一数据,该第一数据为该终端设备的本地数据或该第一数据为基于来自该第一网络设备的第一信号生成的数据;该终端设备基于该第一网络设备的AI模型信息和该第一数据确定该第一网络设备的AI性能信息。
可选地,该第一数据包括以下至少一项:输入数据或标签数据。
示例性的,输入数据和标签数据可以用于评估神经网络的推理性能或者训练性能。例如,输入数据用于评估神经网络的推理性能可以包括:将输入数据输入神经网络,计算神经网络输出与标签的差异,得到神经网络的推理性能;标签数据用于评估神经网络的训练性能可以包括:将输入数据输入神经网络,计算神经网络输出与标签的差异,并基于差异作为损失函数更新神经网络的参数,参数更新前后的差异大小可用于表征数据(对神经网络训练)的重要性。
一种实现方式中,当终端设备在步骤S402中使用的第一数据为该终端设备的本地数据时,可以降低终端设备实现的复杂度的同时,在该终端设备需要确定多个网络设备的AI性能信息的场景中,也可以通过复用该终端设备的本地数据的方式降低该终端设备的存储开销。
可选地,当该第一数据为该终端设备的本地数据时,该第一网络设备向该终端设备提供的AI服务可以包括但不限于AI推理服务和/或AI模型训练服务,其中,该本地数据可以包括终端设备的位置数据、终端设备的传感器(例如图像传感器、距离传感器、测速传感器等)所感测的环境数据等。
另一种实现方式中,当终端设备在步骤S402中使用的第一数据为基于来自该第一网络设备的第一信号生成的数据时,由于终端设备确定该第一网络设备的AI性能信息的依据(包括AI模型信息和AI模型的输入数据)均来自于该第一网络设备,使得终端设备所确定出来的第一网络设备的AI性能信息能够更为全面地体现出第一网络设备的AI性能信息。
可选地,当该第一数据为基于来自该第一网络设备的第一信号生成的数据时,该第一网络设备向该终端设备提供的AI服务可以包括但不限于AI推理服务和/或AI模型训练服务,其中,该基于来自该第一网络设备的第一信号生成的数据可以包括与无线信号的传输所相关的信号,例如网络设备和终端设备之间的信道数据、网络设备的位置数据等。
在一种可能的实现方式中,终端设备在步骤S402中确定该第一网络设备的AI性能信息之后,还向该第一网络设备发送该第一网络设备的AI性能信息。以便于后续网络设备(包括第一网络设备)将该信息作为是否切换终端设备所接入的网络设备的依据之一,以期该终端设备能够接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
基于图4所示技术方案,终端设备在步骤S401中获取第一网络设备的AI模型信息之后,该终端设备在步骤S402中基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息;此后,该终端设备可以基于该第一网络设备的AI性能信息确定是否接入该第一网络设备。换言之,终端设备基于该第一网络设备的AI模型信息所确定的该第一网络设备的AI性能信息,可以作为确定该终端设备所接入的网络设备的依据。从而,在网络设备为终端设备提供AI服务的场景下,使得网络设备的AI性能信息作为是否接入网络设备的确定依据,以便于后续终端设备接入至AI性能信息较为优异的网络设备,并获得优异的AI服务。
在前述图4所示实施例及其可能的实现方式中,第一网络设备可以为终端设备的服务小区所在的网络设备。在一种可能的实现方式中,该终端设备在获取第一网络设备的AI模型信息并确定该第一网络设备的AI性能信息之后,该终端设备还可以获取其他网络设备(例如邻区所在的网络设备)的AI模型信息,并进一步确定其他网络设备的AI性能信息。下面将结合图5所示实施例对该实现方式进一步描述。
请参阅图5,为本申请提供的通信方法的另一个示意图,该方法包括如下步骤。
S501.终端设备获取第一网络设备的AI模型信息。
本实施例中,在步骤S501中,第一网络设备中发送该第一网络设备的AI模型信息;相应的,终端设备接收该第一网络设备的AI模型信息。
S502.终端设备基于该第一网络设备的AI模型信息确定第一网络设备的AI性能信息。
本实施例中,终端设备在步骤S501中获取第一网络设备的AI模型信息之后,该终端设备在步骤S402中基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息。
需要说明的是,步骤S501和步骤S502的实现过程可以参考前述步骤S401和步骤S402的实现过程,并实现相应的技术效果,具体可以参考前述描述内容,此处不做赘述。
S503.终端设备获取第二网络设备的AI模型信息。
本实施例中,在步骤S503中,终端设备接收来自第二网络设备的AI模型信息;相应的,第二网络设备在步骤S501中发送该第二网络设备的AI模型信息。
在一种可能的实现方式中,在步骤S503中,该终端设备获取第二网络设备的AI模型信息包括:在该第一网络设备的AI性能信息的取值低于第一阈值时,该终端设备在步骤S503中获取第二网络设备的AI模型信息。
类似地,该AI性能信息包括以下至少一项:推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息。
示例性的,AI性能信息可以是(推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息)对应的值经过量化及编码后的比特。相应的,AI性能信息的取值可以是上述“至少一项”信息对应的值经过量化及编码后的比特所对应的取值。
例如,以AI性能信息包括推理精度信息,且推理精度信息对应的值经过量化及编码后的比特为2比特为例,则AI性能信息的取值为该“2比特”所对应的取值,即0至3;换言之,若“2比特”为“00”,则该“2比特”对应的取值为“0”;若“2比特”为“01”,则该“2比特”对应的取值为“1”;若“2比特”为“10”,则该“2比特”对应的取值为“2”;若“2比特”为“11”,则该“2比特”对应的取值为“3”。进一步可选地,AI性能信息的取值大小与AI性能信息所指示的AI性能的好坏呈正相关,例如在该示例中,某个网络设备的推理精度信息对应的值经过量化及编码后的比特为2比特,若该“2比特”对应的取值越大,则该网络设备对应的AI性能越好;反之,若该“2比特”对应的取值越小,则该网络设备对应的AI性能越差。或者,AI性能信息的取值大小与AI性能信息所指示的AI性能的好坏呈负相关,例如在该示例中,某个网络设备的推理精度信息对应的值经过量化及编码后的比特为2比特,若该“2比特”对应的取值越小,则该网络设备对应的AI性能越好;反之,若该“2比特”对应的取值越大,则该网络设备对应的AI性能越差。
具体的,终端设备在步骤S502中确定第一网络设备的AI性能信息之外,该步骤S502中所确定的第一网络设备的AI性能信息的取值低于第一阈值的情况下,该终端设备还可以向其它网络设备发送请求消息,以获取其它网络设备(包括第二网络设备)的AI模型信息。并且,终端设备基于其它网络设备的AI模型信息确定其它网络设备的AI性能信息,以便于终端设备后续基于多个网络设备的AI性能信息接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
可选地,在该第一网络设备的AI性能信息的取值等于该第一阈值时,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
可选地,在该第一网络设备的AI性能信息的取值高于第一阈值时,该终端设备可以确定该第一网络设备的AI性能信息较优,无需执行步骤S503中获取第二网络设备的AI模型信息的实现过程。换言之,该终端设备若确定能够基于与第一网络设备的通信获得较优的AI服务,则该终端设备无需获取其他网络设备的AI模型信息并无需基于其他网络设备的AI模型信息确定其他网络设备的AI性能信息。
S504.终端设备基于该第二网络设备的AI模型信息确定第二网络设备的AI性能信息。
本实施例中,终端设备在步骤S504中获取第二网络设备的AI模型信息之后,该终端设备在步骤S504中基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
在一种可能的实现方式中,在步骤S504中,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息包括:在该第一网络设备的AI性能信息的取值低于第一阈值时,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
具体的,终端设备在步骤S502中确定第一网络设备的AI性能信息之外,该步骤S502中所确定的第一网络设备的AI性能信息的取值低于第一阈值的情况下,该终端设备还可以进一步确定其它网络设备的AI性能信息,以便于终端设备后续基于多个网络设备的AI性能信息接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
可选的,在该第一网络设备的AI性能信息的取值等于该第一阈值时,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
在一种可能的实现方式中,在步骤S504中,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息的过程可以包括:该终端设备获取第二数据,该第二数据为该终端设备的本地数据或该第二数据为基于来自该第二网络设备的第二信号生成的数据;该终端设备基于该第二网络设备的AI模型信息和该第二数据确定该第二网络设备的AI性能信息。
具体的,该终端设备基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息中,该终端设备可以基于该第二网络设备的AI模型信息和该第二数据确定该第二网络设备的AI性能信息。
一种实现方式中,当终端设备在步骤S504中使用的该第二数据为该终端设备的本地数据时,可以降低终端设备实现的复杂度的同时,在该终端设备需要确定多个网络设备的AI性能信息的场景中,也可以通过复用该终端设备的本地数据的方式降低该终端设备的存储开销。
可选地,类似于前述第一数据的实现,当该第二数据为该终端设备的本地数据时,第二网络设备向该终端设备提供的AI服务可以包括但不限于AI推理服务和/或AI模型训练服务,其中,该本地数据可以包括终端设备的位置数据、终端设备的传感器(例如图像传感器、距离传感器、测速传感器等)所感测的环境数据等。
另一种实现方式中,当终端设备在步骤S504中使用的该第二数据为基于来自该第二网络设备的第二信号生成的数据时,由于终端设备确定该第二网络设备的AI性能信息的依据(包括AI模型信息和AI模型的输入数据)均来自于该第二网络设备,使得终端设备所确定出来的第二网络设备的AI性能信息能够更为全面地体现出第二网络设备的AI性能信息。
可选地,类似于前述第一数据的实现,该第二数据为基于来自该第二网络设备的第二信号生成的数据时,该第二网络设备向该终端设备提供的AI服务可以包括但不限于AI推理服务和/或AI模型训练服务,其中,该基于来自该第二网络设备的第二信号生成的数据可以包括与无线信号的传输所相关的信号,例如网络设备和终端设备之间的信道数据、网络设备的位置数据等。
此外,步骤S503和步骤S504中确定第二网络设备的AI性能信息的实现过程,还可以参考前述步骤S401和步骤S402中确定第一网络设备的AI性能信息的实现过程,并实现相应的技术效果,具体可以参考前述描述,此处不做赘述。
需要说明的是,网络设备(包括第一网络设备和/或第二网络设备)的AI性能信息由AI模型信息和输入数据决定。其中,不同的AI性能信息有可能是由于AI模型信息的不同所产生的,也有可能是不同的输入数据所产生的,也有可能是两者都不同所产生的。
可选地,终端设备若基于网络设备所发送的信号(包括第一信号和/或第二信号)而产生前述第一数据和/或第二数据的情况下,终端设备所获得的输入数据也可能不同。如第一数据为终端设备处于城市所产生的信道数据,第二数据为终端设备处于郊区所产生的信道数据的情况下,城市中不同位置的建筑物分布与郊区中不同位置的建筑物分布不同,有可能会导致输入数据不同。在这种情况下,即使该终端设备使用同一AI模型信息,其对应的AI性能信息也可能会有变化;此外,一般认为,在输入数据不同的情况下,不同AI模型信息的AI性能信息会存在一定的差异。
在图5所示实现方式中,终端设备在步骤S501至步骤S504执行以获得第一网络设备的AI性能信息和/或第二网络设备的AI性能信息之后,该第一网络设备的AI性能信息和/或第二网络设备的AI性能信息还可以作为是否接入网络设备的确定依据,下面将结合图5所示实现方式中的步骤S505和步骤S506进一步描述。
一种可能的实现方式中,终端设备在确定该第一网络设备的AI性能信息和/或第二网络设备的AI性能信息之后,该终端设备可以基于该第一网络设备的AI性能信息和/或第二网络设备的AI性能信息在本地确定该终端设备所接入的网络设备,其实现过程可以通过图5所示步骤S505实现。
S505.终端设备执行小区重选。
本实施例中,以该终端设备在步骤S505之前的驻留小区所在的网络设备为第一网络设备为例,该终端设备在满足第一条件时,执行小区重选,该第一条件包括以下任意一项:
第二网络设备的AI性能信息的取值大于(或等于)第一网络设备的AI性能信息的取值;或,
第一网络设备的AI性能信息的取值低于第一阈值且第二网络设备的AI性能信息的取值高于第二阈值;或,
第二网络设备的AI性能信息的取值高于(或等于)第二阈值。
具体的,该第一网络设备为该终端设备的服务小区所在的网络设备的情况下,该终端设备可以基于该第一网络设备的AI性能信息和/或该第二网络设备的AI性能信息进一步确定是否执行小区重选。以便于在终端设备确定执行小区重选的情况下,重选至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
可选地,第一阈值和第二阈值均预配置于该终端设备。
可选地,第一阈值可以等于第二阈值,或,第一阈值可以小于第二阈值。
应理解,上述“任一项”示例中,以AI性能信息的取值大小与AI性能信息所指示的AI性能的好坏呈正相关为例进行说明;即AI性能信息的取值越大,该AI性能信息所指示的AI性能越好(例如AI推理精度越高、AI模型训练的损失越小等);反之,AI性能信息的取值越小,该AI性能信息所指示的AI性能越差(例如AI推理精度越低、AI模型训练的损失越大等)。
可选地,AI性能信息的取值大小与AI性能信息所指示的AI性能的好坏还可以呈负相关,即AI性能信息的取值越小,该AI性能信息所指示的AI性能越好(例如AI推理精度越高、AI模型训练的损失越小等);反之,AI性能信息的取值越大,该AI性能信息所指示的AI性能越差(例如AI推理精度越低、AI模型训练的损失越大等)。在这种情况下,该实现方式可以表述为:
该终端设备在满足第二条件时,执行小区重选,该第二条件包括一下任意一项:
该第二网络设备的AI性能信息的取值小于(或等于)第一网络设备的AI性能信息的取值;或,
第一网络设备的AI性能信息的取值高于第一阈值且第二网络设备的AI性能信息的取值低于第二阈值;或,
第二网络设备的AI性能信息的取值低于(或等于)第二阈值。
示例性的,以图6a所示实现方式,对终端设备所获得的AI服务为AI推理服务为例。在图6a中,矩形表示终端设备,椭圆形表示AI区域(该AI区域表示能够提供相同或相近的AI推理服务的区域),六边形表示网络设备的服务范围为例进行说明。应理解,图6a中所示图形仅仅为示例,还可以使用其它形状表示相关信息,例如三角形、五边形或者是其它规则图形或不规则图形,此处不做限定。
在图6a中,同一终端设备有可能位于多个网络设备的通信可达范围。并且,AI区域覆盖可能是存在重叠的(即图6a中不同的椭圆区域有可能存在重叠区域),使得同一终端设备可以接入多个AI模型的服务以获得多种AI推理服务。其中,终端设备需要通过步骤S501至步骤S504的实现过程,评估不同网络设备(包括该终端设备的服务小区所在的网络设备、邻区所在的网络设备等)所发送的AI模型信息的性能;此后,该终端设备在步骤S505中,基于不同网络设备的AI性能信息明确是否执行小区重选。以便于在终端设备确定执行小区重选的情况下,重选至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
基于前述步骤S501至步骤S504所示实现方式,终端设备可以确定多个网络设备(包括第一网络设备和第二网络设备)的AI性能信息。在步骤S505中,终端设备可以基于多个网络设备中该终端设备所驻留的服务小区所在的网络设备的AI性能信息确定是否需要执行步骤S503,即确定是否需要测量其它网络设备(即邻区所在的网络设备)的AI性能信息;且,终端设备还可以基于多个网络设备的AI性能信息确定是否执行步骤S505中的小区重选。
应理解,前述第一网络设备可以为该终端设备所驻留的服务小区所在的网络设备,第二网络设备可以为该服务小区的一个或多个邻区所在的网络设备,且本申请对该第二网络设备的数量不做限定。例如,当该服务小区的邻区的数量为一个时,该第二网络设备的数量可以为一个;又如,当该服务小区的邻区的数量为多个时,多个邻区有可能位于同一个物理设备,即该第二网络设备的数量也可以为一个;又如,当该服务小区的邻区的数量为多个时,多个邻区有可能位于不同的物理设备,即该第二网络设备的数量也可以为多个。
可选地,当第二网络设备的数量为多个的情况下,即该终端设备在步骤S504中确定多个第二网络设备的AI性能信息,该终端设备可以在步骤S505中基于上述多个第二网络设备中AI性能信息最优的第二网络设备对应的小区频点执行小区重选。
可选地,第二网络设备的数量为多个的情况下,即该终端设备在步骤S504中确定多个第二网络设备的AI性能信息,该终端设备可以在步骤S505中确定出AI性能信息大于某个阈值的一个或多个第二网络设备,并基于该一个或多个第二网络设备中的任一个网络设备对应的小区频点执行小区重选。
可选地,第二网络设备的数量为多个的情况下,即该终端设备在步骤S504中确定多个第二网络设备的AI性能信息,该终端设备可以在步骤S505中确定出AI性能信息大于某个阈值的一个或多个第二网络设备之后,并进一步结合通信性能(例如负载均衡或者其它调度策略)在该一个或多个第二网络设备中选择其中一个网络设备对应的小区频点执行小区重选。
示例性的,以该AI性能信息包括推理精度为例,该实现过程可以通过下述表1所示方式实现。
表1
从而,基于前述步骤S505的实现方式,在网络设备为终端设备提供AI服务的场景下,提供面向AI服务的测量事件的实现方式,将评估得到的AI性能信息作为AI服务小区的选择(或重选)的确定依据。以便于在终端设备确定执行小区重选的情况下,重选至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
另一种可能的实现方式中,终端设备在确定该第一网络设备的AI性能信息和/或第二网络设备的AI性能信息之后,该终端设备可以将该第一网络设备的AI性能信息和/或第二网络设备的AI性能信息进行上报,以使得网络设备确定该终端设备所接入的网络设备,其实现过程可以通过图5所示步骤S506实现。
S506.终端设备发送第一信息。
本实施例中,终端设备在步骤S506中发送第一信息,相应的,第一网络设备接收该第一信息。其中,该第一信息包括以下至少一项:该第一网络设备的AI性能信息;或,第二网络设备的AI性能信息;或,该第一网络设备的AI性能信息和该第二网络设备的AI性能信息之间的相对信息。
具体的,该第一网络设备可以在步骤S506接收到该第一网络设备的AI性能信息和/或该第二网络设备的AI性能信息。以便于后续第一网络设备将该信息作为是否切换终端设备所接入的网络设备的依据之一,以期该终端设备能够接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
可选地,如前述步骤S505所描述的内容可知,第一网络设备可以为该终端设备所驻留的服务小区所在的网络设备,第二网络设备可以为该服务小区的一个或多个邻区所在的网络设备,即该第二网络设备的数量可以为一个或多个。换言之,终端设备在步骤S506中所发送的第一信息的多种实现方式可以包括:第一信息包括多个网络设备中的部分网络设备或全部网络设备的AI性能信息,或,第一信息包括多个网络设备的AI性能信息的相对信息;其中,该“多个网络设备”包括第一网络设备、以及一个或多个第二网络设备。
进一步可选地,当第一信息包括多个网络设备中的部分网络设备的AI性能信息的情况下,该“部分网络设备”对应的网络设备的数量可以为一个,该一个网络设备可以为多个网络设备中的AI性能信息最优的网络设备;或者,该“部分网络设备”对应的网络设备的数量可以为一个或多个,此时,该一个或多个网络设备可以为多个网络设备中AI性能信息的取值大于某个阈值的一个或多个网络设备。
进一步可选地,当第一信息包括多个网络设备中的全部网络设备的AI性能信息的情况下,该“全部网络设备”即为该多个网络设备,即第一网络设备、以及一个或多个第二网络设备。
进一步可选地,当第一信息包括多个网络设备的AI性能信息的相对信息的情况下,该相对信息可以指示多个网络设备对应的多个AI性能信息中两两之间的相对信息,或者,该相对信息可以指示除了某个网络设备(例如第一网络设备)的AI性能信息之外的其他网络设备的AI性能信息与该网络设备的AI性能信息的相对信息;或者是其他的实现方式,此处不做限定。
可选地,该终端设备在满足第三条件时,在步骤S506中触发发送第一信息,该第三条件包括以下任意一项:
第一网络设备的AI性能信息的取值大于阈值;
第一网络设备的AI性能信息的取值小于阈值;
第二网络设备的AI性能信息的取值大于阈值;
第二网络设备的AI性能信息的取值小于阈值;
第二网络设备的AI性能信息的取值大于第一网络设备的AI性能信息的取值;或,
第一网络设备的AI性能信息的取值低于第一阈值且第二网络设备的AI性能信息的取值高于第二阈值。
具体地,该第一网络设备为该终端设备的服务小区所在的网络设备的情况下,该终端设备可以基于该第一网络设备的AI性能信息的取值和/或该第二网络设备的AI性能信息的取值进一步触发在步骤S506中上报这些性能信息。以便于后续第一网络设备将该第一信息作为是否切换终端设备所接入的网络设备的依据之一,以期该终端设备能够接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
可选地,在步骤S506之前,网络设备向该终端设备发送配置信息,相应的,终端设备接收来自网络设备的配置信息。其中,该配置信息用于配置承载该第一信息的时域资源和/或频域资源。
一种可能的实现方式中,在满足以下任一项时,该第一网络设备在步骤S506之后发送切换请求消息,包括:
该第二网络设备的AI性能信息的取值大于该第一网络设备的AI性能信息的取值;或,
该第一网络设备的AI性能信息的取值低于第一阈值且该第二网络设备的AI性能信息的取值高于第二阈值;或,
该第二网络设备的AI性能信息的取值高于第二阈值。
具体的,该第一网络设备为该终端设备的服务小区所在的网络设备的情况下,该第一网络设备可以基于该第一网络设备的AI性能信息和/或该第二网络设备的AI性能信息进一步确定是否切换终端设备所接入的网络设备。换言之,在步骤S506之后,在上述情况下,终端设备、第一网络设备和第二网络设备执行图5所示步骤S507的切换流程。基于步骤S507所示的切换流程,可以将终端设备从第一网络设备切换至第二网络设备。其中,第一网络设备可以基于该信息发送切换请求消息以实现将该终端设备切换至其它网络设备,以期将该终端设备能够接入至AI性能信息更为优异的网络设备,并获得更为优异的AI服务。
可选地,步骤S507的实现过程可以包括:第一网络设备向第二网络设备发送切换请求消息;第二网络设备向第一网络设备发送切换响应消息;此后,第一网络设备可以基于该切换响应消息明确该第二网络设备允许将该终端设备切换至第二网络设备,并进一步向终端设备指示切换至该第二网络设备。
进一步可选地,上述“切换响应消息”也可以表述为“切换请求确认消息”。
应理解,上述“任一项”示例中,以AI性能信息的取值大小与AI性能信息所指示的AI性能的好坏呈正相关为例进行说明;即AI性能信息的取值越大,该AI性能信息所指示的AI性能越好(例如AI推理精度越高、AI模型训练的损失越小等);反之,AI性能信息的取值越小,该AI性能信息所指示的AI性能越差(例如AI推理精度越低、AI模型训练的损失越大等)。
可选地,AI性能信息的取值大小与AI性能信息所指示的AI性能的好坏还可以呈负相关,即AI性能信息的取值越小,该AI性能信息所指示的AI性能越好(例如AI推理精度越高、AI模型训练的损失越小等);反之,AI性能信息的取值越大,该AI性能信息所指示的AI性能越差(例如AI推理精度越低、AI模型训练的损失越大等)。在这种情况下,该实现方式可以表述为:
在满足以下任一项时,该第一网络设备在步骤S506之后发送切换请求消息,包括:
该第二网络设备的AI性能信息的取值小于该第一网络设备的AI性能信息的取值;或,
该第一网络设备的AI性能信息的取值高于第一阈值且该第二网络设备的AI性能信息的取值低于第二阈值;或,
该第二网络设备的AI性能信息的取值低于第二阈值。
可选地,该第一网络设备发送切换请求消息包括:该第一网络设备向该终端设备发送切换请求消息,以指示该终端设备切换至该第二网络设备。
可选地,该第一网络设备发送切换请求消息包括:该第一网络设备向该第二网络设备发送切换请求消息,以指示请求将该终端设备切换至该第二网络设备。
在一种可能的实现方式中,第一信息所包含的AI性能信息包括以下至少一项:推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息。
可选地,数据重要性信息包括数据用于AI模型训练的权重变化、差异、梯度等。
下面将结合下述多个实现示例,对图5所示实现过程进行示例性描述。
示例1,终端设备在步骤S506中上报的第一信息中的AI性能信息可以包括推理精度信息。
在示例1中,终端设备所执行的测量事件为AI模型性能评估,即该终端设备基于前述步骤S502和步骤S504对不同网络设备的AI性能进行评估,以确定多个网络设备的推理精度信息。其中,该终端设备在步骤S506中上报第一信息的情况下,可以根据量化表上报多个网络设备的推理精度信息对应的索引。
可选地,第一信息包括索引的情况下,该索引的实现可以通过下述表2所示方式实现。
表2
其中,表2中ACC表示推理精度(Accuracy)信息且取值范围是0至1之间。
应理解,表2中对推理精度信息的划分的区间仅仅为一个实现示例,在实际应用中,还可以对推理精度信息通过其它量化表示的方式所确定,此处不做限定。例如,如果是均方误差作为精度,则ACC的取值范围可以是0至无穷大(infinity)。
可选地,步骤S506中第一信息的上报触发,可以是周期上报,也可以基于事件所上报。进一步可选地,该事件包括绝对事件或相对事件。
例如,绝对事件可以是某个网络设备的推理精度信息大于门限。其实现方式可以表示为:
若满足Acc–margin>threshold,则触发终端设备执行步骤S506的上报第一信息;
若满足Acc+margin<threshold,则触发终端设备无需执行步骤S506的上报第一信息;若满足Acc_n+Offset_n+margin<Acc_t+Offset_t,则触发终端设备执行步骤S506的上报第一信息。
其中,Acc_n是服务小区所在网络设备(如前文实施例中的第一网络设备)的AI推理精度信息,Acc_t是邻区所在网络设备(如前文实施例中的第二网络设备)的AI推理精度信息,margin是预留余量(为可选项,即取值可以为0),threshold是门限,Offset是AI推理精度偏移量(为可选项,即取值可以为0)。
可选地,AI推理精度偏移量与模型信息有关,即不同模型的AI推理精度信息可能不同。如不同小区的AI推理精度信息不同,切换时有一定的偏移量,是为了小区间的负载均衡,不然会都倾向于切换到AI推理精度信息更好的小区。
可选地,若满足Acc_n+Offset_n–margin>Acc_t+Offset_t,且终端设备执行步骤S506的上报第一信息的情况下,第一网络设备在步骤S506之后可以不发送切换请求消息;或者,第一网络设备在步骤S507中发送切换请求消息后,第二网络设备可能会发送拒绝消息,使得终端设备不会切换至第二网络设备。
可选地,网络设备可以在步骤S506之前,可以为该终端设备配置承载第一信息的时频资源。
进一步可选地,该相对事件还可以用于触发执行前述步骤S505。其实现方式可以表示为:
若满足Acc_n+Offset_n–margin>Acc_t+Offset_t,则触发终端设备无需执行小区重选,即终端设备无需在步骤S505中执行小区重选;
若满足Acc_n+Offset_n+margin<Acc_t+Offset_t,则触发终端设备执行小区重选,即终端设备在步骤S505中执行小区重选。
从而,基于示例1所示实现方式,终端设备可以测量并上报模型推理性能,用于切换到推理精度信息较好的AI服务小区,使得该终端设备获得性能优异的AI推理服务。
示例2,终端设备在步骤S506中上报的第一信息中的AI性能信息可以包括数据分布信息,其中,数据分布信息可以包括输入数据的数据分布信息和/或输出数据的数据分布信息。
在示例2中,终端设备所执行的测量事件为AI模型性能评估,即该终端设备基于前述步骤S502和步骤S504对不同网络设备的AI性能进行评估,以确定多个网络设备所提供的AI模型信息对输入数据进行处理之后,所得到的输出数据对应的数据分布信息。
可选地,数据分布信息可以包括数据相似性、数据分布或者数据分布距离。进一步可选地,数据相似性可定义为数据分布的相似性,如余弦(cosine,cos)或者库尔贝克-莱布勒(kullback-leibler,KL)距离等。
可选地,步骤S506中第一信息的上报触发,可以是周期上报,也可以基于事件所上报。进一步可选地,该事件包括数据分布偏移事件。其实现方式可以表示为:
若满足Dist(data_n,data_t)–margin>threshold,则触发终端设备执行步骤S506的上报第一信息。
若满足Dist(data_n,data_t)+margin<threshold,则触发终端设备无需执行步骤S506的上报第一信息。
其中,Dist(data_n,data_t)表示不同网络设备(如“data_n”可以表示前述实施例中的第一网络设备,“data_t”可以表示前述实施例中的第二网络设备)对应的数据分布距离,margin是预留余量(为可选项,即取值可以为0)。
进一步可选地,该事件还可以用于触发执行前述步骤S505。其实现方式可以表示为:
若满足Dist(data_n,data_t)–margin>threshold,则触发终端设备执行小区重选,即终端设备无需在步骤S505中执行小区重选;
若满足Dist(data_n,data_t)+margin<threshold,则触发终端设备无需执行小区重选,即终端设备在步骤S505中执行小区重选。
从而,基于示例2所示实现方式,网络设备收到数据分布距离后,可以对模型性能进行评估,进行切换或者AI模型更新等。此外,终端设备测量并上报数据分布,用于切换到较好的AI服务小区,使得该终端设备获得性能优异的AI推理服务。
示例3,终端设备在步骤S506中上报的第一信息中的AI性能信息可以包括数据重要性信息。
在示例3中,终端设备所执行的测量事件为AI模型性能评估,即该终端设备基于前述步骤S502和步骤S504对不同网络设备的AI性能进行评估,以确定多个网络设备所提供的AI模型信息以及多个网络设备提供的相应的输入数据进行处理之后,所得到的AI模型信息的训练结果,以确定不同网络设备所提供的输入数据的数据重要性信息。
可选地,终端设备在步骤S505中,可参与多个网络设备的AI训练,基于数据重要性,确定是否进行AI训练的小区重选。
可选地,终端设备可以将数据重要性作为第一信息的部分或全部,在步骤S506中反馈给网络设备。进一步可选地,步骤S506中第一信息的上报触发,可以是周期上报,也可以基于事件所上报。其中,该事件包括数据重要性事件。其实现方式可以表示为:
若满足Delta_imp(data_n)–margin>threshold,则触发终端设备执行步骤S506的上报第一信息)。
若满足Delta_imp(data_n)+margin<threshold,则触发终端设备无需执行步骤S506的上报第一信息。
其中,Delta_imp(data_n)是不同网络设备(如“data_n”可以表示前述实施例中的终端设备的本地数据)对应的数据重要性差异,margin是预留余量(为可选项,即取值可以为0),threshold是门限。
进一步可选地,该事件还可以用于触发执行前述步骤S505。其实现方式可以表示为:
若满Delta_imp(data_n)–margin>threshold,则触发终端设备执行小区重选,即终端设备无需在步骤S505中执行小区重选;
若满足Delta_imp(data_n)+margin<threshold,则触发终端设备无需执行小区重选,即终端设备在步骤S505中执行小区重选。
从而,基于示例3所示实现方式,网络设备收到数据重要性差异后,对训练性能进行评估,以确定是否对该终端设备所接入的网络设备进行切换。此外,终端设备测量并上报数据重要性,用于切换到较好的AI服务小区,以提升AI模型的训练效率,使得该终端设备获得性能优异的AI推理服务。
示例4,终端设备在步骤S506中上报的第一信息中的AI性能信息可以包括数据重要性信息中的权重。
在示例4中,终端设备所执行的测量事件为AI模型性能评估,即该终端设备基于前述步骤S502和步骤S504对不同网络设备的AI性能进行评估,以确定多个网络设备所提供的AI模型信息以及多个网络设备提供的相应的输入数据进行处理之后,所得到的输出数据的数据重要性信息中的权重。
可选地,输出数据的数据重要性信息中的权重可以表示为AI模型处理前后的权重差值。其实现方式可以表示为:
dW=|W(n+1)-W(n)|/|W(n)|。
其中,dW表示该权重差值,W(n+1)表示AI模型处理后的权重,W(n)表示AI模型处理前的权重。
可选地,步骤S506中第一信息的上报触发,可以是周期上报,也可以基于事件所上报。
进一步可选地,该事件包括绝对权重变化事件,其实现方式可以表示为:
若满足dW–margin>threshold,则触发终端设备执行步骤S506的上报第一信息;
若满足dW+margin<threshold,则触发终端设备执行步骤S506的上报第一信息。
其中,margin是预留余量(为可选项,即取值可以为0),threshold是门限。
进一步可选地,当上述“dW”是第一网络设备对应的权重差值的情况下,该绝对事件还可以用于触发执行前述步骤S503和步骤S504。其实现方式可以表示为:
若满足dW–margin>threshold,则触发终端设备停止对其它网络设备的AI模型性能评估,即终端设备无需执行步骤S503和步骤S504;换言之,终端设备无需在步骤S503中获取其他网络设备的AI模型信息并无需在步骤S504中基于其他网络设备的AI模型信息确定其他网络设备的AI性能信息;
若满足dW+margin<threshold,则触发该终端设备启动对其它网络设备的AI模型性能评估,即终端设备执行步骤S503和步骤S504;换言之,终端设备在步骤S503中获取其他网络设备的AI模型信息并在步骤S504中基于其他网络设备的AI模型信息确定其他网络设备的AI性能信息。
进一步可选地,当上述“dW”是第一网络设备对应的权重差值的情况下,该绝对事件还可以用于触发执行前述步骤S505。其实现方式可以表示为:
若满足dW–margin>threshold,则触发终端设备无需执行小区重选,即终端设备无需在步骤S505中执行小区重选;
若满足dW+margin<threshold,则触发终端设备执行小区重选,即终端设备在步骤S505中执行小区重选。
进一步可选地,当上述“dW”是第二网络设备对应的权重差值的情况下,该绝对事件还可以用于触发执行前述步骤S505。其实现方式可以表示为:
若满足dW–margin>threshold,则触发终端设备执行小区重选,即终端设备在步骤S505中执行小区重选;
若满足dW+margin<threshold,则触发终端设备无需执行小区重选,即终端设备无需在步骤S505中执行小区重选。
进一步可选地,该事件包括相对权重变化事件,其实现方式可以表示为:
若满足dW_n+Offset_n–margin>dW_t+Offset_t,则触发终端设备无需执行步骤S506的上报第一信息;
若满足dW_n+Offset_n+margin<dW_t+Offset_t,则触发终端设备执行步骤S506的上报第一信息。
其中,dW_n和dW_t分别表示不同的网络设备(如“dW_n”可以表示前述实施例中的第一网络设备,“dW_t”可以表示前述实施例中的第二网络设备)对应的AI模型处理前后的权重差值,Offset是精度偏移量(为可选项,即取值可以为0),与模型信息有关,不同模型的基准可能不同。
可选地,dW越小,说明终端设备这个训练节点对本小区整体模型训练的贡献越小;此时,终端设备可以切换到邻小区,帮助邻小区训练。
可选地,示例4中的dW也可以由其他方式定义,如dLoss,即损失的下降程度,或者推理的不确定程度,即H(f(data)),即推理f输出的概率的熵。
进一步可选地,该事件还可以用于触发执行前述步骤S505。其实现方式可以表示为:
若满足dW_n+Offset_n–margin>dW_t+Offset_t,则触发终端设备无需执行小区重选,即终端设备无需在步骤S505中执行小区重选;
若满足dW_n+Offset_n+margin<dW_t+Offset_t,则触发终端设备执行小区重选,即终端设备在步骤S505中执行小区重选。
从而,基于示例4所示实现方式,终端设备测量并上报数据重要性信息中的权重,用于切换到较好的AI服务小区,以提升AI模型的训练效率,使得该终端设备获得性能优异的AI推理服务。
此外,由前述图6a所示描述可知,终端设备所下载的AI模型信息通常由网络设备训练得到,参与训练也通常针对所在小区对应的网络设备进行。示例性的,以终端设备所获得的AI服务为AI推理服务为例。即终端设备需要下载AI模型信息,且该下载的AI模型信息通常由网络训练得到。
一般地,由于模型下载针对终端所在小区进行,在没有考虑终端的移动性的情况下,当终端移动时,需要重新进行整个下载或者训练过程。示例性的,如图6b所示,在终端设备移动前,终端设备可以从网络设备1下载AI模型信息,以便于在下载之后在该终端设备本地进行AI推理,并得到AI推理结果。在终端设备移动后,终端设备可以从网络设备1切换至网络设备2,并从BS2中重新下载AI模型信息,以便于在下载之后在该终端设备本地进行AI推理,并得到AI推理结果。
然而,不同的网络设备有可能提供相同或相近的AI服务,终端设备在不同的网络设备之间进行切换的过程中,上述图6b所示实现示例中的“下载”与“重新下载”的过程有可能是非必要的过程,造成不必要的开销以及较大的AI模型信息的传输时延,影响用户体验。
为了解决该技术问题,下面将结合更多的附图和实施例进一步描述。
请参阅图7,为本申请提供的通信方法的另一个示意图,该方法包括如下步骤。
S701.终端设备确定第一数据和第二数据之间的数据相对信息。
本实施例中,终端设备基于来自第一网络设备的第一信号生成第一数据,且该终端设备基于来自第二网络设备的第二信号生成第二数据之后,该终端设备在步骤S701中确定第一数据和第二数据之间的数据相对信息。
可选地,第一数据可以包括AI模型的输入数据和/或AI模型的输出数据。类似的,第二数据也可以包括AI模型的输入数据和/或AI模型的输出数据。进一步可选地,AI模型的输入数据可以包括推理数据分布信息、模型预测分布等;AI模型的输出数据可以包括标签分布信息、模型预测分布信息等。
例如,在第一数据包括AI模型的输入数据且第二数据包括AI模型的输入数据的情况下,数据相对信息可以指示这两个输入数据之间的数据相对信息。
又如,在第一数据包括AI模型的输出数据且第二数据包括AI模型的输出数据的情况下,数据相对信息可以指示这两个输出数据之间的数据相对信息。
又如,在第一数据包括AI模型的输入数据和AI模型的输出数据且第二数据包括AI模型的输入数据和AI模型的输出数据的情况下,数据相对信息包括两个信息,一个信息可以指示这两个输入数据之间的数据相对信息,另一个信息可以指示这两个输出数据之间的数据相对信息。
可选地,数据相对信息包括:数据分布距离、数据相似度。
示例性的,在数据相对信息包括数据分布距离的情况下,终端设备在步骤S701中可以确定第一数据和第二数据的数据分布的距离,如数据分布距离可以包括cos举例或者KL距离等;在数据相对信息包括数据相似度的情况下,终端设备在步骤S701中可以确定第一数据所包含的数据内容和第二数据所包含的数据内容之间的数据相似度,如数据相似度可以通过分数的形式表示(例如0.3、0.6、0.9等),也可以通过百分比的形式表示(例如30%、60%、90%等),或者通过其它的形式实现,此处不做限定。
S702.终端设备向网络设备发送第一指示信息。
相应的,网络设备接收该第一指示信息。其中,该第一指示信息用于指示该数据相对信息。
可选地,在步骤S702之前,网络设备向该终端设备发送配置信息,相应的,终端设备接收来自网络设备的配置信息。其中,该配置信息用于配置承载该第一指示信息的时域资源和/或频域资源。
具体的,该第一网络设备在步骤S702之后,可以基于该数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。
可选地,该第一网络设备基于该数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息之后,该方法还包括:该第一网络设备基于所确定的AI区域信息确定该第一网络设备和该第二网络设备是否位于同一AI区域。
可选地,位于同一AI区域的网络设备具备相同/相近的AI模型。
可选地,位于同一AI区域的网络设备能够提供相同/相近的AI服务。
从而,若网络设备基于所确定的AI区域信息确定该第一网络设备和该第二网络设备处于同一AI区域,则该终端设备在该第一网络设备和该第二网络设备之间进行切换时,可以节省不必要的AI模型信息的下载(或重新下载)所导致的开销,且使得该终端设备在切换的过程中可以获得相同/相近的AI服务。
下面将基于图8所示实现方式,对第一网络设备确定第一网络设备的AI区域信息和第二网络设备的AI区域信息的实现过程进一步描述。下述方式一的实现过程中,第一网络设备在本地执行AI区域决策;下述方式二的实现方式中,第一网络设备通过其它网络设备辅助执行AI区域决策。
需要说明的是,图8所示步骤S801a、步骤S801b和步骤S802的实现方式可以参考前述步骤S701的实现过程,并实现相应的技术效果,具体可以参考前述描述,此处不做赘述。
一种可能的实现方式中,如图8所示方式一,该第一网络设备基于该数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息包括:该第一网络设备在步骤S803接收第一指示信息之后,在步骤S804中执行AI区域决策。即,该第一网络设备在步骤S804中基于该数据相对信息,在本地确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。
可选地,第一网络设备为该终端设备的服务小区所在的网络设备,第二网络设备为该终端设备的服务小区的邻区所在的网络设备。
具体的,第一网络设备在步骤S702中接收第一指示信息之后,第一网络设备可以在本地基于该第一指示信息所指示的数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。使得该确定过程在该第一网络设备本地执行即可,无需其它设备辅助决策,可以节省开销。
另一种可能的实现方式中,如图8所示方式二,该第一网络设备基于该数据相对信息确定该第一网络设备和该第二网络设备是否位于同一AI区域包括:该第一网络设备在步骤S805中向其它网络设备(例如核心网设备)发送该数据相对信息,使得其它网络设备在步骤S806中执行AI区域决策;此后,在步骤S807中,其它网络设备将该AI区域决策的决策结果发送至第一网络设备(也可能发送给第二网络设备)。换言之,该第一网络设备在步骤S807中接收其它网络设备发送的第二指示信息,其中,该第二指示信息用于指示该第一网络设备的AI区域信息和第二网络设备的AI区域信息。
具体的,第一网络设备在接收第一指示信息之后,第一网络设备可以向其它网络设备发送该数据相对信息,以便于其它网络设备辅助决策,以确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。使得该确定过程在其它网络设备执行,便于节省第一网络设备的算力消耗。此外,在终端设备的数量较多的场景中,多个网络设备(包括第一网络设备、第二网络设备等)可以将多个终端设备所上报的第一指示信息汇集至该其他网络设备,以便于在该其它网络设备中对多个终端设备的AI服务进行宏观调控。
示例性的,终端设备在步骤S702中上报的用于指示该数据相对信息的第一指示信息可以包括:第一数据和第二数据之间的数据相对信息,且该数据相对信息可以包括相似度。其中,相似度可以定义为数据分布的相似性,如余弦距离或者KL距离等。终端设备在步骤S702中可以上报本地数据集的分布参数,或者,上报不同网络设备对应数据(包括第一数据和第二数据)的数据分布的距离。
可选地,相似度可根据下述表3的实现方式,用于表示例量化后上报索引。
表3
应理解,表3中对相似度的划分的区间仅仅为一个实现示例,在实际应用中,还可以对相似度通过其它量化表示的方式所确定,此处不做限定。
基于上述技术方案,终端设备基于来自第一网络设备的第一信号生成第一数据,且该终端设备基于来自第二网络设备的第二信号生成第二数据之后,该终端设备在步骤S701中确定第一数据和第二数据之间的数据相对信息。此后,该终端设备在步骤S702中发送用于指示该数据相对信息的第一指示信息,使得网络设备在接收该第一指示信息之后,网络设备可以基于该数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。在网络设备为终端设备提供AI服务的场景下,使得网络设备可以判断不同网络设备是否位于同一AI区域,并进一步将该判断结果作为对终端设备所接入的网络设备进行切换的依据,以期使得终端设备接入至AI性能信息较为优异的网络设备,并获得优异的AI服务。
请参阅图9,本申请实施例提供了一种通信装置900,该通信装置900可以实现上述方法实施例中终端设备(或网络设备)的功能,因此也能实现上述方法实施例所具备的有益效果。在本申请实施例中,该通信装置900可以是终端设备(或网络设备),也可以是终端设备(或网络设备)内部的集成电路或者元件等,例如芯片。下文实施例以该通信装置900为终端设备或网络设备为例进行说明。
一种可能的实现方式中,当该装置900为用于执行前述任一实施例中终端设备所执行的方法时,该装置900包括处理单元901和收发单元902;该收发单元902,用于获取第一网络设备的AI模型信息;该处理单元901,用于基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息。
在一种可能的实现方式中,该处理单元901,具体用于:获取第一数据,该第一数据为该通信装置900的本地数据或该第一数据为基于来自该第一网络设备的第一信号生成的数据;基于该第一网络设备的AI模型信息和该第一数据确定该第一网络设备的AI性能信息。
在一种可能的实现方式中,该收发单元902,还用于获取第二网络设备的AI模型信息;该处理单元901,还用于基于该第二网络设备的AI模型信息确定该第二网络设备的AI性能信息。
在一种可能的实现方式中,该处理单元901,具体用于:在确定该第一网络设备的AI性能信息的取值低于第一阈值时,控制该收发单元902获取第二网络设备的AI模型信息。
在一种可能的实现方式中,该处理单元901,具体用于:获取第二数据,该第二数据为该通信装置900的本地数据或该第二数据为基于来自该第二网络设备的第二信号生成的数据;基于该第二网络设备的AI模型信息和该第二数据确定该第二网络设备的AI性能信息。
在一种可能的实现方式中,该第一网络设备为该通信装置900的服务小区所在的网络设备;该处理单元901还用于在满足以下任一项时,执行小区重选,包括:该第二网络设备的AI性能信息的取值大于该第一网络设备的AI性能信息的取值;或,该第一网络设备的AI性能信息的取值低于第一阈值且该第二网络设备的AI性能信息的取值高于第二阈值;或,该第二网络设备的AI性能信息的取值高于第二阈值。
在一种可能的实现方式中,该收发单元902,还用于向该第一网络设备发送第一信息,该第一信息包括以下至少一项:该第一网络设备的AI性能信息;或,该第二网络设备的AI性能信息;或,该第一网络设备的AI性能信息和该第二网络设备的AI性能信息之间的相对信息。
在一种可能的实现方式中,该AI模型信息包括AI模型的参数信息,例如权重信息、偏置信息等中的至少一项。
在一种可能的实现方式中,该AI性能信息包括以下至少一项:推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息。
在一种可能的实现方式中,数据重要性信息包括数据用于AI模型训练的权重变化、差异、梯度等。
在一种可能的实现方式中,该第一数据包括以下至少一项:输入数据或标签数据。
一种可能的实现方式中,当该装置900为用于执行前述任一实施例中网络设备所执行的方法时,该装置900包括处理单元901和收发单元902;该处理单元901,用于确定该第一网络设备的AI模型信息,该第一网络设备的AI模型信息用于确定该第一网络设备的AI性能信息;该收发单元902,用于发送该第一网络设备的AI模型信息。
在一种可能的实现方式中,该收发单元902,还用于接收第一信息,该第一信息包括以下至少一项:该第一网络设备的AI性能信息;或,第二网络设备的AI性能信息;或,
该第一网络设备的AI性能信息和该第二网络设备的AI性能信息之间的相对信息。
在一种可能的实现方式中,该收发单元902,还用于在满足以下任一项时,发送切换请求消息,包括:该第二网络设备的AI性能信息的取值大于该第一网络设备的AI性能信息的取值;或,该第一网络设备的AI性能信息的取值低于第一阈值且该第二网络设备的AI性能信息的取值高于第二阈值;或,该第二网络设备的AI性能信息的取值高于第二阈值。
在一种可能的实现方式中,该收发单元902,还用于发送第一信号,其中,该第一信号用于生成第一数据,该第一数据用于确定该第一网络设备的AI性能信息。
在一种可能的实现方式中,该AI模型信息AI模型的参数信息,例如权重信息、偏置信息等中的至少一项。
在一种可能的实现方式中,该AI性能信息包括以下至少一项:推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息。
在一种可能的实现方式中,数据重要性信息包括数据用于AI模型训练的权重变化、差异、梯度等。
在一种可能的实现方式中,该第一数据包括以下至少一项:输入数据或标签数据。
一种可能的实现方式中,当该装置900为用于执行前述任一实施例中终端设备所执行的方法时,该装置900包括处理单元901和收发单元902;该处理单元901,用于确定第一数据和第二数据之间的数据相对信息,其中,该第一数据为基于来自该第一网络设备的第一信号生成的数据,该第二数据为基于来自该第二网络设备的第二信号生成的数据;该收发单元902,用于发送第一指示信息,该第一指示信息用于指示该数据相对信息。
在一种可能的实现方式中,该数据相对信息包括:数据分布距离、数据相似度。
在一种可能的实现方式中,第一网络设备为该终端设备的服务小区所在的网络设备。
一种可能的实现方式中,当该装置900为用于执行前述任一实施例中终端设备所执行的方法时,该装置900包括处理单元901和收发单元902;该收发单元902,用于接收来自终端设备的第一指示信息,该第一指示信息用于指示第一数据和第二数据之间的数据相对信息,其中,该第一数据为基于来自该第一网络设备的第一信号生成的数据,该第二数据为基于来自该第二网络设备的第二信号生成的数据;该处理单元901,用于基于该数据相对信息确定第一网络设备的AI区域信息和第二网络设备的AI区域信息。
可选地,该处理单元901,还用于基于所确定的AI区域信息确定该第一网络设备和该第二网络设备是否位于同一AI区域。
在一种可能的实现方式中,该数据相对信息包括:数据分布距离、数据相似度。
在一种可能的实现方式中,第一网络设备为该终端设备的服务小区所在的网络设备。
需要说明的是,上述通信装置900的单元的信息执行过程等内容,具体可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
请参阅图10,为本申请提供的通信装置1000的另一种示意性结构图,通信装置1000至少包括输入输出接口1002。其中,通信装置1000可以为芯片或集成电路。
可选地,该通信装置还包括逻辑电路1001。
其中,图9所示收发单元902可以为通信接口,该通信接口可以是图10中的输入输出接口1002,该输入输出接口1002可以包括输入接口和输出接口。或者,该通信接口也可以是收发电路,该收发电路可以包括输入接口电路和输出接口电路。
可选地,输入输出接口1002用于获取第一网络设备的AI模型信息;逻辑电路1001用于基于该第一网络设备的AI模型信息确定该第一网络设备的AI性能信息。其中,逻辑电路1001和输入输出接口1002还可以执行前述任一实施例中终端设备执行的其他步骤并实现对应的有益效果,此处不再赘述。
可选地,逻辑电路1001用于生成第一网络设备的AI模型信息;输入输出接口1002用于发送第一网络设备的AI模型信息。其中,逻辑电路1001和输入输出接口1002还可以执行任一实施例中网络设备执行的其他步骤并实现对应的有益效果,此处不再赘述。
在一种可能的实现方式中,图9所示处理单元901可以为图10中的逻辑电路1001。
可选地,逻辑电路1001可以是一个处理装置,处理装置的功能可以部分或全部通过软件实现。其中,处理装置的功能可以部分或全部通过软件实现。
可选地,处理装置可以包括存储器和处理器,其中,存储器用于存储计算机程序,处理器读取并执行存储器中存储的计算机程序,以执行任意一个方法实施例中的相应处理和/或步骤。
可选地,处理装置可以仅包括处理器。用于存储计算机程序的存储器位于处理装置之外,处理器通过电路/电线与存储器连接,以读取并执行存储器中存储的计算机程序。其中,存储器和处理器可以集成在一起,或者也可以是物理上互相独立的。
可选地,该处理装置可以是一个或多个芯片,或一个或多个集成电路。例如,处理装置可以是一个或多个现场可编程门阵列(field-programmable gate array,FPGA)、专用集成芯片(application specific integrated circuit,ASIC)、系统芯片(system onchip,SoC)、中央处理器(central processor unit,CPU)、网络处理器(networkprocessor,NP)、数字信号处理电路(digital signal processor,DSP)、微控制器(microcontroller unit,MCU),可编程控制器(programmable logic device,PLD)或其它集成芯片,或者上述芯片或者处理器的任意组合等。
请参阅图11,为本申请的实施例提供的上述实施例中所涉及的通信装置1100,该通信装置1100具体可以为上述实施例中的作为终端设备的通信装置,图11所示示例为终端设备通过终端设备(或者终端设备中的部件)实现。
其中,该通信装置1100的一种可能的逻辑结构示意图,该通信装置1100可以包括但不限于至少一个处理器1101以及通信端口1102。
进一步可选地,该装置还可以包括存储器1103、总线1104中的至少一个,在本申请的实施例中,该至少一个处理器1101用于对通信装置1100的动作进行控制处理。
此外,处理器1101可以是中央处理器单元,通用处理器,数字信号处理器,专用集成电路,现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。该处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,数字信号处理器和微处理器的组合等等。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。
需要说明的是,图11所示通信装置1100具体可以用于实现前述方法实施例中终端设备所实现的步骤,并实现终端设备对应的技术效果,图11所示通信装置的具体实现方式,均可以参考前述方法实施例中的叙述,此处不再一一赘述。
请参阅图12,为本申请的实施例提供的上述实施例中所涉及的通信装置1200的结构示意图,该通信装置1200具体可以为上述实施例中的作为网络设备的通信装置,图12所示示例为网络设备通过网络设备(或者网络设备中的部件)实现,其中,该通信装置的结构可以参考图12所示的结构。
通信装置1200包括至少一个处理器1211以及至少一个网络接口1214。进一步可选地,该通信装置还包括至少一个存储器1212、至少一个收发器1213和一个或多个天线1215。处理器1211、存储器1212、收发器1213和网络接口1214相连,例如通过总线相连,在本申请实施例中,该连接可包括各类接口、传输线或总线等,本实施例对此不做限定。天线1215与收发器1213相连。网络接口1214用于使得通信装置通过通信链路,与其它通信设备通信。例如网络接口1214可以包括通信装置与核心网设备之间的网络接口,例如S1接口,网络接口可以包括通信装置和其他通信装置(例如其他网络设备或者核心网设备)之间的网络接口,例如X2或者Xn接口。
处理器1211主要用于对通信协议以及通信数据进行处理,以及对整个通信装置进行控制,执行软件程序,处理软件程序的数据,例如用于支持通信装置执行实施例中所描述的动作。通信装置可以包括基带处理器和中央处理器,基带处理器主要用于对通信协议以及通信数据进行处理,中央处理器主要用于对整个终端设备进行控制,执行软件程序,处理软件程序的数据。图12中的处理器1211可以集成基带处理器和中央处理器的功能,本领域技术人员可以理解,基带处理器和中央处理器也可以是各自独立的处理器,通过总线等技术互联。本领域技术人员可以理解,终端设备可以包括多个基带处理器以适应不同的网络制式,终端设备可以包括多个中央处理器以增强其处理能力,终端设备的各个部件可以通过各种总线连接。该基带处理器也可以表述为基带处理电路或者基带处理芯片。该中央处理器也可以表述为中央处理电路或者中央处理芯片。对通信协议以及通信数据进行处理的功能可以内置在处理器中,也可以以软件程序的形式存储在存储器中,由处理器执行软件程序以实现基带处理功能。
存储器主要用于存储软件程序和数据。存储器1212可以是独立存在,与处理器1211相连。可选地,存储器1212可以和处理器1211集成在一起,例如集成在一个芯片之内。其中,存储器1212能够存储执行本申请实施例的技术方案的程序代码,并由处理器1211来控制执行,被执行的各类计算机程序代码也可被视为是处理器1211的驱动程序。
图12仅示出了一个存储器和一个处理器。在实际的终端设备中,可以存在多个处理器和多个存储器。存储器也可以称为存储介质或者存储设备等。存储器可以为与处理器处于同一芯片上的存储元件,即片内存储元件,或者为独立的存储元件,本申请实施例对此不做限定。
收发器1213可以用于支持通信装置与终端之间射频信号的接收或者发送,收发器1213可以与天线1215相连。收发器1213包括发射机Tx和接收机Rx。具体地,一个或多个天线1215可以接收射频信号,该收发器1213的接收机Rx用于从天线接收该射频信号,并将射频信号转换为数字基带信号或数字中频信号,并将该数字基带信号或数字中频信号提供给该处理器1211,以便处理器1211对该数字基带信号或数字中频信号做进一步的处理,例如解调处理和译码处理。此外,收发器1213中的发射机Tx还用于从处理器1211接收经过调制的数字基带信号或数字中频信号,并将该经过调制的数字基带信号或数字中频信号转换为射频信号,并通过一个或多个天线1215发送该射频信号。具体地,接收机Rx可以选择性地对射频信号进行一级或多级下混频处理和模数转换处理以得到数字基带信号或数字中频信号,该下混频处理和模数转换处理的先后顺序是可调整的。发射机Tx可以选择性地对经过调制的数字基带信号或数字中频信号时进行一级或多级上混频处理和数模转换处理以得到射频信号,该上混频处理和数模转换处理的先后顺序是可调整的。数字基带信号和数字中频信号可以统称为数字信号。
收发器1213也可以称为收发单元、收发机、收发装置等。可选地,可以将收发单元中用于实现接收功能的器件视为接收单元,将收发单元中用于实现发送功能的器件视为发送单元,即收发单元包括接收单元和发送单元,接收单元也可以称为接收机、输入口、接收电路等,发送单元可以称为发射机、发射器或者发射电路等。
需要说明的是,图12所示通信装置1200具体可以用于实现前述方法实施例中网络设备所实现的步骤,并实现网络设备对应的技术效果,图12所示通信装置1200的具体实现方式,均可以参考前述方法实施例中的叙述,此处不再一一赘述。
本申请实施例还提供一种存储一个或多个计算机执行指令的计算机可读存储介质,当计算机执行指令被处理器执行时,该处理器执行如前述实施例中终端设备可能的实现方式所述的方法。
本申请实施例还提供一种存储一个或多个计算机执行指令的计算机可读存储介质,当计算机执行指令被处理器执行时,该处理器执行如前述实施例中网络设备可能的实现方式所述的方法。
本申请实施例还提供一种存储一个或多个计算机的计算机程序产品(或称计算机程序),当计算机程序产品被该处理器执行时,该处理器执行上述终端设备可能实现方式的方法。
本申请实施例还提供一种存储一个或多个计算机的计算机程序产品,当计算机程序产品被该处理器执行时,该处理器执行上述网络设备可能实现方式的方法。
本申请实施例还提供了一种芯片系统,该芯片系统包括至少一个处理器,用于支持通信装置实现上述通信装置可能的实现方式中所涉及的功能。可选地,所述芯片系统还包括接口电路,所述接口电路为所述至少一个处理器提供程序指令和/或数据。在一种可能的设计中,该芯片系统还可以包括存储器,存储器,用于保存该通信装置必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件,其中,该通信装置具体可以为前述方法实施例中终端设备。
本申请实施例还提供了一种芯片系统,该芯片系统包括至少一个处理器,用于支持通信装置实现上述通信装置可能的实现方式中所涉及的功能。可选地,所述芯片系统还包括接口电路,所述接口电路为所述至少一个处理器提供程序指令和/或数据。在一种可能的设计中,芯片系统还可以包括存储器,存储器,用于保存该通信装置必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件,其中,该通信装置具体可以为前述方法实施例中网络设备。
本申请实施例还提供了一种通信系统,该网络系统架构包括上述任一实施例中的终端设备和网络设备。
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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (29)
1.一种通信方法,其特征在于,包括:
终端设备获取第一网络设备的人工智能AI模型信息;
所述终端设备基于所述第一网络设备的AI模型信息确定所述第一网络设备的AI性能信息。
2.根据权利要求1所述的方法,其特征在于,所述终端设备基于所述第一网络设备的AI模型信息确定所述第一网络设备的AI性能信息包括:
所述终端设备获取第一数据,所述第一数据为所述终端设备的本地数据或所述第一数据为基于来自所述第一网络设备的第一信号生成的数据;
所述终端设备基于所述第一网络设备的AI模型信息和所述第一数据确定所述第一网络设备的AI性能信息。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
终端设备获取第二网络设备的AI模型信息;
所述终端设备基于所述第二网络设备的AI模型信息确定所述第二网络设备的AI性能信息。
4.根据权利要求3所述的方法,其特征在于,所述终端设备获取所述第二网络设备的AI模型信息包括:
在所述第一网络设备的AI性能信息的取值低于第一阈值时,所述终端设备获取所述第二网络设备的AI模型信息。
5.根据权利要求3或4所述的方法,其特征在于,所述终端设备基于所述第二网络设备的AI模型信息确定所述第二网络设备的AI性能信息包括:
所述终端设备获取第二数据,所述第二数据为所述终端设备的本地数据或所述第二数据为基于来自所述第二网络设备的第二信号生成的数据;
所述终端设备基于所述第二网络设备的AI模型信息和所述第二数据确定所述第二网络设备的AI性能信息。
6.根据权利要求3至5任一项所述的方法,其特征在于,所述第一网络设备为所述终端设备的服务小区所在的网络设备;
在满足以下任一项时,所述终端设备执行小区重选,包括:
所述第二网络设备的AI性能信息的取值大于所述第一网络设备的AI性能信息的取值;或,
所述第一网络设备的AI性能信息的取值低于第一阈值且所述第二网络设备的AI性能信息的取值高于第二阈值;或,
所述第二网络设备的AI性能信息的取值高于第二阈值。
7.根据权利要求3至6任一项所述的方法,其特征在于,所述方法还包括:
所述终端设备向所述第一网络设备发送第一信息,所述第一信息包括以下至少一项:
所述第一网络设备的AI性能信息;或,
所述第二网络设备的AI性能信息;或,
所述第一网络设备的AI性能信息和所述第二网络设备的AI性能信息之间的相对信息。
8.一种通信方法,其特征在于,包括:
第一网络设备确定所述第一网络设备的AI模型信息,所述第一网络设备的AI模型信息用于确定所述第一网络设备的AI性能信息;
所述第一网络设备发送所述第一网络设备的AI模型信息。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
所述第一网络设备接收第一信息,所述第一信息包括以下至少一项:
所述第一网络设备的AI性能信息;或,
第二网络设备的AI性能信息;或,
所述第一网络设备的AI性能信息和所述第二网络设备的AI性能信息之间的相对信息。
10.根据权利要求9所述的方法,其特征在于,在满足以下任一项时,所述第一网络设备发送切换请求消息,包括:
所述第二网络设备的AI性能信息的取值大于所述第一网络设备的AI性能信息的取值;或,
所述第一网络设备的AI性能信息的取值低于第一阈值且所述第二网络设备的AI性能信息的取值高于第二阈值;或,
所述第二网络设备的AI性能信息的取值高于第二阈值。
11.根据权利要求8至10任一项所述的方法,其特征在于,所述方法还包括:
所述第一网络设备发送第一信号,其中,所述第一信号用于生成第一数据,所述第一数据用于确定所述第一网络设备的AI性能信息。
12.根据权利要求1至11任一项所述的方法,其特征在于,所述AI模型信息包括以下至少一项:
权重信息或偏置信息。
13.根据权利要求1至12任一项所述的方法,其特征在于,所述AI性能信息包括以下至少一项:
推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息。
14.一种通信装置,其特征在于,包括收发单元和处理单元;
所述收发单元,用于获取第一网络设备的AI模型信息;
所述处理单元,用于基于所述第一网络设备的AI模型信息确定所述第一网络设备的AI性能信息。
15.根据权利要求14所述的装置,其特征在于,所述处理单元具体用于:
获取第一数据,所述第一数据为所述通信装置的本地数据或所述第一数据为基于来自所述第一网络设备的第一信号生成的数据;以及,
基于所述第一网络设备的AI模型信息和所述第一数据确定所述第一网络设备的AI性能信息。
16.根据权利要求14或15所述的装置,其特征在于,
所述收发单元,还用于获取第二网络设备的AI模型信息;
所述处理单元,还用于基于所述第二网络设备的AI模型信息确定所述第二网络设备的AI性能信息。
17.根据权利要求16所述的装置,其特征在于,所述处理单元具体用于:
确定所述第一网络设备的AI性能信息的取值低于第一阈值时,控制所述收发单元获取第二网络设备的AI模型信息。
18.根据权利要求16或17所述的装置,其特征在于,所述处理单元具体用于:
获取第二数据,所述第二数据为所述通信装置的本地数据或所述第二数据为基于来自所述第二网络设备的第二信号生成的数据;以及,
基于所述第二网络设备的AI模型信息和所述第二数据确定所述第二网络设备的AI性能信息。
19.根据权利要求16至18任一项所述的装置,其特征在于,所述第一网络设备为所述通信装置的服务小区所在的网络设备;
所述处理单元还用于,在满足以下任一项时,执行小区重选,包括:
所述第二网络设备的AI性能信息的取值大于所述第一网络设备的AI性能信息的取值;或,
所述第一网络设备的AI性能信息的取值低于第一阈值且所述第二网络设备的AI性能信息的取值高于第二阈值;或,
所述第二网络设备的AI性能信息的取值高于第二阈值。
20.根据权利要求16至19任一项所述的装置,其特征在于,
所述收发单元,还用于向所述第一网络设备发送第一信息,所述第一信息包括以下至少一项:
所述第一网络设备的AI性能信息;或,
所述第二网络设备的AI性能信息;或,
所述第一网络设备的AI性能信息和所述第二网络设备的AI性能信息之间的相对信息。
21.一种通信装置,其特征在于,包括处理单元和收发单元;
所述处理单元,用于确定第一网络设备的AI模型信息,所述第一网络设备的AI模型信息用于确定所述第一网络设备的AI性能信息;
所述收发单元,用于发送所述第一网络设备的AI模型信息。
22.根据权利要求21所述的装置,其特征在于,
所述收发单元,还用于接收第一信息,所述第一信息包括以下至少一项:
所述第一网络设备的AI性能信息;或,
第二网络设备的AI性能信息;或,
所述第一网络设备的AI性能信息和所述第二网络设备的AI性能信息之间的相对信息。
23.根据权利要求22所述的装置,其特征在于,所述收发单元还用于,在满足以下任一项时,发送切换请求消息,包括:
所述第二网络设备的AI性能信息的取值大于所述第一网络设备的AI性能信息的取值;或,
所述第一网络设备的AI性能信息的取值低于第一阈值且所述第二网络设备的AI性能信息的取值高于第二阈值;或,
所述第二网络设备的AI性能信息的取值高于第二阈值。
24.根据权利要求21至23任一项所述的装置,其特征在于,
所述收发单元,还用于发送第一信号,其中,所述第一信号用于生成第一数据,所述第一数据用于确定所述第一网络设备的AI性能信息。
25.根据权利要求14至24任一项所述的装置,其特征在于,所述AI模型信息包括以下至少一项:
权重信息或偏置信息。
26.根据权利要求14至25任一项所述的装置,其特征在于,所述AI性能信息包括以下至少一项:
推理精度信息、数据分布信息、标签分布信息、模型预测分布信息或数据重要性信息。
27.一种通信装置,其特征在于,包括至少一个处理器,所述至少一个处理器与存储器耦合,
所述存储器用于存储程序或指令;
所述至少一个处理器用于执行所述程序或指令,以使所述装置实现如权利要求1至7中任一项所述的方法;或者,实现如权利要求8至13中任一项所述的方法。
28.一种计算机可读存储介质,其特征在于,所述可读存储介质存储有指令,当所述指令被计算机执行时,使得权利要求1至7中任一项所述的方法被执行;或者,使得权利要求8至13任一项所述的方法被执行。
29.一种计算机程序产品,其特征在于,所述程序产品包括指令,当所述指令在计算机上运行时,使得如权利要求1至7中任一项所述的方法被执行;或者,使得权利要求8至13任一项所述的方法被执行。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669057.7A CN116437416A (zh) | 2021-12-30 | 2021-12-30 | 一种通信方法及通信装置 |
PCT/CN2022/142602 WO2023125598A1 (zh) | 2021-12-30 | 2022-12-28 | 一种通信方法及通信装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669057.7A CN116437416A (zh) | 2021-12-30 | 2021-12-30 | 一种通信方法及通信装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116437416A true CN116437416A (zh) | 2023-07-14 |
Family
ID=86997992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111669057.7A Pending CN116437416A (zh) | 2021-12-30 | 2021-12-30 | 一种通信方法及通信装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116437416A (zh) |
WO (1) | WO2023125598A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11696205B2 (en) * | 2019-09-26 | 2023-07-04 | Samsung Electronics Co., Ltd. | Context-specific customization of handover parameters using characterization of a device's radio environment |
EP4167645A4 (en) * | 2020-06-10 | 2024-03-06 | Beijing Xiaomi Mobile Software Co Ltd | ACCESS METHOD, ACCESS DEVICE AND STORAGE MEDIUM |
CN113923730B (zh) * | 2020-07-07 | 2023-04-07 | 展讯通信(上海)有限公司 | 小区重选方法及装置 |
-
2021
- 2021-12-30 CN CN202111669057.7A patent/CN116437416A/zh active Pending
-
2022
- 2022-12-28 WO PCT/CN2022/142602 patent/WO2023125598A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023125598A1 (zh) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022022334A1 (zh) | 基于人工智能的通信方法和通信装置 | |
US20210326701A1 (en) | Architecture for machine learning (ml) assisted communications networks | |
US20230209419A1 (en) | Machine learning handover prediction based on sensor data from wireless device | |
WO2023048898A1 (en) | Network-based artificial intelligence (ai) model configuration | |
US20220286215A1 (en) | Neural network-based spatial inter-cell interference learning | |
US11456834B2 (en) | Adaptive demodulation reference signal (DMRS) | |
CN115428383A (zh) | 基于频带间参考信号来估计无线电频带的特征 | |
CN116437416A (zh) | 一种通信方法及通信装置 | |
WO2021179165A1 (zh) | 模型协调方法及装置 | |
CN116437415A (zh) | 一种通信方法及通信装置 | |
WO2024067248A1 (zh) | 一种获取训练数据集的方法和装置 | |
US20230099006A1 (en) | Spectral Efficiency Prediction with Artificial Intelligence for Enhancing Carrier Aggregation and Proactive Radio Resource Management | |
WO2023131141A1 (zh) | 人工智能模型的管理和分发 | |
US11722921B2 (en) | Secondary cell group selection based on primary frequency band measurements | |
WO2024012331A1 (zh) | 一种确定人工智能ai模型的方法及装置 | |
WO2024031535A1 (zh) | 无线通信方法、终端设备和网络设备 | |
WO2024065697A1 (zh) | 模型监测的方法、终端设备和网络设备 | |
WO2023208082A1 (zh) | 一种通信方法、装置、芯片及模组设备 | |
WO2023185566A1 (zh) | 用于无线通信的方法和电子设备以及计算机可读存储介质 | |
WO2024065696A1 (zh) | 无线通信的方法、终端设备和网络设备 | |
US20230419101A1 (en) | Machine learning (ml)-based dynamic demodulator selection | |
WO2024092498A1 (zh) | 无线通信的方法及设备 | |
WO2024093739A1 (zh) | 一种通信方法及装置 | |
WO2024098264A1 (zh) | 波束管理方法、装置、设备、存储介质及程序产品 | |
CN117196071A (zh) | 一种模型训练的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |