CN116711373A - 用于执行pscell改变过程的方法及设备 - Google Patents
用于执行pscell改变过程的方法及设备 Download PDFInfo
- Publication number
- CN116711373A CN116711373A CN202180090117.1A CN202180090117A CN116711373A CN 116711373 A CN116711373 A CN 116711373A CN 202180090117 A CN202180090117 A CN 202180090117A CN 116711373 A CN116711373 A CN 116711373A
- Authority
- CN
- China
- Prior art keywords
- target
- pscell
- change
- information
- feedback
- 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
- 230000008859 change Effects 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000010801 machine learning Methods 0.000 claims abstract description 132
- 230000009471 action Effects 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004378 air conditioning Methods 0.000 claims description 9
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 31
- 238000013473 artificial intelligence Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012508 change request Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/00835—Determination of neighbour cell lists
- H04W36/008357—Determination of target cell based on access point [AP] properties, e.g. AP service capabilities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/00837—Determination of triggering parameters for hand-off
- H04W36/008375—Determination of triggering parameters for hand-off based on historical data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0055—Transmission or use of information for re-establishing the radio link
- H04W36/0069—Transmission or use of information for re-establishing the radio link in case of dual connectivity, e.g. decoupled uplink/downlink
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本申请案涉及用于执行主要辅助小区(PSCell)改变过程的方法及设备。本公开的一个实施例提供一种方法,所述方法包含:接收与用于辅助节点(SN)改变或主要辅助小区(PSCell)改变的用户设备(UE)相关联的第一信息;及/或接收与用于所述SN改变或所述PSCell改变的一或多个候选节点相关联的第二信息;及基于所述第一信息及/或所述第二信息利用机器学习(ML)模型来确定关于所述SN改变或所述PSCell改变的动作。
Description
技术领域
本公开涉及无线通信技术,尤其涉及用于执行主要辅助小区(PSCell)改变过程的方法及设备。
背景技术
随着例如人工智能(AI)技术等机器学习(ML)技术的发展,其可用于无线电接入网络(RAN),以进一步优化通信系统的性能。例如,ML技术可用于节能、负载平衡、业务导向或移动性优化等。
因此,期望提供用于使用AI/ML技术执行PSCell改变过程的方法及设备。
发明内容
本公开的一个实施例提供一种方法,所述方法包含:接收与用于辅助节点(SN)改变或主要辅助小区(PSCell)改变的用户设备(UE)相关联的第一信息;及/或接收与用于所述SN改变或所述PSCell改变的一或多个候选节点相关联的第二信息;及基于所述第一信息及/或所述第二信息利用机器学习(ML)模型来确定关于所述SN改变或所述PSCell改变的动作。
在本公开的一个实施例中,所述方法进一步包含:基于经确定动作触发所述SN改变或所述PSCell改变。
在本公开的一个实施例中,所述第一信息是直接从所述UE及/或从主节点接收,且包含以下信息中的至少一者:由所述一或多个候选节点管理的一或多个候选小区的一或多个测量结果;移动性历史信息;所述一或多个候选节点的预测服务质量(QoS)或业务参数;所述一或多个候选节点在过去时间段内的QoS或业务参数;所述一或多个候选小区中的每一者的预测小区负载;所述一或多个候选小区中的每一者在过去时间段内的小区负载;预测SN改变频率或预测PSCell改变频率;过去时间段内的SN改变频率或PSCell改变频率;及接入所述一或多个候选小区的预测概率。
在本公开的一个实施例中,所述第二信息是从所述一或多个候选节点及/或从主节点及/或从所述源SN接收,或由源辅助节点确定,且其中所述第二信息包含所述一或多个候选节点中或由所述一或多个候选节点管理的一或多个候选小区中的以下信息中的至少一者:过去时间段内的活动UE的数目;所述过去时间段内的资源利用率;所述过去时间段内的容量;所述过去时间段内的QoS或业务参数;所述过去时间段内的RRC连接;所述过去时间段内的小区负载;所述过去时间段内的SN改变频率;活动UE的预测数目;预测资源利用率;预测容量;预测QoS或预测业务参数;预测RRC连接;预测小区负载;预测SN改变频率;及由所述UE接入的预测概率。
在本公开的一个实施例中,所述动作包含以下信息中的至少一者:确定是否执行SN改变或PSCell改变;确定执行所述SN改变或所述PSCell改变的时间;确定执行SN间PSCell改变或SN内PSCell改变;确定所述SN改变的目标节点;确定所述PSCell改变的目标PSCell;确定SN改变或SN间PSCell改变参数;确定PSCell改变或SN内PSCell改变参数;及确定激活或去激活对应于目标SN的目标辅助小区群组。
在本公开的一个实施例中,所述方法进一步包含:直接或间接从所述UE接收第一反馈,其中所述第一反馈包含以下信息中的至少一者:从所述UE接入所述目标SN或所述目标PSCell的时间点到所述UE在所述目标SN或所述目标PSCell的覆盖范围之外的时间点的时间段;目标SN或目标PSCell中的QoS级等待时间、QoS级分组丢失率或QoS级抖动;所述UE在所述目标SN或所述目标PSCell中的一或多个业务模式;所述UE在所述目标SN或所述目标PSCell中的资源利用率;所述UE的一或多个服务需求;及所述UE的一或多个连接配置。
在本公开的一个实施例中,所述方法进一步包含:从目标SN及/或从主节点接收第二反馈,或确定所述第二反馈,其中所述第二反馈包含以下信息中的至少一者:从所述UE接入所述目标SN或所述目标PSCell的时间点到UE在所述目标SN或所述目标PSCell的覆盖范围之外的时间点的时间段;与所述目标SN或所述目标PSCell相关联的QoS级等待时间、QoS级分组丢失率或QoS级抖动;与所述目标SN或所述目标PSCell相关联的无线电效率;与所述目标SN或所述目标PSCell相关联的移动性历史信息;及由所述目标SN或所述目标PSCell应用的一或多个连接配置。
在本公开的一个实施例中,所述方法进一步包含:基于所述第一反馈及/或所述第二反馈及/或经确定动作来重新训练所述ML模型;及更新所述ML模型。
在本公开的一个实施例中,所述方法进一步包含:至少将所述第一反馈或所述第二反馈或经确定动作传输到提供所述ML模型的主机,用于重新训练所述ML模型。
在本公开的一个实施例中,所述方法进一步包含接收经更新ML模型。
在本公开的一个实施例中,所述方法进一步包含:至少向主节点或向所述UE传输对所述第一信息的第一请求;及/或至少向主节点或向所述一或多个候选节点传输对所述第二信息的第二请求。
在本公开的一个实施例中,基于所述第一信息来确定所述一或多个候选节点。
在本公开的一个实施例中,所述第一请求及所述第二请求是在一个消息中传输或在两个不同消息中传输。
在本公开的一个实施例中,所述方法进一步包含:至少向所述UE或主节点(MN)或目标SN传输对所述第一反馈的第三请求;及/或至少向所述MN或所述目标SN传输对所述第二反馈的第四请求。
在本公开的一个实施例中,所述第三请求及所述第四请求是在一个消息中传输或在两个不同消息中传输。
在本公开的一个实施例中,所述方法进一步包含:向针对SN改变或PSCell改变训练所述ML模型的主机传输对所述ML模型的第五请求。
在本公开的一个实施例中,所述方法进一步包含:应用与所述UE的所述SN改变或所述PSCell改变相关联的所述ML模型。
本公开的又一实施例提供一种设备,其包括:非暂时性计算机可读媒体,其上存储有计算机可执行指令;接收电路系统;传输电路系统;及处理器,其耦合到所述非暂时性计算机可读媒体、所述接收电路系统及所述传输电路系统,其中所述计算机可执行指令使所述处理器实施包含以下的方法:应用与用户设备(UE)的辅助节点(SN)改变或主要辅助小区(PSCell)改变相关联的机器学习(ML)模型;接收与用于所述SN改变或所述PSCell改变的所述UE相关联的第一信息;接收与用于所述SN改变或所述PSCell改变的一或多个候选节点相关联的第二信息,及/或确定用于所述SN改变或所述PSCell改变的第二信息;及基于所述第一信息及/或所述第二信息利用所述ML模型确定关于所述SN改变或所述PSCell改变的动作。
附图说明
图1示出根据本公开的一些实施例的用于RAN智能的功能框架。
图2示出根据本公开的一些实施例的由MN发起的SN改变的流程图。
图3示出根据本公开的一些实施例的由SN发起的SN改变的流程图。
图4示出根据本公开的一些实施例的由MN使用ML技术发起的SN改变或PSCell改变的流程图。
图5示出根据本公开的一些实施例的由SN使用ML技术发起的SN改变或PSCell改变的流程图。
图6示出根据本公开的优选实施例的由节点执行的用于执行SN改变过程的方法。
图7示出根据本公开的实施例的用于执行SN改变过程的设备的框图。
具体实施方式
附图的详细描述意在描述本发明的当前优选实施例,而非代表本发明可被实践的唯一形式。应理解,相同或等效功能可通过不同实施例来实现,这些实施例意在涵盖于本发明的精神及范围内。
尽管附图中以特定顺序描绘操作,但所属领域的技术人员将容易认识到,无需以所展示的特定顺序或依序执行此类操作,或执行所有所示出的操作,以实现所要结果,有时可跳过一或多个操作。此外,附图可以流程图的形式示意性地描绘一或多个实例过程。然而,未描绘的其它操作可并入于示意性地示出的实例过程中。例如,可在所示出操作中的任何者之前、之后、同时或之间执行一或多个额外操作。在某些情况下,多任务及并行处理可为有利的。
图1示出根据本公开的一些实施例的用于RAN智能的功能框架。
图1包含以下组件:
a)数据源,其可从网络节点、管理实体或UE或OAM或核心网络收集数据,且向模型训练主机提供训练数据,且向模型推理主机提供推理数据。数据源还从动作者或至少一个动作主体接收模型性能反馈。
b)模型训练主机,其可基于从数据源接收的训练数据来训练ML模型,且可向模型推理主机提供ML模型或经更新ML模型。ML模型可为通过应用机器学习技术进行的数据驱动算法,所述数据驱动算法基于一组输入产生由预测信息组成的一组输出。任选地,模型训练主机可从动作者或至少一个动作主体接收模型性能反馈。模型训练主机还可从模型推理主机接收模型性能反馈。模型训练主机可使用在线或离线过程以通过学习最佳地呈现数据(例如训练数据)的特征及模式来训练ML模型且获得经训练ML模型用于推理。
c)模型推理主机,其可从数据源接收推理数据,基于推理数据及ML模型,模型推理主机将输出传输到动作者。模型推理主机还可向模型训练主机传输模型性能反馈。模型推理主机可执行使用经训练ML模型来做出预测或指导或策略的过程,或基于经收集数据(例如推理数据)及ML模型来确定至少一个动作。
d)动作者,其基于模型推理主机的输出来确定/执行一或多个动作,且将确定或动作指导通知给至少一个动作主体。
e)动作主体,其遵循来自动作者的指令,且可在动作经执行之后将性能反馈传输到数据源。
图1中的用于RAN智能的功能框架可执行不同类型的机器学习过程,例如监督学习、无监督学习、强化学习(RL)或其类似者。
在监督学习中,训练数据包含具有已知标签或期望输出的输入数据。监督学习算法学习映射输入及输出的一般规则。常用算法包含支持向量(SVM)、K最近邻(KNN)、线性回归等。大多数深度学习方法也是基于监督学习,例如卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆(LSTM)等。
在无监督学习中:训练数据仅包含输入数据,因此无监督学习算法从无标记输入数据找到结构,如聚类。常用算法包含K均值聚类、主成分分析(PCA)等。
RL是基于代理与环境之间的交替交互。代理执行某个动作且状态会改变,其导致奖励或惩罚。RL通过与动态环境的多次交互来执行某个目标。常用算法包含Q学习、深度RL等。
在新无线电(NR)系统中,通信系统的目标扩展到对越来越多的关键性能指标(KPI)的联合优化,所述KPI包含等待时间、可靠性、使用体验等。然而,NR带来新问题,这些问题难以通过当前常规框架来建模、解决及实施。本公开提出使用机器学习技术来进一步提高无线网络的性能。
图2示出根据本公开的一些实施例的由MN发起的SN改变的流程图。
图2包含四个不同组件,UE指的是用户设备(UE),MN指的是主节点(MN),S-SN指的是源辅助节点(SN),且T-SN指的是目标SN。MN可为连接到演进分组核心(EPC)或5G核心网络(5GC)的eNB,或其可为gNB。源SN可为连接到EPC或5GC的eNB,或其可为gNB。
在步骤201,MN通过向目标SN传输SN添加请求来发起SN改变,其请求目标SN通过SN添加过程为UE分配资源。MN可包含与目标SN相关的测量结果。
在步骤202,目标SN向MN传输对SN添加请求的确认(ACK)。如果需要数据转发,那么目标SN向MN提供数据转发地址。目标SN包含完整或增量RRC配置的指示。
如果目标SN资源的分配成功,那么在步骤203a,MN向源SN传输SN释放请求以释放源SN资源,其还包含指示辅助小区群组(SCG)移动性的原因。在步骤203b,源SN传输对SN释放请求的ACK。SN释放请求消息的接收触发源SN停止向UE提供用户数据。
在步骤204,MN向UE传输消息,所述消息触发UE应用新配置。MN在包含目标SN RRC重新配置消息的MN RRC重新配置消息中向UE指示新配置。如果MN是连接到EPC或5GC的eNB,那么所述消息可为RRC连接重新配置消息。如果MN是gNB,那么所述消息可为RRC重新配置消息。
UE应用新配置,且在步骤205,如果需要,那么UE发送MN RRC重新配置完成消息,包含用于目标SN的SN RRC响应消息。
在步骤206,如果RRC(连接)重新配置过程成功,那么MN经由SN重新配置完成消息通知目标SN,所述消息包含目标SN的SN RRC响应消息(如果从UE接收)。
在步骤207,UE同步到目标SN。
图3示出根据本公开的一些实施例的由SN发起的SN改变的流程图。
在步骤301,源SN通过向MN发送SN改变要求消息来发起SN改变过程,所述消息包含候选目标节点ID,即目标SN的ID,且可包含SCG配置,以支持增量配置及与目标SN相关的测量结果。
在步骤302,MN通过向目标SN传输SN添加请求来请求目标SN为UE分配资源,所述请求包含从源SN接收的与目标SN相关的测量结果。在步骤303,目标SN向MN传输对SN添加请求的ACK。如果需要数据转发,那么目标SN向MN提供数据转发地址。目标SN包含完整或增量RRC配置的指示。
在步骤304,MN向UE传输消息,所述消息触发UE应用新配置。MN在包含由目标SN产生的SN RRC重新配置消息的MN RRC重新配置消息中向UE指示新配置。如果MN是连接到EPC或5GC的eNB,那么所述消息可为RRC连接重新配置消息。如果MN是gNB,那么所述消息可为RRC重新配置消息。UE应用新配置,且在步骤305,如果需要,那么UE发送MN RRC重新配置完成消息,包含用于目标SN的SN RRC响应消息。
如果目标SN资源的分配成功,那么在步骤306,MN确认源SN的改变。如果需要数据转发,那么MN向源SN提供数据转发地址。如果直接数据转发用于SN端接承载,那么MN向源SN提供从目标SN接收的数据转发地址。SN改变确认消息的接收触发源SN停止向UE提供用户数据,且如果适用,那么开始数据转发。
在步骤307,如果RRC(连接)重新配置过程成功,那么MN经由SN重新配置完成消息通知目标SN,所述消息包含目标SN的SN RRC响应消息(如果从UE接收)。
在步骤308,UE执行RACH过程,以同步到目标SN。
图2及3中的方法不是使用AI技术执行,且SN改变过程及PSCell改变过程的效率及性能相对较低。
图4示出根据本公开的一些实施例的由MN使用AI技术发起的SN改变或PSCell改变的流程图。
图4包含至少6个组件,即UE、MN、源SN(S-SN)、候选SN1(C-SN1)、…、候选SNx(C-SNx)及训练主机,其中x是等于或大于1的整数。每一候选SN可管理一或多个小区,且由UE接入的小区被认为是UE的目标PSCell,目标PSCell可为由源SN或一个候选SN管理的一个小区。
在步骤401,MN确定要应用的ML模型。如果MN能够训练ML模型,那么MN可自身确定ML模型或部署由MN自身训练的ML模型。如果MN不能训练ML模型,那么其可从其它节点获得ML模型。例如,在图4,从训练主机(例如,操作、管理及维护(OAM))接收ML模型,可从其它节点(例如,S-SN、UE或能够向MN提供ML模型的任何源)接收ML模型。
在步骤402,MN从UE获得与SN改变或PSCell改变相关的第一信息。在步骤403A-1、…、403A-x,MN从一或多个候选SN,即C-SN1、…、C-SNx,获得与SN改变或PSCell改变相关的第二信息。候选SN可为MN的邻居节点,其具有在SN改变过程之后服务UE的潜力。
在一些实施例中,MN可基于第一信息来确定候选SN,例如,MN可基于从UE接收的测量结果、速度、…及/或小区负载信息来确定候选SN。
除候选SN之外,MN还可从源SN获得第二信息,且第二信息包含由源SN管理的一或多个小区(包含候选小区及/或SN改变/PSCell改变之前的服务SCG)中的信息。
在一些实施例中,第一信息或第二信息可被称为来自UE及/或候选SN及/或S-SN的业务导向相关的增强信息及/或统计信息。第一信息及/或第二信息可被视为用于预测或指导或确定至少一个动作的推理数据。
在本公开的下文中,第一信息指的是与业务导向相关的增强信息、统计信息或与由UE确定的SN改变或PSCell改变相关的任何信息;类似地,第二信息指的是与业务导向相关的增强信息、统计信息或与由一或多个候选SN或S-SN确定的SN改变或PSCell改变相关的任何信息。
第一信息可包含以下信息中的任何者:
a)由一或多个候选节点管理的一或多个候选小区的测量结果,即一或多个候选SN中的一或多个小区的参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信号干扰噪声比(SINR)、通道质量信息(CQI);例如,由C-SN1管理的小区中的UE确定的RSRP;由S-SN管理的一或多个小区(例如源SCG)的测量结果,及由MN管理的一或多个小区(例如源MCG)的测量结果。
b)UE的轨迹信息;
c)一或多个邻居节点的服务质量(QoS)或业务参数,即每个QoS级等待时间,所述等待时间可包含:端到端(E2E)等待时间、往返时间(RTT)、L2等待时间或其类似者;每个QoS级分组丢失率、每个QoS级抖动;及由S-SN管理的一或多个小区(例如源SCG)的服务质量(QoS)或业务参数,由MN管理的一或多个小区(例如源MCG)的服务质量(QoS)或业务参数。
d)由一或多个候选SN管理的至少一个小区的小区负载、由S-SN管理的一或多个小区(例如源SCG)的小区负载,及由MN管理的一或多个小区的小区负载
e)SN改变频率或PSCell改变频率;
f)UE的速度、速率、移动方向、旋转及/或高度;
g)移动性历史信息,例如,其可为由UE访问的多个小区的信息,其可由名为最后访问的NG-RAN小区信息的信息元素(IE)来指示;及
h)接入一或多个候选SN的候选小区的预测概率;例如,接入C-SN1的小区的概率是70%。
上述项a)到f)可为过去时间段的统计值,或未来时间段的预测值,或实时数据。例如,测量结果可为候选SN1的小区在过去时间段内,即在最后10分钟内的RSRP;或当前确定的小区的RSRP,或小区在未来时间段内的预测RSRP,即UE在15:00预测的17:00到17:10的RSRP。
第二信息可包含一或多个候选节点中或由一或多个候选节点管理的一或多个候选小区中的以下信息中的至少一者,且第二信息可包含S-SN中的以下信息中的至少一者:
a)活动UE的总数;
b)资源利用率;
c)容量,其可包含可用容量;
d)RRC连接;
e)传输网络层(TNL)容量;
f)一或多个邻居节点的QoS或业务参数,即每个QoS级等待时间,例如E2E等待时间、RTT、L2等待时间或其类似者;每个QoS级分组丢失率、每个QoS级抖动;
g)小区负载;
h)SN改变频率或PSCell改变频率;
i)由UE接入的预测概率。
上述项a)到h)可为过去时间段的统计信息,或未来时间段的预测信息,或实时数据。例如,活动UE的数目可为过去时间段内活动UE的平均数目,例如在过去10分钟内,候选SN1的小区中平均活动UE为200;或是目前确定的数目,例如,现在小区中有210个活动UE;或是未来时间段内的预测数目,例如,从17:00到17:10,小区中UE的预测总数可为300。
应注意,可按任何顺序执行步骤401、402及403。此外,未描绘的其它步骤可并入到这些步骤中。例如,可在步骤中的任何者之前、之后、同时或之间执行一或多个额外步骤。在某些情况下,可跳过步骤401、402及403内的一或多个步骤。在某些情况下,多任务及并行处理可为有利的。在一些其它场景中,MN可仅接收第一信息或第二信息。在一些其它场景中,MN可接收第一信息及第二信息。
在步骤404,在接收第一信息及/或第二信息之后,MN执行推理,例如,MN使用ML模型执行基于ML的SN改变动作或基于ML的PSCell改变动作。基于第一信息及/或第二信息,MN利用ML模型确定以下动作或参数中的至少一者:
a)是执行SN改变还是PSCell改变。换句话说,MN是否向UE发送关于SN/PSCell改变的RRC消息,及/或MN是否与目标SN执行SN添加准备过程;
b)是执行SN间PSCell改变还是SN内PSCell改变;
c)何时触发SN改变或PSCell改变,例如,何时向UE发送用于SN/PSCell改变的RRC消息,及/或MN何时与目标SN执行SN添加准备过程;
d)哪个节点是目标SN,或如何识别目标SN;
e)哪个小区是目标PSCell,或如何识别目标PSCell;
f)SN改变参数,例如SN改变触发阈值、触发时间值;
g)PSCell改变参数,例如PS cell改变触发阈值、触发时间值;
h)如果触发SN改变或PSCell改变,那么是激活还是去激活与目标SN相关联的目标SCG。
如果MN决定执行SN间PSCell改变过程或基于AI/ML的SN改变动作,那么在步骤404,MN从候选SN确定目标SN,其为图4中的C-SN1,且在步骤405,MN对目标SN执行SN添加过程。在步骤406,MN向UE传输SN改变命令。在接收此命令之后,在步骤407,UE执行与目标SN的RACH过程,且同步到目标SN。
如果MN决定执行SN内PSCell改变过程或基于AI/ML的SN内PSCell改变动作,那么在步骤404,MN确定S-SN是目标SN,且步骤405不存在,但MN可用目标SN(即S-SN)更新SCG配置。在步骤406,MN向UE传输SN内PSCell改变命令。在接收此命令之后,在步骤407,UE与目标PSCell(即S-SN中的小区)执行RACH过程,步骤407任选地执行,有时可跳过。
在一些实施例中,在UE自动地或基于MN的请求成功切换到目标SN/PSCell之后,UE及/或目标SN可向MN传输关于PSCell/SN改变过程的反馈信息。
在步骤408,UE可向MN传输第一反馈,任选地,UE可向目标SN传输第一反馈,且目标SN可向MN转发第一反馈。第一反馈可被视为ML模型重新训练/更新的奖励信息。第一反馈包含目标SN或目标PSCell中的以下信息中的至少一者:
a)从UE接入目标SN或目标PSCell的时间点到UE在目标SN或目标PSCell的覆盖范围之外的时间点的时间段;
b)QoS或业务参数,例如,每个QoS级等待时间,所述等待时间可包含:E2E等待时间、RTT、L2等待时间或其类似者;每个QoS级分组丢失率、每个QoS级抖动,这些参数可为瞬时参数或平均参数;
c)在SN改变或PSCell改变之后的一或多个UE业务模式;
d)由UE使用的资源利用率,例如,无线电效率,其可用每秒每赫兹的位来表示;
e)UE的一或多个服务需求;
f)UE服务需求的任何改变;
g)在SN/PSCell改变之后,UE的一或多个连接性配置;
h)在SN/PSCell改变之后目标SCG的激活或去激活频率
在步骤409,目标SN还可向MN传输第二反馈,第二反馈可被视为ML模型重新训练/更新的奖励信息。第二反馈包含目标SN或目标PSCell中的以下信息中的至少一者:
a)从UE接入目标SN或目标PSCell的时间点到UE在目标SN或目标PSCell的覆盖范围之外的时间点的时间段;
b)QoS或业务参数,例如,每个QoS级等待时间,所述等待时间可包含:E2E等待时间、RTT、L2等待时间或其类似者;每个QoS级分组丢失率、每个QoS级抖动,这些参数可为瞬时参数或平均参数;
c)与目标SN或目标PSCell相关联的无线电效率;
d)与目标SN或目标PSCell相关联的移动性历史信息;及
e)由目标SN或目标PSCell应用的一或多个连接配置。
f)在SN/PSCell改变之后目标SCG的激活或去激活频率
对于SN间PSCell改变,目标SN是不同于源SN的节点,对于SN内PSCell改变,目标SN是源SN。
应注意,步骤408及步骤409可能不以先步骤408后步骤409的顺序进行。步骤409可在步骤408之前,或步骤408及步骤409同时发生。此外,在这两个步骤中可并入未描绘的其它步骤。例如,可在步骤中的任何者之前、之后、同时或之间执行一或多个额外步骤。在某些情况下,可跳过步骤408或409。在某些情况下,多任务及并行处理可为有利的。
如果MN能够自身确定ML模型,那么在接收来自UE的第一反馈及/或来自目标SN的第二反馈之后,MN可重新训练ML模型。在重新训练之后,MN可用新训练的ML模型更新ML模型。在一些实施例中,仅当新训练的ML模型比当前使用的ML模型具有更佳性能时,MN才用新训练的ML模型替换当前ML模型。
如果MN无法自身确定ML模型,例如,MN从OAM或UE或其它RAN节点或其它位置获得ML模型,那么在步骤410,MN可向主机(例如,图4中的训练主机)传输第一反馈及/或第二反馈,主机向MN提供ML模型。MN还可将经确定动作(在步骤404中用ML模型确定)发送给训练主机。在接收反馈及/或经确定动作之后,在步骤411,训练主机可重新训练ML模型。在训练之后,训练主机可用新训练的ML模型更新ML模型。在一些实施例中,仅当新训练的ML模型具有比当前ML模型更佳性能时,训练主机才更新ML模型,或MN才用新训练的ML模式替换当前ML模型。
如果MN自身不确定ML模型,那么在步骤412,训练主机将新训练的ML模型传输到MN,且在步骤413,在接收经更新ML模型后,MN可移除先前ML模型且使用经更新ML模型用于后续推理。
在一些优选实施例中,MN可向UE请求第一信息,及/或向候选SN请求第二信息,及/或向S-SN请求第二信息。例如,在步骤402之前,MN可向请求第一信息的UE传输第一请求,且在步骤403A-1、…、403A-x之前,MN可分别向候选SN中的每一者传输请求第二信息的第二请求,也在步骤403-B之前,MN可向S-SN传输请求第二信息的第二请求。
在接收第一请求之后,在步骤402,UE向MN传输第一信息;类似地,在接收第二请求之后,在步骤403A-1、…、403A-x中,候选SN中的每一者分别向MN传输第二信息,此外,S-SN向MN传输第二信息。
在其它优选实施例中,MN可向UE请求第一反馈,及/或向目标SN请求第二反馈,目标SN可为SN内PSCell改变的源SN,且可为不同SN,而不是SN间PSCell改变的源SN。例如,在步骤408之前,MN可向UE传输请求第一反馈的第三请求,在步骤409之前,MN向目标SN传输请求第二反馈的第四请求。在一些实施例中,MN可向目标SN传输请求UE的第一反馈的第三请求,且接着目标SN可向UE传输请求UE的第一反馈的第六请求。
图5示出根据本公开的一些实施例的由SN使用ML技术发起的SN改变或PSCell改变的流程图。
图5至少包含6个组件,即UE、MN、源SN(S-SN)、候选SN1(C-SN1)、…、候选SNx(C-SNx)及训练主机,其中x是等于或大于1的整数。每一候选SN可管理一或多个小区,且由UE接入的小区被认为是UE的目标PSCell,目标PSCell可为由源SN或一个候选SN管理的一个小区。
在步骤501,源SN确定要应用的ML模型。如果源SN能够训练ML模型,那么源SN可自身确定ML模型或部署由源SN自身训练的ML模型。如果源SN不能训练ML模型,那么其可从其它节点获得ML模型。例如,可从训练主机接收ML模型,例如OAM或MN或UE或可向源SN提供ML模型的任何源。
在步骤502A-1,UE向MN传输第一信息,且在步骤502A-2,MN向源SN转发第一信息。替代地,在步骤502A-3,UE可直接向源SN传输第一信息。另外,MN可向源SN传输由MN自身产生的第一信息。
在步骤503A-1、…、步骤503A-x中,候选SN1、…、候选SNx单独向源SN传输第二信息。在其它一些场景中,当源SN与候选SN之间没有接口时,候选SN可向MN传输第二信息,且接着MN可将候选SN的第二信息转发给源SN。此外,在步骤503B,源SN可自身确定第二信息,且第二信息包含由源SN管理的一或多个小区中的信息,在PSCell改变之后的目标PSCell可为由源SN管理的一个小区。
应注意,步骤501、502及503可按任何顺序执行。此外,未描绘的其它步骤可并入于这些步骤中。例如,可在步骤中的任何者之前、之后、同时或之间执行一或多个额外步骤。在某些情况下,可跳过步骤501、502及503内的一或多个步骤。在某些情况下,多任务及并行处理可为有利的。在一些其它场景中,S-SN可仅接收第一信息或第二信息。在一些其它场景中,S-SN可接收第一信息及第二信息。
在步骤504,在接收直接从UE接收或由MN转发的第一信息及/或也直接从每一候选SN接收或由MN转发的第二信息之后,源SN执行推理,例如S-SN执行基于AI/ML的SN改变动作或基于AI/ML的PSCell改变动作。第一信息类似于如图4的方法中所示出的第一信息,且第二信息类似于如图4的方法中所示出的第二信息。第一信息及/或第二信息可被视为用于预测或指导或确定至少一个动作的推理数据。
换句话说,源SN利用ML模型确定以下动作或参数中的至少一者:
a)是执行SN改变还是PSCell改变。换句话说,源SN是否向MN发送SN改变请求消息;
b)是执行SN间PSCell改变还是SN内PSCell改变;
c)何时触发SN改变或PSCell改变,例如,何时向MN发送SN/PSCell改变的SN改变要求消息;
d)哪个节点是目标SN,或如何识别目标SN;
e)哪个小区是目标PSCell,或如何识别目标PSCell;
f)SN改变参数,例如SN改变触发阈值、触发时间值;
g)PSCell改变参数,例如,PSCell改变触发阈值、触发时间值;
h)是激活还是去激活与目标SN相关联的目标辅助小区群组。
如果SN决定执行SN间PSCell改变过程或基于AI/ML的SN改变动作,那么在步骤505,SN向MN传输SN改变要求消息以指示其为SN间PSCell改变。步骤506到步骤508类似于步骤405到步骤407,且此处省略细节。
如果SN决定执行SN内PSCell改变过程或基于AI/ML的SN内PSCell改变动作,那么在步骤505,SN向MN传输SN改变要求消息以指示其为SN内PSCell改变。步骤506不存在,但MN可用目标SN(即S-SN)更新SCG配置。在步骤507,MN向UE传输SN内PSCell改变命令。在接收此命令之后,在步骤508,UE与目标PSCell(即S-SN中的小区)执行RACH过程,步骤508是任选地执行,有时可跳过。
在步骤509,UE可向MN传输第一反馈信息,且第一反馈信息与图4中所示出的第一反馈信息相同,且此处省略细节。
在步骤510,目标SN可向MN传输第二反馈信息,所述第二反馈信息与图4中所示出的第二反馈相同,且此处省略细节。
应注意,步骤509及步骤510可能不以先步骤509后步骤510的顺序进行。步骤510可在步骤509之前,或步骤509及步骤510同时发生。
在接收第一反馈信息及第二反馈信息之后,在步骤511,MN将其传输到源SN。
在图5,源SN经由MN的转发接收第一反馈及第二反馈。源SN获取第一反馈信息及第二反馈信息还有其它方式。
关于第一反馈信息,UE还可向目标SN传输第一反馈信息,且如果存在接口,例如目标SN与源SN之间的Xn接口,那么目标SN可向源SN传输第一反馈信息。如果目标SN与源SN之间没有接口,那么目标SN可向MN传输第一反馈信息,且接着MN传输第一反馈信息源SN。也就是说,源SN可从MN或从目标SN接收第一反馈信息。
关于第二反馈信息,如果存在接口,例如目标SN与源SN之间的Xn接口,那么目标SN可直接向源SN传输第二反馈信息。如果目标SN与源SN之间没有接口,那么目标SN可向MN传输第二反馈信息,且接着MN传输第二反馈信息源SN。总之,源SN可从MN或从目标SN接收第二反馈信息。
如果源SN能够自身确定ML模型,那么在接收UE的第一反馈及/或目标SN的第二反馈之后,源SN可重新训练ML模型。在重新训练之后,源SN可用新训练的ML模型更新ML模型。在一些实施例中,仅当新训练的ML模型比当前使用的ML模型具有更佳性能时,源SN才用新训练的ML模型替换当前ML模型。
如果源SN无法自身确定ML模型,例如,S-SN从OAM或UE或MN或其它RAN节点或其它位置获得ML模型,那么在步骤512,源SN可将第一反馈及/或第二反馈传输到主机(例如,图5中的训练主机),所述主机向S-SN提供ML模型。源SN也可向训练主机发送经确定动作(即在步骤504中确定的动作)。在接收反馈及/或经确定动作之后,在步骤513,训练主机可重新训练ML模型。在重新训练之后,训练主机可用新训练的ML模型更新ML模型。在一些实施例中,仅当新训练的ML模型具有比当前ML模型更佳性能时,训练主机才更新ML模型,或源SN才用新训练的ML模型替换当前ML模型。
如果源SN无法自身确定ML模型,那么在步骤514,训练主机将新训练的ML模型传输到源SN,且在步骤515,在接收经更新ML模型之后,源SN可移除先前ML模型且使用经更新ML模型用于后续推理。
在一些优选实施例中,源SN可向UE请求第一信息,及/或向MN请求第一信息,及/或源SN可向MN请求第二信息,及向候选SN请求第二信息。例如,在步骤502A之前,源SN可请求UE的第一信息,或源SN可向MN请求第一信息。在步骤503A-1、…、503A-x之前,源SN可请求候选SN的第二信息。假设第一请求请求第一信息,且第二请求请求一个候选SN的第二信息,那么源SN可根据以下表1传输第一请求及第二请求:
表1
第一请求传输到: | 第二请求传输到: | |
1 | MN | MN |
2 | MN | 一或多个候选SN |
3 | MN | MN及一或多个候选SN |
4 | UE | MN |
5 | UE | 一或多个候选SN |
6 | UE | MN及一或多个候选SN |
7 | MN及UE | MN |
8 | MN及UE | 一或多个候选SN |
9 | MN及UE | MN及一或多个候选SN |
根据表1,在第1行,源SN向MN传输第一请求,及/或向MN传输第二请求。在第3行,如果在源SN与每一候选SN之间存在接口,那么源SN向MN传输第一请求,及/或向MN传输一个第二请求且至少向一或多个候选SN内的一个节点单独传输另一个第二请求。在第9行,源SN向MN传输一个第一请求且向UE传输另一个第一请求,及/或向MN传输一个第二请求,且至少向一或多个候选SN内的一个节点传输另一个第二请求。应注意,源SN与一或多个候选SN之间的传输需要接口,例如源SN与每一候选SN之间的Xn接口,当源SN与一或多个候选SN之间没有接口时,传输需要由MN转发。
如可见,第一请求及第二请求可在相同消息中传输,例如,在第1行,由于第一请求及第二请求两者传输到MN,所以源SN可对第一请求及第二请求使用一个消息。当两个请求传输到不同节点时,两个请求可在两个或更多个不同消息中传输,例如,在第2行,S-SN可针对第一请求向MN传输一个消息,及/或针对第二请求单独向一或多个候选SN内的一个节点至少传输另一个消息。
在接收第一请求及/或第二请求之后,MN、候选SN或UE应向源SN传输对应信息。更具体来说,关于表1中的上述行,对应响应如以下表2所呈现:
表2
根据表2,在第1行,MN向源SN转发第一信息及/或第二信息;在第3行,MN向源SN转发第一信息,及/或MN向源SN转发第二信息,且一或多个候选SN向源SN传输第二信息。在第9行,UE向源SN传输第一信息,且MN也向源SN转发第一信息;及/或MN将第二信息转发给源SN,且一或多个候选SN也将第二信息传输到源SN。应注意,源SN与每一候选SN之间的传输需要接口,例如源SN与每一候选SN之间的Xn接口,当源SN与每一候选SN之间没有接口时,传输需要由MN转发。
在其它优选实施例中,源SN可至少向MN及/或目标SN传输第三请求,用于来自UE的第一反馈,及/或向MN及/或目标SN传输第四请求,用于来自目标SN的第二反馈。例如,在步骤509及步骤510之前,源SN可根据以下表3传输第三请求及第四请求:
表3
第三请求传输到: | 第四请求传输到: | |
1 | MN | MN |
2 | MN | 目标SN |
3 | MN | MN及目标SN |
4 | 目标SN | MN |
5 | 目标SN | 目标SN |
6 | 目标SN | MN及目标SN |
7 | MN及目标SN | MN |
8 | MN及目标SN | 目标SN |
9 | MN及目标SN | MN及目标SN |
根据表3,在第1行,源SN向MN传输第三请求,及/或向MN传输第四请求。在第3行中,源SN向MN传输第三请求,及/或向MN传输一个第四请求及向目标SN传输另一个第四请求。在第9行,源SN向MN传输一个第三请求,且向目标SN传输另一个第三请求,及/或向MN传输一个第四请求,且向目标SN传输另一个第四请求。应注意,源SN与目标SN之间的传输需要接口,例如两个SN之间的Xn接口,当源SN与目标SN之间没有接口时,两个SN之间的传输需要由MN转发。
相应地,在接收第三请求及/或第四请求之后,MN及/或目标SN可向源SN传输第三反馈及/或第四反馈。更具体来说,关于表3中的上述行,对应响应如以下表4中所呈现:
表4
第一反馈接收/转发自: | 第二反馈接收/转发自: | |
1 | MN | MN |
2 | MN | 目标SN |
3 | MN | MN及目标SN |
4 | 目标SN | MN |
5 | 目标SN | 目标SN |
6 | 目标SN | MN及目标SN |
7 | MN及目标SN | MN |
8 | MN及目标SN | 目标SN |
9 | MN及目标SN | MN及目标SN |
根据表4,在第1行,MN向源SN转发第一反馈及/或第二反馈;在第3行,MN向源SN转发第一反馈,及/或MN向源SN转发第二反馈,及/或目标SN向源SN传输第二反馈。在第9行,MN将第一反馈转发给源SN,且目标SN将第一反馈转发给源SN;及/或MN将第二反馈转发给源SN,且目标SN将第二反馈传输给源SN。应注意,源SN与目标SN之间的传输需要接口,例如两个SN之间的Xn接口,当源SN与目标SN之间没有接口时,两个SN之间的传输需要由MN转发。
如可见,当第三请求及第四请求两者传输到相同节点(例如,相同节点可为MN或目标SN)时,这两个请求可在相同消息中传输。当两个请求传输到不同节点时,这两个请求可在两个或更多个不同消息中传输。
图6示出根据本公开的优选实施例的由节点执行的用于执行SN改变过程的方法。
在步骤601,节点,例如MN或S-SN,接收与用于辅助节点(SN)改变或主要辅助小区(PSCell)改变的用户设备(UE)相关联的第一信息;在步骤602,节点接收与用于SN改变或PSCell改变的一或多个候选节点相关联的第二信息;且在步骤603,节点基于第一信息及/或第二信息利用ML模型确定关于SN改变或PSCell改变的动作。
例如,在步骤402、步骤403A-1、…、403A-x、步骤403B,MN接收第一信息及第二信息,且在步骤404,MN利用基于AI或ML模型的SN或PSCell改变动作、策略或指导来确定动作。
在确定动作之后,节点可触发SN改变或PSCell改变。例如,如果经确定动作是执行SN改变,那么节点触发与UE及目标SN的SN改变过程。
在一些实施例中,直接从UE及/或从MN接收第一信息。在一些实施例中,从一或多个候选SN及/或从MN及/或从源SN接收第二信息,或由源SN自身确定第二信息。
在一些实施例中,节点,即MN或源SN(即S-SN),也可直接或间接从UE接收第一反馈。在一些实施例中,节点可从目标SN及/或从主节点接收第二反馈,及/或确定第二反馈。例如,当节点是MN时,MN可从UE接收UE的第一反馈,及/或MN可从目标SN接收UE的第一反馈,因为目标SN从UE接收UE的第一反馈,MN可从目标SN接收第二反馈。例如,当节点是S-SN时,S-SN可从MN接收UE的第一反馈,因为MN从UE接收UE的第一反馈,及/或MN从目标SN接收UE的第一反馈(如果UE向目标SN传输UE的第一反馈);及/或S-SN可从目标SN接收UE的第一反馈,因为目标SN从UE接收UE的第一反馈;及/或S-SN可从目标SN接收第二反馈;及/或S-SN可从MN接收第二反馈,因为MN从目标SN接收第二反馈;及/或S-SN可自身确定第二反馈。
在接收第一反馈及/或第二反馈之后,如果节点能够重新训练ML模型,那么节点可基于第一反馈及/或第二反馈及/或经确定动作重新训练ML模型;且当再训练完成时更新ML模型。
如果节点不能重新训练ML模型,那么节点可将第一反馈、第二反馈及经确定动作传输到主机(例如训练主机),主机向节点提供ML模型,用于重新训练ML模型。节点可从训练主机接收经更新ML模型。
在一些实施例中,节点可向主节点及/或向UE传输对第一信息的第一请求;及/或向主节点及/或向一或多个候选节点传输对第二信息的第二请求。例如,图4B中的源SN可向MN及/或向UE传输对第一信息的第一请求,及/或向MN及/或向一或多个候选SN传输对第二信息的第二请求。可基于UE的第一信息来确定一或多个候选SN。例如,候选SN可包含位于UE正前往的区域中的SN,且区域是基于第一信息中包含的UE的速度及方向来确定。第一请求及第二请求可在一个消息中传输或在两个不同消息中传输。例如,源SN可向MN传输包含第一请求及第二请求的一个消息,或向UE传输包含第一请求的一个消息,且向MN传输包含第二请求的另一个消息。
在一些实施例中,节点可至少向UE或主节点(MN)或目标SN传输对第一反馈的第三请求;及/或至少向MN或目标SN传输对第二反馈的第四请求。例如,源SN可向MN传输第三请求,且也向MN传输第四请求。对于另一个例子,源SN可向MN及目标SN两者传输第三请求,因为源SN不确定哪个节点(MN或目标SN)具有UE的第一反馈。第三请求及第四请求可在一个消息中传输,或在两个不同消息中传输。例如,源SN可向MN传输包含第三请求及第四请求的一个消息,或向MN传输包含第三请求的一个消息,且向目标SN传输包含第四请求的另一个消息。
在一些实施例中,节点可向主机传输对ML模型的第五请求,主机针对SN改变或PSCell改变训练ML模型。例如,在图5中的步骤501,S-SN可向训练主机传输对ML模型的请求。
图7示出根据本公开的一些实施例的节点的框图。
节点可包含接收电路系统、处理器及传输电路系统。在一个实施例中,节点可包含至少一个非暂时性计算机可读媒体,其中存储有计算机可执行指令。处理器可耦合到至少一个非暂时性计算机可读媒体、接收电路系统及传输电路系统。计算机可执行指令可编程为利用接收电路系统、传输电路系统及处理器来实施方法。
本公开的方法可在编程处理器上实施。然而,控制器、流程图及模块也可在通用或专用计算机、编程微处理器或微控制器及外围集成电路元件、集成电路、硬件电子或逻辑电路(例如离散元件电路)、可编程逻辑装置或其类似者上实施。一般来说,具有能够实施图中所展示的流程图的有限状态机的任何装置可用于实施本公开的处理功能。
尽管已通过特定实施例对本公开进行描述,但所属领域的技术人员将明白许多替代方案、修改及改变。例如,实施例的各种组件可在其它实施例中互换、添加或替换。此外,每一图中所展示的所有元件对于所公开的实施例的操作来说并非必需。例如,所公开的实施例领域的技术人员将能够通过简单地采用独立权利要求的要素来制造及使用本公开的教导。因此,如本文中所阐述的本公开的实施例是说明性的,而非限制性的。在不脱离本公开的精神及范围的情况下,可进行各种改变。
在本公开中,关系术语,例如“第一”、“第二”及其类似者,仅可用于区分一个实体或动作与另一个实体或动作,无需要求或暗示此类实体或动作之间的任何实际关系或顺序。术语“包括(comprises)”、“包括(comprising)”或其任何其它变体意在涵盖非排他性包含,使得包括一系列元件的过程、方法、物品或设备不仅包含那些元件,还可包含未明确列出或此过程、方法、物品或设备固有的其它元件。在没有更多限制的情况下,以“一”、“一个”或其类似者开头的元件不排除在包括所述元件的过程、方法、物品或设备中存在额外的相同元件。此外,术语“另一个”被定义为至少第二或更多。如本文中所使用的术语“包含”、“具有”及其类似者被定义为“包括”。
Claims (15)
1.一种方法,其包括:
接收与用于辅助节点(SN)改变或主要辅助小区(PSCell)改变的用户设备(UE)相关联的第一信息;及/或
接收与用于所述SN改变或所述PSCell改变的一或多个候选节点相关联的第二信息;及
基于所述第一信息及/或所述第二信息利用机器学习(ML)模型来确定关于所述SN改变或所述PSCell改变的动作。
2.根据权利要求1所述的方法,其进一步包括:
基于经确定动作触发所述SN改变或所述PSCell改变。
3.根据权利要求1所述的方法,其中所述第一信息是直接从所述UE及/或从主节点接收,且包含以下信息中的至少一者:
由所述一或多个候选节点管理的一或多个候选小区的一或多个测量结果;
移动性历史信息;
所述一或多个候选节点的预测服务质量(QoS)或业务参数;
所述一或多个候选节点在过去时间段内的QoS或业务参数;
所述一或多个候选小区中的每一者的预测小区负载;
所述一或多个候选小区中的每一者在过去时间段内的小区负载;
预测SN改变频率或预测PSCell改变频率;
过去时间段内的SN改变频率或PSCell改变频率;及
接入所述一或多个候选小区的预测概率。
4.根据权利要求1所述的方法,其中所述第二信息是从所述一或多个候选节点及/或从主节点及/或从所述源SN接收,或由源辅助节点确定,且
其中所述第二信息包含所述一或多个候选节点中或由所述一或多个候选节点管理的一或多个候选小区中的以下信息中的至少一者:
过去时间段内的活动UE的数目;
所述过去时间段内的资源利用率;
所述过去时间段内的容量;
所述过去时间段内的QoS或业务参数;
所述过去时间段内的RRC连接;
所述过去时间段内的小区负载;
所述过去时间段内的SN改变频率;
活动UE的预测数目;
预测资源利用率;
预测容量;
预测QoS或预测业务参数;
预测RRC连接;
预测小区负载;
预测SN改变频率;及
由所述UE接入的预测概率。
5.根据权利要求1所述的方法,其中所述动作包含以下信息中的至少一者:
确定是否执行SN改变或PSCell改变;
确定执行所述SN改变或所述PSCell改变的时间;
确定执行SN间PSCell改变或SN内PSCell改变;
确定所述SN改变的目标节点;
确定所述PSCell改变的目标PSCell;
确定SN改变或SN间PSCell改变参数;
确定PSCell改变或SN内PSCell改变参数;及
确定激活或去激活对应于目标SN的目标辅助小区群组。
6.根据权利要求1所述的方法,其进一步包括:
直接或间接从所述UE接收第一反馈,其中所述第一反馈包含以下信息中的至少一者:
从所述UE接入所述目标SN或所述目标PSCell的时间点到所述UE在所述目标SN或所述目标PSCell的覆盖范围之外的时间点的时间段;
目标SN或目标PSCell中的QoS级等待时间、QoS级分组丢失率或QoS级抖动;
所述UE在所述目标SN或所述目标PSCell中的一或多个业务模式;
所述UE在所述目标SN或所述目标PSCell中的资源利用率;
所述UE的一或多个服务需求;及
所述UE的一或多个连接配置。
7.根据权利要求1所述的方法,其进一步包括:
从目标SN及/或从主节点接收第二反馈,或确定所述第二反馈,其中所述第二反馈包含以下信息中的至少一者:
从所述UE接入所述目标SN或所述目标PSCell的时间点到UE在所述目标SN或所述目标PSCell的覆盖范围之外的时间点的时间段;
与所述目标SN或所述目标PSCell相关联的QoS级等待时间、QoS级分组丢失率或QoS级抖动;
与所述目标SN或所述目标PSCell相关联的无线电效率;
与所述目标SN或所述目标PSCell相关联的移动性历史信息;及
由所述目标SN或所述目标PSCell应用的一或多个连接配置。
8.根据权利要求6或7所述的方法,其进一步包括:
基于所述第一反馈及/或所述第二反馈及/或经确定动作来重新训练所述ML模型;及
更新所述ML模型。
9.根据权利要求6或7所述的方法,其进一步包括:
至少将所述第一反馈或所述第二反馈或经确定动作传输到提供所述ML模型的主机,用于重新训练所述ML模型。
10.根据权利要求9所述的方法,其进一步包括:
接收经更新ML模型。
11.根据权利要求1所述的方法,其进一步包括:
至少向主节点或向所述UE传输对所述第一信息的第一请求;及/或
至少向主节点或向所述一或多个候选节点传输对所述第二信息的第二请求。
12.根据权利要求11所述的方法,其中基于所述第一信息来确定所述一或多个候选节点。
13.根据权利要求11所述的方法,其中所述第一请求及所述第二请求是在一个消息中传输或在两个不同消息中传输。
14.根据权利要求1所述的方法,其进一步包括:
至少向所述UE或主节点(MN)或目标SN传输对所述第一反馈的第三请求;及/或
至少向所述MN或所述目标SN传输对所述第二反馈的第四请求。
15.根据权利要求14所述的方法,其中所述第三请求及所述第四请求是在一个消息中传输或在两个不同消息中传输。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/071847 WO2022151200A1 (en) | 2021-01-14 | 2021-01-14 | Method and apparatus for performing pscell change procedure |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116711373A true CN116711373A (zh) | 2023-09-05 |
Family
ID=82447854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180090117.1A Pending CN116711373A (zh) | 2021-01-14 | 2021-01-14 | 用于执行pscell改变过程的方法及设备 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4278677A1 (zh) |
CN (1) | CN116711373A (zh) |
WO (1) | WO2022151200A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108282836B (zh) * | 2017-01-06 | 2020-10-30 | 展讯通信(上海)有限公司 | 辅基站切换方法、装置及基站 |
KR102401279B1 (ko) * | 2017-08-21 | 2022-05-25 | 삼성전자 주식회사 | 무선 통신 네트워크에서 통신 방법 및 이를 위한 시스템 |
CN110198545B (zh) * | 2018-02-24 | 2021-12-14 | 维沃移动通信有限公司 | 一种辅小区组添加方法、终端设备及主节点 |
-
2021
- 2021-01-14 EP EP21918408.2A patent/EP4278677A1/en active Pending
- 2021-01-14 WO PCT/CN2021/071847 patent/WO2022151200A1/en active Application Filing
- 2021-01-14 CN CN202180090117.1A patent/CN116711373A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022151200A1 (en) | 2022-07-21 |
EP4278677A1 (en) | 2023-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10939309B2 (en) | Intent-driven radio access networking method and system | |
CN108632813B (zh) | 移动边缘计算的移动性管理方法及系统 | |
EP3847841B1 (en) | Procedure for optimization of self-organizing network | |
US10158583B2 (en) | Virtual network function state scaling | |
US11617094B2 (en) | Machine learning in radio access networks | |
US9215643B2 (en) | Route selecting device and mobile radio communication system | |
CN112512058A (zh) | 网络优化方法、服务器、客户端设备、网络设备和介质 | |
Yau et al. | Application of reinforcement learning to wireless sensor networks: models and algorithms | |
Liu et al. | A fuzzy-clustering based approach for MADM handover in 5G ultra-dense networks | |
Munir et al. | Intelligent service fulfillment for software defined networks in smart city | |
US11310692B2 (en) | Method and device for adaptively controlling traffic in a mobile network | |
US20220361057A1 (en) | Method and apparatus for performing communication after mobility in wireless communication system | |
Devi et al. | Optimization techniques for spectrum handoff in cognitive radio networks using cluster based cooperative spectrum sensing | |
Li et al. | Layered fault management scheme for end-to-end transmission in internet of things | |
Zannou et al. | Path length optimization in heterogeneous network for internet of things | |
US20230262478A1 (en) | Model configuration method and apparatus | |
WO2023143267A1 (zh) | 一种模型配置方法及装置 | |
CN116711373A (zh) | 用于执行pscell改变过程的方法及设备 | |
WO2015149725A1 (zh) | 一种回程链路调整方法、移动设备及系统 | |
US20240098586A1 (en) | Prediction in a distributed network | |
Bozkaya et al. | Energy‐aware mobility for aerial networks: A reinforcement learning approach | |
Raftopoulos et al. | DRL-based Latency-Aware Network Slicing in O-RAN with Time-Varying SLAs | |
WO2021168753A1 (en) | Methods, apparatuses, and systems for intelligent interference management and radio resource management | |
Duran et al. | Age of Twin (AoT): A New Digital Twin Qualifier for 6G Ecosystem | |
Rajabi | Predictive Handover Optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |