CN116938747A - 一种通信方法及装置 - Google Patents
一种通信方法及装置 Download PDFInfo
- Publication number
- CN116938747A CN116938747A CN202210324047.8A CN202210324047A CN116938747A CN 116938747 A CN116938747 A CN 116938747A CN 202210324047 A CN202210324047 A CN 202210324047A CN 116938747 A CN116938747 A CN 116938747A
- Authority
- CN
- China
- Prior art keywords
- terminal devices
- network element
- network
- state information
- information
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000006870 function Effects 0.000 claims abstract description 155
- 238000012549 training Methods 0.000 claims abstract description 122
- 230000004044 response Effects 0.000 claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims description 60
- 238000007405 data analysis Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 description 53
- 238000004458 analytical method Methods 0.000 description 43
- 238000007726 management method Methods 0.000 description 41
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000012423 maintenance Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 101150119040 Nsmf gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种通信方法及装置,用于提升联邦学习的训练效率。该方法包括:应用功能网元发送第一请求消息,第一请求消息用于请求候选范围内的终端设备的网络状态信息;应用功能网元获取第一响应消息,第一响应消息包括N1个终端设备的网络状态信息,候选范围内的终端设备包括N1个终端设备,N1为正整数;应用功能网元根据N1个终端设备的网络状态信息,确定N2个终端设备,N2个终端设备用于参与联邦学习模型的训练,N1个终端设备包括N2个终端设备,N2为正整数。
Description
技术领域
本申请实施例涉及通信技术领域,尤其涉及一种通信方法及装置。
背景技术
联邦学习(federated learning,FL)是一个机器学习框架,能有效帮助多个用户在满足用户隐私保护、数据安全和政府法规的要求下,进行数据使用和机器学习建模。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,在不共享用户数据的基础上进行联合建模,进而从技术上打破数据孤岛,实现人工智能(artificial intelligence,AI)协作。然而,现有的联邦学习的方法效率不高。
发明内容
本申请实施例提供一种通信方法及装置,以期提升联邦学习的效率。
第一方面,本申请实施例提供一种通信方法,包括:应用功能网元发送第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;所述应用功能网元获取第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数;所述应用功能网元根据所述N1个终端设备的网络状态信息,确定N2个终端设备,所述N2个终端设备用于参与联邦学习模型的训练,所述N1个终端设备包括所述N2个终端设备,N2为正整数。
通过这样的设计,在选择参与联邦学习的终端设备时,引入对终端设备的网络状态信息的考虑,确保参与方的通信能力,能够提升联邦学习的效率。
在一种可能的设计中,所述第一请求消息包括用于指示所述候选范围的信息,所述候选范围包括指定的网络区域,或者终端设备候选列表。
在一种可能的设计中,N1的取值属于设定数量范围。可选的,所述第一请求消息可以包括第一指示信息,所述第一指示信息用于指示N1的取值位于设定数量范围之内。
在一种可能的设计中,所述第一请求消息包括N1的取值范围。可选的,该N1的取值范围可以和前述设定数量范围相同也可以不相同。
通过这样的设计,便于数据提供方提供符合数量要求的终端设备的网络状态信息。
在一种可能的设计中,所述N1个终端设备的网络状态信息大于或等于第一网络状态信息阈值。可以理解的是,应用功能网元也可以推导候选范围除N1个终端设备之外其他终端设备的网络状态信息小于第一网络状态信息阈值,通过这样的设计能够节省第一响应消息的信令开销。
在一种可能的设计中,所述应用功能网元根据所述N1个终端设备的网络状态信息,确定N2个终端设备,包括:所述应用功能网元根据所述N1个终端设备的网络状态信息以及所述N1个终端设备的应用层信息,确定所述N2个终端设备。通过这样的设计,应用侧可以利用UE的网络状态信息结合应用层信息选择参与联邦学习模型训练或更新的UE,实现对基于应用层信息选择参与方的算法的优化,从而提升联邦学习模型训练的效率。
在一种可能的设计中,还包括:所述应用功能网元获取所述N2个终端设备中网络状态信息异常的终端设备的信息;所述应用功能网元获取N3个终端设备的网络状态信息,所述候选范围包括所述N3个终端设备,所述N3个终端设备不包括所述N2个终端设备,N3为正整数;所述应用功能网元根据所述N2个终端设备中网络状态信息异常的终端设备的信息以及所述N3个终端设备的网络状态信息,确定N4个终端设备,所述N4个终端设备用于参与联邦学习模型的更新训练,N4为正整数,例如N4等于N2。
这样的设计,在已参与联邦学习的终端设备基础上,更新确定参与后续轮次联邦学习的终端设备,相较于每轮单独确定参与联邦学习的终端设备,更为快速便捷,从而提升联邦学习的效率。
在一种可能的设计中,所述N4个终端设备包括所述N2个终端设备中除网络状态信息异常的终端设备之外的其他终端设备。
在一种可能的设计中,所述应用功能网元获取所述N2个终端设备中网络状态信息异常的终端设备的信息,包括:所述应用功能网元向网络数据分析功能网元发送第二指示信息,所述第二指示信息用于指示对所述N2个终端设备的网络状态信息进行监控,所述第二指示信息包括第二网络状态信息阈值,所述第二网络状态信息阈值用于确定所述终端设备的业务流量信息是否异常;所述应用功能网元从所述网络数据分析功能网元获取所述N2个终端设备中网络状态信息异常的终端设备的信息。
在一种可能的设计中,所述通信方法还包括:所述应用功能网元与所述N2个终端设备进行所述联邦学习模型的训练。
第二方面,本申请实施例提供一种通信方法,可以应用于接入与移动性管理功能网元或者操作维护管理网元。以应用于接入与移动性管理功能网元为例,该通信方法包括:
接入与移动性管理功能网元获取第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;
接入与移动性管理功能网元发送第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数。
对应第一方面,可以理解N1个终端设备的网络状态信息用于应用功能网元确定参与联邦学习模型训练的N2个终端设备。
在一种可能的设计中,所述第一请求消息包括用于指示所述候选范围的信息,所述候选范围包括指定的网络区域,或者终端设备候选列表。
在一种可能的设计中,N1的取值属于设定数量范围。可选的,所述第一请求消息可以包括第一指示信息,所述第一指示信息用于指示N1的取值位于设定数量范围之内。
在一种可能的设计中,所述第一请求消息包括N1的取值范围。可选的,该N1的取值范围可以和前述设定数量范围相同也可以不相同。
在一种可能的设计中,所述N1个终端设备的网络状态信息大于或等于第一网络状态信息阈值。
在一种可能的设计中,所述通信方法还包括:接入与移动性管理功能网元发送N3个终端设备的网络状态信息,所述候选范围包括所述N3个终端设备,所述N3个终端设备不包括所述N2个终端设备,N3为正整数。
第三方面,本申请实施例提供一种通信方法,可以应用于网络数据分析功能网元,该通信方法包括:
网络数据分析功能网元获取第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;
所述网络数据分析功能网元从接入与移动性管理功能网元和/或操作维护管理网元中,获取所述候选范围内的终端设备的网络状态信息;
所述网络数据分析功能网元发送第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数。
对应第一方面,可以理解N1个终端设备的网络状态信息用于应用功能网元确定参与联邦学习模型训练的N2个终端设备。
在一种可能的设计中,所述第一请求消息包括用于指示所述候选范围的信息,所述候选范围包括指定的网络区域,或者终端设备候选列表。
在一种可能的设计中,N1的取值属于设定数量范围。可选的,所述第一请求消息可以包括第一指示信息,所述第一指示信息用于指示N1的取值位于设定数量范围之内。
在一种可能的设计中,所述第一请求消息包括N1的取值范围。可选的,该N1的取值范围可以和前述设定数量范围相同也可以不相同。
在一种可能的设计中,所述N1个终端设备的网络状态信息大于或等于第一网络状态信息阈值。
在一种可能的设计中,还包括:网络数据分析功能网元接收来自应用功能网元的第二指示信息,所述第二指示信息用于指示对所述N2个终端设备的网络状态信息进行监控,所述第二指示信息包括第二网络状态信息阈值,所述第二网络状态信息阈值用于确定所述终端设备的业务流量信息是否异常;所述网络数据分析功能网元向所述应用功能网元发送所述N2个终端设备中网络状态信息异常的终端设备的信息。
第四方面,本申请实施例提供一种通信装置,可以应用于应用功能网元,包括:通信模块,用于发送第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;所述通信模块,用于获取第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数;处理模块,用于根据所述N1个终端设备的网络状态信息,确定N2个终端设备,所述N2个终端设备用于参与联邦学习模型的训练,所述N1个终端设备包括所述N2个终端设备,N2为正整数。
在一种可能的设计中,所述第一请求消息包括用于指示所述候选范围的信息,所述候选范围包括指定的网络区域,或者终端设备候选列表。
在一种可能的设计中,所述第一请求消息包括第一指示信息,所述第一指示信息用于指示N1的取值位于设定数量范围之内。
在一种可能的设计中,所述第一请求消息包括N1的取值范围。
在一种可能的设计中,所述N1个终端设备的网络状态信息大于或等于第一网络状态信息阈值。
在一种可能的设计中,所述处理模块,具体用于:
根据所述N1个终端设备的网络状态信息以及所述N1个终端设备的应用层信息,确定所述N2个终端设备。
在一种可能的设计中,所述通信模块,还用于获取所述N2个终端设备中网络状态信息异常的终端设备的信息;以及,获取N3个终端设备的网络状态信息,所述候选范围包括所述N3个终端设备,所述N3个终端设备不包括所述N2个终端设备,N3为正整数;所述处理模块,还用于根据所述N2个终端设备中网络状态信息异常的终端设备的信息以及所述N3个终端设备的网络状态信息,确定N4个终端设备,所述N4个终端设备用于参与联邦学习模型的更新训练,N4为正整数。
在一种可能的设计中,所述N4个终端设备包括所述N2个终端设备中除网络状态信息异常的终端设备之外的其他终端设备。
在一种可能的设计中,所述通信模块,还用于:向网络数据分析功能网元发送第二指示信息,所述第二指示信息用于指示对所述N2个终端设备的网络状态信息进行监控,所述第二指示信息包括第二网络状态信息阈值,所述第二网络状态信息阈值用于确定所述终端设备的业务流量信息是否异常;从所述网络数据分析功能网元获取所述N2个终端设备中网络状态信息异常的终端设备的信息。
在一种可能的设计中,所述处理模块,还用于与所述N2个终端设备进行所述联邦学习模型的训练。
第五方面,本申请实施例提供一种通信装置,可以应用于接入与移动性管理功能网元或者操作维护管理网元。该通信装置包括:
通信模块,用于获取第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;
处理模块,用于确定候选范围内的终端设备的网络状态信息;
所述通信模块,还用于发送第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数。
对应第二方面,可以理解N1个终端设备的网络状态信息用于应用功能网元确定参与联邦学习模型训练的N2个终端设备。
在一种可能的设计中,所述第一请求消息包括用于指示所述候选范围的信息,所述候选范围包括指定的网络区域,或者终端设备候选列表。
在一种可能的设计中,N1的取值属于设定数量范围。可选的,所述第一请求消息可以包括第一指示信息,所述第一指示信息用于指示N1的取值位于设定数量范围之内。
在一种可能的设计中,所述第一请求消息包括N1的取值范围。可选的,该N1的取值范围可以和前述设定数量范围相同也可以不相同。
在一种可能的设计中,所述N1个终端设备的网络状态信息大于或等于第一网络状态信息阈值。
在一种可能的设计中,所述通信装模块,还用于发送N3个终端设备的网络状态信息,所述候选范围包括所述N3个终端设备,所述N3个终端设备不包括所述N2个终端设备,N3为正整数。
第六方面,本申请实施例提供一种通信装置,可以应用于网络数据分析功能网元,该通信装置包括:
通信模块,用于获取第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;
所述通信模块,还用于从接入与移动性管理功能网元和/或操作维护管理网元中,获取所述候选范围内的终端设备的网络状态信息;
处理模块,用于通过所述通信模块发送第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数。
对应第三方面,可以理解N1个终端设备的网络状态信息用于应用功能网元确定参与联邦学习模型训练的N2个终端设备。
在一种可能的设计中,所述第一请求消息包括用于指示所述候选范围的信息,所述候选范围包括指定的网络区域,或者终端设备候选列表。
在一种可能的设计中,N1的取值属于设定数量范围。可选的,所述第一请求消息可以包括第一指示信息,所述第一指示信息用于指示N1的取值位于设定数量范围之内。
在一种可能的设计中,所述第一请求消息包括N1的取值范围。可选的,该N1的取值范围可以和前述设定数量范围相同也可以不相同。
在一种可能的设计中,所述N1个终端设备的网络状态信息大于或等于第一网络状态信息阈值。
在一种可能的设计中,通信模块,还用于:接收来自应用功能网元的第二指示信息,所述第二指示信息用于指示对所述N2个终端设备的网络状态信息进行监控,所述第二指示信息包括第二网络状态信息阈值,所述第二网络状态信息阈值用于确定所述终端设备的业务流量信息是否异常;向所述应用功能网元发送所述N2个终端设备中网络状态信息异常的终端设备的信息。
第七方面,本申请实施例提供一种通信方法,包括:
应用功能网元发送第二请求消息,所述第二请求消息用于请求候选范围内推荐的参与联邦学习模型的训练的终端设备;
所述应用功能网元获取第二响应消息,所述第二响应消息包括推荐的N1个终端设备,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数;
所述应用功能网元根据所述第二响应消息,确定N2个终端设备,所述N2个终端设备用于参与联邦学习模型的训练,所述N1个终端设备包括所述N2个终端设备,N2为正整数。
第八方面,本申请实施例提供一种通信方法,包括:
网络数据分析功能网元接收第二请求消息,所述第二请求消息用于请求候选范围内推荐的参与联邦学习模型的训练的终端设备;
所述网络数据分析功能网元确定候选范围内推荐的参与联邦学习模型的训练的终端设备;
所述网络数据分析功能网元发送第二响应消息,所述第二响应消息包括推荐的N1个终端设备,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数。
在一种可能的设计中,所述网络数据分析功能网元确定候选范围内推荐的参与联邦学习模型的训练的终端设备,包括:
所述网络数据分析功能网元从接入与移动性管理功能网元和/或操作维护管理网元中,获取所述候选范围内的终端设备的网络状态信息;
所述网络数据分析功能网元根据所述候选范围内的终端设备的网络状态信息,确定所述推荐的N1个设备。
第九方面,本申请实施例提供一种通信装置,可以应用于应用功能网元,该通信装置包括:
通信模块,用于发送第二请求消息,所述第二请求消息用于请求候选范围内推荐的参与联邦学习模型的训练的终端设备;
所述通信模块,用于获取第二响应消息,所述第二响应消息包括推荐的N1个终端设备,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数;
处理模块,用于根据所述第二响应消息,确定N2个终端设备,所述N2个终端设备用于参与联邦学习模型的训练,所述N1个终端设备包括所述N2个终端设备,N2为正整数。
第十方面,本申请实施例提供一种通信装置,可以应用于网络数据分析功能网元,该通信装置包括:
通信模块,用于接收第二请求消息,所述第二请求消息用于请求候选范围内推荐的参与联邦学习模型的训练的终端设备;
处理模块,用于确定候选范围内推荐的参与联邦学习模型的训练的终端设备;
所述通信模块,用于发送第二响应消息,所述第二响应消息包括推荐的N1个终端设备,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数。
在一种可能的设计中,所述处理模块,具体用于:通过所述通信模块从接入与移动性管理功能网元和/或操作维护管理网元中,获取所述候选范围内的终端设备的网络状态信息;根据所述候选范围内的终端设备的网络状态信息,确定所述推荐的N1个设备。
第十一方面,本申请实施例提供一种通信装置,所述通信装置包括处理器,用于实现上述第一方面所描述的方法。处理器与存储器耦合,存储器用于存储指令和数据,所述处理器执行所述存储器中存储的指令时,可以实现上述第一方面描述的方法。可选的,所述通信装置还可以包括存储器;所述通信装置还可以包括通信接口,所述通信接口用于该通信装置与其它设备进行通信,示例性的,通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。
在一种可能的设备中,该通信装置包括:
存储器,用于存储程序或指令;
处理器,用于利用通信接口发送第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;以及获取第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数;
所述处理器,还用于根据所述N1个终端设备的网络状态信息,确定N2个终端设备,所述N2个终端设备用于参与联邦学习模型的训练,所述N1个终端设备包括所述N2个终端设备,N2为正整数。
第十二方面,本申请实施例提供一种通信装置,所述通信装置包括处理器,用于实现上述第二方面所描述的方法。处理器与存储器耦合,存储器用于存储指令和数据,所述处理器执行所述存储器中存储的指令时,可以实现上述第二方面描述的方法。可选的,所述通信装置还可以包括存储器;所述通信装置还可以包括通信接口,所述通信接口用于该通信装置与其它设备进行通信,示例性的,通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。
在一种可能的设备中,该通信装置包括:
存储器,用于存储程序或指令;
处理器,用于利用通信接口获取第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;确定候选范围内的终端设备的网络状态信息;以及利用通信接口发送第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数。
第十三方面,本申请实施例提供一种通信装置,所述通信装置包括处理器,用于实现上述第三方面所描述的方法。处理器与存储器耦合,存储器用于存储指令和数据,所述处理器执行所述存储器中存储的指令时,可以实现上述第三方面描述的方法。可选的,所述通信装置还可以包括存储器;所述通信装置还可以包括通信接口,所述通信接口用于该通信装置与其它设备进行通信,示例性的,通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。
在一种可能的设备中,该通信装置包括:
存储器,用于存储程序或指令;
处理器,用于利用通信接口获取第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;利用通信接口从接入与移动性管理功能网元和/或操作维护管理网元中,获取所述候选范围内的终端设备的网络状态信息;以及利用通信接口发送第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数。
第十四方面,本申请实施例提供一种通信装置,所述通信装置包括处理器,用于实现上述第七方面所描述的方法。处理器与存储器耦合,存储器用于存储指令和数据,所述处理器执行所述存储器中存储的指令时,可以实现上述第七方面描述的方法。可选的,所述通信装置还可以包括存储器;所述通信装置还可以包括通信接口,所述通信接口用于该通信装置与其它设备进行通信,示例性的,通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。
在一种可能的设备中,该通信装置包括:
存储器,用于存储程序或指令;
处理器,用于利用通信接口发送第二请求消息,所述第二请求消息用于请求候选范围内推荐的参与联邦学习模型的训练的终端设备;以及利用通信接口获取第二响应消息,所述第二响应消息包括推荐的N1个终端设备,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数;
所述处理器,还用于根据所述第二响应消息,确定N2个终端设备,所述N2个终端设备用于参与联邦学习模型的训练,所述N1个终端设备包括所述N2个终端设备,N2为正整数。
第十五方面,本申请实施例提供一种通信装置,所述通信装置包括处理器,用于实现上述第八方面所描述的方法。处理器与存储器耦合,存储器用于存储指令和数据,所述处理器执行所述存储器中存储的指令时,可以实现上述第八方面描述的方法。可选的,所述通信装置还可以包括存储器;所述通信装置还可以包括通信接口,所述通信接口用于该通信装置与其它设备进行通信,示例性的,通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。
在一种可能的设备中,该通信装置包括:
存储器,用于存储程序或指令;
处理器,用于利用通信接口获取第二请求消息,所述第二请求消息用于请求候选范围内推荐的参与联邦学习模型的训练的终端设备;确定候选范围内推荐的参与联邦学习模型的训练的终端设备;以及利用通信接口发送第二响应消息,所述第二响应消息包括推荐的N1个终端设备,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数。
第十六方面,本申请实施例提供了一种通信系统,包括如第四方面或第十一方面中所描述的通信装置;以及如第五方面或第十二方面所述的通信装置;或者,
包括如第四方面或第十一方面中所描述的通信装置;以及如第六方面或第十三方面所述的通信装置;或者,
包括如第四方面或第十一方面中所描述的通信装置、如第五方面或第十二方面所述的通信装置、以及如第六方面或第十三方面所述的通信装置。
第十七方面,本申请实施例提供了一种通信系统,包括如第九方面或第十四方面中所描述的通信装置;以及如第十方面或第十五方面所述的通信装置。
第十八方面,本申请实施例提供了一种通信系统,该通信系统包括应用功能网元,应用功能网元用于执行第一方面以及第一方面任一种可能的设计方案。该通信系统还可以包括网络数据分析功能网元,接入与移动性管理功能网元,操作维护管理网元中的一个或多个。其中,网络数据分析功能网元可以与所述应用功能网元、接入与移动性管理功能网元、或操作维护管理网元通信,接入与移动性管理功能网元或操作维护管理网元,可以与应用功能网元或网络数据分析功能网元通信。
第十九方面,本申请实施例还提供了一种计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述第一方面至第三方面、第七方面、第八方面中任一方面提供的方法。
第二十方面,本申请实施例还提供了一种计算机程序产品,包括指令,当所述指令在计算机上运行时,使得计算机执行上述第一方面至第三方面、第七方面、第八方面中任一方面提供的方法。
第二十一方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序或指令,当所述计算机程序或者指令在计算机上运行时,使得所述计算机执行上述第一方面至第三方面、第七方面、第八方面中任一方面提供的方法。
第二十二方面,本申请实施例还提供了一种芯片,所述芯片用于读取存储器中存储的计算机程序,执行上述第一方面至第三方面、第七方面、第八方面中任一方面提供的方法。
第二十三方面,本申请实施例还提供了一种芯片系统,该芯片系统包括处理器,用于支持计算机装置实现上述第一方面至第三方面、第七方面、第八方面中任一方面提供的方法。在一种可能的设计中,所述芯片系统还包括存储器,所述存储器用于保存该计算机装置必要的程序和数据。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。
附图说明
图1为一种5G网络架构示意图;
图2为一种横向联邦学习的数据分布示意图;
图3为一种横向联邦学习的模型训练示意图;
图4为本申请实施例提供的通信方法的流程示意图之一;
图5为本申请实施例提供的通信方法的流程示意图之一;
图6为本申请实施例提供的通信方法的流程示意图之一;
图7为本申请实施例提供的通信装置的结构示意图之一;
图8为本申请实施例提供的通信装置的结构示意图之一。
具体实施方式
参考图1,为本申请实施例所适用的5G网络架构示意图,图1所示的5G网络架构包括三部分,分别是终端设备部分、数据网络(data network,DN)部分和运营商网络部分。下面对其中的部分网元的功能进行简单介绍说明。
其中,运营商网络可包括以下网元中的一个或多个:鉴权服务器功能(Authentication Server Function,AUSF)网元、网络开放功能(network exposurefunction,NEF)网元、策略控制功能(Policy Control Function,PCF)网元、统一数据管理(unified data management,UDM)、统一数据库(Unified Data Repository,UDR)、网络存储功能(Network Repository Function,NRF)网元、接入与移动性管理功能(Access andMobility Management Function,AMF)网元、会话管理功能(session managementfunction,SMF)网元、无线接入网(Radio Access Network,RAN)设备、用户面功能(userplane function,UPF)网元以及网络数据分析功能(Network Data Analytics Function,NWDAF)网元等。上述运营商网络中,除无线接入网部分之外的部分可以称为核心网络部分。在一种可能的实现方法中,运营商网络中还包括应用功能(Application Function,AF)网元、操作维护管理(operation administration and maintenance,OAM)网元。
在具体实现中,本申请实施例中的终端设备,可以是用于实现无线通信功能的设备。其中,一些终端设备的举例包括:用户设备(user equipment,UE)、接入终端、终端单元、终端站、移动站、移动台、远方站、远程终端、移动设备、无线通信设备、终端代理或终端装置等。接入终端可以是蜂窝电话、无绳电话、会话启动协议(session initiation protocol,SIP)电话、无线本地环路(wireless local loop,WLL)站、个人数字助理(personaldigital assistant,PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备。终端设备可以是物联网中的终端设备、虚拟现实(virtual reality,VR)终端设备、5G网络或者未来演进的公共陆地移动网络(publicland mobile network,PLMN)中的终端设备、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,家用电器等。终端可以是移动的,也可以是固定的。
上述终端设备可通过运营商网络提供的接口(例如N1等)与运营商网络建立连接,使用运营商网络提供的数据和/或语音等服务。终端设备还可通过运营商网络访问DN,使用DN上部署的运营商业务,和/或第三方提供的业务。其中,上述第三方可为运营商网络和终端设备之外的服务方,可为终端设备提供其他数据和/或语音等服务。其中,上述第三方的具体表现形式,具体可根据实际应用场景确定,在此不做限制。
RAN作为接入网网元是运营商网络的子网络,是运营商网络中业务节点与终端设备之间的实施系统。终端设备要接入运营商网络,首先是经过RAN,进而可通过RAN与运营商网络的业务节点连接。本申请中的RAN设备,是一种为终端设备提供无线通信功能的设备,如提供终端设备和核心网络之间的连接,RAN设备也称为接入网设备。本申请中的RAN设备包括但不限于:基站(base station)、演进型基站(evolved NodeB,eNodeB)、发送接收点(transmission reception point,TRP)、5G中的下一代基站(g nodeB,gNB)、6G移动通信系统中的下一代基站、未来移动通信系统中的基站或无线保真(wireless fidelity,WiFi)系统中的接入节点、演进型节点B(evolved node B,eNB)、无线网络控制器(radio networkcontroller,RNC)、节点B(node B,NB)、基站控制器(base station controller,BSC)、基站收发台(base transceiver station,BTS)、家庭基站(例如,home evolved nodeB,或homenode B,HNB)、基带单元(baseBand unit,BBU)、发射点(transmitting point,TP)、移动交换中心等。
OAM网元,主要进行日常网络和业务的分析、预测、规划和配置、以及对网络及其业务的测试和故障管理等功能,OAM网元也可以称为网管。示例性,OAM可以和RAN交互,获取RAN侧的无线信道条件和无线资源利用率等信息。
AMF网元,主要为终端设备提供移动性管理、合法监听、或者接入鉴权/授权等功能。此外,还负责在UE与PCF间传递用户策略。
SMF网元,主要进行会话管理、PCF下发控制策略的执行、UPF的选择、UE互联网协议(internet protocol,IP)地址分配等功能。
UPF网元,作为和数据网络的接口UPF,完成用户面数据转发、基于会话/流级的计费统计,带宽限制等功能。
UDM网元,主要负责管理签约数据、用户接入授权等功能。
UDR,主要负责签约数据、策略数据、应用数据等类型数据的存取功能。
NEF网元,主要用于支持能力和事件的开放。
AF网元,主要传递应用侧对网络侧的需求,例如,服务质量(Quality of Service,QoS)需求或用户状态事件订阅等。AF可以是第三方功能实体,也可以是运营商部署的应用服务。
NEF网元,主要负责对外提供5G网络的能力和事件的开放,以及接收相关的外部信息。
PCF网元,主要负责针对会话、业务流级别进行计费、QoS带宽保障及移动性管理、UE策略决策等策略控制功能。
NRF网元,可用于提供网元发现功能,基于其他网元的请求,提供网元类型对应的网元信息。NRF还提供网元管理服务,如网元注册、更新、去注册以及网元状态订阅和推送等。
NWDAF网元,主要用于收集网络数据,例如收集来自终端设备、RAN设备、核心网、第三方业务服务器或者网管系统的相关数据等。NWDAF网元提供网络数据分析服务,可以输出数据分析结果,并向终端设备、RAN设备、核心网、第三方业务服务器或者网管系统提供数据分析结果。NWDAF可以利用机器学习模型进行数据分析,例如3GPP Release 17中NWDAF的功能被分解,包括数据收集功能(或者数据收集逻辑功能(data collection function))、模型训练功能(或者机器学习模型训练逻辑功能(machine learning model traininglogical function))以及模型推理功能(或者分析逻辑功能(analytics logicalfunction))。示例性的,数据分析结果可协助网络选择业务的服务质量参数,或协助网络执行流量路由,或协助网络选择背景流量传输策略等。
图1中Nnwdaf、Nausf、Nnef、Npcf、Nudm、Naf、Namf、Nsmf、N1、N2、N3、N4,以及N6为接口序列号。这些接口序列号的含义可参见3GPP标准协议中定义的含义,在此不做限制。
需要说明的是,本申请实施例中,网络数据分析功能网元可以是图1所示的NWDAF网元,也可以是未来通信系统中具有本申请中NWDAF网元的功能的其它网元,移动性管理网元可以是图1所示的AMF网元,也可以是未来通信系统中具有本申请中AMF网元的功能的其它网元;用户面网元可以是图1所示的UPF网元,也可以是未来通信系统中具有本申请中UPF网元的功能的其它网元;会话管理功能网元可以是图1所示的SMF网元,也可以是未来通信系统中具有本申请中SMF网元的功能的其它网元;应用功能网元可以是图1所示的AF网元,也可以是未来通信系统中具有本申请中AF网元的功能的其它网元;接入网设备可以是图1所示的RAN设备,也可以是未来通信系统中具有本申请中RAN设备的功能的其它网元;操作维护管理网元可以是图1所示的OAM网元,也可以是未来通信系统中具有本申请中OAM网元的功能的其它网元。
为便于说明,本申请实施例中,以数据分析网元为NWDAF网元,移动性管理网元为AMF网元,用户面网元为UPF网元,应用功能网元为AF网元,操作维护管理网元为OAM网元,接入网设备为RAN设备为例进行说明。以及,以终端设备为UE为例进行说明。另外,本申请实施例中的NWDAF网元也可以简称为NWDAF,UPF网元也可以简称为UPF,AF网元也可简称为AF,OAM网元也可以简称为OAM。
为便于理解本申请实施例方案,下面先介绍与本申请实施例相关的技术。
联邦学习(Federated Learning,FL)是一个机器学习框架,在该框架中,节点之间无需涉及数据交互,而是传递训练中得到的中间结果,例如模型的参数或者梯度等能够表征模型的信息。即联邦学习可以在满足用户隐私保护、数据安全的要求,进行机器学习的建模,即训练AI模型。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与联邦学习的节点在不共享数据的基础上联合建模,从而在技术上打破数据孤岛,实现AI协作。
一般地,根据参与各方数据源分布的情况不同,联邦学习可以分为三类:横向联邦学习、纵向联邦学习、联邦迁移学习。其中,横向联邦学习指的是在多个数据集(或理解为样本集)的用户特征重叠较多而用户重叠较少的情况下,把数据集按照横向(即用户维度)切分,并依据用户特征相同而用户不完全相同的部分数据进行模型的训练。纵向联邦学习指的是在多个数据集的用户重叠较多而用户特征重叠较少的情况下,把数据集按照纵向(即特征维度)切分,依据用户相同而用户特征不完全相同的部分数据进行模型的训练。联邦迁移学习指的是在多个数据集的用户与用户特征重叠都较少的情况下,不对数据进行切分,而是利用迁移学习克服数据或样本标签不足的情况。
下面以横向联邦学习为例,对联邦学习模型的训练过程进行详细说明。
图2为一种横向联邦学习的数据分布示意图,涉及运营商A和B的数据集。其中,运营商A和B的数据集在用户维度的交集较小,但在用户特征维度的交集较大。在进行横向联邦学习的模型训练时,可以从运营商A和B的数据集中挑选出相同特征的数据作为训练数据。例如,运营商A的数据集包含了(用户1,用户2,用户3,用户4)的数据,每个用户的数据包含特征(特征1,特征2,特征3,特征4,特征5),运营商B的数据集包含了(用户4,用户5,用户6,用户7,用户8)的数据,其中每个用户的数据包含特征(特征2,特征3,特征4,特征5,特征6)。在进行横向联邦学习的模型训练时,可以从运营商A和B的数据集中挑选特征2,特征3,特征4和特征5的数据作为训练数据。
图3为一种横向联邦学习的模型训练示意图。步骤1,多个UE参与联邦学习模型的训练,利用本地数据计算本地模型对应的梯度,将梯度上报给用于训练联邦学习模型的服务器(server)。图3中示意出了由5G系统(5G System,5GS)进行中间结果传输的横向联邦学习模型训练过程,在步骤1中k个UE可通过5GS将梯度上报给服务器。步骤2,服务器进行梯度聚合,以确定或者更新联邦学习模型的参数。步骤3,服务器将更新后的联邦学习模型对应的梯度分发给各个参与方,如服务器通过5GS向各个UE发送更新后的联邦学习模型对应的梯度。步骤4,各UE根据步骤3获取的联邦学习模型对应的梯度,对自身的本地模型进行更新。重复步骤1~4,多轮迭代,直到联邦学习模型收敛。
在一些诸如海量物联网(massive internet of things,mIoT)的场景中,参与联邦学习模型训练的UE数量可能非常庞大,全部UE参与联邦学习模型训练会占用过多的网络带宽。由于网络带宽资源有限,在横向联邦学习模型训练参与方总数较大的情况下,每轮训练或更新联邦学习模型时,可以选出部分UE参与模型训练。UE选择结果的好坏将直接影响模型训练的效率。
在联邦学习FL环境中可能存在异构客户端,如不同UE的数据集优劣程度不同,不同UE的存储、计算和通信能力也可能相差较大,随机选择部分会加剧联邦学习FL环境中的异构性,不利于联邦学习模型的训练效率。示例性的,FL环境中的异构性主要包括:(1)数据异构性,各个UE设备中本地数据可能不是独立同分布(independent identicallydistributed)的;(2)存储、计算能力异构性,每个UE在存储、计算能力上可能相差较大,造成的结果就是不同UE在利用本地数据计算模型梯度时,计算时间相差较大;(3)通信能力异构性,不同UE的通信能力也可能相差较大,因而造成不同UE将本地计算完成的梯度上传到服务器的时间相差较大。不同UE的本地计算完成时间可能不同,将中间结果传输到服务器的时间也可能不同,而服务器又需要等到所有UE将中间结果均传输完成后才能更新联邦学习模型,所以会造成整体训练周期变长。由此可见,随机选择UE造成的异构性会影响联邦学习模型的训练效率。
已有技术采用一种非随机的客户端(或UE)选择方案,服务器如AF网元根据UE的应用层信息,用户数据集的分布信息、用户的传输信息量等,选择参与联邦学习模型训练的UE。具体地,AF网元可以在每轮训练时,选择传输信息量较大的UE参与联邦学习模型的训练;或者,AF网元利用强化学习的经验驱动联邦学习框架,选择参与每轮训练的UE,以抵消不同UE之间非独立同分布数据引入的偏差;或者,AF网元利用强化学习建模,优先选取对提高模型准确度有较大作用的数据,又具备快速执行训练能力的UE。但这样的设计仅考虑UE的应用层信息,如果出现UE移出服务区、UE的无线信号变弱或UE与网络的连接中断等情况,导致联邦学习的模型训练和更新出错,仍然会影响联邦学习的效率。
基于此,本申请实施例提供一种联邦学习的参与方选择方案。在本申请实施例中,开放UE的网络状态信息,便于AF选择参与联邦学习模型的训练或更新的UE时,及时考虑UE的网络状态信息,避免选择网络状态信息不佳或者不适于联邦学习的UE,从而提升联邦学习的效率。
本申请实施例中,UE的网络状态信息用于指示如下一个或多个参数:UE的连接状态,如UE的连接状态为连接态、空闲态或去激活态;UE的可达性,如UE可达或者UE不可达;UE的移动性,如UE的移动模式或者移动趋势等;UE的无线信道条件,或描述为UE与RAN设备之间的无线信道的状况,如采用UE与RAN设备之间无线信道的信号干扰噪声比(signal tointerference plus noise ratio,SNR)、UE接收参考信号的参考信号接收功率(referencesignal received power,RSRP)或者参考信号接收质量(reference signal receivedquality,RSRQ)表现无线信道条件;UE对应的无线资源利用率,或描述为UE接入的RAN侧的无线资源利用率。
下面通过方案一至方案三,对本申请实施例结合UE的网络状态信息,确定参与联邦学习的UE的技术方案进行详细说明。
方案一
参见图4示意一种通信方法,该方法包括如下流程。
S401,AF网元发送第一请求消息,所述第一请求消息用于请求候选范围内的UE的网络状态信息。
具体地,该候选范围可以是指定的网络区域或者终端设备候选列表。
其中,一些指定的网络区域举例如下:例如,该指定的网络区域可以为一个或多个网络切片,一个网络切片由单网络切片选择辅助信息(single network slice selectionassistance,S-NSSAI)标识。例如,该指定的网络区域可以为一个或多个跟踪区,一个跟踪区(tracking area,TA)对应一个跟踪区标识(tracking area identity,TAI)。例如,该指定的网络区域可以为一个或多个小区(cell),一个小区对应一个小区标识(cellidentity,cell ID)。例如,该指定的网络区域可以对应一个或多个数据网络,一个数据网络由数据网络名(data network name,DNN)标识,指定的网络区域内的UE指的是接入该数据网络的UE。例如,该指定的网络区域可以对应一个或多个应用,一个应用对应一个应用标识(application identity,application ID),指定的网络区域内的UE指的是正在运行一个或多个application ID所标识的应用的UE。
可以理解的是,实际通信环境中UE可能发生移动,不同时段前述指定的网络区域内的UE可能不同。此外,指定的网络区域也可以是上述标识的组合。例如,指定的网络区域内的UE指的可以是处于TA1标识的区域,并且处于S-NSSAI1标识的切片内的UE。例如,指定的网络区域内的UE指的可以是处于cell2标识的小区中,并且接入到DNN3标识的数据网络内的UE。
关于终端设备候选列表,可以理解为预配置的一组UE,对应一组UE标识(UE groupID或称为list of UE IDs)。例如,UE的网际协议(internet protocol,IP)地址列表,表示为list of UE IP;或者,用户永久标识(subscription permanent identifier,SUPI)列表,表示为list of SUPI;或者,一般公共订阅标识符(generic public subscriptionidentifier,GPSI)列表,表示为list of GPSI。
具体地,AF网元可以根据自身希望获取的网络状态信息,向能够提供UE的网络状态信息的网元发送第一请求消息。例如,如果AMF网元可以提供AF网元希望获取的网络状态信息,AF网元可以向AMF网元发送第一请求消息;如果OAM网元可以提供AMF网元希望获取的网络状态信息,AF网元可以向OAM网元发送第一请求消息。以针对一个UE而言,AF希望获取的网络状态信息来自于AMF以及OAM为例,图4在S401中具体示意出了:S401a,AF网元向AMF发送第一请求消息;以及S401b,AF网元向OAM发送第一请求消息。
具体地,第一请求消息可以为订阅消息。例如AF可以通过Namf_EventExposureSubscribe服务操作向AMF发送订阅消息,以获取候选范围内UE的网络状态信息,如UE的连接状态、UE的可达性信息、UE的移动性信息等。该订阅消息可以携带如下信息:事件标识(Event ID)以及用于指示候选范围的信息。Event ID用于标识订阅的事件类型,表示AF想要从AMF订阅并获取UE的网络状态信息(的具体类型)。例如Event ID=UE reachability,表示AF从AMF订阅UE的网络状态信息包括UE的可达性信息,如Event ID=LocationReporting,表示从AF从AMF订阅UE的网络状态信息包括UE的位置变化信息。用于指示候选范围的信息可以为候选范围的标识,如以range of UEs表示指定的网络区域,以list ofUE IDs表示候选终端设备列表。
可选的,AF网元可以决定请求网络请求信息对应终端设备的数量,如第一请求消息可以具体请求候选范围内部分或全部UE的网络状态信息。一种可选的实施方式中,AF可以在第一请求消息中包括第一指示信息,该第一指示信息用于指示AMF/OAM反馈网络状态信息对应UE数量需要位于设定数量范围之内,以N1表示AMF/OAM反馈网络状态信息对应的UE数量,N1的取值位于设定数量范围之内。示例性的,该设定数量范围可以为一个数量阈值,如1000,表示N1≤1000,N1为正整数。或者,该设定数量范围也可以为一个取值区间,如[200,3000],N1为[200,3000]中的一个正整数。或者,一种可选的实施方式中,AF也可以向AMF/OAM指示其所需网络状态信息对应的UE数量范围,如AF在第一请求消息中包括UE数量范围(range of UE number)即N1的取值范围。可选的,这里描述的N1的取值范围可以与前述设定数量范围相同或者不同。或者,如果第一请求消息中不包括第一指示信息以及N1的取值范围,表示AF希望获取候选范围内全部UE的网络状态信息,或者表示AF不对获取多少UE的网络状态信息进行限定,进一步如果候选范围为候选终端设备列表,AF请求的可以是候选终端设备列表中的全部UE的网络状态信息。
可选的,AF网元可以决定请求有效时间范围内UE的网络状态信息。例如,AF可以在第一请求消息中包括数据有效性指示,该数据有效性指示用于指示AF希望获取的有效数据对应的有效时间范围,包括该数据有效性指示的第一请求消息具体用于请求候选范围的UE在有效时间范围内的网络状态信息。示例性的,该有效时间范围可以为一个时间范围,指示数据提供网元(AMF/OAM)在该时间范围内获取的网络状态信息为有效数据。例如该时间范围为本日11点到12点,则该日11点之前或者12点之后收集的数据均是无效数据。或者,该有效时间范围可以为一个截止时间点,指示数据提供网元(AMF/OAM)在该截止时间点之前反馈的数据才是有效的。
可选的,AF网元也可以在第一请求消息中添加一个有效性联合指示,比如,有效性联合指示用于指示数据提供网元在一定时间范围内收集的数据并且在截止时间点之前发给数据获取网元的数据才是有效数据。
可选的,AF网元也可以在第一请求消息中添加用于表征AF网元对请求的UE的性能有要求的性能指示信息,例如性能指示信息用于指示AF网元想要请求的UE的网络状态信息大于或等于第一网络状态信息阈值。该第一网络状态信息阈值可以预先定义的或者AF自行决定的,本申请实施例对此不予限制。可选的,第一请求消息中可以包括该第一网络状态信息阈值。
此外,当AF是第三方应用功能时,出于安全性考虑,AF和AMF之间的交互需要经过NEF。NEF控制AF标识和允许获取的Event ID之间的映射关系,以及相关的入站限制(即限制AF可以请求的Event ID)和出站限制(即限制可以向AF通知的Event ID)。例如,当第三方AF需要从AMF订阅网络状态信息时,第三方AF需要先将订阅消息发送给NEF,再由NEF向AMF发出订阅消息,后续AMF先将相关UE的网络状态信息发送给NEF,再由NEF发送给第三方AF。
类似地,AF可以向OAM发送订阅消息,以获取相关UE的网络状态信息,如无线信道条件、无线资源利用率等。需要注意的是,AF可以直接从OAM获取数据。AF也可以通过NWDAF或者其他5GC NF从OAM获取数据,例如,AF先向NWDAF发送订阅消息,用于订阅OAM处的RAN侧数据,然后NWDAF从OAM订阅并获取相关数据,最后NWDAF再将获取的数据通过服务化接口(如Nnwdaf_AnalyticsSubscription_Notify服务操作)通知给AF。
S402,AF网元获取第一响应消息,所述第一响应消息包括N1个UE的网络状态信息。
其中,N1个UE包含于所述候选范围,或描述为所述候选范围内的UE包括所述N1个UE,N1个UE表示所述候选范围内的部分或全部UE。具体地,N1个UE的定义可以参照S401中的描述理解,如对应AF网元发送第一请求消息中包括第一指示信息时,N1的取值位于设定数量范围;如对应AF网元发送第一请求消息指示数量范围时,N1的取值位于AF指示的该数量范围;如AF发送第一请求消息中未携带第一指示信息以及指示数量范围时,N1个UE包括所述候选范围内数据提供方能够采集到网络状态信息的全部UE;又如AF发送第一请求消息中携带性能指示信息和/或第一网络状态信息阈值时,N1个UE的网络状态信息大于或等于第一网络状态信息阈值。具体地,对应S401中的描述,该第一响应消息可以来自于AMF和/或OAM。示例性,图4在S402中示意出了S402a,AMF网元向AF网元发送第一响应消息;以及,S402b,OAM网元向AF网元发送第一响应消息。作为示例,图4中仅示意出了AMF/OAM直接向AF网元发送第一响应消息,而有关AMF/OAM通过中间网元(如NEF、NWDAF等)间接向AF网元发送第一响应消息的方案可参照S401的描述理解,本申请实施例对此不再进行赘述。
具体地,对应S401第一请求消息中携带的Event ID,AMF网元/OAM网元可以在发送的第一响应消息中携带该Event ID,指示第一响应消息中UE的网络状态信息的类型,AMF网元/OAM网元在第一响应消息中包括的网络状态信息为Event ID对应类型的网络状态信息的取值,或还可以描述为AMF网元/OAM网元获取的N1个UE的原始网络状态信息。例如,网络状态信息的类型包括无线资源利用率时,第一响应消息中携带UE对应的无线资源利用率可以为0.6等具体的取值。
S403,AF网元根据所述N1个UE的网络状态信息,确定N2个UE。
其中,所述N2个UE用于参与联邦学习模型的训练,所述N2个UE包含于N1个UE,或描述为所述N1个UE包括所述N2个UE,N2为正整数,N2小于或者等于N1。
具体地,AF网元可以仅根据N1个UE的网络状态信息,通过数据分析或者特定的算法确定N2个UE。或者,AF网元也可以根据N1个UE的网络状态信息结合N1个UE的应用层信息,确定N2个UE,如利用UE的网络状态信息优化已有的应用层算法,或者结合UE的网络状态信息和应用层信息设计一个新的算法,并由新的算法确定N2个UE。
以AF网元也可以根据N1个UE的网络状态信息结合N1个UE的应用层信息,确定N2个UE为例,本申请实施例如下提供确定N2个UE的具体实施方式:
假设N1为100,N2为80。即AF网元获取了100个UE的应用层信息和网络状态信息,并且准备从中选出80个UE参与联邦学习模型的训练。首先,AF网元可以根据UE的应用层信息和设定的应用层算法给每个UE打分,得到100个UE对应的应用层打分:UE1_app=0.7,UE2_app=0.5,UE3_app=0.9,…UE100_app=0.75。AF可以根据UE的连接状态给每个UE打分,如“1”代表连接态,“0”代表空闲态,得到100个UE对应的连接状态打分:UE1_CMstate=1,UE2_CMstate=0,UE3_CMstate=0,…UE100_CMstate=1。AF根据UE的可达性信息给每个UE打分,如“1”代表可达,“0”代表不可达,可以理解的是处于空闲态的UE可能是可达的,得到100个UE对应的可达性打分:如UE1_reachable=1,UE2_reachable=1,UE3_reachable=0,…UE100_reachable=1。AF根据UE的移动性信息给每个UE打分,如AF根据UE所处的位置和移动速度等计算该UE对应移动性得分,得到100个UE对应的移动性打分:UE1_mobility=0.65,UE2_mobility=0.7,UE3_mobility=0.3,…UE100_mobility=0.95。AF根据UE的无线信道条件给每个UE打分,得到100个UE对应的无线信道条件打分:UE1_radiochannel=0.85,UE2_radiochannel=0.5,UE3_radiochannel=0.6,…UE100_radiochannel=0.7。AF根据UE的无线资源利用率给每个UE打分,得到100个UE对应的无线资源利用率打分:UE1_radioresource=0.8,UE2_radioresource=0.4,UE3_radioresource=0.7,…UE100_radioresource=0.55。
可以理解的是,前述对于各个参数打分的取值也可以根据实际情况设定,例如针对UE的连接状态的打分,除采用“1”代表连接态,“0”代表空闲态之外,也可以采用“0.9”代表连接态,“0.1”代表空闲态。本申请实施例对此不予限制。
其次,AF根据网络状态信息指示每个参数的重要程度给每个参数设定一个权重,比如,设定应用层信息的权重为UE_app_weight=0.3,连接状态的权重为UE_CMstate_weight=0.2,可达性的权重为UE_reachable_weight=0.1,移动性的权重为UE_mobility_weight=0.2,无线信道条件的权重为UE_radiochannel_weight=0.1,无线资源利用率的权重为UE_radioresource_weight=0.1。
最后,AF可以根据得分和权重计算每个UE的加权得分,如UE1_score=0.7*0.3+1*0.2+1*0.1+0.65*0.2+0.85*0.1+0.8*0.1=0.805,类似地,AF可以计算出其他UE的加权得分,然后将所有UE的加权得分排序,从中选出得分最高的80个UE,作为参与联邦学习模型训练的UE。
S404,AF网元与N2个UE进行联邦学习模型的训练。
具体地,可参照相关技术中描述的步骤1~步骤4实施,本申请实施例对此不再进行赘述。
一种可选的实施方式中,对于联邦学习模型的多轮训练,每一轮均可以按照前述S401~S404确定每一轮参与模型训练的N2个UE;或者,每隔一定轮次可以按照前述S401~S404确定该轮参与模型训练的N2个UE。例如记联邦学习模型进行I轮训练达到收敛条件,AF可以参照S401~S403确定参与I轮中第i轮模型训练的UE。i取遍1至I的正整数。或者,i为1至I中的部分正整数,例如i的每两个相邻取值之间的差相同,如I为6,i取值为1,3,5。可以理解的是,当I为6,i取值为1,3,5,代表着第2轮和第1轮中参与模型训练的UE保持一致,第4轮和第3轮中参与模型训练的UE保持一致,以及第6轮和第5轮中参与模型训练的UE保持一致。又如不限定i的每两个相邻取值之间的差相同,i的取值可以是随机的或者由相关算法确定的,如I为6,i取值可以为1,3,4,6。可以理解的是,当I为6,i取值为1,3,4,6,代表着第2轮和第1轮中参与模型训练的UE保持一致,第5轮和第4轮中参与模型训练的UE保持一致。
另一种可选的实施方式中,对于联邦学习模型的多轮训练,从第二轮开始的每一轮均可以在上一轮确定参与模型训练的UE基础上,更新确定本轮参与模型训练的UE。例如,第一轮的模型训练可按照前述S401~S404实施,后续轮次的模型训练可以参照如下S405~S408实施。可以理解的是,假设将前述S401~S404记作第i轮模型训练中确定参与UE的方式,则图4中以虚线示意的S405~S408可以理解为第i+1轮模型训练中确定参与UE的方式,i为正整数。
S405,AF网元获取所述N2个UE中网络状态信息异常的UE的信息。
示例性,参见图4示意出了S405a,AF网元可以向NWDAF网元发送第二指示信息,所述第二指示信息用于指示对所述N2个UE的网络状态信息进行监控。S405b,NWDAF网元从UPF网元获取N2个UE的网络状态信息。S405c,NWDAF网元确定所述N2个UE中网络状态信息异常的UE。S405d,NWDAF网元向AF网元发送所述N2个UE中网络状态信息异常的UE的信息。
具体地,网络状态信息异常的UE的信息可以包括异常指示和网络状态异常信息。其中,该异常指示用于指示网络状态信息异常的类型,如业务流量异常;网络状态异常信息,可以包括业务流量异常信息,例如UE的服务质量(quality of service,QoS)信息,UE的QoS信息可以表征UE异常,如UE对应的信号传输时延过大或过小,如UE对应的丢包率过大等。可选的,所述第二指示信息可以包括第二网络状态信息阈值,所述第二网络状态信息阈值用于确定UE的网络状态信息是否异常。
具体地,在S405a中的第二指示信息可以采用订阅请求实现。例如,AF可以通过Nnwdaf_AnalyticsSubscription_Subscribe服务操作向NWDAF发出订阅请求,该订阅请求中携带如下参数:
分析标识(Analytics ID),用于标识订阅的分析类型,本申请实施例中AnalyticsID可以为"QoS information of abnormal UEs",表示获取异常UE(如时延过大或过小UE)的QoS信息。
分析报告的目标(Target of analytics reporting),如NWDAF要收集并分析N2个UE的数据,可选的将该N2个UE的标识进行指示,将N2个UE的标识记作UE列表2(UE IDlist2),Target of analytics reporting=UE ID list2。
通知指示(Notification Indication),用于指示NWDAF反馈分析结果的条件,如可以是周期性反馈,或者基于阈值反馈,如UE ID list2中UE的时延方差大于一定阈值时反馈。可以理解的是,通知指示作为一个可选项,前述订阅请求中可以包括该通知指示也可以不包括该通知指示。
用于指示NWDAF通知的内容(Notification Threshold)的信息,该信息可以对应前述第二网络状态信息阈值,例如该第二网络状态信息阈值对应一个具体的阈值(如100ms),指示NWDAF需要将时延大于该阈值的UE的QoS信息反馈给AF;或者,该第二网络状态信息阈值也可以对应一组阈值表示的组阈值范围,如大于100ms或者小于10ms,指示NWDAF需要将时延在该组阈值范围内的UE的QoS信息反馈给AF。可以理解的是,NotificationThreshold作为一个可选项,前述订阅请求中可以包括该通知指示也可以不包括该Notification Threshold。
在S405b中,NWDAF网元可以通过Nupf_EventExposure_Subscribe服务操作向UPF网元订阅并获取N2个UE的QoS信息,UPF网元完成信息收集后,通过Nupf_EventExposure_Notify服务操作将收集的QoS信息通知给NWDAF网元。可选的,NWDAF网元也可以通过SMF网元向UPF网元订阅并获取N2个UE的QoS信息。
在S405c中,如果S405a中AF发送的订阅请求中包括第二网络状态信息阈值(如Notification Threshold),NWDAF网元可以根据该第二网络状态信息阈值,判断N2个UE的网络状态信息是否异常,从而确定N2个UE中网络状态信息异常的UE。或者,如果S405a中AF发送的订阅请求中不包括第二网络状态信息阈值,NWDAF网元可以根据预配置的内部算法,确定N2个UE中网络状态信息异常的UE。
在S405d中,NWDAF网元可以通过Nnwdaf_AnalyticsSubscription_Notify服务操作向AF发送通知消息,以反馈N2个UE中网络状态信息异常的UE的信息。具体地,对应S405a订阅请求中携带的参数,Nnwdaf_AnalyticsSubscription_Notify服务操作中可以包括如下参数:Analytics ID;Target of analytics reporting=UE ID list2;异常UE的QoS信息(QoS information of abnormal UEs)。此外可选的,如果S405a订阅请求中携带Notification Indication,NWDAF网元可以按照Notification Indication将异常UE的QoS信息反馈给AF网元,例如根据Notification Indication确定周期性反馈,也可以是根据Notification Indication确定基于阈值反馈。或者,如果S405a订阅请求中未携带Notification Indication,NWDAF网元也可以自己确定何时发送通知消息以实现QoS信息的反馈,例如当NWDAF网元推理得到异常UE后可以立即将异常UE的QoS信息反馈给AF。
此外可选的,AF网元也可以不通过NWDAF网元,直接从UPF网元订阅并获取所述N2个UE中网络状态信息异常的UE的信息。本申请实施例对此不予限制。
S406,AF网元获取N3个UE的网络状态信息,所述候选范围包括所述N3个UE,所述N3个UE不包括所述N2个UE,N3为正整数。
示例性的,图4中示意出AF网元可以从AMF网元和OAM网元中订阅并获取N3个UE的网络状态信息。可以理解的是,N3个UE指的是候选范围内未参与过S404中描述的联邦学习模型训练过程的UE。
一种可选的实施方式中,N3的取值可以由AF决定,例如AF可以根据S403中UE的加权得分,从未参与联邦学习模型训练的UE中选出得分较高的前N3个UE,或者AF从未参与联邦学习模型训练的UE中随机选取的一组UE。AF可以在向AMF和/或OAM发送订阅消息中包括用于指示N3的取值范围的信息,例如以UE标识列表1(UE ID list1)指示N3个UE,AF可以在向AMF和/或OAM发送订阅消息中包括UE ID list1。
另一种可选的实施方式中,可以预先定义N3对应的数量范围,或者由AF在订阅消息中指示N3的取值范围,则AMF和/或OAM可以根据该预定义N3对应的数量范围或AF指示的N3取值范围,向AF反馈对应数量的UE的网络状态信息,具体的实施方式可以参见S401~S402执行,本申请实施例对此不再进行赘述。
S407,AF网元根据所述N2个UE中网络状态信息异常的UE的信息以及所述N3个UE的网络状态信息,确定N4个UE,该所述N4个UE用于参与联邦学习模型的更新训练,N4为正整数。
一种可选的实施方式中,AF网元可以参照S403中描述的打分策略,根据N3个UE的网络状态信息,确定N3个UE的加权得分,然后根据N3个UE的加权得分,从N2个UE中网络状态信息非异常的UE和N3个UE中,确定N4个UE。例如,N4个UE包括所述N2个UE中除网络状态信息异常的N5个UE之外的其他UE以及N3个UE中加权得分最高的N6个UE,N5,N6为正整数。
具体地,参与不同轮次联邦学习的UE的数量可以相同,即N4等于N2。该情况下,N6可以等于N5。
示例性的,假设S405中描述的UE ID list2包含80个UE,80个UE中10个UE的网络状态信息异常。S406中描述的UE ID list1对应包含20个UE的网络状态信息。AF可以利用和S403中相同的算法,对UE ID list1中UE的应用层信息和网络状态信息进行打分,进而得到UE ID list1中每个UE的加权得分。AF可以选择UE ID list2中非异常的70个UE和UE IDlist1中加权得分最高的10个UE,作为参与联邦学习模型更新训练的N4个UE。
或者,参与不同轮次联邦学习的UE的数量可以不相同,即N4不等于N2。该情况下,N6可以不等于N5。
示例性的,假设S405中描述的UE ID list2包含80个UE,80个UE中10个UE的网络状态信息异常。S406中描述的UE ID list1对应包含20个UE的网络状态信息。AF可以利用和S403中相同的算法,对UE ID list1中UE的应用层信息和网络状态信息进行打分,进而得到UE ID list1中每个UE的加权得分。AF可以选择UE ID list2中非异常的70个UE和UE IDlist1中加权得分最高的15个UE,作为参与联邦学习模型更新训练的N4个UE,此时N4大于N2;或者AF可以选择UE ID list2中非异常的70个UE和UE ID list1中加权得分最高的5个UE,作为参与联邦学习模型更新训练的N4个UE,此时N4小于N2。
另一种可选的实施方式中,AF网元可以参照S403中描述的打分策略,根据N3个UE的网络状态信息,确定N3个UE的加权得分,然后根据N3个UE的加权得分和N2个UE,确定N4个UE。该实施方式中,N4个UE可能包括所述N2个UE中网络状态信息异常的部分UE。
示例性的,假设S405中描述的UE ID list2包含80个UE,80个UE中30个UE的网络状态信息异常。S406中描述的UE ID list1对应包含20个UE的网络状态信息。AF可以利用和S403中相同的算法,对UE ID list1中UE的应用层信息和网络状态信息进行打分,进而得到UE ID list1中每个UE的加权得分。假设UE ID list1对应包含20个UE中15个UE的加权得分大于或等于0.6。AF可以选择UE ID list2中非异常的50个UE和UE ID list1中加权得分超过0.6的UE(如15个UE)以及UE ID list2中异常UE中时延差最小的15个UE,作为参与联邦学习模型更新训练的N4个UE。其中,时延差指的是异常UE的实际信号传输时延与信号传输时延对应的第二网络状态信息阈值之间的差值的绝对值,此情况下N4等于N2。当然可以理解的是,N4也可以不等于N2,本申请实施例对此不予限制。
S408,AF网元与N4个UE进行联邦学习模型的更新训练。
具体地,可参照相关技术中描述的步骤1~步骤4实施,本申请实施例对此不再进行赘述。
在本申请实施例提供的上述方案一中,AF网元向5GC NF(如AMF)网元或OAM网元请求并获取候选UE的网络状态信息,应用于联邦学习环境,便于应用侧利用UE的网络状态信息选择参与联邦学习模型训练或更新的UE,实现对基于应用层信息选择参与方的算法的优化,从而提升联邦学习模型训练的效率。此外可以理解的是,在联邦学习环境中,AF也可以称为FL AF。
方案二
参见图5示意一种通信方法,该方法包括如下流程。
S501,AF网元向NWDAF网元发送第一请求消息,所述第一请求消息用于请求候选范围内的UE的网络状态信息。
关于候选范围的定义可参照S401中的描述理解,本申请实施例对此不再进行赘述。
具体地,第一请求消息可以为订阅消息。例如AF网元通过Nnwdaf_AnalyticsSubscription_Subscribe服务操作向NWDAF发送订阅消息,订阅消息中携带的参数包括分析标识(Analytics ID)。其中,Analytics ID=UE Network StatusInformation,表示AF网元想要从NWDAF订阅并获取经由NWDAF分析得到的UE的网络状态信息,例如UE的网络状态信息与设定阈值或其他UE的网络状态信息之间的对比分析结果。订阅消息中还包括用于指示候选范围的信息可以为候选范围的标识,如以range of UEs表示指定的网络区域,以list of UE IDs表示候选终端设备列表。
可选的,该订阅消息中还可以携带数量范围指示,如S401描述的第一指示信息或者UE数量范围(range of UE number)。可选的,该订阅消息中还可以携带如S401描述的数据有效性指示或者有效性联合指示。可选的,该订阅消息中还可以携带如S401描述的性能指示信息和/或第一网络状态信息阈值。
此外,当AF是第三方应用功能时,出于安全性考虑,AF和NWDAF之间的交互需要经过NEF。NEF控制AF标识和允许获取的Analytics ID之间的映射关系,以及相关的入站限制(即限制AF可以请求的Analytics ID)和出站限制(即限制可以向AF通知的Analytics ID)。例如,当第三方AF需要从NWADF订阅网络状态信息时,第三方AF需要先将订阅消息发送给NEF,再由NEF向NWADF发出订阅消息,后续AMF先将相关UE的网络状态信息发送给NEF,再由NEF发送给第三方AF。
S502,NWDAF网元从AMF网元和/或OAM网元获取候选范围内的UE的网络状态信息。
具体地,NWDAF可以采用订阅的方式,向AMF网元和/或OAM网元订阅并获取候选范围内的部分或全部UE的网络状态信息。示例性的,若AMF网元/OAM网元能够识别非连接态的UE,那么AMF网元/OAM网元可以提供候选范围内全部UE的网络状态信息,其中非连接态的UE的网络状态信息指示UE的状态为空闲态或去激活态。若AMF网元/OAM网元无法识别候选范围中非连接态的UE,那么AMF网元/OAM网元可以提供候选范围内部分UE的网络状态信息,或者理解为AMF网元/OAM网元可以提供候选范围内能够获取到网络状态信息的全部UE的网络状态信息,这里的能够获取到网络状态信息的全部UE为处于连接态。关于NWDAF可以采用订阅的方式获取UE的网络状态信息,可以参照S401~S402实施,本申请实施例对此不再进行赘述。
S503,NWDAF网元向AMF网元发送第一响应消息,该第一响应消息包括N1个UE的网络状态信息。
其中,N1个UE的定义可参照S402理解,本申请实施例对此不再进行赘述。
具体地,NWDAF网元可以对从AMF网元/OAM网元获取的N1个UE的网络状态信息进行分析,在第一响应消息中携带经由NWDAF网元分析过的N1个UE的网络状态信息。或者可以描述为,如果第一请求消息中携带Analytics ID,则第一响应消息中携带的N1个UE的网络状态信息可以是NWDAF网元分析得到的网络状态信息,例如UE的网络状态信息与设定阈值或其他UE的网络状态信息之间的对比分析结果,又如一定时间段内或者一定区域中UE的网络状态信息。
示例性的,NWDAF可以将历史从AMF/OAM获取的UE网络状态信息整理成历史数据集进行统计分析,得到该历史数据集的统计特征。NWDAF根据该历史数据集的统计特征,得到预测的分析结果,NWDAF可以将该预测的分析结果携带在第一响应消息发送给AF,辅助AF选择参与模型训练的UE;或者,NWDAF可以使用获取的历史数据集训练一个AI模型,利用该AI模型推理得到该预测的分析结果。
下面列举了一些由NWDAF分析得到的UE的网络状态信息,包括如下一个或多个分析结果。
UE的连接状态分析结果,NWDAF可以提供UE连接状态的统计信息,如在AF指定的范围(如区域/切片/DNN/App ID)或者指定的时间段内有哪些UE是处于连接态、哪些UE处于空闲态;NWDAF可以提供UE连接状态的预测信息,如哪些UE目前处于空闲态,但在AF指定的范围或者指定的时间段内将进入连接态。
UE的可达性分析结果,NWDAF可以提供UE可达性的统计信息,如在AF指定的范围(如区域/切片/DNN/App ID)或者指定的时间段内有哪些空闲态的UE是可达的、哪些是不可达的;NWDAF可以提供UE可达性的预测信息,如哪些UE目前是不可达的,但在AF指定的范围或者指定的时间段内将变为可达状态。
UE的移动性分析结果,NWDAF可以提供UE移动性的统计信息,如在AF指定的范围(如区域/切片/DNN/App ID)或者指定的时间段内UE的移动模式和移动趋势;NWDAF可以提供UE移动性的预测信息,如在AF指定的范围或者指定的时间段内有哪些UE即将移入服务区、哪些UE即将移出服务区、哪些UE将移动比较频繁、哪些UE将变得相对固定等。
UE的无线信道条件分析结果,NWDAF可以提供UE无线信道条件的统计信息,如在AF指定的范围(如区域/切片/DNN/App ID)或者指定的时间段内有哪些UE接收信号质量较好、哪些UE接收信号质量一般;NWDAF可以提供UE无线信道条件的预测信息,如在AF指定的范围或者指定的时间段内有哪些UE的连接状态将会变得相对稳定,哪些UE的连接稳定性将变得较差等。
UE对应的无线资源利用率分析结果,NWDAF可以提供UE无线资源利用率的统计信息,如在AF指定的范围(如区域/切片/DNN/App ID)或者指定的时间段内有哪些UE有较多的可用无线时/频资源、哪些UE所在小区业务繁忙可用无线资源较少等;NWDAF可以提供UE无线资源利用率的预测信息,如在AF指定的范围或者指定的时间段内有哪些UE即将有较多的可用无线时/频资源、哪些UE所在小区即将变得业务繁忙(如晚上下班时间)。
具体地,第一响应消息可以为通知消息,例如NWDAF通过Nnwdaf_AnalyticsSubscription_Notify服务操作向AF发送通知消息,通知消息中携带:AnalyticsID;N1个UE的网络状态信息,如当通知消息携带Analytics ID时,UE的网络状态信息还可以理解为UE的网络状态统计或预测的分析结果(UE network status related analytics)。可选的,通知消息中还可以携带Collected UE network status information,即表示NWDAF将从AMF/OAM中获取的原始网络状态信息转发给AF。
S504,AF网元根据所述N1个UE的网络状态信息,确定N2个UE。
其中,有关N2个UE的定义可参照S403描述的方式实施,本申请实施例对此不再进行赘述。
具体地,AF网元可以仅根据N1个UE的网络状态信息,通过数据分析或者特定的算法确定N2个UE。或者,AF网元也可以根据N1个UE的网络状态信息结合N1个UE的应用层信息,确定N2个UE,如利用UE的网络状态信息优化已有的应用层算法,或者结合UE的网络状态信息和应用层信息设计一个新的算法,并由新的算法确定N2个UE。
作为示例,假设N1个UE的网络状态信息为NWDAF分析得到统计或预测的分析结果,以AF网元根据N1个UE的网络状态信息结合N1个UE的应用层信息,确定N2个UE为例,本申请实施例如下提供确定N2个UE的具体实施方式:
假设N1为100,N2为80。即AF网元获取了100个UE的应用层信息和网络状态信息,并且准备从中选出80个UE参与联邦学习模型的训练。首先,AF网元可以根据UE的应用层信息和设定的应用层算法给每个UE打分,得到100个UE对应的应用层打分:UE1_app=0.7,UE2_app=0.5,UE3_app=0.9,…UE100_app=0.75。AF可以根据UE的预测连接状态给每个UE打分,如“0.9”代表连接态,“0.1”代表空闲态,得到100个UE对应的预测连接状态打分:UE1_CMstate=0.9,UE2_CMstate=0.1,UE3_CMstate=0.1,…UE100_CMstate=0.9。AF根据UE的预测可达性信息给每个UE打分,如“0.9”代表可达,“0.1”代表不可达,可以理解的是处于空闲态的UE可能是可达的,得到100个UE对应的预测可达性打分:如UE1_reachable=0.9,UE2_reachable=0.9,UE3_reachable=0.1,…UE100_reachable=0.9。AF根据UE的预测移动性给每个UE打分,如AF根据UE所处的位置和移动速度等计算该UE对应移动性得分,得到100个UE对应的预测移动性打分:UE1_mobility=0.65,UE2_mobility=0.7,UE3_mobility=0.3,…UE100_mobility=0.95。AF根据UE的预测无线信道条件给每个UE打分,得到100个UE对应的无线信道条件打分:UE1_radiochannel=0.85,UE2_radiochannel=0.5,UE3_radiochannel=0.6,…UE100_radiochannel=0.7。AF根据UE的预测无线资源利用率给每个UE打分,得到100个UE对应的无线资源利用率打分:UE1_radioresource=0.8,UE2_radioresource=0.4,UE3_radioresource=0.7,…UE100_radioresource=0.55。
其次,AF根据网络状态信息指示每个参数的重要程度给每个参数设定一个权重,比如,设定应用层信息的权重为UE_app_weight=0.3,连接状态的权重为UE_CMstate_weight=0.2,可达性的权重为UE_reachable_weight=0.1,移动性的权重为UE_mobility_weight=0.2,无线信道条件的权重为UE_radiochannel_weight=0.1,无线资源利用率的权重为UE_radioresource_weight=0.1。
最后,AF可以根据得分和权重计算每个UE的加权得分,如UE1_score=0.7*0.3+0.9*0.2+0.9*0.1+0.65*0.2+0.85*0.1+0.8*0.1=0.775,类似地,AF可以计算出其他UE的加权得分,然后将所有UE的加权得分排序,从中选出得分最高的80个UE,作为参与联邦学习模型训练的UE。
S505,AF网元与N2个UE进行联邦学习模型的训练。
具体地,可参照相关技术中描述的步骤1~步骤4实施,本申请实施例对此不再进行赘述。
进一步,有关联邦学习模型的更新训练可参照方案一中的描述理解,本申请实施例对此不再进行赘述。作为一种示例,图5中以虚线示意出如下S506~S509,体现联邦学习模型的更新训练过程。
S506,AF网元获取所述N2个UE中网络状态信息异常的UE的信息。
S507,AF网元从AMF网元和/或OAM网元中订阅并获取N3个UE的网络状态信息,所述候选范围包括所述N3个UE,所述N3个UE不包括所述N2个UE,N3为正整数。
S508,AF网元根据所述N2个UE中网络状态信息异常的UE的信息以及所述N3个UE的网络状态信息,确定N4个UE,该所述N4个UE用于参与联邦学习模型的更新训练,N4为正整数。
S509,AF网元与N4个UES608进行联邦学习模型的更新训练。
在本申请实施例提供的上述方案二中,AF向NWDAF请求并获取候选UE的网络状态信息相关的统计或预测的分析结果,应用于联邦学习环境,便于应用侧利用UE的网络状态信息选择参与联邦学习模型训练或更新的UE,实现对基于应用层信息选择参与方的算法的优化,从而提升联邦学习模型训练的效率。此外可以理解的是,在联邦学习环境中,AF也可以称为FL AF。
方案三
参见图6示意一种通信方法,该方法包括如下流程。
S601,AF网元向NWDAF网元发送第二请求消息,所述第二请求消息用于请求候选范围内推荐的参与联邦学习模型的训练的终端设备。
关于候选范围的定义可参照S401中的描述理解,本申请实施例对此不再进行赘述。
具体地,第二请求消息可以为订阅消息。例如AF网元通过Nnwdaf_AnalyticsSubscription_Subscribe服务操作向NWDAF发送订阅消息,订阅消息中携带的参数包括分析标识(Analytics ID),Analytics ID=Recommended UE Information,表示AF网元想要从NWDAF订阅并获取NWDAF推荐的参与联邦学习模型的训练的终端设备标识。订阅消息中还包括用于指示候选范围的信息,可以为候选范围的标识,如以range of UEs表示指定的网络区域,以list of UE IDs表示候选终端设备列表。可选的,该订阅消息中还可以携带数量范围指示,如S401描述的第一指示信息或者UE数量范围(range of UE number)。可选的,该订阅消息中还可以携带如S401描述的数据有效性指示或者有效性联合指示。
此外,当AF是第三方应用功能时,出于安全性考虑,AF和NWDAF之间的交互需要经过NEF。NEF控制AF标识和允许获取的Analytics ID之间的映射关系,以及相关的入站限制(即限制AF可以请求的Analytics ID)和出站限制(即限制可以向AF通知的Analytics ID)。例如,当第三方AF需要从NWADF订阅网络状态信息时,第三方AF需要先将订阅消息发送给NEF,再由NEF向NWADF发出订阅消息,后续AMF先将相关UE的网络状态信息发送给NEF,再由NEF发送给第三方AF。
S602,NWDAF网元从AMF网元和/或OAM网元获取候选范围内的UE的网络状态信息。
具体地,可参照S502的实施方式执行,本申请实施例对此不再进行赘述。
S603,NWDAF网元根据获取候选范围内的UE的网络状态信息,确定推荐的N1个UE,所述候选范围内的UE包括所述N1个UE,N1为正整数。
具体地,NWDAF网元根据获取候选范围内的UE的原始网络状态信息,进行统计分析,得到统计或预测的UE网络状态分析结果。进而NWDAF网元可以参照S504中描述的打分策略,针对UE不同的网络状态设定不同的权重,然后根据加权和排序,将加权得分高的UE优先作为推荐的UE。
S604,NWDAF网元向AF网元发送第二响应消息,所述第二响应消息包括用于指示推荐的N1个终端设备的信息。
具体地,该第二响应消息为通知消息,例如NWDAF可以通过Nnwdaf_AnalyticsSubscription_Notify服务操作向FL AF发送通知消息,通知消息中可以携带如下参数:分析标识(Analytics ID),本申请实施例中Analytics ID=Recommended UEInformation;以及推荐的UE列表(Recommended UE list),用于指示S603中NWDAF推荐的N1个UE,可以由一组UE标识进行指示。
可选的,NWDAF网元也可以将S602中获取的N1个UE的原始网络状态信息发送给AF。例如,NWDAF网元可以在通知消息中包括Collected UE network status information,以表示UE的原始网络状态信息。
S605,AF网元根据所述第二响应消息,确定N2个UE,所述N2个UE用于参与联邦学习模型的训练,所述N1个UE包括所述N2个UE,N2为正整数。
一种可选的实施方式中,AF网元可以直接将NWDAF推荐的N1个UE,确定为参与联邦学习模型训练的UE,此情况下N1等于N2。
另一种可选的实施方式中,如果NWDAF在第二响应消息中包括N1个UE的原始网络状态信息,则AF网元可以根据N1个UE的原始网络状态信息,从N1个UE中选取部分或全部的UE参与联邦学习模型的训练。例如,AF网元可以选取N1个UE中原始网络状态信息较优的部分UE参与联邦学习模型的训练,或者AF网元可以选取N1个UE中原始网络状态信息大于或等于第一网络状态信息阈值的UE参与联邦学习模型的训练。
S606,AF网元与N2个UE进行联邦学习模型的训练。
具体地,可参照相关技术中描述的步骤1~步骤4实施,本申请实施例对此不再进行赘述。
进一步,有关联邦学习模型的更新训练可参照方案一中的描述理解,本申请实施例对此不再进行赘述。作为一种示例,图6中以虚线示意出如下S607~S612,体现联邦学习模型的更新训练过程。
S607,NWDAF网元获取所述N2个UE中网络状态信息异常的UE的信息。
具体地,图6中示意出NWDAF网元从UPF网元获取N2个UE中网络状态信息异常的UE的信息。
可选的,NWDAF可以向UPF网元发送第二指示信息,所述第二指示信息用于指示对所述N2个UE的网络状态信息进行监控。进而,UPF网元在确定N2个UE中存在网络状态信息异常的UE时,向NWDAF网元发送N2个UE中网络状态信息异常的UE的信息。
S608,NWDAF网元从AMF网元和/或OAM网元中订阅并获取N3个UE的网络状态信息,所述候选范围包括所述N3个UE,所述N3个UE不包括所述N2个UE,N3为正整数。
具体地,图6中示意出NWDAF网元从AMF网元和/或OAM网元获取N3个UE的网络状态信息。
S609,NWDAF网元根据所述N2个UE中网络状态信息异常的UE的信息以及所述N3个UE的网络状态信息,确定新的推荐UE列表,该新的推荐UE列表包括多个UE。
具体地,NWDAF网元可以参见S407中描述的方案,确定新的推荐UE列表。例如,新的推荐UE列表包括N2个UE中除网络状态信息异常的UE之外的其他UE,以及N3个UE中的部分UE。又如,新的推荐UE列表包括N2个UE中的部分UE以及N3个UE中的部分UE,新的推荐UE列表中可能包括网络状态信息异常的UE。
S610,NWDAF网元向AF网元发送用于指示新的推荐UE列表的信息。
可选的,NWDAF还可以向AF网元发送新的推荐UE列表中各UE的网络状态信息。
S611,AF网元根据新的推荐UE列表,确定N4个UE,N4个UE用于参与联邦学习模型的更新训练,N4为正整数,N4个UE包括推荐UE列表中的部分或者全部UE。
S612,AF网元与N4个UE进行联邦学习模型的更新训练。
在本申请实施例提供的上述方案二中,NWDAF可以利用UE的网络状态信息推导确定推荐参与联邦学习模型训练或更新的UE。应用于联邦学习环境,AF可以向NWDAF订阅推荐的UE,辅助应用侧选择参与联邦学习模型训练或更新的UE,实现对基于应用层信息选择参与方的算法的优化,从而提升联邦学习模型训练的效率。此外可以理解的是,在联邦学习环境中,AF也可以称为FL AF。
基于同一构思,参见图7,本申请实施例提供了一种通信装置700,该通信装置700包括处理模块701和通信模块702。该通信装置700可以是AF网元,也可以是应用于AF网元或者和AF网元匹配使用,能够实现AF网元侧执行的通信方法的通信装置;或者,该通信装置700可以是NWDAF网元,也可以是应用于NWDAF网元或者和NWDAF网元匹配使用,能够实现NWDAF网元侧执行的通信方法的通信装置;或者,该通信装置700可以是AMF网元(或者OAM网元、UPF网元等),也可以是应用于AMF网元或者和AMF网元匹配使用,能够实现AMF网元侧执行的通信方法的通信装置。
其中,通信模块也可以称为收发模块、收发器、收发机、或收发装置等。处理模块也可以称为处理器,处理单板,处理单元、或处理装置等。可选的,通信模块用于执行上述方法中相关网元的发送操作和接收操作,可以将通信模块中用于实现接收功能的器件视为接收单元,将通信模块中用于实现发送功能的器件视为发送单元,即通信模块包括接收单元和发送单元。
示例性的,该通信装置700应用于AF网元时,处理模块701可用于实现图4、图5或图6所述示例中所述AF网元的处理功能,通信模块702可用于实现图4、图5或图6所述示例中所述AF网元的收发功能。或者也可以参照发明内容中第四方面中可能的设计理解该通信装置。
该通信装置700应用于AMF或OAM网元时,处理模块701可用于实现图4、图5或图6所述示例中AMF或OAM网元的处理功能,通信模块702可用于实现图4、图5或图6所述示例中AMF或OAM网元的收发功能。或者也可以参照发明内容中第五方面中可能的设计理解该通信装置。
该通信装置700应用于NWDAF网元时,处理模块701可用于实现图4、图5或图6所述示例中NWDAF网元的处理功能,通信模块702可用于实现图4、图5或图6所述示例中NWDAF网元的收发功能。或者也可以参照发明内容中第六方面中可能的设计理解该通信装置。
此外需要说明的是,前述通信模块和/或处理模块可通过虚拟模块实现,例如处理模块可通过软件功能单元或虚拟装置实现,通信模块可以通过软件功能或虚拟装置实现。或者,处理模块或通信模块也可以通过实体装置实现,例如若该通信装置采用芯片/芯片电路实现,所述通信模块可以是输入输出电路和/或通信接口,执行输入操作(对应前述接收操作)、输出操作(对应前述发送操作);处理模块为集成的处理器或者微处理器或者集成电路。
本申请实施例中对模块的划分是示意性的,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,另外,在本申请实施例各个示例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
基于相同的技术构思,本申请实施例还提供了一种通信装置800。例如,该通信装置800可以是芯片或者芯片系统。可选的,在本申请实施例中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。
通信装置800可用于实现前述示例描述的通信系统中任一网元的功能。通信装置800可以包括至少一个处理器810,该处理器810与存储器耦合,可选的,存储器可以位于该通信装置之内,存储器可以和处理器集成在一起,存储器也可以位于该通信装置之外。例如,通信装置800还可以包括至少一个存储器820。存储器820保存实施上述任一示例中必要计算机程序、计算机程序或指令和/或数据;处理器810可能执行存储器820中存储的计算机程序,完成上述任一示例中的方法。
通信装置800中还可以包括通信接口830,通信装置800可以通过通信接口830和其它设备进行信息交互。示例性的,所述通信接口830可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。当该通信装置800为芯片类的装置或者电路时,该通信装置800中的通信接口830也可以是输入输出电路,可以输入信息(或称,接收信息)和输出信息(或称,发送信息),处理器为集成的处理器或者微处理器或者集成电路或则逻辑电路,处理器可以根据输入信息确定输出信息。
本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接,可以是电性,机械或其它的形式,用于装置、单元或模块之间的信息交互。处理器810可能和存储器820、通信接口830协同操作。本申请实施例中不限定上述处理器810、存储器820以及通信接口830之间的具体连接介质。
可选的,参见图8,所述处理器810、所述存储器820以及所述通信接口830之间通过总线840相互连接。所述总线840可以是外设部件互连标准(peripheral componentinterconnect,PCI)总线或扩展工业标准结构(extended industry standardarchitecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中,处理器可以是通用处理器、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、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
在本申请实施例中,存储器可以是非易失性存储器,比如硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)等,还可以是易失性存储器(volatilememory),例如随机存取存储器(random-access memory,RAM)。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
在一种可能的实施方式中,该通信装置800可以应用于AF网元,具体通信装置800可以是AF网元,也可以是能够支持AF网元,实现上述涉及的任一示例中AF网元的功能的装置。存储器820保存实现上述任一示例中的AF网元的功能的计算机程序(或指令)和/或数据。处理器810可执行存储器820存储的计算机程序,完成上述任一示例中AF网元执行的方法。应用于AF网元,该通信装置800中的通信接口可用于与AMF、OAM或者NWDAF网元进行交互,向AMF、OAM或NWDAF网元发送信息,或者,接收来自AMF、OAM或NWDAF网元的信息。
在一种可能的实施方式中,该通信装置800可以应用于NWDAF网元,具体通信装置800可以是NWDAF网元,也可以是能够支持NWDAF网元,实现上述涉及的任一示例中NWDAF网元的功能的装置。存储器820保存实现上述任一示例中的NWDAF网元的功能的计算机程序(或指令)和/或数据。处理器810可执行存储器820存储的计算机程序,完成上述任一示例中NWDAF网元执行的方法。应用于NWDAF网元,该通信装置800中的通信接口可用于与AMF、OAM或者AF网元进行交互,向AMF、OAM或AF网元发送信息,或者,接收来自AMF、OAM或AF网元的信息。
在一种可能的实施方式中,该通信装置800可以应用于AMF/OAM网元,具体通信装置800可以是AMF/OAM网元,也可以是能够支持AMF/OAM网元,实现上述涉及的任一示例中AMF/OAM网元的功能的装置。存储器820保存实现上述任一示例中的AMF/OAM网元的功能的计算机程序(或指令)和/或数据。处理器810可执行存储器820存储的计算机程序,完成上述任一示例中AMF/OAM网元执行的方法。应用于AMF/OAM网元,该通信装置800中的通信接口可用于与AF网元或NWDAF网元进行交互,向AF网元或NWDAF网元发送信息,或者,接收来自AF网元或NWDAF网元的信息。
基于以上示例,本申请实施例提供了一种通信系统,包括UE、AF网元、NWDAF网元、AMF网元、OAM网元。可选的,还包括UPF网元。其中,AF网元、NWDAF网元、AMF网元、OAM网元可以实现图4、图5、或者图6所示的示例中所提供的通信方法。
本申请实施例提供的技术方案可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、UE、AF网元、NWDAF网元、AMF网元、OAM网元或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,数字视频光盘(digital video disc,DVD))、或者半导体介质等。
在本申请实施例中,在无逻辑矛盾的前提下,各示例之间可以相互引用,例如方法示例之间的方法和/或术语可以相互引用,例如装置示例之间的功能和/或术语可以相互引用,例如装置示例和方法示例之间的功能和/或术语可以相互引用。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的范围。这样,倘若本申请实施例的这些修改和变型属于本申请实施例权利要求及其等同技术的范围之内,则本申请实施例也意图包含这些改动和变型在内。
Claims (25)
1.一种通信方法,其特征在于,包括:
应用功能网元发送第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;
所述应用功能网元获取第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数;
所述应用功能网元根据所述N1个终端设备的网络状态信息,确定N2个终端设备,所述N2个终端设备用于参与联邦学习模型的训练,所述N1个终端设备包括所述N2个终端设备,N2为正整数。
2.如权利要求1所述的通信方法,其特征在于,所述第一请求消息包括用于指示所述候选范围的信息,所述候选范围包括指定的网络区域,或者终端设备候选列表。
3.如权利要求1或2所述的通信方法,其特征在于,所述第一请求消息包括第一指示信息,所述第一指示信息用于指示N1的取值位于设定数量范围之内。
4.如权利要求1或2所述的通信方法,其特征在于,所述第一请求消息包括N1的取值范围。
5.如权利要求1或2所述的通信方法,其特征在于,所述N1个终端设备的网络状态信息大于或等于第一网络状态信息阈值。
6.如权利要求1-5任一项所述的通信方法,其特征在于,所述应用功能网元根据所述N1个终端设备的网络状态信息,确定N2个终端设备,包括:
所述应用功能网元根据所述N1个终端设备的网络状态信息以及所述N1个终端设备的应用层信息,确定所述N2个终端设备。
7.如权利要求1-6任一项所述的通信方法,其特征在于,还包括:
所述应用功能网元获取所述N2个终端设备中网络状态信息异常的终端设备的信息;
所述应用功能网元获取N3个终端设备的网络状态信息,所述候选范围包括所述N3个终端设备,所述N3个终端设备不包括所述N2个终端设备,N3为正整数;
所述应用功能网元根据所述N2个终端设备中网络状态信息异常的终端设备的信息以及所述N3个终端设备的网络状态信息,确定N4个终端设备,所述N4个终端设备用于参与联邦学习模型的更新训练,N4为正整数。
8.如权利要求7所述的通信方法,其特征在于,所述N4个终端设备包括所述N2个终端设备中除网络状态信息异常的终端设备之外的其他终端设备。
9.如权利要求7或8所述的通信方法,其特征在于,所述应用功能网元获取所述N2个终端设备中网络状态信息异常的终端设备的信息,包括:
所述应用功能网元向网络数据分析功能网元发送第二指示信息,所述第二指示信息用于指示对所述N2个终端设备的网络状态信息进行监控,所述第二指示信息包括第二网络状态信息阈值,所述第二网络状态信息阈值用于确定所述终端设备的业务流量信息是否异常;
所述应用功能网元从所述网络数据分析功能网元获取所述N2个终端设备中网络状态信息异常的终端设备的信息。
10.如权利要求1-9任一项所述的通信方法,其特征在于,还包括:
所述应用功能网元与所述N2个终端设备进行所述联邦学习模型的训练。
11.一种通信装置,其特征在于,包括:
通信模块,用于发送第一请求消息,所述第一请求消息用于请求候选范围内的终端设备的网络状态信息;
所述通信模块,用于获取第一响应消息,所述第一响应消息包括N1个终端设备的网络状态信息,所述候选范围内的终端设备包括所述N1个终端设备,N1为正整数;
处理模块,用于根据所述N1个终端设备的网络状态信息,确定N2个终端设备,所述N2个终端设备用于参与联邦学习模型的训练,所述N1个终端设备包括所述N2个终端设备,N2为正整数。
12.如权利要求11所述的通信装置,其特征在于,所述第一请求消息包括用于指示所述候选范围的信息,所述候选范围包括指定的网络区域,或者终端设备候选列表。
13.如权利要求11或12所述的通信装置,其特征在于,所述第一请求消息包括第一指示信息,所述第一指示信息用于指示N1的取值位于设定数量范围之内。
14.如权利要求11或12所述的通信装置,其特征在于,所述第一请求消息包括N1的取值范围。
15.如权利要求11或12所述的通信装置,其特征在于,所述N1个终端设备的网络状态信息大于或等于第一网络状态信息阈值。
16.如权利要求11-15任一项所述的通信装置,其特征在于,所述处理模块,具体用于:
根据所述N1个终端设备的网络状态信息以及所述N1个终端设备的应用层信息,确定所述N2个终端设备。
17.如权利要求11-16任一项所述的通信装置,其特征在于,
所述通信模块,还用于获取所述N2个终端设备中网络状态信息异常的终端设备的信息;以及,获取N3个终端设备的网络状态信息,所述候选范围包括所述N3个终端设备,所述N3个终端设备不包括所述N2个终端设备,N3为正整数;
所述处理模块,还用于根据所述N2个终端设备中网络状态信息异常的终端设备的信息以及所述N3个终端设备的网络状态信息,确定N4个终端设备,所述N4个终端设备用于参与联邦学习模型的更新训练,N4为正整数。
18.如权利要求17所述的通信装置,其特征在于,所述N4个终端设备包括所述N2个终端设备中除网络状态信息异常的终端设备之外的其他终端设备。
19.如权利要求17或18所述的通信装置,其特征在于,所述通信模块,还用于:
向网络数据分析功能网元发送第二指示信息,所述第二指示信息用于指示对所述N2个终端设备的网络状态信息进行监控,所述第二指示信息包括第二网络状态信息阈值,所述第二网络状态信息阈值用于确定所述终端设备的业务流量信息是否异常;
从所述网络数据分析功能网元获取所述N2个终端设备中网络状态信息异常的终端设备的信息。
20.如权利要求11-19任一项所述的通信装置,其特征在于,所述处理模块,还用于与所述N2个终端设备进行所述联邦学习模型的训练。
21.一种通信装置,其特征在于,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序或指令,所述处理器用于调用所述存储器存储的程序或指令,以执行如权利要求1-10任一项所述的方法。
22.一种芯片系统,其特征在于,包括:所述芯片系统包括至少一个处理器,和接口电路,所述接口电路和所述至少一个处理器耦合,所述处理器通过运行指令,以执行权利要求1至10任一项所述的方法。
23.一种通信系统,其特征在于,包括
应用功能网元,所述应用功能网元用于执行如权利要求1-10任一项所述的方法;以及
用于与所述应用功能网元通信的网络数据分析功能网元。
24.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-10任一项所述的方法。
25.一种计算机程序产品,其特征在于,包括指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-10任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210324047.8A CN116938747A (zh) | 2022-03-29 | 2022-03-29 | 一种通信方法及装置 |
PCT/CN2023/084300 WO2023185807A1 (zh) | 2022-03-29 | 2023-03-28 | 一种通信方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210324047.8A CN116938747A (zh) | 2022-03-29 | 2022-03-29 | 一种通信方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116938747A true CN116938747A (zh) | 2023-10-24 |
Family
ID=88199128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210324047.8A Pending CN116938747A (zh) | 2022-03-29 | 2022-03-29 | 一种通信方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116938747A (zh) |
WO (1) | WO2023185807A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220294706A1 (en) * | 2019-08-16 | 2022-09-15 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, apparatus and machine-readable media relating to machine-learning in a communication network |
WO2021139892A1 (en) * | 2020-01-10 | 2021-07-15 | Telefonaktiebolaget Lm Ericsson (Publ) | Distributed machine learning using network measurements |
CN114079902A (zh) * | 2020-08-13 | 2022-02-22 | Oppo广东移动通信有限公司 | 联邦学习的方法和装置 |
US20220038349A1 (en) * | 2020-10-19 | 2022-02-03 | Ziyi LI | Federated learning across ue and ran |
-
2022
- 2022-03-29 CN CN202210324047.8A patent/CN116938747A/zh active Pending
-
2023
- 2023-03-28 WO PCT/CN2023/084300 patent/WO2023185807A1/zh active Search and Examination
Also Published As
Publication number | Publication date |
---|---|
WO2023185807A1 (zh) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230090022A1 (en) | Method and device for selecting service in wireless communication system | |
US11601849B2 (en) | Method for determining background traffic transfer policy and apparatus | |
WO2020001171A1 (zh) | 一种网络切片的资源分配方法及装置 | |
EP4132066A1 (en) | Communication method, apparatus and system | |
EP4160995A1 (en) | Data processing method and device | |
AU2016355266B2 (en) | Democratized cellular network connectivity through small cells | |
WO2021155579A1 (zh) | 一种数据分析方法、装置及系统 | |
US20220408293A1 (en) | Method and device for providing network analysis information for rfsp index selection in mobile communication network | |
US11855864B2 (en) | Method and apparatus for collecting network traffic in wireless communication system | |
Barmpounakis et al. | Data analytics for 5G networks: A complete framework for network access selection and traffic steering | |
CN116325686A (zh) | 一种通信方法和装置 | |
US20230300038A1 (en) | Information Transmission Method and Device, Storage Medium, and Electronic Device | |
US11805022B2 (en) | Method and device for providing network analytics information in wireless communication network | |
CN116938747A (zh) | 一种通信方法及装置 | |
WO2022116061A1 (zh) | 一种通信方法和装置 | |
KR20210144535A (ko) | 무선 통신 네트워크에서 네트워크 데이터 수집 및 분석을 위한 이동성 지원 방법 및 장치 | |
WO2024032270A1 (zh) | 一种策略确定方法、装置及存储介质 | |
WO2024099016A1 (zh) | 一种通信方法及装置 | |
WO2024032197A1 (zh) | 通信方法、装置、设备及存储介质 | |
EP4135413A1 (en) | Communication network arrangement and method for selecting a network component | |
JP7507871B2 (ja) | ネットワークノード及び通信方法 | |
WO2024032031A1 (zh) | 一种数据分析方法及装置 | |
WO2023083153A1 (zh) | 获取安全分级结果的方法及通信装置 | |
US20230224310A1 (en) | Data analysis method and apparatus | |
WO2023202768A1 (en) | Methods, apparatus and machine-readable media relating to machine-learning in a communication network |
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 |