CN117033994A - 模型信息获取方法、发送方法、装置、节点和储存介质 - Google Patents

模型信息获取方法、发送方法、装置、节点和储存介质 Download PDF

Info

Publication number
CN117033994A
CN117033994A CN202210476336.XA CN202210476336A CN117033994A CN 117033994 A CN117033994 A CN 117033994A CN 202210476336 A CN202210476336 A CN 202210476336A CN 117033994 A CN117033994 A CN 117033994A
Authority
CN
China
Prior art keywords
model
information
node
federal learning
request message
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
Application number
CN202210476336.XA
Other languages
English (en)
Inventor
崇卫微
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to CN202210476336.XA priority Critical patent/CN117033994A/zh
Priority to PCT/CN2023/090590 priority patent/WO2023207980A1/zh
Publication of CN117033994A publication Critical patent/CN117033994A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06N3/098—Distributed learning, e.g. federated learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Biology (AREA)
  • Computer And Data Communications (AREA)

Abstract

本申请公开了一种模型信息获取方法、发送方法、装置、节点和储存介质，属于通信技术领域，本申请实施例的模型信息获取方法包括：模型训练功能节点确定联邦学习FL服务端节点；所述模型训练功能节点向所述FL服务端节点发送第一请求消息，所述第一请求消息用于触发所述FL服务端节点进行联邦学习以获取目标模型；所述模型训练功能节点接收所述FL服务端节点发送的目标模型的信息。

Description

模型信息获取方法、发送方法、装置、节点和储存介质
技术领域
本申请属于通信技术领域，具体涉及一种模型信息获取方法、发送方法、装置、节点 和储存介质。
背景技术
目前一些通信系统(例如：5G)引入了人工智能(Artificial Intelligence，AI)功能， 具体可以是在模型对网络业务进行处理。但目前只支持网络节点独立学习的方式获取模型， 这样导致可能会网络节点在一些场景(如没有足够的训练数据)无法训练得到模型，导致 网络节点的模型训练性能较差的问题。
发明内容
本申请实施例提供一种模型信息获取方法、发送方法、装置、节点和储存介质，以解 决网络节点的模型训练性能较差的问题。
第一方面，提供了一种模型信息获取方法，其特征在于，包括：
模型训练功能节点确定联邦学习(Federated learning，FL)服务端节点；
所述模型训练功能节点向所述FL服务端节点发送第一请求消息，所述第一请求消息用 于触发所述FL服务端节点进行联邦学习以获取目标模型；
所述模型训练功能节点接收所述FL服务端节点发送的目标模型的信息。
第二方面，提供了一种模型信息发送方法，包括：
联邦学习FL服务端节点接收模型训练功能节点发送的第一请求消息，所述第一请求消 息用于触发所述FL服务端节点进行联邦学习以获取目标模型；
所述FL服务端节点基于所述第一请求消息，与FL客户端节点进行联邦学习，得到所 述目标模型；
所述FL服务端节点向所述模型训练功能节点发送所述目标模型的信息。
第三方面，提供了一种模型信息获取装置，包括：
第一确定模块，用于确定联邦学习FL服务端节点；
第一发送模块，用于向所述FL服务端节点发送第一请求消息，所述第一请求消息用于 触发所述FL服务端节点进行联邦学习以获取目标模型；
接收模块，用于接收所述FL服务端节点发送的目标模型的信息。
第四方面，提供了一种模型信息发送装置，包括：
接收模块，用于接收模型训练功能节点发送的第一请求消息，所述第一请求消息用于 触发联邦学习FL服务端节点进行联邦学习以获取目标模型；
学习模块，用于基于所述第一请求消息，与FL客户端节点进行联邦学习，得到所述目 标模型；
发送模块，用于向所述模型训练功能节点发送所述目标模型的信息。
第五方面，提供了一种模型训练功能节点，包括处理器和存储器，所述存储器存储可 在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现本申请实施 例提供的模型信息获取方法的步骤。
第六方面，提供了一种模型训练功能节点，包括处理器及通信接口，其中，所述处理 器或者通信接口用于确定FL服务端节点；通信接口用于向所述FL服务端节点发送第一请 求消息，所述第一请求消息用于触发所述FL服务端节点进行联邦学习以获取目标模型；以 及接收所述FL服务端节点发送的目标模型的信息。
第七方面，提供了一种服务端节点，其特征在于，包括处理器和存储器，所述存储器 存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现本申 请实施例提供的模型信息发送方法的步骤。
第八方面，提供了一种服务端节点，包括处理器及通信接口，其中，所述通信接口用 于接收模型训练功能节点发送的第一请求消息，所述第一请求消息用于触发联邦学习FL 服务端节点进行联邦学习以获取目标模型；所述处理器或者通信接口用于，用于基于所述 第一请求消息，与FL客户端节点进行联邦学习，得到所述目标模型；所述通信接口用于向 所述模型训练功能节点发送所述目标模型的信息。
第九方面，提供了一种模型信息传输系统，包括：模型训练功能节点和服务端节点， 所述模型训练功能节点可用于执行本申请实施例提供的模型信息获取方法的步骤，所述服 务端节点可用于执行本申请实施例提供的模型信息发送方法的步骤。
第十方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程 序或指令被处理器执行时实现本申请实施例提供的模型信息获取方法的步骤，或者实现本 申请实施例提供的模型信息发送方法的步骤。
第十一方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所 述处理器耦合，所述处理器用于运行程序或指令，实现本申请实施例提供的模型信息获取 方法，或实现本申请实施例提供的模型信息发送方法。
第十二方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存 储介质中，所述计算机程序/程序产品被至少一个处理器执行本申请实施例提供的模型信息 获取方法的步骤，或所述计算机程序/程序产品被至少一个处理器执行本申请实施例提供的 模型信息发送方法。
本申请实施例中，模型训练功能节点确定FL服务端节点；所述模型训练功能节点向 所述FL服务端节点发送第一请求消息，所述第一请求消息用于触发所述FL服务端节点进 行联邦学习以获取目标模型；所述模型训练功能节点接收所述FL服务端节点发送的目标模 型的信息。这样模型训练功能节点可以获取到联邦学习的目标模型的信息，以提高网络节 点的模型训练性能。
附图说明
图1是本申请实施例可应用的一种无线通信系统的框图；
图2是本申请实施例提供的一种模型信息获取方法的流程图；
图3是本申请实施例提供的一种模型信息发送方法的流程图；
图4是本申请实施例提供的一种模型信息获取方法的示意图；
图5是本申请实施例提供的另一种模型信息获取方法的示意图；
图6是本申请实施例提供的一种模型信息获取装置的结构图；
图7是本申请实施例提供的一种模型信息发送装置的结构图；
图8是本申请实施例提供的一种通信设备的结构图；
图9是本申请实施例提供的一种网络节点的结构图。
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清楚描述，显 然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施 例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象， 而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换， 以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第 二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以 是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/” 一般表示前后关联对象是一种“或”的关系。
值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long TermEvolution， LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，还可用于其他无线通信系统，诸如码 分多址(Code Division Multiple Access，CDMA)、时分多址(Time DivisionMultiple Access， TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access，SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网 络”常被可互换地使用，所描述的技术既可用于以上提及的系统和无线电技术，也可用于 其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio，NR)系统， 并且在以下大部分描述中使用NR术语，但是这些技术也可应用于NR系统应用以外的应 用，如第6代(6th Generation，6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11 和网络侧设备12。其中，终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上 型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant， PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、 移动上网装置(Mobile Internet Device，MID)、增强现实(augmentedreality，AR)/虚拟现实 (virtual reality，VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、 行人终端(PUE)、智能家居(具有无线通信功能的家居设备，如冰箱、电视、洗衣机或者 家具等)、游戏机、个人计算机(personal computer，PC)、柜员机或者自助机等终端侧设 备，可穿戴式设备包括：智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手 镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链、智能头盔、智能操纵杆等)、 智能腕带、智能服装等。需要说明的是，在本申请实施例并不限定终端11的具体类型。
网络侧设备12可以包括接入网设备和核心网设备，其中，接入网设备也可以称为无线 接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单 元。接入网设备可以包括基站、WLAN接入点或WiFi节点等，基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线 电收发机、基本服务集(Basic Service Set，BSS)、扩展服务集(Extended Service Set，ESS)、 家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point，TRP)或所 述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇， 需要说明的是，在本申请实施例中仅以NR系统中的基站为例进行介绍，并不限定基站的 具体类型。
核心网设备可以包含但不限于如下至少一项：核心网节点、核心网功能、移动管理实 体(Mobility Management Entity，MME)、接入移动管理功能(Access and MobilityManagement Function，AMF)、会话管理功能(Session Management Function，SMF)、用户平面功能(User Plane Function，UPF)、策略控制功能(Policy Control Function，PCF)、策 略与计费规则功能单元(Policy and Charging Rules Function，PCRF)、边缘应用服务发现功 能(Edge Application Server Discovery Function，EASDF)、统一数据管理(Unified Data Management，UDM)，统一数据仓储(Unified Data Repository，UDR)、归属用户服务器(Home Subscriber Server，HSS)、集中式网络配置(Centralized networkconfiguration，CNC)、网 络存储功能(Network Repository Function，NRF)，网络开放功能(Network Exposure Function， NEF)、本地NEF(Local NEF，或L-NEF)、绑定支持功能(Binding Support Function，BSF)、 应用功能(Application Function，AF)、网络数据分析功能(Network Data Analytics Function， NWDAF)等。需要说明的是，在本申请实施例中仅以NR系统中的核心网设备为例进行介 绍，并不限定核心网设备的具体类型。
本申请实施例中，模型训练功能节点可以是用于生成模型并进行模型训练的网络节点， 模型训练功能节点中可以是指普通模型训练功能节点(不为FL服务端节点)或FL客户端 节点，即模型训练功能节点不为FL服务端节点可以理解为，模型训练功能节点不能作为某 具体模型训练任务(对应某种分析标识，某AOI)的FL服务端节点，但不限于其可以作为 其他模型训练任务(如其他分析标识，其他AOI)的FL服务端节点。
模型推理功能节点可以是用于进行推理生成预测信息、生成统计信息或者数据分析等 的网络节点。
在一些实施例中，模型训练功能节点可以是指代通信网络中具备AI模型训练功能的网 元、终端或模块；模型推理功能节点指代通信网络中具备模型推理功能的网元、终端或模 块。也就是说，当然，模型训练功能节点和模型推理功能节点也可以称作其他名称。
本申请实施例中，模型训练功能节点和模型推理功能节点可以为核心网网元或者核心 网网元内部模块，例如：NWDAF可以包括和模型训练功能节点和模型推理功能节点，FL服务端节点为具备联邦学习服务器能力的核心网网元，FL客户端节点可以为其他参与联邦学习的核心网网元或模块。或者，模型训练功能节点和模型推理功能节点可以为无线接入网元或者无线接入网元的内部模块，即模型训练功能节点和模型推理功能节点可以为为RAN内部的功能，如模型训练功能节点可以为成具备模型训练功能的RAN设备，具体如 模型训练功能节点可以为具备模型训练功能但并非FL服务端节点的基站设备或模块，FL 服务端节点为具备联邦学习服务器能力的基站设备或模块或操作维护管理(OperationAdministration and Maintenance，OAM)，FL客户端节点可以为其他参与联邦学习的成员基 站设备或模块。
另外，模型训练功能节点和模型推理功能节点也可以是终端或者终端内部的功能，如 模型训练功能节点可以为具备模型训练功能的终端，具体如模型训练功能节点可以为具备 模型训练功能但并非FL服务端节点的终端，FL服务端节点为成具备联邦学习服务器能力 的终端或AF，其他FL客户端节点可以为其他参与联邦学习的成员终端。
需要说明的是，本申请实施例中，模型训练功能节点和模型推理功能节点可以独立部 署成不同的网元设备，或者合设部署在同一个网元设备中，如核心网网元、无线接入网网 元或者终端的两个内部功能模块，此时核心网网元、无线接入网网元或者终端的可以既提 供AI模型训练功能又提供模型推理功能。
本申请实施例中，FL服务端节点为协调或者主持联邦学习的网元，例如：FL服务端节点可以是FL中心网元或者FL协调者网元，或者可以用于FL操作的中央模型训练功能 节点，FL服务端节点具体可以是核心网元、无线接入网元、终端或者应用服务器等网元， FL客户端节点为参与联邦学习的网元，可以称为参与FL操作的网元，FL客户端节点具体 可以是核心网元、无线接入网元、终端或者应用服务器等网元。
在一些实施例中，模型训练功能节点可以是模型训练逻辑功能(Model TrainingLogical Function，MTLF)，模型推理功能节点可以分析逻辑功能(Analytics LogicalFunction，AnLF)，FL服务端节点可以是FL服务器，FL客户端节点可以是FL客户端。
请参见图2，图2是本申请实施例提供的一种模型信息获取方法的流程图，如图2所示，包括以下步骤，包括：
步骤201、模型训练功能节点确定FL服务端节点。
上述确定FL服务端节点可以是模型训练功能节点向其他网络节点查询上述FL服务端 节点，或者可以是，基于模型训练功能节点根据预先获取的配置信息选择上述FL服务端节 点。
步骤202、所述模型训练功能节点向所述FL服务端节点发送第一请求消息，所述第一 请求消息用于触发所述FL服务端节点进行联邦学习以获取目标模型。
上述第一请求消息可以请求上述FL服务端节点进行联邦学习，训练得到上述目标模型。 具体可以是，FL服务器与至少一个FL客户端节点之间执行FL操作，如FL服务器与至少一个FL客户端节点之间进行联邦学习的交互迭代过程，以获取上述目标模型。由上述目标模型为联邦学习得到的模型，因此，上述目标模型也可以称作联邦学习模型。
步骤203、所述模型训练功能节点接收所述FL服务端节点发送的目标模型的信息。
该步骤可以是在上述FL服务端节点通过联邦学习得到上述目标模型后，FL服务端节 点向模型训练功能节点发送目标模型的信息。
上述目标模型的信息可以是用于确定上述目标模型的信息，如目标模型的模型文件信 息，或者模型文件的下载地址信息等。
需要说明的是，本申请实施例中，上述目标模型可以是通信系统中用于通信业务处理 的模型，例如：可以是用于数据分析的模型，或者，可以是用于推理任务的模型，或者，可以是用于信道估计的模型，或者，可以是用于信息预测的模型等。
本申请实施例中，通过上述步骤可以使得模型训练功能节点获取到联邦学习的目标模 型的信息，从而可以提高网络节点的进行模型训练性能，以及还可以解决因数据隐私而无 法获取目标模型的问题。例如：模型训练功能节点需要针对模型推理功能节点指定的AOI 提供目标模型，但模型训练功能节点发现可能因数据孤岛问题无法得到AOI中全部或部分 训练数据时，向FL服务端节点触发进行联邦学习。
作为一种可选的实施方式，所述模型训练功能节点确定FL服务端节点，包括：
所述模型训练功能节点向网络仓库功能网元发送节点发现请求消息，所述节点发现请 求消息用于请求参与联邦学习训练的网络节点；
所述模型训练功能节点接收所述网络仓库功能网元发送的响应消息，所述响应消息包 括所述FL服务端节点的信息。
其中，上述节点发现请求消息可以是，网元发现请求(Nnrf_NFDiscovery_Request)
上述网络仓库功能网元可以存储一个或者多个FL服务端节点的信息，这样在接收到上 述请求消息后，向上述模型训练功能节点返回相应的FL服务端节点的信息。
该实施方式中，可以实现通过网络仓库功能网元获取FL服务端节点的信息。
需要说明的是，在一些实施方式中，也可以不从网络仓库功能网元获取FL服务端节点 的信息，例如：FL服务端节点的信息可以固定配置在模型训练功能节点中。
可选的，上述节点发现请求消息包括如下至少一项：
分析标识(analytics ID)、感兴趣区域(area of interest，AOI)信息、感兴趣时间信息、 模型描述方式信息、模型可共享信息、模型性能信息、模型算法信息、模型训练速度信息、 联邦学习指示信息、联邦学习类型信息、FL服务端节点类型指示信息、FL客户端节点类 型指示信息、第一服务信息和第二服务信息。
其中，上述分析标识可以用于指示：所述请求消息所请求的网络节点需要支持该分析 标识对应的模型训练任务。
上述AOI信息可以用于指示：所述请求消息所请求的网络节点能够服务所述AOI信息 对应的区域，可以是至少一个跟踪区域(Tracking Area，TA)，至少一个小区(cell)，或者 其他区域。
上述感兴趣时间信息可以用于指示：所述请求消息所请求的网络节点需支持对该感兴 趣时间信息对应的时间段进行模型训练。
上述模型描述方式信息可以用于指示：所述请求消息所请求的网络节点需支持基于该 模型描述方式信息对应的模型描述方式表示模型，该模型描述方式信息也可以称作模型描 述方式要求信息，或者模型描述方式期望信息。例如：模型描述方式信息可以是，具体是 开放神经网络交换(Open Neural Network Exchange，ONNX)等为代表的模型表达语言， 或者TensorFlow，Pytorch等为代表的模型框架。
上述模型可共享信息可以用于指示：所述请求消息所请求的网络节点需能够与所述模 型训练功能节点共享模型，该模型可共享信息也可以称作模型可共享要求信息，或者模型 可共享期望信息。其中，可共享是指可以进行互操作，或者可共享是指可以相互被理解， 可共享是指可运行。
上述模型性能信息可以用于指示：所述请求消息所请求的网络节点需提供可满足该模 型性能信息的模型，该模型性能信息也可以称作模型性能要求信息，或者模型性能信息期 望信息。其中，性能可以是模型的准确度值，平均绝对误差(Mean Absolute Error，MAE) 等。
上述模型算法信息可以用于指示：所述请求消息所请求的网络节点需支持基于该模型 算法信息对应的模型算法训练模型，该模型算法信息也可以称作模型算法要求信息，或者 模型算法期望信息。
上述模型训练速度信息可以用于指示：所述请求消息所请求的网络节点训练模型的速 度需满足该模型训练速度信息表示模型训练速度，该模型训练速度信息也可以称作模型训 练速度要求信息，或者模型训练速度期望信息。其中，训练速度可以表达为模型训练到达 收敛或者到达某性能阈值所花费的时间。
上述联邦学习指示信息可以用于指示：所述请求消息所请求的网络节点需要支持联邦 学习。
上述联邦学习类型信息可以用于：所述请求消息所请求的网络节点需要支持的联邦学 习的类型为如下至少一项：
横向联邦学习类型；纵向联邦学习类型。
其中，上述横向联邦学习类型可以是，采用具备相同特征点的不同训练数据样本进行 学习训练；上述纵向联邦学习类型可以是，采用相同训练样本的不同特征点的训练数据样 本进行学习训练。
上述FL服务端节点类型指示信息可以用于指示：所述请求消息所请求的网络节点属于 FL服务端节点类型。
上述FL客户端节点类型指示信息可以用于指示：所述请求消息所请求的网络节点属于 FL客户端节点类型。
上述第一服务信息可以用于指示：所述请求消息所请求的网络节点需要支持联邦学习 服务器的服务。
上述第二服务信息可以用于指示：所述请求消息所请求的网络节点需要支持联邦学习 成员的服务。
该实施方式中，由于上述节点发现请求消息包括上述至少一项信息，这样可以使得网 络仓库功能网元可以向模型训练功能节点返回满足相应条件的FL服务端节点的信息，从而 使得FL服务端节点最终能联邦学习到上述模型训练功能节点要求、满意或者期望的目标模 型。
可选的，所述响应消息包括N个网络节点的信息，所述N个网络节点包括所述FL服务端节点，N为正整数；
每个网络节点的信息包括如下至少一项：
全限定域名(Fully Qualified Domain Name，FQDN)、标识信息、地址信息。
该实施方式中，通过上述FQDN、标识信息和地址信息中的至少一项，确定上述FL服务端节点。
在一些实施方式中，上述N个网络节点还包括FL客户端节点。
上述N个网络节点包括的一个或者多个FL客户端节点可以是，参与此次联邦学习的 FL客户端节点。这些FL客户端节点可以为FL参与者或者FL成员。
由于响应消息还包括FL客户端节点，这样可以使得模型训练功能节点可以快速确定 FL服务端节点和FL客户端节点，从而可以及时请求FL服务端节点和FL客户端节点进行联邦学习，以提高获取目标模型的效率。
可选的，每个网络节点的信息还包括：
类型信息，所述类型信息用于指示网络节点的类型，所述类型为FL服务端节点和FL 客户端节点中的一项。
该实施方式中，可以通过类型信息指示网络节点为FL服务端节点和FL客户端节点。 当然，本申请实施例，也可以不指示上述类型信息，例如：模型训练功能节点可以通过这 些网络节点的标识信息识别出是FL服务端节点和FL客户端节点，或者，在上述响应消息如果包括FL服务端节点和FL客户端节点的情况下，响应消息中对FL服务端节点和FL 客户端节点的信息进行排序，这样模型训练功能节点可以通过信息的排序识别出FL服务端 节点和FL客户端节点。
作为一种可选的实施方式，所述第一请求消息包括如下至少一项：
联邦学习指示信息和模型标识；
其中，所述联邦学习指示信息用于请求：所述FL服务端节点触发联邦学习以获取目标 模型；
所述模型标识用于唯一地标识所述目标模型。
其中，上述模型标识可以是上述模型训练功能节点获取的，例如：上述方法还包括： 所述模型训练功能节点获取所述模型标识，如模型训练功能节点自己生成，或从模型标识 管理网元获取的。
该实施方式中，由于上述第一请求消息包括联邦学习指示信息和模型标识中的至少一 项，这样可以让FL服务端节点确定是进行联邦学习，以快速响应上述请求消息。需要说明 的是，在一些实施方式中，也可以不携带上述联邦学习指示信息和模型标识，例如：模型 标识可以为FL服务端节点获取，FL服务端节点接收到上述第一请求消息就默认进行联邦 学习。
在一些实施方式中，上述第一请求消息可以包括如下至少一项：
分析标识、感兴趣时间信息、模型描述方式信息、模型可共享信息、模型性能信息、模型算法信息、模型训练速度信息、第一模型过滤信息、第一对象信息和上报信息；
其中，上述分析标识、感兴趣时间信息、模型描述方式信息、模型可共享信息、模型性能信息、模型算法信息、模型训练速度信息可以参见上述实施方式的相应描述，此处不作赘述。
上述第一模型过滤信息可以用于指示：联邦学习的区域范围、时间范围、切片范围、 数据网络名(Data Network Name，DNN)范围中的至少一项。
上述第一对象信息可以用于指示：联邦学习针对的对象为单个终端、多个终端或任何 终端中的一项；例如：第一对象信息包括终端的信息，如终端标识(UE ID)或者终端组标 识(UE group ID)。
上述上报信息可以用于指示：发送所述联邦模型的上报格式和/或上报条件。
该实施方式中，上述第一请求消息包括上述至少一项信息，这样可以使得FL服务端节 点最终能联邦学习到上述模型训练功能节点要求、满意或者期望的目标模型。
作为一种可选的实施方式，所述第一请求消息包括：参与联邦学习的FL客户端节点的 信息。
上述参与联邦学习的FL客户端节点可以是一个或者多个FL客户端节点，且这些客户 端可以包括上述模型训练功能节点或者不包括。
其中，上述联邦学习的FL客户端节点的信息可以是从网络仓库功能网元获取的，也可 以是模型训练功能节点预先配置的。这样由于第一请求消息包括参与联邦学习的FL客户端 节点的信息，从而可以使得FL服务端节点可以快速与FL客户端节点进行联邦学习，以提 高目标模型的获取效率。
作为一种可选的实施方式，所述目标模型的信息包括所述目标模型对应的如下至少一 项信息：
模型标识、联邦指示信息、模型文件和模型文件的地址信息。
上述联邦学习指示信息用于指示：所述目标模型为联邦学习获取的模型；
所述模型标识用于唯一地标识所述目标模型；
上述模型文件可以包括上述目标模型的相关文件信息，如包含模型的网络结构、权重 参数和输入输出数据等文件。
上述模型文件的地址信息为获取上述目标模型的地址信息，如用于指示模型文件的存 储地址，或者模型文件的下载地址信息。
需要说明的是，本申请实施例中，上述目标模型的信息可以不包括上述模型标识，因 为，模型训练功能节点可以自己获取该标识，上述目标模型的信息可以不包括上述联邦指 示信息，因为，模型训练功能节点可以默认FL服务端节点发送的目标模型为联邦学习获取 的模型，上述目标模型的信息可以不包括上述模型文件，因为，模型训练功能节点依据上 述地址信息下载模型文件，上述目标模型的信息可以不包括模型文件的地址信息，因为， 在一些实施方式，在训练好模型后可以将模型文件存储于预先配置的位置，从而模型训练 功能节点从该位置下载模型文件。
在一些实施方式中，上述目标模型的信息还可以包括所述目标模型对应的如下至少一 项信息：
分析标识、第二模型过滤信息、模型有效信息。
其中，分析标识可以用于指示上述目标模型对应的任务；
上述第二模型过滤信息可以用于指示：目标模型的区域范围、时间范围、切片范围、 数据网络名(Data Network Name，DNN)范围中的至少一项。
上述模型有效信息可以用于指示：模型的有效时间、有效区域等有效信息。
作为一种可选的实施方式，所述方法还包括：
所述模型训练功能节点向模型推理功能节点发送所述目标模型的信息。
该实施方式中，可以是主动向模型推理功能节点发送目标模型的信息，也可以是基于 模型推理功能节点的请求发送目标模型的信息。
例如：在请求发送的方式中，上述模型训练功能节点接收模型推理功能节点发送的模 型请求消息，该模型请求消息可以包括如下至少一项：
分析标识、第三模型过滤信息、第二对象信息和时间信息；
其中，该第四分标识可以用于指示：所述模型请求消息所请求的模型标识所针对的数 据分析任务。
上述第三模型过滤信息可以用于指示：所述模型请求消息所请求的模型需要满足的条 件，如该条件可以是模型需要服务的感兴趣区域、单一网络切片选择辅助信息(Single Network Slice Selection Assistance Information，S-NSSAI)或者DNN。
上述第二对象信息可以用于指示：所述模型请求消息所请求的模型的训练对象，该训 练对象可以是针对单个终端，多个终端或任何终端等。例如：第二对象信息这些终端的终 端标识或者终端组标识。
所述时间信息用于指示如下至少一项：所述模型请求消息所请求的模型的适用时间和 模型的信息的上报时间。
该实施方式中，由于模型训练功能节点向模型推理功能节点发送所述目标模型的信息， 从而可以使得模型推理功能节点可能使用上述目标模型，以提高模型推理功能节点的业务 性能。
作为一种可选的实施方式，在所述模型训练功能节点确定FL服务端节点之前，所述方 法还包括：
所述模型训练功能节点确定需要通过联邦学习以获取所述目标模型。
上述确定需要通过联邦学习以获取所述目标模型可以是，模型训练功能节点无法独立 训练得到上述目标模型，从而确定需要通过联邦学习以获取所述目标模型。例如：上述模 型训练功能节点确定需要通过联邦学习以获取所述目标模型，包括：
在所述模型训练功能节点确定无法获取用于生成所述目标模型的所有或部分训练数据 的情况下，所述模型训练功能节点确定需要通过联邦学习以获取所述目标模型。
上述无法获取用于生成所述目标模型的所有或部分训练数据可以是，由于技术保密或 者用户隐私等原因导致模型训练功能节点无法获取用于生成所述目标模型的所有或部分训 练数据。例如：模型训练功能节点需要针对模型推理功能节点指定的AOI提供目标模型， 但模型训练功能节点发现可能因数据孤岛问题无法得到AOI中全部或部分训练数据时，向 FL服务端节点触发进行联邦学习。又例如：针对模型训练功能节点需要获取一些终端对应 的模型，但模型训练功能节点却因为数据隐私问题无法获取这些终端对应的训练数据，从 而借助与FL服务端节点可以获取这些终端对应的训练数据，或者触发进行联邦学习获取针 对终端的目标模型。
该实施方式中，可以实现在确定需要通过联邦学习以获取所述目标模型，通过上述FL 服务端节点获取上述目标模型的信息，以提高网络节点的进行模型训练性能。例如：可以 实现在模型训练功能节点针对目标模型没有足够训练数据的情况下，获取上述目标模型， 可以实现在模型训练功能节点针对目标模型没有足够训练资源的情况下，获取上述目标模 型，以提高网络节点的进行模型训练性能。
本申请实施例中，模型训练功能节点确定FL服务端节点；所述模型训练功能节点向 所述FL服务端节点发送第一请求消息，所述第一请求消息用于触发所述FL服务端节点进 行联邦学习以获取目标模型；所述模型训练功能节点接收所述FL服务端节点发送的目标模 型的信息。这样模型训练功能节点可以获取到联邦学习的目标模型的信息，从而可以提高 网络节点的模型训练性能。
请参见图3，图3是申请实施例提供的一种模型信息发送方法的流程图，如图3所示， 包括以下步骤：
步骤301、FL服务端节点接收模型训练功能节点发送的第一请求消息，所述第一请求 消息用于触发所述FL服务端节点进行联邦学习以获取目标模型。
步骤302、所述FL服务端节点基于所述第一请求消息，与FL客户端节点进行联邦学习，得到所述目标模型。
其中，上述FL服务端节点基于所述第一请求消息，与FL客户端节点进行联邦学习可 以是，由上述第一请求消息触发上述FL服务端节点与FL客户端节点进行之间执行FL操作，具体可以是，FL服务端节点与FL客户端节点进行之间进行联邦学习的交互迭代过程，以训练得到上述目标模型。
步骤303、所述FL服务端节点向所述模型训练功能节点发送所述目标模型的信息。
可选的，所述第一请求消息包括如下至少一项：
联邦学习指示信息和模型标识；
其中，所述联邦学习指示信息用于请求：所述FL服务端节点触发联邦学习以获取目标 模型；
所述模型标识用于唯一地标识所述目标模型。
在一些实施方式中，上述第一请求消息可以包括如下至少一项：
分析标识、感兴趣时间信息、模型描述方式信息、模型可共享信息、模型性能信息、模型算法信息、模型训练速度信息、第一模型过滤信息、第一对象信息和上报信息。
可选的，所述第一请求消息包括：参与联邦学习的FL客户端节点的信息。
可选的，所述方法还包括：
所述FL服务端节点确定参与联邦学习的FL客户端节点。
其中，上述FL服务端节点确定参与联邦学习的FL客户端节点可以是，FL服务端节点从网络仓库功能网元查询参与联邦学习的FL客户端节点，或者可以是，FL服务端节点 基于预配置信息确定参与联邦学习的FL客户端节点。
可选的，所述FL服务端节点确定参与联邦学习的FL客户端节点，包括：
所述FL服务端节点向网络仓库功能网元发送节点发现请求消息，所述节点发现请求消 息用于请求参与联邦学习的FL客户端节点；
所述FL服务端节点接收所述网络仓库功能网元发送的响应消息，所述响应消息包括参 与联邦学习的FL客户端节点的信息。
可选的，所述联邦模型的信息包括所述目标模型对应的如下至少一项信息：
模型标识、联邦指示信息、模型文件和模型文件的地址信息；
其中，所述联邦学习指示信息用于指示：所述目标模型为联邦学习获取的模型；
所述模型标识用于唯一地标识所述目标模型。
在一些实施方式中，上述目标模型的信息还可以包括所述目标模型对应的如下至少一 项信息：
分析标识、第二模型过滤信息、模型有效信息。
可选的，所述模型标识是所述模型训练功能节点为所述目标模型获取的。
可选的，所述方法还包括：
所述FL服务端节点为所述目标模型获取所述模型标识。
其中，上述FL服务端节点为目标模型获取的模型标识可以是FL服务端节点生成，或 从模型标识管理网元获取的。
需要说明的是，本实施例作为与图2所示的实施例中对应的FL服务端节点的实施方式， 其具体的实施方式可以参见图2所示的实施例的相关说明，以为避免重复说明，本实施例 不再赘述。
下面以模型训练功能节点为MTLF，模型推理功能节点为AnLF，FL服务端节点为FL服务器，FL客户端节点为FL客户端为例，通过多个实施例对本申请实施例提供的方法进 行举例说明：
实施例一：
该实施例以FL服务器确定FL客户端进行举例说明，具体如图4所示，包括如下步骤：
步骤0.可选地，消费者网络功能(Consumer NF)向AnLF请求数据分析结果，请求消息中可以携带如下至少一项：
分析标识(Analytics ID)，用于标识数据分析任务的任务类型，如analytics ID＝UE mobility，用于指示请求用户移动轨迹数据分析任务。
分析过滤信息(Analytic filter information)，用于指示数据分析结果过滤信息，如包括 感兴趣区域(AOI)，切片S-NSSAI，DNN等。
分析上报对象(Target of analytic reporting)，用于指明数据分析的对象是某个终端、多 个终端或者所有UE。
分析上报信息(Analytics reporting information)，用于指示数据分析结果的上报时间， 上报条件等信息。
步骤1、AnLF向MTLF1发送模型请求消息，用于请求分析标识对应的模型。
模型请求消息可以模型提供订阅(Nnwdaf_MLModelProvision_subscribe)消息或模型 信息请求消息(Nnwdaf_MLModelInfo_Request)。
该模型请求消息可以携带以下信息：
Analytic ID，用于标识一种推理任务类型，如analytics ID＝UE mobility，用于预测用户 移动轨迹
模型过滤信息，用于指示请求的模型需要满足的条件，如感兴趣区域(AOI)，切片S-NSSAI，DNN。
模型对象信息，用于指示模型的训练对象，如针对单个终端，多个终端或任何终端等。
模型时间信息，用于指示模型的适用时间或模型信息的上报时间。
需要说明的是，此处的MTLF1不是FL服务器，具体为MTLF1不是该目标模型的 FL服务器，但不限可以是其他模型的FL服务器，FL服务器可以称为协调员(coordinator) 或者用于FL操作的中央MTLF(central MTLF for FL operation)，而仅是一个FL客户端(或 者称为参与FL操作的成员)或不支持FL能力的MTLF。
步骤2、MTLF1根据模型请求消息，确定需要进行联邦学习以获取所请求的模型。
MTLF1确定需要进行联邦学习的因素可以包括：
MTLF1中针对该模型训练任务没有足够的训练数据，如因数据隐私问题而缺乏其他区 域或其他训练实体中的某些训练数据而无法进行集中式的模型训练以生成所请求的模型。
可选地，MTLF1进一步还可确定联邦学习的类型为横向联邦学习。例如：MTLF1根据该训练任务符合训练数据对应的样本不同、但是特征相同的特点，这样确定需要进行横向联邦学习。
步骤3a、可选地，MTLF1向NRF发送节点发现请求消息，用于请求可以进行联邦学习训练的网元设备。
具体地，节点发现请求消息可使用发现请求(Nnrf_NFDiscovery_Request)。其中，该 消息中可包括：
分析标识(analytics ID)，用于指示所请求的网元需要支持该analytics ID；
AOI，可以是至少一个跟踪区域(Tracking Area，TA)，至少一个小区(cell)或其他表现形式，用于指示所请求的网元需能够服务于该AOI。
节点发现请求消息中，还可以包括以下信息的至少一项：
联邦学习指示信息，用于指示所请求的网元需能够支持联邦学习。进一步地，还可指 示需支持横向联邦学习；
期望NF类型为FL服务器(Expected NF type＝FL server)，用于指示所请求的网元需属 于FL server类型。
期望NF类型为FL客户端(Expected NF type＝FL client)，用于指示所请求的网元需属 于FL client类型。
期望NF服务名称为协调服务FL服务(Expected NF service Name＝FL server(coordination)service，用于指示所请求的网元需支持联邦学习服务器(协调)的服务。
期望NF服务名称为参与服务FL客户端(Expected NF service Name＝FL client(particepant)service)，用于指示所请求的网元需支持联邦学习成员(参与)的服务。
一种实现中，网元请求消息中包括联邦学习指示信息，该请求消息可以指定分析标识， 期望NF类型为MTLF(Expected NF type＝MTLF)和AOI，该情况下，MTLF1用于NRF 请求支持在针对AOI进行联邦学习的所有MTLF。
一种实现中，网元请求消息中包括期望NF类型为FL服务器(Expected NF type＝FL server)，其他类似于现有技术(如指定analytics ID，Expected NF type＝MTLF，AOI)，此 时说明MTLF1用于NRF请求支持联邦学习的FL server。
一种实现中，网元请求消息中包括Expected NF type＝FL server and FLclient，其他类似 于现有技术(如指定analytics ID，Expected NF type＝MTLF，AOI)，此时说明MTLF1用于 NRF请求支持联邦学习的FL server和FL client。
步骤3b、NRF将符合步骤3a中网元发起请求消息的设备信息返回给MTLF1。
NRF将符合要求的一个或多个MTLF的FQDN、标识信息、地址信息等发送给MTLF1，反馈信息中可以针对每个MTLF指明是FL server或FL client。
步骤4、可选地，MTLF1为即将产生的联邦学习模型分配模型标识(model ID)，用于唯一地标识该模型。
步骤5、MTLF1向FL server发送联邦学习请求消息，用于请求FL server触发进行联 邦学习过程。其中，联邦学习请求消息中可以包括以下至少一项信息：
联邦学习指示(FL indication)，用于指示请求进行联邦学习过程。
分析标识(Analytics ID)，用于指示请求针对analytics ID标识的任务类型而进行联邦 学习过程。
模型标识(Model ID)，用于唯一地标识联邦学习产生的模型。
模型过滤信息(Model filter information)，用于限定联邦学习过程的范围，如区域范围， 时间范围，S-NSSAI，DNN等
模型对象(Model target of model)，用于指定联邦学习过程针对的对象，如特定一个或 多个终端，所有终端等。
模型上报信息(Model reporting information)，用于指示所产生的联邦学习模型信息的 上报信息，如上报时间(开始时间，截止时间等)、上报条件(周期性触发、事件触发等)。
步骤6、可选地，若未从MTLF1接收模型标识，则FL server可为即将产生的联邦学习模型分配模型标识，用于唯一地标识该模型。
步骤7a、FL server确定进行该次联邦学习过程的至少一个FL客户端。具体地，FLserver 可以从网络仓库功能网元查询获取符合此次联邦学习过程的FL客户端。可参考步骤3a.
说明一点，此处FL客户端可以包括MTLF1本身，或者不包括。
步骤7、FL server与FL客户端之间进行联邦学习的交互迭代过程，获取联邦学习模 型。
其中，如FL客户端并不包括MTLF1本身，则此处的交互过程不涉及MTLF1。
步骤8、FL server将产生的联邦学习模型的目标模型的信息发送给MTLF1，其中，目 标模型的信息包括如下至少一项：
模型标识；
联邦学习指示；
模型文件(包含模型的网络结构，权重参数，输入输出数据等)；
模型文件的下载地址信息或存储地址信息(用于指示模型文件的存储地址，或者从哪 里可以下载模型文件)；
分析标识(指示模型适用于某种推理任务类型)；
模型过滤信息(用于限定联邦学习过程的范围，如区域范围，时间范围，S-NSSAI，DNN 等)；
有效区域信息(模型适用的区域)；
有效时间信息(模型适用的时间)。
步骤9、MTLF1将产生的联邦学习模型的模型信息发送给AnLF。
该步骤MTLF1可以通过模型提供通知(Nnwdaf_MLModelProvision_Notify)或模型信 息响应(Nnwdaf_MLModelInfo_Response)消息发送模型，发送的内容具体参考步骤8。
步骤10、AnLF基于模型产生数据分析结果。
步骤11、可选地，AnLF向consumer NF发送数据分析结果。
实施例二：
该实施例以MTLF1确定FL客户端进行举例说明，具体如图5所示，与实施例一的不同点在于：
步骤3中，MTLF1从NRF获取到FL server和FL客户端；
步骤5中，可选地，MTLF1向FL server同时指明参与此次联邦学习的FL客户端。可免去FL server向NRF查询FL客户端的步骤。
本申请实施例中，在面临数据隐私问题而需要借助联邦学习产生模型时，即使模型训 练功能节点自身并不支持联邦学习能力或联邦学习服务器能力，或者，是针对某特定分析 标识、特定AOI不支持联邦学习或联邦学习服务器能力时，该模型训练功能节点也能触发 其他设备进行联邦学习，从而获取自身所需要的模型。扩展了联邦学习的应用范围，从而 更大范围地解决了数据隐私难题。
请参见图6，图6是本申请实施例提供的一种模型信息获取装置的结构图，如图6所示，包括：
第一确定模块601，用于确定联邦学习FL服务端节点；
第一发送模块602，用于向所述FL服务端节点发送第一请求消息，所述第一请求消息 用于触发所述FL服务端节点进行联邦学习以获取目标模型；
接收模块603，用于接收所述FL服务端节点发送的目标模型的信息。
可选的，确定模块601用于向网络仓库功能网元发送节点发现请求消息，所述节点发 现请求消息用于请求参与联邦学习训练的网络节点；以及接收所述网络仓库功能网元发送 的响应消息，所述响应消息包括所述FL服务端节点的信息。
可选的，所述节点发现请求消息包括如下至少一项：
分析标识、感兴趣区域AOI信息、感兴趣时间信息、模型描述方式信息、模型可共享信息、模型性能信息、模型算法信息、模型训练速度信息、联邦学习指示信息、联邦学习 类型信息、FL服务端节点类型指示信息、FL客户端节点类型指示信息、第一服务信息和 第二服务信息；
其中，所述联邦学习指示信息用于指示：所述请求消息所请求的网络节点需要支持联 邦学习；
所述第一服务信息用于指示：所述请求消息所请求的网络节点需要支持联邦学习服务 器的服务；
所述第二服务信息用于指示：所述请求消息所请求的网络节点需要支持联邦学习成员 的服务。
可选的，所述联邦学习类型信息用于指示：所述请求消息所请求的网络节点需要支持 的联邦学习的类型为如下至少一项：
横向联邦学习类型；
纵向联邦学习类型。
可选的，所述响应消息包括N个网络节点的信息，所述N个网络节点包括所述FL服务端节点，N为正整数；
每个网络节点的信息包括如下至少一项：
全限定域名FQDN、标识信息、地址信息。
可选的，所述N个网络节点还包括FL客户端节点。
可选的，每个网络节点的信息还包括：
类型信息，所述类型信息用于指示网络节点的类型，所述类型为FL服务端节点和FL 客户端节点中的一项。
可选的，所述第一请求消息包括如下至少一项：
联邦学习指示信息和模型标识；
其中，
所述联邦学习指示信息用于请求：所述FL服务端节点触发联邦学习以获取目标模型；
所述模型标识用于唯一地标识所述目标模型。
可选的，所述装置还包括：
获取模块，用于获取所述模型标识。
可选的，所述第一请求消息包括：参与联邦学习的FL客户端节点的信息。
可选的，所述目标模型的信息包括所述目标模型对应的如下至少一项信息：
模型标识、联邦指示信息、模型文件和模型文件的地址信息；
其中，所述联邦学习指示信息用于指示：所述目标模型为联邦学习获取的模型；
所述模型标识用于唯一地标识所述目标模型。
可选的，所述装置还包括：
第二发送模块，用于向模型推理功能节点发送所述目标模型的信息。
可选的，所述装置还包括：
第二确定模块，用于确定需要通过联邦学习以获取所述目标模型。
可选的，，所述第二确定模块用于在所述模型训练功能节点确定无法获取用于生成所述 目标模型的所有或部分训练数据的情况下，确定需要通过联邦学习以获取所述目标模型。
上述模型信息获取装置可以提高网络节点的模型训练性能。
本申请实施例中的模型信息获取装置可以是电子设备，例如具有操作系统的电子设备， 也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是核心网设备、网络 侧设备或者终端，也可以为除终端之外的其他设备。
本申请实施例提供的模型信息获取装置能够实现图2所示的方法实施例实现的各个过 程，并达到相同的技术效果，为避免重复，这里不再赘述。
请参见图7，图7是本申请实施例提供的一种模型信息发送装置的结构图，如图7所示，包括：
接收模块701，用于接收模型训练功能节点发送的第一请求消息，所述第一请求消息 用于触发联邦学习FL服务端节点进行联邦学习以获取目标模型；
学习模块702，用于基于所述第一请求消息，与FL客户端节点进行联邦学习，得到所 述目标模型；
发送模块703，用于向所述模型训练功能节点发送所述目标模型的信息。
可选的，所述第一请求消息包括如下至少一项：
联邦学习指示信息和模型标识；
其中，
所述联邦学习指示信息用于请求：所述FL服务端节点触发联邦学习以获取目标模型；
所述模型标识用于唯一地标识所述目标模型。
可选的，所述第一请求消息包括：参与联邦学习的FL客户端节点的信息。
可选的，所述装置还包括：
确定模块，用于确定参与联邦学习的FL客户端节点。
可选的，所述确定模块用于向网络仓库功能网元发送节点发现请求消息，所述节点发 现请求消息用于请求参与联邦学习的FL客户端节点；以及接收所述网络仓库功能网元发送 的响应消息，所述响应消息包括参与联邦学习的FL客户端节点的信息。
可选的，所述联邦模型的信息包括所述目标模型对应的如下至少一项信息：
模型标识、联邦指示信息、模型文件和模型文件的地址信息；
其中，所述联邦学习指示信息用于指示：所述目标模型为联邦学习获取的模型；
所述模型标识用于唯一地标识所述目标模型。
可选的，所述模型标识是所述模型训练功能节点为所述目标模型获取的。
可选的，所述装置还包括：
获取模块，用于为所述目标模型获取所述模型标识。
上述模型信息发送装置可以提高网络节点的模型训练性能。
本申请实施例中的模型信息发送装置可以是电子设备，例如具有操作系统的电子设备， 也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是核心网设备、网络 侧设备或者终端，也可以为除终端之外的其他设备。
本申请实施例提供的模型信息发送装置能够实现图2所示的方法实施例实现的各个过 程，并达到相同的技术效果，为避免重复，这里不再赘述。
可选的，如图8所示，本申请实施例还提供一种通信设备800，包括处理器801和存储器802，存储器802上存储有可在所述处理器801上运行的程序或指令，例如，该通信 设备800为第一控制网元时，该程序或指令被处理器801执行时实现上述模型信息获取方 法或者上述模型信息发送方法实施例的各个步骤，且能达到相同的技术效果，为避免重复， 这里不再赘述。
本申请实施例还提供一种模型训练功能节点元，包括处理器及通信接口，其中，所述 处理器或者通信接口用于确定FL服务端节点；通信接口用于向所述FL服务端节点发送第 一请求消息，所述第一请求消息用于触发所述FL服务端节点进行联邦学习以获取目标模型； 以及接收所述FL服务端节点发送的目标模型的信息。
本申请实施例还提供了一种服务端节点，包括处理器及通信接口，其中，所述通信接 口用于接收模型训练功能节点发送的第一请求消息，所述第一请求消息用于触发联邦学习 FL服务端节点进行联邦学习以获取目标模型；所述处理器或者通信接口用于，用于基于所 述第一请求消息，与FL客户端节点进行联邦学习，得到所述目标模型；所述通信接口用于 向所述模型训练功能节点发送所述目标模型的信息。
具体地，本申请实施例还提供了一种网络节点。如图9所示，该网络节点900包括：处理器901、网络接口902和存储器903。其中，网络接口902例如为通用公共无线接口(common public radio interface，CPRI)。
具体地，本申请实施例的网络节点900还包括：存储在存储器903上并可在处理器901 上运行的指令或程序，处理器901调用存储器903中的指令或程序执行图3至图5所示各模块执行的方法，并达到相同的技术效果，为避免重复，故不在此赘述。
在上述网络节点为模型训练功能节点的实施例中：
处理器901或者网络接口902，用于确定联邦学习FL服务端节点；
网络接口902，用于向所述FL服务端节点发送第一请求消息，所述第一请求消息用于 触发所述FL服务端节点进行联邦学习以获取目标模型；以及接收所述FL服务端节点发送 的目标模型的信息。
可选的，所述确定FL服务端节点，包括：
向网络仓库功能网元发送节点发现请求消息，所述节点发现请求消息用于请求参与联 邦学习训练的网络节点；
接收所述网络仓库功能网元发送的响应消息，所述响应消息包括所述FL服务端节点的 信息。
可选的，所述节点发现请求消息包括如下至少一项：
分析标识、感兴趣区域AOI信息、感兴趣时间信息、模型描述方式信息、模型可共享信息、模型性能信息、模型算法信息、模型训练速度信息、联邦学习指示信息、联邦学习 类型信息、FL服务端节点类型指示信息、FL客户端节点类型指示信息、第一服务信息和 第二服务信息；
其中，所述联邦学习指示信息用于指示：所述请求消息所请求的网络节点需要支持联 邦学习；
所述第一服务信息用于指示：所述请求消息所请求的网络节点需要支持联邦学习服务 器的服务；
所述第二服务信息用于指示：所述请求消息所请求的网络节点需要支持联邦学习成员 的服务。
可选的，所述联邦学习类型信息用于指示：所述请求消息所请求的网络节点需要支持 的联邦学习的类型为如下至少一项：
横向联邦学习类型；
纵向联邦学习类型。
可选的，所述响应消息包括N个网络节点的信息，所述N个网络节点包括所述FL服务端节点，N为正整数；
每个网络节点的信息包括如下至少一项：
全限定域名FQDN、标识信息、地址信息。
可选的，所述N个网络节点还包括FL客户端节点。
可选的，每个网络节点的信息还包括：
类型信息，所述类型信息用于指示网络节点的类型，所述类型为FL服务端节点和FL 客户端节点中的一项。
可选的，所述第一请求消息包括如下至少一项：
联邦学习指示信息和模型标识；
其中，
所述联邦学习指示信息用于请求：所述FL服务端节点触发联邦学习以获取目标模型；
所述模型标识用于唯一地标识所述目标模型。
可选的，所述处理器901或者网络接口902还用于：
获取所述模型标识。
可选的，所述第一请求消息包括：参与联邦学习的FL客户端节点的信息。
可选的，所述目标模型的信息包括所述目标模型对应的如下至少一项信息：
模型标识、联邦指示信息、模型文件和模型文件的地址信息；
其中，所述联邦学习指示信息用于指示：所述目标模型为联邦学习获取的模型；
所述模型标识用于唯一地标识所述目标模型。
可选的，网络接口902还用于：
所述模型训练功能节点向模型推理功能节点发送所述目标模型的信息。
可选的，在所述模型训练功能节点确定FL服务端节点之前，处理器901还用于：
确需要通过联邦学习以获取所述目标模型。
可选的，所述确定需要通过联邦学习以获取所述目标模型，方法包括：
在所述模型训练功能节点确定无法获取用于生成所述目标模型的所有或部分训练数据 的情况下，确定需要通过联邦学习以获取所述目标模型。
在上述网络节点为FL服务端节点的实施例中：
网络接口902，用于接收模型训练功能节点发送的第一请求消息，所述第一请求消息 用于触发所述FL服务端节点进行联邦学习以获取目标模型；基于所述第一请求消息，与FL客户端节点进行联邦学习，得到所述目标模型；以及向所述模型训练功能节点发送所述目标模型的信息。
可选的，所述第一请求消息包括如下至少一项：
联邦学习指示信息和模型标识；
其中，
所述联邦学习指示信息用于请求：所述FL服务端节点触发联邦学习以获取目标模型；
所述模型标识用于唯一地标识所述目标模型。
可选的，所述第一请求消息包括：参与联邦学习的FL客户端节点的信息。
可选的，处理器901或者网络接口902还用于：
确定参与联邦学习的FL客户端节点。
可选的，所述确定参与联邦学习的FL客户端节点，包括：
向网络仓库功能网元发送节点发现请求消息，所述节点发现请求消息用于请求参与联 邦学习的FL客户端节点；
接收所述网络仓库功能网元发送的响应消息，所述响应消息包括参与联邦学习的FL 客户端节点的信息。
可选的，所述联邦模型的信息包括所述目标模型对应的如下至少一项信息：
模型标识、联邦指示信息、模型文件和模型文件的地址信息；
其中，所述联邦学习指示信息用于指示：所述目标模型为联邦学习获取的模型；
所述模型标识用于唯一地标识所述目标模型。
可选的，所述模型标识是所述模型训练功能节点为所述目标模型获取的。
可选的，处理器90还用于：
为所述目标模型获取所述模型标识。
需要说明的是，本实施例中是以模型训练功能节点和FL服务端节点为核心网网元进行 举例说明。
本申请实施例还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所 述程序或指令被处理器执行时实现本申请实施例提供的模型信息获取方法的步骤，或者实 现本申请实施例提供的模型信息发送方法的步骤。
其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括 计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和 所述处理器耦合，所述处理器用于运行程序或指令，实现上述模型信息获取方法或者模型 信息发送方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片 上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在 存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现上述模型信息获取方 法或者模型信息发送方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这 里不再赘述。
本申请实施例还提供了一种模型信息传输系统，包括：模型训练功能节点和服务端节 点，所述模型训练功能节点可用于执行本申请实施例提供的模型信息获取方法的步骤，所 述服务端节点可用于执行本申请实施例提供的模型信息发送方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素， 而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所 固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除 在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的 是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包 括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于 所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参 照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可 借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者 是更佳的实施方式。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 献的部分可以以计算机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 (如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施 方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在 本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形 式，均属于本申请的保护之内。

Claims (27)

1.一种模型信息获取方法，其特征在于，包括：
模型训练功能节点确定联邦学习FL服务端节点；
所述模型训练功能节点向所述FL服务端节点发送第一请求消息，所述第一请求消息用于触发所述FL服务端节点进行联邦学习以获取目标模型；
所述模型训练功能节点接收所述FL服务端节点发送的目标模型的信息。
2.如权利要求1所述的方法，其特征在于，所述模型训练功能节点确定FL服务端节点，包括：
所述模型训练功能节点向网络仓库功能网元发送节点发现请求消息，所述节点发现请求消息用于请求参与联邦学习训练的网络节点；
所述模型训练功能节点接收所述网络仓库功能网元发送的响应消息，所述响应消息包括所述FL服务端节点的信息。
3.如权利要求2所述的方法，其特征在于，所述节点发现请求消息包括如下至少一项：
分析标识、感兴趣区域AOI信息、感兴趣时间信息、模型描述方式信息、模型可共享信息、模型性能信息、模型算法信息、模型训练速度信息、联邦学习指示信息、联邦学习类型信息、FL服务端节点类型指示信息、FL客户端节点类型指示信息、第一服务信息和第二服务信息；
其中，所述联邦学习指示信息用于指示：所述请求消息所请求的网络节点需要支持联邦学习；
所述第一服务信息用于指示：所述请求消息所请求的网络节点需要支持联邦学习服务器的服务；
所述第二服务信息用于指示：所述请求消息所请求的网络节点需要支持联邦学习成员的服务。
4.如权利要求3所述的方法，其特征在于，所述联邦学习类型信息用于指示：所述请求消息所请求的网络节点需要支持的联邦学习的类型为如下至少一项：
横向联邦学习类型；
纵向联邦学习类型。
5.如权利要求2所述的方法，其特征在于，所述响应消息包括N个网络节点的信息，所述N个网络节点包括所述FL服务端节点，N为正整数；
每个网络节点的信息包括如下至少一项：
全限定域名FQDN、标识信息、地址信息。
6.如权利要求5所述的方法，其特征在于，所述N个网络节点还包括FL客户端节点。
7.如权利要求5或6所述的方法，其特征在于，每个网络节点的信息还包括：
类型信息，所述类型信息用于指示网络节点的类型，所述类型为FL服务端节点和FL客户端节点中的一项。
8.如权利要求1至6中任一项所述的方法，其特征在于，所述第一请求消息包括如下至少一项：
联邦学习指示信息和模型标识；
其中，
所述联邦学习指示信息用于请求：所述FL服务端节点触发联邦学习以获取目标模型；
所述模型标识用于唯一地标识所述目标模型。
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：
所述模型训练功能节点获取所述模型标识。
10.如权利要求1至6中任一项所述的方法，其特征在于，所述第一请求消息包括：参与联邦学习的FL客户端节点的信息。
11.如权利要求1至6中任一项所述的方法，其特征在于，所述目标模型的信息包括所述目标模型对应的如下至少一项信息：
模型标识、联邦指示信息、模型文件和模型文件的地址信息；
其中，所述联邦学习指示信息用于指示：所述目标模型为联邦学习获取的模型；
所述模型标识用于唯一地标识所述目标模型。
12.如权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
所述模型训练功能节点向模型推理功能节点发送所述目标模型的信息。
13.如权利要求1至6中任一项所述的方法，其特征在于，在所述模型训练功能节点确定FL服务端节点之前，所述方法还包括：
所述模型训练功能节点确定需要通过联邦学习以获取所述目标模型。
14.如权利要求13所述方法，其特征在于，所述模型训练功能节点确定需要通过联邦学习以获取所述目标模型，包括：
在所述模型训练功能节点确定无法获取用于生成所述目标模型的所有或部分训练数据的情况下，所述模型训练功能节点确定需要通过联邦学习以获取所述目标模型。
15.一种模型信息发送方法，其特征在于，包括：
联邦学习FL服务端节点接收模型训练功能节点发送的第一请求消息，所述第一请求消息用于触发所述FL服务端节点进行联邦学习以获取目标模型；
所述FL服务端节点基于所述第一请求消息，与FL客户端节点进行联邦学习，得到所述目标模型；
所述FL服务端节点向所述模型训练功能节点发送所述目标模型的信息。
16.如权利要求15所述的方法，其特征在于，所述第一请求消息包括如下至少一项：
联邦学习指示信息和模型标识；
其中，
所述联邦学习指示信息用于请求：所述FL服务端节点触发联邦学习以获取目标模型；
所述模型标识用于唯一地标识所述目标模型。
17.如权利要求15或16所述的方法，其特征在于，所述第一请求消息包括：参与联邦学习的FL客户端节点的信息。
18.如权利要求15或16所述的方法，其特征在于，所述方法还包括：
所述FL服务端节点确定参与联邦学习的FL客户端节点。
19.如权利要求18所述的方法，其特征在于，所述FL服务端节点确定参与联邦学习的FL客户端节点，包括：
所述FL服务端节点向网络仓库功能网元发送节点发现请求消息，所述节点发现请求消息用于请求参与联邦学习的FL客户端节点；
所述FL服务端节点接收所述网络仓库功能网元发送的响应消息，所述响应消息包括参与联邦学习的FL客户端节点的信息。
20.如权利要求15或16所述的方法，其特征在于，所述联邦模型的信息包括所述目标模型对应的如下至少一项信息：
模型标识、联邦指示信息、模型文件和模型文件的地址信息；
其中，所述联邦学习指示信息用于指示：所述目标模型为联邦学习获取的模型；
所述模型标识用于唯一地标识所述目标模型。
21.如权利要求16所述的方法，其特征在于，所述模型标识是所述模型训练功能节点为所述目标模型获取的。
22.如权利要求20所述的方法，其特征在于，所述方法还包括：
所述FL服务端节点为所述目标模型获取所述模型标识。
23.一种模型信息获取装置，其特征在于，包括：
第一确定模块，用于确定联邦学习FL服务端节点；
第一发送模块，用于向所述FL服务端节点发送第一请求消息，所述第一请求消息用于触发所述FL服务端节点进行联邦学习以获取目标模型；
接收模块，用于接收所述FL服务端节点发送的目标模型的信息。
24.一种模型信息发送装置，其特征在于，包括：
接收模块，用于接收模型训练功能节点发送的第一请求消息，所述第一请求消息用于触发联邦学习FL服务端节点进行联邦学习以获取目标模型；
学习模块，用于基于所述第一请求消息，与FL客户端节点进行联邦学习，得到所述目标模型；
发送模块，用于向所述模型训练功能节点发送所述目标模型的信息。
25.一种模型训练功能节点，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至14任一项所述的模型信息获取方法的步骤。
26.一种服务端节点，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求15至22任一项所述的模型信息发送方法的步骤。
27.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至14任一项所述的模型信息获取方法的步骤，或者实现如权利要求15至22任一项所述的模型信息发送方法的步骤。
CN202210476336.XA 2022-04-29 2022-04-29 模型信息获取方法、发送方法、装置、节点和储存介质 Pending CN117033994A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210476336.XA CN117033994A (zh) 2022-04-29 2022-04-29 模型信息获取方法、发送方法、装置、节点和储存介质
PCT/CN2023/090590 WO2023207980A1 (zh) 2022-04-29 2023-04-25 模型信息获取方法、发送方法、装置、节点和储存介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210476336.XA CN117033994A (zh) 2022-04-29 2022-04-29 模型信息获取方法、发送方法、装置、节点和储存介质

Publications (1)

Publication Number Publication Date
CN117033994A true CN117033994A (zh) 2023-11-10

Family

ID=88517778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210476336.XA Pending CN117033994A (zh) 2022-04-29 2022-04-29 模型信息获取方法、发送方法、装置、节点和储存介质

Country Status (2)

Country Link
CN (1) CN117033994A (zh)
WO (1) WO2023207980A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118487949B (zh) * 2024-07-12 2024-09-13 中国电子科技集团公司第五十四研究所 一种智能指挥控制网络关键节点识别微服务构建方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10628241B2 (en) * 2018-07-31 2020-04-21 International Business Machines Corporation Determining when to send message to computing node to process items by training a machine learning module
CN110929880A (zh) * 2019-11-12 2020-03-27 深圳前海微众银行股份有限公司 一种联邦学习方法、装置及计算机可读存储介质
CN111768008B (zh) * 2020-06-30 2023-06-16 平安科技（深圳）有限公司 联邦学习方法、装置、设备和存储介质
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
CN113435544B (zh) * 2021-07-23 2022-05-17 支付宝(杭州)信息技术有限公司 一种联邦学习系统，方法与装置

Also Published As

Publication number Publication date
WO2023207980A1 (zh) 2023-11-02

Similar Documents

Publication Publication Date Title
WO2023207980A1 (zh) 模型信息获取方法、发送方法、装置、节点和储存介质
US20190238644A1 (en) User identification for digital experience controls
CN116782262A (zh) 数据采集方法、装置、终端及网络侧设备
WO2024078400A1 (zh) 模型请求方法、装置、通信设备及可读存储介质
WO2023213288A1 (zh) 模型获取方法及通信设备
CN117062098A (zh) 模型获取方法及通信设备
CN116828445A (zh) 网元注册方法、模型确定方法、装置、网元、通信系统及存储介质
CN116847328A (zh) 用户面功能网元确定方法及装置
WO2024146097A1 (zh) 网元注册方法、模型请求方法、装置、网元、通信系统及存储介质
CN116828444A (zh) 信息获取方法及装置
WO2023185725A1 (zh) 数据获取方法、装置及网络侧设备
US20240163246A1 (en) DNS Query Method and Device
CN116866882A (zh) 候选成员的确定方法、装置及设备
CN116846772A (zh) 信息处理方法、装置、通信设备及可读存储介质
CN118175052A (zh) 模型训练方法、终端及网络侧设备
CN117062047A (zh) 模型处理方法、装置、网络侧设备及可读存储介质
WO2024208297A1 (zh) 人工智能ai单元的标识方法及通信设备
CN116366659A (zh) 服务器选择方法及设备
CN118784708A (zh) 信息提供方法、装置、通信设备及可读存储介质
CN117750394A (zh) 目标信息及信息的获取方法、装置和设备
CN116776988A (zh) 通信网络中的数据处理方法及网络侧设备
CN116866984A (zh) 数据获取方法、装置、通信设备及存储介质
CN116866998A (zh) 模型获取方法、信息发送方法、信息接收方法、装置及网元
CN117793195A (zh) 数据获取方法、装置、系统和设备
CN117076916A (zh) 模型选择方法、装置及网络侧设备

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