CN117063594A - 空间小区间干扰感知下行链路协调 - Google Patents
空间小区间干扰感知下行链路协调 Download PDFInfo
- Publication number
- CN117063594A CN117063594A CN202280017549.4A CN202280017549A CN117063594A CN 117063594 A CN117063594 A CN 117063594A CN 202280017549 A CN202280017549 A CN 202280017549A CN 117063594 A CN117063594 A CN 117063594A
- Authority
- CN
- China
- Prior art keywords
- network device
- request message
- cell
- interference
- updated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000004891 communication Methods 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 19
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 210000004027 cell Anatomy 0.000 description 163
- 238000013528 artificial neural network Methods 0.000 description 40
- 238000012545 processing Methods 0.000 description 27
- 210000002569 neuron Anatomy 0.000 description 26
- 230000008569 process Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 19
- 230000001537 neural effect Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 16
- 238000005259 measurement Methods 0.000 description 13
- 230000015556 catabolic process Effects 0.000 description 9
- 238000006731 degradation reaction Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 241000700159 Rattus Species 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001627 detrimental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000023886 lateral inhibition Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
一种由第一网络设备进行无线通信的方法,包括预测UE所经历的空间小区间下行链路干扰。该方法还包括与第二网络设备进行通信,以通过保护跨所选择的资源集的资源来减少在UE的方向上的空间小区间下行链路干扰。
Description
相关申请的交叉引用
本申请要求于2022年2月18日提交的题为“SPATIAL INTER-CELL INTERFERENCEAWARE DOWNLINK COORDINATION(空间小区间干扰感知下行链路协调)”的美国专利申请No.17/675,980的优先权,该美国专利申请要求于2021年3月2日提交的题为“SPATIALINTER-CELL INTERFERENCE AWARE DOWNLINK COORDINATION(空间小区间干扰感知下行链路协调)”的美国临时专利申请No.63/155,635的权益,其公开内容通过引用整体明确地并入本文。
技术领域
概括地说,本公开内容的方面涉及无线通信,并且更具体地说,本公开内容的方面涉及用于增强空间小区间干扰感知下行链路协调的技术和装置。
背景技术
无线通信系统被广泛部署以提供各种电信服务,诸如电话、视频、数据、消息发送和广播。典型的无线通信系统可以采用能够通过共享可用的系统资源(例如,带宽、发送功率等)来支持与多个用户的通信的多址技术。此类多址技术的示例包括码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波频分多址(SC-FDMA)系统、时分同步码分多址(TD-SCDMA)系统、以及长期演进(LTE)。LTE/改进的LTE是对由第三代合作伙伴计划(3GPP)发布的通用移动电信系统(UMTS)移动标准的增强集。
无线通信网络可包括能支持数个用户装备(UE)的通信的数个基站(BS)。用户设备(UE)可以经由下行链路和上行链路与基站(BS)进行通信。下行链路(或前向链路)是指从BS到UE的通信链路,并且上行链路(或反向链路)是指从UE到BS的通信链路。如将更详细地描述的,BS可以被称为节点B、gNB、接入点(AP)、无线电头端、发送和接收点(TRP)、新无线电(NR)BS、5G节点B等等。
已经在各种电信标准中采用了上述多址技术,以提供使得不同的用户设备能够在城市、国家、地区、甚至全球级别上进行通信的公共协议。新无线电(NR)(其也可被称为5G)是对由第三代合作伙伴计划(3GPP)发布的LTE移动标准的增强集。NR被设计为通过提高频谱效率、降低成本、改善服务、利用新频谱、以及在下行链路(DL)上使用具有循环前缀(CP)的正交频分复用(OFDM)(CP-OFDM)、在上行链路(UL)上使用CP-OFDM和/或SC-FDM(例如,也称为离散傅里叶变换扩展OFDM(DFT-s-OFDM))来与其它开放标准更好地集成,以及支持波束成形、多输入多输出(MIMO)天线技术和载波聚合,来更好地支持移动宽带互联网接入。
人工神经网络可包括互连的人工神经元群(例如,神经元模型)。人工神经网络可以是计算设备或表示为由计算设备执行的方法。卷积神经网络(诸如深度卷积神经网络)是一种类型的前馈人工神经网络。卷积神经网络可以包括可以被配置在平铺感受野中的神经元层。期望将神经网络处理应用于无线通信以实现更高的效率。
发明内容
一种由第一网络设备进行无线通信的方法包括预测UE所经历的空间小区间下行链路干扰。该方法还包括与第二网络设备进行通信,以通过保护跨所选择的资源集的资源来减少在UE的方向上的空间小区间下行链路干扰。
描述了一种用于由第一网络装置进行无线通信的设备。该装置包括用于预测UE所经历的空间小区间下行链路干扰的装置。该装置还包括:用于与第二网络设备进行通信,以通过保护跨所选择的资源集的资源来减少在UE的方向上的空间小区间下行链路干扰的单元。
第一网络设备包括处理器和与处理器耦合的存储器。第一网络设备还包括存储在存储器中的指令。当所述指令由所述处理器执行时,所述第一网络设备可操作以预测UE所经历的空间小区间下行链路干扰。第一网络设备还可操作以与第二网络设备进行通信,以通过保护跨所选择的资源集的资源来减少在UE的方向上的空间小区间下行链路干扰。
一种其上记录有程序代码的非瞬态计算机可读介质由第一网络设备的处理器执行。该非瞬态计算机可读介质包括用于预测UE所经历的空间蜂窝小区间下行链路干扰的程序代码。该非瞬态计算机可读介质还包括用于与第二网络设备通信以通过跨所选择的资源集保护资源来减少在UE的方向上的空间蜂窝小区间下行链路干扰的程序代码。
各方面一般包括如基本上参照附图和说明书描述并且如由附图和说明书解说的方法、装置、系统、计算机程序产品、非瞬态计算机可读介质、用户装备、基站、无线通信设备、以及处理系统。
前面已经相当广泛地概述了根据本公开内容的示例的特征和技术优点,以便可以更好地理解下面的详细描述。将描述另外的特征和优点。所公开的概念和具体示例可以容易地用作修改或设计用于执行本公开内容的相同目的的其它结构的基础。这样的等同构造不脱离所附权利要求的范围。当结合附图考虑时,从以下描述中将更好地理解所公开的概念的特性(它们的组织和操作方法两者)以及相关联的优点。提供每个附图是为了说明和描述的目的,而不是作为对权利要求的限制的定义。
附图说明
为了可以详细地理解本公开内容的特征,可以通过参考各方面来进行特定的描述,其中一些方面在附图中示出。然而,应当注意,附图仅示出了本公开内容的某些方面,因此不应被认为是对其范围的限制,因为该描述可以允许其它等同有效的方面。不同附图中的相同附图标记可以标识相同或相似的元件。
图1是概念性地解说根据本公开的各个方面的无线通信网络的示例的框图。
图2是概念性地解说根据本公开的各个方面的无线通信网络中基站与用户装备(UE)处于通信的示例的框图。
图3解说了根据本公开的某些方面的使用包括通用处理器的片上系统(SOC)来设计神经网络的示例实现。
图4A、4B和4C是解说根据本公开的各方面的神经网络的示图。
图4D是解说根据本公开的各方面的示例性深度卷积网络(DCN)的示图。
图5是解说根据本公开的各方面的示例性深度卷积网络(DCN)的框图。
图6A和6B解说了根据本公开的各方面的通信网络,其中用户装备经历的空间干扰基于从相邻基站到相邻用户装备(UE)的下行链路发送波束。
图7是示出根据本公开内容的各方面的用于实现空间小区间干扰感知下行链路协调的对来自相邻基站的下行链路发送波束的信号强度测量的通信网络的图。
图8是根据本公开的各方面的包括被配置成实现空间蜂窝小区间干扰知悉式下行链路协调的神经处理引擎的网络的框图。
图9是解说根据本公开的各个方面的例如由网络执行的用于服务蜂窝小区处的空间蜂窝小区间干扰知悉式下行链路协调的示例过程的时序图。
图10是解说根据本公开的各个方面的例如由网络执行的用于相邻蜂窝小区处的空间蜂窝小区间干扰知悉式下行链路协调的示例过程的时序图。
图11是示出根据本公开内容的各个方面的例如由设备执行的用于中央节点处的空间小区间干扰感知下行链路协调的示例性过程的时序图。
图12是示出根据本公开内容的各个方面的例如由网络设备执行的用于空间小区间干扰感知下行链路协调的示例性过程的流程图。
具体实施方式
下面参考附图更全面地描述本公开内容的各个方面。然而,本公开内容可以以许多不同的形式来体现,并且不应当被解释为限于贯穿本公开内容给出的任何特定结构或功能。相反,提供这些方面使得本公开内容将是透彻和完整的,并且将向本领域技术人员充分地传达本公开内容的范围。基于所述教示,所属领域的技术人员应了解,本发明的范围既定涵盖本发明的任何方面,无论是独立于本发明的任何其它方面实施还是与本发明的任何其它方面组合实施。例如,可以使用所阐述的任何数量的方面来实现装置或者实践方法。另外,本公开内容的范围旨在覆盖这样的装置或方法,其使用除了所阐述的本公开内容的各个方面之外或不同于所阐述的本公开内容的各个方面的其它结构、功能或者结构和功能来实践。应当理解的是,所公开的本公开内容的任何方面可以由权利要求的一个或多个元素来体现。
现在将参照各种装置和技术给出电信系统的若干方面。这些装置和技术将在下面的详细描述中描述,并且在附图中通过各种框、模块、组件、电路、步骤、过程、算法等(统称为“元素”)来示出。这些元件可以使用硬件、软件或其组合来实现。这些元素是实现为硬件还是软件取决于特定应用和施加在整个系统上的设计约束。
应当注意的是,虽然可以使用通常与5G及后续无线技术相关的术语来描述各个面,但是本公开的各方面可以被应用于其他基于代的通信系统,诸如并包括3G和/或4G技术。
小区间干扰可能导致用户的信号(例如,信号与干扰加噪声比(SINR))降级。当用户在小区边缘时,用户的信号劣化可能特别显著。此外,由于在下一代节点B(gNB)中引入了大规模多输入多输出(MIMO)天线,这种小区间干扰可能导致用户的显著SINR劣化。例如,窄下行链路发送波束可能是高度定向的并且随时间高度变化,从而导致SINR劣化。特别地,小区边缘处的高度定向干扰可能降低数据速率并对用户体验产生负面影响。此外,干扰的高方差使得更难以执行链路自适应,诸如预测可支持的调制和编码方案(MCS)。这对于延迟预算有限的延迟敏感应用可能是具有挑战性的。
在本公开内容的一些方面中,训练神经网络以推断相邻基站(例如,gNB)的任何潜在发送波束对任何潜在受害方用户设备(UE)的影响。在本公开内容的这些方面中,使用UE信道状态信息(CSI)参考信号(CSI-RS)测量报告、波束信息和UE位置来随时间训练神经网络。在本公开内容的其它方面中,数据库存储关于相邻基站(例如,gNB)的任何潜在发送波束对任何潜在受害方UE的影响的信息。在本公开内容的这些方面中,数据库存储UE信道状态信息(CSI)参考信号(CSI-RS)测量报告、波束信息和UE位置,以使得数据库查找能够确定来自相邻基站对任何潜在受害方UE的潜在影响。
一旦神经网络被训练以推断相邻基站的发送波束对受害方UE的影响,网络设备(例如,gNB)就与相邻基站协调。在本公开内容的这些方面中,网络设备协调可以禁止相邻基站在用于服务受害方UE的时间/频率资源期间发送下行链路发送波束。例如,第一用户设备(UE1)可能经历来自相邻基站(gNB2)的下行链路发送波束k的显著干扰。在该示例中,当相邻基站gNB2避免在服务第一用户设备的资源上在下行链路发送波束k的方向上发送能量时,空间小区间干扰被减轻。
根据本公开的各方面,服务蜂窝小区为所服务的UE预测来自相邻蜂窝小区的不同潜在下行链路发送波束所经历的下行链路干扰。例如,服务小区可以识别所服务的UE的子集,其中由小区间下行链路干扰潜在地引起的负面影响超过预定UE干扰阈值。对UE的潜在受害方子集的这种识别还可以包括附加标准,诸如UE正在接收的业务的类型。例如,可以选择接收延迟敏感业务和/或高可靠性业务的UE作为UE的潜在受害子集的一部分。
在本公开内容的这些方面中,服务小区向潜在干扰相邻小区发送针对UE的潜在受害子集中的每个UE的请求消息。请求消息可以包括潜在干扰相邻小区被请求避免的波束索引的禁止列表。另外,请求消息可以指示针对其请求保护的所请求的时间/频率资源(例如,时隙/资源块(RB))。在一些实现中,为每个小区配置预定义的时间/频率资源集合,使得信令可以简单地指代所提出的资源集合的索引。备选地,时间/频率资源留给相邻小区以供决定。
在本公开内容的一些方面,学习空间小区间下行链路干扰和预测UE的受害子集是在干扰小区(其可以被称为攻击方相邻小区)处执行的。在本公开内容的这些方面,服务小区基于潜在易受攻击的UE的位置、业务类型或其它选择标准来识别潜在易受攻击的UE。一旦被识别,服务小区就向攻击方相邻小区发送请求消息。请求消息可以指示以下各项的子集:(1)易受攻击的UE的位置;(2)UE干扰容限阈值;和/或(3)受保护的资源需求。在本公开的其他方面,提供对受害方UE的话务负载的指示以表示期望的受保护资源量。
由服务小区发送的请求消息可以省略资源需求,这是可选的。当请求消息省略资源需求时,受保护资源由相邻小区决定。此外,可以存在为每个小区配置的预定义的时间/频率资源集合。在该配置中,请求消息的信令可以简单地指代满足UE资源需求的所提出的资源集的索引。
在其他实现中,学习和预测在集中式协调节点(诸如网络控制器)处执行。例如,服务小区基于潜在易受攻击的UE的位置、业务类型或其它选择标准来识别潜在易受攻击的UE。一旦被识别,服务小区就向集中式协调节点发送关于所识别的易受攻击的UE的信息。该信息可以指示以下的全部或子集:(1)易受攻击的UE的位置;(2)易受攻击的UE的干扰阈值;以及(3)业务负载(例如,更新的业务需求)。当多个攻击方相邻小区潜在地对受害方UE造成干扰时,包括中央节点协调的一些实现可能是有益的。
图1是示出可以在其中实践本公开的各方面的网络100的图。网络100可以是5G或NR网络或某种其它无线网络,诸如LTE网络。无线网络100可以包括多个BS110(示为BS110a、BS110b、BS110c和BS110d)和其它网络实体。BS是与用户装备(UE)通信的实体,并且还可被称为基站、NRBS、B节点、gNB、5G B节点(NB)、接入点、发送和接收点(TRP)等。每个BS可以为特定的地理区域提供通信覆盖。在3GPP中,术语“小区”可以指代BS的覆盖区域和/或服务于该覆盖区域的BS子系统,这取决于使用该术语的上下文。
BS可以为宏小区、微微小区、毫微微小区和/或另一种类型的小区提供通信覆盖。宏蜂窝小区可覆盖相对较大的地理区域(例如,半径为数千米的区域),并且可允许无约束地由具有服务订阅的UE接入。微微小区可以覆盖相对较小的地理区域,并且可以允许由具有服务订阅的UE进行不受限制的接入。毫微微小区可以覆盖相对较小的地理区域(例如,家庭),并且可以允许由与毫微微小区具有关联的UE(例如,封闭用户组(CSG)中的UE)进行受限制的接入。用于宏小区的BS可以被称为宏BS。用于微微小区的BS可以被称为微微BS。用于毫微微小区的BS可以被称为毫微微BS或家庭BS。在图1中示出的示例中,BS110a可以是用于宏小区102a的宏BS,BS110b可以是用于微微小区102b的微微BS,以及BS110c可以是用于毫微微小区102c的毫微微BS。BS可以支持一个或多个(例如,三个)小区。术语“eNB”、“基站”、“NR BS”、“gNB”、“TRP”、“AP”、“节点B”、“5G NB”和“小区”可以互换使用。
在一些方面中,小区可以不一定是静止的,并且小区的地理区域可以根据移动BS的位置来移动。在一些方面,BS可以通过各种类型的回程接口(诸如直接物理连接、虚拟网络、和/或使用任何合适的传输网络的类似物)来彼此互连和/或互连到无线网络100中的一个或多个其他BS或网络节点(未示出)。
无线网络100还可以包括中继站。中继站是可以从上游站(例如,BS或UE)接收数据的传输并且向下游站(例如,UE或BS)发送数据的传输的实体。中继站还可以是能够为其它UE中继传输的UE。在图1中示出的示例中,中继站110d可以与宏BS110a和UE 120d进行通信,以便促进BS110a和UE 120d之间的通信。中继站还可以被称为中继BS、中继基站、中继器等。
无线网络100可以是包括不同类型的BS(例如,宏BS、微微BS、毫微微BS、中继BS等)的异构网络。这些不同类型的BS可以具有不同的发送功率电平、不同的覆盖区域、以及对无线网络100中的干扰的不同影响。例如,宏BS可以具有高发送功率电平(例如,5到40瓦),而微微BS、毫微微BS和中继BS可以具有较低的发送功率电平(例如,0.1到2瓦)。
网络控制器130可以耦合到一组BS,并且可以为这些BS提供协调和控制。网络控制器130可以经由回程与BS进行通信。BS还可以例如经由无线或有线回程直接或间接地彼此通信。
UE 120(例如,120a、120b、120c)可分散遍及无线网络100,并且每个UE可以是驻定的或移动的。UE还可以被称为接入终端、终端、移动站、用户单元、站等。UE可以是蜂窝电话(例如,智能电话)、个人数字助理(PDA)、无线调制解调器、无线通信设备、手持式设备、膝上型计算机、无绳电话、无线本地环路(WLL)站、平板设备、相机、游戏设备、上网本、智能本、超极本、医疗设备或装备、生物识别传感器/设备、可穿戴设备(智能手表、智能服装、智能眼镜、智能腕带、智能珠宝(例如,智能戒指、智能手镯))、娱乐设备(例如,音乐或视频设备、或卫星无线电)、车辆组件或传感器。智能仪表/传感器、工业制造设备、全球定位系统设备或被配置为经由无线或有线介质进行通信的任何其他合适的设备。
基站110可以包括神经处理引擎150。为简洁起见,仅一个基站110a被示出为包括神经处理引擎150,但是相邻基站也可以包括神经处理引擎150。神经处理引擎150可以预测UE经历的空间小区间下行链路干扰。神经处理引擎150还可以设备与第二网络进行通信,以通过保护跨越所选择的资源集的资源来减少在UE的方向上的空间小区间下行链路干扰。
网络控制器130可以包括神经处理引擎160。神经处理引擎160可以预测UE经历的空间小区间下行链路干扰。神经处理引擎160还可以设备与第二网络进行通信,以通过保护跨所选择的资源集的资源来减少在UE的方向上的空间小区间下行链路干扰。
一些UE可以被认为是机器类型通信(MTC)或演进型或增强型机器类型通信(eMTC)UE。MTC和eMTC UE包括例如可以与基站、另一设备(例如,远程设备)或某个其它实体通信的机器人、无人机、远程设备、传感器、仪表、监视器、位置标签等。无线节点可以经由有线或无线通信链路来提供例如针对网络(例如,诸如互联网或蜂窝网络之类的广域网)的连接性或到网络的连接性。一些UE可以被认为是物联网(IoT)设备,和/或可以被实现为NB-IoT(窄带物联网)设备。一些UE可以被认为是客户驻地设备(CPE)。UE 120可以被包括在容纳UE 120的组件(例如,处理器组件、存储器组件等)的外壳内。
通常,可以在给定的地理区域中部署任何数量的无线网络。每个无线网络可以支持特定的RAT并且可以在一个或多个频率上操作。RAT还可以被称为无线电技术、空中接口等。频率也可以被称为载波、频率信道等。每个频率可以支持给定地理区域中的单个RAT,以便避免不同RAT的无线网络之间的干扰。在一些情况下,可以部署NR或5G RAT网络。
在一些方面,两个或更多个UE 120(例如,示为UE 120a和UE 120e)可使用一个或多个侧链路信道直接通信(例如,不使用基站110作为彼此通信的中介)。例如,UE 120可以使用对等(P2P)通信、设备到设备(D2D)通信、车辆到万物(V2X)协议(例如,其可以包括车辆到车辆(V2V)协议、车辆到基础设施(V2I)协议等)、网状网络等进行通信。在这种情况下,UE120可以执行调度操作、资源选择操作和/或其它地方描述为由基站110执行的其它操作。例如,基站110可经由下行链路控制信息(DCI)、无线电资源控制(RRC)信令、媒体接入控制-控制元素(MAC-CE)、或经由系统信息(例如,系统信息块(SIB))来配置UE 120。
如上所述,图1仅作为示例提供。其他示例可以与关于图1描述的示例不同。
图2示出了基站110和UE 120的设计200的框图,基站110和UE 120可以是图1中的基站之一和UE之一。基站110可以配备有T个天线234a到234t,并且UE 120可以配备有R个天线252a到252r,其中通常T≥1并且R≥1。
在基站110处,发送处理器220可以从数据源212接收用于一个或多个UE的数据,至少部分地基于从每个UE接收的信道质量指示符(CQI)来选择用于该UE的一种或多种调制和编码方案(MCS),至少部分地基于为每个UE选择的MCS来处理(例如,编码和调制)用于该UE的数据,以及提供用于所有UE的数据符号。降低MCS降低了吞吐量,但增加了传输的可靠性。发送处理器220还可以处理系统信息(例如,用于半静态资源划分信息(SRPI)等)和控制信息(例如,CQI请求、授权、上层信令等),并且提供开销符号和控制符号。发送处理器220还可以生成用于参考信号(例如,特定于小区的参考信号(CRS))和同步信号(例如,主同步信号(PSS)和辅同步信号(SSS))的参考符号。发送(TX)多输入多输出(MIMO)处理器230可以对数据符号、控制符号、开销符号和/或参考符号(如果适用的话)执行空间处理(例如,预编码),并且可以向T个调制器(MOD)232a到232t提供T个输出符号流。每个调制器232可以处理相应的输出符号流(例如,用于正交频分复用(OFDM)等)以获得输出采样流。每个调制器232可以进一步处理(例如,转换为模拟、放大、滤波和上变频)输出采样流以获得下行链路信号。来自调制器232a到232t的T个下行链路信号可以分别经由T个天线234a到234t来发送。根据下面更详细描述的各个方面,可以利用位置编码来生成同步信号以发送额外的信息。
在UE 120处,天线252a到252r可以从基站110和/或其它基站接收下行链路信号,并且可以分别向解调器(DEMOD)254a到254r提供接收的信号。每个解调器254可以调节(例如,滤波、放大、下变频和数字化)接收的信号以获得输入采样。每个解调器254可以进一步处理输入采样(例如,用于OFDM等)以获得接收的符号。MIMO检测器256可从所有R个解调器254a到254r获得收到码元,在适用的情况下对这些收到码元执行MIMO检测,并提供检出码元。接收处理器258可以处理(例如,解调和解码)检测到的符号,向数据宿260提供针对UE120的经解码的数据,以及向控制器/处理器280提供经解码的控制信息和系统信息。信道处理器可以确定参考信号接收功率(RSRP)、接收信号强度指示符(RSSI)、参考信号接收质量(RSRQ)、信道质量指示符(CQI)等。在一些方面,UE 120的一个或多个组件可被包括在外壳中。
在上行链路上,在UE 120处,发送处理器264可以接收并处理来自数据源262的数据和来自控制器/处理器280的控制信息(例如,用于包括RSRP、RSSI、RSRQ、CQI等的报告)。发送处理器264还可以生成用于一个或多个参考信号的参考符号。来自发送处理器264的符号可以由TX MIMO处理器266预编码(如果适用的话),由调制器254a到254r进一步处理(例如,用于DFT-s-OFDM、CP-OFDM等),并且发送给基站110。在基站110处,来自UE 120和其它UE的上行链路信号可以由天线234接收,由解调器254处理,由MIMO检测器236检测(如果适用的话),并且由接收处理器238进一步处理,以获得由UE 120发送的经解码的数据和控制信息。接收处理器238可以将经解码的数据提供给数据宿239,并且将经解码的控制信息提供给控制器/处理器240。基站110可以包括通信单元244,并且经由通信单元244与网络控制器130通信。网络控制器130可以包括通信单元294、控制器/处理器290和存储器292。
图2的基站110的控制器/处理器240和/或UE 120的控制器/处理器280可以执行与用于预测针对UE 120的基于位置的下行链路干扰辅助信息的机器学习相关联的一种或多种技术,如在别处更详细地描述的。例如,图2的UE 120的控制器/处理器280可以执行或指导例如图8的过程和/或所描述的其它过程的操作。另外,图2的基站110的控制器/处理器240可以执行或指导例如图9-12的过程和/或如所描述的其它过程的操作。存储器242和282可以分别存储用于基站110和UE 120的数据和程序代码。调度器246可以调度UE用于下行链路和/或上行链路上的数据传输。
在一些方面中,基站110和网络控制器130可以包括用于预测的单元、用于选择的单元、用于发送的单元、用于接收的单元、用于更新的单元和/或用于通信的单元。此类装置可包含结合图2所描述的网络控制器130或基站110的一或多个组件。
如上所述,图2仅作为示例提供。其他示例可以与关于图2所描述的示例不同。
在一些情况下,支持不同类型的应用和/或服务的不同类型的设备可以共存于小区中。不同类型的设备的示例包括UE手机、客户端设备(CPE)车辆、物联网(IoT)设备等。不同类型的应用的示例包括超可靠低延迟通信(URLLC)应用、大规模机器类型通信(mMTC)应用、增强型移动宽带(eMBB)应用、车辆到万物(V2X)应用等。此外,在一些情况下,单个设备可以同时支持不同的应用或服务。
图3解说了根据本公开的某些方面的片上系统(SOC)300的示例实现,SOC)300可包括被配置成用于生成用于神经网络训练的梯度的中央处理单元(CPU)302或多核CPU。SOC300可被包括在基站110或UE 120中。变量(例如,神经信号和突触权重)、与计算设备(例如,具有权重的神经网络)相关联的系统参数、延迟、频率仓信息、以及任务信息可被存储在与神经处理单元(NPU)308相关联的存储器块中、与CPU 302相关联的存储器块中、与图形处理单元(GPU)304相关联的存储器块中、与数字信号处理器(DSP)306相关联的存储器块中、存储器块318中,或者可跨多个块分布。在CPU 302处执行的指令可以从与CPU 302相关联的程序存储器加载,或者可以从存储器块318加载。
SOC 300还可以包括针对特定功能定制的附加处理块,诸如GPU 304、DSP 306、连接块310(其可以包括第五代(5G)连接、第四代长期演进(4GLTE)连接、Wi-Fi连接、USB连接、蓝牙连接等)以及可以例如检测和识别手势的多媒体处理器312。在一个实现中,NPU在CPU、DSP和/或GPU中实现。SOC 300还可以包括传感器处理器314、图像信号处理器316和/或导航模块320,其可以包括全球定位系统。
SOC 300可以基于ARM指令集。在本公开的一方面,加载到通用处理器302中的指令可包括用于以下操作的程序代码:预测UE所经历的空间蜂窝小区间下行链路干扰;以及用于与第二网络设备进行通信以通过保护跨所选择的资源集的资源来减少在UE的方向上的空间小区间下行链路干扰的程序代码。
深度学习架构可以通过学习在每层中以连续更高的抽象水平表示输入来执行对象识别任务,从而建立输入数据的有用特征表示。以这种方式,深度学习解决了传统机器学习的主要瓶颈。在深度学习出现之前,针对对象识别问题的机器学习方法可能在很大程度上依赖于人类工程化特征,可能与浅分类器组合。浅分类器可以是两类线性分类器,例如,其中可以将特征向量分量的加权和与阈值进行比较以预测输入属于哪个类。人类工程化特征可以是由具有领域专业知识的工程师针对特定问题领域定制的模板或内核。相反,深度学习架构可以学习表示与人类工程师可能设计的特征类似的特征,但是通过训练。此外,深度网络可以学习表示和识别人类可能尚未考虑的新类型的特征。
深度学习架构可以学习特征的层级。例如,如果呈现有视觉数据,则第一层可以学习识别输入流中的相对简单的特征,诸如边缘。在另一示例中,如果呈现有听觉数据,则第一层可以学习识别特定频率中的频谱功率。将第一层的输出作为输入的第二层可以学习识别特征的组合,诸如视觉数据的简单形状或听觉数据的声音的组合。例如,较高层可以学习在视觉数据中表示复杂形状或在听觉数据中表示单词。更高层可以学习识别常见的视觉对象或口语短语。
当应用于具有自然分层结构的问题时,深度学习架构可以特别好地执行。例如,机动车辆的分类可以受益于首先学习识别车轮、挡风玻璃和其他特征。这些特征可以以不同的方式在较高层处组合以识别汽车、卡车和飞机。
神经网络可以设计成具有各种连接模式。在前馈网络中,信息从较低层传递到较高层,其中给定层中的每个神经元与较高层中的神经元通信。如上所述,可以在前馈网络的连续层中建立分层表示。神经网络还可以具有循环或反馈(也称为自上而下)连接。在循环连接中,来自给定层中的神经元的输出可被传达给同一层中的另一神经元。递归架构可以有助于识别跨越在序列中递送到神经网络的输入数据块中的多于一个输入数据块的模式。从给定层中的神经元到较低层中的神经元的连接被称为反馈(或自上而下)连接。当识别高级概念可以帮助区分输入的特定低级特征时,具有许多反馈连接的网络可能是有帮助的。
神经网络的层之间的连接可以是完全连接的或局部连接的。图4A示出了完全连接的神经网络402的示例。在全连接神经网络402中,第一层中的神经元可将其输出传达给第二层中的每个神经元,以使得第二层中的每个神经元将从第一层中的每个神经元接收输入。图4B示出了局部连接的神经网络404的示例。在局部连接的神经网络404中,第一层中的神经元可被连接到第二层中的有限数目的神经元。更一般地,局部连接神经网络404的局部连接层可被配置成使得一层中的每个神经元将具有相同或相似的连通性模式,但具有可具有不同值(例如,410、412、414和416)的连接强度。局部连接的连接模式可以在较高层中产生空间上不同的感受野,因为给定区域中的较高层神经元可以接收通过训练调谐到网络的总输入的受限部分的属性的输入。
局部连接的神经网络的一个示例是卷积神经网络。图4C示出了卷积神经网络406的示例。卷积神经网络406可被配置成使得与第二层中的每个神经元的输入相关联的连接强度被共享(例如,408)。卷积神经网络可能非常适合于输入的空间位置有意义的问题。
一种类型的卷积神经网络是深度卷积网络(DCN)。图4D解说了DCN 400的详细示例,该DCN 400被设计成从图像捕获设备430(诸如车载相机)输入的图像426中识别视觉特征。可以训练当前示例的DCN 400以识别交通标志和交通标志上提供的数字。当然,DCN 400可被训练用于其他任务,诸如标识车道标记或标识交通灯。
DCN 400可以用监督学习来训练。在训练期间,可向DCN 400呈现图像(诸如限速标志的图像426),并且随后可计算前向传递以产生输出422。DCN 400可以包括特征提取部分和分类部分。在接收到图像426时,卷积层432可以将卷积内核(未示出)应用于图像426以生成第一组特征图418。作为示例,卷积层432的卷积内核可以是生成28×28特征图的5×5内核。在本示例中,因为在第一组特征图418中生成四个不同的特征图,所以在卷积层432处将四个不同的卷积内核应用于图像426。卷积核也可以被称为滤波器或卷积滤波器。
第一组特征图418可以由最大池化层(未示出)二次采样以生成第二组特征图420。最大池化层减小第一组特征图418的大小。也就是说,第二组特征图420的尺寸(诸如14×14)小于第一组特征图418的尺寸(诸如28×28)。减小的大小向后续层提供类似的信息,同时减少存储器消耗。第二特征图集420可以经由一个或更多个后续卷积层(未示出)进一步卷积,以生成一个或更多个后续特征图集(未示出)。
在图4D的示例中,第二组特征图420被卷积以生成第一特征向量424。此外,第一特征向量424被进一步卷积以生成第二特征向量428。第二特征向量428的每个特征可以包括对应于图像426的可能特征的数字,例如“符号”、“60”和“100”。softmax函数(未示出)可以将第二特征向量428中的数字转换为概率。如此,DCN 400的输出422是图像426包括一个或多个特征的概率。
在本示例中,输出422中针对“符号”和“60”的概率高于输出422的其他输出的概率,诸如“30”、“40”、“50”、“70”、“80”、“90”和“100”。在训练之前,由DCN 400产生的输出422可能是不正确的。因此,可以计算输出422和目标输出之间的误差。目标输出是图像426的基本事实(例如,“标志”和“60”)。DCN 400的权重随后可被调整,使得DCN 400的输出422与目标输出更紧密地对齐。
为了调整权重,学习算法可以计算权重的梯度向量。梯度可以指示在调整权重的情况下误差将增加或减小的量。在顶层处,梯度可直接对应于连接倒数第二层中的激活神经元和输出层中的神经元的权重的值。在较低层中,梯度可以取决于权重的值和较高层的计算的误差梯度。然后可以调整权重以减少误差。这种调整权重的方式可以被称为“反向传播”,因为它涉及通过神经网络的“反向传递”。
在实践中,可以在少量示例上计算权重的误差梯度,使得所计算的梯度近似于真实误差梯度。该近似方法可以被称为随机梯度下降。可以重复随机梯度下降,直到整个系统的可实现错误率已经停止减小或者直到错误率已经达到目标水平。在学习之后,可向DCN呈现新图像(例如,图像426的限速标志),并且前向传递通过网络可产生输出422,该输出422可被认为是对DCN的推断或预测。
深度信念网络(DBN)是包括多层隐藏节点的概率模型。DBN可以用于提取训练数据集的分层表示。DBN可以通过堆叠受限玻尔兹曼机(RBM)的层来获得。RBM是一种人工神经网络,其可以学习一组输入上的概率分布。因为RBM可以在没有关于每个输入应该被分类到的类别的信息的情况下学习概率分布,所以RBM通常用于无监督学习。使用混合无监督和监督范例,DBN的底部RBM可以无监督方式训练并且可用作特征提取器,并且顶部RBM可以监督方式训练(在来自先前层和目标类别的输入的联合分布上)并且可用作分类器。
深度卷积网络(DCN)是卷积网络的网络,其配置有附加的池化和归一化层。DCN已经在许多任务上实现了最先进的性能。DCN可以使用监督学习来训练,其中输入和输出目标对于许多范例都是已知的,并且用于通过使用梯度下降方法来修改网络的权重。
DCN可以是前馈网络。另外,如上所述,从DCN的第一层中的神经元到下一较高层中的一组神经元的连接跨第一层中的神经元共享。DCN的前馈和共享连接可被用于快速处理。DCN的计算负担可以例如比包括循环或反馈连接的类似大小的神经网络的计算负担小得多。
卷积网络的每一层的处理可被视为空间不变模板或基础投影。如果输入首先被分解成多个通道,诸如彩色图像的红色、绿色和蓝色通道,则在该输入上训练的卷积网络可以被认为是三维的,其中两个空间维度沿着图像的轴,并且第三维度捕获颜色信息。卷积连接的输出可以被认为在后续层中形成特征图,其中特征图(例如,220)的每个元素从先前层(例如,特征图218)中的一系列神经元以及从多个通道中的每个通道接收输入。特征图中的值可以用非线性进一步处理,诸如校正,max(0,x)。来自相邻神经元的值可以进一步池化,这对应于下采样,并且可以提供附加的局部不变性和维度降低。还可以通过特征图中的神经元之间的侧向抑制来应用对应于白化的归一化。
随着更多标记的数据点变得可用或随着计算能力增加,深度学习架构的性能可以增加。现代深度神经网络常规地用计算资源训练,该计算资源比仅十五年前典型研究人员可用的计算资源大数千倍。新的架构和训练范例可以进一步提升深度学习的性能。整流线性单元可以减少被称为消失梯度的训练问题。新的训练技术可以减少过度拟合,从而使得更大的模型能够实现更好的泛化。封装技术可以抽象给定感受野中的数据并进一步提升整体性能。
图5是解说深度卷积网络550的框图。深度卷积网络550可包括基于连通性和权重共享的多种不同类型的层。如图5所示,深度卷积网络550包括卷积块554A、554B。卷积块554A、554B中的每一个可以配置有卷积层(CONV)356、归一化层(LNorm)558和最大池化层(最大池)560。
卷积层556可以包括一个或多个卷积滤波器,其可以应用于输入数据以生成特征图。尽管仅示出了卷积块554A、554B中的两个,但本公开不限于此,而是可根据设计偏好将任何数目的卷积块554A、554B包括在深度卷积网络550中。归一化层558可以归一化卷积滤波器的输出。例如,归一化层558可以提供白化或横向抑制。最大池化层560可以在空间上提供下采样聚合以用于局部不变性和维度降低。
例如,深度卷积网络的并行滤波器组可被加载在SOC 300的CPU 302或GPU 304上以达成高性能和低功耗。在替代实施例中,并行滤波器组可以加载在SOC 300的DSP 306或ISP 316上。另外,深度卷积网络550可访问可存在于SOC 300上的其他处理块,诸如分别专用于传感器和导航的传感器处理器314和导航模块320。
深度卷积网络550还可包括一个或多个全连接层562(FC1和FC2)。深度卷积网络550可进一步包括逻辑回归(LR)层564。深度卷积网络550的每个层556、558、560、562、564之间是要更新的权重(未示出)。层(例如,556、558、560、562、564)中的每个层的输出可以用作深度卷积网络550中的层(例如,556、558、560、562、564)中的后续层的输入,以从在卷积块554A中的第一卷积块处提供的输入数据552(例如,图像、音频、视频、传感器数据和/或其他输入数据)学习分层特征表示。深度卷积网络550的输出是输入数据552的分类得分566。分类分数566可以是一组概率,其中每个概率是输入数据的概率,包括来自一组特征的特征。
如上所述,图3-5是作为示例提供的。其他示例可以与关于图3-5描述的示例不同。
如上所述,小区间干扰可能导致用户的信号(例如,信号与干扰加噪声比(SINR))降级。当用户在小区边缘时,用户的信号劣化可能特别显著。另外,由于在下一代基站(例如,gNB)中引入了大规模多输入多输出(MIMO)天线,这种小区间干扰可能是高度定向的并且随时间高度变化。不幸的是,小区边缘处的高度定向干扰可能降低数据速率并对用户体验产生负面影响。此外,干扰的高方差使得更难以执行链路自适应,诸如预测可支持的调制和编码方案(MCS)。这对于延迟预算有限的延迟敏感应用是具有挑战性的。当所选择的调制和编码方案(MCS)不准确时,该有限的延迟预算可能不足以通过混合自动重传请求(HARQ)过程来恢复分组。
图6A和6B解说了根据本公开的各方面的通信网络,其中用户装备(UE)所经历的空间干扰基于从相邻基站到相邻UE的下行链路发送波束。如图6A所示,在第一干扰场景600中,第一UE 120-1通过下行链路发送波束i与第一基站110-1通信。类似地,第二UE 120-2通过下行链路发送波束j与相邻基站110-2通信。在该示例中,来自下行链路发送波束j在下行链路发送波束i上的空间小区间干扰导致第一UE 120-1处的最小信号劣化(例如,SINR=20dB)。
图6B示出了第二干扰场景650,其中第一UE 120-1通过下行链路发送波束i与第一基站110-1通信。相反,第二UE 120-2通过干扰下行链路发送波束i的下行链路发送波束k与相邻基站110-2通信。在该示例中,来自下行链路发送波束k的下行链路发送波束i上的空间小区间干扰导致第一UE 120-1处的显著信号劣化(例如,SINR=5dB),这使第一UE 120-1处的用户体验劣化。
图7是根据本公开内容的方面,示出了用于实现空间小区间干扰感知下行链路协调的来自相邻基站的下行链路发送波束的信号强度测量的通信网络700的图。根据本公开的各方面,训练神经网络以推断相邻基站(例如,gNB)的任何潜在发送波束对任何潜在受害方UE的影响。在该示例中,受害方用户设备(UE1)120-1通过下行链路发送波束i与服务基站(gNB1)110-1通信。不幸的是,受害方UE1 120-1经历来自用于与第二用户设备(UE2)120-2通信的相邻基站(gNB2)110-2的下行链路发送波束k的显著干扰。
在该示例中,通过与相邻基站gNB2 110-2的协调来减轻受害方UE1 120-1上的空间小区间干扰。例如,相邻基站gNB2 110-2可以在下行链路波束j上发送,以避免在服务受害方UE1 120-1的资源上在下行链路发送波束k的方向上发送能量。本公开的各方面与相邻基站gNB2 110-2协调,以在用于服务受害方UE1 120-1的资源上通过下行链路波束j进行发送,以避免对受害方UE1 110-1的干扰。
根据本公开的方面,训练服务基站gNB1 110-1的神经网络以推断相邻基站gNB2110-2的下行链路发送波束对受害方UE1 120-1的影响。在本公开的这些方面中,服务基站gNB1 110-1与相邻基站gNB2 110-2协调,以禁止相邻基站gNB2 110-2在用于服务受害方UE1 120-1的时间/频率资源上发送下行链路发送波束k。在一些配置中,使用具有神经处理引擎(NPE)的机器学习来执行小区间干扰的预测,例如,如图8所示。
图8是根据本公开内容的各方面的包括神经处理引擎的网络的框图,该神经处理引擎被配置用于对基于空间小区间干扰的分布进行基于神经网络的预测,以实现空间小区间干扰感知下行链路协调。在本公开内容的方面中,数据库存储关于相邻基站(例如,gNB)的任何潜在发送波束对任何潜在受害方UE的影响的信息。在本公开内容的这些方面中,数据库存储UE信道状态信息(CSI)参考信号(CSI-RS)测量报告、波束信息和UE位置,以使得数据库查找能够确定来自相邻基站对任何潜在受害方UE的潜在影响。
图8示出了网络800,其包括具有位置块830的UE 120和具有用于实现神经网络的神经处理引擎810的基站110。在该示例中,位置块830向神经处理引擎810指示UE位置802(X)。相邻小区发送预编码器804(T)(例如,信道状态信息(CSI)波束索引)也从相邻小区输入到神经处理引擎810。基于UE位置802和相邻蜂窝小区发送预编码器804,神经处理引擎810预测针对UE 120的当前位置的基于干扰的分布820(F)。例如,可以预测干扰(例如,干扰对热)分布,或者可以预测信号与干扰加噪声比(SINR)分布。
在本公开的各方面,神经处理引擎810的神经网络的训练可基于UE信道状态信息(CSI)参考信号(CSI-RS)测量报告、以及相邻蜂窝小区发送预编码器804和UE位置802。UECSI-RS测量报告为相邻基站的每个波束提供相邻小区信号强度。例如,信号强度测量报告可以基于CSI报告,包括例如SINR信息或参考信号接收功率(RSRP)信息。在本公开内容的一些方面,UE CSI-RS测量报告可以提供SINR信息,其中,信号强度对应于服务小区,并且干扰对应于相邻基站的每个波束。
在本公开内容的一些方面,基站110周期性地向被服务的UE 120发送预编码的CSI-RS信号。被服务的UE 120可以使用接收到的CSI-RS信号来估计信道状况。被服务UE120还可以使用接收到的CSI-RS信号来识别导致最强接收信号质量(例如,最强波束)的单个波束或波束组合,以帮助数据信道预编码。另外,可以从其他小区测量CSI-RS信号。例如,UE可以使用来自其他小区的CSI-RS信号来估计由其他小区引起的干扰。UE可以使用所测量的CSI-RS信号来执行无线电资源管理。例如,UE使用所测量的其它小区的CSI-RS信号来识别相邻小区是否比当前服务小区更强,这可以触发切换。在实践中,由UE执行的CSI-RS测量由UE 120报告给服务小区110。
如图8中所示,神经处理引擎810的神经网络基于相邻蜂窝小区发送预编码器804和UE位置802来预测给定UE位置802的基于干扰的分布820。相邻小区发送预编码器804可以是已知码本内的预编码器索引,或者可以是预编码器权重。在本公开内容的方面中,UE位置802可以以来自定位源的UE 120的(x,y,z)坐标的组合的形式来表示。定位源可以是例如全球导航卫星系统(GNSS)、5G NR位置服务器等。替代地,可以基于表示UE 120在服务小区内的位置的一组度量来确定UE位置802。例如,表示UE 120在服务小区内的位置的度量集可以包括服务小区参考信号接收功率(RSRP)信号、指示最强发送波束方向的服务小区预编码器(例如,预编码矩阵指示符(PMI))、服务小区信道质量指示符(CQI)和/或针对服务小区和UE120之间的信道的路径损耗估计。另外,可以基于其它UE传感器信息来确定UE位置802。在一些方面,UE位置802可以是地理位置。
在本公开的各方面,对神经网络的训练可在各个节点处执行。例如,可以在服务小区处执行神经网络的训练。在该示例中,UE 120将干扰测量报告连同关于UE位置802的信息一起发送给服务小区的基站110。UE 120的位置估计可以在服务小区基站110处执行,或者由单独的位置服务器发送给服务小区的基站110。替代地,UE位置指示符度量由UE 120报告给服务小区以确定UE位置802。
在本公开的一些方面,神经网络的训练在相邻蜂窝小区(诸如相邻基站gNB2 110-2)处执行,如图7所示。在本公开的这些方面中,服务小区的基站gNB1 110-1向相邻基站gNB2 110-2发送UE位置802和干扰测量报告,以在相邻基站gNB2 110-2处执行神经网络的训练。在本公开内容的其它方面,在集中式节点处执行对神经网络的训练。在本公开内容的这些方面中,服务小区的基站gNB1 110-1向集中式节点发送UE位置802、服务小区标识(ID)、相邻小区ID和干扰测量报告,以在集中式节点处执行对神经网络的训练。
一旦神经网络被训练以推断相邻基站的发送波束对受害方UE的影响,网络设备(例如,gNB)就与相邻基站协调。在本公开内容的这些方面中,网络设备协调可以防止相邻基站在用于服务受害方UE的时间/频率资源上发送下行链路发送波束。例如,如图7所示,UE1 120-1经历来自相邻基站(gNB2)110-2的下行链路发送波束k的显著干扰。在该示例中,当相邻基站gNB2 110-2避免在用于服务UE1 120-1的资源上在下行链路发送波束k的方向上发送能量时,空间小区间干扰被减轻。
根据本公开内容的方面,根据预测的基于干扰的分布,基于某些标准来识别不期望的相邻小区波束。例如,超过预定阈值的均值或百分位数可以是标准。另外,该空间干扰表征可以用于协调附近小区(诸如相邻基站gNB2110-2)之间的调度,以防止高干扰事件,例如,如图9-11所示。
图9是解说根据本公开的各个方面的例如由UE 120(120-1、…、120-N)、服务蜂窝小区900的基站110-1、以及相邻蜂窝小区950(950-1、…、950-N)的基站110-2、…、110-N执行的用于服务蜂窝小区900处的空间蜂窝小区间干扰知悉下行链路协调的示例过程的时序图。
根据本公开的各方面,服务小区900的基站110-1根据相邻小区950(950-1、…、950-N)的不同潜在下行链路发送波束来预测服务小区900中UE 120(120-1、…、120-N)所经历的潜在下行链路干扰。例如,服务小区900的基站110-1识别所服务的UE 120的子集,其中由来自相邻小区950的小区间下行链路干扰引起的潜在负面影响超过预定UE干扰阈值。也就是说,相邻小区950可以包括潜在干扰相邻小区。对UE的潜在受害方子集的这种识别还可以包括附加标准,诸如UE正在接收的业务的类型。例如,可以选择接收延迟敏感业务和/或高可靠性业务的UE作为UE的潜在受害子集的一部分。
在时间t0,服务小区900的基站110-1向UE 120的每个受害子集的潜在干扰相邻小区950发送请求消息。请求消息可以包括指示潜在干扰相邻小区950被请求避免的所请求的波束索引列表的提议。另外,请求消息可以指示针对其请求保护的所请求的时间/频率资源(例如,时隙/资源块(RB))。例如,请求消息可以指示要保护的资源量。基站110-1可以确定易受攻击的UE需要多少带宽,例如,分配的资源的四分之一。在一些实现中,为每个小区配置预定义的时间/频率资源集,使得在时间t0的请求消息的信令可以简单地指代所提出的资源集的索引。备选地,时间/频率资源的选择留给相邻小区950作为决定。
在时间t1,攻击方相邻小区950的基站110-2-N用响应消息进行响应,该响应消息在时间t1由服务小区900的基站110-1接收。响应消息可以是对由请求消息指示的提议的接受。例如,响应消息可以指示对限制针对所指出的时间/频率资源的所识别的波束方向上的发送能量的协定。替代地,响应消息可以包括针对要保护的时间/频率资源的潜在提议或替代提议。例如,当来自服务蜂窝小区900的请求消息中的提议(例如,服务提议)未被接受时,在时间t1接收到的响应消息可包括针对不同资源集的替换提议。
当受害方UE 120改变位置、信道状况改变和/或业务需求改变时,服务小区900可以周期性地重复空间小区间下行链路干扰预测。例如,UE 120可以移动得更靠近服务基站110-1,或者UE可以进入空闲模式。在时间t2,服务蜂窝小区900可基于对新状况的经更新预测来向相邻蜂窝小区950发送经更新请求消息。另外,在时间t3,相邻蜂窝小区950可类似地用经更新的响应消息来响应经更新的请求消息。一旦针对受害方UE 120的干扰威胁已经到期,则在时间t4处,服务小区900可以发送取消请求消息以停止资源保护。例如,当受害方UE120进入空闲模式时,服务小区900可以在时间t4发送取消请求消息。
图10是示出根据本公开的各个方面的例如由UE 120(120-1、…、120-N)、服务小区900的基站110-1和相邻小区950的基站110-2执行的用于相邻小区950处的空间小区间干扰感知下行链路协调的示例过程的时序图。
在本公开的各方面,空间小区间下行链路干扰的预测发生在相邻小区950处,相邻小区950可被称为攻击方相邻小区950。在本公开内容的这些方面中,服务小区900的基站110-1基于潜在易受攻击的UE的位置、业务类型或其它选择标准来识别潜在易受攻击的UE。一旦被识别,则在时间t0,服务小区900的基站110-1向攻击方相邻小区950发送请求消息。请求消息可以指示以下各项的子集:(1)易受攻击的UE的位置;(2)UE干扰容忍阈值;和/或(3)资源需求。
由服务小区900的基站110-1在时间t0发送的请求消息可以省略资源需求,这是可选的。当请求消息省略资源需求时,受保护资源由攻击方相邻小区950的基站110-2决定。另外,代替地理位置,UE的位置可以由表示UE的位置的某个度量集合来表示。此外,可以存在为每个小区配置的预定义的时间/频率资源集合。在该配置中,在时间t0发送的请求消息的信令可以简单地指代满足UE资源需求的所提出的资源集的索引。
在本公开的这些方面,攻击方相邻蜂窝小区950的基站110-2响应于时间t0处的请求消息来预测来自攻击方相邻蜂窝小区950的发送波束的干扰是否将对受害方UE造成超过UE干扰阈值的有害影响。响应于预测的有害影响,在时间t1,攻击方相邻小区950的基站110-2向服务小区900发送响应消息,该响应消息指示同意限制针对受害方UE的所请求的时间/频率资源的禁止波束方向上的发送能量。潜在地,时间t1处的响应消息包括针对受保护UE的时间/频率资源的提议或替代提议(如果资源需求未被接受),诸如被设置为保护的资源。
在一些实现中,服务蜂窝小区900的基站110-1随着UE 120改变位置、信道状况改变、或话务需求改变而周期性地评估受保护UE 120和受保护资源的位置和脆弱性。响应于这些改变的条件中的任何一个,在时间t2,服务小区900可以发送具有新条件的更新的请求消息。在预测下行链路干扰是否将对更新后的易受攻击的UE 120的集合有害之后,在时间t3,攻击方相邻小区950的基站110-2通过发送更新后的响应消息来响应更新后的请求消息。在该示例中,一旦对易受攻击的UE 120的集合的干扰威胁已经期满,则在时间t4,服务蜂窝小区900的基站110-1可向攻击方相邻蜂窝小区950发送取消消息以用于终止资源保护。
图11是示出根据本公开内容的各个方面的例如由UE 120(120-1、…、120-N)、服务小区900的基站110-1、中央节点960和攻击方相邻小区950的基站110-2执行的用于中央节点处的空间小区间干扰感知下行链路协调的示例过程的时序图。
在一些实现中,可以在中心节点960(诸如网络控制器130)处执行预测。例如,服务小区900的基站110-1基于潜在易受攻击的UE的位置、业务类型或其它选择标准来识别潜在易受攻击的UE。一旦被识别,则在时间t1,服务小区900的基站110-1向中心节点960发送关于所识别的易受攻击的UE的消息。该消息可以指示以下各项中的全部或子集:(1)易受攻击的UE的位置;(2)易受攻击的UE的干扰阈值;以及(3)业务负载。如上所述,该UE位置可以使用以下各项的组合来表示:(1)来自定位源的UE的(x,y,z)坐标(例如,地理位置)和/或(2)表示UE在服务小区900内的位置的一组度量。定位源可以是例如全球导航卫星系统(GNSS)位置服务器、5G NR位置服务器或其它位置服务器。另外,表示UE位置的度量集可以包括服务小区900的参考信号接收功率(RSRP)、服务小区预编码器(例如,最强发送波束方向)、服务小区信道质量指示符(CQI)和/或服务小区900和UE 120之间的路径损耗估计。在时间t0处,其他UE传感器信息也可以被包括在易受攻击的UE消息中。
在操作中,中央节点960预测由来自攻击方相邻小区950的下行链路发送波束的干扰对受害UE 120引起的劣化是否超过UE干扰阈值。在时间t1,当相邻小区下行链路发送波束的干扰超过UE干扰阈值时,中央节点960向攻击方相邻小区950发送协调请求消息。请求消息可以包括通过限制针对由请求消息指出的所请求的时间/频率资源的指定波束方向上的发送能量来保护UE的提议。作为响应,在时间t2,攻击方相邻小区950的基站110-2向中心节点960发送响应消息。响应消息可以指示攻击方相邻小区950的基站110-2接受提议。否则,响应消息可以提出保护UE的替代计划。在时间t3,中央节点960向服务蜂窝小区900发送响应消息,该响应消息可指示用于受保护UE的受保护资源集。
在一些实现中,中央节点960周期性地评估受保护UE和受保护资源的位置和漏洞。周期性评估可以确定是否检测到UE的位置、UE的信道状况和/或UE上的业务需求的改变。响应于检测到的改变,在时间t4,中心节点960可以基于改变的条件向攻击方相邻小区950发送更新的请求消息。作为响应,在时间t5,攻击方相邻小区950的基站110-2可以用指示经更新的受保护资源的经更新的响应消息来响应经更新的请求消息。在时间t6,中央节点960向服务蜂窝小区900发送响应消息,该响应消息可向基站110-1通知经更新的受保护资源集合。
一旦干扰威胁到期(时间t7),服务小区900可以向中央节点960发送取消消息,并且在时间t8触发终止消息以终止资源保护。当多个攻击方相邻小区潜在地对受害方UE造成干扰时,包括中央节点的一些实现可能是有益的。
图12是示出根据本公开内容的各个方面的例如由网络设备执行的用于基于神经网络的空间小区间干扰学习的示例过程1200的流程图。示例过程1200是用于基于神经网络的空间小区间干扰感知下行链路协调的网络增强的示例。
如图12所示,在一些方面,过程1200包括预测UE所经历的空间小区间下行链路干扰(框1202)。例如,基站(例如,使用控制器/处理器240和/或存储器242)可以预测空间下行链路小区间下行链路干扰。预测可以发生在服务基站、攻击方基站或中心节点处。在一些方面中,预测是基于UE的位置、UE干扰容限阈值和/或针对UE的资源需求的。
在一些方面,过程1200还包括设备与第二网络进行通信,以通过保护跨越所选择的资源集的资源来减少在UE的方向上的空间小区间下行链路干扰(框1204)。例如,基站(例如,使用天线234、解调器/调制器232、TX MIMO处理器230、发送处理器220、控制器/处理器240和/或存储器242)可以与第二网络设备进行通信,以减少在UE的方向上的空间小区间下行链路干扰。在一些方面,受保护资源包括禁止的波束索引、要保护的时间/频率资源、和/或要保护的资源量。
示例方面
方面1:一种由第一网络设备进行无线通信的方法,包括:预测UE所经历的空间小区间下行链路干扰;以及与第二网络设备进行通信,以通过保护跨所选择的资源集的资源来减少在UE的方向上的空间小区间下行链路干扰。
方面2:根据方面1所述的方法,其中,第一网络设备包括服务小区,并且第二网络设备包括潜在干扰相邻小区,该方法还包括:由第一网络设备选择所预测的小区间下行链路干扰超过预定阈值的UE;以及向所述第二网络设备发送请求消息。
方面3:根据方面1或2所述的方法,其中,请求消息指示引起过度干扰的波束。
方面4:根据方面1或2所述的方法,其中,请求消息指示要保护的时间/频率资源。
方面5:根据方面1或2所述的方法,其中,请求消息指示要保护的资源量,该量是基于UE的业务需求来确定的。
方面6:根据方面1或2所述的方法,其中,所述请求消息指示所选择的资源集在预定资源集列表内的索引。
方面7:根据方面1或2所述的方法,还包括接收指示接受由请求消息指示的提议的响应消息。
方面8:根据方面1或2所述的方法,还包括接收指示针对不同资源集的替代提议的响应消息。
方面9:根据方面1或2所述的方法,还包括响应于基于更新的UE位置、UE的更新的信道条件和/或UE的更新的业务需求的更新的预测来更新请求消息。
方面10:根据方面1-9中任一项所述的方法,其中,第一网络设备包括相邻小区,并且第二网络设备包括服务小区,该方法还包括:从第二网络设备接收指示UE的位置、UE干扰容限阈值和/或UE的资源需求的请求消息;基于所述请求消息进行预测;以及向所述第二网络设备发送响应消息。
方面11:根据方面1-10中任一项的方法,还包括从第二网络设备接收UE位置、UE干扰容限阈值和/或UE的资源需求的更新。
方面12:根据方面1所述的方法,其中,第一网络设备包括中央节点,并且第二网络设备包括服务小区,该方法还包括:从第二网络设备接收第一请求消息,该第一请求消息指示UE的位置、UE干扰容限阈值和/或UE的资源需求;基于所述第一请求消息进行预测;向攻击方相邻小区发送请求资源保护的第二请求消息;以及向第二网络设备发送指示受保护资源的响应消息。
方面13:根据方面12所述的方法,还包括基于更新的UE位置、UE的更新的信道条件和/或UE的更新的资源需求来更新预测。
方面14:一种用于由第一网络装置进行无线通信的装置,包括:用于预测UE所经历的空间下行链路小区间干扰的组件;以及用于与第二网络设备进行通信以通过保护跨所选择的资源集的资源来减少在所述UE的方向上的所述空间下行链路小区间干扰的组件。
方面15:根据方面14所述的装置,其中,第一网络设备包括服务小区,并且第二网络设备包括潜在干扰相邻小区,装置还包括:用于由第一网络设备选择所预测的空间下行链路小区间干扰超过预定阈值的UE的组件;以及用于向所述第二网络设备发送请求消息的组件。
方面16:根据方面15所述的装置,还包括用于接收指示接受由请求消息指示的提议的响应消息的组件。
方面17:根据方面15所述的装置,还包括:用于接收指示针对不同资源集的替代提议的响应消息的组件。
方面18:根据方面15所述的装置,还包括:用于响应于基于更新的UE位置、针对UE的更新的信道状况和/或针对UE的更新的业务需求的更新的预测来更新请求消息的组件。
方面19:根据方面14所述的装置,其中,第一网络设备包括相邻小区,并且第二网络设备包括服务小区,装置还包括:用于从第二网络设备接收指示UE的位置、UE干扰容限阈值和/或针对UE的资源需求的请求消息的组件;用于基于所述请求消息进行预测的组件;以及用于向所述第二网络设备发送响应消息的组件。
方面20:根据方面19的装置,还包括用于从第二网络设备接收UE位置、UE干扰容限阈值和/或UE的资源需求的更新的组件。
方面21:根据方面14所述的装置,其中,第一网络设备包括中央节点,并且第二网络设备包括服务小区,装置还包括:用于从第二网络设备接收指示UE的位置、UE干扰容限阈值和/或针对UE的资源需求的第一请求消息的组件;用于基于所述第一请求消息进行预测的组件;用于向攻击方相邻小区发送请求资源保护的第二请求消息的组件;以及用于向第二网络设备发送指示受保护资源的响应消息的组件。
方面22:根据方面21所述的装置,还包括:用于基于更新的UE位置、UE的更新的信道条件和/或UE的更新的资源需求来更新预测的组件。
方面23:一种第一网络设备,包括:处理器;与所述处理器耦合的存储器;存储在所述存储器中的指令,所述指令在由所述处理器执行时可操作以使得所述第一网络设备:预测UE所经历的空间小区间下行链路干扰,以及与第二网络设备通信,以通过保护跨所选择的资源集的资源来减少在所述UE的方向上的所述空间小区间下行链路干扰。
方面24:根据方面23所述的第一网络设备,其中,第一网络设备包括服务小区,并且第二网络设备包括潜在干扰相邻小区,指令还使得第一网络设备:选择所预测的小区间下行链路干扰超过预定阈值的UE;以及向所述第二网络设备发送请求消息。
方面25:根据方面23所述的第一网络设备,其中,第一网络设备包括相邻小区,并且第二网络设备包括服务小区,指令还使得第一网络设备:从第二网络设备接收指示UE的位置、UE干扰容限阈值和/或UE的资源需求的请求消息;基于所述请求消息进行预测;以及向所述第二网络设备发送响应消息。
方面26:根据方面23所述的第一网络设备,其中,第一网络设备包括中央节点,并且第二网络设备包括服务小区,指令还使得第一网络设备:从第二网络设备接收指示UE的位置、UE干扰容限阈值和/或UE的资源需求的第一请求消息;基于所述第一请求消息进行预测;向攻击方相邻小区发送请求资源保护的第二请求消息;以及向第二网络设备发送指示受保护资源的响应消息。
方面27:根据方面26所述的第一网络设备,其中,指令还使得第一网络设备基于更新的UE位置、UE的更新的信道条件和/或UE的更新的资源需求来更新预测。
方面28:一种其上记录有程序代码的非瞬态计算机可读介质,该程序代码由第一网络设备的处理器执行并且包括:预测UE所经历的空间蜂窝小区间下行链路干扰的程序代码;以及用于与第二网络设备进行通信以通过保护跨所选择的资源集的资源来减少在UE的方向上的空间小区间下行链路干扰的程序代码。
方面29:根据条款28的非暂时性计算机可读介质,其中,第一网络设备包括相邻小区,并且第二网络设备包括服务小区,该非暂时性计算机可读介质还包括:用于从第二网络设备接收指示UE的位置、UE干扰容限阈值和/或UE的资源需求的请求消息的程序代码;用于基于所述请求消息进行预测的程序代码;以及用于向所述第二网络设备发送响应消息的程序代码。
方面30:根据条款28所述的非暂时性计算机可读介质,其中,所述第一网络设备包括中央节点,并且所述第二网络设备包括服务小区,所述非暂时性计算机可读介质还包括:用于从所述第二网络设备接收第一请求消息的程序代码,所述第一请求消息指示所述UE的位置、UE干扰容限阈值和/或所述UE的资源需求;用于基于所述第一请求消息进行预测的程序代码;用于向攻击方相邻小区发送请求资源保护的第二请求消息的程序代码;以及用于向第二网络设备发送指示受保护资源的响应消息的程序代码。
前述公开内容提供了说明和描述,但并不旨在穷举或将各方面限制于所公开的精确形式。可以根据上述公开内容进行修改和变化,或者可以从各方面的实践中获得修改和变化。
如所使用的,术语“部件”旨在被广义地解释为硬件、固件和/或硬件和软件的组合。如所使用的,处理器以硬件、固件和/或硬件和软件的组合来实现。
结合阈值来描述一些方面。如所使用的,根据上下文,满足阈值可以指大于阈值、大于或等于阈值、小于阈值、小于或等于阈值、等于阈值、不等于阈值等的值。
显而易见的是,所描述的系统和/或方法可以以不同形式的硬件、固件和/或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限制这些方面。因此,在不参考特定软件代码的情况下描述了系统和/或方法的操作和行为——应当理解,软件和硬件可以被设计为至少部分地基于描述来实现系统和/或方法。
即使在权利要求书中叙述和/或在说明书中公开了特征的特定组合,但是这些组合并不旨在限制各个方面的公开内容。事实上,这些特征中的许多可以以权利要求书中未具体叙述和/或说明书中未公开的方式组合。尽管下面列出的每个从属权利要求可以直接从属于仅一个权利要求,但是各个方面的公开内容包括每个从属权利要求与权利要求集中的每个其他权利要求的组合。提及项目列表中的“至少一个”的短语是指这些项目的任何组合,包括单个成员。作为示例,“a、b或c中的至少一个”旨在覆盖a、b、c、a-b、a-c、b-c和a-b-c,以及与多个相同元素的任何组合(例如,a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c和c-c-c或a、b和c的任何其他排序)。
除非明确描述如此,否则所使用的元件、动作或指令不应被解释为关键的或必要的。此外,如所使用的,术语“一”和“一个”旨在包括一个或多个项目,并且可以与“一个或多个”互换使用。此外,如所使用的,术语“集合”和“组”旨在包括一个或多个项目(例如,相关项目、不相关项目、相关和不相关项目的组合等),并且可以与“一个或多个”互换使用。在仅意图一个项目的情况下,使用短语“仅一个”或类似语言。此外,如所使用的,术语“具有(has)”、“具备(have)”、“有(having)”等旨在是开放式术语。此外,除非另有明确说明,否则短语“基于”旨在表示“至少部分地基于”。
Claims (30)
1.一种由第一网络设备进行无线通信的方法,包括:
预测UE所经历的空间小区间下行链路干扰;以及
与第二网络设备进行通信,以通过保护跨所选择的资源集的资源来减少在所述UE的方向上的所述空间小区间下行链路干扰。
2.根据权利要求1所述的方法,其中,所述第一网络设备包括服务小区,并且所述第二网络设备包括潜在干扰相邻小区,所述方法还包括:
由所述第一网络设备选择所预测的小区间下行链路干扰超过预定阈值的UE;以及
向所述第二网络设备发送请求消息。
3.根据权利要求2所述的方法,其中,所述请求消息指示引起过度干扰的波束。
4.根据权利要求2所述的方法,其中,所述请求消息指示要保护的时间/频率资源。
5.根据权利要求2所述的方法,其中,所述请求消息指示要保护的资源量,所述量是基于所述UE的业务需求来确定的。
6.如权利要求2所述的方法,其中,所述请求消息指示所选择的资源集在预定资源集列表内的索引。
7.根据权利要求2所述的方法,还包括接收指示接受由所述请求消息指示的提议的响应消息。
8.根据权利要求2所述的方法,还包括接收指示针对不同资源集的替代提议的响应消息。
9.根据权利要求2所述的方法,还包括:响应于基于更新的UE位置、针对所述UE的更新的信道状况和/或针对所述UE的更新的业务需求的更新的预测,更新所述请求消息。
10.根据权利要求1所述的方法,其中,所述第一网络设备包括相邻小区,并且所述第二网络设备包括服务小区,所述方法还包括:
从所述第二网络设备接收指示所述UE的位置、UE干扰容限阈值和/或针对所述UE的资源需求的请求消息;
基于所述请求消息进行预测;以及
向所述第二网络设备发送响应消息。
11.根据权利要求10所述的方法,还包括:从所述第二网络设备接收对所述UE位置、所述UE干扰容限阈值和/或所述UE的所述资源需求的更新。
12.根据权利要求1所述的方法,其中,所述第一网络设备包括中心节点,并且所述第二网络设备包括服务小区,所述方法还包括:
从所述第二网络设备接收第一请求消息,所述第一请求消息指示所述UE的位置、UE干扰容限阈值和/或针对所述UE的资源需求;
基于所述第一请求消息进行预测;
向攻击方相邻小区发送请求资源保护的第二请求消息;以及
向所述第二网络设备发送指示受保护资源的响应消息。
13.根据权利要求12所述的方法,还包括:基于更新的UE位置、针对所述UE的更新的信道状况和/或针对所述UE的更新的资源需求来更新所述预测。
14.一种用于由第一网络装置进行无线通信的装置,包括:
用于预测UE所经历的空间下行链路小区间干扰的组件;以及
用于与第二网络设备进行通信,以通过保护跨所选择的资源集的资源来减少在所述UE的方向上的所述空间下行链路小区间干扰的组件。
15.根据权利要求14所述的装置,其中,所述第一网络设备包括服务小区,并且所述第二网络设备包括潜在干扰相邻小区,所述装置还包括:
用于由所述第一网络设备选择所预测的空间下行链路小区间干扰超过预定阈值的UE的组件;以及
用于向所述第二网络设备发送请求消息的组件。
16.根据权利要求15所述的装置,还包括用于接收指示接受由所述请求消息指示的提议的响应消息的组件。
17.根据权利要求15所述的装置,还包括:用于接收指示针对不同资源集的替代提议的响应消息的组件。
18.根据权利要求15所述的装置,还包括:用于响应于基于更新的UE位置、针对所述UE的更新的信道状况和/或针对所述UE的更新的业务需求的更新的预测来更新所述请求消息的组件。
19.根据权利要求14所述的装置,其中所述第一网络设备包括相邻小区,且所述第二网络设备包括服务小区,所述装置进一步包括:
用于从所述第二网络设备接收指示所述UE的位置、UE干扰容限阈值和/或针对所述UE的资源需求的请求消息的组件;
用于基于所述请求消息进行预测的组件;以及
用于向所述第二网络设备发送响应消息的组件。
20.根据权利要求19所述的装置,还包括:用于从所述第二网络设备接收对所述UE位置、所述UE干扰容限阈值和/或针对所述UE的所述资源需求的更新的组件。
21.根据权利要求14所述的装置,其中,所述第一网络设备包括中心节点,并且所述第二网络设备包括服务小区,所述装置还包括:
用于从所述第二网络设备接收第一请求消息的组件,所述第一请求消息指示所述UE的位置、UE干扰容限阈值和/或针对所述UE的资源需求;
用于基于所述第一请求消息进行预测的组件;
用于向攻击方相邻小区发送请求资源保护的第二请求消息的组件;以及
用于向所述第二网络设备发送指示受保护资源的响应消息的组件。
22.根据权利要求21所述的装置,还包括:用于基于更新的UE位置、针对所述UE的更新的信道状况和/或针对所述UE的更新的资源需求来更新所述预测的组件。
23.一种第一网络设备,包括:
处理器;
与所述处理器耦合的存储器;
指令,所述指令存储在所述存储器中并且在由所述处理器执行时可操作以使所述第一网络设备:
预测UE所经历的空间小区间下行链路干扰,以及
与第二网络设备进行通信,以通过保护跨所选择的资源集的资源来减少在所述UE的方向上的所述空间小区间下行链路干扰。
24.根据权利要求23所述的第一网络设备,其中,所述第一网络设备包括服务小区,并且所述第二网络设备包括潜在干扰相邻小区,所述指令还使得所述第一网络设备:
选择所预测的小区间下行链路干扰超过预定阈值的UE;以及
向所述第二网络设备发送请求消息。
25.根据权利要求23所述的第一网络设备,其中所述第一网络设备包括相邻小区,并且所述第二网络设备包括服务小区,所述指令还使得所述第一网络设备:
从所述第二网络设备接收指示所述UE的位置、UE干扰容限阈值和/或所述UE的资源需求的请求消息;
基于所述请求消息进行预测;以及
向所述第二网络设备发送响应消息。
26.根据权利要求23所述的第一网络设备,其中,所述第一网络设备包括中心节点,并且所述第二网络设备包括服务小区,所述指令还使得所述第一网络设备:
从所述第二网络设备接收第一请求消息,所述第一请求消息指示所述UE的位置、UE干扰容限阈值和/或针对所述UE的资源需求;
基于所述第一请求消息进行预测;
向攻击方相邻小区发送请求资源保护的第二请求消息;以及
向所述第二网络设备发送指示受保护资源的响应消息。
27.根据权利要求26所述的第一网络设备,其中,所述指令还使得所述第一网络设备基于更新的UE位置、针对所述UE的更新的信道状况和/或针对所述UE的更新的资源需求来更新所述预测。
28.一种其上记录有程序代码的非暂时性计算机可读介质,所述程序代码由第一网络设备的处理器执行并且包括:
预测UE所经历的空间小区间下行链路干扰的程序代码;以及
用于与第二网络设备进行通信,以通过保护跨所选择的资源集的资源来减少在所述UE的方向上的所述空间小区间下行链路干扰的程序代码。
29.根据权利要求28所述的非暂时性计算机可读介质,其中,所述第一网络设备包括相邻小区,并且所述第二网络设备包括服务小区,所述非暂时性计算机可读介质还包括:
用于从所述第二网络设备接收指示所述UE的位置、UE干扰容限阈值和/或针对所述UE的资源需求的请求消息的程序代码;
用于基于所述请求消息进行预测的程序代码;以及
用于向所述第二网络设备发送响应消息的程序代码。
30.根据权利要求28所述的非暂时性计算机可读介质,其中,所述第一网络设备包括中心节点,并且所述第二网络设备包括服务小区,所述非暂时性计算机可读介质还包括:
用于从所述第二网络设备接收第一请求消息的程序代码,所述第一请求消息指示所述UE的位置、UE干扰容限阈值和/或针对所述UE的资源需求;
用于基于所述第一请求消息进行预测的程序代码;
用于向攻击方相邻小区发送请求资源保护的第二请求消息的程序代码;以及
用于向所述第二网络设备发送指示受保护资源的响应消息的程序代码。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63/155,635 | 2021-03-02 | ||
US17/675,980 | 2022-02-18 | ||
US17/675,980 US11968151B2 (en) | 2021-03-02 | 2022-02-18 | Spatial inter-cell interference aware downlink coordination |
PCT/US2022/017369 WO2022187031A1 (en) | 2021-03-02 | 2022-02-22 | Spatial inter-cell interference aware downlink coordination |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117063594A true CN117063594A (zh) | 2023-11-14 |
Family
ID=88654058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280017549.4A Pending CN117063594A (zh) | 2021-03-02 | 2022-02-22 | 空间小区间干扰感知下行链路协调 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117063594A (zh) |
-
2022
- 2022-02-22 CN CN202280017549.4A patent/CN117063594A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210326701A1 (en) | Architecture for machine learning (ml) assisted communications networks | |
US11968151B2 (en) | Spatial inter-cell interference aware downlink coordination | |
US11616582B2 (en) | Neural network-based spatial inter-cell interference learning | |
US11412521B1 (en) | Machine learning aided location-based downlink interference assistance information | |
CN115428383B (zh) | 基于频带间参考信号来估计无线电频带的特征 | |
US20240129844A1 (en) | Cross-node deep learning methods of selecting machine learning modules in wireless communication systems | |
CN116601997A (zh) | 用于联邦学习中的空中(ota)模型聚合的梯度数据集感知配置 | |
KR20230066330A (ko) | 인공 뉴럴 네트워크들의 협력 트레이닝을 위한 기지의 데이터의 송신 | |
WO2022076863A1 (en) | User equipment (ue) capability report for machine learning applications | |
US11722921B2 (en) | Secondary cell group selection based on primary frequency band measurements | |
TW202201935A (zh) | 用於無線通道估計和追蹤的神經網路增強 | |
CN117063594A (zh) | 空间小区间干扰感知下行链路协调 | |
EP4302546A1 (en) | Spatial inter-cell interference aware downlink coordination | |
US20230325654A1 (en) | Scalable deep learning design for missing input features | |
US20230297825A1 (en) | Weighted average federated learning based on neural network training loss | |
US12041692B2 (en) | User equipment (UE) capability report for machine learning applications | |
US20220335294A1 (en) | Reporting for machine learning model updates | |
US20230422175A1 (en) | Machine learning (ml)-based dynamic demodulator parameter selection | |
US20230012704A1 (en) | Artificial intelligence-based user equipment (ue) capability band combination prioritization | |
CN118176674A (zh) | 基于机器学习的信道状态信息(csi)报告 | |
EP4327251A1 (en) | Reporting for machine learning model updates | |
CN118235348A (zh) | 基于瓶颈频带的信道状态估计 | |
CN117157647A (zh) | 机器学习模型更新的报告 |
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 |