CN117155805B - 一种基于统计机器学习的设备管理方法及装置 - Google Patents
一种基于统计机器学习的设备管理方法及装置 Download PDFInfo
- Publication number
- CN117155805B CN117155805B CN202311421887.7A CN202311421887A CN117155805B CN 117155805 B CN117155805 B CN 117155805B CN 202311421887 A CN202311421887 A CN 202311421887A CN 117155805 B CN117155805 B CN 117155805B
- Authority
- CN
- China
- Prior art keywords
- group
- terminal
- access network
- terminals
- sub
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims description 53
- 238000010801 machine learning Methods 0.000 title claims description 43
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 230000003993 interaction Effects 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 38
- 238000013461 design Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 12
- 238000013507 mapping Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/24—Cell structures
- H04W16/28—Cell structures using beam steering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
Abstract
本申请提供一种基于统计机器学习的设备管理方法及装置，在该方法中，通过神经网络模型对群组中各个终端统计各自的侧行波束信息进行处理，接入网设备可以在群组的基础上，按波束交互的密切程度，将群组划分为X个子群，其属于同一子群的任意两个终端之间的侧行波束交互密切，而属于不同的子群的任意两个终端之间的侧行波束交互稀疏，如此就可以以子群为粒度给X个子群提供服务，实现在群组场景下，不同设备的服务还能够进一步差异化。
Description
技术领域
本申请涉及数据处理领域，尤其涉及一种基于统计机器学习的设备管理方法及装置。
背景技术
第三代合作伙伴计划（3rd generation partnership project，3GPP）定义了海量机器类通信（massive Machine Type of Communication，mMTC），是第五代（5thgeneration，5G）移动通信系统的典型应用场景之一。在mMTC场景下，同类型或者同业务的设备可以构建群组，该群组在网络侧（如基站）调度下，设备之间可以通过侧行链路，也即，PC5连接进行通信。
然而，随着未来应用场景对差异化服务的要求更高，目前群组的方式可能无法满足未来的应用需求。
发明内容
本申请实施例提供一种基于统计机器学习的设备管理方法及装置，用以实现在群组场景下，不同设备的服务还能够进一步差异化。
为达到上述目的，本申请采用如下技术方案：
第一方面，提供一种基于统计机器学习的设备管理方法，应用于接入网设备，该方法包括：接入网设备请求群组中各个终端统计各自的侧行波束信息；接入网设备通过神经网络模型处理侧行波束信息，将群组划分为X个子群，其中，X为大于1的整数，X个子群中属于同一子群的任意两个终端之间的侧行波束交互密切，X个子群中属于不同的子群的任意两个终端之间的侧行波束交互稀疏；接入网设备以子群为粒度给X个子群提供服务。
一种可能的设计方案，接入网设备请求群组中各个终端统计各自的侧行波束信息，包括：接入网设备向群组中的各个终端分别发送指示信息，其中，指示信息用于指示接收到指示信息的终端上报该终端的侧行波束在预设时间内的使用次数；接入网设备接收群组中每个终端上报的该终端的侧行波束的使用次数；接入网设备根据群组中每个终端的侧行波束的使用次数，确定侧行波束被群组中对应的两个终端使用的次数，其中，侧行波束信息包括侧行波束被群组中对应的两个终端使用的次数。
可选地，群组包括Y个终端，Y为大于1的整数，i遍历1至Y，第i个终端的侧行波束的使用次数包括：第i个终端的Ni个侧行发送波束的使用次数，以及第i个终端的Mi个侧行接收波束的使用次数，Ni和Mi为大于或等于1的整数；侧行波束被群组中对应的两个终端使用的次数为：群组中每两个有通信的终端在通信时使用每个侧行波束对的次数，每个侧行波束对包括一个侧行发送波束和用于接收该侧行发送波束的一个侧行接收波束。
进一步的，接入网设备通过神经网络模型处理侧行波束信息，将群组划分为X个子群，包括：接入网设备将每个侧行波束对的使用次数以及使用该侧行波束对的两个终端的标识作为一个元素输入神经网络模型，得到神经网络模型输出的X个元素集合，其中，X个元素集合中每个元素集合包含至少一个元素，至少一个元素所包含的至少两个终端构成X个子群中对应的一个子群。
一种可能的设计方案，指示信息还用于指示接收到指示信息的终端上报该终端的侧行波束在预设时间内每次被使用时的波束质量，该方法还包括：接入网设备接收群组中每个终端上报的该终端的侧行波束在每次被使用时的波束质量；接入网设备根据群组中每个终端的侧行波束在每次被使用时的波束质量，确定侧行波束被群组中对应的两个终端使用时的波束质量，其中，侧行波束信息还包括侧行波束被群组中对应的两个终端使用时的波束质量。
可选地，第i个终端的侧行波束在每次被使用时的波束质量：第i个终端的Ni个侧行发送波束在每次被使用时各自的波束质量，以及第i个终端的Mi个侧行接收波束在每次被使用时各自的波束质量；侧行波束被群组中对应的两个终端使用时的波束质量为：群组中每两个有通信的终端在通信时每个侧行波束对在被使用时的波束质量。
进一步的，接入网设备通过神经网络模型处理侧行波束信息，将群组划分为X个子群，包括：接入网设备将每个侧行波束对的使用次数、每个侧行波束对在被使用时的波束质量，及使用该侧行波束对的两个终端的标识作为一个元素输入神经网络模型，得到神经网络模型输出的X个元素集合，其中，X个元素集合中每个元素集合包含至少一个元素，至少一个元素所包含的至少两个终端构成X个子群中对应的一个子群。
一种可能的设计方案，接入网设备以子群为粒度给X个子群提供服务，包括：接入网设备为X个子群中的每个子群对应的分配虚拟终端标识，其中，每个子群的虚拟终端标识用于标识该子群中的所有终端；接入网设备根据每个子群的虚拟终端标识，请求会话管理网元为该子群创建会话，其中，会话管理网元为每个子群创建的会话被该子群中的所有终端共享。
一种可能的设计方案，该方法还包括：接入网设备通过对群组中每个终端的数据无线承载进行监测，确定群组中有超过预设数目的终端的数据无线承载处于拥塞状态；相应的，接入网设备请求群组中各个终端统计各自的侧行波束信息，包括：接入网设备响应于群组中有超过预设数目的终端的数据无线承载处于拥塞状态，请求群组中各个终端统计各自的侧行波束信息。
第二方面，提供一种基于统计机器学习的设备管理装置，该装置应用于接入网设备，该装置被配置为：接入网设备请求群组中各个终端统计各自的侧行波束信息；接入网设备通过神经网络模型处理侧行波束信息，将群组划分为X个子群，其中，X为大于1的整数，X个子群中属于同一子群的任意两个终端之间的侧行波束交互密切，X个子群中属于不同的子群的任意两个终端之间的侧行波束交互稀疏；接入网设备以子群为粒度给X个子群提供服务。
一种可能的设计方案，该装置被配置为：接入网设备向群组中的各个终端分别发送指示信息，其中，指示信息用于指示接收到指示信息的终端上报该终端的侧行波束在预设时间内的使用次数；接入网设备接收群组中每个终端上报的该终端的侧行波束的使用次数；接入网设备根据群组中每个终端的侧行波束的使用次数，确定侧行波束被群组中对应的两个终端使用的次数，其中，侧行波束信息包括侧行波束被群组中对应的两个终端使用的次数。
可选地，群组包括Y个终端，Y为大于1的整数，i遍历1至Y，第i个终端的侧行波束的使用次数包括：第i个终端的Ni个侧行发送波束的使用次数，以及第i个终端的Mi个侧行接收波束的使用次数，Ni和Mi为大于或等于1的整数；侧行波束被群组中对应的两个终端使用的次数为：群组中每两个有通信的终端在通信时使用每个侧行波束对的次数，每个侧行波束对包括一个侧行发送波束和用于接收该侧行发送波束的一个侧行接收波束。
进一步的，该装置被配置为：接入网设备将每个侧行波束对的使用次数以及使用该侧行波束对的两个终端的标识作为一个元素输入神经网络模型，得到神经网络模型输出的X个元素集合，其中，X个元素集合中每个元素集合包含至少一个元素，至少一个元素所包含的至少两个终端构成X个子群中对应的一个子群。
一种可能的设计方案，指示信息还用于指示接收到指示信息的终端上报该终端的侧行波束在预设时间内每次被使用时的波束质量，该装置被配置为：接入网设备接收群组中每个终端上报的该终端的侧行波束在每次被使用时的波束质量；接入网设备根据群组中每个终端的侧行波束在每次被使用时的波束质量，确定侧行波束被群组中对应的两个终端使用时的波束质量，其中，侧行波束信息还包括侧行波束被群组中对应的两个终端使用时的波束质量。
可选地，第i个终端的侧行波束在每次被使用时的波束质量：第i个终端的Ni个侧行发送波束在每次被使用时各自的波束质量，以及第i个终端的Mi个侧行接收波束在每次被使用时各自的波束质量；侧行波束被群组中对应的两个终端使用时的波束质量为：群组中每两个有通信的终端在通信时每个侧行波束对在被使用时的波束质量。
进一步的，该装置被配置为：接入网设备将每个侧行波束对的使用次数、每个侧行波束对在被使用时的波束质量，及使用该侧行波束对的两个终端的标识作为一个元素输入神经网络模型，得到神经网络模型输出的X个元素集合，其中，X个元素集合中每个元素集合包含至少一个元素，至少一个元素所包含的至少两个终端构成X个子群中对应的一个子群。
一种可能的设计方案，该装置被配置为：接入网设备为X个子群中的每个子群对应的分配虚拟终端标识，其中，每个子群的虚拟终端标识用于标识该子群中的所有终端；接入网设备根据每个子群的虚拟终端标识，请求会话管理网元为该子群创建会话，其中，会话管理网元为每个子群创建的会话被该子群中的所有终端共享。
一种可能的设计方案，该装置被配置为：接入网设备通过对群组中每个终端的数据无线承载进行监测，确定群组中有超过预设数目的终端的数据无线承载处于拥塞状态；相应的，接入网设备请求群组中各个终端统计各自的侧行波束信息，包括：接入网设备响应于群组中有超过预设数目的终端的数据无线承载处于拥塞状态，请求群组中各个终端统计各自的侧行波束信息。
第三方面，提供一种计算机可读存储介质，包括：计算机程序或指令；当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的方法。
第四方面，提供一种计算机程序产品，包括计算机程序或指令，当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的方法。
综上，上述方法及装置具有如下技术效果：
通过神经网络模型对群组中各个终端统计各自的侧行波束信息进行处理，接入网设备可以在群组的基础上，按波束交互的密切程度，将群组划分为X个子群，其属于同一子群的任意两个终端之间的侧行波束交互密切，而属于不同的子群的任意两个终端之间的侧行波束交互稀疏，如此就可以以子群为粒度给X个子群提供服务，实现在群组场景下，不同设备的服务还能够进一步差异化。
附图说明
图1为本申请实施例提供的通信系统的架构示意图；
图2为本申请实施例提供的基于统计机器学习的设备管理方法的流程示意图；
图3为本申请实施例提供的基于统计机器学习的设备管理装置的结构示意图。
具体实施方式
方便理解，下面先介绍本申请实施例所涉及的技术术语。
1、机器学习：
机器学习主要为监督学习。
监督学习是依据已采集到的样本值和样本标签，利用机器学习算法学习样本值到样本标签的映射关系，并用机器学习模型来表达学到的映射关系。训练机器学习模型的过程就是学习这种映射关系的过程。如信号检测中，含噪声的接收信号即为样本，该信号对应的真实星座点即为标签，机器学习期望通过训练学到样本与标签之间的映射关系，即，使机器学习模型学到一种信号检测器。在训练时，通过计算模型的预测值与真实标签的误差来优化模型参数。一旦映射关系学习完成，就可以利用学到的映射关系来预测每一个新的样本标签。监督学习学到的映射关系可以包括线性映射、非线性映射。根据标签的类型可将学习的任务分为分类任务和回归任务。
深度神经网络模型（deep neural network，DNN）是机器学习的一种具体实现形式。根据通用近似定理，神经网络模型理论上可以逼近任意连续函数，从而使得神经网络模型具备学习任意映射关系的能力。传统通信系统需要借助丰富的专家知识来设计通信模块，而基于DNN的深度学习通信系统可以从大量的数据集中自动发现隐含的模式结构，建立数据之间的映射关系，获得优于传统建模方法的性能。
DNN的思想来源于大脑组织的神经元结构。每个神经元都对其输入值做加权求和运算，并将加权求和结果通过一个非线性函数产生输出。DNN一般具有多层结构，DNN的每一层都可以包含多个神经元，DNN的输入层将接收到的数值经过神经元处理后，传递给中间的隐藏层。DNN一般具有多于一个的隐藏层，隐藏层往往直接影响提取信息和拟合函数的能力。增加DNN的隐藏层数或扩大每一层的宽度都可以提高DNN的函数拟合能力。之后，DNN的隐藏层将接收到的数值经过神经元处理后，再将计算结果传递给最后的输出层，以产生DNN的最后输出。
根据网络的构建方式，DNN可分为前馈神经网络模型（feed forward neuralnetwork，FNN）、卷积神经网络模型（convolutional neural networks，CNN）和递归神经网络模型 （recurrent neural network，RNN）。
FNN网络的特点为相邻层的神经元之间两两完全相连，这使得FNN通常需要大量的存储空间、导致较高的计算复杂度。
CNN是一种专门来处理具有类似网格结构的数据的神经网络模型。例如，时间序列数据（时间轴离散采样）和图像数据（二维离散采样）都可以认为是类似网格结构的数据。CNN并不一次性利用全部的输入信息做运算，而是采用一个固定大小的窗截取部分信息做卷积运算，这就大大降低了模型参数的计算量。另外根据窗截取的信息类型的不同（如同一副图中的人和物为不同类型信息），每个窗可以采用不同的卷积核运算，这使得CNN能更好的提取输入数据的特征。
RNN是一类利用反馈时间序列信息的DNN网络。它的输入包括当前时刻的新的输入值和自身在前一时刻的输出值。RNN适合获取在时间上具有相关性的序列特征，特别适用于语音识别、信道编译码等应用。
上述FNN、CNN、RNN为常见的神经网络模型结构，这些网络结构都是以神经元为基础而构造的。实际上，还可以有其他类型或结构的神经网络模型，本申请实施例不再一一赘述。此外，本申请实施例提到的神经网络模型也可以替换为其他任何可能的表述，如神经网络模型、网络模型、AI模型、AI网络模型等，对此不做限制。
2、波束：
随着第五代（5th generation，5G）移动通信系统的发展，使用的频谱逐渐向高频段演进。由于物理传输特性，高频段的自由空间传输损耗和穿透损耗会显著高于低频段。为了弥补上述弊端，网络设备或终端的发射机或接收机通过天线阵列把能量集中在一个较窄的范围内，形成具有指向性的特殊的发送或接收效果，也即波束，其类似于手电筒将光收敛到一个方向形成的光束。通过波束的形式进行信号的发送和接收能够有效对抗损耗造成的信号衰减，有效提升信号的传输据距离，从而可以有效地提升网络覆盖，提升用户体验速率。
波束可以是宽波束、窄波束或者其他类型波束。其中，如图1所示，宽波束是指将有限的传输能量汇聚在一个较宽的方向，以兼顾波束的传输距离和覆盖宽度。窄波束是指把有限的传输能量汇聚在一个较窄的方向，以进一步提高波束的传输距离。形成波束的技术可以是波束赋形技术或者其他技术。波束赋形技术具体可以为数字波束赋形技术、模拟波束赋形技术或者混合数字/模拟波束赋形技术等。
波束一般和资源对应。例如，进行波束测量时，网络设备通过不同的资源来测量不同的波束，终端反馈测得的资源质量，网络设备可以知道对应的波束的质量。在数据传输时，波束也可以通过其对应的资源指示。例如，网络设备通过下行控制信息（downlinkcontrol information，DCI）中的传输配置编号（transmission configuration index，TCI）字段指示一个传输配置指示-状态（state），终端根据该TCI-状态中包含的参考资源来确定该参考资源对应的波束。
在通信协议中，波束可以具体表征为数字波束，模拟波束，空域滤波器（spatialdomain filter），空间滤波器（spatial filter），空间参数（spatial parameter），TCI，TCI-状态等。用于发送信号的波束可以称为发送波束（transmission beam，或Tx beam），空域发送滤波器（spatial domain transmission filter），空间发送滤波器（spatialtransmission filter），空域发送参数（spatial domain transmission parameter），空间发射参数（spatial transmission parameter）等。用于接收信号的波束可以称为接收波束（reception beam，或Rx beam），空域接收滤波器（spatial domain reception filter），空间接收滤波器（spatial reception filter），空域接收参数（spatial domain receptionparameter），空间接收参数（spatial reception parameter）等。
可以理解，本申请实施例统一采用波束进行表述，但波束可以替换理解为其他等同的概念，且不限于上述提到的概念。例如，终端之间通信所使用的波束也可以称为侧行波束，如侧行发送波束和侧行接收波束。
3、资源：
在通信协议中，参考信号是以资源的形式进行配置的。网络设备会将各个参考信号以资源的形式配置给终端，一个资源即为一个配置信息单元，通常包括一个参考信号相关的参数，如参考信号的时频资源位置，端口数，时域类型（周期性/半静态/非周期）等等。
资源可以是上行信号资源，也可以是下行信号资源。上行信号包括但不限于探测参考信号（sounding reference signal，SRS），解调参考信号（demodulation referencesignal，DMRS）。下行信号可以包括但不限于：信道状态信息参考信号（channel stateinformation reference signal，CSI-RS）、小区专用参考信号（cell specific referencesignal，CS-RS）、UE专用参考信号（user equipment specific reference signal，US-RS）、解调参考信号（demodulation reference signal，DMRS）、以及同步信号/物理广播信道块（synchronization system/physical broadcast channel block，SS/PBCH block）。SS/PBCH block可以简称为同步信号块（synchronization signal block，SSB）。
资源可以通过无线资源控制（radio resource control，RRC）消息配置。在配置结构上，一个资源是一个数据结构，包括其对应的上行/下行信号的相关参数。例如，上行/下行信号的类型、承载上行/下行信号的资源粒、上行/下行信号的发送时间和周期、发送上行/下行信号所采用的端口数等。每一个上行/下行信号的资源具有唯一的标识，以标识该下行信号的资源。可以理解的是，资源的标识也可以称为资源的标识，本申请实施例对此不作任何限制。
下面将结合附图，对本申请中的技术方案进行描述。
本申请实施例的技术方案可以应用于各种通信系统，例如无线网络（Wi-Fi）系统，车到任意物体（vehicle to everything，V2X）通信系统、设备间（device-todevie，D2D）通信系统、车联网通信系统、第四代（4th generation，4G）移动通信系统，如长期演进（longterm evolution，LTE）系统、全球互联微波接入（worldwide interoperability formicrowave access，WiMAX）通信系统、第五代（5th generation，5G），如NR系统，以及未来的通信系统等。
本申请将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是，各个系统可以包括另外的设备、组件、模块等，并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外，还可以使用这些方案的组合。
另外，在本申请实施例中，“示例的”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。
本申请实施例中，“信息（information）”，“信号（signal）”，“消息（message）”，“信道（channel）”、“信令（singaling）”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是匹配的。“的（of）”，“相应的（corresponding，relevant）”和“对应的（corresponding）”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是匹配的。此外，本申请提到的“/”可以用于表示“或”的关系。
本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
为便于理解本申请实施例，首先以图1中示出的通信系统为例详细说明适用于本申请实施例的通信系统。示例性的，图1为本申请实施例提供的基于统计机器学习的设备管理方法所适用的一种通信系统的架构示意图。
该通信系统包括：终端和接入网设备。
上述终端可以为具有收发功能的终端，或为可设置于该终端的芯片或芯片系统。该终端也可以称为用户装置（uesr equipment，UE）、接入终端、用户单元（subscriberunit）、用户站、移动站（mobile station，MS）、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请的实施例中的终端可以是手机（mobile phone）、蜂窝电话（cellular phone）、智能电话（smart phone）、平板电脑（Pad）、无线数据卡、个人数字助理电脑（personal digital assistant，PDA）、无线调制解调器（modem）、手持设备（handset）、膝上型电脑（laptop computer）、机器类型通信（machinetype communication，MTC）终端、带无线收发功能的电脑、虚拟现实（virtual reality，VR）终端、增强现实（augmented reality，AR）终端、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、车载终端、具有终端功能的路边单元（road side unit，RSU）等。本申请的终端还可以是作为一个或多个部件或者单元而内置于车辆的车载模块、车载模组、车载部件、车载芯片或者车载单元。
接入网（access network，AN）设备，或可以称为无线接入网设备（radio accessnetwork，RAN）设备。RAN设备可以为终端提供接入功能，负责空口侧的无线资源管理、服务质量（quality of service，QoS）管理、数据压缩和加密等功能。RAN设备可以包括5G，如NR系统中的gNB，或，5G中的基站的一个或一组（包括多个天线面板）天线面板，或者，还可以为构成gNB、传输点（transmission and reception point，TRP或者transmission point，TP）或传输测量功能（transmission measurement function，TMF）的网络节点，如基带单元（building base band unit，BBU），或，集中单元（centralized unit，CU）或分布单元（distributed unit，DU）、具有基站功能的RSU，或者有线接入网关，或者5G的核心网网元。或者，RAN设备还可以包括无线保真（wireless fidelity，WiFi）系统中的接入点（accesspoint，AP），无线中继节点、无线回传节点、各种形式的宏基站、微基站（也称为小站）、中继站、接入点、可穿戴设备、车载设备等等。或者，RAN设备可以也可以包括下一代移动通信系统，例如6G的接入网设备，例如6G基站，或者在下一代移动通信系统中，该网络设备也可以有其他命名方式，其均涵盖在本申请实施例的保护范围以内，本申请对此不做任何限定。
下面将通过方法实施例具体介绍上述通信系统中各网元/设备之间的交互流程。本申请实施例提供的基于统计机器学习的设备管理方法可以适用于上述通信系统，并具体应用到上述通信系统中提到的各种场景，下面具体介绍。
本申请实施例提供的基于统计机器学习的设备管理方法可以适用到上述通信系统，用以实现终端与网络设备之间的交互。如图2所示，该基于统计机器学习的设备管理方法的流程如下：
S201，接入网设备请求群组中各个终端统计各自的侧行波束信息。
接入网设备可以向群组中的各个终端分别发送指示信息（如单播或者广播指示信息）。其中，指示信息可以用于指示接收到指示信息的终端上报该终端的侧行波束在预设时间内的使用次数。如此，接入网设备可以接收群组中每个终端上报的该终端的侧行波束的使用次数，从而根据群组中每个终端的侧行波束的使用次数，确定侧行波束被群组中对应的两个终端使用的次数，也即，侧行波束信息，或者说，侧行波束信息包括侧行波束被群组中对应的两个终端使用的次数。
可选地，群组包括Y个终端，Y为大于1的整数，i遍历1至Y，第i个终端的侧行波束的使用次数包括：第i个终端的Ni个侧行发送波束的使用次数，以及第i个终端的Mi个侧行接收波束的使用次数，Ni和Mi为大于或等于1的整数。侧行波束被群组中对应的两个终端使用的次数为：群组中每两个有通信的终端在通信时使用每个侧行波束对的次数，每个侧行波束对包括一个侧行发送波束和用于接收该侧行发送波束的一个侧行接收波束。
例如，针对群组中的终端#1、终端#2和终端#3，终端#1上报其使用侧行发送波束#1的次数为5次，终端#2上报其使用侧行接收波束#1接收侧行发送波束#1的次数为3次，终端#3上报其使用侧行接收波束#2接收侧行发送波束#1的次数为2次。那么，接入网设备可以统计得到侧行波束对#1（即包括侧行发送波束#1和侧行接收波束#1）被相互之间有通信的终端#1和终端#2使用的次数为3次，以及侧行波束对#2（即包括侧行发送波束#1和侧行接收波束#2）被相互之间有通信的终端#1和终端#3使用的次数为2次。
可以理解，终端#1使用什么波束发送时，终端#2需要使用什么波束接收，可以是终端#1与终端#2通过波束管理流程确定的。例如，终端#1可以通过波束管理流程（即使用各个侧行发送波束一一对应的发送参考信号，并接收终端#2反馈其接收到各个参考信号时的信号质量），确定对于终端#2，终端#1的最佳侧行发送波束（也即，参考信号质量最好的波束）为侧行发送波束#1。同理，终端#2可以通过波束管理流程（即使用各个侧行接收波束接收来自终端#2的参考信号），确定对于终端#1，终端#2的最佳侧行接收波束（也即，参考信号质量最好的波束束）为侧行接收波束#1。终端#1还可以将对于终端#2而言的最佳侧行发送波束，即侧行发送波束#1的标识告知给终端#2，用以终端#2在上报时可以将侧行发送波束#1与侧行接收波束#1的使用次数一起关联上报。
同理，终端#1使用什么波束发送时，终端#3需要使用什么波束接收，可以是终端#1与终端#3通过波束管理流程确定的。类似的，终端#1还可以将对于终端#3而言的最佳侧行发送波束，即侧行发送波束#1的标识告知给终端#3，用以终端#3在上报时可以将侧行发送波束#1与侧行接收波束#2的使用次数一起关联上报。
在此基础上，指示信息还可以用于指示接收到指示信息的终端上报该终端的侧行波束在预设时间内每次被使用时的波束质量。如此，接入网设备还可以接收群组中每个终端上报的该终端的侧行波束在每次被使用时的波束质量。接入网设备根据群组中每个终端的侧行波束在每次被使用时的波束质量，确定侧行波束被群组中对应的两个终端使用时的波束质量。如此，侧行波束信息还可以包括侧行波束被群组中对应的两个终端使用时的波束质量。
可选地，第i个终端的侧行波束在每次被使用时的波束质量：第i个终端的Ni个侧行发送波束在每次被使用时各自的波束质量，以及第i个终端的Mi个侧行接收波束在每次被使用时各自的波束质量；侧行波束被群组中对应的两个终端使用时的波束质量为：群组中每两个有通信的终端在通信时每个侧行波束对在被使用时的波束质量。
例如，也对于群组中的终端#1、终端#2和终端#3而言，终端#1还上报其5次使用侧行发送波束#1时每次的波束质量（如波束的发射功率），终端#2还上报其3次使用侧行接收波束#1接收侧行发送波束#1时每次的波束质量（如波束的发射功率），终端#3还上报其2次使用侧行接收波束#2接收侧行发送波束#1时每次的波束质量（如波束的发射功率）。那么，接入网设备可以统计得到侧行波束对#1被相互之间有通信的终端#1和终端#2使用的波束质量，如每次的发射功率与接收功率的加权求和值。同理，接入网设备可以统计得到侧行波束对#2被相互之间有通信的终端#1和终端#3使用的波束质量，如每次的发射功率与接收功率的加权求和值。
S202，接入网设备通过神经网络模型处理侧行波束信息，将群组划分为X个子群。
其中，X为大于1的整数，X个子群中属于同一子群的任意两个终端之间的侧行波束交互密切（也即，这两个终端通信所使用的侧行波束对的使用次数比较多），X个子群中属于不同的子群的任意两个终端之间的侧行波束交互稀疏（也即，这两个终端通信所使用的侧行波束对的使用次数比较少）。
由于本申请需要处理的是数据结构，因此神经网络模型可以是上述的FNN或RNN，具体采用FNN还是RNN，不做限制。
一种可能的方式，接入网设备可以将每个侧行波束对的使用次数以及使用该侧行波束对的两个终端的标识作为一个元素输入神经网络模型，得到神经网络模型输出的X个元素集合。其中 X个元素集合中每个元素集合包含至少一个元素，至少一个元素所包含的至少两个终端构成X个子群中对应的一个子群。
或者，另一种可能的方式，接入网设备可以将每个侧行波束对的使用次数、每个侧行波束对在被使用时的波束质量，及使用该侧行波束对的两个终端的标识作为一个元素输入神经网络模型，得到神经网络模型输出的X个元素集合。其中，X个元素集合中每个元素集合包含至少一个元素，至少一个元素所包含的至少两个终端构成X个子群中对应的一个子群。
可以理解，神经网络模型的输入数据大小可以根据本申请实施例的情况进行选择。例如，一个元素为10个比特的数据，接入网设备实际得到10个元素，那么神经网络模型输入数据大小可以设置为大于100个比特的数据，此时，实际输入的数据为100个比特，将超过100的比特则以填充0。
S203，接入网设备以子群为粒度给X个子群提供服务。
一种可能的设计方案，接入网设备可以为X个子群中的每个子群对应的分配虚拟终端标识，其中，每个子群的虚拟终端标识用于标识该子群中的所有终端。接入网设备根据每个子群的虚拟终端标识，请求会话管理网元为该子群创建会话。其中，会话管理网元为每个子群创建的会话被该子群中的所有终端共享。也就是说，对于核心网而言，其认为虚拟终端标识就是一个终端，并为该终端创建会话。这样，每个子群都可以拥有一个会话，给子群内的所有终端共享使用，使得子群内的终端感受到的服务体验更好。
一种可能的设计方案，该方法还包括：接入网设备通过对群组中每个终端的数据无线承载进行监测，确定群组中有超过预设数目的终端的数据无线承载（DRB）处于拥塞状态。相应的，对于S201而言：接入网设备响应于群组中有超过预设数目的终端的数据无线承载处于拥塞状态，请求群组中各个终端统计各自的侧行波束信息。
可以理解，DRB是否处于拥塞状态可以由接入网设备根据本地策略自行确定，本申请实施例对此不做限定。
综上，通过神经网络模型对群组中各个终端统计各自的侧行波束信息进行处理，接入网设备可以在群组的基础上，按波束交互的密切程度，将群组划分为X个子群，其属于同一子群的任意两个终端之间的侧行波束交互密切，而属于不同的子群的任意两个终端之间的侧行波束交互稀疏，如此就可以以子群为粒度给X个子群提供服务，实现在群组场景下，不同设备的服务还能够进一步差异化。
以上结合图2详细说明了本申请实施例提供的基于统计机器学习的设备管理方法。以下详细说明用于执行本申请实施例提供的基于统计机器学习的设备管理方法的基于统计机器学习的设备管理装置。
该装置被配置为：接入网设备请求群组中各个终端统计各自的侧行波束信息；接入网设备通过神经网络模型处理侧行波束信息，将群组划分为X个子群，其中，X为大于1的整数，X个子群中属于同一子群的任意两个终端之间的侧行波束交互密切，X个子群中属于不同的子群的任意两个终端之间的侧行波束交互稀疏；接入网设备以子群为粒度给X个子群提供服务。
一种可能的设计方案，该装置被配置为：接入网设备向群组中的各个终端分别发送指示信息，其中，指示信息用于指示接收到指示信息的终端上报该终端的侧行波束在预设时间内的使用次数；接入网设备接收群组中每个终端上报的该终端的侧行波束的使用次数；接入网设备根据群组中每个终端的侧行波束的使用次数，确定侧行波束被群组中对应的两个终端使用的次数，其中，侧行波束信息包括侧行波束被群组中对应的两个终端使用的次数。
可选地，群组包括Y个终端，Y为大于1的整数，i遍历1至Y，第i个终端的侧行波束的使用次数包括：第i个终端的Ni个侧行发送波束的使用次数，以及第i个终端的Mi个侧行接收波束的使用次数，Ni和Mi为大于或等于1的整数；侧行波束被群组中对应的两个终端使用的次数为：群组中每两个有通信的终端在通信时使用每个侧行波束对的次数，每个侧行波束对包括一个侧行发送波束和用于接收该侧行发送波束的一个侧行接收波束。
进一步的，该装置被配置为：接入网设备将每个侧行波束对的使用次数以及使用该侧行波束对的两个终端的标识作为一个元素输入神经网络模型，得到神经网络模型输出的X个元素集合，其中，X个元素集合中每个元素集合包含至少一个元素，至少一个元素所包含的至少两个终端构成X个子群中对应的一个子群。
一种可能的设计方案，指示信息还用于指示接收到指示信息的终端上报该终端的侧行波束在预设时间内每次被使用时的波束质量，该装置被配置为：接入网设备接收群组中每个终端上报的该终端的侧行波束在每次被使用时的波束质量；接入网设备根据群组中每个终端的侧行波束在每次被使用时的波束质量，确定侧行波束被群组中对应的两个终端使用时的波束质量，其中，侧行波束信息还包括侧行波束被群组中对应的两个终端使用时的波束质量。
可选地，第i个终端的侧行波束在每次被使用时的波束质量：第i个终端的Ni个侧行发送波束在每次被使用时各自的波束质量，以及第i个终端的Mi个侧行接收波束在每次被使用时各自的波束质量；侧行波束被群组中对应的两个终端使用时的波束质量为：群组中每两个有通信的终端在通信时每个侧行波束对在被使用时的波束质量。
进一步的，该装置被配置为：接入网设备将每个侧行波束对的使用次数、每个侧行波束对在被使用时的波束质量，及使用该侧行波束对的两个终端的标识作为一个元素输入神经网络模型，得到神经网络模型输出的X个元素集合，其中，X个元素集合中每个元素集合包含至少一个元素，至少一个元素所包含的至少两个终端构成X个子群中对应的一个子群。
一种可能的设计方案，该装置被配置为：接入网设备为X个子群中的每个子群对应的分配虚拟终端标识，其中，每个子群的虚拟终端标识用于标识该子群中的所有终端；接入网设备根据每个子群的虚拟终端标识，请求会话管理网元为该子群创建会话，其中，会话管理网元为每个子群创建的会话被该子群中的所有终端共享。
一种可能的设计方案，该装置被配置为：接入网设备通过对群组中每个终端的数据无线承载进行监测，确定群组中有超过预设数目的终端的数据无线承载处于拥塞状态；相应的，接入网设备请求群组中各个终端统计各自的侧行波束信息，包括：接入网设备响应于群组中有超过预设数目的终端的数据无线承载处于拥塞状态，请求群组中各个终端统计各自的侧行波束信息。
图3为本申请实施例提供的基于统计机器学习的设备管理装置的结构示意图。示例性地，该基于统计机器学习的设备管理装置可以是终端，也可以是可设置于终端的芯片（系统）或其他部件或组件。如图3所示，基于统计机器学习的设备管理装置700可以包括处理器701。可选地，基于统计机器学习的设备管理装置700还可以包括存储器702和/或收发器703。其中，处理器701与存储器702和收发器703耦合，如可以通过通信总线连接。
下面结合图3对基于统计机器学习的设备管理装置700的各个构成部件进行具体的介绍：
其中，处理器701是基于统计机器学习的设备管理装置700的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器701是一个或多个中央处理器（central processing unit，CPU），也可以是特定集成电路（application specificintegrated circuit，ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器（digital signal processor，DSP），或，一个或者多个现场可编程门阵列（field programmable gate array，FPGA）。
可选地，处理器701可以通过运行或执行存储在存储器702内的软件程序，以及调用存储在存储器702内的数据，执行基于统计机器学习的设备管理装置700的各种功能，例如执行上述图2所示的基于统计机器学习的设备管理方法。
在具体的实现中，作为一种实施例，处理器701可以包括一个或多个CPU，例如图3中所示出的CPU0和CPU1。
在具体实现中，作为一种实施例，基于统计机器学习的设备管理装置700也可以包括多个处理器。这些处理器中的每一个可以是一个单核处理器（single-CPU），也可以是一个多核处理器（multi-CPU）。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据（例如计算机程序指令）的处理核。
其中，所述存储器702用于存储执行本申请方案的软件程序，并由处理器701来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
可选地，存储器702可以是只读存储器（read-only memory，ROM）或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器（random access memory，RAM）或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器（electrically erasable programmable read-only memory，EEPROM）、只读光盘（compactdisc read-only memory，CD-ROM）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者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。存储器702可以和处理器701集成在一起，也可以独立存在，并通过基于统计机器学习的设备管理装置700的接口电路（图3中未示出）与处理器701耦合，本申请实施例对此不作具体限定。
收发器703，用于与其他基于统计机器学习的设备管理装置之间的通信。例如，基于统计机器学习的设备管理装置700为终端，收发器703可以用于与网络设备通信，或者与另一个终端设备通信。又例如，基于统计机器学习的设备管理装置700为网络设备，收发器703可以用于与终端通信，或者与另一个网络设备通信。
可选地，收发器703可以包括接收器和发送器（图3中未单独示出）。其中，接收器用于实现接收功能，发送器用于实现发送功能。
可选地，收发器703可以和处理器701集成在一起，也可以独立存在，并通过基于统计机器学习的设备管理装置700的接口电路（图3中未示出）与处理器701耦合，本申请实施例对此不作具体限定。
可以理解的是，图3中示出的基于统计机器学习的设备管理装置700的结构并不构成对该基于统计机器学习的设备管理装置的限定，实际的基于统计机器学习的设备管理装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
此外，基于统计机器学习的设备管理装置700的技术效果可以参考上述方法实施例所述的方法的技术效果，此处不再赘述。
应理解，在本申请实施例中的处理器可以是中央处理单元（central processingunit，CPU），该处理器还可以是其他通用处理器、数字信号处理器（digital signalprocessor，DSP）、专用集成电路（application specific integrated circuit，ASIC）、现成可编程门阵列（field programmable gate array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（random accessmemory，RAM）可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）。
上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例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或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、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能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、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，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于统计机器学习的设备管理方法，其特征在于，应用于接入网设备，所述方法包括：
所述接入网设备请求群组中各个终端统计各自的侧行波束信息；
所述接入网设备通过神经网络模型处理所述侧行波束信息，将所述群组划分为X个子群，其中，X为大于1的整数，所述X个子群中属于同一子群的任意两个终端之间的侧行波束交互密切，所述X个子群中属于不同的子群的任意两个终端之间的侧行波束交互稀疏；
所述接入网设备以子群为粒度给所述X个子群提供服务；
其中，所述接入网设备以子群为粒度给所述X个子群提供服务，包括：
所述接入网设备为所述X个子群中的每个子群对应的分配虚拟终端标识，其中，每个子群的虚拟终端标识用于标识该子群中的所有终端；
所述接入网设备根据每个子群的虚拟终端标识，请求会话管理网元为该子群创建会话，其中，所述会话管理网元为每个子群创建的会话被该子群中的所有终端共享。
2.根据权利要求1所述的方法，其特征在于，所述接入网设备请求群组中各个终端统计各自的侧行波束信息，包括：
所述接入网设备向所述群组中的各个终端分别发送指示信息，其中，所述指示信息用于指示接收到所述指示信息的终端上报该终端的侧行波束在预设时间内的使用次数；
所述接入网设备接收所述群组中每个终端上报的该终端的侧行波束的使用次数；
所述接入网设备根据所述群组中每个终端的侧行波束的使用次数，确定侧行波束被所述群组中对应的两个终端使用的次数，其中，所述侧行波束信息包括所述侧行波束被所述群组中对应的两个终端使用的次数。
3.根据权利要求2所述的方法，其特征在于，所述群组包括Y个终端，Y为大于1的整数，i遍历1至Y，第i个终端的侧行波束的使用次数包括：
所述第i个终端的Ni个侧行发送波束的使用次数，以及所述第i个终端的Mi个侧行接收波束的使用次数，Ni和Mi为大于或等于1的整数；
所述侧行波束被所述群组中对应的两个终端使用的次数包括：所述群组中两个有通信的终端在通信时使用每个侧行波束对的次数，每个侧行波束对包括一个侧行发送波束和用于接收该侧行发送波束的一个侧行接收波束。
4.根据权利要求3所述的方法，其特征在于，所述接入网设备通过神经网络模型处理所述侧行波束信息，将所述群组划分为X个子群，包括：
所述接入网设备将每个侧行波束对的使用次数以及使用该侧行波束对的两个终端的标识作为一个元素输入所述神经网络模型，得到基于所述神经网络模型输出的X个元素集合，其中，所述X个元素集合中每个元素集合包含至少一个元素，所述包含至少一个元素的至少两个终端构成所述X个子群中的一个子群。
5.根据权利要求3所述的方法，其特征在于，所述指示信息还用于指示接收到所述指示信息的终端上报该终端的侧行波束在预设时间内每次被使用时的波束质量，所述方法还包括：
所述接入网设备接收所述群组中每个终端上报的该终端的侧行波束在每次被使用时的波束质量；
所述接入网设备根据所述群组中每个终端的侧行波束在每次被使用时的波束质量，确定侧行波束被所述群组中对应的两个终端使用时的波束质量，其中，所述侧行波束信息还包括所述侧行波束被所述群组中对应的两个终端使用时的波束质量。
6.根据权利要求5所述的方法，其特征在于，所述第i个终端的侧行波束在每次被使用时的波束质量：所述第i个终端的Ni个侧行发送波束在每次被使用时各自的波束质量，以及所述第i个终端的Mi个侧行接收波束在每次被使用时各自的波束质量；所述侧行波束被所述群组中对应的两个终端使用时的波束质量为：所述群组中每两个有通信的终端在通信时每个侧行波束对在被使用时的波束质量。
7.根据权利要求6所述的方法，其特征在于，所述接入网设备通过神经网络模型处理所述侧行波束信息，将所述群组划分为X个子群，包括：
所述接入网设备将每个侧行波束对的使用次数、每个侧行波束对在被使用时的波束质量，及使用该侧行波束对的两个终端的标识作为一个元素输入所述神经网络模型，得到所述神经网络模型输出的X个元素集合，其中，所述X个元素集合中每个元素集合包含至少一个元素，所述包含至少一个元素的至少两个终端构成所述X个子群中的一个子群。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
所述接入网设备通过对所述群组中每个终端的数据无线承载进行监测，确定所述群组中有超过预设数目的终端的数据无线承载处于拥塞状态；
相应的，所述接入网设备请求群组中各个终端统计各自的侧行波束信息，包括：
所述接入网设备响应于所述群组中有超过预设数目的终端的数据无线承载处于拥塞状态，请求所述群组中各个终端统计各自的侧行波束信息。
9.一种基于统计机器学习的设备管理装置，其特征在于，所述装置应用于接入网设备，所述装置被配置为：
所述接入网设备请求群组中各个终端统计各自的侧行波束信息；
所述接入网设备通过神经网络模型处理所述侧行波束信息，将所述群组划分为X个子群，其中，X为大于1的整数，所述X个子群中属于同一子群的任意两个终端之间的侧行波束交互密切，所述X个子群中属于不同的子群的任意两个终端之间的侧行波束交互稀疏；
所述接入网设备以子群为粒度给所述X个子群提供服务；
其中，所述接入网设备以子群为粒度给所述X个子群提供服务，包括：
所述接入网设备为所述X个子群中的每个子群对应的分配虚拟终端标识，其中，每个子群的虚拟终端标识用于标识该子群中的所有终端；
所述接入网设备根据每个子群的虚拟终端标识，请求会话管理网元为该子群创建会话，其中，所述会话管理网元为每个子群创建的会话被该子群中的所有终端共享。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311421887.7A CN117155805B (zh) | 2023-10-31 | 2023-10-31 | 一种基于统计机器学习的设备管理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311421887.7A CN117155805B (zh) | 2023-10-31 | 2023-10-31 | 一种基于统计机器学习的设备管理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117155805A CN117155805A (zh) | 2023-12-01 |
| CN117155805B true CN117155805B (zh) | 2024-02-02 |
Family
ID=88910477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311421887.7A Active CN117155805B (zh) | 2023-10-31 | 2023-10-31 | 一种基于统计机器学习的设备管理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117155805B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105009679A (zh) * | 2013-12-25 | 2015-10-28 | 华为技术有限公司 | 一种广播消息的方法及基站、用户设备 |
| CN106470065A (zh) * | 2015-08-14 | 2017-03-01 | 财团法人工业技术研究院 | 发射和接收信道状态信息参考信号的方法及其基站和设备 |
| CN107466461A (zh) * | 2015-03-27 | 2017-12-12 | 瑞典爱立信有限公司 | 用于为信道状态信息参考信号传送选择波束参考信号的系统和方法 |
| CN108882327A (zh) * | 2017-05-15 | 2018-11-23 | 维沃移动通信有限公司 | 波束失败处理方法、辅基站失败处理方法及终端 |
| WO2019000647A1 (en) * | 2017-06-28 | 2019-01-03 | Jrd Communication (Shenzhen) Ltd | METHOD AND APPARATUS FOR BEAM MANAGEMENT |
| CN109246743A (zh) * | 2017-04-28 | 2019-01-18 | 华为技术有限公司 | 一种波束管理方法及终端设备、网络设备 |
| CN111010744A (zh) * | 2018-10-08 | 2020-04-14 | 华为技术有限公司 | 建立会话的方法和装置以及发送报文的方法和装置 |
| CN112956151A (zh) * | 2018-11-02 | 2021-06-11 | 中兴通讯股份有限公司 | 用于上行链路传输的群组特定的资源指示 |
| CN113873424A (zh) * | 2020-06-29 | 2021-12-31 | 华为技术有限公司 | 一种波束管理方法及装置 |
| CN115442906A (zh) * | 2021-06-04 | 2022-12-06 | 中国移动通信集团浙江有限公司 | 资源调度方法、装置、设备及计算机程序产品 |
| CN115474161A (zh) * | 2021-06-11 | 2022-12-13 | 普天信息技术有限公司 | 集群寻呼方法、装置、集群终端、网络设备及存储介质 |
| CN115884105A (zh) * | 2021-09-29 | 2023-03-31 | 华为技术有限公司 | 分组管理方法和通信装置 |
| CN116939512A (zh) * | 2022-03-31 | 2023-10-24 | 华为技术有限公司 | 群组通信的方法、装置和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11159614B2 (en) * | 2019-01-23 | 2021-10-26 | Samsung Electronics Co., Ltd. | Method and apparatus for managing data in a network based on swarm intelligence |
-
2023
- 2023-10-31 CN CN202311421887.7A patent/CN117155805B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105009679A (zh) * | 2013-12-25 | 2015-10-28 | 华为技术有限公司 | 一种广播消息的方法及基站、用户设备 |
| CN107466461A (zh) * | 2015-03-27 | 2017-12-12 | 瑞典爱立信有限公司 | 用于为信道状态信息参考信号传送选择波束参考信号的系统和方法 |
| CN106470065A (zh) * | 2015-08-14 | 2017-03-01 | 财团法人工业技术研究院 | 发射和接收信道状态信息参考信号的方法及其基站和设备 |
| CN109246743A (zh) * | 2017-04-28 | 2019-01-18 | 华为技术有限公司 | 一种波束管理方法及终端设备、网络设备 |
| CN108882327A (zh) * | 2017-05-15 | 2018-11-23 | 维沃移动通信有限公司 | 波束失败处理方法、辅基站失败处理方法及终端 |
| WO2019000647A1 (en) * | 2017-06-28 | 2019-01-03 | Jrd Communication (Shenzhen) Ltd | METHOD AND APPARATUS FOR BEAM MANAGEMENT |
| CN111010744A (zh) * | 2018-10-08 | 2020-04-14 | 华为技术有限公司 | 建立会话的方法和装置以及发送报文的方法和装置 |
| CN112956151A (zh) * | 2018-11-02 | 2021-06-11 | 中兴通讯股份有限公司 | 用于上行链路传输的群组特定的资源指示 |
| CN113873424A (zh) * | 2020-06-29 | 2021-12-31 | 华为技术有限公司 | 一种波束管理方法及装置 |
| CN115442906A (zh) * | 2021-06-04 | 2022-12-06 | 中国移动通信集团浙江有限公司 | 资源调度方法、装置、设备及计算机程序产品 |
| CN115474161A (zh) * | 2021-06-11 | 2022-12-13 | 普天信息技术有限公司 | 集群寻呼方法、装置、集群终端、网络设备及存储介质 |
| CN115884105A (zh) * | 2021-09-29 | 2023-03-31 | 华为技术有限公司 | 分组管理方法和通信装置 |
| CN116939512A (zh) * | 2022-03-31 | 2023-10-24 | 华为技术有限公司 | 群组通信的方法、装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117155805A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117289669B (zh) | 一种基于工业大模型的自动调整式生产线控制系统及方法 | |
| Mollah et al. | Emerging wireless technologies for Internet of Things applications: Opportunities and challenges | |
| US20230342593A1 (en) | Neural network training method and related apparatus | |
| Tarver et al. | Enabling a “use-or-share” framework for pal–gaa sharing in cbrs networks via reinforcement learning | |
| KR102535608B1 (ko) | 전력 제어 방법 및 장치 | |
| CN117311296B (zh) | 基于工业模型的高强度生产线协同优化与能效管理方法 | |
| WO2021134682A1 (zh) | 一种定向测量方法及设备 | |
| CN117155805B (zh) | 一种基于统计机器学习的设备管理方法及装置 | |
| US20230232273A1 (en) | Allocating resources for communication and sensing services | |
| US20230292400A1 (en) | Method and apparatus for handling multicast broadcast service in wireless communication system | |
| Zhang | Energy Harvesting Technologies in Wireless Sensor Networks | |
| CN114868423A (zh) | 侧向链路中间层框架的拥塞控制 | |
| CN116528341B (zh) | 基站的功耗控制方法及装置 | |
| CN116208992B (zh) | 一种运行状态的稳定性评估方法及装置 | |
| WO2022199322A1 (zh) | 一种通信协作方法及装置 | |
| US20240020513A1 (en) | Data processing method and apparatus | |
| CN116567789B (zh) | 基站与终端之间的调度方法及装置 | |
| CN115941563B (zh) | 集成多指挥平台信息的任务监测方法及装置 | |
| WO2024065696A1 (zh) | 无线通信的方法、终端设备和网络设备 | |
| WO2024051789A1 (zh) | 一种波束管理方法 | |
| Bhowmick et al. | Performance of spectrum sensing scheme using double threshold energy detection in the presence of sensor noise | |
| US20230336302A1 (en) | Method for configuring reference signal | |
| US20230353216A1 (en) | Channel data transmission method and apparatus, communication device, and storage medium | |
| WO2023151366A1 (zh) | 一种功率确定方法及设备 | |
| Huang | Energy harvesting sensor node scheduling in wireless sensor networks |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |