CN117479207A - 无线接入网络的ai模型调度方法、装置及相关设备 - Google Patents
无线接入网络的ai模型调度方法、装置及相关设备 Download PDFInfo
- Publication number
- CN117479207A CN117479207A CN202311585797.1A CN202311585797A CN117479207A CN 117479207 A CN117479207 A CN 117479207A CN 202311585797 A CN202311585797 A CN 202311585797A CN 117479207 A CN117479207 A CN 117479207A
- Authority
- CN
- China
- Prior art keywords
- model
- real
- time scene
- network element
- access network
- 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 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 239000013256 coordination polymer Substances 0.000 claims 3
- 238000004891 communication Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000011664 signaling Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 230000009131 signaling function Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
-
- 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
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了一种无线接入网络的AI模型调度方法、装置及相关设备,涉及无线通信技术领域,该方法包括:获取无线接入网络中各个网元的算力信息;根据无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务。本公开能够在无线接入网内部完成AI模型的嵌入和AI功能的实现。
Description
技术领域
本公开涉及无线通信技术领域,尤其涉及一种无线接入网络的AI模型调度方法、装置及相关设备。
背景技术
随着第五代移动通信技术(5th Generation Mobile CommunicationTechnology,5G)研究的落地和第六代移动通信技术(6th Generation MobileCommunication Technology,6G)研究的开展,6G的智能内生得到了各个研究机构的研究,众多的科研人员从架构、算法等角度去探寻6G如何智能内生。
智能内生在研究中,通过时延需求的划分,智能可以分为非实时智能、近实时智能和实时智能,针对实时智能中AI调度流程的研究,在相关技术中的第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)R17(一般指5G Release-17标准)和R18(一般指5G Release-18标准)中的AI模型训练和推理是独立的,其中,AI模型的训练集中在核心网中的模型训练逻辑功能网元(Model Training Logical Function,MTLF),AI模型的推理集中在核心网中的分析逻辑功能网元(Analytics Logical Function,AnLF),而能够在无线接入网内部完成AI模型的嵌入和AI功能的实现,可以为后续无线接入网内生智能的研究奠定基础。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种无线接入网络的AI模型调度方法、装置及相关设备,能够在无线接入网内部实现AI模型的嵌入和AI功能。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供了一种无线接入网络的AI模型调度方法,包括:获取无线接入网络中各个网元的算力信息;根据所述无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务。
在本公开的一些示例性实施例中,基于前述方案,所述无线接入网为开放式无线接入网O-RAN;其中,根据所述无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务,包括:在集中式单元-控制面协议CU-CP网元中执行实时场景AI模型的模型训练任务;在开放式分布式单元O-DU网元中执行实时场景AI模型的模型推理任务。
在本公开的一些示例性实施例中,基于前述方案,所述模型训练任务包括:离线训练任务和在线训练任务;其中,所述方法还包括:在O-DU网元中执行实时场景AI模型的在线训练任务。
在本公开的一些示例性实施例中,基于前述方案,所述方法还包括:接收实时场景AI模型需求信息;判断是否缓存有所述实时场景AI模型需求信息所请求的实时场景AI模型;若否,则在CU-CP网元中执行实时场景AI模型的模型训练任务;将训练好的实时场景AI模型下发至O-DU网元。
在本公开的一些示例性实施例中,基于前述方案,将训练好的实时场景AI模型下发至O-DU网元,包括:通过预先配置的AI模型下发模板,将训练好的实时场景AI模型下发至O-DU网元。
在本公开的一些示例性实施例中,基于前述方案,在判断是否缓存有所述实时场景AI模型需求信息所请求的实时场景AI模型之后,所述方法还包括:若是,则直接获取缓存的所述实时场景AI模型需求信息所请求的实时场景AI模型,下发至所述O-DU网元。
在本公开的一些示例性实施例中,基于前述方案,通过预先配置的AI模型下发模板,将训练好的实时场景AI模型下发至O-DU网元。
在本公开的一些示例性实施例中,基于前述方案,所述CU-CP网元至少包括以下之一:AI模型库、人工智能/机器学习AI/ML管理模块、AI模型代理模块,其中,所述人工智能/机器学习AI/ML管理模块用于判断是否缓存有所述实时场景AI模型需求信息所请求的实时场景AI模型,以及执行实时场景AI模型的模型训练任务,所述AI模型代理模块用于将实时场景AI模型下发至O-DU网元。
根据本公开的另一个方面,还提供了一种无线接入网络的AI模型调度装置,包括:算力信息获取模块,用于获取无线接入网络中各个网元的算力信息;网元调度模块,用于根据所述无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务。
根据本公开的再一个方面,还提供了一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一种无线接入网络的AI模型调度方法。
根据本公开的又一个方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种无线接入网络的AI模型调度方法。
本公开实施例提供的无线接入网络的AI模型调度方法、装置及相关设备,无线接入网络中大部分网元的算力需要实现空口和信令的功能,因此,剩余网元的算力用于在CU-CP网元,集中式单元-用户面协议CU-UP网元和O-DU网元中AI模型的训练和推理功能,本公开实施例根据无线接入网络中各个网元的算力信息,最大限度调度相应的网元,来执行实时场景AI模型的模型训练任务和/或模型推理任务。相较于相关技术中AI模型训练和推理是独立的,而本公开实施例中AI模型的训练和推理跟算力分布相关,并不完全独立。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种应用无线接入网络的AI模型调度方法的系统架构示意图;
图2示出本公开实施例中一种无线接入网络的AI模型调度方法示意图;
图3示出本公开实施例中一种实时智能控制器示意图;
图4示出本公开实施例中一种无线接入网络的AI模型调度方法流程示意图;
图5示出本公开实施例中一种无线接入网络的AI模型调度交互示意图;
图6示出本公开实施例中一种无线接入网络的AI模型调度装置示意图;
图7示出本公开实施例中一种应用无线接入网络的AI模型调度方法的电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出本公开实施例中一种应用无线接入网络的AI模型调度方法的系统架构示意图。如图1所示,该系统架构可以包括终端101、基站102和核心网103。其中,基站102与其覆盖范围内的一个或多个终端101通信。
终端101和基站102之间提供通信链路的介质,可以是无线网络。
可选地,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(LocAI Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(W标识e Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(ExtensibleMarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(VirtuAIPrivate Network,VPN)、网际协议安全(InternetProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
终端101可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备等。
可选地,不同的终端101中安装的应用程序的客户端是相同的,或基于不同操作系统的同一类型应用程序的客户端。基于终端平台的不同,该应用程序的客户端的具体形态也可以不同,比如,该应用程序客户端可以是手机客户端、PC客户端等。
基站102可以是但不限于5G及以后版本的基站(例如:5G NR NB),或者其他通信系统中的基站(例如:eNB基站),需要说明的是,在本公开实施例中并不限定基站的具体类型。
本领域技术人员可以知晓,图1中的基站、核心网和终端的数量仅仅是示意性的,根据实际需要,可以具有任意数目的基站、核心网和终端。本公开实施例对此不作限定。
需要说明的是,AI技术与无线网的融合已经成为无线通信发展的必然,无线网利用人工智能技术将更好的应对更加复杂的网络架构和多样的通信场景,AI算法可以基于复杂网络产生的海量数据对数据进行分类、统计和推理,进而给出分析、预测和推荐等结论。
更为详细地,作为6G的一个关键研究点,智能内生是6G智能化的基础,本公开实施例给出了一种无线接入网络的能AI模型调度方法,为智能内生服务在6G中的设计提供评估参考。
首先,本公开实施例中提供了一种可以应用但不限于在无线接入网络,例如,还可以应用于位于任意终端设备之间,并提供与其核心网络的连接的设备,本公开实施例通过无线接入网络中各个网元的算力信息,调度算力较丰富的网元来执行实时场景AI模型的模型训练任务和/或模型推理任务,不同于相关技术中在核心网中完成对实时场景AI模型的模型训练任务和/或模型推理任务,本公开实施例在无线接入网络中算力较丰富的网元中完成对实时场景AI模型的模型训练任务和/或模型推理任务,能够更快训练或推理出实时场景AI模型。
图2示出本公开实施例中一种无线接入网络的AI模型调度方法示意图,如图2所示,本公开实施例中提供的无线接入网络的AI模型调度方法,该方法包括如下步骤:
S202,获取无线接入网络中各个网元的算力信息。
需要说明的是,本公开实施例中获取的各个网元的算力信息包括无线接入网络中实现空口和信令功能的网元的算力信息以及剩余各网元的算力信息,更为详细地,相关技术中无线接入网络实际大部分算力需要实现空口和信令的功能,剩余的算力可以用于在CU-CP(集中式单元-控制面协议,Centralized Unit-Control Plane)网元,CU-UP(集中式单元-用户面协议,Centralized Unit-User Plane)网元和O-DU(开放式分布式单元,Open-Distribution Unit)网元中AI模型的训练和推理功能,因此,本公开实施例需要获取无线接入网络中各个网元的算力信息,根据各个网元的算力信息来最大限度完成所需功能。
S204,根据无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务。
更为详细地,本公开实施例在获取完无线接入网络中各个网元的算力信息之后,根据无线接入网络中各个网元的算力信息,确定无线接入网络中相应的网元中算力较为丰富,因此,确定算力较为丰富的网元完成实时场景相关AI模型的训练,在算力较为不丰富网元中完成模型的推理任务。
本公开实施例中提供的无线接入网络的AI模型调度方法,根据无线接入网络中各个网元的算力信息,最大限度调度相应的网元,来执行实时场景AI模型的模型训练任务和/或模型推理任务。相较于相关技术中AI模型训练和推理是在核心网内独立的网元中实现的,而本公开实施例是根据无线接入网中的算力的分布,实现部分小规模AI模型的训练和模型推理的功能。
在一些实施例中,6G网络的演进趋势中,智能化元素的加入对无线接入网(RadioAccess Network,RAN)的开放性和可编程性也提出了新的要求,如图3所示,RAN分为可编程RAN平面和可编程智能层,可编程RAN平面的组成仍是CU-CP网元,CU-UP网元,O-DU网元和O-RU(开放式射频单元,Open-Radio Unit)。可编程智能平面分为实时智能控制器和近实时智能控制器。近实时智能控制器在O-RAN中提出,并设计在RAN外侧,主要处理实验需求在100ms-1s的业务,在6G内生AI架构中,RAN内部DU网元侧有波束整形和相关物理层编码等业务对实验需求在100ms以下,因此,近实时智能控制器无法满足此需求。近实时智能控制器处理时延在100ms-1s内业务的需求。实时智能控制器设计在CU-CP网元内部,可以通过在内部的原有信令接口实现数据的采集,并利用新增的AI模型交互接口和智能控制交互接口,实现与O-DU网元侧和近实时智能控制器侧的AI模型的传输。
在如图3所示的架构中,根据上述时延需求的划分,在部署方式中实时智能控制器可以部署在未来6G的RAN内部,亦可在未来技术的发展中灵活选择部署方式,根据现在RAN侧算力的分布情况,实时智能控制器中能够实现少量、小规模AI模型的训练,实时场景的AI推理多在O-DU网元中完成,并且在O-DU网元中具备在线训练功能,能够完成,近实时智能控制器可以实现较大规模的AI模型训练、推理,以及协助实时智能控制器完成AI模型训练,实时智能控制器还具备实时场景中AI的管理功能。
在一些可选的实施例中,本公开实施例中的无线接入网为开放式无线接入网O-RAN;其中,根据无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务,包括:在集中式单元-控制面协议CU-CP网元中执行实时场景AI模型的模型训练任务;在开放式分布式单元O-DU网元中执行实时场景AI模型的模型推理任务。具体地,相关技术中O-RAN的实际情况是需要大部分的算力来实现空口和信令的功能,因此,剩余网元的算力用于在CU-CP网元,CU-UP网元和O-DU网元中AI模型的训练和推理功能,更为详细的,本公开实施例在CU-CP网元,CU-UP网元和O-DU网元中的实时业务场景根据算力的分布可以实现部分小规模AI模型的训练和模型推理的功能,其中,CU-CP网元中的算力较O-DU网元丰富,因此,CU-CP网元可以完成实时场景相关AI模型的训练任务,在O-DU网元中完成模型的推理任务,通过CU-CP网元和O-DU网元分别实现实时场景AI模型的训练任务和推理任务,可以在无线接入网中实现部分小规模AI模型的训练和模型推理的功能,便于实时智能AI服务的实现。
在一些可选的实施例中,本公开实施例中的模型训练任务包括:离线训练任务和在线训练任务;其中,本公开实施例中的无线接入网络的AI模型调度方法还包括:在O-DU网元中执行实时场景AI模型的在线训练任务。具体地,本公开实施例通过O-DU网元不仅可以实现实时场景AI模型的模型推理任务,还可以通过推理出的结果进行实时训练,帮助AI模型提升训练精度。
在一些可选的实施例中,如图4所示,本公开实施例中无线接入网络的AI模型调度方法还包括如下步骤:
S402,接收实时场景AI模型需求信息;
S404,判断是否缓存有实时场景AI模型需求信息所请求的实时场景AI模型;
S406,若否,则在CU-CP网元中执行实时场景AI模型的模型训练任务;
S408,将训练好的实时场景AI模型下发至O-DU网元。
在一些实施例中,本公开实施例通过判断是否缓存有所请求的实时场景AI模型,调度相应的网元来执行对应操作,具体地,若本公开实施例中没有缓存实时场景AI模型需求信息所请求的实时场景AI模型,则调度CU-CP网元,在CU-CP网元中执行实时场景AI模型的模型训练任务,然后,将训练好的实时场景AI模型下发至O-DU网元,从而根据实际情况,获得所需AI模型,便于实时智能AI服务的实现。
在一些可选的实施例中,本公开实施例中将训练好的实时场景AI模型下发至O-DU网元,包括:通过预先配置的AI模型下发模板,将训练好的实时场景AI模型下发至O-DU网元。具体地,若本公开实施例中没有缓存实时场景AI模型需求信息所请求的实时场景AI模型,则在CU-CP网元中执行实时场景AI模型的模型训练任务,然后,通过预先配置的AI模型下发模板,将训练好的实时场景AI模型下发至O-DU网元,可见,本公开实施例能够根据实际情况,训练得到所需AI模型,并通过预先配置的AI模型下发模板,将训练好的实时场景AI模型下发至O-DU网元,最终实现实时智能AI服务的技术效果。
在一些可选的实施例中,在判断是否缓存有实时场景AI模型需求信息所请求的实时场景AI模型之后,本公开实施例中的无线接入网络的AI模型调度方法还包括:若是,则直接获取缓存的实时场景AI模型需求信息所请求的实时场景AI模型,下发至O-DU网元。具体地,若本公开实施例中缓存有实时场景AI模型需求信息所请求的实时场景AI模型,直接将对应的AI模型下发至O-DU网元,从而减少实时智能控制器内CU-CP网元的算力。
在一些可选的实施例中,本公开实施例中通过预先配置的AI模型下发模板,将训练好的实时场景AI模型下发至O-DU网元。具体地,下发模板具有可重用性和可调整性,可以根据不同的需求进行定制,本公开实施例中的下发模板主要包括:AI模型信息、具体的AI模型输入和输出参数、类型和具体条目,以及具体承载该AI模型的网元,通过预先配置的AI模型下发模板可以快速完成AI模型下发任务,节省一点的时间,提高AI模型的下发效率。
在一些可选的实施例中,本公开实施例中的CU-CP网元至少包括以下之一:AI模型库、人工智能/机器学习AI/ML管理模块、AI模型代理模块,其中,人工智能/机器学习AI/ML管理模块用于判断是否缓存有实时场景AI模型需求信息所请求的实时场景AI模型,以及执行实时场景AI模型的模型训练任务,AI模型代理模块用于将实时场景AI模型下发至O-DU网元。
在一些实施例中,本公开实施例中的AI模型库,用于存储对应的实时场景中已经在近实时智能控制器中训练完成的模型,实时智能控制器中的本地数据库能够采集实时场景中的数据,上传至近实时智能控制器中实现数据分类、处理和模型训练。
在一些实施例中,本公开实施例中的AI/ML管理模块,主要完成实时场景中AI模型请求的处理、拆分和决策,决定选择何种AI模型,部署在哪个具体的网元侧完成AI推理的功能,同时根据请求内容实现AI模型的训练功能。
在一些实施例中,本公开实施例中的AI模型代理模块,用于执行实时AI模型的配置和下发,根据实时场景AI模型管理模块下发的需求,转译为对应的配置文件,下发至具体的节点,实现已经训练完成AI模型的下发、安装和推理。
在一些实施例中,本公开实施例中的无线接入网络的AI模型调度方法在无线接入网接收到实时场景AI模型需求信息时,首先,AI/ML管理模块判断是否缓存有实时场景AI模型需求信息所请求的实时场景AI模型,若没有缓存实时场景AI模型需求信息所请求的实时场景AI模型,则在CU-CP网元中执行实时场景AI模型的模型训练任务,并将训练好的实时场景AI模型通过AI模型代理模块下发至O-DU网元;若AI/ML管理模块中缓存有实时场景AI模型需求信息所请求的实时场景AI模型,则通知AI模型库,根据所需AI模型的类型、输入参数以及输出参数,确定所需的AI模型,而AI模型库则会匹配筛选出合适实时场景的AI模型,并根据确定好的AI模型匹配对应的AI模型下发模板,由AI模型代理模块下发相应的模型至对应的网元,也就是具体的实时场景AI作用的实体,由网元侧安装AI模型,并完成模型推理。
更为详细地,本公开实施例还包括RAN实时业务场景需求接收模块,用于接收相关实时AI场景信息(如波束整形、物理层编码),在实时AI场景信息为编解码请求的情况下,本公开实施例中接收的具体需求可以包括所请求的AI模型,以及模型输入和输出参数的类型和具体条目;确定当前缓存的模型是否为场景所需要AI模型,还可以根据实时AI模型安装、推理、在线训练来更新AI模型库中的相关实时AI模型,从而提升模型的精度。
在一些实施例中,如图5所示,本公开实施例中的无线接入网络的AI模型调度交互流程包括:
S501,RAN实时业务场景需求接收模块接收相关实时AI场景信息需求,具体的AI场景信息需求包括所需的AI模型,以及模型输入和输出参数的类型和具体条目。
S502,在接收到具体的AI场景信息需求后,首先,判断是否缓存有该模型。
S503,若未缓存该AI模型,则根据具体的AI场景信息需求在AI/ML管理模块中完成AI模型训练,并评估训练后的模型,确保模型可以满足推理要求。
S504,讲评估后的模型下发至AI模型代理模块,完成模型的下发功能。
S505,若有该模型,根据请求选择具体的AI模型,然后,下发相关消息至AI模型库。
S506,通知AI模型库,筛选出需要的AI模型。
S507,AI模型库根据筛选出的AI模型,配置AI模型下发的模板,该模板主要包括了AI模型信息、具体的AI模型输入和输出参数、类型和具体条目,以及具体承载该AI模型的网元;
S508,AI模型代理模块下发模板至对于的网元,网元侧安装AI模型,并完成模型推理。
S509,实时AI模型在完成AI模型推理的同时,可以根据实时的数据,完成模型的在线训练,提升模型精度。
在一些实施例中,本公开实施例中通过无线接入网络的AI模型调度方法设计出的实时无线网络智能控制器,便于实时场景智能内生服务的实现,并且,设计实时无线智能控制器对AI服务调度的流程,便于实时智能AI服务的实现。
基于同一发明构思,本公开实施例中还提供了一种无线接入网络的AI模型调度装置,如下面的实施例。由于该系统实施例解决问题的原理与上述方法实施例相似,因此该系统实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图6示出本公开实施例中一种无线接入网络的AI模型调度装置示意图,如图6所示,该装置包括:
算力信息获取模块602,用于获取无线接入网络中各个网元的算力信息;
网元调度模块604,用于根据无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务。
本公开实施例中提供的无线接入网络的AI模型调度转置,根据无线接入网络中各个网元的算力信息,最大限度调度相应的网元,来执行实时场景AI模型的模型训练任务和/或模型推理任务。相较于相关技术中AI模型训练和推理是在核心网内独立的网元中实现的,而本公开实施例是根据无线接入网中的算力的分布,实现部分小规模AI模型的训练和模型推理的功能。
在一些实施例中,本公开实施例中的无线接入网为开放式无线接入网O-RAN;其中,本公开实施例中的网元调度模块,还用于在集中式单元-用户面协议CU-CP网元中执行实时场景AI模型的模型训练任务;在开放式分布式单元O-DU网元中执行实时场景AI模型的模型推理任务。
在一些实施例中,本公开实施例中的模型训练任务包括:离线训练任务和在线训练任务;其中,本公开实施例中的无线接入网络的AI模型调度装置,还包括:第一模型训练模块,用于在O-DU网元中执行实时场景AI模型的在线训练任务。
在一些实施例中,本公开实施例中的无线接入网络的AI模型调度装置,还包括:需求信息获取模块,用于接收实时场景AI模型需求信息;缓存模型判断模块,用于判断是否缓存有实时场景AI模型需求信息所请求的实时场景AI模型;第二模型训练模块,用于若否,则在CU-CP网元中执行实时场景AI模型的模型训练任务;第一模型下发模块,用于将训练好的实时场景AI模型下发至O-DU网元。
在一些实施例中,本公开实施例中的第一模型下发模块,还用于通过预先配置的AI模型下发模板,将训练好的实时场景AI模型下发至O-DU网元。
在一些实施例中,在判断是否缓存有实时场景AI模型需求信息所请求的实时场景AI模型之后,本公开实施例中的无线接入网络的AI模型调度装置,还包括:第二模型下发模块,用于若是,则直接获取缓存的实时场景AI模型需求信息所请求的实时场景AI模型,下发至O-DU网元。
在一些实施例中,本公开实施例通过预先配置的AI模型下发模板,将训练好的实时场景AI模型下发至O-DU网元。
在一些实施例中,本公开实施例中的CU-CP网元至少包括以下之一:AI模型库、人工智能/机器学习AI/ML管理模块、AI模型代理模块,其中,人工智能/机器学习AI/ML管理模块用于判断是否缓存有实时场景AI模型需求信息所请求的实时场景AI模型,以及执行实时场景AI模型的模型训练任务,AI模型代理模块用于将实时场景AI模型下发至O-DU网元。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元701、上述至少一个存储单元702、连接不同系统组件(包括存储单元702和处理单元701)的总线703。
其中,存储单元存储有程序代码,程序代码可以被处理单元701执行,使得处理单元701执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
在一些实施例中,当电子设备用于控制例如本公开上述无线接入网络的AI模型调度方法时,处理单元701可以执行上述方法实施例的如下步骤:
获取无线接入网络中各个网元的算力信息。
根据无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务。
存储单元702可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7021和/或高速缓存存储单元7022,还可以进一步包括只读存储单元(ROM)7023。
存储单元702还可以包括具有一组(至少一个)程序模块7025的程序/实用工具7024,这样的程序模块7025包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线703可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备704(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口705进行。并且,电子设备700还可以通过网络适配器706与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器706通过总线703与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机程序产品,该计算机程序产品包括:计算机程序,计算机程序被处理器执行时实现上述无线接入网络的AI模型调度方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (11)
1.一种无线接入网络的人工智能AI模型调度方法,其特征在于,包括:
获取无线接入网络中各个网元的算力信息;
根据所述无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务。
2.根据权利要求1所述的无线接入网络的人工智能AI模型调度方法,其特征在于,所述无线接入网为开放式无线接入网O-RAN;其中,根据所述无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务,包括:
在集中式单元-控制面协议CU-CP网元中执行实时场景AI模型的模型训练任务;
在开放式分布式单元O-DU网元中执行实时场景AI模型的模型推理任务。
3.根据权利要求1所述的无线接入网络的人工智能AI模型调度方法,其特征在于,所述模型训练任务包括:离线训练任务和在线训练任务;其中,所述方法还包括:
在O-DU网元中执行实时场景AI模型的在线训练任务。
4.根据权利要求1所述的无线接入网络的人工智能AI模型调度方法,其特征在于,所述方法还包括:
接收实时场景AI模型需求信息;
判断是否缓存有所述实时场景AI模型需求信息所请求的实时场景AI模型;
若否,则在CU-CP网元中执行实时场景AI模型的模型训练任务;
将训练好的实时场景AI模型下发至O-DU网元。
5.根据权利要求4所述的无线接入网络的人工智能AI模型调度方法,其特征在于,将训练好的实时场景AI模型下发至O-DU网元,包括:
通过预先配置的AI模型下发模板,将训练好的实时场景AI模型下发至O-DU网元。
6.根据权利要求4所述的无线接入网络的人工智能AI模型调度方法,其特征在于,在判断是否缓存有所述实时场景AI模型需求信息所请求的实时场景AI模型之后,所述方法还包括:
若是,则直接获取缓存的所述实时场景AI模型需求信息所请求的实时场景AI模型,下发至所述O-DU网元。
7.根据权利要求5所述的无线接入网络的人工智能AI模型调度方法,其特征在于,通过预先配置的AI模型下发模板,将训练好的实时场景AI模型下发至O-DU网元。
8.根据权利要求5所述的无线接入网络的人工智能AI模型调度方法,其特征在于,所述CU-CP网元至少包括以下之一:AI模型库、人工智能/机器学习AI/ML管理模块、AI模型代理模块,其中,所述人工智能/机器学习AI/ML管理模块用于判断是否缓存有所述实时场景AI模型需求信息所请求的实时场景AI模型,以及执行实时场景AI模型的模型训练任务,所述AI模型代理模块用于将实时场景AI模型下发至O-DU网元。
9.一种无线接入网络的人工智能AI模型调度装置,其特征在于,包括:
算力信息获取模块,用于获取无线接入网络中各个网元的算力信息;
网元调度模块,用于根据所述无线接入网络中各个网元的算力信息,调度相应的网元,执行实时场景AI模型的模型训练任务和/或模型推理任务。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~8中任意一项所述的无线接入网络的人工智能AI模型调度方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~8中任意一项所述的无线接入网络的人工智能AI模型调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585797.1A CN117479207A (zh) | 2023-11-24 | 2023-11-24 | 无线接入网络的ai模型调度方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585797.1A CN117479207A (zh) | 2023-11-24 | 2023-11-24 | 无线接入网络的ai模型调度方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117479207A true CN117479207A (zh) | 2024-01-30 |
Family
ID=89637977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311585797.1A Pending CN117479207A (zh) | 2023-11-24 | 2023-11-24 | 无线接入网络的ai模型调度方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117479207A (zh) |
-
2023
- 2023-11-24 CN CN202311585797.1A patent/CN117479207A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11010637B2 (en) | Generative adversarial network employed for decentralized and confidential AI training | |
Suciu et al. | Big data, internet of things and cloud convergence–an architecture for secure e-health applications | |
CN109347950B (zh) | 一种基于Kaa Project的物联网智慧服务系统 | |
Etemad et al. | Using DEVS for modeling and simulating a Fog Computing environment | |
US10089083B2 (en) | Service broker code generator | |
CN112738155B (zh) | 一种基于5g mec电力物联网设备本地互联接入方法及系统 | |
CN107924332A (zh) | Ict服务供应的方法和系统 | |
CN113132427A (zh) | 边云协同方法和边云协同系统 | |
US20230137879A1 (en) | In-flight incremental processing | |
CN115766875A (zh) | 边缘算力资源调度方法、装置、系统、电子设备及介质 | |
Azzara et al. | The icsi m2m middleware for iot-based intelligent transportation systems | |
Hu et al. | Joint load balancing and offloading optimization in multiple parked vehicle‐assisted edge computing | |
CN113365291A (zh) | 基于物联网管理平台的数据处理系统、方法及装置 | |
Perrone et al. | The Internet of things: a survey and outlook | |
Chen et al. | A 5G Enabled Adaptive Computing Workflow for Greener Power Grid | |
CN117528735A (zh) | 网络侧设备的节能控制方法、装置、系统及相关设备 | |
Chowdhury et al. | Design of a smart gateway for edge enabled IoT applications | |
CN112486666A (zh) | 一种模型驱动的参考架构方法及平台 | |
Carvalho et al. | Leveraging context-awareness to better support the IoT cloud-edge continuum | |
CN117479207A (zh) | 无线接入网络的ai模型调度方法、装置及相关设备 | |
CN116389492A (zh) | 视频分析系统、方法、装置、计算机可读存储介质 | |
CN115529648A (zh) | 中继节点接入方法、装置、电子设备及存储介质 | |
Cheng et al. | Efficient deep learning approach for computational offloading in mobile edge computing networks | |
CN114301980A (zh) | 容器集群的调度方法、装置、系统及计算机可读介质 | |
Dibaba | IoT Implementation with Cayenne Platform |
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 |