CN117616733A - 一种al/ml模型的数据采集方法及其装置 - Google Patents
一种al/ml模型的数据采集方法及其装置 Download PDFInfo
- Publication number
- CN117616733A CN117616733A CN202280002092.XA CN202280002092A CN117616733A CN 117616733 A CN117616733 A CN 117616733A CN 202280002092 A CN202280002092 A CN 202280002092A CN 117616733 A CN117616733 A CN 117616733A
- Authority
- CN
- China
- Prior art keywords
- model
- input data
- resource
- data
- terminal device
- 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 202
- 238000012549 training Methods 0.000 claims abstract description 179
- 238000005259 measurement Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000004590 computer program Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 17
- 239000000523 sample Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 83
- 230000011664 signaling Effects 0.000 abstract description 59
- 230000008569 process Effects 0.000 abstract description 39
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 description 554
- 230000006870 function Effects 0.000 description 48
- 230000006835 compression Effects 0.000 description 37
- 238000007906 compression Methods 0.000 description 37
- 230000005540 biological transmission Effects 0.000 description 35
- 238000007726 management method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000013468 resource allocation Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 6
- 229910044991 metal oxide Inorganic materials 0.000 description 5
- 150000004706 metal oxides Chemical class 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 229910000577 Silicon-germanium Inorganic materials 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- LEVVHYCKPQWKOP-UHFFFAOYSA-N [Si].[Ge] Chemical compound [Si].[Ge] LEVVHYCKPQWKOP-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
Abstract
本申请实施例公开了一种AL/ML模型的数据采集方法及其装置，该方法可应用通信技术、人工智能等领域。该方法包括获取基于目标资源确定的用于对AI/ML模型的输入数据，该输入数据为信道测量相关数据，将输入数据输入AI/ML模型中进行处理，其中，处理为AI/ML模型的训练、更新或推理。本申请中可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的训练过程以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅便于降低信令开销，节省资源，还能训练出性能较好的AI/ML模型。
Description
本申请涉及通信技术领域，尤其涉及一种AL/ML模型的数据采集方法及其装置。
人工智能(Artificial Intelligence，AI)和机器学习(Machine Learning，ML)技术可应用于无线通信领域，例如AI/ML技术可以应用于物理层中信道状态信息(Channel Status Information，CSI)的反馈、波束管理或定位，以降低CSI反馈开销、波束管理的导频开销或波束测量时延、提高定位精度。
发明内容
本申请实施例提供一种AL/ML模型的数据采集方法及其装置，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的训练过程以实际采集的输入数据为驱动，提供模型的性能。
第一方面，本申请实施例提供一种AL/ML模型的数据采集方法，该方法包括：
获取基于目标资源确定的AI/ML模型的输入数据，所述输入数据为信道测量相关数据；
将所述输入数据输入所述AI/ML模型中进行处理，所述处理为所述AI/ML模型的训练、更新或推理。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的训练过程以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
第二方面，本申请实施例提供另一种AL/ML模型的数据采集方法，该方法包括：
确定目标资源，所述目标资源用于确定AI/ML模型的输入数据，所述输入数据为信道测量相关数据；
其中，所述AI/ML模型基于所述输入数据进行处理，所述处理为对所述AI/ML模型的训练、更新或推理。
第三方面，本申请实施例提供一种第一设备，该第一设备具有实现上述第一方面所述的方法中的部分或全部功能，比如第一设备的功能可具备本申请中的部分或全部实施例中的功能，也可以具备单独实施本申请中的任一个实施例的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的单元或模块。
在一种实现方式中，该第一设备的结构中可包括收发模块和处理模块，所述处理模块被配置为支持第一设备执行上述方法中相应的功能。所述收发模块用于支持第一设备与其他设备之间的通信。所述第一设备还可以包括存储模块，所述存储模块用于与收发模块和处理模块耦合，其保存通信装置必要的计算机程序和数据。
第四方面，本申请实施例提供一种第二设备，该第二设备具有实现上述第二方面所述的方法中部分或全部功能，比如第二设备的功能可具备本申请中的部分或全部实施例中的功能，也可以具备单独实施本申请中的任一个实施例的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的单元或模块。
在一种实现方式中，该第二设备的结构中可包括收发模块和处理模块，该处理模块被配置为支持第二设备执行上述方法中相应的功能。收发模块用于支持第二设备与其他设备之间的通信。所述第二设备还可以包括存储模块，所述存储模块用于与收发模块和处理模块耦合，其保存通信装置必要的计算机程序和数据。
第五方面，本申请实施例提供一种第一设备，该第一设备包括处理器，当该处理器调用存储器中的计算机程序时，执行上述第一方面所述的方法方法。
第六方面，本申请实施例提供一种第二设备，该第二设备包括处理器，当该处理器调用存储器中的计算机程序时，执行上述第二方面所述的方法。
第七方面，本申请实施例提供一种第一设备，该第一设备包括处理器和存储器，该存储器中存储有计算机程序；所述处理器执行该存储器所存储的计算机程序，以使该第一设备执行上述第一方面所述的方法。
第八方面，本申请实施例提供一种第二设备，该第二设备置包括处理器和存储器，该存储器中存储有计算机程序；所述处理器执行该存储器所存储的计算机程序，以使该第二设备执行上述第二方面所述的方法。
第九方面，本申请实施例提供一种第一设备，该设备包括处理器和接口电路，该接口电路用于接收代码指令并传输至该处理器，该处理器用于运行所述代码指令以使该设备执行上述第一方面所述的方法。
第十方面，本申请实施例提供一种第二设备，该设备包括处理器和接口电路，该接口电路用于接收代码指令并传输至该处理器，该处理器用于运行所述代码指令以使该设备执行上述第二方面所述的方法。
第十一方面，本发明实施例提供一种计算机可读存储介质，用于储存为上述第一设备所用的指令，当所述指令被执行时，使所述第一设备执行上述第一方面所述的方法。
第十二方面，本发明实施例提供一种可读存储介质，用于储存为上述第二设备所用的指令，当所述指令被执行时，使所述第二设备执行上述第二方面所述的方法。
第十三方面，本申请还提供一种包括计算机程序的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。
第十四方面，本申请还提供一种包括计算机程序的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第二方面所述的方法。
第十五方面，本申请提供一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。
第十六方面，本申请提供一种计算机程序，当其在计算机上运行时，使得计算机执行上述第二方面所述的方法。
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1是本申请实施例提供的一种通信系统的架构示意图；
图2是本申请实施例提供的一种AL/ML模型的数据采集方法的流程示意图；
图3是本申请实施例提供的另一种AL/ML模型的数据采集方法的流程示意图；
图4是本申请实施例提供的另一种AL/ML模型的数据采集方法的流程示意图；
图5是本申请实施例提供的另一种AL/ML模型的数据采集方法的流程示意图；
图6是本申请实施例提供的另一种AL/ML模型的数据采集方法的流程示意图；
图7是本申请实施例提供的另一种AL/ML模型的数据采集方法的流程示意图；
图8是本申请实施例提供的另一种AL/ML模型的数据采集方法的流程示意图；
图9是本申请实施例提供的另一种AL/ML模型的数据采集方法的流程示意图；
图10是本申请实施例提供的另一种AL/ML模型的数据采集方法的流程示意图；
图11是本申请实施例提供的另一种AL/ML模型的数据采集方法的流程示意图；
图12是本申请实施例提供的另一种AL/ML模型的数据采集方法的流程示意图；
图13是本申请实施例提供的一种第一设备的结构示意图；
图14是本申请实施例提供的一种第二设备的结构示意图；
图15是本申请实施例提供的一种通信装置的结构示意图；
图16是本申请实施例提供的一种芯片的结构示意图。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开实施例。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”出于简洁和便于理解的目的，本文在表征大小关系时，所使用的术语为“大于”或“小于”、“高于”或“低于”。但对于本领域技术人员来说，可以理解：术语“大于”也涵盖了“大于等于”的含义，“小于”也涵盖了“小于等于”的含义；术语“高于”涵盖了“高于等于”的含义，“低于”也涵盖了“低于等于”的含义。
为了更好的理解本申请实施例公开的一种AL/ML模型的数据采集方法，下面首先对本申请实施例适用的通信系统进行描述。
请参见图1，图1为本申请实施例提供的一种通信系统的架构示意图。该通信系统可包括但不限于一个网络设备和一个终端设备，图1所示的设备数量和形态仅用于举例并不构成对本申请实施例的限定，实际应用中可以包括两个或两个以上的网络设备，两个或两个以上的终端设备。图1所示的通信系统以包括一个网络设备101和一个终端设备102为例。
需要说明的是，本申请实施例的技术方案可以应用于各种通信系统。例如：长期演进(long term evolution，LTE)系统、第五代(5th generation，5G)移动通信系统、5G新空口(new radio，NR)系 统，或者其他未来的新型移动通信系统等。还需要说明的是，本申请实施例中的侧链路还可以称为侧行链路或直通链路。
本申请实施例中的网络设备101是网络侧的一种用于发射或接收信号的实体。例如，网络设备101可以为演进型基站(evolved NodeB，eNB)、传输点(transmission reception point，TRP)、NR系统中的下一代基站(next generation NodeB，gNB)、其他未来移动通信系统中的基站或无线保真(wireless fidelity，WiFi)系统中的接入节点等。本申请的实施例对网络设备所采用的具体技术和具体设备形态不做限定。本申请实施例提供的网络设备可以是由集中单元(central unit，CU)与分布式单元(distributed unit，DU)组成的，其中，CU也可以称为控制单元(control unit)，采用CU-DU的结构可以将网络设备，例如基站的协议层拆分开，部分协议层的功能放在CU集中控制，剩下部分或全部协议层的功能分布在DU中，由CU集中控制DU。
本申请实施例中的终端设备102是用户侧的一种用于接收或发射信号的实体，如手机。终端设备也可以称为终端设备(terminal)、用户设备(user equipment，UE)、移动台(mobile station，MS)、移动终端设备(mobile terminal，MT)等。终端设备可以是具备通信功能的汽车、智能汽车、手机(mobile phone)、穿戴式设备、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备、工业控制(industrial control)中的无线终端设备、无人驾驶(self-driving)中的无线终端设备、远程手术(remote medical surgery)中的无线终端设备、智能电网(smart grid)中的无线终端设备、运输安全(transportation safety)中的无线终端设备、智慧城市(smart city)中的无线终端设备、智慧家庭(smart home)中的无线终端设备等等。本申请的实施例对终端设备所采用的具体技术和具体设备形态不做限定。
在侧链路通信中，存在4种侧链路传输模式。侧链路传输模式1和侧链路传输模式2用于终端设备直通(device-to-device，D2D)通信。侧链路传输模式3和侧链路传输模式4用于V2X通信。当采用侧链路传输模式3时，资源分配由网络设备101调度。具体的，网络设备101可以将资源分配信息发送给终端设备102，然后由该终端设备102向另一终端设备分配资源，以使得该另一终端设备可以通过分配到的资源向网络设备101发送信息。在V2X通信中，可以将信号较好或者可靠性较高的终端设备作为终端设备102。本申请实施例中提及的第一终端设备可以指该终端设备102，第二终端设备可以指该另一终端设备。
可以理解的是，本申请实施例描述的通信系统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，随着系统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。
需要说明的是，本申请中任一个实施例提供的AL/ML模型的数据采集方法可以单独执行，或是结合其他实施例中的可能的实现方法一起被执行，还可以结合相关技术中的任一种技术方案一起被执行。
下面结合附图对本申请所提供的AI/ML模型的数据采集方法及其装置进行详细地介绍。
请参见图2，图2是本申请实施例提供的一种AI/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由第一设备执行。如图2所示，该方法可以包括但不限于如下步骤：
S201，获取基于目标资源确定的AI/ML模型的输入数据；输入数据为信道测量相关数据。
本申请实施例中，输入数据为信道测量相关数据，输入数据可以为RS测量数据、CSI、上行信道估计。可选地，第一设备可以为具有AI/ML模型的训练能力的终端设备；第一设备也可以为具有AI/ML模型的训练能力的网络设备；第一设备还可以为具有AI/ML模型的训练能力的服务器。
AI/ML模块可以为用于CSI压缩的AI/ML模型，也可以为用于波束管理的AI/ML模型，也可以为用于定位服务的AI/ML模型。不同类型的AI/ML模型需要用到的输入数据往往也是不同的，相应地，用于采集输入数据的目标资源也会不同。本申请实施例中对AI/ML模型的类型不做限定。
本申请实施例中，目标资源可以为参考信号(Reference Signal，RS)资源，基于RS资源确定下行信道信息或RS的测量数据，如RS的接收功率，作为AI/ML模型的输入数据。
例如，用于CSI压缩的AI/ML模型所需要的输入数据为下行信道信息，例如下行信道信息可以包括信道状态信息(Channel Status Information，CSI)，相应地，所需要的目标资源为信道状态信息参考信号(Channel Status Information-Reference Signal，CSI-RS)资源，此类AL/ML模型的场景下CSI-RS资源用于确定下行信道信息，如CSI。需要说明的是，CSI资源可以用于对CSI压缩的AL/ML模型进行训练。
又例如，用于波束管理的AI/ML模型所需要的输入数据为RS的测量数据，如RS的接收功率，相应地，所需要的目标资源为CSI-RS资源，此类AL/ML模型的场景下CSI-RS可以资源用于确定RS的测量数据，如RS的接收功率。
再例如，用于定位服务的AI/ML模型所需要的输入数据可以为确定信道的冲击响应，相应地，所需要的目标资源为定位参考信号(Positioning reference signals，PRS)资源，终端设备根据PRS资源确定信道的冲击响应。
再例如，用于定位服务的AI/ML模型所需要的输入数据可以为确定信道的冲击响应，相应地，所需要的目标资源为定位参考信号(Positioning reference signals，PRS)资源，终端设备根据PRS资源确定信道的冲击响应。
可选地，目标资源可以为也可以为探测参考信号(Sounding reference signals，SRS)资源。例如，用于上行信道估计的AI/ML模型所需要的输入数据为上行信道信息，例如上行信道信息可以包括基于终端设备发送的SRS进行下行信道估计确定出的下行信道信息，相应地，所需要的目标资源为SRS资源。
本申请中，可以对输入数据的采集配置有采集策略，该采集策略中可以包括模型所需的输入数据的数据量、输入数据对应的采集时刻、采集持续时长、模型所要求的性能参数等。可选地，该采集策略可以与目标资源同步配置，或者单独配置。可选地，采集策略可以预先约定或者预先配置或者预先定义。
可选地，第一设备可以基于该采集策略，通过目标资源获取到AI/ML模型的输入数据。可选地，第一设备可以直接采集输入数据，第二设备也可以通过第二设备进行输入数据的采集，即第二设备采集后发送给第一设备。
需要说明的是，输入数据可以为模型训练阶段所需要的训练数据；输入数据也可以为模型更新阶段所需的更新数据；输入数据可以为模型推理阶段所需要的待推理数据。可选地，输入数据中还可以包括由AI/ML模型推理出的数据，也就是说，输入数据中可以包括实际采集的数据，也可以包括部分由由AI/ML模型推理出的数据。
输入数据可以包括离线现场输入数据，也可以包括在线现场输入数据。其中，离线现场输入数据为从现场采集的输入数据用于对AI/ML模型进行离线训练。在线现场输入数据为从现场采集的输入数据，用于对AI/ML模型进行在线训练。
S202，将输入数据输入AI/ML模型中进行处理。
其中，输入数据在ALAI/ML模型中的处理包括ALAI/ML模型的训练、更新和推理中的一种。例 如，输入数据可以为训练数据，则可以基于训练数据对AI/ML模型进行训练，或者基于训练数据对AI/ML模型进行更新。再例如，输入数据可以为待推理数据，则可以基于AI/ML模型对待推理数据进行推理。
以AI/ML模型的训练阶段进行解释说明：输入数据可以为训练数据，在获取到训练数据后，可以基于训练数据对AI/ML模型进行训练，可选地可以分批次对AI/ML模型进行训练。每次训练结束后可以获取AI/ML模型的性能参数，例如可以为损失函数，或者误差值。本申请实施例中，AI/ML模型的性能参数未满足AI/ML模型的训练结束条件时，可以使用下一批次的训练数据对AI/ML模型继续进行训练，直至训后的AI/ML模型的性能参数满足训练结束条件。
相应地，训练数据可以对AI/ML模型进行更新，以使更新后的AI/ML模型的性能参数满足AI/ML模型的更新结束条件，若为满足更新结束条件，则可以使用下一批次的训练数据对AI/ML模型继续进行更新，直至训后的AI/ML模型的性能参数满足更新结束条件。
输入数据为待推理数据，在获取到待推理数据后，可以输入AI/ML模型中进行推理，推理后的结果满足网络需求，说明无需对AI/ML模型继续训练或更新，并且可以后续待推理数进行推理。而在推理结果未满足网络需求的情况下，则可以重新采集数据重新推理或更新AI/ML模型。
本申请实施例提供的AI/ML模型的数据采集方法，还可以包括以下可选步骤：
S203，获取处理的结果，基于处理的结果确定AL/ML模型的性能参数。
在获取到输入数据后，可以将输入数据输入到AI/ML模型进行处理，其中，处理包括模型训练、模型更新和模型推理中的一种。例如，在AI/ML模型训练阶段或更新阶段，在获取到输入数据后，可以基于输入数据对AI/ML模型进行训练，可选地可以分批次对AI/ML模型进行训练。每次训练结束后可以获取AI/ML模型的性能参数，例如AI/ML模型的性能参数可以为损失函数、误差值、模型的运算精度、模型的大小等中的一个或多个。在推理阶段，可以基于模型对输入数据进行推理，例如可以基于模型进行CSI压缩、或波束管理信息的推理或定位信息的推理，可以基于推理出的信息来判断模型的性能。
S204，在AI/ML模型的性能参数指示AI/ML模型未满足预设条件，重新采集输入数据，并基于重新采集的输入数据对AI/ML模型继续训练或更新。
在AI/ML模型的不同阶段，可以对应有不同预设条件，训练阶段可以对应训练结束条件，更新阶段可以对应更新结束条件，推理阶段可以对应模型推理精度条件。例如，模型的运算精度达到设定精度，或者模型的误差值小于设定值等，可以指示AI/ML模型满足训练结束条件，否者确定AI/ML模型的性能参数指示AI/ML模型未满足训练结束条件，即训练后的AI/ML模型的性能未满足推理需求。
在AI/ML模型的性能参数指示AI/ML模型未满足预设条件，为了得到满足预设条件的AI/ML模型，本申请实施例中，可以重新获取输入数据，并基于重新获取的输入数据对AI/ML模型继续训练或更新，直至AI/ML模型的性能参数指示AI/ML模型满足预设条件，则可以停止对输入数据的采集。
S205，在AI/ML模型的性能参数指示AI/ML模型满足预设条件，向第二设备发送模型更新结束的指示信息和/或更新后的AL/ML模型。
可选地，在AI/ML模型的性能参数指示AI/ML模型满足训练结束条件，可以将训练结束时得到的AI/ML模型，作为推理时的目标AI/ML模型。
在AI/ML模型的性能参数指示AI/ML模型满足训练结束条件的情况下，第一设备可以向采集输入数据的设备发送模型训练结束的指示信息，基于该指示信息可以停止该AI/ML模型的输入数据的采集。
本申请实施例中，在模型训练或更新结束时，可以将更新后的模型传输给采集输入数据的设备。其 中，模型的传输至少包括整个模型、整个模型的参数、部分模型和部分模型参数中的一种。例如，以用于CSI压缩的AI/ML模型为例，该用于CSI压缩的AI/ML模型可以包含编码器和解码器两部分，其中编码器用于对下行信道信息进行压缩，解码器用于对压缩后的信息进行恢复，得到原来的下行信道信息。在训练出用于CSI压缩的AI/ML模型，可以将模型中的解码器部署在网络设备侧。例如，在第一设备为终端设备的场景下，终端设备可以把解码器发送给网络设备进行部署。
可选地，在第一设备自身进行采集输入数据的场景下，在确定输入数据满足采集结束条件，第一设备则停止对输入数据的进一步采集。其中，采集结束条件可以根据预定义确定，例如，可以预定义的输入数据的采集时间、或者采集数据量的大小等。可选地，可以由网络设备下发采集停止指示。
可选地，在第一设备接收第二设备发送的输入数据的场景下，第一设备可以向第二设备发送停止采集指示，以指示第二设备停止对输入数据的采集。
需要说明的是，可选地，第一设备为终端设备时，第二设备为网络设备，向终端设备配置目标资源；第一设备为网络设备时，第二设备为终端设备，基于目标资源确定输入数据发送给网络设备；第一设备为服务器时，第二设备为网络设备或终端设备，基于目标资源确定输入数据发送给服务器。在第一设备为终端设备时，第二设备可以为终端设备本身，即终端设备自身进行输入数据的采集；在第一设备为网络设备时，第二设备可以为网络设备本身，即网络设备自身进行输入数据的采集。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的更新或使用过程以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
请参见图3，图3是本申请实施例提供的一种AI/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由第二设备执行。如图3所示，该方法可以包括但不限于如下步骤：
S301，确定目标资源，该目标资源用于确定AI/ML模型的输入数据。
所述处理为所述AI/ML模型的训练、更新或推理。可选地，第二设备可以网络设备，还可以为终端设备，该第二设备可以基于目标资源进行AI/ML模型的输入数据的采集。关于目标资源和输入数据的介绍可参见本申请任一实施例中相关内容的记载，此处不再赘述。
本申请实施例中，第一设备可以为具有AI/ML模型的训练能力的终端设备、网络设备或者服务器。可选地，第一设备为终端设备时，第二设备为网络设备，向终端设备配置目标资源；第一设备为网络设备时，第二设备为终端设备，基于目标资源确定输入数据发送给网络设备；第一设备为服务器时，第二设备为网络设备或终端设备，基于目标资源确定输入数据发送给服务器。在第一设备为终端设备时，第二设备可以为终端设备本身，即终端设备自身进行输入数据的采集，在第一设备为网络设备时，第二设备可以为网络设备本身，即网络设备自身进行输入数据的采集。
S302，向部署有AI/ML模型的第一设备发送输入数据。
本申请实施例中，可以对输入数据的采集配置有采集策略，该采集策略中可以包括模型所需的输入数据的数据量、输入数据对应的采集时刻、采集持续时长、模型所要求的性能参数等。可选地，该采集策略可以与目标资源同步配置，或者单独配置。可选地，采集策略也可以预先约定或者预先配置或者预先定义。可选地，第二设备可以基于该采集策略，通过目标资源获取到AI/ML模型的输入数据。在获取到输入数据后可以发送第一设备，以输入模型中进行处理。
可选地，第二设备可以接收第一设备发送的模型更新结束的指示信息，在获取到该指示信息后，可 以停止对输入数据的采集。可选地，第二设备也可以接收第一设备发送的更新后的AI/ML模型。在一些实现中，第二设备可以接收第一设备传输的整个模型；或者第二设备可以接收第一设备传输的整个模型的参数；或者，第二设备可以接收第一设备传输的部分模型；或者，第二设备可以接收第一设备传输的模型参数。可选地，第二设备在确定输入数据满足采集结束条件，则停止对输入数据的采集。其中，采集结束条件可参见上述实施例中相关内容的记载，此处不再赘述。可选地，第二设备也可以接收第一网络设备发送的停止采集指示，第二设备在接收到该停止采集指示后，可以停止对输入数据的采集。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的更新或使用过程以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
下面以第一设备为终端设备，在终端设备侧进行AI/ML模型的数据采集的场景进行说明：
请参见图4，图4是本申请实施例提供的一种AI/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由终端设备执行。如图4所示，该方法可以包括但不限于如下步骤：
S401，确定目标资源，其中目标资源用于确定AI/ML模型的输入数据。
本申请实施例中，输入数据为信道测量相关数据，可以为RS测量数据、CSI、上行信道估计。终端设备具有AI/ML模型的训练能力，也就是说可以在终端设备侧进行AI/ML模型的训练。需要说明的是，输入数据可以为模型训练阶段所需要的训练数据；输入数据也可以为模型更新阶段所需的更新数据；输入数据可以为模型推理阶段所需要的待推理数据。可选地，输入数据中还可以包括由AI/ML模型推理出的数据，也就是说，输入数据中可以包括实际采集的数据，也可以包括部分由由AI/ML模型推理出的数据。
输入数据可以包括离线现场输入数据，也可以包括在线现场输入数据。其中，离线现场输入数据为从现场采集的输入数据用于对AI/ML模型进行离线训练。在线现场输入数据为从现场采集的输入数据，用于对AI/ML模型进行在线训练。
为了在终端设备对AI/ML模型进行训练，需要通过目标资源确定AI/ML模型所需的输入数据，其中，目标资源为用于确定AI/ML模型的输入数据所使用的资源。可选地，目标资源可以由网络设备通过信令进行配置，例如可以通过无线资源控制(Radio Resource Control，RRC)信令或者媒体接入控制-控制单元(Media access control-Control Element，MAC-CE)或者下行控制信令(Downlink Control Information，DCI)信令向终端设备配置一个或多个目标资源。在一些实现中，可以由网络设备定时向终端设备配置目标资源。在另一些实现中，可以由终端设备通过信令向网络设备请求配置目标资源，例如，终端设备可以通过上行控制信令(Uplink Control Information，UCI)信令向网络设备请求目标资源。
可选地，终端设备可以在UCI信令中携带请求的目标资源的配置信息，例如，配置信息包括目标资源的占用周期、目标资源的端口数、目标资源对应的传输带宽等。
可选地，目标资源的配置信息可以由网络设备确定。例如，网络设备可以基于协议约定或者预定义方式直接确定该目标资源的配置信息，再例如网络设备接收终端设备上报的辅助信息，并基于辅助信息确定该目标资源的配置信息。例如，辅助信息可以包括：AI/ML模型的类型，或者所需要资源的类型等。
可选地，用于采集输入数据的目标资源可以由终端设备基于协议约定或预定义或预配置的方式确定。
可选地，用于采集输入数据的目标资源可以从终端设备原有的已配置的资源中，按照设定规则确定。
S402，根据目标资源，确定AI/ML模型的输入数据。
本申请实施例中，目标资源可以为参考信号RS资源，基于RS资源确定信道状态信息CSI或RS的测量数据，作为AI/ML模型的输入数据。
AI/ML模块可以为用于CSI压缩的AI/ML模型，也可以为用于波束管理的AI/ML模型，也可以为用于定位服务的AI/ML模型。不同类型的AI/ML模型需要用到的输入数据往往也是不同的，相应地，用于采集输入数据的目标资源也会不同。本申请实施例中对AI/ML模型的类型不做限定。
本申请实施例中，目标资源可以为参考信号(Reference Signal，RS)资源，基于RS资源确定下行信道信息或RS的测量数据，如RS的接收功率，作为AI/ML模型的输入数据。
例如，用于CSI压缩的AI/ML模型所需要的输入数据为下行信道信息，例如下行信道信息可以包括信道状态信息(Channel Status Information，CSI)，相应地，所需要的目标资源为信道状态信息参考信号(Channel Status Information-Reference Signal，CSI-RS)资源，此类AL/ML模型的场景下CSI-RS资源用于确定下行信道信息，如CSI。需要说明的是，CSI资源可以用于对CSI压缩的AL/ML模型进行训练。
又例如，用于波束管理的AI/ML模型所需要的输入数据为RS的测量数据，如RS的接收功率，相应地，所需要的目标资源为CSI-RS资源，此类AL/ML模型的场景下CSI-RS可以资源用于确定RS的测量数据，如RS的接收功率。
再例如，用于定位服务的AI/ML模型所需要的输入数据可以为确定信道的冲击响应，相应地，所需要的目标资源为定位参考信号(Positioning reference signals，PRS)资源，终端设备根据PRS资源确定信道的冲击响应。
本申请实施例中，可以对输入数据的采集配置有采集策略，该采集策略中可以包括模型所需的输入数据的数据量、输入数据对应的采集时刻、采集持续时长、模型所要求的性能参数等。可选地，该采集策略可以与目标资源同步配置，或者单独配置。可选地，采集策略也可以预先约定或者预先配置或者预先定义。S403，将输入数据输入AI/ML模型进行处理。
其中，输入数据在ALAI/ML模型中的处理包括ALAI/ML模型的训练、更新和推理中的一种。例如，输入数据可以为训练数据，则可以基于训练数据对AI/ML模型进行训练，或者基于训练数据对AI/ML模型进行更新。再例如，输入数据可以为待推理数据，则可以基于AI/ML模型对待推理数据进行推理。
以AI/ML模型的训练阶段进行解释说明：输入数据可以为训练数据，在获取到训练数据后，可以基于训练数据对AI/ML模型进行训练，可选地可以分批次对AI/ML模型进行训练。每次训练结束后可以获取AI/ML模型的性能参数，例如可以为损失函数，或者误差值。本申请实施例中，AI/ML模型的性能参数未满足AI/ML模型的训练结束条件时，可以使用下一批次的训练数据对AI/ML模型继续进行训练，直至训后的AI/ML模型的性能参数满足训练结束条件。
相应地，训练数据可以对AI/ML模型进行更新，以使更新后的AI/ML模型的性能参数满足AI/ML模型的更新结束条件，若为满足更新结束条件，则可以使用下一批次的训练数据对AI/ML模型继续进行更新，直至训后的AI/ML模型的性能参数满足更新结束条件。
输入数据为待推理数据，在获取到待推理数据后，可以输入AI/ML模型中进行推理，推理后的结果满足网络需求，说明无需对AI/ML模型继续训练或更新，并且可以后续待推理数进行推理。而在推理结果未满足网络需求的情况下，则可以重新采集数据重新推理或更新AI/ML模型。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的更新或使用过程以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可 以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
请参见图5，图5是本申请实施例提供的一种AL/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由终端设备执行。如图5所示，该方法可以包括但不限于如下步骤：
S501，确定目标资源，该目标资源用于确定AI/ML模型的输入数据。
其中，输入数据为信道测量相关数据，可以为RS测量数据、CSI、上行信道估计。
关于步骤S501的具体介绍，可参见上述实施例中相关内容的记载，此处不再赘述。
S502，根据目标资源，确定AI/ML模型的输入数据。
下面以AI/ML模型为用于CSI压缩的AI/ML模型的训练为例进行解释说明。用于该CSI压缩的AI/ML模型所需要的输入数据为下行信道信息，例如下行信道信息可以包括CSI，相应地，所需要的目标资源为CSI-RS资源，终端设备接收到网络设备配置的CSI-RS资源后，基于CSI-RS资源进行信道估计，得到CSI作为用于该CSI压缩的AI/ML模型的输入数据。可以基于CSI对CSI压缩的AL/ML模型进行训练。可选地，在终端设备基于CSI-RS资源进行信道估计，确定出信道信息时，可以将信道信息同步反馈给网络设备进行资源调度。
关于步骤S502的具体介绍，可参见上述实施例中相关内容的记载，此处不再赘述。
S503，将输入数据输入AI/ML模型中进行处理，并基于处理的结果确定AI/ML模型的性能参数。
在获取到输入数据后，可以将输入数据输入到AI/ML模型进行处理，其中，处理包括模型训练、模型更新和模型推理中的一种。
例如，在AI/ML模型训练阶段或更新阶段，在获取到输入数据后，可以基于输入数据对AI/ML模型进行训练，可选地可以分批次对AI/ML模型进行训练。每次训练结束后可以获取AI/ML模型的性能参数，例如AI/ML模型的性能参数可以为损失函数、误差值、模型的运算精度、模型的大小等中的一个或多个。在推理阶段，可以基于模型对输入数据进行推理，例如可以基于模型进行CSI压缩、或波束管理信息的推理或定位信息的推理，可以基于推理出的信息来判断模型的性能。
S504，在AI/ML模型的性能参数指示AI/ML模型未满足预设条件，重新采集输入数据，并基于重新采集的输入数据对AI/ML模型继续训练或更新。
在AI/ML模型的不同阶段，可以对应有不同预设条件，训练阶段可以对应训练结束条件，更新阶段可以对应更新结束条件，推理阶段可以对应模型推理精度条件。例如，模型的运算精度达到设定精度，或者模型的误差值小于设定值等，可以指示AI/ML模型满足训练结束条件，否者确定AI/ML模型的性能参数指示AI/ML模型未满足训练结束条件，即训练后的AI/ML模型的性能未满足推理需求。可选地，AI/ML模型的性能参数可以由终端设备或者网络设备监测。
若AI/ML模型的性能参数由终端设备监测，在AI/ML模型的性能参数指示AI/ML模型未满足训练结束条件，可选地，终端设备可以已配置的目标资源上继续采集输入数据。可选地，导致AI/ML模型的性能参数较差的原因可能由于目标资源异常导致输入数据采集精度不高，因此，本申请实施例中，终端设备可以重新确定目标资源，在新的目标资源重新采集输入数据，以提高AI/ML模型的性能参数。也就是说，终端设备可以对目标资源进行更新，并在更新后的目标资源上重新对输入数据进行采集。
可选地，终端设备可以通过信令请求网络设备重新配置目标资源，例如，终端设备通过UCI信令向网络设备发送资源重配置信息，并接收网络设备根据资源重配置信息为终端设备重配置的目标资源。可选地，终端设备也可以从原有配置的资源中重新确定目标资源。
可选地，终端向网络设备发送信令指示终端设备采用传统模式进行资源配置即非AI/ML模型训练模式下的资源配置。终端设备可以基于传统模式下的资源配置再次进行输入数据的采集。
若AI/ML模型的性能参数由网络侧监测，在AI/ML模型的性能参数指示AI/ML模型未满足训练结束条件，可选地，网络设备向终端设备发送重新采集输入数据的资源配置信息。可选地，网络设备可以通过信令向终端设备配置指示信息，终端设备基于该指示信息确定基于传统模式下的资源配置再次进行输入数据的采集，即终端设备可以不用使用AI/ML模型训练模式下的资源配置再次进行输入数据的采集。
S505，在AI/ML模型的性能参数指示AI/ML模型满足预设条件，向网络设备发送模型更新结束的指示信息和/或更新后的AL/ML模型。
可选地，在AI/ML模型的性能参数指示AI/ML模型满足训练结束条件，可以将训练结束时得到的AI/ML模型，作为推理时的目标AI/ML模型。
作为一种可能的实现方式，若AI/ML模型的性能参数由终端设备监测，且在AI/ML模型的性能参数指示AI/ML模型满足训练结束条件的情况下，终端设备可以向网络设备发送训练结束的指示信息，以通知网络设备AI/ML模型的训练完成，从而可以指示网络设备停止为终端设备进行目标资源的配置。也就是说，在AI/ML模型的性能参数指示AI/ML模型满足训练结束条件时，终端设备向网络设备发送信令，请求去激活输入数据采集的资源配置，即停止该AI/ML模型的输入数据的采集。
作为另一种可能的实现方式，若AI/ML模型的性能参数由网络设备监测，且在AI/ML模型的性能参数指示AI/ML模型满足训练结束条件的情况下，网络设备向终端设备发送信令，基于该信令去激活用于输入数据采集的资源配置，即停止该AI/ML模型的输入数据的采集。
本申请实施例中，可以在终端设备侧进行AI/ML模型的训练，在训练结束可以将训练后的模型传输给网络设备。其中，模型的传输至少包括整个模型、整个模型的参数、部分模型和部分模型参数中的一种。例如，以用于CSI压缩的AI/ML模型为例，该用于CSI压缩的AI/ML模型可以包含编码器和解码器两部分，其中编码器用于对下行信道信息进行压缩，解码器用于对压缩后的信息进行恢复，得到原来的下行信道信息。在训练出用于CSI压缩的AI/ML模型，可以将模型中的解码器部署在网络设备侧，即终端设备可以把解码器发送给网络设备进行部署。
可选地，终端设备可以在确定输入数据满足采集结束条件，终端设备则停止对输入数据的进一步采集。其中，采集结束条件可以根据预定义确定，例如，可以预定义的输入数据的采集时间、或者采集数据量的大小等。
可选地，终端设备若接收网络设备上报的输入数据的情况下，也可以向网络设备下发停止采集指示。
下面以用于CSI压缩的AI/ML模型的训练过程为例，对本申请实施例提供的终端设备侧的数据采集过程进行解释说明：
本示例中，终端设备(UE)具有AI/ML模型训练能力，即由UE完成对AI/ML模型的训练。UE基于CSI-RS资源估计下行信道，得到下行信道信息作为AI/ML模型的输入数据。其中，AI/ML模型包含了一个编码器和解码器两部分，其中编码器用于对下行信道信息的压缩，解码器用于对压缩后的信息恢复出原来的下行信道信息。
为了在UE对AI/ML模型的训练，需要网络设备(gNB)对UE进行CSI-RS资源配置。可选地，该资源配置信息可以由UE通过UCI向gNB上报指示。UE根据接收的CSI-RS资源估计不同时刻的下行信道信息，不同时刻的下行信道信息作为训练AI/ML模型的输入数据。
可选地，在AI/ML模型的训练阶段，UE可以将CSI反馈给gNB进行资源调度，例如，UE可以采用如类型II(Type II)码本对CSI进行编码，将其反馈给gNB进行资源调度。
当UE训练后的AI/ML模型能够满足性能要求时，UE通过UCI将训练后的解码器上传给gNB。UE将采用AI/ML模型中编码器实现对CSI的压缩反馈。当UE监测到采用AI/ML模型进行CSI压缩反馈时性能下降，UE重新采集输入数据，对AI/ML模型继续进行训练，直至AI/ML模型能够满足性能要求，或者满足输入数据停止采集的条件，或者接收到停止数据采集的指示。
在一些实现中，UE通过UCI向gNB指示，UE将继续基于传统模式下的资源配置再次进行输入数据的采集。在另一些实现中，UE还向gNB请求新的CSI-RS资源配置信息，如改变了CSI-RS资源的周期、CSI-RS资源端口数或CSI-RS传输带宽等参数。可选地，gNB重新对CSI-RS资源进行配置。UE将基于新配置的CSI-RS资源进行输入数据的采集，实现对AI/ML模型的调整。当调整后的AI/ML模型满足性能要求后，UE再通过UCI向gNB指示UE采用更新后的AI/ML模型实现CSI的压缩反馈，并把更新的解码器上传给gNB。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的更新或使用过程，以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
针对上述AI/ML模型在终端设备侧训练的场景，与前述的终端设备侧的实施例相对应的，本公开实施例还提出了一种由网络侧设备执行的AI/ML模型的数据采集方法；本领域内技术人员可以理解，网络设备侧的方法是与终端设备侧的方法相对应的；因此在终端设备侧的解释和表述，在网络设备侧的实施例中不再进行重复描述。
请参见图6，图6是本申请实施例提供的一种AI/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由网络设备执行。如图6所示，该方法可以包括但不限于如下步骤：
S601，向终端设备发送为其配置的目标资源，其中目标资源用于确定AI/ML模型的输入数据。
需要说明的是，输入数据为信道测量相关数据，可以为RS测量数据、CSI、上行信道估计。输入数据可以为模型训练阶段所需要的训练数据；输入数据也可以为模型更新阶段所需的更新数据；输入数据可以为模型推理阶段所需要的待推理数据。可选地，输入数据中还可以包括由AI/ML模型推理出的数据，也就是说，输入数据中可以包括实际采集的数据，也可以包括部分由由AI/ML模型推理出的数据。输入数据可以包括离线现场输入数据，也可以包括在线现场输入数据。
可选地，用于采集输入数据的目标资源可以由网络设备通过信令进行配置，例如可以通过RRC信令或者MAC-CE或者DCI信令向终端设备配置一个或多个目标资源。在一些实现中，可以由终端设备通过信令向网络设备请求配置目标资源，例如，终端设备可以通过UCI信令向网络设备请求目标资源。
可选地，网络设备可以接收UCI信令，从中确定终端设备请求的目标资源的配置信息；可选地，目标资源的配置信息可以由网络设备确定。
AI/ML模块可以为用于CSI压缩的AI/ML模型，也可以为用于波束管理的AI/ML模型，也可以为用于定位服务的AI/ML模型。不同类型的AI/ML模型需要用到的输入数据往往也是不同的，相应地，用于采集输入数据的目标资源也会不同。本申请实施例中对AI/ML模型的类型不做限定。
本申请实施例中，目标资源可以为参考信号RS资源，基于RS资源确定信道信息或RS的测量数据，作为AI/ML模型的输入数据。可选地，RS资源可以为CSI-RS资源，也可以为PRS资源。
终端设备在获取到输入数据后，可以将输入数据输入进行处理，其中处理包括模型训练、模型更新和模型推理中一种。
例如，在AI/ML模型的训练阶段每次训练结束后可以获取AI/ML模型的性能参数，可选地，AI/ML模型的性能参数可以由终端设备或者网络设备监测。
在AI/ML模型的性能参数指示AI/ML模型未满足训练结束条件，终端设备可以重新采集输入数据，并基于重新采集的输入数据对AI/ML模型继续训练或更新AI/ML模型。
若AI/ML模型的性能参数由终端设备监测，在AI/ML模型的性能参数指示AI/ML模型未满足训练结束条件，可选地，终端设备重新采集输入数据。本申请实施例中，终端设备可以重新确定目标资源，在新的目标资源重新采集输入数据，以提高AI/ML模型的性能参数。也就是说，终端设备可以对目标资源进行更新，并在更新后的目标资源上重新对输入数据进行采集。
本申请实施例提供的AI/ML模型的数据采集方法，还可以包括以下步骤：
S602，接收终端设备发送的资源重配置信息。
S603，根据资源重配置信息为终端设备重配置目标资源。
可选地，网络设备可以通过信令接收终端设备重新配置目标资源的请求，例如，终端设备通过UCI信令向网络设备发送资源重配置信息。
网络设备可以根据资源重配置信息为终端设备重配置的目标资源，并将重配置的目标资源发送给终端设备。
若AI/ML模型的性能参数由网络侧监测，在AI/ML模型的性能参数指示AI/ML模型未满足预设条件，可选地，网络设备向终端设备发送重新采集输入数据的资源配置信息。
可选地，在AI/ML模型的性能参数指示AI/ML模型满足预设条件，可以将满足预设条件时得到的AI/ML模型，作为推理时的目标AI/ML模型。
作为一种可能的实现方式，若AI/ML模型的性能参数由终端设备监测，且在AI/ML模型的性能参数指示AI/ML模型满足预设条件的情况下，网络设备可以接收到终端设备发送的模型更新结束的指示信息，以通知网络设备AI/ML模型的训练或更新完成，进一步地，网络设备可以接收到终端设备发送的停止采集指示，网络设备可以基于该停止采集指示停止为终端设备进行目标资源的配置。或者，终端设备在确定输入数据满足采集结束条件的情况下，网络设备可以接收到终端设备发送的停止采集指示。
作为另一种可能的实现方式，若AI/ML模型的性能参数由网络设备监测，且在AI/ML模型的性能参数指示AI/ML模型满足预设条件的情况下，网络设备向终端设备发送信令，基于该信令去激活用于输入数据采集的资源配置，即停止该AI/ML模型的输入数据的采集。
本申请实施例中，可以在终端设备侧进行AI/ML模型的训练，在训练或更新结束可以将训练后的模型传输给网络设备。其中，模型的传输至少包括整个模型、整个模型的参数、部分模型和部分模型参数中的一种。例如，以用于CSI压缩的AI/ML模型为例，在训练出用于CSI压缩AI/ML模型后，网络设备可以接收终端设备发送的解码器，部署在网络设备侧。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的更新或使用过程，以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
下面以第一设备为网络设备，在网络设备侧进行AI/ML模型的数据采集的场景进行说明：
请参见图7，图7是本申请实施例提供的一种AI/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由网络设备执行。如图7所示，该方法可以包括但不限于如下步骤：
S701，向终端设备配置目标资源，该目标资源用于确定AI/ML模型的输入数据。
需要说明的是，输入数据为信道测量相关数据，可以为RS测量数据、CSI、上行信道估计。输入数据可以为模型训练阶段所需要的训练数据；输入数据也可以为模型更新阶段所需的更新数据；输入数据可以为模型推理阶段所需要的待推理数据。可选地，输入数据中还可以包括由AI/ML模型推理出的数据，也就是说，输入数据中可以包括实际采集的数据，也可以包括部分由由AI/ML模型推理出的数据。输入数据可以包括离线现场输入数据，也可以包括在线现场输入数据。
本申请实施例中，网络设备具有AI/ML模型的训练能力，也就是说可以在网络设备侧进行AI/ML模型的训练。为了在网络设备对AI/ML模型进行训练，需要通过目标资源进行采集输入数据，其中，目标资源为用于采集AI/ML模型的输入数据所使用的资源。可选地，用于采集输入数据的目标资源可以由网络设备为终端设备进行配置，并通过信令例如RRC信令或者MAC-CE或者DCI信令向终端设备配置一个或多个目标资源。进一步地，接收终端设备基于目标资源向网络设备反馈信息，并基于该反馈信息，确定AI/ML模型的输入数据。可选地，目标资源的配置信息包括目标资源的占用周期、目标资源的端口数、目标资源对应的传输带宽等。
S702，根据目标资源，确定AI/ML模型的输入数据。
本申请实施例中，目标资源可以为参考信号RS资源，基于RS资源确定信道状态信息CSI或RS的测量数据，作为AI/ML模型的输入数据。
AI/ML模块可以为用于CSI压缩的AI/ML模型，也可以为用于波束管理的AI/ML模型，也可以为用于定位服务的AI/ML模型。不同类型的AI/ML模型需要用到的输入数据往往也是不同的，相应地，用于采集输入数据的目标资源也会不同。本申请实施例中对AI/ML模型的类型不做限定。
作为一种可能的实现方式，目标资源可以为RS资源，可选地，RS资源可以为CSI-RS资源，也可以为探测参考信号(Sounding reference signals，SRS)资源。
例如，用于CSI压缩的AI/ML模型所需要的输入数据为下行信道信息，例如下行信道信息可以包括CSI，相应地，所需要的目标资源为CSI-RS资源，此类AL/ML模型的场景下CSI-RS可以资源用于确定下行信道信息。需要说明的是，CSI可以用于对CSI压缩的AL/ML模型进行训练。
又例如，用于波束管理的AI/ML模型所需要的输入数据为RS的测量数据，如RS的接收功率，相应地，所需要的目标资源为CSI-RS资源，此类AL/ML模型的场景下CSI-RS可以资源用于确定RS的测量数据，如RS的接收功率。
再例如，用于定位服务的AI/ML模型所需要的输入数据可以为确定信道的冲击响应，相应地，所需要的目标资源为PRS资源。
再例如，用于上行信道估计的AI/ML模型所需要的输入数据为上行信道信息，例如上行信道信息可以包括基于终端设备发送的SRS进行下行信道估计确定出的下行信道信息，相应地，所需要的目标资源为SRS资源。
S703，将输入数据输入AI/ML模型进行处理。
其中，输入数据在ALAI/ML模型中的处理包括ALAI/ML模型的训练、更新和推理中的一种。例如，输入数据可以为训练数据，则可以基于训练数据对AI/ML模型进行训练，或者基于训练数据对AI/ML模型进行更新。再例如，输入数据可以为待推理数据，则可以基于AI/ML模型对待推理数据进行推理。
以AI/ML模型的训练阶段进行解释说明：输入数据可以为训练数据，在获取到训练数据后，可以基于训练数据对AI/ML模型进行训练，可选地可以分批次对AI/ML模型进行训练。每次训练结束后可以获取AI/ML模型的性能参数，例如可以为损失函数，或者误差值。本申请实施例中，AI/ML模型的性能参数未满足AI/ML模型的训练结束条件时，可以使用下一批次的训练数据对AI/ML模型继续进行训练，直至训后的AI/ML模型的性能参数满足训练结束条件。
关于AI/ML模型的更新阶段或推理阶段的介绍，可参见上述实施例中相关的记载，此处不再赘述。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的更新或使用过程，以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
请参见图8，图8是本申请实施例提供的一种AI/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由网络设备执行。如图8所示，该方法可以包括但不限于如下步骤：
S801，向终端设备配置目标资源，该目标资源用于确定AI/ML模型的输入数据。
关于步骤S801的具体介绍，可参见上述实施例中相关内容的记载，此处不再赘述。
S802，根据目标资源，采集AI/ML模型的输入数据。
下面以AI/ML模型为用于CSI压缩的AI/ML模型的训练为例进行解释说明。用于CSI压缩的AI/ML模型所需要的输入数据为下行信道信息，例如下行信道信息可以包括CSI，相应地，所需要的目标资源为CSI-RS资源，网络设备向终端设备配置CSI-RS资源，并接收终端设备基于CSI-RS资源进行信道估计得到的CSI。网络设备可以将CSI作为该CSI压缩的AI/ML模型的输入数据。网络设备可以基于CSI对CSI压缩的AL/ML模型进行训练。
关于步骤S802的具体介绍，可参见上述实施例中相关内容的记载，此处不再赘述。
S803，将输入数据输入AI/ML模型中进行处理，并基于处理的结果确定AI/ML模型的性能参数。
网络设备将输入数据输入AI/ML模型中进行处理的过程与终端设备侧的处理类似，可参见上述实施例中相关内容的记载，此处不再赘述。
S804，在AI/ML模型的性能参数指示AI/ML模型未满足预设条件，重新采集输入数据，并基于重新采集的输入数据对AI/ML模型继续训练或更新。
关于在AI/ML模型的性能参数指示AI/ML模型未满足预设条件的具体介绍，可参加上述实施例中相关内容的记载，此处不再赘述。
若AI/ML模型的性能参数由终端设备监测，在AI/ML模型的性能参数指示AI/ML模型未满足训练结束条件，可选地，网络设备可以指示终端设备在已配置的目标资源上继续采集输入数据。可选地，导致AI/ML模型的性能参数较差的原因可能由于目标资源异常导致输入数据采集精度不高，因此，本申请实施例中，网络设备可以重新向终端设备配置目标目标资源，以在新的目标资源重新采集输入数据，以提高AI/ML模型的性能参数。
可选地，终端设备可以通过信令请求网络设备重新配置目标资源，例如，终端设备通过UCI信令向网络设备发送资源重配置信息，并接收网络设备根据资源重配置信息为终端设备重配置的目标资源。可选地，终端设备也可以从原有配置的资源中重新确定目标资源。
可选地，终端向网络设备发送信令指示终端设备采用传统模式进行资源配置即非AI/ML模型训练模式下的资源配置。终端设备可以基于传统模式下的资源配置再次进行输入数据的采集。
若AI/ML模型的性能参数由网络侧监测，在AI/ML模型的性能参数指示AI/ML模型未满足训练结束条件，可选地，网络设备向终端设备发送重新采集输入数据的资源配置信息。可选地，网络设备可以通过信令指示终端设备基于传统模式下的资源配置再次进行输入数据的采集，即终端设备可以不用使用AI/ML模型训练模式下的资源配置再次进行输入数据的采集。
需要说明的是，终端设备在再次进行输入数据的采集后，可以再次上报给网络设备，以便于网络设备基于重新获取到的输入数据，对AI/ML模型继续训练或更新AI/ML模型
S805，在AI/ML模型的性能参数指示AI/ML模型满足预设条件，向终端设备发送模型更新结束的指示信息和/或更新后的AI/ML模型。
可选地，在AI/ML模型的性能参数指示AI/ML模型满足预设条件，可以将满足预设条件时得到的AI/ML模型，作为推理时的目标AI/ML模型。
作为一种可能的实现方式，若AI/ML模型的性能参数由终端设备监测，且在AI/ML模型的性能参数指示AI/ML模型满足训练结束条件的情况下，终端设备可以向网络设备发送训练结束的指示信息，以通知网络设备AI/ML模型的训练完成，从而可以指示网络设备停止为终端设备进行目标资源的配置。也就是说，在AI/ML模型的性能参数指示AI/ML模型满足训练结束条件时，终端设备向网络设备发送信令，请求去激活输入数据采集的资源配置，即停止该AI/ML模型的输入数据的采集。
作为另一种可能的实现方式，若AI/ML模型的性能参数由网络设备监测，且在AI/ML模型的性能参数指示AI/ML模型满足训练结束条件的情况下，网络设备向终端设备发送信令，基于该信令去激活用于输入数据采集的资源配置，即停止该AI/ML模型的输入数据的采集。
本申请实施例中，可以在网络设备侧进行AI/ML模型的训练，在训练结束可以将训练后的模型传输给终端设备。关于向终端设备传输训练后的模型与终端设备将训练后的模型向网络设备传输类似，此处不再赘述。
可选地，网络设备对输入数据进行采集的情况下，在确定输入数据满足采集结束条件，网络设备则停止对输入数据的进一步采集。其中，采集结束条件的介绍可参见上述实施例中相关内容的记载，此处不再赘述。可选地，网络设备接收终端设备的输入数据的情况下，可以向终端设备发送停止采集指示。
下面以用于上行信道估计的AI/ML模型的训练过程为例，对本申请实施例提供的网络设备侧的数据采集过程进行解释说明：
本示例中，网络设备具有AI/ML模型训练能力，即由网络设备完成对AI/ML模型的训练。网络设备向终端设备发送SRS资源，并接收终端设备在SRS资源上反馈的SRS，网络设备根据SRS进行上行信道估计，得到上行信道信息作为AI/ML模型的输入数据。其中，AI/ML模型包含了一个编码器和解码器两部分，其中编码器用于对下行信道信息的压缩，解码器用于对压缩后的信息恢复出原来的下行信道信息。
当网络设备训练的AI/ML模型能够满足性能要求时，网络设备可以向终端设备发送编码器。终端设备部署该解码器，并基于该解码器实现对CSI进行压缩反馈。
当网络设备训练的AI/ML模型能够未满足性能要求时，则重新采集输入数据继续训练，直至AI/ML模型能够满足性能要求，或者满足输入数据停止采集的条件。
本申请实施例中，在对AI/ML模型进行训练时，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的训练过程，以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源； 而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
针对上述AI/ML模型在网络设备侧训练的场景，与前述的网络设备侧的实施例相对应的，本公开实施例还提出了一种由终端设备执行的AI/ML模型的数据采集方法；本领域内技术人员可以理解，网络设备侧的方法是与终端设备侧的方法相对应的；因此在网络设备侧的解释和表述，在终端设备侧的实施例中不再进行重复描述。
请参见图9，图9是本申请实施例提供的一种AI/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由终端设备执行。如图9所示，该方法可以包括但不限于如下步骤：
S901，接收网络设备配置的目标资源，该目标资源用于确定AI/ML模型的输入数据。
S902，向网络设备发送基于目标资源确定的输入数据。
可选地，输入数据为信道测量相关数据，可以为RS测量数据、CSI、上行信道估计。
目标资源为RS资源，终端设备向网络设备发送的根据RS资源确定的下行信道信息或RS的测量数据，其中，下行信道信息或RS的测量数据为输入数据。
可选地，目标资源为探测参考信号SRS资源，在SRS资源上向网络设备发送SRS，网络设备接收终端设备发送的SRS，并根据SRS进行上行信道估计，得到上行信道信息，作为输入数据。
网络设备在获取到输入数据后，可以将输入数据输入进行处理，其中处理包括模型训练、模型更新和模型推理中一种。
例如，在AI/ML模型的训练阶段，每次训练结束后可以获取AI/ML模型的性能参数，可选地，AI/ML模型的性能参数可以由终端设备或者网络设备监测。
在AI/ML模型的性能参数指示AI/ML模型未满足训练结束条件，需要终端设备可以重新采集输入数据并上报给网络设备，网络设备基于重新采集的输入数据对AI/ML模型继续训练或更新AI/ML模型。
可选地，终端设备接收网络设备发送的输入数据的重新采集指示。在一些实现中，终端设备基于重新采集指示向终端设备发送重新采集的输入数据或SRS。在另一些实现中，终端设备可以基于重新采集指示向网络设备发送资源重配置信息，接收网络设备根据资源重配置信息为所述终端设备重配置的目标资源，并基于重配置的所述目标资源重新采集输入数据上报给网络设备。
可选地，接收网络设备发送的模型更新结束的指示信息和/或更新后的AI/ML模型。
可选地，终端设备在确定输入数据满足采集结束条件，网络设备则停止对输入数据的进一步采集。可选地，终端设备接收网络设备发送的停止采集指示，并基于该停止采集指示停止对输入数据的采集。本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的更新或使用过程，以实际采集的训练数据输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
下面以第一设备为服务器，在服务器侧进行AI/ML模型的数据采集的场景进行说明：
请参见图10，图10是本申请实施例提供的一种AI/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由服务器执行。如图10所示，该方法可以包括但不限于如下步骤：
S1001，接收通信设备发送的AI/ML模型的输入数据，其中输入数据由通信设备基于确定的目标资源得到。
可选地，输入数据为信道测量相关数据，可以为RS测量数据、CSI、上行信道估计。
需要说明的是，输入数据可以为模型训练阶段所需要的训练数据；输入数据也可以为模型更新阶段 所需的更新数据；输入数据可以为模型推理阶段所需要的待推理数据。可选地，输入数据中还可以包括由AI/ML模型推理出的数据，也就是说，输入数据中可以包括实际采集的数据，也可以包括部分由由AI/ML模型推理出的数据。输入数据可以包括离线现场输入数据，也可以包括在线现场输入数据。
本申请实施例中，服务器可以为包括后台部件的数据服务器或包括中间件部件应用服务器、或者包括前端部件的服务器(例如，具有图形界面或者网络浏览器的服务器)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的服务器。可选地，服务器可以是云服务器，服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
本申请实施例中，通信设备可以为终端设备，也可以为网络设备。服务器可以接收终端设备或者网络设备获取到用于训练AI/ML模型的输入数据。可选地，终端设备或网络设备向服务器发送信令，请求把采集的输入数据发送给服务器。可选地，服务器向终端设备或网络设备发送信令，指示终端设备或网络设备把采集的输入数据发送给服务器。其中，采集的输入数据是由终端设备或网络设备基于确定的目标资源采集到。
其中，目标资源可以为RS资源，RS资源可以为CSI-RS资源、SRS资源或PRS资源。
在通信设备为终端设备的情况下，可选地，目标资源可以为CSI-RS资源时，输入数据可以为终端设备基于CSI-RS资源确定的下行信道信息或RS的测量数据，其中，信道信息可以包括CSI。RS的测量数据可以包括RS的接收功率。基于信道信息可以对用于CSI压缩的AI/ML模型进行训练。基于RS-测量数据可以对用于波束管理的AI/ML模型进行训练。可选地，目标资源可以为PRS资源时，输入数据可以为终端设备根据PRS资源确定信道冲击响应。基于信道冲击响应可以用于定位服务的AI/ML模型进行训练。关于终端设备采集输入数据的过程，可参见上述实施例中相关内容的记载，此处不再赘述。
在通信设备为网络设备的情况下，可选地，目标资源可以为CSI-RS资源，也可以PRS资源，也可以为SRS资源。目标资源为CSI-RS资源时，网络设备可以接收终端设备基于CSI-RS资源确定的下行信道信息或RS-测量数据，网络设备再发送给服务器。目标资源为PRS资源时，网络设备可以接收终端设备基于PRS资源确定的信道的冲击响应，网络设备再发送给服务器。目标资源为SRS资源时，网络设备基于终端设备通过SRS资源上报的SRS进行上行信道估计，得到上行信道信息，作为输入数据发送给服务器。关于网络设备采集输入数据的过程，可参见上述实施例中相关内容的记载，此处不再赘述。
S1002，将输入数据输入AI/ML模型进行处理。
其中，输入数据在ALAI/ML模型中的处理包括ALAI/ML模型的训练、更新和推理中的一种。例如，输入数据可以为训练数据，则可以基于训练数据对AI/ML模型进行训练，或者基于训练数据对AI/ML模型进行更新。再例如，输入数据可以为待推理数据，则可以基于AI/ML模型对待推理数据进行推理。
服务器基于输入数据对AI/ML模型进行训练的过程，与终端设备和网络设备基于输入数据对AI/ML模型进行训练的过程类簇，可参见上述实施例中相关内容的记载，此处不再赘述。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的更新过程，以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
请参见图11，图11是本申请实施例提供的一种AI/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由服务器执行。如图11所示，该方法可以包括但不限于如下步骤：
S1101，接收第二设备发送的AI/ML模型的输入数据，其中输入数据由第二设备基于确定的目标资 源得到。
可选地，输入数据为信道测量相关数据，可以为RS测量数据、CSI、上行信道估计。
可选地，第二设备为终端设备或网络设备。
关于步骤S1101的具体介绍，可参见上述实施例中相关内容的记载，此处不再赘诉。
S1102，将输入数据输入AI/ML模型中进行处理，并基于处理的结果确定AI/ML模型的性能参数。
网络设备将输入数据输入AI/ML模型中进行处理的过程与终端设备侧类似，与终端设备侧和网络设备侧的处理过程类似，可参见上述实施例中相关内容的记载，此处不再赘述。
S1103，在AI/ML模型的性能参数指示AI/ML模型未满足预设条件，重新采集输入数据，并基于重新采集的输入数据对AI/ML模型继续训练或更新。
若AI/ML模型的性能参数由服务器监测，在AI/ML模型的性能参数指示AI/ML模型未满足预设条件，服务器可以请求或者指示终端设备或网络设备重新采集新的输入数据并发送给服务器。
若AI/ML模型的性能参数由终端设备监测，在AI/ML模型的性能参数指示AI/ML模型未满足预设条件，终端设备可以重新采集新的输入数据并发送给服务器。
若AI/ML模型的性能参数由网络设备监测，在AI/ML模型的性能参数指示AI/ML模型未满足预设条件，网络设备可以重新采集输入数据并发送给服务器。
关于终端设备或网络设备在AI/ML模型未满足训练结束条件，重新采集输入数据的过程，可参见上述实施例中相关内容的记载，此处不再赘述。
S1104，在AI/ML模型的性能参数指示AI/ML模型满足预设条件，向通信设备发送模型更新结束的指示信息和/或更新后的AI/ML模型。
可选地，在AI/ML模型的性能参数指示AI/ML模型满足预设条件，可以将满足预设条件时得到的AI/ML模型，作为推理时的目标AI/ML模型。本申请实施例中，可以在服务器进行AI/ML模型的训练或更新，在训练或更新结束可以将训练后的模型传输给通信设备。其中，模型的传输至少包括整个模型、整个模型的参数、部分模型和部分模型参数中的一种。例如，以用于CSI压缩的AI/ML模型为例，该CSI压缩的AI/ML模型可以包含编码器和解码器两部分，其中编码器用于对下行信道信息进行压缩，解码器用于对压缩后的信息进行恢复，得到原来的下行信道信息。在训练出用于CSI压缩的AI/ML模型，可以将模型中的解码器部署在网络设备，即服务器可以将解码器发送给网络设备。在训练出用于CSI压缩的AI/ML模型，可以将模型中的编码器部署在终端设备，即服务器可以将编码器发送给终端设备。
可选地，在通信设备为终端设备的情况下，终端设备可以下载训练后的AI/ML模型到本地后，再由终端设备向网络设备上传训练后的AI/ML模型的全部或部分。可选地，在通信设备为网络设备的情况下，网络设备可以下载训练后的AI/ML模型到本地后，再由网络设备向终端设备上传训练后的AI/ML模型的全部或部分。
在AI/ML模型的性能参数指示AI/ML模型满足预设条件时，服务器可以向通信设备即终端设备或者网络设备发送停止该AI/ML模型的输入数据的采集和发送的指示。
在通信设备为终端设备的情况下，终端设备接收到服务器发送的停止采集指示后，终端设备停止输入数据采集和发送。终端设备可以向网络设备发送指示，指示网络设备可以采用训练后的AL/ML模型实现数据传输。可选地，终端设备还可以向网络设备发送信令去激活数据采集的资源配置。其中，关于终端设备去激活的具体过程，可参见上述实施例中相关内容的记载，此处不再赘述。
在通信设备为网络设备的情况下，网络设备接收到服务器发送的停止采集指示后，停止输入数据采 集和发送。网络设备可以向终端设备发送指示，指示终端可以采用AL/ML模型实现数据传输。可选地，网络向终端发送信令去激活数据采集的资源配置。
下面以服务器对用于CSI压缩的AI/ML模型进行训练为例，对本申请实施例提供的服务器侧的数据采集过程进行解释说明：
用于CSI压缩的AL/ML模型包括编码器和解码器两部分，可以由服务器训练得到，可选地，服务器可以为数据中心服务器(Over-the-top server,OTT server)。
终端设备(UE)通过信令向OTT服务器下载AI/ML模型，在OTT服务器训练AI/ML模型的阶段，由UE将采集的数据发送给OTT服务器。UE根据网络设备(gNB)配置的CSI-RS资源进行下行信道信息的采集，下行信道信息为输入数据。当UE采集的下行信道信息量或时长达到预定义的停止要求时，UE可以停止输入数据的采集。
在输入数据采集期间，UE可以在采集的下行信道信息的同时，把采集的输入数据传输给OTT服务器，或者按照一定的数据量大小如10M，把采集10M的数据一起发送给OTT服务器。
OTT服务器基于UE上报的数据进行AI/ML模型训练，得到训练后的包括编码器和解码器的AI/ML模型。当训练后的AI/ML模型的性能满足要求后，UE下载所训练的编码器和解码器。然后由UE把下载的解码器部分再上传给gNB。可选地，若训练的模型还不能满足要求，UE还可通过UCI向gNB发送信令指示重新配置CSI-RS资源。OTT服务器向UE发送信令继续由UE上传新的下行信道信息即输入数据，直至训练后的AL/ML模型的性能满足要求后，OTT服务器通知UE停止输入数据的采集。
若UE监测到AI/ML性能变差时，UE通过信令通知OTT服务器接收新采集的输入数据继续进行AI/ML模型训练。可选地，UE通过UCI通知gNB配置新的CSI-RS资源，重新进行输入数据的采集，并把新采集的输入数据发送给OTT服务器，OTT服务器接收新的输入数据进行训练。在训练出满足性能要求的AI/ML模型，OTT服务器通过信令通知UE停止输入数据采集，并把更新的编码器和解码器模型下载给UE，UE再把更新的解码器上传给gNB。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的更新过程，以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
针对上述服务器侧采集AI/ML模型的输入数据的场景，与前述的服务器侧的实施例相对应的，本申请实施例还提出了一种由通信设备执行的AI/ML模型的数据采集方法；本领域内技术人员可以理解，通信设备侧的方法是与服务器侧的方法相对应的；因此在服务器侧的解释和表述，在通信设备侧的实施例中不再进行重复描述。
请参见图12，图12是本申请实施例提供的一种AI/ML模型的数据采集方法的流程示意图。该AI/ML模型的数据采集方法由第二设备执行。如图12所示，该方法可以包括但不限于如下步骤：
S1201，基于配置的目标资源确定AI/ML模型的输入数据。
S1202，向服务器发送AI/ML模型的输入数据。
可选地，输入数据为信道测量相关数据，可以为RS测量数据、CSI、上行信道估计。
本申请实施例中，第二设备可以为终端设备，也可以为网络设备。可选地，终端设备或网络设备向服务器发送信令，请求把采集的输入数据发送给服务器。可选地终端设备或网络设备可以接收服务器发送的信令，该信令指示终端设备或网络设备把采集的输入数据发送给服务器。其中，采集的输入数据是 由终端设备或网络设备基于确定的目标资源采集到。
其中，目标资源可以为RS资源，RS资源可以为CSI-RS资源，也可以为SRS资源，也可以为PRS资源。
在通信设备为终端设备的情况下，可选地，目标资源可以为CSI-RS资源时，输入数据可以为终端设备基于CSI-RS资源确定的下行信道信息或RS的测量数据，作为输入数据发送给服务器。关于终端设备采集输入数据的过程，可参见上述实施例中相关内容的记载，此处不再赘述。
在通信设备为网络设备的情况下，可选地，目标资源可以为CSI-RS资源，也可以PRS资源，也可以为SRS资源。目标资源为CSI-RS资源时，网络设备可以接收终端设备基于CSI-RS资源确定的下行信道信息或RS-测量数据，网络设备再发送给服务器。目标资源为PRS资源时，网络设备可以接收终端设备基于PRS资源确定的信道冲击响应，网络设备再发送给服务器。目标资源为SRS资源时，网络设备基于终端设备通过SRS资源上报的SRS进行上行信道估计，得到上行信道信息，并作为输入数据发送给服务器。关于网络设备采集输入数据的过程，可参见上述实施例中相关内容的记载，此处不再赘述。
服务器在获取到输入数据后，可以基于输入数据对AI/ML模型进行处理。
例如在AI/ML模型的训练阶段，每次训练结束后可以获取AI/ML模型的性能参数。可选地，在AI/ML模型的性能参数指示AI/ML模型未满足训练结束条件，需要通信设备重新采集输入数据并上报给服务器，进而服务器基于重新采集的输入数据对AI/ML模型继续训练或更新AI/ML模型。
本申请实施例中，通信设备可以接收服务器发送的输入数据的重新采集指示。可选地，在通信设备为网络设备的情况下，基于重新采集指示向终端设备发送重配的目标资源，终端设备在重配置的目标资源重新采集输入数据，并上报给网络设备，网络设备再发送给服务器。可选地，在通信设备为终端设备的情况下，终端设备基于重新采集指示向网络设备发送资源重配置信息，接收网络设备根据资源重配置信息为终端设备重配置的目标资源，终端在重配置的目标资源重新采集输入数据，并发送给服务器。
可选地，第二设备可以接收服务器发送的训练结束的指示信息和/或训练后的AL/ML模型。
可选地，第二设备在输入数据满足采集结束条件或者接收到采集停止指示，停止对输入数据的采集。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的训练过程，以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
上述本申请提供的实施例中，分别从网络设备、终端设备、服务器的角度对本申请实施例提供的方法进行了介绍。为了实现上述本申请实施例提供的方法中的各功能，网络设备、终端设备和服务器可以包括硬件结构、软件模块，以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能可以以硬件结构、软件模块、或者硬件结构加软件模块的方式来执行。
请参见图13，为本申请实施例提供的一种第一设备130的结构示意图。图13所示的第二设备130可包括收发模块131和处理模块132。收发模块131可包括发送模块和/或接收模块，发送模块用于实现发送功能，接收模块用于实现接收功能，收发模块131可以实现发送功能和/或接收功能。
第一设备130可以是终端设备，也可以是终端设备中的装置，还可以是能够与终端设备匹配使用的装置。或者，第一设备130可以是网络设备，也可以是网络设备中的装置，还可以是能够与网络设备匹配使用的装置。或者，第一设备130可以是服务器，也可以是服务器中的装置，还可以是能够与服务器匹配使用的装置。
处理模块132，用于获取基于目标资源确定的AI/ML模型的输入数据，将输入数据输入AI/ML模型中进行处理，输入数据为信道测量相关数据，处理为AI/ML模型的训练、更新或推理。
可选地，处理模块132，还用于将输入数据输入AI/ML模型中进行处理，并基于处理的结果确定AI/ML模型的性能参数；响应于性能参数指示AI/ML模型未满足预设条件，重新采集输入数据，并基于重新采集的输入数据对AI/ML模型继续训练或更新。
可选地，处理模块132，还用于响应于性能参数指示AI/ML模型满足预设条件，向用于数据采集的第二设备发送模型更新结束的指示信息和/或更新后的AI/ML模型。
可选地，第一设备为终端设备或网络设备，处理模块132，还用于确定输入数据满足采集结束条件，则停止对输入数据的采集；或者，
可选地，处理模块132，还用于确定输入数据满足采集结束条件，向用于数据采集的第二设备发送停止采集指示。
可选地，输入数据还包括AI/ML模型推理输出的数据。
本申请实施例中，第一设备为终端设备，第二设备为网络设备的场景下：
可选地，处理模块132，还用于：接收网络设备为终端设备配置的目标资源；或者，从终端设备原有的配置资源中确定目标资源。
可选地，目标资源为参考信号RS资源，处理模块132，还用于：基于RS资源确定的下行信道信息或RS的测量数据，作为输入数据。
可选地，处理模块132，还用于：对目标资源进行更新，并基于更新后的目标资源重新采集输入数据。
可选地，收发模块131，用于：向网络设备发送资源重配置信息；接收网络设备根据资源重配置信息为终端设备重配置的目标资源。
本申请实施例中，第一设备为网络设备，第二设备为终端设备的场景下：
可选地，收发模块131，用于：向终端设备配置目标资源；接收终端设备基于目标资源向网络设备发送的反馈信息；基于反馈信息确定输入数据。
可选地，目标资源为RS资源，收发模块131，还用于：接收终端设备发送的根据RS资源确定的下行信道信息或RS的测量数据；
可选地，处理模块132，还用于确定下行信道信息或RS的测量数据为输入数据；或者，
可选地，目标资源为探测参考信号SRS资源，收发模块131，还用于：接收终端设备在SRS资源上发送的SRS；
可选地，处理模块132，还用于根据SRS进行上行信道估计，确定上行信道信息，作为输入数据。
本申请实施例中，第一设备为服务器，第二设备为终端设备或网络设备的场景下：
可选地，收发模块131，用于：接收第二设备发送的AI/ML模型的输入数据，输入数据由第二设备基于配置的目标资源进行采集得到。
可选地，目标资源为RS资源，输入数据为终端设备基于RS资源确定的下行信道信息或RS的测量数据；或者，
可选地，目标资源为SRS资源，输入数据为网络设备发送的上行信道信息，上行信道信息由网络设备通过SRS资源上报的SRS进行上行信道估计得到。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的训练过 程，以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
请参见图14，为本申请实施例提供的一种第二设备140的结构示意图。图14所示的第二设备140可包括收发模块141和处理模块142。收发模块141可包括发送模块和/或接收模块，发送模块用于实现发送功能，接收模块用于实现接收功能，收发模块141可以实现发送功能和/或接收功能。
第二设备140可以是终端设备，也可以是终端设备中的装置，还可以是能够与终端设备匹配使用的装置。或者，第二设备140可以是网络设备，也可以是网络设备中的装置，还可以是能够与网络设备匹配使用的装置。
处理模块142，用于确定目标资源，目标资源用于确定AI/ML模型的输入数据，输入数据为信道测量相关数据；其中，AI/ML模型基于输入数据进行处理，处理为对AI/ML模型的训练、更新或推理。
可选地，收发模块141，用于向部署有AI/ML模型的第一设备发送输入数据。
可选地，收发模块141，还用于接收第一设备发送的模型更新结束的指示信息和/或更新后的AI/ML模型。
可选地，处理模块142，还用于在输入数据满足采集结束条件时，则停止对输入数据的采集。
可选地，处理模块142，还用于在输入数据满足采集结束条件时，去激活目标资源。
可选地，第二设备为网络设备，第一设备为终端设备，收发模块141，还用于向终端设备发送为其配置的目标资源。
可选地，收发模块141，还用于接收终端设备发送的资源重配置信息；根据资源重配置信息为终端设备重配置目标资源。
可选地，第二设备为终端设备，第一设备为网络设备，收发模块141，还用于接收网络设备配置的目标资源。
可选地，目标资源为RS资源，收发模块141，还用于向网络设备发送的根据RS资源确定的下行信道信息或RS的测量数据，信道信息或RS的测量数据为输入数据；或者，
可选地，目标资源为探测参考信号SRS资源，收发模块141，还用于在SRS资源上向网络设备发送SRS，SRS用于进行上行信道估计得到上行信道信息作为输入数据。
可选地，收发模块141，还用于接收网络设备发送的输入数据的重新采集指示，并基于重新采集指示向网络设备发送重新采集的输入数据或SRS，或者；
可选地，收发模块141，还用于基于重新采集指示向网络设备发送资源重配置信息；接收网络设备根据资源重配置信息为终端设备重配置的目标资源，重配置的目标资源用于重新采集输入数据。
可选地，第一设备为服务器，第二设备为终端设备，目标资源为RS资源，收发模块141，还用于向服务器发送基于RS资源确定的下行信道信息或RS的测量数据，其中，下行信道信息或RS的测量数据为输入数据；或者，
可选地，第一设备为服务器，第二设备为网络设备，目标资源为SRS资源，收发模块141，还用于接收终端设备通过SRS资源上报的SRS；基于SRS进行上行信道估计得到，得到上行信道信息，并发送给服务器。
可选地，收发模块141，还用于接收服务器发送的输入数据的重新采集指示；
第二设备为网络设备，收发模块141，还用于基于重新采集指示向终端设备发送重配的目标资源， 其中，重配置的目标资源用于重新采集输入数据；或者，
第二设备为终端设备，收发模块141，还用于基于重新采集指示向网络设备发送资源重配置信息；接收网络设备根据资源重配置信息为终端设备重配置的目标资源，重配置的目标资源用于重新采集输入数据。
本申请实施例中，可以基于配置的目标资源进行输入数据的采集，从而使得AL/ML模型的训练过程，以实际采集的输入数据为驱动，可以提高AL/ML模型性能参数，使得训练好的AL/ML模型可以更好地应用于无线通信技术领域，不仅可以便于降低信令开销，节省资源；而且由于训练好的AI/ML模型性能较好，从而也可以保证基于AI/ML模型的数据传输的安全。
请参见图15，图15是本申请实施例提供的一种通信装置150的结构示意图。通信装置150可以是第一设备，也可以是第二设备，可以是网络设备，也可以是终端设备，也可以是支持网络设备实现上述方法的芯片、芯片系统、或处理器等，还可以是支持终端设备实现上述方法的芯片、芯片系统、或处理器等。该装置可用于实现上述方法实施例中描述的方法，具体可以参见上述方法实施例中的说明。
通信装置150可以包括一个或多个处理器151。处理器151可以是通用处理器或者专用处理器等。例如可以是基带处理器或中央处理器。基带处理器可以用于对通信协议以及通信数据进行处理，中央处理器可以用于对通信装置(如，基站、基带芯片，终端设备、终端设备芯片，DU或CU等)进行控制，执行计算机程序，处理计算机程序的数据。
可选的，通信装置150中还可以包括一个或多个存储器152，其上可以存有计算机程序153，处理器151执行所述计算机程序153，以使得通信装置150执行上述方法实施例中描述的方法。可选的，所述存储器152中还可以存储有数据。通信装置130和存储器152可以单独设置，也可以集成在一起。
可选的，通信装置150还可以包括收发器154、天线155。收发器154可以称为收发单元、收发机、或收发电路等，用于实现收发功能。收发器154可以包括接收器和发送器，接收器可以称为接收机或接收电路等，用于实现接收功能；发送器可以称为发送机或发送电路等，用于实现发送功能。
可选的，通信装置150中还可以包括一个或多个接口电路156。接口电路156用于接收代码指令并传输至处理器151。处理器151运行所述代码指令以使通信装置150执行上述方法实施例中描述的方法。
通信装置150为第一设备可用于执行前述由第一设备执行的实施例。
通信装置150为第二设备可用于执行前述由第二设备执行的实施例。
通信装置150为终端设备可用于执行前述由终端设备执行的实施例。
通信装置150为网络设备可用于执行前述由网络设备执行的实施例。
通信装置150为服务器可用于执行前述由服务器执行的实施例。
在一种实现方式中，处理器151中可以包括用于实现接收和发送功能的收发器。例如该收发器可以是收发电路，或者是接口，或者是接口电路。用于实现接收和发送功能的收发电路、接口或接口电路可以是分开的，也可以集成在一起。上述收发电路、接口或接口电路可以用于代码/数据的读写，或者，上述收发电路、接口或接口电路可以用于信号的传输或传递。
在一种实现方式中，处理器151可以存有计算机程序153，计算机程序153在处理器151上运行，可使得通信装置150执行上述方法实施例中描述的方法。计算机程序153可能固化在处理器151中，该种情况下，处理器151可能由硬件实现。
在一种实现方式中，通信装置150可以包括电路，所述电路可以实现前述方法实施例中发送或接收或者通信的功能。本申请中描述的处理器和收发器可实现在集成电路(integrated circuit，IC)、模拟IC、 射频集成电路RFIC、混合信号IC、专用集成电路(application specific integrated circuit，ASIC)、印刷电路板(printed circuit board，PCB)、电子设备等上。该处理器和收发器也可以用各种IC工艺技术来制造，例如互补金属氧化物半导体(complementary metal oxide semiconductor，CMOS)、N型金属氧化物半导体(nMetal-oxide-semiconductor，NMOS)、P型金属氧化物半导体(positive channel metal oxide semiconductor，PMOS)、双极结型晶体管(bipolar junction transistor，BJT)、双极CMOS(BiCMOS)、硅锗(SiGe)、砷化镓(GaAs)等。
以上实施例描述中的通信装置可以是网络设备或者终端设备(如前述方法实施例中的第一终端设备)，但本申请中描述的通信装置的范围并不限于此，而且通信装置的结构可以不受图15的限制。通信装置可以是独立的设备或者可以是较大设备的一部分。例如所述通信装置可以是：
(1)独立的集成电路IC，或芯片，或，芯片系统或子系统；
(2)具有一个或多个IC的集合，可选的，该IC集合也可以包括用于存储数据，计算机程序的存储部件；
(3)ASIC，例如调制解调器(Modem)；
(4)可嵌入在其他设备内的模块；
(5)接收机、终端设备、智能终端设备、蜂窝电话、无线设备、手持机、移动单元、车载设备、网络设备、云设备、人工智能设备等等；
(6)其他等等。
对于通信装置可以是芯片或芯片系统的情况，可参见图16所示的芯片的结构示意图。图16所示的芯片160包括处理器161和接口162。其中，处理器161的数量可以是一个或多个，接口162的数量可以是多个。
对于芯片用于实现本申请实施例中第一设备的功能。
对于芯片用于实现本申请实施例中第二设备的功能。
对于芯片用于实现本申请实施例中终端设备的功能。
对于芯片用于实现本申请实施例中网络设备的功能的情况。
对于芯片用于实现本申请实施例中服务器的功能的情况。
可选的，芯片还包括存储器163，存储器163用于存储必要的计算机程序和数据。
本领域技术人员还可以了解到本申请实施例列出的各种说明性逻辑块(illustrative logical block)和步骤(step)可以通过电子硬件、电脑软件，或两者的结合进行实现。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本申请实施例保护的范围。
本申请还提供一种可读存储介质，其上存储有指令，该指令被计算机执行时实现上述任一方法实施例的功能。
本申请还提供一种计算机程序产品，该计算机程序产品被计算机执行时实现上述任一方法实施例的功能。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序。在计算机上加载和执行所述计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以 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，所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机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成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，DVD))、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也表示先后顺序。
本申请中的至少一个还可以描述为一个或多个，多个可以是两个、三个、四个或者更多个，本申请不做限制。在本申请实施例中，对于一种技术特征，通过“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”等区分该种技术特征中的技术特征，该“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”描述的技术特征间无先后顺序或者大小顺序。
本申请中各表所示的对应关系可以被配置，也可以是预定义的。各表中的信息的取值仅仅是举例，可以配置为其他值，本申请并不限定。在配置信息与各参数的对应关系时，并不一定要求必须配置各表中示意出的所有对应关系。例如，本申请中的表格中，某些行示出的对应关系也可以不配置。又例如，可以基于上述表格做适当的变形调整，例如，拆分，合并等等。上述各表中标题示出参数的名称也可以采用通信装置可理解的其他名称，其参数的取值或表示方式也可以通信装置可理解的其他取值或表示方式。上述各表在实现时，也可以采用其他的数据结构，例如可以采用数组、队列、容器、栈、线性表、指针、链表、树、图、结构体、类、堆、散列表或哈希表等。
本申请中的预定义可以理解为定义、预先定义、存储、预存储、预协商、预配置、固化、或预烧制。
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。
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 (32)
- 一种AI/ML模型的数据采集方法，其特征在于，由第一设备执行，所述方法包括：获取基于目标资源确定的AI/ML模型的输入数据，其中，所述输入数据为信道测量相关数据；将所述输入数据输入所述AI/ML模型中进行处理，所述处理为对所述AI/ML模型的训练、更新或推理。
- 根据权利要求1所述的方法，其特征在于，所述将所述输入数据输入所述AI/ML模型中进行处理，包括：将所述输入数据输入所述AI/ML模型中进行处理，并基于所述处理的结果确定所述AI/ML模型的性能参数；响应于所述性能参数指示所述AI/ML模型未满足预设条件，重新采集所述输入数据，并基于所述重新采集的输入数据对所述AI/ML模型继续训练或更新。
- 根据权利要求2所述的方法，其特征在于，所述方法还包括：响应于所述性能参数指示所述AI/ML模型满足所述预设条件，向用于数据采集的第二设备发送模型更新结束的指示信息和/或更新后的所述AI/ML模型。
- 根据权利要求1所述的方法，其特征在于，所述方法还包括：所述第一设备为终端设备或网络设备，所述第一设备确定所述输入数据满足采集结束条件，则停止对所述输入数据的采集；或者，所述第一设备向用于数据采集的第二设备发送停止采集指示。
- 根据权利要求1所述的方法，其特征在于，所述输入数据还包括所述AI/ML模型推理输出的数据。
- 根据权利要求1-5中任一项所述的方法，其特征在于，所述第一设备为终端设备，第二设备为网络设备，所述方法还包括：接收所述网络设备为所述终端设备配置的所述目标资源；或者，从所述终端设备原有的配置资源中确定所述目标资源。
- 根据权利要求6所述的方法，其特征在于，所述目标资源为参考信号RS资源，所述方法包括：基于所述RS资源确定的下行信道信息或RS的测量数据，作为所述输入数据。
- 根据权利要求7所述的方法，其特征在于，所述方法还包括：对所述目标资源进行更新，并基于所述更新后的目标资源重新采集所述输入数据。
- 根据权利要求8所述的方法，其特征在于，所述对所述目标资源进行更新，包括：向网络设备发送资源重配置信息；接收所述网络设备根据所述资源重配置信息为所述终端设备重配置的所述目标资源。
- 根据权利要求1-5中任一项所述的方法，其特征在于，所述第一设备为网络设备，第二设备为终端设备，所述方法还包括：向所述终端设备配置所述目标资源；接收所述终端设备基于所述目标资源向所述网络设备发送的反馈信息；基于所述反馈信息确定所述输入数据。
- 根据权利要求10所述的方法，其特征在于，所述目标资源为RS资源，所述方法还包括：接收所述终端设备发送的根据所述RS资源确定的下行信道信息或RS的测量数据；确定所述下行信道信息或RS的测量数据为所述输入数据；或者，所述目标资源为探测参考信号SRS资源，所述方法还包括：接收所述终端设备在所述SRS资源上发送的SRS；根据所述SRS进行上行信道估计，确定上行信道信息，作为所述输入数据。
- 根据权利要求1-5中任一项，其特征在于，所述第一设备为服务器，第二设备为终端或网络设备，所述方法还包括：接收第二设备发送的AI/ML模型的输入数据，所述输入数据由所述第二设备基于配置的目标资源进行采集得到。
- 根据权利要求12所述的方法，其特征在于，所述目标资源为RS资源，所述输入数据为所述终端设备基于所述RS资源确定的下行信道信息或RS的测量数据；或者，所述目标资源为SRS资源，所述输入数据为网络设备发送的上行信道信息，所述上行信道信息由所述网络设备通过所述SRS资源上报的SRS进行上行信道估计得到。
- 一种AI/ML模型的数据采集方法，其特征在于，由第二设备执行，所述方法包括：确定目标资源，所述目标资源用于确定AI/ML模型的输入数据，所述输入数据为信道测量相关数据；其中，所述AI/ML模型基于所述输入数据进行处理，所述处理为对所述AI/ML模型的训练、更新或推理。
- 根据权利要求14所述的方法，其特征在于，所述方法还包括：向所述第一设备发送所述输入数据。
- 根据权利要求14所述的方法，其特征在于，所述方法还包括：接收所述第一设备发送的模型更新结束的指示信息和/或更新后的所述AI/ML模型。
- 根据权利要求14所述的方法，其特征在于，所述方法还包括：所述第二设备在所述输入数据满足采集结束条件时，则停止对所述输入数据的采集；或者，所述第二设备接收所述第一设备发送的停止采集指示，并基于所述停止采集指示停止对所述输入数据的采集。
- 根据权利要求14-17中任一项所述的方法，其特征在于，所述第二设备为网络设备，所述方法还包括：所述第一设备为终端设备，所述网络设备向所述终端设备发送为其配置的所述目标资源。
- 根据权利要求18所述的方法，其特征在于，所述方法还包括：所述网络设备接收所述终端设备发送的资源重配置信息；所述网络设备根据所述资源重配置信息为所述终端设备重配置所述目标资源。
- 根据权利要求14-17中任一项所述的方法，其特征在于，所述第二设备为终端设备，所述方法包括：所述第一设备为网络设备，所述终端设备接收所述网络设备配置的所述目标资源。
- 根据权利要求20所述的方法，其特征在于，所述目标资源为RS资源，所述方法还包括：所述终端设备向所述网络设备发送根据所述RS资源确定的下行信道信息或RS的测量数据，所述 信道信息或RS的测量数据为所述输入数据；或者，所述目标资源为探测参考信号SRS资源，所述方法还包括：所述终端设备在所述SRS资源上向所述网络设备发送SRS，所述SRS用于进行上行信道估计得到上行信道信息作为所述输入数据。
- 根据权利要求21所述的方法，其特征在于，所述方法还包括：所述终端设备接收所述网络设备发送的所述输入数据的重新采集指示，并基于所述重新采集指示向所述网络设备发送重新采集的所述输入数据或SRS；或者，所述终端设备基于所述重新采集指示向所述网络设备发送资源重配置信息；所述终端设备接收所述网络设备根据所述资源重配置信息为所述终端设备重配置的所述目标资源，所述重配置的所述目标资源用于重新采集所述输入数据。
- 根据权利要求14-17中任一项所述的方法，其特征在于，所述目标资源为RS资源，所述方法还包括：所述第一设备为服务器，所述第二设备为终端设备，所述终端设备向所述服务器发送基于所述RS资源确定的下行信道信息或RS的测量数据，其中，所述下行信道信息或RS的测量数据为所述输入数据；或者，所述目标资源为SRS资源，所述方法还包括：所述第一设备为服务器，所述第二设备为网络设备，所述网络设备接收所述终端设备通过所述SRS资源上报的SRS；所述网络设备基于所述SRS进行上行信道估计，得到上行信道信息，并发送给所述服务器。
- 根据权利要求23所述的方法，其特征在于，所述方法还包括：所述第二设备接收所述服务器发送的所述输入数据的重新采集指示；所述第二设备为网络设备，所述网络设备基于所述重新采集指示向所述终端设备发送重配的目标资源，其中，所述重配置的所述目标资源用于重新采集所述输入数据；或者，所述第二设备为终端设备，所述终端设备基于所述重新采集指示向所述网络设备发送资源重配置信息；所述终端设备接收所述网络设备根据所述资源重配置信息为所述终端设备重配置的所述目标资源，所述重配置的所述目标资源用于重新采集所述输入数据。
- 一种第一设备，其特征在于，包括：处理模块，用于获取基于目标资源确定的AI/ML模型的输入数据，并将所述输入数据输入所述AI/ML模型中进行处理，所述输入数据为信道测量相关数据，所述处理为所述AI/ML模型的训练、更新或推理。
- 一种第二设备，其特征在于，包括：处理模块，用于确定目标资源，所述目标资源用于确定AI/ML模型的输入数据，所述输入数据为信道测量相关数据；其中，所述AI/ML模型基于所述输入数据进行处理，所述处理为对所述AI/ML模型的训练、更新或推理。
- 一种第一设备，其特征在于，所述第一设备包括处理器和存储器，所述存储器中存储有计算机 程序，所述处理器执行所述存储器中存储的计算机程序，以使所述设备执行如权利要求1-13中任一项所述的方法。
- 一种第二设备，其特征在于，所述第二设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述存储器中存储的计算机程序，以使所述设备执行如权利要求14-24中任一项所述的方法。
- 一种第一设备，其特征在于，包括：处理器和接口电路；所述接口电路，用于接收代码指令并传输至所述处理器；所述处理器，用于运行所述代码指令以执行如权利要求1-13中任一项所述的方法。
- 一种第二设备，其特征在于，包括：处理器和接口电路；所述接口电路，用于接收代码指令并传输至所述处理器；所述处理器，用于运行所述代码指令以执行如权利要求14-24中任一项所述的方法。
- 一种计算机可读存储介质，用于存储有指令，当所述指令被执行时，使如权利要求1-13中任一项所述的方法。
- 一种计算机可读存储介质，用于存储有指令，当所述指令被执行时，使如权利要求14-24中任一项所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2022/100460 WO2023245498A1 (zh) | 2022-06-22 | 2022-06-22 | 一种al/ml模型的数据采集方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117616733A true CN117616733A (zh) | 2024-02-27 |
Family
ID=89378820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280002092.XA Pending CN117616733A (zh) | 2022-06-22 | 2022-06-22 | 一种al/ml模型的数据采集方法及其装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117616733A (zh) |
| WO (1) | WO2023245498A1 (zh) |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10877957B2 (en) * | 2018-06-29 | 2020-12-29 | Wipro Limited | Method and device for data validation using predictive modeling |
| JP6614325B1 (ja) * | 2018-12-28 | 2019-12-04 | 富士通クライアントコンピューティング株式会社 | 推論処理装置及び情報処理システム |
| EP3932011A1 (en) * | 2019-02-26 | 2022-01-05 | Telefonaktiebolaget LM Ericsson (publ) | Method and devices for transfer learning for inductive tasks in radio access network |
| CN113747462A (zh) * | 2020-05-30 | 2021-12-03 | 华为技术有限公司 | 一种信息处理方法及相关设备 |
| CN114071484A (zh) * | 2020-07-30 | 2022-02-18 | 华为技术有限公司 | 基于人工智能的通信方法和通信装置 |
| CN114640602A (zh) * | 2020-11-30 | 2022-06-17 | 华为技术有限公司 | 网络设备、数据传输方法、装置、系统及可读存储介质 |
| CN113971430A (zh) * | 2021-06-21 | 2022-01-25 | 上海工程技术大学 | 信号检测及模型训练方法、装置、设备及存储介质 |
-
2022
- 2022-06-22 WO PCT/CN2022/100460 patent/WO2023245498A1/zh unknown
- 2022-06-22 CN CN202280002092.XA patent/CN117616733A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023245498A1 (zh) | 2023-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115336191B (zh) | 一种最大传输层数的调整的方法及其装置 | |
| CN116889068A (zh) | 参考配置信息的配置方法及其装置 | |
| CN116157706A (zh) | 全球导航卫星系统gnss定位测量方法及装置 | |
| CN117616733A (zh) | 一种al/ml模型的数据采集方法及其装置 | |
| CN115136660A (zh) | 中继连接方法及装置 | |
| CN116195215A (zh) | 一种探测参考信号srs资源的调整方法及其装置 | |
| CN115004774B (zh) | 信息上报方法及装置 | |
| WO2023077471A1 (zh) | 位置信息更新方法和装置 | |
| CN114026907B (zh) | 一种上行波束的测量方法及其装置 | |
| EP4362583A1 (en) | Resource allocation method and apparatus thereof | |
| WO2023197187A1 (zh) | 一种信道状态信息的处理方法及装置 | |
| EP4354942A1 (en) | Information acquisition method and apparatus, and storage medium | |
| CN116420372A (zh) | 一种反馈方法、装置、设备及存储介质 | |
| CN117751604A (zh) | 一种信息指示方法、装置、设备及存储介质 | |
| CN116636262A (zh) | 时钟同步方法及装置 | |
| CN116195326A (zh) | 一种探测参考信号srs的发送方法及其装置 | |
| CN116762449A (zh) | 测量间隔配置方法及装置 | |
| CN116137946A (zh) | 终端多输入多输出mimo传输层数的调整方法及装置 | |
| CN116472756A (zh) | 一种ai模型的注册方法/装置/设备及存储介质 | |
| CN116420414A (zh) | 一种反馈方法、装置、设备及存储介质 | |
| CN116941302A (zh) | 一种请求系统信息的方法及其装置 | |
| CN116941292A (zh) | 联合信道估计的最大持续时间的上报方法及其装置 | |
| CN116349278A (zh) | 一种反馈方法、装置、设备及存储介质 | |
| CN116686317A (zh) | 一种fbe的cot的共享方法及其装置 | |
| CN116724655A (zh) | 一种数据压缩方法和装置 |
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 |