CN117716674A - 用于ai-ml模型训练的基于网络资源模型的解决方案 - Google Patents
用于ai-ml模型训练的基于网络资源模型的解决方案 Download PDFInfo
- Publication number
- CN117716674A CN117716674A CN202280046922.9A CN202280046922A CN117716674A CN 117716674 A CN117716674 A CN 117716674A CN 202280046922 A CN202280046922 A CN 202280046922A CN 117716674 A CN117716674 A CN 117716674A
- Authority
- CN
- China
- Prior art keywords
- training
- entity
- attribute
- mns
- management
- 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
- 238000012549 training Methods 0.000 title claims abstract description 496
- 238000010801 machine learning Methods 0.000 claims abstract description 703
- 238000007726 management method Methods 0.000 claims abstract description 339
- 238000013500 data storage Methods 0.000 claims abstract description 8
- 238000013473 artificial intelligence Methods 0.000 claims description 206
- 230000006870 function Effects 0.000 claims description 119
- 238000000034 method Methods 0.000 claims description 83
- 238000003860 storage Methods 0.000 claims description 49
- 238000010586 diagram Methods 0.000 claims description 36
- 238000004891 communication Methods 0.000 description 77
- 238000004458 analytical method Methods 0.000 description 39
- 230000008569 process Effects 0.000 description 26
- 238000012545 processing Methods 0.000 description 25
- 230000005540 biological transmission Effects 0.000 description 17
- 238000007405 data analysis Methods 0.000 description 15
- 230000001413 cellular effect Effects 0.000 description 14
- 230000009471 action Effects 0.000 description 11
- 238000013480 data collection Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000011664 signaling Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000013475 authorization Methods 0.000 description 4
- 238000012517 data analytics Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 101150071746 Pbsn gene Proteins 0.000 description 3
- 101150074586 RAN3 gene Proteins 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000008093 supporting effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101100086716 Caenorhabditis elegans ran-3 gene Proteins 0.000 description 1
- MJSPPDCIDJQLRE-YUMQZZPRSA-N S-methionyl-L-thiocitrulline Chemical compound CSCC[C@@H](C(S/C(\N)=N/CCC[C@@H](C(O)=O)N)=O)N MJSPPDCIDJQLRE-YUMQZZPRSA-N 0.000 description 1
- 102100040255 Tubulin-specific chaperone C Human genes 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 108010093459 tubulin-specific chaperone C Proteins 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- WDQKVWDSAIJUTF-GPENDAJRSA-N via protocol Chemical compound ClCCNP1(=O)OCCCN1CCCl.O([C@H]1C[C@@](O)(CC=2C(O)=C3C(=O)C=4C=CC=C(C=4C(=O)C3=C(O)C=21)OC)C(=O)CO)[C@H]1C[C@H](N)[C@H](O)[C@H](C)O1.C([C@H](C[C@]1(C(=O)OC)C=2C(=C3C([C@]45[C@H]([C@@]([C@H](OC(C)=O)[C@]6(CC)C=CCN([C@H]56)CC4)(O)C(=O)OC)N3C=O)=CC=2)OC)C[C@@](C2)(O)CC)N2CCC2=C1NC1=CC=CC=C21 WDQKVWDSAIJUTF-GPENDAJRSA-N 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种用于为3GPP系统中的网络节点训练机器学习(ML)实体的装置可以包括通信地耦合到处理器电路的存储器接口。存储器接口可以向数据存储设备发送或从数据存储设备接收第五代系统(5GS)的网络资源模型(NRM)的管理信息。处理器电路可以使用管理信息来确定发起对ML实体的训练。训练可以由5GS的MnS生产者执行。处理器电路可以确定与ML实体相关联的推理类型，选择训练ML实体的训练数据，并且由MnS生产者使用选择的训练数据根据推理类型来训练ML实体。经训练的ML实体可以用于进行MnS消费者的推理操作。描述并要求保护其它实施例。
Description
本申请要求2021年12月13日提交的标题为“NRM BASED SOLUTIONS FOR AI-MLMODEL TRAINING”的先前提交美国临时专利申请第63/288,778号的权益和优先权，该申请以引用的方式被全文并入本文。
背景技术
无线通信系统的使用量正在快速增长。此外，无线通信技术已经从仅限语音的通信演进到还包括将诸如因特网和多媒体内容的数据传输到各种设备。为了适应越来越多的设备进行通信，许多无线通信系统在设备之间共享可用的通信信道资源。此外，物联网(Internet-of-Thing，IoT)设备的使用量也在增长，并且可以与诸如蜂窝网络的各种无线通信系统中的用户设备共存。
附图说明
为了容易地识别对任何特定元件或动作的讨论，附图标记中的最高有效数字指代该元件首次被引入的图号。
图1例示了无线通信系统。
图2例示了根据一个实施例的管理数据分析(MDA)系统。
图3例示了根据一个实施例的人工智能(AI)系统。
图4例示了根据一个实施例的MDA机器学习(ML)系统。
图5例示了根据一个实施例的图表。
图6例示了根据一个实施例的机器学习训练系统。
图7例示了根据一个实施例的消息流程。
图8例示了根据一个实施例的逻辑流程。
图9例示了根据一个实施例的机器学习软件架构。
图10例示了根据一个实施例的装置。
图11A例示了根据一个实施例的第一类图。
图11B例示了根据一个实施例的第二类图。
图12A例示了根据一个实施例的第一类层次结构。
图12B例示了根据一个实施例的第二类层次结构。
图13例示了根据一个实施例的第一网络。
图14例示了根据一个实施例的第二网络。
图15例示了根据一个实施例的第三网络。
图16例示了根据一个实施例的计算机可读介质。
具体实施方式
以下详细描述参考附图。在不同的附图中可以使用相同的附图标记来标识相同或相似的元件。在以下描述中，出于解释而非限制的目的，阐述了诸如特定结构、架构、接口、技术等的具体细节，以便提供对各种实施例的各个方面的透彻理解。然而，对于受益于本公开的本领域技术人员来说显而易见的是，可以在脱离这些具体细节的其他示例中实践各种实施例的各个方面。在某些情况下，省略了对公知设备、电路和方法的描述，以免不必要的细节模糊对各种实施例的描述。为了本文献的目的，短语“A或B”和“A/B”意指(A)、(B)或(A和B)。
各种实施例可以总体涉及无线通信领域。更具体地，各种实施例致力于用于实现人工智能(AI)和机器学习(ML)技术(统称为“AI”或“ML”或“AI/ML”)的无线电接入网(RAN)智能的原理、用于AI/ML功能的功能框架、用于AI/ML实现的优化的部件的输入/输出(I/O)、以及AI/ML实现的RAN的用例和解决方案。对于第三代合作伙伴计划(3GPP)系统，诸如符合技术规范组服务和系统方面(TSG SA)第五工作组(SA5)第五代(5G)系统的3GPP系统，由AI/ML实现的RAN智能可以被实施为例如与SA5 5G基于服务的管理架构(SBMA)一致的管理数据分析(MDA)系统或平台的一部分。实施例不限于该示例。
一些实施例致力于TSG RAN第三工作组(WG3)(RAN3)中正在进行的标准化活动。RAN3负责整个通用移动电信系统(UMTS)陆地无线电接入网(UTRAN)、演进UMTS陆地无线电接入网(E-UTRAN)和下一代RAN(NG-RAN)架构以及用于相关网络接口的协议规范。实施例可以涉及例如：3GPP技术报告(TR)28.809，标题为“Study on enhancement of ManagementData Analytics”，发布号16，版本17.0.0(2021年3月)；3GPP技术标准(TS)28.104，标题为“Management Data Analytics(MDA)”，发布号17，版本17.1.1(2022年9月)；3GPP TS28.620(删除)，标题为“Telecommunication management；Generic Network Resource Model(NRM)Integration Reference Point(IRP)；Information Service(IS)”；3GPP TS32.156，标题为“Telecommunication management；Fixed Mobile Convergence(FMC)ModelRepertoire”；3GPP TS28.104，标题为“Management and orchestration；Management DataAnalytics(MDA)”；3GPP TS23.288，标题为“Architecture enhancements for 5G System(5GS)to support network data analytics services”；以及3GPP TS28.532，标题为“Management and orchestration；Generic management services”，包括任何后代、修订和变体。已经至少在3GPP TS28.105(标题为“Artificial Intelligence/MachineLearning(AI/ML)management”，发布号17，版本0.1.0(2022年2月)到17.1.1(2022年9月)，包括任何后代、修订和变体)中采用了各种实施例。可以理解，某些实施例也可以涉及其它标准。实施例不限于该上下文。
一些实施例可以被实施为支持3GPP系统的管理数据分析(MDA)。例如，3GPPTS28.104指定具有对应分析输入和分析输出(报告)的MDA能力、以及管理数据分析服务(MDAS)、MDA的历史数据处理和对MDA的ML支持的过程和要求。本文献还描述了MDA功能和服务框架、以及管理环路中的MDA角色。在另一个实施例中，3GPP TR 28.809通常研究对MDA的增强。更具体地，3GPP TR 28.809描述MDA用例，识别对应的潜在需求，并提出具有分析输入和输出(报告)的可能解决方案。该研究还捕获MDA功能和服务框架、MDA过程、管理环路中的MDA角色和MDA的管理方面。而且，该研究提供了对与3GPP TSG SA RAN3和/或第五工作组(SA5)5G SBMA完全一致的标准规范工作的建议。SA5的主要目的是3GPP系统的管理、协调和计费。功能和服务的角度都被覆盖。
通常，MDA是自动化和智能的关键使能器，并且它被认为是移动网络和服务管理和协调的基本能力。MDA提供处理和分析与网络和服务事件以及状态相关的数据的能力，数据包括诸如性能测量、关键性能指标(KPI)、报告、警报、配置数据、网络分析数据和来自分析功能(AF)的服务体验数据。MDA可以提供分析输出，诸如统计或预测、根本原因分析问题、以及建议，以实现网络和服务操作的必要动作。MDA输出由管理数据分析服务(MDAS)生产者提供给请求分析的对应消费者。
MDA可以识别影响网络和服务的性能的持续存在的问题，并且帮助预先识别可能导致潜在故障和/或性能劣化的潜在问题。MDA还可以辅助预测网络和服务需求，以实现及时的资源提供和部署，这将允许上市时间快速的网络和服务部署。
MDAS是由MDA暴露的服务。MDAS可以由各种消费者消费，包括例如管理功能(MnF)(诸如用于网络和服务管理的管理服务(MnS)生产者和MnS消费者)、网络功能(NF)(例如，网络数据分析功能(NWDAF))、自组织网络(SON)功能、网络和服务优化工具/功能、服务等级规范(SLS)保障功能、人工操作员、应用功能(AF)等。SBMA上下文中的MDA MnS(也称为MDAS)使得任何授权消费者能够请求和接收分析。值得注意的是，术语MDAS和MDA MnS是等同的，并且可以在整个文献中互换使用。
3GPP标准中的一个重要研究和开发领域是支持3GPP系统的各种功能(诸如MDA和其它)的AI/ML技术。例如，3GPP TS28.105指定使用AI/ML的5GS的AI/ML管理能力和服务，包括管理和协调(例如，如3GPP TS28.104中定义的MDA)和5G网络(例如，如3GPP TS23.288中定义的网络数据分析功能(NWDAF))。3GPP TS28.105还描述了用于AI/ML管理的功能和服务框架。5GS中的AI/ML推理功能使用ML模型进行推理。为了实现和促进AI/ML操作，需要管理ML实体(其可以是ML模型或包含一个或多个ML模型的实体)和AI/ML推理功能。3GPPTS28.105指定AI/ML管理相关的能力和服务，其包括用于训练与ML实体相关联的(一个或多个)ML模型的ML训练。例如，3GPP TS28.105指定AI/ML功能和用于ML训练的服务框架。扮演ML训练MnS生产者角色的实体可以出于ML训练目的而消耗各种数据。ML实体训练能力由ML训练MnS生产者在SBMA的上下文中提供给授权消费者。ML实体训练指代与ML实体相关联的(一个或多个)ML模型的训练。ML训练MnS生产者可以实施与ML训练相关的内部业务逻辑，以便利用与MDA和5G网络相关的当前和历史数据来监测与ML实体相关的网络和/或服务，准备用于模型训练的数据，触发和进行适当的ML训练。
出于本文献的目的，具体参考3GPP TS28.105，ML实体是这样的实体，该实体是ML模型或包含一个或多个ML模型和ML模型相关元数据。它可以作为单个复合实体来管理。元数据可以包括例如ML模型的适用运行时间上下文。AI决策实体是应用基于非ML的逻辑来做出AI决策的实体，其可以作为单个复合实体来管理。ML模型或AI/ML模型是数学算法，其可以由作为示例的数据和人类专家输入来“训练”，以复制当提供相同信息时专家将做出的决策。ML模型训练指代ML训练功能获取数据、使其通过ML模型、导出相关联的损失并基于所计算的损失来调整该ML模型的参数化的能力。ML训练指代使得ML训练功能能够执行ML模型训练(如上文所定义)的能力和相关联的端到端过程。ML训练能力可以包括收集和格式化训练ML模型所需的数据的与其他方的交互、以及ML模型训练。ML训练功能是具有ML训练能力的功能；它也被称为MLT功能。AI/ML推理功能是采用ML实体和/或AI决策实体来进行推理的功能。
存在与常规3GPP系统相关联的许多挑战，常规3GPP系统仍未解决针对无线系统实施综合AI/ML策略。例如，ML训练的用例和要求不是标准化的，诸如3GPP系统中的AI/ML管理的信息模型定义的综合集合。
实施例试图解决这些和其它挑战。实施例定义了用于诸如5GS或第六代系统(6GS)的无线通信系统的ML训练的一组标准装置、系统、过程、方法和技术。实施例还提供了适合于AI/ML管理的一组信息模型定义。例如，在部署AI/ML模型之前的操作环境中，诸如为了AI/ML推理功能(被称为“推理功能”)进行推理，需要对其进行训练。ML训练可以由推理功能的外部实体来执行。在各种实施例中，ML模型由ML训练(MLT)MnS生产者训练。训练可以由来自一个或多个MLT MnS消费者的一个或多个请求触发，或者由MLT MnS生产者发起(例如，作为模型评估的结果)。
在一个实施例中，例如，适于训练3GPP系统中的网络节点的ML实体或模型的装置可以包括通信地耦合到处理器电路的存储器接口。存储器接口可以向数据存储设备发送或从数据存储设备接收针对第五代系统(5GS)的网络资源模型(NRM)的管理信息。处理器电路可以使用管理信息来确定发起对ML实体的训练。训练可以由5GS的MnS生产者执行。处理器电路可以确定与ML实体相关联的推理类型，选择训练ML实体的训练数据，并且由MnS生产者使用选择的训练数据根据推理类型来训练ML实体。经训练的ML实体可以用于为5GS的MnS消费者进行推理操作。描述并要求保护其它实施例。
现在参考附图，其中，相同的附图标记始终用于指代相同的元件。在以下描述中，出于解释的目的，阐述了许多具体细节以便提供对其的透彻理解。然而，可以在没有这些具体细节的情况下实践新颖实施例。在其它情况下，以框图形式示出了公知的结构和设备以便于对其进行描述。本发明旨在覆盖与所要求保护的主题相一致的所有修改、等同物和替代。
图1例示了无线通信系统100的示例。为了方便而非限制的目的，在由一个或多个3GPP技术规范(TS)和/或技术报告(TR)定义的长期演进(LTE)和第五代(5G)新无线电(NR)(5G NR)蜂窝网络通信标准的上下文中描述示例无线通信系统100。然而，其它类型的无线标准也是可能的。
无线通信系统100包括UE 102a和UE 102b(统称为“UE 102”)。在该示例中，UE 102被例示为智能电话(例如，可连接到一个或多个蜂窝网络的手持触摸屏移动计算设备)。在其他示例中，任何一个UE 102可以包括其他移动或非移动计算设备，诸如消费电子设备、蜂窝电话、智能电话、功能手机、平板计算机、可穿戴计算机设备、个人数字助理(PDA)、寻呼机、无线电话手柄、台式计算机、膝上型计算机、车载信息娱乐系统(IVI)、车内娱乐(ICE)设备、仪表组(IC)、平视显示(HUD)设备、车载诊断(OBD)设备、仪表盘顶部移动设备(DME)、移动数据终端(MDT)、电子引擎管理系统(EEMS)、电子/引擎控制单元(ECU)、电子/引擎控制模块(ECM)、嵌入式系统、微控制器、控制模块、引擎管理系统(EMS)、联网或“智能”电器、机器类型通信(MTC)设备、机器到机器(M2M)设备、物联网(IoT)设备或他们的组合等。
在一些实施方式中，任何一个UE 102可以是IoT UE，其可包括被设计成用于利用短期UE连接的低功率IoT应用的网络接入层。IoT UE可利用诸如M2M或MTC的技术来使用例如公共陆地移动网络(PLMN)、近邻服务(ProSe)、设备到设备(D2D)通信、传感器网络、IoT网络、或其组合等来与MTC服务器或设备交换数据。M2M或MTC数据交换可以是机器发起的数据交换。IoT网络描述了互连IoT UE，其可以包括具有短期连接的(在因特网基础设施内的)唯一可识别的嵌入式计算设备。IoT UE可执行后台应用(例如，保活消息或状态更新)以促进IoT网络的连接。
UE 102配置为与无线电接入网(RAN)112连接(例如，通信耦合)。在一些实施方式中，RAN 112可为下一代RAN(NG RAN)、演进UMTS陆地无线电接入网(E-UTRAN)或传统RAN，诸如UMTS陆地无线电接入网(UTRAN)或GSM EDGE无线电接入网(GERAN)。如本文所用的，术语“NG RAN”可以指在5G NR无线通信系统100中操作的RAN 112，并且术语“E-UTRAN”可以指在LTE或4G无线通信系统100中操作的RAN 112。
为了连接到RAN 112，UE 102分别利用连接(或信道)118和120，各个连接可以包括物理通信接口或层，如下所述。在该示例中，连接118和120被例示为实现通信耦合的空中接口，并且可以符合蜂窝通信协议，诸如全球移动通信系统(GSM)协议、码分多址(CDMA)网络协议、一键通(PTT)协议、通过蜂窝的PTT(POC)协议、通用移动电信系统(UMTS)协议、3GPPLTE协议、5G NR协议、或其组合、以及其他通信协议。
UE 102b被示出为配置为使用连接122来接入接入点(AP)104(也称为“WLAN节点104”、“WLAN 104”、“WLAN终端104”、“WT 104”等)。连接122可以包括本地无线连接，诸如符合任何IEEE 802.11协议的连接，其中，AP 104将包括无线保真(Wi-Fi)路由器。在该示例中，AP 104被示出为连接到因特网而不连接到无线系统的核心网络，如以下进一步详细描述的。
RAN 112可以包括一个或多个节点，诸如实现连接118和120的RAN节点106a和106b(统称为“RAN节点106”)。如本文所用的，术语“接入节点”、“接入点”等可以描述为网络与一个或多个用户之间的数据或语音连接或两者提供无线电基带功能的设备。这些接入节点可以被称为基站(BS)、gNodeB、gNB、eNodeB、eNB、NodeB、RAN节点、路边单元(RSU)、发送接收点(TRxP或TRP)和链路，并且可以包括提供地理区域(例如，蜂窝)内的覆盖的地面站(例如，陆地接入点)或卫星站等。如本文所用的，术语“NG RAN节点”可以指在5G NR无线通信系统100中操作的RAN节点106(例如，gNB)，并且术语“E-UTRAN节点”可以指在LTE或4G无线通信系统100中操作的RAN节点106(例如，eNB)。在一些实施方式中，RAN节点106可以被实施为专用物理设备中的一个或多个，诸如宏蜂窝基站或低功率(LP)基站，其用于提供毫微微蜂窝、微微蜂窝或与宏蜂窝相比具有更小覆盖区域、更小用户容量或更高带宽的其他类似蜂窝。
在一些实施方式中，RAN节点106中的一些或全部可以被实施为在作为虚拟网络的一部分的服务器计算机上运行的一个或多个软件实体，其可以被称为云RAN(CRAN)或虚拟基带单元池(vBBUP)。CRAN或vBBUP可以实施RAN功能拆分，诸如分组数据汇聚协议(PDCP)拆分，其中，由CRAN/vBBUP操作无线电资源控制(RRC)和PDCP层，并且由各个RAN节点106操作其他第二层(例如，数据链路层)协议实体；介质访问控制(MAC)/物理层(PHY)拆分，其中，由CRAN/vBBUP操作RRC、PDCP、MAC和无线电链路控制(RLC)层，并且由各个RAN节点106操作PHY层；或者“下PHY”拆分，其中，由CRAN/vBBUP操作RRC、PDCP、RLC和MAC层以及PHY层的上部，并且由各个RAN节点106操作PHY层的下部。该虚拟化框架允许RAN节点106的释放的处理器核心执行例如其他虚拟化应用。在一些实施方式中，单独的RAN节点106可以表示使用单独的F1接口(图1中未示出)连接到gNB中央单元(CU)的单独的gNB分布式单元(DU)。在一些实施方式中，gNB-DU可以包括一个或多个远程无线电头端或RFEM，并且gNB-CU可以由位于RAN112(未示出)中的服务器或者由服务器池以与CRAN/vBBUP类似的方式来操作。另外或替代地，RAN节点106中的一个或多个可以是下一代eNB(ng-eNB)，包括提供朝向UE 102的E-UTRA用户平面和控制平面协议终端的RAN节点，并且使用下一代接口连接到5G核心网络(例如，核心网络114)。
在车对万物(V2X)场景中，RAN节点106中的一个或多个可以是RSU或充当RSU。术语“路边单元”或“RSU”指用于V2X通信的任何传输基础设施实体。RSU可以在合适的RAN节点或固定(或相对固定)UE中实施或者由其实施，其中，在UE中实施或者由其实施的RSU可以被称为“UE型RSU”，在eNB中实施或者由其实施的RSU可以被称为“eNB型RSU”，在gNB中实施或者由其实施的RSU可以被称为“gNB型RSU”等。在一些实施方式中，RSU是与位于路边的射频电路耦合的计算设备，其向经过的车辆UE 102(vUE 102)提供连接支持。RSU还可以包括内部数据存储电路，其存储路口地图几何形状、交通统计、媒体以及感测和控制正在进行的车辆和行人交通的应用或其他软件。RSU可以在5.9GHz直接短程通信(DSRC)频带上操作以提供高速事件所需的非常低时延的通信，诸如碰撞避免、交通警示等。另外或替代地，RSU可在蜂窝V2X频带上操作以提供上述低时延通信以及其它蜂窝通信服务。另外或替代地，RSU可作为Wi-Fi热点(2.4GHz频带)操作，或者提供到一个或多个蜂窝网络的连接以提供上行链路和下行链路通信或者两者。(一个或多个)计算设备和RSU的射频电路中的一些或全部可以封装在适于室外安装的防风雨外壳中，并且可以包括网络接口控制器，其提供到交通信号控制器或回程网络或两者的有线连接(例如，以太网)。
RAN节点106中的任何一个可以终止空中接口协议，并且可以是UE 102的第一联系点。在一些实施方式中，RAN节点106中的任何一个可以实现RAN 112的各种逻辑功能，包括但不限于无线电网络控制器(RNC)功能，诸如无线电承载管理、上行链路和下行链路动态无线电资源管理和数据分组调度、以及移动性管理。
在一些实施方式中，UE 102可以被配置为根据各种通信技术使用正交频分复用(OFDM)通信信号通过多载波通信信道彼此通信或与RAN节点106中的任何一个进行通信，通信技术诸如但不限于OFDMA通信技术(例如，用于下行链路通信)或SC-FDMA通信技术(例如，用于上行链路通信)，但此处描述的技术的范围不限于这个方面。OFDM信号可以包括多个正交副载波。
RAN节点106可以通过各种信道向UE 102进行发送。下行链路通信信道的各种示例包括物理广播信道(PBCH)、物理下行链路控制信道(PDCCH)和物理下行链路共享信道(PDSCH)。其它类型的下行链路信道也是可能的。UE 102可以通过各种信道向RAN节点106进行发送。上行链路通信信道的各种示例包括物理上行链路共享信道(PUSCH)、物理上行链路控制信道(PUCCH)和物理随机接入信道(PRACH)。其它类型的上行链路信道也是可能的。
在一些实施方式中，下行链路资源网格可以用于从RAN节点106中的任何一个到UE102的下行链路传输，而上行链路传输可以利用类似的技术。网格可以是被称为资源网格或时间频率资源网格的时间频率网格，其是各个时隙中的下行链路中的物理资源。这种时间频率平面表示是OFDM系统的惯例，这使得其对于无线电资源分配是直观的。资源网格的各列和各行分别对应于一个OFDM符号和一个OFDM副载波。资源网格在时域中的持续时间对应于无线电帧中的一个时隙。资源网格中的最小时间频率单元被表示为资源元素。各个资源网格包括多个资源块，其描述某些物理信道到资源元素的映射。各个资源块包括资源元素的集合；在频域中，这可以表示当前可以被分配的最小资源量。存在使用这样的资源块来传送的若干不同的物理下行链路信道。
PDSCH将用户数据和较高层信令承载到UE 102。PDCCH承载关于与PDSCH有关的传输格式和资源分配的信息等。它还可以向UE 102通知与上行链路共享信道有关的传输格式、资源分配和混合自动重传请求(HARQ)信息。可以基于从任何UE 102反馈的信道质量信息在任何RAN节点106处执行下行链路调度(例如，向蜂窝内的UE 102b分配控制和共享信道资源块)。下行链路资源分配信息可以在用于(例如，分配给)各个UE 102的PDCCH上发送。
PDCCH使用控制信道元素(CCE)来传送控制信息。在被映射到资源元素之前，PDCCH复值符号可以首先被组织成四元组，然后可以使用子块交织器来排列该四元组以进行速率匹配。在一些实施方式中，可以使用这些CCE中的一个或多个来发送各个PDCCH，其中，各个CCE可以与四个物理资源元素的九个集合相对应，这九个集合统称为资源元素组(REG)。四个正交相移键控(QPSK)符号可以映射到各个REG。取决于下行链路控制信息(DCI)的大小和信道条件，可以使用一个或多个CCE来发送PDCCH。在LTE中，可以存在利用不同数量的CCE定义的四个或更多个不同的PDCCH格式(例如，聚合等级，L＝1、2、4或8)。
一些实施方式可以使用用于控制信道信息的资源分配的概念，其是上述概念的扩展。例如，一些实施方式可以利用增强PDCCH(EPDCCH)，其将PDSCH资源用于控制信息传输。EPDCCH可使用一个或多个增强CCE(ECCE)来发送。类似于上文，各个ECCE可以对应于四个物理资源元素的九个集合，统称为增强REG(EREG)。ECCE可以具有其它数量的EREG。
RAN节点106被配置为使用接口132彼此通信。在示例中，诸如在无线通信系统100是LTE系统的情况下(例如，当核心网络114是演进分组核心(EPC)网络时)，接口132可以是X2接口132。X2接口可以定义在连接到EPC 114的两个或更多个RAN节点106(例如，两个或更多个eNB等)之间、或者连接到EPC 114的两个eNB之间、或者这两者。在一些实施方式中，X2接口可包括X2用户平面接口(X2-U)和X2控制平面接口(X2-C)。X2-U可为通过X2接口传送的用户数据分组提供流控制机制，并可用于在eNB之间传送关于用户数据的递送的信息。例如，X2-U可提供从主eNB传送到辅eNB的用户数据的特定序列号信息；关于针对用户数据从辅eNB成功地顺序向UE 102递送PDCP协议数据单元(PDU)的信息；没有被递送到UE 102的PDCP PDU的信息；关于在辅eNB处用于向UE发送用户数据的当前最小期望缓冲区大小的信息、以及其他信息。X2-C可提供LTE内接入移动性功能，其包括从源eNB到目标eNB的上下文传送或用户平面传输控制；负载管理功能；蜂窝间干扰协调功能以及其他功能。
在一些实施方式中，诸如在无线通信系统100是5G Nr系统的情况下(例如，当核心网络114是5G核心网络时)，接口132可以是Xn接口132。Xn接口可以定义在连接到5G核心网络114的两个或更多个RAN节点106(例如，两个或更多个gNB等)之间、连接到5G核心网络114的RAN节点106(例如，gNB)和eNB之间、或者连接到5G核心网络114的两个eNB之间、或者他们的组合。在一些实施方式中，Xn接口可以包括Xn用户平面(Xn-U)接口和Xn控制平面(Xn-C)接口。Xn-U可以提供用户平面PDU的非保证递送，并且支持/提供数据转发和流控制功能。Xn-C可以提供管理和错误处理功能，即管理Xn-C接口的功能；在连接模式(例如，CM-连接)中对UE 102的移动性支持，其包括管理一个或多个RAN节点106之间的连接模式的UE移动性的功能、以及其它功能。移动性支持可以包括从旧的(源)服务RAN节点106到新的(目标)服务RAN节点106的上下文传送、以及旧的(源)服务RAN节点106到新的(目标)服务RAN节点106之间的用户平面隧道的控制。Xn-U的协议栈可以包括建立在因特网协议(IP)传输层上的传输网络层、以及在用户数据报协议(UDP)或(一个或多个)IP层或两者之上的用于用户平面的GPRS隧道协议(GTP-U)层，其承载用户平面PDU。Xn-C协议栈可以包括应用层信令协议(称为Xn应用协议(Xn-AP或XnAP))和建立在流控制传输协议(SCTP)上的传输网络层(TNL)。SCTP可以在IP层之上，并且可以提供应用层消息的保证递送。在传输IP层中，使用点对点传输来递送信令PDU。在其它实施方式中，Xn-U协议栈或Xn-C协议栈或两者可以与本文示出和描述的(一个或多个)用户平面和/或控制平面协议栈相同或相似。
RAN 112被示出为通信地耦合到核心网络114(被称为“CN 114”)。CN 114包括多个网络元件，诸如网络元件108a和网络元件108b(统称为“网络元件108”)，其被配置为向使用RAN 112连接到CN 114的客户/订户(例如UE 102的用户)提供各种数据和电信服务。CN 114的部件可以在一个物理节点或单独的物理节点中实施，并且可以包括从机器可读或计算机可读介质(例如，非瞬态机器可读存储介质)读取和执行指令的部件。在一些实施方式中，网络功能虚拟化(NFV)可以用于使用存储在一个或多个计算机可读存储介质中的可执行指令来虚拟化此处描述的网络节点功能中的一些或全部，如下面进一步详细描述的。CN 114的逻辑实例可以被称为网络切片，并且CN 114的一部分的逻辑实例可以被称为网络子切片。NFV架构和基础设施可以用于将由专有硬件替代地执行的一个或多个网络功能虚拟化到包括工业标准服务器硬件、存储硬件或交换机的组合的物理资源上。换言之，NFV系统可以用于执行一个或多个网络部件或功能或两者的虚拟或可重新配置的实施方式。
应用服务器110可以是提供与核心网络(例如，UMTS分组服务(PS)域、LTE PS数据服务等等)一起使用IP承载资源的应用的元件。应用服务器110还可以被配置为使用CN 114来支持UE 102的一个或多个通信服务(例如，VoIP会话、PTT会话、群组通信会话、社交网络服务等)。应用服务器110可以使用IP通信接口130来与一个或多个网络元件108a通信。
在一些实施方式中，CN 114可以是5G核心网络(称为“5GC 114”或“5G核心网络114”)，并且RAN 112可以使用下一代接口124与CN 114连接。在一些实施方式中，下一代接口124可以被分成两部分：下一代用户平面(NG-U)接口114，其在RAN节点106与用户平面功能(UPF)之间承载流量数据；和S1控制平面(NG-C)接口126，其是RAN节点106与接入和移动性管理功能(AMF)之间的信令接口。CN 114是5G核心网络的示例将参考后面的附图更详细地讨论。
在一些实施方式中，CN 114可以是EPC(称为“EPC 114”等)，并且RAN 112可以使用S1接口124与CN 114连接。在一些实施方式中，S1接口124可以被分成两部分：S1用户平面(S1-U)接口128，其在RAN节点106与服务网关(S-GW)之间承载流量数据；以及S1-MME接口126，其是RAN节点106与移动性管理实体(MME)之间的信令接口。
各种实施例解决了诸如无线通信系统100的蜂窝系统的能量效率相关问题。对于5G运营商来说，节能是关键问题。节能通过激活NR容量提升蜂窝或5GC NF(例如，UPF等)的节能模式来实现，并且节能激活决策的做出可以基于各种信息，诸如相关蜂窝/UPF的负载信息、由运营商设置的节能策略，如在3GPP TS或TR(诸如TR 28.809、TR 37.817、TR 36.887和TS 38.423)中指定的。
管理系统、节点或逻辑具有网络负载信息的总体视图，并且其还可以从控制平面分析(例如，由NWDAF提供的分析)获取输入。管理系统可以提供网络范围分析，并且与核心网络和RAN域协作，并且决定哪个蜂窝/UPF应该以协调的方式进入节能模式。
存在可以被MDA用作输入以用于节能分析的各种性能测量，例如gNB的能量效率(EE)相关性能测量(例如，蜂窝的PDCP数据量、PNF温度和PNF功耗等)、以及UPF的数据量、与SSC模式1的PDU会话的数量、延迟相关测量和VR使用、以及流量负载变化相关性能测量(例如，PRB利用率、RRC连接数量)。
流量负载的组成也可以被认为是用于节能分析的输入(例如，高价值流量在流量负载中的百分比)。流量负载的变化可以与网络数据(例如，UE的历史切换信息或网络拥塞状态、分组延迟)相关。利用机器学习工具收集和分析网络数据可以提供与流量负载的趋势相关的预测。流量负载的组成和趋势可以用作做出关于节能的决定的参考。
存在许多预测数据模型，其可以使用机器学习工具来预测与节能相关的信息，诸如流量负载。MDAS还可以将这些预测数据模型作为输入，进行分析并选择最优预测数据模型以提供更准确的预测结果作为用于做出节能决策的参考。预测结果越准确，基于预测结果的节能决策将越好。预测数据模型与可由消费者提供的服务(例如，流量负载、资源利用、服务体验)相关。
MDAS还可获得NF位置或其它库存信息，诸如数据中心的能量效率和能量成本，同时分析历史网络信息。基于收集的信息，MDAS生产者进行分析，并在高价值流量区域(例如，在节能的上下文中VNF的位置)中在用于5G核心NF部署选项的优化建议中向网络管理给出建议。来自NWDAF的控制平面数据分析的信息(诸如UE通信分析)也可以用作节能分析和指令的输入。
核心NF和RAN节点节能的决策应该由管理系统协调，以保证整个网络和服务性能尽可能不受影响。为了实现消耗的能量和网络提供的性能之间的优化平衡，MDAS可以用于通过综合分析上述信息来提供分析报告，以辅助节能。
图2例示了适于由管理系统使用以实施无线通信系统100的AI/ML功能和服务的MDA系统200。MDA系统200例示MDA功能和服务框架。如图2描绘的，MDA系统200可以包括MDA平台204、至少一个MDA服务(MDAS)消费者202、以及多个MDAS生产者，诸如其它MDAS生产者216、管理服务(MnS)生产者218、以及网络数据分析功能(NWDAF)220。MDA平台204包括MDAS生产者206、MDAS分析器208、多个MDAS消费者。多个MDAS消费者包括MDAS消费者210、MnS消费者212和NWDAF消费者214，各个消费者分别经由MDAS接口、MnS接口和Nwdaf接口与对应的其它MDAS生产者216、MnS生产者218和NWDAF 220通信。
通常，MDA平台204可通过充当MnS消费者212、和/或NWDAF订户214、和/或其它MDAS生产者216的消费者来收集数据用于分析。在分析之后，MDAS生产者206将分析结果暴露给一个或多个MDAS消费者202。MDA系统200形成管理环路(其可以是开环或闭环)的一部分，并且它带来智能并且通过处理和分析管理和网络数据来生成值，其中，可以利用AI和ML技术。MDA系统200在管理环路中起分析的作用，管理环路包括观察状态、分析状态、决策状态和执行状态。在观察状态中，MDA系统200进行对被管理网络和服务的观察。观察状态涉及对被管理网络和服务的事件、状态和性能的监测和收集、以及提供观察到的/收集到的数据(例如，性能测量、跟踪/MDT/RLF/RCEF报告、网络分析报告、QoE报告、警报等)。用于被管理网络和服务的数据分析状态准备、处理和分析与被管理网络和服务相关的数据，并且提供分析报告以用于正在进行的问题的根本原因分析、防止潜在问题以及预测网络或服务需求。分析报告包含对问题或预测的描述，可选地具有置信度指示、问题的可能原因和推荐的动作。诸如AI和ML(例如，ML模型)的技术可以由MDA平台204使用，其中输入数据不仅包括被管理网络和服务的观察数据，而且包括动作的执行报告(由执行步骤采取)。MDAS分析器208将输入数据(当前和历史数据)分类并相关，学习并识别数据模式，并进行分析以导出推理、洞察和预测。决策状态涉及对被管理网络和服务的管理动作做出决策。如果需要，基于分析报告(由MDAS分析器208提供)和其它管理数据(例如，先前做出的历史决策)来决定管理动作。该决策可以由MDAS的消费者(在闭合管理环路中)或人类操作员(在开放管理环路中)做出。该决策包括采取什么动作以及何时采取动作。最后，执行状态涉及根据决策执行管理动作。在执行状态期间，对被管理网络和服务执行动作，并且提供所执行动作的报告(例如，通知、日志)。
图3例示了AI/ML系统300，其适于由MDA系统200的MDAS分析器208用于无线通信系统100。AI/ML系统300包括四个主要操作状态，包括数据收集状态、ML实体状态、ML训练状态和AI/ML推理状态。
AI/ML系统300可使用各种ML实体。执行机器学习涉及创建模型，该模型在一些训练数据上被训练，然后可以处理附加数据以进行预测。AI/ML系统300可使用各种模型或ML实体，诸如使用人工神经网络(ANN)、卷积神经网络(CNN)、深度学习、决策树学习、支持向量机、回归分析、贝叶斯网络、遗传算法、联邦学习、分布式人工智能和其它合适的模型导出的模型或ML实体。实施例不限于该上下文。
通常，在数据收集状态中，AI/ML系统300实施向模型训练和模型推理功能提供输入数据的功能。注意，AI/ML算法特定的数据准备(例如，数据预处理和清洗、格式化和变换)通常不在数据收集状态中执行。在ML实体状态中，AI/ML系统300通过应用机器学习技术来实施数据驱动算法，该机器学习技术基于给定的一组输入310来生成包括预测信息和/或决策参数的一组输出。在ML训练状态中，AI/ML系统300实施在线或离线过程，其通过学习最佳地呈现数据的特征和模式来训练ML实体并获得经训练的ML实体以用于推理。在AI/ML推理状态中，AI/ML系统300实施使用经训练的ML实体来基于所收集的数据和ML实体进行预测或指导决策的过程。
更特别地，在数据收集状态中，AI/ML系统300从网络节点、管理实体或UE收集数据，作为ML实体训练、数据分析和推理的基础。如图3描绘的，数据集合302是向ML训练304和AI/ML推理306功能提供输入数据的功能。AI/ML算法特定的数据准备(例如，数据预处理和清洗、格式化和变换)不在数据收集302中执行。输入数据的示例可以包括来自UE、NG-RAN节点、OAM节点或不同网络实体的测量、来自动作者308的反馈以及来自ML实体的输出。数据收集302收集至少两种类型的数据。第一种是训练数据，其包括作为ML训练304功能的输入310所需的数据。第二种是推理数据，其包括作为AI/ML推理306功能的输入312所需的数据。
在ML训练状态中，ML训练304是执行ML训练、验证和测试的功能，其可以生成模型性能度量作为ML实体测试过程的一部分。如果需要，ML训练304功能还负责基于由数据收集302功能递送的训练数据(例如，输入310)的数据准备(例如，数据预处理和清洗、格式化和变换)。对于对给定ML实体的部署或更新，ML训练304可最初将经训练、验证和测试的ML实体部署到AI/ML推理306功能或将经更新的实体递送到AI/ML推理306功能。
在AI/ML推理状态中，AI/ML推理306是提供AI/ML推理输出(例如，预测或决策)的功能。AI/ML推理306功能可在适用时向ML训练304功能提供模型性能反馈314、316。如果需要，AI/ML推理306功能还负责基于由数据收集302功能递送的推理数据(例如，输入312)的数据准备(例如，数据预处理和清洗、格式化和变换)。由AI/ML推理306功能产生的ML实体的推理输出是特定于用例的。ML性能反馈信息可以用于在可用时监测ML实体的性能。
在动作者推理状态中，动作者308是从AI/ML推理306功能接收输出318并触发或执行对应动作的功能。动作者308可触发针对其它实体或其自身的动作。动作者308可以向数据收集302提供反馈信息320。反馈信息可以包括导出训练数据、推理数据或通过KPI和性能计数器的更新监测ML实体的性能及其对网络的影响所需的数据。
AI/ML系统300可适用于无线通信系统100的RAN节点106中的AI/ML的各种用例和解决方案。一种用例是网络节能或能量效率(EE)。为了满足5G网络关键性能要求和移动订户空前增长的需求，部署了数百万个基站(BS)。这种快速增长带来了高能耗、CO2排放和运营支出(OPEX)的问题。因此，节能是重要的用例，其可能涉及网络的不同层，具有在不同时间尺度操作的机制。AI/ML的其他用例和解决方案也是可能的，并且实施例不限于该上下文。
图4例示了适合在无线通信系统100中使用的MDA ML系统400。再次参考图2、图3，实施MDA系统200和/或AI/ML系统300的管理系统可以合并到MDA ML系统400中。
如图4描绘的，MDA ML系统400例示了MDA过程场景的示例，其中，ML实体和管理数据分析模块驻留在MDAS生产者中，但其它场景也是可能的。MDA ML系统400通常可以依赖于ML技术，这可能需要MDAS消费者参与以优化MDA结果的准确性。在图4中描述了当利用ML技术时在与MDAS消费者的交互方面的MDA过程。
存在两种与MDA有关的过程：ML训练过程和管理数据分析过程。在ML训练过程中，MDAS生产者206用作ML训练生产者，训练ML实体406并提供ML训练报告414。ML训练过程也可以通过允许MDAS消费者202提供用于ML训练的输入来使MDAS消费者202参与。ML训练可以在未训练的ML实体406或经训练的ML实体406上执行。在管理数据分析的过程中，MDAS生产者206通过经训练的ML实体分析数据，并将ML分析报告416提供给MDAS消费者202。MDAS消费者202可验证ML训练报告414和ML分析报告416，并向MDAS生产者206提供报告验证反馈418。对于各个接收的报告，MDAS消费者202可向MDAS生产者206提供反馈418，其可用于优化ML实体406。
如图4描绘的，MDAS生产者206可接收分析输入412。分析输入412可以由ML实体训练器404用于ML训练或者由管理数据分析器408用于管理数据分析。MDAS生产者206的数据分类器402对来自分析输入412的数据进行分类，并将分类后的数据传递到对应的实体以进行进一步处理。
MDAS生产者206的ML训练器404训练ML实体406。ML训练器404通过对训练输入的分析来训练ML实体406以能够提供预期的训练输出。用于ML训练的数据可以是训练数据(包括训练输入和预期输出)和/或由MDAS消费者202提供的报告验证反馈418。在训练ML实体406之后，MDAS生产者206将ML训练报告414提供给MDAS消费者202。
MDAS生产者使用经训练的ML实体406，分析来自数据分类器402的分类数据，并且其生成ML分析报告416。ML分析报告416从MDAS生产者206输出到MDAS消费者202。MDAS消费者202可验证由MDAS生产者206提供的ML分析报告416。要验证的分析报告416可以是如前所述的ML分析报告416和/或ML训练报告414。MDAS消费者202可向MDAS生产者206提供反馈418。作为验证的结果，MDAS消费者202也可提供训练ML实体406的训练数据和请求和/或提供指示不准确范围的反馈，例如时间、地理区域等。
当MDA ML系统400被实施为3GPP系统(诸如3GPP RAN3 5G NR系统)中的网络节点的一部分时，本文的各种实施例描述RAN节点可以与其相邻节点交换的新信息以及蜂窝KPI和ML实体的其他度量，以便促进从ML实体做出更好的决策，从而改进3GPP系统中的装置、设备或系统的性能。
图5例示了表500。AI/ML系统300和MDA ML系统400可以实施适于支持无线通信系统100的一个或多个操作的各种AI和ML算法。如表500描绘的，机器学习方法传统上被分成四个宽泛的类别，其对应于学习范例，这取决于学习系统可用的“信号”或“反馈”的性质。一种方法是监督学习，其中，计算机被呈现有由“教师”给出的示例输入及其期望输出，并且目标是学习将输入映射到输出的一般规则。另一种方法是半监督学习，其类似于监督学习，但是包括标记的数据和未标记的数据。再一种方法是无监督学习，其中，没有标签被给予学习算法，从而使其自己在其输入中找到结构。无监督学习可以是目标自身(发现数据中的隐藏模式)或达到目的的手段(特征学习)。又一种方法是强化学习，其中，计算机程序与动态环境交互，在该动态环境中，计算机程序必须执行特定目标(诸如驾驶车辆或与对手玩游戏)。当程序导航其问题空间时，向程序提供类似于奖励的反馈，程序试图最大化该奖励。还存在其他方法，诸如降维、自学习、特征学习、稀疏字典学习、异常检测、机器人学习、关联规则等。
图6例示了MLT系统600。MLT系统600实施用于MLT系统600的ML实体612的ML训练(MLT)的新颖功能概览和服务框架。MLT系统600也可以用于训练其它ML实体，诸如用于AI/ML系统300和MDA ML系统400的ML实体406。在一个实施例中，MLT系统600可以实施由3GPPTS28.104和/或3GPP TS28.105以及其他3GPP和非3GPP标准定义的AI/ML功能和服务框架。实施例不限于该上下文。
如图6描绘的，MLT MnS生产者602(也称为AI/ML训练(AIMLT)MnS生产者)可以实施MLT ML训练逻辑604，其是消耗来自一个或多个数据源606的适于ML训练目的的各种数据的MLT功能。MLT能力由MLT MnS生产者602在SBMA的上下文中经由ML训练MnS 610提供给一个或多个授权的MLT MnS消费者608。
MLT MnS生产者602可以使用ML训练逻辑604训练ML实体612。ML训练逻辑604表示适合于给定AI/ML推理功能或ML实体的内部业务逻辑。ML训练逻辑604利用当前和历史相关数据(包括下面列出的数据)来监测ML实体相关的网络和/或服务、准备数据、触发和进行训练：(1)根据3GPP TS28.552、3GPP TS 32.425的性能测量(PM)以及根据3GPP TS28.554的关键性能指标(KPI)；(2)根据3GPP TS 32.422和3GPP TS 32.423的跟踪/MDT/RLF/RCEF数据；(3)根据3GPP TS28.405和3GPP TS28.406的QoE和服务体验数据；(4)由NWDAF根据3GPPTS23.288提供的分析数据；(5)根据3GPP TS28.532的警报信息和通知；(6)CM信息和通知；(7)根据3GPP TS28.104来自MDA MnS生产者的MDA报告；(8)来自非3GPP系统的管理数据；以及(9)可用于训练的其它数据。实施例不限于该上下文。
MLT MnS生产者602可以使用ML训练逻辑604和管理信息614来训练ML实体612。管理信息614可包括用于AI/ML管理的标准化的一组要求和信息模型定义。要求的示例包括在下表1中阐述的要求。用于AI/ML管理的信息模型定义可以包括诸如导入的和关联的信息实体、导入的信息实体和本地标签、类、类图、类关系、类继承、类定义、类属性、属性、属性约束、通知、数据类型定义、属性定义、属性特性、公共通知、服务部件、解决方案集、程序代码和其他软件和硬件构造的信息。
例如，在一个实施例中，可以鉴于网络的网络资源模型(NRM)来定义管理信息614，网络诸如像无线通信系统100的3GPP网络。NRM配置管理允许服务提供商控制和监测网络资源上的实际配置，网络资源是移动性网络的基本资源。考虑到现有信息对象类(IOC)的巨大数量和各种域中不断增加的IOC，应当以动态方式处理NRM配置管理。例如，在一个实施例中，管理信息614可由一个或多个3GPP标准(诸如3GPP TS28.105)以及其它3GPP和非3GPP标准定义。实施例不限于该上下文。
图7例示了诸如MLT系统600的AI/ML系统的消息流程700。消息流程700例示了为MLT传送的消息，以支持各种AI/ML管理用例和要求。在操作环境中，部署ML实体702被部署用于进行针对无线通信系统100中的网络节点的推理操作。ML实体702表示AI/ML推理功能。在部署之前或在部署之后，MLT MnS生产者602实施由ML训练逻辑604定义的ML训练功能以训练与管理信息614相关的ML实体612。在一个实施例中，ML训练功能可被实施为AI/ML推理功能的组合实体或内部实体。在一个实施例中，ML训练功能可被实施为AI/ML推理功能的单独实体或外部实体。在本文献中，ML实体训练指代与ML实体相关联的(一个或多个)ML模型的训练。
如消息流程700描绘的，MLT系统600的MLT MnS生产者602训练与ML实体702相关联的ML实体612。ML训练可以由来自一个或多个MLT MnS消费者608的请求触发，或者由MLTMnS生产者602发起(例如，作为模型评估的结果)。
在MLT MnS消费者608请求MLT的情况下，ML训练能力由MLT MnS生产者602提供给一个或多个MLT MnS消费者608。ML训练可以由来自一个或多个MLT MnS消费者608的一个或多个ML训练请求704触发。消费者MLT MnS消费者608可以是触发ML训练的例如网络功能、管理功能、运营商或另一功能区分。MLT MnS消费者608请求MLT MnS生产者602训练与ML实体相关联的(一个或多个)ML模型。在ML训练请求中，MLT MnS消费者608应当指定指示ML实体的功能或目的的推理类型，例如CoverageProblemAnalysis(覆盖问题分析)。MLT MnS生产者602可以根据指定的推理类型执行训练。MLT MnS消费者608可以提供包含被认为是用于训练的输入候选的训练数据的数据源606。为了获得有效的训练结果，MLT MnS消费者608还可以在训练请求中指定他们对模型性能的要求(例如，准确性等)。
MLT MnS生产者602向MLT MnS消费者608提供指示请求是否被接受的ML训练响应706。如果不被接受，则ML训练响应706可包括不接受的原因，诸如训练数据不足、容量过大、优先级不足等等。
如果请求被接受，则MLT MnS生产者602考虑来自MLT MnS消费者608的ML训练请求704而决定何时开始ML训练。一旦决定训练，MLT MnS生产者602考虑消费者提供的候选训练数据选择训练数据。由于训练数据直接影响算法和被训练的ML实体的性能，MLT MnS生产者602可以检查消费者提供的训练数据并决定不选择他们、选择他们中的一些或选择他们中的全部。另外，MLT MnS生产者602可以选择一些其他可用的训练数据。MLT MnS生产者602使用选择的训练数据训练ML实体。MLT MnS生产者602将训练结果708提供给MLT MnS消费者608。训练结果708可以包括经训练的ML模型或实体的位置以及其他类型的信息。
在一些情况下，MLT可由MLT MnS生产者602发起。MLT MnS生产者602可以，例如作为ML实体的性能评估的结果，基于从MLT MnS消费者608接收的反馈或新训练数据或者当不是来自MLT MnS消费者608的描述新网络状态/事件的新训练数据变得可用时发起MLT。
当MLT MnS生产者602决定开始ML训练时，MLT MnS生产者602选择训练数据，使用选择的训练数据训练ML实体，并且将训练结果(例如，包括经训练的ML实体的位置等)提供给已经订阅以接收ML训练结果的MLT MnS消费者608。
对于给定的基于机器学习的用例，应用相应ML实体/模型或AI/ML推理功能的不同实体可具有不同的推理要求和能力。例如，一个MLT MnS消费者608具有特定责任并希望具有由ML实体或为城市中心商业区训练的实体支持的AI/ML推理功能，在城市中心商业区中，移动用户以不超过30km/hr的速度移动。另一方面，对于相同的用例，另一个MLT MnS消费者608可能支持农村环境，由此希望具有适合该类型的环境的ML实体和AI/ML推理功能。不同的消费者需要知道ML实体的可用版本以及经训练的ML模型或实体的变体，并且需要为其相应的条件选择适当的版本。
值得注意的是，不保证可用的ML模型/实体已经根据消费者预期的特性被训练。由此可见，消费者需要知道ML模型或ML实体已经被训练的条件，然后使得他们能够选择最适合他们的条件和需要的模型。
已训练的模型在复杂性和性能方面可能不同。例如，通用的综合和复杂模型可能已经在云状环境中训练，但是当这样的模型不能在gNB中使用时，相反，被训练为该通用模型的派生物的不太复杂的模型可以是更好的候选。而且，可以以不同级别的复杂度和性能来训练多个不太复杂的模型，这然后将允许根据操作条件和性能要求将不同的相关模型递送到不同的网络功能。网络功能需要知道可用的替代模型，并且在需要时以及根据观察到的与推理相关的约束和性能要求交互地请求和替换他们。
这种机器学习能力涉及用于管理和控制ML模型/实体训练过程的手段。为了实现任何机器学习相关用例的期望结果，需要利用适当的数据来训练应用于这样的分析和决策的ML模型。训练可以在被管理功能中或在管理功能中进行。在任一情况下，网络(或其OAM系统)不仅需要具有所需的训练能力，而且还需要具有管理ML模型/实体的训练的手段。消费者需要能够与训练过程交互，例如，以暂停或重新启动过程；并且还需要管理和控制与任何这种训练过程相关的请求。
给定的MLT可以具有某些要求。MLT要求的一些示例在表1中阐述如下：
表1
特定MLT任务也可以具有其他MLT要求，诸如在3GPP TS28.105、以及其他3GPP和非3GPP标准中阐述的要求。
可以参考以下附图进一步描述所公开的实施例的操作。一些附图可以包括逻辑流程。尽管本文呈现的这些附图可包括特定逻辑流程，但可以理解，该逻辑流程仅提供可以如何实施本文描述的一般功能的示例。进一步地，除非另外指出，否则给定的逻辑流程不一定必须以所呈现的顺序执行。而且，在一些实施例中，并非逻辑流程中例示的所有动作都是必需的。另外，给定逻辑流程可以由硬件元件、由处理器执行的软件元件或其任何组合来实施。实施例不限于该上下文。
图8例示了逻辑流程800的实施例。逻辑流程800可以表示由本文描述的一个或多个实施例执行的操作中的一些或全部。例如，逻辑流程800可以包括由无线通信系统100的AI/ML系统300、MDA ML系统400和/或MLT系统600执行的操作中的一些或所有。更具体地，逻辑流程800例示了利用参考消息流程700讨论的消息交换和消息格式的AI/ML系统300、MDAML系统400和/或MLT系统600。实施例不限于该上下文。
在方框802中，逻辑流程800使用第五代系统(5GS)的网络资源模型(NRM)的管理信息来确定发起对ML实体的训练，该训练将由5GS的管理服务(MnS)生产者来执行。例如，MLTMnS生产者602使用无线通信系统100的NRM的管理信息614确定发起对ML实体612的训练。在一个实施例中，MLT MnS生产者602可以从MLT MnS消费者608接收ML训练的ML训练请求704，并且响应于来自MLT MnS消费者608的ML实体训练的请求确定发起对ML实体612的训练。在一个实施例中，MLT MnS生产者602可以基于从MLT MnS消费者608接收的反馈418或者在描述新网络状态或事件的新训练数据变得可用时，作为ML实体612的性能评估的结果，自身确定发起ML实体612的训练。
在方框804中，逻辑流程800确定与ML实体相关联的推理类型。例如，MLT MnS生产者602可以确定与ML实体相关联的推理类型。在一个实施例中，MLT MnS生产者602可以从MLT MnS消费者608接收ML训练请求704，其指定用于待训练的ML实体612的推理类型。
在方框806中，逻辑流程800选择训练ML实体的训练数据。例如，MLT MnS生产者602可以选择训练ML实体的训练数据。训练数据可以存储在一个或多个数据源606中。在一个实施例中，MLT MnS生产者602可以从MLT MnS消费者608接收ML训练请求704，其指定包含用于训练ML实体612的候选训练数据的一个或多个数据源。MLT MnS生产者602可以可选地从接收自MLT MnS消费者608的候选训练数据中选择训练ML实体612的训练数据的至少一部分。
在方框808中，逻辑流程800由MnS生产者使用选择的训练数据根据推理类型训练ML实体，训练的ML实体对5GS的管理服务(MnS)消费者进行推理操作。例如，MLT MnS生产者602可以使用选择的训练数据根据推理类型训练ML实体612。一旦MLT操作完成，MLT MnS生产者602可以生成用于经训练的ML实体612的训练结果708。MLT MnS生产者602可以将训练结果708提供给MLT MnS消费者608。在一个实施例中，训练结果708可以包括经训练ML实体612的位置，使得MLT MnS消费者608可以从MLT MnS生产者602取回经训练的ML实体612。
一旦MLT MnS消费者608取回或接收经训练的ML实体612，MLT MnS消费者608就可以部署经训练的ML实体612。MLT MnS消费者608然后可以使用经训练的ML实体612在无线通信系统100为MLT MnS消费者608进行推理操作。
逻辑流程800还可以包括不一定在图8中示出的各种组合的各种逻辑块。下面描述一些示例。
逻辑流程800还可包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括类图，类图包括封装与ML训练相关的信息的一组类。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括类图，类图包括封装与ML训练相关的信息的一组类以及用于与NRM相关的ML训练的类层次结构。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个类定义，其中一个类定义包括ML训练请求，AI/ML训练请求表示由MnS消费者创建的ML实体训练请求，并且其中，ML训练请求管理对象实例(MOI)被包含在一个ML训练功能MOI下。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个类定义，其中一个类定义包括ML训练报告，ML训练报告表示由MnS生产者提供的ML训练报告，并且其中，ML实体训练报告管理对象实例(MOI)被包含在一个ML训练功能MOI下。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于唯一地向MnS生产者标识ML实体的标识符。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括候选训练数据源的地址。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示ML实体支持的推理类型的指示符。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于评估ML实体的性能的性能度量。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示MnS消费者提供的训练数据是否已经用于AI/ML训练的指示符。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括已经用于ML训练的、MnS消费者提供的训练数据的列表所位于的一个或多个地址。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括由MnS消费者创建的相关ML训练请求的区别名称。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括表示ML实体的最后训练报告的ML训练报告管理对象实例(MOI)的区别名称。
逻辑流程800还可以包括，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括MnS消费者可以接收的一个或多个公共通知，其中一个公共通知具有用于对象类或对象实例的通知报头属性，该通知报头属性捕获对象类或对象实例的区别名称。
图9例示了适合于支持由诸如例如5GS的无线通信系统100中的MLT系统600执行的MLT操作的MLT软件架构900。
3GPP标准定义了新的管理架构，其被称为基于服务的管理架构(SBMA)。SBMA是一种架构风格，其以标准的方式仅定义管理服务(MnS)部件，并且严格遵循用于消费者/生产者交互的模型驱动方法。MnS部件用于构建3GPP定义的和供应商特定的管理服务和管理功能。该方法将用于多供应商集成的标准化(可互操作)接口的能力与对不同部署场景的支持相结合。
通常，SBMA提供用于构建5G管理和协调解决方案的RESTful管理服务部件的综合工具集，这些解决方案实现5G无线电和核心网络及服务的改进的可操作性和自动化。自版本16以来，3GPP遵循严格的模型驱动方法，该方法依赖于通用但强大的创建、读取、更新和删除(CRUD)操作和丰富的网络资源模型(NRM)。没有定义任务特定的操作。这种方法也称为表述性状态转移(REST)。REST是一种软件架构风格，其描述了物理上分离的部件之间(通常跨客户端服务器架构中的网络)的统一接口。发布号16包含NR、5GC和网络切分的网络资源模型。用于与垂直和外部管理系统交互的模型也是可用的。从发布号15开始，已经引入了用于不同管理任务的控制NRM片段，诸如订阅接收通知或管理性能度量产生作业，经常基于专用操作来替换和扩展传统方法。完全模型驱动方法的主要益处在于，可以使用相同的一组基本CRUD操作来生成用于操纵和取回网络资源模型的复杂请求。不需要任务特定的操作。模型和接入的严格分离的附加益处在于，3GPP定义的网络资源模型可以容易地被遵循相同的关注分离的其他管理框架重用。
SBMA使用网络资源模型，诸如在标题为“Generic Network Resource Model(NRM)Integration Reference Point(IRP)”发布号18(2022年9月)的3GPP TS28.622中定义的模型。3GPP TS28.622指定了通用网络资源信息，本文中称为管理信息614，其可以在部署场景中使用如3GPP TS28.533中定义的SBMA在MnS生产者与MnS消费者之间传送，以用于电信网络管理目的，包括融合网络和包括虚拟化网络功能的网络的管理。它以协议和技术中立的方式指定信息对象类(IOC)属性的语义和跨参考点可见的关系。它支持在3GPP TS 32.107中描述的联邦网络信息模型(FNIM)概念，因为定义的相关信息对象类(IOC)直接或间接地从3GPP TS28.620的伞状信息模型(UIM)中指定的对象类继承。
如3GPP所定义的，NRM是IOC的集合，包括他们的关联、属性和操作，表示在管理下的网络资源集合。网络资源是为了网络和服务管理的目的由信息对象类(IOC)表示的离散实体。例如，网络资源可以表示电信网络的智能、信息、硬件和软件。IOC表示网络资源的管理方面。它描述了可以在管理接口中传递/使用的信息。他们的表示是技术不可知的软件对象。IOC具有表示对象类的各种特性的属性。此外，IOC可以支持为该对象类提供可按需调用的网络管理服务的操作。IOC可以支持报告对于该对象类相关的事件发生的通知。它使用UML元模型中的版型“类”来建模。管理对象(MO)是表示网络资源的管理方面的管理对象类(MOC)的实例。MO表示是技术特定的软件对象。其有时被称为MO实例(MOI)。MOC是一类这样的技术特定软件对象。MOC与IOC相同，除了前者以技术特定术语定义，后者以技术不可知的术语定义。MOC在解决方案集(SS)级别规范中使用/定义。IOC在信息服务(IS)级别规范中使用/定义。
实施例通过定义标准化对象(数据和代码两者)来定义用于ML训练的基于NRM的解决方案，该标准化对象被特别设计为支持诸如无线通信系统100的5GS的SBMA中的MLT操作。如图9描绘的，MLT系统600的MLT操作可以通过管理信息614来管理。MLT系统600可以使用管理信息614来支持贯穿5GS的SBMA部署的ML实体的MLT操作。MLT系统600可以使用管理信息614来管理MLT操作，诸如用于一个或多个软件管理对象实例(MOI)(诸如支持MLT操作的MOI902)的CRUD操作。根据管理信息614，可以使用一个或多个信息对象类(IOC)(诸如IOC 904)来实例化给定的MOI，诸如MOI 902。
在各种实施例中，管理信息614、MOI 902和/或IOC 904可以根据至少标题为“Artificial Intelligence/Machine Learning(AI/ML)management”发布号17、版本0.1.0(2022年2月)至17.1.1(2022年9月)(包括任何后代、修订和变体)的3GPP TS28.105来实施。可以理解，某些实施例也可以涉及其它标准。实施例不限于该上下文。
参考3GPP TS28.105，如下呈现了可以由MLT系统600实施的AI/ML管理的信息模型定义的一组示例。
7用于AI/ML管理的信息模型定义
7.2类图
7.2.1关系
该条款描绘了一组类(例如IOC)，其封装与ML训练相关的信息。图11A中描绘了用于该组类的类图1100a。
7.2.2继承
该条款描绘了ML训练相关NRM的类层次结构。图12A中描绘了类图1100a的类层次结构1200a。
7.3类定义
7.3.2ML训练请求
7.3.2.1定义
IOC ML训练请求表示由ML训练MnS消费者创建的ML实体训练请求。
ML训练请求MOI包含在一个ML训练功能MOI下。各个AI ML训练请求与至少一个ML实体相关联。
ML训练请求可具有标识其来自何处的源，并且该源可用于区分不同源的训练资源的优先级。源可以是例如网络功能、运营商角色或其他功能区分。
各个ML训练请求可指示预期运行时间上下文，其描述了ML实体训练应当针对的特定条件。
在请求被接受的情况下，ML训练MnS生产者决定何时开始ML训练。一旦MnS生产者基于请求决定开始训练，ML训练MnS生产者实例化一个或多个ML训练过程MOI，其负责执行以下操作：
-如果训练数据不可用或者数据可用但不足以用于训练，则收集(更多)用于训练的数据；
-准备和选择所需的训练数据，如果有的话，考虑消费者的请求提供的候选训练数据。ML训练MnS生产者可以检查消费者提供的候选训练数据，并且不选择他们中的任何一个、选择他们中的一些或全部用于训练。另外，ML训练MnS生产者可以选择一些其他可用的训练数据，以便满足消费者对于ML实体训练的要求；
-使用所选择和准备的训练数据来训练ML实体。
ML训练请求可具有请求状态字段，其表示特定ML训练请求的状态：
-属性值是“未开始”、“进行中的训练”、“暂停”、“完成”和“删除”。
-当值变为“进行中的训练”时，ML训练MnS生产者实例化表示针对每个请求执行的(一个或多个)训练过程的一个或多个ML训练过程MOI，并且通知订阅通知的(一个或多个)MLT MnS消费者。
当完成与该请求相关联的所有训练过程时，值变为“完成”。
7.3.2.2属性
表7.3.2.2-1
7.3.2.3属性约束
无。
7.3.2.4通知
在条款7.6中定义的公共通知对于这个IOC是有效的，没有例外或添加。
7.3.3ML训练报告
7.3.3.1定义
IOC ML训练报告表示由训练MnS生产者提供的ML实体训练报告。
ML训练报告MOI包含在一个ML训练功能MOI下。
7.3.3.2属性
表7332-1
/>
7.3.3.3属性约束
表7.3.3.3-1
7.3.3.4通知
在条款7.6中定义的公共通知对于这个IOC是有效的，没有例外或添加。
7.5属性定义
7.5.1属性特性
表7.5.1-1
/>
/>
7.6公共通知
7.6.1配置通知
该条款呈现了MnS消费者可以接收的、在3GPP TS28.532中定义的通知的列表。通知报头属性对象类/对象实例应捕获在本文献中定义的类的实例的DN。
表7.6.1-1
参考3GPP TS28.105，如下呈现了可以由MLT系统600实施的AI/ML管理的信息模型定义的另一组示例。
X.2类图
该条款描绘了一组类(例如IOC)，其封装与ML训练相关的信息。图11B中描绘了用于该组类的类图1100b。
X.2.1关系
该条款描绘了一组类(例如IOC)，其封装与ML训练相关的信息。对于UMI语义，参见3GPP TS 32.156。图12B中描绘了类图1100a的类层次结构1200b。
X.2.2继承
X.3类定义
X.3.1ML训练请求
X.3.1.1定义
IOC ML训练请求表示(一个或多个)ML训练请求IOC的容器。
X.3.1.2属性
无。
X.3.1.3属性约束
无。
X.3.1.4通知
在条款X.5中定义的公共通知对于这个IOC是有效的，没有例外或添加。
X.3.2ML训练请求
X.3.2.1定义
IOC ML训练请求表示由MnS消费者创建的ML实体训练请求。
ML训练请求MOI包含在一个ML训练请求MOI下。
X.3.2.2属性
X.3.2.3属性约束
无。
X.3.1.4通知
在条款X.5中定义的公共通知对于这个IOC是有效的，没有例外或添加。
X.3.3ML训练报告
X.3.3.1定义
IOC ML训练报告表示(一个或多个)ML训练报告IOC的容器。
X.3.3.2属性
无。
X.3.3.3属性约束
无。
X.3.3.4通知
在条款X.5中定义的公共通知对于这个IOC是有效的，没有例外或添加。
X.3.4ML训练报告
X.3.4.1定义
IOC ML训练报告表示由MnS生产者提供的AI/ML模型训练报告。
ML训练报告MOI包含在一个ML训练报告MOI下。
X.3.4.2属性
X.3.4.3属性约束
/>
X.3.4.4通知
在条款X.5中定义的公共通知对于这个IOC是有效的，没有例外或添加。
X.4属性定义
X.4.1属性特性
/>
/>
X.5公共通知
X.5.1配置通知
该条款呈现了MnS消费者可以接收的、在TS28.532[6]中定义的通知的列表。通知报头属性对象类/对象实例应捕获在本文献中定义的类的实例的DN。
图10例示了适用于5GNR无线系统的MLT系统600的装置1000，其使用MOI 902、IOC904和/或管理信息614中的一个或多个来实施诸如在3GPP TS28.105中定义的MLT操作、过程或方法。
如图10描绘的，训练网络节点的ML实体的装置1000可包括处理器电路1002、存储器接口1004、数据存储设备1006及发送器/接收器(“收发器”)1008。处理器电路1002可以实施逻辑流程800和/或消息流程700的一些或全部。存储器接口1004可向数据存储设备1006(例如，易失性或非易失性存储器)发送或从其接收用于第五代系统(5GS)(诸如无线通信系统100)的网络资源模型(NRM)的管理信息614。装置1000还包括通信地耦合到存储器接口1004的处理器电路1002，处理器电路1002使用管理信息614来确定发起ML实体612的训练，训练由5GS的MLT MnS生产者602根据ML训练逻辑604来执行，处理器电路1002确定与ML实体612相关联的推理类型，选择训练ML实体612的训练数据，以及由MLT MnS生产者602使用所选择的训练数据根据推理类型来训练ML实体612，经训练的ML实体612进行用于5GS的MLTMnS消费者608的推理操作。
装置1000还可以包括处理器电路1002，其从MLT MnS消费者608接收ML实体训练的ML训练请求704，并且响应于来自MLT MnS消费者608的AI/ML模型训练的请求确定发起ML实体612的训练。
装置1000还可以包括处理器电路1002，其从MLT MnS消费者608接收指定包含用于训练ML实体612的候选训练数据的一个或多个数据源606的ML训练请求704，并且从接收自MLT MnS消费者608的候选训练数据选择训练ML实体612的训练数据的至少一部分。
装置1000还可以包括处理器电路1002，其从MLT MnS消费者608接收ML训练请求704，其指定用于待训练的ML实体612的推理类型。
装置1000还可以包括处理器电路1002，其基于从MLT MnS消费者608接收的反馈418或者在描述新网络状态或事件的新训练数据可用时作为ML实体612的性能评估的结果而由MLT MnS生产者602确定发起ML实体612的训练。
装置1000还可以包括处理器电路1002，其由MLT MnS生产者602生成用于经训练的ML实体612的训练结果708。
装置1000还可以包括处理器电路1002，其从MLT MnS生产者602向MLT MnS消费者608提供包括经训练的ML实体612的位置的训练结果708。
装置1000还可包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括类图1100a、1100b，类图1100a、1100b包括封装与ML实体训练相关的信息的一组类。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括类图1100a、1100b，类图1100a、1100b包括封装与ML实体训练相关的信息的一组类以及用于与NRM相关的ML实体训练的类层次结构1200a、1200b。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个类定义，其中一个类定义包括AI/ML训练请求，AI/ML训练请求表示由MLT MnS消费者608创建的ML实体训练请求，并且其中，ML实体训练请求管理对象实例(MOI)(诸如MOI 902)被包含在一个AI/ML训练功能MOI下。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个类定义，其中一个类定义包括AI/ML训练报告，AI/ML训练报告表示由MnS生产者提供的ML实体训练报告，并且其中，ML实体训练报告管理对象实例(MOI)(诸如MOI 902)被包含在一个AI/ML训练功能MOI下。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于唯一地向MLT MnS生产者602标识ML实体612的标识符。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括候选训练数据源的地址。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示ML实体612支持的推理类型的指示符。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于评估ML实体612的性能的性能度量。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示MLT MnS消费者608提供的训练数据是否已经用于AI/ML训练的指示符。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括已经用于ML实体训练的、MLT MnS消费者608提供的训练数据的列表所位于的一个或多个地址。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括由MLT MnS消费者608创建的相关ML训练请求的区别名称。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括表示ML实体612的最后训练报告的ML训练报告管理对象实例(MOI)(诸如MOI 902)的区别名称。
装置1000还可以包括，其中，管理信息614包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括MnS消费者可以接收的一个或多个公共通知，其中一个公共通知具有用于对象类或对象实例的通知报头属性，该通知报头属性捕获对象类或对象实例的区别名称。
图11A例示了类图1100a。类图1100a可以包括适合于MLT系统600的MOI 902、IOC904和/或管理信息614的第一组类的示例。第一组类是示例性的而非限制性的。也可以使用其它类。实施例不限于该上下文。
图11B例示了类图1100b。类图1100b可以包括适合于MLT系统600的MOI 902、IOC904和/或管理信息614的第二组类的示例。第二组类是示例性的而非限制性的。也可以使用其它类。实施例不限于该上下文。
图12A例示了类层次结构1200a的实施例。类层次结构1200a可以包括类图1100a中阐述的第一组类的第一类层次结构的示例，其适用于MLT系统600的MOI 902、IOC 904和/或管理信息614。第一类层次结构是示例性的而非限制性的。也可以使用其它类层次结构。实施例不限于该上下文。
图12B例示了类层次结构1200b的实施例。类层次结构1200b可以包括类图1100b中阐述的第二组类的第二类层次结构的示例，其适用于MLT系统600的MOI 902、IOC 904和/或管理信息614。第二类层次结构是示例性的而非限制性的。也可以使用其它类层次结构。实施例不限于该上下文。
图13至图16例示了可以实施所公开的实施例的方面的各种系统、设备和部件。系统、设备和部件可以与参考图1描述的系统、设备和部件相同或相似。
图13例示了根据各种实施例的网络1300。网络1300可以以符合用于LTE或5G/NR系统的3GPP技术规范的方式操作。然而，示例实施例在这方面不受限制，并且所述实施例可以应用于受益于本文所述的原理的其他网络，诸如未来的3GPP系统等。
网络1300可以包括UE 1302，其可以包括被设计为经由空中连接与RAN 1330通信的任何移动或非移动计算设备。UE 1302可以由Uu接口与RAN 1330通信地耦合。UE 1302可以是但不限于智能电话、平板计算机、可穿戴计算机设备、台式计算机、膝上型计算机、车载信息娱乐系统、车内娱乐设备、仪表组、平视显示设备、车载诊断设备、仪表盘顶部移动装备、移动数据终端、电子引擎管理系统、电子/引擎控制单元、电子/引擎控制模块、嵌入式系统、传感器、微控制器、控制模块、引擎管理系统、联网电器、机器类型通信设备、M2M或D2D设备、IoT设备等。
在一些实施例中，网络1300可以包括经由侧行链路接口彼此直接耦合的多个UE。UE可以是使用物理侧行链路信道(诸如但不限于PSBCH、PSDCH、PSSCH、PSCCH、PSFCH等)进行通信的M2M/D2D设备。
在一些实施例中，UE 1302可以另外经由空中连接与AP 1304进行通信。AP 1304可以管理WLAN连接，该WLAN连接可以用于从RAN 1330卸载一些/所有网络流量。UE 1302和AP1304之间的连接可以与任何IEEE 1302.11协议一致，其中，AP 1304可以是无线保真路由器。在一些实施例中，UE 1302、RAN 1330和AP 1304可以利用蜂窝-WLAN聚合(例如LWA/LWIP)。蜂窝-WLAN聚合可以涉及UE 1302由RAN 1330配置为利用蜂窝无线电资源和WLAN资源两者。
RAN 1330可以包括一个或多个接入节点，例如AN 1360。AN 1360可以通过提供包括RRC、PDCP、RLC、MAC和L1协议的接入层协议来终止用于UE 1302的空中接口协议。这样，AN1360可以实现CN 1318和UE 1302之间的数据/语音连接。在一些实施例中，AN 1360可以在分立设备中实施，或者实施为在作为例如虚拟网络的一部分的服务器计算机上运行的一个或多个软件实体，其可以被称为CRAN或虚拟基带单元池。AN 1360被称为BS、gNB、RAN节点、eNB、ng-eNB、NodeB、RSU、TRxP、TRP等。AN 1360可以是宏蜂窝基站或低功率基站，其用于提供毫微微蜂窝、微微蜂窝或与宏蜂窝相比具有更小覆盖区域、更小用户容量或更高带宽的其他类似蜂窝。
在RAN 1330包括多个AN的实施例中，他们可以经由X2接口(如果RAN 1330是LTERAN)或Xn接口(如果RAN 1330是5G RAN)彼此耦合。在一些实施例中可以被分成控制/用户平面接口的X2/Xn接口可以允许AN传送与切换、数据/上下文传送、移动性、负载管理、干扰协调等相关的信息。
RAN 1330的AN可以各自管理一个或多个蜂窝、蜂窝组、分量载波等，以向UE 1302提供用于网络接入的空中接口。UE 1302可以同时与由RAN 1330的相同或不同AN提供的多个蜂窝连接。例如，UE 1302和RAN 1330可以使用载波聚合来允许UE 1302与多个分量载波连接，各个分量载波对应于Pcell或Scell。在双连接场景中，第一AN可以是提供MCG的主节点，并且第二AN可以是提供SCG的辅节点。第一/第二AN可以是eNB、gNB、ng-eNB等的任意组合。
RAN 1330可以通过许可频谱或未许可频谱提供空中接口。为了在未许可频谱中操作，节点可以使用基于CA技术的LAA、eLAA和/或feLAA机制与PCell/Scell。在接入未许可频谱之前，节点可以基于例如先听后说(LBT)协议来执行介质/载波感测操作。
在V2X场景中，UE 1302或AN 1360可以是或充当RSU，其可以指用于V2X通信的任何传输基础设施实体。RSU可以在合适的AN或固定(或相对固定)UE中实施，或者由其实施。在UE中或由UE实施的RSU可以被称为“UE型RSU”；在eNB中或由eNB实施的RSU可以被称为“eNB型RSU”；在gNB中或由gNB实施的RSU可被称为“gNB型RSU”；等等。在一个示例中，RSU是与位于路边的射频电路耦合的计算设备，其向经过的车辆UE提供连接支持。RSU还可以包括内部数据存储电路，其存储路口地图几何形状、交通统计、媒体以及感测和控制正在进行的车辆和行人交通的应用/软件。RSU可以提供高速事件所需的非常低时延的通信，诸如碰撞避免、交通警示等。另外或替代地，RSU可以提供其它蜂窝/WLAN通信服务。RSU的部件可以封装在适于室外安装的防风雨外壳中，并且可以包括网络接口控制器，其提供到交通信号控制器或回程网络的有线连接(例如，以太网)。
在一些实施例中，RAN 1330可以是具有eNB(例如，eNB 1354)的LTE RAN 1326。LTERAN 1326可以提供具有以下特性的LTE空中接口：15kHz的SCS；用于DL的CP-OFDM波形和用于UL的SC-FDMA波形；用于数据的turbo码和用于控制的TBCC；等等。LTE空中接口可以依赖于CSI-RS来进行CSI获取和波束管理；依赖于PDSCH/PDCCH DMRS来进行PDSCH/PDCCH解调；以及依赖于CRS来进行蜂窝搜索和初始获取、信道质量测量以及用于UE处的相干解调/检测的信道估计。LTE空中接口可以在6GHz以下的频带上操作。
在一些实施例中，RAN 1330可以是具有gNB(例如，gNB 1356)或ng-eNB(例如ng-eNB 1358)的NG-RAN 1328。gNB 1356可以使用5G NR接口与支持5G的UE连接。gNB 1356可以通过NG接口与5G核心连接，NG接口可以包括N2接口或N3接口。ng-eNB 1358也可以通过NG接口与5G核心连接，但是可以经由LTE空中接口与UE连接。gNB 1356和ng-eNB 1358可以通过Xn接口彼此连接。
在一些实施例中，NG接口可以被分成两个部分：NG用户平面(NG-U)接口，其在NG-RAN 1328的节点和UPF 1338之间运送流量数据(例如，N3接口)；以及NG控制平面(NG-C)接口，其是NG-RAN 1328的节点和AMF 1334之间的信令接口(例如，N2接口)。
NG-RAN 1328可以提供具有以下特性的5G-NR空中接口：变量SCS；用于DL的CP-OFDM、用于UL的CP-OFDM和DFT-s-OFDM；用于控制的极化、重复、单式和Reed-Muller码和用于数据的LDPC。类似于LTE空中接口，5G-NR空中接口可以依赖于CSI-RS、PDSCH/PDCCHDMRS。5G-NR空中接口可以不使用CRS，但是可以使用PBCH DMRS来进行PBCH解调；使用PTRS来进行用于PDSCH的相位跟踪；以及使用跟踪参考信号来进行时间跟踪。5G-NR空中接口可以在包括6GHz以下频带的FR1频带或包括24.25GHz至52.6GHz频带的FR2频带上操作。5G-NR空中接口可以包括SSB，SSB是包括PSS/SSS/PBCH的下行链路资源网格的区域。
在一些实施例中，5G-NR空中接口可以将BWP用于各种目的。例如，BWP可以用于SCS的动态自适应。例如，UE 1302可以被配置为具有多个BWP，其中，各个BWP配置具有不同的SCS。当向UE 1302指示BWP变化时，传输的SCS也被改变。BWP的另一个使用情况示例涉及功率节省。具体地，可以为UE 1302配置多个BWP，其具有个不同量的频率资源(例如PRB)，以支持在不同流量加载场景下的数据传输。包含较少数量PRB的BWP可用于具有小流量负载的数据传输，同时允许UE 1302处和某些情况下gNB 1356处的功率节省。包含更大数量PRB的BWP可以用于具有更高流量负载的场景。
RAN 1330通信地耦合到包括网络元件的CN 1318，以提供各种功能来支持到客户/订户(例如，UE 1302的用户)的数据和电信服务。CN 1318的部件可以在一个物理节点或单独的物理节点中实施。在一些实施例中，NFV可用于将CN 1318的网络元件所提供的任何或所有功能虚拟化到服务器、交换机等中的物理计算/存储资源上。CN 1318的逻辑实例可以被称为网络切片，并且CN 1318的一部分的逻辑实例可以被称为网络子切片。
在一些实施例中，CN 1318可以是LTE CN 1324，其也可以被称为EPC。LTE CN 1324可以包括MME 1306、SGW 1308、SGSN 1314、HSS1316、PGW 1310和PCRF 1312，其通过如图所示的接口(或“参考点”)彼此耦合。LTE CN 1324的元件的功能可以简要介绍如下。
MME 1306可以实施移动性管理功能以跟踪UE 1302的当前位置，以促进寻呼、承载激活/去激活、切换、网关选择、认证等。
SGW 1308可以终止朝向RAN的S1接口，并且在RAN和LTE CN 1324之间路由数据分组。SGW 1308可以是用于RAN节点间切换的本地移动锚点，并且还可以提供用于3GPP间移动的锚。其他责任可以包括合法侦听、计费和一些策略实施。
SGSN 1314可以跟踪UE 1302的位置，并且执行安全功能和接入控制。另外，SGSN1314可以执行EPC节点间信令以用于不同RAT网络之间的移动性；执行如MME 1306所指定的PDN和S-GW选择；执行MME选择以用于切换；等等。MME 1306与SGSN 1314之间的S3参考点可以使得能够在空闲/工作状态中交换用于3GPP接入网间移动性的用户和承载信息。
HSS1316可以包括用于网络用户的数据库，包括订阅相关信息，以支持网络实体对通信会话的处理。HSS1316可以提供对路由/漫游、认证、授权、命名/寻址解析、位置依赖性等的支持。HSS1316和MME 1306之间的S6a参考点可以实现用于认证/授权用户接入LTE CN1318的订阅和认证数据的传送。
PGW 1310可以终止朝向可以包括应用/内容服务器1320的数据网络(DN)1322的SGi接口。PGW 1310可以在LTE CN 1324和数据网络1322之间路由数据分组。PGW 1310可以通过S5参考点与SGW 1308耦合，以促进用户平面隧道形成和隧道管理。PGW 1310还可以包括用于策略实施和计费数据收集(例如，PCEF)的节点。另外，PGW 1310和数据网络1322之间的SGi参考点可以是运营商外部公共的、私有PDN、或者运营商内分组数据网络，例如用于提供IMS服务。PGW 1310可以经由Gx参考点与PCRF 1312耦合。
PCRF 1312是LTE CN 1324的策略和计费控制元件。PCRF 1312可以通信地耦合到应用/内容服务器1320，以确定用于服务流的适当的QoS和计费参数。PCRF 1310可以将相关联的规则提供到具有适当TFT和QCI的PCEF(经由Gx参考点)。
在一些实施例中，CN 1318可以是5GC 1352。5GC 1352可以包括如图所示通过接口(或“参考点”)彼此耦合的AUSF 1332、AMF 1334、SMF 1336、UPF 1338、NSSF 1340、NEF1342、NRF 1344、PCF 1346、UDM 1348和AF 1350。5GC 1352的元件的功能可以简要介绍如下。
AUSF 1332可以存储用于UE 1302的认证的数据，并且处理认证相关功能。AUSF1332可以促进用于各种接入类型的公共认证框架。除了通过如图所示的参考点与5GC 1352的其他元件通信之外，AUSF 1332可以展示Nausf基于服务的接口。
AMF 1334可以允许5GC 1352的其他功能与UE 1302和RAN 1330通信，并订阅关于UE 1302的移动性事件的通知。AMF 1334可以负责注册管理(例如，用于注册UE 1302)、连接管理、可达性管理、移动性管理、AMF相关事件的合法侦听、以及接入认证和授权。AMF 1334可以提供UE 1302和SMF 1336之间的SM消息传输，并且充当用于路由SM消息的透明代理。AMF 1334还可以提供UE 1302和SMSF之间的SMS消息传输。AMF 1344可以与AUSF 1332和UE1302交互以执行各种安全锚和上下文管理功能。此外，AMF 1334可以是RAN CP接口的端点，其可以包括或者是RAN 1330与AMF 1334之间的N2参考点；AMF 1334可以是NAS(N1)信令的端点，并且执行NAS加密和完整性保护。AMF 1334还可以支持通过N3 IWF接口与UE 1302的NAS信令。
SMF 1336可以负责SM(例如，UPF 1338和AN 1360之间的会话建立、隧道管理)；UEIP地址分配和管理(包括可选授权)；UP功能的选择和控制；在UPF 1338配置流量转向以将流量路由到适当的目的地；终止朝向策略控制功能的接口；控制部分策略实施、计费和QoS；合法侦听(对于SM事件和到LI系统的接口)；NAS消息的SM部分的终止；下行链路数据通知；发起AN特定的SM信息，该信息经由AMF 1334通过N2发送到AN 1360；以及确定会话的SSC模式。SM可以指代PDU会话的管理，而PDU会话可以指代提供或实现UE 1302与数据网络1322之间的PDU交换的PDU连接服务。
UPF 1338可以充当RAT内和RAT间移动性的锚点、到数据网络1322的互连的外部PDU会话点、以及支持多归属PDU会话的分支点。UPF 1338还可以执行分组路由和转发，执行分组检查，实施策略规则的用户平面部分，合法侦听分组(UP收集)，执行流量使用报告，执行用户平面的QoS处理(例如，分组过滤、选通、UL/DL速率实施)，执行上行链路流量验证(例如，SDF到QoS流映射)、上行链路和下行链路中的传输级分组标记，并且执行下行链路分组缓冲和下行链路数据通知触发。UPF 1338可以包括上行链路分类器，以支持将流量流路由到数据网络。
NSSF 1340可以选择服务UE 1302的一组网络切片实例。如果需要，则NSSF 1340还可以确定允许的NSSAI和到订阅的S-NSSAI的映射。NSSF 1340还可以基于合适的配置且可能通过查询NRF 1344来确定将用于服务UE 1302的AMF组或候选AMF的列表。UE 1302的一组网络切片实例的选择可以由AMF 1334触发，UE 1302通过与NSSF 1340交互而向AMF注册；这可导致AMF的改变。NSSF 1340可以经由N22参考点与AMF 1334交互；并且可以经由N31参考点(未示出)与访问网络中的另一NSSF通信。另外，NSSF 1340可以展示Nnssf基于服务的接口。
NEF 1342可以安全地暴露由3GPP网络功能为第三方、内部暴露/再次暴露、AF(例如AF 1350)、边缘计算或雾计算系统等提供的服务和能力。在这样的实施例中，NEF 1342可以认证、授权或扼制AF。NEF 1342还可以转译与AF 1350交换的信息和与内部网络功能交换的信息。例如，NEF 1342可以在AF-服务-标识符和内部5GC信息之间转译。NEF 1342还可以基于其他NF的暴露能力从其他NF接收信息。该信息可以作为结构化数据存储在NEF 1342处，或者使用标准化接口存储在数据存储NF处。然后，存储的信息可以由NEF 1342再次暴露给其他NF和AF，或者用于其他目的，诸如分析。另外，NEF 1342可以展示Nnef基于服务的接口。
NRF 1344可以支持服务发现功能，从NF实例接收NF发现请求，并将所发现的NF实例的信息提供给NF实例。NRF 1344还维护可用NF实例及其支持的服务的信息。如本文所用的，术语“实例化”等可以指创建实例，并且“实例”可以指对象的具体出现，其例如在程序代码的执行期间可能出现。另外，NRF 1344可以展示Nnrf基于服务的接口。
PCF 1346可以向控制平面功能提供策略规则以实施他们，并且还可以支持统一策略框架以管理网络行为。PCF 1346还可以实施前端以访问与UDM 1348的UDR中的策略决策相关的订阅信息。除了通过如图所示的参考点与功能通信之外，PCF 1346还展示Npcf基于服务的接口。
UDM 1348可以处理与订阅相关的信息以支持网络实体对通信会话的处理，并且可以存储UE 1302的订阅数据。例如，可以经由UDM 1348与AMF 1334之间的N8参考点来传送订阅数据。UDM 1348可以包括两个部分：应用前端和UDR。UDR可以存储用于UDM 1348和PCF1346的订阅数据和策略数据、和/或用于NEF 1342的暴露和应用数据(包括用于应用检测的PFD、用于多个UE 1302的应用请求信息)的结构化数据。Nudr基于服务的接口可以由UDR221展示，以允许UDM 1348、PCF 1346和NEF 1342访问特定的存储数据集，以及读取、更新(例如添加、修改)、删除和订阅UDR中的相关数据改变的通知。UDM可以包括UDM-FE，其负责处理证书、位置管理、订阅管理等。若干不同的前端可以在不同的事务中服务相同的用户。UDM-FE访问存储在UDR中的订阅信息，并且执行认证证书处理、用户标识处理、访问授权、注册/移动性管理和订阅管理。除了通过如图所示的参考点与其他NF通信之外，UDM 1348可以展示Nudm基于服务的接口。
AF 1350可以提供对流量路由的应用影响，提供对NEF的访问，并且与用于策略控制的策略框架交互。
在一些实施例中，5GC 1352可通过选择运营商/第3方服务以在地理上接近UE1302附接到网络的点来实现边缘计算。这可以减少网络上的时延和负载。为了提供边缘计算实施方式，5GC 1352可选择靠近UE1302的UPF 1338，并经由N6接口执行从UPF 1338到数据网络1322的流量转向。这可以基于UE订阅数据、UE位置和由AF 1350提供的信息。这样，AF1350可以影响UPF(重新)选择和流量路由。基于运营商部署，当AF 1350被认为是可信实体时，网络运营商可允许AF 1350直接与相关NF交互。另外，AF 1350可以展示Naf基于服务的接口。
数据网络1322可以表示各种网络运营商服务、因特网接入、或者可以由包括例如应用/内容服务器1320的一个或多个服务器提供的第三方服务。
图14示意性地例示了根据各种实施例的无线网络1400。无线网络1400可以包括与AN 1424进行无线通信的UE 1402。UE 1402和AN 1424可以类似于本文别处描述的名称相同的部件，并且可以与其实质上互换。
UE 1402可以经由连接1446与AN 1424通信地耦合。连接1446被例示为实现通信耦合的空中接口，并且可与蜂窝通信协议(诸如在毫米波或6GHz以下频率操作的LTE协议或5GNR协议)一致。
UE 1402可以包括与调制解调器平台1408耦合的主机平台1404。主机平台1404可包括可与调制解调器平台1408的协议处理电路1410耦合的应用处理电路1406。应用处理电路1406可以运行用于UE 1402的获得/接收应用数据的各种应用。应用处理电路1406还可以实施一个或多个层操作以向数据网络发送应用数据/从数据网络接收应用数据。这些层操作可以包括传输(例如UDP)和因特网(例如IP)操作。
协议处理电路1410可实施层操作中的一个或多个以便于通过连接1446发送或接收数据。由协议处理电路1410实施的层操作可以包括例如MAC、RLC、PDCP、RRC和NAS操作。
调制解调器平台1408还可以包括数字基带电路1412，其可以实施一个或多个层操作，该一个或多个层操作在由网络协议栈中的协议处理电路1410执行的层操作“之下”。这些操作可以包括例如PHY操作，PHY操作包括HARQ ACK功能、加扰/解扰、编码/解码、层映射/解映射、调制符号映射、接收符号/位度量确定、多天线端口预编码/解码中的一个或多个，其可以包括时空、空频或空间编码、参考信号生成/检测、前导码序列生成和/或解码、同步序列生成/检测、控制信道信号盲解码和其他相关功能中的一个或多个。
调制解调器平台1408还可以包括发送电路1414、接收电路1416、RF电路1418和RF前端(RFFE)1420，其可以包括或连接到一个或多个天线面板1422。简言之，发送电路1414可以包括数模转换器、混频器、中频(IF)部件等；接收电路1416可包括模数转换器、混频器、IF部件等；RF电路1418可以包括低噪声放大器、功率放大器、功率跟踪部件等；RFFE1420可包括滤波器(例如，表面/体声波滤波器)、开关、天线调谐器、波束成形部件(例如，相控阵天线部件)等。发送电路1414、接收电路1416、RF电路1418、RFFE 1420、以及天线面板1422的部件(一般称为“发送/接收部件”)的选择和布置可以特定于特定实施方式的细节，诸如例如通信是TDM还是FDM、在毫米波还是6GHz以下频率中等。在一些实施例中，发送/接收部件可布置在多个并行发送/接收链中，可布置在相同或不同芯片/模块中等。
在一些实施例中，协议处理电路1410可包括控制电路(未示出)的一个或多个实例，其为发送/接收部件提供控制功能。
UE接收可以通过并经由天线面板1422、RFFE 1420、RF电路1418、接收电路1416、数字基带电路1412和协议处理电路1410来建立。在一些实施例中，天线面板1422可以通过由一个或多个天线面板1422的的多个天线/天线元件接收的接收波束成形信号接收来自AN1424的发送。
UE发送可以通过并经由协议处理电路1410、数字基带电路1412、发送电路1414、RF电路1418、RFFE 1420和天线面板1422来建立。在一些实施例中，UE 1424的发送部件可以对要发送以形成天线面板1422的天线元件所发射的发送波束的数据应用空间滤波器。
与UE 1402类似，AN 1424包括与调制解调器平台1430耦合的主机平台1426。主机平台1426可包括可与调制解调器平台1430的协议处理电路1432耦合的应用处理电路1428。调制解调器平台还可以包括数字基带电路1434、发送电路1436、接收电路1438、RF电路1440、RFFE电路1442和天线面板1444。AN 1424的部件可以与UE 1402的名称相同的部件类似并且可以与其实质上互换。除了如上所述执行数据发送/接收之外，AN 1404的部件还可以执行各种逻辑功能，例如包括RNC功能，诸如无线电承载管理、上行链路和下行链路动态无线电资源管理、以及数据分组调度。
图15是例示了根据一些示例实施例的能够从机器可读或计算机可读介质(例如，非瞬态机器可读存储介质)读取指令并执行本文所讨论的方法中的任何一个或多个的部件的框图。具体地，图15示出了硬件资源1530的图示，其包括一个或多个处理器(或处理器核心)1510、一个或多个存储器/存储设备1522以及一个或多个通信资源1526，其中的每一个都可以经由总线1520或其他接口电路通信地耦合。对于利用节点虚拟化(例如，NFV)的实施例，可以执行管理程序1502来提供用于一个或多个网络切片/子切片的执行环境，从而利用硬件资源1530。
处理器1510可以包括例如处理器1512和处理器1514。处理器1510可以是例如中央处理单元(CPU)、精简指令集计算(RISC)处理器、复杂指令集计算(CISC)处理器、图形处理单元(GPU)、诸如基带处理器的DSP、ASIC、FPGA、射频集成电路(RFIC)、另一处理器(包括本文讨论的处理器)或其任何合适的组合。
存储器/存储设备1522可以包括主存储器、磁盘储存器或其任何合适的组合。存储器/存储设备1522可以包括但不限于任何类型的易失性、非易失性或半易失性存储器，诸如动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪存、固态储存器等。
通信资源1526可以包括互连或网络接口控制器、部件或其他合适的设备，其经由网络1508与一个或多个外围设备1504或一个或多个数据库1506或其他网络元件通信。例如，通信资源1526可以包括有线通信部件(例如，用于经由USB、以太网等耦合)、蜂窝通信部件、NFC部件、 (或/>低功耗)部件、/>部件和其他通信部件。
指令106、1518、1524、1528、1532可以包括软件、程序、应用、小应用程序、应用程序(app)或用于使至少任何处理器1510执行本文所讨论的任何一个或多个方法的其他可执行代码。指令106、1518、1524、1528、1532可完全或部分地驻留在至少一个处理器1510内(例如，处理器的高速缓冲存储器内)、存储器/存储设备1522或其任何合适的组合内。此外，指令106、1518、1524、1528、1532的任何部分可从外围设备1504或数据库1506的任何组合传送到硬件资源1530。因此，处理器1510的存储器、存储器/存储设备1522、外围设备1504和数据库1506是计算机可读和机器可读介质的示例。
对于一个或多个实施例，在一个或多个前述附图中阐述的至少一个部件可以被配置为执行如在下面的示例部分中阐述的一个或多个操作、技术、过程和/或方法。例如，如上结合一个或多个前述附图所述的基带电路可以被配置为根据下面阐述的一个或多个示例来操作。对于另一示例，如上结合一个或多个前述附图所述的与UE、基站、网络元件等相关联的电路可以被配置为根据下面在示例部分中阐述的一个或多个示例来操作。
图16例示了计算机可读存储介质1600。计算机可读存储介质1700可以包括任何非瞬态计算机可读存储介质或机器可读存储介质，诸如光、磁或半导体存储介质。在各种实施例中，计算机可读存储介质1600可以包括制品。在一些实施例中，计算机可读存储介质1600可以存储电路可以执行的计算机可执行指令1602。例如，计算机可执行指令1602可以包括实施关于逻辑流程500(删除)、1200a和900描述的操作的计算机可执行指令1602。计算机可读存储介质1600或机器可读存储介质1600的示例可以包括能够存储电子数据的任何有形介质，包括易失性存储器或非易失性存储器、可移除或不可移除存储器、可擦或不可擦存储器、可写或可重写存储器等。计算机可执行指令1602的示例可以包括任何合适类型的代码，诸如源代码、编译代码、解释代码、可执行代码、静态代码、动态代码、面向对象的代码、视觉代码等。
示例
示例1.一种用于网络节点的装置，包括：
存储器接口，用于向数据存储设备发送或从数据存储设备接收用于人工智能(AI)和机器学习(ML)管理的管理信息，管理信息基于第五代系统(5GS)的网络资源模型(NRM)；以及
处理器电路，其通信地耦合到存储器接口，处理器电路用于：
使用管理信息确定发起对ML实体的训练，训练由5GS的管理服务(MnS)生产者来执行；
确定与ML实体相关联的推理类型；
选择用于训练ML实体的训练数据；以及
由MnS生产者使用选择的训练数据根据推理类型训练ML实体，经训练的ML实体用于为5GS的管理服务(MnS)消费者进行推理操作。
示例2.任何先前示例(诸如示例1)的装置，处理器电路用于：
从MnS消费者接收对ML实体训练的请求；以及
响应于来自MnS消费者的对ML实体训练的请求，确定发起ML实体的训练。
示例3.任何先前示例(诸如示例1)的装置，处理器电路用于：
从MnS消费者接收指定包含用于训练ML实体的候选训练数据的一个或多个数据源的请求；以及
从接收自MnS消费者的候选训练数据中选择用于训练ML实体的训练数据的至少一部分。
示例4.任何先前示例(诸如示例1)的装置，处理器电路用于：从MnS消费者接收为待训练的ML实体指定推理类型的请求。
示例5.任何先前示例(诸如示例1)的装置，处理器电路用于：基于从MnS消费者接收的反馈信息或在描述新网络状态或事件的新训练数据可用时，作为ML实体的性能评估的结果，确定由MnS生产者发起ML实体的训练。
示例6.任何先前示例(诸如示例1)的装置，处理器电路用于：由MnS生产者生成经训练的ML实体的训练结果。
示例7.任何先前示例(诸如示例1)的装置，处理器电路用于：从MnS生产者向MnS消费者提供包括经训练的ML实体的位置的训练结果。
示例8.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义。
示例9.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括类图，类图包括封装与ML实体训练相关的信息的一组类。
示例10.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括类图，类图包括封装与ML实体训练相关的信息的一组类以及用于与NRM相关的ML实体训练的类层次结构。
示例11.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个类定义，其中一个类定义包括AI/ML训练请求，AI/ML训练请求表示由MnS消费者创建的ML实体训练请求，并且其中，ML实体训练请求管理对象实例(MOI)被包含在一个ML训练功能MOI下。
示例12.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个类定义，其中一个类定义包括AI/ML训练报告，AI/ML训练报告表示由MnS生产者提供的ML实体训练报告，并且其中，ML实体训练报告管理对象实例(MOI)被包含在一个AI/ML训练功能MOI下。
示例13.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于唯一地向MnS生产者标识AI/ML模型的标识符。
示例14.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括候选训练数据源的地址。
示例15.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示ML实体支持的推理类型的指示符。
示例16.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于评估ML实体的性能的性能度量。
示例17.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示MnS消费者提供的训练数据是否已经用于AI/ML训练的指示符。
示例18.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括已经用于ML实体训练的、MnS消费者提供的训练数据的列表所位于的一个或多个地址。
示例19.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括由MnS消费者创建的相关ML实体训练请求的区别名称。
示例20.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括表示ML实体的最后训练报告的AI/ML模型训练报告管理对象实例(MOI)的区别名称。
示例21.任何先前示例(诸如示例1)的装置，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括MnS消费者可以接收的一个或多个公共通知，其中一个公共通知具有用于对象类或对象实例的通知报头属性，该通知报头属性捕获对象类或对象实例的区别名称。
示例22.一种用于网络节点的方法，包括：
使用用于人工智能(AI)和机器学习(ML)管理的管理信息确定发起对机器学习(ML)实体的训练，管理信息基于第五代系统(5GS)的网络资源模型(NRM)，训练由5GS的管理服务(MnS)生产者来执行；
确定与ML实体相关联的推理类型；
选择用于训练ML实体的训练数据；以及
由MnS生产者使用选择的训练数据根据推理类型训练ML实体，经训练的ML实体用于为5GS的管理服务(MnS)消费者进行推理操作。
示例23.任何先前示例(诸如示例22)的方法，包括：
从MnS消费者接收对ML实体训练的请求；以及
响应于来自MnS消费者的对ML实体训练的请求，确定发起对ML实体的训练。
示例24.任何先前示例(诸如示例22)的方法，包括：
从MnS消费者接收指定包含用于训练ML实体的候选训练数据的一个或多个数据源的请求；以及
从接收自MnS消费者的候选训练数据中选择用于训练ML实体的训练数据的至少一部分。
示例25.任何先前示例(诸如示例22)的方法，包括：从MnS消费者接收为待训练的ML实体指定推理类型的请求。
示例26.任何先前示例(诸如示例22)的方法，包括：基于从MnS消费者接收的反馈信息或在描述新网络状态或事件的新训练数据可用时，作为ML实体的性能评估的结果，由MnS生产者确定发起对ML实体的训练。
示例27.任何先前示例(诸如示例22)的方法，包括：由MnS生产者生成用于经训练的ML实体的训练结果。
示例28.任何先前示例(诸如示例22)的方法，包括：从MnS生产者向MnS消费者提供包括经训练的ML实体的位置的训练结果。
示例29.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义。
示例30.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括类图，类图包括封装与ML实体训练相关的信息的一组类。
示例31.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括类图，类图包括封装与ML实体训练相关的信息的一组类以及用于与NRM相关的ML实体训练的类层次结构。
示例32.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个类定义，其中一个类定义包括AI/ML训练请求，AI/ML训练请求表示由MnS消费者创建的ML实体训练请求，并且其中，ML实体训练请求管理对象实例(MOI)被包含在一个ML训练功能MOI下。
示例33.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个类定义，其中一个类定义包括AI/ML训练报告，AI/ML训练报告表示由MnS生产者提供的ML实体训练报告，并且其中，ML实体训练报告管理对象实例(MOI)被包含在一个ML训练功能MOI下。
示例34.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于唯一地向MnS生产者标识ML实体的标识符。
示例35.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括候选训练数据源的地址。
示例36.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示ML实体支持的推理类型的指示符。
示例37.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于评估ML实体的性能的性能度量。
示例38.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示MnS消费者提供的训练数据是否已经用于AI/ML训练的指示符。
示例39.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括已经用于ML实体训练的、MnS消费者提供的训练数据的列表所位于的一个或多个地址。
示例40.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括由MnS消费者创建的相关ML训练请求的区别名称。
示例41.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括表示ML实体的最后训练报告的ML实体训练报告管理对象实例(MOI)的区别名称。
示例42.任何先前示例(诸如示例22)的方法，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括MnS消费者可以接收的一个或多个公共通知，其中一个公共通知具有用于对象类或对象实例的通知报头属性，通知报头属性捕获对象类或对象实例的区别名称。
示例43.一种非瞬态计算机可读存储介质，计算机可读存储介质包括指令，指令在由计算机执行时，使得计算机：
使用用于人工智能(AI)和机器学习(ML)管理的管理信息确定发起对ML实体的训练，管理信息基于第五代系统(5GS)的网络资源模型(NRM)，训练由5GS的管理服务(MnS)生产者来执行；
确定与ML实体相关联的推理类型；
选择用于训练ML实体的训练数据；以及
由MnS生产者使用选择的训练数据根据推理类型训练ML实体，经训练的ML实体用于为5GS的管理服务(MnS)消费者进行推理操作。
示例44.任何先前示例(诸如示例43)的计算机可读存储介质，包括：
从MnS消费者接收对ML实体训练的请求；以及
响应于来自MnS消费者的对ML实体训练的请求，确定发起ML实体的训练。
示例45.任何先前示例(诸如示例43)的计算机可读存储介质，包括：
从MnS消费者接收指定包含用于训练ML实体的候选训练数据的一个或多个数据源的请求；以及
从接收自MnS消费者的候选训练数据中选择用于训练ML实体的训练数据的至少一部分。
示例46.任何先前示例(诸如示例43)的计算机可读存储介质，包括：从MnS消费者接收为待训练的ML实体指定推理类型的请求。
示例47.任何先前示例(诸如示例43)的计算机可读存储介质，包括：基于从MnS消费者接收的反馈信息或在描述新网络状态或事件的新训练数据可用时，作为ML实体的性能评估的结果，由MnS生产者确定发起ML实体的训练。
示例48.任何先前示例(诸如示例43)的计算机可读存储介质，包括：由MnS生产者生成经训练的ML实体的训练结果。
示例49.任何先前示例(诸如示例43)的计算机可读存储介质，包括：从MnS生产者向MnS消费者提供包括经训练的ML实体的位置的训练结果。
示例50.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义。
示例51.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括类图，类图包括封装与ML实体训练相关的信息的一组类。
示例52.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括类图，类图包括封装与ML实体训练相关的信息的一组类以及用于与NRM相关的ML训练的类层次结构。
示例53.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个类定义，其中一个类定义包括ML训练请求，AI/ML训练请求表示由MnS消费者创建的ML实体训练请求，并且其中，ML实体训练请求管理对象实例(MOI)被包含在一个ML训练功能MOI下。
示例54.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个类定义，其中一个类定义包括AI/ML训练报告，AI/ML训练报告表示由MnS生产者提供的ML实体训练报告，并且其中，ML实体训练报告管理对象实例(MOI)被包含在一个AI/ML训练功能MOI下。
示例55.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于唯一地向MnS生产者标识ML实体的标识符。
示例56.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括候选训练数据源的地址。
示例57.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示ML实体支持的推理类型的指示符。
示例58.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于评估ML实体的性能的性能度量。
示例59.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示MnS消费者提供的训练数据是否已经用于AI/ML训练的指示符。
示例60.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括已经用于ML实体训练的、MnS消费者提供的训练数据的列表所位于的一个或多个地址。
示例61.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括由MnS消费者创建的相关ML训练请求的区别名称。
示例62.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括表示ML实体的最后训练报告的ML训练报告管理对象实例(MOI)的区别名称。
示例63.任何先前示例(诸如示例43)的计算机可读存储介质，其中，管理信息包括用于AI/ML管理的一个或多个信息模型定义，信息模型定义包括MnS消费者可以接收的一个或多个公共通知，其中一个公共通知具有用于对象类或对象实例的通知报头属性，通知报头属性捕获对象类或对象实例的区别名称。
除非另外明确陈述，否则任何上述示例可以与任何其他示例(或示例的组合)组合。除非另外明确陈述，否则上述示例中的任一个都可以被实施为系统示例和装置加功能示例。一个或多个实施方式的前述描述提供了说明和描述，但不旨在是穷尽的或将实施例的范围限于所公开的精确形式。鉴于上述示教，修改和变化是可能的，或者可以从各种实施例的实践中获得。
术语
为了本文献的目的，以下术语和定义适用于本文讨论的示例和实施例。
如本文所用的术语“电路”指代硬件部件、是硬件部件的一部分或包括硬件部件，硬件部件诸如为电子电路、逻辑电路、处理器(共享、专用或组)和/或存储器(共享、专用或组)、专用集成电路(ASIC)、现场可编程器件(FPD)(例如，现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、复杂PLD(CPLD)、高容量PLD(HCPLD)、结构化ASIC或可编程SoC)、数字信号处理器(DSP)等，其被配置为提供所述功能。在一些实施例中，电路可执行一个或多个软件或固件程序来提供所述功能中的至少一些。术语“电路”还可以指一个或多个硬件元件(或在电气或电子系统中使用的电路的组合)与用于执行该程序代码的功能的程序代码的组合。在这些实施例中，硬件元件和程序代码的组合可以被称为特定类型的电路。
如本文所用的术语“处理器电路”指代能够顺序地和自动地执行一系列算术或逻辑运算、或记录、存储和/或传送数字数据的电路，或者是该电路的一部分，或者包括该电路。处理电路可以包括执行指令的一个或多个处理核心以及存储程序和数据信息的一个或多个存储器结构。术语“处理器电路”可以指代一个或多个应用处理器、一个或多个基带处理器、物理中央处理单元(CPU)、单核心处理器、双核心处理器、三核心处理器、四核心处理器和/或能够执行或以其他方式操作计算机可执行指令(诸如程序代码、软件模块和/或功能过程)的任何其他设备。处理电路可以包括更多硬件加速器，其可以是微处理器、可编程处理设备等。一个或多个硬件加速器可以包括例如计算机视觉(CV)和/或深度学习(DL)加速器。术语“应用电路”和/或“基带电路”可以被认为与“处理器电路”同义，并且可以被称为“处理器电路”。
如本文所用的术语“接口电路”指代使得能够在两个或更多个部件或设备之间交换信息的电路，或者是该电路的一部分，或者包括该电路。术语“接口电路”可以指代一个或多个硬件接口，例如总线、I/O接口、外围部件接口、网络接口卡等。
如本文所用的术语“用户设备”或“UE”指代具有无线电通信能力的设备，并且可以描述通信网络中的网络资源的远程用户。术语“用户设备”或“UE”可以被认为与客户端、移动电话、移动设备、移动终端、用户终端、移动单元、移动站、移动用户、订户、用户、远程站、接入代理、用户代理、接收器、无线电设备、可重新配置的无线电设备、可重新配置的移动设备等同义，并且可以被称为这些内容。此外，术语“用户设备”或“UE”可以包括任何类型的无线/有线设备或包括无线通信接口的任何计算设备。
如本文所用的术语“网络元件”指代用于提供有线或无线通信网络服务的物理或虚拟化设备和/或基础设施。术语“网络元件”可以被认为与联网计算机、联网硬件、网络设备、网络节点、路由器、交换机、集线器、网桥、无线电网络控制器、RAN设备、RAN节点、网关、服务器、虚拟化VNF、NFVI等同义和/或被称为这些内容。
如本文所用的术语“计算机系统”指代任何类型的互连电子设备、计算机设备或其部件。另外，术语“计算机系统”和/或“系统”可以指代彼此通信地耦合的计算机的各种部件。此外，术语“计算机系统”和/或“系统”可以指代彼此通信地耦合并且被配置为共享计算和/或联网资源的多个计算机设备和/或多个计算系统。
如本文所用的术语“电器”、“计算机电器”等指代具有程序代码(例如，软件或固件)的计算机设备或计算机系统，其被专门设计为提供特定计算资源。“虚拟电器”是将由虚拟化或仿真计算机电器或以其他方式专用于提供特定计算资源的配备有管理程序的设备实施的虚拟机映像。
本文所用的术语“资源”指代物理或虚拟设备、计算环境内的物理或虚拟部件、和/或特定设备内的物理或虚拟部件，诸如计算机设备、机械设备、存储器空间、处理器/CPU时间、处理器/CPU使用、处理器和加速器负载、硬件时间或使用、电功率、输入/输出操作、端口或网络插口、信道/链路分配、吞吐量、存储器使用、存储、网络、数据库和应用、工作负载单元等。“硬件资源”可以指代由(一个或多个)物理硬件元件提供的计算、存储和/或网络资源。“虚拟化资源”可以指代由虚拟化基础设施提供给应用、设备、系统等的计算、存储和/或网络资源。术语“网络资源”或“通信资源”可以指代可由计算机设备/系统经由通信网络访问的资源。术语“系统资源”可以指代提供服务的任何种类的共享实体，并且可以包括计算和/或网络资源。系统资源可以被认为是一组一致的功能、网络数据对象或服务，其可以通过服务器访问，其中，这样的系统资源驻留在单个主机或多个主机上并且是可清楚识别的。
如本文所用的术语“信道”指代用于传送数据或数据流的有形或无形的任何传输介质。术语“信道”可以与“通信信道”、“数据通信信道”、“传输信道”、“数据传输信道”、“接入信道”、“数据接入信道”、“链路”、“数据链路”、“载波”、“射频载波”和/或表示传送数据所通过的路径或介质的任何其他类似术语同义和/或等同。另外，如本文所用的术语“链路”指代为了发送和接收信息的目的而通过RAT在两个设备之间的连接。
如本文所用的术语“实例化”等指代实例的创建。“实例”还指代对象的具体出现，其可以例如在程序代码的执行期间出现。
本文中使用术语“耦合”、“通信地耦合”及其派生词。术语“耦合”可以意指两个或更多个元件彼此直接物理或电接触，可以意指两个或更多个元件彼此间接接触，但是仍然彼此协作或交互，和/或可以意指一个或多个其他元件耦合或连接在被称为彼此耦合的元件之间。术语“直接耦合”可以意指两个或更多个元件彼此直接接触。术语“通信地耦合”可以意指两个或更多个元件可以通过通信的方式彼此接触，通信的方式包括通过导线或其他互连连接、通过无线通信信道或链路等。
术语“信息元素”指代包含一个或多个字段的结构元素。术语“字段”指代信息元素的单独内容或者包含内容的数据元素。
术语“SMTC”指代由SSB-MeasurementTimingConfiguration进行配置的基于SSB的测量定时配置。
术语“SSB”指代SS/PBCH块。
术语“主蜂窝”指代在主频率上操作的MCG蜂窝，其中，UE执行初始连接建立过程或者发起连接重新建立过程。
术语“主SCG蜂窝”指代当UE执行用于DC操作的具有同步的重新配置过程时执行随机接入的SCG蜂窝。
术语“辅蜂窝”指代在配置有CA的UE的特殊蜂窝顶部上提供附加无线电资源的蜂窝。
术语“辅蜂窝组”指代包括用于配置有DC的UE的PSCell和零个或多个辅蜂窝的服务蜂窝子集。
术语“服务蜂窝”指代RRC_CONNECTED中未配置有CA/DC的UE的主蜂窝，仅有一个服务蜂窝包括该主蜂窝。
术语“服务蜂窝”或“多个服务蜂窝”指代包括用于RRC_CONNECTED中配置有CA的UE的(一个或多个)特殊蜂窝和所有辅蜂窝的蜂窝集合。
术语“特殊蜂窝”指代用于DC操作的MCG的PCell或SCG的PSCell；否则，术语“特殊蜂窝”指代Pcell。
Claims (20)
1.一种用于网络节点的装置，包括：
存储器接口，用于向数据存储设备发送或从数据存储设备接收用于人工智能(AI)和机器学习(ML)管理的管理信息，所述管理信息基于第五代系统(5GS)的网络资源模型(NRM)；以及
处理器电路，其通信地耦合到所述存储器接口，所述处理器电路用于：
使用所述管理信息确定发起对ML实体的训练，所述训练由所述5GS的管理服务(MnS)生产者来执行；
确定与所述ML实体相关联的推理类型；
选择用于训练所述ML实体的训练数据；以及
由所述MnS生产者使用所选择的训练数据根据所述推理类型训练所述ML实体，经训练的ML实体用于为所述5GS的管理服务(MnS)消费者进行推理操作。
2.根据权利要求1所述的装置，所述处理器用于：
从所述MnS消费者接收对ML实体训练的请求；以及
响应于来自所述MnS消费者的对ML实体训练的请求，确定发起对所述ML实体的训练。
3.根据权利要求1所述的装置，所述处理器用于：
从所述MnS消费者接收指定一个或多个数据源的请求，所述一个或多个数据源包含用于训练所述ML实体的候选训练数据；以及
从接收自所述MnS消费者的所述候选训练数据中选择用于训练所述ML实体的所述训练数据的至少一部分。
4.根据权利要求1所述的装置，所述处理器电路用于：从所述MnS消费者接收为待训练的所述ML实体指定所述推理类型的请求。
5.根据权利要求1所述的装置，所述处理器电路用于：基于从所述MnS消费者接收的反馈信息，或在描述新网络状态或事件的新训练数据可用时，作为对所述ML实体的性能评估的结果，确定由所述MnS生产者发起对所述ML实体的训练。
6.根据权利要求1所述的装置，所述处理器电路用于：由所述MnS生产者生成所述经训练的ML实体的训练结果。
7.根据权利要求1所述的装置，所述处理器电路用于：从所述MnS生产者向所述MnS消费者提供包括所述经训练的ML实体的位置的训练结果。
8.根据权利要求1所述的装置，其中，所述管理信息包括用于AI/ML管理的一个或多个信息模型定义。
9.根据权利要求1所述的装置，其中，所述管理信息包括用于AI/ML管理的一个或多个信息模型定义，所述信息模型定义包括：
类图，所述类图包括封装与ML实体训练相关的信息的一组类；
类图，所述类图包括封装与ML实体训练相关的信息的一组类以及用于与NRM相关的ML实体训练的类层次结构；
一个或多个类定义，其中一个类定义包括AI/ML训练请求，所述AI/ML训练请求表示由所述MnS消费者创建的ML实体训练请求，并且其中，ML实体训练请求管理对象实例(MOI)被包含在一个ML训练功能MOI下；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于唯一地向所述MnS生产者标识所述AI/ML模型的标识符；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括候选训练数据源的地址；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示所述ML实体支持的所述推理类型的指示符；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于评估所述ML实体的性能的性能度量；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示所述MnS消费者提供的训练数据是否已经用于所述AI/ML训练的指示符；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括已经用于所述ML实体训练的、MnS消费者提供的训练数据的列表所位于的一个或多个地址；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括由所述MnS消费者创建的相关ML实体训练请求的区别名称；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括表示所述ML实体的最后训练报告的AI/ML模型训练报告管理对象实例(MOI)的区别名称；或者
所述MnS消费者能接收的一个或多个公共通知，其中一个公共通知具有针对对象类或对象实例的通知报头属性，该通知报头属性捕获所述对象类或对象实例的区别名称。
10.一种用于网络节点的方法，包括：
使用用于人工智能(AI)和机器学习(ML)管理的管理信息确定发起对机器学习(ML)实体的训练，所述管理信息基于第五代系统(5GS)的网络资源模型(NRM)，所述训练由所述5GS的管理服务(MnS)生产者来执行；
确定与所述ML实体相关联的推理类型；
选择用于训练所述ML实体的训练数据；以及
由所述MnS生产者使用所选择的训练数据根据所述推理类型训练所述ML实体，经训练的ML实体用于为所述5GS的管理服务(MnS)消费者进行推理操作。
11.根据权利要求10所述的方法，包括：
从所述MnS消费者接收对ML实体训练的请求；以及
响应于来自所述MnS消费者的对ML实体训练的请求，确定发起对所述ML实体的训练。
12.根据权利要求10所述的方法，包括：
从所述MnS消费者接收指定一个或多个数据源的请求，所述一个或多个数据源包含用于训练所述ML实体的候选训练数据；以及
从接收自所述MnS消费者的所述候选训练数据中选择用于训练所述ML实体的所述训练数据的至少一部分。
13.根据权利要求10所述的方法，包括：从所述MnS消费者接收为待训练的所述ML实体指定所述推理类型的请求。
14.根据权利要求10所述的方法，包括：基于从所述MnS消费者接收的反馈信息，或在描述新网络状态或事件的新训练数据可用时，作为对所述ML实体的性能评估的结果，确定由所述MnS生产者发起对所述ML实体的训练。
15.根据权利要求10所述的方法，其中，所述管理信息包括用于AI/ML管理的一个或多个信息模型定义，所述信息模型定义包括：
类图，所述类图包括封装与ML实体训练相关的信息的一组类；
类图，所述类图包括封装与ML实体训练相关的信息的一组类以及用于与NRM相关的ML实体训练的类层次结构；
一个或多个类定义，其中一个类定义包括AI/ML训练请求，所述AI/ML训练请求表示由所述MnS消费者创建的ML实体训练请求，并且其中，ML实体训练请求管理对象实例(MOI)被包含在一个ML训练功能MOI下；
一个或多个类定义，其中一个类定义包括AI/ML训练报告，所述AI/ML训练报告表示由所述MnS生产者提供的ML实体训练报告，并且其中，所述ML实体训练报告管理对象实例(MOI)被包含在一个ML训练功能MOI下；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于唯一地向所述MnS生产者标识所述ML实体的标识符；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括候选训练数据源的地址；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示所述ML实体支持的所述推理类型的指示符；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于评估所述ML实体的性能的性能度量；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示所述MnS消费者提供的训练数据是否已经用于所述AI/ML训练的指示符；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括已经用于所述ML实体训练的、MnS消费者提供的训练数据的列表所位于的一个或多个地址；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括由所述MnS消费者创建的相关ML训练请求的区别名称；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括表示所述ML实体的最后训练报告的ML实体训练报告管理对象实例(MOI)的区别名称；或者
所述MnS消费者能接收的一个或多个公共通知，其中一个公共通知具有针对对象类或对象实例的通知报头属性，该通知报头属性捕获所述对象类或对象实例的区别名称。
16.一种非瞬态计算机可读存储介质，所述计算机可读存储介质包括指令，所述指令在由计算机执行时，使得所述计算机用于：
使用用于人工智能(AI)和机器学习(ML)管理的管理信息确定发起对ML实体的训练，所述管理信息基于第五代系统(5GS)的网络资源模型(NRM)，所述训练由所述5GS的管理服务(MnS)生产者来执行；
确定与所述ML实体相关联的推理类型；
选择用于训练所述ML实体的训练数据；以及
由所述MnS生产者使用所选择的训练数据根据所述推理类型训练所述ML实体，经训练的ML实体用于为所述5GS的管理服务(MnS)消费者进行推理操作。
17.根据权利要求16所述的计算机可读存储介质，包括：
从所述MnS消费者接收对ML实体训练的请求；以及
响应于来自所述MnS消费者的对ML实体训练的请求，确定发起对所述ML实体的训练。
18.根据权利要求16所述的计算机可读存储介质，包括：
从所述MnS消费者接收指定一个或多个数据源的请求，所述一个或多个数据源包含用于训练所述ML实体的候选训练数据；以及
从接收自所述MnS消费者的所述候选训练数据中选择用于训练所述ML实体的所述训练数据的至少一部分。
19.根据权利要求16所述的计算机可读存储介质，包括：从所述MnS消费者接收为待训练的所述ML实体指定所述推理类型的请求。
20.根据权利要求16所述的计算机可读存储介质，其中，所述管理信息包括用于AI/ML管理的一个或多个信息模型定义，所述信息模型定义包括：
类图，所述类图包括封装与ML实体训练相关的信息的一组类；
类图，所述类图包括封装与ML实体训练相关的信息的一组类以及用于与NRM相关的ML实体训练的类层次结构；
一个或多个类定义，其中一个类定义包括AI/ML训练请求，所述AI/ML训练请求表示由所述MnS消费者创建的ML实体训练请求，并且其中，ML实体训练请求管理对象实例(MOI)被包含在一个ML训练功能MOI下；
一个或多个类定义，其中一个类定义包括AI/ML训练报告，所述AI/ML训练报告表示由所述MnS生产者提供的ML实体训练报告，并且其中，所述ML实体训练报告管理对象实例(MOI)被包含在一个ML训练功能MOI下；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于唯一地向所述MnS生产者标识所述ML实体的标识符；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括候选训练数据源的地址；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示所述ML实体支持的所述推理类型的指示符；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于评估所述ML实体的性能的性能度量；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括用于指示所述MnS消费者提供的训练数据是否已经用于所述AI/ML训练的指示符；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括已经用于所述ML实体训练的、MnS消费者提供的训练数据的列表所位于的一个或多个地址；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括由所述MnS消费者创建的相关ML训练请求的区别名称；
一个或多个属性定义，其中一个属性定义包括一个或多个属性特性，其中一个属性特性包括表示所述ML实体的最后训练报告的ML实体训练报告管理对象实例(MOI)的区别名称；或者
所述MnS消费者能接收的一个或多个公共通知，其中一个公共通知具有针对对象类或对象实例的通知报头属性，该通知报头属性捕获所述对象类或对象实例的区别名称。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163288778P | 2021-12-13 | 2021-12-13 | |
| US63/288,778 | 2021-12-13 | ||
| PCT/US2022/051545 WO2023114017A1 (en) | 2021-12-13 | 2022-12-01 | Network resource model based solutions for ai-ml model training |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117716674A true CN117716674A (zh) | 2024-03-15 |
Family
ID=86773347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280046922.9A Pending CN117716674A (zh) | 2021-12-13 | 2022-12-01 | 用于ai-ml模型训练的基于网络资源模型的解决方案 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117716674A (zh) |
| WO (1) | WO2023114017A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117938636A (zh) * | 2024-03-25 | 2024-04-26 | 中国人民解放军国防科技大学 | 智能节点管控服务系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210089921A1 (en) * | 2019-09-25 | 2021-03-25 | Nvidia Corporation | Transfer learning for neural networks |
| US11943122B2 (en) * | 2019-10-03 | 2024-03-26 | Intel Corporation | Management data analytics |
| EP4290917A3 (en) * | 2020-02-24 | 2024-02-28 | INTEL Corporation | Multi-access traffic management in open ran, o-ran |
-
2022
- 2022-12-01 CN CN202280046922.9A patent/CN117716674A/zh active Pending
- 2022-12-01 WO PCT/US2022/051545 patent/WO2023114017A1/en active Application Filing
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117938636A (zh) * | 2024-03-25 | 2024-04-26 | 中国人民解放军国防科技大学 | 智能节点管控服务系统 |
| CN117938636B (zh) * | 2024-03-25 | 2024-05-24 | 中国人民解放军国防科技大学 | 智能节点管控服务系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023114017A1 (en) | 2023-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11917527B2 (en) | Resource allocation and activation/deactivation configuration of open radio access network (O-RAN) network slice subnets | |
| US11943122B2 (en) | Management data analytics | |
| CN113545008A (zh) | 测量无线通信网络的性能 | |
| CN114443556A (zh) | 用于ai/ml训练主机的人机交互的装置和方法 | |
| US11968559B2 (en) | Apparatus and method for 5G quality of service indicator management | |
| US20230141237A1 (en) | Techniques for management data analytics (mda) process and service | |
| WO2023069534A1 (en) | Using ai-based models for network energy savings | |
| WO2022087482A1 (en) | Resource allocation for new radio multicast-broadcast service | |
| CN117716674A (zh) | 用于ai-ml模型训练的基于网络资源模型的解决方案 | |
| WO2022221495A1 (en) | Machine learning support for management services and management data analytics services | |
| JP2024514747A (ja) | 非リアルタイム無線アクセスネットワークインテリジェントコントローラにおけるデータ機能及び手順 | |
| US20240214868A1 (en) | Apparatus and method for 5g quality of service indicator management | |
| CN116998137A (zh) | 用于管理服务和管理数据分析服务的机器学习支持 | |
| WO2024026515A1 (en) | Artificial intelligence and machine learning entity testing | |
| WO2024091970A1 (en) | Performance evaluation for artificial intelligence/machine learning inference | |
| WO2024064534A1 (en) | Non-grid of beams (gob) beamforming control and policy over e2 interface | |
| WO2024076852A1 (en) | Data collection coordination function and network data analytics function framework for sensing services in next generation cellular networks | |
| WO2024092132A1 (en) | Artificial intelligence and machine learning entity loading in cellular networks | |
| CN117546450A (zh) | 关于位置管理对位置管理功能的性能测量 | |
| WO2024097912A1 (en) | Enhanced wireless device and system performance feedback for artificial intelligence and machine learning radio access networks | |
| CN117480804A (zh) | 支持管理数据分析（mda）以用于覆盖问题分析的测量和位置数据 | |
| CN117099390A (zh) | 针对5g系统中的网络切片实例支持无线电资源管理（rrm）优化的方法和装置 | |
| WO2024091862A1 (en) | Artificial intelligence/machine learning (ai/ml) models for determining energy consumption in virtual network function instances | |
| WO2022217083A1 (en) | Methods and apparatus to support radio resource management (rrm) optimization for network slice instances in 5g systems | |
| WO2023205293A1 (en) | Physical downlink control channel (pdcch) transmission with multi-cell scheduling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |