TW202339531A - 進接性能預測的無線通訊方法及其使用者設備 - Google Patents
進接性能預測的無線通訊方法及其使用者設備 Download PDFInfo
- Publication number
- TW202339531A TW202339531A TW112109699A TW112109699A TW202339531A TW 202339531 A TW202339531 A TW 202339531A TW 112109699 A TW112109699 A TW 112109699A TW 112109699 A TW112109699 A TW 112109699A TW 202339531 A TW202339531 A TW 202339531A
- Authority
- TW
- Taiwan
- Prior art keywords
- access
- performance
- generation partner
- predicted
- circuit
- Prior art date
Links
- 238000004891 communication Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims description 27
- 230000009471 action Effects 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 3
- 230000008569 process Effects 0.000 description 17
- 238000005259 measurement Methods 0.000 description 15
- 230000004048 modification Effects 0.000 description 13
- 238000012986 modification Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/086—Load balancing or load distribution among access entities
- H04W28/0861—Load balancing or load distribution among access entities between base stations
- H04W28/0865—Load balancing or load distribution among access entities between base stations of different Radio Access Technologies [RATs], e.g. LTE or WiFi
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/18—Selecting a network or a communication service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/091—Active learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/02—Terminal devices
- H04W88/06—Terminal devices adapted for operation in multiple networks or having at least two operational modes, e.g. multi-mode terminals
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
使用者設備(UE)包括進接性能預測電路和無線通訊電路。進接性能預測電路預測3GPP進接的性能和非3GPP進接的性能。無線通訊電路回應於預測的3GPP進接的性能和預測的非3GPP進接的性能而採取動作。
Description
本發明涉及無線通訊,更具體地,涉及具有進接性能預測的使用者設備(UE)和相關的無線通訊方法。
進接業務引導、切換和拆分(Access Traffic Steering, Switching & Splitting,ATSSS)被標準化以實現跨包括第三代合作夥伴計畫(3GPP)進接(例如,第五代(5G)蜂窩網路)和非3GPP進接(例如,Wi-Fi網路)在內的複數個進接的業務引導。具體地,具有ATSSS能力的UE可以使用ATSSS功能來跨3GPP進接和非3GPP進接引導、切換和拆分業務。跨3GPP進接和非3GPP進接的引導可以選擇3GPP進接和非3GPP進接之一,以選擇最佳進接網路。3GPP進接和非3GPP進接上的切換可以將3GPP進接網路切換到非3GPP進接網路/從非3GPP進接網路切換到3GPP進接網路,以進行無縫切換。3GPP進接和非3GPP進接上的拆分可以選擇3GPP進接和非3GPP進接兩者用於進接網路聚合。
具有ATSSS能力的UE可以執行進接性能測量以決定如何在3GPP進接和非3GPP進接上分配業務。此外,性能測量功能(performance measurement function,PMF)需要向網路報告測量結果(可用性和往返時間),然後網路可以透過ATSSS規則做出改變引導模式的決定。由於3GPP進接網路環境和非3GPP進接網路環境迅速改變,所以具有ATSSS能力的UE難以依據測量結果適當地採取動作(例如,引導、切換、拆分)。因此,終端使用者體驗將降級,因為具有ATSSS能力的UE(例如,行動電話)花費較多的回應時間來採取適當的動作。
本發明的目的之一是提供具有進接性能預測的使用者設備和相關的無線通訊方法。
依據本發明的第一方面,公開了一種示例性使用者設備(UE)。該示例性UE包括進接性能預測電路和無線通訊電路。進接性能預測電路被佈置為預測第三代合作夥伴計畫(3GPP)進接的性能和非3GPP進接的性能。無線通訊電路被佈置為回應於3GPP進接的預測性能和非3GPP進接的預測性能而採取動作。
依據本發明的第二方面,公開了一種可應用於使用者設備的示例性無線通訊方法。該示例性無線通訊方法包括以下步驟:執行進接性能預測以預測第三代合作夥伴計畫(3GPP)進接的性能和非3GPP進接的性能;以及回應於3GPP進接的預測性能和非3GPP進接的預測性能而採取動作。
本發明提出了進接性能預測的無線通訊方法及其使用者設備,透過對未來網路環境的預測實現了提升使用者體驗的有益效果。
對於所述技術領域具有通常知識者而言,在閱讀了下面對在各個附圖和附圖中示出的優選實施方式的詳細描述之後,本發明的這些和其它目的無疑將變得顯而易見。
一些術語在以下說明書和申請專利範圍中貫穿使用,其涉及特定組件。如所屬領域具有通常知識者將理解的,電子設備製造商可以用不同的名稱來指代組件。本文並不旨在區分名稱不同但功能不同的組件。在以下描述和申請專利範圍中,措辭「包括」和「包含」以開放式方式使用,因此應解釋為意指「包括但不限於」。此外,措辭「耦接」旨在指示間接或直接地電連接。因此,如果一個裝置耦接於另一裝置,則該連接可以透過直接電連接,或者透過經由其它裝置和連接的間接電連接。
第1圖係例示依據本發明實施方式的使用者設備(UE)的示意圖。作為示例而非限制,UE 100可以是具有5G系統(5GS)ATSSS能力的UE。如第1圖所示,UE 100包括進接性能預測電路102和無線通訊電路104。應注意,在第1圖中僅示出了與本發明相關的組件。實際上,允許UE 100具有其它元件以實現其它指定功能。進接性能預測電路102被佈置為預測第三代合作夥伴計畫(3GPP)進接(例如5G新無線電)12的性能和非3GPP進接(例如Wi-Fi)14的性能。進接性能預測電路102可以由純硬體、或載入和執行程式碼的處理器、或其組合來實現。也就是說,可以透過基於硬體的裝置、基於軟體的裝置或其組合來實現所提出的UE側進接性能預測。無線通訊電路104包括在ATSSS的引導模式下處理跨複數個進接(包括3GPP進接12和非3GPP進接14)的業務引導所需的組件。網路(NW)10(例如,5G核心網路)可以配置ATSSS規則16並將其推送到UE 100。如果UE 100的條件滿足ATSSS規則16中的一項,則UE 100(具體地,UE 100的無線通訊電路104)可以在ATSSS的引導模式下採取動作(例如,引導、切換、拆分),其中引導模式可以是啟動待機(Active-Standby)模式、最低延遲模式、負載平衡模式或基於優先順序的模式。
在該實施方式中,UE 100處的業務引導依賴於3GPP進接12的預測性能P_3GGP和非3GPP進接14的預測性能P_non-3GPP。應注意,預測性能P_3GGP是3GPP進接12的未來網路環境的預測結果(即,預測的測量結果),而不是3GPP進接12的當前網路環境的測量結果;並且預測性能P_non-3GGP是非3GPP進接14的未來網路環境的預測結果(即,預測的測量結果),而不是非3GPP進接14的當前網路環境的測量結果。3GPP進接12和非3GPP進接14的網路環境迅速改變。由於UE 100處的業務引導是基於3GPP進接12的預測性能P_3GGP和非3GPP進接14的預測性能P_non-3GPP來確定的(即,由所提出的進接性能預測提供的3GPP進接12和非3GPP進接14的未來測量結果的認知),所以UE 100(具體地,UE 100的無線通訊電路104)可以預先採取動作(例如,引導、切換、拆分),從而極大地改進終端使用者體驗。
在本發明的一些實施方式中,所提出的進接性能預測可以透過機器學習來實現。即,進接性能預測電路102被佈置為透過機器學習獲得3GPP進接12的預測性能P_3GPP和非3GPP進接104的預測性能P_non-3GPP。
在一些實施方式中,UE 100可以進一步包括電腦可讀介質/記憶體(未示出),其耦接於進接性能預測電路102和/或處理器以及能夠被進接性能預測電路102和/或處理器訪問並且在其中儲存資料以及程式。在一些實施方式中,進接性能預測電路102和/或處理器可以執行存儲在電腦可讀介質/記憶體上的軟體/程式/代碼。
在一些實施方式中,進接性能預測電路102和/或無線通訊電路104可以進一步包括電腦可讀介質/記憶體(未示出),其用於儲存資料以及程式。在一些實施方式中,進接性能預測電路102和/或無線通訊電路104可以執行存儲在電腦可讀介質/記憶體上的軟體/程式/代碼。
第2圖係例示依據本發明實施方式的機器學習輔助的進接性能預測電路的示意圖。第1圖所示的進接性能預測電路102可以由第2圖所示的機器學習輔助的進接性能預測電路200來實現。在該實施方式中,機器學習輔助的進接性能預測電路200包括射頻(RF)特徵提取電路202、環境分類電路204和動作電路206。RF特徵提取電路202被佈置為接收3GPP進接12的RF訊號資訊INF_3GPP和非3GPP進接14的RF訊號資訊INF_non-3GPP,並將3GPP進接12的RF訊號資訊INF_3GPP和非3GPP進接14的RF訊號資訊INF_non-3GPP轉換成3GPP進接12和非3GPP進接14的特徵度量FM。環境分類電路204被佈置為依據3GPP進接12和非3GPP進接14的特徵度量FM對3GPP進接12的環境和非3GPP進接14的環境進行分類。動作電路206被佈置為依據3GPP進接12的環境和非3GPP進接14的環境的分類結果CR來獲得3GPP進接12的預測性能P_3GPP和非3GPP進接14的預測性能P_non-3GPP。RF特徵提取電路202和環境分類電路204中的至少一者可以採用神經網路(neural-network,NN)模型。例如,RF特徵提取電路202採用NN模型208來進行RF特徵提取,和/或環境分類電路204採用NN模型210來進行環境分類。在該實施方式中,NN模型208可以是預先訓練的NN模型(即,具有預先訓練的參數的NN模型),並且NN模型210可以是自適應機器學習模型(即,具有透過自適應學習訓練的參數的NN模型)。此外,環境分類電路204可以向RF特徵提取電路202提供回饋FB以適應於環境變化。例如,RF特徵提取電路202可以回應於從環境分類電路204提供的回饋FB來調整NN模型210的預先訓練的參數。然而,這僅是為了例示,並不意味著限制本發明。
3GPP進接12的預測性能P_3GGP和非3GPP進接14的預測性能P_non-3GPP中的每一者可以包括由UE 100決定如何在3GPP進接12和非3GPP進接14上分配業務所需的資訊。例如,3GPP進接12的預測性能P_3GGP和非3GPP進接14的預測性能P_non-3GPP中的每一者可以包括預測的可用性(其指示在未來網路環境中該進接是否可用)、預測的往返時間(round-trip time,RTT)(其指示在未來網路環境中該進接的RTT)和/或預測的擁塞(其指示在未來網路環境中該進接是否擁塞)。
第3圖係例示依據本發明實施方式的第1圖所示的UE 100與NW 10之間的交互的第一序列圖。UE 100透過在3GPP進接12上初始化與NW 10的PDU會話建立進程302來建立多進接協定資料單元(multi-access protocol data unit,MA-PDU)會話。例如,UE 100向NW 10發送具有「MA-PDU請求」指示的PDU會話建立請求訊息,其中「MA-PDU請求」指示向NW 10指示該PDU會話建立請求訊息要建立MA-PDU會話並且應用ATSSS功能來引導該MA-PDU會話的業務。UE 100從NW 10接收PDU會話建立接受訊息。PDU會話建立接受訊息向UE 100指示成功建立了所請求的MA-PDU會話,並且其包括針對MA-PDU會話的ATSSS規則。ATSSS規則可以是一個或更多個ATSSS規則的集合,每個規則具有偏好值(其標識ATSSS規則的偏好)、業務描述符和進接選擇描述符(其包括引導功能、引導模式和引導模式資訊)。
NW 10可以透過向UE 100發送PDU會話修改命令訊息來啟動PDU會話修改進程304。由NW 10提供的ATSSS規則被攜帶在PDU會話修改命令訊息中。UE 100確認該PDU會話修改命令訊息,並向NW 10發送PDU會話修改完成訊息。
簡單而言,UE 100可以在UE請求的針對MA-PDU會話的PDU會話建立進程302或NW請求的PDU會話修改進程304期間接收ATSSS規則,並且UE 100可以依據ATSSS規則跨3GPP進接12和非3GPP進接14分配業務。
UE 100執行基於NN的3GPP和非3GPP進接性能預測,以獲得3GPP進接12的預測性能P_3GPP和非3GPP進接14的預測性能P_non-3GPP。如果基於進接性能預測結果(P_3GPP和P_non-3GPP)評估的UE 100的條件滿足ATSSS規則16中的一項,則UE 100可以為了更好的使用者體驗而預先採取動作(例如,引導、切換或拆分)。
用於業務的ATSSS的引導模式可以是啟動待機模式、最低延遲模式、負載平衡模式或基於優先順序的模式。當引導模式是啟動待機模式時,UE 100使用透過觀察用於進接選擇的網路環境而獲得的預測進接可用性。也就是說,UE 100可以透過使用被預測為較可能可用的進接來引導業務。因此,如果預測的啟動進接可用,則UE 100選擇啟動進接,或者如果預測的待機進接可用並且預測啟動進接不可用,則UE 100選擇待機進接。當引導模式是最低延遲模式時,UE 100使用透過觀察網路環境獲得的預測的最小RTT來進行進接選擇。即,UE 100選擇預測的具有最小RTT的進接。當引導模式是負載平衡模式時,UE 100使用透過觀察網路環境獲得的兩個預測的可用進接的預測品質來動態地調整兩個預測可用進接的百分比,或者將所有業務發送到一個預測可用進接。也就是說,如果預測的兩個進接都可用,則UE 100可以跨3GPP進接12和非3GPP進接14分配業務。如果僅一個進接被預測為可用,則UE透過使用僅可用進接來引導業務。當引導模式是基於優先順序的模式時,UE 100使用透過觀察網路環境而獲得的高優先順序進接的預測擁塞或不可用性,然後提前動作。即,UE 100將業務引導到高優先順序進接,並預測其是否將變得擁塞或不可用,然後提前動作。
如上所述,進接性能預測電路102預測3GPP進接12的性能和非3GPP進接14的性能,並且無線通訊電路104回應於3GPP進接12的預測性能P_3GPP和非3GPP進接14的預測性能P_non-3GPP採取動作(例如,引導、切換、拆分)。在一些實施方式中,無線通訊電路104可以回應於3GPP進接12的預測性能P_3GPP和非3GPP進接14的預測性能P_non-3GPP而採取進一步的動作(例如,報告)。例如,無線通訊電路104向NW 10報告3GPP進接12的預測性能P_3GPP和非3GPP進接14的預測性能P_non-3GPP以供ATSSS規則修改使用。
第4圖係例示依據本發明實施方式的第1圖所示的UE 100與NW 10之間的交互的第二序列圖。NW 10可以透過經由MA-PDU會話的進接發送一個或更多個性能測量功能協定(performance measurement function protocol,PMFP)迴響請求(ECHO REQUEST)訊息來啟動RTT測量進程402。在接收到PMFP ECHO REQUEST訊息時,UE 100創建PMFP迴響回應(ECHO RESPONSE)訊息,並在經由其接收PMFP ECHO REQUEST訊息的該MA-PDU會話的進接上發送PMFP ECHO RESPONSE訊息。UE 100執行基於NN的3GPP和非3GPP進接性能預測,以獲得3GPP進接12的預測性能P_3GPP和非3GPP進接14的預測性能P_non-3GPP。3GPP進接12的預測性能P_3GPP和非3GPP進接14的預測性能P_non-3GPP中的每一者可以包括預測的可用性、預測的RTT等。在RTT測量進程402期間,UE 100例如經由PMFP ECHO RESPONSE訊息向NW 10報告各個進接的預測的可用性。
UE 100可以向NW 10通知MA-PDU會話的進接的可用性或不可用性。例如,UE 100可以透過創建PMFP進接報告(ACCESS REPORT)訊息並向NW 10發送PMFP ACCESS REPORT訊息來啟動進接可用性或不可用性報告進程404。在進接可用性或不可用性報告進程404期間,UE 100例如經由PMFP ACCESS REPORT訊息向NW 10報告各個進接的預測的可用性。在接收到PMFP ACCESS REPORT訊息時,NW 10創建PMFP確認(ACKNOWLEDGEMENT)訊息,並透過經由其接收PMFP ACCESS REPORT訊息的MA-PDU會話的進接來發送PMFP ACKNOWLEDGEMENT訊息。在被通知由UE 100獲得的進接性能預測結果(例如,包括預測的可用性、預測的可用性等的預測測量結果)之後,NW 10可以決定透過PDU會話修改進程304來調整ATSSS規則16。由NW 10調整的ATSSS規則被攜帶在從NW 10向UE 100發送的PDU會話修改命令訊息中。例如,NW 10可以依據預測的測量結果來改變用於負載平衡的百分比。
如上所述,UE 100執行基於NN的3GPP和非3GPP進接性能預測,以獲得3GPP進接12的預測性能P_3GPP和非3GPP進接14的預測性能P_non-3GPP。UE 100採用的NN模型由NN參數(例如,權重)來定義。在一些實施方式中,NN參數可以由NW 10提供,以輔助UE 100進行基於NN的進接性能預測。採用這種方式,利用在UE 100與NW 10之間傳遞的NN參數可以實現更好的預測。因此,無線通訊電路104被佈置為接收從NW 10發送的NN參數PR_NN,並且進接性能預測電路102被佈置為使用由該NN參數PR_NN指示的NN模型來獲得3GPP進接12的預測性能P_3GPP和非3GPP進接14的預測性能P_non-3GPP。
第5圖係例示依據本發明實施方式的第1圖所示的UE 100與NW 10之間的交互的第三序列圖。例如,PDU會話建立進程302可以被修改為使得由從NW 10向UE 100發送的修改後的PDU會話建立接受訊息來攜帶NN參數PR_NN。舉另一示例,PDU會話修改進程304可被修改為使得由從NW 10向UE 100發送的修改後的PDU會話修改命令訊息來攜帶NN參數PR_NN。舉另一示例,可以提出新的PDU會話進程502,用於經由新的訊息請求來發送NN參數PR_NN。UE 100可以使用由NW 10輔助的NN參數PR_NN指示的NN模型來對3GPP進接12和非3GPP進接14兩者執行進接性能預測。然後,UE 100可以採取動作(例如,引導、切換、拆分)。替代地,UE 100可以向NW報告(例如,預測的性能)。
所屬領域具有通常知識者將容易地觀察到,在保持本發明的教導的同時,可以對裝置和方法進行多種修改和改變。因此,上述公開應被解釋為僅由所附請求項的邊界和界限所限制。
100:使用者設備
102:進接性能預測電路
104:無線通訊電路
10:網路
12:3GPP進接
14:非3GPP進接
16:ATSSS規則
200:機器學習輔助的進接性能預測電路
202:RF特徵提取電路
204:環境分類電路
206:動作電路
208,210:NN模型
302:PDU會話建立進程
304:PDU會話修改進程
404:進接可用性或不可用性報告進程
402:RTT測量進程
502:新的PDU會話進程
第1圖係例示依據本發明實施方式的使用者設備(UE)的示意圖。
第2圖係例示依據本發明實施方式的機器學習輔助的進接性能預測電路的示意圖。
第3圖係例示依據本發明實施方式的第1圖所示的UE與網路(NW)之間的交互的第一序列圖。
第4圖係例示依據本發明實施方式的第1圖所示的UE與NW之間的交互的第二序列圖。
第5圖係例示依據本發明實施方式的第1圖所示的UE和NW之間的交互的第三序列圖。
100:使用者設備
102:進接性能預測電路
104:無線通訊電路
10:網路
12:3GPP進接
14:非3GPP進接
16:ATSSS規則
Claims (11)
- 一種用於進接性能預測的使用者設備,所述使用者設備包括: 一進接性能預測電路,所述進接性能預測電路被佈置為預測一第三代合作夥伴計畫進接的性能和一非第三代合作夥伴計畫進接的性能;以及 一無線通訊電路,所述無線通訊電路被佈置為回應於預測的所述第三代合作夥伴計畫進接的所述性能和預測的所述非第三代合作夥伴計畫進接的所述性能而採取動作。
- 如請求項1所述的用於進接性能預測的使用者設備,其中,所述進接性能預測電路被佈置為透過機器學習來獲得所述預測的所述第三代合作夥伴計畫進接的所述性能和所述預測的所述非第三代合作夥伴計畫進接的所述性能。
- 如請求項2所述的用於進接性能預測的使用者設備,其中,所述進接性能預測電路包括: 一射頻特徵提取電路,所述射頻特徵提取電路被佈置為接收所述第三代合作夥伴計畫進接的一射頻訊號資訊和所述非第三代合作夥伴計畫進接的一射頻訊號資訊,並且將所述第三代合作夥伴計畫進接的所述射頻訊號資訊和所述非第三代合作夥伴計畫進接的所述射頻訊號資訊轉換為所述第三代合作夥伴計畫進接的一特徵度量和所述非第三代合作夥伴計畫進接的一特徵度量; 一環境分類電路,所述環境分類電路被佈置為依據所述第三代合作夥伴計畫進接的所述特徵度量和所述非第三代合作夥伴計畫進接的所述特徵度量對所述第三代合作夥伴計畫進接的一環境和所述非第三代合作夥伴計畫進接的一環境進行分類;以及 一動作電路,所述動作電路被佈置為依據所述第三代合作夥伴計畫進接的所述環境和所述非第三代合作夥伴計畫進接的所述環境的一分類結果,獲得所述預測的所述第三代合作夥伴計畫進接的所述性能和所述預測的所述非第三代合作夥伴計畫進接的所述性能, 其中,所述射頻特徵提取電路和所述環境分類電路中的至少一者採用一神經網路模型。
- 如請求項3所述的用於進接性能預測的使用者設備,其中,所述環境分類電路採用一自適應機器學習。
- 如請求項3所述的用於進接性能預測的使用者設備,其中,所述射頻特徵提取電路採用一預先訓練的神經網路模型。
- 如請求項5所述的用於進接性能預測的使用者設備,其中,所述環境分類電路還被佈置為向所述射頻特徵提取電路提供一回饋以適應於環境變化。
- 如請求項2所述的用於進接性能預測的使用者設備,其中,所述無線通訊電路還被佈置為接收從網路發送的神經網路參數,並且所述進接性能預測電路使用由所述神經網路參數指示的一神經網路模型來獲得所述預測的所述第三代合作夥伴計畫進接的所述性能和所述預測的所述非第三代合作夥伴計畫進接的所述性能。
- 如請求項1所述的用於進接性能預測的使用者設備,其中,所述預測的所述第三代合作夥伴計畫進接的所述性能和所述預測的所述非第三代合作夥伴計畫進接的所述性能中的每一者包括預測的可用性、預測的往返時間和預測的擁塞中的至少一者。
- 如請求項1所述的用於進接性能預測的使用者設備,其中,所述無線通訊電路參照所述預測的所述第三代合作夥伴計畫進接的所述性能和所述預測的所述非第三代合作夥伴計畫進接的所述性能,以在進接業務引導、切換和拆的一引導模式下處理跨所述第三代合作夥伴計畫進接和所述非第三代合作夥伴計畫進接的業務引導。
- 如請求項1所述的用於進接性能預測的使用者設備,其中,所述無線通訊電路向一網路報告所述預測的所述第三代合作夥伴計畫進接的所述性能和所述預測的所述非第三代合作夥伴計畫進接的所述性能。
- 一種用於進接性能預測的無線通訊方法,該方法應用於使用者設備,所述方法包括以下步驟: 執行進接性能預測以預測一第三代合作夥伴計畫進接的性能和一非第三代合作夥伴計畫進接的性能;以及 回應於預測的所述第三代合作夥伴計畫進接的所述性能和預測的所述非第三代合作夥伴計畫進接的所述性能而採取動作。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263321864P | 2022-03-21 | 2022-03-21 | |
US63/321,864 | 2022-03-21 | ||
US18/109,265 US20230300635A1 (en) | 2022-03-21 | 2023-02-14 | User equipment with access performance prediction and associated wireless communication method |
US18/109,265 | 2023-02-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202339531A true TW202339531A (zh) | 2023-10-01 |
TWI836933B TWI836933B (zh) | 2024-03-21 |
Family
ID=
Also Published As
Publication number | Publication date |
---|---|
US20230300635A1 (en) | 2023-09-21 |
EP4250804A1 (en) | 2023-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10986543B2 (en) | Method and device for determining a bearer identifier, and storage medium therefor | |
JP6730511B2 (ja) | ネットワークポリシー更新のトリガー方法、管理機能エンティティおよびコアネットワークデバイス | |
JP2023526415A (ja) | スライスアクセス方法、装置、及びシステム | |
JP2021532641A (ja) | サービス品質監視方法およびシステムならびにデバイス | |
CN109819477B (zh) | 一种处理请求的方法以及相应实体 | |
WO2019064542A1 (ja) | 通信システム、基地局装置、端末装置、および通信方法 | |
WO2022222817A1 (zh) | 一种边缘应用服务器的选择方法及装置 | |
Jafari et al. | A location aware history-based approach for network selection in heterogeneous wireless networks | |
CN111919501B (zh) | 专用承载管理 | |
TWI836933B (zh) | 進接性能預測的無線通訊方法及其使用者設備 | |
TW202339531A (zh) | 進接性能預測的無線通訊方法及其使用者設備 | |
JP7403683B2 (ja) | サービス品質パラメーターを決定する方法、コンピューター可読ストレージ媒体、コンピュータープログラム及び通信デバイス | |
CN116846771A (zh) | 业务操作方法、装置、终端及可读存储介质 | |
US20230300679A1 (en) | User equipment with non-network-decided access traffic steering, switching and splitting policy determination and associated wireless communication method | |
CN116801270A (zh) | 接入性能预测的无线通信方法及其用户设备 | |
TWI836934B (zh) | 用於無線通訊的方法及使用者設備 | |
WO2022003407A1 (en) | Edge computing (ec) routing policies recommendation based on causal inference analytics | |
EP4250812A1 (en) | Network using parameters provided from user equipment for access traffic steering, switching and splitting rule selection and associated wireless communication method | |
CN115244991A (zh) | 通信方法、装置及系统 | |
CN116801313A (zh) | 进行接入业务引导、切换和分流规则选择的网络及方法 | |
CN116801312A (zh) | 用于无线通信的方法及用户设备 | |
KR102404220B1 (ko) | 단말 관리 방법을 수행하는 amf 장치 | |
WO2024114192A1 (zh) | 业务质量管理方法及装置 | |
KR102303820B1 (ko) | 단말기의 세션 변경 제어 방법 및 장치 | |
WO2023185850A1 (zh) | Ursp规则优化方法、装置、终端、网络侧设备及介质 |