TW202408297A - 信道接入方法及相關裝置 - Google Patents
信道接入方法及相關裝置 Download PDFInfo
- Publication number
- TW202408297A TW202408297A TW112129108A TW112129108A TW202408297A TW 202408297 A TW202408297 A TW 202408297A TW 112129108 A TW112129108 A TW 112129108A TW 112129108 A TW112129108 A TW 112129108A TW 202408297 A TW202408297 A TW 202408297A
- Authority
- TW
- Taiwan
- Prior art keywords
- communication device
- neural network
- access
- channel
- data packet
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 209
- 238000004891 communication Methods 0.000 claims abstract description 616
- 238000013528 artificial neural network Methods 0.000 claims abstract description 475
- 230000005540 biological transmission Effects 0.000 claims description 161
- 238000012545 processing Methods 0.000 claims description 149
- 238000013473 artificial intelligence Methods 0.000 claims description 90
- 230000008569 process Effects 0.000 claims description 65
- 230000004044 response Effects 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 description 193
- 210000002569 neuron Anatomy 0.000 description 55
- 238000010586 diagram Methods 0.000 description 43
- 238000013461 design Methods 0.000 description 17
- 230000006399 behavior Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 230000004913 activation Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 230000011664 signaling Effects 0.000 description 5
- 101100161473 Arabidopsis thaliana ABCB25 gene Proteins 0.000 description 4
- 101100096893 Mus musculus Sult2a1 gene Proteins 0.000 description 4
- 101150081243 STA1 gene Proteins 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000009286 beneficial effect 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
- 230000000694 effects Effects 0.000 description 3
- 229910044991 metal oxide Inorganic materials 0.000 description 3
- 150000004706 metal oxides Chemical class 0.000 description 3
- OVGWMUWIRHGGJP-WVDJAODQSA-N (z)-7-[(1s,3r,4r,5s)-3-[(e,3r)-3-hydroxyoct-1-enyl]-6-thiabicyclo[3.1.1]heptan-4-yl]hept-5-enoic acid Chemical compound OC(=O)CCC\C=C/C[C@@H]1[C@@H](/C=C/[C@H](O)CCCCC)C[C@@H]2S[C@H]1C2 OVGWMUWIRHGGJP-WVDJAODQSA-N 0.000 description 2
- 101000988961 Escherichia coli Heat-stable enterotoxin A2 Proteins 0.000 description 2
- 229910000577 Silicon-germanium Inorganic materials 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 101000752249 Homo sapiens Rho guanine nucleotide exchange factor 3 Proteins 0.000 description 1
- 102100021689 Rho guanine nucleotide exchange factor 3 Human genes 0.000 description 1
- LEVVHYCKPQWKOP-UHFFFAOYSA-N [Si].[Ge] Chemical compound [Si].[Ge] LEVVHYCKPQWKOP-UHFFFAOYSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access, e.g. scheduled or random access
- H04W74/002—Transmission of channel access control information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access, e.g. scheduled or random access
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access, e.g. scheduled or random access
- H04W74/08—Non-scheduled or contention based access, e.g. random access, ALOHA, CSMA [Carrier Sense Multiple Access]
Abstract
本申請涉及一種信道接入方法及相關裝置,該方法包括:通信裝置獲取神經網路的參數,該參數基於接入類型資訊獲得,再根據參數和/或結構確定神經網路,再根據該神經網路及其輸入資訊對應的資料確定是否接入信道和哪種接入類型的業務接入信道。採用本申請實施例,可以提高信道利用率,降低時延。本申請應用於支援802.11ax下一代Wi-Fi協定,如802.11be,Wi-Fi 7或EHT,再如802.11be下一代,Wi-Fi 8等802.11系列協定的WLAN系統,還可以應用於基於超頻寬的無線個人局域網系統,感知系統等。
Description
本申請涉及無線通訊技術領域,尤其涉及一種信道接入方法及相關裝置。
隨著無線通訊技術的迅猛發展,第五代移動通信(5G)和第六代Wi-Fi(即電氣及電子工程師學會(institute of electrical and electronics engineers,IEEE)802.11ax)標準已經商用,下一代無線技術和標準正在全球範圍內如火如荼的進行。無線通訊已經滲透到人們日常生活和工作的各個方面,成為不可或缺的部分。隨著智慧終端機數目的高速增長和物聯網(internet of things,IoT)設備的普及,衍生出許多新型無線應用,比如虛擬實境、增強現實、全息影像等。
而新型無線技術、新型終端以及新型無線應用會使無線網路變得越來越複雜。為了對抗無線網路的高複雜性,人工智慧(artificial intelligence,AI)作為無線網路設計和管理的有效工具已成為業界的共識。在無線網路中,人工智慧(AI)的優勢體現在四個方面:1)解決沒有數學模型的複雜網路問題;2)解決搜索空間大的無線網路管理問題;3)帶來跨層和跨節點的網路級全域優化效果;4)通過AI的預測能力,主動優化無線網路參數。
在短距或Wi-Fi網路中,信道是共用的,即特定區域內如果存在多個節點同時發送報文就會發生衝突,導致傳輸失敗。信道接入是在共用信道環境中決策節點是否進行發送的核心演算法協定,信道接入的好壞對用戶體驗起到決定性作用。而現有的帶有衝突避免的載波偵聽多路訪問(carrier sense multiple access with collision avoidance,CSMA/CA)機制中,大量時間用於退避,存在信道利用率低、時延大的問題。
本申請實施例提供一種信道接入方法及相關裝置,可以提高信道利用率,降低時延。
下面從不同的方面介紹本申請,應理解的是,下面的不同方面的實施方式和有益效果可以互相參考。
第一方面,本申請提供一種信道接入方法,該方法包括:第一通信裝置獲取神經網路的參數,並根據該神經網路的參數確定神經網路,再根據該神經網路和該神經網路的輸入資訊確定不接入資訊或接入信道的接入類型。神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
可理解,神經網路的參數包括神經元的偏置和神經元與神經元之間連線的權重。
本申請將人工智慧和信道接入相結合,利用神經網路來決策是否接入信道,以及決策在接入信道的情況下哪種接入類型的業務進行傳輸,可以提高信道利用率,降低時延。
結合第一方面,在一種可能的實現方式中,第一通信裝置獲取神經網路的參數,包括:第一通信裝置接收來自第二通信裝置的神經網路的參數;第一通信裝置根據神經網路的參數確定神經網路之前,第一通信裝置還獲取神經網路的結構;第一通信裝置根據神經網路的參數確定神經網路,包括:第一通信裝置根據該神經網路的參數和該神經網路的結構確定該神經網路。
可理解,神經網路的結構包括輸入層結構、輸出層結構、以及隱藏層結構。還可理解,知道了神經網路的結構和參數,就知道了該神經網路的全部資訊。
本申請的第一通信裝置利用其它通信裝置(如第二通信裝置)訓練完成的神經網路進行推理決策,來實現人工智慧和信道接入相結合,可以提高信道利用率,降低時延。
結合第一方面,在一種可能的實現方式中,第一通信裝置獲取神經網路的參數,包括:第一通信裝置向第二通信裝置發送資料包,該資料包中攜帶業務標識,該業務標識對應接入類型;第一通信裝置接收來自第二通信裝置的回應幀,該回應幀用於確認該資料包傳輸成功或傳輸失敗,該回應幀中包括該資料包對應的獎勵,該資料包對應的獎勵基於該資料包的傳輸結果和該接入類型確定。第一通信裝置根據該神經網路的參數確定神經網路,包括:第一通信裝置利用該獎勵更新神經網路的參數,獲得神經網路。
本申請的第一通信裝置自己訓練神經網路,通過發送資料包,讓第二通信裝置幫忙計算該資料包對應的獎勵,可以在不增加第二通信裝置功耗的情況下,減少第一通信裝置的功耗。此外,在該資料包的回應幀中攜帶該資料包對應的獎勵,可以減少信令開銷。
結合第一方面,在一種可能的實現方式中,第一通信裝置根據神經網路和神經網路的輸入資訊確定不接入信道或接入信道的接入類型,包括:第一通信裝置將與神經網路的輸入資訊對應的資料登錄神經網路進行處理,根據處理結果確定不接入信道或接入信道的接入類型。
可選的,該處理結果包括不接入信道對應的期望獎勵或接入類型對應的期望獎勵。當不接入信道對應的期望獎勵大於各種接入類型對應的期望獎勵時,第一通信裝置確定不接入信道;當至少一個接入類型對應的期望獎勵大於不接入信道對應的期望獎勵時,第一通信裝置根據期望獎勵最大的接入類型接入信道。換句話說,第一通信裝置可以選取該處理結果中最大期望獎勵對應的行為。
其中,接入類型為背景流、盡力而為流、視訊流、語音流中的一種或多種。
結合第一方面,在一種可能的實現方式中,上述神經網路的功能是AI輔助的信道接入功能。該神經網路的功能可以用於確定神經網路的輸出結果的含義。也就是說,第一通信裝置還根據該神經網路的功能確定不接入信道或接入信道的接入類型。
可選的,第一通信裝置根據神經網路的參數確定神經網路之前,該方法還包括:第一通信裝置接收來自第二通信裝置的指示資訊,該指示資訊用於指示神經網路的功能為AI輔助的信道接入功能。
結合第一方面,在一種可能的實現方式中,上述接入類型資訊包括以下一項或多項:每種接入類型的緩存包數量,或每種接入類型的業務量。其中,接入類型包括以下一種或多種:背景流、盡力而為流、視訊流、或語音流。示例性的,接入類型資訊可以包括背景流、盡力而為流、視訊流以及語音流分別的緩存包數量,可選的還包括這些接入類型的業務量(load)。
結合第一方面,在一種可能的實現方式中,上述信道接入資訊包括以下一項或多項:載波偵聽結果,每種接入類型(或每個傳輸佇列中資料包)的信道接入行為,或每種接入類型(或每個傳輸佇列)的資料包傳輸結果。
可選的,上述信道接入資訊還包括以下一項或多項:每種接入類型(或每個傳輸佇列)的資料包的平均排隊時延,每種接入類型(或每個傳輸佇列)的資料包的平均接入時延,當前時刻距離本通信裝置上次成功傳輸的時間,或當前時刻距離信道上其他通信裝置上次成功傳輸的時間。可理解,本申請提及的其他通信裝置為網路中除本通信裝置外的通信裝置。這裡的本通信裝置指的是第一通信裝置。
其中,載波偵聽結果可以是信道的忙(busy)或閑(idle),因為載波偵聽是以子信道為單位進行的,所以這裡的載波偵聽結果可以理解為每個子信道的忙或閑。信道接入行為可以指是否接入。資料包的傳輸結果可以指傳輸成功或失敗。排隊時延可以指數據包從進入傳輸佇列到被發送的時間間隔。接入時延可以指數據包被發送到發送成功的時間間隔。
第二方面,本申請提供一種信道接入方法,該方法包括:第二通信裝置獲取(訓練完成的)神經網路的參數,該神經網路的參數可以基於該第二通信裝置的接入類型資訊獲得;第二通信裝置再向第一通信裝置發送該神經網路的參數,該神經網路的參數用於確定神經網路,該神經網路用於確定不接入信道或接入信道的接入類型,該神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
本申請通過第二通信裝置訓練神經網路,以將人工智慧(或者說神經網路)與信道接入相結合,在訓練完成後通過下發神經網路參數,使網路中的其它節點能夠使用接收到的神經網路參數進行推理決策(如利用神經網路來決策是否接入信道,以及決策在接入信道的情況下哪種接入類型的業務進行傳輸),從而可以提高信道利用率,降低時延。
結合第二方面,在一種可能的實現方式中,第二通信裝置向第一通信裝置發送神經網路的參數之後,該方法還包括:第二通信裝置向第一通信裝置發送指示資訊,該指示資訊用於指示該神經網路的功能,該神經網路的功能為AI輔助的信道接入功能。該神經網路的功能可以用於確定神經網路的輸出結果的含義。
結合第二方面,在一種可能的實現方式中,第二通信裝置獲取神經網路的參數之前,該方法還包括:第二通信裝置根據接收到的資料包的接入類型和該資料包的傳輸結果,確定該資料包在神經網路的訓練過程中對應的獎勵,該獎勵用於更新神經網路的參數。
可選的,如果資料包的傳輸結果為傳輸成功,則第二通信裝置利用第一獎勵函數確定該資料包在神經網路的訓練過程中對應的獎勵。如果資料包的傳輸結果為傳輸失敗,則第二通信裝置利用第二獎勵函數確定資料包在神經網路的訓練過程中對應的獎勵。其中,第一獎勵函數基於資料包的接入類型、第二通信裝置所在網路包括的節點數、當前時刻距離第二通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間確定。第三通信裝置為除第二通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置。第二獎勵函數基於資料包的接入類型和第二通信裝置所在網路包括的節點數確定。
本申請中第二通信裝置所在網路包括的節點數可以理解為第二通信裝置在信道上能夠偵聽到的節點數。
舉例來說,第一獎勵函數表達如下:
;
舉例來說,第二獎勵函數表達如下:
。
其中,
表示資料包在神經網路的訓練過程中對應的獎勵,
表示當前時刻距離第二通信裝置上次成功傳輸的時間,N表示第二通信裝置所在網路包括的節點數,AC表示資料包的接入類型的值,
表示當前時刻距離信道上第三通信裝置上次成功傳輸的時間。AC是資料包的接入類型經過量化後的值,比如資料包的接入類型的優先順序越高,AC值越大。舉例來說,背景流、盡力而為流、視訊流以及語音流可以分別量化為值1,2,3,4;或者值1,2,4,8。
結合第二方面,在一種可能的實現方式中,上述接入類型資訊包括以下一項或多項:每種接入類型的緩存包數量,或每種接入類型的業務量。其中,接入類型包括以下一種或多種:背景流、盡力而為流、視訊流、或語音流。
結合第二方面,在一種可能的實現方式中,上述信道接入資訊包括以下一項或多項:載波偵聽結果,每種接入類型(或每個傳輸佇列中資料包)的信道接入行為,或每種接入類型(或每個傳輸佇列)的資料包傳輸結果。
可選的,上述信道接入資訊還包括以下一項或多項:每種接入類型(或每個傳輸佇列)的資料包的平均排隊時延,每種接入類型(或每個傳輸佇列)的資料包的平均接入時延,當前時刻距離本通信裝置上次成功傳輸的時間,或當前時刻距離信道上其他通信裝置上次成功傳輸的時間。可理解,本申請提及的其他通信裝置為網路中除本通信裝置外的通信裝置。這裡的本通信裝置指的是第一通信裝置。
第三方面,本申請提供一種信道接入方法,該方法包括:第二通信裝置接收來自第一通信裝置的資料包,該資料包中攜帶業務標識,該業務標識對應接入類型;第二通信裝置根據該資料包的傳輸結果和該接入類型,確定該資料包對應的獎勵;第二通信裝置向第一通信裝置發送回應幀,該回應幀用於確認資料包傳輸成功或傳輸失敗,該回應幀中包括該資料包對應的獎勵。該獎勵用於更新神經網路的參數;該神經網路的參數用於確定神經網路,該神經網路用於確定不接入信道或接入信道的接入類型。
本申請的第一通信裝置發送資料包,讓第二通信裝置幫忙計算該資料包對應的獎勵,可以在不增加第二通信裝置功耗的情況下,減少第一通信裝置的功耗;此外,本申請在該資料包的回應幀中攜帶該資料包對應的獎勵,不僅可以減少信令開銷;還可以使第一通信裝置能夠利用該資料包對應的獎勵更新神經網路的參數,以將人工智慧(或者說神經網路)與信道接入相結合,第一通信裝置再使用訓練完成的神經網路進行推理決策(如利用神經網路來決策是否接入信道,以及決策在接入信道的情況下哪種接入類型的業務進行傳輸),進而可以提高信道利用率,降低時延。
結合第三方面,在一種可能的實現方式中,上述回應幀為確認(acknowledgment,ACK)幀,該ACK幀用於確認該資料包傳輸成功。第二通信裝置根據該資料包的傳輸結果和該接入類型,確定該資料包對應的獎勵,包括:如果該資料包的傳輸結果為傳輸成功,則第二通信裝置採用第一獎勵函數確定該資料包對應的獎勵。其中,第一獎勵函數基於該接入類型、第一通信裝置所在網路包括的節點數、當前時刻距離第一通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間確定,所述第三通信裝置為除第一通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置。
可理解,第一獎勵函數的運算式如前文所示,這裡不贅述。
可選的,如果該資料包的傳輸結果為傳輸失敗,第二通信裝置不會回饋ACK幀,此時第一通信裝置也不會接收到針對該資料包的ACK幀。因此,如果第一通信裝置在一段時間內未接收到針對該資料包的ACK幀,說明該資料包傳輸失敗,則第一通信裝置可以自己計算該資料包對應獎勵,比如第一通信裝置基於該資料包的接入類型和第一通信裝置所在網路包括的節點數,確定該資料包對應的獎勵。
結合第三方面,在一種可能的實現方式中,上述回應幀為塊確認(block acknowledgment,BA)幀,該塊確認幀用於確認該資料包傳輸成功或傳輸失敗。第二通信裝置根據該資料包的傳輸結果和該接入類型,確定該資料包對應的獎勵,包括:如果該資料包的傳輸結果為傳輸成功,則第二通信裝置採用第一獎勵函數確定該資料包對應的獎勵;如果該資料包的傳輸結果為傳輸失敗,則第二通信裝置採用第二獎勵函數確定該資料包對應的獎勵。
其中,第一獎勵函數基於該接入類型、第一通信裝置所在網路包括的節點數、當前時刻距離第一通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間確定,所述第三通信裝置為除第一通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置。第二獎勵函數基於接入類型和第一通信裝置所在網路包括的節點數確定。
可理解,第一獎勵函數和第二獎勵函數的運算式如前文所示,這裡不贅述。
第四方面,本申請實施例提供一種通信裝置,該通信裝置用於執行第一方面或第一方面的任意可能的實現方式中的方法。該通信裝置包括具有執行第一方面或第一方面的任意可能的實現方式中的方法的單元。
第五方面,本申請實施例提供一種通信裝置,該通信裝置用於執行第二方面或第二方面的任意可能的實現方式中的方法。該通信裝置包括具有執行第二方面或第二方面的任意可能的實現方式中的方法的單元。
第六方面,本申請實施例提供一種通信裝置,該通信裝置用於執行第三方面或第三方面的任意可能的實現方式中的方法。該通信裝置包括具有執行第三方面或第三方面的任意可能的實現方式中的方法的單元。
在第四方面至第六方面的任一方面中,上述通信裝置可以包括收發單元和處理單元。對於收發單元和處理單元的具體描述還可以參考下文示出的裝置實施例。上述第四方面至第六方面的任一方面的有益效果可以參考前述第一方面至第三方面的相關描述,這裡不贅述。
第七方面,本申請提供一種通信裝置,該通信裝置包括處理器,用於執行上述第一方面、或第一方面的任意可能的實現方式所示的方法。或者,該處理器用於執行記憶體中儲存的程式,當該程式被執行時,上述第一方面或第一方面的任意可能的實現方式所示的方法被執行。
結合第七方面,在一種可能的實現方式中,記憶體位於上述通信裝置之外。
結合第七方面,在一種可能的實現方式中,記憶體位於上述通信裝置之內。
本申請中,處理器和記憶體還可以集成於一個器件中,即處理器和記憶體還可以被集成在一起。
結合第七方面,在一種可能的實現方式中,通信裝置還包括收發器,該收發器,用於收發資訊。
第八方面,本申請提供一種通信裝置,該通信裝置包括處理器,用於執行上述第二方面、上述第三方面、或其中任一方面的任意可能的實現方式所示的方法。或者,該處理器用於執行記憶體中儲存的程式,當該程式被執行時,上述第二方面、上述第三方面、或其中任一方面的任意可能的實現方式所示的方法被執行。
結合第八方面,在一種可能的實現方式中,記憶體位於上述通信裝置之外。
結合第八方面,在一種可能的實現方式中,記憶體位於上述通信裝置之內。
本申請中,處理器和記憶體還可以集成於一個器件中,即處理器和記憶體還可以被集成在一起。
結合第八方面,在一種可能的實現方式中,通信裝置還包括收發器,該收發器,用於收發資訊。
第九方面,本申請提供一種通信裝置,該通信裝置包括邏輯電路和介面,該邏輯電路和該介面耦合。介面,用於輸入神經網路的參數,該神經網路的參數基於接入類型資訊獲得;邏輯電路,用於根據該神經網路的參數確定該神經網路;邏輯電路,還用於根據該神經網路和該神經網路的輸入資訊確定不接入信道或接入信道的接入類型,該神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
第十方面,本申請提供一種通信裝置,該通信裝置包括邏輯電路和介面,該邏輯電路和該介面耦合。
一種設計中,邏輯電路,用於獲取神經網路的參數,該神經網路的參數基於第二通信裝置的接入類型資訊獲得;介面,用於輸出該神經網路的參數,該神經網路的參數用於確定該神經網路,該神經網路用於確定不接入信道或接入信道的接入類型,該神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
另一種設計中,介面,用於輸入資料包,該資料包中攜帶業務標識,該業務標識對應接入類型;邏輯電路,用於裝置根據該資料包的傳輸結果和該接入類型,確定該資料包對應的獎勵,該獎勵用於更新神經網路的參數;該神經網路的參數用於確定神經網路,該神經網路用於確定不接入信道或接入信道的接入類型;介面,還用於輸出回應幀,該回應幀用於確認該資料包傳輸成功或傳輸失敗,該回應幀中包括該資料包對應的獎勵。
第十一方面,本申請實施例提供一種電腦可讀儲存介質,該電腦可讀儲存介質用於儲存電腦程式,當其在電腦上運行時,使得上述第一方面、或第一方面的任意可能的實現方式所示的方法被執行。
第十二方面,本申請實施例提供一種電腦可讀儲存介質,該電腦可讀儲存介質用於儲存電腦程式,當其在電腦上運行時,使得上述第二方面、上述第三方面、或其中任一方面的任意可能的實現方式所示的方法被執行。
第十三方面,本申請實施例提供一種電腦程式產品,該電腦程式產品包括電腦程式或電腦代碼,當其在電腦上運行時,使得上述第一方面、或第一方面的任意可能的實現方式所示的方法被執行。
第十四方面,本申請實施例提供一種電腦程式產品,該電腦程式產品包括電腦程式或電腦代碼,當其在電腦上運行時,使得上述第二方面、上述第三方面、或其中任一方面的任意可能的實現方式所示的方法被執行。
第十五方面,本申請實施例提供一種電腦程式,該電腦程式在電腦上運行時,上述第一方面、或第一方面的任意可能的實現方式所示的方法被執行。
第十六方面,本申請實施例提供一種電腦程式,該電腦程式在電腦上運行時,上述第二方面、上述第三方面、或其中任一方面的任意可能的實現方式所示的方法被執行。
第十七方面,本申請實施例提供一種無線通訊系統,該無線通訊系統包括:用於執行上述第一方面或第一方面的任意可能的實現方式所示方法的通信裝置,和用於執行上述第二方面、上述第三方面、或其中任一方面的任意可能的實現方式所示方法的通信裝置。
上述各個方面達到的技術效果可以相互參考或參考下文所示的方法實施例中的有益效果,此處不再重複贅述。
下面將結合本申請實施例中的附圖,對本申請實施例中的技術方案進行清楚、完整地描述。
本申請中的術語“第一”和“第二”等僅用於區別不同物件,而不是用於描述特定順序。此外,術語“包括”和“具有”以及它們的任何變形,意圖在於覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統、產品或設備等,沒有限定於已列出的步驟或單元,而是可選地還包括沒有列出的步驟或單元等,或可選地還包括對於這些過程、方法、產品或設備等固有的其它步驟或單元。
在本申請的描述中,“至少一個(項)”是指一個或者多個,“多個”是指兩個或兩個以上,“至少兩個(項)”是指兩個或三個及三個以上。另外,“和/或”用於描述關聯物件的關聯關係,表示可以存在三種關係,例如,“A和/或B”可以表示:只存在A,只存在B以及同時存在A和B三種情況,其中A,B可以是單數或者複數。字元“/”一般表示前後關聯物件是一種“或”的關係。“以下至少一項(個)”或其類似表達,是指這些項中的任意組合。例如,a,b或c中的至少一項(個),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”。
本申請中,“示例性的”或者“例如”等詞用於表示作例子、例證或說明。本申請中被描述為“示例性的”、“舉例來說”或者“例如”的任何實施例或設計方案不應被解釋為比其他實施例或設計方案更優選或更具優勢。確切而言,使用“示例性的”、“舉例來說”或者“例如”等詞旨在以具體方式呈現相關概念。
應理解,在本申請中,“當…時”、“若”以及“如果”均指在某種客觀情況下裝置會做出相應的處理,並非是限定時間,且也不要求裝置實現時一定要有判斷的動作,也不意味著存在其它限定。
本申請中對於使用單數表示的元素旨在用於表示“一個或多個”,而並非表示“一個且僅一個”,除非有特別說明。
應理解,在本申請各實施例中,“與A對應的B”表示B與A相關聯,根據A可以確定B。但還應理解,根據A確定B並不意味著僅僅根據A確定B,還可以根據A和/或其它資訊確定B。
下面對本申請涉及的一些術語或名詞等進行簡要介紹。
一、神經網路(neural network,NN)
神經網路(neural network,NN)是一種類比人腦神經網路以期能夠實現類人工智慧的機器學習技術。神經網路至少包括3層,一個輸入層、一個隱藏層(也稱中間層)以及一個輸出層。一些的神經網路可能在輸入層和輸出層之間包含更多的隱藏層。以最簡單的神經網路為例,對其內部的結構和實現進行說明,參見圖1,圖1是包含3個層的全連接神經網路示意圖。如圖1所示,該神經網路包括3個層,分別是輸入層、隱藏層以及輸出層,其中輸入層有3個神經元,隱藏層有4個神經元,輸出層有2個神經元,並且每層神經元與下一層神經元全連接。神經元之間的每條連線對應一個權重,這些權重通過訓練可以更新。隱藏層和輸出層的每個神經元還可以對應一個偏置,這些偏置通過訓練可以更新。更新神經網路是指更新這些權重和偏置。知道了神經網路的結構即每層包含的神經元個數以及前面的神經元的輸出如何輸入後面的神經元(即神經元之間的連接關係),和神經網路的參數即權重和偏置,就知道了該神經網路的全部資訊。
由圖1可知,每個神經元可能有多條輸入連線,每個神經元根據輸入計算輸出。參見圖2,圖2是一個神經元根據輸入計算輸出的示意圖。如圖2所示,一個神經元包含3個輸入,1個輸出,以及2個計算功能,輸出的計算公式可以表示為:
輸出=激活函數(輸入1*權重1+輸入2*權重2+輸入3*權重3+偏置)……………(1-1)
符號“*”表示數學運算“乘”或“乘以”,下文不再贅述。
每個神經元可能有多條輸出連線,一個神經元的輸出作為下一個神經元的輸入。應理解,輸入層只有輸出連線,輸入層的每個神經元是輸入神經網路的值,每個神經元的輸出值作為所有輸出連線的輸入。輸出層只有輸入連線,採用上述公式(1-1)的計算方式計算輸出。可選的,輸出層可以沒有激活函數的計算,也就是說前述公式(1-1)可以變換成:輸出=輸入1*權重1+輸入2*權重2+輸入3*權重3+偏置。
舉例來說,k層神經網路可以表示為:
………………………………(1-2)
其中,x表示神經網路的輸入,y表示神經網路的輸出,
表示第i層神經網路的權重,
表示第i層神經網路的偏置,
表示第i層神經網路的激活函數。i=1,2,…,k。
二、增強型分散式信道接入(enhanced distributed channel access,EDCA)
在Wi-Fi網路中,信道接入有著至關重要的作用。現有Wi-Fi標準採用的是增強型分散式信道接入(enhanced distributed channel access,EDCA),在EDCA中業務可以分為四種不同的接入類型(access category,AC),分別是:AC_BK(接入類型為背景流)、AC_BE(接入類型為盡力而為流)、AC_VI(接入類型為視訊流)和AC_VO(接入類型為語音流);這四種接入類型分別對應背景(background,BK)、盡力而為(best effort,BE)、視訊(video,VI)和語音(voice,VO)四種業務類型。每種接入類型(AC)對應一組接入參數,接入參數包括競爭視窗(contention window,CW),仲裁幀間間距(arbitration inter-frame space,AIFS)等。不同接入類型對應的接入參數如下述表1所示,CWmin表示競爭視窗的最小值,CWmax表示競爭視窗的最大值。AIFS的計算方法可以為仲裁幀間間距數(AIFS number,AIFSN)和一個時隙時間(a Slot Time)的乘積、與一個短幀間間隔(short inter-frame space,SIFS)之和,即
。可理解的,AIFS和SIFS的單位均為時間單位。
表1:不同接入類型對應的接入參數
AC(接入類型) | CWmin | CWmax | AIFSN(仲裁幀間間距數) |
AC_BK | 31 | 1023 | 7 |
AC_BE | 31 | 1023 | 3 |
AC_VI | 15 | 31 | 2 |
AC_VO | 7 | 15 | 2 |
如圖3所示,使用EDCA時,節點根據業務的接入類型將資料包送入不同的傳輸佇列(transmit queues),四種接入類型的傳輸佇列均使用帶有衝突避免的載波偵聽多路訪問(carrier sense multiple access with collision avoidance,CSMA/CA)機制競爭信道,但不同接入類型的傳輸佇列使用不同的接入參數(如上述表1所示),以實現對業務優先順序的區分,使得高優先順序業務能夠比低優先順序業務更快地接入信道。其中,CSMA/CA機制可以簡單描述為:節點在發送資料之前,需要對無線介質(wireless medium)進行空閒信道評估(clear channel access, CCA)。如果無線介質在一段時間內空閒,則節點可以開始隨機退避過程。如果無線介質在該段時間內繁忙,則節點需等待無線介質變為空閒後並保持一段時間空閒,再開始隨機退避過程。當隨機退避過程結束後,節點可以進行幀交換。隨機退避過程中的退避時間(backoff time)等於一個隨機回退值與一個時隙(slot)時間的乘積。隨機回退值是從一個均勻分佈的競爭視窗[0,CW]中隨機選取的一個值。CSMA/CA機制中競爭視窗(contention window,CW)存在多個值,節點首次嘗試(Initial Attempt)信道競爭時,CW的值為最小值,即CWmin。當每一次傳輸失敗(例如發生衝突/碰撞)時,需要重新進行信道競爭,CW的值就逐次增大,直到達到CW的最大值,即CWmax。當成功發送資料/傳輸成功時,CW被重置 (reset) 為CWmin。
因此,由上述EDCA的實現可知,採用CSMA/CA機制競爭信道的過程中,有大量的時間都在退避,從而導致信道利用率低、時延大。
鑒於此,本申請提供一種信道接入方法及相關裝置,可以將人工智慧和EDCA相結合,使網路中的各個節點能夠基於接入類型資訊(如各AC的緩存包數量等)和信道接入資訊(如載波偵聽結果、資料包傳輸結果、信道接入行為等)利用神經網路來推理決策是否接入信道,以及決策在接入信道的情況下哪種接入類型的業務進行傳輸,從而提高信道利用率,降低時延。
以下詳細介紹本申請實施例涉及的通信系統。
本申請提供的方法可以應用於無線局域網(wireless local area network,WLAN)系統,如Wi-Fi等。如本申請提供的方法可以適用於電氣及電子工程師學會(institute of electrical and electronics engineers,IEEE)802.11系列協定,例如802.11a/b/g協定、802.11n協定、802.11ac協定、802.11ax協定、802.11be協定(也稱為Wi-Fi7)或下一代的協議,例如Wi-Fi 8等,這裡不再一一列舉。本申請提供的方法還可以應用於各類通信系統,例如,蜂窩系統(包括但不限於:長期演進(long term evolution,LTE)系統,第五代(5th-generation,5G)通信系統,以及未來通信發展中出現的新的通信系統(如6G)等)、物聯網(internet of things,IoT)系統、窄帶物聯網(narrow band internet of things,NB-IoT)系統、其他短距通信系統(包括但不限於:藍牙(bluetooth)、超寬頻(ultra wide band,UWB))等。
本申請提供的方法可以應用於一個節點與一個或多個節點進行資料傳輸的場景中。比如,單用戶的上/下行傳輸,多用戶的上/下行傳輸,設備到設備(device to device,D2D)的傳輸。其中,上述任一個節點可以為無線通訊系統中的通信裝置,即本申請提供的方法可以由無線通訊系統中的通信裝置實現。例如,該通信裝置可以是接入點(access point,AP)或站點(station,STA)中的至少一項。
可選的,本申請中的通信裝置(如AP和STA)都具有一定的AI處理能力,即至少可以使用神經網路進行推理決策。也就是說,本申請中的通信裝置除了具有無線通訊功能外,還具有AI處理能力,即至少支援神經網路的推理決策。
本申請中的接入點是一種具有無線通訊功能和AI處理能力的裝置,支援採用WLAN協定進行通信或感知,具有與WLAN網路中其他設備(比如站點或其他接入點)通信或感知的功能,當然,還可以具有與其他設備通信或感知的功能。或者,接入點相當於一個連接有線網和無線網的橋樑,主要作用是將各個無線網路用戶端端連接到一起,然後將無線網路接入乙太網。在WLAN系統中,接入點可以稱為接入點站點(AP STA)。該具有無線通訊功能的裝置可以為一個整機的設備,還可以是安裝在整機設備中的晶片或處理系統等,安裝這些晶片或處理系統的設備可以在晶片或處理系統的控制下,實現本申請實施例的方法和功能等。本申請實施例中的AP是為STA提供服務的裝置,可以支援802.11系列協定。例如,接入點可以為終端(如手機)進入有線(或無線)網路的接入點,主要部署於家庭、大樓內部以及園區內部,典型覆蓋半徑為幾十米至上百米,當然,也可以部署於戶外。又例如,AP可以為通信伺服器、路由器、交換機、橋接器等通信實體;AP可以包括各種形式的宏基站,微基站,中繼站等,當然AP還可以為這些各種形式的設備中的晶片和處理系統,從而實現本申請實施例的方法和功能。本申請中的接入點可以是極高吞吐量(extremely high throughput,EHT)AP,或者未來Wi-Fi標準的接入點等。
本申請中的站點是一種具有無線通訊功能和AI處理能力的裝置,支援採用WLAN協定進行通信或感知,具有與WLAN網路中的其他站點或接入點通信或感知的能力。在WLAN系統中,站點可以稱為非接入點站點(non-access point station,non-AP STA)。例如,STA是允許用戶與AP通信或感知進而與WLAN通信的任何使用者通信設備,該具有無線通訊功能的裝置可以為一個整機的設備,還可以是安裝在整機設備中的晶片或處理系統等,安裝這些晶片或處理系統的設備可以在晶片或處理系統的控制下,實現本申請實施例的方法和功能。例如,站點可以為無線通訊晶片、無線感測器或無線通訊終端等,也可稱為用戶。又例如,站點可以為支援Wi-Fi通訊功能的行動電話、支援Wi-Fi通訊功能的平板電腦、支援Wi-Fi通訊功能的機上盒、支援Wi-Fi 通訊功能的智慧電視、支援Wi-Fi通訊功能的智慧可穿戴設備、支援Wi-Fi通訊功能的車載通信設備和支援Wi-Fi通訊功能的電腦等等。本申請中的站點可以是EHT STA,或者未來Wi-Fi標準的站點等。
WLAN系統可以提供高速率低時延的傳輸,隨著WLAN應用場景的不斷演進,WLAN系統將會應用於更多場景或產業中,比如,應用於物聯網產業,應用于車聯網產業或應用于銀行業,應用於企業辦公,體育場館展館,音樂廳,酒店客房,宿舍,病房,教室,商超,廣場,街道,生成車間和倉儲等。當然,支援WLAN通信或感知的設備(比如接入點或站點)可以是智慧城市中的感測器節點(比如,智慧水錶,智慧電錶,智慧空氣檢測節點),智慧家居中的智慧設備(比如智慧攝像頭,投影儀,顯示幕,電視機,音響,電冰箱,洗衣機等),物聯網中的節點,娛樂終端(比如AR,VR等可穿戴設備),智慧辦公中的智慧設備(比如,印表機,投影儀,擴音器,音響等),車聯網中的車聯網設備,日常生活場景中的基礎設施(比如自動售貨機,商超的自助導航台,自助收銀設備,自助點餐機等),以及大型體育以及音樂場館的設備等。示例性的,例如,接入點和站點可以是應用于車聯網中的設備,物聯網(internet of things,IoT)中的物聯網節點、感測器等,智慧家居中的智慧攝像頭,智慧遙控器,智慧水錶電錶,以及智慧城市中的感測器等。本申請實施例中對於STA和AP的具體形式不做限制,在此僅是示例性說明。
雖然本申請主要以部署IEEE 802.11的網路為例進行說明,本領域技術人員容易理解,本申請涉及的各個方面可以擴展到採用各種標準或協定的其它網路,例如,高性能無線LAN(high performance radio LAN,HIPERLAN)(一種與IEEE 802.11標準類似的無線標準,主要在歐洲使用)以及廣域網路(wide area network,WAN)、無線局域網(WLAN)、個人區域網(personal area network,PAN)或其它現在已知或以後發展起來的網路等。
示例性的,本申請提供的方法應用的通信系統可以包括接入點(AP)和站點(STA),或者多個接入點(AP),或者多個站點(STA)。該接入點也可理解為接入點實體,該站點也可理解為站點實體。例如,本申請可以適用於WLAN中AP與STA之間通信或感知的場景。可選地,AP可以與單個STA通信或感知,或者,AP同時與多個STA通信或感知。又如,本申請可以適用於WLAN中多AP協作的場景。再如,本申請可以適用於WLAN中STA與STA進行D2D通信的場景。其中,AP和STA都可以支援WLAN通信協定,該通信協定可以包括IEEE802.11系列的協定,比如可以適用於802.11be標準,或者適用於802.11be以後的標準。
參見圖4,圖4是本申請實施例提供的一種通信系統的架構示意圖。該通信系統可以包括一個或多個AP以及一個或多個STA。圖4中示出了兩個接入點如AP1和AP2,以及三個站點,如STA1、STA2和STA3。可理解,一個或多個AP可以與一個或多個STA通信。當然,AP與AP之間可以通信,STA與STA之間可以通信。
可理解,圖4中以STA為手機、AP為路由器作為一種示例,並不表示對本申請中的AP、STA類型進行限定。同時,圖4僅示例性的示出了兩個AP和三個STA,但是該AP或STA的數量還可以更多或更少,本申請對此不作限定。
802.11標準關注實體層(physical layer,PHY)和介質接入控制(medium access control,MAC)層部分。MAC層是802.11標準的主要功能部分,上層應用通過調用MAC層提供的介面原語調用MAC層的功能。作為示例,MAC層可以向上層提供兩大類介面原語,如數據部分和管理部分。資料部分就是提供普通資料包的收發介面,管理部分用於管理功能,信道管理、連接管理、服務品質(Quality of Service,QoS)管理、功能控制管理等。示例性的,MAC層的功能可以包括但不限於:速率自我調整功能、信道接入功能、信道聚合功能、RU分配功能、空間複用功能、幀聚合功能、波束管理功能或多鏈路傳輸功能。可理解,這裡所示的MAC層功能可以理解為MAC層為通信裝置實現上述功能所提供的管理功能。
示例性的,圖5a是本申請實施例提供的接入點的一結構示意圖。其中,AP可以是多天線的,也可以是單天線的。如圖5a所示,AP包括實體層和MAC層,實體層可以用於處理實體層信號,MAC層可以用於處理MAC層信號。本申請實施例中,可以增強AP中MAC層的功能,如該MAC層包括AI處理功能,即增強MAC層的功能以使得該MAC層還可以實現與AI相關的功能,或與神經網路相關的功能。該AI處理功能可以通過MAC層中的AI處理模組(如圖5a)實現,當然,該AI處理功能也可以通過位於MAC層之外的AI處理模組實現,如圖5b所示,圖5b是本申請實施例提供的接入點的另一結構示意圖。與圖5a不同的是,圖5b所示的AI處理模組位於MAC層之外。可理解,圖5b所示的實體層與AI處理模組之間的虛線表示,AI處理模組可以處理實體層所要實現的功能,或者,AI處理模組也可以不處理實體層所要實現的功能。
其中,該AI處理模組可以用於對神經網路進行訓練和/或使用訓練完成的神經網路進行推理決策,以實現AI輔助的信道接入功能或AI輔助的EDCA功能。當然,該AI處理模組還可以用於實現AI輔助的其它功能,比如AI輔助的速率自我調整功能、AI輔助的速率自我調整聯合信道接入功能、AI輔助的信道聚合、AI輔助的信道聚合聯合信道接入功能、AI輔助的RU分配、AI輔助的空間複用、AI輔助的幀聚合、AI輔助的波束管理、AI輔助的多鏈路傳輸中的一項或多項等。
示例性的,AP中可以新增一個MAC層,如包括兩個MAC層,第一MAC層和第二MAC層。其中,第一MAC層可以用於處理第一MAC層的信號,如第一MAC層可以用於實現MAC層原有的功能,如關聯認證、功率控制、信道測量、多址接入、速率自我調整、信道接入、信道聚合、RU分配等,這裡不一一列舉。第二MAC層可以用於處理與AI有關的功能或與神經網路有關的功能。例如,圖5c是本申請實施例提供的接入點的又一結構示意圖。與前述圖5a所示的AP不同的是:圖5c所示的AP中包括兩個MAC層,且第二MAC層中包括AI處理模組;關於AI處理模組的說明參考前文,這裡不再贅述。舉例來說,第一MAC層可以支援舊版本的AP的功能,第二MAC層可以支援新版本的AP的功能。可理解,第二MAC層還可以稱為AI-MAC層等,本申請對於第二MAC的名稱不作限定。
示例性的,圖6a是本申請實施例提供的站點的一結構示意圖。其中,STA可以是單天線的,也可以是多天線的,並且可以是兩個以上天線的設備。如圖6a所示,STA包括PHY和MAC層,實體層可以用於處理實體層信號,MAC層可以用於處理MAC層信號。本申請實施例中,可以增強STA中MAC層的功能,如該MAC層包括AI處理功能,即增強MAC層的功能以使得該MAC層還可以實現與AI相關的功能,或與神經網路相關的功能。該AI處理功能可以通過MAC層中的AI處理模組(如圖6a)實現,當然,該AI處理功能也可以通過位於MAC層之外的AI處理模組實現,如圖6b所示,圖6b是本申請實施例提供的站點的另一結構示意圖。與圖6a不同的是,圖6b所示的AI處理模組位於MAC層之外。關於AI處理模組的說明參考前文,這裡不再贅述。可理解,圖6b所示的實體層與AI處理模組之間的虛線表示,AI處理模組可以處理實體層所要實現的功能,或者,AI處理模組也可以不處理實體層所要實現的功能。
示例性的,STA中可以新增一個MAC層,如包括兩個MAC層,第一MAC層和第二MAC層。例如,圖6c是本申請實施例提供的站點的又一結構示意圖。與前述圖6a所示的STA不同的是,圖6c所示的第二MAC層中可以包括AI處理模組。可理解,關於圖6c的說明可以參考圖5c的描述,這裡不再一一詳述。
可理解,上文所示的AI處理模組還可以稱為AI處理電路,或基於神經網路的處理電路,或神經網路處理電路,或神經網路處理器,或神經網路處理單元(neural processing unit,NPU)等,本申請實施例對於該AI處理模組的具體名稱不作限定。
還可理解,上述圖5a到圖5c所示的接入點的結構以及上述圖6a到圖6c所示的站點的結構僅為示例,如接入點和站點還可以包括:記憶體、調度器、控制器、處理器或射頻電路中的至少一項。例如,圖7是本申請實施例提供的通信裝置的一結構示意圖。該通信裝置可以是接入點或站點中的至少一項。如圖7所示,該通信裝置(AP或STA)包括中央處理器、MAC層、收發機、天線以及神經網路處理單元(NPU)等。NPU可以包含推理模組,可選的包含訓練模組;例如一些能力受限的IoT設備不足以支援神經網路的訓練,其可以不包含訓練模組。NPU可以作用於各個模組,例如NPU與收發機交互,用於推理決策收發機的開關以用於節能;又例如NPU與天線交互,用於控制天線的朝向;再例如NPU與MAC層交互,用於控制信道接入,信道選擇和空間複用決策等。本申請關注NPU與MAC層的交互。
可理解,因為802.11標準關注PHY和MAC層部分,所以本申請實施例對於接入點和站點所包括的其他部分不作詳述。關於站點和接入點的具體說明還可以參考下文所示的裝置實施例,這裡先不一一詳述。
本申請下文所示的通信裝置中,第一通信裝置可以是站點,如前述圖4中的任一STA(如STA1或STA2);第二通信裝置可以是接入點,如前述圖4中的任一AP(如AP1)。在一些實施例中,本申請的第一通信裝置可以是網路中資源受限的節點(比如不能完成神經網路訓練,但能使用神經網路進行推理決策的節點),比如AP與STA通信場景中的STA,或者多AP協作場景中能力較弱的AP(如傳統接入點),或者D2D通信場景中能力較弱的STA(如傳統站點)。相應的,第二通信裝置可以是網路中資源不受限或能力更強大的節點(比如既能完成神經網路訓練,又能使用神經網路進行推理決策的節點),比如AP與STA通信場景中的AP,或者多AP協作場景中能力較強的AP(如支援最新802.11標準的接入點),或者D2D通信場景中能力較強的STA(如支援最新802.11標準的站點)。這裡最新802.11標準可以指未來的Wi-Fi標準,比如Wi-Fi 8(即802.11be的下一代標準),Wi-Fi 9(即Wi-Fi 8的下一代標準),Wi-Fi 10(即Wi-Fi 9的下一代標準)等。這裡的傳統接入點可以指僅支援最新802.11標準之前標準的接入點,傳統站點可以指僅支援最新802.11標準之前標準的站點。
在另一些實施例中,本申請的第一通信裝置和第二通信裝置均是網路中能力不受限的節點,也就是說,第一通信裝置和第二通信裝置均能完成神經網路訓練,又能使用神經網路進行推理決策。
可選的,本申請中的通信裝置包括能夠使用神經網路進行推理決策的模組,比如AI處理模組或NPU。示例性的,第二通信裝置中的AI處理模組(或NPU)不僅可以使用神經網路進行推理決策,還可以進行神經網路的訓練;第一通信裝置中的AI處理模組(或NPU)可以使用第二通信裝置訓練完成的神經網路進行推理決策。當然,在一些實施例中,第一通信裝置中的AI處理模組(或NPU)也可以進行神經網路的訓練。
下面結合更多的附圖對本申請提供的技術方案進行詳細說明。
為便於清楚描述本申請的技術方案,本申請通過多個實施例進行闡述,具體參見下文。本申請中,除特殊說明外,各個實施例或實現方式之間相同或相似的部分可以互相參考。在本申請中各個實施例、以及各實施例中的各個實施方式/實施方法/實現方法中,如果沒有特殊說明以及邏輯衝突,不同的實施例之間、以及各實施例中的各個實施方式/實施方法/實現方法之間的術語和/或描述具有一致性、且可以相互引用,不同的實施例、以及各實施例中的各個實施方式/實施方法/實現方法中的技術特徵根據其內在的邏輯關係可以組合形成新的實施例、實施方式、實施方法、或實現方法。以下所述的本申請實施方式並不構成對本申請保護範圍的限定。
應理解,下文實施例的順序並不代表重要程度。各個實施例之間可以單獨實施,也可以結合實施,具體參見下文,這裡不展開說明。
實施例一
本申請實施例一主要介紹第一通信裝置使用訓練完成的神經網路進行推理決策的過程。
參見圖8,圖8是本申請實施例提供的信道接入方法的一流程示意圖。該方法中,第一通信裝置可以是網路中能力受限的節點(即第一通信裝置不能完成神經網路訓練,但能使用神經網路進行推理決策),比如第一通信裝置為前述圖4中的STA1;當然第一通信裝置也可以是網路中能力不受限的節點,比如第一通信裝置為前述圖4中的AP1;本申請實施例對第一通信裝置的能力不做限制。
如圖8所示,該信道接入方法包括但不限於以下步驟:
S101,第一通信裝置獲取神經網路的參數。
S102,第一通信裝置根據該神經網路的參數確定該神經網路。
本申請中神經網路的參數包括神經元的偏置和神經元與神經元之間連線的權重。
實現方式1:第一通信裝置獲取神經網路的參數,並獲取該神經網路的結構,根據該神經網路的參數和結構確定神經網路。
一種可能的實現方式中,第二通信裝置獲取自己訓練完成的神經網路的參數,並將該神經網路的參數發送給第一通信裝置,相應的,第一通信裝置接收該神經網路的參數。具體的,第二通信裝置獲取並發送神經網路的參數的實現方式參見下文實施例二的描述,這裡不一一詳述。
另一種可能的實現方式中,當第一通信裝置發現自己的信道接入效率低和/或時延大時,比如連續多次發生碰撞,或者接入時延超過閾值等;第一通信裝置向第二通信裝置請求神經網路的參數。示例性的,第一通信裝置向第二通信裝置發送功能請求資訊,用於請求開啟AI輔助的信道接入或AI輔助的EDCA。第二通信裝置可以回復功能回應資訊,當該功能回應資訊用於指示同意該功能請求資訊的請求時,可以在功能回應資訊中攜帶神經網路的參數。可理解,功能回應資訊中攜帶的神經網路的參數與功能請求資訊請求開啟的功能相對應。
又一種可能的實現方式中,神經網路的參數可以是協定配置的。舉例來說,協定可以預定義神經網路的初始參數,當第一通信裝置接收到來自第二通信裝置的神經網路的參數時,可以利用該神經網路的參數更新初始參數(比如覆蓋初始參數)。
可選的,該神經網路的參數可以與神經網路的功能相對應。本申請中,該神經網路的功能是AI輔助的信道接入功能,或AI輔助的EDCA功能。
本申請中神經網路的結構包括輸入層結構、輸出層結構、以及隱藏層結構。神經網路的輸入層結構可以包括輸入層的神經元個數。神經網路的輸出層結構包括以下一項或多項:輸出層的神經元數量,或輸出層神經元使用的激活函數。神經網路的隱藏層結構包括以下一項或多項:隱藏層的層數,每層神經元的個數,每層神經元使用的激活函數,或各層神經元之間的連接方式。
可選的,第一通信裝置可以獲取該神經網路的結構,也就是第一通信裝置分別獲取神經網路的輸入層結構、輸出層結構、以及隱藏層結構。
一種可能的實現方式中,神經網路的結構(包括輸入層結構、輸出層結構、以及隱藏層結構)是預定義的,第一通信裝置從本地獲取預定義的神經網路的結構。
另一種可能的實現方式中,神經網路的一部分結構是預定義的,另一部分結構可以由第二通信裝置指示。比如,神經網路的隱藏層結構是預設的或標準協定定義的,神經網路的輸入層結構和輸出層結構的全部或部分由第二通信裝置指示。舉例來說,第二通信裝置指示神經網路的輸入層結構時,可以直接指示輸入層的神經元個數,也可以指示用於確定輸入層的神經元個數的資訊。第二通信裝置指示神經網路的輸出層結構時,可以指示輸出層的神經元數量和輸出層神經元使用的激活函數;也可以指示輸出層的神經元數量或指示用於確定輸出層的神經元數量的資訊,而輸出層神經元使用的激活函數可以是預定義的。
又一種可能的實現方式中,神經網路的結構(包括輸入層結構、輸出層結構、以及隱藏層結構)可以全部由第二通信裝置指示。本申請實施例不限制神經網路結構的具體指示方式。
本申請中的預定義和預設可以理解為定義、預先定義、儲存、預儲存、預協商、預配置、固化、或預燒制等。
可理解,知道了神經網路的結構和參數,就知道了該神經網路的全部資訊。因此,第一通信裝置可以基於該神經網路的結構和參數確定該神經網路。示例性的,第一通信裝置可以基於該神經網路的結構和參數生成該神經網路。
可選的,第一通信裝置獲取到神經網路的結構後,第一通信裝置可以基於該神經網路的結構和預定義的初始參數生成一個初始神經網路。當第一通信裝置接收到第二通信裝置發送的神經網路的參數後,第一通信裝置利用該神經網路的參數更新該初始神經網路,獲得更新後的神經網路。
實現方式2:第一通信裝置向第二通信裝置發送資料包,該資料包中攜帶業務標識,該業務標識對應接入類型;第一通信裝置接收來自第二通信裝置的回應幀,該回應幀用於確認該資料包傳輸成功或傳輸失敗,該回應幀中包括該資料包對應的獎勵;第一通信裝置利用該資料包對應的獎勵更新神經網路的參數,更新後得到神經網路。具體實現參見下文實施例三的描述,這裡不一一詳述。
S103,第一通信裝置根據該神經網路和該神經網路的輸入資訊確定不接入信道或接入信道的接入類型,該神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
可選的,第一通信裝置獲取自身相關的與該神經網路的輸入資訊對應的資料,將獲取到的資料登錄該神經網路中進行處理,並根據處理結果確定不接入信道或哪種接入類型的業務接入信道。可選的,如果第一通信裝置為AP,AP也可以獲取STA的與該神經網路的輸入資訊對應的資料,將獲取到的STA的資料登錄該神經網路中進行處理,並根據處理結果確定不接入信道或哪種接入類型的業務接入信道,並告知STA。也就是說,AP也可以利用神經網路和STA的資料說明STA決策接入信道或哪種接入類型的業務接入信道。
示例性的,神經網路的處理結果可以包括不接入信道對應的期望獎勵、四種接入類型(即AC_BK、AC_BE、AC_VI以及AC_VO)分別對應的期望獎勵,第一通信裝置可以選取該處理結果中最大期望獎勵對應的行為。當不接入信道對應的期望獎勵大於各個接入類型對應的期望獎勵時,第一通信裝置確定不接入信道;當至少一個接入類型對應的期望獎勵大於不接入信道對應的期望獎勵時,第一通信裝置根據期望獎勵最大的接入類型接入信道。舉例來說,如果處理結果中不接入信道對應的期望獎勵最大,則第一通信裝置確定不接入信道;如果處理結果中AC_BK對應的期望獎勵最大,則第一通信裝置確定接入信道的接入類型為AC_BK;如果處理結果中AC_BE對應的期望獎勵最大,則第一通信裝置確定接入信道的接入類型為AC_BE;如果處理結果中AC_VI對應的期望獎勵最大,則第一通信裝置確定接入信道的接入類型為AC_VI;如果處理結果中AC_VO對應的期望獎勵最大,則第一通信裝置確定接入信道的接入類型為AC_VO。
可選的,第一通信裝置獲取自身相關的與該神經網路的輸入資訊對應的資料,將獲取到的資料登錄該神經網路中進行處理,並根據處理結果確定不接入信道或哪種接入類型的業務接入信道,包括:第一通信裝置獲取T個輸入資料集,這T個輸入資料集與該神經網路的輸入資訊相對應,並將該T個輸入資料集輸入該神經網路中進行處理,獲得信道接入的決策結果或EDCA的決策結果。決策結果為不接入信道或哪種接入類型的業務接入信道。一個輸入資料集中包含一種或多種資料,一種資料對應上述輸入資訊中的一個資訊。一個輸入資料集中的不同種資料對應上述輸入資訊中的不同資訊。具體的,該T個輸入資料集以及利用該T個輸入資料集輸入神經網路進行推理決策的實現方式可以參見下文實施例二的描述,這裡不一一詳述。
可選的,神經網路的輸入資訊包括接入類型資訊和信道接入資訊。一個示例中,接入類型資訊可以包括每種接入類型(AC)的緩存包數量,如背景流(AC_BK)、盡力而為流(AC_BE)、視訊流(AC_VI)以及語音流(AC_VO)分別的緩存包數量;可選的還包括每種接入類型(AC)的業務量(load)。另一個示例中,同一種接入類型的傳輸佇列(transmit queues)可能有多個,故接入類型資訊可以包括每個傳輸佇列中的緩存包數量,可選的還包括每種接入類型的業務量。
信道接入資訊可以包括以下一項或多項:載波偵聽結果,每種接入類型(或每個傳輸佇列中資料包)的信道接入行為,或每種接入類型(或每個傳輸佇列)的資料包傳輸結果。可選的,該信道接入資訊還包括以下一項或多項:每種接入類型(或每個傳輸佇列)的資料包的平均排隊時延,每種接入類型(或每個傳輸佇列)的資料包的平均接入時延,當前時刻距離本通信裝置上次成功傳輸的時間,或當前時刻距離信道上其他通信裝置上次成功傳輸的時間。可理解,本申請提及的其他通信裝置為網路中除本通信裝置外的通信裝置。這裡的本通信裝置指的是第一通信裝置。
其中,載波偵聽結果可以是信道的忙(busy)或閑(idle),因為載波偵聽是以子信道為單位進行的,所以這裡的載波偵聽結果可以理解為每個子信道的忙或閑。信道接入行為可以指是否接入。資料包的傳輸結果可以指傳輸成功或失敗。排隊時延可以指數據包從進入傳輸佇列到被發送的時間間隔。接入時延可以指數據包被發送到發送成功的時間間隔。
本申請實施例的第一通信裝置獲取神經網路的參數,並根據該參數確定神經網路,利用該神經網路及其輸入資訊進行推理決策,獲得信道接入/EDCA的決策結果,即不接入信道或哪種接入類型的業務接入信道,可以將人工智慧和信道接入相結合,從而提高信道利用率和降低時延。
實施例二
本申請實施例二主要介紹神經網路的訓練在中心節點(比如AP)進行,訓練完成後下發神經網路參數,每個節點使用接收到的神經網路參數進行推理決策的過程。
參見圖9,圖9是本申請實施例提供的信道接入方法的另一流程示意圖。其中,第二通信裝置是網路中能力不受限的節點(即第二通信裝置既能完成神經網路訓練,又能使用神經網路進行推理決策),比如第二通信裝置為前述圖4中的AP1。第一通信裝置可以是網路中能力受限的節點(即第一通信裝置不能完成神經網路訓練,但能使用神經網路進行推理決策),比如第一通信裝置為前述圖4中的STA1;當然第一通信裝置也可以是網路中能力不受限的節點;本申請實施例對第一通信裝置的能力不做限制。
如圖9所示,該信道接入方法包括但不限於以下步驟:
S201,第二通信裝置獲取神經網路的參數。該神經網路的參數包括神經元的偏置和權重。
可選的,第二通信裝置可以利用自己歷史一段時間內的接入類型資訊和信道接入資訊訓練神經網路。因為知道了神經網路的結構和參數,就知道了該神經網路的全部資訊,而神經網路的結構通常是預定義的,所以訓練神經網路也可以理解為更新神經網路的參數。可理解,初始的神經網路可以採用預定義的一套參數,比如,預定義每個神經元的偏置和神經元與神經元之間連線的權重;通過訓練不斷更新神經網路的參數(即更新權重和偏置)。當神經網路訓練完成後,第二通信裝置可以獲取訓練完成的神經網路的參數,也就是這個神經網路中最新的偏置和權重。當然,也可以是固定偏置和權重中的部分參數,通過訓練來更新另一部分參數,在神經網路訓練完成後,獲取這個神經網路最新的另一部分參數。舉例來說,假設神經網路總共有10層,固定前8層神經網路的參數(即固定這8層神經網路的偏置和權重),通過訓練來更新後2層神經網路的參數(即偏置和權重),在神經網路訓練完成後,獲取後2層神經網路最新的偏置和權重。
可理解,本申請實施例中訓練完成的神經網路可以用於實現或支援AI輔助的信道接入功能或AI輔助的EDCA功能。訓練完成的神經網路的參數可以與神經網路的功能相對應。也就是說,本申請實施例中神經網路的參數與AI輔助的信道接入功能或AI輔助的EDCA功相對應。
可選的,該接入類型資訊和信道接入資訊的具體內容參見前文實施例一中的描述,這裡不再贅述。可理解,前文信道接入資訊中提及的“本通信裝置”在這裡指第二通信裝置。
可選的,本申請實施例可以採用強化學習(reinforcement learning,RL)演算法來訓練神經網路。強化學習通常是通過接收環境對動作的獎勵(或者說回饋)獲得學習資訊並更新模型參數,換句話說,強化學習可以使用神經網路根據當前狀態(state)決策動作(action),並對每次動作使用獎勵(reward)進行評價,利用reward來更新神經網路的參數。故,第二通信裝置在神經網路的訓練過程中使用的獎勵可以基於資料包的接入類型(AC)和該資料包的傳輸結果確定。
一種可能的實現方式中,對於網路中的某一個節點(比如第二通信裝置),如果傳輸成功,也就是這個節點發送的資料包傳輸成功,則在神經網路的訓練過程中這個資料包對應的獎勵採用第一獎勵函數確定。反之,如果傳輸失敗,即這個節點發送的資料包傳輸失敗,則在神經網路的訓練過程中這個資料包對應的獎勵採用第二獎勵函數確定。對於無法確定傳輸結果的情況,可以將這個資料包對應的獎勵設為0。
本申請中資料包對應的獎勵可以理解為此次發送這個資料包的接入行為所獲得的獎勵(reward)。
其中,該第一獎勵函數可以基於以下一項或多項確定:資料包的接入類型(AC)、第二通信裝置所在網路包括的節點數、當前時刻距離第二通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間。第三通信裝置為網路中除第二通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置。本申請中,第二通信裝置所在網路包括的節點數可以理解為第二通信裝置在信道上能夠偵聽到的節點數。
舉例來說,第一獎勵函數可以用數學式表達如下:
.............................................................(2-1)
該第二獎勵函數可以基於資料包的接入類型(AC)和第二通信裝置所在網路包括的節點數確定。舉例來說,第二獎勵函數可以用數學式表達如下:
...........................................................(2-2)
上述公式(2-1)和(2-2)中,
表示資料包對應的獎勵,
表示當前時刻距離第二通信裝置上次成功傳輸的時間,N表示第二通信裝置所在網路包括的節點數,AC表示資料包的接入類型的值,
表示當前時刻距離信道上第三通信裝置上次成功傳輸的時間。可理解,第二通信裝置可以根據自己發包的回應資訊(如確認幀)和其他通信裝置向自己發包的結果計算得到
和
。舉例來說,參見圖10,圖10是本申請實施例提供的
和
的示意圖。其中假設第二通信裝置為節點i(node i),第三通信裝置為節點j(node j,j ≠ i)。如圖10所示,
可以是當前時刻t距離節點i上次收到自己發包的確認(acknowledgment,ACK)幀的時間。
可以是當前時刻t距離當前時刻t前最近一次成功傳輸的時間,且這最近一次成功傳輸的節點不是節點i。如果當前時刻t前最近一次成功傳輸的節點是節點j,則
可以是當前時刻t距離節點j的ACK幀的時間。
還可理解,上述公式(2-1)和(2-2)中的AC是資料包的接入類型經過量化後的值,比如資料包的接入類型的優先順序越高,AC值越大。舉例來說,背景流(AC_BK)、盡力而為流(AC_BE)、視訊流(AC_VI)以及語音流(AC_VO)可以分別量化為值1,2,3,4;或者值1,2,4,8。
S202,第二通信裝置發送該神經網路的參數。
相應的,第一通信裝置接收該神經網路的參數。
可選的,第二通信裝置可以發送獲取到的神經網路的參數(如每個神經元的偏置和權重,或者部分神經元的偏置和部分神經元之間連線的權重,剩餘部分神經元的偏置和神經元之間連線的權重可以是預定義或固定的),還可以發送指示資訊,用於指示該神經網路的功能。該神經網路的功能為AI輔助的信道接入功能,或AI輔助的EDCA功能。其中第二通信裝置的發送方式可以是廣播,當然也可以是單播,本申請實施例不做限定。可理解,該神經網路的參數可以與神經網路的功能相對應。當基於神經網路的一種結構來實現多種功能時,不同功能所對應的神經網路的參數不相同,當然不同功能對應的神經網路的輸入資訊和輸出資訊也不相同,這裡不展開說明。
相應的,第一通信裝置接收該神經網路的參數和該指示信息。第一通信裝置根據該神經網路的功能可以獲知該神經網路的輸出結果的含義。舉例來說,如果神經網路的輸出結果為5個值,根據該神經網路的功能(即AI輔助的信道接入功能,或AI輔助的EDCA功能)可以獲知這5個值分別代表不接入信道的期望獎勵,AC_BK、AC_BE、AC_VI以及AC_VO的業務分別接入信道的期望獎勵。換句話說,第一通信裝置根據該神經網路的功能可以確定利用該神經網路進行推理決策的結果是不接入信道或接入信道的接入類型。
S203,第一通信裝置根據該神經網路的參數和該神經網路的結構確定該神經網路。
可選的,第一通信裝置可以獲取該神經網路的結構,具體獲取方式可以參考前文實施例一中的相關描述,這裡不贅述。
可理解,知道了神經網路的結構和參數,就知道了該神經網路的全部資訊。因此,第一通信裝置可以基於該神經網路的結構和參數確定該神經網路。示例性的,第一通信裝置可以基於該神經網路的結構和參數生成該神經網路。示例性的,第一通信裝置獲取到神經網路的結構後,第一通信裝置可以基於該神經網路的結構和預定義的初始參數生成一個初始神經網路。當第一通信裝置接收到第二通信裝置發送的神經網路的參數後,第一通信裝置利用該神經網路的參數更新該初始神經網路,獲得更新後的神經網路。
S204,第一通信裝置獲取T個輸入資料集,並將該T個輸入資料集輸入該神經網路中進行處理,獲得信道接入的決策結果或EDCA的決策結果。
可選的,第一通信裝置獲取T個輸入資料集,第一通信裝置再可以將該T個輸入資料集輸入步驟S203確定的神經網路中進行處理,獲得該神經網路的輸出結果;並從該輸出結果中選取一個結果作為決策結果。決策結果的具體內容與神經網路的功能對應,本申請實施例中決策結果是不接入信道或哪種接入類型的業務接入信道。其中,T的值可以是預定義的,或者標準協議規定的,還可以是第二通信裝置指示的,本申請實施例不做限制。一個輸入資料集中包含一種或多種資料,一種資料對應上述輸入資訊中的一個資訊。一個輸入資料集中的不同種資料對應上述輸入資訊中的不同資訊。
可理解,神經網路的功能在使用過程和訓練過程中保持一致,神經網路的輸入資訊在使用過程和訓練過程中保持一致,同理神經網路的輸出資訊在使用過程和訓練過程中也保持一致。
舉例來說,假設神經網路的輸入資訊包括以下5個資訊:每種接入類型的緩存包數量,每種接入類型的業務量,載波偵聽結果,每種接入類型的信道接入行為,以及每種接入類型的資料包傳輸結果。示例性的,第一通信裝置獲取到的T個輸入資料集可以表示為(P , load)和
,k的取值為1,2,3,4,...,(T-1)。其中,P表示當前時刻4種接入類型(如AC_BK、AC_BE、AC_VI以及AC_VO)的緩存包數量,其可以表示為
;load表示當前時刻4種接入類型(如AC_BK、AC_BE、AC_VI以及AC_VO)的業務量,其可以表示為
。o表示第一通信裝置工作的信道m在歷史一段時間內的載波偵聽結果,其可以表示為
。a表示歷史一段時間內4種接入類型的信道接入行為,其可以表示為
。R表示歷史一段時間內4種接入類型的資料包傳輸結果,其可以表示為
。
參見圖11,圖11是本申請實施例提供的神經網路模型及其輸入輸出的示意圖。如圖11所示,該神經網路採用一種具有殘差結構的全連接網路,神經網路的隱藏層結構為32*8的殘差全連接網路,即隱藏層共包含8層全連接網路,3個跳躍連接(skip connection),每層32個神經元,每個神經元的激活函數均為線性整流函數(rectified linear units,ReLU)。神經網路的輸出層包含5個神經元,表示不接入信道的期望獎勵和四種接入類型的業務接入信道的期望獎勵。假設輸出層神經元的激活函數為線性(Linear)函數,決策結果的選取方式為選取輸出層最大值對應的動作。神經網路的輸入層輸入上述T個輸入資料集,即
,經過處理後,輸出5個期望獎勵Q(0) , Q(AC_BK), Q(AC_BE), Q(AC_VI), Q(AC_VO)。Q(0)表示不接入信道的期望獎勵,Q(AC_BK), Q(AC_BE), Q(AC_VI), Q(AC_VO)分別表示AC_BK、AC_BE、AC_VI以及AC_VO的業務接入信道的期望獎勵。
參見圖12,圖12是本申請實施例提供的第一通信裝置進行AI輔助的EDCA的示意圖。AI輔助的EDCA可以通過第一通信裝置的MAC層實現。如圖12所示,當第一通信裝置內有待傳輸的資料包時,可以將待傳輸的資料包映射到(傳輸佇列和)接入類型(mapping to (transmit queue and) access category);第一通信裝置的AI處理模組根據觀測到的資訊(如歷史載波偵聽結果、每種接入類型的歷史信道接入行為、每種接入類型的歷史資料包傳輸結果等)和各個傳輸佇列的緩存狀態(如每個傳輸佇列中有幾個資料包要發)以及各AC的業務量,推理決策是否接入信道和哪個接入類型(AC)接入信道。然後,第一通信裝置的AI處理模組將決策結果回饋給第一通信裝置的信道接入模組,用於控制各AC的接入行為。可理解,第一通信裝置的信道接入模組可以位於MAC層,AI處理模組可以在MAC層內,也可以在MAC外,本申請實施例不做限制。
本申請實施例通過中心節點(如第二通信裝置)訓練神經網路,以將人工智慧(或者說神經網路)與信道接入(如EDCA)相結合,在訓練完成後通過下發神經網路參數,使網路中的其它節點能夠使用接收到的神經網路參數進行推理決策(如利用神經網路來決策是否接入信道,以及決策在接入信道的情況下哪種接入類型的業務進行傳輸),從而可以提高信道利用率,降低時延。
實施例三
本申請實施例三主要介紹網路中每個節點各自訓練神經網路,並使用自己訓練的神經網路進行推理決策的過程。
參見圖13,圖13是本申請實施例提供的信道接入方法的另一流程示意圖。其中,第一通信裝置和第二通信裝置均是網路中能力不受限的節點,即第一通信裝置和第二通信裝置均能完成神經網路訓練,也能使用神經網路進行推理決策。示例性的,第一通信裝置可以為STA,第二通信裝置可以為AP。
如圖13所示,該信道接入方法包括但不限於以下步驟:
S301,第一通信裝置向第二通信裝置發送資料包。
可選的,第一通信裝置向第二通信裝置發送資料包,該資料包中攜帶業務標識(可通過服務品質控制欄位中的業務識別字(traffic identifier,TID)子欄位實現,該TID子欄位的含義可參考現有標準,這裡不詳述),該業務標識對應接入類型(AC)。
可選的,在步驟S301之前,第一通信裝置可以向第二通信裝置發送請求消息,用於請求開啟神經網路的訓練過程,或者說用於請求第二通信裝置回饋資料包對應的獎勵(reward)等。可理解,本申請實施例不限制該請求消息的具體用途,通過該請求消息可以使第二通信裝置獲知若接收到第一通信裝置發送的資料包,需回饋該資料包對應的reward即可。
S302,第二通信裝置根據該資料包的傳輸結果和該資料包中業務標識對應的接入類型,確定該資料包對應的獎勵。
可選的,如果第二通信裝置接收到該資料包且該資料包的資料部分解析成功,則說明該資料包傳輸成功,此時第二通信裝置可以採用第一獎勵函數確定該資料包對應的獎勵。其中,第一獎勵函數可以基於以下一項或多項確定:該資料包中業務標識對應的接入類型、第一通信裝置所在網路包括的節點數、當前時刻距離第一通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間。第三通信裝置為網路中除第一通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置。可理解,第一通信裝置所在網路包括的節點數可以理解為第一通信裝置在信道上能夠偵聽到的節點數。還可理解,第二通信裝置在採用第一獎勵函數計算第一通信裝置發送的資料包對應的獎勵時,第一通信裝置所在網路包括的節點數可以等價於第二通信裝置所在網路包括的節點數;也就是說可以使用第二通信裝置所在網路包括的節點數來計算該資料包對應的獎勵。
舉例來說,第一獎勵函數的運算式如前述公式(2-1),這裡不贅述。
可理解,本申請實施例的第一通信裝置(如STA)向第二通信裝置(如AP)發送資料包,使第二通信裝置(如AP)為第一通信裝置(如STA)計算該資料包對應的獎勵,而不是第一通信裝置(如STA)自己計算,可以在不增加第二通信裝置功耗的情況下,減少第一通信裝置的功耗。這是因為,如果第一通信裝置(如STA)想自己計算該資料包對應的獎勵,就需要持續偵聽信道上的回應幀(如ACK幀)以得到當前時刻距離第一通信裝置上次成功傳輸的時間(即前述公式(2-1)中的
)、和當前時刻距離信道上第三通信裝置上次成功傳輸的時間(即前述公式(2-1)中的
),而持續的載波偵聽和對ACK幀進行解調會大大增加第一通信裝置(如STA)的功耗。另外,由於第二通信裝置(如AP)本身就需要接收各個第一通信裝置(如STA)的資料包,所以第二通信裝置(如AP)不需要增加額外功耗即可維護所有第一通信裝置(如STA)的
和
資訊並計算reward。
可選的,如果第二通信裝置接收到該資料包但該資料包的資料部分未解析成功,或者第二通信裝置未接收到該資料包,都說明該資料包傳輸失敗。但是,在第二通信裝置接收到該資料包但該資料包的資料部分未解析成功的情況下,第二通信裝置仍然可以確定該資料包對應的獎勵,例如第二通信裝置採用第二獎勵函數計算該資料包對應的獎勵。該第二獎勵函數可以基於該資料包中業務標識對應的接入類型(AC)和第一通信裝置所在網路包括的節點數確定。舉例來說,第二獎勵函數的運算式如前述公式(2-2),這裡不贅述。
在第二通信裝置未接收到該資料包的情況下,該資料包對應的獎勵可以由第一通信裝置自己確定。
S303,第二通信裝置向第一通信裝置發送回應幀,該回應幀用於確認該資料包傳輸成功或傳輸失敗,該回應幀中包括該資料包對應的獎勵。
相應的,第一通信裝置接收該回應幀。
其中,上述回應幀可以是ACK幀或塊確認(block acknowledgment,BA)幀。
一種可能的實現方式中,如果資料包傳輸成功,則第二通信裝置可以間隔一段時間(如短幀間間隔SIFS,short inter-frame space)後向第一通信裝置回饋ACK幀,該ACK幀可以用於確認該資料包傳輸成功。該ACK幀中可以攜帶該資料包對應的獎勵(reward)。舉例來說,本申請實施例可以在ACK幀中增加payload(有效載荷)部分,用於攜帶該資料包對應的獎勵。參見圖14,圖14是本申請實施例提供的ACK幀的框架格式示意圖。如圖14所示,可以在MAC頭(MAC header)後增加一個欄位,如reward(獎勵)欄位,用於指示資料包對應的獎勵。可理解,該ACK幀中其它欄位的含義,參考現有標準,這裡不一一詳述。還可理解,本申請實施例不限制ACK幀中新增的欄位的名稱。
可選的,如果資料包傳輸失敗,第二通信裝置不回饋ACK幀。此時第一通信裝置也不會接收到針對該資料包的ACK幀。因此,如果第一通信裝置在一段時間內未接收到針對該資料包的ACK幀,說明該資料包傳輸失敗,則第一通信裝置可以自己計算該資料包對應獎勵,比如第一通信裝置基於該資料包的接入類型和第一通信裝置所在網路包括的節點數,確定該資料包對應的獎勵。舉例來說,第一通信裝置可以按照前述公式(2-2)計算該資料包對應的獎勵。
另一種可能的實現方式中,無論資料包傳輸成功還是失敗,第二通信裝置都會回饋BA幀,該BA幀用於確認第一通信裝置發送的資料包傳輸成功或傳輸失敗。該BA幀中可以攜帶資料包對應的獎勵(reward)。舉例來說,本申請實施例可以在BA幀的BA Information field(BA資訊欄位)中增加欄位,用於攜帶該BA對應的所有資料包的rewards。參見圖15,圖15是本申請實施例提供的BA幀的框架格式示意圖。如圖15所示,在BA Information field中增加reward(獎勵)欄位,用於指示資料包對應的獎勵。可理解,該BA幀中其它欄位的含義,參考現有標準,這裡不一一詳述。還可理解,本申請實施例不限制BA幀中新增的欄位的名稱。
可理解,如果第一通信裝置(如STA)發送的資料包傳輸成功,第二通信裝置(如AP)本來也需要向第一通信裝置(如STA)回饋ACK幀,所以將reward攜帶在ACK幀中進行回饋可以節省信令開銷。同理,無論第一通信裝置(如STA)發送的資料包傳輸成功還是傳輸失敗,第二通信裝置(如AP)都會向第一通信裝置(如STA)回饋BA幀,所以將reward攜帶在BA幀中進行回饋也可以節省信令開銷,另外該BA幀中也可以攜帶傳輸失敗時的reward,可以進一步減少第一通信裝置(如STA)的計算量,節省功耗。
當然,在一個可選實施例中,該資料包對應的獎勵可以不攜帶在該回應幀中,而是由第二通信裝置單獨回饋給第一通信裝置。具體的,如果資料包傳輸成功,則第二通信裝置可以在發送回應幀後,再發送該資料包對應的獎勵。
可選的,上述資料包對應的獎勵可以被第一通信裝置用於更新神經網路的參數,具體更新方式可以參考下文步驟S304的描述,這裡不展開說明。該神經網路的參數可以包括神經元的偏置和神經元之間連線的權重。
可選的,該信道接入方法還包括以下步驟:
S304,第一通信裝置利用該資料包對應的獎勵更新神經網路的參數。
可選的,第一通信裝置可以利用該資料包對應的獎勵更新神經網路的參數。該神經網路的參數可以包括神經元的偏置和神經元之間連線的權重。可理解,該神經網路的結構可以是預定義的。
為更好的理解reward更新神經網路的參數的過程,下面舉例說明。以一種特定的強化學習演算法DQN(Deep Q Network,深度Q網路)為例。參見圖16,圖16是本申請實施例提供的DQN演算法示意圖。如圖16所示,DQN演算法包括目標Q網路(target Q network)和預測Q網路(prediction Q network),二者網路結構相同,初始參數相同。不同之處在於:預測Q網路每次訓練都更新參數(記為θ),而目標Q網路的參數(記為
)在每C次訓練完成後才進行更新(比如將θ賦值給
),通常C的值為100。DQN使用的訓練資料可以稱為經驗(experience),即et=(st , at , rt , st+1),第一通信裝置探索環境過程中產生的經驗被存入經驗池中用於神經網路的訓練,訓練神經網路的方法就是使用小批量梯度下降法(mini-batch gradient descent)來最小化損失函數,以更新神經網路的參數(如權重和偏置)。神經網路的損失函數L(θ)為:
........................(2-3)
其中,
表示折扣因數,通常
為0.9,B表示從經驗池中隨機採樣的批量資料,
表示當前動作得到的獎勵(也就是資料包對應的獎勵),
表示預測Q網路在狀態st選取動作at對應的輸出,
表示目標Q網路在狀態
的輸出的最大值。
可理解,上述步驟S301到步驟S304可以迴圈執行多次,以更新神經網路的參數,直至神經網路訓練完成為止。可選的,如果在步驟S301之前,第一通信裝置向第二通信裝置發送了請求消息,該請求消息用於使第二通信裝置獲知若接收到第一通信裝置發送的資料包,需回饋該資料包對應的reward;則在神經網路訓練完成後,第一通信裝置可以向第二通信裝置發送另一個消息,以使第二通信裝置獲知無需再回饋資料包對應的reward。
神經網路訓練完成後,第一通信裝置可以使用訓練完成的神經網路進行推理決策,該神經網路的功能是AI輔助的信道接入功能或AI輔助的EDCA功能。
S305,第一通信裝置根據訓練完成的神經網路和該神經網路的輸入資訊確定不接入信道或接入信道的接入類型,該神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
可選的,本申請實施例中步驟S305的實現方式可以參考前文實施例一中步驟S103的實現方式,這裡不再贅述。
本申請實施例的第一通信裝置(如STA)發送資料包,讓第二通信裝置(如AP)幫忙計算該資料包對應的獎勵,可以在不增加第二通信裝置功耗的情況下,減少第一通信裝置的功耗;此外,本申請實施例在該資料包的回應幀中攜帶該資料包對應的獎勵,不僅可以減少信令開銷;還可以使第一通信裝置能夠利用該資料包對應的獎勵更新神經網路的參數,以將人工智慧(或者說神經網路)與信道接入(如EDCA)相結合,第一通信裝置再使用訓練完成的神經網路進行推理決策(如利用神經網路來決策是否接入信道,以及決策在接入信道的情況下哪種接入類型的業務進行傳輸),進而可以提高信道利用率,降低時延。
上述內容詳細闡述了本申請提供的方法,為了便於實施本申請實施例的上述方案,本申請實施例還提供了相應的裝置或設備。
本申請根據上述方法實施例對通信裝置進行功能模組的劃分,例如,可以對應各個功能劃分各個功能模組,也可以將兩個或兩個以上的功能集成在一個處理模組中。上述集成的模組既可以採用硬體的形式實現,也可以採用軟體功能模組的形式實現。需要說明的是,本申請中對模組的劃分是示意性的,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式。下面將結合圖17至圖19詳細描述本申請實施例的通信裝置。
參見圖17,圖17是本申請實施例提供的通信裝置100的結構示意圖。如圖17所示,通信裝置100包括收發單元10和處理單元20。
在本申請的一些實施例中,通信裝置100可以是上文示出的第一通信裝置或其中的晶片。即圖17所示的通信裝置100可以用於執行上文方法實施例中由第一通信裝置執行的步驟或功能等。
一種設計中,處理單元20,用於獲取神經網路的參數,該神經網路的參數基於接入類型資訊獲得;處理單元20,還用於根據該神經網路的參數確定該神經網路;處理單元20,還用於根據該神經網路和該神經網路的輸入資訊確定不接入信道或接入信道的接入類型,該神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
在一種可能的實現方式中,處理單元20,具體用於控制收發單元10執行以下步驟:接收來自第二通信裝置的神經網路的參數,該神經網路的參數基於該第二通信裝置的接入類型資訊獲得;處理單元20,還用於獲取該神經網路的結構;處理單元20,具體用於根據該神經網路的參數和該神經網路的結構確定該神經網路。
在一種可能的實現方式中,處理單元20,具體用於控制收發單元10執行以下步驟:向第二通信裝置發送資料包,該資料包中攜帶業務標識,該業務標識對應接入類型;接收來自該第二通信裝置的回應幀,該回應幀用於確認該資料包傳輸成功或傳輸失敗,該回應幀中包括該資料包對應的獎勵,該資料包對應的獎勵基於該資料包的傳輸結果和該接入類型確定,該獎勵用於更新該神經網路的參數。
在一種可能的實現方式中,處理單元20,具體用於將與該神經網路的輸入資訊對應的資料登錄該神經網路進行處理,根據處理結果確定不接入信道或接入信道的接入類型。
在一種可能的實現方式中,上述處理結果包括不接入信道對應的期望獎勵或接入類型對應的期望獎勵。處理單元20,具體用於:當不接入信道對應的期望獎勵大於接入類型對應的期望獎勵時,確定不接入信道;當至少一個接入類型對應的期望獎勵大於不接入信道對應的期望獎勵時,根據期望獎勵最大的接入類型接入信道。
在一種可能的實現方式中,收發單元10,還用於接收指示資訊,該指示資訊用於指示該神經網路的功能,該神經網路的功能為AI輔助的信道接入功能。處理單元20,還用於根據該神經網路的功能確定不接入信道或接入信道的接入類型。
其中,關於神經網路、輸入資訊、指示資訊等的具體說明可以參考上文所示的方法實施例,這裡不再一一詳述。
應理解,本申請實施例示出的收發單元和處理單元的具體說明僅為示例,對於收發單元和處理單元的具體功能或執行的步驟等,可以參考上述方法實施例,這裡不再詳述。
一種設計中,收發單元10,用於接收來自第二通信裝置的神經網路的參數,該神經網路的參數基於接入類型資訊獲得;處理單元20,用於獲取神經網路的結構;處理單元20,還用於根據該神經網路的參數和該神經網路的結構確定該神經網路;處理單元20,還用於根據該神經網路和該神經網路的輸入資訊確定不接入信道或接入信道的接入類型,該神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
在一種可能的實現方式中,處理單元20,具體用於將與該神經網路的輸入資訊對應的資料登錄該神經網路進行處理,根據處理結果確定不接入信道或接入信道的接入類型。
在一種可能的實現方式中,上述處理結果包括不接入信道對應的期望獎勵或接入類型對應的期望獎勵。處理單元20,具體用於:當不接入信道對應的期望獎勵大於接入類型對應的期望獎勵時,確定不接入信道;當至少一個接入類型對應的期望獎勵大於不接入信道對應的期望獎勵時,根據期望獎勵最大的接入類型接入信道。
在一種可能的實現方式中,收發單元10,還用於接收指示資訊,該指示資訊用於指示該神經網路的功能,該神經網路的功能為AI輔助的信道接入功能。處理單元20,還用於根據該神經網路的功能確定不接入信道或接入信道的接入類型。
其中,關於神經網路、輸入資訊、指示資訊等的具體說明可以參考上文所示的方法實施例,這裡不再一一詳述。
應理解,本申請實施例示出的收發單元和處理單元的具體說明僅為示例,對於收發單元和處理單元的具體功能或執行的步驟等,可以參考上述方法實施例,這裡不再詳述。
另一種設計中,收發單元10,用於向第二通信裝置發送資料包,該資料包中攜帶業務標識,該業務標識對應接入類型;收發單元10,還用於接收來自該第二通信裝置的回應幀,該回應幀用於確認該資料包傳輸成功或傳輸失敗,該回應幀中包括該資料包對應的獎勵,該資料包對應的獎勵基於該資料包的傳輸結果和該接入類型確定;處理單元20,用於利用該獎勵更新神經網路的參數,該神經網路的參數用於確定神經網路;處理單元20,還用於根據該神經網路和該神經網路的輸入資訊確定不接入信道或接入信道的接入類型,該神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
在一種可能的實現方式中,處理單元20,具體用於將與該神經網路的輸入資訊對應的資料登錄該神經網路進行處理,根據處理結果確定不接入信道或接入信道的接入類型。
在一種可能的實現方式中,上述處理結果包括不接入信道對應的期望獎勵或接入類型對應的期望獎勵。處理單元20,具體用於:當不接入信道對應的期望獎勵大於接入類型對應的期望獎勵時,確定不接入信道;當至少一個接入類型對應的期望獎勵大於不接入信道對應的期望獎勵時,根據期望獎勵最大的接入類型接入信道。
其中,關於神經網路、輸入資訊等的具體說明可以參考上文所示的方法實施例,這裡不再一一詳述。
應理解,本申請實施例示出的收發單元和處理單元的具體說明僅為示例,對於收發單元和處理單元的具體功能或執行的步驟等,可以參考上述方法實施例,這裡不再詳述。
複用圖17,在本申請的又一些實施例中,該通信裝置可以是上文示出的第二通信裝置或其中的晶片。即圖17所示的通信裝置可以用於執行上文方法實施例中由第二通信裝置執行的步驟或功能等。
一種設計中,處理單元20,用於獲取神經網路的參數,該神經網路的參數基於第二通信裝置的接入類型資訊獲得;收發單元10,用於發送該神經網路的參數,該神經網路的參數用於確定該神經網路,該神經網路用於確定不接入信道或接入信道的接入類型,該神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
在一種可能的實現方式中,收發單元10,還用於發送指示資訊,該指示資訊用於指示該神經網路的功能,該神經網路的功能為AI輔助的信道接入功能。
在一種可能的實現方式中,處理單元20,還用於根據接收到的資料包的接入類型和該資料包的傳輸結果,確定該資料包在神經網路的訓練過程中對應的獎勵,該獎勵用於更新該神經網路的參數。
在一種可能的實現方式中,處理單元20,還具體用於:當資料包的傳輸結果為傳輸成功時,利用第一獎勵函數確定該資料包在該神經網路的訓練過程中對應的獎勵;當該資料包的傳輸結果為傳輸失敗時,利用第二獎勵函數確定該資料包在該神經網路的訓練過程中對應的獎勵。其中,該第一獎勵函數基於該資料包的接入類型、該第二通信裝置所在網路包括的節點數、當前時刻距離該第二通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間確定,該第三通信裝置為除該第二通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置。該第二獎勵函數基於該資料包的接入類型和該第二通信裝置所在網路包括的節點數確定。
其中,關於神經網路、輸入資訊、指示資訊、第一獎勵函數、第二獎勵函數等的具體說明可以參考上文所示的方法實施例,這裡不再一一詳述。
應理解,本申請實施例示出的收發單元和處理單元的具體說明僅為示例,對於收發單元和處理單元的具體功能或執行的步驟等,可以參考上述方法實施例,這裡不再詳述。
另一種設計中,收發單元10,用於接收來自第一通信裝置的資料包,該資料包中攜帶業務標識,該業務標識對應接入類型;處理單元20,用於根據該資料包的傳輸結果和該接入類型,確定該資料包對應的獎勵,該獎勵用於更新神經網路的參數;該神經網路的參數用於確定神經網路,該神經網路用於確定不接入信道或接入信道的接入類型;收發單元10,還用於向該第一通信裝置發送回應幀,該回應幀用於確認該資料包傳輸成功或傳輸失敗,該回應幀中包括該資料包對應的獎勵。
在一種可能的實現方式中,該回應幀為確認ACK幀。處理單元20,具體用於當該資料包的傳輸結果為傳輸成功時,採用第一獎勵函數確定該資料包對應的獎勵。該第一獎勵函數基於該接入類型、該第一通信裝置所在網路包括的節點數、當前時刻距離該第一通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間確定,該第三通信裝置為除該第一通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置。
在一種可能的實現方式中,該回應幀為塊確認BA幀。處理單元20,具體用於:當該資料包的傳輸結果為傳輸成功時,採用第一獎勵函數確定該資料包對應的獎勵,該第一獎勵函數基於該接入類型、該第一通信裝置所在網路包括的節點數、當前時刻距離該第一通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間確定,該第三通信裝置為除該第一通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置;當該資料包的傳輸結果為傳輸失敗時,採用第二獎勵函數確定該資料包對應的獎勵,該第二獎勵函數基於該接入類型和該第一通信裝置所在網路包括的節點數確定。
其中,關於神經網路、回應幀、第一獎勵函數、第二獎勵函數等的具體說明可以參考上文所示的方法實施例,這裡不再一一詳述。
應理解,本申請實施例示出的收發單元和處理單元的具體說明僅為示例,對於收發單元和處理單元的具體功能或執行的步驟等,可以參考上述方法實施例,這裡不再詳述。
以上介紹了本申請實施例的通信裝置,以下介紹通信裝置可能的產品形態。應理解,但凡具備上述圖17所述的通信裝置的功能的任何形態的產品,都落入本申請實施例的保護範圍。還應理解,以下介紹僅為舉例,不限制本申請實施例的通信裝置的產品形態僅限於此。
在一種可能的實現方式中,圖17所示的通信裝置中,處理單元20可以是一個或多個處理器,收發單元10可以是收發器,或者收發單元10還可以是發送單元和接收單元,發送單元可以是發送器,接收單元可以是接收器,該發送單元和接收單元集成於一個器件,例如收發器。本申請實施例中,處理器和收發器可以被耦合等,對於處理器和收發器的連接方式,本申請實施例不作限定。在執行上述方法的過程中,上述方法中有關發送資訊(如發送神經網路的參數等)的過程,可以理解為由處理器輸出上述資訊的過程。在輸出上述資訊時,處理器將該上述資訊輸出給收發器,以便由收發器進行發射。該上述資訊在由處理器輸出之後,還可能需要進行其他的處理,然後才到達收發器。類似的,上述方法中有關接收資訊(如接收神經網路的參數等)的過程,可以理解為處理器接收輸入的上述資訊的過程。處理器接收輸入的資訊時,收發器接收該上述資訊,並將其輸入處理器。更進一步的,在收發器收到該上述資訊之後,該上述資訊可能需要進行其他的處理,然後才輸入處理器。
參見圖18,圖18是本申請實施例提供的通信裝置1000的結構示意圖。該通信裝置1000可以為第一通信裝置或第二通信裝置,或其中的晶片。圖18僅示出了通信裝置1000的主要部件。除處理器1001和收發器1002之外,所述通信裝置還可以進一步包括記憶體1003、以及輸入輸出裝置(圖未示意)。
處理器1001主要用於對通信協定以及通信資料進行處理,以及對整個通信裝置進行控制,執行軟體程式,處理軟體程式的資料。記憶體1003主要用於儲存軟體程式和資料。收發器1002可以包括控制電路和天線,控制電路主要用於基帶信號與射頻信號的轉換以及對射頻信號的處理。天線主要用於收發電磁波形式的射頻信號。輸入輸出裝置,例如觸控式螢幕、顯示幕,鍵盤等主要用於接收使用者輸入的資料以及對使用者輸出資料。
當通信裝置開機後,處理器1001可以讀取記憶體1003中的軟體程式,解釋並執行軟體程式的指令,處理軟體程式的資料。當需要通過無線發送資料時,處理器1001對待發送的資料進行基帶處理後,輸出基帶信號至射頻電路,射頻電路將基帶信號進行射頻處理後將射頻信號通過天線以電磁波的形式向外發送。當有資料發送到通信裝置時,射頻電路通過天線接收到射頻信號,將射頻信號轉換為基帶信號,並將基帶信號輸出至處理器1001,處理器1001將基帶信號轉換為資料並對該資料進行處理。
在另一種實現中,所述的射頻電路和天線可以獨立於進行基帶處理的處理器而設置,例如在分散式場景中,射頻電路和天線可以與獨立於通信裝置,呈拉遠式的佈置。
其中,處理器1001、收發器1002、以及記憶體1003可以通過通信匯流排連接。
一種設計中,通信裝置1000可以用於執行前述實施例一中第一通信裝置的功能:處理器1001可以用於執行圖8中的步驟S102和步驟S103,和/或用於執行本文所描述的技術的其它過程;收發器1002可以用於執行圖8中的步驟S101,和/或用於本文所描述的技術的其它過程。
一種設計中,通信裝置1000可以用於執行前述實施例二中第一通信裝置的功能:處理器1001可以用於執行圖9中的步驟S203和步驟S204,和/或用於執行本文所描述的技術的其它過程;收發器1002可以用於接收圖9中的神經網路參數,和/或用於本文所描述的技術的其它過程。
另一種設計中,通信裝置1000可以用於執行前述實施例二中第二通信裝置的功能:處理器1001可以用於執行圖9中的步驟S201,和/或用於執行本文所描述的技術的其它過程;收發器1002可以用於執行圖9中步驟S202,和/或用於本文所描述的技術的其它過程。
一種設計中,通信裝置1000可以用於執行前述實施例三中第一通信裝置的功能:處理器1001可以用於執行圖13中的步驟S304和步驟S305,和/或用於執行本文所描述的技術的其它過程;收發器1002可以用於執行圖13中的步驟S301和步驟S303,和/或用於本文所描述的技術的其它過程。
另一種設計中,通信裝置1000可以用於執行前述實施例三中第二通信裝置的功能:處理器1001可以用於執行圖13中的步驟S302,和/或用於執行本文所描述的技術的其它過程;收發器1002可以用於接收圖13中的資料包和發送圖13中的回應幀,和/或用於本文所描述的技術的其它過程。
在上述任一種設計中,處理器1001中可以包括用於實現接收和發送功能的收發器。例如該收發器可以是收發電路,或者是介面,或者是介面電路。用於實現接收和發送功能的收發電路、介面或介面電路可以是分開的,也可以集成在一起。上述收發電路、介面或介面電路可以用於代碼/資料的讀寫,或者,上述收發電路、介面或介面電路可以用於信號的傳輸或傳遞。
在上述任一種設計中,處理器1001可以存有指令,該指令可為電腦程式,電腦程式在處理器1001上運行,可使得通信裝置1000執行上述方法實施例中描述的方法。電腦程式可能固化在處理器1001中,該種情況下,處理器1001可能由硬體實現。
在一種實現方式中,通信裝置1000可以包括電路,所述電路可以實現前述方法實施例中發送或接收或者通信的功能。本申請中描述的處理器和收發器可實現在積體電路(integrated circuit,IC)、模擬IC、無線射頻積體電路(radio frequency integrated circuit,RFIC)、混合信號IC、專用積體電路(application specific integrated circuit,ASIC)、印刷電路板(printed circuit board,PCB)、電子設備等上。該處理器和收發器也可以用各種IC工藝技術來製造,例如互補金屬氧化物半導體(complementary metal oxide semiconductor,CMOS)、N型金屬氧化物半導體(nMetal-oxide-semiconductor,NMOS)、P 型金屬氧化物半導體(positive channel metal oxide semiconductor,PMOS)、雙極結型電晶體(bipolar junction transistor,BJT)、雙極 CMOS(BiCMOS)、矽鍺(SiGe)、砷化鎵(GaAs)等。
本申請中描述的通信裝置的範圍並不限於此,而且通信裝置的結構可以不受圖18的限制。通信裝置可以是獨立的設備或者可以是較大設備的一部分。例如所述通信裝置可以是:
(1)獨立的積體電路IC,或晶片,或,晶片系統或子系統;
(2)具有一個或多個IC的集合,可選的,該IC集合也可以包括用於儲存資料,電腦程式的儲存部件;
(3)ASIC,例如數據機(Modem);
(4)可嵌入在其他設備內的模組;
(5)接收機、終端、智慧終端機、蜂窩電話、無線設備、手持機、移動單元、車載設備、網路設備、雲設備、人工智慧設備等等;
(6)其他等等。
在另一種可能的實現方式中,圖17所示的通信裝置中,處理單元20可以是一個或多個邏輯電路,收發單元10可以是輸入輸出介面,又或者稱為通信介面,或者介面電路,或介面等等。或者收發單元10還可以是發送單元和接收單元,發送單元可以是輸出介面,接收單元可以是輸入介面,該發送單元和接收單元集成於一個單元,例如輸入輸出介面。參見圖19,圖19是本申請實施例提供的通信裝置的另一結構示意圖。如圖19所示,圖19所示的通信裝置包括邏輯電路901和介面902。即上述處理單元20可以用邏輯電路901實現,收發單元10可以用介面902實現。其中,該邏輯電路901可以為晶片、處理電路、積體電路或片上系統(system on chip,SoC)晶片等,介面902可以為通信介面、輸入輸出介面、管腳等。示例性的,圖19是以上述通信裝置為晶片為例示出的,該晶片包括邏輯電路901和介面902。
本申請實施例中,邏輯電路和介面還可以相互耦合。對於邏輯電路和介面的具體連接方式,本申請實施例不作限定。
當圖19所示通信裝置用於實現圖8或圖9或圖13所示的方法時,邏輯電路901用於實現上述處理單元20的功能,介面902用於實現上述收發單元10的功能。
可理解,本申請實施例示出的通信裝置可以採用硬體的形式實現本申請實施例提供的方法,也可以採用軟體的形式實現本申請實施例提供的方法等,本申請實施例對此不作限定。
本申請實施例還提供了一種無線通訊系統,該無線通訊系統包括第一通信裝置和第二通信裝置,該第一通信裝置和該第二通信裝置可以用於執行前述任一方法實施例中的方法。
此外,本申請還提供一種電腦程式,該電腦程式用於實現本申請提供的方法中由第一通信裝置執行的操作和/或處理。
本申請還提供一種電腦程式,該電腦程式用於實現本申請提供的方法中由第二通信裝置執行的操作和/或處理。
本申請還提供一種電腦可讀儲存介質,該電腦可讀儲存介質中儲存有電腦代碼,當電腦代碼在電腦上運行時,使得電腦執行本申請提供的方法中由第一通信裝置執行的操作和/或處理。
本申請還提供一種電腦可讀儲存介質,該電腦可讀儲存介質中儲存有電腦代碼,當電腦代碼在電腦上運行時,使得電腦執行本申請提供的方法中由第二通信裝置執行的操作和/或處理。
本申請還提供一種電腦程式產品,該電腦程式產品包括電腦代碼或電腦程式,當該電腦代碼或電腦程式在電腦上運行時,使得本申請提供的方法中由第一通信裝置執行的操作和/或處理被執行。
本申請還提供一種電腦程式產品,該電腦程式產品包括電腦代碼或電腦程式,當該電腦代碼或電腦程式在電腦上運行時,使得本申請提供的方法中由第二通信裝置執行的操作和/或處理被執行。
在本申請所提供的幾個實施例中,應該理解到,所揭露的系統、裝置和方法,可以通過其它的方式實現。例如,以上所描述的裝置實施例僅是示意性的,例如,所述單元的劃分,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式,例如多個單元或元件可以結合或者可以集成到另一個系統,或一些特徵可以忽略,或不執行。另外,所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些介面、裝置或單元的間接耦合或通信連接,也可以是電的,機械的或其它的形式連接。
所述作為分離部件說明的單元可以是或者也可以不是物理上分開的,作為單元顯示的部件可以是或者也可以不是物理單元,即可以位於一個地方,或者也可以分佈到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本申請實施例提供的方案的技術效果。
另外,在本申請各個實施例中的各功能單元可以集成在一個處理單元中,也可以是各個單元單獨物理存在,也可以是兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現,也可以採用軟體功能單元的形式實現。
所述集成的單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時,可以儲存在一個電腦可讀取儲存介質中。基於這樣的理解,本申請的技術方案本質上或者說對現有技術做出貢獻的部分,或者該技術方案的全部或部分可以以軟體產品的形式體現出來,該電腦軟體產品儲存在一個可讀儲存介質中,包括若干指令用以使得一台電腦設備(可以是個人電腦,伺服器,或者網路設備等)執行本申請各個實施例所述方法的全部或部分步驟。而前述的可讀儲存介質包括:U盤、移動硬碟、唯讀記憶體(read-only memory, ROM)、隨機存取記憶體(random access memory, RAM)、磁碟或者光碟等各種可以儲存程式碼的介質。
以上所述,僅為本申請的具體實施方式,但本申請的保護範圍並不局限於此,任何熟悉本技術領域的技術人員在本申請揭露的技術範圍內,可輕易想到變化或替換,都應涵蓋在本申請的保護範圍之內。因此,本申請的保護範圍應以所述請求項的保護範圍為准。
100、1000:通信裝置
10收發單元
20:處理單元
1001:處理器
1002:收發器
1003:記憶體
901:邏輯電路
902:介面
S101、S102、S103、S201、S202、S203、S204、S301、S302、S303、S304、S305:步驟
為了更清楚地說明本申請實施例的技術方案,下面將對實施例描述中所需要使用的附圖作簡單地介紹。
圖1是包含3個層的全連接神經網路示意圖;
圖2是一個神經元根據輸入計算輸出的示意圖;
圖3是Wi-Fi中EDCA的實現模型示意圖;
圖4是本申請實施例提供的一種通信系統的架構示意圖;
圖5a是本申請實施例提供的接入點的一結構示意圖;
圖5b是本申請實施例提供的接入點的另一結構示意圖;
圖5c是本申請實施例提供的接入點的又一結構示意圖;
圖6a是本申請實施例提供的站點的一結構示意圖;
圖6b是本申請實施例提供的站點的另一結構示意圖;
圖6c是本申請實施例提供的站點的又一結構示意圖;
圖7是本申請實施例提供的通信裝置的一結構示意圖;
圖8是本申請實施例提供的信道接入方法的一流程示意圖;
圖9是本申請實施例提供的信道接入方法的另一流程示意圖;
圖10是本申請實施例提供的
和
的示意圖;
圖11是本申請實施例提供的神經網路模型及其輸入輸出的示意圖;
圖12是本申請實施例提供的第一通信裝置進行AI輔助的EDCA的示意圖;
圖13是本申請實施例提供的信道接入方法的又一流程示意圖;
圖14是本申請實施例提供的ACK幀的框架格式示意圖;
圖15是本申請實施例提供的BA幀的框架格式示意圖;
圖16是本申請實施例提供的DQN演算法示意圖;
圖17是本申請實施例提供的通信裝置100的結構示意圖;
圖18是本申請實施例提供的通信裝置1000的結構示意圖;
圖19是本申請實施例提供的通信裝置的另一結構示意圖。
S101、S102、S103:步驟
Claims (27)
- 一種信道接入方法,其中,包括: 第一通信裝置獲取神經網路的參數,所述神經網路的參數基於接入類型資訊獲得; 所述第一通信裝置根據所述神經網路的參數確定所述神經網路; 所述第一通信裝置根據所述神經網路和所述神經網路的輸入資訊確定不接入信道或接入信道的接入類型,所述神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
- 如請求項1所述的方法,其中,所述第一通信裝置獲取神經網路的參數,包括: 第一通信裝置接收來自第二通信裝置的神經網路的參數,所述神經網路的參數基於所述第二通信裝置的接入類型資訊獲得; 所述第一通信裝置根據所述神經網路的參數確定所述神經網路之前,所述方法還包括: 所述第一通信裝置獲取所述神經網路的結構; 所述第一通信裝置根據所述神經網路的參數確定所述神經網路,包括: 所述第一通信裝置根據所述神經網路的參數和所述神經網路的結構確定所述神經網路。
- 如請求項1所述的方法,其中,所述第一通信裝置獲取神經網路的參數,包括: 所述第一通信裝置向第二通信裝置發送資料包,所述資料包中攜帶業務標識,所述業務標識對應接入類型; 所述第一通信裝置接收來自所述第二通信裝置的回應幀,所述回應幀用於確認所述資料包傳輸成功或傳輸失敗,所述回應幀中包括所述資料包對應的獎勵,所述資料包對應的獎勵基於所述資料包的傳輸結果和所述接入類型確定,所述獎勵用於更新所述神經網路的參數。
- 如請求項1-3中任一項所述的方法,其中,所述第一通信裝置根據所述神經網路和所述神經網路的輸入資訊確定不接入信道或接入信道的接入類型,包括: 所述第一通信裝置將與所述神經網路的輸入資訊對應的資料登錄所述神經網路進行處理,根據處理結果確定不接入信道或接入信道的接入類型。
- 如請求項4所述的方法,其中,所述處理結果包括不接入信道對應的期望獎勵或接入類型對應的期望獎勵; 所述第一通信裝置根據處理結果確定不接入信道或接入信道的接入類型,包括: 當所述不接入信道對應的期望獎勵大於所述接入類型對應的期望獎勵時,所述第一通信裝置確定不接入信道;當至少一個接入類型對應的期望獎勵大於所述不接入信道對應的期望獎勵時,所述第一通信裝置根據期望獎勵最大的接入類型接入信道。
- 如請求項5所述的方法,其中,所述接入類型為背景流、盡力而為流、視訊流、語音流中的一種或多種。
- 如請求項1-6中任一項所述的方法,其中,所述神經網路的功能為人工智慧AI輔助的信道接入功能,所述第一通信裝置還根據所述神經網路的功能確定不接入信道或接入信道的接入類型。
- 如請求項7所述的方法,其中,所述第一通信裝置根據所述神經網路的參數確定所述神經網路之前,所述方法還包括: 所述第一通信裝置接收來自第二通信裝置的指示資訊,所述指示資訊用於指示所述神經網路的功能為AI輔助的信道接入功能。
- 一種信道接入方法,其中,包括: 第二通信裝置獲取神經網路的參數,所述神經網路的參數基於所述第二通信裝置的接入類型資訊獲得; 所述第二通信裝置向第一通信裝置發送所述神經網路的參數,所述神經網路的參數用於確定所述神經網路,所述神經網路用於確定不接入信道或接入信道的接入類型,所述神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
- 如請求項9所述的方法,其中,所述第二通信裝置向第一通信裝置發送所述神經網路的參數之後,所述方法還包括: 所述第二通信裝置向所述第一通信裝置發送指示資訊,所述指示資訊用於指示所述神經網路的功能,所述神經網路的功能為人工智慧AI輔助的信道接入功能。
- 如請求項9或10所述的方法,其中,所述第二通信裝置獲取神經網路的參數之前,所述方法還包括: 所述第二通信裝置根據接收到的資料包的接入類型和所述資料包的傳輸結果,確定所述資料包在神經網路的訓練過程中對應的獎勵,所述獎勵用於更新所述神經網路的參數。
- 如請求項11所述的方法,其中,所述第二通信裝置根據接收到的資料包的接入類型和所述資料包的傳輸結果,確定所述資料包在神經網路的訓練過程中對應的獎勵,包括: 若資料包的傳輸結果為傳輸成功,則所述第二通信裝置利用第一獎勵函數確定所述資料包在所述神經網路的訓練過程中對應的獎勵,所述第一獎勵函數基於所述資料包的接入類型、所述第二通信裝置所在網路包括的節點數、當前時刻距離所述第二通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間確定,所述第三通信裝置為除所述第二通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置; 若所述資料包的傳輸結果為傳輸失敗,則所述第二通信裝置利用第二獎勵函數確定所述資料包在所述神經網路的訓練過程中對應的獎勵,所述第二獎勵函數基於所述資料包的接入類型和所述第二通信裝置所在網路包括的節點數確定。
- 如請求項12所述的方法,其中,所述第一獎勵函數為: ; 其中, 表示資料包在所述神經網路的訓練過程中對應的獎勵, 表示當前時刻距離所述第二通信裝置上次成功傳輸的時間,N表示所述第二通信裝置所在網路包括的節點數,AC表示所述資料包的接入類型的值, 表示當前時刻距離信道上第三通信裝置上次成功傳輸的時間。
- 1如請求項12或13所述的方法,其中,所述第二獎勵函數為: ; 其中, 表示資料包在所述神經網路的訓練過程中對應的獎勵,N表示所述第二通信裝置所在網路包括的節點數,AC表示所述資料包的接入類型的值。
- 如請求項1-14中任一項所述的方法,其中,所述接入類型資訊包括以下一項或多項:每種接入類型的緩存包數量,或每種接入類型的業務量。
- 如請求項1-15中任一項所述的方法,其中,所述信道接入資訊包括以下一項或多項:載波偵聽結果、每種接入類型的信道接入行為、或每種接入類型的資料包傳輸結果; 所述信道接入行為包括接入或未接入。
- 如請求項16所述的方法,其中,所述信道接入資訊還包括以下一項或多項:每種接入類型的資料包的平均排隊時延,每種接入類型的資料包的平均接入時延,當前時刻距離所述第一通信裝置上次成功傳輸的時間,或當前時刻距離信道上其他通信裝置上次成功傳輸的時間;所述其他通信裝置為除所述第一通信裝置外的通信裝置。
- 一種信道接入方法,其中,包括: 第二通信裝置接收來自第一通信裝置的資料包,所述資料包中攜帶業務標識,所述業務標識對應接入類型; 所述第二通信裝置根據所述資料包的傳輸結果和所述接入類型,確定所述資料包對應的獎勵,所述獎勵用於更新神經網路的參數;所述神經網路的參數用於確定神經網路,所述神經網路用於確定不接入信道或接入信道的接入類型; 所述第二通信裝置向所述第一通信裝置發送回應幀,所述回應幀用於確認所述資料包傳輸成功或傳輸失敗,所述回應幀中包括所述資料包對應的獎勵。
- 如請求項18所述的方法,其中,所述回應幀為確認ACK幀; 所述第二通信裝置根據所述資料包的傳輸結果和所述接入類型,確定所述資料包對應的獎勵,包括: 若所述資料包的傳輸結果為傳輸成功,則所述第二通信裝置採用第一獎勵函數確定所述資料包對應的獎勵; 所述第一獎勵函數基於所述接入類型、所述第一通信裝置所在網路包括的節點數、當前時刻距離所述第一通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間確定,所述第三通信裝置為除所述第一通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置。
- 如請求項18所述的方法,其中,所述回應幀是塊確認BA幀; 所述第二通信裝置根據所述資料包的傳輸結果和所述接入類型,確定所述資料包對應的獎勵,包括: 若所述資料包的傳輸結果為傳輸成功,則所述第二通信裝置採用第一獎勵函數確定所述資料包對應的獎勵,所述第一獎勵函數基於所述接入類型、所述第一通信裝置所在網路包括的節點數、當前時刻距離所述第一通信裝置上次成功傳輸的時間、以及當前時刻距離信道上第三通信裝置上次成功傳輸的時間確定,所述第三通信裝置為除所述第一通信裝置外在當前時刻前信道上最近一次傳輸的通信裝置; 若所述資料包的傳輸結果為傳輸失敗,則所述第二通信裝置採用第二獎勵函數確定所述資料包對應的獎勵,所述第二獎勵函數基於所述接入類型和所述第一通信裝置所在網路包括的節點數確定。
- 一種通信裝置,其中,包括: 處理單元,用於獲取神經網路的參數,所述神經網路的參數基於接入類型資訊獲得; 所述處理單元,還用於根據所述神經網路的參數確定所述神經網路; 所述處理單元,還用於根據所述神經網路和所述神經網路的輸入資訊確定不接入信道或接入信道的接入類型,所述神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
- 如請求項21所述的通信裝置,其中,所述通信裝置還包括收發單元; 所述處理單元,具體用於控制所述收發單元執行以下步驟: 接收來自第二通信裝置的神經網路的參數,所述神經網路的參數基於所述第二通信裝置的接入類型資訊獲得; 所述處理單元,還用於獲取所述神經網路的結構; 所述處理單元,具體用於根據所述神經網路的參數和所述神經網路的結構確定所述神經網路。
- 如請求項21所述的通信裝置,其中,所述通信裝置還包括收發單元; 所述處理單元,具體用於控制所述收發單元執行以下步驟: 向第二通信裝置發送資料包,所述資料包中攜帶業務標識,所述業務標識對應接入類型; 接收來自所述第二通信裝置的回應幀,所述回應幀用於確認所述資料包傳輸成功或傳輸失敗,所述回應幀中包括所述資料包對應的獎勵,所述資料包對應的獎勵基於所述資料包的傳輸結果和所述接入類型確定,所述獎勵用於更新所述神經網路的參數。
- 一種通信裝置,其中,包括: 處理單元,用於獲取神經網路的參數,所述神經網路的參數基於所述通信裝置的接入類型資訊獲得; 收發單元,用於向第一通信裝置發送所述神經網路的參數,所述神經網路的參數用於確定所述神經網路,所述神經網路用於確定不接入信道或接入信道的接入類型,所述神經網路的輸入資訊包括接入類型資訊和信道接入資訊。
- 一種通信裝置,其中,包括: 收發單元,用於接收來自第一通信裝置的資料包,所述資料包中攜帶業務標識,所述業務標識對應接入類型; 處理單元,用於根據所述資料包的傳輸結果和所述接入類型,確定所述資料包對應的獎勵,所述獎勵用於更新神經網路的參數;所述神經網路的參數用於確定神經網路,所述神經網路用於確定不接入信道或接入信道的接入類型; 所述收發單元,還用於向所述第一通信裝置發送回應幀,所述回應幀用於確認所述資料包傳輸成功或傳輸失敗,所述回應幀中包括所述資料包對應的獎勵。
- 一種通信裝置,其中,包括邏輯電路和介面,所述邏輯電路和介面耦合; 所述介面用於輸入和/或輸出代碼指令,所述邏輯電路用於執行所述代碼指令,以使請求項1至20任一項所述的方法被執行。
- 一種電腦可讀儲存介質,其中,所述電腦可讀儲存介質用於儲存電腦程式,當所述電腦程式被執行時,請求項1至20任一項所述的方法被執行。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210940236.8A CN117580185A (zh) | 2022-08-05 | 2022-08-05 | 信道接入方法及相关装置 |
CN2022109402368 | 2022-08-05 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202408297A true TW202408297A (zh) | 2024-02-16 |
Family
ID=89848469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112129108A TW202408297A (zh) | 2022-08-05 | 2023-08-02 | 信道接入方法及相關裝置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN117580185A (zh) |
TW (1) | TW202408297A (zh) |
WO (1) | WO2024027511A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220124804A1 (en) * | 2019-02-14 | 2022-04-21 | Lg Electronics Inc. | Method and apparatus for initial access based on a channel access priority class in a wireless communication system |
CN111867139B (zh) * | 2020-07-06 | 2022-03-01 | 上海交通大学 | 基于q学习的深度神经网络自适应退避策略实现方法及系统 |
WO2022122997A1 (en) * | 2020-12-11 | 2022-06-16 | Telefonaktiebolaget Lm Ericsson (Publ) | Predicting random access procedure performance based on ai/ml models |
CN114698138A (zh) * | 2020-12-29 | 2022-07-01 | 华为技术有限公司 | 一种信道接入方法和装置 |
CN114599115A (zh) * | 2022-02-16 | 2022-06-07 | 东南大学 | 一种无人机自组织网络信道接入方法 |
-
2022
- 2022-08-05 CN CN202210940236.8A patent/CN117580185A/zh active Pending
-
2023
- 2023-07-20 WO PCT/CN2023/108408 patent/WO2024027511A1/zh unknown
- 2023-08-02 TW TW112129108A patent/TW202408297A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
CN117580185A (zh) | 2024-02-20 |
WO2024027511A1 (zh) | 2024-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115065448B (zh) | 用于接入点的集成电路 | |
JP6133327B2 (ja) | 分散型チャネルアクセスパラメータを使用した通信 | |
KR101354130B1 (ko) | 무선랜 프레임 송수신 방법 | |
CN103052077B (zh) | 一种无线局域网obss站点空分干扰避免方法 | |
WO2003039035A2 (en) | Optimally serving stations on wlans using contention/reservation protocol 802.11e | |
CN108886809A (zh) | 唤醒窗口保护 | |
KR20140006992A (ko) | 무선랜 시스템에서의 계층화 채널 접근 방법 및 장치 | |
JP2005198307A (ja) | 無線個人領域ネットワークにおける優先順位を適用した無線通信方法 | |
CN106165513A (zh) | 用于提供高效多客户端接入的方法和装置 | |
JPWO2012120772A1 (ja) | 無線lan通信装置、無線lan通信方法及びプログラム | |
Alonso-Zárate et al. | Distributed point coordination function for IEEE 802.11 wireless ad hoc networks | |
WO2022143176A1 (zh) | 业务传输方法、装置及系统 | |
WO2024027511A1 (zh) | 信道接入方法及相关装置 | |
WO2023193657A1 (zh) | 信息交互方法及相关装置 | |
WO2023193620A1 (zh) | 信息交互方法及相关装置 | |
Derakhshani et al. | Cognitive MAC designs: Background | |
CN116057970A (zh) | 在无线局域网系统中执行用于感测的分群的方法和装置 | |
Lei et al. | QoS-oriented media access control using reinforcement learning for next-generation WLANs | |
WO2023193669A1 (zh) | 通信装置及方法 | |
Tuan et al. | Improving QoS mechanisms for IEEE 802.11 ax with overlapping basic service sets | |
WO2023134517A1 (zh) | 无线局域网中的时间资源调度方法、装置及可读存储介质 | |
WO2023066181A1 (zh) | 业务优先级确定方法以及相关装置 | |
He et al. | The analysis of IEEE 802.11 PCF protocol based on LEO satellite Wi-Fi | |
WO2023237039A1 (zh) | 信道接入方法和相关产品 | |
KR20180069749A (ko) | 무선 통신 시스템, 액세스 포인트 장치, 무선 통신 방법, 상기 방법을 수행하기 위한 프로그램 및 컴퓨터로 읽을 수 있는 기록 매체 |