WO2025138147A1 - 性能监测配置方法以及装置 - Google Patents

性能监测配置方法以及装置 Download PDF

Info

Publication number
WO2025138147A1
WO2025138147A1 PCT/CN2023/143370 CN2023143370W WO2025138147A1 WO 2025138147 A1 WO2025138147 A1 WO 2025138147A1 CN 2023143370 W CN2023143370 W CN 2023143370W WO 2025138147 A1 WO2025138147 A1 WO 2025138147A1
Authority
WO
WIPO (PCT)
Prior art keywords
performance monitoring
reference signal
rsrp
sinr
measurement
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
Application number
PCT/CN2023/143370
Other languages
English (en)
French (fr)
Inventor
王国童
王昕�
孙刚
金立强
张群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to PCT/CN2023/143370 priority Critical patent/WO2025138147A1/zh
Publication of WO2025138147A1 publication Critical patent/WO2025138147A1/zh
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic

Definitions

  • the embodiments of the present application relate to the field of communication technologies.
  • AI/ML artificial intelligence/machine learning
  • CSI feedback enhancement can include CSI prediction and CSI compression
  • beam management can include spatial beam prediction and temporal beam prediction
  • positioning enhancement can include direct positioning and AI/ML-assisted positioning.
  • an embodiment of the present application provides a performance monitoring configuration method and device.
  • a performance monitoring configuration method including:
  • a receiving unit which receives configuration information from a network device
  • the configuration information is used for beam management based on AI/ML functionality/model and performance monitoring of the AI/ML functionality/model.
  • a performance monitoring configuration method including:
  • the network device sends configuration information to the terminal device
  • a performance monitoring configuration device including:
  • a sending unit which sends configuration information to a terminal device
  • the configuration information is used for beam management based on AI/ML functionality/model and performance monitoring of the AI/ML functionality/model.
  • a communication system including:
  • a network device that sends configuration information to a terminal device
  • the terminal device receives configuration information from the network device; the configuration information is used for beam management based on AI/ML functionality/model and performance monitoring of the AI/ML functionality/model; thereby, the performance and efficiency of beam management can be improved, and the accuracy and reliability of beam management can be improved.
  • FIG1 is a schematic diagram of a communication system according to an embodiment of the present application.
  • FIG2 is a schematic diagram of a performance monitoring configuration method according to an embodiment of the present application.
  • FIG3 is a schematic diagram of a beam management method according to an embodiment of the present application.
  • FIG4 is another schematic diagram of the performance monitoring configuration method according to an embodiment of the present application.
  • the configuration information is used for beam management based on AI/ML functionality/model and performance monitoring of the AI/ML functionality/model.
  • FIG. 3 is only a schematic illustration of the embodiment of the present application, but the present application is not limited thereto.
  • the execution order between the various operations can be appropriately adjusted, and other operations can be added or some operations can be reduced.
  • Those skilled in the art can make appropriate modifications based on the above content, and are not limited to the description of the above FIG. 3.
  • gNB-side performance monitoring
  • the AI/ML functions/models for beam management are on the network/gNB side
  • separate reference signals can be configured for performance monitoring in addition to the reference signals used for measurement (set B).
  • the number of reference signals used for performance monitoring is K, and measurement results for K reference signals are reported, or measurement results for L reference signals are reported, where L is less than or equal to K.
  • a hypothetical BLER is used for performance measurement, and a second report quantity is introduced; the hypothetical BLER is included in the report for performance monitoring.
  • a new reporting quantity can be introduced.
  • the hypothetical BLER can be reported.
  • the RRC parameter reportQuantity is set to "BLER”
  • the UCI format can also be enhanced to report the hypothetical BLER.
  • the network device calculates a performance metric based on the L1-RSRP/L1-SINR of the strongest one or more or all beams, that is, for the monitored L1-RSRP/L1-SINR and the difference between the predicted L1-RSRP/L1-SINR.
  • the reference signals used for performance monitoring can be all the same as the reference signals of set A (reference signals used for inference), or, the reference signals used for performance monitoring can be partially the same as the reference signals of set A (reference signals used for inference), or, the reference signals used for performance monitoring can be a subset of set A.
  • the terminal device calculates a performance metric (i.e., beam prediction accuracy) based on the strongest one or more beams and includes it in a report for performance monitoring; wherein a first report quantity is introduced, or the report quantity of L1-RSRP/L1-SINR is reused.
  • a performance metric i.e., beam prediction accuracy
  • the UE can calculate the prediction accuracy of the Top-K/Top-1 beam and report the prediction accuracy.
  • the UE can report the prediction accuracy.
  • a new reporting quantity can be introduced (for example, the RRC parameter reportQuantity is set to 'criOnly'), and the UCI format is also enhanced to report only CRI.
  • the strongest one or more beams are included by the terminal device in a report for performance monitoring; the network device calculates a performance metric (i.e., beam prediction accuracy) based on the strongest one or more beams; wherein a first report quantity is introduced, or the report quantity of L1-RSRP/L1-SINR is reused.
  • a performance metric i.e., beam prediction accuracy
  • the strongest one or more beams based on inference are included by the terminal device in a report on inference; and the network device calculates beam prediction accuracy based on the strongest one or more beams.
  • the UE can report Top-K/Top-1 CRI, that is, only report CRI.
  • the UE reports Top-K/Top-1 CRI based on reasoning.
  • Top-K/Top-1 CRI for performance monitoring and Top-K-Top-1 CRIs for reasoning can be sent in the same report.
  • the network side calculates the beam prediction accuracy. For example, a new reporting quantity of CRI only can be introduced, or the existing reporting quantity of L1-RSRP/L1-SINR can be reused.
  • L1-RSRP/L1-SINR is used for performance measurement
  • the terminal device reports L1-RSRP/L1-SINR for performance monitoring and L1-RSRP/L1-SINR for reasoning
  • the network device calculates the difference between the L1-RSRP/L1-SINR for performance monitoring and the L1-RSRP/L1-SINR for reasoning.
  • the UE reports the L1-RSRP/L1-SINR for monitoring measurement and may also report the L1-RSRP/L1-SINR for inference.
  • the network side may calculate the difference between the L1-RSRP/L1-SINR for monitoring measurement and the L1-RSRP/L1-SINR for prediction.
  • the L1-RSRP/L1-SINR difference is used for performance measurement, and the terminal device calculates the difference between the L1-RSRP/L1-SINR for performance monitoring and the L1-RSRP/L1-SINR for reasoning, and reports the difference.
  • the UE calculates the difference between the L1-RSRP/L1-SINR used for monitoring measurement and the L1-RSRP/L1-SIN used for prediction.
  • the UE reports the difference of the L1-RSRP/L1-SINR.
  • a new reporting quantity can be introduced.
  • the RRC parameter reportQuantity is set to "RSRPDifference"
  • the UCI format can also be enhanced to report the difference of the L1-RSRP/L1-SINR.
  • a hypothetical BLER is used for performance metrics, and the terminal device reports the hypothetical BLER for performance monitoring and/or the hypothetical BLER for inference.
  • the UE reports the hypothetical BLER for monitoring measurements and/or the hypothetical BLER for predicted beams.
  • New reporting quantities may be introduced.
  • the RRC parameter reportQuantity is set to "BLER" and the UCI format may be enhanced to report the hypothetical BLER.
  • DRX/DTX is enabled and a timer or counter is enlarged or scaled for performance monitoring of AI/ML functionality/model.
  • DRX/DTX is enabled and performance monitoring of AI/ML functionality/model is suspended or stopped during DRX/DTX.
  • DRX/DTX is enabled and performance monitoring of AI/ML functionality/models remains operational during DRX/DTX.
  • the performance monitoring of the AI/ML function/model can be paused/stopped during DRX/DTX.
  • the performance monitoring of the AI/ML function/model can remain running during DRX/DTX.
  • DRX/DTX is enabled, the time window of time beam prediction falls into or overlaps with the DRX/DTX period, and the prediction results for some or all time instances are skipped.
  • DRX/DTX is enabled, the time window of time beam prediction falls into or overlaps with the DRX/DTX period, and the prediction results for some or all time instances are reported.
  • BM case-1 time beam prediction
  • the prediction window falls into the DRX/DTX period, or the prediction window overlaps with the DRX/DTX period
  • the prediction results of some (or all) time instances can be skipped.
  • the prediction window falls into the DRX/DTX period, or the prediction window overlaps with the DRX/DTX period, the prediction results of all time instances are still reported.
  • the performance monitoring of the AI/ML functionality/model is reset or restarted; wherein the AI/ML related configuration change, update or switch includes at least one of the following: AI/ML functionality/model change or update, AI/ML functionality/model switching, reference signal configuration change for performance monitoring, cell configuration change, scenario configuration change, change in the number of prediction time instances, BWP switching.
  • resetting/restarting performance monitoring e.g., resetting or restarting timers/counters
  • --Cell/scenario specific configuration/additional condition changes; for example, the UE moves into a cell with a different configuration, the number of prediction time instances changes due to UE speed changes, etc.
  • the embodiments of the present application can be applied to the terminal device side model (UE-side model) and/or the network device side model (gNB-side model).
  • the embodiments of the present application can be applied to BM case 1 (spatial beam prediction) and/or BM case 2 (temporal beam prediction).
  • the embodiment of the present application provides a performance monitoring configuration method, which is described from the perspective of a network device.
  • the embodiment of the second aspect can be combined with the embodiment of the first aspect, and the same contents as those of the embodiment of the first aspect will not be repeated.
  • the embodiment of the present application provides a performance monitoring configuration device, which may be, for example, a terminal device, or may be one or more components or assemblies configured in the terminal device, and the contents that are the same as those in the first and second aspects of the embodiment will not be repeated.
  • a performance monitoring configuration device which may be, for example, a terminal device, or may be one or more components or assemblies configured in the terminal device, and the contents that are the same as those in the first and second aspects of the embodiment will not be repeated.
  • a second reference signal set (set B) for measurement is configured, and one or more reference signals for performance monitoring are configured.
  • the reference signal for performance monitoring is the same as or at least partially the same as a reference signal in a first reference signal set (set A) for inference.
  • the reference signals for performance monitoring are a subset of a first set of reference signals (set A) for inference.
  • reporting for measurements is configured and reporting for performance monitoring is configured.
  • a reference signal for measurement and a reference signal for performance monitoring are configured together, and a measurement result for the reference signal for measurement and a measurement result for the reference signal for performance monitoring are reported together.
  • the minimum number of reference signals for which measurement results are reported in the second reference signal set (set B) is predefined or configured, and/or the maximum number of reference signals for which measurement results are reported in the second reference signal set (set B) is predefined or configured.
  • the number of reference signals used for performance monitoring is K, and measurement results for K reference signals are reported. In some embodiments, measurement results for L reference signals are reported, and L is less than or equal to K.
  • a minimum number of reference signals for which measurement results for performance monitoring are reported is predefined or configured, and/or a maximum number of reference signals for which measurement results for performance monitoring are reported is predefined or configured.
  • the strongest one or more beams are reported by the terminal device; the network device calculates a performance metric, i.e., beam prediction accuracy, based on the strongest one or more beams.
  • a first reporting quantity is introduced, or the reporting quantity of L1-RSRP/L1-SINR is reused.
  • a hypothetical BLER is used for performance measurement, and a second report quantity is introduced; the hypothetical BLER is included in the report for performance monitoring.
  • the terminal device reports the strongest L1-RSRP/L1-SINR of one or more or all beams used for performance monitoring, wherein the reported amount of L1-RSRP/L1-SINR is reused.
  • the network device calculates a performance metric based on the L1-RSRP/L1-SINR of the strongest one or more or all beams, i.e., the difference between the monitored L1-RSRP/L1-SINR and the predicted L1-RSRP/L1-SINR.
  • multiple reports are configured, one of which reports the measurement result for the reference signal used for measurement, and the other reports the measurement result for the reference signal used for performance monitoring.
  • one report is configured, the report including measurement results for a reference signal used for measurement and measurement results for a reference signal used for performance monitoring.
  • one or more reference signals for performance monitoring are configured.
  • the reference signal for performance monitoring is the same as or at least partially the same as a reference signal in a first reference signal set (set A) for inference.
  • the reference signals for performance monitoring are a subset of a first set of reference signals (set A) for inference.
  • the terminal device calculates a performance metric (i.e., beam prediction accuracy) based on the strongest one or more beams and includes it in a report for performance monitoring; wherein a first report quantity is introduced, or the report quantity of L1-RSRP/L1-SINR is reused.
  • a performance metric i.e., beam prediction accuracy
  • the strongest beam or beams are included by the terminal device in the upper bound for performance monitoring.
  • the network device calculates a performance metric (ie, beam prediction accuracy) based on the strongest one or more beams; wherein a first report quantity is introduced, or a report quantity of L1-RSRP/L1-SINR is reused.
  • one or more previous beams based on inference are included by the terminal device in a report on inference; and the network device calculates beam prediction accuracy based on the one or more previous beams.
  • L1-RSRP/L1-SINR is used for performance measurement
  • the terminal device reports L1-RSRP/L1-SINR for performance monitoring and L1-RSRP/L1-SINR for reasoning
  • the network device calculates the difference between the L1-RSRP/L1-SINR for performance monitoring and the L1-RSRP/L1-SINR for reasoning.
  • DRX/DTX is enabled and a timer or counter is incremented or amplified for performance monitoring of AI/ML functionality/model.
  • DRX/DTX is enabled, the time window of time beam prediction falls within or overlaps with the DRX/DTX period, and the prediction results for some or all time instances are skipped. In some embodiments, the prediction results for some or all time instances are reported.
  • AI/ML related configuration changes or updates or switches include at least one of the following: AI/ML functionality/model changes or updates, AI/ML functionality/model switching, reference signal configuration changes for performance monitoring, cell configuration changes, scenario configuration changes, changes in the number of prediction time instances, and BWP switching.
  • the performance monitoring configuration device 500 may further include:
  • a sending unit 503 sends beam measurement information and/or beam prediction information to a network device.
  • the performance monitoring configuration device 500 may also include other components or modules, and the specific contents of these components or modules may refer to the relevant technology.
  • FIG. 5 only exemplifies the connection relationship or signal direction between various components or modules, but it should be clear to those skilled in the art that various related technologies such as bus connection can be used.
  • the above-mentioned various components or modules can be implemented by hardware facilities such as processors, memories, transmitters, and receivers; the implementation of this application is not limited to this.
  • the terminal device receives configuration information from the network device; the configuration information is used for beam management based on AI/ML functionality/model and performance monitoring of the AI/ML functionality/model; thereby, the performance and efficiency of beam management can be improved, and the accuracy and reliability of beam management can be improved.
  • the embodiment of the present application provides a performance monitoring configuration device, which may be, for example, a network device, or may be one or more components or assemblies configured in the network device, and the same contents as those in the first to third aspects of the embodiment will not be repeated.
  • a performance monitoring configuration device which may be, for example, a network device, or may be one or more components or assemblies configured in the network device, and the same contents as those in the first to third aspects of the embodiment will not be repeated.
  • FIG6 is another schematic diagram of a performance monitoring configuration device according to an embodiment of the present application.
  • a performance monitoring configuration device 600 includes:
  • a sending unit 601 sends configuration information to a terminal device, wherein the configuration information is used for beam management based on AI/ML functionality/model and performance monitoring of the AI/ML functionality/model.
  • the receiving unit 602 receives the beam measurement information and/or beam prediction information sent by the terminal device.
  • the performance monitoring configuration device 600 may also include other components or modules, and for the specific contents of these components or modules, reference may be made to the relevant technologies.
  • the embodiment of the present application also provides a terminal device, but the present application is not limited thereto and may also be other devices.
  • the method/device described in conjunction with the embodiments of the present application may be directly embodied as hardware, a software module executed by a processor, or a combination of the two.
  • a software module executed by a processor or a combination of the two.
  • one or more of the functional block diagrams shown in the figure and/or one or more combinations of the functional block diagrams It can correspond to each software module of the computer program flow, or it can correspond to each hardware module.
  • These software modules can correspond to each step shown in the figure.
  • These hardware modules can be implemented by solidifying these software modules using a field programmable gate array (FPGA), for example.
  • FPGA field programmable gate array
  • the software module may be stored in the MEGA-SIM card or the large-capacity flash memory device.
  • the functional blocks described in the drawings and/or one or more combinations of functional blocks it can be implemented as a general-purpose processor, digital signal processor (DSP), application-specific integrated circuit (ASIC), field programmable gate array (FPGA) or other programmable logic device, discrete gate or transistor logic device, discrete hardware component or any appropriate combination thereof for performing the functions described in the present application.
  • DSP digital signal processor
  • ASIC application-specific integrated circuit
  • FPGA field programmable gate array
  • it can also be implemented as a combination of computing devices, such as a combination of a DSP and a microprocessor, multiple microprocessors, one or more microprocessors in communication with a DSP, or any other such configuration.
  • a performance monitoring configuration method comprising:
  • the terminal device receives configuration information from the network device
  • the configuration information is used for beam management based on AI/ML functionality/model and performance monitoring of the AI/ML functionality/model.
  • a performance monitoring configuration method comprising:

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请实施例提供一种性能监测配置方法以及装置。所述性能监测配置方法包括：终端设备接收来自网络设备的配置信息；其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。

Description

性能监测配置方法以及装置 技术领域
本申请实施例涉及通信技术领域。
背景技术
在NR Rel-18中，对空口的人工智能/机器学习(AI/ML)进行了研究。AI/ML可用于以下用例：信道状态信息(CSI)反馈增强、波束管理、定位增强。CSI反馈增强可以包括CSI预测、CSI压缩；波束管理可以包括空间波束预测、时间波束预测；定位增强可以包括直接定位、AI/ML辅助定位。
在一些子用例中，可以使用双边模型，即AI/ML模型在终端设备侧和网络设备侧。在另一些子用例中，可以使用单侧模型，即AI/ML模型在终端设备侧或在网络设备侧。对于波束管理，AI/ML模型可以在终端设备侧和/或在网络设备侧。
应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
发明人发现：终端设备和/或网络设备能够利用AI/ML功能(functionality)/模型(model)并根据波束测量结果对波束进行预测，但AI/ML功能/模型的性能监测(performance monitoring)，目前还没有明确的方案。
针对上述问题的至少之一，本申请实施例提供一种性能监测配置方法以及装置。
根据本申请实施例的一个方面，提供一种性能监测配置方法，包括：
终端设备接收来自网络设备的配置信息；
其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
根据本申请实施例的另一个方面，提供一种性能监测配置装置，包括：
接收单元，其接收来自网络设备的配置信息；
其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
根据本申请实施例的另一个方面，提供一种性能监测配置方法，包括：
网络设备向终端设备发送配置信息；
其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
根据本申请实施例的另一个方面，提供一种性能监测配置装置，包括：
发送单元，其向终端设备发送配置信息；
其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
根据本申请实施例的另一个方面，提供一种通信系统，包括：
网络设备，其向终端设备发送配置信息；
终端设备，其接收所述配置信息，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
本申请实施例的有益效果之一在于：终端设备接收来自网络设备的配置信息；所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测；由此，能够提升波束管理的性能和效率，并提高波束管理的准确性和可靠性。
参照后文的说明和附图，详细公开了本申请的特定实施方式，指明了本申请的原理可以被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本申请的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
在本申请实施例的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。此外，在附图中，类似的标号表示几个附图中对应的部件，并可用于指示多于一种实施方式中使用的对应部件。
图1是本申请实施例的通信系统的示意图；
图2是本申请实施例的性能监测配置方法的一个示意图；
图3是本申请实施例的波束管理方法的一示意图；
图4是本申请实施例的性能监测配置方法的另一个示意图；
图5是本申请实施例的性能监测配置装置的一个示意图；
图6是本申请实施例的性能监测配置装置的另一个示意图；
图7是本申请实施例的终端设备的一个示意图；
图8是本申请实施例的网络设备的一个示意图。
具体实施方式
参照附图，通过下面的说明书，本申请的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本申请的特定实施方式，其表明了其中可以采用本申请的原则的部分实施方式，应了解的是，本申请不限于所描述的实施方式，相反，本申请包括落入所附权利要求的范围内的全部修改、变型以及等同物。
在本申请实施例中，术语“第一”、“第二”等用于对不同元素从称谓上进行区分，但并不表示这些元素的空间排列或时间顺序等，这些元素不应被这些术语所限制。术语“和/或”包括相关联列出的术语的一种或多个中的任何一个和所有组合。术语“包含”、“包括”、“具有”等是指所陈述的特征、元素、元件或组件的存在，但并不排除存在或添加一个或多个其他特征、元素、元件或组件。
在本申请实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“所述”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据……”，术语“基于”应理解为“至少部分基于……”，除非上下文另外明确指出。
在本申请实施例中，术语“通信网络”或“无线通信网络”可以指符合如下任意通信标准的网络，例如长期演进(LTE，Long Term Evolution)、增强的长期演进(LTE-A，LTE-Advanced)、宽带码分多址接入(WCDMA，Wideband Code Division Multiple Access)、高速报文接入(HSPA，High-Speed Packet Access)等等。
并且，通信系统中设备之间的通信可以根据任意阶段的通信协议进行，例如可以包括但不限于如下通信协议：1G(generation)、2G、2.5G、2.75G、3G、4G、4.5G以及5G、新无线(NR，New Radio)、未来的6G等等，和/或其他目前已知或未来将被开发的通信协议。
在本申请实施例中，术语“网络设备”例如是指通信系统中将终端设备接入通信网络并为该终端设备提供服务的设备。网络设备可以包括但不限于如下设备：基站(BS，Base Station)、接入点(AP、Access Point)、发送接收点(TRP，Transmission Reception Point)、广播发射机、移动管理实体(MME、Mobile Management Entity)、网关、服务器、无线网络控制器(RNC，Radio Network Controller)、基站控制器(BSC，Base Station Controller)等等。
其中，基站可以包括但不限于：节点B(NodeB或NB)、演进节点B(eNodeB或eNB)以及5G基站(gNB)，IAB宿主等等，此外还可包括远端无线头(RRH，Remote Radio Head)、远端无线单元(RRU，Remote Radio Unit)、中继(relay)或者低功率节点(例如femeto、pico等等)。并且术语“基站”可以包括它们的一些或所有功能，每个基站可以对特定的地理区域提供通信覆盖。术语“小区”可以指的是基站和/或其覆盖区域，这取决于使用该术语的上下文。
在本申请实施例中，术语“用户设备”(UE，User Equipment)或者“终端设备”(TE，Terminal Equipment或Terminal Device)例如是指通过网络设备接入通信网络并接收网络服务的设备。终端设备可以是固定的或移动的，并且也可以称为移动台(MS，Mobile Station)、终端、用户台(SS，Subscriber Station)、接入终端(AT，Access Terminal)、站，等等。
其中，终端设备可以包括但不限于如下设备：蜂窝电话(Cellular Phone)、个人数字助理(PDA，Personal Digital Assistant)、无线调制解调器、无线通信设备、手持设备、机器型通信设备、膝上型计算机、无绳电话、智能手机、智能手表、数字相机，等等。
再例如，在物联网(IoT，Internet of Things)等场景下，终端设备还可以是进行监控或测量的机器或装置，例如可以包括但不限于：机器类通信(MTC，Machine Type Communication)终端、车载通信终端、设备到设备(D2D，Device to Device)终端、机器到机器(M2M，Machine to Machine)终端，等等。
此外，术语“网络侧”或“网络设备侧”是指网络的一侧，可以是某一基站，也可以包括如上的一个或多个网络设备。术语“用户侧”或“终端侧”或“终端设备侧”是指用户或终端的一侧，可以是某一UE，也可以包括如上的一个或多个终端设备。本文在没有特别指出的情况下，“设备”可以指网络设备，也可以指终端设备。
以下通过示例对本申请实施例的场景进行说明，但本申请不限于此。
图1是本申请实施例的通信系统的示意图，示意性说明了以终端设备和网络设备为 例的情况，如图1所示，通信系统100可以包括网络设备101和终端设备102、103。为简单起见，图1仅以两个终端设备和一个网络设备为例进行说明，但本申请实施例不限于此。
在本申请实施例中，网络设备101和终端设备102、103之间可以进行现有的业务或者未来可实施的业务发送。例如，这些业务可以包括但不限于：增强的移动宽带(eMBB，enhanced Mobile Broadband)、大规模机器类型通信(mMTC，massive Machine Type Communication)和高可靠低时延通信(URLLC，Ultra-Reliable and Low-Latency Communication)，等等。
值得注意的是，图1示出了两个终端设备102、103均处于网络设备101的覆盖范围内，但本申请不限于此。两个终端设备102、103可以均不在网络设备101的覆盖范围内，或者一个终端设备102在网络设备101的覆盖范围之内而另一个终端设备103在网络设备101的覆盖范围之外。
在本申请实施例中，高层信令例如可以是无线资源控制(RRC)信令；例如称为RRC消息(RRC message)，例如包括MIB、系统信息(system information)、专用RRC消息；或者称为RRC IE(RRC information element)。高层信令例如还可以是MAC(Medium Access Control)信令；或者称为MAC CE(MAC control element)。但本申请不限于此。
用于波束管理的AI/ML功能/模型的性能需要被监测，以便可以执行相应的AI/ML功能/模型的控制，例如激活(activation)/去激活(deactivation)/选择(selection)/切换(switching)/回退(fallback)。
例如，可以进行网络设备侧监测(network-side monitoring)，由网络侧来监测性能度量(performance metric)，并且由网络侧做出激活(activation)/去激活(deactivation)/选择(selection)/切换(switching)/回退(fallback)的决定。
再例如，可以进行终端设备侧监测(UE-side monitoring)，由终端侧来监测性能度量(performance metric)，并且由终端侧做出激活(activation)/去激活(deactivation)/选择(selection)/切换(switching)/回退(fallback)的决定。
又例如，可以进行混合监测(hybrid monitoring)，由终端侧来监测性能度量(performance metric)，并且由网络侧做出激活(activation)/去激活(deactivation)/选择(selection)/切换(switching)/回退(fallback)的决定。
在本申请实施例中，网络设备和/或终端设备中可以配置并运行一个或多个AI/ML 模型。AI/ML模型可以用于无线通信的各种信号处理功能，例如CSI预测、CSI压缩、波束预测、定位管理等等；本申请不限于此。
第一方面的实施例
本申请实施例提供一种性能监测配置方法，从终端设备侧进行说明。
图2是本申请实施例的性能监测配置方法的一个示意图，如图2所示，该方法包括：
201，终端设备接收来自网络设备的配置信息；
其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
值得注意的是，以上附图2仅对本申请实施例进行了示意性说明，但本申请不限于此。例如可以适当地调整各个操作之间的执行顺序，此外还可以增加其他的一些操作或者减少其中的某些操作。本领域的技术人员可以根据上述内容进行适当地变型，而不仅限于上述附图2的记载。
在一些实施例中，功能(functionality)是指由配置(configuration)启用的AI/ML特征(feature)/特征组(feature group)，其中该配置基于由UE能力指示的条件而被支持。
例如，AL/ML功能可以是一个或多个功能，或者，可以是一个或多个逻辑模型，或者，可以是一个或多个子功能，或者，可以是一个或多个特征，或者，可以是一个或多个特征组。
再例如，功能可以是使用AI/ML进行空间波束预测，或者，也可以是使用AI/ML进行时间波束预测，或者，也可以是将AI/ML用于CSI预测，或者，也可以是将AI/ML用于直接定位，或者，也可以是使用AI/ML辅助定位，等等。
在一些实施例中，进行波束管理的配置信息可以包括用于波束管理或波束测量的一个或多个参考信号的配置信息，例如CSI-RS配置信息等等。本申请不限于此，关于具体的配置信息还可以参考相关技术。
在一些实施例中，一个或多个参考信号被用于测量并且测量结果被输入所述AI/ML功能(functionality)/模型(model)，另一个或多个参考信号被用于所述AI/ML功能(functionality)/模型(model)的输出以进行推理(inference)。
图3是本申请实施例的波束管理方法的另一示意图，以终端设备配置有AIML为例进行说明。如图3所示，该方法包括：
301，终端设备接收来自网络设备的配置信息；例如，配置信息包括用于波束测量的第二参考信号资源集合(set B)和用于波束预测的第一参考信号资源集合(set A)；
302，终端设备进行波束测量，并将波束测量的结果输入AI/ML功能(functionality)/模型(model)；例如，将set B中的参考信号的测量结果作为AI/ML的输入，将set A中的参考信号用于预测(或称为推理)；以及
303，终端设备将波束预测结果发送给网络设备。
例如，AI/ML功能位于终端设备侧。在启用或激活AI/ML功能之后，终端设备根据来自网络侧的参考信号进行波束测量，根据波束测量结果使用AI/ML来进行波束预测，并将预测结果发送给网络设备。
值得注意的是，以上附图3仅对本申请实施例进行了示意性说明，但本申请不限于此。例如可以适当地调整各个操作之间的执行顺序，此外还可以增加其他的一些操作或者减少其中的某些操作。本领域的技术人员可以根据上述内容进行适当地变型，而不仅限于上述附图3的记载。
以上示意性说明了基于AI/ML的波束管理，以下再对性能监测进行说明。
在一些实施例中，针对网络侧性能监测，用于测量的第二参考信号集合(set B)被配置，并且用于性能监测的一个或多个参考信号被配置；
其中，所述用于性能监测的参考信号与用于推理的第一参考信号集合(set A)中的参考信号相同或者至少部分相同，或者，所述用于性能监测的参考信号是用于推理的第一参考信号集合(set A)的子集。
例如，对于网络侧(gNB侧)性能监测(即，用于波束管理的AI/ML功能/模型在网络/gNB侧)，除了用于测量的参考信号(set B)之外，可以配置单独的参考信号用于性能监测。
例如，用于性能监测的参考信号可以与用于推理的参考信号(即，set A中的RS)全部相同，或者，用于性能监测的参考信号可以与用于推理的参考信号(即，set A中的RS)部分相同，或者，用于性能监测的参考信号可以是set A的子集。
在一些实施例中，针对网络侧性能监测，用于测量的上报被配置，并且用于性能监测的上报被配置。
例如，对于网络侧(gNB侧)性能监测，除了测量报告(针对Set B的报告)外，还可以为性能监测的RS配置单独的报告。该报告的上报量(report quantity)可以重用现有的上报量，也可以是新引入的上报量。
在一些实施例中，针对网络侧性能监测，用于测量的参考信号和用于性能监测的参考信号一起被配置，并且，针对所述用于测量的参考信号的测量结果和针对所述用于性能监测的参考信号的测量结果一起被上报。
例如，对于网络侧(gNB侧)性能监测，用于性能监测的RS和用于测量的RS可以一起配置，即，通过相同的上报配置。set B的测量结果和性能监测RS的测量结果可以在同一上报中提供给网络设备。
在一些实施例中，针对网络侧性能监测，用于测量的第二参考信号集合(set B)中参考信号的数目为M，针对M个参考信号的测量结果被上报，或者针对N个参考信号的测量结果被上报，N小于或等于M。
例如，对于网络侧(gNB侧)性能监测(即，用于波束管理的AI/ML功能/模型在网络/gNB侧)，如果用于测量的参考信号(set B)的数量是M，则上报set B中所有M个参考信号的测量结果。
再例如，对于网络侧(gNB侧)性能监测(即，用于波束管理的AI/ML功能/模型在网络/gNB侧)，如果用于测量的参考信号(set B)的数量是M，则上报set B中的参考信号的子集，例如，报告N个参考信号的测量结果，N＜＝M。
在一些实施例中，所述第二参考信号集合(set B)中测量结果被上报的参考信号的最小数目被预定义或被配置，和/或，所述第二参考信号集合(set B)中测量结果被上报的参考信号的最大数目被预定义或被配置。
例如，set B中上报测量结果的RS的最小数量，例如X1，可以是预定义的或配置的(在一个示例中，X1可以大于4)。或者，可以预定义或配置set B中上报测量结果的RS的最大数量，例如X2(在一个示例中，X2可以大于4)。
在一些实施例中，针对网络侧性能监测，用于性能监测的参考信号的数目为K，针对K个参考信号的测量结果被上报，或者针对L个参考信号的测量结果被上报，L小于或等于K。
例如，对于网络侧(gNB侧)性能监测(即，用于波束管理的AI/ML功能/模型在网络/gNB侧)，如果用于性能监测的参考信号的数量是K，则上报用于性能监测的所有K个参考信号的测量结果。
再例如，对于网络侧(gNB侧)性能监测(即，用于波束管理的AI/ML功能/模型在网络/gNB侧)，如果用于性能监测的参考信号的数量是K，则上报用于性能监测的参考信号中的子集，例如，报告L个参考信号的测量结果，L＜＝K。
在一些实施例中，用于性能监测的测量结果被上报的参考信号的最小数目被预定义或被配置，和/或，用于性能监测的测量结果被上报的参考信号的最大数目被预定义或被配置。
例如，用于性能监测的参考信号中上报测量结果的RS的最小数量，例如Y1，可以是预定义的或配置的(在一个示例中，Y1可以大于4)。或者，用于性能监测的参考信号中上报测量结果的RS的最大数量，例如Y2，可以是预定义的或配置的(在一个示例中，Y2可以大于4)。
以上示例性示出了网络侧监测的一些情况，以下再说明性能监测度量。
在一些实施例中，针对网络侧性能监测，最强的一个或多个波束被所述终端设备上报；所述网络设备根据所述最强的一个或多个波束计算性能度量(performance metric)，即波束预测精度；其中，第一上报量(report quantity)被引入，或者，L1-RSRP/L1-SINR的上报量被重用。
例如，对于NW侧监测，UE可以上报Top K/Top-1波束，即CSI-RS资源指示(CRI，CSI-RS Resource Indicator)。可以引入新的上报量，即仅CRI报告(例如，RRC参数reportQuantity设置为“criOnly”)。UCI格式也增强为仅报告CRI。在报告中，仅上报CRI(K个CRI或1个CRI)。网络侧，即gNB侧将计算性能度量(波束预测精度)。在另一个示例中，L1-RSRP/L1-SINR的现有上报量可以重用。
在一些实施例中，针对网络侧性能监测，假定(hypothetical)BLER被用于性能度量，则第二上报量(report quantity)被引入；在针对性能监测的上报中包括假定(hypothetical)BLER。
例如，对于NW侧监测，如果hypothetical BLER用作性能度量，则可以引入新上报量。在监测报告中，可以上报hypothetical BLER。例如，RRC参数reportQuantity设置为“BLER”，还可以增强UCI格式以上报hypothetical BLER。
在一些实施例中，针对网络侧性能监测，所述终端设备上报用于性能监测的最强的一个或多个或所有波束的L1-RSRP/L1-SINR，其中L1-RSRP/L1-SINR的上报量被重用。
例如，对于NW侧监测，UE可以上报用于监测的配置的参考信号的top K个波束/Top-1个波束/所有波束的L1-RSRP/L1-SINR。L1-RSRP/L1-SINR的现有上报量可以重用。
在一些实施例中，所述网络设备根据所述最强的一个或多个或所有波束的L1-RSRP/L1-SINR计算性能度量(performance metric)，即针对监测的L1-RSRP/L1-SINR 与针对预测的L1-RSRP/L1-SINR之间的差值。
例如，网络侧可以计算性能度量，即针对性能监测的测量的L1-RSRP/L1-SINR与用于波束预测的测量的L1-RSR P/L1-SIN之间的差。
在一些实施例中，多个上报被配置，其中一个上报针对用于测量的参考信号的测量结果，另一个上报针对用于性能监测的参考信号的测量结果。
在一些实施例中，一个上报被配置，所述上报针对用于测量的参考信号的测量结果和针对用于性能监测的参考信号的测量结果。
例如，可以配置多个上报，例如L1-RSRP/L1-SINR的两个上报。一个上报用于set B的测量结果，另一个上报则用于性能监测的测量结果。或者，相同的一个上报可用于携带L1-RSRP/L1-SINR，既用于set B的测量结果也用于性能监测的测量结果。
在一些实施例中，针对混合(hybrid)性能监测，用于性能监测的一个或多个参考信号被配置；其中，所述用于性能监测的参考信号与用于推理的第一参考信号集合(set A)中的参考信号相同或者至少部分相同，或者，所述用于性能监测的参考信号是用于推理的第一参考信号集合(set A)的子集。
例如，对于混合监测，(即，AI/ML功能/模型在UE侧，UE向gNB侧报告测量/性能度量，并且gNB侧做出决定)，用于性能监测的参考信号可以与set A的参考信号(用于推断的参考信号)全部相同，或者，用于性能监测的参考信号可以与set A的参考信号(用于推断的参考信号)部分相同，或者，用于性能监测的参考信号可以是set A的子集。
在一些实施例中，所述终端设备根据最强的一个或多个波束计算性能度量(即波束预测精度)并包括在针对性能监测的上报中；其中，第一上报量(report quantity)被引入，或者，L1-RSRP/L1-SINR的上报量被重用。
例如，UE可以计算Top-K/Top-1波束的预测精度并报告预测精度。在用于性能监测的上报中，UE可以上报预测精度，例如可以引入新上报量(例如，RRC参数reportQuantity设置为'criOnly')，UCI格式也增强为仅报告CRI。
在一些实施例中，最强的一个或多个波束被所述终端设备包括在针对性能监测的上报中；所述网络设备根据所述最强的一个或多个波束计算性能度量(即波束预测精度)；其中，第一上报量(report quantity)被引入，或者，L1-RSRP/L1-SINR的上报量被重用。
在一些实施例中，基于推理的最强一个或多个波束被所述终端设备包括在针对推理的上报中；所述网络设备根据所述最强一个或多个波束计算波束预测精度。
例如，在用于性能监测的上报中，UE可以上报Top-K/Top-1 CRI，即仅报告CRI。在用于推理的上报中，UE基于推理上报Top-K/Top-1 CRI。或者，用于性能监测的Top-K/Top-1 CRI和用于推理的Top-K-Top-1 CRIs可以在同一上报中发送。网络侧计算波束预测精度。例如，可以引入CRI only的新上报量，或者，可以重用L1-RSRP/L1-SINR的现有上报量。
在一些实施例中，L1-RSRP/L1-SINR被用于性能度量，所述终端设备上报针对性能监测的L1-RSRP/L1-SINR和针对推理的L1-RSRP/L1-SINR，所述网络设备计算所述针对性能监测的L1-RSRP/L1-SINR和所述针对推理的L1-RSRP/L1-SINR之间的差值。
例如，如果L1-RSRP/L1-SINR被用作性能度量，则UE上报用于监测测量的L1-RSRP/L1-SINR，并且还可以上报用于推理的L1-RSRP/L1-SINR。网络侧可以计算用于监测测量的L1-RSRP/L1-SINR与用于预测的L1-RSRP/L1-SINR之间的差值。
在一些实施例中，L1-RSRP/L1-SINR差值被用于性能度量，所述终端设备计算针对性能监测的L1-RSRP/L1-SINR和针对推理的L1-RSRP/L1-SINR之间的差值，并上报所述差值。
例如，UE计算用于监测测量的L1-RSRP/L1-SINR与用于预测的L1-RSRP/L1-SIN之间的差值。UE上报该L1-RSRP/L1-SINR的差值。例如，可以引入新上报量。例如，RRC参数reportQuantity设置为“RSRPDifference”，还可以增强UCI格式以上报L1-RSRP/L1-SINR的差值。
在一些实施例中，假定(hypothetical)BLER被用于性能度量，所述终端设备上报针对性能监测的假定(hypothetical)BLER和/或针对推理的假定(hypothetical)BLER。
例如，如果hypothetical BLER被用作性能度量，则UE报告用于监测测量的hypothetical BLER，和/或，用于预测波束的hypothetical BLER。可以引入新上报量。例如，RRC参数reportQuantity设置为“BLER”，还可以增强UCI格式以报告hypothetical BLER。
以下再对具有非连续接收(DRX，Discontinuous Reception)/非连续发送(DTX，Discontinuous Transmission)的性能监测进行说明。
在一些实施例中，DRX/DTX被启用，针对AI/ML功能(functionality)/模型(model)的性能监测，定时器或计数器被增大(enlarged)或放大(scaled)。
例如，当启用DRX/DTX时，例如，在UE处启用DRX和/或在gNB处启用DTX，则对于AI/ML功能/模型的性能监测，放大/缩放定时器/计数器。例如，对于非DRX情 况，评估窗口长度为TnonDRX，那么当启用DRX时，评估窗口长度可以是s×TnonDRX，其中s是缩放因子，s可以预定义或配置。
在一些实施例中，DRX/DTX被启用，针对AI/ML功能(functionality)/模型(model)的性能监测在DRX/DTX期间被暂停或停止。
在一些实施例中，DRX/DTX被启用，针对AI/ML功能(functionality)/模型(model)的性能监测在DRX/DTX期间保持运行。
例如，当启用DRX/DTX时，AI/ML功能/模型的性能监测可以在DRX/DTX期间被暂停/停止。再例如，当启用DRX/DTX时，AI/ML功能/模型的性能监测可以在DRX/DTX期间保持运行。
在一些实施例中，DRX/DTX被启用，时间波束预测的时间窗落入DRX/DTX期间或者与DRX/DTX期间重叠，针对部分或全部的时间实例(time instance)的预测结果被跳过(skipped)。
在一些实施例中，DRX/DTX被启用，时间波束预测的时间窗落入DRX/DTX期间(period)或者与DRX/DTX期间重叠，针对部分或全部的时间实例(time instance)的预测结果被上报。
例如，对于BM case-1(时间波束预测)，如果预测窗口落入DRX/DTX期间，或者，预测窗口与DRX/DTX期间重叠，则可以跳过一些(或所有)时间实例的预测结果。再例如，对于BM case-1(时间波束预测)，如果预测窗口落入DRX/DTX期间，或者，预测窗口与DRX/DTX期间重叠，则仍然报告所有时间实例的预测结果。
在一些实施例中，AI/ML相关配置改变或更新或切换，则所述AI/ML功能(functionality)/模型(model)的性能监测被重置(reset)或重启(restarted)；其中，AI/ML相关配置改变或更新或切换包括如下至少之一：AI/ML功能(functionality)/模型(model)改变或更新、AI/ML功能(functionality)/模型(model)发生切换、用于性能监测的参考信号配置改变、小区配置改变、场景配置改变、预测时间实例数目改变、BWP切换。
例如，当发生以下情况时，重置/重新启动用于波束管理的AI/ML的性能监测(例如，重置或重新启动计时器/计数器)：
-与AI/ML相关的配置更改，例如
--发生AI/ML功能/模型更改(change)/更新(update)或AI/ML功能/模型切换(switching)；
--用于性能监测的参考信号配置变化；
--小区/场景特定的配置/附加条件变化；例如，UE移动到具有不同配置的小区中，由于UE速度变化而导致的预测时间实例的数量变化等。
-BWP切换到具有不同AI/ML配置的目标BWP。
本申请的实施例可以应用于终端设备侧模型(UE-side model)和/或网络设备侧模型(gNB-side model)。此外，本申请的实施例可以应用于BM case 1(空间波束预测)和/或BM case 2(时间波束预测)。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
由上述实施例可知，终端设备接收来自网络设备的配置信息；所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测；由此，能够提升波束管理的性能和效率，并提高波束管理的准确性和可靠性。
第二方面的实施例
本申请实施例提供一种性能监测配置方法，从网络设备侧进行说明。第二方面的实施例可以与第一方面的实施例结合起来，与第一方面的实施例相同的内容不再赘述。
图4是本申请实施例的性能监测配置方法的另一个示意图，如图4所示，该方法包括：
401，网络设备向终端设备发送配置信息；
其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
由上述实施例可知，终端设备接收来自网络设备的配置信息；所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测；由此，能够提升波束管理的性能和效率，并提高波束管理的准确性和可靠性。
第三方面的实施例
本申请实施例提供一种性能监测配置装置。该装置例如可以是终端设备，也可以是配置于终端设备的某个或某些部件或者组件，与第一、二方面的实施例相同的内容不再赘述。
图5是本申请实施例的性能监测配置装置的一示意图，如图5所示，本申请实施例的性能监测配置装置500包括：
接收单元501，其接收来自网络设备的配置信息；所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
在一些实施例中，针对网络侧性能监测，用于测量的第二参考信号集合(set B)被配置，并且用于性能监测的一个或多个参考信号被配置。
在一些实施例中，所述用于性能监测的参考信号与用于推理的第一参考信号集合(set A)中的参考信号相同或者至少部分相同。
在一些实施例中，所述用于性能监测的参考信号是用于推理的第一参考信号集合(set A)的子集。
在一些实施例中，针对网络侧性能监测，用于测量的上报被配置，并且用于性能监测的上报被配置。
在一些实施例中，针对网络侧性能监测，用于测量的参考信号和用于性能监测的参考信号一起被配置，并且，针对所述用于测量的参考信号的测量结果和针对所述用于性能监测的参考信号的测量结果一起被上报。
在一些实施例中，针对网络侧性能监测，用于测量的第二参考信号集合(set B)中参考信号的数目为M，针对M个参考信号的测量结果被上报。在一些实施例中，针对N个参考信号的测量结果被上报，N小于或等于M。
在一些实施例中，所述第二参考信号集合(set B)中测量结果被上报的参考信号的最小数目被预定义或被配置，和/或，所述第二参考信号集合(set B)中测量结果被上报的参考信号的最大数目被预定义或被配置。
在一些实施例中，针对网络侧性能监测，用于性能监测的参考信号的数目为K，针对K个参考信号的测量结果被上报。在一些实施例中，针对L个参考信号的测量结果被上报，L小于或等于K。
在一些实施例中，用于性能监测的测量结果被上报的参考信号的最小数目被预定义或被配置，和/或，用于性能监测的测量结果被上报的参考信号的最大数目被预定义或被配置。
在一些实施例中，针对网络侧性能监测，最强的一个或多个波束被所述终端设备上报；所述网络设备根据所述最强的一个或多个波束计算性能度量(performance metric)，即波束预测精度。
在一些实施例中，第一上报量(report quantity)被引入，或者，L1-RSRP/L1-SINR的上报量被重用。
在一些实施例中，针对网络侧性能监测，假定(hypothetical)BLER被用于性能度量，则第二上报量(report quantity)被引入；在针对性能监测的上报中包括假定(hypothetical)BLER。
在一些实施例中，针对网络侧性能监测，所述终端设备上报用于性能监测的最强的一个或多个或所有波束的L1-RSRP/L1-SINR，其中L1-RSRP/L1-SINR的上报量被重用。
在一些实施例中，所述网络设备根据所述最强的一个或多个或所有波束的L1-RSRP/L1-SINR计算性能度量(performance metric)，即针对监测的L1-RSRP/L1-SINR与针对预测的L1-RSRP/L1-SINR之间的差值。
在一些实施例中，多个上报被配置，其中一个上报针对用于测量的参考信号的测量结果，另一个上报针对用于性能监测的参考信号的测量结果。
在一些实施例中，一个上报被配置，所述上报针对用于测量的参考信号的测量结果和针对用于性能监测的参考信号的测量结果。
在一些实施例中，针对混合(hybrid)性能监测，用于性能监测的一个或多个参考信号被配置。
在一些实施例中，所述用于性能监测的参考信号与用于推理的第一参考信号集合(set A)中的参考信号相同或者至少部分相同。
在一些实施例中，所述用于性能监测的参考信号是用于推理的第一参考信号集合(set A)的子集。
在一些实施例中，所述终端设备根据最强的一个或多个波束计算性能度量(即波束预测精度)并包括在针对性能监测的上报中；其中，第一上报量(report quantity)被引入，或者，L1-RSRP/L1-SINR的上报量被重用。
在一些实施例中，最强的一个或多个波束被所述终端设备包括在针对性能监测的上 报中；所述网络设备根据所述最强的一个或多个波束计算性能度量(即波束预测精度)；其中，第一上报量(report quantity)被引入，或者，L1-RSRP/L1-SINR的上报量被重用。
在一些实施例中，基于推理的前一个或多个波束被所述终端设备包括在针对推理的上报中；所述网络设备根据所述前一个或多个波束计算波束预测精度。
在一些实施例中，L1-RSRP/L1-SINR被用于性能度量，所述终端设备上报针对性能监测的L1-RSRP/L1-SINR和针对推理的L1-RSRP/L1-SINR，所述网络设备计算所述针对性能监测的L1-RSRP/L1-SINR和所述针对推理的L1-RSRP/L1-SINR之间的差值。
在一些实施例中，L1-RSRP/L1-SINR差值被用于性能度量，所述终端设备计算针对性能监测的L1-RSRP/L1-SINR和针对推理的L1-RSRP/L1-SINR之间的差值，并上报所述差值。
在一些实施例中，假定(hypothetical)BLER被用于性能度量，所述终端设备上报针对性能监测的假定(hypothetical)BLER和/或针对推理的假定(hypothetical)BLER。
在一些实施例中，DRX/DTX被启用，针对AI/ML功能(functionality)/模型(model)的性能监测，定时器或计数器被增大或放大。
在一些实施例中，DRX/DTX被启用，针对AI/ML功能(functionality)/模型(model)的性能监测在DRX/DTX期间被暂停或停止。在一些实施例中，针对AI/ML功能(functionality)/模型(model)的性能监测在DRX/DTX期间保持运行。
在一些实施例中，DRX/DTX被启用，时间波束预测的时间窗落入DRX/DTX期间或者与DRX/DTX期间重叠，针对部分或全部的时间实例(time instance)的预测结果被跳过(skipped)。在一些实施例中，针对部分或全部的时间实例(time instance)的预测结果被上报。
在一些实施例中，AI/ML相关配置改变或更新或切换，则所述AI/ML功能(functionality)/模型(model)的性能监测被重置(reset)或重启(restarted)。
在一些实施例中，AI/ML相关配置改变或更新或切换包括如下至少之一：AI/ML功能(functionality)/模型(model)改变或更新、AI/ML功能(functionality)/模型(model)发生切换、用于性能监测的参考信号配置改变、小区配置改变、场景配置改变、预测时间实例数目改变、BWP切换。
在一些实施例中，如图5所示，性能监测配置装置500还可以包括：
处理单元502，其进行波束测量和/或波束预测；以及
发送单元503，其向网络设备发送波束测量信息和/或波束预测信息。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
值得注意的是，以上仅对与本申请相关的各部件或模块进行了说明，但本申请不限于此。性能监测配置装置500还可以包括其他部件或者模块，关于这些部件或者模块的具体内容，可以参考相关技术。
此外，为了简单起见，图5中仅示例性示出了各个部件或模块之间的连接关系或信号走向，但是本领域技术人员应该清楚的是，可以采用总线连接等各种相关技术。上述各个部件或模块可以通过例如处理器、存储器、发射机、接收机等硬件设施来实现；本申请实施并不对此进行限制。
由上述实施例可知，终端设备接收来自网络设备的配置信息；所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测；由此，能够提升波束管理的性能和效率，并提高波束管理的准确性和可靠性。
第四方面的实施例
本申请实施例提供一种性能监测配置装置。该装置例如可以是网络设备，也可以是配置于网络设备的某个或某些部件或者组件，与第一至三方面的实施例相同的内容不再赘述。
图6是本申请实施例的性能监测配置装置的另一示意图，如图6所示，性能监测配置装置600包括：
发送单元601，其向终端设备发送配置信息；其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
在一些实施例中，如图6所示，性能监测配置装置600还可以包括：
接收单元602，其接收所述终端设备发送的波束测量信息和/或波束预测信息。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
值得注意的是，以上仅对与本申请相关的各部件或模块进行了说明，但本申请不限 于此。性能监测配置装置600还可以包括其他部件或者模块，关于这些部件或者模块的具体内容，可以参考相关技术。
此外，为了简单起见，图6中仅示例性示出了各个部件或模块之间的连接关系或信号走向，但是本领域技术人员应该清楚的是，可以采用总线连接等各种相关技术。上述各个部件或模块可以通过例如处理器、存储器、发射机、接收机等硬件设施来实现；本申请实施并不对此进行限制。
由上述实施例可知，终端设备接收来自网络设备的配置信息；所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测；由此，能够提升波束管理的性能和效率，并提高波束管理的准确性和可靠性。
第五方面的实施例
本申请实施例还提供一种通信系统，可以参考图1，与第一至四方面的实施例相同的内容不再赘述。
在一些实施例中，通信系统100至少可以包括：
网络设备，其向终端设备发送配置信息；
终端设备，其接收所述配置信息，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
本申请实施例还提供一种终端设备，但本申请不限于此，还可以是其他的设备。
图7是本申请实施例的终端设备的示意图。如图7所示，该终端设备700可以包括处理器710和存储器720；存储器720存储有数据和程序，并耦合到处理器710。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
例如，处理器710可以被配置为执行程序而实现如第一方面的实施例所述的性能监测配置方法。例如处理器710可以被配置为进行如下的控制：接收来自网络设备的配置信息；其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
如图7所示，该终端设备700还可以包括：通信模块730、输入单元740、显示器750、电源760。其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，终端 设备700也并不是必须要包括图7中所示的所有部件，上述部件并不是必需的；此外，终端设备700还可以包括图7中没有示出的部件，可以参考现有技术。
本申请实施例还提供一种网络设备，例如可以是基站，但本申请不限于此，还可以是其他的网络设备。
图8是本申请实施例的网络设备的构成示意图。如图8所示，网络设备800可以包括：处理器810(例如中央处理器CPU)和存储器820；存储器820耦合到处理器810。其中该存储器820可存储各种数据；此外还存储信息处理的程序830，并且在处理器810的控制下执行该程序830。
例如，处理器810可以被配置为执行程序而实现如第二方面的实施例所述的性能监测配置方法。例如处理器810可以被配置为进行如下的控制：向终端设备发送配置信息；其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
此外，如图8所示，网络设备800还可以包括：收发机840和天线850等；其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，网络设备800也并不是必须要包括图8中所示的所有部件；此外，网络设备800还可以包括图8中没有示出的部件，可以参考现有技术。
本申请实施例还提供一种计算机程序，其中当在终端设备中执行所述程序时，所述程序使得所述终端设备执行第一方面的实施例所述的性能监测配置方法。
本申请实施例还提供一种存储有计算机程序的存储介质，其中所述计算机程序使得终端设备执行第一方面的实施例所述的性能监测配置方法。
本申请实施例还提供一种计算机程序，其中当在网络设备中执行所述程序时，所述程序使得所述网络设备执行第二方面的实施例所述的性能监测配置方法。
本申请实施例还提供一种存储有计算机程序的存储介质，其中所述计算机程序使得网络设备执行第二方面的实施例所述的性能监测配置方法。
本申请以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本申请涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本申请还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。
结合本申请实施例描述的方法/装置可直接体现为硬件、由处理器执行的软件模块或二者组合。例如，图中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合， 既可以对应于计算机程序流程的各个软件模块，亦可以对应于各个硬件模块。这些软件模块，可以分别对应于图中所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在移动终端的存储器中，也可以存储在可插入移动终端的存储卡中。例如，若设备(如移动终端)采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置，则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。
针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。针对附图描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，还可以实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
以上结合具体的实施方式对本申请进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本申请保护范围的限制。本领域技术人员可以根据本申请的精神和原理对本申请做出各种变型和修改，这些变型和修改也在本申请的范围内。
关于包括以上实施例的实施方式，还公开下述的附记：
1.一种性能监测配置方法，包括：
终端设备接收来自网络设备的配置信息；
其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
2.一种性能监测配置方法，包括：
网络设备向终端设备发送配置信息；
其中，所述配置信息被用于基于AI/ML功能(functionality)/模型(model)的波束管理以及所述AI/ML功能(functionality)/模型(model)的性能监测。
3.一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置为执行所述计算机程序而实现如附记1所述的性能监测配置方法。
4.一种网络设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置为执行所述计算机程序而实现如附记2所述的性能监测配置方法。

Claims (20)

  1. 一种性能监测配置装置，包括：
    接收单元，其接收来自网络设备的配置信息；
    其中，所述配置信息被用于基于AI/ML功能/模型的波束管理以及所述AI/ML功能/模型的性能监测。
  2. 根据权利要求1所述的装置，其中，针对网络侧性能监测，用于测量的第二参考信号集合被配置，并且用于性能监测的一个或多个参考信号被配置；
    其中，所述用于性能监测的参考信号与用于推理的第一参考信号集合中的参考信号相同或者至少部分相同，或者，所述用于性能监测的参考信号是用于推理的第一参考信号集合的子集。
  3. 根据权利要求1所述的装置，其中，针对网络侧性能监测，用于测量的上报被配置，并且用于性能监测的上报被配置。
  4. 根据权利要求1所述的装置，其中，针对网络侧性能监测，用于测量的参考信号和用于性能监测的参考信号一起被配置，并且，针对所述用于测量的参考信号的测量结果和针对所述用于性能监测的参考信号的测量结果一起被上报。
  5. 根据权利要求1所述的装置，其中，针对网络侧性能监测，用于测量的第二参考信号集合中参考信号的数目为M，针对M个参考信号的测量结果被上报，或者针对N个参考信号的测量结果被上报，N小于或等于M；
    其中，所述第二参考信号集合中测量结果被上报的参考信号的最小数目被预定义或被配置，和/或，所述第二参考信号集合中测量结果被上报的参考信号的最大数目被预定义或被配置。
  6. 根据权利要求1所述的装置，其中，针对网络侧性能监测，用于性能监测的参考信号的数目为K，针对K个参考信号的测量结果被上报，或者针对L个参考信号的测量结果被上报，L小于或等于K；
    其中，用于性能监测的测量结果被上报的参考信号的最小数目被预定义或被配置，和/或，用于性能监测的测量结果被上报的参考信号的最大数目被预定义或被配置。
  7. 根据权利要求1所述的装置，其中，针对网络侧性能监测，最强的一个或多个波束被终端设备上报；所述网络设备根据所述最强的一个或多个波束计算性能度量，即波束预测精度；
    其中，第一上报量被引入，或者，L1-RSRP/L1-SINR的上报量被重用。
  8. 根据权利要求1所述的装置，其中，针对网络侧性能监测，假定BLER被用于性能度量，则第二上报量被引入；在针对性能监测的上报中包括假定BLER。
  9. 根据权利要求1所述的装置，其中，针对网络侧性能监测，终端设备上报用于性能监测的最强的一个或多个或所有波束的L1-RSRP/L1-SINR，其中L1-RSRP/L1-SINR的上报量被重用；
    所述网络设备根据所述最强的一个或多个或所有波束的L1-RSRP/L1-SINR计算性能度量，即针对监测的L1-RSRP/L1-SINR与针对预测的L1-RSRP/L1-SINR之间的差值。
  10. 根据权利要求9所述的装置，其中，多个上报被配置，其中一个上报针对用于测量的参考信号的测量结果，另一个上报针对用于性能监测的参考信号的测量结果；
    或者
    一个上报被配置，所述上报针对用于测量的参考信号的测量结果和针对用于性能监测的参考信号的测量结果。
  11. 根据权利要求1所述的装置，其中，针对混合性能监测，用于性能监测的一个或多个参考信号被配置；
    其中，所述用于性能监测的参考信号与用于推理的第一参考信号集合中的参考信号相同或者至少部分相同，或者，所述用于性能监测的参考信号是用于推理的第一参考信号集合的子集。
  12. 根据权利要求11所述的装置，其中，终端设备根据最强的一个或多个波束计算性能度量并包括在针对性能监测的上报中；其中，第一上报量被引入，或者，L1-RSRP/L1-SINR的上报量被重用；
    或者，最强的一个或多个波束被所述终端设备包括在针对性能监测的上报中；所述网络设备根据所述最强的一个或多个波束计算性能度量；其中，第一上报量被引入，或者，L1-RSRP/L1-SINR的上报量被重用。
  13. 根据权利要求11所述的装置，其中，基于推理的前一个或多个波束被终端设备包括在针对推理的上报中；所述网络设备根据所述前一个或多个波束计算波束预测精度。
  14. 根据权利要求11所述的装置，其中，L1-RSRP/L1-SINR被用于性能度量，终端设备上报针对性能监测的L1-RSRP/L1-SINR和针对推理的L1-RSRP/L1-SINR，所述网络设备计算所述针对性能监测的L1-RSRP/L1-SINR和所述针对推理的L1-RSRP/L1-SINR之间的差值。
  15. 根据权利要求11所述的装置，其中，L1-RSRP/L1-SINR差值被用于性能度量，终端设备计算针对性能监测的L1-RSRP/L1-SINR和针对推理的L1-RSRP/L1-SINR之间的差值，并上报所述差值。
  16. 根据权利要求11所述的装置，其中，假定BLER被用于性能度量，终端设备上报针对性能监测的假定BLER和/或针对推理的假定BLER。
  17. 根据权利要求1所述的装置，其中，DRX/DTX被启用，针对AI/ML功能/模型的性能监测，定时器或计数器被增大或放大；
    和/或
    DRX/DTX被启用，针对AI/ML功能/模型的性能监测在DRX/DTX期间被暂停或停止，或者，针对AI/ML功能/模型的性能监测在DRX/DTX期间保持运行；
    和/或
    DRX/DTX被启用，时间波束预测的时间窗落入DRX/DTX期间或者与DRX/DTX期间重叠，针对部分或全部的时间实例的预测结果被跳过，或者，针对部分或全部的时间实例的预测结果被上报。
  18. 根据权利要求1所述的装置，其中，AI/ML相关配置改变或更新或切换，则所述AI/ML功能/模型的性能监测被重置或重启；
    其中，AI/ML相关配置改变或更新或切换包括如下至少之一：AI/ML功能/模型改变或更新、AI/ML功能/模型发生切换、用于性能监测的参考信号配置改变、小区配置改变、场景配置改变、预测时间实例数目改变、BWP切换。
  19. 一种性能监测配置装置，包括：
    发送单元，其向终端设备发送配置信息；
    其中，所述配置信息被用于基于AI/ML功能/模型的波束管理以及所述AI/ML功能/模型的性能监测。
  20. 一种通信系统，包括：
    网络设备，其向终端设备发送配置信息；
    终端设备，其接收所述配置信息，所述配置信息被用于基于AI/ML功能/模型的波束管理以及所述AI/ML功能/模型的性能监测。
PCT/CN2023/143370 2023-12-29 2023-12-29 性能监测配置方法以及装置 Pending WO2025138147A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2023/143370 WO2025138147A1 (zh) 2023-12-29 2023-12-29 性能监测配置方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2023/143370 WO2025138147A1 (zh) 2023-12-29 2023-12-29 性能监测配置方法以及装置

Publications (1)

Publication Number Publication Date
WO2025138147A1 true WO2025138147A1 (zh) 2025-07-03

Family

ID=96216398

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/143370 Pending WO2025138147A1 (zh) 2023-12-29 2023-12-29 性能监测配置方法以及装置

Country Status (1)

Country Link
WO (1) WO2025138147A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116889015A (zh) * 2023-04-04 2023-10-13 北京小米移动软件有限公司 一种通信方法、装置及存储介质
WO2023197326A1 (en) * 2022-04-15 2023-10-19 Nec Corporation Methods, devices, and computer readable medium for communication
WO2023206445A1 (zh) * 2022-04-29 2023-11-02 富士通株式会社 Ai监测装置以及方法
CN117296362A (zh) * 2023-08-10 2023-12-26 北京小米移动软件有限公司 通信方法、网络设备、终端、通信系统及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023197326A1 (en) * 2022-04-15 2023-10-19 Nec Corporation Methods, devices, and computer readable medium for communication
WO2023206445A1 (zh) * 2022-04-29 2023-11-02 富士通株式会社 Ai监测装置以及方法
CN116889015A (zh) * 2023-04-04 2023-10-13 北京小米移动软件有限公司 一种通信方法、装置及存储介质
CN117296362A (zh) * 2023-08-10 2023-12-26 北京小米移动软件有限公司 通信方法、网络设备、终端、通信系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QUALCOMM: "Views on AIML for NG-RAN for Rel-18", 3GPP DRAFT; RP-212371, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. TSG RAN, no. Electronic meeting; 20210913 - 20210917, 6 September 2021 (2021-09-06), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052050346 *

Similar Documents

Publication Publication Date Title
WO2023206456A1 (zh) 信息指示和处理方法以及装置
WO2024148510A1 (zh) 数据收集方法、数据产生装置、模型部署装置及数据收集发起装置
WO2025166627A1 (zh) 信息接收、信息发送方法和装置
WO2019136630A1 (zh) 参数确定和配置方法、装置及通信系统
CN111194084B (zh) 信息传输方法及装置
US11706677B2 (en) Handover processing between communication networks
WO2025091487A1 (zh) 信号处理方法、信息发送方法与装置
WO2025138147A1 (zh) 性能监测配置方法以及装置
WO2025030555A1 (zh) 信息的发送和接收方法与装置
WO2025208501A1 (zh) 用于波束管理的参考信号配置方法以及装置
WO2025138160A1 (zh) 波束管理配置方法以及装置
WO2025148007A1 (zh) 上行传输配置方法以及装置
WO2025166491A1 (zh) 波束管理方法以及装置
WO2025081310A1 (zh) 资源配置方法以及装置
WO2025065384A1 (zh) 性能监测方法和装置
WO2025156075A1 (zh) 波束管理方法以及装置
WO2025065349A1 (zh) 性能监测方法和装置
WO2025138155A1 (zh) 波束管理方法以及装置
WO2025065383A1 (zh) 信息的发送与接收方法与装置
WO2025166720A1 (zh) 波束管理方法以及装置
WO2025091339A1 (zh) 功能控制的方法、装置和通信系统
WO2025065655A1 (zh) 信息传输方法和装置
WO2025231880A1 (zh) Ai/ml功能生命周期管理方法和装置
WO2025156073A1 (zh) 波束管理方法以及装置
WO2025231873A1 (zh) Ai/ml功能的监测方法和装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23962821

Country of ref document: EP

Kind code of ref document: A1