WO2025201430A1 - 服务调用方法、装置、处理设备、存储介质及程序产品 - Google Patents

服务调用方法、装置、处理设备、存储介质及程序产品

Info

Publication number
WO2025201430A1
WO2025201430A1 PCT/CN2025/085167 CN2025085167W WO2025201430A1 WO 2025201430 A1 WO2025201430 A1 WO 2025201430A1 CN 2025085167 W CN2025085167 W CN 2025085167W WO 2025201430 A1 WO2025201430 A1 WO 2025201430A1
Authority
WO
WIPO (PCT)
Prior art keywords
service
data
configuration information
task
model
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/CN2025/085167
Other languages
English (en)
French (fr)
Inventor
徐霄飞
陈子奇
孙奇
丁海煜
黄宇红
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.)
China Mobile Communications Group Co Ltd
Research Institute of China Mobile Communication Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
Research Institute of China Mobile Communication Co 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 China Mobile Communications Group Co Ltd, Research Institute of China Mobile Communication Co Ltd filed Critical China Mobile Communications Group Co Ltd
Publication of WO2025201430A1 publication Critical patent/WO2025201430A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/547—Remote procedure calls [RPC]; Web services
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/544—Buffers; Shared memory; Pipes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present disclosure relates to the field of wireless communication technologies, and in particular to a service invoking method, apparatus, processing device, storage medium, and program product.
  • the Near-Real-Time RAN Intelligent Controller (O-RAN Near-RT RIC) is a functional entity defined by the O-RAN Alliance based on the existing 5G Radio Access Network (5G RAN) standard.
  • the O-RAN Near-RT RIC is further divided into two functional entities: a single Radio Access Network Intelligent Controller (RAN Intelligent Controller, RIC) platform and multiple intelligent applications (xApps).
  • RAN Intelligent Controller RIC
  • xApps multiple intelligent applications
  • Embodiments of the present disclosure provide a service invoking method, apparatus, processing device, storage medium, and program product.
  • the present disclosure provides a service invocation method, which is applied to a RIC platform.
  • the RIC platform supports multiple services, and the multiple services are used by a first application to perform a machine learning workflow.
  • the method includes:
  • a first receiving unit configured to receive configuration information sent by the first application, where the configuration information is used to create tasks related to the machine learning workflow on the multiple services;
  • a second sending unit configured to send configuration information to a RIC platform, wherein the RIC platform supports multiple services, the multiple services are used by the first application to perform a machine learning workflow, and the configuration information is used to create tasks related to the machine learning workflow on the multiple services;
  • the second receiving unit is used to receive the machine learning results sent by the RIC platform, where the machine learning results are obtained by the RIC platform calling the multiple services to perform the task.
  • An embodiment of the present disclosure provides a processing device, including: a processor and a memory, the memory being used to store a computer program, the processor being used to call and run the computer program stored in the memory, and execute any one of the above-mentioned service calling methods.
  • An embodiment of the present disclosure provides a computer-readable storage medium for storing a computer program, wherein the computer program enables a computer to execute any one of the above-mentioned service calling methods.
  • An embodiment of the present disclosure provides a computer program product, including computer program instructions, which enable a computer to execute any one of the above-mentioned service calling methods.
  • the RIC platform receives configuration information sent by the first application. This configuration information is used to create tasks related to the machine learning workflow on multiple services supported by the RIC platform. Then, the RIC platform calls multiple services to perform tasks related to the machine learning workflow, obtains machine learning results, and then sends the machine learning results to the first application. In this way, in the process of implementing the machine learning workflow, the first application pre-configures the relevant services, enabling continuous calls between multiple services without requiring the participation of the first application at every step. This greatly reduces the signaling overhead of the first application and the transmission pressure on the first application-side interface when forwarding data.
  • FIG1 is a schematic diagram of the logical architecture of an O-RAN provided by an embodiment of the present disclosure
  • FIG2 is a schematic diagram of the internal architecture of the RIC provided in an embodiment of the present disclosure.
  • FIG3 is a schematic diagram of a baseline solution for implementing a machine learning workflow using the RIC platform provided by an xApp according to an embodiment of the present disclosure
  • FIG4 is a flow chart of a service invocation method applied to a RIC platform according to an embodiment of the present disclosure
  • FIG5 is a schematic diagram of a workflow scheme of “data collection - data preprocessing - model reasoning/training” in which an upstream service calls a downstream service provided by an embodiment of the present disclosure
  • FIG6 is a schematic diagram of a workflow scheme of “data collection - data preprocessing - model reasoning/training” in which a downstream service calls an upstream service provided by an embodiment of the present disclosure
  • FIG7 is a schematic diagram of a solution for implementing a multi-service serial workflow through a single service entry provided by an embodiment of the present disclosure
  • FIG8 is a flow chart of a service calling method applied to a first application according to an embodiment of the present disclosure
  • FIG9 is a schematic structural diagram of a service invocation device applied to a RIC platform according to an embodiment of the present disclosure
  • FIG10 is a schematic structural diagram of a service invoking apparatus for a first application provided by an embodiment of the present disclosure
  • FIG11 is a schematic structural diagram of a processing device provided in an embodiment of the present disclosure.
  • the term "and/or” is merely a description of the association relationship between associated objects, indicating that three possible relationships exist.
  • a and/or B can represent three situations: A exists alone, A and B exist simultaneously, and B exists alone.
  • the character "/" generally indicates that the associated objects are in an "or" relationship.
  • the model processing service in response to the model processing service creating a workflow task and creating a model processing task, as well as creating a data pipeline task and data subscription through interaction with the data pipeline service and the data subscription service, the model processing service can return the assigned workflow task ID to the xApp.
  • the RIC platform in response to the RIC platform using configuration information to create a task related to a machine learning workflow on multiple services, can call multiple services in the RIC platform to execute the task to obtain a machine learning result, where the machine learning result is an inference result or a training result.
  • step 402 may be implemented in two different ways (way 3 and way 4).
  • Way 3 is implemented through steps w1-w3
  • way 4 is implemented through steps z1-z6, specifically including:
  • Step w1 Subscribe to data through the data subscription service to obtain the collected data.
  • data subscription is performed through the E2 subscription service/A1 subscription service to obtain the collected E2/A1 data.
  • Step w2 Send the collected data and the data pipeline task identifier or workflow task identifier to the data pipeline service through the data subscription service, and pre-process the collected data based on the data pipeline task identifier or workflow task identifier through the data pipeline service.
  • the E2 subscription service/A1 subscription service of the RIC platform can send the collected E2/A1 data (or the address identifier where the data is stored) and the data pipeline task ID or workflow task ID used to process the data to the data pipeline service. Therefore, the data pipeline service can pre-process the collected E2/A1 data based on the data pipeline task ID or workflow task ID.
  • the E2 subscription service/A1 subscription service of the RIC platform can send the collected E2/A1 data (or the address identifier where the data is stored) and the data pipeline task ID used to process the data to the data pipeline service. Therefore, the data pipeline service can pre-process the collected E2/A1 data based on the data pipeline task ID.
  • the E2 subscription service/A1 subscription service of the RIC platform can send the collected E2/A1 data (or the address identifier where the data is stored) and the workflow task ID used to process the data to the data pipeline service. Therefore, the data pipeline service can pre-process the collected E2/A1 data based on the workflow task ID.
  • Step w3 Send the preprocessed data and the model processing task identifier or workflow task identifier to the model processing service through the data pipeline service.
  • the model processing service performs model processing on the preprocessed data based on the model processing task identifier or workflow task identifier to generate machine learning results.
  • the data pipeline service of the RIC platform can send preprocessed data (or the address identifier where the data is stored) and the model processing task ID or workflow task ID used for model processing to the model processing service. Therefore, the model processing service can perform model processing on the preprocessed data based on the model processing task ID or workflow task ID to generate machine learning results.
  • the data pipeline service of the RIC platform can send preprocessed data (or the address identifier where the data is stored) and the model processing task ID used for model processing to the model processing service. Therefore, the model processing service can perform model processing on the preprocessed data based on the model processing task ID to generate machine learning results.
  • the data pipeline service of the RIC platform can send preprocessed data (or the address identifier where the data is stored) and the workflow task ID used for model processing to the model processing service. Therefore, the model processing service can perform model processing on the preprocessed data based on the workflow task ID to generate machine learning results.
  • Step z1 Receive the fifth request sent by the first application through the model processing service.
  • the fifth request carries the model processing task identifier.
  • the fifth request is used to request the machine learning result corresponding to the model processing task identifier from the model processing service.
  • the model processing service of the RIC platform can receive the fifth request sent by xApp, wherein the fifth request carries the model processing task ID. Therefore, xApp can use the fifth request to request the model processing service for the machine learning result corresponding to the model processing task ID.
  • Step z2 Send the data pipeline task identifier to the data pipeline service through the model processing service.
  • the model processing service of the RIC platform can send a data pipeline task ID to the data pipeline service, so that the data pipeline service can subsequently pre-process the collected data based on the data pipeline task ID.
  • Step z3 Send the subscription identifier to the data subscription service through the data pipeline service.
  • the data pipeline service of the RIC platform can send the E2 subscription ID/A1 subscription ID to the data subscription service, so that the data subscription service can subsequently request to collect data corresponding to the E2 subscription ID/A1 subscription ID.
  • Step z4 Send the collected data to the data pipeline service based on the subscription identifier through the data subscription service.
  • the data subscription service in response to the data subscription service receiving a subscription identifier sent by the data pipeline service, such as E2 subscription ID/A1 subscription ID, can collect data corresponding to the E2 subscription ID/A1 subscription ID and return the E2/A1 data corresponding to the E2 subscription ID/A1 subscription ID to the data pipeline service.
  • a subscription identifier sent by the data pipeline service such as E2 subscription ID/A1 subscription ID
  • Step z5 The data pipeline service preprocesses the collected data based on the data pipeline task identifier, and sends the preprocessed data to the model processing service.
  • the data pipeline service of the RIC platform can pre-process the E2/A1 data according to the data pipeline task ID obtained in step z2, and return the pre-processed data to the model processing service.
  • Step z6 Based on the model processing task identifier, the model processing service performs model processing on the preprocessed data to generate machine learning results.
  • the model processing service of the RIC platform can perform model processing (model inference/training) on the preprocessed data according to the model processing task ID obtained in step z1, and generate machine learning results.
  • Step 403 Send the machine learning result to the first application.
  • xApp requests multiple services (data subscription service, data pipeline service, and model processing service) of the RIC platform to create tasks related to the machine learning workflow (data subscription, data pipeline tasks, and model processing tasks)
  • the RIC platform can call these multiple services to perform tasks related to the machine learning workflow and obtain machine learning results, and then send the machine learning results to xApp through the model processing service.
  • Figure 5 shows a schematic diagram of the "data collection - data preprocessing - model inference/training" workflow for upstream services to call downstream services.
  • the task configuration and call processing processes in this solution can be implemented using the steps of Methods 1 and 3 above. As shown in Figure 5, the process includes the following steps:
  • Step 501 xAPP deploys the model to the RIC platform.
  • Step 502 xApp initiates a request to the model reasoning service of the RIC platform to request the creation of a model reasoning task.
  • the model reasoning task is uniquely identified by a model reasoning task ID, which corresponds to a set of reasoning configuration information.
  • the inference configuration information includes but is not limited to: the Model ID of the model used, the inference result push or notification address (such as a combination of IP address + port number), and may also include: the version number of the model used.
  • Step 503 xApp initiates a request to the data pipeline service of the RIC platform to request the creation of a data pipeline task.
  • the data pipeline task is uniquely identified by a data pipeline task ID and corresponds to a set of data pipeline configuration information.
  • the data pipeline configuration information includes but is not limited to: operation instructions for preprocessing data (such as normalization, deduplication, and multi-source data association) and the model inference task ID used when calling the model inference service.
  • Step 504 xApp initiates a request to the E2 subscription service/A1 subscription service of the RIC platform to request the creation of one or more E2 data subscriptions/A1 data subscriptions.
  • the subscription is uniquely identified by an E2 subscription ID/A1 subscription ID and corresponds to a set of data collection configuration information.
  • the data collection configuration information includes but is not limited to: the type and reporting cycle/condition of data collected by the E2/A1 interface, and the data pipeline task ID used when calling the data pipeline service.
  • Step 505 The E2 subscription service/A1 subscription service initiates a request to the data pipeline service, carrying the data collected by the E2/A1 interface (or the address identifier where the data is stored) and the data pipeline task ID used to process the data; the data pipeline service pre-processes the data based on the configuration information corresponding to the data pipeline task ID.
  • Step 506 The data pipeline service initiates a request to the model inference service, carrying the preprocessed data (or the address identifier where the data is stored) and the model inference task ID used for model inference; the model inference service infers the preprocessed data based on the configuration information corresponding to the model inference task ID and generates an inference result.
  • Step 507 The model inference service notifies the xApp and carries the inference result (or the address identifier of the data storage).
  • Figure 6 shows a schematic diagram of the "data collection - data preprocessing - model inference/training" workflow for downstream services to call upstream services.
  • the task configuration and call processing processes in this solution can be implemented using the steps of Methods 1 and 4 above. As shown in Figure 6, the process includes the following steps:
  • Step 601 xAPP deploys the model to the RIC platform.
  • Step 602 xApp initiates a request to the E2 subscription service/A1 subscription service of the RIC platform to request the creation of one or more E2 data subscriptions/A1 data subscriptions.
  • the subscription is uniquely identified by an E2 subscription ID/A1 subscription ID and corresponds to a set of data collection configuration information.
  • the data collection configuration information includes but is not limited to: the type and reporting period/condition of data collected by the E2/A1 interface, and the cache address of the E2/A1 data (eg, a specific space in the RIC platform database).
  • Step 603 xApp initiates a request to the data pipeline service of the RIC platform to request the creation of a data pipeline task.
  • the data pipeline task is uniquely identified by a data pipeline task ID and corresponds to a set of data pipeline configuration information.
  • the data pipeline configuration information includes but is not limited to: operation instructions for pre-processing data (such as normalization, deduplication, and multi-source data association), and the E2 subscription ID/A1 subscription ID used when obtaining E2/A1 data from the E2 subscription service/A1 subscription service.
  • operation instructions for pre-processing data such as normalization, deduplication, and multi-source data association
  • E2 subscription ID/A1 subscription ID used when obtaining E2/A1 data from the E2 subscription service/A1 subscription service.
  • Step 604 xApp initiates a request to the model reasoning service of the RIC platform to request the creation of a model reasoning task.
  • the model reasoning task is uniquely identified by a model reasoning task ID, which corresponds to a set of reasoning configuration information.
  • the inference configuration information includes, but is not limited to, the Model ID of the model used and the data pipeline task ID used when calling the data pipeline task; in addition, it may also include the version number of the model used.
  • Step 605 xApp initiates an inference request to the model inference service, carrying the model inference task ID.
  • Step 606 The model inference service initiates a data preprocessing request to the data pipeline service, carrying the data pipeline task ID.
  • the xApp sends a fourth request to the RIC platform's model processing service to request the creation of a workflow task.
  • the workflow task corresponds to a set of configuration information, including, but not limited to, the model ID used, the model version used, the address to which the processing results are pushed, parameters required by the data pipeline service (such as the operation command for preprocessing data), and parameters required by the E2 subscription service/A1 subscription service (the type of data collected by the E2/A1 interface and the reporting period/conditions).
  • the fourth request is used to request the model processing service to create a workflow task based on the configuration information.
  • the first receiving unit 901 is further specifically used to assign a workflow task identifier through the model processing service, and create a model processing task based on the first configuration information; send second configuration information to the data pipeline service through the model processing service, and the second configuration information is used for the data pipeline service to create a data pipeline task; send third configuration information to the data subscription service through the model processing service, and the third configuration information is used for the data subscription service to create a data subscription;
  • the workflow task includes: model processing task, data pipeline task and data subscription;
  • the model processing task is a model inference task or a model training task;
  • the configuration information includes: first configuration information, second configuration information and third configuration information.
  • the first deployment unit is used to receive the model file sent by the first application through the model management service, so that the first application can deploy the model on the RIC platform based on the model file; wherein the multiple services also include: model management service.
  • FIG10 is a schematic diagram of the structure of the service invocation device according to the present disclosure. As shown in FIG10 , the device includes:
  • the second sending unit 1001 is used to send configuration information to the RIC platform.
  • the RIC platform supports multiple services.
  • the multiple services are used for the first application to perform machine learning workflows.
  • the configuration information is used to create tasks related to the machine learning workflows on the multiple services.
  • the second receiving unit 1002 is used to receive the machine learning results sent by the RIC platform.
  • the machine learning results are obtained by the RIC platform calling multiple services to execute tasks.
  • the second sending unit 1001 is specifically used to send a first request to the model processing service, the first request carries first configuration information, and the first request is used to request the model processing service to create a model processing task based on the first configuration information; send a second request to the data pipeline service, the second request carries second configuration information, and the second request is used to request the data pipeline service to create a data pipeline task based on the second configuration information; send a third request to the data subscription service, the third request carries third configuration information, and the third request is used to request the data subscription service to create a data subscription based on the third configuration information; wherein, the multiple services include: model processing service, data pipeline service and data subscription service, the model processing service is a model inference service or a model training service, and the model processing task is a model inference task or a model training task.
  • the second sending unit 1001 is further specifically used to send a fourth request to the model processing service, the fourth request carries configuration information, and the fourth request is used to request the model processing service to create a workflow task based on the configuration information;
  • the multiple services include: model processing service, data pipeline service and data subscription service, the model processing service is a model inference service or a model training service, the workflow tasks include: model processing tasks, data pipeline tasks and data subscription, and the model processing tasks are model inference tasks or model training tasks;
  • the configuration information includes: first configuration information, second configuration information and third configuration information; wherein, the model processing task is created by the model processing service based on the first configuration information; the data pipeline task is created by the data pipeline service based on the second configuration information; and the data subscription is created by the data subscription service based on the third configuration information.
  • the second receiving unit 1002 is specifically used to receive the machine learning results sent by the model processing service.
  • the device further comprises:
  • the second deployment unit is used to send the model file to the model management service and deploy the model on the RIC platform based on the model file; wherein the multiple services also include: model management service.
  • the RIC platform receives configuration information sent by the first application. This configuration information is used to create tasks related to the machine learning workflow on multiple services supported by the RIC platform. Then, the RIC platform calls multiple services to perform tasks related to the machine learning workflow, obtains machine learning results, and then sends the machine learning results to the first application. In this way, in the process of implementing the machine learning workflow, the first application pre-configures the relevant services, enabling continuous calls between multiple services without requiring the participation of the first application at every step. This greatly reduces the signaling overhead of the first application and the transmission pressure on the first application-side interface when forwarding data.
  • each unit in the service invocation apparatus shown in Figures 9 and 10 can be understood by referring to the relevant description of the aforementioned method.
  • the functions of each unit in the service invocation apparatus shown in Figures 9 and 10 can be implemented by a program running on a processor or by a specific logic circuit.
  • FIG 11 is a schematic diagram of the structure of a processing device provided in an embodiment of the present disclosure.
  • the processing device can be a terminal device or a network device.
  • the processing device shown in Figure 11 includes a processor 1101, which can call and run a computer program from a memory to implement the method in the embodiment of the present disclosure.
  • the processing device may further include a memory 1102.
  • the processor 1101 may call and execute a computer program from the memory 1102 to implement the method in the embodiment of the present disclosure.
  • the memory 1102 may be a separate device independent of the processor 1101 , or may be integrated into the processor 1101 .
  • the processing device may further include a transceiver 1103 , and the processor 1101 may control the transceiver 1103 to communicate with other devices.
  • the transceiver 1103 may send information or data to other devices, or receive information or data sent by other devices.
  • the transceiver 1103 may include a transmitter and a receiver.
  • the transceiver 1103 may further include an antenna, and the number of antennas may be one or more.
  • the processing device may specifically be the first application/xApp of the embodiments of the present disclosure, and the processing device may implement the corresponding processes implemented by the first application/xApp in each method of the embodiments of the present disclosure. For the sake of brevity, they are not described here.
  • the memory in the embodiments of the present disclosure may be a volatile memory or a non-volatile memory, or may include both volatile and non-volatile memories.
  • the non-volatile memory may be a read-only memory (ROM), a programmable read-only memory (PROM), an erasable programmable read-only memory (EPROM), an electrically erasable programmable read-only memory (EEPROM), or a flash memory.
  • the volatile memory may be a random access memory (RAM), which is used as an external cache.
  • RAM random access memory
  • SRAM static RAM
  • DRAM dynamic RAM
  • SDRAM synchronous DRAM
  • DDR SDRAM double data rate SDRAM
  • ESDRAM enhanced SDRAM
  • SLDRAM synchronized DRAM
  • DR RAM direct RAM
  • the memories in the embodiments of the present disclosure may also be static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), double data rate SDRAM (DDR SDRAM), enhanced SDRAM (ESDRAM), synchronous link DRAM (SLDRAM), and direct RAM (DR RAM), etc.
  • SRAM static RAM
  • DRAM dynamic RAM
  • SDRAM synchronous DRAM
  • DDR SDRAM double data rate SDRAM
  • ESDRAM enhanced SDRAM
  • SLDRAM synchronous link DRAM
  • DR RAM direct RAM
  • the memories in the embodiments of the present disclosure are intended to include, but are not limited to, these and any other suitable types of memories.
  • the embodiment of the present disclosure also provides a computer-readable storage medium for storing a computer program.
  • the computer-readable storage medium can be applied to the RIC platform in the embodiments of the present disclosure, and the computer program enables the computer to execute the corresponding processes implemented by the RIC platform in the various methods of the embodiments of the present disclosure. For the sake of brevity, they will not be repeated here.
  • the computer-readable storage medium can be applied to the first application/xApp in the embodiments of the present disclosure, and the computer program enables the computer to execute the corresponding processes implemented by the first application/xApp in the various methods of the embodiments of the present disclosure. For the sake of brevity, they are not repeated here.
  • An embodiment of the present disclosure also provides a computer program product, including computer program instructions.
  • the computer program product can be applied to the RIC platform in the embodiments of the present disclosure, and the computer program instructions enable the computer to execute the corresponding processes implemented by the RIC platform in the various methods of the embodiments of the present disclosure. For the sake of brevity, they will not be repeated here.
  • the computer program product can be applied to the first application/xApp in the embodiments of the present disclosure, and the computer program instructions enable the computer to execute the corresponding processes implemented by the first application/xApp in the various methods of the embodiments of the present disclosure. For the sake of brevity, they are not repeated here.
  • the embodiments of the present disclosure also provide a computer program.
  • the computer program can be applied to the RIC platform in the embodiments of the present disclosure.
  • the computer program runs on a computer, it enables the computer to execute the corresponding processes implemented by the RIC platform in the various methods of the embodiments of the present disclosure. For the sake of brevity, they will not be repeated here.
  • the computer program can be applied to the first application/xApp in the embodiments of the present disclosure.
  • the computer program runs on a computer, it enables the computer to execute the corresponding processes implemented by the first application/xApp in the various methods of the embodiments of the present disclosure. For the sake of brevity, they are not further described here.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种服务调用方法、装置、处理设备、存储介质及程序产品，应用于RIC平台，所述RIC平台支持多个服务，所述多个服务用于第一应用进行机器学习工作流程；其中，所述方法包括：接收所述第一应用发送的配置信息，所述配置信息用于在所述多个服务上创建与所述机器学习工作流程相关的任务；调用所述多个服务执行所述任务，得到机器学习结果；向所述第一应用发送所述机器学习结果。

Description

服务调用方法、装置、处理设备、存储介质及程序产品
相关申请的交叉引用
本公开基于申请号为202410370783.6、申请日为2024年03月28日的中国专利申请提出，并要求该中国专利申请的优先权，该中国专利申请的全部内容在此引入本公开作为参考。
技术领域
本公开涉及无线通信技术领域，尤其涉及一种服务调用方法、装置、处理设备、存储介质及程序产品。
背景技术
近实时无线智能控制器(Near-Real-Time RAN Intelligent Controller，O-RAN Near-RT RIC)是O-RAN联盟在现有5G无线接入网(5G Radio Access Network，5G RAN)标准基础上定义的功能实体，O-RAN Near-RT RIC内部进一步分为两种功能实体：单个无线接入网智能控制器(RAN Intelligent Controller，RIC)平台(platform)以及多个智能应用(xApp)。其中，在相关技术中，当xApp利用RIC平台服务实现“数据采集-数据预处理-模型推理/训练”的工作流程时，在该工作流程的循环(loop)步骤中，每一步都需要xApp的参与。
发明内容
本公开实施例提供了一种服务调用方法、装置、处理设备、存储介质及程序产品。
本公开实施例提供一种服务调用方法，应用于RIC平台，所述RIC平台支持多个服务，所述多个服务用于第一应用进行机器学习工作流程；所述方法包括：
接收所述第一应用发送的配置信息，所述配置信息用于在所述多个服务上创建与所述机器学习工作流程相关的任务；
调用所述多个服务执行所述任务，得到机器学习结果；
向所述第一应用发送所述机器学习结果。
本公开实施例再提供一种服务调用方法，应用于第一应用，所述方法包括：
向RIC平台发送配置信息，所述RIC平台支持多个服务，所述多个服务用于所述第一应用进行机器学习工作流程，所述配置信息用于在所述多个服务上创建与所述机器学习工作流程相关的任务；
接收所述RIC平台发送的机器学习结果，所述机器学习结果由所述RIC平台调用所述多个服务执行所述任务得到。
本公开实施例提供一种服务调用装置，应用于RIC平台，所述RIC平台支持多个服务，所述多个服务用于第一应用进行机器学习工作流程；所述装置包括：
第一接收单元，用于接收所述第一应用发送的配置信息，所述配置信息用于在所述多个服务上创建与所述机器学习工作流程相关的任务；
第一调用单元，用于调用所述多个服务执行所述任务，得到机器学习结果；
第一发送单元，用于向所述第一应用发送所述机器学习结果。
本公开实施例再提供一种服务调用装置，应用于第一应用，所述装置包括：
第二发送单元，用于向RIC平台发送配置信息，所述RIC平台支持多个服务，所述多个服务用于所述第一应用进行机器学习工作流程，所述配置信息用于在所述多个服务上创建与所述机器学习工作流程相关的任务；
第二接收单元，用于接收所述RIC平台发送的机器学习结果，所述机器学习结果由所述RIC平台调用所述多个服务执行所述任务得到。
本公开实施例提供一种处理设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行上述任意一种服务调用方法。
本公开实施例提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序使得计算机执行上述任意一种服务调用方法。
本公开实施例提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行上述任意一种服务调用方法。
本公开实施例的技术方案中，RIC平台通过接收第一应用发送的配置信息，该配置信息用于在RIC平台支持的多个服务上创建与机器学习工作流程相关的任务，然后，RIC平台调用多个服务执行与机器学习工作流程相关的任务，得到机器学习结果，从而向第一应用发送机器学习结果。如此，在实现机器学习工作流的过程当中，通过第一应用对相关服务的预配置，实现多个服务之间的连续调用，而不必每一步都需要第一应用的参与，极大降低了第一应用的信令开销，以及第一应用侧接口在转发数据时的传输压力。
附图说明
图1是本公开实施例提供的O-RAN的逻辑架构示意图；
图2是本公开实施例提供的RIC的内部架构示意图；
图3是本公开实施例提供的xApp利用RIC平台实现机器学习工作流的基线方案示意图；
图4是本公开实施例提供的应用于RIC平台的服务调用方法的流程示意图；
图5是本公开实施例提供的上游服务调用下游服务的“数据采集-数据预处理-模型推理/训练”工作流的方案示意图；
图6是本公开实施例提供的下游服务调用上游服务的“数据采集-数据预处理-模型推理/训练”工作流的方案示意图；
图7是本公开实施例提供的通过单一服务入口实现多服务串联的工作流的方案示意图；
图8是本公开实施例提供的应用于第一应用的服务调用方法的流程示意图；
图9是本公开实施例提供的应用于RIC平台的服务调用装置的结构示意图；
图10是本公开实施例提供的应用于第一应用的服务调用装置的结构示意图；
图11是本公开实施例提供的处理设备的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，本公开实施例中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开实施例中，字符“/”，一般表示前后关联对象是一种“或”的关系。
在本公开实施例的描述中，术语“对应”可表示两者之间具有直接对应或间接对应的关系，也可以表示两者之间具有关联关系，也可以是指示与被指示、配置与被配置等关系。
为便于理解本公开实施例的技术方案，以下对本公开实施例的相关技术进行说明，以下相关技术作为可选方案与本公开实施例的技术方案可以进行任意结合，其均属于本公开实施例的保护范围。
O-RAN Near-RT RIC(以下简称RIC)是O-RAN联盟在现有5G RAN标准基础上定义的功能实体。它的基本特性是能够通过近实时、细粒度的数据采集和控制，对无线资源管理进行优化。如图1为O-RAN的逻辑架构示意图，在当前的O-RAN架构中，RIC通过A1、O1、Y1和E2接口与其它网络功能相连；特别的，RIC可以分别通过E2和A1接口采集无线资源数据(如小区配置、用户上下文、测量报告等)和业务增强信息(A1-EI)。
RIC内部进一步分为两种功能实体：单个RIC平台，以及多个无线智能应用xApp。如图2所示为RIC的内部架构示意图，其中，xApp是运行于RIC平台上的轻量化软件应用，能够独立于RIC platform开发和部署，通常根据业务应用或运营商需求定制，利用人工智能(Artificial Intelligence，AI)/机器学习(Machine Learning，ML)算法用于实现特定的优化目的，例如针对特定切片的服务质量(Quality of Service，QoS)/体验质量(Quality of Experience，QoE)优化；RIC平台负责终结外部接口，并为xApp提供通用的服务支持。
其中，RIC平台已支持/预计可支持以下服务，允许xApp按需调用：
(1)E2订阅服务：支持xApp采集来自E2接口的无线资源数据；
(2)A1订阅服务：支持xApp采集来自A1接口的业务增强信息；
(3)模型管理服务：支持xApp将自有的AI/ML模型文件注册和部署到RIC平台中(RIC平台提供如PyTorch的运行时环境)中供调用，或发现RIC平台提供的AI/ML模型；
(4)数据管道服务：支持对原始E2/A1数据进行预处理，生成可被AI/ML模型直接使用的输入数据；
(5)模型推理服务；
(6)模型训练服务。
如图3所示为xApp利用RIC平台实现机器学习工作流的基线方案示意图，即xApp利用RIC平台服务实现“数据采集-数据预处理-AI/ML模型推理”的工作流。
然而，在上述基线方案的循环步骤中(第3、4、5步)，每一步都需要xApp的参与，当E2/A1数据报告频繁时(10ms周期)，xApp的信令开销较大；且当信令中携带数据(如E2/A1数据或预处理后的数据)时，xApp侧接口转发数据的传输压力也较大。即，当数据报告频繁时，xApp的信令开销较大，且当信令中携带数据时，xApp侧接口转发数据的传输压力也较大。
为解决上述问题，本公开提出一种支持xApp组合使用上述服务的流程和接口设计，降低xApp在实现“数据采集-数据预处理-AI/ML模型推理(或训练)”工作流时的信令开销和传输压力。
为便于理解本公开实施例的技术方案，以下通过具体实施例详述本公开的技术方案。以上相关技术作为可选方案与本公开实施例的技术方案可以进行任意结合，其均属于本公开实施例的保护范围。本公开实施例包括以下内容中的至少部分内容。
本公开实施例提出了一种应用于RIC平台的服务调用方法，其中，RIC平台支持多个服务，多个服务用于第一应用进行机器学习工作流程。图4为本公开实施例的服务调用方法的流程示意图，如图4所示，该方法可以包括以下步骤：
步骤401：接收第一应用发送的配置信息，配置信息用于在多个服务上创建与机器学习工作流程相关的任务。
在本公开实施例中，RIC平台通过接收xApp(第一应用)发送的配置信息，从而可利用该配置信息在多个服务上创建与机器学习工作流程相关的任务。其中，多个服务包括模型处理服务、数据管道服务以及数据订阅服务，具体的，模型处理服务可以是模型推理服务或者模型训练服务，机器学习工作流程为“数据采集-数据预处理-模型推理/训练”工作流。这里，本公开中的模型推理/训练统一用模型处理来表示。
在一些实施方式中，多个服务还包括模型管理服务。其中，RIC平台可通过模型管理服务接收第一应用发送的模型文件，以供第一应用基于该模型文件在RIC平台部署模型，模型由模型标识符(Identifier，ID)唯一标识。在一些实施方式中，RIC平台可以在接收第一应用发送的配置信息之前，通过模型管理服务接收第一应用发送的模型文件，以供第一应用基于该模型文件在RIC平台部署模型。
在一些实施方式中，步骤401可通过两种不同的方式(方式一和方式二)来实现，其中，方式一通过步骤s1-s3来实现，方式二通过步骤t1-t4来实现，具体包括：
方式一
步骤s1：通过模型处理服务接收第一应用发送的第一请求，第一请求携带第一配置信息，第一请求用于请求模型处理服务基于第一配置信息创建模型处理任务。
在本公开实施例中，RIC平台的模型处理服务接收xApp发送的第一请求，来请求创建一个模型处理任务，其中，该模型处理任务由一个模型处理任务ID唯一标识，并对应一组配置信息(第一配置信息)，该第一配置信息包括但不限于：使用的模型ID，处理结果推送或通知地址，以及模型的版本号等，其中，处理结果推送或通知地址例如包括互联网协议(Internet Protocol，IP)地址+端口号的组合。也即，第一请求用于请求模型处理任务基于第一配置信息创建模型处理任务，其中，模型处理任务可以是模型推理任务或者模型训练任务。
步骤s2：通过数据管道服务接收第一应用发送的第二请求，第二请求携带第二配置信息，第二请求用于请求数据管道服务基于第二配置信息创建数据管道任务。
在本公开实施例中，RIC平台的数据管道服务接收xApp发送的第二请求，来请求创建一个数据管道任务，其中，该数据管道任务由一个数据管道任务ID唯一标识，并对应一组配置信息(第二配置信息)，该第二配置信息包括但不限于：预处理数据的操作指令(例如归一化、去重、多源数据关联等)，调用模型处理服务时使用的模型处理任务ID等。也即，第二请求用于请求数据管道服务基于第二配置信息创建数据管道任务。
步骤s3：通过数据订阅服务接收第一应用发送的第三请求，第三请求携带第三配置信息，第三请求用于请求数据订阅服务基于第三配置信息创建数据订阅。
在本公开实施例中，RIC平台的E2订阅服务/A1订阅服务接收xApp发送的第三请求，来请求创建一个或多个E2数据订阅/A1数据订阅，其中，该数据订阅由E2订阅ID/A1订阅ID唯一标识，并对应一组配置信息(第三配置信息)，该第三配置信息包括但不限于：E2/A1接口采集数据的类型和上报周期/条件，调用数据管道服务时使用的数据管道任务ID等。也即，第三请求用于请求数据订阅服务基于第三配置信息创建一个或多个E2数据订阅/A1数据订阅。
可以理解的是，方式一通过在RIC平台的模型处理服务和数据管道服务定义中，引入模型处理任务和数据管道任务的概念，分别使用模型处理任务ID和数据管道任务ID进行标识，从而实现“数据采集-数据预处理-模型推理/训练”三种服务的串联。
方式二
步骤t1：通过模型处理服务接收第一应用发送的第四请求，第四请求携带配置信息，第四请求用于请求模型处理服务基于配置信息创建工作流任务。
其中，工作流任务包括模型处理任务、数据管道任务以及数据订阅，模型处理任务可以是模型推理任务或者模型训练任务，配置信息包括：第一配置信息、第二配置信息和第三配置信息。
在本公开实施例中，RIC平台的模型处理服务接收xApp发送的第四请求，来请求创建一个工作流任务，其中，该工作流任务对应一组配置信息，该配置信息的参数包括但不限于：所使用的模型ID，所使用的模型版本号，处理结果推送地址，数据管道服务所需参数(如预处理数据的操作命令)，E2订阅服务/A1订阅服务所需参数(E2/A1接口采集数据的类型和上报周期/条件)。也即，第四请求用于请求模型处理服务基于配置信息创建工作流任务。
步骤t2：通过模型处理服务分配工作流任务标识，并基于第一配置信息创建模型处理任务。
在本公开实施例中，响应于模型处理服务创建工作流任务，模型处理服务可以为自身分配工作流任务ID，并基于第一配置信息创建模型处理任务。
步骤t3：通过模型处理服务向数据管道服务发送第二配置信息，第二配置信息用于数据管道服务创建数据管道任务。
在本公开实施例中，模型处理服务与数据管道服务进行交互，通过模型处理服务向数据管道服务发送第二配置信息，用于数据管道服务基于第二配置信息创建数据管道任务，其中，该数据管道任务对应的配置参数包括但不限于：工作流任务ID，配置信息中的预处理数据的操作指令等。
步骤t4：通过模型处理服务向数据订阅服务发送第三配置信息，第三配置信息用于数据订阅服务创建数据订阅。
在本公开实施例中，模型处理服务与E2订阅服务/A1订阅服务进行交互，通过模型处理服务向E2订阅服务/A1订阅服务发送第三配置信息，用于E2订阅服务/A1订阅服务基于第三配置信息创建数据订阅，其中，该数据订阅对应的配置参数包括但不限于：工作流任务ID，配置信息中的E2/A1数据的类型和上报周期/条件。
需要说明的是，响应于模型处理服务创建工作流任务，并创建模型处理任务，以及通过与数据管道服务和数据订阅服务的交互创建数据管道任务和数据订阅，模型处理服务可以将分配的工作流任务ID返回至xApp。
可以理解的是，方式二通过在RIC平台的新增或已有服务定义的情况下，引入了工作流任务的概念，并使用工作流任务ID进行标识，从而实现“数据采集-数据预处理-模型推理/训练”三种服务的串联。
步骤402：调用多个服务执行任务，得到机器学习结果。
在本公开实施例中，响应于RIC平台利用配置信息，在多个服务上创建与机器学习工作流程相关的任务，RIC平台可调用RIC平台中的多个服务来执行该任务，以得到机器学习结果。其中，机器学习结果为推理结果或训练结果。
在一些实施方式中，步骤402可通过两种不同的方式(方式三和方式四)来实现，其中，方式三通过步骤w1-w3来实现，方式四通过步骤z1-z6来实现，具体包括：
方式三
步骤w1：通过数据订阅服务进行数据订阅，获得采集到的数据。
在本公开实施例中，通过E2订阅服务/A1订阅服务进行数据订阅，获得采集到的E2/A1数据。
步骤w2：通过数据订阅服务向数据管道服务发送采集到的数据以及数据管道任务标识或工作流任务标识，通过数据管道服务基于数据管道任务标识或工作流任务标识对采集到的数据进行预处理。
在本公开实施例中，RIC平台的E2订阅服务/A1订阅服务，可以向数据管道服务发送采集到的E2/A1数据(或存放数据的地址标识)，以及处理该数据所用的数据管道任务ID或工作流任务ID，因此，数据管道服务可以基于数据管道任务ID或工作流任务ID对采集到的E2/A1数据进行预处理。
也就是说，在一些实施例中，RIC平台的E2订阅服务/A1订阅服务，可以向数据管道服务发送采集到的E2/A1数据(或存放数据的地址标识)，以及处理该数据所用的数据管道任务ID，因此，数据管道服务可以基于数据管道任务ID对采集到的E2/A1数据进行预处理。
在一些实施例中，RIC平台的E2订阅服务/A1订阅服务，可以向数据管道服务发送采集到的E2/A1数据(或存放数据的地址标识)，以及处理该数据所用的工作流任务ID，因此，数据管道服务可以基于工作流任务ID对采集到的E2/A1数据进行预处理。
步骤w3：通过数据管道服务向模型处理服务发送预处理后的数据以及模型处理任务标识或工作流任务标识，通过模型处理服务基于模型处理任务标识或工作流任务标识，对预处理后的数据进行模型处理，生成机器学习结果。
在本公开实施例中，RIC平台的数据管道服务，可以向模型处理服务发送预处理后的数据(或存放数据的地址标识)，以及模型处理所用的模型处理任务ID或工作流任务ID，因此，模型处理服务可以基于模型处理任务ID或工作流任务ID，对预处理后的数据进行模型处理，生成机器学习结果。
也就是说，在一些实施例中，RIC平台的数据管道服务，可以向模型处理服务发送预处理后的数据(或存放数据的地址标识)，以及模型处理所用的模型处理任务ID，因此，模型处理服务可以基于模型处理任务ID，对预处理后的数据进行模型处理，生成机器学习结果。
在一些实施例中，RIC平台的数据管道服务，可以向模型处理服务发送预处理后的数据(或存放数据的地址标识)，以及模型处理所用的工作流任务ID，因此，模型处理服务可以基于工作流任务ID，对预处理后的数据进行模型处理，生成机器学习结果。
方式四
步骤z1：通过模型处理服务接收第一应用发送的第五请求，第五请求携带模型处理任务标识，第五请求用于向模型处理服务请求模型处理任务标识对应的机器学习结果。
在本公开实施例中，RIC平台的模型处理服务，可以接收xApp发送的第五请求，其中，该第五请求携带模型处理任务ID，因此，xApp可利用该第五请求，向模型处理服务请求模型处理任务ID对应的机器学习结果。
步骤z2：通过模型处理服务向数据管道服务发送数据管道任务标识。
在本公开实施例中，RIC平台的模型处理服务，可以向数据管道服务发送数据管道任务ID，以供后续数据管道服务基于数据管道任务ID对采集到的数据进行预处理。
步骤z3：通过数据管道服务向数据订阅服务发送订阅标识。
在本公开实施例中，RIC平台的数据管道服务，可以向数据订阅服务发送E2订阅ID/A1订阅ID，以供后续数据订阅服务请求采集E2订阅ID/A1订阅ID对应的数据。
步骤z4：通过数据订阅服务基于订阅标识向数据管道服务发送采集到的数据。
在本公开实施例中，响应于数据订阅服务接收到数据管道服务发送的订阅标识，比如E2订阅ID/A1订阅ID，数据订阅服务可以采集E2订阅ID/A1订阅ID对应的数据，并向数据管道服务返回与E2订阅ID/A1订阅ID对应的E2/A1数据。
步骤z5：通过数据管道服务基于数据管道任务标识，对采集到的数据进行预处理，并将预处理后的数据发送至模型处理服务。
在本公开实施例中，RIC平台的数据管道服务，可以根据步骤z2中获得的数据管道任务ID，对E2/A1数据进行预处理，并将预处理后的数据返回模型处理服务。
步骤z6：通过模型处理服务基于模型处理任务标识，对预处理后的数据进行模型处理，生成机器学习结果。
在本公开实施例中，RIC平台的模型处理服务，可以根据步骤z1获得的模型处理任务ID，对预处理后的数据进行模型处理(模型推理/训练)，并生成机器学习结果。
步骤403：向第一应用发送机器学习结果。
在本公开实施例中，通过xApp请求RIC平台的多个服务(数据订阅服务、数据管道服务以及模型处理服务)创建与机器学习工作流程相关的任务(数据订阅、数据管道任务以及模型处理任务)之后，RIC平台可调用这多个服务执行与机器学习工作流程相关的任务，并获得机器学习结果，然后通过模型处理服务将机器学习结果发送至xApp。
以下结合具体应用实例对本公开实施例的技术方案进行举例说明。
应用实例一
如图5为上游服务调用下游服务的“数据采集-数据预处理-模型推理/训练”工作流程的方案示意图，该方案中的任务配置过程和调用处理过程可由上述方式一和方式三的步骤过程来实现。如图5所示，该流程包括以下步骤：
步骤501：xAPP向RIC平台部署模型。
步骤502：xApp向RIC平台的模型推理服务发起请求，来请求创建一个模型推理任务，该模型推理任务由一个模型推理任务ID唯一标识，对应一组推理配置信息。
其中，该推理配置信息包括但不限于：所使用模型的标识Model ID、推理结果推送或通知地址(例如IP地址+端口号的组合)，此外，还可能包括：所使用模型的版本号。
步骤503：xApp向RIC平台的数据管道服务发起请求，来请求创建一个数据管道任务，该数据管道任务由一个数据管道任务ID唯一标识，对应一组数据管道配置信息。
其中，该数据管道配置信息包括但不限于：预处理数据的操作指令(例如归一化、去重、多源数据关联)、调用模型推理服务时使用的模型推理任务ID。
步骤504：xApp向RIC平台的E2订阅服务/A1订阅服务发起请求，来请求创建一个或多个E2数据订阅/A1数据订阅，该订阅由E2订阅ID/A1订阅ID唯一标识，对应一组数据采集配置信息。
其中，该数据采集配置信息包括但不限于：E2/A1接口采集数据的类型和上报周期/条件、调用数据管道服务时使用的数据管道任务ID。
步骤505：E2订阅服务/A1订阅服务向数据管道服务发起请求，携带E2/A1接口采集的数据(或存放数据的地址标识)，以及处理该数据所用的数据管道任务ID；数据管道服务基于数据管道任务ID对应的配置信息，对数据进行预处理。
步骤506：数据管道服务向模型推理服务发起请求，携带预处理后的数据(或存放数据的地址标识)，以及模型推理所用的模型推理任务ID；模型推理服务基于模型推理任务ID对应的配置信息，对预处理后的数据进行推理，生成推理结果。
步骤507：模型推理服务通知xApp，并携带推理结果(或存放数据的地址标识)。
应用实例二
如图6为下游服务调用上游服务的“数据采集-数据预处理-模型推理/训练”工作流的方案示意图，该方案中的任务配置过程和调用处理过程可由上述方式一和方式四的步骤过程来实现。如图6所示，该流程包括以下步骤：
步骤601：xAPP向RIC平台部署模型。
步骤602：xApp向RIC平台的E2订阅服务/A1订阅服务发起请求，来请求创建一个或多个E2数据订阅/A1数据订阅，该订阅由E2订阅ID/A1订阅ID唯一标识，对应一组数据采集配置信息。
其中，该数据采集配置信息包括但不限于：E2/A1接口采集数据的类型和上报周期/条件、E2/A1数据的缓存地址(例如RIC平台数据库中的特定空间)。
步骤603：xApp向RIC平台的数据管道服务发起请求，来请求创建一个数据管道任务，该数据管道任务由一个数据管道任务ID唯一标识，对应一组数据管道配置信息。
其中，该数据管道配置信息包括但不限于：预处理数据的操作指令(例如归一化、去重、多源数据关联)、从E2订阅服务/A1订阅服务获取E2/A1数据时使用的E2订阅ID/A1订阅ID。
步骤604：xApp向RIC平台的模型推理服务发起请求，来请求创建一个模型推理任务，该模型推理任务由一个模型推理任务ID唯一标识，对应一组推理配置信息。
其中，该推理配置信息包括但不限于：所使用模型的标识Model ID、调用数据管道任务时使用的数据管道任务ID；此外，还可能包括：所使用模型的版本号。
步骤605：xApp向模型推理服务发起推理请求，携带模型推理任务ID。
步骤606：模型推理服务向数据管道服务发起数据预处理请求，携带数据管道任务ID。
步骤607：数据管道服务向E2订阅服务/A1订阅服务发起E2/A1数据请求，携带E2订阅ID/A1订阅ID。
步骤608：E2订阅服务/A1订阅服务向数据管道服务返回与E2订阅ID/A1订阅ID对应的E2/A1数据。
步骤609：数据管道服务根据步骤606中获得的数据管道任务ID，对E2数据/A1数据进行预处理，预处理后数据返回模型推理服务。
步骤610：模型推理服务根据步骤605中获得的模型推理任务ID，对预处理后数据进行模型推理，推理结果返回xApp。
应用实例三
示例性的，如图7为通过单一服务入口实现多服务串联的工作流的方案示意图，该方案中的任务配置过程和调用处理过程可由上述方式二和方式三的步骤过程来实现。如图7所示，该流程包括以下步骤：
步骤701：xAPP向RIC平台部署模型。
步骤702：xApp向RIC平台的模型推理服务发起请求，以建立一个工作流任务，该工作流任务对应一组配置参数。
其中，该配置参数包括但不限于：所使用模型的标识Model ID。
此外，还可能包括：
所使用模型的版本号；
推理结果推送地址；
数据管道服务所需参数：比如预处理数据的操作指令(如归一化、去重、多源数据关联等)；
E2订阅服务/A1订阅服务所需参数，如E2/A1接口采集数据的类型和上报周期/条件。
步骤703：模型推理服务分配工作流任务ID。
步骤704：模型推理服务与数据管道服务交互，并基于配置参数配置数据管道任务。其中，配置数据管道任务所使用到的参数包括：工作流任务ID、预处理数据的操作指令。
步骤705：模型推理服务与E2订阅服务/A1订阅服务交互，并基于配置参数配置数据订阅。其中，配置参数配置数据订阅所使用到的参数包括：工作流任务ID、所需E2/A1数据的类型和上报周期/条件。
步骤706：向xApp返回工作流ID。
步骤707：E2订阅服务/A1订阅服务调用数据管道服务，推送E2/A1数据，并携带工作流任务ID。
步骤708：数据管道服务对E2/A1数据预处理后，调用模型推理服务，推送预处理后数据，并携带工作流任务ID。
步骤709：模型推理服务根据步骤708中获得的工作流任务ID，对预处理后数据进行模型推理，推理结果返回xApp，并携带工作流任务ID。
除此之外，方式二和方式四也可组合形成一种新的实现“数据采集-数据预处理-AI/ML模型推理/训练”工作流的方案，为了简洁，在此不再赘述。
需要说明的是，在创建机器学习工作流程，即创建“数据采集-数据预处理-模型推理/训练”工作流之后，模型处理服务或数据管道服务可分别接收到xApp发送的请求，以请求更改对应的模型处理任务或数据管道任务的配置信息(由模型处理任务ID或数据管道任务ID指示)。
并且，在机器学习工作流程结束时，模型处理服务或数据管道服务也可分别接收到xApp发送的请求，以请求删除对应的模型处理任务或数据管道任务(由模型处理任务ID或数据管道任务ID指示)。
本公开实施例的技术方案中，RIC平台通过接收第一应用发送的配置信息，该配置信息用于在RIC平台支持的多个服务上创建与机器学习工作流程相关的任务，然后，RIC平台调用多个服务执行与机器学习工作流程相关的任务，得到机器学习结果，从而向第一应用发送机器学习结果。如此，在实现机器学习工作流的过程当中，通过第一应用对相关服务的预配置，实现多个服务之间的连续调用，而不必每一步都需要第一应用的参与，极大降低了第一应用的信令开销，以及第一应用侧接口在转发数据时的传输压力。
本公开实施例还提出了一种应用于第一应用的服务调用方法，图8为本公开实施例的服务调用方法的流程示意图，如图8所示，该方法可以包括以下步骤：
步骤801：向RIC平台发送配置信息。
其中，RIC平台支持多个服务，多个服务用于第一应用进行机器学习工作流程，配置信息用于在多个服务上创建与机器学习工作流程相关的任务。
在本公开实施例中，xApp通过向RIC平台发送用于创建机器学习工作流程相关的任务的配置信息，从而可使RIC平台中的多个服务基于该配置信息创建各自对应的任务。其中，多个服务包括模型处理服务、数据管道服务以及数据订阅服务，具体的，模型处理服务可以是模型推理服务或者模型训练服务。
在一些实施方式中，多个服务还包括模型管理服务。其中，xApp可以向RIC平台的模型管理服务发送模型文件，并基于该模型文件在RIC平台部署模型，模型由模型ID唯一标识。在一些实施例中，xApp可以在向RIC平台发送配置信息之前，先向RIC平台的模型管理服务发送模型文件，并基于该模型文件在RIC平台部署模型。
在一些实施方式中，步骤801可通过两种不同的方式(方式五和方式六)来实现，其中，方式五通过步骤x1-x3来实现，方式六通过步骤y1来实现，具体包括：
方式五
步骤x1：向模型处理服务发送第一请求，第一请求携带第一配置信息，第一请求用于请求模型处理服务基于第一配置信息创建模型处理任务。
在本公开实施例中，xApp向RIC平台的模型处理服务发送第一请求，来请求创建一个模型处理任务，其中，该模型处理任务由一个模型处理任务ID唯一标识，并对应一组配置信息(第一配置信息)，该第一配置信息包括但不限于：使用的模型ID，处理结果推送或通知地址(例如IP地址+端口号的组合)，以及模型的版本号等。也即，第一请求用于请求模型处理任务基于第一配置信息创建模型处理任务，其中，模型处理任务可以是模型推理任务或者模型训练任务。
步骤x2：向数据管道服务发送第二请求，第二请求携带第二配置信息，第二请求用于请求数据管道服务基于第二配置信息创建数据管道任务。
在本公开实施例中，xApp向RIC平台的数据管道服务发送第二请求，来请求创建一个数据管道任务，其中，该数据管道任务由一个数据管道任务ID唯一标识，并对应一组配置信息(第二配置信息)，该第二配置信息包括但不限于：预处理数据的操作指令(例如归一化、去重、多源数据关联等)，调用模型处理服务时使用的模型处理任务ID等。也即，第二请求用于请求数据管道服务基于第二配置信息创建数据管道任务。
步骤x3：向数据订阅服务发送第三请求，第三请求携带第三配置信息，第三请求用于请求数据订阅服务基于第三配置信息创建数据订阅。
在本公开实施例中，xApp向RIC平台的数据订阅服务发送第三请求，来请求创建一个或多个E2数据订阅/A1数据订阅，其中，该数据订阅由E2订阅ID/A1订阅ID唯一标识，并对应一组配置信息(第三配置信息)，该第三配置信息包括但不限于：E2/A1接口采集数据的类型和上报周期/条件，调用数据管道服务时使用的数据管道任务ID等。也即，第三请求用于请求数据订阅服务基于第三配置信息创建一个或多个E2数据订阅/A1数据订阅。
方式六
步骤y1：向模型处理服务发送第四请求，第四请求携带配置信息，第四请求用于请求模型处理服务基于配置信息创建工作流任务。
在本公开实施例中，xApp向RIC平台的模型处理服务发送第四请求，来请求创建一个工作流任务，其中，该工作流任务对应一组配置信息，该配置信息的参数包括但不限于：所使用的模型ID，所使用的模型版本号，处理结果推送地址，数据管道服务所需参数(如预处理数据的操作命令)，E2订阅服务/A1订阅服务所需参数(E2/A1接口采集数据的类型和上报周期/条件)。也即，第四请求用于请求模型处理服务基于配置信息创建工作流任务。
在一些实施方式中，工作流任务包括：模型处理任务、数据管道任务以及数据订阅，模型处理任务可以是模型推理任务或者模型训练任务，配置信息包括：第一配置信息、第二配置信息和第三配置信息。其中，模型处理任务由模型处理服务基于第一配置信息创建；数据管道任务由数据管道服务基于第二配置信息创建；数据订阅由数据订阅服务基于第三配置信息创建。
步骤802：接收RIC平台发送的机器学习结果，机器学习结果由RIC平台调用多个服务执行任务得到。
在本公开实施例中，xApp通过向RIC平台发送用于创建机器学习工作流程相关的任务的配置信息，使RIC平台中的多个服务基于该配置信息创建各自对应的任务，以供RIC平台调用这多个服务执行与机器学习工作流程相关的任务，并获得机器学习结果，从而xApp可以接收到RIC平台中的模型处理服务发送的机器学习结果。
需要说明的是，在创建机器学习工作流程，即创建“数据采集-数据预处理-模型推理/训练”工作流之后，xApp可分别向模型处理服务或数据管道服务发起请求，以请求更改对应的模型处理任务或数据管道任务的配置信息(由模型处理任务ID或数据管道任务ID指示)。
并且，在机器学习工作流程结束时，xApp可以向模型处理服务或数据管道服务发起请求，以请求删除对应的模型处理任务或数据管道任务(由模型处理任务ID或数据管道任务ID指示)。
本公开实施例的技术方案中，RIC平台通过接收第一应用发送的配置信息，该配置信息用于在RIC平台支持的多个服务上创建与机器学习工作流程相关的任务，然后，RIC平台调用多个服务执行与机器学习工作流程相关的任务，得到机器学习结果，从而向第一应用发送机器学习结果。如此，在实现机器学习工作流的过程当中，通过第一应用对相关服务的预配置，实现多个服务之间的连续调用，而不必每一步都需要第一应用的参与，极大降低了第一应用的信令开销，以及第一应用侧接口在转发数据时的传输压力。
本公开实施例还提出了一种应用于RIC平台的服务调用装置，其中，RIC平台支持多个服务，多个服务用于第一应用进行机器学习工作流程。图9为本公开实施例的服务调用装置的结构示意图，如图9所示，该装置包括：
第一接收单元901，用于接收第一应用发送的配置信息，配置信息用于在多个服务上创建与机器学习工作流程相关的任务。
第一调用单元902，用于调用多个服务执行任务，得到机器学习结果。
第一发送单元903，用于向第一应用发送机器学习结果。
在一些实施方式中，第一接收单元901，具体用于通过模型处理服务接收第一应用发送的第一请求，第一请求携带第一配置信息，第一请求用于请求模型处理服务基于第一配置信息创建模型处理任务；通过数据管道服务接收第一应用发送的第二请求，第二请求携带第二配置信息，第二请求用于请求数据管道服务基于第二配置信息创建数据管道任务；通过数据订阅服务接收第一应用发送的第三请求，第三请求携带第三配置信息，第三请求用于请求数据订阅服务基于第三配置信息创建数据订阅；其中，多个服务包括：模型处理服务、数据管道服务以及数据订阅服务，模型处理服务为模型推理服务或者模型训练服务，模型处理任务为模型推理任务或者模型训练任务。
在一些实施方式中，第一接收单元901，还具体用于通过模型处理服务接收第一应用发送的第四请求，第四请求携带配置信息，第四请求用于请求模型处理服务基于配置信息创建工作流任务；其中，多个服务包括：模型处理服务、数据管道服务以及数据订阅服务，模型处理服务为模型推理服务或者模型训练服务。
在一些实施方式中，第一接收单元901，还具体用于通过模型处理服务分配工作流任务标识，并基于第一配置信息创建模型处理任务；通过模型处理服务向数据管道服务发送第二配置信息，第二配置信息用于数据管道服务创建数据管道任务；通过模型处理服务向数据订阅服务发送第三配置信息，第三配置信息用于数据订阅服务创建数据订阅；其中，工作流任务包括：模型处理任务、数据管道任务以及数据订阅；模型处理任务为模型推理任务或者模型训练任务；配置信息包括：第一配置信息、第二配置信息和第三配置信息。
在一些实施方式中，第一调用单元902，具体用于通过数据订阅服务进行数据订阅，获得采集到的数据；通过数据订阅服务向数据管道服务发送采集到的数据以及数据管道任务标识或工作流任务标识，通过数据管道服务基于数据管道任务标识或工作流任务标识对采集到的数据进行预处理；通过数据管道服务向模型处理服务发送预处理后的数据以及模型处理任务标识或工作流任务标识，通过模型处理服务基于模型处理任务标识或工作流任务标识，对预处理后的数据进行模型处理，生成机器学习结果。
在一些实施方式中，第一调用单元902，还具体用于通过模型处理服务接收第一应用发送的第五请求，第五请求携带模型处理任务标识，第五请求用于向模型处理服务请求模型处理任务标识对应的机器学习结果；通过模型处理服务向数据管道服务发送数据管道任务标识；通过数据管道服务向数据订阅服务发送订阅标识；通过数据订阅服务基于订阅标识向数据管道服务发送采集到的数据；通过数据管道服务基于数据管道任务标识，对采集到的数据进行预处理，并将预处理后的数据发送至模型处理服务；通过模型处理服务基于模型处理任务标识，对预处理后的数据进行模型处理，生成机器学习结果。
在一些实施方式中，第一发送单元903，具体用于通过模型处理服务向第一应用发送机器学习结果。
在一些实施方式中，该装置还包括：
第一部署单元，用于通过模型管理服务接收第一应用发送的模型文件，以供第一应用基于模型文件在RIC平台部署模型；其中，多个服务还包括：模型管理服务。
本公开实施例的技术方案中，RIC平台通过接收第一应用发送的配置信息，该配置信息用于在RIC平台支持的多个服务上创建与机器学习工作流程相关的任务，然后，RIC平台调用多个服务执行与机器学习工作流程相关的任务，得到机器学习结果，从而向第一应用发送机器学习结果。如此，在实现机器学习工作流的过程当中，通过第一应用对相关服务的预配置，实现多个服务之间的连续调用，而不必每一步都需要第一应用的参与，极大降低了第一应用的信令开销，以及第一应用侧接口在转发数据时的传输压力。
本公开实施例还提出了一种应用于第一应用的服务调用装置，图10为本公开实施例的服务调用装置的结构示意图，如图10所示，该装置包括：
第二发送单元1001，用于向RIC平台发送配置信息，RIC平台支持多个服务，多个服务用于第一应用进行机器学习工作流程，配置信息用于在多个服务上创建与机器学习工作流程相关的任务。
第二接收单元1002，用于接收RIC平台发送的机器学习结果，机器学习结果由RIC平台调用多个服务执行任务得到。
在一些实施方式中，第二发送单元1001，具体用于向模型处理服务发送第一请求，第一请求携带第一配置信息，第一请求用于请求模型处理服务基于第一配置信息创建模型处理任务；向数据管道服务发送第二请求，第二请求携带第二配置信息，第二请求用于请求数据管道服务基于第二配置信息创建数据管道任务；向数据订阅服务发送第三请求，第三请求携带第三配置信息，第三请求用于请求数据订阅服务基于第三配置信息创建数据订阅；其中，多个服务包括：模型处理服务、数据管道服务以及数据订阅服务，模型处理服务为模型推理服务或者模型训练服务，模型处理任务为模型推理任务或者模型训练任务。
在一些实施方式中，第二发送单元1001，还具体用于向模型处理服务发送第四请求，第四请求携带配置信息，第四请求用于请求模型处理服务基于配置信息创建工作流任务；其中，多个服务包括：模型处理服务、数据管道服务以及数据订阅服务，模型处理服务为模型推理服务或者模型训练服务，工作流任务包括：模型处理任务、数据管道任务以及数据订阅，模型处理任务为模型推理任务或者模型训练任务；配置信息包括：第一配置信息、第二配置信息和第三配置信息；其中，模型处理任务由模型处理服务基于第一配置信息创建；数据管道任务由数据管道服务基于第二配置信息创建；数据订阅由数据订阅服务基于第三配置信息创建。
在一些实施方式中，第二接收单元1002，具体用于接收模型处理服务发送的机器学习结果。
在一些实施方式中，该装置还包括：
第二部署单元，用于向模型管理服务发送模型文件，基于模型文件在RIC平台部署模型；其中，多个服务还包括：模型管理服务。
本公开实施例的技术方案中，RIC平台通过接收第一应用发送的配置信息，该配置信息用于在RIC平台支持的多个服务上创建与机器学习工作流程相关的任务，然后，RIC平台调用多个服务执行与机器学习工作流程相关的任务，得到机器学习结果，从而向第一应用发送机器学习结果。如此，在实现机器学习工作流的过程当中，通过第一应用对相关服务的预配置，实现多个服务之间的连续调用，而不必每一步都需要第一应用的参与，极大降低了第一应用的信令开销，以及第一应用侧接口在转发数据时的传输压力。
本领域技术人员应当理解，图9和图10所示的服务调用装置中的各单元的实现功能可参照前述方法的相关描述而理解。图9和图10所示的服务调用装置中的各单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。
图11是本公开实施例提供的一种处理设备的结构示意图。该处理设备可以是终端设备或者网络设备，图11所示的处理设备包括处理器1101，处理器1101可以从存储器中调用并运行计算机程序，以实现本公开实施例中的方法。
在一些实施例中，如图11所示，处理设备还可以包括存储器1102。其中，处理器1101可以从存储器1102中调用并运行计算机程序，以实现本公开实施例中的方法。
其中，存储器1102可以是独立于处理器1101的一个单独的器件，也可以集成在处理器1101中。
在一些实施例中，如图11所示，处理设备还可以包括收发器1103，处理器1101可以控制该收发器1103与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。
其中，收发器1103可以包括发射机和接收机。收发器1103还可以进一步包括天线，天线的数量可以为一个或多个。
在一些实施例中，该处理设备具体可为本公开实施例的RIC平台，并且该处理设备可以实现本公开实施例的各个方法中由RIC平台实现的相应流程，为了简洁，在此不再赘述。
在一些实施例中，该处理设备具体可为本公开实施例的第一应用/xApp，并且该处理设备可以实现本公开实施例的各个方法中由第一应用/xApp实现的相应流程，为了简洁，在此不再赘述。
可以理解，本公开实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解，上述存储器为示例性但不是限制性说明，例如，本公开实施例中的存储器还可以是静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)以及直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)等等。也就是说，本公开实施例中的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本公开实施例还提供了一种计算机可读存储介质，用于存储计算机程序。
在一些实施例中，该计算机可读存储介质可应用于本公开实施例中的RIC平台，并且该计算机程序使得计算机执行本公开实施例的各个方法中由RIC平台实现的相应流程，为了简洁，在此不再赘述。
在一些实施例中，该计算机可读存储介质可应用于本公开实施例中的第一应用/xApp，并且该计算机程序使得计算机执行本公开实施例的各个方法中由第一应用/xApp实现的相应流程，为了简洁，在此不再赘述。
本公开实施例还提供了一种计算机程序产品，包括计算机程序指令。
在一些实施例中，该计算机程序产品可应用于本公开实施例中的RIC平台，并且该计算机程序指令使得计算机执行本公开实施例的各个方法中由RIC平台实现的相应流程，为了简洁，在此不再赘述。
在一些实施例中，该计算机程序产品可应用于本公开实施例中的第一应用/xApp，并且该计算机程序指令使得计算机执行本公开实施例的各个方法中由第一应用/xApp实现的相应流程，为了简洁，在此不再赘述。
本公开实施例还提供了一种计算机程序。
在一些实施例中，该计算机程序可应用于本公开实施例中的RIC平台，当该计算机程序在计算机上运行时，使得计算机执行本公开实施例的各个方法中由RIC平台实现的相应流程，为了简洁，在此不再赘述。
在一些实施例中，该计算机程序可应用于本公开实施例中的第一应用/xApp，当该计算机程序在计算机上运行时，使得计算机执行本公开实施例的各个方法中由第一应用/xApp实现的相应流程，为了简洁，在此不再赘述。
本公开所有实施例均可以单独被执行，也可以与其他实施例相结合被执行，均视为本公开要求的保护范围。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，)ROM、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (19)

  1. 一种服务调用方法，应用于无线接入网智能控制器RIC平台，所述RIC平台支持多个服务，所述多个服务用于第一应用进行机器学习工作流程；所述方法包括：
    接收所述第一应用发送的配置信息，所述配置信息用于在所述多个服务上创建与所述机器学习工作流程相关的任务；
    调用所述多个服务执行所述任务，得到机器学习结果；
    向所述第一应用发送所述机器学习结果。
  2. 根据权利要求1所述的方法，其中，所述多个服务包括：模型处理服务、数据管道服务以及数据订阅服务；所述模型处理服务为模型推理服务或者模型训练服务；
    所述接收所述第一应用发送的配置信息，包括：
    通过所述模型处理服务接收所述第一应用发送的第一请求，所述第一请求携带第一配置信息，所述第一请求用于请求所述模型处理服务基于所述第一配置信息创建模型处理任务；所述模型处理任务为模型推理任务或者模型训练任务；
    通过所述数据管道服务接收所述第一应用发送的第二请求，所述第二请求携带第二配置信息，所述第二请求用于请求所述数据管道服务基于所述第二配置信息创建数据管道任务；
    通过所述数据订阅服务接收所述第一应用发送的第三请求，所述第三请求携带第三配置信息，所述第三请求用于请求所述数据订阅服务基于所述第三配置信息创建数据订阅。
  3. 根据权利要求1所述的方法，其中，所述多个服务包括：模型处理服务、数据管道服务以及数据订阅服务；所述模型处理服务为模型推理服务或者模型训练服务；
    所述接收所述第一应用发送的配置信息，包括：
    通过所述模型处理服务接收所述第一应用发送的第四请求，所述第四请求携带所述配置信息，所述第四请求用于请求所述模型处理服务基于所述配置信息创建工作流任务。
  4. 根据权利要求3所述的方法，其中，所述工作流任务包括：模型处理任务、数据管道任务以及数据订阅；所述模型处理任务为模型推理任务或者模型训练任务；所述配置信息包括：第一配置信息、第二配置信息和第三配置信息；所述方法还包括：
    通过所述模型处理服务分配工作流任务标识，并基于所述第一配置信息创建模型处理任务；
    通过所述模型处理服务向所述数据管道服务发送所述第二配置信息，所述第二配置信息用于所述数据管道服务创建数据管道任务；
    通过所述模型处理服务向所述数据订阅服务发送所述第三配置信息，所述第三配置信息用于所述数据订阅服务创建数据订阅。
  5. 根据权利要求2至4中任一项所述的方法，其中，所述调用所述多个服务执行所述任务，得到机器学习结果，包括：
    通过所述数据订阅服务进行数据订阅，获得采集到的数据；
    通过所述数据订阅服务向所述数据管道服务发送所述采集到的数据以及数据管道任务标识或工作流任务标识，通过所述数据管道服务基于所述数据管道任务标识或所述工作流任务标识对所述采集到的数据进行预处理；
    通过所述数据管道服务向所述模型处理服务发送预处理后的数据以及模型处理任务标识或所述工作流任务标识，通过所述模型处理服务基于所述模型处理任务标识或所述工作流任务标识，对所述预处理后的数据进行模型处理，生成所述机器学习结果。
  6. 根据权利要求2至4中任一项所述的方法，其中，所述调用所述多个服务执行所述任务，得到机器学习结果，包括：
    通过所述模型处理服务接收所述第一应用发送的第五请求，所述第五请求携带模型处理任务标识，所述第五请求用于向所述模型处理服务请求所述模型处理任务标识对应的机器学习结果；
    通过所述模型处理服务向所述数据管道服务发送数据管道任务标识；
    通过所述数据管道服务向所述数据订阅服务发送订阅标识；
    通过所述数据订阅服务基于所述订阅标识向所述数据管道服务发送采集到的数据；
    通过所述数据管道服务基于所述数据管道任务标识，对所述采集到的数据进行预处理，并将预处理后的数据发送至所述模型处理服务；
    通过所述模型处理服务基于所述模型处理任务标识，对所述预处理后的数据进行模型处理，生成所述机器学习结果。
  7. 根据权利要求2至6中任一项所述的方法，其中，所述向所述第一应用发送所述机器学习结果，包括：
    通过所述模型处理服务向所述第一应用发送所述机器学习结果。
  8. 根据权利要求2至7中任一项所述的方法，其中，所述多个服务还包括：模型管理服务；所述方法还包括：
    通过所述模型管理服务接收所述第一应用发送的模型文件，以供所述第一应用基于所述模型文件在所述RIC平台部署模型。
  9. 一种服务调用方法，应用第一应用，所述方法包括：
    向RIC平台发送配置信息，所述RIC平台支持多个服务，所述多个服务用于所述第一应用进行机器学习工作流程，所述配置信息用于在所述多个服务上创建与所述机器学习工作流程相关的任务；
    接收所述RIC平台发送的机器学习结果，所述机器学习结果由所述RIC平台调用所述多个服务执行所述任务得到。
  10. 根据权利要求9所述的方法，其中，所述多个服务包括：模型处理服务、数据管道服务以及数据订阅服务；所述模型处理服务为模型推理服务或者模型训练服务；
    所述向RIC平台发送配置信息，包括：
    向所述模型处理服务发送第一请求，所述第一请求携带第一配置信息，所述第一请求用于请求所述模型处理服务基于所述第一配置信息创建模型处理任务；所述模型处理任务为模型推理任务或者模型训练任务；
    向所述数据管道服务发送第二请求，所述第二请求携带第二配置信息，所述第二请求用于请求所述数据管道服务基于所述第二配置信息创建数据管道任务；
    向所述数据订阅服务发送第三请求，所述第三请求携带第三配置信息，所述第三请求用于请求所述数据订阅服务基于所述第三配置信息创建数据订阅。
  11. 根据权利要求9所述的方法，其中，所述多个服务包括：模型处理服务、数据管道服务以及数据订阅服务；所述模型处理服务为模型推理服务或者模型训练服务；
    所述向RIC平台发送配置信息，包括：
    向所述模型处理服务发送第四请求，所述第四请求携带配置信息，所述第四请求用于请求所述模型处理服务基于所述配置信息创建工作流任务。
  12. 根据权利要求11所述的方法，其中，所述工作流任务包括：模型处理任务、数据管道任务以及数据订阅；所述模型处理任务为模型推理任务或者模型训练任务；所述配置信息包括：第一配置信息、第二配置信息和第三配置信息；其中，
    所述模型处理任务由所述模型处理服务基于所述第一配置信息创建；
    所述数据管道任务由所述数据管道服务基于所述第二配置信息创建；
    所述数据订阅由所述数据订阅服务基于所述第三配置信息创建。
  13. 根据权利要求10至12中任一项所述的方法，其中，所述接收所述RIC平台发送的机器学习结果，包括：
    接收所述模型处理服务发送的所述机器学习结果。
  14. 根据权利要求10至13中任一项所述的方法，其中，所述多个服务还包括：模型管理服务；所述方法还包括：
    向所述模型管理服务发送模型文件，基于所述模型文件在所述RIC平台部署模型。
  15. 一种服务调用装置，应用于RIC平台，所述RIC平台支持多个服务，所述多个服务用于第一应用进行机器学习工作流程；所述装置包括：
    第一接收单元，用于接收所述第一应用发送的配置信息，所述配置信息用于在所述多个服务上创建与所述机器学习工作流程相关的任务；
    第一调用单元，用于调用所述多个服务执行所述任务，得到机器学习结果；
    第一发送单元，用于向所述第一应用发送所述机器学习结果。
  16. 一种服务调用装置，应用于第一应用，所述装置包括：
    第二发送单元，用于向RIC平台发送配置信息，所述RIC平台支持多个服务，所述多个服务用于所述第一应用进行机器学习工作流程，所述配置信息用于在所述多个服务上创建与所述机器学习工作流程相关的任务；
    第二接收单元，用于接收所述RIC平台发送的机器学习结果，所述机器学习结果由所述RIC平台调用所述多个服务执行所述任务得到。
  17. 一种处理设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至14中任一项所述的方法。
  18. 一种计算机可读存储介质，用于存储计算机程序，所述计算机程序使得计算机执行如权利要求1至14中任一项所述的方法。
  19. 一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如权利要求1至14中任一项所述的方法。
PCT/CN2025/085167 2024-03-28 2025-03-26 服务调用方法、装置、处理设备、存储介质及程序产品 Pending WO2025201430A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410370783.6A CN120723495A (zh) 2024-03-28 2024-03-28 服务调用方法、装置、处理设备、存储介质及程序产品
CN202410370783.6 2024-03-28

Publications (1)

Publication Number Publication Date
WO2025201430A1 true WO2025201430A1 (zh) 2025-10-02

Family

ID=97167681

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2025/085167 Pending WO2025201430A1 (zh) 2024-03-28 2025-03-26 服务调用方法、装置、处理设备、存储介质及程序产品

Country Status (2)

Country Link
CN (1) CN120723495A (zh)
WO (1) WO2025201430A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272119A (zh) * 2018-09-11 2019-01-25 杭州祁睿信息技术有限公司 一种基于机器学习模型的面向用户型人工智能系统平台
WO2022155511A1 (en) * 2021-01-15 2022-07-21 Intel Corporation Data services for ric applications
WO2022165373A1 (en) * 2021-02-01 2022-08-04 Intel Corporation Data policy admin function in non-real time (rt) radio access network intelligent controller (ric)
CN117044269A (zh) * 2021-03-23 2023-11-10 诺基亚通信公司 Ran ai/ml模型的分布偏移的自适应学习
CN117479207A (zh) * 2023-11-24 2024-01-30 中国电信股份有限公司技术创新中心 无线接入网络的ai模型调度方法、装置及相关设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272119A (zh) * 2018-09-11 2019-01-25 杭州祁睿信息技术有限公司 一种基于机器学习模型的面向用户型人工智能系统平台
WO2022155511A1 (en) * 2021-01-15 2022-07-21 Intel Corporation Data services for ric applications
WO2022165373A1 (en) * 2021-02-01 2022-08-04 Intel Corporation Data policy admin function in non-real time (rt) radio access network intelligent controller (ric)
CN117044269A (zh) * 2021-03-23 2023-11-10 诺基亚通信公司 Ran ai/ml模型的分布偏移的自适应学习
CN117479207A (zh) * 2023-11-24 2024-01-30 中国电信股份有限公司技术创新中心 无线接入网络的ai模型调度方法、装置及相关设备

Also Published As

Publication number Publication date
CN120723495A (zh) 2025-09-30

Similar Documents

Publication Publication Date Title
CN112055078B (zh) 一种数据传输方法、装置、计算机设备和存储介质
JP4205323B2 (ja) 配信システム、配信サーバとその配信方法、配信プログラム
CN108632063B (zh) 管理网络切片实例的方法、装置和系统
CN107343294B (zh) 背景数据传输策略配置方法及装置
CN115915289A (zh) 计算任务的策略确定或资源分配方法、装置、网元及介质
CN113326155A (zh) 一种信息处理方法、装置、系统和存储介质
US20040261086A1 (en) Application programming interface for provisioning services
CN111090495A (zh) 节点管理方法、装置、设备、存储介质和系统
WO2022001941A1 (zh) 网元管理方法、网管系统、独立计算节点、计算机设备、存储介质
CN116805946A (zh) 一种消息请求处理方法、装置、电子设备及存储介质
CN114760357A (zh) 一种请求处理方法、装置、计算机设备和存储介质
CN112631680B (zh) 微服务容器调度系统、方法、装置和计算机设备
CN116700985A (zh) 模型部署方法、系统及存储介质
WO2025201430A1 (zh) 服务调用方法、装置、处理设备、存储介质及程序产品
CN108259605B (zh) 一种基于多数据中心的数据调用系统及方法
CN109783248A (zh) 数据访问方法、装置、计算机设备以及存储介质
CN114844898B (zh) 一种互联网接入方法、装置及系统
CN117729198A (zh) 跨Kubernetes集群的隐私计算任务同步方法及系统
CN118260031A (zh) 节点资源的确定方法、容器调度方法、装置和存储介质
CN112631642A (zh) 智能合约的升级方法、装置、区块链节点及存储介质
KR102897926B1 (ko) O-ran 기반의 보안 모니터링을 위한 데이터 수집 방법과 이를 수행하기 위한 랜 지능형 컨트롤러 및 이를 구비하는 통신 시스템
CN115842973B (zh) 光网络单元管控方法、装置、相关功能设备和存储介质
CN119520386B (zh) 信息传输方法、装置、计算机设备、和可读存储介质
KR102808187B1 (ko) 상이한 네트워크 로봇 컴포넌트들 간의 통신 구성 장치 및 방법
CN113127007B (zh) 业务组件部署方法、装置、计算机设备和存储介质

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: 25778883

Country of ref document: EP

Kind code of ref document: A1