CN116158116A - 从ue检索已训练ml模型 - Google Patents

Abstract

提供了一种装置，包括：一个或多个处理器，以及存储指令的存储器，该指令在被一个或多个处理器执行时，引起该装置：监测已训练模型在终端处是否可用；如果已训练模型在终端处可用，则向网络通知已训练模型在终端处可用。

Description

从UE检索已训练ML模型

技术领域

本公开涉及从UE检索一个或多个已训练ML模型。

缩写

3GPP：第三代合作伙伴项目

3G/4G/5G：第三代/第四代/第五代

AI：人工智能

AMF：接入和移动性管理功能

CN：核心网

gNB：5G基站

IE：信息元素

LTE：长期演进

MDT：最小化路测

ML：机器学习

MR-DC：多RAT-双连接

MTC：机器类型通信

NF：网络功能

NG-RAN：下一代RAN

NR：新无线电

O&M：操作和维护

RAN：无线电接入网

RAT：无线电接入技术

Rel：版本

RRC：无线电资源控制

RRM：无线电资源管理

SA：系统架构

SON：自优化网络

SRB：信令无线电承载

TS：技术规范

UE：用户设备

UL：上行链路

背景技术

5G网络有望应对不断增加的数目的性能指标的联合优化的挑战。此外，5G带来了由NR架构/特征(包括MR-DC、波束成形等)引入的复杂的系统设计和优化问题，这使得传统的人机交互变得缓慢、容易出错、成本高昂并且难以应对这些挑战。

5G演进推动了对研究用例以及提出支持人工智能(AI)/机器学习(ML)的5G系统的潜在服务要求的需要。S1-193606中商定的3GPP SA1研究项目描述了目标，并且强调ML和AI将参与具体的5G网络实体和基础设施。开发机器学习过程和模型的方式已经假定5G业务和最终用户的设备将参与ML模型训练。

Shai Shalev-Shwartz和Shai Ben-David的书“Understanding MachineLearning:From Theory to Algorithms”(剑桥大学出版社，2014年)将ML描述如下：“作为一个跨学科领域，机器学习与统计学、信息论、博弈论和优化等数学领域有着共同的联系。它自然是计算机科学的一个子领域，因为我们的目标是对机器进行编程，使其能够学习。在某种意义上，机器学习可以被视为AI(人工智能)的一个分支，因为毕竟，将经验转化为专业技能或检测复杂感官数据中的有意义模式的能力是人类(和动物)智能的基石”。此外，在本书中，机器学习(ML)被定义为自动学习的一部分，通过该部分，计算机被编程，使得它们可以从可用于它们的输入中“学习”。学习被定义为将经验转化为专业技能或知识的过程。学习算法的输入是表示经验的训练数据，并且输出是一些专业知识，其通常采用可以执行某种任务的另一计算机程序的形式。

5G中的ML执行可能需要最终用户训练ML模型(即，UE在训练过程中从所提供的数据中学习)。

同时，3GPP RAN讨论了可以经由AI来实现的用例。它们包括节能、业务控制、移动性优化、负载平衡、物理层配置优化等。

3GPP Rel-16在以RAN为中心的数据收集机制下定义了5G特征，该特征解决了很多网络优化相关用例。在Rel.16的RAN数据收集框架下，5G标准支持SON和MDT报告[3GPP TS37.320]，以为运营商监测和优化任何种类的5G部署和相关问题的性能提供手段。默认情况下，MDT报告可以按照优化用例进行分类(例如，对于无线电覆盖，UE将无线电信号电平与定位数据记录在一起；针对移动性鲁棒性，UE在当无线电链路故障被检测到时记录无线电信号电平，等等)。总的来说，MDT和SON针对用户性能和网络性能两者启用数据收集。

ML模型的训练需要大量数据。因此，SON/MDT特征构成用于收集UE数据的高效方法。由最终用户进行的SON/MDT测量记录是用于使用ML模型来监测移动业务/用户的预测的非常好的候选。UE可以具有本地可用的若干已训练ML模型。ML模型训练可以按照用例或优化问题而被执行。

MDT是允许无线电测量检索的现有框架。用于5G的Rel.16中的数据收集继承了(从LTE)两种类型的MDT：用于递送实时测量的即时MDT方法(例如，当在RRC CONNECTED中针对典型RRM操作而执行的测量的结果时的即时MDT)和用于递送在UE上下文在网络处被释放或挂起期间所获取的非实时测量结果的日志记录的MDT方法(当UE处于RRC IDLE或INACTIVE状态时日志记录的MDT)。即时MDT报告意味着，UE在执行无线电测量之后立即生成无线电测量的实时报告。对于日志记录的MDT报告，UE在处于连接模式时被配置。当UE处于(进入)RRCIDLE或RRC INACTIVE模式时，UE收集数据。当UE(重新)进入连接模式时，日志形式的延迟报告被发送给网络；UE可以通过RRC消息向网络指示测量可用性，并且网络可以通过UE信息过程获取日志记录的报告。3GPP TS37.320和TS38.331定义了这些过程。

通过使用PCT/EP2020/061734的MDT配置中描述的用于UE处的ML训练的方法，网络指示UE自主训练ML模型。

发明内容

本发明的目的是改进现有技术。

根据本发明的第一方面，提供了一种装置，该装置包括：一个或多个处理器，以及存储指令的存储器，该指令在由一个或多个处理器执行时，引起该装置：监测已训练模型在终端处是否可用；如果已训练模型在终端处可用，则向网络通知已训练模型在终端处可用。

根据本发明的第二方面，提供了一种装置，该装置包括：一个或多个处理器，以及存储指令的存储器，该指令在由一个或多个处理器执行时，引起该装置：监测关于已训练模型在终端处可用的信息是否被接收；如果该信息被接收，则请求终端提供已训练模型。

根据本发明的第三方面，提供了一种方法，该方法包括：监测已训练模型在终端处是否可用；如果已训练模型在终端处可用，则向网络通知已训练模型在终端处可用。

根据本发明的第四方面，提供了一种方法，该方法包括：监测关于已训练模型在终端处可用的信息是否被接收；如果该信息被接收，则请求终端提供已训练模型。

第三方面和第四方面的方法中的每个方法可以是机器学习方法。

根据本发明的第五方面，提供了一种包括指令集的计算机程序产品，该指令集当在装置上被执行时，被配置为引起装置执行根据第三方面和第四方面中的任一方面的方法。计算机程序产品可以体现为计算机可读介质或直接可加载到计算机中。

根据本发明的一些实施例，可以实现以下优点中的至少一个：

·网络可以从UE取回已训练ML模型；

·网络可以接收信息，该信息允许决定用于取回已训练ML模型的时间和/或决定取回已训练ML模型的优先级。

应当理解，任何上述修改都可以单独或组合地应用于它们所指的各个方面，除非它们被明确表示为排除替代方案。

附图说明

另外的细节、特征、目的和优点从以下结合附图对本发明的优选实施例的详细描述中很清楚，在附图中：

图1示出了根据本发明的一些示例实施例的独立5G架构中的高级消息流；

图2示出了根据本发明的一些示例实施例的消息流；

图3示出了根据本发明的一些示例实施例的消息流；

图4示出了根据本发明的一些示例实施例的消息流；

图5示出了根据本发明的一些示例实施例的消息流；

图6示出了根据本发明的一些示例实施例的消息流；

图7示出了根据本发明的示例实施例的装置；

图8示出了根据本发明的示例实施例的方法；

图9示出了根据本发明的示例实施例的装置；

图10示出了根据本发明的示例实施例的方法；以及

图11示出了根据本发明的示例实施例的装置。

具体实施方式

下文中，参考附图详细描述本发明的某些实施例，其中除非另有描述，否则实施例的特征可以彼此自由组合。然而，应明确理解，某些实施例的描述仅通过示例的方式给出，并且决不打算将其理解为将本发明限于所公开的细节。

此外，应当理解，该装置被配置为执行对应方法，尽管在一些情况下，仅描述了该装置或仅描述了该方法。

尽管大多数AI算法可以是特定于实现的，但是用于在UE处检索ML已训练模型的触发条件以及ML执行目标应当优选地被标准化。因此，用户与网络之间的ML训练和执行的信令支持可能会适应现有框架中的一些，这使得用于ML支持的标准化信令变得可行，并且从标准角度来看是一个主要目标。

为了实现在UE中训练的ML模型可用于符合3GPP的架构(RAN，CN)，5G RAN网络节点可以支持信令能力，该信令能力将促进已训练ML模型(即，其参数)的传输。

目前，标准中没有用于以下操作的信令框架：

·知道UE已经参与ML训练，特别是在其已经转变到RRCIDLE并且网络已经释放UE上下文之后；

·获取已训练ML模型(其参数)；

·在不影响常规无线电操作的情况下控制模型数据检索并且确

定其优先级

虽然可以有不同方法用于使UE参与ML执行和触发ML模型训练，但建议为用于检索在UE中训练的ML模型的信令定义标准接口。5G系统对模型分发和传输(下载、上传、更新等)的人工智能(AI)/机器学习(ML)支持尚不存在。当ML模型在UE中被训练时，本发明的一些示例实施例向网络发信号通知ML模型过程的配置和/或状态。MDT可以被用作信令基线以用于ML目的。

本发明的一些示例实施例解决了在UE中训练ML模型的情况，该ML模型应当被检索以在网络中执行。它们包括控制平面信令和用于由网络检索在UE中训练的ML模型的过程。一些示例实施例提供了新的“特定于ML”的参数，该参数被用于在要检索ML模型时在与ML模型训练或设置条件相关的过程中确定ML模型特性。这些参数可以被用作确定(多个)RRC参数或指示符的另外的信令的条件，以使得网络能够决定用于检索已训练ML模型的最佳方式。

检索可以被拆分为三个主要部分：

1.检索发起，由UE中的特定于ML的行为和动作通过以下方式

触发：

-ML模型可用性发生。UE确定其具有可用的(已训练的)ML模型，并且使该信息可用于RRC层。UE可以基于与训练相关的一个或多个参数来确定ML模型是否被充分训练。详细地，它可以将这样的参数的实际值与该参数的目标值进行比较。网络可以向UE提供该目标值，或者该目标值可以是被预定义。这样的参数的示例是ML模型成熟度水平和ML模型状态，如下所述。网络(gNB)可以自己确定(计算)目标值，或者它可以直接或间接地从托管ML模型的配置的实体(例如，服务器)接收目标值。这样的实体的一个示例是O&M中心，该O&M中心可以确定目标值或者可以将目标值从托管ML模型的配置的另一实体转发给gNB。

-向网络(由gNB表示)的ML模型可用性指示。可用性可以归因于ML模型成熟度水平和/或ML模型状态。UE可以向gNB发信号通知ML模型可用性，并且可以向gNB提供参数，诸如ML模型成熟度水平和/或ML模型状态。

2.gNB作为响应采取行动，相应地，：

-gNB请求ML模型检索，如果UE提供ML模型参数，则gNB请求由一个或多个ML模型参数定制的ML模型检索。该请求可以是立即的或推迟的。此外，它可以具有正常优先级，也可以具有降低的优先级。

3.gNB向其他网络实体分发ML模型。该步骤涉及在RAN节点和之后的节点内的网络接口之上分发ML模型(例如，向CN，如图1所示)。如果已训练ML模型仅在gNB自身中使用，则该步骤可以被省略。

这三个步骤的基本概述如图1所示，其中ML模型数据被发送给核心网(AMF)，作为使用ML模型数据的另一网络功能的示例。也就是说，UE执行ML模型的训练。如果模型被训练到一定程度，则UE通过RRC过程将其通知给NG-RAN。除了关于已训练ML模型的可用性的信息之外，该信息可以包括与ML模型的训练相关的一个或多个参数。一个这样的参数是成熟度水平，该成熟度水平将在下面更详细地描述。注意，图中所示的消息流仅描绘了与本发明的一些示例实施例相关的消息，并且省略了在准备或跟踪相关消息时可能需要的消息。

基于包括参数(如果有的话)的可用性指示，RAN决定要检索ML模型数据。因此，它向UE发送相应UE信息请求UEInformationRequest。UE用ML模型数据进行响应。RAN可以将ML模型数据转发给其他网络功能(例如，AMF)或其他RAN节点。

在下文中，将更详细地描述一些示例实施例。作为前提，假定UE已经参与ML模型训练，并且ML模型存在于UE中。

每个ML模型(及其训练)适用于UE中的一个或多个RRC状态(RRC_IDLE、RRC_INACTIVE或RRC_CONNECTED)。这表示，UE被选择并且被指示来在至少一个RRC状态下训练ML模型和/或执行ML模型。例如，如果ML模型以RRC状态RRC_IDLE为目标，则UE学习无线电测量、或为在RRC_IDL状态下执行的ML训练而选择的任何其他测量。如果ML模型目标RRC状态是RRC_CONNECTED，则UE学习在该RRC_CONNECT状态下执行的无线电测量。

如果UE在RRC CONNECTED状态下执行训练，则UE可以在处于相同状态(即，在释放RRC连接之前处于RRC CONNECT状态)时启用由网络进行的数据检索。当UE在没有到网络的活动RRC连接的RRC状态(即，RRC_IDLE、RRC_INACTIVE)下训练ML模型时，ML模型数据不能在相同RRC状态下被传输给网络。因此，对于ML模型数据检索，UE必须执行RRC状态转变。这表示，如果UE被选择并且被指示在RRC IDLE和RRC INACTIVE状态下训练和/或执行ML模型，则UE在RRC状态下维持ML模型数据，在该状态期间，网络没有到UE的RRC连接。它保持ML模型数据，至少直到RRC连接发生(即，UE进入RRC CONNECTED)。在RRC_CONNECTED状态下，UE可以向网络传输RRC模型数据。

解释根据一些示例实施例的上文概述的三个主要部分的详细实现：

1.由UE进行的ML模型检索发起：该过程包括两个步骤，即：

a)UE检测到ML模型是可用的(已训练的)。UE确定其具有可用的已训练ML模型，并且使RRC层知道该可用性。UE可以使用训练相关的参数中的一个或多个参数，来评估ML模型是否被充分训练。

b)UE向gNB发信号通知ML模型可用性

ML模型可用性确定可以是简单的布尔函数(真/假)。在一些示例实施例中，UE可以另外确定可用性的一个或多个参数的实际值，并且经由对应RRC信息元素向gNB通知这些参数值。gNB可以在决定是否要从UE检索ML模型数据时考虑该一个或多个参数值。UE甚至可以基于ML模型的这些一个或多个参数值来决定不向网络通知该可用性。由于用于确定ML模型可用性的这些一个或多个参数，可以避免过于频繁和低效的信令开销。

下面，我们更详细地描述能够被UE用于确定充分训练的ML模型的存在的示例参数，即，ML模型成熟度水平和ML模型状态参数。

ML模型成熟度水平：ML模型成熟度水平是一个参数，其基于以下中的至少一项来定义ML模型在训练过程中的成熟程度：

·时间：通过确定ML模型被训练的时间长度、或自从ML模型被上传到UE以来经过的时间，UE可以决定ML模型的成熟程度。ML模型的参数的实际值和目标值定义UE的评估条件，即，UE应当如何关于时间来确定ML模型成熟度。它可以具有如“短”、“中等”或“长”等值，或者它可以明确地指示自从训练开始以来、或自从ML模型被上传到UE以来经过的时间。如果ML模型由UE根据参数的目标值(例如，运行ML模型花费了很长时间)积极地评估，则UE相应地设置RRC参数以发信号通知ML模型成熟度水平参数的实际值。

·阈值：通过确定已训练数据与原始ML模型的偏差程度、或者在已训练ML模型中在某个置信阈值内是否达到收敛，UE可以决定ML模型的成熟程度。替代地，阈值可以包括分类决策阈值，该分类决策阈值表示，当分类阈值被超过时，已训练ML模型决定要执行动作，而当分类阈值未被超过时，已训练ML模型决定要执行不同动作。如果结果高于某个预定义阈值，则该阈值可以由UE进一步使用以比较结果。例如，这可以涉及这样的情况：如果测量超过预定义无线电电平(以dB表示)阈值，则UE被指派记录无线电信号强度测量。发信号通知的参数值可以是布尔值(低于或高于预定义阈值)。

·模型大小：UE通过确定用于训练的数据大小来决定ML模型的成熟程度。在这种情况下，ML模型的大小越大，则认为ML模型越成熟。模型大小可以在ML模型已经被训练足够长时间之后计算，例如，经过一段时间或观察到模型收敛的某个行为。参数可以具有如“小”、“中等”和“大”等值。此外，模型大小可以取决于根据总层数、层类型、每层的输出形状、每层的权重数目等描述已训练ML模型所需要的实际大小(以MB为单位)。

ML模型状态：ML模型状态是指示模型训练的状态的另一参数。ML模型状态的示例值可以是：

·正在进行(UE正在继续ML训练过程)

·不活动(UE暂时没有活动的ML训练，例如，没有条件被满足)

·已训练(UE已经完成ML训练过程)

将这样的参数值(例如，ML模型成熟度水平和ML模型状态)发信号通知给网络，允许UE除了发起检索过程之外还传递附加信息，该附加信息将帮助gNB做出关于ML模型的检索的适当决策。

如果ML模型在不具有到网络的RRC连接的状态中的一个状态(例如，RRC_IDLE、RRC_INACTIVE)下被训练，则用于向网络指示已训练ML模型的可用性的过程的起点可以是RRC连接(即，RRC建立过程)的发起。图2表示由UE进行的ML模型检索发起如何实现。

对于由UE进行的ML模型检索发起，有若干选项：

a.在一个选项中，ML模型可用性通过新RRC建立原因或RRC建立过程中两种不同情 况下的标志来实现。在这种情况下，可用性或者明确被指示为布尔变量(真/假)，或者通过相应参数的存在或不存在来隐式地被指示。在第一种情况下，由于RRC建立请求消息的大小限制，新建立原因(例如，“ML模型数据”)被理解为用于向gNB指示ML模型可用于检索的隐式方法。在第二选项中，(替代RRCSetupRequest使用)可以在RRC建立完成消息中传递标志(真/假)。为了避免信令开销，UE可以基于一个或多个参数(例如，成熟度水平、状态)，来决定是否要向网络指示已训练模型的可用性。在一些示例实施例中，仅实现这些替代方案中的一个，而在一些其他示例实施例中，实现这些替代方案两者。示例如图2所示。

b.选项a与初始RRC过程(RRC建立)相关。因此，如果ML模型可用性在RRC_CONNECTED状态下被确定，或者如果UE希望仅在RRC状态转变到RRC_CONNECT状态之后才向网络通知ML模型可用性，则可以不使用选项a。至少在这些情况下，UE可以使用UEAssistanceInformation RRC过程。与RRC建立相比，该过程在大小方面的限制更小，并且因此在信令能力方面提供更大灵活性。消息流如图3所示。更大灵活性允许UE向gNB指示ML模型训练的参数(例如，成熟度和/或状态)。UEAssistanceInformation RRC过程也可以被用作在RRC建立过程中ML模型可用性的指示的补充过程。在这种情况下，UEAssistanceInformation RRC过程可以用于将(多个)所确定的训练参数值(例如，成熟度和/或状态)传递给网络。UEAssistanceInformation RRC过程提供在UE处于RRC_CONNECTED状态的任何时间向网络通知已训练ML模型的可用性的可能性，而与任何状态转变无关。

2.由gNB进行的ML模型检索：

在从UE接收到关于已训练模型可用的指示之后，gNB可以使用RRC过程来请求ML模型。例如，作为RRC请求消息，gNB可以使用RRC UE信息请求消息。UE相应地(例如，通过RRCUE信息响应消息)用ML模型进行响应，如图4所示。

UE可以具有本地可用的若干ML模型。这些ML模型可以被用于训练和进一步解决一个或多个优化问题(针对覆盖优化的ML模型、针对移动性鲁棒性的ML模型等)。在这种情况下，来自网络的请求可以是按照已训练用例/ML模型，或者gNB可以通过单个请求获取多个模型。

如果UE向gNB提供ML模型的训练的实际参数值(例如，ML模型成熟度水平、ML模型状态)，则gNB可以基于该参数值来决定要降低将被用于ML模型检索的信令的优先级。例如，为了支持较低优先级，gNB可以决定要配置与常规的更重要的专用信令(SRB1、SRB2、SRB3)相比具有较低优先级的SRB。新SRB(例如，“SRB4”)可以被定义并且用于ML相关内容的检索过程，即，现有RRC UE信息过程可以与新(较低优先级)分配一起使用。

在一些示例实施例中，如果UE提供(多个)ML模型参数值，则gNB可以基于该(多个)参数值，来决定要检索ML模型的时间。例如，它可以决定要立即检索ML模型，或者要将检索推迟到稍后的时间点。当然，gNB也可以基于该参数值来决定不检索ML模型(＝延迟到永恒)。

在一些示例实施例中，gNB可以使用相同参数值来决定降低优先级和延迟两者。例如，gNB可以使用ML模型成熟度水平的实际值和ML模型状态的实际值中的一者或两者，来决定降低优先级和延迟两者。在一些示例实施例中，gNB可以针对这些决策使用不同参数。例如，它可以使用ML模型成熟度水平来决定降低优先级，使用ML模型状态来决定延迟(反之亦然)。

现有RRC UE信息过程具有提供在若干UE信息消息的段中拆分的信息的能力。在这种情况下，UE仅在UE信息消息中指示它有ML模型的更多段要发送，并且连续UE信息响应消息将出现(参见图5，从UE到NG-RAN的最后三个消息)。

在另一示例实施例中，UE自身响应于ML检索命令的行为可以对UL消息进行分段(例如，在ML模型数据不适合于一个RRC消息的情况下)。为了实现这一点，ULDedicatedMessageSegment RRC消息使用针对ML模型的分段的新参数被扩展(参见图6)，即，现有RRC消息ULDedicatedMessageSegment的适用性被扩展到ML用例。如图6的示例所示，网络基于ML模型的成熟度水平进行检索决策，该成熟度水平可以基于在网络处从UE接收的ML模型大小来确定。以这种方式，网络可以基于总体ML模型大小和大呢ULDedicatedMessageSegment RRC消息的最大大小，来隐式地确定传输整个ML模型需要多少不同的段。作为ULDedicatedMessageSegment RRC消息中的另一替代方案，UE不仅可以指示每次发送的段号，还可以指示它已经将ML模型分段成的总段数，例如，3个段中的段1、3个段中的段2、3个段中的段3。这两个替代方案可以单独使用，作为向网络指示总段数的两个不同选项(隐式和显式)。作为另一可能性，这两种替代方案(隐式和显式)可以一起使用，使得UE可以向网络指示ML模型大小，并且同时可以向网络指示每次发送的段号以及总段数。

3.gNB将ML模型参数向前分发给其他网络实体(可选)

根据用例，在UE侧训练并且由gNB利用上述过程检索的ML模型可以在gNB之外的其他网络实体(网络功能)中被执行，例如在核心网中。该场景需要在gNB与其他网络实体之间的网络接口上进一步分发检索到的UE ML模型，如图1所示。

尽管AI/ML算法依赖于实现，但建议对信令支持进行标准化，以从UE检索已训练ML模型，以及将其转发给执行ML模型(ML推理主机)的另一网络实体(网络功能)。选择在UE中训练模型(或模型的一部分)是需要大量UE测量和/或信息的很多用例的最佳解决方案，因为它在不危及常规无线电资源使用的情况下保持了频谱效率。同时，它使得RAN能够参与ML架构和ML数据检索，以在标准化5G部署中使用ML。

图7示出了根据本发明的实施例的装置。该装置可以是终端，诸如UE或MTC设备，或者是其元件。图8示出了根据本发明的实施例的方法。根据图7的装置可以执行图8的方法，但不限于该方法。图8的方法可以由图7的装置执行，但不限于由该装置执行。

该装置包括用于监测的部件20和用于通知的部件30。用于监测的部件20和用于通知的部件30可以分别是监测部件和通知部件。用于监测的部件20和用于通知的部件30可以分别是监测器和通知器。用于监测的部件20和用于通知的部件30可以分别是监测处理器和通知处理器。

用于监测的部件20监测已训练模型(ML模型)在终端处是否可用(S20)。如果已训练模型在终端处可用(S20＝是)，则用于通知的部件向网络通知已训练模型在终端处可用(S30)。网络可以是终端所连接到的网络。

图9示出了根据本发明的实施例的装置。该装置可以是基站，诸如gNB或eNB，或者是其元件。图10示出了根据本发明的实施例的方法。根据图9的装置可以执行图10的方法，但不限于该方法。图10的方法可以由图9的装置执行，但不限于由该装置执行。

该装置包括用于监测的部件120和用于请求的部件130。用于监测的部件120和用于请求的部件130可以分别是监测部件和请求部件。用于监测的部件120和用于请求的部件130可以分别是监测器和请求器。用于监测的部件120和用于请求的部件130可以分别是监测处理器和请求处理器。

用于监测的部件120监测关于已训练模型(ML模型)在终端处可用的信息是否被接收(S120)。如果该信息被接收(S120＝是)，则用于请求的部件130请求终端提供已训练模型(S130)。

图11示出了根据本发明的实施例的装置。该装置包括至少一个处理器810、包括计算机程序代码的至少一个存储器820，至少一个处理器810与至少一个存储器820和计算机程序代码一起，被布置为引起该装置至少执行根据图8和图10以及相关描述的方法中的至少一种。

一些示例实施例关于5G网络来解释。然而，本发明不限于5G。本发明可以用于支持终端(UE)训练ML模型的3G或4G网络以及未来几代的3GPP网络。此外，本发明不限于3GPP网络。其他网络(例如，WiFi网络)可以使用本发明，如果相应终端训练ML模型并且训练的结果将被传递到该网络。

在某些环境中，与ML模型训练相关的(多个)参数可以表示为“属性”。在本上下文中，术语“参数”和“属性”可以被视为同义词。

一条信息可以在一个或多个消息中从一个实体传输到另一实体。这些消息中的每个可以包括另外的(不同的)信息。

网络元件、网络功能、协议和方法的名称基于当前标准。在其他版本或其他技术中，这些网络元件和/或网络功能和/或协议和/或方法的名称可以不同，只要它们提供对应功能即可。

终端(UE)可以是例如移动电话、智能手机、MTC设备、膝上型计算机等。用户可以是人类用户或机器(例如，机器类型通信(MTC))。

如果没有另外说明或以其他方式从上下文中阐明，则两个实体不同的声明表示它们执行不同功能。这并不一定表示它们基于不同硬件。也就是说，本说明书中描述的每个实体可以基于不同硬件，或者一些或所有实体可以基于相同硬件。这并不一定表示它们基于不同软件。也就是说，本说明书中描述的每个实体可以基于不同软件，或者一些或所有实体可以基于相同软件。本说明书中描述的每个实体可以被部署在云中。

根据以上描述，因此应当清楚，本发明的示例实施例例如提供了一种终端(诸如UE或MTC设备、或其组件)、一种体现该终端的装置、一种用于控制和/或操作该终端的方法、以及一种(多种)控制和/或操作该终端的计算机程序、以及一种承载这样的(多个)计算机程序并且形成(多个)计算机程序产品的介质。根据以上描述，因此应当清楚，本发明的示例实施例例如提供了一种接入网络(诸如RAN或其组件)(例如，eNB或gNB)、一种体现该接入网络的装置、一种用于控制和/或操作该接入网络的方法、以及一种(多种)控制和/或操作该接入网络的计算机程序、以及一种承载这样的(多个)计算机程序并且形成(多个)计算机程序产品的介质。

作为非限制性示例，上述块、装置、系统、技术或方法中的任何一个的实现包括作为硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合的实现。本说明书中描述的每个实体可以被体现在云中。

应当理解，上面描述的是目前认为是本发明的优选实施例的内容。然而，应当注意，对优选实施例的描述仅通过示例的方式给出，并且可以在不脱离如所附权利要求所限定的本发明的范围的情况下进行各种修改。

Claims (38)

1.一种装置，包括：

一个或多个处理器，以及

存储指令的存储器，所述指令在由所述一个或多个处理器执行时，引起所述装置：

监测已训练模型在终端处是否可用；

如果所述已训练模型在所述终端处可用，则向网络通知所述已训练模型在所述终端处可用。

2.根据权利要求1所述的装置，其中所述指令在由所述一个或多个处理器执行时，还引起所述装置：

监督所述终端是否接收向所述网络提供所述已训练模型的请求；

如果所述请求被接收，则向所述网络提供所述已训练模型。

3.根据权利要求2所述的装置，其中所述已训练模型以多个段被提供给所述网络。

4.根据权利要求1至3中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还引起所述装置：

检查所述终端是否被所述网络服务在连接模式下；

如果所述终端不是被服务在所述连接模式下，在向所述网络通知所述已训练模型在所述终端处可用之前、或者与向所述网络通知所述已训练模型在所述终端处可用一起，发起将所述终端到所述连接模式的转变。

5.根据权利要求1至4中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还引起所述装置：

确定所述已训练模型的所述训练的参数的实际值；

如果所述已训练模型在所述终端处可用，则向所述网络指示所述参数的所述实际值。

6.根据权利要求5所述的装置，其中所述参数包括：所述已训练模型的成熟度水平和所述已训练模型的状态中的至少一项。

7.根据权利要求5和6中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还引起所述装置：

基于所述参数的所述实际值和所述参数的目标值，决定是否要向所述网络通知所述已训练模型在所述终端处可用；

如果决定不向所述网络通知所述已训练模型在所述终端处可用，则禁止向所述网络通知所述已训练模型在所述终端处可用。

8.根据权利要求7所述的装置，其中所述参数的所述目标值是从所述网络接收的。

9.根据权利要求8所述的装置，其中所述目标值是经由无线电资源控制命令从所述网络接收的。

10.一种装置，包括：

一个或多个处理器，以及

存储指令的存储器，所述指令在由所述一个或多个处理器执行时，引起所述装置：

监测关于已训练模型在终端处可用的信息是否被接收到；

如果所述信息被接收到，则请求所述终端提供所述已训练模型。

11.根据权利要求10所述的装置，其中所述信息是在连接模式下服务所述终端的请求中的原因或标志。

12.根据权利要求10和11中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还引起所述装置：

检查关于所述已训练模型的所述训练的第一参数的实际值是否被接收到；

基于所述第一参数的所述实际值，决定要请求所述终端提供所述已训练模型的一个或多个参数的时间；

禁止早于所述决定的时间来请求所述终端提供所述已训练模型。

13.根据权利要求10至12中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还引起所述装置：

检查关于所述已训练模型的所述训练的第二参数的实际值是否被接收到；

基于所述第二参数的所述实际值，决定用于提供所述已训练模型的优先级；

根据所述优先级，配置用于所述已训练模型的所述提供的无线电承载。

14.根据权利要求12和13中任一项所述的装置，其中所述第一参数和所述第二参数分别包括：所述已训练模型的成熟度水平和所述已训练模型的状态中的至少一项。

15.根据权利要求12至14中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还引起所述装置：

经由无线电资源控制命令，向所述终端分别提供所述第一参数的目标值和所述第二参数的目标值。

16.根据权利要求15所述的装置，其中所述第一参数的所述目标值和所述第二参数的所述目标值分别是从操作维护中心接收的。

17.根据权利要求10至16中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还引起所述装置：

以多个段来接收所述已训练模型。

18.根据权利要求10至17中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还引起所述装置：

监督所述已训练模型是否响应于提供所述已训练模型的所述请求而从所述终端被接收到；

如果所述已训练模型被接收到，则将所述已训练模型分发给一个或多个网络实体。

19.一种方法，包括：

监测已训练模型在终端处是否可用；

如果所述已训练模型在所述终端处可用，则向网络通知所述已训练模型在所述终端处可用。

20.根据权利要求19所述的方法，还包括：

监督所述终端是否接收向所述网络提供所述已训练模型的请求；

如果所述请求被接收，则向所述网络提供所述已训练模型。

21.根据权利要求20所述的方法，其中所述已训练模型以多个段被提供给所述网络。

22.根据权利要求19至21中任一项所述的方法，还包括：

检查所述终端是否被所述网络服务在连接模式下；

如果所述终端不是被服务在所述连接模式下，在向所述网络通知所述已训练模型在所述终端处可用之前、或者与向所述网络通知所述已训练模型在所述终端处可用一起，则发起将所述终端到所述连接模式的转变。

23.根据权利要求19至22中任一项所述的方法，还包括：

确定所述已训练模型的所述训练的参数的实际值；

如果所述已训练模型在所述终端处可用，则向所述网络指示所述参数的所述实际值。

24.根据权利要求23所述的方法，其中所述参数包括：所述已训练模型的成熟度水平和所述已训练模型的状态中的至少一项。

25.根据权利要求23和24中任一项所述的方法，还包括：

基于所述参数的所述实际值和所述参数的目标值，决定是否要向所述网络通知所述已训练模型在所述终端处可用；

如果决定不向所述网络通知所述已训练模型在所述终端处可用，则禁止向所述网络通知所述已训练模型在所述终端处可用。

26.根据权利要求25所述的方法，其中所述参数的所述目标值是从所述网络接收的。

27.根据权利要求26所述的方法，其中所述目标值是经由无线电资源控制命令从所述网络接收的。

28.一种方法，包括：

监测关于已训练模型在终端处可用的信息是否被接收到；

如果所述信息被接收到，则请求所述终端提供所述已训练模型。

29.根据权利要求28所述的方法，其中所述信息是在连接模式下服务所述终端的请求中的原因或标志。

30.根据权利要求28和29中任一项所述的方法，还包括：

检查关于所述已训练模型的所述训练的第一参数的实际值是否被接收到；

基于所述第一参数的所述实际值，决定要请求所述终端提供所述已训练模型的一个或多个参数的时间；

禁止早于所述决定的时间来请求所述终端提供所述已训练模型。

31.根据权利要求28至30中任一项所述的方法，还包括：

检查关于所述已训练模型的所述训练的第二参数的实际值是否被接收到；

基于所述第二参数的所述实际值，决定用于提供所述已训练模型的优先级；

根据所述优先级，配置用于所述已训练模型的所述提供的无线电承载。

32.根据权利要求30和31中任一项所述的方法，其中所述第一参数和所述第二参数分别包括：所述已训练模型的成熟度水平和所述已训练模型的状态中的至少一项。

33.根据权利要求30至32中任一项所述的方法，还包括：

经由无线电资源控制命令，向所述终端分别提供所述第一参数的目标值和所述第二参数的目标值。

34.根据权利要求33所述的方法，其中所述第一参数的所述目标值和所述第二参数的所述目标值分别是从操作维护中心接收的。

35.根据权利要求28至34中任一项所述的方法，还包括：

以多个段来接收所述已训练模型。

36.根据权利要求28至35中任一项所述的方法，还包括：

监督所述已训练模型是否响应于提供所述已训练模型的所述请求而从所述终端被接收到；

如果所述已训练模型被接收到，则将所述已训练模型分发给一个或多个网络实体。

37.一种计算机程序产品，包括指令集，所述指令集当在装置上被执行时，被配置为引起所述装置执行根据权利要求19至36中任一项所述的方法。

38.根据权利要求37所述的计算机程序产品，被体现为计算机可读介质或直接可加载到计算机中。

Images