[go: up one dir, main page]

CN117813846A - 装置、方法和计算机程序 - Google Patents

装置、方法和计算机程序 Download PDF

Info

Publication number
CN117813846A
CN117813846A CN202180101559.1A CN202180101559A CN117813846A CN 117813846 A CN117813846 A CN 117813846A CN 202180101559 A CN202180101559 A CN 202180101559A CN 117813846 A CN117813846 A CN 117813846A
Authority
CN
China
Prior art keywords
domain
artificial intelligence
machine learning
cross
pipeline
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
CN202180101559.1A
Other languages
English (en)
Inventor
T·苏布拉曼亚
H·桑内科
J·阿利-托尔帕
平静
I·亚当
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.)
Nokia Shanghai Bell Co Ltd
Nokia Solutions and Networks Oy
Original Assignee
Nokia Shanghai Bell Co Ltd
Nokia Solutions and Networks Oy
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 Nokia Shanghai Bell Co Ltd, Nokia Solutions and Networks Oy filed Critical Nokia Shanghai Bell Co Ltd
Publication of CN117813846A publication Critical patent/CN117813846A/zh
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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/02—Standardisation; Integration
    • H04L41/022—Multivendor or multi-standard integration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/02—Standardisation; Integration
    • H04L41/0226—Mapping or translating multiple network management protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0894—Policy-based network configuration management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities

Landscapes

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

Abstract

一种装置，包括被配置为以下的部件：促进跨域网络服务相关的机器学习或人工智能管道可信度功能，其中跨域机器学习或人工智能管道用于控制包括至少两个域的认知自治网络。

Description

装置、方法和计算机程序
技术领域
本公开涉及用于提供用于适用于但不排他地认知自治网络的跨域可信人工智能应用的框架的装置、方法和计算机程序。
背景技术
通信系统可以被视为通过在通信路径中涉及的各个实体之间提供载波来实现两个或更多个实体(诸如通信设备、基站和/或其他节点)之间的通信会话的设施。
通信系统可以是无线通信系统。无线系统的示例包括基于诸如由3GPP提供的那些的无线电标准操作的公共陆地移动网络(PLMN)、基于卫星的通信系统和不同的无线局域网(例如无线局域网(WLAN))。无线系统通常可以被划分为小区，因此通常被称为蜂窝系统。
通信系统和相关联的设备通常根据给定的标准或规范来操作，该标准或规范规定了与系统相关联的各种实体被允许做什么以及应该如何被实现。应当被使用用于连接的通信协议和/或参数也通常被定义。标准的示例是所谓的5G标准。
需要提供使通信服务提供方(CSP)能够控制和优化通信系统元件的复杂网络的控制系统。
被采用的当前方法中的一个是闭环自动化和机器学习，它可以被内置到自组织网络(SON)中，使运营方能够自动优化无线电接入网络中的每个小区。
发明内容
根据第一方面，提供了一种装置，包括被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的部件，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制。
被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的部件可以被配置为促进以下至少一项，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：定义跨域网络服务相关的机器学习或人工智能管道可信度；配置跨域网络服务相关的机器学习或人工智能管道可信度；测量跨域网络服务相关的机器学习或人工智能管道可信度；以及报告与跨域网络服务相关的机器学习或人工智能管道可信度。
跨域网络服务相关的机器学习或人工智能管道可信度函数可以包括以下至少一项：公平性；可解释性；以及鲁棒性。
被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的部件可以被配置为用于以下项，其中跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：获得跨域机器学习或人工智能质量可信度，跨域机器学习或人工智能质量可信度被配置为：覆盖域特定的机器学习或人工智能质量可信度要求、以及跨域网络服务相关的机器学习或人工智能管道的约束；将跨域机器学习或人工智能质量可信度转化为用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能质量可信度；以及提供用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能质量可信度。
被配置为将跨域机器学习或人工智能可信度质量转化为用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量的部件可以被配置为基于跨域网络服务的风险水平将跨域机器学习或人工智能可信度质量转化为至少一个域特定的机器学习或人工智能可信度质量。
被配置为将跨域机器学习或人工智能可信度质量转化为用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量的部件可以被配置为基于用于跨域网络的至少一个服务水平协议要求，将跨域机器学习或人工智能可信度质量转化为至少一个域特定的机器学习或人工智能可信度质量，其中至少一个服务水平协议包括以下至少一项：服务类型；服务优先级；以及至少一项关键性能指标度量。
被配置为提供用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量的部件可以被配置为：生成跨域可信度机器学习或人工智能配置或委托请求并将其传递给至少一个域特定的机器学习或人工智能可信度功能，该跨域可信度机器学习或人工智能配置或委托请求被配置为控制至少一个域特定的机器学习或人工智能可信度功能，以配置用于至少两个域中的至少一个域的机器学习或人工智能管道；以及基于用于至少两个域中的至少一个域的机器学习或人工智能管道的配置的实现，从至少一个域特定的机器学习或人工智能可信度功能获得跨域可信度机器学习或人工智能配置或委托响应。
被配置为提供用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量的部件可以被配置为：生成跨域可信度机器学习或人工智能配置或委托请求并将其传递给至少一个域特定的策略管理器，跨域可信度机器学习或人工智能配置或委托请求被配置为控制至少一个域特定的机器学习或人工智能可信度功能，以配置用于至少两个域中的至少一个域的机器学习或人工智能管道；以及基于用于至少两个域中的至少一个域的所述机器学习或人工智能管道的配置的实现，从至少一个域策略管理器获得跨域可信度机器学习或人工智能配置或委托响应。
跨域可信度机器学习或人工智能配置或委托请求可以包括：域范围参数，被配置为标识该请求正在寻址的域；管道标识参数，被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道；类别标识参数，被配置为标识该至少一个域特定的机器学习或人工智能可信度质量。
跨域可信度机器学习或人工智能配置或委托请求还可以包括以下至少一项：期望的公平性参数，被配置为指示用于域特定的机器学习或人工智能管道的相对公平性水平；期望的可解释性参数，被配置为指示用于域特定的机器学习或人工智能管道的期望的可解释性水平；期望的技术鲁棒性参数，被配置为指示用于域特定的机器学习或人工智能管道的期望的技术鲁棒性水平；以及期望的对抗鲁棒性参数，被配置为指示用于域特定的机器学习或人工智能管道的期望的对抗鲁棒性水平。
被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的部件可以被配置为用于以下项，其中跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：生成跨域可信度机器学习或人工智能能力信息请求并将其传递给至少一个域特定的机器学习或人工智能可信度功能，该跨域可信度机器学习或人工智能能力信息请求被配置为控制至少一个域特定的机器学习或人工智能可信度功能，以实现用于至少两个域中的至少一个域的机器学习或人工智能管道的能力发现；以及从至少一个域特定的机器学习或人工智能可信度功能获得跨域可信度机器学习或人工智能能力信息响应，报告针对用于至少两个域中的至少一个域的机器学习或人工智能管道的能力发现。
跨域可信度机器学习或人工智能能力信息请求可以包括：域范围参数，被配置为标识该请求正在寻址的域；以及范围参数，被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道。
该跨域可信度机器学习或人工智能能力信息请求还可以包括管道阶段参数，该管道阶段参数被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道的阶段。
被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的部件还可以被配置为用于以下项，其中跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：从网络运营方获得跨域可信度人工智能报告请求或订阅；基于来自网络运营方的所述跨域可信度人工智能报告请求或订阅，生成域特定的可信度人工智能报告请求或订阅并将其传递给至少一个域特定的机器学习或人工智能管道可信度功能，其中域特定的可信度人工智能报告请求或订阅被配置为控制至少一个域特定的机器学习或人工智能管道可信度功能，以提供至少一个域特定的机器学习或人工智能管道报告响应或通知；从至少一个域特定的机器学习或人工智能管道可信度功能接收机器学习或人工智能能力信息和/或至少一个域特定的机器学习或人工智能管道报告响应或通知；将从至少一个域特定的机器学习或人工智能管道接收的机器学习或人工智能能力信息和/或至少一个域特定的机器学习或人工智能管道报告存储在跨域信任知识数据库中；基于至少一个域特定的机器学习或人工智能管道报告响应或通知，生成并传递跨域可信度人工智能报告。
跨域可信度人工智能报告请求可以包括：域范围参数，被配置为标识该请求正在寻址的域；范围参数，被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道；以及管道阶段参数，被配置为标识该请求正在寻址的域特定机器学习或人工智能管道的阶段。跨域可信度人工智能报告请求还可以包括以下至少一项：公平性度量参数的列表，被配置为标识要被报告的公平性度量；公平度量解释的列表，被配置为标识要被报告的公平性度量解释；可解释性度量的列表，被配置为标识要被报告的可解释性度量；解释的列表，被配置为标识要被报告的解释；技术鲁棒性度量的列表，被配置为标识要被报告的技术鲁棒性度量；技术鲁棒性度量解释的列表，被配置为标识要被报告的技术鲁棒性度量解释；对抗鲁棒性度量的列表，被配置为标识要被报告的对抗鲁棒性度量；对抗鲁棒性度量解释的列表，被配置为标识要被报告的对抗鲁棒性度量解释；开始时间参数，被配置为标识用于报告的开始时间；结束时间参数，被配置为标识用于报告的结束时间；以及报告间隔参数，被配置为标识用于报告的周期间隔。
跨域可信度人工智能报告订阅可以包括：域范围参数，被配置为标识该订阅正在寻址的域；范围参数，被配置为标识该订阅正在寻址的域特定的机器学习或人工智能管道；以及管道阶段参数，被配置为标识该订阅正在寻址的域特定的机器学习或人工智能管道的阶段。
跨域可信度人工智能报告订阅还可以包括以下至少一项：公平性度量参数的列表，被配置为标识要被报告的公平性度量；可解释性度量的列表，被配置用于标识要被报告的可解释性度量；技术鲁棒性度量的列表，被配置为标识要被报告的技术鲁棒性度量；对抗鲁棒性度量的列表，被配置为标识要被报告的对抗鲁棒性度量；以及交叉报告阈值参数，被配置为标识度量或度量解释针对其被报告的阈值。
根据第二方面，提供了一种方法，包括：促进跨域网络服务相关的机器学习或人工智能管道可信度功能，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制。
促进跨域网络服务相关的机器学习或人工智能管道可信度功能可以包括促进以下至少一项，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：定义跨域网络服务相关的机器学习或人工智能管道可信度；配置跨域网络服务相关的机器学习或人工智能管道可信度；测量跨域网络服务相关的机器学习或人工智能管道可信度；以及报告与跨域网络服务相关的机器学习或人工智能管道可信度。
跨域网络服务相关的机器学习或人工智能管道可信度函数可以包括以下至少一项：公平性；可解释性；以及鲁棒性。
促进跨域网络服务相关的机器学习或人工智能管道可信度功能可以包括，其中跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：获得跨域机器学习或人工智能质量可信度，跨域机器学习或人工智能质量可信度被配置为：覆盖域特定的机器学习或人工智能质量可信度要求和跨域网络服务相关的机器学习或人工智能管道的约束；将跨域机器学习或人工智能质量可信度转化为用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能质量可信度；以及提供用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能质量可信度。
将跨域机器学习或人工智能可信度质量转化为用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量可以包括基于跨域网络服务的风险水平将跨域机器学习或人工智能可信度质量转化为至少一个域特定的机器学习或人工智能可信度质量。
将跨域机器学习或人工智能可信度质量转化为用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量可以包括基于用于跨域网络的至少一个服务水平协议要求，将跨域机器学习或人工智能可信度质量转化为至少一个域特定的机器学习或人工智能可信度质量，其中至少一个服务水平协议包括以下至少一项：服务类型；服务优先级；以及至少一项关键性能指标度量。
提供用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量可以包括：生成跨域可信度机器学习或人工智能配置或委托请求并将其传递给至少一个域特定的机器学习或人工智能可信度功能，该跨域可信度机器学习或人工智能配置或委托请求被配置为控制至少一个域特定的机器学习或人工智能可信度功能，以配置用于至少两个域中的至少一个域的机器学习或人工智能管道；以及基于用于至少两个域中的至少一个域的机器学习或人工智能管道的配置的实现，从至少一个域特定的机器学习或人工智能可信度功能获得跨域可信度机器学习或人工智能配置或委托响应。
提供用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量可以包括：生成跨域可信度机器学习或人工智能配置或委托请求并将其传递给至少一个域特定的策略管理器，跨域可信度机器学习或人工智能配置或委托请求被配置为控制至少一个域特定的机器学习或人工智能可信度功能，以配置用于至少两个域中的至少一个域的机器学习或人工智能管道；以及基于用于至少两个域中的至少一个域的所述机器学习或人工智能管道的配置的实现，从至少一个域策略管理器获得跨域可信度机器学习或人工智能配置或委托响应。
跨域可信度机器学习或人工智能配置或委托请求可以包括：域范围参数，被配置为标识该请求正在寻址的域；管道标识参数，被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道；类别标识参数，被配置为标识该至少一个域特定的机器学习或人工智能可信度质量。
跨域可信度机器学习或人工智能配置或委托请求还可以包括以下至少一项：期望的公平性参数，被配置为指示用于域特定的机器学习或人工智能管道的相对公平性水平；期望的可解释性参数，被配置为指示用于域特定的机器学习或人工智能管道的期望的可解释性水平；期望的技术鲁棒性参数，被配置为指示用于域特定的机器学习或人工智能管道的期望的技术鲁棒性水平；以及期望的对抗鲁棒性参数，被配置为指示用于域特定的机器学习或人工智能管道的期望的对抗鲁棒性水平。
促进跨域网络服务相关的机器学习或人工智能管道可信度功能可以包括，其中跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：生成跨域可信度机器学习或人工智能能力信息请求并将其传递给至少一个域特定的机器学习或人工智能可信度功能，该跨域可信度机器学习或人工智能能力信息请求被配置为控制至少一个域特定的机器学习或人工智能可信度功能，以实现用于至少两个域中的至少一个域的机器学习或人工智能管道的能力发现；以及从至少一个域特定的机器学习或人工智能可信度功能获得跨域可信度机器学习或人工智能能力信息响应，报告针对用于至少两个域中的至少一个域的机器学习或人工智能管道的能力发现。
跨域可信度机器学习或人工智能能力信息请求可以包括：域范围参数，被配置为标识该请求正在寻址的域；以及范围参数，被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道。
该跨域可信度机器学习或人工智能能力信息请求还可以包括管道阶段参数，该管道阶段参数被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道的阶段。
促进跨域网络服务相关的机器学习或人工智能管道可信度功能还可以包括，其中跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：从网络运营方获得跨域可信度人工智能报告请求或订阅；基于来自网络运营方的所述跨域可信度人工智能报告请求或订阅，生成域特定的可信度人工智能报告请求或订阅并将其传递给至少一个域特定的机器学习或人工智能管道可信度功能，其中域特定的可信度人工智能报告请求或订阅被配置为控制至少一个域特定的机器学习或人工智能管道可信度功能，以提供至少一个域特定的机器学习或人工智能管道报告响应或通知；从至少一个域特定的机器学习或人工智能管道可信度功能接收机器学习或人工智能能力信息和/或至少一个域特定的机器学习或人工智能管道报告响应或通知；将从至少一个域特定的机器学习或人工智能管道接收的机器学习或人工智能能力信息和/或至少一个域特定的机器学习或人工智能管道报告存储在跨域信任知识数据库中；基于至少一个域特定的机器学习或人工智能管道报告响应或通知，生成并传递跨域可信度人工智能报告。
跨域可信度人工智能报告请求可以包括：域范围参数，被配置为标识该请求正在寻址的域；范围参数，被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道；以及管道阶段参数，被配置为标识该请求正在寻址的域特定机器学习或人工智能管道的阶段。跨域可信度人工智能报告请求还可以包括以下至少一项：公平性度量参数的列表，被配置为标识要被报告的公平性度量；公平度量解释的列表，被配置为标识要被报告的公平性度量解释；可解释性度量的列表，被配置为标识要被报告的可解释性度量；解释的列表，被配置为标识要被报告的解释；技术鲁棒性度量的列表，被配置为标识要被报告的技术鲁棒性度量；技术鲁棒性度量解释的列表，被配置为标识要被报告的技术鲁棒性度量解释；对抗鲁棒性度量的列表，被配置为标识要被报告的对抗鲁棒性度量；对抗鲁棒性度量解释的列表，被配置为标识要被报告的对抗鲁棒性度量解释；开始时间参数，被配置为标识用于报告的开始时间；结束时间参数，被配置为标识用于报告的结束时间；以及报告间隔参数，被配置为标识用于报告的周期间隔。
跨域可信度人工智能报告订阅可以包括：域范围参数，被配置为标识该订阅正在寻址的域；范围参数，被配置为标识该订阅正在寻址的域特定的机器学习或人工智能管道；以及管道阶段参数，被配置为标识该订阅正在寻址的域特定的机器学习或人工智能管道的阶段。
跨域可信度人工智能报告订阅还可以包括以下至少一项：公平性度量参数的列表，被配置为标识要被报告的公平性度量；可解释性度量的列表，被配置用于标识要被报告的可解释性度量；技术鲁棒性度量的列表，被配置为标识要被报告的技术鲁棒性度量；对抗鲁棒性度量的列表，被配置为标识要被报告的对抗鲁棒性度量；以及交叉报告阈值参数，被配置为标识度量或度量解释针对其被报告的阈值。
根据第三方面，提供了一种装置，包括至少一个处理器和至少一个存储器，该至少一个存储器包括用于一个或多个程序的计算机代码，该至少一个存储器和计算机代码与至少一个处理器一起被配置为使该装置至少：促进跨域网络服务相关的机器学习或人工智能管道可信度功能，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制。
被引起以促进跨域网络服务相关的机器学习或人工智能管道可信度功能的该装置可以被引起以促进以下至少一项，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：定义跨域网络服务相关的机器学习或人工智能管道可信度；配置跨域网络服务相关的机器学习或人工智能管道可信度；测量跨域网络服务相关的机器学习或人工智能管道可信度；以及报告与跨域网络服务相关的机器学习或人工智能管道可信度。
跨域网络服务相关的机器学习或人工智能管道可信度函数可以包括以下至少一项：公平性；可解释性；以及鲁棒性。
被引起以促进跨域网络服务相关的机器学习或人工智能管道可信度功能的该装置可以被引起以，其中跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：获得跨域机器学习或人工智能质量可信度，跨域机器学习或人工智能质量可信度被配置为：覆盖域特定的机器学习或人工智能质量可信度要求和跨域网络服务相关的机器学习或人工智能管道的约束；将跨域机器学习或人工智能质量可信度转化为用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能质量可信度；以及提供用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能质量可信度。
被引起以将跨域机器学习或人工智能可信度质量转化为用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量的该装置可以被引起以基于跨域网络服务的风险水平将跨域机器学习或人工智能可信度质量转化为至少一个域特定的机器学习或人工智能可信度质量。
被引起以将跨域机器学习或人工智能可信度质量转化为用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量的该装置可以被引起以基于用于跨域网络的至少一个服务水平协议要求，将跨域机器学习或人工智能可信度质量转化为至少一个域特定的机器学习或人工智能可信度质量，其中至少一个服务水平协议包括以下至少一项：服务类型；服务优先级；以及至少一项关键性能指标度量。
被引起以提供用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量的该装置可以被引起以：生成跨域可信度机器学习或人工智能配置或委托请求并将其传递给至少一个域特定的机器学习或人工智能可信度功能，该跨域可信度机器学习或人工智能配置或委托请求被配置为控制至少一个域特定的机器学习或人工智能可信度功能，以配置用于至少两个域中的至少一个域的机器学习或人工智能管道；以及基于用于至少两个域中的至少一个域的机器学习或人工智能管道的配置的实现，从至少一个域特定的机器学习或人工智能可信度功能获得跨域可信度机器学习或人工智能配置或委托响应。
被引起以提供用于至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量的该装置可以被引起以：生成跨域可信度机器学习或人工智能配置或委托请求并将其传递给至少一个域特定的策略管理器，跨域可信度机器学习或人工智能配置或委托请求被配置为控制至少一个域特定的机器学习或人工智能可信度功能，以配置用于至少两个域中的至少一个域的机器学习或人工智能管道；以及基于用于至少两个域中的至少一个域的所述机器学习或人工智能管道的配置的实现，从至少一个域策略管理器获得跨域可信度机器学习或人工智能配置或委托响应。
跨域可信度机器学习或人工智能配置或委托请求可以包括：域范围参数，被配置为标识该请求正在寻址的域；管道标识参数，被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道；类别标识参数，被配置为标识该至少一个域特定的机器学习或人工智能可信度质量。
跨域可信度机器学习或人工智能配置或委托请求还可以包括以下至少一项：期望的公平性参数，被配置为指示用于域特定的机器学习或人工智能管道的相对公平性水平；期望的可解释性参数，被配置为指示用于域特定的机器学习或人工智能管道的期望的可解释性水平；期望的技术鲁棒性参数，被配置为指示用于域特定的机器学习或人工智能管道的期望的技术鲁棒性水平；以及期望的对抗鲁棒性参数，被配置为指示用于域特定的机器学习或人工智能管道的期望的对抗鲁棒性水平。
被引起以促进跨域网络服务相关的机器学习或人工智能管道可信度功能的该装置可以被引起以，其中跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：生成跨域可信度机器学习或人工智能能力信息请求并将其传递给至少一个域特定的机器学习或人工智能可信度功能，该跨域可信度机器学习或人工智能能力信息请求被配置为控制至少一个域特定的机器学习或人工智能可信度功能，以实现用于至少两个域中的至少一个域的机器学习或人工智能管道的能力发现；以及从至少一个域特定的机器学习或人工智能可信度功能获得跨域可信度机器学习或人工智能能力信息响应，报告针对用于至少两个域中的至少一个域的机器学习或人工智能管道的能力发现。
跨域可信度机器学习或人工智能能力信息请求可以包括：域范围参数，被配置为标识该请求正在寻址的域；以及范围参数，被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道。
该跨域可信度机器学习或人工智能能力信息请求还可以包括管道阶段参数，该管道阶段参数被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道的阶段。
被引起以促进跨域网络服务相关的机器学习或人工智能管道可信度功能的该装置还可以被引起以，其中跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制：从网络运营方获得跨域可信度人工智能报告请求或订阅；基于来自网络运营方的所述跨域可信度人工智能报告请求或订阅，生成域特定的可信度人工智能报告请求或订阅并将其传递给至少一个域特定的机器学习或人工智能管道可信度功能，其中域特定的可信度人工智能报告请求或订阅被配置为控制至少一个域特定的机器学习或人工智能管道可信度功能，以提供至少一个域特定的机器学习或人工智能管道报告响应或通知；从至少一个域特定的机器学习或人工智能管道可信度功能接收机器学习或人工智能能力信息和/或至少一个域特定的机器学习或人工智能管道报告响应或通知；将从至少一个域特定的机器学习或人工智能管道接收的机器学习或人工智能能力信息和/或至少一个域特定的机器学习或人工智能管道报告存储在跨域信任知识数据库中；基于至少一个域特定的机器学习或人工智能管道报告响应或通知，生成并传递跨域可信度人工智能报告。
跨域可信度人工智能报告请求可以包括：域范围参数，被配置为标识该请求正在寻址的域；范围参数，被配置为标识该请求正在寻址的域特定的机器学习或人工智能管道；以及管道阶段参数，被配置为标识该请求正在寻址的域特定机器学习或人工智能管道的阶段。
跨域可信度人工智能报告请求还可以包括以下至少一项：公平性度量参数的列表，被配置为标识要被报告的公平性度量；公平度量解释的列表，被配置为标识要被报告的公平性度量解释；可解释性度量的列表，被配置为标识要被报告的可解释性度量；解释的列表，被配置为标识要被报告的解释；技术鲁棒性度量的列表，被配置为标识要被报告的技术鲁棒性度量；技术鲁棒性度量解释的列表，被配置为标识要被报告的技术鲁棒性度量解释；对抗鲁棒性度量的列表，被配置为标识要被报告的对抗鲁棒性度量；对抗鲁棒性度量解释的列表，被配置为标识要被报告的对抗鲁棒性度量解释；开始时间参数，被配置为标识用于报告的开始时间；结束时间参数，被配置为标识用于报告的结束时间；以及报告间隔参数，被配置为标识用于报告的周期间隔。
跨域可信度人工智能报告订阅可以包括：域范围参数，被配置为标识该订阅正在寻址的域；范围参数，被配置为标识该订阅正在寻址的域特定的机器学习或人工智能管道；以及管道阶段参数，被配置为标识该订阅正在寻址的域特定的机器学习或人工智能管道的阶段。
跨域可信度人工智能报告订阅还可以包括以下至少一项：公平性度量参数的列表，被配置为标识要被报告的公平性度量；可解释性度量的列表，被配置用于标识要被报告的可解释性度量；技术鲁棒性度量的列表，被配置为标识要被报告的技术鲁棒性度量；对抗鲁棒性度量的列表，被配置为标识要被报告的对抗鲁棒性度量；以及交叉报告阈值参数，被配置为标识度量或度量解释针对其被报告的阈值。
根据第四方面，提供了一种装置，包括被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的电路系统，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制。
根据第五方面，提供了一种计算机程序，包括计算机可执行代码，该计算机可执行代码在至少一个处理器上运行时被配置为：促进跨域网络服务相关的机器学习或人工智能管道可信度功能，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制。
根据第六方面，提供了一种包括指令的计算机程序[或包括程序指令的计算机可读介质]，用于使装置执行至少以下：促进跨域网络服务相关的机器学习或人工智能管道可信度功能，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制。
根据第七方面，提供了一种非瞬时性计算机可读介质，包括程序指令，用于使装置执行至少以下：促进跨域网络服务相关的机器学习或人工智能管道可信度功能，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制。
根据第八方面，提供了一种非瞬时性计算机可读介质，包括程序指令，用于使装置执行至少以下：促进跨域网络服务相关的机器学习或人工智能管道可信度功能，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制。
根据第九方面，提供了一种计算机可读介质，包括程序指令，用于使装置执行至少以下：促进跨域网络服务相关的机器学习或人工智能管道可信度功能，其中该跨域机器学习或人工智能管道用于包括至少两个域的认知自治网络的控制。
一种装置，包括用于执行如上所述的方法的动作的部件。
一种装置，被配置为执行如上所述的方法的动作。
一种计算机程序，包括程序指令，用于使计算机执行如上所述的方法。
一种存储在介质上的计算机程序产品，可以使装置执行本文所描述的方法。
一种电子设备，可以包括如本文所描述的装置。
一种芯片组，可以包括如本文所描述的装置。
本申请的实施例旨在解决与现有技术相关联的问题。
在上文中，已经描述了许多不同的方面。应当理解，另外的方面可以通过上述方面中的任何两个或更多个方面的组合被提供。
各种其他方面还在下面的详细描述和所附权利要求中被描述。
缩略语表
AI： 人工智能
CAN： 认知自主网络
CD： 跨域
CN： 核心网
CNF： 认知网络功能
CRUD： 创建、读取、更新、删除
CDSMD： 跨域服务管理域
CU： 集中单元
DU： 分布式单元
E2E： 端到端
E2ESMD： 端到端服务管理域
HLEG： 高水平专家组
MANO： 管理和编排
MD： 管理域
ML： 机器学习
QCI： QoS类别标识符
QoE： 体验质量
QoS： 服务质量
QoT： 可信度质量
RAN： 无线电接入网络
RRU： 远程无线电单元
SLA： 服务水平协议
TAI： 可信人工智能
TAIF： TAI框架
TN： 传送网络
UMTS： 通用移动电信系统
URLLC： 超可靠低延时通信
VNF： 虚拟网络功能
V2X： 车辆到一切
WI： 工作项目
3GPP： 第三代合作伙伴项目
5G： 第五代
5GC： 5G核心网
5GS： 5G系统
附图说明
实施例现在将参考附图仅通过示例的方式被描述，在附图中：
图1示出了5G通信系统的示意图；
图2示出了控制装置的示意图；
图3示出了终端的示意图；
图4示出了人工智能/机器学习管道的示意图；
图5示出了用于认知自治网络的可信人工智能框架的示例的示意图；
图6示出了关于如图5所示的用于认知自治网络的示例可信人工智能框架的工作流程图；
图7示出了利用域特定的可信人工智能框架的示例跨域管理和编排架构的示意图；
图8示出了根据一些实施例的利用域特定的可信人工智能框架的示例跨域管理和编排架构的示意图；
图9示出了由域特定的人工智能信任引擎向跨域人工智能信任引擎提供的示例跨域可信人工智能应用编程接口的工作流程图；以及
图10示出了存储指令的非易失性存储介质的示意图，该指令在由处理器执行时允许处理器执行本文描述的方法的一个或多个步骤。
具体实施方式
某些实施例在下面参考能够经由无线蜂窝系统通信的移动通信设备和服务于这样的移动通信设备的移动通信系统被解释。在详细解释示例性实施例之前，无线通信系统、其接入系统以及移动通信设备的某些一般原理参考图1、图2和图3被简要解释，以帮助理解所描述的示例背后的技术。
图1示出了5G系统(5GS)的示意图。5GS可以包括终端、(无线电)接入网((R)AN)、5G核心网(5GC)、一个或多个应用功能(AF)以及一个或多个数据网络(DN)。
5G(R)AN可以包括连接到一个或多个gNodeB(gNB)集中式单元(CU)功能的一个或多个gNodeB(gNB)分布式单元(DU)功能。
5GC可以包括接入和移动性管理功能(AMF)、会话管理功能(SMF)、认证服务器功能(AUSF)、用户数据管理(UDM)、用户平面功能(UPF)、网络暴露功能(NEF)和/或未表示的其他网络功能(NF)，诸如操作管理和维护(OAM)NF。
图2图示了用于控制如图1所示的(R)AN或5GC的功能的控制装置200的示例。控制装置可以包括至少一个随机存取存储器(RAM)211a，至少一个只读存储器(ROM)211b、至少一个处理器212、213以及输入/输出接口214。至少一个处理器212、213可以耦合到RAM 211a和ROM 211b。至少一个处理器212、213可以被配置为执行适当的软件代码215。软件代码215可以例如允许执行一个或多个步骤以执行本方面中的一个或多个。软件代码215可以存储在ROM 211b中。控制装置200可以与控制5G(R)AN或5GC的另一功能的另一控制装置200互连。在一些实施例中，(R)AN或5GC的每个功能包括控制装置200。在备选实施例中，(R)AN或5GC的两个或更多个功能可以共享控制装置。
图3示出了终端300的示例，诸如图1所示的终端。终端300可以由能够发送和接收无线电信号的任何设备来提供。非限制性示例包括用户设备、移动站(MS)或移动设备(诸如移动电话或所谓的“智能电话”)、被提供有无线接口卡或其他无线接口设施的计算机(例如，USB加密狗)、个人数据助理(PDA)或被提供有无线通信能力的平板电脑、机器类型通信(MTC)设备、蜂窝物联网(CIoT)设备或这些设备的任何组合等。终端300可以提供例如用于携带通信的数据的通信。通信可以是语音、电子邮件(email)、文本消息、多媒体、数据、机器数据等中的一种或多种。
终端300可以经由用于接收的适当装置通过空中或无线电接口307接收信号，并且可以经由用于发出无线电信号的适当装置发出信号。在图3中，收发器装置由框306示意性地指定。收发器装置306可以例如通过无线电部分和相关联的天线布置被提供。天线布置可以被布置在移动设备的内部或外部。
终端300可以被提供有至少一个处理器301、至少一个存储器ROM 302a、至少一个RAM 302b和其他可能的组件303，用于在软件和硬件辅助执行其被设计为执行的任务中使用，包括包括对接入系统和其他通信设备的接入和与其的通信的控制。至少一个处理器301耦合至RAM 302b及ROM 302a。至少一个处理器301可以被配置为执行适当的软件代码308。软件代码308可以例如允许执行当前方面中的一个或多个。软件代码308可以存储在ROM302a中。
处理器、存储器和其他相关控制装置可以被提供在适当的电路板上和/或芯片组中。该特征由附图标记304表示。该设备可以可选地具有用户接口，诸如小键盘305、触敏屏幕或板、其组合等。可选地，显示器、扬声器和麦克风中的一项或多项可以取决于设备的类型被提供。
如前所述，闭环自动化和机器学习(ML)(也称为人工智能或AI)可以内置到自组织网络(SON)或认知自治网络(CAN)中，使运营方能够自动优化无线电接入网络中的每个小区。
人工智能(AI)或机器学习(ML)管道通过将AI/ML工作流程拆分为独立、可重用和模块化的组件，然后将这些组件通过管道连接在一起以创建模型，从而帮助自动化AI/ML工作流程。AI/ML管道是迭代的，其中每个步骤被重复以不断地提高模型的准确性。
如图4所示，示例AI/ML工作流程包括以下三个组件：
数据源管理器403。数据源管理器403被配置以实现诸如数据收集和数据准备的功能。
模型训练管理器405。模型训练管理器405被配置为实现诸如超参数调整的功能。
模型推理管理器407。模型推理管理器407被配置为实现诸如模型评估的功能。
随着AI/ML管道化和最近对微服务架构(例如容器)的推动，每个AI/ML工作流组件都被抽象为一个独立的服务，相关利益相关者(例如数据工程师、数据科学家)可以独立处理该服务。此外，AI/ML管道编排器401(其示例由Kubeflow提供)可以管理AI/ML管道的生命周期。例如，管理调试、扩展、退役生命周期中的各个阶段。
为了让AI/ML系统得到广泛接受，除了它们的性能(例如准确性)之外，它们还应该是可信的。法律机构正在提出关于AI/ML应用的框架，例如欧盟委员会已经提出了有史以来第一个关于AI的法律框架。该法律框架展现了针对AI是可信的新规则，以及基于AI的关键任务系统在不久的将来必须遵守的规则。关于AI的高级专家组(HLEG)小组已经开发了欧盟委员会的可信AI(TAI)战略。在2019年4月发布的可交付成果“Ethics Guidelines forTrustworthy AI”中，该小组已经列出了AI系统应该满足的七项关键要求才能被视为可信的。以下是要求：
透明度。透明度要求包括可追溯性、可解释性和通信。
多样性、非歧视和公平性。这一要求包括避免不公平偏见、可接入性和通用设计以及利益相关者参与。
技术鲁棒性和安全性。该要求包括抵御攻击和安全性、后备计划以及一般安全性、准确性、可靠性和再现性。
隐私和数据治理。该要求包括尊重隐私、数据质量和完整性以及对数据的接入。
问责制。问责制要求包括可审计性、负面影响的最小化和报告、权衡和补救。
人力机构和监督。人类能动性和监督要求包括基本权利、人类能动性和人类监督。
社会和环境福祉。该要求包括可持续性和环境友好性、社会影响、社会和民主。
另外，国际标准化组织和国际电工委员会(ISO/IEC)也发布了关于“Overview oftrustworthiness in artificial intelligence”的技术报告。开源社区的早期努力也体现在开发TAI框架/工具/库，诸如IBM AI360、Google Expandable AI和TensorFlowResponsible AI。
下面，我们介绍AI/ML研究社区中描述的一些关键TAI定义/算法/度量。
公平性：公平性是理解数据中引入的偏差并确保模型在所有人口群体之间提供公平预测的过程。遍历整个人工智能/机器学习管道应用公平性分析非常重要，确保从公平性和包容性的角度不断重新评估模型。当AI/ML被部署在影响广泛终端用户的关键业务过程中时，这尤其重要。检测AI/ML模型中的偏差有以下三种广泛的方法：
1.预处理公平性——使用算法(诸如重新加权和不同影响移除器)以检测AI/ML训练数据中的偏差。
2.处理中公平性——使用算法(诸如偏见移除器和对抗性去偏差)以检测AI/ML模型生成中的偏差。
3.后处理公平性——使用算法(诸如赔率均衡和拒绝选项分类)以检测AI/ML模型决策中的偏差。
公平性的量化——存在测量个人和群体公平性的若干个度量。例如，统计奇偶差异、平均赔率差异、差异影响和泰尔指数。
可解释性：AI/ML模型的可解释性是指黑盒模型的揭秘，该黑盒模型仅进行预测或向白盒给出建议，而白盒实际上给出了由模型针对特定数据集标识的底层机制和模式的细节。为什么有必要了解AI/ML模型的底层机制，诸如人类可读性、合理性、可解释性和偏差缓解，存在多个原因。存在三种广泛的方法来设计可解释的ML模型：
1.预建模的可解释性——理解或描述用于开发AI/ML模型的数据。例如，使用诸如ProtoDash和解缠推理先验变分自动编码器解释器的算法。
2.可解释的建模/可说明的建模——开发更多可解释的AI/ML模型，例如具有联合预测和解释的ML模型或替代可解释模型。例如，使用诸如广义线性规则模型和教学可解释决策(TED)的算法。
3.后建模可解释性——从预开发的AI/ML模型中提取解释。例如，使用诸如ProtoDash、Contrastive Explanations Method、Profweight、LIME和SHAP的算法。
此外，解释可以是本地的(即解释单个实例/预测)或全局的(即解释全局AI/ML模型结构/预测，例如基于组合每个预测的许多本地解释)。
可解释性的量化——尽管最终由消费者确定解释的质量，但研究界已经提出了定量度量作为可解释性的代理。存在测量可解释性的若干个度量，诸如忠实性和单调性。
鲁棒性(对抗性)：任何AI/ML模型开发人员/科学家都需要考虑防御和评估其AI/ML模型和应用的四种对抗性威胁。
1.规避：规避攻击涉及在测试时仔细扰乱输入样本，以使其被错误分类。例如，使用诸如影子攻击、阈值攻击的技术。
2.中毒：中毒是训练数据的对抗性污染。机器学习系统可以使用操作期间收集的数据被重新训练。攻击者可能会通过在操作过程中注入恶意样本来毒害该数据，从而破坏重新训练。例如，使用诸如后门攻击和对抗性后门嵌入的技术。
3.提取：提取攻击旨在通过查询接入目标模型来复制机器学习模型。例如，使用诸如KnockoffNets和功能等效提取的技术。
4.推理：推理攻击确定数据的样本是否被用于AI/ML模型的训练数据集中。例如，使用诸如成员推理黑盒和属性推理黑盒的技术。
除了对抗性鲁棒性之外，AI/ML技术鲁棒性还有其他方面需要解决，诸如处理丢失数据、错误数据、数据置信度、后备计划等。
在AI/ML设计的每个阶段，有多种方法可以保护AI/ML模型免受这样的对抗性攻击：
预处理器——例如，使用诸如InverseGAN和DefenseGAN的技术。
后处理器——例如，使用诸如反向sigmoid和舍入的技术。
训练器——例如，使用诸如一般对抗性训练和Madry的协议的技术。
变换器——例如，使用诸如防御蒸馏和神经净化的技术。
检测器——例如，使用诸如基于激活分析的检测和基于频谱特征的检测的技术。
鲁棒性的量化：存在测量ML模型的鲁棒性的若干个度量，诸如经验鲁棒性和损失敏感性。
用以促进用于可互操作和多供应方环境中AI/ML模型可信度(例如公平性、可解释性、鲁棒性)的定义、配置、监测和测量的用于认知自治网络(CAN)的可信人工智能框架(TAIF)的一个示例如图5所示，并且另外的细节可以从PCT/EP2021/062396中被找到。
在该示例中，示出了网络运营方501，其被配置为将信息传递到策略管理器533和AI信任引擎503。
策略管理器533被配置为从网络运营方501接收信息。此外，策略管理器533被配置为接收或以其他方式获得服务定义或业务/客户意图。除了网络/AI服务质量(QoS)要求之外，服务定义或业务/客户意图还可能包括AI/ML可信度要求，并且TAIF被使用以配置所请求的AI/ML可信度并监测和确保其实现。
因此，例如，系统可以包括服务管理和编排527功能，其被配置为从策略管理器533接收服务质量(QoS)。服务管理和编排527被配置为基于服务管理和编排功能527的输出来控制元件管理器或虚拟网络功能(VNF)管理器或资源管理器531。
另外，系统可以包括AI管道编排器525。AI管道编排器525被配置为从策略管理器533获得或接收AIQoS，并且基于此，并且以与关于图4所示的类似的方式，被配置为控制用于AI管道1 505和AI管道2 515的数据源管理器509、519、模型训练管理器511、521和模型推理管理器513、523的操作。
TAIF引入了另外两项管理功能，AI信任引擎(可信度功能)503(每个管理域一个)和AI信任管理器507、617(每个AI/ML管道505、515一个)和被配置为支持TAIF中的交互的六个新接口(T1-T6)。AI信任引擎503被配置为用作用于管理网络中所有AI可信度相关组件的中心，而AI信任管理器507、517是用例并且通常是供应方特定的，具有AI用例及其如何被实现的知识。
此外，示例TAIF还采用了AI可信质量(AIQoT)的概念，以统一的方式定义AI/ML模型可信度，涵盖三个因素，即公平性、可解释性和鲁棒性。AIQoT例如从策略管理器533被传递到AI信任引擎功能503并且类似于QoS如何被使用用于网络性能。
示例QoT可以由下表显示
示例TAIF中的高水平通用工作流程如图6所示。
在该示例工作流程中，显示了客户意图被提供给策略管理器功能533，如图6中的步骤601所示。
另外显示了网络运营方(经由策略管理器功能533)例如通过T1接口向AI信任引擎503指定所需的AIQoT(基于风险水平的用例特定的)，如图6中由步骤603所示。
AI信任引擎503将AIQoT转化为特定的AI可信(即，公平性、可解释性和鲁棒性)要求，并且标识受影响的(多个)用例特定的AI信任管理器。使用T2接口，AI信任引擎503配置AI信任管理器507，如图6中由步骤605所示。
用例特定且感知实现的AI信任管理器507被配置为通过T3接口配置、监测和测量用于AI数据源管理器509的AI可信要求，如图6中由步骤607所示。
此外，用例特定且感知实现的AI信任管理器507被配置为通过T4接口配置、监测和测量用于AI训练管理器511的AI可信要求，如图6中由步骤609所示。
另外，用例特定且感知实现的AI信任管理器507被配置为通过T5接口配置、监测和测量用于AI推理管理器513的AI可信要求，如图6中由步骤611所示。
来自AI数据源管理器509、AI训练管理器511和AI推理管理器513的关于AI管道的测量或收集的TAI度量和/或TAI解释相应地通过T3、T4和T5接口被推送到AI信任管理器507，如图6中相应地由步骤613、615和617示出。
AI信任管理器507基于由AI信任引擎(可信度功能)配置的报告机制，通过T2接口将TAI度量和/或TAI解释推送到AI信任引擎503，如图6中由步骤619所示。
最后，网络运营方501可以通过T6接口从AI信任引擎请求(如图6中由步骤621所示)并接收(如图6中由步骤623所示)AI管道的TAI度量/解释。
基于获取的信息，网络运营方可以决定经由策略/意图管理器更新策略，如图6中由步骤625所示。
因此，示例TAI框架使各种电信利益相关者(例如认知网络功能供应方、网络运营方、监管机构、终端用户)能够信任由网络中AI/ML模型做出的决策/预测。
示例跨域管理和编排架构还在图7中被显示。该示例显示了跨域端到端(E2E)网络服务场景，但其他跨域非E2E场景(即每个域内)是可能的。例如，核心域可以递归地嵌入3GPP定义的网络功能(NF)域和虚拟化域，RAN域可以包括集中式单元(CU)、分布式单元(DU)、远程无线电单元(RRU)、由不同的供应方提供的中传和前传域。
在图7所示的示例跨域E2E网络服务场景中，跨域服务管理域(CDSMD)(例如，E2E服务管理域)705位于跨域策略/意图管理器703和网络运营方701之间，其被配置为控制跨域服务MD 705及下面的域管理域。例如，如图7所示，显示了(第一)域1MD(例如RAN MD)712、(第二)域2MD(例如传送MD)722和(第三)域3MD(例如核心网MD)732。跨域服务管理域(CDSMD)705被配置为将从网络运营方701或客户(例如，经由跨域策略/意图管理器703)接收的跨域E2E网络服务请求(根据服务水平协议(SLA))分解为域特定的(例如RAN、传送、核心)的网络资源/服务需求，并且将其传送给对应的单独管理域(MD)712、722、732。
单独MD 712、722、732还被配置为负责通过连续监测与资源/服务相关的关键性能指标(KPI)并将其报告给CDSMD 705来确保在其对应的域内满足域特定的资源/服务要求。
在图7所示的示例中，示出了(第一)域1MD(例如RAN MD)712。(第一)域1MD(例如RAN MD)712还可以由域特定的策略/意图管理器711(其类似于图5和6中所示的策略/意图管理器)来控制/监测。(第一)域1MD(例如RAN MD)712可以包括域1AI信任引擎713(或可信度功能)和域1AI管道编排器714，其两者管理和控制域1AI管道1 715。然后，1AI管道1 715可以控制或配置跨域网络服务717的域特定的方面、域1资源(RAN资源716)。
此外，图7所示的示例显示了(第二)域2MD(例如传送MD)722。(第二)域2MD 722还可以由域特定的策略/意图管理器721(其类似于图5和6所示的策略/意图管理器)控制/监测。(第二)域2MD 722可以包括域2AI信任引擎723(或可信度功能)和域2AI管道编排器724，其两者管理和控制域2AI管道2 725。域2AI管道2 725然后可以控制或配置跨域网络服务717的域特定的方面、域2资源(传送资源726)。
另外，如图7的示例中所示，可以采用(第三)域3MD(例如，核心网MD)732。(第三)域3MD 732还可以由域特定的策略/意图管理器731(类似于图5和6中所示的策略/意图管理器)控制/监测。(第三)域3MD 732可以包括域3AI信任引擎733(或可信度功能)和域3AI管道编排器734，其两者管理和控制域3AI管道3 735。域3AI管道3 735然后可以控制或配置跨域网络服务717的域特定的方面、域3资源(核心网络资源736)。
因此，所请求/实例化的跨域E2E网络服务(例如覆盖RAN、传送和核心域(由框717表示))由相应的MD(由框715、725、735表示)中的其对应的AI管道(或CNF)管理。需要注意的是，取决于用例，AI管道可以在域特定的MD中(例如，用于主动资源自动缩放)或在域本身内(例如，用于RAN域中的主动移动性切换)被实例化。然后，利用域特定的AI信任引擎(可信度函数)和AI管道的特定的AI信任管理器(如上文所述和引用)，用于该域特定的AI管道的AI管道可信度(即，包括公平性、可解释性、鲁棒性的AIQoT)可以在对应的MD内被定义、配置、测量和报告。
然而，如图7所示的网络可能会出现问题，因为CDSMD 703中没有被配置为接收用于跨域E2E网络服务的期望的跨域AIQoT(即，由跨域策略/意图管理器基于跨域E2E网络服务的风险水平被定义)的管理功能。因此，CDSMD没有办法：
将跨域AIQoT转化为域特定的AIQoT；
从域特定的(多个)AI信任引擎发现TAI能力信息；
将转化后的域特定的AIQoT传送给(多个)域特定的AI信任引擎；以及
从(多个)域特定的AI信任引擎收集/请求跨域TAI度量/解释。
此外，即使解决了这个问题，CDSMD也无法解决(例如，执行根本原因分析)从(多个)域特定的AI信任引擎接收的、属于跨域E2E网络服务的TAI相关升级(即，在TAI度量/解释方面)，并且无法将从一个MD的域特定的AI信任引擎接收的相关TAI升级相关的信息委托给另一个MD，使得其他MD可以采取预防措施，以避免跨域E2E网络服务SLA违规(在我们的案例中是跨域AIQoT)。
另外，这样的系统无法通过一个方式来聚合从单独的MD的(多个)AI信任引擎接收的TAI相关升级度量/解释以提供CDSMD，以向网络运营方或客户提供问题的全局视图。在此示例中，与TAI相关的升级度量/解释可以包括跨域AIQoT违规。
在以下实施例中进一步讨论的概念是跨域TAI框架的引入(其扩展了上面讨论的并在PCT/EP2021/062396中针对认知自治网络引入的域特定的TAI框架，以促进针对可互操作和多供应方环境中跨域网络服务相关的人工智能管道可信度(即公平性、可解释性、稳健性)的定义、配置、测量和报告。
在这些实施例中，除了跨域QoS要求之外，对应于网络服务的客户意图还可以包括跨域AI可信要求，并且跨域TAI框架被使用以确保期望的跨域AI可信要求的满足。
如图8所示，跨域TAI框架包括新颖的管理功能，跨域AI信任引擎(可信度功能)801(或可信度功能)。在一些实施例中，跨域AI信任引擎在跨域服务管理域(CDSMD)内被采用。另外，在一些实施例中，实现了新接口(其在图8所示的示例中被指定为TCD-1)805，其被配置为支持跨域AI信任引擎801和域特定的AI信任引擎813、823、833(或可信度功能)之间的交互。此外，在一些实施例中，在跨域AI信任引擎801和域特定的策略/意图管理器811、821、831之间实现了另一个新接口(其在图8所示的示例中被指定为TCD-2)。
此外，在本文详细描述的实施例中，跨域AIQoT的概念被引起入，以统一的方式定义跨域AI可信度，涵盖跨域网络服务相关的AI管道的域特定的AIQoT要求和约束。
在一些实施例中，跨域AI信任引擎801被配置为支持以下操作：
取决于跨域网络服务的风险水平，将跨域AIQoT要求转化为域特定的AIQoT要求(例如RAN域AIQoT、传送域AIQoT和核心域AI QoT)；
域特定的AI信任引擎能够在属于跨域网络服务的域特定的AI管道中配置的TAI方法和/或TAI度量和/或TAI解释的发现/确定；
用于跨域网络服务的跨域AIQoT和/或域特定的AIQoT要求是否被满足的验证；
域特定的AI信任引擎在属于跨域网络服务的域特定的AI管道中需要满足的期望的/更新的AIQoT(从跨域AIQoT得出的)的配置/委托；
针对域特定的AI信任引擎813、823、833能够在属于跨域网络服务的域特定的AI管道中测量/报告/升级的TAI度量和/或TAI解释的请求/订阅；
将从域特定的AI信任引擎813、823、833接收的关于属于跨域网络服务的域特定的AI管道715、725、735的所有TAI能力信息和/或TAI报告存储在跨域信任知识数据库中；
执行从域特定的AI信任引擎813、823、833接收的TAI报告的根本原因分析。此外，如果需要，基于TAI报告更新域特定的AIQoT要求；
向网络运营方提供关于跨域网络服务的问题/升级的全局视图(例如，聚合的跨域网络服务相关的TAI报告)——其在此示例中可能是跨域AIQoT违规。
在一些实施例中，可以实现跨域TAI API(其可以由(多个)域特定的AI信任引擎产生并由跨域AI信任引擎消耗)。例如，这些可以是以下项：
1.跨域TAI能力发现API(Req/Resp)——跨域TAI能力发现API被配置为允许跨域AI信任引擎经由TCD-1接口发现域特定的AI信任引擎能够在属于跨域网络服务的域特定的AI管道中配置的TAI方法和/或TAI度量和/或TAI解释。
2.跨域TAI配置API或跨域TAI委派API(Req/Resp)。跨域TAI配置API或跨域TAI委派API被配置为允许跨域AI信任引擎经由TCD-1接口配置/委派域特定的AI信任引擎在属于跨域网络服务的域特定的AI管道中需要满足的期望的/更新的AIQoT(从跨域AIQoT得出的)。备选地，在一些实施例中，跨域TAI配置API或跨域TAI委托API被配置为允许跨域AI信任引擎经由TCD-2接口通知域特定策略/意图管理器(经由域特定的AI信任引擎)被要求在属于跨域网络服务的域特定的AI管道中进行配置的期望的/更新的AIQoT(从跨域AIQoT得出的)。
3.跨域TAI报告API或跨域TAI升级API(请求/响应和订阅/通知)。跨域TAI报告API或跨域TAI升级API被配置为允许跨域AI信任引擎经由TCD-1接口请求/订阅域特定的AI信任引擎能够在属于跨域网络服务的域特定的AI管道中进行测量/报告/升级的TAI度量和/或TAI解释。
图9显示了示出根据一些实施例的跨域AI信任引擎801的实现的示例工作流程图。此外，该图还显示了上述API的应用，并由(多个)域特定的AI信任引擎通过TCD-1接口供应，以从属于跨域网络服务的域特定的AI管道中发现、配置、测量和查询/收集TAI方法和/或TAI度量和/或TAI解释。
此外，还显示了另外的示例备选实现，显示了跨域AI信任引擎和域特定的策略/意图管理器之间通过TCD-2接口进行的交互。
如图9中由步骤901所示，网络运营方701例如通过T1接口向跨域策略/意图管理器703(在跨域服务管理域705内)通知用于跨域网络服务的意图。
然后，跨域策略/意图管理器703被配置为将用于跨域网络服务的意图转化为跨域AIQoT，并通过步骤903通知跨域AI信任引擎801，如图9所示。
然后，跨域AI信任引擎801可以被配置为将获得的跨域AIQoT要求转化为域特定的AIQoT要求，如图9中由步骤905所示。换言之，跨域AI信任引擎801被配置为取决于跨域网络服务的风险水平生成参数RAN域AIQoT、传送域AIQoT和核心域AIQoT。取决于跨域网络服务的风险水平的参数RAN域AIQoT、传送域AIQoT和核心域AIQoT的生成可以例如通过下表示出：
在一些实施例中，转化/映射逻辑可以考虑用于跨域网络服务的SLA要求(例如，服务类型、服务优先级、KPI度量)，并且可选地，还考虑域特定的TAI能力信息。在一些实施例中，转化可以在步骤911之后被执行。
图9中所示的步骤907、909和911的操作可以被实现为如图9中附图标记906所示的跨域TAI能力发现API的一部分。
例如，跨域AI信任引擎801可以被配置为生成跨域TAI能力信息请求(CDTAICIREq)。如图9所示，请求可以通过步骤907从跨域AI信任引擎801发送到(多个)域特定的AI信任引擎。在该示例中，域特定的AI信任引擎是RAN管理域712AI信任引擎813。该请求用于请求关于(多个)AI信任引擎813能够在属于跨域网络服务的域特定的AI管道中配置的TAI方法和/或TAI度量和/或TAI解释的信息。
在一些实施例中，示例请求(CDTAICIReq)包括以下参数：
在一些实施例中，(多个)域特定的AI信任引擎(在该示例中是RAN管理域712AI信任引擎813)被配置为通过与如由图9中步骤907所示的域特定的AI管道交互来确定接收的请求(CDTAICIReq)中请求的所有信息。该示例中的交互是与属于跨域网络服务的RAN管理域712、AI管道715(例如AI信任管理器902、AI数据源管理器903、AI训练管理器904、AI推理管理器905)。该操作的细节可以根据任何合适的方式来实现，例如如PCT/EP2021/071044中所描述的。
在一些实施例中，域特定的AI信任引擎(在该示例中是RAN管理域712AI信任引擎813)将跨域TAI能力信息响应(CDTAICIResp)发送回如由图9中的步骤911所示的请求跨域AI信任引擎801。在一些实施例中，跨域TAI能力信息响应(CDTAICIResp)包括关于受支持的TAI方法和/或TAI度量和/或TAI解释的域特定的AI管道(属于跨域网络服务)的信息。
在一些实施例中，CDTAICIResp包括以下参数：
在一些实施例中，跨域AI信任引擎被配置为将跨域TAI能力信息存储在跨域跨域信任知识数据库内。如果域中的一个中有能力更新，则数据库可以被更新。
在一些实施例中，跨域AI信任引擎801被配置为基于如图9中由步骤913所示的跨域TAI能力信息响应或存储在跨域信任知识数据库中的跨域TAI能力信息来确定跨域AIQoT和/或域特定的AIQoT要求可以被满足。另外，在一些实施例中，跨域AI信任引擎801被配置为将域特定的AIQoT转化为公平性、可解释性和鲁棒性要求，如前面所示和所述，以确定跨域AIQoT和/或域特定的AIQoT满意度结果。
跨域AI信任引擎801还可以被配置为，如果要求不能被满足，则如图9中由步骤915所示，生成否定确认(跨域AIQoT NACK)并将其发送(如图9中由步骤915所示)到跨域策略/意图管理器703。这是响应于从步骤903接收的跨域AIQoT而被发送的。
图9中作为步骤917、919和921示出的操作示出了作为如图9中附图标记916所示的跨域TAI配置API或跨域TAI委托API的一部分的第一备选。
例如，跨域TAI配置/委托(CRUD)请求(CDTAIConReq)从跨域AI信任引擎801发送到(多个)域特定的AI信任引擎，其在该示例中是RAN管理域712AI信任引擎813，以通知在属于跨域网络服务的域特定的AI管道中需要被满足的转化后的域特定的AIQoT。这在图9中被示为步骤917。
在一些实施例中，跨域AI信任引擎801被配置为还将域特定的AIQoT转化为公平性、可解释性和鲁棒性要求，如上文所示和所述，并且将该信息包括在跨域TAI配置/委托中(CRUD)请求中。在一些实施例中，CDTAIConReq包括以下参数：
在一些实施例中，域特定的AI信任引擎被配置为配置基于跨域TAI配置/委托CRUD请求，在属于跨域网络服务的域特定的AI管道中配置对应的(即，基于期望的域特定的AIQoT)公平性和/或可解释性和/或鲁棒性方法/度量/解释。该配置在图9中由步骤919示出。该实现可以是任何合适的实现，例如，诸如PCT/EP2021/071044中所描述的。
取决于先前步骤中的配置过程是否成功，域特定的AI信任引擎被配置为利用跨域TAI公平性配置/委托CRUD响应(CDTAIConResp)来响应于跨域AI信任引擎。一些实施例中的响应包括用于满足属于跨域网络服务的域特定的AI管道中的域特定的AIQoT的ACK/NACK。生成和发送该响应在图9中由步骤921示出。
图9中作为步骤923、925、927、929和931所示的操作示出了作为如图9中作为附图标记922所示的跨域TAI配置API或跨域TAI委托API的一部分的第二备选。
跨域AI信任引擎被配置为生成跨域TAI配置/委托CRUD请求(CDTAIConReq)并将其传递到域特定的策略/意图管理器811以向域特定的策略/意图管理器811通知需要在属于跨域网络服务的域特定的AI管道中被满足的转化后的域特定的AIQoT。生成和传递CDTAIConReq的操作在图9中由步骤923示出。在一些实施例中，CDTAIConReq可以包括以下参数：
域特定的策略/意图管理器811被配置为向域特定的AI信任引擎813发送期望的AIQoT信息，如图9中由步骤925所示。
然后，域特定的AI信任引擎813可以基于跨域TAI配置/委托CRUD请求，将AIQoT转化为公平性、可解释性和鲁棒性要求，并在属于跨域网络服务的域特定的AI管道中配置对应的公平性和/或可解释性和/或鲁棒性方法/度量/解释。该配置在图9中由步骤927示出。该实现可以是任何合适的实现，例如，诸如在PCT/EP2021/071044中描述的。
然后，域特定的AI信任引擎813可以被配置为向域特定的策略/意图管理器811发送用于满足属于跨域网络服务的域特定的AI管道中的期望的AIQoT的ACK/NACK。发送ACK/NACK的操作如图9中由步骤929所示。
然后，基于域特定的AIQoT是否被满足，域特定的策略/意图管理器811被配置为利用包含ACK/NACK的跨域TAI公平性配置/委托CRUD响应(CDTAIConResp)来响应于跨域AI信任引擎，以用于满足属于跨域网络服务的域特定的AI管道中的域特定AIQoT。生成和发送跨域TAI公平性配置/委托CRUD响应(CDTAIConResp)在图9中由步骤931示出。
图9中作为步骤933、935、937、939和941所示的操作示出了如图9中作为附图标记932所示的示例跨域TAI报告API或跨域TAI升级API实现。
在一些实施例中，域特定的AI信任引擎933被配置为从属于跨域网络服务的域特定的AI管道收集在步骤919或步骤927中配置的TAI报告(度量和/或解释)。报告的收集在图9中由步骤933示出。该实现可以是任何合适的实现，例如，诸如PCT/EP2021/071044中所描述的。
在一些实施例中，网络运营方701生成并传递针对跨域TAI报告的请求或订阅，如图9中由步骤935所示。
如图9中由步骤937所示，跨域TAI报告请求/订阅(CDTAIRReq/CDTAIRSub)被生成并从跨域AI信任引擎801发送到属于跨域网络服务的域特定的AI管道的报告/订阅配置的域特定的AI信任引擎813。在一些实施例中，CDTAIRReq包括以下参数：
在一些实施例中，CDTAIRSub包括以下参数：
在一些实施例中，跨域AI信任引擎可以将跨域TAI报告存储在跨域信任知识数据库内。
在一些实施例中，当一个或多个报告特性(即，周期性或按需)被满足时，则域特定的AI信任引擎813被配置为根据CDTAIRReq中指定的报告配置向跨域AI信任引擎801发送跨域TAI报告响应(TAIRResp)。在一些实施例中，当适用的TAI度量满足一个或多个报告阈值时，则域特定的AI信任引擎813被配置为生成跨域TAI报告通知(TAIRNot)消息并将其发送到包括实际的TAI报告的跨域AI信任引擎801。跨域TAI报告响应(TAIRResp)或跨域TAI报告通知(TAIRNot)的生成如图9中由步骤939所示。
然后，跨域AI信任引擎801执行来自(多个)域特定的AI信任引擎的TAI报告的根本原因分析，并提供关于跨域网络服务的问题的全局视图(例如，聚合的跨域网络服务相关的TAI报告)。例如，如图9中由步骤941所示，跨域AIQoT违规可以被发送到网络运营方701。聚合逻辑可以考虑组合/聚合从(多个)单独的特定域的AI信任引擎接收的数据/训练/推理相关的本地/全局解释。
图10显示了存储指令和/或参数1002的非易失性存储介质1000a(例如计算机盘(CD)或数字多功能盘(DVD))和1000b(例如通用串行总线(USB)记忆棒)的示意图，指令和/或参数1002当由处理器执行时允许处理器执行如上所述的方法的一个或多个步骤。
注意，虽然上面描述了示例实施例，但是在不脱离本发明的范围的情况下，可以对所公开的解决方案进行多种变化和修改。
应当理解，尽管已经在5GS的上下文中讨论了上述概念，但是这些概念中的一个或多个可以被应用于其他蜂窝系统。
因此，实施例可以在所附权利要求的范围内变化。一般而言，一些实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。例如，一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，尽管实施例不限于此。虽然各种实施例可以被图示和描述为框图、流程图或使用一些其他图形表示，但是很好理解的是，作为非限制性示例，本文描述的这些框、装置、系统、技术或方法可以在硬件、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、或其某种组合中实现。
这些实施例可以通过存储在存储器中并且可由所涉及的实体的至少一个数据处理器执行的计算机软件或者通过硬件或者通过软件和硬件的组合来实现。此外，在这方面，应当注意，例如图7和图8中的任何过程可以表示程序步骤，或互连的逻辑电路、框和功能，或程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储器块、磁介质(诸如硬盘或软盘)以及光学介质(诸如DVD及其数据变体CD)的物理介质上。
存储器可以是适合于本地技术环境的任何类型，并且可以使用任何合适的数据存储技术来实现，诸如基于半导体的存储器设备、磁存储器设备和系统、光学存储器设备和系统、固定存储器和可移动存储器。数据处理器可以是适合本地技术环境的任何类型，并且作为非限制性示例，可以包括以下一项或多项：通用计算机、专用计算机、微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、门级电路和基于多核处理器架构的处理器。
备选地或另外地，一些实施例可以使用电路系统来实现。该电路系统可以被配置为执行先前描述的功能和/或方法步骤中的一项或多项。该电路系统可以被提供在基站和/或通信设备中。
如本申请中所使用的，术语“电路系统”可以指以下一项或多项或全部：
(a)仅硬件电路实现(诸如仅在模拟和/或数字电路系统中的实现)；
(b)硬件电路和软件的组合，诸如：
(i)(多个)模拟和/或数字硬件电路与软件/固件的组合，以及
(ii)具有软件的(多个)硬件处理器(包括(多个)数字信号处理器)、软件和(多个)存储器的任何部分，它们一起工作以使装置(诸如通信设备或基站)执行先前描述的各种功能；以及
(c)(多个)硬件电路和/或(多个)处理器，诸如(多个)微处理器或(多个)微处理器的一部分，其需要软件(例如固件)来操作，但当操作不需要软件时，该软件可能不存在。
电路系统的该定义适用于该术语在本申请中的所有使用，包括在任何权利要求中。作为另外的示例，如本申请中所使用的，术语“电路系统”还涵盖仅硬件电路或处理器(或多个处理器)或硬件电路或处理器的一部分及其(或它们的)随附软件和/或固件的实现。术语电路系统还涵盖例如集成器件。
前面的描述已经通过示例性和非限制性示例的方式提供了一些实施例的完整且信息丰富的描述。然而，当结合附图和所附权利要求书阅读时，鉴于前面的描述，各种修改和改编对于相关领域的技术人员来说可能变得显而易见。然而，本教导的所有这样和类似的修改仍将落入所附权利要求所限定的范围内。

Claims (20)

1.一种装置，包括被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的部件，其中所述跨域机器学习或人工智能管道用于控制包括至少两个域的认知自治网络。
2.根据权利要求1所述的装置，其中被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的所述部件被配置为促进以下至少一项，其中所述跨域机器学习或人工智能管道用于控制包括至少两个域的认知自治网络：
定义跨域网络服务相关的机器学习或人工智能管道可信度；
配置跨域网络服务相关的机器学习或人工智能管道可信度；
测量跨域网络服务相关的机器学习或人工智能管道可信度；以及
报告跨域网络服务相关的机器学习或人工智能管道可信度。
3.根据权利要求1或2中任一项所述的装置，其中所述跨域网络服务相关的机器学习或人工智能管道可信度函数包括以下至少一项：
公平性；
可解释性；以及
鲁棒性。
4.根据权利要求1至3中任一项所述的装置，其中被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的所述部件被配置为用于以下项，其中所述跨域机器学习或人工智能管道用于控制包括至少两个域的认知自治网络：
获得跨域机器学习或人工智能质量可信度，所述跨域机器学习或人工智能质量可信度被配置为：覆盖域特定的机器学习或人工智能质量可信度要求、以及跨域网络服务相关的机器学习或人工智能管道的约束；
将所述跨域机器学习或人工智能质量可信度转化为用于所述至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能质量可信度；以及
提供用于所述至少两个域中的至少一个域的所述至少一个域特定的机器学习或人工智能质量可信度。
5.根据权利要求4所述的装置，其中被配置为将所述跨域机器学习或人工智能可信度质量转化为用于所述至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量的所述部件被配置为：基于所述跨域网络服务的风险水平，将所述跨域机器学习或人工智能可信度质量转化为至少一个域特定的机器学习或人工智能可信度质量。
6.根据权利要求4或5中任一项所述的装置，其中被配置为将所述跨域机器学习或人工智能可信度质量转化为用于所述至少两个域中的至少一个域的至少一个域特定的机器学习或人工智能可信度质量的所述部件被配置为：基于用于所述跨域网络的至少一个服务水平协议要求，将所述跨域机器学习或人工智能可信度质量转化为至少一个域特定的机器学习或人工智能可信度质量，其中所述至少一个服务水平协议包括以下至少一项：服务类型；服务优先级；以及至少一项关键性能指标度量。
7.根据权利要求4至6中任一项所述的装置，其中被配置为提供用于所述至少两个域中的至少一个域的所述至少一个域特定的机器学习或人工智能可信度质量的所述部件被配置为：
生成跨域可信度机器学习或人工智能配置或委托请求，并将其传递给至少一个域特定的机器学习或人工智能可信度功能，所述跨域可信度机器学习或人工智能配置或委托请求被配置为：控制所述至少一个域特定的机器学习或人工智能可信度功能，以配置用于所述至少两个域中的所述至少一个域的机器学习或人工智能管道；以及
基于用于所述至少两个域中的所述至少一个域的所述机器学习或人工智能管道的所述配置的实现，从所述至少一个域特定的机器学习或人工智能可信度功能获得跨域可信度机器学习或人工智能配置或委托响应。
8.根据权利要求4至6中任一项所述的装置，其中被配置为提供用于所述至少两个域中的至少一个域的所述至少一个域特定的机器学习或人工智能可信度质量的部件被配置为：
生成跨域可信度机器学习或人工智能配置或委托请求，并将其传递给至少一个域特定的策略管理器，所述跨域可信度机器学习或人工智能配置或委托请求被配置为：控制至少一个域特定的机器学习或人工智能可信度功能，以配置用于所述至少两个域中的所述至少一个域的机器学习或人工智能管道；以及
基于用于所述至少两个域中的所述至少一个域的所述机器学习或人工智能管道的所述配置的实现，从所述至少一个域策略管理器获得跨域可信度机器学习或人工智能配置或委托响应。
9.根据权利要求7或8任一项所述的装置，其中所述跨域可信度机器学习或人工智能配置或委托请求包括：
域范围参数，被配置为标识所述请求正在寻址的域；
管道标识参数，被配置为标识所述请求正在寻址的域特定的机器学习或人工智能管道；
类别标识参数，被配置为标识所述至少一个域特定的机器学习或人工智能可信度质量。
10.根据权利要求9所述的装置，当从属于权利要求7时，其中所述跨域可信度机器学习或人工智能配置或委托请求还包括以下至少一项：
期望的公平性参数，被配置为指示用于所述域特定的机器学习或人工智能管道的相对公平性水平；
期望的可解释性参数，被配置为指示用于所述域特定的机器学习或人工智能管道的期望的可解释性水平；
期望的技术鲁棒性参数，被配置为指示用于所述域特定的机器学习或人工智能管道的期望的技术鲁棒性水平；以及
期望的对抗鲁棒性参数，被配置为指示用于所述域特定的机器学习或人工智能管道的期望的对抗鲁棒性水平。
11.根据权利要求4至10中任一项所述的装置，被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的所述部件被配置为用于以下项，其中所述跨域机器学习或人工智能管道用于控制包括至少两个域的认知自治网络：
生成跨域可信度机器学习或人工智能能力信息请求，并将其传递给至少一个域特定的机器学习或人工智能可信度功能，所述跨域可信度机器学习或人工智能能力信息请求被配置为：控制所述至少一个域特定的机器学习或人工智能可信度功能，以实现用于所述至少两个域中的所述至少一个域的机器学习或人工智能管道的能力发现；以及
从所述至少一个域特定的机器学习或人工智能可信度功能获得跨域可信度机器学习或人工智能能力信息响应，所述人工智能能力信息响应报告针对用于所述至少两个域中的所述至少一个域的机器学习或人工智能管道的所述能力发现。
12.根据权利要求11所述的装置，其中所述跨域可信度机器学习或人工智能能力信息请求包括：
域范围参数，被配置为标识所述请求正在寻址的域；以及
范围参数，被配置为标识所述请求正在寻址的域特定的机器学习或人工智能管道。
13.根据权利要求12所述的装置，其中所述跨域可信度机器学习或人工智能能力信息请求还包括管道阶段参数，所述管道阶段参数被配置为标识所述请求正在寻址的所述域特定的机器学习或人工智能管道的阶段。
14.根据权利要求4至13中任一项所述的装置，其中被配置为促进跨域网络服务相关的机器学习或人工智能管道可信度功能的所述部件还被配置为用于以下，其中所述跨域机器学习或人工智能管道用于控制包括至少两个域的认知自治网络：
从网络运营方获得跨域可信度人工智能报告请求或订阅；
基于来自网络运营方的所述跨域可信度人工智能报告请求或订阅，生成域特定的可信度人工智能报告请求或订阅，并将其传递给至少一个域特定的机器学习或人工智能管道可信度功能，其中所述域特定的可信度人工智能报告请求或订阅被配置为：控制所述至少一个域特定的机器学习或人工智能管道可信度功能，以提供至少一个域特定的机器学习或人工智能管道报告响应或通知；
从所述至少一个域特定的机器学习或人工智能管道可信度功能接收机器学习或人工智能能力信息、和/或所述至少一个域特定的机器学习或人工智能管道报告响应或通知；
将从所述至少一个域特定的机器学习或人工智能管道接收的机器学习或人工智能能力信息、和/或所述至少一个域特定的机器学习或人工智能管道报告存储在跨域信任知识数据库中；
基于所述至少一个域特定的机器学习或人工智能管道报告响应或通知，生成并传递所述跨域可信度人工智能报告。
15.根据权利要求14所述的装置，其中所述跨域可信度人工智能报告请求包括：
域范围参数，被配置为标识所述请求正在寻址的域；
范围参数，被配置为标识所述请求正在寻址的域特定的机器学习或人工智能管道；以及
管道阶段参数，被配置为标识所述请求正在寻址的所述域特定机器学习或人工智能管道的阶段。
16.根据权利要求15所述的装置，其中所述跨域可信度人工智能报告请求还包括以下至少一项：
公平性度量参数的列表，被配置为标识要被报告的公平性度量；
公平度量解释的列表，被配置为标识要被报告的公平性度量解释；
可解释性度量的列表，被配置为标识要被报告的可解释性度量；
解释的列表，被配置为标识要被报告的解释；
技术鲁棒性度量的列表，被配置为标识要被报告的技术鲁棒性度量；
技术鲁棒性度量解释的列表，被配置为标识要被报告的技术鲁棒性度量解释；
对抗鲁棒性度量的列表，被配置为标识要被报告的对抗鲁棒性度量；
对抗鲁棒性度量解释的列表，被配置为标识要被报告的对抗鲁棒性度量解释；
开始时间参数，被配置为标识用于报告的开始时间；
结束时间参数，被配置为标识用于报告的结束时间；以及
报告间隔参数，被配置为标识用于报告的周期间隔。
17.根据权利要求14所述的装置，其中所述跨域可信度人工智能报告订阅包括：
域范围参数，被配置为标识所述订阅正在寻址的域；
范围参数，被配置为标识所述订阅正在寻址的域特定的机器学习或人工智能管道；以及
管道阶段参数，被配置为标识所述订阅正在寻址的所述域特定的机器学习或人工智能管道的阶段。
18.根据权利要求17所述的装置，其中所述跨域可信度人工智能报告订阅还包括以下至少一项：
公平性度量参数的列表，被配置为标识要被报告的公平性度量；
可解释性度量的列表，被配置用于标识要被报告的可解释性度量；
技术鲁棒性度量的列表，被配置为标识要被报告的技术鲁棒性度量；
对抗鲁棒性度量的列表，被配置为标识要被报告的对抗鲁棒性度量；以及
交叉报告阈值参数，被配置为标识度量或度量解释针对其被报告的阈值。
19.一种方法，包括：
促进跨域网络服务相关的机器学习或人工智能管道可信度功能，其中所述跨域机器学习或人工智能管道用于控制包括至少两个域的认知自治网络。
20.一种计算机程序，包括计算机可执行指令，所述计算机可执行指令当在一个或多个处理器上运行时执行根据权利要求19所述的方法的步骤。
CN202180101559.1A 2021-08-10 2021-08-10 装置、方法和计算机程序 Pending CN117813846A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/111815 WO2023015448A1 (en) 2021-08-10 2021-08-10 Apparatus, method, and computer program

Publications (1)

Publication Number Publication Date
CN117813846A true CN117813846A (zh) 2024-04-02

Family

ID=85200363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180101559.1A Pending CN117813846A (zh) 2021-08-10 2021-08-10 装置、方法和计算机程序

Country Status (3)

Country Link
EP (1) EP4385223A4 (zh)
CN (1) CN117813846A (zh)
WO (1) WO2023015448A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119155706A (zh) * 2024-11-07 2024-12-17 成都乐超人科技有限公司 基于智能ai实现5g通信质量分析方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20250048418A1 (en) * 2023-07-31 2025-02-06 Nokia Solutions And Networks Oy Methods and entities for a network
WO2025228570A1 (en) * 2025-02-05 2025-11-06 Lenovo International Coöperatief U.A. Interfaces for offering ai/ml capabilities in a wireless communication system

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2290221A1 (en) * 1998-11-23 2000-05-23 Siemens Information And Communication Networks, Inc. An intelligent telecommunications management network (tmn)
CN102098799B (zh) * 2011-01-26 2013-04-03 北京邮电大学 一种实现异构网络融合的智能认知无线网络系统
US10542046B2 (en) * 2018-06-07 2020-01-21 Unifyvault LLC Systems and methods for blockchain security data intelligence
US11470105B2 (en) * 2019-12-19 2022-10-11 Cisco Technology, Inc. Attestation service gateway
CN111083710A (zh) * 2019-12-20 2020-04-28 大唐网络有限公司 一种用于5g系统的智慧组网方法
CN112291807B (zh) * 2020-10-15 2022-09-23 山东科技大学 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法
CN113114335B (zh) * 2021-03-18 2021-11-19 中国电子科技集团公司第五十四研究所 一种基于人工智能的软件定义天基网络组网架构

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119155706A (zh) * 2024-11-07 2024-12-17 成都乐超人科技有限公司 基于智能ai实现5g通信质量分析方法及系统
CN119155706B (zh) * 2024-11-07 2025-02-07 成都乐超人科技有限公司 基于智能ai实现5g通信质量分析方法及系统

Also Published As

Publication number Publication date
EP4385223A1 (en) 2024-06-19
EP4385223A4 (en) 2025-04-23
WO2023015448A1 (en) 2023-02-16

Similar Documents

Publication Publication Date Title
Khan et al. ORAN-B5G: A next-generation open radio access network architecture with machine learning for beyond 5G in industrial 5.0
KR101676743B1 (ko) 통신 네트워크들에서 서비스 액세스 경험 품질 이슈들의 예측 및 근본 원인 추천들
US20230040284A1 (en) Trust related management of artificial intelligence or machine learning pipelines
US20240195701A1 (en) Framework for trustworthiness
CN117813846A (zh) 装置、方法和计算机程序
US11832106B2 (en) 5G-IoT intelligent trust enabler system
US20250139509A1 (en) Enhancement of training node selection for trustworthy federated learning
US12375362B2 (en) Apparatus, method, and computer program
Leppänen et al. Service modeling for opportunistic edge computing systems with feature engineering
JP7405955B2 (ja) 複数の管理領域のための通信方法及び装置
EP4125012A1 (en) Trust related management of artificial intelligence or machine learning pipelines in relation to the trustworthiness factor explainability
Barrachina‐Muñoz et al. Deploying cloud‐native experimental platforms for zero‐touch management 5G and beyond networks
WO2023011728A1 (en) Trustworthy federated learning
Esin Characteristics of structurally finite classes of order-preserving three-valued logic maps
EP4418617A1 (en) Energy efficiency control mechanism
Zheng et al. Practice on fifth-generation core (5GC) network fault self-recovery based on a Digital Twin
WO2023082112A1 (en) Apparatus, methods, and computer programs
EP4084372B1 (en) Method and apparatus for communication systems comprising management data analytic functions
WO2024216987A1 (en) Method, device and computer program product for wireless communication
CN119718881A (zh) 一种组件引入方法、装置及设备
Ashish et al. Integrating Enterprise Services and Risk-Aware Incident Management: REST, SOAP, and ServiceNow Event Management Best Practices
GB2641133A (en) Method, apparatus and computer program relating to traceability of nested digital twins
WO2024068018A1 (en) Apparatus and method for introducing a data preparation configuration policy
CN119908103A (zh) 无线通信系统中的数据准备
EP4434200A1 (en) Control of requirement fulfillment of artificial intelligence pipelines

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination