[go: up one dir, main page]

CN117979352A - 一种基于主动学习的5g通信系统中的空口监测方法及设备 - Google Patents

一种基于主动学习的5g通信系统中的空口监测方法及设备 Download PDF

Info

Publication number
CN117979352A
CN117979352A CN202410236192.XA CN202410236192A CN117979352A CN 117979352 A CN117979352 A CN 117979352A CN 202410236192 A CN202410236192 A CN 202410236192A CN 117979352 A CN117979352 A CN 117979352A
Authority
CN
China
Prior art keywords
air interface
parameters
active learning
level
interface monitoring
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.)
Granted
Application number
CN202410236192.XA
Other languages
English (en)
Other versions
CN117979352B (zh
Inventor
杭晶辉
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.)
Guangzhou Jieyi Information Technology Co.,Ltd.
Original Assignee
Guangzhou Ruisheng Yinglin Technology 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 Guangzhou Ruisheng Yinglin Technology Co ltd filed Critical Guangzhou Ruisheng Yinglin Technology Co ltd
Priority to CN202410236192.XA priority Critical patent/CN117979352B/zh
Publication of CN117979352A publication Critical patent/CN117979352A/zh
Application granted granted Critical
Publication of CN117979352B publication Critical patent/CN117979352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/091—Active learning
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W76/00—Connection management
    • H04W76/20—Manipulation of established connections
    • H04W76/27—Transitions between radio resource control [RRC] states
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于主动学习的5G通信系统中的空口监测方法，其特征在于，包括以下步骤：S1、划分参数级别：将不确定的参数通过划分为系统级和用户级；S2、重新定义系统级参数：选定小区，在当前小区内对于不同用户都不变的参数定义为系统级参数；S3、扩大系统级参数范围：将5GNew Radio新无线协议中的变量参数应用于当前小区，识别在当前小区内不变的参数划分到系统级参数；S4：通过使用合法获取用户设备，采用主动接入系统方式达到获得空口基站的系统级参数的目的；S5：扩大了系统级参数的范围，减少用户设备级参数范围，达到减少计算量的目的；该发明达到减少User Equipment，用户设备在无线资源控制层RRC连接态时的未知变量配置的个数，大大降低了盲检复杂度，提高了盲检效率。

Description

一种基于主动学习的5G通信系统中的空口监测方法及设备
技术领域
本发明涉及通信系统的空口监测技术领域，具体是一种基于主动学习的5G通信系统中的空口监测方法及设备。
背景技术
空口监测设备用来被动的监测空口的无线电环境，通过解析物理层、MAC层、RLC层、PDCP层、RRC层达到获取载荷的目的。其技术可以用于无线电的监控、目标定位和识别、内容监测等。其传统的空口监测设备仅进行静默的侦听，侦听工作方式是通过从空中接收基站信号和手机之间的正常交互信号进行测量分析，从而探测目标所在的方位和信号强度。其工作示意图如图1所示。
已有的5GNR（New Radio，新无线）通信系统的特点为了支持不同的应用场景，其系统带宽配置灵活和很多参数配置灵活。正是由于很多参数配置灵活，导致参数的不确定性，给空口监测设备带来了巨大的计算量提升。
例如，当UE（User Equipment，用户设备）在连接态时，在不同地区之间，用户的激活部分带宽BWP配置不同，其相应的控制资源集合也不同，如果没有任何先验信息，这对于空口监测设备的计算量带来巨大挑战。
由于5GNR（New Radio，新无线）中不确定的变量过多，并且对于每一个用户，在无线资源控制RRC连接态时的重配置信息都是空口加密，作为无线空口监测设备在空口加密情况下，无法获得每个UE（User Equipment，用户设备）的准确配置。这时如果穷举所有配置，则计算量过大，很难完成。
因此针对空口加密，如何有效减少UE（User Equipment，用户设备）在无线资源控制RRC连接态时的未知变量配置的个数成为了亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是提供一种基于主动学习的5G通信系统中的空口监测方法及设备，可以有效解决上述背景技术中提出的问题。
为解决上述问题，本发明所采取的技术方案是：一种基于主动学习的5G通信系统中的空口监测方法及设备，包括以下步骤：
S1、划分参数级别：将不确定的参数通过划分为系统级和用户级；
S2、重新定义系统级参数：选定小区，在当前小区内对于不同用户都不变的参数定义为系统级参数；
S3、扩大系统级参数范围：将5GNew Radio新无线协议中的变量参数应用于当前小区，识别在当前小区内不变的参数划分到系统级参数；
S4：通过使用合法获取用户设备，采用主动接入系统方式达到获得空口基站的系统级参数的目的；
S5：扩大了系统级参数的范围，减少用户设备级参数范围，达到减少计算量的目的。
作为本发明的进一步优选方案，所述基于主动学习的5GNew Radio新无线通信系统中的空口监测方法及设备系统获得用户设备在RRC连接态时的先验信息，根据获得的先验信息扩展到其它用户设备，达到减少空口监测设备计算量的目的。
作为本发明的进一步优选方案，所述主动学习的5GNew Radio新无线通信系统中的空口监测方法及设备系统工作时框架分为空口监测模块和主动学习模块；
其中空口监测模块工作时先会向主动学习模块请求系统级参数，主动学习模块执行空口学习流程，根据主动学习模块会给空口监测模块返回系统级参数，空口解析模块然后执行空口解析流程。
作为本发明的进一步优选方案，所述主动学习模块的学习流程如下：
A1、当接收到空口监测模块发过来的当前小区的系统级参数请求时，首先查询主动学习模块的本地数据库是否有当前小区系统级参数，如果有，则在数据库中提取参数，并将参数发给空口监测模块。如果没有，则进行下一步；
A2、主动学习模块根据目标小区的Id和频点号，执行锁小区动作；
A3、主动学习模块搜索到目标小区后，执行Attach信令流程获得RRCReconfiguration消息。
作为本发明的进一步优选方案，所述空口解析模块的处理流程为：
B1、获取下行控制信道参数，进行DCI盲检测；
B2、获取的PSCCH参数、CSIRS参数，进行PDSCH的信道估计、均衡、解速率匹配和译码；
B3：进行MAC、RLC、PDCP处理，就得到了期望的内容。
作为本发明的进一步优选方案，所述译码采用变量节点更新公式和校验节点更新公式，其中变量节点更新公式为：校验节点更新公式为：其中,/>表示在第t轮迭代中，变量节点k的值为y的概率；/>表示在第t轮迭代中，校验节点k传递给变量节点j的消息；/>表示与变量节点k相连的校验节点集合；/>表示与校验节点k相连的变量节点集合。
与现有技术相比，本发明提供了一种基于主动学习的5G通信系统中的空口监测方法及设备，具备以下有益效果：
该发明达到减少User Equipment，用户设备在无线资源控制层RRC连接态时的未知变量配置的个数，大大降低了盲检复杂度，提高了盲检效率。
附图说明
图1为传统空口监测系统示意图；
图2为本发明主动学习模块的空口监测系统示意图；
图3为空口监测系统分析流程示意图；
图4为主动学习流程示意图；
图5为基于主动学习的空口解析模块的处理流程。
具体实施方式
需要说明，若本发明实施例中有涉及方向性指示（诸如上、下、左、右、前、后……），则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，若全文中出现的“和/或”或者“及/或”，其含义包括三个并列的方案，以“A和/或B”为例，包括A方案、或B方案、或A和B同时满足的方案。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1-5，本发明提供一种基于主动学习的5G通信系统中的空口监测方法及设备，包括
对于不确定的参数，通过划分为两个级别，一个是系统级别，一个是UE（UserEquipment，用户设备）级别。
基于其中的系统级别是这个小区固有的，在这个小区中不会随着UE（UserEquipment，用户设备）的变化而变化；
小区选择是指移动通信设备（如手机、无线模块等）在连接到无线网络时，根据一定的规则和策略选择要连接的无线小区的过程。在移动通信系统中，无线网络被划分为多个覆盖范围较小的小区，每个小区由一个基站或若干个基站共同提供覆盖和通信服务。
当移动设备启动或者需要进行重新连接时，它会进行小区选择过程，首先进行小区搜索，然后根据一定的算法和策略选择最适合的小区进行连接。小区选择通常基于信号强度、质量、邻区关系等因素进行决策，目的是选择一个能够提供稳定、高质量通信服务的小区进行连接，以确保通信质量和效率。
UE（User Equipment，用户设备）级别的参数仅在有限范围内进行变化，我们的目的是减少UE（User Equipment，用户设备）级别的变量个数，从而达到减少计算量的目的。
步骤如下：
S1、划分参数级别：将不确定的参数通过划分为系统级和用户级；
S2、重新定义系统级参数：选定小区，在当前小区内对于不同用户都不变的参数定义为系统级参数；
S3、扩大系统级参数范围：将5GNew Radio新无线协议中的变量参数应用于当前小区，识别在当前小区内不变的参数划分到系统级参数；
S4：通过使用合法获取用户设备，采用主动接入系统方式达到获得空口基站的系统级参数的目的；
S5：扩大了系统级参数的范围，减少用户设备级参数范围，达到减少计算量的目的。
作为本发明的进一步优选方案，所述基于主动学习的5GNew Radio新无线通信系统中的空口监测方法及设备系统获得用户设备在RRC连接态时的先验信息，根据获得的先验信息扩展到其它用户设备，达到减少空口监测设备计算量的目的。
作为本发明的进一步优选方案，所述主动学习的5GNew Radio新无线通信系统中的空口监测方法及设备系统工作时框架分为空口监测模块和主动学习模块；
其中空口监测模块工作时先会向主动学习模块请求系统级参数，主动学习模块执行空口学习流程，根据主动学习模块会给空口监测模块返回系统级参数，空口解析模块然后执行空口解析流程。
作为本发明的进一步优选方案，所述主动学习模块的学习流程如下：
A1、当接收到空口监测模块发过来的当前小区的系统级参数请求时，首先查询主动学习模块的本地数据库是否有当前小区系统级参数，如果有，则在数据库中提取参数，并将参数发给空口监测模块。如果没有，则进行下一步；
A2、主动学习模块根据目标小区的Id和频点号，执行锁小区动作；
A3、主动学习模块搜索到目标小区后，执行Attach信令流程获得RRCReconfiguration消息（不局限于Attach，其它信令流程如果也可以完成获得RRCReconfiguration消息的目的也可以）。
其中，步骤A3中的Attach流程包括：
当主动式模块UE（User Equipment，用户设备）准备连接到网络时，它首先向最近的基站发送Attach请求，Attach请求包含UE（User Equipment，用户设备）的一些基本信息，如国家码、运营商码、设备类型等。基站接收到来自主动式模块UE（User Equipment，用户设备）的Attach请求后，将此请求转发给核心网中的移动交换中心（MSC）进行鉴权。在身份验证成功后，核心网将为主动式模块UE（User Equipment，用户设备）分配一个临时的标识符，即Globally Unique Temporary Identity（GUTI）。只要身份验证完成并且主动式模块UE（User Equipment，用户设备）被分配了GUTI，核心网会向基站发送Attach确认消息。一旦基站在接收到来自核心网的Attach确认消息后，会向主动式模块UE（User Equipment，用户设备）发送同样的确认消息。一旦主动式模块UE（User Equipment，用户设备）和基站都收到了对方的确认消息，说明Attach过程已经成功完成，并可正常进行通信。
A4：在Attach流程中，由于主动学习模块是合法UE（User Equipment，用户设备），基站会给主动给学习模块发送RRC Reconfiguration消息。
A5：在RRC Reconfiguration消息中提取系统带宽参数、PDCCH的系统级参数、PDSCH的系统级参数、CSIRS系统级参数。
其中的从RRC Reconfiguration中提取的变量参数分类如下表1所示：
作为本发明的进一步优选方案，所述空口解析模块的处理流程为：
B1、获取下行控制信道参数，进行DCI盲检测；
其中，步骤B1中的DCI盲检测方法包括：
基站针对多个UE（User Equipment，用户设备）同时发送PDCCH，UE（UserEquipment，用户设备）为了保证接收属于自己的控制信息和减少基站和UE（UserEquipment，用户设备）之间的交互，通过盲检机制，基站只需放DCI到时频资源，UE（UserEquipment，用户设备）自己通过盲检机制接收即可。
由于UE（User Equipment，用户设备）盲检时不知道CCE的起始位置、DCI类型、聚合等级；
根据UE知道的信息有：UE当前所处的状态（例如idle态期待paging dci等）、基站配置给UE的搜索空间；
搜索空间限定了UE盲检哪些资源，大大降低了盲检复杂度，提高了盲检效率。
B2、获取的PSCCH参数、CSIRS参数，进行PDSCH的信道估计、均衡、解速率匹配和译码；
其中，步骤B2中的解速率匹配过程包括：
解速率匹配的过程通常是先进行速率匹配的过程，得到每个接收数据图样的地址，然后在按照该地址将数据还原成原始的发射序列，传输到后级处理单元。
其中，步骤B2中的译码过程是将信号转化为信息。进一步译码是编码的逆过程，同时去掉比特流在传播过程中混入的噪声。利用译码表把文字译成一组组数码或用译码表将代表某一项信息的一系列信号译成文字的过程称之为译码。
B3：进行MAC、RLC、PDCP处理，就得到了期望的内容；
其中，步骤B3中的PDCP处理流程包括：
a.添加序列号;b.头压缩，数据面的头压缩，信令面不用头压缩;c.完整性保护与加密。加密和完整性保护的配置在“Security Mode Command”中，另外还有一些配置在重配置消息中。d.添加PDCP头。
作为本发明的进一步优选方案，所述译码采用变量节点更新公式和校验节点更新公式，其中变量节点更新公式为：校验节点更新公式为：其中,/>表示在第t轮迭代中，变量节点k的值为y的概率；/>表示在第t轮迭代中，校验节点k传递给变量节点j的消息；/>表示与变量节点k相连的校验节点集合；/>表示与校验节点k相连的变量节点集合。
作为本发明的一个具体实施例:
基于位置的信息服务测向第三方测距空口监测设备应用场景：
1、必须提供用户的位置信息和终端号码，以便对用户实施紧急救援工作。
2、第三方测距空口监测设备开启，配置相关参数。
3、第三方测距空口监测设备开始搜索小区功能，空口监测设备的空口解析模块向主动学习模块主动请求目标小区系统级参数，主动学习模块查询本都数据库是否有小区系统参数，如有，则返回给空口监测模块，如没有则根据目标小区参数执行锁小区，搜索目标小区后，向基站发送消息，基站收到主动模块请求后，将请求转发给核心网进行鉴权身份验证，验证后向基站发送确认信息，基站收到确认信息会给主动给学习模块发送无线资源控制重配置消息，提取到相关参数保存。将获得目标小区的系统参数和UE级参数发送给空口解析模块。
4、空口解析模块解析处理从空中接收基站信号和手机之间的正常交互信号进行测量分析，从而探测目标所在的方位和信号强度等信息，并以图形的形式显示出信号强度值，多个角度测试后，根据信号强度大小可以推测目标的方向，逼近目标。
根据需要，以上所述安装、设置、设有或连接的方式包括且不限于螺钉、铆接、焊接或套接、固定等方式进行安装、设置或连接，根据工作情景需要进行选择安装、设置或连接的方式。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (6)

1.一种基于主动学习的5G通信系统中的空口监测方法，其特征在于，包括以下步骤：
S1、划分参数级别：将不确定的参数通过划分为系统级和用户级；
S2、重新定义系统级参数：选定小区，在当前小区内对于不同用户都不变的参数定义为系统级参数；
S3、扩大系统级参数范围：将5GNew Radio新无线协议中的变量参数应用于当前小区，识别在当前小区内不变的参数划分到系统级参数；
S4：通过使用合法获取用户设备，采用主动接入系统方式达到获得空口基站的系统级参数的目的；
S5：扩大了系统级参数的范围，减少用户设备级参数范围，达到减少计算量的目的。
2.根据权利要求1所述的基于主动学习的5G通信系统中的空口监测方法，其特征在于，基于主动学习的5GNew Radio新无线通信系统中的空口监测方法及设备系统获得用户设备在RRC连接态时的先验信息，根据获得的先验信息扩展到其它用户设备，达到减少空口监测设备计算量的目的。
3.根据权利要求2所述的基于主动学习的5G通信系统中的空口监测方法，其特征在于，所述主动学习的5GNew Radio新无线通信系统中的空口监测方法及设备系统工作时框架分为空口监测模块和主动学习模块；
其中空口监测模块工作时先会向主动学习模块请求系统级参数，主动学习模块执行空口学习流程，根据主动学习模块会给空口监测模块返回系统级参数，空口解析模块然后执行空口解析流程。
4.根据权利要求3所述的基于主动学习的5G通信系统中的空口监测方法，其特征在于，所述主动学习模块的学习流程如下：
A1、当接收到空口监测模块发过来的当前小区的系统级参数请求时，首先查询主动学习模块的本地数据库是否有当前小区系统级参数，如果有，则在数据库中提取参数，并将参数发给空口监测模块；如果没有，则进行下一步；
A2、主动学习模块根据目标小区的Id和频点号，执行锁小区动作；
A3、主动学习模块搜索到目标小区后，执行Attach信令流程获得RRC Reconfiguration消息。
5.根据权利要求4所述的基于主动学习的5G通信系统中的空口监测方法，其特征在于，所述空口解析模块的处理流程为：
B1、获取下行控制信道参数，进行DCI盲检测；
B2、获取的PSCCH参数、CSIRS参数，进行PDSCH的信道估计、均衡、解速率匹配和译码；
B3：进行MAC、RLC、PDCP处理，就得到了期望的内容。
6.根据权利要求5所述的基于主动学习的5G通信系统中的空口监测方法，其特征在于，所述译码采用变量节点更新公式和校验节点更新公式，其中变量节点更新公式为：；
校验节点更新公式为：其中,/>表示在第t轮迭代中，变量节点k的值为y的概率；/>表示在第t轮迭代中，校验节点k传递给变量节点j的消息；/>表示与变量节点k相连的校验节点集合；/>表示与校验节点k相连的变量节点集合。
CN202410236192.XA 2024-03-01 2024-03-01 一种基于主动学习的5g通信系统中的空口监测方法及设备 Active CN117979352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410236192.XA CN117979352B (zh) 2024-03-01 2024-03-01 一种基于主动学习的5g通信系统中的空口监测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410236192.XA CN117979352B (zh) 2024-03-01 2024-03-01 一种基于主动学习的5g通信系统中的空口监测方法及设备

Publications (2)

Publication Number Publication Date
CN117979352A true CN117979352A (zh) 2024-05-03
CN117979352B CN117979352B (zh) 2024-08-09

Family

ID=90865779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410236192.XA Active CN117979352B (zh) 2024-03-01 2024-03-01 一种基于主动学习的5g通信系统中的空口监测方法及设备

Country Status (1)

Country Link
CN (1) CN117979352B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009056015A1 (en) * 2007-10-29 2009-05-07 Huawei Technologies Co., Ltd. Parameter synchronization method and equipment
WO2018133607A1 (zh) * 2017-01-17 2018-07-26 中兴通讯股份有限公司 一种数据传输的方法、装置及系统
CN112804042A (zh) * 2021-03-19 2021-05-14 武汉恒达安网信息技术有限公司 一种nr系统中检测pdcch的方法
US20230062443A1 (en) * 2019-05-20 2023-03-02 Saankhya Labs Pvt. Ltd. Radio mapping architecture for applying machine learning techniques to wireless radio access networks
US20230259789A1 (en) * 2020-07-10 2023-08-17 Google Llc Federated learning for deep neural networks in a wireless communication system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009056015A1 (en) * 2007-10-29 2009-05-07 Huawei Technologies Co., Ltd. Parameter synchronization method and equipment
WO2018133607A1 (zh) * 2017-01-17 2018-07-26 中兴通讯股份有限公司 一种数据传输的方法、装置及系统
US20230062443A1 (en) * 2019-05-20 2023-03-02 Saankhya Labs Pvt. Ltd. Radio mapping architecture for applying machine learning techniques to wireless radio access networks
US20230259789A1 (en) * 2020-07-10 2023-08-17 Google Llc Federated learning for deep neural networks in a wireless communication system
CN112804042A (zh) * 2021-03-19 2021-05-14 武汉恒达安网信息技术有限公司 一种nr系统中检测pdcch的方法

Also Published As

Publication number Publication date
CN117979352B (zh) 2024-08-09

Similar Documents

Publication Publication Date Title
CN113163430B (zh) 用于蜂窝通信网络中的休眠带宽部分的波束故障检测
US20250088955A1 (en) Network slice configuration update
WO2017125025A1 (zh) 寻呼的方法、装置、系统及存储介质
US20240284228A1 (en) Core network element, access-network device, and terminal device
CN119678539A (zh) Ai/ml模型的监测方法和装置
WO2016046606A1 (en) Methods and apparatus for minimization of drive testing
WO2021103592A1 (zh) 一种速率匹配方法、网络设备以及用户设备
CN111866872B (zh) 一种通信方法及装置
US20150026787A1 (en) Authentication method, device and system for user equipment
WO2020216070A1 (zh) 一种伪基站识别方法、相关设备及系统
WO2023060408A1 (zh) 感知数据的收集方法、装置、设备、系统及存储介质
WO2022022392A1 (zh) 一种终端设备的数据关联方法及装置
CN115428483B (zh) 一种随机接入方法及终端设备
CN117979352B (zh) 一种基于主动学习的5g通信系统中的空口监测方法及设备
CN114258696B (zh) 通信方法、用户设备、基站设备及计算机存储介质
CN101919281A (zh) 控制测量报告发送的方法和设备
EP4228344A1 (en) Method and apparatus for requesting prs configuration, and communication device and storage medium
WO2022174780A1 (zh) DDoS攻击检测的方法和装置
WO2009006846A1 (fr) Procédé, appareil servant à suivre des appels et contrôleur de réseau radio
CN107926043B (zh) 确定空间复用的方法及装置
US20250287291A1 (en) Host network device identification method, apparatus and storage medium
CN115334643B (zh) 定位测量节点确定方法和系统
WO2025182416A1 (ja) 第１のｒｉｃ、第２のｒｉｃ、管理ノード、通信方法及びプログラム
CN114760595B (zh) 多播广播业务mbs能力指示方法、装置、设备及存储介质
CN113905436B (zh) 一种定位方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20241104

Address after: Room T78, Rooms 301-353, No.1 Kehua Street, Tianhe District, Guangzhou City, Guangdong Province 510640

Patentee after: Guangzhou Jieyi Information Technology Co.,Ltd.

Country or region after: China

Address before: Room 1390, 1002, No. 80 Yongtai Modao South Street, Yongping Street, Baiyun District, Guangzhou City, Guangdong Province, 510000

Patentee before: Guangzhou Ruisheng Yinglin Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right