CN120476407A

CN120476407A - 在无线通信系统中注册及发现外部联邦学习客户端

Info

Publication number: CN120476407A
Application number: CN202380090417.9A
Authority: CN
Inventors: E·帕特欧米契拉卡斯; K·桑达尼斯; D·卡拉姆帕特斯
Original assignee: Lenovo Singapore Pte Ltd
Current assignee: Lenovo Singapore Pte Ltd
Priority date: 2023-01-05
Filing date: 2023-02-20
Publication date: 2025-08-12
Also published as: GB2640087A; WO2024088572A1; GB202509271D0; EP4646666A1

Abstract

本公开提供一种无线通信系统中的应用实体，其包括：处理器；及存储器，其与所述处理器耦合。所述处理器经配置以使所述应用实体：从无线通信系统的至少一个其它网络或应用实体接收用于充当特定启用机器学习的分析事件的联邦学习参与者的查询，其中所述无线通信系统包括核心网络；针对所述特定启用机器学习的分析事件确定联邦学习客户端配置文件，其中所述联邦学习客户端配置文件包括所述应用实体针对所述特定启用机器学习的分析事件充当所述核心网络外部的至少一个数据源的联邦学习客户端及/或充当所述核心网络外部的数据源的能力；及将对注册注册信息的请求发射到服务注册实体，所述注册信息包括所述联邦学习客户端配置文件及所述应用实体的标识符。

Description

在无线通信系统中注册及发现外部联邦学习客户端

技术领域

本文公开的标的物大体上涉及实施在无线通信系统中注册及发现联邦学习客户端的领域。本文件定义无线通信系统中的应用实体、服务器实体及服务注册实体。本文件还定义无线通信系统中的应用实体、服务器实体及服务注册实体中的方法。

背景技术

在第三代合作伙伴计划(3GPP)中，第五代(5G)核心分析服务由网络数据分析功能(NWDAF)提供。这在3GPP规范TS23.288中描述。这种分析可从其它网络功能(NF)或应用功能(AF)或操作及维护(OAM)收集数据，且可暴露给其它NF、OAM及甚至第三方/AF，以提供与例如切片负载水平、观察到的服务体验、NF负载、网络性能、用户装备(UE)相关分析(移动性、通信)、用户数据拥塞、服务质量(QoS)可持续性、数据网络(DN)性能等相关的统计及预测。此外，在3GPP SA5(TS28.104)中，管理数据分析(MDA)提供用于网络管理的数据分析。MDA可部署在不同级，例如，网络元件级(例如，gNodeB)、域级(例如，无线电接入网络(RAN)、核心网络(CN)、网络切片子网)或以集中方式(例如，在公共陆地移动网络(PLMN)级)部署。MDA的目标是提供有关复杂问题的根案例分析并优化网络资源分配(例如，在网络/域级、在切片/切片子网级)。

在3GPP SA6(TS23.436)中论述3GPP中的额外分析功能，其中应用数据分析启用服务(ADAES)被定义用于在3GPP域之外执行应用层及边缘/云分析。ADAES可实现为AF，其具有分析能力，且还具有到UE侧(到ADAE客户端)以及到OAM的接口。

ADAES支持分析(例如，垂直应用层(VAL)服务器性能、边缘负载分析、位置分析等)，其可启用机器学习(ML)。TS23.436中支持ADAES的不同部署及业务模型。例如，ADAES可在PLMN内，或在边缘计算服务提供商(ECSP)(例如，AWS)处或在垂直域(例如，BMW)处。关于部署模型，存在三种可能场景(集中式、分布式、协调式)。

发明内容

启用ML的分析中的一个关键场景是联邦学习支持，作为NWDAF的部分。具体来说，对于启用ML的分析，TR 23.700-81正在研究用以支持5G系统内的联邦学习的增强。联邦学习(FL)架构的主要功能包含：‘FL消费者’NWDAF，作为含有分析逻辑功能(AnLF)的NWDAF或含有用于特定分析ID的模型训练逻辑功能(MTLF)的NWDAF；‘FL服务器’NWDAF，作为含有支持特定分析ID的“FL聚合”能力的MTLF的NWDAF；及‘FL客户端’NWDAF，作为含有MTLF的NWDAF，所述MTLF支持针对特定分析ID的“FL参与者”能力，且由“FL服务器”NWDAF选择为FL客户端。

当前假设是FL客户端在核心网络(NF、NWDAF)内；然而，还考虑属于不同域或系统/平台的FL客户端将是有益的。通过实例，FL客户端可为AF或UE(在支持订户感知的北向API接入(SNA)的AF或UE后面)。作为另一实例，FL客户端可为服务启用器架构层(SEAL)/ADAE服务器(在3GPP SA6中定义)或垂直应用。作为额外实例，FL客户端可为多接入边缘计算(MEC)服务或MEC应用(例如，RNI服务可被增强以充当FL客户端)。

当前，在3GPP SA2中，MTLF基于多个条件来确定需要FL。这些包含，数据无法从数据源获得(由于隐私问题)；目标区域；及基于由AnLF请求的模型的分析ID的预配置。

具有跨域FL客户端且具体来说在应用侧的FL客户端的益处可具体来说在高负载场景中从5GC卸载用于FL训练的一些处理及通信。此外，其可允许使用更精细的数据(例如，垂直应用层、边缘/云数据)进行FL训练，这可给出更好的预测。此外，其可允许对不同训练数据或不同的区域进行训练，这可允许在不同环境上进行聚合(也可帮助改进分析性能)。另外，其可允许与数据源共同定位的数据的训练，这可改进延迟且还避免将训练数据发送到不同域(可能对共享原始数据存在一些限制，例如从垂直到移动网络运营商(MNO))。后者是主要动机，因为不确定核心网络外部的数据生产者是否愿意发送将要在MNO域处训练的原始数据，且将优选的是在数据生产者域处训练模型。

基于这些考虑，期望一组异构FL客户端，即垂直FL，且需要增强来确定FL客户端的发现/选择如何发生以及ML模型如何分布。

本文公开用于在无线通信系统中注册及发现外部联邦学习客户端的程序。所述程序可由无线通信系统中的应用实体、服务器实体及服务注册实体来实施。

提供一种无线通信系统中的应用实体，其包括：处理器；及存储器，其与所述处理器耦合，所述处理器经配置以使所述应用实体：从无线通信系统的至少一个其它网络或应用实体接收对于充当特定启用机器学习的分析事件的联邦学习参与者的查询，其中所述无线通信系统包括核心网络；针对所述特定启用机器学习的分析事件确定联邦学习客户端配置文件，其中所述联邦学习客户端配置文件包括所述应用实体针对所述特定启用机器学习的分析事件充当所述核心网络外部的至少一个数据源的联邦学习客户端及/或充当所述核心网络外部的数据源的能力；及将对注册注册信息的请求发射到服务注册实体，所述注册信息包括所述联邦学习客户端配置文件及所述应用实体的标识符。

进一步提供一种无线通信系统中的服务器实体，其包括：处理器；及存储器，其与所述处理器耦合，所述处理器经配置以使所述服务器实体：确定针对特定启用机器学习的分析事件的联邦学习要求，其中所述联邦学习要求使用在所述无线通信系统的核心网络外部的至少一个应用实体；及基于所述联邦学习要求将对发现所述至少一个应用实体的信息的请求发射到服务注册实体。

进一步提供一种无线通信系统中的服务注册实体，其包括：处理器；及存储器，其与所述处理器耦合，所述处理器经配置以使所述服务注册实体：从所述无线通信系统的核心网络外部的至少一个应用实体接收对注册注册信息的请求，所述注册信息包括所述相应应用实体的身份及相应联邦学习客户端配置文件，其中所述联邦学习客户端配置文件包括所述相应应用实体针对特定启用机器学习的分析事件充当所述核心网络外部的至少一个数据源的联邦学习客户端及/或充当所述核心网络外部的数据源的能力；及在所述存储器中存储所述注册信息。

此外，提供一种应用实体中的方法，所述应用实体在无线通信系统中，所述方法包括：从所述无线通信系统的至少一个其它网络或应用实体接收对于充当特定启用机器学习的分析事件的联邦学习参与者的查询，其中所述无线通信系统包括核心移动网络；针对所述特定启用机器学习的分析事件确定联邦学习客户端配置文件，其中所述联邦学习客户端配置文件包括所述应用实体针对所述特定启用机器学习的分析事件充当所述核心网络外部的至少一个数据源的联邦学习客户端及/或充当所述核心网络外部的数据源的能力；及将对注册注册信息的请求发射到服务注册实体，所述注册信息包括所述联邦学习客户端配置文件及所述应用实体的标识符。

进一步提供一种服务器实体中的方法，所述服务器实体在无线通信系统中，所述方法包括：确定针对特定启用机器学习的分析事件的联邦学习要求，其中所述联邦学习要求使用在所述无线通信系统的核心网络外部的至少一个应用实体；及基于所述联邦学习要求将对发现所述至少一个应用实体的信息的请求发射到服务注册实体。

进一步提供一种服务注册实体中的方法，所述服务注册实体在无线通信系统中，所述方法包括：从所述无线通信系统的核心网络外部的至少一个应用实体接收对注册注册信息的请求，所述注册信息包括所述相应应用实体的身份及相应联邦学习客户端配置文件，其中所述联邦学习客户端配置文件包括所述相应应用实体针对特定启用机器学习的分析事件充当所述核心网络外部的至少一个数据源的联邦学习客户端及/或充当所述核心网络外部的数据源的能力；及存储所述注册信息。

附图说明

为了描述可获得本公开的优点及特征的方式，通过参考附图中说明的某些设备及方法来呈现本公开的描述。这些附图中的每一者仅描绘本公开的某些方面，且因此不被视为限制其范围。为了清晰起见，附图可已被简化，且不一定按比例绘制。

现在将仅通过实例参考附图来描述用于在无线通信系统中注册及发现外部联邦学习客户端的方法及设备，其中：

图1说明无线通信系统的实施例；

图2说明用户装备设备的实施例；

图3说明网络节点或网络实体的实施例；

图4说明高级SEAL ADAE架构的实施例；

图5说明协调ADAES部署模型的实施例；

图6说明正在部署的ML联邦学习的实施例；

图7说明无线通信系统中的应用实体中的方法的实施例；

图8说明无线通信系统中的服务器实体中的方法的实施例；

图9说明无线通信系统中的服务注册表中的方法的实施例；

图10说明无线通信系统中的暴露功能中的方法的实施例；

图11说明用于可信AF的经由NRF的注册及发现的实施例；及

图12说明用于不可信AF/UE的注册及发现的实施例。

具体实施方式

如所属领域的技术人员应了解，本公开的方面可体现为系统、设备、方法或程序产品。因此，本文描述的布置可以完全硬件形式、完全软件形式(包含固件、常驻软件、微代码等)或组合软件与硬件方面的形式实施。

例如，所公开的方法及设备可实施为硬件电路，包括定制超大规模集成(“VLSI”)电路或门阵列、现成半导体，例如逻辑芯片、晶体管或其它离散组件。所公开的方法及设备也可在可编程硬件装置，例如现场可编程门阵列、可编程阵列逻辑、可编程逻辑装置或类似者中实施。作为另一实例，所公开的方法及设备可包含可执行代码的一或多个物理或逻辑块，其可例如被组织为对象、程序或功能。

此外，方法及设备可采取体现在存储机器可读代码、计算机可读代码及/或程序代码(下文被称为代码)的一或多个计算机可读存储装置中的程序产品的形式。存储装置可为有形的、非暂时性的及/或非发射的。存储装置可不体现信号。在某些布置中，存储装置仅采用用于存取代码的信号。

可利用一或多个计算机可读媒质的任何组合。计算机可读媒质可为计算机可读存储媒质。计算机可读存储媒质可为存储代码的存储装置。存储装置可为例如但不限于电子、磁性、光学、电磁、红外、全息、微机械或半导体系统、设备或装置或前述的任何合适组合。

存储装置的更具体实例(非详尽列表)将包含以下：具有一或多根导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(“RAM”)、只读存储器(“ROM”)、可擦除可编程只读存储器(“EPROM”或快闪存储器)、便携式光盘只读存储器(“CD-ROM”)、光学存储装置、磁性存储装置或前述的任何合适组合。在本文件的上下文中，计算机可读存储媒质可为可含有或存储程序以供指令执行系统、设备或装置使用或结合指令执行系统、设备或装置使用的任何有形媒质。

贯穿本说明书提及特定方法或设备的实例或类似用语意指结合实施所述实例描述的特定特征、结构或特性包含在本文描述的方法及设备的至少一个实施方案中。因此，提及特定方法或设备的实例或类似用语的特征可能但不一定都指同一实例，而意指“一或多个但不是所有实例”，除非另有明确规定。术语“包含”、“包括”、“具有”及其变体意指“包含但不限于，除非另有明确规定。列举的项目列表并不意味着任何或所有项目是相互排斥的，除非另有明确规定。术语“一”、“一个”及“所述”也指“一或多个”，除非另有明确规定。

如本文所使用，具有连词“及/或”的列表包含列表中的任何单个项目或列表中的项目组合。例如，A、B及/或C的列表包含仅A、仅B、仅C、A与B的组合、B与C的组合、A与C的组合或A、B与C的组合。如本文所使用，使用术语“…中的一或多者”的列表包含列表中的任何单个项目或列表中的项目组合。例如，A、B及C中的一或多者包含仅A、仅B、仅C、A与B的组合、B与C的组合、A与C的组合或A、B与C的组合。如本文所使用，使用术语“…中的一者”的列表包含列表中的任何单个项目中的一者且仅一者。例如，“A、B及C中的一者”包含仅A、仅B或仅C，并排除A、B与C的组合。如本文所使用，“选自由A、B及C组成的群组的成员”包含A、B或C中的一者且仅一者，并排除A、B与C的组合。如本文所使用，“选自由A、B及C及其组合组成的群组的成员”包含仅A、仅B、仅C、A与B的组合、B与C的组合、A与C的组合或A、B与C的组合。

此外，本文描述的所描述特征、结构或特性可以任何合适方式组合。在以下描述中，提供许多具体细节(例如编程、软件模块、用户选择、网络事务、数据库查询、数据库结构、硬件模块、硬件电路、硬件芯片等的实例)来提供本公开的透彻理解。然而，相关领域的技术人员应认识到，所公开的方法及设备可在没有一或多个具体细节的情况下或使用其它方法、组件、材料等来实践。在其它例子中，未详细展示或描述众所周知的结构、材料或操作以避免使本公开的方面不清楚。

下文参考方法、设备、系统及程序产品的示意性流程图及/或示意性框图描述所公开的方法及设备的方面。应理解，示意性流程图及/或示意性框图的每一框及示意性流程图及/或示意性框图中的框的组合可通过代码来实施。这个代码可被提供到通用计算机、专用计算机或其它可编程数据处理设备的处理器以产生机器，使得经由计算机或其它可编程数据处理设备的处理器执行的指令产生用于实施示意性流程图及/或示意性框图中指定的功能/动作的方法。

代码也可存储在存储装置中，所述代码可引导计算机、其它可编码数据处理设备或其它装置以特定方式运作，使得存储在存储装置中的指令产生包含实施示意性流程图及/或示意性框图中指定的功能/动作的指令的制品。

代码也可被加载到计算机、其它可编程数据处理设备或其它装置上以使一系列操作步骤在计算机、其它可编程设备或其它装置上执行以产生计算机实施过程，使得在计算机或其它可编程设备上执行的代码提供用于实施示意性流程图及/或示意性框图中指定的功能/动作的过程。

图中的示意性流程图及/或示意性框图说明设备、系统、方法及程序产品的可能实施方案的架构、功能性及操作。在这方面，示意性流程图及/或示意性框图中的每一框可表示包含用于实施指定逻辑功能的代码的一或多个可执行指令的代码的模块、片段或部分。

还应注意，在一些替代实施方案中，框中提及的功能可不按图中提及的顺序出现。例如，事实上，取决于所涉及功能性，连续展示的两个框可大体上同时执行，或所述框有时可以相反顺序执行。可设想在功能、逻辑或效果上等效于所说明的图的一或多个框或其部分的其它步骤及方法。

在每一图中，元件的描述可指先前图的元件。在所有图中，相同数字是指相同元件。

图1描绘用于注册及发现外部联邦学习客户端的无线通信系统100的实施例。这样的系统100可包括移动网络的可信域内的应用实体。这样的系统100可包括核心网络或核心移动网络。在一个实施例中，无线通信系统100包括远程单元102及网络单元104。即使在图1中描绘特定数量的远程单元102及网络单元104，但所属领域的技术人员应认识到，无线通信系统100中可包含任何数量的远程单元102及网络单元104。

在一个实施例中，远程单元102可包含计算装置，例如台式计算机、膝上型计算机、个人数字助理(“PDA”)、平板计算机、智能手机、智能电视(例如，连接到因特网的电视)、机顶盒、游戏控制台、安全系统(包含安全摄像头)、车载计算机、网络装置(例如，路由器、交换机、调制解调器)、空中飞行器、无人机或类似者。在一些实施例中，远程单元102包含可穿戴装置，例如智能手表、健身手环、光学头戴显示器或类似者。此外，远程单元102可被称为订户单元、移动装置、移动站、用户、终端、移动终端、固定终端、订户站、UE、用户终端、装置或所属领域中使用的其它术语。远程单元102可经由UL通信信号直接与网络单元104中的一或多者通信。在某些实施例中，远程单元102可经由侧链路通信直接与其它远程单元102通信。

网络单元104可分布遍及一个地理区域。在某些实施例中，网络单元104还可被称为接入点、接入终端、基地、基站、节点B、eNB、gNB、归属节点B、中继节点、装置、核心网络、空中服务器、无线电接入节点、AP、NR、网络实体、接入及移动性管理功能(“AMF”)、统一数据管理功能(“UDM”)、统一数据存储库(“UDR”)、UDM/UDR、策略控制功能(“PCF”)、无线电接入网络(“RAN”)、网络切片选择功能(“NSSF”)、操作、管理和维护(“OAM”)、会话管理功能(“SMF”)、用户平面功能(“UPF”)、应用功能、认证服务器功能(“AUSF”)、安全锚点功能(“SEAF”)、可信非3GPP网关功能(“TNGF”)、应用功能、服务启用器架构层(“SEAL”)功能、垂直应用启用器服务器、边缘启用器服务器、边缘配置服务器、移动边缘计算平台功能、移动边缘计算应用、应用数据分析启用器服务器、SEAL数据递送服务器、中间件实体、网络切片能力管理服务器或所属领域中使用的任何其它术语。网络单元104通常是无线电接入网络的部分，所述无线电接入网络包含可通信地耦合到一或多个对应网络单元104的一或多个控制器。无线电接入网络通常可通信地耦合到一或多个核心网络，所述一或多个核心网络可耦合到其它网络，如因特网及公共交换电话网络以及其它网络。无线电接入及核心网络的这些及其它元件未被说明，但通常是所属领域的一般技术人员众所周知的。

在一个实施方案中，无线通信系统100与3GPP中标准化的新空口(NR)协议兼容，其中网络单元104在下行链路(DL)上使用正交频分复用(“OFDM”)调制方案进行发射，且远程单元102在上行链路(UL)上使用单载波频分多址(“SC-FDMA”)方案或OFDM方案进行发射。然而，更一般来说，无线通信系统100可实施一些其它开放或专有通信协议，例如WiMAX、IEEE802.11变体、GSM、GPRS、UMTS、LTE变体、CDMA2000、ZigBee、Sigfoxx以及其它协议。本公开不意在限于任何特定无线通信系统架构或协议的实施方案。

网络单元104可经由无线通信链路服务于服务区域内的若干远程单元102，例如小区或小区扇区。网络单元104在时间、频率及/或空间域中发射DL通信信号以服务于远程单元102。

图2描绘可用于实施本文描述的方法的用户装备设备200。用户装备设备200用于实施本文描述的一或多个解决方案。用户装备设备200是根据本文实施例中描述的用户装备设备中的一或多者。具体来说，例如，用户装备设备200可包括来自图1的UE 102、来自图6的UE 680、由图12中的1270表示的UE。用户装备设备200包含处理器205、存储器210、输入装置215、输出装置220及收发器225。

输入装置215及输出装置220经组合成单个装置，例如触摸屏。在一些实施方案中，用户装备设备200不包含任何输入装置215及/或输出装置220。用户装备设备200可包含处理器205、存储器210及收发器225中的一或多者，且可不包含输入装置215及/或输出装置220。

如所描绘，收发器225包含至少一个发射器230及至少一个接收器235。收发器225可与由一或多个基地单元支持的一或多个小区(或无线覆盖区域)通信。收发器225可在未授权频谱上操作。此外，收发器225可包含支持一或多个波束的多个UE面板。另外，收发器225可支持至少一个网络接口240及/或应用接口245。应用接口245可支持一或多个API。网络接口240可支持3GPP参考点，例如Uu、N1、PC5等。如所属领域的一般技术人员所理解，可支持其它网络接口240。

处理器205可包含能够执行计算机可读指令及/或能够执行逻辑操作的任何已知控制器。例如，处理器205可为微控制器、微处理器、中央处理单元(“CPU”)、图形处理单元(“GPU”)、辅助处理单元、现场可编程门阵列(“FPGA”)或类似可编程控制器。处理器205可执行存储在存储器210中的指令以执行本文描述的方法及例行程序。处理器205通信地耦合到存储器210、输入装置215、输出装置220及收发器225。

处理器205可控制用户装备设备200以实施本文描述的用户装备设备行为。处理器205可包含管理应用域及操作系统(“OS”)功能的应用处理器(也称为“主处理器”)及管理无线电功能的基带处理器(也称为“基带无线电处理器”)。

存储器210可为计算机可读存储媒质。存储器210可包含易失性计算机存储媒质。例如，存储器210可包含RAM，包含动态RAM(“DRAM”)、同步动态RAM(“SDRAM”)及/或静态RAM(“SRAM”)。存储器210可包含非易失性计算机存储媒质。例如，存储器210可包含硬盘驱动器、快闪存储器或任何其它合适非易失性计算机存储装置。存储器210可包含易失性及非易失性计算机存储媒质两者。

存储器210可存储与实施业务类别字段相关的数据，如本文描述。存储器210还可存储程序代码及相关数据，例如操作系统或在设备200上操作的其它控制器算法。

输入装置215可包含任何已知计算机输入装置，包含触摸面板、按钮、键盘、触笔、麦克风或类似者。输入装置215可与输出装置220集成，例如，作为触摸屏或类似触敏显示器。输入装置215可包含触摸屏，使得可使用在触摸屏上显示的虚拟键盘及/或通过触摸屏上的手写来输入文本。输入装置215可包含两个或更多个不同装置，例如键盘及触摸面板。

输出装置220可经设计以输出视觉、听觉及/或触觉信号。输出装置220可包含能够将视觉数据输出给用户的电子可控显示器或显示装置。例如，输出装置220可包含但不限于液晶显示器(“LCD”)、发光二极管(“LED”)显示器、有机LED(“OLED”)显示器、投影仪或能够将图像、文本或类似者输出给用户的类似显示装置。作为另一非限制性实例，输出装置220可包含与用户装备设备200的其余部分分开但通信地耦合到所述其余部分的可穿戴显示器，例如智能手表、智能眼镜、抬头显示器或类似者。此外，输出装置220可为智能手机、个人数字助理、电视机、台式计算机、笔记本(膝上型)计算机、个人计算机、车辆仪表板或类似者的组件。

输出装置220可包含用于产生声音的一或多个扬声器。例如，输出装置220可产生可听警报或通知(例如，哔哔声或鸣响)。输出装置220可包含用于产生振动、运动或其它触觉反馈的一或多个触觉装置。输出装置220的全部或部分可与输入装置215集成。例如，输入装置215及输出装置220可形成触摸屏或类似触敏显示器。输出装置220可定位在输入装置215附近。

收发器225经由一或多个接入网络与移动通信网络的一或多个网络功能通信。收发器225在处理器205的控制下操作以发射消息、数据及其它信号，且还接收消息、数据及其它信号。例如，处理器205可在特定时间选择性地激活收发器225(或其部分)，以便发送及接收消息。

收发器225包含至少一个发射器230及至少一个接收器235。一或多个发射器230可用于将上行链路通信信号提供到无线通信网络的基地单元。类似地，一或多个接收器235可用于从基地单元接收下行链路通信信号。尽管说明仅一个发射器230及一个接收器235，但用户装备设备200可具有任何合适数量的发射器230及接收器235。此外，发射器230及接收器235可为任何合适类型的发射器及接收器。收发器225可包含用于在授权无线电频谱上与移动通信网络通信的第一发射器/接收器对及用于在未授权无线电频谱上与移动通信网络通信的第二发射器/接收器对。

第一发射器/接收器对可用于在授权无线电频谱上与移动通信网络通信，且用于在未授权无线电频谱上与移动通信网络通信的第二发射器/接收器对可组合成单个收发器单元，例如执行用于与授权及未授权无线电频谱两者一起使用的功能的单个芯片。第一发射器/接收器对及第二发射器/接收器对可共享一或多个硬件组件。例如，某些收发器225、发射器230及接收器235可实施为存取共享硬件资源及/或软件资源的物理分开组件，例如，举例来说，网络接口240。

一或多个发射器230及/或一或多个接收器235可实施及/或集成为单个硬件组件，例如多收发器芯片、片上系统、专用集成电路(“ASIC”)或其它类型的硬件组件。一或多个发射器230及/或一或多个接收器235可实施及/或集成为多芯片模块。例如网络接口240或其它硬件组件/电路的其它组件可与任何数量的发射器230及/或接收器235集成为单个芯片。发射器230及接收器235可逻辑配置为使用一或多个共同控制信号的收发器225，或在同一硬件芯片中或在多芯片模块中实施的模块化发射器230及接收器235。

图3描绘可用于实施本文描述的方法的网络节点300的进一步细节。网络节点300可为无线通信网络中(例如，在本文描述的一或多个无线通信网络中)的实体的一个实施方案。例如，网络节点300可包括来自图6的NWDAF 610(包含MTLF 601及FL服务器602)、来自图6的NEF 620、来自图11的AnLF 1110或NRF 1120或NEF 1130或MTLF 1140、来自图12的AnLF1220或NRF 1230或MTLF 1240或NEF 1250。网络节点300包含处理器305、存储器310、输入装置315、输出装置320及收发器325。

输入装置315及输出装置320可组合成单个装置，例如触摸屏。在一些实施方案中，网络节点300不包含任何输入装置315及/或输出装置320。网络节点300可包含处理器305、存储器310及收发器325中的一或多者，且可不包含输入装置315及/或输出装置320。

如所描绘，收发器325包含至少一个发射器330及至少一个接收器335。此处，收发器325与一或多个远程单元200通信。另外，收发器325可支持至少一个网络接口340及/或应用接口345。应用接口345可支持一或多个API。网络接口340可支持3GPP参考点，例如Uu、N1、N2及N3。如所属领域的一般技术人员所理解，可支持其它网络接口340。

处理器305可包含能够执行计算机可读指令及/或能够执行逻辑操作的任何已知控制器。例如，处理器305可为微控制器、微处理器、CPU、GPU、辅助处理单元、FPGA或类似可编程控制器。处理器305可执行存储在存储器310中的指令以执行本文描述的方法及例行程序。处理器305通信地耦合到存储器310、输入装置315、输出装置320及收发器325。

存储器310可为计算机可读存储媒质。存储器310可包含易失性计算机存储媒质。例如，存储器310可包含RAM，包含动态RAM(“DRAM”)、同步动态RAM(“SDRAM”)及/或静态RAM(“SRAM”)。存储器310可包含非易失性计算机存储媒质。例如，存储器310可包含硬盘驱动器、快闪存储器或任何其它合适非易失性计算机存储装置。存储器310可包含易失性及非易失性计算机存储媒质两者。

存储器310可存储与建立多路径单播链路及/或移动操作有关的数据。例如，存储器310可存储参数、配置、资源指派、策略及类似者，如本文描述。存储器310还可存储程序代码及相关数据，例如操作系统或在网络节点300上操作的其它控制器算法。

输入装置315可包含任何已知计算机输入装置，包含触摸面板、按钮、键盘、触笔、麦克风或类似者。输入装置315可与输出装置320集成，例如，作为触摸屏或类似触敏显示器。输入装置315可包含触摸屏，使得可使用在触摸屏上显示的虚拟键盘及/或通过触摸屏上的手写来输入文本。输入装置315可包含两个或更多个不同装置，例如键盘及触摸面板。

输出装置320可经设计以输出视觉、听觉及/或触觉信号。输出装置320可包含能够将视觉数据输出给用户的电子可控显示器或显示装置。例如，输出装置320可包含但不限于LCD显示器、LED显示器、OLED显示器、投影仪或能够将图像、文本或类似者输出给用户的类似显示装置。作为另一非限制性实例，输出装置320可包含与网络节点300的其余部分分开但通信地耦合到所述其余部分的可穿戴显示器，例如智能手表、智能眼镜、抬头显示器或类似者。此外，输出装置320可为智能手机、个人数字助理、电视机、台式计算机、笔记本(膝上型)计算机、个人计算机、车辆仪表板或类似者的组件。

输出装置320可包含用于产生声音的一或多个扬声器。例如，输出装置320可产生可听警报或通知(例如，哔哔声或鸣响)。输出装置320可包含用于产生振动、运动或其它触觉反馈的一或多个触觉装置。输出装置320的全部或部分可与输入装置315集成。例如，输入装置315及输出装置320可形成触摸屏或类似触敏显示器。输出装置320可定位在输入装置315附近。

收发器325包含至少一个发射器330及至少一个接收器335。一或多个发射器330可用于与UE通信，如本文描述。类似地，一或多个接收器335可用于与PLMN及/或RAN中的网络功能通信，如本文描述。尽管说明仅一个发射器330及一个接收器335，但网络节点300可具有任何合适数量的发射器330及接收器335。此外，发射器330及接收器335可为任何合适类型的发射器及接收器。

图4说明如3GPP TS23.434中指定的高级SEAL ADAE架构的实施例400。实施例400包含VAL UE 410、3GPP网络系统420、VAL服务器430及应用数据分析启用服务器440。VAL UE410被说明为包括VAL客户端401及应用数据分析启用客户端402。还说明实施例400中的单独VAL层450及SEAL层460。VAL层450本身包括VAL客户端401及VAL服务器430。SEAL层460包括应用数据分析启用客户端402及应用数据分析启用服务器440。VAL客户端401被说明为使用VAL-UU通过3GPP网络系统420与VAL服务器430通信。VAL客户端401还被展示为使用ADAE-C与应用数据分析启用客户端401通信。应用数据分析启用客户端401进一步被展示为使用ADAE-UU通过3GPP网络系统420与应用数据分析启用服务器440通信。应用数据分析启用服务器440进一步被展示为使用N33、N6及ADAE-OAM与3GPP网络系统420通信。应用数据分析启用服务器440进一步被展示为使用ADAE-S与VAL服务器430通信。

更具体来说，实施例400展示用于ADAE服务的高级架构。在此图中，VAL服务器430通过ADAE-S参考点与ADAES 440通信。充当AF的ADAES 440可与3GPP网络系统420中的5G核心网络功能(通过到NEF的N33参考点及到UPF的N6参考点)及OAM(通过ADAE-OAM接口)通信。

图5说明如3GPP TS23.436中指定的协调ADAES部署模型的实施例500。实施例500包含EDN A1 510、EDN A2 520、集中式DN(DNN-B)530及PLMN 540。EDN A1 510包括多个EAS511、EES 512及ADAE服务器#1.1 513。EDN A2 520包括多个EAS 521、EES 522及ADAE服务器#1.2 523。集中式DN 530包括多个VAL服务器531及包括ADAE服务器#1 533的SEAL服务532。PLMN 540包括ADAE 1.1服务区域541及ADAE 1.2服务区域542。EDN A1 510被展示为通过DNAIA1-m 550及DNAIA1-n 560与PLMN 540对接。EDN A2 520被展示为通过NDAIA2-n 570与PLMN 540对接。集中式DN 530被展示为通过DNAIB 580与PLMN 540对接。

更具体来说，在协调部署500中，如TS23.436所述，多个ADAES 513、523、533可定位在不同外部数据网络(EDN)/数据网络(DN)510、520、530处，且可由同一ADAE提供商部署。这种协调部署允许本地-全局分析推导(这可能是改进分析置信度水平所需要的)。集中部署的ADAES还可充当ADAE分析聚合器，并控制边缘部署的ADAES以导出不同子区域的分析。一个实例是对EDN#1 510或EDN#2 520负载使用分析，这将有助于预测定位在中央的ADAES533处的VAL服务器531性能。替代部署适用于基于ML的分析方法，如监督学习，其中定位在中央的ADAES 533充当ML模型训练实体，且定位在边缘的ADAES 513及523可充当ML模型推理实体(使用边缘数据来改进预测准确性)。

边缘部署的ADAES 513及523的统计/预测对应于ADAES服务区域541及541，其等效于EES/EAS服务区域。中央ADAE服务器533覆盖所有PLMN 540区域，且用于与分布式ADAES513及523协调(在中央ADAES执行聚合的情况下)或联合执行分析(在分布式分析推导的情况下，例如，用于中央及分散式ADAES中的ML模型训练及推理)。这样的分析服务可被提供给中央DN 530处的消费者，如VAL服务器531或SEAL服务532，或甚至在PLMN 540侧(例如，NWDAF消费服务体验分析)。

由本公开提供的解决方案是允许外部FL客户端与核心网络协作。‘外部’FL客户端被认为是核心网络外部的FL客户端。这样的FL客户端可例如驻留在UE侧的AF/ADAES/应用处(对于垂直域FL的情况)。

作为FL客户端的AF的使用情况是当数据生产者驻留在DN侧且AF被期望处理本地ML模型训练而不是发送原始数据时的情况。一个特定情况是在DN侧具有分析实体，即ADAES的情况，所述ADAES具有执行分析的能力，且可充当相应DN(或EDN)的候选FL客户端。

另一个使用情况是允许UE侧的应用作为客户端执行FL。此特定情况是针对预期将本地UE数据提供到NWDAF以用于执行ML操作的场景；然而，这样的数据可不从装置侧暴露给5GC，且在UE侧使用FL客户端可能是优选的(例如，训练与UE应用性能(例如，信道损耗、速率、QoE)相关的数据，或用于基于UE侧的位置报告来提供移动性模式)。在这样的场景中，FL客户端可为UE处的应用或UE侧处的启用器客户端(例如，ADAEC)，其充当中间件应用以针对特定分析事件执行FL。

当前，在3GPP SA2中探索的用于联邦学习的NWDAF解决方案假设ML训练实体驻留在相同管理下的同一5G核心域处。然而，如果我们假设应用实体正在执行ML训练，那么本地使用的数据可解决与第三方向MNO暴露原始数据的意愿相关的问题。

图6说明ML联邦学习部署的实施例600。实施例600说明包括MTLF 601的NWDAF610，所述MTLF 601包括FL服务器602。还展示NEF 620，NWDAF 610可通过所述NEF 620与AF/FL客户端630、ADAES FL客户端650及装置应用/FL客户端670通信。AF/FL客户端630执行模型训练并与垂直域处的数据生产者640执行数据收集。ADAES FL客户端650执行模型训练并与数据生产者VAL服务器660执行数据收集。装置应用/FL客户端670执行模型训练并与数据生产者UE 680执行数据收集。NWDAF 610、NEF 620、AF/FL客户端630、垂直域640处的数据生产者、ADAES FL客户端650、数据生产者VAL服务器660、装置应用/FL客户端670都被展示为联邦学习690的部分。

更具体来说，NWDAF 610包含MTLF 601，及具体来说FL服务器602。FL客户端630、650、670驻留在DN/第三方处，所述DN/第三方可为可信的(例如，可信AF、中间件AF)或不可信的(例如，UE应用)，或也可为第三方分析实体(例如，ADAES)。在此部署中，一个关键方面是如何允许第三方FL客户端630、650、670向5GC注册其能力，以允许来自FL服务器602的发现。现在将描述用于注册/发现方面的高级步骤。

具有AF能力的外部功能(可为潜在FL客户端)请求向网络存储库注册其FL客户端能力。这可在AF注册阶段或基于触发来执行。这样的触发可为来自NWDAF的分析服务的请求、应用的实例化或来自NWDAF的对来自应用的数据的查询。触发可为以下中的至少一者：发起分析服务(启用FL)；需要分析服务的应用服务被激活/开始运行；分析性能低于预期，且FL使用不同FL类型的可能性由外部功能(或在MTLF处)指示，这要求分析服务正在运行，且外部功能是消费者；NWDAF识别对外部数据的需求以满足分析服务性能目标，并生成触发事件以查询外部候选FL客户端；如果目标UE属于不同PLMN且正在漫游到HPLMN，或如果目标UE属于HPLMN且正在漫游到VPLMN，那么NWDAF确定外部FL客户端需要分析数据。

网络注册表授权请求并存储FL客户端配置文件信息(对于可信AF的情况)，包含AFID/应用ID及地址以及能力(其可充当FL客户端的分析ID/事件ID、处理能力)、暴露限制(这需要经由NEF还是直接的，基于AF是否在可信域中)、支持的数据类型及可用性、FL客户端支持的时间及区域。如果候选FL是不可信的，那么需要在NEF处映射FL客户端能力；及用与客户端FL相关的对应FL能力注册NEF，假设外部FL客户端是AF。如果外部FL客户端是属于不同PLMN的数据生产者，那么请求经由另一类型的NEF。

NWDAF(AnLF)订阅中央MTLF进行ML模型预配置(provisioning)，且MTLF确定需要FL。其可选地确定对外部数据源的需求及允许外部FL客户端使用这些源的可能性。

MTLF向网络注册表执行发现请求，还包含用以发现外部FL客户端的偏好/标志。这种偏好/标志指示外部FL客户端是否需要被发现，且还可指示将要被发现的FL客户端是被允许为可信源还是不可信源。

注册表授权请求并列出可用的FL客户端，包含外部客户端，并将此作为发现响应发送到MTLF。

出于本文公开的目的，对‘暴露功能’的引用包含例如NEF及CAPIF AEF的功能/实体；对‘ML模型训练服务器功能’的引用包含例如NWDAF MTLF的功能/实体；对‘分析功能’的引用包含例如NWDAF AnLF的功能/实体；对‘外部ML模型训练客户端功能’的引用包含例如FL客户端AF、UE或ADAES的功能/实体；且对‘服务注册表’的引用包含例如NRF、UDR、CCF、外部注册表、边缘平台注册表、应用注册表及DN注册表的功能/实体。此外，在此机制中，提到MTLF作为NF，然而，这可被泛化使得ML模型训练服务器功能也可在DN/EDN侧内(例如，执行此角色的中央ADAES)。

本文公开提供一种无线通信系统中的应用实体，其包括：处理器；及存储器，其与处理器耦合，处理器经配置以使应用实体：从无线通信系统的至少一个其它网络或应用实体接收对于充当特定启用机器学习的分析事件的联邦学习参与者的查询，其中无线通信系统包括核心网络；针对特定启用机器学习的分析事件确定联邦学习客户端配置文件，其中联邦学习客户端配置文件包括应用实体针对特定启用机器学习的分析事件充当核心网络外部的至少一个数据源的联邦学习客户端及/或充当核心网络外部的数据源的能力；及将对注册注册信息的请求发射到服务注册实体，所述注册信息包括联邦学习客户端配置文件及应用实体的标识符。

在一些实施例中，处理器经配置以使应用实体在确定联邦学习客户端配置文件时确定核心网络外部的数据源出于特定启用机器学习的分析事件的目的可暴露给至少一个其它网络还是应用实体。

在一些实施例中，处理器经进一步配置以使应用实体将使用核心网络外部的数据源的机器学习可在核心网络外部的外部数据网络处执行的指示发射到至少一个其它网络或应用实体。

在一些实施例中，对于充当联邦学习参与者的查询包括对特定启用机器学习的分析事件的数据的请求。

在一些实施例中，对于充当联邦学习参与者的查询包括联邦学习将要用于特定启用机器学习的分析事件的指示。

在一些实施例中，注册信息包括应用功能标识符；应用标识符；应用数据分析启用器服务标识符；用户装备标识符；所支持分析类型的标识符；服务区域，包括地理及/或拓扑区域；本地数据源的标识符；及/或用于联邦学习的优选时间段。‘拓扑区域’对应于网络定义区域，例如小区区域或跟踪区域或一组小区区域。例如，可通过小区ID来识别拓扑区域。

在一些实施例中，服务注册实体是从由以下组成的服务注册表列表选择的服务注册实体：网络存储库功能；通用应用编程接口框架核心功能；用户数据储存库；应用注册表；数据网络注册表；及边缘或云注册表。

在一些实施例中，至少一个其它网络或应用实体包括从由以下组成的列表选择的至少一个网络或应用实体：网络暴露功能；数据分析功能；及机器学习模型训练逻辑功能。

图7说明应用实体中的方法的实施例700。第一步骤710包括从无线通信系统的至少一个其它网络或应用实体接收对于充当特定启用机器学习的分析事件的联邦学习参与者的查询，其中无线通信系统包括核心网络。

另一步骤720包括针对特定启用机器学习的分析事件确定联邦学习客户端配置文件，其中联邦学习客户端配置文件包括应用实体针对特定启用机器学习的分析事件充当核心网络外部的至少一个数据源的联邦学习客户端及/或充当核心网络外部的数据源的能力。

另一步骤730包括将对注册注册信息的请求发射到服务注册实体，注册信息包括联邦学习客户端配置文件及应用实体的标识符。

在一些实施例中，确定联邦学习客户端配置文件包括确定核心网络外部的数据源出于特定启用机器学习的分析事件的目的可暴露给至少一个其它网络还是应用实体。

在某些实施例中，方法700可由执行程序代码的处理器，例如微控制器、微处理器、CPU、GPU、辅助处理单元、FPGA或类似者执行。

一些实施例进一步包括将使用核心网络外部的数据源的机器学习可在核心网络外部的外部数据网络处执行的指示发射到至少一个其它网络或应用实体。

本文公开还提供一种无线通信系统中的服务器实体，其包括：处理器；及存储器，其与处理器耦合，处理器经配置以使服务器实体：确定针对特定启用机器学习的分析事件的联邦学习要求，其中联邦学习要求使用在无线通信系统的核心网络外部的至少一个应用实体；及基于联邦学习要求将对发现至少一个应用实体的信息的请求发射到服务注册实体。

在一些实施例中，处理器经配置以使服务器实体查询至少一个应用实体以充当特定启用机器学习的分析事件的联邦学习参与者。

在一些实施例中，处理器经配置以使服务器实体在确定联邦学习要求时从网络实体接收对与特定启用机器学习的分析事件相关联的经训练机器学习模型的请求；及至少部分基于对经训练机器学习模型的请求来确定联邦学习要求。

在一些实施例中，对经训练机器学习模型的请求包括特定启用机器学习的分析事件的标识符；及所关注机器学习模型区域。

在一些实施例中，对发现信息的请求包括特定启用机器学习的分析事件的标识符；联邦学习的指示；联邦学习的所关注时间段；及用于针对特定启用机器学习的分析事件发现核心网络外部的至少一个数据源的一或多个联邦学习客户端及/或发现核心网络外部的至少一个数据源的指示。在一些实施例中，服务注册实体是从由以下组成的服务注册表列表选择的服务注册实体：网络存储库功能；通用应用编程接口框架核心功能；用户数据储存库；应用注册表；数据网络注册表；及边缘或云注册表。

在一些实施例中，服务器实体选自由以下组成的服务器实体列表：网络暴露功能；数据分析功能；及机器学习模型训练逻辑功能。

在一些实施例中，可经由NEF发送去往/来自不可信源的请求/响应/通信。

图8说明服务器实体中的方法的实施例800，服务器实体在无线通信系统中。第一步骤810包括确定针对特定启用机器学习的分析事件的联邦学习要求，其中联邦学习要求使用无线通信系统的核心网络外部的至少一个应用实体。另一步骤820包括基于联邦学习要求将对发现至少一个应用实体的信息的请求发射到服务注册实体。

在某些实施例中，方法800可由执行程序代码的处理器，例如微控制器、微处理器、CPU、GPU、辅助处理单元、FPGA或类似者执行。

一些实施例进一步包括查询至少一个应用实体以充当特定启用机器学习的分析事件的联邦学习参与者。

在一些实施例中，对于充当联邦学习参与者的查询包括请求用于特定启用机器学习的分析事件的数据。

在一些实施例中，对于充当联邦学习参与者的查询包括指示联邦学习将要用于特定启用机器学习的分析事件。

在一些实施例中，确定联邦学习要求包括从网络实体接收对与特定启用机器学习的分析事件相关联的经训练机器学习模型的请求；及至少部分基于对经训练机器学习模型的请求来确定联邦学习要求。

在一些实施例中，去往/来自不可信源的请求/响应/通信可包括经由NEF发送及/或接收所述请求/响应/通信。

本文公开还提供一种无线通信系统中的服务注册实体，其包括：处理器；及存储器，其与处理器耦合，处理器经配置以使服务注册实体：从无线通信系统的核心网络外部的至少一个应用实体接收对注册注册信息的请求，注册信息包括相应应用实体的身份及相应联邦学习客户端配置文件，其中联邦学习客户端配置文件包括相应应用实体针对特定启用机器学习的分析事件充当核心网络外部的至少一个数据源的联邦学习客户端及/或充当核心网络外部的数据源的能力；及在存储器中存储注册信息。

在一些实施例中，处理器经进一步配置以使服务注册实体：从服务器实体接收对发现针对特定启用机器学习的分析事件充当核心网络外部的至少一个数据源的联邦学习客户端及/或充当核心网络外部的数据源的至少一个应用实体的信息的请求；从存储器提取发现信息，其中发现信息包括所存储注册信息中的至少一者；及将发现信息发射到服务器实体。

在一些实施例中，处理器经进一步配置以使服务注册实体授权对发现信息的请求。

在一些实施例中，服务注册表是NEF。在这样的实施例中，NEF必须支持应用/实体到联邦学习能力的映射及其注册。

在一些实施例中，处理器经进一步配置以使服务注册实体针对每一注册信息在存储器中存储所述注册信息与无线通信系统的核心网络外部的应用实体相关的指示。

在一些实施例中，处理器经配置以使服务注册实体将对注册注册信息的请求的响应发射到至少一个应用实体。

在一些实施例中，NRF可指向应用注册表，且MTLF可直接将发现请求发送到应用注册表。

图9说明服务注册表中的方法的实施例900。第一步骤910包括从无线通信系统的核心网络外部的至少一个应用实体接收对注册注册信息的请求，注册信息包括相应应用实体的身份及相应联邦学习客户端配置文件，其中联邦学习客户端配置文件包括相应应用实体针对特定启用机器学习的分析事件充当核心网络外部的至少一个数据源的联邦学习客户端及/或充当核心网络外部的数据源的能力。另一步骤920包括存储注册信息。

在某些实施例中，方法900可由执行程序代码的处理器，例如微控制器、微处理器、CPU、GPU、辅助处理单元、FPGA或类似者执行。

一些实施例包括：从服务器实体接收对发现至少一个应用实体的信息的请求，所述至少一个应用实体针对特定启用机器学习的分析事件充当核心网络外部的至少一个数据源的联邦学习客户端及/或充当核心网络外部的数据源；从存储器提取发现信息，其中发现信息包括所存储注册信息中的至少一者；及将发现信息发射到服务器实体。

一些实施例包括授权对发现信息的请求。

一些实施例进一步包括针对每一注册信息存储所述注册信息与无线通信系统的核心网络外部的应用实体相关的指示。

一些实施例包括将对注册注册信息的请求的响应发射到至少一个应用实体。

本文公开还提供一种无线通信系统中的暴露实体，其包括存储器及耦合到存储器的处理器，其中处理器经配置以使暴露实体：将应用实体的标识符映射到与应用实体相关联的联邦学习客户端配置文件，其中联邦学习客户端配置文件包括应用实体针对特定启用机器学习的分析事件充当无线通信网络的核心网络外部的至少一个数据源的联邦学习客户端及/或充当核心网络外部的数据源的能力。

在一些实施例中，处理器经进一步配置以使暴露实体接收对针对特定启用机器学习的分析事件充当核心网络外部的至少一个数据源的联邦学习客户端及/或充当核心网络外部的数据源的应用实体的请求；基于映射转换对注册应用实体的请求；及将经转换注册请求发送到服务注册实体。

图10说明暴露功能中的方法的实施例1000。第一步骤1010包括将应用实体的标识符映射到与应用实体相关联的联邦学习客户端配置文件，其中联邦学习客户端配置文件包括应用实体针对特定启用机器学习的分析事件充当无线通信网络的核心网络外部的至少一个数据源的联邦学习客户端及/或充当核心网络外部的数据源的能力。

一些实施例包括：接收对针对特定启用机器学习的分析事件充当核心网络外部的至少一个数据源的联邦学习客户端及/或充当核心网络外部的数据源的应用实体的请求；基于映射转换对注册应用实体的请求；及将经转换注册请求发送到服务注册实体。

图11说明用于可信AF的经由NRF的注册及发现的实施例1100。此实施方案是针对当候选FL客户端是可信AF时的情况。所述图说明AnLF 1110、NRF 1120、NEF 1130、MTLF FL服务器1140、AF候选FL客户端1150及数据生产者1160。

在第一步骤1101中，NWDAF MTLF-1140尝试针对特定分析事件或ML模型身份订阅候选客户端1150，或可选地向可信AF(针对给定应用)查询数据是否可用于启用ML的分析。NWDAF MTLF 1140还可选地指示FL是可行的。这可经由两种方式来完成。调用anNaf特定API或将要在eNA中定义的Nmtlf API。

在随后的步骤1102中，可信AF 1150检查数据生产者应用1160及其策略/许可来看将数据暴露给5GC以用于启用ML的分析是否可行。可选地，AF 1150可向NWDAF MTLF 1140响应这种暴露不可行，但可在DN侧本地训练数据。

在随后的步骤1103中，具有FL能力的可信AF 1150(例如，AF、ADAES)向存储库(NRF1120)注册其FL客户端配置文件。这可包含AF ID或AppID或ADAES ID、所支持分析ID、服务区域、数据源ID列表、FL的优选时间段。这被说明为AF FL客户端注册请求。

在随后的步骤1104中，NRF 1120存储FL客户端配置文件并指示FL客户端是外部实体。

在随后的步骤1105中，NRF 1120还将注册响应发送到充当FL客户端的功能1150。这被说明为注册响应。

在另一步骤1106中，AnLF 1110通过调用Nnwdaf_MLModelProvision(分析ID、ML模型过滤器(S-NSSAI、所关注区域))服务操作来订阅与分析ID相关联的经训练ML模型。这被说明为订阅/MLModelProvision。

由于具有FL服务器的MTLF 1140缺乏由AnLF 1110请求的关于所关注区域的数据，因此其确定训练应基于具有所关注区域的数据且可经由NRF 1120用于垂直联邦学习的垂直FL客户端。

在另一步骤1107中，包含FL服务器的NWDAF/MTLF 1140检测到需要FL客户端，且具体来说用于不可用的数据(例如，第三方数据)的FL客户端。这种检测可基于分析性能(例如，如果这不满足要求)。

在另一步骤1108中，包含FL服务器的NWDAF/MTLF 1140将发现请求发送到NRF1120，以发现用于分析ID的可用FL客户端，包含外部客户端。这通过调用Nnrf_NFDiscovery_Request(分析ID、垂直联邦学习指示、服务区域、所关注时间段、外部FL客户端指示)服务操作来完成。这被说明为发现请求(FL客户端类型)。

在其它步骤1109a及1109b中，NRF 1120授权发现请求，并向具有FL服务器的MTLF1140通知不同类型的多个外部FL客户端(包含AF、UE的应用)的信息以及关于如何到达这些客户端的信息(例如，经由NEF 1130、API信息等)。这被说明为发现响应(外部FL客户端信息)。

图12说明用于不可信AF/UE的注册及发现的实施例1200。此实施方案是针对当候选FL客户端是不可信AF时的情况。所述图说明AnLF 1220、NRF 1230、MTLF FL服务器1240、NEF 1250、CCF/应用注册表/UDR 1260、不可信AF候选FL客户端1270及数据生产者应用1280。

在第一步骤1201中，NWDAF MTLF 1240尝试订阅候选FL客户端1270以从外部应用获得用于特定分析事件或用于数据收集事件或用于特定ML模型身份/配置文件的数据。所述请求被提供到NEF 1250(说明为1201a触发/订阅数据)，且NEF 1250进一步向对应不可信AF 1270(对于给定应用，说明为1201b查询AF以获取数据或充当FL客户端)或UE处的应用(如果使用SNA)查询数据是否可用于启用ML的分析。NWDAF MTLF 1240还可选地指示FL是可行的。

在另一步骤1202中，AF/UE 1270检查数据生产者应用1280及其策略/许可来看将数据暴露给5GC以用于启用ML的分析是否可行。可选地，AF/UE 1270可向NWDAF MTLF 1240(经由NEF 1250)响应这种暴露不可行，但可在DN侧本地训练数据。

在另一步骤1203中，具有FL能力的AF/UE 1270向存储库1260(CAPIF CCF或边缘/云注册表)注册其FL客户端配置文件。这可包含AF ID或AppID、所支持分析ID、服务区域、数据源ID列表、FL的优选时间段。在UE作为FL客户端的情况下，这包含UE ID及能力。这被说明为AF FL客户端注册请求。

在另一步骤1204中，应用注册表1260(CAPIF CCF或边缘/云注册表)存储FL客户端配置文件并指示FL客户端是外部实体。

在另一步骤1205中，存储库1260还将注册响应发送到充当FL客户端的功能1270。这被说明为注册响应。

在另一步骤1206中，应用储存库1260还可将5GC之外的可能FL客户端的一些指示提供到NRF 1230或UDR。这可呈注册表ID/地址及所支持FL客户端类型的形式，以便允许NWDAF MTLF 1240发现额外FL客户端。

在另一步骤1207中，AnLF 1220通过调用Nnwdaf_MLModelProvision(分析ID、ML模型过滤器(S-NSSAI、所关注区域))服务操作来订阅与分析ID相关联的经训练ML模型。这被说明为订阅/MLModelProvision。

作为替代选项，步骤1206可经由NEF 1250从不可信AF 1270直接发生到NRF 1230。在那种情况下，NRF 1230充当服务注册表。因此，步骤1206将替换步骤1203到1205(步骤1206将呈经由NEF 1250向NRF 1230注册的形式)。在这种情况下，需要增强NEF 1250能力以具有AF服务ID或API调用程序ID到FL客户端能力的映射；因此，NEF 120将代表不可信AF1270向NRF 1230注册能力。

在另一步骤1208中，由于具有FL服务器的MTLF 1240缺乏由AnLF 1220请求的关于所关注区域的数据，因此其确定需要基于垂直联邦学习的训练，且将要发现具有所关注区域的数据且可经由NRF 1230或经由应用注册表1260用于垂直联邦学习的FL客户端。

包含FL服务器的NWDAF/MTLF 1240检测到需要更多FL客户端，且具体来说用于不可用的数据(例如，第三方数据)的FL客户端。这种检测可基于分析性能(例如，如果这不满足要求)。

在另一步骤1209中，包含FL服务器的NWDAF/MTLF 1240将发现请求发送到NRF1230，以发现用于分析ID的可用FL客户端，包含外部客户端。这通过调用Nnrf_NFDiscovery_Request(分析ID、垂直联邦学习指示、服务区域、所关注时间段、外部FL客户端指示)服务操作来完成。这被说明为发现请求(FL客户端类型)。

在其它步骤1210a到1210b中，NRF 1230授权发现请求，并向具有FL服务器的MTLF1240通知不同类型的多个外部FL客户端(包含AF、UE的应用)的信息以及关于如何到达这些客户端的信息(例如，经由NEF 1250、API信息等)。这还可包含注册信息以允许发现外部FL客户端的特定能力。这被说明为发现响应(外部FL客户端信息、注册信息)。

对于步骤1207到1210，不同选项是可行的。例如，NRF 1230在从应用注册表1260(CCF、边缘存储库、边缘UDR)接收到FL客户端信息之后，经由NEF 1250将所有必要信息提供到MTLF 1240。替代地，NRF 1230指向应用注册表1260，且MTLF 1240经由NEF 1250将发现请求发送到应用注册表1260(如果应用注册表1260不是UDR或不可信)。

当检测到需要外部候选FL客户端时，MTLF 1240可接近外部注册表1260(或这可经由NEF 1250进行映射来完成)。

可允许NRF 1230充当不可信AF的唯一注册表，且这要求NEF 1250支持到FL能力的映射及向NRF 1230的注册。

本文公开解决的问题是如何使应用功能能够参与用于启用ML的NWDAF分析的联邦学习。这种参与允许应用服务提供商及数据生产者不暴露其数据并在DN或UE侧执行ML模型训练。

本公开提供用于允许应用注册其充当FL客户端的能力及用于允许NWDAF发现针对给定分析事件充当FL客户端的外部AF功能的所需程序。

其它解决方案未假设FL客户端在分析功能的域之外；因此，注册及发现未考虑暴露方面及网络与DN/UE侧之间的交互。

具体来说，本公开描述可信AF如何向NRF注册其能力，且NWDAF的发现经由查询NRF而发生。此外，本文公开描述UE处的不可信AF/应用如何注册其能力，且NWDAF的发现经由查询NEF/CAPIF/应用注册表而发生。

更具体来说，提供一种用于使外部应用(其自身与一或多个数据源相关联)能够提供联邦学习客户端服务的方法(在例如AF或外部ML模型训练客户端功能处)，所述方法包括：接收用于充当分析事件的FL参与者的触发事件(参与者可为数据源或FL客户端)，其中触发事件由至少一个网络或应用实体提供；确定充当分析事件的FL客户端及/或应用数据源的能力；及向服务注册表注册，其中注册包括提供其识别及作为FL客户端的能力。

进一步提供一种用于由AF支持联邦学习客户端服务的方法(例如在ML模型训练服务器功能处)，所述方法包括：查询至少一个AF以充当分析事件的FL参与者(参与者可为数据源或FL客户端)，其中查询可包括触发事件的生成；使用用于分析事件的至少一个AF来确定对FL的要求；及基于所确定的要求发现关于至少一个AF的信息。

进一步提供一种用于由AF支持联邦学习客户端服务的方法(例如，在服务注册表处)，所述方法包括：从至少一个AF接收注册信息，其中注册信息包括充当FL客户端的应用能力；存储所接收的注册信息；接收对发现与充当FL客户端的至少一个AF相关的注册信息的请求；提取与充当FL客户端的至少一个AF相关的发现信息；发送所提取的发现信息。

进一步提供一种用于支持联邦学习客户端服务的注册及发现的方法(例如，在暴露功能处)，所述方法包括：将应用标识符映射到至少一个FL客户端能力；接收外部FL客户端的注册请求；基于能力映射转换对注册外部FL客户端的请求；及将经转换注册请求发送到服务注册表。

应注意，上述方法及设备说明而不是限制本发明，且所属领域的技术人员将能够在不脱离所附权利要求书的范围的情况下设计许多替代布置。字词“包括”不排除除权利要求书中列出的那些之外的元件或步骤的存在，“一个(a或an)”不排除多个，且单个处理器或其它单元可实现权利要求书中引述的几个单元的功能。权利要求书中的任何参考符号不应被解释为限制其范围。

此外，虽然已在特定通信标准的上下文中给出实例，但是这些实例并不意在限制所公开的方法及设备可应用的通信标准。例如，虽然已在3GPP的上下文中给出具体实例，但是本文公开的原理也可应用于另一无线通信系统，且实际上可应用于使用路由规则的任何通信系统。

所述方法还可体现在存储在计算机可读媒质上的一组指令中，所述指令当被加载到计算机处理器、数字信号处理器(DSP)或类似者中时使处理器实行前述方法。

所描述的方法及设备可以其它特定形式来实践。所描述的方法及设备在所有方面应被视为仅为说明性且不是限制性的。因此，本发明的范围由所附权利要求书而不是由前文描述来指示。属于权利要求书的等效含义及范围内的所有改变都应被纳入其范围内。

以下缩略词与本文件所涉及的领域有关：AF，应用功能；NF，网络功能；NWDAF，网络数据分析功能；OAM，操作及维护；UE，用户装备；MDAS，管理域分析服务；ADAES，应用数据分析启用器服务/服务器；ANLF，分析逻辑功能；MTLF，模型训练逻辑功能；DNAI，数据网络接入标识符；MOS，平均意见得分；MDT，最小化驱动测试；ADAEC，应用数据分析启用器客户端；TRLF，可信评级逻辑功能；及ML，机器学习。

Claims

1.一种无线通信系统中的应用实体，其包括：

处理器；及

存储器，其与所述处理器耦合，所述处理器经配置以使所述应用实体：

从无线通信系统的至少一个其它网络或应用实体接收对于充当特定启用机器学习的分析事件的联邦学习参与者的查询，其中所述无线通信系统包括核心网络；

针对所述特定启用机器学习的分析事件确定联邦学习客户端配置文件，其中所述联邦学习客户端配置文件包括所述应用实体针对所述特定启用机器学习的分析事件充当所述核心网络外部的至少一个数据源的联邦学习客户端及/或充当所述核心网络外部的数据源的能力；及

将对注册注册信息的请求发射到服务注册实体，所述注册信息包括所述联邦学习客户端配置文件及所述应用实体的标识符。

2.根据权利要求1所述的应用实体，其中所述处理器经配置以使所述应用实体在确定联邦学习客户端配置文件时：

确定所述核心网络外部的数据源出于所述特定启用机器学习的分析事件的目的能够暴露给所述至少一个其它网络还是应用实体。

3.根据权利要求2所述的应用实体，其中所述处理器经进一步配置以使所述应用实体：

将使用所述核心网络外部的所述数据源的机器学习能够在所述核心网络外部的外部数据网络处执行的指示发射到所述至少一个其它网络或应用实体。

4.根据前述权利要求中任一权利要求所述的应用实体，其中对于充当联邦学习参与者的所述查询包括对所述特定启用机器学习的分析事件的数据的请求。

5.根据前述权利要求中任一权利要求所述的应用实体，其中对于充当联邦学习参与者的所述查询包括联邦学习将要用于所述特定启用机器学习的分析事件的指示。

6.根据前述权利要求中任一权利要求所述的应用实体，其中所述注册信息包括：

应用功能标识符；

应用标识符；

应用数据分析启用器服务标识符；

用户装备标识符；

所支持分析类型的标识符；

服务区域，包括地理及/或拓扑区域；

本地数据源的标识符；及/或

联邦学习的优选时间段。

7.根据前述权利要求中任一权利要求所述的应用实体，其中所述服务注册实体是从由以下组成的服务注册表列表选择的服务注册实体：

网络存储库功能；

通用应用编程接口框架核心功能；

用户数据储存库；

应用注册表；

数据网络注册表；及

边缘或云注册表。

8.根据前述权利要求中任一权利要求所述的应用实体，其中所述至少一个其它网络或应用实体包括从由以下组成的列表选择的至少一个网络或应用实体：

网络暴露功能；

数据分析功能；及

机器学习模型训练逻辑功能。

9.一种无线通信系统中的服务器实体，其包括

处理器；及

存储器，其与所述处理器耦合，所述处理器经配置以使所述服务器实体：

确定针对特定启用机器学习的分析事件的联邦学习要求，其中所述联邦学习要求使用在所述无线通信系统的核心网络外部的至少一个应用实体；及

基于所述联邦学习要求将对发现所述至少一个应用实体的信息的请求发射到服务注册实体。

10.根据权利要求9所述的服务器实体，其中所述处理器经配置以使所述服务器实体：

查询所述至少一个应用实体以充当所述特定启用机器学习的分析事件的联邦学习参与者。

11.根据权利要求10所述的服务器实体，其中对于充当联邦学习参与者的所述查询包括对所述特定启用机器学习的分析事件的数据的请求。

12.根据权利要求10到11中任一权利要求所述的服务器实体，其中对于充当联邦学习参与者的所述查询包括联邦学习将要用于所述特定启用机器学习的分析事件的指示。

13.根据权利要求9到12中任一权利要求所述的服务器实体，其中所述处理器经配置以使所述服务器实体在确定联邦学习要求时：

从网络实体接收对与所述特定启用机器学习的分析事件相关联的经训练机器学习模型的请求；及

至少部分基于对所述经训练机器学习模型的所述请求来确定所述联邦学习要求。

14.根据权利要求13所述的服务器实体，其中对经训练机器学习模型的所述请求包括：

所述特定启用机器学习的分析事件的标识符；及

所关注机器学习模型区域。

15.根据权利要求14所述的服务器实体，其中对发现信息的所述请求包括：

所述特定启用机器学习的分析事件的所述标识符；

联邦学习的指示；

联邦学习的所关注时间段；

用于针对所述特定启用机器学习的分析事件发现所述核心网络外部的至少一个数据源的一或多个联邦学习客户端及/或发现所述核心网络外部的至少一个数据源的指示。

16.根据权利要求9到15中任一权利要求所述的服务器实体，其中所述服务注册实体是从由以下组成的服务注册表列表选择的服务注册实体：

网络存储库功能；

通用应用编程接口框架核心功能；

用户数据储存库；

应用注册表；

数据网络注册表；及

边缘或云注册表。

17.根据权利要求9到16中任一权利要求所述的服务器实体，其中所述服务器实体选自由以下组成的服务器实体列表：

网络暴露功能；

数据分析功能；及

机器学习模型训练逻辑功能。

18.一种无线通信系统中的服务注册实体，其包括：

处理器；及

存储器，其与所述处理器耦合，所述处理器经配置以使所述服务注册实体：

从所述无线通信系统的核心网络外部的至少一个应用实体接收对注册注册信息的请求，所述注册信息包括所述相应应用实体的身份及相应联邦学习客户端配置文件，其中所述联邦学习客户端配置文件包括所述相应应用实体针对特定启用机器学习的分析事件充当所述核心网络外部的至少一个数据源的联邦学习客户端及/或充当所述核心网络外部的数据源的能力；及

在所述存储器中存储所述注册信息。

19.根据权利要求18所述的服务注册实体，其中所述处理器经进一步配置以使所述服务注册实体：

从服务器实体接收对发现针对特定启用机器学习的分析事件充当所述核心网络外部的至少一个数据源的联邦学习客户端及/或充当所述核心网络外部的数据源的至少一个应用实体的信息的请求；

从所述存储器提取发现信息，其中所述发现信息包括所述所存储注册信息中的至少一者；及

将所述发现信息发射到所述服务器实体。

20.根据权利要求19所述的服务注册实体，其中所述处理器经进一步配置以使所述服务注册实体：

授权对发现信息的所述请求。

21.根据权利要求18到20中任一权利要求所述的服务注册实体，其中所述注册信息包括：

应用功能标识符；

应用标识符；

应用数据分析启用器服务标识符；

用户装备标识符；

所支持分析类型的标识符；

服务区域，包括地理及/或拓扑区域；

本地数据源的标识符；及/或

联邦学习的优选时间段。

22.根据权利要求18到21中任一权利要求所述的服务注册实体，其中所述服务注册实体是从由以下组成的服务注册表列表选择的服务注册实体：

网络存储库功能；

通用应用编程接口框架核心功能；

用户数据储存库；

应用注册表；

数据网络注册表；及

边缘或云注册表。

23.根据权利要求18到22中任一权利要求所述的服务注册实体，其中所述处理器经进一步配置以使所述服务注册实体：

针对每一注册信息在所述存储器中存储所述注册信息与所述无线通信系统的所述核心网络外部的应用实体相关的指示。

24.根据权利要求18到23中任一权利要求所述的服务注册实体，其中所述处理器经配置以使所述服务注册实体：

将对注册所述注册信息的所述请求的响应发射到所述至少一个应用实体。

25.一种应用实体中的方法，所述应用实体在无线通信系统中，所述方法包括：

从所述无线通信系统的至少一个其它网络或应用实体接收对于充当特定启用机器学习的分析事件的联邦学习参与者的查询，其中所述无线通信系统包括核心移动网络；

26.根据权利要求25所述的方法，其中针对所述特定启用机器学习的分析事件确定联邦学习客户端配置文件包括：

27.根据权利要求26所述的方法，其进一步包括：

28.根据权利要求25到27中任一权利要求所述的方法，其中对于充当联邦学习参与者的所述查询包括对所述特定启用机器学习的分析事件的数据的请求。

29.根据权利要求25到28中任一权利要求所述的方法，其中对于充当联邦学习参与者的所述查询包括联邦学习将要用于所述特定启用机器学习的分析事件的指示。

30.根据权利要求25到29中任一权利要求所述的方法，其中所述注册信息包括：

应用功能标识符；

应用标识符；

应用数据分析启用器服务标识符；

用户装备标识符；

所支持分析类型的标识符；

服务区域，包括地理及/或拓扑区域；

本地数据源的标识符；及/或

联邦学习的优选时间段。

31.根据权利要求25到30中任一权利要求所述的方法，其中所述服务注册实体是从由以下组成的服务注册表列表选择的服务注册实体：

网络存储库功能；

通用应用编程接口框架核心功能；

用户数据储存库；

应用注册表；

数据网络注册表；及

边缘或云注册表。

32.根据权利要求25到31中任一权利要求所述的方法，其中所述至少一个其它网络或应用实体包括从由以下组成的列表选择的至少一个网络或应用实体：

网络暴露功能；

数据分析功能；及

机器学习模型训练逻辑功能。