+

CN118317275A - 确定用于网络切片的机器学习架构 - Google Patents

确定用于网络切片的机器学习架构 Download PDF

Info

Publication number
CN118317275A
CN118317275A CN202410515631.0A CN202410515631A CN118317275A CN 118317275 A CN118317275 A CN 118317275A CN 202410515631 A CN202410515631 A CN 202410515631A CN 118317275 A CN118317275 A CN 118317275A
Authority
CN
China
Prior art keywords
machine learning
network slice
architecture
learning architecture
learning framework
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
CN202410515631.0A
Other languages
English (en)
Inventor
王继兵
埃里克·理查德·施陶费尔
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.)
Google LLC
Original Assignee
Google LLC
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 Google LLC filed Critical Google LLC
Priority to CN202410515631.0A priority Critical patent/CN118317275A/zh
Publication of CN118317275A publication Critical patent/CN118317275A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/50—Service provisioning or reconfiguring
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06N3/092—Reinforcement 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
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • H04L41/5051—Service on demand, e.g. definition and deployment of services in real time
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/18—Selecting a network or a communication service
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/02—Processing of mobility data, e.g. registration information at HLR [Home Location Register] or VLR [Visitor Location Register]; Transfer of mobility data, e.g. between HLR, VLR or external networks
    • H04W8/08—Mobility data transfer
    • 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
    • H04Q—SELECTING
    • H04Q2213/00—Indexing scheme relating to selecting arrangements in general and for multiplex systems
    • H04Q2213/13054—Expert system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2213/00—Indexing scheme relating to selecting arrangements in general and for multiplex systems
    • H04Q2213/13098—Mobile subscriber

Landscapes

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

Abstract

本申请涉及确定用于网络切片的机器学习架构。用户设备(UE)(110)和网络切片管理器(190)相互通信来确定机器学习(ML)架构，然后UE(110)采用该架构以无线方式通信应用的数据。具体而言，UE(110)选择提供应用所请求的服务质量等级的机器学习架构。网络切片管理器(190)基于与支持应用所请求的服务质量等级的网络切片相关联的一个或多个可用端到端机器学习架构来接受或拒绝请求。通过一起工作，UE(110)和网络切片管理器(190)可以确定适当机器学习架构，所述适当机器学习架构满足与应用相关联的服务质量等级并形成满足应用所请求的服务质量的端到端机器学习架构的一部分。

Description

确定用于网络切片的机器学习架构
分案说明
本申请属于申请日为2019年10月31日的中国发明专利申请201980101367.3的分案申请。
技术领域
本申请涉及确定用于网络切片的机器学习架构。
背景技术
无线通信网络的演进通常源于不断演进的用户需求或请求的服务质量(QoS)等级。服务质量等级由诸如时延、吞吐量、可靠性、错误率等的一个或多个服务质量参数来定义。无线通信网络与时俱进，从满足与语音呼叫相关联的服务质量等级发展到附加满足与web访问和视频流相关联的服务质量等级。随着应用数量的增长以及不同用户设备(UE)能力的变化，让单个无线通信网络满足多种不同的请求服务质量等级是具有挑战性的。
发明内容
描述确定用于网络切片的机器学习(ML)架构的技术和设备。用户设备(UE)和网络切片管理器相互通信来确定机器学习(ML)架构，然后UE采用该架构通过无线方式通信用于应用的数据。具体而言，UE选择提供应用所请求的服务质量等级的机器学习架构。网络切片管理器基于与支持应用所请求的服务质量等级的网络切片相关联的一个或多个可用端到端机器学习架构来接受或拒绝请求。通过一起工作，UE和网络切片管理器可以确定满足与应用相关联的服务质量等级并形成满足应用所请求的服务质量等级的端到端机器学习架构的一部分的适当机器学习架构。
以下所述方面包括由用户设备执行的确定用于网络切片的机器学习架构的方法。所述方法包括执行与第一请求服务质量等级相关联的第一应用并基于第一请求服务质量等级选择第一机器学习架构。所述方法还包括向无线网络的网络切片管理器传输第一机器学习架构请求消息以请求使用第一机器学习架构的许可。所述方法还包括从网络切片管理器接收第一机器学习架构响应消息，所述第一机器学习架构响应消息基于第一网络切片来准许使用第一机器学习架构的许可。所述方法还包括使用第一机器学习架构以无线方式通信第一应用的数据。
UE实现的机器学习架构、基站实现的机器学习架构和5G核心网(5GC)实体实现的机器学习架构可以共同操作，以形成端到端机器学习架构。机器学习接口在机器学习架构之间传递信息。通过这种方式，端到端机器学习架构可以充当单个分布式机器学习架构并可以提供UE、至少一个基站以及5GC实体之间的接口。
机器学习架构可以表示一个或多个层的特定结构以及这些层之间的连接。
网络切片可以例示一个或多个满足不同服务质量等级的并行并且独立的网络。
服务质量等级可以由诸如时延、吞吐量、可靠性或错误率的一个或多个服务质量参数来定义。
对第一机器学习架构的选择可包括从网络切片管理器接收识别与第一网络切片相关联的可用机器学习架构的可用机器学习架构消息。对第一机器学习架构的选择还可包括从可用机器学习架构中选取第一机器学习架构。
对第一机器学习架构的选择可包括从网络切片管理器接收包括一个或多个选择规则的机器学习架构选择消息。对第一机器学习架构的选择可附加包括执行一个或多个选择规则，以确定第一机器学习架构。
所述方法还可包括使用第二机器学习架构通过无线方式通信第一应用的其他数据。对第二机器学习架构的选择可以基于第一请求服务质量等级。对第二机器学习架构的选择可以响应于用户设备移动到与不同基站相关联的地理位置。对第二机器学习架构的选择可以响应于用户设备移动到与不同跟踪区域相关联的地理位置。对第二机器学习架构的选择可以响应于用户设备在归属网络与访问网络之间漫游。
归属网络可以是UE向其注册的网络。访问网络可以是UE未向其注册的网络。
所述方法还可包括执行与第二请求服务质量等级相关联的第二应用。所述方法还可包括基于第二请求服务质量等级来选择第二机器学习架构。所述方法还可包括向网络切片管理器传输请求使用第二机器学习架构的许可的第二机器学习架构请求消息。所述方法还可包括从网络切片管理器接收第二机器学习架构响应消息，所述第二机器学习架构响应消息基于第一网络切片或第二网络切片来准许使用第二机器学习架构的许可。
所述方法还可包括响应于接收第二机器学习架构响应消息，使用第二机器学习架构通过无线方式通信第二应用的其他数据。对第二机器学习架构的选择可以基于第二请求的第二服务质量等级。第二应用的执行可以至少在执行第一应用的重叠时间部分期间发生。第一机器学习架构的使用和第二机器学习架构的使用两者可以至少在重叠时间部分期间发生。
所述方法还可包括执行与第三请求服务质量等级相关联的第三应用。所述方法还可包括基于第三请求服务质量等级选择第三机器学习架构。所述方法还可包括向网络切片管理器传输请求使用第三机器学习架构的许可的第三机器学习架构请求消息。所述方法还可包括从网络切片管理器接收不准许使用第三机器学习架构的许可的第三机器学习架构响应消息。所述方法还可包括响应于接收第三机器学习架构响应消息，选择默认机器学习架构。所述方法还可包括向网络切片管理器传输请求使用默认机器学习架构的许可的第四机器学习架构请求消息。所述方法还可包括从网络切片管理器接收基于第三网络切片来准许使用默认机器学习架构的许可的第四机器学习架构响应消息。所述方法还可包括使用默认机器学习架构通过无线方式通信第三应用的附加数据。
以下所述方面包括具有射频收发器的用户设备。所述用户设备还包括被配置为执行所述方法的任一方法的第一处理器和第一存储器系统。
以下所述方面包括通过网络切片管理器执行的确定用于网络切片的机器学习架构的方法。所述方法包括创建第一网络切片。所述方法还包括从用户设备接收请求使用第一机器学习架构的许可的第一机器学习架构请求消息。所述方法附加包括确定第一机器学习架构与第一网络切片的至少一个第一端到端机器学习架构相关联。所述方法还包括向用户设备传输准许使用第一机器学习架构的许可的第一机器学习架构响应消息。
所述方法还可包括存储将第一网络切片与至少一个可用端到端机器学习架构相关联的信息。确定第一机器学习架构与至少一个第一端到端机器学习架构相关联可包括确定第一机器学习架构形成至少一个可用端到端机器学习架构的一部分。
所述方法还可包括向用户设备传输识别至少一个可用端到端机器学习架构的可用机器学习架构消息。
所述方法还可包括向用户设备传输机器学习架构选择消息，所述机器学习架构选择消息包括使得用户设备能够确定第一机器学习架构的一个或多个选择规则。
所述方法还可包括创建第二网络切片。所述方法还可包括从用户设备接收请求使用第二机器学习架构的许可的第二机器学习架构请求消息。所述方法还可包括确定第二机器学习架构与第二网络切片的任何第二端到端机器学习架构不相关联。所述方法还可包括向用户设备传输不准许使用第二机器学习架构的许可的第二机器学习架构响应消息。
第二机器学习架构响应消息可包括与第二端到端机器学习架构中的至少一个相关联的第三机器学习架构。
以下所述方面还包括网络切片管理器，所述网络切片管理器包括被配置为进行所述方法的任一方法的处理器和存储器系统。
以下所述方面包括一种系统，所述系统包括用户设备和网络切片管理器。
以下所述方面还包括一种系统，所述系统具有用于确定机器学习架构的装置。
可将所述方法作为指令存储在计算机可读存储介质中。
附图说明
参照以下附图来描述确定用于网络切片的机器学习架构的设备和技术。贯穿附图用相同的附图标记来表示相同的特征和组件：
图1示出其中可以实现确定用于网络切片的机器学习架构的示例性无线网络环境。
图2示出用于网络切片的示例性端到端机器学习架构。
图3示出用于网络切片的机器学习架构的示例性特性。
图4示出通过网络切片管理器创建的示例性网络切片。
图5示出确定用于网络切片的机器学习架构的用户设备和基站的示例性装置图。
图6示出确定用于网络切片的机器学习架构的网络切片管理器的示例性装置图。
图7示出其中可以实现确定用于网络切片的机器学习架构的各种方面的无线网络堆栈模型的示例性方框图。
图8示出用户设备与网络切片管理器之间确定用于网络切片的机器学习架构的示例性消息收发事务。
图9示出通过用户设备执行的确定用于网络切片的机器学习架构的示例性方法。
图10示出通过网络切片管理器执行的确定用于网络切片的机器学习架构的示例性方法。
具体实施方式
概述
网络切片使得无线通信网络能够满足多种不同的服务质量(QoS)等级。具体而言，网络切片能够实现无线通信网络基础设施的动态分区和共享，以提供不同的服务质量流。一般而言，网络切片例示一个或多个满足不同服务质量等级的并行独立虚拟网络。服务质量等级由诸如时延、吞吐量、可靠性、错误率的一个或多个服务质量参数来定义。
为了实现与应用相关联的请求服务质量等级，描述确定用于网络切片的机器学习(ML)架构的技术和设备。用户设备(UE)和网络切片管理器相互通信来确定机器学习(ML)架构，然后UE采用该架构通过无线方式通信用于应用的数据。具体而言，UE选择提供应用所请求的服务质量等级的机器学习架构。网络切片管理器基于与支持应用所请求的服务质量等级的网络切片相关联的一个或多个可用端到端机器学习架构来接受或拒绝请求。通过一起工作，UE和网络切片管理器可以确定适当机器学习架构，该适当机器学习架构满足与应用相关联的服务质量等级并形成满足应用所请求的服务质量等级的端到端机器学习架构的一部分。
示例性环境
图1示出示例性环境100，包括示出为UE 111、UE 112和UE 113的多个用户设备110(UE 110)。每个UE 110可通过示出为无线链路131和132的一个或多个无线通信链路130(无线链路130)与基站120(示出为基站121和122)进行通信。为简单起见，将UE 110实现为智能电话，但是也可以实现为任何合适的计算或电子装置，例如移动通信装置、调制解调器、蜂窝电话、游戏装置、导航装置、媒体装置、笔记本电脑、台式电脑、平板电脑、智能电器、基于车辆的通信系统或物联网(IoT)装置，诸如传感器或致动器。基站120(例如，演进的通用陆地无线电接入网络节点B、E-UTRAN节点B、演进的节点B、eNodeB、eNB、下一代演进的节点B、ng-eNB、下一代节点B、gNode B、gNB、ng-eNB等)可以在宏小区、微小区、小小区、微微小区等或它们的任意组合中实现。
基站120使用无线链路131和132与UE 110通信，无线链路131和132可以实现为任何合适类型的无线链路。无线链路131和132包括控制和数据通信，诸如从基站120通信给UE110的数据和控制信息的下行链路、从UE 110通信给基站120的其他数据和控制信息的上行链路或两者。无线链路130可包括使用任何合适的通信协议或标准、或通信协议或标准(诸如第三代合作伙伴计划长期演进(3GPP LTE)、增强长期演进(eLTE)、第五代新无线电(5GNR)、第四代(4G)标准等)的组合来实现的一个或多个无线链路(例如，无线电链路)或承载。在载波聚合中可以聚合多个无线链路130，从而为UE 110提供更高的数据率。可将来自多个基站120的多个无线链路130配置用于与UE 110的协作多点(CoMP)通信。
基站120统称为无线电接入网络140(例如，RAN、演进的通用陆地无线电接入网络、E-UTRAN、5G NR RAN或NR RAN)。RAN 140中的基站121和122连接到5G核心网络(5GC)150。基站121和122通过用于控制平面信令的NG2接口并使用用于用户平面数据通信的NG3接口分别在102和104连接到5GC 150。在106，基站121和122可通过Xn接口使用Xn应用协议(XnAP)或通过X2接口使用X2应用协议(X2AP)进行通信，以交换用户平面和控制平面数据。虽然未示出，但是UE 110可经由5GC 150连接到诸如互联网的公共网络，从而与远程服务交互。
5GC 150包括接入和移动性管理功能152(AMF152)，该功能提供控制平面功能，诸如5G NR网络中的多个UE 110的注册和认证、授权和移动性管理。AMF 152与RAN 140中的基站120通信，还使用基站120与多个UE 110通信。
5GC 150还包括网络切片管理器190。网络切片管理器190可通过5GC 150的服务器来实现。一般而言，网络切片管理器190使用网络切片来通过无线通信网络提供不同的服务质量流(例如，在至少一个UE 110、至少一个基站120以及5GC 150之间提供不同的服务质量流)。
每个服务质量流由网络切片提供，该网络切片支持通过UE 110上的应用来请求的服务质量等级。在某些情况下，网络切片提供多个服务质量流。如上所述，服务质量等级指定一个或多个服务质量参数，诸如时延、吞吐量(例如，带宽或数据率)、可靠性或错误率(例如，误码率)。其他示例性服务质量参数包括可用性、数据包丢失或抖动。除了服务质量等级之外，网络切片还可通过密码学来提供特定等级的安全性。为了提供服务质量等级，网络切片管理器190将每个网络切片与一个或多个能够满足服务质量等级的端到端机器学习架构相关联，如参照图2进一步所述。
图2示出用于网络切片的示例性端到端机器学习架构200。通常，端到端机器学习架构200提供UE 110、至少一个基站120以及5GC 150实体之间的接口。5GC实体可包括服务器或提供5GC中的用户平面功能的任何实体。具体而言，UE 110实现的机器学习架构210、基站120实现的机器学习架构220和5GC 150实体实现的机器学习架构230共同操作，以形成端到端机器学习架构200。机器学习接口240在机器学习架构210、机器学习架构220和机器学习架构230之间传递信息。通过这种方式，端到端机器学习架构200充当单个分布式机器学习架构。虽然未示出，但是端到端机器学习架构200还可包括靠近5GC 150的应用服务器以用于边缘计算。
机器学习架构210、机器学习架构220和机器学习架构230为诸如在无线通信系统中使用的复杂功能性的复杂处理提供解决方案。机器学习架构210、机器学习架构220和机器学习架构230可通过多种方式来替代传统的复杂功能性，诸如通过替代在无线通信信号的端到端处理中使用的一部分或全部传统处理块、替代单个处理链块等。作为示例，每个机器学习架构210、220和230都可以执行以下功能中的一个或多个：信道编码、信道解码、调制、解调、信号处理(例如噪声消除)、加密或解密。如参照图3更详细所述，机器学习架构表示一个或多个层的特定结构以及这些层之间的连接。这些机器学习架构的设计可以基于相应实体的能力进行定制。这些能力可包括可用存储器、可用功率和计算能力。通常，更大量的可用存储器、更大量的可用功率和/或更高等级的计算能力使得能够实现更大、更复杂的机器学习架构。
在一些情况下，UE 110、基站120和/或5GC 150实体可以使用多种不同的机器学习架构。UE 110例如可以实现机器学习架构211、212和213。类似地，基站120可以实现机器学习架构221、222和223，而5GC 150实体可以实现机器学习架构231、232和233。这些不同机器学习架构的设计在层的数量、层的类型、层的顺序以及层之间的连接方面可以有所不同，如参照图3进一步所述。机器学习架构的设计差异会影响使用端到端机器学习架构200所能实现的服务质量等级，如参照图4进一步所述。
网络切片管理器190与UE 110、基站120和5GC 150实体通信，以选择适当的机器学习架构。通过这种方式，网络切片管理器190可通过机器学习架构210、机器学习架构220和机器学习架构230的不同组合来选择性地激活不同的端到端机器学习架构200。下面参照图3进一步描述机器学习架构210、机器学习架构220和机器学习架构230的一般特性。
图3示出机器学习架构的示例性方框图300，例如图2的机器学习架构210、220或230。机器学习架构210、220或230可以使用软件、硬件和/或固件的任何组合来实现。一般而言，机器学习架构210、220或230定义一个或多个层的结构以及这些层之间的连接(例如节点连接或层连接)，如以下进一步所述。机器学习架构210、220和230不定义或指定影响机器学习架构210、220和230的操作或性能的参数配置。示例性参数配置包括系数(例如权重或偏差)、内核大小或参数、激活函数和步幅/池化配置。参数配置还可以识别使用的节点或跳过的层。通过训练或自适应学习修改各种参数配置提供了适应不断变化的操作条件的能力。虽然参数配置可以改变，但是机器学习架构210、220和230保持不变。换言之，机器学习架构210、220和230被视为与参数配置不同。
每个机器学习架构210、220或230包括至少一个层310(例如，层311、312和313)。层310包括一个或多个节点(例如，神经元和/或感知机)。每个节点接受输入并基于输入来计算输出。在计算输出时，节点可以使用一个或多个系数。
在每个机器学习架构210、220或230内，层310的数量可以根据机器学习架构210、220或230实现的功能的复杂性而变化。机器学习架构210、220或230还可包括具有执行不同类型计算(例如，执行不同算法或激活函数)的节点的不同类型的层310。在一些情况下，机器学习架构210、220或230实现具有输入层、输出层和至少一个隐藏层的深度神经网络。例如，其他类型的层310包括卷积层、池化层、整流线性单元层、损失层或滤波器层。
机器学习架构210、220和230还指定层310之间的一个或多个连接320。这些连接320可以在不同的机器学习架构之间变化。连接320的示例性类型包括完全连接321或部分连接322，它们的不同在于连接在两个层310之间的节点的百分比。作为示例，第一层311完全连接(321)到第二层312，使得第一层311和第二层312两者之中的所有节点都连接在一起。换言之，第一层311内的每个节点都连接到第二层312内的至少一个其他节点。作为另一个示例，第二层312部分连接(322)到第三层313。具体而言，第二层312内的节点子集连接到第三层313内的节点子集。
连接320还可以指定连接层310的方向或顺序。例如，前馈连接323沿正向向输出传播信息。作为示例，前馈连接323将第一层311与第二层312连接并将第二层312与第三层313连接。与之不同，反馈连接324将信息反向传播到前一层。作为示例，反馈连接324将第三层313的至少一个节点连接到第一层311的另一个节点。使用反馈连接324，机器学习架构210、220或230可以实现循环神经网络，诸如长短期记忆(LSTM)神经网络。
机器学习架构210、220或230的输入和输出也可以根据所实现的功能而变化。作为示例，输入可包括信号的采样，诸如在UE 110接收的下行链路信号的采样或在基站120接收的上行链路信号的采样。
输出可包括信号的修改采样。为了实现回归模型，将机器学习架构210、220或230设计为输出一个或多个连续值。或者，为了实现分类模型，将机器学习架构210、220或230设计为输出一个或多个离散值。
可以使用多种不同的训练技术来确定机器学习架构210、220或230所使用的系数。这些训练技术包括监督学习、无监督学习或强化学习。一般而言，网络切片管理器190将每个机器学习架构210、220和230与一个或多个网络切片相关联，如参照图4进一步所述。
图4示出通过网络切片管理器190创建的示例性网络切片400。网络切片管理器190设计网络切片400，以满足与一个或多个应用相关联的服务质量等级410。因此，每个网络切片400可以满足由不同应用或用例指定的不同服务质量等级410。
一般而言，每个应用都与应用类型和服务质量类别标识符(QCI)相关联。示例性应用HuluTM、NetflixTM或YouTubeTM可以与视频流应用类型相关联，且服务质量标识符可包括4、6、8或9。其他示例性应用SkypeTM、FacetimeTM或Google HangoutsTM可以与视频会议应用类型相关联，且服务质量标识符可包括2或7。诸如MinecraftTM或PUBG MobileTM的又一些其他示例性应用可以与游戏应用类型相关联，且服务质量标识符可包括3或7。
在图4中，网络切片管理器190创建第一网络切片401、第二网络切片402和第三网络切片403。网络切片401、402和403每一个提供通过无线通信网络的至少一个服务质量流。在一些情况下，网络切片401、402和403中的两个或更多个在重叠时间部分期间并行发生。
网络切片401、402和403被设计为满足不同的服务质量等级410，这些服务质量等级可以与不同的用例或应用相关联。例如，第一网络切片401提供低时延并且与超可靠低时延通信(URLLC)相关联，这可用于工厂自动化、自动驾驶或远程手术。但是，第二网络切片402提供高吞吐量并且与增强型移动宽带(eMBB)相关联。作为示例，第二网络切片402服务于高清视频流。与之不同，第三网络切片403被设计为服务大量UE 110，以支持大规模机器到机器通信。其他类型的网络切片400可以与在线游戏、单向流传输或双向流传输(例如视频会议)相关联。
网络切片管理器190确定使得网络切片400能够满足服务质量等级410的至少一个端到端机器学习架构200(参见图2)。网络切片管理器190将所确定的端到端机器学习架构200与网络切片400相关联(例如，相关或映射)。作为示例，网络切片管理器190将网络切片400与第一端到端机器学习架构201、第二端到端机器学习架构202和默认端到端机器学习架构203相关联。第一端到端机器学习架构201包括图2的机器学习架构211、机器学习架构221和机器学习架构231。虽然未示出，但是第二端到端机器学习架构202例如包括图2的机器学习架构212、机器学习架构222和机器学习架构232。默认端到端机器学习架构203包括机器学习架构213、机器学习架构223和机器学习架构233。其他端到端机器学习架构200也是可能的，诸如包括机器学习架构211、机器学习架构222和机器学习架构233的端到端机器学习架构200。
虽然端到端机器学习架构201、202和203在性能方面可以不同，但是端到端机器学习架构201、202和203至少使得网络切片400能够满足服务质量等级410。考虑服务质量等级410指定高等级的可靠性的示例。默认端到端机器学习架构203可以提供初始等级的性能，诸如中等级的时延、中等级的吞吐量和高等级的可靠性。端到端机器学习架构201和202的性能可以类似于或优于默认端到端机器学习架构203。例如，第一端到端机器学习架构201提供低等级的时延而非中等级的时延，并同样提供中等级的吞吐量和高等级的可靠性。与之不同，第二端到端机器学习架构202提供高等级的吞吐量而非中等级的吞吐量，并同样提供中等级的时延和高等级的可靠性。
在一些实施方式中，网络切片管理器190离线确定不同网络切片400与不同端到端机器学习架构200之间的关系。网络切片管理器190存储描述这种关系的信息供以后参考。作为示例，网络切片管理器190可以存储将每个网络切片400映射到一个或多个端到端机器学习架构200的一个或多个列表或表格。通过关联，这种关系映射也扩展到单个机器学习架构210、220和230，它们形成端到端机器学习架构200。
将网络切片400与多于一个端到端机器学习架构200相关联使得能够针对具有不同能力的各种实体来实现网络切片400。这些实体包括不同的UE 110、不同的基站120或不同的5GC 150实体。例如，具有有限计算能力的第一UE 111可通过机器学习架构211而非机器学习架构212来操作。因此，第一端到端机器学习架构201而非端到端机器学习架构202可通过网络切片管理器190来激活，以满足与网络切片400相关联的服务质量等级410。在另一个示例中，具有有限可用功率的第二UE 112可通过机器学习架构212而非机器学习架构211来操作。因此，第二端到端机器学习架构202而非端到端机器学习架构201可通过网络切片管理器190来激活，以类似地满足与网络切片400相关联的服务质量等级410。下面参照图8进一步描述端到端机器学习架构200的选择，更具体而言是机器学习架构210的选择。
示例性装置
图5示出UE 110和基站120的示例性装置图500。UE 110和基站120可包括为了清楚起见从图5中省略的附加功能和接口。UE 110包括天线502、射频(RF)前端504(RF前端504)、LTE收发器506和5G NR收发器508，用于与5G RAN 141和/或E-UTRAN 142中的基站120通信。UE110的RF前端504可将LTE收发器506和5G NR收发器508耦合或连接到天线502，以帮助各种类型的无线通信。UE 110的天线502可包括配置为彼此相似或不同的多个天线的阵列。天线502和RF前端504可以调谐到和/或可调谐到通过3GPP LTE和5G NR通信标准来定义并通过LTE收发器506和/或5G NR收发器508来实现的一个或多个频带。此外，天线502、RF前端504、LTE收发器506和/或5G NR收发器508可以被配置为支持波束形成(例如，模拟或数字)、双工操作(例如，全双工或半双工操作)、或同相和正交(I/Q)操作(例如，I/Q调制或解调操作)，用于与基站120的通信的传输和接收。作为示例而非限制，可将天线502和RF前端504实现为用于在亚千兆赫频带、亚6GHZ频带和/或具有通过3GPP LTE和5G NR通信标准来定义的大约6到500GHz之间的频率的频带中操作。在一些情况下，可将天线502和RF前端504实现为用于在极高频谱中操作(例如，大约54到500GHz之间的频率)。
UE 110还包括处理器510和计算机可读存储介质512(CRM 512)。处理器510可以是单核处理器或由多种材料组成的多核处理器，该材料诸如硅、多晶硅、高K电介质、铜等。本文所述计算机可读存储介质并不包括传播信号。CRM 512可包括可用于存储UE 110的装置数据514的任何合适的存储器或存储装置，诸如随机存取存储器(RAM)、静态RAM(SRAM)、动态RAM(DRAM)、非易失性RAM(NVRAM)、只读存储器(ROM)或闪存。装置数据514包括用户数据、多媒体数据、波束形成码本、应用和/或UE 110的操作系统，它们可通过处理器510来执行，以实现用户平面通信、控制平面信令以及与UE 110的用户交互。
CRM 512还包括或存储与机器学习管理器516相关的指令。替代性或附加性地，可将机器学习管理器516全部或部分地实现为与UE 110的其他组件集成或分离的硬件逻辑或电路。至少在某些方案中，机器学习管理器516配置LTE收发器506或5G NR收发器508，用于与基站120通信。通过这种方式，机器学习管理器516可通过基站120向网络切片管理器190发送消息，或通过基站120从网络切片管理器190接收消息，如参照图8进一步所述。
CRM 512附加包括可以基于UE 110的能力来实现的(图2的)至少一个机器学习架构210。机器学习管理器516基于与应用相关联的一个或多个服务质量等级来选择机器学习架构210，如参照图8进一步所述。机器学习管理器516还可以发起训练过程来确定系数，这些系数被应用于使用机器学习架构210来实现无线通信。
图5所示基站120的装置图包括单个网络节点(例如，gNode B)。基站120的功能性可以分布在多个网络节点或装置上，并且可以按照适合执行本文所述功能的任何方式分布。基站120包括用于与UE 110通信的天线552、射频(RF)前端554(RF前端554)、一个或多个LTE收发器556、和/或一个或多个5G NR收发器558。基站120的RF前端554可将LTE收发器556和5G NR收发器558耦合或连接到天线552，以帮助各种类型的无线通信。基站120的天线552可包括配置为彼此相似或不同的多个天线的阵列。天线552和RF前端554可以调谐到和/或可调谐到通过3GPP LTE和5G NR通信标准来定义并通过LTE收发器556和/或5G NR收发器558来实现的一个或多个频带。此外，可将天线552、RF前端554、LTE收发器556和/或5G NR收发器558配置为支持诸如Massive-MIMO的波束形成，用于与UE 110的通信的传输和接收。
基站120还包括处理器560和计算机可读存储介质562(CRM 562)。处理器560可以是单核处理器或由多种材料组成的多核处理器，所述材料诸如硅、多晶硅、高K电介质、铜等。CRM 562可包括可用于存储基站120的装置数据564的任何合适的存储器或存储装置，诸如随机存取存储器(RAM)、静态RAM(SRAM)、动态RAM(DRAM)、非易失性RAM(NVRAM)、只读存储器(ROM)或闪存。装置数据564包括基站120的网络调度数据、无线电资源管理数据、波束形成码本、应用和/或操作系统，它们可通过处理器560来执行，以实现与UE 110的通信。
CRM 562还包括或存储与机器学习(ML)管理器566相关的指令。替代或附加地，可将机器学习管理器566全部或部分地实现为与基站120的其他组件集成或分离的硬件逻辑或电路。至少在某些方面中，机器学习管理器566配置LTE收发器556和5G NR收发器558，用于与UE 110通信。通过这种方式，机器学习管理器566可以将消息从UE 110转发到网络切片管理器190，或者将消息从网络切片管理器190转发到UE 110，如参照图8进一步所述。
CRM 562附加包括可以基于基站120的能力来实现的(图2的)至少一个机器学习架构220。在一些实施方式中，机器学习管理器566基于与网络切片400相关联的可用端到端机器学习架构200来选择机器学习架构220，如参照图8进一步所述。机器学习管理器566还可以发起训练过程或者将系数提供给机器学习架构220。
基站120包括基站间接口568，诸如Xn和/或X2接口，基站管理器(未示出)将其配置为在另一个基站之间交换用户平面和控制平面数据，以管理基站120与UE 110的通信。基站120还包括核心网络接口570，机器学习管理器566将其配置为与诸如网络切片管理器190的核心网络功能和实体交换信息。通过这种方式，机器学习管理器566可以向网络切片管理器190提供信息或者从网络切片管理器190获得信息。网络切片管理器、UE 110的机器学习管理器516和基站120的机器学习管理器566一起可以至少部分地确定用于本文所述网络切片的机器学习架构。下面参照图3进一步描述网络切片管理器190。
图6示出确定用于网络切片的机器学习架构的网络切片管理器190的示例性装置图600。在所示配置中，网络切片管理器190包括处理器602和计算机可读存储介质(CRM)604。与CRM 512和CRM 562类似，CRM 604可包括任何合适的存储器或存储装置，诸如随机存取存储器(RAM)、静态RAM(SRAM)、动态RAM(DRAM)、非易失性RAM(NVRAM)、只读存储器(ROM)或闪存。
CRM 604存储与至少一个网络切片400相关联的一个或多个可用机器学习架构606。可用机器学习架构606指定满足网络切片400的服务质量等级410的端到端机器学习架构200和/或单个机器学习架构(例如，机器学习架构210、机器学习架构220和/或机器学习架构230)。
CRM 604还存储机器学习架构选择规则608。机器学习架构选择规则608提供使得UE 110能够基于UE 110所执行的应用来选择适当机器学习架构210的指令。在一些情况下，机器学习架构选择规则608包括使得UE 110能够根据应用的给定性能要求来得出请求服务质量等级的指令。机器学习架构选择规则608还可包括使得UE 110、基站120或5GC 150实体能够基于可用机器学习架构606来选择适当机器学习架构的指令。
网络切片管理器190还可包括基站接口610，网络切片管理器190将其配置为与基站120交换信息。通过这种方式，网络切片管理器190可以直接提供信息给基站120，或者直接从基站120获得信息。
用户平面和控制平面信令
图7示出无线网络堆栈模型700(堆栈700)的示例性方框图。堆栈700表征用于示例性环境100的通信系统，其中可以实现确定用于网络切片的机器学习架构的各种方面。堆栈700包括用户平面702和控制平面704。用户平面702和控制平面704的上层共享堆栈700中的公共下层。诸如UE 110或基站120的无线装置将每个层实现为实体以用于使用为该层定义的协议与另一个装置进行通信。例如，UE 110使用分组数据汇聚协议(PDCP)实体使用PDCP与基站120中的对等PDCP实体进行通信。
共享的下层包括物理(PHY)层706、媒体接入控制(MAC)层708、无线电链路控制(RLC)层710和PDCP层712。PHY层706提供硬件规范，用于相互通信的装置。因此，PHY层706建立装置怎样相互连接，帮助管理通信资源怎样在装置之间共享等等。
MAC层708指定怎样在装置之间传送数据。通常，MAC层708提供这样一种方式：将正传输的数据分组编码和解码成比特，作为传输协议的一部分。
RLC层710向堆栈700中的更高层提供数据传送服务。通常，RLC层710提供纠错、分组分段和重组以及以各种模式的数据传送管理，诸如确认、未确认或透明模式。
PDCP层712向堆栈700中的更高层提供数据传送服务。通常，PDCP层712提供用户平面702和控制平面704数据的传送、报头压缩、加密和完整性保护。
在PDCP层712之上，堆栈分为用户平面702和控制平面704。用户平面702的层包括可选的服务数据适配协议(SDAP)层714、互联网协议(IP)层716、传输控制协议/用户数据报协议(TCP/UDP)层718和应用层720，其使用无线链路106传送数据。可选的SDAP层714存在于5G NR网络中。SDAP层714为每个数据无线电承载映射服务质量流并且在每个分组数据会话的上行链路和下行链路数据分组中标记服务质量流标识符。IP层716指定怎样将来自应用层720的数据传送到目的地节点。使用针对通过应用层720进行的数据传送的TCP或UDP，TCP/UDP层718用于验证想要传送到目的地节点的数据分组到达目的地节点。在一些实施方式中，用户平面702还可包括提供数据运输服务以运输应用数据的数据服务层(未示出)，诸如包括web浏览内容、视频内容、图像内容、音频内容或社交媒体内容的IP分组。
控制平面704包括无线电资源控制(RRC)层724和非接入(NAS)层726。RRC层724建立和释放连接和无线电承载、广播系统信息或执行功率控制。RRC层724还控制UE 110的资源控制状态并使得UE 110根据资源控制状态执行操作。示例性资源控制状态包括连接状态(例如，RRC连接状态)或断开状态，诸如非活跃状态(例如，RRC非活跃状态)或空闲状态(例如，RRC空闲状态)。一般而言，如果UE 110处于连接状态，则与基站120的连接是活跃的。在非活跃状态下，与基站120的连接被挂起。如果UE 110处于空闲状态，则释放与基站120的连接。通常，RRC层724支持7GPP接入但是不支持非3GPP接入(例如，WLAN通信)。
NAS层726在UE 110与诸如5GC 150的AMF 152等的核心网络中的实体或功能之间提供对移动性管理(例如，使用第五代移动性管理(5GMM)层728)和分组数据承载上下文(例如，使用第五代会话管理(5GSM)层730)的支持。NAS层726支持3GPP接入和非3GPP接入。
在UE 110中，堆栈700的用户平面702和控制平面704两者中的每个层与基站120中的对应对等层或实体、核心网络实体或功能、和/或远程服务交互，以支持用户应用并控制RAN 140中UE 110的操作。
确定用于网络切片的机器学习架构
图8示出UE 110与网络切片管理器190之间确定用于网络切片的机器学习架构210的示例性消息收发事务800。虽然未示出，但是基站120可以帮助将消息从网络切片管理器190转发到UE 110，或者帮助将消息从UE 110转发到网络切片管理器190。
在805，UE 110执行应用，诸如上述的任何应用。通常，应用依靠UE 110通过无线方式通信数据的能力。应用与请求服务质量等级806相关联。
在810，网络切片管理器190创建支持服务质量等级410的网络切片400。服务质量等级410满足与应用相关联的请求服务质量等级806，如以上参照图4所述。在一些情况下，网络切片管理器190从UE 110接收请求服务质量等级806的指示，诸如指标(5QI)。基于该指示，网络切片管理器190可以选择适当的网络切片400。
在815，网络切片管理器190将可用机器学习架构消息816传输给UE 110。可用机器学习架构消息816识别可用机器学习架构606(例如，可用机器学习架构210)，可用机器学习架构606形成与网络切片400相关联的可用端到端机器学习架构200的一部分，如以上参照图6所述。通过与UE 110共享该信息，网络切片管理器190和UE 110可以有效地确定满足应用的请求服务质量等级806并形成满足请求服务质量等级806的一部分端到端机器学习架构200(例如，图2和图3的机器学习架构210)的适当机器学习架构210。可将可用机器学习架构消息816实现为NAS消息。
在以上示例中，在创建网络切片400之后传输可用机器学习架构消息816。或者，网络切片管理器190在创建网络切片400之前传输可用机器学习架构消息816。在这种情况下，可用机器学习架构消息816识别与多个网络切片400(例如，图4的网络切片401、402和403)相关联的可用机器学习架构606。
在820，网络切片管理器190将机器学习架构选择消息822传输给UE 110。机器学习架构选择消息822包括(图6的)机器学习架构选择规则608，机器学习架构选择规则使得UE110能够基于应用来选择机器学习架构(例如，选择图2的机器学习架构210中的一个)。与可用机器学习架构消息816类似，也可将机器学习架构选择消息822实现为NAS消息。一般而言，步骤815和820每一个可以在825之前的任何时间发生，或者响应于网络切片管理器190拒绝UE 110使用特定机器学习架构210的请求而发生，如以下进一步所述。
在825，UE 110基于请求服务质量等级806来选择机器学习架构210。UE 110可以从UE 110能够基于其当前能力来实现的可能的机器学习架构的集合中选择机器学习架构210。在一些情况下，UE 110应用机器学习架构选择规则608，以从应用的性能要求中得出请求服务质量等级806并选择适当的机器学习架构210。在其他情况下，UE 110应用机器学习架构选择规则608，以从可用机器学习架构606中选择机器学习架构210。
在830，UE 110将机器学习架构请求消息832传输给网络切片管理器190以请求使用(图2和图3的)所选择的机器学习架构210的许可。
在835，网络切片管理器190确定是接受还是拒绝该请求。具体而言，网络切片管理器190确定所选择的机器学习架构210是否与网络切片400的端到端机器学习架构200中的一个相关联。例如，网络切片管理器190确定是否可以使用所选择的机器学习架构210来形成与网络切片400相关联的可用端到端机器学习架构200中的一个。
在840，网络切片管理器190将机器学习架构响应消息842传输给UE 110，以准许或不准许使用所选择的机器学习架构210的许可。如果网络切片管理器190确定所选择的机器学习架构210不与关联于网络切片400的任何可用端到端机器学习架构200相关联，则机器学习架构响应消息842不准许UE 110使用所选择的机器学习架构210的许可。有时候，网络切片管理器190响应于拒绝UE 110的请求(未示出)，传输可用机器学习架构消息816和/或机器学习架构选择消息822。
如果未准许许可，则UE 110可以选择与默认端到端机器学习架构203相关联的机器学习架构(例如，图2的机器学习架构213)并使用机器学习架构213通过无线方式通信用于应用的数据。或者，处理可以在825重复，从而使得UE 110选择第二机器学习架构210。
或者，如果网络切片管理器190确定可将所选择的机器学习架构210用于形成与网络切片400相关联的端到端机器学习架构200中的一个，则机器学习架构响应消息842准许UE 110使用所选择的机器学习架构210的许可。
如果准许许可，则UE 110使用所选择的机器学习架构210，通过无线方式通信用于应用的数据。例如，UE 110使用所选择的机器学习架构210，通过无线方式与基站120通信。
在准许UE 110使用所选择的机器学习架构210的许可后，网络切片管理器190可以选择包括所选择的机器学习架构210的可用端到端机器学习架构200。基于所选择的端到端机器学习架构200，网络切片管理器190可以指引基站120和/或5GC 150实体分别使用与所选择的端到端机器学习架构200相关联的机器学习架构220和机器学习架构230。
在一些情况下，UE 110可以并行执行多个应用，且网络切片管理器190可以创建多个网络切片400来服务一个或多个UE 110。因此，处理可以在805重复，从而允许UE 110(或另一个UE 110)执行第二应用，并允许网络切片管理器190创建第二网络切片400或使用第一网络切片400提供另一个服务质量流。
有时候，如果UE 110连接到不同的基站120或不同的5GC 150实体，则满足服务质量等级410的可用端到端机器学习架构200改变。如果当前基站120或当前实体与先前基站或先前5GC 150实体相比具有不同的能力，就可能发生这种改变。由于能力不同，当前基站120可以实现的机器学习架构220的第一集合与先前基站可以实现的机器学习架构220的第二集合不同。类似地，当前实体可以实现的机器学习架构230的第一集合与先前实体可以实现的机器学习架构230的第二集合不同。因此，可用机器学习架构606可以依靠能够使用当前基站120支持的机器学习架构220以及当前实体支持的机器学习架构230来实现的端到端机器学习架构200。
对于可用机器学习架构606的改变可以响应于多种不同的情况而发生。例如，如果UE 110移动到不同的位置或跟踪区域，就会发生这些改变。在另一个示例中，如果UE 110在归属网络(例如，UE 110向其注册的网络)与访问网络(例如，UE 110未向其注册的网络)之间漫游，就会发生这些改变。网络切片管理器190可以传输第二可用机器学习架构消息816，从而将与网络切片400相关联的最新可用机器学习架构606通知UE 110。
考虑基站121能够实现机器学习架构221的示例。在该示例中，UE 110从与基站121通信切换为与基站122通信。但是，基站122的能力不能使基站122实现机器学习架构221。因此，(图2的)端到端机器学习架构201不再是满足网络切片400的服务质量等级410的可行选项。由于关联，机器学习架构211也不再可用。网络切片管理器190传输可用机器学习架构消息816，以将对于可用机器学习架构606的更新通知UE 110。基于此更新，UE 110选择与端到端机器学习架构202相关联的机器学习架构212。在这种情况下，机器学习架构212使得请求服务质量等级806能够利用端到端机器学习架构202的实施方式被满足。
在一些情况下，在825的选择处理响应于UE 110执行跟踪区域更新(TAU)过程而发生。TAU过程通知无线网络，哪个跟踪区域与UE 110的当前位置相对应。
虽然针对UE 110进行描述，但是类似的操作可以发生在网络切片管理器190与诸如基站120或5GC 150实体的无线通信网络内的其他实体之间。在这些情况下，实体和网络切片管理器190基于实体的能力、请求服务质量等级806和可用端到端机器学习架构200来确定适当的机器学习架构。
示例性方法
图9示出通过UE 110进行的确定用于网络切片的机器学习架构的示例性方法900。方法900示出为进行的操作(或动作)的集合，但是不一定限于示出操作的顺序或组合。此外，可以重复、组合、重组、跳过或链接一个或多个操作中的任一个，从而提供大量附加方法和/或替代方法。在以下讨论部分中，可以参照图1的环境100和图2详述的实体，但是对其的参考仅用于示例。这些技术不限于通过在一个装置上操作的一个实体或多个实体来执行。
在902，UE执行与请求服务质量等级相关联的第一应用。例如，UE 110执行与请求服务质量等级806相关联的第一应用，如以上在图8的805所述。
在904，UE基于请求服务质量等级选择第一机器学习架构。例如，UE 110基于请求服务质量等级806选择机器学习架构210。机器学习架构210可以是UE 110能够实现的机器学习架构210中的一个，诸如图2的机器学习架构211、212或213中的一个。
在906，UE向无线网络的网络切片管理器传输第一机器学习架构请求消息以请求使用第一机器学习架构的许可。例如，UE 110向网络切片管理器190传输机器学习架构请求消息832以请求使用机器学习架构210的许可。
响应于接收机器学习架构请求消息832，网络切片管理器190确定UE 110所请求的机器学习架构210是否与网络切片400的至少一个端到端机器学习架构200相关联，所述至少一个端到端机器学习架构200诸如图4的端到端机器学习架构201、202或203中的一个。考虑端到端机器学习架构201、202和203分别包括机器学习架构211、212和213的示例。在这种情况下，如果机器学习架构210是与网络切片400相关联的机器学习架构211、212或213中的一个，则网络切片管理器190准许UE 110使用机器学习架构210的许可。但是，如果机器学习架构210不与机器学习架构211、212和213中的任一个相关联，则网络切片管理器190不准许UE 110使用机器学习架构210的许可。网络切片管理器190向UE 110发送机器学习架构响应消息842，以通信是否准许许可。
在908，UE从网络切片管理器接收第一机器学习架构响应消息，所述第一机器学习架构响应消息基于第一网络切片来准许使用第一机器学习架构的许可。例如，UE 110从网络切片管理器190接收机器学习架构响应消息842，如图8的840所示。在该示例中，机器学习架构响应消息842基于网络切片400(例如，基于形成与网络切片400相关联的端到端机器学习架构200中的一个或多个的一部分的机器学习架构210)来准许UE 110使用机器学习架构210的许可。在其他示例中，机器学习架构响应消息842不准许UE 110使用机器学习架构210的许可。
在910，UE使用第一机器学习架构通过无线方式通信用于第一应用的数据。例如，UE 110使用机器学习架构210通过无线方式通信用于第一应用的数据。例如，机器学习架构可以执行信道编码、信道解码、调制、解调、加密或解密。
图10示出通过网络切片管理器190执行的确定用于网络切片的机器学习架构的示例性方法1000。方法1000示出为执行的操作(或动作)的集合，但是不一定限于示出操作的顺序或组合。此外，可以重复、组合、重组、跳过或链接一个或多个操作中的任一个，从而提供大量附加方法和/或替代方法。在以下讨论部分中，可以参照图1的环境100和图3详述的实体，对其的参照仅用于示例。这些技术不限于通过在一个装置上操作的一个实体或多个实体来执行。
在1002，网络切片管理器创建第一网络切片。例如，网络切片管理器190在图8的810处创建网络切片400。
在1004，网络切片管理器从UE接收第一机器学习架构请求消息，所述第一机器学习架构请求消息请求使用第一机器学习架构的许可。例如，网络切片管理器190从UE 110接收机器学习架构请求消息832，如图8的830所示。机器学习架构请求消息832请求用于UE110的使用机器学习架构210的许可。
在1006，网络切片管理器确定第一机器学习架构与第一网络切片的至少一个第一端到端机器学习架构相关联。例如，网络切片管理器190确定机器学习架构210与网络切片400的端到端机器学习架构200中的至少一个相关联，如以上在图8的835所述。
在1008，网络切片管理器向UE传输第一机器学习架构响应消息，所述第一机器学习架构响应消息基于所述确定来准许许可来使用第一机器学习架构请求。例如，在图8的840，网络切片管理器190向UE 110传输机器学习架构响应消息842。在本示例中，机器学习架构响应消息842准许UE 110使用机器学习架构210的许可。网络切片管理器190还可以指引基站120或5GC实体使用与包括机器学习架构210的端到端机器学习架构200相关联的机器学习架构。在另一个示例中，机器学习架构响应消息842不准许UE 110使用机器学习架构210的许可。
通过一起工作，UE 110和网络切片管理器190可以确定适当机器学习架构210，所述适当机器学习架构210满足与应用相关联的请求服务质量等级806并形成满足请求服务质量等级806的端到端机器学习架构200的一部分。
结论
虽然用特征和/或方法特定的语言描述了确定用于网络切片的机器学习架构的技术，但是应当理解，所附权利要求的主题不一定限于所述特定特征或方法。更准确而言，特定特征和方法被公开为确定用于网络切片的机器学习架构的示例性实施方式。
下面描述一些示例。
示例1：一种由用户设备执行的方法，所述方法包括所述用户设备：
执行与第一请求服务质量等级相关联的第一应用；
基于所述第一请求服务质量等级来选择第一机器学习架构；
向无线网络的网络切片管理器传输第一机器学习架构请求消息以请求使用所述第一机器学习架构的许可；
从所述网络切片管理器接收第一机器学习架构响应消息，所述第一机器学习架构响应消息基于第一网络切片来准许使用所述第一机器学习架构的许可；以及
使用所述第一机器学习架构以无线方式通信所述第一应用的数据。
示例2：根据示例1所述的方法，其中，对所述第一机器学习架构的所述选择包括：
从所述网络切片管理器接收识别与所述第一网络切片相关联的可用机器学习架构的可用机器学习架构消息；以及
从所述可用机器学习架构中选取所述第一机器学习架构。
示例3：根据示例1或示例2所述的方法，其中，对所述第一机器学习架构的所述选择包括：
从所述网络切片管理器接收包括一个或多个选择规则的机器学习架构选择消息；以及
执行所述一个或多个选择规则，以确定所述第一机器学习架构。
示例4：根据任一项前述示例所述的方法，进一步包括：
选择第二机器学习架构；
向所述网络切片管理器传输第二机器学习架构请求消息以请求使用所述第二机器学习架构的许可；以及
从所述网络切片管理器接收第二机器学习架构响应消息，所述第二机器学习架构响应消息基于第二网络切片来准许使用所述第二机器学习架构的许可。
示例5：根据示例4所述的方法，进一步包括：
使用所述第二机器学习架构以无线方式通信所述第一应用的其他数据，其中：
对所述第二机器学习架构的所述选择是基于所述第一请求服务质量等级；以及
对所述第二机器学习架构的所述选择是响应于以下的至少一个：
所述用户设备移动到与不同基站或不同跟踪区域相关联的地理位置；或者
所述用户设备在归属网络与访问网络之间漫游。
示例6：根据示例1至示例3中的任一项所述的方法，进一步包括：
执行与第二请求服务质量等级相关联的第二应用；
基于所述第二请求服务质量等级来选择第二机器学习架构；
向所述网络切片管理器传输第二机器学习架构请求消息以请求使用所述第二机器学习架构的许可；以及
从所述网络切片管理器接收第二机器学习架构响应消息，所述第二机器学习架构响应消息基于所述第一网络切片或第二网络切片来准许使用所述第二机器学习架构的许可。
示例7：根据示例6所述的方法，进一步包括：
响应于接收所述第二机器学习架构响应消息，使用所述第二机器学习架构以无线方式通信所述第二应用的其他数据，其中：
对所述第二机器学习架构的所述选择是基于所述第二请求服务质量等级；
所述第二应用的执行至少在执行所述第一应用的重叠时间部分期间发生；以及
所述第一机器学习架构的使用和所述第二机器学习架构的使用两者至少在所述重叠时间部分期间发生。
示例8：根据任一项前述示例所述的方法，进一步包括：
执行跟踪区域更新过程，
其中，对所述第二机器学习架构的所述选择响应于所述跟踪区域更新过程的执行而发生。
示例9：根据任一项前述示例所述的方法，进一步包括：
执行与第三请求服务质量等级相关联的第三应用；
基于所述第三请求服务质量等级来选择第三机器学习架构；
向所述网络切片管理器传输第三机器学习架构请求消息以请求使用所述第三机器学习架构的许可；
从所述网络切片管理器接收第三机器学习架构响应消息，所述第三机器学习架构响应消息不准许使用所述第三机器学习架构的许可；
响应于接收所述第三机器学习架构响应消息，选择默认机器学习架构；
向所述网络切片管理器传输第四机器学习架构请求消息以请求使用所述默认机器学习架构的许可；
从所述网络切片管理器接收第四机器学习架构响应消息，所述第四机器学习架构响应消息基于第三网络切片来准许使用所述默认机器学习架构的许可；以及
使用所述默认机器学习架构以无线方式通信所述第三应用的附加数据。
示例10：根据任一项前述示例所述的方法，其中：
所述至少一个第一服务质量等级包括以下中的至少一个：
时延等级；
吞吐量等级；或
可靠性等级。
示例11：根据任一项前述示例所述的方法，其中：
所述第一机器学习架构指定以下中的至少一个：
层的数量；
层的一个或多个类型；
层的所述一个或多个类型的顺序；或
层之间的连接的一个或多个类型。
示例12：一种用户设备，包括：
射频收发器；以及
第一处理器和第一存储器系统，所述第一处理器和所述第一存储器系统被配置为执行示例1至11中任一项所述的方法。
示例13：一种由网络切片管理器执行的方法，所述方法包括：
创建第一网络切片；
从用户设备接收第一机器学习架构请求消息，所述第一机器学习架构请求消息请求使用第一机器学习架构的许可；
确定所述第一机器学习架构与所述第一网络切片的至少一个第一端到端机器学习架构相关联；以及
向所述用户设备传输第一机器学习架构响应消息，所述第一机器学习架构响应消息准许使用所述第一机器学习架构的许可。
示例14：根据示例13所述的方法，进一步包括：
存储将所述第一网络切片与至少一个可用端到端机器学习架构相关联的信息，
其中，确定所述第一机器学习架构与所述至少一个第一端到端机器学习架构相关联包括确定所述第一机器学习架构形成所述至少一个可用端到端机器学习架构的一部分。
示例15：根据示例14所述的方法，其中：
所述至少一个可用机器学习架构包括至少一个端到端机器学习架构，所述至少一个端到端机器学习架构包括第一用户设备机器学习架构。
示例16：根据示例14或示例15中的任一项所述的方法，进一步包括：
向所述用户设备传输识别所述至少一个可用端到端机器学习架构的可用机器学习架构消息。
示例17：根据示例16所述的方法，其中，所述可用机器学习架构消息包括非接入层消息。
示例18：根据示例13至17中任一项所述的方法，进一步包括：
向所述用户设备传输机器学习架构选择消息，所述机器学习架构选择消息包括使得所述用户设备能够确定所述第一机器学习架构的一个或多个选择规则。
示例19：根据示例13至18中任一项所述的方法，进一步包括：
创建第二网络切片；
从所述用户设备接收第二机器学习架构请求消息以请求使用第二机器学习架构的许可；
确定所述第二机器学习架构与所述第二网络切片的任一个第二端到端机器学习架构不相关联；以及
向所述用户设备传输第二机器学习架构响应消息，所述第二机器学习架构响应消息不准许使用所述第二机器学习架构的许可。
示例20：根据示例19所述的方法，其中，所述第二机器学习架构响应消息包括与所述第二端到端机器学习架构中的至少一个相关联的第三机器学习架构。
示例21：一种网络切片管理器，包括：
处理器和存储器系统，所述处理器和存储器系统被配置为执行根据示例12至20中任一项所述的方法。
示例22：一种系统，包括：
根据示例12所述的用户设备；以及
根据示例21所述的网络切片管理器，所述网络切片管理器的所述处理器和所述存储器系统包括第二处理器和第二存储器系统。

Claims (15)

1.一种由用户设备执行的方法，所述方法包括：
向无线网络的网络切片管理器传输第一机器学习架构请求消息以请求使用第一机器学习架构的许可；
从所述网络切片管理器接收第一机器学习架构响应消息，所述第一机器学习架构响应消息基于第一网络切片来准许使用所述第一机器学习架构的许可，所述第一机器学习架构形成与所述第一网络切片相关联的至少一个第一端到端机器学习架构的一部分，所述至少一个第一端到端机器学习架构是分布式机器学习架构，所述分布式机器学习架构被配置为处理无线通信信号并且由所述用户设备实现的所述第一机器学习架构、由基站实现的机器学习架构和由核心网络的实体实现的机器学习架构形成；以及
使用所述第一机器学习架构以无线方式通信数据。
2.根据权利要求1所述的方法，进一步包括：
基于第一请求服务质量等级，选择所述第一机器学习架构，
其中，对所述第一机器学习架构的所述选择包括：
从所述网络切片管理器接收识别与所述第一网络切片相关联的可用机器学习架构的可用机器学习架构消息；以及
从所述可用机器学习架构中选择所述第一机器学习架构。
3.根据权利要求2所述的方法，其中，对所述第一机器学习架构的所述选择包括：
从所述网络切片管理器接收包括一个或多个选择规则的机器学习架构选择消息；以及
执行所述一个或多个选择规则，以确定所述第一机器学习架构。
4.根据权利要求2所述的方法，进一步包括：
选择第二机器学习架构；
向所述网络切片管理器传输第二机器学习架构请求消息以请求使用所述第二机器学习架构的许可；以及
从所述网络切片管理器接收第二机器学习架构响应消息，所述第二机器学习架构响应消息基于第二网络切片来准许使用所述第二机器学习架构的许可。
5.根据权利要求4所述的方法，进一步包括：
使用所述第二机器学习架构以无线方式通信第一应用的其他数据，其中：
对所述第二机器学习架构的所述选择是基于所述第一请求服务质量等级；以及
对所述第二机器学习架构的所述选择响应于以下中的至少一个而发生：
所述用户设备移动到与不同基站或不同跟踪区域相关联的地理位置；或者
所述用户设备在归属网络与访问网络之间漫游。
6.根据权利要求1所述的方法，进一步包括：
执行与第二请求服务质量等级相关联的第二应用；
基于所述第二请求服务质量等级来选择第二机器学习架构；
向所述网络切片管理器传输第二机器学习架构请求消息以请求使用所述第二机器学习架构的许可；以及
从所述网络切片管理器接收第二机器学习架构响应消息，所述第二机器学习架构响应消息基于所述第一网络切片或第二网络切片来准许使用所述第二机器学习架构的许可。
7.根据权利要求6所述的方法，进一步包括：
响应于接收所述第二机器学习架构响应消息，使用所述第二机器学习架构以无线方式通信所述第二应用的其他数据，其中：
对所述第二机器学习架构的所述选择是基于所述第二请求服务质量等级；
所述第二应用的所述执行在第一应用被执行的至少重叠时间部分期间发生；以及
所述第一机器学习架构的所述使用和所述第二机器学习架构的所述使用两者在至少所述重叠时间部分期间发生。
8.根据权利要求1至7中任一项所述的方法，进一步包括：
执行与第三请求服务质量等级相关联的第三应用；
基于所述第三请求服务质量等级来选择第三机器学习架构；
向所述网络切片管理器传输第三机器学习架构请求消息以请求使用所述第三机器学习架构的许可；
从所述网络切片管理器接收不准许使用所述第三机器学习架构的许可的第三机器学习架构响应消息；
响应于接收所述第三机器学习架构响应消息，选择默认机器学习架构；
向所述网络切片管理器传输第四机器学习架构请求消息以请求使用所述默认机器学习架构的许可；
从所述网络切片管理器接收第四机器学习架构响应消息，所述第四机器学习架构响应消息基于第三网络切片来准许使用所述默认机器学习架构的许可；以及
使用所述默认机器学习架构以无线方式通信所述第三应用的附加数据。
9.一种用户设备，包括：
射频收发器；以及
第一处理器和第一存储器系统，所述第一处理器和所述第一存储器系统被配置为执行根据权利要求1至8中的任一项所述的方法。
10.一种由网络切片管理器执行的方法，所述方法包括：
创建第一网络切片以支持第一服务质量等级；
将所述第一网络切片与能够满足所述第一服务质量等级的至少一个可用端到端机器学习架构相关联，其中，所述至少一个可用端到端机器学习架构中的每一个是分布式机器学习架构，所述分布式机器学习架构被配置为处理无线通信信号并且由用户设备实现的第一机器学习架构、由基站实现的机器学习架构和由核心网络的实体实现的机器学习架构形成；
从所述用户设备接收第一机器学习架构请求消息，所述第一机器学习架构请求消息请求使用第一机器学习架构的许可，所述第一机器学习架构被配置为处理无线通信信号；
确定所述第一机器学习架构是否形成与所述第一网络切片相关联的所述至少一个可用端到端机器学习架构的一部分；以及
在确定所述第一机器学习架构形成所述至少一个可用端到端机器学习架构的所述一部分时，向所述用户设备传输第一机器学习架构响应消息，所述第一机器学习架构响应消息准许使用所述第一机器学习架构的许可。
11.根据权利要求10所述的方法，进一步包括：
向所述用户设备传输识别所述至少一个可用端到端机器学习架构的可用机器学习架构消息。
12.根据权利要求10所述的方法，进一步包括：
向所述用户设备传输机器学习架构选择消息，所述机器学习架构选择消息包括使得所述用户设备能够确定所述第一机器学习架构的一个或多个选择规则。
13.根据权利要求10所述的方法，进一步包括：
创建第二网络切片；
从所述用户设备接收请求使用第二机器学习架构的许可的第二机器学习架构请求消息；
确定所述第二机器学习架构与所述第二网络切片的任何第二端到端机器学习架构不相关联；以及
向所述用户设备传输不准许使用所述第二机器学习架构的许可的第二机器学习架构响应消息。
14.根据权利要求13所述的方法，其中，所述第二机器学习架构响应消息包括与所述第二端到端机器学习架构中的至少一个相关联的第三机器学习架构。
15.一种网络切片管理器，包括：
处理器和存储器系统，所述处理器和所述存储器系统被配置为执行根据权利要求10至14中的任一项所述的方法。
CN202410515631.0A 2019-10-31 2019-10-31 确定用于网络切片的机器学习架构 Pending CN118317275A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410515631.0A CN118317275A (zh) 2019-10-31 2019-10-31 确定用于网络切片的机器学习架构

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202410515631.0A CN118317275A (zh) 2019-10-31 2019-10-31 确定用于网络切片的机器学习架构
CN201980101367.3A CN114631336B (zh) 2019-10-31 2019-10-31 确定用于网络切片的机器学习架构
PCT/US2019/059094 WO2021086369A1 (en) 2019-10-31 2019-10-31 Determining a machine-learning architecture for network slicing

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201980101367.3A Division CN114631336B (zh) 2019-10-31 2019-10-31 确定用于网络切片的机器学习架构

Publications (1)

Publication Number Publication Date
CN118317275A true CN118317275A (zh) 2024-07-09

Family

ID=68610361

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202410515631.0A Pending CN118317275A (zh) 2019-10-31 2019-10-31 确定用于网络切片的机器学习架构
CN201980101367.3A Active CN114631336B (zh) 2019-10-31 2019-10-31 确定用于网络切片的机器学习架构

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201980101367.3A Active CN114631336B (zh) 2019-10-31 2019-10-31 确定用于网络切片的机器学习架构

Country Status (5)

Country Link
US (3) US12075346B2 (zh)
EP (1) EP3841768B1 (zh)
JP (2) JP7404525B2 (zh)
CN (2) CN118317275A (zh)
WO (1) WO2021086369A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3997619A1 (en) 2019-08-14 2022-05-18 Google LLC Communicating a neural network formation configuration
US11928587B2 (en) 2019-08-14 2024-03-12 Google Llc Base station-user equipment messaging regarding deep neural networks
CN118317275A (zh) 2019-10-31 2024-07-09 谷歌有限责任公司 确定用于网络切片的机器学习架构
US12130616B2 (en) * 2020-07-02 2024-10-29 Nec Corporation Approach to determining a remaining useful life of a system
WO2022267066A1 (zh) * 2021-06-25 2022-12-29 Oppo广东移动通信有限公司 一种模型管理方法及通信设备
US20230006913A1 (en) * 2021-06-28 2023-01-05 Samsung Electronics Co., Ltd. Method and apparatus for channel environment classification
US20240298194A1 (en) * 2021-08-13 2024-09-05 Intel Corporation Enhanced on-the-go artificial intelligence for wireless devices
US12041534B2 (en) * 2021-08-26 2024-07-16 Qualcomm Incorporated Network measurements for enhanced machine learning model training and inference
WO2023070666A1 (en) * 2021-11-01 2023-05-04 Lenovo (Beijing) Limited Wireless communication method and apparatus of supporting artificial intelligence
GB202209942D0 (en) * 2022-07-06 2022-08-17 Samsung Electronics Co Ltd Artificial intelligence and machine learning models management and/or training
US20250274800A1 (en) * 2022-08-09 2025-08-28 Qualcomm Incorporated Qos specific beam prediction
CN116922381A (zh) * 2023-07-14 2023-10-24 中国移动通信集团黑龙江有限公司 用于手术机器人的机械臂控制方法、装置及终端
DE102023212617A1 (de) 2023-12-13 2025-06-18 Continental Automotive Technologies GmbH Verfahren zur Signalisierung bei gemeinsamer Nutzung von Modellen in einem drahtlosen Kommunikationssystem

Family Cites Families (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6594238B1 (en) 1998-06-19 2003-07-15 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for dynamically adapting a connection state in a mobile communications system
US8423788B2 (en) 2005-02-07 2013-04-16 Sandisk Technologies Inc. Secure memory card with life cycle phases
US8099629B2 (en) 2006-07-14 2012-01-17 Marvell World Trade Ltd. System-on-a-chip (SoC) test interface security
US8155620B2 (en) 2007-06-13 2012-04-10 Qualcomm Incorporated Method and apparatus for accounting in a mobile data packet network
US9141776B2 (en) 2008-04-30 2015-09-22 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for secure hardware analysis
CA2743958C (en) 2008-11-24 2016-11-08 Certicom Corp. System and method for hardware based security
US9342793B2 (en) 2010-08-31 2016-05-17 Red Hat, Inc. Training a self-learning network using interpolated input sets based on a target output
WO2013101085A1 (en) 2011-12-29 2013-07-04 Intel Corporation Secure key storage using physically unclonable functions
US9208432B2 (en) 2012-06-01 2015-12-08 Brain Corporation Neural network learning and collaboration apparatus and methods
US9927486B2 (en) 2012-07-09 2018-03-27 Ultrasoc Technologies Ltd. Debug architecture
US9330183B2 (en) 2013-05-08 2016-05-03 Facebook, Inc. Approximate privacy indexing for search queries on online social networks
US9781685B2 (en) 2013-11-21 2017-10-03 At&T Intellectual Property I, L.P. Self-adaptive coverage of wireless networks
US20150331043A1 (en) 2014-05-15 2015-11-19 Manoj R. Sastry System-on-chip secure debug
CN105991235B (zh) 2015-03-04 2020-10-30 株式会社Ntt都科摩 一种调整编码调制方案的方法、用户设备及基站
US20160328644A1 (en) 2015-05-08 2016-11-10 Qualcomm Incorporated Adaptive selection of artificial neural networks
US10157324B2 (en) 2015-05-11 2018-12-18 Google Llc Systems and methods of updating user identifiers in an image-sharing environment
US9900744B2 (en) 2015-08-03 2018-02-20 At&T Intellectual Property I, L.P. Location based provisioning and broadcasting of content utilizing a multimedia broadcast service
TWI553566B (zh) 2015-10-13 2016-10-11 Univ Yuan Ze 干擾環境中建構於分時多工接取之室內小細胞自我優化佈署串接控 制方法與裝置
WO2017091115A1 (en) 2015-11-24 2017-06-01 Telefonaktiebolaget Lm Ericsson (Publ) Method and control node for configuring carrier aggregation for a wireless device
US10360069B2 (en) 2016-02-05 2019-07-23 Sas Institute Inc. Automated transfer of neural network definitions among federated areas
US9913116B2 (en) 2016-02-24 2018-03-06 Robert D. Pedersen Multicast expert system information dissemination system and method
CN109891832B (zh) 2016-06-15 2022-12-06 交互数字专利控股公司 网络切片发现和选择
US9760827B1 (en) 2016-07-22 2017-09-12 Alpine Electronics of Silicon Valley, Inc. Neural network applications in resource constrained environments
US9893941B1 (en) 2016-07-29 2018-02-13 Qualcomm Incorporated Unit sourcing
WO2018068857A1 (en) 2016-10-13 2018-04-19 Huawei Technologies Co., Ltd. Method and unit for radio resource management using reinforcement learning
GB2557674B (en) 2016-12-15 2021-04-21 Samsung Electronics Co Ltd Automated Computer Power Management System, Apparatus and Methods
WO2018150083A1 (en) 2017-02-16 2018-08-23 Nokia Technologies Oy A method and technical equipment for video processing
US11477666B2 (en) 2017-02-16 2022-10-18 University College Dublin National University Of Ireland, Dublin Methods and systems for network self-optimization using deep learning
US10608895B2 (en) * 2017-03-31 2020-03-31 At&T Intellectual Property I, L.P. Quality of service management for dynamic instantiation of network slices and/or applications
US11051210B2 (en) 2017-04-28 2021-06-29 NEC Laboratories Europe GmbH Method and system for network slice allocation
US10440772B2 (en) 2017-05-02 2019-10-08 Qualcom Incorporated Fast user equipment reconfiguration signaling in wireless communication
US10834575B2 (en) 2017-06-16 2020-11-10 At&T Intellectual Property I, L.P. Initial access configuration for coexistence of multiple wireless communication systems
EP3418948B1 (en) 2017-06-19 2020-06-03 Nokia Technologies Oy Data transmission network configuration
US10375585B2 (en) 2017-07-06 2019-08-06 Futurwei Technologies, Inc. System and method for deep learning and wireless network optimization using deep learning
CN107181600B (zh) 2017-07-27 2019-12-06 锐捷网络股份有限公司 一种密码登录认证方法、系统及用户设备和认证服务器
US11176485B2 (en) 2017-09-06 2021-11-16 Facebook Inc. Dynamic integration of machine-learning modules
US10701641B2 (en) 2017-10-13 2020-06-30 Apple Inc. Interference mitigation in ultra-dense wireless networks
US10743147B2 (en) 2017-10-30 2020-08-11 Apple Inc. Expanded implementation of enhanced broadcast multicast services for broadcast multicast content selection and service
WO2019104280A1 (en) 2017-11-27 2019-05-31 Intel IP Corporation Multi-access edge computing (mec) based multi-operator support for c-v2x systems
US10599975B2 (en) 2017-12-15 2020-03-24 Uber Technologies, Inc. Scalable parameter encoding of artificial neural networks obtained via an evolutionary process
US20190188285A1 (en) 2017-12-19 2019-06-20 Facebook, Inc. Image Search with Embedding-based Models on Online Social Networks
DE112018006098T5 (de) 2017-12-30 2020-08-13 Intel Corporation Übergabebezogene technologie, vorrichtungen und verfahren
US10708806B2 (en) 2018-01-02 2020-07-07 Verizon Patent And Licensing Inc. Systems and methods for a self-organizing network based on user equipment information
CN110049533B (zh) 2018-01-15 2020-12-22 华为技术有限公司 一种本地数据网络的指示方法及装置
WO2019141902A1 (en) 2018-01-17 2019-07-25 Nokia Technologies Oy An apparatus, a method and a computer program for running a neural network
US11180235B2 (en) 2018-01-31 2021-11-23 Brp Us Inc. Stern and swivel bracket assembly for mounting a drive unit to a watercraft
US10952081B2 (en) 2018-02-23 2021-03-16 Google Llc Detecting radio coverage problems
US20190279082A1 (en) 2018-03-07 2019-09-12 Movidius Ltd. Methods and apparatus to determine weights for use with convolutional neural networks
EP3788815A1 (en) 2018-05-02 2021-03-10 Telefonaktiebolaget Lm Ericsson (Publ) First network node, third network node, and methods performed thereby, for handling a performance of a radio access network
EP3576019B1 (en) 2018-05-29 2024-10-09 Nokia Technologies Oy Artificial neural networks
US10505616B1 (en) 2018-06-01 2019-12-10 Samsung Electronics Co., Ltd. Method and apparatus for machine learning based wide beam optimization in cellular network
US10499304B1 (en) 2018-06-18 2019-12-03 Google Llc Fifth generation new radio edge computing mobility management
US11665576B2 (en) 2018-08-10 2023-05-30 Verizon Patent And Licensing Inc. Systems and methods for wireless low latency traffic scheduler
US11244242B2 (en) 2018-09-07 2022-02-08 Intel Corporation Technologies for distributing gradient descent computation in a heterogeneous multi-access edge computing (MEC) networks
US20190044535A1 (en) 2018-09-28 2019-02-07 Intel Corporation Systems and methods for compressing parameters of learned parameter systems
CN109684030B (zh) 2018-11-22 2021-05-04 海光信息技术股份有限公司 虚拟机内存密钥生成装置、以及方法、加密方法和SoC系统
CN111266297A (zh) 2018-12-04 2020-06-12 中国中元国际工程有限公司 分拣矩阵、航空集装器矩阵分拣缓存系统和方法
JP7011759B1 (ja) 2019-02-19 2022-01-27 ノキア ソリューションズ アンド ネットワークス オサケユキチュア 無線アクセスネットワーク（ｒａｎ）ノードに対するニューラルネットワークの構成
US20200272899A1 (en) 2019-02-22 2020-08-27 Ubotica Technologies Limited Systems and Methods for Deploying and Updating Neural Networks at the Edge of a Network
US20220198336A1 (en) * 2019-04-03 2022-06-23 Telefonaktiebolaget Lm Ericsson (Publ) Technique for Facilitating Use of Machine Learning Models
US10849025B1 (en) 2019-05-02 2020-11-24 Verizon Patent And Licensing Inc. Systems and methods for allocating network resources utilizing bearer information
US10461421B1 (en) 2019-05-07 2019-10-29 Bao Tran Cellular system
WO2020229684A1 (en) 2019-05-16 2020-11-19 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Concepts for federated learning, client classification and training data similarity measurement
US11928587B2 (en) 2019-08-14 2024-03-12 Google Llc Base station-user equipment messaging regarding deep neural networks
EP3997619A1 (en) 2019-08-14 2022-05-18 Google LLC Communicating a neural network formation configuration
US11076004B2 (en) * 2019-08-20 2021-07-27 The Calany Holding S.Á R.L. Virtual radio access network system and method for optimized real-time responsive continuous location-based cloud computing, rendering, tracking, and communication services in three-dimensional space through a distributed computing center network
US11397893B2 (en) 2019-09-04 2022-07-26 Google Llc Neural network formation configuration feedback for wireless communications
CN118317275A (zh) 2019-10-31 2024-07-09 谷歌有限责任公司 确定用于网络切片的机器学习架构
US11886991B2 (en) 2019-11-27 2024-01-30 Google Llc Machine-learning architectures for broadcast and multicast communications
US11689940B2 (en) 2019-12-13 2023-06-27 Google Llc Machine-learning architectures for simultaneous connection to multiple carriers
EP4140170A1 (en) 2020-06-05 2023-03-01 Google LLC End-to-end deep neural network adaptation for edge computing
US11663472B2 (en) 2020-06-29 2023-05-30 Google Llc Deep neural network processing for a user equipment-coordination set
CN116075834A (zh) 2020-07-10 2023-05-05 谷歌有限责任公司 用于无线通信系统中的深度神经网络的联邦学习

Also Published As

Publication number Publication date
JP7404525B2 (ja) 2023-12-25
US20240373336A1 (en) 2024-11-07
JP2023508623A (ja) 2023-03-03
CN114631336B (zh) 2024-05-21
CN114631336A (zh) 2022-06-14
US12335858B2 (en) 2025-06-17
US20220353803A1 (en) 2022-11-03
JP2024028954A (ja) 2024-03-05
EP3841768B1 (en) 2022-03-02
JP7597902B2 (ja) 2024-12-10
WO2021086369A1 (en) 2021-05-06
US20240373337A1 (en) 2024-11-07
EP3841768A1 (en) 2021-06-30
US12075346B2 (en) 2024-08-27

Similar Documents

Publication Publication Date Title
CN114631336B (zh) 确定用于网络切片的机器学习架构
CN114731251B (zh) 用于与多个载波的同时连接的机器学习架构
US11864195B2 (en) Peer-to-peer citizens broadband radio service grant
CN111989969B (zh) 用于支持下一代移动通信系统中的车辆通信的资源分配方法和装置
CN113243125B (zh) 用于移动性管理的多活动协调集聚合的方法和装置
US11743934B2 (en) Establishing QoS flows over non-3GPP access
CN112534957B (zh) 处于无线电资源控制层处的不活动模式中的用户设备的公共陆地移动网络选择
KR20240095410A (ko) 비-5G 네트워크들을 포함하는 종단간 접속에 대한 5G QoS 프로비저닝
CN114982171B (zh) 用户设备协调集混合自动重复请求
KR20230036079A (ko) 무선 액세스 네트워크 비트레이트 추천들에 대한 어텐션 (at) 인터페이스
KR102754791B1 (ko) 가상 사용자 장비 세트
US20250247744A1 (en) User equipment delegation service
WO2023226248A1 (en) Quality of service (qos) differentiation in user-plane procedures
WO2024156072A1 (en) Managing a data streaming session
KR20250064442A (ko) 무선 통신 시스템에서 ims 데이터 채널 기반 서비스 경험을 제공하기 위한 방법 및 장치
KR20240102558A (ko) 무선 통신 시스템에서 QoS를 지원하기 위한 방법 및 장치
CN120077703A (zh) 用于上行链路协议数据单元（pdu）集合的无线电接入网络（ran）增强
CN120282310A (zh) 数据传输方法和装置
CN119487901A (zh) 用于无线通信系统中的拥塞控制的方法和设备
CN118160280A (zh) 用于包括非5G网络的端到端连接的5G QoS配置
CN119487902A (zh) 无线通信系统中的拥塞控制事件通知方法及装置

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
点击 这是indexloc提供的php浏览器服务，不要输入任何密码和下载