O-RAN系统中基于联邦学习的人工智能模型处理方法和装置制造方法及图纸

本申请公开了一种O‑RAN系统中基于联邦学习的人工智能模型处理方法和装置，方法包括：基于人工智能模型的性能，非实时智能处理单元针对特定应用触发联邦学习模式，包括以下步骤：（1）非实时智能处理单元请求实时智能处理单元对特定应用在本地进行学习，然后反馈学习后的模型参数以及学习后的性能统计结果；（2）非实时智能处理单元进行性能比对，基于性能差值的最大比算法和模型的反馈时延对模型参数进行合并；（3）非实时智能处理单元将合并后的模型参数传输给实时智能处理单元，进行实时推理应用；（4）重复上述过程直到非实时智能处理单元判断人工智能模型的性能达到目标。

Artificial intelligence model processing method and device based on Federated learning in o-ran system

【技术实现步骤摘要】
O-RAN系统中基于联邦学习的人工智能模型处理方法和装置
本专利技术涉及数据处理技术，更具体的说，是涉及O-RAN系统中的基于联邦学习的人工智能模型处理方法和装置。
技术介绍
O-RAN的全称是开放的无线接入网络，其意指在于设计和开发开放式的、智能化的无线接入设备。在O-RAN系统中，能体现智能化的功能主要有2个模块：非实时无线接入网智能控制器（NonRealTimeRadioIntelligentController，Non-RTRIC；也可称为非实时RIC）和近实时无线接入网智能控制器（NearRealTimeRadioIntelligentController，Near-RTRIC；也可称为近实时RIC）。其中：非实时RIC和近实时RIC具有智能化的特点，可以利用人工智能技术进行预测、推理等服务；联邦学习的原理是进行局部训练，将局部训练的模型参数在中心节点进行合并。这样可以最大可能地优化人工智能模型的性能；目前，在O-RAN标准化组织中，关于非实时RIC和近实时RIC的讨论没有涉及联邦学习的课题，无相关公开的技术资料。
技术实现思路
有鉴于此，本专利技术提供如下技术方案：1.一种O-RAN系统中的基于联邦学习的人工智能模型处理方法，应用于O-RAN系统中的智能处理单元，其特征包括：非实时智能处理单元请求实时智能处理单元对特定应用在本地进行学习，然后反馈学习后的人工智能模型参数以及学习后的性能统计结果；非实时智能处理单元将自己评估的性能和实时智能处理单元反馈的性能进行比对，基于性能差值的最大比算法和反馈时延对模型参数进行合并；非实时智能处理单元将合并后的模型参数传输给实时智能处理单元，进行实时推理应用。2.根据权利要求1所述的性能统计包括以下量纲之一或者任意组合：时延，吞吐量，可靠性，连接密度，业务体验满意度。3.根据权利要求1所述的特定应用，包括：波束优化、负载均衡、业务体验水平、无线资源管理。4.根据权利要求1所述的基于性能差值的最大比算法，包括：按照实时智能处理单元反馈的性能和非实时智能处理单元评估的性能的差值，确定合并的权重，差值越大，合并的权重越大。5.根据权利要求1所述的反馈时延，包括：如果模型反馈的时延大于特定门限，不合并此模型参数。6.根据权利要求1所述的在本地进行学习，包括：利用本地采集的数据进行加强学习。7.根据权利要求1所述的智能处理单元为利用人工智能技术处理数据的单元，包括O-RAN定义的非实时RIC和近实时RIC。8.一种O-RAN系统中的基于联邦学习的人工智能模型处理装置，应用于O-RAN系统中的智能处理单元，其特征包括：非实时智能处理单元请求实时智能处理单元对特定应用在本地进行学习，然后反馈学习后的人工智能模型参数以及学习后的性能统计结果；非实时智能处理单元将自己评估的性能和实时智能处理单元反馈的性能进行比对，基于性能差值的最大比算法和反馈时延对模型参数进行合并；非实时智能处理单元将合并后的模型参数传输给实时智能处理单元，进行实时推理应用。9.根据权利要求8所述的性能统计包括以下量纲之一或者任意组合：时延，吞吐量，可靠性，连接密度，业务体验满意度。10.根据权利要求8所述的特定应用，包括：波束优化、负载均衡、业务体验水平、无线资源管理。11.根据权利要求8所述的基于性能差值的最大比算法，包括：按照实时智能处理单元反馈的性能和非实时智能处理单元评估的性能的差值，确定合并的权重，差值越大，合并的权重越大。12.根据权利要求8所述的反馈时延，包括：如果模型反馈的时延大于特定门限，不合并此模型参数。13.根据权利要求8所述的在本地进行学习，包括：利用本地采集的数据进行加强学习。14.根据权利要求8所述的智能处理单元为利用人工智能技术处理数据的单元，包括O-RAN定义的非实时RIC和近实时RIC。经由上述技术方案可知，与现有技术相比，本专利技术实施例公开了一种O-RAN系统中基于联邦学习的人工智能模型处理方法和装置，方法包括：基于人工智能模型的性能，非实时智能处理单元针对特定应用触发联邦学习模式，包括以下几个步骤：1)非实时智能处理单元请求实时智能处理单元对特定应用在本地进行学习，然后反馈学习后的模型参数以及学习后的性能统计；2)非实时智能处理单元进行性能比对，基于性能差值的最大比算法和模型的反馈时延对模型参数进行合并；3)非实时智能处理单元将合并后的模型参数传输给实时智能处理单元，进行实时推理应用；4)重复上述过程直到非实时智能处理单元判断人工智能模型的性能达到目标。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例公开的一种O-RAN系统中基于联邦学习的人工智能模型处理方法流程图；图2为本专利技术实施例公开的基于联邦学习的人工智能模型的架构图和利用最大比和时延进行模型参数合并的示意图；图3为本专利技术实施例公开的一种O-RAN系统中基于联邦学习的人工智能模型处理装置的结构示意图（应用于近实时RIC）；图4为本专利技术实施例公开的一种O-RAN系统中基于联邦学习的人工智能模型处理装置的结构示意图（应用于非实时RIC）。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例公开的一种O-RAN系统中基于联邦学习的人工智能模型处理方法流程图，图1所示方法应用于O-RAN系统中的无线智能控制单元，例如RIC。在此实施例中，非实时RIC作为中心节点，近实时RIC作为局部节点。由于安全性或者处理能力的限制，非实时RIC没有全局的训练数据或者没有能力进行全局的训练。使用联邦学习可以逼近模型训练的全局最优，提高模型应用的性能。参见图1所示，该方法可以包括：步骤101：非实时智能处理单元评估人工智能模型对特定应用的性能；其中，所述智能处理单元可以为O-RAN系统中已有的，或未来可能出现的智能单元，该智能单元可以是利用人工智能技术实时地处理数据的单元，为O-RAN系统中定义的具备智能功能的单元，例如RIC(RadioIntelligenceController，无线智能控制器)等；步骤102：非实时智能处理单元请求实时智能处理单元进行本地学习，然后反馈学习后的模型参数和性能统计结果；步骤103：本文档来自技高网...

【技术保护点】
1.一种O-RAN系统中的基于联邦学习的人工智能模型处理方法，应用于O-RAN系统中的智能处理单元，其特征包括：/n非实时智能处理单元请求实时智能处理单元对特定应用在本地进行学习，然后反馈学习后的人工智能模型参数以及学习后的性能统计结果；/n非实时智能处理单元将自己评估的性能和实时智能处理单元反馈的性能进行比对，基于性能差值的最大比算法和反馈时延对模型参数进行合并；/n非实时智能处理单元将合并后的模型参数传输给实时智能处理单元，进行实时推理应用。/n

【技术特征摘要】
1.一种O-RAN系统中的基于联邦学习的人工智能模型处理方法，应用于O-RAN系统中的智能处理单元，其特征包括：
非实时智能处理单元请求实时智能处理单元对特定应用在本地进行学习，然后反馈学习后的人工智能模型参数以及学习后的性能统计结果；
非实时智能处理单元将自己评估的性能和实时智能处理单元反馈的性能进行比对，基于性能差值的最大比算法和反馈时延对模型参数进行合并；
非实时智能处理单元将合并后的模型参数传输给实时智能处理单元，进行实时推理应用。


2.根据权利要求1所诉的性能统计包括以下量纲之一或者任意组合：
时延，吞吐量，可靠性，连接密度，业务体验满意度。


3.根据权利要求1所述的特定应用，包括：
波束优化、负载均衡、业务体验水平、无线资源管理。


4.根据权利要求1所述的基于性能差值的最大比算法，包括：按照实时智能处理单元反馈的性能和非实时智能处理单元评估的性能的差值，确定合并的权重，差值越大，合并的权重越大。


5.根据权利要求1所述的反馈时延，包括：如果模型反馈的时延大于特定门限，不合...

【专利技术属性】
技术研发人员：韩丽华，
申请(专利权)人：北京物资学院，
类型：发明
国别省市：北京;11