用于确定模型以数字化地分析输入数据的网络实体制造技术

本发明专利技术涉及一种网络实体，用于确定模型的至少一个模型参数，以根据模型的所述至少一个模型参数数字化地分析输入数据，所述网络实体用于：通过通信网络接收来自请求实体的模型请求，所述模型请求请求所述模型的所述至少一个模型参数；通过以下各项操作中的至少一个操作获得所述请求的至少一个模型参数：执行机器学习模型训练算法，所述机器学习模型训练算法用于用输入数据训练所述模型，以便确定所述请求的模型参数中的至少一个模型参数；针对现有模型搜索本地数据库；或向另外的网络实体请求所述至少一个模型参数；以及通过所述通信网络向所述请求实体发送所述请求的模型参数。所述请求实体发送所述请求的模型参数。所述请求实体发送所述请求的模型参数。

【技术实现步骤摘要】
【国外来华专利技术】用于确定模型以数字化地分析输入数据的网络实体


[0001]标准3GPP SA2在Rel.16中引入网络数据分析功能(network data analytics function，NWDAF)，该功能能够为可以由5G核心网络功能(network function，NF)或外部实体例如应用功能(application function，AF)所消费的网络数据提供分析服务。

技术介绍

[0002]在标准3GPP SA2的Rel.16中，NWDAF被认为是一个逻辑实体，其根据TS 23.501集成了以下功能：
[0003]‑
支持从NF和AF采集数据；
[0004]‑
支持从OAM采集数据；
[0005]‑
向NF/AF开放元数据和NWDAF服务注册；
[0006]‑
支持向NF、AF供应分析信息。
[0007]NWDAF通常执行数据处理算法，以分析提供给NWDAF的输入数据。数据处理算法可以是实现人工智能(artificial intelligence，AI)模型的机器学习(machine
‑
learning，ML)算法，也称为机器学习模型或模型，由模型类型和模型参数定义，这些模型应在部署前进行训练。
[0008]但是，部署AI模型和训练服务的成本——其包括硬件和软件成本以及众多AI模型的开发和不断更新的研发成本——相当高。
[0009]因此，需要对模型进行更高效的训练，这些模型可以由机器学习具体是AI算法用于处理数据。

技术实现思路

[0010]本专利技术的目的是提供一种更高效的模型训练，所述模型可以由机器学习(machine
‑
learning，ML)具体是AI算法用于处理数据。
[0011]该目的通过独立权利要求的主题来实现。另外的示例在从属权利要求、说明书和附图中公开。
[0012]本专利技术基于如下发现：可以通过将使用例如机器学习算法来训练模型(例如机器学习模型)的模型训练平台与推理平台分离来实现上述和其他目的。例如，这种分离可以在联邦机器学习等技术中实现，该联邦机器学习支持对来自不同方的数据集进行联合训练，而不会在不同方之间或者向联合服务器或协作方披露详细数据集。这使得数据集的不同所有者之间能够共享平台。
[0013]根据本专利技术，用于网络数据分析功能(network data analytics function，NWDAF)的方法和装置可以设置有有限的数据训练能力或快速分析生成要求以获得外部模型例如机器学习模型。因此，可以高效地解决以下问题：
[0014]1.在5G系统中，哪个网络功能能够提供这样的模型？
[0015]2.在5G系统中，消费者NWDAF如何发现所需的模型？
[0016]3.如何将该模型提供给消费者NWDAF？
[0017]根据本专利技术，可以提供将由NWDAF在5GS中使用的模型的参数供应，以及基于5GS基于服务的架构(service
‑
based architecture，SBA)的模型注册、发现和供应服务。
[0018]这可以使例如公共陆地移动网络(public land mobile network，PLMN)NWDAF能够共享另一个PLMN网络功能(network function，NF)实例和/或另一个PLMN或第三方的模型训练能力，而不开放某些区域或其自己网络的数据。它支持使用分离的模型训练平台进行更灵活的NWDAF功能部署。因此，可以降低运营商的资本支出/运营支出(capital expenditure/operational expenditure，CAPEX/OPEX)。此外，不需要开放原始数据就可以获得ML模型。
[0019]此外，使用现有模型可以帮助NWDAF加快数据分析生成速度，并提高数据分析生成的准确性。此外，NWDAF不需要自己训练模型，也不需要从一开始训练模型。因此，可以大大减少模型训练和相关数据采集所需的时间。此外，例如与在接收到数据分析生成请求后由NWDAF采集的训练数据比较，可以使用覆盖范围更广和/或数据采集周期更长的数据来训练现有模型。考虑到使用了更好的训练模型，这可以提高NWDAF分析生成的准确性。
[0020]因此，本专利技术涉及一种提供用于在5GS中(例如，在NWDAF处)生成数据分析的模型的方法和装置。根据一些实施例，这可以包括：
[0021]‑
在5GS中注册其模型供应能力(即在NRF处注册模型供应服务，以便消费者NF能够通过查询NF存储库功能(NF repository function，NRF)发现该网络实体提供的模型供应能力)。
[0022]ο模型供应服务的定义以及要在NRF中注册的相关参数，例如包括模型类型、分析ID、特征集、事件ID等的列表。
[0023]ο用于注册和发现模型供应服务的相关过程和信令，例如，假如该NE与消费者NF在同一PLMN或不同PLMN中，或来自第三方。
[0024]‑
处理5GS中消费者NF对模型的传入请求，获得所请求模型生成响应所需的信息，并将模型的响应提供给5GS中的消费者NF。
[0025]ο对模型的请求，其包括模型的描述，该模型例如通过模型类型、分析ID、特征集、事件ID等以及请求的模型参数例如特征的权重被指示。
[0026]ο模型的响应，其包括描述输出与输入例如每个特征的权重和/或请求的模型参数之间关系的公式或抽象概念等边信息。
[0027]ο模型请求和响应的相关过程和信令，例如订阅模型供应服务。
[0028]根据一些示例，本专利技术中的模型是指机器学习模型例如AI模型或可以用于根据一组输入数据生成数据分析的方程。
[0029]根据第一方面，本专利技术涉及一种网络实体，用于确定模型的至少一个模型参数，以根据模型的所述至少一个模型参数数字化地分析输入数据，所述网络实体用于：通过通信网络接收来自请求实体的模型请求，所述模型请求请求所述模型的所述至少一个模型参数；通过以下中的至少一项获得所请求的至少一个模型参数：执行机器学习模型训练算法，所述机器学习模型训练算法用于用输入数据训练所述模型，以便确定所请求的模型参数中的至少一个模型参数；针对现有模型搜索本地数据库；或从另外的网络实体请求所述至少一个模型参数；以及通过所述通信网络向所述请求实体发送所述请求的模型参数或模型。
在替选示例中，网络实体用于确定具有模型参数的模型，并将该模型发送到请求实体。
[0030]网络实体可以是通信网络中的任何实体，例如NWDAF、AF、NF、NEF、NRF、UE或任何其他实体，具体为任何5G网络实体。
[0031]该模型可以是机器学习模型，其至少部分通过模型参数例如权重表示。机器学习算法如AI算法可以当由用于处理输入信号的实体的处理器执行时部署具有模型参数的模型。
[0032]执行模型训练以确定至少一个模型参数。模型训练可以使用与应基本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种网络实体(101)，其特征在于，用于确定模型的至少一个模型参数，所述至少一个模型参数用于数字化地分析输入数据，所述网络实体(101)被配置成：通过通信网络(107)接收来自请求实体(105)的模型请求，所述模型请求请求所述模型的至少一个模型参数；通过以下中的至少一项获得所请求的至少一个模型参数：执行机器学习模型训练算法，所述机器学习模型训练算法用于用输入数据训练所述模型，以便确定所请求的模型参数中的至少一个模型参数；针对现有模型搜索本地数据库；或从另外的网络实体请求所述至少一个模型参数；以及通过所述通信网络向所述请求实体(105)发送所述至少一个请求的模型参数或所述模型，所述模型由所述网络实体基于所述至少一个模型参数确定。2.根据权利要求1所述的网络实体(101)，其特征在于，所述通信网络(107)包括注册实体(103)，所述注册实体(103)用于注册模型，其中，所述网络实体(101)用于通过所述通信网络(107)向所述注册实体(103)发送注册信号，所述注册信号包括关于所述模型的信息，以便利用所述注册实体(103)注册所述模型。3.根据权利要求2所述的网络实体(101)，其特征在于，所述注册信息至少包括关于模型类型、数据分析标识、所述模型的特征集或事件ID或者所述模型的至少一个模型参数的信息。4.根据前述权利要求中任一项所述的网络实体(101)，其特征在于，用于利用所述模型请求发送和/或接收关于所述模型的信息，所述信息包括以下各项中的至少一项：模型类型；机器学习训练算法；分析ID；特征集；输入数据类型，所述输入数据类型具体为事件ID；感兴趣区域；应用ID；关于所述模型的信息，所述关于所述模型的信息具体地来自所述请求网络实体；模型ID，所述模型ID具体为模型版本；模型时间，所述模型时间具体为时间戳。5.根据前述权利要求中任一项所述的网络实体(101)，其特征在于，所述模型请求包括用于确定所述至少一个请求的模型参数的关于所述模型的信息，其中，所述网络实体用于基于所接收到的关于所述模型的信息，执行和/或提供来自所述网络实体(101)处可用的一组机器学习模型训练算法的所述机器学习模型训练算法。6.根据前述权利要求中任一项所述的网络实体，其特征在于，所述网络实体被配置成：从另外的请求网络实体接收另外的模型请求，所述另外的参数请求请求另外的模型的另外的模型参数，或者，具体地经由注册实体确定另外的网络实体，所述另外的网络实体能够提供另外的模型；以及通过所述通信网络向所述另外的网络实体发送对所述另外的模型的请求；以及从所述另外的网络实体接收所述另外的模型。7.根据权利要求6所述的网络实体(101)，其特征在于，被配置成向所述另外的网络实体发送关于所述模型的信息。8.根据权利要求6或7所述的网络实体(101)，其特征在于，被配置成：如果所述网络实体已经确定所述网络实体不能提供和/或训练所述另外的模型，则向所述另外的网络实体发送对所述另外的模...

【专利技术属性】
技术研发人员：韦庆，克拉丽莎，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：