MLUE性能和无能力制造技术

提供了一种方法，该方法包括：检查终端是否向网络指示终端执行和/或训练机器学习模型的性能；监测终端是否处于无能力状态；如果终端指示该性能并且终端处于无能力状态，则向网络通知终端处于无能力状态，其中在无能力状态下，终端不能执行和/或训练机器学习模型，或者终端不能至少以预定义性能执行和/或训练机器学习模型。学习模型。学习模型。

【技术实现步骤摘要】
【国外来华专利技术】ML UE性能和无能力


[0001]本公开涉及UE有能力(无能力)执行和/或训练ML模型的指示，并且涉及在考虑到UE有能力(无能力)执行和/或训练ML模型的情况下ML模型的执行和/或训练的网络发起的触发。
[0002]缩写
[0003]3GPP：第三代合作伙伴项目
[0004]3G/4G/5G：第三代/第四代/第五代
[0005]AI：人工智能
[0006]gNB：5G基站
[0007]IAB：集成接入和回程
[0008]IE：信息元素
[0009]LTE：长期演进
[0010]MDT：最小化驾驶测试
[0011]ML：机器学习
[0012]MTC：机器类型通信
[0013]RAN：无线电接入网
[0014]Rel：版本
[0015]RRC：无线电资源控制
[0016]RRM：无线电资源管理
[0017]RSRP：参考信号接收功率
[0018]SA：系统架构
[0019]SON：自优化网络
[0020]TS：技术规范
[0021]UE：用户设备

技术介绍

[0022]5G演进推动了对研究用例并且提出支持人工智能(AI)/机器学习(ML)的5G系统的潜在服务需求的需要。3GPP SA1研究项目在S1
‑
193606中达成一致，该项目描述了目标并且强调ML和AI将参与具体的5G网络实体和基础设施。开发机器学习过程和模型的方式已经假定5G业务和最终用户的设备将参与ML模型训练。
[0023]Shai Shalev Shwartz和Shai Ben David的著作“Understanding Machine Learning:From Theory to Algorithms”(剑桥大学出版社，2014年)描述了如下ML：“作为一个跨学科领域，机器学习与统计、信息论、博弈论和优化等数学领域有着共同的线索。它自然是计算机科学的一个子领域，因为我们的目标是对机器进行编程，使其能够学习。从某种意义上讲，机器学习可以被视为AI(人工智能)的一个分支，因为毕竟，将经验转化为专业知识或检测复杂感官数据中有意义模式的能力是人类(和动物)智能的基石”。此外，在本书
中，机器学习(ML)被定义为自动学习的一部分，通过该部分，计算机被编程，以便其可以从其可用的输入中“学习”。学习被定义为将经验转化为专业知识或知识的过程。学习算法的输入是表示经验的训练数据，并且输出是一些专业知识，其通常采用可以执行某种任务的另一计算机程序的形式。
[0024]3GPP Rel
‑
16在以RAN为中心的数据收集机制下定义的5G特征使得运营商能够监测和优化其5G部署。在该上下文中，LTE中定义的SON和MDT成为新5G数据收集方法的基线。
[0025]驾驶测试最小化(MDT)是标准化的3GPP LTE特征，其涉及用于收集自己的测量并且向网络报告自己的测量的商业UE[参见3GPP TS 37.320]。基本概念旨在取代为网络优化而执行的专用并且成本高昂的驱动器测试。MDT涉及蜂窝网络的普通用户，并且利用其收集的数据(例如，用于移动性目的)。基本上，定义了两种MDT报告方法：即时MDT和记录MDT。即时MDT报告表示UE在执行无线电测量之后立即生成无线电测量的实时报告。在记录MDT报告中，配置在UE处于连接模式时进行，并且MDT数据收集在UE进入空闲或非活动模式时在UE处进行。然后，当UE进入连接模式时，日志形式的延迟报告被发送；UE可以通过RRC消息向网络指示测量可用性，并且网络可以通过UE信息请求/响应过程获取记录的报告。
[0026]因此，5G版本16中的自动数据收集继承了两种类型的MDT：即时和记录MDT提供的方法，以分别递送实时测量(例如，针对典型RRM操作而执行的测量结果)和在UE没有活动RRC连接(即，处于RRC空闲状态或RRC不活动状态)期间获取的非实时测量结果。
[0027]AI/ML算法的训练需要大量数据。如果ML模型的训练在网络侧执行，则这些数据的传输可以高度影响网络性能以及频谱效率(因为网络需要大量UE测量)。作为替代，ML模型训练可以在UE处进行，在这种情况下，需要通过接口(特别是：无线电接口)传送的数据量显著减少。
[0028]UE可以具有若干本地可用的已训练ML模型。这些已训练ML模型可以用于解决一个或多个优化问题。此外，UE可以具有不同替代解决方案来解决某个优化问题。例如，UE可以具有非ML算法(其在UE中是本地的)，或者它可以具有复杂度和性能不同的一个或多个不同ML算法。
[0029]ML模型执行可以在UE侧、在网络侧或这两者。UE可以执行其在本地训练自己的已训练ML模型。在某些情况下，UE可以在本地执行已经由网络训练但已经下载到UE的已训练ML模型。
[0030]当UE执行ML模型时，它可以或可以不进一步训练ML模型。即，UE可以基于ML模型的执行来进一步适配ML模型的一个或多个已学习参数，或者一旦ML模型的参数已经被学习，UE可以保持ML模型的参数恒定。表达“执行和/或训练ML模型”涵盖这两种情况。
[0031]PCT/EP2020/061734“MDT CONFIGURATION FOR ML
‑
MODEL TRAINING AT UE”提出了一种框架，其中网络通过MDT配置指示UE本地和自主地训练ML模型。具体地，其为网络引入了一种方法以触发UE通过测量或预先配置的“测量功能”来监测所提供的ML模型的学习过程，并且直接使用这些测量来训练ML模型。由UE输出的目标是已训练ML模型。例如，UE可以由网络配置为监测与特定网络模型/行为或属性相对应的测量功能，描述为：“当服务小区RSRP在特定范围内时”、“服务小区RSRP有多少次落入预定义范围内”、“当分组延迟超过特定阈值时”、“当接收的干扰功率超过某个阈值时”等。
[0032]如果ML模型在网络侧执行，则UE还向网络报告已训练模型(连同已训练精度)以及
训练时段结束的指示。如果ML模型在UE侧执行，则UE仅向网络指示ML训练时段的结束。在这两种情况下，UE还可以向网络报告(实时地或基于取决于其RRC状态的日志)导致与要观察或训练的ML模型的给定偏差的“仅”测量。
[0033]该现有技术允许UE在本地训练一个或多个ML问题。然而，在某些情况下，可能需要推迟执行，例如，因为其他组件(例如，在联合学习中)尚未以一定程度的精度进行训练。

技术实现思路

[0034]本专利技术的目的是改进现有技术。
[0035]根据本专利技术的第一方面，提供了一种装置，该装置包括一个或多个处理器和存储指令的存储器，该指令在由一个或多个处理器执行时，使该装置：检查终端是否向网络指示终端执行和/或训练机器学习模型的性能；监测终端是否处于无能力状态；如果终端指示该性能并且终端处于无能力状态，则向网络通知终端处于无能力状本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种装置，包括：一个或多个处理器，以及存储指令的存储器，所述指令在由所述一个或多个处理器执行时使所述装置：检查终端是否向网络指示所述终端执行和/或训练机器学习模型的性能；监测所述终端是否处于无能力状态；如果所述终端指示所述性能、并且所述终端处于所述无能力状态，则向所述网络通知所述终端处于所述无能力状态，其中在所述无能力状态下，所述终端不能执行和/或训练所述机器学习模型，或者所述终端不能至少以预定义性能执行和/或训练所述机器学习模型。2.根据权利要求1所述的装置，其中所述指令在由所述一个或多个处理器执行时还使所述装置：如果所述终端处于所述无能力状态，则由所述终端执行默认程序、而不是所述机器学习模型。3.根据权利要求1和2中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时还使所述装置：监督所述终端是否执行和/或训练所述机器学习模型并且进入所述无能力状态；如果所述终端执行和/或训练所述机器学习模型并且所述终端进入所述无能力状态，则请求所述网络指令所述终端停止执行和/或训练所述机器学习模型。4.根据权利要求2和从属于权利要求2的权利要求3中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时还使所述装置：如果所述终端处于所述无能力状态，则向所述网络通知所述默认程序。5.根据权利要求1至4中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时还使所述装置：监测所述终端是否接收到执行和/或训练所述机器学习模型的指令；如果所述终端接收到所述指令并且所述终端处于所述无能力状态，则拒绝执行和/或训练所述机器学习模型的所述指令。6.根据权利要求1至5中任一项所述的装置，其中如果以下条件中的至少一个条件满足，则所述终端处于所述无能力状态：
·
所述终端的电池被充电低于预定义阈值；
·
可用于所述机器学习模型的所述执行和/或训练的存储器小于用于所述机器学习模型的预定义存储器阈值；以及
·
用于所述机器学习模型的所述执行和/或训练的处理功率小于用于所述机器学习模型的预定义处理功率阈值。7.根据权利要求1至6中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时还使所述装置：监测所述终端是否从所述无能力状态变为有能力状态；如果所述终端指示所述性能并且所述终端从所述无能力状态变为所述有能力状态，则向所述网络通知所述终端处于所述有能力状态，其中在所述有能力状态下，所述终端能够至少以所述预定义性能执行和/或训练所述机器
学习模型。8.根据权利要求1至7中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时还使所述装置：指令所述终端向所述网络指示所述终端执行和/或训练所述机器学习模型的性能。9.一种装置，包括：一个或多个处理器，以及存储器，存储指令，所述指令在由所述一个或多个处理器执行时使所述装置：检查终端是否向网络指示所述终端执行和/或训练机器学习模型的性能；监测所述终端是否处于有能力状态；如果所述终端指示所述性能并且所述终端处于所述有能力状态，则向所述网络通知所述终端处于所述有能力状态，其中在所述有能力状态下，所述终端能够至少以预定义性能执行和/或训练所述机器学习模型。10.一种装置，包括：一个或多个处理器，以及存储器，存储指令，所述指令在由所述一个或多个处理器执行时，使所述装置：检查终端是否指示所述终端执行和/或训练机器学习模型的性能；监测是否接收到作为所述终端处于无能力状态的依据的信息；如果所述终端指示所述终端的性能并且作为所述终端处于所述无能力状态的依据的所述信息被接收到，则禁止指令所述终端执行和/或训练所述机器学习模型，其中在所述无能力状态下，所述终端不能执行和/或训练所述机器学习模型，或者所述终端不能至少以预定义性能执行和/或训练所述机器学习模型。11.根据权利要求10所述的装置，其中所述指令在由所述一个或多个处理器执行时还使所述装置：监督所述网络是否请求所述终端执行和/或训练所述机器学习模型；监测所述网络是否接收到指令所述终端停止执行和/或训练所述机器学习模型的请求；如果所述网络请求所述终端执行和/或训练所述机器学习模型并且所述网络接收到所述请求，则指令所述终端停止执行和/或训练所述机器学习模型。12.根据权利要求10和11中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时还使所述装置：监测是否接收到作为所述终端从所述无能力状态变为有能力状态的依据的信息；如果所述终端指示所述终端的性能并且作为所述终端从所述无能力状态变为所述有能力状态的依据的所述信息被接收到，则指令所述终端执行和/或训练所述机器学习模型，其中在所述有能力状态下，所述终端能够至少以所述预定义性能执行和/或训练所述机器学习模型。13.一种装置，包括：一个或多个处理器，以及
存储指令的存储器，所述指令在由所述一个或多个处理器执行时使所述装置：检查终端是否指示所述终端执行和/或训练机器学习模型的性能；监测是否接收到作为所述终端处于有能力状态的依据的信息；如果所述终端指示所述终端的性能并且作为所述终端处于所述有能力状态的依据的所述信息被接收到，则指令所述终端执行和/或训练所述机器学习模型，其中在所述有能力状态下，所述终端能够至少以预定义性能执行和/或训练所述机器学习模型。14.一种装置，包括：一个或多个处理器，以及存储指令的存储器，所述指令在由所述一个或多个处理器执行时，使所述装置：监测是否接收到关于终端执行和/或训练机器学习模型的信息；监督预定义条件是否成立；如果关于所述终端执行和/或训练所述机器学习模型的所述信息被接收到并且所述预定义条件成立，则指令所述终端停止所述机器学习模型的所述执行和/或训练。15.根据权利要求14所述的装置，其中所述预定义条件是以下中的至少一项：
·
所述终端的操作比预期的差；以及
·
所述网络的运营商的输入。16.一种装置，包括：一个或多个处理器，以及存储器，存储指令，所述指令在由所述一个或多个处理器执行时，使所述装置：检...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：诺基亚技术有限公司，
类型：发明
国别省市：