【技术实现步骤摘要】
【国外来华专利技术】RAN AI/ML模型的分布偏移的自适应学习
[0001]示例和非限制性实施例总体上涉及通信，并且更具体地涉及RAN AI/ML模型的分布偏移的自适应学习。
技术介绍
[0002]已知在通信网络内执行无线电资源管理(RRM)。
技术实现思路
[0003]根据一个方面，一种装置包括至少一个处理器；以及包括计算机程序代码的至少一个非暂时性存储器；其中该至少一个存储器和计算机程序代码被配置为与该至少一个处理器一起，使得该装置至少：从无线接入网算法接收确定是否存在与通信网络的至少一个小区的至少一个时间特性相关的分布偏移的请求；基于来自无线接入网算法的请求，从无线接入网节点或控制器平台请求与至少一个小区的至少一个时间特性相关的数据；从无线接入网节点或控制器平台接收与至少一个小区相关的所请求的数据；基于所接收的所述数据，确定是否存在与至少一个小区的至少一个时间特性相关的分布偏移；响应于确定存在分布偏移，选择用于对模型的更新的学习类型；以及基于所选择的所述学习类型来更新模型，使得当模型被提供给推理服务器时，引起无线接入网算法使用更新的模型来执行至少一个动作，以优化无线接入网节点或至少一个其他无线接入网节点的性能。
[0004]根据一个方面，一种装置包括至少一个处理器；以及包括计算机程序代码的至少一个非暂时性存储器；其中该至少一个存储器和计算机程序代码被配置为与该至少一个处理器一起，使得该装置至少：从无线电智能控制器接收对与通信网络的至少一个小区的至少一个时间特性相关的数据的请求；以及从无线接入网节点或控制器...
【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：至少一个处理器；以及至少一个非暂时性存储器，包括计算机程序代码；其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起，使得所述装置至少：从无线接入网算法接收确定是否存在与通信网络的至少一个小区的至少一个时间特性相关的分布偏移的请求；基于来自所述无线接入网算法的所述请求，从无线接入网节点或控制器平台请求与所述至少一个小区的所述至少一个时间特性相关的数据；从所述无线接入网节点或所述控制器平台接收与所述至少一个小区相关的所请求的数据；基于所接收的所述数据，确定是否存在与所述至少一个小区的所述至少一个时间特性相关的分布偏移；响应于确定存在分布偏移，选择用于对模型的更新的学习类型；以及基于所选择的所述学习类型来更新所述模型，使得当所述模型被提供给推理服务器时，引起所述无线接入网算法使用所述更新的模型来执行至少一个动作，以优化所述无线接入网节点或至少一个其他无线接入网节点的性能。2.根据权利要求1所述的装置，其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起，使得所述装置至少：并行地监测所述至少一个小区的多个分布偏移；其中进行以下中的至少一项：不同无线接入网算法被用于所述至少一个小区；所述无线接入网算法或不同算法被用于不同小区；所述无线接入网算法或不同算法被用于所述至少一个小区的虚拟分组；或者所述无线接入网算法或不同算法被用于包括所述至少一个小区的两个或更多个小区的聚合。3.根据权利要求1至2中任一项所述的装置，其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起，使得所述装置至少：经由应用程序编程接口，从所述无线接入网算法、无线接入网服务、或无线电资源管理算法/服务接收预定义选择之中的关键性能指示符的公式/函数，所述公式/函数与分布偏移学习模块一起使用以确定所述分布偏移；以及经由所述应用程序编程接口，接收至少一个附加属性，所述至少一个附加属性描述所述分布偏移的确定或模型更新的特性。4.根据权利要求3所述的装置，其中所述至少一个附加属性包括以下中的至少一项：所述关键性能指示符的所述公式/函数的评估的阈值，针对所述评估的阈值，确定了所述分布偏移并且更新了模型；基于其确定了所述分布偏移的特性的类型，所述特性的类型包括以下中的至少一项：置信区间的平均值、最大值、给定百分位数、趋势、峰均比、或标准偏差和更高时刻；所述模型的底层输入关键性能指示符的列表，所述底层输入关键性能指示符包括以下
中的至少一项：连接用户的数目、活动用户的数目、承载的数目、下行链路或上行链路物理资源块利用情况、物理下行链路控制信道利用情况、物理上行链路控制信道利用情况、复合可用容量、或者在所述无线接入网节点处传送或接收的总数据；复杂度约束度量，其表示能够更新所述模型的频率；数据存储约束度量，其表示多少数据能够被存储用于更新所述模型；或者对被动学习模型更新或主动学习模型更新的偏好，其中所述被动学习模型更新包括没有漂移检测的连续学习，并且其中所述主动学习模型更新是基于所确定的所述分布偏移的特性。5.根据权利要求3至5中任一项所述的装置，其中所述分布偏移学习模块与所述无线接入网算法、所述无线接入网服务、或所述无线电资源管理算法/服务之间的交互是利用所述控制器平台来促进的。6.根据权利要求1至5中任一项所述的装置，其中：来自所述无线接入网算法的所述请求包括所述模型的函数/公式性能度量，所述模型的所述函数/公式性能度量是不同误差百分位数、平均误差、或绝对误差中的至少一项；其中所述函数/公式性能度量的测量跨不同的类以及对应的重要性；并且来自所述无线接入网算法的所述请求包括根据所述模型预期的最小性能。7.根据权利要求1至6中任一项所述的装置，其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起，使得所述装置至少：从所述无线接入网节点或所述控制器平台接收所述至少一个小区的标识符、至少一个时间戳、以及配置数据连同所请求的数据。8.根据权利要求1至7中任一项所述的装置，其中所述模型是机器学习模型，并且所述模型包括以下中的至少一项：深度神经网络、随机森林、支持向量机、贝叶斯网络、最近邻居、强化学习、或统计模型。9.根据权利要求1至8中任一项所述的装置，其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起，使得所述装置至少：响应于确定存在分布偏移并且更新所述模型，向所述无线接入网算法通知存在对所述模型的更新；以及响应于确定不存在分布偏移并且不更新所述模型，向所述无线接入网算法通知不存在对所述模型的更新。10.根据权利要求1至9中任一项所述的装置，其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起，使得所述装置至少：在更新所述模型之前，从所述推理服务器接收所述模型；以及在所述模型的所述更新之后，向所述推理服务器提供所述模型的标识符。11.根据权利要求1至10中任一项所述的装置，其中所述装置是非实时无线电智能控制器、近实时无线电智能控制器、或智能控制器、或者是上述中的一部分。12.根据权利要求1至11中任一项所述的装置，其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起，使得所述装置至少：从策略编排引擎接收要应用于学习所述分布偏移的策略的指示；其中所述模型基于所述策略而被更新。
13.根据权利要求12所述的装置，其中所述策略包括以下中的至少一项：要使用分布偏移学习模块来处理所述至少一个小区中的哪个小区的指示；包括所述无线接入网算法在内的哪些算法被允许请求分布偏移学习的指示；用于所述至少一个小区或载波的至少一个偏置/优先级因子，用于所述至少一个小区或载波的所述至少一个偏置/优先级因子包括：用于所述至少一个小区或载波的中央处理单元度量或存储器；或者用于所述无线接入网算法的至少一个偏置/优先级因子，用于所述无线接入网算法的所述至少一个偏置/优先级因子包括：用于所述无线接入网算法的中央处理单元度量或存储器。14.根据权利要求1至13中任一项所述的装置，其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起，使得所述装置至少：在至少一个合适的间隔内，继续从所述无线接入网节点或所述控制器平台接收所请求的数据；确定在所述至少一个合适的间隔处、或在所述至少一个合适的间隔内是否存在过另外的分布偏移；以及响应于存在过另外的分布偏移的确定，在所述至少一个合适的间隔处、或在所述至少一个合适的间隔内更新所述模型。15.根据权利要求1至14中任一项所述的装置，其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起，使得所述装置至少：从所述无线接入网算法接收与所述更新的模型的所述性能相关的反馈；以及响应于所述反馈指示所述无线接入网算法使用所述更新的模型实现合理性能，存储与所述更新的模型相关的至少一个特性。16.根据权利要求15所述的装置，其中所存储的与所述更新的模型相关的所述至少一个特性包括以下中的至少一项：与所述模型相关的数据窗口大小、模型的集成的大小、或为所述模型而选择的所述学习类型。17.根据权利要求1至16中任一项所述的装置，其中所述模型是使用训练服务器来更新的。18.根据权利要求1至17中任一项所述的装置，其中所述分布偏移响应于所述至少一个小区的所述至少一个时间性能特性超过阈值而被确定。19.根据权利要求1至18中任一项所述的装置，其中所述分布偏移基于所述模型的输入和输出的联合分布的时间变化而被确定。20.根据权利要求19所述的装置，其中所述分布偏移使用密度估计、分布距离度量、或误差偏移估计中的至少一项而被确定。21.根据权利要求20所述的装置，其中所述分布距离度量是Kullback Leibler距离。22.根据权利要求1至21中任一项所述的装置，其中所述学习类型是以下中的至少一项或以下的组合：使用所接收的与所述至少一个小区相关的数据以及与所述至少一个小区相关的过去数据来重新训练所述模型；使用所接收的与所述至少一个小区相关的数据来微调所述模型；或者
累积包括在最近数据上训练的最新模型的多个模型的集成，其中所述模型的集成与所述无线接入网算法的至少一个方面相关，其中所述模型是所述多个模型的所述集成的更新的加权组合，其中所述集成中的所述多个模型的数目是可配置的。23.根据权利要求22所述的装置，其中所述学习类型基于所述分布偏移的至少一个特性、所述无线接入网算法的至少一个特征、和至少一个处理器/存储器要求而被选择。24.根据权利要求22至23中任一项所述的装置，其中所述模型的所述微调使用来自至少一个过去间隔的数据来更新所述模型，所述至少一个过去间隔包括至少一天。25.根据权利要求22至24中任一项所述的装置，其中所述模型的所述重新训练使用来自至少一个过去间隔的数据从头开始更新所述模型，所述至少一个过去间隔包括至少一天。26.根据权利要求22至25中任一项所述的装置，其中添加到所述模型的集成的所述最新模型是通过从至少一个过去间隔对现有模型进行重新训练或微调而获取的，所述至少一个过去间隔包括至少一天。27.根据权利要求22至26中任一项所述的装置，其中所述模型的所述微调或者所述模型或所述模型的集成的所述重新训练除了来自所述至少一个小区的数据之外，还使用来自至少一个相邻小区的数据来更新所述模型。28.根据权利要求22至27中任一项所述的装置，其中归因于所述多个模型的所述集成中的模型的权重与所述多个模型在最新数据集上的性能成比例。29.根据权利要求22至28中任一项所述的装置，其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起，使得所述装置至少：基于至少一个存储器要求，累积从所述无线接入网节点或所述控制器平台接收的与所述至少一个小区的所述至少一个时间特性相关的所述数据；以及使用所累积的数据来重新训练或微调所述模型；其中所述数据被累积的持续时间是可调谐的。30.根据权利要求22至29中任一项所述的装置，其中所述多个模型的所述集成的所述累积基于至少一个存储器要求。31.根据权利要求1至30中任一项所述的装置，其中所述模型是使用在长期数据上训练的长期学习模型和在短期数据上训练的短期学习模型的加权组合来更新的，其中第一权重归因于所述长期学习模型，并且第二权重归因于所述短期学习模型。32.根据权利要求31所述的装置，其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器一起，使得所述装置至少：响应于所述长期模型的预测误差比所述短期模型更差，向所述第一权重分配第一权重值、并且向所述第二权重分配第二权重值，所述第二权重值高于所述第一权值，否则，向所述第一权重分配所述第二权重值、并且向所述第二权重分配所述第一权重值；或者响应于当前周负载分布相对于以前周负载分布的概率分布距离大于阈值，向所述第一权重分配所述第一权重值、并且向所述第二权重分配所述第二权重值，否则，向所述第一权重分配所述第二权重值、并且向所述第二权重分配所述第一权重值。33.根据权利要求22至32中任一项所述的装置，其中长期学习和短期学习是根据权利要求22中所述的学习类型中的任何学习类型。
34.根据权利要求1至33中任一项所述的装置，其中所述推理服务器被实例化为：独立实体；所述无线接入网算法的一部分；无...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。