CN114844785B - 通信***中的模型更新方法、装置及存储介质 - Google Patents

通信***中的模型更新方法、装置及存储介质 Download PDF

Info

Publication number
CN114844785B
CN114844785B CN202110138849.5A CN202110138849A CN114844785B CN 114844785 B CN114844785 B CN 114844785B CN 202110138849 A CN202110138849 A CN 202110138849A CN 114844785 B CN114844785 B CN 114844785B
Authority
CN
China
Prior art keywords
machine learning
information
communication environment
access network
mapping relation
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.)
Active
Application number
CN202110138849.5A
Other languages
English (en)
Other versions
CN114844785A (zh
Inventor
索士强
杨现俊
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.)
Datang Mobile Communications Equipment Co Ltd
Original Assignee
Datang Mobile Communications Equipment Co Ltd
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 Datang Mobile Communications Equipment Co Ltd filed Critical Datang Mobile Communications Equipment Co Ltd
Priority to CN202110138849.5A priority Critical patent/CN114844785B/zh
Priority to EP22745105.1A priority patent/EP4287574A4/en
Priority to PCT/CN2022/072837 priority patent/WO2022161230A1/zh
Publication of CN114844785A publication Critical patent/CN114844785A/zh
Application granted granted Critical
Publication of CN114844785B publication Critical patent/CN114844785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H04L41/082—Configuration setting characterised by the conditions triggering a change of settings the condition being updates or upgrades of network functionality
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0806—Configuration setting for initial configuration or provisioning, e.g. plug-and-play
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W76/00—Connection management
    • H04W76/20—Manipulation of established connections
    • H04W76/27—Transitions between radio resource control [RRC] states
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W76/00—Connection management
    • H04W76/10—Connection setup
    • H04W76/19—Connection re-establishment
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供一种通信***中的模型更新方法、装置及存储介质，在接入网设备一侧，该方法包括：确定通信环境发生变化，根据第一映射关系集，在与第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合；在接入网设备上部署第一机器学习模型集合中的机器学习模型，和/或，向终端发送第一信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。本申请提高了机器学习模型在通信***中的更新效率和效果，进而提高了通信***的性能。

Description

通信***中的模型更新方法、装置及存储介质
技术领域
本申请涉及通信领域，尤其涉及一种通信***中的模型更新方法、装置及存储介质。
背景技术
在通信***中，机器学习模型可以应用于信道估计、信道预测、信道状态信息反馈等，可见，机器学习模型的模型性能影响到通信***的性能。
机器学习模型通常是从大量的训练数据中学习得到的。由于通信环境容易发生变化，原有的机器学习模型在变化后的通信环境下的性能一般，需要获取变化后的通信环境下的训练数据，重新训练机器学习模型。
多次重新训练机器学习模型的方式效率不高，无法适用于对实时性要求高的通信***。因此，如何提高机器学习模型在通信***中的更新效率和效果成为亟待解决的问题。
发明内容
本申请提供一种通信***中的模型更新方法、装置及存储介质，用于解决如何提高机器学习模型在通信***中的更新效率和效果的问题。
第一方面，本申请提供一种通信***中的模型更新方法，应用于接入网设备，接入网设备上配置有第一映射关系集与第一映射关系集相关联的多个机器学习模型，第一映射关系集包括多个通信环境信息与多个机器学习模型的映射关系，该方法包括：
确定通信环境发生变化，根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合；
在接入网设备上部署第一机器学习模型集合中的机器学习模型，和/或，向终端发送第一信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。
可选的，该方法还包括：
获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息；
根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，包括：
根据第一映射关系集、接入网设备一侧的通信环境信息以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第一机器学习模型集合。
可选的，获取终端一侧的通信环境信息包括：
接收终端发送的第二信息，其中，第二信息包括终端一侧的通信环境信息；或者，
接收终端发送的第三信息，并响应于第三信息，获取第二信息，其中，第三信息用于指示接入网设备获取第二信息。
可选的，该方法还包括：
根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，
根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
可选的，该方法还包括：
接收终端发送的第四信息，其中，若第四信息中指示终端一侧的通信环境发生变化，则第四信息包括终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息；
根据第四信息，确定通信环境是否发生变化；
如果通信环境发生变化，则根据第一映射关系集和接入网设备一侧的通信环境信息，以及根据终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息，在多个机器学习模型中，查找机器学习模型并构成第一机器学习模型集合。
可选的，该方法还包括：
当所述终端发生小区切换时，确定通信环境发生变化。
可选的，该方法还包括：
接收终端的源接入网设备发送的第五信息；
其中，第五信息包括第二映射关系集、终端与源接入网设备通信时的通信环境信息和/或终端与另一接入网设备通信时所采用的机器学习模型的标识信息，第二映射关系集为源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与终端相关联的映射关系子集；
根据第五信息，对第一映射关系集进行更新；
如果接入网设备中未配置与第二映射关系集相关联的全部或部分机器学习模型，则接收源接入网设备发送的与第二映射关系集相关联的全部或部分机器学习模型；
根据接收的与第二映射关系集相关联的全部或部分机器学习模型和与更新前的第一映射关系集相关联的多个机器学习模型，确定与更新后的第一映射关系集相关联的多个机器学习模型；
根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，包括：
根据更新后的第一映射关系集，在与更新后的第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合。
可选的，该方法还包括：
如果接收到终端发送的指示RRC连接建立的消息或者指示RRC连接重建的消息，则确定通信环境发生变化。
第二方面，本申请提供一种通信***的模型更新方法，应用于核心网设备，核心网设备上预先配置有第三映射关系集及与第三映射关系集相关联的多个机器学习模型，第三映射关系集包括多个通信环境信息与多个机器学习模型的映射关系，该方法包括：
确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合；
向接入网设备发送包括第二机器学习模型集合的第六信息，其中，第六信息用于指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，和/或，指示接入网设备向终端发送第七信息，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署。
可选的，该方法还包括：
获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息；
根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，包括：
根据第三映射关系集、接入网设备一侧的通信环境信息以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第二机器学习模型集合。
可选的，获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息，包括：
接收接入网设备发送的第八信息，第八信息包括接入网设备一侧的通信环境信息和终端一侧的通信环境信息。
可选的，该方法还包括：
根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，
根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
可选的，该方法还包括：
接收接入网设备发送的第九信息；
其中，第九信息用于指示通信环境发生变化、终端发生小区切换、接入网设备与终端之间的RRC连接建立、或者接入网设备与终端之间的RRC连接重建，第九信息包括如下一种或多种信息：接入网设备一侧的通信环境信息、终端一侧的通信环境信息、接入网设备请求的机器学习模型的标识信息；
确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，包括：
根据第九信息，确定通信环境发生变化；
根据第三映射关系集和第九信息，在多个机器学习模型中，查找机器学习模型并构成第二机器学习模型集合。
可选的，该方法还包括：
接收多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型；
根据多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型，建立或更新第三映射关系集及与第三映射关系集相关联的多个机器学习模型。
第三方面，本申请提供一种通信***中的模型更新方法，应用于终端，该方法包括：
接收接入网设备返回的第一信息或第七信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署；
根据第一信息对第一机器学习模型集合中的机器学习模型进行部署，或者，根据第七信息对第二机器学习模型集合中的机器学习模型进行部署。
可选的，接收接入网设备返回的第一信息或第七信息之前，该方法还包括：
向接入网设备发送第二信息，其中，第二信息包括终端一侧的通信环境信息；或者，
向接入网设备发送第三信息，其中，第三信息用于指示接入网设备获取第二信息。
可选的，该方法还包括：
确定终端一侧的通信环境是否发生变化；
根据终端一侧的通信环境是否发生变化，向接入网设备发送第四信息，其中，如果第四信息指示终端一侧的通信环境发生变化，则第四信息包括终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息。
可选的，终端一侧配置有第四映射关系集，第四映射关系集包括与终端相关联的多个通信环境信息与多个机器学习模型的映射关系，根据终端一侧的通信环境是否发生变化，向接入网设备发送第四信息，包括：
如果确定终端一侧的通信环境发生变化，则根据终端一侧的通信环境信息，在第四映射关系集中，确定终端请求的机器学习模型的标识信息；
向接入网设备发送第四信息，其中，第四信息包括终端请求的机器学习模型的标识信息。
第四方面，本申请提供一种通信***中的模型更新装置，应用于接入网设备，接入网设备上配置有第一映射关系集及与第一映射关系集相关联的多个机器学习模型，第一映射关系集包括多个通信环境信息与多个机器学习模型的映射关系，该装置包括存储器、收发机和处理器：
存储器，用于存储计算机程序；
收发机，用于在处理器的控制下收发数据；
处理器，用于读取存储器中的计算机程序并执行以下操作：
确定通信环境发生变化，根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合；
在接入网设备上部署第一机器学习模型集合中的机器学习模型，和/或，向终端发送第一信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。
可选的，处理器还用于执行以下操作：
获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息；
根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，包括：
根据第一映射关系集、接入网设备一侧的通信环境信息、以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第一机器学习模型集合。
可选的，获取终端一侧的通信环境信息，包括：
接收终端发送的第二信息，其中，第二信息包括终端一侧的通信环境信息；或者，
接收终端发送的第三信息，并响应于第三信息，获取第二信息，其中，第三信息用于指示接入网设备获取第二信息。
可选的，处理器还用于执行以下操作：
根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，
根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
可选的，处理器还用于执行以下操作：
接收终端发送的第四信息，其中，若第四信息中指示终端一侧的通信环境发生变化，则第四信息包括终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息；
根据第四信息，确定通信环境是否发生变化；
如果通信环境发生变化，则根据第一映射关系集和接入网设备一侧的通信环境信息，以及根据终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息，在多个机器学习模型中，查找机器学习模型并构成第一机器学习模型集合。
可选的，处理器还用于执行以下操作：
当终端发生小区切换时，确定通信环境发生变化。
可选的，处理器还用于执行以下操作：
接收终端的源接入网设备发送的第五信息；
其中，第五信息包括第二映射关系集、终端与源接入网设备通信时的通信环境信息和/或终端与另一接入网设备通信时所采用的机器学习模型的标识信息，第二映射关系集为源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与终端相关联的映射关系子集；
根据第五信息，对第一映射关系集进行更新；
如果接入网设备中未配置与第二映射关系集相关联的全部或部分机器学习模型，则接收源接入网设备发送的与第二映射关系集相关联的全部或部分机器学习模型；
根据接收的与第二映射关系集相关联的全部或部分机器学习模型和与更新前的第一映射关系集相关联的多个机器学习模型，确定与更新后的第一映射关系集相关联的多个机器学习模型；
根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，包括：
根据更新后的第一映射关系集，在与更新后的第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合。
可选的，接收终端发送的第二信息，包括：
如果接收到终端发送的指示RRC连接建立的消息或者指示RRC连接重建的消息，则确定通信环境发生变化。
第五方面，本申请提供一种通信***的模型更新装置，应用于核心网设备，核心网设备上预先配置有第三映射关系集及与第三映射关系集相关联的多个机器学习模型，第三映射关系集包括多个通信环境信息与多个机器学习模型的映射关系，该装置包括存储器、收发机和处理器：
存储器，用于存储计算机程序；
收发机，用于在处理器的控制下收发数据；
处理器，用于读取存储器中的计算机程序并执行以下操作：
确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合；
向接入网设备发送包括第二机器学习模型集合的第六信息，其中，第六信息用于指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，和/或，指示接入网设备向终端发送第七信息，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署。
可选的，处理器还用于执行以下操作：
获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息；
根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，包括：
根据第三映射关系集、接入网设备一侧的通信环境信息以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第二机器学习模型集合。
可选的，获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息，包括：
接收接入网设备发送的第八信息，第八信息包括接入网设备一侧的通信环境信息和终端一侧的通信环境信息。
可选的，处理器还用于执行以下操作：
根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，
根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
可选的，处理器还用于执行以下操作：
接收接入网设备发送的第九信息；
其中，第九信息用于指示通信环境发生变化、终端发生小区切换、接入网设备与终端之间的RRC连接建立、或者接入网设备与终端之间的RRC连接重建，第九信息包括如下一种或多种信息：接入网设备一侧的通信环境信息、终端一侧的通信环境信息、接入网设备请求的机器学习模型的标识信息；
确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，包括：
根据第九信息，确定通信环境发生变化；
根据第三映射关系集和第九信息，在多个机器学习模型中，查找机器学习模型并构成第二机器学习模型集合。
可选的，处理器还用于执行以下操作：
接收多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型；
根据多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型，建立或更新第三映射关系集及与第三映射关系集相关联的多个机器学习模型。
第六方面，本申请提供了一种通信***中的模型更新装置，应用于终端，该装置包括存储器、收发机和处理器：
存储器，用于存储计算机程序；
收发机，用于在处理器的控制下收发数据；
处理器，用于读取存储器中的计算机程序并执行以下操作：
接收接入网设备返回的第一信息或第七信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署；
根据第一信息对第一机器学习模型集合中的机器学习模型进行部署，或者，根据第七信息对第二机器学习模型集合中的机器学习模型进行部署。
可选的，接收接入网设备返回的第一信息或第七信息之前，处理器还用于执行以下操作：
向接入网设备发送第二信息，其中，第二信息包括终端一侧的通信环境信息；或者，
向接入网设备发送第三信息，其中，第三信息用于指示接入网设备获取第二信息。
可选的，处理器还用于执行以下操作：
确定所述终端一侧的通信环境是否发生变化；
根据所述终端一侧的通信环境是否发生变化，向所述接入网设备发送第四信息，其中，如果所述第四信息指示所述终端一侧的通信环境发生变化，则所述第四信息包括所述终端一侧的通信环境信息和/或所述终端请求的机器学习模型的标识信息。
可选的，终端一侧配置有第四映射关系集，第四映射关系集包括与终端相关联的多个通信环境信息与多个机器学习模型的映射关系，根据所述终端一侧的通信环境是否发生变化，向所述接入网设备发送第四信息，包括：
如果确定所述终端一侧的通信环境发生变化，则根据所述终端一侧的通信环境信息，在所述第四映射关系集中，确定所述终端请求的机器学习模型的标识信息；
向所述接入网设备发送第四信息，其中，所述第四信息包括所述终端请求的机器学习模型的标识信息。
第七方面，本申请提供了一种通信***中的模型更新装置，应用于接入网设备，接入网设备上配置有第一映射关系集及与第一映射关系集相关联的多个机器学习模型，第一映射关系集包括多个通信环境信息与多个机器学习模型的映射关系，该装置包括：
查找单元，用于确定通信环境发生变化，根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合；
部署单元，用于在接入网设备上部署第一机器学习模型集合中的机器学习模型，和/或，发送单元，用于向终端发送第一信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。
可选的，该装置还包括：
获取单元，用于获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息；
查找单元具体用于：
根据第一映射关系集、接入网设备一侧的通信环境信息、以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第一机器学习模型集合。
可选的，该装置还包括：
第一接收单元，用于接收终端发送的第二信息，其中，第二信息包括终端一侧的通信环境信息；或者，接收终端发送的第三信息，并响应于第三信息，获取第二信息，其中，第三信息用于指示接入网设备获取第二信息。
可选的，该装置还包括：
第一确定单元，用于根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
可选的，该装置还包括：
第二接收单元，用于接收终端发送的第四信息，其中，若第四信息中指示终端一侧的通信环境发生变化，则第四信息包括终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息；
第二确定单元，用于根据第四信息，确定通信环境是否发生变化；
查找单元具体用于：
如果通信环境发生变化，则根据第一映射关系集和接入网设备一侧的通信环境信息，以及根据终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息，在多个机器学习模型中，查找机器学习模型并构成第一机器学习模型集合。
可选的，该装置还包括：
第三确定单元，用于当终端发生小区切换时，确定通信环境发生变化。
可选的，该装置还包括：
第三接收单元，用于接收终端的源接入网设备发送的第五信息；
其中，第五信息包括第二映射关系集、终端与源接入网设备通信时的通信环境信息和/或终端与另一接入网设备通信时所采用的机器学习模型的标识信息，第二映射关系集为源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与终端相关联的映射关系子集；
第一更新单元，用于根据第五信息，对第一映射关系集进行更新；
第四接收单元，用于如果接入网设备中未配置与第二映射关系集相关联的全部或部分机器学习模型，则接收源接入网设备发送的与第二映射关系集相关联的全部或部分机器学习模型；
第二更新单元，用于根据接收的与第二映射关系集相关联的全部或部分机器学习模型和与更新前的第一映射关系集相关联的多个机器学习模型，确定与更新后的第一映射关系集相关联的多个机器学习模型；
查找单元具体用于：
根据更新后的第一映射关系集，在与更新后的第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合。
可选的，该装置还包括：
第四确定单元，用于如果接收到终端发送的指示RRC连接建立的消息或者指示RRC连接重建的消息，则确定通信环境发生变化。
第八方面，本申请提供了一种通信***的模型更新装置，应用于核心网设备，核心网设备上预先配置有第三映射关系集及与第三映射关系集相关联的多个机器学习模型，第三映射关系集包括多个通信环境信息与多个机器学习模型的映射关系，装置包括：
查找单元，用于确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合；
发送单元，用于向接入网设备发送包括第二机器学习模型集合的第六信息，其中，第六信息用于指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，和/或，指示接入网设备向终端发送第七信息，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署。
可选的，该装置还包括：
获取单元，用于获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息；
查找单元具体用于：
根据第三映射关系集、接入网设备一侧的通信环境信息以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第二机器学习模型集合。
可选的，该装置还包括：
第一接收单元，用于接收接入网设备发送的第八信息，第八信息包括接入网设备一侧的通信环境信息和终端一侧的通信环境信息。
可选的，该装置还包括：
确定单元，用于根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
可选的，该装置还包括：
第二接收单元，用于接收接入网设备发送的第九信息；
其中，第九信息用于指示通信环境发生变化、终端发生小区切换、接入网设备与终端之间的RRC连接建立、或者接入网设备与终端之间的RRC连接重建，第九信息包括如下一种或多种信息：接入网设备一侧的通信环境信息、终端一侧的通信环境信息、接入网设备请求的机器学习模型的标识信息；
查找单元具体用于：
根据第九信息，确定通信环境发生变化；
根据第三映射关系集和第九信息，在多个机器学习模型中，查找机器学习模型并构成第二机器学习模型集合。
可选的，该装置还包括：
第三接收单元，用于接收多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型；
模型处理单元，用于根据多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型，建立或更新第三映射关系集及与第三映射关系集相关联的多个机器学习模型。
第九方面，本申请提供了一种通信***的模型更新装置，应用于终端，该装置包括：
接收单元，用于接收接入网设备返回的第一信息或第七信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署；
部署单元，用于根据第一信息对第一机器学习模型集合中的机器学习模型，或者，根据第七信息对第二机器学习模型集合中的机器学习模型进行部署。
可选的，该装置还包括第一发送单元，用于：
向接入网设备发送第二信息，其中，第二信息包括终端一侧的通信环境信息；或者，
向接入网设备发送第三信息，其中，第三信息用于指示接入网设备获取第二信息。
可选的，该装置还包括：
确定单元，用于确定终端一侧的通信环境是否发生变化；
第二发送单元，用于根据所述终端一侧的通信环境是否发生变化，向所述接入网设备发送第四信息，其中，如果所述第四信息指示所述终端一侧的通信环境发生变化，则所述第四信息包括所述终端一侧的通信环境信息和/或所述终端请求的机器学习模型的标识信息。
可选的，终端一侧配置有第四映射关系集，第四映射关系集包括与终端相关联的多个通信环境信息与多个机器学习模型的映射关系，第二发送单元具体用于：
如果确定所述终端一侧的通信环境发生变化，则根据所述终端一侧的通信环境信息，在所述第四映射关系集中，确定所述终端请求的机器学习模型的标识信息；
向所述接入网设备发送第四信息，其中，所述第四信息包括所述终端请求的机器学习模型的标识信息。
第十方面，本申请提供一种处理器可读存储介质，处理器可读存储介质存储有计算机程序，计算机程序用于使处理器执行第一方面、第二方面或第三方面所述的方法。
第十一方面，本申请提供一种包含指令的计算机程序产品，当指令在计算机上运行时，使得计算机执行如上述第一方面、第二方面或第三方面所述的方法。
第十二方面，本申请提供一种通信***，包括如上任一所述的终端、如上任一所述的接入网设备和如上任一所述的核心网设备。
本申请提供的一种通信***中的模型更新方法、装置及存储介质中，接入网设备在确定通信环境发生变化时，根据第一映射关系集，在与第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合。接入网设备部署第一机器学习模型集合中的机器学习模型和/或接入网设备指示终端部署第一机器学习模型集合中的机器学习模型。因此，能够根据通信环境的变化，在接入网设备一侧和/或终端一侧，灵活、快速将部署的机器学习模型更新为适应于当前通信环境的机器学习模型，提高通信***中部署的机器学习模型的更新效率和效果，进而提高通信***的性能。
应当理解，上述发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
为了更清楚地说明本申请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作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的应用场景示意图；
图2为本申请一实施例提供的一种通信***中的模型更新方法的流程图；
图3为本申请另一实施例提供的一种通信***中的模型更新方法的流程图；
图4为本申请另一实施例提供的一种通信***中的模型更新方法的流程图；
图5为本申请另一实施例提供的一种通信***中的模型更新方法的流程图；
图6为本申请另一实施例提供的一种通信***中的模型更新方法的流程图；
图7为本申请另一实施例提供的一种通信***中的模型更新方法的流程图；
图8为本申请另一实施例提供的一种通信***中的模型更新方法的流程图；
图9为本申请一实施例提供的一种通信***中的模型更新装置的示意图；
图10为本申请一实施例提供的一种通信***中的模型更新装置的示意图；
图11为本申请一实施例提供的一种通信***中的模型更新装置的示意图；
图12为本申请一实施例提供的一种通信***中的模型更新装置的示意图；
图13为本申请一实施例提供的一种通信***中的模型更新装置的示意图；
图14为本申请另一实施例提供的一种通信***中的模型更新装置的示意图。
具体实施方式
本申请中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例提供的技术方案可以适用于多种***，尤其是5G***。例如适用的***可以是全球移动通讯(global system of mobile communication，GSM)***、码分多址(code division multiple access，CDMA)***、宽带码分多址(Wideband CodeDivision Multiple Access，WCDMA)通用分组无线业务(general packet radio service，GPRS)***、长期演进(long term evolution，LTE)***、LTE频分双工(frequencydivision duplex，FDD)***、LTE时分双工(time division duplex，TDD)***、高级长期演进(long term evolution advanced，LTE-A)***、通用移动***(universal mobiletelecommunication system，UMTS)、全球互联微波接入(worldwide interoperabilityfor microwave access，WiMAX)***、5G新空口(New Radio,NR)***等。这多种***中均包括终端和网络设备。***中还包括核心网部分，例如演进的分组***(Evloved PacketSystem,EPS)、5G***(5GS)等。
其中，本申请实施例提供的技术方案所适用的通信***包括网络设备和终端，网络设备可以包括接入网设备和核心网设备。接入网设备比如可以是无线接入网设备。
以下，对本申请中的部分用语进行解释说明，以便于本领域技术人员理解：
核心网(Core Network，CN)设备：可以是指接入移动管理功能(access andmobility management function，AMF)实体，也可以指会话管理功能(session managementfunction，SMF)实体、移动性管理实体(mobility management entity，MME)或者其它核心网设备。
接入网(access network，AN)设备：例如无线接入网(Radio access network，RAN)设备，是一种将终端接入到无线网络的设备，可以是长期演进(long term evolution，LTE)中的演进型基站(evolutional Node B，eNB或eNodeB)，或者中继站或接入点，或者5G网络架构(next generation system)中的5G基站(gNB)，也可以是家庭演进基站(Homeevolved Node B，HeNB)、中继节点(relay node)、家庭基站(femto)、微微基站(pico)等，在此并不限定。一种可能的方式中，无线接入网设备可以是集中式单元(centralized unit，CU)和分布式单元(distributed unit，DU)分离架构的基站(如gNB)，CU和During也可以地理上分开布置。
终端：可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备等。在不同的***中，终端的名称可能也不相同，例如在5G***中，终端可以称为用户设备(User Equipment，UE)。无线终端可以经无线接入网(Radio Access Network,RAN)与一个或多个核心网(Core Network,CN)进行通信，无线终端可以是移动终端，如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。例如，个人通信业务(Personal Communication Service，PCS)电话、无绳电话、会话发起协议(Session Initiated Protocol，SIP)话机、无线本地环路(Wireless Local Loop，WLL)站、个人数字助理(Personal Digital Assistant，PDA)等设备。无线终端也可以称为***、订户单元(subscriber unit)、订户站(subscriberstation)，移动站(mobile station)、移动台(mobile)、远程站(remote station)、接入点(access point)、远程终端(remote terminal)、接入终端(access terminal)、用户终端(user terminal)、用户代理(user agent)、用户装置(user device)，本申请实施例中并不限定。
图1为本申请实施例提供的应用场景的示意图，如图1所示，通信***包括网络设备和终端110，网络设备可以包括接入网设备120和核心网设备130。终端110通过无线的方式与接入网设备120连接，接入网设备120通过无线或有线方式与核心网设备130连接。
其中，核心网设备130与接入网设备120可以是独立的不同的物理设备，也可以是将核心网设备130的功能与接入网设备120的逻辑功能集成在同一个物理设备上，还可以是一个物理设备上集成了部分核心网设备130的功能和部分接入网设备120的功能。终端110可以是固定位置的，也可以是可移动的。图1只是示意图，该通信***中还可以包括其它网络设备，如还可以包括无线中继器设备和无线回传设备，在图1中未画出。本申请的实施例对该通信***中的核心网设备130、接入网设备120和终端110的数量不做限定。
在图1所示的应用场景中，核心网设备130和/或终端110上可以部署机器学习模型，机器学习模型例如可以用于核心网设备130与终端110之间的上下行信道的信道估计、信道预测、信道状态信息的反馈等操作，以利用机器学习模型的优点来提高这些通信操作的准确性。
机器学习模型的模型性能取决于机器学习模型的训练效果，而机器学习模型训练效果如何，一是取决于机器学习模型本身的模型架构、训练算法、二是取决于机器学习模型的训练数据，一般的，训练数据越丰富，机器学习模型的训练效果越好。在通信***中利用某一通信环境下的数据训练得到机器学习模型，往往仅适用于该通信环境，当通信环境发生变化后，机器学习模型将不适用于变化后的通信环境。
相关技术中，一种方式是在通信环境发生变化后，重新采集新的训练数据并重新训练机器学习模型，该方式的效率较低，并不适用于注重实时性的通信***；另一种方式是采用迁移学习的策略，以减少模型训练所需的数据量并降低模型训练的时间，其中，迁移学习例如将适用于原通信环境的机器学习模型作为初始模型，根据变化后的通信环境中的数据对该初始模型进行微调。又如，将适用于原通信环境的机器学习模型的最后一层或者几层网络层去掉，使用新的网络层替换去掉的网络层，在较少的训练数据上训练新的网络层的参数。迁移学习减少了模型训练所需的数据量和时间，但依据无法满足通信***实时性强的连接需求。
为解决上述问题，本申请实施例提供了一种通信***中的模型更新方法、装置及存储介质。在本申请实施例提供的通信***中的模型更新方法中，在通信环境发生变化时，根据接入网设备一侧配置的第一映射关系集和与第一映射关系集相关联的多个机器学习模型，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，在接入网设备一侧部署第一机器学习模型集合中的机器学习模型，和/或在终端一侧部署第一机器学习模型集合中的机器学习模型，其中，第一映射关系集包括多个通信环境信息与多个机器学习模型的映射关系。因此，能够在通信环境发生变化时，根据预先建立的通信环境信息与机器学习模型的映射关系以及预先建立的多个机器学习模型，将通信***中部署的机器学习模型灵活更新为适用于当前通信环境的机器学习模型，提高了通信***中部署的机器学习模型的更新效率和效果，进而提高了通信***的性能。
其中，本申请实施例所提供的方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。
图2为本申请一实施例提供的通信***中的模型更新方法的流程示意图。如图2所示，本实施例的方法可以包括：
S201、确定通信环境发生变化，接入网设备根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合。
本实施例中，接入网设备上配置有第一映射关系集及与第一映射关系集相关联的多个机器学习模型，第一映射关系集中包括多个通信环境信息与该多个机器学习模型的映射关系。其中，接入网设备上第一映射关系集的数量可为一个或多个，如果第一映射关系集的数量为多个，则接入网设备上配置有分别与各个第一映射关系集相关联的多个机器学习模型。
在第一映射关系集中，不同的通信环境信息对应不同的机器学习模型，一个通信环境信息可以对应一个或多个机器学习模型。一个通信环境信息所对应的一个或多个机器学习模型，是基于该通信环境信息所描述的通信环境中的通信数据预先训练得到的，适用于该通信环境信息所描述的通信环境，能够在该通信环境信息所描述的通信环境中发挥不同的作用。
例如，在第一映射关系中，通信环境信息A分别与机器学习模型a、机器学习模型b、机器学习模型c对应，其中，机器学习模型a在通信环境信息A所描述的通信环境中用于信道估计，机器学习模型b在通信环境信息A所描述的通信环境中用于信道预测，机器学习模型c在通信环境信息A所描述的通信环境中用于信道状态信息的反馈。
本实施例中，在确定通信环境发生变化时，接入网设备可在第一映射关系集中，查找与当前通信环境匹配的通信环境信息，并获取与当前通信环境匹配的通信环境信息所对应的一个或多个机器学习模型的标识信息。依据该一个或多个机器学习模型的标识信息，在与第一映射关系集中对应的多个机器学习模型中获取机器学习模型，获取得到的一个或多个机器学习模型即适用于当前通信环境的一个或多个机器学习模型。由适应于当前通信环境的一个或多个机器学习模型，构成第一机器学习模型集合。
其中，通信环境发生变化包括接入网设备一侧的通信环境发生变化和/或与接入网设备进行通信的终端一侧的通信环境发生变化。
其中，不同机器学习模型的标识信息不同，机器学习模型的标识信息例如为机器学习模型对应的模型序号、模型标号等。
由于通信环境发生变化后，在接入网设备上部署的机器学习模型和/或在终端上部署的机器学习模型不再适用于当前通信环境，因此在得到第一机器学习模型集合后，可执行S202和/或S203，其中，S202和S203的执行顺序在此不做限制，S202可以在S203之前执行，也可以在S203之后执行，S202和S203还可以同时执行。
S202、接入网设备部署第一机器学习模型集合中的机器学习模型。
本实施例中，在接入网设备上，对第一机器学习模型集合中的机器学习模型进行部署，从而在接入网设备上及时部署适用于当前通信环境的机器学习模型，无需重新进行机器学习模型的训练，有效地提高了接入网设备上部署的机器学习模型的更新效率和效果，提高了机器学习模型在通信环境下发挥的模型性能，进而提高通信***的性能。
其中，在接入网设备上对第一机器学习模型集合中的机器学习模型进行部署，是指接入网设备根据第一机器学习模型中的机器学习模型的模型参数，初始化机器学习模型并运行。
S203、接入网设备向终端发送第一信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。
S204、终端根据第一信息，对第一机器学习模型集合中的机器学习模型进行部署。
本实施例中，在获得第一机器学习模型集合后，可向终端发送第一信息，第一信息中包括第一机器学习模型集合中机器学习模型的模型参数，并用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。终端在接收到第一信息后，对第一机器学习模型集合中的机器学习模型进行部署，从而在终端上及时部署适用于当前通信环境的机器学习模型，无需重新进行机器学习模型的训练，有效地提高了终端上部署的机器学习模型的更新效率和效果，提高了机器学习模型在通信***中发挥的模型性能，进而提高通信***的性能。
其中，在终端上对第一机器学习模型集合中的机器学习模型进行部署，是指终端根据第一机器学习模型中的机器学习模型的模型参数，初始化机器学习模型并运行。
本申请实施例中，在确定通信环境变化时，根据接入网设备上多个通信环境信息与多个机器学习模型的映射关系、以及接入网设备上配置的多个机器学习模型，查找适用于当前通信环境的机器学习模型，并在接入网设备和/或终端上对适用于当前通信环境的机器学习模型进行部署，从而能够根据通信环境变化及时将接入网设备和/或终端上部署的机器学习模型更新为适用于变化后的通信环境的机器学习模型，提高了通信***中部署的机器学习模型的更新效率和效果，提高了机器学习模型在通信***中的适用性和发挥的模型性能，进而提高了通信***的性能。
在一些实施例中，接入网设备可以获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息。根据第一映射关系集，在与第一映射关系集相关联的多个机器学习模型中查找适用于当前通信环境信息的机器学习模型时，可根据第一映射关系集、获取的接入网设备一侧的通信环境信息以及获取的终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型，得到适用于当前通信环境的机器学习模型。
具体的，在第一映射关系集中的多个通信环境信息中，各个通信环境信息包括接入网设备一侧的通信环境信息和终端一侧的通信环境信息。接入网设备一侧的通信环境信息例如包括接入网设备的天线模型参数、接入网设备的发射功率等环境参数。终端一侧的通信环境信息例如包括终端的天线模型参数、终端的发射功率、终端的移动速度、终端的位置等环境参数。因此，综合考虑接入网设备一侧的通信环境和终端一侧的通信环境，提高第一映射关系集中的通信环境的完备性，进而提高机器学习模型在通信环境下的适用性和模型效果。其中，以接入网设备为基站为例，基站的天线模型参数例如包括基站多天线、基站大规模天线(Massive-MIMO)。终端的天线模型参数例如包括终端单天线、终端多天线，终端的移动速度例如包括低速移动、高速移动、静止，终端的位置例如包括室内、室外。
可选的，在第一映射关系集中的多个通信环境信息中，各个通信环境信息还可以包括接入网设备与终端共有的环境参数，例如，接入网设备与终端之间的工作频率范围、大尺度路损参数、通信场景、接入网设备与终端之间的距离。各个通信环境信息还可以包括无线通信信道的衰落参数，无线通信信道的衰落参数例如小尺度衰落参数，从而进一步丰富通信环境信息，提高通信环境信息的完备性。
其中，工作频率范围例如包括频率范围1(Frequency Range 1，FR1)、频率范围2(Frequency Range 2，FR2)等，FR1的频率范围例如为450兆赫兹(MHz)～6千兆赫兹(GHz)，FR2的频率范围例如为24.25GHz～5.6GHz。大尺度路损参数例如包括视距路损、非视距路损灯。小尺度衰落参数例如包括平坦衰落、频选衰落等，平坦衰落包括平坦慢衰、平坦快衰，频选衰落包括频选慢衰、频选快衰。通信场景例如包括城市宏小区、城市微小区、室内热点、大范围连续覆盖(主要特征是通过连续广域覆盖支持高速移动以及郊区和农村等覆盖广袤的地区)等。
作为示例的，下表为第一映射关系集中多个通信环境信息与多个机器学习模型的部分映射关系。如下表所示：
具体的，根据第一映射关系集、获取的接入网设备一侧的通信环境信息以及获取的终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型的过程中，可将获取的接入网设备一侧的通信环境信息和获取的终端一侧的通信环境信息，与第一映射关系集中的多个通信环境信息进行比较，确定获取的接入网设备一侧的通信环境信息和获取的终端一侧的通信环境信息在第一映射关系集中最接近的通信环境信息，获取该最接近的通信环境信息所对应的机器学习模型的标识信息。再在与第一映射关系集相关联的多个机器学习模型中，查找获取的机器学习模型的标识信息所对应的机器学习模型，即得到适用于当前通信环境的机器学习模型。
图3为本申请另一实施例提供的通信***中的模型更新方法的流程示意图。如图3所示，本实施例的方法可以包括：
S301、终端向接入网设备发送第二信息，其中，第二信息包括终端一侧的通信环境信息。
其中，终端可以周期性地向接入网设备发送第二信息，以将终端一侧的通信环境信息周期性地发送给接入网设备，或者，终端也可以在检测到自身的通信环境发生明显变化后，向接入网设备发送第二信息，例如检测到自身移动速度从高速移动变为低速移动时向接入网设备发送第二信息。
可选的，除了终端向接入网设备主动发送通信环境信息，也即主动发送第二信息这种方式外，终端可向接入网设备发送第三信息，接入网设备响应于第三信息，获取第二信息，也即接入网设备主动获取终端一侧的通信环境信息。其中，第三信息用于指示接入网设备获取第二信息，第三信息例如为参考信号(Reference Signal，RS)。
S302、接入网设备获取接入网设备一侧的通信环境信息。
S303、如果通信环境发生变化，则接入网设备根据第一映射关系集、接入网设备一侧的通信环境信息、以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第一机器学习模型集合。
其中，S302和S303的实现过程可参照前述实施例，不再赘述。
可选的，接入网设备可根据获取的终端一侧的通信环境信息和/或获取的接入网设备一侧的通信环境信息确定通信环境是否发生变化，以提高通信环境是否发生变化的判断准确性。
进一步的，在根据获取的终端一侧的通信环境信息和/或获取的接入网设备一侧的通信环境信息确定通信环境是否发生变化时，可根据接入网设备一侧上一时刻的通信环境信息和接入网设备当前时刻的通信环境信息，确定环境信息是否发生变化；和/或可根据终端一侧上一时刻的通信环境信息与终端一侧当前时刻的通信环境信息，确定通信环境是否发生变化。因此，在接入网设备一侧的通信环境发生变化和/或终端一侧的通信环境发生变化时，确定通信环境发生变化。
在一种可能的实现方式中，在根据接入网设备一侧上一时刻的通信环境信息和接入网设备当前时刻的通信环境信息，确定环境信息是否发生变化时，可将接入网设备一侧上一时刻的通信环境信息中各环境参数和接入网设备当前时刻的通信环境信息中各环境参数进行比较，若接入网设备一侧上一时刻的通信环境信息中与接入网设备当前时刻的通信环境信息中存在不同的环境参数，则确定环境发生变化。
在另一种可能的实现方式中，在根据接入网设备一侧上一时刻的通信环境信息和接入网设备当前时刻的通信环境信息，确定环境信息是否发生变化时，可根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网设备一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
具体的，针对各环境参数，将接入网设备一侧上一时刻的通信环境信息中的该环境参数的数值与接入网设备一侧当前时刻的通信环境信息中的该环境参数的数值进行比较，得到差值，确定该差值是否大于该环境参数对应的预设阈值。若存在预设数量个环境参数在接入网设备一侧上一时刻的通信环境信息中的数值和接入网设备一侧当前时刻的通信环境信息中的数值之间的差值大于相应的预设阈值，则确定通信环境发生变化。例如，接入网设备上一时刻的发射功率与接入网设备当前时刻的发生功率之间的差值大于发射功率对应的预设阈值，则确定通信环境发生变化。
进一步的，在根据终端一侧上一时刻的通信环境信息和终端一侧当前时刻的通信环境信息，确定环境信息是否发生变化时，可根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。具体可参照上述以及接入网设备的通信环境信息确定通信环境是否发生变化的描述，不再赘述。
例如，终端上一时刻的移动速度与终端当前时刻的移动速度之间的差值大于移动速度对应的预设阈值、且上一时刻终端与接入网设备之间的距离与当前时刻终端与接入网设备之间的距离之间的差值大于终端与接入网设备之间距离对应的预设阈值，则确定通信环境发生变化。
在得到第一机器学习模型集合后，执行S304和/或S305。
S304、接入网设备部署第一机器学习模型集合中的机器学习模型。
S305、接入网设备向终端发送第一信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。
S306、终端根据第一信息，对第一机器学习模型集合中的机器学习模型进行部署。
其中，S304～S306的实现过程可参照前述实施例的描述，不再赘述。
本申请实施例中，接入网设备接收终端发送的第二信息，得到终端一侧的通信环境信息，依据第一映射关系集、终端一侧的通信环境信息以及接入网设备一侧的通信环境信息，查找适用于当前通信环境的机器学习模型，并在接入网设备和/或终端上对适用于当前通信环境的机器学习模型进行部署，从而能够根据通信环境变化及时将接入网和/或终端侧部署的机器学习模型更新为适用于通信环境的机器学习模型，提高了通信***中部署的机器学习模型部署的更新效率和效果，提高了机器学习模型在通信***中的适用性和发挥的模型效果，进而提高了通信***的性能。
在一些实施例中，在接入网设备一侧，除了依据接入网设备一侧的通信环境信息和/或终端一侧的通信环境信息，确定通信环境是否发生变化之外，当终端发生了小区切换时，可确定通信环境发生变化，或者，如果接入网设备接收到终端发送的指示无线资源管理(Radio Resource Control，RRC)连接建立的消息(例如终端刚开机时向接入网设备发送指示RRC连接建立的消息)或者指示RRC连接重建的消息，则接入网设备可确定终端一侧的通信环境发生变化，也即确定通信环境发生变化，从而更加全面地考虑通信环境变化的不同情形，提高通信环境变化判断的准确性，进而提高机器学习模型的部署效果。
图4为本申请另一实施例提供的通信***中的模型更新方法的流程示意图。如图4所示，本实施例的方法可以包括：
S401、在终端上，确定终端一侧的通信环境是否发生变化。
相较于前述实施例在接入网设备上判断通信环境是否变化，本实施例在终端上判断终端一侧的通信环境是否发生变化，以提高终端一侧通信环境变化判断的及时性和准确性。
本实施例中，终端可实时或者周期性地获取终端一侧的通信环境信息，根据终端一侧前一时刻的通信环境信息和终端一侧当前时刻的通信环境信息，确定终端一侧的通信环境是否发生变化。
例如，将终端一侧前一时刻的通信环境信息中各环境参数与终端一侧前一时刻的通信环境中各环境参数进行比较，如果终端一侧前一时刻的通信环境信息与终端一侧前一时刻的通信环境信息中不同的环境参数超过预设数量，则确定终端一侧的通信环境发生变化。或者，如果存在预设数量各环境参数在终端一侧前一时刻的通信环境信息中的数值与在终端一侧当前时刻的通信环境信息中的数值之间的差值超过相应的预设阈值，则确定终端一侧的通信环境发生变化。具体可参照前述实施例的相关描述。
S402、根据终端一侧的通信环境是否发生变化，终端向接入网设备发送第四信息，其中，第四信息用于指示终端一侧的通信环境是否发生变化，第四信息指示终端一侧的通信环境是否发生变化包括第四信息指示终端一侧的通信环境发生变化或者第四信息指示终端一侧的通信环境未发生变化。
本实施例中，终端在确定终端一侧的通信环境是否发生变化后，可向接入网设备发送第四信息，从而接入网设备可以直接依据第四信息知道终端一侧的通信环境是否发生变化，而在第四信息指示终端一侧的通信环境发生变化时接入网设备无需依据终端的通信环境信息和接入网设备的通信环境信息判断通信环境是否发生变化。
本实施例中，若确定终端一侧的通信环境发生变化，则第四信息指示终端一侧的通信环境发生变化，且第四信息包括终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息，以便接入网设备根据终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息，向终端返回适用于当前通信环境的机器学习模型。
可选的，在终端一侧配置有第四映射关系集，第四映射关系集包括与终端相关联的多个通信环境信息与多个机器学习模型的映射关系，换句话说，在第四映射关系集中，包括终端的多个通信环境信息与多个机器学习模型的标识信息的对应关系。因此，终端在获得自身的通信环境信息并依据自身的通信环境信息确定终端一侧的通信环境发生变化后，可根据终端一侧当前的通信环境信息，在第四映射关系集中，查找与终端一侧当前的通信环境信息对应的机器学习模型的标识信息。查找到的机器学习模型的标识信息即终端所请求的机器学习模型的标识信息。
进一步的，在第四映射关系集中，不同的通信环境信息对应不同的机器学习模型，一个通信环境信息可对应一个或多个机器学习模型，与通信环境信息对应的一个或多个机器学习模型适用于在该通信环境信息的通信环境下起到不同的作用，例如一个机器学习模型用于该通信环境信息的通信环境下的信道估计，另一个用于信道预测。
S403、接入网设备根据第四信息，确定通信环境是否发生变化。
本实施例中，接入网设备接收到终端发送的第四信息后，可直接根据第四信息了解到终端一侧的通信环境是否发生变化。如果第四信息指示终端一侧的通信环境发生变化，则接入网设备确定通信环境发生变化。如果第四信息指示终端一侧的通信环境未发生变化，则接入网设备可以确定通信环境未发生变化，或者还可以继续结合接入网设备一侧的通信环境是否发生变化，来确定通信环境是否发生变化，具体可参照前述实施例，不再赘述。
S404、如果通信环境发生变化，则接入网设备根据第一映射关系集和接入网设备一侧的通信环境信息，以及根据终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息，在多个机器学习模型中，查找机器学习模型并构成第一机器学习模型集合。
本实施例中，如果确定通信环境发生变化，则表示需要查找适用于当前通信环境的机器学习模型。接入网设备获取接入网设备一侧的通信环境信息。如果第四信息中包括终端一侧的通信环境信息，则接入网设备可以根据第一映射关系集、接入网设备一侧的通信环境信息和终端一侧的通信环境信息，在与第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型，由适用于当前通信环境的一个或多个机器学习模型构成第一机器学习模型集合。
本实施例中，如果第四信息中包括终端所请求的机器学习模型的标识信息，则接入网设备可以直接依据终端所请求的机器学习模型的标识信息，在与第一映射关系集相关联的多个集群学习模型中，查找与终端所请求的机器学习模型的标识信息对应的一个或多个机器学习模型。由查找到的一个或多个机器学习模型构成第一机器学习模型集合。
在得到第一机器学习模型集合后，执行S405和/或S406。
S405、接入网设备部署第一机器学习模型集合中的机器学习模型。
S406、接入网设备向终端发送第一信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。
S407、终端根据第一信息，对第一机器学习模型集合中的机器学习模型进行部署。
其中，S405～S407的实现过程可参照前述实施例的描述，不再赘述。
本申请实施例中，在终端上确定终端一侧的通信环境是否变化，并由终端向接入网设备发送第四信息，接入网设备依据第一映射关系集第四信息以及接入网设备一侧的通信环境信息，查找适用于当前通信环境的机器学习模型，并在接入网设备和/或终端上对适用于当前通信环境的机器学习模型进行部署，从而提高通信环境变化判断的准确性，能够根据通信环境变化及时、准确地将接入网设备和/或终端上部署的机器学习模型更新为适用于通信环境的机器学习模型，提高了通信***中部署的机器学习模型的更新效率和效果，提高了机器学习模型在通信***中的适用性和发挥的模型性能，进而提高了通信***的性能。
图5为本申请另一实施例提供的通信***中的模型更新方法的流程示意图。如图5所示，图5中包括终端、接入网设备、源接入网设备，此时，接入网设备可理解为终端的目标接入网设备。本实施例的方法可以包括：
S501、终端发生小区切换，切换至接入网设备。
例如，接入网设备接受终端的源接入网设备发送的切换请求，此时，终端从源接入网设备切换至接入网设备，终端发生小区切换。
S502、接入网设备确定通信环境发生变化。
其中，接入网设备在终端发生小区切换时，可确定通信环境发生变化。
S503、源接入网设备向接入网设备发送第五信息。
其中，第五信息包括第二映射关系集、终端与源接入网设备通信时的通信环境信息和/或终端与源接入网设备通信时所采用的机器学习模型的标识信息。源接入网设备为终端在小区切换前所连接的接入网设备。
其中，第二映射关系集为源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与终端相关联的映射关系子集。
例如，在源接入网设备上多个通信环境信息与多个机器学习模型的映射关系中，获取终端在不同时刻的通信环境信息与多个机器学习模型的映射关系，将获取的映射关系组合得到第二映射关系集；或者，获取多个通信环境信息与终端与源接入网设备通信时所采集的机器学习模型的映射关系，将获取的映射关系组合得到第二映射关系集；或者，获取终端与源接入网设备通信时的通信环境信息与终端与接入网设备通信时所采用的机器学习模型的映射关系，将获取的映射关系组合得到第二映射关系集。
本实施例中，终端进行小区切换时，终端从源接入网设备切换至当前的接入网设备，考虑到终端的源接入网设备上保存有终端与源接入网设备进行通信时所采用的机器学习模型、通信环境信息等信息，终端的小区改变时，源接入网设备向当前的接入网设备发送第五信息。
S504、根据第五信息，接入网设备对第一映射关系集进行更新。
本实施例中，接入网设备在接收到源接入网设备发送的第五信息时，根据第五信息中的第二映射关系集、终端与源接入网设备通信时的通信环境信息和/或终端与源接入网设备通信时采用的机器学习模型的标识信息，对第一映射关系集进行更新，以有针对性地丰富第一映射关系集，进而提高依据第一映射关系集查找适用于当前环境信息的机器学习模型的准确性。
在对第一映射关系集进行更新时：一种可能的实现方式为：将终端与源接入网设备通信时的通信环境信息与第一映射关系集中的多个通信环境信息合并，以增加第一映射关系集中与终端相关联的通信环境信息。
在对第一映射关系集进行更新时，另一种可能的实现方式为：将终端与源接入网设备通信时采用的机器学习模型的标识信息与第一映射关系集中多个机器学习模型的标识信息合并，以增加第一映射关系集中与终端相关联的机器学习模型的标识信息。
在对第一映射关系集进行更新时，另一种可能的实现方式为：将第二映射关系集与第一映射关系集进行合并，以增加第一映射关系集中与终端相关联的通信环境信息与机器学习模型的映射关系。
S505、如果接入网设备中未配置与第二映射关系集相关联的全部或部分机器学习模型，则接收源接入网设备发送的与第二映射关系集相关联的全部或部分机器学习模型。
本实施例中，在第五信息包括第二映射关系集的情形下，如果在接入网设备中未配置与第二映射关系集中相关联的全部或部分机器学习模型，也即在接入网设备上为配置与第二映射关系集中全部或部分标识信息对应的机器学习模型，则说明接入网设备上缺少终端与源接入网设备通信时所采用的机器学习模型。因此，接入网设备可向源接入网设备发送请求第二映射关系集相关联的全部或部分机器学习模型的消息，该消息可包括第二映射关系集相关联的全部或部分机器学习模型的标识信息，并接收源接入网设备返回的与第二映射关系集相关联的全部或部分机器学习模型。
其中，在不同的接入网设备上，机器学习模型的标识信息是统一的，换句话说，机器学习模型的标识信息不仅在当前的接入网设备上唯一，还在多个接入网设备上唯一，从而接入网设备可以根据第二映射关系集中机器学习模型的标识信息，在自身配置的多个机器学习模型中，查找是否存在第二映射关系集中机器学习模型的标识信息所对应的机器学习模型。若无法查找到第二映射关系集中一个或多个机器学习模型的标识信息对应的机器学习模型，则确定在接入网设备中未配置与第二映射关系集中相关联的全部或部分机器学习模型。
S506、接入网设备根据接收的与第二映射关系集相关联的全部或部分机器学习模型和与更新前的第一映射关系集相关联的多个机器学习模型，确定与更新后的第一映射关系集相关联的多个机器学习模型。
本实施例中，接入网设备接收到源接入网设备发送的与第二映射关系集相关联的全部或部分机器学习模型之后，可将与第二映射关系集相关联的全部或部分机器学习模型和与更新前的第一映射关系集相关联的多个机器学习模型合并，得到更新后的第一映射关系集相关联的多个机器学习模型，从而有针对性地丰富了第一映射关系集相关联的机器学习模型。
S507、接入网设备根据更新后的第一映射关系集，在与更新后的第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合。
本实施例中，可根据接入网一侧的通信环境信息和终端一侧的通信环境信息，在更新后的第一映射关系集中查找适应于当前通信环境信息的机器学习模型的标识信息，再根据标识信息从与更新后的第一映射关系集相关联的多个机器学习模型中，获得相应的机器学习模型，由获得的一个或多个机器学习模型构成第一机器学习模型集合。或者，也可以再接收终端发送的第四信息，根据第四信息中终端所请求的机器学习模型的标识信息，在第一映射关系集相关联的多个机器学习模型，由获得的一个或多个机器学习模型构成第一机器学习模型集合。具体可以参照前述实施例，不再赘述。
在得到第一机器学习模型集合后，执行S508和/或S509。
S508、接入网设备部署第一机器学习模型集合中的机器学习模型。
S509、接入网设备向终端发送第一信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。
S510、终端根据第一信息，对第一机器学习模型集合中的机器学习模型进行部署。
其中，S508～S510的实现过程可参照前述实施例的描述，不再赘述。
本申请实施例中，在终端进行小区切换时，接入网设备根据源接入网设备发送的第五信息，更新第一映射关系集及与第一映射集相关联的多个机器学习模型。依据更新的第一映射关系集和更新后的第一映射关系集关联的多个机器学习模型，查找适用于当前通信环境的机器学习模型，并在接入网设备和/或终端上对适用于当前通信环境的机器学习模型进行部署。因此能够根据通信环境变化及时、准确地将接入网设备和/或终端上部署的机器学习模型更新为适用于通信环境的机器学习模型，提高了通信***中部署的机器学习模型的更新效率和效果，提高了机器学习模型在通信***中的适用性和发挥的模型性能，进而提高了通信***的性能。
在一些实施例中，还可在核心网设备上查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，由核心网设备将第二机器学习模型集合发送给接入网设备，以在通信***中对第二机器学习模型集合中的机器学习模型进行部署，从而利用核心网设备的性能更强大的特性，提高机器学习模型的查找准确性，进而提高机器学习模型的更新效果。
其中，第二机器学习模型集合包括依据核心网设备上的第三映射关系集在与第三映射关系集相关联的多个机器学习模型中查找到的适用于当前通信环境的一个或多个机器学习模型，具体可见图6所示实施例。
图6为本申请另一实施例提供的通信***中的模型更新方法的流程示意图。如图6所示，本实施例的方法可以包括：
S601、确定通信环境发生变化，核心网设备根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合。
本实施例中，核心网设备上配置有第三映射关系集及与第三映射关系集相关联的多个机器学习模型，第三映射关系集中包括多个通信环境信息与该多个机器学习模型的映射关系。其中，接入网设备上第三映射关系集的数量可为一个或多个，如果第三映射关系集的数量为多个，则接入网设备上配置有分别与各个第三映射关系集相关联的多个机器学习模型。
在第三映射关系集中，不同的通信环境信息对应不同的机器学习模型，一个通信环境信息可以对应一个或多个机器学习模型。一个通信环境信息所对应的一个或多个机器学习模型，是基于该通信环境信息所描述的通信环境中的通信数据预先训练得到的，适用于该通信环境信息所描述的通信环境，能够在该通信环境信息所描述的通信环境中发挥不同的作用。例如，与一通信环境信息对应的一个机器学习模型用于该通信环境信息所描述的通信环境下的信道估计，与该通信环境信息对应的另一机器学习模型用于该通信环境信息所描述的通信环境下的信道预测。
本实施例中，在确定通信环境发生变化的情形下，核心网设备可在第三映射关系集中，查找当前通信环境所对应的一个或多个机器学习模型的标识信息。按照查找到的一个或多个机器学习模型的标识信息，核心网设备在与第三映射关系集相关联的多个机器学习模型中，获取一个或多个机器学习模型，获取的一个或多个机器学习模型即适用于当前通信环境的机器学习模型。因此，由获取的一个或多个机器学习模型构成第二机器学习模型集合。
在一种可能的实施方式中，核心网设备在构建第三映射关系集及与第三映射关系集相关联的多个机器学习模型时，可接收多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型。根据多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型，建立或更新第三映射关系。
具体的，核心网设备可以对多个接入网设备上的第一映射关系集进行汇总，得到第三映射关系集，对多个接入网设备上与第一映射关系集相关联的多个机器学习模型进行汇总，得到与第三映射关系集相关联的多个机器学习模型。例如，对相同的机器学习模型进行去重，确定不同的机器学习模型的标识信息，以统一多个接入网设备上机器学习模型的标识信息。
具体的，在接入网设备更新了第一映射关系集和与第一映射关系集相关联的多个机器学习模型时，核心网设备可以接收接入网设备发送的更新的第一映射关系集和更新的机器学习模型，及时更新第三映射关系集和与第三映射关系集相关联的多个机器学习模型，以提高核心网设备一侧的第三映射关系集和机器学习模型的准确性、有效性。
例如，接入网设备每隔预设周期根据最近采集的通信数据重新训练一个或多个机器学习模型，并在第一映射关系集中增加重新训练的机器学习模型的模型标识与相应的通信环境信息的映射关系，并将更新的第一映射关系集和机器学习模型发送至核心网设备。
又如，核心网设备可以周期性地采集多个接入网设备上的第一映射关系集和与第一映射关系集相关联的多个机器学习模型，以及时主动地更新第三映射关系集和与第三映射关系集相关联的多个机器学习模型。
进一步的，核心网设备在得到将第三映射关系集及与第三映射关系集相关联的多个机器学习模型后，可以将第三映射关系集及与第三映射关系集相关联的多个机器学习模型发送至多个接入网设备，或者将第三映射关系集中的部分映射关系及与该部分映射关系相关联的多个机器学习模型发送至多个接入网设备，接入网设备将接收到的映射关系更新为第一映射关系集，将与接收到的映射关系相关联的多个机器学习模型更新为与第一映射关系集相关联的多个机器学习模型，从而实现不同接入网设备上机器学习模型的标识信息的互通。
在另一个可能的实现方式中，核心网设备可周期性地采集通信数据并根据采集的通信数据训练机器学习模型，根据训练的机器学习模型和与机器学习模型对应的通信环境中的通信环境信息，构建和/或更新第三映射关系集及与第三映射关系集相关联的多个机器学习模型。因此，利用性能更强大的核心网设备训练机器学习模型并建立机器学习模型与通信环境信息的映射关系，以提高机器学习模型和映射关系的生成效率和效果。
S602、核心网设备向接入网设备发送包括第二机器学习模型集合的第六信息，其中，第六信息用于指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，和/或，指示接入网设备向终端发送第七信息。
本实施例中，核心网设备在得到第二机器学习模型集合后，可向接入网设备发送包括第二机器学习模型集合的第六信息。如果第六信息指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，则执行S603。如果第六信息指示接入网设备向终端发送第七信息，则执行S604。如果第六信息指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署和接入网设备向终端发送第七信息，则执行S603和S604。
S603、接入网设备部署第二机器学习模型集合中的机器学习模型。
S604、接入网设备向终端发送第七信息，其中，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署。
S605、终端根据第七信息，对第二机器学习模型集合中的机器学习模型进行部署。
其中，S603～S605的实现过程可参照前述实施例的描述，不再赘述。
本申请实施例中，核心网设备在确定通信环境变化时，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，将第二机器学习模型集合发送给接入网设备，以在通信***中对第二机器学习模型集合中的机器学习模型进行部署，从而利用核心网设备上可以配置更多的机器学习模型和更多的映射关系，提高机器学习模型的查找准确性，进而提高机器学习模型在通信***中的更新效果。
在一些实施例中，核心网设备可以获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息。可根据第三映射关系集、获取的接入网设备一侧的通信环境信息以及获取的终端一侧的通信环境信息，在与第三映射关系集相关联的多个机器学习模型中查找机器学习模型，得到适用于当前通信环境的机器学习模型，从而提高机器学习模型查找的准确性。
其中，根据第三映射关系集、获取的接入网设备一侧的通信环境信息以及获取的终端一侧的通信环境信息，在与第三映射关系集相关联的多个机器学习模型中查找机器学习模型的实现过程，可参照前述实施例中根据第一映射关系集、获取的接入网设备一侧的通信环境信息以及获取的终端一侧的通信环境信息，在与第一映射关系集相关联的多个机器学习模型中查找机器学习模型的描述，不再赘述。
图7为本申请另一实施例提供的通信***中的模型更新方法的流程示意图。如图7所示，本实施例的方法可以包括：
S701、接入网设备向核心网设备发送的第八信息，第八信息包括接入网设备一侧的通信环境信息和终端一侧的通信环境信息。
其中，接入网设备可以周期性地向核心网设备发送第八信息，以将接入网设备一侧的通信环境信息和终端一侧的通信环境信息周期性地发送给核心网设备。或者，接入网设备可以在接收到核心网设备的通信环境信息获取指令后，向核心网设备发送第八信息。
S702、如果通信环境发生变化，则核心网设备根据第三映射关系集、接入网设备一侧的通信环境信息以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第二机器学习模型集合。
其中，S702的实现过程可参照前述实施例，不再赘述。
可选的，核心网设备可根据获取的终端一侧的通信环境信息和/或获取的接入网设备一侧的通信环境信息确定通信环境是否发生变化，以提高通信环境是否发生变化的判断准确性。
核心网设备在确定通信环境是否发生变化时，根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
其中，核心网设备确定通信环境是否发生变化的具体过程，可参照接入网设备根据获取的终端一侧的通信环境信息和/或获取的接入网设备一侧的通信环境信息确定通信环境是否发生变化的描述，不再赘述。
S703、核心网设备向接入网设备发送包括第二机器学习模型集合的第六信息，其中，第六信息用于指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，和/或，指示接入网设备向终端发送第七信息。
本实施例中，如果第六信息指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，则执行S704。如果第六信息指示接入网设备向终端发送第七信息，则执行S705。如果第六信息指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署和接入网设备向终端发送第七信息，则执行S704和S705。
S704、接入网设备部署第二机器学习模型集合中的机器学习模型。
S705、接入网设备向终端发送第七信息，其中，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署。
S706、终端根据第七信息，对第二机器学习模型集合中的机器学习模型进行部署。
其中，S703～S706的实现过程可参照前述实施例，不再赘述。
本申请实施例中，核心网设备接收接入网设备发送的第八信息，得到终端一侧的通信环境信息和接入网设备一侧的通信环境信息，依据第三映射关系集、终端一侧的通信环境信息以及接入网设备一侧的通信环境信息，查找适用于当前通信环境的机器学习模型，并在接入网设备和/或终端上对适用于当前通信环境的机器学习模型进行部署，从而能够根据通信环境变化及时将接入网设备和/或终端上部署的机器学习模型更新为适用于通信环境的机器学习模型，提高了通信***中部署的机器学习模型的更新效率和效果，提高了机器学习模型在通信***中的适用性和发挥的模型效果，进而提高了通信***的性能。
图8为本申请另一实施例提供的通信***中的模型更新方法的流程示意图。如图8所示，本实施例的方法可以包括：
S801、接入网设备向核心网设备发送的第九信息。
其中，第九信息用于指示通信环境发生变化、终端发生小区切换、接入网设备与所述终端之间的RRC连接建立、或者接入网设备与终端之间的RRC连接重建，第九信息包括如下一种或多种信息：接入网设备一侧的通信环境信息、终端一侧的通信环境信息、接入网设备请求的机器学习模型的标识信息。
一示例中，接入网设备可在接收到终端发送的第四信息，且第四信息指示终端一侧的通信环境发生变化时，向核心网设备发送第九信息，此时第九信息指示通信环境发生变化。
另一示例中，接入网设备可在基于终端一侧的通信环境信息和/或接入网设备一侧的通信环境信息，确定通信环境发生变化时，向核心网发送第九信息，此时第九信息指示通信环境发生变化。
另一示例中，接入网设备可在确定通信环境发生变化且在第一映射关系集中查找不到与当前通信环境对应的机器学习模型的标识信息时，向核心网发送第九信息，此时第九信息指示通信环境发生变化。
另一示例中，接入网设备可在确定终端发生小区切换时、或者接收到终端发送的指示RRC连接建立的消息或者RRC连接重建的消息时，向核心网设备发送第九信息，此时第九信息指示通信环境发生变化，或者，指示终端发生小区切换、接入网设备与终端之间的RRC连接建立、或者接入网设备与终端之间的RRC连接重建。
可选的，接入网设备也可在自身与终端的RRC连接建立成功或者RRC连接重建成功时，向核心网设备发送第九信息。
S802、接入网设备根据第九信息确定通信环境发生变化。
本实施例中，接入网设备接收到第九信息时确定通信环境发生变化。
S803、核心网设备根据第三映射关系集和第九信息，在多个机器学习模型中，查找机器学习模型并构成第二机器学习模型集合。
本实施例中，核心网设备可根据接入网设备一侧的通信环境信息、终端一侧的通信环境信息、接入网设备请求的机器学习模型的标识信息中的一项或多项，在第三映射关系集中，查找机器学习模型并构成第二机器学习模型集合。例如，根据接入网设备一侧的通信环境信息和终端一侧的通信环境信息，在第三映射关系集中查找机器学习模型的模型标识，再依据机器学习模型的模型标识在与第三映射关系相关联的多个机器学习模型中，获取机器学习模型并构成第二机器学习模型集合。又如，根据接入网设备请求的机器学习模型的标识信息，在与第三映射关系相关联的多个机器学习模型中，获取机器学习模型并构成第二机器学习模型集合。
S804、核心网设备向接入网设备发送包括第二机器学习模型集合的第六信息，其中，第六信息用于指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，和/或，指示接入网设备向终端发送第七信息。
本实施例中，如果第六信息指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，则执行S805。如果第六信息指示接入网设备向终端发送第七信息，则执行S806。如果第六信息指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署和接入网设备向终端发送第七信息，则执行S805和S806。
S805、接入网设备部署第二机器学习模型集合中的机器学习模型。
S806、接入网设备向终端发送第七信息，其中，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署。
S807、终端根据第七信息，对第二机器学习模型集合中的机器学习模型进行部署。
其中，S805～S807的实现过程可参照前述实施例，不再赘述。
本申请实施例中，核心网设备接收接入网设备发送的第九信息，依据第三映射关系集和第九信息，查找适用于当前通信环境的机器学习模型，并在接入网设备和/或终端上对适用于当前通信环境的机器学习模型进行部署，从而能够根据通信环境变化及时将接入网设备和/或终端上部署的机器学习模型更新为适用于通信环境的机器学习模型，提高了通信***中部署的机器学习模型的更新效率和效果，提高了机器学习模型在通信***中的适用性和发挥的模型效果，进而提高了通信***的性能。
在接入网侧，本申请实施例提供了一种通信***中的模型更新装置，应用于接入网设备，接入网设备上配置有第一映射关系集与第一映射关系集相关联的多个机器学习模型，第一映射关系集包括多个通信环境信息与多个机器学习模型的映射关系。如图9所示，本实施例提供的通信***中的模型更新装置可以为接入网设备，通信***中的模型更新装置可以包括：收发机901、处理器902和存储器903。
收发机901，用于在处理器902的控制下接收和发送数据。
其中，在图9中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器902代表的一个或多个处理器和存储器903代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机901可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器902负责管理总线架构和通常的处理，存储器903可以存储处理器902在执行操作时所使用的数据。
处理器902负责管理总线架构和通常的处理，存储器903可以存储处理器902在执行操作时所使用的数据。
可选的，处理器902可以是中央处理器(central processing unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)，处理器也可以采用多核架构。
处理器902通过调用存储器903存储的计算机程序，用于按照获得的可执行指令执行本申请实施例提供的有关接入网设备的任一所述方法。处理器与存储器也可以物理上分开布置。
具体的，处理器902用于执行如下操作：
确定通信环境发生变化，根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合；在接入网设备上部署第一机器学习模型集合中的机器学习模型，和/或，向终端发送第一信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。
可选的，处理器902还用于执行以下操作：
获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息。
进一步的，根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，包括：
根据第一映射关系集、接入网设备一侧的通信环境信息、以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第一机器学习模型集合。
可选的，获取终端一侧的通信环境信息，包括：
接收终端发送的第二信息，其中，第二信息包括终端一侧的通信环境信息；或者，接收终端发送的第三信息，并响应于第三信息，获取第二信息，其中，第三信息用于指示接入网设备获取第二信息。
可选的，处理器902还用于执行以下操作：
根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
可选的，处理器902还用于执行以下操作：
接收终端发送的第四信息，其中，若第四信息中指示终端一侧的通信环境发生变化，则第四信息包括终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息；根据第四信息，确定通信环境是否发生变化。
如果通信环境发生变化，则根据第一映射关系集和接入网设备一侧的通信环境信息，以及根据终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息，在多个机器学习模型中，查找机器学习模型并构成第一机器学习模型集合。
可选的，处理器902还用于执行以下操作：
当终端发生小区切换时，确定通信环境发生变化。
可选的，处理器902还用于执行以下操作：
接收终端的源接入网设备发送的第五信息，其中，第五信息包括第二映射关系集、终端与源接入网设备通信时的通信环境信息和/或终端与另一接入网设备通信时所采用的机器学习模型的标识信息，第二映射关系集为源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与终端相关联的映射关系子集；根据第五信息，对第一映射关系集进行更新；如果接入网设备中未配置与第二映射关系集相关联的全部或部分机器学习模型，则接收源接入网设备发送的与第二映射关系集相关联的全部或部分机器学习模型；根据接收的与第二映射关系集相关联的全部或部分机器学习模型和与更新前的第一映射关系集相关联的多个机器学习模型，确定与更新后的第一映射关系集相关联的多个机器学习模型；
进一步的，根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，包括：
根据更新后的第一映射关系集，在与更新后的第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合。
可选的，对第一映射关系集进行更新，包括：
将第二映射关系集与第一映射关系集进行合并，得到更新的第一映射关系集。
可选的，处理器还用于执行以下操作：
如果接收到终端发送的指示RRC连接建立的消息或者指示RRC连接重建的消息，则确定通信环境发生变化。
在此需要说明的是，本申请提供的上述装置，能够实现上述方法实施例中接入网设备所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
在核心网侧，本申请实施例提供了一种通信***的模型更新装置，应用于核心网设备，核心网设备上预先配置有第三映射关系集及与第三映射关系集相关联的多个机器学习模型，第三映射关系集包括多个通信环境信息与多个机器学习模型的映射关系。如图10所示，本实施例的通信***的模型更新装置可以为核心网设备，通信***的模型更新装置可以包括：收发机1001、处理器1002和存储器1003。
其中，在图10中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1002代表的一个或多个处理器和存储器1003代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1001可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器1002负责管理总线架构和通常的处理，存储器1003可以存储处理器1002在执行操作时所使用的数据。
处理器1002可以是CPU、ASIC、FPGA或CPLD，处理器也可以采用多核架构。
处理器1002通过调用存储器1003存储的计算机程序，用于按照获得的可执行指令执行本申请实施例提供的有关核心网设备的任一所述方法。处理器与存储器也可以物理上分开布置。
具体的，处理器1002用于执行如下操作：
确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合；向接入网设备发送包括第二机器学习模型集合的第六信息，其中，第六信息用于指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，和/或，指示接入网设备向终端发送第七信息，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署。
可选的，处理器1002还用于执行如下操作：
获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息。
进一步的，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，包括：
根据第三映射关系集、接入网设备一侧的通信环境信息以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第二机器学习模型集合。
可选的，获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息，包括：
接收接入网设备发送的第八信息，第八信息包括接入网设备一侧的通信环境信息和终端一侧的通信环境信息。
可选的，处理器1002还用于执行以下操作：
根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
可选的，处理器1002还用于执行以下操作：
接收接入网设备发送的第九信息；其中，第九信息用于指示通信环境发生变化、终端发生小区切换、接入网设备与终端之间的RRC连接建立、或者接入网设备与终端之间的RRC连接重建，第九信息包括如下一种或多种信息：接入网设备一侧的通信环境信息、终端一侧的通信环境信息、接入网设备请求的机器学习模型的标识信息；
进一步的，确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，包括：
根据第九信息，确定通信环境发生变化；
根据第三映射关系集和第九信息，在多个机器学习模型中，查找机器学习模型并构成第二机器学习模型集合。
可选的，处理器1002还用于执行以下操作：
接收多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型；根据多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型，建立或更新第三映射关系集及与第三映射关系集相关联的多个机器学习模型。
在此需要说明的是，本申请提供的上述装置，能够实现上述方法实施例中核心网设备所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
在终端侧，本申请实施例提供了一种通信***中的模型更新装置，应用于终端。如图11所示，本实施例提供的通信***中的模型更新装置可以为终端，通信***中的模型更新装置可以包括：收发机1101、处理器1102和存储器1103。
收发机1101，用于在处理器1102的控制下接收和发送数据。
其中，在图11中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1102代表的一个或多个处理器和存储器1103代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1101可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器1102负责管理总线架构和通常的处理，存储器1103可以存储处理器1102在执行操作时所使用的数据。可选的，通信***中的模型更新装置还可以包括用户接口1104，针对不同的用户设备，用户接口1104还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器1102负责管理总线架构和通常的处理，存储器1103可以存储处理器1102在执行操作时所使用的数据。
可选的，处理器1102可以是中央处理器(central processing unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)，处理器也可以采用多核架构。
处理器1102通过调用存储器1103存储的计算机程序，用于按照获得的可执行指令执行本申请实施例提供的有关终端的任一所述方法。处理器与存储器也可以物理上分开布置。
具体的，处理器1102用于执行如下操作：
接收接入网设备返回的第一信息或第七信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署；根据第一信息对第一机器学习模型集合中的机器学习模型进行部署，或者，根据第七信息对第二机器学习模型集合中的机器学习模型进行部署。
可选的，接收接入网设备返回的第一信息或第七信息之前，处理器1102还用于执行以下操作：
向接入网设备发送第二信息，其中，第二信息包括终端一侧的通信环境信息；或者，向接入网设备发送第三信息，其中，第三信息用于指示接入网设备获取第二信息。
可选的，处理器1102还用于执行以下操作：
确定终端一侧的通信环境是否发生变化；根据终端一侧的通信环境是否发生变化，向接入网设备发送第四信息，其中，如果第四信息指示终端一侧的通信环境发生变化，则第四信息包括终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息。
可选的，终端一侧配置有第四映射关系集，第四映射关系集包括与终端相关联的多个通信环境信息与多个机器学习模型的映射关系，根据终端一侧的通信环境是否发生变化，向接入网设备发送第四信息，包括：
如果确定终端一侧的通信环境发生变化，则根据终端一侧的通信环境信息，在第四映射关系集中，确定终端请求的机器学习模型的标识信息；向接入网设备发送第四信息，其中，第四信息包括终端请求的机器学习模型的标识信息。
在此需要说明的是，本申请提供的上述装置，能够实现上述方法实施例中终端所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
在接入网侧，本申请一实施例提供了一种通信***中的模型更新装置，应用于接入网设备，接入网设备上配置有第一映射关系集及与第一映射关系集相关联的多个机器学习模型，第一映射关系集包括多个通信环境信息与多个机器学习模型的映射关系。如图12所示，本实施例中的通信***中的模型更新装置可以为接入网设备，通信***中的模型更新装置包括查找单元1201，还包括部署单元1202和/或发送单元1203。
查找单元1201，用于确定通信环境发生变化，根据第一映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合；
部署单元1202，用于在接入网设备上部署第一机器学习模型集合中的机器学习模型；
发送单元1203，用于向终端发送第一信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署。
可选的，该装置还包括：
获取单元，用于获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息；
查找单元1202，具体用于：
根据第一映射关系集、接入网设备一侧的通信环境信息、以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第一机器学习模型集合。
可选的，该装置还包括：
第一接收单元，用于接收终端发送的第二信息，其中，第二信息包括终端一侧的通信环境信息；或者，接收终端发送的第三信息，并响应于第三信息，获取第二信息，其中，第三信息用于指示接入网设备获取第二信息。
可选的，该装置还包括：
第一确定单元，用于根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
可选的，该装置还包括：
第二接收单元，用于接收终端发送的第四信息，其中，若第四信息中指示终端一侧的通信环境发生变化，则第四信息包括终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息；
第二确定单元，用于根据第四信息，确定通信环境是否发生变化；
查找单元1202，具体用于：
如果通信环境发生变化，则根据第一映射关系集和接入网设备一侧的通信环境信息，以及根据终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息，在多个机器学习模型中，查找机器学习模型并构成第一机器学习模型集合。
可选的，该装置还包括：
第三确定单元，用于当终端发生小区切换时，确定通信环境发生变化。
可选的，该装置还包括：
第三接收单元，用于接收到终端的源接入网设备发送的第五信息；
其中，第五信息包括第二映射关系集、终端与源接入网设备通信时的通信环境信息和/或终端与另一接入网设备通信时所采用的机器学习模型的标识信息，第二映射关系集为源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与终端相关联的映射关系子集；
第一更新单元，用于根据第五信息，对第一映射关系集进行更新，并确定通信环境发生变化；
第四接收单元，用于如果接入网设备中未配置与第二映射关系集相关联的全部或部分机器学习模型，则接收源接入网设备发送的与第二映射关系集相关联的全部或部分机器学习模型；
第二更新单元，用于根据接收的与第二映射关系集相关联的全部或部分机器学习模型和与更新前的第一映射关系集相关联的多个机器学习模型，确定与更新后的第一映射关系集相关联的多个机器学习模型；
查找单元1202，具体用于：
根据更新后的第一映射关系集，在与更新后的第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合。
可选的，第一更新单元具体用于：将第二映射关系集与第一映射关系集进行合并，得到更新的第一映射关系集。
可选的，该装置还包括：
第四确定单元，用于如果接收到终端发送的指示RRC连接建立的消息或者指示RRC连接重建的消息，则确定通信环境发生变化。
在核心网侧，本申请一实施例提供了一种通信***中的模型更新装置，如图13所示，本实施例中通信***中的模型更新装置可以是核心网设备，通信***中的模型更新装置包括：查找单元1301和发送单元1302。
查找单元1301，用于确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合；
发送单元1302，用于向接入网设备发送包括第二机器学习模型集合的第六信息，其中，第六信息用于指示接入网设备对第二机器学习模型集合中的机器学习模型进行部署，和/或，指示接入网设备向终端发送第七信息，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署。
可选的，该装置还包括：
获取单元，用于获取接入网设备一侧的通信环境信息和终端一侧的通信环境信息；
查找单元1301具体用于：
根据第三映射关系集、接入网设备一侧的通信环境信息以及终端一侧的通信环境信息，在多个机器学习模型中查找机器学习模型并构成第二机器学习模型集合。
可选的，该装置还包括：
第一接收单元，用于接收接入网设备发送的第八信息，第八信息包括接入网设备一侧的通信环境信息和终端一侧的通信环境信息。
可选的，该装置还包括：
确定单元，用于根据接入网设备一侧上一时刻的通信环境信息中的各环境参数、接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，根据终端一侧上一时刻的通信环境信息中的各环境参数、终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
可选的，该装置还包括：
第二接收单元，用于接收接入网设备发送的第九信息；
其中，第九信息用于指示通信环境发生变化、终端发生小区切换、接入网设备与终端之间的RRC连接建立、或者接入网设备与终端之间的RRC连接重建，第九信息包括如下一种或多种信息：接入网设备一侧的通信环境信息、终端一侧的通信环境信息、接入网设备请求的机器学习模型的标识信息；
查找单元1301，具体用于：
根据第九信息，确定通信环境发生变化；
根据第三映射关系集和第九信息，在多个机器学习模型中，查找机器学习模型并构成第二机器学习模型集合。
可选的，该装置还包括：
第三接收单元，用于接收多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型；
模型处理单元，用于根据多个接入网设备发送的第一映射关系集和与第一映射关系集相关联的多个机器学习模型，建立或更新第三映射关系集及与第三映射关系集相关联的多个机器学习模型。
在终端侧，本申请一实施例提供了一种通信***中的模型更新装置，如图14所示，本实施例中通信***中的模型更新装置可以是终端，通信***中的模型更新装置包括：接收单元1401和部署单元1402。
接收单元1401，用于接收接入网设备返回的第一信息或第七信息，其中，第一信息用于指示终端对第一机器学习模型集合中的机器学习模型进行部署，第七信息用于指示终端对第二机器学习模型集合中的机器学习模型进行部署；
部署单元1402，用于根据第一信息对第一机器学习模型集合中的机器学习模型进行部署，或者，根据第七信息对第二机器学习模型集合中的机器学习模型进行部署。
可选的，该装置还包括第一发送单元，用于：
向接入网设备发送第二信息，其中，第二信息包括终端一侧的通信环境信息；或者，
向接入网设备发送第三信息，其中，第三信息用于指示接入网设备获取第二信息。
可选的，该装置还包括：
确定单元，用于确定终端一侧的通信环境是否发生变化；
第二发送单元，用于根据终端一侧的通信环境是否发生变化，向接入网设备发送第四信息，其中，如果第四信息指示终端一侧的通信环境发生变化，则第四信息包括终端一侧的通信环境信息和/或终端请求的机器学习模型的标识信息。
可选的，终端一侧配置有第四映射关系集，第四映射关系集包括与终端相关联的多个通信环境信息与多个机器学习模型的映射关系，第二发送单元具体用于：
如果确定终端一侧的通信环境发生变化，则根据终端一侧的通信环境信息，在第四映射关系集中，确定终端请求的机器学习模型的标识信息；
向接入网设备发送第四信息，其中，第四信息包括终端请求的机器学习模型的标识信息。
在此需要说明的是，本申请提供的上述装置，能够相应地实现上述方法实施例中接入网设备、核心网设备、终端所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在接入网设备一侧，本申请实施例提供了一种处理器可读存储介质，处理器可读存储介质存储有计算机程序，计算机程序用于使处理器执行本申请实施例提供的有关接入网设备的任一所述的方法，使得处理器能够实现上述方法实施例中接入网设备所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
在核心网设备一侧，本申请实施例提供了一种处理器可读存储介质，处理器可读存储介质存储有计算机程序，计算机程序用于使处理器执行本申请实施例提供的有关核心网设备的任一所述的方法，使得处理器能够实现上述方法实施例中核心网设备所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
在终端一侧，本申请实施例提供了一种处理器可读存储介质，处理器可读存储介质存储有计算机程序，计算机程序用于使处理器执行本申请实施例提供的有关终端的任一所述的方法，使得处理器能够实现上述方法实施例中终端所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在接入网设备一侧，本申请的一实施例还提供一种包含指令的计算机程序产品，所述计算机程序存储在存储介质中，至少一个处理器可以从所述存储介质中读取所述计算机程序，所述至少一个处理器执行所述计算机程序时可实现上述方法实施例中接入网设备所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
在核心网设备一侧，本申请的一实施例还提供一种包含指令的计算机程序产品，所述计算机程序存储在存储介质中，至少一个处理器可以从所述存储介质中读取所述计算机程序，所述至少一个处理器执行所述计算机程序时可实现上述方法实施例中核心网设备所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
在终端一侧，本申请的一实施例还提供一种包含指令的计算机程序产品，所述计算机程序存储在存储介质中，至少一个处理器可以从所述存储介质中读取所述计算机程序，所述至少一个处理器执行所述计算机程序时可实现上述方法实施例中终端所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本申请实施例还提供一种通信***，包括核心网设备、接入网设备和终端。核心网设备为上述装置实施例所述的核心网设备，能够执行上述方法实施例中核心网设备所执行的所有方法步骤，且能够达到相同的技术效果。接入网设备为上述装置实施例所述的接入网设备，能够执行上述方法实施例中接入网设备所执行的所有方法步骤，且能够达到相同的技术效果。终端为上述装置实施例所述的终端，能够执行上述方法实施例中终端所执行的所有方法步骤，且能够达到相同的技术效果。在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可执行指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中，使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (34)

1.一种通信***中的模型更新方法，应用于接入网设备，其特征在于，所述接入网设备上配置有第一映射关系集及与所述第一映射关系集相关联的多个机器学习模型，所述第一映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系，所述方法包括：
当终端发生小区切换时，确定通信环境发生变化，根据所述第一映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合；
在所述接入网设备上部署所述第一机器学习模型集合中的机器学习模型，和/或，向所述终端发送第一信息，其中，所述第一信息用于指示所述终端对所述第一机器学习模型集合中的机器学习模型进行部署；
所述方法还包括：
接收所述终端的源接入网设备发送的第五信息；其中，所述第五信息包括第二映射关系集、所述终端与所述源接入网设备通信时的通信环境信息和/或所述终端与所述源接入网设备通信时所采用的机器学习模型的标识信息，所述第二映射关系集为所述源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与所述终端相关联的映射关系子集；
根据所述第五信息，对所述第一映射关系集进行更新；
如果所述接入网设备中未配置与所述第二映射关系集相关联的全部或部分机器学习模型，则接收所述源接入网设备发送的与所述第二映射关系集相关联的全部或部分机器学习模型；
根据接收的与所述第二映射关系集相关联的全部或部分机器学习模型和与更新前的所述第一映射关系集相关联的多个机器学习模型，确定与更新后的所述第一映射关系集相关联的多个机器学习模型；
所述根据所述第一映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，包括：
根据更新后的所述第一映射关系集，在与更新后的所述第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成所述第一机器学习模型集合。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述接入网设备一侧的通信环境信息和所述终端一侧的通信环境信息；
所述根据更新后的所述第一映射关系集，在与更新后的所述第一映射关系集相关联的所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，包括：
根据更新后的所述第一映射关系集、所述接入网设备一侧的通信环境信息以及所述终端一侧的通信环境信息，在与更新后的所述第一映射关系集相关联的所述多个机器学习模型中查找机器学习模型并构成所述第一机器学习模型集合。
3.根据权利要求2所述的方法，其特征在于，获取所述终端一侧的通信环境信息，包括：
接收所述终端发送的第二信息，其中，所述第二信息包括所述终端一侧的通信环境信息；或者，
接收所述终端发送的第三信息，并响应于所述第三信息，获取所述第二信息，其中，所述第三信息用于指示所述接入网设备获取所述第二信息。
4.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：
根据所述接入网设备一侧上一时刻的通信环境信息中的各环境参数、所述接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，
根据所述终端一侧上一时刻的通信环境信息中的各环境参数、所述终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收所述终端发送的第四信息，其中，若所述第四信息中指示所述终端一侧的通信环境发生变化，则所述第四信息包括所述终端一侧的通信环境信息和/或所述终端请求的机器学习模型的标识信息；
根据所述第四信息，确定通信环境是否发生变化；
如果通信环境发生变化，则根据所述第一映射关系集和所述接入网设备一侧的通信环境信息，以及根据所述终端一侧的通信环境信息和/或所述终端请求的机器学习模型的标识信息，在所述多个机器学习模型中，查找机器学习模型并构成所述第一机器学习模型集合。
6.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：
如果接收到所述终端发送的指示无线资源控制RRC连接建立的消息或者指示RRC连接重建的消息，则确定通信环境发生变化。
7.一种通信***的模型更新方法，应用于核心网设备，其特征在于，所述核心网设备上预先配置有第三映射关系集及与所述第三映射关系集相关联的多个机器学习模型，所述第三映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系，所述方法包括：
确定通信环境发生变化，根据所述第三映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合；
向接入网设备发送包括所述第二机器学习模型集合的第六信息，其中，所述第六信息用于指示所述接入网设备对所述第二机器学习模型集合中的机器学习模型进行部署，和/或，指示所述接入网设备向终端发送第七信息，所述第七信息用于指示所述终端对所述第二机器学习模型集合中的机器学习模型进行部署；
所述方法还包括：
接收多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型；
根据所述多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型，建立或更新所述第三映射关系集及与所述第三映射关系集相关联的多个机器学习模型；其中，所述接入网设备用于接收终端的源接入网设备发送的第五信息，所述第五信息包括第二映射关系集、所述终端与所述源接入网设备通信时的通信环境信息和/或所述终端与所述源接入网设备通信时所采用的机器学习模型的标识信息，所述第二映射关系集为所述源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与所述终端相关联的映射关系子集；根据所述第五信息，对所述第一映射关系集进行更新；在所述接入网设备中未配置与所述第二映射关系集相关联的全部或部分机器学习模型的情况下，接收所述源接入网设备发送的与所述第二映射关系集相关联的全部或部分机器学习模型，并根据接收的与所述第二映射关系集相关联的全部或部分机器学习模型和与更新前的所述第一映射关系集相关联的多个机器学习模型，确定与更新后的所述第一映射关系集相关联的多个机器学习模型。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
获取所述接入网设备一侧的通信环境信息和所述终端一侧的通信环境信息；
所述根据所述第三映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，包括：
根据所述第三映射关系集、所述接入网设备一侧的通信环境信息以及所述终端一侧的通信环境信息，在所述多个机器学习模型中查找机器学习模型并构成所述第二机器学习模型集合。
9.根据权利要求8所述的方法，其特征在于，所述获取所述接入网设备一侧的通信环境信息和所述终端一侧的通信环境信息，包括：
接收所述接入网设备发送的第八信息，所述第八信息包括所述接入网设备一侧的通信环境信息和所述终端一侧的通信环境信息。
10.根据权利要求8或9所述的方法，其特征在于，所述方法还包括：
根据所述接入网设备一侧上一时刻的通信环境信息中的各环境参数、所述接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，
根据所述终端一侧上一时刻的通信环境信息中的各环境参数、所述终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
11.根据权利要求7所述的方法，其特征在于，所述方法还包括：
接收所述接入网设备发送的第九信息；
其中，所述第九信息用于指示通信环境发生变化、所述终端发生小区切换、所述接入网设备与所述终端之间的RRC连接建立、或者所述接入网设备与所述终端之间的RRC连接重建，所述第九信息包括如下一种或多种信息：所述接入网设备一侧的通信环境信息、所述终端一侧的通信环境信息、所述接入网设备请求的机器学习模型的标识信息；
所述确定通信环境发生变化，根据所述第三映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，包括：
根据所述第九信息，确定通信环境发生变化；
根据所述第三映射关系集和所述第九信息，在所述多个机器学习模型中，查找机器学习模型并构成所述第二机器学习模型集合。
12.一种通信***中的模型更新方法，应用于终端，其特征在于，所述方法包括：
接收接入网设备返回的第一信息，所述第一信息用于指示所述终端对第一机器学习模型集合中的机器学习模型进行部署，所述接入网设备上配置有第一映射关系集及与所述第一映射关系集相关联的多个机器学习模型，所述第一映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系；所述第一机器学习模型集合是所述接入网设备确定通信环境发生变化，根据所述第一映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成的；或者，
接收接入网设备返回的第七信息，其中，所述第七信息用于指示所述终端对第二机器学习模型集合中的机器学习模型进行部署，所述第二机器学习模型集合为核心网设备确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成的；所述核心网设备上预先配置有所述第三映射关系集及与所述第三映射关系集相关联的所述多个机器学习模型，所述第三映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系；所述核心网设备用于接收多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型；根据所述多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型，建立或更新所述第三映射关系集及与所述第三映射关系集相关联的多个机器学习模型；
根据所述第一信息对所述第一机器学习模型集合中的机器学习模型进行部署，或者，根据所述第七信息对所述第二机器学习模型集合中的机器学习模型进行部署；
其中，所述接入网设备用于接收终端的源接入网设备发送的第五信息，所述第五信息包括第二映射关系集、所述终端与所述源接入网设备通信时的通信环境信息和/或所述终端与所述源接入网设备通信时所采用的机器学习模型的标识信息，所述第二映射关系集为所述源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与所述终端相关联的映射关系子集；根据所述第五信息，对所述第一映射关系集进行更新；在所述接入网设备中未配置与所述第二映射关系集相关联的全部或部分机器学习模型的情况下，接收所述源接入网设备发送的与所述第二映射关系集相关联的全部或部分机器学习模型，并根据接收的与所述第二映射关系集相关联的全部或部分机器学习模型和与更新前的所述第一映射关系集相关联的多个机器学习模型，确定与更新后的所述第一映射关系集相关联的多个机器学习模型。
13.根据权利要求12所述的方法，其特征在于，所述接收接入网设备返回的第一信息或第七信息之前，所述方法还包括：
向所述接入网设备发送第二信息，其中，所述第二信息包括所述终端一侧的通信环境信息；或者，
向所述接入网设备发送第三信息，其中，所述第三信息用于指示所述接入网设备获取所述第二信息。
14.根据权利要求12或13所述的方法，其特征在于，所述方法还包括：
确定所述终端一侧的通信环境是否发生变化；
根据所述终端一侧的通信环境是否发生变化，向所述接入网设备发送第四信息，其中，如果所述第四信息指示所述终端一侧的通信环境发生变化，则所述第四信息包括所述终端一侧的通信环境信息和/或所述终端请求的机器学习模型的标识信息。
15.根据权利要求14所述的方法，其特征在于，所述终端一侧配置有第四映射关系集，所述第四映射关系集包括与所述终端相关联的多个通信环境信息与多个机器学习模型的映射关系，所述根据所述终端一侧的通信环境是否发生变化，向所述接入网设备发送第四信息，包括：
如果确定所述终端一侧的通信环境发生变化，则根据所述终端一侧的通信环境信息，在所述第四映射关系集中，确定所述终端请求的机器学习模型的标识信息；
向所述接入网设备发送第四信息，其中，所述第四信息包括所述终端请求的机器学习模型的标识信息。
16.一种通信***中的模型更新装置，应用于接入网设备，其特征在于，所述接入网设备上配置有第一映射关系集及与所述第一映射关系集相关联的多个机器学习模型，所述第一映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系，所述装置包括存储器、收发机和处理器：
所述存储器，用于存储计算机程序；
所述收发机，用于在所述处理器的控制下收发数据；
所述处理器，用于读取所述存储器中的计算机程序并执行以下操作：
当终端发生小区切换时，确定通信环境发生变化，根据所述第一映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合；
在所述接入网设备上部署所述第一机器学习模型集合中的机器学习模型，和/或，向所述终端发送第一信息，其中，所述第一信息用于指示所述终端对所述第一机器学习模型集合中的机器学习模型进行部署；
所述处理器还用于执行以下操作：
接收所述终端的源接入网设备发送的第五信息；
其中，所述第五信息包括第二映射关系集、所述终端与所述源接入网设备通信时的通信环境信息和/或所述终端与所述源接入网设备通信时所采用的机器学习模型的标识信息，所述第二映射关系集为所述源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与所述终端相关联的映射关系子集；
根据所述第五信息，对所述第一映射关系集进行更新；
如果所述接入网设备中未配置与所述第二映射关系集相关联的全部或部分机器学习模型，则接收所述源接入网设备发送的与所述第二映射关系集相关联的全部或部分机器学习模型；
根据接收的与所述第二映射关系集相关联的全部或部分机器学习模型和与更新前的所述第一映射关系集相关联的多个机器学习模型，确定与更新后的所述第一映射关系集相关联的多个机器学习模型；
所述根据所述第一映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，包括：
根据更新后的所述第一映射关系集，在与更新后的所述第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成所述第一机器学习模型集合。
17.根据权利要求16所述的装置，其特征在于，所述处理器还用于执行以下操作：
获取所述接入网设备一侧的通信环境信息和所述终端一侧的通信环境信息；
所述根据更新后的所述第一映射关系集，在与更新后的所述第一映射关系集相关联的所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合，包括：
根据更新后的所述第一映射关系集、所述接入网设备一侧的通信环境信息、以及所述终端一侧的通信环境信息，在与更新后的所述第一映射关系集相关联的所述多个机器学习模型中查找机器学习模型并构成所述第一机器学习模型集合。
18.根据权利要求17所述的装置，其特征在于，获取所述终端一侧的通信环境信息，包括：
接收所述终端发送的第二信息，其中，所述第二信息包括所述终端一侧的通信环境信息；或者，
接收所述终端发送的第三信息，并响应于所述第三信息，获取所述第二信息，其中，所述第三信息用于指示所述接入网设备获取所述第二信息。
19.根据权利要求17或18所述的装置，其特征在于，所述处理器还用于执行以下操作：
根据所述接入网设备一侧上一时刻的通信环境信息中的各环境参数、所述接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，
根据所述终端一侧上一时刻的通信环境信息中的各环境参数、所述终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
20.根据权利要求16所述的装置，其特征在于，所述处理器还用于执行以下操作：
接收所述终端发送的第四信息，其中，若所述第四信息中指示所述终端一侧的通信环境发生变化，则所述第四信息包括所述终端一侧的通信环境信息和/或所述终端请求的机器学习模型的标识信息；
根据所述第四信息，确定通信环境是否发生变化；
如果通信环境发生变化，则根据所述第一映射关系集和所述接入网设备一侧的通信环境信息，以及根据所述终端一侧的通信环境信息和/或所述终端请求的机器学习模型的标识信息，在所述多个机器学习模型中，查找机器学习模型并构成所述第一机器学习模型集合。
21.根据权利要求16-18中任一项所述的装置，其特征在于，所述处理器还用于执行以下操作：
如果接收到所述终端发送的指示RRC连接建立的消息或者指示RRC连接重建的消息，则确定通信环境发生变化。
22.一种通信***的模型更新装置，应用于核心网设备，其特征在于，所述核心网设备上预先配置有第三映射关系集及与所述第三映射关系集相关联的多个机器学习模型，所述第三映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系，所述装置包括存储器、收发机和处理器：
所述存储器，用于存储计算机程序；
所述收发机，用于在所述处理器的控制下收发数据；
所述处理器，用于读取所述存储器中的计算机程序并执行以下操作：
确定通信环境发生变化，根据所述第三映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合；
向接入网设备发送包括所述第二机器学习模型集合的第六信息，其中，所述第六信息用于指示所述接入网设备对所述第二机器学习模型集合中的机器学习模型进行部署，和/或，指示所述接入网设备向终端发送第七信息，所述第七信息用于指示所述终端对所述第二机器学习模型集合中的机器学习模型进行部署；
所述处理器，还用于接收多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型；
根据所述多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型，建立或更新所述第三映射关系集及与所述第三映射关系集相关联的多个机器学习模型；其中，所述接入网设备用于接收终端的源接入网设备发送的第五信息，所述第五信息包括第二映射关系集、所述终端与所述源接入网设备通信时的通信环境信息和/或所述终端与所述源接入网设备通信时所采用的机器学习模型的标识信息，所述第二映射关系集为所述源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与所述终端相关联的映射关系子集；根据所述第五信息，对所述第一映射关系集进行更新；在所述接入网设备中未配置与所述第二映射关系集相关联的全部或部分机器学习模型的情况下，接收所述源接入网设备发送的与所述第二映射关系集相关联的全部或部分机器学习模型，并根据接收的与所述第二映射关系集相关联的全部或部分机器学习模型和与更新前的所述第一映射关系集相关联的多个机器学习模型，确定与更新后的所述第一映射关系集相关联的多个机器学习模型。
23.根据权利要求22所述的装置，其特征在于，所述处理器还用于执行以下操作：
获取所述接入网设备一侧的通信环境信息和所述终端一侧的通信环境信息；
所述根据所述第三映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，包括：
根据所述第三映射关系集、所述接入网设备一侧的通信环境信息以及所述终端一侧的通信环境信息，在所述多个机器学习模型中查找机器学习模型并构成所述第二机器学习模型集合。
24.根据权利要求23所述的装置，其特征在于，所述获取所述接入网设备一侧的通信环境信息和所述终端一侧的通信环境信息，包括：
接收所述接入网设备发送的第八信息，所述第八信息包括所述接入网设备一侧的通信环境信息和所述终端一侧的通信环境信息。
25.根据权利要求23或24所述的装置，其特征在于，所述处理器还用于执行以下操作：
根据所述接入网设备一侧上一时刻的通信环境信息中的各环境参数、所述接入网一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化；和/或，
根据所述终端一侧上一时刻的通信环境信息中的各环境参数、所述终端一侧当前时刻的通信环境信息中的各环境参数、以及多个环境参数与预设阈值的映射关系，确定通信环境是否发生变化。
26.根据权利要求22所述的装置，其特征在于，所述处理器还用于执行以下操作：
接收所述接入网设备发送的第九信息；
其中，所述第九信息用于指示通信环境发生变化、所述终端发生小区切换、所述接入网设备与所述终端之间的RRC连接建立、或者所述接入网设备与所述终端之间的RRC连接重建，所述第九信息包括如下一种或多种信息：所述接入网设备一侧的通信环境信息、所述终端一侧的通信环境信息、所述接入网设备请求的机器学习模型的标识信息；
所述确定通信环境发生变化，根据所述第三映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合，包括：
根据所述第九信息，确定通信环境发生变化；
根据所述第三映射关系集和所述第九信息，在所述多个机器学习模型中，查找机器学习模型并构成所述第二机器学习模型集合。
27.一种通信***中的模型更新装置，应用于终端，其特征在于，所述装置包括存储器、收发机和处理器：
所述存储器，用于存储计算机程序；
所述收发机，用于在所述处理器的控制下收发数据；
所述处理器，用于读取所述存储器中的计算机程序并执行以下操作：
接收接入网设备返回的第一信息，所述第一信息用于指示所述终端对第一机器学习模型集合中的机器学习模型进行部署，所述接入网设备上配置有第一映射关系集及与所述第一映射关系集相关联的多个机器学习模型，所述第一映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系；所述第一机器学习模型集合是所述接入网设备确定通信环境发生变化，根据所述第一映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成的；或者，
接收接入网设备返回的第七信息，其中，所述第七信息用于指示所述终端对第二机器学习模型集合中的机器学习模型进行部署，所述第二机器学习模型集合为核心网设备确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成的；所述核心网设备上预先配置有所述第三映射关系集及与所述第三映射关系集相关联的所述多个机器学习模型，所述第三映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系；所述核心网设备用于接收多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型；根据所述多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型，建立或更新所述第三映射关系集及与所述第三映射关系集相关联的多个机器学习模型；
根据所述第一信息对所述第一机器学习模型集合中的机器学习模型进行部署，或者，根据所述第七信息对所述第二机器学习模型集合中的机器学习模型进行部署；
其中，所述接入网设备用于接收终端的源接入网设备发送的第五信息，所述第五信息包括第二映射关系集、所述终端与所述源接入网设备通信时的通信环境信息和/或所述终端与所述源接入网设备通信时所采用的机器学习模型的标识信息，所述第二映射关系集为所述源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与所述终端相关联的映射关系子集；根据所述第五信息，对所述第一映射关系集进行更新；在所述接入网设备中未配置与所述第二映射关系集相关联的全部或部分机器学习模型的情况下，接收所述源接入网设备发送的与所述第二映射关系集相关联的全部或部分机器学习模型，并根据接收的与所述第二映射关系集相关联的全部或部分机器学习模型和与更新前的所述第一映射关系集相关联的多个机器学习模型，确定与更新后的所述第一映射关系集相关联的多个机器学习模型。
28.根据权利要求27所述的装置，其特征在于，所述接收接入网设备返回的第一信息或第七信息之前，所述处理器还用于执行以下操作：
向所述接入网设备发送第二信息，其中，所述第二信息包括所述终端一侧的通信环境信息；或者，
向所述接入网设备发送第三信息，其中，所述第三信息用于指示所述接入网设备获取所述第二信息。
29.根据权利要求27或28所述的装置，其特征在于，所述处理器还用于执行以下操作：
确定所述终端一侧的通信环境是否发生变化；
根据所述终端一侧的通信环境是否发生变化，向所述接入网设备发送第四信息，其中，如果所述第四信息指示所述终端一侧的通信环境发生变化，则所述第四信息包括所述终端一侧的通信环境信息和/或所述终端请求的机器学习模型的标识信息。
30.根据权利要求29所述的装置，其特征在于，所述终端一侧配置有第四映射关系集，所述第四映射关系集包括与所述终端相关联的多个通信环境信息与多个机器学习模型的映射关系，所述根据所述终端一侧的通信环境是否发生变化，向所述接入网设备发送第四信息，包括：
如果确定所述终端一侧的通信环境发生变化，则根据所述终端一侧的通信环境信息，在所述第四映射关系集中，确定所述终端请求的机器学习模型的标识信息；
向所述接入网设备发送第四信息，其中，所述第四信息用于至少所述终端一侧的通信环境发生变化，且所述第四信息包括所述终端请求的机器学习模型的标识信息。
31.一种通信***中的模型更新装置，应用于接入网设备，其特征在于，所述接入网设备上配置有第一映射关系集及与所述第一映射关系集相关联的多个机器学习模型，所述第一映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系，所述装置包括：
查找单元，用于当终端发生小区切换时，确定通信环境发生变化，根据所述第一映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第一机器学习模型集合；
部署单元，用于在所述接入网设备上部署所述第一机器学习模型集合中的机器学习模型，和/或，发送单元，用于向所述终端发送第一信息，其中，所述第一信息用于指示所述终端对所述第一机器学习模型集合中的机器学习模型进行部署；
第三接收单元，用于接收所述终端的源接入网设备发送的第五信息；其中，所述第五信息包括第二映射关系集、所述终端与所述源接入网设备通信时的通信环境信息和/或所述终端与所述源接入网设备通信时所采用的机器学习模型的标识信息，所述第二映射关系集为所述源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与所述终端相关联的映射关系子集；
第一更新单元，用于根据所述第五信息，对所述第一映射关系集进行更新；
第四接收单元，用于如果所述接入网设备中未配置与所述第二映射关系集相关联的全部或部分机器学习模型，则接收所述源接入网设备发送的与所述第二映射关系集相关联的全部或部分机器学习模型；
第二更新单元，用于根据接收的与所述第二映射关系集相关联的全部或部分机器学习模型和与更新前的所述第一映射关系集相关联的多个机器学习模型，确定与更新后的所述第一映射关系集相关联的多个机器学习模型；
所述部署单元，具体用于根据更新后的所述第一映射关系集，在与更新后的所述第一映射关系集相关联的多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成所述第一机器学习模型集合。
32.一种通信***的模型更新装置，应用于核心网设备，其特征在于，所述核心网设备上预先配置有第三映射关系集及与所述第三映射关系集相关联的多个机器学习模型，所述第三映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系，所述装置包括：
查找单元，用于确定通信环境发生变化，根据所述第三映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成第二机器学习模型集合；
发送单元，用于向接入网设备发送包括所述第二机器学习模型集合的第六信息，其中，所述第六信息用于指示所述接入网设备对所述第二机器学习模型集合中的机器学习模型进行部署，和/或，指示所述接入网设备向终端发送第七信息，所述第七信息用于指示所述终端对所述第二机器学习模型集合中的机器学习模型进行部署；
接收单元，用于接收多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型；
模型处理单元，用于根据所述多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型，建立或更新所述第三映射关系集及与所述第三映射关系集相关联的多个机器学习模型；其中，所述接入网设备用于接收终端的源接入网设备发送的第五信息，所述第五信息包括第二映射关系集、所述终端与所述源接入网设备通信时的通信环境信息和/或所述终端与所述源接入网设备通信时所采用的机器学习模型的标识信息，所述第二映射关系集为所述源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与所述终端相关联的映射关系子集；根据所述第五信息，对所述第一映射关系集进行更新；在所述接入网设备中未配置与所述第二映射关系集相关联的全部或部分机器学习模型的情况下，接收所述源接入网设备发送的与所述第二映射关系集相关联的全部或部分机器学习模型，并根据接收的与所述第二映射关系集相关联的全部或部分机器学习模型和与更新前的所述第一映射关系集相关联的多个机器学习模型，确定与更新后的所述第一映射关系集相关联的多个机器学习模型。
33.一种通信***中的模型更新装置，应用于终端，其特征在于，所述装置包括：
接收单元，用于接收接入网设备返回的第一信息，所述第一信息用于指示所述终端对适用于当前通信环境的第一机器学习模型集合中的机器学习模型进行部署，所述接入网设备上配置有第一映射关系集及与所述第一映射关系集相关联的多个机器学习模型，所述第一映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系；所述第一机器学习模型集合是所述接入网设备确定通信环境发生变化，根据所述第一映射关系集，在所述多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成的；核心网设备用于接收多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型；根据所述多个接入网设备发送的更新后的第一映射关系集和与更新后的所述第一映射关系集相关联的多个机器学习模型，建立或更新第三映射关系集及与所述第三映射关系集相关联的多个机器学习模型；或者，
接收接入网设备返回的第七信息，其中，所述第七信息用于指示所述终端对第二机器学习模型集合中的机器学习模型进行部署，所述第二机器学习模型集合为核心网设备确定通信环境发生变化，根据第三映射关系集，在多个机器学习模型中，查找适用于当前通信环境的机器学习模型并构成的；所述核心网设备上预先配置有所述第三映射关系集及与所述第三映射关系集相关联的所述多个机器学习模型，所述第三映射关系集包括多个通信环境信息与所述多个机器学习模型的映射关系；
部署单元，用于根据所述第一信息对所述第一机器学习模型集合中的机器学习模型进行部署，或者，根据所述第七信息对所述第二机器学习模型集合中的机器学习模型进行部署；
其中，所述接入网设备用于接收终端的源接入网设备发送的第五信息，所述第五信息包括第二映射关系集、所述终端与所述源接入网设备通信时的通信环境信息和/或所述终端与所述源接入网设备通信时所采用的机器学习模型的标识信息，所述第二映射关系集为所述源接入网设备上配置的多个通信环境信息与多个机器学习模型的映射关系中与所述终端相关联的映射关系子集；根据所述第五信息，对所述第一映射关系集进行更新；在所述接入网设备中未配置与所述第二映射关系集相关联的全部或部分机器学习模型的情况下，接收所述源接入网设备发送的与所述第二映射关系集相关联的全部或部分机器学习模型，并根据接收的与所述第二映射关系集相关联的全部或部分机器学习模型和与更新前的所述第一映射关系集相关联的多个机器学习模型，确定与更新后的所述第一映射关系集相关联的多个机器学习模型。
34.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至6中任一项所述的方法、或者权利要求7-11中任一项所述的方法、或者权利要求12-15中任一项所述的方法。
CN202110138849.5A 2021-02-01 2021-02-01 通信***中的模型更新方法、装置及存储介质 Active CN114844785B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110138849.5A CN114844785B (zh) 2021-02-01 2021-02-01 通信***中的模型更新方法、装置及存储介质
EP22745105.1A EP4287574A4 (en) 2021-02-01 2022-01-19 METHOD AND APPARATUS FOR UPDATING MODEL IN COMMUNICATION SYSTEM, AND STORAGE MEDIUM
PCT/CN2022/072837 WO2022161230A1 (zh) 2021-02-01 2022-01-19 通信***中的模型更新方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110138849.5A CN114844785B (zh) 2021-02-01 2021-02-01 通信***中的模型更新方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN114844785A CN114844785A (zh) 2022-08-02
CN114844785B true CN114844785B (zh) 2024-02-06

Family

ID=82561000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110138849.5A Active CN114844785B (zh) 2021-02-01 2021-02-01 通信***中的模型更新方法、装置及存储介质

Country Status (3)

Country Link
EP (1) EP4287574A4 (zh)
CN (1) CN114844785B (zh)
WO (1) WO2022161230A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024040617A1 (en) * 2022-08-26 2024-02-29 Qualcomm Incorporated Ml model generalization and specification
WO2024087119A1 (zh) * 2022-10-27 2024-05-02 Oppo广东移动通信有限公司 模型控制方法、装置、设备及介质
WO2024092661A1 (zh) * 2022-11-03 2024-05-10 北京小米移动软件有限公司 模型的标识方法及装置
WO2024092755A1 (en) * 2022-11-04 2024-05-10 Huawei Technologies Co., Ltd. Management of machine learning models in communication systems
CN118211670A (zh) * 2022-12-16 2024-06-18 大唐移动通信设备有限公司 一种模型同步方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101146312A (zh) * 2007-10-17 2008-03-19 中兴通讯股份有限公司 一种无线传播模型的自动选择方法
CN107705359A (zh) * 2017-10-13 2018-02-16 北京邮电大学 获取无线信道模型的方法和装置
CN108197714A (zh) * 2018-01-30 2018-06-22 北京小米移动软件有限公司 利用机器学习模型进行工作模式判决的方法及装置
CN109150775A (zh) * 2018-08-14 2019-01-04 西安交通大学 一种自适应噪声环境动态变化的鲁棒性在线信道状态信息估计方法
WO2020183136A1 (en) * 2019-03-08 2020-09-17 Kortical Ltd Methods of deploying machine learning models
CN112054863A (zh) * 2019-06-06 2020-12-08 华为技术有限公司 一种通信方法及装置
CN112166445A (zh) * 2019-04-16 2021-01-01 华为技术有限公司 基于区块链网络的联合学习方法和联合学习设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007044671B4 (de) * 2007-09-18 2013-02-21 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren zur Schätzung von Parametern eines in einer dynamischen Mehrwegeumgebung empfangenen GNSS-Navigationssignals
US10165105B1 (en) * 2017-09-19 2018-12-25 Qualcomm Incorporated Method and system for user equipment communication mode selection
US11544617B2 (en) * 2018-04-23 2023-01-03 At&T Intellectual Property I, L.P. Network-based machine learning microservice platform
CN109446524B (zh) * 2018-10-25 2019-10-11 第四范式（北京）技术有限公司 一种语音质检方法及装置
CN111340232A (zh) * 2020-02-17 2020-06-26 支付宝(杭州)信息技术有限公司 在线预测服务的部署方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101146312A (zh) * 2007-10-17 2008-03-19 中兴通讯股份有限公司 一种无线传播模型的自动选择方法
CN107705359A (zh) * 2017-10-13 2018-02-16 北京邮电大学 获取无线信道模型的方法和装置
CN108197714A (zh) * 2018-01-30 2018-06-22 北京小米移动软件有限公司 利用机器学习模型进行工作模式判决的方法及装置
CN109150775A (zh) * 2018-08-14 2019-01-04 西安交通大学 一种自适应噪声环境动态变化的鲁棒性在线信道状态信息估计方法
WO2020183136A1 (en) * 2019-03-08 2020-09-17 Kortical Ltd Methods of deploying machine learning models
CN112166445A (zh) * 2019-04-16 2021-01-01 华为技术有限公司 基于区块链网络的联合学习方法和联合学习设备
CN112054863A (zh) * 2019-06-06 2020-12-08 华为技术有限公司 一种通信方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Xiaokai Liu等.Robust signal recognition algorithm based on machine learning in heterogeneous networks.《Journal of Systems Engineering and Electronics》.2016,全文. *
以LDA为例的大规模分布式机器学习***分析;唐黎哲;冯大为;李东升;李荣春;刘锋;;计算机应用(第03期);全文 *
田玮 ; 钟子发 ; 张玉 ; .基于迭代加权最小二乘的基扩展模型信道估计.探测与控制学报.2013,(第04期),全文. *

Also Published As

Publication number Publication date
WO2022161230A1 (zh) 2022-08-04
CN114844785A (zh) 2022-08-02
EP4287574A4 (en) 2024-07-03
EP4287574A1 (en) 2023-12-06

Similar Documents

Publication Publication Date Title
CN114844785B (zh) 通信***中的模型更新方法、装置及存储介质
US10827374B2 (en) Resource management indication method and apparatus with flexible manner of measurement
WO2020107411A1 (en) Method and network device for terminal device positioning with integrated access backhaul
CN114071612B (zh) 辅小区组的主小区更新方法、装置及存储介质
Ahmad et al. An efficient handover decision in heterogeneous LTE-A networks under the assistance of users’ profile
US10154417B2 (en) Network node and a method therein for computing cell range expansion (CRE) values
WO2021012166A1 (zh) 无线通信的方法和设备
CN115334600A (zh) 条件重配方法、设备、装置及存储介质
EP3850890A1 (en) First node, fourth node and methods performed thereby for handling access to a communications network in a multi-hop deployment
CN110089156B (zh) 无线设备、网络节点以及用于它们的方法和计算机程序
CN106688269B (zh) 用于确定无线设备是否是由于负载平衡原因而切换到目标小区的合适候选者的无线电网络节点和方法
CN116097752A (zh) 切换方法、装置、设备及存储介质
CN114071616B (zh) 通信方法、装置及设备
US11818796B1 (en) Distributed computing across a wireless communications network
CN115225215B (zh) 信息获取、发送方法、装置、终端设备及网络设备
US20230403532A1 (en) Dynamic tracing in wireless communication networks
US11991536B1 (en) Multiplexing technology selection
CN117998387A (zh) 广播参数配置方法、装置及网络设备
CN116456402A (zh) 小区重选方法、切片组信息处理方法、终端及网络侧设备
CN117528664A (zh) 候选小区的确定方法及装置
CN116419331A (zh) 切换方法、装置及存储介质
CN117425160A (zh) 成功切换报告的处理方法及装置
CN118138982A (zh) 分布式网络的会话锚点的确定方法、设备及装置
CN117545002A (zh) QoE连续测量的方法及装置
CN117528667A (zh) 参考信号的发送方法及装置

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
GR01 Patent grant
GR01 Patent grant