CN116671068A - 策略确定的方法和装置 - Google Patents
策略确定的方法和装置 Download PDFInfo
- Publication number
- CN116671068A CN116671068A CN202180087932.2A CN202180087932A CN116671068A CN 116671068 A CN116671068 A CN 116671068A CN 202180087932 A CN202180087932 A CN 202180087932A CN 116671068 A CN116671068 A CN 116671068A
- Authority
- CN
- China
- Prior art keywords
- information
- network
- data
- area
- terminal devices
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 151
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000005265 energy consumption Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 112
- 238000007405 data analysis Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 239000000523 sample Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 10
- 238000007726 management method Methods 0.000 description 32
- 238000012545 processing Methods 0.000 description 28
- 238000004458 analytical method Methods 0.000 description 19
- 238000001914 filtration Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 230000003993 interaction Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012517 data analytics Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010048295 2-isopropylmalate synthase Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012001 immunoprecipitation mass spectrometry Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
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
- H04L41/16—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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/12—Arrangements for remote connection or disconnection of substations or of equipment thereof
-
- 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
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
- H04L41/5067—Customer-centric QoS measurements
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Telephonic Communication Services (AREA)
Abstract
一种策略确定的方法,包括:基于数字孪生体获取第一数据和第一数据对应的标签:根据第一数据和第一数据对应的标签,训练得到人工智能AI模型,AI模型用于获取网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。有助于解决网络内或区域内多个终端设备的空口接入策略和用户面路径选择问题,更进一步的,还可以保证这些终端设备的整体平均业务体验达到一定阙值的同时,网络能耗最低。
Description
本申请涉及通信领域,并且更具体地,涉及一种策略确定的方法和装置。
终端设备接入网络时,数据分析(network data analytics function,NWDAF)网元可以协助网络为其配置相应的接入策略。NWDAF网元基于获取的大量数据训练生成人工智能(artificial intelligence,AI)模型,并基于模型生成数据分析结果,该分析结果可以用于协助网络的策略制定和执行。例如,NWDAF网元基于网络数据和应用功能(application function,AF)网元数据生成业务体验分析结果,该业务体验分析结果有助于策略控制(policy control function,PCF)网元制定终端设备业务相关的策略与计费控制(policy and charging control,PCC)和服务质量(quality of service,QoS)策略。
但是,现有的辅助接入技术通常只针对单个终端设备的业务体验制定相应的接入策略。当一个终端设备的接入策略确定后,在为其他终端设备确定接入策时,终端设备之间的选择可能存在冲突。同时仅考虑业务体验,必然会导致网络能耗的提高,从而增加运营成本。
因此,亟需提供一种技术,能够同时为网络内多个终端设备制定接入策略,提升网络整体的业务体验,降低网络能耗。
发明内容
本申请提供了一种策略确定的方法和装置,能够确定感兴趣区域内多个终端设备的空口接入策略和/或用户面路径选择策略,进而提升网络整体的业务体验,降低网络能耗。。
第一方面,提供了一种策略确定的方法,包括:基于数字孪生体获取第一数据和第一数据对应的标签;根据第一数据和第一数据对应的标签,训练得到人工智能AI模型,该AI模型用于获取网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
通过本申请的技术方案,通过基于数字孪生网络训练生成AI模型的方法有助于解决网络内或区域内多个终端设备的空口接策略和用户面路径选择问题,更进一步的,还可以保证这些终端设备的整体平均业务体验达到一定阈值的同时,网络能耗最低。
可选地,该模型还可以用于获取网络内或区域内多个终端设备的服务质量参数分配策略。
结合第一方面,在第一方面的某些实现方式中,该方法还包括:从数据提供者获取第二数据,其中,数据提供者包括操作管理维护OAM***、网络功能NF网元和无线接入网RAN网元;根据第二数据,生成数字孪生体。
这样,可以利用数字孪生体低成本试错和智能化决策的特点,在数字孪生体中获取大 量的训练数据集来训练生成AI模型,以获得更优的输出信息,例如网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
可选地,基于数字孪生体获取第一数据和所述第一数据对应的标签,具体包括:根据数字孪生体,获取第一数据;根据第一数据和数字孪生体,获取第一数据对应的标签。
其中,第一数据包括网络内或所述区域内多个终端设备的以下历史信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息。
第二数据包括以下信息的至少一种:网络内或区域内网络设备之间的拓扑信息、网络或区域内终端设备和网络设备之间的连接信息、网络设备的设备信息或状态信息、终端设备的设备信息或状态信息。
网络设备包括以下的至少一种:RAN网元、接入和移动性管理功能AMF网元、会话管理功能SMF网元和用户面功能UPF网元。
当网络设备包括RAN网元时,网络设备的设备信息或状态信息可以包括:RAN网元的身份标识信息和服务区域信息;终端设备的设备信息或状态信息可以包括:区域内多个终端设备的RSRP、RSRQ和SINR信息。
当网络设备包括AMF网元时,网络设备的设备信息或所述状态信息可以包括:AMF网元的身份标识信息和服务区域信息,终端设备的设备信息或状态信息可以包括:区域内多个终端设备的位置信息。
当网络设备包括SMF网元,网络设备的设备信息或状态信息可以包括:SMF网元的身份标识信息和服务区域信息,终端设备的设备信息或状态信息可以包括:区域内多个终端设备的业务信息。
当网络设备包括UPF网元,网络设备的设备信息或状态信息可以包括:UPF网元的身份标识信息、服务区域信息、服务质量QoS流带宽信息、丢包率和时延信息。
第二方面,提供了一种策略确定的方法,包括:获取第三数据,第三数据包括网络内或区域内多个终端设备的以下当前信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息;将第三数据输入人工智能AI模型,获取所述网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略,AI模型可由第一方面中任一项所述的方法训练得到。
通过本申请的技术方案,通过基于数字孪生网络训练生成AI模型的方法有助于解决网络内或区域内多个终端设备的空口接策略和用户面路径选择问题,更进一步的,还可以保证这些终端设备的整体平均业务体验达到一定阈值的同时,网络能耗最低。
结合第二方面,在第二方面的某些实现方式中,该方法还包括:获取网络内或区域内多个终端设备的服务质量参数分配策略。
可选地,当该方法由网络数据分析NWDAF网元执行时,获取第三数据,具体包括:从数据提供者获取第三数据,其中,数据提供者包括操作管理维护OAM***、网络功能NF网元和无线接入网RAN网元;或者,根据第一数据预测获取第三数据,其中,第一数据包括所述网络内或所述区域内多个终端设备的以下历史信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息。
当该方法由NWDAF网元执行,该方法还包括:接收第一信息,第一信息用于请求网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略。发送第二信息,第二信息包括网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略;或者,发送所述神经网络模型。
其中,第一信息还可以用于请求网络内或区域内多个终端设备的业务服务质量配置策略。
可选地,该第一信息还可以用于请求筛选信息、业务体验信息和/或网络能耗信息,其中,筛选信息用于表示策略适用的范围。
相应地,作为对第一信息的回应,第二信息还可以包括网络内或区域内多个终端设备的业务服务质量配置策略。
可选地,第二信息还可以包括以下信息的至少一种:有效期信息、业务体验信息、网络能耗信息。
第三方面,提供了一种策略确定的方法,包括:发送第一信息,第一信息用于请求网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略;
接收第二信息,第二信息包括网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略;或者,
接收AI模型,该AI模型用于获取网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
其中,该第一信息还用于请求所述网络内或所述区域内多个终端设备的业务服务质量配置策略。
可选地,该第一信息还可以用于请求筛选信息、业务体验信息和/或网络能耗信息,其中,筛选信息用于表示所述策略适用的范围。
相应地,作为对第一信息的回应,第二信息还可以包括网络内或区域内多个终端设备的业务服务质量配置策略。
可选地,第二信息还包括以下信息的至少一种:有效期信息、业务体验信息、网络能耗信息。
第四方面,提供了一种策略确定的装置,包括:处理单元,用于基于数字孪生体获取第一数据和第一数据对应的标签;处理单元还用于,根据第一数据和第一数据对应的标签,训练得到人工智能AI模型,该AI模型用于获取网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
通过本申请的技术方案,通过基于数字孪生网络训练生成AI模型的方法有助于解决网络内或区域内多个终端设备的空口接策略和用户面路径选择问题,更进一步的,还可以保证这些终端设备的整体平均业务体验达到一定阈值的同时,网络能耗最低。
可选地,该AI模型还可以用于获取网络内或区域内多个终端设备的服务质量参数分配策略。
结合第四方面,在第四方面的某些实现方式中,该装置还包括:收发单元,从数据提供者获取第二数据,其中,数据提供者包括操作管理维护OAM***、网络功能NF网元和无线接入网RAN网元;处理单元,还用于根据第二数据,生成数字孪生体。
这样,可以利用数字孪生体低成本试错和智能化决策的特点,在数字孪生体中获取大 量的训练数据集来训练生成AI模型,以获得更优的输出信息,例如网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
可选地,处理单元具体用于:根据数字孪生体,获取第一数据;根据第一数据和数字孪生体,获取第一数据对应的标签。
其中,第一数据包括网络内或所述区域内多个终端设备的以下历史信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息。
第二数据包括以下信息的至少一种:网络内或区域内网络设备之间的拓扑信息、网络或区域内终端设备和网络设备之间的连接信息、网络设备的设备信息或状态信息、终端设备的设备信息或状态信息。
网络设备包括以下的至少一种:RAN网元、接入和移动性管理功能AMF网元、会话管理功能SMF网元和用户面功能UPF网元。
当网络设备包括RAN网元时,网络设备的设备信息或状态信息可以包括:RAN网元的身份标识信息和服务区域信息;终端设备的设备信息或状态信息可以包括:区域内终端设备的RSRP、RSRQ和SINR信息。
当网络设备包括AMF网元时,网络设备的设备信息或所述状态信息可以包括:AMF网元的身份标识信息和服务区域信息,终端设备的设备信息或状态信息可以包括:区域内终端设备的位置信息。
当网络设备包括SMF网元,网络设备的设备信息或状态信息可以包括:SMF网元的身份标识信息和服务区域信息,终端设备的设备信息或状态信息可以包括:区域内终端设备的业务信息。
当网络设备包括UPF网元,网络设备的设备信息或状态信息可以包括:UPF网元的身份标识信息、服务区域信息、服务质量QoS流带宽信息、丢包率和时延信息。
第五方面,提供了一种策略确定的装置,包括:收发单元,用于获取第三数据,第三数据包括网络内或区域内多个终端设备的以下当前信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息;处理单元,用于将第三数据输入人工智能AI模型,获取所述网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略,AI模型可由第一方面中任一项所述的方法训练得到。
通过本申请的技术方案,通过基于数字孪生网络训练生成AI模型的方法有助于解决网络内或区域内多个终端设备的空口接策略和用户面路径选择问题,更进一步的,还可以保证这些终端设备的整体平均业务体验达到一定阈值的同时,网络能耗最低。
结合第五方面,在第五方面的某些实现方式中,处理单元还用于:获取网络内或区域内多个终端设备的服务质量参数分配策略。
可选地,当该装置为NWDAF网元时,收发单元具体用于:从数据提供者获取第三数据,其中,数据提供者包括操作管理维护OAM***、网络功能NF网元和无线接入网RAN网元;或者,处理单元具体用于:根据第一数据预测获取第三数据,其中,第一数据包括所述网络内或所述区域内多个终端设备的以下历史信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信 息。
当该装置为NWDAF网元时,收发单元具体用于:接收第一信息,第一信息用于请求网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略。发送第二信息,第二信息包括网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略;或者,发送所述神经网络模型。
其中,第一信息还可以用于请求网络内或区域内多个终端设备的业务服务质量配置策略。
可选地,该第一信息还可以用于请求筛选信息、业务体验信息和/或网络能耗信息,其中,筛选信息用于表示策略适用的范围。
相应地,作为对第一信息的回应,第二信息还可以包括网络内或区域内多个终端设备的业务服务质量配置策略。
可选地,第二信息还可以包括以下信息的至少一种:有效期信息、业务体验信息、网络能耗信息。
第六方面,提供了一种策略确定的装置,包括:收发单元,用于发送第一信息,第一信息用于请求网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略;收发单元还用于接收第二信息,第二信息包括网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略;或者,收发单元还用于接收AI模型,该AI模型用于获取网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
其中,该第一信息还用于请求所述网络内或所述区域内多个终端设备的业务服务质量配置策略。
可选地,该第一信息还可以用于请求筛选信息、业务体验信息和/或网络能耗信息,其中,筛选信息用于表示所述策略适用的范围。
相应地,作为对第一信息的回应,第二信息还可以包括网络内或区域内多个终端设备的业务服务质量配置策略。
可选地,第二信息还包括以下信息的至少一种:有效期信息、业务体验信息、网络能耗信息。
第七方面,提供了一种策略确定的装置,包括:处理器,该处理器与存储器耦合,存储器用于存储程序或指令,当程序或指令被处理器执行时,使得装置实现如第一方面至第三方面中的任一方面及其各种实现方式中的方法。
可选地,上述处理器为一个或多个,上述存储器为一个或多个。
可选地,上述存储器可以与上述处理器集成在一起,或者上述存储器与处理器分离设置。
第八方面,提供了一种通信***,包括数据分析网元,用于执行第一方面至第三方面中的任一方面及其各种实现方式的方法,以及与数据分析网元进行通信的核心网网元。
第九方面,提供了计算机可读介质,所述计算机可读介质存储有计算机程序(也可以称为代码,或指令)当其在计算机上运行时,使得计算机执行上述第一方面至第三方面中的任意方面及其可能实现方式中的方法。
第十方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序(也可以称为代码,或指令),当所述计算机程序被运行时,使得计算机执行上述第一方面至 第三方面中的任意方面及其可能实现方式中的方法。
需要说明的是,上述计算机程序代码可以全部或者部分存储在第一存储介质上,其中第一存储介质可以与处理器封装在一起的,也可以与处理器单独封装,本申请实施例对此不作具体限定。
第十一方面,提供了一种芯片***,包括存储器和处理器,该存储器用于存储计算机程序,该处理器用于从存储器中调用并运行该计算机程序,使得安装有该芯片***的通信设备执行上述第一方面至第三方面中的任意方面及其可能实现方式中的方法。
其中,该芯片***可以包括用于发送信息或数据的输入电路或者接口,以及用于接收信息或数据的输出电路或者接口。
图1是适用于本申请实施例的通信***的示意图。
图2是本申请提供的算法流程的一例示意性结构图。
图3是本申请提供的模型训练过程的一例示意性流程图。
图4是本申请提供的策略确定过程的另一例示意***互图。
图5是本申请提供的策略确定过程的又一例示意***互图。
图6是本申请提供的策略确定装置的一例示意性框图。
图7是本申请提供的策略确定装置的另一例示意性框图。
图8是本申请提供的策略确定装置的一例示意性结构图。
下面将结合附图,对本申请中的技术方案进行描述。
本申请实施例的技术方案可以应用于各种通信***,例如:长期演进(long term evolution,LTE)***、LTE频分双工(frequency division duplex,FDD)***、LTE时分双工(time division duple,TDD)、通用移动通信***(universal mobile telecommunication system,UMTS)、第五代(5th generation,5G)***、未来的第五点五代(5.5th generation,5.5G)、第六代(6th generation,6G)或新无线(new radio,NR)等。
下面以第五代***为例,结合图1对本申请一种适用的基于网络数据分析功能网元(network data analytics function,NWDAF)的网络架构进行说明。
如图1所示,该通信***包括但不限于以下网元:
1、终端设备
本申请实施例中的终端设备也可以称为:用户设备(user equipment,UE)、移动台(mobile station,MS)、移动终端(mobile terminal,MT)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置等。
终端设备可以是一种向用户提供语音/数据连通性的设备,例如,具有无线连接功能的手持式设备、车载设备等。目前,一些终端的举例为:移动手机(mobile phone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device,MID)、可穿戴设备,虚拟现实(virtual reality,VR)设备、增强现实(augmented reality,AR)设备、 工业控制(industrial control)中的无线终端、无人驾驶(self-driving or autopilot)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、蜂窝电话、无绳电话、会话启动协议(session initiation protocol,SIP)电话、无线本地环路(wireless local loop,WLL)站、个人数字助理(personal digital assistant,PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备,未来5G网络中的终端设备或者未来演进的公用陆地移动通信网络(public land mobile network,PLMN)中的终端设备等,本申请实施例对此并不限定。
作为示例而非限定,在本申请实施例中,该终端设备还可以是可穿戴设备。可穿戴设备也可以称为穿戴式智能设备,是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称,如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备,更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能,例如:智能手表或智能眼镜等,以及只专注于某一类应用功能,需要和其它设备如智能手机配合使用,如各类进行体征监测的智能手环、智能首饰等。此外,在本申请实施例中,终端设备还可以是物联网(internet of things,IoT)***中的终端设备。
2、无线接入网(radio access network,RAN)
无线接入网是基于无线通信技术实现接入网络功能的接入网。无线接入网能够管理无线资源,为终端提供无线接入或者空口接入服务,进而完成控制信号和用户数据在终端和核心网之间的转发。
作为示例而非限定,无线接入网可以是LTE***中的演进型基站(evolved NodeB,eNB或eNodeB),还可以是云无线接入网络(cloud radio access network,CRAN)场景下的无线控制器,或者该接入设备可以为中继站、接入点、车载设备、可穿戴设备以及5G网络中的接入设备或者未来演进的PLMN网络中的接入设备等,可以是WLAN中的接入点(access point,AP),可以是NR***中的gNB本申请实施例并不限定。
另外,在本申请实施例中,当UE接入到RAN时,需要为UE选择合适的空口接入策略,例如无线接入技术(radio access technology,RAT)和频率(frequency)的选择。
3、会话管理功能网元(session management function,SMF)
会话管理功能网元主要用于会话管理、终端设备的网络互连协议(internet protocol,IP)地址分配和管理、选择可管理用户面功能(user plane function,UPF)网元、策略控制和收费功能接口的终结点以及下行数据通知等。在本申请实施例中,可用于实现会话管理网元的功能。
4、接入和移动性管理功能网元(access and mobility management function,AMF)
接入和移动性管理功能网元主要用于移动性管理和接入管理等,可以用于实现移动性管理实体(mobility management entity,MME)功能中除会话管理之外的其它功能,例如,合法监听、或接入授权(或鉴权)等功能。在本申请实施例中,可用于实现接入和移动管理网元的功能。
应理解,在本申请实施例中,上述AMF和SMF以及其他的一些数据提供者也可以被称为数据提供者网元,这些数据提供者网元通常指网络中的节点和物理设备,为UE接入网络、进行会话、鉴权认证、策略控制等提供相应的功能支持,也会产生相应的网络数据。
5、用户面功能网元(user plane function,UPF)
用户面功能网元可用于分组路由和转发、或用户面数据的QoS参数处理等。用户数据可通过该网元接入到数据网络(data network,DN)。在本申请实施例中,可用于实现用户面网元的功能,例如,在不同的UPF上建立会话时,UE的业务体验也会不同,因此需要上述SMF为UE的会话选择一个合适UPF。
6、数据网络(data network,DN)
数据网络是指UE接入的某个特定的数据服务网络,例如,典型的DN包括因特网internet、IP多媒体子***(IP multimedia subsystem,IPMS)。
7、网络数据分析功能网元(network data analytics function,NWDAF)
网络数据分析功能网元NWDAF具备以下至少一种功能:数据收集功能、模型训练功能、分析结果推理功能、分析结果反馈功能。其中,数据收集功能是指用于收集来自网络网元、第三方业务服务器、终端设备或网管***中的数据;模型训练功能是指基于相关输入数据做分析训练得到模型,分析结果推理功能基于训练好的模型以及推理数据做推理确定数据分析结果,最后,分析结果反馈功能可以向网络网元、第三方业务服务器、提供终端设备或网管***提供数据分析结果,该分析结果可协助网络选择业务的服务质量参数,或协助网络执行流量路由,或协助网络选择背景流量传输策略等。本申请中主要涉及的是NWDAF的数据收集功能和模型训练功能。
在本申请的实施例中,NWDAF可以是一个单独的网元,也可以与其他核心网网元合设。例如,NWDAF网元可以与接入和移动性管理功能网元(access and mobility management function,AMF)网元合设或者与会话管理功能网元(session management function,SMF)网元合设。
NWDAF典型应用场景有:终端参数的定制或优化,即NWDAF通过收集用户连接管理、移动性管理、会话管理、接入的业务等信息,利用可靠分析和预测模型,对不同类型用户进行评估和分析,构建用户画像,确定用户的移动轨迹和业务使用习惯,以及预测用户行为,5G网络基于分析和预测数据,优化用户移动性管理参数和无线资源管理参数等;业务(路径)的优化,即,NWDAF通过收集网络性能、特定区域业务负荷、用户业务体验等信息,利用可靠网络性能分析和预测模型,对不同类型业务进行评估、分析,构建业务画像,确定业务的体验质量(quality of experience,QoE)、业务体验(service experience)、业务路径或者5G服务质量(quality of service,QoS)参数等内在关联,优化业务路径、业务路由、5G边缘计算、业务对应5G QoS等;AF对业务参数的优化,比如,车联网是5G网络的重要技术,在车联网的自动驾驶场景中,车辆即将经过的基站的网络性能(例如QoS信息、业务负荷)预测对提高车联网的服务质量有着重要作用。例如车联网服务器可以基于网络性能的预测信息判断是否继续保持无人驾驶模式。NWDAF通过收集网络性能、特定区域业务负荷等信息,利用可靠网络性能分析和预测模型,实现对网络性能的统计和预测,辅助AF优化参数。
8、应用功能网元(application function,AF)
应用功能网元用于提供业务,或者用于进行应用影响的数据路由,接入网络开放功能网元,或,与NWDAF网元交互业务数据进行策略控制等。
9、网络存储功能网元(network repository function,NRF)
网络存储功能网元可用于支持网元服务或者网元发现功能,从网络功能(network function,NF)实例接收NF发现请求,并将发现的NF实例的信息提供给NF实例。以及用于支持维护可用NF实例及其支持的服务的NF配置文件。
10、网络能力开放功能网元(network exposure function,NEF):用于向外部开放由3GPP网络功能提供的业务和网络能力信息(如终端位置、会话是否可达)等。
11、策略控制网元(policy control function,PCF)
策略控制网元用于指导网络行为的统一策略框架,为控制平面功能网元(例如AMF,SMF网元等)提供策略规则信息等。
应理解,在本申请实施例中,上述AF、PCF以及其他的一些需要数据分析结果的网络功能网元(network function,NF)也可以被称为数据分析结果订阅者(consumer),他们可向NWDAF订阅相应的数据分析结果,并根据数据分析结果做出相应的调整。例如,PCF根据NWDAF反馈的业务及业务体验,调整业务的QoS参数,从而更好地保证业务的业务体验,再例如,操作、管理和维护网元(operation,administration and maintenance,OAM)根据NWDAF反馈的切片UE的业务体验,评估切片服务等级协议(service level agreement,SLA)并调整切片资源配置(如空口、核心网。传输网等)。
在上述网络架构中,N2接口为RAN和AMF网元的接口,用于无线参数、非接入层(non-access stratum,NAS)信令的发送等;N3接口为RAN和UPF网元之间的接口,用于传输用户面的数据等;N4接口为SMF网元和UPF网元之间的接口,用于传输例如业务策略、N3连接的隧道标识信息,数据缓存指示信息,以及下行数据通知消息等信息。N6接口为DN网元和UPF网元之间的接口,用于传输用户面的数据等,Naf为AF提供的服务化接口,Nnrf为NRF提供的服务化接口,Nnwdaf为NWDAF提供的服务化接口,Nnef为NEF提供的服务化接口。
应理解,上述应用于本申请实施例的网络架构仅是举例说明的从传统点到点的架构和服务化架构的角度描述的网络架构,适用本申请实施例的网络架构并不局限于此,任何能够实现上述各个网元的功能的网络架构都适用于本申请实施例。
应理解,图1中的各个网元之间的接口名称只是一个示例,具体实现中接口的名称可能为其他的名称,本申请对此不作具体限定。此外,上述各个网元之间的所传输的消息(或信令)的名称也仅仅是一个示例,对消息本身的功能不构成任何限定。
需要说明的是,上述网元也可以称为实体、设备、装置或模块等,本申请并未特别限定。并且,在本申请中,为了便于理解和说明,在对部分描述中省略网元这一描述,例如,将NWDAF网元简称NWDAF,此情况下,该“NWDAF”应理解为NWDAF网元,以下,省略对相同或相似情况的说明。
可以理解的是,上述功能网元既可以是硬件设备中的网络元件,也可以是在专用硬件上运行软件功能,或者是平台(例如,云平台)上实例化的虚拟化功能。
还应理解,在图1所示的通信***中,各组成网元的功能仅为示例性的,各个组成网元在应用于本申请的实施例中时,并非全部功能都是必需的。
为了辅助网络的策略制定和执行,NWDAF获取UE、网络(例如RAN、CN、TN)、AF和OAM等各个域的相关数据,基于获取的大量数据训练生成AI模型,并基于这些AI模型生成数据分析结果。例如,NWDAF基于AF数据生成业务体验分析结果,该业务体验分析结果有助于PCF制定终端设备业务相关的策略与计费控制PCC和服务质量QoS策略。
应理解,在本申请实施例中,AI是指通过计算机程序来呈现人类智能的技术,机器学习(machine learning,ML)侧重于开发能够访问数据并且使用这些数据进行自我学习的计算机程序,在后续的描述中,不再加以区分人工智能和机器学习,例如,ML模型也可称之为AI模型。可选地,上述AI模型还可以是神经网络模型、线性回归模型,或者其他模型。
构建一个AI模型的主要流程包括:问题分析(确定要收集的数据和使用的AI模型类型等)、数据收集、模型训练和模型推理等。其中,模型训练是利用数据确定AI模型的参数的过程,模型推理则是利用训练好的AI模型根据新的输入对输出结果进行预测的过程。
对于目前主流的有监督学习AI模型,训练模型时需要有训练数据集,包括模型输入和模型输入对应的标签,但是训练数据的标签有时在实际网络中是很难获取到的,可以考虑在数字孪生体中获得。
数字孪生网络是物理网络的一种虚拟表示,基于数据、模型和接口对物理网络进行分析、诊断、仿真和控制,实现物理网络与虚拟孪生网络的实时交互映射,其可以用于数字镜像或数字模拟真实网络的结构部署、网络状态以及业务流程等结构或功能。在某些应用场景下,数字孪生网络也可称为数字孪生体,本申请不对其具体名称进行限定。数字孪生网络的价值:
(1)低成本试错。现在网络结构越来越复杂,在实际网络中做优化成本高,对网络影响大。在数字孪生体中可以无风险试错,快速找到网络优化方案。
(2)智能化决策。可以在数字孪生网络中评估现状、诊断过去、预测未来,提供更多综合决策支持。
(3)高效率创新。帮助研究者高效探索网络创新,助力运营商快速部署新技术,降低风险。
因此,本申请实施例考虑在数字孪生网络中尝试多种不同的UE接入方案,图2为本申请实施例的算法流程示意图,应理解,图2中所示的算法流程只是作为一种可能的示例,不应对本申请构成任何限定,本申请相关的AI模型还可以由其他算法流程训练得到。如图2中所示,α
1表示感兴趣区域(area of interest,AOI)内的用户(例如,UE)个数、用户位置分布和用户业务分布,α
2表示每个UE的参考信号接收功率(reference signal received power,RSRP)信息、参考信号接收质量(reference signal received quality,RSRQ)信息以及信号干扰噪声比(signal to interference and noise ratio,SINR)信息;β表示每个UE的空口接入策略和用户面(user plane,UP)路径选择方案,
为AI模型的输出值,
表示在数字孪生体中搜索到的当前网络信息α
1和α
2对应的最优UE接入方案,也可称为最优解;H(x)表示整个网络中UE的(加权)平均业务体验,Q(π)表示网络能耗。
训练一个AI模型,可以根据当前网络中的信息(α
1和α
2)得到最优的UE空口接入 策略和UP路径选择方案
其中,上述AI模型指的是有监督模型(例如深度神经网络),在训练AI模型时,需要有模型输入α
1和α
2及其对应的标签
模型输入α
1和α
2可以在实际网络中获得,但α
1和α
2对应的最优接入方案
在实际网络中是很难获取到的,因此需要在数字孪生网络中获取。
而数字孪生网络中获取当前网络信息α
1和α
2对应的最优接入方案
的方式为:在数字孪生网络中固定α
1和α
2,不断调试β参数,找到一个能够使H(x)最大,同时使得Q(π)最小的方案,即为最优的UE接入方案
并
将作为训练数据α
1和α
2对应的标签,用于训练AI模型。
在本申请实施例中,在数字孪生体中获取
的过程是一个多目标优化过程,而多目标优化过程通常对应多个不同的解,因此需要根据实际需要确定一个标准,作为最优的解。作为示例而非限定,在本申请实施例中,我们可将最优解定义为:在(加权)平均业务体验大于一定阈值(例如,该阈值可取3.5)的所有解中使得能耗最低的解。更进一步地,如果有多个β都接近最优解,我们可以选择使用用户体验的(加权)方差最小的解,由此可获得更加稳定可靠的用户体验。当然,我们也可以采取其他方式来筛选出我们的最优解,以此来满足对用户体验和网络能耗的不同要求,本申请不对其进行限定。
为便于理解,图3简要地示出了本申请提供的模型训练过程的一例示意性流程图。如图3中所示,在S110,基于数字孪生体获取第一数据和第一数据对应的标签。
其中,第一数据包括历史数据α
1和α
2,α
1表示感兴趣区域内的用户(例如,UE)个数、用户位置分布和用户业务分布,α
2表示每个UE的RSRP信息、RSRQ信息以及SINR信息。
应理解,其中α
1和α
2只是为了便于描述,对第一数据进行了简单分类,在实际应用中,也可以不对其进行分类,即第一数据包括网络内或所述区域内多个终端设备的以下历史信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息。
应理解,NWDAF获取第一数据还可以有另外一种方式,即从数据提供者获取大量的第一数据,即上述历史数据α
1和α
2。例如,从AMF获取UE的位置信息,从SMF获取UE的业务类型信息,以及从RAN获取UE的空口相关信息等。该方式需要多次获取来获得大量的历史数据α
1和α
2,以满足训练获得AI模型的目的。
在获取到大量的第一数据后,可以将根据数字孪生体,获取第一数据对应的标签。具体地,对于有监督学习的AI模型,训练数据集包括模型输入和输入对应的标签(即输出)两部分,也即第一数据和第一数据对应的标签。NWDAF网元可根据输入数据α
1和α
2(即第一数据)在数字孪生体中获得对应的标签
(即第一数据对应的标签,最优UE接入方案),重复此过程,可以得到大量(α
1,α
2,
)数据,将此数据集作为训练数据用于训练AI模型。
在获得大量的第一数据和第一数据对应的标签后,NWDAF可以执行S120,根据第一数据和第一数据对应的标签训练生成AI模型。
其中,该AI模型可以用于获取网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
可选地,该模型还可以用于获取网络内或所述区域内多个终端设备的服务质量参数分 配策略。
通过本申请的技术方案,通过基于数字孪生网络训练生成AI模型的方法有助于解决网络内或区域内多个终端设备的空口接策略和用户面路径选择问题,更进一步的,还可以保证这些终端设备的整体平均业务体验达到一定阈值的同时,网络能耗最低。
以上描述了本申请实施例训练AI模型的方法,下面将结合图4和图5详细描述本申请策略确定的技术方案。
图4示出了本申请提供的策略确定过程的另一例示意***互图。如图4中所示,
S210,NWDAF网元获取第二数据。
其中,第二数据可以由NWDAF网元从网络中收集,本申请实施例对第二数据的来源不作限定。作为一种可能的实现方式,NWDAF获取第二数据可以主要包括以下数据:
(1)从OAM收集的区域内或者网络内网络设备之间的拓扑信息:例如,AMF、SMF、UPF之间的连接关系;
(2)从RAN网元收集的数据:例如,RAN网元的身份标识信息和服务区域信息,网络内或区域内终端设备的RSRP、RSRQ和SINR信息;
(3)从AMF网元收集的数据:例如,AMF网元的身份标识信息和服务区域信息,网络内或区域内终端设备的位置信息;
(4)从SMF网元收集的数据:例如,SMF网元的身份标识信息和服务区域信息,网络内或区域内终端设备的业务信息;
(5)从UPF网元收集的数据:例如,UPF网元的身份标识信息、服务区域信息、服务质量QoS流带宽信息、丢包率和时延信息。
在获取到上述第二数据后,NWDAF网元可以执行步骤S220,根据收集到的第二数据建立数字孪生体。
在本申请实施例中,数字孪生体是物理网络的一种虚拟表示,可以基于数据、模型和接口对物理网络进行分析、判断、仿真和控制,实现物理网络与虚拟孪生网络的实时交互映射,其能够根据真实网络进行参数更新,其可以用于数字镜像或数字模拟网络的结构部署、网络状态以及业务流程等结构或功能。
S230,接收第一信息。该第一信息来自向NWDAF请求接入方案的数据分析结果订阅者,例如SMF,或者PCF。
该第一信息包括数据分析结果标识信息(analytics ID)和筛选信息。其中,数据分析结果标识信息可用于表示用户感兴趣的数据分析结果的类型,
在本申请实施例中,该步骤是数据分析结果订阅者向NWDAF网元请求感兴趣区域内终端设备的空口接入策略和用户面路径选择方案的过程,因此,analytics ID=access policy and/or UP paths。其中,一个数据分析结果订阅者可以同时请求两个策略,即analytics ID=access policy and UP paths;也可以一个数据分析结果订阅者请求一个策略,例如,PCF请求空口接入策略(analytics ID=access policy),SMF请求UP路径选择方案(analytics ID=UP paths)。
可选地,数据分析结果订阅者还可以向NWDAF网元请求感兴趣区域内多个终端设备的服务质量参数分配策略(analytics ID=QoS profile)。该服务质量参数分配策略可以提供感兴趣区域内每个终端设备的服务质量流(QoS Flow)配置信息,例如,5G服务质量 标识(5G QoS identifier,5QI)、分配和预留优先级(allocation and retention priority,ARP)、保证流比特率(guaranteed flow bit rate,GFBR)以及最大流比特率(maximum flow bit rate,MFBR)等QoS参数的配置信息。
筛选信息可用于限定进行数据分析的范围或者用于表示数据分析结果的适用范围,也可以将这个范围称为感兴趣区域。本申请不对筛选信息的具体形式进行限定,例如,该筛选信息可以是一个UE列表,只对列表中的UE进行数据分析或者数据分析结果只适用于该列表中的UE。同样的,筛选信息还可以有其他的划分形式,诸如一个UE群组、一个网络切片内的UE等。
可选地,上述第一信息还可以包括业务体验阈值(service experience threshold)、方案有效期信息以及网络能耗信息。业务体验阈值可以用于为NWDAF网元在数字孪生体中寻找最优接入方案时提供依据。例如,如上文所述,在数字孪生体中获取
的过程是一个多目标优化过程,需要在(加权)平均业务体验大于阈值的所有解中选择一个使得能耗最低的解,这里的阈值就是指用户向NWDAF提供的业务体验阈值信息。此外,根据数据分析结果订阅者的不同要求,业务体验阈值可以由不同的形式。作为示例,业务体验阈值可以是一个区域内多个UE的平均业务体验阈值,这样可以最大化的保证该区域内UE的业务体验。同样的,为满足某些特定UE的需求,该业务体验阈值还可以是这些特定UE的业务体验阈值。此外,该业务体验阈值还可以是多个UE的加权平均业务体验阈值等等,在此不再赘述。
为了训练AI模型,NWDAF网元可以执行S240,获取第一数据和第一数据对应的标签。
其中,第一数据包括α
1和α
2,α
1表示感兴趣区域内的用户(例如,UE)个数、用户位置分布和用户业务分布,α
2表示每个UE的RSRP信息、RSRQ信息以及SINR信息。
应理解,NWDAF获取第一数据可以有两种方式:一种类似于步骤S210中所述,从数据提供者获取大量的α
1和α
2的历史数据。例如,从AMF获取UE的位置信息,从SMF获取UE的业务类型信息,以及从RAN获取UE的空口相关信息等。与步骤S210只是单次获取不同的是,该步骤需要多次获取α
1和α
2来获得大量的历史数据,以满足训练获得AI模型的目的。另一种方式利用了数字孪生体的可以仿真模拟的特性,即可以在数字孪生体中生成大量的α
1和α
2,为便于区分,也可称为历史的α
1和α
2,来训练获得AI模型。
在获得大量的第一数据和第一数据对应的标签后,NWDAF可以执行S250,训练生成AI模型。
具体地,对于有监督学习的AI模型,训练数据集包括模型输入和输入对应的标签(即输出)两部分,也即第一数据和第一数据对应的标签。NWDAF网元可根据输入数据α
1和α
2在数字孪生体中获得对应的标签
(即最优UE接入方案),重复此过程,可以得到大量(α
1,α
2,
)数据,将此数据集作为训练数据用于训练AI模型。
其中,上述AI模型可以是ML模型、神经网络模型、线性回归模型或者其他可实现上述功能的模型。
在训练获得AI模型以后,NWDAF网元可以使用该AI模型进行推理得到感兴趣区域内每个UE的接入方案。在进行模型推理时,NWDAF网元可以执行步骤S260,获取第三数据,该第三数据为网络的当前的数据α
1和α
2,其中,第三数据可以从网络中获取,也可 以由第一数据预测获取,即根据α
1和α
2的历史数据,预测得到当前的α
1和α
2。
在获得网络的当前的数据α
1和α
2后,NWDAF网元可以执行步骤S270,将当前的α
1和α
2作为AI模型的输入,推理得到现在每个UE的接入方案。
可选地,该AI模型还可以输出与接入方案有关的信息,例如,方案有效期、业务体验信息、网络能耗信息等。
其中,方案有效期表示上述接入方案的有效时间区间,超出有效期的方案将被视为无效,这样可以保证了方案的可实施性。业务体验信息是在NWDAF通过AI模型推理出实时的或者预测的UE接入方案后,在数字孪生体中获得该方案对应的AOI内UE的(加权)平均业务体验,以及AOI内UE的业务体验方差等信息,该信息用于指示所提供的UE接入方案可能的业务体验效果,例如上述业务体验阈值。类似的,网络能耗信息可用来指示所提供的UE接入方案可能的所需网络能耗。
S280,发送第二信息。
NWDAF网元获得用户接入方案后,可发送第二信息向数据分析结果订阅者提供反馈。其中,第二信息包括多个UE的空口接入策略列表和用户面路径选择方案列表。该第二信息中还可以包括其他信息,例如,方案有效期、业务体验信息、网络能耗信息等。
S290,数据分析结果订阅者为UE建立连接。
在接收到NWDAF所提供的第二信息后,数据分析结果订阅者可根据NWDAF反馈的空口接入策略和UP路径选择方案,自身或通过其他网元为UE建立相应的空口连接和用户面连接。例如,当上述数据分析结果订阅者为PCF时,PCF可根据空口接入策略为AOI内每个UE制定合理的RFSP指标值,并将该RFSP指标值经过AMF发送给RAN,使得RAN根据RFSP指标值对应为每个UE选择合适的RAT无线接入技术/frequency频率。又例如,当上述数据分析结果订阅者为SMF时,该SMF可根据用户面路径选择方案为AOI内每个UE的PDU会话选择合适的UPF和/或DN。
通过本申请的技术方案,通过基于数字孪生网络训练生成AI模型的方法有助于解决网络内或区域内多个终端设备的空口接策略和用户面路径选择问题,更进一步的,还可以保证这些终端设备的整体平均业务体验达到一定阈值的同时,网络能耗最低。
上述过程中,NWDAF负责AI模型的训练和推理过程,并将推理得到的结果发送给数据分析结果订阅者。而在实际应用中,AI模型的训练和推理过程也可以分开实现,即由NWDAF负责AI模型的训练,由数据分析结果订阅者实现模型的推理。如图5示出了本申请提供的策略确定过程的又一例示意***互图。
在图5中,步骤S310至步骤S350与图4中所述的步骤S210至步骤S250相同,在此不再赘述。
作为对第一信息的响应,NWDAF可执行步骤S360,将经步骤S310至步骤S350训练得到的AI模型发送给数据分析结果订阅者,由数据分析结果订阅者根据实际需求生成网络内/区域内的多个终端设备的接入方案。
可选地,数据分析结果订阅者还可以根据实际需求生成网络内/区域内的多个终端设备的服务质量参数分配策略(analytics ID=QoS profile)。该服务质量参数分配策略可以提供感兴趣区域内每个终端设备的服务质量流(QoS Flow)配置信息,例如,5G服务质量标识5QI、分配和预留优先级ARP、保证流比特率GFBR以及最大流比特率MFBR等 QoS参数的配置信息。
在S370,数据分析结果订阅者获取第三数据,其中,该第三数据由数据分析结果订阅者从网络中获取。该第三数据为当前的数据α
1和α
2,其具体可以包括网络内或区域内多个终端设备的以下当前信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息。
在获得网络的当前的数据α
1和α
2后,数据分析结果订阅者可以执行步骤S380,将当前的α
1和α
2作为AI模型的输入,推理得到现在每个UE的接入方案。
可选地,该AI模型还可以输出与接入方案有关的信息,例如,方案有效期、业务体验信息、网络能耗信息等。
其中,方案有效期表示上述接入方案的有效时间区间,超出有效期的方案将被视为无效,这样可以保证了方案的可实施性。业务体验信息是在NWDAF通过AI模型推理出实时的或者预测的UE接入方案后,在数字孪生体中获得该方案对应的AOI内UE的(加权)平均业务体验,以及AOI内UE的业务体验方差等信息,该信息用于指示所提供的UE接入方案可能的业务体验效果,例如业务体验阈值。类似的,网络能耗信息可用来指示所提供的UE接入方案可能的所需网络能耗。
在获得目标接入方案后,数据分析结果订阅者可根据经AI模型推理得到的空口接入策略和UP路径选择方案,自身或通过其他网元为UE建立相应的空口连接和用户面连接。例如,当上述数据分析结果订阅者为PCF时,PCF可根据空口接入策略为AOI内每个UE制定合理的RFSP指标值,并将该RFSP指标值经过AMF发送给RAN,使得RAN根据RFSP指标值对应为每个UE选择合适的RAT无线接入技术/frequency频率。又例如,当上述数据分析结果订阅者为SMF时,该SMF可根据用户面路径选择方案为AOI内每个UE的PDU会话选择合适的UPF和/或DN。
通过本申请的技术方案,通过基于数字孪生网络训练生成AI模型的方法有助于解决网络内或区域内多个终端设备的空口接策略和用户面路径选择问题,更进一步的,还可以保证这些终端设备的整体平均业务体验达到一定阈值的同时,网络能耗最低。
应理解,本申请实施例中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例,而非限制本申请实施例的范围。
还应理解,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
还应理解,在本申请的各个实施例中,如果没有特殊说明以及逻辑冲突,不同的实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
可以理解的是,本申请上述实施例中,由通信设备实现的方法,也可以由可配置于通信设备内部的部件(例如芯片或者电路)实现。
以上,结合图3至图5详细说明了本申请实施例提供的策略确定的方法。上述策略确定方法主要从各个网元之间交互的角度进行了介绍。可以理解的是,各个网元,为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬 件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以下,结合图6至图8详细说明本申请实施例提供的策略确定装置。应理解,装置实施例的描述与方法实施例的描述相互对应,因此,未详细描述的内容可以参见上文方法实施例,为了简洁,部分内容不再赘述。
本申请实施例可以根据上述方法示例对发射端设备或者接收端设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,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。下面以采用对应各个功能划分各个功能模块为例进行说明。
图6是本申请提供的策略确定装置400的一例示意性框图。
该策略确定装置包括接收单元410、处理单元420以及发送单元430,该策略确定装置400可以是上文方法实施例中的数据分析设备,也可以是用于实现上文方法实施例中数据分析设备的功能的芯片。
应理解,该策略确定装置400可对应于根据本申请实施例的方法100至方法300中的数据分析设备,该策略确定装置400可以包括用于执行图3至图5中的数据分析设备执行的方法的单元。并且,该策略确定装置400中的各单元和上述其他操作和/或功能分别实现了图3至图5中的方法100至方法300的相应流程。
在一种可能的设计中,该策略确定装置400可实现图3至图5中任意一图所示的实施例中数据分析设备NWDAF所具备的任意功能。
例如,处理单元420,用于基于数字孪生体获取第一数据和第一数据对应的标签;处理单元420还用于,根据第一数据和第一数据对应的标签,训练得到人工智能AI模型,该AI模型用于获取网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
通过本申请的技术方案,通过基于数字孪生网络训练生成AI模型的方法有助于解决网络内或区域内多个终端设备的空口接策略和用户面路径选择问题,更进一步的,还可以保证这些终端设备的整体平均业务体验达到一定阈值的同时,网络能耗最低。
可选地,该AI模型还可以用于获取网络内或区域内多个终端设备的服务质量参数分配策略。
该装置还包括:接收单元410,从数据提供者获取第二数据,其中,数据提供者包括操作管理维护OAM***、网络功能NF网元和无线接入网RAN网元;处理单元420,还用于根据第二数据,生成数字孪生体。
这样,可以利用数字孪生体低成本试错和智能化决策的特点,在数字孪生体中获取大量的训练数据集来训练生成AI模型,以获得更优的输出信息,例如网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
可选地,处理单元420具体用于:根据数字孪生体,获取第一数据;根据第一数据和数字孪生体,获取第一数据对应的标签。
其中,第一数据包括网络内或所述区域内多个终端设备的以下历史信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息。
第二数据包括以下信息的至少一种:网络内或区域内网络设备之间的拓扑信息、网络或区域内终端设备和网络设备之间的连接信息、网络设备的设备信息或状态信息、终端设备的设备信息或状态信息。
网络设备包括以下的至少一种:RAN网元、接入和移动性管理功能AMF网元、会话管理功能SMF网元和用户面功能UPF网元。
当网络设备包括RAN网元时,网络设备的设备信息或状态信息可以包括:RAN网元的身份标识信息和服务区域信息;终端设备的设备信息或状态信息可以包括:区域内终端设备的RSRP、RSRQ和SINR信息。
当网络设备包括AMF网元时,网络设备的设备信息或所述状态信息可以包括:AMF网元的身份标识信息和服务区域信息,终端设备的设备信息或状态信息可以包括:区域内终端设备的位置信息。
当网络设备包括SMF网元,网络设备的设备信息或状态信息可以包括:SMF网元的身份标识信息和服务区域信息,终端设备的设备信息或状态信息可以包括:区域内终端设备的业务信息。
当网络设备包括UPF网元,网络设备的设备信息或状态信息可以包括:UPF网元的身份标识信息、服务区域信息、服务质量QoS流带宽信息、丢包率和时延信息。
又例如,接收单元410,用于获取第三数据,第三数据包括网络内或区域内多个终端设备的以下当前信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息;处理单元420,用于将第三数据输入人工智能AI模型,获取所述网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略,AI模型可由前述方法训练得到。
通过本申请的技术方案,通过基于数字孪生网络训练生成AI模型的方法有助于解决网络内或区域内多个终端设备的空口接策略和用户面路径选择问题,更进一步的,还可以保证这些终端设备的整体平均业务体验达到一定阈值的同时,网络能耗最低。
处理单元420还用于:获取网络内或区域内多个终端设备的服务质量参数分配策略。
可选地,接收单元410具体用于:从数据提供者获取第三数据,其中,数据提供者包括操作管理维护OAM***、网络功能NF网元和无线接入网RAN网元;或者,处理单元420具体用于:根据第一数据预测获取第三数据,其中,第一数据包括所述网络内或所述区域内多个终端设备的以下历史信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息。
接收单元410具体用于:接收第一信息,第一信息用于请求网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略。发送单元430用于发送第二信息,第二信息包括网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略;或者,发送所述神经网络模型。
其中,第一信息还可以用于请求网络内或区域内多个终端设备的业务服务质量配置策略。
可选地,该第一信息还可以用于请求筛选信息、业务体验信息和/或网络能耗信息,其中,筛选信息用于表示策略适用的范围。
相应地,作为对第一信息的回应,第二信息还可以包括网络内或区域内多个终端设备的业务服务质量配置策略。
可选地,第二信息还可以包括以下信息的至少一种:有效期信息、业务体验信息、网络能耗信息。
图7给出了一种策略确定装置500的结构示意图。该策略确定装置包括接收单元510、以及发送单元520,该策略确定装置500可以是上文方法实施例中的数据分析结果订阅者设备,也可以是用于实现上文方法实施例中数据分析结果订阅者设备功能的芯片。
在一种可能的设计中,该策略确定装置500可实现图3至图5中任意一图所示的实施例中数据分析结果订阅者设备所具备的任意功能。
例如,发送单元530,用于发送第一信息,第一信息用于请求网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略;接收端元510用于接收第二信息,第二信息包括网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略;或者,接收单元510还用于接收AI模型,该AI模型用于获取网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
其中,该第一信息还用于请求所述网络内或所述区域内多个终端设备的业务服务质量配置策略。
可选地,该第一信息还可以用于请求筛选信息、业务体验信息和/或网络能耗信息,其中,筛选信息用于表示所述策略适用的范围。
相应地,作为对第一信息的回应,第二信息还可以包括网络内或区域内多个终端设备的业务服务质量配置策略。
可选地,第二信息还包括以下信息的至少一种:有效期信息、业务体验信息、网络能耗信息。
图8是根据本申请实施例提供的策略确定设备600的结构框图。图8所示的策略确定设备600包括:处理器610、存储器620和通信接口630。该处理器610与存储器耦合,用于执行存储器中存储的指令,以控制通信接口630发送信号和/或接收信号。
应理解,上述处理器610和存储器620可以合成一个处理装置,处理器610用于执行存储器620中存储的程序代码来实现上述功能。具体实现时,该存储器620也可以集成在处理器610中,或者独立于处理器610。
在一种可能的设计中,该策略确定设备600可以是上文方法实施例中的数据分析设备,也可以是用于实现上文方法实施例中数据分析设备的功能的芯片。
具体地,该策略确定设备600可对应于根据本申请实施例的方法100至方法300中的数据分析设备,该策略确定设备600可以包括用于执行图3至图5中的数据分析设备执行的方法的单元。并且,该策略确定设备600中的各单元和上述其他操作和/或功能分别为了实现方法100至方法300的相应流程。应理解,各单元执行上述相应步骤的具体过程在上述方法实施例中已经详细说明,为了简洁,在此不再赘述。
当该策略确定设备600为芯片时,该芯片包括收发单元和处理单元。其中,收发单元可以是输入输出电路或通信接口;处理单元可以为该芯片上集成的处理器或者微处理器或 者集成电路。本申请实施例还提供了一种处理装置,包括处理器和接口。所述处理器可用于执行上述方法实施例中的方法。
应理解,上述处理装置可以是一个芯片。例如,该处理装置可以是现场可编程门阵列(field programmable gate array,FPGA),可以是专用集成芯片(application specific integrated circuit,ASIC),还可以是***芯片(system on chip,SoC),还可以是中央处理器(central processor unit,CPU),还可以是网络处理器(network processor,NP),还可以是数字信号处理电路(digital signal processor,DSP),还可以是微控制器(micro controller unit,MCU),还可以是可编程控制器(programmable logic device,PLD)或其他集成芯片。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
可以理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch-link DRAM,SLDRAM)和直接内存总线随机存取存储器(direct ram-bus RAM,DR RAM)。应注意,本文描述的***和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
根据本申请实施例提供的方法,本申请还提供一种计算机程序产品,该计算机程序产品包括:计算机程序代码,当该计算机程序代码在计算机上运行时,使得该计算机执行图 3和图5所示实施例中任意一个实施例的方法。
根据本申请实施例提供的方法,本申请还提供一种计算机可读介质,该计算机可读介质存储有程序代码,当该程序代码在计算机上运行时,使得该计算机执行图4和图8所示实施例中任意一个实施例的方法。
根据本申请实施例提供的方法,本申请还提供一种***,其包括前述的装置或设备。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disc,SSD))等。
在本说明书中使用的术语“部件”、“模块”、“***”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如,部件可以是但不限于,在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。通过图示,在计算设备上运行的应用和计算设备都可以是部件。一个或多个部件可驻留在进程和/或执行线程中,部件可位于一个计算机上和/或分布在两个或更多个计算机之间。此外,这些部件可从在上面存储有各种数据结构的各种计算机可读介质执行。部件可例如根据具有一个或多个数据分组(例如来自与本地***、分布式***和/或网络间的另一部件交互的二个部件的数据,例如通过信号与其它***交互的互联网)的信号通过本地和/或远程进程来通信。
还应理解,本文中术语“和/或”,仅仅是一种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。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本申请实施例中引入编号“第一”、“第二”、“#a”、“#b”、“#1”、“#2”等只是为了区分不同的对象,比如,区分不同的“信息”,或,“设备厂商”,或,“设备”,或,“单元”,对具体对象以及不同对象间的对应关系的理解应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
所述功能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,可以存储在一个计算机可读取存储介质中。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)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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (25)
- 一种策略确定的方法,其特征在于,包括:基于数字孪生体获取第一数据和所述第一数据对应的标签;根据所述第一数据和所述第一数据对应的标签,训练得到人工智能AI模型,所述AI模型用于获取网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
- 根据权利要求1所述的方法,其特征在于,所述AI模型还用于获取所述网络内或所述区域内多个终端设备的服务质量参数分配策略。
- 根据权利要求1或2所述的方法,其特征在于,所述方法还包括:从数据提供者获取第二数据,其中,所述数据提供者包括操作管理维护OAM***、网络功能NF网元和无线接入网RAN网元;根据所述第二数据,生成所述数字孪生体。
- 根据权利要求1所述的方法,其特征在于,所述基于数字孪生体获取第一数据和所述第一数据对应的标签,包括:根据所述数字孪生体,获取所述第一数据;根据所述第一数据和所述数字孪生体,获取所述第一数据对应的标签。
- 根据权利要求1至4中任一项所述的方法,其特征在于,所述第一数据包括所述网络内或所述区域内多个终端设备的以下历史信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息。
- 根据权利要求1至4中任一项所述的方法,其特征在于,所述第二数据包括以下信息的至少一种:所述网络内或所述区域内网络设备之间的拓扑信息、所述网络或所述区域内终端设备和网络设备之间的连接信息、所述网络设备的设备信息或状态信息、所述终端设备的设备信息或状态信息。
- 根据权利要求6所述的方法,其特征在于,所述网络设备包括以下的至少一种:RAN网元、接入和移动性管理功能AMF网元、会话管理功能SMF网元和用户面功能UPF网元。
- 根据权利要求7所述的方法,其特征在于,所述网络设备包括所述RAN网元,所述网络设备的设备信息或所述状态信息包括:所述RAN网元的身份标识信息和服务区域信息,所述终端设备的设备信息或状态信息包括:所述区域内多个终端设备的RSRP、RSRQ和SINR信息;所述网络设备包括所述AMF网元,所述网络设备的设备信息或所述状态信息包括:所述AMF网元的身份标识信息和服务区域信息,所述终端设备的设备信息或状态信息包括:所述区域内多个终端设备的位置信息;所述网络设备包括所述SMF网元,所述网络设备的设备信息或所述状态信息包括:所述SMF网元的身份标识信息和服务区域信息,所述终端设备的设备信息或状态信息包括:所述区域内多个终端设备的业务信息;所述网络设备包括所述UPF网元,所述网络设备的设备信息或所述状态信息包括:所述UPF网元的身份标识信息、服务区域信息、服务质量QoS流带宽信息、丢包率和时延信息。
- 一种策略确定的方法,其特征在于,包括:获取第三数据,所述第三数据包括网络内或区域内多个终端设备的以下当前信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息;将所述第三数据输入人工智能AI模型,获取所述网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略,所述AI模型由权利要求1至8中任一项所述的方法训练得到。
- 根据权利要求9所述的方法,其特征在于,所述方法还包括:获取所述网络内或所述区域内多个终端设备的服务质量参数分配策略。
- 根据权利要求9或10所述的方法,其特征在于,所述方法由网络数据分析NWDAF网元执行,所述获取第三数据,包括:从数据提供者获取所述第三数据,其中,所述数据提供者包括操作管理维护OAM***、网络功能NF网元和无线接入网RAN网元;或者,根据第一数据预测获取所述第三数据,其中,所述第一数据包括所述网络内或所述区域内多个终端设备的以下历史信息的至少一种:位置信息、业务信息、参考信号接收功率RSRP信息、参考信号接收质量RSRQ信息和信号干扰噪声比SINR信息。
- 根据权利要求9至11中任一项所述的方法,其特征在于,当所述方法由所述NWDAF网元执行,所述方法还包括:接收第一信息,所述第一信息用于请求所述网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略;发送第二信息,所述第二信息包括所述网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略;或者,发送所述AI模型。
- 根据权利要求12所述的方法,其特征在于,所述第一信息还用于请求所述网络内或所述区域内多个终端设备的业务服务质量配置策略。
- 根据权利要求12或13所述的方法,其特征在于,所述第一信息还用于请求筛选信息、业务体验信息和/或网络能耗信息,其中,所述筛选信息用于表示所述策略适用的范围。
- 根据权利要求12所述的方法,其特征在于,所述第二信息还包括所述网络内或所述区域多个内终端设备的业务服务质量配置策略。
- 根据权利要求9至15中任一项所述的方法,其特征在于,所述第二信息还包括以下信息的至少一种:有效期信息、业务体验信息、网络能耗信息。
- 一种策略确定的方法,其特征在于,包括:发送第一信息,所述第一信息用于请求网络内或区域内多个终端设备的空口接入策略和/或用户面路径选择策略;接收第二信息,所述第二信息包括所述网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略;或者,接收AI模型,所述AI模型用于获取所述网络内或所述区域内多个终端设备的空口接入策略和/或用户面路径选择策略。
- 根据权利要求17所述的方法,其特征在于,所述第一信息还用于请求所述网络内或所述区域内多个终端设备的业务服务质量配置策略。
- 根据权利要求17或18所述的方法,其特征在于,所述第一信息还用于请求筛选信息、业务体验信息和/或网络能耗信息,其中,所述筛选信息用于表示所述策略适用的范围。
- 根据权利要求17所述的方法,其特征在于,所述第二信息还包括所述网络内或所述区域内多个终端设备的业务服务质量配置策略。
- 根据权利要求17至20中任一项所述的方法,其特征在于,所述第二信息还包括以下信息的至少一种:有效期信息、业务体验信息、网络能耗信息。
- 一种策略确定装置,其特征在于,包括:存储器,用于存储计算机程序;处理器,用于执行所述存储器中存储的计算机程序,以使得所述通信装置执行权利要求1至8中任一项所述的方法,或者,使得所述通信装置执行权利要求9至16中任一项所述的方法。
- 一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,当所述计算机程序运行时,使得装置执行如权利要求1至8中任意一项所述的方法,或者,使得装置执行如权利要求9至16中任意一项所述的方法。
- 一种通信***,包括数据分析网元,用于执行如权利要求1至16中任一项所述的方法,以及与所述数据分析网元进行通信的核心网网元。
- 一种芯片***,其特征在于,包括:处理器,用于从存储器中调用并运行计算机程序,使得安装有所述芯片***的通信装置执行如权利要求1至8中任意一项所述的方法;或者,使得安装有所述芯片***的通信装置执行如权利要求9至16中任意一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/089783 WO2022226713A1 (zh) | 2021-04-26 | 2021-04-26 | 策略确定的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116671068A true CN116671068A (zh) | 2023-08-29 |
Family
ID=83847574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180087932.2A Pending CN116671068A (zh) | 2021-04-26 | 2021-04-26 | 策略确定的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240064066A1 (zh) |
EP (1) | EP4319059A4 (zh) |
CN (1) | CN116671068A (zh) |
WO (1) | WO2022226713A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116390195A (zh) * | 2023-03-14 | 2023-07-04 | 广州爱浦路网络技术有限公司 | 基于元宇宙的网络连接方法、***、装置及存储介质 |
CN116865261B (zh) * | 2023-07-19 | 2024-03-15 | 梅州市嘉安电力设计有限公司 | 基于孪生网络的电力负荷预测方法及*** |
CN116761207B (zh) * | 2023-08-22 | 2023-12-15 | 杭州纵横通信股份有限公司 | 一种基于通信行为的用户画像构建方法与*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10943168B2 (en) * | 2018-04-10 | 2021-03-09 | Gyrfalcon Technology Inc. | System and method for determining an artificial intelligence model in a decentralized network |
US10750371B2 (en) * | 2018-12-12 | 2020-08-18 | Verizon Patent And Licensing, Inc. | Utilizing machine learning to provide closed-loop network management of a fifth generation (5G) network |
CN112543170A (zh) * | 2019-09-23 | 2021-03-23 | 中国电信股份有限公司 | 软件定义广域网管理方法、装置和***、存储介质 |
CN111556441B (zh) * | 2020-05-22 | 2022-09-23 | 广州三星通信技术研究有限公司 | 用于移动终端的接入网络小区的方法及装置 |
-
2021
- 2021-04-26 EP EP21938204.1A patent/EP4319059A4/en active Pending
- 2021-04-26 WO PCT/CN2021/089783 patent/WO2022226713A1/zh active Application Filing
- 2021-04-26 CN CN202180087932.2A patent/CN116671068A/zh active Pending
-
2023
- 2023-10-25 US US18/494,512 patent/US20240064066A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4319059A1 (en) | 2024-02-07 |
EP4319059A4 (en) | 2024-06-12 |
WO2022226713A1 (zh) | 2022-11-03 |
US20240064066A1 (en) | 2024-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | AI-assisted network-slicing based next-generation wireless networks | |
EP4181556A1 (en) | Artificial intelligence-based communication method and communication device | |
EP4099635A1 (en) | Method and device for selecting service in wireless communication system | |
US20220248226A1 (en) | Dynamic access policy provisioning in a device fog | |
EP3932017A1 (en) | 5g network edge and core service dimensioning | |
CN116671068A (zh) | 策略确定的方法和装置 | |
US20220408293A1 (en) | Method and device for providing network analysis information for rfsp index selection in mobile communication network | |
Ouyang et al. | The next decade of telecommunications artificial intelligence | |
WO2022171051A1 (zh) | 一种通信方法和通信装置 | |
Wu et al. | Toward native artificial intelligence in 6G networks: System design, architectures, and paradigms | |
CN116325686A (zh) | 一种通信方法和装置 | |
WO2023069534A1 (en) | Using ai-based models for network energy savings | |
Ahmed et al. | An intelligent agent-based scheme for vertical handover management across heterogeneous networks | |
CN115150847A (zh) | 模型处理的方法、通信装置和*** | |
CN114980033A (zh) | 原生算力业务实现方法、装置、网络设备及终端 | |
KR20230139297A (ko) | 연합 학습에 관련된 통신 | |
US11805022B2 (en) | Method and device for providing network analytics information in wireless communication network | |
CN117716674A (zh) | 用于ai-ml模型训练的基于网络资源模型的解决方案 | |
WO2023141985A1 (zh) | 通信方法和装置 | |
WO2023236774A1 (zh) | 意图管理的方法与装置 | |
WO2023035872A1 (zh) | 确定用户面路径的方法及通信装置 | |
WO2024065279A1 (zh) | 基于用户意图预测的通信控制方法和通信装置 | |
EP4274177A1 (en) | Method for evaluating action impact over mobile network performance | |
CN114143832B (zh) | 一种业务处理方法、装置及存储介质 | |
WO2024027427A1 (zh) | 异常检测的方法和通信装置 |
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 |