CN117676716B - 通信方法、***及相关设备 - Google Patents

Abstract

本申请实施例提供一种通信方法、***及相关设备，包括：第一设备获取来自第二设备的第一信号，并根据该第一信号，确定第一设备与第二设备之间的第一通信场景，如基于压缩CSI的通信场景等。然后，第一设备根据第一通信场景，确定训练第一通信场景下的AI模型的第一算力，从而第一设备调度该第一算力对应的硬件资源来训练该第一通信场景下的AI模型。如此，第一设备根据通信场景来确定用于训练AI模型的算力大小，能够使得为AI模型所分配的算力，与该AI模型实际需求的算力相匹配，从而可以避免第一设备为AI模型分配的算力过大而出现算力浪费的问题，同时也能避免第一设备为AI模型分配的算力过小而导致AI模型训练失败或者训练效率过低的问题。

Description

通信方法、***及相关设备

技术领域

本申请涉及通信技术领域，尤其涉及一种通信方法、***及相关设备。

背景技术

在通信场景中，人工智能（artificial intelligence，AI）技术与通信技术进行结合，已经成为当前的研究热点。实际应用时，用户设备（user equipment，UE）或者网元（如基站），通常会基于通信场景的需要训练AI模型，以便基于训练得到的AI模型提供相应的通信服务。比如，在信道状态信息（channel state information，CSI）压缩的通信场景中，网元可以利用AI模型对UE发送的压缩后的CSI进行重建；相应地，网元可以预先对该AI模型进行训练，以实现网元与UE之间基于压缩的CSI进行通信。

通常情况下，UE或者网元在为AI模型分配算力来训练该AI模型时，经常会存在硬件资源浪费的问题。

发明内容

本申请提供了一种通信方法、***及相关设备，目的在于避免第一设备为AI模型分配的算力过大而出现算力浪费的问题、以及为AI模型分配的算力过小而导致AI模型训练失败或者训练效率过低的问题。

为了实现上述目的，本申请提供了以下技术方案：

第一方面，本申请提供一种通信方法，方法应用于第一设备，该第一设备例如可以是UE或者网元，具体地，第一设备获取来自第二设备的第一信号，该第一信号例如可以是用于承载第一设备的用户设备的信号。然后，第一设备根据该第一信号，确定第一设备与第二设备之间的第一通信场景，如基于压缩CSI的通信场景等。接着，第一设备根据该第一通信场景，确定训练AI模型的第一算力，并且该AI模型应用于该第一通信场景。比如，第一通信场景可以是基于压缩CSI的通信场景，AI模型可以用于基于压缩后的CSI重建CSI。最后，第一设备调度该第一算力对应的硬件资源来训练该第一通信场景下的AI模型。

由于第一设备在与第二设备进行通信过程中，是根据通信场景来确定用于训练AI模型的算力大小，即，第一设备可以利用不同大小的算力来训练不同通信场景下的AI模型，这使得第一设备为AI模型所分配的算力，与该AI模型实际需求的算力相匹配，从而可以避免第一设备为AI模型分配的算力过大而出现算力浪费的问题，同时也能避免第一设备为AI模型分配的算力过小而导致AI模型训练失败或者训练效率过低的问题。

在一种可能的实施方式中，第一设备在根据第一信号确定第一通信场景时，具体可以是先根据第一信号，确定第一信号特征，该第一信号特征例如可以是第一信号的频率、相位、波形、幅度等特征；然后，第一设备根据该第一信号特征，识别第一设备与第二设备之间的第一通信场景。如此，第一设备在接收到第一信号后，可以通过分析该第一信号的特征，自动识别出第一设备与第二设备之间的通信场景，以便后续基于该通信场景为AI模型分配合适的算力，提高算力分配的合理性，避免分配的算力过多而产生算力浪费。

在一种可能的实施方式中，第一设备（如UE）还可以向第二设备（如网元）发送第二信号，该第二信号用于第一设备与第二设备之间的数据通信，从而第一设备在确定第一通信场景时，具体可以是根据第二设备发送的第一信号所承载的第一通信场景的标识，确定第一通信场景。即，第一通信场景可以由第二设备进行确定，如可以是由第二设备根据接收到的第二信号分析得到第一通信场景等，然后再将其通知给第一设备。如此，在第一设备不具有识别通信场景的能力时，可以通过第二设备识别通信场景，以便第一设备为该通信场景下的AI模型分配合适的算力来训练该AI模型，避免出现算力浪费。

在一种可能的实施方式中，第一设备在确定第一算力时，具体可以是根据第一通信场景，查找映射关系，得到该第一通信场景对应的第一算力，其中，该映射关系用于指示多种通信场景中每种通信场景对应的算力。如此，第一设备可以通过查找该映射关系，确定每种通信场景下的算力，以便后续为该通信场景下的AI模型分配合适的算力，避免出现算力浪费。

在一种可能的实施方式中，第一算力对应的硬件资源，可以包括第一设备上的硬件资源以及第三设备上的硬件资源，即，第一设备可以调度多个设备上的硬件资源来训练同一AI模型，以此满足AI模型对于算力的要求。

在一种可能的实施方式中，第一设备为网元，如基站等，待训练的AI模型用于重建压缩后的CSI（信道状态信息）。或者第一设备为UE（用户设备），待训练的AI模型用于压缩CSI。

在一种可能的实施方式中，第一设备在调度第一算力对应的硬件资源来训练AI模型时，具体可以是基于第一算力调用资源池接口，将资源池中与第一算力对应的硬件资源调度给AI模型，从而利用调度的硬件资源来训练该AI模型。如此，通过针对资源池配置资源池接口，可以方便第一设备根据需求对该资源池进行相应的硬件资源调度，以此提高资源调度的灵活性，降低第一设备的资源调度要求（第一设备可以仅提供算力的数量以及类型，无需指定对哪个或者哪些硬件资源进行调度）。

在一种可能的实施方式中，第一设备还可以获取来自第二设备的第三信号，该第三信号承载AI模型的输入数据，从而第一设备可以利用完成训练的AI模型根据该输入数据进行推理，得到相应的推理结果，并向第二设备发送第四信号，该第四信号承载该推理结果，也即第一设备可以将AI模型推理得到的结果提供给第二设备，以满足第二设备的业务需求，实现为第二设备提供相应的业务服务。

第二方面，本申请提供一种UE（用户设备），该UE包括收发器以及处理器；其中，收发器，用于执行上述第一方面或者第一方面中任一实施方式所述的方法中的接收操作和发送操作；处理器，用于执行上述第一方面或者第一方面中任一实施方式所述的方法中除所述接收操作和所述发送操作以外的其他操作。

第三方面，本申请提供一种网元，该网元包括收发器以及处理器；其中，收发器，用于执行上述第二方面或者第二方面中任一实施方式所述的方法中的接收操作和发送操作；处理器，用于执行上述第二方面或者第二方面中任一实施方式所述的方法中除所述接收操作和所述发送操作以外的其他操作。

第四方面，本申请提供一种通信***，该通信***包括第一设备以及第二设备。其中，第一设备用于执行上述第一方面或者第一方面中任一实施方式所述的方法，第二设备用于向第一设备发送第一信号。

第五方面，本申请提供一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，用于实现本申请的第一方面至第一方面中的任意一种实施方式所提供的通信方法。

第六方面，本申请提供一种包含指令的计算机程序产品，当其在至少一个计算设备上运行时，使得至少一个计算设备实现本申请的第一方面至第一方面中的任意一种实施方式所提供的通信方法。

附图说明

图1为本申请提供的一示例性通信***的结构图；

图2为本申请提供的一种通信方法的流程示意图；

图3为本申请提供的通信场景与算力之间的映射关系示意图；

图4为本申请提供的另一种通信方法的流程示意图；

图5为本申请提供的一种网元的结构示意图；

图6为本申请提供的一种UE的结构示意图。

具体实施方式

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。以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。还应当理解，在本申请实施例中，“一个或多个”是指一个、两个或两个以上；“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的情况，其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。

在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例涉及的多个，是指大于或等于两个。需要说明的是，在本申请实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。

本申请提供了一种通信***，该通信***可以是第五代(5G)通信***，还可以是LTE与5G混合架构、或者5G新无线(5G New Radio，5G NR)***，以及未来通信发展中出现的新通信***等。其中，通信***包括至少两个设备，并且，不同设备之间可以互发信号来实现数据数据。示例性地，通信***包括的设备，例如可以是用户设备（user equipment，UE）和网元，该网元可以是基站等。下面以通信***包括UE和网元为例进行示例性说明。

通信***的一种示例如图1所示，包括网元1与UE2。

在本申请提供的实施例中，网元1可以是位于网络侧，且具有无线收发功能的任意一种设备，包括但不限于：新无线(new radio，NR)中的基站(gNodeB或gNB)或收发点(transmission receiving point/transmission reception point，TRP)等。网元1可以是：宏基站，微基站，微微基站，小站，中继站，或气球站等。网元1可以包含一个或多个共站或非共站的传输点(Transmission Reception Point，TRP)。网元1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、集中单元(centralizedunit，CU)，和/或分布单元(distributed unit，DU)。网元1可以与UE2进行通信，也可以通过中继站与UE2进行通信。

UE2可以与不同技术的多个基站进行通信，例如，UE2可以与支持LTE网络的基站通信，也可以与支持5G网络的基站通信，还可以与支持LTE网络的基站以及5G网络的基站进行双连接。

在本申请提供的实施例中，UE2可以是各种形式，例如，手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备、工业控制(industrial control)中的无线终端、车载终端设备、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)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、可穿戴终端设备等等。UE有时也可以称为终端设备、接入终端设备、车载终端、工业控制终端、UE单元、UE站、移动站、移动台、远方站、远程终端设备、移动设备、UE终端设备、终端设备、无线通信设备、UE代理或UE装置等。终端也可以是固定终端或者移动终端。

实际应用时，在不同的通信场景下，网元1或者UE2所训练的AI模型中的参数量通常会存在差异。比如，在CSI压缩的通信场景中，基站所训练的AI模型的参数量可能达到百万级别；在手机（UE2）从基站（网元1）下载数据的场景中，基站（网元1）所训练的AI模型用于预测下行信道的质量，该AI模型的参数量可能为十万级别以下。另外，训练不同AI模型所采用的训练样本的数据量也可能会存在差异。因此，网元1训练不同AI模型时所需使用的算力通常也会存在差异。

为便于理解与说明，下面以网元1训练AI模型为例进行说明。

通常情况下，针对不同通信场景下的AI模型，网元1均可以为该AI模型分配固定大小的算力，以避免为部分AI模型分配的算力过小而导致AI模型训练失败或者效率过低。但是，在多数通信场景中，网元1训练的AI模型所要求的算力通常会小于分配的算力，这会导致网元1分配给AI模型的算力过多而导致该模型训练过程中产生较为严重的资源浪费。

基于此，本申请提供了一种通信方法，旨在避免网元1为AI模型分配的算力过大而出现算力浪费问题，同时，也能避免为AI模型分配的算力过小而导致AI模型训练失败或者训练效率过低。

具体地，在图1所示的通信***中，UE2可以向网元1发送第一信号，该第一信号可以是UE2与网元1之间进行通信的信号，如第一信号可以承载UE2发送给网元1的CSI信息的信号等。网元1根据第一信号，确定网元1与UE2之间的通信场景，如可以是基于压缩CSI的通信场景等。然后，网元1根据所确定出的通信场景，进一步确定出针对该通信场景下的AI模型进行训练时所采用的算力，从而网元1可以调度该算力所对应的硬件资源来训练该通信场景下的AI模型。其中，硬件资源，可以是网元1上的硬件资源。或者，当通信***还包括其他网元时，用于训练AI模型的硬件资源，还可以是位于其他网元上的硬件资源等。

由于网元1在与UE2进行通信过程中，能够根据通信场景来确定用于训练AI模型的算力大小，即，针对不同的通信场景，网元1能够利用不同大小的算力来训练该通信场景下的AI模型，这使得网元1为AI模型所分配的算力，与该AI模型实际需求的算力相匹配，从而可以避免网元1为AI模型分配的算力过大而出现算力浪费的问题，提高资源利用率，同时也能避免网元1为AI模型所分配的算力过小而导致AI模型训练失败或者训练效率过低的问题。

值得注意的是，上述是以网元1根据通信场景为AI模型调度合适算力的硬件资源来训练AI模型为例进行说明，在其他实现方式中，UE2也可以参照上述类似过程，根据通信场景为AI模型调度合适算力的硬件资源来训练AI模型，对此并不进行限定。

上述是以通信***包括网元1与UE2为例进行说明，在其它可能的实施方式中，通信***中可以包括多个UE或者多个网元。或者，在其它可能的实施方式中，通信***中的网元1也可以被替换为其它形式的网元，对此并不进行限定。

参见图2，示出了本申请实施例提供的一种通信方法。图2所示的通信方法，可以应用于图1所示的通信***，或者可以是应用于其他可能的通信***。为便于理解与说明，下面以应用于图1所示的通信***为例进行说明。如图2所示，该通信方法的流程包括以下步骤：

S201：UE2向网元1发送信号1。

示例性地，所发送的信号1，可以用于UE2与网元1之间的数据通信，该数据可以是包括用户数据（user data）或者控制数据等，对此并不进行限定。

本实施例中，UE2可以与网元1建立连接，如建立无线资源控制（radio resourcecontrol，RRC）连接等。此时，UE2可以基于该连接，向网元1发送信号1，该信号1可以用于承载UE2发送给网元1的用户数据；或者，信号1可以是上行链路控制信息（uplink controlinformation，UCI）消息，如具体可以是CSI等。

S202：网元1根据信号1，确定网元1与UE2之间的通信场景1。

实际应用场景中，网元1可以与不同类型的UE建立RRC连接，并且，不同类型的UE与网元1可能处于不同的通信场景。比如，针对手机类型的UE，该UE与网元1的通信场景可以是基于压缩的CSI的通信场景；针对车载终端类型的UE，该UE与网元1的通信场景可以是高速移动的通信场景。或者，与网元1建立RRC连接的同一UE可能在不同的时间段内存在不同的通信需求，此时，网元1在不同时间段内与UE的通信场景存在差异。比如，当UE具体为手机时，在夜晚时间段，UE的通信业务较少，网元1与UE的通信场景可以是离线计算的通信场景；在白天时间段，UE的通信业务较多，网元1与UE的通信场景可以是实时流时频处理的通信场景。

因此，网元1可以针对UE2发送的信号1，确定网元1与UE2之间的通信场景，具体为确定该通信场景的标识。为便于区分和描述，以下称之为通信场景1。

在一种可能的实施方式中，网元1在接收到信号1后，可以根据信号1确定第一信号特征，该第一信号特征用于指示信号1的特征。示例性地，第一信号特征，例如可以是包括信号1的幅度、频率、相位、波形、信号1在时间域上的变化特性（如上升沿、下降沿等）、信号1在频域上的分布特征（如频谱、频谱密度等）、调制方式（如调频、调相、调幅等）、多径效应（如延迟、相位偏移等）、噪声和干扰（如噪声功率、干扰源等）、信噪比（信号1与噪声之间的功率比值，用于衡量信号1的清晰度和可靠性）、以及误码率中的一种或者多种，或者可以其他类型的特征，对此并不进行限定。

然后，网元1可以根据信号1对应的第一信号特征，识别网元1与UE2之间的通信场景1。

比如，网元1中可以预先配置有信号特征与通信场景之间的映射关系1，如可以预先由技术人员将该映射关系1配置于网元1中。这样，网元1在确定出第一信号特征后，可以查找该映射关系1，确定第一信号特征所对应的通信场景，也即该通信场景也即为上述通信场景1。

又比如，网元1中可以预先配置场景识别模型，该场景识别模型例如可以是分类器或者神经网络模型等，从而网元1可以将确定出的第一信号特征输入至该场景识别模型中，以便由场景识别模型进行推理并输出推理结果，该推理结果所指示的通信场景即为识别出的通信场景1。

作为一些示例，本实施例中，网元1所支持识别的通信场景可以包括以下通信场景中的任意多种。

1、基于辅助自动驾驶的通信场景。在该通信场景下，UE2可以是车载终端，并且，网元1可以利用AI模型进行相应的推理，并将推理结果提供给车载终端，以便车载终端更好、更安全的驾驶。

比如，网元1可以利用AI模型预测车辆在行驶过程中所可能存在的包括障碍物的视角盲区，然后将预测出的包括障碍物的视角盲区提供给车载终端，以便车载终端根据基站提供的信息调整自动驾驶的操作行为、规避驾驶风险。

2、高速移动通信场景。在该通信场景下，UE2可以处于高速移动的状态，如UE2可以是高速行驶的车载终端，或者，UE2可以位于高速行驶的列车上等。此时，网元1可以利用AI模型为UE2提供更有的通信服务。比如，在高速移动的场景下，UE2与网元1之间进行通信的信道质量变化较快，此时，网元1可以利用AI模型预测与网元2进行通信的信道质量是否较高，并在预测出信号质量较低时，及时为UE2切换通信过程中所采用的信道，以便基于切换后的信道保证UE2所接收到的信号的质量。

3、基于实时流视频处理的通信场景。在该通信场景下，网元1可以与UE2交互实时生成的流视频，此时，网元1可以利用AI模型对UE2发送的流视频数据进行解压或者纠错，以得到正确、完整的流视频数据。

4、静态的物联网的通信场景。在该通信场景下，UE2的位置保持稳定，如UE2的位置可以保持不变等。此时，网元1可以与网元2进行数据交互，并利用AI模型执行相应的推理过程。比如，UE2可以是部署在道路旁边的传感器，并能够监控道路上的车流量，从而网元1可以根据UE2提供的车流量，预测未来一段时间内的车流量情况。

5、离线数据分析的通信场景。在该通信场景下，网元1可以执行与AI模型相关的实时性不高的业务。比如，网元1可以对AI模型进行离线训练，或者利用AI模型对数据进行离线分析等。

实际应用时，网元1与UE2之间的通信场景，也可以其他可适用通信场景，在此不做赘述。

S203：网元1根据通信场景1，确定训练AI模型的算力1，该AI模型应用于该通信场景1。

本实施例中，在部分或者每种通信场景中，均可以部署有AI模型，并且，网元1可以对该AI模型执行相应的训练过程，以便利用训练完成的AI模型提供相应的通信服务，如可以基于训练完成的AI模型推理车载终端的是否存在包括障碍物的视角盲区，以便将推理结果发送给车载终端（即UE2）等。

相应地，训练AI模型需要一定的算力。因此，网元1在确定训练该AI模型所需的算力时，可以根据通信场景1进行确定算力的大小。为便于区分和描述，以下将为AI模型分配的算力称之为算力1。

在一种可能的实施方式中，网元1可以预先配置有映射关系2，该映射关系2用于指示针对每种通信场景下的AI模型进行训练所适合采用的算力大小。其中，映射关系2可以预先由技术人员将其配置于网元1，或者可以由网元1通过自学习或者数据通信等方式进行生成等，对此并不进行限定。

示例性地，网元1中所配置的映射关系，可以如图3所示，每种通信场景均存在相应大小的算力来训练该通信场景下的AI模型。

这样，网元1在确定出通信场景1后，可以查找该映射关系，确定出通信场景1所对应的算力1。

在其他实施例中，网元1也可以采用其他方式根据通信场景1确定算力1。比如，网元1可以通过分类器或者AI技术预测对通信场景1下的AI模型所需分配的算力等。

S204：网元1调度算力1对应的硬件资源训练该AI模型。

网元1在确定出算力1后，可以调度相应的硬件资源来训练通信场景1下的AI模型，所调度的硬件资源对应的算力大小与算力1相匹配。比如，如图3所示，针对高速移动通信场景下的AI模型，网元1可以根据算力大小为10，调度2个处理器来训练该AI模型；针对基于辅助自动驾驶的通信场景下的AI模型，网元1可以根据算力大小为40，调度8个处理器来训练该AI模型。

在第一种实现示例中，网元1上可以配置有相应的硬件资源，从而网元1可以根据算力1，调度网元1上的硬件资源来训练该AI模型。

在第二种实现示例中，网元1上配置的硬件资源有限，该硬件资源所具有的算力，可能无法满足训练AI模型对于算力的要求。此时，通信***10可以包括多个网元，并且，该多个网元之间可以通过有线或者无线方式进行通信。则，网元1在确定出算力1后，当该算力1超出网元1自身所能提供的最大算力，则网元1可以调度多个网元上的硬件资源来对该AI模型进行分布式训练，所调度的多个网元上的硬件资源所具有的算力，能够满足训练该AI模型对于算力的要求，也即不小于算力1。

当然，除了上述实现方式之外，网元1也可以通过其他方式调度相应的硬件资源来训练AI模型，对此并不进行限定。

实际应用时，基于网元1所能调度的硬件资源，可以构建资源池，如可以通过部署在网元1（以及其他网元）上的软件，对该硬件资源进行管理，并对网元1提供资源池接口。这样，网元1可以根据确定出的算力1，调用该资源池接口，如可以将该算力1作为资源池接口的入参进行接口调用等，实现将资源池中与算力1对应的硬件资源调度给AI模型。举例来说，假设通过软件构建的资源池包括10个处理器，每个处理器所能提供的算力大小为5，并且，网元1所确定出的算力1的大小为40。则，网元1在根据算力1调度资源池接口时，可以从资源池包括的10个处理器中，选择其中的8个处理器（总算力大小为40，不小于算力1），并利用该8个处理器来训练AI模型。

示例性地，网元1所能调度的硬件资源，可以是能够提供通用算力的处理器，如CPU、或者片上***（system on a chip，SoC）等。或者，网元1所能调度的硬件资源，可以是能够提供专用算力的处理器，如数字信号处理器（digital signal processor，DSP）、图形处理器（graphics processing unit，GPU）、现场可编程门阵列（field programmable gatearray，FPGA）、专用集成电路（application specific integrated circuit，ASIC）、或者神经网络处理器（neural-network processing unit，NPU）等。或者，网元1所能调度的硬件资源，可以是能够提供高性能计算（high performance computing，HPC）的硬件资源，如可以是基于通信***包括的多个网元上的硬件资源实现该HPC等。

在一种可能的实施方式中，网元1在利用硬件资源训练AI模型的过程中，可以通过与UE2之间的通信，获取用于训练AI模型的输入数据以及训练标签。比如，网元1所接收到的信号1，可以承载训练AI模型时所需的输入数据以及训练标签，从而网元1可以利用该输入数据以及训练标签，完成针对AI模型的训练。又比如，网元1除了可以接收到信号1之外，还可以接收其他信号，并且该其他信号可以承载训练AI模型所需的输入数据以及训练标签，从而网元2可以根据其他信号承载的输入数据以及训练标签完成针对AI模型的训练。

为便于理解，下面结合部分通信场景对此进行示例性说明。

示例一，在基于辅助自动驾驶的通信场景A中，UE2具体可以是车载终端，此时，UE2可以采集当前行驶的道路上的流量数据、路况数据通过信号1发送给网元1。网元1在接收到信号1后，不仅可以根据信号1确定通信场景A以及进一步确定训练该通信场景A下的AI模型所需的算力，而且，还可以解析出该信号1所承载的流量数据以及路况数据。从而，网元1可以将该流量数据以及路况数据作为AI模型的输入，并调度相应算力的硬件资源对AI模型进行训练。其中，当网元1对该AI模型进行有监督训练时，UE2还可以向网元1发送信号2，并且，该信号2可以承载车辆是否存在包括障碍物的视觉盲区的结果，该结果例如可以是通过车载终端上单独安装的拍摄装置进行采集得到等。如此，网元1可以通过与UE2之间的交互，实现对AI模型进行有监督或者无监督的训练。

进一步地，在完成AI模型的训练后，网元1在与UE2进行交互的过程中，可以利用该AI模型，根据UE2新提供的流量数据以及路况数据（通过新的信号进行承载）进行推理，得到推理结果，该推理结果能够指示车辆当前是否包括障碍物的视角盲区，并将该推理结果发送给UE2。这样，UE2可以根据接收到的推理结果（假设视觉盲区包括障碍物），调整车辆自动驾驶的操作行为，以降低车辆自动驾驶的风险。

示例二，在高速移动通信场景B中，UE2处于高速移动的状态。此时，UE2可以向网元1发送信号1，该信号1可以承载UE2所接收到的信号强度、相位等信息。相应地，网元1不仅可以根据信号1，识别出通信场景B以及确定出用于训练通信场景B下的AI模型的算力，而且，网元1还可以将信号1所承载的信号强度、相位等信息作为AI模型的输入数据，并调度相应算力的硬件资源对AI模型进行训练。

这样，在完成AI模型的训练后，网元1在与UE2进行交互的过程中，可以利用该AI模型，根据UE2反馈的信号强度以及相位等信息进行推理，得到推理结果，该推理结果能够指示下行信道的质量。从而，当推理结果指示下行信道的质量过低时，网元1可以更换与UE2进行通信时所采用的下行信道，以此保证与UE2之间的通信质量。

示例三，在离线数据分析的通信场景C中，UE2向网元1发送的信号1，可以承载UE2压缩后的CSI。并且，UE2还可以向网元1发送信号2，该信号2用于承载未被压缩的CSI。则，网元1在接收到信号1后，不仅可以根据信号1，识别出通信场景C以及确定出用于训练通信场景C下的AI模型的算力，而且，网元1还可以将信号1所承载的压缩后的CSI作为AI模型的输入数据，并调度相应算力的硬件资源对AI模型进行训练。其中，训练AI模型所采用的标签即为信号2所承载的未被压缩的CSI。

这样，在完成AI模型的训练后，网元1在与UE2进行交互的过程中，UE2每次向网元1发送压缩后的CSI，而网元1可以利用该AI模型对压缩后的CSI进行重建，得到完整的、正确的CSI，以此可以减少后续网元1获得CSI时所需传输的数据量。

类似地，在其他通信场景中，网元1也可以采用上述类似的实现方式对AI模型进行有监督或者无监督的训练，在此不做赘述。

值得注意的是，本实施例中，是以网元1识别通信场景1、确定算力1以及调度相应地硬件资源来训练AI模型为例进行说明，在其他实施例中，也可以是由UE2识别通信场景1、确定算力1以及调度相应地硬件资源来训练AI模型，其具体实现方式与上述图2所示实施例的实现方式类似，在此不做赘述。

本实施例中，网元1在针对每个通信场景下的AI模型进行训练时，是通过自动分析出通信场景并根据通信场景来确定用于训练AI模型的算力大小，这使得网元1为AI模型所分配的算力，与该AI模型实际需求的算力相匹配，从而可以避免网元1为AI模型分配的算力过大而出现算力浪费的问题，提高资源利用率，同时也能避免网元1为AI模型所分配的算力过小而导致AI模型训练失败或者训练效率过低的问题。

上述图2所示的实施例中，是以网元1识别通信场景并调度硬件资源来训练AI模型为例，在其他实施例中，也可以是由网元1和UE2协同完成AI模型的训练过程。下面结合图4对此进行示例性说明。

参见图4，示出了另一种通信方法的流程示意图。如图4所示，该方法具体可以包括：

S401：UE2向网元1发送信号2。

S402：网元1根据信号2，确定网元1与UE2之间的通信场景2。

其中，步骤S401与步骤S402的实现方式，可参见上述图2实施例中步骤S201以及步骤S202的相关之处描述，在此不做赘述。

S403：网元1向UE2发送信号3，该信号3承载通信场景2的标识。

本实施例中，并非是由网元1分配算力来训练AI模型，而是由UE2训练AI模型。因此，网元1在识别出通信场景2后，可以将该通信场景2通知给UE2。

S404：UE2根据通信场景2，确定训练AI模型的算力2，该AI模型应用于该通信场景2。

S405：UE2调度算力2对应的硬件资源训练该AI模型。

本实施例中，步骤S404以及步骤S405的具体实现方式，可参见上述图2实施例中步骤S203以及步骤S204的相关之处描述，在此不做赘述。

实际应用时，网元1可以根据通信场景确定训练AI模型的主体为网元1还是UE2。比如，当网元1根据接收到的信号识别出通信场景为通信场景1时，则，网元1可以根据该通信场景1调度合适算力的硬件资源来训练AI模型；而当网元1根据接收到的信号识别出通信场景为通信场景2时，则，网元1可以根据该通信场景2通知给UE2，以便由UE2调度合适算力的硬件资源来训练AI模型等。

本实施例中，UE2根据通信场景来确定用于训练AI模型的算力大小，这使得UE2为AI模型所分配的算力，与该AI模型实际需求的算力相匹配，从而可以避免UE2为AI模型分配的算力过大而出现算力浪费的问题，提高资源利用率，同时也能避免UE2为AI模型所分配的算力过小而导致AI模型训练失败或者训练效率过低的问题。

下面，结合图5以及图6，进一步介绍网元1以及UE2的硬件实现方式。

参见图5，示出了一种网元的硬件结构示意图，该网元能够用于执行上述图2以及图4所示实施例中的网元1所执行的方法。图5所示的网元，包括至少一个处理器111、至少一个存储器112、至少一个收发器113、至少一个网络接口114和一个或多个天线115。处理器111、存储器112、收发器113和网络接口114相连，例如通过总线相连，在本申请实施例中，所述连接可包括各类接口、传输线或总线等，本实施例对此不做限定。天线115与收发器113相连。网络接口114用于使得网元通过通信链路，与其它通信设备相连，例如网络接口114可以包括网元与核心网中的网元之间的网络接口，例如S1接口，网络接口可以包括网元和其他网元之间的网络接口，例如X2或者Xn接口。

其中，图5中所示的处理器111具体可以完成上述方法中网元处理的动作，存储器112可以完成上述方法中存储的动作，收发器113和天线115可以执行上述方法中空口上的收发动作，网络接口114可以完成上述方法中与网元或者其他网元之间进行交互的动作。

本申请实施例中的处理器，例如处理器111，可以包括但不限于以下至少一种：中央处理单元（central processing unit，CPU）、微处理器、数字信号处理器（DSP）、微控制器（microcontroller unit，MCU）、或人工智能处理器等各类运行软件的计算设备，每种计算设备可包括一个或多个用于执行软件指令以进行运算或处理的核。该处理器可以是个单独的半导体芯片，也可以跟其他电路一起集成为一个半导体芯片，例如，可以跟其他电路（如编解码电路、硬件加速电路或各种总线和接口电路）构成一个SoC（片上***），或者也可以作为一个ASIC的内置处理器集成在所述ASIC当中，该集成了处理器的ASIC可以单独封装或者也可以跟其他电路封装在一起。该处理器除了包括用于执行软件指令以进行运算或处理的核外，还可进一步包括必要的硬件加速器，如FPGA（现场可编程门阵列）、PLD（可编程逻辑器件）、或者实现专用逻辑运算的逻辑电路。

本申请实施例中的存储器，可以包括如下至少一种类型：只读存储器（read-onlymemory，ROM) 或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器（random access memory，RAM) 或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器（Electrically erasable programmabler-only memory，EEPROM）。在某些场景下，存储器还可以是只读光盘（compact disc read-only memory，CD-ROM）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器112可以是独立存在，与处理器111相连。可选的，存储器112可以和处理器111集成在一起，例如集成在一个芯片之内。其中，存储器112能够存储执行本申请实施例的技术方案的程序代码，并由处理器111来控制执行，被执行的各类计算机程序代码也可被视为是处理器111的驱动程序。例如，处理器111用于执行存储器112中存储的计算机程序代码，从而实现本申请实施例中的技术方案。

收发器113可以用于支持网元与其它设备之间射频信号的接收或者发送，收发器113可以与天线115相连。收发器113包括发射机Tx和接收机Rx。具体地，一个或多个天线115可以接收射频信号，该收发器113的接收机Rx用于从天线接收所述射频信号，并将射频信号转换为数字基带信号或数字中频信号，并将该数字基带信号或数字中频信号提供给所述处理器111，以便处理器111对该数字基带信号或数字中频信号做进一步的处理，例如解调处理和译码处理。此外，收发器113中的发射机Tx还用于从处理器111接收经过调制的数字基带信号或数字中频信号，并将该经过调制的数字基带信号或数字中频信号转换为射频信号，并通过一个或多个天线115发送所述射频信号。具体地，接收机Rx可以选择性地对射频信号进行一级或多级下混频处理和模数转换处理以得到数字基带信号或数字中频信号，所述下混频处理和模数转换处理的先后顺序是可调整的。发射机Tx可以选择性地对经过调制的数字基带信号或数字中频信号时进行一级或多级上混频处理和数模转换处理以得到射频信号，所述上混频处理和数模转换处理的先后顺序是可调整的。数字基带信号和数字中频信号可以统称为数字信号。

图6为本申请实施例提供的UE的组成示例，该UE例如可以是手机、智能穿戴设备（如智能手表）等。下面以手机为例，UE可以包括处理器310，外部存储器接口320，内部存储器321，显示屏330，摄像头340，天线1，天线2，移动通信模块350，以及无线通信模块360等。

可以理解的是，本实施例示意的结构并不构成对该UE的具体限定。在另一些实施例中，该UE可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

处理器310可以包括一个或多个处理单元，例如：处理器310可以包括应用处理器（application processor，AP），调制解调处理器，图形处理器（graphics processingunit，GPU），图像信号处理器（image signal processor，ISP），控制器，时频编解码器，数字信号处理器（digital signal processor，DSP），基带处理器，和/或神经网络处理器（neural-network processing unit，NPU）等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。

可以理解的是，本实施例示意的各模块间的接口连接关系，只是示意性说明，并不构成对UE的结构限定。在本申请另一些实施例中，UE也可以采用上述实施例中不同的接口连接方式，或多种接口连接方式的组合。

外部存储器接口320可以用于连接外部存储卡，例如Micro SD卡，实现扩展UE的存储能力。外部存储卡通过外部存储器接口320与处理器310通信，实现数据存储功能。例如将音乐，时频等文件保存在外部存储卡中。

内部存储器321可以用于存储计算机可执行程序代码，可执行程序代码包括指令。处理器310通过运行存储在内部存储器321的指令，从而执行UE的各种功能应用以及数据处理。内部存储器321可以包括存储程序区和存储数据区。其中，存储程序区可存储操作***，至少一个功能所需的应用程序(比如声音播放功能，图像播放功能等)等。存储数据区可存储UE使用过程中所创建的数据（比如时频流数据）等。此外，内部存储器321可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universal flash storage，UFS)等。处理器310通过运行存储在内部存储器321的指令，和/或存储在设置于处理器中的存储器的指令，执行UE的各种功能以及数据处理。

UE的无线通信功能可以通过天线1，天线2，移动通信模块350，无线通信模块360，调制解调处理器以及基带处理器等实现。

天线1和天线2用于发射和接收电磁波信号。UE中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用，以提高天线的利用率。例如：可以将天线1复用为无线局域网的分集天线。在另外一些实施例中，天线可以和调谐开关结合使用。

移动通信模块350可以提供应用在UE上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块350可以包括至少一个滤波器，开关，功率放大器，低噪声放大器(lownoise amplifier，LNA)等。移动通信模块350可以由天线1接收电磁波，并对接收的电磁波进行滤波，放大等处理，传送至调制解调处理器进行解调。移动通信模块350还可以对经调制解调处理器调制后的信号放大，经天线1转为电磁波辐射出去。在一些实施例中，移动通信模块350的至少部分功能模块可以被设置于处理器310中。在一些实施例中，移动通信模块350的至少部分功能模块可以与处理器310的至少部分模块被设置在同一个器件中。

一些实施例中，UE通过移动通信模块350和天线1发起或接收的呼叫请求。

另外，在上述部件之上，运行有操作***。例如iOS操作***，Android操作***，Windows操作***等。在操作***上可以安装运行应用程序。所属领域的技术人员可以清楚地了解到，为描述方便和简洁，上述提供的任一种UE中相关内容的解释及有益效果均可参考上文提供的对应的方法实施例，此处不再赘述。

此外，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在一个或者多个计算设备上运行时，使得该一个或者多个计算设备执行上述实施例所述的通信方法。

此外，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品被一个或者多个计算设备执行时，所述一个或者多个计算设备执行前述通信方法中的任一方法。该计算机程序产品可以为一个软件安装包，在需要使用前述通信方法的任一方法的情况下，可以下载该计算机程序产品并在计算机上执行该计算机程序产品。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。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可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，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，训练设备，或者网络设备等）执行本申请各个实施例所述的方法。

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程序指令时，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、训练设备或数据中心通过有线（例如同轴电缆、光纤、数字用户线（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、训练设备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储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、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，DVD）、或者半导体介质（例如固态硬盘（Solid State Disk，SSD)）等。

本申请实施例描述的***架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

Claims (10)

1.一种通信方法，其特征在于，所述方法包括：

第一设备获取来自第二设备的第一信号；

所述第一设备根据所述第一信号，确定所述第一设备与所述第二设备之间的第一通信场景；

所述第一设备根据所述第一通信场景，确定训练人工智能AI模型的第一算力的大小，所述AI模型应用于所述第一通信场景；

所述第一设备调度所述第一算力对应的硬件资源训练所述AI模型，其中，训练所述AI模型的主体为所述第一设备或所述第二设备，并且，训练所述AI模型的主体根据所述第一通信场景进行确定；

所述第一设备根据所述第一信号，确定所述第一设备与所述第二设备之间的第一通信场景，包括：

所述第一设备根据所述第一信号，确定第一信号特征，所述第一信号特征包括所述第一信号的幅度、频率、相位、波形、所述第一信号在时间域上的变化特性、所述第一信号在频域上的分布特征、调制方式、多径效应、噪声和干扰、信噪比、以及误码率中的一种或者多种；

所述第一设备根据所述第一信号特征，识别所述第一通信场景。

2.根据权利要求1所述的方法，其特征在于，所述第一设备根据所述第一通信场景，确定训练人工智能AI模型的第一算力，包括：

所述第一设备根据所述第一通信场景，查找映射关系，得到所述第一通信场景对应的第一算力，所述映射关系用于指示多种通信场景中每种通信场景对应的算力。

3.根据权利要求1所述的方法，其特征在于，所述第一算力对应的硬件资源，包括第一设备上的硬件资源以及第三设备上的硬件资源。

4.根据权利要求1所述的方法，其特征在于，所述第一设备为网元，所述AI模型用于重建压缩后的信道状态信息CSI；

或者，所述第一设备为用户设备UE，所述AI模型用于压缩信道状态信息CSI。

5.根据权利要求1所述的方法，其特征在于，训练所述AI模型的主体为所述第一设备，所述第一设备调度所述第一算力对应的硬件资源训练所述AI模型，包括：

所述第一设备基于所述第一算力调用资源池接口，将资源池中与所述第一算力对应的硬件资源调度给所述AI模型；

所述第一设备利用所述硬件资源训练所述AI模型。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：

所述第一设备获取来自所述第二设备的第三信号，所述第三信号承载所述AI模型的输入数据；

所述第一设备利用完成训练的所述AI模型根据所述输入数据进行推理，得到推理结果；

所述第一设备向所述第二设备发送第四信号，所述第四信号承载所述推理结果。

7.一种用户设备，其特征在于，包括：

收发器，用于执行权利要求1-6任一项所述的方法中的接收操作和发送操作；

处理器，用于执行权利要求1-6任一项所述的方法中除所述接收操作和所述发送操作以外的其他操作。

8.一种网元，其特征在于，包括：

收发器，用于执行权利要求1-6任一项所述方法中的接收操作和发送操作；

处理器，用于执行权利要求1-6任一项所述方法中除所述接收操作和所述发送操作以外的其他操作。

9.一种通信***，其特征在于，

包括第一设备以及第二设备，所述第一设备用于执行权利要求1-6任一项所述的方法，所述第二设备用于向所述第一设备发送第一信号。

10.一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，用于实现权利要求1-6任一项所述的通信方法。