WO2024067438A1 - Ai模型推理方法、设备及可读存储介质 - Google Patents

Ai模型推理方法、设备及可读存储介质 Download PDF

Info

Publication number
WO2024067438A1
WO2024067438A1 PCT/CN2023/120929 CN2023120929W WO2024067438A1 WO 2024067438 A1 WO2024067438 A1 WO 2024067438A1 CN 2023120929 W CN2023120929 W CN 2023120929W WO 2024067438 A1 WO2024067438 A1 WO 2024067438A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
identifier
mapping
information
model
Prior art date
Application number
PCT/CN2023/120929
Other languages
English (en)
French (fr)
Inventor
周通
吴昊
Original Assignee
维沃移动通信有限公司
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 维沃移动通信有限公司 filed Critical 维沃移动通信有限公司
Publication of WO2024067438A1 publication Critical patent/WO2024067438A1/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies

Definitions

  • the present application belongs to the field of communication technology, and specifically relates to an AI model reasoning method, device and readable storage medium.
  • communication transceivers such as base stations and user equipment (UE, also known as terminals)
  • UE user equipment
  • the channel quality measured in different transmit and receive analog beams varies. How to quickly and accurately find the transmit and receive beam group with the highest channel quality from all possible transmit and receive analog beam combinations is the key to influencing transmission quality.
  • the terminal After introducing the artificial intelligence (AI) neural network model, the terminal can effectively predict the transmit and receive analog beam with the highest channel quality based on historical channel quality information and report it to the network side.
  • AI artificial intelligence
  • Beam information such as beam pointing, beam shape, and beam 3dB width are all relatively sensitive information.
  • the model input includes the receive beam information that the UE can provide, the measured beam quality information, and the transmit beam information on the base station side.
  • the sample data used in training AI models is privacy-processed.
  • the collected data cannot match the physical meaning of the model input because the privacy processing method is unknown.
  • the embodiments of the present application provide an AI model reasoning method, device and readable storage medium, which can solve the problem that the data collected during AI model reasoning cannot match the physical meaning of the AI model input.
  • an AI model reasoning method including:
  • the first device sends first information to the second device
  • the first device receives second information from the second device
  • the first device generates a data set for AI model reasoning according to the first mapping data and/or the second mapping data;
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference, and the second information includes plaintext data and/or the second mapping
  • the first mapping data is data mapped by the first device through a first data mapping method
  • the second mapping data is data mapped by the second device through a second data mapping method
  • the AI model has an association with the first data mapping method and/or the second data mapping method.
  • an AI model reasoning method including:
  • the second device receives the first information from the first device
  • the second device sends second information to the first device
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plain text data and/or the second mapping data, which is data mapped by the second device through a second data mapping method;
  • the AI model has an association with the first data mapping method and/or the second data mapping method.
  • an AI model reasoning method including one or more of the following:
  • the third device sends a first identifier to the first device
  • the third device sends the first identifier and the second identifier to the first device
  • the third device sends a second identifier to the second device
  • the first identifier is the identifier of the first data mapping method
  • the second identifier is the identifier of the second data mapping method
  • an AI model reasoning device is provided, the device being applied to a first device, the device comprising:
  • a first sending module used for the first device to send first information to the second device
  • a first receiving module configured for the first device to receive second information from the second device
  • a generating module configured for the first device to generate a data set for AI model reasoning according to the first mapping data and/or the second mapping data;
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plain text data and/or the second mapping data, the first mapping data is data mapped by the first device through a first data mapping method, and the second mapping data is data mapped by the second device through a second data mapping method;
  • the AI model has an association with the first data mapping method and/or the second data mapping method.
  • an AI model reasoning device is provided, the device being applied to a second device, the device comprising:
  • a second receiving module used for the second device to receive the first information from the first device
  • a second sending module configured for the second device to send second information to the first device
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plaintext data and/or the second mapping data, which is data mapped by the second device through a second data mapping method;
  • the AI model is associated with the first data mapping method and the second data mapping method.
  • an AI model reasoning device is provided, the device being applied to a second device, the device comprising:
  • the third sending module is used for one or more of the following:
  • the third device sends a first identifier to the first device
  • the third device sends the first identifier and the second identifier to the first device
  • the third device sends a second identifier to the second device
  • the first identifier is the identifier of the first data mapping method
  • the second identifier is the identifier of the second data mapping method
  • a communication device which terminal includes a processor and a memory, the memory storing a program or instruction that can be run on the processor, and the program or instruction, when executed by the processor, implements the steps of the method described in the first aspect, or implements the steps of the method described in the second aspect, or implements the steps of the method described in the third aspect.
  • a communication device including a processor and a communication interface, wherein
  • the communication interface is used for the first device to send first information to the second device;
  • the communication interface is used for the first device to receive second information from the second device;
  • the processor is used for the first device to generate a data set for AI model reasoning according to the first mapping data and/or the second mapping data;
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plain text data and/or the second mapping data, the first mapping data is data mapped by the first device through a first data mapping method, and the second mapping data is data mapped by the second device through a second data mapping method;
  • the AI model has an association with the first data mapping method and/or the second data mapping method.
  • the communication interface is used for the second device to receive the first information from the first device
  • the communication interface is used for the second device to send second information to the first device
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plaintext data and/or the second mapping data, which is data mapped by the second device through a second data mapping method;
  • the AI model is associated with the first data mapping method and the second data mapping method.
  • the communication interface is used for one or more of the following:
  • the third device sends a first identifier to the first device
  • the third device sends the first identifier and the second identifier to the first device
  • the third device sends a second identifier to the second device
  • the first identifier is the identifier of the first data mapping method
  • the second identifier is the identifier of the second data mapping method
  • a communication system comprising: a first device, a second device and a third device, wherein the first device can be used to execute the steps of the method described in the first aspect, the second device can be used to execute the steps of the method described in the second aspect, and the third device can be used to execute the steps of the method described in the third aspect.
  • a readable storage medium wherein a program or instruction is stored on the readable storage medium, wherein the program
  • the steps of the method described in the first aspect are implemented, or the steps of the method described in the second aspect are implemented, or the steps of the method described in the third aspect are implemented.
  • a chip comprising a processor and a communication interface, wherein the communication interface is coupled to the processor, and the processor is used to run a program or instructions to implement the steps of the method described in the first aspect, or the steps of the method described in the second aspect, or the steps of the method described in the third aspect.
  • a computer program/program product is provided, wherein the computer program/program product is stored in a storage medium, and the computer program/program product is executed by at least one processor to implement the steps of the method described in the first aspect, or the steps of the method described in the second aspect, or the steps of the method described in the third aspect.
  • the first device sends a first message containing a first requirement to the second device, the first device receives a second message containing plaintext data and/or second mapping data from the second device, and the first device generates a data set for AI model reasoning based on the first mapping data and/or the second mapping data, wherein the first mapping data is data mapped by the first device using a first data mapping method, the second mapping data is data mapped by the second device using a second data mapping method, and the AI model has an association relationship with the first data mapping method and/or the second data mapping method.
  • the data mapped using the data mapping method associated with the AI model is used as input data for AI model reasoning to ensure that the physical meaning of the data matches the AI model.
  • FIG1 is a block diagram of a wireless communication system to which an embodiment of the present application can be applied;
  • FIG2 is a flowchart of an AI model reasoning method according to an embodiment of the present application.
  • FIG3 is a second flow chart of the AI model reasoning method provided in an embodiment of the present application.
  • FIG4 is a third flowchart of the AI model reasoning method provided in an embodiment of the present application.
  • FIG5 is one of the structural schematic diagrams of the AI model reasoning device provided in an embodiment of the present application.
  • FIG6 is a second structural diagram of the AI model reasoning device provided in an embodiment of the present application.
  • FIG7 is a third structural diagram of the AI model reasoning device provided in an embodiment of the present application.
  • FIG8 is a schematic diagram of the structure of a communication device provided in an embodiment of the present application.
  • FIG9 is a schematic diagram of the structure of a terminal provided in an embodiment of the present application.
  • FIG10 is a schematic diagram of a structure of a network device according to an embodiment of the present application.
  • FIG. 11 is a second schematic diagram of the structure of the network device provided in an embodiment of the present application.
  • first, second, etc. in the specification and claims of the present application are used to distinguish similar objects, and are not used to describe a specific order or sequence. It should be understood that the terms used in this way are interchangeable under appropriate circumstances, so that the embodiments of the present application can be implemented in an order other than those illustrated or described here, and the objects distinguished by “first” and “second” are generally of the same type, and the number of objects is not limited.
  • the first object can be one or more.
  • “and/or” in the specification and claims represents at least one of the connected objects, and the character “/" generally represents that the objects associated with each other are in an "or” relationship.
  • LTE Long Term Evolution
  • LTE-A Long Term Evolution
  • CDMA Code Division Multiple Access
  • TDMA Time Division Multiple Access
  • FDMA Frequency Division Multiple Access
  • OFDMA Orthogonal Frequency Division Multiple Access
  • SC-FDMA Single-carrier Frequency Division Multiple Access
  • NR new radio
  • FIG1 shows a block diagram of a wireless communication system applicable to the embodiment of the present application.
  • the wireless communication system includes a terminal 11 and a network device 12 .
  • the terminal 11 may be a mobile phone, a tablet computer, a laptop computer or a notebook computer, a personal digital assistant (PDA), a handheld computer, a netbook, an ultra-mobile personal computer (UMPC), a mobile Internet device (MID), an augmented reality (AR)/virtual reality (VR) device, a robot, a wearable device (Wearable Device), a vehicle user equipment (VUE), a pedestrian terminal (Pedestrian User Equipment, PUE), a smart home (a home appliance with wireless communication function, such as a refrigerator, a television, a washing machine or furniture, etc.), a game console, a personal computer (PC), a teller machine or a self-service machine and other terminal side devices, and the wearable device includes: a smart watch, a smart bracelet, a smart headset, a smart glasses, smart jewelry (s
  • the network device 12 may include an access network device or a core network device, wherein the access network device may also be referred to as a radio access network device, a radio access network (RAN), a radio access network function or a radio access network unit.
  • the access network device may include a base station, a wireless local area network (WLAN) access point or a wireless fidelity (WiFi) node, etc.
  • WLAN wireless local area network
  • WiFi wireless fidelity
  • the base station may be referred to as a node B, an evolved node B (eNB), an access point, a base transceiver station (BTS), a radio base station, a radio transceiver, a basic service set (BSS), an extended service set (ESS), a home node B, a home evolved node B, a transmitting receiving point (TRP) or some other appropriate term in the field.
  • eNB evolved node B
  • BTS basic service set
  • ESS extended service set
  • TRP transmitting receiving point
  • the core network equipment may include but is not limited to at least one of the following: core network node, core network function, mobility management entity (Mobility Management Entity, MME), access mobility management function (Access and Mobility Management Function, AMF), session management function (Session Management Function, SMF), user plane function (User Plane Function, UPF), policy control function (Policy Control Function, PCF), policy and charging rules function unit (Policy and Charging Rules Function, PCRF), edge application service discovery function (Edge Application Server Discovery Function, EASDF), unified data management (Unified Data Management, UDM), unified data storage (Unified Data Repository, UDR), home user server (Home Subscriber Server, HSS), centralized network configuration (CNC), network storage function (Network Repository Function, NRF), network exposure function (Network Exposure Function, NEF), local NEF (Local NEF, or L-NEF), binding support function (Binding Support Function, BSF), application function (Application Function, AF), etc. It should be noted that in
  • an embodiment of the present application provides an AI model reasoning method
  • the execution subject of the method is a first device
  • the first device may be a terminal, an access network device, or a core network device
  • the method includes:
  • Step 201 The first device sends first information to the second device
  • Step 202 The first device receives second information from the second device
  • Step 203 The first device generates a data set for AI model reasoning according to the first mapping data and/or the second mapping data;
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plain text data and/or second mapping data, the first mapping data is data mapped by the first device through a first data mapping method, and the second mapping data is data mapped by the second device through a second data mapping method.
  • the AI model is an association between the AI model and the first data mapping method and/or the second data mapping method.
  • plaintext data refers to non-sensitive data, such as information related to beam quality. This type of information does not require data mapping and can be directly interacted and used.
  • the above-mentioned first device is used to collect data required for reasoning and perform specific reasoning, so the first device can be called an inference and reasoning data collection device.
  • the above-mentioned second device is used to provide the data required for reasoning to the first device, and the data needs to be privacy processed through a data mapping method, so the second device can be called a privacy processing device or a data processing device.
  • the first device sends a first message including a first requirement to the second device, the first device receives a second message including plaintext data and/or second mapping data from the second device, and the first device performs the operation according to the first mapping data.
  • And/or second mapping data generate a data set for AI model reasoning, wherein the first mapping data is data mapped by the first device through the first data mapping method, the second mapping data is data mapped by the second device through the second data mapping method, and the AI model has an association relationship with the first data mapping method and/or the second data mapping method.
  • the data mapped by the data mapping method associated with the AI model is used as the input data for AI model reasoning to ensure that the physical meaning of the data matches the AI model.
  • the data input during the training and reasoning process of the AI model are mapped data obtained by mapping using a data mapping method, that is, the real data is privacy-processed through the data mapping method to improve data security.
  • association between the AI model and the first data mapping method and the second data mapping method means that the input data used in training the AI model is data mapped by the first data mapping method and the second data mapping method. This is done to avoid direct exposure of sensitive data and improve data security.
  • the AI model training is completed by the devices at both ends of the communication transceiver, and the devices at both ends of the communication transceiver are respectively devices of the same category as the first device and the second device. For example, the AI model training is completed by the device A and the device B.
  • the AI model training needs to use the mapping data of the device A and the device B at the same time, wherein the device A and the first device are devices of the same category, such as both terminals or both base stations, and the device B and the second device are devices of the same category, such as both base stations or both terminals.
  • the two use the first data mapping method and the second data mapping method to map the mapping data, and train the AI model through the mapping data.
  • the first device and the second device also need to use the first data mapping method and the second data mapping method to map the mapping data, and use the obtained mapping data as the data set used for AI model reasoning.
  • the device for training the AI model and the device for using the AI model for reasoning may not be the same device, the corresponding data mapping method may not be pre-stored in the above-mentioned first device and second device. Therefore, it is also necessary to consider the specific way in which the first device and the second device obtain the data mapping method.
  • AI model training is completed by device A and device B in cooperation.
  • AI model training is performed on device A, and the training data includes plaintext data and mapping data of device B, wherein device A and the first device are of the same category, such as both are terminals or both are base stations, and device B and the second device are of the same category, such as both are base stations or both are terminals; in the process of device A and device B cooperating to train the AI model, device A does not provide sensitive data, device B uses the second data mapping method to map the mapping data, and device A trains the AI model based on the mapping data of device B; then in order to ensure that when the first device performs inference based on the AI model, the physical meaning of the input data can match the AI model, the second device needs to use the second data mapping method to map the mapping data, and use the obtained mapping data as the data set used for AI model inference.
  • AI model training is completed by device A.
  • AI model training is performed on device A.
  • the training data includes plaintext data and mapping data of multiple devices A, wherein device A and the first device are devices of the same category, such as both are terminals or both are base stations.
  • device A After being mapped to a unified data format through the same mapping method, device A then trains the AI model based on the mapped data.
  • the first device In order to ensure that the physical meaning of the input data can match the AI model when the first device performs reasoning based on the AI model, the first device needs to use the first data mapping method to map the mapped data, and use the obtained mapped data as the data set used for AI model reasoning.
  • the method further includes: performing AI model processing according to the data set, wherein the AI model processing includes: at least one of model reasoning of the AI model, model training of the AI model, and model monitoring of the AI model.
  • the method further includes: performing at least one of the following according to the processed AI model:
  • Beam prediction channel prediction, channel quality prediction, mobility management, Quality of Experience (QoE) prediction.
  • QoE Quality of Experience
  • Plaintext data + second mapping data In this case, the AI model is only associated with the second mapping method. Accordingly, the second information carries the plaintext data and the second mapping data, or the second information carries the second mapping data (that is, the second information may only carry the second mapping data, and the plaintext data is obtained by the first device itself);
  • the AI model is associated with both the first mapping method and the second mapping method. Accordingly, the second information carries the plaintext data and the second mapping data, or the second information carries the second mapping data (that is, the second information may only carry the second mapping data, and the plaintext data is obtained by the first device itself);
  • the first device is a base station, and transmit beam prediction is performed.
  • the model input is the base station transmit beam direction and beam quality.
  • the base station transmit beam direction is the first mapping data, and the beam quality is plain text data.
  • the plain text data is included in the second information and sent by the second device UE to the base station.
  • the first device is a UE, and transmit beam prediction is performed.
  • the model input is the base station transmit beam direction and beam quality.
  • the base station transmit beam direction is the second mapping data, and the beam quality is plain text data.
  • the second mapping data is included in the second information and is sent by the second device base station to the UE.
  • the beam quality is measured by the first device UE through the reference signal.
  • the first device is a base station, and the receive beam prediction is performed.
  • the model input is the UE receive beam direction and beam quality.
  • the UE receive beam direction is the second mapping data, and the beam quality is the plain text data. Both are included in the second information, which is sent by the second device UE to the base station.
  • the first device is a base station, and the transmit and receive beam pair prediction is performed.
  • the model input is the base station transmit beam pointing, the UE receive beam pointing, and the beam quality.
  • the base station transmit beam pointing is the first mapping data
  • the UE receive beam pointing is the second mapping data
  • the beam quality is the plaintext data.
  • the second mapping data and the plaintext data are included in the second information, which is sent by the second device UE to the base station.
  • the first device is a UE, and the transmit and receive beam pair prediction is performed.
  • the model input is the base station transmit beam index.
  • the UE receives the beam direction and the beam quality.
  • the UE receives the beam direction as the first mapping data, the base station sends the beam direction as the second mapping data, and the beam quality is plain text data.
  • the second mapping data is included in the second information and sent by the second device UE to the base station.
  • the beam quality is obtained by the UE by measuring the reference signal.
  • the method before the first device sends the first information to the second device, the method further includes:
  • the first device sends an AI model identifier to the third device
  • the first device receives the first identifier and the second identifier from the third device;
  • the first information also includes a second identifier
  • the AI model identifier is associated with the first identifier and the second identifier.
  • the first identifier is the identifier of the first data mapping method
  • the second identifier is the identifier of the second data mapping method.
  • the above-mentioned third device stores the association relationship between the AI model identifier and the first identifier and the second identifier. It can be understood that if the first device generates a data set for AI model reasoning based on the second mapping data, then the third device may only store the association relationship between the AI model identifier and the second identifier; since the first identifier and the second identifier correspond to the data mapping method, that is, the privacy method, the third device can be called a privacy scheme determination device or a data processing device. Specifically, the third device can be an additionally set data storage library. After an AI model is obtained through training, the association relationship between the AI model identifier and the corresponding first identifier and the second identifier can be stored in the third device. In this way, when AI model reasoning is required later, the first identifier and the second identifier associated with it can be retrieved from the third device through the AI model identifier;
  • the first device obtains the first identifier and the second identifier from the third device through the AI model identifier, and then carries the second identifier through the first information to provide the second identifier to the second device, so that the first device and the second device can respectively perform data mapping according to the first identifier and the second identifier to obtain corresponding mapping data.
  • the method before the first device sends the first information to the second device, the method further includes:
  • the first device sends an AI model identifier to the third device
  • the first device receives a first identifier from the third device
  • the first information also includes an AI model identifier, and there is an association relationship between the AI model identifier and the first identifier, and the first identifier is the identifier of the first data mapping method.
  • the third device stores an association relationship between the AI model identifier and the first identifier and the second identifier;
  • the first device obtains only the first identifier from the third device through the AI model identifier, and then carries the AI model identifier through the first information to provide the AI model identifier to the second device, and the second device obtains the second identifier from the third device through the AI model identifier.
  • the first device and the second device can respectively perform data mapping according to the first identifier and the second identifier to obtain corresponding mapping data.
  • the method before the first device sends the first information to the second device, the method further includes:
  • the first device sends an AI model identifier to the fourth device;
  • the first device receives a first identifier from the fourth device
  • the AI model identifier is the identifier of the first data mapping method.
  • the fourth device stores the association relationship between the AI model identifier and the first identifier.
  • the fourth device It may be an additionally set data storage library. After an AI model is obtained through training, the association relationship between the AI model identifier and the corresponding first identifier may be stored in the fourth device, so that when the AI model inference is required later, the first identifier associated with it may be retrieved from the fourth device through the AI model identifier;
  • a fifth device can also be set up to store the association relationship between the AI model identifier and the corresponding second identifier; in some application scenarios, the fourth device and the fifth device can be combined to obtain the third device mentioned above.
  • the first device obtains only the first identifier from the fourth device through the AI model identifier, so that the first device can perform data mapping according to the first identifier to obtain corresponding mapping data.
  • the method further includes:
  • the first device receives third information from the third device, where the third information includes one or more of the following:
  • the fourth information includes the first requirement; that is, the data requirement for the first device to perform AI model inference is provided to the first device by the third device.
  • the fifth information includes the second requirement, and the second requirement is the data collection requirement for devices of the same category as the first device during the training of the AI model; that is, the third device informs the first device of the data collection requirement for devices of the same category as the first device during the training of the AI model. Because in some embodiments, AI model reasoning requires not only the data of the second device but also the data of the first device, the first device can determine what data it needs to provide during AI model reasoning based on the second requirement.
  • the sixth information includes information on the need for plaintext data;
  • the plaintext data is clear data that has not been processed for privacy protection, for example, the plaintext data may be the reference signal received power (RSRP), the reference signal received quality (RSRQ), and the signal-to-noise and interference ratio (SINR) of the beam;
  • RSRP reference signal received power
  • RSRQ reference signal received quality
  • SINR signal-to-noise and interference ratio
  • the seventh information includes data input position information of the plaintext data, and data input position information of the first mapping data and/or data input position information of the second mapping data; or, the seventh information includes data input position information of the plaintext data, and the data input position information of the plaintext data is associated with the first mapping data and/or the second mapping data.
  • the third device assists the first device in performing AI model reasoning by providing the first device with the information content of (1) to (4) above.
  • the first identifier and the second identifier may also be carried in the third information, that is, the third device sends the first identifier and the second identifier as well as the information contents of (1) to (4) to the first device through the third information.
  • the seventh information includes the data input position information of the first mapping data, the data input position information of the second mapping data and the data input position information of the plaintext data, as shown in Table 1-a:
  • the data input positions shown in Table 1-a above can be used to input each data at the corresponding position to ensure the normal operation of the AI model.
  • the first mapping data or the second mapping data corresponds to multiple reference information resources. Therefore, the data input position of the first mapping data or the data input position of the second mapping data can be a continuous position corresponding to the information of multiple reference signal resources; it can also be multiple continuous positions, each position corresponding to the information of a reference signal resource. It can also be a combination of the two methods.
  • the seventh information includes the data input position information of the first mapping data and the data input position information of the plaintext data, as shown in Table 1-b:
  • the data input positions shown in Table 1-b above can be used to input each data at the corresponding position to ensure the normal operation of the AI model.
  • the first mapping data corresponds to multiple reference information resources. Therefore, the data input position of the first mapping data can be a continuous position corresponding to the information of multiple reference signal resources; it can also be multiple continuous positions, each position corresponding to a reference signal. Resource information. It can also be a combination of the two methods.
  • the seventh information includes the data input position information of the second mapping data and the data input position information of the plaintext data, as shown in Table 1-c:
  • the second mapping data corresponds to multiple reference information resources. Therefore, the data input position of the second mapping data can be a continuous position corresponding to the information of multiple reference signal resources; it can also be multiple continuous positions, each position corresponding to the information of a reference signal resource. It can also be a combination of the two methods.
  • the input position information of the plaintext data is determined based on the seventh information.
  • the first mapping data and the second mapping data are used as the two-dimensional coordinates of the input position of the plaintext data, that is, the data input content is plaintext data, and the data input position is determined by the first mapping data and the second mapping data.
  • the plaintext data can be input according to the corresponding position according to the data input position shown in Table 2-a above to ensure the normal operation of the AI model.
  • the input position information of the plaintext data is determined based on the seventh information.
  • the first mapping data is used as the one-dimensional coordinate of the input position of the plaintext data, that is, the data input content is plaintext data, and the data input position is determined by the first mapping data, such as the virtual beam identifier.
  • the plaintext data can be input according to the corresponding position according to the data input position shown in Table 2-b above to ensure the normal operation of the AI model.
  • the input position information of the plaintext data is determined based on the seventh information.
  • the second mapping data is used as the one-dimensional coordinate of the input position of the plaintext data, that is, the data input content is plaintext data, and the data input position is determined by the second mapping data, such as the virtual beam identifier.
  • the plaintext data can be input according to the corresponding position according to the data input position shown in Table 2-c above to ensure the normal operation of the AI model.
  • the first device generates a data set for AI model reasoning according to the first mapping data and/or the second mapping data, including:
  • the first device assigns the plaintext data, and the first mapping data and/or the second mapping data to the corresponding data input positions in the AI model according to the seventh information; see Table 1-a, Table 1-b and Table 1-c above for details;
  • the seventh information includes the data input position information of the plaintext data.
  • the first device assigns the plaintext data to the corresponding data input positions in the AI model according to the seventh information; see Table 2-a, Table 2-b and Table 2-c above for details.
  • the method further includes:
  • the first device determines a first data mapping method according to the first identifier and the first relationship
  • the first device maps according to the first data mapping method to obtain first mapping data
  • the first relationship is a mapping relationship between a first identifier and a first data mapping method.
  • the first device determines a corresponding first data mapping method according to the first relationship based on the acquired first identifier, and performs data mapping to obtain first mapping data.
  • the seventh information includes data input position information of plaintext data
  • the data input position information of the plaintext data has an association relationship with the first mapping data and/or the second mapping data
  • the second information also includes an output result mapping table
  • the method further includes:
  • the first device maps the output result of the AI model according to the output result mapping table to obtain a valid inference result
  • the first device In the case where the first device is a terminal, the first device sends the valid inference result to the network side.
  • the original model output is a 32x8 two-dimensional table.
  • the effective inference result is an 8x8 two-dimensional table.
  • the results of the (5, 7, 13, 15, 17, 19, 25, 27) columns are taken from Table 3-a-1 as the effective inference results to obtain Table 3-a-2.
  • the data input position information of the plaintext data is consistent with the first mapping data or the second mapping data.
  • the original model output is a 32x1 one-dimensional table.
  • the effective inference result is an 8x1 one-dimensional table.
  • the results of the (5, 7, 13, 15, 17, 19, 25, 27) rows are taken from Table 3-b-1 as the effective inference results, and Table 3-b-2 is obtained.
  • the base station cooperates with the terminal to perform AI model training.
  • the terminal is the training side and the base station is the data providing side.
  • the base station provides 32-beam data (for example, Tables 2-a, 2-b and 2-c above).
  • the terminal is the reasoning side and the base station is the data providing side (the terminal and base station that perform reasoning are different from the terminal and base station that perform training).
  • the base station provides 8-beam data. If the AI model is input at this time, there will be 24 columns of redundant data positions. Therefore, the base station can provide an output result mapping table, and the terminal filters out valid reasoning results (for example, Table 3-a-2 or 3-b-2 above) according to the output result mapping table.
  • the data input position information includes any one of the following:
  • the demand information of the plaintext data includes: data items of the plaintext data and the number of collected plaintext data.
  • the method further includes:
  • the first device obtains the plaintext data
  • the first device can also perform the step of obtaining the plain text data, for example, the plain text data includes both the beam ID and the RSRP.
  • the second information includes the beam ID, and the first device can obtain another plain text data RSRP by itself.
  • the plaintext data type can be:
  • Beam quality such as RSRP
  • the UE measures the reference signal to obtain the beam quality (the first device is the UE in this case), such as RSRP;
  • the UE feeds back the RSRP to the base station through measurement reporting (the first device is the base station in this case);
  • the plaintext data is directly obtained by the first device.
  • the plaintext data may be sent to the base station via the second information.
  • UE beam ID and base station beam ID applicable to the prediction scenario of the transmit and receive beam pair (for example, when the beam configurations of the base station and UE are the same for training and inference)
  • the UE receives the beam ID (plaintext data is obtained by the UE itself), the base station sends the beam ID (plaintext data), and the second device obtains the beam ID through the second information.
  • the beam quality (plaintext data) is measured by the UE itself.
  • the beam ID (plain text data) sent by the base station can be obtained by the base station itself, and the beam ID (plain text data) and beam quality (plain text data) sent by the UE are obtained through the second information.
  • data to be collected for the transmit/receive beam pair prediction input scenario :
  • Beam quality obtained by UE measuring reference signals and reported to the base station, which can be plain text data
  • the UE receives the beam ID, which can be plain text data or mapped data obtained after data mapping;
  • the base station sends a beam ID, which can be plain text data or mapped data obtained after data mapping.
  • data to be collected for the transmit beam prediction input scenario :
  • Beam quality obtained by UE measuring reference signals and reported to the base station, which can be plain text data
  • the base station sends a beam ID, which can be plain text data or mapped data obtained after data mapping.
  • data to be collected for receive beam prediction input scenarios :
  • Beam quality obtained by UE measuring reference signals and reported to the base station, which can be plain text data
  • the UE receives the beam ID, which can be plain text data or mapped data obtained after data mapping.
  • the first data mapping method and/or the second data mapping method includes any one of the following:
  • biasing the data specifically, the bias value used by the first device is known to the first device but unknown to the second device, which can prevent the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • the scaling factor used by the first device is known to the first device but unknown to the second device, which can prevent the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • mapping method used by the first device is known to the first device but unknown to the second device, which can prevent the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • mapping relationship between the original order used by the first device and the random order is known to the first device but unknown to the second device, thereby preventing the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • the data collection requirements include one or more of the following:
  • the collected data items include one or more of the following:
  • the method further includes:
  • the first device receives one or more of the following from the third device:
  • an embodiment of the present application provides an AI model reasoning method
  • the execution subject of the method is a second device
  • the second device may be a terminal, an access network device, or a core network device
  • the method includes:
  • Step 301 The second device receives first information from the first device
  • Step 302 The second device sends second information to the first device
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plain text data and/or the second mapping data, which is data mapped by the second device through the second data mapping method; and there is an association between the AI model and the first data mapping method and/or the second data mapping method.
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes second mapping data, the first mapping data is data mapped by the first device through a first data mapping method, and the second mapping data is data mapped by the second device through a second data mapping method.
  • the AI model is an association between the AI model and the first data mapping method and/or the second data mapping method.
  • the above-mentioned first device is used to collect data required for reasoning and perform specific reasoning, so the first device can be called an inference and reasoning data collection device.
  • the above-mentioned second device is used to provide the data required for reasoning to the first device, and the data needs to be privacy processed through a data mapping method, so the second device can be called a privacy processing device or a data processing device.
  • the first device sends a first message containing a first requirement to the second device, the first device receives a second message containing second mapping data from the second device, and the first device generates a data set for AI model reasoning based on the first mapping data and/or the second mapping data, wherein the first mapping data is data mapped by the first device using a first data mapping method, the second mapping data is data mapped by the second device using a second data mapping method, and the AI model has an association with the first data mapping method and/or the second data mapping method.
  • the data mapped using the data mapping method associated with the AI model is used as input data for AI model reasoning to ensure that the physical meaning of the data matches the AI model.
  • the first information includes a second identifier
  • the second identifier is an identifier of the second data mapping method
  • the first information further includes an AI model identifier
  • the method before the second device maps the second mapping data using the second data mapping method, the method further includes:
  • the second device sends an AI model identifier to the third device
  • the second device receives a second identifier from the third device
  • the AI model identifier is the identifier of the second data mapping method.
  • the third device stores an association relationship between the AI model identifier and the first identifier and the second identifier;
  • the first device carries the AI model identifier through the first information and provides the AI model identifier to the second device.
  • the second device obtains the second identifier from the third device through the AI model identifier, so that the second device can perform data mapping according to the second identifier to obtain corresponding mapping data.
  • the first information further includes an AI model identifier
  • the method before the second device maps the second mapping data using the second data mapping method, the method further includes:
  • the second device sends an AI model identifier to the fifth device
  • the second device receives a second identifier from the fifth device
  • the AI model identifier is the identifier of the second data mapping method.
  • the fifth device stores an association relationship between the AI model identifier and the second identifier.
  • the fifth device may be an additionally provided data storage repository. After an AI model is obtained through training, the association relationship between the AI model identifier and the corresponding second identifier may be stored in the fifth device. In this way, when the AI model inference is required later, the second identifier associated with the AI model identifier may be retrieved from the fifth device through the AI model identifier.
  • a fourth device can also be set up to store the association relationship between the AI model identifier and the corresponding first identifier; in some application scenarios, the fourth device and the fifth device can be combined to obtain the third device mentioned above.
  • the second device obtains the second identifier from the fifth device through the AI model identifier, so that the second device can perform data mapping according to the second identifier to obtain corresponding mapping data.
  • the method further includes:
  • the second device determines a second data mapping method according to the second identifier and the second relationship
  • the second relationship is a mapping relationship between the second identifier and the second data mapping method.
  • the second device determines a corresponding second data mapping method according to the acquired second identifier and the second relationship, and performs data mapping to obtain second mapping data.
  • the first data mapping method and/or the second data mapping method includes any one of the following:
  • biasing the data specifically, the bias value used by the first device is known to the first device but unknown to the second device, which can prevent the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • the scaling factor used by the first device is known to the first device but unknown to the second device, which can prevent the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • mapping method used by the first device is known to the first device but unknown to the second device, which can prevent the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • mapping relationship between the original order used by the first device and the random order is known to the first device but unknown to the second device, thereby preventing the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • mapping to a virtual beam identifier according to beam pointing the mapping relationship is known to the first device but unknown to the second device, which can prevent the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • the data collection requirements include one or more of the following:
  • the collected data items include one or more of the following:
  • an embodiment of the present application provides an AI model reasoning method
  • the execution subject of the method is a third device
  • the third device may be a terminal, an access network device, a core network device, or a third-party server, and the method includes:
  • Step 401 includes one or more of the following:
  • the third device sends a first identifier to the first device
  • the third device sends the first identifier and the second identifier to the first device
  • the third device sends a second identifier to the second device
  • the first identifier is the identifier of the first data mapping method
  • the second identifier is the identifier of the second data mapping method
  • the third device sending the first identifier to the first device includes:
  • the third device receives the AI model identifier from the first device
  • the third device sends a first identifier to the first device
  • the third device sending the first identifier and the second identifier to the first device includes:
  • the third device receives the AI model identifier from the first device
  • the third device sends the first identifier and the second identifier to the first device
  • the third device stores an association relationship between the AI model identifier and the first identifier and the second identifier. Since the first identifier and the second identifier correspond to a data mapping method, that is, a privacy method, the third device can be referred to as a privacy scheme determination device or a data processing device. Specifically, the third device can be an additionally provided data storage repository. After an AI model is obtained through training, the association relationship between the AI model identifier and the corresponding first identifier and the second identifier can be stored in the third device. In this way, when AI model inference is required later, the first identifier and the second identifier associated with the AI model identifier can be retrieved from the third device through the AI model identifier.
  • the first device obtains the first identifier and the second identifier from the third device through the AI model identifier, and then carries the second identifier through the first information to provide the second identifier to the second device, so that the first device and the second device can respectively perform data mapping according to the first identifier and the second identifier to obtain corresponding mapping data.
  • the third device sending the second identifier to the second device includes:
  • the third device receives the AI model identifier from the second device
  • the third device sends a second identifier to the first device
  • the third device stores an association relationship between the AI model identifier and the second identifier, or an association relationship between the AI model identifier and the first identifier and the second identifier;
  • the first device obtains only the first identifier from the third device through the AI model identifier, and then carries the AI model identifier through the first information to provide the AI model identifier to the second device, and the second device obtains the second identifier from the third device through the AI model identifier.
  • the first device and the second device can respectively perform data mapping according to the first identifier and the second identifier to obtain corresponding mapping data.
  • the method further includes:
  • the third device sends third information to the first device, where the third information further includes one or more of the following:
  • the fourth information includes a first requirement, where the first requirement is a data collection requirement for the second device when the first device performs AI model inference;
  • the fifth information includes a second requirement, where the second requirement is a data collection requirement for devices of the same category as the first device during training of the AI model;
  • sixth information including demand information of plain text data
  • the seventh information includes data input position information of the plaintext data, and the data input position information of the first mapped data and/or the data input position information of the second mapped data; or the seventh information includes the data input position information of the plaintext data, and the data input position information of the plaintext data
  • the seventh information includes data input position information of the plaintext data, and the data input position information of the plaintext data
  • the third device assists the first device in performing AI model reasoning by providing the first device with the information content of (1) to (4) above.
  • the data input position information includes any one of the following:
  • the demand information of the plaintext data includes: data items of the plaintext data and the number of collected plaintext data.
  • the first data mapping method and/or the second data mapping method includes any one of the following:
  • biasing the data specifically, the bias value used by the first device is known to the first device but unknown to the second device, which can prevent the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • the scaling factor used by the first device is known to the first device but unknown to the second device, which can prevent the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • mapping method used by the first device is known to the first device but unknown to the second device, which can prevent the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • mapping relationship between the original order used by the first device and the random order is known to the first device but unknown to the second device, thereby preventing the real data of the second device from being obtained in a reverse manner, thereby improving data security;
  • the data collection requirements include one or more of the following:
  • the collected data items include one or more of the following:
  • the method further includes:
  • the third device sends one or more of the following to the first device:
  • the execution subject may be an AI model reasoning device.
  • the AI model reasoning device executing the AI model reasoning method is taken as an example to illustrate the AI model reasoning device provided in the embodiment of the present application.
  • a specific device can be used as a data collection device, a device for beam pointing information privacy processing, and a privacy scheme determination device.
  • the device can be used as a first device to perform the processing operations related to FIG. 2, as a second device to perform the processing operations related to FIG. 3, and as a third device to perform the processing operations related to FIG. 4.
  • an embodiment of the present application provides an AI model reasoning device 500, which is applied to a first device and includes:
  • a first sending module 501 configured to send first information to a second device
  • a generating module 503, configured to generate a data set for AI model reasoning according to the first mapping data and/or the second mapping data;
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plain text data and/or the second mapping data, the first mapping data is data mapped by the first device through a first data mapping method, the second mapping data is data mapped by the second device through a second data mapping method, and the AI model is related to the second device.
  • the first data mapping method and/or the second data mapping method are associated with each other.
  • the device further comprises:
  • a fourth sending module configured to send an AI model identifier to a third device before sending the first information to the second device
  • a third receiving module configured to receive a first identifier and a second identifier from the third device
  • the first information also includes the second identifier
  • the AI model identifier is associated with the first identifier and the second identifier
  • the first identifier is the identifier of the first data mapping method
  • the second identifier is the identifier of the second data mapping method.
  • the device further comprises:
  • a fifth sending module configured to send an AI model identifier to a third device before sending the first information to the second device
  • a fourth receiving module configured to receive a first identifier from the third device
  • the first information also includes the AI model identifier, and there is an association relationship between the AI model identifier and the first identifier, and the first identifier is the identifier of the first data mapping method.
  • the device further comprises:
  • a sixth sending module configured to send an AI model identifier to a fourth device before sending the first information to the second device
  • a fifth receiving module configured to receive a first identifier from a fourth device
  • the AI model identifier is the identifier of the first data mapping method.
  • the device further comprises:
  • a sixth receiving module is configured to receive third information from a third device, where the third information includes one or more of the following:
  • fourth information wherein the fourth information includes the first requirement
  • the fifth information including a second requirement, where the second requirement is a data collection requirement for devices of the same category as the first device during training of the AI model;
  • sixth information includes demand information of plain text data
  • the seventh information includes data input position information of the plaintext data, and data input position information of the first mapping data and/or data input position information of the second mapping data; or, the seventh information includes data input position information of the plaintext data, and the data input position information of the plaintext data is associated with the first mapping data and/or the second mapping data.
  • the generating module is specifically used for:
  • the seventh information includes data input position information of the plaintext data, and data input position information of the first mapping data and/or data input position information of the second mapping data, the first mapping data and/or the second mapping data, and the plaintext data are respectively assigned to corresponding data input positions in the AI model according to the seventh information;
  • the seventh information includes the data input position information of the plaintext data
  • the data input position information of the plaintext data is associated with the first mapping data and/or the second mapping data
  • the seventh information assigns the plaintext data to the corresponding data input positions in the AI model respectively.
  • the device further comprises:
  • a first determining module configured to determine the first data mapping method according to the first identifier and the first relationship
  • a first mapping module configured to map the first mapping data according to the first data mapping method
  • the first relationship is a mapping relationship between the first identifier and the first data mapping method.
  • the seventh information includes data input position information of the plaintext data
  • the data input position information of the plaintext data is associated with the first mapping data and/or the second mapping data
  • the second information also includes an output result mapping table
  • the device further includes:
  • a second mapping module used to map the output result of the AI model according to the output result mapping table to obtain a valid inference result
  • the seventh sending module is used to send the valid inference result to the network side when the first device is a terminal.
  • the data input position information includes any one of the following:
  • the information indicating the starting position of data input and the information indicating the ending position of data input are identical to each other.
  • the demand information of the plaintext data includes: data items of the plaintext data and the number of collected plaintext data.
  • the device further includes an acquisition module, configured to:
  • the plaintext data is obtained by measuring
  • the plaintext data is received from the second device.
  • the first data mapping method and/or the second data mapping method includes any one of the following:
  • the data collection requirements include one or more of the following:
  • the collected data items include one or more of the following:
  • the device further comprises:
  • the seventh receiving module is configured to receive one or more of the following from the third device:
  • an embodiment of the present application provides an AI model reasoning device 600, which is applied to a second device and includes:
  • the second receiving module 601 is used to receive first information from a first device
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plaintext data and/or the second mapping data, which is data mapped by the second device through a second data mapping method;
  • the AI model is associated with the first data mapping method and the second data mapping method.
  • the first information includes a second identifier
  • the second identifier is an identifier of the second data mapping method.
  • the first information further includes an AI model identifier
  • the device further includes:
  • an eighth sending module configured to send the AI model identifier to the third device before the second device maps the second mapping data by using the second data mapping method
  • An eighth receiving module configured to receive a second identifier from the third device
  • the AI model identifier is the identifier of the second data mapping method.
  • the first information further includes the AI model identifier
  • the device further includes:
  • a ninth sending module configured to send the AI model identifier to the fifth device before the second device maps the second mapping data by using the second data mapping method
  • a ninth receiving module configured to receive a second identifier from the fifth device
  • the AI model identifier is the identifier of the second data mapping method.
  • the device further comprises:
  • a second determining module configured to determine the second data mapping method according to the second identifier and the second relationship
  • the second relationship is a mapping relationship between the second identifier and the second data mapping method.
  • the device further comprises:
  • the tenth sending module is used to send plaintext data to the first device.
  • the first data mapping method and/or the second data mapping method includes any one of the following:
  • the data collection requirements include one or more of the following:
  • the collected data items include one or more of the following:
  • an embodiment of the present application provides an AI model reasoning device 700, which is applied to a third device and includes:
  • the third sending module 701 is used for one or more of the following:
  • the first identifier is the identifier of the first data mapping method
  • the second identifier is the identifier of the second data mapping method
  • the third sending module is used to:
  • the third sending module is used to:
  • the AI model identifier is associated with the first identifier and the second identifier.
  • the third sending module is used to:
  • the device further comprises:
  • An eleventh sending module is configured to send third information to the first device, where the third information further includes one or more of the following:
  • fourth information includes a first requirement, where the first requirement is a data collection requirement for the second device when the first device performs AI model inference;
  • the fifth information including a second requirement, where the second requirement is a data collection requirement for devices of the same category as the first device during training of the AI model;
  • sixth information includes demand information of plain text data
  • the seventh information includes data input position information of the plaintext data, and data input position information of the first mapping data and/or data input position information of the second mapping data; or, the seventh information includes data input position information of the plaintext data, and the data input position information of the plaintext data is associated with the first mapping data and/or the second mapping data.
  • the data input position information includes any one of the following:
  • the information indicating the starting position of data input and the information indicating the ending position of data input are identical to each other.
  • the demand information of the plaintext data includes: data items of the plaintext data and the number of collected plaintext data.
  • the first data mapping method and/or the second data mapping method includes any one of the following:
  • the data collection requirements include one or more of the following:
  • the collected data items include one or more of the following:
  • the device further comprises:
  • a twelfth sending module is configured to send one or more of the following to the first device:
  • the AI model inference device in the embodiment of the present application can be an electronic device, such as an electronic device with an operating system, or a component in an electronic device, such as an integrated circuit or a chip.
  • the electronic device can be a terminal, or it can be other devices other than a terminal.
  • the terminal can include but is not limited to the types of terminals 11 listed above, and other devices can be servers, network attached storage (NAS), etc., which are not specifically limited in the embodiment of the present application.
  • the AI model reasoning device provided in the embodiment of the present application can implement the various processes implemented by the method embodiments of Figures 2 to 4 and achieve the same technical effect. To avoid repetition, it will not be repeated here.
  • the embodiment of the present application further provides a communication device 800, including a processor 801 and a memory 802, wherein the memory 802 stores a program or instruction that can be run on the processor 801.
  • the communication device 800 is a terminal
  • the program or instruction is executed by the processor 801 to implement the various steps of the above-mentioned AI model reasoning method embodiment, and can achieve the same technical effect.
  • the communication device 800 is a network device
  • the program or instruction is executed by the processor 801 to implement the various steps of the above-mentioned AI model reasoning method embodiment, and can achieve the same technical effect. To avoid repetition, the results will not be described here.
  • the embodiment of the present application further provides a communication device, including a processor and a communication interface, where when the communication device is a first device, the communication interface is used to send first information to a second device;
  • the communication interface is used to receive second information from the second device
  • the processor is used to generate a data set for AI model reasoning according to the first mapping data and/or the second mapping data;
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plain text data and/or the second mapping data, the first mapping data is data mapped by the first device through a first data mapping method, and the second mapping data is data mapped by the second device through a second data mapping method;
  • the AI model has an association with the first data mapping method and/or the second data mapping method.
  • the communication interface is used to receive first information from the first device
  • the communication interface is used to send second information to the first device
  • the first information includes a first requirement, which is a data collection requirement for the second device when the first device performs AI model inference;
  • the second information includes plaintext data and/or the second mapping data, which is data mapped by the second device through a second data mapping method;
  • the AI model is associated with the first data mapping method and the second data mapping method.
  • the communication interface is used for one or more of the following:
  • the first identifier is the identifier of the first data mapping method
  • the second identifier is the identifier of the second data mapping method
  • the communication device embodiment corresponds to the above method embodiment.
  • Each implementation process and implementation method of the above method embodiment can be applied to the communication device embodiment and can achieve the same technical effect.
  • FIG9 is a schematic diagram of the hardware structure of a terminal implementing an embodiment of the present application.
  • the terminal 900 includes but is not limited to: a radio frequency unit 901, a network module 902, an audio output unit 903, an input unit 904, a sensor 905, a display unit 906, a user input unit 907, an interface unit 908, a memory 909 and at least some of the components of a processor 910.
  • the terminal 900 may also include a power source (such as a battery) for supplying power to each component, and the power source may be logically connected to the processor 910 through a power management system, so as to implement functions such as managing charging, discharging, and power consumption management through the power management system.
  • a power source such as a battery
  • the terminal structure shown in FIG9 does not constitute a limitation on the terminal, and the terminal may include more or fewer components than shown in the figure, or combine certain components, or arrange components differently, which will not be described in detail here.
  • the input unit 904 may include a graphics processing unit (GPU) 9041 and a microphone 9042, and the graphics processor 9041 processes the image data of a static picture or video obtained by an image capture device (such as a camera) in a video capture mode or an image capture mode.
  • the display unit 906 may include a display panel 9061, which may be configured in the form of a liquid crystal display, an organic light emitting diode, etc.
  • the user input unit 907 includes a touch panel 9071 and at least one of other input devices 9072.
  • the touch panel 9071 is also called a touch screen.
  • the touch panel 9071 may include two parts: a touch detection device and a touch controller.
  • Other input devices 9072 may include, but are not limited to, a physical keyboard, a function key (such as a volume control key, a switch key, etc.), a trackball, a mouse, and a joystick, which will not be repeated here.
  • the RF unit 901 can transmit the data to the processor 910 for processing; in addition, the RF unit 901 can send uplink data to the network device.
  • the RF unit 901 includes but is not limited to an antenna, an amplifier, a transceiver, a coupler, a low noise amplifier, a duplexer, etc.
  • the memory 909 can be used to store software programs or instructions and various data.
  • the memory 909 may mainly include a first storage area for storing programs or instructions and a second storage area for storing data, wherein the first storage area may store an operating system, an application program or instruction required for at least one function (such as a sound playback function, an image playback function, etc.), etc.
  • the memory 909 may include a volatile memory or a non-volatile memory, or the memory 909 may include both volatile and non-volatile memories.
  • the non-volatile memory may be a read-only memory (ROM), a programmable read-only memory (PROM), an erasable programmable read-only memory (EPROM), an electrically erasable programmable read-only memory (EEPROM), or a flash memory.
  • the volatile memory may be a random access memory (RAM), a static random access memory (SRAM), a dynamic random access memory (DRAM), a synchronous dynamic random access memory (SDRAM), a double data rate synchronous dynamic random access memory (DDRSDRAM), an enhanced synchronous dynamic random access memory (ESDRAM), a synchronous link dynamic random access memory (SLDRAM) and a direct memory bus random access memory (DRRAM).
  • the memory 909 in the embodiment of the present application includes but is not limited to these and any other suitable types of memories.
  • the processor 910 may include one or more processing units; optionally, the processor 910 integrates an application processor and a modem processor, wherein the application processor mainly processes operations related to an operating system, a user interface, and application programs, and the modem processor mainly processes wireless communication signals, such as a baseband processor. It is understandable that the modem processor may not be integrated into the processor 910.
  • the processor 910 is configured to execute the method steps on the first device side;
  • the processor 910 is configured to execute the method steps on the second device side;
  • the processor 910 is configured to execute the method steps on the third device side.
  • an embodiment of the present application further provides a network device, which is an access network device.
  • the network device 1000 includes: an antenna 101, a radio frequency device 102, a baseband device 103, a processor 104, and a memory 105.
  • the antenna 101 is connected to the radio frequency device 102.
  • the radio frequency device 102 receives information through the antenna 101 and sends the received information to the baseband device 103 for processing.
  • the baseband device 103 processes the information to be sent and sends it to the radio frequency device 102.
  • the radio frequency device 102 processes the received information and sends it out through the antenna 101.
  • the method executed by the network device in the above embodiment may be implemented in the baseband device 103, which includes a baseband processor.
  • the baseband device 103 may include, for example, at least one baseband board, on which a plurality of chips are arranged, as shown in FIG10 , wherein one of the chips is, for example, a baseband processor, which is connected to the memory 105 through a bus interface to call a program in the memory 105 and execute the network device operations shown in the above method embodiment.
  • the network device may also include a network interface 106, which is, for example, a common public radio interface (CPRI).
  • a network interface 106 which is, for example, a common public radio interface (CPRI).
  • CPRI common public radio interface
  • the network device 1000 of the embodiment of the present application also includes: instructions or programs stored in the memory 105 and executable on the processor 104.
  • the processor 104 calls the instructions or programs in the memory 105 to execute the methods executed by the modules shown in Figures 5, 6, and 7, and achieves the same technical effect. To avoid repetition, it will not be repeated here.
  • the embodiment of the present application further provides a network device, which is a core network device.
  • the network device 1100 includes: a processor 1101, a network interface 1102, and a memory 1103.
  • the network interface 1102 is, for example, a common public radio interface (CPRI).
  • CPRI common public radio interface
  • the network device 1100 of the embodiment of the present application also includes: instructions or programs stored in the memory 1103 and executable on the processor 1101.
  • the processor 1101 calls the instructions or programs in the memory 1103 to execute the methods executed by the modules shown in Figures 5, 6, and 7, and achieves the same technical effect. To avoid repetition, it will not be repeated here.
  • An embodiment of the present application also provides a readable storage medium, on which a program or instruction is stored.
  • a program or instruction is stored.
  • the various processes of the above-mentioned AI model reasoning method embodiment are implemented, and the same technical effect can be achieved. To avoid repetition, it will not be repeated here.
  • the processor is the processor in the terminal described in the above embodiment.
  • the readable storage medium includes a computer readable storage medium, such as a computer read-only memory ROM, a random access memory RAM, a magnetic disk or an optical disk.
  • An embodiment of the present application further provides a chip, which includes a processor and a communication interface, wherein the communication interface is coupled to the processor, and the processor is used to run programs or instructions to implement the various processes of the above-mentioned AI model reasoning method embodiment, and can achieve the same technical effect. To avoid repetition, it will not be repeated here.
  • the chip mentioned in the embodiments of the present application can also be called a system-level chip, a system chip, a chip system or a system-on-chip chip, etc.
  • the embodiments of the present application further provide a computer program/program product, which is stored in a storage medium, and is executed by at least one processor to implement the various processes of the above-mentioned AI model reasoning method embodiment, and can achieve the same technical effect. To avoid repetition, it will not be repeated here.
  • An embodiment of the present application also provides a communication system, including: a first device, a second device and a third device, wherein the first device can be used to execute the steps of the first device side method, the second device can be used to execute the steps of the second device side method, and the third device can be used to execute the steps of the third device side method.
  • the technical solution of the present application can be embodied in the form of a computer software product, which is stored in a storage medium (such as ROM/RAM, a magnetic disk, or an optical disk), and includes a number of instructions for enabling a terminal (which can be a mobile phone, a computer, a server, an air conditioner, or a network device, etc.) to execute the methods described in each embodiment of the present application.
  • a storage medium such as ROM/RAM, a magnetic disk, or an optical disk
  • a terminal which can be a mobile phone, a computer, a server, an air conditioner, or a network device, etc.

Landscapes

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

Abstract

本申请公开了一种AI模型推理方法、设备及可读存储介质，属于通信技术领域，该方法包括：第一设备向第二设备发送第一信息；所述第一设备从所述第二设备接收第二信息；所述第一设备根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集；其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第一映射数据是所述第一设备通过第一数据映射方法映射得到的数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。

Description

AI模型推理方法、设备及可读存储介质
相关申请的交叉引用
本申请主张在2022年09月30日提交的中国专利申请No.202211215842.X的优先权，其全部内容通过引用包含于此。
技术领域
本申请属于通信技术领域，具体涉及一种AI模型推理方法、设备及可读存储介质。
背景技术
在毫米波无线通信中，通信收发端(如基站和用户设备(User Equipment，UE，又称终端))都配置了多个模拟波束。对于同一个UE，在不同的发送和接收模拟波束测量到信道质量是变化的。如何快速并准确地从所有可能的收发模拟波束组合中找到信道质量最高的收发波束组，是影响传输质量的关键。在引入人工智能(Artificial Intelligence，AI)神经网络模型后，终端可以基于历史的信道质量信息，有效地预测信道质量最高的收发模拟波束，并上报给网络侧。
在波束对预测中，如果可以提供详细的波束信息，则可以提升预测准确率。波束信息例如波束指向，波束形状，波束3dB宽度都属于较为敏感的信息。例如，在UE侧进行波束对预测时，模型输入包含UE自身可以提供的接收波束信息，测量得到的波束质量信息，以及基站侧发送波束信息。
为避免暴露如波束信息等隐私数据在进行训练AI模型时，使用的样本数据经过隐私处理后的数据，而在推理时，由于不知道隐私处理方法，导致采集的数据无法匹配模型输入的物理含义。
发明内容
本申请实施例提供一种AI模型推理方法、设备及可读存储介质，能够解决AI模型推理时采集的数据无法匹配AI模型输入的物理含义的问题。
第一方面，提供了一种AI模型推理方法，包括：
第一设备向第二设备发送第一信息；
所述第一设备从所述第二设备接收第二信息；
所述第一设备根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集；
其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映 射数据，所述第一映射数据是所述第一设备通过第一数据映射方法映射得到的数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
第二方面，提供了一种AI模型推理方法，包括：
第二设备从第一设备接收第一信息；
所述第二设备向所述第一设备发送第二信息；
其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
第三方面，提供了一种AI模型推理方法，包括以下一项或者多项：
第三设备向第一设备发送第一标识；
第三设备向第一设备发送第一标识和第二标识；
第三设备向第二设备发送第二标识；
其中，所述第一标识为第一数据映射方法的标识，所述第二标识为第二数据映射方法的标识，AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
第四方面，提供了一种AI模型推理装置，所述装置应用于第一设备，所述装置包括：
第一发送模块，用于第一设备向第二设备发送第一信息；
第一接收模块，用于所述第一设备从所述第二设备接收第二信息；
生成模块，用于所述第一设备根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集；
其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第一映射数据是所述第一设备通过第一数据映射方法映射得到的数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
第五方面，提供了一种AI模型推理装置，所述装置应用于第二设备，所述装置包括：
第二接收模块，用于第二设备从第一设备接收第一信息；
第二发送模块，用于所述第二设备向所述第一设备发送第二信息；
其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与第一数据映射方法和所述第二数据映射方法之间具有关联关系。
第六方面，提供了一种AI模型推理装置，所述装置应用于第二设备，所述装置包括：
第三发送模块，用于以下一项或者多项：
第三设备向第一设备发送第一标识；
第三设备向第一设备发送第一标识和第二标识；
第三设备向第二设备发送第二标识；
其中，所述第一标识为第一数据映射方法的标识，所述第二标识为第二数据映射方法的标识，AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
第七方面，提供了一种通信设备，该终端包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤，或者实现如第三方面所述的方法的步骤。
第八方面，提供了一种通信设备，包括处理器及通信接口，其中
当通信设备为第一设备时，通信接口用于第一设备向第二设备发送第一信息；
通信接口用于所述第一设备从所述第二设备接收第二信息；
处理器用于所述第一设备根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集；
其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第一映射数据是所述第一设备通过第一数据映射方法映射得到的数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
当通信设备为第二设备时，通信接口用于第二设备从第一设备接收第一信息；
通信接口用于所述第二设备向所述第一设备发送第二信息；
其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与第一数据映射方法和所述第二数据映射方法之间具有关联关系。
当通信设备为第三设备时，通信接口用于以下一项或者多项：
第三设备向第一设备发送第一标识；
第三设备向第一设备发送第一标识和第二标识；
第三设备向第二设备发送第二标识；
其中，所述第一标识为第一数据映射方法的标识，所述第二标识为第二数据映射方法的标识，AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
第九方面，提供了一种通信***，包括：第一设备、第二设备和第三设备，所述第一设备可用于执行如第一方面所述的方法的步骤，所述第二设备可用于执行如第二方面所述的方法的步骤，所述第三设备可用于执行如第三方面所述的方法的步骤。
第十方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程 序或指令被处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤，或者实现如第三方面所述的方法的步骤。
第十一方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤，或者实现如第三方面所述的方法的步骤。
第十二方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤，或者实现如第三方面所述的方法的步骤。
在本申请实施例中，第一设备向第二设备发送包含第一需求的第一信息，第一设备从第二设备接收包含明文数据和/或第二映射数据的第二信息，第一设备根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集，其中，第一映射数据是第一设备通过第一数据映射方法映射得到的数据，第二映射数据是第二设备通过第二数据映射方法映射得到的数据，AI模型与第一数据映射方法和/或第二数据映射方法之间具有关联关系。这样使用与AI模型关联的数据映射方法映射得到的数据，将该数据作为AI模型推理的输入数据，确保数据的物理含义与AI模型匹配。
附图说明
图1是本申请实施例可应用的一种无线通信***的框图；
图2是本申请实施例提供的AI模型推理方法的流程示意图之一；
图3是本申请实施例提供的AI模型推理方法的流程示意图之二；
图4是本申请实施例提供的AI模型推理方法的流程示意图之三；
图5是本申请实施例提供的AI模型推理装置的结构示意图之一；
图6是本申请实施例提供的AI模型推理装置的结构示意图之二；
图7是本申请实施例提供的AI模型推理装置的结构示意图之三；
图8是本申请实施例提供的通信设备的结构示意图；
图9是本申请实施例提供的终端的结构示意图；
图10是本申请实施例提供的网络设备的结构示意图之一；
图11是本申请实施例提供的网络设备的结构示意图之二。
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描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。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。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long Term Evolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)***，还可用于其他无线通信***，诸如码分多址(Code Division Multiple Access，CDMA)、时分多址(Time Division Multiple Access，TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access，SC-FDMA)和其他***。本申请实施例中的术语“***”和“网络”常被可互换地使用，所描述的技术既可用于以上提及的***和无线电技术，也可用于其他***和无线电技术。以下描述出于示例目的描述了新空口(New Radio，NR)***，并且在以下大部分描述中使用NR术语，但是这些技术也可应用于NR***应用以外的应用，如第6代(6th Generation，6G)通信***。
图1示出本申请实施例可应用的一种无线通信***的框图。无线通信***包括终端11和网络设备12。其中，终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal computer，UMPC)、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴式设备(Wearable Device)、车载设备(Vehicle User Equipment，VUE)、行人终端(Pedestrian User Equipment，PUE)、智能家居(具有无线通信功能的家居设备，如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer，PC)、柜员机或者自助机等终端侧设备，可穿戴式设备包括：智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是，在本申请实施例并不限定终端11的具体类型。网络设备12可以包括接入网设备或核心网设备，其中，接入网设备也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备可以包括基站、无线局域网(Wireless Local Area Network，WLAN)接入点或无线保真(Wireless Fidelity，WiFi)节点等，基站可被称为节点B、演进节点B(Evolved Node B，eNB)、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set，BSS)、扩展服务集(Extended Service Set，ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point，TRP)或所属领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不 限于特定技术词汇，需要说明的是，在本申请实施例中仅以NR***中的基站为例进行介绍，并不限定基站的具体类型。核心网设备可以包含但不限于如下至少一项：核心网节点、核心网功能、移动管理实体(Mobility Management Entity，MME)、接入移动管理功能(Access and Mobility Management Function，AMF)、会话管理功能(Session Management Function，SMF)、用户平面功能(User Plane Function，UPF)、策略控制功能(Policy Control Function，PCF)、策略与计费规则功能单元(Policy and Charging Rules Function，PCRF)、边缘应用服务发现功能(Edge Application Server Discovery Function，EASDF)、统一数据管理(Unified Data Management，UDM)，统一数据仓储(Unified Data Repository，UDR)、归属用户服务器(Home Subscriber Server，HSS)、集中式网络配置(Centralized network configuration，CNC)、网络存储功能(Network Repository Function，NRF)，网络开放功能(Network Exposure Function，NEF)、本地NEF(Local NEF，或L-NEF)、绑定支持功能(Binding Support Function，BSF)、应用功能(Application Function，AF)等。需要说明的是，在本申请实施例中仅以NR***中的核心网设备为例进行介绍，并不限定核心网设备的具体类型。
下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的AI模型推理方法进行详细地说明。
参见图2，本申请实施例提供一种AI模型推理方法，该方法的执行主体为第一设备，该第一设备可以是终端、接入网设备或核心网设备，方法包括：
步骤201：第一设备向第二设备发送第一信息；
步骤202：第一设备从第二设备接收第二信息；
步骤203：第一设备根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集；
其中，第一信息中包含第一需求，第一需求为第一设备进行AI模型推理时针对第二设备的数据收集需求，第二信息中包含明文数据和/或第二映射数据，第一映射数据是第一设备通过第一数据映射方法映射得到的数据，第二映射数据是第二设备通过第二数据映射方法映射得到的数据，AI模型与第一数据映射方法和/或第二数据映射方法之间具有关联关系。
上述明文数据指的是非敏感数据，例如波束质量相关的信息，这类信息不需要进行数据映射，可以直接进行交互并使用。
上述第一设备用于收集推理所需的数据以及执行具体的推理，因此第一设备可以称之为推理和推理数据收集设备，上述第二设备用于向第一设备提供推理所需的数据，且数据需要通过数据映射方法进行隐私化处理，因此第二设备可以称之为隐私处理设备或数据处理设备。
在本申请实施例中，第一设备向第二设备发送包含第一需求的第一信息，第一设备从第二设备接收包含明文数据和/或第二映射数据的第二信息，第一设备根据第一映射数据 和/或第二映射数据，生成用于AI模型推理的数据集，其中，第一映射数据是第一设备通过第一数据映射方法映射得到的数据，第二映射数据是第二设备通过第二数据映射方法映射得到的数据，AI模型与第一数据映射方法和/或第二数据映射方法之间具有关联关系。这样使用与AI模型关联的数据映射方法映射得到的数据，将该数据作为AI模型推理的输入数据，确保数据的物理含义与AI模型匹配。
需要说明的是，在本申请技术方案中，为了避免直接暴露如波束信息等敏感数据，在AI模式的训练以及推理过程中输入的数据均是采用数据映射方法映射后得到的映射数据，即通过数据映射方法对真实数据进行隐私化处理，以提高数据安全性。
需要说明的是，AI模型与第一数据映射方法和第二数据映射方法之间具有关联关系指的是：在训练AI模型时所使用的输入数据是通过数据第一数据映射方法和第二数据映射方法映射后的数据，这样做是为了避免直接暴露敏感数据，提高数据安全性；可以理解的是，AI模型训练是由通信收发两端的设备配合完成的，且该通信收发两端的设备分别为与第一设备和第二设备同类别的设备，例如：AI模型训练是由设备A和设备B配合完成的，AI模型训练需要同时使用到设备A和设备B的映射数据，其中设备A与第一设备为同类别设备，比如都是终端或都是基站，设备B与第二设备为同类别设备，比如都是基站或都是终端；设备A和设备B配合训练AI模型的过程中，两者分别使用第一数据映射方法和第二数据映射方法映射得到映射数据，并通过映射数据训练AI模型；那么为了保证第一设备基于AI模型进行推理时，输入数据的物理含义能够与AI模型相匹配，则第一设备和第二设备也需要分别使用第一数据映射方法和第二数据映射方法映射得到映射数据，将得到的映射数据作为AI模型推理使用的数据集。
可以理解的是，由于训练AI模型的设备与使用AI模型进行推理的设备可能不是同一台设备，因此上述第一设备和第二设备中可能没有预存相应的数据映射方法，因此还需要考虑第一设备和第二设备获知数据映射方法的具体方式。
又例如：AI模型训练是由设备A和设备B配合完成的，AI模型训练在设备A进行，训练数据包含明文数据和设备B的映射数据，其中设备A与第一设备为同类别设备，比如都是终端或都是基站，设备B与第二设备为同类别设备，比如都是基站或都是终端；设备A和设备B配合训练AI模型的过程中，设备A不提供敏感数据，设备B使用第二数据映射方法映射得到映射数据，设备A基于设备B的映射数据训练AI模型；那么为了保证第一设备基于AI模型进行推理时，输入数据的物理含义能够与AI模型相匹配，则第二设备需要使用第二数据映射方法映射得到映射数据，将得到的映射数据作为AI模型推理使用的数据集。
又例如：AI模型训练是由设备A完成的，AI模型训练在设备A进行，训练数据包含明文数据和多个设备A的映射数据，其中设备A与第一设备为同类别设备，比如都是终端或都是基站；设备A在训练AI模型的过程中，多个设备A的数据原始格式不同，需要通过相同映射方式映射到统一的数据格式后，设备A再基于映射后的数据训练AI模型； 那么为了保证第一设备基于AI模型进行推理时，输入数据的物理含义能够与AI模型相匹配，则第一设备需要使用第一数据映射方法映射得到映射数据，将得到的映射数据作为AI模型推理使用的数据集。
可选地，在步骤203之后，该方法还包括：根据所述数据集进行AI模型处理，所述AI模型处理包括：AI模型的模型推理、AI模型的模型训练及AI模型的模型监视中的至少一项。
该方法还包括：根据处理后的AI模型，执行如下至少一项：
波束预测，信道预测，信道质量预测，移动性管理，体验质量(Quality of Experience，QoE)预测。
在本申请实施例中，对于AI模型的输入存在如下几种情况：
1.明文数据+第一映射数据，该情况下，AI模型只和第一映射方法关联，相应地，在第二信息中携带的是明文数据；
2.明文数据+第二映射数据，该情况下，AI模型只和第二映射方法关联，相应地，在第二信息中携带的是明文数据和第二映射数据，或者，第二信息中携带的是第二映射数据(即第二信息可以只携带第二映射数据，而明文数据由第一设备自己获取)；
3.明文数据+第一映射数据+第二映射数据，该情况下，AI模型和第一映射方法以及第二映射方法都关联，相应地，在第二信息中携带的是明文数据和第二映射数据，或者，第二信息中携带的是第二映射数据(即第二信息可以只携带第二映射数据，而明文数据由第一设备自己获取)；
更具体地：
情况1例如，第一设备为基站，进行发送波束预测，模型输入是基站发送波束指向和波束质量。基站发送波束指向是第一映射数据，波束质量是明文数据。明文数据包含在第二信息中，由第二设备UE发送给基站。
情况2-1例如，第一设备为UE，进行发送波束预测，模型输入是基站发送波束指向和波束质量。基站发送波束指向是第二映射数据，波束质量是明文数据。其中，第二映射数据包含在第二信息中，由第二设备基站发送给UE。波束质量由第一设备UE通过参考信号测量得到。
情况2-2例如，第一设备为基站，进行接收波束预测，模型输入是UE接收波束指向和波束质量。UE接收波束指向是第二映射数据，波束质量是明文数据。两者都包含在第二信息中，由第二设备UE发送给基站。
情况3-1例如，第一设备为基站，进行收发波束对预测，模型输入是基站发送波束指向、UE接收波束指向和波束质量。基站发送波束指向是第一映射数据，UE接收波束指向是第二映射数据，波束质量是明文数据。其中，第二映射数据和明文数据包含在第二信息中，由第二设备UE发送给基站。
情况3-2例如，第一设备为UE，进行收发波束对预测，模型输入是基站发送波束指 向、UE接收波束指向和波束质量。UE接收波束指向是第一映射数据，基站发送波束指向是第二映射数据，波束质量是明文数据。其中，第二映射数据包含在第二信息中，由第二设备UE发送给基站。波束质量由UE通过测量参考信号获得。
在一种可能的实施方式中，在第一设备向第二设备发送第一信息之前，方法还包括：
(1)第一设备向第三设备发送AI模型标识；
(2)第一设备从第三设备接收第一标识和第二标识；
其中，第一信息中还包含第二标识，AI模型标识与第一标识和第二标识之间具有关联关系，第一标识为第一数据映射方法的标识，第二标识为第二数据映射方法的标识。
上述第三设备中存储有AI模型标识与第一标识和第二标识之间的关联关系，可以理解的是如果第一设备根据第二映射数据，生成用于AI模型推理的数据集，则第三设备中可以只存储有AI模型标识与第二标识之间的关联关系；由于第一标识和第二标识对应的是数据映射方法，即对应的是隐私化方法，因此第三设备可以称之为隐私化方案确定设备或数据处理设备，具体地，第三设备可以是一个额外设置的数据存储库，凡通过训练得到一个AI模型之后，便可以将AI模型标识与对应的第一标识和第二标识之间的关联关系存储到第三设备中，这样后续需要进行AI模型推理时，可以通过AI模型标识从第三设备中调取与之关联的第一标识和第二标识；
在本申请实施例中，第一设备通过AI模型标识从第三设备中获取第一标识和第二标识，然后通过第一信息携带第二标识，将该第二标识提供给第二设备，这样第一设备和第二设备能够分别根据第一标识和第二标识进行数据映射，得到相应的映射数据。
在一种可能的实施方式中，在第一设备向第二设备发送第一信息之前，方法还包括：
(1)第一设备向第三设备发送AI模型标识；
(2)第一设备从第三设备接收第一标识；
其中，第一信息中还包含AI模型标识，AI模型标识与第一标识之间具有关联关系，第一标识为第一数据映射方法的标识。
上述第三设备中存储有AI模型标识与第一标识和第二标识之间的关联关系；
在本申请实施例中，第一设备通过AI模型标识从第三设备中仅获取第一标识，然后通过第一信息携带AI模型标识，将该AI模型标识提供给第二设备，由第二设备自己通过AI模型标识从第三设备中获取第二标识，这样第一设备和第二设备能够分别根据第一标识和第二标识进行数据映射，得到相应的映射数据。
在一种可能的实施方式中，在第一设备向第二设备发送第一信息之前，方法还包括：
(1)第一设备向第四设备发送AI模型标识；
(2)第一设备从第四设备接收第一标识；
其中，AI模型标识与第一标识之间具有关联关系，第一标识为第一数据映射方法的标识。
上述第四设备中存储有AI模型标识与第一标识之间的关联关系，具体地，第四设备 可以是一个额外设置的数据存储库，凡通过训练得到一个AI模型之后，便可以将AI模型标识与对应的第一标识之间的关联关系存储到第四设备中，这样后续需要进行AI模型推理时，可以通过AI模型标识从第四设备中调取与之关联的第一标识；
可以理解的是，同理也可以设置一个第五设备用于存储AI模型标识与对应的第二标识之间的关联关系；在一些应用场景中，第四设备与第五设备合并即可得到上文所述的第三设备。
在本申请实施例中，第一设备通过AI模型标识从第四设备中仅获取第一标识，这样第一设备能够根据第一标识进行数据映射，得到相应的映射数据。
在一种可能的实施方式中，方法还包括：
第一设备从第三设备接收第三信息，第三信息中包含以下一项或者多项：
(1)第四信息，第四信息中包含第一需求；即第一设备进行AI模型推理的数据需求是由第三设备提供给第一设备的。
(2)第五信息，第五信息中包含第二需求，第二需求是AI模型在训练时针对与第一设备相同类别的设备的数据收集需求；即第三设备告知第一设备AI模型在训练时针对与第一设备相同类别的设备的数据收集需求，因为在一些实施例中AI模型推理不仅需要第二设备的数据，也需要第一设备的数据，那么第一设备可以根据第二需求来确定在AI模型推理时自己需要提供什么数据。
(3)第六信息，第六信息中包含明文数据的需求信息；明文数据是未经隐私化处理的明确的数据，例如明文数据可以是波束的参考信号接收功率(Reference Signal Received Power，RSRP)，参考信号接收质量(Reference Signal Receiving Quality,RSRQ),信号噪声干扰比(signal-to-noise and interference ratio，SINR)；
(4)第七信息，所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息；或者，所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入位置信息与所述第一映射数据和/或所述第二映射数据之间具有关联关系。
第三设备通过向第一设备提供上述(1)～(4)的信息内容，辅助第一设备进行AI模型推理。
可选地，上述第一标识和第二标识也可以携带在上述第三信息中，即第三设备通过第三信息一并将第一标识和第二标识以及上述(1)～(4)的信息内容发送给第一设备。
具体地，针对上述第七信息所指示的数据输入位置，包括两种具体情况：
情况一(a)：第七信息中包含第一映射数据的数据输入位置信息，第二映射数据的数据输入位置信息和明文数据的数据输入位置信息，具体如表1-a所示：
表1-a

在情况一(a)中，基于第七信息确定出三个数据输入位置信息，分别用于输入第一映射数据，第二映射数据和明文数据，这样在第一设备生成数据集时，可以按照如上表1-a所示数据输入位置，将各个数据按照对应的位置输入，以确保AI模型正常工作。其中，第一映射数据或第二映射数据对应于多个参考信息资源。因此，第一映射数据的数据输入位置或第二映射数据的数据输入位置可以是一段连续的位置，对应于多个参考信号资源的信息；也可以是多段连续的位置，每段位置对应于一个参考信号资源的信息。也可以是两种方式的组合。
情况一(b)：第七信息中包含第一映射数据的数据输入位置信息和明文数据的数据输入位置信息，具体如表1-b所示：
表1-b
在情况一(b)中，基于第七信息确定出两个数据输入位置信息，分别用于输入第一映射数据和明文数据，这样在第一设备生成数据集时，可以按照如上表1-b所示数据输入位置，将各个数据按照对应的位置输入，以确保AI模型正常工作。其中，第一映射数据对应于多个参考信息资源。因此，第一映射数据的数据输入位置可以是一段连续的位置，对应于多个参考信号资源的信息；也可以是多段连续的位置，每段位置对应于一个参考信号 资源的信息。也可以是两种方式的组合。
情况一(c)：第七信息中包含第二映射数据的数据输入位置信息和明文数据的数据输入位置信息，具体如表1-c所示：
表1-c
在情况一(c)中，基于第七信息确定出两个数据输入位置信息，分别用于输入第二映射数据和明文数据，这样在第一设备生成数据集时，可以按照如上表1-c所示数据输入位置，将各个数据按照对应的位置输入，以确保AI模型正常工作。其中，第二映射数据对应于多个参考信息资源。因此，第二映射数据的数据输入位置可以是一段连续的位置，对应于多个参考信号资源的信息；也可以是多段连续的位置，每段位置对应于一个参考信号资源的信息。也可以是两种方式的组合。
情况二(a)：第七信息中包含明文数据的数据输入位置信息，明文数据的数据输入位置信息与第一映射数据和第二映射数据之间具有关联关系，具体如表2-a所示：
表2-a
在情况二(a)中，基于第七信息确定明文数据的输入位置信息，具体地，将第一映射数据和第二映射数据作为明文数据的输入位置的二维坐标，即数据输入内容为明文数据，数据输入位置由第一映射数据和第二映射数据确定，这样在第一设备生成数据集时，可以按照如上表2-a所示数据输入位置，将明文数据按照对应的位置输入，以确保AI模型正常工作。
情况二(b)：第七信息中包含明文数据的数据输入位置信息，明文数据的数据输入位置信息与第一映射数据之间具有关联关系，具体如表2-b所示：
表2-b
在情况二(b)中，基于第七信息确定明文数据的输入位置信息，具体地，将第一映射数据作为明文数据的输入位置的一维坐标，即数据输入内容为明文数据，数据输入位置由第一映射数据，例如虚拟波束标识确定，这样在第一设备生成数据集时，可以按照如上表2-b所示数据输入位置，将明文数据按照对应的位置输入，以确保AI模型正常工作。
情况二(c)：第七信息中包含明文数据的数据输入位置信息，明文数据的数据输入位置信息与第二映射数据之间具有关联关系，具体如表2-c所示：
表2-c
在情况二(c)中，基于第七信息确定明文数据的输入位置信息，具体地，将第二映射数据作为明文数据的输入位置的一维坐标，即数据输入内容为明文数据，数据输入位置由第二映射数据，例如虚拟波束标识确定，这样在第一设备生成数据集时，可以按照如上表2-c所示数据输入位置，将明文数据按照对应的位置输入，以确保AI模型正常工作。
在一种可能的实施方式中，第一设备根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集，包括：
在所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息的情况下，所述第一设备根据所述第七信息，将所述明文数据，以及，所述第一映射数据和/或所述第二映射数据分别赋值到所述AI模型中对应的数据输入位置；具体参见上表1-a,表1-b和表1-c；
在所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入 位置信息与所述第一映射数据和/或所述第二映射数据之间具有关联关系的情况下，所述第一设备根据所述第七信息，将所述明文数据分别赋值到所述AI模型中对应的数据输入位置；具体参见上表2-a，表2-b和表2-c。
在一种可能的实施方式中，方法还包括：
第一设备根据第一标识和第一关系，确定第一数据映射方法；
第一设备根据第一数据映射方法映射得到第一映射数据；
其中，第一关系为第一标识与第一数据映射方法之间的映射关系。
在本申请实施例中，第一设备根据获取到的第一标识，按照第一关系确定出对应的第一数据映射方法，并进行数据映射得到第一映射数据。
在一种可能的实施方式中，在第七信息中包含明文数据的数据输入位置信息，明文数据的数据输入位置信息与第一映射数据和/或第二映射数据之间具有关联关系的情况下，第二信息中还包括了输出结果映射表，方法还包括：
第一设备根据输出结果映射表对AI模型的输出结果进行映射，得到有效推理结果；
在第一设备是终端的情况下，第一设备将有效推理结果发送给网络侧。
例如，表3-a-1所示，明文数据的数据输入位置信息与第一映射数据和第二映射数据之间具有关联关系的情况下，原始模型输出为32x8的二维表格，对于只有第二设备只配置了8个波束的场景，有效的推理结果为8x8的二维表格。例如从表3-a-1中取出第(5，7，13，15，17，19，25，27)列的结果作为有效推理结果得到表3-a-2。
表3-a-1
表3-a-2
例如，表3-b-1所示，明文数据的数据输入位置信息与第一映射数据或第二映射数据 之间具有关联关系的情况下，原始模型输出为32x1的一维表格，对于只有第二设备只配置了8个波束的场景，有效的推理结果为8x1的一维表格。例如从表3-b-1中取出第(5，7，13，15，17，19，25，27)行的结果作为有效推理结果,得到表3-b-2。
表3-b-1
表3-b-2
在本申请实施例中，针对数据输入位置如上表2-a,2-b和2-c的情况，考虑到一种特殊场景，假设，在AI模型训练过程中是基站配合终端进行AI模型训练，具体地，终端为训练侧，基站是数据提供侧，在该训练过程中，基站提供的是32波束的数据(例如上表2-a,2-b和2-c)，而在AI模型推理过程中，终端为推理侧，基站为数据提供侧(执行推理的终端和基站与执行训练的终端和基站不同)，此时基站提供的是8波束的数据，此时输入AI模型的话，会有24列的多余数据位置，因此基站可以提供一个输出结果映射表，终端根据输出结果映射表筛选出有效推理结果(例如上表3-a-2或3-b-2)。
在一种可能的实施方式中，在第七信息中包含第一映射数据的数据输入位置信息，第二映射数据的数据输入位置信息和明文数据的数据输入位置信息的情况下，数据输入位置信息包括以下任意一项：
(1)具体数据输入位置的指示信息；例如上表1-a所示，直接指示出明文数据的数据 输入位置为{1，2，3，4}，第一映射数据的数据输入位置为{5，6，7，8}，第二映射数据的数据输入位置为{9，10，11，12}
(2)数据输入起始位置的指示信息和数据输入结束位置的指示信息。例如上表1-a所示，直接指示出明文数据的数据输入位置为起始位置1，结束位置4，第一映射数据的数据输入位置为起始位置5，结束位置8，第二映射数据的数据输入位置为起始位置9，结束位置12；
在一种可能的实施方式中，明文数据的需求信息包括：明文数据的数据项和明文数据的收集个数。
在一种可能的实施方式中，方法还包括：
所述第一设备获取所述明文数据；
需要说明的是，上述第二信息中包含明文数据时，第一设备也可以执行获取明文数据的步骤，例如明文数据同时包含波束ID和RSRP两种。第二信息包含了波束ID，第一设备可以自己获取另一个明文数据RSRP。
可选地，明文数据类型可以是：
1.波束质量，例如RSRP
相应的获得方式：
1-a：UE测量参考信号得到波束质量(此时第一设备为UE)，例如RSRP；
1-b：UE通过测量上报把RSRP反馈给基站(此时第一设备为基站)；
如果第一设备是UE，则明文数据是第一设备直接获得的。
如果第一设备是基站，则明文数据可以通过第二信息发送给基站。
2.UE波束ID和基站波束ID,适用于收发波束对预测场景(例如训练和推理基站和UE的波束配置都相同的情况)
相应的获得方式：
2.1如果第一设备是UE，则UE接收波束ID(明文数据由UE自己得到)，基站发送波束ID(明文数据)，由第二设备通过第二信息得到。另外，波束质量(明文数据)由UE自己测量得到。
2.2如果第一设备是基站，则基站发送波束ID(明文数据)是基站自己可以得到，UE发送波束ID(明文数据)和波束质量(明文数据)是通过第二信息得到。
可选地，针对收发波束对预测输入场景需要收集的数据：
1.波束质量(UE测量参考信号得到，可以上报给基站)，可以是明文数据；
2.UE接收波束ID，可以是明文数据，也可以是经过数据映射后得到的映射数据；
3.基站发送波束ID，可以是明文数据，也可以是经过数据映射后得到的映射数据。
可选地，针对发送波束预测输入场景需要收集的数据：
1.波束质量(UE测量参考信号得到，可以上报给基站)，可以是明文数据；
2.基站发送波束ID，可以是明文数据，也可以是经过数据映射后得到的映射数据。
可选地，针对接收波束预测输入场景需要收集的数据：
1.波束质量(UE测量参考信号得到，可以上报给基站)，可以是明文数据；
2.UE接收波束ID，可以是明文数据，也可以是经过数据映射后得到的映射数据。
在一种可能的实施方式中，第一数据映射方法和/或第二数据映射方法，包括以下任意一项：
(1)对数据做偏置；具体地，第一设备使用的偏置值在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(2)对数据做缩放；具体地，第一设备使用的缩放倍数在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(3)对数据做多项式函数变化；具体地，第一设备使用的用于变换的函数在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(4)对单个数据做多维映射，得到多个数据；具体地，第一设备使用的映射方法在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(5)对一组数据进行乱序操作；具体地，第一设备使用的原顺序与乱序的映射关系在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(6)对单个数据进行量化映射。具体地，例如根据波束指向映射为虚拟波束标识，映射关系在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性。
在一种可能的实施方式中，数据收集需求，包括以下一项或者多项：
(1)收集数据项；
(2)收集或采样间隔；
(3)收集个数。
在一种可能的实施方式中，收集数据项包括以下一项或者多项：
(1)波束的水平波束指向；
(2)波束的垂直波束指向；
(3)波束的水平方向的宽度；
(4)波束的垂直方向的宽度；
(5)波束增益；
(6)天线方向信息；
(7)终端移动速度；
(8)终端位置信息；
(9)基站位置信息；
(10)小区视距(line of sight，LOS)分布信息；
(11)小区非视距(non-line of sight，NLOS)分布信息。
在一种可能的实施方式中，方法还包括：
第一设备从第三设备接收以下一项或者多项：
(1)最小的波束角度颗粒度；
(2)最大的波束角度预测范围。
参见图3，本申请实施例提供一种AI模型推理方法，该方法的执行主体为第二设备，该第二设备可以是终端、接入网设备或核心网设备，方法包括：
步骤301：第二设备从第一设备接收第一信息；
步骤302：第二设备向第一设备发送第二信息；
其中，第一信息中包含第一需求，第一需求为第一设备进行AI模型推理时针对第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，AI模型与第一数据映射方法和/或第二数据映射方法之间具有关联关系。
其中，第一信息中包含第一需求，第一需求为第一设备进行AI模型推理时针对第二设备的数据收集需求，第二信息中包含第二映射数据，第一映射数据是第一设备通过第一数据映射方法映射得到的数据，第二映射数据是第二设备通过第二数据映射方法映射得到的数据，AI模型与第一数据映射方法和/或第二数据映射方法之间具有关联关系。
上述第一设备用于收集推理所需的数据以及执行具体的推理，因此第一设备可以称之为推理和推理数据收集设备，上述第二设备用于向第一设备提供推理所需的数据，且数据需要通过数据映射方法进行隐私化处理，因此第二设备可以称之为隐私处理设备或数据处理设备。
在本申请实施例中，第一设备向第二设备发送包含第一需求的第一信息，第一设备从第二设备接收包含第二映射数据的第二信息，第一设备根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集，其中，第一映射数据是第一设备通过第一数据映射方法映射得到的数据，第二映射数据是第二设备通过第二数据映射方法映射得到的数据，AI模型与第一数据映射方法和/或第二数据映射方法之间具有关联关系。这样使用与AI模型关联的数据映射方法映射得到的数据，将该数据作为AI模型推理的输入数据，确保数据的物理含义与AI模型匹配。
在一种可能的实施方式中，第一信息中包含第二标识，第二标识为第二数据映射方法的标识。
在一种可能的实施方式中，第一信息中还包含AI模型标识，在第二设备通过第二数据映射方法映射得到第二映射数据之前，方法还包括：
(1)第二设备向第三设备发送AI模型标识；
(2)第二设备从第三设备接收第二标识；
其中，AI模型标识与第二标识之间具有关联关系，第二标识为第二数据映射方法的标识。
上述第三设备中存储有AI模型标识与第一标识和第二标识之间的关联关系；
在本申请实施例中，第一设备通过第一信息携带AI模型标识，将该AI模型标识提供给第二设备，由第二设备自己通过AI模型标识从第三设备中获取第二标识，这样第二设备能够根据第二标识进行数据映射，得到相应的映射数据。
在一种可能的实施方式中，第一信息中还包含AI模型标识，在第二设备通过第二数据映射方法映射得到第二映射数据之前，方法还包括：
(1)第二设备向第五设备发送AI模型标识；
(2)第二设备从第五设备接收第二标识；
其中，AI模型标识与第二标识之间具有关联关系，第二标识为第二数据映射方法的标识。
上述第五设备中存储有AI模型标识与第二标识之间的关联关系，具体地，第五设备可以是一个额外设置的数据存储库，凡通过训练得到一个AI模型之后，便可以将AI模型标识与对应的第二标识之间的关联关系存储到第五设备中，这样后续需要进行AI模型推理时，可以通过AI模型标识从第五设备中调取与之关联的第二标识；
可以理解的是，同理也可以设置一个第四设备用于存储AI模型标识与对应的第一标识之间的关联关系；在一些应用场景中，第四设备与第五设备合并即可得到上文所述的第三设备。
在本申请实施例中，第二设备通过AI模型标识从第五设备中获取第二标识，这样第二设备能够根据第二标识进行数据映射，得到相应的映射数据。
在一种可能的实施方式中，方法还包括：
第二设备根据第二标识和第二关系，确定第二数据映射方法；
其中，第二关系为第二标识与第二数据映射方法之间的映射关系。
在本申请实施例中，第二设备根据获取到的第二标识，按照第二关系确定出对应的第二数据映射方法，并进行数据映射得到第二映射数据。
在一种可能的实施方式中，第一数据映射方法和/或第二数据映射方法，包括以下任意一项：
(1)对数据做偏置；具体地，第一设备使用的偏置值在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(2)对数据做缩放；具体地，第一设备使用的缩放倍数在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(3)对数据做多项式函数变化；具体地，第一设备使用的用于变换的函数在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(4)对单个数据做多维映射，得到多个数据；具体地，第一设备使用的映射方法在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(5)对一组数据进行乱序操作；具体地，第一设备使用的原顺序与乱序的映射关系在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(6)对单个数据进行量化映射。具体地，例如根据波束指向映射为虚拟波束标识，映射关系在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
在一种可能的实施方式中，数据收集需求，包括以下一项或者多项：
(1)收集数据项；
(2)收集或采样间隔；
(3)收集个数。
在一种可能的实施方式中，收集数据项包括以下一项或者多项：
(1)波束的水平波束指向；
(2)波束的垂直波束指向；
(3)波束的水平方向的宽度；
(4)波束的垂直方向的宽度；
(5)波束增益；
(6)天线方向信息；
(7)终端移动速度；
(8)终端位置信息；
(9)基站位置信息；
(10)小区LOS分布信息；
(11)小区NLOS分布信息。
参见图4，本申请实施例提供一种AI模型推理方法，该方法的执行主体为第三设备，该第三设备可以是终端、接入网设备、核心网设备或者第三方服务器，方法包括：
步骤401：包括以下一项或者多项：
第三设备向第一设备发送第一标识；
第三设备向第一设备发送第一标识和第二标识；
第三设备向第二设备发送第二标识；
其中，第一标识为第一数据映射方法的标识，第二标识为第二数据映射方法的标识，AI模型与第一数据映射方法和第二数据映射方法之间具有关联关系。
在一种可能的实施方式中，第三设备向第一设备发送第一标识，包括：
(1)第三设备从第一设备接收AI模型标识；
(2)第三设备向第一设备发送第一标识；
其中，AI模型标识与第一标识之间具有关联关系。
在一种可能的实施方式中，第三设备向第一设备发送第一标识和第二标识，包括：
(1)第三设备从第一设备接收AI模型标识；
(2)第三设备向第一设备发送第一标识和第二标识；
其中，AI模型标识与第一标识和第二标识之间具有关联关系。
上述第三设备中存储有AI模型标识与第一标识和第二标识之间的关联关系，由于第一标识和第二标识对应的是数据映射方法，即对应的是隐私化方法，因此第三设备可以称之为隐私化方案确定设备或数据处理设备，具体地，第三设备可以是一个额外设置的数据存储库，凡通过训练得到一个AI模型之后，便可以将AI模型标识与对应的第一标识和第二标识之间的关联关系存储到第三设备中，这样后续需要进行AI模型推理时，可以通过AI模型标识从第三设备中调取与之关联的第一标识和第二标识；
在本申请实施例中，第一设备通过AI模型标识从第三设备中获取第一标识和第二标识，然后通过第一信息携带第二标识，将该第二标识提供给第二设备，这样第一设备和第二设备能够分别根据第一标识和第二标识进行数据映射，得到相应的映射数据。
在一种可能的实施方式中，第三设备向第二设备发送第二标识，包括：
(1)第三设备从第二设备接收AI模型标识；
(2)第三设备向第一设备发送第二标识；
其中，AI模型标识与第二标识之间具有关联关系。
上述第三设备中存储有AI模型标识与第二标识之间的关联关系，或者AI模型标识与第一标识和第二标识之间的关联关系；
在本申请实施例中，第一设备通过AI模型标识从第三设备中仅获取第一标识，然后通过第一信息携带AI模型标识，将该AI模型标识提供给第二设备，由第二设备自己通过AI模型标识从第三设备中获取第二标识，这样第一设备和第二设备能够分别根据第一标识和第二标识进行数据映射，得到相应的映射数据。
在一种可能的实施方式中，方法还包括：
第三设备向第一设备发送第三信息，第三信息中还包含以下一项或者多项：
(1)第四信息，第四信息中包含第一需求，第一需求为第一设备进行AI模型推理时针对第二设备的数据收集需求；
(2)第五信息，第五信息中包含第二需求，第二需求是AI模型在训练时针对与第一设备相同类别的设备的数据收集需求；
(3)第六信息，第六信息中包含明文数据的需求信息；
(4)第七信息，所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息；或者，所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入位置信息 与所述第一映射数据和/或所述第二映射数据之间具有关联关系。
第三设备通过向第一设备提供上述(1)～(4)的信息内容，辅助第一设备进行AI模型推理。
在一种可能的实施方式中，在所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息的情况下，数据输入位置信息包括以下任意一项：
(1)具体数据输入位置的指示信息；例如上表1-a所示，直接指示出明文数据的数据输入位置为{1，2，3，4}，第一映射数据的数据输入位置为{5，6，7，8}，第二映射数据的数据输入位置为{9，10，11，12}；
(2)数据输入起始位置的指示信息和数据输入结束位置的指示信息。例如上表1-a所示，直接指示出明文数据的数据输入位置为起始位置1，结束位置4，第一映射数据的数据输入位置为起始位置5，结束位置8，第二映射数据的数据输入位置为起始位置9，结束位置12。
在一种可能的实施方式中，明文数据的需求信息包括：明文数据的数据项和明文数据的收集个数。
在一种可能的实施方式中，第一数据映射方法和/或第二数据映射方法，包括以下任意一项：
(1)对数据做偏置；具体地，第一设备使用的偏置值在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(2)对数据做缩放；具体地，第一设备使用的缩放倍数在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(3)对数据做多项式函数变化；具体地，第一设备使用的用于变换的函数在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(4)对单个数据做多维映射，得到多个数据；具体地，第一设备使用的映射方法在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(5)对一组数据进行乱序操作；具体地，第一设备使用的原顺序与乱序的映射关系在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性；
(6)对单个数据进行量化映射。具体地，例如根据波束指向映射为虚拟波束标识，映射关系在第一设备可知，在第二设备不可知，这样可以防止以反推方式获取到第二设备的真实数据，提高数据安全性。
在一种可能的实施方式中，数据收集需求，包括以下一项或者多项：
(1)收集数据项；
(2)收集或采样间隔；
(3)收集个数。
在一种可能的实施方式中，收集数据项包括以下一项或者多项：
(1)波束的水平波束指向；
(2)波束的垂直波束指向；
(3)波束的水平方向的宽度；
(4)波束的垂直方向的宽度；
(5)波束增益；
(6)天线方向信息；
(7)终端移动速度；
(8)终端位置信息；
(9)基站位置信息；
(10)小区视距(line of sight，LOS)分布信息；
(11)小区非视距(non-line of sight，NLOS)分布信息。
在一种可能的实施方式中，方法还包括：
第三设备向第一设备发送以下一项或者多项：
(1)最小的波束角度颗粒度；
(2)最大的波束角度预测范围。
本申请实施例提供的AI模型推理方法，执行主体可以为AI模型推理装置。本申请实施例中以AI模型推理装置执行AI模型推理方法为例，说明本申请实施例提供的AI模型推理装置。
需要说明的是，在实际应用场景中，对于一个具体的设备，其既可以作为数据收集设备，也可以作为波束指向信息隐私化处理的设备，还可以作为隐私方案确定设备，换言之，该设备既可以作为第一设备执行上述图2相关的处理操作，也可以作为第二设备执行上述图3相关的处理操作，还可以作为第三设备执行上述图4相关的处理操作.
参见图5，本申请实施例提供一种AI模型推理装置500，所述装置应用于第一设备，所述装置包括：
第一发送模块501，用于向第二设备发送第一信息；
第一接收模块502，用于从所述第二设备接收第二信息；
生成模块503，用于根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集；
其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第一映射数据是所述第一设备通过第一数据映射方法映射得到的数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与所 述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
可选地，所述装置还包括：
第四发送模块，用于在向第二设备发送第一信息之前，向第三设备发送AI模型标识；
第三接收模块，用于从所述第三设备接收第一标识和第二标识；
其中，所述第一信息中还包含所述第二标识，所述AI模型标识与所述第一标识和所述第二标识之间具有关联关系，所述第一标识为所述第一数据映射方法的标识，所述第二标识为所述第二数据映射方法的标识。
可选地，所述装置还包括：
第五发送模块，用于在向第二设备发送第一信息之前，向第三设备发送AI模型标识；
第四接收模块，用于从所述第三设备接收第一标识；
其中，所述第一信息中还包含所述AI模型标识，所述AI模型标识与所述第一标识之间具有关联关系，所述第一标识为所述第一数据映射方法的标识。
可选地，所述装置还包括：
第六发送模块，用于在向第二设备发送第一信息之前，向第四设备发送AI模型标识；
第五接收模块，用于从第四设备接收第一标识；
其中，所述AI模型标识与所述第一标识之间具有关联关系，所述第一标识为所述第一数据映射方法的标识。
可选地，所述装置还包括：
第六接收模块，用于从第三设备接收第三信息，所述第三信息中包含以下一项或者多项：
第四信息，所述第四信息中包含所述第一需求；
第五信息，所述第五信息中包含第二需求，所述第二需求是所述AI模型在训练时针对与所述第一设备相同类别的设备的数据收集需求；
第六信息，所述第六信息中包含明文数据的需求信息；
第七信息，所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息；或者，所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入位置信息与所述第一映射数据和/或所述第二映射数据之间具有关联关系。
可选地，所述生成模块具体用于：
在所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息的情况下，根据所述第七信息，将所述第一映射数据和/或所述第二映射数据，以及所述明文数据分别赋值到所述AI模型中对应的数据输入位置；
在所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入位置信息与所述第一映射数据和/或所述第二映射数据之间具有关联关系的情况下，根据 所述第七信息，将所述明文数据分别赋值到所述AI模型中对应的数据输入位置。
可选地，所述装置还包括：
第一确定模块，用于根据所述第一标识和第一关系，确定所述第一数据映射方法；
第一映射模块，用于根据所述第一数据映射方法映射得到所述第一映射数据；
其中，所述第一关系为所述第一标识与所述第一数据映射方法之间的映射关系。
可选地，在所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入位置信息与所述第一映射数据和/或所述第二映射数据之间具有关联关系的情况下，所述第二信息中还包括了输出结果映射表，所述装置还包括：
第二映射模块，用于根据所述输出结果映射表对所述AI模型的输出结果进行映射，得到有效推理结果；
第七发送模块，用于在第一设备是终端的情况下，将所述有效推理结果发送给网络侧。
可选地，在所述第七信息中包含所述第一映射数据的数据输入位置信息和或所述第二映射数据的数据输入位置信息，以及所述明文数据的数据输入位置信息的情况下，所述数据输入位置信息包括以下任意一项：
具体数据输入位置的指示信息；
数据输入起始位置的指示信息和数据输入结束位置的指示信息。
可选地，所述明文数据的需求信息包括：所述明文数据的数据项和所述明文数据的收集个数。
可选地，所述装置还包括获取模块，用于以下任意一项：
测量得到所述明文数据；
从所述第二设备接收所述明文数据。
可选地，所述第一数据映射方法和/或所述第二数据映射方法，包括以下任意一项：
对数据做偏置；
对数据做缩放；
对数据做多项式函数变化；
对单个数据做多维映射，得到多个数据；
对一组数据进行乱序操作；
对单个数据进行量化映射。
可选地，所述数据收集需求，包括以下一项或者多项：
收集数据项；
收集或采样间隔；
收集个数。
可选地，所述收集数据项包括以下一项或者多项：
波束的水平波束指向；
波束的垂直波束指向；
波束的水平方向的宽度；
波束的垂直方向的宽度；
波束增益；
天线方向信息；
终端移动速度；
终端位置信息；
基站位置信息；
小区LOS分布信息；
小区NLOS分布信息。
可选地，所述装置还包括：
第七接收模块，用于从第三设备接收以下一项或者多项：
最小的波束角度颗粒度；
最大的波束角度预测范围。
参见图6，本申请实施例提供一种AI模型推理装置600，所述装置应用于第二设备，所述装置包括：
第二接收模块601，用于从第一设备接收第一信息；
第二发送模块602，用于向所述第一设备发送第二信息；
其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与第一数据映射方法和所述第二数据映射方法之间具有关联关系。
可选地，所述第一信息中包含第二标识，所述第二标识为所述第二数据映射方法的标识。
可选地，所述第一信息中还包含AI模型标识，所述装置还包括：
第八发送模块，用于在所述第二设备通过第二数据映射方法映射得到第二映射数据之前，向第三设备发送所述AI模型标识；
第八接收模块，用于从所述第三设备接收第二标识；
其中，所述AI模型标识与所述第二标识之间具有关联关系，所述第二标识为所述第二数据映射方法的标识。
可选地，所述第一信息中还包含所述AI模型标识，所述装置还包括：
第九发送模块，用于在所述第二设备通过第二数据映射方法映射得到第二映射数据之前，向第五设备发送所述AI模型标识；
第九接收模块，用于从所述第五设备接收第二标识；
其中，所述AI模型标识与所述第二标识之间具有关联关系，所述第二标识为所述第二数据映射方法的标识。
可选地，所述装置还包括：
第二确定模块，用于根据所述第二标识和第二关系，确定所述第二数据映射方法；
其中，所述第二关系为所述第二标识与所述第二数据映射方法之间的映射关系。
可选地，所述装置还包括：
第十发送模块，用于向所述第一设备发送明文数据。
可选地，所述第一数据映射方法和/或所述第二数据映射方法，包括以下任意一项：
对数据做偏置；
对数据做缩放；
对数据做多项式函数变化；
对单个数据做多维映射，得到多个数据；
对一组数据进行乱序操作；
对单个数据进行量化映射。
可选地，所述数据收集需求，包括以下一项或者多项：
收集数据项；
收集或采样间隔；收集个数。
可选地，所述收集数据项包括以下一项或者多项：
波束的水平波束指向；
波束的垂直波束指向；
波束的水平方向的宽度；
波束的垂直方向的宽度；
波束增益；
天线方向信息；
终端移动速度；
终端位置信息；
基站位置信息；
小区LOS分布信息；
小区NLOS分布信息。
参见图7，本申请实施例提供一种AI模型推理装置700，所述装置应用于第三设备，所述装置包括：
第三发送模块701，用于以下一项或者多项：
向第一设备发送第一标识；
向第一设备发送第一标识和第二标识；
向第二设备发送第二标识；
其中，所述第一标识为第一数据映射方法的标识，所述第二标识为第二数据映射方法的标识，AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
可选地，所述第三发送模块，用于：
从所述第一设备接收AI模型标识；
向所述第一设备发送第一标识；
其中，所述AI模型标识与所述第一标识之间具有关联关系。
可选地，所述第三发送模块，用于：
从所述第一设备接收AI模型标识；
向所述第一设备发送第一标识和第二标识；
其中，所述AI模型标识与所述第一标识和所述第二标识之间具有关联关系。
可选地，所述第三发送模块，用于：
从所述第二设备接收AI模型标识；
向所述第一设备发送第二标识；
其中，所述AI模型标识与所述第二标识之间具有关联关系。
可选地，所述装置还包括：
第十一发送模块，用于向所述第一设备发送第三信息，所述第三信息中还包含以下一项或者多项：
第四信息，所述第四信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求；
第五信息，所述第五信息中包含第二需求，所述第二需求是所述AI模型在训练时针对与所述第一设备相同类别的设备的数据收集需求；
第六信息，所述第六信息中包含明文数据的需求信息；
第七信息，所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息；或者，所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入位置信息与所述第一映射数据和/或所述第二映射数据之间具有关联关系。
可选地，在所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息的情况下，所述数据输入位置信息包括以下任意一项：
具体数据输入位置的指示信息；
数据输入起始位置的指示信息和数据输入结束位置的指示信息。
可选地，所述明文数据的需求信息包括：所述明文数据的数据项和所述明文数据的收集个数。
可选地，所述第一数据映射方法和/或所述第二数据映射方法，包括以下任意一项：
对数据做偏置；
对数据做缩放；
对数据做多项式函数变化；
对单个数据做多维映射，得到多个数据；
对一组数据进行乱序操作；
对单个数据进行量化映射。
可选地，所述数据收集需求，包括以下一项或者多项：
收集数据项；
收集或采集间隔；
收集个数。
可选地，所述收集数据项包括以下一项或者多项：
波束的水平波束指向；
波束的垂直波束指向；
波束的水平方向的宽度；
波束的垂直方向的宽度；
波束增益；
天线方向信息；
终端移动速度；
终端位置信息；
基站位置信息；
小区LOS分布信息；
小区NLOS分布信息。
可选地，所述装置还包括：
第十二发送模块，用于向所述第一设备发送以下一项或者多项：
最小的波束角度颗粒度；
最大的波束角度预测范围。
本申请实施例中的AI模型推理装置可以是电子设备，例如具有操作***的电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，终端可以包括但不限于上述所列举的终端11的类型，其他设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)等，本申请实施例不作具体限定。
本申请实施例提供的AI模型推理装置能够实现图2至图4的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
可选地，如图8所示，本申请实施例还提供一种通信设备800，包括处理器801和存储器802，存储器802上存储有可在所述处理器801上运行的程序或指令，例如，该通信设备800为终端时，该程序或指令被处理器801执行时实现上述AI模型推理方法实施例的各个步骤，且能达到相同的技术效果。该通信设备800为网络设备时，该程序或指令被处理器801执行时实现上述AI模型推理方法实施例的各个步骤，且能达到相同的技术效 果，为避免重复，这里不再赘述。
本申请实施例还提供一种通信设备，包括处理器和通信接口，当通信设备为第一设备时，通信接口用于向第二设备发送第一信息；
通信接口用于从所述第二设备接收第二信息；
处理器用于根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集；
其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第一映射数据是所述第一设备通过第一数据映射方法映射得到的数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
当通信设备为第二设备时，通信接口用于从第一设备接收第一信息；
通信接口用于向所述第一设备发送第二信息；
其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与第一数据映射方法和所述第二数据映射方法之间具有关联关系。
当通信设备为第三设备时，通信接口用于以下一项或者多项：
向第一设备发送第一标识；
向第一设备发送第一标识和第二标识；
向第二设备发送第二标识；
其中，所述第一标识为第一数据映射方法的标识，所述第二标识为第二数据映射方法的标识，AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
该通信设备实施例与上述方法实施例对应，上述方法实施例的各个实施过程和实现方式均可适用于该通信设备实施例中，且能达到相同的技术效果。
具体地，通信设备为终端时，图9为实现本申请实施例的一种终端的硬件结构示意图。
该终端900包括但不限于：射频单元901、网络模块902、音频输出单元903、输入单元904、传感器905、显示单元906、用户输入单元907、接口单元908、存储器909以及处理器910等中的至少部分部件。
本领域技术人员可以理解，终端900还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理***与处理器910逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。图9中示出的终端结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
应理解的是，本申请实施例中，输入单元904可以包括图形处理单元(Graphics Processing Unit，GPU)9041和麦克风9042，图形处理器9041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显 示单元906可包括显示面板9061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板9061。用户输入单元907包括触控面板9071以及其他输入设备9072中的至少一种。触控面板9 071，也称为触摸屏。触控面板9071可包括触摸检测装置和触摸控制器两个部分。其他输入设备9072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
本申请实施例中，射频单元901接收来自网络设备的下行数据后，可以传输给处理器910进行处理；另外，射频单元901可以向网络设备发送上行数据。通常，射频单元901包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器909可用于存储软件程序或指令以及各种数据。存储器909可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作***、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器909可以包括易失性存储器或非易失性存储器，或者，存储器909可以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)，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，DDRSDRAM)、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 Rambus RAM，DRRAM)。本申请实施例中的存储器909包括但不限于这些和任意其它适合类型的存储器。
处理器910可包括一个或多个处理单元；可选地，处理器910集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作***、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器910中。
在第一设备为终端的情况下，处理器910用于执行第一设备侧的方法步骤；
在第二设备为终端的情况下，处理器910用于执行第二设备侧的方法步骤；
在第三设备为终端的情况下，处理器910用于执行第三设备侧的方法步骤。
具体地，本申请实施例还提供了一种网络设备，该网络设备为接入网设备。如图10所示，该网络设备1000包括：天线101、射频装置102、基带装置103、处理器104和存储器105。天线101与射频装置102连接。在上行方向上，射频装置102通过天线101接收信息，将接收的信息发送给基带装置103进行处理。在下行方向上，基带装置103对要发送的信息进行处理，并发送给射频装置102，射频装置102对收到的信息进行处理后经过天线101发送出去。
以上实施例中网络设备执行的方法可以在基带装置103中实现，该基带装置103包括基带处理器。
基带装置103例如可以包括至少一个基带板，该基带板上设置有多个芯片，如图10所示，其中一个芯片例如为基带处理器，通过总线接口与存储器105连接，以调用存储器105中的程序，执行以上方法实施例中所示的网络设备操作。
该网络设备还可以包括网络接口106，该接口例如为通用公共无线接口(common public radio interface，CPRI)。
具体地，本申请实施例的网络设备1000还包括：存储在存储器105上并可在处理器104上运行的指令或程序，处理器104调用存储器105中的指令或程序执行图5、图6、图7所示各模块执行的方法，并达到相同的技术效果，为避免重复，故不在此赘述。
具体地，本申请实施例还提供了一种网络设备，该网络设备为核心网设备。如图11所示，该网络设备1100包括：处理器1101、网络接口1102和存储器1103。其中，网络接口1102例如为通用公共无线接口(common public radio interface，CPRI)。
具体地，本申请实施例的网络设备1100还包括：存储在存储器1103上并可在处理器1101上运行的指令或程序，处理器1101调用存储器1103中的指令或程序执行图5、图6、图7所示各模块执行的方法，并达到相同的技术效果，为避免重复，故不在此赘述。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述AI模型推理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述AI模型推理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为***级芯片，***芯片，芯片***或片上***芯片等。
本申请实施例另提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现上述AI模型推理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供了一种通信***，包括：第一设备、第二设备和第三设备，所述第一设备可用于执行如第一设备侧方法的步骤，所述第二设备可用于执行如第二设备侧方法的步骤，所述第三设备可用于执行如第三设备侧方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素， 而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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计算机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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (39)

  1. 一种人工智能AI模型推理方法，包括：
    第一设备向第二设备发送第一信息；
    所述第一设备从所述第二设备接收第二信息；
    所述第一设备根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集；
    其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第一映射数据是所述第一设备通过第一数据映射方法映射得到的数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
  2. 根据权利要求1所述的方法，其中，在所述第一设备向第二设备发送第一信息之前，所述方法还包括：
    所述第一设备向第三设备发送AI模型标识；
    所述第一设备从所述第三设备接收第一标识和第二标识；
    其中，所述第一信息中还包含所述第二标识，所述AI模型标识与所述第一标识和所述第二标识之间具有关联关系，所述第一标识为所述第一数据映射方法的标识，所述第二标识为所述第二数据映射方法的标识。
  3. 根据权利要求1所述的方法，其中，在所述第一设备向第二设备发送第一信息之前，所述方法还包括：
    所述第一设备向第三设备发送AI模型标识；
    所述第一设备从所述第三设备接收第一标识；
    其中，所述第一信息中还包含所述AI模型标识，所述AI模型标识与所述第一标识之间具有关联关系，所述第一标识为所述第一数据映射方法的标识。
  4. 根据权利要求1所述的方法，其中，在所述第一设备向第二设备发送第一信息之前，所述方法还包括：
    所述第一设备向第四设备发送AI模型标识；
    所述第一设备从第四设备接收第一标识；
    其中，所述AI模型标识与所述第一标识之间具有关联关系，所述第一标识为所述第一数据映射方法的标识。
  5. 根据权利要求2至4任一项所述的方法，还包括：
    所述第一设备从第三设备接收第三信息，所述第三信息中包含以下一项或者多项：
    第四信息，所述第四信息中包含所述第一需求；
    第五信息，所述第五信息中包含第二需求，所述第二需求是所述AI模型在训练时针对与所述第一设备相同类别的设备的数据收集需求；
    第六信息，所述第六信息中包含明文数据的需求信息；
    第七信息，所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息；或者，所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入位置信息与所述第一映射数据和/或所述第二映射数据之间具有关联关系。
  6. 根据权利要求5所述的方法，其中，所述第一设备根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集，包括：
    在所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息的情况下，所述第一设备根据所述第七信息，将所述明文数据，以及，所述第一映射数据和/或所述第二映射数据分别赋值到所述AI模型中对应的数据输入位置；
    在所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入位置信息与所述第一映射数据和/或所述第二映射数据之间具有关联关系的情况下，所述第一设备根据所述第七信息，将所述明文数据分别赋值到所述AI模型中对应的数据输入位置。
  7. 根据权利要求2至4任一项所述方法，还包括：
    所述第一设备根据所述第一标识和第一关系，确定所述第一数据映射方法；
    所述第一设备根据所述第一数据映射方法映射得到所述第一映射数据；
    其中，所述第一关系为所述第一标识与所述第一数据映射方法之间的映射关系。
  8. 根据权利要求5所述方法，其中，在所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入位置信息与所述第一映射数据和/或所述第二映射数据之间具有关联关系的情况下，所述第二信息中还包括了输出结果映射表，所述方法还包括：
    所述第一设备根据所述输出结果映射表对所述AI模型的输出结果进行映射，得到有效推理结果；
    在第一设备是终端的情况下，所述第一设备将所述有效推理结果发送给网络侧。
  9. 根据权利要求5所述的方法，其中，在所述第七信息中包含所述明文数据的数据输入位置信息，以及，所述第一映射数据的数据输入位置信息和/或所述第二映射数据的数据输入位置信息的情况下，所述数据输入位置信息包括以下任意一项：
    具体数据输入位置的指示信息；
    数据输入起始位置的指示信息和数据输入结束位置的指示信息。
  10. 根据权利要求5所述的方法，其中，所述明文数据的需求信息包括：所述明文数据的数据项和所述明文数据的收集个数。
  11. 根据权利要求5所述的方法，还包括：
    所述第一设备获取所述明文数据。
  12. 根据权利要求1所述的方法，其中，所述第一数据映射方法和/或所述第二数据映射方法，包括以下任意一项：
    对数据做偏置；
    对数据做缩放；
    对数据做多项式函数变化；
    对单个数据做多维映射，得到多个数据；
    对一组数据进行乱序操作；
    对单个数据进行量化映射。
  13. 根据权利要求1或5所述的方法，其中，所述数据收集需求，包括以下一项或者多项：
    收集数据项；
    收集或采样间隔；
    收集个数。
  14. 根据权利要求13所述的方法，其中，所述收集数据项包括以下一项或者多项：
    波束的水平波束指向；
    波束的垂直波束指向；
    波束的水平方向的宽度；
    波束的垂直方向的宽度；
    波束增益；
    天线方向信息；
    终端移动速度；
    终端位置信息；
    基站位置信息；
    小区视距LOS分布信息；
    小区非视距NLOS分布信息。
  15. 根据权利要求1所述的方法，还包括：
    所述第一设备从第三设备接收以下一项或者多项：
    最小的波束角度颗粒度；
    最大的波束角度预测范围。
  16. 一种AI模型推理方法，包括：
    第二设备从第一设备接收第一信息；
    所述第二设备向所述第一设备发送第二信息；
    其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或第二映射数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI 模型与第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
  17. 根据权利要求16所述的方法，其中，
    所述第一信息中包含第二标识，所述第二标识为所述第二数据映射方法的标识。
  18. 根据权利要求16所述的方法，其中，所述第一信息中还包含AI模型标识，在所述第二设备通过第二数据映射方法映射得到第二映射数据之前，所述方法还包括：
    所述第二设备向第三设备发送所述AI模型标识；
    所述第二设备从所述第三设备接收第二标识；
    其中，所述AI模型标识与所述第二标识之间具有关联关系，所述第二标识为所述第二数据映射方法的标识。
  19. 根据权利要求16所述的方法，其中，所述第一信息中还包含所述AI模型标识，在所述第二设备通过第二数据映射方法映射得到第二映射数据之前，所述方法还包括：
    所述第二设备向第五设备发送所述AI模型标识；
    所述第二设备从所述第五设备接收第二标识；
    其中，所述AI模型标识与所述第二标识之间具有关联关系，所述第二标识为所述第二数据映射方法的标识。
  20. 根据权利要求17至19任一项所述方法，还包括：
    所述第二设备根据所述第二标识和第二关系，确定所述第二数据映射方法；
    其中，所述第二关系为所述第二标识与所述第二数据映射方法之间的映射关系。
  21. 根据权利要求16所述的方法，其中，所述第一数据映射方法和/或所述第二数据映射方法，包括以下任意一项：
    对数据做偏置；
    对数据做缩放；
    对数据做多项式函数变化；
    对单个数据做多维映射，得到多个数据；
    对一组数据进行乱序操作；
    对单个数据进行量化映射。
  22. 根据权利要求16所述的方法，其中，所述数据收集需求，包括以下一项或者多项：
    收集数据项；
    收集或采样间隔；收集个数。
  23. 根据权利要求22所述的方法，其中，所述收集数据项包括以下一项或者多项：
    波束的水平波束指向；
    波束的垂直波束指向；
    波束的水平方向的宽度；
    波束的垂直方向的宽度；
    波束增益；
    天线方向信息；
    终端移动速度；
    终端位置信息；
    基站位置信息；
    小区LOS分布信息；
    小区NLOS分布信息。
  24. 一种AI模型推理方法，包括以下一项或者多项：
    第三设备向第一设备发送第一标识；
    第三设备向第一设备发送第一标识和第二标识；
    第三设备向第二设备发送第二标识；
    其中，所述第一标识为第一数据映射方法的标识，所述第二标识为第二数据映射方法的标识，AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
  25. 根据权利要求24所述的方法，其中，所述第三设备向第一设备发送第一标识，包括：
    所述第三设备从所述第一设备接收AI模型标识；
    所述第三设备向所述第一设备发送第一标识；
    其中，所述AI模型标识与所述第一标识之间具有关联关系。
  26. 根据权利要求24所述的方法，其中，所述第三设备向第一设备发送第一标识和第二标识，包括：
    所述第三设备从所述第一设备接收AI模型标识；
    所述第三设备向所述第一设备发送第一标识和第二标识；
    其中，所述AI模型标识与所述第一标识和所述第二标识之间具有关联关系。
  27. 根据权利要求24所述的方法，其中，所述第三设备向第二设备发送第二标识，包括：
    所述第三设备从所述第二设备接收AI模型标识；
    所述第三设备向所述第一设备发送第二标识；
    其中，所述AI模型标识与所述第二标识之间具有关联关系。
  28. 根据权利要求25至27任一项所述的方法，还包括：
    所述第三设备向所述第一设备发送第三信息，所述第三信息中还包含以下一项或者多项：
    第四信息，所述第四信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求；
    第五信息，所述第五信息中包含第二需求，所述第二需求是所述AI模型在训练时针对与所述第一设备相同类别的设备的数据收集需求；
    第六信息，所述第六信息中包含明文数据的需求信息；
    第七信息，所述第七信息中包含所述明文数据的数据输入位置信息，以及，第一映射数据的数据输入位置信息和/或第二映射数据的数据输入位置信息；或者，所述第七信息中包含所述明文数据的数据输入位置信息，所述明文数据的数据输入位置信息与所述第一映射数据和/或所述第二映射数据之间具有关联关系。
  29. 根据权利要求28所述的方法，其中，在所述第七信息中包含所述明文数据的数据输入位置信息，以及，第一映射数据的数据输入位置信息和/或第二映射数据的数据输入位置信息的情况下，所述数据输入位置信息包括以下任意一项：
    具体数据输入位置的指示信息；
    数据输入起始位置的指示信息和数据输入结束位置的指示信息。
  30. 根据权利要求28所述的方法，其中，所述明文数据的需求信息包括：所述明文数据的数据项和所述明文数据的收集个数。
  31. 根据权利要求24所述的方法，其中，所述第一数据映射方法和/或所述第二数据映射方法，包括以下任意一项：
    对数据做偏置；
    对数据做缩放；
    对数据做多项式函数变化；
    对单个数据做多维映射，得到多个数据；
    对一组数据进行乱序操作；
    对单个数据进行量化映射。
  32. 根据权利要求28所述的方法，其中，所述数据收集需求，包括以下一项或者多项：
    收集数据项；
    收集或采集间隔；
    收集个数。
  33. 根据权利要求32所述的方法，其中，所述收集数据项包括以下一项或者多项：
    波束的水平波束指向；
    波束的垂直波束指向；
    波束的水平方向的宽度；
    波束的垂直方向的宽度；
    波束增益；
    天线方向信息；
    终端移动速度；
    终端位置信息；
    基站位置信息；
    小区LOS分布信息；
    小区NLOS分布信息。
  34. 根据权利要求24所述的方法，还包括：
    所述第三设备向所述第一设备发送以下一项或者多项：
    最小的波束角度颗粒度；
    最大的波束角度预测范围。
  35. 一种AI模型推理装置，所述装置应用于第一设备，所述装置包括：
    第一发送模块，用于向第二设备发送第一信息；
    第一接收模块，用于从所述第二设备接收第二信息；
    生成模块，用于根据第一映射数据和/或第二映射数据，生成用于AI模型推理的数据集；
    其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或所述第二映射数据，所述第一映射数据是所述第一设备通过第一数据映射方法映射得到的数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
  36. 一种AI模型推理装置，所述装置应用于第二设备，所述装置包括：
    第二接收模块，用于从第一设备接收第一信息；
    第二发送模块，用于向所述第一设备发送第二信息；
    其中，所述第一信息中包含第一需求，所述第一需求为所述第一设备进行AI模型推理时针对所述第二设备的数据收集需求，所述第二信息中包含明文数据和/或第二映射数据，所述第二映射数据是所述第二设备通过第二数据映射方法映射得到的数据，所述AI模型与第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
  37. 一种AI模型推理装置，所述装置应用于第三设备，所述装置包括：
    第三发送模块，用于以下一项或者多项：
    向第一设备发送第一标识；
    向第一设备发送第一标识和第二标识；
    向第二设备发送第二标识；
    其中，所述第一标识为第一数据映射方法的标识，所述第二标识为第二数据映射方法的标识，AI模型与所述第一数据映射方法和/或所述第二数据映射方法之间具有关联关系。
  38. 一种通信设备，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至15任一项所述的AI模型推理方法的步骤，或者如权利要求16至23任一项所述的AI模型推理方法的步骤，或者如权利要求24至34任一项所述的AI模型推理方法的步骤。
  39. 一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处 理器执行时实现如权利要求1至15任一项所述的AI模型推理方法的步骤，或者如权利要求16至23任一项所述的AI模型推理方法的步骤，或者如权利要求24至34任一项所述的AI模型推理方法的步骤。
PCT/CN2023/120929 2022-09-30 2023-09-25 Ai模型推理方法、设备及可读存储介质 WO2024067438A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211215842.XA CN117896838A (zh) 2022-09-30 2022-09-30 Ai模型推理方法、设备及可读存储介质
CN202211215842.X 2022-09-30

Publications (1)

Publication Number Publication Date
WO2024067438A1 true WO2024067438A1 (zh) 2024-04-04

Family

ID=90476198

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/120929 WO2024067438A1 (zh) 2022-09-30 2023-09-25 Ai模型推理方法、设备及可读存储介质

Country Status (2)

Country Link
CN (1) CN117896838A (zh)
WO (1) WO2024067438A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112039807A (zh) * 2020-08-31 2020-12-04 中兴通讯股份有限公司 下行信道估计方法、装置、通信设备和存储介质
CN113365352A (zh) * 2020-03-06 2021-09-07 大唐移动通信设备有限公司 波束推荐方法、装置、网络侧设备、终端及存储介质
WO2022021249A1 (en) * 2020-07-30 2022-02-03 Huawei Technologies Co., Ltd. Entities and methods for enabling control of a usage of collected data in multiple analytics phases in communication networks
CN114024586A (zh) * 2021-11-04 2022-02-08 网络通信与安全紫金山实验室 用于非线性轨迹的智能波束预测方法、装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113365352A (zh) * 2020-03-06 2021-09-07 大唐移动通信设备有限公司 波束推荐方法、装置、网络侧设备、终端及存储介质
WO2022021249A1 (en) * 2020-07-30 2022-02-03 Huawei Technologies Co., Ltd. Entities and methods for enabling control of a usage of collected data in multiple analytics phases in communication networks
CN112039807A (zh) * 2020-08-31 2020-12-04 中兴通讯股份有限公司 下行信道估计方法、装置、通信设备和存储介质
CN114024586A (zh) * 2021-11-04 2022-02-08 网络通信与安全紫金山实验室 用于非线性轨迹的智能波束预测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN117896838A (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
WO2024067438A1 (zh) Ai模型推理方法、设备及可读存储介质
CN116156667A (zh) 物联网设备的会话建立方法及装置
WO2024067439A1 (zh) 数据集生成方法、信息发送方法、装置及相关设备
WO2024067436A1 (zh) 信息传输方法、装置及设备
CN117858071A (zh) 数据集生成方法、信息发送方法、装置及相关设备
WO2023236979A1 (zh) 定位模型的选择方法、终端及网络侧设备
WO2024125454A1 (zh) 信息交互方法及设备
WO2024140510A1 (zh) 模型训练处理方法、装置及相关设备
WO2023134653A1 (zh) 通信网络预测方法、终端及网络侧设备
WO2024027580A1 (zh) 事件信息传输方法、lmf、接入网设备及终端
WO2024120444A1 (zh) 模型监督方法、装置、终端、网络侧设备及可读存储介质
WO2023179617A1 (zh) 定位方法、装置、终端及网络侧设备
WO2024017035A1 (zh) 位置信息的获取方法、终端及网络侧设备
WO2024027618A1 (zh) gap配置方法、装置、网络侧设备及存储介质
WO2024022398A1 (zh) 托管网络的选网信息的获取方法、终端及网络侧设备
WO2024140445A1 (zh) 模型信息传输方法、装置及设备
WO2024088119A1 (zh) 数据处理方法、装置、终端及网络侧设备
WO2024099138A1 (zh) 波束配置信息传输方法、第一设备及第二设备
WO2023186099A1 (zh) 信息反馈方法、装置及设备
WO2024078589A1 (zh) 信息上报方法、装置、通信设备及存储介质
WO2024078400A1 (zh) 模型请求方法、装置、通信设备及可读存储介质
WO2024008111A1 (zh) 数据采集方法及装置
WO2024067281A1 (zh) Ai模型的处理方法、装置及通信设备
CN117858119A (zh) 数据收集及处理方法、设备及可读存储介质
CN117858118A (zh) 模型去激活方法、信息发送方法、装置及设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23870669

Country of ref document: EP

Kind code of ref document: A1