无线网络中人工智能和机器学习模型的生命周期管理方法与流程

本公开总体上涉及无线通信网络，并且尤其涉及无线通信网络中终端设备和网络节点两者的人工智能（artificial intelligence，ai）和/或机器学习（machine learning，ml）功能和模型的配置与供应。

背景技术：

1、在无线通信系统中，确定通信资源的自适应网络配置，尤其是在空中通信接口内，可能需要冗长且资源密集的测量/报告过程和/或大量的计算能力。此类通信资源配置可包括但不限于波束管理、信道状态信息（channel state information，csi）反馈压缩和解压缩、无线终端定位/定向等。各种网络条件与这些自适应资源配置之间的相关性可经由人工智能（ai）技术和模型来学习，并用于辅助无线通信资源的供应。因此，期望提供一种高效机制，用于基于终端设备的能力以及这些终端设备与无线网络之间的无线网络条件来配置、选择和供应部署在终端设备或无线网络节点上的各种ai模型。

技术实现思路

1、本公开总体上涉及无线通信网络，并且尤其涉及无线通信网络中终端设备和网络节点两者的人工智能（ai）和/或机器学习（ml）功能及模型的配置与供应。例如，此类ai/ml功能和模型可位于无线终端侧或无线网络侧。无线终端和网络可执行协作过程，以经由一系列触发消息来确定、配置、激活或去激活一组ai/ml功能和模型，用于网络供应的自适应预测和推断。

2、在一个示例实施方式中，公开了一种由无线通信网络中与网络（network，nw）通信的用户设备（user equipment，ue）执行的方法。该方法可包括：与nw协作执行针对该ue的人工智能或机器学习（ai/ml）能力的测试过程；接收来自该nw的针对一个或多个ai/ml特征、功能或模型的ai/ml配置，该一个或多个ai/ml特征、功能或模型是由该nw至少部分地基于测试过程从该ue的ai/ml能力中选择的；以及根据ai/ml配置，利用该一个或多个ai/ml特征、功能或模型进行推断。

3、在上述示例实施方式中，该测试过程包括：接收来自nw的用于测试该ue的ai/ml特征、功能或模型的请求消息；利用至少一个ai/ml特征、功能或模型执行推断以生成推断结果；以及向该nw发送响应消息，该响应消息至少包括该推断结果。

4、在上述任一示例实施方式中，该请求消息包括以下至少一项：用于指示用于测试的ai/ml特征、功能或模型的指示符；以及用于测试的所指示的适用ai/ml特征、功能或模型的参考输入数据。

5、在上述任一示例实施方式中，执行该推断包括：利用所指示的ai/ml特征、功能或模型处理该参考输入数据以生成该推断结果。

6、在上述任一示例实施方式中，该响应消息包括以下至少一项：用于指示用于测试的该适用ai/ml特征、功能或模型的该指示符；或包括该推断结果的输出数据列表。

7、在上述任一示例实施方式中，该响应消息还包括一组ue附加条件，该ue附加条件和该推断结果由该nw用来评估该一个或多个ai/ml特征、功能或模型。

8、在上述任一示例实施方式中，该ai/ml配置包括rrc（radio resource control，无线资源控制）配置结构。

9、在上述任一示例实施方式中，该ai/ml配置被包括在服务小区配置结构中。

10、在上述任一示例实施方式中，该ai/ml配置包括针对该一个或多个ai/ml特征、功能或模型的配置列表。

11、在上述任一示例实施方式中，该ai/ml配置包括针对该一个或多个ai/ml特征、功能或模型的配置的分层列表。

12、在上述任一示例实施方式中，针对ai/ml功能的该配置列表中的每个配置包括以下至少一项：该ai/ml功能的索引或id；该ai/ml功能的推断相关配置；该ai/ml功能的性能监测相关配置；或与该ai/ml功能对应的针对非ai功能的传统配置。

13、在上述任一示例实施方式中，该推断相关配置包括以下至少一项：用于获得用于该ai/ml功能的推断的输入数据的测量配置；用于执行与该ai/ml功能相关联的输出数据的推断的推断报告配置；用于该ai/ml功能的推断性能监测的性能监测配置；或用于报告该ai/ml功能的推断性能监测的性能报告配置。

14、在上述任一示例实施方式中，该ai/ml配置被包括在信道状态信息（csi）报告配置中。

15、在上述任一示例实施方式中，该csi报告配置包括针对该一个或多个ai/ml特征、功能或模型的标识符列表。

16、在上述任一示例实施方式中，该csi报告配置包括报告量配置，该报告量配置包括针对该一个或多个ai/ml特征、功能或模型的一组推断配置。

17、在上述任一示例实施方式中，该csi报告配置包括用于ai/ml推断报告的时间配置。

18、在上述任一示例实施方式中，该时间配置至少包括以下一项：周期性报告；物理上行链路共享信道（physical uplink shared channel，pusch）上的半持续性报告；pucch（physical uplink control channel，物理上行链路控制信道）上的半持续性报告；或非周期性。

19、在上述任一示例实施方式中，该csi报告配置包括用于该一个或多个ai/ml特征、功能或模型的推断的测量资源配置。

20、在上述任一示例实施方式中，该csi报告配置包括用于监测该一个或多个ai/ml特征、功能或模型的推断性能的测量资源配置。

21、在上述任一示例实施方式中，利用该一个或多个ai/ml特征、功能或模型包括：激活或去激活该一个或多个ai/ml特征、功能或模型。

22、在上述任一示例实施方式中，激活或去激活该一个或多个ai/ml特征、功能或模型是通过激活或去激活半持续性csi报告隐式触发的。

23、在上述任一示例实施方式中，利用该一个或多个ai/ml特征、功能或模型包括：激活或去激活该一个或多个ai/ml特征、功能或模型中的至少一项。

24、在上述任一示例实施方式中，激活或去激活该一个或多个ai/ml特征中的至少一项是通过该ue接收来自该nw的信令触发的。

25、在上述任一示例实施方式中，其中，该信令包括dl mac ce（downlink mediumaccess control control element，下行链路媒体接入控制控制单元）结构。

26、在上述任一示例实施方式中，该dl mac ce结构包括：具有多个比特的第一八位位组，，指示是否激活或去激活与对应服务小区相关联的关联ai/ml功能；具有多个比特的第二八位位组，指示该dl mac ce结构中针对该对应服务小区的后续八位位组的数量；以及该后续八位位组，指示针对对应服务小区的待激活或去激活的ai/ml特征和功能。

27、在上述任一示例实施方式中，该方法还包括：向较低层指示关于ai/ml激活或去激活的信息。

28、在上述任一示例实施方式中，该信令包括半持续性csi报告激活/去激活信令。

29、在上述任一示例实施方式中，该方法还包括：向较低层指示关于ai/ml激活或去激活的信息。

30、在上述任一示例实施方式中，该方法还包括：向该nw报告该推断。

31、在上述任一示例实施方式中，该推断包括以下至少一项：具有对应n个参考信号接收功率（reference signal received power，rsrp）值的前n个波束，其中，n≥1；具有该前n个波束中m个波束的rsrp值的前n个波束，其中，n>m≥1；具有rsrp值大于预定义rsrp阈值的前n个波束；或用于指示如果针对当前波束id存在rsrp值，则该rsrp值被推断为已测量的标志。

32、在另一示例实施方式中，公开了一种在无线通信网络中与用户设备（ue）通信的网络（nw）执行的方法。该方法可包括：与ue协作执行针对该ue的人工智能或机器学习（ai/ml）能力的测试过程；向该ue发送针对一个或多个ai/ml特征、功能或模型的ai/ml配置，该一个或多个ai/ml特征、功能或模型是由该nw至少部分地基于该测试过程从该ue的ai/ml能力中选择的；以及接收来自该ue的推断和/或测量报告，该推断和/或测量报告是由该ue基于该ai/ml配置生成的。

33、在上述示例实施方式中，该测试过程包括：向该ue发送用于测试该ue的ai/ml特征、功能或模型的请求消息；以及接收来自该ue的响应消息，该响应消息至少包括该ue通过利用至少一个ai/ml特征、功能或模型生成的推断结果。

34、在上述任一示例实施方式中，该请求消息包括以下至少一项：用于指示用于测试的ai/ml特征、功能或模型的指示符；以及用于测试的指示的适用ai/ml特征、功能或模型的参考输入数据。

35、在上述任一示例实施方式中，该响应消息包括以下至少一项：用于指示用于测试的该适用ai/ml特征、功能或模型的该指示符；或包括该推断结果的输出数据列表。

36、在上述任一示例实施方式中，该响应消息还包括一组ue附加条件，该ue附加条件和该推断结果由该nw用来评估该一个或多个ai/ml特征、功能或模型。

37、在上述任一示例实施方式中，该ai/ml配置包括rrc配置结构。

38、在上述任一示例实施方式中，该ai/ml配置被包括在服务小区配置结构中。

39、在上述任一示例实施方式中，该ai/ml配置包括针对该一个或多个ai/ml特征、功能或模型的配置列表。

40、在上述任一示例实施方式中，该ai/ml配置包括针对该一个或多个ai/ml特征、功能或模型的配置的分层列表。

41、在上述任一示例实施方式中，针对ai/ml功能的该配置列表中的每个配置包括以下至少一项：该ai/ml功能的索引或id；针对该ai/ml功能的推断相关配置；针对该ai/ml功能的性能监测相关配置；或与该ai/ml功能对应的针对非ai功能的传统配置。

42、在上述任一示例实施方式中，该推断相关配置包括以下至少一项：用于获得用于该ai/ml功能的推断的输入数据的测量配置；用于执行与该ai/ml功能相关联的输出数据的推断的推断报告配置；用于该ai/ml功能的推断性能监测的性能监测配置；或用于报告该ai/ml功能的推断性能监测的性能报告配置。

43、在上述任一示例实施方式中，该ai/ml配置被包括在信道状态信息（csi）报告配置中。

44、在上述任一示例实施方式中，该csi报告配置包括针对该一个或多个ai/ml特征、功能或模型的标识符列表。

45、在上述任一示例实施方式中，该csi报告配置包括报告量配置，该报告量配置包括针对该一个或多个ai/ml特征、功能或模型的一组推断配置。

46、在上述任一示例实施方式中，该csi报告配置包括用于ai/ml推断报告的时间配置。

47、在上述任一示例实施方式中，该时间配置至少包括以下一项：周期性报告；物理上行链路共享信道（pusch）上的半持续性报告；pucch上的半持续性报告；或非周期性。

48、在上述任一示例实施方式中，该csi报告配置包括用于该一个或多个ai/ml特征、功能或模型的推断的测量资源配置。

49、在上述任一示例实施方式中，该csi报告配置包括用于监测该一个或多个ai/ml特征、功能或模型的推断性能的测量资源配置。

50、在上述任一示例实施方式中，其中，该方法还包括：向该ue发送信令以激活或去激活该一个或多个ai/ml特征、功能或模型中的至少一项。

51、在上述任一示例实施方式中，该信令包括dl mac ce结构。

52、在上述任一示例实施方式中，其中，该dl mac ce结构包括：具有多个比特的第一八位位组，指示是否激活或去激活与对应服务小区相关联的关联ai/ml功能；具有多个比特的第二八位位组，指示该dl mac ce结构中针对该对应服务小区的后续八位位组的数量；以及该后续八位位组，指示针对对应服务小区对待激活或去激活的ai/ml特征和功能。

53、在上述任一示例实施方式中，该信令包括半持续性csi报告激活/去激活信令。

54、在上述任一示例实施方式中，该推断包括以下至少一项：具有对应n个参考信号接收功率（rsrp）值的前n个波束，其中，n≥1；具有该前n个波束中m个波束的rsrp值的前n个波束，其中，n>m≥1；具有rsrp值大于预定义rsrp阈值的前n个波束；或用于指示如果针对当前波束id存在rsrp值则该rsrp值被推断为已测量的标志。

55、公开了上述多种方法中的任一种方法的ue或nw。该ue或该nw可包括处理器和存储器，其中，该处理器被配置为从该存储器读取计算机代码，以促使该ue或该nw执行上述多种方法中的任一种方法。

56、还公开了一种非暂态计算机可读程序介质，计算机代码被存储在该非暂态计算机可读程序介质上。计算机代码，在由上述多种方法中的任一种方法的所述ue或所述nw的处理器执行时，被配置为促使所述处理器实现上述多种方法中的任一种方法。

57、上述实施例和其它方面及其实施方式的替代方案在以下附图、说明书和权利要求书中进行了更详细的描述。