数据传输方法和装置与流程

1.本技术实施例涉及通信领域，更具体地，涉及一种数据传输方法和装置。


背景技术：

2.当前的移动网络，由于支持的业务越来越多样，网络需要支持超高速率、超低时延、超高可靠和/或超多连接等不同需求，这使得网络规划、网络配置和资源调度越来越复杂。这些新需求、新场景和新特性给移动网络规划、运维和高效运营带来了前所未有的挑战。通过人工经验或简单的算法进行网络规划、网络配置自优化和资源调度存在耗时长、成本高、自优化和调度算法适应性差等弊端，无法应对这些新的挑战。比如，目前常用的多输入多输出(multiple input multiple output，mimo)场景中，大量的数据处理通常都是代数或矩阵的线性运算，或者，基于高斯分布等的假设进行数据处理，但实际环境是复杂多变的，这些算法很难达到性能理论上限，且适用环境有限。


技术实现要素：

3.本技术实施例提供了一种数据传输方法和装置，能够实现机器学习在移动网络中的应用，提升网络工作效率。
4.第一方面，提供了一种通信方法，该方法可以由终端设备或配置于(或用于)终端设备的模块(如芯片)执行，以下以该方法由终端设备执行为例进行说明。
5.该方法包括：向第一网络设备发送第一数据段和第一信息，该第一数据段是第一数据对应的一个或多个数据段中的一个，该第一信息用于指示该第一数据段的目标设备。
6.可选地，第一数据为用于机器学习的数据。例如可以用于进行模型训练和/或推理等。
7.根据上述方案，终端设备将收集到的用于机器学习的数据分段发送给第一网络设备，并在发送数据段时提供相应的辅助信息(即第一信息)指示数据段的目标设备，以便第一网络设备根据辅助信息确定数据段的目标设备，实现终端设备收集到的用于机器学习的数据准确地传递至网络中执行机器学习的设备，能够实现机器学习在移动网络中的应用，以便网络根据机器学习的结果提供更好的通信服务，提升网络工作效率。
8.结合第一方面，在第一方面的某些实现方式中，该方法还包括：接收来自该第一网络设备或第二网络设备的配置信息，该配置信息用于配置终端设备收集该第一数据。
9.根据上述方案，由第一网络设备或第二网络设备配置终端设备收集用于机器学习的数据，也就是说，终端设备根据配置收集用于机器学习的数据后可以发送给配置其收集数据的网络设备(即第二网络设备)，也可以在发生移动或切换后，继续通过当前建立连接的网络设备(即第一网络设备)将收集到的数据传递至网络中执行机器学习的设备，当前建立连接的网络设备可以根据辅助信息确定第一数据段的目标设备。能够实现机器学习在移动网络中的应用，提升网络工作效率。
10.结合第一方面，在第一方面的某些实现方式中，该配置信息用于指示以下一种或
多种内容：
11.该终端设备收集该第一数据的小区；
12.该终端设备收集该第一数据的第一区域，该第一区域包括至少一个小区；
13.第一标识，用于标识执行该机器学习的设备；
14.第一任务的标识，其中，该第一任务是收集该第一数据的任务；和，
15.该第一任务的类型。
16.根据上述方案，配置信息可以指示收集第一数据的小区或区域，使得终端设备确定收集数据的范围。配置信息还可以包括收集数据所属任务相关信息，使得终端设备根据该相关信息收集网络需要的数据。配置信息还可以包括执行机器学习的设备的标识，使得终端设备向网络发送第一数据时，在辅助信息中携带该标识，以实现数据能够准确地到达执行机器学习的设备。
17.结合第一方面，在第一方面的某些实现方式中，该目标设备为执行该机器学习的设备。
18.根据上述方案，终端设备通过辅助信息指示执行机器学习的设备，使得第一网络设备能够根据辅助信息确定数据段的目标设备，当执行机器学习的设备为第一网络设备时，第一网络设备接收到第一数据后执行机器学习。当执行机器学习的设备不是第一网络设备时，第一网络设备根据辅助信息将第一数据段转发给执行机器学习的设备。
19.结合第一方面，在第一方面的某些实现方式中，该目标设备为第三网络设备。
20.根据上述方案，目标设备是第三网络设备，该第三网络设备可以是配置终端设备执行机器学习的设备(即第二网络设备)，也可以是其他网络设备，辅助信息指示第三网络设备，以便第一网络设备根据辅助信息将第一数据段转发至第三网络设备，最终实现终端设备收集到的数据准确地到达执行机器学习的设备。
21.结合第一方面，在第一方面的某些实现方式中，该第一信息用于指示该第一数据段的目标设备，包括：该第一信息用于指示以下一种或多种内容：
22.该第三网络设备的标识；
23.第一小区的标识，其中，该第一小区为该第三网络设备管理的小区；和，
24.第二区域的标识，其中，该第二区域中包括至少一个小区，且该至少一个小区中包括该第三网络设备管理的第一小区。
25.根据上述方案，辅助信息通过第三网络设备的标识指示第三网络设备。或者辅助信息指示小区标识，以通知第三设备为小区标识对应的管理该小区的网络设备。或者，辅助信息指示区域标识，该区域中的小区对应的网络设备为第三网络设备。
26.结合第一方面，在第一方面的某些实现方式中，该第一信息承载在第一消息中，该第一消息还包括第二信息，该第二信息用于指示以下内容中的一种或多种；
27.第一任务的标识，其中，该第一任务是用于收集该第一数据的任务；
28.该第一数据段在该一个或多个数据段中的序列号；
29.该第一数据段是否为该一个或多个数据段中的最后一个数据段；
30.第二小区是否为第二区域中的一个小区，其中，该第二小区是由该第一网络设备管理的，且该第二小区为终端设备的服务小区，该第二区域包括至少一个小区；和，
31.第一时长，其中，该第一时长为终端设备生成该第一数据段到发送该第一数据段
之间的时间长度。
32.根据上述方案，终端设备还可以发送第一任务的标识，以便执行机器学习的设备确定该第一数据段该的任务。终端设备还可以发送该数据段的序列号，以便执行机器学习的设备能够根据序列号对第一数据对应的数据段进行排序。终端设备还可以指示该第一数据段是否为第一数据的最后一个数据段，以便执行机器学习的设备确定是否接收到所有第一数据的数据段。终端设备还可以指示第二小区是否为第二区域中的一个小区，以便第一网络设备确定是否将该数据段传递至第一网络设备所连接的执行机器学习的设备。终端设备还可以指示第一时长，以便执行机器学习的设备确定第一数据是否有效。
33.结合第一方面，在第一方面的某些实现方式中，该第一数据包括以下一种或多种数据：
34.训练数据、模型参数梯度和推理结果。
35.第二方面，提供了一种通信方法，该方法可以由第一网络设备或配置于(或用于)第一网络设备的模块(如芯片)执行，以下以该方法由第一网络设备执行为例进行说明。
36.该方法包括：接收来自终端设备的第一数据段和第一信息，该第一数据段是第一数据对应的一个或多个数据段中的一个，该第一信息用于指示该第一数据段的目标设备；向该目标设备发送该第一数据段。
37.关于第一数据的具体介绍参见第一方面，不再赘述。
38.结合第二方面，在第二方面的某些实现方式中，该方法还包括：向该终端设备发送配置信息，该配置信息用于配置终端设备收集该第一数据。
39.结合第二方面，在第二方面的某些实现方式中，该配置信息用于指示以下一种或多种内容：
40.该终端设备收集该第一数据的小区；
41.该终端设备收集该第一数据的第一区域，该第一区域包括至少一个小区；
42.第一标识，用于标识执行该机器学习的设备；
43.第一任务的标识，其中，该第一任务是收集该第一数据的任务；和，
44.该第一任务的类型。
45.结合第二方面，在第二方面的某些实现方式中，该目标设备为执行该机器学习的设备。
46.结合第二方面，在第二方面的某些实现方式中，该目标设备为第三网络设备。
47.结合第二方面，在第二方面的某些实现方式中，该第一信息用于指示以下一种或多种内容：
48.该第三网络设备的标识；
49.第一小区的标识，其中，该第一小区为该第三网络设备管理的小区；和，
50.第二区域的标识，其中，该第二区域包括至少一个小区，且该至少一个小区中包括该第三网络设备管理的第一小区。
51.结合第二方面，在第二方面的某些实现方式中，该第一信息承载在第一消息中，第一消息还包括第二信息，该第二信息用于指示以下一种或多种内容；
52.第一任务的标识，其中，该第一任务是收集该第一数据的任务；
53.该第一数据段在该一个或多个数据段中的序列号；
54.该第一数据段是否为该一个或多个数据段中的最后一个数据段；
55.第二小区是否为第二区域中的一个小区，该第二小区是由第一网络设备管理的，且该第二小区为终端设备的服务小区，其中，该第二区域包括至少一个小区；和，
56.第一时长，该第一时长为该终端设备生成该第一数据段到发送该第一数据段之间的时间长度。
57.结合第二方面，在第二方面的某些实现方式中，该方法还包括：
58.向该目标设备发送该第二信息。
59.结合第二方面，在第二方面的某些实现方式中，该第一数据包括以下一种或多种数据：
60.训练数据、模型参数梯度和推理结果。
61.第三方面，提供了一种通信方法，该方法可以由第二网络设备或配置于(或用于)第一网络设备的模块(如芯片)执行，以下以该方法由第二网络设备执行为例进行说明。
62.该方法包括：接收来自第一网络设备的第一数据段，该第一数据段是第一数据对应的一个或多个数据段中的一个；向执行该机器学习的设备发送该第一数据段。
63.关于第一数据的介绍请参考第一方面，这里不再赘述。
64.结合第三方面，在第三方面的某些实现方式中，该方法还包括：接收来自该执行机器学习的设备的配置信息，该配置信息用于配置终端设备收集该第一数据。
65.结合第三方面，在第三方面的某些实现方式中，该方法还包括：向该终端设备发送该配置信息。
66.结合第三方面，在第三方面的某些实现方式中，该配置信息用于指示以下一种或多种内容：
67.该终端设备收集该第一数据的小区；
68.该终端设备收集该第一数据的第一区域，该第一区域包括至少一个小区；
69.第一标识，用于标识执行该机器学习的设备；
70.第一任务的标识，其中，该第一任务是收集该第一数据的任务；和，
71.该第一任务的类型。
72.结合第三方面，在第三方面的某些实现方式中，该方法还包括：
73.接收来自该第一网络设备的第二信息，其中，该第二信息用于指示以下一种或多种内容：
74.第一任务的标识，其中，该第一任务是收集该第一数据的任务；
75.该第一数据段在该一个或多个数据段中的序列号；
76.该第一数据段是否为该一个或多个数据段中的最后一个数据段；和，
77.第一时长，该第一时长为该终端设备生成该第一数据段到发送该第一数据段之间的时间长度。
78.结合第三方面，在第三方面的某些实现方式中，该方法还包括：向该执行该机器学习的设备发送该第二信息。
79.结合第三方面，在第三方面的某些实现方式中，该第一数据包括以下一种或多种数据：
80.训练数据、模型参数梯度和推理结果。
81.第四方面，提供了一种通信方法，该方法可以由执行机器学习的设备或配置于(或用于)执行机器学习的设备的模块(如芯片)执行，以下以该方法由执行机器学习的设备执行为例进行说明。
82.该方法包括：向第一网络设备或第二网络设备发送配置信息，该配置信息用于配置终端设备收集该第一数据；接收来自第一设备的第一数据段，该第一数据段是第一数据对应的一个或多个数据段中的一个，其中，该第一设备为第一网络设备或第三网络设备。
83.关于第一数据的介绍请参考第一方面，这里不再赘述。
84.结合第四方面，在第四方面的某些实现方式中，该配置信息用于指示以下一种或多种内容：
85.该终端设备收集该第一数据的小区；
86.该终端设备收集该第一数据的第一区域，该第一区域包括至少一个小区；
87.第一标识，用于标识执行该机器学习的设备；
88.第一任务的标识，该第一任务是收集该第一数据的任务；和
89.该第一任务的类型。
90.结合第四方面，在第四方面的某些实现方式中，该方法还包括：接收来自该第一设备的第二信息，其中，该第二信息用于指示以下一种或多种内容：
91.第一任务的标识，其中，该第一任务是收集该第一数据的任务；
92.该第一数据段在该一个或多个数据段中的序列号；
93.该第一数据段是否为该一个或多个数据段中的最后一个数据段；
94.第一时长，该第一时长为该终端设备生成该第一数据段到发送该第一数据段之间的时间长度。
95.结合第四方面，在第四方面的某些实现方式中，该第一数据包括以下一种或多种数据：
96.训练数据、模型参数梯度和推理结果。
97.第五方面，提供了一种通信装置，一种设计中，该装置可以包括执行第一方面中所描述的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种设计中，该装置包括：处理单元，用于收集第一数据；收发单元，用于向第一网络设备发送第一数据段和第一信息，该第一数据段是第一数据对应的一个或多个数据段中的一个，该第一信息用于指示该第一数据段的目标设备。
98.关于第一数据的介绍请参考第一方面，这里不再赘述。
99.结合第五方面，在第五方面的某些实现方式中，该收发单元还用于接收来自该第一网络设备或第二网络设备的配置信息，该配置信息用于配置终端设备收集该第一数据。
100.结合第五方面，在第五方面的某些实现方式中，该配置信息用于指示以下一种或多种内容：
101.该终端设备收集该第一数据的小区；
102.该终端设备收集该第一数据的第一区域，该第一区域包括至少一个小区；
103.第一标识，用于标识执行该机器学习的设备；
104.第一任务的标识，其中，该第一任务是收集该第一数据的任务；和，
105.该第一任务的类型。
106.结合第五方面，在第五方面的某些实现方式中，该目标设备为执行该机器学习的设备。
107.结合第五方面，在第五方面的某些实现方式中，该目标设备为第三网络设备。
108.结合第五方面，在第五方面的某些实现方式中，该第一信息用于指示该第一数据段的目标设备，包括：该第一信息用于指示以下一种或多种内容：
109.该第三网络设备的标识；
110.第一小区的标识，其中，该第一小区为该第三网络设备管理的小区；和，
111.第二区域的标识，其中，该第二区域中包括至少一个小区，且该至少一个小区中包括该第二网络设备管理的第一小区。
112.结合第五方面，在第五方面的某些实现方式中，该第一信息承载在第一消息中，该第一消息还包括第二信息，该第二信息用于指示以下内容中的一种或多种；
113.第一任务的标识，其中，该第一任务是用于收集该第一数据的任务；
114.该第一数据段在该一个或多个数据段中的序列号；
115.该第一数据段是否为该一个或多个数据段中的最后一个数据段；
116.第二小区是否为第二区域中的一个小区，其中，该第二小区是由该第一网络设备管理的，且该第二小区为终端设备的服务小区，该第二区域包括至少一个小区；和，
117.第一时长，其中，该第一时长为终端设备生成该第一数据段到发送该第一数据段之间的时间长度。
118.结合第五方面，在第五方面的某些实现方式中，该第一数据包括以下一种或多种数据：
119.训练数据、模型参数梯度和推理结果。
120.第六方面，提供了一种通信装置，一种设计中，该装置可以包括执行第二方面中所描述的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种设计中，该装置包括：收发单元，用于接收来自终端设备的第一数据段和第一信息，该第一数据段是第一数据对应的一个或多个数据段中的一个，该第一信息用于指示该第一数据段的目标设备；处理单元，用于根据该第一信息确定目标设备；该收发单元还用于向该目标设备发送该第一数据段。
121.关于第一数据的介绍请参考第一方面，这里不再赘述。
122.结合第六方面，在第六方面的某些实现方式中，该收发单元还用于向该终端设备发送配置信息，该配置信息用于配置终端设备收集该第一数据。
123.结合第六方面，在第六方面的某些实现方式中，该配置信息用于指示以下一种或多种内容：
124.该终端设备收集该第一数据的小区；
125.该终端设备收集该第一数据的第一区域，该第一区域包括至少一个小区；
126.第一标识，用于标识执行该机器学习的设备；
127.第一任务的标识，其中，该第一任务是用于收集该第一数据的任务；和，
128.该第一任务的类型。
129.结合第六方面，在第六方面的某些实现方式中，该目标设备为执行该机器学习的设备。
130.结合第六方面，在第六方面的某些实现方式中，该目标设备为第三网络设备。
131.结合第六方面，在第六方面的某些实现方式中，该第一信息用于指示以下一种或多种内容：
132.该第三网络设备的标识；
133.第一小区的标识，其中，该第一小区为该第三网络设备管理的小区；和，
134.第二区域的标识，其中，该第二区域包括至少一个小区，且该至少一个小区中包括该第三网络设备管理的第一小区。
135.结合第六方面，在第六方面的某些实现方式中，该第一信息承载在第一消息中，第一消息还包括第二信息，该第二信息用于指示以下一种或多种内容；
136.第一任务的标识，其中，该第一任务用于是收集该第一数据的任务；
137.该第一数据段在该一个或多个数据段中的序列号；
138.该第一数据段是否为该一个或多个数据段中的最后一个数据段；
139.第二小区是否为第二区域中的一个小区，该第二小区是由第一网络设备管理的，且该第二小区为终端设备的服务小区，其中，该第二区域包括至少一个小区；和，
140.第一时长，该第一时长为该终端设备生成该第一数据段到发送该第一数据段之间的时间长度。
141.结合第六方面，在第六方面的某些实现方式中，该收发单元还用于向该目标设备发送该第二信息。
142.结合第六方面，在第六方面的某些实现方式中，该第一数据包括以下一种或多种数据：
143.训练数据、模型参数梯度和推理结果。
144.第七方面，提供了一种通信装置。一种设计中，该装置可以包括执行第三方面中所描述的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种设计中，该装置包括：收发单元，用于接收来自第一网络设备的第一数据段，该第一数据段是第一数据对应的一个或多个数据段中的一个；处理单元，用于确定执行该机器学习的设备；该收发单元还用于向该执行机器学习的设备发送该第一数据段。
145.关于第一数据的介绍请参考第一方面，这里不再赘述。
146.结合第七方面，在第七方面的某些实现方式中，该收发单元还用于接收来自该执行机器学习的设备的配置信息，该配置信息用于配置终端设备收集该第一数据。
147.结合第七方面，在第七方面的某些实现方式中，该收发单元还用于向该终端设备发送该配置信息。
148.结合第七方面，在第七方面的某些实现方式中，该配置信息用于指示以下一种或多种内容：
149.该终端设备收集该第一数据的小区；
150.该终端设备收集该第一数据的第一区域，该第一区域包括至少一个小区；
151.第一标识，用于标识执行该机器学习的设备；
152.第一任务的标识，其中，该第一任务是用于收集该第一数据的任务；和，
153.该第一任务的类型。
154.结合第七方面，在第七方面的某些实现方式中，该收发单元还用于接收来自该第一网络设备的第二信息，其中，该第二信息用于指示以下一种或多种内容：
155.第一任务的标识，其中，该第一任务是用于收集该第一数据的任务；
156.该第一数据段在该一个或多个数据段中的序列号；
157.该第一数据段是否为该一个或多个数据段中的最后一个数据段；和，
158.第一时长，该第一时长为该终端设备生成该第一数据段到发送该第一数据段之间的时间长度。
159.结合第七方面，在第七方面的某些实现方式中，该收发单元还用于向该执行该机器学习的设备发送该第二信息。
160.结合第七方面，在第七方面的某些实现方式中，该第一数据包括以下一种或多种数据：
161.训练数据、模型参数梯度和推理结果。
162.第八方面，提供了一种通信装置，一种设计中，该装置可以包括执行第四方面中所描述的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结合软件实现。一种设计中，该装置包括：向第一网络设备或第二网络设备发送配置信息，该配置信息用于配置终端设备收集该第一数据，该第一数据为用于机器学习的数据；接收来自第一设备的第一数据段，该第一数据段是第一数据对应的一个或多个数据段中的一个，其中，该第一设备为第一网络设备或第三网络设备。
163.结合第八方面，在第八方面的某些实现方式中，该配置信息用于指示以下一种或多种内容：
164.该终端设备收集该第一数据的小区；
165.该终端设备收集该第一数据的第一区域，该第一区域包括至少一个小区；
166.第一标识，用于标识执行该机器学习的设备；
167.第一任务的标识，该第一任务是用于收集该第一数据的任务；
168.该第一任务的类型。
169.结合第八方面，在第八方面的某些实现方式中，该方法还包括：接收来自该第一设备的第二信息，其中，该第二信息用于指示以下一种或多种内容：
170.第一任务的标识，其中，该第一任务是用于收集该第一数据的任务；
171.该第一数据段在该一个或多个数据段中的序列号；
172.该第一数据段是否为该一个或多个数据段中的最后一个数据段；
173.第一时长，该第一时长为该终端设备生成该第一数据段到发送该第一数据段之间的时间长度。
174.结合第八方面，在第八方面的某些实现方式中，该第一数据包括以下一种或多种数据：
175.训练数据、模型参数梯度和推理结果。
176.第九方面，提供了一种通信装置，包括处理器。该处理器可以实现上述第一方面以及第一方面中任一种可能实现方式中的方法。可选地，该通信装置还包括存储器，该处理器与该存储器耦合，可用于执行存储器中的指令，以实现上述第一方面以及第一方面中任一种可能实现方式中的方法。可选地，该通信装置还包括通信接口，处理器与通信接口耦合。
本技术实施例中，通信接口可以是收发器、管脚、电路、总线、模块或其它类型的通信接口，不予限制。
177.在一种实现方式中，该通信装置为终端设备。当该通信装置为终端设备时，该通信接口可以是收发器，或，输入/输出接口。
178.在另一种实现方式中，该通信装置为配置于终端设备中的芯片。当该通信装置为配置于终端设备中的芯片时，该通信接口可以是输入/输出接口。
179.可选地，该收发器可以为收发电路。可选地，该输入/输出接口可以为输入/输出电路。
180.第十方面，提供了一种通信装置，包括处理器。该处理器可以实现上述第二方面以及第二方面中任一种可能实现方式中的方法。可选地，该通信装置还包括存储器，该处理器与该存储器耦合，可用于执行存储器中的指令，以实现上述第二方面以及第二方面中任一种可能实现方式中的方法。可选地，该通信装置还包括通信接口，处理器与通信接口耦合。
181.在一种实现方式中，该通信装置为第一网络设备。当该通信装置为第一网络设备时，该通信接口可以是收发器，或，输入/输出接口。
182.在另一种实现方式中，该通信装置为配置于第一网络设备中的芯片。当该通信装置为配置于第一网络设备中的芯片时，该通信接口可以是输入/输出接口。
183.可选地，该收发器可以为收发电路。可选地，该输入/输出接口可以为输入/输出电路。
184.第十一方面，提供了一种通信装置，包括处理器。该处理器可以实现上述第三方面以及第三方面中任一种可能实现方式中的方法。可选地，该通信装置还包括存储器，该处理器与该存储器耦合，可用于执行存储器中的指令，以实现上述第三方面以及第三方面中任一种可能实现方式中的方法。可选地，该通信装置还包括通信接口，处理器与通信接口耦合。
185.在一种实现方式中，该通信装置为第二网络设备。当该通信装置为第二网络设备时，该通信接口可以是收发器，或，输入/输出接口。
186.在另一种实现方式中，该通信装置为配置于第二网络设备中的芯片。当该通信装置为配置于第二网络设备中的芯片时，该通信接口可以是输入/输出接口。
187.可选地，该收发器可以为收发电路。可选地，该输入/输出接口可以为输入/输出电路。
188.第十二方面，提供了一种通信装置，包括处理器。该处理器可以实现上述第四方面以及第四方面中任一种可能实现方式中的方法。可选地，该通信装置还包括存储器，该处理器与该存储器耦合，可用于执行存储器中的指令，以实现上述第四方面以及第四方面中任一种可能实现方式中的方法。可选地，该通信装置还包括通信接口，处理器与通信接口耦合。
189.在一种实现方式中，该通信装置为执行机器学习的设备。当该通信装置为执行机器学习的设备时，该通信接口可以是收发器，或，输入/输出接口。
190.在另一种实现方式中，该通信装置为配置于执行机器学习的设备中的芯片。当该通信装置为配置于执行机器学习的设备中的芯片时，该通信接口可以是输入/输出接口。
191.可选地，该收发器可以为收发电路。可选地，该输入/输出接口可以为输入/输出电
路。
192.第十三方面，提供了一种处理器，包括：输入电路、输出电路和处理电路。该处理电路用于通过该输入电路接收信号，并通过该输出电路发射信号，使得该处理器执行第一方面至第四方面以及第一方面至第四方面中任一种可能实现方式中的方法。
193.在具体实现过程中，上述处理器可以为一个或多个芯片，输入电路可以为输入管脚，输出电路可以为输出管脚，处理电路可以为晶体管、门电路、触发器和各种逻辑电路等。输入电路所接收的输入的信号可以是由例如但不限于接收器接收并输入的，输出电路所输出的信号可以是例如但不限于输出给发射器并由发射器发射的，且输入电路和输出电路可以是同一电路，该电路在不同的时刻分别用作输入电路和输出电路。本技术实施例对处理器及各种电路的具体实现方式不做限定。
194.第十四方面，提供了一种计算机程序产品，该计算机程序产品包括：计算机程序(也可以称为代码，或指令)，当该计算机程序被运行时，使得计算机执行上述第一方面至第四方面以及第一方面至第四方面中任一种可能实现方式中的方法。
195.第十五方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序(也可以称为代码，或指令)当其在计算机上运行时，使得计算机执行上述第一方面至第四方面以及第一方面至第四方面中任一种可能实现方式中的方法。
196.第十六方面，提供了一种通信系统，包括前述的终端设备、第一网络设备、第二网络设备和执行机器学习的设备中的至少两种设备。
附图说明
197.图1是适用于本技术实施例的无线通信系统100的示意图；
198.图2是适用于本技术实施例的网络设备的一个示意性架构图；
199.图3是适用于本技术实施例的网络设备另一个示意性架构图；
200.图4是本技术实施例提供的数据传输方法的一个示意性流程图；
201.图5是本技术实施例提供的数据传输方法的另一个示意性流程图；
202.图6是本技术的通信装置的一例的示意性框图；
203.图7是适用于本技术实施例的终端设备的一个示意性结构图；
204.图8是适用于本技术实施例的网络设备的一个示意性结构图；
205.图9是适用于本技术实施例的执行机器学习的设备的一个的示意性结构图。
具体实施方式
206.本技术实施例的技术方案可以应用于各种通信系统，例如：全球移动通信(global system formobile communications，gsm)系统、码分多址(code division multiple access，cdma)系统、宽带码分多址(wideband code division multiple access，wcdma)系统、通用分组无线业务(general packet radio service，gprs)、长期演进(long term evolution，lte)系统、lte频分双工(frequency division duplex，fdd)系统、lte时分双工(time division duplex，tdd)、通用移动通信系统(universal mobile telecommunication system，umts)、全球互联微波接入(worldwide interoperability for microwave access，wimax)通信系统、第五代(5th generation，5g)通信系统、新无线
(new radio，nr)接入技术、车到其它设备(vehicle-to-x v2x)通信、车联网、机器类通信(machine type communication，mtc)、或物联网(internet of things，iot)等。其中v2x可以包括车到互联网(vehicle to network，v2n)、车到车(vehicle to-vehicle，v2v)、车到基础设施(vehicle to infrastructure，v2i)、和/或车到行人(vehicle to pedestrian，v2p)等。
207.图1是适用于本技术实施例的无线通信系统100的示意图。
208.如图1所示，该无线通信系统100可以包括至少一个网络设备，例如图1所示的网络设备110。该至少一个网络设备中包括一个或多个网络设备为执行机器学习的设备。该无线通信系统100还可以包括至少一个终端设备，例如图1所示的终端设备120。根据本技术实施例提供的方案，该系统100中执行机器学习的设备配置终端设备收集用于机器学习的数据。终端设备根据该配置收集用于机器学习的数据发送给网络并提供辅助信息。网络中的设备可以根据终端设备提供的辅助信息将终端数据收集到数据转发至执行机器学习的设备，使得执行机器学习的设备根据来自终端设备的数据进行机器学习。该方案可以实现机器学习在移动网络中的应用，使网络能够提供更好的通信服务，实现ran智能化。
209.本技术实施例中的终端设备也可以称为用户设备(user equipment，ue)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本技术的实施例中的终端设备可以是手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality，vr)终端设备、增强现实(augmented reality，ar)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、蜂窝电话、无绳电话、会话启动协议(session initiation protocol，sip)电话、无线本地环路(wireless local loop，wll)站、个人数字助理(personal digital assistant，pda)、具有无线通信功能的手持设备、计算设备或其它处理设备、车载设备、可穿戴设备，5g网络中的终端设备或者未来演进的公用陆地移动通信网络(public land mobile network，plmn)中的终端设备等。
210.其中，可穿戴设备也可以称为穿戴式智能设备，是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，例如：智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。
211.此外，终端设备还可以是物联网(internet of things，iot)系统中的终端设备。iot是未来信息技术发展的重要组成部分，其主要技术特点是将物品通过通信技术与网络连接，从而实现人机互连，物物互连的智能化网络。
212.应理解，本技术实施例对于终端设备的具体形式不作限定。
213.本技术实施例中的网络设备可以是一种具有无线收发功能的设备。该设备包括但
learning，ml))运用于移动网络，可以大大提升网络规划、网络配置和资源调度的效率，实现网络智能化。而人工智能(例如机器学习)需要获取大量数据，通过机器学习算法对获取的数据进行模型训练和/或决策推理，输出ai模型和/或决策结果。在移动网络中，通过本技术实施例提供的方法，可以实现终端设备将用于机器学习的海量数据发送给网络侧，网络中的执行机器学习的设备接收到该数据后执行机器学习，以便网络根据机器学习的结果，为终端设备提供更好的通信服务，实现ran智能化。
218.下面对本技术实施例中涉及到的定义进行说明。
219.1、人工智能
220.人工智能ai是让机器具有学习能力，能够积累经验，从而能够解决人类通过经验可以解决的诸如自然语言理解、图像识别和下棋等问题。
221.2、机器学习
222.机器学习是人工智能的一种实现方式，能够赋予机器学习能力，以此让机器完成直接编程无法完成的功能的方法。从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测结果的一种方法。强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。迁移学习是机器学习中的另一个领域。它专注于存储已有问题的解决模型，并将其利用在其他不同但相关问题上。
223.3、训练(training)或学习
224.训练是指一个处理过程，在该处理过程中通过优化一个ai模型或ml模型中的参数，如加权值，使模型学会执行某项特定的任务。本技术实施例适用于但不限于以下一种或多种训练方法：监督学习、无监督学习、强化学习、和迁移学习等。有监督学习是利用一组具有已经打好正确标签的训练样本来训练(已经打好正确标签是指每个样本有一个期望的输出值)。与有监督学习不同，无监督学习是指一种方法，该方法没有给定事先标记过的训练样本，自动对输入的数据进行分类或分群。
225.4、推理(inference)
226.推理是指利用训练之后的ai模型或ml模型执行任务。将实际数据输入ai模型或ml模型进行处理，得到对应的预测结果。该预测结果还可以称为推理结果或决策结果。
227.5、联邦学习(federated learning)
228.一种分布式ai训练方法，将ai算法的训练过程放在多个设备上进行，而不是聚合到一个服务器上，能够解决集中式ai训练时收集数据导致的耗时和大量通信开销问题。同时，由于不用将设备数据发送到服务器，也能够减少隐私安全问题。具体过程如下：中心节点向多个参与节点发送ai模型，参与节点基于自己的数据进行ai模型训练，并将自己训练的ai模型以梯度的方式上报给中心节点。中心节点对多个参与节点反馈的梯度信息进行平均或其他运算，得到新的ai模型。可选地，中心节点可以将更新后的ai模型发送给多个参与节点让参与节点重新进行ai模型训练。不同次联邦学习过程中，中心节点选择的参与节点可能相同，也可能不同，不予限制。
229.可以理解的，本技术实施例可以适用于联邦学习，例如，网络设备和终端设备均参与机器学习ai模型的训练，也可以适用于集中式学习，如终端设备上报收集到的数据后由网络设备进行集中式ai模型训练，但本技术不限于此。本技术的方案也可以适用于其他模型训练方式或ai算法。
230.在本技术实施例中，“/”可以表示前后关联的对象是一种“或”的关系，例如，a/b可以表示a或b；“和/或”可以用于描述关联对象存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，其中a，b可以是单数或者复数。为了便于描述本技术实施例的技术方案，在本技术实施例中，可以采用“第一”、“第二”等字样对功能相同或相似的技术特征进行区分。该“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。在本技术实施例中，“示例性的”或者“例如”等词用于表示例子、例证或说明，被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
231.在本技术实施例中，至少一个(种)还可以描述为一个(种)或多个(种)，多个(种)可以是两个(种)、三个(种)、四个(种)或者更多个(种)，本技术不做限制。
232.下面结合附图对本技术实施例提供的数据传输方法进行详细说明。
233.应理解，本技术实施例中，终端设备和/或网络设备和/或机器学习设备可以执行本技术实施例中的部分或全部步骤，这些步骤或操作仅是示例，本技术实施例还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照本技术实施例呈现的不同的顺序来执行，并且有可能并非要执行本技术实施例中的全部操作。
234.图4是本技术实施例提供的数据传输方法的一个示意性流程图。
235.在本技术实施例中，网络侧配置有执行机器学习的设备(下文称为机器学习设备)，机器学习设备可以配置终端设备收集用于机器学习的数据，并根据终端设备收集的数据进行机器学习优化网络服务。在一种实施方式中，机器学习设备可以是与终端设备建立无线连接的网络设备(如图4中的第一网络设备)，在另一种实施方式中，机器学习设备可以独立于第一网络设备。独立于第一网络设备的机器学习设备可以称为人工智能控制/控制器(artificial intelligence control/controller，aic)、无线智能控制/控制器(radio intelligence control/controller，ric)或其它名称，不予限制。
236.可选地，当机器学习设备独立于第一网络设备时，机器学习设备执行s410。
237.s410，机器学习设备向网络设备a发送配置信息a，该配置信息a用于配置终端设备收集第一数据。
238.相应地，该网络设备a接收来自该机器学习设备的该配置信息a。其中，第一数据为用于机器学习的数据。
239.作为示例非限定，第一数据可以是训练数据、模型参数梯度(信息)或推理结果。
240.其中，训练数据用于进行机器学习中的模型训练。例如，训练数据可以是终端设备收集或测量的原始数据、对原始数据进行处理(如归一化(normalization，也可以成为正规化、标准化))后的数据和特征工程数据(用来表示原始数据的特征数据)中的至少一种。模型参数梯度可以是机器学习的参与节点得到的更新的ai模型参数相对于更新前的ai模型参数的梯度，该更新的ai模型是参与节点基于更新前的ai模型和自己收集(或测量)的训练数据进行ai模型训练后得到的。推理结果可以是在应用中将实际数据输入ai模型进行推理后得到的推理结果。
241.可选地，该配置信息a可以指示终端设备在其中收集该第一数据的小区或收集该第一数据的第一区域。其中，第一区域包括至少一个小区。
242.例如，配置信息a包括小区的标识，用于指示终端设备收集第一数据的小区。机器学习设备通过该配置信息a向网络设备a通知终端设备需要收集第一数据的小区，由网络设备a转发至终端设备。或者，由网络设备a将该配置信息a透传至终端设备，以便终端设备根据该配置信息a中的小区的标识确定用于收集第一数据的小区，终端设备在该小区的标识对应的小区中收集该第一数据，但本技术不限于此。
243.作为示例非限定，该小区的标识可以为以下至少一种：
244.小区全局标识(cell global identifier，cgi)、物理小区标识(physical cell identifier，pci)及频点、小区标识(cell identifier)、非公网标识(non-public network identifier,npn id)和非陆地网络标识(non-terrestrial network identifier,ntn id)。
245.再例如，配置信息a包括第一区域的标识，第一区域包括一个或多个小区。终端设备获取到该第一区域的标识后，当终端设备在第一区域中的小区的覆盖范围内时，收集第一数据，但本技术不限于此。可选地，当配置信息不包括区域标识的情况下，终端设备可以认为在服务小区内收集该第一数据。
246.作为示例非限定，该第一区域的标识为至少一个小区的标识，和/或，该第一区域的标识为机器学习区域标识、跟踪区码(tracking area code，tac)、无线接入网通知区域码(radio access network notification area code，ranac)、切片标识、业务标识或者其他可以标识区域的标识信息中的至少一种。
247.可选地，该配置信息a中包括指示信息a，该指示信息a用于指示收集第一数据为小区级任务还是区域级任务。
248.例如，当指示信息a指示收集第一数据为小区级任务时，终端设备可以认为网络配置终端设备在接收到该配置信息a的服务小区收集第一数据；或者，配置信息a包括小区的标识，终端设备在该小区的标识对应的小区中收集第一数据；当指示信息a指示收集第一数据为区域级任务时，终端设备可以认为网络配置终端设备在接收到该配置信息a的服务小区所在的区域收集第一数据；或者，配置信息a包括第一区域的标识，终端设备在该第一区域中收集第一数据，但本技术不限于此。
249.可选地，该配置信息a指示第一标识，该第一标识为机器学习设备的标识。
250.例如，配置信息a中包括该机器学习设备的标识，以标识配置终端设备收集第一数据的机器学习设备。
251.可选地，该配置信息a包括一个或多个任务的相关信息，其中包括第一任务的相关信息，该第一任务是用于收集第一数据的任务。
252.其中，第一任务的相关信息可以包括以下一种或多种：
253.第一任务的标识、第一任务的名称、第一任务的类型、和第一任务的动作类型。
254.其中，第一任务的标识用于标识该第一任务，或者说，该第一任务的标识用于指示收集第一数据的任务。
255.第一任务的类型可以是：收集原始数据(或称为原始数据收集)、模型发布、模型训练、推理和推理结果发布。
256.例如，第一任务的类型为收集原始数据，表示第一数据为原始数据，第一任务是用于收集原始数据的任务。或者，第一任务的类型为模型发布，表示第一数据为模型参数(例
如，梯度信息等)，第一任务是用于收集模型参数信息的任务，但本技术不限于此。
257.可选地，配置信息a中的第一任务的类型可以替换为第一数据的类型，该第一数据的类型可以用于指示终端设备需要收集的数据的类型，或者说，该第一数据的类型指示第一任务是用于收集该类型的数据的任务。可选地，第一数据的类型用于指示第一数据为训练数据、模型参数梯度(信息)或推理结果中的一种或多种。
258.第一任务的动作类型可以包括多种动作中的一种。其中，该多种动作中包括以下一种或多种动作：开始、暂停、继续、激活和去激活。第一任务的动作类型还可以称为第一任务的状态。
259.可选地，配置信息a可以包括上报第一数据的条件、需要收集的数据参数或数据集。
260.例如，配置信息a指示上报模型参数梯度的条件，和/或进行模型训练的神经网络的参数等。
261.可选地，配置信息a指示至少一组组测量类型，以及可选地配置信息a还指示测量报告方式。
262.其中，测量类型可以参考第三代合作伙伴计划(3rd generation partnership project，3gpp)技术协议37.320中的测量类型，但本技术不限于此。测量类型也可以是根据为机器学习应用于移动网络时的需求新增的测量类型。测量报告方式可以是周期性地、一次性地、事件触发的或者可以缓存上报。其中，缓存上报可以指处于非连接态的终端设备收集第一数据后存储第一数据，当该终端设备转入连接态后向网络设备或机器学习设备发送该第一数据的机制。测量报告的具体方式可以通过配置信息a进行配置，本技术对此不做限定。
263.s420，网络设备a向终端设备发送配置信息b，配置信息b用于配置终端设备收集第一数据。
264.相应地，该终端设备接收来自该网络设备a的该配置信息b。
265.该配置信息b指示以下一种或多种内容:
266.终端设备用于收集该第一数据的小区、收集该第一数据的第一区域、机器学习设备的标识、第一任务的相关信息、上报第一数据的条件、训练的参考参数和训练的参考数据集。
267.其中，第一任务的相关信息指示第一任务的标识、第一任务的名称、第一任务的类型和动作类型中的一种或多种信息。
268.一种实施方式中，网络设备a为能够执行机器学习的设备。
269.网络设备a根据机器学习任务需求，向终端设备发送该配置信息b，以通知终端设备收集第一数据。
270.另一种实施方式，网络设备a根据s410中接收到的来自机器学习设备的配置信息a，确定机器学习设备需要终端设备收集第一数据。
271.可选地，网络设备a处理配置信息a后，根据配置信息a生成配置信息b并发送给终端设备。或者网络设备a接收到配置信息a后不做处理，将配置信息a透传至终端设备，配置信息b即为配置信息a，或者说，网络设备a不读取机器学习设备为终端设备配置的具体参数内容。
272.s430，终端设备收集第一数据。
273.终端设备在s420中接收到来自网络设备a的配置信息b，根据该配置信息b确定执行机器学习的设备配置终端设备收集第一数据，或者根据该配置信息b确定终端设备需要向网络设备a上报第一数据。终端设备根据该配置信息b收集第一数据。
274.例如，配置信息b包括第一区域的标识，第一区域包括多个小区。配置信息b指示终端设备收集并上报用于训练的原始数据，且还配置了测量类型以及采用周期性上报的测量上报方式。则终端设备在第一区域的覆盖范围内时，根据配置的测量类型收集用于训练的原始数据(即第一数据的一个示例)，并根据指示的测量上报方式周期性地上报收集到的第一数据。
275.s440，终端设备向网络设备a发送数据段a(即第一数据段的一个示例)和第一信息。
276.相应地，网络设备a接收来自终端设备的该数据段a和第一信息。该数据段a是第一数据对应的一个或多个数据段中的一个。终端设备可以将第一数据作为一个数据段发送给网络设备a；或者，终端设备将第一数据分段发送，比如第一数据被分为多个数据段，每个数据段包括第一数据的一部分。其中，数据段可以称为数据块、数据分段或数据包，本技术对此不做限定。
277.例如，用于机器学习的该第一数据的数据量较大，无法一次发送给网络设备a，则终端设备将第一数据分段发送。或者，执行机器学习的设备配置终端设备周期性地上报第一数据，终端设备在一个周期内收集到该第一数据的数据段a，并上报给网络设备。
278.该第一信息用于指示数据段a的目标设备，其中该目标设备为执行机器学习的设备。该执行机器学习的设备可以根据第一数据执行模型训练和/或推理。
279.当该网络设备a执行机器学习时，该目标设备为网络设备a。当执行机器学习的设备不是网络设备a，如图2中机器学习设备执行机器学习时，该目标设备为该机器学习设备。
280.可选地，第一信息包括第一任务的标识和/或第一标识，该第一标识用于标识执行机器学习的设备。
281.例如，第一信息包括第一任务的标识，以便网络设备a接收到该第一信息后确定第一数据对应的任务，如根据第一任务的标识确定该第一数据属于机器学习设备为终端设备配置的机器学习任务，并将该第一数据转发给机器学习设备。或者，网络设备a为执行机器学习的设备，网络设备a根据第一信息中的任务标识确定该第一数据属于网络设备a为终端设备配置的第一任务的数据，但本技术不限于此。
282.再例如，第一信息包括第一标识，以便网络设备a根据该第一标识确定第一数据的目标设备。如网络设备a为执行机器学习的设备，则该第一标识为网络设备a的标识，如执行机器学习的设备不是网络设备a而是图4中机器学习设备，则网络设备a确定该第一数据需要转发至机器学习设备，但本技术不限于此。
283.可选地，第一数据和第一信息承载在终端设备向网络设备a发送的第一消息中，该第一消息还包括第二信息。可选地，第一信息和第二信息还可以承载于不同的消息中。其中，该第二信息用于指示以下一项或多项：
284.该数据段a在第一数据对应的一个或多个数据段中的序列号；和，
285.该数据段a是否为第一数据对应的一个或多个数据段中的最后一个数据段；
286.第一时长，该第一时长为终端设备生成或存储数据段a到发送该数据段a之间的时间长度。
287.根据上述方案，第二信息包括数据段的序列号，可以使执行机器学习的设备接收到该数据段a后根据序列号对第一数据的多个数据段进行排序，以便正确读取第一数据。第二信息指示数据段a是否为第一数据对应的最后一个数据段，以便执行机器学习的设备可以确定是否接收到了第一数据对应的所有数据段，以对第一数据进行解码或分析。第二信息还可以指示第一时长，使得执行机器学习的设备接收到该第一时长后，可以确定该第一数据是否有效。
288.可选地，第二信息还指示小区a是否为第二区域中的一个小区，其中，该小区a是由该网络设备a管理的，且该小区a为终端设备的当前服务小区。
289.例如，当终端设备指示小区a是第二区域中的小区时，网络设备a确定该第一数据段可以转发至与网络设备a对应的(或者说建立连接的)执行机器学习的设备。
290.作为示例非限定，该第一消息为无线资源控制(radio resource control，rrc)消息。也就是说，该第一数据为控制面数据。
291.该第一时长具体可以是终端设备生成或存储该数据段a的时刻(例如，存储到终端设备的内存的时刻)到发送该rrc消息的时刻之间的时长，或者，该第一时长具体可以是终端设备收到配置信息b到发送该第一消息之间的时长，但本技术不限于此。
292.一种实施方式中，该网络设备a是gnb，该gnb接收到来自终端设备的该rrc消息(即第一消息的一个示例)后，由gnb的rrc协议层处理该第一消息。
293.例如，终端设备收集到第一数据后，对第一数据分段并生成rrc消息，该rrc消息包括第一数据段和第一信息。gnb接收到该rrc消息后，由rrc协议层处理该第一消息，例如，读取第一消息中的第一信息确定目标设备等。
294.再例如，该gnb为执行机器学习的设备，gnb接收到来自终端设备的该rrc消息后，由rrc协议层根据该第一消息确定是否接收到该第一数据的所有数据段，收到第一数据的所有数据段后，该gnb根据第一数据执行机器学习，但本技术不限于此。
295.另一种实施方式中，该网络设备a是构成gnb的cu节点或cu-cp节点，该cu节点或cu-cp节点接收到来自终端设备的该rrc消息后由rrc协议层处理该第一消息。
296.例如，该网络设备a是cu-cp节点，该cu-cp节点接收到该第一消息后由rrc协议层处理该第一消息，例如，读取第一消息中的第一信息确定目标设备等。
297.再例如，该cu-cp节点为执行机器学习的设备，cu-cp节点接收到来自终端设备的该rrc消息后，由rrc协议层根据该第一消息确定是否接收到该第一数据的所有数据段，收到第一数据的所有数据段后，该cu-cp节点根据第一数据执行机器学习，但本技术不限于此。
298.作为示例非限定，该第一消息为层2控制信令。该层2控制信令可以为pdcp层控制协议数据单元(protocol data unit，pdu)，rlc层控制pdu，mac控制元素(control element，ce)的至少一种。
299.一种实施方式中，该网络设备a是构成gnb的du节点，或cu节点和du节点，该du节点接收到来自终端设备的该层2控制信令后，由对应的层2协议层处理该层2信令消息。
300.例如，该网络设备a是du节点，该du节点接收到该第一消息后由对应的层2协议层
(如rlc或mac)处理该第一消息，例如，读取第一消息中的第一信息确定目标设备等。
301.再例如，该du节点为执行机器学习的设备，du节点接收到来自终端设备的层2信令消息后，由对应的层2协议层根据该层2信令消息确定是否接收到该第一数据的所有数据段，收到第一数据的所有数据段后，该du节点根据第一数据执行机器学习，但本技术不限于此。
302.当网络设备a为执行机器学习的设备时，网络设备a通过上述步骤接收到第一数据后，利用第一数据进行机器学习。
303.例如，网络设备a配置终端设备收集训练数据的情况下，网络设备根据获取到的该第一数据，进行模型训练以得到训练模型，以便通过训练后的模型提供更好的网络服务，但本技术不限于此。
304.再例如，该第一数据为终端设备根据训练后的模型得到的推理结果，网络设备a根据该推理结果判断终端设备使用的模型的参数是否需要调整或者进一步对训练模型进行优化等，但本技术不限于此。
305.当网络设备a不是执行机器学习的设备时，网络设备a执行s450。
306.s450，网络设备a向机器学习设备发送数据段a和第二信息。
307.可选地，机器学习设备根据第二信息中的数据段a的序列号对接收到的数据段进行排列。在第二信息指示数据段a是否为第一数据对应的最后一个数据段的情况下，机器学习设备根据第二信息确定是否接收到第一数据对应的所有数据段。
308.相应地，机器学习设备接收来自网络设备a的数据段a和第二信息。在机器学习设备接收到第一数据的所有数据段后，根据该第一数据执行机器学习。
309.根据上述方案，网络配置终端设备收集用于机器学习的数据，终端设备根据网络的配置执行数据收集，终端设备将收集到的数据上报给网络设备，并携带辅助信息，指示该数据对应的目标设备，以便网络设备根据辅助信息可以确定数据的目标设备。在用于机器学习的数据量较大的情况下，终端设备可以将数据分段上报给网络，辅助信息还可以指示数据段的序列号和/或是否为最后一个数据段，以便网络中执行机器学习的设备收到辅助信息后能够对数据段进行排序并确定是否接收到第一数据的全部数据段。能够实现海量数据准确地传递至网络中的执行机器学习的设备，使得网络能够根据机器学习的结果提供更好的通信服务，实现ran智能化。
310.本技术实施例还提供了一种数据传输方法，考虑终端设备在发生小区切换的情况下如何将用于机器学习的数据上报至执行机器学习的设备，避免收集到的数据被浪费，提高通信效率。
311.图5为本技术实施例提供的另一个示意性流程图。
312.需要说明的是，在未另行定义或说明的情况下，图5实施例与图4实施例中相同或相似的部分可以参考图4实施例中的描述，为了简要，在此不再赘述。
313.s510，终端设备由网络设备a的覆盖范围移动至网络设备b的覆盖范围。
314.终端设备可以在图4所示的实施例中收集第一数据后或收集到部分第一数据后，移动至网络设备b的覆盖范围，或通过执行小区选择、小区重选或者切换后由网络设备b提供接入服务。终端设备与网络设备b建立无线连接，由网络设备b管理的小区b为该终端设备提供服务，即网络设备b管理的小区b为终端设备的当前服务小区。
315.例如，s510可能发生在s430之后s440之前，即终端设备收集第一数据后或收集到部分第一数据后发生了移动。或者，s510也可能发生在s440之后，如终端设备向网络设备a发送了部分第一数据的数据段后移动至小区b，但本技术不限于此。
316.s520，终端设备向网络设备b发送数据段b(即第一数据段的另一个示例)和第一信息。
317.相应地，网络设备b接收来自终端设备的该数据段b和该第一信息。该数据段b为第一数据对应的一个或多个数据段中的一个。该第一信息用于指示数据段b的目标设备。
318.可选地，第一数据和第一信息承载在终端设备向网络设备b发送的第一消息中，该第一消息还包括第二信息，该第二信息用于指示以下一项或多项：
319.第一任务的标识，该第一任务为收集第一数据的任务；
320.该数据段b在第一数据对应的一个或多个数据段中的序列号；
321.该数据段b是否为第一数据对应的一个或多个数据段中的最后一个数据段；和，
322.第一时长，该第一时长为终端设备生成或存储数据段b到发送该数据段b之间的时间长度。
323.作为示例非限定，该第一消息为无线资源控制(radio resource control，rrc)消息。
324.根据上述方案，终端设备发送该第二信息，执行机器学习的设备接收到该第二信息后，可以根据第二信息中的第一任务的标识确定数据段b对应的任务。执行机器学习的设备还可以根据序列号对数据段进行排序，和/或，根据数据段b是否是最后一个数据段确定是否接收到该第一数据的所有数据段，从而解码或分析第一数据，进行机器学习。以及，当第二信息包括第一时长时，根据第一时长确定第一数据是否有效。
325.第一信息指示目标设备的实施方式可以包括但不限于以下方式：
326.方式一，该目标设备为机器学习设备。该第一信息指示机器学习设备。
327.例如，第一信息中包括机器学习设备的标识，终端设备通过第一信息指示该数据段b的目标设备为该机器学习设备，网络设备b接收到该第一信息后根据该机器学习设备的标识确定将数据段b转发至该标识对应的机器学习设备，但本技术不限于此。
328.网络设备b根据第一信息确定机器学习设备后，执行图5中方式一对应的s530。
329.s530，网络设备b向机器学习设备发送数据段b和第二信息。
330.相应第，机器学习设备接收来自网络设备b的数据段b和第二信息。
331.机器学习设备接收到数据段b后，当第二信息指示数据段b的序列号时，机器学习设备可以根据第二信息中的数据段b的序列号对数据段进行排序。当第二信息指示数据段b是否为第一数据的最后一个数据段时，确定是否接收到第一数据的所有数据段，从而判断是否解码第一数据并根据第一数据进行机器学习。当第二信息指示第一时长时，机器学习设备可以根据该第一时长确定该第一数据是否有效。
332.方式二，该目标设备为网络设备c。该第一信息指示该网络设备c。
333.可选地，该网络设备c可以是向终端设备发送配置信息b的网络设备a，也可以是与执行机器学习的设备建立接口的其他网络设备，或者网络设备c为执行机器学习的设备。
334.可选地，该第一信息用于指示以下一种或多种内容：
335.网络设备c(即第三网络设备的一个示例)的标识；
336.第一小区的标识，该第一小区为网络设备c管理的小区；和，
337.第二区域的标识，第二区域包括至少一个小区，且第二区域中包括网络设备c管理的第一小区。
338.作为示例非限定，该第一小区的标识可以为以下至少一种：
339.cgi、pci及频点、小区标识(cell identifier)、npn id和ntn id。
340.作为示例非限定，该第二区域的标识为至少一个小区的标识，或者，该第二区域的标识为机器学习区域标识、tac、ranac、切片标识、业务标识或者其他可以标识区域的标识信息中的至少一种。
341.例如，第一信息中包括第一小区的cgi和tac，网络设备b接收到该第一信息后根据第一小区的cgi确定该第一小区对应的网络设备c，从而将数据段b转发至网络设备c。具体地，若网络设备b和网络设备c之间有直接的网络设备间的接口(比如，f1，x2，xn，e1，f1-c，f1-u或者其他网络设备间的接口中的至少一种)，网络设备b根据第一小区的cgi确定对应的网络设备c后，可以将数据段b通过网络设备间的接口发送给网络设备c；若网络设备b和网络设备c之间没有直接的网络设备间的接口，网络设备b可以通过核心网设备向网络设备c发送数据段b以及该cgi和tac，核心网设备可以根据cgi和tac的部分或全部信息确定具体的转发路径。可选地，核心网设备可以向网络设备c发送网络设备b的网络标识信息和/或网络设备c的网络标识信息。进一步的，核心网设备还可以向网络设备c发送网络设备b的tac和/或网络设备c的tac。通过该机制，可以使得网络设备c获知发送第一信息的网络设备的相关信息，以便网络设备c优化数据的转发路径，比如网络设备c可以根据网络设备b的网络标识信息或者网络设备b的网络标识信息和tac，与网络设备b建立直接的网络设备间的接口，以便网络设备b可以通过该接口向该网络设备c发送数据段b。或者，核心网设备可以向网络设备b发送网络设备c的相关信息，由网络设备b根据网络设备c的相关信息与网络设备c建立网络设备间的接口，从而通过该接口向网络设备c发送数据段b，具体过程可以参考上述描述，在此不再赘述。
342.可选地，网络设备b还可以向网络设备c发送第二信息。应理解，本技术不限于上述转发机制。
343.或者，该第一信息包括第二区域的标识，网络设备b接收到该第一信息后，将数据段b转发至第二区域中的小区对应的一个或多个网络设备。具体地，若网络设备b可以确定其和第二区域内的网络设备，如网络设备c，之间有直接的网络设备间的接口，网络设备b可以将数据段b通过该接口转发给该网络设备c；若网络设备b无法通过网络设备间的接口向第二区域内的网络设备发送数据段b，网络设备b可以通过其连接的核心网设备或者机器学习节点发送数据段b向第二区域内的网络设备发送数据段b，但本技术不限于此。可选地，网络设备b还可以向第二区域内的网络设备发送第二信息。
344.可选地，第一小区为收集第一数据的小区，即配置信息b指示的终端设备收集第一数据的小区。
345.可选地，第二区域为第一区域，即第二区域为配置信息b指示的终端设备收集第一数据的区域。
346.网络设备b根据第一信息确定网络设备c后，执行图5中方式二对应的s530。
347.s530，网络设备b向网络设备c发送数据段b和第二信息。
348.相应地，网络设备c接收来自网络设备b的该数据段b和该第二信息。
349.s540，网络设备c向机器学习设备发送数据段b和第二信息。
350.例如，网络设备c在s530中接收到数据段b和第二信息后，确定该数据段b为用于机器学习的数据，网络设备c将该数据段b和第二信息c转发给与网络设备c建立连接的执行机器学习的设备，但本技术不限于此。可选地，网络设备c可以根据第二信息中第一任务的标识确定该数据段b为用于机器学习的数据。
351.再例如，在s520中，终端设备向网络设备b发送的第一信息中既指示了转发设备即网络设备c又指示了目标设备即机器学习设备。网络设备b在s530中还向网络设备c指示了数据段b的目标设备，即机器学习设备。网络设备c接收到数据段b和第二信息后根据网络设备b指示的目标设备，将该数据段b和第二信息在s540中发送给该机器学习设备，但本技术不限于此。
352.相应地，机器学习设备在s540接收来自网络设备c的该数据段b和第二信息。机器学习设备在接收到第一数据的所有数据段后根据第一数据进行机器学习。
353.例如，机器学习设备配置终端设备收集用于训练的数据的情况下，机器学习设备根据获取到的该第一数据进行模型训练以得到训练模型，以便通过训练后的模型提供更好的网络服务，但本技术不限于此。
354.再例如，该第一数据为终端设备根据训练后的模型得到的推理结果，机器学习设备根据该推理结果判断终端设备使用的模型的参数是否需要调整或者进一步对训练模型进行优化等，但本技术不限于此。
355.根据上述方案，网络配置终端设备收集用于机器学习的数据，终端设备根据网络的配置执行数据收集，终端设备将收集到的数据上报给网络设备，并携带辅助信息，及时在终端设备移动至其他小区的覆盖范围内时，也能够通过辅助信息通知移动至的网络设备b该第一数据的目标设备，以实现网络设备b将第一数据转发至执行机器学习的设备，能够避免收集到的数据被浪费，提高通信效率。能够实现海量数据准确地传递至网络中执行机器学习的设备，使得网络能够根据机器学习的结果提供更好的通信服务，实现ran智能化。
356.以上，结合图2至图5详细说明了本技术实施例提供的方法。以下，结合图6至图8详细说明本技术实施例提供的装置。为了实现上述本技术实施例提供的方法中的各功能，各网元可以包括硬件结构和/或软件模块，以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行，取决于技术方案的特定应用和设计约束条件。
357.图6是本技术实施例提供的通信装置的示意性框图。如图6所示，该通信装置600可以包括处理单元610和收发单元620。
358.在一种可能的设计中，该通信装置600可对应于上文方法实施例中的终端设备，或者配置于(或用于)终端设备中的芯片，或者其他能够实现终端设备的方法的装置、模块、电路或单元等。
359.应理解，该通信装置600可对应于根据本技术实施例的方法400、500中的终端设备，该通信装置600可以包括用于执行图4、图5中的方法400、500中终端设备执行的方法的单元。并且，该通信装置600中的各单元和上述其他操作和/或功能分别为了实现图4、图5中的方法400、500的相应流程。
360.还应理解，该通信装置600为配置于(或用于)终端设备中的芯片时，该通信装置600中的收发单元620可以为芯片的输入/输出接口或电路，该通信装置600中的处理单元610可以为芯片中的处理器。
361.可选地，通信装置600还可以包括处理单元610，该处理单元610可以用于处理指令或者数据，以实现相应的操作。
362.可选地，通信装置600还可以包括存储单元630，该存储单元630可以用于存储指令或者数据，处理单元610可以执行该存储单元中存储的指令或者数据，以使该通信装置实现相应的操作。该通信装置600中的该通信装置600中的收发单元620为可对应于图7中示出的终端设备700中的收发器710，存储单元630可对应于图7中示出的终端设备700中的存储器。
363.应理解，各单元执行上述相应步骤的具体过程在上述方法实施例中已经详细说明，为了简洁，在此不再赘述。
364.还应理解，该通信装置600为终端设备时，该通信装置600中的收发单元620为可通过通信接口(如收发器或输入/输出接口)实现，例如可对应于图7中示出的终端设备700中的收发器710，该通信装置600中的处理单元610可通过至少一个处理器实现，例如可对应于图7中示出的终端设备700中的处理器720，该通信装置600中的处理单元610可通过至少一个逻辑电路实现。
365.在另一种可能的设计中，该通信装置600可对应于上文方法实施例中的网络设备，例如，或者配置于(或用于)网络设备中的芯片，或者其他能够实现网络设备的方法的装置、模块、电路或单元等。
366.应理解，该通信装置600可对应于根据本技术实施例的方法400、500中的网络设备，如网络设备a、网络设备b或网路设备c。该通信装置600可以包括用于执行图4、图5中的方法400、500中网络设备执行的方法的单元。并且，该通信装置600中的各单元和上述其他操作和/或功能分别为了实现图4、图5中的方法400、500的相应流程。
367.还应理解，该通信装置600为配置于(或用于)网络设备中的芯片时，该通信装置600中的收发单元为芯片中的输入/输出接口或电路，该通信装置600中的处理单元610可为芯片中的处理器。
368.可选地，通信装置600还可以包括处理单元610，该处理单元610可以用于处理指令或者数据，以实现相应的操作。
369.可选地，通信装置600还可以包括存储单元630，该存储单元可以用于存储指令或者数据，处理单元可以执行该存储单元630中存储的指令或者数据，以使该通信装置实现相应的操作。该通信装置600中的存储单元630为可对应于图8中示出的网络设备800中的存储器。
370.应理解，各单元执行上述相应步骤的具体过程在上述方法实施例中已经详细说明，为了简洁，在此不再赘述。
371.还应理解，该通信装置600为网络设备时，该通信装置600中的收发单元620为可通过通信接口(如收发器或输入/输出接口)实现，例如可对应于图8中示出的网络设备800中的收发器810，该通信装置600中的处理单元610可通过至少一个处理器实现，例如可对应于图8中示出的网络设备800中的处理器820，该通信装置600中的处理单元610可通过至少一个逻辑电路实现。
372.在另一种可能的设计中，该通信装置600可对应于上文方法实施例中的执行机器学习的设备，例如，或者配置于(或用于)执行机器学习的设备中的芯片，或者其他能够执行机器设备的方法的装置、模块、电路或单元等。
373.应理解，该通信装置600可对应于根据本技术实施例的方法400、500中的执行机器学习的设备，该通信装置600可以包括用于执行图4、图5中的方法400、500中执行机器学习的设备执行的方法的单元。并且，该通信装置600中的各单元和上述其他操作和/或功能分别为了实现图4、图5中的方法400、500的相应流程。
374.还应理解，该通信装置600为配置于(或用于)执行机器学习的设备中的芯片时，该通信装置600中的收发单元为芯片中的输入/输出接口或电路，该通信装置600中的处理单元610可为芯片中的处理器。
375.可选地，通信装置600还可以包括处理单元610，该处理单元610可以用于处理指令或者数据，以实现相应的操作。
376.可选地，通信装置600还可以包括存储单元630，该存储单元可以用于存储指令或者数据，处理单元可以执行该存储单元630中存储的指令或者数据，以使该通信装置实现相应的操作。该通信装置600中的存储单元630为可对应于图9中示出的执行机器学习的设备900中的存储器。
377.应理解，各单元执行上述相应步骤的具体过程在上述方法实施例中已经详细说明，为了简洁，在此不再赘述。
378.还应理解，该通信装置600为执行机器学习的设备时，该通信装置600中的收发单元620为可通过通信接口(如收发器或输入/输出接口)实现，例如可对应于图9中示出的执行机器学习的设备900中的收发器910，该通信装置600中的处理单元610可通过至少一个处理器实现，例如可对应于图9中示出的执行机器学习的设备900中的处理器920，该通信装置600中的处理单元610可通过至少一个逻辑电路实现。
379.图7是本技术实施例提供的终端设备600的结构示意图。该终端设备700可应用于如图1所示的系统中，执行上述方法实施例中终端设备的功能。如图所示，该终端设备700包括处理器720和收发器710。可选地，该终端设备700还包括存储器。其中，处理器720、收发器710和存储器之间可以通过内部连接通路互相通信，传递控制和/或数据信号，该存储器用于存储计算机程序，该处理器720用于执行该存储器中的该计算机程序，以控制该收发器710收发信号。
380.上述处理器720可以和存储器可以合成一个处理装置，处理器720用于执行存储器中存储的程序代码来实现上述功能。具体实现时，该存储器也可以集成在处理器720中，或者独立于处理器720。该处理器720可以与图6中的处理单元对应。
381.上述收发器710可以与图6中的收发单元对应。收发器710可以包括接收器(或称接收机、接收电路)和发射器(或称发射机、发射电路)。其中，接收器用于接收信号，发射器用于发射信号。
382.应理解，图7所示的终端设备700能够实现图4、图5所示方法实施例中涉及终端设备的过程。终端设备700中的各个模块的操作和/或功能，分别为了实现上述方法实施例中的相应流程。具体可参见上述方法实施例中的描述，为避免重复，此处适当省略详细描述。
383.上述处理器720可以用于执行前面方法实施例中描述的由终端设备内部实现的动
作，而收发器710可以用于执行前面方法实施例中描述的终端设备向网络设备发送或从网络设备接收的动作。具体请见前面方法实施例中的描述，此处不再赘述。
384.可选地，上述终端设备700还可以包括电源，用于给终端设备中的各种器件或电路提供电源。
385.除此之外，为了使得终端设备的功能更加完善，该终端设备700还可以包括输入单元、显示单元、音频电路、摄像头和传感器等中的一个或多个，所述音频电路还可以包括扬声器、麦克风等。
386.图8是本技术实施例提供的网络设备的结构示意图，该网络设备800可应用于如图1所示的系统中，执行上述方法实施例中网络设备的功能。例如可以为网络设备的相关结构的示意图。
387.应理解，图8所示的网络设备800能够实现图4、图5所示方法实施例中涉及网络设备(如网络设备a、网络设备b或网络设备c)的各个过程。网络设备800中的各个模块的操作和/或功能，分别为了实现上述方法实施例中的相应流程。具体可参见上述方法实施例中的描述，为避免重复，此处适当省略详细描述。
388.应理解，图8所示出的网络设备800可以是enb或gnb，可选地，网络设备包含cu、du和aau的网络设备等，可选地，cu可以具体分为cu-cp和cu-up。本技术对于网络设备的具体架构不作限定。
389.应理解，图8所示出的网络设备800可以是cu节点或cu-cp节点。
390.本技术实施例还提供了一种处理装置，包括处理器和(通信)接口；所述处理器用于执行上述任一方法实施例中的方法。
391.应理解，上述处理装置可以是一个或多个芯片。例如，该处理装置可以是现场可编程门阵列(field programmable gate array，fpga)，可以是专用集成芯片(application specific integrated circuit，asic)，还可以是系统芯片(system on chip，soc)，还可以是中央处理器(central processor unit，cpu)，还可以是网络处理器(network processor，np)，还可以是数字信号处理电路(digital signal processor，dsp)，还可以是微控制器(micro controller unit，mcu)，还可以是可编程控制器(programmable logic device，pld)或其他集成芯片。
392.根据本技术实施例提供的方法，本技术还提供一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码由一个或多个处理器执行时，使得包括该处理器的装置执行图4、图5所示实施例中的方法。
393.本技术实施例提供的技术方案可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、终端设备、核心网设备、机器学习设备或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数
据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，数字视频光盘(digital video disc，dvd))、或者半导体介质等。
394.根据本技术实施例提供的方法，本技术还提供一种计算机可读存储介质，该计算机可读存储介质存储有程序代码，当该程序代码由一个或多个处理器运行时，使得包括该处理器的装置执行图4、图5所示实施例中的方法。
395.根据本技术实施例提供的方法，本技术还提供一种系统，其包括前述的一个或多个网络设备。还系统还可以进一步包括前述的一个或多个终端设备。
396.上述各个装置实施例中网络设备与终端设备和方法实施例中的网络设备或终端设备完全对应，由相应的模块或单元执行相应的步骤，例如通信单元(收发器)执行方法实施例中接收或发送的步骤，除发送、接收外的其它步骤可以由处理单元(处理器)执行。具体单元的功能可以参考相应的方法实施例。其中，处理器可以为一个或多个。
397.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
398.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
399.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
400.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
401.在本技术实施例中，在无逻辑矛盾的前提下，各实施例之间可以相互引用，例如方法实施例之间的方法和/或术语可以相互引用，例如装置实施例之间的功能和/或术语可以相互引用，例如装置实施例和方法实施例之间的功能和/或术语可以相互引用。
402.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。