本发明有关于无线通信,且尤其有关于人工智能(artificial intelligence,ai)-机器学习(machine learning,ml)模型存储和传输。
背景技术:
1、ai和ml已经渗透到各行各业,显著提高了生产力。在移动通信系统领域,这些技术正在催化变革。移动装置正逐渐用ai-ml模型取代传统算法。
2、利用ai-ml模型的一个关键挑战是它们在实际应用中的高效存储和无缝部署。此外,随着过顶(over-the-top,ott)内容传输的激增以及对高质量用户体验的需求不断增长,需要创新的无线网络数据传输解决方案。ai-ml模型属于数据密集型(data-intensive)又预算量大(computation-heavy),需要强大的存储解决方案和高速数据传输,才能有效部署和执行。
3、当前用于ai-ml模型存储和部署的解决方案涉及基于云的(cloud-based)架构,其可能由于网络通信而引入延迟,对于实时应用可能不是最佳的。此外,无线网络中激增的数据业务引发了对网络拥塞、延迟和整体服务质量的担忧。解决这些挑战对于释放无线环境中ai-ml应用的全部潜力至关重要。
4、需要改进和增强,来实现和改进通过无线网络的ai-ml模型存储和传输。
技术实现思路
1、本发明实施例提供一种传输ai-ml的方法,包括:由ue检测用于传输ai-ml模型的一个或多个预配置触发事件;在无线网络中建立所述ue与ai服务器之间通过ran节点和cn节点的up连接,以用于ai;以及通过所述无线网络中用于ai的所述up连接,采用ai-ml模型封包传输所述ai-ml模型。
2、本发明实施例提供一种传输ai-ml的方法,包括:由ue检测用于传输ai-ml数据集的一个或多个预配置触发事件;在无线网络中建立通过ran节点和cn节点到ai服务器的ai平面连接,其中所述ai平面连接能够传输ai-ml数据集;以及通过所述无线网络中的所述ai平面连接传输所述ai-ml数据集。
3、本发明实施例提供一种传输ai-ml的方法,包括:由ran节点检测用于传输ai-ml模型的一个或多个预配置触发事件;由所述ran节点在无线网络中的ue和ai服务器之间建立up连接,以用于ai;以及通过所述无线网络中的所述ue、所述ran节点和所述ai服务器之间的用于ai的所述up连接,传输ai-ml模型。
4、本发明实施例提供一种用户设备,包括:收发器,用来在无线网络中发送和接收射频信号;检测模块,用来检测用于传输ai-ml模型的一个或多个预配置触发事件;建立模块,用来在所述无线网络中建立所述ue与ai服务器之间通过ran节点和cn节点的up连接,以用于ai;以及通过所述无线网络中用于ai的所述up连接,采用ai-ml模型封包传输所述ai-ml模型。在一实施例中,当所述ai-ml模型在所述ai服务器或所述ran节点处更新时,所述ue通过所述up连接的下行链路从ai服务器传输ai-ml模型;当所述ai-ml模型在所述ue处更新时,所述ue通过所述up连接的上行链路将ai-ml模型传输到所述ai服务器。
5、本发明实施例提供一种存储介质,储存有程序,所述程序在被执行时使得设备执行本申请中的传输ai-ml的方法的步骤。
6、通过利用本发明,可更好地进行ai-ml传输。
1.一种传输ai-ml的方法,包括:
2.如权利要求1所述的传输ai-ml的方法,其特征在于,所述ue从所述ai服务器下载所述ai-ml模型,其中所述ai-ml模型在所述ai服务器处训练并存储。
3.如权利要求1所述的传输ai-ml的方法,其特征在于,所述ue从所述ai服务器下载所述ai-ml模型,其中所述ai-ml模型在所述ran节点处训练或更新,并从所述ran节点传输到所述ai服务器。
4.如权利要求1所述的传输ai-ml的方法,其特征在于,所述ai-ml模型在所述ue处训练或更新,并且其中所述ai-ml模型通过所述ai服务器从所述ue传输到所述ran节点。
5.如权利要求4所述的传输ai-ml的方法,其特征在于,所述ue通过用于ai的所述up连接直接将所述ai-ml模型传输到所述ai服务器。
6.如权利要求4所述的传输ai-ml的方法,其特征在于,所述ue向所述ran节点发送上传模型请求,并在接收到来自所述ran节点的上传模型响应后,将所述ai-ml模型上传到所述ai服务器。
7.如权利要求1所述的传输ai-ml的方法,其特征在于,所述一个或多个预配置触发事件包括以下事件中的一个或多个:所述ai服务器处有新的ai-ml模型、所述ai服务器处有更新的ai-ml模型、所述ran节点处有新的ai-ml模型、所述ran节点处有更新的ai-ml模型、所述ue处有新的ai-ml模型、所述ue处有更新的ai-ml模型以及ue移动性事件。
8.如权利要求7所述的传输ai-ml的方法,其特征在于,所述一个或多个预配置触发事件是指示所述ue成功从源ran节点切换到目标ran节点的ue移动性事件。
9.如权利要求8所述的传输ai-ml的方法,其特征在于,所述ue从所述目标ran节点或者直接从所述ai服务器下载所述ai-ml模型。
10.如权利要求1所述的传输ai-ml的方法,其特征在于,所述ai-ml模型封包包括以下ai-ml模型元素中的一个或多个:ai-ml模型和ai-ml模型描述。
11.如权利要求10所述的传输ai-ml的方法,其特征在于,所述ai-ml模型的格式是基于以下元素中的一个或多个元素来确定的:用例描述、更新方法、所述ai-ml模型的大小以及所述ai-ml模型的专有设置。
12.如权利要求10所述的传输ai-ml的方法,其特征在于,所述ai-ml模型的格式是显式的或隐式的。
13.如权利要求10所述的传输ai-ml的方法,其特征在于,所述ai-ml模型描述包括以下元素中的一个或多个:用例描述、增量更新的指示以及隐式或显式ai-ml模型格式的指示。
14.一种传输ai-ml的方法,包括:
15.如权利要求14所述的传输ai-ml的方法,其特征在于,所述ai平面是所述无线网络中的用户平面。
16.如权利要求14所述的传输ai-ml的方法,其特征在于,所述ai平面是在所述无线网络中建立的新平面。
17.如权利要求14所述的传输ai-ml的方法,其特征在于,新的资源块被配置用于通过所述ai平面传输所述ai-ml数据集。
18.一种传输ai-ml的方法,包括:
19.如权利要求18所述的传输ai-ml的方法,其特征在于,其中所述ai服务器是过顶ott服务器。
20.如权利要求18所述的传输ai-ml的方法,其特征在于,所述ran节点将从所述ai服务器接收到的ai-ml模型传输到所述ue,其中所述ai-ml模型在所述ai服务器处训练。
21.如权利要求20所述的传输ai-ml的方法,其特征在于,所述ran节点在传输到所述ue之前解析所述ai-ml模型。
22.如权利要求18所述的传输ai-ml的方法,其特征在于,所述ai-ml模型在所述ran节点处训练或更新,并且所述ran节点将所述ai-ml模型上传到所述ai服务器。
23.如权利要求18所述的传输ai-ml的方法,其特征在于,通过所述ai服务器从所述ue接收所述ai-ml模型,其中所述ai-ml模型在所述ue处训练或更新。
24.如权利要求23所述的传输ai-ml的方法,其特征在于,进一步包括:
25.如权利要求23所述的传输ai-ml的方法,其特征在于,进一步包括:
26.如权利要求18所述的传输ai-ml的方法,其特征在于,进一步包括:
27.如权利要求18所述的传输ai-ml的方法,其特征在于,所述ai-ml模型的传输是在检测到所述ue从所述ran节点切换到所述目标ran节点时触发的。
28.一种用户设备,包括:
29.如权利要求28所述的用户设备,其特征在于,当所述ai-ml模型在所述ai服务器或所述ran节点处更新时,所述ue通过所述up连接的下行链路从ai服务器传输所述ai-ml模型;当所述ai-ml模型在所述ue处更新时,所述ue通过所述up连接的上行链路将所述ai-ml模型传输到所述ai服务器。
30.一种存储介质,储存有程序,所述程序在被执行时使得用户设备执行权利要求1-17中任一项所述的传输ai-ml的方法的步骤。