用在RAN智能控制器中的装置

技术领域

本公开的实施例一般地涉及无线通信领域，尤其涉及一种用在无线电接入网(RAN)智能控制器(RIC)中的装置。

背景技术

移动通信已经从早期的语音系统发展到今天的高度复杂的综合通信平台。5G或新型无线电(NR)无线通信系统将提供各种用户和应用随时随地对信息的访问和对数据的共享。

附图说明

本公开的实施例将以示例而非限制的方式在附图中进行说明，其中，类似的附图标记指代类似的元件。

图1示出了根据本公开一些实施例的用在RIC中的方法的流程图。

图2示出了根据本公开一些实施例的近RT RIC上运行的服务应用向E2节点提供策略指导的示意图。

图3示出了根据本公开一些实施例的近RT RIC上运行的服务应用向E2节点提供模型推荐的示意图。

图4A示出了根据本公开一些实施例的训练对应于不同波束形成算法的多个AI或ML模型的示意图。

图4B示出了根据本公开一些实施例的近RT RIC上运行的服务应用向E2节点提供所选择的波束形成算法的示意图。

图5A示出了根据本公开一些实施例的训练对应于MCS的不同退避值的多个AI或ML模型的示意图。

图5B示出了根据本公开一些实施例的近RT RIC上运行的服务应用向E2节点提供所选择的退避值的示意图。

图6A示出了根据本公开一些实施例的训练对应于不同信道估计算法的多个AI或ML模型的示意图。

图6B示出了根据本公开一些实施例的近RT RIC上运行的服务应用向E2节点提供所选择的信道估计算法的示意图。

图7示出了根据本公开各种实施例的网络的示意图。

图8示出了根据本公开各种实施例的无线网络的示意图。

图9示出了根据本公开一些示例实施例的能够从机器可读或计算机可读介质(例如，非暂态机器可读存储介质)读取指令并执行本文讨论的任何一种或多种方法的组件的框图。

具体实施方式

将使用本领域技术人员常用的术语来描述说明性实施例的各个方面，以将本公开的实质传达给本领域其他技术人员。然而，对于本领域技术人员来说显而易见的是，可以使用所描述的方面的部分来实施许多替代实施例。出于解释的目的，给出了具体的数字、材料、和配置，以便提供对说明性实施例的透彻理解。然而，对于本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下实施替代实施例。在其它实例中，为了避免模糊说明性实施例，可以省略或简化公知特征。

此外，以最有助于理解说明性实施例的方式，将各种操作依次描述为多个离散操作；然而，不应将描述顺序解释为暗示这些操作必然是顺序相关的。特别地，这些操作不需要按照呈现的顺序来执行。

本文中重复使用短语“在实施例中”、“在一个实施例中”、和“在一些实施例中”。这些短语通常不指代相同的实施例；然而，它们也可以指代相同的实施例。除非上下文另有规定，否则术语“包含”、“具有”、和“包括”是同义词。短语“A或B”和“A/B”的意思是“(A)、(B)、或(A和B)”。

开放式无线电接入网(O-RAN)体系结构包括无线电单元(RU)、分布式单元(DU)、集中式单元(CU)、以及无线电接入网(RAN)智能控制器(RIC)，其中，RIC可以被配置为支持驻留在DU中的媒体接入控制(MAC)或L1功能的非实时(RT)或近RT配置或优化，并且RU、DU、和CU可以被统称为E2节点。非RT或近RT RIC控制环路的运行周期比通常用于MAC或L1功能(在时隙或更快的时间尺度上运行)的周期要慢。

通常，MAC或L1功能中采用的各种算法的无线性能取决于诸如，信道条件、干扰条件、业务负载等因素。在RIC中利用人工智能(AI)或机器学习(ML)来优化DU中的算法选择是可能且有利的。然而，在O-RAN体系结构中，目前没有定义RIC控制DU中的算法选择的机制。

一个特定的重要领域涉及波束形成或大规模多输入多输出(mMIMO)，这是5G无线通信系统用于增强通信范围、吞吐量、和容量的一个关键特性。波束形成算法可以根据小区中的本地条件(例如，本地传播、业务、和干扰条件)进行优化。O-RAN体系结构正在为基于AI或ML的mMIMO或波束形成优化提供支持，其中，位于非RT或近RT RIC中的服务应用可以调整波束形成相关参数，但是到目前为止，这考虑了所谓的基于“波束网格”(GoB)的波束形成算法，其中在每个小区定义一组候选波束，将用户设备(UE)指派到波束，并定义波束采集或跟踪或故障过程用于波束的管理。

然而，非基于GoB的波束形成算法也被实现用于5G无线通信系统，尤其是对于较低的子6GHz频段，例如基于探测参考符号(SRS)的波束形成算法，该算法依赖于上行链路和下行链路的对应关系，其中上行链路和下行链路波束是基于使用SRS进行的信道测量“即时”计算的，而不是从一组预定义波束中选择的。在O-RAN体系结构中，不存在针对非基于GoB的波束形成算法的AI或ML辅助增强。基于SRS的波束形成算法对于mMIMO阵列特别有吸引力，因为可以在下一代基站(gNB)上获得非常准确的信道状态信息，而在下行链路(DL)或上行链路(UL)信道中的开销非常小。

应该注意，非基于GoB的波束形成算法(例如，基于SRS的波束形成算法)的无线性能在很大程度上取决于信道条件和SRS测量的周期性。在非基于GoB的波束形成算法的无线性能恶化的情况下，DU中的MAC调度器在分配调制编码方案(MCS)时可能需要考虑到这一点，以避免过多的块错误率或混合自动重传请求(HARQ)传输延迟。或者，可能需要调整波束形成算法本身来使用更稳健的配置，例如，使波束形成算法基于信道条件的长期平均值而不是瞬时(但过时的)信道估计。另一种可能性是，如果预测到非基于GoB的波束形成算法的无线性能较差，则可以使用替代算法。

鉴于上述情况，提出了一种RIC控制E2节点中的通信相关操作和/或通信相关算法的使用的机制。例如，向非RT RIC提供用于AI或ML模型的多组训练数据，每组训练数据对应于DU中的特定通信相关算法选项；每组训练数据包括RAN测量结果(例如，参考信号接收功率(RSRP)和信干噪比(SINR)测量结果)和非RAN增强数据(例如，位置和移动性相关信息)；每组训练数据中还包括诸如实现的吞吐量之类的性能度量；AI或ML模型被训练来基于RAN测量值以及位置和移动性相关信息预测性能度量；AI或ML模型经过培训后被提供给非RT或近RT RIC上运行的服务应用；并且非RT或近RT RIC上运行的服务应用将：a)制定要传输到DU的策略，然后DU利用该策略来确定具有最佳性能度量的通信相关算法，或b)基于每个UE预测每个通信相关算法选项的性能度量，并选择具有最佳性能度量的通信相关算法，然后该通信相关算法将被发送给DU。然后，非RT或近RT RIC上运行的应用服务将通过E2接口利用信号向DU通知具有最佳性能度量的策略或通信相关算法，DU将应用具有最佳性能度量的策略或通信相关算法。

图1示出了根据本公开一些实施例的用在RIC中的方法100的流程图。如图1所示，方法100包括：S102，基于与UE相关联的RAN测量结果和位置或移动性相关信息，确定策略指导、算法选择、或模型推荐；以及S104，向E2节点提供策略指导、算法选择、或模型推荐，以供RAN与UE通信时使用，其中，策略指导用于指示用于确定通信相关操作的策略，算法选择用于指示通信相关算法，模型推荐用于指示多个离线训练的AI或ML模型中的一个来实现通信相关算法。

在一些实施例中，策略指导可以是使用部署在RIC上运行的服务应用中的AI或ML模型确定的，该AI或ML模型被配置为基于与UE相关联的RAN测量结果和位置或移动性相关信息来估计各个通信相关操作的性能度量并输出策略指导，并且基于策略指导指示的策略确定的通信相关操作具有最佳性能度量。RIC可以是近RT RIC，AI或ML模型可以是在近RTRIC或非RT RIC中训练的。可以基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由多个UE实现的各个通信相关操作的性能度量来训练AI或ML模型。

在一些实施例中，算法选择可以是使用部署在RIC上运行的服务应用中的多个AI或ML模型确定的，这些AI或ML模型分别多个通信相关算法相关联，该多个AI或ML模型中的每个模型被配置为基于与UE相关联的RAN测量结果和位置或移动性相关信息输出相应通信相关算法的性能度量，并且由算法选择指示的通信相关算法具有最佳性能度量。RIC可以是近RT RIC，多个AI或ML模型可以是在非RT RIC或非RT RIC中训练的。可以基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由多个UE实现的各个通信相关算法的性能度量来训练多个AI或ML模型。

在一些实施例中，可以基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由多个UE实现各个通信相关算法的结果来训练多个离线训练的AI或ML模型。

在一些实施例中，与UE相关联的RAN测量结果包括与UE相关联的上行链路或下行链路上的信道质量度量，例如，RSRP测量结果或SINR测量结果。

在一些实施例中，算法选择用于指示信道估计算法或波束形成算法。或者，算法选择用于指示MCS的退避值或资源管理规划。

本文描述了五个具体实施例，其中，实施例1、2、3是更一般的实施例并且使得近RTRIC能够控制E2节点，实施例4和5是基于实施例1-3的更具体的示例。

注意，移动性相关信息可以包括行驶速度和方向，但也可能是更具情境性的测量，例如，它可能包括道路的标识以及沿该道路行驶的速度和方向，并且AI或ML模型可以学习到在特定条件下，沿着道路行驶的UE可以在特定位置受益于特定的波束形成配置。

实施例1：策略指导

在本实施例中，用于提供策略指导的AI或ML模型被部署在近RT RIC上运行的服务应用中，并且可以基于与UE相关联的RAN测量结果和位置或移动性相关信息来估计各个通信相关操作的性能度量并输出指示用于确定通信相关操作(例如，MCS退避、瞬时或平均信道估计、波束形成、或其组合)的策略的策略指导。例如，可以给出这样的策略：如果测量的SINR

实施例2：离线训练的AI或ML模型选择

在E2节点中部署离线训练的AI或ML模型是实现数据驱动算法(例如，波束形成、信道估计、符号检测、解码等)的可行解决方案。离线训练的AI或ML模型的一个关键挑战是所谓的模型失配，即离线训练的AI或ML模型是在模型推理期间无效的假设下训练的。克服模型失配的简单而有效的解决方案是在不同的假设下训练多个AI或ML模型，并选择最合适的训练模型进行推理。在本实施例中，近RT RIC上运行的服务应用被配置为选择合适的离线训练的AI或ML模型。近RT RIC上运行的服务应用的输出是针对离线训练的AI或ML模型的模型推荐。近RT RIC上运行的服务应用的输出由近RT RIC通过E2接口提供给E2节点。近RTRIC上运行的服务应用可以由另一个经过训练的AI或ML模型实现或基于“经典”的信号处理算法来实现。

为了图示出实施例2，考虑利用离线训练的AI或ML模型的信道估计算法。假设多个离线训练的AI或ML模型是针对不同信道模型(例如，城市宏小区、城市微小区、室内等)离线训练的或者是利用来自不同部署场景的测量数据离线训练的。对于近RT RIC上运行的服务应用的输入可以包括与UE相关联的RSRP测量结果、SINR测量结果、以及非RAN增强数据(例如，位置/移动性相关信息)。近RT RIC上运行的服务应用的输出是指示离线训练的AI或ML模型的模型推荐或信道估计算法要考虑的相关参数。图3示出了根据本公开一些实施例的近RT RIC上运行的服务应用向E2节点提供模型推荐的示意图。

实施例3：波束形成算法选择

在本实施例中，对应于不同波束形成算法的多个AI或ML模型被部署在近RT RIC上运行的服务应用中，并且可以估计不同波束形成算法的性能度量并将具有最佳性能度量的波束形成算法报告给E2节点。图4A示出了根据本公开一些实施例的训练对应于不同波束形成算法的多个AI或ML模型的示意图。图4B示出了根据本公开一些实施例的近RT RIC上运行的服务应用向E2节点提供所选择的波束形成算法的示意图。示例波束形成算法包括基于PMI(依赖于来自UE的反馈)、基于波束网格、基于压缩测量结果、或基于SRS的波束形成算法。所选择的波束形成算法由近RT RIC通过E2接口提供给E2节点。

实施例4：波束形成性能预测

在本实施例中，对应于特定MCS的不同退避值的多个AI或ML模型被部署在近RT-RIC上运行的应用服务中，并且可以估计针对MCS的不同退避值的实现的吞吐量并向E2节点报告具有最佳吞吐量的退避值。对于在近RT RIC上运行的服务应用的输入(即，对于与MCS的不同退避值相对应的多个AI或ML模型的输入)包括RSRP测量结果、SINR测量结果、以及非RAN增强数据(例如，位置或移动性相关信息)。RSRP测量结果和SINR测量结果可以包括DLRSRP和SINR测量结果和/或UL RSRP和SINR测量结果。

图5A示出了根据本公开一些实施例的训练对应于MCS的不同退避值的多个AI或ML模型的示意图。图5B示出了根据本公开一些实施例的近RT RIC上运行的服务应用向E2节点提供所选择的退避值的示意图。对于每个UE，近RT RIC上运行的服务应用运行对应于MCS的不同退避值的多个AI或ML模型的推断以估计针对多个退避值实现的吞吐量，并选择具有最佳吞吐量的退避值。或者，近RT RIC上运行的服务应用可以直接推断具有最佳吞吐量的退避值，而无需首先估计针对不同退避值实现的吞吐量。然后，所选择的退避值由近RT RIC通过E2接口提供给E2节点。

实施例5：信道估计选择

在本实施例中，对应于不同信道估计算法的多个AI或ML模型被部署在近RT RIC上运行的应用服务中，并且可以估计不同信道估计算法的性能度量，并将具有最佳性能度量的信道估计算法报告给E2节点以配置波束形成算法。对于对应于不同信道估计算法的多个AI或ML模型的输入(即，对于近RT RIC上运行的应用服务的输入)包括RSRP测量结果、SINR测量结果、以及非RAN增强数据(例如，位置或移动性相关信息)。RSRP测量结果和SINR测量结果可以包括DL RSRP和SINR测量结果和/或UL RSRP和SINR测量结果。

图6A示出了根据本公开一些实施例的训练对应于不同信道估计算法的多个AI或ML模型的示意图。图6B示出了根据本公开一些实施例的近RT RIC上运行的服务应用向E2节点提供所选择的信道估计算法的示意图。性能度量的示例包括但不限于吞吐量、延迟、覆盖范围、或这些或其他性能度量的任何函数。对于每个UE，近RT RIC上运行的服务应用运行对应于不同信道估计算法的多个AI或ML模型的推断以估计不同信道估计算法的性能度量，并选择具有最佳性能度量的信道估计算法。然后，所选择的信道估计算法由近RT RIC通过E2接口提供给E2节点。

图7-8示出了可以实现所公开的实施例的多个方面的各种系统、设备、和组件。

图7示出了根据本公开各种实施例的网络700的示意图。网络700可以根据长期演进(LTE)或5G/NR系统的3GPP技术规范操作。然而，示例性实施例在这方面不受限制，并且所描述的实施例可以应用于受益于本文描述的原理的其他网络，例如未来的3GPP系统等。

网络700可以包括UE 702，该UE可以包括被设计为经由空中连接与无线电接入网(RAN)704通信的任何移动或非移动计算设备。UE 702可以是但不限于智能手机、平板计算机、可穿戴计算机设备、台式计算机、膝上型计算机、车载信息娱乐设备、车载娱乐设备、仪表盘、抬头显示设备、车载诊断设备、仪表板移动设备、移动数据终端、电子引擎管理系统、电子/引擎控制单元、电子/引擎控制模块、嵌入式系统、传感器、微控制器、控制模块、引擎管理系统、网络设备、机器型通信设备、机器到机器(M2M)或设备到设备(D2D)设备、物联网(IoT)设备等。

在一些实施例中，网络700可以包括通过侧链路接口彼此直接耦合的多个UE。UE可以是使用物理侧链路信道(例如但不限于物理侧链路广播信道(PSBCH)、物理侧链路发现信道(PSDCH)、物理侧链路共享信道(PSSCH)、物理侧链路控制信道(PSCCH)、物理侧链路基本信道(PSFCH)等)进行通信的M2M/D2D设备。

在一些实施例中，UE 702还可以通过空中连接与接入点(AP)706进行通信。AP 706可以管理无线局域网(WLAN)连接，其可以用于从RAN 704卸载一些/所有网络流量。UE 702和AP 706之间的连接可以与任何IEEE 802.11协议一致，其中，AP 706可以是无线保真

RAN 704可以包括一个或多个接入节点，例如，接入节点(AN)708。AN 708可以通过提供包括无线电资源控制(RRC)协议、分组数据汇聚协议(PDCP)、无线电链路控制(RLC)协议、介质访问控制(MAC)协议、和L1协议在内的接入层协议来终止UE 702的空中接口协议。以此方式，AN 708可以使能核心网(CN)720和UE 702之间的数据/语音连接。在一些实施例中，AN 708可以被实现在离散设备中，或者被实现为在服务器计算机上运行的一个或多个软件实体(作为例如，虚拟网络的一部分，虚拟网络可以被称为分布式RAN(CRAN)或虚拟基带单元池)。AN 708可以被称为基站(BS)、下一代基站(gNB)、RAN节点、演进节点B(eNB)、下一代eNB(ng eNB)、节点B(NodeB)、路边单元(RSU)、发射接收点(TRxP)、发射点(TRP)等。AN708可以是宏小区基站或低功率基站，用于提供与宏小区相比具有更小覆盖区域、更小用户容量、或更高带宽的微小区、微微小区、或其他类似小区。

在RAN 704包括多个AN的实施例中，它们可以通过X2接口(如果RAN 704是LTERAN)或Xn接口(如果RAN 704是5G RAN)相互耦合。在一些实施例中，可以被分离成控制/用户平面接口的X2/Xn接口可以允许AN传送与切换、数据/上下文传输、移动性、负载管理、干扰协调等相关的信息。

RAN 704的AN可以分别管理一个或多个小区、小区组、分量载波等，以向UE 702提供用于网络接入的空中接口。UE 702可以与由RAN 704的相同或不同AN提供的多个小区同时连接。例如，UE 702和RAN 704可以使用载波聚合来允许UE 702与多个分量载波连接，每个分量载波对应于主小区(PCell)或辅小区(SCell)。在双连接场景中，第一AN可以是提供主小区组(MCG)的主网络节点，第二AN可以是提供辅小区组(SCG)的辅网络节点。第一/第二AN可以是eNB、gNB、ng-eNB等的任意组合。

RAN 704可以在授权频谱或未授权频谱上提供空中接口。为了在未授权频谱中操作，节点可以基于PCell/Scell的载波聚合(CA)技术，使用许可辅助接入(LAA)、增强的LAA(eLAA)、和/或进一步增强的LAA(feLAA)机制。在访问未授权频谱之前，节点可以基于例如，先听后说(LBT)协议来执行介质/载波感测操作。

在车辆对一切(V2X)场景中，UE 702或AN 708可以是或充当路边单元(RSU)，其可以指用于V2X通信的任何运输基础设施实体。RSU可以在适当的AN或静止(或相对静止)UE中实现或由其实现。在UE中实现或由UE实现的RSU可以被称为“UE型RSU”；在eNB中实现或由eNB实现的RSU可以被称为“eNB型RSU”；在下一代NodeB(gNB)中实现或由gNB实现的RSU可以被称为“gNB型RSU”等。在一个示例中，RSU是与位于路边的射频电路耦合的计算设备，其向经过的车辆UE提供连接支持。RSU还可以包括内部数据存储电路，用于存储交叉口地图几何图形、交通统计、媒体、以及用于感测和控制正在进行的车辆和行人交通的应用程序/软件。RSU可以提供高速事件(例如，碰撞避免、交通警告等)所需的非常低延迟的通信。另外或可选地，RSU可以提供其他蜂窝/WLAN通信服务。RSU的组件可以封装在适合室外安装的防风雨外壳中，并且可以包括网络接口控制器以提供到交通信号控制器或回程网络的有线连接(例如，以太网)。

在一些实施例中，RAN 704可以是LTE RAN 710，其中包括演进节点B(eNB)，例如，eNB 712。LTE RAN 710可以提供具有以下特征的LTE空中接口：15kHz的子载波间隔(SCS)；用于上行链路(UL)的单载波频分多址(SC-FDMA)波形和用于下行链路(DL)的循环前缀正交频分复用(CP-OFDM)波形；用于数据的turbo代码和用于控制的TBCC等。LTE空中接口可以依赖信道状态信息参考信号(CSI-RS)进行CSI采集和波束管理；依赖物理下行链路共享信道(PDSCH)/物理下行链路控制信道(PDCCH)解调参考信号(DMRS)进行PDSCH/PDCCH解调；以及依赖小区参考信号(CRS)进行小区搜索和初始采集、信道质量测量、和信道估计，并且依赖信道估计进行UE处的相干解调/检测。LTE空中接口可以在6GHz子波段上工作。

在一些实施例中，RAN 704可以是具有gNB(例如，gNB 716)或gn-eNB(例如，ng-eNB718)的下一代(NG)-RAN 714。gNB 716可以使用5G NR接口与启用5G的UE连接。gNB 716可以通过NG接口与5G核心连接，NG接口可以包括N2接口或N3接口。ng-eNB 718还可以通过NG接口与5G核心连接，但是可以通过LTE空中接口与UE连接。gNB 716和ng-eNB 718可以通过Xn接口彼此连接。

在一些实施例中，NG接口可以分为NG用户平面(NG-U)接口和NG控制平面(NG-C)接口两部分，前者承载UPF 748和NG-RAN 714的节点之间的流量数据(例如，N3接口)，后者是接入和移动性管理功能(AMF)744和NG-RAN 714的节点之间的信令接口(例如，N2接口)。

NG-RAN 714可以提供具有以下特征的5G-NR空中接口：可变子载波间隔(SCS)；用于下行链路(DL)的循环前缀-正交频分复用(CP-OFDM)、用于UL的CP-OFDM和DFT-s-OFDM；用于控制的极性、重复、单工、和里德-穆勒码；以及用于数据的低密度奇偶校验码(LDPC)。5G-NR空中接口可以类似LTE空中接口而依赖于信道状态参考信号(CSI-RS)、PDSCH/PDCCH解调参考信号(DMRS)。5G-NR空中接口可以不使用小区参考信号(CRS)，但是可以使用物理广播信道(PBCH)解调参考信号(DMRS)进行PBCH解调；使用相位跟踪参考信号(PTRS)进行PDSCH的相位跟踪；以及使用跟踪参考信号进行时间跟踪。5G-NR空中接口可以在包括6GHz子频带的FR1频带或包括24.25GHz到52.6GHz频带的FR2频带上操作。5G-NR空中接口可以包括同步信号和PBCH块(SSB)，SSB是包括主同步信号(PSS)/辅同步信号(SSS)/PBCH的下行链路资源网格的区域。

在一些实施例中，5G-NR空中接口可以将带宽部分(BWP)用于各种目的。例如，BWP可以用于SCS的动态自适应。例如，UE 702可以配置有多个BWP，其中，每个BWP配置具有不同的SCS。当向UE 702指示BWP改变时，传输的SCS也改变。BWP的另一个用例与省电有关。具体地，可以为UE 702配置具有不同数量的频率资源(例如，PRB)的多个BWP，以支持不同流量负载场景下的数据传输。包含较少数量PRB的BWP可以用于具有较小流量负载的数据传输，同时允许UE 702和在某些情况下gNB 716处的省电。包含大量PRB的BWP可以用于具有更高流量负载的场景。

RAN 704通信地耦合到包括网络元件的CN 720，以向客户/订户(例如，UE 702的用户)提供支持数据和电信服务的各种功能。CN 720的组件可以实现在一个物理节点中也可以实现在不同的物理节点中。在一些实施例中，网络功能虚拟化(NFV)可以用于将CN 720的网络元件提供的任何或所有功能虚拟化到服务器、交换机等中的物理计算/存储资源上。CN720的逻辑实例可以被称为网络切片，并且CN 720的一部分的逻辑实例可以被称为网络子切片。

在一些实施例中，CN 720可以是LTE CN 722，也可以被称为EPC。LTE CN 722可以包括移动性管理实体(MME)724、服务网关(SGW)726、服务通用无线分组业务(GPRS)支持节点(SGSN)728、归属订户服务器(HSS)730、代理网关(PGW)732、以及策略控制和计费规则功能(PCRF)734，如图所示，这些组件通过接口(或“参考点”)相互耦合。LTE CN 722的元件的功能可以简单介绍如下。

MME 724可以实现移动性管理功能，以跟踪UE 702的当前位置，从而方便寻呼、承载激活/去激活、切换、网关选择、认证等。

SGW 726可以终止朝向RAN的S1接口，并在RAN和LTE CN 722之间路由数据分组。SGW 726可以是用于RAN节点间切换的本地移动性锚点，并且还可以提供用于3GPP间移动性的锚定。其他责任可以包括合法拦截、计费、以及一些策略执行。

SGSN 728可以跟踪UE 702的位置并执行安全功能和访问控制。另外，SGSN 728可以执行EPC节点间信令，以用于不同RAT网络之间的移动性；MME 724指定的PDN和S-GW选择；用于切换的MME选择等。MME 724和SGSN 728之间的S3参考点可以使能空闲/活动状态下用于3GPP间接入网络移动性的用户和承载信息交换。

HSS 730可以包括用于网络用户的数据库，该数据库包括支持网络实体处理通信会话的订阅相关信息。HSS 730可以提供对路由/漫游、认证、授权、命名/寻址解析、位置依赖性等的支持。HSS 730和MME 724之间的S6a参考点可以使能订阅和认证数据的传输，用于认证/授权用户对LTE CN 720的访问。

PGW 732可以终止朝向可以包括应用/内容服务器738的数据网络(DN)736的SGi接口。PGW 732可以在LTE CN 722和数据网络736之间路由数据分组。PGW 732可以通过S5参考点与SGW 726耦合，以促进用户平面隧道和隧道管理。PGW 732还可以包括用于策略执行和计费数据收集的节点(例如，PCEF)。另外，PGW 732和数据网络736之间的SGi参考点可以是例如，用于提供IP多媒体子系统(IMS)服务的运营商外部公共、私有PDN、或运营商内部分组数据网络。PGW 732可以经由Gx参考点与PCRF 734耦合。

PCRF 734是LTE CN 722的策略和计费控制元件。PCRF 734可以通信地耦合到应用/内容服务器738，以确定服务流的适当服务质量(QoS)和计费参数。PCRF 732可以将相关规则提供给具有适当业务流模板(TFT)和QoS类标识符(QCI)的PCEF(经由Gx参考点)。

在一些实施例中，CN 720可以是5G核心网(5GC)740。5GC 740可以包括认证服务器功能(AUSF)742、接入和移动性管理功能(AMF)744、会话管理功能(SMF)746、用户平面功能(UPF)748、网络切片选择功能(NSSF)750、网络开放功能(NEF)752、NF存储功能(NRF)754、策略控制功能(PCF)756、统一数据管理(UDM)758、和应用功能(AF)760，如图所示，这些功能通过接口(或“参考点”)彼此耦合。5GC 740的元件的功能可以简要介绍如下。

AUSF 742可以存储用于UE 702的认证的数据并处理认证相关功能。AUSF 742可以促进用于各种接入类型的公共认证框架。除了如图所示的通过参考点与5GC 740的其他元件通信之外，AUSF 742还可以展示基于Nausf服务的接口。

AMF 744可以允许5GC 740的其他功能与UE 702和RAN 704通信，并订阅关于UE702的移动性事件的通知。AMF 744可以负责注册管理(例如，注册UE 702)、连接管理、可达性管理、移动性管理、合法拦截AMF相关事件、以及接入认证和授权。AMF 744可以提供UE702和SMF 746之间的会话管理(SM)消息的传输，并且充当用于路由SM消息的透明代理。AMF744还可以提供UE 702和SMSF之间的SMS消息的传输。AMF 744可以与AUSF 742和UE 702交互，以执行各种安全锚定和上下文管理功能。此外，AMF 744可以是RAN CP接口的终止点，其可包括或者是RAN 704和AMF 744之间的N2参考点；AMF 744可以作为NAS(N1)信令的终止点，并执行NAS加密和完整性保护。AMF 744还可以支持通过N3 IWF接口与UE 702的NAS信令。

SMF 746可以负责SM(例如，UPF 748和AN 708之间的隧道管理、会话建立)；UE IP地址分配和管理(包括可选授权)；UP功能的选择和控制；在UPF 748处配置流量控制，以将流量路由到适当的目的地；去往策略控制功能的接口的终止；控制策略执行、计费和QoS的一部分；合法截获(用于SM事件和到LI系统的接口)；终止NAS消息的SM部分；下行链路数据通知；启动AN特定的SM信息(通过AMF 744在N2上发送到AN 708)；以及确定会话的SSC模式。SM可以指PDU会话的管理，并且PDU会话或“会话”可以指提供或使能UE 702和数据网络736之间的PDU交换的PDU连接服务。

UPF 748可以用作RAT内和RAT间移动性的锚点、与数据网络736互连的外部PDU会话点、以及支持多归属PDU会话的分支点。UPF 748还可以执行分组路由和转发、执行分组检查、执行策略规则的用户平面部分、合法截获分组(UP收集)、执行流量使用报告、为用户平面执行QoS处理(例如，分组过滤、选通、UL/DL速率强制执行)，执行上行链路流量验证(例如，SDF到QoS流映射)、上行链路和下行链路中的传输级分组标记，并执行下行链路分组缓冲和下行链路数据通知触发。UPF 748可以包括上行链路分类器，以支持将流量流路由到数据网络。

NSSF 750可以选择服务于UE 702的一组网络切片实例。如果需要，NSSF 750还可以确定允许的网络切片选择辅助信息(NSSAI)和到订阅的单个NSSAI(S-NSSAI)的映射。NSSF 750还可以基于合适的配置并可能通过查询NRF 754来确定要用于服务UE 702的AMF集，或者确定候选AMF的列表。UE 702的一组网络切片实例的选择可以由AMF 744触发(UE702通过与NSSF 750交互而向该AMF注册)，这会导致AMF的改变。NSSF 750可以经由N22参考点与AMF 744交互；且可以经由N31参考点(未示出)与访问网络中的另一NSSF通信。此外，NSSF 750可以展示基于Nnssf服务的接口。

NEF 752可以为第三方、内部曝光/再曝光、AF(例如，AF 760)、边缘计算或雾计算系统等安全地公开由3GPP网络功能提供的服务和能力。在这些实施例中，NEF 752可以认证、授权、或限制AF。NEF 752还可以转换与AF 760交换的信息和与内部网络功能交换的信息。例如，NEF 752可以在AF服务标识符和内部5GC信息之间转换。NEF 752还可以基于其他NF的公开能力从其他NF接收信息。该信息可以作为结构化数据存储在NEF 752处，或者使用标准化接口存储在数据存储器NF处。然后，NEF 752可以将存储的信息重新暴露给其他NF和AF，或者用于诸如分析之类的其他目的。另外，NEF 752可以展示基于Nnef服务的接口。

NRF 754可以支持服务发现功能，从NF实例接收NF发现请求，并将发现的NF实例的信息提供给NF实例。NRF 754还维护可用NF实例及其支持的服务的信息。如本文所使用的，术语“实例化”、“实例”等可指创建实例，“实例”可以指对象的具体出现，其可以例如在程序代码执行期间出现。此外，NRF 754可以展示基于Nnrf服务的接口。

PCF 756可以向控制平面功能提供策略规则以执行这些策略规则，并且还可以支持统一的策略框架来管理网络行为。PCF 756还可以实现前端以访问与UDM 758的UDR中的策略决策相关的订阅信息。除了如图所示通过参考点与功能通信外，PCF 756还展示了基于Npcf服务的接口。

UDM 758可以处理与订阅相关的信息以支持网络实体处理通信会话，并且可以存储UE 702的订阅数据。例如，订阅数据可以经由UDM 758和AMF 744之间的N8参考点传送。UDM 758可以包括两个部分：应用前端和用户数据记录(UDR)。UDR可以存储用于UDM 758和PCF 756的策略数据和订阅数据，和/或用于NEF 752的用于暴露的结构化数据和应用数据(包括用于应用检测的PFD、用于多个UE 702的应用请求信息)。UDR可以展示基于Nudr服务的接口，以允许UDM 758、PCF 756、和NEF 752访问存储数据的特定集合，以及读取、更新(例如，添加、修改)、删除、和订阅UDR中的相关数据更改的通知。UDM可包括UDM-FE(UDM前端)，其负责处理凭证、位置管理、订阅管理等。若干不同的前端可以在不同的交易中为同一用户提供服务。UDM-FE访问存储在UDR中的订阅信息，并执行认证凭证处理、用户识别处理、访问授权、注册/移动性管理、和订阅管理。除了如图所示的通过参考点与其他NF通信之外，UDM758还可以展示基于Nudm服务的接口。

AF 760可以提供对业务路由的应用影响，提供对NEF的访问，并与策略框架交互以进行策略控制。

在一些实施例中，5GC 740可以通过选择在地理上靠近UE 702连接到网络的点的运营商/第三方服务来使能边缘计算。这可以减少网络上的延迟和负载。为了提供边缘计算实现，5GC 740可以选择靠近UE 702的UPF 748，并通过N6接口执行从UPF 748到数据网络736的流量引导。这可以基于UE订阅数据、UE位置、和AF 760提供的信息。这样，AF 760可以影响UPF(重)选择和业务路由。基于运营商部署，当AF 760被认为是可信实体时，网络运营商可以允许AF 760直接与相关NF交互。另外，AF 760可以展示基于Naf服务的接口。

数据网络736可以表示可以由一个或多个服务器(包括例如，应用/内容服务器738)提供的各种网络运营商服务、互联网接入、或第三方服务。

图8示意性地示出了根据各种实施例的无线网络800。无线网络800可以包括与AN804进行无线通信的UE 802。UE 802和AN 804可以类似于本文其他位置描述的同名组件并且基本上可以与之互换。

UE 802可以经由连接806与AN 804通信地耦合。连接806被示出为空中接口以使能通信耦合，并且可以根据诸如LTE协议或5G NR协议等的蜂窝通信协议在毫米波或低于6GHz频率下操作。

UE 802可以包括与调制解调器平台810耦合的主机平台808。主机平台808可以包括应用处理电路812，该应用处理电路可以与调制解调器平台810的协议处理电路814耦合。应用处理电路812可以为UE 802运行获取/接收其应用数据的各种应用。应用处理电路812还可以实现一个或多个层操作，以向数据网络发送/从数据网络接收应用数据。这些层操作可以包括传输(例如，UDP)和互联网(例如，IP)操作。

协议处理电路814可以实现一个或多个层操作，以便于通过连接806传输或接收数据。由协议处理电路814实现的层操作可以包括例如，媒体访问控制(MAC)、无线电链路控制(RLC)、分组数据汇聚协议(PDCP)、无线电资源控制(RRC)、和非接入层(NAS)操作。

调制解调器平台810可以进一步包括数字基带电路816，该数字基带电路816可以实现“低于”网络协议栈中由协议处理电路814执行的层操作的一个或多个层操作。这些操作可包括例如，包括HARQ-ACK功能、加扰/解扰、编码/解码、层映射/去映射、调制符号映射、接收符号/比特度量确定、多天线端口预编码/解码中的一者或多者的PHY操作，其中，这些功能可以包括空时、空频、或空间编码，参考信号生成/检测，前导码序列生成和/或解码，同步序列生成/检测，控制信道信号盲解码、以及其他相关功能中的一者或多者。

调制解调器平台810可以进一步包括发射电路818、接收电路820、RF电路822、和RF前端(RFFE)电路824，这些电路可以包括或连接到一个或多个天线面板826。简言之，发射电路818可以包括数模转换器、混频器、中频(IF)组件等；接收电路820可以包括模数转换器、混频器、IF组件等；RF电路822可以包括低噪声放大器、功率放大器、功率跟踪组件等；RFFE电路824可以包括滤波器(例如，表面/体声波滤波器)、开关、天线调谐器、波束形成组件(例如，相位阵列天线组件)等。发射电路818、接收电路820、RF电路822、RFFE电路824、以及天线面板826(统称为“发射/接收组件”)的组件的选择和布置可以特定于具体实现的细节，例如，通信是时分复用(TDM)还是频分复用(FDM)、以mmWave还是低于6GHz频率等。在一些实施例中，发射/接收组件可以以多个并列的发射/接收链的方式布置，并且可以布置在相同或不同的芯片/模块等中。

在一些实施例中，协议处理电路814可以包括控制电路的一个或多个实例(未示出)，以为发送/接收组件提供控制功能。

UE接收可以通过并经由天线面板826、RFFE电路824、RF电路822、接收电路820、数字基带电路816、和协议处理电路814建立。在一些实施例中，天线面板826可以通过接收由一个或多个天线面板826的多个天线/天线元件接收的波束形成信号来接收来自AN 804的传输。

UE传输可以经由并通过协议处理电路814、数字基带电路816、发射电路818、RF电路822、RFFE电路824、和天线面板826建立。在一些实施例中，UE 802的发射组件可以对要发送的数据应用空间滤波，以形成由天线面板826的天线元件发射的发射波束。

与UE 802类似，AN 804可以包括与调制解调器平台830耦合的主机平台828。主机平台828可以包括与调制解调器平台830的协议处理电路834耦合的应用处理电路832。调制解调器平台还可以包括数字基带电路836、发射电路838、接收电路840、RF电路842、RFFE电路844、和天线面板846。AN 804的组件可以类似于UE 802的同名组件，并且基本上可以与UE802的同名组件互换。除了如上所述执行数据发送/接收之外，AN 804的组件还可以执行各种逻辑功能，这些逻辑功能包括例如无线电网络控制器(RNC)功能，例如，无线电承载管理、上行链路和下行链路动态无线电资源管理、以及数据分组调度。

图9是示出根据一些示例实施例的能够从机器可读或计算机可读介质(例如，非暂态机器可读存储介质)读取指令并执行本文讨论的方法中的任意一种或多种方法的组件的框图。具体地，图9示出了硬件资源900的示意图，硬件资源900包括一个或多个处理器(或处理器核)910、一个或多个存储器/存储设备920、和一个或多个通信资源930，其中，这些处理器、存储器/存储设备、和通信资源中的每一者可以经由总线940或其他接口电路通信地耦合。对于利用节点虚拟化(例如，网络功能虚拟化(NFV))的实施例，可以执行管理程序902以提供一个或多个网络切片/子切片的执行环境从而利用硬件资源900。

处理器910可以包括例如，处理器912和处理器914。处理器910可以是例如，中央处理单元(CPU)、精简指令集计算(RISC)处理器、复杂指令集计算(CISC)处理器、图形处理单元(GPU)、诸如基带处理器的数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、射频集成电路(RFIC)、另一处理器(包括本文讨论的那些处理器)、或其任何合适的组合。

存储器/存储设备920可以包括主存储器、磁盘存储设备、或其任何适当组合。存储器/存储设备920可以包括但不限于任何类型的易失性、非易失性、或半易失性存储器，例如，动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、闪存、固态存储器等。

通信资源930可包括互连或网络接口控制器、组件、或其他合适的设备，以经由网络908与一个或多个外围设备904或一个或多个数据库906或其他网络元件通信。例如，通信资源930可以包括有线通信组件(例如，用于经由USB、以太网等进行耦合)、蜂窝通信组件、近场通信(NFC)组件、

指令950可以包括软件、程序、应用程序、小程序、应用程序、或其他可执行代码，用于使处理器910中的至少任意一个处理器执行本文讨论的任意一种或多种方法。指令950可以全部或部分驻留在处理器910(例如，在处理器的高速缓存中)、存储器/存储设备920、或其任何适当组合中的至少一者内。此外，指令950的任意部分可以从外围设备904或数据库906的任意组合传送到硬件资源900。因此，处理器910的存储器、存储器/存储设备920、外围设备904、和数据库906是计算机可读和机器可读介质的示例。

以下段落描述了各种实施例的示例。

示例1包括一种用在无线电接入网(RAN)智能控制器(RIC)中的装置，其中，所述装置包括处理器电路，所述处理器电路被配置为使得所述RIC：基于与用户设备(UE)相关联的RAN测量结果和位置或移动性相关信息，确定策略指导、算法选择、或模型推荐；以及向E2节点提供所述策略指导、所述算法选择、或所述模型推荐，以供RAN与所述UE通信时使用，其中，所述策略指导用于指示用于确定通信相关操作的策略，所述算法选择用于指示通信相关算法，所述模型推荐用于指示多个离线训练的人工智能(AI)或机器学习(ML)模型中的一个来实现所述通信相关算法。

示例2包括示例1所述的装置，其中，所述策略指导是使用部署在所述RIC上运行的服务应用中的AI或ML模型确定的，所述AI或ML模型被配置为基于与所述UE相关联的RAN测量结果和位置或移动性相关信息来估计各个通信相关操作的性能度量并输出所述策略指导，并且基于所述策略指导指示的策略确定的通信相关操作具有最佳性能度量。

示例3包括示例2所述的装置，其中，所述RIC是近实时(RT)RIC，所述AI或ML模型是在所述近RT RIC或非RT RIC中训练的。

示例4包括示例3所述的装置，其中，所述AI或ML模型是基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由所述多个UE实现的各个通信相关操作的性能度量训练的。

示例5包括示例1所述的装置，其中，所述算法选择是使用部署在所述RIC上运行的服务应用中的多个AI或ML模型确定的，所述多个AI或ML模型分别与多个通信相关算法相关联，所述多个AI或ML模型中的每个模型被配置为基于与所述UE相关联的RAN测量结果和位置或移动性相关信息来输出相应通信相关算法的性能度量，并且由所述算法选择指示的通信相关算法具有最佳性能度量。

示例6包括示例5所述的装置，其中，所述RIC是近实时(RT)RIC，并且所述多个AI或ML模型是在所述近RT RIC或非RT RIC中训练的。

示例7包括示例5所述的装置，其中，所述多个AI或ML模型是基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由所述多个UE实现的各个通信相关算法的性能度量训练的。

示例8包括示例1所述的装置，其中，所述多个离线训练的AI或ML模型是基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由所述多个UE实现各个通信相关算法的结果训练的。

示例9包括示例1所述的装置，其中，与所述UE相关联的RAN测量结果包括与所述UE相关联的上行链路或下行链路上的信道质量度量。

示例10包括示例9所述的装置，其中，所述信道质量度量包括参考信号接收功率(RSRP)测量结果或信干噪比(SINR)测量结果。

示例11包括示例1所述的装置，其中，所述算法选择用于指示信道估计算法或波束形成算法。

示例12包括示例1所述的装置，其中，所述算法选择用于指示调制编码方案(MCS)的退避值。

示例13包括示例1所述的装置，其中，所述算法选择用于指示资源管理规划。

示例14包括一种计算机可读存储介质，其上存储有计算机可执行指令，其中，所述计算机可执行指令在由无线电接入网(RAN)智能控制器(RIC)的处理器电路执行时，使得所述RIC：基于与用户设备(UE)相关联的RAN测量结果和位置或移动性相关信息，确定策略指导、算法选择、或模型推荐；以及向E2节点提供所述策略指导、所述算法选择、或所述模型推荐，以供RAN与所述UE通信时使用，其中，所述策略指导用于指示用于确定通信相关操作的策略，所述算法选择用于指示通信相关算法，所述模型推荐用于指示多个离线训练的人工智能(AI)或机器学习(ML)模型中的一个来实现所述通信相关算法。

示例15包括示例14所述的计算机可读存储介质，其中，所述策略指导是使用部署在所述RIC上运行的服务应用中的AI或ML模型确定的，所述AI或ML模型被配置为基于与所述UE相关联的RAN测量结果和位置或移动性相关信息来估计各个通信相关操作的性能度量并输出所述策略指导，并且基于所述策略指导指示的策略确定的通信相关操作具有最佳性能度量。

示例16包括示例15所述的计算机可读存储介质，其中，所述RIC是近实时(RT)RIC，所述AI或ML模型是在所述近RT RIC或非RT RIC中训练的。

示例17包括示例16所述的计算机可读存储介质，其中，所述AI或ML模型是基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由所述多个UE实现的各个通信相关操作的性能度量训练的。

示例18包括示例14所述的计算机可读存储介质，其中，所述算法选择是使用部署在所述RIC上运行的服务应用中的多个AI或ML模型确定的，所述多个AI或ML模型分别与多个通信相关算法相关联，所述多个AI或ML模型中的每个模型被配置为基于与所述UE相关联的RAN测量结果和位置或移动性相关信息来输出相应通信相关算法的性能度量，并且由所述算法选择指示的通信相关算法具有最佳性能度量。

示例19包括示例18所述的计算机可读存储介质，其中，所述RIC是近实时(RT)RIC，所述多个AI或ML模型是在所述近RT RIC或非RT RIC中训练的。

示例20包括示例18所述的计算机可读存储介质，其中，所述多个AI或ML模型是基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由所述多个UE实现的各个通信相关算法的性能度量训练的。

示例21包括示例14所述的计算机可读存储介质，其中，所述多个离线训练的AI或ML模型是基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由所述多个UE实现各个通信相关算法的结果训练的。

示例22包括示例14所述的计算机可读存储介质，其中，与所述UE相关联的RAN测量结果包括与所述UE相关联的上行链路或下行链路上的信道质量度量。

示例23包括示例22所述的计算机可读存储介质，其中，所述信道质量度量包括参考信号接收功率(RSRP)测量结果或信干噪比(SINR)测量结果。

示例24包括示例14所述的计算机可读存储介质，其中，所述算法选择用于指示信道估计算法或波束形成算法。

示例25包括示例14所述的计算机可读存储介质，其中，所述算法选择用于指示调制编码方案(MCS)的退避值。

示例26包括示例14所述的计算机可读存储介质，其中，所述算法选择用于指示资源管理规划。

示例27包括一种用在无线电接入网(RAN)智能控制器(RIC)中的方法，包括：基于与用户设备(UE)相关联的RAN测量结果和位置或移动性相关信息，确定策略指导、算法选择、或模型推荐；以及向E2节点提供所述策略指导、所述算法选择、或所述模型推荐，以供RAN与所述UE通信时使用，其中，所述策略指导用于指示用于确定通信相关操作的策略，所述算法选择用于指示通信相关算法，所述模型推荐用于指示多个离线训练的人工智能(AI)或机器学习(ML)模型中的一个来实现所述通信相关算法。

示例28包括示例27所述的方法，其中，所述策略指导是使用部署在所述RIC上运行的服务应用中的AI或ML模型确定的，所述AI或ML模型被配置为基于与所述UE相关联的RAN测量结果和位置或移动性相关信息来估计各个通信相关操作的性能度量并输出所述策略指导，并且基于所述策略指导指示的策略确定的通信相关操作具有最佳性能度量。

示例29包括示例28所述的方法，其中，所述RIC是近实时(RT)RIC，所述AI或ML模型是在所述近RT RIC或非RT RIC中训练的。

示例30包括示例29所述的方法，其中，所述AI或ML模型是基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由所述多个UE实现的各个通信相关操作的性能度量训练的。

示例31包括示例27所述的方法，其中，所述算法选择是使用部署在所述RIC上运行的服务应用中的多个AI或ML模型确定的，所述多个AI或ML模型分别与多个通信相关算法相关联，所述多个AI或ML模型中的每个模型被配置为基于与所述UE相关联的RAN测量结果和位置或移动性相关信息来输出相应通信相关算法的性能度量，并且由所述算法选择指示的通信相关算法具有最佳性能度量。

示例32包括示例31所述的方法，其中，所述RIC是近实时(RT)RIC，并且所述多个AI或ML模型是在所述近RT RIC或非RT RIC中训练的。

示例33包括示例31所述的方法，其中，所述多个AI或ML模型是基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由所述多个UE实现的各个通信相关算法的性能度量训练的。

示例34包括示例27所述的方法，其中，所述多个离线训练的AI或ML模型是基于与多个UE相关联的RAN测量结果和位置或移动性相关信息以及由所述多个UE实现各个通信相关算法的结果训练的。

示例35包括示例27所述的方法，其中，与所述UE相关联的RAN测量结果包括与所述UE相关联的上行链路或下行链路上的信道质量度量。

示例36包括示例35所述的方法，其中，所述信道质量度量包括参考信号接收功率(RSRP)测量结果或信干噪比(SINR)测量结果。

示例37包括示例27所述的方法，其中，所述算法选择用于指示信道估计算法或波束形成算法。

示例38包括示例27所述的方法，其中，所述算法选择用于指示调制编码方案(MCS)的退避值。

示例39包括示例27所述的方法，其中，所述算法选择用于指示资源管理规划。

示例40包括一种用在无线电接入网(RAN)智能控制器(RIC)中的装置，包括用于实现示例27至39中任一项所述的方法的部件。

示例41包括一种无线电接入网(RAN)智能控制器(RIC)，包括处理器电路，所述处理器电路被配置为实现示例27至39中任一项所述的方法。

尽管为了描述的目的，这里已经说明和描述了某些实施例，但是在不脱离本发明的范围的情况下，可以用实现相同目的的各种各样的替代和/或等效实施例或实施方式来代替图示出和描述的实施例。本申请旨在涵盖本文所讨论的实施例的任何改编或变化。因此，这里所描述的实施例显然仅由所附权利要求书及其等效物来限制。