配置用户设备以用于机器学习

交叉引用

本专利申请要求由ZHU等人于2021年9月3日提交的名称为“CONFIGURING A USEREQUIPMENT FOR MACHINE LEARNING”的美国专利申请17/467,156号的权益，该申请被转让给本申请的受让人并且通过引用方式被明确地并入本文中。

技术领域

下文涉及无线通信，包括配置用户设备(UE)以用于机器学习。

背景技术

无线通信系统被广泛部署以提供各种类型的通信内容，诸如语音、视频、分组数据、消息接发、广播等等。这些系统可以能够通过共享可用系统资源(例如，时间、频率和功率)来支持与多个用户的通信。这样的多址系统的示例包括第四代(4G)系统(诸如长期演进(LTE)系统、改进的LTE(LTE-A)系统或LTE-A Pro系统)和第五代(5G)系统(其可以指新空口(NR)系统)。这些系统可以采用诸如码分多址(CDMA)、时分多址(TDMA)、频分多址(FDMA)、正交FDMA(OFDMA)或离散傅立叶变换扩展正交频分复用(DFT-S-OFDM)之类的技术。无线多址通信系统可以包括一个或多个基站或一个或多个网络接入节点，每个基站或网络接入节点同时支持用于多个通信设备的通信，该通信设备可以另外被称为用户设备(UE)。

在一些示例中，无线通信系统可支持机器学习。机器学习可被描述为人工智能的分支，其向系统提供从经验中改进和学习的能力。在一些示例中，网络可配置UE以用于机器学习，并且UE可利用机器学习来执行任务诸如小区重新选择、波束故障、波束管理等。

发明内容

所描述的技术涉及支持配置用户设备(UE)以用于机器学习的改进的方法、系统、设备和装置。例如，所描述的技术规定UE从网络获得神经网络函数、机器学习模型和对应的参数集。

在一些示例中，UE可向网络发送能力信息。能力信息可包括潜在神经网络函数的列表、潜在机器学习模型的列表或对UE是否可请求机器学习的指示中的一者或多者。基于该能力信息，网络可选择一组神经网络函数、一组机器学习模型和多组对应的参数，并且在一些示例中，可向UE指示它们。

在一些示例中，UE可向网络发送请求实现机器学习的消息(例如，基于某个触发)。该消息可包括对神经网络函数、神经网络模型和对应的参数集的指示。响应于请求消息，网络可在UE处配置机器学习模型和对应的参数。当UE获得机器学习模型和对应的参数集时，网络可在UE处激活机器学习，并且UE利用机器学习来执行一个或多个任务。如本文所述的技术可支持UE处的机器学习。机器学习可允许UE在很少或没有来自网络的指令的情况下执行任务。由此，如由本文所述的技术所支持的，UE处的机器学习可在UE处导致较少的信令开销并降低功率消耗。

描述了一种用于在UE处进行无线通信的方法。该方法可包括：接收一个或多个机器学习模型中的机器学习模型、对应于机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习模型储存库(MR)相关联；以及从基站接收用于机器学习模型、神经网络函数或两者的激活消息。

描述了一种用于在UE处进行无线通信的装置。该装置可以包括处理器、与处理器耦合的存储器以及存储在存储器中的指令。这些指令可能够由处理器执行以使装置：接收一个或多个机器学习模型中的机器学习模型、对应于机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联；以及从基站接收用于机器学习模型、神经网络函数或两者的激活消息。

描述了用于在UE处进行无线通信的另一装置。该装置可包括：用于接收一个或多个机器学习模型中的机器学习模型、对应于机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置的部件，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联；和用于从基站接收用于机器学习模型、神经网络函数或两者的激活消息的部件。

描述了一种存储用于在UE处的无线通信的代码的非暂态计算机可读介质。该代码可包括指令，这些指令能够由处理器执行以：接收一个或多个机器学习模型中的机器学习模型、对应于机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联；以及从基站接收用于机器学习模型、神经网络函数或两者的激活消息。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：向基站发送包括对机器学习模型、神经网络函数或两者的指示的请求消息，其中接收机器学习模型、神经网络函数或两者可基于该请求消息。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：从基站接收指示包括在黑名单中的第一组机器学习模型、包括在白名单中的第二组机器学习模型或两者的信令，其中发送请求消息可基于机器学习模型被包括在白名单中，不包括在黑名单中或两者。

在本文所述的方法、装置和非暂态计算机可读介质的一些示例中，该一个或多个机器学习模型中的每个机器学习模型可与对应于位置、网络切片、深度神经网络(DNN)、公共陆地移动网络(PLMN)、UE类型、无线电资源控制(RRC)状态、通信服务、通信配置或它们的任何组合的相应范围相关联，并且发送请求消息可基于触发事件，该触发事件包括UE具有可在机器学习模型的相应范围内的条件。

在本文所述的方法、装置和非暂态计算机可读介质的一些示例中，请求消息包括对触发事件的指示。

在本文所述的方法、装置和非暂态计算机可读介质的一些示例中，发送请求消息可包括用于以下的操作、特征、部件或指令：发送包括请求消息的UE辅助信息消息。

在本文所述的方法、装置和非暂态计算机可读介质的一些示例中，发送请求消息可包括用于以下的操作、特征、部件或指令：发送包括请求消息的RRC信令。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：发送请求消息包括向包括在基站中的中央单元控制平面(CU-CP)实体发送请求消息，并且接收机器学习模型、参数集或配置包括从CU-CP实体接收机器学习模型、参数集或配置。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：基于相关联的ID和相关联的规则来确定机器学习模型、参数集或配置的地址，其中接收机器学习模型、参数集或配置可基于从机器学习MR基于地址下载机器学习模型、参数集或配置。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：基于相关联的ID和相关联的规则来确定第二机器学习模型、对应于第二机器学习模型的第二参数集或对应于该一个或多个神经网络函数中的第二神经网络函数的第二配置的地址；以及发起基于第二机器学习模型、第二参数集或第二配置的地址来将第二机器学习模型、第二参数集或第二配置上传到机器学习模型MR。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：从包括在基站中的中央单元机器学习平面(CU-XP)实体接收机器学习模型、参数集或配置的地址，其中接收机器学习模型、参数集或配置可基于从机器学习MR基于地址下载机器学习模型、参数集或配置。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括包括用于以下的操作、特征、部件或指令：从包括在基站中的CU-XP实体接收第二机器学习模型、对应于第二机器学习模型的第二参数集或对应于该一个或多个神经网络函数中的第二神经网络函数的第二配置的地址；以及发起基于第二机器学习模型、第二参数集或第二配置的地址来将第二机器学习模型、第二参数集或第二配置上传到机器学习MR。

描述了一种用于在基站处进行无线通信的方法。该方法可包括：向UE发送一个或多个机器学习模型中的机器学习模型、对应于机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联；以及向UE发送用于机器学习模型、神经网络函数或两者的激活消息。

描述了一种用于在基站处进行无线通信的装置。该装置可以包括处理器、与处理器耦合的存储器以及存储在存储器中的指令。这些指令可能够由处理器执行以使装置：向UE发送一个或多个机器学习模型中的机器学习模型、对应于机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联；以及向UE发送用于机器学习模型、神经网络函数或两者的激活消息。

描述了另一种用于在基站处进行无线通信的装置。该装置可包括：用于向UE发送一个或多个机器学习模型中的机器学习模型、对应于机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置的部件，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联；和用于向UE发送用于机器学习模型、神经网络函数或两者的激活消息的部件。

描述了一种存储用于在基站处进行无线通信的代码的非暂态计算机可读介质。该代码可包括指令，这些指令能够由处理器执行以：向UE发送一个或多个机器学习模型中的机器学习模型、对应于机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联；以及向UE发送用于机器学习模型、神经网络函数或两者的激活消息。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：从UE接收包括对机器学习模型、神经网络函数或两者的指示的请求消息，发送机器学习模型、神经网络函数或两者可基于该请求消息。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：向UE发送指示包括在黑名单中的第一组机器学习模型、包括在白名单中的第二组机器学习模型或两者的信令，其中机器学习模型可被包括在白名单中，不包括在黑名单中或两者。

在本文所述的方法、装置和非暂态计算机可读介质的一些示例中，该一个或多个机器学习模型中的每个机器学习模型可与对应于位置、网络切片、DNN、PLMN、UE类型、RRC状态、通信服务、通信配置或它们的任何组合的相应范围相关联，并且接收请求消息可基于触发事件，该触发事件包括UE具有可在机器学习模型的相应范围内的条件。

在本文所述的方法、装置和非暂态计算机可读介质的一些示例中，请求消息包括对触发事件的指示。

在本文所述的方法、装置和非暂态计算机可读介质的一些示例中，接收请求消息可包括用于以下的操作、特征、部件或指令：接收包括请求消息的UE辅助信息消息。

在本文所述的方法、装置和非暂态计算机可读介质的一些示例中，接收请求消息可包括用于以下的操作、特征、部件或指令：接收包括请求消息的RRC信令。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：在包括在基站中的CU-CP实体处接收请求消息；将请求消息从CU-CP实体转发给包括在基站中的CU-XP实体；以及基于请求消息来将机器学习模型、参数集或配置从机器学习MR下载到CU-CP实体，其中向UE发送机器学习模型、参数集或配置可基于下载。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：从UE接收机器学习模型、参数集或配置的地址；以及基于该地址，为UE从机器学习MR下载机器学习模型、参数集或配置。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：从UE接收第二机器学习模型、对应于第二机器学习模型的第二参数集或对应于该一个或多个神经网络函数中的第二神经网络函数的第二配置的地址；以及将第二机器学习模型、第二参数集或第二配置上传到机器学习MR。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：在包括在基站中的CU-XP实体处，从UE接收与机器学习模型、参数集或配置相关联的ID；至少部分地基于该ID来确定机器学习模型、参数集或配置的地址；以及基于该地址，为UE从机器学习MR下载机器学习模型、参数集或配置，其中向UE发送机器学习模型、参数集或配置可基于下载。

本文所述的方法、装置和非暂态计算机可读介质的一些示例还可包括用于以下的操作、特征、部件或指令：在包括在基站中的CU-XP实体处，从UE接收与第二机器学习模型、对应于第二机器学习模型的第二参数集或对应于该一个或多个神经网络函数中的第二神经网络函数的第二配置相关联的ID；至少部分地基于该ID来确定第二机器学习模型、第二参数集或第二配置的地址；以及基于该地址来将第二机器学习模型、第二参数集或第二配置上传到机器学习MR。

附图说明

图1示出了根据本公开的各方面的支持配置用户设备(UE)以用于机器学习的无线通信系统的示例。

图2A示出了根据本公开的各方面的支持配置UE以用于机器学习的无线通信系统的示例。

图2B示出了根据本公开的各方面的支持配置UE以用于机器学习的协议栈的示例。

图3至图6示出了根据本公开的各方面的支持配置UE以用于机器学习的过程流的示例。

图7和图8示出了根据本公开的各方面的支持配置UE以用于机器学习的设备的框图。

图9示出了根据本公开的各方面的支持配置UE以用于机器学习的通信管理器的框图。

图10示出了根据本公开的各方面的包括支持配置UE以用于机器学习的设备的系统的示图。

图11和图12示出了根据本公开的各方面的支持配置UE以用于机器学习的设备的框图。

图13示出了根据本公开的各方面的支持配置UE以用于机器学习的通信管理器的框图。

图14示出了根据本公开的各方面的包括支持配置UE以用于机器学习的设备的系统的示图。

图15至图18示出了示出根据本公开的各方面的支持配置UE以用于机器学习的方法的流程图。

具体实施方式

用户设备(UE)可利用机器学习来执行不同的通信过程。例如，UE可利用机器学习来执行小区重新选择、信道状态信息(CSI)报告等。为了利用机器学习，UE可获得关于神经网络函数、机器学习模型和对应的参数的知识。可期望改进的解决方案来支持UE处的机器学习的配置(例如，向UE提供神经网络函数、机器学习模型和对应的参数)。

本文描述了网络可用来配置UE以利用机器学习的改进架构和技术。在一些示例中，基站可包括多个网络实体，诸如例如，中央单元用户平面(CU-UP)、中央单元控制平面(CU-CP)和分布式单元(DU)。在一些情况下，基站可附加地或另选地包括被配置为促进有关机器学习的消息的交换的另一中央单元(例如，中央单元机器学习平面(CU-XP))。此外，基站可包括被配置为存储多个机器学习模型和对应的参数的模型储存库(MR)或与其进行通信。在一些情况下，中央单元可另选地被称为集中式单元。

在一些情况下，响应于来自UE的实现机器学习的请求，网络可向UE提供神经网络模型、机器学习模型、对应的参数或它们的任何组合。在一些示例中，UE可经由用户平面(例如，直接从MR)下载神经网络函数、机器学习模型或对应的参数。在其他示例中，UE可经由控制平面下载神经网络函数、机器学习模型或对应的参数(例如，从CU-CP获得模型)。在UE与网络之间交换的有关机器学习的消息(例如，请求消息)可经由无线电资源控制(RRC)(例如，通过现有或新无线电承载、使用RRC消息内的新容器或它们的任何组合)用信号发送。如本文所述的技术可在UE处启用机器学习。机器学习可允许UE在很少或没有来自网络的指令的情况下执行任务。由此，在UE处启用机器学习可在UE处导致较少的信令开销和降低的功率消耗。

首先在无线通信系统的上下文中描述本公开的各个方面。在协议栈和处理流的上下文中描述本公开内容的附加方面。本公开的各方面通过并参考涉及配置UE以用于机器学习的装置示图、系统示图和流程图来进一步示出和描述。

图1示出了根据本公开的各方面的支持配置UE以用于机器学习的无线通信系统100的示例。无线通信系统100可包括一个或多个基站105、一个或多个UE 115和核心网络130。在一些示例中，无线通信系统100可以是长期演进(LTE)网络、改进的LTE(LTE-A)网络、LTE-A Pro网络或新空口(NR)网络。在一些示例中，无线通信系统100可以支持增强型宽带通信、超可靠通信、低时延通信或者与低成本且低复杂度设备的通信、或其任何组合。

基站105可分散遍及地理区域以形成无线通信系统100，并且可以是不同形式的设备或具有不同能力的设备。基站105和UE 115可以经由一个或多个通信链路125无线地进行通信。每个基站105可提供覆盖区域110，UE 115和基站105可在覆盖区域110上建立一个或多个通信链路125。覆盖区域110可以是地理区域的示例，在该地理区域上，基站105和UE115可以支持根据一个或多个无线电接入技术的信号通信。

各UE 115可分散遍及无线通信系统100的覆盖区域110，并且每个UE 115可以是驻定的或移动的、或在不同时间是驻定的和移动的。UE 115可以是处于不同形式或具有不同能力的设备。图1中图示说明了一些示例性UE 115。如图1所示，本文所描述的UE 115可以能够与各种类型的设备通信，诸如其他UE 115、基站105或网络装备(例如，核心网络节点、中继设备、集成接入和回程(IAB)节点或其他网络装备)。

各基站105可与核心网络130进行通信、或彼此通信、或这两种情况皆有。例如，基站105可以通过一个或多个回程链路120(例如，经由S1、N2、N3或其他接口)与核心网络130连接。基站105可以通过回程链路120(例如，经由X2、Xn或其他接口)直接地(例如，在基站105之间直接地)或间接地(例如，经由核心网络130)或两者皆有来彼此通信。在一些示例中，回程链路120可以是或包括一个或多个无线链路。

本文中所描述的基站105中的一个或多个基站可包括或可被本领域普通技术人员称为收发器基站、无线电基站、接入点、无线电收发器、节点B、演进节点B(eNB)、下一代节点B或千兆节点B(其中任一者可指gNB)、家庭节点B、家庭演进节点B、或其他合适的术语。

UE 115可包括或可指移动设备、无线设备、远程设备、手持设备、或订户设备、或者某个其他合适的术语，其中“设备”也可指单元、站、终端或客户端等。UE 115还可以包括或可以指个人电子设备，诸如蜂窝电话、个人数字助理(PDA)、平板计算机、笔记本计算机或个人计算机。在一些示例中，UE 115可以包括或可以指无线本地环路(WLL)站、物联网(IoT)设备、万物互联(IoE)设备或机器类型通信(MTC)设备等，其可以在诸如电器或车辆、仪表等各种对象中实施。

如图1所示，本文所描述的UE 115可以能够与各种类型的设备通信，诸如有时可能充当中继的其他UE 115，以及基站105和网络装备，包括宏eNB或gNB、小型小区eNB或gNB，或中继基站等。

UE 115和基站105可在一个或多个载波上经由一个或多个通信链路125来彼此进行无线通信。术语“载波”可以指具有用于支持通信链路125的经定义的物理层结构的一组射频频谱资源。例如，用于通信链路125的载波可以包括根据给定无线电接入技术(例如，LTE、LTE-A、LTE-A Pro、NR)的一个或多个物理层信道操作的射频谱带的一部分(例如，带宽部分(BWP))。每个物理层信道可以承载捕获信令(例如，同步信号、系统信息)、协调载波操作的控制信令、用户数据或其他信令。无线通信系统100可以支持使用载波聚合或多载波操作进行的与UE 115的通信。根据载波聚合配置，UE 115可以被配置为具有多个下行链路分量载波和一个或多个上行链路分量载波。载波聚合可以用于频分双工(FDD)和时分双工(TDD)分量载波两者。

在载波上发送的信号波形可包括多个子载波(例如，使用多载波调制(MCM)技术，诸如正交频分复用(OFDM)或离散傅立叶变换扩展OFDM(DFT-S-OFDM))。在采用MCM技术的系统中，资源元素可包括一个符号周期(例如，一个调制符号的历时)和一个子载波，其中符号周期和子载波间隔是逆相关的。每个资源元素携带的比特数可以取决于调制方案(例如，调制方案的阶数、调制方案的编码率、或两者)。因此，UE 115接收的资源元素越多，并且调制方案的阶数越高，针对UE 115的数据速率就可以越高。无线通信资源可以指射频频谱资源、时间资源和空间资源(例如，空间层或波束)的组合，并且多个空间层的使用可以进一步提高与UE 115通信的数据速率或数据完整性。

基站105或UE 115的时间区间可用基本时间单位的倍数来表达，基本时间单位可例如指采样周期T

每个帧可包括多个连贯编号的子帧或时隙，并且每个子帧或时隙可具有相同持续时间。在一些示例中，帧可(例如，在时域中)被划分成子帧，并且每个子帧可被进一步划分成数个时隙。另选地，每个帧可以包括可变数量的时隙，并且时隙的数量可以取决于子载波间隔。每个时隙可以包括数个符号周期(例如，取决于附加在每个符号周期前面的循环前缀的长度)。在一些无线通信系统100中，时隙还可以被划分为包含一个或多个符号的多个小时隙。排除循环前缀，每个符号周期可包含一个或多个(例如，N

子帧、时隙、小时隙或符号可以是无线通信系统100的最小调度单位(例如，在时域中)，并且可指传输时间区间(TTI)。在一些示例中，TTI持续时间(例如，TTI中的符号周期数量)可以是可变的。附加地或另选地，可以动态地选择无线通信系统100的最小调度单元(例如，在短TTI(sTTI)的突发中)。

可根据各种技术在载波上复用物理信道。例如，可以使用时分复用(TDM)技术、频分复用(FDM)技术或混合TDM-FDM技术中的一种或多种，在下行链路载波上复用物理控制信道和物理数据信道。物理控制信道的控制区域(例如，控制资源集(CORESET))可以由数个符号周期定义，并且可以跨载波的系统带宽或系统带宽的子集延伸。一个或多个控制区域(例如，CORESET)可以是针对一组UE 115来配置的。例如，UE 115中的一个或多个UE可以根据一个或多个搜索空间集来监视或搜索控制区域以获得控制信息，并且每个搜索空间集可以包括以级联方式排列的一个或多个聚合级别中的一个或多个控制信道候选。控制信道候选的聚合级别可以指与针对具有给定的有效载荷大小的控制信息格式的编码信息相关联的控制信道资源(例如，控制信道元素(CCE))的数量。搜索空间集可以包括：被配置用于向多个UE 115发送控制信息的公共搜索空间集，以及用于向特定UE 115发送控制信息的UE特定搜索空间集。

在一些示例中，基站105可以是可移动的，并且因此提供对移动的地理覆盖区域110的通信覆盖。在一些示例中，与不同技术相关联的不同地理覆盖区域110可以重叠，但不同地理覆盖区域110可以由同一基站105支持。在其它示例中，与不同的技术相关联的重叠的地理覆盖区域110可能由不同的基站105来支持。无线通信系统100可以包括例如异构网络，在异构网络中，不同类型的基站105使用相同或不同的无线电接入技术为各种地理覆盖区域110提供覆盖。

一些UE 115可被配置为采用降低功耗的操作模式，诸如半双工通信(例如，支持经由传送或接收的单向通信但不同时传送和接收的模式)。在一些示例中，可以用降低的峰值速率执行半双工通信。用于UE 115的其他节能技术包括：在不参与活动通信时进入节能深度睡眠模式、在有限带宽上进行操作(例如，根据窄带通信)、或这些技术的组合。例如，一些UE 115可以被配置为使用窄带协议类型进行操作，该窄带协议类型与载波内、载波的保护频带内或载波外的经定义部分或范围(例如，一组子载波或资源块(RB))相关联。

无线通信系统100可被配置为支持超可靠通信或低延时通信或其各种组合。例如，无线通信系统100可以被配置为支持超可靠低时延通信(URLLC)。UE 115可被设计为支持超可靠、低延迟或关键功能。超可靠通信可包括私人通信或群组通信，并且可由一个或多个服务(诸如一键通、视频或数据)支持。对超可靠、低延迟功能的支持可包括服务的优先化，并且此类服务可用于公共安全或一般商业应用。术语超可靠、低时延和超可靠低时延在本文中可以互换地使用。

在一些示例中，UE 115还可以能够在设备到设备(D2D)通信链路135上(例如，使用对等(P2P)或D2D协议)直接与其他UE 115进行通信。利用D2D通信的一个或多个UE 115可以位于基站105的地理覆盖区域110内。这种群组中的其他UE 115可以在基站105的地理覆盖区域110之外，或者由于其他原因而无法接收来自基站105的传输。在一些示例中，经由D2D通信进行通信的UE 115群可利用一对多(1:M)系统，其中每个UE 115向该群中的每个其他UE 115进行传输。在一些示例中，基站105有助于调度用于D2D通信的资源。在其他情况下，D2D通信在这些UE 115之间执行而无需基站105的参与。

核心网络130可提供用户认证、接入授权、跟踪、网际协议(IP)连通性，以及其他接入、路由、或移动性功能。核心网络130可以是演进分组核心(EPC)或5G核心(5GC)，其可以包括管理接入和移动性的至少一个控制平面实体(例如，移动性管理实体(MME)、接入和移动性管理功能(AMF))以及将分组或互连路由到外部网络的至少一个用户平面实体(例如，服务网关(S-GW))，分组数据网络(PDN)网关(P-GW)或用户平面功能(UPF))。控制平面实体可以管理非接入层(NAS)功能，诸如针对由与核心网络130相关联的基站105服务的UE 115的移动性、认证和承载管理。用户IP分组可以通过用户平面实体传递，用户平面实体可以提供IP地址分配以及其他功能。用户平面实体可以连接到针对一个或多个网络运营商的IP服务150。IP服务150可以包括对于互联网、内联网、IP多媒体子系统(IMS)或分组交换流服务的接入。

一些网络设备(诸如基站105)可包括子组件，诸如接入网实体140，其可以是接入节点控制器(ANC)的示例。每个接入网络实体140可以通过一个或多个其他接入网络传输实体145与UE 115通信，该其他接入网络传输实体可以指无线电头端、智能无线电头端、或发送/接收点(TRP)。每个接入网传输实体145可以包括一个或多个天线面板。在一些配置中，每个接入网络实体140或基站105的各种功能可以分布在各种网络设备(例如，无线电头端和ANC)上或者合并到单个网络设备(例如，基站105)中。

无线通信系统100可使用例如在300兆赫兹(MHz)到300千兆赫兹(GHz)的范围内的一个或多个频带来操作。通常，从300MHz到3GHz的区域被称为超高频(UHF)区域或分米频段，因为波长范围为约1分米到1米。UHF波可能被建筑物和环境特征阻挡或重定向，但这些波可以足以穿透结构，以便宏小区向位于室内的UE 115提供服务。与使用300MHz以下频谱的高频(HF)或甚高频(VHF)部分的较小频率和较长波长的传输相比，UHF波的传输可以与较小的天线和较短的范围(例如，小于100公里)相关联。

无线通信系统100可利用许可和未许可射频谱带两者。例如，无线通信系统100可在未许可频带诸如5GHz工业、科学和医疗(ISM)频带中使用已许可辅助接入(LAA)、LTE未许可(LTE-U)无线电接入技术或NR技术。当在未许可射频谱带中进行操作时，设备(诸如，基站105和UE 115)可采用载波侦听以用于冲突检测和冲突避免。在一些示例中，在未许可频带中的操作可与在已许可频带(例如，LAA)中操作的分量载波相结合地基于载波聚合配置。在未许可频谱中的操作可以包括下行链路传输、上行链路传输、P2P传输或D2D传输等。

基站105或UE 115可装备有多个天线，其可用于采用诸如发送分集、接收分集、多输入多输出(MIMO)通信、或波束成形等技术。基站105或UE 115的天线可以位于一个或多个天线阵列或天线面板内，其可以支持MIMO操作或者发送波束成形或接收波束成形。例如，一个或多个基站天线或天线阵列可协同定位于天线组件处，诸如天线塔。在一些示例中，与基站105相关联的天线或天线阵列可以位于不同的地理位置处。基站105可以具有天线阵列，天线阵列有数行和数列天线端口，基站105可以使用这些天线端口来支持与UE 115的通信的波束成形。同样，UE 115可以具有一个或多个天线阵列，其可以支持各种MIMO或波束成型操作。附加地或另选地，天线面板可以支持针对经由天线端口发送的信号的射频波束成形。

基站105或UE 115可使用MIMO通信通过经由不同空间层传送或接收多个信号来利用多径信号传播并提高频谱效率。此类技术可被称为空间复用。例如，多个信号可以由发送设备经由不同的天线或天线的不同组合来发送。类似地，多个信号可以由接收设备经由不同的天线或天线的不同组合来接收。多个信号中的每个信号可被称为单独空间流，并且可携带与相同数据流(例如，相同码字)或不同数据流(例如，不同码字)相关联的比特。不同空间层可与用于信道测量和报告的不同天线端口相关联。MIMO技术包括单用户MIMO(SU-MIMO)以及多用户MIMO(MU-MIMO)，在SU-MIMO中，多个空间层被发送到同一接收设备，在MU-MIMO中，多个空间层被发送到多个设备。

波束成形(其也可指空间滤波、定向传输或定向接收)是可在发送设备或接收设备(例如，基站105、UE 115)处使用的信号处理技术，以沿着发送设备与接收设备之间的空间路径对天线波束(例如，发送波束、接收波束)进行成形或引导。波束成形可以通过如下来实现：组合经由天线阵列的天线元件传达的信号，使得在相对于天线阵列的特定取向上传播的一些信号经历相长干涉，而其他信号经历相消干涉。对经由天线元件传达的信号的调整可以包括：发送设备或接收设备将幅度偏移、相位偏移或两者应用于经由与设备相关联的天线元件传递的信号。与这些天线元件中的每个天线元件相关联的调整可以由与特定取向相关联的波束成形权重集来定义(例如，相对于发送设备或接收设备的天线阵列或相对于某个其他取向)。

无线通信系统100可以是根据分层协议栈来操作的基于分组的网络。在用户平面中，承载或分组数据聚合协议(PDCP)层处的通信可以是基于IP的。无线电链路控制(RLC)层可以执行分组分段和重新组装以通过逻辑信道进行通信。介质访问控制(MAC)层可以执行优先级处置以及逻辑信道到传输信道的复用。MAC层还可以使用检错技术、纠错技术或两者来支持MAC层处的重传，以提高链路效率。在控制平面中，RRC协议层可提供UE 115与基站105或核心网络130之间支持用户平面数据的无线电承载的RRC连接的建立、配置和维护。在物理层，传输信道可以被映射到物理信道。

在一些示例中，网络可配置UE 115以用于机器学习。UE 115可向网络(例如，基站105)发送能力信息。能力信息可包括潜在神经网络函数的列表、潜在机器学习模型的列表或对UE 115是否可请求机器学习的指示中的一者或多者。基于该能力信息，网络可选择一组神经网络函数、一组机器学习模型和多组对应的参数，并且可向UE 115指示它们。在一些示例中，UE 115可向网络发送请求实现机器学习的消息(例如，基于某个触发)。该消息可包括对神经网络函数、神经网络模型和对应的参数集的指示。响应于请求消息，网络可在UE115处配置机器学习模型和对应的参数。当UE 115获得机器学习模型和对应的参数集时，网络可在UE 115处激活机器学习，并且UE 115利用机器学习来执行一个或多个任务。如本文所述的技术可在UE 115处启用机器学习。机器学习可允许UE 115在很少或没有来自网络的指令的情况下执行任务。由此，在UE处启用机器学习可在UE 115处导致较少的信令开销和降低的功率消耗。

图2A示出了根据本公开的各方面的支持配置UE以用于机器学习的无线通信系统201的示例。在一些示例中，无线通信系统201可实现无线通信系统100或者由该无线通信系统实现。例如，无线通信系统201可包括基站105-a和UE 115-a，它们可以是如参考图1所描述的基站105和UE 115的示例。

图2B示出了如本文所述的支持配置UE以用于机器学习的协议栈202的示例。在一些示例中，协议栈202可实现无线通信系统100或者由该无线通信系统实现。例如，协议栈202可由如参考图1所描述的基站105和UE 115实现。

在一些示例中，无线通信系统201可支持机器学习或人工智能。使用机器学习，设备(例如，基站105-a或UE 115-a)可执行任务而无需被明确地编程为这样做。为了执行机器学习，设备可获得神经网络函数和神经网络模型。神经网络函数可被定义为由一个或多个神经网络模型支持的函数，并且可特定于正在执行的任务。每个神经网络函数的输入和输出可被设置(例如，标准化)，并且每个神经网络函数可由神经网络函数标识符(ID)来标识。神经网络模型可被定义为模型结构和参数集。模型结构可由模型ID来标识，并且每个模型ID可与神经网络函数相关联。模型ID还可指定对应于神经网络模型的参数集。该参数集可包括神经网络模型的权重和其他配置参数。在一些示例中，UE 115-a可利用机器学习来进行小区重新选择、波束管理等。然而，用于配置UE 115-a以用于机器学习的方法可能是缺乏的或低效的。

在一些示例中，基站105可包括不同的网络实体。例如，基站105-a可至少包括CU-UP 205、CU-CP 210、DU 220和无线电单元(RU)225。CU-CP 210可托管分组数据汇聚协议(PDCP)的控制平面部分，并且CU-UP205可托管PDCP的用户平面部分。另一方面，DU 220可支持较低层信令(例如，介质访问控制(MAC)协议或无线电链路控制(RLC)协议)，并且RU 225可支持物理层信令以及数字波束成形功能性。CU-UP 205可经由E1接口连接到CU-CP 210。此外，CU-UP 205可经由F1-U接口连接到DU 220，并且CU-CP 210可经由F1-C接口连接到DU220。为了支持如本文所述的UE 115-a处的机器学习，基站105-a还可包括CU-XP 215。CU-XP215可托管如图2B所示的机器学习控制(MLC)协议。MLC协议可定义用于在网络处管理机器学习或人工智能的控制平面信息收发。在一些示例中，CU-XP 215可经由E3接口连接到CU-UP。此外，基站105-a可与UE模型储存库(UE-MR)230进行通信。UE-MR 230可被定义为神经网络模型存储在其中的中心位置(例如，云存储、在线存储等)。

为了在UE 115-a处实现机器学习，可在CU-XP 215与UE 115-a之间交换MLC消息。MLC消息可被定义为促进机器学习或人工智能的控制消息。在一些示例中，可经由RRC信令在UE 115-a和CU-XP 215之间交换MLC消息。例如，UE 115-a和CU-CP 210可交换RRC信令，该RRC信令包括携带旨在用于CU-XP 215的MLC消息的容器。然后，CU-CP 210可将MLC消息转发给CU-XP 215。可在CU-XP 215处解码RRC容器并向MLC层发送该RRC容器。在一些示例中，可通过RRC中的信令无线电承载(SRB)2携带MLC消息。在另一示例中，新的SRB可被定义以用于机器学习(例如，SRB X)，并且可通过在RRC中新定义的SRB携带MLC消息。在一些示例中，MLC消息可由现有RRC消息搭载。例如，MLC消息可作为容器被包括在RRC重新配置消息、RRC重新配置完成消息或RRC建立/恢复完成消息中。

图3示出了根据本公开的各方面的支持配置UE以用于机器学习的处理流300的示例。在一些示例中，过程流300可由无线通信系统100和无线通信系统201的各方面实现。例如，过程流300可由UE 115-b、CU-CP 305、CU-XP 310和UE-MR 320来执行，它们可以是如参考图2所描述的UE 115、CU-CP 210、CU-XP 215和UE-MR 230的示例。过程流300可支持配置UE 115-b以用于机器学习的网络。可实现以下的替代示例，其中一些步骤是以与所描述的顺序不同的顺序执行的或者根本不执行。在一些情况下，步骤可以包括下文未提及的附加特征，或者可以添加其他步骤。

在325处，UE 115-b可与网络交换涉及机器学习的能力信息。在一些示例中，CU-CP305可向UE 115-b发送询问该能力信息的消息，并且UE 115-b可基于接收到询问该能力信息的消息来向CU-CP 305发送该能力信息。在从UE 115-b接收到能力信息时，CU-CP 305可将能力信息转发给CU-XP 310。在一些示例中，能力信息可包括由UE 115-b支持的神经网络函数的列表、由UE 115-b支持的神经网络模型的列表(例如，模型ID的列表)、对UE 115-b是否可请求被配置用于机器学习的指示等。基于该能力信息，CU-CP 305或CU-XP 310可从神经网络函数的列表确定一个或多个神经网络函数，从模型ID的列表确定一个或多个模型ID，以及确定对应的参数集的ID。可作为RRC消息(例如，RRC重新配置消息)的一部分在MLC容器中从CU-CP 305向UE 115-b发送对该一个或多个神经网络函数、该一个或多个模型ID和对应的参数集ID的指示。为了确认RRC消息和MLC容器的接收，UE 115-b可向CU-CP 305发送RRC消息(例如，RRC重新配置完成消息)。

在一些示例中，UE 115-b可请求实现机器学习(针对特定任务执行机器学习)。在这样的示例中，从CU-CP 305到UE 115-b的RRC消息还可包括用于机器学习请求的禁止定时器。禁止定时器可限制UE 115-b可向网络发送机器学习请求的次数。附加地或另选地，RRC消息可包括对神经网络函数、模型ID和对应的参数集ID的黑名单以及神经网络函数、模型ID和对应的参数集ID的白名单的指示。UE 115-b可能能够请求实现白名单中的模型，但可能无法请求实现黑名单中的模型。在325处向UE 115-b指示的该一个或多个模型ID中的每个模型ID可与条件(或适用范围)相关联。该条件可以是位置(例如，小区、小区列表、跟踪区域标识(TAI)、无线电接入网络通知区域(RNA)、多广播单频网络(MBSFN)区域或地理区域)、网络切片、深度神经网络(DNN)类型、公共陆地移动网络(PLMN)列表(例如，公共网络集成非公共网络(PNI-NPN)ID或独立非公共网络(SNPN)ID的列表)、UE类型、RRC状态、服务类型(例如，多广播服务(MBS)或侧链路)、或配置(例如，MIMO、双连接/载波聚合(DC/CA)或mmW)。

在330处，UE 115-b可潜在地确定是否满足与该一个或多个模型ID中的模型ID相关联的条件。例如，UE 115-b可确定UE 115-b已经离开与第一模型ID相关联的小区并进入与第二模型ID相关联的小区。当UE 115-b确定满足与模型ID相关联的条件时，在335处，UE115-b可向CU-CP 305发送机器学习请求消息。机器学习请求消息可包括满足其条件的模型ID(例如，第二模型ID)、一个或多个神经网络函数中的神经网络函数或对满足条件的指示中的一者或多者。在一些示例中，UE 115-b可将机器学习请求包括在UE辅助信息消息中。更具体地，包括机器学习请求消息的信息的机器学习辅助信息元素可被添加到UE辅助信息。在一些示例中，如果其条件满足的模型被包括在黑名单中，则UE 115-b可不发送机器学习请求。

在从UE 115-b接收到机器学习请求时，网络(例如，CU-XP 310或CU-CP 305)可选择神经网络函数(例如，从在335处接收到的机器学习请求消息中所指示的一个或多个神经网络函数中)和机器学习模型(例如，选择对应于在335处接收到的机器学习请求消息中所指示的模型ID的机器学习模型)，并且在340处利用机器学习模型以及对应的参数集来配置UE 115-b。在一些示例中，利用神经网络模型来配置UE 115-b可包括从UE-MR 320下载神经网络模型。在图4至图6中更详细地讨论了神经网络模型下载和上传的不同方面。

除了UE 115-b之外，其他网络节点315(例如，分布式单元、CU-UP或RIC)可被配置有所选机器学习模型和对应的参数集。为了配置其他网络节点315，CU-XP 310可向其他网络节点315发送模型建立请求消息，其中模型建立请求消息可包括所选神经网络模型的模型ID和对应的参数集ID。其他网络节点315可经由模型查询请求消息向MDAC发送模型ID和参数集ID，并且MDAC可向其他网络节点发送模型查询响应，该模型查询响应包括对应于模型ID的地址(例如，网址或URL)和对应于参数ID的地址。在接收到模型查询响应消息时，其他网络节点315可通过它们相应的网址从UE-MR 320下载与模型ID相关联的神经网络模型和与参数集ID相关联的参数集。其他网络节点315然后可经由模型建立响应消息向CU-XP310确认神经网络模型和对应的参数集的配置，并且CU-XP 310可经由神经网络响应消息将神经网络模型配置的确认转发给CU-CP 305。

在345处，网络可激活神经网络模型。为了激活UE 115-b处的神经网络模型，UE115-b可经由CU-CP 305向其他网络节点315发送请求激活机器学习的模型激活请求消息，并且其他网络节点可经由MAC-CE或RRC信令向UE 115-b发送激活UE 115-b处的机器学习的模型激活响应消息。为了在网络处激活神经网络模型，CU-CP 305可向CU-XP 310发送模型激活消息，并且CU-XP 310可向其他网络节点315发送激活其他网络节点315处的机器学习的模型激活消息。

图4示出了根据本公开的各方面的支持配置UE以用于机器学习的处理流400的示例。在一些示例中，过程流400可由无线通信系统100、无线通信系统201和过程流300的各方面实现。例如，过程流400可由UE 115-c和UE-MR 405来执行，它们可以是如参考图2所描述的UE 115和UE-MR 230的示例。处理流400可支持UE 115-c处的神经网络模型和参数集的上传和下载。可实现以下的替代示例，其中一些步骤是以与所描述的顺序不同的顺序执行的或者根本不执行。在一些情况下，步骤可以包括下文未提及的附加特征，或者可以添加其他步骤。

如参考图3所描述的，网络(例如，CU-CP或CU-XP)可选择神经网络函数、神经网络模型和对应的参数集(例如，基于UE 115-c的能力或基于来自UE 115-c的请求消息)，并且向UE 115-c指示神经网络函数、神经网络模型和对应的参数集，使得UE 115-c可执行机器学习。例如，网络可发送包括神经网络函数ID、模型ID和对应的参数集ID的消息(例如，RRC重新配置消息)。UE 115-c然后可执行以下过程以下载所指示的神经网络模型和对应的参数集。

在410处，UE 115-c可构建神经网络模型的地址(例如，网址或URL)和参数集的地址(例如，网址或URL)。在一些示例中，UE 115-c可基于模型ID和参数集ID来构建地址。模型ID和参数集ID可充当预定义规则的输入。

在415处，UE 115-c可通过地址从UE-MR 405下载模型和对应的参数集。UE 115-c可向UE-MR 405发送神经网络模型的地址以及在一些示例中发送参数集的地址。例如，UE115-c可发送包括神经网络模型的地址的HTTP GET消息和包括参数集的地址的HTTP GET消息。在接收到地址时，UE-MR 405可向UE 115-c发送神经网络模型(例如，在200GET消息中)和对应的参数集(例如，在200GET消息中)。即，UE 115-c可通过它们相应的地址从UE-MR405下载神经网络模型和参数集。在一些示例中，UE 115-c可高速缓存频繁使用的神经网络模型和参数集。在一些示例中，版本标签和定时器可用于评估和保护已高速缓存的神经网络模型和参数集的新鲜度。如果神经网络模型和参数集被本地高速缓存，则UE 115-c可不从UE-MR 405下载神经网络模型和参数集，而是从已高速缓存的数据获得神经网络模型和参数集。

在一些示例中，UE 115-c可不从UE-MR 405获得神经网络模型和参数集，而是可在别处获得神经网络模型和参数集(例如，使用模型训练配置)。在这样的示例中，UE 115-c可将神经网络模型和参数集上传到UE-MR 405，使得UE-MR 405可存储神经网络模型和参数集以供将来使用，或者使得其他设备可访问神经网络模型和参数集。

在一些示例中，在420处，UE 115-c可构建参数集的地址(例如，网址或URL)。在另一示例中，UE 115-c可构建用于神经网络模型和参数集两者的地址(例如，网址或URL)。UE115-c可从训练配置知道地址，或者UE 115-c可使用预定义规则来确定地址，其中与神经网络模型相关联的神经网络模型ID和与参数集相关联的参数集ID被用作输入。

在425处，UE 115-c可通过该地址将参数集上传到UE-MR405并在一些示例中将神经网络模型上传到该UE-MR。在一些示例中，UE 115-c可通过向UE-MR 405发送包括神经网络模型和参数集的HTTP PUT消息来将参数集或神经网络模型上传到UE-MR 405。为了确认参数集或神经网络模型的接收，UE-MR可向UE 115-c发送确认消息(例如，200OK消息)。

图5示出了根据本公开的各方面的支持配置UE以用于机器学习的处理流500的示例。在一些示例中，过程流500可由无线通信系统100、无线通信系统201、过程流300或过程流400的各方面实现。例如，过程流500可由UE 115-d、CU-CP 505、CU-XP 510和UE-MR 515来执行，它们可以是如参考图2所描述的UE 115、CU-CP 210、CU-XP 215和UE-MR 230的示例。处理流500可支持UE 115-d处的神经网络模型和参数集的上传和下载。可实现以下的替代示例，其中一些步骤是以与所描述的顺序不同的顺序执行的或者根本不执行。在一些情况下，步骤可以包括下文未提及的附加特征，或者可以添加其他步骤。

如参考图3所描述的，网络(例如，CU-CP 505或CU-XP 510)可选择神经网络函数、神经网络模型和对应的参数集(例如，基于UE 115-d的能力或基于来自UE 115-d的请求消息)，并且向UE 115-d指示神经网络函数、神经网络模型和对应的参数集，使得UE 115-d可执行机器学习。例如，网络可发送包括神经网络函数ID、模型ID和对应的参数集ID的消息(例如，RRC重新配置消息)。UE 115-d然后可执行以下过程以获得所指示的神经网络模型和对应的参数集。

在520处，UE 115-d可从网络获得神经网络模型和对应的参数集。首先，在525处，UE 115-d可向CU-CP 505发送模型下载请求消息。模型下载请求消息可包括对应于神经网络模型的模型ID和对应于参数集的参数集ID。在一些示例中，UE 115-d可经由SRB 2上的RRC信令向CU-CP 505发送下载请求消息。

在530处，CU-CP 505可将模型下载请求转发给CU-XP 510。然后，在535处，CU-XP510可从UE-MR 515检索神经网络模型和参数集。类似于在图4中UE 115如何下载神经网络模型和参数集，CU-XP 510可使用模型ID和参数集ID来构建神经网络模型和参数集的地址，并且使用这些地址从UE-MR 515下载神经网络模型和参数集。另选地，CU-XP 510可从另一网络实体(例如，MDAC)获得地址。

在540处，CU-XP 510可向CU-CP 505发送模型下载响应消息。模型下载模型响应消息可包括神经网络模型和参数集。

在545处，CU-CP 505可将模型下载响应消息转发给UE 115-d。在一些示例中，CU-CP 505可经由新SRB(例如，SRB X)上的RRC信令向UE 115-d发送模型下载响应消息。如果神经网络模型和参数集的大小高于阈值，则可使用RRC分段来向UE 115-d发送神经网络模型和参数集。

在一些示例中，UE 115-d可不从UE-MR 515获得神经网络模型和参数集，而是可在别处获得神经网络模型和参数集(例如，使用模型训练配置)。在这样的示例中，UE 115-d可将神经网络模型和参数集上传到UE-MR 515，使得UE-MR 515可存储神经网络模型和参数集以供将来使用，或者使得其他设备可访问神经网络模型和参数集。

在550处，UE 115-d可经由一个或多个网络节点将神经网络模型和参数集上传到UE-MR515。例如，在555处，UE 115-d可向CU-CP 505发送模型上传请求消息。模型上传请求消息可包括神经网络模型和参数集。在一些示例中，UE 115-d可经由SRB 2上的RRC信令发送模型上传请求消息。

在560处，CU-CP 505可将模型上传请求转发给CU-XP 510。然后，在565处，CU-XP510可将神经网络模型和参数集上传到UE-MR 515。类似于在图4中UE 115如何上传神经网络模型和该组参数集，CU-XP 510可使用模型ID和参数集ID来构建神经网络模型和参数集的地址，并且使用这些地址来将神经网络模型和参数集上传到UE-MR 515。另选地，CU-XP510可从另一网络实体(例如，MDAC)获得地址。

在570处，CU-XP 510可向CU-CP 505发送模型上传响应消息。模型下载模型响应消息可用作神经网络模型和参数集被上传到UE-MR 515的确认。

在575处，CU-CP 505可将模型下载响应消息转发给UE 115-d。在一些示例中，CU-CP 505可经由新SRB(例如，SRB X)上的RRC信令向UE 115-d发送模型下载响应消息。

图6示出了根据本公开的各方面的支持配置UE以用于机器学习的处理流600的示例。在一些示例中，过程流600可由无线通信系统100、无线通信系统201、过程流300、过程流400或过程流500的各方面实现。例如，过程流500可由UE 115-e、CU-XP 605和UE-MR 615来执行，它们可以是如参考图2所描述的UE 115、CU-XP 215和UE-MR 230的示例。处理流600可支持UE 115-e处的神经网络模型和参数集的上传和下载。可实现以下的替代示例，其中一些步骤是以与所描述的顺序不同的顺序执行的或者根本不执行。在一些情况下，步骤可以包括下文未提及的附加特征，或者可以添加其他步骤。

如参考图3所描述的，网络(例如，CU-CP或CU-XP 605)可选择神经网络函数、神经网络模型和对应的参数集(例如，基于UE 115-e的能力或基于来自UE 115-e的请求消息)，并且向UE 115-e指示神经网络函数、神经网络模型和对应的参数集，使得UE 115-e可执行机器学习。例如，网络可发送包括神经网络函数ID、模型ID和对应的参数集ID的消息(例如，RRC重新配置消息)。UE 115-e然后可执行以下过程以获得所指示的神经网络模型和对应的参数集。

在620处，UE 115-e可从网络获得神经网络模型和对应的参数集。首先，在625处，UE 115-e可向CU-XP 605发送模型查询请求消息。模型查询请求消息可包括对应于神经网络模型的模型ID和对应于参数集的参数集ID。

在630处，CU-XP 605可将模型查询请求消息转发给MDAC 610。响应于模型查询请求消息，在635处，MDAC 610可向CU-XP 605发送模型查询响应消息。模型查询请求消息可包括神经网络模型的地址和参数集的地址。

在640处，CU-XP 605可将模型查询响应消息转发给UE 115-e。然后，在645处，UE115-e可向UE-MR发送消息(例如，HTTP GET消息)，该消息包括神经网络模型的地址和参数集的地址。在650处，UE-MR 615可接收该消息并且向UE 115-e发送该神经网络模型和参数集。即，UE 115-e可通过该地址从UE-MR 615下载神经网络模型和参数集。

在一些示例中，UE 115-e可不从UE-MR 615获得神经网络模型和参数集，而是可在别处获得神经网络模型和参数集(例如，使用模型训练配置)。在这样的示例中，UE 115-e可将神经网络模型和参数集上传到UE-MR 615，使得UE-MR 615可存储神经网络模型和参数集以供将来使用，或者使得其他设备可访问神经网络模型和参数集。

在655处，UE 115-e可经由一个或多个网络节点将神经网络模型和参数集上传到UE-MR 615。例如，在660处，UE 115-e可向CU-XP 605发送模型查询请求消息。模型查询请求消息可包括与神经网络模型相关联的模型ID和与参数集相关联的参数集ID。

在665处，CU-XP 510可将模型查询请求转发给MDAC 610。响应于模型查询请求消息，在670处，MDAC 610可向CU-XP 605发送模型查询响应消息。模型查询响应消息可包括神经网络模型的地址和参数集的地址。

在675处，CU-XP 605可将模型查询响应消息转发给UE 115-e。然后，在680处，UE115-e可向UE-MR 615发送消息(例如，HTTP PUT消息)，该消息包括神经网络模型和参数集。在685处，UE-MR 615可接收该消息以及确认将神经网络模型和参数集上传到UE-MR 615的消息。即，UE 115-e可通过该地址将神经网络模型和参数集上传到UE-MR 615。

图7示出了根据本公开的各方面的支持配置UE以用于机器学习的设备705的框图700。设备705可以是如本文所述的UE 115的各方面的示例。设备705可包括接收器710、发送器715和通信管理器720。设备705还可以包括处理器。这些组件中的每个组件可以(例如，经由一条或多条总线)彼此通信。

接收器710可提供用于接收信息(诸如，与各种信息信道(例如，控制信道、数据信道、涉及配置UE以用于机器学习的信息信道)相关联的分组、用户数据、控制信息或它们的任何组合)的部件。信息可传递到设备705的其他组件。接收器710可以利用单个天线或一组多个天线。

发送器715可以提供用于发送由设备705的其它组件所生成的信号的部件。例如，发送器715可发送信息，诸如与各种信息信道(例如，控制信道、数据信道、涉及配置UE以用于机器学习的信息信道)相关联的分组、用户数据、控制信息或它们的任何组合。在一些示例中，发送器715可与接收器710协同定位于收发器模块中。发送器715可以利用单个天线或一组多个天线。

通信管理器720、接收器710、发送器715或它们的各种组合、或它们的各种组件可以是用于执行如本文所述的配置UE以用于机器学习的各个方面的部件的示例。例如，通信管理器720、接收器710、发送器715或它们的各种组合或组件可支持用于执行本文所述的一个或多个功能的方法。

在一些示例中，通信管理器720、接收器710、发送器715或它们的各种组合或组件可在硬件中(例如，在通信管理电路系统中)实现。硬件可以包括处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件、分立门或晶体管逻辑、分立硬件组件或它们的任何组合，其被配置为或以其他方式支持用于执行在本公开内容中描述的功能的部件。在一些示例中，处理器和与处理器耦合的存储器可以被配置为执行在本文描述的一个或多个功能(例如，通过由处理器执行存储在存储器中的指令)。

附加地或另选地，在一些示例中，通信管理器720、接收器710、发送器715或它们的各种组合或组件可在由处理器执行的代码(例如，作为通信管理软件或固件)中实现。如果在由处理器执行的代码中实现，则通信管理器720、接收器710、发送器715或它们的各种组合或组件的功能可由通用处理器、DSP、中央处理单元(CPU)、ASIC、FPGA或者这些或其他可编程逻辑设备的任何组合(例如，被配置为或以其他方式支持用于执行在本公开中描述的功能的部件)执行。

在一些示例中，通信管理器720可被配置为使用或以其他方式协作接收器710、发送器715或两者来执行各种操作(例如，接收、监测、发送)。例如，通信管理器720可从接收器710接收信息，向发送器715发送信息，或者与接收器710、发送器715或两者结合地被集成以接收信息、发送信息或执行如本文所述的各种其他操作。

根据如本文所公开的示例，通信管理器720可支持UE处的无线通信。例如，通信管理器720可被配置为或以其他方式支持用于接收一个或多个机器学习模型中的机器学习模型、对应于该机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置的部件，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联。通信管理器720可被配置为或以其他方式支持用于从基站接收用于机器学习模型、神经网络函数或两者的激活消息的部件。

通过根据如本文所述的示例来包括或配置通信管理器720，设备705(例如，控制或者以其他方式耦合到接收器710、发送器715、通信管理器720或它们的组合的处理器)可支持用于降低功率消耗的技术。如本文所述的方法可允许设备705将机器学习用于一些通信过程。机器学习可允许设备705在没有显式编程的情况下执行通信，这可降低UE处的功率消耗。

图8示出了根据本公开的各方面的支持配置UE以用于机器学习的设备805的框图800。设备805可以是如本文所述的设备705或UE 115的各方面的示例。设备805可包括接收器810、发送器815和通信管理器820。设备805还可包括处理器。这些组件中的每个组件可以(例如，经由一条或多条总线)彼此通信。

接收器810可提供用于接收信息(诸如，与各种信息信道(例如，控制信道、数据信道、涉及配置UE以用于机器学习的信息信道)相关联的分组、用户数据、控制信息或它们的任何组合)的部件。信息可传递到设备805的其他组件。接收器810可利用单个天线或一组多个天线。

发送器815可提供用于发送由设备805的其他组件所生成的信号的部件。例如，发送器815可发送信息，诸如与各种信息信道(例如，控制信道、数据信道、涉及配置UE以用于机器学习的信息信道)相关联的分组、用户数据、控制信息或它们的任何组合。在一些示例中，发送器815可与接收器810协同定位于收发器模块中。发送器815可利用单个天线或一组多个天线。

设备805或其各种组件可以是用于执行如本文所述的配置UE以用于机器学习的各个方面的部件的示例。例如，通信管理器820可包括UE机器学习管理器830、UE激活组件835或它们的任何组合。通信管理器820可以是如本文所述的通信管理器720的各方面的示例。在一些示例中，通信管理器820或其各个组件可被配置为使用或以其他方式协作接收器810、发送器815或两者来执行各种操作(例如，接收、监测、发送)。例如，通信管理器820可从接收器810接收信息，向发送器815发送信息，或者与接收器810、发送器815或两者结合地被集成以接收信息、发送信息或执行如本文所述的各种其他操作。

根据如本文所公开的示例，通信管理器820可支持UE处的无线通信。UE机器学习管理器830可被配置为或以其他方式支持用于接收一个或多个机器学习模型中的机器学习模型、对应于该机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置的部件，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联。UE激活组件835可被配置为或以其他方式支持用于从基站接收用于机器学习模型、神经网络函数或两者的激活消息的部件。

图9示出了根据本公开的各方面的支持配置UE以用于机器学习的通信管理器920的框图900。通信管理器920可以是如本文所述的通信管理器720、通信管理器820或两者的各方面的示例。通信管理器920或其各种组件可以是用于执行如本文所述的配置UE以用于机器学习的各个方面的部件的示例。例如，通信管理器920可包括UE机器学习管理器930、UE激活组件935、UE地址管理器940、UE上传组件945、UE请求组件950或它们的任何组合。这些组件中的每个组件可以(例如，经由一条或多条总线)彼此直接地或间接地通信。

根据如本文所公开的示例，通信管理器920可支持UE处的无线通信。UE机器学习管理器930可被配置为或以其他方式支持用于接收一个或多个机器学习模型中的机器学习模型、对应于该机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置的部件，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联。UE激活组件935可被配置为或以其他方式支持用于从基站接收用于机器学习模型、神经网络函数或两者的激活消息的部件。

在一些示例中，UE请求组件950可被配置为或以其他方式支持用于向基站发送包括对机器学习模型、神经网络函数或两者的指示的请求消息的部件，其中接收机器学习模型、神经网络函数或两者基于该请求消息。在一些示例中，UE请求组件950可被配置为或以其他方式支持用于从基站接收指示包括在黑名单中的第一组机器学习模型、包括在白名单中的第二组机器学习模型或两者的信令的部件，其中发送请求消息基于机器学习模型被包括在白名单中，不包括在黑名单中或两者。

在一些示例中，该一个或多个机器学习模型中的每个机器学习模型与对应于位置、网络切片、DNN、PLMN、UE类型、RRC状态、通信服务、通信配置或它们的任何组合的相应范围相关联，并且发送请求消息基于触发事件，该触发事件包括UE具有在机器学习模型的相应范围内的条件。

在一些示例中，请求消息包括对触发事件的指示。在一些示例中，为了支持发送该请求消息，UE请求组件950可被配置为或以其他方式支持用于发送包括该请求消息的UE辅助信息消息的部件。

在一些示例中，为了支持发送该请求消息，UE请求组件950可被配置为或以其他方式支持用于发送包括该请求消息的RRC信令的部件。

在一些示例中，UE地址管理器940可被配置为或以其他方式支持用于基于相关联的标识符和相关联的规则来确定机器学习模型、参数集或配置的地址的部件，其中接收机器学习模型、参数集或配置基于从机器学习MR基于该地址来下载机器学习模型、参数集或配置。

在一些示例中，UE地址管理器940可被配置为或以其他方式支持用于基于相关联的标识符和相关联的规则来确定第二机器学习模型、对应于第二机器学习模型的第二参数集或对应于该一个或多个神经网络函数中的第二神经网络函数的第二配置的地址的部件。在一些示例中，UE上传组件945可被配置为或以其他方式支持用于发起基于第二机器学习模型、第二参数集或第二配置的地址来将第二机器学习模型、第二参数集或第二配置上传到机器学习MR的部件。

在一些示例中，发送请求消息包括向包括在基站中的CU-CP实体发送请求消息。在一些示例中，接收机器学习模型、参数集或配置包括从CU-CP实体接收机器学习模型、参数集或配置。

在一些示例中，UE地址管理器940可被配置为或以其他方式支持用于从包括在基站中的CU-XP实体接收机器学习模型、参数集或配置的地址的部件，其中接收机器学习模型、参数集或配置基于从机器学习MR基于该地址来下载机器学习模型、参数集或配置。

在一些示例中，UE地址管理器940可被配置为或以其他方式支持用于从包括在基站中的CU-XP实体接收第二机器学习模型、对应于第二机器学习模型的第二参数集或对应于该一个或多个神经网络函数中的第二神经网络函数的第二配置的地址的部件。在一些示例中，UE上传组件945可被配置为或以其他方式支持用于发起基于第二机器学习模型、第二参数集或第二配置的地址来将第二机器学习模型、第二参数集或第二配置上传到机器学习MR的部件。

图10示出了根据本公开的各方面的包括支持配置UE以用于机器学习的设备1005的系统1000的示图。设备1005可以是如本文所述的设备705、设备805或UE 115的示例或者包括它们的组件。设备1005可与一个或多个基站105、UE 115或它们的任何组合无线地进行通信。设备1005可包括用于双向语音和数据通信的组件，其中包括用于发送通信的组件和用于接收通信的组件，诸如通信管理器1020、输入/输出(I/O)控制器1010、收发器1015、天线1025、存储器1030、代码1035和处理器1040。这些组件可经由一个或多个总线(例如，总线1045)进行电子通信或以其他方式(例如，操作地、通信地、功能地、电子地、电地)耦合。

I/O控制器1010可管理设备1005的输入和输出信号。I/O控制器1010还可管理没有集成到设备1005中的外围设备。在一些情况下，I/O控制器1010可表示通向外部外围设备的物理连接或端口。在一些情况下，I/O控制器1010可利用诸如

在一些情况下，设备1005可包括单个天线1025。然而，在一些其他情况下，设备1005可具有多于一个天线1025，该多于一个天线能够同时地发送或接收多个无线发送。如本文所述，收发器1015可经由一个或多个天线1025、有线或无线链路双向地进行通信。例如，收发器1015可表示无线收发器，并且可与另一无线收发器双向地进行通信。收发器1015还可包括调制解调器，该调制解调器用于：调制分组；将所调制的分组提供给一个或多个天线1025以进行发送；解调从一个或多个天线1025接收的分组。收发器1015或者收发器1015和一个或多个天线1025可以是如本文所述的发送器715、发送器815、接收器710、接收器810或它们的任何组合或它们的组件的示例。

存储器1030可包括随机存取存储器(RAM)和只读存储器(ROM)。存储器1030可存储包括指令的计算机可读、计算机可执行代码1035，这些指令在由处理器1040执行时使设备1005执行本文所述的各种功能。代码1035可存储在非暂态计算机可读介质诸如系统存储器或另一类型的存储器中。在一些情况下，代码1035可能无法由处理器1040直接执行，但可使计算机(例如，当被编译和执行时)执行本文所述的功能。在一些情况下，除此之外，存储器1030可包含基本I/O系统(BIOS)，该BIOS可控制基本硬件或软件操作，诸如与外围组件或设备的交互。

处理器1040可包括智能硬件设备(例如，通用处理器、DSP、CPU、微控制器、ASIC、FPGA、可编程逻辑设备、分立门或晶体管逻辑组件、分立硬件组件或它们的任何组合)。在一些情况下，处理器1040可被配置为使用存储器控制器来操作存储器阵列。在一些其他情况下，存储器控制器可集成到处理器1040中。处理器1040可被配置为执行存储在存储器(例如，存储器1030)中的计算机可读指令，以使设备1005执行各种功能(例如，支持配置UE以用于机器学习的各功能或任务)。例如，设备1005或设备1005的组件可包括处理器1040和耦合到处理器1040的存储器1030，该处理器1040和存储器1030被配置为执行本文所述的各种功能。

根据如本文所公开的示例，通信管理器1020可支持UE处的无线通信。例如，通信管理器1020可被配置为或以其他方式支持用于接收一个或多个机器学习模型中的机器学习模型、对应于该机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置的部件，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联。通信管理器1020可被配置为或以其他方式支持用于从基站接收用于机器学习模型、神经网络函数或两者的激活消息的部件。

通过根据如本文所述的示例来包括或配置通信管理器1020，设备1005可支持用于减少功率消耗和改善设备之间的协调的技术。

在一些示例中，通信管理器1020可被配置为使用或以其他方式协作收发器1015、该一个或多个天线1025或它们的任何组合来执行各种操作(例如，接收、监测、发送)。尽管通信管理器1020被示出为单独的组件，但在一些示例中，参考通信管理器1020所描述的一个或多个功能可由处理器1040、存储器1030、代码1035或它们的任何组合支持或执行。例如，代码1035可包括指令，这些指令能够由处理器1040执行以使设备1005执行如本文所述的配置UE以用于机器学习的各个方面，或者处理器1040和存储器1030可以其他方式被配置为执行或支持此类操作。

图11示出了根据本公开的各方面的支持配置UE以用于机器学习的设备1105的框图1100。设备1105可以是如本文所述的基站105的各方面的示例。设备1105可包括接收器1110、发送器1115和通信管理器1120。设备1105还可包括处理器。这些组件中的每个组件可以(例如，经由一条或多条总线)彼此通信。

接收器1110可提供用于接收信息(诸如，与各种信息信道(例如，控制信道、数据信道、涉及配置UE以用于机器学习的信息信道)相关联的分组、用户数据、控制信息或它们的任何组合)的部件。信息可传递到设备1105的其他组件。接收器1110可利用单个天线或一组多个天线。

发送器1115可提供用于发送由设备1105的其他组件所生成的信号的部件。例如，发送器1115可发送信息，诸如与各种信息信道(例如，控制信道、数据信道、涉及配置UE以用于机器学习的信息信道)相关联的分组、用户数据、控制信息或它们的任何组合。在一些示例中，发送器1115可与接收器1110协同定位于收发器模块中。发送器1115可利用单个天线或一组多个天线。

通信管理器1120、接收器1110、发送器1115或它们的各种组合、或它们的各种组件可以是用于执行如本文所述的配置UE以用于机器学习的各个方面的部件的示例。例如，通信管理器1120、接收器1110、发送器1115或它们的各种组合或组件可支持用于执行本文所述的一个或多个功能的方法。

在一些示例中，通信管理器1120、接收器1110、发送器1115或它们的各种组合或组件可在硬件中(例如，在通信管理电路系统中)实现。硬件可以包括被配置成或以其它方式支持用于执行在本公开中描述的功能的部件的处理器、DSP、ASIC、FPGA或其它可编程逻辑器件、分立门或晶体管逻辑、分立硬件组件或它们的任何组合。在一些示例中，处理器和与处理器耦合的存储器可以被配置为执行在本文描述的一个或多个功能(例如，通过由处理器执行存储在存储器中的指令)。

附加地或另选地，在一些示例中，通信管理器1120、接收器1110、发送器1115或它们的各种组合或组件可在由处理器执行的代码(例如，作为通信管理软件或固件)中实现。如果在由处理器执行的代码中实现，则通信管理器1120、接收器1110、发送器1115或它们的各种组合或组件的功能可以由通用处理器、DSP、CPU、ASIC、FPGA、或这些或其他可编程逻辑器件的任何组合(例如，被配置为或以其他方式支持用于执行本公开中描述的功能的部件)来执行。

在一些示例中，通信管理器1120可被配置为使用或以其他方式协作接收器1110、发送器1115或两者来执行各种操作(例如，接收、监测、发送)。例如，通信管理器1120可从接收器1110接收信息，向发送器1115发送信息，或者与接收器1110、发送器1115或两者结合地被集成以接收信息、发送信息或执行如本文所述的各种其他操作。

根据如本文所公开的示例，通信管理器1120可支持在基站处的无线通信。例如，通信管理器1120可被配置为或以其他方式支持用于向UE发送一个或多个机器学习模型中的机器学习模型、对应于该机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置的部件，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联。通信管理器1120可被配置为或以其他方式支持用于向UE发送用于机器学习模型、神经网络函数或两者的激活消息的部件。

通过根据如本文所述的示例来包括或配置通信管理器1120，设备1105(例如，控制或者以其他方式耦合到接收器1110、发送器1115、通信管理器1120或它们的组合的处理器)可支持用于降低处理和降低功率消耗的技术。

图12示出了根据本公开的各方面的支持配置UE以用于机器学习的设备1205的框图1200。设备1205可以是如本文所述的设备1105或基站105的各方面的示例。设备1205可包括接收器1210、发送器1215和通信管理器1220。设备1205还可包括处理器。这些组件中的每个组件可以(例如，经由一条或多条总线)彼此通信。

接收器1210可提供用于接收信息(诸如，与各种信息信道(例如，控制信道、数据信道、涉及配置UE以用于机器学习的信息信道)相关联的分组、用户数据、控制信息或它们的任何组合)的部件。信息可传递到设备1205的其他组件。接收器1210可利用单个天线或一组多个天线。

发送器1215可提供用于发送由设备1205的其他组件所生成的信号的部件。例如，发送器1215可发送信息，诸如与各种信息信道(例如，控制信道、数据信道、涉及配置UE以用于机器学习的信息信道)相关联的分组、用户数据、控制信息或它们的任何组合。在一些示例中，发送器1215可与接收器1210协同定位于收发器模块中。发送器1215可利用单个天线或一组多个天线。

设备1205或其各种组件可以是用于执行如本文所述的配置UE以用于机器学习的各个方面的部件的示例。例如，通信管理器1220可包括机器学习管理器1230、激活组件1235或它们的任何组合。通信管理器1220可以是如本文所述的通信管理器1120的各方面的示例。在一些示例中，通信管理器1220或它们的各种组件可被配置为使用或以其他方式协作接收器1210、发送器1215或两者来执行各种操作(例如，接收、监测、发送)。例如，通信管理器1220可从接收器1210接收信息，向发送器1215发送信息，或者与接收器1210、发送器1215或两者结合地被集成以接收信息、发送信息或执行如本文所述的各种其他操作。

根据如本文中公开的示例，通信管理器1220可以支持在基站处的无线通信。机器学习管理器1230可被配置为或以其他方式支持用于向UE发送一个或多个机器学习模型中的机器学习模型、对应于该机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置的部件，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联。激活组件1235可被配置为或以其他方式支持用于向UE发送用于机器学习模型、神经网络函数或两者的激活消息的部件。

图13示出了根据本公开的各方面的支持配置UE以用于机器学习的通信管理器1320的框图1300。通信管理器1320可以是如本文所述的通信管理器1120、通信管理器1220或两者的各方面的示例。通信管理器1320或其各种组件可以是用于执行如本文所述的配置UE以用于机器学习的各个方面的部件的示例。例如，通信管理器1320可包括机器学习管理器1330、激活组件1335、地址组件1340、下载组件1345、上传组件1350、标识符组件1355、请求组件1360或它们的任何组合。这些组件中的每个组件可以(例如，经由一条或多条总线)彼此直接地或间接地通信。

根据如本文所公开的示例，通信管理器1320可支持基站处的无线通信。机器学习管理器1330可被配置为或以其他方式支持用于向UE发送一个或多个机器学习模型中的机器学习模型、对应于该机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置的部件，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联。激活组件1335可被配置为或以其他方式支持用于向UE发送用于机器学习模型、神经网络函数或两者的激活消息的部件。

在一些示例中，请求组件1360可被配置为或以其他方式支持用于从UE接收包括对机器学习模型、神经网络函数或两者的指示的请求消息的部件，其中发送机器学习模型、神经网络函数或两者基于该请求消息。在一些示例中，请求组件1360可被配置为或以其他方式支持用于向UE发送指示包括在黑名单中的第一组机器学习模型、包括在白名单中的第二组机器学习模型或两者的信令的部件，其中机器学习模型被包括在白名单中、不包括在黑名单中或两者。在一些示例中，请求消息包括对触发事件的指示。

在一些示例中，该一个或多个机器学习模型中的每个机器学习模型与对应于位置、网络切片、DNN、PLMN、UE类型、RRC状态、通信服务、通信配置或它们的任何组合的相应范围相关联，并且接收请求消息基于触发事件，该触发事件包括UE具有在机器学习模型的相应范围内的条件。

在一些示例中，为了支持接收该请求消息，请求组件1360可被配置为或以其他方式支持用于接收包括该请求消息的UE辅助信息消息的部件。

在一些示例中，为了支持接收该请求消息，请求组件1360可被配置为或以其他方式支持用于接收包括该请求消息的RRC信令的部件。

在一些示例中，地址组件1340可被配置为或以其他方式支持用于从UE接收机器学习模型、参数集或配置的地址的部件。在一些示例中，下载组件1345可被配置为或以其他方式支持用于基于地址为UE从机器学习MR下载机器学习模型、参数集或配置的部件。

在一些示例中，地址组件1340可被配置为或以其他方式支持用于从UE接收第二机器学习模型、对应于第二机器学习模型的第二参数集或对应于该一个或多个神经网络函数中的第二神经网络函数的第二配置的地址的部件。在一些示例中，上传组件1350可被配置为或以其他方式支持用于将第二机器学习模型、第二参数集或第二配置上传到机器学习MR的部件。

在一些示例中，请求组件1360可被配置为或以其他方式支持用于在包括在基站中的CU-CP实体处接收请求消息的部件。在一些示例中，请求组件1360可被配置为或以其他方式支持用于将请求消息从CU-CP实体转发给包括在基站中的CU-XP实体的部件。在一些示例中，下载组件1345可被配置为或以其他方式支持用于基于请求消息来将机器学习模型、参数集或配置从机器学习MR下载到CU-CP实体的部件，其中向UE发送机器学习模型、参数集或配置基于下载。

在一些示例中，标识符组件1355可被配置为或以其他方式支持用于在包括在基站中的CU-XP实体处，从UE接收与机器学习模型、参数集或配置相关联的标识符的部件。在一些示例中，地址组件1340可被配置为或以其他方式支持用于至少部分地基于标识符来确定机器学习模型、参数集或配置的地址的部件。在一些示例中，下载组件1345可被配置为或以其他方式支持用于基于该地址为UE从机器学习MR下载机器学习模型、参数集或配置的部件，其中向UE发送机器学习模型、参数集或配置基于下载。

在一些示例中，标识符组件1355可被配置为或以其他方式支持用于在包括在基站中的CU-XP实体处，从UE接收与第二机器学习模型、对应于第二机器学习模型的第二参数集或对应于该一个或多个神经网络函数中的第二神经网络函数的第二配置相关联的标识符的部件。在一些示例中，地址组件1340可被配置为或以其他方式支持用于至少部分地基于标识符来确定第二机器学习模型、第二参数集或第二配置的地址的部件。在一些示例中，上传组件1350可被配置为或以其他方式支持用于基于地址来将第二机器学习模型、第二参数集或第二配置上传到机器学习MR的部件。

图14示出了根据本公开的各方面的包括支持配置UE以用于机器学习的设备1405的系统1400的示图。设备1405可以是如本文所述的设备1105、设备1205或基站105的示例或包括这些设备的组件。设备1405可与一个或多个基站105、UE 115或它们的任何组合无线地进行通信。设备1405可以包括用于双向语音和数据通信的组件，该组件包括用于传送和接收通信的组件，诸如通信管理器1420、网络通信管理器1410、收发器1415、天线1425、存储器1430、代码1435、处理器1440和站间通信管理器1445。这些组件可经由一个或多个总线(例如，总线1450)进行电子通信或以其他方式(例如，操作地、通信地、功能地、电子地、电地)耦合。

网络通信管理器1410可管理与核心网络130的通信(例如，经由一个或多个有线回程链路)。例如，网络通信管理器1410可以管理针对客户端设备(诸如一个或多个UE 115)的数据通信的传输。

在一些情况下，设备1405可包括单个天线1425。然而，在一些其他情况下，设备1405可以具有多于一个的天线1425，它们能够同时传送或接收多个无线传输。如本文所述，收发器1415可经由一个或多个天线1425、有线或无线链路双向地进行通信。例如，收发器1415可表示无线收发器，并且可与另一无线收发器双向地进行通信。收发器1415还可包括调制解调器，该调制解调器用于：调制分组；将所调制的分组提供给一个或多个天线1425以进行发送；解调从一个或多个天线1425接收的分组。收发器1415或者收发器1415和一个或多个天线1425可以是如本文所述的发送器1115、发送器1215、接收器1110、接收器1210或它们的任何组合或它们的组件的示例。

存储器1430可包括RAM和ROM。存储器1430可存储包括指令的计算机可读、计算机可执行代码1435，这些指令在由处理器1440执行时使设备1405执行本文所述的各种功能。代码1435可存储在非暂态计算机可读介质诸如系统存储器或另一类型的存储器中。在一些情况下，代码1435可能无法由处理器1440直接执行，但可使计算机(例如，在被编译和执行时)执行本文所述的功能。在一些情况下，除此之外，存储器1430还可以包含BIOS，该BIOS可以控制基本的硬件或软件操作，诸如与外围组件或设备的交互。

处理器1440可包括智能硬件设备(例如，通用处理器、DSP、CPU、微控制器、ASIC、FPGA、可编程逻辑设备、分立门或晶体管逻辑组件、分立硬件组件或它们的任何组合)。在一些情况下，处理器1440可被配置为使用存储器控制器来操作存储器阵列。在一些其他情况下，存储器控制器可集成到处理器1440中。处理器1440可被配置为执行存储在存储器(例如，存储器1430)中的计算机可读指令，以使设备1405执行各种功能(例如，支持配置UE以用于机器学习的各功能或任务)。例如，设备1405或设备1405的组件可包括处理器1440和耦合到处理器1440的存储器1430，该处理器1440和存储器1430被配置为执行本文所述的各种功能。

站间通信管理器1445可以管理与其他基站105的通信，并且可以包括用于与其他基站105协同地控制与UE 115的通信的控制器或调度器。例如，站间通信管理器1445可以针对诸如波束成形或联合传输之类的各种干扰减轻技术来协调对向UE 115的传输的调度。在一些示例中，站间通信管理器1445可以提供LTE/LTE-A无线通信网络技术内的X2接口，以提供在基站105之间的通信。

根据如本文所公开的示例，通信管理器1420可支持基站处的无线通信。例如，通信管理器1420可被配置为或以其他方式支持用于向UE发送一个或多个机器学习模型中的机器学习模型、对应于该机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置的部件，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联。通信管理器1420可被配置为或以其他方式支持用于向UE发送用于机器学习模型、神经网络函数或两者的激活消息的部件。

通过根据如本文所述的示例来包括或配置通信管理器1420，设备1405可支持用于减少功率消耗和改善设备之间的协调的技术。

在一些示例中，通信管理器1420可被配置为使用或以其他方式协作收发器1415、该一个或多个天线1425或它们的任何组合来执行各种操作(例如，接收、监测、发送)。尽管通信管理器1420被示出为单独的组件，但在一些示例中，参考通信管理器1420所描述的一个或多个功能可由处理器1440、存储器1430、代码1435或它们的任何组合支持或执行。例如，代码1435可包括指令，这些指令能够由处理器1440执行以使设备1405执行如本文所述的配置UE以用于机器学习的各个方面，或者处理器1440和存储器1430可以其他方式被配置为执行或支持此类操作。

图15示出了示出根据本公开的各方面的支持配置UE以用于机器学习的方法1500的流程图。方法1500的操作可由如本文所描述的UE或其组件实施。例如，方法1500的操作可由如参考图1至图10所描述的UE 115执行。在一些示例中，UE可以执行一组指令以控制UE的功能元件以执行所描述的功能。附加地或另选地，该UE可使用专用硬件来执行所描述的功能的各方面。

在1505处，该方法可包括接收一个或多个机器学习模型中的机器学习模型、对应于该机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联。1505的操作可根据如本文所公开的示例来执行。在一些示例中，1505的操作的各方面可由如参考图9所描述的UE机器学习管理器930来执行。

在1510处，该方法可包括从基站接收用于机器学习模型、神经网络函数或两者的激活消息。1510的操作可根据如本文所公开的示例来执行。在一些示例中，1510的操作的各方面可由如参考图9所描述的UE激活组件935来执行。

图16示出了示出根据本公开的各方面的支持配置UE以用于机器学习的方法1600的流程图。方法1600的操作可由如本文所述的UE或其组件实现。例如，方法1600的操作可由如参考图1至图10所描述的UE 115执行。在一些示例中，UE可以执行一组指令以控制UE的功能元件以执行所描述的功能。附加地或另选地，该UE可使用专用硬件来执行所描述的功能的各方面。

在1605处，该方法可包括向基站发送包括对一个或多个机器学习模型中的机器学习模型、一个或多个神经网络函数中的神经网络函数或两者的指示的请求消息，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合与被包括在基站中或与基站耦合的机器学习模型储存库相关联。1605的操作可根据如本文所公开的示例来执行。在一些示例中，1605的操作的各方面可由参考图9所描述的UE请求组件950来执行。

在1610处，该方法可包括至少部分地基于发送请求消息来从基站接收机器学习模型、对应于机器学习模型的参数集或对应于神经网络函数的配置。1610的操作可根据如本文所公开的示例来执行。在一些示例中，1610的操作的各方面可由如参考图9所描述的UE机器学习管理器930来执行。

在1615处，该方法可包括从基站接收用于机器学习模型、神经网络函数或两者的激活消息。1615的操作可根据如本文所公开的示例来执行。在一些示例中，1615的操作的各方面可由如参考图9所描述的UE激活组件935来执行。

图17示出了示出根据本公开的各方面的支持配置UE以用于机器学习的方法1700的流程图。方法1700的操作可以由如本文所述的基站或其组件实现。例如，方法1700的操作可由如参考图1至图6以及图11至图14所描述的基站105执行。在一些示例中，基站可以执行一组指令以控制基站的功能元件执行下面描述的功能。附加地或另选地，基站可以使用专用硬件来执行所描述的功能的各方面。

在1705处，该方法可包括向UE发送一个或多个机器学习模型中的机器学习模型、对应于该机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合可与被包括在基站中或与基站耦合的机器学习MR相关联。1705的操作可根据如本文所公开的示例来执行。在一些示例中，1705的操作的各方面可由如参考图13所描述的机器学习管理器1330来执行。

在1710处，该方法可包括向UE发送用于机器学习模型、神经网络函数或两者的激活消息。1710的操作可根据如本文所公开的示例来执行。在一些示例中，1710的操作的各方面可由如参考图13所描述的激活组件1335来执行。

图18示出了示出根据本公开的各方面的支持配置UE以用于机器学习的方法1800的流程图。方法1800的操作可由如本文所述的基站或其组件实现。例如，方法1800的操作可由如参考图1至图6以及图11至图14所描述的基站105执行。在一些示例中，基站可以执行一组指令以控制基站的功能元件执行下面描述的功能。附加地或另选地，基站可以使用专用硬件来执行所描述的功能的各方面。

在1805处，该方法可包括从UE接收包括对一个或多个机器学习模型中的机器学习模型、一个或多个神经网络函数中的神经网络函数或两者的指示的请求消息，其中该一个或多个机器学习模型、该一个或多个神经网络函数或它们的任何组合与被包括在基站中或与基站耦合的机器学习模型储存库相关联。1805的操作可根据如本文所公开的示例来执行。在一些示例中，1805的操作的各方面可由参考图13所描述的请求组件1360来执行。

在1810处，该方法可包括至少部分地基于接收到请求消息来向UE发送机器学习模型、对应于机器学习模型的参数集或对应于神经网络函数的配置。1810的操作可根据如本文所公开的示例来执行。在一些示例中，1810的操作的各方面可由如参考图13所描述的机器学习管理器1330来执行。

在1815处，该方法可包括向UE发送用于机器学习模型、神经网络函数或两者的激活消息。1815的操作可根据如本文所公开的示例来执行。在一些示例中，1815的操作的各方面可由如参考图13所描述的激活组件1335来执行。

以下提供了本公开的各方面的概览：

方面1：一种用于在UE处进行无线通信的方法，包括：接收一个或多个机器学习模型中的机器学习模型、对应于所述机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置，其中所述一个或多个机器学习模型、所述一个或多个神经网络函数或其任何组合与被包括在基站中或与基站耦合的机器学习MR相关联；以及从所述基站接收用于所述机器学习模型、所述神经网络函数或两者的激活消息。

方面2：根据方面1所述的方法，还包括：向所述基站发送包括对所述机器学习模型、所述神经网络函数或两者的指示的请求消息，其中接收所述机器学习模型、所述神经网络函数或两者至少部分地基于所述请求消息。

方面3：根据方面2所述的方法，还包括：从所述基站接收指示包括在黑名单中的第一组机器学习模型、包括在白名单中的第二组机器学习模型或两者的信令，其中发送所述请求消息至少部分地基于所述机器学习模型被包括在所述白名单中，不包括在所述黑名单中或两者。

方面4：根据方面2至3中任一项所述的方法，其中所述一个或多个机器学习模型中的每个机器学习模型与对应于位置、网络切片、DNN、PLMN、UE类型、RRC状态、通信服务、通信配置或它们的任何组合的相应范围相关联，并且发送所述请求消息至少部分地基于触发事件，所述触发事件包括所述UE具有在所述机器学习模型的所述相应范围内的条件。

方面5：根据方面4所述的方法，其中所述请求消息包括对所述触发事件的指示。

方面6：根据方面2至5中任一项所述的方法，其中发送所述请求消息包括：发送包括所述请求消息的UE辅助信息消息。

方面7：根据方面2至6中任一项所述的方法，其中发送所述请求消息包括：发送包括所述请求消息的RRC信令。

方面8：根据方面2至方面7中任一项所述的方法，其中发送所述请求消息包括向包括在所述基站中的CU-CP实体发送所述请求消息；并且接收所述机器学习模型、所述参数集或所述配置包括从所述CU-CP实体接收所述机器学习模型、所述参数集或所述配置。

方面9：根据方面1至7中任一项所述的方法，还包括：至少部分地基于相关联的ID和相关联的规则来确定所述机器学习模型、所述参数集或所述配置的地址，其中接收所述机器学习模型、所述参数集或所述配置至少部分地基于从所述机器学习MR至少部分地基于所述地址来下载所述机器学习模型、所述参数集或所述配置。

方面10：根据方面1至7中任一项所述的方法，还包括：至少部分地基于相关联的ID和相关联的规则来确定第二机器学习模型、对应于所述第二机器学习模型的第二参数集或对应于所述一个或多个神经网络函数中的第二神经网络函数的第二配置的地址；以及发起至少部分地基于所述第二机器学习模型、所述第二参数集或所述第二配置的所述地址来将所述第二机器学习模型、所述第二参数集或所述第二配置上传到所述机器学习MR。

方面11：根据方面1至7中任一项所述的方法，还包括：从包括在所述基站中的CU-XP实体接收所述机器学习模型、所述参数集或所述配置的地址，其中接收所述机器学习模型、所述参数集或所述配置至少部分地基于从所述机器学习MR至少部分地基于所述地址来下载所述机器学习模型、所述参数集或所述配置。

方面12：根据方面1至7中任一项所述的方法，还包括：从包括在所述基站中的CU-XP实体接收第二机器学习模型、对应于所述第二机器学习模型的第二参数集或对应于所述一个或多个神经网络函数中的第二神经网络函数的第二配置的地址；以及发起至少部分地基于所述第二机器学习模型、所述第二参数集或所述第二配置的所述地址来将所述第二机器学习模型、所述第二参数集或所述第二配置上传到所述机器学习MR。

方面13：一种用于在UE处进行无线通信的方法，包括：向所述UE发送一个或多个机器学习模型中的机器学习模型、对应于所述机器学习模型的参数集或对应于一个或多个神经网络函数中的神经网络函数的配置，其中所述一个或多个机器学习模型、所述一个或多个神经网络函数或其任何组合与被包括在所述基站中或与所述基站耦合的机器学习MR相关联；以及向所述UE发送用于所述机器学习模型、所述神经网络函数或两者的激活消息。

方面14：根据方面13所述的方法，还包括：从所述UE接收包括对所述机器学习模型、所述神经网络函数或两者的指示的请求消息，其中发送所述机器学习模型、所述神经网络函数或两者至少部分地基于所述请求消息。

方面15：根据方面14所述的方法，还包括：向所述UE发送指示包括在黑名单中的第一组机器学习模型、包括在白名单中的第二组机器学习模型或两者的信令，其中所述机器学习模型被包括在所述白名单中、不包括在所述黑名单中或两者。

方面16：根据方面14至15中任一项所述的方法，其中所述一个或多个机器学习模型中的每个机器学习模型与对应于位置、网络切片、DNN、PLMN、UE类型、RRC状态、通信服务、通信配置或它们的任何组合的相应范围相关联，并且接收所述请求消息至少部分地基于触发事件，所述触发事件包括所述UE具有在所述机器学习模型的所述相应范围内的条件。

方面17：根据方面16所述的方法，其中所述请求消息包括对所述触发事件的指示。

方面18：根据方面14至17中任一项所述的方法，其中接收所述请求消息包括：接收包括所述请求消息的UE辅助信息消息。

方面19：根据方面14至18中任一项所述的方法，其中接收所述请求消息包括：接收包括所述请求消息的RRC信令。

方面20：根据方面14至19中任一项所述的方法，还包括：在包括所述基站中的CU-CP实体处接收所述请求消息；将所述请求消息从所述CU-CP实体转发给包括在所述基站中的CU-XP实体；以及至少部分地基于所述请求消息，将所述机器学习模型、所述参数集或所述配置从所述机器学习MR下载到所述CU-CP实体，其中向所述UE发送所述机器学习模型、所述参数集或所述配置至少部分地基于所述下载。

方面21：根据方面13至19中任一项所述的方法，还包括：从所述UE接收所述机器学习模型、所述参数集或所述配置的地址；以及至少部分地基于所述地址，为所述UE从所述机器学习MR下载所述机器学习模型、所述参数集或所述配置。

方面22：根据方面13至19中任一项所述的方法，还包括：从所述UE接收第二机器学习模型、对应于所述第二机器学习模型的第二参数集或对应于所述一个或多个神经网络函数中的第二神经网络函数的第二配置的地址；以及将所述第二机器学习模型、所述第二参数集或所述第二配置上传到所述机器学习MR。

方面23：根据方面13至19中任一项所述的方法，还包括：在包括在所述基站中的CU-XP实体处，从所述UE接收与所述机器学习模型、所述参数集或所述配置相关联的ID；至少部分地基于所述ID来确定所述机器学习模型、所述参数集或所述配置的地址；以及至少部分地基于所述地址，为所述UE从所述机器学习MR下载所述机器学习模型、所述参数集或所述配置，其中向所述UE发送所述机器学习模型、所述参数集或所述配置至少部分地基于所述下载。

方面24：根据方面13至19中任一项所述的方法，还包括：在包括在所述基站中的CU-XP实体处，从所述UE接收与第二机器学习模型、对应于所述第二机器学习模型的第二参数集或对应于所述一个或多个神经网络函数中的第二神经网络函数的第二配置相关联的ID；至少部分地基于所述ID来确定所述第二机器学习模型、所述第二参数集或所述第二配置的地址；以及至少部分地基于所述地址来将所述第二机器学习模型、所述第二参数集或所述第二配置上传到所述机器学习MR。

方面25：一种用于在UE处进行无线通信的装置，包括：处理器；与所述处理器耦合的存储器；和指令，所述指令存储在所述存储器中并且能够由所述处理器执行以使所述装置执行根据方面1至12中任一项所述的方法。

方面26：一种用于在UE处进行无线通信的装置，包括用于执行根据方面1至12中任一项所述的方法的至少一个部件。

方面27：一种存储用于在UE处进行无线通信的代码的非暂态计算机可读介质，所述代码包括能够由处理器执行以执行根据方面1至12中任一项所述的方法的指令。

方面28：一种用于在基站处进行无线通信的装置，包括：处理器；与所述处理器耦合的存储器；和指令，所述指令存储在所述存储器中并且能够由所述处理器执行以使所述装置执行根据方面13至24中任一项所述的方法。

方面29：一种用于在基站处进行无线通信的装置，包括用于执行根据方面13至24中任一项所述的方法的至少一个部件。

方面30：一种存储用于在基站处进行无线通信的代码的非暂态计算机可读介质，所述代码包括能够由处理器执行以执行根据方面13至24中任一项所述的方法的指令。

应注意，本文中所描述的方法描述了可能的具体实施，并且各操作和步骤可被重新安排或以其他方式被修改且其他具体实施也是可能的。此外，可以组合来自两个或更多个方法的方面。

尽管LTE、LTE-A、LTE-A Pro或NR系统的各方面可被描述以用于示例目的，并且在大部分描述中可使用LTE、LTE-A、LTE-A Pro或NR术语，但本文所描述的技术也可应用于LTE、LTE-A、LTE-A Pro或NR网络之外的网络。例如，所描述的技术可以适用于各种其他无线通信系统，诸如超移动宽带(UMB)、电气和电子工程师协会(IEEE)802.11(Wi-Fi)、IEEE802.16(WiMAX)、IEEE 802.20、Flash-OFDM，以及本文未明确提及的其他系统和无线电技术。

本文所描述的信息和信号可以使用各种不同的技术和方法中的任何一种来表示。例如，在整个说明书中提及的数据、指令、命令、信息、信号、比特、符号和码片可以由电压、电流、电磁波、磁场或磁性粒子、光场或光学粒子或其任何组合来表示。

结合本文的公开所描述的各种说明性框和组件可以用设计成执行本文描述的功能的通用处理器、DSP、ASIC、CPU、FPGA或其他可编程逻辑器件、分立门或晶体管逻辑、分立硬件组件、或其任何组合来实施或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何处理器、控制器、微控制器、或状态机。处理器还可被实施为计算设备的组合(例如，DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器，或者任何其他此类配置)。

本文所述功能可以在硬件、由处理器执行的软件、固件或者其任何组合中实施。当在由处理器执行的软件中实施时，功能可以作为一个或多个指令或代码存储在计算机可读介质上，或者在计算机可读介质上进行发送。其他示例和具体实施处于本公开和所附权利要求的范围内。例如，由于软件的性质，本文所描述的功能可以使用由处理器执行的软件、硬件、固件、硬接线或这些项中任何项的组合来实施。实现功能的特征也可以物理地位于不同定位处，包括被分布以使得在不同的物理位置处实现功能的各个部分。

计算机可读介质包括非暂态计算机存储介质和通信介质两者，其包括有助于计算机程序从一地向另一地转移的任何介质。非暂态存储介质可以是能被通用或专用计算机访问的任何可用介质。通过举例而非限制的方式，非暂态计算机可读介质可以包括RAM、ROM、电可擦除可编程ROM(EEPROM)、闪存、压缩光盘(CD)ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、或可以用于以指令或数据结构的形式携带或存储期望的程序代码装置以及可以由通用或专用计算机、或通用或专用处理器访问的任何其它非暂态介质。而且，任何连接被适当地称为计算机可读介质。例如，如果使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或其他远程源发送软件，那么同轴电缆、光纤电缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在计算机可读介质的定义中。本文使用的磁盘和光盘包括CD、激光光盘、光学光盘、数字多功能光盘(DVD)、软盘和蓝光光盘，其中磁盘通常以磁性方式再现数据，而光盘则利用激光以光学方式再现数据。上述各项的组合也包括在计算机可读介质的范围内。

如本文(包括在权利要求中)所使用的，在项目列举(例如，以附有诸如“中的至少一个”或“中的一个或多个”之类的措辞的项目列举)中使用的“或”指示包含性列举，以使得例如A、B或C中的至少一个的列举意指A或B或C或AB或AC或BC或ABC(即，A和B和C)。此外，如本文所使用的，短语“基于”不应解释为对封闭条件集的引用。例如，被描述为“基于条件A”的示例性步骤可以基于条件A和条件B两者，而不脱离本公开内容的范围。换言之，如本文所使用的，短语“基于”应以与短语“至少部分地基于”相同的方式进行解释。同样，如本文所使用的，短语“集”应被理解为包括具有一个成员的集合的可能性。即，短语“集”应当按照与“一个或多个”相同的方式来理解。

术语“确定”或“判定”涵盖各种各样的动作，并且因此，“确定”可包括演算、计算、处理、推导、调研、查找(诸如经由在表、数据库或其他数据结构中查找)、查明、和类似动作。另外，“确定”可包括接收(诸如接收信息)、访问(诸如访问存储器中的数据)、和类似动作。另外，“确定”可包括解析、选择、选取、建立、和其他此类类似动作。

在附图中，类似组件或特征可具有相同的附图标记。此外，可以通过在附图标记后面添加破折号和用于在类似组件之间加以区分的第二标记来区分相同类型的各种组件。如果在说明书中仅使用第一附图标记，则该描述可应用于具有相同的第一附图标记的类似组件中的任何一个组件而不论第二附图标记、或其他后续附图标记如何。

本文结合附图阐述的说明描述了示例性配置，并不代表可以实施的或在权利要求范围内的所有示例。本文中使用的术语“示例”意味着“用作示例、实例或说明”，而不是“优选的”或者“比其它示例有优势”。具体实施方式包括用于提供对所述技术的理解的具体细节。然而，在没有这些具体细节的情况下可以实践这些技术。在一些实例中，已知的结构和设备以框图形式示出，以避免模糊所描述示例的概念。

提供本文中的描述，以使得本领域技术人员能够实现或者使用本公开。对本公开的各种修改对于本领域普通技术人员来说是显而易见的，并且本文定义的一般原则可以应用于其他变化，而不脱离本公开的范围。由此，本公开并非被限定于本文中所描述的示例和设计，而是应被授予与本文所公开的原理和新颖特征相一致的最广范围。