用于管理针对认知网络功能和/或机器学习模型的请求的装置、方法和计算机程序

技术领域

本公开涉及一种装置、方法和计算机程序，用于管理针对满足要求的认知网络功能和/或机器学习模型或针对与满足要求的认知网络功能和/或机器学习模型有关的信息的请求。

背景技术

通信系统可被视为是一种设施，它通过在通信路径中涉及的各种实体之间提供载体，能够在两个或更多个实体(如通信设备、基站和/或其他节点)之间实现通信会话。

通信系统可以是无线通信系统。无线系统的例子包括基于无线电标准(如3GPP提供的那些)操作的公共陆地移动网络(PLMN)、基于卫星的通信系统和不同的无线本地网络，例如无线局域网(WLAN)。无线系统通常可被划分为(多个)小区，因此通常被称为蜂窝系统。

通信系统和相关联的设备通常按照给定标准或规范来操作，这些标准或规范规定了允许与系统相关联的各种实体做什么，以及应该如何做到这一点。通信协议和/或应用于连接的参数通常也有被定义。标准的例子是所谓的5G标准。

发明内容

根据一个方面，提供了一种包括用于以下的部件的装置：存储与可部署在网络上的多个认知网络功能和/或机器学习模型有关的信息，每个认知网络功能与一个或多个机器学习模型相关联，每个机器学习模型用一个或多个训练上下文进行训练；接收第一请求，所述第一请求针对满足要求的认知网络功能和/或机器学习模型或针对与满足要求的认知网络功能和/或机器学习模型有关的信息；处理第一请求以标识满足要求的认知网络功能和/或机器学习模型；以及基于处理来发送对第一请求的响应。

处理第一请求以标识满足要求的认知网络功能和/或机器学习模型可包括：将与多个认知网络功能和/或机器学习模型有关的信息与要求进行比较，以标识满足要求的认知网络功能和/或机器学习模型。

所述装置可包括用于以下的部件：标识满足要求的认知网络功能和/或机器学习模型；发送针对所标识的认知网络功能和/或机器学习模型的第二请求；接收对第二请求的响应，对第二请求的响应包括所标识的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括所标识的认知网络功能和/或机器学习模型。

所述装置可包括用于以下的部件：标识满足要求的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括与所标识的认知网络功能和/或机器学习模型有关的信息。

所述装置可包括用于以下的部件：标识没有符合要求的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括关于没有认知网络功能和/或机器学习模型被标识出的指示。

第一请求可包括预期上下文或检测的上下文；以及要求可包括具有与预期上下文或检测的上下文相匹配的训练上下文的认知网络功能和/或机器学习模型的可用性。

每个训练上下文、预期上下文或检测的上下文可包括以下上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性。

第一请求可源自被部署在网络上的网络管理功能或认知网络功能；以及对第一请求的响应可指向被部署在网络上的网络管理功能或认知网络功能。

第二请求可指向被部署在网络上的认知网络功能和模型存储库功能；以及对第二请求的响应可源自被部署在网络上的认知网络功能和模型存储库功能。

所述装置可以是被部署在网络上的认知网络功能和模型选择功能。

认知网络功能和模型选择功能可被集成在认知网络功能和模型存储库功能内，或可以与认知网络功能和模型存储库功能分开。

该装置可包括用于以下的部件：接收第一请求，所述第一请求针对满足要求的所有认知网络功能和/或所有机器学习模型或针对与满足要求的所有认知网络功能和/或所有机器学习模型有关的信息；处理第一请求，以标识满足要求的所有认知网络功能和/或所有机器学习模型。

每个认知网络功能可与信息模型中的认知网络功能信息对象类相关联；每个机器学习模型可与信息模型中的机器学习模型信息对象类相关联；和/或每个训练上下文、预期上下文或检测的上下文可与信息模型中的训练上下文、预期上下文或检测的上下文信息对象类相关联。

认知网络功能信息对象类可包括具有多个字段的认知网络功能特性属性，每个字段具有从固定的一组备选项中选择的单个值。

机器学习模型信息对象类可包括具有多个字段的训练上下文属性、预期上下文属性和/或检测的上下文属性，每个字段都具有从固定的一组备选项中选择的单个值。

训练上下文、预期上下文或检测的上下文信息对象类可包括以下训练上下文、预期上下文或检测的上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性，其具有多个字段，每个字段具有从固定的一组备选项中选择的单个值。

每个认知网络功能可由认知网络功能标识符标识；和/或每个机器学习模型可与机器学习模型标识符相关联。

根据一个方面，提供了一种装置，包括至少一个处理器和至少一个存储器，该至少一个存储器包括用于一个或多个程序的计算机代码，该至少一个存储器和计算机代码被配置为与至少一个处理器一起，使该装置至少：存储与可部署在网络上的多个认知网络功能和/或机器学习模型有关的信息，每个认知网络功能与一个或多个机器学习模型相关联，每个机器学习模型利用一个或多个训练上下文进行训练；接收第一请求，所述第一请求针对满足要求的认知网络功能和/或机器学习模型或针对与满足要求的认知网络功能和/或机器学习模型有关的信息；处理第一请求以标识满足要求的认知网络功能和/或机器学习模型；以及基于所述处理来发送对第一请求的响应。

处理第一请求以标识满足要求的认知网络功能和/或机器学习模型可包括：将与多个认知网络功能和/或机器学习模型有关的信息与要求进行比较，以标识满足要求的认知网络功能和/或机器学习模型。

该至少一个存储器和计算机代码可被配置为与至少一个处理器一起，使该装置至少：标识满足要求的认知网络功能和/或机器学习模型；发送针对所标识的认知网络功能和/或机器学习模型的第二请求；接收对第二请求的响应，对第二请求的响应包括所标识的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括所标识的认知网络功能和/或机器学习模型。

该至少一个存储器和计算机代码可被配置为与至少一个处理器一起，使该装置至少：标识满足要求的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括与所标识的认知网络功能和/或机器学习模型有关的信息。

该至少一个存储器和计算机代码可被配置为与至少一个处理器一起，使该装置至少：标识没有满足要求的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括关于没有认知网络功能和/或机器学习模型被标识出的指示。

第一请求可包括预期上下文或检测的上下文；而要求可包括具有与预期上下文或检测的上下文相匹配的训练上下文的认知网络功能和/或机器学习模型的可用性。

每个训练上下文、预期上下文或检测的上下文可包括以下上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性。

第一请求可源自被部署在网络上的网络管理功能或认知网络功能；以及对第一请求的响应可指向被部署在网络上的网络管理功能或认知网络功能。

第二请求可指向被部署在网络上的认知网络功能和模型存储库功能；且对第二请求的响应可源自被部署在网络上的认知网络功能和模型存储库功能。

该装置可以是被部署在网络上的认知网络功能和模型选择功能。

认知网络功能和模型选择功能可被集成在认知网络功能和模型存储库功能内，或可以与认知网络功能和模型存储库功能分开。

该至少一个存储器和计算机代码可被配置为与至少一个处理器一起，使该装置至少：接收第一请求，所述第一请求针对满足要求的所有认知网络功能和/或所有机器学习模型或针对与满足要求的所有认知网络功能和/或所有机器学习模型有关的信息；处理第一请求以标识满足要求的所有认知网络功能和/或所有机器学习模型。

每个认知网络功能可与信息模型中的认知网络功能信息对象类相关联；每个机器学习模型可与信息模型中的机器学习模型信息对象类相关联；和/或每个训练上下文、预期上下文或检测的上下文可与信息模型中的训练上下文、预期上下文或检测的上下文信息对象类相关联。

认知网络功能信息对象类可包括具有多个字段的认知网络功能特性属性，每个字段具有从固定的一组备选项中选择的单个值。

机器学习模型信息对象类可包括具有多个字段的训练上下文属性、预期上下文属性和/或检测的上下文属性，每个字段具有从固定的一组备选项中选择的单个值。

训练上下文、预期上下文或检测的上下文信息对象类可包括以下训练上下文、预期上下文或检测的上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性，其具有多个字段的，每个字段具有从固定的一组备选项中选择的单个值。

每个认知网络功能可由认知网络功能标识符标识；和/或每个机器学习模型可与机器学习模型标识符相关联。

根据一个方面，提供了一种包括电路的装置，该电路被配置为：存储与可部署在网络上的多个认知网络功能和/或机器学习模型有关的信息，每个认知网络功能与一个或多个机器学习模型相关联，每个机器学习模型利用一个或多个训练上下文进行训练；接收第一请求，所述第一请求针对满足要求的认知网络功能和/或机器学习模型或针对与满足要求的认知网络功能和/或机器学习模型有关的信息；处理第一请求以标识满足要求的认知网络功能和/或机器学习模型；以及基于该处理来发送对第一请求的响应。

处理第一请求以标识满足要求的认知网络功能和/或机器学习模型可包括：将与多个认知网络功能和/或机器学习模型有关的信息与要求进行比较，以标识满足要求的认知网络功能和/或机器学习模型。

电路可被配置为：标识满足要求的认知网络功能和/或机器学习模型；发送针对所标识的认知网络功能和/或机器学习模型的第二请求；接收对第二请求的响应，对第二请求的响应包括所标识的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括所标识的认知网络功能和/或机器学习模型。

电路可被配置为：标识满足要求的认知网络功能和/或机器学习模型；以及发送包括与所标识的认知网络功能和/或机器学习模型有关的信息的对第一请求的响应。

电路可被配置为：标识没有满足要求的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括关于没有认知网络功能和/或机器学习模型被标识出的指示。

第一请求可包括预期上下文或检测的上下文；而要求可包括具有与预期上下文或检测的上下文相匹配的训练上下文的认知网络功能和/或机器学习模型的可用性。

每个训练上下文、预期上下文或检测的上下文可包括以下上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性。

第一请求可源自被部署在网络上的网络管理功能或认知网络功能；以及对第一请求的响应可指向被部署在网络上的网络管理功能或认知网络功能。

第二请求可指向被部署在网络上的认知网络功能和模型存储库功能；以及对第二请求的响应可源自被部署在网络上的认知网络功能和模型存储库功能。

该装置可以是被部署在网络上的认知网络功能和模型选择功能。

认知网络功能和模型选择功能可被集成在认知网络功能和模型存储库功能内，或可以与认知网络功能和模型存储库功能分开。

该电路可被配置为：接收第一请求，所述第一请求针对满足要求的所有认知网络功能和/或所有机器学习模型或针对与满足要求的所有认知网络功能和/或所有机器学习模型有关的信息；处理第一请求以标识满足要求的所有认知网络功能和/或所有机器学习模型。

每个认知网络功能可与信息模型中的认知网络功能信息对象类相关联；每个机器学习模型可与信息模型中的机器学习模型信息对象类相关联；和/或每个训练上下文、预期上下文或检测的上下文可与信息模型中的训练上下文、预期上下文或检测的上下文信息对象类相关联。

认知网络功能信息对象类可包括具有多个字段的认知网络功能特性属性，每个字段具有从固定的一组备选项中选择的单个值。

机器学习模型信息对象类可包括具有多个字段的训练上下文属性、预期上下文属性和/或检测的上下文属性，每个字段具有从固定的一组备选项中选择的单个值。

训练上下文、预期上下文或检测的上下文信息对象类可包括以下训练上下文、预期上下文或检测的上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性，其具有多个字段，每个字段具有从固定的一组备选项中选择的单个值。

每个认知网络功能可由认知网络功能标识符标识；和/或每个机器学习模型可与机器学习模型标识符相关联。

根据一个方面，提供了一种方法，包括：存储与可部署在网络上的多个认知网络功能和/或机器学习模型有关的信息，每个认知网络功能与一个或多个机器学习模型相关联，每个机器学习模型利用一个或多个训练上下文进行训练；接收第一请求，所述第一请求针对满足要求的认知网络功能和/或机器学习模型或针对与满足要求的认知网络功能和/或机器学习模型有关的信息；处理第一请求以标识满足要求的认知网络功能和/或机器学习模型；以及基于该处理来发送对第一请求的响应。

处理第一请求以标识满足要求的认知网络功能和/或机器学习模型可包括：将与多个认知网络功能和/或机器学习模型有关的信息与要求进行比较，以标识满足要求的认知网络功能和/或机器学习模型。

该装置可包括用于以下的部件：标识满足要求的认知网络功能和/或机器学习模型；发送针对所标识的认知网络功能和/或机器学习模型的第二请求；接收对第二请求的响应，对第二请求的响应包括所标识的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括所标识的认知网络功能和/或机器学习模型。

该方法可包括：标识满足要求的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括与所标识的认知网络功能和/或机器学习模型有关的信息。

该方法可包括：标识没有满足要求的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括关于没有认知网络功能和/或机器学习模型被标识出的指示。

第一请求可包括预期上下文或检测的上下文；而要求可包括具有与预期上下文或检测的上下文相匹配的训练上下文的认知网络功能和/或机器学习模型的可用性。

每个训练上下文、预期上下文或检测的上下文可包括以下上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性。

第一请求可源自被部署在网络上的网络管理功能或认知网络功能；以及对第一请求的响应可指向被部署在网络上的网络管理功能或认知网络功能。

第二请求可指向被部署在网络上的认知网络功能和模型存储库功能；以及对第二请求的响应可源自被部署在网络上的认知网络功能和模型存储库功能。

该方法可由被部署在网络上的认知网络功能和模型选择功能执行。

认知网络功能和模型选择功能可被集成在认知网络功能和模型存储库功能内，或可以与认知网络功能和模型存储库功能分开。

该方法可包括：接收第一请求，所述第一请求针对满足要求的所有认知网络功能和/或所有机器学习模型或针对与满足要求的所有认知网络功能和/或所有机器学习模型有关的信息；处理第一请求以标识满足要求的所有认知网络功能和/或所有机器学习模型。

每个认知网络功能可与信息模型中的认知网络功能信息对象类相关联；每个机器学习模型可与信息模型中的机器学习模型信息对象类相关联；和/或每个训练上下文、预期上下文或检测的上下文可与信息模型中的训练上下文、预期上下文或检测的上下文信息对象类相关联。

认知网络功能信息对象类可包括具有多个字段的认知网络功能特性属性，每个字段具有从固定的一组备选项中选择的单个值。

机器学习模型信息对象类可包括具有多个字段的训练上下文属性、预期上下文属性和/或检测的上下文属性，每个字段具有从固定的一组备选项中选择的单个值。

训练上下文、预期上下文或检测的上下文信息对象类可包括以下训练上下文、预期上下文或检测的上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性，其具有多个字段，每个字段具有从固定的一组备选项中选择的单个值。

每个认知网络功能可由认知网络功能标识符标识；和/或每个机器学习模型可与机器学习模型标识符相关联。

根据一个方面，提供了一种包括计算机可执行代码的计算机程序，该代码在至少一个处理器上运行时被配置为：存储与可部署在网络上的多个认知网络功能和/或机器学习模型有关的信息，每个认知网络功能与一个或多个机器学习模型相关联，每个机器学习模型利用一个或多个训练上下文进行训练；接收第一请求，所述第一请求针对满足要求的认知网络功能和/或机器学习模型或针对与满足要求的认知网络功能和/或机器学习模型有关的信息；处理第一请求以标识满足要求的认知网络功能和/或机器学习模型；以及基于该处理来发送对第一请求的响应。

处理第一请求以标识满足要求的认知网络功能和/或机器学习模型可包括：将与多个认知网络功能和/或机器学习模型有关的信息与要求进行比较，以标识满足要求的认知网络功能和/或机器学习模型。

计算机程序可包括计算机可执行代码，该代码在至少一个处理器上运行时被配置为：标识满足要求的认知网络功能和/或机器学习模型；发送针对所标识的认知网络功能和/或机器学习模型的第二请求；接收对第二请求的响应，对第二请求的响应包括所标识的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括所标识的认知网络功能和/或机器学习模型。

计算机程序可包括计算机可执行代码，该代码在至少一个处理器上运行时被配置为：标识满足要求的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括与所标识的认知网络功能和/或机器学习模型有关的信息。

计算机程序可包括计算机可执行代码，该代码在至少一个处理器上运行时被配置为：标识没有满足要求的认知网络功能和/或机器学习模型；以及发送对第一请求的响应，对第一请求的响应包括关于标识出没有认知网络功能和/或机器学习模型的指示。

第一请求可包括预期上下文或检测的上下文；而要求可包括具有与预期上下文或检测的上下文相匹配的训练上下文的认知网络功能和/或机器学习模型的可用性。

每个训练上下文、预期上下文或检测的上下文可包括以下上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性。

第一请求可源自被部署在网络上的网络管理功能或认知网络功能；以及对第一请求的响应可指向被部署在网络上的网络管理功能或认知网络功能。

第二请求可指向被部署在网络上的认知网络功能和模型存储库功能；以及对第二请求的响应可源自被部署在网络上的认知网络功能和模型存储库功能。

至少一个处理器可以是被部署在网络上的认知网络功能和模型选择功能的一部分。

认知网络功能和模型选择功能可被集成在认知网络功能和模型存储库功能内，或可以与认知网络功能和模型存储库功能分开。

计算机程序可包括计算机可执行代码，该代码在至少一个处理器上运行时被配置为：接收第一请求，所述第一请求针对满足要求的所有认知网络功能和/或所有机器学习模型或针对与满足要求的所有认知网络功能和/或所有机器学习模型有关的信息；处理第一请求，以标识满足要求的所有认知网络功能和/或所有机器学习模型。

每个认知网络功能可与信息模型中的认知网络功能信息对象类相关联；每个机器学习模型可与信息模型中的机器学习模型信息对象类相关联；和/或每个训练上下文、预期上下文或检测的上下文可与信息模型中的训练上下文、预期上下文或检测的上下文信息对象类相关联。

认知网络功能信息对象类可包括具有多个字段的认知网络功能特性属性，每个字段具有从固定的一组备选项中选择的单个值。

机器学习模型信息对象类可包括具有多个字段的训练上下文属性、预期上下文属性和/或检测的上下文属性，每个字段具有从固定的一组备选项中选择的单个值。

训练上下文、预期上下文或检测的上下文信息对象类可包括以下训练上下文、预期上下文或检测的上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性，其具有多个字段，每个字段具有从固定的一组备选项中选择的单个值。

每个认知网络功能可由认知网络功能标识符标识；和/或每个机器学习模型可与机器学习模型标识符相关联。

根据一个方面，提供了一种包括用于以下的部件的装置：存储可部署在网络上的多个认知网络功能和/或机器学习模型，每个认知网络功能与一个或多个机器学习模型相关联，每个机器学习模型利用一个或多个训练上下文进行训练；接收第二请求，所述第二请求针对满足要求的、所标识的认知网络功能和/或机器学习模型；以及发送对第二请求的响应，对第二请求的响应包括满足要求的、所标识的认知网络功能和/或机器学习模型。

第二请求可源自被部署在网络上的认知网络功能和模型选择功能。对第二请求的响应可指向被部署在网络上的认知网络功能和模型选择功能。

该装置可以是被部署在网络上的认知网络功能和模型存储库功能。

认知网络功能和模型存储库功能可以集成认知网络功能和模型选择功能，或可以与认知网络功能和模型选择功能分开。

根据一个方面，提供了一种装置，包括至少一个处理器和至少一个存储器，该至少一个存储器包括用于一个或多个程序的计算机代码，该至少一个存储器和计算机代码被配置为与至少一个处理器一起，使该装置至少：存储可部署在网络上的多个认知网络功能和/或机器学习模型，每个认知网络功能与一个或多个机器学习模型相关联，每个机器学习模型利用一个或多个训练上下文进行训练；接收第二请求，所述第二请求针对满足要求的、所标识的认知网络功能和/或机器学习模型；以及发送对第二请求的响应，对第二请求的响应包括满足要求的、所标识的认知网络功能和/或机器学习模型。

第二请求可源自被部署在网络上的认知网络功能和模型选择功能。对第二请求的响应可指向被部署在网络上的认知网络功能和模型选择功能。

该装置可以是被部署在网络上的认知网络功能和模型存储库功能。

认知网络功能和模型存储库功能可以集成认知网络功能和模型选择功能，或可以与认知网络功能和模型选择功能分开。

根据一个方面，提供了一种包括电路的装置，该电路被配置为存储可部署在网络上的多个认知网络功能和/或机器学习模型，每个认知网络功能与一个或多个机器学习模型相关联，每个机器学习模型利用一个或多个训练上下文进行训练；接收第二请求，所述第二请求针对满足要求的、所标识的认知网络功能和/或机器学习模型；以及发送对第二请求的响应，对第二请求的响应包括满足要求的、所标识的认知网络功能和/或机器学习模型。

第二请求可源自被部署在网络上的认知网络功能和模型选择功能。对第二请求的响应可指向被部署在网络上的认知网络功能和模型选择功能。

该装置可以是被部署在网络上的认知网络功能和模型存储库功能。

认知网络功能和模型存储库功能可以集成认知网络功能和模型选择功能，或可以与认知网络功能和模型选择功能分开。

根据一个方面，提供了一种方法，包括：存储可部署在网络上的多个认知网络功能和/或机器学习模型，每个认知网络功能与一个或多个机器学习模型相关联，每个机器学习模型利用一个或多个训练上下文进行训练；接收第二请求，所述第二请求针对满足要求的、所标识的认知网络功能和/或机器学习模型；以及发送对第二请求的响应，对第二请求的响应包括满足要求的、所标识的认知网络功能和/或机器学习模型。

第二请求可源自被部署在网络上的认知网络功能和模型选择功能。对第二请求的响应可指向被部署在网络上的认知网络功能和模型选择功能。

该方法可由被部署在网络上的认知网络功能和模型存储库功能执行。

认知网络功能和模型存储库功能可以集成认知网络功能和模型选择功能，或可以与认知网络功能和模型选择功能分开。

根据一个方面，提供了一种包括计算机可执行代码的计算机程序，该代码在至少一个处理器上运行时被配置为：存储可部署在网络上的多个认知网络功能和/或机器学习模型，每个认知网络功能与一个或多个机器学习模型相关联，每个机器学习模型利用一个或多个训练上下文进行训练；接收第二请求，所述第二请求针对满足要求的、所标识的认知网络功能和/或机器学习模型；以及发送对第二请求的响应，对第二请求的响应包括满足要求的、所标识的认知网络功能和/或机器学习模型。

第二请求可源自被部署在网络上的认知网络功能和模型选择功能。对第二请求的响应可指向被部署在网络上的认知网络功能和模型选择功能。

至少一个处理器可以是被部署在网络上的认知网络功能和模型存储库功能。

认知网络功能和模型存储库功能可以集成认知网络功能和模型选择功能，或可以与认知网络功能和模型选择功能分开。

根据一个方面，提供了一种计算机可读介质，该介质包括存储在其上的用于执行上述方法中的至少一种的程序指令。

根据一个方面，提供了一种非暂时性计算机可读介质，该介质包括存储在其上的用于执行上述方法中的至少一种的程序指令。

根据一个方面，提供了一种非易失性有形存储介质，该介质包括存储在其上的用于执行上述方法中的至少一种的程序指令。

在上文中，已经描述了许多不同的方面。应该理解的是，上述任意两个或多个方面的组合可以提供更多方面。

在下面的详细描述和所附的权利要求书中还描述了各种其他方面。

缩写表

AF：应用功能

AI：人工智能

AMF：访问和移动管理功能

API：应用协议接口

BS：基站

CM：有条件强制

CNF：认知网络功能

CoMDI：认知网络功能和模型部署接口

CoMReF：认知网络功能和模型存储库功能

CoMSeF：认知网络功能和模型选择功能

CoMSI：认知网络功能和模型规范接口

CU：中央单元

DL：下行链路

DU：分布式单元

F：假

gNB：gNodeB

GSM：全球移动通信系统

HSS：家庭用户服务器

IOC：信息对象类

IoT：物联网

LTE：长期演进

M：强制性

MAC：介质访问控制

MDAS：管理数据分析服务

ML：机器学习

MS：移动站

MTC：机器类型通信

NEF：网络曝光功能

NF：网络功能

NR：新无线电

NRF：网络功能存储库功能

O：可选的

PDU：分组数据单元

RAM：随机存取存储器

(R)AN：(无线电)接入网

ROM：只读存储器

SINR：信号干扰加噪声比

SMF：会话管理功能

NSSAI：网络片段选择辅助信息

T：真

TR：技术报告

TS：技术规范

UE：用户设备

UMTS：通用移动通信系统

3GPP：第三代合作伙伴计划

5G：第五代

5GC：5G核心网

5GS：5G系统

附图说明

现在将仅以举例的方式参照附图描述实施例，其中：

图1显示5G系统的示意表示；

图2显示控制装置的示意表示；

图3显示终端的示意表示；

图4显示5GC子系统的示意表示，该子系统包括认知网络功能和模型存储库功能，以及认知网络功能和模型选择功能具有用于请求认知网络功能和/或机器学习模型的接口，其中认知网络功能和模型存储库功能集成了认知网络功能和模型选择功能；

图5a和图5b显示用于管理针对满足要求的认知网络功能和/或机器学习模型的请求的流程的信号图；

图6a和图6b显示了说明认知网络功能、机器学习模型和其他网络功能之间的关系的框图；

图7显示5GC子系统的示意表示，该子系统包括认知网络功能和模型存储库功能，以及认知网络功能和模型选择功能具有用于请求认知网络功能和/或机器学习模型的接口，其中认知网络功能和模型存储库功能与认知网络功能和模型选择功能是分开的；

图8显示用于管理针对满足要求的认知网络功能和/或机器学习模型或针对与满足要求的认知网络功能和/或机器学习模型有关的信息的请求的过程的框图；

图9显示用于管理针对满足要求的认知网络功能和/或机器学习模型或针对与满足要求的认知网络功能和/或机器学习模型有关的信息的请求的方法的框图，该方法例如由认知网络功能和模型选择功能执行；

图10显示用于管理针对满足要求的认知网络功能和/或机器学习模型或针对与满足要求的认知网络功能和/或机器学习模型有关的信息的请求的方法的框图，该方法例如由认知网络功能和模型存储库功能执行；以及

图11显示存储指令的非易失性存储介质的示意表示，当这些指令被处理器执行时，使处理器执行图9和图10的方法的一个或多个步骤。

具体实施方式

下面将参照能够经由无线蜂窝系统和服务于这些移动通信设备的移动通信系统进行通信的移动通信设备来解释某些实施例。在详细解释示范实施例之前，将参考图1、图2和图3简要说明无线通信系统、其接入系统和移动通信设备的某些一般原理，以帮助理解所述例子的基础技术。

图1显示5G系统(5GS)的示意表示。5GS可包括终端、(无线)接入网((R)AN)、5G核心网(5GC)、一个或多个应用功能(AF)和一个或多个数据网(DN)。

5G(R)AN可包括连接到一个或多个gNodeB(gNB)集中式单元功能的一个或多个gNodeB(gNB)分布式单元功能。

5GC可包括接入和移动性管理功能(AMF)、会话管理功能(SMF)、认证服务器功能(AUSF)、用户数据管理(UDM)、用户平面功能(UPF)和/或网络曝光功能(NEF)。虽然没有说明，但5GC可以包括其他网络功能(NF)，例如网络管理功能(NMF)、认知网络功能(CNF)、认知网络功能和模型存储库功能(CoMReF)以及认知网络功能和模型选择功能(CoMSeF)。

图2说明用于控制图1说明的(R)AN或5GC的功能的控制装置200的例子。控制装置可包括至少一个随机存取存储器(RAM)211a、至少一个只读存储器(ROM)211b、至少一个处理器212、213和输入/输出接口214。至少一个处理器212、213可被耦合到RAM 211a和ROM211b。至少一个处理器212、213可被配置为执行适当的软件代码215。例如，软件代码215可允许执行一个或多个步骤，以执行本方面的一个或多个。软件代码215可被存储在ROM 211b中。控制装置200可与控制5G(R)AN或5GC的另一功能的另一控制装置200相互连接。在一些实施例中，(R)AN或5GC的每个功能包括控制装置200。在替代实施例中，(R)AN或5GC的两个或更多个功能可共用控制装置。

图3说明终端300的例子，如图1说明的终端。终端300可以由能够发送和接收无线电信号的任何设备提供。非限制性例子包括用户设备、移动站(MS)或移动设备(如手机或所谓的“智能手机”)、提供有无线接口卡或其他无线接口设施(如USB加密狗)的计算机、提供有无线通信能力的个人数据助理(PDA)或平板电脑、机器型通信(MTC)设备、蜂窝物联网(CIoT)设备或这些设备的任意组合等。例如，终端300可提供用于携带通信的数据通信。通信可以是语音、电子邮件(email)、文本消息、多媒体、数据、机器数据等中的一种或多种。

终端300可经由用于接收的适当装置在空中或无线电接口307上接收信号，经由用于发射无线电信号的适当装置发射信号。在图3中，收发器装置示意性地用块306表示。例如，收发器装置306可以通过无线电部分和相关联的天线布置来提供。天线布置可被布置在移动设备内部或外部。

终端300可被提供有至少一个处理器301、至少一个存储器ROM 302a、至少一个RAM302b和其他可能的组件303，用于在软件和硬件辅助下执行其设计用于执行的任务，包括控制对接入系统和其他通信设备的接入以及与接入系统和其他通信设备的通信。至少一个处理器301被耦合到RAM 302b和ROM 302a。至少一个处理器301可被配置为执行适当的软件代码308。例如，软件代码308可允许执行本方面的一个或多个。软件代码308可被存储在ROM302a中。

处理器、存储器和其他相关控制装置可在适当的电路板上和/或芯片组中被提供。该特征用参考304表示。设备可选择性地具有用户界面，如键盘305、触摸感应屏幕或垫板、其组合等。选择性地，取决于设备的类型，可提供显示器、扬声器和麦克风中的一个或多个。

本公开的一个或多个方面涉及使用人工智能(AI)模型的NF，更具体地说，涉及机器学习(ML)模型。

使用ML模型的NF在通信网络中正逐步取得进展。例如，这种NF可用于自动化网络管理或用于如同资源调度的基本网络程序。通常，ML模型由供应商开发和训练。在培训或开发阶段，可利用一个或多个ML模型版本上下文(即网络培训上下文)对ML模型进行培训。然后，当确认ML模型实现了所需行为时，供应商可将ML模型参数化并将ML模型与操作元信息绑定，以实现认知网络功能(CNF)。在部署到运营商的生产网络时，运营商可对CNF进行测试和验证(如使用沙箱环境)。在成功通过验证后，CNF可被部署投入运行。

替代地，供应商可以开发和训练多个ML模型。在训练或开发阶段期间，每个ML模型可以利用一个或多个ML模型版本上下文进行训练。供应商可将多个ML模型参数化并将其与操作元信息绑定，以实现CNF。为了最佳性能，可以在多个ML模型中选择一个ML模型，以便该ML模型针对其已被训练的ML模型版本上下文与网络预期上下文或网络检测的上下文相匹配。

本公开的一个或多个方面提供了用于支持ML模型的请求、标识和/或选择的技术，以便ML模型针对其已被训练的ML模型版本上下文与网络预期上下文或网络检测的上下文相匹配。

在典型的网络操作中，可能会有多个CNF和/或多个ML模型可用于支持同一个NF/解决同一个问题(如切换阈值的优化)。多个ML模型可以利用相同或不同的ML模型版本上下文(如市中心相比农村地区)进行训练。

在一个例子中，可以从不同供应商购买多个CNF，用于支持同一个NF/解决同一个问题。每个CNF可与利用ML模型版本训练上下文训练的单个ML模型相关联。

在另一个例子中，可以从供应商购买单个CNF，用于支持NF/解决问题。单个CNF可与在不同ML模型版本上下文中训练的多个ML模型相关联。

在网络预期上下文或网络检测的上下文中可能存在明显差异。随后这在多个CNF和/或多个ML模型中进行选择可能变得重要，因此ML模型针对其已被训练的ML模型版本上下文与网络预期上下文或网络检测的上下文相匹配。

可能需要提供用于以下的部件：允许运营商、网络自动化平台或此类平台上的功能请求符合特定上下文的CNF和/或ML模型，或请求关于符合特定上下文的CNF和/或ML模型的信息。

可能需要提供用于以下的部件：解析此类请求并将请求与多个CNF之一和/或多个ML模型之一相匹配。

可能需要提供用于以下的部件：将多个CNF之一和/或多个ML模型之一或与多个CNF之一和/或多个ML模型之一有关的信息发送给运营商、网络自动化平台或此类平台上的功能。

此外，为了支持在多个CNF和/或多个ML模型之间进行选择，可能需要提供用于在信息模型中描述多个CNF和/或多个ML模型的部件。这种信息模型然后可允许在接口上交换标准信息对象，不管多个供应商、NF、网络上下文和/或它们的组合如何。信息对象可以使用明确定义的语义的字段。

本公开的一个或多个方面提供了一种解决方案，其允许选择适合的上下文特定的CNF和/或ML模型。

已经提出了在移动网络中使用AI/ML的多种架构(例如用于5G和未来网络中的机器学习的ITU-T FG-ML5G、FG-ML5G-ARC5G统一架构以及ETSI GS ZSM 002V0.12.0(2019-05)参考架构)。然而，这些架构通常假设只有一个ML模型可用于处理所有可能的网络上下文。它们没有考虑以下场景：其中多个CNF或ML模型已被训练，以及其中需要将多个CNF或ML模型与网络预期上下文或网络检测的上下文匹配。

3GPP SA5中的管理数据分析服务(MDAS)概念提出对接口进行标准化，使消费者能够请求和接收针对一些分析用例的分析(例如，S5-204246pCR加MDA功能概览)。尽管MDAS假定可能有多种分析功能可用，但它并未提供任何方式来根据网络训练上下文、网络预期上下文或网络检测的上下文从很多可用的分析功能中选择一种。取而代之的是，其假设请求者确切知道他们需要哪种分析，并提出针对特定分析的请求，或假设分析功能能够选择正确的模型，因为分析功能知道消费者的上下文。因此，MDAS也将受益于提供用于CNF和/或ML模型的这种基于上下文的选择(在这种情况下支持分析功能)的方式的解决方案。

在网络领域之外，存在一些方法用于将元数据添加至AI/ML模型。例如，已经提供了添加和检索ML元数据的可能性(如谷歌云、数据分析产品)。元数据聚焦于ML模型及其训练，如其被创建的时间、或ML模型类型以及各种训练细节。所提出的模型无法用于在多个聚焦于网络的ML模型或CNF之间进行选择，且没有提供用于针对网络预期上下文或网络检测的上下文如何请求此类ML模型的接口。

本公开的一个或多个方面提出了一种CNF模型存储库功能(CoMReF)和机制，实体(例如运营商、网络自动化平台或网络自动化平台上的网络自动化功能)可通过其选择CNF和/或ML模型和/或与CNF和/或ML模型有关的信息(即元数据)。

本公开的一个或多个方面提出了一种机制，允许定义CNF和/或ML模型的一种结构化方式。

本公开的一个或多个方面提出了一种机制，允许一种结构化方式，其中外部实体能够描述所需的CNF、ML模型和/或ML模型版本上下文，从而CoMReF能够理解和利用这些CNF和/或ML模型。

可以提供CoMReF，从而实体(例如运营商、网络自动化平台或网络自动化平台上的网络自动化功能)可以选择CNF和/或ML模型和/或与CNF和/或ML模型有关的信息(即元数据)。

可以提供信息模型。信息模型可包括用于CNF和/或ML模型的信息对象类(IOC)。信息模型可支持实体(例如运营商、网络自动化平台或网络自动化平台上的网络自动化功能)与CoMReF之间的交互。信息模型可实现CNF和/或ML模型的标准化特征。

可为此类IOC提供标准规范。标准规范可定义用于指定网络训练上下文、网络预期上下文或网络检测的上下文的标准格式。供应商可为具有标准化“范围”规范的CNF提供经训练的ML模型。

可提供认知网络功能和模型选择功能(CoMSeF)。CoMSeF可以是逻辑实现，其使得CoMReF能够将可用的CNF和/或ML模型与传入请求相匹配，并标识最适合的CNF和/或ML模型。

可提供结构化接口，认知网络功能和模型规范接口(CoMSI)。CoMSI可允许实体(如运营商、网络自动化平台或网络自动化平台上的网络自动化功能)指定需要满足的(自动化)要求(如预期上下文或检测的上下文)，并请求可满足这些要求的CNF和/或ML模型。通过CoMSI，CoMReF可返回满足要求的可用CNF和/或ML模型，或在无法满足此类请求时做出响应，以通知实体(如运营商、网络自动化平台或网络自动化平台上的网络自动化功能)。

可使用CoMSI、CoMReF、CoMSeF和/或信息模型提供用于选择CNF和/或ML模型的机制。

图4显示包括CoMReF和CoMSeF的5GC子系统，其中CoMReF集成了认知网络功能和模型选择功能CoMSeF。

CoMReF可实现用于存储CNF和ML模型的数据库。CoMReF可与CoMSeF合作(选择性地托管)。CoMSeF可用于根据CoMSI上陈述的要求(如网络预期上下文或网络检测的上下文)来选择CNF和/或ML模型。对CNF和/或ML模型的请求可由运营商、网络自动化平台或网络自动化平台上的网络自动化功能向CoMSeF发起。该请求可陈述对CNF和/或ML模型的要求(如网络预期上下文或网络检测的上下文)。所述要求可以利用明确定义的字段以明确定义的格式来陈述。运营商、网络自动化平台或网络自动化平台上的网络自动化功能可能事先不知道在CoMReF中哪些CNF和ML模型是可用的。此外，运营商、网络自动化平台或网络自动化平台上的网络自动化功能可能不知道ML模型已利用其进行了训练的ML模型版本上下文。运营商、网络自动化平台或网络自动化平台上的网络自动化功能可能只知道要求，因此可能会发送仅陈述要求(如网络预期上下文或网络检测的上下文)的请求，以便与ML模型已利用其进行了训练的ML模型版本上下文相匹配。

在请求后，CoMSeF可通过将所述的要求(如网络预期上下文或网络检测的上下文)与ML模型版本上下文进行比较来评估该请求，ML模型已利用ML模型版本上下文进行了训练。如果找到匹配的CNF和/或ML模型，则CoMSeF可从CoMReF获取匹配的CNF和/或ML模型，并可将匹配的CNF和/或ML模型返回给运营商、网络自动化平台或网络自动化平台上的网络自动化功能，以便在网络上部署。在实施方案中，匹配的CNF和/或ML模型可由CoMReF部署到网络上。

图5a和图5b显示用于管理针对满足要求(如网络预期上下文或网络检测的上下文)的CNF和/或ML模型的请求的过程的信号图。

在步骤1中，供应商可开发CNF并利用多个ML模型版本上下文来训练多个ML模型。供应商可经由销售目录(如一种特殊的CoMReF)提供CNF和/或ML模型供销售。销售目录可公开CNF包。CNF包可包括CNF和/或ML模型。对于每个CNF和/或ML模型，可以以明确定义的机器可读格式来提供ML模型版本上下文的信息(元数据)。对于每个CNF和/或ML模型，可提供网络预期上下文和/或网络检测的上下文的信息(元数据)，供应商保证其结果有效。信息(元数据)可以以明确定义的机器可读格式提供。

在步骤2中，运营商可基于CoMReF存储的信息(元数据)，(手动)选择符合网络预期上下文的CNF和/或多个ML模型之一。

在步骤3中，运营商可购买所选的CNF和/或多个ML模型之一。

在步骤3a中，运营商可通过检索和检查CoMReF存储的信息(元数据)，针对已可用的CNF和/或ML模型的组合来核查CoMReF。

在步骤4中，运营商可将所选CNF和/或多个ML模型之一载入CoMReF。运营商可将与所选CNF和/或多个ML模型之一有关的信息(元数据)载入CoMReF。

在步骤5中，在网络管理功能的设计时期间(如闭环)，运营商可查询CoMReF的信息(元数据)，以选择与网络预期上下文相匹配的CNF和/或ML模型。

网络管理功能可能要求CNF适于由该NMF处理的相应用例。但可能存在多个CNF，甚至一个CNF会有可支持NMF的多个ML模型。NMF可能需要标识合适的CNF和ML模型，然后部署用于其用例。

在步骤6中，在网络管理功能的运行时期间，网络管理功能可确定网络检测的上下文。网络检测的上下文可与网络的特定范围(如区域和/或时间)相关联。

在步骤7中，基于检测的上下文和/或网络预期上下文，网络管理功能可向CoMSeF发送针对CNF和/或ML模型的请求，该CNF和/或ML模型具有与网络检测的上下文和/或网络预期上下文相匹配的ML模型版本上下文。

在步骤7a中，CoMSeF可处理该请求。CoMSeF可存储与被存储在CoMReF上的CNF和/或ML模型有关的元数据。元数据可包括ML模型版本上下文，其中ML模型已利用该ML模型版本上下文进行了训练。CoMSeF可将网络检测的上下文和/或网络预期上下文与ML模型已利用其进行了训练的ML模型版本上下文进行比较。ML模型版本上下文可包括训练条件、训练状态、操作或推理条件、参考性能、CNF属性/参数、数据特征或其他(如下文所述)。ML模型版本上下文还可包括预期条件。

在步骤7b中，CoMSeF可向CoMReF发送针对CNF和/或ML模型的请求，该CNF和/或ML模型具有与网络检测的上下文和/或网络预期上下文相匹配的ML模型版本上下文。CoMReF可标识具有与网络检测的上下文和/或网络预期上下文相匹配的ML模型版本上下文的CNF和/或ML模型。

在步骤7c中，CoMReF可向CoMSeF发送对请求的响应，对请求的响应包括具有与网络检测的上下文和/或网络预期上下文相匹配的ML模型版本上下文的CNF和/或ML模型。

在步骤7d中，CoMSeF可向网络管理功能发送对请求的响应，对请求的响应包括具有与网络检测的上下文和/或网络预期上下文相匹配的ML模型版本上下文的CNF和/或ML模型。

可以理解的是，虽然在上文中要与ML模型版本上下文相匹配的要求是网络检测的上下文和/或网络预期上下文，但其他特征可以在请求中被说明，并可以与ML模型版本上下文相匹配(例如，训练状态、CNF属性或参数、数据特征或其他)。

在步骤8中，网络管理功能可运行CNF，其进一步自主行动。

在步骤9中，在运行时期间，CNF可确定网络检测的上下文。网络检测的上下文可与网络的特定范围(如区域或时间)相关联。

在步骤10中，基于网络检测的上下文和/或网络预期上下文，CNF可向CoMSeF发送针对CNF和/或ML模型的请求，该CNF和/或ML模型具有与网络检测的上下文和/或网络预期上下文相匹配的ML模型版本上下文。

在步骤10a中，CoMSeF可处理该请求。CoMSeF可存储与被存储在CoMReF上的CNF和/或ML模型有关的元数据。元数据可包括ML模型已利用其进行了训练的ML模型版本上下文。CoMSeF可将网络检测的上下文和/或网络预期上下文与ML模型已利用其进行了训练的ML模型版本上下文进行比较。ML模型版本上下文可包括训练条件、训练状态、操作或推理条件、参考性能、CNF属性/参数、数据特征或其他(如下文所讨论的)。ML模型版本上下文还可包括预期条件。

在步骤10b中，CoMSeF可向CoMReF发送针对ML模型版本的请求，该ML模型版本具有与网络检测的上下文和/或网络预期上下文相匹配的ML模型版本上下文。CoMReF可标识具有与网络检测的上下文和/或网络预期上下文相匹配的ML模型版本上下文的ML模型。

在步骤10c中，CoMReF可向CoMSeF发送对请求的响应，对请求的响应包括具有与网络检测的上下文和/或网络预期上下文相匹配的ML模型版本上下文的ML模型。

在步骤10d中，CoMSeF可向CNF发送对请求的响应，对请求的响应包括具有与网络检测的上下文和/或网络预期上下文相匹配的ML模型版本上下文的ML模型。

再次，可以理解的是，虽然在上文中要与ML模型版本上下文相匹配的要求是网络检测的上下文和/或网络预期上下文，但其他特征也可以在请求中说明，并可以与ML模型版本上下文相匹配(例如，训练状态、CNF特性或参数、数据特征或其他)。

CNF和/或ML模型的形式描述可包括适用于CNF和/或ML模型的ML模型版本上下文。可针对CNF维护多个ML模型，每个模型区别在于ML模型版本上下文。ML模型版本上下文可以通过ML模型版本上下文属性来标识。

表1说明了CNF的形式描述的例子。CNF可通过CNF标识符(如Nokia_CMO_2021a)和CNF版本标识符(如NK01_Rural)来标识。CNF版本标识符可与特定范围相关联(如为农村地区设计)。CNF可与一个或多个ML模型相关联。每个ML模型可由ML模型标识符(例如NK01_Rural)和ML模型版本标识符(NK01_Rural_v2102)来标识。每个ML模型版本标识符可与特定范围相关联(如为农村地区设计)。每个ML模型版本标识符可与特定子范围相关联(如基于2021年2月的训练数据自动生成)。每个ML模型可与一个或多个ML模型版本上下文相关联。ML模型版本上下文可由ML模型版本上下文属性标识。

表1

ML模型版本上下文可包括训练条件属性。训练条件可包括训练ML模型的条件。这些条件可包括训练期间的UE速度统计、训练期间的信道条件统计、训练期间的信号干扰加噪声比(SINR)统计、训练期间的小区业务或其他条件。

ML模型版本上下文可包括训练状态属性。训练状态可指示训练数据的数量和/或训练运行的持续时间。例如，训练状态可区分部分训练版本和成熟版本。

ML模型版本上下文可包括操作或推理条件。操作或推理条件可以是ML模型表现最佳的条件。ML模型可能已在广泛的数据集上进行了训练，但能力或可实现的性能在整个数据集上可能并不一致。ML模型可能尚未在数据集的子空间上进行训练，或者在数据集的子空间上进行了较少的训练。在这种情况下，标识ML模型表现最佳的数据集的子空间是有用的。例如，操作或推理条件可以说明所需的业务特征。

ML模型版本上下文可包括参考性能属性。参考性能可指示ML模型的预期性能。参考性能可跟踪ML模型在一组指定测试实例上实现的准确性能。测试实例可指示使用场景的差异。

ML模型版本上下文可包括CNF特性或参数属性。CNF特性或参数可记录函数本身的静态特性或用于创建函数的算法。示例信息可包括如激活函数、层数和层大小等的神经网络参数。

ML模型版本上下文可包括数据特征属性。数据特征可包括假定输入数据的特征(例如，假定输入数据是矩阵还是单击向量，以及对于任何此类数据结构，条目之间的关系)。数据特征还可包括训练数据的长度以及训练数据的预处理或质量要求。

基于与CNF和/或ML模型有关的信息(元数据)，可以创建树。树可包括CNF和/或ML模型。树可标识ML模型之间的关键差异。

CNF标识符可被自动生成，或可由运营商生成。CNF版本标识符可被自动生成，或可由运营商生成。

ML模型标识符可被自动生成，或可由运营商生成。ML模型版本标识符可被自动生成，或可由运营商生成。

ML模型版本上下文可以是ML模型的特征，但也可归属于CNF。表1仅说明了ML模型版本上下文归属于ML模型版本的情况。

对于每个ML模型版本上下文属性，可提供信息对象。信息对象可包括固定的一组维度。表2中显示了针对三个ML模型版本上下文属性的示例维度。对于每个维度，可以存在固定的一组备选项，可以从中选择一个值。

表2

为了允许在多供应商环境中使用，CNF和/或ML模型可通过标准化信息模型进行描述。为此，可将CNF和/或ML模型作为新的IOC引入3GPP网络资源模式。

这种信息模型可用于多种目的。信息模型可使不同的网络管理工具能够交换管理数据，以在运行时期间管理CNF和/或ML模型(即创建、修改和删除相应的被管理实体)。由于CNF能够控制其他网络功能，因此信息模型可反映这些关系。在训练阶段期间，为了表征CNF和/或ML模型，可使用相同的标准化信息模型结构。信息模型可被用于记录CNF和/或ML模型在训练阶段期间的网络训练上下文，以及在运行时确保CNF和/或ML模型的结果正确所需的前提条件。

图6a和图6b描述了CNF、ML模型和其他NF之间的适用关系。

CNF IOC可代表信息模型中的CNF。CNF可与多个ML模型相关联。CNF可由CNF标识符和CNF版本标识符来标识。

在例子中，CNF IOC可具有表3中列出的属性：CNFIdentifier属性、CNFVersion属性和CNFProperties属性。这些属性本身可以是数据类型或类。这些属性可包括字段。字段可包括支持限定符字段、可读字段、可写字段、不变子字段和/或可通知字段。

表3

版本可以不是CNF的一部分，而是ML模型的一部分。在这种情况下，选择可以是两步方式，首先选择CNF，然后选择与预期上下文或检测的上下文相匹配的ML模型。

ML模型IOC可代表信息模型中的ML模型。ML模型可利用ML模型版本上下文进行训练。ML模型可与CNF相关联。

ML模型IOC可反映不同阶段的上下文。ML模型IOC可允许管理作为网络一部分的CNF和/或ML模型(网络检测的上下文/运行时上下文)。ML模型IOC可允许管理作为管理系统的CNF和/或ML模型相对于其他网络功能的关系(网络检测的上下文/运行时上下文)。ML模型IOC可允许记录CNF和/或ML模型的训练期间的上下文(网络训练上下文)，以及记录CNF为了正确推理而预期的上下文(网络预期上下文/预期运行时上下文)。

由于每个ML模型可能与一组上下文(如网络训练上下文、网络预期上下文/预期运行时上下文和网络检测的上下文/运行时上下文)相关，ML模型IOC可包含上下文列表。

上下文可与被管理实体(如网络片段、网络片段子网或网络功能)相关联，以对网络的配置进行建模以及表征由被管理实体提供的数据。此外，上下文可指不是3GPP系统一部分的数据提供方，且因此不作为3GPP被管理实体被建模。

表4说明了ML模型IOC的一组属性。ML模型IOC可包括modelVersionContextList或trainingContextList属性、expectedRuntimeContextList属性、rutimeContextList属性、模型特性属性、modelVersionIdentifier属性和operatingConditions属性。这些属性本身可以是数据类型或类。这些属性可包括字段。字段可包括支持限定符字段、可读字段、可写字段、不变子字段和/或可通知字段。

表4

模型特性可包括神经网络层数、神经网络层大小或其他特性。

可记录三种上下文：检测的上下文/运行时上下文(detected context/runtimeContext)、训练上下文(trainingContext)和预期上下文/预期运行时上下文(expected context/expected runtime context)。这些上下文中的每一个可以是其自己的数据类型。这些数据类型可记录CNF和/或ML模型在不同阶段期间的上下文。

对于每种数据类型，表5中的属性可以是可适用的。

表5

DataProviderRef可指在特定上下文中用于模型训练的数据，或可指在特定上下文中用于推理的数据。在特定上下文中使用特定模型对CNF运行时期间的异常情况进行故障排除可能依赖于对相应数据集的比较。

TrainingContext和ExpectedRuntimeContext中的参数值可用于记录目的，且因此是只读的。

StartTime和endTime可记录TrainingContext或ExpectedRuntimeContext的时间间隔，以分别表征已用于训练的数据量或运行时期间预期的数据量。

CoMSeF可被实现为CoMReF内的子模块，或可被实现为与CoMReF交互的独立功能。图4说明了CoMSeF可被实现为CoMReF内的子模块的情况，而图7说明了CoMSeF作为独立功能的情况。

作为独立功能，CoMSeF可实现CoMSI以及可选的认知网络功能和模型部署接口(CoMDI)二者。否则，当CoMSeF被集成到CoMReF中时，CoMDI将由CoMReF实现。此外，CoMSeF可实现CoMReF的查询接口。

如图8所说明的，CoMSeF的操作逻辑可被分解。

CoMSeF可对请求进行解析，以标识请求的性质，是对CMF和/或ML模型的请求，还是对与CNF和/或上下文模型(如预期上下文或检测的上下文)有关的信息的请求。

CoMSeF可对请求进行解析，以标识上下文属性、每个属性的维度和每个维度的值。

CoMSeF可查询CoMReF，以标识具有与所标识的上下文相匹配的训练上下文的CNF和/或ML模型。

如果找到了CNF和/或ML模型，则CoMSeF照此通知请求者。

如果找到了CNF和/或ML模型，且请求了CNF和/或ML模型，则CoMSeF可将CNF和/或ML模型发送给请求者。

如果找到了CNF和/或ML模型，且请求了与CNF和/或ML模型有关的信息，则CoMSeF可构建包括与CNF和/或ML模型有关的信息的信息对象，并可将该信息对象发送给请求者。

CoMSI可允许运营商、网络自动化平台或此类平台上的功能通过说明所需的上下文(如预期上下文或检测的上下文)来请求CNF和/或ML模型。如下文所示，该请求可被说明为“getCNF”、“getModel”或等效的“读取”操作。

CoMSI可允许运营商、网络自动化平台或此类平台上的功能通过说明所需的上下文(如预期上下文或检测的上下文)来请求关于一些或全部CNF和/或ML模型的信息。如下文所示，该请求可被说明为“getAllCNFs”、“getAllModels”或等效的“读取”操作。

CoMSI可允许CoMSeF成为独立模块或被集成到CoMReF中的模块。

CoMSI可允许CoMSeF在未找到CNF和/或ML模型时通知运营商、网络自动化平台或其功能。

CoMSI可允许CoMSeF向运营商、网络自动化平台或其功能发送CNF和/或ML模型。CoMSeF可发送CNF和/或ML模型的标识符和/或包含CNF和/或ML模型的学习参数的文件。

CoMSI可允许CoMSeF向运营商、网络自动化平台或其功能发送与CNF和/或ML模型有关的信息。CoMSeF可发送CNF和/或ML模型的标识符和/或训练上下文。

例如，运营商可具有由两个供应商A和B提供的无线电系统，每个供应商为城市网络和农村网络提供设备。

考虑到两个供应商A和B都提供CNF和/或ML模型用于覆盖和容量优化(CCO)，在不同时间利用不同数据(农村或城市)进行训练，这种情况下的CoMReF可包含表6中表示的信息模型。

/>

/>

表6

希望为农村地区找到合适的CNF和/或ML模型的运营商、网络自动化平台或其功能可发送以下请求。

CoMSeF可处理该请求并标识出存在用于农村地区的两个模型，且可向运营商、网络自动化平台或其功能发送以下响应。

因此，运营商、网络自动化平台或其功能可意识到，只有适合供应商A的网络区域的ML模型是可用的，而且这两个模型中只有一个是成熟/融合的。然后，运营商、网络自动化平台或其功能可部署融合的ML模型。然而，一个月后，当新的ML模型可能已经过训练时，运营商、网络自动化平台或其功能可能想要看看是否存在性能更好的ML模型，并可能如此请求提供供应商A区域的已融合的所有ML模型。在这种情况下，请求是更加具体的，包括更多上下文字段，如下所示。

本公开的一个或多个方面使CNF和/或ML模型能够利用在训练ML模型时假设的条件的描述来表征，从而使得使用情况与这些条件相匹配。

CNF和/或ML模型信息可允许以标识它们之间的关键差异的方式来创建不同ML模型的树。

本公开的一个或多个方面通过提供用于在服务于相同目标的不同ML模型之间进行选择的部件来支持性能保证。

本公开的一个或多个方面允许将CNF和/或ML模型与正确的操作条件相匹配，从而避免次优的CNF和/或ML模型性能。

对元数据的标准化允许管理平面中的自主功能进行CNF和/或ML模型的标识和选择。

图9显示一种方法的框图，该方法用于管理针对满足要求的CNF和/或ML模型或针对与满足要求的CNF和/或ML模型有关的信息的请求，例如由CoMSeF执行。

在步骤900中，CoMSeF可存储与可部署在网络上的多个CNF和/或ML模型有关的信息。每个CNF可与一个或多个ML模型相关联。每个ML模型可利用一个或多个训练上下文进行训练。

在步骤902中，CoMSeF可接收第一请求，所述第一请求针对满足要求的CNF和/或ML模型或针对与满足要求的CNF和/或ML模型有关的信息。

在步骤904中，CoMSeF可处理第一个请求，以标识满足要求的CNF和/或ML模型。

在步骤906中，CoMSeF可基于该处理来发送对第一请求的响应。

处理第一请求以标识满足要求的CNF和/或ML模型可包括：将与多个CNF和/或ML模型有关的信息与要求进行比较，以标识满足要求的CNF和/或ML模型。

CoMSeF可标识满足要求的CNF和/或ML模型。CoMSeF可发送针对所标识的CNF和/或ML模型的第二请求。CoMSeF可接收对第二请求的响应，对第二请求的响应包括所标识的CNF和/或ML模型。CoMSeF可发送对第一请求的响应，对第一请求的响应包括所标识的CNF和/或ML模式。

CoMSeF可标识满足要求的CNF和/或ML模型。CoMSeF可发送对第一请求的响应，对第一请求的响应包括与所标识的CNF和/或ML模型有关的信息。

CoMSeF可标识没有满足要求的CNF和/或ML模型。CoMSeF可发送对第一请求的响应，对第一请求的响应包括关于没有未标识出CNF和/或ML模型的指示。

第一请求可包括预期上下文或检测的上下文。该要求可包括具有与预期上下文或检测的上下文相匹配的训练上下文的CNF和/或ML模型的可用性。

每个训练上下文、预期上下文或检测的上下文可包括以下上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性。

第一请求可源自被部署在网络上的NMF或CNF。对第一请求的响应可指向被部署在网络上的NMF或CNF。

第二请求可指向被部署在网络上的CoMReF。对第二请求的响应可源自被部署在网络上的CoMReF。

CoMSeF可被集成在CoMReF内，或与CoMReF分开。

CoMSeF可接收第一请求，所述第一请求针对满足要求的所有CNF和/或所有ML模型或针对与满足要求的所有CNF和/或所有ML模型有关的信息。CoMSeF可处理第一请求，以标识满足要求的所有CNF和/或所有ML模型。

每个CNF可与信息模型中的CNF IOC相关联。

每个ML模型可与信息模型中的ML模型IOC相关联。

每个训练上下文、预期上下文或检测的上下文可与信息模型中的训练上下文、预期上下文或检测的上下文IOC相关联。

CNF IOC可包括具有多个字段的CNF特性属性，每个字段具有从固定的一组备选项中选择的单个值。

ML机器学习模型IOC可包括具有多个字段的训练上下文属性、预期上下文属性和/或检测的上下文属性，每个字段具有从固定的一组备选项中选择的单个值。

训练上下文、预期上下文或检测的上下文IOC可包括以下训练上下文、预期上下文或检测的上下文属性中的一个或多个：被管理实体参考属性、数据提供方参考属性、开始时间属性、结束时间属性、训练条件属性、训练状态属性、操作条件属性、参考性能属性、认知网络功能特性属性和/或数据特征属性，其具有多个字段，每个字段具有从固定的一组备选项中选择的单个值。

每个CNF可由CNF标识符标识。

每个ML模型可与ML模型标识符相关联。

图10显示用于管理针对满足要求的CNF和/或ML模型或针对与满足要求的CNF和/或ML模型有关的信息的请求的方法框图，该方法例如由CoMReF执行。

CoMReF可存储可部署在网络上的多个CNF和/或ML模型。每个CNF可与一个或多个ML模型相关联。每个ML模型可利用一个或多个训练上下文进行训练。

CoMReF可接收第二请求，所述第二请求针对满足要求的、所标识的CNF和/或ML模型。

CoMReF可发送对第二请求的响应，对第二请求的响应包括满足要求的、所标识的CNF和/或ML模型。

第二请求可源自CoMSeF。对第二请求的响应可指向CoMSeF。

CoMReF可以集成CoMSeF，或可以与CoMSeF分开。

图11显示存储指令和/或参数1102的非易失性存储介质1100a(例如计算机光盘(CD)或数字多功能光盘(DVD))和1100b(例如通用串行总线(USB)记忆棒)的示意表示，当这些指令和/或参数由处理器执行时，允许处理器执行图9和图10的方法的一个或多个步骤。

需要指出的是，虽然上文描述了示例性实施例，但在不脱离本发明范围的情况下，可以对所公开的解决方案进行若干变化和修改。

可以理解的是，尽管上述概念是在5GS的上下文中讨论的，但这些概念中的一个或多个可被应用于其他蜂窝系统。

因此，在所附权利要求书的范围内，实施例可能有所不同。一般来说，一些实施例可以通过硬件或专用电路、软件、逻辑或它们的任意组合来实现。例如，一些方面可以在硬件中实现，而其他方面可以在固件或软件中实现，这些固件或软件可以由控制器、微处理器或其他计算设备执行，但实施例并不限于此。虽然各种实施例可以被说明和描述为框图、流程图或使用一些其他图形表示，但容易理解的是，本文所描述的这些块、装置、系统、技术或方法可以用硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备，或它们的一些组合来实现(作为非限制性例子)。

实施例可由存储在存储器中并可由相关实体的至少一个数据处理器执行的计算机软件，或通过硬件，或通过软件和硬件的组合来实现。在这方面还应该注意的是，任何程序(例如图9和图10中的程序)可以表示程序步骤，或互连的逻辑电路、块和功能，或程序步骤与逻辑电路、块和功能的组合。软件可被存储在物理介质上，如处理器内实现的存储器芯片或存储器块、磁性介质(如硬盘或软盘)以及光学介质(例如，如DVD及其数据变体CD)。

存储器可以是适合本地技术环境的任何类型，且可以使用任何合适的数据存储技术来实现，例如基于半导体的存储器件、磁存储器件和系统、光学存储器件和系统、固定存储器和可移动存储器。数据处理器可以是适合本地技术环境的任何类型，且可以包括通用计算机、专用计算机、微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、门级电路和基于多核处理器架构的处理器中的一种或多种，作为非限制性例子。

替代地或额外地，一些实施例可以使用电路来实现。电路可被配置为执行前面描述的一个或多个功能和/或方法步骤。该电路可被提供在基站和/或通信设备中。

如本应用中使用的，术语“电路”可指以下一个或多个或全部：

(a)纯硬件电路实现(例如仅在模拟和/或数字电路中实现)；

(b)硬件电路和软件的组合，例如：

(i)模拟和/或数字硬件电路与软件/固件的组合，以及

(ii)具有软件的硬件处理器(包括数字信号处理器)、软件及存储器的任何部分，一起工作以使得装置(例如通信设备或基站)执行前述各项功能；及

(c)硬件电路和/或处理器，如微处理器或微处理器的一部分，需要软件(如固件)来运行，但在不需要运行时，软件可能不呈现。

电路的该定义适用于本申请中这一术语的所有用法，包括在任何权利要求中。再举例来说，如在本申请中使用的，术语电路还涵盖仅仅是硬件电路或处理器(或多个处理器)或硬件电路或处理器的一部分及其(或它们)附带的软件和/或固件的实现。术语电路还涵盖例如集成设备。

通过示例性和非限制性的例子，上述描述提供了一些实施例的全面和翔实的描述。然而，鉴于上述描述，当结合附图和所附权利要求书阅读时，各种修改和调整对于相关技术领域的技术人员来说变得显而易见的。然而，本教导的所有此类和类似修改仍落入所附权利要求书中定义的范围。