用于确定模型以数字化地分析输入数据的网络实体的制作方法

1.标准3gpp sa2在rel.16中引入网络数据分析功能(network data analytics function，nwdaf)，该功能能够为可以由5g核心网络功能(network function，nf)或外部实体例如应用功能(application function，af)所消费的网络数据提供分析服务。


背景技术：

2.在标准3gpp sa2的rel.16中，nwdaf被认为是一个逻辑实体，其根据ts 23.501集成了以下功能：
[0003]-支持从nf和af采集数据；
[0004]-支持从oam采集数据；
[0005]-向nf/af开放元数据和nwdaf服务注册；
[0006]-支持向nf、af供应分析信息。
[0007]
nwdaf通常执行数据处理算法，以分析提供给nwdaf的输入数据。数据处理算法可以是实现人工智能(artificial intelligence，ai)模型的机器学习(machine-learning，ml)算法，也称为机器学习模型或模型，由模型类型和模型参数定义，这些模型应在部署前进行训练。
[0008]
但是，部署ai模型和训练服务的成本——其包括硬件和软件成本以及众多ai模型的开发和不断更新的研发成本——相当高。
[0009]
因此，需要对模型进行更高效的训练，这些模型可以由机器学习具体是ai算法用于处理数据。


技术实现要素：

[0010]
本发明的目的是提供一种更高效的模型训练，所述模型可以由机器学习(machine-learning，ml)具体是ai算法用于处理数据。
[0011]
该目的通过独立权利要求的主题来实现。另外的示例在从属权利要求、说明书和附图中公开。
[0012]
本发明基于如下发现：可以通过将使用例如机器学习算法来训练模型(例如机器学习模型)的模型训练平台与推理平台分离来实现上述和其他目的。例如，这种分离可以在联邦机器学习等技术中实现，该联邦机器学习支持对来自不同方的数据集进行联合训练，而不会在不同方之间或者向联合服务器或协作方披露详细数据集。这使得数据集的不同所有者之间能够共享平台。
[0013]
根据本发明，用于网络数据分析功能(network data analytics function，nwdaf)的方法和装置可以设置有有限的数据训练能力或快速分析生成要求以获得外部模型例如机器学习模型。因此，可以高效地解决以下问题：
[0014]
1.在5g系统中，哪个网络功能能够提供这样的模型？
[0015]
2.在5g系统中，消费者nwdaf如何发现所需的模型？
[0016]
3.如何将该模型提供给消费者nwdaf？
[0017]
根据本发明，可以提供将由nwdaf在5gs中使用的模型的参数供应，以及基于5gs基于服务的架构(service-based architecture，sba)的模型注册、发现和供应服务。
[0018]
这可以使例如公共陆地移动网络(public land mobile network，plmn)nwdaf能够共享另一个plmn网络功能(network function，nf)实例和/或另一个plmn或第三方的模型训练能力，而不开放某些区域或其自己网络的数据。它支持使用分离的模型训练平台进行更灵活的nwdaf功能部署。因此，可以降低运营商的资本支出/运营支出(capital expenditure/operational expenditure，capex/opex)。此外，不需要开放原始数据就可以获得ml模型。
[0019]
此外，使用现有模型可以帮助nwdaf加快数据分析生成速度，并提高数据分析生成的准确性。此外，nwdaf不需要自己训练模型，也不需要从一开始训练模型。因此，可以大大减少模型训练和相关数据采集所需的时间。此外，例如与在接收到数据分析生成请求后由nwdaf采集的训练数据比较，可以使用覆盖范围更广和/或数据采集周期更长的数据来训练现有模型。考虑到使用了更好的训练模型，这可以提高nwdaf分析生成的准确性。
[0020]
因此，本发明涉及一种提供用于在5gs中(例如，在nwdaf处)生成数据分析的模型的方法和装置。根据一些实施例，这可以包括：
[0021]-在5gs中注册其模型供应能力(即在nrf处注册模型供应服务，以便消费者nf能够通过查询nf存储库功能(nf repository function，nrf)发现该网络实体提供的模型供应能力)。
[0022]
ο模型供应服务的定义以及要在nrf中注册的相关参数，例如包括模型类型、分析id、特征集、事件id等的列表。
[0023]
ο用于注册和发现模型供应服务的相关过程和信令，例如，假如该ne与消费者nf在同一plmn或不同plmn中，或来自第三方。
[0024]-处理5gs中消费者nf对模型的传入请求，获得所请求模型生成响应所需的信息，并将模型的响应提供给5gs中的消费者nf。
[0025]
ο对模型的请求，其包括模型的描述，该模型例如通过模型类型、分析id、特征集、事件id等以及请求的模型参数例如特征的权重被指示。
[0026]
ο模型的响应，其包括描述输出与输入例如每个特征的权重和/或请求的模型参数之间关系的公式或抽象概念等边信息。
[0027]
ο模型请求和响应的相关过程和信令，例如订阅模型供应服务。
[0028]
根据一些示例，本发明中的模型是指机器学习模型例如ai模型或可以用于根据一组输入数据生成数据分析的方程。
[0029]
根据第一方面，本发明涉及一种网络实体，用于确定模型的至少一个模型参数，以根据模型的所述至少一个模型参数数字化地分析输入数据，所述网络实体用于：通过通信网络接收来自请求实体的模型请求，所述模型请求请求所述模型的所述至少一个模型参数；通过以下中的至少一项获得所请求的至少一个模型参数：执行机器学习模型训练算法，所述机器学习模型训练算法用于用输入数据训练所述模型，以便确定所请求的模型参数中的至少一个模型参数；针对现有模型搜索本地数据库；或从另外的网络实体请求所述至少一个模型参数；以及通过所述通信网络向所述请求实体发送所述请求的模型参数或模型。
在替选示例中，网络实体用于确定具有模型参数的模型，并将该模型发送到请求实体。
[0030]
网络实体可以是通信网络中的任何实体，例如nwdaf、af、nf、nef、nrf、ue或任何其他实体，具体为任何5g网络实体。
[0031]
该模型可以是机器学习模型，其至少部分通过模型参数例如权重表示。机器学习算法如ai算法可以当由用于处理输入信号的实体的处理器执行时部署具有模型参数的模型。
[0032]
执行模型训练以确定至少一个模型参数。模型训练可以使用与应基于经训练的模型处理的输入数据不同的训练数据来执行。模型训练由机器学习模型训练算法执行，该机器学习模型训练算法可以作为ml平台具体地ai平台提供。模型训练由机器学习模型训练算法执行，该机器学习模型训练算法可以是由请求实体例如用来分析输入数据的机器学习模型算法的表示。
[0033]
在示例中，所述通信网络包括注册实体，所述注册实体用于注册模型，其中，所述网络实体用于通过所述通信网络向所述注册实体发送注册信号，所述注册信号包括关于所述模型的信息，以便利用所述注册实体注册所述模型。
[0034]
所述注册实体可以是通信网络中的任何实体，例如nwdaf、af、nf、nef、nrf、ue或任何其他实体，具体为任何5g网络实体。
[0035]
在示例中，注册信息至少包括关于模型类型、数据分析标识、所述模型的特征集或输入数据类型(例如事件id)或者所述模型的至少一个模型参数的信息。例如，注册信息可以包括：模型输出，具体是数据分析标识符；模型输入，具体是模型的特征集或事件id；或者模型的至少一个模型参数。
[0036]
在示例中，所述网络实体用于利用所述模型请求发送和/或接收关于所述模型的信息，所述信息包括以下各项中的至少一项：模型类型；机器学习训练算法；分析id；特征集；输入数据类型，具体为事件id；感兴趣区域；应用id；具体地来自所述请求网络实体的关于所述模型的信息；模型id，具体为模型版本；模型时间，具体为时间戳。
[0037]
在示例中，所述模型请求包括用于确定所述至少一个请求的模型参数的关于所述模型的信息，其中，所述网络实体用于基于所接收到的关于所述模型的信息，提供和/或执行来自所述网络实体处可用的一组机器学习模型训练算法的所述机器学习模型训练算法。
[0038]
在示例中，所述网络实体用于：从另外的请求网络实体接收另外的模型请求，所述另外的参数请求请求另外的模型的另外的模型参数，或者，具体地经由注册实体确定能够提供另外的模型的另外的网络实体；以及通过所述通信网络向所述另外的网络实体发送对所述另外的模型的请求；以及从所述另外的网络实体接收所述另外的模型。
[0039]
在示例中，所述网络实体用于向所述另外的网络实体发送关于所述模型的信息。
[0040]
在示例中，所述网络实体用于：如果所述网络实体已经确定所述网络实体不能提供或训练所述另外的模型或所述另外的模型参数中的至少一个模型参数，则向所述另外的网络实体发送对所述另外的模型参数的请求。
[0041]
例如，如果网络实体处的机器学习模型训练算法不支持另外的模型。如果另外的模型参数中的某些模型参数在网络实体处不可用。如果网络实体无法按时提供另外的模型或另外的模型参数。
[0042]
在示例中，网络实体用于从注册实体请求关于另外的网络实体的信息，以便发现
另外的网络实体。
[0043]
根据第二方面，本发明涉及一种通信网络中的注册实体，用于在所述通信网络中提供关于可用模型的信息，所述注册实体用于：从网络实体接收注册信号，所述注册信号指示能够由所述网络实体提供的模型；以及存储关于所述模型的信息和/或所述网络实体的通信网络标识符和/或地址。
[0044]
所述注册实体可以是通信网络中的任何实体，例如nwdaf、af、nf、nef、nrf、ue或任何其他实体，具体为任何5g网络实体。
[0045]
在示例中，所述注册实体用于：接收来自请求网络实体的发现请求，所述发现请求指示要获得的模型和/或模型参数；确定用于提供和/或训练所述模型的网络实体；以及向所述请求网络实体发送所确定的网络实体的网络标识符和/或地址。
[0046]
根据第三方面，本发明涉及一种请求实体，用于实现基于模型分析输入数据的机器学习数据分析算法，所述模型通过模型类型和模型参数表示，其中，所述请求实体用于：通过通信网络向注册实体发送发现请求，所述发现请求指示要获得的模型和/或模型参数；从所述注册实体接收网络实体的网络标识符和/或地址；向所述网络实体发送模型请求；从所述网络实体接收所请求的模型和/或模型参数；以及利用所接收到的模型执行所述机器学习分析算法，以分析所述输入数据。
[0047]
根据第四方面，本发明涉及一种用于确定模型的至少一个模型参数以根据模型的所述至少一个模型参数数字化地分析输入数据的方法，所述方法包括：通过通信网络接收来自请求实体的模型请求，所述模型请求请求所述模型的所述至少一个模型参数；通过以下中的至少一项获得所请求的至少一个模型参数：执行机器学习模型训练算法，所述机器学习模型训练算法用于用输入数据训练所述模型，以便确定所请求的模型参数中的至少一个模型参数；针对现有模型搜索本地数据库；或从另外的网络实体请求所述至少一个模型参数；以及通过所述通信网络向所述请求实体发送所述请求的模型参数。
[0048]
在示例中，所述通信网络包括注册实体，所述注册实体用于注册实现机器学习模型的机器学习算法，所述方法包括：通过所述通信网络向所述注册实体发送注册信号，所述注册信号包括关于所述模型的信息，具体为数据分析标识、所述模型的特征集或输入数据类型、或者所述模型的至少一个模型参数，以便利用所述注册实体注册所述模型。
[0049]
在示例中，所述方法可以由根据第一方面所述的网络实体执行。
[0050]
根据第五方面，本发明涉及一种计算机程序，包括计算机程序代码，当所述计算机程序由处理实体、具体由根据第一方面所述的网络实体执行时，所述计算机程序代码用于执行根据第四方面所述的方法。
附图说明
[0051]
图1示意性地示出了实现示例中的通信场景；
[0052]
图2示出了用于在通信网络中确定机器学习数据分析算法的至少一个模型参数的方法的示意图；
[0053]
图3示意性地示出了根据示例的系统的架构示意图；
[0054]
图4示出了根据示例的通信场景；
[0055]
图5示出了根据另外的示例的通信场景；
[0056]
图6示出了根据另外的示例的通信场景；
[0057]
图7示出了例如适用于图6的通信场景的消息序列图的示例；
[0058]
图8示出了根据另外的示例的通信场景；
[0059]
图9示出了例如适用于图8的通信场景的消息序列图的示例；
[0060]
图10示出了根据另外的示例的通信场景。
具体实施方式
[0061]
在下文中，相同的附图标记是指相同或至少功能上等效的特征。
[0062]
以下描述中，参考附图，所述附图形成本发明一部分，并且以说明的方式示出本发明的实施例的具体方面或本发明的实施例可以用于其中的具体方面。应理解，本发明的实施例可用于其他方面，并且包括未在附图中描绘的结构或逻辑变化。因此，以下详细描述不应以限制性的意义来理解，且本发明的范围由所附权利要求书界定。
[0063]
例如，应当理解，与描述方法有关的公开内容可以对用于执行所述方法的对应设备或系统也同样适用，以及与描述设备或系统有关的公开内容可以对所述设备或系统所执行的对应方法也同样适用。例如，如果描述一个或多个具体方法步骤，则对应的设备可以包括一个或多个单元例如功能单元以执行所描述的一个或多个方法步骤(例如，一个单元执行一个或多个步骤，或多个单元各自执行多个步骤中的一个或更多个步骤)，即使附图中未明确描述或示出这种一个或更多个单元。另一方面，例如，如果根据一个或多个单元例如功能单元来描述具体装置，则对应的方法可以包括一个步骤以执行一个或多个单元的功能(例如，一个步骤执行一个或多个单元的功能，或多个步骤各自执行多个单元中的一个或更多个单元的功能)，即使该一个或多个步骤在附图中未明确描述或示出。此外，应理解，除非另有说明，否则本文中描述的各种示例性实施例和/或各方面的特征可相互组合。
[0064]
图1示意性地示出了示例中的通信场景，其中，网络实体101、注册实体103和请求实体105被布置成通过通信网络107例如5g通信网络进行通信。
[0065]
网络实体101用于确定具有模型参数的模型的至少一个模型参数，其可以由机器学习数据分析算法用来根据模型的至少一个模型参数数字化地分析输入数据。该模型可以是机器学习(machine-learning，ml)，具体是ai模型。
[0066]
网络实体101用于通过通信网络107接收来自请求实体103的模型请求。模型请求请求模型的至少一个模型参数。这样一来，请求实体103可以省略训练其机器学习模型或仅训练部分机器学习模型，以便获得适合于分析输入数据以获得例如网络分析信息的模型参数。
[0067]
网络实体101用于通过以下中的至少一项获得所述请求的至少一个模型参数：执行机器学习模型训练算法，所述机器学习模型训练算法用于用输入数据训练所述模型，以便确定所述请求的模型参数中的至少一个模型参数；针对现有ml模型搜索本地数据库(例如存储器)，或从另外的网络实体请求所述至少一个模型参数；通过所述通信网络向所述请求网络实体发送所述请求的至少一个模型参数。网络实体可以根据请求的至少一个参数生成或确定模型，并将确定的模型而不是模型参数发送给请求实体。
[0068]
另外的网络实体可以具有网络实体101的特征。另外的网络实体可以布置在另外的通信网络中，该另外的通信网络可以是不同网络运营商的另一5g通信网络。另外的网络
实体也可以布置在通信网络107中。
[0069]
注册实体103用于在通信网络107中提供关于例如机器学习算法的可用模型的信息。
[0070]
注册实体103用于：从网络实体101接收注册信号，该注册信号指示网络实体101可以提供的模型；以及存储关于模型的信息和/或网络实体101的通信网络标识符和/或网络地址，该通信网络标识符例如标识5g通信网络107或其子网，例如5g切片。
[0071]
在示例中，注册实体103可以用于：接收来自请求实体105的发现请求，所述发现请求指示要训练的模型和/或模型参数；确定用于提供和/或训练所述模型的网络实体101；以及向请求网络实体105发送确定的网络实体101的网络标识符和/或地址。
[0072]
请求实体105用于实现根据待训练模型对输入数据进行分析的机器学习数据分析算法。请求网络实体105用于：通过通信网络向注册实体103发送发现请求，其包括模型例如模型类型、模型输入/输出的指示；从注册实体接收网络实体的网络标识符和/或地址；向网络实体发送对模型例如连同模型参数的请求；从网络实体接收请求的模型；以及使用接收到的模型执行机器学习数据分析算法，以分析输入数据。
[0073]
图2示出了用于在通信网络中确定机器学习数据分析算法的至少一个模型参数的方法的示意图，所述机器学习数据分析算法用于根据机器学习模型的至少一个模型参数数字化地分析输入数据。
[0074]
该方法可以由网络实体101根据图1所示的场景执行。该方法包括：通过通信网络107接收201例如来自请求实体105的模型请求，所述模型请求请求至少一个模型和/或模型参数；通过以下中的至少一项获得203请求的至少一个模型和/或模型参数：执行205机器学习模型训练算法，所述机器学习模型训练算法用于用输入数据训练所述模型，以便确定请求的模型参数中的至少一个模型参数；或者针对现有模型搜索207网络实体101或通信网络107的本地数据库例如数据存储器；或者从另外的网络实体请求209至少一个模型参数和/或模型。网络实体101可以根据请求的至少一个模型参数生成或确定210模型。请求的模型参数和/或模型通过通信网络向请求实体105发送211。
[0075]
图3在示例中示意性地示出了根据本发明的通信场景，其具有：模型309例如数据模型；数据模型309的消费者303例如请求实体105；以及可选的一个或多个另外的数据模型301；数据存储器307，其构成本地或外部数据库的示例；以及本地或外部模型训练平台305，其可以是ai训练平台，具体是机器学习模型训练算法。模型309——也称为“组合数据模型”——可以由网络实体311通过组合一个或多个另外的模型301(在图中也指示为“原始数据模型”)的参数来生成。
[0076]
实施例中的过程可以具有以下阶段。
[0077]
在模型供应准备阶段1中，网络实体311——其构成网络实体101的实施例——作为提供者实现本地模型训练平台305或本地数据存储器307，并直接从自身或在其他网络实体的协助下检查其模型供应能力，作为提供者例如通过订阅其他网络实体服务或通过其组合，实现外部模型训练平台305或外部数据存储器307。
[0078]
在模型注册阶段2中，网络实体311直接或通过nef将一个或多个模型注册到plmn nrf 313，该plmn nrf构成注册实体103的实施例。可替选地，oam 312可以将网络实体注册信息直接写入nrf 313中。
[0079]
在模型发现阶段3中，消费者ne 303——其例如是nwdaf或模型推理平台，两者都构成请求实体105的示例——发现ne 311，该ne 311能够例如通过nrf发现服务向该模型提供发现请求，该发现请求提供ne 311的通信地址。
[0080]
在模型消费阶段4中，在步骤4a中，消费者ne 303直接或通过nef向提供者ne 311请求模型和/或模型参数。
[0081]
在步骤4b中，提供者ne 311可以例如从自身、从oam配置、从其他网络实体、从数据存储器307或从所描述的分发方法的任何组合，例如通过处理获得所请求的模型参数。在步骤4c中，提供者ne 311以请求的模型参数或“组合数据模型”响应。
[0082]
如图4所示，提供例如供应模型训练平台305可以布置在构成通信网络的实施例的plmn 401中，在该plmn中存在通过通信链路405连接到nwdaf 402的另外的nf例如nf1 403、nf2 404。nwdaf 402可以将请求实体105实现为例如推理平台303。
[0083]
根据图4所示的示例，nf1 403或nf2 404——其均构成网络实体101的示例——可以实现模型训练平台并提供模型供应服务。这些实体布置在构成通信网络的实施例的plmn 401中，实现5g核心网(5g core，5gc)。
[0084]
根据图5所示的示例，模型供应服务可以由外部ne 503例如af、nwdaf或udr——其构成在plmn 401之外实现模型训练平台305的网络实体101的实施例——提供。外部ne 503可以通过例如nef 501与plmn 401通信。
[0085]
在示例中，可以为提供者ne定义模型供应服务，该提供者ne构成网络实体101的示例，实现模型训练平台305。
[0086]
至于模型供应服务，实现模型训练平台305的提供者ne 503可以是联合服务器、plmn中的数据存储器或者可信af或不可信af，构成网络实体101的示例。
[0087]
消费者网络实体可以由模型推理平台例如nwdaf形成，该模型推理平台可以构成请求实体105的示例。
[0088]
对于请求模型和/或训练模型，可以提供以下输入信息：模型类型、特征集、事件id、分析id。可选地有：跟踪区域id(tracking area id，tai)，其指示感兴趣区域或ne服务区域；ue类型；应用id；网络切片选择辅助信息(network slice selection assistance information，nssai)；附加模型信息例如模型的准确性级别、模型时间、模型id、模型版本等。可选地，请求的模型参数例如未知权重可以被指示。
[0089]
作为模型训练的输出或对模型请求的响应，可以提供一个或更多个模型参数例如权重、或者组合模型。
[0090]
模型类型可以由以下中的一种或更多种形成：线性回归、逻辑回归、线性判别分析、决策树、朴素贝叶斯、k-近邻算法、学习向量量化、支持向量机、装袋和随机森林、深度神经网络等。
[0091]
在以下示例中，线性回归情况下的模型描述如下：
[0092]
h(x)＝w0x0+w1x1+w2x2+w3x3+w4x4+w5x5…
+wdxd[0093]
由分析id指示的生成分析：h(x)
[0094]
特征集：x0、x1、x2……
xd[0095]
权重：w0、w1、w2……
wd[0096]
这些特征可以从由事件id或oam测量类型指示的数据中得出。
[0097]
事件id标识订阅的事件类型。这在3gpp ts23.502中指定。
[0098]
在示例中，ts23.502中指定的事件id可以是pdu会话释放、感兴趣区域外的ue移动性等。
[0099]
在示例中，ts23.288中指定的分析id可以是：服务体验(第6.4条)、nf负载信息(第6.5条)、网络性能(第6.6条)、ue移动性(第6.7.2条)、ue通信等。
[0100]
对于模型供应服务的注册，可以提供以下参数：
[0101]-模型类型、特征集/事件id、分析id；
[0102]-可选地，一个或多个tai、ue类型、应用id、nssai；
[0103]-可选地，附加模型信息，例如模型id、模型时间或模型版本。
[0104]
在一些示例中，模型由模型训练平台305、模型存储器或联合服务器提供。
[0105]
模型训练平台305可以作为实现机器学习模型训练算法的软件代码实现和/或分发。
[0106]
在示例中，模型可以直接由位于不同5gc nf例如nwdaf、可信/不可信af的模型训练平台提供。下面描述在不同情况下每个nf/ne的业务增强的示例。
[0107]
在一些示例中，模型可以由nwdaf提供，总结如下表所示：
[0108][0109]
nf服务可以由ts23.288中描述的nwdaf提供。
[0110]
在一些示例中，模型可以由af和/或第三方af提供，总结如下表所示：
[0111][0112]
af提供的nf服务可以如ts23.501中所述实现。
[0113]
如果模型由第三方af提供，则nef开放能力可以被增强成将第三方af的数据模型供应服务桥接到5gc nf，总结如下表所示：
[0114]
服务名称描述ts 23.502[3]中的参考nnef_eventexposure为事件开放提供支持5.2.6.2nnef_analyticsexposure为网络分析的开放提供支持5.2.6.16nnef_datamodelexposure为模型的开放提供支持 [0115]
nf服务可以由ts23.501中描述的nef提供。
[0116]
如图6所示，可以经由应用功能(application function，af)通过考虑一个plmn域的外部/第三方应用/nf/ne来提供模型。在提供者nf/ne不受plmn信任的情况下使用外部/第三方/不可信af 603。在提供者nf/ne受plmn信任的情况下使用内部/可信af 601。在外部af 603提供模型的情况下，构成网络实体101的另一个示例，plmn nef 501的反向nef开放能力可以用于从外部af 603获得模型。然后，可以应用图7中描述的过程，根据该过程，nwdaf发现并获得由外部af 603提供的模型。可选地，可以存在内部af 601。
[0117]
参考图7，在步骤1a中，外部af 603例如使用关于af服务注册的先前ipr向构成注册实体103的实施例的nef 501发送模型注册请求。注册请求包括af配置文件中的naf_datamodelprovision服务配置文件，该服务配置文件还包括具有例如模型类型、分析id、特征集/事件id等的服务参数列表。
[0118]
在步骤1b中，nef 501生成数据模型公开服务，以公开支持的模型信息，该模型信息包括具有例如模型类型、分析id、特征集/事件id等的服务参数列表。
[0119]
在步骤1c中，nef 501以列表中每个项目的模型id响应注册请求。
[0120]
在步骤3中，nef 501以该列表在nrf上注册其数据模型开放服务，该列表具有例如模型类型、分析id、特征集/事件id等。
[0121]
在步骤4中，nwdaf 402发现通过nrf提供所需模型的nef 501。
[0122]
在步骤5中，nwdaf 402订阅由nef 501提供的数据模型开放服务，该数据模型开放服务包括模型类型、分析id、特征集/事件id、请求的模型参数等参数。
[0123]
在步骤6中，nef 501订阅由外部af提供的数据模型供应服务，该数据模型供应服务包括模型类型、分析id、特征集/事件id、请求的模型参数等参数。
[0124]
在步骤7中，外部af 603通过响应或通知消息向nef 501提供请求的模型和/或模型参数。
[0125]
在步骤8中，nef 501通过响应或通知消息向nwdaf 402提供请求的模型和/或模型参数。
[0126]
参考图8，模型也可以由其他plmn(指示为plmn 1 401)中的应用/nf/ne例如实现为af 603的联合服务器或模型训练平台来提供。在这种情况下，漫游架构中的nef 501和inef 803可以用于af 603与不同plmn 2例如plmn 801的5gc nf之间的信令交互。该模型可以由另一个运营商的cp nf例如af 603提供。
[0127]
结合图8，可以应用图9所示的过程，其中，plmn2 801nwdaf 402可以发现并获得plmn1 401提供的模型。
[0128]
步骤1包括nrf 313处的plmn1模型注册。在步骤2中，plmn1nef 501发现模型。在步骤3中，plmn1nef 501在plmn2nrf 313处注册模型。在步骤4中，plmn2nwdaf 402通过
plmn2 nrf 314发现模型。在步骤5至8中，plmn2nwdaf 402消费由plmn1 401通过nef 501提供的模型。
[0129]
参考图10，模型由plmn 1 5gc nf/ne例如nwdaf或udr提供，该udr构成数据存储器的示例。例如，plmn 1中的nwdaf 403或数据存储器1005可以将模型提供给plmn2消费者nwdaf 402。如果服务发现已经例如通过nrf交换在运营商之间达成一致，则通过sepp 1003的漫游架构可以用于不同plmn的5gc nf之间的安全信令交换。
[0130]
模型可以直接配置在5gc的数据存储器(即udr)中，该数据存储器构成oam配置的数据存储器的示例。在这种情况下，udr 1005可以被增强，以向5gc中的消费者nf提供可用模型的信息，如下所示。数据密钥用于搜索udr的数据库，以查找所需的存储数据。为了搜索ml模型，数据密钥将是例如ts23.288中指定的分析id，而数据子密钥将是模型类型、特征集、事件id、感兴趣区域、ue类型、应用id、nssai、模型信息例如模型id、模型时间、模型版本等。
[0131]
在示例中，模型时间指示模型被训练和/或模型到期的时间。模型时间可以以时间戳的形式实现。
[0132]
模型可以由数据存储器提供，总结如下表所示。开放数据可以存储在udr中，例如ts23.502中指定的。
[0133][0134]
在一些实施例中，模型可以由ne通过组合来自其他ne的结果来提供。
[0135]
在示例中，模型还可以由网络实体提供到nwdaf，该网络实体从其他网络实体(例如，联合服务器而不是模型训练平台)获得模型或模型参数。在这种情况下，还可以使用再一个步骤，其中，模型提供者可以从另一ne例如联合客户端、数据存储器或oam配置获得ml模型/模型参数。它可以进一步处理获得的模型和模型参数，然后将组合模型提供给消费者网络功能。
[0136]
由其他ne提供的模型的注册和发现可以完全遵循上述内容，或者可以使用现有的通信接口，例如soa指定的联合服务器/客户端通信机制。模型提供者可以(例如，经由oam配置或历史模型处理)具有关于组合模型的一些本地信息。
[0137]
因此，模型提供者被通知可以在5gc中向消费者nf提供哪些类型的组合模型。如上所述，模型提供者将组合模型注册到5gc。然后，5gc nf可以发现并消费模型提供者提供的模型。
[0138]
在示例中，本文描述的方法基于nwdaf与其他nf之间关于模型查询和模型检索的信令。在示例中，没有发送原始数据来获得模型。
[0139]
本领域技术人员将理解，各种附图(方法和装置)的“框”(“单元”)表示或描述本发明实施例的功能(而不一定是在硬件或软件中的单独“单元”)，并且因此同等地描述装置实施例以及方法实施例的功能或特征(单元等同于步骤)。
[0140]
在本技术中提供的几个实施例中，应理解，所公开的系统、装置和方法可以通过其
他方式实现。例如，所描述的装置实施例仅仅是示例性的。例如，单元划分仅仅是一种逻辑功能划分，实际实现时可以有其他划分方式。例如，可以将多个单元或组件组合或集成到另一系统中，或者可以忽略或不执行一些特征。另外，所显示或描述的相互耦合或直接耦合或通信连接可以通过一些接口来实现。装置或单元之间的直接耦合或通信连接可以通过电子、机械或其他形式实现。
[0141]
作为分离部件描述的单元可以是或者也可以不是物理上分开的，而作为单元显示的部件可以是或者也可以不是物理单元，可以位于一个位置上，或者可以分布在多个网络单元上。可以根据实际需要选择一些或全部单元来实现实施例方案的目的。
[0142]
另外，本发明实施例中的功能单元可以集成到一个处理单元中，或者每个单元可以物理上单独存在，或者两个或更多单元可以集成到一个单元中。