[发明专利]用于确定模型以数字化地分析输入数据的网络实体

说明书

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；通过以下各项操作中的至少一个操作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；针对现有模型搜索本地数据库；或向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。

技术领域

标准3GPP SA2在Rel.16中引入网络数据分析功能(network data analyticsfunction，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

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：

-支持从NF和AF采集数据；

-支持从OAM采集数据；

-向NF/AF开放元数据和NWDAF服务注册；

-支持向NF、AF供应分析信息。

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。

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。

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。

发明内容

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。

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。

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。

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：

1.在5G系统中，哪个网络功能能够提供这样的模型？

2.在5G系统中，消费者NWDAF如何发现所需的模型？

3.如何将该模型提供给消费者NWDAF？

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。