[发明专利]用于边缘计算的端到端深度神经网络自适应

说明书

描述了用于自适应端到端E2E机器学习ML配置以用于处理通过E2E通信传递的通信的技术和装置。网络实体通过基于第一E2E ML配置形成E2E深度神经网络DNN的至少一部分来引导参与E2E通信的用户设备(UE)和基站实现E2E通信(805)。网络实体基于E2E通信中边缘计算服务器(ECS)的参与模式的改变来确定更新第一E2EML配置(815)。网络实体基于参与模式的改变来标识第二E2E ML配置(820)，并且指示UE或基站使用第二E2E ML配置来更新E2EDNN的该部分(825)。

背景技术

无线通信系统的发展通常源于对更高数据吞吐量和更低时延的需求。作为一个示例，随着越来越多的设备获得对无线通信系统的接入，对数据的需求增加。不断发展的设备还执行利用和/或处理比先前应用更多的数据的数据密集型和/或计算密集型应用，诸如更高刷新率的流视频应用、更高分辨率的社交媒体应用、多玩家游戏应用、更高保真度的音频服务等。为了适应增加的数据使用并提供更多的计算能力，不断发展的无线通信系统包含附加的计算设备和/或数据存储资源。

作为一个示例，移动边缘计算对应于部署在无线网络的边缘，诸如第五代(5G)和/或第六代(6G)无线网络的覆盖区域，的计算应用、能力和/或服务。相对于通过互联网访问的基于云的服务，移动边缘计算提供基站本地的计算资源，并且随后提供与基站通信的用户设备(UE)本地的计算资源。边缘计算的局部性通过减少数据传递延迟来改进网络响应时间。

无线网络有时在边缘计算服务器(ECS)和用于应用处理的基于云的服务之间迁移UE。为了说明，考虑UE在无线网络内操作。当UE移动到具有可用ECS的第一覆盖区域时，无线网络可以确定利用由ECS为UE应用处理提供的计算资源。然而，随着UE移动离开覆盖区域和/或ECS，无线网络必须将UE应用处理重新引导到不同的ECS和/或基于云的服务。因此，边缘计算能够添加复杂性，因为无线网络在边缘计算和基于云的服务之间动态地重新引导应用处理。

发明内容

本文档描述了用于边缘计算的端到端(E2E)深度神经网络(DNN)自适应的技术和装置。各个方面描述了自适应形成用于处理通过E2E通信传递的通信的E2E深度神经网络(DNN)的端到端E2E机器学习(ML)配置。网络实体引导参与E2E通信的用户设备(UE)和基站通过基于第一E2E ML配置形成E2E DNN的至少一部分来实现E2E通信。网络实体基于E2E通信中的边缘计算服务器(ECS)的参与模式的改变来确定更新第一E2E ML配置。网络实体基于参与模式的改变来标识第二E2E ML配置，并且引导UE或基站使用第二E2E ML配置来更新E2E DNN的一部分。

在各个方面，UE自适应E2E ML配置以用于处理通过E2E通信传递的通信。UE使用用于实现E2E通信的E2E DNN的第一E2E ML配置的至少第一部分来形成深度神经网络(DNN)。UE接收基于E2E通信中的边缘计算服务器(ECS)的参与模式的改变使用第二E2E ML配置的至少第二部分来更新DNN的指示。然后，UE基于ECS的参与模式使用E2E ML配置的至少第二部分来更新DNN，并且使用更新后的DNN来实现E2E通信的至少一部分。

在附图和以下描述中阐述了用于边缘计算的E2E DNN自适应的一个或多个实施方式的细节。其他特征和优点从说明书和附图以及从权利要求书将是显而易见的。提供本发明内容以介绍在具体实施方式和附图中进一步描述的主题。因此，不应当将本发明内容视为描述基本特征，也不应当将其用于限制所要求保护的主题的范围。

附图说明

下面描述用于边缘计算的端到端(E2E)深度神经网络(DNN)自适应的一个或多个方面的细节。在说明书和附图的不同实例中使用相同的附图标记表示类似的元件：

图1图示了能够实现用于边缘计算的E2E DNN自适应的各个方面的示例环境；

图2图示了能够实现用于边缘计算的E2E DNN自适应的各个方面的设备的示例设备图；