参考文献：3GPP TR 23.700-80 V18.0.0 (2022-12) Study on 5G System Support for AI/ML-based Services
目录
1 研究需求
基于《TS 22.261：Service requirements for the 5G system; Stage 1》第6.40节和第7.10节规定的需求，5GS（5G System）需协助支持人工智能（Artificial Intelligence，AI）/机器学习（Machine Learning，ML）模型的分发（distribution）、传输（transfer）、各种应用的训练（training for various applications），如视频/语音识别、机器人控制、自动驾驶等。
该小节内容是对《TS 22.261：Service requirements for the 5G system; Stage
1》第6.40节和第7.10节规定的需求内容的总结，想只了解TR 22.261的Scope部分的同志可直接跳转至第2小节
1.1 TS 22.261中6.40规定的需求
以下引用自TS 22.261中的6.40小节：5GS中的AI/ML模型传输（AI/ML model transfer in 5GS）
1.1.1 5GS至少可支撑3种类型的AI/ML操作
（a）AI/ML操作/模型分割（AI/ML operation/model splitting）
根据当前的任务和环境，将AI/ML操作/模型拆分为多个部分。其意图是将计算密集型、能量密集型的部分卸载到网络端点，而将隐私敏感和时延敏感的部分保留在终端设备上。终端执行规定好的一部分操作或特定层的模型，然后将中间数据发送到网络端点。网络端点执行其余的部分/层，并将推理结果反馈给终端。
（b）AI/ML模型/数据在5GS的分发与共享（distribution and sharing）
多功能移动终端可能需要根据任务和环境变化切换AI/ML模型。自适应模型选择的条件是所选模型在UE上可用。然而，考虑到AI/ML模型日益多样化，并且UE上的存储资源有限，可以决定不在UE上预加载所有候选AI/ML模型。需要在线模型分发（即新模型下载），其中AI/ML模型可以在设备需要时从网络端点分发到设备，以适应更改的AI/ML任务和环境。为此，需要不断监视UE上的模型性能。
（c）5GS的分布式/联邦学习（Distributed/Federated Learning）
云服务器通过汇聚由每个UE部分训练的本地模型来训练全局模型。在每个训练迭代中，UE根据从AI服务器下载的模型使用本地训练数据进行训练。然后，UE通过5G上行通道将中期训练结果报告给云服务器。服务器汇总来自UE的中期训练结果并更新全局模型。然后将更新后的全局模型分发回UE，UE可以用于执行下一轮的训练。
1.1.2 直接网络连接的要求
（a）根据运营商政策，5G系统应能允许授权的第三方监控与该第三方相关的网络服务的资源利用情况。
注1：资源利用指与UE性能相关的测量，例如提供给UE的数据吞吐量。
（b）根据运营商政策，5G系统应能向授权的第三方发送一个关于计划中的比特率、时延或可靠性变更的指示，以便第三方的AI/ML应用在时间允许的情况下能够调整应用层行为。该指示应提供变更的预期时间和位置，以及目标QoS参数。
（c）根据运营商政策，5G系统应能预测并向授权的第三方公开每个UE的预测网络条件变化（即比特率、时延、可靠性）。
（d）在用户同意、运营商政策和法规约束的情况下，5G系统应能向第三方的AI/ML应用公开AI-ML会话的监控和状态信息。
注2：这种机制是AI/ML应用确定及时转移AI/ML模型所需的。
（e）5G系统应能够向授权的第三方提供事件预警，以及事件的预测时间（例如，关于流量拥塞或UE移动进出不同地理区域的预警）。
注3：第三方的AI/ML应用可以使用预测信息来最小化在学习数据和AI/ML模型数据传输中的干扰。
（f）5G系统应能够向授权的服务提供商公开一组UE的聚合QoS参数值。
（g）5G系统应能够支持授权的第三方更改与一组UE相关联的聚合QoS参数值，例如参与联邦学习的一组UE。
（h）在用户同意、运营商政策和法规要求的情况下，5G系统应能够向授权的第三方公开信息（例如候选UEs），以帮助第三方确定一组UEs的成员（例如参与联邦学习的一组UEs）。
解读&总结：TS 22.261规定了支持AI/ML传输的三大用例，以及网络所需能力。首先，网络能向授权的第三方应用开放一些网络基础信息，包括 a) 网络资源利用情况、b) QoS变更指示、c) 网络条件变化，并能向第三方发送e)网络预警信息内容，使得第三方应用可以调整应用层传输策略来降低干扰；其次，网络可以监控整个AI/ML操作流程，并能向第三方公开d) AI/ML会话的监控和状态信息；最后，网络为了支持分布式/联邦学习，可以向第三方公开h) UE信息和f) UE的QoS、并允许第三方g)修改QoS。
1.1.3 直接设备连接的需求
（a）根据用户同意、运营商政策和可信的第三方请求，5G系统应授权特定UE在特定的位置和时间通过直接设备连接传输数据（例如，为特定应用的AI-ML模型数据）。
（b）根据用户同意、运营商政策和可信第三方的请求，5G系统应使运营商能够授权参与相同服务的特定UE（例如，执行相同的AI-ML FL任务）通过直接设备连接相互交换数据，例如在直接网络连接无法满足所需的QoS时。
（c）根据用户同意、运营商政策和可信的第三方请求，5G系统应当能够在通过直接设备连接通信时动态添加或移除参与相同服务（例如，AI-ML联邦学习任务）的特定UE。
（d）根据用户同意和运营商政策，当涉及到中继UE时，5G系统应使网络能够配置和修改远程UE的通信QoS，例如，以满足基于就近的工作任务卸载的端到端延迟。
注：对于基于就近的工作任务卸载，通过侧链路和非直接网络连接的Uu部分链路的数据包大小可能不同。
（e）根据用户同意、运营商政策和可信的第三方请求，5G系统应当能够配置通信路径的QoS（例如，延迟、可靠性、数据速率），例如，用于AI-ML数据传输。
（f）根据用户同意、运营商政策和可信的第三方请求，5G系统可以监控通过直接设备连接传输或由UE中继的流量的QoS特性（例如，数据速率、延迟），并将监控信息暴露给第三方。
注：监控信息不包括用户位置相关的数据。
（g）根据用户同意、运营商政策和可信的第三方请求，5G系统应能够预测并公开UE使用直接或间接网络连接的QoS信息的变化（例如，比特率、延迟、可靠性）。5G系统应当能够支持一个受信任的第三方与5G系统协商多个UE直接设备连接的合适QoS的机制（例如，使用相同AI-ML服务的一组UE）。
（h）根据用户同意、运营商政策和可信的第三方请求，5G系统应当能够支持并为中继UE服务的多个远程UE配置一个聚合QoS。
（j）根据用户同意、运营商政策和可信的第三方请求，5G系统应当能够支持配置通过直接设备连接通信的多个UE的特定QoS限制（例如，共同AI-ML推断任务的一部分）。
注：上述要求假设通信是单播类型的。
（l）根据用户同意、法规、可信的第三方请求和运营商政策，5G网络应当能够向第三方公开信息，以帮助第三方确定通过直接设备连接传输数据的候选UE（例如，为特定应用的AI-ML模型传输）。
注：信息不包括用户的具体定位，但可以包括QoS信息。
（m）根据用户同意、运营商政策、法规和可信的第三方请求，5G网络应当能够向第三方暴露执行相同服务的特定UE的信息（例如，协助在特定区域使用直接设备通信执行联合AI-ML任务的UE）。
注：信息不包括用户的具体定位信息。
5G系统应当能够支持多个UE为执行相同服务使用直接设备连接交换数据的计费机制（例如，用于AI-ML应用）。
解读&总结：该小段主要是为了支撑UE用户将AI任务卸载至UE的情况，以及参与联邦学习的UE组之间通信过程，进而考虑了中继UE进行模型聚合的场景。所以需要网络能监控、修改、配置UE之间直连or中继的路径和QoS，并且能够同直接网络连接一样，将一些信息以及配置修改（主要是QoS）的权利分给第三方
1.2 TS 22.261中7.10对应的KPI
以下引用自TS 22.261中的7.10小节：5GS中的AI/ML模型传输的KPI（KPIs for AI/ML model transfer in 5GS）
1.2.1 直接网络连接的KPI需求
5GS应支持UE和网络服务器/应用程序功能之间的AI/ML推理分割，性能要求如下表所示：
5GS应支持AI/ML模型下载，性能要求如下表所示：
5GS应支持UE与网络服务器/应用程序之间的联邦学习，性能要求如下表所示：
1.2.2 直接设备连接的KPI需求
5GS应支持AI/ML终端之间的AI/ML推理分割，性能要求如下表所示：
5GS应支持AI/ML终端之间的AI/ML模型的分发与共享，性能要求如下表所示：
5GS应支持AI/ML终端之间的分布式/联邦学习，性能要求如下表所示：
2 研究范围
本TR研究的范围是探讨AI/ML服务提供商如何利用5GS作为平台，为基于以下目标的应用层AI/ML操作提供智能传输支持。
1、研究可能的架构和功能扩展，以支持TS 22.261中定义的应用层AI/ML操作，具体包括：
a. 支持监控与UE相关的5GS中的网络资源利用情况，以支持AI/ML应用。
b. 研究是否以及如何扩展5GS信息披露，使5GC NF(s)能够将UE和/或网络条件以及性能预测（例如位置、QoS、负载、拥塞等）披露给UE和/或授权的第三方，以协助AI/ML应用。
c. 基于应用程序AI/ML操作增强5GC的外部参数供应（例如，预期的UE活动行为、预期的UE移动性等）。
d. 调查其他可能增强的5GC功能，以协助AI/ML应用，正如TS 22.261 的第6.40条所述。
2、研究可能的QoS、策略增强，以支持AI/ML业务，同时支持常规（非应用AI/ML）的5GS用户业务。
3、研究5GS是否以及如何为AF和UE提供协助，使AF和UE能够管理联邦学习（FL）操作和模型分发/重新分发（即FL成员选择、组性能监控、充足的网络资源分配和保证），以促进服务端与UE上运行的客户端之间的基于联邦学习的联合AI/ML应用。
799
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
