[go: up one dir, main page]

CN114945926A - 用于传输速率控制的网络实体和用户设备 - Google Patents

用于传输速率控制的网络实体和用户设备 Download PDF

Info

Publication number
CN114945926A
CN114945926A CN202180008942.2A CN202180008942A CN114945926A CN 114945926 A CN114945926 A CN 114945926A CN 202180008942 A CN202180008942 A CN 202180008942A CN 114945926 A CN114945926 A CN 114945926A
Authority
CN
China
Prior art keywords
network entity
transmission
data
user equipment
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180008942.2A
Other languages
English (en)
Inventor
维韦克·夏尔马
魏宇欣
若林秀治
亚辛·阿登·阿瓦德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Group Corp
Original Assignee
Sony Group Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sony Group Corp filed Critical Sony Group Corp
Publication of CN114945926A publication Critical patent/CN114945926A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18—Negotiating wireless communication parameters
    • H04W28/22—Negotiating communication rate
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/25—Flow control; Congestion control with rate being modified by the source upon detecting a change of network conditions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • H04L47/127—Avoiding congestion; Recovering from congestion by using congestion prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种用于移动电信系统的网络实体，网络实体包括被配置为执行根据传输控制协议的数据传输的传输速率控制的电路，其中，基于包括数据传输的拥塞预测的机器学习算法的输出来执行所述传输速率控制。

Description

用于传输速率控制的网络实体和用户设备
技术领域
本公开总体上涉及一种移动电信系统的网络实体和用户设备。
背景技术
几代移动电信系统是已知的，例如，基于国际移动电信-2000(IMT-2000)规范的第三代(“3G”)、提供国际移动电信-高级标准(IMT-高级标准)中定义的能力的第四代(“4G”)以及当前正在开发并可能在2020年投入实践的第五代(“5G”)。
提供5G要求的候选是所谓的长期演进(“LTE”)，这是一种允许移动电话和数据终端进行高速数据通信的无线通信技术，并且已经用于4G移动电信系统。满足5G要求的其他候选被称为新无线电(NR)接入技术系统。NR可以基于LTE技术，正如LTE的某些方面基于前几代移动通信技术一样。
LTE基于第二代(“2G”)网络技术的GSM/EDGE(“全球移动通信系统”/“GSM演进的增强数据速率”，也称为EGPRS)和第三代(“3G”)网络技术的UMTS/HSPA(“通用移动电信系统”/“高速分组接入”)。
LTE在3GPP(“第三代合作伙伴计划”)的控制下被标准化，并且存在允许比基本LTE更高的数据速率的并且也在3GPP的控制下被标准化的后续LTE-A(高级LTE)。
未来，3GPP计划进一步开发LTE-A，使其能够满足5G的技术要求。
由于5G系统可能分别基于LTE-A或NR，因此假设5G技术的具体要求将基本上由LTE-A和NR标准文档中已经定义的特征和方法来处理。
此外，传输控制协议(“TCP”)是互联网中非常常用的协议，5G网络中支持的许多应用将继续使用传输控制协议。
众所周知，根据传输控制协议进入网络的数据传输的速率由几种机制控制，例如，慢启动机制。在慢启动机制中，在检测到网络拥塞之后，传输速率可能显著降低，并且可能仅在之后开始缓慢增加，例如，在高度以用户为中心的无线服务(例如，虚拟现实)的情况下，用户可以认识到这一点，其中，终端用户和网络功能之间的差距几乎是最小的。
尽管存在根据传输控制协议来进行数据传输的传输速率控制的技术，但是通常希望改进现有技术。
发明内容
根据第一方面，本公开提供了一种用于移动电信系统的网络实体，包括被配置为执行根据传输控制协议的数据传输的传输速率控制的电路，其中，基于包括数据传输的拥塞预测的机器学习算法的输出来执行传输速率控制。
根据第二方面，本公开提供了一种用于移动电信系统的用户设备，包括电路，所述电路被配置为使用基于传输控制协议的服务，并且从网络实体接收包括推荐的比特率的第一MAC控制元素，所述推荐的比特率基于机器学习算法的输出，所述机器学习算法的输出包括根据传输控制协议的数据传输的拥塞预测，并且所述电路响应于并且基于所接收的第一MAC控制元素，调整根据传输控制协议数据传输的传输速率。
根据第三方面，本公开提供了一种用于移动电信系统的用户设备，包括被配置为协调不同层上的活动的电路，由此所述用户设备中包括的调制解调器获得关于传输控制协议报头的信息。
根据第四方面，本公开提供了一种用于移动电信系统的用户设备，包括被配置为向网络实体传输缓冲器状态报告的电路，所述报告指示比其实际具有的缓冲器大小更小的缓冲器大小。
在从属权利要求、以下描述和附图中阐述了进一步的方面。
附图说明
参照附图通过示例的方式解释实施例，其中：
图1示意性地示出了无线电接入网络的两个实施例；
图2示出了根据传输控制协议的数据传输的传输速率的慢启动机制；
图3示出了处于训练阶段的递归神经网络的实施例的框图；
图4示出了推理阶段的递归神经网络的实施例的框图；
图5示出了根据传输控制协议的由网络实体控制的数据传输的传输速率的时间演变的示图；
图6示出了根据传输控制协议的由网络实体控制的数据传输的传输速率控制的第一实施例的状态图；
图7示出了根据传输控制协议的由网络实体控制的数据传输的传输速率控制的第二实施例的状态图；
图8示出了根据传输控制协议的由网络实体控制的数据传输的传输速率控制的第三实施例的状态图；
图9示出了根据传输控制协议的由网络实体控制的数据传输的传输速率控制的第四实施例的状态图；
图10示出了用户设备和网络实体的框图；
图11示出了可用于实现用户设备或网络实体的多用途计算机的框图；
图12示出了用户设备的实施例的框图；以及
图13示出了缓冲器状态报告从用户设备传输到网络实体的状态图。
具体实施方式
在给出参考图2的实施例的详细描述之前，进行一般解释。
如开头所述，一般来说，几代移动电信系统是已知的，例如，基于国际移动电信-2000(IMT-2000)规范的第三代(“3G”)、提供国际移动电信-高级标准(IMT-高级标准)中定义的能力的第四代(“4G”)以及当前正在开发并可能在今年投入实践的第五代(“5G”)。
满足5G要求的一个候选被称为新无线电(“NR”)接入技术系统。在一些实施例中，NR的一些方面可以基于LTE技术，正如LTE的一些方面基于前几代移动通信技术一样。
作为移动电信系统的示例，在图1A中示出了NR无线接入网RAN 1a的典型实施例。RAN 1a具有由LTE eNodeB 3建立的宏小区2和由NR eNodeB 5(也称为gNB(下一代eNodeB))建立的NR小区4。
UE 6可以与LTE eNodeB 3通信，并且只要在NR小区4内，也可以与NR eNodeB 5通信。该实施例示出了电信系统1a的NR EN-DC(“E-UTRA-NR双连接”)部署。
在一些实施例中，移动电信系统是NR独立系统。通常，不同节点处的数据收集是已知的，并且NWDAF(“网络数据分析功能”)实体是已知的。在一些实施例中，NWDAF实体可以从例如5G核心网络、5G RAN和在RAN收集的UE测量中收集数据。此外，在一些实施例中，规定可以从3GPP系统外部的实体收集数据，即应用服务器可以与NWDAF实体共享数据。在一些实施例中，在网络中存在这些规定。
因此，图1B示出了移动电信系统1b中的NR无线接入网RAN的另一个典型实施例。RAN具有由NR eNodeB 5(gNB)建立的NR小区4。
UE 6可以与连接到5G核心网络(“5GC”)8的gNB 5通信。NWDAF实体9从5GC 8、gNB 5和移动电信系统1b外部的应用服务器42收集数据。
如开头所述，传输控制协议(“TCP”)是互联网中非常常用的协议，5G网络中支持的许多应用将继续使用传输控制协议。根据传输控制协议进入网络的数据传输的速率由几种机制控制，例如，慢启动机制(slow-start mechanism)。
在一些实施例中，TCP窗口被配置在发射机和接收机中，并且具有滑动窗口。如果网络拥塞，则TCP窗口应该很小，并且如果网络没有错误并且可以分配大的带宽，则TCP窗口通常应该很大。诸如分组数据汇聚协议(“PDCP”)或无线电链路控制(“RLC”)窗口操作的其他协议可以与TCP窗口配置对准。TCP和RLC都支持滑动窗口机制。然而，无线电状况可能会动态变化，并可能导致缓冲器溢出，从而导致TCP慢启动机制。这可以被用户识别，如开头所述，这对于高度以用户为中心的无线服务(例如，虚拟现实)(其中，终端用户和网络功能之间的差距几乎是最小的)可能是不方便的。
在文章(“TCP-Aware Scheduling in LTE Networks”，Shojaedin等人)中描述的解决该问题的一种方法是将频繁的资源分配给具有小缓冲器大小的用户设备(“UE”)。然而，已经认识到，这种方法可能导致资源浪费，这是由于资源分配的大小不适当，或者对于具有较大缓冲器大小的UE来说，以资源稀缺为代价，没有使用分配的资源。
此外，已经认识到，人工智能(“AI”)和/或机器学习(“ML”)是学习、分析和预测复杂网络场景的强大工具，因此，在一些实施例中，机器学习与无线通信集成。在一些实施例中，ML和/或AI在无线通信(即移动电信系统)中的应用分类如下：
首先，ML在无线系统中的应用是利用智能和预测数据分析来增强状况感知和整体网络操作，例如，无线网络上的故障监控、用户跟踪等。
其次，除了其强大的智能和预测数据分析功能，ML还用作智能和数据驱动的无线网络优化的主要驱动因素，以便解决从小区关联和无线电接入技术选择到频率分配、频谱管理、功率控制、智能波束形成等各种问题。
第三，除了其系统级功能之外，ML在无线网络的物理层起着关键作用，例如，在编码和调制设计中，在通用通信系统中的发射机和接收机级。
第四，快速部署高度以用户为中心的无线服务，例如，VR，其中，终端用户和网络功能之间的差距几乎是最小的，ML帮助无线网络跟踪和适应人类用户行为。
还已经认识到，在一些实施例中，ML和/或AI方法可以用在调度器实现方式中，例如，在诸如gNB的基站中。在一些实施例中，在网络实体中的调度器中使用ML和/或AI方法来预测网络拥塞和/或UE的无线电状况。
此外，已经认识到，在一些实施例中，可以扩展ML和/或AI技术来解决TCP窗口停滞问题，并且如果窗口大小对于例如gNB是已知的或者如果调度器可以预测窗口大小，则可以进一步扩展到快速用户数据报协议互联网连接(“QUIC”)。
因此，一些实施例涉及用于移动电信系统的网络实体，包括被配置为执行根据传输控制协议数据传输的传输速率控制的电路，其中，基于包括数据传输的拥塞预测的机器学习算法的输出，来执行传输速率控制。
网络实体可以是作为移动电信系统的一部分的基站，例如，eNodeB、NR gNB等，该移动电信系统可以基于UMTS、LTE、LTE-A或NR、5G系统等。该实体也可以是移动电信系统的任何其他实体，并且可以位于该系统中的任何地方。
该电路可以包括处理器、微处理器、专用电路、存储器、存储设备、无线电接口、无线接口、网络接口等中的至少一个，例如，包括在基站(例如，eNodeB、NR gNB、用户设备等)中的典型电子组件。可以包括诸如移动电信系统接口的接口，该接口适于向移动电信系统提供通信和/或从移动电信系统提供通信。还可以包括无线接口，例如，无线局域网接口、蓝牙接口等。
众所周知，根据传输控制协议的数据传输是基于分组的传输，传输速率通常取决于窗口大小和往返时间。在一些实施例中，窗口大小是源可以在尚未收到确认的一组分组中发送的最大字节数。目的地计算机会对接收到的每个正确分组发送回确认。在一些实施例中，往返时间是从传输分组直到源接收到其确认的时间。
因此，可以通过调整窗口大小、无线传输中的比特率或通过影响往返时间来控制传输速率，这可能取决于连接质量、网络拥塞、网络调度、繁忙的服务器或基站等。
机器学习算法可以是或者可以包括或者可以基于生成输出的神经网络、决策树、支持向量机等，网络实体中的调度器使用该输出来执行传输速率控制，即，决定是否需要网络实体进行传输速率控制并相应地采取必要的动作。ML算法可以通过监督、非监督、强化、深度学习策略等来训练。ML算法可以在监督和深度学习策略中使用历史网络数据。
ML算法输出根据传输控制协议的数据传输的拥塞预测(例如，可能发生拥塞的时间和/或发生拥塞的概率等)，并且将该输出提供给例如网络实体中的调度器，该调度器决定控制传输速率。该预测可以基于来自TCP拥塞机制、低层协议配置、UE无线电状况等的学习。
举例而言：
假设在发射机和接收机中配置了8kB的TCP窗口大小。由于拥塞和延迟，一个实例的缓冲器占用率为7kB，并且1kB以上的数据可能会触发TCP慢启动机制。网络实体中的调度器或类似实体(例如，gNB)可以执行分组检查，并且知道所配置的TCP窗口大小。因此，在一些实施例中，(网络实体的)电路还被配置为执行传输控制协议数据分组检查。
这种数据的积累可能是由于丢失分组或调度缓慢造成的：
TCP层的分组丢失也可能导致RLC AM子层缺失ACK。与TCP相比，RLC子层可能在稍微不同的时间注意到这一点，因为TCP ACK和RLC ACK可能具有不同的定时(RLC ACK基于Poll-PDU和Poll-Byte，即发送ACK之前PDU的数量和字节的数量)，并且网络/应用可能为TCP ACK配置相同或不同的值。此外，配置这些参数的机制是不同的，即TCP窗口是用TCP分组动态配置的，而RLC参数是由RRC并且最有可能在承载建立时配置的。由于丢弃定时器到期，可能在PDCP子层中丢失分组。
因此，调度器可以整理这些事件，并且ML和/或AI模型可以学习和预测未来的可能性。
如果缓冲器积累是由于拥塞，并且分组较晚到达，则这可以通过例如PDCP丢弃定时器或UL延迟参数来检测。
因此，调度器可以收集这些统计数据，并以一定程度的确定性预测未来的活动。配备有这种信息的调度器可以避免缓冲器溢出或饱和，并且减慢或加快分组调度。
因此，在一些实施例中，通过控制数据调度速率来执行传输速率控制。数据调度速率可以由网络实体控制，并且因此间接控制根据传输控制协议的数据传输的传输速率。由于TCP窗口是在TCP分组本身中配置的，并且RLC窗口是使用无线电资源控制(“RRC”)配置的，所以跨层对准可能无法正常工作，但是利用在网络实体调度器附近实现的ML，ML可以了解网络中的TCP业务特性和处理，并且相应地调整这种服务的数据传输的调度。
通常，网络侧的TCP端点是未知的(在互联网的某个地方)，并且另一个选项可以是，例如，如果gNB(网络实体)和UE进行通信并相应地采取动作，即采取动作来控制传输速率。直接的选项可以是gNB可以向UE传达任何可能的TCP线端阻塞或拥塞，或者避免触发慢启动机制。
例如，存在关于新的MAC(“媒体访问控制”)控制元素的现有技术，用于形成关于推荐的比特率的UE。然而，对于3GPP TS 26.114和TS 38.321中规定的MTSI(“用于IMS的多媒体电话服务”)和ANBR(“接入网络比特率推荐”)的特定使用情况，达成了一致。由RTP/RTCP使用，并由gNB发送给UE，用于上行链路(“UL”)和下行链路(“DL”)推荐的数据速率。在此处，平均窗口时间固定为2000毫秒。这相当于音频的速率控制机制。
在一些实施例中，可以修改上述MAC控制元素(在本文：第一MAC控制元素)来扩展基于TCP的应用的速率控制机制，以便在TCP窗口将要停止时实施速率控制。在这样的实施例中，平均窗口时间是可配置的，使得可以根据不同的应用和/或无线电状况来调整。
因此，在一些实施例中，网络实体的电路还被配置为生成包括推荐的比特率的第一MAC控制元素，并且其中，通过使用基于传输控制协议的服务向用户设备传输第一MAC控制元素来执行传输速率控制，该电路响应于并基于传输的第一MAC控制元素，来调整根据传输控制协议的数据传输的传输速率。
在一些实施例中，第一MAC控制元素包括平均窗口时间。
相应地配置用户设备，即用户设备可以接收第一MAC控制元素并相应地调整传输速率。响应于接收到的第一MAC控制元素，UE可以基于接收到的第一MAC控制元素来调整TCP窗口大小和/或传输比特率和/或平均窗口时间。
在一些实施例中，推荐的比特率和/或平均窗口时间基于机器学习算法的输出。
在一些实施例中，网络实体通过用户设备执行关于拥塞和传输速率的所需适配的信令，以便通过除第一MAC控制元素之外的其他信令过程，在TCP窗口将要停止时实施传输速率控制。在这样的实施例中，信令基于RRC信令、物理层控制信令(DCI)、分配的许可等。
在一些实施例中，(网络实体的)电路还被配置为从用户设备接收对推荐的比特率的查询，并且响应于接收到的查询，向用户设备传输第一MAC控制元素。
在3GPP TS 38.321(例如，在5.8.10节中)中描述了关于推荐的比特率的一些进一步解释，可以使用/扩展/修改这些解释，用于在基于TCP的应用中的传输速率控制。
此外，可以引入从UE到网络实体的新MAC控制元素(在本文：第二MAC控制元素)，该控制元素从UE的TCP层的角度指示任何数据速率偏好。MDT(“最小化驱动器测试”)框架已经引入了针对QCI的UL PDCP排队延迟(“信道质量指示符”)或5QI(“5G服务质量指示符”)，作为一个参数。对于AS延迟(即从分组到达PDCP层到接收UL授权+HARQ)、RLC延迟、F1延迟、PDCP重排序延迟，这非常重要。该参数可以在AS层中提供延迟，但是由于涉及不同的层，可能无法解决TCP窗口停止的问题。新的MAC控制元素也可以改变RLC或PDCP参数，例如，Poll-PDU、Poll-Byte或PDCP丢弃定时器。
因此，在一些实施例中，该电路还被配置为使用基于传输控制协议的服务从用户设备接收包括数据速率偏好的第二MAC控制元素，并且其中，该电路还基于第二MAC控制元素来执行传输速率控制。第二MAC控制元素提供例如关于UE无线电状况和传输信道的进一步信息。
在一些实施例中，第二MAC控制元素包括针对信道质量指示符和5G服务质量指示符中的至少一个的上行链路分组数据汇聚协议排队延迟。
在一些实施例中，第二MAC控制元素改变无线电链路控制和分组数据汇聚协议参数中的至少一个。
在一些实施例中，参数包括Poll-PDU、Poll-Byte和分组数据汇聚协议丢弃定时器中的至少一个。
MAC控制元素是示例，并且在一些实施例中，可以经由PDCP控制PDU、L1信令或RLC控制PDU发生实际信令。尽管RLC数据或PDCP数据PDU也可用于此目的，但这些格式可能降低灵活性，因为指示新格式的新比特可能具有向后兼容性问题，并且可能需要理解新格式的能力。
如上所述，在一些实施例中，机器学习算法的输出包括根据TCP的关于数据传输拥塞的预测。网络实体可以从ML输出中意识到(检测到)TCP将要开始拥塞控制(慢启动机制)，并且网络(实体)调度器将例如通过改变传输速率来阻止。
在一些实施例中，机器算法包括递归神经网络。
通常，神经网络被组织成多层，其中，每层包括一个或多个节点，并且其中，一层中的每个节点连接到紧接的前一层和后一层中的节点。接收外部数据(输入)的层是输入层，产生结果和/或预测(输出)的层是输出层。中间是包括一个或多个隐藏层的中间层。节点之间的每个连接都分配有一个权重。经过训练的神经网络可以由经过训练的权重来表征。在递归神经网络(“RNN”)中，输入可以是数据序列，例如，数据的时间序列，并且递归网络具有内部状态。RNN中的节点循环输入数据，例如，使用第一次迭代的输出，作为第二次迭代的输入，依此类推。因此，可以基于各种输入参数的时间演变来预测未来事件，即，适合于预测时间序列数据(例如，数据传输拥塞的定时)。
在一些实施例中，问题在于拥塞的关键因素是什么，因为这些因素应该被输入到ML算法中。通常，ML算法可以在许多输入参数中自动找到相关的输入参数。从这个意义上说，任何类型的输入都可以。然而，太多的参数可能导致额外的成本(例如，神经网络中的大量神经元或层，结果需要巨大的处理能力)。因此，在一些实施例中，最好根据通信系统设计者的最佳知识来选择相关输入。
以下参数可以是预测TCP拥塞的相关输入参数和输出参数：
输入层：
·无线电状况：
ο同步信号-参考信号接收功率(SS-RSRP)；
ο信道状态信息-参考信号接收功率(CSI-RSRP)；
ο同步信号-参考信号接收质量(SS-RSRQ)；
ο信道状态信息-参考信号接收质量(CSI-RSRQ)；
ο信道质量指示符(CQI)；
ο探测参考信号(SRS)测量；和
ο块错误率
·RLC层：
οRLC层的错误或丢失ACK
·PDCP层：
οPDCP层中的丢弃定时器的到期
·TCP层：
ο基站(即网络实体)可以使用深度分组检查来读取应用层数据，然后解释TCP报头的内容；以及
οTCP端口号，可能是应用程序的线索(例如，ftp下载、Web、消息、视频流、视频会议工具等)。
·业务负载：
ο带时间戳的业务负载的历史数据。很可能在繁忙时间发生网络拥塞。
ο第2层测量-UL PDCP排队延迟
输出层：
·限制开始的时间/日期；
·限制开始的位置；
·受限服务的类型；以及
·UL或DL或两者的速率控制。
因此，在一些实施例中，递归神经网络的输出包括连接限制开始的定时、连接限制开始的位置、受限服务的类型和上行链路传输速率控制、下行链路速率控制或两者的预测中的至少一项。
在一些实施例中，递归神经网络的输入包括时间序列数据。
在一些实施例中，时间序列数据包括无线电状况。
在一些实施例中，无线电状况包括同步信号-参考信号接收功率、信道状态信息-参考信号接收功率、同步信号-参考信号接收质量、信道状态信息-参考信号接收质量、信道质量指示符、探测参考信号测量和块错误率中的至少一项。
在一些实施例中，时间序列数据包括无线电链路控制层的错误和丢失ACK中的至少一项。
在一些实施例中，时间序列数据包括分组数据汇聚协议层中的丢弃定时器的到期。
在一些实施例中，时间序列数据包括来自传输控制协议报头的信息。
在一些实施例中，时间序列数据包括具有时间戳的业务负载和上行链路分组数据汇聚排队延迟中的至少一项。
在一些实施例中，基于历史训练数据来训练递归神经网络，可以从历史网络数据中获得该历史训练数据，历史网络数据包括上述输入参数的数据和关于何时发生TCP拥塞的数据。
在一些实施例中，离线或在操作期间训练递归神经网络。
在一些实施例中，训练过程部署在如本文所述的网络实体(例如，基站等)内部，网络实体包括通常用于训练过程ML算法(即神经网络)的电子组件(电路)，例如，存储器、微处理器、图形处理单元等。在其他实施例中，训练过程部署在用于网络操作和维护(O&M)的外部服务器/工具内部。在一些实施例中，离线处理训练过程。在其他实施例中，在实时网络操作期间处理训练过程，其中，服务器包括足够的存储器来存储历史(训练)数据。在一些实施例中，网络的原始数据(历史数据)太大而不能存储在网络实体或服务器内部的存储器中。在这样的实施例中，在训练过程之前处理数据，例如，通过平均等，以便减小尺寸。
在一些实施例中，经训练的ML算法(例如，具有经训练的权重的递归神经网络)被部署用于网络实体中的推断(准入控制的实际操作)。在这样的实施例中，对ML算法(例如，递归神经网络)的输入是来自实时网络监控的实际(实时)数据、一些静态配置和历史数据(可以包括来自先前迭代的实时网络监控数据)。
一些实施例涉及用于移动电信系统的用户设备，包括电路，该电路被配置为使用基于传输控制协议的服务，并且从网络实体接收包括推荐的比特率的第一MAC控制元素，该第一MAC控制元素基于机器学习算法的输出，该机器学习算法的输出包括根据传输控制协议的数据传输的拥塞预测，并且该电路响应于并且基于所接收的第一MAC控制元素，调整根据传输控制协议数据传输的传输速率。
用户设备可以是或者可以包括智能手机、VR设备、笔记本电脑等。该电路可以包括以下中的至少一个：处理器、微处理器、专用电路、存储器、存储设备、无线电接口、无线接口、网络接口等，例如，包括在用户设备中以实现本文描述的功能的典型电子组件。
在一些实施例中，(用户设备的)电路还被配置为向网络实体传输对推荐的比特率的查询。
在一些实施例中，(用户设备的)电路还被配置为向网络实体传输包括数据速率偏好的第二MAC控制元素。
在一些实施例中，第二MAC控制元素包括针对信道质量指示符和5G服务质量指示符中的至少一项的上行链路分组数据汇聚协议排队延迟。
普通手机(用户设备)可能具有用于调制解调器和应用程序的不同处理器。
因此，已经认识到，用户设备的实现方式可以协调不同层上的活动，即，用户设备的调制解调器中的AS(“接入层”)层可以知道在应用层中生成/接收的TCP报头。
因此，一些实施例涉及用于移动电信系统的用户设备，包括被配置为协调不同层上的活动的电路，从而用户设备中包括的调制解调器获得关于传输控制协议报头的信息。
在一些实施例中，从用户设备的角度来看，如果用户设备检测到数据传输的拥塞，则用户设备可以发送缓冲器状态报告(“BSR”)，该报告指示比其实际具有的缓冲器大小更小的缓冲器大小，以便向网络实体请求更小的许可。通常从LTE中获知缓冲器状态报告。
因此，一些实施例涉及用于移动电信系统的用户设备，包括电路，该电路被配置为向网络实体传输缓冲器状态报告，该报告指示比其实际具有的缓冲器大小更小的缓冲器大小。
如上所述，用户设备可以是或者可以包括智能手机、VR设备、膝上型电脑等。该电路可以包括以下中的至少一个：处理器、微处理器、专用电路、存储器、存储设备、无线电接口、无线接口、网络接口等，例如，包括在用户设备中以实现本文描述的功能的典型电子组件。
在一些实施例中，本文所述的网络实体和本文所述的用户设备根据传输控制协议构成用于数据传输的传输速率控制系统，和/或是移动电信系统(网络)的一部分。
返回图2，该图示出了根据传输控制协议的数据传输的传输速率的慢启动机制。
根据图2中的传输控制协议的数据传输(即TCP段)的传输速率的时间演变示出了典型的有问题的情况(这将通过本文描述的技术来避免)。
在10a处，传输速率缓慢增加(TCP中的初始cwnd)，并在10b处开始指数增加，直到某一水平。在10c，当拥塞窗口达到TCP慢启动阈值(TCP中的ssthresh)时，传输速率适度增加。
然而，TCP不知道何时可能发生拥塞，因此，继续增加传输速率，直到达到最大允许速率。在某一点处发生拥塞，在l0d处检测到丢失TCP ACK，这使得TCP能够通过在l0e处检测拥塞并快速降低传输速率做出反应。当达到低传输速率时，慢启动机制在10f处再次启动。
这种典型的时间演变作为机器学习算法的训练数据是有用的，例如，图3所示的在训练阶段的当前神经网络。
图3示出了处于训练阶段的递归神经网络20的实施例的框图。
在该实施例中，训练阶段的递归神经网络20(由返回同一节点的箭头示出)部署在网络实体7中，并且从数据存储设备获得输入，该输入包括输入层22处的历史数据21。在该实施例中，如上所述，输入包括历史时间序列数据，包括无线电状况、来自RLC、PDCP、TCP层和业务负载的数据/信息。
输入层22的节点连接到中间层23的第一节点。中间层23执行计算，最后的节点连接到输出层，输出层输出拥塞发生的预测(拥塞发生的时间和/或拥塞发生的概率)和其他输出值，如本文所述。
损失函数25将预测结果与从存储的历史数据21获得的实际结果进行比较，并使用反向传播算法来更新神经网络20的权重，以便提高递归神经网络20的预测精度。
图4示出了推理阶段的递归神经网络30的实施例的框图。
神经网络30对应于图3的经训练的递归神经网络20，并且部署在网络实体7中，用于推理，其中，输入层32、中间层33和输出层34具有与图3中相同的结构。递归神经网络30从实时网络和测量结果(如本文所述的输入数据)获得实际(实时)数据31，并向调度器35(作为网络实体的一部分)输出关于根据传输控制协议的数据传输的拥塞的预测。
调度器35使用基于TCP的服务调度在调度器队列36中的数据，包括来自用户设备的数据传输。基于来自递归神经网络30的数据传输的拥塞预测，调度器35决定调度器队列36中数据传输的传输速率控制，并确定用于执行传输速率控制的活动37，这些活动是本文描述的活动。
调度器35例如可以调整来自基于TCP的服务的数据传输的数据调度速率，以避免慢启动机制并持续实现高传输速率。
在其他实施例中，机器学习函数的部署存在变化，例如，输入层32、中间层33和输出层34。如所讨论的，一种直接的变化是在网络实体内部(例如，在基站内部)的部署。在一些实施例中，这是网络实体外部的高性能处理(例如，云/边缘计算)并且经由接口(例如，O&M网络)连接到网络实体。基于网络虚拟化/云的RAN可以提供替代的灵活部署选项。
图5示出了根据传输控制协议的由网络实体7控制的数据传输的传输速率的时间演变的示图。
在11a处，传输速率缓慢增加(TCP中的初始cwnd)，并在11b处开始指数增加，直到某一水平。在10c处，当拥塞窗口达到TCP慢启动阈值(TCP中的ssthresh)时，传输速率适度增加。
图4中的网络实体7根据传输控制协议和其他输入值(如本文所述)连续监控数据传输的传输速率的时间演变。基于对来自递归神经网络30的数据传输的拥塞预测，调度器35调整来自基于TCP的服务的数据传输的数据调度速率，以避免慢启动机制，并且在11d处持续实现高传输速率。
图6示出了根据传输控制协议的由网络实体7控制的数据传输的传输速率控制的第一实施例的状态图。
UE 6已经与(服务器)PC 41建立了TCP连接，并且UE 6将要从PC41下载数据。在50处，PC 41经由路由器R 40和网络实体NE 7(其配置如图4和图5所示)通过网络以低传输速率(如图5所示)发送第一数据分组，该分组确认其接收。
在51处，PC 41增加传输速率(拥塞窗口)，这由朝向UE 6的箭头示出。NE 7持续并行监控网络状况(无线电状况、TCP报头信息等，如本文所述)，以便基于递归神经网络(机器学习算法)的输出来决定数据传输的传输速率控制，包括预测根据传输控制协议数据传输的拥塞。
在52处，PC 41进一步增加传输速率(拥塞窗口)，并且NE 7中的递归神经网络30预测当传输速率进一步增加时可能发生拥塞(例如，由于路由器R 40处的缓冲器溢出或无线电链路状况下降等，如本文所述)。基于机器学习算法、递归神经网络30的输出，NE 7通过控制数据调度速率来执行根据传输控制协议的数据传输的传输速率控制。
结果，传输速率在53处保持恒定，这由52和53处的相同数量的箭头示出，这避免了触发TCP慢启动机制(如图5所示)。
图7示出了根据传输控制协议的由网络实体7控制的数据传输的传输速率控制的第二实施例的状态图。
UE 6已经与服务器PC 41建立了TCP连接，并且UE 6即将向PC 41上传数据。在60处，PC 41经由路由器R 40和网络实体NE 7(其配置如图4和图5所示)通过网络以低传输速率(如图5所示)发送第一数据分组，该分组确认其接收。
在61处，NE 7生成包括推荐的比特率的第一MAC控制元素，并且通过使用基于传输控制协议的服务向UE 6传输第一MAC控制元素来形成传输速率控制，并且NE 7响应于并且基于传输的第一MAC控制元素，调整根据传输控制协议的数据传输的传输速率。
在62处，数据传输以调整后的传输速率进行，该传输速率在63处保持不变，这由62和63处相同数量的箭头示出。因此，避免了触发TCP慢启动机制(如图5所示)。
图8示出了根据传输控制协议的由网络实体7控制的数据传输的传输速率控制的第三实施例的状态图。
UE 6已经与服务器PC 41建立了TCP连接，并且UE 6即将向PC 41上传数据。在70处，PC 41经由路由器R 40和网络实体NE 7(其配置如图4和图5所示)通过网络以低传输速率(如图5所示)传输第一数据分组，该分组确认其接收。
在71处，UE 6向NE 7传输对推荐的比特率的查询，NE 7响应于接收到的查询向用户设备传输第一MAC控制元素(来自图7)，用于执行根据传输控制协议的数据传输的传输速率控制。
在另一个实施例中，在没有来自网络的响应的情况下，对第一MAC控制元素的查询可以从UE 6传输到NE 7。
在其他实施例中，很可能在接收机处检测到拥塞，例如，在实体PC 41中，使得如果部署了NWDAF，则NWDAF实体直接从PC 41接收输入。
在72处，数据传输以调整后的传输速率进行，该传输速率在73处保持不变，这由72和73处相同数量的箭头示出。因此，避免了触发TCP慢启动机制(如图5所示)。
图9示出了根据传输控制协议的由网络实体7控制的数据传输的传输速率控制的第四实施例的状态图。
该实施例基本上与图6的实施例相同，除了使用基于传输控制协议的服务的UE 6在80处向NE 7传输包括数据速率偏好的第二MAC控制元素，NE 7进一步基于第二MAC控制元素执行传输速率控制。
步骤81到84对应于图6的步骤50到53，除了在此处通过控制NE 7中的数据调度速率，传输速率控制基于机器学习算法(递归神经网络30)和第二MAC控制元素的输出。
参考图10讨论用于实现本公开的实施例的UE 6和网络实体(NE)7(例如，NR eNB/gNB)以及UE 6和NE 7之间的通信路径104的实施例。
UE 6具有发射机101、接收机102和控制器103，其中，通常，发射机101、接收机102和控制器103的技术功能对于技术人员来说是已知的，因此，省略了对其更详细的描述。
NE 7具有发射机105、接收机106和控制器107，其中，也在此处，通常发射机105、接收机106和控制器107的功能对于技术人员来说是已知的，因此省略了对其更详细的描述。
通信路径104具有从UE 6到NE 7的上行链路路径104a和从NE 7到UE 6的下行链路路径104b。
在操作期间，UE 6的控制器103控制通过下行链路路径104b在接收机102处接收下行链路信号，并且控制器103控制经由发射机101通过上行链路路径104a传输上行链路信号。
类似地，在操作期间，NE 7的控制器107控制通过下行链路路径104b在发射机105处传输下行链路信号，并且控制器107控制通过上行链路路径104a在接收机106处接收上行链路信号。
在下文中，参考图11描述通用计算机130的实施例。
计算机130可以被实现为使得可以基本上用作任何类型的网络实体、基站或新的无线电基站、传输和接收点或本文描述的用户设备。该计算机具有可以形成电路的组件131至141，例如，基站和用户设备的任何一个电路，如本文所述。
使用软件、固件、程序等来执行本文描述的方法的实施例可以安装在计算机130上，然后计算机被配置为适合于具体的实施例。
计算机130具有CPU 131(中央处理单元)，CPU 131可以例如根据存储在只读存储器(ROM)132中、存储在存储设备137中并加载到随机存取存储器(RAM)133中、存储在可以插入相应驱动器139中的介质140上的程序，来执行本文描述的各种类型的过程和方法。
CPU 131、ROM 132和RAM 133与总线141连接，总线141又连接到输入/输出接口134。CPU、存储器和存储设备的数量仅仅是示例性的，本领域技术人员将会理解，当计算机130用作基站或用户设备时，可以相应地对其进行调整和配置，以满足出现的特定需求。
在输入/输出接口134处，连接了几个组件：输入135、输出136、存储设备137、通信接口138和驱动器139，介质140(压缩盘、数字视频光盘、压缩闪存等)可以插入到这些组件中。
输入135可以是指针设备(鼠标、图形表等)、键盘、麦克风、相机、触摸屏等。
输出136可以具有显示器(液晶显示器、阴极射线管显示器、发光二极管显示器等)、扬声器等。
存储设备137可以具有硬盘、固态驱动器等。
通信接口138可以适于例如经由局域网(LAN)、无线局域网(WLAN)、移动电信系统(GSM、UMTS、LTE、NR等)、蓝牙、红外等进行通信。
应当注意，以上描述仅涉及计算机130的示例配置。可以用额外的或其他的传感器、存储设备、接口等来实现替代的配置。例如，通信接口138可以支持除了提到的UMTS、LTE和NR之外的其他无线电接入技术。
当计算机130用作基站时，通信接口138还可以具有相应的空中接口(提供例如E-UTRA协议OFDMA(下行链路)和SC-FDMA(上行链路))和网络接口(实现例如诸如S1-AP、GTP-U、S1-MME、X2-AP等协议)。计算机130还被实现为根据TCP传输数据。此外，计算机130可以具有一个或多个天线和/或天线阵列。本公开不限于这些协议的任何特性。
图12示出了用户设备6的实施例的框图。
UE 6包括应用处理器150、电路151和调制解调器152。在应用处理器中，即在应用层中，例如，产生TCP数据传输。该电路协调不同层上的活动，从而调制解调器152获得关于TCP报头的信息。
仅为了说明的目的，该电路被示为单独的实体，并且也可以集成在应用处理器150或调制解调器152中。
图13示出了缓冲器状态报告从用户设备6传输到网络实体7的状态图。
UE 6连接到移动电信系统，并且经由NE 7进行通信。
在160处，UE 6向网络实体传输缓冲器状态报告，指示比其实际具有的缓冲器大小更小的缓冲器大小，以便向NE 7请求更小的许可。
在161处，基于从UE 6接收的缓冲器状态报告，NE 7向UE 6传输包括UE 6应该使用的传输参数的新许可。
如果没有另外说明，在本说明书中描述的和在所附权利要求中要求保护的所有单元和实体可以被实现为集成电路逻辑，例如，在芯片上，并且如果没有另外说明，由这样的单元和实体提供的功能可以由软件实现。
就至少部分使用软件控制的数据处理设备来实现上述公开的实施例而言，将会理解，提供这种软件控制的计算机程序以及提供这种计算机程序的传输、存储或其他介质被设想为本公开的方面。
注意，本技术也可以如下所述进行配置。
(1)一种用于移动电信系统的网络实体，包括被配置为执行根据传输控制协议数据传输的传输速率控制的电路，其中，基于包括数据传输的拥塞预测的机器学习算法的输出来执行所述传输速率控制。
(2)根据(1)所述的网络实体，其中，通过控制数据调度速率来执行所述传输速率控制。
(3)根据(1)或(2)所述的网络实体，其中，所述电路还被配置为生成包括推荐的比特率的第一MAC控制元素，并且其中，通过使用基于传输控制协议的服务向用户设备传输所述第一MAC控制元素来执行所述传输速率控制，所述电路响应于并基于所传输的第一MAC控制元素来调整根据所述传输控制协议的所述数据传输的传输速率。
(4)根据(3)所述的网络实体，其中，所述推荐的比特率基于所述机器学习算法的输出。
(5)根据(3)或(4)所述的网络实体，其中，所述第一MAC控制元素包括平均窗口时间。
(6)根据(5)所述的网络实体，其中，所述平均窗口时间基于所述机器学习算法的输出。
(7)根据(3)至(6)中任一项所述的网络实体，其中，所述电路还被配置为从所述用户设备接收对所述推荐的比特率的查询，并且响应于所接收的查询，向所述用户设备传输所述第一MAC控制元素。
(8)根据(1)至(7)中任一项所述的网络实体，其中，所述电路还被配置为使用基于所述传输控制协议的服务从用户设备接收包括数据速率偏好的第二MAC控制元素，并且其中，还基于所述第二MAC控制元素来执行所述传输速率控制。
(9)根据(8)所述的网络实体，其中，所述第二MAC控制元素包括针对信道质量指示符和5G服务质量指示符中的至少一个的上行链路分组数据汇聚协议排队延迟。
(10)根据(8)或(9)所述的网络实体，其中，所述第二MAC控制元素改变无线电链路控制和分组数据汇聚协议参数中的至少一个。
(11)根据(10)所述的网络实体，其中，所述参数包括Poll-PDU、Poll-Byte和分组数据汇聚协议丢弃定时器中的至少一个。
(12)根据(1)至(11)中任一项所述的网络实体，其中，所述电路还被配置为执行传输控制协议数据分组检查。
(13)根据(12)所述的网络实体，其中，所述机器算法包括递归神经网络。
(14)根据(13)所述的网络实体，其中，所述递归神经网络的输出包括连接限制开始的定时、连接限制开始的位置、受限服务的类型以及上行链路传输速率控制、下行链路速率控制或两者的预测中的至少一项。
(15)根据(13)或(14)所述的网络实体，其中，所述递归神经网络的输入包括时间序列数据。
(16)根据(15)所述的网络实体，其中，所述时间序列数据包括无线电状况。
(17)根据(16)所述的网络实体，其中，所述无线电状况包括同步信号参考信号接收功率、信道状态信息参考信号接收功率、同步信号参考信号接收质量、信道状态信息参考信号接收质量、信道质量指示符、探测参考信号测量和块错误率中的至少一项。
(18)根据(15)至(17)中任一项所述的网络实体，其中，所述时间序列数据包括无线电链路控制层的错误和丢失ACK中的至少一项。
(19)根据(15)至(18)中任一项所述的网络实体，其中，所述时间序列数据包括分组数据汇聚协议层中的丢弃定时器的到期。
(20)根据(15)至(19)中任一项所述的网络实体，其中，所述时间序列数据包括来自传输控制协议报头的信息。
(21)根据(15)至(20)中任一项所述的网络实体，其中，所述时间序列数据包括具有时间戳的业务负载和上行链路分组数据汇聚排队延迟中的至少一项。
(22)根据(13)至(21)中任一项所述的网络实体，其中，基于历史训练数据来训练所述递归神经网络。
(23)根据(13)至(22)中任一项所述的网络实体，其中，离线或在操作期间训练所述递归神经网络。
(24)一种用于移动电信系统的用户设备，包括电路，所述电路被配置为使用基于传输控制协议的服务，并且从网络实体接收包括推荐的比特率的第一MAC控制元素，所述推荐的比特率基于机器学习算法的输出，所述机器学习算法的输出包括根据传输控制协议的数据传输的拥塞预测，并且所述电路响应于并且基于所接收的第一MAC控制元素，调整根据传输控制协议数据传输的传输速率。
(25)根据(24)所述的用户设备，其中，所述电路还被配置为向所述网络实体传输对所述推荐的比特率的查询。
(26)根据(24)所述的用户设备，其中，所述电路还被配置为向所述网络实体传输包括数据速率偏好的第二MAC控制元素。
(27)根据(26)所述的用户设备，其中，所述第二MAC控制元素包括针对信道质量指示符和5G服务质量指示符中的至少一项的上行链路分组数据汇聚协议排队延迟。
(28)一种用于移动电信系统的用户设备，包括被配置为协调不同层上的活动的电路，由此所述用户设备中包括的调制解调器获得关于传输控制协议报头的信息。
(29)一种用于移动电信系统的用户设备，包括被配置为向网络实体传输缓冲器状态报告的电路，所述报告指示比其实际具有的缓冲器大小更小的缓冲器大小。

Claims (29)

1.一种用于移动电信系统的网络实体，所述网络实体包括被配置为执行根据传输控制协议的数据传输的传输速率控制的电路，其中，基于包括所述数据传输的拥塞预测的机器学习算法的输出，来执行所述传输速率控制。
2.根据权利要求1所述的网络实体，其中，通过控制数据调度速率，来执行所述传输速率控制。
3.根据权利要求1所述的网络实体，其中，所述电路还被配置为生成包括推荐的比特率的第一MAC控制元素，并且其中，通过使用基于所述传输控制协议的服务向用户设备传输所述第一MAC控制元素来执行所述传输速率控制，所述电路响应于并基于传输的所述第一MAC控制元素来调整根据所述传输控制协议的所述数据传输的传输速率。
4.根据权利要求3所述的网络实体，其中，所述推荐的比特率基于所述机器学习算法的输出。
5.根据权利要求3所述的网络实体，其中，所述第一MAC控制元素包括平均窗口时间。
6.根据权利要求5所述的网络实体，其中，所述平均窗口时间基于所述机器学习算法的输出。
7.根据权利要求3所述的网络实体，其中，所述电路还被配置为从所述用户设备接收对所述推荐的比特率的查询，并且响应于接收的所述查询，向所述用户设备传输所述第一MAC控制元素。
8.根据权利要求1所述的网络实体，其中，所述电路还被配置为使用基于所述传输控制协议的服务从用户设备接收包括数据速率偏好的第二MAC控制元素，并且其中，还基于所述第二MAC控制元素来执行所述传输速率控制。
9.根据权利要求8所述的网络实体，其中，所述第二MAC控制元素包括针对信道质量指示符和5G服务质量指示符中的至少一项的上行链路分组数据汇聚协议排队延迟。
10.根据权利要求8所述的网络实体，其中，所述第二MAC控制元素改变无线电链路控制和分组数据汇聚协议参数中的至少一项。
11.根据权利要求10所述的网络实体，其中，所述参数包括Poll-PDU、Poll-Byte和分组数据汇聚协议丢弃定时器中的至少一项。
12.根据权利要求1所述的网络实体，其中，所述电路还被配置为执行传输控制协议数据分组检查。
13.根据权利要求12所述的网络实体，其中，机器算法包括递归神经网络。
14.根据权利要求13所述的网络实体，其中，所述递归神经网络的输出包括连接限制开始的定时、连接限制开始的位置、受限服务的类型以及上行链路传输速率控制、下行链路速率控制或两者的预测中的至少一项。
15.根据权利要求13所述的网络实体，其中，所述递归神经网络的输入包括时间序列数据。
16.根据权利要求15所述的网络实体，其中，所述时间序列数据包括无线电状况。
17.根据权利要求16所述的网络实体，其中，所述无线电状况包括同步信号-参考信号接收功率、信道状态信息-参考信号接收功率、同步信号-参考信号接收质量、信道状态信息-参考信号接收质量、信道质量指示符、探测参考信号测量和块错误率中的至少一项。
18.根据权利要求15所述的网络实体，其中，所述时间序列数据包括无线电链路控制层的错误和丢失ACK中的至少一项。
19.根据权利要求15所述的网络实体，其中，所述时间序列数据包括分组数据汇聚协议层中的丢弃定时器的到期。
20.根据权利要求15所述的网络实体，其中，所述时间序列数据包括来自传输控制协议报头的信息。
21.根据权利要求15所述的网络实体，其中，所述时间序列数据包括具有时间戳的业务负载和上行链路分组数据汇聚排队延迟中的至少一项。
22.根据权利要求13所述的网络实体，其中，基于历史训练数据来训练所述递归神经网络。
23.根据权利要求13所述的网络实体，其中，离线或在操作期间训练所述递归神经网络。
24.一种用于移动电信系统的用户设备，所述用户设备包括电路，所述电路被配置为使用基于传输控制协议的服务，并且从网络实体接收包括推荐的比特率的第一MAC控制元素，所述推荐的比特率基于机器学习算法的输出，所述机器学习算法的输出包括根据传输控制协议的数据传输的拥塞预测，并且所述电路响应于并且基于接收的所述第一MAC控制元素，调整根据所述传输控制协议的所述数据传输的传输速率。
25.根据权利要求24所述的用户设备，其中，所述电路还被配置为向所述网络实体传输对所述推荐的比特率的查询。
26.根据权利要求24所述的用户设备，其中，所述电路还被配置为向所述网络实体传输包括数据速率偏好的第二MAC控制元素。
27.根据权利要求26所述的用户设备，其中，所述第二MAC控制元素包括针对信道质量指示符和5G服务质量指示符中的至少一项的上行链路分组数据汇聚协议排队延迟。
28.一种用于移动电信系统的用户设备，所述用户设备包括被配置为协调不同层上的活动的电路，由此所述用户设备中包括的调制解调器获得关于传输控制协议报头的信息。
29.一种用于移动电信系统的用户设备，所述用户设备包括被配置为向网络实体传输缓冲器状态报告的电路，所述报告指示比所述用户设备实际具有的缓冲器大小更小的缓冲器大小。
CN202180008942.2A 2020-01-20 2021-01-15 用于传输速率控制的网络实体和用户设备 Pending CN114945926A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20152728.0 2020-01-20
EP20152728 2020-01-20
PCT/EP2021/050833 WO2021148328A1 (en) 2020-01-20 2021-01-15 Network entity and user equipment for transmission rate control

Publications (1)

Publication Number Publication Date
CN114945926A true CN114945926A (zh) 2022-08-26

Family

ID=69185434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180008942.2A Pending CN114945926A (zh) 2020-01-20 2021-01-15 用于传输速率控制的网络实体和用户设备

Country Status (4)

Country Link
US (2) US11916797B2 (zh)
EP (1) EP4094205A1 (zh)
CN (1) CN114945926A (zh)
WO (1) WO2021148328A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7528878B2 (ja) * 2021-06-29 2024-08-06 トヨタ自動車株式会社 乗合車両及び運行管理システム
US12549450B2 (en) * 2021-07-07 2026-02-10 EdgeQ, Inc. Systems and methods for converged baseband and AI operations
EP4395367A4 (en) * 2021-11-29 2024-10-09 Samsung Electronics Co., Ltd. ELECTRONIC DEVICE AND COLLECTOR DEVICE FOR TRANSMITTING OR RECEIVING AN AUDIO PACKET, AND METHODS OF OPERATING THE SAME
US11916791B2 (en) * 2021-12-22 2024-02-27 Cloudbrink Inc. Modifying data packet transmission strategy based on transmission control protocol stage
US12034629B2 (en) 2022-09-01 2024-07-09 Cloudbrink Inc. Overlay network modification
CN116132503B (zh) * 2022-11-04 2024-12-13 华为技术有限公司 数据传输方法、装置及设备
CN121239643A (zh) * 2024-06-29 2025-12-30 华为技术有限公司 一种数据传输方法以及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101053270A (zh) * 2004-09-29 2007-10-10 松下电器产业株式会社 上行链路传输的延时估计
US20130128735A1 (en) * 2010-12-17 2013-05-23 Microsoft Corporation Universal rate control mechanism with parameter adaptation for real-time communication applications
US20130329552A1 (en) * 2011-02-25 2013-12-12 Telefonaktiebolaget Lm Ericsson (Publ) Method For Introducing Network Congestion Predictions in Policy Decision

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6922390B1 (en) * 1999-06-15 2005-07-26 Nortel Networks Limited Method and apparatus for forecasting and controlling congestion in a data transport network
US8125910B2 (en) * 2004-06-25 2012-02-28 Nec Corporation Communication system
WO2008154786A1 (en) * 2007-06-20 2008-12-24 Huawei Technologies Co., Ltd. Uplink maximum bit rate control
JP2009147786A (ja) * 2007-12-17 2009-07-02 Nec Corp 通信装置、データフレームの送信制御方法及びプログラム
US9584416B2 (en) * 2009-06-08 2017-02-28 Qualcomm Incorporated Systems and methods to provide flow control for mobile devices
US20130170342A1 (en) * 2011-02-03 2013-07-04 King Saud University Data communication systems and methods
EP2830352A1 (en) * 2013-07-24 2015-01-28 Panasonic Intellectual Property Corporation of America Efficient discard mechanism in small cell deployment
EP3162114B1 (en) * 2014-06-30 2018-08-08 Telefonaktiebolaget LM Ericsson (publ) Direct rate adaptation for an end-to-end communication path by a cellular network node
WO2017045722A1 (en) * 2015-09-18 2017-03-23 Sony Mobile Communications Inc Methods and devices for controlling streaming over a radio network
CN109548080B (zh) * 2017-08-11 2023-05-16 夏普株式会社 用于媒体接入控制层组包的相关方法、用户设备和基站
WO2019192361A1 (en) 2018-04-06 2019-10-10 Huawei Technologies Co., Ltd. Congestion control in network communications
FI3811666T3 (fi) * 2018-06-21 2023-09-20 Zte Corp Tekniikoita siirtonopeuden säätämiseksi
US10805211B2 (en) * 2019-02-13 2020-10-13 Cisco Technology, Inc. Forecasting SDN fabric saturation and machine learning-based flow admission control
EP3924900A1 (en) * 2019-02-15 2021-12-22 Telefonaktiebolaget Lm Ericsson (Publ) Detecting interference in a wireless network
EP3993474A1 (en) * 2019-06-28 2022-05-04 Ntt Docomo, Inc. Base station, terminal, and contention window size determination method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101053270A (zh) * 2004-09-29 2007-10-10 松下电器产业株式会社 上行链路传输的延时估计
US20130128735A1 (en) * 2010-12-17 2013-05-23 Microsoft Corporation Universal rate control mechanism with parameter adaptation for real-time communication applications
US20130329552A1 (en) * 2011-02-25 2013-12-12 Telefonaktiebolaget Lm Ericsson (Publ) Method For Introducing Network Congestion Predictions in Policy Decision

Also Published As

Publication number Publication date
WO2021148328A1 (en) 2021-07-29
US20230010512A1 (en) 2023-01-12
US11916797B2 (en) 2024-02-27
US12470493B2 (en) 2025-11-11
EP4094205A1 (en) 2022-11-30
US20240195745A1 (en) 2024-06-13

Similar Documents

Publication Publication Date Title
US12470493B2 (en) Network entity and user equipment for transmission rate control
US12113717B2 (en) Dynamic packet buffering duration
US20230388817A1 (en) Activating intelligent wireless communciation device reporting in a wireless network
JP6553196B2 (ja) トラフィックフローの監視
US20150124604A1 (en) Systems and Methods for Proactive Congestion Detection in Radio Access Networks
WO2016091298A1 (en) Updating flow-specific qos policies based on information reported from base station
US10454840B2 (en) Transmission control protocol receiver controlled interruption mitigation
KR20170096158A (ko) 통신들에서의 측정 조정
US20200178100A1 (en) Method, System and Device for Detecting a Silence Period Status in a User Equipment
EP4289209A1 (en) Optimization of deterministic and non-deterministic traffic in radio-access network (ran)
US20240211768A1 (en) Signaling of training policies
CN119895808A (zh) 用于无线网络中的拥塞检测的技术
Kilinc et al. A congestion avoidance mechanism for WebRTC interactive video sessions in LTE networks
CN117882385B (zh) 用于调制解调器功率感知扩展现实（xr）和游戏软件应用的系统和方法
Conserva et al. Estimating Latency-Reliability in B5G Radio Access Networks: an AI-Empowered Approach
US20250008430A1 (en) User equipment power and quality of service management using artificial intelligence
WO2026005362A1 (en) Predicting network congestion in a wireless network system
CN114727308B (zh) 一种信息处理方法、装置、设备及可读存储介质
US20250240711A1 (en) Ai-based network mixed-service detection for ue power saving
Kumar Achieving Ultra-high Reliability and Low-latency in Future Wireless Networks
WO2019124290A1 (ja) 送信データ量制御装置、方法および記録媒体
Zhou Transport protocol design for end-to-end data delivery in emerging wireless networks
WO2025252319A1 (en) Technique for controlling a wireless access network
CN119547531A (zh) 无线通信系统中基于生存时间的数据传送

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination