CN119856416A

CN119856416A - 用于无线通信的方法及装置

Info

Publication number: CN119856416A
Application number: CN202480003357.7A
Authority: CN
Inventors: 吕玲; 赵铮
Original assignee: Quectel Wireless Solutions Co Ltd
Current assignee: Quectel Wireless Solutions Co Ltd
Priority date: 2024-11-28
Filing date: 2024-11-28
Publication date: 2025-04-18

Abstract

提供了一种用于无线通信的方法及装置。该方法包括：第一设备接收第一参考信号，所述第一参考信号通过第一波束集合进行发送；所述第一设备根据所述第一波束集合的测量结果对第一模型进行性能监控；其中，所述第一参考信号对应第一监控实例，所述第一波束集合根据所述第一模型的推理波束集合确定；所述第一波束集合包括所述推理波束集合中的所有波束，或者，所述第一波束集合包括所述推理波束集合中的部分波束。

Description

用于无线通信的方法及装置

技术领域

本申请涉及通信技术领域，并且更为具体地，涉及一种用于无线通信的方法及装置。

背景技术

在某些波束管理场景下，终端设备可以通过模型对下行发送波束进行预测并上报给网络设备。该模型需要进行训练后才能推理预测。但是，训练阶段和推理阶段会有一定的时间间隔。如果波束的发送条件发生变化，模型在推理阶段可能出现错误。因此，如何对模型进行性能监控是亟待解决的技术问题。

发明内容

本申请提供一种用于无线通信的方法及装置。下面对本申请实施例涉及的各个方面进行介绍。

第一方面，提供一种用于无线通信的方法，包括：第一设备接收第一参考信号，所述第一参考信号通过第一波束集合进行发送；所述第一设备根据所述第一波束集合的测量结果对第一模型进行性能监控；其中，所述第一参考信号对应第一监控实例，所述第一波束集合根据所述第一模型的推理波束集合确定；所述第一波束集合包括所述推理波束集合中的所有波束，或者，所述第一波束集合包括所述推理波束集合中的部分波束。

第二方面，提供一种用于无线通信的方法，包括：第二设备发送第一参考信号，所述第一参考信号通过第一波束集合进行发送；其中，所述第一参考信号对应第一监控实例，所述第一波束集合的测量结果用于对第一模型进行性能监控，所述第一波束集合根据所述第一模型的推理波束集合确定；所述第一波束集合包括所述推理波束集合中的所有波束，或者，所述第一波束集合包括所述推理波束集合中的部分波束。

第三方面，提供一种用于无线通信的装置，所述装置为第一设备，包括：收发单元，用于接收第一参考信号，所述第一参考信号通过第一波束集合进行发送；处理单元，用于根据所述第一波束集合的测量结果对第一模型进行性能监控；其中，所述第一参考信号对应第一监控实例，所述第一波束集合根据所述第一模型的推理波束集合确定；所述第一波束集合包括所述推理波束集合中的所有波束，或者，所述第一波束集合包括所述推理波束集合中的部分波束。

第四方面，提供一种用于无线通信的装置，所述装置为第二设备，包括：收发单元，用于发送第一参考信号，所述第一参考信号通过第一波束集合进行发送；其中，所述第一参考信号对应第一监控实例，所述第一波束集合的测量结果用于对第一模型进行性能监控，所述第一波束集合根据所述第一模型的推理波束集合确定；所述第一波束集合包括所述推理波束集合中的所有波束，或者，所述第一波束集合包括所述推理波束集合中的部分波束。

第五方面，提供一种通信装置，包括存储器和处理器，所述存储器用于存储程序，所述处理器用于调用所述存储器中的程序，以执行如第一方面或第二方面所述的方法。

第六方面，提供一种装置，包括处理器，用于从存储器中调用程序，以执行如第一方面或第二方面所述的方法。

第七方面，提供一种芯片，包括处理器，用于从存储器调用程序，使得安装有所述芯片的设备执行如第一方面或第二方面所述的方法。

第八方面，提供一种计算机可读存储介质，其上存储有程序，所述程序使得计算机执行如第一方面或第二方面所述的方法。

第九方面，提供一种计算机程序产品，包括程序，所述程序使得计算机执行如第一方面或第二方面所述的方法。

第十方面，提供一种计算机程序，所述计算机程序使得计算机执行如第一方面或第二方面所述的方法。

本申请实施例中的第一设备(例如终端设备)可以根据第一模型的推理波束集合确定进行第一波束集合，从而根据第一波束集合的测量结果对第一模型进行性能监控。第一波束集合可以是推理波束集合，也可以是推理波束集合的一个子集，从而通过对推理波束的实时性能检测来对提高第一模型的准确性。

附图说明

图1是本申请实施例应用的无线通信系统。

图2是本申请实施例应用的模型处理过程的示意图。

图3是本申请实施例提供的一种用于无线通信的方法的流程示意图。

图4是图3所示方法的一种可能的实现方式的示意图。

图5是图3所示方法的另一种可能的实现方式的示意图。

图6是图3所示方法的一种可能的实现方式的流程示意图。

图7是图3中第一波束集合的一种可能的配置方式的示意图。

图8是图3中第一波束集合的另一种可能的配置方式的示意图。

图9是图3中第一波束集合的又一种可能的配置方式的示意图。

图10是图3中第一波束集合的又一种可能的配置方式的示意图。

图11是图3中第一波束集合的又一种可能的配置方式的示意图。

图12是本申请实施例提供的一种用于无线通信的装置的结构示意图。

图13是本申请实施例提供的另一种用于无线通信的装置的结构示意图。

图14是本申请实施例提供的一种无线通信的装置的结构示意图。

具体实施方式

下面结合附图，对本申请实施例中的技术方案进行描述。

图1为本申请实施例应用的无线通信系统100的架构示意图。如图1所示，无线通信系统100可以包括网络设备110和终端设备120。网络设备110可以是与终端设备120通信的设备。网络设备110可以为特定的地理区域提供通信覆盖，并且可以与位于该覆盖区域内的终端设备进行通信。

图1示例性地示出了一个网络设备和两个终端设备，可选地，该无线通信系统100可以包括多个网络设备并且每个网络设备的覆盖范围内可以包括其它数量的终端设备，对此不做限定。也就是说，无线通信系统可以包括一个或多个网络设备，每个网络设备可以支持一个或多个终端设备的无线通信。

在本申请实施例中，图1所示的通信系统还可以包括移动性管理实体(mobilitymanagement entity，MME)、接入与移动性管理功能(access and mobility managementfunction，AMF)、网络控制器等其他网络实体，本申请实施例对此不做限定。

应理解，本申请实施例可以应用于各种通信系统。例如：本申请实施例可应用于全球移动通讯(global system of mobile communication，GSM)系统、码分多址(codedivision multiple access，CDMA)系统、宽带码分多址(wideband code divisionmultiple access，WCDMA)系统、通用分组无线业务(general packet radio service，GPRS)系统、长期演进(long term evolution，LTE)系统、先进的长期演进(advanced longterm evolution，LTE-A)系统、新无线(new radio，NR)系统、NR系统的演进系统、非授权频谱上的LTE(LTE-based access to unlicensed spectrum，LTE-U)系统、非授权频谱上的NR(NR-based access to unlicensed spectrum，NR-U)系统、通用移动通信系统(universalmobile telecommunication system，UMTS)、无线局域网(wireless local areanetworks，WLAN)系统、无线保真(wireless fidelity，WiFi)系统、第五代通信(5th-generation，5G)系统。本申请实施例还可应用于其他通信系统，例如第六代(6th-generation，6G)移动通信系统，或者卫星(satellite)通信系统等未来的通信系统。

传统的通信系统支持的连接数有限，也易于实现。然而，随着通信技术的发展，通信系统不仅可以支持传统的蜂窝通信，还可以支持其他类型的一种或多种通信。例如，通信系统可以支持以下通信中的一种或多种：设备到设备(device to device，D2D)通信，机器到机器(machine to machine，M2M)通信，机器类型通信(machine type communication，MTC)，增强型机器类型通信(enhanced MTC，eMTC)，车辆间(vehicle to vehicle，V2V)通信，以及车联网(vehicle to everything，V2X)通信等，本申请实施例也可以应用于支持上述通信方式的通信系统中。

本申请实施例中的通信系统可以应用于载波聚合(carrier aggregation，CA)场景，也可以应用于双连接(dual connectivity，DC)场景，还可以应用于独立(standalone，SA)布网场景。

本申请实施例中的通信系统可以应用于非授权频谱。该非授权频谱也可以认为是共享频谱。或者，本申请实施例中的通信系统也可以应用于授权频谱。该授权频谱也可以认为是专用频谱。

本申请实施例可应用于非地面网络(non-terrestrial network，NTN)系统。作为示例，该NTN系统可以是基于4G的NTN系统，可以是基于NR的NTN系统，还可以是基于物联网(internet of things，IoT)的NTN系统或者基于窄带物联网(narrow band internet ofthings，NB-IoT)的NTN系统。

本申请实施例中的无线通信系统可以利用以下资源来支持与一个或多个通信设备之间的无线通信：时间资源(例如，符号、子时隙、时隙、子帧、帧等)或频率资源(例如，子载波、载波)。附加地，无线通信系统可以支持跨越各种无线电接入技术(radio accesstechnology，RAT)的无线通信，各种无线电接入技术包括第三代(3G)无线电接入技术、第四代(4G)无线电接入技术、第五代(5G)无线电接入技术、以及超过5G的其他合适的无线电接入技术。

本申请实施例中的终端设备也可以称为用户设备(user equipment，UE)、接入终端、用户单元、用户站、移动站、移动台(mobile station，MS)、移动终端(mobile Terminal，MT)、远方站、远程终端、移动设备、用户终端、终端、用户通信设备、无线通信设备、用户代理或用户装置等。

在一些实施例中，本申请实施例中的终端设备可以是指向用户提供语音和/或数据连通性的设备，可以用于连接人、物和机，例如具有无线连接功能的手持式设备、车载设备等。本申请的实施例中的终端设备可以是手机(mobile phone)、平板电脑(Pad)、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device，MID)、可穿戴设备，虚拟现实(virtual reality，VR)设备、增强现实(augmented reality，AR)设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等。可选地，UE可以用于充当基站。例如，UE可以充当调度实体，其在V2X或D2D等中的UE之间提供侧行链路信号。比如，蜂窝电话和汽车利用侧行链路信号彼此通信。蜂窝电话和智能家居设备之间通信，而无需通过基站中继通信信号。

在一些实施例中，终端设备可以是WLAN中的站点(STATION，ST)。在一些实施例中，终端设备可以是蜂窝电话、无绳电话、会话启动协议(session initiation protocol，SIP)电话、无线本地环路(wireless local loop，WLL)站、个人数字处理(personal digitalassistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备、下一代通信系统(例如NR系统)中的终端设备，或者未来演进的公用陆地移动网络(public land mobile network，PLMN)网络中的终端设备等。

本申请实施例中的网络设备可以是用于与终端设备通信的设备，该网络设备也可以称为接入网设备或无线接入网设备。该网络设备例如可以是基站。本申请实施例中的网络设备可以是指将终端设备接入到无线网络的无线接入网(radio access network，RAN)节点(或设备)。基站可以广义的覆盖如下中的各种名称，或与如下名称进行替换，比如：节点B(NodeB)、演进型基站(evolved NodeB，eNB)、下一代基站(next generation NodeB，gNB)、中继站、接入点、传输点(transmitting and receiving point，TRP)、发射点(transmitting point，TP)、主站(MeNB)、辅站(SeNB)、多制式无线(MSR)节点、家庭基站、网络控制器、接入节点、无线节点、接入点(access point，AP)、传输节点、收发节点、基带单元(base band unit，BBU)、射频拉远单元(remote radio unit，RRU)、有源天线单元(activeantenna unit，AAU)、射频头(remote radio head，RRH)、中心单元(central unit，CU)、分布式单元(distributed unit，DU)、定位节点、网络通信设备等。基站可以是宏基站、微基站、中继节点、施主节点或类似物，或其组合。基站还可以指用于设置于前述设备或装置内的通信模块、调制解调器或芯片。基站还可以是移动交换中心以及D2D、V2X、M2M通信中承担基站功能的设备、6G网络中的网络侧设备、未来的通信系统中承担基站功能的设备等。基站可以支持相同或不同接入技术的网络。本申请的实施例对网络设备所采用的具体技术和具体设备形态不做限定。

基站可以是固定的，也可以是移动的。例如，直升机或无人机可以被配置成充当移动基站，一个或多个小区可以根据该移动基站的位置移动。在其他示例中，直升机或无人机可以被配置成用作与另一基站通信的设备。

在一些部署中，本申请实施例中的网络设备可以是指CU或者DU，或者，网络设备包括CU和DU。gNB还可以包括AAU。

网络设备和终端设备可以部署在陆地上，包括室内或室外、手持或车载；也可以部署在水面上；还可以部署在空中的飞机、气球和卫星上。本申请实施例中对网络设备和终端设备所处的场景不做限定。

应理解，本申请中的通信设备的全部或部分功能也可以通过在硬件上运行的软件功能来实现，或者通过平台(例如云平台)上实例化的虚拟化功能来实现。

在本申请实施例中，网络设备可以为小区提供服务，终端设备通过该小区使用的传输资源(例如，频域资源，或者说，频谱资源)与网络设备进行通信，该小区可以是网络设备(例如基站)对应的小区，小区可以属于宏基站，也可以属于小小区(small cell)对应的基站，这里的小小区可以包括：城市小区(metro cell)、微小区(micro cell)、微微小区(pico cell)、毫微微小区(femto cell)等，这些小小区具有覆盖范围小、发射功率低的特点，适用于提供高速率的数据传输服务。

应理解，本申请实施例中网络/系统中具有通信功能的设备可称为通信设备。以图1示出的无线通信系统100为例，通信设备可以包括具有通信功能的网络设备110和终端设备120，还可以包括无线通信系统100中的其他设备，例如网络控制器、移动管理实体等其他网络实体，本申请实施例对此不做限定。

示例性地，无线通信系统可以包括一个或多个网络通信设备，诸如前文所述的基站。诸如基站的每个网络通信设备可以支持一个或多个用户通信设备(例如终端设备)的无线通信。

为了便于理解，先对本申请实施例涉及的一些相关技术知识进行介绍。以下相关技术作为可选方案与本申请实施例的技术方案可以进行任意结合，其均属于本申请实施例的保护范围。本申请实施例包括以下内容中的至少部分内容。

在无线通信系统中，终端设备可以获取波束(也可以称为空间波束)以实现终端设备到无线网络的无线连接。示例性地，终端设备可以针对由无线网络发送的可用波束执行波束扫描，并测量波束的属性。波束的属性例如信号强度和信号质量。示例性地，终端设备在执行波束扫描后还可以进行波束细化，以实现用于无线连接到无线网络的一组潜在的更窄的波束。通过波束不仅可以实现终端设备与无线网络之间的无线连接，还可以为终端设备与无线网络之间的无线信号传输实现高定向精度和高信号质量。

随着通信技术的发展，基于通信系统(例如，NR系统)空中接口对人工智能(artificial intelligence，AI)/机器学习(machine learning，ML)技术进行研究成为方向之一。该研究的目标包括探索如何增强空中接口的优势。例如，通过增强对AI/ML算法的支持可以增强空中接口的相关性能。又如，通过增强对AI/ML算法的支持来降低空中接口的复杂性和/或开销。

对AI/ML技术的研究还可以增强波束管理(beam management，BM)的相关功能。作为一个示例，与波束管理相关的AI/ML增强功能可以支持减少开销并降低波束测量和报告延迟。作为一个示例，应用AI/ML模型可以对波束进行预测，以提高空中接口的传输效率。

应用AI/ML模型进行增强的整个过程包括：模型训练、模型推理和模型监控。在该过程中，AI/ML模型在经过训练后，可以基于一组输入生成一组输出。该输入可以是一组波束测量值，而输出可以是一组与输入不同/比输入更大的波束组。

在模型推理过程，AI/ML模型可以通过一组波束测量值预测一组不同/更大的波束组中的最佳波束。

在一些实施例中，AI/ML模型可以位于终端设备侧或由终端设备执行模型训练和/或模型推理。该模型可以称为UE侧模型(UE-side model)。例如，AI模型位于终端设备处，可以在终端设备处或由终端设备执行AI模型的训练和/或使用AI模型的推理生成最佳波束。

作为一个示例，终端设备可以使用集合B(Set B，也称波束组B)中的波束作为ML模型的输入。该ML模型可以预测集合A(Set A，也称波束组A)中的最佳波束，且该波束并未由终端设备完全测量。

在上述示例中，集合B可以是终端设备首先测量的波束组，也称为训练波束集合。集合B可以为基站(例如gNB)发送的多个波束。其中，每个波束可以用对应不同的方向或角度，以覆盖多个空间方向。每个波束还可以对应一个测量信号，用于得到测量值，例如参考信号接收功率(reference signal received power，RSRP)。集合B的作用是为模型提供初步的环境信息和信道条件。

在上述示例中，集合A可以是推理阶段需要进行预测的波束组，也可以称为推理波束集合。集合A的波束数量通常比集合B大，或者波束方向可能更加集中。AI/ML模型可以通过对集合B的测量来预测集合A中的最佳波束，以提高数据传输的效率。

可选地，集合A和集合B的波束可以处于相同的频率范围。集合B的选择可以由基站给定或者终端设备自己确定。集合A和集合B之间的关系可以是：集合A和集合B不同(集合B不是集合A的子集)，或者集合B是集合A的子集(集合A和集合B不同)，或者集合A和集合B是相同的。对于前两者，集合B可以在测量窗口和预测窗口中同时传输，也可以仅在测量窗口中传输。最后一种情况可以节省参考信号(reference signal，RS)传输开销，作为测量资源的集合B可以仅在测量窗口中传输。

可选地，可以使用64个甚至更多的波束作为波束集合A的大小。对于面向未来的网络，网络设备将能够传输出64个更具高度指向性的窄波束。更多的窄波束还可以扫描更大的集合A，例如，集合A中的波束数量可能高达256个。

可选地，网络设备可以发送多种参考信号，例如信道状态信息(channel stateinformation，CSI)参考信号(CSI-reference signal，CSI-RS)、同步信号块(synchronization signal block，SSB)等。需要说明的是，SSB还可以表示同步信号/物理广播信道块(synchronization signal/physical broadcast channel block，SS/PBCHblock)。SSB可以包括主同步信号(primary synchronization signal，PSS)和辅同步信号(secondary synchronization signal，SSS)。

可选地，终端设备通过测量接收到CSI-RS/SSS的RSRP来估计每个波束的信道质量。

可选地，在模型训练过程，AI/ML模型可以通过最小化损失函数来调整其权重，以使得模型能够准确地从集合B的RSRP测量结果预测出集合A中的最佳波束。

在一些实施例中，AI/ML可以位于网络设备(如基站)侧或由网络设备执行模型训练和/或模型推理。该模型可以称为网络侧模型(NW-side model)。例如，AI模型位于基站处，可以在基站处或由基站执行AI模型的训练和/或使用AI模型的推理生成最佳波束。

在一些实施例中，网络可以完全控制终端设备侧模型训练的数据收集过程，包括数据收集和数据传输的启动、终止和管理。

作为一个示例，当终端设备利用AI算法或ML来处理从无线网络检测和测量的波束以推断可能具有更高强度和/或更高质量的其他波束时，终端设备需要确保训练阶段和推理阶段模型的一致性。

与其他波束管理技术相比，通过支持AI/ML技术的波束管理，终端设备基于波束预测能够体验减少的时延、减少的开销、降低的功耗和提高的信号质量。

为了便于理解，下面结合图2，对终端设备侧进行模型处理的整个过程进行介绍。图2是站在终端设备侧(例如UE)和网络(network，NW)侧交互的角度进行说明的。网络侧的波束以4个为例。由图2可知，整个过程可以包括模型训练(model training)过程、模型推理(model inference)过程和上报过程。其中，模型训练过程包括步骤S210和步骤S220，模型推理过程包括步骤S230和步骤S240。

参见图2，在步骤S210，终端设备上报训练相关信息(UEreport training-relatedinformation)。

在步骤S220，网络侧基于4个波束进行波束扫描(beam scanning)。

在步骤S230，终端设备上报推理相关信息(UEreport inference-relatedinformation)。

在步骤S240，网络侧根据终端设备的上报在4个波束中选择了2个波束来进行波束扫描。

在步骤S250，终端设备上报最优的K个波束(top-K波束报告)。

在步骤S260，网络侧根据波束报告中的波束进行波束扫描。由图2可知，网络侧在步骤S260进行波束扫描的2个波束可能与步骤S240进行波束扫描的2个波束不同。

在步骤S270，终端设备发送波束报告(beam report)，以便于网络侧确定最优波束。

在步骤S280，网络侧向终端设备发送波束指示(beamindication)。

上文结合图2介绍了模型位于终端设备侧时对该模型进行处理的过程。为了完成整个过程，终端设备还需要进行数据收集和分析，以执行模型训练。模型推理过程主要用于波束预测。

在相关场景下，终端设备可以支持空间域和/或时间域的波束预测，即BM-Case1和/或BM-Case2。基于AI/ML增强功能，空间域的波束预测(BM-Case1)和时间域的波束预测(BM-Case2)可以减少终端设备的开销、降低波束测量和报告延迟。

BM-Case1是基于集合B的测量结果对集合A进行空间域的下行(downlink，DL)波束预测。对于BM-case1，将集合B的测量值(measurements based on Set B of beams)用作模型输入，以预测集合A中的Top-1/Top-K波束。

BM-Case2是基于集合B的历史测量结果对集合A进行时间域的DL波束预测。对于BM-Case2，可以使用集合B波束在历史时间实例上的测量值(measurements based on SetB of beams at historic time instance(s))作为模型输入，以对集合A波束的时间域DL波束进行预测。对DL Tx波束的预测以及对DL Tx/Rx波束的预测还可以用于评估预测的性能。

对于BM-Case1和BM-Case2，终端设备可以基于终端设备侧模型的输出向NW报告预测结果，或者NW可以基于NW侧模型的集合B的测量报告来预测Top-1/Top-K波束。

上文结合图2介绍了模型训练和模型推理。为了保证模型推理的正确性，还需要执行模型监控过程。

模型监控过程中的AI/ML模型监控至少用于以下目的：模型激活、停用、选择、切换、回退和更新(包括重新训练)。模型监控也可以称为监控AI/ML模型推理性能的过程。模型的训练过程和推理过程中间一定有一个时间间隔。当网络中发生无线电参数/条件变化时，在模型的推理阶段出现错误的可能性较高，因此需要根据模型监控的结果不断地修正和训练模型。

示例性地，在某些情况(例如在新的无线电环境/条件/参数中使用模型之前)下需要进行模型监控。

在模型监控过程中，可以通过三种性能监控方式来监控AI/ML模型的性能情况。模型监控也可以称为模型监测或模型监测。三种性能监控方式分别为：终端设备(UE)侧的性能监控、网络设备(gNB)的性能监控、以及终端设备侧和网络设备侧的混合性能监控。

在某些场景下，由于终端设备会发送上行波束，网络设备会发送下行波束，因此不管模型在终端设备侧、网络设备侧还是两侧都有，终端设备和网络设备可能会进行基于模型进行波束预测和报告。

对于终端设备侧的性能监控，从网络设备到终端设备的配置/信令可以用于性能监控。对于网络设备侧和混合性能监控，从网络设备到终端设备的配置/信号可以用于测量和/或报告的配置/信号，以支持对模型进行的性能检测。在一些实施例中，性能监控方式的选用与多种因素有关。这些因素包括但不限于：设备需求、模型位置、业务类型、通信场景等。

如前文所述，训练阶段和推理阶段存在一定的时间间隔，无线电参数/条件的变化可能会导致推理阶段出现错误。因此，为了及时发现模型的问题，如何对模型对性能监控成为亟需解决的技术问题。

作为一个示例，模型进行性能监控的数据集的选择以及模型监测时机的选择都是非常重要的。也就是说，模型性能监控的数据收集是非常关键的。这是因为模型监控可能会持续很长一段时间，直到基于人工智能的波束管理确定才会结束。性能监测数据集的选择是十分重要的，以确保数据收集的效率和模型监控的准确性。因此，如何选择性能监控的数据集以进行高效的性能监控是需要考虑的问题。

基于此，本申请实施例提出一种用于无线通信的方法。在该方法中，用于对第一模型进行性能监控的第一波束集合根据第一模型的推理波束集合确定。由于第一波束集合和推理波束集合关联，第一设备(例如，终端设备)可以及时将推理波束集合的预测结果与测量结果进行比较，以确保模型的准确。应理解，本申请实施例中的第一模型可以位于终端设备侧和/或网络设备侧。

下面结合图3对本申请实施例提出的用于无线通信的方法进行详细说明。图3是站在第一设备和第二设备交互的角度进行介绍的。

第一设备可以是支持模型性能监控的任意一种通信设备。在一些实施例中，第一设备可以为终端设备。例如，第一设备可以为具有监控能力的UE。又如，第一设备可以包括终端设备以及支持性能监控的任意一种处理设备。在一些实施例中，第一设备可以为网络设备。例如，第一设备可以为基站。

在一些实施例中，第一设备支持基于AI/ML操作的功能增强。例如，第一设备具有基于AI/ML操作对波束管理进行增强和/或性能监控的功能。

在一些实施例中，第一设备上部署有第一模型，以实现波束预测。当第二设备为网络设备时，第一设备进行DL波束预测。当第二设备为终端设备时，第一设备进行侧行波束预测。

作为一个示例，第一模型为支持AI算法或者ML的模型，也就是说，第一模型为AI/ML模型。

作为一个示例，第一模型实现的波束预测可以是前文所述的BM-Case1，也可以是BM-Case2，还可以是未来其他的波束预测类型，在此不做限定。

在一些实施例中，第一设备侧部署有第一模型。第一模型可以不在终端设备上，而是在与终端设备通信的服务器上。例如，第一模型在与终端设备直接通信的服务器上。

第二设备可以是与第一设备通信的任意一种网络设备，也可以是与第一设备通信的终端设备。当第一设备为终端设备且位于网络设备的覆盖范围内时，第二设备可以为网络设备。当第一设备为网络设备时，第二设备可以为与网络设备通信的终端设备。在侧行通信系统中，第一设备与其他终端设备进行通信时，第二设备还可以为其他终端设备。

在一些实施例中，第二设备可以监控第一设备对第一模型进行处理的过程。例如，第二设备可以根据第一设备发送的报告确定当前阶段第一模型的训练阶段以及推理阶段，也可以根据第一设备发送的报告确定第一模型的性能监控结果。又如，第二设备可以辅助第一设备对第一模型进行性能监控。

在一些实施例中，第二设备支持AI/ML操作。第二设备侧可以部署有第一模型。

在一些实施例中，第二设备可以多次向第一设备发送多个波束，以便于第一设备进行测量，并基于测量结果对第一模型进行模型训练、模型推理和/或模型监控。

在上述实施例中，不管第一模型部署在终端设备侧还是网络设备侧，第一模型都可以是该侧部署的多个模型中的之一。多个模型可以用于对不同场景或不同波束发送设备的发送波束进行预测。

参见图3，在步骤S310，第一设备接收第一参考信号。第一参考信号通过第一波束集合进行发送。

第一参考信号用于第一设备对第一模型进行性能监控。作为一个示例，第一参考信号用于第一设备收集对第一模型进行性能监控的数据集。该数据集也可以称为性能监控集。

在一些实施例中，第一参考信号为性能监控相关的专用参考信号中的至少之一。专用参考信号也可以称为专有参考信号、性能监控参考信号或者辅助参考信号。作为一个示例，第一参考信号可以是一个专用参考信号。作为一个示例，第一参考信号可以是多个专用参考信号。

作为一个示例，专用参考信号可以用于确定第一模型的性能参数。第一模型的性能参数也可以称为性能监控的关键绩效指标(key performance indicator，KPI)。可选地，第一模型的性能参数可以包括第一模型的预测精度和/或第一模型的预测误差。

第一参考信号对应第一监控实例。第一参考信号用于第一设备在其对应的时间实例上对第一模型进行性能监控，因此，第一监控实例也可以称为第一性能监控实例(performance monitoring instance)。作为一个实施例，第一监控实例可以是对第一模型进行性能监控的多个监控实例中的一个或多个监控实例。

在一些实施例中，第一监控实例可以是第一模型的监控周期内的一个或多个监控实例。第一模型的监控周期可以称为第一监控周期。作为一个实施例，第一监控周期包括至少一个监控实例。在第一监控周期内，第一设备可以接收并测量参考信号，然后根据测量结果形成监控报告。

作为一个示例，第一监控周期包括一个监控实例，第一设备在该监控实例上完成性能监控。

作为一个示例，第一监控周期包括多个监控实例，多个监控实例分别对应多个时间点上的参考信号。

作为一个示例，第一监控周期等于或小于监控报告的上报周期。当上报周期大于第一监控周期时，第一设备可以在进行多次监控后再发送监控报告。

第一参考信号通过第一波束集合进行发送，可以替换为，第一参考信号关联第一波束集合。第一波束集合对应第一监控实例。因此，第一波束集合的测量结果可以作为第一模型的监控数据集。示例性地，第一波束集合中的部分或全部波束可以用于传输第一参考信号。

第一波束集合根据第一模型的推理波束集合确定，以确保数据收集的效率和监控模型的准确性。推理波束集合例如是前文所述的集合A。当第一波束集合根据推理波束集合确定时，第一设备可以直接将第一波束集合的测量结果与第一模型的推理结果进行比较。作为一个示例，第一波束集合传输的第一参考信号可以跨越整个集合A或仅涵盖集合A中的一个子集，以便于第一设备能够将关于集合A(推理目标集)的预测与来自集合A的波束的实际测量进行比较。

在一些实施例中，第一模型的推理波束集合可以根据第一模型来确定。也就是说，以上以及全文中用于推理的波束可以根据第一模型来确定。作为一个示例，第一模型的推理波束集合可以根据具体的第一模型特征来确定。第一模型特征例如是模型建模和学习的相关特征。

需要说明的是，推理的波束可以称为预测的波束，推理波束集合也可以称为预测波束集合。

在一些实施例中，第一波束集合包括推理波束集合中的所有波束。对第一模型进行性能监控时，每个监控实例对应的性能监控参考信号可以关联整个推理波束集合。在这种场景下，第一设备收集的性能监控数据集与推理波束集合的数据集相等。

作为一个实施例，第一波束集合为推理波束集合。当推理波束集合(集合A)中的所有波束都发送第一参考信号时，第一设备可以从整个集合A获取测量值，并相应地定义监控过程和度量。

为了便于理解，下面结合图4对第一波束集合为推理波束集合的方法进行示例性说明。图4中的集合B为第一模型的训练波束集合，集合A为第一模型的推理波束集合。由图4可知，在时间轴上，第一模型的训练波束集合分别在时间实例[t_-3，t₀，t₊₃]上传输；第一模型的推理波束集合分别在时间实例[t_-2，t_-1，t₊₁，t₊₂，t₊₄]上传输；时间实例[t_-2，t_-1，t₊₁，t₊₂，t₊₄]对应多个性能监控实例。

参见图4，在推理波束集合对应的每个时间实例上，推理波束集合与性能监控实例的第一波束集合相同。可选地，在每个时间实例[t_-2，t_-1，t₊₁，t₊₂，t₊₄]上，第一参考信号的波束集合与推理波束集合相同。

在一些实施例中，第一波束集合包括推理波束集合中的部分波束。在某些场景下，对推理波束集合中的所有波束进行测量会造成较大的复杂性和资源消耗。例如，对于较大的推理波束集合(例如，128个波束或更多)，在每个监控实例中测量整个推理波束集合会使第一设备的功耗过大。因此，在每个性能监控实例中，只选择推理波束集合中的部分波束测量可以减少第一设备的测量负担。

作为一个实施例，推理波束集合中的部分波束可以组成第一波束子集。也就是说，当第一波束集合仅包括推理波束集合中的部分波束时，第一波束集合也可以称为推理波束集合的第一波束子集。

在上述实施例中，第一波束集合包括部分波束时，该部分波束可以是推理波束集合中的Top-K波束。

在一些实施例中，当第一波束集合包括推理波束集合中的部分波束时，用于性能监控的多个监控实例可以分别对应多个波束子集。第一波束子集可以是该多个波束子集中与第一参考信号对应的任一波束子集。作为一个示例，多个监控实例可以包括第一监控实例和第二监控实例，第一监控实例对应第一波束子集，第二监控实例则对应第二波束子集。

作为一个示例，第一波束子集与第二波束子集中的至少一个波束相同。也就是说，第一波束子集与其他监控实例对应的波束子集可能有些波束会重叠。例如，第一波束子集与第二波束子集都包括推理波束集合中的波束1。其中，波束1可以是推理波束集合中信号质量较好的波束。

作为一个示例，第一波束子集与第二波束子集中的至少一个波束不同。例如，第一波束子集与第二波束子集中的所有波束都不同。又如，第一波束子集与第二波束子集中的部分波束不同。

作为一个示例，第一波束子集是动态选择的。也就是说，多个监控实例对应的多个波束子集是动态确定的。每一次动态选择的监控波束子集可能有些波束会重叠。

在一些实施例中，第一设备从推理波束集合中选择第一波束子集时，第一波束子集可以根据第一信息确定。第一信息可以包括推理波束集合中的部分或全部波束的相关信息。第一信息可以包括以下的一种或多种信息：推理波束集合中的波束优先级、推理波束集合中的波束的历史性能数据、推理波束集合中的波束的感知质量、推理波束集合中的波束的覆盖区域、第一设备所在小区的网络负载。

作为一个示例，第一波束子集可以根据推理波束集合中部分或所有波束的优先级确定。也就是说，第一设备可以根据波束优先级来执行第一波束子集的选择。

作为一个示例，推理波束集合中的波束优先级可以根据波束在网络中的重要性、波束质量和/或监控波束所需的资源量确定。当波束优先级与这些因素相关时，可以确保第一设备合理选择第一波束集合。例如，系统资源可以被用于监控那些对网络性能影响最大的波束，减少了对不重要波束的监控负担。

在上述示例中，波束在网络中的重要性可以基于波束覆盖的用户数量或者用户级别确定。

在上述示例中，波束质量可以包括历史性能数据。这些历史性能数据可以包括波束的历史RSRP、信号与干扰加噪声比(signal to interference plus noise ratio，SINR)等质量指标，也可以包括其他表示波束质量的参数，例如波束RSRP与相关阈值之间的比值。

在上述示例中，推理波束集合中的第一波束的波束优先级满足以下的一种或多种条件：第一波束的波束优先级与第一波束的重要性正相关；第一波束的波束优先级与第一波束的质量正相关；第一波束的波束优先级与监控第一波束的资源量负相关。

作为一个实现方式，推理波束集合中第i个波束的优先级P_i可以为：P_i＝U_i*Q_i/D_i；其中，U_i是波束的重要性；Q_i是波束的质量指标；D_i是监控第i个波束所需的资源量。

作为一个示例，第一波束集合可以根据推理波束集合中部分或所有波束的历史性能数据确定。示例性地，历史性能数据可以用于构建波束性能的统计模型，第一波束集合可以基于统计模型进行选取。基于统计模型，还可以预测哪些波束在未来时刻的性能会发生变化。因此，根据基于历史性能数据沟通的统计模型，系统可以更有效地选择需要监控的波束。

在上述示例中，基于统计模型可以优先选取那些可能在未来时刻性能会发生较大波动的波束进行监控，从而提高监控的有效性。常用的统计模型可以是自回归移动平均模型(auto-regressive moving average model，ARMA)。ARMA模型可以根据历史性能数据预测未来的波束状态。

作为一个实现方式，ARMA模型可以表示为：y_t＝α₁y_t―1+α₂y_t―2+…+β₁e_t―1+β₂e_t―2+…；其中，y_t是当前波束的性能的体现(如RSRP或SINR)；e_t是误差项，表示观测值和预测值之间的差异；α_*和β_*是模型参数，通过历史数据拟合得出。

作为一个示例，第一波束集合可以根据推理波束集合中部分或所有波束对应的用户感知质量(quality of experience，QoE)确定。也就是说，第一设备可以基于用户感知选择监控数据集来进行性监控。

在上述示例中，第一设备可以优先监控那些对用户体验影响较大的波束或资源。例如，当某个区域的用户反馈信号质量下降或发生应用卡顿时，系统可以立即选择相关波束进行监控。这种方法能够直接针对用户体验进行优化。由此可见，系统可以优先选择用户体验下降的波束进行性能监控。

作为一个示例，第一波束集合可以根据推理波束集合中部分或所有波束的覆盖区域确定。波束覆盖区域内的用户数量和/或用户级别可以用于确定波束优先级，也可以直接用于确定第一波束集合。

作为一个示例，第一波束集合可以根据第一设备所在小区的网络负载确定。第一波束集合可以根据当前负载进行动态配置。当网络负载在第一监控实例发生变化时，第一波束集合可以及时调整。

作为一个示例，第一波束集合还可以根据上述第一信息中的波束优先级、历史性能数据、感知质量、覆盖区域以及所在小区网络负载中的一项或多项信息确定。

在一些实施例中，用于发送每个监控实例的参考信号的波束子集可以根据当前网络状态和波束预测需求进行动态调整，以确保收集的数据具有足够的时效性和代表性。

在一些实施例中，基于第一信息确定的第一波束子集可以是推理波束集合中的多个波束子集中的之一。根据第一信息可以在推理波束集合中确定多个波束子集。多个波束子集可以分别设置不同的监控级别。在进行性能监控时，根据监控需求选择不同监控级别的波束子集。

作为一个示例，根据网络的历史数据、用户需求或业务类型来决定哪些波束或资源应当优先进行监控。以波束优先级为例，高优先级的波束可能涉及关键区域的信号覆盖(如高密度用户区域、VIP用户位置)，而低优先级的波束则可能位于负载较小或稳定的区域，则为低的监控级别。

在一些实施例中，为了全面覆盖推理波束集合的所有波束，第一波束集合可以通过推理波束集合相关的轮询机制确定。该轮询机制可以基于轮询方式将推理波束集合中的所有波束划分为对应多个监控实例的多个波束子集。由此可见，为了避免第一设备在每个监控周期测量整个推理波束集合(可能包含大量波束)，可以将推理波束集合分成多个子集，按轮询方式在多个监控周期中逐步覆盖所有波束。

作为一个示例，将推理波束集合分为若干个非重叠的子集S₁,S₂,…,S_n，其中每个子集S_i包含一部分波束资源。例如，若推理波束集合包含128个波束，可以将其分为4个子集，每个子集包含32个波束。

在上述实施例中，多个波束子集可以对应相同的参考信号，也可以对应不同的参考信号。多个波束子集对应的参考信号可以基于轮询机制对推理波束集合进行循环式地跨越。

在一些实施例中，推理波束集合划分后，可以定义一个轮询周期，在该周期内按顺序依次测量每个波束子集。每个波束子集可以对应一个监控实例，例如第一监控实例。包括第一监控实例的多个监控实例也就组成了一个轮询周期，即第一轮询周期。由此可见，轮询机制可以用于在第一轮询周期内对推理波束集合中的所有波束进行性能监控。也就是说，当第一波束集合仅包括推理波束集合中的部分波束时，通过轮询机制和多个监控实例可以监控推理波束集合中的所有波束。

在上述实施例中，在不同的性能监控实例中，选择推理波束集合中的不同部分进行监控，以确保在多个监控周期内可以逐步覆盖整个推理波束集合。该方法能够降低每个监控实例的测量复杂性，并通过连续监控来保证数据的完整性。

在上述实施例中，基于轮询机制，第一模型的性能监控可以在一定时间间隔内覆盖推理波束集合中的不同波束子集。该时间间隔可以称为一个轮询周期的时长。

作为一个示例，第一波束集合为推理波束集合的第一波束子集，第一波束子集根据推理波束集合的轮询机制确定。第一波束子集可以是针对推理波束集合定义的一组非重叠波束子集中的之一。多个非重叠波束子集用于在多个时间实例实现对整个推理波束集合的轮询监控。

作为一个示例，第一轮询周期包括多个监控实例，多个监控实例包括第一监控实例，多个监控实例分别对应包括第一波束子集的多个波束子集，多个波束子集中任意两个波束子集中的波束不同。

作为一个实现方式，假设推理波束集合中的多个波束基于轮询机制可以划分为n个波束子集。每个监控实例选择的波束子集可以为：S_i＝{B_i,1,B_i,2,…,B_i,ki}，i＝1,2,…,n；其中，S_i是第i个波束子集；ki是第i个波束子集的波束数量；B_i,j是第i个波束子集中第j个波束。

为了便于理解，下面结合图5对第一波束集合根据轮询机制确定的方法进行示例性说明。与图4相同，图5中的集合B为第一模型的训练波束集合，集合A为第一模型的推理波束集合。同样地，在时间轴上，第一模型的训练波束集合分别在时间实例[t_-3，t₀，t₊₃]上传输；第一模型的推理波束集合分别在时间实例[t_-2，t_-1，t₊₁，t₊₂，t₊₄]上传输；时间实例[t_-2，t_-1，t₊₁，t₊₂，t₊₄]对应多个性能监控实例。

与图4不同的是，在推理波束集合对应的每个时间实例上，进行性能监控的波束子集仅是用阴影填充的部分波束。也就是说，推理波束集合大于性能监控实例的波束集合不同。

继续参见图4，时间实例[t_-2，t_-1，t₊₁，t₊₂，t₊₄]可以作为一个轮询周期，以覆盖整个推理波束集合中的9个波束。其中，时间实例[t_-2，t_-1，t₊₁，t₊₂]对应的波束子集分别包括2个波束，时间实例t₊₄对应的波束子集包括剩余的1个波束。

在一些实施例中，第一轮询周期可以大于或等于第一监控周期。例如，当第一监控周期包括一个监控实例时，第一轮询周期大于第一监控周期。又如，当第一监控周期包括多个监控实例时，第一轮询周期可能等于第一监控周期。

作为一个示例，第一轮询周期的时长为第一监控周期的时长的正整数倍。其中，第一监控周期可以包括至少一个监控实例。可选地，该正整数倍可以根据RS资源的配置以及CSI上报周期的大小来确定。

作为一个示例，第一轮询周期包括的监控周期数量为推理波束集合划分的波束子集的数量。例如，在图4的示例中，在第一个监控周期测量波束子集S₁，在第二个监控周期测量波束子集S₂，以此类推，直到覆盖推理波束集合中的所有波束子集后，重新开始新一轮轮询。

在一些实施例中，第一轮询周期的值是可以动态调整的。当第一轮询周期根据一种或多种信息确定时，第一轮询周期的值可以基于这些信息的变化而进行调整。确定第一轮询周期的一种或多种信息可以包括：第一设备的移动速度；第一设备所在小区的网络负载；以及第一设备所在小区的最长轮询周期。

作为一个示例，第一轮询周期与第一设备的移动速度线性相关。当第一设备的移动速度增大时，第一轮询周期的时长可以缩短，以确保信道状态能够及时更新。

作为一个示例，第一轮询周期与第一设备所在小区的网络负载线性相关。当第一设备所在小区的网络负载增大时，第一轮询周期的时长可以缩短，以适应更频繁的数据报告需求。

作为一个示例，第一轮询周期与第一设备所在小区的最长轮询周期相关。第一轮询周期小于或等于最长轮询周期。例如，第一轮询周期可以设置为最长轮询周期的百分之八十。

作为一个示例，第一轮询周期还与第一模型的监控周期或者监控报告的上报周期相关。第一轮询周期的时长是第一监控周期的时长的整数倍，或者，第一轮询周期的时长是上报周期的时长的整数倍。

作为一个示例，第一轮询周期可以基于第一设备的移动速度、网络负载以及最长轮询周期进行动态调整。例如，第一轮询周期的值为最长轮询周期减去移动速度和网络负载相应时长后的值。

作为一个实现方式，第一轮询周期T可以为：T＝T_max―α*v―β*L；其中，α和β为权重系数，T_max为最长轮询周期，v表示移动速度对第一轮询周期的影响，L表示网络负载对第一轮询周期的影响。

可选地，T和T_max均表示轮询周期的长度，单位可以是秒。其中，T_max可以由网络预配置。例如，网络可以根据小区大小、是否为覆盖高速移动的终端设备的小区来确定该值。

可选地，两个权重系数可以用于平衡第一设备移动速度和网络负载对第一轮询周期的影响。

可选地，v可以将第一设备的移动速度转换为影响第一轮询周期的时间长度。

可选地，L可以将小区的当前负载转换为影响第一轮询周期的时长，可以用当前网络的拥塞率换算。

在一些实施例中，在轮询机制中，包括第一波束子集的每个波束子集中的波束数量也可以动态调整。作为一个示例，通过结合第一轮询周期T和波束子集大小S的动态调整，可以得到一个联合优化模型，从而确保在满足不同场景需求的情况下最大化网络性能。

作为一个实现方式，假设在多周期内逐步覆盖推理波束集合中的所有波束，则覆盖所有波束的总时延T_delay可以表示为：其中：N为推理波束集合的波束总数；S为动态调整后的子集大小；T_monitor为每个监控周期。

在上述实现方式中，网络(network，NW)可以通过动态调整S和T，使得T_delay在满足监控精度的前提下尽量最小化，达到性能优化的目的。

上文结合图4和图5分别介绍了两种第一波束子集的确定方式。不论是否基于轮询机制来确定第一波束子集，第一波束子集中的波束数量都可以动态调整，以满足实际需求。为了提高第一模型的监控准确性，在进行动态调整时，第一波束子集中的波束数量可以与以下的一种或多种信息相关：第一模型的预测精度；第一设备所在小区的网络负载；以及第一波束子集的最小波束数量。

作为一个示例，第一波束子集中的波束数量与第一模型的预测精度线性相关。当预测精度要求较高时，波束数量可以增大，以获取更多的波束数据，从而提升预测精度。

作为一个示例，第一波束子集中的波束数量与第一设备所在小区的网络负载线性相关。当网络负载增大时，波束数量可以减小，以减少测量数据量，降低网络压力。

作为一个示例，第一波束子集中的波束数量与第一波束子集的最小波束数量相关。该最小波束数量可以是网络配置的。第一波束子集中的波束数量大于或等于该最小波束数量。

作为一个示例，第一波束子集中的波束数量可以基于第一模型的预测精度、小区网络负载以及最小波束数量进行动态调整。例如，第一波束子集中的波束数量可以为最小波束数量与预测精度相应参数相加并减去网络负载相应参数后的值。

作为一个实现方式，当第一波束子集为多个波束子集中的第i个波束子集时，i为大于或等于1的整数，第一波束子集中的波束数量S_i可以为：其中，γ和δ为权重系数，为最小波束数量，E表示预测精度对波束数量的影响，L表示网络负载对波束数量的影响。

可选地，E可以将预测精度的要求转换为相关参数。要求例如预测精度的目标阈值，在0到1之间。

可选地，L可以将小区的当前负载转换为影响波束数量的相关参数，可以用当前网络的拥塞率换算。

可选地，S_i还可以表示每个CSI报告周期的波束子集大小，即每个上报周期中测量的波束数量。

在一些实施例中，第一参考信号可以是第二设备直接发送的，也可以是第二设备根据请求发送的。作为一个示例，第一设备可以向第二设备发送第一请求，以请求用于进行性能监控的第一参考信号。

在一些实施例中，第一波束集合或者第一参考信号的专用资源集根据专用CSI报告配置确定。在用于监控的专用CSI报告配置中配置用于监控的专用资源集和用于监控的报告配置时，需要识别资源集RS之间的连接以进行监控。第一设备也可以根据这个连接测量监控的波束，并会上报测量结果。

作为一个示例，用于性能监控的专用资源集为网络配置的RS资源集，也可以称为监控RS资源集。

作为一个示例，当前的波束测量和报告框架允许为第一设备配置RS资源集。该报告配置还可以包括与第一波束集合(推理波束集合或推理波束集合中的一部分)相对应的CSI-RS资源集。

作为一个示例，第一波束集合可以与第一模型的推理波束集合或者训练波束集合关联相同的标识(identity，ID)，以便于第一设备测量。当推理波束集合和训练波束集合的关联ID(associated ID)相同时，第一波束集合与推理波束集合和训练波束集合关联相同ID。也就是说，第一波束集合对应的第一关联标识与推理波束集合和/或第一模型的训练波束集合的关联标识相同。例如，集合A、集合B以及监控集配置相同的关联ID。后文将结合图6至图8进行示例性说明。

作为一个实现方式，在CSI框架内，关联ID可以与CSI参考信号(CSI-RS)一起发送和标记，使得AI/ML模型能够在测量阶段、推理阶段和监控阶段都利用同一个关联ID来确定波束的选择。例如，关联ID可以通过CSI-RS资源索引进行指示。每个CSI-RS资源都有其唯一的ID，AI/ML模型可以通过该索引来识别与不同波束方向相关联的CSI-RS测量值。

作为一个示例，推理波束集合和训练波束集合设置关联ID，第一波束集合不设置关联ID。

在一些实施例中，当使用轮询方式(也就是轮询机制)监控推理波束集合时，对第一波束集合的资源配置和报告配置需要考虑轮询周期，以覆盖推理波束集合中的所有波束。

作为一个示例，当第一波束集合为推理波束集合基于轮询机制确定的多个波束子集中的之一时，CSI报告配置对CSI报告和RS资源进行配置时需要确保有效覆盖推理波束集合中的所有波束，同时保持监控的资源效率。例如，通过多个csi-ReportConfig来完成一个轮询周期内的所有配置。又如，在RS资源的配置上，需要针对轮询机制确保每个波束子集的资源分配合理，以支持有效的测量。

作为一个示例，包括第一波束集合的多个波束子集与第一轮询周期内的多个资源配置一一对应。每个资源配置可以用于配置一个RS资源集。由此可见，多个波束子集可以分别与多个RS资源集一一对应。例如，为每个波束子集Si配置独立的RS资源集，以确保第一设备在一个轮询周期内能够测量到该波束子集中的波束。后文将结合图9进行示例性说明。

作为一个实现方式，推理波束集合中的每个波束子集Si可以配置独立的CSI-RS资源或物理下行控制信道(physical downlink control channel，PDCCH)的解调参考信号(demodulation reference signal，DMRS)，用于在一个轮询周期内执行性能监测。在每个波束子集中，还可以选择关键的波束作为RS资源的测量目标，以确保报告的Top-K波束信息能够充分反映该波束子集的整体性能。可选地，可以优先选择历史上表现较好的波束或在当前环境中信号强度较高的波束进行测量。

在一些实施例中，网络可以根据实时需求动态调整RS资源的配置，以提高RS资源配置的灵活性。例如，在高移动性场景中，网络可以缩短轮询周期，增加RS资源密度，以提高测量的及时性和精确度。

作为一个示例，包括第一波束集合的多个波束子集对应M个资源配置，M为第一轮询周期内的上报周期数量。例如，第一轮询周期内包括2个上报周期时，可以通过一个资源配置同时配置多个波束子集的资源。也就是说，同时为多个波束子集配置资源。后文将结合图10进行示例性说明。

在一些实施例中，AI/ML模型可以基于用户的历史移动轨迹预测未来位置，从而动态调整CSI报告周期和子集大小。例如，预测用户将进入高移动性区域时，RS资源配置密集，多个监控子集配置在一个资源配置里，可以提前缩短轮询周期。

在一些实施例中，AI/ML模型可以根据实时反馈的CSI报告结果和AI/ML算法，动态调整后续的轮询配置。例如，如果发现当前子集的波束信号强度波动较大，可以在下一个周期内扩大子集，以确保更多波束被覆盖。通过动态调整轮询周期长度、CSI报告触发机制和子集大小，网络可以在不同的网络条件和用户需求下灵活优化CSI报告配置，实现高效且准确的性能监控。这种动态调整策略能够确保推理波束集合中的所有波束得到充分覆盖，同时优化资源利用，满足不同场景下的性能需求。

继续参见图3，在步骤S320，第一设备根据第一波束集合的测量结果对第一模型进行性能监控。

第一波束集合的测量结果可以包括第一波束集合的直接测量参数，还可以包括根据测量参数确定的第一模型的性能参数。直接测量参数例如RSRP等。性能参数如前文所述，不再赘述。

在一些实施例中，第一模型的性能参数可以通过比较预测结果和实际测量结果来确定。这些结果可以是推理波束集合中的Top-1或Top-K波束，也可以是RSRP差值等参数。例如，当第一波束集合为推理波束集合或包括第一波束集合的多个波束子集覆盖推理波束集合时，通过比较预测的Top-K波束和测量确定的Top-K波束，可以确定第一模型是否出现问题。换句话说，当性能监控的RS覆盖整个推理波束集合后，推理误差可以通过比较模型预测的Top-1/Top-K波束和基于测量的实际最优波束来度量。又如，比较预测结果和性能监控得到的资源集/资源的测量值，可以获得Top-1或Top-K波束的预测精度。

作为一个示例，基于一个或多个预测最优波束的L1-RSRP实际测量值和来自用于监控的资源集/资源的L1-RSRP测量值之间的L1-RSRP差异信息，来确定第一模型是否准确。

作为一个示例，带余量的Top-1波束预测精度可以通过测量预测波束和最优波束的RSRP差值来评估。当该RSRP差值小于设定的阈值时，认为预测成功，第一模型准确。

作为一个示例，当Top-K预测波束的最高测量L1-RSRP在第一波束集合中波束的最高测量L1-RSPR的余量范围内，使用Top-K预测波束中的最佳波束。这种场景可以发生在第一设备测量Top-K预测波束并找到具有最高L1-RSRP的最佳波束之后。只要Top-K预测波束中的最优波束的L1-RSRP与第一波束集合中的最优波束的L1-RSRP相比在一个设定或计算的余量内，那么与实际的最佳波束相比，使用预测的Top-K波束或最优波束导致的性能下降被认为是可以容忍的，这被解释为成功事件。

作为一个示例，第一模型的性能参数可以通过第一模型的监控余量表示。例如，第一模型的监控余量可以根据性能监控的实际监控次数以及推理波束集合与第一波束集合中对应波束的质量差值来确定。

作为一个实现方式，监控余量可以为：其中，N为实际监控次数，ε为余量阈值，RSRP(b_i)为第i次监控时推理波束集合中的波束b的预测RSRP，为第i次监控时第一波束集合中的波束b的实测RSRP。

可选地，ε为预设的余量阈值，可以用于判断预测波束和实际波束之间的RSRP差异是否可接受。

可选地，1(·)是指示函数。当预测结果与实际测量结果的差值在预设的余量范围内，返回1，否则返回0。多个最优预测波束可以使用同一个余量值，也可以分别设置不同的余量大小。

可选地，波束b可以是第一波束集合中的最优预测波束或者较优的多个波束。

在一些实施例中，第一波束集合包括推理波束集合中预测的Top-K波束。假设监控实例的总数为N_instance，实际监控的监控实例的数量为N_monitor，与Top-K波束预测相关的性能监控精度为N_monitor/N_instance。

在一些实施例中，进行性能监控后，第一设备还可以向第二设备发送第一模型的监控报告。例如，对于第一设备处用于波束预测的网络设备侧性能监控，网络可能需要配置/指示一个RS资源集作为监控RS资源，第一设备可以测量这些监测RS资源并向网络发送监控报告。

在一些实施例中，监控报告可以包括第一模型的性能参数。如前文所述，第一模型的性能参数包括第一模型的预测精度和/或第一模型的预测误差。例如，基于与监控RS资源相对应的报告测量值和推理相关报告，可以计算性能指标或相关KPIs(例如波束预测精度、RSRP差异等)。计算出的性能指标或相关KPIs可用于评估与波束预测相关的CSI报告的可操作性。

作为一个示例，使用CSI报告框架可以配置监控RS资源集并获取与该监控RS资源集中对应的波束测量报告。该波束测量报告可以包括测量RS资源的CSI-RS资源指示(CSI-RS resource indicator，CRI)或者RSRP、SINR等参数。

作为一个示例，网络可以使用不同的CSI报告(监控报告)来获取CSI报告框架内监测RS资源集的波束测量/报告。报告内容可以包括监控RS组中的Top-K波束的L1-RSRP和RS索引。

在一些实施例中，第一设备可以基于不同的CSI报告机制发送监控报告，以支持网络侧性能监控。作为一个示例，网络可以使用不同的时间行为配置与监控报告相关的CSI报告框架。这些时间行为配置包括非周期性(aperiodic，AP)、周期性(periodic，P)或半持久性(semi persistent，SP)。相对应地，第一设备可以配置周期性、非周期性和半持久性的波束报告并进行发送。

作为一个示例，基于相关的L1-CSI报告框架，可以用周期性、非周期性和半持久性的信号报告机制来发送监控报告，以实现模型监控中的精度或者Top-K波束测量的上报。

在一些实施例中，第一模型的监控报告通过第一CSI报告配置进行配置。作为一个示例，第一CSI报告配置可以与推理波束集合对应的CSI报告配置相同。作为一个示例，第一CSI报告配置可以与推理波束集合对应的CSI报告配置不同。

作为一个示例，当第一波束集合为推理波束集合时，第一CSI报告配置与推理波束集合对应的CSI报告配置相同。也就是说，监控RS资源集等于推理波束集合的资源集。在这种场景下，模型推理和模型监控使用了相同的RS资源集。

作为一个示例，当第一波束集合为推理波束集合的波束子集时，第一CSI报告配置与推理波束集合对应的CSI报告配置相同。也就是说，第一波束集合仅包括推理波束集合的部分波束。在这种场景下，使用相同的CSI报告配置用于模型监控和模型推理。

作为一个示例，当第一波束集合为推理波束集合时，第一CSI报告配置与推理波束集合对应的CSI报告配置不同。也就是说，监控RS资源集与推理波束集合的资源集进行分开配置/指示。

作为一个示例，当第一波束集合为推理波束集合的波束子集时，第一CSI报告配置与推理波束集合对应的CSI报告配置不同。

作为一个示例，无论第一波束集合是推理波束集合的子集或者等于推理波束集合，第一CSI报告配置与推理波束集合的CSI报告配置都可以分开配置，或者，使用同一个CSI报告配置。

作为一个示例，第一CSI报告配置还会考虑不同场景下对监控RS资源集的配置与指示。监控RS资源集对应第一波束集合。第一波束集合的设置可以用显示或者隐式的方式进行配置。例如，第一波束集合为推理波束集合的子集时，网络可以配置/指示与推理波束集合的波束子集相对应的CSI-RS资源集作为监控RS资源集，并进一步配置监控RS资源集中的时间线和报告量。

在一些实施例中，第一设备可以基于性能监控的上报周期发送第一模型的监控报告。基于性能监控的上报周期可以基于不同的CSI报告机制确定。

作为一个示例，上报周期可以与监控周期相同。在一个轮询周期内，每个上报周期可以仅测量一个波束子集，可以显著减少第一设备的测量负担、节约资源。通过多个上报周期，第一设备可以通过轮询方式逐步覆盖推理波束集合的所有波束，以保证所有波束都被测量。如前文所述，网络可以根据网络情况动态调整轮询周期的长度和子集大小，确保在不同的场景下性能监控的有效性。

在一些实施例中，在基于轮询机制进行性能监控的场景下，监控报告的第一配置中可以配置轮询机制对应的波束子集，且可以支持分阶段的监控报告。可选地，第一配置可以包括监控报告的触发类型、波束子集指示以及监控报告内容中的一项或多项。

作为一个示例，当第一配置为基于CSI框架的CSI报告配置时，第一配置可以包括CSI报告触发类型、波束子集指示、CSI报告内容。三种内容具体如下。

对于CSI报告触发类型，可以使用周期性，非周期性或半持久性CSI报告触发机制，以确保第一设备能够定期上报监控数据。在不同的轮询周期内激活对应波束子集的CSI报告。

对于波束子集指示，网络在每个轮询周期内可以配置多个CSI报告，以指定当前需要测量的波束子集。例如，网络可以在每个轮询周期中的第一个监控周期内将波束子集S₁配置为CSI报告的测量目标，接下来在下一个监控周期内配置子集S₂，如图9所示。

对于CSI报告内容，该内容可以包含波束子集内Top-K波束的L1-RSRP值和RS索引。这样，网络可以获取每个波束子集中性能最好的波束，并根据这些信息计算模型预测的精度。

上文结合图3至图5介绍了用于性能监控的第一波束集合如何确定的方法。由前文可知，第一波束集合可以与训练波束集合、推理波束集合配置相同的关联ID。下面以CSI框架的配置方式为例，结合图6至图8对第一波束集合关联ID的配置方法进行示例性说明。

图6至图8中的波束集合和关联ID都是通过CSI报告配置(csi-ReportConfig)来进行配置的。在整个基于AI/ML的波束管理过程中，模型训练、模型推理和模型检测(监控)过程可以基于CSI-RS资源索引配置关联ID。示例性地，在CSI框架中将推理波束集合和训练波束集合配置为csi-ResourceConfig中的不同CSI资源集，但都会有关联一个ID。其中，推理波束集合的资源集通过csi-ResourceSetA进行配置，训练波束集合的资源集通过csi-ResourceSetB进行配置，监控集(第一波束集合)的资源集通过csi-ResourcemonitorSet进行配置。下面结合附图分别介绍三种不同的配置方式。

参见图6，在csi-ReportConfig中，对应不同CSI资源集的推理波束集合、训练波束集合以及第一波束集合在相同的CSI资源配置(csi-ResourceConfig)中进行配置。三种波束集合共享相同的关联ID，且该关联ID也在该CSI资源配置中。

与图6相比，虽然图7中的推理波束集合、训练波束集合、第一波束集合以及关联ID也都在相同的CSI资源配置中，但是推理波束集合、训练波束集合和第一波束集合分别对应了不同的CSI资源配置索引(csi-ResourceConfigId)。也就是说，推理波束集合、训练波束集合和第一波束集合是基于不同的CSI资源配置索引进行单独配置的。

与图7相比，虽然图8中的推理波束集合、训练波束集合和第一波束集合也是单独配置的，但是不同波束集合对应的关联ID也会在不同的CSI资源配置索引中进行配置。在图8所示的方法中，由于关联ID是在不同csi-ReportConfigId中分别配置的，因此可以满足关联ID不同的场景。此外，即使关联ID不同也不需要额外的csi-ResourceConfig，这在报告配置开销方面更有益。

在图7和图8中，每个csi-ReportConfigId构造在一个csi-ReportConfig中。需要说明的是，不同的csi-ReportConfigId也可以分别配置在不同的csi-ReportConfig中。

由前文可知，在基于轮询机制生成的多个波束子集进行性能监控时，RS资源集可以与多个波束子集一一对应，也可以根据实际情况进行灵活配置。下面以图6中的CSI框架为例，结合图9和图10分别对两种配置方式进行示例性说明。

参见图9，在第一轮询周期内，推理波束集合被分为n个波束子集，分别是集合S₁,S₂,…,S_n。针对第一轮询周期的CSI资源配置包括n个csi-ReportConfig。n个csi-ReportConfig与n个波束子集一一对应。

与图9相比，图10中的推理波束集合同样被划分为n个波束子集，但是第一轮询周期由2个上报周期确定。在这种场景下，需要通过2个csi-ReportConfig来分别为多个监控子集配置资源。参见图10，2个csi-ReportConfig分别对应波束子集集合{S₁,…,S_k}，{S_k+1,S_k+2,…,S_n}。

可选地，图10中的2个csi-ReportConfig可以分别为两个波束子集集合{S₁,…,S_k}，{S_k+1,S_k+2,…,S_n}设置一个对应的RS，以提高性能监控的精度。

上文结合图3至图10对用于性能监控的第一波束集合的确定方式以及相关的配置进行了介绍。其中，第一波束集合用于发送进行性能监控的专用RS；相关的配置包括RS资源和监控报告的配置。为了更明确地介绍本申请实施例的应用。下面以第一设备为UE，第二设备为基站(eNB)为例，结合图11介绍第一设备向第二设备请求专用参考信号以及发送监控报告的示例。

在步骤S1110，UE发送UE的能力指示信息给基站。例如，UE向基站发送UE自身的AI/ML能力指示(UE AI/ML capacity indication)。

在步骤S1120，UE向基站发送请求(第一请求)，以请求用于性能监控的专用RS(request for dedicated RS for performance monitoring)，以对模型进行性能检测。

在步骤S1130，基站基于UE的请求发送专用RS(dedicated RS fortransmission)，以支持性能检测。

在步骤S1140，UE根据接收到的性能RS来计算检测KPIs或者确定事件触发条件(compute monitoring KPIs or determine occurrence of event)。

在步骤S1150，UE根据性能检测评估的结果，发送KPIs检测结果或触发事件信息(information about monitoring KPIs or event occurrence)给基站。

在步骤S1160，基站接收到来自UE KPI检测结果信息，来评估模型性能(evaluateAI/ML performance)。可选地，基站可以对UE侧的模型进行性能评估和辅助监控，也可以对自身侧的模型进行性能评估。相对地，在模型监控中，UE可以对自身侧的模型进行性能评估，也可以对基站侧的模型进行辅助监控。

在步骤S1170，基站根据评估的结果，会通知UE侧AI/ML与LCM(life cyclemanagement，LCM)操作的相关信息(information about LCM operation for LCM at UE-side AI/ML)。这些相关信息涉及模型的状态、配置、监控和更新等方面。这些信息确保UE在模型使用过程中能够保持最佳性能和一致性。

在步骤S1180，UE根据来自基站的LCM信息实施LCM操作(LCM operation at UE)，激活、通用、切换、回退或更新UE侧的AM/ML模型(AI/ML model activation/deactivation/switch/fallback)。

在步骤S1190，UE根据更新的结果，会通知基站其执行LCM操作的相关信息(information about executed LCM operation at UE)，例如，实施LCM后的相关结果。

由图11可知，本申请实施例可以应用于终端设备和网络设备对模型性能的监控。LCM信息的传输可以便于终端设备和网络设备及时了解相关模型的状态，提高模型的准确性。

上文结合图1至图11，详细地描述了本申请的方法实施例。下面结合图12至图14，详细描述本申请的装置实施例。应理解，装置实施例的描述与方法实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。

图12是本申请实施例的一种用于无线通信的装置的示意性框图。该装置1200可以为上文描述的任意一种第一设备。第一设备可以为终端设备。图12所示的装置1200包括收发单元1210和处理单元1220。

收发单元1210，可用于接收第一参考信号，第一参考信号通过第一波束集合进行发送。

处理单元1220，可用于根据第一波束集合的测量结果对第一模型进行性能监控；其中，第一参考信号对应第一监控实例，第一波束集合根据第一模型的推理波束集合确定；第一波束集合包括推理波束集合中的所有波束，或者，第一波束集合包括推理波束集合中的部分波束。

可选地，第一波束集合为推理波束集合的第一波束子集，第一波束子集根据第一信息确定，第一信息包括以下的一项或多项信息：推理波束集合中的波束优先级；推理波束集合中的波束的历史性能数据；推理波束集合中的波束的感知质量；推理波束集合中的波束的覆盖区域；第一设备所在小区的网络负载。

可选地，第一波束子集根据波束优先级确定，推理波束集合中的第一波束的波束优先级满足以下的一种或多种条件：第一波束的波束优先级与第一波束的重要性正相关；第一波束的波束优先级与第一波束的质量正相关；第一波束的波束优先级与监控第一波束的资源量负相关。

可选地，性能监控包括多个监控实例，多个监控实例包括第一监控实例和第二监控实例，第二监控实例对应第二波束子集，第一波束子集与第二波束子集中的至少一个波束相同。

可选地，第一波束集合为推理波束集合的第一波束子集，第一波束子集根据推理波束集合相关的轮询机制确定，轮询机制用于在第一轮询周期内对推理波束集合中的所有波束进行性能监控。

可选地，第一轮询周期包括多个监控实例，多个监控实例包括第一监控实例，多个监控实例分别对应包括第一波束子集的多个波束子集，多个波束子集中任意两个波束子集中的波束不同。

可选地，第一轮询周期的时长为第一监控周期的时长的正整数倍，第一监控周期包括至少一个监控实例。

可选地，第一轮询周期与以下中的一种或多种信息相关：第一设备的移动速度；第一设备所在小区的网络负载；第一设备所在小区的最长轮询周期。

可选地，第一轮询周期为：T＝T_max―α*v―β*L；其中，α和β为权重系数，T_max为最长轮询周期，v表示移动速度对第一轮询周期的影响，L表示网络负载对第一轮询周期的影响。

可选地，第一波束子集中的波束数量与以下中的一种或多种信息相关：第一模型的预测精度；第一设备所在小区的网络负载；第一波束子集的最小波束数量。

可选地，当第一波束子集为多个波束子集中的第i个波束子集时，i为大于或等于1的整数，第一波束子集中的波束数量为：其中，γ和δ为权重系数，为最小波束数量，E表示预测精度对波束数量的影响，L表示网络负载对波束数量的影响。

可选地，第一波束集合对应第一关联标识，第一关联标识与推理波束集合和/或第一模型的训练波束集合的关联标识相同。

可选地，第一波束集合为推理波束集合基于轮询机制确定的多个波束子集中的之一；多个波束子集与第一轮询周期内的多个资源配置一一对应，或者，多个波束子集对应M个资源配置，M为第一轮询周期内的上报周期数量。

可选地，收发单元1210还用于向第二设备发送第一请求，第一请求用于请求第一参考信号；其中，第一参考信号为多个专用参考信号中的至少之一，专用参考信号用于对第一模型进行性能监控。

可选地，收发单元1210还用于基于性能监控的上报周期发送第一模型的监控报告；其中，监控报告包括第一模型的性能参数，第一模型的性能参数包括第一模型的预测精度和/或第一模型的预测误差。

可选地，第一模型的监控报告通过第一CSI报告配置进行配置；第一CSI报告配置与推理波束集合对应的CSI报告配置相同，或者，第一CSI报告配置与推理波束集合对应的CSI报告配置不同。

可选地，第一模型的性能参数通过第一模型的监控余量表示，监控余量根据性能监控的实际监控次数以及推理波束集合与第一波束集合中对应波束的质量差值来确定。

可选地，监控余量为：其中，N为实际监控次数，ε为余量阈值，RSRP(b_i)为第i次监控时推理波束集合中的波束b的预测RSRP，为第i次监控时第一波束集合中的波束b的实测RSRP。

可选地，第一模型为人工智能或机器学习模型。

图13是本申请实施例的另一种用于无线通信的装置的示意性框图。该装置1300可以为上文描述的任意一种第二设备。第二设备为网络设备或终端设备。图13所示的装置1300包括收发单元1310。

收发单元1310，可用于发送第一参考信号，第一参考信号通过第一波束集合进行发送；其中，第一参考信号对应第一监控实例，第一波束集合的测量结果用于对第一模型进行性能监控，第一波束集合根据第一模型的推理波束集合确定；第一波束集合包括推理波束集合中的所有波束，或者，第一波束集合包括推理波束集合中的部分波束。

可选地，第一波束集合为推理波束集合的第一波束子集，第一波束子集根据第一信息确定，第一信息包括以下的一项或多项信息：推理波束集合中的波束优先级；推理波束集合中的波束的历史性能数据；推理波束集合中的波束的感知质量；推理波束集合中的波束的覆盖区域；第二设备对应小区的网络负载。

可选地，第一轮询周期与以下中的一种或多种信息相关：接收第一参考信号的第一设备的移动速度；第二设备对应小区的网络负载；第二设备对应小区的最长轮询周期。

可选地，第一波束子集中的波束数量与以下中的一种或多种信息相关：第一模型的预测精度；第二设备对应小区的网络负载；第一波束子集的最小波束数量。

可选地，收发单元1310还用于接收第一设备发送的第一请求，第一请求用于请求第一参考信号；其中，第一参考信号为多个专用参考信号中的至少之一，专用参考信号用于对第一模型进行性能监控。

可选地，收发单元1310还用于基于性能监控的上报周期接收第一模型的监控报告；其中，监控报告包括第一模型的性能参数，第一模型的性能参数包括第一模型的预测精度和/或第一模型的预测误差。

可选地，第一模型为人工智能或机器学习模型。

图14所示为本申请实施例的通信装置的结构示意图。图14中的虚线表示该单元或模块为可选的。该装置1400可用于实现上述方法实施例中描述的方法。装置1400可以是芯片、终端设备或网络设备。

装置1400可以包括一个或多个处理器1410。该处理器1410可支持装置1400实现前文方法实施例所描述的方法。该处理器1410可以是通用处理器或者专用处理器。例如，该处理器可以为中央处理单元(central processing unit，CPU)。或者，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(fieldprogrammable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

装置1400还可以包括一个或多个存储器1420。存储器1420上存储有程序，该程序可以被处理器1410执行，使得处理器1410执行前文方法实施例所描述的方法。存储器1420可以独立于处理器1410也可以集成在处理器1410中。

装置1400还可以包括收发器1430。处理器1410可以通过收发器1430与其他设备或芯片进行通信。例如，处理器1410可以通过收发器1430与其他设备或芯片进行数据收发。

本申请实施例还提供一种计算机可读存储介质，用于存储程序。该计算机可读存储介质可应用于本申请实施例提供的终端设备或网络设备中，并且该程序使得计算机执行本申请各个实施例中的由终端设备或网络设备执行的方法。

该计算机可读存储介质可以是计算机能够读取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digital video disc，DVD))或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。

本申请实施例还提供一种计算机程序产品。该计算机程序产品包括程序。该计算机程序产品可应用于本申请实施例提供的终端设备或网络设备中，并且该程序使得计算机执行本申请各个实施例中的由终端设备或网络设备执行的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。

本申请实施例还提供一种计算机程序。该计算机程序可应用于本申请实施例提供的终端设备或网络设备中，并且该计算机程序使得计算机执行本申请各个实施例中的由终端或网络设备执行的方法。

本申请中术语“系统”和“网络”可以被可互换使用。另外，本申请使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。在本申请的实施例中，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

在本申请的实施例中，提到的“指示”可以是直接指示，也可以是间接指示，还可以是表示具有关联关系。举例说明，A指示B，可以表示A直接指示B，例如B可以通过A获取；也可以表示A间接指示B，例如A指示C，B可以通过C获取；还可以表示A和B之间具有关联关系。

在本申请的实施例中，术语“对应”可表示两者之间具有直接对应或间接对应的关系，也可以表示两者之间具有关联关系，也可以是指示与被指示、配置与被配置等关系。

在本申请实施例中，“预定义”或“预配置”可以通过在设备(例如，包括终端设备和网络设备)中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现，本申请对于其具体的实现方式不做限定。比如预定义可以是指协议中定义的。

本申请实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

在本申请的实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种用于无线通信的方法，其特征在于，包括：

第一设备接收第一参考信号，所述第一参考信号通过第一波束集合进行发送；

所述第一设备根据所述第一波束集合的测量结果对第一模型进行性能监控；

其中，所述第一参考信号对应第一监控实例，所述第一波束集合根据所述第一模型的推理波束集合确定；所述第一波束集合包括所述推理波束集合中的所有波束，或者，所述第一波束集合包括所述推理波束集合中的部分波束。

2.根据权利要求1所述的方法，其特征在于，所述第一波束集合为所述推理波束集合的第一波束子集，所述第一波束子集根据第一信息确定，所述第一信息包括以下的一项或多项信息：

所述推理波束集合中的波束优先级；

所述推理波束集合中的波束的历史性能数据；

所述推理波束集合中的波束的感知质量；

所述推理波束集合中的波束的覆盖区域；

所述第一设备所在小区的网络负载。

3.根据权利要求2所述的方法，其特征在于，所述第一波束子集根据所述波束优先级确定，所述推理波束集合中的第一波束的波束优先级满足以下的一种或多种条件：

所述第一波束的波束优先级与所述第一波束的重要性正相关；

所述第一波束的波束优先级与所述第一波束的质量正相关；

所述第一波束的波束优先级与监控所述第一波束的资源量负相关。

4.根据权利要求2或3所述的方法，其特征在于，所述性能监控包括多个监控实例，所述多个监控实例包括所述第一监控实例和第二监控实例，所述第二监控实例对应第二波束子集，所述第一波束子集与所述第二波束子集中的至少一个波束相同。

5.根据权利要求1所述的方法，其特征在于，所述第一波束集合为所述推理波束集合的第一波束子集，所述第一波束子集根据所述推理波束集合相关的轮询机制确定，所述轮询机制用于在第一轮询周期内对所述推理波束集合中的所有波束进行性能监控。

6.根据权利要求5所述的方法，其特征在于，所述第一轮询周期包括多个监控实例，所述多个监控实例包括所述第一监控实例，所述多个监控实例分别对应包括所述第一波束子集的多个波束子集，所述多个波束子集中任意两个波束子集中的波束不同。

7.根据权利要求5或6所述的方法，其特征在于，所述第一轮询周期的时长为第一监控周期的时长的正整数倍，所述第一监控周期包括至少一个监控实例。

8.根据权利要求5或6所述的方法，其特征在于，所述第一轮询周期与以下中的一种或多种信息相关：

所述第一设备的移动速度；

所述第一设备所在小区的网络负载；

所述第一设备所在小区的最长轮询周期。

9.根据权利要求8所述的方法，其特征在于，所述第一轮询周期为：

T＝T_max―α*v―β*L；

其中，α和β为权重系数，T_max为所述最长轮询周期，v表示所述移动速度对所述第一轮询周期的影响，L表示所述网络负载对所述第一轮询周期的影响。

10.根据权利要求2-9中任一项所述的方法，其特征在于，所述第一波束子集中的波束数量与以下中的一种或多种信息相关：

所述第一模型的预测精度；

所述第一设备所在小区的网络负载；

所述第一波束子集的最小波束数量。

11.根据权利要求10所述的方法，其特征在于，当第一波束子集为多个波束子集中的第i个波束子集时，i为大于或等于1的整数，所述第一波束子集中的波束数量为：

其中，γ和δ为权重系数，为所述最小波束数量，E表示所述预测精度对所述波束数量的影响，L表示所述网络负载对所述波束数量的影响。

12.根据权利要求1-11中任一项所述的方法，其特征在于，第一波束集合对应第一关联标识，所述第一关联标识与所述推理波束集合和/或所述第一模型的训练波束集合的关联标识相同。

13.根据权利要求12所述的方法，其特征在于，所述第一波束集合为所述推理波束集合基于轮询机制确定的多个波束子集中的之一；所述多个波束子集与第一轮询周期内的多个资源配置一一对应，或者，所述多个波束子集对应M个资源配置，M为第一轮询周期内的上报周期数量。

14.根据权利要求1-13中任一项所述的方法，其特征在于，所述方法还包括：

所述第一设备向第二设备发送第一请求，所述第一请求用于请求所述第一参考信号；

其中，所述第一参考信号为多个专用参考信号中的至少之一，所述专用参考信号用于对所述第一模型进行性能监控。

15.根据权利要求1-14中任一项所述的方法，其特征在于，所述方法还包括：

所述第一设备基于所述性能监控的上报周期发送所述第一模型的监控报告；

其中，所述监控报告包括所述第一模型的性能参数，所述第一模型的性能参数包括所述第一模型的预测精度和/或所述第一模型的预测误差。

16.根据权利要求15所述的方法，其特征在于，所述第一模型的监控报告通过第一信道状态信息CSI报告配置进行配置；所述第一CSI报告配置与所述推理波束集合对应的CSI报告配置相同，或者，所述第一CSI报告配置与所述推理波束集合对应的CSI报告配置不同。

17.根据权利要求1-16中任一项所述的方法，其特征在于，所述第一模型的性能参数通过所述第一模型的监控余量表示，所述监控余量根据所述性能监控的实际监控次数以及所述推理波束集合与所述第一波束集合中对应波束的质量差值来确定。

18.根据权利要求17所述的方法，其特征在于，所述监控余量为：

其中，N为所述实际监控次数，ε为余量阈值，RSRP(b_i)为第i次监控时所述推理波束集合中的波束b的预测参考信号接收功率RSRP，为第i次监控时所述第一波束集合中的波束b的实测RSRP。

19.根据权利要求1-18中任一项所述的方法，其特征在于，所述第一模型为人工智能或机器学习模型。

20.一种用于无线通信的方法，其特征在于，包括：

第二设备发送第一参考信号，所述第一参考信号通过第一波束集合进行发送；

其中，所述第一参考信号对应第一监控实例，所述第一波束集合的测量结果用于对第一模型进行性能监控，所述第一波束集合根据所述第一模型的推理波束集合确定；所述第一波束集合包括所述推理波束集合中的所有波束，或者，所述第一波束集合包括所述推理波束集合中的部分波束。

21.根据权利要求20所述的方法，其特征在于，所述第一波束集合为所述推理波束集合的第一波束子集，所述第一波束子集根据第一信息确定，所述第一信息包括以下的一项或多项信息：

所述推理波束集合中的波束优先级；

所述推理波束集合中的波束的历史性能数据；

所述推理波束集合中的波束的感知质量；

所述推理波束集合中的波束的覆盖区域；

所述第二设备对应小区的网络负载。

22.根据权利要求21所述的方法，其特征在于，所述第一波束子集根据所述波束优先级确定，所述推理波束集合中的第一波束的波束优先级满足以下的一种或多种条件：

所述第一波束的波束优先级与所述第一波束的质量正相关；

23.根据权利要求21或22所述的方法，其特征在于，所述性能监控包括多个监控实例，所述多个监控实例包括所述第一监控实例和第二监控实例，所述第二监控实例对应第二波束子集，所述第一波束子集与所述第二波束子集中的至少一个波束相同。

24.根据权利要求20所述的方法，其特征在于，所述第一波束集合为所述推理波束集合的第一波束子集，所述第一波束子集根据所述推理波束集合相关的轮询机制确定，所述轮询机制用于在第一轮询周期内对所述推理波束集合中的所有波束进行性能监控。

25.根据权利要求24所述的方法，其特征在于，所述第一轮询周期包括多个监控实例，所述多个监控实例包括所述第一监控实例，所述多个监控实例分别对应包括所述第一波束子集的多个波束子集，所述多个波束子集中任意两个波束子集中的波束不同。

26.根据权利要求24或25所述的方法，其特征在于，所述第一轮询周期的时长为第一监控周期的时长的正整数倍，所述第一监控周期包括至少一个监控实例。

27.根据权利要求24或25所述的方法，其特征在于，所述第一轮询周期与以下中的一种或多种信息相关：

接收所述第一参考信号的第一设备的移动速度；

所述第二设备对应小区的网络负载；

所述第二设备对应小区的最长轮询周期。

28.根据权利要求27所述的方法，其特征在于，所述第一轮询周期为：

T＝T_max―α*v―β*L；

29.根据权利要求21-28中任一项所述的方法，其特征在于，所述第一波束子集中的波束数量与以下中的一种或多种信息相关：

所述第一模型的预测精度；

所述第二设备对应小区的网络负载；

所述第一波束子集的最小波束数量。

30.根据权利要求29所述的方法，其特征在于，当第一波束子集为多个波束子集中的第i个波束子集时，i为大于或等于1的整数，所述第一波束子集中的波束数量为：

31.根据权利要求20-30中任一项所述的方法，其特征在于，第一波束集合对应第一关联标识，所述第一关联标识与所述推理波束集合和/或所述第一模型的训练波束集合的关联标识相同。

32.根据权利要求31所述的方法，其特征在于，所述第一波束集合为所述推理波束集合基于轮询机制确定的多个波束子集中的之一；所述多个波束子集与第一轮询周期内的多个资源配置一一对应，或者，所述多个波束子集对应M个资源配置，M为第一轮询周期内的上报周期数量。

33.根据权利要求20-32中任一项所述的方法，其特征在于，所述方法还包括：

所述第二设备接收第一设备发送的第一请求，所述第一请求用于请求所述第一参考信号；

34.根据权利要求20-33中任一项所述的方法，其特征在于，所述方法还包括：

所述第二设备基于所述性能监控的上报周期接收所述第一模型的监控报告；

35.根据权利要求34所述的方法，其特征在于，所述第一模型的监控报告通过第一信道状态信息CSI报告配置进行配置；所述第一CSI报告配置与所述推理波束集合对应的CSI报告配置相同，或者，所述第一CSI报告配置与所述推理波束集合对应的CSI报告配置不同。

36.根据权利要求20-35中任一项所述的方法，其特征在于，所述第一模型的性能参数通过所述第一模型的监控余量表示，所述监控余量根据所述性能监控的实际监控次数以及所述推理波束集合与所述第一波束集合中对应波束的质量差值来确定。

37.根据权利要求36所述的方法，其特征在于，所述监控余量为：

38.根据权利要求20-37中任一项所述的方法，其特征在于，所述第一模型为人工智能或机器学习模型。

39.一种用于无线通信的装置，其特征在于，所述装置为第一设备，所述装置包括：

收发单元，用于接收第一参考信号，所述第一参考信号通过第一波束集合进行发送；

处理单元，用于根据所述第一波束集合的测量结果对第一模型进行性能监控；

40.根据权利要求39所述的装置，其特征在于，所述第一波束集合为所述推理波束集合的第一波束子集，所述第一波束子集根据第一信息确定，所述第一信息包括以下的一项或多项信息：

所述推理波束集合中的波束优先级；

所述推理波束集合中的波束的历史性能数据；

所述推理波束集合中的波束的感知质量；

所述推理波束集合中的波束的覆盖区域；

所述第一设备所在小区的网络负载。

41.根据权利要求40所述的装置，其特征在于，所述第一波束子集根据所述波束优先级确定，所述推理波束集合中的第一波束的波束优先级满足以下的一种或多种条件：

所述第一波束的波束优先级与所述第一波束的质量正相关；

42.根据权利要求40或41所述的装置，其特征在于，所述性能监控包括多个监控实例，所述多个监控实例包括所述第一监控实例和第二监控实例，所述第二监控实例对应第二波束子集，所述第一波束子集与所述第二波束子集中的至少一个波束相同。

43.根据权利要求39所述的装置，其特征在于，所述第一波束集合为所述推理波束集合的第一波束子集，所述第一波束子集根据所述推理波束集合相关的轮询机制确定，所述轮询机制用于在第一轮询周期内对所述推理波束集合中的所有波束进行性能监控。

44.根据权利要求43所述的装置，其特征在于，所述第一轮询周期包括多个监控实例，所述多个监控实例包括所述第一监控实例，所述多个监控实例分别对应包括所述第一波束子集的多个波束子集，所述多个波束子集中任意两个波束子集中的波束不同。

45.根据权利要求43或44所述的装置，其特征在于，所述第一轮询周期的时长为第一监控周期的时长的正整数倍，所述第一监控周期包括至少一个监控实例。

46.根据权利要求43或44所述的装置，其特征在于，所述第一轮询周期与以下中的一种或多种信息相关：

所述第一设备的移动速度；

所述第一设备所在小区的网络负载；

所述第一设备所在小区的最长轮询周期。

47.根据权利要求46所述的装置，其特征在于，所述第一轮询周期为：

T＝T_max―α*v―β*L；

48.根据权利要求40-47中任一项所述的装置，其特征在于，所述第一波束子集中的波束数量与以下中的一种或多种信息相关：

所述第一模型的预测精度；

所述第一设备所在小区的网络负载；

所述第一波束子集的最小波束数量。

49.根据权利要求48所述的装置，其特征在于，当第一波束子集为多个波束子集中的第i个波束子集时，i为大于或等于1的整数，所述第一波束子集中的波束数量为：

50.根据权利要求39-49中任一项所述的装置，其特征在于，第一波束集合对应第一关联标识，所述第一关联标识与所述推理波束集合和/或所述第一模型的训练波束集合的关联标识相同。

51.根据权利要求50所述的装置，其特征在于，所述第一波束集合为所述推理波束集合基于轮询机制确定的多个波束子集中的之一；所述多个波束子集与第一轮询周期内的多个资源配置一一对应，或者，所述多个波束子集对应M个资源配置，M为第一轮询周期内的上报周期数量。

52.根据权利要求39-51中任一项所述的装置，其特征在于，所述收发单元还用于向第二设备发送第一请求，所述第一请求用于请求所述第一参考信号；其中，所述第一参考信号为多个专用参考信号中的至少之一，所述专用参考信号用于对所述第一模型进行性能监控。

53.根据权利要求39-52中任一项所述的装置，其特征在于，所述收发单元还用于基于所述性能监控的上报周期发送所述第一模型的监控报告；其中，所述监控报告包括所述第一模型的性能参数，所述第一模型的性能参数包括所述第一模型的预测精度和/或所述第一模型的预测误差。

54.根据权利要求53所述的装置，其特征在于，所述第一模型的监控报告通过第一信道状态信息CSI报告配置进行配置；所述第一CSI报告配置与所述推理波束集合对应的CSI报告配置相同，或者，所述第一CSI报告配置与所述推理波束集合对应的CSI报告配置不同。

55.根据权利要求39-54中任一项所述的装置，其特征在于，所述第一模型的性能参数通过所述第一模型的监控余量表示，所述监控余量根据所述性能监控的实际监控次数以及所述推理波束集合与所述第一波束集合中对应波束的质量差值来确定。

56.根据权利要求55所述的装置，其特征在于，所述监控余量为：

57.根据权利要求39-56中任一项所述的装置，其特征在于，所述第一模型为人工智能或机器学习模型。

58.一种用于无线通信的装置，其特征在于，所述装置为第二设备，所述装置包括：

收发单元，用于发送第一参考信号，所述第一参考信号通过第一波束集合进行发送；

59.根据权利要求58所述的装置，其特征在于，所述第一波束集合为所述推理波束集合的第一波束子集，所述第一波束子集根据第一信息确定，所述第一信息包括以下的一项或多项信息：

所述推理波束集合中的波束优先级；

所述推理波束集合中的波束的历史性能数据；

所述推理波束集合中的波束的感知质量；

所述推理波束集合中的波束的覆盖区域；

所述第二设备对应小区的网络负载。

60.根据权利要求59所述的装置，其特征在于，所述第一波束子集根据所述波束优先级确定，所述推理波束集合中的第一波束的波束优先级满足以下的一种或多种条件：

所述第一波束的波束优先级与所述第一波束的质量正相关；

61.根据权利要求59或60所述的装置，其特征在于，所述性能监控包括多个监控实例，所述多个监控实例包括所述第一监控实例和第二监控实例，所述第二监控实例对应第二波束子集，所述第一波束子集与所述第二波束子集中的至少一个波束相同。

62.根据权利要求58所述的装置，其特征在于，所述第一波束集合为所述推理波束集合的第一波束子集，所述第一波束子集根据所述推理波束集合相关的轮询机制确定，所述轮询机制用于在第一轮询周期内对所述推理波束集合中的所有波束进行性能监控。

63.根据权利要求62所述的装置，其特征在于，所述第一轮询周期包括多个监控实例，所述多个监控实例包括所述第一监控实例，所述多个监控实例分别对应包括所述第一波束子集的多个波束子集，所述多个波束子集中任意两个波束子集中的波束不同。

64.根据权利要求62或63所述的装置，其特征在于，所述第一轮询周期的时长为第一监控周期的时长的正整数倍，所述第一监控周期包括至少一个监控实例。

65.根据权利要求62或63所述的装置，其特征在于，所述第一轮询周期与以下中的一种或多种信息相关：

接收所述第一参考信号的第一设备的移动速度；

所述第二设备对应小区的网络负载；

所述第二设备对应小区的最长轮询周期。

66.根据权利要求65所述的装置，其特征在于，所述第一轮询周期为：

T＝T_max―α*v―β*L；

67.根据权利要求59-66中任一项所述的装置，其特征在于，所述第一波束子集中的波束数量与以下中的一种或多种信息相关：

所述第一模型的预测精度；

所述第二设备对应小区的网络负载；

所述第一波束子集的最小波束数量。

68.根据权利要求67所述的装置，其特征在于，当第一波束子集为多个波束子集中的第i个波束子集时，i为大于或等于1的整数，所述第一波束子集中的波束数量为：

69.根据权利要求58-68中任一项所述的装置，其特征在于，第一波束集合对应第一关联标识，所述第一关联标识与所述推理波束集合和/或所述第一模型的训练波束集合的关联标识相同。

70.根据权利要求69所述的装置，其特征在于，所述第一波束集合为所述推理波束集合基于轮询机制确定的多个波束子集中的之一；所述多个波束子集与第一轮询周期内的多个资源配置一一对应，或者，所述多个波束子集对应M个资源配置，M为第一轮询周期内的上报周期数量。

71.根据权利要求58-70中任一项所述的装置，其特征在于，所述收发单元还用于接收第一设备发送的第一请求，所述第一请求用于请求所述第一参考信号；其中，所述第一参考信号为多个专用参考信号中的至少之一，所述专用参考信号用于对所述第一模型进行性能监控。

72.根据权利要求58-71中任一项所述的装置，其特征在于，所述收发单元还用于基于所述性能监控的上报周期接收所述第一模型的监控报告；其中，所述监控报告包括所述第一模型的性能参数，所述第一模型的性能参数包括所述第一模型的预测精度和/或所述第一模型的预测误差。

73.根据权利要求72所述的装置，其特征在于，所述第一模型的监控报告通过第一信道状态信息CSI报告配置进行配置；所述第一CSI报告配置与所述推理波束集合对应的CSI报告配置相同，或者，所述第一CSI报告配置与所述推理波束集合对应的CSI报告配置不同。

74.根据权利要求58-73中任一项所述的装置，其特征在于，所述第一模型的性能参数通过所述第一模型的监控余量表示，所述监控余量根据所述性能监控的实际监控次数以及所述推理波束集合与所述第一波束集合中对应波束的质量差值来确定。

75.根据权利要求74所述的装置，其特征在于，所述监控余量为：

76.根据权利要求58-75中任一项所述的装置，其特征在于，所述第一模型为人工智能或机器学习模型。

77.一种通信装置，其特征在于，包括存储器和处理器，所述存储器用于存储程序，所述处理器用于调用所述存储器中的程序，以执行如权利要求1-38中任一项所述的方法。

78.一种装置，其特征在于，包括处理器，用于从存储器中调用程序，以执行如权利要求1-38中任一项所述的方法。

79.一种芯片，其特征在于，包括处理器，用于从存储器调用程序，使得安装有所述芯片的设备执行如权利要求1-38中任一项所述的方法。

80.一种计算机可读存储介质，其特征在于，其上存储有程序，所述程序使得计算机执行如权利要求1-38中任一项所述的方法。

81.一种计算机程序产品，其特征在于，包括程序，所述程序使得计算机执行如权利要求1-38中任一项所述的方法。

82.一种计算机程序，其特征在于，所述计算机程序使得计算机执行如权利要求1-38中任一项所述的方法。