联邦学习的策略管理方法及装置、计算机可存储介质与流程

1.本公开涉及通信技术领域，特别涉及联邦学习的策略管理方法及装置、计算机可存储介质。


背景技术：

2.联邦机器学习(federated machine learning/federated learning)又名联邦学习，能有效帮助多个机构在满足用户隐私保护和数据安全的要求下，提升ai(artificial intelligence，人工智能)模型的效果。
3.在联邦学习的过程中，需要多个边缘节点(边缘服务器或终端)与中央服务器通信，进行多轮训练和交互完成ai模型训练，本质上是一种群组训练的方式。边缘节点各自从中央服务器下载最新模型，每个边缘节点利用本地数据训练模型，加密上传给中央服务器，中央服务器聚合各用户的梯度更新模型参数，最后中央服务器返回更新后的模型给各边缘节点，各边缘节点更新各自的模型。


技术实现要素：

4.根据本公开的第一方面，提供了一种联邦学习的策略管理方法，包括：
5.人工智能服务功能网元接收消费者发送的联邦学习的任务订阅请求；
6.人工智能服务功能网元根据联邦学习的任务订阅请求，生成联邦学习的策略或联邦学习的策略的建议。
7.在一些实施例中，人工智能服务功能网元根据监控信息，修改联邦学习的策略或生成联邦学习的策略的修改建议。
8.在一些实施例中，所述监控信息包括资源监控信息，所述联邦学习的策略管理方法还包括：操作维护管理网元和核心网的网元的至少一个，向人工智能服务功能网元上报资源监控信息。
9.在一些实施例中，所述资源监控信息包括服务质量保障情况、网络和网元资源利用情况，以及路由使用情况的至少一个。
10.在一些实施例中，其中，所述监控信息包括训练监控信息，所述联邦学习网络的资源分配方法还包括：
11.人工智能服务功能网元接收消费者上报的训练监控信息。
12.在一些实施例中，所述训练监控信息包括训练进度和资源调整需求的至少一个。
13.在一些实施例中，人工智能服务功能网元向消费者发送监控请求，其中，所述监控请求包括要求消费者上报监控信息的时间间隔。
14.在一些实施例中，所述联邦学习的策略包括联邦学习的会话相关的策略，以及与接入和移动性相关的策略。
15.在一些实施例中，策略控制功能网元将接收到的联邦学习的策略下发给终端和核心网的网元的至少一个。
16.在一些实施例中，在人工智能服务功能网元生成联邦学习的策略的建议的情况下，人工智能服务功能网元将联邦学习的策略的建议发送给消费者，以使得消费者根据联邦学习的策略的建议，生成联邦学习的策略。
17.在一些实施例中，在人工智能服务功能网元生成联邦学习的策略的修改建议的情况下，人工智能服务功能网元将联邦学习的策略的修改建议发送给消费者，以使得消费者根据联邦学习的策略的修改建议，确定修改联邦学习的策略。
18.在一些实施例中，所述联邦学习的任务订阅请求包括需要被训练的模型信息、训练中使用的算法、参与训练的终端的地理位置和ip地址、参与训练的服务器的地理位置和ip地址的至少一个。
19.在一些实施例中，人工智能服务功能网元通知消费者开始联邦学习。
20.在一些实施例中，人工智能服务功能网元接收消费者结束联邦学习的通知。
21.在一些实施例中，人工智能服务功能网元通知策略控制功能网元删除联邦学习的策略。
22.在一些实施例中，人工智能服务功能网元向消费者发送删除联邦学习的策略的建议，以使得消费者根据删除联邦学习的策略的建议，决定是否通知策略控制功能网元删除联邦学习的策略。
23.根据本公开的第二方面，提供了一种联邦学习的策略管理装置，包括：
24.接收模块，被配置为接收消费者发送的联邦学习的任务订阅请求；
25.生成模块，被配置为生成联邦学习的策略或联邦学习的策略的建议。
26.根据本公开的第二方面，提供了一种联邦学习的策略管理装置，包括：
27.存储器；以及
28.耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行如本公开任意实施例所述的联邦学习的策略管理方法。
29.一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如本公开任意实施例所述的联邦学习的策略管理方法。
附图说明
30.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
31.参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
32.图1示出根据本公开一些实施例的联邦学习的策略管理方法的流程图；
33.图2示出根据本公开一些实施例的联邦学习策略的管理方法的框图；
34.图3示出根据本公开另一些实施例的联邦学习策略的管理方法的框图；
35.图4示出根据本公开一些实施例的修改联邦学习的策略的流程图；
36.图5示出根据本公开另一些实施例的修改联邦学习的策略的流程图；
37.图6示出根据本公开一些实施例的删除联邦学习的策略的流程图；
38.图7示出根据本公开另一些实施例的删除联邦学习的策略的流程图；
39.图8示出了根据本公开一些实施例的联邦学习的会话管理的系统；
40.图9示出根据本公开一些实施例的联邦学习的策略管理装置；
41.图10示出根据本公开另一些实施例的联邦学习的策略管理装置的框图；
42.图11示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
43.现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
44.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
45.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
46.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
47.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
48.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
49.在联邦学习中，不同的训练任务有不同的场景和不同的模型训练需求。相应地，当中央服务器与一组边缘节点进行联邦学习训练时，对网络资源、路由等策略存在不同要求，且也可能有特殊的计费策略要求。
50.相关技术中，移动通信的核心网策略仅适用于普通通信服务，难以适应联邦学习多节点参与、交互频繁、不同任务的通信量不同、模型各异等特点，难以满足联邦学习对qos、路由、计费等策略的要求。
51.为了满足联邦学习的策略要求，本公开提出了一种联邦学习的策略管理方法及装置、计算机可存储介质。
52.图1示出根据本公开一些实施例的联邦学习的策略管理方法的流程图。
53.如图1所示，联邦学习的策略管理方法包括步骤s101-步骤s102。
54.在步骤s101中，人工智能服务功能网元接收消费者发送的联邦学习的任务订阅请求。
55.在步骤s102中，人工智能服务功能网元根据联邦学习的任务订阅请求，生成联邦学习的策略或对联邦学习的策略的建议。
56.人工智能服务功能(例如nwdaf(network data analytics function，网络数据分析功能))网元是一个数据感知分析网元，以网络数据为基础，利用可靠的人工智能分析模型，对网络的需求进行分析。
57.其中，消费者可以是应用方af(application function网络应用功能)、nef(network exposure function网络开放功能)、其他域ai网元、区域nwdaf网元、核心网网元等。
58.本公开利用人工智能服务功能网元，能够智能分析联邦学习的任务订阅请求，生成联邦学习的策略或对联邦学习的策略的建议，使得生成的策略更适合联邦学习训练，从
而满足联邦学习对策略的要求，提高联邦学习训练效率。
59.图2示出根据本公开一些实施例的联邦学习策略的管理方法的框图。
60.如图2所示，联邦学习策略的管理方法包括步骤s201-s208。
61.在步骤s201中，消费者确定联邦学习的任务订阅请求。
62.例如，消费者决定开始准备与应用相关的联邦学习训练，确定联邦学习的任务订阅请求。
63.在步骤s202中，消费者向人工智能服务功能网元发送联邦学习的任务订阅请求。
64.在一些实施例中，联邦学习的任务订阅请求包括需要被训练的模型信息、训练中使用的算法、参与训练的终端的地理位置和ip地址、参与训练的服务器的地理位置和ip地址的至少一个
65.其中，需要被训练的模型信息包括需要被训练的模型的类型、需要被训练的模型拓扑结构等。
66.在步骤s203中，人工智能服务功能网元根据联邦学习的任务订阅请求，生成联邦学习的策略。
67.在一些实施例中，联邦学习的策略包括联邦学习的会话相关的策略，以及与接入和移动性相关的策略。
68.此外，在策略中还可携带资源监控要求，以便于各网元上报监控信息。
69.例如，人工智能服务功能网元基于已训练的ai模型，将训练任务的模型、算法、参与终端的数量等训练信息作为模型的输入参数，模型的输出优化的策略，包括联邦学习的会话相关的策略，例如pcc(policy and charging control，策略和计费控制策略)，包括带宽、时延等qos(quality of service，服务质量)指标，以及计费的建议，例如是否计费、费率等。
70.人工智能服务功能网元还可以基于ai模型的分析，生成与接入和移动性相关的策略，包括接入和移动性管理相关的策略(例如ursp规则等)。联邦学习的策略还可以包括终端、服务器地址等信息，人工智能服务功能网元可以根据服务器位置和地址等参数确定合适的路由。
71.人工智能服务功能网元可以人工智能模型，根据联邦学习的任务特点，生成适合联邦学习的策略，从而满足联邦学习对策略的要求，提高联邦学习训练效率。
72.在步骤s204中，人工智能服务功能网元向pcf(policy control function，策略控制功能)网元发送联邦学习的策略。
73.策略控制功能网元将接收到的联邦学习的策略下发给终端和核心网的网元的至少一个。如图2中的步骤s205和步骤s206所示。
74.在步骤s205中，策略控制功能网元将会话相关的策略发送给smf(session management function，会话管理功能)、upf(user plane function，用户面功能)、基站等网元。
75.在步骤s206中，策略控制功能网元将接入和移动性相关策略发送给amf(access and mobility management function，接入和移动性管理功能)、终端/ue(user equipment，用户设备)等。
76.在步骤s207中，人工智能服务功能网元通知消费者开始联邦学习
77.在步骤s208中，联邦学习的成员开始联邦学习训练。联邦学习的成员可以是终端，中央服务器等。
78.人工智能服务功能网元基于已训练的人工智能模型，将训练任务的模型、算法、参与终端的数量等作为输入参数，输出优化的联邦学习策略策略，包括pcc策略，例如带宽、时延等qos指标，根据训练任务提出计费的建议，例如是否计费、费率等等。此外，人工智能服务功能网元基于人工智能模型的分析，还能够根据服务器位置和地址等参数确定合适的路由。
79.本公开利用核心网内的人工智能网元的模型训练能力，能够针对联邦学习不同的任务特点，灵活地输出适合的联邦学习的策略，解决了如何更灵活地进行策略管理的问题，更适合联邦学习多节点参与、交互频繁、通信量不同、模型各异等特点，能够满足联邦学习对网络资源和路由的调配以及配套的计费等的需求。
80.图3示出根据本公开另一些实施例的联邦学习策略的管理方法的框图。
81.如图3所示，联邦学习策略的管理方法包括步骤s301-s3010。
82.在步骤s301中，消费者确定联邦学习的任务订阅请求。
83.在步骤s302中，消费者向人工智能服务功能网元发送联邦学习的任务订阅请求。
84.在步骤s303中，人工智能服务功能网元根据联邦学习的任务订阅请求，生成联邦学习的策略的建议。
85.在步骤s304中，人工智能服务功能网元将联邦学习的策略的建议发送给消费者，以使得消费者根据联邦学习的策略的建议，生成联邦学习的策略。
86.在步骤s305中，消费者根据联邦学习的策略的建议，生成联邦学习的策略。消费者可以根据最新的策略，向人工智能服务功能网元取消之前的订阅，并重新向人工智能服务功能网元发送联邦学习的任务订阅请求。
87.在步骤s306中，消费者向策略控制功能网元发送联邦学习的策略。
88.在步骤s307中，策略控制功能网元将会话相关的策略发送给smf、upf、基站等网元。
89.在步骤s308中，策略控制功能网元将接入和移动性相关策略发送给amf、终端/ue等。
90.在步骤s309中，消费者决定开始联邦学习。
91.在步骤s3010中，联邦学习的成员开始联邦学习训练。
92.在开始联邦学习训练后，人工智能服务功能网元还可以根据训练情况，动态产生新的策略，修改原有的联邦学习策略。
93.图4示出了根据本公开一些实施例的修改联邦学习的策略的流程图。
94.如图4所示，修改联邦学习的策略包括步骤s401-步骤s4010。
95.在步骤s401中，人工智能服务功能网元通知消费者定期报告训练进展和资源调整需求。
96.在一些实施例中，人工智能服务功能网元向消费者发送监控请求，其中，所述监控请求包括要求消费者上报监控信息的时间间隔。
97.在一些实施例中，操作维护管理网元和核心网的网元的至少一个，向人工智能服务功能网元上报资源监控信息。监控信息包括资源监控信息。例如，图4中的步骤s404-步骤
s405。
98.在一些实施例中，资源监控信息包括服务质量保障情况、网络和网元资源利用情况，以及路由使用情况的至少一个。
99.在步骤s402中，用户面功能网元向人工智能服务功能网元上报qos保障情况、网络资源利用情况、路由情况等资源监控信息。
100.在步骤s403中，会话管理功能网元向人工智能服务功能网元上报qos保障情况、网络资源利用情况、路由情况等资源监控信息。
101.在一些实施例中，人工智能服务功能网元接收消费者上报的训练监控信息，例如，图4中的步骤s406。
102.在一些实施例中，训练监控信息包括训练进展和资源调整需求的至少一个。
103.在步骤s404中，消费者向人工智能服务功能网元上报训练进展、训练资源需求等训练监控信息。
104.例如，消费者上报训练进展以及可能的训练资源调整需求，例如带宽需求增加、服务器位置变化等。
105.在步骤s405中，人工智能服务功能网元根据监控信息，修改联邦学习的策略，其中，监控信息包括资源监控信息和训练监控信息的至少一个。
106.人工智能服务功能网元也可以根据监控信息，动态生成新的策略。
107.在步骤s406中，人工智能服务功能网元向策略控制功能网元发送修改后的联邦学习的策略，进行策略修改。
108.在一些实施例中，策略控制功能网元将修改后的策略下发给相关网元。例如步骤s407、步骤s408。
109.在步骤s407中，策略控制功能网元将修改后的会话相关策略发送给会话管理功能、用户面功能等网元。
110.在步骤s408中，策略控制功能网元将修改后的接入和移动性相关策略发送给接入和移动性管理功能网元、终端等。
111.人工智能服务功能网元向各相关网元订阅对应的资源监控信息，并能够根据各相关网元上报的网络资源等情况，更动态调整联邦学习的策略，例如，通过调整pcc策略，实现动态调配资源，提高联邦学习的训练效率。
112.图5示出了根据本公开另一些实施例的修改联邦学习的策略的流程图。
113.如图5所示，修改联邦学习的策略包括步骤s501-步骤s5010。
114.在步骤s501中，人工智能服务功能网元通知消费者定期报告训练进展和资源调整需求。
115.在步骤s502中，用户面功能网元向人工智能服务功能网元上报qos保障情况、网络资源利用情况、路由情况等资源监控信息。
116.在步骤s503中，会话管理功能网元向人工智能服务功能网元上报qos保障情况、网络资源利用情况、路由情况等资源监控信息。
117.在步骤s504中，消费者向人工智能服务功能网元上报训练进展、训练资源需求等训练监控信息。
118.在步骤s505中，人工智能服务功能网元根据监控信息，生成联邦学习的策略的修
改建议，其中，监控信息包括资源监控信息和训练监控信息的至少一个，
119.在步骤s506中，人工智能服务功能网元向消费者发送联邦学习的策略的修改建议，以使得消费者根据联邦学习的策略的修改建议，决定是否通知策略控制功能网元修改联邦学习的策略。
120.在步骤s507中，消费者确定是否修改策略。如果需要进行策略修改，则根据联邦学习的策略的修改建议，确定修改后的策略。消费者根据最新的策略，向人工智能服务功能网元取消之前的订阅，重新向人工智能服务功能网元发送联邦学习的任务订阅请求。
121.在步骤s508中，消费者向策略控制功能网元发送修改后的会话相关的策略。
122.在步骤s509中，策略控制功能网元将修改后的会话相关策略发送给会话管理功能、用户面功能等网元。
123.在步骤s5010中，策略控制功能网元将修改后的接入和移动性相关策略发送给接入和移动性管理功能网元、终端等。
124.在联邦学习训练结束之后，相关网元还可以删除策略。
125.图6示出根据本公开一些实施例的删除联邦学习的策略的流程图。
126.如图6所示，删除联邦学习的策略包括步骤s601-s605。
127.在步骤s601中，联邦学习训练结束。
128.在步骤s602中，人工智能服务功能网元接收消费者结束联邦学习的通知。
129.在步骤s603中，人工智能服务功能网元通知策略控制功能网元删除联邦学习的策略。
130.在步骤s604中，策略控制功能网元通知会话管理功能、用户面功能等网元删除会话相关策略。
131.在步骤s605中，策略控制功能网元通知接入和移动性管理功能网元、终端等删除接入和移动性相关策略。
132.图7示出根据本公开另一些实施例的删除联邦学习的策略的流程图。
133.如图7所示，删除联邦学习的策略包括步骤s701-s708。
134.在步骤s701中，联邦学习训练结束。
135.在步骤s702中，人工智能服务功能网元接收消费者结束联邦学习的通知。
136.在步骤s703中，人工智能服务功能网元生成删除联邦学习的策略的建议。
137.在步骤s704中，人工智能服务功能网元向消费者发送删除联邦学习的策略的建议，以使得消费者根据删除联邦学习的策略的建议，决定是否通知策略控制功能网元删除联邦学习的策略。
138.在步骤s705中，消费者决定是否删除联邦学习的策略。如果消费者决定删除联邦学习的策略，则执行步骤s706-s708。并且，消费者向人工智能服务功能网元取消之前的订阅。
139.在步骤s706中，消费者通知策略控制功能网元删除联邦学习的策略。
140.在步骤s707中，策略控制功能网元通知会话管理功能、用户面功能等网元删除会话相关策略。
141.在步骤s708中，策略控制功能网元通知接入和移动性管理功能网元、终端等删除接入和移动性相关策略。
142.图8示出了根据本公开一些实施例的联邦学习的会话管理的系统。该系统主要包括：消费者、人工智能服务功能网元、核心网各网元和终端。
143.消费者，例如af/nef等应用功能，用于发起联邦学习训练，提供训练模型信息、算法、参与终端、服务器位置和地址等信息；
144.人工智能服务功能：例如nwdaf，用于基于ai分析，根据af提供的参数，生成所需的pcc策略和资源监控订阅需求，并发送给核心网网元。根据资源使用情况和训练进展等信息，动态调整pcc策略。在任务结束后，删除相关策略和监控。
145.核心网网元包括统一数据管理、策略控制功能(例如pcf)、会话管理功能(例如smf)、接入和移动性管理功能(例如amf)、用户面功能(例如upf)等。其中，策略控制功能接收联邦学习的策略进行处理并下发给其他网元。用户面功能、会话管理功能和接入和移动性管理功能等网元接收人工智能服务功能的资源监控订阅，按需上报相关情况。
146.终端：作为计算节点，参与联邦学习训练。
147.图9示出了根据本公开一些实施例的联邦学习的策略管理装置。
148.如图9所示，联邦学习的策略管理装置90包括接收模块901和生成模块902。
149.接收模块901被配置为接收消费者发送的联邦学习的任务订阅请求，例如执行如图1所示的步骤s101。
150.生成模块902被配置为根据联邦学习的任务订阅请求，生成联邦学习的策略或联邦学习的策略的建议。例如执行如图1所示的步骤s102。
151.在一些实施例中，联邦学习的策略管理装置90包括人工智能服务功能网元，人工智能服务功能网元包括接收模块901和生成模块902。
152.图10示出根据本公开另一些实施例的联邦学习的策略管理装置的框图。
153.如图10所示，联邦学习的策略管理装置100包括存储器1001；以及耦接至该存储器1001的处理器1002，存储器1001用于存储执行联邦学习的策略管理方法对应实施例的指令。处理器1002被配置为基于存储在存储器1001中的指令，执行本公开中任意一些实施例中的联邦学习的策略管理方法。
154.图11示出用于实现本公开一些实施例的计算机系统的框图。
155.如图11所示，计算机系统110可以通用计算设备的形式表现。计算机系统110包括存储器1101、处理器1102和连接不同系统组件的总线1100。
156.存储器1101例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。系统存储器可以包括易失性存储介质，例如随机存取存储器(ram)和/或高速缓存存储器。非易失性存储介质例如存储有执行联邦学习的策略管理方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
157.处理器1102可以用通用处理器、数字信号处理器(dsp)、应用专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地，诸如判断模块和确定模块的每个模块，可以通过中央处理器(cpu)运行存储器中执行相应步骤的指令来实现，也可以通过执行相应步骤的专用电路来实现。
158.总线1100可以使用多种总线结构中的任意总线结构。例如，总线结构包括但不限于工业标准体系结构(isa)总线、微通道体系结构(mca)总线、外围组件互连(pci)总线。
159.计算机系统110还可以包括输入输出接口1103、网络接口1104、存储接口1105等。这些接口1103、1104、1105以及存储器1101和处理器1102之间可以通过总线1100连接。输入输出接口1103可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口1104为各种联网设备提供连接接口。存储接口1105为软盘、u盘、sd卡等外部存储设备提供连接接口。
160.这里，参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个框以及各框的组合，都可以由计算机可读程序指令实现。
161.这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器，以产生一个机器，使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
162.这些计算机可读程序指令也可存储在计算机可读存储器中，这些指令使得计算机以特定方式工作，从而产生一个制造品，包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
163.本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
164.通过上述实施例中的联邦学习的策略管理方法及装置、计算机可存储介质，能够生成更适合联邦学习的策略。
165.至此，已经详细描述了根据本公开的联邦学习的策略管理方法及装置、计算机可存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

技术特征：
1.一种联邦学习的策略管理方法，包括：人工智能服务功能网元接收消费者发送的联邦学习的任务订阅请求；人工智能服务功能网元根据联邦学习的任务订阅请求，生成联邦学习的策略或联邦学习的策略的建议。2.根据权利要求1所述的联邦学习的策略管理方法，还包括：人工智能服务功能网元根据监控信息，修改联邦学习的策略或生成联邦学习的策略的修改建议。3.根据权利要求2所述的联邦学习的策略管理方法，其中，所述监控信息包括资源监控信息，所述联邦学习的策略管理方法还包括：操作维护管理网元和核心网的网元的至少一个，向人工智能服务功能网元上报资源监控信息。4.根据权利要求3所述的联邦学习的策略管理方法，其中，所述资源监控信息包括服务质量保障情况、网络和网元资源利用情况，以及路由使用情况的至少一个。5.根据权利要求2所述的联邦学习的策略管理方法，其中，所述监控信息包括训练监控信息，所述联邦学习网络的资源分配方法还包括：人工智能服务功能网元接收消费者上报的训练监控信息。6.根据权利要求5所述的联邦学习的策略管理方法，其中，所述训练监控信息包括训练进度和资源调整需求的至少一个。7.根据权利要求2所述的联邦学习的策略管理方法，还包括：人工智能服务功能网元向消费者发送监控请求，其中，所述监控请求包括要求消费者上报监控信息的时间间隔。8.根据权利要求1所述的联邦学习的策略管理方法，其中，所述联邦学习的策略包括联邦学习的会话相关的策略，以及与接入和移动性相关的策略。9.根据权利要求1所述的联邦学习的策略管理方法，还包括：策略控制功能网元将接收到的联邦学习的策略下发给终端和核心网的网元的至少一个。10.根据权利要求1所述的联邦学习的策略管理方法，还包括：在人工智能服务功能网元生成联邦学习的策略的建议的情况下，人工智能服务功能网元将联邦学习的策略的建议发送给消费者，以使得消费者根据联邦学习的策略的建议，生成联邦学习的策略。11.根据权利要求2所述的联邦学习的策略管理方法，还包括：在人工智能服务功能网元生成联邦学习的策略的修改建议的情况下，人工智能服务功能网元将联邦学习的策略的修改建议发送给消费者，以使得消费者根据联邦学习的策略的修改建议，确定修改联邦学习的策略。12.根据权利要求1所述的联邦学习的策略管理方法，其中，所述联邦学习的任务订阅请求包括需要被训练的模型信息、训练中使用的算法、参与训练的终端的地理位置和ip地址、参与训练的服务器的地理位置和ip地址的至少一个。13.根据权利要求1所述的联邦学习的策略管理方法，还包括：人工智能服务功能网元通知消费者开始联邦学习。
14.根据权利要求1所述的联邦学习的策略管理方法，还包括：人工智能服务功能网元接收消费者结束联邦学习的通知。15.根据权利要求14所述的联邦学习的策略管理方法，还包括：人工智能服务功能网元通知策略控制功能网元删除联邦学习的策略。16.根据权利要求1所述的联邦学习的策略管理方法，还包括：人工智能服务功能网元向消费者发送删除联邦学习的策略的建议，以使得消费者根据删除联邦学习的策略的建议，决定是否通知策略控制功能网元删除联邦学习的策略。17.一种联邦学习的策略管理装置，包括：接收模块，被配置为接收消费者发送的联邦学习的任务订阅请求；生成模块，被配置为生成联邦学习的策略或联邦学习的策略的建议。18.一种联邦学习的策略管理装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行如权利要求1至16任一项所述的联邦学习的策略管理方法。19.一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如权利要求1至16任一项所述的联邦学习的策略管理方法。

技术总结
本公开涉及联邦学习的策略管理方法及装置、计算机可存储介质，涉及通信技术领域。联邦学习的策略管理方法包括：人工智能服务功能网元接收消费者发送的联邦学习的任务订阅请求；人工智能服务功能网元根据联邦学习的任务订阅请求，生成联邦学习的策略或联邦学习的策略的建议。根据本公开，能够生成更适合联邦学习的策略。的策略。的策略。


技术研发人员：李鹏宇 于梦晗 夏旭 王恒
受保护的技术使用者：中国电信股份有限公司
技术研发日：2022.03.25
技术公布日：2023/10/7