Digital analytics functions in wireless communications

Abstract

This document generally relates to wireless communication that includes a first digital analytics function (DAF) of a first communication node that trains or receives an artificial intelligence (AI) model, or derives or receives analytics. The first communication node performs an intelligence-based function with at least one of: the AI model or the analytics. Additionally, a first communication node or a first DAF receives, and / or a second communication node or a second DAF transmits, AI / machine learning (ML) capability information of the second communication node. Also, a first communication node or a first DAF transmits, and / or a second communication node or a second DAF receives, a DAF discovery request; and the first communication node receives, and / or the second communication node transmits, a DAF discovery response. Additionally, a first DAF transmits, and / or a second DAF receives, a DAF request; and the first DAF receives, and / or the second DAF transmits, a DAF response.

Description

DIGITAL ANALYTICS FUNCTIONS IN WIRELESS COMMUNICATIONSTECHNICAL FIELD

[0001] This document is directed generally to communicating digital analytics functions in wireless communication.BACKGROUND

[0002] In wireless communication systems, as the number of applications and services for digital data continues to increase, the demands and challenges placed on network resources and operators will continue to increase. Being able to deliver a wide variety of network performance characteristics that future services will demand is one of the primary technical challenges faced by service providers. The performance requirements placed on the network will demand connectivity in terms of data rate, latency, quality of service (QOS) , security, availability, and many other parameters, all of which will vary from one service to the next. Thus, enabling a network to allocate resources in a flexible manner to provide customized connectivity for each different type of service will greatly enhance the network’s ability to meet future demands.

[0003] To meet these demands, the development of next generation mobile wireless technologies and standards aims to meet these demands. One such development is the application of artificial intelligence (AI)  / machine learning (ML) to the wireless communication system to improve network performance and to provide various AI services based on wireless network infrastructure. Ways to more comprehensively and seamlessly integrate AI / ML technology to improve performance of the wireless communication system may be desirable.SUMMARY

[0004] This document relates to methods, systems, apparatuses and devices for wireless communication. In some implementations, a method for wireless communication includes: at least one of: training or receiving, by a first data analytics function (DAF) of a first communication node  of a wireless communication system, an artificial intelligence (AI) model, or deriving or receiving, by the first DAF, analytics; and performing, by the first communication node, an intelligence-based function with at least one of: the AI model or the analytics.

[0005] In some other implementations, a method for wireless communication includes: receiving, by a first communication node or a first data analytics function (DAF) , artificial intelligence (AI)  / machine learning (ML) capability information of a second communication node from the second communication node or a second DAF.

[0006] In some other implementations, a method for wireless communication includes: transmitting, by a second communication node or a second data analytics function (DAF) , artificial intelligence (AI)  / machine learning (ML) capability information of the second communication node to a first communication node or a first DAF.

[0007] In some other implementations, a method for wireless communication includes: transmitting, by a first communication node or a first data analytics function (DAF) , a DAF discovery request to a second communication node or a second DAF; and receiving, by the first communication node, a DAF discovery response from the second communication node or the second DAF.

[0008] In some other implementations, a method for wireless communication includes: receiving, by a second communication node or a second data analytics function (DAF) , a DAF discovery request from a first communication node or a first DAF; and transmitting, by the second communication node or the second DAF, a DAF discovery response to the first communication node or the first DAF.

[0009] In some other implementations, a method for wireless communication includes: transmitting, by a first digital analytics function (DAF) , a DAF request to a second DAF; and receiving, by the first DAF, a DAF response from the second DAF.

[0010] In some other implementations, a method for wireless communication includes: receiving, by a second digital analytics function (DAF) , a DAF request from a first DAF; and transmitting, by the second DAF, a DAF response to the first DAF.

[0011] In some other implementations, a device, such as a network device, is disclosed. The  device may include one or more processors and one or more memories, wherein the one or more processors are configured to read computer code from the one or more memories to implement any of the methods above.

[0012] In yet some other implementations, a computer program product is disclosed. The computer program product may include a non-transitory computer-readable program medium with computer code stored thereupon, the computer code, when executed by one or more processors, causing the one or more processors to implement any of the methods above.

[0013] The above and other aspects and their implementations are described in greater detail in the drawings, the descriptions, and the claims.BRIEF DESCRIPTION OF THE DRAWINGS

[0014] FIG. 1 shows a block diagram of an example of a wireless communication system.

[0015] FIG. 2A shows a block diagram of an example configuration of a wireless access node of the wireless communication system of Fig. 1.

[0016] FIG. 2B shows an example configuration of a radio access network (RAN) node of the wireless communication system of FIG. 1 and / or the wireless access node of FIG. 2A.

[0017] FIG. 3 shows a flow chart of an example method for wireless communication.

[0018] FIG. 4A shows a flow chart of another example method for wireless communication.

[0019] FIG. 4B shows a flow chart of another example method for wireless communication.

[0020] FIG. 5A shows a flow chart of another example method for wireless communication.

[0021] FIG. 5B shows a flow chart of another example method for wireless communication.

[0022] FIG. 6A shows a flow chart of another example method for wireless communication.

[0023] FIG. 6B shows a flow chart of another example method for wireless communication.

[0024] FIG. 7 shows a schematic diagram illustrating intelligent functions within a wireless communication system.

[0025] FIG. 8 shows a schematic diagram illustrating division of intelligence in a RAN node  204.

[0026] FIG. 9A is a block diagram of an example data analytics function (DAF) configuration for communication nodes of a wireless communication system.

[0027] FIG. 9B is a block diagram of another example DAF configuration for communication nodes of a wireless communication system.

[0028] FIG. 10 shows a block diagram of an example DAF configuration for split network architecture of a radio access network (RAN) node.

[0029] FIG. 11A shows a block diagram of an example DAF configuration with a DAF aggregator and multiple radio access network (RAN) DAFs for federated learning among the RAN DAFs.

[0030] FIG. 11B shows a block diagram of an example DAF configuration with a DAF aggregator and multiple user device DAFs for federated learning among the user device DAFs.

[0031] FIG. 12A shows a block diagram of a DAF configuration where a DAF is in charge of multiple base stations.

[0032] FIG. 12B shows a block diagram of another DAF configuration where a DAF is in charge of multiple base stations.

[0033] FIG. 13 shows a signaling diagram of a DAF of a user device providing artificial intelligence (AI)  / machine learning (ML) capability information to a RAN DAF.

[0034] FIG. 14 shows a signaling diagram of a RAN DAF providing AI / ML capability information to a user device DAF.

[0035] FIG. 15 shows a signaling diagram of an exchange of AI / ML capability information between two RAN DAFs.

[0036] FIG. 16 shows a signaling diagram of an example DAF register and discovery process.

[0037] FIG. 17A is a block diagram illustrating an example DAF data collection procedure for a RAN split architecture, where one distributed unit (DU) can connect to only one central unit (CU) .

[0038] FIG. 17B is a block diagram illustrating another example DAF data collection procedure for RAN split architecture, where one DU can connect to only one CU.

[0039] FIG. 18A is a block diagram illustrating an example DAF data collection procedure for a RAN split architecture, where multiple DUs are served by the same CU.

[0040] FIG. 18B is a block diagram illustrating another example DAF data collection procedure for a RAN split architecture, where multiple DUs are served by the same CU.

[0041] FIG. 19A is a block diagram illustrating an example DAF data collection procedure for a RAN split architecture, where there is no interface between DUs served by different CUs.

[0042] FIG. 19B is a block diagram illustrating another example DAF data collection procedure for a RAN split architecture, where DUs are served by separate CUs.

[0043] FIG. 20A shows a signaling diagram of a first example signaling procedure for data collection between a first DAF1 and a second DAF2 (or between an agent of DAF1 and DAF2) .

[0044] FIG. 20B shows a second example signaling procedure for data collection between a first DAF1 and a second DAF2 (or between an agent of DAF1 and DAF2) .

[0045] Fig. 21A shows a signaling diagram of an example signaling procedure for an AI / ML model discovery.

[0046] Fig. 21B shows a signaling diagram of another example signaling procedure for an AI / ML model discovery.

[0047] FIG. 22 shows a signaling diagram of an example signaling procedure for federated learning.

[0048] FIG. 23 is a schematic diagram of life cycle management (LCM) for AI for a wireless communication system.

[0049] FIG. 24 shows a schematic diagram for an example of offline federated learning.DETAILED DESCRIPTION

[0050] The present description describes various embodiments of systems, apparatuses, devices, and methods for wireless communications that relate to data analytic function (DAF) configurations, including unified DAF configurations. The DAF configurations described herein may provide distributed and scalable network functions, artificial intelligence (AI)  / machine learning (ML) -based life cycle management (LCM) , improved interfaces for DAF, and data analytic functionality with respect to discovery, data collection, model delivery, performance monitoring, federated training and inference, and / or cross-layer intelligence.

[0051] Fig. 1 shows a diagram of an example wireless communication system 100 including a plurality of communication nodes (or just nodes) that are configured to wirelessly communicate with each other. In general, the communication nodes include at least one user device 102 and at least one wireless access node 104. The example wireless communication system 100 in Fig. 1 is shown as including two user devices 102, including a first user device 102 (1) and a second user device 102 (2) , and one wireless access node 104. However, various other examples of the wireless communication system 100 that include any of various combinations of one or more user devices 102 and / or one or more wireless access nodes 104 may be possible.

[0052] In general, a user device as described herein, such as the user device 102, may include a single electronic device or apparatus, or multiple (e.g., a network of) electronic devices or apparatuses, capable of communicating wirelessly over a network. A user device may comprise or otherwise be referred to as a user terminal, a user terminal device, or a user equipment (UE) . Additionally, a user device may be or include, but not limited to, a mobile device (such as a mobile phone, a smart phone, a smart watch, a tablet, a laptop computer, vehicle or other vessel (human, motor, or engine-powered, such as an automobile, a plane, a train, a ship, a bicycle, a drone, an unmanned aerial vehicle (UAV) , as non-limiting examples) or a fixed or stationary device, (such as a desktop computer or other computing device that is not ordinarily moved for long periods of time, such as appliances, other relatively heavy devices including Internet of things (IoT) , or computing devices used in commercial or industrial environments, as non-limiting examples) . In addition or alternatively, in any of various embodiments, a user device 102 may include an ambient IoT device, a normal user device, a reduced capacity (RedCap) user device, a low power high-accuracy  positioning (LPHAP) user device, a sidelink user device, or a V2X user device.

[0053] In various embodiments, a user device 102 may include transceiver circuitry 106 coupled to an antenna 108 to effect wireless communication with the wireless access node 104. The transceiver circuitry 106 may also be coupled to a processor 110, which may also be coupled to a memory 112 or other storage device. The memory 112 may store therein instructions or code that, when read and executed by the processor 110, cause the processor 110 to implement various ones of the methods described herein.

[0054] Additionally, in general, a wireless access node as described herein, such as the wireless access node 104, may include at least one device, electronic and / or network device or apparatus, and may comprise one or more base stations or other wireless network access points capable of communicating wirelessly over a network with one or more user devices and / or with one or more other wireless access nodes 104. For example, the wireless access node 104 may comprise at least one of: a 4G LTE base station, a 5G NR base station, a 5G central-unit base station, a 5G distributed-unit base station, a next generation Node B (gNB) , an enhanced Node B (eNB) , or other similar or next-generation (e.g., 6G) base stations, or a location management function (LMF) , in various embodiments. A wireless access node 104 may include transceiver circuitry 114 coupled to an antenna 116, which may include an antenna tower 118 in various approaches, to effect wireless communication with the user device 102 or another wireless access node 104. The transceiver circuitry 114 may also be coupled to one or more processors 120, which may also be coupled to a memory 122 or other storage device. The memory 122 may store therein instructions or code that, when read and executed by the processor 120, cause the processor 120 to implement one or more of the methods described herein.

[0055] Fig. 2A shows a block diagram of an example configuration of a wireless access node (or network or network device) 104. In the example configuration, the wireless access node (or network or network device) 104 may include a core network element (or just core network) 202 and one or more radio access network (RAN) nodes 204. Some embodiments may include only one RAN node 204. Other embodiments, such as shown in Fig. 2A, may include a plurality, or an n-number, of RAN nodes 204 (1) to 204 (n) , where n is two or more. In any of various embodiments, a RAN node 204 may be or include a Next Generation (NG) -RAN node, a base  station (e.g., a gNB, a ng-eNB, or other versions of a base station depending on the technology) , a transmission reception point (TRP) , a transmission point (TP) , a reception point (RP) , and / or an integrated access and backhaul (IAB) node, an example of which is shown in FIG. 2. Also, in any of various embodiments, the core network element 202 may include at least one of: a location management function (LMF) 210, an access and mobility management function (AMF) 212, a user plane function (UPF) 214, and / or a sensing function (SF) 216. The core newtork element 202 may include alternative, other, or additional components in any of various other embodiments, such as a network data analytics function (NWDAF) for example. Additionally, each component of the wireless access node 104, such as the core network element 202 and each RAN node 204, may include at least one network device, and / or may be configured in hardware or a combination of hardware and software, such as by having a processor 120, a memory 122, transceiver circuitry 114, an antenna 116, and / or an antenna tower 118, such as shown in Fig. 1 for the wireless access node 104.

[0056] In further detail of an example configuration, as shown in Fig. 2A, the core network element 202 and each of the RAN nodes 204 may be configured to communicate (transmit and receive) with each other, such as signals or messages, and may be configured to communicate (transmit and receive) with one or more user device 102, either directly or indirectly via another component of the wireless access node (network) 104. For example, the core network element 202 (e.g., the LMF 210) may directly communicate with a user device 102, such as according to a Long-Term Evolution (LTE) positioning protocol (LPP) (i.e., via LPP signaling) , sidelink positioning protocol (SLPP) (i.e., via SLPP signaling) , and / or non-access-stratus (NAS) messaging, as non-limiting examples. In addition or alternatively, the signaling may be UE-associated signaling or non-UE-associated signaling. Also, a RAN node 204 may directly communicate with a user device 102. In particular embodiments, a RAN node 204 may directly communicate with a user device 102 at least via radio resource control (RRC) signaling. In addition, the core network element 202 may directly communicate with each RAN node 204, such as according to dedicated messaging for sensing, New Radio Positioning Protocol A (NRPPa) (i.e., via NRPPa signaling) , and / or Next Generation Application Protocol (NGAP) (i.e., via NGAP messaging) . In addition, RAN nodes 204 may directly communicate with each other, such as according to Xn application protocol (XnAP) (i.e., via XnAP messaging) . Additionally, although not shown in Fig. 2A, two  user devices 102 may directly communicate with each other, such as via dedicating messaging for sensing, SLPP signaling, PC5-RRC messaging, SL medium access control (MAC) control element (CE) , and / or sidelink control information (SCI) .

[0057] Also, for at least some embodiments, such as shown in Fig. 2A, each RAN node 204 may include one or more sub-components. For example, a RAN node 204 may include a base station (BS) 206 and / or at least one transmission / reception point (TRP) 208. Further functionality of the core network element 202 and the RAN nodes 204 is described in further detail below.

[0058] Fig. 2B shows an example configuration of a RAN node 204, which may be an alternative or additional configuration to one or more of the RAN nodes 204 in Fig. 2A. The RAN node configuration in Fig. 2B may be referred to as a split network architecture, where a RAN node 204 is “split” between a central unit (CU) 252 and one or more distributed units (DU) 254. Fig. 2B shows the RAN node 204 including two DUs 254 (1) , 254 (2) , although other numbers including only one or three or more DUs for any of various other configurations of a RAN node 204 are possible. In addition, the CU 252 may communicate with the DUs 254 and the DUs 254 may communicate with each other, such as via F1AP signaling. Further, the CU 252 may communicate with other RAN nodes, such as other CUs of other RAN nodes via XnAP signaling. Also, the CU 252 may communicate with the core network element 202, including one or more components of the core network element 202, such as the LMF 210, such as via NGAP signaling for example. In some implementations, the CU 252 and DUs 254 may effectively replace the structure and / or functionality of the base station 206 of a RAN node 204. In other implementations, a base station 206 of a given RAN node 204 may be configured in the form of a CU 252 and DUs 254. Various ways of implementing a RAN node 204 with a base station 206, a CU 252, one or more DUs 254 or any of various combinations thereof are possible.

[0059] Accordingly, in the configuration in Fig. 2B, one RAN node 204 may be split into a CU 252 and one or more associated DUs 254. In some implementations, a CU 252 may be directly linked with and / or be able to directly communicate with the core network element 202. For at least some of these implementations, signaling to enable to the direct communication is embedded in the NGAP or NRPPa protocol. Also, for at least some implementations such as shown in Fig. 2B, the CU 252 of the RAN node 250 is directly linked and / or is able to directly communicate with the  DUs 254 of the RAN node 250. Signaling to enable the direct communication may be embedded in the F1AP protocol. Additionally, the CU 252 of a RAN node 250 may be directly linked and / or is able to directly communicate with one or more CUs 252 of one or more other RAN nodes. Signaling to enable the direct communication may be embedded in the XnAP protocol. Implementations where one or more DUs 254 are directly linked and / or are able to directly communicate with the core network element 202 are possible.

[0060] The split network architecture of the RAN 204, including a CU 242 and one or more DUs 254 may help to meet increased demands and enhance flexibility to allocate resources to meet those demands within the wireless communication system 100, including those related to increased varieties of network performance characteristics, data rate, latency, quality of service (QoS) , security, availability, among others. In addition or alternatively, the split network architecture may split the RAN functions at the point between the Packet Data Convergence Protocol (PDCP) layer and the Radio Link Control (RLC) layer of the protocol stack, wherein DUs 254 may handle all processes up to and including the RLC layer functions and the CU 252 may handle PDCP layer and higher layer functions prior to the core network 202. This disaggregation of RAN functions may provide numerous advantageous to mobile network operators. For example, through the isolation of the stack from the PDCP layer and upwards, the CU 252 may be able to act as a Cloud-based convergence point among multiple heterogeneous technologies in the provisioned networks and hence will be able to serve multiple heterogeneous DUs 254.

[0061] In addition, referring back to Fig. 1, in various embodiments, two communication nodes in the wireless system 100-such as a user device 102 and a wireless access node 104, two user devices 102 without a wireless access node 104, or two wireless access nodes 104 without a user device 102-may be configured to wirelessly communicate with each other in or over a mobile network and / or a wireless access network according to one or more standards and / or specifications. In general, the standards and / or specifications may define the rules or procedures under which the communication nodes can wirelessly communicate, which, in various embodiments, may include those for communicating in millimeter (mm) -Wave bands, and / or with multi-antenna schemes and beamforming functions. In addition or alternatively, the standards and / or specifications are those that define a radio access technology and / or a cellular technology, such as Fourth Generation (4G)  Long Term Evolution (LTE) , Fifth Generation (5G) New Radio (NR) , or New Radio Unlicensed (NR-U) , as non-limiting examples.

[0062] Additionally, in the wireless system 100, the communication nodes are configured to wirelessly communicate signals between each other. In general, a communication in the wireless system 100 between two communication nodes can be or include a transmission or a reception, and is generally both simultaneously, depending on the perspective of a particular node in the communication. For example, for a given communication between a first node and a second node where the first node is transmitting a signal to the second node and the second node is receiving the signal from the first node, the first node may be referred to as a source or transmitting node or device, the second node may be referred to as a destination or receiving node or device, and the communication may be considered a transmission for the first node and a reception for the second node. Of course, since communication nodes in a wireless system 100 can both send and receive signals, a single communication node may be both a transmitting / source node and a receiving / destination node simultaneously or switch between being a source / transmitting node and a destination / receiving node.

[0063] Also, particular signals can be characterized or defined as either an uplink (UL) signal, a downlink (DL) signal, or a sidelink (SL) signal. An uplink signal is a signal transmitted from a user device 102 to a wireless access node 104. A downlink signal is a signal transmitted from a wireless access node 104 to a user device 102. A sidelink signal is a signal transmitted from a one user device 102 to another user device 102, or a signal transmitted from one wireless access node 104 to a another wireless access node 104. Also, for sidelink transmissions, a first / source user device 102 directly transmits a sidelink signal to a second / destination user device 102 without any forwarding of the sidelink signal to a wireless access node 104.

[0064] Additionally, signals communicated between communication nodes in the system 100 may be characterized or defined as a data signal or a control signal. In general, a data signal is a signal that includes or carries data, such multimedia data (e.g., voice and / or image data) , and a control signal is a signal that carries control information that configures the communication nodes in certain ways in order to communicate with each other, or otherwise controls how the communication nodes communicate data signals with each other. Also, certain signals may be  defined or characterized by combinations of data / control and uplink / downlink / sidelink, including uplink control signals, uplink data signals, downlink control signals, downlink data signals, sidelink control signals, and sidelink data signals.

[0065] For at least some specifications, such as 5G NR, data and control signals are transmitted and / or carried on physical channels. Generally, a physical channel corresponds to a set of time-frequency resources used for transmission of a signal. Different types of physical channels may be used to transmit different types of signals. For example, physical data channels (or just data channels) are used to transmit data signals, and physical control channels (or just control channels) are used to transmit control signals. Example types of physical data channels include, but are not limited to, a physical downlink shared channel (PDSCH) used to communicate downlink data signals, a physical uplink shared channel (PUSCH) used to communicate uplink data signals, and a physical sidelink shared channel (PSSCH) used to communicate sidelink data signals. In addition, example types of physical control channels include, but are not limited to, a physical downlink control channel (PDCCH) used to communicate downlink control signals, a physical uplink control channel (PUCCH) used to communicate uplink control signals, and a physical sidelink control channel (PSCCH) used to communicate sidelink control signals. As used herein for simplicity, unless specified otherwise, a particular type of physical channel is also used to refer to a signal that is transmitted on that particular type of physical channel, and / or a transmission on that particular type of transmission. As an example illustration, a PDSCH refers to the physical downlink shared channel itself, a downlink data signal transmitted on the PDSCH, or a downlink data transmission. Accordingly, a communication node transmitting or receiving a PDSCH means that the communication node is transmitting or receiving a signal on a PDSCH.

[0066] Additionally, for at least some specifications, such as 5G NR, and / or for at least some types of control signals, a control signal that a communication node transmits may include control information comprising the information necessary to enable transmission of one or more data signals between communication nodes, and / or to schedule one or more data channels (or one or more transmissions on data channels) . For example, such control information may include the information necessary for proper reception, decoding, and demodulation of a data signals received on physical data channels during a data transmission, and / or for uplink scheduling grants that  inform the user device about the resources and transport format to use for uplink data transmissions. In some embodiments, the control information includes downlink control information (DCI) that is transmitted in the downlink direction from a wireless access node 104 to a user device 102. In other embodiments, the control information includes uplink control information (UCI) that is transmitted in the uplink direction from a user device 102 to a wireless access node 104, or sidelink control information (SCI) that is transmitted in the sidelink direction from one user device 102 (1) to another user device 102 (2) .

[0067] Additionally, various implementations of the wireless communication system 100 described herein may apply artificial intelligence (AI) and / or machine learning (ML) (collectively referred to herein as AI / ML) . AI / ML technology may be employed to improve the network performance and to provide various AI services based on wireless network infrastructure. For example, a communication node (or wireless device) may actively and intelligently monitor its environment by learning and predicting various environmental features and proactively taking actions that maximize the chances of success for some predefined goal. Moreover, AI / ML may enable the network infrastructure to learn from the wireless networking environment and take adaptive network optimization actions.

[0068] Additionally, in some implementations of the wireless communication system 100, including those utilizing 5G technology, AI / ML may span multiple domains, including the core network 202, an operations an management (OAM) server, and / or a radio RAN node 203. With a RAN node 204, as an example, AI / ML may be implemented within a general framework and / or for specific use cases, such as channel state information (CSI) feedback, beam management, and positioning, as non-limiting examples. In addition or alternatively, AI / ML may be implemented in the wireless communication system for operating parameter optimization, empower network functions, perform joint training, inference, cross-layer intelligence, and / or unified life cycle management.

[0069] Implementations herein describe configurations, including those having a unified design, of a data analytic function (DAF) for the wireless communication system 100. The DAF configurations described herein may provide distributed and scalable network functions, artificial intelligence (AI)  / machine learning (ML) -based life cycle management (LCM) , improved interfaces  for DAF, and data analytic functionality with respect to discovery, data collection, model delivery, performance monitoring, federated training and inference, and / or cross-layer intelligence.

[0070] Fig. 3 shows a flow chart of an example method 300 for wireless communication related to at least one data analytics function (DAF) . At block 302, a first DAF of a first communication node of a wireless communication system 100 at least one of: trains or receives an artificial intelligence (AI) model or derives or receives analytics. At block 304, the first communication node performs an intelligence-based function with at least one of: the AI model or the analytics.

[0071] In some implementations of the method 300, the first DAF of the first communication node performs an information exchange with a second DAF of a second communication node of the wireless communication system 100.

[0072] In addition or alternatively, in some implementations of the method 300, each of the first communication node and the second communication node include a user device 102, a radio access network (RAN) node 204, a central unit (CU) 252, a distributed unit (DU) 254, a base station 206, a function of a core network 202, an operations and management (OAM) server 914, or an application 912.

[0073] In addition or alternatively, in some implementations of the method 300, performing an information exchange includes performing at least one of between the first communication node and the second communication node: DAF registry and / or discovery; data and or analytics collection subscription and notification; AI model delivery; federated learning; or AI model performance information delivery.

[0074] In addition or alternatively, in some implementations of the method 300, performing an information exchange includes at least one of: performing AI model delivery when an AI model producer and an AI model consumer are not located in the same communication node; performing federated learning and further performing global model delivery and local model updates delivery; or performing AI model performance information delivery when an AI model producer and an AI model consumer are not located in the same DAF.

[0075] In addition or alternatively, in some implementations of the method 300, the first DAF is slice specific.

[0076] In addition or alternatively, in some implementations of the method 300, the first DAF comprises a plurality of DAF instances, One DAF instance functions as a central DAF and one or more other DAF instances function as distributed DAFs, one DAF instance functions as an aggregator and collects data and / or analytics information from one or more other DAF instances to produce aggregated data and / or analytics.

[0077] In addition or alternatively, in some implementations of the method 300, the first DAF functions as a DAF aggregator, and one or more other DAFs of one or more other communications nodes function as one or more DAF participants. In some of these implementations, the first communication node includes the DAF aggregator and the one or more other communication nodes include the one or more DAF participants, and the DAF aggregator initiates federated learning with the one or more DAF participants.

[0078] In addition or alternatively, in some implementations of the method 300, the first communication node includes a radio access network (RAN) node, and the first DAF is in charge of one or more base stations and / or one or more corresponding central units (CUs) and / or one or more corresponding distributed units (DUs) . In some of these implementations, the first DAF of the RAN node: collects data from one or more base stations and / or one or more corresponding central units (CUs) and / or one or more corresponding distributed units (DUs) ; performs AI / machine learning (ML) model training and / or inference based on the collected data; and / or derives analytics and / or makes decisions for network control. In addition or alternatively, in some of these implementations, the first DAF sends at least one control command to one or more base stations or CUs or DUs, wherein the one or more base stations or CUs or DUs receive and respond to the at least one control command by performing one or more responsive actions and / or sending at least one response message.

[0079] Fig. 4A shows a flow chart of another example method 400 for wireless communication related to at least one data analytics function (DAF) . At block 400, a first communication node or a first data analytics function (DAF) receives artificial intelligence (AI)  / machine learning (ML) capability information of a second communication node from the second communication node or a second DAF.

[0080] Fig. 4B shows a flow chart of another example method 450 for wireless communication  related to at least one data analytics function (DAF) . At block 452, a second communication node or a second data analytics function (DAF) transmits artificial intelligence (AI)  / machine learning (ML) capability information of the second communication node to a first communication node or a first DAF.

[0081] In some implementations of the method 400 and / or the method 450, the AI / ML capability information of the second communication node includes at least one of: at least one DAF type, at least one data identification (ID) and / or analytics ID, at least one data and / or analytics type, availability information, single network slice selection assistance information (S-NSSAI) , at least one federated learning (FL) capability, at least one model ID, at least one node ID, or at least one node address.

[0082] In addition or alternatively, in some implementations of the method 400 and / or the method 450, the at least one DAF type indicates or includes at least one type of the second communication node, the at least one DAF type including at least one of: a user device, a radio access network (RAN) , a base station, a central unit (CU) , a distributed unit (DU) , a core network function, an operations and management (OAM) , or an application.

[0083] In addition or alternatively, in some implementations of the method 400 and / or the method 450, at least one data and / or analytics type includes at least one of: traffic, quality of service (QoS) , mobility, energy, behavior and / or habits, computing resource usage, beam prediction, measurement, a cell load, a per slice per cell load, a resource status, an uplink (UL) channel condition, a downlink (DL) channel condition, a cell or user device-specific discontinuous (DRX) mode or discontinuous transmission (DTX) mode, cell energy efficiency, beam resource usage, handover (HO) performance, a radio link control (RLC) layer latency, a medium access control (MAC) layer latency, a buffer status report (BSR) , radio resource usage, power measurement, channel measurement, packet loss rate, a packet data convergence protocol (PDCP) buffer status, a PDCP throughput, a PDCP latency, data radio bearer (DRB) setup management information, a radio resource control (RRC) connection number, packet data unit (PDU) session management or radio resource utilization information.

[0084] In addition or alternatively, in some implementations of the method 400 and / or the method 450, availability information comprises at least one of: an available time interval, an  available area, or an available resource.

[0085] In addition or alternatively, in some implementations of the method 400 and / or the method 450, at least one federated learning (FL) capability includes at least one of: a FL aggregator or a FL participant.

[0086] In addition or alternatively, in some implementations of the method 400 and / or the method 450, at least one node ID includes at least one of: a user device ID, a base station ID, a distributed unit (DU) ID, a central unit (CU) ID, a core network function ID, an application ID, or an operations and management (OAM) ID, and at least one node address includes at least one of: a transport layer address comprising at least one of: an Internet Protocol (IP) address, a port number, or a tunnel endpoint ID (TEID) .

[0087] In addition or alternatively, in some implementations of the method 400 and / or the method 450, after the first communication node or the first DAF receives the AI / ML capability information from the second communication node or the second DAF, and / or after the second communication node or the second DAF transmits the AI / ML capability information to the first communication node or the first DAF, the first communication node or the first DAF selects one or more appropriate communication nodes or DAFs to initiate at least one of: training an AI model, data collection, analytics data collection, AI model delivery, or federated learning or distributed learning.

[0088] Fig. 5A shows a flow chart of another example method 500 for wireless communication related to at least one digital analytics function (DAF) . At block 502, a first communication node or a first DAF transmits a DAF discovery request to a second communication node or a second DAF. At block 504, the first communication node receives a DAF discovery response from the second communication node or the second DAF.

[0089] Fig. 5B shows a flow chart of another example method 500 for wireless communication related to at least one digital analytics function (DAF) . At block 552, a second communication node or a second DAF receives a DAF discovery request from a first communication node or a first DAF. The second communication node or the second DAF transmits a DAF discovery response to the first communication node or the first DAF.

[0090] In some implementations of the method 500 and / or the method 550, the first communication node or the first DAF transmits a DAF registration request to the second communication node or the second DAF.

[0091] In addition or alternatively, in some implementations of the method 500 and / or the method 550, the second communication node or the second DAF receives, a DAF registration request from the first communication node or the first DAF.

[0092] In addition or alternatively, in some implementations of the method 500 and / or the method 550, the DAF registration request includes at least one of: at least one node identification (ID) , at least one node address, at least one node type, a DAF type, area information, at least one data ID and / or analytics ID, at least one data or analytics type, availability information, single network slice selection assistance information (S-NSSAI) , at least one federated learning (FL) capability, or at least one model ID.

[0093] In addition or alternatively, in some implementations of the method 500 and / or the method 550, at least one node type includes at least one of: a user device, a base station, a central unit (CU) , a distributed unit (DU) , a core network function, an application, or an operations and management (OAM) server; and / or at least one node ID includes at least one of: a user device ID, a base station ID, a DU ID, a CU ID, a core network function ID, an application ID, or an OAM server ID.

[0094] In addition or alternatively, in some implementations of the method 500 and / or the method 550, the first communication node includes a user device and at least one node ID includes at least one of: a cell-radio network temporary identifier (C-RNTI) , a cell ID, a S-temporary mobile subscriber identity (S-TMSI) , a user ID, or an access point (AP) ID.

[0095] In addition or alternatively, in some implementations of the method 500 and / or the method 550, area information includes at least one of: one or more tracking area identities (TAIs) , one or more cell identifications (IDs) , one or more base station IDs, or one or more user device IDs.

[0096] In addition or alternatively, in some implementations of the method 500 and / or the method 550, at least one node address is indicated via at least one of: an Internet Protocol (IP)  address, a port number, and or a tunnel endpoint ID (TEID) .

[0097] In addition or alternatively, in some implementations of the method 500 and / or the method 550, the first DAF functions as a DAF aggregator, and the DAF registration request includes information of a plurality of DAFs. In some of these implementations, the first communication node includes a base station, and the information of the plurality of DAFs includes first information of a DAF of a central unit (CU) and / or second information of a DAF of a distributed unit (DU) . In addition or alternatively, in some of these implementations, the first DAF is located in a radio access network (RAN) and controls one or more base stations, one or more central units (CUs) , and / or one or more DUs, and the DAF registration request includes multiple entries for node identifications, node addresses, node types, and / or DAF types for the one or more base stations, CUs, and / or DUs.

[0098] In addition or alternatively, in some implementations of the method 500 and / or the method 550, the DAF discovery request incldues at least one of: at least one node identification (ID) , at least one node type, at least one DAF type, at least one target DAF type, at least one target area, at least one operation type, or at least one criteria.

[0099] In addition or alternatively, in some implementations of the method 500 and / or the method 550, each of at least one node ID, at least one node type and at least one DAF type indicate information of the first DAF, and at least one target DAF type indicates at least one DAF type to be discovered by the first DAF.

[0100] In addition or alternatively, in some implementations of the method 500 and / or the method 550, at least one target area includes at least one of: one or more tracking area identities (TAIs) , one or more cell identifications (IDs) , one or more base station IDs, or one or more user device IDs; at least one operation type includes at least one of: data and / or analytics collection, model acquisition, federated or distributed learning, or AI performance monitoring; at least one criteria includes information for discovery of a target DAF and includes at least one of: a public land mobile network (PLMN) ID, single-network slice selection assistance information (S-NSSAI) , a network slice instance (NSI) ID, a federated learning (FL) aggregator or a FL participant, or availability information, and / or the availability information includes an available time interval requirement, a threshold for an available resource, a data ID and / or analytics ID, or a model ID.

[0101] In addition or alternatively, in some implementations of the method 500 and / or the method 550, the DAF discovery response includes at least one of: at least one DAF index, at least one node identification (ID) , at least one DAF type, at least one public land mobile network (PLMN) ID, single-network slice selection assistance information (S-NSSAI) , a network slice instance (NSI) ID, at least one federated learning (FL) capability, area information, availability information, or at least one transport network layer (TNL) address.

[0102] In addition or alternatively, in some implementations of the method 500 and / or the method 550, in response to receiving the DAF discovery response from the second communication node or the second DAF, the first DAF selects one or more DAFs to initiate at least one of: training an AI model, data collection, analytics collection, AI model delivery, or federated learning or distributed learning.

[0103] In addition or alternatively, in some implementations of the method 500 and / or the method 550, a DAF registration request, a DAF discovery request, and / or a DAF discovery response are delivered via at least one of: application server (AS) signaling for interaction between a user device DAF and a radio access network (RAN) DAF; non-access stratum (NAS) signaling for interaction between a user device DAF and a core network DAF and / or an interface between a user device DAF and an application DAF; user plane traffic or Internet Protocol (IP) traffic for interaction between two DAFs; signaling between a RAN node and a core network function for interaction between a RAN DAF and a core network DAF; or signaling between RAN nodes for interaction between RAN DAFs of neighboring base stations or between RAN DAFs of a central unit (CU) and a distributed unit (DU) .

[0104] In addition or alternatively, in some implementations of the method 500 and / or the method 550, the second communication node or the second DAF includes a network discovery function (NDF) or a common application program interface framework (CAPIF) core function (CCF) .

[0105] Fig. 6A shows a flow chart of another example method 600 for wireless communication related to at least one digital analytics function (DAF) . At block 602, a first DAF transmits a DAF request to a second DAF. At block 604, the first DAF receives a DAF response from the second DAF.

[0106] Fig. 6B shows a flow chart of another example method 650 for wireless communication related to at least one digital analytics function (DAF) . At block 652, a second digital analytics function (DAF) receives a DAF request from a first DAF. At block 654, the second DAF transmits a DAF response to the first DAF.

[0107] In some implementations of the method 600 and / or the method 650, the DAF request includes a DAF data collection request to receive data and / or analytics of the second DAF.

[0108] In addition or alternatively, in some implementations of the method 600 and / or the method 650, the DAF response includes a DAF data collection response.

[0109] In addition or alternatively, in some implementations of the method 600 and / or the method 650, the first DAF is in a first central unit (CU) of a radio access network (RAN) node, and the second DAF is in a second distributed unit (DU) connected to a second CU of the RAN node. In some of these implementations, the first DAF receives the data and / or analytics of the second DAF via a third DAF in the second CU. In some of these implementations, the first DAF in the first CU receives the data and / or analytics of the second DAF in the second DU directly from the second DAF upon the first DAF receiving a transport network layer (TNL) address of the second DAF via a third DAF in the second CU.

[0110] In addition or alternatively, in some implementations of the method 600 an / dor the method 650, the first DAF is in a first distributed unit (DU) of a radio access network (RAN) node, and the second DAF is in a second DU of the RAN node. In some of these implementations, the first DAF in the first DU receives the data and / or analytics of the second DAF in the second DU via a third DAF in a first central unit (CU) connected to the first DU. In addition or alternatively in some of these implementations, the first DAF in the first DU receives the data and / or analytics of the second DAF in the second DU via a third DAF in a second central unit (CU) connected to the second DU and a fourth DAF in a first CU connected to the first DU.

[0111] In addition or alternatively, in some implementations of the method 600 and / or the method 650, the first DAF receives the data and / or analytics directly from the second DAF upon the first DAF receiving a transport network layer (TNL) address of the second DAF.

[0112] In addition or alternatively, in some implementations of the method 600 and / or the  method 650, a first DU establishes an interface with a second DU to receive data and / or analytics of a second DAF of the second DU.

[0113] In addition or alternatively, in some implementations of the method 600 and / or the method 650, , a DAF data collection request includes at least one of: at least one data collection identification (ID) , at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one data ID and / or analytics ID, at least one data and / or analytic type, at least one node ID, at least one node type, or at least one time window.

[0114] In addition or alternatively, in some implementations of the method 600 and / or the method 650, a DAF data collection response includes at least one of: at least one data collection identification (ID) , at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one data ID and / or analytics ID, at least one data and / or analytic type, at least one node ID, at least one node type, or the requested data and / or analytics.

[0115] In addition or alternatively, in some implementations of the method 600 and / or the method 650, the DAF request includes a DAF data collection subscription request, and the DAF data collection subscription request includes at least one data collection ID, at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one data ID and / or analytics ID, at least one data and / or analytic type, at least one node ID, at least one node type, at least one time window, at least one notification ID, at least one event threshold, at least one periodicity, or at least one notification address.

[0116] In addition or alternatively, in some implementations of the method 600 and / or the method 650, the DAF response inclues a DAF data collection subscription response, and the DAF data collection subscription response includes at least one of: at least one data collection ID, at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one subscription ID, at least one node ID, at least one node type, at least one accepted data ID and / or analytics ID, at least one accepted data and / or analytic type, or at least one reject cause.

[0117] In addition or alternatively, in some implementations of the method 600 and / or the method 650, after the requested or subscribed data and / or analytics is ready, the first DAF receives a DAF data collection notification from the second DAF, where the DAF data collection notification includes at least one of: at least one notification ID, at least one PLMN ID, at least one single network slice selection assistance information (S-NSSAI) , at least one node ID, at least one node type, at least one requested data or analytics, or at least one timestamp.

[0118] In addition or alternatively, in some implementations of the method 600 and / or the method 650, the DAF request includes a DAF model request.

[0119] In addition or alternatively, in some implementations of the method 600 and / or the method 650, a DAF model request includes at least one of: at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one model ID, at least one analytics ID, at least one analytics type, availability information, at least one time interval, at least one accuracy level, at least one notification ID, at least one notification address.

[0120] In addition or alternatively, in some implementations of the method 600 and / or the method 650, the DAF response includes a DAF model response. In some of these implementations, the DAF model response includes at least one of: at least one PLMN ID, at least one single network slice selection assistance information (S-NSSAI) , at least one notification ID, at least one analytics ID, at least one model ID, at least one requested model, at least one model file address, at least one accuracy value, or at least one timestamp.

[0121] In addition or alternatively, in some implementations of the method 600 and / or the method 650, the DAF request includes a DAF model subscription request. In some of these implementations, the DAF model subscription request includes at least one: at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one model identification (ID) , at least one analytics ID, at least one analytic type, availability information, at least one time interval, at least one accuracy level, at least one notification ID, or at least one notification address.

[0122] In addition or alternatively, in some implementations of the method 600 and / or the  method 650, the DAF response includes a DAF model subscription response. In some of these implementations, the DAF model subscription response includes at least one of: at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one notification ID, at least one model ID, at least one accepted analytics ID, at least one accepted analytic type, or at least one reject cause.

[0123] In addition or alternatively, in some implementations of the method 600 and / or the method 650, after the requested or subscribed model is ready, the first DAF receives from the second DAF, and / or the second DAF transmits to the first DAF, a DAF model notification, wherein the DAF model notification includes at least one of: at least one PLMN ID, at least one single network slice selection assistance information (S-NSSAI) , at least one notification ID, at least one analytics ID, at least one model ID, at least one requested model, at least one model file address, at least one accuracy value, or at least one timestamp.

[0124] In addition or alternatively, in some implementations of the method 600 and / or the method 650, the DAF request includes a DAF model performance monitoring request. In some of these implementations, the DAF model performance monitoring request includes at least one of: at least one public land mobile network (PLMN) ID, at least one model ID, at least one analytics ID, at least one analytics type, single network slice selection assistance information (S-NSSAI) , periodicity information, at least one report threshold for model accuracy, or performance metrics.

[0125] In addition or alternatively, in some implementations of the method 600 and / or the method 650, the DAF response includes a DAF model performance monitoring report generated based on the second DAF monitoring a performance of an artificial intelligence (AI)  / machine learning (ML) model. In some of these implementations, the second DAF sends the DAF model performance monitoring report in response to a model accuracy level being lower than a report threshold. In addition or alternatively, in some of these implementations, the DAF model performance monitoring report includes at least one of: at least one analytics ID, at least one model ID, at least one performance metric, at least one model accuracy value, or at least one time interval.

[0126] In addition or alternatively, in some implementations of the method 600 and / or the method 650, a set of one or more messages including the DAF request and / or the DAF response includes a set of one or more application programming interfaces (APIs) for service operation, and  one or more fields of the set of one or more messages includes one or more input and / or output fields for the set of one or more APIs.

[0127] Other methods and / or other implementations of the method 300, 400, 450, 500, 550, 600, and / or 650 are possible, including but not limited to those that combine one or more aspects from each of two or more of the methods 300, 400, 450, 500, 550, 600, and / or 650, and / or those that include fewer than all of the aspects for an above recited implementation of the method 300, 400, 450, 500, 550, 600, and / or 650.

[0128] Further details of actions performed by communication nodes in the wireless communication system 100, any or all of which may be implemented in any of various implementations of the methods 300, 400, 450, 500, 550, 600, 650, and / or other methods, are now described.

[0129] In some implementations of the wireless communication system 100, the system’s intelligence functionality may be divided into following two categories: 1) intelligent and predictive data analytics, and 2) intelligent / self-organizing network control and optimization. Intelligent and predictive data analytics means, refers to, or includes the ability of the wireless communication system 100 to intelligently process large volumes of data, in order to analyze and predict the context of the wireless users and the wireless network’s environmental states thus enabling data-driven network-wide operational decisions. Intelligent / self-organizing network control and optimization means, refers to, or includes the ability of the wireless network to dynamically learn the wireless environment and user state, intelligently control the wireless network, and optimize its resources according to information smartly learned.

[0130] Fig. 7 is a schematic diagram illustrating intelligent functions (i.e. AI use cases) within the wireless communication system 100. As shown in Fig. 7, the lower level focuses on the AI assisted prediction and optimization in the physical (PHY) layer. The middle level shows the AI assisted prediction and optimization in the access stratum (AS) or non-access stratum (NAS) layer. The upper level shows the AI based prediction, optimization, and / or implementation in the application layer or the operations and management (OAM) server or function. Some of the intelligent functions may be implemented within one communication node (or network entity) while others utilize cross-layer information exchange. For example, the user behavior and content  estimation in the application layer may used for the resource allocation and mobility optimization in the AS layer. In addition or alternatively, the UE / network status in the AS layer may also impact the application layer. To illustrate, video with lower resolution may be enabled when the user device status is poor. As such, both the internal intelligence and cross-layer intelligence may be implemented through use of AI / ML.

[0131] Fig. 8 shows a schematic diagram illustrating division of intelligence in a RAN node 204. As shown in Fig. 8, the RAN intelligence may be divided into three categories: 1) RAN internal intelligence for self-usage, e.g., most of the physical (PHY) layer artificial intelligence (AI) assisted optimization; 2) cross-layer intelligence for RAN usage, e.g. some of the AS layer based AI optimization which requires the core network analytics and application layer analysis, such as UE behavior prediction; and 3) RAN exposed data or analytics functions towards intelligence of other network entities in the core network 202 or the application server.

[0132] Additionally, in some implementations, due to privacy concerns and limited communication resources for data transmission, the wireless communication system 100 may implement distributed learning or federated learning, which may allow the communication nodes to individually collect data to train a learning model locally. In turn, the communication node may report the training results (which may be interim training results) to a centralized node of the wireless communication system 100, which may aggregate the training results of the local models and update a global model. The updated global model may be distributed to participating communication nodes, which may perform the training for a next iteration. The distributed learning or federated learning may also impact the network architecture design.

[0133] In addition or alternatively, in some implementations, the wireless communication system 100 may implement a data analytic function (DAF) , which may be considered a unified DAF configuration or design. In any of various of these implementations, the DAF may support AI model building, training, and evolution, and / or AI inference and / or analytics data derivation, among other AI / ML features. In addition or alternatively, the DAF may be able to collect data for the AI training and / or inference. The life cycle management of AI / ML may also be supported by the DAF.

[0134] In some implementations, AI functionality in the wireless communication system 100  may be supported in one or more communication nodes (network and / or device entities) , such as the user device (or UE) 102, a RAN node 204, a core network 202, an application server 902, as non-limiting examples. Fig. 9A is a block diagram of an example DAF configuration. As shown Fig. 9A, a DAF may reside and / or be located in at least one of: a user device 102, a RAN node 204, a core network 202, an operations and management (OAM) server 902, and an application server 904. In particular implementations such as shown in Fig. 9A, a respective DAF is located in each of these communication nodes. To differentiate these DAFs, a DAF located in the user device 102 is referred to as a user device DAF (or UDAF) 906, a DAF located in a RAN node 204 is referred to as a RAN DAF (or RDAF) 908, a DAF located in a core network 202 is referred to as a CN DAF (or CDAF) 910, a DAF located in a OAM server 902 is referred to as an OAM DAF (or MDAF) 912, and a DAF located in the application server (or application function) 904 is referred to as an application server DAF (or ADAF) 914. Also, the DAF configuration in Fig. 9A is just one example. In other example DAF configurations, not all of the communication nodes may include a DAF. In addition or alternatively, other implementations of the wireless communication system 100 utilizing a DAF configuration may not include all of the communication nodes shown in Fig. 9A. Various ways of implementing the wireless communication system 100 with the different types of communication nodes and DAFs within one or more of the communication nodes of the wireless communication system 100 are possible.

[0135] Additionally, for at least some implementations, each DAF of a given communication node may train an associated AI model and / or derive analytics by itself and use the trained model and / or derived analytics for internal intelligence. For example, one or more AI models of the core network 202 may be trained by the CDAF 910 of the core network 202, and the trained AI model (s) of the core network 202 may be used by the core network 202 to perform one or more internal, intelligence-based functions of the core network 202. Similarly, one or more AI models of the RAN node 204 may be trained by the RDAF 908, and the trained AI model (s) may be used by the RAN node 204 for internal, intelligence-based functions of the RAN node 204. In this sense, internal intelligence using a DAF (including the training of an AI model and use of the trained AI model) may is supported within a given, or each, communication node (or network entity) of the wireless communication system 100.

[0136] In addition or alternatively, for at least some implementations, the communication nodes of the wireless communication system 100 may perform cross-network entity information exchange between and / or using respective DAFs. For example, cross-network entity information exchanges may be performed with or between one or more of the following DAF pairs: the UDAF 906 and the RDAF 908; between the UDAF 906 and the CDAF 910; between the UDAF 906 and the ADAF 912; between the RDAF 908 and the CDAF 910; between the RDAF 908 and the ADAF 912; between the RDAF 908 and the MDAF 914; between the CDAF 910 and the MDAF 914; and / or between the CDAF 910 and the ADAF 912.

[0137] Fig. 9B shows a block diagram of a DAF configuration where there are multiple (e.g., two) communication nodes of each communication node type, which may be more representative of an actual network deployment. Correspondingly, in a wireless communication system 100 at a given point in time, there may be multiple UDAFs 906, multiple RDAFs 908, multiple CDAFs 910, multiple ADAFs 912, and / or multiple MDAFs 914. The DAF configuration shown in Fig. 9B is one just one example. In other examples, there may not be multiple communication nodes for all of the communication node types. For example, in other configurations, there may be multiple UDAFs 906, multiple RDAFs 908, but only one CDAF 910, and so on. In addition or alternatively, other configurations may include more than two DAFs for a given type of communication node. Fig. 9B illustrates cross-node information exchange between DAFs of the same DAF type, including cross-node the information exchange between two UDAFs 906, between two RDAF 908, between two CDAFs 910, between two ADAFs 912, and between two MDAFs 914. Although not expressly shown in FIGS. 9A and 9B, implementations where there is multiple communication nodes and / or DAFs of the same type may employ cross-node information exchange between DAFs of the same type and DAFs of different types. For example, where there are multiple user devices 102, and in turn multiple UDAFs 906, one UDAF 906 may perform cross-node information exchange with the other UDAF 906 as shown in Fig. 9B, as well as cross-node information exchange with DAFs of other DAF types, such as the RDAF 908, the CDAF 910, and / or the ADAF 912 as shown in Fig 9A.

[0138] In order to implement the cross-layer intelligence, the DAFs may be configured to perform cross-node information exchange for one or more of the following functions and / or with  signaling between one or more of the following DAF pairs:

[0139] DAF register and discovery, such as between two RDAFs 910, between a RDAF 908 and a CDAF 910, between a RDAF 908 and a MDAF 914, between a RDAF 908 and a ADAF 912, between two CDAFs 910, between a CDAF 910 and a MDAF 914, and / or between a CDAF 910 and an ADAF 912;

[0140] Data and analytics collection subscription and notification, such as between a UDAF 906 and a RDAF 908, between a UDAF 906 and a CDAF 910, between a UDAF and an ADAF 912, between two RDAFs 908, between a RDAF 908 and a CDAF 910, between a RDAF 908 and a MDAF 914, between a CDAF 910 and a MDAF 914, between a RDAF 908 and an ADAF 912, or between a CDAF 910 and an ADAF 912.

[0141] AI model delivery, such as between a MDAF 914 and a RDAF 908, between a 914 MDAF and a CDAF 910, between a CDAF 910 and a RDAF 908, between a CDAF 910 and a UDAF 906, between a CDAF 910 and a ADAF 912, between a RDAF 908 and a UDAF 906, and / or between a RDAF 908 and a ADAF 912;

[0142] Federated learning (which may include global model delivery and / or local model updates delivery) , such as between two RDAFs 908, between two CDAFs 910, between a UDAF 906 and a RDAF 908, between a UDAF 906 and a CDAF 910, between a UDAF 906 and a ADAF 912;

[0143] AI model performance information delivery (which may include delivery of a performance monitoring metrics configuration, a monitoring result report, etc. ) between DAFs, including but not limited to when an AI model producer and an AI model consumer are not located within the same DAF.

[0144] In addition or alternatively, in some implementations, offline training data and / or AI model delivery between DAFs may be performed when an AI model producer (AI training) and an AI model consumer (AI inference) are not the same communication node (or network entity) . For example, an AI model consumed by a RAN node 204 and / or a user device 102 may be trained by another communication node / network entity, such as an OAM server 914, an application server 912, an edge server, and / or a core network 202. In some of these implementations, the training data  and / or AI model transfer across communication nodes (network entities) may be performed for offline model learning.

[0145] In addition or alternatively, in some implementations, federated learning may be performed where the AI model producer and AI model consumer are not the same DAF. In some of these implementations, one or more global models and / or one or more local model updates may be delivered between DAFs involved in the cross-node information exchange for the federated learning.

[0146] In addition or alternatively, in some implementations where the AI model producer and AI model consumer are not the same DAF, the AI model performance monitoring may be performed. In some of these implementations, one or more performance monitoring metrics configurations and / or one or more monitoring result reports may be delivered between the DAFs involved in the cross-node information exchange related to the AI model performance monitoring.

[0147] Fig. 10 shows a block diagram of an example DAF configuration for split network architecture of a RAN node 204. In the example DAF configuration in Fig. 10, a RDAF may be located in a base station (BS) 206, a CU 252, and / or a DU 254. As indicated in Fig. 10, a RDAF residing or located in a CU is referred to herein as a CU-RDAF (e.g., CU-RDAF 1002 in Fig. 10, and a RDAF residing in a DU is referred to herein as a DU-RDAF (e.g., DU-RDAF 1004 in Fig. 10) . Also, although not expressly shown in Fig. 10, a DAF residing or located in a base station (BS) (without particularly specifying whether the DAF is in a CU 252 or a DU 254) may be referred to herein as a BS-RDAF. In addition or alternatively, a user device 102 may be enhanced with AI, such as for physical layer (PHY) , medium access control (MAC) , radio resource control (RRC) processing, and / or such as by utilizing a DAF for the user device 102. Considering that the AS, NAS, and application layers reside at the user device, a DAF (e.g., the UDAF 906) at the user device 102 may cover all protocol layers at the user device 102.

[0148] In addition or alternatively, in some implementations, a DAF may be slice specific. For example, a RAN node 204 may perform radio-related network slice selection and apply or use an appropriate DAF to handle one or more functions used to perform the radio-related network slide selection, such as slice-specific traffic and / or optimization. In addition or alternatively, in some implementations, customized DAF capabilities may be supported for each slice to adapt to  changing requirements.

[0149] In addition or alternatively, in some implementations, the multiple DAF instances for a given slice may be instantiated, such as in a cloud infrastructure. For implementations where multiple DAF instances are deployed, one DAF instance may act or function as a central DAF and the one or more other DAFs may act or function as distributed DAFs. In addition or alternatively, one DAF may act or function as an aggregate point and collect analytics information from one or more other DAFs to produce the aggregated analytics. Such implementations may leverage the benefits of virtualization.

[0150] Fig. 11A shows a block diagram of an example DAF configuration with a DAF aggregator and multiple RDAFs for federated learning among the RDAFs. Fig. 11B shows a block diagram of an example DAF configuration with a DAF aggregator and multiple UDAFs for federated learning among the UDAFs. In the example DAF configurations in Figs. 11A and 11B, one DAF may act or function as a DAF aggregator and one or more other DAFs may act or function as DAF participants. With particular reference to Fig. 11A, one DAF in a first base station may function as a RDAF aggregator and may initiate the federated learning, which involves multiple RDAFs at neighboring base stations. With particular reference to Fig. 11B, one DAF in a first base station may function as a RDAF aggregator and may initiate the federated learning, which involves multiple UDAFs at multiple user devices 102.

[0151] In addition or alternatively, in some implementations, a RDAF aggregator may be a CU-RDAF or a DU-RDAF. In addition or alternatively, in some implementations, an RDAF aggregator may select one or more suitable RDAFs to participate to jointly accomplish the distributed learning or federated learning. A RDAF participant may be a neighboring RDAF, such as a neighboring CU-RDAF or DU-RDAF. In such implementations, one DAF may act or function as an aggregate point and collect local model update information from other DAFs to produce an aggregated global AI model for federated learning.

[0152] In addition or alternatively, in some implementations, one DAF (e.g., a RDAF) may be in charge of, or control, multiple base stations 206 and / or one or more corresponding CUs 252 and / or one or more corresponding DUs 254. Fig. 12A shows a block diagram of a DAF configuration where a RDAF is in charge of multiple base stations. In the DAF configuration in Fig.  12A, a RDAF may be collocated with one of the base stations, and be responsible for the intelligence functionality of one or more base stations, one or more CUs, and / or one or more DUs. In such a configuration, the RDAF may collect data from nearby base stations, such as via an interface between base stations. In some of these implementations, the interface between base stations may support data subscription and data collection from the base stations. In addition or alternatively, the RDAF may perform AI / ML model training and inference based on the collected data, and then derive analytics or make decisions for network control. In addition, the nearby base stations may support agent alike functions that receive the control command from the RDAF and perform associated actions, such as in order to provide the collected data to the RDAF and / or perform one or more actions in response to the decisions made by the RDAF. In addition or alternatively, the RDAF may initiate federated learning or distributed learning.

[0153] Fig. 12B shows a block diagram of another DAF configuration where a RDAF is in charge of multiple base stations. In the DAF configuration in Fig. 12B, the DAF is a centralized RDAF that may be deployed as a separate network entity, although to the RAN. With the DAF configuration in Fig. 12B, the RDAF may connect with base stations via an interface, and / or may collect data from the other base stations. Additionally, the base stations may support agent alike function that receive control commands from the RDAF and perform data collection or other actions in response to the control commands. Additionally, in some implementations, the RDAF in the configuration in Fig. 12B may initiate federated learning or distributed learning.

[0154] In addition or alternatively, in some implementations, the RDAF as configured in Figs. 12A, 12B may be implemented as, or is configured to include, an application programming interface (API) that supports service based architectures (SBA) .

[0155] As previously described, in some implementations, a wireless communication system 100 with a DAF configuration as described herein may be configured to perform a DAF register and discovery procedure. In some implementations, DAF discovery may be implemented in at least one of two ways: 1) interface specific DAF discovery; 2) network discovery function (NDF) and / or common application program interface framework (CAPIF) core function (CCF) based DAF discovery.

[0156] In some implementations of an interface specific DAF register and discovery, DAF  discovery may be performed between a UDAF 906 of a user device 102 and a RDAF 908 of a RAN node 204. The DAF discovery may be performed via a Uu interface in some implementations. For example, a UDAF 306 of a user device 102 may connect to RDAF 308 of a base station 206, and upon forming the connection, they may exchange AI relevant capability information, such as via radio resource control (RRC) signaling.

[0157] FIG. 13 shows a signaling diagram of a UDAF of a user device 102 providing artificial intelligence (AI)  / machine learning (ML) capability information to a RDAF of a RAN node 204. As shown in Fig. 13, the user device 102 may send its AI / ML capability to a base station 206. The AI / ML capability information may include at least one of the following information: at least one DAF type, at least one data ID and / or analytics ID, at least one data or analytics type, availability information, single-network slice selection assistance information (S-NSSAI) , at least one federated learning (FL) capability, or at least one model ID. In some of these implementations, a DAF type may indicate a type of the communication node in which a DAF is located, and / or which may include at least one of the following: a UDAF type, a RDAF type (e.g. BS-RDAF type, a CU-RDAF type, a DU-RDAF type) , a CDAF type, a ODAF type, or an ADAF type. Correspondingly, when the user device 102 sends its AI / ML capability, the user device 102 may indicated the DAF type as the UDAF type. Additionally, at least one the data and / or analytics type may include at least one of the following: traffic, quality of service QoS, mobility information, energy information, behavior and / or habits, computing resource usage, beam prediction, or measurement. Additionally, the availability may include at least one of the following: at least one available time interval, at least one available area, or at least one available resource.

[0158] Additionally, the FL capability may include at least one of the following: FL aggregator or FL participant. In some implementations, the FL aggregator may denote that the DAF initiates the federated learning, and sends out an initial model to various FL participating DAFs. Each of the FL participating DAFs may train its own model with local data. The local model update parameters generated by each FL participant are sent out to the FL aggregator. In turn, the FL aggregator uses the local model update parameters received from the FL participants to train a global model. The procedure may iterate until the global model converges. A trained global model may be delivered to the corresponding DAF for inference.

[0159] In addition or alternatively, a base station 206 (RDAF) may send its AI / ML capability to the user device 102 (UDAF) , as shown in the signaling diagram of Fig. 14. The AI / ML capability information of the base station 206 may include at least one of the following information: at least one DAF type, at least one node ID, at least one node address, at least one data ID and / or analytics ID, at least one data and / or analytics type, availability information, S-NSSAI, at leaset one FL capability, or at least one model ID. As previously described, a DAF type may indicate a type of communication node in which the DAF is located, such as a DAF, RDAF (e.g. BS-RDAF, CU-RDAF, DU-RDAF) , a CDAF, a ODAF, or ADAF. When the base station 206 / RDAF 308 sends its DAF type information, multiple DAF types may be included or indicated. That is, in some implementations, the AI / ML capability information provided by a base station 206 / RDAF 308 may include multiple DAF types, such as at least one CU-RDAF and at least one DU-RDAF. In some of these implementations, where AI / Ml capability information is for multiple DUs, different node IDs and / or node addresses can be used to identify the different / multiple DUs.

[0160] Additionally, in some implementations, a node ID may include at least one of the following: a user device ID, a base station ID, a DU ID, a CU ID, a core network (CN) function ID, an application (or application server) ID, or an OAM (or OAM server) ID. In addition or alternatively, in some implementations, a node address may include a transport layer address, such as one including at least one of: an Internet Protocol (IP) address, a port number, and / or a tunnel endpoint ID (TEID) .

[0161] In addition or alternatively, in some implementations, the data and / or analytics type indicated when the base station 206 / RDAF 308 sends its AI / ML capability information may include at least one of the following: a cell load, a per slice per cell load, a resource status, an uplink (UL) channel condition, a downlink (DL) channel condition, a cell or UE specific discontinuous reception (DRX)  / discontinuous transmission (DTX) information, cell energy efficiency information, RAN quality of service (QoS) information (e.g. latency, throughput, and / or guaranteed bit rate (GBR) ) , beam resource usage information, or handover (HO) performance information.

[0162] In addition or alternatively, the availability included in AI / ML capability information sent by a base station 206 / RDAF 308 may include at least one of the following: an available time  interval, an available area, or available resource (e.g. computing, memory, disk) .

[0163] In addition or alternatively, the FL capability included in the AI / ML capability information sent by a base station 206 / RDAF 308 may include at least one of the following: FL aggregator or FL participant.

[0164] In addition or alternatively, in some implementations, DAF discovery between two RDAFs 308 may be performed using an interface between two base stations, or using an interface between a DU 254 and a CU 252. Fig. 15 shows a signaling diagram of an exchange of AI / ML capability information between two RDAFs 308. Each of the RDAF1 and RDAF2 in Fig. 15 may be located in a base station 206, a CU 252, or a DU 254, in any of various implementations. Additionally, in some implementations, one RDAF may send its AI / ML capability information to the other RDAF that has the interface. For example, a DU 254 may send its AI / ML capability information to a CU 252. Similarly, a CU 252 may send its AI / ML capability information to a DU 254.

[0165] In addition or alternatively, in some implementations, the AI / ML capability information that one RDAF sends to another RDAF may include at least one of the following information: at least one DAF type, at least one node ID, at least one node address, at least one data ID and / or analytics ID, at least one data and / or analytics type, availability information, S-NSSAI (s) , FL capability information, or at least one model ID. As described, a node ID may be at least one of the following: UE ID, xNB ID, DU ID, CU ID, a CN function ID, an application (or application server) ID, or an OAM (or OAM server) ID. Also, as described, a node address may include a transport layer address, such as an IP address, a port number, and / or a TEID.

[0166] In addition, in some implementations, the at least one data and / or analytics type included in AI / ML capability information sent from one RDAF to another RDAF may include at least one of the following: a radio link control (RLC) layer latency, a medium access control (MAC) layer latency, a buffer status report (BSR) , radio resource usage information, power measurement information, channel measurement information (e.g. signal to interference plus noise ratio (SINR) , reference signal received power (RSRP) , or reference signal received quality (RSRQ) ) , or packet loss rate information.

[0167] In addition or alternatively, in some implementations, the at least one data and / or analytics type supported by a CU included in AI / ML capability information sent from one RDAF to another RDAF may include at least one of the following: a packet data convergence protocol (PDCP) buffer status, PDCP throughput information, PDCP latency information, packet loss rate information, data radio bearer (DRB) Setup Management information, at least one radio resource control (RRC) connection number, or packet data unit (PDU) session management and radio resource utilization information.

[0168] In addition or alternatively, in some implementations, DAF discovery between a RDAF 308 and a CDAF 310 may be performed. In some implementations, such DAF discovery may be performed using DAF capability signaling exchanged between a base station 206 and a core network 202. For example, in some implementations, the base station 106 may send AI / ML capability information to a network function in the core network 202, such as via an interface (e.g. an interface between the base station 206 and a mobility management entity (MME) or the AMF 212) . In addition or alternatively, in some implementations, the network function in the core network 202 may send its AI / ML capability information to the base station 206. The AI / ML capability information communicated between a RDAF 308 and a CDAF 310 may include at least one of the following information: at least one DAF type, at least one node ID, at least one node address, at least one data ID and / or analytics ID, at least one data and / or analytics type, availability information, S-NSSAI, FL capability information, and / or at least one model ID.

[0169] In addition or alternatively, in some implementations, DAF discovery between a UDAF 306 and a CDAF 310 may be performed. In some implementations, such DAF discovery may be performed using DAF capability signaling exchanged between a user device 102 and a core network 202. For example, in some implementations, the user device 102 may send the AI / ML capability information to a network function in the core network 202, such as via non-access spectrum (NAS) signaling (e.g. the interface between the user device 102 and the MME or the AMF 212) . In addition or alternatively, in some implementations, the network function in the core network 202 may send the AI / ML capability information to the user device, such as via NAS signaling. The AI / ML capability information communicated between a UDAF 306 and a CDAF 310 may include at least one of the following information: at least one DAF type, at least one node  ID, at least one node address, at least one data ID and / or analytics ID, at least one data and / or analytics type, availability information, S-NSSAI, FL capability information, or at least one model ID.

[0170] In some implementations, based on the AI / ML capability information exchanged between DAFs of two communication nodes, such as described above) one communication node may become aware of the DAF capability of one or more other communication nodes in the wireless communication system 100. In turn, the communication node may perform one or more subsequent actions, such as request analytics, request at least one model, and / or initiate federated learning as examples.

[0171] In addition or alternatively, the wireless communication system 100 may perform a network discovery function (NDF) or common application program interface framework (CAPIF) core function (CCF) based DAF register and discovery process.

[0172] Fig. 16 shows a signaling diagram of a signaling procedure for a NDF and / or CCF-based DAF register and discovery process. In some implementations of such a signaling procedures, the NDF or CCF is used for the DAF registration and discovery. In addition or alternatively, in some implementations, the NDF may implemented as an independent network entity located in the CN 20, a RAN node 204, or an application server 904. In some other implementations, the NDF may be collocated with a DAFs, such as a DAF acting or functioning as a DAF aggregator.

[0173] Additionally, as shown in Fig. 16, a DAF1 and / or a DAF2 may send a respective DAF registration request to the NDF or CCF. In some implementations, the DAF registration request may include at least one of the following fields: at least one node ID, at least one node address, at least one node type, at least one DAF type, area information, at least one data ID and / or analytics ID, at least one data and / or analytics type, availability information, S-NSSAI, FL capability information, and / or at least one model ID.

[0174] As previously described, the node type may include at least one of the following: a user device, a base station, a CU, a DU, a core network function (e.g. an AMF or a CDAF) , an application, or an OAM. Additionally, the node ID included in the DAF registration request may be  an ID corresponding to the node type. For example, a node ID may include at least one of the following: a user device ID, a base station ID, a DU ID, a CU ID, a core network function ID, an application ID, or OAM ID. In addition or alternatively, as another example, where the DAF1 includes a UDAF or a user device 102, the node ID for the user device 102 may include at least one of the following: a cell radio network temporary identifier (C-RNTI) , a cell ID, a S-temporary mobile subscriber identity (TMSI) , a user ID, or an access point (AP) ID.

[0175] In addition or alternatively, as previously described, a DAF type may include at least one of the following: a UDAF, a RDAF (e.g. a BS-RDAF, a CU-RDAF, and / or a DU-RDAF) , a CDAF, a ODAF, or ADAF. In addition or alternatively, the area information may include at least one of the following: one or more tracking area identities (TAIs) , one or more cell IDs, one or more base station IDs, or one or more user device IDs. In addition or alternatively, a node address may include or be indicated via an IP address, a port number, and / or a TEID. In addition or alternatively, availability information may include at least one of the following: an available time interval or an available resource. In addition or alternatively, the FL capability may include at least one of the following: a FL aggregator or a FL participant.

[0176] In addition or alternatively, for a DAF functioning as a DAF aggregator, the DAF aggregator may include information about multiple DAF in one DAF registration request. From the perspective of a base station 206, the base station 206 may send, to the NDF / CCF, a DAF registration that includes information about both a CU-RDAF and one or more DU-RDAFs. In addition or alternatively, for a DAF configuration where a RDAF is in charge of at least one base station, at least one CU, and / or at least one DU, the RDAF may send a DAF registration request that includes multiple entries, each for a respective one of different node IDs, node addresses, node types, and / or DAF types.

[0177] In addition or alternatively, in some implementations, DAF1 is located at a RAN node 204 and wants to discover one or more CDAFs of one or more core networks 202 for analytics data retrieval. In some of these implementations, DAF1 may send the DAF discovery request to the NDF or CCF. The DAF discovery request may include at least one of the following fields: at least one node ID, at least one node type, at least one DAF type, at least one target DAF type, at least one target area, at least one operation type, at least one criteria, at least one data ID and / or analytics  ID, or at least one model ID. Here, in a DAF discovery request, the node ID, the node type and the DAF type indicate the information of the DAF1. Also, the target DAF type may denotes or indicate the DAF type to be discovered by DAF1. The target DAF type may include at least one of the following: a UDAF, at least one RDAF (e.g. a BS-RDAF, a CU-RDAF, and / or a DU-RDAF) , a CDAF, a ODAF, and / or ADAF. In addition or alternatively, a target area denotes or indicate the area information of the DAF (s) to be discovered by DAF1. In addition or alternatively, the target area may be include at least one of the following: one or more TAIs, one or more cell IDs, one or more base station IDs, or one or more user device IDs. In addition or alternatively, the operation type may include at least one of the following fields: data or analytics collection, model acquisition, or federated or distributed learning. In addition or alternatively, the criteria may include other information for filtering the target DAF. For example, the criteria may include at least one of the following fields: a public land mobile network (PLMN) ID, S-NSSAI, a network slice instance (NSI) ID, a FL aggregator or FL participant information, or availability information. Here, in a DAF discovery request, the availability information may indicate at least one of: at least one available time interval requirement, at least one threshold for available resource (e.g. computing, memory, disk) .

[0178] In addition or alternatively, in some implementations, upon receiving the DAF discovery request from DAF1, the NDF or CCF may check for appropriate DAFs (e.g., DAFs meeting one or more criteria in the DAF discovery request) and send the DAF discovery response to DAF1. In event there are multiple DAFs that meet the criteria, the NDF or CCF may include information about the multiple DAFs in the DAF discovery response. In some of these implementations, the DAF discovery response may include at least one of the following fields: at least one DAF index, at least one node ID, at least one DAF type, at least one PLMN ID, S-NSSAI, at least one NSI ID, a FL aggregator or a FL participant information, area information, availability information, or at least one TNL address.

[0179] In addition or alternatively, in some implementations, upon receiving the DAF discovery response, DAF1 may select one or more appropriate DAFs to initiate at least one operation, such as training, performance data collection, analytics data collection, AI model delivery, or federated learning or distributed learning.

[0180] In addition or alternatively, in some implementations, a DAF registration request, a DAF discovery request, and / or a DAF discovery response may be delivered via at least one of the following ways: access stratum (AS) signaling, such as for the interaction between a UDAF and a RDAF; NAS signaling, such as for the interaction between a UDAF and a CDAF and / or between a UDAF and a ADAF; user plane traffic or IP traffic, such as for interaction between any DAFs; signaling between a RAN 204 and a core network (CN) 202, such as for interaction between a RDAF and a CDAF; and / or signaling between RAN nodes 204, such as for the interaction between RDAFs of neighboring base stations or between RDAFs of a CU 252 and a DU 254.

[0181] Additionally, in some implementations, the wireless communication system 100 may perform a data collection procedure.

[0182] In addition or alternatively, in some implementations, the data collection procedure includes a DAF data collection procedure performed for a RAN split architecture, such as one involving one or more CUs 252 and / or one or more DUs 254.

[0183] In addition or alternatively, in some implementations, a DAF data collection procedure is performed for the RAN intelligence, which may include gathering and / or determining intelligence for one or more of the following: mobility, load balance, and / or energy saving. Correspondingly, requested data and / or analytics may be related to mobility, load balance, and / or energy saving. Additionally, in such implementations, a RDAF 308 may collect information from one or more base stations 206, one or more CUs 252, and / or one or more DUs 254.

[0184] In some RAN split architecture implementations, one DU can connect to only one CU. Fig. 17A is a block diagram illustrating an example DAF data collection procedure for RAN split architecture, where one DU can connect to only one CU. In this DAF data collection procedure, if the RDAF of CU1 is to collect information from a RDAF of DU2 that is connected to a RDAF of CU2, the data or analytics is initially delivered from a RDAF of DU2 to a RDAF of CU2, and then the RDAF of CU2 provides the data or analytics of the RDAF of DU2 to the RDAF of CU1-RDAF, as shown in the Fig. 17A.

[0185] Fig. 17B is a block diagram illustrating another example DAF data collection procedure for RAN split architecture, where one DU can connect to only one CU. As shown in Fig. 17B, the  RDAF of CU2 may record a transport network layer (TNL) address of its connected RDAF of DU2. In turn, a RDAF of a neighboring CU1 may retrieve the TNL address of the RDAF of DU2, such as via an interface between CU1 and CU2. Then, the DAF of CU1 may collect data directly from the RDAF of DU2, as indicated in Fig. 17B.

[0186] In some RAN split architecture configurations, multiple DUs are served by the same CU. Fig. 18A is a block diagram illustrating an example DAF data collection procedure for RAN split architecture, where multiple DUs are served by the same CU. In the example in Fig. 18A, the RDAF of DU1 may want to receive data and / or analytics from the RDAF of DU2. However, there may be no interface between DUs. As such, for the data collection between DUs, the data and / or analytics may be sent from the RDAF of DU2 to the RDAF of CU1-RDAF first, and then sent from the RDAF of CU1 to the RDAF of DU1, as shown in the Fig. 18A.

[0187] Fig. 18B is a block diagram illustrating another example DAF data collection procedure for a RAN split architecture, where multiple DUs are served by the same CU. As shown in Fig. 18B, in some implementations, the RDAF of CU1 may record the TNL address of the RDAF of the DU to which it is connected. In turn, the RDAF of DU1 may retrieve the TNL address of the RDAF of DU2 from the RDAF of CU1. Then, the RDAF of DU1 may collect the data directly from the RDAF of DU2. In other implementations, there may be interface between DU1 and DU2. In this case, DU1 may setup the interface with DU2 and request the data report from DU2.

[0188] In some RAN split architecture configurations, DUs are served by different CUs, and there is no interface between the DUs. Fig. 19A is a block diagram illustrating an example DAF data collection procedure for a RAN split architecture, where there is no interface between DUs served by different CUs. For the DAF data collection procedure with respect to Fig. 19A, when the RDAF of DU1 wants to collect data and / or analytics from the RAF of DU2, the data and / or analytics may be sent from the RDAF of DU2 to the RDAF of CU2. Then the RDAF of CU2 may forward it to the RDAF of CU1, and finally the RDAF of CU1 send the data and / or analytics of the RDAF of DU to the RDAF of DU1, as shown in Fig. 19A.

[0189] Fig. 19B is a block diagram illustrating another example DAF data collection procedure for a RAN split architecture, where DUs are served by separate CUs. As shown in Fig. 19B, the RDAF of CU2 may record the TNL address of its connected RDAF of DU2. In turn, the RDAF of  the neighboring DU1 may retrieve the TNL address of the RDAF of DU2-, such as via the RDAF of CU1 and CU2. Then the RDAF of DU1 may collect the data and / or analytics directly from the RDAF of DU2. In other implementations, there may be interface between DUs. In such other implementations, DU1 may setup the interface with DU2 and request the data and / or analytics from DU2.

[0190] In addition or alternatively, in some implementations, a RDAF in a CU 252 may interact with a RDAF of a DU 254 via an F1 interface. In some of these implementations, RDAF of the CU 252 may collect data and / or analytics from the RDAF of the DU 254, such as for the CU’s AI model training or inference.

[0191] In addition or alternatively, in some implementations, a RDAF 308 in RAN node 204 may be in charge of and / or control multiple base stations 206. In such implementations, the RDAF 308 may need to collect data from these base stations 206. In addition or alternatively, in such implementations, the RDAF may interact with a DAF agent located within the base stations 206 for data collection. Fig. 20A shows a first example signaling procedure for data collection between a first DAF1 and a second DAF2 (or between an agent of DAF1 and DAF2) . Fig. 20B shows a second example signaling procedure for data collection between a first DAF1 and a second DAF2 (or between an agent of DAF1 and DAF2) .

[0192] Referring to Fig. 20A, suppose for example that DAF1 (i.e. which may be, but is not limited to, a RDAF of a DU) and DAF2 (which may be, but is not limited to, a RDAF of a CU) has a direct interface and has exchanged the AI / ML capability. DAF2 may send a DAF data collection request to DAF1, as shown in Fig. 20A. In some implementations, the DAF data collection request may include at least one of the following fields: at least one data collection ID, at least one data ID and / or analytics ID, at least one data and / or analytics type, at least one node ID, at least one node type, or at least one time window. Upon receiving the DAF data collection request, DAF1 may send a DAF data collection response to DAF2. In some implementations, the DAF data collection response may include at least one of the following fields: at least one data collection ID, at least one data ID and / or analytics ID, at least one data and / or analytic type, at least one node ID, at least one node type, and / or the requested data and / or analytics.

[0193] Referring to Fig. 15B with respect to the second example signaling, DAF2 may send a  DAF data collection subscription request to DAF1. In some of these implementations, the DAF data collection subscription request may include at least one of the following fields: at least one data collection ID, at least one data ID and / or analytics ID, at least one data and / or analytics type, at least one node ID, at least one node type, at least one time window, at least one notification ID, at least one event threshold, at least one periodicity, and / or at least one notification address. Upon receiving the DAF data collection subscription request, DAF1 may send a DAF data collection subscription response to DAF2. In some implementations, the DAF data collection subscription response may include at least one of the following fields: at least one data collection ID, at least one subscription ID, at least one node ID, at least one node type, at least one accepted data ID and / or analytics ID, at least one accepted data or analytic type, or at least one reject cause. Subsequently, when the subscribed data and / or analytics is ready, DAF1 may send a DAF data collection notification to DAF2. In some implementations, the DAF data collection notification may include at least one of the following fields: at least one notification ID, at least one node ID, at least one node type, the requested data and / or analytics, or at least one timestamp.

[0194] In addition or alternatively, in some implementations, if a service based interface is supported, the DAF data collection request and / or response, the DAF data collection subscription request and / or response, and / or the DAF data collection notification may include, be designed as, and / or be a part of a set of one or more application programming interfaces (APIs) for service operation. Correspondingly, the fields mentioned above in these messages can be designed or configured as input and / or output fields.

[0195] In addition or alternatively, in some implementations, AI model delivery may be performed between two DAFs. In some of these implementations, AI model delivery may be performed when an AI / ML model producer (e.g., a node performing AI training) and an AI / ML model consumer (a node performing AI inference) are not the same communication node (or network entity) . For example, an AI model consumed or utilized by a RAN node 204 and / or a user device 102 may be trained by another communication node (or network entity) , such as OAM 914, an application server 912, an edge server, or a core network 202. In such implementations, an AI / ML model may be transferred across communication nodes (or network entities) , including in situations utilizing offline model learning.

[0196] In addition or alternatively, in some implementations, a second DAF2 (e.g., one located at a user device 102) may perform AI / ML model discovery based on, or in response to, a DAF register and discovery procedure, such as previously described. In event that DAF2 (e.g., at the user device) is to use an AI model in DAF1 (e.g., one located at the core network 202) , DAF2 may subscribe or send a notice of its interest of the AI / ML model via an AI / ML model discovery procedure.

[0197] Fig. 21A shows a signaling diagram of an example signaling procedure for an AI / ML model discovery. As shown in Fig. 21A, DAF2 may send a DAF model subscription request to DAF1. In some implementations, the DAF model subscription request may include at least one of the following fields: at least one model ID, at least one analytics ID, at least one analytics type, availability information, at least one S-NSSAI, time interval information, accuracy level information, at least one notification ID, or at least one notification address. Upon receiving the DAF model subscription request, DAF1 may send a DAF model subscription response to DAF2. In some implementations, the DAF model subscription response may include at least one of the following fields: at least one notification ID, at least one model ID, at least one accepted analytics ID, at least one accepted analytic type, or at least one reject cause. Subsequently or at a later time, when the subscribed model is ready, DAF1 may send a DAF model notification to DAF2. In some implementations, the DAF model notification may include at least one of the following fields: at least one notification ID, at least one analytics ID, at least one model ID, at least one requested model, at least one model file address, at least one accuracy value, or at least one timestamp.

[0198] Fig. 21B shows a signaling diagram of another example signaling procedure for an AI / ML model discovery. As shown in Fig. 21B, DAF2 may send a DAF model request to DAF1. In some implementations, the DAF model request may include at least one of the following fields: at least one model ID, at least one analytics ID, at least one analytic type, availability information, at least one S-NSSAI, time interval information, accuracy level information, at least one notification ID, or at least one notification address. Upon receiving the DAF model request, DAF1 may send the DAF model response to DAF2. In some implementations, the DAF model response may include at least one of the following fields: at least one notification ID, at least one analytics ID, at least one model ID, at least one requested model, at least one model file address, at least one  accuracy value, or at least one timestamp.

[0199] In some implementations, if a service based interface is supported, at least one of the DAF model request and / or response, the DAF model subscription request and / or response, and / or the DAF model notification may be designed or configured as a set of one or more APIs for service operation. Correspondingly, the fields as described above in these messages may be designed and / or configured as input and / or output fields.

[0200] In addition or alternatively, in some implementations, AI / ML model performance monitoring may be performed between two DAFs. In some of these implementations, AI / ML model performance monitoring is performed when an AI / ML model producer (e.g., a node performing AI training) and an AI / ML model consumer (e.g., a node performing AI inference) are not the same network entity. For example, the AI model consumed or utilized by a RAN node 204 and / or a user device 102 may be trained by an other or different communication node, such as an OAM 914, an application server 912, edge server, or a core network 202. In such implementations, the AI / ML model consumer may send an AI / ML model performance report to the AI / ML model producer. Based on the AI / ML model performance report, the AI / ML producer may retrain the AI / ML model if the AI / ML model degrades to a certain level.

[0201] As an example, a second DAF2 (e.g., but not limited to one located at a user device 102) may perform AI / ML model discovery based on a DAF register and discovery procedure, such as previously described. In event that DAF2 is to use an AI model in a first DAF1 (e.g., but not limited to one trained at a RAN node 204) , DAF2 may request DAF1 to provide the AI / ML model to DAF2, such as based on an AI model delivery procedure as previously described. In some implementations, DAF1 (e.g., at the RAN 204) may request DAF2 (e.g., at the user device 102) to report performance accuracy information of the AI model.

[0202] In some of these implementations for AI / ML model performance monitoring, DAF1 may send the DAF model performance monitoring request to DAF2. The DAF model performance monitoring request may include at least one of the following fields: at least one model ID, at least one analytics ID, at least one analytics type, at least one S-NSSAI, at least one periodicity, at least one report threshold for model accuracy, or at least one performance metric. Upon receiving the DAF model performance monitoring request, DAF2 may monitor the performance of AI / ML  model. In event that the model accuracy level is lower than the report threshold, DAF2 may sends the DAF model performance monitoring report to DAF1. The DAF model performance monitoring report may include at least one of the following fields: at least one analytics ID, at least one model ID, at least one performance metric, at least one model accuracy value, or at least one time interval.

[0203] In addition or alternatively, in some implementations where a service based interface is supported, the DAF model performance monitoring request / response may be implemented or designed as or using a set of one or more APIs for service operation. Correspondingly, the fields in these messages may configured or designed as input and / or output fields.

[0204] In addition or alternatively, in some implementations, one or more DAFs may perform federated learning. In some of these implementations, a DAF at a core network 202 may want to initiate the federated learning of multiple DAFs at a RAN node 204. In some of these implementations, the DAF at the core network 202 may act or function as a DAF aggregator while the DAFs at the RAN node 204 may act or function as DAF participants. The DAF aggregator may perform the DAF participant discovery based on a DAF register and discovery procedure, such as previously described.

[0205] Fig. 22 is a signaling diagram of an example signaling procedure for federated learning. As shown in Fig. 22, the DAF aggregator may select a given number of DAF participants to join the federated learning. In addition, the DAF aggregator may send a FL configuration request information to DAF participants. The FL configuration request information may include at least one of the following fields: at least one analytics ID, at least one FL model ID, at least one FL model size, at least one resource requirement, at least one one shot local training or periodic local training, at least one periodicity for periodic local training, or at least one number of training times.

[0206] Upon receiving the FL configuration request, the DAF participants may determine whether or not to accept the request. In turn, the DAF participants may send respective FL configuration responses to the DAF aggregator. The FL configuration response may include at least one of the following fields: at least one accepted FL model ID, at least one rejected FL model ID, at least one accepted number of training times, or at least one reject cause.

[0207] Additionally, in some implementations, after the DAF aggregator completes the  negotiation of the DAF participants and receives or obtains one or more acceptances from a required number of DAF participants for FL, the DAF aggregator may send the model for federated learning to the DAF participants. Along with the FL model, the DAF aggregator may further send model parameters, a checkpoint, and / or an expected completion time or deadline for model update to the DAF participants. After receiving the FL model and, in some cases, the additional information (e.g., model parameters) , the DAF participants may perform model training based on local data.

[0208] Additionally, in some implementations, when the DAF participants complete one round of model training, the DAF participants may send the local model update to the DAF aggregator. The DAF participants may also send the performance data for the local model training to the DAF aggregator for the local model training. The performance data may include at least one of the following fields: a time elapsed for the local training, at least one consumed computation resource, at least one consumed storage resource, or at least one consumed power value.

[0209] Additionally, in some implementations, after receiving the local model updates from a threshold or a substantial number of the DAF participants, the DAF aggregator may performs FL aggregation based the local model updates. The DAF aggregator may send the aggregated model to the DAF participants for a next round of federated training. Once or when a predefined accuracy is reached, the DAF aggregator may send the model as a global model for inference to an involved AI model consumer. Based on the trained global model, the AI model consumer may correspondingly perform model inference.

[0210] In addition or alternatively, some implementations for intelligence in the wireless communication system 100 may include life cycle management of AI. In some of these implementations, online training may be used for reinforcement learning, which may be either model-based or model-free. Model-based reinforcement learning may apply or use a model for training an agent how the environment works. The model is used as a mimic of environment-behavior for predicting the result of a next state and an award. Model-free reinforcement learning may learn by trial-and-error. In some implementations, model-based reinforced learning is more reliable for the wireless communication system 100. Correspondingly, online learning may also use a pre-trained model. In some of these implementations, a pre-trained  model may be refined during the online learning and inference procedure.

[0211] In addition or alternatively, in some implementations, federated learning and / or distributed learning may be implemented in the wireless communication system 100, as previously described. In federated learning, an initiating node sends out the initial version of the model to various participant nodes. Each of the participant nodes then trains its own model with the data that it generates. The learned parameters may be sent out to the initiating node periodically. In turn, the initiating node uses the parameters collected from each of the participant nodes to train a global model. The trained global model may be delivered to a corresponding node for inference.

[0212] In addition or alternatively, in some implementations, in addition to the model training and inference, one or more analytics may be output from a DAF, such as statistical information of past events, predictive information (e.g., prediction for mobility, coverage, cell load, etc. ) , diagnostic information (e.g. root cause analysis issues) and / or prescriptive analysis (e.g. recommendation for fast recovery) . In some of these implementations, the output from the DAF, including for the predictive, diagnostic, and / or prescriptive analysis, is the output of analytics derivation. These analytics may be stored and may be requested and / or subscribed to by one or more other communication nodes (or network entities) .

[0213] Fig. 23 is a schematic diagram of life cycle management (LCM) for AI for a wireless communication system, such as the wireless communication system 100. As shown in Fig. 23, the offline learning for supervised learning and unsupervised learning are captured. In addition, the LCM is extended to support the model-based reinforcement learning (RL) . In particular, the model for RL may be trained in an offline phase. During an online phase, the RL model may be used for training, refining, and inference simultaneously. With respect to the model-free RL, only the data collection, management, online inference and analytics derivation and actor function blocks, along with the monitoring data, online inference data, performance report, AI activation / deactivation, and inference output actions communications (denoted by the arrows) , as shown in Fig. 23, may be utilized.

[0214] In addition or alternatively, in some implementations, the output of the analytics derivation function block may be in the form of derived / updated analytics, which may be stored and managed similar to the storage and management of AI models. These analytics may be  consumed by the producer entity as well as exposed to other consumer communication nodes (network entities) . In addition or alternatively, in some implementations, the output of online inference may be control actions to be executed by the actor.

[0215] In addition or alternatively, in some implementations, federated learning may follow the offline model training procedure. Fig. 24 shows a schematic diagram for an example of offline federated learning. In some implementations such as shown i Fig. 24, the offline training may include the interaction between federated training initiator and the local training participant for the aggregated model transfer and the local model update and transfer.

[0216] The description and accompanying drawings above provide specific example embodiments and implementations. The described subject matter may, however, be embodied in a variety of different forms and, therefore, covered or claimed subject matter is intended to be construed as not being limited to any example embodiments set forth herein. A reasonably broad scope for claimed or covered subject matter is intended. Among other things, for example, subject matter may be embodied as methods, devices, components, systems, or non-transitory computer-readable media for storing computer codes. Accordingly, embodiments may, for example, take the form of hardware, software, firmware, storage media or any combination thereof. For example, the method embodiments described above may be implemented by components, devices, or systems including memory and processors by executing computer codes stored in the memory.

[0217] Throughout the specification and claims, terms may have nuanced meanings suggested or implied in context beyond an explicitly stated meaning. Likewise, the phrase “in one embodiment / implementation” as used herein does not necessarily refer to the same embodiment and the phrase “in another embodiment / implementation” as used herein does not necessarily refer to a different embodiment. It is intended, for example, that claimed subject matter includes combinations of example embodiments in whole or in part.

[0218] In general, terminology may be understood at least in part from usage in context. For example, terms, such as “and” , “or” , or “and / or, ” as used herein may include a variety of meanings that may depend at least in part on the context in which such terms are used. Typically, “or” if used to associate a list, such as A, B or C, is intended to mean A, B, and C, here used in the  inclusive sense, as well as A, B or C, here used in the exclusive sense. In addition, the term “one or more” as used herein, depending at least in part upon context, may be used to describe any feature, structure, or characteristic in a singular sense or may be used to describe combinations of features, structures or characteristics in a plural sense. Similarly, terms, such as “a, ” “an, ” or “the, ” may be understood to convey a singular usage or to convey a plural usage, depending at least in part upon context. In addition, the term “based on” may be understood as not necessarily intended to convey an exclusive set of factors and may, instead, allow for existence of additional factors not necessarily expressly described, again, depending at least in part on context.

[0219] Reference throughout this specification to features, advantages, or similar language does not imply that all of the features and advantages that may be realized with the present solution should be or are included in any single implementation thereof. Rather, language referring to the features and advantages is understood to mean that a specific feature, advantage, or characteristic described in connection with an embodiment is included in at least one embodiment of the present solution. Thus, discussions of the features and advantages, and similar language, throughout the specification may, but do not necessarily, refer to the same embodiment.

[0220] Furthermore, the described features, advantages and characteristics of the present solution may be combined in any suitable manner in one or more embodiments. One of ordinary skill in the relevant art will recognize, in light of the description herein, that the present solution can be practiced without one or more of the specific features or advantages of a particular embodiment. In other instances, additional features and advantages may be recognized in certain embodiments that may not be present in all embodiments of the present solution.

[0221] The subject matter of the disclosure may also relate to or include, among others, the following aspects:

[0222] A first aspect includes a method for wireless communication that includes: at least one of: training or receiving, by a first data analytics function (DAF) of a first communication node of a wireless communication system, an artificial intelligence (AI) model, or deriving or receiving, by the first DAF, analytics; and performing, by the first communication node, an intelligence-based function with at least one of: the AI model or the analytics.

[0223] A second aspect includes the first aspect, and further includes performing, by the first DAF of the first communication node, an information exchange with a second DAF of a second communication node of the wireless communication system.

[0224] A third aspect includes any of the first or second aspects, and further includes wherein each of the first communication node and the second communication node comprises a user device, a radio access network (RAN) node, a central unit (CU) , a distributed unit (DU) , a base station, a core network function, an operations and management (OAM) server, or an application.

[0225] A fourth aspect includes any of the second or third aspects, and further includes wherein performing the information exchange comprises performing at least one of between the first communication node and the second communication node: DAF registry and / or discovery; data and or analytics collection subscription and notification; AI model delivery; federated learning; or AI model performance information delivery.

[0226] A fifth aspect includes any of the third or fourth aspects, and further includes wherein performing the information exchange comprises at least one of: performing AI model delivery when an AI model producer and an AI model consumer are not located in the same communication node; performing federated learning and further performing global model delivery and local model updates delivery; performing AI model performance information delivery when an AI model producer and an AI model consumer are not located in the same DAF.

[0227] A sixth aspect includes any of the first through fifth aspects, and further includes wherein the first DAF is slice specific.

[0228] A seventh aspect includes any of the first through sixth aspects, and further includes wherein the first DAF comprises a plurality of DAF instances, wherein: one DAF instance functions as a central DAF and one or more other DAF instances function as distributed DAFs ; or one DAF instance functions as an aggregator and collects data and / or analytics information from one or more other DAF instances to produce aggregated data and / or analytics.

[0229] An eighth aspect includes any of the first through sixth aspects, and further includes wherein the first DAF functions as a DAF aggregator, and one or more other DAFs of one or more other communications nodes function as one or more DAF participants.

[0230] A ninth aspect includes the eighth aspect, and further includes wherein the first communication node comprises the DAF aggregator and the one or more other communication  nodes comprise the one or more DAF participants, and wherein the DAF aggregator initiates federated learning with the one or more DAF participants.

[0231] A tenth aspect includes any of the first through sixth aspects, and further includes wherein the first communication node comprises a radio access network (RAN) node, and the first DAF is in charge of one or more base stations and / or one or more corresponding central units (CUs) and / or one or more corresponding distributed units (DUs) .

[0232] An eleventh aspect includes the tenth aspect, and further includes wherein the first DAF of the RAN node: collects data from one or more base stations and / or one or more corresponding central units (CUs) and / or one or more corresponding distributed units (DUs) ; performs AI / machine learning (ML) model training and / or inference based on the collected data; and / or derives analytics and / or makes decisions for network control.

[0233] A twelfth aspect includes any of the tenth or eleventh aspects, and further includes wherein the first DAF sends at least one control command to one or more base stations or CUs or DUs, wherein the one or more base stations or CUs or DUs receive and respond to the at least one control command by performing one or more responsive actions and / or sending at least one response message.

[0234] A thirteenth aspect includes a method for wireless communication that includes: receiving, by a first communication node or a first data analytics function (DAF) , artificial intelligence (AI)  / machine learning (ML) capability information of a second communication node from the second communication node or a second DAF.

[0235] A fourteenth aspect includes a method for wireless communication that includes: transmitting, by a second communication node or a second data analytics function (DAF) , artificial intelligence (AI)  / machine learning (ML) capability information of the second communication node to a first communication node or a first DAF.

[0236] A fifteenth aspect includes any of the thirteenth or fourteenth aspects, and further includes wherein the AI / ML capability information of the second communication node comprises at least one of: at least one DAF type, at least one data identification (ID) and / or analytics ID, at least one data and / or analytics type, availability information, single network slice selection assistance information (S-NSSAI) , at least one federated learning (FL) capability, at least one model ID, at least one node ID, or at least one node address.

[0237] A sixteenth aspect includes the fifteenth aspect, and further includes wherein the at least one DAF type indicates at least one type of the second communication node, the at least one DAF type comprising at least one of: a user device, a radio access network (RAN) , a base station, a central unit (CU) , a distributed unit (DU) , a core network function, an operations and management (OAM) , or an application.

[0238] A seventeenth aspect includes any of the fifteenth or sixteenth aspects, and further includes wherein the at least one data and / or analytics type comprises at least one of: traffic, quality of service (QoS) , mobility, energy, behavior and / or habits, computing resource usage, beam prediction, measurement, a cell load, a per slice per cell load, a resource status, an uplink (UL) channel condition, a downlink (DL) channel condition, a cell or user device-specific discontinuous (DRX) mode or discontinuous transmission (DTX) mode, cell energy efficiency, beam resource usage, handover (HO) performance, a radio link control (RLC) layer latency, a medium access control (MAC) layer latency, a buffer status report (BSR) , radio resource usage, power measurement, channel measurement, packet loss rate, a packet data convergence protocol (PDCP) buffer status, a PDCP throughput, a PDCP latency, data radio bearer (DRB) setup management information, a radio resource control (RRC) connection number, packet data unit (PDU) session management or radio resource utilization information.

[0239] An eighteenth aspect includes any of the fifteenth through seventeenth aspects, and further includes wherein the availability information comprises at least one of: an available time interval, an available area, or an available resource.

[0240] A nineteenth aspect includes any of the fifteenth through eighteenth aspects, and further includes wherein the at least one FL capability comprises at least one of: a FL aggregator or a FL participant.

[0241] A twentieth aspect includes any of the fifteenth through nineteenth aspects, and further includes wherein the at least one node ID comprises at least one of: a user device ID, a base station ID, a distributed unit (DU) ID, a central unit (CU) ID, a core network function ID, an application ID, or an operations and management (OAM) ID, and wherein the at least one node address comprises at least one of: a transport layer address comprising at least one of: an Internet Protocol (IP) address, a port number, or a tunnel endpoint ID (TEID) .

[0242] A twenty-first aspect includes any of the thirteenth through twentieth aspects, and further includes wherein after the first communication node or the first DAF receives the AI / ML capability information from the second communication node or the second DAF, and / or after the second communication node or the second DAF transmits the AI / ML capability information to the first communication node or the first DAF, the first communication node or the first DAF selects one or more appropriate communication nodes or DAFs to initiate at least one of: training an AI model, data collection, analytics data collection, AI model delivery, or federated learning or distributed learning.

[0243] A twenty-second aspect includes a method for wireless communication that includes: transmitting, by a first communication node or a first data analytics function (DAF) , a DAF discovery request to a second communication node or a second DAF; and receiving, by the first communication node, a DAF discovery response from the second communication node or the second DAF.

[0244] A twenty-third aspect includes a method for wireless communication that includes: receiving, by a second communication node or a second data analytics function (DAF) , a DAF discovery request from a first communication node or a first DAF; and transmitting, by the second communication node or the second DAF, a DAF discovery response to the first communication node or the first DAF.

[0245] A twenty-fourth aspect includes any of the twenty-second or twenty-third aspects, and further includes transmitting, by the first communication node or the first DAF, a DAF registration request to the second communication node or the second DAF.

[0246] A twenty-fifth aspect includes any of the twenty-second through twenty-fourth aspects, and further includes: receiving, by the second communication node or the second DAF, a DAF registration request from the first communication node or the first DAF.

[0247] A twenty-sixth aspect includes any of the twenty-fourth or twenty-fifth aspects, and further includes wherein the DAF registration request comprises at least one of: at least one node identification (ID) , at least one node address, at least one node type, a DAF type, area information, at least one data ID and / or analytics ID, at least one data or analytics type, availability information, single network slice selection assistance information (S-NSSAI) , at least one federated learning (FL) capability, or at least one model ID.

[0248] A twenty-seventh aspect includes the twenty-sixth aspect, and further includes wherein: the at least one node type comprises at least one of: a user device, a base station, a central unit (CU) , a distributed unit (DU) , a core network function, an application, or an operations and management (OAM) server; and the at least one node ID comprises at least one of: a user device ID, a base station ID, a DU ID, a CU ID, a core network function ID, an application ID, or an OAM server ID.

[0249] A twenty-eighth aspect includes any of the twenty-sixth or twenty-seventh aspects, and further includes wherein the first communication node comprises a user device and the at least one node ID comprises at least one of: a cell-radio network temporary identifier (C-RNTI) , a cell ID, a S-temporary mobile subscriber identity (S-TMSI) , a user ID, or an access point (AP) ID.

[0250] A twenty-ninth aspect includes any of the twenty-sixth through twenty-eighth aspects, and further includes wherein the area information comprises at least one of: one or more tracking area identities (TAIs) , one or more cell identifications (IDs) , one or more base station IDs, or one or more user device IDs.

[0251] A thirtieth aspect includes any of the twenty-sixth through twenty-ninth aspects, and further includes wherein the at least one node address is indicated via at least one of: an Internet Protocol (IP) address, a port number, and or a tunnel endpoint ID (TEID) .

[0252] A thirty-first aspect includes any of the twenty-sixth through thirtieth aspects, and further includes wherein the first DAF functions as a DAF aggregator, wherein the DAF registration request comprises information of a plurality of DAFs.

[0253] A thirty-second aspect includes the thirty-first aspect, and further includes wherein the first communication node comprises a base station, wherein the information of the plurality of DAFs comprises first information of a DAF of a central unit (CU) and / or second information of a DAF of a distributed unit (DU) .

[0254] A thirty-third aspect includes any of the thirty-first or thirty-second aspects, and further includes wherein the first DAF is located in a radio access network (RAN) and controls one or more base stations, one or more central units (CUs) , and / or one or more DUs, and wherein the DAF registration request comprises multiple entries for node identifications, node addresses, node types, and / or DAF types for the one or more base stations, CUs, and / or DUs.

[0255] A thirty-fourth aspect includes any of the twenty-second through thirty-third aspects, and further includes wherein the DAF discovery request comprises at least one of: at least one node identification (ID) , at least one node type, at least one DAF type, at least one target DAF type, at least one target area, at least one operation type, or at least one criteria.

[0256] A thirty-fifth aspect includes the thirty-fourth aspect, and further includes wherein each of the at least one node ID, the at least one node type and the at least one DAF type indicate information of the first DAF, and wherein the at least one target DAF type indicates at least one DAF type to be discovered by the first DAF.

[0257] A thirty-sixth aspect includes any of the thirty-fourth or thirty-fifth aspects, and further includes wherein: the at least one target area comprises at least one of: one or more tracking area identities (TAIs) , one or more cell identifications (IDs) , one or more base station IDs, or one or more user device IDs, the at least one operation type comprises at least one of: data and / or analytics collection, model acquisition, federated or distributed learning, or AI performance monitoring, the at least one criteria comprises information for discovery of a target DAF and comprises at least one of: a public land mobile network (PLMN) ID, single-network slice selection assistance information (S-NSSAI) , a network slice instance (NSI) ID, a federated learning (FL) aggregator or a FL participant, or availability information, and / or the availability information comprising an available time interval requirement, a threshold for an available resource, a data ID and / or analytics ID, or a model ID.

[0258] A thirty-seventh aspect includes any of the twenty-second through thirty-sixth aspects, and further includes wherein the DAF discovery response comprises at least one of: at least one DAF index, at least one node identification (ID) , at least one DAF type, at least one public land mobile network (PLMN) ID, single-network slice selection assistance information (S-NSSAI) , a network slice instance (NSI) ID, at least one federated learning (FL) capability, area information, availability information, or at least one transport network layer (TNL) address.

[0259] A thirty-eighth aspect includes any of the twenty-second through thirty-seventh aspects, and further includes wherein in response to receiving the DAF discovery response from the second communication node or the second DAF, the first DAF selects one or more DAFs to initiate at least one of: training an AI model, data collection, analytics collection, AI model delivery, or federated learning or distributed learning.

[0260] A thirty-ninth aspect includes any of the twenty-second through thirty-eighth aspects, and further includes wherein the DAF registration request, a DAF discovery request, and / or a DAF discovery response are delivered via at least one of: application server (AS) signaling for interaction between a user device DAF and a radio access network (RAN) DAF; non-access stratum (NAS) signaling for interaction between a user device DAF and a core network DAF and / or an interface between a user device DAF and an application DAF; user plane traffic or Internet Protocol (IP) traffic for interaction between two DAFs; signaling between a RAN node and a core network function for interaction between a RAN DAF and a core network DAF; or signaling between RAN nodes for interaction between RAN DAFs of neighboring base stations or between RAN DAFs of a central unit (CU) and a distributed unit (DU) .

[0261] A fortieth aspect includes any of the twenty-second through thirty-ninth aspects, and further includes wherein the second communication node or the second DAF comprises a network discovery function (NDF) or a common application program interface framework (CAPIF) core function (CCF) .

[0262] A forty-first aspect includes a method for wireless communication that includes: transmitting, by a first digital analytics function (DAF) , a DAF request to a second DAF; and receiving, by the first DAF, a DAF response from the second DAF.

[0263] A forty-second aspect includes a method for wireless communication that includes: receiving, by a second digital analytics function (DAF) , a DAF request from a first DAF; and transmitting, by the second DAF, a DAF response to the first DAF.

[0264] A forty-third aspect includes any of the forty-first or forty-second aspects, and further includes wherein the DAF request comprises a DAF data collection request to receive data and / or analytics of the second DAF.

[0265] A forty-fourth aspect includes any of the forty-first through forty-third aspects, and further includes wherein the DAF response comprises a DAF data collection response.

[0266] A forty-fifth aspect includes any of the forty-third or forty-fourth aspects, and further includes wherein the first DAF is in a first central unit (CU) of a radio access network (RAN) node, and the second DAF is in a second distributed unit (DU) connected to a second CU of the RAN node.

[0267] A forty-sixth aspect includes the forty-fifth aspect, and further includes wherein the first DAF receives the data and / or analytics of the second DAF via a third DAF in the second CU.

[0268] A forty-seventh aspect includes the forty-fifth aspect, and further includes wherein the first DAF in the first CU receives the data and / or analytics of the second DAF in the second DU directly from the second DAF upon the first DAF receiving a transport network layer (TNL) address of the second DAF via a third DAF in the second CU.

[0269] A forty-eighth aspect includes any of the forty-third or forty-fourth aspects, and further includes wherein the first DAF is in a first distributed unit (DU) of a radio access network (RAN) node, and the second DAF is in a second DU of the RAN node.

[0270] A forty-ninth aspect includes the forty-eighth aspect, and further includes wherein the first DAF in the first DU receives the data and / or analytics of the second DAF in the second DU via a third DAF in a first central unit (CU) connected to the first DU.

[0271] A fiftieth aspect includes the forty-eighth aspect, and further includes wherein the first DAF in the first DU receives the data and / or analytics of the second DAF in the second DU via a third DAF in a second central unit (CU) connected to the second DU and a fourth DAF in a first CU connected to the first DU.

[0272] A fifty-first aspect includes the forty-eighth aspect, and further includes wherein the first DAF receives the data and / or analytics directly from the second DAF upon the first DAF receiving a transport network layer (TNL) address of the second DAF.

[0273] A fifty-second aspect includes the forty-eighth aspect, and further includes wherein the first DU establishes an interface with the second DU to receive the data and / or analytics of the second DAF of the second DU.

[0274] A fifty-third aspect includes any of the forty-third through fifth-second aspects, and further includes wherein the DAF data collection request comprises at least one of: at least one data collection identification (ID) , at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one data ID and / or analytics ID, at least one data and / or analytic type, at least one node ID, at least one node type, or at least one time window.

[0275] A fifty-fourth aspect includes any of the forty-third through fifty-third aspects, and further includes wherein the DAF data collection response comprises at least one of: at least one  data collection identification (ID) , at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one data ID and / or analytics ID, at least one data and / or analytic type, at least one node ID, at least one node type, or the requested data and / or analytics.

[0276] A fifth-fifth aspect includes any of the forty-first or forty-second aspects, and further includes wherein the DAF request comprises a DAF data collection subscription request, and wherein the DAF data collection subscription request comprises at least one data collection ID, at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one data ID and / or analytics ID, at least one data and / or analytic type, at least one node ID, at least one node type, at least one time window, at least one notification ID, at least one event threshold, at least one periodicity, or at least one notification address.

[0277] A fifty-sixth aspect includes any of the forty-first or forty-second aspects, and further includes wherein the DAF response comprises a DAF data collection subscription response, and wherein the DAF data collection subscription response comprises at least one of: at least one data collection ID, at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one subscription ID, at least one node ID, at least one node type, at least one accepted data ID and / or analytics ID, at least one accepted data and / or analytic type, or at least one reject cause.

[0278] A fifty-seventh aspect includes any of the fifty-fifty or fifty-sixth aspects, and further includes: after the requested or subscribed data and / or analytics is ready, receiving, by the first DAF, a DAF data collection notification from the second DAF, wherein the DAF data collection notification comprises at least one of: at least one notification ID, at least one PLMN ID, at least one single network slice selection assistance information (S-NSSAI) , at least one node ID, at least one node type, at least one requested data or analytics, or at least one timestamp.

[0279] A fifty-eighth aspect includes any of the forty-first or forty-second aspects, and further includes wherein the DAF request comprises a DAF model request.

[0280] A fifty-ninth aspect includes the fifty-eighth aspect, and further includes wherein the DAF model request comprises at least one of: at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one model ID,  at least one analytics ID, at least one analytics type, availability information, at least one time interval, at least one accuracy level, at least one notification ID, at least one notification address.

[0281] A sixtieth aspect includes any of the forty-first or forty-second aspects, and further includes wherein the DAF response comprises a DAF model response.

[0282] A sixty-first aspect includes the sixtieth aspect, and further includes wherein the DAF model response comprises at least one of: at least one PLMN ID, at least one single network slice selection assistance information (S-NSSAI) , at least one notification ID, at least one analytics ID, at least one model ID, at least one requested model, at least one model file address, at least one accuracy value, or at least one timestamp.

[0283] A sixty-second aspect includes any of the forty-first or forty-second aspects, and further includes wherein the DAF request comprises a DAF model subscription request.

[0284] A sixty-third aspect includes the sixty-second aspect, and further includes wherein the DAF model subscription request comprises at least one: at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one model identification (ID) , at least one analytics ID, at least one analytic type, availability information, at least one time interval, at least one accuracy level, at least one notification ID, or at least one notification address.

[0285] A sixty-fourth aspect includes any of the forty-first or forty-second aspects, and further includes wherein the DAF response comprises a DAF model subscription response.

[0286] A sixty-fifth aspect includes the sixty-fourth aspect, and further includes wherein the DAF model subscription response comprises at least one of: at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one notification ID, at least one model ID, at least one accepted analytics ID, at least one accepted analytic type, or at least one reject cause.

[0287] A sixty-sixth aspect includes any of the sixty-second through sixth-fifth aspects, and further includes: after the requested or subscribed model is ready, receiving, by the first DAF from the second DAF, and / or transmitting, by the second DAF to the first DAF, a DAF model notification, wherein the DAF model notification comprises at least one of: at least one PLMN ID, at least one single network slice selection assistance information (S-NSSAI) , at least one  notification ID, at least one analytics ID, at least one model ID, at least one requested model, at least one model file address, at least one accuracy value, or at least one timestamp.

[0288] A sixty-seventh aspect includes any of the forty-first or forty-second aspects, and further includes wherein the DAF request comprises a DAF model performance monitoring request.

[0289] A sixty-eighth aspect includes the sixty-seventh aspect, and further includes wherein the DAF model performance monitoring request comprises at least one of: at least one public land mobile network (PLMN) ID, at least one model ID, at least one analytics ID, at least one analytics type, single network slice selection assistance information (S-NSSAI) , periodicity information, at least one report threshold for model accuracy, or performance metrics.

[0290] A sixty-ninth aspect includes any of the forty-first or forty-second aspects, and further includes wherein the DAF response comprises a DAF model performance monitoring report generated based on the second DAF monitoring a performance of an artificial intelligence (AI)  / machine learning (ML) model.

[0291] A seventieth aspect includes the sixty-ninth aspect, and further includes wherein the second DAF sends the DAF model performance monitoring report in response to a model accuracy level being lower than a report threshold.

[0292] A seventy-first aspect includes any of the sixty-ninth or seventieth aspects, and further includes wherein the DAF model performance monitoring report comprises at least one of: at least one analytics ID, at least one model ID, at least one performance metric, at least one model accuracy value, or at least one time interval.

[0293] A seventy-second aspect includes any of the forty-first through seventy-first aspects, and further includes wherein a set of one or more messages comprising the DAF request and / or the DAF response comprises a set of one or more application programming interfaces (APIs) for service operation, and wherein one or more fields of the set of one or more messages comprises input and output fields for the set of one or more APIs.

[0294] A seventy-third aspect includes a wireless communications apparatus comprising a processor and a memory, wherein the processor is configured to cause the apparatus to perform a method of any of the first through seventy-second aspects.

[0295] A seventy-fourth aspect includes a computer program product including a computer-readable program medium comprising code stored thereupon, the code, when executed by a processor, causing the processor to implement any of the first through seventy-second aspects.

[0296] In addition to the features mentioned in each of the independent aspects enumerated above, some examples may show, alone or in combination, the optional features mentioned in the dependent aspects and / or as disclosed in the description above and shown in the figures.

Claims

1.A method for wireless communication, the method comprising:at least one of: training or receiving, by a first data analytics function (DAF) of a first communication node of a wireless communication system, an artificial intelligence (AI) model, or deriving or receiving, by the first DAF, analytics; andperforming, by the first communication node, an intelligence-based function with at least one of: the AI model or the analytics.2.The method of claim 1, further comprising: performing, by the first DAF of the first communication node, an information exchange with a second DAF of a second communication node of the wireless communication system.3.The method of claim 1, wherein each of the first communication node and the second communication node comprises a user device, a radio access network (RAN) node, a central unit (CU) , a distributed unit (DU) , a base station, a core network function, an operations and management (OAM) server, or an application.4.The method of any of claims 2 or 3, wherein performing the information exchange comprises performing at least one of between the first communication node and the second communication node:DAF registry and / or discovery;data and or analytics collection subscription and notification;AI model delivery;federated learning; orAI model performance information delivery.5.The method of claim 3, wherein performing the information exchange comprises at least one of:performing AI model delivery when an AI model producer and an AI model consumer are not located in the same communication node;performing federated learning and further performing global model delivery and local model updates delivery;performing AI model performance information delivery when an AI model producer and an AI model consumer are not located in the same DAF.6.The method of claim 1, wherein the first DAF is slice specific.7.The method of claim 1, wherein the first DAF comprises a plurality of DAF instances, wherein:one DAF instance functions as a central DAF and one or more other DAF instances function as distributed DAFs ; orone DAF instance functions as an aggregator and collects data and / or analytics information from one or more other DAF instances to produce aggregated data and / or analytics.8.The method of claim 1, wherein the first DAF functions as a DAF aggregator, and one or more other DAFs of one or more other communications nodes function as one or more DAF participants.9.The method of claim 8, wherein the first communication node comprises the DAF aggregator and the one or more other communication nodes comprise the one or more DAF participants, and wherein the DAF aggregator initiates federated learning with the one or more DAF participants.10.The method of claim 1, wherein the first communication node comprises a radio access network (RAN) node, and the first DAF is in charge of one or more base stations and / or one or more corresponding central units (CUs) and / or one or more corresponding distributed units (DUs) .11.The method of claim 10, wherein the first DAF of the RAN node:collects data from one or more base stations and / or one or more corresponding central units (CUs) and / or one or more corresponding distributed units (DUs) ;performs AI / machine learning (ML) model training and / or inference based on the collected data; and / orderives analytics and / or makes decisions for network control.12.The method of claim 10, wherein the first DAF sends at least one control command to one or more base stations or CUs or DUs, wherein the one or more base stations or CUs or DUs receive and respond to the at least one control command by performing one or more responsive actions and / or sending at least one response message.13.A method for wireless communication, the method comprising:receiving, by a first communication node or a first data analytics function (DAF) , artificial intelligence (AI)  / machine learning (ML) capability information of a second communication node from the second communication node or a second DAF.14.A method for wireless communication, the method comprising:transmitting, by a second communication node or a second data analytics function (DAF) , artificial intelligence (AI)  / machine learning (ML) capability information of the second communication node to a first communication node or a first DAF.15.The method of any of claims 13 or 14, wherein the AI / ML capability information of the second communication node comprises at least one of: at least one DAF type, at least one data identification (ID) and / or analytics ID, at least one data and / or analytics type, availability information, single network slice selection assistance information (S-NSSAI) , at least one federated learning (FL) capability, at least one model ID, at least one node ID, or at least one node address.16.The method of claim 15, wherein the at least one DAF type indicates at least one type of the second communication node, the at least one DAF type comprising at least one of: a user device, a radio access network (RAN) , a base station, a central unit (CU) , a distributed unit (DU) , a core network function, an operations and management (OAM) , or an application.17.The method of claim 15, wherein the at least one data and / or analytics type comprises at least one of: traffic, quality of service (QoS) , mobility, energy, behavior and / or habits, computing resource usage, beam prediction, measurement, a cell load, a per slice per cell load, a resource status, an uplink (UL) channel condition, a downlink (DL) channel condition, a cell or user device-specific discontinuous (DRX) mode or discontinuous transmission (DTX) mode, cell energy efficiency, beam resource usage, handover (HO) performance, a radio link control (RLC) layer latency, a medium access control (MAC) layer latency, a buffer status report (BSR) , radio resource usage, power measurement, channel measurement, packet loss rate, a packet data convergence protocol (PDCP) buffer status, a PDCP throughput, a PDCP latency, data radio bearer (DRB) setup management information, a radio resource control (RRC) connection number, packet data unit (PDU) session management or radio resource utilization information.18.The method of claim 15, wherein the availability information comprises at least one of: an available time interval, an available area, or an available resource.19.The method of claim 15, wherein the at least one FL capability comprises at least one of: a FL aggregator or a FL participant.20.The method of claim 15, wherein the at least one node ID comprises at least one of: a user device ID, a base station ID, a distributed unit (DU) ID, a central unit (CU) ID, a core network function ID, an application ID, or an operations and management (OAM) ID, and wherein the at least one node address comprises at least one of: a transport layer address comprising at least one of: an Internet Protocol (IP) address, a port number, or a tunnel endpoint ID (TEID) .21.The method of any of claims 13 or 14, wherein after the first communication node or the first DAF receives the AI / ML capability information from the second communication node or the second DAF, and / or after the second communication node or the second DAF transmits the AI / ML capability information to the first communication node or the first DAF, the first communication node or the first DAF selects one or more appropriate communication nodes or DAFs to initiate at least one of: training an AI model, data collection, analytics data collection, AI model delivery, or federated learning or distributed learning.22.A method for wireless communication, the method comprising:transmitting, by a first communication node or a first data analytics function (DAF) , a DAF discovery request to a second communication node or a second DAF; andreceiving, by the first communication node, a DAF discovery response from the second communication node or the second DAF.23.A method for wireless communication, the method comprising:receiving, by a second communication node or a second data analytics function (DAF) , a DAF discovery request from a first communication node or a first DAF; andtransmitting, by the second communication node or the second DAF, a DAF discovery response to the first communication node or the first DAF.24.The method of claim 22, further comprising: transmitting, by the first communication node or the first DAF, a DAF registration request to the second communication node or the second DAF.25.The method of claim 23, further comprising: receiving, by the second communication node or the second DAF, a DAF registration request from the first communication node or the first DAF.26.The method of any of claims 24 or 25, wherein the DAF registration request comprises at least one of: at least one node identification (ID) , at least one node address, at least one node type, a  DAF type, area information, at least one data ID and / or analytics ID, at least one data or analytics type, availability information, single network slice selection assistance information (S-NSSAI) , at least one federated learning (FL) capability, or at least one model ID.27.The method of claim 26, wherein:the at least one node type comprises at least one of: a user device, a base station, a central unit (CU) , a distributed unit (DU) , a core network function, an application, or an operations and management (OAM) server; andthe at least one node ID comprises at least one of: a user device ID, a base station ID, a DU ID, a CU ID, a core network function ID, an application ID, or an OAM server ID.28.The method of claim 26, wherein the first communication node comprises a user device and the at least one node ID comprises at least one of: a cell-radio network temporary identifier (C-RNTI) , a cell ID, a S-temporary mobile subscriber identity (S-TMSI) , a user ID, or an access point (AP) ID.29.The method of claim 26, wherein the area information comprises at least one of: one or more tracking area identities (TAIs) , one or more cell identifications (IDs) , one or more base station IDs, or one or more user device IDs.30.The method of claim 26, wherein the at least one node address is indicated via at least one of: an Internet Protocol (IP) address, a port number, and or a tunnel endpoint ID (TEID) .31.The method of claim 26, wherein the first DAF functions as a DAF aggregator, wherein the DAF registration request comprises information of a plurality of DAFs.32.The method of claim 31, wherein the first communication node comprises a base station, wherein the information of the plurality of DAFs comprises first information of a DAF of a central unit (CU) and / or second information of a DAF of a distributed unit (DU) .33.The method of claim 31, wherein the first DAF is located in a radio access network (RAN) and controls one or more base stations, one or more central units (CUs) , and / or one or more DUs, and wherein the DAF registration request comprises multiple entries for node identifications, node addresses, node types, and / or DAF types for the one or more base stations, CUs, and / or DUs.34.The method of any of claims 22 or 23, wherein the DAF discovery request comprises at least one of: at least one node identification (ID) , at least one node type, at least one DAF type, at least one target DAF type, at least one target area, at least one operation type, or at least one criteria.35.The method of claim 34, wherein each of the at least one node ID, the at least one node type and the at least one DAF type indicate information of the first DAF, and wherein the at least one target DAF type indicates at least one DAF type to be discovered by the first DAF.36.The method of claim 34, wherein:the at least one target area comprises at least one of: one or more tracking area identities (TAIs) , one or more cell identifications (IDs) , one or more base station IDs, or one or more user device IDs,the at least one operation type comprises at least one of: data and / or analytics collection, model acquisition, federated or distributed learning, or AI performance monitoring,the at least one criteria comprises information for discovery of a target DAF and comprises at least one of: a public land mobile network (PLMN) ID, single-network slice selection assistance information (S-NSSAI) , a network slice instance (NSI) ID, a federated learning (FL) aggregator or a FL participant, or availability information, and / orthe availability information comprising an available time interval requirement, a threshold for an available resource, a data ID and / or analytics ID, or a model ID.37.The method of any of claims 22 or 23, wherein the DAF discovery response comprises at least one of: at least one DAF index, at least one node identification (ID) , at least one DAF type, at least one public land mobile network (PLMN) ID, single-network slice selection assistance information (S-NSSAI) , a network slice instance (NSI) ID, at least one federated learning (FL) capability, area information, availability information, or at least one transport network layer (TNL) address.38.The method of claim 22, wherein in response to receiving the DAF discovery response from the second communication node or the second DAF, the first DAF selects one or more DAFs to initiate at least one of: training an AI model, data collection, analytics collection, AI model delivery, or federated learning or distributed learning.39.The method of claims 22 or 25, wherein the DAF registration request, a DAF discovery request, and / or a DAF discovery response are delivered via at least one of:application server (AS) signaling for interaction between a user device DAF and a radio access network (RAN) DAF;non-access stratum (NAS) signaling for interaction between a user device DAF and a core network DAF and / or an interface between a user device DAF and an application DAF;user plane traffic or Internet Protocol (IP) traffic for interaction between two DAFs;signaling between a RAN node and a core network function for interaction between a RAN DAF and a core network DAF; orsignaling between RAN nodes for interaction between RAN DAFs of neighboring base stations or between RAN DAFs of a central unit (CU) and a distributed unit (DU) .40.The method of any of claims 22 or 23, wherein the second communication node or the second DAF comprises a network discovery function (NDF) or a common application program interface framework (CAPIF) core function (CCF) .41.A method for wireless communication, the method comprising:transmitting, by a first digital analytics function (DAF) , a DAF request to a second DAF; andreceiving, by the first DAF, a DAF response from the second DAF.42.A method for wireless communication, the method comprising:receiving, by a second digital analytics function (DAF) , a DAF request from a first DAF; andtransmitting, by the second DAF, a DAF response to the first DAF.43.The method of any of claims 41 or 42, wherein the DAF request comprises a DAF data collection request to receive data and / or analytics of the second DAF.44.The method of any of claims 41 or 42, wherein the DAF response comprises a DAF data collection response.45.The method of any of claims 43 or 44, wherein the first DAF is in a first central unit (CU) of a radio access network (RAN) node, and the second DAF is in a second distributed unit (DU) connected to a second CU of the RAN node.46.The method of claim 45, wherein the first DAF receives the data and / or analytics of the second DAF via a third DAF in the second CU.47.The method of claim 45, wherein the first DAF in the first CU receives the data and / or analytics of the second DAF in the second DU directly from the second DAF upon the first DAF receiving a transport network layer (TNL) address of the second DAF via a third DAF in the second CU.48.The method of any of claims 43 or 44, wherein the first DAF is in a first distributed unit (DU) of a radio access network (RAN) node, and the second DAF is in a second DU of the RAN node.49.The method of claim 48, wherein the first DAF in the first DU receives the data and / or analytics of the second DAF in the second DU via a third DAF in a first central unit (CU) connected to the first DU.50.The method of claim 48, wherein the first DAF in the first DU receives the data and / or analytics of the second DAF in the second DU via a third DAF in a second central unit (CU) connected to the second DU and a fourth DAF in a first CU connected to the first DU.51.The method of claim 48, wherein the first DAF receives the data and / or analytics directly from the second DAF upon the first DAF receiving a transport network layer (TNL) address of the second DAF.52.The method of claim 48, wherein the first DU establishes an interface with the second DU to receive the data and / or analytics of the second DAF of the second DU.53.The method of any of claim 43, wherein the DAF data collection request comprises at least one of: at least one data collection identification (ID) , at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one data ID and / or analytics ID, at least one data and / or analytic type, at least one node ID, at least one node type, or at least one time window.54.The method of claim 44, wherein the DAF data collection response comprises at least one of: at least one data collection identification (ID) , at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one data ID and / or analytics ID, at least one data and / or analytic type, at least one node ID, at least one node type, or the requested data and / or analytics.55.The method of any of claims 41 or 42, wherein the DAF request comprises a DAF data collection subscription request, and wherein the DAF data collection subscription request comprises at least one data collection ID, at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one data ID and / or analytics ID, at least one data and / or analytic type, at least one node ID, at least one node type, at least one time window, at least one notification ID, at least one event threshold, at least one periodicity, or at least one notification address.56.The method of any of claims 41 or 42, wherein the DAF response comprises a DAF data collection subscription response, and wherein the DAF data collection subscription response  comprises at least one of: at least one data collection ID, at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one subscription ID, at least one node ID, at least one node type, at least one accepted data ID and / or analytics ID, at least one accepted data and / or analytic type, or at least one reject cause.57.The method of claim 55 or 56, further comprising:after the requested or subscribed data and / or analytics is ready, receiving, by the first DAF, a DAF data collection notification from the second DAF, wherein the DAF data collection notification comprises at least one of: at least one notification ID, at least one PLMN ID, at least one single network slice selection assistance information (S-NSSAI) , at least one node ID, at least one node type, at least one requested data or analytics, or at least one timestamp.58.The method of any of claims 41 or 42, wherein the DAF request comprises a DAF model request.59.The method of claim 58, wherein the DAF model request comprises at least one of: at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one model ID, at least one analytics ID, at least one analytics type, availability information, at least one time interval, at least one accuracy level, at least one notification ID, at least one notification address.60.The method of any of claims 41 or 42, wherein the DAF response comprises a DAF model response.61.The method of claim 60, wherein the DAF model response comprises at least one of: at least one PLMN ID, at least one single network slice selection assistance information (S-NSSAI) , at least one notification ID, at least one analytics ID, at least one model ID, at least one requested model, at least one model file address, at least one accuracy value, or at least one timestamp.62.The method of any of claims 41 or 42, wherein the DAF request comprises a DAF model subscription request.63.The method of claim 62, wherein the DAF model subscription request comprises at least one: at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one model identification (ID) , at least one analytics ID, at least one analytic type, availability information, at least one time interval, at least one accuracy level, at least one notification ID, or at least one notification address.64.The method of any of claims 41 or 42, wherein the DAF response comprises a DAF model subscription response.65.The method of claim 64, wherein the DAF model subscription response comprises at least one of: at least one public land mobile network (PLMN) ID, at least one single network slice selection assistance information (S-NSSAI) , at least one notification ID, at least one model ID, at least one accepted analytics ID, at least one accepted analytic type, or at least one reject cause.66.The method of any of claims 62 or 64, further comprising:after the requested or subscribed model is ready, receiving, by the first DAF from the second DAF, and / or transmitting, by the second DAF to the first DAF, a DAF model notification, wherein the DAF model notification comprises at least one of: at least one PLMN ID, at least one single network slice selection assistance information (S-NSSAI) , at least one notification ID, at least one analytics ID, at least one model ID, at least one requested model, at least one model file address, at least one accuracy value, or at least one timestamp.67.The method of any of claims 41 or 42, wherein the DAF request comprises a DAF model performance monitoring request.68.The method of claim 67, wherein the DAF model performance monitoring request comprises at least one of: at least one public land mobile network (PLMN) ID, at least one model ID, at least one analytics ID, at least one analytics type, single network slice selection assistance information (S-NSSAI) , periodicity information, at least one report threshold for model accuracy, or performance metrics.69.The method of any of claims 41 or 42, wherein the DAF response comprises a DAF model performance monitoring report generated based on the second DAF monitoring a performance of an artificial intelligence (AI)  / machine learning (ML) model.70.The method of claim 69, wherein the second DAF sends the DAF model performance monitoring report in response to a model accuracy level being lower than a report threshold.71.The method of claim 69, wherein the DAF model performance monitoring report comprises at least one of: at least one analytics ID, at least one model ID, at least one performance metric, at least one model accuracy value, or at least one time interval.72.The method of any of claims 41 or 42, wherein a set of one or more messages comprising the DAF request and / or the DAF response comprises a set of one or more application programming  interfaces (APIs) for service operation, and wherein one or more fields of the set of one or more messages comprises input and output fields for the set of one or more APIs.73.A wireless communications apparatus comprising a processor and a memory, wherein the processor is configured to cause the apparatus to perform a method of any of claims 1 to 72.74.A computer program product comprising a computer-readable program medium comprising code stored thereupon, the code, when executed by a processor, configured to cause the processor to perform a method of any of claims 1 to 72.

Images