Method and apparatus for handover during artificial intelligence

Abstract

There is provided a method and apparatus for performing handover for devices performing local Artificial Intelligence (AI) inference. A User Equipment (UE) determines that a handover should occur not only based on signal strength, but on other factors relating to a serving base station's ability to assist the UE in its ongoing AI inference task, as compared to the target base stations. When a handover occurs, the target base station is selected based on its ability to assist the UE in its ongoing AI inference task, and the handover procedure may include forwarding AI-relevant data to the target base station and the UE pausing the AI inference task at a specified checkpoint, to be resumed once the handover is complete.

Description

METHOD AND APPARATUS FOR HANDOVER DURING ARTIFICIAL INTELLIGENCE

[0001] CROSS-REFERENCE TO RELATED APPLICATIONS

[0002] The present application claims priority from U.S. Patent Application No. 63 / 656,047, filed June 4th, 2024 and incorporated herein by reference.TECHNICAL FIELD

[0003] The present disclosure relates to wireless communications. Specifically, the present disclosure relates to a method and apparatus for performing handover of a device during ongoing artificial intelligence (AI) inference.BACKGROUND

[0004] The landscape of wireless communication is rapidly evolving beyond human users, with a growing influx of robots and other AI-enabled devices entering the network. These non-human users present unique challenges and opportunities for future systems, requiring innovative solutions to support their diverse functionalities and demanding AI processing requirements.

[0005] In the future of wireless communication, a significant portion of user equipments (UEs) will consist of robots and similar autonomous entities. Unlike human users who primarily consume data for communication and entertainment, these AI-powered devices will actively participate in the network, generating and exchanging data for a wide range of purposes. This includes tasks such as environmental sensing, object recognition, navigation, and decision-making, all of which rely heavily on real-time AI inference capabilities.

[0006] To support this burgeoning population of AI-enabled UEs, systems must evolve beyond traditional data delivery and embrace a new paradigm of on-demand AI service provision. This entails not only providing reliable connectivity but also offering distributed intelligence capabilities, enabling AI processing to occur at the edge of the network, closer to the source of data generation. This distributed approach minimizes latency, ensures real-time responsiveness, and optimizes resource utilization, facilitating efficient execution of AI tasks on mobile devices.SUMMARY

[0007] It is an object of the present disclosure to provide an improved method for handover of a UE which takes in consideration any AI inference task being performed by the UE.

[0008] According to a first aspect, there is provided a method at a network element, comprising receiving a request from a user equipment (UE) for a knowledge base assessment of a plurality of candidate target base stations, forwarding the request to each of the plurality of candidate target base stations, receiving a relevance score from each of the plurality of candidate target base stations, receiving a measurement report from the UE, the measurement report comprising at least one of contextual information, channel state information, or inference task information, the inference task information comprising information on one or more inference tasks of the UE, selecting a target base station from the plurality of candidate target base stations based on the measurement report and the respective relevance score from each of the plurality of candidate target base stations, and transmitting, to the UE, a handover command to allow the UE to connect to the target base station, the handover command comprising inference capabilities of the target base station.

[0009] According the first aspect, in one possible design, the method further comprises determining whether buffered data for the UE is relevant to any of the one or more inference tasks, and when the buffered data is relevant to any of the one or more inference tasks, forwarding the buffered data to the target base station.

[0010] According to the first aspect, in one possible design, the handover command further comprises a suggested checkpoint for the UE to pause at least one of the one or more inference tasks.

[0011] According to the first aspect, in one possible design, the method further comprises receiving a second request from the UE for a spatial and temporal correlation evaluation of the plurality of candidate target base stations, forwarding the second request to each of the plurality of candidate target base stations, and receiving a cluster matching result from each of the plurality of candidate target base stations.

[0012] According to the first aspect, in one possible design, the method further comprises prioritizing handover commands based on real-time changes in environmental conditions experienced by the UE and an urgency determined by predefined inference task criteria.

[0013] According to the first aspect, in one possible design, the method further comprises using machine learning algorithms to predict potential handover scenarios and optimize target base station selection.

[0014] According to the first aspect, in one possible design, said selecting is initiated based on a combination of signal strength thresholds and predefined inference task completion criteria.

[0015] According to the first aspect, in one possible design, the predefined inference task completion criteria comprise task latency and accuracy requirements.

[0016] According to the first aspect, in one possible design, said selecting comprises evaluating historical performance data of the plurality of candidate target base stations.

[0017] According to the first aspect, in one possible design, the method further comprises maintaining a real-time updated database of inference capabilities and contextual relevance scores for the plurality of candidate target base stations.

[0018] According to the first aspect, in one possible design, the method further comprises generating a relevance score based on a weighted analysis of the one or more inference task, signal quality, and the plurality of target base station's inference capabilities.

[0019] According to the first aspect, in one possible design, the contextual information includes one or more of: geographical location, user behavior patterns, and environmental conditions.

[0020] According to the first aspect, in one possible design, the handover command includes instructions for the UE to adjust its data transmission rate based on a bandwidth capacity of the target base station.

[0021] According a second aspect, there is provided a network element comprising a processor, and a communications subsystem, wherein the network element is configured to perform the method of any possible design of the first aspect.

[0022] According to a third aspect, there is provided a computer readable medium having stored thereon executable code for execution by a processor of a network element, the executable code comprising instructions for performing the method of any possible design of the first aspect.

[0023] According to a fourth aspect, there is provided a method at a network element, comprising receiving a request from a serving base station for a knowledge base assessment, computing a relevance score based on the request, transmitting the relevance score to the serving base station, receiving a connection request from a user equipment (UE) , and establishing a connection with the UE in response to the connection request.

[0024] According to the fourth aspect, in one possible design, the method further comprises receiving a system information request from the UE, and providing system information to the UE, the system information comprising at least one of contextual information, cell configuration, supported features, or available resources.

[0025] According to the fourth aspect, in one possible design, the connection request indicates a need for prioritized access, the method further comprising granting prioritized access to the UE.

[0026] According to the fourth aspect, in one possible design, the method further comprises receiving a spatial and temporal correlation evaluation request from the serving base station, performing a cluster matching analysis using real-time and historical data, and providing the results of the cluster matching analysis to the serving base station.

[0027] According to the fourth aspect, in one possible design, the method further comprises receiving buffered data from the serving base station, the buffered data being relevant to an inference task of the UE.

[0028] According to the fourth aspect, in one possible design, the method further comprises assessing a readiness of the network element to support an inference task of the UE.

[0029] According to a fifth aspect, there is provided a network element comprising a processor, and a communications subsystem, wherein the network element is configured to perform the method of any possible design of the fourth aspect.

[0030] According to a sixth aspect, there is provided a computer readable medium having stored thereon executable code for execution by a processor of a network element, the executable code comprising instructions for performing the method of any possible design of the fourth aspect.

[0031] According to a seventh aspect, there is provided a method at a user equipment (UE) , comprising sending, to a serving base station, a request for a knowledge base assessment, sending, to the serving base station, a measurement report, the measurement report comprising at least one of contextual information, channel state information, or inference task information, receiving, from the serving base station, a handover command for a handover to a target base station, the handover command comprising inference capabilities of the target base station, and performing a context-aware random access procedure with the target base station.

[0032] According to the seventh aspect, in one possible design, the method further comprises determining that a signal from the serving base station is insufficient for completion of a current inference task, and determining that at least one candidate target base station has sufficient computational capabilities and signal strength to support the current inference task.

[0033] According to the seventh aspect, in one possible design, the handover command comprises a suggested checkpoint for a current inference task, the method further comprising pausing the current inference task at the suggested checkpoint, and resuming the current inference task after a connection with the target base station is established.

[0034] According to the seventh aspect, in one possible design, the context-aware random access procedure comprises requesting priority access to the target base station.

[0035] According to the seventh aspect, in one possible design, the method further comprises sending a system information request to the target base station; and receiving system information from the target base station, the system information comprising at least one of configuration information, cell configuration, supported features, or available resources.

[0036] According to the seventh aspect, in one possible design, the method further comprises dynamically adjusting an inference processing strategy based on computational resources available at the target base station.

[0037] According to the seventh aspect, in one possible design, the method further comprises providing feedback to the serving base station regarding the handover, the feedback including at least one of impacts on a current inference task or suggestions for improvements.

[0038] According to the seventh aspect, in one possible design, the method further comprises determining that a predicted signal degradation meets a condition, and sending the request for the knowledge base assessment based on said determining.

[0039] According to the seventh aspect, in one possible design, the contextual information includes one or more of: geographical location, user behavior patterns, and environmental conditions.

[0040] According to the seventh aspect, in one possible design, the method further comprises prioritizing access to the target base station's resources based on an urgency and latency requirements of a current inference task.

[0041] According to an eighth aspect, there is provided a network element comprising a processor, and a communications subsystem, wherein the network element is configured to perform the method of any possible design of the seventh aspect.

[0042] According to a ninth aspect, there is provided a computer readable medium having stored thereon executable code for execution by a processor of a network element, the executable code comprising instructions for performing the method of any embodiment of the seventh aspect.

[0043] According to a tenth aspect, this disclosure provides a system including at least one UE and at least one network element as described herein.BRIEF DESCRIPTION OF THE DRAWINGS

[0044] FIG. 1 illustrates a top-level overview of the AI-supported handover process according to at least some implementations of the present disclosure.

[0045] FIG. 2 shows a simplified schematic illustration of a communication system according to at least some embodiments of the present disclosure.

[0046] FIG. 3 further details a communication system according to at least some embodiments of the present disclosure.

[0047] FIG. 4 illustrates an example of an apparatus according to at least some embodiments of the present disclosure.

[0048] FIG. 5 illustrates an example of an apparatus according to at least some embodiments of the present disclosure.

[0049] FIG. 6 depicts the various units or modules within an apparatus, according to at least some embodiments of the present disclosure.

[0050] FIG. 7 illustrates a process for performing context assessment according to at least some embodiments of the present disclosure.

[0051] FIG. 8 illustrates a process for triggering a handover with inference-aware decision-making according to at least some embodiments of the present disclosure.

[0052] FIG. 9 illustrates a process for target selection and preparation according to at least some embodiments of the present disclosure.

[0053] FIG. 10 illustrates a synchronization and access procedure with inference task awareness according to at least some embodiments of the present disclosure.

[0054] FIG. 11 illustrates a process for inference-aware data forwarding according to at least some embodiments of the present disclosure.

[0055] FIG. 12 illustrates a path switch and inference task resumption process according to at least some embodiments of the present disclosure.

[0056] FIG. 13 illustrates an AI-supported handover process according to at least some embodiments of the present disclosure.

[0057] FIG. 14 illustrates a process for performing knowledge base assessment according to at least some embodiments of the present disclosure.

[0058] FIG. 15 illustrates a spatial and temporal correlation evaluation process according to at least some embodiments of the present disclosure.

[0059] FIG. 16 illustrates a process for resuming inference tasks after handover according to at least some embodiments of the present disclosure.

[0060] FIG. 17 shows a context-aware data forwarding mechanism according to at least some embodiments of the present disclosure.

[0061] FIG. 18 illustrates a feedback mechanism between a UE and the serving base station according to at least some embodiments of the present disclosure.

[0062] FIG. 19 is a block diagram of a computing device that may be used for implementing the described methods according to at least some embodiments of the present disclosure.DETAILED DESCRIPTION

[0063] The present disclosure provides an improved method for performing handover of a user equipment while performing an AI inference task.

[0064] 5G NR Handover

[0065] 5G NR (New Radio) introduces significant advancements in handover procedure compared to previous generations, enabling seamless mobility and efficient resource management.

[0066] Handover, or handoff, refers to the process of transferring an ongoing connection from one base station (for example, gNB) to another as the user equipment (UE) moves across the network. 5G NR supports various handover types, including:

[0067] · Intra-gNB handover: Occurs within the same gNB, typically involving a change in carrier frequency or bandwidth;

[0068] · Inter-gNB handover: Occurs between different gNBs, facilitated by the Xn interface;

[0069] · Inter-RAT handover: Occurs between different radio access technologies (e.g., 5G NR to LTE) .

[0070] The handover involves the following physical (PHY) and Medium Access Control (MAC) Layer processes:

[0071] · Handover Preparation: The source gNB triggers the handover process, selecting a target gNB and preparing necessary information. This includes radio resource configuration, security context, and handover command;

[0072] · RRC Signaling: The source gNB sends a Radio Resource Control (RRC) Reconfiguration message to the UE, containing a handover command and target gNB information;

[0073] · Synchronization and Random Access: The UE synchronizes with the target gNB and performs a random access procedure to establish a connection;

[0074] · Data Forwarding: The source gNB may forward buffered data to the target gNB to ensure seamless continuity of data transmission;

[0075] · Path Switch: The UE switches its radio link to the target gNB and resumes communication.

[0076] The handover involves the following protocols and signaling:

[0077] · RRC (Radio Resource Control) : Responsible for overall handover control and signaling;

[0078] · Xn Interface: Facilitates communication and coordination between gNBs (serving gNB and target gNBs) during handover;

[0079] · PDCP (Packet Data Convergence Protocol) : Handles data forwarding and duplication avoidance;

[0080] · MAC (Medium Access Control) : Manages radio resources and scheduling during handover.

[0081] Accordingly, 5G NR introduced sophisticated handover procedures that optimize mobility management and resource utilization.

[0082] Digital Twin Technology

[0083] The present disclosure provides a solution for the convergence of semantic communication and digital twin technologies, envisioning a future system where wireless networks are not merely conduits for data but active participants in understanding and responding to the physical world. The core idea is to represent the real-time state of a cellular environment as a dynamic collection of semantic tokens, capturing information from intelligent sensors and channel measurement (e.g. channel state information (CSI) ) .

[0084] This tokenized representation forms the foundation for a semantically enriched digital twin, offering several key advantages. Firstly, it provides a richer and more nuanced understanding of the environment, going beyond raw data to capture the meaning and context of events and observations. Secondly, it enables seamless communication and collaboration between diverse devices and systems, fostering interoperability and collective intelligence. Finally, it allows for real-time adaptation and responsiveness, as the digital twin continuously updates its knowledge and understanding based on the dynamic flow of information.

[0085] However, realizing this vision presents several challenges. Establishing standardization and interoperability for semantic communication, achieving real-time processing with minimal latency, ensuring security and privacy, and managing resources efficiently are crucial aspects addressed by the present disclosure.

[0086] The proposed framework focuses on how user devices can express inference requests and receive results through semantic communication, enabling context-aware understanding and collaborative problem-solving. This involves leveraging the digital twin's background knowledge to enhance inference tasks by providing additional context and insights. Two distinct inference modes are explored: individual task processing with background context and joint task processing with shared context, each offering advantages depending on the specific characteristics of the tasks and the capabilities of the inference engine.

[0087] The base station plays a central role in constructing and maintaining the digital twin, processing semantic information and radio channel measurement data, organizing it into a spatiotemporally aware knowledge base and cluster, and utilizing it to enhance inference tasks. This involves tasks such as token recognition, data fusion, localization, event sequencing, and natural language generation to create a human-understandable and machine-interpretable representation of the environment.

[0088] By addressing the challenges and implementing the proposed framework, this disclosure can unlock the transformative potential of semantic digital twins, paving the way for a future system where wireless networks are not just connecting devices but also enabling a deeper understanding and more intelligent interaction with the physical world. This will open doors to a wide range of  innovative applications and services, from autonomous robotics and smart cities to personalized healthcare and environmental monitoring.

[0089] Proposed Solution

[0090] The present disclosure proposes a novel approach to handover procedures specifically designed for AI-enabled user equipment (UE) in future networks. As the landscape of wireless communication shifts from human-centric applications to a surge of AI-powered devices, traditional handover mechanisms require a significant upgrade to accommodate the unique demands of real-time inference processing and context-aware AI.

[0091] The proposed solution revolves around the concept of context-aware digital twins, where the network maintains a dynamic and semantically rich representation of the environment. This digital twin plays a crucial role in ensuring seamless handovers for AI-enabled UE by providing essential contextual information and facilitating efficient resource allocation.

[0092] Reference is made to FIG. 1, in which enhancements to the handover procedure provided by the present disclosure are illustrated.

[0093] As seen in FIG. 1, the process starts at block 10 and proceeds to block 11, where enhanced signal degradation assessment is performed. The UE's evaluation of potential handover triggers may include not only signal strength but also the progress and requirements of ongoing inference tasks, the contextual relevance of surrounding base stations'knowledge bases, and their AI processing capabilities. This involves an approach with knowledge base comparison and spatial / temporal correlation evaluation, ensuring informed decision-making.

[0094] The process then proceeds to block 12, where inference-aware handover triggering occurs. The UE analyzes the characteristics of the ongoing inference task, including its progress, contextual sensitivity, and latency tolerance, to determine the optimal timing for handover. This ensures minimal disruption to AI processing and prioritizes tasks with strict requirements.

[0095] The process then proceeds to block 13, where AI-guided target selection and preparation is performed. The serving base station selects the most suitable target base station based not only on signal conditions but also on the contextual relevance and inference capabilities of potential targets. This ensures that the chosen target can effectively support the UE's ongoing AI processing needs.

[0096] The process then proceeds to block 14, where an enhanced handover command is generated and transmitted. The handover command from the serving base station is augmented with AI-task-specific information, including relevant context from the target base station's knowledge base, details about its inference capabilities, and a suggested inference checkpoint. This facilitates a smooth transition and allows the UE to quickly resume its AI tasks without losing context.

[0097] The process then proceeds to block 15, where synchronization and access with inference task awareness is performed. The UE prioritizes access to the target base station's resources and shares relevant information about its ongoing inference task, minimizing interruptions and expediting resumption of AI processing.

[0098] In some cases, the process may then proceed to block 16 for inference-aware data forwarding. The serving base station selectively forwards data packets relevant to the ongoing inference task, ensuring continuity and preventing loss of context during handover.

[0099] The process then proceeds to block 17 for path switch and inference task resumption. The UE seamlessly transitions to the target base station and resumes its inference task, integrating the received contextual information and adapting its processing strategy based on the target's capabilities.

[0100] The process then ends at block 18.

[0101] Operating Environment

[0102] FIG. 2, is a schematic illustration of an example communication system according to an implementation of the present disclosure, there is shown a communication system 100 that includes a radio access network (RAN) 120, one or more communication electronic devices (EDs) 110a, 110b, 110c, 110d, 110e, 110f, 110g, 110h, 110i, 110j (collectively referred to as 110) , a core network 130, a Public Switched Telephone Network (PSTN) 140, the Internet 150, and other networks 160. The RAN 120 may include, but is not limited to, a future generation RAN, or a legacy RAN such as, but not limited to, 5th generation (5G) , 4th generation (4G) , 3rd generation (3G) or 2nd generation (2G) radio access network. The RAN 120 may be, for example, an Evolved Universal Mobile  Telecommunications System (UMTS) Terrestrial Radio Access Network (E-UTRAN) , a NextGen RAN (NG RAN) , or some other type of RAN. Examples of RAN 120 based on the evolution of telecommunications standards include, but is not limited to, GSM (Global System for Mobile Communications) and CDMA (Code Division Multiple Access) for 2G, UMTS (Universal Mobile Telecommunications System) based on WCDMA (Wideband Code Division Multiple Access) and CDMA2000 for 3G, LTE (Long-Term Evolution) and WiMAX (Worldwide Interoperability for Microwave Access) for 4G, and NR (New Radio) for 5G. In some implementations, The RAN 120 may use any radio access technology (RAT) in the wireless interface between the one or more EDs 110 and the RAN 120. In some implementations, the term “radio access” may refer to the future generation air interface standards which may include both terrestrial networks (TNs) and non-terrestrial networks (NTNs) . These networks will be described in greater detail below in conjunction with various implementations. The one or more communication EDs 110 (also referred to as “user equipment” ) are configured to connect (e.g., communicatively couple) with each other or to one or more network nodes 170a, 170b (collectively referred to as 170) in the RAN 120. The core network (CN) 130 is a part of the communication system 100 and consists of network nodes (e.g., 170a, 170b) which provide support for the network features and telecommunication services. In some implementations, the CN 130 may be dependent on the RAT used in the communication system 100. In other implementations, the CN 130 may be access-agnostic, i.e., the CN 130 may be independent of the RAT used in the communication system 100. There are different types of CN 130, for different 3GPP system generations. For example, the CN 130 is the Evolved Packet Core (EPC) in 4G, also known as the Evolved Packet System (EPS) . In another example, the CN 130 is the 5G Core (5GC) which was developed as part of the 5G System (5GS) . The CN 130 also enables integration of different 3GPP and non-3GPP access types. In some implementations and referring to FIG. 2, the CN 130 also provides the interface towards external networks that may include the PSTN 140, the Internet 150, and other networks 160 in the communication system 100.

[0103] In general, the communication system 100 facilitates interaction between multiple wireless or wired elements. The communication system 100 may transmit different types of content, such as voice, data, video, and / or text, through different transmission methods such as, but not limited to, broadcast, multicast, groupcast, and unicast. Additionally, the communication system 100 operates by allocating and / or sharing resources, such as carrier spectrum bandwidth, among its constituent elements.

[0104] The communication system 100 may provide a wide range of communication services and applications including, but not limited to, Enhanced Mobile Broadband (eMBB) services, Ultra-Reliable Low-Latency Communication (URLLC) services, Massive Machine Type Communication (mMTC) services, Integrated Sensing And Communication (ISAC) , immersive communication, Ultra-massive Machine-Type Communication (uMTC) , hyper reliable and low-latency communication, ubiquitous connectivity, integrated AI and communication, and other services that can be provided by a future generation communication system. The communication system 100 may provide other services and applications such as, but not limited to, earth monitoring, remote sensing, passive sensing and positioning, navigation and tracking, autonomous delivery and mobility and the like.

[0105] The communication system 100 may include a terrestrial communication system (or network) and / or a non-terrestrial communication system (or network) . The communication system 100 may provide a high degree of availability and robustness through a joint operation of the terrestrial communication system and the non-terrestrial communication system. For example, integrating a non-terrestrial communication system (or components thereof) into a terrestrial communication system can result in a heterogeneous network comprising multiple layers. The heterogeneous network may achieve better overall performance through efficient multi-link joint operation, more flexible functionality sharing, and faster physical layer link switching between terrestrial networks and non-terrestrial networks. The terrestrial communication system and the non-terrestrial communication system could be considered as sub-systems of the communication system 100.

[0106] FIG. 3 illustrates another example communication system 100 according to an implementation of the present disclosure, there is shown the communication system 100 includes EDs 110a, 110b, 110c, 110d (collectively referred to as ED 110) , RANs 120a, 120b, one or more CNs 130, a PSTN 140, the Internet 150, and other networks 160. Additionally, the communication system 100 may also include a non-terrestrial network (NTN) 120c. The RANs 120a and 120b may include network nodes 170a and 170b respectively. Examples of network nodes 170a, 170b include base stations, which can be generally referred to as terrestrial network (TN) devices or terrestrial transmit and receive points (T-TRPs) 170a and 170b (collectively referred to as 170) . In this context, the terms "TRP" and  "base station" are used interchangeably unless otherwise specified. For simplicity, this disclosure primarily refers to network nodes as base stations; however, unless explicitly stated otherwise, references to TRP are considered non-limiting and interchangeable. The T-TRPs 170a, 170b may be base stations mounted on a building or tower. In one implementation, the NTN 120c includes a RAN node such as a base station 172, which may be generally referred to as an NTN device, a non-terrestrial node, a non-terrestrial network device, a non-terrestrial base station, or a non-terrestrial transmit and receive point (NT-TRP) 172.

[0107] In some implementations, the NT-TRP 172 is not attached to the ground, for example, as in the case of an airborne base station. An airborne base station may be implemented using communication equipment supported or carried by a flying device. For example, a flying device may include, but is not limited to, an airborne platform (such as a blimp or an airship) , balloon, drone (such as quadcopter) , and other types of aerial vehicles. In some implementations, an airborne base station may be supported or carried by an unmanned aerial system (UAS) or an unmanned aerial vehicle (UAV) , such as a drone. An airborne base station may be a moveable or mobile base station that can be flexibly deployed in different locations to meet network demand. A satellite base station is another example of a non-terrestrial base station. A satellite base station may be implemented using communication equipment supported or carried by a satellite. A satellite base station may also be referred to as an orbiting base station. High altitude platforms are yet another example of non-terrestrial base stations, including international mobile telecommunication base stations.

[0108] As referred to herein, and unless specified otherwise, a “TRP” may also refer to a T-TRP or an NT-TRP, a “T-TRP” may also refer to a “TN TRP” , and an “NT-TRP” may also refer to an “NTN TRP” . The NTN 120c may be considered a RAN, sharing operational aspects with RANs 120a, 120b. The NTN 120c may include at least one NTN device and at least one corresponding terrestrial network device. The at least one NTN device may function as a transport layer device and the at least one corresponding terrestrial network device may function as a RAN node, communicating with the ED 110 via the NTN device. Additionally, there may be an NTN gateway on the ground (referred to as a terrestrial network device) that also functions as a transport layer device facilitating communication with both the NTN device and the RAN node. The RAN node may communicate with the ED 110 via the NTN device and the NTN gateway. In some implementations, the NTN gateway and the RAN node may be located within the same device.

[0109] A base station 170 (also referred to as a TRP as stated above) is a network element within a radio access network responsible for radio transmission and reception in one or more cells to or from the ED (such as a user equipment) . In different implementations, the base station 170 may also be known as a base transceiver station (BTS) , a radio base station, a network node, a network device, a device on the network side, a transmit / receive node, a Node B, an evolved NodeB (eNodeB or eNB) , a Home eNodeB, a next Generation NodeB (gNB) , a transmission point (TP) , a site controller, an access point (AP) , a wireless router, a relay station, a terrestrial node, a terrestrial network device, a terrestrial base station, a non-terrestrial node, a non-terrestrial network device, a non-terrestrial base station, and a positioning node, among other possibilities. The base station 170 may be a macro base station (BS) , a pico BS, a relay node, a donor node, or combinations thereof. When the base station 170 performs (or is configured to perform) a method described herein, it may be interpreted as the base station itself, one or more modules (or units) in the base station, a circuit or chip, or a combination thereof, performing the method. For example, the circuit or chip may include a modem chip, also referred to as a baseband chip, a system on chip (SoC) including a modem core, system in package (SIP) ) , and the like, and may be responsible for one or more communication functions within the base station.

[0110] The EDs 110a-110d and TRPs 170a-170b, 172 are examples of communication equipment configured to implement some or all of the operations and / or implementations described herein. The T-TRP 170a forms part of the RAN 120a, which may include other TRPs, and / or other devices. Also, the TRP 170b forms part of the RAN 120b, which may include other TRPs, and / or devices. Each TRP 170a, 170b may transmit and / or receive wireless signals within a particular geographic region or area, sometimes referred to as a “cell” or a “coverage area” . The TRPs 170a-170b may be responsible for allocating and / or configuring resources and transmission and / or reception in a set of cell (s) . A cell is a radio network object that can be uniquely identified by a cell identification that is broadcasted over a geographical region or area from base stations associated with the cell. A cell can work in either FDD or TDD mode. A cell may be further divided into cell sectors, and a base station 170a-170b may, for example, employ one or more transceivers to provide services to one or more sectors. Some implementations, may include pico or femto cells if supported by the radio access technology. In some implementations, one or more transceivers could be used for each cell, such as with Multiple-Input Multiple-Output  (MIMO) technology. The number of RANs 120a-120b shown is merely an example. Any number of RANs may be contemplated when designing the communication system 100.

[0111] A base station may be a single element, as shown in the figures, or multiple elements distributed throughout the corresponding RAN, or otherwise configured. In some implementations, a plurality of RAN nodes coordinate to assist the ED 110 in implementing radio access, and different RAN nodes separately implement and handle different functions of the base station. For example, the RAN node may be a central unit (CU) , a distributed unit (DU) , a CU-control plane (CP) , a CU-user plane (UP) , or a radio unit (RU) etc. The CU and the DU may be separately deployed, or included within the same element (i.e., a baseband unit (BBU) ) . The RU may be included in a radio frequency device or a radio frequency unit (i.e., a remote radio unit (RRU) , an active antenna unit (AAU) , or a remote radio head (RRH) ) . In different systems, the CU (or the CU-CP and the CU-UP) , the DU, or the RU may be known by different names, but their functions are understood by person skilled in the art. For example, in an open radio access network (ORAN) system, a CU may be referred to as an open CU (O-CU) , a DU may be referred to as an open DU (O-DU) , and a CU-CP may be referred to as an open CU-CP (O-CU-CP) . The CU-UP may also be referred to as an open CU-UP (O-CU-UP) , and the RU may also be referred to as an open RU (O-RU) . Any one of the CU (or the CU-CP, the CU-UP) , the DU, and the RU may be implemented using a software module, a hardware module, or a combination of a software module and a hardware module.

[0112] Furthermore, communication between different devices / apparatuses in various implementations of this disclosure may refer to direct communication (that is, without the need of forwarding by another device / apparatus) , or may refer to communication (s) between different devices / apparatuses via another device / apparatus (that is, requiring forwarding by another device / apparatus) . Alternatively, such communication (s) may involve one functional unit inside a device / apparatus using another functional unit within the device / apparatus to communicate with another device / apparatus. In other words, phrases such as "sending (or transmitting) information to. . . (an ED or a base station) " in this disclosure may be understood as a destination endpoint of the information being an ED or a base station, including, sending / transmitting information directly or indirectly to an ED or a base station. Similarly, phrases like "receiving information from. . . (an ED or a base station) " may be understood as a source endpoint of the information being an ED or a base station, including directly or indirectly receiving information from an ED or a base station. Between the source endpoint that sends the information and the destination endpoint, necessary processing such as, but not limited to, format conversion, digital-to-analog conversion, amplification, and filtering may be performed on the information. However, the destination endpoint may understand valid information from the source endpoint. A similar understanding applies to other descriptions in this disclosure without reiterating details already described. In the present disclosure, the terms "send" and "transmit" may be used interchangeably in different implementations of this disclosure.

[0113] The ED 110 is used to connect people, objects, machines, and other entities. The ED 110 may be widely used in various scenarios including, but not limited to, cellular communications, device-to-device (D2D) , vehicle to everything (V2X) , peer-to-peer (P2P) , machine-to-machine (M2M) , MTC, internet of things (IoT) , virtual reality (VR) , augmented reality (AR) , mixed reality (MR) , metaverse, digital twin, industrial control, self-driving, remote medical, smart grid, smart furniture, smart office, smart wearable, smart transportation, smart city, drones, robots, remote sensing, passive sensing, positioning, navigation and tracking, and autonomous delivery and mobility.

[0114] Each ED 110 represents any suitable end user device for wireless operation and may include such devices (or may be referred to as, but not limited to) a user equipment (UE) or a user device or a terminal device, a wireless transmit / receive unit (WTRU) , a mobile station, a fixed or mobile subscriber unit, a cellular telephone, a station (STA) , an MTC device, a personal digital assistant (PDA) , a smartphone, a laptop, a computer, a tablet, a wireless sensor, a consumer electronics device, a smart book, a vehicle, a car, a truck, a bus, a train, or an IoT device, wearable devices (such as a watch, a pair of glasses, head mounted equipment, etc. ) , an industrial device, or an apparatus (such as a module, modem, or chip) in the forgoing devices, among other possibilities. Future generation EDs 110 may be referred to by other terms. When an ED 110 performs (or is configured to perform) a method described herein, it may be interpreted as the ED itself, one or more modules (or units) in the ED, a circuit or chip, or a combination thereof, performing the method. For example, the circuit or chip may include a modem chip, also referred to as a baseband chip, a system on chip (SoC) including a modem core, or system in package (SIP) ) , and the like, and may be responsible for one or more communication functions in the ED.

[0115] Each ED 110 connected to TRPs 170a-170b, and / or TRPs 172 can be dynamically or semi-statically turned-on (i.e., established, activated, or enabled) , turned-off (i.e., released, deactivated, or disabled) and / or configured in response to one of more of: connection availability and connection necessity.

[0116] Any ED 110 may be alternatively or additionally configured to interface, access, or communicate with any of the TRPs 170a, 170b and 172, the Internet 150, the CN 130, the PSTN 140, the other networks 160, or any combination thereof. In some examples, the ED 110a may communicate an uplink (UL) and / or downlink (DL) transmission over a terrestrial air interface 190a with station-TRP 170a. In some examples, the EDs 110a, 110b, 110c, and 110d may also communicate directly with one another via one or more sidelink (SL) air interfaces 190b. In some examples, the EDs 110a, 110d may communicate using an UL and / or DL transmission over a non-terrestrial air interface 190c with NT-TRP 172.

[0117] An air interface (such as, for example, 190a, 190b, 190c) generally includes a number of components and associated parameters that collectively specify how a transmission is to be sent and / or received over a wireless communications link between two or more communicating devices such as EDs and base station (s) . For example, an air interface may include one or more components defining the waveform (s) , frame structure (s) , multiple access scheme (s) , protocol (s) , coding scheme (s) and / or modulation scheme (s) for conveying information (such as, data) over a wireless communications link. The air interfaces 190a and 190b may use similar communication technology, that may include any suitable radio access technology.

[0118] The non-terrestrial air interface 190c can enable communication between the EDs 110a, 110d and one or more NT-TRPs 172 via a wireless link or simply a link. For some examples, the link is a dedicated connection for unicast transmission, a connection for broadcast transmission, or a connection between a group of EDs 110 and one or more NT-TRPs 172 for multicast transmission.

[0119] The TRPs 170a-170b, 172 may communicate with one another over one or more air interfaces 190e, 190f using wireless communication links (such as radio frequency (RF) , microwave, infrared (IR) , etc. ) or wired communication links. The air interfaces 190e, 190f may utilize any suitable radio access technology, and may be substantially similar to the air interfaces 190a, 190c over which the EDs 110a-110d communicate with one or more of the TRP 170a-170b, 172 or they may be substantially different. For example, the communication system 100 may implement one or more channel access methods, such as Time Division Multiple Access (TDMA) , Frequency Division Multiple Access (FDMA) , Code Division Multiple Access (CDMA) , Single Carrier Frequency Division Multiple Access (SC-FDMA) , Low Density Signature Multicarrier Code Division Multiple Access (LDS-MC-CDMA) , Non-Orthogonal Multiple Access (NOMA) , Pattern Division Multiple Access (PDMA) , Lattice Partition Multiple Access (LPMA) , Resource Spread Multiple Access (RSMA) , and Sparse Code Multiple Access (SCMA) .

[0120] The RANs 120a and 120b are in communication with the CN 130 to provide the EDs 110a, 110b, and 110c with various services such as voice, data, multimedia, and other services. The RANs 120a and 120b and / or the CN 130 may be in direct or indirect communication with one or more other RANs (not shown) , which may or may not be directly served by the CN 130, and may employ different radio access technologies from RAN 120a and / or RAN 120b. The CN 130 may also serve as a gateway access between (i) the RANs 120a and 120b and / or the EDs 110a, 110b, and 110c, and (ii) other networks (such as the PSTN 140, the Internet 150, and the other networks 160) . In addition, some or all of the EDs 110a, 110b, and 110c may include functionality for communicating with different wireless networks over different wireless links using different wireless technologies and / or protocols. For example, the EDs 110a, 110b, and 110c communicate using different cellular communications protocols, such as, but not limited to, a Global System for Mobile Communications (GSM) protocol, a code-division multiple access (CDMA) network protocol, a Push-to-Talk (PTT) protocol, a PTT over Cellular (POC) protocol, a Universal Mobile Telecommunications System (UMTS) protocol, a 3GPP Long Term Evolution (LTE) protocol, a fifth generation (5G) protocol, a New Radio (NR) protocol, and the like. Instead of wireless communication (or in addition thereto) , the EDs 110a, 110b, and 110c may communicate using wired communication channels to a service provider or switch (not shown) , and / or to the Internet 150. The PSTN 140 may include circuit switched telephone networks for providing plain old telephone service (POTS) . The Internet 150 may include a network of computers and subnets (intranets) or both, and incorporate protocols, such as internet protocol (IP) , transmission control protocol (TCP) , user datagram protocol (UDP) . EDs 110a, 110b, and 110c may be multimode devices capable of operation according to multiple radio access technologies, and may incorporate one or multiple transceivers necessary to support such.

[0121] In addition, the communication system 100 may comprise a sensing agent (not shown) to manage the sensed data from ED 110 and / or any one of TRPs 170a, 170b, 172. In one implementation, the sensing agent may be part of any one of TRPs 170a, 170b, 172. In another implementation, the sensing agent is a separate node that can communicate with the CN 130 and / or the RAN 120 (such as any one of TRPs 170a, 170b, 172) .

[0122] FIG. 4 is a schematic illustration showing an apparatus 310 wirelessly communicating with another apparatus 320 within a communication system (e.g., the communication system 100) according to an implementation of the present disclosure. The apparatus 310 may be an electronic device (such as ED 110) . The apparatus 320 may be a network node (e.g., the network node 170) such as T-TRP 170 or an NT-TRP 172. Although only one apparatus 310, and one apparatus 320 are shown in the figure, the number of apparatus 310 and / or number of apparatus 320 can vary, potentially including one or more of each. For example, a single ED 110 may be served by a single T-TRP 170 (or a single NT-TRP 172) , or by multiple T-TRPs 170 (or multiple NT-TRPs 172) . Similarly, a single ED 110 may be served by one or more T-TRPs 170 and one or more NT-TRPs 172. Similarly, a single T-TRP 170 (or a single NT-TRP 172) may serve one or more EDs 110.

[0123] The apparatus 310 may include one or more processors 210. For clarity and to avoid overcrowding the illustration, only a single processor 210 is illustrated. The apparatus 310 may further include a transmitter 201 and a receiver 203 coupled to one or more antennas 204. For clarity, only a single antenna 204 is illustrated. One, some, or all of the antennas 204 may alternatively be panels. In some implementations, the transmitter 201 and the receiver 203 are separate from each other. In other implementations, the transmitter 201 and the receiver 203 may be integrated into a single unit, for example, as a transceiver. The transceiver is configured to modulate data or other content for transmission by the one or more antennas 204 or a network interface controller (NIC) . The transceiver may also be configured to demodulate data or other content received by the one or more antennas 204. A transceiver may include any suitable structure for generating signals for wireless or wired transmission and / or for processing signals received through wireless or wired communication. Each antenna 204 includes any suitable structure for transmitting and / or receiving wireless or wired signals. The apparatus 310 may include a memory 208. In some implementations, the apparatus 310 may include multiple memories 208. Only a single transmitter 201, receiver 203, processor 210, memory 208, and antenna 204 is illustrated for simplicity, but the apparatus 310 may include one or more other components. In some implementations of the present disclosure, the transceiver (or transmitter 201 and / or receiver 203) may be viewed as an interface circuit.

[0124] The memory 208 is configured to store instructions used to perform operations described herein. The memory 208 may also be configured to store data that is used, generated, or collected by the apparatus 310. For example, the memory 208 can store software instructions or modules configured to implement some or all of the functionalities and / or operations described herein and that which are executed by the one or more processors 210.

[0125] The apparatus 310 may further include one or more input / output devices (not shown) or interfaces. The input / output devices or interfaces facilitate interaction with a user or other devices in the network. Each input / output device or interface includes suitable components for facilitating transmission of information to a user and reception of information from a user, and for various network interface communications. Such components may include, but are not limited to, a speaker, microphone, keypad, keyboard, display, touch screen, and the like.

[0126] The processor 210 may be configured to perform (or control the apparatus 310 to perform) operations (or methods) described herein as being performed by the apparatus 310. For example, the processor 210 performs or controls the apparatus 310 to perform the operations of: a) receiving one or more transport blocks (TBs) , b) using a resource for decoding at least one of the received TBs, c) releasing the resource for decoding another of the received TBs, and / or d) receiving configuration information configuring a resource. Specifically, the operations may include tasks related to: preparing a transmission for UL transmission to the apparatus 320, processing DL transmissions received from the apparatus 320, and handling SL transmission to and from another apparatus 310. Processing operations related to preparing a transmission for UL transmission may include operations such as, but not limited to, encoding, modulating, transmit beamforming, and generating symbols for transmission. Processing operations related to processing DL transmissions may include operations such as, but not limited to, receive beamforming, demodulating and decoding received symbols. Processing operations related to processing SL transmissions may include operations such as, but not limited to, transmit / receive  beamforming, modulating / demodulating and encoding / decoding symbols. Depending upon the implementation, a DL transmission may be received by the receiver 203, possibly using receive beamforming, and the processor 210 may extract signaling from the DL transmission (such as by detecting and / or decoding the signaling) . An example of signaling may be a reference signal transmitted by the apparatus 320. In some implementations, the processor 210 implements the transmit beamforming and / or the receive beamforming based on the indication of beam direction, such as beam angle information (BAI) , received from the apparatus 320. In some implementations, the processor 210 may be configured to perform operations relating to network access (such as initial access) and / or downlink synchronization, which includes operations for detecting a synchronization sequence, decoding and obtaining the system information, and the like. In some implementations, the processor 210 may perform channel estimation, such as using a reference signal received from the apparatus 320.

[0127] Although not illustrated, in some implementations, the processor 210 may either be a part of the transmitter 201 or a part of the receiver 203 or a part of both the transmitter 201 and the receiver 203. Although not illustrated, in some implementations, the memory 208 may be a part of the processor 210.

[0128] The processor 210, along with the processing components of the transmitter 201 and the receiver 203 may each be implemented by one or more processors that may the same or different. These processors are configured to execute instructions stored in a memory (such as in the memory 208) .

[0129] The apparatus 320 includes one or more processors 260 (only one processor 260 is illustrated) . The apparatus 320 may further include one or more transmitters 252 and one or more receivers 254 coupled to one or more antennas 256. Only a single antenna 256 is illustrated to avoid clutter in the illustration. One, some, or all of the antennas 256 may alternatively be panels. In some implementations, the transmitter 252 and the receiver 254 are separate from each other. In other implementations, the transmitter 252 and the receiver 254 may be integrated into a single unit such as, for example, as a transceiver. The apparatus 320 may further include a memory 258. In some implementations, the apparatus 320 may include multiple memories 258. The apparatus 320 may further include a scheduler 253. Only a single transmitter 252, receiver 254, processor 260, memory 258, antenna 256 and scheduler 253 are illustrated for simplicity, however the apparatus 320 may include one or more other components. In the present disclosure, in some implementations, the transceiver (or transmitter 252 and / or receiver 254) may be viewed as an interface circuit.

[0130] In some implementations, various components of the apparatus 320 may be distributed. For example, some of the modules of the apparatus 320 may be located remotely from the equipment housing the antennas 256 for the apparatus 320 (and therefore also can be viewed as one or more nodes) . These modules, which can be considered as one or more nodes, may be coupled to the equipment that houses the antennas 256 over a communication link (not shown) , sometimes referred to as front haul, such as the Common Public Radio Interface (CPRI) . Therefore, in some implementations, the term apparatus 320 may also refer to network-side nodes that perform processing operations such as, but not limited to, determining the location of the apparatus 310, resource allocation (scheduling) , message generation, and encoding / decoding, and that which are not necessarily part of the equipment that houses the antennas 256 of the apparatus 320. The nodes may also be coupled to other apparatuses 320. In some implementations, the apparatus 320 may actually be a plurality of nodes that are operating together to serve the apparatus 310, such as through the use of coordinated multipoint transmissions, or through the use of ORAN system as described above in the disclosure.

[0131] The processor 260 is configured to perform operations including those related to: preparing a transmission for DL transmission to the apparatus 310, processing an UL transmission received from the apparatus 310, preparing a transmission for backhaul transmission to another apparatus 320, and processing a transmission received over backhaul from another apparatus 320. Processing operations related to preparing a transmission for DL or backhaul transmission may include operations such as, but not limited to, encoding, modulating, precoding (such as MIMO precoding) , transmit beamforming, and generating symbols for transmission. Processing operations related to processing received transmissions in the UL or over backhaul may include operations such as, but not limited to, receive beamforming, demodulating received symbols, and decoding received symbols. The processor 260 may also be configured to perform operations relating to network access (such as initial access) and / or DL synchronization, such as generating the content of synchronization signal blocks (SSBs) , generating the system information, and the like. In some implementations, the processor 260 is further configured to generate an indication of beam direction, such as BAI, which may be scheduled for transmission  by the scheduler 253 which will be described below. In some implementations, the processor 260 implements the transmit beamforming and / or receive beamforming based on beam direction information (such as BAI) received from another apparatus 320. The processor 260 is configured to perform other network side processing operations described herein, such as, but not limited to, determining the location of the apparatus 310, determining where to deploy another apparatus 320, and the like. In some implementations, the processor 260 may generate signaling data, to configure one or more parameters of the apparatus 310 and / or one or more parameters of another apparatus 320. Any signaling data generated by the processor 260 is sent by the transmitter 252. In some implementations, the apparatus 320 implements physical layer processing. In some implementations, the apparatus 320 may perform higher layer functions such as those at the Medium Access Control (MAC) or Radio Link Control (RLC) layers in addition to physical layer processing. In the apparatus 320, the scheduler 253 may be coupled to the processor 260 or integrated within the processor 260. In some implementations, the scheduler 253 may be integrated within the apparatus 320 or may be operated separately from the apparatus 320. The scheduler 253 may schedule UL, DL, SL, and / or backhaul transmissions, including issuing scheduling grants and / or configuring scheduling-free (such as “configured grant” ) resources.

[0132] The apparatus 320 may further include a memory 258 that is configured to store instructions for performing the operations described herein. The memory 258 may also store data that is used, generated, or collected by the apparatus 320. For example, the memory 258 can store software instructions or modules configured to implement some or all of the functionalities and / or implementations described herein and that which are executed by the processor 260.

[0133] Although not illustrated, the processor 260 may be implemented as part of the transmitter 252 and / or a part of the receiver 254. Although not illustrated, in some implementations, the processor 260 may implement the scheduler 253 and the memory 258 may be implemented as part of the processor 260.

[0134] The processor 260, the scheduler 253, the processing components of the transmitter 252, and the processing components of the receiver 254 may each be implemented by the same or different processors that are configured to execute instructions stored in a memory, such as in the memory 258.

[0135] The apparatus 320 and / or the apparatus 310 may include other components, not shown or described herein for the sake of clarity.

[0136] Note that the term “signaling” , as used herein, may alternatively be referred to as control signaling, control message, control information, or message for simplicity. Signaling between a base station (such as the TRP 170a, 170b, 172) and a UE or sensing device (such as ED 110) , or signaling between a different UE or sensing device (such as between ED 110a and ED 110b) may be carried in physical layer signaling (also called as dynamic signaling) , which is transmitted in a physical layer control channel. For DL, the physical layer signaling may be known as downlink control information (DCI) which is transmitted in a physical downlink control channel (PDCCH) . For UL, the physical layer signaling may be known as uplink control information (UCI) which is transmitted in a physical uplink control channel (PUCCH) . For SL, signaling between different UEs or sensing devices (such as between ED 110a and ED 110b) may be known as SL control information (SCI) which is transmitted in a physical sidelink control channel (PSCCH) . Signaling may be carried in a higher layer (such as higher than physical layer) signaling, which is transmitted in a physical layer data channel, such as in a physical downlink shared channel (PDSCH) for downlink signaling, in a physical uplink shared channel (PUSCH) for uplink signaling, and in a physical sidelink shared channel (PSSCH) for SL signaling. Higher layer signaling may also be called static signaling, or semi-static signaling. The higher layer signaling may include radio resource control (RRC) protocol signaling or media access control -control element (MAC-CE) signaling. Signaling may be included in a combination of physical layer signaling and higher layer signaling.

[0137] It should be noted that in the present disclosure, “information” , when different from “message” , may be carried within a single message, or may be carried in multiple separate messages.

[0138] FIG. 5 illustrates an example apparatus 410 according to an implementation of the present disclosure. The apparatus 410 may be a communication device or an apparatus implemented in a communication device such as the ED 110 or the TRPs 170a, 170b, 172. For example, the apparatus 410 implemented in an ED may be an integrated circuit, which in some instances may be referred to as a chip, a modem, a modem chip, a baseband chip, or a baseband processor. In some implementations, one or more integrated circuits can be packaged into a system-on-chip, a system-in-package, or a multi-chip module. The apparatus 410 can include one or more integrated  circuits and other discrete components. In some implementations, the apparatus 410 may be a module within the ED 110, or within the apparatus 310. In some implementations, the apparatus 410 may be a module within one of the TRPs 170a, 170b, 172, or the apparatus 320.

[0139] In an example, the apparatus 410 may include one or more processors 411, and an interface circuit 412. The apparatus 410 may further include a memory 413. The one or more processors 411 are configured to process signals and execute one or more communication protocols. The memory 413 is configured to store at least a part of corresponding computer program instructions and / or data. In an example, the one or more processors 411 execute the computer program instructions stored in the memory 413 to implement related operations (for example, inputting, outputting, receiving, and transmitting) in the method embodiments disclosed herein. In some implementations, the memory 413 being configured to store the corresponding computer program instructions and / or data may mean that the memory 413 is configured to store all of the corresponding computer program instructions and / or data for execution by the one or more processors 411. In some implementations, the memory 413 being configured to store the corresponding computer program instructions and / or data may mean that the memory 413 is configured to store a part of the corresponding computer program instructions and / or data. For example, the part of the corresponding computer program instructions and / or data may include computer program instructions and / or data that need to be currently executed by the one or more processors 411. Thus, the memory 413 may store different parts of computer program instructions and / or data for a plurality of times for the one or more processors 411 to perform related operations in the method embodiments disclosed herein. As a communication interface, the interface circuit 412 is configured to implement communication with another component. For example, the interface circuit 412 may communicate a signal with other apparatus / system such as a radio frequency processing apparatus, or processor system. The communication includes transmitting signal (or data, information) to another component or device, or receives signal from another component or device. “transmitting” includes outputting the signal to a component or device that is directly or indirectly coupled to the interface circuit (transmitting unit) . “receiving” includes inputting or obtaining a signal from a component or device that is directly or indirectly coupled to the interface circuit (receiving unit) . Optionally, to reduce a load of the one or more processors, a baseband signal processing circuit 414 may be also disposed to implement processing of at least a part of baseband signals, including signal demodulation, modulation, encoding, decoding, or the like.

[0140] The apparatus 410 may be the processor 210 (or 260) within the apparatus 310 (or 320) , in some scenarios, or may be included within the processor 210 (or 260) within the apparatus 310 (or 320) in some scenarios. The apparatus 410 may be a baseband chip or may include a baseband chip. In some implementations, the apparatus 410 may be independently packaged into a chip. In some implementations, the apparatus 310 (or 320) includes different types of chips. The apparatus 410 may be packaged into a processor chip (for example, an SoC chip or an SIP chip) with the different types of chips. In some implementations, the apparatus 410 may be packaged into a chip with some or all of circuits of a radio frequency processing system that may further be included in the apparatus 310 (or 320) .

[0141] FIG. 6 illustrates example apparatus 510 according to an implementation of the present disclosure. The apparatus 510 may include corresponding modules or units configured to implement methods and / or implementations described herein. In some implementations, the apparatus 510 includes a processing unit 512 and a communication unit 513. Optionally, the apparatus 510 may further include a storage unit 511 configured to store apparatus program code (or instructions) and / or data.

[0142] The apparatus 510 may be an ED side apparatus, for example, an ED or a module in an ED, or a circuit or a chip responsible for a communication function in an ED. In some implementations, apparatus 510 may be the apparatus 310. The processing unit 512 may be the processor 210. The communication unit 513 may comprise a receiving unit and / or a transmitting unit. The receiving unit and / or the transmitting unit may be the transmitter 201 and / or the receiver 203 respectively. The storage unit 511 may be the memory 208.

[0143] The apparatus 510 may be a base station side apparatus, for example, a base station or a module in a base station, or a circuit or a chip responsible for a communication function in a base station. In some implementations, apparatus 510 may be apparatus 320. The processing unit 512 may be the processor 260 (the scheduler 253 may also be included) . The communication unit 513 may comprise a receiving unit and / or a transmitting unit. The receiving unit and / or the transmitting unit may be the transmitter 252 and / or the receiver 254 respectively. The storage unit 511 may be the memory 258.

[0144] In some implementations, when the apparatus 510 is an ED 110 or a module in an ED 110, a function of the apparatus 510 may be implemented by one or more processors. Specifically, the processor may include a modem chip, or a system on chip (SoC) chip or an SIP chip that includes a modem core. A function of the communication unit 513 may be implemented by a transceiver circuit.

[0145] In some implementations, when the apparatus 510 is a circuit or a chip that is responsible for a communication function in an ED 110, such as a modem chip, a system on chip (SoC) chip or an SIP chip that includes a modem core -a function of the processing unit 512 may be implemented by a circuit system within the chip which includes one or more processors. A function of the communication unit 513 may be implemented by an interface circuit or a data transceiver circuit on the chip.

[0146] It may be understood that the units in the apparatus 510 may be logical or functional. Each function may correspond to one functional unit, or two or more functions may be integrated into a single functional unit. In actual implementation, all or some of the units may be integrated into a single physical entity, or may be distributed across different physical entities. In addition, the functional units may be implemented in the form of hardware, software, or a combination of hardware and software. Whether a function is implemented in the form of hardware or software depends on particular applications and design constraint conditions of the technical solutions. A person skilled in the art may use different methods to implement the described functions for specific applications, but it should not be considered that the implementation goes beyond the scope of this disclosure.

[0147] In an example, a functional unit in any one of the apparatuses may be configured as one or more integrated circuits for implementing the methods disclosed herein, for example, as one or more application-specific integrated circuits (application-specific integrated circuits, ASICs) , one or more central processing units (CPUs) , one or more microprocessors or microprocessor units (MPUs) , one or more microcontrollers or microcontroller units (MCUs) , one or more digital signal processors (DSPs) , one or more field programmable gate arrays (FPGAs) , or a combination of these.

[0148] In an example, the storage unit 511 may include a random access memory, a flash memory, a read-only memory, a programmable read-only memory, an electrically erasable programmable memory, and / or a register.

[0149] A processor may be referred to as a processor system, an application processor, a baseband processor, a processor circuit, or a processor core. The processor may include one or a combination of one or more central processing units (CPUs) , one or more digital signal processors (DSPs) , one or more microprocessors (microprocessor units, MPUs) , one or more microcontrollers (microcontroller units, MCUs) , one or more graphics processing units (GPUs) , one or more field programmable gate arrays (FPGAs) , one or more artificial intelligence processors (AI processors) , or one or more neural network processing units (NPUs) .

[0150] Memory or a storage unit may include one or more of the following storage media: a random access memory (RAM) , a static random access memory (static RAM, SRAM) , a dynamic random access memory (dynamic RAM, DRAM) , a phase-change memory (PCM) , a resistive random access memory (resistive RAM, ReRAM) , a magnetoresistive random access memory (magnetoresistive RAM, MRAM) , a ferroelectric random access memory (ferroelectric RAM, FRAM) , a cache, a register, a read-only memory (ROM) , a flash memory (flash memory) , an erasable programmable read-only memory (erasable programmable ROM, EPROM) , a hard disk, and the like. In an example, computer program instructions used to execute embodiments may be stored in a non-volatile memory, for example, at least a part of a memory or storage unit (for example, one or more of a ROM, a flash memory, an EPROM, or a hard disk) . When a terminal runs, a part or all of corresponding computer program instructions may be loaded to a memory that has a higher transmission speed with the processor, for example, at least a part of a memory or a storage unit (for example, one or more of a RAM, an SRAM, a DRAM, a PCM, a RERAM, an MRAM, a FRAM, a cache, or a register) , so that the processor executes the computer program instructions to perform the steps in the method embodiments disclosed herein.

[0151] In the present disclosure, the terms “a” or “an” are defined to mean “at least one” , that is, these terms do not exclude a plural number of items, unless stated otherwise.

[0152] In the present disclosure, terms such as “substantially” , “generally” and “about” , which modify a value, condition or characteristic of a feature of an example embodiment, should be understood to mean that the value, condition or characteristic is defined within tolerances that are acceptable for the proper operation of the example embodiment for its intended application.

[0153] In the present disclosure, unless stated otherwise, the terms “connected” and “coupled” , and derivatives and variants thereof, refer herein to any structural or functional connection or coupling, either direct or indirect, between two or more elements. For example,  the connection or coupling between the elements can be acoustical, mechanical, optical, electrical, thermal, logical, or any combinations thereof.

[0154] In the present disclosure, expressions such as “match” , “matching” and “matched” , including variants and derivatives thereof, are intended to refer herein to a condition in which two or more elements are either the same or within some predetermined tolerance of each other. That is, these terms are meant to encompass not only “exactly” or “identically” matching the two elements but also “substantially” , “approximately” or “subjectively” matching the two or more elements, as well as providing a higher or best match among a plurality of matching possibilities.

[0155] In the present disclosure, the expression “based on” is intended to mean “based at least partly on” , that is, this expression can mean “based solely on” or “based partially on” , and so should not be interpreted in a limited manner. More particularly, the expression “based on” could also be understood as meaning “depending on” , “representative of” , “indicative of” , “associated with” or similar expressions.

[0156] In the present disclosure, the terms "system" and "network" may be used interchangeably in different embodiments of this application. "At least one" means one or more, and "aplurality of" means two or more. The term "and / or" describes an association relationship of associated objects, and indicates that three relationships may exist. For example, A and / or B may indicate the following three cases: Only A exists, both A and B exist, and only B exists, where A and B may be singular or plural. The character " / " indicates an "or" relationship between associated objects. "At least one of the following items (pieces) " or a similar expression thereof indicates any combination of these items, including a single item (piece) or any combination of a plurality of items (pieces) . For example, "at least one of A, B, or C" includes: only A; only B; only C; A and B; A and C; B and C; or A, B, and C, and "at least one of A, B, and C" may also be understood as including: only A; only B; only C; A and B; A and C; B and C; or A, B, and C. In addition, unless otherwise specified, ordinal numbers such as "first" and "second" in embodiments of this application are used to distinguish between a plurality of objects, and are not used to limit a sequence, a time sequence, priorities, or importance of the plurality of objects.

[0157] A person skilled in the art should understand that embodiments of this application may be provided as a method, an apparatus (or system) , computer-readable storage medium, or a computer program product. Therefore, this application may use a form of a hardware-only embodiment, a software-only embodiment, or an embodiment with a combination of software and hardware. Moreover, this application may use a form of a computer program product that is implemented on one or more computer-usable storage media (including but not limited to a disk memory, an optical memory, and the like) that include computer-usable program code.

[0158] This application is described with reference to the flowcharts and / or block diagrams of the method, the device (system) , and the computer program product according to this application. It should be understood that computer program instructions may be used to implement each process and / or each block in the flowcharts and / or the block diagrams and a combination of a process and / or a block in the flowcharts and / or the block diagrams. The computer program instructions may be provided for a general-purpose computer, a dedicated computer, an embedded processor, or a processor of another programmable data processing device and enable a machine to execute the instructions. When executed by any computer or the processor of a programmable data processing device, the instructions cause the apparatus to implement specific functions as described in one or more procedures in the flowcharts and / or one or more blocks in the block diagrams. The computer program instructions may alternatively be stored in a computer-readable memory that can indicate a computer or another programmable data processing device to work in a specific manner, so that the instructions stored in the computer-readable memory generate an artifact that includes an instruction apparatus. The instruction apparatus implements a specific function in one or more procedures in the flowcharts and / or one or more blocks in the block diagrams.

[0159] The computer program instructions may alternatively be loaded onto a computer or another programmable data processing device, so that a series of operations and steps are performed on the computer or the another programmable device, so that computer-implemented processing is generated. Therefore, the instructions executed on the computer or on another programmable device provide steps for implementing specific functions as described in one or more procedures in the flowcharts and / or one or more blocks in the block diagrams.

[0160] It is clear that a person skilled in the art can make various modifications and variations to this application without departing from the scope of this disclosure. This disclosure is intended to cover these modifications and variations of this application provided that they fall within the scope of protection defined by the following claims and their equivalent technologies.

[0161] Digital Twin Technology

[0162] The field of digital twins has witnessed significant advancements in recent years, with applications spanning various industries such as manufacturing, healthcare, and urban planning. Existing digital twin platforms often incorporate sensor data, physics-based models, and simulation tools to create virtual representations of physical systems. These platforms provide capabilities for real-time monitoring, predictive maintenance, and what-if analysis, laying the groundwork for the integration of semantic information and AI-driven inference.

[0163] Semantic Web and Knowledge Representation

[0164] The semantic and knowledge representation communities have developed a wealth of technologies and standards for representing and reasoning with knowledge in a machine-readable format. Ontologies, knowledge graphs, and semantic web languages like RDF and OWL provide a foundation for structuring and interlinking semantic information, enabling machines to understand the meaning and relationships between different concepts. These technologies are crucial for building the knowledge base and reasoning mechanisms required for semantic digital twins.

[0165] Large Language Models and Natural Language Processing

[0166] Advancements in natural language processing (NLP) and the development of large language models (LLMs) have revolutionized the way machines understand and generate human language. LLMs, trained on massive datasets of text and code, can perform tasks such as translation, summarization, and question answering with remarkable fluency and accuracy. These capabilities are essential for enabling semantic communication between devices and interpreting the semantic information within the digital twin environment.

[0167] Edge Computing and Distributed Intelligence

[0168] The rise of edge computing and distributed intelligence paradigms has addressed the need for low-latency processing and real-time decision-making in various applications. By moving computation closer to the data source, edge computing reduces communication delays and enables faster response times. This is crucial for supporting real-time inference tasks within the digital twin environment, where timely decisions and actions are often required.

[0169] Handover Procedure

[0170] A moving UE constantly communicates with the nearest base station to maintain a stable connection. In the present disclosure, the terms “base station” may refer to a gNB, or other similar network device which communicates with UEs. However, as the UE approaches the edge of the current base station’s coverage area, the signal strength weakens, potentially leading to interruptions in its streaming experience. To prevent this, a handover process seamlessly transfers its connection to a neighboring base station with a stronger signal. The handover process generally includes the following steps:

[0171] Step 1 -Signal Degradation: As the UE moves away from the serving base station, the UE detects a gradual weakening of the signal. This triggers internal measurements and assessments of surrounding base stations, evaluating their signal strength and suitability for handover.

[0172] Step 2 -Handover Triggering: Once the signal quality falls below a certain threshold or a more suitable neighboring base station is identified, the UE initiates the handover process. The UE sends a measurement report to the serving base station, indicating the deteriorating conditions and potential handover candidates.

[0173] Step 3 -Target Selection and Preparation: Upon receiving the measurement report, the serving base station evaluates the available options and selects the most appropriate target base station for handover. The serving base station then prepares necessary information for the transition, including radio resource configuration, security context, and handover command.

[0174] Step 4 -Handover Command: The serving base station sends an RRC Reconfiguration message to the UE. This message acts as a handover command, providing instructions and information required to connect to the target base station. It includes details such as the target cell identifier, frequency, and security keys.

[0175] Step 5 -Synchronization and Access: Following the handover command, the UE starts synchronizing with the target base station. This involves acquiring system information, establishing time and frequency alignment, and performing a random access procedure to gain access to the new cell.

[0176] Step 6 -Data Forwarding (Optional) : In some cases, the serving base station might forward buffered data to the target base station to ensure a seamless transition and prevent data loss during the handover process. This ensures minimal disruption to the UE’s ongoing data session, such as a streaming video.

[0177] Step 7 -Path Switch and Resumption: Once synchronized and granted access, the UE seamlessly switches its radio link from the serving base station to the target base station. Communication resumes on the new path, ensuring the UE’s ongoing data stream continues to stream smoothly, without any noticeable interruption.

[0178] Throughout the handover process, various protocols and signaling mechanisms work behind the scenes to orchestrate a smooth and efficient transfer. These ensure that users remain connected, without any frustrating pauses or buffering delays.

[0179] Problems Due to Context-Aware Digital Twin

[0180] The advent of context-aware digital twins in ushers in a new era where AI inference services take center stage. Unlike traditional human-centric applications like video streaming and web browsing, the future of wireless networks will cater to a surge of non-human users –robots, autonomous vehicles, and other intelligent devices –heavily reliant on AI processing. This paradigm shift necessitates a reimagining of mobility support, moving beyond conventional channel-based handover mechanisms to accommodate the unique demands of AI inference services.

[0181] The spatiotemporal nature of digital twins adds another layer of complexity. As AI-enabled devices interact with and learn from their environment, the context provided by the digital twin becomes crucial for accurate and efficient inference. This context, encompassing real-time data and historical information about surrounding objects, events, and conditions, is intrinsically tied to the device's location within the network. Consequently, handover decisions must consider not only signal strength and quality but also the impact on the digital twin's contextual awareness and the continuity of ongoing inference tasks.

[0182] The present disclosure addresses these issues by proposing the development of AI-supported handover mechanisms tailored to the unique requirements of inference services. These mechanisms should:

[0183] · Consider Contextual Continuity: Prioritize handover decisions that minimize disruption to the digital twin's contextual awareness, ensuring a smooth transition of background knowledge and ongoing inference tasks;

[0184] · Optimize for Inference Efficiency: Take into account the computational demands and latency constraints of AI models, selecting target base stations that can effectively support ongoing inference processing;

[0185] · Leverage Semantic Information: Utilize semantic data from the digital twin to inform handover decisions, considering factors such as task correlation, location-specific knowledge, and potential for collaborative inference with nearby devices.

[0186] By incorporating these considerations, AI-supported handover mechanisms can ensure seamless mobility for the next generation of intelligent devices, enabling them to navigate the network while maintaining optimal performance and harnessing the full potential of context-aware AI inference.

[0187] Step 1: Enhanced Signal Degradation Assessment with AI-Supported Requests and Inter-gNB Collaboration

[0188] Original Step 1: As the UE moves away from the serving base station, the UE detects a gradual weakening of the signal. This triggers internal measurements and assessments of surrounding base stations, evaluating their signal strength and suitability for handover.

[0189] The traditional understanding of signal degradation as the sole trigger for handover needs a significant update. While signal strength and quality remain important factors, the presence of ongoing AI inference tasks introduces additional layers of complexity. As a UE engaged in such a task experiences a weakening signal, it initiates an evaluation process that extends beyond simply assessing surrounding base stations's ignal strength.

[0190] Firstly, the UE takes stock of the inference task's progress, considering factors such as the amount of data already processed and the remaining computational steps (major inference work is done at the serving base station) . This helps determine the feasibility  and potential impact of a handover at the current stage of the task. Secondly, the UE evaluates "contextual relevance" how well the knowledge bases of the serving and potential target base stations align with the ongoing inference task (s) . This involves comparing the information contained within each knowledge base, with a particular focus on data and context relevant to the specific inference task and its associated high-frequency semantic tokens. For instance, if the task involves object recognition in a park, the UE would prioritize base stations whose knowledge bases contain rich information about park layouts, common objects, and recent events in the vicinity, if it has more than one candidate target base stations.

[0191] To facilitate this contextual evaluation, the UE can initiate a knowledge base comparison process by sending a request to the serving base station, specifying the potential target base stations and the relevant inference task details. The serving base station then conducts a comparison between the knowledge bases related to the inference tasks, utilizing semantic analysis techniques to quantify the relevance of each target base station's context to the UE's specific needs. Additionally, the UE may request an evaluation of spatial and temporal correlation between its current location and the knowledge bases of potential target base stations, because context is closely related to the location. This involves analyzing whether the UE's spatiotemporal information aligns with existing knowledge base clusters within each target base station, further refining the assessment of contextual relevance.

[0192] Then, optionally, the UE considers the computational resources and AI processing capabilities of potential target base stations, ensuring that the chosen target base station can seamlessly support the ongoing inference task without compromising performance or introducing latency issues.

[0193] To optimize the handover process for UEs engaged in AI inference tasks, we propose an approach to assess contextual relevance and spatial / temporal correlation. This approach involves two distinct assessments, which can be executed sequentially or concurrently depending on the specific scenario and network conditions.

[0194] Reference is made to FIG. 7 illustrates a process for performing the context assessment according to at least some embodiments of the present disclosure.

[0195] Assessment 1: Knowledge Base Comparison

[0196] 1. UE Initiates Comparison: As seen in FIG. 7, UE 701 sends a "Knowledge Base Assessment Request" 710 to serving base station 702, providing identifiers of potential target base stations, details of the ongoing inference task (s) , and associated high-frequency semantic tokens.

[0197] 2. Serving base station Facilitates Comparison: The serving base station 702 relays the request to each potential target base station 703, as illustrated by arrow 720, triggering a comparison process within their respective digital twin knowledge bases.

[0198] 3. Target base stations Evaluate Relevance: Each target base station 703 assesses the relevance of its knowledge base to the specific inference task of UE 701 and semantic tokens, generating a "Relevance Score" that quantifies the alignment with the UE's needs.

[0199] 4. Relevance Scores Relayed to UE: The target base stations 703 return their "Relevance Scores" to the serving base station 702, as indicated by arrow 750, which aggregates the information and transmits it back to UE 701, as indicated by arrow 760.

[0200] Assessment 2: Spatial and Temporal Correlation

[0201] 5. UE Initiates Correlation Evaluation: UE 701 sends a "Spatial and Temporal Correlation Evaluation Request" 730 to serving base station 702, including its recent spatiotemporal information (location and timestamp) .

[0202] 6. Serving base station Initiates Cluster Matching: The serving base station 702 forwards the spatiotemporal information of UE 701 to the potential target base stations 703, triggering a "Cluster Matching" process, as indicated by arrow 740.

[0203] 7. Target base stations Assess Cluster Alignment: Each target base station 703 attempts to map the spatiotemporal information of UE 701 onto its existing knowledge base clusters, which are organized based on spatial proximity and continuously updated.

[0204] 8. Cluster Matching Results Relayed: The target base stations 703 report back to the serving base station 702 whether the information of UE 701 aligns with any of their existing clusters, indicating potential matches in spatial and temporal context, as illustrated by arrow 770.

[0205] 9. Cluster Matching Results to UE: The serving base station 702 aggregates the cluster matching results and relays them to the UE 701, as illustrated by arrow 780.

[0206] The two assessments can be executed in a flexible manner, either sequentially or concurrently. In scenarios where time is critical, both evaluations can be initiated simultaneously to expedite the decision-making process. Alternatively, one assessment can be prioritized based on the specific inference task or network conditions. For example, if contextual relevance is deemed more crucial for a particular task, Assessment 1 can be executed first, and the results can be used to filter the list of potential target base stations for Assessment 2, reducing the scope of the evaluation.

[0207] 10. Decision Making and Handover Execution: Once UE 701 has received the results from both phases, it can make an informed decision about the necessity and target of handover based on a comprehensive set of factors, including signal strength, knowledge base relevance, spatial / temporal correlation, and target base station inference capabilities. If a handover is deemed necessary, the subsequent steps follow traditional handover procedures, ensuring a smooth transition to the chosen target base station while maintaining the continuity and accuracy of ongoing AI inference tasks.

[0208] This context-assessment-based approach with its inherent flexibility provides an efficient and adaptable framework for AI-supported handover, catering to the diverse needs of intelligent devices operating within the dynamic context of networks.

[0209] Step 2: Handover Triggering with Inference-Aware Decision Making

[0210] Original step 2: Once the signal quality falls below a certain threshold or a more suitable neighboring base station is identified, the UE initiates the handover process. It sends a measurement report to the serving base station, indicating the deteriorating conditions and potential handover candidate.

[0211] While traditional handover procedures rely primarily on signal quality thresholds and measurements to trigger the handover process, AI-supported handovers require a more nuanced approach that considers the ongoing inference task and its specific needs.

[0212] As the UE experiences signal degradation, it performs initial measurements of surrounding base stations, assessing signal strength and quality as in traditional handovers. However, instead of immediately triggering handover based solely on these measurements, the UE initiates an inference-aware decision-making process.

[0213] Reference is made to FIG. 8 in which a process for triggering a handover with inference-aware decision-making is illustrated.

[0214] 1. Inference Task Analysis: UE 801 analyzes the current state and requirements of the ongoing inference task (s) at block 810. This includes:

[0215] · Task Progress and Completion Time: Estimating the remaining time required to complete the inference task based on the current stage of processing and available computational resources;

[0216] · Contextual Sensitivity: Assessing the sensitivity of the inference task to changes in context. Certain tasks might be highly dependent on specific knowledge or real-time data, while others may be more resilient to context shifts;

[0217] · Task Priority and Latency Tolerance: Evaluating the priority of the inference task and its tolerance to latency. High-priority tasks with strict latency requirements might necessitate a more proactive handover approach.

[0218] UE 801 may obtain information for this analysis from serving gNB 802 by sending a request 860.

[0219] 2. Handover Decision and Measurement Report: Based on the combined analysis of signal degradation, inference task characteristics, and potential target base station capabilities (as evaluated in Assessment 1 and 2 of Step 1) , UE 801 makes an informed decision about triggering handover.

[0220] · Handover Triggered: If the signal degradation meets a condition 820, such that the quality of the signal significantly impacts the inference task's performance or completion time, or if a more suitable target base station with higher contextual relevance and inference capabilities is identified at block 840, UE 801 triggers the handover process at block 850. UE 801 sends a measurement report 870 to serving base station 802, indicating the deteriorating conditions, potential handover candidates, and additional information related to the ongoing inference task (e.g., task type, progress, and latency requirements) , and chosen target base station. Wherein the condition may be a threshold, wherein the meeting the condition comprises the degradation is equal or greater than the threshold.

[0221] · Handover Delayed: If the signal degradation is minor and does not significantly impact the inference task, or if suitable target base stations are not readily available, the UE may delay the handover until the task is closer to completion or a better opportunity arises, as illustrated by block 830.

[0222] Step 3: Serving base station’s Preparation -Orchestrating a Seamless Handover

[0223] Original Step 3: Upon receiving the measurement report, the serving base station evaluates the available options and selects the most appropriate target base station for handover. It then prepares necessary information for the transition, including radio resource configuration, security context, and handover command.

[0224] AI-supported Step 3 evolves beyond simply selecting the base station with the strongest signal. The serving base station now takes on the role of an intelligent orchestrator, considering a multitude of factors to ensure a seamless transition that prioritizes the needs of the ongoing AI inference task (s) .

[0225] Reference is made to FIG. 9, which illustrates a process for AI-guided target selection and preparation, according to at least some embodiments of the present disclosure.

[0226] 1. Inference-Aware Evaluation: Upon receiving measurement report 910 from UE 901, serving base station 902 analyzes not only the reported signal conditions and potential target base stations but also the additional information related to the ongoing inference task (s) , as illustrated by block 920. This includes the task type, progress, latency requirements, and chosen target base station (if provided by the UE) .

[0227] 2. Contextual Relevance and Inference Capabilities: Serving base station 902 leverages the knowledge base comparison and spatial / temporal correlation information obtained in Step 1 to assess the contextual relevance and inference capabilities of each potential target base station 903, as illustrated by block 930. This assessment helps determine which target base station can best support the UE's ongoing AI processing needs.

[0228] 3. Resource Availability and Load Balancing: Serving base station 902 evaluates the available resources and current load on each potential target base station 903, as illustrated by block 940. This ensures that the chosen target has sufficient capacity to handle the additional traffic from UE 901 without compromising the performance of other ongoing tasks.

[0229] 4. Handover Type Determination: Based on the location, target base station selection, and network configuration of UE 901, serving base station 902 determines the appropriate handover type (e.g., intra-base station, inter-base station, or inter-RAT) at block 950.

[0230] Note that the serving base station may not strictly follow the target base station chosen by UE 901 in measurement report 910.

[0231] Once the optimal target base station is selected, serving base station 902 prepares the necessary information for a seamless handover.

[0232] 5. Radio Resource Configuration: Serving base station 902 coordinates with target base station 903 to allocate appropriate radio resources for UE 901 in the target cell, as illustrated by arrow 960.

[0233] 6. Security Context Transfer: Serving base station 902 exacts the UE-related context and securely transfers the security context of UE 901 to target base station 903, as illustrated by arrow 970. This includes encryption keys and other security parameters necessary to maintain a secure connection after handover.

[0234] 7. Handover Command Generation: Serving base station 902 generates a handover command to be transmitted to UE 901, containing instructions and information required for the UE to connect to the target base station, as illustrated by arrow 980. This command includes details such as the target cell identifier, frequency, and security keys.

[0235] Step 4: Enhanced Handover Command -Conveying AI-Specific Information for a Smooth Transition

[0236] Original Step 4: The serving base station sends an RRC Reconfiguration message to the UE. This message acts as a handover command, providing instructions and information required to connect to the target base station. It includes details such as the target cell identifier, frequency, and security keys.

[0237] In the context of AI-supported handovers, the traditional handover command expands to include additional information relevant to the ongoing inference task. This ensures that the UE can seamlessly resume its AI processing on the target base station without any loss of context or disruption to its operations.

[0238] 1. Augmented-RRC Reconfiguration Message

[0239] Traditional Handover Information: The serving base station still includes all the essential information for handover execution, such as:

[0240] · Target Cell Identifier: Identifies the specific cell within the target base station that the UE should connect to;

[0241] · Frequency Information: Specifies the frequency parameters for the target cell, allowing the UE to adjust its radio settings accordingly;

[0242] · Security Keys: Provides the necessary encryption keys and security parameters to establish a secure connection with the target base station.

[0243] AI-Specific Information: In addition to the traditional handover details, the serving base station now includes AI-specific information to facilitate a smooth transition of the ongoing inference task:

[0244] · Inference Task Context (optional) : A concise summary of the relevant context from the target base station's knowledge base, specifically tailored to the UE's ongoing inference task (s) . This could include information about nearby objects, recent events, or environmental conditions that are pertinent to the task at hand;

[0245] · Target base station Inference Capabilities: Details about the target base station's computational resources and AI processing capabilities. This allows the UE to assess the target's suitability for supporting the ongoing inference task and adjust its processing strategy if needed;

[0246] · Suggested Inference Checkpoint (optional) : If applicable, the serving base station may suggest an appropriate checkpoint in the inference process where the UE should pause its computation before handover. This ensures a clean transition and avoids potential issues with data consistency or task completion.

[0247] The augmented-RRC reconfiguration message follows the existing RRC Reconfiguration Message structure, with additional fields or containers for AI-specific information, as follows:

[0248] AugmentedRRCReconfiguration: : = SEQUENCE {

[0249] TraditionalHandoverInfo,

[0250] AIHandoverAssistInfo

[0251] }

[0252] The traditional handover information comprises a target cell identifier, in the form of a Cell Global Identity (CGI) or a NR Cell Global Identity (NCGI) , frequency information, such as an Absolute Radio-Frequency Channel Number (ARFCN) and bandwidth, and security keys, such as Next Hop Chaining Count (NCC) , Next Hop NH, amongst others.

[0253] The "AIHandoverAssistInfo" container should be included as an optional or conditional field within the RRC Reconfiguration Message, depending on whether the UE is engaged in an AI inference task or not.

[0254] AIHandoverAssistInfo: : = SEQUENCE {

[0255] InferenceTaskContext,

[0256] TargetGNBInferenceCapabilities,

[0257] SuggestedInferenceCheckpoint

[0258] }

[0259] The Inference Task Context field is an optional field, and may comprise an octet or a container, and provides relevant context from the target base station's knowledge base, tailored to the UE's ongoing inference task (s) .

[0260] The Target base station Inference Capabilities field comprises a container which provides details about the target base station's computational resources and AI processing capabilities, and may include the following subfields, amongst others:

[0261] · Processing power (e.g., number of GPU or CPU cores)

[0262] · Memory capacity

[0263] · Accelerator support (e.g., Tensor Processing Units (TPU) , Neural Processing Unit (NPU) )

[0264] · Supported AI Frameworks.

[0265] The Suggested Inference Checkpoint field is an optional field, and may comprise an integer, or a container. The Suggested Inference Checkpoint field provides a suggested checkpoint in the inference process where the UE should pause its computation before handover, and may include the following subfields, amongst others:

[0266] · Checkpoint ID

[0267] · Inference Stage.

[0268] The inclusion of AI-specific information within the handover command significantly enhances the handover experience for UEs engaged in inference tasks. By providing relevant context from the target base station's knowledge base, the UE can seamlessly resume its task upon connecting to the new cell, eliminating the need to rebuild its understanding of the environment and minimizing disruptions to its AI processing. In the future, as the UE itself may have onboard AI capabilities, it can generate appropriate inference inputs during the handover by knowing the relevant context from the target base station's knowledge base.

[0269] Additionally, knowledge of the target base station's inference capabilities allows the UE to optimize its resource usage and adapt its processing strategy as needed, preventing potential bottlenecks or performance degradation during the transition. This ensures efficient utilization of computational resources and maintains the responsiveness of the AI system. For example, if the target base station’s inference capabilities are lower than the serving base station, the UE, with onboard AI capabilities, may simplify its inference tasks.

[0270] Furthermore, the handover command may include a suggested inference checkpoint, enabling the UE to strategically pause its computation before switching to the target base station. This facilitates a smooth and controlled handover process, mitigating the risk of errors or incomplete task execution.

[0271] Step 5: Synchronization and Access with Inference Task Awareness -Maintaining Continuity During Transition

[0272] Original step 5: Following the handover command, the UE starts synchronizing with the target base station. This involves acquiring system information, establishing time and frequency alignment, and performing a random-access procedure to gain access to the new cell.

[0273] Step 5 in the AI-supported handover process maintains the core principles of synchronization and access with the target base station, but it now incorporates considerations for the ongoing inference task to ensure minimal disruption and efficient resumption upon connection.

[0274] Reference is now made to FIG. 10 which illustrates a process for synchronization and access to a target base station with inference task awareness according to at least some embodiments of the present disclosure.

[0275] 1. System Information Acquisition: UE 1001 acquires necessary system information from target base station 1003, including cell configuration, supported features, and available resources, as illustrated by request 1010 and response 1020. This information is used by UE 1001 to adapt its communication parameters and optimize its interaction with the new cell.

[0276] 2. Time and Frequency Alignment: UE 1001 synchronizes its time and frequency with target base station 1003, as illustrated by arrow 1030, ensuring accurate communication and coordination within the new cell. This step helps maintain the integrity of data transmission and avoiding interference with other users.

[0277] 3. Inference-Aware Random Access: UE 1001 performs a random-access procedure to gain access to the resources of target base station 1003, as illustrated by arrow 1040. However, unlike traditional random access, this process now considers the ongoing inference task (s) . For example, UE 1001 may request prioritized access to the resources of target base station 1003 based on the urgency and latency requirements of its inference task, such as when the inference task is for a driverless car. This ensures that AI processing can resume quickly and efficiently upon connection to the target base station.

[0278] If the handover command from Step 4 suggested an inference checkpoint, as determined at block 1070, UE 1001 pauses its computation at the designated point at block 1080 before completing the random access procedure, as illustrated by arrow 1050. The computation of the inference task may resume at block 1090, after receiving a random access response illustrated by arrow 1060. This ensures a clean transition and prevents potential issues with data consistency or task completion. Usually, this feature is preferable for less latency-constrained inference tasks.

[0279] The incorporation of inference-aware mechanisms into the synchronization and access procedures of Step 5 significantly enhances the handover experience for UEs engaged in AI processing. By prioritizing access to the target base station's resources and sharing pertinent information about the ongoing inference task, the UE minimizes interruptions and expedites the resumption of its AI operations upon connecting to the new cell. This ensures efficient task execution and reduces potential delays.

[0280] In scenarios where a designated checkpoint is suggested, the UE strategically pauses its inference computation before completing the transition, facilitating a smooth and controlled handover that mitigates the risk of errors or incomplete task execution. Step 6: Inference-Aware Data Forwarding (Optional) -Ensuring Continuity of AI Processing

[0281] Original Step 6: In some cases, the serving base station might forward buffered data to the target base station to ensure a seamless transition and prevent data loss during the handover process. This ensures minimal disruption to the UE’s ongoing data session, such as a streaming video.

[0282] While data forwarding remains an optional step in the handover process, its implementation in AI-supported scenarios takes on a new level of importance, specifically catering to the continuity and integrity of ongoing inference tasks.

[0283] Reference is made to FIG. 11 which illustrates a process for inference-aware data forwarding according to at least some embodiments of the present disclosure.

[0284] 1. Inference Task Assessment: Upon receiving handover request 1110 from UE 1101, serving base station 1102 analyzes the specifics of the ongoing inference task, including the task type, progress, and sensitivity to context changes, as illustrated by block 1120.

[0285] 2. Data Relevance Evaluation: Serving base station 1102 assesses the relevance of its buffered data (atime series of historic context in the serving base station’s knowledge base, which is very related) to the ongoing inference task of UE 1101, as illustrated by block 1130. This involves identifying data packets that are directly related to the task's current processing stage or that contain information crucial for maintaining contextual awareness.

[0286] 3. Forwarding Decision: Based on the assessment of data relevance and the handover request of UE 1101, serving base station 1102 makes a decision about data forwarding at block 1140:

[0287] · Selective Forwarding: If the buffered data contains information critical for the inference task's continuity or accuracy, serving base station 1102 selectively extracts relevant data at block 1150, and forwards these relevant data packets to target base station 1103 at block 1160. This ensures that UE 1101 can seamlessly resume its AI processing upon connection without any loss of context or progress.

[0288] · No Forwarding: If the buffered data is deemed irrelevant to the ongoing inference task or if handover request of UE 1101 indicates a preference for minimal data transfer, serving base station 1102 may opt not to forward any data. This can be beneficial in scenarios where minimizing handover latency or reducing data traffic is prioritized.

[0289] The selective forwarding of data during handover plays a crucial role in maintaining contextual continuity for AI-supported applications. By carefully identifying and transferring data packets that are directly relevant to the ongoing inference task, the serving base station ensures that the UE retains access to essential information upon connecting to the target base station. This prevents any loss of context or disruption to the AI processing, allowing the UE to seamlessly resume its task without the need to rebuild its understanding of the environment or reprocess previously analyzed data. As a result, the handover process becomes virtually transparent to the AI system, preserving the integrity and efficiency of its operation.

[0290] Step 7: Path Switch and Inference Task Resumption -A Seamless Transition with AI in Mind

[0291] Original Step 7: Once synchronized and granted access, the UE seamlessly switches its radio link from the serving base station to the target base station. Communication resumes on the new path, ensuring the UE’s ongoing data stream continues to stream smoothly, without any noticeable interruption.

[0292] In the context of AI-supported handovers, this step includes specific considerations to ensure the smooth continuation of inference tasks.

[0293] Reference is made to FIG. 12 illustrates a process for path switch and inference task resumption according to at least some embodiments of the present disclosure.

[0294] 1. Radio Link Switch: Once synchronized with target base station 1203 and granted access to its resources, UE 1201 seamlessly switches its radio link from the serving base station (not shown) to target base station 1203, as illustrated by arrow 1210. This transition is designed to be as quick and efficient as possible to minimize any disruption to ongoing communication.

[0295] 2. Context Integration and Update (if applicable) : Target base station 1203 integrates the contextual information received from the serving base station into its knowledge base (provided in Step 6) with its existing understanding of the environment, as illustrated by block 1230. This ensures a smooth continuation of the inference task without any loss of context or the need to rebuild its environmental model.

[0296] 3. Inference Task Resumption: UE 1201 resumes its ongoing inference task from the point where it was paused (if applicable) , as illustrated by block 1220, or continues processing new data received from the target base station. The resumption process leverages the contextual information and target base station's capabilities to ensure efficient and accurate AI processing.

[0297] 4. Resource Optimization and Adaptation: UE 1201 continuously monitors the performance and resource availability for target base station 1203 and adapts its inference processing strategy as needed, as illustrated by block 1240. This may involve adjusting the task's computational intensity, prioritizing certain aspects of the processing, or dynamically scaling the AI model to match the available resources.

[0298] The integration of contextual information from the target base station's knowledge base plays a critical role in preserving the UE's understanding of its surrounding environment during handover. This seamless transfer of knowledge ensures that the UE can resume its inference task without any loss of context, maintaining the accuracy and relevance of its AI-driven insights. By incorporating the target base station's understanding of nearby objects, events, and conditions, the UE can continue to make informed decisions and generate accurate predictions, even as it transitions to a new location within the network. This seamless preservation of contextual awareness helps ensure the reliability and effectiveness of AI applications in dynamic and ever-changing environments.

[0299] FIG. 13 illustrates a proposed AI-supported handover process between a UE and base stations. Compared to traditional handover mechanisms, inference task-related information, computation, and resource allocation need to be considered both before and after handover to ensure seamless transitions and efficient task completion.

[0300] As seen in FIG. 13, UE 1301 performs measurements and assessments at block 1310. Specifically, UE 1301 may measure signal strength of received signals from a serving base station 1302, and assess a progress of an ongoing inference task, the contextual relevance of the knowledge base of serving base station 1302 to the ongoing inference task, and the computational resources and AI processing abilities of serving base station 1302.

[0301] Based on the measurements and assessments performed at block 1310, UE 1301 may determine to trigger a handover. When the signal strength of serving base station 1302, or the capacity of serving base station 1302 to assist in the ongoing inference task is deemed to low by UE 1301, UE 1301 triggers a handover at block 1320. Otherwise, the handover is delayed at block 1330.

[0302] Upon the handover being triggered at block 1320, serving base station 1302 performs an evaluation of candidate target base stations at block 1340. This involves an evaluation of the knowledge base of each candidate target base station with respect to the ongoing inference task, as well as an evaluation of the resource availability and AI processing abilities of the candidate target base stations. Serving base station 1302 may further determine what type of handover to perform.

[0303] Then, serving base station 1302 prepares for the handover at block 1350. At this stage, serving base station 1302 configures radio resources and the security context for the transfer, and generates a handover command for UE 1301. The handover command may comprise an indication of handover task checkpoint for UE 1301 to pause the inference task and resume the inference task after the handover is complete.

[0304] At block 1360, serving base station 1302 sends UE 1301 an RRC Reconfiguration message with information allowing UE 1301 to connect to a target base station (not shown) , including in some cases an indication of a handover task checkpoint. Then, at block 1370, the UE performs a random access procedure to connect to the target base station, based on the RRC Reconfiguration message received from base station 1302.

[0305] At block 1380, serving base station 1302 may forward relevant buffered data for UE 1301 to the target base station.

[0306] At block 1390, the UE switches its connection to the target base station and may resume the inference task from the inference task checkpoint, if applicable.

[0307] Reference is now made to FIG. 14, which illustrates a process for performing knowledge base assessment according to at least some embodiments of the present disclosure.

[0308] As seen in FIG. 14, UE 1401 may send a request for a knowledge base assessment to serving base station 1402, as illustrated by arrow 1410.

[0309] Serving base station 1402 may then forward the assessment request to a plurality of candidate target base stations. While FIG. 14 only illustrates two target base stations, it will be appreciated that this is not intended to be limiting, and is for illustrative purposes only. Serving base station forwards the assessment request to target base station 1403A as illustrated by arrow 1420A, and to target base station 1403B, as illustrated by arrow 1420B.

[0310] Upon receiving requests 1420A and 1420B, respectively, target base stations 1403A and 1403B compute their relevance score. Target base stations 1420A and 1420B may then respond to serving base station 1402 with their respective relevance scores, as illustrated by arrows 1430A and 1430B.

[0311] Serving base station 1402 may then provide aggregated relevance scores back to UE 1401, as illustrated by arrow 1440.

[0312] Reference is now made to FIG. 15, which illustrates a spatial and temporal correlation evaluation process according to at least some embodiments of the present disclosure.

[0313] As seen in FIG. 15, UE 1501 may send a spatial and temporal correlation assessment request to serving base station 1502, as illustrated by arrow 1510.

[0314] Serving base station 1502 may then forward the assessment request to a plurality of candidate target base stations. While FIG. 15 only illustrates two target base stations, it will be appreciated that this is not intended to be limiting, and is for illustrative purposes only. Serving base station forwards the assessment request to target base station 1503A as illustrated by arrow 1520A, and to target base station 1503B, as illustrated by arrow 1520B.

[0315] Upon receiving requests 1520A and 1520B, respectively, target base stations 1503A and 1503B perform cluster matching. Target base stations 1503A and 1503B may then respond to serving base station 1502 with their respective cluster matching results, as illustrated by arrows 1530A and 1530B.

[0316] Serving base station 1502 may then provide aggregated correlation results back to UE 1501, as illustrated by arrow 1540.

[0317] Reference is now made to FIG. 16, which illustrates a process for resuming inference tasks after handover according to at least some embodiments of the present disclosure.

[0318] As seen in FIG. 16, UE 1601 may send a measurement report to serving base station 1602, as illustrated by arrow 1610. Serving base station 1602 may then provide a handover command with contextual information to target base station 1603, as illustrated by arrow 1620. Serving base station 1602 further sends a handover command to UE 1601, as illustrated by arrow 1630.

[0319] Handover command 1630 may include an inference task checkpoint, indicating to UE 1601 to pause execution of the inference task at a specific point, to be resumed following the handover. Upon receiving handover command 1630, UE 1601 may pause the inference task at the indicated checkpoint.

[0320] UE 1601 may then perform a random access procedure with target base station 1603, as illustrated by arrow 1640, and target base station 1603 may indicate to UE 1601 that a connection has been established, as illustrated by arrow 1650.

[0321] UE 1601 may then resume its inference task with target base station 1603, from the checkpoint indicated in command 1630, as illustrated by arrow 1660.

[0322] Reference is now made to FIG. 17, which illustrates a context-aware data forwarding mechanism according to at least some embodiments of the present disclosure.

[0323] As seen in FIG. 17, serving base station 1702 receives a handover request from a UE (not shown) at block 1710. At block 1720, serving base station 1702 then performs an assessment of any buffered data it may hold for the UE. Specifically, serving base station 1702 determines if any of this data is relevant to the ongoing inference task of the UE, as shown at block 1730. If the data is  deemed to be relevant, the data is forwarded to target base station 1703, as illustrated by block 1740. Otherwise, the data is not forwarded, as illustrated by block 1750.

[0324] At block 1760, if data was forwarded, target base station 1703 receives the forwarded data and integrates it to prepare assisting the UE in its ongoing inference task. Otherwise, target base station 1703 prepares for connection with the UE, as illustrated by block 1770.

[0325] Reference is now made to FIG. 18, which a feedback mechanism between a UE and the serving base station according to at least some embodiments of the present disclosure.

[0326] As seen in FIG. 18, UE 1801 may provide the serving base station 1802 with handover feedback, as illustrated by arrow 1810. Serving base station 1802 may acknowledge receipt of the handover feedback, as illustrated by arrow 1820.

[0327] The above functionality may be implemented on any one or combination of computing devices. FIG. 19 is a block diagram of a computing device 1900 that may be used for implementing the devices and methods disclosed herein. Specific devices may utilize all of the components shown, or only a subset of the components, and levels of integration may vary from device to device. Furthermore, a device may contain multiple instances of a component, such as multiple processing units, processors, memories, transmitters, receivers, etc. The computing device 1900 may comprise a processor 1910, memory 1920, a mass storage device 1940, and peripherals 1930. Peripherals 1930 may comprise, amongst others one or more input / output devices, such as a speaker, microphone, mouse, touchscreen, keypad, keyboard, printer, display, network interfaces, and the like. Communications between processor 1910, memory 1920, mass storage device 1940, and peripherals 1930 may occur through one or more buses 1950.

[0328] The bus 1950 may be one or more of any type of several bus architectures including a memory bus or memory controller, a peripheral bus, video bus, or the like. The processor 1910 may comprise any type of electronic data processor. The memory 1920 may comprise any type of system memory such as static random-access memory (SRAM) , dynamic random-access memory (DRAM) , synchronous DRAM (SDRAM) , read-only memory (ROM) , a combination thereof, or the like. In an embodiment, the memory 1920 may include ROM for use at boot-up, and DRAM for program and data storage for use while executing programs.

[0329] The mass storage device 1940 may comprise any type of storage device configured to store data, programs (e.g. instructions or code) , and other information and to make the data, programs, and other information accessible via the bus. The mass storage device 1940 may comprise, for example, one or more of a solid-state drive, hard disk drive, a magnetic disk drive, an optical disk drive, or the like. The memory 1920 or mass storage 1940 may store instructions, which when executed by a processor or processing unit, cause or configure the computing device 1900 to perform any of the methods described herein.

[0330] Computing device 1900 may further comprise a communications subsystem 1960 for communicating with other computing devices or for connecting computing device 1900 to a computer network. Communications subsystem 1960 may comprise one or more network interfaces (not shown) , which may comprise wired links, such as an Ethernet cable or the like, and / or wireless links to access nodes or different networks. The network interface allows the processing unit to communicate with remote units via the networks. For example, the network interface may provide wireless communication via one or more transmitters / transmit antennas 1970 and one or more receivers / receive antennas 1970. In an embodiment, the processing unit is coupled to a local-area network or a wide-area network, for data processing and communications with remote devices, such as other processing units, the Internet, remote storage facilities, or the like.

[0331] Computing device may further comprise a power source 1980.

[0332] The present disclosure may be implemented on a computing device such as exemplary computing device 1900. Computing device 1900 may be a network element of a telecommunications network, such that the network element may be connected to other network elements of the telecommunication network, where all network elements form the telecommunication network. The network element may also receive communications from client devices connected to the telecommunication network and provide services to such client devices.

[0333] Through the descriptions of the preceding embodiments, the teachings of the present disclosure may be implemented by using hardware only or by using a combination of software and hardware. Software or other computer executable instructions for implementing one or more embodiments, or one or more portions thereof, may be stored on any suitable computer readable storage  medium. The computer readable storage medium may be a tangible or in transitory / non-transitory medium such as optical (e.g., CD, DVD, Blu-Ray, etc. ) , magnetic, hard disk, volatile or non-volatile, solid state, or any other type of storage medium known in the art.

[0334] Additional features and advantages of the present disclosure will be appreciated by those skilled in the art.

[0335] The structure, features, accessories, and alternatives of specific embodiments described herein and shown in the Figures are intended to apply generally to all of the teachings of the present disclosure, including to all of the embodiments described and illustrated herein, insofar as they are compatible. In other words, the structure, features, accessories, and alternatives of a specific embodiment are not intended to be limited to only that specific embodiment unless so indicated.

[0336] Moreover, the previous detailed description is provided to enable any person skilled in the art to make or use one or more embodiments according to the present disclosure. Various modifications to those embodiments will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other embodiments without departing from the spirit or scope of the teachings provided herein. Thus, the present methods, systems, and or devices are not intended to be limited to the embodiments disclosed herein. The scope of the claims should not be limited by these embodiments, but should be given the broadest interpretation consistent with the description as a whole. Reference to an element in the singular, such as by use of the article "a" or "an" is not intended to mean "one and only one" unless specifically so stated, but rather "one or more" . All structural and functional equivalents to the elements of the various embodiments described throughout the disclosure that are known or later come to be known to those of ordinary skill in the art are intended to be encompassed by the elements of the claims.

[0337] Furthermore, nothing herein is intended as an admission of prior art or of common general knowledge. Furthermore, citation or identification of any document in this application is not an admission that such document is available as prior art, or that any reference forms a part of the common general knowledge in the art. Moreover, nothing disclosed herein is intended to be dedicated to the public regardless of whether such disclosure is explicitly recited in the claims.

[0338] In the foregoing description, numerous details are set forth to provide an understanding of the subject disclosed herein. However, implementations may be practiced without some of these details. Other implementations may include modifications and variations from the details discussed above.It is intended that the appended claims cover such modifications and variations.

Claims

1.A method at a network element, comprising:receiving a request from a user equipment (UE) for a knowledge base assessment of a plurality of candidate target base stations;forwarding the request to each of the plurality of candidate target base stations;receiving a relevance score from each of the plurality of candidate target base stations;receiving a measurement report from the UE, the measurement report comprising at least one of contextual information, channel state information, or inference task information, the inference task information comprising information on one or more inference tasks of the UE;selecting a target base station from the plurality of candidate target base stations based on the measurement report and the respective relevance score from each of the plurality of candidate target base stations; andtransmitting, to the UE, a handover command to allow the UE to connect to the target base station, the handover command comprising inference capabilities of the target base station.2.The method of claim 1, further comprising:determining whether buffered data for the UE is relevant to any of the one or more inference tasks; andwhen the buffered data is relevant to any of the one or more inference tasks, forwarding the buffered data to the target base station.3.The method of claim 2, wherein the handover command further comprises a suggested checkpoint for the UE to pause at least one of the one or more inference tasks.4.The method of claim 1, further comprising:receiving a second request from the UE for a spatial and temporal correlation evaluation of the plurality of candidate target base stations;forwarding the second request to each of the plurality of candidate target base stations; andreceiving a cluster matching result from each of the plurality of candidate target base stations.5.The method of claim 1, further comprising: prioritizing handover commands based on real-time changes in environmental conditions experienced by the UE and an urgency determined by predefined inference task criteria.6.The method of claim 1, further comprising: using machine learning algorithms to predict potential handover scenarios and optimize target base station selection.7.The method of claim 1, wherein said selecting is initiated based on a combination of signal strength thresholds and predefined inference task completion criteria.8.The method of claim 7, wherein the predefined inference task completion criteria comprise task latency and accuracy requirements.9.The method of claim 1, wherein said selecting comprises evaluating historical performance data of the plurality of candidate target base stations.10.The method of claim 1, further comprising: maintaining a real-time updated database of inference capabilities and contextual relevance scores for the plurality of candidate target base stations.11.The method of claim 1, further comprising: generating a relevance score based on a weighted analysis of the one or more inference task, signal quality, and the plurality of target base station's inference capabilities.12.The method of claim 1, wherein the contextual information includes one or more of: geographical location, user behavior patterns, and environmental conditions.13.The method of claim 1, wherein the handover command includes instructions for the UE to adjust its data transmission rate based on a bandwidth capacity of the target base station.14.A network element comprising:a processor; anda communications subsystem;wherein the network element is configured to perform the method of any one of claim 1 to 13.15.A computer readable medium having stored thereon executable code for execution by a processor of a network element, the executable code comprising instructions for performing the method of any one of claims 1 to 13.16.A method at a network element, comprising:receiving a request from a serving base station for a knowledge base assessment;computing a relevance score based on the request;transmitting the relevance score to the serving base station;receiving a connection request from a user equipment (UE) ; andestablishing a connection with the UE in response to the connection request.17.The method of claim 16, further comprising:receiving a system information request from the UE; andproviding system information to the UE, the system information comprising at least one of contextual information, cell configuration, supported features, or available resources.18.The method of claim 16, wherein the connection request indicates a need for prioritized access, the method further comprising:granting prioritized access to the UE.19.The method of claim 16, further comprising:receiving a spatial and temporal correlation evaluation request from the serving base station;performing a cluster matching analysis using real-time and historical data; andproviding the results of the cluster matching analysis to the serving base station.20.The method of claim 16, further comprising: receiving buffered data from the serving base station, the buffered data being relevant to an inference task of the UE.21.The method of claim 16, further comprising: assessing a readiness of the network element to support an inference task of the UE.22.A network element comprising:a processor; anda communications subsystem;wherein the network element is configured to perform the method of any one of claims 16 to 21.23.A computer readable medium having stored thereon executable code for execution by a processor of a network element, the executable code comprising instructions for performing the method of any one of claims 17 to 21.24.A method at a user equipment (UE) , comprising:sending, to a serving base station, a request for a knowledge base assessment;sending, to the serving base station, a measurement report, the measurement report comprising at least one of contextual information, channel state information, or inference task information;receiving, from the serving base station, a handover command for a handover to a target base station, the handover command comprising inference capabilities of the target base station; andperforming a context-aware random access procedure with the target base station.25.The method of claim 24, further comprising:determining that a signal from the serving base station is insufficient for completion of a current inference task; anddetermining that at least one candidate target base station has sufficient computational capabilities and signal strength to support the current inference task.26.The method of claim 24, wherein the handover command comprises a suggested checkpoint for a current inference task, the method further comprising:pausing the current inference task at the suggested checkpoint; andresuming the current inference task after a connection with the target base station is established.27.The method of claim 24, wherein the context-aware random access procedure comprises requesting priority access to the target base station.28.The method of claim 24, further comprising:sending a system information request to the target base station; andreceiving system information from the target base station, the system information comprising at least one of configuration information, cell configuration, supported features, or available resources.29.The method of claim 24, further comprising dynamically adjusting an inference processing strategy based on computational resources available at the target base station.30.The method of claim 24, further comprising: providing feedback to the serving base station regarding the handover, the feedback including at least one of impacts on a current inference task or suggestions for improvements.31.The method of claim 24, further comprising:determining that a predicted signal degradation meets a condition; andsending the request for the knowledge base assessment based on said determining.32.The method of claim 24, wherein the contextual information includes one or more of: geographical location, user behavior patterns, and environmental conditions.33.The method of claim 24, further comprising: prioritizing access to the target base station's resources based on an urgency and latency requirements of a current inference task.34.A user equipment comprising:a processor; anda communications subsystem;wherein the user equipment is configured to perform the method of any one of claims 24 to 33.35.A computer readable medium having stored thereon executable code for execution by a processor of a user equipment, the executable code comprising instructions for performing the method of any one of claims 24 to 33.

Images