Devices and methods for communication

Abstract

Embodiments of the present disclosure provide a solution for life cycle management procedure suspension. In a solution, a terminal device receives, from a network device, a first indication associated with deactivation of an Artificial Intelligence / Machine learning (AI / ML) model entity. The terminal device, in response to the first indication, suspends a life cycle management (LCM) procedure for the AI / ML model entity. The terminal device performs at least one of storing information related to a progress of the LCM procedure or transmitting the information to the network device.

Description

DEVICES AND METHODS FOR COMMUNICATION

[0001] FIELDS

[0002] Example embodiments of the present disclosure generally relate to the field of communication techniques and in particular, to devices and methods for life cycle management (LCM) procedure suspension for Artificial Intelligence / Machine learning (AI / ML) .BACKGROUND

[0003] With the development of AI / ML techniques, AI / ML models are widely used to predict various measurements and events in the network to improve mobile performance and network efficiency. The entire process of AI / ML model creation, deployment, operation, monitoring, optimization and final retirement can be systematically managed. This management ensures that the AI / ML model can operate with maximum efficiency and optimal performance throughout its life cycle while meeting business requirements and compliance standards.SUMMARY

[0004] In general, embodiments of the present disclosure provide devices and methods for LCM procedure suspension for an AI / ML model entity.

[0005] In a first aspect, there is provided a terminal device. The terminal device comprises: a processor configured to cause the terminal device to: receive, from a network device, a first indication associated with deactivation of an AI / ML model entity; in response to the first indication, suspend an LCM procedure for the AI / ML model entity; and perform at least one of storing information related to a progress of the LCM procedure or transmitting the information to the network device.

[0006] In a second aspect, there is provided a network device. The network device comprises: a processor configured to cause the network device to: transmit, to a terminal device, a first indication associated with deactivation of an AI / ML model entity; and receive, from the terminal device, information related to a progress of the LCM procedure.

[0007] In a third aspect, there is provided a communication method performed by a  terminal device. The method comprises: receiving, from a network device, a first indication associated with deactivation of an AI / ML model entity; in response to the first indication, suspending an LCM procedure for the AI / ML model entity; and performing at least one of storing information related to a progress of the LCM procedure or transmitting the information to the network device.

[0008] In a fourth aspect, there is provided a communication method performed by a network device. The method comprises: transmitting, to a terminal device, a first indication associated with deactivation of an AI / ML model entity; and receiving, from the terminal device, information related to a progress of the LCM procedure.

[0009] In a fifth aspect, there is provided a computer readable medium having instructions stored thereon, the instructions, when executed on at least one processor, causing the at least one processor to carry out the method according to the third, or fourth aspect.

[0010] Other features of the present disclosure will become easily comprehensible through the following description.BRIEF DESCRIPTION OF THE DRAWINGS

[0011] Through the more detailed description of some example embodiments of the present disclosure in the accompanying drawings, the above and other objects, features and advantages of the present disclosure will become more apparent, wherein:

[0012] FIG. 1 illustrates an example communication environment in which example embodiments of the present disclosure can be implemented;

[0013] FIG. 2 illustrates a signaling flow of LCM procedure suspension in accordance with some embodiments of the present disclosure;

[0014] FIG. 3 illustrates a flowchart of a communication method implemented at a terminal device according to some example embodiments of the present disclosure;

[0015] FIG. 4 illustrates a flowchart of a communication method implemented at a network device according to some example embodiments of the present disclosure; and

[0016] FIG. 5 illustrates a simplified block diagram of an apparatus that is suitable for implementing example embodiments of the present disclosure.

[0017] Throughout the drawings, the same or similar reference numerals represent the same or similar element.DETAILED DESCRIPTION

[0018] Principle of the present disclosure will now be described with reference to some example embodiments. It is to be understood that these embodiments are described only for the purpose of illustration and help those skilled in the art to understand and implement the present disclosure, without suggesting any limitation as to the scope of the disclosure. Embodiments described herein can be implemented in various manners other than the ones described below.

[0019] In the following description and claims, unless defined otherwise, all technical and scientific terms used herein have the same meaning as commonly understood by one of ordinary skills in the art to which this disclosure belongs.

[0020] As used herein, the term ‘terminal device’ refers to any device having wireless or wired communication capabilities. Examples of the terminal device include, but not limited to, user equipment (UE) , personal computers, desktops, mobile phones, cellular phones, smart phones, personal digital assistants (PDAs) , portable computers, tablets, wearable devices, internet of things (IoT) devices, Ultra-reliable and Low Latency Communications (URLLC) devices, Internet of Everything (IoE) devices, machine type communication (MTC) devices, devices on vehicle for V2X communication where X means pedestrian, vehicle, or infrastructure / network, devices for Integrated Access and Backhaul (IAB) , Space borne vehicles or Air borne vehicles in Non-terrestrial networks (NTN) including Satellites and High Altitude Platforms (HAPs) encompassing Unmanned Aircraft Systems (UAS) , eXtended Reality (XR) devices including different types of realities such as Augmented Reality (AR) , Mixed Reality (MR) and Virtual Reality (VR) , the unmanned aerial vehicle (UAV) commonly known as a drone which is an aircraft without any human pilot, devices on high speed train (HST) , or image capture devices such as digital cameras, sensors, gaming devices, music storage and playback appliances, or Internet appliances enabling wireless or wired Internet access and browsing and the like. The ‘terminal device’ can further have ‘multicast / broadcast’ feature, to support public safety and mission critical, V2X applications, transparent IPv4 / IPv6 multicast delivery, IPTV, smart TV, radio services, software delivery over wireless, group communications and IoT applications. It may also incorporate one or multiple Subscriber  Identity Module (SIM) as known as Multi-SIM. The term “terminal device” can be used interchangeably with a UE, a mobile station, a subscriber station, a mobile terminal, a user terminal or a wireless device.

[0021] The term “network device” refers to a device which is capable of providing or hosting a cell or coverage where terminal devices can communicate. Examples of a network device include, but not limited to, a Node B (NodeB or NB) , an evolved NodeB (eNodeB or eNB) , a next generation NodeB (gNB) , a transmission reception point (TRP) , a remote radio unit (RRU) , a radio head (RH) , a remote radio head (RRH) , an IAB node, a low power node such as a femto node, a pico node, a reconfigurable intelligent surface (RIS) , and the like.

[0022] The terminal device or the network device may have Artificial intelligence (AI) or Machine learning capability. It generally includes a model which has been trained from numerous collected data for a specific function, and can be used to predict some information.

[0023] The terminal or the network device may work on several frequency ranges, e.g., FR1 (e.g., 450 MHz to 6000 MHz) , FR2 (e.g., 24.25GHz to 52.6GHz) , frequency band larger than 100 GHz as well as Tera Hertz (THz) . It can further work on licensed / unlicensed / shared spectrum. The terminal device may have more than one connection with the network devices under Multi-Radio Dual Connectivity (MR-DC) application scenario. The terminal device or the network device can work on full duplex, flexible duplex and cross division duplex modes.

[0024] The embodiments of the present disclosure may be performed in test equipment, e.g., signal generator, signal analyzer, spectrum analyzer, network analyzer, test terminal device, test network device, channel emulator. In some embodiments, the terminal device may be connected with a first network device and a second network device. One of the first network device and the second network device may be a master node and the other one may be a secondary node. The first network device and the second network device may use different radio access technologies (RATs) . In some embodiments, the first network device may be a first RAT device and the second network device may be a second RAT device. In some embodiments, the first RAT device is eNB and the second RAT device is gNB. Information related with different RATs may be transmitted to the terminal device from at least one of the first network device or the second network device. In some  embodiments, first information may be transmitted to the terminal device from the first network device and second information may be transmitted to the terminal device from the second network device directly or via the first network device. In some embodiments, information related with configuration for the terminal device configured by the second network device may be transmitted from the second network device via the first network device. Information related with reconfiguration for the terminal device configured by the second network device may be transmitted to the terminal device from the second network device directly or via the first network device.

[0025] As used herein, the singular forms ‘a’ , ‘an’ and ‘the’ are intended to include the plural forms as well, unless the context clearly indicates otherwise. The term ‘includes’ and its variants are to be read as open terms that mean ‘includes, but is not limited to. ’ The term ‘based on’ is to be read as ‘at least in part based on. ’ The term ‘one embodiment’ and ‘an embodiment’ are to be read as ‘at least one embodiment. ’ The term ‘another embodiment’ is to be read as ‘at least one other embodiment. ’ The terms ‘first, ’ ‘second, ’ and the like may refer to different or same objects. Other definitions, explicit and implicit, may be included below.

[0026] In some examples, values, procedures, or apparatus are referred to as ‘best, ’ ‘lowest, ’ ‘highest, ’ ‘minimum, ’ ‘maximum, ’ or the like. It will be appreciated that such descriptions are intended to indicate that a selection among many used functional alternatives can be made, and such selections need not be better, smaller, higher, or otherwise preferable to other selections.

[0027] As used herein, the term “resource, ” “transmission resource, ” “uplink resource, ” or “downlink resource” may refer to any resource for performing a communication, such as a resource in time domain, a resource in frequency domain, a resource in space domain, a resource in code domain, or any other resource enabling a communication, and the like. In the following, unless explicitly stated, a resource in both frequency domain and time domain will be used as an example of a transmission resource for describing some example embodiments of the present disclosure. It is noted that example embodiments of the present disclosure are equally applicable to other resources in other domains.

[0028] As used herein, a model may be equivalent to at least one of the following: an AI / ML model, a ML model, an AI model, a data-driven, a data processing model, an algorithm, a functionality, a procedure, a process, an entity, a function, a feature, a feature  group, a model identifier (ID) , an ID, a functionality ID, a configuration ID, a scenario ID, a site ID, or a dataset ID. As a result, the above terms may be used interchangeably.

[0029] In some embodiments, the model may be represented by or associated with a channel, a resource, a resource set, a reference signal (RS) resource, a RS resource set, a RS port, a set of RS ports, a RS port ID, or a set of RS port IDs.

[0030] In some embodiments, the model may comprise a set of weights values that may be learned during training, for example for a specific architecture or configuration, where a set of weights values may also be called a parameter set.

[0031] In some embodiments, the model may be used to predict a target cell, or measurements of a set of beams of a set of candidate cells in future based on at least historical measurements (e.g., L1-reference signal received power (RSRP) , L1-signal to interference plus noise ratio (SINR) ) of a set of beams of a set of candidate cells.

[0032] In some embodiments, an input of the ML model (i.e., AI input) may refer to the input of a model and indicate data inputted into the model, which may be equivalent to data.

[0033] In some embodiments, an output of ML model (i.e., AI output) may refers to the output of a model and indicate result (s) outputted by the model, which is equivalent to label / data.

[0034] As used herein, the term “AI / ML model” may refer to a data driven algorithm that applies AI / ML techniques to generate a set of outputs based on a set of inputs. In the context of the present disclosure, the term “AI / ML model” may be interchangeably with the terms “model” , “AI model” and “ML model” .

[0035] As used herein, the term “AI / ML model entity” may refer to an AI / ML model or a functionality enabled with an AI / ML model.

[0036] The term “UE-side (AI / ML) model” used herein may refer to an AI / ML Model of which inference is performed entirely at the UE. The term “network-side (AI / ML) model” used herein may refer to an AI / ML Model of which inference is performed entirely at the network. The term “one-sided (AI / ML) model” used herein may refer to a UE-side (AI / ML) model or a network-side (AI / ML) model. The term “two-sided (AI / ML) model” used herein may refer to a paired AI / ML Model (s) over which joint inference is performed, where joint inference comprises AI / ML Inference whose inference is performed jointly  across the UE and the network, i.e., the first part of inference is firstly performed by UE and then the remaining part is performed by gNB, or vice versa.

[0037] The term “AI / ML model transfer” used herein may refer to a delivery of an AI / ML model over the air interface, either parameters of a model structure known at the receiving end or a new model with parameters. Delivery may contain a full model or a partial model. The term “model download” used herein may refer to model transfer from the network to UE. The term “model upload” used herein may refer to model transfer from UE to the network. The term “federated learning  / federated training” used herein may refer to a machine learning technique that trains an AI / ML model across multiple decentralized edge nodes (e.g., UEs, gNBs) each performing local model training using local data samples. The technique requires multiple interactions of the model, but no exchange of local data samples.

[0038] The term “model activation” used herein may refer to enabling an AI / ML model for a specific function. The term “model deactivation” used herein may refer to disabling an AI / ML model for a specific function. The term “model switching” used herein may refer to deactivating a currently active AI / ML model and activating a different AI / ML model for a specific function.

[0039] As used herein, the term “AI / ML model delivery” may refer to a generic term referring to delivery of an AI / ML model from one entity to another entity in any manner. It is to be noted that an entity could mean a network node / function (e.g., gNB, location management function (LMF) , etc. ) , UE, proprietary server, etc. The term “model registration” used herein may refer to a process of informing the existence of an AI / ML model to the network or to the UE with an identification, along with model description information of the AI / ML model for the network to enable life cycle management (LCM) .

[0040] The term “model update” as used herein may refer to a process of updating the model parameters and / or model structure of a model. The term “model parameter update” as used herein may refer to a process of updating the model parameters of a model.

[0041] As used herein, the term “LCM suspension” may refer to the suspension of an LCM procedure for an AI / ML model entity. For example, a UE is performing an LCM related procedure. Within this duration, the UE has to stop current LCM operation no matter due to its own limited condition or network instruction.

[0042] As used herein, the term “LCM resume” may refer to the resume of an LCM procedure suspended previously for an AI / ML model entity. For example, before LCM suspension, a training of UE sided model is performed. When LCM is resumed, the training of UE sided model should be continued rather than restart from the beginning.

[0043] As used herein, the term “interruption of an AI / ML model entity” may refer to the interruption of the current operation of an AI / ML model entity.

[0044] Principles and implementations of the present disclosure will be described in detail below with reference to the figures.

[0045] FIG. 1 illustrates a schematic diagram of an example communication environment 100 in which example embodiments of the present disclosure can be implemented. In the communication environment 100, a plurality of communication devices, including a terminal device 110 and a network device 120, can communicate with each other.

[0046] In the example of FIG. 1, the terminal device 110 may be a UE and the network device 120 may be a base station serving the UE. The serving area of the network device 120 may be called a cell 102.

[0047] It is to be understood that the number of devices and their connections shown in FIG. 1 are only for the purpose of illustration without suggesting any limitation. The communication environment 100 may include any suitable number of devices configured to implementing example embodiments of the present disclosure. Although not shown, it would be appreciated that one or more additional devices may be located in the cell 102, and one or more additional cells may be deployed in the communication environment 100. It is noted that although illustrated as a network device, the network device 120 may be another device than a network device. Although illustrated as a terminal device, the terminal device 110 may be other device than a terminal device.

[0048] In the following, for the purpose of illustration, some example embodiments are described with the terminal device 110 operating as a UE and the network device 120 operating as a base station. However, in some example embodiments, operations described in connection with a terminal device may be implemented at a network device or other device, and operations described in connection with a network device may be implemented at a terminal device or other device.

[0049] In some example embodiments, a link from the network device 120 to the terminal device 110 is referred to as a downlink (DL) , while a link from the terminal device 110 to the network device 120 is referred to as an uplink (UL) . In DL, the network device 120 is a transmitting (TX) device (or a transmitter) and the terminal device 110 is a receiving (RX) device (or a receiver) . In UL, the terminal device 110 is a TX device (or a transmitter) and the network device 120 is a RX device (or a receiver) .

[0050] The communications in the communication environment 100 may conform to any suitable standards including, but not limited to, Global System for Mobile Communications (GSM) , Long Term Evolution (LTE) , LTE-Evolution, LTE-Advanced (LTE-A) , New Radio (NR) , Wideband Code Division Multiple Access (WCDMA) , Code Division Multiple Access (CDMA) , GSM EDGE Radio Access Network (GERAN) , Machine Type Communication (MTC) and the like. The embodiments of the present disclosure may be performed according to any generation communication protocols either currently known or to be developed in the future. Examples of the communication protocols include, but not limited to, the first generation (1G) , the second generation (2G) , 2.5G, 2.75G, the third generation (3G) , the fourth generation (4G) , 4.5G, the fifth generation (5G) communication protocols, 5.5G, 5G-Advanced networks, or the sixth generation (6G) networks.

[0051] Taking an AI / ML model as an example, in the communication environment 100, an AI / ML model can be applied to different scenarios to achieve better performances.

[0052] AI / ML general framework for one-sided AI / ML models relates to various aspects such as signalling and protocol of LCM enabling functionality and model (if justified) selection, activation, deactivation, switching, fallback. Identification related signalling is part of the above objective. Necessary signalling / mechanism (s) for LCM to facilitate model training, inference, performance monitoring, data collection (except for the purpose of Core Network (CN)  / Operations, Administration, and Maintenance (OAM)  / Over-The-Top (OTT) collection of UE-sided model training data) for both UE-sided and NW-sided models. AI / ML general framework for one-sided AI / ML models further relates to signalling mechanism of applicable functionalities / models.

[0053] Regarding beam management (BM) , DL Tx beam prediction for both UE-sided model and NW-sided model includes for example spatial-domain DL Tx beam prediction for Set A of beams based on measurement results of Set B of beams ( “BM-Case1” ) and  temporal DL Tx beam prediction for Set A of beams based on the historic measurement results of Set B of beams ( “BM-Case2” ) . Further, necessary signalling / mechanism (s) is specified to facilitate LCM operations specific to the Beam Management use cases, if any. Method (s) is enabled to ensure consistency between training and inference regarding NW-side additional conditions (if identified) for inference at UE. Common framework design is expected to support both BM-Case1 and BM-Case2.

[0054] In some solutions, positioning accuracy enhancements include direct AI / ML positioning and AI / ML assisted positioning. There are some use cases for direct AI / ML positioning. For example, Case 1, which may have the 1st priority, relates to UE-based positioning with UE-side model. Case 2b, which may have the 2nd priority, relates to UE-assisted / LMF-based positioning with LMF-side model. Case 3b, which may have the 1st priority, relates to NG-RAN node assisted positioning with LMF-side model. Regarding AI / ML assisted positioning, Case 2a, which may have the 2nd priority, relates to UE-assisted / LMF-based positioning with UE-side model; Case 3a, which may have the 1st priority, relates to NG-RAN node assisted positioning with gNB-side model.

[0055] Further, necessary measurements, signalling / mechanism (s) are specified to facilitate LCM operations specific to the Positioning accuracy enhancements use cases (if any) . The necessary signalling of necessary measurement enhancements is investigated and specified (if any) . Method (s) is enabled to ensure consistency between training and inference regarding NW-side additional conditions (if identified) for inference at UE for relevant positioning sub use cases.

[0056] Some objectives with corresponding checkpoints are studied, such as channel state information (CSI) feedback enhancement, necessity and details of model identification concept and procedure in the context of LCM, CN / OAM / OTT collection of UE-sided model training data, Model transfer / delivery, testability and interoperability, etc.

[0057] CSI feedback enhancement relates to CSI compression (two-sided model) and CSI prediction (UE-sided model) . For CSI compression, ways are further studied to improve trade-off between performance and complexity / overhead (such as considering extending the spatial / frequency compression to spatial / temporal / frequency compression, cell / side specific models, CSI compression plus prediction (compared to non-AI / ML based approach) , etc. ) and alleviate / resolve issues related to inter-vendor training collaboration.

[0058] For CSI prediction, performance gain over non-AI / ML based approach and associated complexity are further studied, and other aspects requiring further study / conclusion are addressed (e.g., a cell / site specific model could be considered to improve performance gain) .

[0059] For the FS_NR_AIML_Air study use cases, the corresponding contents of UE data collection may be identified. The UE data collection mechanisms identified during the FS_NR_AIML_Air study along with the implications and limitations of each of the methods may be analyzed. It is determined whether there is a need to consider standardized solutions for transferring / delivering AI / ML model (s) considering at least the solutions identified during the FS_NR_AIML_Air study.

[0060] The testing framework and procedure for one-sided models may be finalized and the various testing options for two-sided models may be further analyzed, including at least: relation to legacy requirements, performance monitoring and LCM aspects considering use-case specifics, static / non-static scenarios / conditions and propagation conditions for testing (e.g., Cluster Delay Line (CDL) , field data, etc. ) , UE processing capability and limitations, post-deployment validation due to model change / drift. Aspects related to testability and interoperability may be addressed on a request basis.

[0061] There are agreements for LCM for NW-sided model. For example, UE will not be informed about any gNB / LMF-sided model / functionality management decision (e.g., selection, (de) activation, switching, fallback, etc. ) . UE will not be involved in any gNB / LMF-sided model / functionality management decision making (e.g., selection, (de) activation, switching, fallback, etc. ) , except being configured to provide the required measurement / data. The data collection procedure is focused on from UE to NW (e.g., gNB, LMF, or OAM) for the sake of NW-sided model LCM (including training, inference, management) .

[0062] There are agreements for positioning related. For example, a radio resource control (RRC) configuration is considered to configure radio measurements and the related reporting to enable data collection for NW-side training. For AI / ML based beam management, it is assumed that the L1 measurement framework shall be used for configuring the input data of the NW side AI / ML model inference. There is no specification impact associated to gNB-side model inference, depending on further input.

[0063] For positioning, it is assumed that gNB or LMF could perform performance  monitoring for case 3a and LMF is responsible for the performance monitoring for case 3b.It is further assumed that NRPPa is used for the signalling between gNB and LMF for case 3a and 3b.

[0064] The LPP Capability Transfer procedures (RequestCapabilities / ProvideCapabilities messages) are used to indicate supported AI / ML positioning capabilities. At least for Case 1, existing LPP procedures related to Location Information Transfer (RequestLocationInformation / ProvideLocationInformation messages) are used for providing the results of the UE sided model inference operation.

[0065] Some solutions are proposed for LCM for UE-sided model. Which AI / ML-enabled Features / Feature groups (FGs) and functionalities are supported should be standardized. “Supported” means that the UE is capable of supporting the functionality and doesn’ t mean necessarily that the UE has the model available. Supported AI / ML enabled Features / FGs and supported functionalities are included in UE capability. Support proactive reporting of UE-sided applicable functionality, e.g., the UE reports its applicable AI / ML functionalities via UE Assistance Information (UAI) message / Long Term Evolution Positioning Protocol (LPP) message. Support reactive reporting of UE-sided applicable functionality. The NW configures AI / ML functionalities via RRC / LPP message. For UE-sided model, for the functionality management, the “network decision, network-initiated” AI / ML management is supported as a baseline. The following can be considered further “UE autonomous, decision reported to the network” , “Network decision, UE-initiated” (i.e., proactive approach) .

[0066] Some solutions are proposed for NW side data collection. For example, for the NW-side data collection related to beam management use cases, gNB-centric and OAM-centric approaches are considered. The same measurement framework may be applied to both gNB-centric data collection and OAM-centric data collection for NW-side data collection. Enhancements to Minimization Drive Test (MDT) may be supported for data collection framework for training.

[0067] For gNB centric and OAM centric (for RRC signaling between UE and gNB) , reporting multiple instances of logged L1 measurement result from UE to gNB via a RRC message as configured by gNB is an optional feature.

[0068] Immediate MDT is the baseline framework for OAM-centric data collection for  the training of a network-sided model. The immediate MDT framework may be enhanced to support periodical reporting.

[0069] For the network-side model, required network side additional condition is left up to the network implementation. For network-sided model for BM use case, it is confirmed that UE inputs for inference at network-sided model will rely on L1 signaling. The gNB is responsible for monitoring its own performance.

[0070] There are agreements for UE side additional / applicability conditions and NW-side additional conditions. For example, functionality activation / deactivation after inference configuration may be supported. The UE will indicate the gNB / LMF whether the AI / ML functionality is available / applicable. For a functionality to be applicable at least there should at least one model available within it.

[0071] Further, it is assumed that RRC signaling from gNB to UE can be designed for consistency between inference and training. For BM use case, as a baseline the UE determines whether a functionality is applicable. Existing UAI framework is used at least for proactive reporting of applicable functionality.

[0072] The above described solutions are related to AI / ML model / functionality and LCM. Considering the limitations of UE resource, including power, memory buffer, radio resource and CPU capacity, it is inefficient for the UE to resume from an LCM interruption. For instance, if the UE is in the process of delivering a model towards the network and is instructed by the network to fallback to a traditional approach, in such a case, it needs to cancel the ongoing model delivery. Later, if the network instructs the UE to re-perform model delivery, the UE needs to re-transmit the entire model, resulting in unnecessary radio resource consumption. Therefore, it is expected to provide a solution for recording the UE’s LCM status upon encountering an LCM interruption.

[0073] Given that, embodiments of the present disclosure provide a solution for LCM procedure suspension in accordance with some embodiments of the present disclosure. A terminal device receives, from a network device, a first indication associated with deactivation of an AI / ML model entity. The terminal device, in response to the first indication, suspends an LCM procedure for the AI / ML model entity. The terminal device performs at least one of storing information related to a progress of the LCM procedure or transmitting the information to the network device. By storing information related to the progress of the LCM procedure or transmitting the information to the network device,  the terminal device can continue with the previous interruption when instructed to resume the LCM procedure, including but not limited to, model training, model transfer / deliver and performance monitoring.

[0074] Reference is now made to FIG. 2, which illustrates a signaling flow 200 of LCM procedure suspension in accordance with some embodiments of the present disclosure. For the purposes of discussion, the signaling flow 200 will be discussed with reference to FIG. 1, for example, by using the terminal device 110 and the network device 120.

[0075] As shown in FIG. 2, for LCM procedure suspension, the network device 120 transmits 202 a first indication associated with deactivation of an AI / ML model entity to the terminal device 110. For example, the first indication may instruct the terminal device 110 to suspend an LCM procedure for the AI / ML model entity and wait for a further indication.

[0076] In some embodiments, the LCM procedure may comprise at least one of: a training of the AI / ML model entity, a transfer of the AI / ML model entity from the network device 120 to the terminal device 110, a delivery of the AI / ML model entity from the terminal device 110 to the network device 120, or a performance monitoring on the AI / ML model entity. For example, an LCM procedure comprises at least one of AI / ML model / functionality entity training, AI / ML model / functionality entity transfer / delivery or AI / ML model / functionality entity performance monitoring.

[0077] In some embodiments, the LCM procedure may comprise data collection for the AI / ML model entity training or an inference of the AI / ML model entity.

[0078] In some embodiments, the first indication may be an explicit indication. For example, the first indication may instruct the terminal device 110 to suspend the LCM procedure for a while and resume the LCM procedure later.

[0079] In some embodiments, the first indication may indicate at least one of: a deactivation of the AI / ML model entity, an interruption of the AI / ML model entity, a switching from the AI / ML model entity to a further AI / ML model entity, a fallback to a mode without AI / ML, or a restart of the AI / ML model entity.

[0080] For example, the terminal device 110 is performing a training of the AI / ML model entity. If the terminal device 110 receives the first indication indicating a fallback to a mode without AI / ML, it may interrupt the AI / ML model entity and fallback to a legacy mode.

[0081] As an example, the first indication may include at least one of: an AI / ML model deactivation indication, an AI / ML model interruption indication, an AI / ML model switching indication, or an AI / ML model fallback indication. Optionally, the AI / ML model interruption indication may belong to the AI / ML model deactivation indication, the AI / ML model switching indication and the AI / ML model fallback indication.

[0082] The terminal device 110 receives 204 the first indication. In response to the first indication, the terminal device 110 suspends 206 the LCM procedure for the AI / ML model entity. If the terminal device 110 receives the first indication from the network device 120, it may further receive information to determine whether to trigger the AI / ML entity, for example, fallback or switching.

[0083] In some embodiments, the terminal device 110 may receive an indication of a duration for LCM suspension of the AI / ML model entity from the network device 120. For example, during the specified duration, the terminal device 110 maintains the LCM suspension and waits for a further indication from the network device 120. The following will describe how to perform LCM suspension in detail.

[0084] Alternatively, or in addition, the terminal device 110 may receive a cause value for LCM suspension from the network device 120. For example, the cause value may include at least one of: an AI / ML model entity interruption cause value to indicate that there would be a following AI / ML model entity interruption procedure for the terminal device 110, an AI / ML model entity switching cause value to indicate that there would be a following AI / ML model entity switching procedure for the terminal device 110, or an AI / ML model entity fallback cause value to indicate that there would be a following AI / ML model entity fallback procedure for the terminal device 110.

[0085] Alternatively, or in addition, the terminal device 110 may receive identifications of one or more associated AI / ML entities. For example, the terminal device 110 may receive an identification of the current AI / ML model entity to indicate that there would be a following AI / ML model entity resume procedure. For another example, the terminal device 110 may receive an identification of a further AI / ML model entity to indicate that there would be a following AI / ML model entity switching procedure.

[0086] Alternatively, or in addition, the terminal device 110 may receive an association identification for one or more AI / ML model entity from the network device 120. The network device 120 may assign identifications for various network parameters (e.g.,  related to cell coverage) related to an AI / ML model entity. For example, an association identification may correspond to a RSRP, the number of terminal devices in the cell 102 and an identification of an AI / ML model entity associated. If the terminal device 110 receives such association identification, it may determine on which AI / ML model entity to perform operations.

[0087] In some embodiments, the abovementioned indication may be sent via at least one of: DL medium access control (MAC) control element (CE) , downlink control information (DCI) or RRC message.

[0088] In some embodiments, the network device 120 may configure a corresponding timer (e.g., timer X) toward the terminal device 110. The configuration information may include a trigger condition of the timer X. For example, the trigger condition of the timer X may be when the terminal device 110 receives the first indication. Alternatively, the configuration information may include a stop condition of the timer X. For example, the stop condition of the timer X may be when the terminal device 110 receives the second indication from the network device 120 for LCM resume. When the timer X is expired, the terminal device 110 may restart LCM operation.

[0089] Turning to FIG. 2, the terminal device 110 stores 208 information related to a progress of the LCM procedure. Optionally, the terminal device 110 transmits 210 the information to the network device 120 and the network device 120 receives the information. In this way, the information related to a progress of the LCM procedure will be saved. Upon determining further operations, the terminal device 110 may obtain the information efficiently. The following will describe how to process the information in detail.

[0090] In view of above, the network device 120 transmits the first indication to instruct the terminal device 110 to suspend the LCM procedure. The first indication is initiated by the network device. Alternatively, the first indication may be triggered in response to a request from the terminal device 110.

[0091] In some embodiment, the terminal device 110 may transmit, to the network device 120, a request to interrupt the AI / ML model entity. The first indication may comprise a confirmation for the request. For example, the terminal device 110 transmits a request autonomously. If the network device 120 receives such request, it may provide confirmation indication.

[0092] The terminal device 110 may transmit its capability information for an interruption of one or more AI / ML entities to the network device 120. For example, the capability information may include a maximum duration of interruption it can support. Additionally, the capability information may indicate for each AI / ML model entity whether the terminal device 110 can support an LCM interruption, an LCM resume, or both.

[0093] In some embodiment, the capability information may be transmitted through at least one of: proactive applicable functionality reporting, reactive applicable functionality reporting, or capability transfer for the terminal device 110.

[0094] Next, the following will describe how the terminal device 110 performs LCM suspension and process the related information in detail.

[0095] In some embodiments, the terminal device 110 may perform an operation related to the progress of the LCM procedure based on a running state of a first timer which is started upon receiving the first indication. For example, if the terminal device 110 receives the first indication, it may start a corresponding timer.

[0096] Alternatively, or in addition, the terminal device 110 may perform an operation related to the progress of the LCM procedure based on a second indication associated with AI / ML model entity activation.

[0097] In some embodiments, the second indication comprises at least one of: an LCM resume indication, or an LCM restart indication. The LCM resume indication may instruct the terminal device 110 to continue with the previous operation after interruption. The LCM restart indication may instruct the terminal device 110 to perform the previous operation from the beginning.

[0098] In some embodiments, in response to receiving the second indication, the terminal device 110 may stop the first timer. Continue with the example above, within the timer duration, if the terminal device 110 receives a further indication, it may stop the corresponding timer.

[0099] In some embodiments, in response to the first timer being expired, the terminal device 110 may perform a fallback to a mode without AI / ML or a restart of the AI / ML model entity. The terminal device 110 may remove the stored information related to the progress of the LCM procedure. For example, if the first timer is expired and the terminal device 110 does not receive any other AI / ML model entity activation indication, the  terminal device 110 may regard it as one AI / ML model entity fallback procedure. Then it may fallback to legacy, i.e., stop the current AI / ML model entity.

[0100] In some embodiments, in response to receiving the second indication for the AI / ML model entity within a duration of the first timer, the terminal device 110 may perform a resume of the AI / ML model entity based on the stored information related to the progress of the LCM procedure. For example, within the first timer duration, if the terminal device 110 receives the second indication, it may stop the first timer. Further, if the same AI / ML model entity is activated, the terminal device 110 may regard it as one AI / ML model entity interruption procedure. The terminal device 110 may perform a resume of the AI / ML model entity with the related information which is stored locally or applied from the network device 120.

[0101] In some embodiments, in response to receiving the second indication for a further AI / ML model entity within a duration of the first timer, the terminal device 110 may perform a restart of the AI / ML model entity or switch to the further AI / ML model entity. The terminal device 110 may remove the stored information related to the progress of the LCM procedure. Continue with the example above, if a different AI / ML model entity is activated, the terminal device 110 may regard it as one AI / ML model entity switching procedure. Then the stored information is useless and may be removed from the local.

[0102] As described above, the LCM procedure may include a training, a transfer / delivery or a performance monitoring of the AI / ML model entity. There are different operations for different procedure. The following will describe respectively.

[0103] If the terminal device 110 is performing AI / ML model training, it may stop the training and start the timer X described above, if configured by the network device 120. Furthermore, the terminal device 110 may report the related information towards the network device 120.

[0104] In some embodiments, the LCM procedure may comprise a training of the AI / ML model entity, and the related information may comprise a current version of the AI / ML model entity without completion of the training (e.g., the current version of the AI / ML model entity which is not well trained) .

[0105] Alternatively, or in addition, the related information may comprise training data  unused for the training of the AI / ML model entity (e.g., remained unused dataset) .

[0106] Alternatively, or in addition, the related information may comprise an indication of a duration spent for the training of the AI / ML model entity or an indication of a completion degree of the training of the AI / ML model entity (e.g., the accomplish scale for the current AI / ML model training) .

[0107] Alternatively, or in addition, the related information may comprise identifications of one or more associated AI / ML entities (e.g., an identification of the current AI / ML model entity or an identification of a further AI / ML model entity to be switched to) , or an indication of an expired time for the current version of the AI / ML model entity. The indication of the expired time is used to indicate after what time being, the current not-well trained AI / ML model entity may be expired and the terminal device 110 needs to restart the model training if the LCM procedure is resumed.

[0108] As mentioned above, the second indication may include an LCM resume indication or an LCM restart indication. The LCM resume indication and LCM restart indication may carry various information, respectively.

[0109] Optionally, the terminal device 110 may clear its buffer of the following if stored locally: a current version of the AI / ML model entity without completion of the training and training data unused for the training of the AI / ML model entity.

[0110] In some embodiments, the LCM resume indication may include at least one of: an identification of the AI / ML model entity (i.e., an identification of the current AI / ML model entity which should be the same as the one carried in the first indication) , an operation code representing LCM resume, a current version of the AI / ML model entity without completion of the training, training data unused for the training of the AI / ML model entity, an indication of a duration spent for the training of the AI / ML model entity, an indication of a completion degree of the training of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an indication of an expired time for the current version of the AI / ML model entity.

[0111] In some embodiments, the LCM restart indication may include at least one of: an identification of the AI / ML model entity (i.e., an identification of the current AI / ML model entity) , identifications of one or more associated AI / ML entities (e.g., an identification of a different AI / ML model entity to be switched to) , or an operation code  representing LCM restart.

[0112] If the terminal device 110 is performing AI / ML model delivery or transfer, the LCM procedure may include a delivery of the AI / ML model entity from the terminal device 110 to the network device 120 or a transfer of the AI / ML model entity from the network device 120 to the terminal device 110.

[0113] In some embodiments, the stored or transmitted information may include at least one of: one or more segments of the AI / ML model entity not delivered to the network device if the LCM procedure comprises the delivery of the AI / ML model entity, one or more segments of the AI / ML model entity transferred from the network device if the LCM procedure comprises the transfer of the AI / ML model entity, the total number of segments of the AI / ML model entity, a data size of a segment of the AI / ML model entity, an index of a segment of the AI / ML model entity, or an identification of the AI / ML model entity.

[0114] In some embodiments, the terminal device 110 may determine, at a protocol layer entity, the one or more segments of the AI / ML model entity.

[0115] As an example, the protocol layer entity may have functions, such as segmenting AI / ML model entity and indexing segments of the AI / ML model entity. Further, the protocol layer entity may buffer the segments of the AI / ML model entity which is not delivered for uplink transmission. For example, for each transmitted segment of the AI / ML model entity, if it has been transmitted or delivered, then it would be flushed from the buffer. The protocol layer entity may buffer the segments of the AI / ML model entity which is transferred for downlink transmission. For example, for each received segment of the AI / ML model entity, if it has been received or transferred, and not all segments of the AI / ML model entity have been received, it would be stored within the buffer locally. The protocol layer entity would not flush the buffer until all segments have been received.

[0116] In some embodiments, the terminal device 110 may transmit, to the network device 120, an indication of a state for the delivery of the AI / ML model entity or the transfer of the AI / ML model entity. For example, when the protocol layer entity has been activated, it would send the transmission / reception segmentation status towards the network device 120 for continuous AI / ML model entity delivery / transfer for each AI / ML model entity configured by the network device 120.

[0117] In some embodiments, the terminal device 110 may receive, from the network  device 120, at least one of: a second timer for storage of the one or more segments of the AI / ML model entity, a data size for segmenting the AI / ML model entity, or a buffer channel configuration associated with the AI / ML model entity. The second timer may be used to indicate a duration of the segments of the AI / ML model entity can be stored within the buffer. If the terminal device 110 receives the first indication, it may start the second timer. If the second timer is expired, the terminal device 110 may flush the buffer. If the terminal device 110 receives the second indication (e.g., a resume indication) , it may stop the second timer.

[0118] If the terminal device 110 receives the first indication for all AI / ML model entities, it may deactivate the protocol layer entity with the buffer stored for each AI / ML model entity. The protocol layer entity may be set in a new protocol layer in some stack positions or set in some existing protocol stacks.

[0119] In some embodiments, the protocol layer entity may be included in at least one of:a Service Data Adaptation Protocol (SDAP) protocol stack, a Packet Data Convergence Protocol (PDCP) protocol stack, a Radio Link Control (RLC) protocol stack, a Medium Access Control (MAC) protocol stack, a protocol layer between the SDAP protocol stack and the PDCP protocol stack, a protocol layer between the PDCP protocol stack and the RLC protocol stack, a protocol layer between the RLC protocol stack and the MAC protocol stack, or a protocol layer between the MAC protocol stack and the Physical Layer (PHY) protocol stack.

[0120] In some embodiments, the terminal device 110 may report capability information towards the network device 120 before applying any configuration related to the protocol layer entity functionality.

[0121] In some embodiments, the terminal device 110 may transmit, to the network device 120, at least one of: a maximum data size supported by the terminal device 110 for AI / ML model entity segmentation, a maximum buffer size available for segments of each AI / ML model entity, the maximum number of segments of each AI / ML model entity, or the maximum number of AI / ML model entity segments supported by the terminal device 110 in total.

[0122] If the terminal device 110 is monitoring the AI / ML model entity performance, the LCM procedure may include a performance monitoring on the AI / ML model entity.

[0123] In some embodiments, the stored or transmitted information may include at least one of: a monitoring result, an indication of a progress the performance monitoring, the number of performance monitoring cycles which are performed by the terminal device 110, or an identification of the AI / ML model entity. The monitoring result may include the current performance monitoring result, which is calculated by the performance matrix monitored in the previous monitoring cycle. The monitoring result may further include a performance matrix monitored in the previous monitoring cycle. The indication of a progress the performance monitoring may be represented in a percentage value.

[0124] In some embodiments, before receiving the first indication, the terminal device 110 may receive, from the network device 120, a configuration of a third timer for validity of historical monitoring information on the AI / ML model entity. The configuration may include information that the third timer is used to indicate the validate of the performance monitoring historical information. If the terminal device 110 receives the first indication, it may start the third timer. If the third timer is expired and the terminal device 110 still does not receive the corresponding LCM resume indication, it may not use the previous performance monitoring historical information anymore. If the terminal device 110 receives the corresponding LCM resume indication within the timer duration, it may stop the third timer.

[0125] Alternatively, or in addition, before receiving the first indication, the terminal device 110 may receive identifications of applicable AI / ML entities capable of LCM procedure suspension. For example, the terminal device 110 may receive an identification of a further AI / ML entity which can be used for LCM interruption / LCM resume operation.

[0126] In some embodiments, the terminal device 110 may receive, from the network device 120, an LCM resume indication for the AI / ML model entity, and transmit, to the network device 120, at least one of: an identification of the AI / ML model entity, a remaining timer duration if the third timer is not expired, or a timer expired indication if the third timer is expired.

[0127] In some embodiments, the terminal device 110 may receive, from the network device 120, at least one of: a monitoring result, an indication of a progress the performance monitoring (e.g., represented in a percentage value) , the number of performance monitoring cycles which are performed by the terminal device, or an identification of the AI / ML model entity. For example, the terminal device 110 may be configured with the  above parameters after its reporting for LCM resume and if the third timer is not expired. The previous unfinished monitoring result may include the current performance monitoring result, which is calculated by the performance matrix monitored in the previous monitoring cycle. The previous unfinished monitoring result may further include a performance matrix monitored in the previous monitoring cycle.

[0128] Alternatively, the terminal device 120 may restart the monitoring progress of the AI / ML model entity if the third timer is expired. For example, the terminal device 110 may be triggered with an LCM restart indication with an AI / ML model entity monitoring progress if the third timer is expired.

[0129] FIG. 3 illustrates a flowchart of a communication method 300 implemented at a terminal device in accordance with some embodiments of the present disclosure. For the purpose of discussion, the method 300 will be described from the perspective of the terminal device 110 in FIG. 1.

[0130] At block 310, the terminal device 110 receives, from a network device, a first indication associated with deactivation of an AI / ML model entity.

[0131] At block 320, the terminal device 110, in response to the first indication, suspends an LCM procedure for the AI / ML model entity.

[0132] At block 330, the terminal device 110 performs at least one of storing information related to a progress of the LCM procedure or transmitting the information to the network device.

[0133] In some example embodiments, the LCM procedure comprises at least one of: a training of the AI / ML model entity, a transfer of the AI / ML model entity from the network device to the terminal device, a delivery of the AI / ML model entity from the terminal device to the network device, or a performance monitoring on the AI / ML model entity.

[0134] In some example embodiments, the first indication indicates at least one of: a deactivation of the AI / ML model entity, an interruption of the AI / ML model entity, a switching from the AI / ML model entity to a further AI / ML model entity, a fallback to a mode without AI / ML, or a restart of the AI / ML model entity.

[0135] In some example embodiments, the terminal device 110 receives, from the network device, at least one of: an indication of a duration for LCM suspension of the AI / ML model entity, a cause value for LCM suspension, identifications of one or more  associated AI / ML entities, or an association identification for one or more AI / ML model entity.

[0136] In some example embodiments, the terminal device 110 transmits, to the network device, a request to interrupt the AI / ML model entity, wherein the first indication comprises a confirmation for the request.

[0137] In some example embodiments, the terminal device 110 performs an operation related to the progress of the LCM procedure based on at least one of: a running state of a first timer which is started upon receiving the first indication, or a second indication associated with AI / ML model entity activation.

[0138] In some example embodiments, the terminal device 110, in response to receiving the second indication, stops the first timer.

[0139] In some example embodiments, the terminal device 110, in response to the first timer being expired, performs a fallback to a mode without AI / ML or a restart of the AI / ML model entity; and removes the stored information related to the progress of the LCM procedure.

[0140] In some example embodiments, the terminal device 110, in response to receiving the second indication for the AI / ML model entity within a duration of the first timer, performs a resume of the AI / ML model entity based on the stored information related to the progress of the LCM procedure.

[0141] In some example embodiments, the terminal device 110, in response to receiving the second indication for a further AI / ML model entity within a duration of the first timer, performs a restart of the AI / ML model entity or switch to the further AI / ML model entity; and removes the stored information related to the progress of the LCM procedure.

[0142] In some example embodiments, the second indication comprises at least one of: an LCM resume indication, or an LCM restart indication.

[0143] In some example embodiments, the terminal device 110 transmits, to the network device, capability information for an interruption of one or more AI / ML entities through at least one of: proactive applicable functionality reporting, reactive applicable functionality reporting, or capability transfer for the terminal device.

[0144] In some example embodiments, the LCM procedure comprises a training of the  AI / ML model entity, and the information comprises at least one of: a current version of the AI / ML model entity without completion of the training, training data unused for the training of the AI / ML model entity, an indication of a duration spent for the training of the AI / ML model entity, an indication of a completion degree of the training of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an indication of an expired time for the current version of the AI / ML model entity.

[0145] In some example embodiments, the terminal device 110 receives, from the network device, an LCM resume indication for the AI / ML model entity, wherein the LCM resume indication comprises at least one of: an identification of the AI / ML model entity, an operation code representing LCM resume, a current version of the AI / ML model entity without completion of the training, training data unused for the training of the AI / ML model entity, an indication of a duration spent for the training of the AI / ML model entity, an indication of a completion degree of the training of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an indication of an expired time for the current version of the AI / ML model entity.

[0146] In some example embodiments, the terminal device 110 receives, from the network device, an LCM restart indication for the AI / ML model entity, wherein the LCM restart indication comprises at least one of: an identification of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an operation code representing LCM restart.

[0147] In some example embodiments, the LCM procedure comprises a delivery of the AI / ML model entity from the terminal device to the network device or a transfer of the AI / ML model entity from the network device to the terminal device, and the information comprises at least one of: one or more segments of the AI / ML model entity not delivered to the network device if the LCM procedure comprises the delivery of the AI / ML model entity, one or more segments of the AI / ML model entity transferred from the network device if the LCM procedure comprises the transfer of the AI / ML model entity, the total number of segments of the AI / ML model entity, a data size of a segment of the AI / ML model entity, an index of a segment of the AI / ML model entity, or an identification of the AI / ML model entity.

[0148] In some example embodiments, the terminal device 110 determines, at a protocol layer entity, the one or more segments of the AI / ML model entity.

[0149] In some example embodiments, the terminal device 110 transmits, to the network device, an indication of a state for the delivery of the AI / ML model entity or the transfer of the AI / ML model entity.

[0150] In some example embodiments, the terminal device 110 receives, from the network device, at least one of: a second timer for storage of the one or more segments of the AI / ML model entity, a data size for segmenting the AI / ML model entity, or a buffer channel configuration associated with the AI / ML model entity.

[0151] In some example embodiments, the protocol layer entity is comprised in at least one of: a Service Data Adaptation Protocol (SDAP) protocol stack, a Packet Data Convergence Protocol (PDCP) protocol stack, a Radio Link Control (RLC) protocol stack, a Medium Access Control (MAC) protocol stack, a protocol layer between the SDAP protocol stack and the PDCP protocol stack, a protocol layer between the PDCP protocol stack and the RLC protocol stack, a protocol layer between the RLC protocol stack and the MAC protocol stack, or a protocol layer between the MAC protocol stack and the Physical Layer (PHY) protocol stack.

[0152] In some example embodiments, the terminal device 110 transmits, to the network device, at least one of: a maximum data size supported by the terminal device for AI / ML model entity segmentation, a maximum buffer size available for segments of each AI / ML model entity, the maximum number of segments of each AI / ML model entity, or the maximum number of AI / ML model entity segments supported by the terminal device in total.

[0153] In some example embodiments, the LCM procedure comprises a performance monitoring on the AI / ML model entity, and the information comprises at least one of: a monitoring result, an indication of a progress the performance monitoring, the number of performance monitoring cycles which are performed by the terminal device, or an identification of the AI / ML model entity.

[0154] In some example embodiments, the terminal device 110, before receiving the first indication, receives, from the network device, at least one of: a configuration of a third timer for validity of historical monitoring information on the AI / ML model entity, or identifications of applicable AI / ML entities capable of LCM procedure suspension.

[0155] In some example embodiments, the terminal device 110 receives, from the  network device, an LCM resume indication for the AI / ML model entity; and transmits, to the network device, at least one of: an identification of the AI / ML model entity, a remaining timer duration if the third timer is not expired, or a timer expired indication if the third timer is expired.

[0156] In some example embodiments, the terminal device 110 receives, from the network device, at least one of: a monitoring result, an indication of a progress the performance monitoring, the number of performance monitoring cycles which are performed by the terminal device, or an identification of the AI / ML model entity.

[0157] FIG. 4 illustrates a flowchart of a communication method 400 implemented at a network device in accordance with some embodiments of the present disclosure. For the purpose of discussion, the method 400 will be described from the perspective of the network device 120 in FIG. 1.

[0158] At block 410, the network device 120 transmits, to a terminal device, a first indication associated with deactivation of an AI / ML model entity.

[0159] At block 420, the network device 120 receives, from the terminal device, information related to a progress of the LCM procedure.

[0160] In some example embodiments, the LCM procedure comprises at least one of: a training of the AI / ML model entity, a transfer of the AI / ML model entity from the network device to the terminal device, a delivery of the AI / ML model entity from the terminal device to the network device, or a performance monitoring on the AI / ML model entity.

[0161] In some example embodiments, the first indication indicates at least one of: a deactivation of the AI / ML model entity, an interruption of the AI / ML model entity, a switching from the AI / ML model entity to a further AI / ML model entity, a fallback to a mode without AI / ML, or a restart of the AI / ML model entity.

[0162] In some example embodiments, the network device 120 transmits, to the terminal device, at least one of: an indication of a duration for LCM suspension of the AI / ML model entity, a cause value for LCM suspension, identifications of one or more associated AI / ML entities, or an association identification for one or more AI / ML model entity.

[0163] In some example embodiments, the network device 120 receives, from the terminal device, a request to interrupt the AI / ML model entity, wherein the first indication comprises a confirmation for the request.

[0164] In some example embodiments, the network device 120 transmits, to the terminal device, a second indication associated with AI / ML model entity activation.

[0165] In some example embodiments, the second indication comprises at least one of: an LCM resume indication, or an LCM restart indication.

[0166] In some example embodiments, the network device 120 receives, from the terminal device, capability information for an interruption of one or more AI / ML entities through at least one of: proactive applicable functionality reporting, reactive applicable functionality reporting, or capability transfer for the terminal device.

[0167] In some example embodiments, the LCM procedure comprises a training of the AI / ML model entity, and the information comprises at least one of: a current version of the AI / ML model entity without completion of the training, training data unused for the training of the AI / ML model entity, an indication of a duration spent for the training of the AI / ML model entity, an indication of a completion degree of the training of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an indication of an expired time for the current version of the AI / ML model entity.

[0168] In some example embodiments, the network device 120 transmits, to the terminal device, an LCM resume indication for the AI / ML model entity, wherein the LCM resume indication comprises at least one of: an identification of the AI / ML model entity, an operation code representing LCM resume, a current version of the AI / ML model entity without completion of the training, training data unused for the training of the AI / ML model entity, an indication of a duration spent for the training of the AI / ML model entity, an indication of a completion degree of the training of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an indication of an expired time for the current version of the AI / ML model entity.

[0169] In some example embodiments, the network device 120 transmits, to the terminal device, an LCM restart indication for the AI / ML model entity, wherein the LCM restart indication comprises at least one of: an identification of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an operation code representing LCM restart.

[0170] In some example embodiments, the LCM procedure comprises a delivery of the AI / ML model entity from the terminal device to the network device or a transfer of the  AI / ML model entity from the network device to the terminal device, and the information comprises at least one of: one or more segments of the AI / ML model entity not delivered to the network device if the LCM procedure comprises the delivery of the AI / ML model entity, one or more segments of the AI / ML model entity transferred from the network device if the LCM procedure comprises the transfer of the AI / ML model entity, the total number of segments of the AI / ML model entity, a data size of a segment of the AI / ML model entity, an index of a segment of the AI / ML model entity, or an identification of the AI / ML model entity.

[0171] In some example embodiments, the network device 120 receives, from the terminal device, an indication of a state for the delivery of the AI / ML model entity or the transfer of the AI / ML model entity.

[0172] In some example embodiments, the network device 120 transmits, to the terminal device, at least one of: a second timer for storage of the one or more segments of the AI / ML model entity, a data size for segmenting the AI / ML model entity, or a buffer channel configuration associated with the AI / ML model entity.

[0173] In some example embodiments, the network device 120 receives, from the terminal device, at least one of: a maximum data size supported by the terminal device for AI / ML model entity segmentation, a maximum buffer size available for segments of each AI / ML model entity, the maximum number of segments of each AI / ML model entity, or the maximum number of AI / ML model entity segments supported by the terminal device in total.

[0174] In some example embodiments, the LCM procedure comprises a performance monitoring on the AI / ML model entity, and the information comprises at least one of: a monitoring result, an indication of a progress the performance monitoring, the number of performance monitoring cycles which are performed by the terminal device, or an identification of the AI / ML model entity.

[0175] In some example embodiments, the network device 120, before transmitting the first indication, transmits, to the terminal device, at least one of: a configuration of a third timer for validity of historical monitoring information on the AI / ML model entity, or identifications of applicable AI / ML entities capable of LCM procedure suspension.

[0176] In some example embodiments, the network device 120 transmits, to the terminal  device, an LCM resume indication for the AI / ML model entity; and receives, from the terminal device, at least one of: an identification of the AI / ML model entity, a remaining timer duration if the third timer is not expired, or a timer expired indication if the third timer is expired.

[0177] In some example embodiments, the network device 120 transmits, to the terminal device, at least one of: a monitoring result, an indication of a progress the performance monitoring, the number of performance monitoring cycles which are performed by the terminal device, or an identification of the AI / ML model entity.

[0178] FIG. 5 is a simplified block diagram of a device 500 that is suitable for implementing embodiments of the present disclosure. The device 500 can be considered as a further example implementation of any of the devices as shown in FIG. 1. Accordingly, the device 500 can be implemented at or as at least a part of the terminal device 110 or the network device 120.

[0179] As shown, the device 500 includes a processor 510, a memory 520 coupled to the processor 510, a suitable transceiver 540 coupled to the processor 510, and a communication interface coupled to the transceiver 540. The memory 520 stores at least a part of a program 530. The transceiver 540 may be for bidirectional communications or a unidirectional communication based on requirements. The transceiver 540 may include at least one of a transmitter 542 and a receiver 544. The transmitter 542 and the receiver 544 may be functional modules or physical entities. The transceiver 540 has at least one antenna to facilitate communication, though in practice an Access Node mentioned in this application may have several ones. The communication interface may represent any interface that is necessary for communication with other network elements, such as X2 / Xn interface for bidirectional communications between eNBs / gNBs, S1 / NG interface for communication between a Mobility Management Entity (MME)  / Access and Mobility Management Function (AMF)  / SGW / UPF and the eNB / gNB, Un interface for communication between the eNB / gNB and a relay node (RN) , or Uu interface for communication between the eNB / gNB and a terminal device.

[0180] The program 530 is assumed to include program instructions that, when executed by the associated processor 510, enable the device 500 to operate in accordance with the embodiments of the present disclosure, as discussed herein with reference to FIGS. 1 to 4.The embodiments herein may be implemented by computer software executable by the  processor 510 of the device 500, or by hardware, or by a combination of software and hardware. The processor 510 may be configured to implement various embodiments of the present disclosure. Furthermore, a combination of the processor 510 and memory 520 may form processing means 550 adapted to implement various embodiments of the present disclosure.

[0181] The memory 520 may be of any type suitable to the local technical network and may be implemented using any suitable data storage technology, such as a non-transitory computer readable storage medium, semiconductor-based memory devices, magnetic memory devices and systems, optical memory devices and systems, fixed memory and removable memory, as non-limiting examples. While only one memory 520 is shown in the device 500, there may be several physically distinct memory modules in the device 500. The processor 510 may be of any type suitable to the local technical network, and may include one or more of general purpose computers, special purpose computers, microprocessors, digital signal processors (DSPs) and processors based on multicore processor architecture, as non-limiting examples. The device 500 may have multiple processors, such as an application specific integrated circuit chip that is slaved in time to a clock which synchronizes the main processor.

[0182] According to embodiments of the present disclosure, a terminal device comprising a circuitry is provided. The circuitry is configured to: receive, from a network device, a first indication associated with deactivation of an AI / ML model entity; in response to the first indication, suspend an LCM procedure for the AI / ML model entity; and perform at least one of storing information related to a progress of the LCM procedure or transmitting the information to the network device. According to embodiments of the present disclosure, the circuitry may be configured to perform any method implemented by the terminal device as discussed above.

[0183] According to embodiments of the present disclosure, a network device comprising a circuitry is provided. The circuitry is configured to: transmit, to a terminal device, a first indication associated with deactivation of an AI / ML model entity; and receive, from the terminal device, information related to a progress of the LCM procedure. According to embodiments of the present disclosure, the circuitry may be configured to perform any method implemented by the network device as discussed above.

[0184] The term “circuitry” used herein may refer to hardware circuits and / or  combinations of hardware circuits and software. For example, the circuitry may be a combination of analog and / or digital hardware circuits with software / firmware. As a further example, the circuitry may be any portions of hardware processors with software including digital signal processor (s) , software, and memory (ies) that work together to cause an apparatus, such as a terminal device or a network device, to perform various functions. In a still further example, the circuitry may be hardware circuits and or processors, such as a microprocessor or a portion of a microprocessor, that requires software / firmware for operation, but the software may not be present when it is not needed for operation. As used herein, the term circuitry also covers an implementation of merely a hardware circuit or processor (s) or a portion of a hardware circuit or processor (s) and its (or their) accompanying software and / or firmware.

[0185] According to embodiments of the present disclosure, a terminal apparatus is provided. The terminal apparatus comprises means for receiving, from a network device, a first indication associated with deactivation of an AI / ML model entity; means for in response to the first indication, suspending an LCM procedure for the AI / ML model entity; and means for performing at least one of storing information related to a progress of the LCM procedure or transmitting the information to the network device. In some embodiments, the first apparatus may comprise means for performing the respective operations of the method 300. In some example embodiments, the first apparatus may further comprise means for performing other operations in some example embodiments of the method 300. The means may be implemented in any suitable form. For example, the means may be implemented in a circuitry or software module.

[0186] According to embodiments of the present disclosure, a network apparatus is provided. The network apparatus comprises means for transmitting, to a terminal device, a first indication associated with deactivation of an AI / ML model entity; and means for receiving, from the terminal device, information related to a progress of the LCM procedure. In some embodiments, the second apparatus may comprise means for performing the respective operations of the method 400. In some example embodiments, the second apparatus may further comprise means for performing other operations in some example embodiments of the method 400. The means may be implemented in any suitable form. For example, the means may be implemented in a circuitry or software module.

[0187] In summary, embodiments of the present disclosure provide the following  aspects.

[0188] In an aspect, it is proposed a terminal device comprising: a processor configured to cause the terminal device to: receive, from a network device, a first indication associated with deactivation of an AI / ML model entity; in response to the first indication, suspend an LCM procedure for the AI / ML model entity; and perform at least one of storing information related to a progress of the LCM procedure or transmitting the information to the network device.

[0189] In some embodiments, the LCM procedure comprises at least one of: a training of the AI / ML model entity, a transfer of the AI / ML model entity from the network device to the terminal device, a delivery of the AI / ML model entity from the terminal device to the network device, or a performance monitoring on the AI / ML model entity.

[0190] In some embodiments, the first indication indicates at least one of: a deactivation of the AI / ML model entity, an interruption of the AI / ML model entity, a switching from the AI / ML model entity to a further AI / ML model entity, a fallback to a mode without AI / ML, or a restart of the AI / ML model entity.

[0191] In some embodiments, the terminal device is further caused to: receive, from the network device, at least one of: an indication of a duration for LCM suspension of the AI / ML model entity, a cause value for LCM suspension, identifications of one or more associated AI / ML entities, or an association identification for one or more AI / ML model entity.

[0192] In some embodiments, the terminal device is further caused to: transmit, to the network device, a request to interrupt the AI / ML model entity, wherein the first indication comprises a confirmation for the request.

[0193] In some embodiments, the terminal device is further caused to: perform an operation related to the progress of the LCM procedure based on at least one of: a running state of a first timer which is started upon receiving the first indication, or a second indication associated with AI / ML model entity activation.

[0194] In some embodiments, the terminal device is caused to: in response to receiving the second indication, stop the first timer.

[0195] In some embodiments, the terminal device is caused to: in response to the first timer being expired, perform a fallback to a mode without AI / ML or a restart of the AI / ML  model entity; and remove the stored information related to the progress of the LCM procedure.

[0196] In some embodiments, the terminal device is caused to: in response to receiving the second indication for the AI / ML model entity within a duration of the first timer, perform a resume of the AI / ML model entity based on the stored information related to the progress of the LCM procedure.

[0197] In some embodiments, the terminal device is caused to: in response to receiving the second indication for a further AI / ML model entity within a duration of the first timer, perform a restart of the AI / ML model entity or switch to the further AI / ML model entity; and remove the stored information related to the progress of the LCM procedure.

[0198] In some embodiments, the second indication comprises at least one of: an LCM resume indication, or an LCM restart indication.

[0199] In some embodiments, the terminal device is further caused to: transmit, to the network device, capability information for an interruption of one or more AI / ML entities through at least one of: proactive applicable functionality reporting, reactive applicable functionality reporting, or capability transfer for the terminal device.

[0200] In some embodiments, the LCM procedure comprises a training of the AI / ML model entity, and the information comprises at least one of: a current version of the AI / ML model entity without completion of the training, training data unused for the training of the AI / ML model entity, an indication of a duration spent for the training of the AI / ML model entity, an indication of a completion degree of the training of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an indication of an expired time for the current version of the AI / ML model entity.

[0201] In some embodiments, the terminal device is further cased to: receive, from the network device, an LCM resume indication for the AI / ML model entity, wherein the LCM resume indication comprises at least one of: an identification of the AI / ML model entity, an operation code representing LCM resume, a current version of the AI / ML model entity without completion of the training, training data unused for the training of the AI / ML model entity, an indication of a duration spent for the training of the AI / ML model entity, an indication of a completion degree of the training of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an indication of an expired  time for the current version of the AI / ML model entity.

[0202] In some embodiments, the terminal device is further cased to: receive, from the network device, an LCM restart indication for the AI / ML model entity, wherein the LCM restart indication comprises at least one of: an identification of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an operation code representing LCM restart.

[0203] In some embodiments, the LCM procedure comprises a delivery of the AI / ML model entity from the terminal device to the network device or a transfer of the AI / ML model entity from the network device to the terminal device, and the information comprises at least one of: one or more segments of the AI / ML model entity not delivered to the network device if the LCM procedure comprises the delivery of the AI / ML model entity, one or more segments of the AI / ML model entity transferred from the network device if the LCM procedure comprises the transfer of the AI / ML model entity, the total number of segments of the AI / ML model entity, a data size of a segment of the AI / ML model entity, an index of a segment of the AI / ML model entity, or an identification of the AI / ML model entity.

[0204] In some embodiments, the terminal device is caused to: determine, at a protocol layer entity, the one or more segments of the AI / ML model entity.

[0205] In some embodiments, the terminal device is caused to: transmit, to the network device, an indication of a state for the delivery of the AI / ML model entity or the transfer of the AI / ML model entity.

[0206] In some embodiments, the terminal device is caused to: receive, from the network device, at least one of: a second timer for storage of the one or more segments of the AI / ML model entity, a data size for segmenting the AI / ML model entity, or a buffer channel configuration associated with the AI / ML model entity.

[0207] In some embodiments, the protocol layer entity is comprised in at least one of: a SDAP protocol stack, a PDCP protocol stack, a RLC protocol stack, a MAC protocol stack, a protocol layer between the SDAP protocol stack and the PDCP protocol stack, a protocol layer between the PDCP protocol stack and the RLC protocol stack, a protocol layer between the RLC protocol stack and the MAC protocol stack, or a protocol layer between the MAC protocol stack and the PHY protocol stack.

[0208] In some embodiments, the terminal device is further caused to: transmit, to the network device, at least one of: a maximum data size supported by the terminal device for AI / ML model entity segmentation, a maximum buffer size available for segments of each AI / ML model entity, the maximum number of segments of each AI / ML model entity, or the maximum number of AI / ML model entity segments supported by the terminal device in total.

[0209] In some embodiments, the LCM procedure comprises a performance monitoring on the AI / ML model entity, and the information comprises at least one of: a monitoring result, an indication of a progress the performance monitoring, the number of performance monitoring cycles which are performed by the terminal device, or an identification of the AI / ML model entity.

[0210] In some embodiments, the terminal device is further caused to: before receiving the first indication, receive, from the network device, at least one of: a configuration of a third timer for validity of historical monitoring information on the AI / ML model entity, or identifications of applicable AI / ML entities capable of LCM procedure suspension.

[0211] In some embodiments, the terminal device is further caused to: receive, from the network device, an LCM resume indication for the AI / ML model entity; and transmit, to the network device, at least one of: an identification of the AI / ML model entity, a remaining timer duration if the third timer is not expired, or a timer expired indication if the third timer is expired.

[0212] In some embodiments, the terminal device is further caused to: receive, from the network device, at least one of: a monitoring result, an indication of a progress the performance monitoring, the number of performance monitoring cycles which are performed by the terminal device, or an identification of the AI / ML model entity.

[0213] In an aspect, it is proposed a network device comprising: a processor configured to cause the network device to: transmit, to a terminal device, a first indication associated with deactivation of an AI / ML model entity; and receive, from the terminal device, information related to a progress of the LCM procedure.

[0214] In some embodiments, the LCM procedure comprises at least one of: a training of the AI / ML model entity, a transfer of the AI / ML model entity from the network device to the terminal device, a delivery of the AI / ML model entity from the terminal device to  the network device, or a performance monitoring on the AI / ML model entity.

[0215] In some embodiments, the first indication indicates at least one of: a deactivation of the AI / ML model entity, an interruption of the AI / ML model entity, a switching from the AI / ML model entity to a further AI / ML model entity, a fallback to a mode without AI / ML, or a restart of the AI / ML model entity.

[0216] In some embodiments, the network device is further caused to: transmit, to the terminal device, at least one of: an indication of a duration for LCM suspension of the AI / ML model entity, a cause value for LCM suspension, identifications of one or more associated AI / ML entities, or an association identification for one or more AI / ML model entity.

[0217] In some embodiments, the network device is further caused to: receive, from the terminal device, a request to interrupt the AI / ML model entity, wherein the first indication comprises a confirmation for the request.

[0218] In some embodiments, the network device is further caused to: transmit, to the terminal device, a second indication associated with AI / ML model entity activation.

[0219] In some embodiments, the second indication comprises at least one of: an LCM resume indication, or an LCM restart indication.

[0220] In some embodiments, the network device is further caused to: receive, from the terminal device, capability information for an interruption of one or more AI / ML entities through at least one of: proactive applicable functionality reporting, reactive applicable functionality reporting, or capability transfer for the terminal device.

[0221] In some embodiments, the LCM procedure comprises a training of the AI / ML model entity, and the information comprises at least one of: a current version of the AI / ML model entity without completion of the training, training data unused for the training of the AI / ML model entity, an indication of a duration spent for the training of the AI / ML model entity, an indication of a completion degree of the training of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an indication of an expired time for the current version of the AI / ML model entity.

[0222] In some embodiments, the network device is further cased to: transmit, to the terminal device, an LCM resume indication for the AI / ML model entity, wherein the LCM  resume indication comprises at least one of: an identification of the AI / ML model entity, an operation code representing LCM resume, a current version of the AI / ML model entity without completion of the training, training data unused for the training of the AI / ML model entity, an indication of a duration spent for the training of the AI / ML model entity, an indication of a completion degree of the training of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an indication of an expired time for the current version of the AI / ML model entity.

[0223] In some embodiments, the network device is further cased to: transmit, to the terminal device, an LCM restart indication for the AI / ML model entity, wherein the LCM restart indication comprises at least one of: an identification of the AI / ML model entity, identifications of one or more associated AI / ML entities, or an operation code representing LCM restart.

[0224] In some embodiments, the LCM procedure comprises a delivery of the AI / ML model entity from the terminal device to the network device or a transfer of the AI / ML model entity from the network device to the terminal device, and the information comprises at least one of: one or more segments of the AI / ML model entity not delivered to the network device if the LCM procedure comprises the delivery of the AI / ML model entity, one or more segments of the AI / ML model entity transferred from the network device if the LCM procedure comprises the transfer of the AI / ML model entity, the total number of segments of the AI / ML model entity, a data size of a segment of the AI / ML model entity, an index of a segment of the AI / ML model entity, or an identification of the AI / ML model entity.

[0225] In some embodiments, the network device is caused to: receive, from the terminal device, an indication of a state for the delivery of the AI / ML model entity or the transfer of the AI / ML model entity.

[0226] In some embodiments, the network device is caused to: transmit, to the terminal device, at least one of: a second timer for storage of the one or more segments of the AI / ML model entity, a data size for segmenting the AI / ML model entity, or a buffer channel configuration associated with the AI / ML model entity.

[0227] In some embodiments, the network device is further caused to: receive, from the terminal device, at least one of: a maximum data size supported by the terminal device for AI / ML model entity segmentation, a maximum buffer size available for segments of each  AI / ML model entity, the maximum number of segments of each AI / ML model entity, or the maximum number of AI / ML model entity segments supported by the terminal device in total.

[0228] In some embodiments, the LCM procedure comprises a performance monitoring on the AI / ML model entity, and the information comprises at least one of: a monitoring result, an indication of a progress the performance monitoring, the number of performance monitoring cycles which are performed by the terminal device, or an identification of the AI / ML model entity.

[0229] In some embodiments, the network device is further caused to: before transmitting the first indication, transmit, to the terminal device, at least one of: a configuration of a third timer for validity of historical monitoring information on the AI / ML model entity, or identifications of applicable AI / ML entities capable of LCM procedure suspension.

[0230] In some embodiments, the network device is further caused to: transmit, to the terminal device, an LCM resume indication for the AI / ML model entity; and receive, from the terminal device, at least one of: an identification of the AI / ML model entity, a remaining timer duration if the third timer is not expired, or a timer expired indication if the third timer is expired.

[0231] In some embodiments, the network device is further caused to: transmit, to the terminal device, at least one of: a monitoring result, an indication of a progress the performance monitoring, the number of performance monitoring cycles which are performed by the terminal device, or an identification of the AI / ML model entity.

[0232] In an aspect, a terminal device comprises: at least one processor; and at least one memory coupled to the at least one processor and storing instructions thereon, the instructions, when executed by the at least one processor, causing the device to perform the method implemented by the terminal device discussed above.

[0233] In an aspect, a network device comprises: at least one processor; and at least one memory coupled to the at least one processor and storing instructions thereon, the instructions, when executed by the at least one processor, causing the device to perform the method implemented by the network device discussed above.

[0234] In an aspect, a computer readable medium having instructions stored thereon,  the instructions, when executed on at least one processor, causing the at least one processor to perform the method implemented by the terminal device discussed above.

[0235] In an aspect, a computer readable medium having instructions stored thereon, the instructions, when executed on at least one processor, causing the at least one processor to perform the method implemented by the network device discussed above.

[0236] In an aspect, a computer program comprising instructions, the instructions, when executed on at least one processor, causing the at least one processor to perform the method implemented by the terminal device discussed above.

[0237] In an aspect, a computer program comprising instructions, the instructions, when executed on at least one processor, causing the at least one processor to perform the method implemented by the network device discussed above.

[0238] Generally, various embodiments of the present disclosure may be implemented in hardware or special purpose circuits, software, logic or any combination thereof. Some aspects may be implemented in hardware, while other aspects may be implemented in firmware or software which may be executed by a controller, microprocessor or other computing device. While various aspects of embodiments of the present disclosure are illustrated and described as block diagrams, flowcharts, or using some other pictorial representation, it will be appreciated that the blocks, apparatus, systems, techniques or methods described herein may be implemented in, as non-limiting examples, hardware, software, firmware, special purpose circuits or logic, general purpose hardware or controller or other computing devices, or some combination thereof.

[0239] The present disclosure also provides at least one computer program product tangibly stored on a non-transitory computer readable storage medium. The computer program product includes computer-executable instructions, such as those included in program modules, being executed in a device on a target real or virtual processor, to carry out the process or method as described above with reference to FIGS. 1 to 5. Generally, program modules include routines, programs, libraries, objects, classes, components, data structures, or the like that perform particular tasks or implement particular abstract data types. The functionality of the program modules may be combined or split between program modules as desired in various embodiments. Machine-executable instructions for program modules may be executed within a local or distributed device. In a distributed device, program modules may be located in both local and remote storage media.

[0240] Program code for carrying out methods of the present disclosure may be written in any combination of one or more programming languages. These program codes may be provided to a processor or controller of a general purpose computer, special purpose computer, or other programmable data processing apparatus, such that the program codes, when executed by the processor or controller, cause the functions / operations specified in the flowcharts and / or block diagrams to be implemented. The program code may execute entirely on a machine, partly on the machine, as a stand-alone software package, partly on the machine and partly on a remote machine or entirely on the remote machine or server.

[0241] The above program code may be embodied on a machine readable medium, which may be any tangible medium that may contain, or store a program for use by or in connection with an instruction execution system, apparatus, or device. The machine readable medium may be a machine readable signal medium or a machine readable storage medium. A machine readable medium may include but not limited to an electronic, magnetic, optical, electromagnetic, infrared, or semiconductor system, apparatus, or device, or any suitable combination of the foregoing. More specific examples of the machine readable storage medium would include an electrical connection having one or more wires, a portable computer diskette, a hard disk, a random access memory (RAM) , a read-only memory (ROM) , an erasable programmable read-only memory (EPROM or Flash memory) , an optical fiber, a portable compact disc read-only memory (CD-ROM) , an optical storage device, a magnetic storage device, or any suitable combination of the foregoing.

[0242] Further, while operations are depicted in a particular order, this should not be understood as requiring that such operations be performed in the particular order shown or in sequential order, or that all illustrated operations be performed, to achieve desirable results. In certain circumstances, multitasking and parallel processing may be advantageous. Likewise, while several specific implementation details are contained in the above discussions, these should not be construed as limitations on the scope of the present disclosure, but rather as descriptions of features that may be specific to particular embodiments. Certain features that are described in the context of separate embodiments may also be implemented in combination in a single embodiment. Conversely, various features that are described in the context of a single embodiment may also be implemented in multiple embodiments separately or in any suitable sub-combination.

[0243] Although the present disclosure has been described in language specific to structural features and / or methodological acts, it is to be understood that the present disclosure defined in the appended claims is not necessarily limited to the specific features or acts described above. Rather, the specific features and acts described above are disclosed as example forms of implementing the claims.

Claims

1.A terminal device comprising:a processor configured to cause the terminal device to:receive, from a network device, a first indication associated with deactivation of an Artificial Intelligence / Machine learning (AI / ML) model entity;in response to the first indication, suspend a life cycle management (LCM) procedure for the AI / ML model entity; andperform at least one of storing information related to a progress of the LCM procedure or transmitting the information to the network device.2.The terminal device of claim 1, wherein the LCM procedure comprises at least one of:a training of the AI / ML model entity,a transfer of the AI / ML model entity from the network device to the terminal device,a delivery of the AI / ML model entity from the terminal device to the network device, ora performance monitoring on the AI / ML model entity.3.The terminal device of claim 1, wherein the first indication indicates at least one of:a deactivation of the AI / ML model entity,an interruption of the AI / ML model entity,a switching from the AI / ML model entity to a further AI / ML model entity,a fallback to a mode without AI / ML, ora restart of the AI / ML model entity.4.The terminal device of claim 1, wherein the terminal device is further caused to:transmit, to the network device, a request to interrupt the AI / ML model entity, wherein the first indication comprises a confirmation for the request.5.The terminal device of claim 1, wherein the terminal device is further caused to:perform an operation related to the progress of the LCM procedure based on a second indication associated with AI / ML model entity activation, wherein the second indication comprises at least one of: an LCM resume indication, or an LCM restart indication.6.The terminal device of claim 1, wherein the terminal device is further caused to:transmit, to the network device, capability information for an interruption of one or more AI / ML entities through at least one of:proactive applicable functionality reporting,reactive applicable functionality reporting, orcapability transfer for the terminal device.7.The terminal device of claim 1, wherein the LCM procedure comprises a training of the AI / ML model entity, and the information comprises at least one of:a current version of the AI / ML model entity without completion of the training,training data unused for the training of the AI / ML model entity,an indication of a duration spent for the training of the AI / ML model entity,an indication of a completion degree of the training of the AI / ML model entity,identifications of one or more associated AI / ML entities, oran indication of an expired time for the current version of the AI / ML model entity.8.The terminal device of claim 7, wherein the terminal device is further cased to:receive, from the network device, an LCM resume indication for the AI / ML model entity, wherein the LCM resume indication comprises at least one of:an identification of the AI / ML model entity,an operation code representing LCM resume,a current version of the AI / ML model entity without completion of the training,training data unused for the training of the AI / ML model entity,an indication of a duration spent for the training of the AI / ML model entity,an indication of a completion degree of the training of the AI / ML model entity,identifications of one or more associated AI / ML entities, oran indication of an expired time for the current version of the AI / ML model entity.9.The terminal device of claim 1, wherein the LCM procedure comprises a delivery of the AI / ML model entity from the terminal device to the network device or a transfer of the AI / ML model entity from the network device to the terminal device, andthe information comprises at least one of:one or more segments of the AI / ML model entity not delivered to the network device if the LCM procedure comprises the delivery of the AI / ML model entity,one or more segments of the AI / ML model entity transferred from the network device if the LCM procedure comprises the transfer of the AI / ML model entity,the total number of segments of the AI / ML model entity,a data size of a segment of the AI / ML model entity,an index of a segment of the AI / ML model entity, oran identification of the AI / ML model entity.10.The terminal device of claim 9, wherein the terminal device is caused to:receive, from the network device, at least one of:a second timer for storage of the one or more segments of the AI / ML model entity,a data size for segmenting the AI / ML model entity, ora buffer channel configuration associated with the AI / ML model entity.11.The terminal device of claim 9, wherein the terminal device is further caused to:transmit, to the network device, at least one of:a maximum data size supported by the terminal device for AI / ML model entity segmentation,a maximum buffer size available for segments of each AI / ML model entity,the maximum number of segments of each AI / ML model entity, orthe maximum number of AI / ML model entity segments supported by the terminal device in total.12.The terminal device of claim 1, wherein the terminal device is configured with a third timer for validity of historical monitoring information on the AI / ML model entity, and the terminal device is further caused to:receive, from the network device, an LCM resume indication for the AI / ML model entity; andtransmit, to the network device, at least one of:an identification of the AI / ML model entity,a remaining timer duration if the third timer is not expired, ora timer expired indication if the third timer is expired.13.A network device comprising:a processor configured to cause the network device to:transmit, to a terminal device, a first indication associated with deactivation of an Artificial Intelligence / Machine learning (AI / ML) model entity; andreceive, from the terminal device, information related to a progress of the LCM procedure.14.The network device of claim 13, wherein the LCM procedure comprises at least one of:a training of the AI / ML model entity,a transfer of the AI / ML model entity from the network device to the terminal device,a delivery of the AI / ML model entity from the terminal device to the network device, ora performance monitoring on the AI / ML model entity.15.The network device of claim 13, wherein the network device is further caused to:receive, from the terminal device, capability information for an interruption of one or more AI / ML entities through at least one of:proactive applicable functionality reporting,reactive applicable functionality reporting, orcapability transfer for the terminal device.16.The network device of claim 13, wherein the LCM procedure comprises a training of the AI / ML model entity, and the information comprises at least one of:a current version of the AI / ML model entity without completion of the training,training data unused for the training of the AI / ML model entity,an indication of a duration spent for the training of the AI / ML model entity,an indication of a completion degree of the training of the AI / ML model entity,identifications of one or more associated AI / ML entities, oran indication of an expired time for the current version of the AI / ML model entity.17.The network device of claim 16, wherein the network device is further cased to:transmit, to the terminal device, an LCM resume indication for the AI / ML model entity, wherein the LCM resume indication comprises at least one of:an identification of the AI / ML model entity,an operation code representing LCM resume,a current version of the AI / ML model entity without completion of the training,training data unused for the training of the AI / ML model entity,an indication of a duration spent for the training of the AI / ML model entity,an indication of a completion degree of the training of the AI / ML model entity,identifications of one or more associated AI / ML entities, oran indication of an expired time for the current version of the AI / ML model entity.18.The network device of claim 13, wherein the LCM procedure comprises a delivery of the AI / ML model entity from the terminal device to the network device or a transfer of the AI / ML model entity from the network device to the terminal device, andthe information comprises at least one of:one or more segments of the AI / ML model entity not delivered to the network device if the LCM procedure comprises the delivery of the AI / ML model entity,one or more segments of the AI / ML model entity transferred from the network device if the LCM procedure comprises the transfer of the AI / ML model entity,the total number of segments of the AI / ML model entity,a data size of a segment of the AI / ML model entity,an index of a segment of the AI / ML model entity, oran identification of the AI / ML model entity.19.The network device of claim 18, wherein the network device is further caused to:receive, from the terminal device, at least one of:a maximum data size supported by the terminal device for AI / ML model entity segmentation,a maximum buffer size available for segments of each AI / ML model entity,the maximum number of segments of each AI / ML model entity, orthe maximum number of AI / ML model entity segments supported by the terminal device in total.20.The network device of claim 19, wherein the terminal device is configured with a third timer for validity of historical monitoring information on the AI / ML model entity, and the network device is further caused to:transmit, to the terminal device, an LCM resume indication for the AI / ML model entity; andreceive, from the terminal device, at least one of:an identification of the AI / ML model entity,a remaining timer duration if the third timer is not expired, ora timer expired indication if the third timer is expired.

Images