Determining discovery data

Abstract

Example embodiments of the present disclosure relate to a solution for determining discovery data. In an aspect, a first apparatus obtains, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing. The first apparatus determines, based at least on the discovery pattern, discovery data for a consumer NF of the NF type. The first apparatus transmits the discovery data to a second apparatus associated with the consumer NF. In this way, a new method using supervised learning or rule-based learning is implemented to help operator to have better service experience, rather than point fixing the standard facility to make implementation of a deployment complex and inefficient.

Description

DETERMINING DISCOVERY DATAFIELD

[0001] Example embodiments of the present disclosure generally relate to the field of communications, and in particular, to devices, methods, apparatuses and a computer readable storage medium for determining discovery data.BACKGROUND

[0002] A communication network can be seen as a facility that enables communications between two or more communication devices, or provides communication devices access to a data network. A mobile or wireless communication network is one example of a communication network. A communication device may be provided with a service by an application server.

[0003] Such communication networks operate in according with standards such as those provided by 3GPP (Third Generation Partnership Project) or ETSI (European Telecommunications Standards Institute) . Examples of standards are the so-called 5G (5th Generation) standards or other standards provided by 3GPP.SUMMARY

[0004] In general, example embodiments of the present disclosure provide a solution for determining discovery data, especially for determining discovery data for a network function (s) (NF) .

[0005] In a first aspect, there is provided a first apparatus. The first apparatus comprises at least one processor and at least one memory storing instructions that, when executed by the at least one processor, cause the first apparatus at least to obtain, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing. The first apparatus is further caused to determine, based at least on the discovery pattern, discovery data for a consumer NF of the NF type. The first apparatus may transmit the discovery data to a second apparatus associated with the consumer NF.

[0006] In a second aspect, there is provided a second apparatus. The second apparatus comprises at least one processor and at least one memory storing instructions that, when  executed by the at least one processor, cause the second apparatus at least to transmit, to a first apparatus, a capability indication that a consumer network function (NF) associated with the second apparatus supports discovery data determined based on a discovery pattern, and the discovery pattern is used for discovering at least one producer NF to satisfy a communication service by performing transaction processing. The second apparatus may then receive the discovery data from the first apparatus.

[0007] In a third aspect, there is provided a method. The method comprises obtaining, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing. The method further comprises determining, based at least on the discovery pattern, discovery data for a consumer NF of the NF type and transmitting the discovery data to a second apparatus associated with the consumer NF.

[0008] In a fourth aspect, there is provided a method. The method comprises transmitting, to a first apparatus, a capability indication that a consumer network function (NF) associated with the second apparatus supports discovery data determined based on a discovery pattern, and the discovery pattern is used for discovering at least one producer NF to satisfy a communication service by performing transaction processing. The method further comprises receiving the discovery data from the first apparatus.

[0009] In a fifth aspect, there is provided an apparatus. The apparatus comprises means for obtaining, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing. The apparatus further comprises means for determining, based at least on the discovery pattern, discovery data for a consumer NF of the NF type and means for transmitting the discovery data to a second apparatus associated with the consumer NF.

[0010] In a sixth aspect, there is provided an apparatus. The apparatus comprises means for transmitting, to a first apparatus, a capability indication that a consumer network function (NF) associated with the second apparatus supports discovery data determined based on a discovery pattern, and the discovery pattern is used for discovering at least one producer NF to satisfy a communication service by performing transaction processing. The apparatus further comprises means for receiving the discovery data from the first apparatus.

[0011] In a seventh aspect, there is provided a non-transitory computer readable medium comprising program instructions for causing an apparatus to perform at least the method  according to any one of the third aspect to fourth aspect.

[0012] In an eighth aspect, there is provided a computer program comprising instructions, which, when executed by an apparatus, cause the apparatus at least to perform at least the method according to according to any one of the third aspect to fourth aspect.

[0013] In a ninth aspect, there is provided a first apparatus. The first apparatus comprises obtaining circuitry configured to obtain, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing. The first apparatus further comprises determining circuitry configured to determine, based at least on the discovery pattern, discovery data for a consumer NF of the NF type. The first apparatus further comprises transmitting circuitry configured to transmit the discovery data to a second apparatus associated with the consumer NF

[0014] In a tenth aspect, there is provided a second apparatus. The second apparatus comprises transmitting circuitry configured to transmit, to a first apparatus, a capability indication that a consumer network function (NF) associated with the second apparatus supports discovery data determined based on a discovery pattern, and the discovery pattern is used for discovering at least one producer NF to satisfy a communication service by performing transaction processing. The second apparatus further comprises receiving circuitry configured to receive the discovery data from the first apparatus.

[0015] It is to be understood that the summary section is not intended to identify key or essential features of embodiments of the present disclosure, nor is it intended to be used to limit the scope of the present disclosure. Other features of the present disclosure will become easily comprehensible through the following description.BRIEF DESCRIPTION OF THE DRAWINGS

[0016] Some example embodiments will now be described with reference to the accompanying drawings, in which:

[0017] FIG. 1 illustrates an example of a network environment in which example embodiments of the present disclosure can be implemented;

[0018] FIG. 2 illustrates a flow chart of method according to some embodiments of the present disclosure;

[0019] FIG. 3 illustrates a detailed architecture diagram of NRF in accordance with some example embodiments of the present disclosure;

[0020] FIG. 4 illustrates a discovery pattern based response and notification in accordance with some example embodiments of the present disclosure;

[0021] FIG. 5 illustrates an explicit push notification service in accordance with some example embodiments of the present disclosure;

[0022] FIGS. 6A-6C illustrate several operator-driven inputs for explicit notification form OAM / CRM / AF in accordance with some example embodiments of the present disclosure;

[0023] FIG. 7A illustrates a best fit NF discovery response in accordance with some example embodiments of the present disclosure;

[0024] FIG. 7B illustrates an OAM  / AF driven explicit subscription request for explicit push notifications by a consumer NF in accordance with some example embodiments of the present disclosure;

[0025] FIG. 8 illustrates an explicit subscription and explicit notification process handled by a NRF in accordance with some example embodiments of the present disclosure;

[0026] FIG. 9 illustrates a process how a NRF may learn discovery patterns from trained data sets and execute a model to provide the best-fit discovery response in accordance with some example embodiments of the present disclosure;

[0027] FIG. 10 illustrates a process how a NRF triggers best fit algorithm based on network deployment context information and subscription input and discovery pattern data, registration pattern data in accordance with some example embodiments of the present disclosure;

[0028] FIG. 11 illustrates a flowchart of a machine learning pipeline in accordance with some example embodiments of the present disclosure;

[0029] FIG. 12 illustrates a training set applying RBML to get the best fit NF profile in accordance with some example embodiments of the present disclosure;

[0030] FIGS. 13A-13B illustrates example dependency flow graphs for NRF in accordance with some example embodiments of the present disclosure;

[0031] FIG. 14 illustrates a flowchart of a method performed by an apparatus in accordance with some example embodiments of the present disclosure;

[0032] FIG. 15 illustrates a flowchart of a method performed by an apparatus in accordance with some example embodiments of the present disclosure;

[0033] FIG. 16 illustrates a simplified block diagram of a device that is suitable for implementing some example embodiments of the present disclosure; and

[0034] FIG. 17 illustrates a block diagram of an example of a computer readable medium in accordance with some example embodiments of the present disclosure.

[0035] Throughout the drawings, the same or similar reference numerals represent the same or similar elements.DETAILED DESCRIPTION

[0036] Principles 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. The disclosure described herein can be implemented in various manners other than the ones described below.

[0037] 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.

[0038] References in the present disclosure to “one embodiment, ” “an embodiment, ” “an example embodiment, ” and the like indicate that the embodiment described may include a particular feature, structure, or characteristic, but it is not necessary that every embodiment includes the particular feature, structure, or characteristic. Moreover, such phrases are not necessarily referring to the same embodiment. Further, when a particular feature, structure, or characteristic is described in connection with an embodiment, it is submitted that it is within the knowledge of one skilled in the art to affect such feature, structure, or characteristic in connection with other embodiments whether or not explicitly described.

[0039] It shall be understood that although the terms “first” and “second” etc. may be used herein to describe various elements, these elements should not be limited by these terms. These terms are only used to distinguish one element from another. For example, a first element could be termed a second element, and similarly, a second element could be termed  a first element, without departing from the scope of example embodiments. As used herein, the term “and / or” includes any and all combinations of one or more of the listed terms.

[0040] The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of example embodiments. 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. It will be further understood that the terms “comprises” , “comprising” , “has” , “having” , “includes” and / or “including” , when used herein, specify the presence of stated features, elements, and / or components etc., but do not preclude the presence or addition of one or more other features, elements, components and / or combinations thereof. As used herein, “at least one of the following: <a list of two or more elements>” and “at least one of <a list of two or more elements>” and similar wording, where the list of two or more elements are joined by “and” or “or” , mean at least any one of the elements, or at least any two or more of the elements, or at least all the elements.

[0041] As used in this application, the term “circuitry” may refer to one or more or all of the following:

[0042] (a) hardware-only circuits (such as in analog and / or digital circuits) and

[0043] (b) combinations of hardware circuits and software, such as (as applicable) :

[0044] (i) a combination of analog and / or digital hardware circuit (s) with software (e.g., firmware) ; and

[0045] (ii) any portions of hardware processor (s) with software (including digital signal processor (s) ) , software, and memory (ies) that work together to cause an apparatus, such as a mobile phone or server, to perform various functions) and

[0046] (c) hardware circuit (s) and or processor (s) , such as a microprocessor (s) or a portion of a microprocessor (s) , that requires software (for example, firmware) for operation, but the software may not be present when it is not needed for operation.

[0047] This definition of circuitry applies to all uses of this term in this application, including in any claims. As a further example, as used in this application, the term circuitry also covers an implementation of merely a hardware circuit or processor (or multiple processors) or portion of a hardware circuit or processor and its (or their) accompanying software and / or firmware. The term circuitry also covers, for example and if applicable to the particular claim element, a baseband integrated circuit or processor integrated circuit for  a mobile device or a similar integrated circuit in server, a cellular network device, or other computing or network device.

[0048] As used herein, the term “cellular network” refers to a network operating in accordance with any suitable radio access technology defined by standards, such as Long Term Evolution (LTE) , LTE-Advanced (LTE-A) , new radio Wideband Code Division Multiple Access (WCDMA) , High-Speed Packet Access (HSPA) , Narrow Band Internet of Things (NB-IoT) and so on. Furthermore, the communications between a terminal device and a network device of a cellular network may be performed according to any suitable communication protocols, including, but not limited to, the fourth generation (4G) , 4.5G, the future fifth generation (5G) communication protocols, and / or any other protocols either currently known or to be developed in the future. Embodiments of the present disclosure may be applied in various cellular networks. Given the rapid development in communications, there will of course also be future type communication technologies and systems with which the present disclosure may be embodied. It should not be seen as limiting the scope of the present disclosure to only the aforementioned system.

[0049] As used herein, the term “network device” refers to any device in a cellular network via which a terminal device accesses a data network and receives services exposed by other network devices of the cellular network. In some examples, a network device may comprise or implement a network function of a 5th generation communication system (5GS) (e.g., a core network) of a cellular network. In some examples, the network devices may be located at the RAN of the 5GS. The network device may be part of a satellite, a base station (BS) or an access point (AP) , for example, a node B (NodeB or NB) , an evolved NodeB (eNodeB or eNB) , a NR NB (also referred to as a gNB) , a Remote Radio Unit (RRU) , a radio header (RH) , a remote radio head (RRH) , a relay, a low power node such as a femto, a pico node, and so forth, depending on the applied terminology and technology. A gNB may include a centralized unit CU and one or more distributed DUs. Femto and Pico nodes are small base stations with a small coverage area.

[0050] The term “terminal device” refers to a device of a communication system of a cellular network, such as a 5th generation communication system (5GS) that may be capable of wireless (e.g., radio) communication with a NR-RAN of the 5GS) . By way of example rather than limitation, a terminal device may also be referred to as a wireless communication device, user equipment (UE) , a Subscriber Station (SS) , a Portable Subscriber Station, a Mobile Station (MS) , or an Access Terminal (AT) . Examples of a terminal device include,  but not limited to, a mobile phone, a cellular phone, a smart phone, voice over IP (VoIP) phones, wireless local loop phones, a tablet, a wearable terminal device, a personal digital assistant (PDA) , portable computers, desktop computer, image capture terminal devices such as digital cameras, gaming terminal devices, music storage and playback appliances, vehicle-mounted wireless terminal devices, wireless endpoints, mobile stations, laptop-embedded equipment (LEE) , laptop-mounted equipment (LME) , USB dongles, smart devices, wireless customer-premises equipment (CPE) , an Internet of Things (IoT) device, a watch or other wearable, a head-mounted display (HMD) , a vehicle, a drone, a medical device and applications (for example, remote surgery) , an industrial device and applications (for example, a robot and / or other wireless devices operating in an industrial and / or an automated processing chain contexts) , a consumer electronics device, a device operating on commercial and / or industrial wireless networks, and the like. In the following description, the terms “terminal device” , “communication device” , “terminal” , “user equipment” and “UE” may be used interchangeably.

[0051] An NF discovers another NF or NFs using an NRF (network repository function) with an SBI (service-based interface) . In case there are enterprise networks and multivendor deployments and large-scale deployments, there are several problems needed to be solved. For example, API / Command could tell to the NRF that it need to know about maximum 100 SMFs. The NRF may send these SMFs via separate / multiple notifications (since they cannot fit in one message) . The NRF is limited to send the profiles in a single response. Also, there is no explicit notification methods from NRF OAM (operations, administration, maintenance) for operator facility when there is network issue to outage to recover from discovery data out of sync.

[0052] There is also a need to fast update the NF discovery cache when an NF is coming up or similar NF instances are instantiated in a deployment. An operator also needs to enforce an explicit notification when network topology changes due to migration or swapping of NF from one vendor to another vendor. There is also a need to prevent unnecessary NF discovery response data not needed for consumer NF for processing signaling message.

[0053] Moreover, it cannot simply record a list of data needed for a given consumer type. Discovery pattern of each network functions depends on various factors including, deployment type and LCM operations on deployments; supported features activated  / deactivated; and network dynamic conditions including roaming.

[0054] Recording a list of data needed and transmitted it to consumer may also not be feasible because the NF instances and network topology is dynamic in nature. A pre-recorded list of data statically cannot be provided to consumer because one of the producers given in record now may not be in in network or it can be in severe overload may other false positives possible also in large scale network. It can impose other technical restriction when topology needs to change.

[0055] In view of the above, example embodiments of the present disclosure provide a solution for discovering NF. In the example embodiments of the present disclosure, a first apparatus may obtain, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing. The first apparatus may determine, based at least on the discovery pattern, discovery data for a consumer NF of the NF type. The first apparatus may transmit the discovery data to a second apparatus associated with the consumer NF.

[0056] In this way, a new method using supervised learning or rule-based learning is implemented to help operator to have better service experience, rather than point fixing the standard facility to make implementation of a deployment complex and inefficient. Faster discovery cache updates are implemented at consumer NFs due to various conditions of producer NFs (such as migration cases, multi-vendor scenario cases, cases where same NF types deployed for different purposes like IOT subscription handling UDM, Group subscription handling UDM, UDM handling enterprise customers etc. ) .

[0057] Moreover, fault recovery procedure may be implemented when the notification from NRF is missed due to network issue, either NRF may indicate the NF to perform rediscovery or push the explicit notifications. Necessary and sufficient NF types of data is obtained in discovery response to handle signaling traffic and the dependent transactions considering various heuristics like deployment context information.

[0058] FIG. 1 illustrates an example of a network environment 100 in which example embodiments of the present disclosure can be implemented. The environment 100 may be a part of a communication network and comprise a plurality of devices, such as a first apparatus 110, a second apparatus 120, and producer NF (s) , consumer NF (s) , etc. As an example, the first apparatus 110 may be implemented as network repository function. The second apparatus 120 may be implemented as a consumer NF.

[0059] a producer NF may register its capabilities and services to the first apparatus 110 or NRF. In some embodiments, the producer NF may be AMF (Access and Mobility Management Function) , SMF (Session Management Function) , UPF (User Interface Function) , etc. The producer NF may interact with the first apparatus 110 at startup or when their configuration changes. For example, the producer NF may register its configuration file in the first apparatus 110. The configuration file may include supported services, instance ID, NF type, status information, etc.

[0060] After receiving the registration request, the first apparatus 110 may verify the configuration file and store the configuration file in its database. The second apparatus 120 may then require the discovery of producer NF through NRF. The second apparatus 120 may send discovery request to the first apparatus 110 to obtain information about the producer NF.

[0061] The discovery request may include the type of NF required by the second apparatus 120 and other conditions (such as location or service requirements) . The first apparatus 110 may query its database and return information related to NF producers that meet the requirements based on the conditions in the discovery request. The second apparatus 120 may then determine a producer NF based on the returned information related to NF producers. The second apparatus 120 may then establish communication with the producer NF and send service requests.

[0062] In some other embodiments, when a network function or second apparatus 120 needs to communicate with another network function or a producer NF to fulfil a service request, it queries the first apparatus 110 or NRF to identify the appropriate service endpoint based on service type, characteristics, or other criteria.

[0063] The first apparatus 110 or NRF maintains a dynamic view of the network topology and service availability, updating its repository in real-time as network functions come online, go offline, or change their service characteristics. The NRF enables dynamic service discovery, orchestration, and interoperability among networks functions.

[0064] Although the first apparatus 110, the second apparatus 120, and the producer NF are described in the communication environment 100 of FIG. 1, embodiments of the present disclosure may equally apply to any other suitable communication devices in communication with one another. That is, embodiments of the present disclosure are not limited to the exemplary scenarios of FIG. 1. In other embodiments, the first apparatus 110, the second  apparatus 120, and the producer NF may be any other communication devices, for example, any other wireless communication devices.

[0065] It is to be understood that the particular number of various communication devices and the particular number of various communication links as shown in FIG. 1 is for illustration purpose only without suggesting any limitations. The communication environment 100 may include any suitable number of communication devices and any suitable number of communication links for implementing embodiments of the present disclosure. In addition, it should be appreciated that there may be various wireless as well as wireline communications (if needed) among all of the communication devices.

[0066] FIG. 2 illustrates a flowchart of method according to some embodiments of the present disclosure. For the purpose of discussion, the method 200 will be described with reference to FIG. 1. It would be appreciated that although the process flow 200 has been described referring to FIG. 1, this process flow 200 may be likewise applied to other similar communication scenarios.

[0067] In the process flow 200, a second apparatus 120 may transmit (202) a capability indication (205) to a first apparatus 110 to indicate that a consumer network function (NF) associated with the second apparatus 120 supports discovery data determined based on a discovery pattern.

[0068] For example, the NF consumer may indicate a special capability of enhanced discovery response based on NRF learnt discovery pattern for given NF types or pre-fed pattern of specific NF type discoveries as initial data set. With this enhanced method, the NRF may push other related NF discover data to consumer NF, when consumer NF becomes discoverable. The discovery pattern is used for discovering at least one producer NF to satisfy a communication service by performing transaction processing.

[0069] Accordingly, the first apparatus 110 may receive (203) the capability indication that the consumer NF supports the discovery data determined based on the discovery pattern from the second apparatus 120. In some embodiments, the first apparatus 110 may perform a network repository function (NRF) , and the second apparatus 120 may perform the consumer NF or is a service communication proxy (SCP) for the consumer NF.

[0070] In some embodiments, the discovery pattern may be signalling message patterns related to the consumer NF or both producer NF and consumer NF that perform to discover producer NF or set of producer NFs to satisfy telecommunication service by performing  transaction processing. For example, an AMF may discover authentication server function (AUSF) , session management function (SMF) , unified data management (UDM) , and policy control function (PCF) to perform subscriber attach, authentication and facilitate triggering of policy rules.

[0071] In another example, the AMF may discover network slice admission control function (NSACF) to perform admission control on number of UE’s registered in slice along with attach, authentication and triggering of policy rules

[0072] In some embodiments, the first apparatus 110 may obtain (204) a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing for a network function (NF) type. For example, the first apparatus 110 may obtain the discovery pattern determining the discovery pattern based on an artificial intelligence (AI)  / machine learning (ML) model.

[0073] In some embodiments, the AI / ML model may be trained based on either registration data of producer NFs, or discovery data of consumer NFs, or both. For example, all the input for producers’ registrations and all the input for consumers’ discovery requests may flow through the AI / ML model. In some other embodiments, the AI / ML model is trained based on rule-based machine learning (RBML) , supervised learning (SL) , or reinforcement learning (RL) , etc. In some embodiments, input data for the RBML may include (i) a dataset set of rules defining criteria for different NF types and (ii) deployment context information. output data for the RBML may include information of at least one predicted producer NF for a consumer NF based on the rules

[0074] In some further embodiments, the first apparatus 110 may obtain training data set based on registration data of producer NFs. The first apparatus 110 may train the AI / ML model using the training data set. In some other example embodiments, the first apparatus 110 may determine an attribute (s) of the registration data for the training data set. The first apparatus 110 may then extract attribute data from the registration data based on the determined attribute (s) . The first apparatus 110 may export the extracted attribute (s) data as the training data set in a predefined dataset format. The first apparatus 110 may then document metadata related to the training data set. In some further embodiments, the first apparatus 110 may transform the extracted attribute data into a tabular format.

[0075] The first apparatus 110 may further perform cleaning or preprocessing to the extracted attribute data. In some further example embodiments, the determined attribute (s)  may include a service identity (ID) , a service name, a service type, a service endpoint, service characteristics, a timestamp of registration, or provider information. In some further embodiments, the first apparatus 110 may receive the discovery pattern from an operation, administration and maintenance (OAM) server or an application function (AF) .

[0076] The first apparatus 110 may then determine (206) discovery data 210 for a consumer NF of the NF type based at least on the discovery pattern. In some embodiments, the second apparatus120 may transmit a size limit on the discovery data to be received from the first apparatus, and the discovery data may be determined further based on the size limit. In some embodiments, the first apparatus 110 may receive a size limit on the discovery data 210 to be transmitted to the second apparatus 120, and the discovery data 210 may be determined by the first apparatus 110 further based on the size limit.

[0077] In some further embodiments, the size limit may be received in a discovery request from the second apparatus 120. Alternatively, or additionally, the size limit may be received in a registration request from the second apparatus 120. In this case, the consumer NF is also a producer NF. Alternatively, or additionally, the size limit may be received in a push notification request related to the consumer NF from an OAM server or an AF.

[0078] In some embodiments, the first apparatus 110 may determine the discovery data by applying an algorithm ( “best fit algorithm” ) to determine a producer NF (s) associated with a data size less than or equal to the size limit. In some embodiments, the algorithm may be based on an AI / ML model selected from a logistic regression model, a random forest model, a gradient boosting model, or a neural network model.

[0079] In some example embodiments, the algorithm may be determined based on factors, such as the minimum number of a producer NF type, the minimum number of producer NF instances of the producer NF type, producer NF instances and producer NF types providing better quality of services than other producer NF instances and producer NF types, load information, capacity information, location information, and latency information of a producer NF instance, information of required load and capacity, deployment context information of the consumer NF, or feature (s) supported by the consumer NF.

[0080] The first apparatus 110 may transmit (208) the discovery data 210 to a second apparatus 120 associated with the consumer NF. For example, in some embodiments, the first apparatus 110 may transmit the discovery data 210 to the second apparatus 120 based on receiving, from the second apparatus 120, a discovery request for an NF producer of a  requested NF type. The second apparatus 120 may receive (212) the discovery data 210 from the first apparatus 110.

[0081] In some embodiments, the transmitted discovery data may include information of an NF producer of the requested NF type and information of producer NF (s) of NF type (s) different from the requested NF type. This process may speed up the producer NF caching during start-up phase or re-discoverable phase (after upgrade / update or recovery from outage) .

[0082] In some embodiments, the second apparatus 120 may transmit a registration request to the first apparatus 110. The first apparatus 110 may transmit the discovery data to the second apparatus 120 by transmitting the discovery data 210 to the second apparatus 120 based on receiving a registration request from the second apparatus, and the consumer NF is also a producer NF.

[0083] In some further embodiments, the first apparatus 110 may transmit the discovery data to the second apparatus 120 based on determining that the consumer NF is started up or becomes discoverable. In some further embodiments, the first apparatus 110 may receive, from an OAM server or an AF, a push notification request for a push notification from the first apparatus to the second apparatus. The first apparatus 110 may then transmit the push notification to the second apparatus 120. The second apparatus 120 may receive a push notification from the first apparatus. In some embodiments, the push notification may include the discovery data transmitted to the second apparatus; or a trigger for a rediscovery operation.

[0084] In some example embodiments, the first apparatus 110 may transmit a push notification response indicating whether the push notification request is successful or failed to the OAM server or the AF. In some example embodiments, the first apparatus 110 may receive, from the OAM server or the AF, a subscription request for the push notification from the first apparatus to the second apparatus. The first apparatus 110 may store a push subscription for the consumer NF and transmit a subscription response to the OAM server or the AF. The subscription request may be an implicit subscription request or an explicit subscription request.

[0085] In some further embodiments, the implicit subscription request may be indicated by an enumeration value of a notification type for default notifications for application programming interfaces (APIs) of the first apparatus.

[0086] In some further embodiments, the first apparatus 110 may receive a callback uniform resource identifier (URI) transmitted from the second apparatus 120. The capability indication, the callback URI, or both may be received in a discovery request from the second apparatus 120. Alternatively, or additionally, the capability indication, the callback URI, or both can be received in a registration request from the second apparatus. In such a case, the consumer NF is also a producer NF.

[0087] FIG. 3 illustrates a detailed architecture diagram 300 of NRF in accordance with some example embodiments of the present disclosure. As shown in FIG. 3, a NRF 302 may store the discovery request patterns from NFs (such as, producer NF 304) in a store (such as, any DB in memory or UDSF (unstructured data storage function) or UDR) . The NRF 302 may apply as strategy to consumer NF (such as, consumer NF 306) to push the enhanced response that contains other related producer NFs details. This enhanced response may be triggered from NRF as a part of NF consumer start up or when it becomes re-discoverable. The discovery request pattern may come as a training set based on Machine learning, and this ML may happen in canary deployment or pre-production system,

[0088] In some embodiments, a ML model 308 in NRF 302 may recognize patterns in NF registration and discovery, where the NRF 302 may know that the consumer NF 306 needs which all NF producer profiles for transaction processing. In some embodiments, all the input for producers’ registrations and all the input for consumers’ discovery requests may go to this ML model 308.

[0089] In some further embodiments, when the consumer NF 306 sends the discovery request, the ML model 308 may intelligently help to find which pattern fits this consumer NF’s 306 request and provide the target NFs information to consumer NF 306. In the context of this disclosure, R1, R2, …, Rn may refer to NF profile and registration data.

[0090] An intelligent micro service in NRF which operates on the registration pattern of the producer NFs to better serve consumer NF can be devised. The intelligent micro service has an algorithm either rule based, or Machine learning based. The algorithm consumes the registration patterns of various NF and NF instances, and its goal is to solve the optimization problem for consumer NF discovery which has necessary and sufficient discovery data to perform signalling. There are some NFs who acts as both producers and consumers and there can be registration data for such NFs. In another case, there are NFs who acts as only pure consumers and never register their profile into NRF.

[0091] The communication will be performant when consumer network function has all necessary and sufficient discovery data to process the signalling message to fulfil the service when it comes up. Centralizing the prefetch logic in NRF provides advantages in large scale deployments were downloading all the producers’ profiles from the whole network would be very inefficient.

[0092] FIG. 4 illustrates a discovery pattern based response and notification 400 in accordance with some example embodiments of the present disclosure. The NRF 402 is equipped with micro service 2 that observes the discovery patterns or a specific NF. In this embodiment, NF-A, NF-B and NF-C may belong to same NF type. These NF needs to discover NF3, NF2 and NFn to accomplish the transaction processing as a part of control plane signaling message processing.

[0093] For example, the AMF may need NSACF for admission control, UDM for getting subscription data, AUSF for authentication and then SMF for session management and then NWDAF to consume or produce analytics etc. In some examples, the UDM may discover the UDR and AMF when it gets the location information query of subscriber from HSS as part of Sh / N71 query from TAS. There are many such cases that one transaction may lead to multiple child transaction which needs to contact other NFs to accomplish parent transaction. In some embodiments, the NRF 402 may maintain the discovery pattern store (DPS) 404 either in memory or in UDR or in its own database or in UDSF.

[0094] The discovery pattern may be fed by the operator or by any other AF into DPS 404 based on trained NF-Atype in canary deployment and complete discovery pattern of NF-Atype is obtained for any business use case including vendor specific flows that involve AF interactions, where such AF needs to be notified.

[0095] In some embodiments, the NF-B which is of same type of NF-Amay come to discover NF2 with enhanced discovery support. The NRF 402 may return in the discovery response the data of NF3, NFn. This process may speed up the producer NF caching at NF-B during start-up phase or re-discoverable phase (after upgrade / update or recovery from outage) . In some further embodiments, NF-C which is of same type of NF-Amay come to register in NRF 402 with enhanced discovery support along with default notificationCallbackUri, the NRF 402 may store the NF-C registration details and checks the DPS 404 and triggers the push notification to send R2, R2, Rn Producer NF data to NF-C.

[0096] It is noted that in the context of this disclosure, D () may refer to a discovery request,  and R () may refer to a registration request. The R2, R3, Rc, Rn may refer to NF profile and registration data. An expression a: b may refer to a as input and b as output. For example, D (NF2) : : R2 means discovery of NF2 by NF-Ato NRF as input which results in Discovery response R2 as output from NRF. Moreover, NF-A→ D {R2, R3, Rn} is a mapping in DPS 404 which NRF 402 has learnt for NF-Atype NFs discovery requests.

[0097] In some further embodiments, to train the ML model 308 in the NRF 402, information may be extracted from the registration records as data set. The information may be form as tabular format suitable for analytics.

[0098] For example, dataset schema may be defined. The important attributes in registration data set {R2, R3, ... Rn} may form the attributes of schema, such as service ID, service name, service type, service endpoint, service characteristics (e.g., latency, throughput) , timestamp of registration, provider information (e.g., IP address, organization) , etc.

[0099] In some embodiments, the microservice-2 406 in the NRF 402 may access the registration records stored in the NRF 402 or its associated database. The microservice-2 406 may extract the relevant information for each registered service covering above primary attributes. In some further embodiments, the microservice-2 406 in the NRF 402 may organizes the extracted data into a tabular format. Each row of the tabular format represents a registered service, and each column represents an attribute.

[0100] The microservice-2 406 in the NRF 402 may ensure data consistency and completeness of the data by handling any missing or erroneous values appropriately, this can be achieved by using pre-defined experiential data set from other deployments or from canary deployment. Alternatively, or additionally, the microservice-2 406 may clean and preprocess the data. Data cleansing and preprocessing steps may ensure data quality and integrity. For example, missing values may be handled, and missing values may be imputed or incomplete records may be removed. In some embodiments, data validation may be performed to check for outliers, inconsistencies, or anomalies in the data and address them accordingly. In some further embodiments, data transformation may be performed to convert data types, standardize units, or apply normalization or standardization techniques as needed.

[0101] In some further embodiments, the data may be exported to dataset format like JSON format. For example, once the data is structured into a tabular format, cleaned / pre- processed, it may be exported to a dataset format suitable for analysis or further processing. The common dataset formats may include CSV (Comma-Separated Values) , Excel, JSON (JavaScript Object Notation) , or database tables. As an example, JSON format may be used and stored in DPS 404.

[0102] The metadata about the dataset may be then documented, including its source, collection methods, preprocessing steps, and any assumptions or limitations associated with the data. This is a very important step that may influence the detection or classification performance of the ML process.

[0103] Below Pseudo code demonstrates the data set preparation from NF registration data.

[0104] 1. Define Dataset Schema:

[0105] - Define the attributes (columns) for the dataset, like Service_ID, Service_Name, Service_Type, Service_Endpoint, Service_Characteristics, Timestamp, Provider_Info.

[0106] 2. Initialize Empty Dataset:

[0107] - Create an empty dataset structured according to the defined schema.

[0108] 3. Iterate Through Registration Records:

[0109] - For each registration record in the NRF:

[0110] - Extract relevant information, including Service_ID, Service_Name, Service_Type, Service_Endpoint, Service_Characteristics, Timestamp, and Provider_Info.

[0111] - Append the extracted information as a new row to the dataset.

[0112] 4. Clean and Preprocess Data (optional) :

[0113] - Handle missing values: Impute missing values or remove incomplete records.

[0114] - Perform data validation: Check for outliers, inconsistencies, or anomalies in the data.

[0115] - Transform data: Convert data types, standardize units, or apply normalization / standardization techniques as needed.

[0116] 5. Export Dataset:

[0117] - Export the dataset to a desired format suitable for analysis or further processing, such as CSV, Excel, JSON, or database tables.

[0118] 6. Document Metadata:

[0119] - Document metadata about the dataset, including its source, collection methods, preprocessing steps, and any assumptions or limitations associated with the data.

[0120] 7. End.

[0121] A discovery pattern of a NF consumer is stored and applied to send discovery response to consumer NF supporting enhanced discovery feature. This may be pre-established information or learnt information by NRF, so that when, similar NF or NF instances are instantiated in deployment, or they come up after power outage recovery, all the consumer NFs may get needed producer data ahead which increases the transaction processing efficiency.

[0122] FIG. 5 illustrates an explicit push notification (EPN) service 500 in accordance with some example embodiments of the present disclosure. OAM may drive EPN notification of discovered profiles. The EPN 500 has command line and GUI. This service may offer input interface that takes list of notification URIs of target NFs and send explicit notifications containing discovery responses of producer NF and related NFs needed for transaction processing.

[0123] As described in FIG. 5, at 504, an operator 502 may either use the GUI or script that has inputs and submits via AF or OAM 506 to NRF 508. The inputs may be described with FIGS. 6A-6C later. The micro service 1 in NRF 508 may then process the batch request (s) and sends corresponding push notifications to NF1, NF3 ... NFn.

[0124] At 510, the OAM / AF 506 may get the batch request submission response success or failure indicating which of batch request (s) failed with appropriate result code from NRF 508 that may be used to retry the specific request later. Messages 512, 514, 516 and 518 are explicit notification carrying discovery response to the consumer NF1, NF2, ..., NFn.

[0125] In some embodiments, the micro service 1 in the NRF 508 may batch the response and send to OAM / AF 506 and this batch request or response may also be asynchronous, staggered, and schedulable per request. In this way, providing implementation facility to operator to influence the NF consumers to have latest, discovery data. Operator may use this as rescue method to recover the network from service outage. This method can provide a framework so that operator can use it to automate based on certain events and KPIs for automatic recovery of service.

[0126] FIGS. 6A-6C illustrates several operator-driven inputs for explicit notification form OAM / CRM / AF in accordance with some example embodiments of the present disclosure.  At 602, the NRF 508 may send notification to NF1 with the producer NF data NF3 as discovery data, so that NF1 may cache this when it is coming up and becoming discoverable or want to change the routing at run time based on various operator preferences.

[0127] At 604, the NRF 508 may send notification to NF2 and tell NF2 to trigger rediscovery for NF4 (and NF5) or for all its producer NFs. The Operator 502 or NF2 may also specify the maximum response type for discovery response to limit the payload size. At 606, the NRF 508 will send notification to NF3 with the producer NFs viz., NF33 and NF44 discovery data.

[0128] FIG. 7A illustrates a best fit NF discovery response 700 in accordance with some example embodiments of the present disclosure. In some embodiments, the consumer NF provides the size limit on the response so that NRF 700 may provide the “best fit response” as discovery response with specified limit.

[0129] For example, the “best fit algorithm” may consider the minimum number of NF types, minimum number of NF instances of that types and those NF instances and types that can provide better quality of services, such as depending on consumer NF’s load, capacity, location, and latency factors but yet, satisfy the required load and capacity. As used herein, this Heuristics example can be referred to as Heuristics example 1 (H1) .

[0130] In an example embodiment, an UDM may discover HSS and UDR to support monitoring event configuration from NEF for UE-Reachability, and a factor that the interworking traffic between HSS and UDM is less compared to traffic between UDM and UDR for subscriber database access may be considered in the “best fit algorithm” .

[0131] In some embodiments, the enhanced discovery method may specify the response limit by UDM to NRF, triggering to return more UDR instances and relatively less HSS instances as a possibility in the discovery response or notification. As used herein, this Heuristics example can be referred to as Heuristics example 2 (H2) .

[0132] In some further embodiments, in certain cases of multi-vendor deployment and specific enterprise case where a tenant dedicated to enterprise use case have minimal subscriber base, the NRF 702 may still return minimal UDR instance and minimal HSS instance to UDM.

[0133] In some further embodiments, the NF deployment context information may be modelled and supply to NRF via OAM or AF which drives the best fit algorithm to return the discovery response fitting the requested response size limit. For example, the NF  deployment context information may be stored in UDSF 704 and this resource location may be used in NF registration request to supply to NRF 702. The NRF 702 may check the UDSF 704 to get this resource using Nudsf API. As used herein, this Heuristics example can be referred to as Heuristics example 3 (H3) .

[0134] In some example embodiments, the NF deployment context model may contain the traffic model data between the NF, subscriber base information, nature of signaling traffic like frequent signaling traffic (such as, authentication, registration) and / or infrequent t signaling traffic (such as, monitoring, enterprise, and campus network with pre authenticated devices) etc. As used herein, this Heuristics example can be referred to as Heuristics example 4 (H4) .

[0135] In some other embodiments, the best fit algorithm may also take the NF supported features into account to choose the producer NFs who supports similar features implicitly, for the case where given NF is both producer and consumer. For example, in the case that the HSS and UDM both supports UE Reachability feature and both registers in NRF as they are producers, in case if both HSS and UDM want to discover each other, the NRF 702 may select implicitly considering their supported features for best fit discovery response. As used herein, this Heuristics example can be referred to as Heuristics example 5 (H5) .

[0136] As shown in FIG. 7A, a NF-Ais registering in NRF 702 along with its deployment context information resource in UDSF, and this information may be configured by operator and NF-Aget the notification on the resource URI.

[0137] The NRF 702 may fetch this deployment context information and apply all Heuristics examples (for instance, H1-H5) described in above embodiments to provide best fit NF response conforming to payload size specified in discoveryPayloadsize attribute by using micro service 3. This results in only necessary NF instances minimal data fitting the size is returned to consumer. In the FIG. 7A the NRF may return NF profile data related to R21, R22 and R31 instances of NF2 and NF3 as best fit to NF-A.

[0138] It is noted that those features may use implicit subscriptions for push notification. An enumeration NotificationType may allow default notifications for NRF APIs. For example, an enhancement can be made to Table 6.1.6.3.4-1: Enumeration NotificationType in 3GPP TS 29.510 as follows.

[0139] Enhancement to Table 6.1.6.3.4-1: Enumeration NotificationType

[0140] During NF registration, a DefaultNotificationSubscription object may include above NotificationType to receive explicit push notifications.

[0141] FIG. 7B illustrates an OAM  / AF driven explicit subscription request 706 for explicit push notifications by a consumer NF2 in accordance with some example embodiments of the present disclosure. As an alternative method, an explicit subscription request may be sent, and corresponding notification is shown in 602.

[0142] In this way, NF consumer or implicit subscription to explicit notification may specify the response data limit and NRF is aware of deployment network topology and knows the discovery pattern, using these inputs NRF may provide necessary and sufficient NF discovery response data to consumer to carry transaction processing for given deployment and traffic model. If the deployment or topology changes, there will be explicit notification accordingly.

[0143] FIG. 8 illustrates an explicit subscription and explicit notification process 800 handled by a NRF in accordance with some example embodiments of the present disclosure. At 804, an operator 802 may transmit an explicit subscription request for EPN for enhanced notifications via GUI  / CMDline / REST API to a NRF 806.

[0144] At 808, the NRF 806 may determine whether a support for explicit subscription is present. If the support for explicit subscription is not present, the NRF may indicate not supported to OAM / AF 810. Otherwise, at 812, a micro service 1 in the NRF 806 may store explicit subscription on behalf of NF 2…4. At 816, the NRF 806 may transmit a subscription to the OAM / AF 810.

[0145] At 818, the operator 802 may transmit an explicit notification request for EPN for enhanced notifications via GUI  / CMD line / REST API to the NRF 806. At 820, micro service 1 and / or 2 in the NRF 806 may start triggering explicit notification based on discovery pattern of NF types or best fit. At 822, the NRF 806 may staggered EPN to all consumer instances configured (such as consumer NF 2, consumer NF 3, consumer NF 4) . From 824 to 826, the NRF 806 may prepare a batch response on each trigger status and submit to the OAM / AF 810 and the operator 802.

[0146] FIG. 9 illustrates a process 900 how a NRF may learn discovery patterns from  trained data sets and execute a model to provide the best-fit discovery response in accordance with some example embodiments of the present disclosure. At 910, The OAM or AF (Application function) may provisions the discovery patterns to the DPS 904. This ensures that the discovery patterns are stored and may be used by the NRF 906 for future discovery requests.

[0147] At 912, a consumer NF of type C 908 may initiate a discovery request to the NRF 906 to discover other network functions that the consumer NF 908 may need to interact with. At 914, the NRF 906 may process the discovery request and determine if enhanced discovery is supported. If not supported, the NRF 906 may respond with a discovery response pertaining to the queried producer NF to the consumer NF 908.

[0148] At 918, if enhanced discovery is supported, the NRF 906 may store the discovery pattern associated with the Consumer NF (Type -> C) . At 920, in some embodiments, if the discovery pattern is already learned from previous interactions such as past discovery requests, registrations, or via a pre-trained model that was part of initial training, the NRF 906 may use this information to facilitate the current request. This step ensures that the NRF 906 may provide a more optimized and accurate discovery response.

[0149] From 922 to 924, the NRF 906 may send back an enhanced discovery response to the Consumer NF. This response may include information about other relevant producer NFs or the same enhanced response as an explicit notification.

[0150] FIG. 10 illustrates a process 1000 how a NRF triggers best fit algorithm based on network deployment context information and subscription input and discovery pattern data, registration pattern data in accordance with some example embodiments of the present disclosure.

[0151] At 1004, the NRF 1002 may determine if enhanced discovery and notification handling is configured. At 1006, if the enhanced discovery and notification handling is not configured, the NRF 1002 may apply non-enhanced handling mechanisms, for example, existing traditional handling mechanisms.

[0152] At 1008, if enhanced discovery and notification handling is configured, the NRF 1002 may create one or more micro services (such as, micro service 1, 2, and 3) to handle different parts of the process.

[0153] At 1010, the NRF 1002 may receive explicit subscription and notification requests from an OAM. The operator may delegate this service request handling to micro service 1  in the NRF 1002. At 1012, the NRF 1002 may receive discovery requests from NF consumers and trigger micro service 2 to store the discovery patterns.

[0154] At 1014, the NRF 1002 may receive network deployment configurations to derive heuristic sets from the UDSF (unified data storage function) and trigger micro service 2 to execute the best fit algorithm. At 1016, the NRF 1002 may prepare the best fit response to the impacted consumer NF based on the results from the best fit algorithm. At 1018, the NRF 1002 may deliver the enhanced discovery response or notifications to the impacted consumer NF.

[0155] In some embodiments, the input data from the consumer NF to NRF is a service discovery request containing indication of enhanced discovery response support and default callback URI. Such indication makes NRF to contact microservice-2 to get the enhanced discovery response, below example demonstrates a case in a consumer NF like (NEF) as soon as it comes up or a feature is activated, it may contact NRF with enhanced discovery capability to get all necessary and sufficient producer NFs discovery data via Explicit notification or via Single discovery request response.

[0156] Alternatively, if such consumer NF is also a producer NF, the enhanced discovery response may be piggybacked as part of registration response when such NF registers into NRF. For example, the consumer NF (NEF) may need AMF, UDM, HSS, PCF, SMF, UDR, NWDAF real time discovery data ahead to process the service request.

[0157] For example, an input request from the consumer NF to NRF with optional headers may include “

[0158] GET  / nf-instances? target-nf-type=UDM&service-names= [nudm-uecm, nudm-ee, nudm-sdm] &required-features= [0xFF, 0x124]

[0159] Host: nrf. example. com

[0160] Authorization: Bearer <Access Token>

[0161] X-Enhanced-Discovery: supported.

[0162] X-Default-Notification-CallBack: https:  / / nef. example. com: 8090 / endpoint / 1

[0163] Accept: application / json” .

[0164] The NRF may output a discovery response with relevant UDM services and the consumer NF may get explicit notification with other NF profiles. An explicit enhanced notification for implicit subscribe may include “

[0165] POST  / nf-instances /

[0166] Host: https:  / / nef. example. com: 8090 / endpoint / 1

[0167] Authorization: Bearer <Access Token>

[0168] X-Enhanced-Discovery: supported.

[0169] X-Default-Notification-CallBack: https:  / / nef. example. com: 8090 / endpoint / 1

[0170] Accept: application / json”

[0171] In some further embodiments, the consumer NF may transmit an enhanced input request to the NRF via single discovery request response, and the enhanced input request header may include “

[0172] GET  / nf-instances? consumer-nf-type=NEF&service-selection-strategy= [best-fit, payLoadSize <=8MB]

[0173] Host: nrf. example. com

[0174] Authorization: Bearer <Access Token>

[0175] X-Enhanced-Discovery: supported.

[0176] X-Default-Notification-CallBack: https:  / / nef. example. com: 8090 / endpoint / 1

[0177] Accept: application / json”

[0178] The NRF may output a discovery response with all relevant services that NEF needs to carry transaction, and this may be derived from the DFG as a rule-based ML or from the supervised training along with network deployment context.

[0179] In some further example embodiments, the consumer NF may also be a producer registering in NRF with Enhanced Discovery support, and it may at least include the following contents in the header of its request: “

[0180] "notificationType" : "ENHANCED_DISCOVERY_NOTIFICATION"

[0181] "notificationStrategy" : {

[0182] "algorithm" : "best-fit" ,

[0183] "payload-size" : "<=8 MB" ,

[0184] "deploymentContextUri" : "https:  / / udsf. example. com: 8090 / deployment / 11"

[0185] }

[0186] "callbackUri" : "https:  / / nef. example. com: 8090 / endpoint / 1" ,

[0187] "supportedFeatures" : "0xF000" support of enhanced discovery indication.

[0188] The NEF may output registration response which also carries discovery responses that is best fit producer transaction processing including "enhancedDiscoveryResponse" …” Those headers may be the trigger points to NRF to execute Enhanced discovery procedure.

[0189] FIG. 11 illustrates a flowchart of a machine learning (ML) pipeline 1100 in accordance with some example embodiments of the present disclosure. The ML pipeline may predict best fit NF discovery data that server producer / consumer NF based on various factors like supported features, network deployment context (number of subscribers, network topology, real time load / capacity, availability information’s ) apart from data set.

[0190] By identifying potential churners in advance, the system can take proactive measures to estimate most feasible discovery data suitable to continue the transaction processing. It is also possible to get such data from another similar network or twin network and perform transformation on data set to match the network deployment context.

[0191] In some embodiments, raw data may be collected from various sources, such as NF registration data 1102, including alternate deployment data 1104, transaction logs, and interaction records, etc. The collected data may be performed with data preprocessing which involves cleaning, transforming, and aggregating the raw data to prepare it for model training. The steps of data preprocessing may include handling missing values, encoding categorical variables, and scaling numerical features. In some embodiments, the NF registration data 1102 and / or the deployment data 1104 may be used as test set 1108 and / or training set 1110.

[0192] In some embodiments, relevant features may be selected from the processed data or created to improve model performance. For example, domain knowledge and exploratory data analysis (EDA) may be utilized to identify informative features. Features may include supported functionalities of NFs. For example, registration / discovery and all SBI headers, and update transaction history, usage patterns like type of traffic it is handling, and interaction frequency with other NFs including NRF may be considered.

[0193] In some embodiments, several classification algorithms are evaluated to determine  the most suitable model for predicting churn. For example, algorithms may include Logistic Regression, Random Forest, Gradient Boosting, and Neural Networks. In some embodiments, model selection may be based on performance metrics like accuracy, precision, recall, and area under the ROC curve (AUC) .

[0194] In the context of this disclosure, a prediction churn model may estimate which NFs as producer, which producer instances are being selected by most NF consumer as part of NF discovery. It helps to access the property of that NF and possibility to get estimate to associate a consumer NF to that producer NF.

[0195] Another option to get which types of NFs are getting deregistered or undiscoverable from NRF too frequently or as part of decommissioning which may help to not to associate consumer with that producer as an estimate.

[0196] In some further embodiments, the selected model is trained on the preprocessed dataset. The dataset is split into the training set 1110 and a validation / test set 1108 using techniques like cross-validation or holdout validation. Hyper parameters may be tuned using techniques like grid search or random search to optimize model performance.

[0197] In some further embodiments, the trained model may be evaluated using the validation set 1108 and test model 1112 to assess its performance. Performance metrics such as accuracy, precision, recall, F1-score, and AUC (area under the roc curve  / receiver operating characteristic (ROC) curve) are computed. Confusion matrix and ROC curve analysis are used to understand model behavior and trade-offs between true positives and false positives.

[0198] In some example embodiments, once the model meets performance criteria, it is deployed to a production environment. Model deployment involves integrating it into the pre-production systems, canary deployment or real deployment. APIs or micro services are created to serve predictions to end-users or downstream applications. At 1114, the deployed model 1116 may interact with signaling messages related to network functions, which include operations like registration, discovery, subscription, updates, and notifications.

[0199] In some embodiments, the deployed model 1116 may be monitored regularly to ensure its performance remains stable over time under various networking conditions and topology changes including network delays, NF restarts, decommissioning etc. Model drift detection techniques may be employed to identify changes in data distribution or model behavior. In some embodiments, periodic retraining is scheduled to update the model with  new data and maintain its accuracy and relevance. At 1118, the deployed model may identify the best fit peer network function profiles for a requesting network function.

[0200] As an example, for this churn prediction task, a binary classification model may be used. The selected model is a Gradient Boosting Classifier, because its ability is suitable to handle complex relationships in the data and its high predictive performance. In some embodiments, missing values are imputed using the mean or median of the respective NF supported feature. Categorical variables are encoded using one-hot encoding or label encoding. Numerical features are scaled using techniques like min-max scaling or standardization.

[0201] In some further embodiments, model predictions are configured with one or more thresholds to convert probability scores into binary predictions. Additional post processing steps may include ranking consumer NFs by churn probability or segmenting NFs into high, medium, and low-risk groups based on real time traffic processing like emergency calls, critical call handling NFs and / or non-critical NFs. For example, AMF is critical NF in 5G network.

[0202] FIG. 12 illustrates a training set 1200 applying RBML to get the best fit NF profile in accordance with some example embodiments of the present disclosure. It is noted that SL or RL may be used accordingly as part of training strategy.

[0203] The RBML is a machine learning approach that involves creating rule-based models to make predictions or decisions. These models are based on a set of rules derived from the data and domain knowledge.

[0204] In some embodiments, the input to the model may include dataset set of rules defining the criteria for different NF types and deployment context information having traffic model, number of subscribers supported, type and nature of deployment etc. The output of the model may be predicted best fit NF profile for each NF based on the rules.

[0205] The algorithm to train the model may be for each SBI request in NRF request processing queue, initializing an empty list of discovery profiles. For each rule in configured rule-set, if the conditions of the rule are met by the consumer NF optimization criteria, adding the predicted profiles evaluated from the rule and training data set to the list of discovery profiles.

[0206] If the list of discovery profiles is not empty, selecting the profile based on a decision strategy (e.g., prioritization, voting) . Otherwise, assigning a default profile or handle in the  case of no suitable profile. If no rules evolved in rule-set, assigning a default profile or handle the case of no suitable profile.

[0207] Example rules along with the Heuristics may be as follows. For small deployment, giving best-fit producers’ profiles of AMF. For IOT deployment, giving best fit producers’ of NEF considering the real time load. For CFX and TAS as consumer, based on its SBI capabilities and diameter capabilities, providing relevant HSS instances. In multivendor deployment for migration case, providing best fit instances to consumer from vendor A who is swapping in. Providing latest NF profiles that are best fit when consumer activated certain features. Providing NF profiles based on the load / capacity and zone. Etc.,

[0208] In some embodiments, if multiple rules apply to consumer NF, a decision strategy is used to select the final predicted profile. For example, strategies may include prioritization, i.e., assigning the profile predicted by the rule with the highest priority; voting, i.e., allowing each rule to "vote" for a profile and select the profile with the most votes; weighted voting, i.e., assigning weights to rules based on their relevance or importance and use weighted votes to select the profile; Experiential method, i.e., assigning profiles based on the other deployment experience, that has the closest match to current deployment using KNN.

[0209] In some embodiments, if no rules apply to a consumer NF (i.e., no suitable profile is found based on the defined criteria) , the algorithm may handle this case appropriately. This could involve assigning a default profile based on DFG, flagging the operator for manual intervention or providing feedback to the operator.

[0210] In some embodiments, the set of rules can be iteratively refined based on feedback from consumer NFs, changes in the load, capacity, or updates in supported features. This may involve adding new rules, modifying existing rules, or removing obsolete rules to improve the model’s performance when new insights are gained from the network deployment context and Training data set.

[0211] Throughout the process, logic ensures that the predictions are interpretable and transparent. The predicted profile for each consumer NF may be recorded / logged based on the rules and decision strategy used.

[0212] FIGS. 13A-13B illustrate an example dependency flow graphs (DFG) 1302-1304 for NRF in accordance with some example embodiments of the present disclosure. DFG represents dependencies between various types of producers and consumers, and this may be obtained from NRF transaction processing context or statically arrived from network  deployment context.

[0213] FIG. 14 illustrates a flowchart of a method 1400 performed by an apparatus in accordance with some example embodiments of the present disclosure. For the purpose of discussion, the method 1400 will be described from the perspective of the first apparatus 110 with reference to FIG. 1.

[0214] At block 1402, the first apparatus 110 may obtain, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing. At block 1404, the first apparatus 110 may determine, based at least on the discovery pattern, discovery data for a consumer NF of the NF type. At block 1406, the first apparatus 110 may transmit the discovery data to a second apparatus associated with the consumer NF.

[0215] In some embodiments, the first apparatus 110 may obtain the discovery pattern by determining the discovery pattern based on an artificial intelligence (AI)  / machine learning (ML) model. In some embodiments, the AI / ML model may be trained based on registration data of producer NFs, or discovery data of consumer NFs.

[0216] In some further embodiments, the first apparatus 110 may obtain training data set at least based on registration data of producer NFs; and train the AI / ML model using the training data set. In some example embodiments, the first apparatus 110 may obtain the training data set by determining at least one attribute of the registration data for the training data set; extracting attribute data from the registration data based on the determined at least one attribute; exporting the extracted attribute data as the training data set in a predefined dataset format; and documenting metadata related to the training data set.

[0217] In some example embodiments, the determined attribute may include a service identity (ID) , a service name, a service type, a service endpoint, service characteristics, a timestamp of registration, or provider information.

[0218] In some example embodiments, the first apparatus may transform the extracted attribute data into a tabular format; or perform at least one of cleaning or preprocessing of the extracted attribute data. In some example embodiments, the first apparatus may obtain the discovery pattern by receiving the discovery pattern from an operation, administration and maintenance (OAM) server or an application function (AF) .

[0219] In some example embodiments, the first apparatus may transmit the discovery data to the second apparatus by based on receiving, from the second apparatus, a discovery request  for an NF producer of a requested NF type, transmitting the discovery data to the second apparatus. The transmitted discovery data includes information of an NF producer of the requested NF type and information of at least one producer NF of at least one NF type different from the requested NF type.

[0220] In some example embodiments, the first apparatus may transmit the discovery data to the second apparatus by, based on receiving a registration request from the second apparatus, transmitting the discovery data to the second apparatus, and the consumer NF is also a producer NF.

[0221] In some example embodiments, the first apparatus may transmit the discovery data to the second apparatus by, based on determining that the consumer NF is started up or becomes discoverable, transmitting the discovery data to the second apparatus.

[0222] In some example embodiments, the first apparatus may receive, from an OAM server or an AF, a push notification request for a push notification from the first apparatus to the second apparatus; and transmit the push notification to the second apparatus. In some embodiments, the push notification includes the discovery data transmitted to the second apparatus; or a trigger for a rediscovery operation.

[0223] In some further embodiments, the first apparatus may transmit, to the OAM server or the AF, a push notification response indicating whether the push notification request is successful or failed. In some further embodiments, the first apparatus may receive, from the OAM server or the AF, a subscription request for the push notification from the first apparatus to the second apparatus; store a push subscription for the consumer NF; and transmit a subscription response to the OAM server or the AF.

[0224] In some other embodiments, the subscription request is an implicit subscription request or an explicit subscription request. In some other embodiments, the implicit subscription request is indicated by an enumeration value of a notification type for default notifications for application programming interfaces (APIs) of the first apparatus.

[0225] In some further embodiments, the first apparatus may receive a size limit on the discovery data to be transmitted to the second apparatus, and the discovery data is determined further based on the size limit.

[0226] In some further embodiments, the size limit is received in a discovery request from the second apparatus. The size limit is received in a registration request from the second apparatus, and the consumer NF is also a producer NF. The size limit is received in a push  notification request related to the consumer NF from an OAM server or an AF.

[0227] In some further embodiments, the first apparatus may determine the discovery data by applying an algorithm to determine at least one producer NF associated with a data size less than or equal to the size limit.

[0228] In some embodiments, the algorithm is based on following factors: the minimum number of a producer NF type, the minimum number of producer NF instances of the producer NF type, producer NF instances and producer NF types providing better quality of services than other producer NF instances and producer NF types, load information, capacity information, location information, and latency information of a producer NF instance, information of required load and capacity, deployment context information of the consumer NF, or at least one feature supported by the consumer NF.

[0229] In some embodiments, the algorithm is based on an AI / ML model selected from the following: a logistic regression model, a random forest model, a gradient boosting model, or a neural network model.

[0230] In some embodiments, the AI / ML model is trained based on rule-based machine learning (RBML) , supervised learning (SL) , or reinforcement learning (RL) .

[0231] In some embodiments, input data for the RBML includes (i) a dataset set of rules defining criteria for different NF types and (ii) deployment context information; or output data for the RBML includes information of at least one predicted producer NF for a consumer NF based on the rules.

[0232] In some embodiments, the first apparatus may receive, from the second apparatus, a capability indication that the consumer NF supports the discovery data determined based on the discovery pattern.

[0233] In some further embodiments, the first apparatus may receive, from the second apparatus, a callback uniform resource identifier (URI) . In some further embodiments, the capability indication and / or the callback URI is received in a discovery request from the second apparatus; or a registration request from the second apparatus, wherein the consumer NF is also a producer NF.

[0234] In some further embodiments, the first apparatus performs a network repository function (NRF) ; or the second apparatus performs the consumer NF or is a service communication proxy (SCP) for the consumer NF.

[0235] FIG. 15 illustrates a flowchart of a method 1500 performed by an apparatus in accordance with some example embodiments of the present disclosure. For the purpose of discussion, the method 1500 will be described from the perspective of the second apparatus 120 with reference to FIG. 1.

[0236] At block 1502, the second apparatus 120 may transmit, to a first apparatus, a capability indication that a consumer network function (NF) associated with the second apparatus supports discovery data determined based on a discovery pattern. The discovery pattern is used for discovering at least one producer NF to satisfy a communication service by performing transaction processing. At block 1504, the second apparatus 120 may receive the discovery data from the first apparatus.

[0237] In some embodiments, the discovery pattern may be obtained based on an artificial intelligence (AI)  / machine learning (ML) model. In some embodiments, the AI / ML model may be trained based on registration data of producer NFs, or discovery data of consumer NFs.

[0238] In some further embodiments, at least one attribute extracted from the registration data for training the AI / ML model may include a service identity (ID) , a service name, a service type, a service endpoint, service characteristics, a timestamp of registration, or provider information.

[0239] In some further embodiments, the second apparatus may transmit, to the first apparatus, a discovery request for an NF producer of a requested NF type. The received discovery data includes information of an NF producer of the requested NF type and information of at least one producer NF of at least one NF type different from the requested NF type.

[0240] In some further embodiments, the second apparatus may transmit a registration request to the first apparatus, and the consumer NF associated with the second apparatus is also a producer NF and the discovery data is received based on transmitting the registration request.

[0241] In some further embodiments, the discovery data may be received from the first apparatus when the consumer NF is started up or becomes discoverable. In some further embodiments, the second apparatus may receive a push notification from the first apparatus. In some further embodiments, the push notification may include the discovery data received from the first apparatus; or a trigger for a rediscovery operation.

[0242] In some further embodiments, the second apparatus may transmit a size limit on the discovery data to be received from the first apparatus, and the discovery data is determined further based on the size limit. In some further embodiments, the size limit is transmitted in a discovery request from the second apparatus; or a registration request from the second apparatus, wherein the consumer NF is also a producer NF.

[0243] In some further embodiments, the second apparatus may transmit, to the first apparatus, a callback uniform resource identifier (URI) . In some further embodiments, at least one of the capability indication or the callback URI is transmitted in a discovery request from the second apparatus; or a registration request from the second apparatus, wherein the consumer NF is also a producer NF.

[0244] In some further embodiments, the first apparatus performs a network repository function (NRF) ; or the second apparatus performs the consumer NF or is a service communication proxy (SCP) for the consumer NF.

[0245] In some embodiments, an apparatus capable of performing any of the method 1400 may be part of a first apparatus 110 and may comprise means for performing the respective operations of the method 1400. The means may be implemented in any suitable form. For example, the means may be implemented in a circuitry or software module.

[0246] In some embodiments, the apparatus comprises means for obtaining, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing; means for determining, based at least on the discovery pattern, discovery data for a consumer NF of the NF type; and means for transmitting the discovery data to a second apparatus associated with the consumer NF.

[0247] In some further embodiments, the means for obtaining the discovery pattern comprises means for determining the discovery pattern based on an artificial intelligence (AI)  / machine learning (ML) model.

[0248] In some example embodiments, the AI / ML model is trained based on registration data of producer NFs, or discovery data of consumer NFs. In some example embodiments, the apparatus further comprises means for obtaining training data set at least based on registration data of producer NFs; and means for training the AI / ML model using the training data set.

[0249] In some further embodiments, the means for obtaining the training data set comprises means for determining at least one attribute of the registration data for the training  data set; means for extracting attribute data from the registration data based on the determined at least one attribute; means for exporting the extracted attribute data as the training data set in a predefined dataset format; and means for documenting metadata related to the training data set.

[0250] In some further embodiments, the determined attribute comprises a service identity (ID) , a service name, a service type, a service endpoint, service characteristics, a timestamp of registration, or provider information.

[0251] In some example embodiments, the apparatus further comprises means for transforming the extracted attribute data into a tabular format; or means for performing at least one of cleaning or preprocessing of the extracted attribute data.

[0252] In some further embodiments, the means for obtaining the discovery pattern comprises means for receiving the discovery pattern from an operation, administration and maintenance (OAM) server or an application function (AF) .

[0253] In some further embodiments, the means for transmitting the discovery data to the second apparatus comprises means for based on receiving, from the second apparatus, a discovery request for an NF producer of a requested NF type, transmitting the discovery data to the second apparatus. The transmitted discovery data includes information of an NF producer of the requested NF type and information of at least one producer NF of at least one NF type different from the requested NF type.

[0254] In some further embodiments, the means for transmitting the discovery data to the second apparatus comprises means for based on receiving a registration request from the second apparatus, transmitting the discovery data to the second apparatus, and the consumer NF is also a producer NF.

[0255] In some further embodiments, the means for transmitting the discovery data to the second apparatus comprises means for based on determining that the consumer NF is started up or becomes discoverable, transmitting the discovery data to the second apparatus.

[0256] In some further embodiments, the apparatus further comprises means for receiving, from an OAM server or an AF, a push notification request for a push notification from the first apparatus to the second apparatus; and means for transmitting the push notification to the second apparatus.

[0257] In some further embodiments, the push notification includes the discovery data  transmitted to the second apparatus; or a trigger for a rediscovery operation. In some further embodiments, the apparatus further comprises means for transmitting, to the OAM server or the AF, a push notification response indicating whether the push notification request is successful or failed.

[0258] In some further embodiments, the apparatus further comprises means for receiving, from the OAM server or the AF, a subscription request for the push notification from the first apparatus to the second apparatus; means for store a push subscription for the consumer NF; and means for transmitting a subscription response to the OAM server or the AF.

[0259] In some example embodiments, the subscription request is an implicit subscription request or an explicit subscription request. In some example embodiments, the implicit subscription request is indicated by an enumeration value of a notification type for default notifications for application programming interfaces (APIs) of the first apparatus.

[0260] In some further embodiments, the apparatus further comprises means for receiving a size limit on the discovery data to be transmitted to the second apparatus, wherein the discovery data is determined further based on the size limit. In some example embodiments, the size limit is received in a discovery request from the second apparatus. The size limit is received in a registration request from the second apparatus, and the consumer NF is also a producer NF. The size limit is received in a push notification request related to the consumer NF from an OAM server or an AF.

[0261] In some embodiments, the means for determining the discovery data comprises means for applying an algorithm to determine at least one producer NF associated with a data size less than or equal to the size limit.

[0262] In some embodiments, the algorithm is based on the following factors: the minimum number of a producer NF type, the minimum number of producer NF instances of the producer NF type, producer NF instances and producer NF types providing better quality of services than other producer NF instances and producer NF types, load information, capacity information, location information, and latency information of a producer NF instance, information of required load and capacity, deployment context information of the consumer NF, or at least one feature supported by the consumer NF.

[0263] In some embodiments, the algorithm is based on an AI / ML model selected from the following: a logistic regression model, a random forest model, a gradient boosting model, or a neural network model. In some embodiments, the AI / ML model is trained based on rule- based machine learning (RBML) , supervised learning (SL) , or reinforcement learning (RL) .

[0264] In some embodiments, input data for the RBML includes (i) a dataset set of rules defining criteria for different NF types and (ii) deployment context information; or output data for the RBML includes information of at least one predicted producer NF for a consumer NF based on the rules.

[0265] In some embodiments, the apparatus further comprises means for receiving, from the second apparatus, a capability indication that the consumer NF supports the discovery data determined based on the discovery pattern. In some embodiments, the apparatus further comprises means for receiving, from the second apparatus, a callback uniform resource identifier (URI) .

[0266] In some embodiments, the capability indication and / or the callback URI is received in a discovery request from the second apparatus; or a registration request from the second apparatus, and the consumer NF is also a producer NF.

[0267] In some embodiments, the first apparatus performs a network repository function (NRF) ; or the second apparatus performs the consumer NF or is a service communication proxy (SCP) for the consumer NF.

[0268] In some embodiments, the apparatus further comprises means for performing other steps in some embodiments of the method 1400. In some embodiments, the means comprises at least one processor and at least one memory including computer program code, the at least one memory and computer program code configured to, with the at least one processor, cause the performance of the apparatus.

[0269] In some embodiments, an apparatus capable of performing any of the method 1500 may be part of a second apparatus 120 and may comprise means for performing the respective operations of the method 1500. The means may be implemented in any suitable form. For example, the means may be implemented in a circuitry or software module.

[0270] In some embodiments, the apparatus comprises means for transmitting, to a first apparatus, a capability indication that a consumer network function (NF) associated with the second apparatus supports discovery data determined based on a discovery pattern, and the discovery pattern is used for discovering at least one producer NF to satisfy a communication service by performing transaction processing. In some embodiments, the apparatus comprises means for receiving the discovery data from the first apparatus

[0271] In some embodiments, the discovery pattern is obtained based on an artificial intelligence (AI)  / machine learning (ML) model. In some embodiments, the AI / ML model is trained based on registration data of producer NFs, or discovery data of consumer NFs.

[0272] In some example embodiments, at least one attribute extracted from the registration data for training the AI / ML model comprises a service identity (ID) , a service name, a service type, a service endpoint, service characteristics, a timestamp of registration, or provider information.

[0273] In some example embodiments, the apparatus further comprises means for transmitting, to the first apparatus, a discovery request for an NF producer of a requested NF type. The received discovery data includes information of an NF producer of the requested NF type and information of at least one producer NF of at least one NF type different from the requested NF type.

[0274] In some example embodiments, the apparatus further comprises means for transmitting a registration request to the first apparatus, and the consumer NF associated with the second apparatus is also a producer NF and the discovery data is received based on transmitting the registration request. In some example embodiments, the discovery data is received from the first apparatus when the consumer NF is started up or becomes discoverable. In some example embodiments, the apparatus further comprises means for receiving a push notification from the first apparatus.

[0275] In some example embodiments, the push notification includes the discovery data received from the first apparatus; or a trigger for a rediscovery operation. In some example embodiments, the apparatus further comprises means for transmitting a size limit on the discovery data to be received from the first apparatus, wherein the discovery data is determined further based on the size limit.

[0276] In some example embodiments, the size limit is transmitted in a discovery request from the second apparatus; or a registration request from the second apparatus, wherein the consumer NF is also a producer NF. In some example embodiments, the apparatus further comprises means for transmitting, to the first apparatus, a callback uniform resource identifier (URI) .

[0277] In some example embodiments, the capability indication and / or the callback URI is transmitted in a discovery request from the second apparatus; or a registration request from the second apparatus, wherein the consumer NF is also a producer NF.

[0278] In some further example embodiments, the first apparatus performs a network repository function (NRF) ; or the second apparatus performs the consumer NF or is a service communication proxy (SCP) for the consumer NF.

[0279] In some embodiments, the apparatus further comprises means for performing other steps in some embodiments of the method 1500. In some embodiments, the means comprises at least one processor and at least one memory including computer program code, the at least one memory and computer program code configured to, with the at least one processor, cause the performance of the apparatus.

[0280] FIG. 16 illustrates simplified block diagram of a device 1600 that is suitable for implementing some example embodiments of the present disclosure. The device 1600 may be provided to implement a communication device, for example, the terminal device 110, the base station 120 as shown in FIG. 1. As shown, the device 1600 includes one or more processors 1610, one or more memories 1620 coupled to the processor 1610, and one or more communication modules 1640 coupled to the processor 1610.

[0281] The communication module 1640 is for bidirectional communications. The communication module 1640 has at least one antenna to facilitate communication. The communication interface may represent any interface that is necessary for communication with other network elements.

[0282] The processor 1610 may be of any type suitable to the local technical network and may include one or more of the following: general purpose computers, special purpose computers, microprocessors, digital signal processors (DSPs) and processors based on multicore processor architecture, as non-limiting examples. The device 1600 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.

[0283] The memory 1620 may include one or more non-volatile memories and one or more volatile memories. Examples of the non-volatile memories include, but are not limited to, a Read Only Memory (ROM) 1624, an electrically programmable read only memory (EPROM) , a flash memory, a hard disk, a compact disc (CD) , a digital video disk (DVD) , and other magnetic storage and / or optical storage. Examples of the volatile memories include, but are not limited to, a random access memory (RAM) 1622 and other volatile memories that will not last in the power-down duration.

[0284] A computer program 1630 includes computer executable instructions that are  executed by the associated processor 1610. The program 1630 may be stored in the ROM 1624. The processor 1610 may perform any suitable actions and processing by loading the program 1630 into the RAM 1622.

[0285] The embodiments of the present disclosure may be implemented by means of the program 1630 so that the device 1600 may perform any process of the disclosure as discussed with reference to FIG. 2. The embodiments of the present disclosure may also be implemented by hardware or by a combination of software and hardware.

[0286] In some example embodiments, the program 1630 may be tangibly contained in a computer readable medium which may be included in the device 1600 (such as in the memory 1620) or other storage devices that are accessible by the device 1600. The device 1600 may load the program 1630 from the computer readable medium to the RAM 1622 for execution. The computer readable medium may include any types of tangible non-volatile storage, such as ROM, EPROM, a flash memory, a hard disk, CD, DVD, and the like.

[0287] FIG. 17 illustrates a block diagram of an example of a computer readable medium 1700 in accordance with some example embodiments of the present disclosure. The computer readable medium 1700 has the program 1630 stored thereon. It is noted that although the computer readable medium 1600 is depicted in form of CD or DVD in FIG. 17, the computer readable medium 1700 may be in any other form suitable for carry or hold the program 1630.

[0288] 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 representations, it is to be understood that the block, apparatus, system, technique or method 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.

[0289] 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 method 200 as described above with reference to FIG. 2. 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.

[0290] 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.

[0291] In the context of the present disclosure, the computer program codes or related data may be carried by any suitable carrier to enable the device, apparatus or processor to perform various processes and operations as described above. Examples of the carrier include a signal, computer readable medium, and the like.

[0292] The computer readable medium may be a computer readable signal medium or a computer readable storage medium. A computer 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 computer 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. The term “non-transitory, ” as used herein, is a limitation of the medium itself (i.e., tangible, not a signal) as opposed to a limitation on data storage persistency (e.g., RAM vs. ROM) .

[0293] 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.

[0294] Although the present disclosure has been described in languages 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 first apparatus comprising:at least one processor; andat least one memory storing instructions that, when executed by the at least one processor, cause the first apparatus at least to:obtain, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing;determine, based at least on the discovery pattern, discovery data for a consumer NF of the NF type; andtransmit the discovery data to a second apparatus associated with the consumer NF.2.The first apparatus of claim 1, wherein the first apparatus is caused to obtain the discovery pattern by:determining the discovery pattern based on an artificial intelligence (AI)  / machine learning (ML) model,wherein the AI / ML model is trained based on at least one of the following:registration data of producer NFs, ordiscovery data of consumer NFs.3.The first apparatus of claim 2, wherein the first apparatus is further caused to:obtain training data set at least based on registration data of producer NFs; andtrain the AI / ML model using the training data set;wherein the first apparatus is caused to obtain the training data set by:determining at least one attribute of the registration data for the training data set;extracting attribute data from the registration data based on the determined at least one attribute;exporting the extracted attribute data as the training data set in a predefined dataset format; anddocumenting metadata related to the training data set.4.The first apparatus of claim 3, wherein the determined at least one attribute comprises at least one of the following:a service identity (ID) ,a service name,a service type,a service endpoint,service characteristics,a timestamp of registration, orprovider information;wherein the first apparatus is further caused to at least one of the following:transform the extracted attribute data into a tabular format; orperform at least one of cleaning or preprocessing of the extracted attribute data.5.The first apparatus of claim 1, wherein the first apparatus is caused to obtain the discovery pattern by:receiving the discovery pattern from an operation, administration and maintenance (OAM) server or an application function (AF) .6.The first apparatus of any of claims 1-5, wherein the first apparatus is caused to transmit the discovery data to the second apparatus by:based on receiving, from the second apparatus, a discovery request for an NF producer of a requested NF type, transmitting the discovery data to the second apparatus,wherein the transmitted discovery data includes information of an NF producer of the requested NF type and information of at least one producer NF of at least one NF type different from the requested NF type.7.The first apparatus of any of claims 1-5, wherein the first apparatus is caused to transmit the discovery data to the second apparatus by:based on receiving a registration request from the second apparatus, transmitting the discovery data to the second apparatus, wherein the consumer NF is also a producer NF.8.The first apparatus of any of claims 1-5, wherein the first apparatus is caused to transmit the discovery data to the second apparatus by:based on determining that the consumer NF is started up or becomes discoverable, transmitting the discovery data to the second apparatus.9.The first apparatus of any of claims 1-8, wherein the first apparatus is further caused to:receive, from an OAM server or an AF, a push notification request for a push notification from the first apparatus to the second apparatus; andtransmit the push notification to the second apparatus;wherein the push notification includes at least one of the following:the discovery data transmitted to the second apparatus; ora trigger for a rediscovery operation.10.The first apparatus of claim 9, wherein the first apparatus is further caused to:transmit, to the OAM server or the AF, a push notification response indicating whether the push notification request is successful or failed.11.The first apparatus of claims 9 or 10, wherein the first apparatus is further caused to:receive, from the OAM server or the AF, a subscription request for the push notification from the first apparatus to the second apparatus;store a push subscription for the consumer NF; andtransmit a subscription response to the OAM server or the AF;wherein the subscription request is an implicit subscription request or an explicit subscription request.12.The first apparatus of claim 11, wherein the implicit subscription request is indicated by an enumeration value of a notification type for default notifications for application programming interfaces (APIs) of the first apparatus.13.The first apparatus of any of claims 1-12, wherein the first apparatus is further caused to:receive a size limit on the discovery data to be transmitted to the second apparatus, wherein the discovery data is determined further based on the size limit;wherein the size limit is received in at least one of the following:a discovery request from the second apparatus;a registration request from the second apparatus, wherein the consumer NF is also a producer NF; ora push notification request related to the consumer NF from an OAM server or an AF.14.The first apparatus of claim 13, wherein the first apparatus is caused to determine the discovery data by:applying an algorithm to determine at least one producer NF associated with a data size less than or equal to the size limit,wherein the algorithm is based on at least one of the following factors:the minimum number of a producer NF type,the minimum number of producer NF instances of the producer NF type,producer NF instances and producer NF types providing better quality of services than other producer NF instances and producer NF types,load information, capacity information, location information, and latency information of a producer NF instance,information of required load and capacity,deployment context information of the consumer NF, orat least one feature supported by the consumer NF.15.The first apparatus of claim 14, wherein the algorithm is based on an AI / ML model selected from the following:a logistic regression model,a random forest model,a gradient boosting model, ora neural network model;wherein the AI / ML model is trained based on at least one of the following:rule-based machine learning (RBML) ,supervised learning (SL) , orreinforcement learning (RL) .16.The first apparatus of claim 15, wherein at least one of the following:input data for the RBML includes (i) a dataset set of rules defining criteria for different NF types and (ii) deployment context information; oroutput data for the RBML includes information of at least one predicted producer NF for a consumer NF based on the rules.17.The first apparatus of any of claims 1-16, wherein the first apparatus is further caused to:receive, from the second apparatus, a capability indication that the consumer NF supports the discovery data determined based on the discovery pattern; orreceive, from the second apparatus, a callback uniform resource identifier (URI) .18.The first apparatus of claim 17, wherein at least one of the capability indication or the callback URI is received in at least one of the following:a discovery request from the second apparatus; ora registration request from the second apparatus, wherein the consumer NF is also a producer NF.19.The first apparatus of any of claims 1-18, wherein at least one of the following:the first apparatus performs a network repository function (NRF) ; orthe second apparatus performs the consumer NF or is a service communication proxy (SCP) for the consumer NF.20.A second apparatus comprising:at least one processor; andat least one memory storing instructions that, when executed by the at least one processor, cause the second apparatus at least to:transmit, to a first apparatus, a capability indication that a consumer network function (NF) associated with the second apparatus supports discovery data determined based on a discovery pattern, wherein the discovery pattern is used for discovering at least one producer NF to satisfy a communication service by performing transaction processing; andreceive the discovery data from the first apparatus.21.The second apparatus of claim 20, wherein the discovery pattern is obtained based on an artificial intelligence (AI)  / machine learning (ML) model;wherein the AI / ML model is trained based on at least one of the following:registration data of producer NFs, ordiscovery data of consumer NFs.22.The second apparatus of claim 21, wherein at least one attribute extracted from the registration data for training the AI / ML model comprises at least one of the following:a service identity (ID) ,a service name,a service type,a service endpoint,service characteristics,a timestamp of registration, orprovider information.23.The second apparatus of any of claims 20-22, wherein the second apparatus is further caused to:transmit, to the first apparatus, a discovery request for an NF producer of a requested NF type,wherein the received discovery data includes information of an NF producer of the requested NF type and information of at least one producer NF of at least one NF type different from the requested NF type.24.The second apparatus of any of claims 20-23, wherein the second apparatus is further caused to:transmit a registration request to the first apparatus, wherein the consumer NF associated with the second apparatus is also a producer NF and the discovery data is received based on transmitting the registration request.25.The second apparatus of any of claims 20-24, wherein the discovery data is received from the first apparatus when the consumer NF is started up or becomes discoverable.26.The second apparatus of any of claims 20-25, wherein the second apparatus is further caused to:receive a push notification from the first apparatus;wherein the push notification includes at least one of the following:the discovery data received from the first apparatus; ora trigger for a rediscovery operation.27.The second apparatus of any of claims 20-26, wherein the second apparatus is further caused to:transmit a size limit on the discovery data to be received from the first apparatus, wherein the discovery data is determined further based on the size limit;wherein the size limit is transmitted in at least one of the following:a discovery request from the second apparatus; ora registration request from the second apparatus, wherein the consumer NF is also a producer NF.28.The second apparatus of any of claims 20-27, wherein the second apparatus is further caused to:transmit, to the first apparatus, a callback uniform resource identifier (URI) ;wherein at least one of the capability indication or the callback URI is transmitted in at least one of the following:a discovery request from the second apparatus; ora registration request from the second apparatus, wherein the consumer NF is also a producer NF.29.The second apparatus of any of claims 20-28, wherein at least one of the following:the first apparatus performs a network repository function (NRF) ; orthe second apparatus performs the consumer NF or is a service communication proxy (SCP) for the consumer NF.30.A method comprising:obtaining, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing;determining, based at least on the discovery pattern, discovery data for a consumer NF of the NF type; andtransmitting the discovery data to a second apparatus associated with the consumer NF.31.A method comprising:transmitting, to a first apparatus, a capability indication that a consumer network function (NF) associated with the second apparatus supports discovery data determined based on a discovery pattern, wherein the discovery pattern is used for discovering at least one producer NF to satisfy a communication service by performing transaction processing; andreceiving the discovery data from the first apparatus.32.A first apparatus comprising:means for obtaining, for a network function (NF) type, a discovery pattern for discovering at least one producer NF to satisfy a communication service by performing transaction processing;means for determining, based at least on the discovery pattern, discovery data for a consumer NF of the NF type; andmeans for transmitting the discovery data to a second apparatus associated with the consumer NF.33.A second apparatus comprising:means for transmitting, to a first apparatus, a capability indication that a consumer network function (NF) associated with the second apparatus supports discovery data determined based on a discovery pattern, wherein the discovery pattern is used for discovering at least one producer NF to satisfy a communication service by performing transaction processing; andmeans for receiving the discovery data from the first apparatus.34.A non-transitory computer readable medium comprising program instructions for causing an apparatus to perform at least the method of claim 30 or 31.

Images