Artificial intelligence (AI) / machine learning (ML) radio bearer (AIRB) for dataset / model transfer

Abstract

A user equipment (UE), a baseband processor, base station, or other network device can operate to generate transmissions based on an artificial intelligence (AI) / machine learning (ML) radio bearer (AIRB) of an AI / ML protocol layer in a protocol stack. The base station can configure the AIRB based on an AI / ML QoS profile and one or more AIRBs can be configured to an AI / ML dataset and an AI / ML model in an AIRB establishment process.

Description

ARTIFICIAL INTELLIGENCE (AI)  / MACHINE LEARNING (ML) RADIO BEARER (AIRB) FOR DATASET / MODEL TRANSFERFIELD

[0001] The present disclosure is related to wireless technology and artificial intelligence (AI)  / machine learning (ML) radio bearers (AIRBs) for an AI / ML data set / model transfer.BACKGROUND

[0002] As the number of mobile devices within wireless networks, and the demand for mobile data traffic, continue to increase, changes are made to system requirements and architectures to better address current and anticipated demands. For example, some wireless communication networks may be developed to implement fifth generation (5G) or new radio (NR) technology, sixth generation (6G) technology, and so on. An aspect of such technology includes addressing how wireless devices wireless resources may be allocated to communications between user equipment (UEs) and base stations (which may include one or more cells) . Network and device implementations have been using artificial intelligence (AI)  / machine learning models to solve various problems as an implementation choice complementing / replacing conventional methods. However, AI / ML models are not standardized.BRIEF DESCRIPTION OF THE DRAWINGS

[0003] FIG. 1 illustrates an example user plane protocol stack configuration in accordance with various aspects.

[0004] FIG. 2 illustrates another example quality of service (QoS) architecture in accordance with various aspects.

[0005] FIG. 3 illustrates example QoS framework in accordance with various aspects.

[0006] FIG. 4 illustrates example control plane signaling in accordance with various aspects.

[0007] FIG. 5 illustrates example of a protocol stack with an artificial intelligence (AI)  / machine learning (ML) layer in accordance with various aspects.

[0008] FIG. 6 illustrates an example signal flow for an AI / ML radio bearer (AIRB) establishment in accordance with various aspects.

[0009] FIG. 7 illustrates an example AIRB configuration for an AIRB establishment in accordance with various aspects.

[0010] FIG. 8 illustrates another example signal flow for an AI / ML radio bearer (AIRB) establishment in accordance with various aspects.

[0011] FIG. 9 illustrates another example AIRB configuration for an AIRB establishment in accordance with various aspects.

[0012] FIG. 10 illustrates an example signal flow for an AIRB modification or release in accordance with various aspects.

[0013] FIG. 11 illustrates an example segmentation in a protocol stack associated with an AIRB in accordance with various aspects.

[0014] FIG. 12 illustrates another example segmentation in a protocol stack associated with an AIRB in accordance with various aspects.

[0015] FIG. 13 illustrates an example signaling flow for recovery and re-establishment of segments associated with an AIRB in accordance with various aspects.

[0016] FIG. 14 illustrates an example configuration for scheduling requests (SRs) and buffer status reports (BSRs) associated with an AIRB in accordance with various aspects.

[0017] FIG. 15 illustrates another example process flow for an AI / ML layer of a protocol stack in accordance with various aspects.

[0018] FIG. 16 illustrates another example process flow for an AI / ML layer of a protocol stack in accordance with various aspects.

[0019] FIG. 17 illustrates a block diagram illustrating an example of user equipment (s) (UEs) communicatively coupled to a network with network components as peer devices useable in connection with various embodiments (aspects) described herein.

[0020] FIG. 18 illustrates an example simplified block diagram of a UE wireless communication device or other network device / component (e.g., base station, eNB, gNB) in accordance with various aspects.DETAILED DESCRIPTION

[0021] The following detailed description refers to the accompanying drawings. Like reference numbers in different drawings may identify the same or similar features, elements, operations, etc. Additionally, the present disclosure is not limited to the following description as other implementations may be utilized, and structural or logical changes made, without departing from the scope of the present disclosure.

[0022] Various aspects include methods and configurations of artificial intelligence (AI) based radio bearers for establishing quality of service (QoS) flows. Mobile communication networks may include one or more types and / or generations of wireless communication networks, such as 4th generation (4G) (e.g., Long-Term Evolution (LTE) ) networks, 5th generation (5G) or new radio (NR) networks, sixth generation (6G) technology, and so on. Such networks may include user equipment (UEs) and base stations (BSs) that communicate with one another wirelessly, while performing operations for faster data rates and wider coverage, as well as solving such issues with AI datasets and AI models that have been trained. An AI model can be a set of processes that are trained on datasets to recognize patterns or make decisions without intervention, using algorithms to process inputs and outputs including language processing and making predictions without human intervention. AI models can vary and are not currently standardized.

[0023] AI provides a machine or system with ability to dynamically simulate human intelligence and behavior. Unlike conventional methods that are supported by domain knowledge and theoretical proofs, AI based methods or models, including deep learning and reinforcement training, can automatically learn or extract features from a training dataset. To efficiently learn the features from the dataset, neural network (NN) architectures, such as dense, convolutional, and recurrent NNs, are being developed and introduced into wireless communications, especially with integrating AI into the air interface. AI and machine learning (ML) can be used interchangeably, where ML may be referred to as a sub-domain of AI research. A typical implementation of AI / ML is with a NN, for example, such as a conventional neural network (CNN) , a recurrent / recursive neural network (RNN) , a generative adversarial network (GAN) , or the like. Current standardization work revolves around enabling AI / ML approaches for data collection (for training) and model transfer / deliver (e.g., improved models) . Some of the disadvantages of AI / ML in cellular networks include complexity, energy consumption, and large volumes of payload data for AI / ML dataset / model transfer. Standardized solutions aim to minimize air interface overhead and impact to network operation.

[0024] AI / ML implementations are expected to play an important role in Release 19 and beyond as well as in 6G. Current solutions regarding AI / ML dataset and model transfer between a user equipment (UE) and a base station (e.g., gNB or other base station) do not satisfy requirements for payloads involved in AI / ML dataset / model transfer. Such solutions, include utilizing transfer over the control plane (CP) , but radio resource control (RRC) signaling does not handle large payloads (e.g., 144KB in uplink (UL) and 45 KB in downlink (DL) . Additionally, utilizing the user plane (UP) as a solution has concerns because the existing UP protocol stack is between the UE and the user plane function (UPF) , rather than having final termination or end-points between the UE and the base station or gNB. Further solutions for delivery, include utilizing a 3GPP transparent solution, but this can mean that the mobile network operator (MNO) does not have controllability and visibility of the AI / ML dataset / model being transferred, which should have full visibility for standardized data, including the standardized data collection transfer process and management to the server for UE-side data collection.

[0025] In various aspects, an AI bearer (AIRB) is referred to as a radio bearer that is associated with an AI / ML protocol layer in a protocol stack. The AIRB is different from a signaling radio bearer (SRB) and a data radio bearer, having particular impacts within 5G specification or beyond (e.g., 6G or later) . The AI / ML protocol layer of the protocol stack can have a final termination point at the base station or gNB, so that end-to-end the AI / ML protocol layer terminates with end-to-end termination points between the UE and the base station. This is different from a legacy PDU session that terminates in the core network (CN) in the user plane function (UPF) . In addition, the PDU session can be configured with a final routing / rout point for forwarding to, including a network analytics data function (NWDAF) , a location management function (LMF) , a mobile network operation (MNO) , an operations, administration, and maintenance (OAM) , a user plane function (UPF) , an over-the-top (OTT) server, a UE-side server, or a core network (CN) .

[0026] Various aspects further include operations for AIRB management. In particular, different AI / ML datasets / models can be mapped to one or more AIRBs. An AIRB establishment procedure can include one or two mapping operations at the UE. For example, the CN can configure a QoS profile and the QoS rules for mapping the AI / ML datasets / models to a QoS flow, while the base station configures QoS flow to the AIRB (s) . Alternatively, or additionally, the base station can configure the mapping from the AI / ML dataset (s)  / model (s) to AIRB (s) .

[0027] Various aspects further include data segmentation within a protocol stack to enable large dataset / model transfer demanded by AI / ML within the cell network. Such data segmentation can be configured in the packet data convergence protocol (PDCP) layer, an AI / ML layer, or in an internet protocol (IP) layer of a protocol stack. Additionally, or alternatively, the AI / ML layer can split the data payload into IP packets. Additionally, or alternatively, data segmentation can be configured to align with a DRB transmission, while supporting PDCP recover and re-establishment according to various aspects.

[0028] In various aspects, the scheduling request (SR) can rely on a network (NW) configuration to map logical channels (LCHs) with the associated AIRBs to one or more SR resources or utilize a dedicated SR mapped to the AIRB, for example. A buffer status report (BSR) can rely on the NW configuration to map LCHs associated with the AIRBs to a logical channel group (LCG) . Additionally, or alternatively, the AIRB can include a logical channel priority (LCP) that is higher or lower than a DRB, a signaling radio bearer (SRB) , or both, based on an indication in a configuration per MAC entity.

[0029] In an aspect, a UE, comprising memory and processing circuitry (e.g., one or more processors) , can generate a transmission with an AI / ML dataset protocol data unit (PDU) , or an AI / ML model PDU, based on the AIRB. The UE can transmit the transmission with the AI / ML dataset PDU or the AI / ML model PDU, based on the AIRB.

[0030] In an aspect, the UE or base station can perform an RRC reconfiguration based on an RRC message, and then perform a modification or a release of the AIRB of the AI / ML protocol layer based on the same or different RRC message for RRC reconfiguration. The RRC message can include an AI RB modification to the AIRB, a different AIRB configuration, a different mapping from an AI / ML dataset or an AI / ML model to one or more AI RBs.

[0031] In an aspect, a base station (e.g., a gNB) can receive an artificial intelligence (AI)  / machine language (ML) quality of service (QoS) profile from the CN (e.g., via an N2 signaling) and generate an AI / ML radio bearer configuration that maps a QoS flow to one or more AI / ML radio bearers (AIRBs) based on the AI / ML QoS profile. The one or more AIRBs can be configured to one or more different AI / ML datasets or one or more different AI / ML models, respectively. The base station can transmit the AI radio bearer configuration for an AIRB establishment procedure.

[0032] Other various aspects related to AIRB for AI / ML dataset (s)  / model (s) are further described herein with reference to the figures.

[0033] FIG. 1 illustrates an example UP protocol stack 100 between a UE a UPF. The 5G core (5GC) manages the UP traffic with the granularity of a PDU session. The next generation (NG) radio access node (RAN, or AN) 120 maps QoS flow (s) of the PDU session to data resource bearers (DRBs) .

[0034] A protocol stack of a TCP / IP or OSI model can include the application layer 102, a PDU layer 104, and 5G-AN protocol layers 106. The application layer 102 can interact directly with user applications and defining protocols for data exchange, such as a hypertext transfer protocol (HTTP) , a simple mail transfer protocol (SMTP) , or file transfer protocol (FTP) . The application layer uses services provided by lower layers to establish and maintain network connections and then uses protocols to format and exchange data, ensuring that different applications can communicate with each other, regardless of the underlying network infrastructure. The PDU layer 106 corresponds to the PDU carried between the UE 110 and the data network DN over a PDU session. When the PDU session type is IPv4 or IPv6 or IPv4v6, it corresponds to IPv4 packets or IPv6 packets or both of them, and when the PDU session type is Ethernet, it corresponds to Ethernet frames, for example. The 5G-AN protocol layers 106 facilitate communication between the UE 110 to the network at the base station or 5G-AN, for example, and can include a physical (PHY) layer, a data link layer including medium access control (MAC) layer and radio link control (RLC) layer, and a network layer including PDCP, service data adaption protocol (SDAP) layer or a radio resource control (RRC) layer, for example.

[0035] A general packet radio service (GPRS) tunneling protocol for the user plane (GTP-U) 108 supports tunneling user data over an N3 interface (i.e. between the 5G-AN node 120 and the UPF 140) and an N9 interface (i.e. between different UPF (s) 132 of the 5GC) in the backbone network. GTP 108 encapsulates end user PDUs, and provides encapsulation on a per PDU session level. The GTP-U layer 108 carries also the marking associated with a QoS flow.

[0036] The UPF / IP layer 112 forms the backbone of network protocols for forwarding user data traffic between the UE and the data network (DN) , while the IP layer (or PDU session) handles the actual IP packets for their routing. The number of UPFs 132 in the data path has no limitation. The data path can include a PDU session 0, 1, or multiple UPFs that do not necessarily support a PDU session anchor functionality for the PDU session. A non PDU session anchor of the UPF 140 can be optional. The RAN-UPF interface is via the GTP-U 108 over the UDP / IP 112.

[0037] FIG. 2 illustrates an example QoS architecture 200 for QoS flows. DRBs (e.g., radio bearer 204a, 204b) are established between the UE 110 and the DN via the UPF 132 in a PDU session 206. A session management function (SMF) (not shown) of the 5GC manages user sessions, allocates IP addresses, selects an appropriate UPF for data transfer, and establishes a PDU session with QoS profile (s) for the UPF 132 and the UE 110. The UPF 132 performs QoS handling and forwards data to DNs based on the IP address.

[0038] At the non-access stratum (NAS) level, the QoS flow 202 (e.g., QoS flow 202a, 202b, etc., referred to generally as QoS flow 202) is considered the finest granularity of QoS differentiation within a PDU session 206. A QoS flow 202 is identified within a PDU session 206 by a QoS Flow ID (QFI) carried in an encapsulation header over a next generation user plane interface (NG-U) . For each UE 110, 5GC establishes one or more PDU Sessions, and the NG-RAN establishes at least one DRB (e.g., DRB 204a) together with the PDU session. Additional DRB (s) (e.g., RB 204b) for QoS flow (s) 202c of that PDU session 206 can be subsequently configured (it is up to NG-RAN when to do so) .

[0039] The NG-RAN 120 maps packets belonging to different PDU sessions to different DRBs. At the NAS level, UP traffic (IP packet) are mapped to a QoS flow 202 based on a 5GC provided QoS profile and QoS rules. NAS level packet filters in the UE and in the 5GC associate uplink (UL) and downlink (DL) packets with the QoS flows 202. The 5GC provides a QoS profile to the NG-RAN 120 via an N2 interface, and provides QoS rules to the UE 110 via an N1 interface. At the access stratum (AS) level mapping rules in the UE and in the NG-RAN are associated with UL and DL QoS Flows with DRBs 204. The DRB 204 (e.g., DRB 204a, 204b, referred to generally as DRB 204) is the finest treatment granularity in the AS layer. Support for configured DRBs can be both explicitly via RRC configuration signaling and implicitly by the SDAP layer. An unknown QoS flow can be mapped to a default DRB 204. A ratio of one to one or many (M) to one (e.g., M: 1) mapping can be enabled for both levels of mapping, where M can be an integer greater than zero and up to 32, for example. A many-to-one mapping can be enabled when a number of QoS flows 202 are larger than a number of DRBs 204 (e.g., up to 32) .

[0040] In an aspect, the NW can configure the mapping to one or more logical channels (LCHs) associated with an AIRB to one or more scheduling request (SR) resources. The SR can be a physical layer message for the UE 110 to request the NW or base station 120 to provide an UL grant so that the UE 110 can transmit a physical uplink shared channel (PUSCH) .

[0041] In an aspect, a specific dedicated SR (e.g., an AI / ML SR) , similar to a secondary cell (SCell) -beam failure recovery) , for example, but can be mapped to one or more AIRBs. The UE 110 can provide the dedicated SR associated with one or more AIRBs for a grant of resources to provide UL data based on the associated AIBR (s) .

[0042] Additionally, or alternatively, the UE 110 can also rely on the NW or base station 120 to provide configuration for mapping a one or more LCHs to a logical channel group (LCG) based on the network configuration of a buffer status report (BSR) . The UE 110 can then provide the BSR based on the network configuration mapping the LCH to the LCG and provide the serving base station 120 with information about the UL data volume such as in a medium access control (MAC) entity, for example.

[0043] In an aspect, the UE 110 can further multiplex data from a data radio bearer (DRB) and the AIRB in a same MAC PDU. A radio link control (RLC) bearer associated with the AIRB can be configured with a logical channel priority (LCP) . Alternatively, or additionally, the AIRB can comprise an LCP that is higher or lower priority than the DRB, an SRB or both, based on an indication provided in a configuration per MAC entity. For example, in a single configuration per MAC entity the higher or lower priority can be indicated, indicating whether the AIRB (s) are prioritized / de-prioritized relative to other types of RBs.

[0044] FIG. 3 illustrates an example QoS framework 300 for QoS flows that can accommodate various applications in a protocol as defined by a QoS flow identifier (QoS ID) or 5G QoS ID (5QI) . The QoS flow defines the specific packet forwarding treatment (e.g., scheduling, admission control, etc. ) for a UE 110 in a PDU session as a logical connection between the UE 110 and the NW. The UE 110 first maps different packets based on the QoS rules from the core network (CN) or UPF 132, classifying and marking them into different QoS flows. Secondly, the QoS flow is mapped to different DRBs according to a base station indication or an SDAP indication. This can be referred to as two levels of mapping or a two-level mapping for a radio bearer establishment.

[0045] UP traffic with the same QFI receive the same forwarding treatment. At the NAS, packet filters in UE and 5GC map UL and DL packets respectively to QoS flows. At the AS, rules in UE 110 and Access Network (AN) map QoS flows to Data Radio Bearers (DRBs) . Every QoS flow can have a QoS profile that includes QoS parameters and QoS characteristics.

[0046] In particular, FIG. 3 illustrates multiple PDU sessions, each of which can be generating packets of different QoS requirements in a standalone SDAP layer of a protocol stack, for example. For example, packets from the Internet may be due to a user browsing a website, streaming a video or downloading a large file from an FTP server. Delay and jitter are important for video, but less important for an FTP download, which can have thus be given different QoS flows. Between the UE 110 and the DN, PDU sessions and Service Data Flows (SDFs) are set up. Each application can gets its own SDF. In the example of FIG. 3, examples such as the Internet, a movie streaming platform, and an IP multimedia system (IMS) can be PDU sessions. The Internet PDU session can have four SDFs and the IMS PDU session has two SDFs.

[0047] Multiple IP flows can be mapped to the same QoS flow. QoS flow 2 is an example that carries both an Application (AP) video and a conference stream video (e.g., WhatsApp video and Skype video) . On the radio interface between the base station or RAN 120 and the UE 110, QoS flows can be mapped to data radio bearers (DRBs) that are configured to deliver that QoS. Multiple QoS flows can be mapped to a single DRB. DRB2 is an example and it carries QoS flows 2 and 3.

[0048] The QFI or 5QI can be associated to QoS characteristics giving guidelines for setting node specific parameters for each QoS flow. Standardize or pre-configured 5G QoS characteristics can be derived from the 5QI value and are not necessarily explicitly signaled. Signaled QoS characteristics can be include as part of the QoS profile. For example, QoS characteristics can include a priority level, a packet delay budget (including a CN packet delay budget) , a packet error rate, an averaging window, or a maximum data burst volume, for example.

[0049] FIG. 4 illustrates an example of control plane (CP) transmission based on an SRB for UL segmentation transmission 400. If the volume of the NR RRC UE capability to be sent by the UE 110 is larger than a maximum supported size of a PDCP service data unit (SDU) , then the UE capability information can be transported in an NR RRC using a chain of UL dedicated message segment (ULDedicatedMessageSegment) messages 402. Each of the messages 402 can have a dedicated segment number and the last one can have an rrc-MessageSegmentType = “lastSegment” , which triggers reassembly of the original UE capability information in the receiving entity for example.

[0050] The SRB for common control channel (CCCH) transmission can be designated as SRB0, while the SRBs 1, 2, 4, or 4 can be designated for a dedicated control channel (DCCH) transmission so that particular SRBs are indicated for particular types of channel transmissions. In the current example, a UL segment transmission can be supported for the SRB1 and SRB4 transmission. UE capability reporting can be transmitted via SRB1 and quality of experience (QoE) reporting via SRB4 to support the UL segmentation transmission 400. A segmentation mode can be explicitly configured by the NW 120, 132, or CN based on the UE and NW capability. If RRC-segmentation is enabled, and the encoded RRC message is larger than a maximum size of the PDCP SDU (e.g., 9Kbyte) , the UE 110 can initiate the UL message segment transfer 400 procedure, providing the UL dedicated message segment message (s) 402. If the m

[0051] As discussed above, solutions regarding AI / ML dataset and model transfer between the UE 110 and a base station (e.g., gNB) do not satisfy the large payloads involved in AI / ML dataset / model transfer. Such solutions, include transfer over the control plane (CP) , but RRC signaling does not handle the large payloads (e.g., 144KB in uplink (UL) and 45 KB in downlink (DL) . Additionally, utilizing the UP as a solution has concerns because the existing UP protocol stack is between the UE 110 and the UPF 132, rather than having final termination or end-points between the UE 110 and the base station or gNB 120. Further solutions for delivery, include utilizing a 3GPP transparent solution, but this can mean that the MNO does not have controllability and visibility of the AI / ML dataset / model being transferred. Therefore, there is a demand for an alternative solution to account the AI / ML large payload.

[0052] FIG. 5 illustrates an example protocol stack 500 with an AI / ML protocol layer 502 residing above SDAP protocol layer 505 or the PDCP layer. In this aspect, a communication protocol stack 500 structure is illustrated across the UE 110, RAN 120, and CN, in which end-to-end termination points reside between the UE 110 and the base station or RAN 120. Although the AI / ML protocol layer 502 terminates at the RAN node or RAN 120 and the AI / ML dataset / model could be handled or managed at the operations, administration, and maintenance (OAM) , RAN 120 can operate to transparently forward packets to the CN 130; this means that the RAN 120 can operate to generate an AI / ML dataset / model in PDUs for transmission. As discussed in further detail infra, the AI / ML dataset / model PUDs can therefore be segmented for transmission according to various aspects.

[0053] In an aspect, the UE 110 can operate to provide routing information (e.g., an address of a final routing point) to the RAN 120. The routing information indicates a final routed point for the RAN 120 to forward packets to such as an AI / ML service data unit (SDU) . The final routed point can include a network analytics data function (NWDAF) , a location management function (LMF) , a mobile network operation (MNO) , an operations, administration, and maintenance (OAM) , a user plane function (UPF) , an over-the-top (OTT) server, a UE-side server, or a core network (CN) . The routing information can be transmitted, for example, in, or via, an uplink (UL) RRC message, a packet data convergence protocol (PDCP) control PDU, or address information in a corresponding PDU header of an AI / ML PDU. Packets can be forwarded by the RAN 120 via one or more interfaces, including an L1 / L2 / UDP / GTP-U / AIML interface or directly communicated via L1, L2, or IP interfacing, for example. In this manner, the RAN 120 can operate as a termination point for the AI / ML protocol layer 502 and communicate packets with the CN 130 and the UE 110 through the AI / ML protocol layer 502 based on their intended end target entity for reception.

[0054] In an aspect, the AI / ML protocol layer 502 can generate transmissions including an AI / ML PDU, an AI / ML model PDU, or both, based on an AI / ML radio bearer (RB) , or a radio bearer that is associated with the AI / ML protocol layer 502. Additionally, the AI / ML protocol layer 502 can operate to segment data into packet data segments for transfer based on memory or buffer capability, for example.

[0055] In an aspect, the AI / ML protocol layer 502 can operate in the user plane or UP with the protocol stack 500 being user plane protocol stack. However, the AIRB of the AI / ML layer 502 is not associated with the PDU session because the legacy PDU session does not terminate at the RAN 120, but rather at the UPF 132 of the CN 130.

[0056] In an aspect, the protocol stack 500 for an AIRB may or may not include the SDAP protocol layer 504 for AIRB management. Thus, the SDAP is illustrated in dashed line. In an aspect, where the protocol stack 500 includes the SDAP protocol layer 504 below the AI / ML layer 502, an AIRB establishment procedure can involve a two-level mapping, where the UE 110 first maps an AI / ML dataset or an AI / ML model to an AI / ML QoS flow based on AI / ML QoS rules received from an N1 message from the CN 130, and second maps the AI / ML QoS flow received from the RAN 120 to the AIRB based on an RRC configuration or an indication of the SDAP 504, for example.

[0057] In an aspect, where the protocol stack 500 manages the AIRB without the SDAP protocol layer 504, the AIRB establishment procedure can involve a single level of mapping. The UE 110 can receive configuration information of the AIRB (e.g., an AIRB configuration or configuration information) that comprises at least one of: AI / ML QoS flow mapping information, an AIRB identity, or a PDCP configuration, without the SDAP configuration information. The UE 110 can map one or more of: an AI / ML dataset or an AI / ML model to the AIRB based on an RRC configuration received from the NW or RAN 120 without mapping an associated QoS flow, as an SDAP layer of the protocol stack of the AIRB is absent.

[0058] The PHY layer 512 can transmit or receive information used by the MAC layer 510 over one or more air interfaces. The PHY layer 512 can further perform link adaptation or adaptive modulation and coding (AMC) , power control, cell search (e.g., for initial synchronization and handover purposes) , and other measurements used by higher layers in the protocol stack 500. The PHY layer 512 can still further perform error detection on the transport channels, forward error correction (FEC) coding / decoding of the transport channels, modulation / demodulation of physical channels, interleaving, rate matching, mapping onto physical channels, and Multiple Input Multiple Output (MIMO) antenna processing, for example.

[0059] The MAC layer 510 can perform mapping between logical channels and transport channels, multiplexing of MAC SDUs from one or more logical channels onto transport blocks (TBs) to be delivered to PHY via transport channels, de-multiplexing MAC SDUs to one or more logical channels from TBs delivered from the PHY via transport channels, multiplexing MAC SDUs onto TBs, scheduling information reporting, error correction through hybrid automatic repeat request (HARQ) , and logical channel prioritization.

[0060] The RLC layer 508 can operate in a plurality of modes of operation, including: Transparent Mode (TM) , Unacknowledged Mode (UM) , and Acknowledged Mode (AM) . The RLC layer 508 can execute transfer of upper layer PDUs, error correction through automatic repeat request (ARQ) for AM data transfers, and concatenation, segmentation and reassembly of RLC SDUs for UM and AM data transfers. The RLC layer 508 can also execute re-segmentation of RLC data PDUs for AM data transfers, re-order RLC data PDUs for UM and AM data transfers, detect duplicate data for UM and AM data transfers, discard RLC SDUs for UM and AM data transfers, detect protocol errors for AM data transfers, and perform RLC re-establishment.

[0061] The PDCP layer 506 can execute header compression and decompression of IP data, maintain PDCP sequence numbers (SNs) , perform in-sequence delivery of upper layer PDUs at re-establishment of lower layers, eliminate duplicates of lower layer SDUs at re-establishment of lower layers for radio bearers mapped on RLC AM, cipher and decipher control plane data, perform integrity protection and integrity verification of control plane data, control timer-based discard of data, and perform security operations (e.g., ciphering, deciphering, integrity protection, integrity verification, etc. ) .

[0062] FIG. 6 illustrates an example signal flow of AIRB establishment procedure 600 for an AIRB of the AI / ML protocol layer 502. AIRB establishment procedure 600 comprises a two-level mapping procedure. The CN 130 configures an AI / ML QoS profile and provides the AI / ML QoS profile in an N2 message 602 to the base station or RAN 120. The N2 message can include an address of termination point along with the AI / ML QoS profile for the base station to generate the mapping configuration from the AI / ML QoS flow to the AIRB for the UE 110.

[0063] The AI / ML QoS profile can include one or more dedicated AI / ML QoS parameters for the AI / ML dataset and / or model transfer. For example, these parameters can include dedicated 5QI (s) for the AI / ML dataset (s)  / model (s) , as well as allocation and retention policies (ARPs) . The AI / ML QoS profile can define or include different or new AI / ML QoS characteristic values associated with the 5QIs, which may be used according to a use case scenario of the UE 110 or base station RAN 120. Alternatively, or additionally, existing 5QI can reuse existing / legacy 5Qis when applicable, such as by a split inference for the existing 5QI, for example. Dedicated AI / ML QoS parameters can further include one or more aggregate bit rates (ABRs) , which can be configured as a per session ABR, or a per UE ABR. For example, the ABRs can include a per session aggregate maximum bit rate (AMBR) , a per UE AMBR, or a per UE per slide-maximum bit rate. The AI / ML QoS parameters can be used by the gNB or base station 120 for generating the AI / ML QoS profile and mapping the AI / ML QoS flow to one or more AIRBs associated with an AI / ML dataset and / or AI / ML model. The gNB or base station 120 configures one or more AIRBs and a mapping from QoS flow to the AIRBs, where different AI / ML datasets and / or AI / ML models (AI / ML datasets / models) can be mapped to different AIRBs. Additionally, an AI / ML dataset can be mapped to one AIRB and an AI / ML model mapped to another AIRB, or different AIRBs can have different AI / ML datasets / models mapped to different AIRBs, respectively.

[0064] The CN 130 further provides AI / ML QoS rules to the UE 110 via an N1 message 604 (e.g., a single N1 message) . The UE 110 performs operations 606 that include using the AI / ML QoS rules from the CN 130 to map the AI / ML dataset / model to an AI / ML QoS flow according to the AI / ML QoS rules as a first level of mapping. Thus, the first level mapping of operations 606 by the UE 110 comprises mapping from the AI / ML dataset and AI / ML model to a specific AI / ML QoS flow, rather than from the UE's IP packets to a QoS flow.

[0065] An RRC (re) configuration procedure 608 is communication between the base station 120 and the UE 110. The base station 120 provides the AIRB configuration along mapping information associating the AI / ML QoS flow to one or more AIRBs. The UE 110 performs second level mapping operations 610 by mapping the AI / ML QoS flow in the RRC (re) configuration to the one or more AIRBs based on a received RRC configuration or an indication from the SDAP 504.

[0066] The UE 110 can then transmit transmission 612 with forwarding information to the base station 120, in which case the base station 120 forwards packets to the CN 130 at signaling 616 based on routing information for a final reception (termination) point such as an address of a termination point in the routing information. The routing information can also include UE assistance information (UAI) for use by the base station 120 in forwarding the packet data. Additionally, or alternatively, the UE 110 can communicate transmissions 614 with the base station 120 based on the AIRB in a bi-directional manner.

[0067] FIG. 7 illustrates an example of an AIRB configuration 700 for AIRB establishment as can be communicated by the base station 120 in RRC (re) configuration 608 of FIG. 6. The configuration 700 of an AIRB can include the QoS flow mapping information 702 pertaining to how the UE 110 is to map the QoS flow to one or more different AIRBs. The AIRB configuration 700 can further include an AIRB identity 704, along with PDCP related configuration.

[0068] In an aspect, the AIBR configuration 700 may not include PDU session information (e.g., a PDU session identifier (ID) , etc. ) because the AIRB is not necessarily associated with any PDU session. Thus, the AIRB configuration 700 does not include a whole SDAP configuration or is configured without specific SDAP configuration information. Alternatively, or additionally, the AIRB can be associated with an AI / ML specific PDU session, for example.

[0069] In an aspect, the address or the final routed (termination) point 616 of FIG. 6 can be indicated by the UE 110 or the CN 130. If the CN 130 indicates this termination point for forwarding packet data (e.g., to the NWDAF for AI / ML model training, OAM, an UE over-the-top (OTT) server, or other entity) , the CN 130 can provide the forwarding / routing information to the base station 120 in the NW message 602 (e.g., "address of termination point" ) together with the AI / ML QoS profile information. Alternatively, or additionally, the base station 120 could know the target entity for forwarding based on a previous procedure information from the CN 130, by pre-configuration or as pre-defined.

[0070] Alternatively, or additionally, if the UE 110 indicates the termination point for forwarding packet data (e.g., to a UE-side server or otherwise) , the UE 110 can provide the routing information 612 (e.g., "address of termination point" ) for a final routed point in an UL RRC message or a PDCP control PDU, for example. The UL RRC message can include an UAI, or a new RRC message, indicating routing information or address. Alternatively, the UE 110 can provide the routing information based on address information included in a PDU header of an AI / ML PDU (e.g., an IP address) .

[0071] In an aspect, the UE 110 can be configured with the server address as the "address of termination point" by the CN 130 via NAS signaling. This can be provided to the UE 110, for example, as a part of a registration procedure, or a configuration update procedure, or be predefined without any further signaling.

[0072] Based on the routing information from the UE 110 or the CN 130, the base station 120 forwards AI / ML SDU (s) t the final routed point (e.g., UPF / NWDAF / LMF / OAM / UE-side server, etc. ) .

[0073] FIG. 8 illustrates another example signal flow of AIRB establishment procedure 800 for an AIRB of the AI / ML protocol layer 502. AIRB establishment procedure 800 comprises a single level mapping procedure. Unlike the AIRB establishment 600 of FIG. 6, AIRB establishment procedure 800 is not a user plane or UP solution because the protocol stack 500 is without the SDAP 504.

[0074] The CN 130 configures an AI / ML QoS profile and provides the AI / ML QoS profile in an N2 message 802 to the base station or RAN 120. The N2 message can include an address of termination point, along with the AI / ML QoS profile for the base station 120 to generate the mapping configuration to the AIRB for the UE 110. The base station 120 provides RRC (re) configuration 804 to the UE 110, which can include an AIRB configuration information, and mapping information for mapping one or more AI / ML dataset (s)  / model (s) to one or more AIRBs, respectively.

[0075] The UE 110 performs operations 806 by mapping one or more AI / ML AI / ML dataset (s)  / model (s) to one or more AIRBs based on the RRC (re) configuration 804, the AIRB configuration, and mapping information provided.

[0076] Signaling or communications 812 thru 816 can be the same as the signaling 612 thru 616 of FIG. 6, respectively, as well as associated details or aspects. The UE 110 can provide routing information 812 (e.g., "address of termination point" ) such as with a UAI, communicate transmissions 814 based on the AIRB, and the base station 120 can forward data 816 based on the routing information indication of the final termination point or address.

[0077] FIG. 9 illustrates another example of an AIRB configuration 900 for AIRB establishment procedure 800 as can be communicated by the base station 120 in RRC (re) configuration 806 of FIG. 8. The AIRB configuration 900 provides information where a standardized AI / ML dataset formation or model format can be indicated for the UE 110 to identify. A new AI / ML entity can be identified based on the AIRB identity (AIRB-ID) . The SDAP layer 504 can be absent the protocol stack 500 with the AIML layer 502 and there is no associated QoS flow being mapped as in establishment procedure 600. The UE 110 thus is enabled to perform a single level mapping between an AI / ML dataset and / or model to an AIRB based on the mapping information provided by the base station from the QoS profile.

[0078] In an aspect, the AIRB mapping configuration for mapping the AI / ML dataset  / model to an AIRB can be predefined (e.g., similar to SRB1, SRB2, SRB4) . For example, one AIRB-ID value (e.g., "1" ) can be defined for an AI / ML dataset and another (e.g., "2" ) for an AI / RB model, as well as different values for different datasets and models. Alternatively, or additionally, the mapping configuration can be RRC configured such as from a 3GPP defined AI / ML dataset / model type to one or more AIRBs for flexibility.

[0079] In an aspect, alternatively, or additionally, a special DRB can be configured via signaling in an AIRB establishment procedure that is reserved for an AI / ML dataset and / or an AI / ML model. This DRB can be configured as dedicated to AI / ML based on a special DRB identification (ID) . Here, the DRB can be associated with a PDU session of non-IP data with a packet data network (PDN) type set to non-IP. For example, the type can be a PDU session of type "Ethernet" , "Unstructured" , or "AIML" . Thus, the AIRB can comprise a data ratio bearer that is associated with one or more AI / ML dataset (s) and / or AI / ML model (s) based on the DRB ID, which can be reserved for AI / ML traffic.

[0080] FIG. 10 illustrates an example signal flow 1000 for an AIRB modification or release. An AIRB establishment 1002 is signaled between at least the UE 110 and base station 120 so that the UE 110 has an established AIRB for transmission with the base station 120 based on the AIRB or associated AI / ML dataset / model. The UE 110 can then optionally transmit a UE request 1004 or 1006 to request for a modification of the existing established AIRB or release from it with either a different AIRB or not. UE request 1004 can be provided by the UE 110 to the base station 120 via UAI. Alternatively, the UE 110 can provide a NAS message to the CN 130 requesting a modification or a release of the AIRB already established. Here, when the modification and / or release of the AIRB is UE triggered based on UE request 1004 or 1006, the UE request 1004 or 1006 signaling can further include, for example, one or more AIRB identifiers (IDs) of AIRBs to be modified or released, a reason for modification / release (e.g., a low batter to continue transferring data packets) , or a suggest new AIRB configuration.

[0081] Alternatively, the modification and / or release of the AIRB can be performed without any UE request 1004 or 1006, but be initiated by the network as a network triggered or initiated modification / release. If the modification and / or release of the AIRB, is NW triggered, the CN 130 can configure updated information, which can include routing information or address information for the "address of termination point" , for example.

[0082] The base station 120 or gNB can then reconfigure the AIRB from an N2 message 1008 from the CN 130, including an AI / ML QoS profile and / or an address of termination point. The base station 120 can then provide the AIRB configuration and mapping information to map AI / ML dataset (s)  / model (s) to AIRB (s) via RRC (re) configuration signaling 1010 to the UE 110. The UE 110 can perform update operations 1012 by updating AI / ML dataset (s)  / model (s) to AIRB (s) based on the RRC (re) configuration. Alternatively, or additionally, if a release is being performed the base station120 can provide that the AIRB is being release in the RRC (re) configuration 1014 with the AIRB ID of the AIRB to be released, and the UE 110 releases 1016 the indicated AIRB (s) identified from the RRC (re) configuration 1014.

[0083] In an aspect, in response to receiving a notification to stop AI / ML dataset collection or AI / ML model transfer, to release the AIRB, or to modify the AIRB, the UE 110 or the base station 120, can discard at least one of: one or more AI / ML datasets in a buffer or queue, or one or more AI / ML models in the buffer or queue, or discard the at least one of: the one or more AI / ML datasets, or the one or more AI / ML models based on a timer expiry. If the UE 110, or base station 120, continues to keep the AI / ML dataset (s)  / model (s) for a time until a timer expires, after expiry of the timer the AI / ML dataset (s)  / model (s) can be discarded if a delivery of data or an indication to resume the AI / ML dataset (s)  / model (s) is not received by the timer expiry. Here, after modification the NW may perform a recovery of the AIRB so the UE 110 or base station 120 can keep the AI / ML dataset (s)  / model (s) for time period.

[0084] FIGs. 11 and 12 illustrates examples of segmentation 1100 and 1200 performed at the PDCP layer 506 and / or the AI / ML layer 502, respectively. Alternatively, or additionally, segmentation of packets can be performed in an IP layer, which could be a higher layer than the AI / ML layer 502 of protocol stack 500, for example. Alternatively, the AIML layer 502 can split the packet payload into IP packets.

[0085] FIG. 11 illustrates an example of segmentation 1100 performed at the PDCP layer 506. An PDCP PDU format 1110 on the transmit side of the protocol stack is illustrated; this can be, for example, when the UE 110 or base station 120 protocol stack is transmitting data to the PHY layer from the AIML layer 502 intended to for another entity's AIML layer.

[0086] In an aspect, the PDCP layer 506 can perform segmentation at the transmit (Tx) side from the AI / ML layer or the AI / ML dataset (s)  / model (s) into multiple PDCP SDUs, which can be less than 9 Kbytes (e.g., data segment 1116) and provides in the header 1112 an information tag or end-marker (E) 1114 as either one or zero, for example. A value (e.g., "1" or one) can be provided in a last PDCP SDU, while a zero value (e.g., "0" or zero) can be provided in any previous PDCP SDUs that are not a last or final PDCP SDU from the segmentation of packets from the AI / ML layer 502. In this illustrated example, E = "1" indicates the last PDCP SDU from the segmentation operation, but alternatively, zero or another value could indicate the last PDCP SDU as an end-marker, for example. Each PDCP SDU segmented from the AI / ML packets of the AI / ML layer 502 can further include a message authentication code integrity (MAC-I) and a PDCP sequence number (SN) 1118.

[0087] At the receive (Rx) side 1120, the PDCP layer 506 can receive, buffer and store the PDCP SDUs in a PDCP reception buffer 1122, each PDCP SDU differentiated according to the SN 1118 (e.g., SN#1, SN#2, SN#3) . Depending on whether an end-marker or tag 1114 in each PDCP SDU is zero or one (E = 0 or 1) , the PDCP layer 506 continues to receive and store PDCP SDUs. However, if the end-marker is one (E = 1) , then the segmentation is terminated and the UE 110 can re-order and reassemble the AI / ML PDU from the first PDCP SDU to the last PDCP SDU tagged with the end-marker E (E = 1) . Re-order can be similar to RRC segmentation, for example. The UE 110 then delivers the reassembled AI / ML SDUs to the AI / ML layer 502, and deletes any associated PDUs.

[0088] In an aspect, the UE 110 can re-use a PDCP status report to initiate or trigger a transmit retransmission of any missed PDUs or PDCP PDUs. For example, where SN#2 is marked with an X as not having been received. The UE 110 can provide a PDCP status report of any PDCP PDU (s) not received in order to initiate a retransmission of the missed PDCP PDU (s) from which PDCP SDUs are stored.

[0089] FIG. 12 illustrates an example of segmentation performed at the AI / ML layer 502 for alternative formats 1210 and 1220 of an AI / ML PDU. AI / ML PDU format 1210 includes an AI data type field 1212 in a AI / ML PDU header encapsulation and a payload container 1214 that includes the segmentation information (e.g., segment ID) and the AI / ML model / dataset packet information. Alternatively, the AI / ML PDU format 1220 encapsulates the segmentation information 1216 in the AI / ML PDU header field encapsulation configured with the AI data type 1212. The payload container 1218 thus only contains the AI / ML model / dataset. The difference between the AI / ML PDU formats 1210 and 1220 is where the segmentation information (e.g., segment ID (s) ) is located, either with the payload size of the payload container 1214 or in the AI / ML PDU header encapsulation.

[0090] At the transmit side, the segmentation information 1214 or 1216 can include the end-marker and / or the segmentation number for the current segmentation to the PDCP layer 506. The AI / ML layer 502 segments (i.e., the AI / ML model / dataset) into multiple AI / ML PDUs (e.g., less than 9 Kbytes) and delivers the segments and segmentation information (including end-marker and / or segment number) to the PDCP layer 506.

[0091] At the Rx side, if AI / ML PDU format 1210 is configured where the segmentation information is already in the payload container, the UE 110 first decodes the AI / ML PDU to get the segmentation information. Then re-ordering of the segments can be performed at the PDCP layer 506 with reassembling performed in the AI / ML Layer 502. Alternatively, or additionally, if AI / ML PDU format 1220 is configured where the segmentation information 1216 is part of a header field, both re-order and reassembling of the segments can be performed in the AI / ML layer 502. The UE 110 can then delivers the reassembled message to a higher layer, deleting any associated PDUs.

[0092] In an aspect, as discussed above, alternatively, or additionally, segmentation of packets can be performed in an IP layer (not shown) , which could be a higher layer than the AI / ML layer 502 of protocol stack 500, for example. Alternatively, the AIML layer 502 can split the packet payload into IP packets.

[0093] FIG. 13 illustrates an example signaling flow 1300 for recovery and re-establishment of segments for segmentation of packets for the AI / ML layer 502 based on the PDCP layer 506 or the AI / ML layer 502 as illustrated in FIGs. 11 and 12, respectively. The signaling flow 1300 supports a lossless deliver, as well as during handover operation for the recovery and re-establishment of data packets with the AI / ML layer 502 by a PDCP status report 1310. The PDCP layer 506 can be relied upon for in-order and lossless delivery based on the PDCP status report 1310, which can be re-used for the transmit side to identify missed segments when segmentation of the AI / ML datasets / models is performed by either the PDCP layer 506 or AI / ML layer 502.

[0094] The transmit side 1302 of a protocol stack 500 can provide an AI / ML dataset  / model message 1306 in segments (e.g., Seg #1, Seg #2, Seg #3, Seg #4) to the receive side 1304 of the protocol stack 500, from one network entity (e.g., the UE 110 or other device / component) to another (e.g., the base station 120 or other device / component) . For example, PDCP PDUs (e.g., PDU #10, #11, #12) with the segments (e.g., Seg #1, Seg #2, Seg #3) can be received as shown with checkmarks at the message 1308, but Seg #4 not being received as shown with shading. The PDCP status report 1310 can be provided from the receive side 1304 to the transmit side 1302, indicating that the PDU with the missing segment (Seg #4) was not received in order to trigger or receive a retransmission for this PDU with the missing segment.

[0095] In an aspect, when the AI / ML layer 502 performs segmentation of the packets, an AI / ML status report indicating which segments are missed could be sent by the receive side 1304 to the transmit side 1302 of the protocol stack. The AI / ML status report can then initiate the transmit side 1302 to re-transmit the segment (e.g., Seg #4) , for example.

[0096] FIG. 14 illustrates an example of a configuration 1400 for scheduling requests (SRs) and buffer status reports (BSRs) . For example, a medium access control (MAC) cell group configuration can include a scheduling request ID for an AIRB (e.g., a schedlingRequestID-AIRB-r19 parameter) . The configuration parameters of the SR or BSR can be identified with the AIRB ID in this manner.

[0097] For example, the UE 110 can provide / transmit an SR based on a network configuration (e.g., configuration 1400) , or provide an SR ID associated with a dedicated SR of the AIRB, in order to map a logical channel (LCH) associated with the AIRB to one or more SR resources. The UE 110 can also provide a BSR based on the network configuration (e.g., configuration 1400) to map the LCH to a logical channel group (LCG) .

[0098] In an aspect, the UE 110 can operate to multiplex data from a DRB and the AIRB in a same medium access control (MAC) PDU. A radio link control (RLC) bearer can be associated with the AIRB with a logical channel priority (LCP) , which can enable this multiplexing.

[0099] In an aspect, an LCH priority can be specified, indicating the AIRB is a higher or lower priority than another radio bearer (e.g., SRB / DRB) . As such, the AIRB comprises an LCP that is higher or lower than a DRB, a signaling radio bearer (SRB) , or both, based on an indication in a configuration per MAC entity, or MAC configuration. In this case, the AIRB can be always prioritized or deprioritized depending on whether the LCP is specified as the higher or lower than SRB / DRB, for example.

[0100] FIG. 15 illustrates an example process flow 1500 for operations of an AI / ML layer of a protocol stack. The process flow 1500 initiates at 1510 with generating, via one or more processors, a transmission comprising at least one of: an AI / ML dataset PDU, or an AI / ML model PDU, based on an AIRB. At 1520, the process flow 1500 comprises transmitting, via the one or more processors, the transmission comprising the at least one of: the AI / ML dataset PDU or the AI / ML model PDU based on the AIRB.

[0101] In an aspect, the process flow 1500 can include performing a radio bearer (RB) establishment of the AIRB by mapping an AI / ML dataset or an AI / ML model to an AI / ML QoS flow based on AI / ML QoS rules received from an N1 message and mapping the AI / ML QoS flow to the AIRB based on a RRC configuration or an indication of a service data adaption protocol (SDAP) .

[0102] Alternatively, or additionally, the process flow 1500 can include mapping one or more of: an AI / ML dataset or an AI / ML model to the AIRB based on a RRC configuration without mapping an associated QoS flow, wherein an SDAP layer of a protocol stack is absent.

[0103] FIG. 16 illustrates an example process flow 1600 for operations of an AI / ML layer of a protocol stack. The process flow 1600 initiates at 1610 with receiving an AI / ML QoS profile. At 1620, the process flow 1600 includes generating an AI / ML radio bearer configuration that maps a QoS flow to one or more AIRBs based on the AI / ML QoS profile. The one or more AIRBs can be configured to at least one of: one or more different AI / ML datasets or one or more different AI / ML models, respectively. At 1630, the process flow 1600 includes transmitting the AI radio bearer configuration for an AIRB establishment procedure.

[0104] In an aspect, forward an AI / ML service data unit (SDU) can be forwarded to a network device, entity or component, based on a preconfigured final routed point, or based on routing information indicating a final routing point received from a UE or a core network component, the final routing point comprising an NWDAF, an LMF, an MNO, an OAM, an UPF, an OTT server, a UE-side server, or the core network component, wherein the routing information is received via an UL RRC message, a PDCP control PDU, or address information in a PDU header of an AI / ML PDU. The base station can comprise an end-to-end termination point with a UE in the AI / ML protocol layer of a protocol stack.

[0105] FIG. 17 is an example network 1700 according to one or more implementations described herein. Example network 1700 can include UEs 110-1, 110-2, etc. (referred to collectively as “UEs 110” and individually as “UE 110” ) , a radio access network (RAN) or BS 120, a core network (CN) 130, application servers 1740, and external networks 1750.

[0106] UEs 110 can communicate and establish a connection with (be communicatively coupled to) RAN 120, which can involve one or more wireless channels 1714-1 and 1714-2, each of which can comprise a physical communications interface / layer. In some implementations, a UE can be configured with dual connectivity (DC) as a multi-radio access technology (multi-RAT) or multi-radio dual connectivity (MR-DC) , where a multiple receive and transmit (Rx / Tx) capable UE can use resources provided by different network nodes or base stations 120 (e.g., 120-1 and 120-2) that can be connected via non-ideal backhaul (e.g., where one network node provides NR access and the other network node provides either E-UTRA for LTE or NR access for 5G) . In such a scenario, one network node can operate as a master node (MN) and the other as the secondary node (SN) . The MN and SN can be connected via a network interface, and at least the MN can be connected to the CN 130. Additionally, at least one of the MN or the SN can be operated with shared spectrum channel access, and functions specified for UE 110 can be used for an integrated access and backhaul mobile termination (IAB-MT) . Similar for UE 110, the IAB-MT can access the network using either one network node or using two different nodes with enhanced dual connectivity (EN-DC) architectures, new radio dual connectivity (NR-DC) architectures, or other direct connectivity such as an SL communication channel as an SL interface 1712.

[0107] In some implementations, a base station (as described herein) can be an example of network node 120. As shown, UE 110 can additionally, or alternatively, connect to access point (AP) 1716 via connection interface 1718, which can include an air interface enabling UE 110 to communicatively couple with AP 1716. AP 1716 can comprise a wireless local area network (WLAN) , WLAN node, WLAN termination point, etc. The connection 1717 can comprise a local wireless connection, such as a connection consistent with any IEEE 702.17 protocol, and AP 1716 can comprise a wireless fidelity  router or other AP. AP 1716 could be also connected to another network (e.g., the Internet) without connecting to RAN 120 or CN 130.

[0108] RAN 120 can also include one or more RAN nodes 120-1 and 120-2 (referred to collectively as RAN nodes 120, and individually as RAN node 120) that enable channels 1714-1 and 1714-2 to be established between UEs 110 and RAN 120. RAN nodes 120 can include network access points configured to provide radio baseband functions for data or voice connectivity between users and the network based on one or more of the communication technologies described herein (e.g., 2G, 3G, 4G, 5G, WiFi, etc. ) . As examples therefore, a RAN node can be an E-UTRAN Node B (e.g., an enhanced Node B, eNodeB, eNB, 4G base station, etc. ) , a next generation base station (e.g., a 6G base station, 5G base station, NR base station, next generation eNBs (gNB) , etc. ) . RAN nodes 120 can include a roadside unit (RSU) , a transmission reception point (TRxP or TRP) , and one or more other types of ground stations (e.g., terrestrial access points) . In some scenarios, RAN node 120 can be a dedicated physical device, such as a macrocell base station, or a low power (LP) base station for providing femtocells, picocells or other like having smaller coverage areas, smaller user capacity, or higher bandwidth compared to macrocells.

[0109] Some or all of RAN nodes 120 can be implemented as one or more software entities running on server computers as part of a virtual network, which can be referred to as a centralized RAN (CRAN) or a virtual baseband unit pool (vBBUP) . In these implementations, the CRAN or vBBUP can implement a RAN function split, such as a packet data convergence protocol (PDCP) split wherein radio resource control (RRC) and PDCP layers can be operated by the CRAN / vBBUP and other Layer 2 (L2) protocol entities can be operated by individual RAN nodes 120; a media access control (MAC)  / physical (PHY) layer split wherein RRC, PDCP, radio link control (RLC) , and MAC layers can be operated by the CRAN / vBBUP and the PHY layer can be operated by individual RAN nodes 120; or a “lower PHY” split wherein RRC, PDCP, RLC, MAC layers and upper portions of the PHY layer can be operated by the CRAN / vBBUP and lower portions of the PHY layer can be operated by individual RAN nodes 120. This virtualized framework can allow freed-up processor cores of RAN nodes 120 to perform or execute other virtualized applications, for example.

[0110] In some implementations, an individual RAN node 120 can represent individual gNB-distributed units (DUs) connected to a gNB-control unit (CU) via individual F1 interfaces. In such implementations, the gNB-DUs can include one or more remote radio heads or radio frequency (RF) front end modules (RFEMs) , and the gNB-CU can be operated by a server (not shown) located in RAN 120 or by a server pool (e.g., a group of servers configured to share resources) in a similar manner as the CRAN / vBBUP. Additionally, or alternatively, one or more of RAN nodes 120 can be next generation eNBs (i.e., gNBs) that can provide evolved universal terrestrial radio access (E-UTRA) user plane and control plane protocol terminations toward UEs 110, and that can be connected to a 5G core network (5GC) 130 (or 6G core network) via a Next Generation (NG) interface 1724.

[0111] Any of the RAN nodes 120 can terminate an air interface protocol and can be the first point of contact for UEs 110. In some implementations, any of the RAN nodes 120 can fulfill various logical functions for the RAN 120 including, but not limited to, radio network controller (RNC) functions such as radio bearer management, uplink and downlink dynamic radio resource management and data packet scheduling, and mobility management. UEs 110 can be configured to communicate using orthogonal frequency-division multiplexing (OFDM) communication signals with each other or with any of the RAN nodes 120 over a multicarrier communication channel in accordance with various communication techniques, such as, but not limited to, an OFDMA communication technique (e.g., for downlink communications) or a single carrier frequency-division multiple access (SC-FDMA) communication technique (e.g., for uplink and ProSe or sidelink (SL) communications) , although the scope of such implementations cannot be limited in this regard. The OFDM signals can comprise a plurality of orthogonal subcarriers.

[0112] A physical downlink shared channel (PDSCH) can carry user data and higher layer signaling to UEs 110. The physical downlink control channel (PDCCH) can carry information about the transport format and resource allocations related to the PDSCH channel, among other things. The PDCCH can also inform UEs 110 about the transport format, resource allocation, and hybrid automatic repeat request (HARQ) information related to the uplink shared channel. Typically, downlink scheduling (e.g., assigning control and shared channel resource blocks to UE 110-2 within a cell) can be performed at any of the RAN nodes 120 based on channel quality information fed back from any of UEs 110. The downlink resource assignment information can be sent on the PDCCH used for (e.g., assigned to) each of UEs 110.

[0113] The PDCCH uses control channel elements (CCEs) to convey the control information, wherein a number of CCEs (e.g., 6 or other number) can consists of a resource element groups (REGs) , where a REG is defined as a physical resource block (PRB) in an OFDM symbol. Before being mapped to resource elements, the PDCCH complex-valued symbols can first be organized into quadruplets, which can then be permuted using a sub-block interleaver for rate matching, for example. Each PDCCH can be transmitted using one or more of these CCEs, where each CCE can correspond to nine sets of four physical resource elements known as REGs. Four quadrature phase shift keying (QPSK) symbols can be mapped to each REG. The PDCCH can be transmitted using one or more CCEs, depending on the size of the DCI and the channel condition. There can be four or more different PDCCH formats with different numbers of CCEs (e.g., aggregation level, L=1, 2, 4, 8, or 16) .

[0114] The RAN nodes 120 may be configured to communicate with one another via interface 1723. In implementations where the system is an LTE system, interface 1723 may be an X2 interface. In LTE networks, X2 and S1 interface are defined as the interfaces between RAN nodes and between RAN and Core Network. 5G may operate in two modes as non-standalone and standalone mode. For non-standalone operation the specification defines the extension for S1 and X2 interfaces as for standalone operation as X2 / Xn for the interface between RAN nodes 120 and S1 / NG for the interface 1724 between RAN 120 and CN 130. The interface 1724 may be defined between two or more RAN nodes 120 (e.g., two or more eNBs / gNBs or a combination thereof) that connect to evolved packet core (EPC) , the CN 130, or between eNBs connecting to an EPC. In some implementations, the X2 / Xn interface may include an X2 / Xn user plane interface (X2-U / Xn-U) and an X2 control plane interface (X2-C / Xn-C) . The X2-U / Xn-U may provide flow control mechanisms for user data packets transferred over the X2 / Xn interface and may be used to communicate information about the delivery of user data between eNBs or gNBs. For example, the X2-U / Xn-U may provide specific sequence number information for user data transferred from a master eNB (MeNB) to a secondary eNB (SeNB) ; information about successful in sequence delivery of PDCP packet data units (PDUs) to a UE 110 from an SeNB for user data; information of PDCP PDUs that were not delivered to a UE 110; information about a current minimum desired buffer size at the SeNB for transmitting to the UE user data; and the like. The X2-C / Xn-C may provide intra-LTE access mobility functionality (e.g., including context transfers from source to target eNBs, user plane transport control, etc. ) , load management functionality, and inter-cell interference coordination functionality.

[0115] Alternatively, or additionally, RAN 120 can be also connected (e.g., communicatively coupled) to CN 130 via a Next Generation (NG) interface as interface 1724. The NG interface 1724 can be split into two parts, a Next Generation (NG) user plane (NG-U) interface 1726, which carries traffic data between the RAN nodes 120 and a User Plane Function (UPF) , and the S1 control plane (NG-C) interface 1728, which is a signaling interface between the RAN nodes 120 and Access and Mobility Management Functions (AMFs) .

[0116] CN 130 can comprise a plurality of network elements 1732, which are configured to offer various data and telecommunications services to customers / subscribers (e.g., users of UEs 110) who are connected to the CN 130 via the RAN 120. In some implementations, CN 130 can include an evolved packet core (EPC) , a 5G CN, and / or one or more additional or alternative types of CNs. The components of the CN 130 can be implemented in one physical node or separate physical nodes including components to read and execute instructions from a machine-readable or computer-readable medium (e.g., a non-transitory machine-readable storage medium) .

[0117] As shown, CN 130, application servers 1740, and external networks 1750 can be connected to one another via interfaces 1734, 1736, and 1738, which can include IP network interfaces. Application servers 1740 can include one or more server devices or network elements (e.g., virtual network functions (VNFs) offering applications that use IP bearer resources with CN 130 (e.g., universal mobile telecommunications system packet services (UMTS PS) domain, LTE PS data services, etc. ) . Application servers 1740 can also, or alternatively, be configured to support one or more communication services (e.g., voice over IP (VoIP sessions, push-to-talk (PTT) sessions, group communication sessions, social networking services, etc. ) for UEs 110 via the CN 130. Similarly, external networks 1750 can include one or more of a variety of networks, including the Internet, thereby providing the mobile communication network and UEs 110 of the network access to a variety of additional services, information, interconnectivity, and other network features.

[0118] In an aspect, the UE 110 (e.g., via a baseband processor of the UE 110) or processing circuitry (e.g., one or more processors with memory) of the base station 120 can operate to generate a transmission comprising at least one of: an AI / ML dataset PDU, or an AI / ML model PDU, based on an AIRB. The UE 110 can then transmit the transmission comprising the at least one of: the AI / ML dataset PDU or the AI / ML model PDU based on the AIRB. The UE 110 can map an AI / ML dataset or an AI / ML model to an AI / ML QoS flow based on AI / ML QoS rules received from an N1 message, and map the AI / ML QoS flow to the AIRB based on a radio resource control (RRC) configuration or an indication of a service data adaption protocol (SDAP) , as in a two level mapping AIRB establishment. Alternatively, or additionally, the UE 110 can map one or more of: an AI / ML dataset or an AI / ML model to the AIRB based on a RRC configuration without mapping an associated QoS flow, wherein an SDAP layer of a protocol stack is absent, as in a single level mapping operation.

[0119] One or more network components, devices or systems of network 1700 is configured to process, perform, generate, communicate or cause execution of any one or more combined aspects described in this disclosure or in association with any of the FIGs. 1 thru 16 herein.

[0120] Referring to FIG. 18, illustrated is a block diagram of a UE 110 (e.g., UE 110-1 or 110-2) or other network device / component 1800 (e.g., UE, gNB, eNB, or base station 120, or other participating network entity / component) . The device 1800 includes one or more processors 1810 (e.g., one or more baseband processors) comprising processing circuitry and associated interface (s) , transceiver circuitry 1820 (e.g., comprising RF circuitry, which can comprise transmitter circuitry (e.g., associated with one or more transmit chains) and / or receiver circuitry (e.g., associated with one or more receive chains) that can employ common circuit elements, distinct circuit elements, or a combination thereof) , and a memory 1830 (which can comprise any of a variety of storage mediums and can store instructions and / or data associated with one or more of processor (s) 1810 or transceiver circuitry 1820) .

[0121] Memory 1830 (as well as other memory components discussed herein, e.g., memory, data storage, or the like) can comprise one or more machine-readable medium  / media including instructions that, when performed by a machine or component herein cause the machine or other device to perform acts of a method, an apparatus or system for communication using multiple communication technologies according to aspects, embodiments and examples described herein. It is to be understood that aspects described herein can be implemented by hardware, software, firmware, or any combination thereof. When implemented in software, functions can be stored on or transmitted over as one or more instructions or code on a computer-readable medium (e.g., the memory described herein or other storage device) . Computer-readable media includes both computer storage media and communication media including any medium that facilitates transfer of a computer program from one place to another. A storage media or a computer readable storage device can be any available media that can be accessed by a general purpose or special purpose computer. By way of example, and not limitation, such computer-readable media can comprise RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or other tangible and / or non-transitory medium, that can be used to carry or store desired information or executable instructions. Any connection can be also termed a computer-readable medium.

[0122] Memory 1830 can include executable instructions, and be integrated in, or communicatively coupled to, processor or processing circuitry 1810. The executable instructions of the memory 1830 can cause processing circuitry 1810 to receive / process the instructions to receive / process / determine / generate resource mapping operations associated with the PDSCH around the SSB in OD-SSB mode.

[0123] The device 1800 is configured to process, perform, generate, communicate or cause execution of any one or more combined aspects described herein or in association with any of the FIGs. 1 thru 17.

[0124] While the methods described within this disclosure are illustrated in and described herein as a series of acts or events, it will be appreciated that the illustrated ordering of such acts or events are not to be interpreted in a limiting sense. For example, some acts can occur in different orders and / or concurrently with other acts or events apart from those illustrated and / or described herein. In addition, not all illustrated acts can be required to implement one or more aspects or embodiments of the description herein. Further, one or more of the acts depicted herein can be carried out in one or more separate acts and / or phases. Reference can be made to the figures described above for ease of description. However, the methods are not limited to any particular embodiment, aspect or example provided within this disclosure and can be applied to any of the systems / devices / components disclosed herein.

[0125] It is well understood that the use of personally identifiable information should follow privacy policies and practices that are generally recognized as meeting or exceeding industry or governmental requirements for maintaining the privacy of users. In particular, personally identifiable information data should be managed and handled so as to minimize risks of unintentional or unauthorized access or use, and the nature of authorized use should be clearly indicated to users.

[0126] The present disclosure is described with reference to attached drawing figures, wherein like reference numerals are used to refer to like elements throughout, and wherein the illustrated structures and devices are not necessarily drawn to scale. As utilized herein, terms “component, ” “system, ” “interface, ” and the like are intended to refer to a computer-related entity, hardware, software (e.g., in execution) , and / or firmware. For example, a component can be a processor (e.g., a microprocessor, a controller, or other processing device) , a process running on a processor, a controller, an object, an executable, a program, a storage device, a computer, a tablet PC and / or a user equipment (e.g., mobile phone, etc. ) with a processing device. By way of illustration, an application running on a server and the server can be also a component. One or more components can reside within a process, and a component can be localized on one computer and / or distributed between two or more computers. A set of elements or a set of other components can be described herein, in which the term “set” can be interpreted as “one or more. ”

[0127] Further, these components can execute from various computer readable storage media having various data structures stored thereon such as with a module, for example. The components can communicate via local and / or remote processes such as in accordance with a signal having one or more data packets (e.g., data from one component interacting with another component in a local system, distributed system, and / or across a network, such as, the Internet, a local area network, a wide area network, or similar network with other systems via the signal) .

[0128] As another example, a component can be an apparatus with specific functionality provided by mechanical parts operated by electric or electronic circuitry, in which the electric or electronic circuitry can be operated by a software application or a firmware application executed by one or more processors. The one or more processors can be internal or external to the apparatus and can execute at least a part of the software or firmware application. As yet another example, a component can be an apparatus that provides specific functionality through electronic components without mechanical parts; the electronic components can include one or more processors therein to execute software and / or firmware that confer (s) , at least in part, the functionality of the electronic components.

[0129] Use of the word exemplary is intended to present concepts in a concrete fashion. As used in this application, the term “or” is intended to mean an inclusive “or” rather than an exclusive “or” . That is, unless specified otherwise, or clear from context, “X employs A or B” is intended to mean any of the natural inclusive permutations. That is, if X employs A; X employs B; or X employs both A and B, then “X employs A or B” is satisfied under any of the foregoing instances. In addition, the articles “a” and “an” as used in this application and the appended claims should generally be construed to mean “one or more” unless specified otherwise or clear from context to be directed to a singular form. Furthermore, to the extent that the terms “including” , “includes” , “having” , “has” , “with” , or variants thereof are used in either the detailed description and the claims, such terms are intended to be inclusive in a manner similar to the term “comprising. ” Additionally, in situations wherein one or more numbered items are discussed (e.g., a “first X” , a “second X” , etc. ) , in general the one or more numbered items can be distinct, or they can be the same, although in some situations the context can indicate that they are distinct or that they are the same.

[0130] As used herein, the term “circuitry” can refer to, be part of, or include an Application Specific Integrated Circuit (ASIC) , an electronic circuit, a processor (shared, dedicated, or group) , or associated memory (shared, dedicated, or group) operably coupled to the circuitry that execute one or more software or firmware programs, a combinational logic circuit, or other suitable hardware components that provide the described functionality. In some embodiments, the circuitry can be implemented in, or functions associated with the circuitry can be implemented by, one or more software or firmware modules. In some embodiments, circuitry can include logic, at least partially operable in hardware.

[0131] As it is employed in the subject specification, the term “processor” can refer to substantially any computing processing unit or device including, but not limited to including, single-core processors; single-processors with software multithread execution capability; multi-core processors; multi-core processors with software multithread execution capability; multi-core processors with hardware multithread technology; parallel platforms; and parallel platforms with distributed shared memory. Additionally, a processor can refer to an integrated circuit, an application specific integrated circuit, a digital signal processor, a field programmable gate array, a programmable logic controller, a complex programmable logic device, a discrete gate or transistor logic, discrete hardware components, or any combination thereof designed to perform the functions and / or processes described herein. Processors can exploit nano-scale architectures such as, but not limited to, molecular and quantum-dot based transistors, switches and gates, in order to optimize space usage or enhance performance of mobile devices. A processor can also be implemented as a combination of computing processing units.

[0132] Examples (aspects) can include subject matter such as a method, means for performing acts or blocks of the method, at least one machine-readable medium including instructions that, when performed by a machine (e.g., a processor with memory, an application-specific integrated circuit (ASIC) , a field programmable gate array (FPGA) , or the like) cause the machine to perform acts of the method or of an apparatus or system for concurrent communication using multiple communication technologies according to embodiments and examples described herein.

[0133] A first example is a user equipment (UE) , comprising: a memory; and processing circuitry, comprising the memory, configured to execute instructions that cause the UE to: generate a transmission comprising at least one of: an artificial intelligence (AI)  / machine learning (ML) dataset protocol data unit (PDU) , or an AI / ML model PDU, based on an AI / ML radio bearer (AIRB) ; and transmit the transmission comprising the at least one of: the AI / ML dataset PDU or the AI / ML model PDU based on the AIRB.

[0134] A second example can include the first example, the processing circuitry is further configured to cause the UE to: transmit routing information indicating a final routed point for forwarding an AI / ML service data unit (SDU) , the final routed point comprising a network analytics data function (NWDAF) , a location management function (LMF) , a mobile network operation (MNO) , an operations, administration, and maintenance (OAM) , a user plane function (UPF) , an over-the-top (OTT) server, a UE-side server, or a core network (CN) , wherein the routing information is transmitted via an uplink (UL) RRC message, a packet data convergence protocol (PDCP) control PDU, or address information in a PDU header of an AI / ML PDU, and wherein an AI / ML protocol layer of a protocol stack associated with the AIRB comprises end-to-end termination points between the UE and a base station.

[0135] A third example can include the first or second example, the processing circuitry is further configured to cause the UE to: perform an RB establishment associated with the AIRB by: mapping an AI / ML dataset or an AI / ML model to an AI / ML QoS flow based on AI / ML QoS rules received; and mapping the AI / ML QoS flow to the AIRB based on a radio resource control (RRC) configuration or an indication of a service data adaption protocol (SDAP) , wherein at least one of: an AI / ML data set or an AI / ML model corresponding to the AIRB is associated with one or more dedicated QoS parameters including at least one of: a 5G QoS identifier (5QI) , an allocation and retention policy (ARP) , or one or more aggregate bit rates (ABRs) .

[0136] A fourth example can include any one or more of the first through third examples, wherein the RB establishment further comprises: receive configuration information of the AIRB that comprises at least one of: AI / ML QoS flow mapping information, an AIRB identity, or a PDCP configuration, without a service data adaption protocol (SDAP) configuration information and is not associated with a PDU session, or wherein the configuration information of the AIRB is associated with an AI / ML specific PDU session and the configuration information of the AIRB comprises one or more of: the AIRB identity or the PDCP configuration.

[0137] A fifth example can include any one or more of the first through fourth examples, the processing circuitry is further configured to cause the UE to: receive an RRC configuration; and map an AI / ML dataset to the AIRB as a first AIRB and an AI / ML model to a second AIRB, based on the RRC configuration.

[0138] A sixth example can include any one or more of the first through fifth examples, wherein the AIRB comprises a data ratio bearer (DRB) associated with at least one of: an AI / ML dataset or an AI / ML model based on a DRB identification (ID) reserved for AI / ML traffic, wherein the DRB is further associated with a PDU session of a non-internet protocol (IP) data with a packet data network (PDN) type set to non-IP.

[0139] A seventh example can include any one or more of the first through sixth examples, the processing circuitry is further configured to cause the UE to: perform an RB establishment associated with the AIRB; and transmit a UE request for a modification or a release of the AIRB via a UL RRC message or a non-access stratum (NAS) signaling, wherein the UL RRC message comprises one or more of: a UE assistance information (UAI) , a PDU session identifier or a QoS flow identifier, and wherein the UL RRC message or the NAS signaling comprises at least one of: an AIRB identifier for the modification or the release, a reason for the modification or the release, or a suggest different AIRB configuration.

[0140] An eighth example can include any one or more of the first through seventh examples, the processing circuitry is further configured to cause the UE to: perform an RRC reconfiguration based on an RRC message; and perform a modification or a release of the AIRB based on the RRC message for the RRC reconfiguration, wherein the RRC message comprises one or more of: a modification to the AIRB, a different AIRB configuration, or a different mapping from an AI / ML dataset or an AI / ML model to one or more AIRBs.

[0141] A ninth example can include any one or more of the first through eighth examples, the processing circuitry is further configured to cause the UE to: in response to receiving a notification to stop AI / ML dataset collection or AI / ML model transfer, to release the AIRB, or to modify the AIRB, discard at least one of: one or more AI / ML datasets in a buffer or queue, or one or more AI / ML models in the buffer or queue, or discard the at least one of: the one or more AI / ML datasets, or the one or more AI / ML models based on a timer expiry.

[0142] A tenth example can include any one or more of the first through ninth examples, the processing circuitry is further configured to cause the UE to: in response to transmitting data as a transmit side of a protocol stack, segment the data from at least one of: an AI / ML dataset or an AI / ML model into PDCP SDUs in a PDCP protocol layer of the protocol stack and tag a last PDCP SDU in a corresponding PDCP PDU header with an end-marker; and in response to receiving the data as a receive side of the protocol stack, at the PDCP protocol layer of the protocol stack, receive PDCP SDUs, re-order the PDCP SDUs, re-assemble an AI / ML PDU from a first PDCP SDU to a last PDCP SDU of the PDCP SDUs with another end-marker, deliver re-assembled AI / ML SDUs to an AI / ML protocol layer, and provide a PDCP status report of any missed PDCP PDUs for a retransmission of the missed PDCP PDUs.

[0143] An eleventh example can include any one or more of the first through tenth examples, the processing circuitry is further configured to cause the UE to: in response to transmitting data as a transmit side of a protocol stack, at an AI / ML layer of the protocol stack, segment the data from at least one of: an AI / ML dataset or an AI / ML model into AI / ML PDUs and deliver data segments comprising the at least one of: the AI / ML dataset or the AI / ML model, and segmentation information to a PDCP layer of the protocol stack, wherein the segmentation information comprises at least one of: an end-marker or a segment number, in a payload container or a header field; and in response to receiving the data as a receive side of the protocol stack, perform a re-ordering of the data segments at the PDCP layer of the protocol stack and a re-assembling of the data segments at the AI / ML layer of the protocol stack, or perform the re-ordering of the data segments and the re-assembling both at the AI / ML layer of the protocol stack to provide a reassembled message to a higher layer.

[0144] A twelfth example can include any one or more of the first through eleventh examples, the processing circuitry is further configured to cause the UE to: perform data segmentation of at least one of: an AI / ML dataset or an AI / ML model at an internet protocol (IP) layer of a protocol stack; or split a payload of the at least one of: the AI / ML dataset or the AI / ML model into IP packets at an AI / ML protocol layer of the protocol stack.

[0145] A thirteenth example can include any one or more of the first through twelfth examples, the processing circuitry is further configured to cause the UE to: during a handover operation, perform data segmentation of at least one of: an AI / ML dataset or an AI / ML model, at a PDCP layer of a protocol stack for in-order and lossless delivery, and provide a PDCP status report, or an AI / ML PDU status report, to identify any missing data segments when operating to transmit data as a transmit side of the protocol stack.

[0146] A fourteenth example can include any one or more of the first through thirteenth examples, the processing circuitry is further configured to cause the UE to: provide a scheduling request (SR) based on a network configuration, or an SR ID associated with a dedicated SR of the AIRB, to map a logical channel (LCH) associated with the AIRB to one or more SR resources; and provide a buffer status report (BSR) based on the network configuration to map the LCH to a logical channel group (LCG) .

[0147] A fifteenth example can include any one or more of the first through fourteenth examples, the processing circuitry is further configured to cause the UE to: multiplex data from a data radio bearer (DRB) and the AIRB in a same medium access control (MAC) PDU, wherein a radio link control (RLC) bearer is associated with the AIRB with a logical channel priority (LCP) .

[0148] A sixteenth example can include any one or more of the first through fifteenth examples, wherein the AIRB comprises an LCP that is higher or lower than a DRB, a signaling radio bearer (SRB) , or both, based on an indication in a configuration per MAC entity.

[0149] A seventeenth example can be a method of a user equipment (UE) comprising: generating, via one or more processors, a transmission comprising at least one of: an artificial intelligence (AI)  / machine learning (ML) dataset protocol data unit (PDU) , or an AI / ML model PDU, based on an AI / ML radio bearer (AIRB) ; and transmitting, via the one or more processors, the transmission comprising the at least one of: the AI / ML dataset PDU or the AI / ML model PDU based on the AIRB.

[0150] An eighteenth example can include the seventeenth example, further comprising: performing a radio bearer (RB) establishment of the AIRB by: mapping an AI / ML dataset or an AI / ML model to an AI / ML QoS flow based on AI / ML QoS rules received from an N1 message, and mapping the AI / ML QoS flow to the AIRB based on a radio resource control (RRC) configuration or an indication of a service data adaption protocol (SDAP) ; or by mapping one or more of: an AI / ML dataset or an AI / ML model to the AIRB based on a radio resource control (RRC) configuration without mapping an associated QoS flow, wherein an SDAP layer of a protocol stack is absent.

[0151] A nineteenth example can be a base station, comprising: a memory; and one or more processors, comprising the memory, configured to execute instructions that cause the base station to: receive an artificial intelligence (AI)  / machine language (ML) quality of service (QoS) profile; generate an AI / ML radio bearer configuration that maps a QoS flow to one or more AI / ML radio bearers (AIRBs) based on the AI / ML QoS profile, wherein the one or more AIRBs are configured to at least one of: one or more different AI / ML datasets or one or more different AI / ML models, respectively; and transmit the AI radio bearer configuration for an AIRB establishment procedure.

[0152] A twentieth example can include the nineteenth example, the one or more processors are further configured to cause the base station to: forward an AI / ML service data unit (SDU) based on a preconfigured final routed point, or based on routing information indicating a final routing point received from a UE or a core network component, the final routing point comprising a network analytics data function (NWDAF) , a location management function (LMF) , a mobile network operation (MNO) , an operations, administration, and maintenance (OAM) , a user plane function (UPF) , an over-the-top (OTT) server, a UE-side server, or the core network component, wherein the routing information is received via an uplink (UL) RRC message, a packet data convergence protocol (PDCP) control PDU, or address information in a PDU header of an AI / ML PDU, and wherein the base station comprises an end-to-end termination point with the UE for an AI / ML protocol layer.

[0153] Moreover, various aspects or features described herein can be implemented as a method, apparatus, or article of manufacture using standard programming and / or engineering techniques. The term "article of manufacture" as used herein is intended to encompass a computer program accessible from any computer-readable device, carrier, or media. For example, computer-readable media can include but are not limited to magnetic storage devices (e.g., hard disk, floppy disk, magnetic strips, etc. ) , optical disks (e.g., compact disk (CD) , digital versatile disk (DVD) , etc. ) , smart cards, and flash memory devices (e.g., EPROM, card, stick, key drive, etc. ) . Additionally, various storage media described herein can represent one or more devices and / or other machine-readable media for storing information. The term “machine-readable medium” can include, without being limited to, wireless channels and various other media capable of storing, containing, and / or carrying instruction (s) and / or data. Additionally, a computer program product can include a computer readable medium having one or more instructions or codes operable to cause a computer to perform functions described herein.

[0154] Communications media embody computer-readable instructions, data structures, program modules or other structured or unstructured data in a data signal such as a modulated data signal, e.g., a carrier wave or other transport mechanism, and includes any information delivery or transport media. The term “modulated data signal” or signals refers to a signal that has one or more of its characteristics set or changed in such a manner as to encode information in one or more signals. By way of example, and not limitation, communication media include wired media, such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared and other wireless media.

[0155] An exemplary storage medium can be coupled to processor, such that processor can read information from, and write information to, storage medium. In the alternative, storage medium can be integral to processor. Further, in some aspects, processor and storage medium can reside in an ASIC. Additionally, ASIC can reside in a user terminal. In the alternative, processor and storage medium can reside as discrete components in a user terminal. Additionally, in some aspects, the processes and / or actions of a method or algorithm can reside as one or any combination or set of codes and / or instructions on a machine-readable medium and / or computer readable medium, which can be incorporated into a computer program product.

[0156] In this regard, while the disclosed subject matter has been described in connection with various embodiments and corresponding Figures, where applicable, it is to be understood that other similar embodiments can be used or modifications and additions can be made to the described embodiments for performing the same, similar, alternative, or substitute function of the disclosed subject matter without deviating therefrom. Therefore, the disclosed subject matter should not be limited to any single embodiment described herein, but rather should be construed in breadth and scope in accordance with the appended claims below.

[0157] In particular regard to the various functions performed by the above described components (assemblies, devices, circuits, systems, etc. ) , the terms (including a reference to a "means" ) used to describe such components are intended to correspond, unless otherwise indicated, to any component or structure which performs the specified function of the described component (e.g., that is functionally equivalent) , even though not structurally equivalent to the disclosed structure which performs the function in the herein illustrated exemplary implementations of the disclosure. In addition, while a particular feature can have been disclosed with respect to only one of several implementations, such feature can be combined with one or more other features of the other implementations as can be desired and advantageous for any given or particular application.

Claims

1.A user equipment (UE) , comprising:a memory; andprocessing circuitry, comprising the memory, configured to execute instructions that cause the UE to:generate a transmission comprising at least one of: an artificial intelligence (AI)  / machine learning (ML) dataset protocol data unit (PDU) , or an AI  / ML model PDU, based on an AI  / ML radio bearer (AIRB) ; andtransmit the transmission comprising the at least one of: the AI  / ML dataset PDU or the AI  / ML model PDU based on the AIRB.2.The UE of claim 1, the processing circuitry is further configured to cause the UE to:transmit routing information indicating a final routed point for forwarding an AI  / ML service data unit (SDU) , the final routed point comprising a network analytics data function (NWDAF) , a location management function (LMF) , a mobile network operation (MNO) , an operations, administration, and maintenance (OAM) , a user plane function (UPF) , an over-the-top (OTT) server, a UE-side server, or a core network (CN) , wherein the routing information is transmitted via an uplink (UL) RRC message, a packet data convergence protocol (PDCP) control PDU, or address information in a PDU header of an AI  / ML PDU, and wherein an AI  / ML protocol layer of a protocol stack associated with the AIRB comprises end-to-end termination points between the UE and a base station.3.The UE of claim 1, the processing circuitry is further configured to cause the UE to:perform an RB establishment associated with the AIRB by:mapping an AI  / ML dataset or an AI  / ML model to an AI  / ML QoS flow based on AI  / ML QoS rules received; andmapping the AI  / ML QoS flow to the AIRB based on a radio resource control (RRC) configuration or an indication of a service data adaption protocol (SDAP) ,wherein at least one of: an AI  / ML data set or an AI  / ML model corresponding to the AIRB is associated with one or more dedicated QoS parameters including at least one of: a 5G QoS identifier (5QI) , an allocation and retention policy (ARP) , or one or more aggregate bit rates (ABRs) .4.The UE of claim 3, wherein the RB establishment further comprises:receive configuration information of the AIRB that comprises at least one of: AI  / ML QoS flow mapping information, an AIRB identity, or a PDCP configuration, without a service data adaption protocol (SDAP) configuration information and is not associated with a PDU session, or wherein the configuration information of the AIRB is associated with an AI  / ML specific PDU session and the configuration information of the AIRB comprises one or more of: the AIRB identity or the PDCP configuration.5.The UE of claim 1, the processing circuitry is further configured to cause the UE to:receive an RRC configuration; andmap an AI  / ML dataset to the AIRB as a first AIRB and an AI  / ML model to a second AIRB, based on the RRC configuration.6.The UE of claim 1, wherein the AIRB comprises a data ratio bearer (DRB) associated with at least one of: an AI  / ML dataset or an AI  / ML model based on a DRB identification (ID) reserved for AI  / ML traffic, wherein the DRB is further associated with a PDU session of a non-internet protocol (IP) data with a packet data network (PDN) type set to non-IP.7.The UE of claim 1, the processing circuitry is further configured to cause the UE to:perform an RB establishment associated with the AIRB; andtransmit a UE request for a modification or a release of the AIRB via a UL RRC message or a non-access stratum (NAS) signaling, wherein the UL RRC message comprises one or more of: a UE assistance information (UAI) , a PDU session identifier or a QoS flow identifier, and wherein the UL RRC message or the NAS signaling comprises at least one of: an AIRB identifier for the modification or the release, a reason for the modification or the release, or a suggest different AIRB configuration.8.The UE of claim 1, the processing circuitry is further configured to cause the UE to:perform an RRC reconfiguration based on an RRC message; andperform a modification or a release of the AIRB based on the RRC message for the RRC reconfiguration, wherein the RRC message comprises one or more of: a modification to the AIRB, a different AIRB configuration, or a different mapping from an AI  / ML dataset or an AI  / ML model to one or more AIRBs.9.The UE of claim 1, the processing circuitry is further configured to cause the UE to:in response to receiving a notification to stop AI  / ML dataset collection or AI  / ML model transfer, to release the AIRB, or to modify the AIRB, discard at least one of: one or more AI  / ML datasets in a buffer or queue, or one or more AI  / ML models in the buffer or queue, or discard the at least one of: the one or more AI  / ML datasets, or the one or more AI  / ML models based on a timer expiry.10.The UE of claim 1, the processing circuitry is further configured to cause the UE to:in response to transmitting data as a transmit side of a protocol stack, segment the data from at least one of: an AI  / ML dataset or an AI  / ML model into PDCP SDUs in a PDCP protocol layer of the protocol stack and tag a last PDCP SDU in a corresponding PDCP PDU header with an end-marker; andin response to receiving the data as a receive side of the protocol stack, at the PDCP protocol layer of the protocol stack, receive PDCP SDUs, re-order the PDCP SDUs, re-assemble an AI  / ML PDU from a first PDCP SDU to a last PDCP SDU of the PDCP SDUs with another end-marker, deliver re-assembled AI  / ML SDUs to an AI  / ML protocol layer, and provide a PDCP status report of any missed PDCP PDUs for a retransmission of the missed PDCP PDUs.11.The UE of claim 1, the processing circuitry is further configured to cause the UE to:in response to transmitting data as a transmit side of a protocol stack, at an AI  / ML layer of the protocol stack, segment the data from at least one of: an AI  / ML dataset or an AI  / ML model into AI  / ML PDUs and deliver data segments comprising the at least one of: the AI  / ML dataset or the AI  / ML model, and segmentation information to a PDCP layer of the protocol stack, wherein the segmentation information comprises at least one of: an end-marker or a segment number, in a payload container or a header field; andin response to receiving the data as a receive side of the protocol stack, perform a re-ordering of the data segments at the PDCP layer of the protocol stack and a re-assembling of the data segments at the AI  / ML layer of the protocol stack, or perform the re-ordering of the data segments and the re-assembling both at the AI  / ML layer of the protocol stack to provide a reassembled message to a higher layer.12.The UE of claim 1, the processing circuitry is further configured to cause the UE to:perform data segmentation of at least one of: an AI  / ML dataset or an AI  / ML model at an internet protocol (IP) layer of a protocol stack; orsplit a payload of the at least one of: the AI  / ML dataset or the AI  / ML model into IP packets at an AI  / ML protocol layer of the protocol stack.13.The UE of claim 1, the processing circuitry is further configured to cause the UE to:during a handover operation, perform data segmentation of at least one of: an AI  / ML dataset or an AI  / ML model, at a PDCP layer of a protocol stack for in-order and lossless delivery, and provide a PDCP status report, or an AI  / ML PDU status report, to identify any missing data segments when operating to transmit data as a transmit side of the protocol stack.14.The UE of claim 1, the processing circuitry is further configured to cause the UE to:provide a scheduling request (SR) based on a network configuration, or an SR ID associated with a dedicated SR of the AIRB, to map a logical channel (LCH) associated with the AIRB to one or more SR resources; andprovide a buffer status report (BSR) based on the network configuration to map the LCH to a logical channel group (LCG) .15.The UE of claim 1, the processing circuitry is further configured to cause the UE to:multiplex data from a data radio bearer (DRB) and the AIRB in a same medium access control (MAC) PDU, wherein a radio link control (RLC) bearer is associated with the AIRB with a logical channel priority (LCP) .16.The UE of claim 1, wherein the AIRB comprises an LCP that is higher or lower than a DRB, a signaling radio bearer (SRB) , or both, based on an indication in a configuration per MAC entity.17.A method of a user equipment (UE) comprising:generating, via one or more processors, a transmission comprising at least one of: an artificial intelligence (AI)  / machine learning (ML) dataset protocol data unit (PDU) , or an AI  / ML model PDU, based on an AI  / ML radio bearer (AIRB) ; andtransmitting, via the one or more processors, the transmission comprising the at least one of: the AI  / ML dataset PDU or the AI  / ML model PDU based on the AIRB.18.The method of claim 17, further comprising:performing a radio bearer (RB) establishment of the AIRB bymapping an AI  / ML dataset or an AI  / ML model to an AI  / ML QoS flow based on AI  / ML QoS rules received from an N1 message; andmapping the AI  / ML QoS flow to the AIRB based on a radio resource control (RRC) configuration or an indication of a service data adaption protocol (SDAP) ; ormapping one or more of: an AI  / ML dataset or an AI  / ML model to the AIRB based on a radio resource control (RRC) configuration without mapping an associated QoS flow, wherein an SDAP layer of a protocol stack is absent.19.A base station, comprising:a memory; andone or more processors, comprising the memory, configured to execute instructions that cause the base station to:receive an artificial intelligence (AI)  / machine language (ML) quality of service (QoS) profile;generate an AI  / ML radio bearer configuration that maps a QoS flow to one or more AI  / ML radio bearers (AIRBs) based on the AI  / ML QoS profile, wherein the one or more AIRBs are configured to at least one of: one or more different AI  / ML datasets or one or more different AI  / ML models, respectively; andtransmit the AI radio bearer configuration for an AIRB establishment procedure.20.The base station of claim 19, the one or more processors are further configured to cause the base station to:forward an AI  / ML service data unit (SDU) based on a preconfigured final routed point, or based on routing information indicating a final routing point received from a UE or a core network component, the final routing point comprising a network analytics data function (NWDAF) , a location management function (LMF) , a mobile network operation (MNO) , an operations, administration, and maintenance (OAM) , a user plane function (UPF) , an over-the-top (OTT) server, a UE-side server, or the core network component, wherein the routing information is received via an uplink (UL) RRC message, a packet data convergence protocol (PDCP) control PDU, or address information in a PDU header of an AI  / ML PDU, and wherein the base station comprises an end-to-end termination point with the UE for an AI  / ML protocol layer.

Images