本公开涉及通信系统领域，更具体地，涉及一种基于机器学习的波束管理数据收集方法和一种无线通信设备。
背景技术：
1、无线通信系统，如第三代(3rd generation，3g)移动电话标准和技术是众所周知的。所述3g标准和技术是由第三代合作伙伴计划(3rd generation partnership project，3gpp)开发的。第三代无线通信通常是为支持宏蜂窝移动电话通信而开发的。通信系统和网络已经向宽带和移动系统方向发展。在蜂窝无线通信系统中，用户设备(user equipment，ue)通过无线链路连接到无线接入网络(radio access network，ran)。所述ran包括一组基站(base stations，bss)，这些基站为位于基站覆盖的小区内的ue提供无线链路，以及连接到核心网络(core network，cn)的接口，所述核心网络提供整体网络控制。众所周知，所述ran和cn各自在整个网络中执行相应的功能。3gpp开发了所谓的长期演进(long termevolution，lte)系统，即演进的通用移动通信系统陆地无线接入网络(evolved universalmobile telecommunication system territorial radio access network，e-utran)，用于移动接入网络，其中一个或多个宏小区由一个称为enodeb或enb(evolved nodeb)的基站支持。最近，lte正在进一步向所谓的5g或nr(新无线电)系统演进，其中一个或多个小区由一个称为gnb的基站支持。
2、技术问题
3、在3gpp rel-18中，一项"新空口(nr)空口人工智能(artificial intelligence，ai)/机器学习(machine learning，ml)"研究项目(study item，si)将开始开发。根据实际使用场景，应收集各种数据用于机器学习模型管理。
4、通常，波束选择基于信道状态信息(channel state information，csi)-参考信号(reference signal，csi-rs)/同步信号块(synchronization signal block，ssb)的测量。这个过程需要大量的参考信号和延迟。因此，预测性波束切换被提出以减少延迟。目前正在研究将ml应用于波束管理。当前，数据格式和如何收集数据尚未知。
5、技术方案
6、本公开的一个目的是提出一种无线通信设备，如用户设备(user equipment，ue)或基站，以及一种基于机器学习的波束管理数据收集方法。
7、在第一方面，本发明的一个实施例提供了一种基于机器学习的波束管理数据收集方法，可在至少一个无线通信设备中执行，包括:
8、收集用于基于机器学习的波束管理的多个数据单元，其中所述多个数据单元将多个波束与多个属性相关联，并且所述多个数据单元中的每个数据单元将一个波束与至少一个属性相关联。
9、在第二方面，本发明的一个实施例提供了一种无线通信设备，包括处理器，所述处理器配置为调用并运行存储在存储器中的计算机程序，以使安装了所述处理器的设备执行所述公开的方法。
10、所公开的方法可以在芯片中实现。所述芯片可以包括一个处理器，所述处理器被配置为调用并运行存储在存储器中的计算机程序，以使安装有所述芯片的设备执行所公开的方法。
11、所公开的方法可以被编程为存储在非暂时性计算机可读介质中的计算机可执行指令。当所述非暂时性计算机可读介质被加载到计算机中时，指示计算机的处理器执行所公开的方法。
12、所述非暂时性计算机可读介质可以包括以下至少一种:硬盘、cd-rom、光存储设备、磁存储设备、只读存储器、可编程只读存储器、可擦除可编程只读存储器、eprom、电可擦除可编程只读存储器和闪存。
13、所公开的方法可以被编程为计算机程序产品，该产品使计算机执行所公开的方法。
14、所公开的方法可以被编程为计算机程序，该程序使计算机执行所公开的方法。
15、有利效果
16、本发明提供了解决波束管理问题的实施例。
17、·本公开的一些实施例包括波束管理中的数据收集。可以针对波束管理中的不同功能使用各种数据收集方案。特别地，可以在一个gnb处执行数据收集并在两个gnb之间共享，或者在两个gnb处执行。
18、·本公开的一些实施例提供预测性波束失效恢复，并促进高效的波束失效检测和稳健的波束选择。
技术实现思路
1.一种基于机器学习的波束管理数据收集方法，可在至少一个无线通信设备中执行，包括:
2.根据权利要求1所述的方法，其特征在于，所述数据单元包括所述波束的波束名称、波束索引或波束标识符。
3.根据权利要求2所述的方法，其特征在于，所述数据单元包括表示所述波束的准共位(quasi-co-location，qcl)关系或传输配置指示符(transmission configurationindicator，tci)状态。
4.根据权利要求1所述的方法，其特征在于，所述数据单元中的所述至少一个属性包括对所述数据单元所关联的波束的测量。
5.根据权利要求4所述的方法，其特征在于，对所述数据单元所关联的波束的所述测量包括参考信号接收功率(reference signal received power，rsrp)、参考信号接收质量(reference signalreceived qual ity，rsrq)或假设块误码率(block error rate，bler)。
6.根据权利要求4所述的方法，其特征在于，对所述数据单元所关联的波束的所述测量包括量化测量值。
7.根据权利要求6所述的方法，其特征在于，当所述波束在一个时间单元内具有大于阈值的测量值时，所述量化测量值为一；且
8.根据权利要求1所述的方法，其特征在于，所述数据单元中的所述至少一个属性包括所述至少一个无线通信设备的位置信息。
9.根据权利要求1所述的方法，其特征在于，所述数据单元中的所述至少一个属性包括在所述数据单元所关联的波束上的连接持续时间。
10.根据权利要求1所述的方法，其特征在于，指示所述多个数据单元是否可共享的能力是可配置的。
11.根据权利要求1所述的方法，还包括:
12.根据权利要求11所述的方法，还包括:
13.根据权利要求12所述的方法，其特征在于，所述关联包括并行关联，在该并行关联中所述机器学习模型与所述基于信道估计的波束管理功能并行运行。
14.根据权利要求12所述的方法，其特征在于，所述关联包括替代关联，在该替代关联中所述机器学习模型替代当前的基于信道估计的波束管理功能运行。
15.根据权利要求12所述的方法，其特征在于，从所述机器学习模型输出的所述波束操作建议包括在一个时间单元内与所述波束相关的波束失效概率。
16.根据权利要求12所述的方法，其特征在于，从所述机器学习模型输出的所述波束操作建议包括在一个时间单元内与所述波束相关的量化波束失效概率。
17.根据权利要求12所述的方法，其特征在于，所述机器学习模型的输出中的每个数据元素包括在一个时间单元内与候选波束集中的一个波束相关的量化波束失效概率，或在一个时间单元内与新的候选波束相关的波束失效概率。
18.根据权利要求12所述的方法，其特征在于，所述至少一个无线通信设备包括用户设备(user equipment，ue)，并且所述机器学习模型被下载到所述ue。
19.根据权利要求12所述的方法，其特征在于，所述至少一个无线通信设备包括基站，并且所述机器学习模型部署在所述基站中。
20.根据权利要求19所述的方法，其特征在于，所述至少一个无线通信设备还包括用户设备(ue)，所述ue从所述基站接收所述波束操作建议。
21.根据权利要求20所述的方法，其特征在于，所述基站是所述ue在所述ue的切换操作期间的服务基站。
22.根据权利要求21所述的方法，其特征在于，所述ue在所述ue的切换操作期间的目标基站收集所述多个数据单元并与所述ue的所述服务基站共享所述多个数据单元。
23.根据权利要求20所述的方法，其特征在于，所述基站是所述ue在所述ue的切换操作期间的目标基站。
24.根据权利要求23所述的方法，其特征在于，所述ue在所述ue的切换操作期间的服务基站收集所述多个数据单元并与所述ue的所述目标基站共享所述多个数据单元。
25.根据权利要求20所述的方法，其特征在于，所述波束操作建议指示预测波束；且
26.根据权利要求20所述的方法，其特征在于，所述波束操作建议指示预测波束；且
27.一种无线通信设备，包括:
28.一种芯片，包括:
29.一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序使计算机执行权利要求1至26中任一项所述的方法。
30.一种计算机程序产品，包括计算机程序，其中所述计算机程序使计算机执行权利要求1至26中任一项所述的方法。
31.一种计算机程序，其中所述计算机程序使计算机执行权利要求1至26中任一项所述的方法。
