好的，请查收。
对比文件的名称：2010-11-30_US7843822B_发明授权_US07843822B1 Cognitive adaptive network management areas
目标专利的名称：用于提供认知功能和促进管理的方法和装置CN110024327B
本次调用的模型名称：DeepSeek
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A：** 所述系统包括：网络目标管理器（NOM）<br><br>《隐含公开》 | [0051] “...an adaptive weighting algorithm 540 may be used and finally a cross-functional cognition engine 550 may be used...”<br><br>[0054] “The adaptive tuning engines and decision weighting logic can also be improved by the addition of a cross-functional cognitive behavior layer.”<br><br> [0053] “...to use weighted-compound decision making to order relative importance of tuning engines (pre-determined, user preference, past usage history, cognitively) to make optimal decisions...” | 对比文件公开了认知网络管理系统（CNMS），其核心功能包括使用加权算法（adaptive weighting algorithm 540）和认知行为层（cross-functional cognitive behavior layer 550）来管理和协调多个自适应调优引擎。这些功能共同实现了对网络管理目标的解释和优先级排序，以指导调优引擎的行为。这与目标专利中网络目标管理器（NOM）解释运营商目标并确保CF调整行为以实现目标的功能在本质上一致，都是高层目标的管理和分解。虽然对比文件没有明确提出“网络目标管理器”这一名称，但该功能由加权分析和认知功能组合实现，本领域技术人员可以合理推断其存在。 |
| **技术特征B：** 环境建模和抽象（EMA）引擎<br><br>《隐含公开》 | [0022] “...cognitive engines are specialized engines that use data mining and data fusion on specific data provided by individual nodes 320 to find unique behavioral patterns that can be optimized.”<br><br>[0041] “...cognitive data mining and fusion techniques can identify performance bottlenecks, failures and potential failures due to non-optimal use of radio resources.” | 对比文件公开了认知引擎（cognitive engines）使用数据挖掘和数据融合技术来处理节点数据，以发现可优化的行为模式（behavioral patterns）并识别网络性能瓶颈。这个过程本质上是对网络环境进行建模和抽象，从原始数据中提取出有意义的模式或状态，用于后续的优化决策。这与目标专利中环境建模和抽象（EMA）引擎将环境抽象为状态（如KPI、状态标签）的功能一致。尽管对比文件未使用“EMA”这一术语，但其描述的数据处理与模式识别功能，使得本领域技术人员能合理推断其包含环境建模和抽象的机制。 |
| **技术特征C：** 配置管理引擎（CME）<br><br>《隐含公开》 | [0024] 1. Radio Configuration Optimization. “...the profiling engine can run a series of link budget calculations for each node using a set of combinations. The radio configurations for each node are then ordered in best to worst order.”<br><br>[0031] “...The ‘Communication Reach Metric’ can be used by a node to determine its communication status...”<br><br>[0024] “The ordered radio configuration list can also be used to select alternative radio configurations due to sudden link disruptions.” | 对比文件公开了认知链路分析引擎（Cognitive Link Profiling Engine），该引擎通过计算链路预算，为每个节点生成一个从优到劣排序的无线配置列表（ordered radio configuration list）。这个过程基于当前环境（如位置、邻节点）评估不同配置的优劣，并提供一个合法的候选配置列表（有序列表）。这与目标专利中配置管理引擎（CME）基于抽象环境定义合法候选网络配置的功能一致。虽然对比文件未明确提出“CME”这一名称，但其生成并维护有序配置列表的功能，使得本领域技术人员能合理推断其存在。 |
| **技术特征D：** 决策和动作引擎（DAE）<br><br>《隐含公开》 | [0024] “The radio configuration data can then be pushed to the individual nodes so that the network can be fine-tuned.”<br><br>[0024] “The ordered radio configuration list can also be used to select alternative radio configurations due to sudden link disruptions. This pro-active manner of cognitive network management...”<br><br>[0052] “Each tuning engine will have multiple adaptation scenarios and triggers for activation and deactivation.” | 对比文件公开了认知网络管理系统能够从有序的配置列表中选择配置，并将其推送（push）到节点以执行，从而对网络进行微调。此外，系统能够根据场景和触发条件激活或去激活调优引擎，这体现了基于当前状态的决策和动作执行。这与目标专利中决策和动作引擎（DAE）将当前抽象状态与合法候选配置相匹配并执行的功能一致。尽管对比文件未使用“DAE”这一名称，但其选择配置并执行的动作，使得本领域技术人员能合理推断其存在。 |
| **技术特征E：** NOM包括至少一个处理器和包括计算机程序代码的至少一个存储器，所述至少一个存储器和计算机程序代码被配置成与处理器一起使得网络目标管理器：解释针对CNM或针对具体认知功能（CF）的一个或多个运营商目标，以确保CNM或具体CF调整其行为以便实现运营商目标<br><br>《隐含公开》 | [0004] “...A weighted analysis function is configured to provide a weighted analysis based on the output of the at least one adaptive tuning engine. Further, a cognitive learning function is configured to provide feedback to make optimally directed adjustments to the at least one adaptive tuning engine.”<br><br>[0053] “...to use weighted-compound decision making to order relative importance of tuning engines (pre-determined, user preference, past usage history, cognitively)...” | 对比文件公开了系统包含加权分析功能和认知学习功能。加权分析功能基于调优引擎的输出提供加权分析，认知学习功能提供反馈以对调优引擎进行最优调整。该“加权分析”和“认知学习”的组合，实质上实现了对运营商目标（如性能、可靠性等）的解释和优先级排序，并指导调优引擎（相当于CF）调整其行为。虽然对比文件未明确描述处理器和存储器，但任何计算机实现的系统都必然包含这些硬件，本领域技术人员可以合理推断。对比文件没有明确提到“运营商目标”，但“预定（pre-determined）”、“用户偏好（user preference）”等隐含了高层目标的存在。 |
| **技术特征F：** EMA引擎包括至少一个处理器和包括计算机程序代码的至少一个存储器，所述至少一个存储器和计算机程序代码被配置成与处理器一起使得环境建模和抽象引擎：将环境抽象成状态，表示具体CF在其中操作的不同可操作上下文和情况，其中抽象的环境表示由定量关键性能指标（KPI）、抽象状态标签和可操作上下文的组合中的一个或多个来构建<br><br>《隐含公开》 | [0022] “Cognitive engines are specialized engines that use data mining and data fusion on specific data provided by individual nodes 320 to find unique behavioral patterns that can be optimized.”<br><br>[0041] “...cognitive data mining and fusion techniques can identify performance bottlenecks, failures and potential failures due to non-optimal use of radio resources.” | 对比文件公开了认知引擎对节点提供的特定数据（specific data）进行数据挖掘和数据融合，以发现可优化的独特行为模式（unique behavioral patterns）并识别性能瓶颈。这里的数据可以包括KPI（如信号强度、时延等），发现的行为模式和性能瓶颈即构成了对环境的抽象状态（如“拥塞”、“链路质量差”）。虽然对比文件未使用“KPI”、“抽象状态标签”等术语，但其描述的从数据中发现模式的过程，正是构建抽象环境表示的过程。本领域技术人员可以合理推断该功能涉及对环境状态的抽象。 |
| **技术特征G：** CME包括至少一个处理器和包括计算机程序代码的至少一个存储器，所述至少一个存储器和计算机程序代码被配置成与处理器一起使得配置管理引擎：基于如由EMA引擎导出的抽象环境和可操作上下文，针对CF的不同上下文定义一个或多个合法候选网络配置<br><br>《隐含公开》 | [0024] 1. Radio Configuration Optimization. “...the profiling engine can run a series of link budget calculations for each node using a set of combinations. The radio configurations for each node are then ordered in best to worst order.”<br><br>[0024] “...the profiling engine can run a series of link budget calculations for each node using a set of combinations. The radio configurations for each node are then ordered in best to worst order.” | 对比文件公开了认知链路分析引擎，该引擎通过计算链路预算（基于位置、地形等环境信息，相当于抽象环境），评估一系列配置组合，并为每个节点生成一个从优到劣排序的配置列表。这个有序列表，特别是其中“最优”的配置，即是基于当前环境定义的合法候选配置。系统还会根据节点位置、方向等上下文（如[0024]提到的地形数据）来优化配置。这完全符合CME基于抽象环境定义合法候选配置的功能。 |
| **技术特征H：** DAE包括至少一个处理器和包括计算机程序代码的至少一个存储器，所述至少一个存储器和计算机程序代码被配置成与处理器一起使得决策和动作引擎：将如由EMA引擎导出的当前抽象状态、抽象环境、可操作上下文或其组合与从合法候选网络配置的集合选择的适当网络配置相匹配。<br><br>《隐含公开》 | [0024] “The radio configuration data can then be pushed to the individual nodes so that the network can be fine-tuned.”<br><br>[0024] “The ordered radio configuration list can also be used to select alternative radio configurations due to sudden link disruptions.”<br><br>[0052] “Each tuning engine will have multiple adaptation scenarios and triggers for activation and deactivation.” | 对比文件公开了系统根据链路状态（突然中断，相当于当前状态）从有序配置列表中选择替代配置，并将配置数据推送到节点。这表明系统执行了“当前状态”与“候选配置列表”的匹配操作。同时，调优引擎根据场景和触发条件激活/去激活，也体现了状态驱动的决策过程。虽然未使用“DAE”这一名称，但其核心的“匹配与执行”功能已被公开。 |
| **技术特征I：** 进一步包括：协调引擎，所述协调引擎包括至少一个处理器和包括计算机程序代码的至少一个存储器，所述至少一个存储器和计算机程序代码被配置成与处理器一起使得协调引擎：学习不同CF决策对其他CF的一个或多个影响<br><br>《未公开》 | [0053] “...to make optimal decisions to prevent the impact of one tuning engine adjustment from negating the effect of another tuning engine.” | 对比文件提到了防止一个调优引擎的调整抵消另一个引擎的效果，这体现了协调的思想。然而，对比文件是通过加权决策（weighted-compound decision making）和认知行为层（cross-functional cognitive behavior layer）来实现的，其核心是集中式的决策加权，而非一个独立的引擎去主动“学习”不同CF之间的影响。对比文件没有公开一个独立的协调引擎去执行学习不同CF决策影响的特定功能。 |
| **技术特征J：** 解释学习的知识<br><br>《未公开》 | 无直接或隐含对应内容。 | 对比文件没有公开任何关于“解释学习的知识”这一特定步骤或功能。对比文件的认知功能主要用于发现模式、进行优化和作出决策，但并未明确描述对学习到的知识进行“解释”这一中间处理环节。 |
| **技术特征K：** 建议对CME和DAE的修改以最小化所述一个或多个影响。<br><br>《未公开》 | [0053] “...to make optimal decisions to prevent the impact of one tuning engine adjustment from negating the effect of another tuning engine.” | 对比文件公开了通过加权决策防止冲突影响，这是一种静态或预定义的协调机制。但对比文件没有公开一个独立的协调引擎根据学习到的影响，主动向CME和DAE提出修改建议（suggest modifications）的动态过程。对比文件的学习和调整是内嵌于调优引擎和加权算法中的，而非通过一个外部引擎的建议来实现。 |
| **技术特征L：** 其中，NOM进一步包括计算机程序代码，所述计算机程序代码被配置成与处理器一起使得装置：接收一个或多个关键质量指标（KQI）输入<br><br>《隐含公开》 | [0017] “4. Quality of Service (QoS) requirements.”<br><br>[0046] “...while using a minimum of network management functions for communicating and efficiently using network resources with minimal operator intervention.” | 对比文件在描述影响网络的因素时提到了“服务质量（QoS）要求”，在描述CNMS目标时提到了“高效使用网络资源”。这些都可以视为高层级的业务或质量指标，相当于目标专利中的关键质量指标（KQI）。系统为了满足这些目标，必然会接收这些输入。虽然对比文件没有明确使用“KQI”这个术语，但接收QoS要求等高层输入是系统运行的应有之义，本领域技术人员可以合理推断。 |
| **技术特征M：** 提供加权或优先级排序的KPI目标。<br><br>《隐含公开》 | [0004] “...A weighted analysis function is configured to provide a weighted analysis...”<br><br>[0053] “...to use weighted-compound decision making to order relative importance of tuning engines...” | 对比文件明确公开了加权分析功能（weighted analysis function）和加权复合决策（weighted-compound decision making），用于对调优引擎的相对重要性进行排序。调优引擎的目标通常与特定KPI（如吞吐量、时延）相关。对引擎进行加权排序，本质上就是对它们所代表的KPI目标进行加权或优先级排序。因此，对比文件隐含公开了提供加权或优先级排序的KPI目标的功能。 |
| **技术特征N：** 其中，EMA引擎被实现为分类器，所述分类器被配置成将KPI或KPI的组合聚类成在逻辑上彼此可区分的集合。<br><br>《未公开》 | [0022] “...data mining and data fusion on specific data...to find unique behavioral patterns that can be optimized.” | 对比文件公开了使用数据挖掘和数据融合来发现“独特的行为模式（unique behavioral patterns）”。发现模式的过程可能涉及分类或聚类，但对比文件并未明确将EMA引擎实现为分类器，也没有明确提到将KPI聚类成逻辑上可区分的集合。该公开内容过于宽泛，不足以让本领域技术人员毫无疑义地得出EMA引擎是一个分类器并执行聚类操作的具体技术方案。 |
| **技术特征O：** 其中，CME被实现为监督学习代理，所述监督学习代理应用神经网络、支持矢量机或其他学习算法，其评估指示在实现不同的上下文中的定义的KPI目标方面中的不同配置的质量的历史数据，以选择合法配置。<br><br>《隐含公开》 | [0024] 1. Radio Configuration Optimization. “...the profiling engine can run a series of link budget calculations for each node using a set of combinations. The radio configurations for each node are then ordered in best to worst order.” | 对比文件公开了认知引擎通过计算链路预算来评估配置，并生成排序列表。这个过程可以看作是基于模型（传播模型、地形模型）的评估，类似于监督学习中使用历史数据训练出的模型进行预测。虽然对比文件没有明确提到“监督学习代理”、“神经网络”或“历史数据”，但其“通过计算来评估并排序”的核心思想与监督学习代理基于评估选择合法配置的功能一致。本领域技术人员可以合理推断，这种评估可以基于历史性能数据通过更复杂的机器学习算法来实现。 |
| **技术特征P：** 其中，DAE进一步包括计算机程序代码，所述计算机程序代码被配置成与处理器一起使得装置：从合法网络配置的应用并且朝向不同的运营商目标学习如由EMA定义的不同上下文中的不同网络配置的质量，并且随后针对网络上下文和状态选择最佳网络配置。<br><br>《隐含公开》 | [0004] “...a cognitive learning function is configured to provide feedback to make optimally directed adjustments to the at least one adaptive tuning engine.”<br><br>[0053] “...to make optimal decisions to prevent the impact of one tuning engine adjustment from negating the effect of another tuning engine.” | 对比文件公开了认知学习功能（cognitive learning function），该功能提供反馈以对调优引擎进行“最优导向的调整（optimally directed adjustments）”。这隐含了系统能够从配置应用的结果（反馈）中学习，并朝向最优目标（运营商目标）调整。同时，加权决策也旨在做出最优决策。虽然未明确提及“不同上下文中的质量学习”，但学习反馈和优化决策的过程必然涉及对配置质量的评估。因此，本领域技术人员可以合理推断DAE具备学习能力以选择最佳配置。 |
| **技术特征Q：** 其中，DAE被实现为单个目标RL代理，其中，单个目标是优化CF要求，所述CF要求包括针对不同技术目标或KPI的一个或多个目标。<br><br>《未公开》 | [0053] “...to use weighted-compound decision making to order relative importance of tuning engines...to make optimal decisions to prevent the impact of one tuning engine adjustment from negating the effect of another tuning engine.” | 对比文件公开了使用加权复合决策来协调多个调优引擎，以做出最优决策。这实际上是在处理多目标优化问题（协调不同引擎的目标）。这与目标专利中将DAE实现为一个“单个目标RL代理”不同，后者是将多个技术目标合并为一个单一的优化目标。对比文件没有公开将多目标合并为单一目标并使用强化学习（RL）代理来实现DAE的具体方案。 |
| **技术特征R：** 其中，所述系统进一步包括第一接口，所述第一接口被配置成提供预期由CF实现的KPI目标以及指示要如何解释目标的附加信息，附加信息包括KPI的权重、优先级或效用中的一个或多个。<br><br>《未公开》 | 无直接或隐含对应内容。 | 对比文件描述了系统内部的逻辑功能和模块（如加权算法、认知层），但完全没有描述用于连接这些模块或在它们之间传递特定信息的标准化接口（Interface），更没有描述接口的具体配置，如提供KPI目标及权重等附加信息。 |
| **技术特征S：** 其中，所述系统进一步包括第二接口，所述第二接口被配置成提供EMA与CE、CME和DAE中的一个或多个之间的连接<br><br>《未公开》 | 无直接或隐含对应内容。 | 同技术特征R，对比文件没有描述任何标准化接口。 |
| **技术特征T：** 并提供如由EMA创建的抽象环境状态或上下文。<br><br>《未公开》 | 无直接或隐含对应内容。 | 同技术特征R，对比文件没有描述接口传递的具体信息内容。 |
| **技术特征U：** 其中，所述系统进一步包括第三接口，所述第三接口被配置成提供CE与CME之间的连接<br><br>《未公开》 | 无直接或隐含对应内容。 | 同技术特征R，对比文件没有描述任何标准化接口。 |
| **技术特征V：** 并提供由CE导出的关于具体CF的配置的规则。<br><br>《未公开》 | 无直接或隐含对应内容。 | 同技术特征R，对比文件没有描述接口传递的具体信息内容。 |
| **技术特征W：** 其中，所述系统进一步包括第四接口，所述第四接口被配置成提供CE与DAE之间的连接<br><br>《未公开》 | 无直接或隐含对应内容。 | 同技术特征R，对比文件没有描述任何标准化接口。 |
| **技术特征X：** 并提供合法的网络配置的集合。<br><br>《未公开》 | 无直接或隐含对应内容。 | 同技术特征R，对比文件没有描述接口传递的具体信息内容。 |
| **技术特征Y：** 其中，所述系统进一步包括第五接口，所述第五接口被配置成提供DAE与EMA之间的连接<br><br>《未公开》 | 无直接或隐含对应内容。 | 同技术特征R，对比文件没有描述任何标准化接口。 |
| **技术特征Z：** 并携带如由DAE选择的当前网络配置。<br><br>《未公开》 | 无直接或隐含对应内容。 | 同技术特征R，对比文件没有描述接口传递的具体信息内容。 |
<<<a>>> <<<b>>> <<<c>>> <<<d>>> <<<e>>> <<<f>>> <<<g>>> <<<h>>> <<<l>>> <<<m>>> <<<o>>> <<<p>>>