特開2024-135380複数のサイトそれぞれに配置された分析機能サーバの学習モデル訓練方法、分析機能サーバ及びプログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024135380
(43)【公開日】2024-10-04
(54)【発明の名称】複数のサイトそれぞれに配置された分析機能サーバの学習モデル訓練方法、分析機能サーバ及びプログラム
(51)【国際特許分類】
H04L 41/16 20220101AFI20240927BHJP
G06N 20/00 20190101ALI20240927BHJP
G06N 3/098 20230101ALI20240927BHJP
【ＦＩ】
H04L41/16
G06N20/00
G06N3/098
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2023046032
(22)【出願日】2023-03-22
【国等の委託研究の成果に係る記載事項】（出願人による申告）令和３年度、国立研究開発法人情報通信研究機構「革新的情報通信技術研究開発委託研究／Ｂｅｙｏｎｄ ５Ｇに向けたテラヘルツ帯を活用した端末拡張型無線通信システム実現のための研究開発 研究開発項目 ３ 端末拡張型無線通信システム構築・制御技術 副題：Ｂｅｙｏｎｄ ５Ｇに向けたテラヘルツ帯を活用するユーザセントリックアーキテクチャ実現に関する研究開発」、産業技術力強化法第１７条の適用を受ける特許出願
(71)【出願人】
【識別番号】000208891
【氏名又は名称】ＫＤＤＩ株式会社
(74)【代理人】
【識別番号】100135068
【弁理士】
【氏名又は名称】早原 茂樹
(72)【発明者】
【氏名】倉田 真之
(72)【発明者】
【氏名】鈴木 陽登
(72)【発明者】
【氏名】伊神 皓生
(57)【要約】
【課題】エッジサイトの分析制御サーバの処理負荷を低減すると共に、エッジサイトとセントラルサイトとの間のネットワーク資源の使用容量を低減することができる分析機能サーバの学習モデル訓練方法、分析機能サーバ及びプログラムを提供する。
【解決手段】エッジサイトの第１の分析機能サーバは、エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する。そして、真と判定した場合、当該ネットワークデータを、セントラルサイトの第２の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させる。一方で、偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの第２の分析機能サーバへ送信する。
【選択図】図４
【解決手段】エッジサイトの第１の分析機能サーバは、エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する。そして、真と判定した場合、当該ネットワークデータを、セントラルサイトの第２の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させる。一方で、偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの第２の分析機能サーバへ送信する。
【選択図】図４
【特許請求の範囲】
【請求項1】
所定の分析項目について、学習モデルを用いてネットワークデータから分析する複数の分析機能サーバの学習モデル訓練方法であって、
エッジサイトに第１の分析機能サーバが配置され、セントラルサイトに第２の分析機能サーバが配置されており、
エッジサイトの第１の分析機能サーバは、
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する第１のステップと、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの第２の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させる第２１のステップと、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの第２の分析機能サーバへ送信する第２２のステップと
を有することを特徴とする分析機能サーバの学習モデル訓練方法。
エッジサイトに第１の分析機能サーバが配置され、セントラルサイトに第２の分析機能サーバが配置されており、
エッジサイトの第１の分析機能サーバは、
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する第１のステップと、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの第２の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させる第２１のステップと、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの第２の分析機能サーバへ送信する第２２のステップと
を有することを特徴とする分析機能サーバの学習モデル訓練方法。
【請求項2】
エッジサイトの第１の分析機能サーバは、第１のステップの前段として、自らの計算資源使用率が所定閾値よりも高い場合、第２１のステップへ移行する
ことを特徴とする請求項１に記載の分析機能サーバの学習モデル訓練方法。
ことを特徴とする請求項１に記載の分析機能サーバの学習モデル訓練方法。
【請求項3】
エッジサイトの第１の分析機能サーバは、第１のステップの前段として、
コンシューマサーバから、分析項目と、分析要求期間とを含む分析要求を受信し、当該分析項目における分析要求期間に応じたネットワークデータをエッジサイトのデータソースから取得し、学習モデルを用いて推論処理を実行し、分析結果をコンシューマサーバへ返信する
ことを特徴とする請求項１又は２に記載の分析機能サーバの学習モデル訓練方法。
コンシューマサーバから、分析項目と、分析要求期間とを含む分析要求を受信し、当該分析項目における分析要求期間に応じたネットワークデータをエッジサイトのデータソースから取得し、学習モデルを用いて推論処理を実行し、分析結果をコンシューマサーバへ返信する
ことを特徴とする請求項１又は２に記載の分析機能サーバの学習モデル訓練方法。
【請求項4】
セントラルサイトの第２の分析機能サーバは、複数のエッジサイトにおける複数の第１の分析機能サーバの学習モデルを蓄積して共有する
ことを特徴とする請求項１又は２に記載の分析機能サーバの学習モデル訓練方法。
ことを特徴とする請求項１又は２に記載の分析機能サーバの学習モデル訓練方法。
【請求項5】
分析機能サーバは、ＮＷＤＡＦ(Network Data Analytics Function)であり、
分析機能サーバの学習モデルは、ＭＴＬＦ(Model Training logical function)によって訓練され、
分析機能サーバの推論処理は、ＡｎＬＦ(Analytics logical function)によって実行される
ことを特徴とする請求項１又は２に記載の分析機能サーバの学習モデル訓練方法。
分析機能サーバの学習モデルは、ＭＴＬＦ(Model Training logical function)によって訓練され、
分析機能サーバの推論処理は、ＡｎＬＦ(Analytics logical function)によって実行される
ことを特徴とする請求項１又は２に記載の分析機能サーバの学習モデル訓練方法。
【請求項6】
エッジサイトに分析制御機能サーバを更に有し、
コンシューマサーバは、自ら配置されたエッジサイトの分析制御機能サーバへ分析要求を送信し、
分析制御機能サーバが、エッジサイトの分析制御サーバを選択し、当該分析制御サーバへ当該分析要求を転送する
ことを特徴とする請求項１又は２に記載の分析機能サーバの学習モデル訓練方法。
コンシューマサーバは、自ら配置されたエッジサイトの分析制御機能サーバへ分析要求を送信し、
分析制御機能サーバが、エッジサイトの分析制御サーバを選択し、当該分析制御サーバへ当該分析要求を転送する
ことを特徴とする請求項１又は２に記載の分析機能サーバの学習モデル訓練方法。
【請求項7】
所定の分析項目について、学習モデルを用いてネットワークデータから分析すると共に、セントラルサイトの他の分析機能サーバと通信可能な、エッジサイトの分析機能サーバであって、
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する判定手段と、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの他の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させるネットワークデータ送信手段と、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの他の分析機能サーバへ送信する学習モデル送信手段と
を有することを特徴とするエッジサイトの分析機能サーバ。
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する判定手段と、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの他の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させるネットワークデータ送信手段と、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの他の分析機能サーバへ送信する学習モデル送信手段と
を有することを特徴とするエッジサイトの分析機能サーバ。
【請求項8】
所定の分析項目について、学習モデルを用いてネットワークデータから分析すると共に、セントラルサイトの他の分析機能サーバと通信可能な、エッジサイトの分析機能サーバに搭載されたコンピュータを機能させるプログラムであって、
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する判定手段と、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの他の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させるネットワークデータ送信手段と、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの他の分析機能サーバへ送信する学習モデル送信手段と
してコンピュータを機能させることを特徴とする分析機能サーバのプログラム。
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する判定手段と、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの他の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させるネットワークデータ送信手段と、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの他の分析機能サーバへ送信する学習モデル送信手段と
してコンピュータを機能させることを特徴とする分析機能サーバのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、移動通信ネットワークのコアシステムに配置された分析制御サーバの技術に関する。特に、ＮＷＤＡＦ(NetWork Data Analytics Function)の技術に関する。
【背景技術】
【0002】
移動通信ネットワークは、５Ｇ(5th Generation)及び４Ｇ(4th Generation)の両規格に共通して、ユーザ端末(ＵＥ(User Equipment)）と、ＲＡＮ(Radio Access Network)と、コアシステム(Core network System)とから構成される。
【0003】
図１は、従来技術におけるコアシステムの機能構成図である。
【0004】
コアシステムは、論理的なコントロールプレーン(Control Plane)ネットワーク装置群の仮想化基盤に、物理的なユーザプレーン(User Plane)ネットワーク装置群が配置されている。コントロールプレーンネットワーク装置は、ＲＡＮを介して多数のユーザ端末を収容し、通信確立などの制御信号を送受信する。ユーザプレーンネットワーク装置は、ＲＡＮを介してユーザ端末のユーザデータを送受信する。
また、コアシステムには、コントロールプレーンネットワーク装置群を制御するために、様々なＮＦ(Network Function)サーバが配置されている。
また、コアシステムには、コントロールプレーンネットワーク装置群を制御するために、様々なＮＦ(Network Function)サーバが配置されている。
【0005】
コアシステムには、通信設備装置としての様々なデータソースから、多種多様なログデータを取得して分析するＮＷＤＡＦ（分析制御サーバ）が配置されている。ＮＷＤＡＦは、ＮＦコンシューマから分析要求を受信し、その分析結果を返信する。これは、３ＧＰＰ(3rd Generation Partnership Project)（登録商標）に標準化されている（例えば非特許文献１参照）。
ＮＷＤＡＦには、連合学習(Federated Learning)が導入されている。これによって、ＮＷＤＡＦは、学習（ＡＩ）モデルを、ネットワークデータによって訓練しながら、推論に用いることができる（例えば非特許文献２参照）。
ＮＷＤＡＦには、連合学習(Federated Learning)が導入されている。これによって、ＮＷＤＡＦは、学習（ＡＩ）モデルを、ネットワークデータによって訓練しながら、推論に用いることができる（例えば非特許文献２参照）。
【0006】
図１によれば、以下のようなＮＦサーバから構成されている。
アプリケーション機能サーバ（ＮＦコンシューマ）１０
レポジトリ機能サーバ（ＮＲＦ）１１
分析機能サーバ（ＮＷＤＡＦ）１２
ＮＷＤＡＦ１２は、分析項目に応じた学習モデルを保有し、分析要求に応じて推論処理を実行し、その分析結果を返信する。そのために、分析項目の種類毎に、複数のＮＷＤＡＦ１２が配置される。
ＮＦコンシューマ１０は、分析要求の送信元となるＮＦサーバである。
ＮＲＦ１１は、ＮＦコンシューマからの発見要求に応じて、複数のＮＷＤＡＦ１２の中から１つのＮＷＤＡＦを選択して応答する。
尚、コントロールプレーンネットワーク装置群やユーザプレーンネットワーク装置群は、データソースとなり、ＮＷＤＡＦが学習モデルを用いて推論処理を実行するための入力データとなる。
アプリケーション機能サーバ（ＮＦコンシューマ）１０
レポジトリ機能サーバ（ＮＲＦ）１１
分析機能サーバ（ＮＷＤＡＦ）１２
ＮＷＤＡＦ１２は、分析項目に応じた学習モデルを保有し、分析要求に応じて推論処理を実行し、その分析結果を返信する。そのために、分析項目の種類毎に、複数のＮＷＤＡＦ１２が配置される。
ＮＦコンシューマ１０は、分析要求の送信元となるＮＦサーバである。
ＮＲＦ１１は、ＮＦコンシューマからの発見要求に応じて、複数のＮＷＤＡＦ１２の中から１つのＮＷＤＡＦを選択して応答する。
尚、コントロールプレーンネットワーク装置群やユーザプレーンネットワーク装置群は、データソースとなり、ＮＷＤＡＦが学習モデルを用いて推論処理を実行するための入力データとなる。
【0007】
図２は、従来技術におけるシーケンス図である。
【0008】
（ｓ０１）ＮＦコンシューマ１０が、分析項目αについて分析結果を得たいとする。このとき、ＮＦコンシューマ１０は、ＮＲＦ１１へ、発見要求(Discover Request)を送信し、分析項目αを分析可能なＮＷＤＡＦを問い合わせる。
尚、発見要求には、分析項目αにおける分析結果を得るまでの時間のパラメータであるPreferred Supported Analytics Delayが設定されることも好ましい（例えば非特許文献２参照）。
尚、発見要求には、分析項目αにおける分析結果を得るまでの時間のパラメータであるPreferred Supported Analytics Delayが設定されることも好ましい（例えば非特許文献２参照）。
【0009】
（ｓ０２）ＮＲＦ１１は、ＮＦコンシューマ１０から発見要求を受信した際に、分析可能なＮＷＤＡＦ１２を選択する。選択されたＮＷＤＡＦ１２のアドレスを、ＮＦコンシューマ１０へ返信する。ここで選択されたＮＷＤＡＦ１２は、ＮＦコンシューマ１０から要求された分析項目αを分析するための「学習モデル」を保有している。
【0010】
（ｓ０３）ＮＦコンシューマ１０は、ＮＲＦ１１から返信されたＮＷＤＡＦのアドレスへ、「分析要求」を送信する。分析要求には、以下の情報が含まれる。
分析項目(Analytics ID) ：分析処理の指定
分析要求期間(Analytics target period)：分析結果として要求する期間
所望待ち時間(expected waiting time) ：分析処理の応答待ち時間
分析項目(Analytics ID) ：分析処理の指定
分析要求期間(Analytics target period)：分析結果として要求する期間
所望待ち時間(expected waiting time) ：分析処理の応答待ち時間
【0011】
分析要求を受信したＮＷＤＡＦ１２は、所望待ち時間内に分析結果を返信できない場合には、エラーレスポンスを、ＮＦコンシューマ１０へ返信する。このとき、ＮＷＤＡＦ１２は、エラーレスポンスに、分析処理待ち時間(revised waiting time)を設定するものであってもよい。
【0012】
（ｓ０４）ＮＷＤＡＦ１２は、分析項目αについて分析するための入力データを取得するべく、データソースへ、ネットワークデータ要求を送信する。
これに対し、データソースは、ネットワークデータを、ＮＷＤＡＦ１２へ送信する。この「データ収集時間」は、ＮＷＤＡＦ１２の処理時間として遅延することとなる。
これに対し、データソースは、ネットワークデータを、ＮＷＤＡＦ１２へ送信する。この「データ収集時間」は、ＮＷＤＡＦ１２の処理時間として遅延することとなる。
【0013】
（ｓ０５）ＮＷＤＡＦ１２１は、学習モデルにネットワークデータを入力し、推論処理を実行し、その分析結果を得る。この「推論時間」は、ＮＷＤＡＦ１２の処理時間として遅延することとなる。
【0014】
（ｓ０６）そして、ＮＷＤＡＦ１２１は、その分析結果を、ＮＦコンシューマ１０へ返信する。
【先行技術文献】
【非特許文献】
【0015】
【非特許文献1】3GPP TS 23.288 “Architecture enhancements for 5G System (5GS) to support network data analytics services”、[online]、［令和５年３月７日検索］、インターネット＜URL:https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3579＞
【非特許文献2】Hexa-X deliverables D4.2 “AI-driven communication & computation co-design: initial solutions”、[online]、［令和５年３月７日検索］、インターネット＜URL: https://hexa-x.eu/wp-content/uploads/2022/07/Hexa-X_D4.2_v1.0.pdf＞
【発明の概要】
【発明が解決しようとする課題】
【0016】
前述したように、従来、コアシステムにおける様々なＮＦサーバは、１つのサイトで集中的に管理されるものであった。
これに対し、近年、５Ｇや６Ｇでは、セントラルサイトやエッジサイトからなる分散コンピューティングに基づくアーキテクチャが採用されている。そのために、複数のＮＷＤＡＦが、セントラルサイトのみならず、エッジサイトにも配置されてきている。ＮＦコンシューマが存在するエッジサイトに、ＮＷＤＡＦを配置することによって、分析要求を送信して分析結果を受信するまでの伝送遅延が短縮される、という利点がある。
これに対し、近年、５Ｇや６Ｇでは、セントラルサイトやエッジサイトからなる分散コンピューティングに基づくアーキテクチャが採用されている。そのために、複数のＮＷＤＡＦが、セントラルサイトのみならず、エッジサイトにも配置されてきている。ＮＦコンシューマが存在するエッジサイトに、ＮＷＤＡＦを配置することによって、分析要求を送信して分析結果を受信するまでの伝送遅延が短縮される、という利点がある。
【0017】
しかしながら、エッジサイトのＮＦコンシューマは、そのエッジサイト内に配置されたＮＷＤＡＦへ「分析要求」を送信することとなる。このとき、エッジサイト内で発生した分析要求が、そのエッジサイトのＮＷＤＡＦに集中するという課題がある。
エッジサイトのＮＦサーバの多くは、セントラルサイトと比較して、一般的に、計算資源が限られている。そのために、エッジサイトのＮＷＤＡＦも、その計算資源が枯渇しやすくなる。ＮＦコンシューマが、自らのエッジサイト内のＮＷＤＡＦへ分析要求を送信しても、所望待ち時間(expected waiting time)を満たせなくなる。
エッジサイトのＮＦサーバの多くは、セントラルサイトと比較して、一般的に、計算資源が限られている。そのために、エッジサイトのＮＷＤＡＦも、その計算資源が枯渇しやすくなる。ＮＦコンシューマが、自らのエッジサイト内のＮＷＤＡＦへ分析要求を送信しても、所望待ち時間(expected waiting time)を満たせなくなる。
【0018】
また、コアシステムにおける様々なＮＦサーバが、セントラルサイトやエッジサイトに分散することとなり、サイト間のネットワーク資源の使用量が増加するという課題もある。特に、セントラルサイトと複数のエッジサイトとのそれぞれが地理的に分散するほど、ネットワーク資源の容量が問題となる。
【0019】
そこで、本発明は、エッジサイトの分析制御サーバの処理負荷を低減すると共に、エッジサイトとセントラルサイトとの間のネットワーク資源の使用容量を低減することができる分析機能サーバの学習モデル訓練方法、分析機能サーバ及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【0020】
本発明によれば、所定の分析項目について、学習モデルを用いてネットワークデータから分析する複数の分析機能サーバの学習モデル訓練方法であって、
エッジサイトに第１の分析機能サーバが配置され、セントラルサイトに第２の分析機能サーバが配置されており、
エッジサイトの第１の分析機能サーバは、
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する第１のステップと、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの第２の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させる第２１のステップと、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの第２の分析機能サーバへ送信する第２２のステップと
を有することを特徴とする。
エッジサイトに第１の分析機能サーバが配置され、セントラルサイトに第２の分析機能サーバが配置されており、
エッジサイトの第１の分析機能サーバは、
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する第１のステップと、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの第２の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させる第２１のステップと、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの第２の分析機能サーバへ送信する第２２のステップと
を有することを特徴とする。
【0021】
本発明の分析機能サーバの学習モデル訓練方法における他の実施形態によれば、
エッジサイトの第１の分析機能サーバは、第１のステップの前段として、自らの計算資源使用率が所定閾値よりも高い場合、第２１のステップへ移行する
ことも好ましい。
エッジサイトの第１の分析機能サーバは、第１のステップの前段として、自らの計算資源使用率が所定閾値よりも高い場合、第２１のステップへ移行する
ことも好ましい。
【0022】
本発明の分析機能サーバの学習モデル訓練方法における他の実施形態によれば、
エッジサイトの第１の分析機能サーバは、第１のステップの前段として、
コンシューマサーバから、分析項目と、分析要求期間とを含む分析要求を受信し、当該分析項目における分析要求期間に応じたネットワークデータをエッジサイトのデータソースから取得し、学習モデルを用いて推論処理を実行し、分析結果をコンシューマサーバへ返信する
ことも好ましい。
エッジサイトの第１の分析機能サーバは、第１のステップの前段として、
コンシューマサーバから、分析項目と、分析要求期間とを含む分析要求を受信し、当該分析項目における分析要求期間に応じたネットワークデータをエッジサイトのデータソースから取得し、学習モデルを用いて推論処理を実行し、分析結果をコンシューマサーバへ返信する
ことも好ましい。
【0023】
本発明の分析機能サーバの学習モデル訓練方法における他の実施形態によれば、
セントラルサイトの第２の分析機能サーバは、複数のエッジサイトにおける複数の第１の分析機能サーバの学習モデルを蓄積して共有する
ことも好ましい。
セントラルサイトの第２の分析機能サーバは、複数のエッジサイトにおける複数の第１の分析機能サーバの学習モデルを蓄積して共有する
ことも好ましい。
【0024】
本発明の分析機能サーバの学習モデル訓練方法における他の実施形態によれば、
分析機能サーバは、ＮＷＤＡＦ(Network Data Analytics Function)であり、
分析機能サーバの学習モデルは、ＭＴＬＦ(Model Training logical function)によって訓練され、
分析機能サーバの推論処理は、ＡｎＬＦ(Analytics logical function)によって実行される
ことも好ましい。
分析機能サーバは、ＮＷＤＡＦ(Network Data Analytics Function)であり、
分析機能サーバの学習モデルは、ＭＴＬＦ(Model Training logical function)によって訓練され、
分析機能サーバの推論処理は、ＡｎＬＦ(Analytics logical function)によって実行される
ことも好ましい。
【0025】
本発明の分析機能サーバの学習モデル訓練方法における他の実施形態によれば、
エッジサイトに分析制御機能サーバを更に有し、
コンシューマサーバは、自ら配置されたエッジサイトの分析制御機能サーバへ分析要求を送信し、
分析制御機能サーバが、エッジサイトの分析制御サーバを選択し、当該分析制御サーバへ当該分析要求を転送する
ことも好ましい。
エッジサイトに分析制御機能サーバを更に有し、
コンシューマサーバは、自ら配置されたエッジサイトの分析制御機能サーバへ分析要求を送信し、
分析制御機能サーバが、エッジサイトの分析制御サーバを選択し、当該分析制御サーバへ当該分析要求を転送する
ことも好ましい。
【0026】
本発明によれば、所定の分析項目について、学習モデルを用いてネットワークデータから分析すると共に、セントラルサイトの他の分析機能サーバと通信可能な、エッジサイトの分析機能サーバであって、
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する判定手段と、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの他の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させるネットワークデータ送信手段と、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの他の分析機能サーバへ送信する学習モデル送信手段と
を有することを特徴とする。
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する判定手段と、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの他の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させるネットワークデータ送信手段と、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの他の分析機能サーバへ送信する学習モデル送信手段と
を有することを特徴とする。
【0027】
本発明によれば、所定の分析項目について、学習モデルを用いてネットワークデータから分析すると共に、セントラルサイトの他の分析機能サーバと通信可能な、エッジサイトの分析機能サーバに搭載されたコンピュータを機能させるプログラムであって、
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する判定手段と、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの他の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させるネットワークデータ送信手段と、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの他の分析機能サーバへ送信する学習モデル送信手段と
してコンピュータを機能させることを特徴とする。
エッジサイトのデータソースにおけるネットワークデータから学習モデルを訓練する際に、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する判定手段と、
第１のステップによって真と判定した場合、当該ネットワークデータを、セントラルサイトの他の分析機能サーバへ送信し、第２の分析機能サーバに、当該ネットワークデータによって学習モデルを訓練させるネットワークデータ送信手段と、
第１のステップによって偽と判定した場合、当該ネットワークデータによって学習モデルを訓練し、訓練した学習モデルを、セントラルサイトの他の分析機能サーバへ送信する学習モデル送信手段と
してコンピュータを機能させることを特徴とする。
【発明の効果】
【0028】
本発明の分析機能サーバの学習モデル訓練方法、分析機能サーバ及びプログラムによれば、エッジサイトの分析制御サーバの処理負荷を低減すると共に、エッジサイトとセントラルサイトとの間のネットワーク資源の使用容量を低減することができる。
【図面の簡単な説明】
【0029】
【図1】従来技術におけるシステム構成図である。
【図2】従来技術におけるシーケンス図である。
【図3】本発明におけるシステム構成図である。
【図4】本発明におけるエッジサイトの分析機能サーバのフローチャートである。
【図5】分析制御機能サーバを更に有するシステム構成図である。
【発明を実施するための形態】
【0030】
以下では、本発明の実施の形態について、図面を用いて詳細に説明する。
【0031】
図３は、本発明におけるシステム構成図である。
【0032】
図３のコアシステムによれば、複数のエッジサイトと、１つのセントラルサイトとから構成されている。複数のエッジサイトとセントラルサイトとはそれぞれ、地理的に分散して配置されたものであってもよいし、計算資源を考慮して論理的に分散して配置されたものであってもよい。
【0033】
ＮＲＦ１１は、従来技術と同様に、ＮＦコンシューマ１０が必要とする様々なＮＦサーバを発見することができる。
ＮＦコンシューマ１０は、自ら属するエッジサイト内に配置されたＮＲＦ１１へ、当該分析項目の分析可能なＮＷＤＡＦ１２のアドレスを問い合わせることができる。
ＮＦコンシューマ１０は、自ら属するエッジサイト内に配置されたＮＲＦ１１へ、当該分析項目の分析可能なＮＷＤＡＦ１２のアドレスを問い合わせることができる。
【0034】
複数のエッジサイトとセントラルサイトとにはそれぞれ、所定の分析項目について、ネットワークデータから学習モデルを用いて分析する複数のＮＷＤＡＦ（分析機能サーバ）１２が配置されている。
ＮＷＤＡＦ１２は、既存のものであって、以下の２つの機能を有する。
ＡｎＬＦ(Analytics Logical Function)
ＭＴＬＦ(Model Training Logical Function)
ＮＷＤＡＦ１２の学習モデルは、ＭＴＬＦによって訓練される。ＭＴＬＦは、データソースから取得したログデータによって学習モデルを再訓練し、その学習モデルをＡｎＬＦに利用させる。
また、ＮＷＤＡＦ１２の推論処理は、ＡｎＬＦによって実行される。ＡｎＬＦは、分析要求を受信し、その分析結果を返信する。
ＮＷＤＡＦ１２は、既存のものであって、以下の２つの機能を有する。
ＡｎＬＦ(Analytics Logical Function)
ＭＴＬＦ(Model Training Logical Function)
ＮＷＤＡＦ１２の学習モデルは、ＭＴＬＦによって訓練される。ＭＴＬＦは、データソースから取得したログデータによって学習モデルを再訓練し、その学習モデルをＡｎＬＦに利用させる。
また、ＮＷＤＡＦ１２の推論処理は、ＡｎＬＦによって実行される。ＡｎＬＦは、分析要求を受信し、その分析結果を返信する。
【0035】
図３によれば、エッジサイトＸのＮＷＤＡＦ１２は、セントラルサイトのＮＷＤＡＦ２２と通信することができる。エッジサイトＸのＮＷＤＡＦ１２は、セントラルサイトのＮＷＤＡＦ２２を発見するために、セントラルサイトのＮＲＦ２１へ問い合わせるものであってもよい。
また、セントラルサイトのＮＷＤＡＦ２２は、複数のエッジサイトにおける複数のＮＷＤＡＦ１２の学習モデルを蓄積するものであってもよい。これによって、セントラルサイトのＮＷＤＡＦ２２は、共有となる学習モデルを構築することができ、エッジサイトの多数のＮＷＤＡＦ１２から利用可能となる。
また、セントラルサイトのＮＷＤＡＦ２２は、複数のエッジサイトにおける複数のＮＷＤＡＦ１２の学習モデルを蓄積するものであってもよい。これによって、セントラルサイトのＮＷＤＡＦ２２は、共有となる学習モデルを構築することができ、エッジサイトの多数のＮＷＤＡＦ１２から利用可能となる。
【0036】
図４は、本発明におけるエッジサイトの分析機能サーバのフローチャートである。
【0037】
（ｓ０３）前述した図２と同様である。ＮＷＤＡＦ１２は、ＮＦコンシューマ１０から「分析要求」を受信する。分析要求には、少なくとも、分析項目及び分析要求期間が含まれる。
ＮＷＤＡＦ１２は、分析要求に含まれる分析項目αに応じた学習モデルＡを保有していることを前提とする。ここで、保有する学習モデルは、最終更新日時や、学習済みのネットワークデータにおける分析可能期間のようなメタデータを保持する。
ＮＷＤＡＦ１２は、分析要求に含まれる分析項目αに応じた学習モデルＡを保有していることを前提とする。ここで、保有する学習モデルは、最終更新日時や、学習済みのネットワークデータにおける分析可能期間のようなメタデータを保持する。
【0038】
（ｓ０４）前述した図２と同様である。ＮＷＤＡＦ１２は、分析項目αについて分析するための入力データを取得するべく、データソースへ、分析要求期間に応じたネットワークデータを要求する「ネットワークデータ要求」を送信する。これによって、ＮＷＤＡＦ１２は、そのネットワークデータを、データソースから受信する。
【0039】
（ｓ０５）前述した図２と同様である。ＮＷＤＡＦ１２は、分析項目αにおける学習モデルにネットワークデータを入力して、推論処理を実行し、その分析結果をＮＦコンシューマ１０へ返信する。
【0040】
＜学習モデルの再訓練＞
ＮＷＤＡＦ１２は、分析結果を返信した後、そのネットワークデータによって再訓練することが好ましい。これによって、学習モデルを更新することができる。また、学習モデルは、エッジサイトのＮＷＤＡＦ１２と、セントラルサイトのＮＷＤＡＦ２２とので共有する。セントラルサイトのＮＷＤＡＦ２２で保有される学習モデルは、他のエッジサイトでも利用することができる。
ＮＷＤＡＦ１２は、分析結果を返信した後、そのネットワークデータによって再訓練することが好ましい。これによって、学習モデルを更新することができる。また、学習モデルは、エッジサイトのＮＷＤＡＦ１２と、セントラルサイトのＮＷＤＡＦ２２とので共有する。セントラルサイトのＮＷＤＡＦ２２で保有される学習モデルは、他のエッジサイトでも利用することができる。
【0041】
（Ｓ０）最初に、ＮＷＤＡＦ１２は、自らの計算資源使用率が所定閾値以下であるか否かを判定する。真（計算資源使用率≦所定閾値）と判定した場合、Ｓ１へ移行する。一方で、偽（計算資源使用率＞所定閾値）と判定した場合、過負荷状態にあるとして、Ｓ２１へ移行する。これによって、エッジサイトのＮＷＤＡＦ１２については、処理負荷を常に低減させるようにする。
尚、ＮＷＤＡＦ１２は、自ら計測可能な計算資源使用率として、プロセッサの使用率を用いてもよいし、単位時間あたりの分析要求の受信率を用いてもよい。
尚、ＮＷＤＡＦ１２は、自ら計測可能な計算資源使用率として、プロセッサの使用率を用いてもよいし、単位時間あたりの分析要求の受信率を用いてもよい。
【0042】
（Ｓ１）ＮＷＤＡＦ１２は、当該ネットワークデータの容量が、自ら保持する学習モデルの容量以下であるか否かを判定する。真（ネットワークデータの容量≦学習モデルの容量）と判定した場合、Ｓ２１へ移行する。一方で、偽（ネットワークデータの容量＞学習モデルの容量）と判定した場合、Ｓ２２へ移行する。
【0043】
（Ｓ２１）ここでは、エッジサイトのＮＷＤＡＦ１２は、計算資源とネットワーク資源との観点から、学習モデルＡを自ら再訓練するよりも、セントラルサイトのＮＷＤＡＦ２２によって再訓練させた方がよいと判定したこととなる。そのために、ＮＷＤＡＦ１２は、ネットワークデータを、セントラルサイトのＮＷＤＡＦ２２へ送信する。これによって、ＮＷＤＡＦ２２に、そのネットワークデータによって学習モデルＡを訓練させる。
但し、エッジサイトとセントラルサイトとの間のネットワークが輻輳しており、伝送遅延が所定閾値以上となる場合には、Ｓ２２へ移行することも好ましい。
但し、エッジサイトとセントラルサイトとの間のネットワークが輻輳しており、伝送遅延が所定閾値以上となる場合には、Ｓ２２へ移行することも好ましい。
【0044】
尚、エッジサイトのＮＷＤＡＦ１２は、データソースから取得したネットワークデータの中で、学習モデルが保持する最終更新日時及び分析可能期間を超えるネットワークデータのみで、その学習モデルを訓練する。
【0045】
（Ｓ２２）ここでは、エッジサイトのＮＷＤＡＦ１２は、計算資源とネットワーク資源との観点から、ネットワークデータによって学習モデルＡを訓練し、訓練した学習モデルＡを、セントラルサイトのＮＷＤＡＦ２２へ送信する。
エッジサイトとセントラルサイトとの間で、ネットワークデータを送受信するよりも、学習モデルを送受信することによって、トラフィック量を軽減し、ネットワーク資源の使用容量を低減する。
エッジサイトとセントラルサイトとの間で、ネットワークデータを送受信するよりも、学習モデルを送受信することによって、トラフィック量を軽減し、ネットワーク資源の使用容量を低減する。
【0046】
尚、セントラルサイトのＮＷＤＡＦ１２は、エッジサイトのＮＷＤＡＦ１２から受信したネットワークデータの中で、学習モデルが保持する最終更新日時及び分析可能期間を超えるネットワークデータのみで、その学習モデルを訓練する。
【0047】
図４によれば、エッジサイトのＮＷＤＡＦ１２の計算資源を考慮した推論と、エッジサイトとセントラルサイトとの間のネットワーク資源を考慮した学習モデルの再訓練との両方を実現することができる。
【0048】
図５は、分析制御機能サーバを更に有するシステム構成図である。
【0049】
図５によれば、図３と比較して、エッジサイトとセントラルサイトとにそれぞれ、分析制御機能サーバ（ＮＷＤＡＦコントローラ）１３及び２３が配置されている。
エッジサイトのＮＷＤＡＦコントローラ１３は、ＮＦコンシューマ１０に対して、プロデューササーバとして機能する。
エッジサイトのＮＷＤＡＦコントローラ１３は、ＮＦコンシューマ１０に対して、プロデューササーバとして機能する。
【0050】
ＮＦコンシューマ１０は、自ら配置されたエッジサイトのＮＲＦ１１へ、ＮＷＤＡＦコントローラ１３のアドレスを問い合わせる。
次に、ＮＦコンシューマ１０は、ＮＷＤＡＦコントローラ１３へ「分析要求」を送信する。
このように、ＮＷＤＡＦコントローラ１３を配置することによって、ＮＲＦ１１は、分析要求の分析項目に応じてＮＷＤＡＦ１２を発見する必要がなくなり、ＮＷＤＡＦ１２毎のSupported Analytics Delayを管理する必要もなくなる。ＮＲＦ１１は、ＮＷＤＡＦ１２の管理における処理負荷を低減させることができ、他の様々なＮＦサーバの発見のための処理負荷に向けることができる。
次に、ＮＦコンシューマ１０は、ＮＷＤＡＦコントローラ１３へ「分析要求」を送信する。
このように、ＮＷＤＡＦコントローラ１３を配置することによって、ＮＲＦ１１は、分析要求の分析項目に応じてＮＷＤＡＦ１２を発見する必要がなくなり、ＮＷＤＡＦ１２毎のSupported Analytics Delayを管理する必要もなくなる。ＮＲＦ１１は、ＮＷＤＡＦ１２の管理における処理負荷を低減させることができ、他の様々なＮＦサーバの発見のための処理負荷に向けることができる。
【0051】
＜ＮＷＤＡＦコントローラにおけるＮＷＤＡＦ１２毎の現計算資源使用率の管理＞
ＮＷＤＡＦコントローラ１３は、ＮＷＤＡＦ１２毎に、現在の計算資源使用率を管理するものであってもよい。ＮＷＤＡＦコントローラ１３は、自らの管理下にある複数のＮＷＤＡＦ１２から定期的に、計算資源使用率を受信するものであってもよい。
ＮＷＤＡＦコントローラ１３は、現在の計算資源使用率が高い順（計算資源効率が悪い順）から所定条件を満たす複数のＮＷＤＡＦ１２を、検索候補とする。ここで、「所定条件」とは、所定率以下であるとする。即ち、所定率よりも高い計算資源使用率となるＮＷＤＡＦ１２しか無い場合、検索候補を選択しない。一方で、所定率以下であって且つ計算資源使用率が最も高いＮＷＤＡＦを、検索候補とするものであってもよい。
ＮＷＤＡＦコントローラ１３は、ＮＷＤＡＦ１２毎に、現在の計算資源使用率を管理するものであってもよい。ＮＷＤＡＦコントローラ１３は、自らの管理下にある複数のＮＷＤＡＦ１２から定期的に、計算資源使用率を受信するものであってもよい。
ＮＷＤＡＦコントローラ１３は、現在の計算資源使用率が高い順（計算資源効率が悪い順）から所定条件を満たす複数のＮＷＤＡＦ１２を、検索候補とする。ここで、「所定条件」とは、所定率以下であるとする。即ち、所定率よりも高い計算資源使用率となるＮＷＤＡＦ１２しか無い場合、検索候補を選択しない。一方で、所定率以下であって且つ計算資源使用率が最も高いＮＷＤＡＦを、検索候補とするものであってもよい。
【0052】
＜ＮＷＤＡＦコントローラにおけるＮＷＤＡＦ１２の選択＞
ＮＷＤＡＦコントローラ１３は、検索候補となるＮＷＤＡＦ１２の中から、分析要求の所望待ち時間(expected waiting time)を満たすＮＷＤＡＦ１２を選択する。
ＮＷＤＡＦコントローラ１３は、分析要求期間の時間長(Analytics target period)に応じた推論時間が所望待ち時間を算出し、分析要求期間の時間長に応じたネットワークデータ取得時間を算出する。
そして、推論時間とデータ収集時間との和が、所望待ち時間以下となるＮＷＤＡＦ１２を検索候補とする。
推論時間＋データ収集時間 ≦ 所望待ち時間
ここで、ＮＷＤＡＦ１２が検索できない場合、エラーレスポンスをＮＦコンシューマ１０へ返信する。このとき、ＮＷＤＡＦコントローラ１３は、エラーレスポンスに、その推論時間をrevised waiting timeとして設定する。これによって、ＮＦコンシューマ１０は、revised waiting timeを考慮して、再度、分析要求を送信することもできる。
尚、ＮＷＤＡＦコントローラ１３は、ＮＷＤＡＦ１２毎に、実行すべき分析項目の推論時間の時間帯をスケジュール管理するものであってもよい。
ＮＷＤＡＦコントローラ１３は、検索候補となるＮＷＤＡＦ１２の中から、分析要求の所望待ち時間(expected waiting time)を満たすＮＷＤＡＦ１２を選択する。
ＮＷＤＡＦコントローラ１３は、分析要求期間の時間長(Analytics target period)に応じた推論時間が所望待ち時間を算出し、分析要求期間の時間長に応じたネットワークデータ取得時間を算出する。
そして、推論時間とデータ収集時間との和が、所望待ち時間以下となるＮＷＤＡＦ１２を検索候補とする。
推論時間＋データ収集時間 ≦ 所望待ち時間
ここで、ＮＷＤＡＦ１２が検索できない場合、エラーレスポンスをＮＦコンシューマ１０へ返信する。このとき、ＮＷＤＡＦコントローラ１３は、エラーレスポンスに、その推論時間をrevised waiting timeとして設定する。これによって、ＮＦコンシューマ１０は、revised waiting timeを考慮して、再度、分析要求を送信することもできる。
尚、ＮＷＤＡＦコントローラ１３は、ＮＷＤＡＦ１２毎に、実行すべき分析項目の推論時間の時間帯をスケジュール管理するものであってもよい。
【0053】
そして、ＮＷＤＡＦコントローラ１３は、選択されたＮＷＤＡＦ１２へ、ＮＦコンシューマ１０から受信した「分析要求」を転送する。
【0054】
以上、詳細に説明したように、本発明の分析機能サーバの学習モデル訓練方法、分析機能サーバ及びプログラムによれば、エッジサイトの分析制御サーバの処理負荷を低減すると共に、エッジサイトとセントラルサイトとの間のネットワーク資源の使用容量を低減することができる。
【0055】
尚、これにより、例えば「移動通信ネットワークのコアシステムにおける処理負荷を軽減することができる」ことから、国連が主導する持続可能な開発目標（ＳＤＧｓ）の目標９「レジリエントなインフラを整備し、持続可能な産業化を推進するとともに、イノベーションの拡大を図る」に貢献することが可能となる。
【0056】
前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。
【符号の説明】
【0057】
１０ ＮＦコンシューマ、アプリケーション機能サーバ
１１ ＮＲＦ、レポジトリ機能サーバ
１２ ＮＷＤＡＦ、分析機能サーバ
１３ ＮＷＤＡＦコントローラ、分析制御機能サーバ
２１ ＮＲＦ、レポジトリ機能サーバ
２２ ＮＷＤＡＦ、分析機能サーバ
２３ ＮＷＤＡＦコントローラ、分析制御機能サーバ
１１ ＮＲＦ、レポジトリ機能サーバ
１２ ＮＷＤＡＦ、分析機能サーバ
１３ ＮＷＤＡＦコントローラ、分析制御機能サーバ
２１ ＮＲＦ、レポジトリ機能サーバ
２２ ＮＷＤＡＦ、分析機能サーバ
２３ ＮＷＤＡＦコントローラ、分析制御機能サーバ
【図1】
【図2】
【図3】
【図4】
【図5】