特許 7427134 通信装置、パラメータ生成装置、通信システム、方法及びコンピュータプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-01-25

(45)【発行日】2024-02-02

(54)【発明の名称】通信装置、パラメータ生成装置、通信システム、方法及びコンピュータプログラム

(51)【国際特許分類】

   H04W 16/04 20090101AFI20240126BHJP

   H04W 24/02 20090101ALI20240126BHJP

   H04W 24/08 20090101ALI20240126BHJP

   H04W 60/00 20090101ALI20240126BHJP

   G06N 20/00 20190101ALI20240126BHJP

【ＦＩ】

H04W16/04

H04W24/02

H04W24/08

H04W60/00

G06N20/00

【請求項の数】 21

(21)【出願番号】P 2023180063

(22)【出願日】2023-10-19

【審査請求日】2023-10-19

【早期審査対象出願】

(73)【特許権者】

【識別番号】397036309

【氏名又は名称】株式会社インターネットイニシアティブ

(74)【代理人】

【識別番号】100118902

【弁理士】

【氏名又は名称】山本 修

(74)【代理人】

【識別番号】100106208

【弁理士】

【氏名又は名称】宮前 徹

(74)【代理人】

【識別番号】100196508

【弁理士】

【氏名又は名称】松尾 淳一

(74)【代理人】

【識別番号】100138759

【弁理士】

【氏名又は名称】大房 直樹

(74)【代理人】

【識別番号】100201743

【弁理士】

【氏名又は名称】井上 和真

(72)【発明者】

【氏名】柿島 純

【審査官】横田 有光

(56)【参考文献】

【文献】特表２００９－５１６９８３（ＪＰ，Ａ）

【文献】China Telecom，KI on UPF Support for Multiple Network Slice Sharing[online]，3GPP TSG CT WG4 #99e C4-204474，2020年08月27日，[検索日2024.1.9]，インターネット <URL:https://www.3gpp.org/ftp/tsg_ct/WG4_protocollars_ex-CN4/TSGCT4_99e_meeting/Docs/C4-204474.zip>

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０４Ｂ ７／２４－ ７／２６

Ｈ０４Ｗ ４／００－９９／００

Ｇ０６Ｎ ２０／００

Ｇ１０Ｌ １５／１４

３ＧＰＰ ＴＳＧ ＲＡＮ ＷＧ１－４

ＳＡ ＷＧ１－４

ＣＴ ＷＧ１、４

(57)【特許請求の範囲】

【請求項1】

複数の通信ノードの各通信ノードとの通信の頻度を計測し、前記各通信ノードについて当該計測された頻度を表す２値時系列からなる観測データを生成する頻度計測部と、
機械学習により推定された最尤パラメータをもつ混合確率分布に基づいて、前記観測データを複数のクラスタのうちの１つのクラスタに分類するクラスタリング部と、
前記観測データが分類された当該クラスタに対応付けされた割り当て量の計算資源を、当該各通信ノードに割り当てる資源割り当て部と
を備えることを特徴とする通信装置。

【請求項2】

請求項１に記載の通信装置であって、前記混合確率分布は、混合ベルヌーイ分布である、通信装置。

【請求項3】

請求項１に記載の通信装置であって、前記機械学習は、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ－Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムによる最尤推定を含む、通信装置。

【請求項4】

請求項１に記載の通信装置であって、
クラスタと計算資源の割り当て量との対応関係を定めるルックアップテーブルをさらに備え、
前記資源割り当て部は、前記ルックアップテーブルを参照して、当該各通信ノードに割り当てるべき割り当て量を決定する、通信装置。

【請求項5】

請求項１に記載の通信装置であって、
前記複数の通信ノードの各々は、移動通信システムに対して位置登録要求信号を発信する移動端末であり、
前記頻度計測部は、前記位置登録要求信号の発信頻度を前記通信の頻度として計測する、通信装置。

【請求項6】

請求項１に記載の通信装置であって、前記計算資源は、複数のプロセッサコアを含む、通信装置。

【請求項7】

複数の通信ノードの各通信ノードとの通信の頻度を表す２値時系列からなる訓練データが格納されている訓練データ格納部と、
前記訓練データ格納部から読み出された訓練データセットを用いて、混合確率分布に基づく機械学習を実行して当該混合確率分布の最尤パラメータを推定する機械学習部と、
当該推定された最尤パラメータのデータを格納するパラメータ格納部と
を備え、
前記各通信ノードについての訓練データには、予め計算資源の割り当て量が対応付けされている、
ことを特徴とするパラメータ生成装置。

【請求項8】

請求項７に記載のパラメータ生成装置であって、前記混合確率分布は、混合ベルヌーイ分布である、パラメータ生成装置。

【請求項9】

請求項７に記載のパラメータ生成装置であって、前記機械学習は、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ－Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムによる最尤推定を含む、パラメータ生成装置。

【請求項10】

請求項７に記載のパラメータ生成装置であって、前記複数の通信ノードの各々は、移動通信システムに対して位置登録要求信号を発信する移動端末であり、前記通信の頻度は、前記位置登録要求信号の発信頻度である、パラメータ生成装置。

【請求項11】

請求項１から６のうちのいずれか１項に記載の通信装置と、
請求項７から１０のうちのいずれか１項に記載のパラメータ生成装置と
を含む通信システム。

【請求項12】

通信装置において計算資源を割り当てる方法であって、
複数の通信ノードの各通信ノードとの通信の頻度を計測するステップと、
前記各通信ノードについて当該計測された頻度を表す２値時系列からなる観測データを生成するステップと、
機械学習により推定された最尤パラメータをもつ混合確率分布に基づいて、前記観測データを複数のクラスタのうちの１つのクラスタに分類するステップと、
前記観測データが分類された当該クラスタに対応付けされた割り当て量の計算資源を、当該各通信ノードに割り当てるステップと
を備えることを特徴とする方法。

【請求項13】

請求項１２に記載の方法であって、前記混合確率分布は、混合ベルヌーイ分布である、方法。

【請求項14】

請求項１２に記載の方法であって、前記機械学習は、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ－Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムによる最尤推定を含む、方法。

【請求項15】

請求項１２に記載の方法であって、クラスタと計算資源の割り当て量との対応関係を定めるルックアップテーブルを参照して、当該各通信ノードに割り当てるべき割り当て量を決定するステップをさらに備える方法。

【請求項16】

単数または複数のプロセッサを備えた通信装置用のコンピュータプログラムであって、前記単数または複数のプロセッサにより実行されると、請求項１２から１５のうちのいずれか１項に記載の方法を前記通信装置に実施させるように構成されたコンピュータプログラム。

【請求項17】

複数の通信ノードの各通信ノードとの通信の頻度を表す２値時系列からなる訓練データが格納されている訓練データ格納部から、訓練データセットを読み出すステップと、
当該読み出された訓練データセットを用いて、混合確率分布に基づく機械学習を実行して当該混合確率分布の最尤パラメータを推定するステップと、
当該推定された最尤パラメータのデータをパラメータ格納部に格納するステップと
を備え、
前記各通信ノードについての訓練データには、それぞれ、予め計算資源の割り当て量が対応付けされている、
ことを特徴とする方法。

【請求項18】

請求項１７に記載の方法であって、前記混合確率分布は、混合ベルヌーイ分布である、パラメータ生成方法。

【請求項19】

請求項１７に記載の方法であって、前記機械学習は、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ－Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムによる最尤推定を含む、方法。

【請求項20】

請求項１７に記載の方法であって、前記複数の通信ノードの各々は、移動通信ネットワークシステムに対して位置登録要求信号を発信する移動端末であり、前記位置登録要求信号の発信頻度が前記通信の頻度である、方法。

【請求項21】

単数または複数のプロセッサを備えたパラメータ生成装置用のコンピュータプログラムであって、前記単数または複数のプロセッサにより実行されると、請求項１７から２０のうちのいずれか１項に記載の方法を前記パラメータ生成装置に実施させるように構成されたコンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、通信システムにおける機械学習を用いた通信技術に関する。

【背景技術】

【0002】

近年、固定通信システムや移動通信システム（たとえば第５世代移動通信システム）などの通信システムにおける通信品質の向上を図るために機械学習を用いた通信技術が提案されている。この種の通信技術は、たとえば特許文献１（特開２０２３－１２３９９１号公報）に開示されている。特許文献１には、移動通信システムにおいて無線通信の周波数帯域や時間などのリソースを割り当てるために、人工ニューラルネットワークなどの機械学習モデルを用いる技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０２３－１２３９９１号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

多数の通信ノードとの通信状況に応じて計算資源（計算リソース）を動的に割り当てる通信システムでは、各通信ノードに対して計算資源を効率的に割り当てることが好ましい。特に、不特定多数の通信ノード（たとえば、第５世代移動通信システムを利用する移動端末）との通信頻度が多大なものとなる可能性があるときには、各通信ノードに対する効率的な計算資源の割り当てが重要となる。

【0005】

しかしながら、通信システムが共通の計算資源で並列処理を行う場合は、低い頻度で通信を行う通信ノードと、高い頻度で通信を行う通信ノードとに同じ量の計算資源を同時に割り当てることは、効率的ではなく、計算資源の有効活用の観点から無駄が多いという課題がある。

【0006】

上記に鑑みて本開示の目的は、複数の通信ノードとそれぞれ異なる頻度で通信する場合でも、計算資源を効率的に割り当てることを可能にする通信装置、パラメータ生成装置、通信システム、方法及びコンピュータプログラムを提供することである。

【課題を解決するための手段】

【0007】

本開示の第１の態様による通信装置は、複数の通信ノードの各通信ノードとの通信の頻度を計測し、前記各通信ノードについて当該計測された頻度を表す２値時系列からなる観測データを生成する頻度計測部と、機械学習により推定された最尤パラメータをもつ混合確率分布に基づいて、前記観測データを複数のクラスタのうちの１つのクラスタに分類するクラスタリング部と、前記観測データが分類された当該クラスタに対応付けされた割り当て量の計算資源を、当該各通信ノードに割り当てる資源割り当て部とを備えることを特徴とする。

【0008】

本開示の第２の態様によるパラメータ生成装置は、所定数の通信ノードの各通信ノードとの通信の頻度を表す２値時系列からなる訓練データが格納されている訓練データ格納部と、前記訓練データ格納部から読み出された訓練データセットを用いて、混合確率分布に基づく機械学習を実行して当該混合確率分布の最尤パラメータを推定する機械学習部と、 当該推定された最尤パラメータのデータを格納するパラメータ格納部とを備え、前記各通信ノードについての訓練データには、予め計算資源の割り当て量が対応付けされていることを特徴とする。

【0009】

本開示の第３の態様による通信システムは、第１の態様による通信装置と第２の態様によるパラメータ生成装置とを含んで構成される。

【0010】

本開示の第４の態様による方法は、通信装置において計算資源を割り当てる方法であって、複数の通信ノードの各通信ノードとの通信の頻度を計測するステップと、前記各通信ノードについて当該計測された頻度を表す２値時系列からなる観測データを生成するステップと、機械学習により推定された最尤パラメータをもつ混合確率分布に基づいて、前記観測データを複数のクラスタのうちの１つのクラスタに分類するステップと、前記観測データが分類された当該クラスタに対応付けされた割り当て量の計算資源を、当該各通信ノードに割り当てるステップとを備えることを特徴とする。

【0011】

本開示の第５の態様によるコンピュータプログラムは、単数または複数のプロセッサを備えた通信装置用のコンピュータプログラムであって、前記単数または複数のプロセッサにより実行されると、第４の態様による方法を前記通信装置に実施させるように構成されている。

【0012】

本開示の第６の態様による方法は、複数の通信ノードの各通信ノードとの通信の頻度を表す２値時系列からなる訓練データが格納されている訓練データ格納部から、訓練データセットを読み出すステップと、当該読み出された訓練データセットを用いて、混合確率分布に基づく機械学習を実行して当該混合確率分布の最尤パラメータを推定するステップと、当該推定された最尤パラメータのデータをパラメータ格納部に格納するステップとを備え、前記各通信ノードについての訓練データには、それぞれ、予め計算資源の割り当て量が対応付けされていることを特徴とする。

【0013】

本開示の第７の態様によるコンピュータプログラムは、単数または複数のプロセッサを備えたパラメータ生成装置用のコンピュータプログラムであって、前記単数または複数のプロセッサにより実行されると、第６の態様による方法を前記パラメータ生成装置に実施させるように構成されている。

【発明の効果】

【0014】

本開示の第１ないし第７の態様により、複数の通信ノードとそれぞれ異なる頻度で通信を行う場合でも、計算資源を効率的に割り当てることが可能となる。

【図面の簡単な説明】

【0015】

【図1】本開示に係る一実施形態の通信ネットワークシステムの構成例を概略的に示すブロック図である。

【図2】通信システムの構成要素を実現するハードウェア構成例の概略構成図である。

【図3】計算資源割り当て処理の手順の一例を示すフローチャートである。

【図4】図４Ａ及び図４Ｂは、位置登録要求の頻度を説明するための概略図である。

【図5】位置登録要求の計測された頻度を表す観測データを例示する図である。

【図6】計算資源割り当て処理の手順の他の例を示すフローチャートである。

【図7】図７Ａ及び図７Ｂは、ユーザ通信の頻度を説明するための概略図である。

【図8】パケット通信信号の計測された頻度を表す観測データを例示する図である。

【図9】パラメータ生成処理の手順の一例を示すフローチャートである。

【発明を実施するための形態】

【0016】

以下、図面を参照しつつ、本開示に係る種々の実施形態について詳細に説明する。なお、図面全体において同一の参照符号を付された構成要素は、同一構成及び同一機能を有するものとする。

【0017】

図１は、本開示に係る一実施形態の通信ネットワークシステム１の構成例を概略的に示すブロック図である。図１に示されるように、通信システム１は、通信ノードであるユーザ端末（ＵＥ：Ｕｓｅｒ Ｅｑｕｉｐｍｅｎｔ）１１_１～１１_Ｎと無線通信可能な基地局２０_１～２０_Ｎと、これら基地局２０_１～２０_Ｎに接続された通信システム２１とを備えて構成されている。Ｎは、２以上の整数である。ＵＥ１１_１～１１_Ｎは、通信ネットワークシステム１のサービスの加入者１０_１～１０_Ｎが使用する移動端末である。ＵＥ１１_ｎ～１１_Ｎとしては、たとえば、スマートフォン、携帯電話機、タブレット端末、ウェアラブル端末、及びラップトップコンピュータが挙げられるが、これらに限定されるものではない。

【0018】

図１の通信ネットワークシステム１は、第５世代（５Ｇ）通信規格に準拠した移動通信システムとして構成されており、通信システム２１は、第５世代（５Ｇ）移動通信システムのコアネットワークを含む。図１に示されるように通信システム２１は、アクセスモビリティ管理機能／セキュリティアンカー機能部（ＡＭＦ／ＳＥＡＦ：Ａｃｃｅｓｓ ａｎｄ Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ Ｆｕｎｃｔｉｏｎ／Ｓｅｃｕｒｉｔｙ Ａｎｃｈｏｒ Ｆｕｎｃｔｉｏｎ）２２と、統合データ管理部（ＵＤＭ：Ｕｎｉｆｉｅｄ Ｄａｔａ Ｍａｎａｇｅｍｅｎｔ）２３と、統合データリポジトリ部（ＵＤＲ：Ｕｎｉｆｉｅｄ Ｄａｔａ Ｒｅｐｏｓｉｔｏｒｙ）２４と、ユーザプレーン機能部（ＵＰＦ：Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）２５と、パラメータ生成装置２６とを含む。通信システム２１は、他にもセッション管理機能部（ＳＭＦ：Ｓｅｓｓｉｏｎ Ｍａｎａｇｅｍｅｎｔ Ｆｕｎｃｔｉｏｎ）などの複数の機能部を含むが、これら機能部は図１では省略されている。

【0019】

ＡＭＦ／ＳＥＡＦ２２は、たとえば、モビリティ管理、接続管理、及びＳＵＣＩ（Ｓｕｂｓｃｒｉｐｔｉｏｎ Ｃｏｎｃｅａｌｅｄ Ｉｄｅｎｔｉｆｉｅｒ：暗号化された加入者識別子）を利用したプライマリ認証を行う通信装置である。ＵＤＭ２３は、ＵＤＲ２４の保管情報を利用して加入者情報（サブスクリプションデータ）などの情報の管理を行う通信装置である。ＵＤＲ２４は、加入者情報とユーザ端末の状態などのコンテキスト情報の保管を行う通信装置である。

【0020】

ＵＤＲ２４には、加入者のユーザ端末の位置登録情報が保管されている。ユーザ端末１１_ｎ（ｎは任意の番号）は、通信ネットワークシステム１のサービスを利用するために、たとえば、当該ユーザ端末１１_ｎの電源投入時、位置登録エリアの変更時あるいは定期的に位置登録要求を基地局２０_ｎに向けて発信する。当該位置登録要求は、基地局２０_ｎ、ＡＭＦ／ＳＥＡＦ２２及びＵＤＭ２３を経由してＵＤＲ２４によって受信される。ＵＤＲ２４は、当該位置登録要求に応じて位置登録処理を実行し、当該位置登録処理に成功すればユーザ端末１１_ｎの位置登録情報を保管することとなる。ＵＤＲ２４は、位置登録処理を実行するために共通の計算資源（たとえば、複数個のプロセッサコア）を用いた並列処理を行う機能を有する。しかしながら、低い頻度で位置登録要求の発信を行うユーザ端末１１_ｎ1と、高い頻度で位置登録要求の発信を行うユーザ端末１１_ｎ2とが存在する場合に、ユーザ端末１１_ｎ1とユーザ端末１１_ｎ2とに同じ量の計算資源を同時に割り当てることは、効率的ではない。そこで、本実施形態のＵＤＲ２４は、そのような場合でも計算資源を効率的に割り当てる計算資源割り当て機能３０を有している。

【0021】

ＵＤＲ２４の計算資源割り当て機能３０は、データ格納部３１、頻度計測部３５、クラスタリング部３６、及び資源割り当て部３７を備える。データ格納部３１には、機械学習により推定された最尤パラメータをもつ混合確率分布のパラメータ群を示すパラメータデータ３２と、ルックアープテーブル３３とが格納されている。計算資源割り当て機能３０の構成については、後に詳細に説明する。

【0022】

ＵＰＦ２５は、５Ｇ通信規格に準拠したユーザプレーン（Ｕ－ｐｌａｎｅ）通信を処理する機能を有し、ＵＥ１１_１～１１_Ｎとインターネットなどのデータネットワーク（ＤＮ）１５との間のユーザ通信のアンカーポイントとなる通信装置である。ＵＰＦ２５は、ユーザプレーン通信を処理するために共通の計算資源（たとえば、複数個のプロセッサコア）を用いた並列処理を行う機能を有する。しかしながら、低い頻度でユーザ通信を行うユーザ端末１１_ｎ1と、高い頻度でユーザ通信を行うユーザ端末１１_ｎ2とが存在する場合に、ユーザ端末１１_ｎ1とユーザ端末１１_ｎ2とに同じ量の計算資源を同時に割り当てることは、効率的ではない。そこで、本実施形態のＵＰＦ２５は、そのような場合でも計算資源を効率的に割り当てる計算資源割り当て機能４０を有している。

【0023】

ＵＰＦ２５の計算資源割り当て機能４０は、データ格納部４１、頻度計測部４５、クラスタリング部４６、及び資源割り当て部４７を備える。データ格納部４１には、機械学習により推定された最尤パラメータをもつ混合確率分布のパラメータ群を示すパラメータデータ４２と、ルックアープテーブル４３とが格納されている。計算資源割り当て機能４０の構成については、後に詳細に説明する。

【0024】

パラメータ生成装置２６は、訓練データセット５２Ａ，５２Ｂが格納されている訓練データ格納部５１と、訓練データセット５２Ａ，５２Ｂを用いて混合確率分布に基づく機械学習を実行して当該混合確率分布の最尤パラメータを推定する機械学習部５０と、推定された最尤パラメータをもつ混合確率分布のパラメータ群を示すパラメータデータ５４Ａ，５４Ｂを格納するパラメータ格納部５３とを備えている。訓練データセット５２Ａは、ＵＤＲ２４の計算資源割り当て機能３０用のパラメータデータ５４Ａの生成のために使用されるデータセットであり、訓練データセット５２Ｂは、ＵＰＦ２５の計算資源割り当て機能４０用のパラメータデータ５４Ｂの生成のために使用されるデータセットである。パラメータ生成装置２６は、適当なタイミングでパラメータデータ５４ＡをＵＤＲ２４の計算資源割り当て機能３０に供給する。計算資源割り当て機能３０は、当該パラメータデータ５４Ａをパラメータデータ３２としてデータ格納部３１に格納し利用することができる。また、パラメータ生成装置２６は、適当なタイミングでパラメータデータ５４ＢをＵＰＦ２５の計算資源割り当て機能４０に供給する。計算資源割り当て機能４０は、当該パラメータデータ５４Ｂをパラメータデータ４２としてデータ格納部４１に格納し利用することができる。パラメータ生成装置２６の構成については、後に詳細に説明する。

【0025】

上記した通信システム２１の構成要素（ＡＭＦ／ＳＥＡＦ２２、ＵＤＭ２３、ＵＤＲ２４、ＵＰＦ２５及びパラメータ生成装置２６）の全部または一部は、１つ以上のプロセッサを含む１台のコンピュータで実現されてもよいし、あるいは、通信路を介して相互接続された複数台のコンピュータで実現されてもよい。通信システム２１の構成要素の全部または一部は、不揮発性メモリ（コンピュータ読み取り可能な記録媒体）から読み出されたコンピュータプログラムのコード（命令群）による処理を実行する１つまたは複数の演算装置（Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ）を含む１つ以上のプロセッサで実現可能である。たとえば、演算装置としては、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）またはＮＰＵ（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｔ）が使用できる。

【0026】

図２は、通信システム２１の構成要素を実現するハードウェア構成例である情報処理装置（コンピュータ）１００の概略構成図である。情報処理装置１００は、複数個のプロセッサコアμＣ，…，μＣを含むプロセッサ１０１と、ランダムアクセスメモリ（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２と、不揮発性メモリ１０３と、大容量メモリ１０４と、入出力インタフェース１０５と、信号路１０６とを含んで構成されている。信号路１０６は、プロセッサ１０１、ＲＡＭ１０２、不揮発性メモリ１０３、大容量メモリ１０４及び入出力インタフェース１０５を相互に接続するためのバスである。ＲＡＭ１０２は、プロセッサ１０１がディジタル信号処理を実行する際に使用されるデータ記憶領域である。不揮発性メモリ１０３は、プロセッサ１０１により実行されるコンピュータプログラムのコード（命令群）が格納されているデータ記憶領域を有する。

【0027】

次に、図３～図５を参照しつつ、ＵＤＲ２４の計算資源割り当て機能３０について以下に詳細に説明する。図３は、計算資源割り当て機能３０による計算資源割り当て処理の手順の一例を示すフローチャートである。

【0028】

図１の頻度計測部３５は、通信ノードである各ＵＥ１１_ｎから到来した位置登録要求を収集し、所定期間における当該位置登録要求の頻度（各ＵＥ１１_ｎとの通信の頻度）を計測する（図３のステップＳ１１）。頻度計測部３５は、当該計測された頻度を表す２値時系列からなる観測データｘ_ｎを生成することができる（図３のステップＳ１２）。

【0029】

図４Ａ及び図４Ｂは、位置登録要求の頻度を説明するための概略図である。図４Ａに例示されるようにＵＥ１１_１～１１_Ｎからそれぞれ発信された位置登録要求ＲＳ_１～ＲＳ_Ｎは、基地局２０_１～２０_Ｎ、ＡＭＦ／ＳＥＡＦ２２及びＵＤＭ２３を経由してＵＤＲ２４によって観測される。図４Ｂは、所定時間間隔で観測された位置登録要求ＲＳ_ｉ，…，ＲＳ_ｊ，…，ＲＳ_ｋ，…，ＲＳ_ｐ，ＲＳ_ｑ，…，ＲＳ_ｒ，…，ＲＳ_ｓの例を表すタイムチャートである。ここで、添え字ｉ，ｊ，ｋ，ｒ，ｓは、１～Ｎの範囲内の互いに異なる整数である。図４Ｂでは、観測された位置登録要求を表す丸印（「○」）が時間軸ｔに沿って配列されており、上方にいくほど高頻度で観測された位置登録要求が示され、下方にいくほど低頻度で観測された位置登録要求が示されている。たとえば、ＵＥ１１_ｉから到来した位置登録要求ＲＳ_ｉは所定期間内に１５回観測されており、ＵＥ１１_ｓから到来した位置登録要求ＲＳ_ｓは所定期間内に２回観測されていることが分かる。

【0030】

図５は、位置登録要求ＲＳ_ｎの計測された頻度を表す観測データｘ_ｎを例示する図である。図５の例では、所定期間内の各時刻において、位置登録要求ＲＳ_ｎが観測されたときの観測データ値は「１」となり、位置登録要求ＲＳ_ｎが観測されないときの観測データ値は「０」の値となる。観測データｘ_ｎは、「０」または「１」の値をとる２値変数を要素とする２値ベクトルとして表現されている。

【0031】

上述したようにパラメータ生成装置２６は、機械学習により推定された最尤パラメータをもつ混合確率分布のパラメータ群を示すパラメータデータ５４ＡをＵＤＲ２４の計算資源割り当て機能３０に供給し、ＵＤＲ２４の計算資源割り当て機能３０は、当該パラメータデータ５４Ａをパラメータデータ３２として利用することができる。図１に示されるクラスタリング部３６は、データ格納部３１からパラメータデータ３２を取得し、当該パラメータデータ３２で示される混合確率分布のパラメータ群を用いたクラスタリング（クラスタ分類）を実行することができる。すなわち、クラスタリング部３６は、当該パラメータデータ３２で示される混合確率分布に基づいて、観測データｘ_ｎを複数のクラスタのうちの１つのクラスタに分類することができる（図３のステップＳ１３）。

【0032】

本実施形態では、観測データｘ_ｎの要素である２値変数の各々は、ベルヌーイ分布に従うと考えることができることから、当該パラメータデータ３２で示される混合確率分布として混合ベルヌーイ分布が使用できる。機械学習としては、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ－Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムによる尤度推定法が使用可能である。

【0033】

混合ベルヌーイ分布のＥＭアルゴリズムによる最尤推定法によれば、観測データｘ_ｎがｋ番目のクラスタに所属する割合は、負担率γ_ｎｋで計算可能である。負担率γ_ｎｋは、次式（１）で表される。

【0034】

【数1】

【0035】

ここで、π_ｋ，μ_ｋは、ＥＭアルゴリズムによる最尤推定法により推定された最尤パラメータである。負担率γ_ｎｋについては、後に詳述する。

【0036】

クラスタリング部３６は、観測データｘ_ｎを、負担率γ_ｎ１，…，γ_ｎＫのうちの最も高い負担率に対応するクラスタに分類することができる（図３のステップＳ１３）。

【0037】

データ格納部３１内のルックアープテーブル３３には、クラスタと計算資源の割り当て量との対応関係が予め定められている。資源割り当て部３７は、ルックアープテーブル３３を参照して、観測データｘ_ｎが分類された当該クラスタに対応付けされている割り当て量を決定すればよい（図３のステップＳ１４）。計算資源の割り当て量としては、たとえば、プロセッサコアの割り当て個数とすることができる。次いで、資源割り当て部３７は、当該決定された割り当て量の計算資源をＵＥ１１_ｎに割り当てることができる（図３のステップＳ１５）。

【0038】

以上に説明したとおり、ＵＤＲ２４の計算資源割り当て機能３０は、各ＵＥ１１_ｎ（各通信ノード）について計測された頻度を表す２値時系列からなる観測データｘ_ｎを用いて、機械学習により推定された最尤パラメータをもつ混合確率分布に基づくクラスタリング（クラスタ分類）を実行し、観測データｘ_ｎが分類された当該クラスタに対応付けされた計算資源の割り当て量を決定することから、複数のＵＥ１１_１～１１_Ｎとの間でそれぞれ異なる頻度で通信（位置登録要求の受信）を行う場合でも、ＵＤＲ２４の計算資源を効率的に割り当てることができる。

【0039】

次に、図６～図８を参照しつつ、ＵＰＦ２５の計算資源割り当て機能４０について以下に詳細に説明する。図６は、計算資源割り当て機能４０による計算資源割り当て処理の手順の一例を示すフローチャートである。

【0040】

図１の頻度計測部４５は、通信ノードである各ＵＥ１１_ｎとのユーザ通信（たとえばパケット通信）を監視し、所定期間における当該ユーザ通信の頻度を計測する（図６のステップＳ２１）。頻度計測部４５は、当該計測された頻度を表す２値時系列からなる観測データｘ_ｎを生成することができる（図６のステップＳ２２）。

【0041】

図７Ａ及び図７Ｂは、ユーザ通信の頻度を説明するための概略図である。図７Ａに例示されるようにＵＥ１１_１～１１_ＮとＤＮ（データネットワーク）１５との間のパケット通信信号ＰＳ_１～ＰＳ_Ｎは、ＵＰＦ２５によって観測される。図７Ｂは、所定時間間隔で観測されたパケット通信信号ＰＳ_ｉ，…，ＰＳ_ｊ，…，ＰＳ_ｋ，…，ＰＳ_ｐ，ＰＳ_ｑ，…，ＰＳ_ｒ，…，ＰＳ_ｓの例を表すタイムチャートである。ここで、添え字ｉ，ｊ，ｋ，ｒ，ｓは、１～Ｎの範囲内の互いに異なる整数である。図７Ｂでは、観測されたパケット通信信号を表す丸印（「○」）が時間軸ｔに沿って配列されており、上方にいくほど高頻度で観測されたパケット通信信号が示され、下方にいくほど低頻度で観測されたパケット通信信号が示されている。たとえば、ＵＥ１１_ｉとＤＮ１５との間のパケット通信信号ＰＳ_ｉは所定期間内に１７回観測されており、ＵＥ１１_ｒとＤＮ１５との間のパケット通信信号ＰＳ_ｓは所定期間内に４回観測されていることが分かる。

【0042】

図８は、パケット通信信号ＰＳ_ｎの計測された頻度を表す観測データｘ_ｎを例示する図である。図８の例では、所定期間内の各時刻において、パケット通信信号ＰＳ_ｎが観測されたときの観測データ値は「１」となり、パケット通信信号ＰＳ_ｎが観測されないときの観測データ値は「０」の値となる。観測データｘ_ｎは、「０」または「１」の値をとる２値変数を要素とする２値ベクトルとして表現されている。

【0043】

上述したようにパラメータ生成装置２６は、機械学習により推定された最尤パラメータをもつ混合確率分布のパラメータ群を示すパラメータデータ５４ＢをＵＰＦ２５の計算資源割り当て機能４０に供給し、ＵＰＦ２５の計算資源割り当て機能４０は、当該パラメータデータ５４Ｂをパラメータデータ４２として利用することができる。図１に示されるクラスタリング部４６は、データ格納部４１からパラメータデータ４２を取得し、当該パラメータデータ４２で示される混合確率分布のパラメータ群を用いたクラスタリング（クラスタ分類）を実行することができる。すなわち、クラスタリング部３６は、当該パラメータデータ４２で示される混合確率分布に基づいて、観測データｘ_ｎを複数のクラスタのうちの１つのクラスタに分類することができる（図６のステップＳ２３）。

【0044】

本実施形態では、観測データｘ_ｎの要素である２値変数の各々は、ベルヌーイ分布に従うと考えることができることから、当該パラメータデータ４２で示される混合確率分布として混合ベルヌーイ分布が使用できる。機械学習としては、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ－Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムによる尤度推定法が使用可能である。

【0045】

混合ベルヌーイ分布のＥＭアルゴリズムによる最尤推定法によれば、観測データｘ_ｎがｋ番目のクラスタに所属する割合は、負担率γ_ｎｋで計算可能である。負担率γ_ｎｋは、上記の式（１）で表されるので、クラスタリング部４６は、観測データｘ_ｎを、負担率γ_ｎ１，…，γ_ｎＫのうちの最も高い負担率に対応するクラスタに分類することができる（図６のステップＳ２３）。

【0046】

データ格納部４１内のルックアープテーブル４３には、クラスタと計算資源の割り当て量との対応関係が予め定められている。資源割り当て部４７は、ルックアープテーブル４３を参照して、観測データｘ_ｎが分類された当該クラスタに対応付けされている割り当て量を決定すればよい（図６のステップＳ２４）。計算資源の割り当て量としては、たとえば、プロセッサコアの割り当て個数とすることができる。次いで、資源割り当て部３７は、当該決定された割り当て量の計算資源をＵＥ１１_ｎに割り当てることができる（図６のステップＳ２５）。

【0047】

以上に説明したとおり、ＵＰＦ２５の計算資源割り当て機能４０は、各ＵＥ１１_ｎ（各通信ノード）について計測された頻度を表す２値時系列からなる観測データｘ_ｎを用いて、機械学習により推定された最尤パラメータをもつ混合確率分布に基づくクラスタリング（クラスタ分類）を実行し、観測データｘ_ｎが分類された当該クラスタに対応付けされた計算資源の割り当て量を決定することから、複数のＵＥ１１_１～１１_Ｎとの間でそれぞれ異なる頻度で通信（通信信号の送受信）を行う場合でも、ＵＰＦ２５の計算資源を効率的に割り当てることができる。

【0048】

次に、図９を参照しつつ、パラメータ生成装置２６について以下に詳細に説明する。図９は、パラメータ生成装置２６によるパラメータ生成処理の手順の一例を示すフローチャートである。

【0049】

訓練データセット５２Ａは、図５の観測データに相当する訓練データｘ_ｎの集合からなり、訓練データセット５２Ｂには、図８の観測データに相当する訓練データｘ_ｎの集合からなる。訓練データｘ_ｎには、それぞれ、予め計算資源の割り当て量が対応付けされている。以下、訓練データセット５２Ａに基づくパラメータデータ５４Ａの生成方法について説明する。訓練データセット５２Ｂに基づくパラメータデータ５４Ｂの生成方法は、訓練データセット５２Ａに基づくパラメータデータ５４Ａの生成方法と基本的に同じであるので、その詳細な説明を省略する。

【0050】

機械学習部５０は、訓練データ格納部５１から訓練データセット５２Ａを読み出し（図９のステップＳ３１）、当該訓練データセット５２Ａを用いて、混合確率分布に基づく機械学習を実行して当該混合確率分布の最尤パラメータを推定することができる（図９のステップＳ３２）。その後、機械学習部５０は、推定された最尤パラメータをもつ混合確率分布のパラメータ群をパラメータデータ５４Ａとしてパラメータ格納部５３に格納する（図９のステップＳ３３）。

【0051】

図９のステップＳ３２では、混合ベルヌーイ分布のＥＭアルゴリズムによる最尤推定法を実施することができる。以下、ＥＭアルゴリズムによる最尤推定法の手順を説明する。

【0052】

Ｎ個の２値ベクトルｘ_１，ｘ_２，…，ｘ_Ｎの集合すなわち２値データセットＸが、Ｋ個のパラメータベクトルμ_１，μ_２，…，μ_Ｋの集合すなわちパラメータデータセットＭをもつ混合ベルヌーイ分布に従うものとする。２値データセットＸとパラメータデータセットＭとは、それぞれ次式のように表される（Ｔは転置記号である。）。

【0053】

【数2】

【0054】

ここで、ｎ番目の２値ベクトルｘ_ｎとｋ番目のパラメータベクトルμ_ｋの各々は、以下のようにＤ個の要素をもつベクトルとして表される。

【0055】

【数3】

【0056】

２値ベクトルｘ_ｎの要素ｘ_ｎ（ｉ）（ｉ＝１,２,…,Ｄ）の各々は、「０」または「１」の値をとる２値変数である。各２値ベクトルｘ_ｎは、次の混合ベルヌーイ分布によって独立に生成されるものとする。

【0057】

【数4】

【0058】

ここで、πは、Ｋ個の混合比率からなるパラメータデータセットであり、次式で表され得る。

【0059】

【数5】

【0060】

尤度関数Ｐ（Ｘ｜Ｍ，π）は、次式で表される。

【0061】

【数6】

【0062】

対数尤度関数ｌｎＰ（Ｘ｜Ｍ，π）は、次式で表される。

【0063】

【数7】

【0064】

ＥＭアルゴリズムは、尤度（上記の尤度関数Ｐ（Ｘ｜Ｍ，π）または対数尤度関数ｌｎＰ（Ｘ｜Ｍ，π））が極大となるように混合ベルヌーイ分布のパラメータデータセットＭ，πの最尤解を求める手法である。以下、ＥＭアルゴリズムによる最尤推定の手順について説明する。

【0065】

先ず、初期ステップを実行する。すなわち、パラメータデータＭ＝｛μ_１，μ_２，…，μ_Ｋ｝，π＝｛π_１，π_２，…，π_Ｋ｝、及び尤度を初期化する。

【0066】

次に、Ｅステップを実行する。すなわち、次式に従って、現在のパラメータセットＭ，πを用いて負担率（Ｒｅｓｐｏｎｓｉｂｉｌｉｔｙ）と呼ばれる値γ_ｎｋを算出する。負担率γ_ｎｋは、２値ベクトルｘ_ｎがｋ番目のクラスタに所属する割合を表している。

【0067】

【数8】

【0068】

次に、Ｍステップを実行する。すなわち、次式に従って、現在の負担率γ_ｎｋを用いてパラメータセットＭ，πを更新する。

【0069】

【数9】

【0070】

次に、所定の収束条件を満たしているか否かを判定する。具体的には、尤度が所定の数値範囲内に収束している場合、パラメータセットＭ，πが収束している場合、あるいは、尤度とパラメータセットＭ，πがともに収束している場合には、収束条件が満たされていると判定すればよい。収束条件が満たされていないと判定されたときは、Ｅステップに戻って繰り返し計算する。所定回数または一定時間繰り返し計算しても所定の収束条件が満たされないときは、パラメータセットＭ，π及びクラスタ数Ｋのうちのいずれかまたは全部を変更して、初期ステップからの処理を実行すればよい。

【0071】

以上、図面を参照して本開示に係る種々の実施形態について述べたが、これら実施形態は例示であり、これら実施形態以外の様々な形態もあり得る。たとえば、上記実施形態では、通信ネットワークシステム１は、第５世代（５Ｇ）通信規格に準拠した移動通信システムであったが、これに限定されるものではない。計算資源割り当て機能３０，４０及びパラメータ生成装置２６は、たとえば、第４世代（４Ｇ）通信規格または第５世代以後の通信規格に準拠した移動通信システムの構成要素、または移動通信システム以外の固定通信システムや非地上系ネットワーク（ＮＴＮ：Ｎｏｎ－Ｔｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋ）システムの構成要素にも適用可能である。

【0072】

本発明の趣旨及び範囲から逸脱することなく、上記実施形態の変更、追加及び改良を適宜行うことができることが理解されるべきである。本発明の範囲は、特許請求の範囲の記載に基づいて解釈されるべきであり、さらにその均等物を含むものと理解されるべきである。

【符号の説明】

【0073】

１：通信ネットワークシステム、１０_１～１０_Ｎ：加入者、１１_１～１１_Ｎ：ユーザ端末（ＵＥ）、１５：データネットワーク（ＤＮ）、２０_１～２０_Ｎ：基地局、２１：通信システム、２２：アクセスモビリティ管理機能／セキュリティアンカー機能部（ＡＭＦ／ＳＥＡＦ）、２３：統合データ管理部（ＵＤＭ）、２４：統合データリポジトリ部（ＵＤＲ）、２５：ユーザプレーン機能部（ＵＰＦ）、２６：パラメータ生成装置、３０：計算資源割り当て機能、３１：データ格納部、３２：パラメータデータ、３３：ルックアープテーブル、３５：頻度計測部、３６：クラスタリング部、３７：資源割り当て部、４０：計算資源割り当て機能、４１：データ格納部、４２：パラメータデータ、４３：ルックアープテーブル、４５：頻度計測部、４６：クラスタリング部、４７：資源割り当て部、５０：機械学習部、５１：訓練データ格納部、５２Ａ，５２Ｂ：訓練データセット、５３：パラメータ格納部、５４Ａ，５４Ｂ：パラメータデータ、１００：情報処理装置、１０１：プロセッサ、１０２：ランダムアクセスメモリ（ＲＡＭ）、１０３：不揮発性メモリ、１０４：大容量メモリ、１０５：入出力インタフェース。

【要約】

【課題】複数の通信ノードとそれぞれ異なる頻度で通信する場合でも計算資源を効率的に割り当てることができる通信装置を提供する。
【解決手段】通信装置２４は、複数の通信ノード１１_１～１１_Ｎのうちの各通信ノードとの通信の頻度を計測し、各通信ノードについて計測された頻度を表す２値時系列からなる観測データを生成する頻度計測部３５と、機械学習により推定された最尤パラメータをもつ混合確率分布に基づいて、前記観測データを複数のクラスタのうちの１つのクラスタに分類するクラスタリング部３６と、当該クラスタに対応付けされた割り当て量の計算資源を各通信ノードに割り当てる計算資源割り当て部３７とを備える。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】