特許 7427135 情報処理装置、システムおよび方法

(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】情報処理装置、システムおよび方法

(51)【国際特許分類】

   H04W 16/04 20090101AFI20240126BHJP

   H04W 72/0457 20230101ALI20240126BHJP

   H04W 24/02 20090101ALI20240126BHJP

   H04W 24/08 20090101ALI20240126BHJP

【ＦＩ】

H04W16/04

H04W72/0457

H04W24/02

H04W24/08

【請求項の数】 11

(21)【出願番号】P 2023184396

(22)【出願日】2023-10-27

【審査請求日】2023-10-27

【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】100162846

【弁理士】

【氏名又は名称】大牧 綾子

(72)【発明者】

【氏名】柿島 純

【審査官】桑原 聡一

(56)【参考文献】

【文献】国際公開第２０２３／１６２０８５（ＷＯ，Ａ１）

【文献】国際公開第２０２１／０６４８５８（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０４Ｂ ７／２４－７／２６

Ｈ０４Ｗ ４／００－９９／００

Ｇ１０Ｌ １５／１４

Ｇ０６Ｎ ２０／００

(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データネットワークとの間の通信の頻度を計測し、前記各通信ノードについて、前記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持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１つのクラスタに分類するクラスタリング部と、
分類された前記クラスタに対応付けられたポリシールールを、前記各通信ノードに割り当てるポリシー割り当て部と、
を備える、情報処理装置。

【請求項2】

前記混合確率分布は、混合ベルヌーイ分布である、請求項１に記載の情報処理装置。

【請求項3】

前記機械学習は、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムによる最尤推定である、請求項１に記載の情報処理装置。

【請求項4】

前記クラスタと、前記ポリシールールとの対応関係を定めるルックアップテーブルを格納するデータ格納部さらに備え、
前記ポリシー割り当て部は、前記ルックアップテーブルを参照して、前記各通信ノードに割り当てるポリシールールを決定する、請求項１に記載の情報処理装置。

【請求項5】

前記ポリシールールは、前記各通信ノードに割り当てる通信速度を含む、請求項１に記載の情報処理装置。

【請求項6】

２値時系列からなる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前記混合確率分布の最尤パラメータを推定する機械学習部をさらに備える、請求項１から５のいずれか１項に記載の情報処理装置。

【請求項7】

前記訓練データセットの各訓練データには、予めポリシールールが対応付けされている、請求項６に記載の情報処理装置。

【請求項8】

請求項１に記載の情報処理装置と、
割り当てられた前記ポリシールールを、前記各通信ノードに適用するユーザプレーン機能ノードをさらに備える、システム。

【請求項9】

プロセッサにより実行される方法であって、
複数の通信ノードの各通信ノードとデータネットワークとの間の通信の頻度を計測し、前記各通信ノードについて、前記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持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１つのクラスタに分類するステップと、
分類された前記クラスタに対応付けられたポリシールールを、前記各通信ノードに割り当てるステップと、
を備える、方法。

【請求項10】

前記クラスタと、ポリシー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、前記各通信ノードに割り当てるポリシールールを決定するステップをさらに備える、請求項９に記載の方法。

【請求項11】

２値時系列からなる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前記混合確率分布の最尤パラメータを推定するステップをさらに備える、請求項９または１０に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報処理装置、システムおよび方法に関する。より詳細には、本開示は、端末装置に通信リソースを割り当てるための情報処理装置、システムおよび方法に関する。

【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、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通信資源（通信リソース）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通信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通信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通信資源を用いて通信を行う場合は、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通信資源を同時に割り当てることは、効率的ではなく、通信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、通信資源を効率的に割り当てることを可能にする情報処理装置、システムおよび方法を提供することである。

【課題を解決するための手段】

【0007】

本開示の一実施形態による情報処理装置は、複数の通信ノードの各通信ノードとデータネットワークとの間の通信の頻度を計測し、前記各通信ノードについて、前記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持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１つのクラスタに分類するクラスタリング部と、
分類された前記クラスタに対応付けられたポリシールールを、前記各通信ノードに割り当てるポリシー割り当て部と、を備えることを特徴とする。

【0008】

本開示の別の実施形態による方法は、プロセッサにより実行される方法であって、
複数の通信ノードの各通信ノードとデータネットワークとの間の通信の頻度を計測し、前記各通信ノードについて、前記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持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１つのクラスタに分類するステップと、
分類された前記クラスタに対応付けられたポリシールールを、前記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。

【図面の簡単な説明】

【0009】

【図1】本開示の一実施形態による、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】本開示の一実施形態による、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】本開示の一実施形態による、通信リソース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】本開示の一実施形態による、ユーザ通信の頻度を説明するための概略図である。

【図5】本開示の一実施形態による、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6】本開示の一実施形態による、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。

【図7】本開示の一実施形態による、ポリシーテーブルの例を示す。

【発明を実施するための形態】

【0010】

［本開示の実施形態の説明］
最初に、本開示の実施形態の内容を列記して説明する。本開示の一実施形態は、以下のような構成を備える。

【0011】

〔構成１〕 上記目的を達成するための情報処理装置の特徴構成は、複数の通信ノードの各通信ノードとデータネットワークとの間の通信の頻度を計測し、前記各通信ノードについて、前記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（４２）と、機械学習により推定された最尤パラメータを持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１つのクラスタに分類するクラスタリング部（４３）と、分類された前記クラスタに対応付けられたポリシールールを、前記各通信ノードに割り当てるポリシー割り当て部（４４）と、を備える、点にある。

【0012】

〔構成２〕 本開示に係る情報処理装置の別の特徴構成は、前記混合確率分布は、混合ベルヌーイ分布である、点にある。

【0013】

〔構成３〕 本開示に係る情報処理装置の別の特徴構成は、前記機械学習は、ＥＭ（ＥｘｐｅｃｔａｔｉｏｎＭａｘｉｍｉｚａｔｉｏｎ）アルゴリズムによる最尤推定である、点にある。

【0014】

〔構成４〕 本開示に係る情報処理装置の別の特徴構成は、前記クラスタと、前記ポリシールールとの対応関係を定めるルックアップテーブル（５３）を格納するデータ格納部（５０）さらに備え、前記ポリシー割り当て部は、前記ルックアップテーブルを参照して、前記各通信ノードに割り当てるポリシールールを決定する、点にある。

【0015】

〔構成５〕 本開示に係る情報処理装置の別の特徴構成は、前記ポリシールールは、前記各通信ノードに割り当てる通信速度を含む、点にある。

【0016】

〔構成６〕 本開示に係る情報処理装置の別の特徴構成は、２値時系列からなる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前記混合確率分布の最尤パラメータを推定する機械学習部（４８）をさらに備える、点にある。

【0017】

〔構成７〕 本開示に係る情報処理装置の別の特徴構成は、前記訓練データセットの各訓練データには、予めポリシールールが対応付けされている、点にある。

【0018】

〔構成８〕 本開示に係るシステムの別の特徴構成は、請求項１に記載の情報処理装置と、割り当てられた前記ポリシールールを、前記各通信ノードに適用するユーザプレーン機能ノードとをさらに備える、点にある。

【0019】

〔構成９〕 上記目的を達成するための方法の特徴構成は、プロセッサにより実行される方法であって、複数の通信ノードの各通信ノードとデータネットワークとの間の通信の頻度を計測し、前記各通信ノードについて、前記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（Ｓ３０４）と、機械学習により推定された最尤パラメータを持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１つのクラスタに分類するステップ（Ｓ３０６）と、分類された前記クラスタに対応付けられたポリシールールを、前記各通信ノードに割り当てるステップ（Ｓ３０８）と、を備える、点にある。

【0020】

〔構成１０〕 本開示に係る方法の別の特徴構成は、前記クラスタと、ポリシーとの対応関係を定めるルックアップテーブル（５３）を参照して、前記各通信ノードに割り当てるポリシールールを決定するステップをさらに備える、点にある。

【0021】

〔構成１１〕 本開示に係る方法の別の特徴構成は、２値時系列からなる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前記混合確率分布の最尤パラメータを推定するステップをさらに備える、点にある。

【0022】

［本開示の実施形態の詳細］
以下、本開示の実施形態について図面を参照して説明する。なお、以下の説明はあくまでも一例を示すものであって、本願発明の技術的範囲を以下の実施形態に限定する趣旨ではない。図面において、同一または類似の要素には同一または類似の参照符号が付され、各実施形態の説明において同一または類似の要素に関する重複する説明は省略することがある。また、各実施形態で示される特徴は、互いに矛盾しない限り他の実施形態にも適用可能である。しかし、本開示の実施形態は、必ずしもこのような態様に限定されない。本開示の実施形態が、特許請求の範囲において規定される範囲に含まれる様々な態様を取り得ることは、当業者にとって明らかであろう。

【0023】

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１００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、通信ネットワークシステム１００は、通信ノードである端末装置（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１００のサービスの加入者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。

【0024】

通信ネットワークシステム１００に示される各エンティティは、通信ネットワークシステム１００で提供される主な機能、例えば、モビリティ管理機能、セッション管理機能、ポリシー制御機能、ユーザデータ管理機能、加入者プロファイル管理機能、ユーザプレーン機能を実装するネットワーク要素を含む。図示されるネットワーク要素の他に、他のネットワーク要素が、通信ネットワークシステム１００の主要機能の一部または全部を実装するために使用されてもよい。また、図示されるネットワーク要素の他に、他のネットワーク要素を含んでもよい。

【0025】

本実施形態において、通信ネットワークシステム１００は、第５世代（５th Generation, 5G）の規格に準拠したシステムとして構成されているが、この例に限定されない。通信ネットワークシステム１００は、第４世代（4th Generation,4G）、第６世代（6th Generation,6G）などの他の通信規格に準拠することができる。以下、通信ネットワークシステム１００が５Ｇの規格に準拠するものとして説明する。

【0026】

以下において、図１に示す通信ネットワークシステム１００を構成する各エンティティについて説明をする。５ＧＣ（５Ｇのコアネットワーク）では、ネットワークの様々な機能を役割ごとにＮＦ（Network Function）として規定している。

【0027】

図１に示されるように通信ネットワークシステム１００の通信システム１２は、ＡＭＦ（Access and Mobility Management Function）２２、ＳＭＦ(Session Management Function)２４、ＰＣＦ(Policy Control Function)２６、ＵＤＭ（Unified Data Management）２８、ＵＤＲ（Unified Data Repository）３０、ＵＰＦ(User Plane Function)６０などのＮＦ（Network Function）を含む。これらのＮＦは、論理通信バスに接続され、さらにＵＰＦ６０、ＵＤＲ３０は収集分析装置４０に接続される。

【0028】

本例において、ＡＭＦ２２はモビリティ管理ノードと称することがある。ＡＭＦ２２は、登録管理（Registration management）機能、接続管理（Connection management）機能、及び、端末装置１１_１～１１_Ｎの移動性管理（Mobility management）機能等を有する。ＡＭＦ１２２は複数あってもよい。

【0029】

本例において、ＳＭＦ２４はセッション管理ノードと称することがある。ＳＭＦ２４は、ユーザのデータセッションの管理や制御を行う。例えば、データセッションの確立、維持、解放などを行う。ＳＭＦ２４は、ＰＣＦ２６と、１以上のＡＭＦ２２（図示例では１）と、１以上のＵＰＦ６０（図示例では１）と接続することができる。

【0030】

本例において、ＰＣＦ２６は、ポリシー制御ノードと称することがある。ＰＣＦ２６は、ポリシー制御機能を提供し、例えば、ネットワークリソースの割り当て、品質の制御、セキュリティポリシーの適用など、ネットワーク上の各種ポリシーの管理を行う。

【0031】

本例において、ＵＤＭ２８は、ユーザデータ管理ノードと称することがある。ＵＤＭ２８は、ユーザコンテキストデータやアイデンティティ情報を管理し、ネットワークのサービス提供者に対してセキュリティとアクセス制御を提供する役割を果たす。

【0032】

本例において、ＵＤＲ３０は、加入者データ管理ノードと称することがある。ＵＤＲ３０は、通信事業者と契約する全ての加入者のデータベースや状態を登録する。

【0033】

本例において、ＵＰＦ６０は、ユーザプレーン機能ノードと称することがある。ＵＰＦ６０は、ユーザデータの送受信を行うコンポーネントである。ＵＥ１１_１～１１_Ｎが送信または受信するデータの転送を処理し、低遅延および高帯域幅の通信をサポートする。ＵＰＦ６０はＵＥ１１_１～１１_Ｎから送信されたデータを受信し、適切な宛先に送信することができる。例えば、ＵＰＦ６０は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）７０との接続を可能にすることができる。本開示において、ＵＰＦ６０はＵＥ１１_１～１１_ＮからＤＮ７０との間のパケット通信信号ＰＳを観測し、観測したパケット通信信号ＰＳを、収集分析装置４０に送信することができる。

【0034】

また、ＵＰＦ６０は、収集分析装置４０から送信されたポリシールールを加入者識別番号ごとに適用することができる。ポリシールールは、例えば、ＰＣＣ（Policy and Charging Control）ルールである。ポリシールールは、データ使用量の制限、通信速度の制限、優先度の設定、セキュリティポリシーの適用などを含む。ポリシールールは、ＵＰＦ６０に設定されると、ＵＥ１１_１～１１_Ｎへ提供する通信サービスの品質や通信速度等を制御するために使用される。

【0035】

収集分析装置４０は、割り当て部４１と、パラメータ生成部４７と、データ格納部５０とを備える。

【0036】

割り当て部４１は、頻度計測部４２と、クラスタリング部４３と、ポリシー割り当て部４４とを備える。割り当て部４１の構成については後で詳述する。

【0037】

パラメータ生成部４７は、訓練データセット５１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４８を備える。パラメータ生成部４７の構成については後で詳述する。

【0038】

データ格納部５０には、訓練データセット５１と、訓練データセット５１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のパラメータ群を示すパラメータデータ５２と、ルックアップテーブル５３と、ポリシールールと、加入者識別番号との対応関係を定めたポリシーテーブル５４が格納される。訓練データセット５１は、パラメータ生成部４７用のパラメータデータ５２の生成のために使用されるデータセットである。

【0039】

パラメータ生成部４７は、適当なタイミングでパラメータデータ５２をデータ格納部５０に格納する。割り当て部４１は、当該パラメータデータ５２を読み出して、これを利用することができる。

【0040】

上記した通信システム２１の構成要素（ＡＭＦ２２、ＳＭＦ２４、ＰＣＦ２６、ＵＤＭ２８、ＵＤＲ３０、収集分析装置４０、およびＵＰＦ６０）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。

【0041】

図２は、通信システム１２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）２００の概略構成図である。情報処理装置２００は、複数個のプロセッサコアμＣ，…，μＣを含むプロセッサ２０１と、ランダムアクセスメモリ（ＲＡＭ：Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２０２と、不揮発性メモリ２０３と、大容量メモリ２０４と、入出力インターフェース２０５と、信号路２０６とを含んで構成されている。信号路２０６は、プロセッサ２０１、ＲＡＭ２０２、不揮発性メモリ２０３、大容量メモリ２０４及び入出力インターフェース２０５を相互に接続するためのバスである。ＲＡＭ２０２は、プロセッサ２０１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２０３は、プロセッサ２０１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。

【0042】

ＵＥ１１_１～１１_Ｎは、携帯通信事業者の加入者であるユーザが使用する移動端末であり、ユーザによる各種入力操作を受け付けすることができる。ＵＥ１１_１～１１_Ｎは、ＳＩＭ（Subscriber Identity Module）を搭載しており、例えば、スマートフォンなどの携帯端末、ＰＤＡ（Personal Digital Assistant）、ウェアラブル端末、タブレット型コンピュータ、ラップトップ型コンピュータ（いわゆる、ノートパソコン）などとして実現される。

【0043】

各ＵＥ１１_１～１１_Ｎに搭載されるＳＩＭには、携帯通信事業者と契約するユーザの契約プロファイルが格納されている。ＳＩＭの契約プロファイルには、ユーザの加入者情報が格納され、各ＵＥ１１_１～１１_Ｎの回線契約に割り当てられる加入者識別番号（ＩＭＳＩ：International Mobile Subscriber Identity）、加入者であるユーザの電話番号（ＭＳＩＳＤＮ：Mobile Subscriber International Subscriber Directory Number）、ＳＩＭカード番号（ＩＣＣＩＤ：Integrated Circuit Card Identifier）といった個別の識別子情報が含まれる。

【0044】

次に、図３～図５を参照しつつ、収集分析装置４０の割り当て部４１について以下に詳細に説明する。図３は、割り当て部４１による通信リソースの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。

【0045】

ステップＳ３０２おいて、頻度計測部４２（図１）は、ＵＰＦ６０が監視した、通信ノードである各ＵＥ１１_１～１１_ＮとＤＮ（データネットワーク）７０のユーザ通信（たとえばパケット通信）の通信信号を収集し、所定期間（例えば１か月間）に亘る当該ユーザ通信の頻度を計測する。

【0046】

ステップＳ３０２において、頻度計測部４２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。

【0047】

図４は、ユーザ通信の頻度を説明するための概略図である。ＵＥ１１_１～１１_ＮとＤＮ７０との間のパケット通信信号ＰＳ_１～ＰＳ_Ｎは、ＵＰＦ６０によって観測される。図４の例では、縦軸が、通信事業者と通信契約する全てのユーザの加入者識別番号に対応するＵＥ１１_１～１１_Ｎの各パケット通信信号、横軸は時間を示す。

【0048】

図４は、所定時間間隔で観測されたパケット通信信号ＰＳ_ａ，…，ＰＳ_ｂ，…，ＰＳ_ｃ，…，ＰＳ_ｄ，ＰＳ_ｅ，…，ＰＳ_ｆ，の例を表すタイムチャートである。ここで、添え字ａ，ｂ，ｃ，ｄ，ｅ，ｆは、１～Ｎの範囲内の互いに異なる整数である。図４では、パケット通信信号が観測されたときは黒ドット、パケット通信が観測されないときは白ドットを表し、これらのドットが時間軸ｔに沿って配列されている。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。

【0049】

図５は、パケット通信信号ＰＳ_ｆ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、パケット通信信号ＰＳ_ｆ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_ｆ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。図５の例では、観測データｘ_ｎはビット列（１，１，０，１，１，０．１．１，１，１，０，１，１，・・・１，１，０，１）のベクトルとなる。

【0050】

上述したようにパラメータ生成部４７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５２をデータ格納部５０に格納する。割り当て部４１は、データ格納部５０からパラメータデータ５２を読み出しし、当該パラメータデータ５２を利用することができる。

【0051】

ステップＳ３０６において、クラスタリング部４３（図１）は、データ格納部５０から読み出したパラメータデータ５２を利用して、当該パラメータデータ５２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。すなわち、クラスタリング部３６は、当該パラメータデータ５２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。

【0052】

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５２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。

【0053】

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。

【0054】

【数1】

【0055】

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。

【0056】

次に、ステップＳ３０６において、クラスタリング部４３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。観測データｘ_ｎは、共通の特徴を有するクラスタに分類される。

【0057】

次に、ステップＳ３０８において、ポリシー割り当て部４４（図１）は、ルックアップテーブル５３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ポリシールールを決定する。ポリシールールは、例えばＰＣＣルールであり、モバイル通信ネットワークにおけるポリシー管理、トラフィック管理、セッション管理等を規定する。データ格納部５０内のルックアップテーブル５３には、クラスタとポリシールールとの対応関係が予め定められている。ポリシールールとしては、たとえば、各ＵＥ１１_１～１１_Ｎに割り当てる通信速度とすることができる。

【0058】

次に、ステップＳ３１０において、ポリシー割り当て部４４は、クラスタごとに決定されたポリシールール（例えば通信速度）を加入者識別番号ごとに設定する。またポリシー割り当て部４４は、設定されたポリシールールと、加入者識別番号との対応関係を定めたポリシーテーブル５４を生成し、ＵＤＲ３０、ＵＤＭ２８、ＰＣＲ２６、ＳＭＦ２４を介して、ＵＰＦ６０へ送信する。ポリシー割り当て部４４は、クラスタごとに決定されたポリシールールをＵＰＦ６０へ指示する。

【0059】

図７は、本開示の一実施形態による、ポリシーテーブル５４を例示する。ポリシーテーブル５４には、クラスタごとのポリシールールと、加入者識別番号との対応関係が定められる。例えば、ポリシールールが、ＵＥ１１_１～１１_Ｎの通信速度を定めたものの場合、ポリシー１（通信速度１０Ｍ）は、加入者識別番号ｘからｘｘｘｘに、ポリシー２（通信速度１５Ｍ）は、加入者識別番号ｙからｙｙｙｙに、ポリシーＮ（通信速度５０Ｍ）は、加入者識別番号ｚからｚｚｚｚに対応付けられる。

【0060】

ＵＰＦ６０は、加入者識別番号ごとに設定されたポリシールールを取得すると、決定さポリシールールを各ＵＥ１１_１～１１_Ｎに適用することができる。

【0061】

以上に説明したとおり、ＵＰＦ６０の割り当て部４１は、各ＵＥ１１_１～１１_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ポリシールールを決定することができる。ポリシールールが各ＵＥ１１_１～１１_Ｎに割り当てる通信速度の場合、通信頻度が高いクラスタに分類された端末装置には、通信頻度が平均的なクラスタに分類された端末装置よりも、通信速度を遅く設定することができる。これにより、通信頻度が高いヘビーユーザの通信速度を遅くすることでバーストトラフィックの発生を抑えることができる。複数のＵＥ１１_１～１１_Ｎが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、通信資源を効率的に割り当てることができる。

【0062】

次に、図６を参照しつつ、パラメータ生成部４７（図１）について以下に詳細に説明する。図６は、パラメータ生成部４７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。

【0063】

訓練データセット５１（図１）は、図５の観測データに相当する訓練データｘ_ｎの集合からなる。訓練データセット５１は、０と１ランダムビット列を発生するアルゴリズムで生成することができる。訓練データセット５１はＵＰＦ６０が観測したパケット通信信号から作成してもよい。訓練データセット５１は、複数加入者分、例えば全ての加入者識別番号に対応する数の数分の１を用意したものを訓練データセットとすることができる。

【0064】

訓練データｘ_ｎには、それぞれ、予め各ポリシールールに関連付けられる割り当て内容が対応付けされている。以下、訓練データセット５１に基づくパラメータデータ５２の生成方法について説明する。

【0065】

ステップＳ６０２において、機械学習部４８（図１）は、データ格納部５０から訓練データセット５１を読み出しする。

【0066】

次に、ステップＳ６０４において、機械学習部４８は、読み出した訓練データセット５１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。

【0067】

次に、ステップＳ６０６において、機械学習部４８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５２としてデータ格納部５０に格納する。

【0068】

ここで、ステップＳ６０４における、機械学習部４８の実行する、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の手順を以下に説明する。

【0069】

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。）。

【0070】

【数2】

【0071】

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。

【0072】

【数3】

【0073】

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。

【0074】

【数4】

【0075】

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。

【0076】

【数5】

【0077】

尤度関数Ｐ（Ｘ｜Ｍ，π）は、次式で表される。

【0078】

【数6】

【0079】

対数尤度関数Ｐ（Ｘ｜Ｍ，π）は、次式で表される。

【0080】

【数7】

【0081】

ＥＭアルゴリズムは、尤度（上記の尤度関数（Ｘ｜Ｍ，π）または対数尤度関数Ｐ（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。

【0082】

先ず、機械学習部４８は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。

【0083】

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。

【0084】

【数8】

【0085】

次に、機械学習部４８は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。

【0086】

【数9】

【0087】

次に、機械学習部４８は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か、パラメータセットＭ，πが収束しているか、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れば、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得られないときは、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。

【0088】

以上、本発明の実施の形態について説明してきたが、上記した発明の実施の形態は、本発明の理解を容易にするためのものであり、本発明を限定するものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得るとともに、本発明にはその均等物が含まれることはもちろんである。また、上述した課題の少なくとも一部を解決できる範囲、または、効果の少なくとも一部を奏する範囲において、実施形態及び変形例の任意の組み合わせが可能であり、特許請求の範囲及び明細書に記載された各構成要素の任意の組み合わせ、または、省略が可能である。

【符号の説明】

【0089】

１００…システム
１１_１～１１_Ｎ…端末装置（ＵＥ）
２０_１～２０_Ｎ…基地局
２１：通信システム
２２…ＡＭＦ
２４…ＳＭＦ
２６…ＰＣＦ
２８…ＵＤＭ
３０…ＵＤＲ
４０…収集分析装置
４１…割り当て部
４２…頻度計測部
４３…クラスタリング部
４４…ポリシー割り当て部
４７…パラメータ生成部
４８…機械学習部
５０…データ格納部
５１…訓練データ
５２…パラメータデータ
５３…ルックアップテーブル
５４…ポリシーテーブル
６０…ＵＰＦ
７０…データネットワーク

【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、通信資源を効率的に割り当てることを可能にする情報処理装置、システムおよび方法を提供する。
【解決手段】複数の通信ノードの各通信ノードとデータネットワークとの間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と、機械学習により推定された最尤パラメータを持つ混合確率分布に基づいて、観測データを複数のクラスタのうち１つのクラスタに分類するクラスタリング部と、分類されたクラスタに対応付けられたポリシールールを、各通信ノードに割り当てるポリシー割り当て部と、を備える、情報処理装置。
【選択図】図３

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】