特許 7495524 ローカルエリア機械学習無線リソース管理のための測定構成

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-05-27

(45)【発行日】2024-06-04

(54)【発明の名称】ローカルエリア機械学習無線リソース管理のための測定構成

(51)【国際特許分類】

   H04W 24/10 20090101AFI20240528BHJP

   H04W 36/00 20090101ALI20240528BHJP

   G06N 20/00 20190101ALI20240528BHJP

【ＦＩ】

H04W24/10

H04W36/00

G06N20/00

【請求項の数】 44

(21)【出願番号】P 2022567389

(86)(22)【出願日】2021-04-21

(65)【公表番号】

(43)【公表日】2023-06-08

(86)【国際出願番号】 IB2021053303

(87)【国際公開番号】W WO2021224705

(87)【国際公開日】2021-11-11

【審査請求日】2022-12-26

(31)【優先権主張番号】63/020,466

(32)【優先日】2020-05-05

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】515076873

【氏名又は名称】ノキア テクノロジーズ オサケユイチア

(74)【代理人】

【識別番号】100099759

【弁理士】

【氏名又は名称】青木 篤

(74)【代理人】

【識別番号】100123582

【弁理士】

【氏名又は名称】三橋 真二

(74)【代理人】

【識別番号】100092624

【弁理士】

【氏名又は名称】鶴田 準一

(74)【代理人】

【識別番号】100141162

【弁理士】

【氏名又は名称】森 啓

(74)【代理人】

【識別番号】100151459

【弁理士】

【氏名又は名称】中村 健一

(72)【発明者】

【氏名】ミッコ サイリュ

(72)【発明者】

【氏名】テーム ミカエル ベイヤライネン

【審査官】三枝 保裕

(56)【参考文献】

【文献】米国特許第１００３９０１６（ＵＳ，Ｂ１）

【文献】米国特許出願公開第２０１２／０３２９４７１（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０４Ｂ ７／２４－ ７／２６

Ｈ０４Ｗ ４／００－９９／００

Ｇ０６Ｎ ２０／００

３ＧＰＰ ＴＳＧ ＲＡＮ ＷＧ１－４

ＳＡ ＷＧ１－４

ＣＴ ＷＧ１、４

(57)【特許請求の範囲】

【請求項1】

ネットワークノードが、１つまたは複数のユーザ機器のための少なくとも１つの機械学習（ＭＬ）モデルの有効領域および測定グループを規定し、
前記ネットワークノードが、前記少なくとも１つのＭＬモデルの前記有効領域および前記測定グループを前記１つまたは複数のユーザ機器のうちのユーザ機器に送信する、
ことを含み、
前記有効領域は、前記測定グループにおいて規定されたセル固有の測定値が適用される１つまたは複数の特定のセルのリストを規定し、
前記測定グループは、特定の測定値が収集されるセルを規定する、
通信方法。

【請求項2】

前記ネットワークノードが、前記ユーザ機器からの測定値を受信することをさらに含み、前記測定値は、前記ユーザ機器が前記有効領域に含まれるセルに接続されている場合に、少なくとも前記測定グループに基づいて、前記ユーザ機器で実行される、請求項１に記載の方法。

【請求項3】

少なくとも、受信した前記測定値に基づいて、前記少なくとも１つのＭＬモデルを訓練することをさらに含む、請求項２に記載の方法。

【請求項4】

前記少なくとも１つのＭＬモデルまたは訓練済みＭＬモデルを前記ユーザ機器に送信することをさらに含む、請求項１に記載の方法。

【請求項5】

前記ネットワークノードが、少なくとも、受信した前記測定値、前記ＭＬモデル、または訓練済みの前記ＭＬモデルに基づいて、１つまたは複数の無線リソース管理動作を実行することをさらに含む、請求項３に記載の方法。

【請求項6】

前記有効領域または前記測定グループの少なくとも１つは、セル、セルのリスト、１つのセルグループＩＤ、または複数のセルグループＩＤを含む、請求項１に記載の方法。

【請求項7】

前記有効領域および前記測定グループは、無線リソース制御信号送信によって送信される、請求項１に記載の方法。

【請求項8】

前記有効領域および前記測定グループは、測定オブジェクトとして規定される、請求項１に記載の方法。

【請求項9】

複数の測定オブジェクトが、測定オブジェクトグループと関連付けられている、請求項１に記載の方法。

【請求項10】

前記有効領域および前記測定グループは、測定ＩＤとして規定される、請求項１に記載の方法。

【請求項11】

ユーザ機器が、ネットワークノードから、少なくとも１つの機械学習（ＭＬ）モデルの有効領域および測定グループを受信し、
前記ユーザ機器が前記有効領域に含まれるセルに接続されている場合に、前記ユーザ機器が、少なくとも前記測定グループに基づいて、測定を実行する、
ことを含み、
前記有効領域は、前記測定グループにおいて規定されたセル固有の測定値が適用される１つまたは複数の特定のセルのリストを規定し、
前記測定グループは、特定の測定値が収集されるセルを規定する、
通信方法。

【請求項12】

前記ユーザ機器が、前記測定値を前記ネットワークノードに送信することをさらに含む、請求項１１に記載の方法。

【請求項13】

前記ユーザ機器が、前記少なくとも１つのＭＬモデルを受信することをさらに含む、請求項１１に記載の方法。

【請求項14】

受信した前記少なくとも１つのＭＬモデルは、少なくとも前記ネットワークノードに送信された前記測定値に基づいて、前記ネットワークノードにおいて訓練されている、請求項１３に記載の方法。

【請求項15】

前記ユーザ機器が、少なくとも前記測定値に基づいて、前記少なくとも１つのＭＬモデルまたは訓練済みの前記ＭＬモデルを訓練させることをさらに含む、請求項１４に記載の方法。

【請求項16】

前記ユーザ機器が、前記測定値、前記ＭＬモデル、または前記訓練済みＭＬモデルのうちの少なくとも１つに基づいて、１つ以上の無線リソース管理動作を実行することをさらに含む、請求項１５に記載の方法。

【請求項17】

前記有効領域または前記測定グループの少なくとも１つは、セル、セルのリスト、１つのセルグループＩＤ、または複数のセルグループＩＤを含む、請求項１１に記載の方法。

【請求項18】

前記有効領域および前記測定グループは、無線リソース制御信号送信を介して受信される、請求項１１に記載の方法。

【請求項19】

前記有効領域および前記測定グループは、測定オブジェクト情報要素を介して受信される、請求項１１に記載の方法。

【請求項20】

複数の測定オブジェクトを測定オブジェクトグループとして受信する、請求項１１に記載の方法。

【請求項21】

前記有効領域および前記測定グループは、測定ＩＤとして規定される、請求項１１に記載の方法。

【請求項22】

少なくとも１つのプロセッサによって実行されると、コンピューティングシステムに、
ネットワークノードが、１つまたは複数のユーザ機器のための少なくとも１つの機械学習（ＭＬ）モデルの有効領域および測定グループを規定し、
前記ネットワークノードが、前記少なくとも１つのＭＬモデルの前記有効領域および前記測定グループを、前記１つまたは複数のユーザ機器に送信する、
ことを実行させるように構成された命令が格納されており、
前記有効領域は、前記測定グループにおいて規定されたセル固有の測定値が適用される１つまたは複数の特定のセルのリストを規定し、
前記測定グループは、特定の測定値が収集されるセルを規定する、
非一時的コンピュータ可読記憶媒体。

【請求項23】

少なくとも１つのプロセッサによって実行されると、コンピューティングシステムに、
ユーザ機器が、ネットワークノードから少なくとも１つの機械学習（ＭＬ）モデルの有効領域及び測定グループを受信し、
前記ユーザ機器が前記有効領域に含まれるセルに接続されている場合に、前記ユーザ機器が、少なくとも前記測定グループに基づいて、測定を実行する、
ことを行わせるように構成された命令が格納されており、
前記有効領域は、前記測定グループにおいて規定されたセル固有の測定値が適用される１つまたは複数の特定のセルのリストを規定し、
前記測定グループは、特定の測定値が収集されるセルを規定する、
非一時的コンピュータ可読記憶媒体。

【請求項24】

少なくとも１つのプロセッサと、
コンピュータプログラムコードを含む少なくとも１つのメモリと、を備え、
前記少なくとも１つのメモリおよび前記コンピュータプログラムコードは、前記少なくとも１つのプロセッサを用いて、装置に、少なくとも、
１つまたは複数のユーザ機器のための少なくとも機械学習（ＭＬ）モデルの有効領域および測定グループを規定することと、
前記少なくとも１つのＭＬモデルの前記有効領域および前記測定グループを前記１つまたは複数のユーザ機器のうちのユーザ機器に送信することと、
を実行させるように構成され、
前記有効領域は、前記測定グループにおいて規定されたセル固有の測定値が適用される１つまたは複数の特定のセルのリストを規定し、
前記測定グループは、特定の測定値が収集されるセルを規定する、
装置。

【請求項25】

前記少なくとも１つのメモリおよび前記コンピュータプログラムコードは、前記少なくとも１つのプロセッサを用いて、前記装置に、
前記ユーザ機器から測定値を受信することをさらに行わせるように構成され、前記測定値は、前記ユーザ機器が前記有効領域に含まれるセルに接続されている場合に、少なくとも前記測定グループに基づいて、前記ユーザ機器において実行される、請求項２４に記載の装置。

【請求項26】

前記少なくとも１つのメモリおよび前記コンピュータプログラムコードは、前記少なくとも１つのプロセッサを用いて、前記装置に、
少なくとも、受信した前記測定値に基づいて、前記少なくとも１つのＭＬモデルを訓練することをさらに行わせるように構成される、請求項２５に記載の装置。

【請求項27】

前記少なくとも１つのメモリおよび前記コンピュータプログラムコードは、前記少なくとも１つのプロセッサを用いて、前記装置に、
前記少なくとも１つのＭＬモデルまたは訓練済みＭＬモデルを前記ユーザ機器に送信することをさらに行わせるように構成される、請求項２４に記載の装置。

【請求項28】

前記少なくとも１つのメモリおよび前記コンピュータプログラムコードは、前記少なくとも１つのプロセッサを用いて、前記装置に、
少なくとも、前記受信した測定値、前記ＭＬモデル、または訓練済みの前記ＭＬモデルに基づいて、１つまたは複数の無線リソース管理動作を実行することをさらに行わせるように構成される、請求項２６に記載の装置。

【請求項29】

前記有効領域または前記測定グループの少なくとも１つは、セル、セルのリスト、１つのセルグループＩＤ、または複数のセルグループＩＤを含む、請求項２４に記載の装置。

【請求項30】

前記有効領域および前記測定グループは、無線リソース制御信号送信を介して送信される、請求項２４に記載の装置。

【請求項31】

前記有効領域および前記測定グループは、測定オブジェクトとして規定される、請求項２４に記載の装置。

【請求項32】

複数の測定オブジェクトが、測定オブジェクトグループと関連付けられている、請求項２４に記載の装置。

【請求項33】

前記有効領域および前記測定グループは、測定ＩＤとして規定される、請求項２４に記載の装置。

【請求項34】

少なくとも１つのプロセッサと、
コンピュータプログラムコードを含む少なくとも１つのメモリと、を備え、
前記少なくとも１つのメモリおよび前記コンピュータプログラムコードは、前記少なくとも１つのプロセッサを用いて、装置に、少なくとも、
ネットワークノードから少なくとも１つの機械学習（ＭＬ）モデルの有効領域および測定グループを受信し、
ユーザ機器が前記有効領域に含まれるセルに接続されている場合に、少なくとも前記測定グループに基づいて測定を実行する、
ことを行わせるように構成され、
前記有効領域は、前記測定グループにおいて規定されたセル固有の測定値が適用される１つまたは複数の特定のセルのリストを規定し、
前記測定グループは、特定の測定値が収集されるセルを規定する、
装置。

【請求項35】

前記少なくとも１つのメモリおよび前記コンピュータプログラムコードは、前記少なくとも１つのプロセッサを用いて、前記装置に、
前記測定値を前記ネットワークノードに送信することをさらに行わせるように構成される、請求項３４に記載の装置。

【請求項36】

前記少なくとも１つのメモリおよび前記コンピュータプログラムコードは、前記少なくとも１つのプロセッサを用いて、前記装置に、
前記少なくとも１つのＭＬモデルを受信することをさらに行わせるように構成される、請求項３４に記載の装置。

【請求項37】

受信した前記少なくとも１つのＭＬモデルは、少なくとも前記ネットワークノードに送信された前記測定値に基づいて、前記ネットワークノードで訓練される、請求項３６に記載の装置。

【請求項38】

前記少なくとも１つのメモリおよび前記コンピュータプログラムコードは、前記少なくとも１つのプロセッサを用いて、さらに、前記装置に、
少なくとも前記測定値に基づいて、前記少なくとも１つのＭＬモデルまたは訓練済みの前記ＭＬモデルを訓練させるように構成される、請求項３７に記載の装置。

【請求項39】

前記少なくとも１つのメモリおよび前記コンピュータプログラムコードは、前記少なくとも１つのプロセッサを用いて、前記装置にさらに、
前記測定値、前記ＭＬモデル、または前記訓練済みＭＬモデルのうちの少なくとも１つに基づいて、１つまたは複数の無線リソース管理動作を実行させるように構成される、請求項３８に記載の装置。

【請求項40】

前記有効領域または前記測定グループの少なくとも１つは、セル、セルのリスト、１つのセルグループＩＤ、または複数のセルグループＩＤを含む、請求項３４に記載の装置。

【請求項41】

前記有効領域および前記測定グループは、無線リソース制御信号送信を介して受信される、請求項３４に記載の装置。

【請求項42】

前記有効領域および前記測定グループは、測定オブジェクト情報要素を介して受信される、請求項３４に記載の装置。

【請求項43】

複数の測定オブジェクトは、測定オブジェクトグループとして受信される、請求項３４に記載の装置。

【請求項44】

前記有効領域および前記測定グループは、測定ＩＤとして規定される、請求項３４に記載の装置。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
本願は、２０２０年５月５日に出願された「ＭＥＡＳＵＲＥＭＥＮＴ ＣＯＮＦＩＧＵＲＡＴＩＯＮ ＦＯＲ ＬＯＣＡＬ ＡＲＥＡ ＭＡＣＨＩＮＥ ＬＥＡＲＮＩＮＧ ＲＡＤＩＯ ＲＥＳＯＵＲＣＥ ＭＡＮＡＧＥＭＥＮＴ」と題する米国仮出願第６３／０２０，４６６号の優先権を主張し、その開示は参照により、その全体が本明細書に組み込まれるものとする。

【0002】

本明細書は、無線通信に関し、特に、機械学習ベースの無線リソース管理に関する。

【背景技術】

【0003】

通信システムは、固定通信装置または移動通信装置等の２つ以上のノードまたは装置間の通信を可能にする設備であってよい。信号は、有線または無線のキャリアで運ぶことができる。

【0004】

セルラー通信システムの例として、第３世代パートナーシッププロジェクト（３ＧＰＰ（登録商標））により標準化されているアーキテクチャがある。この分野における新しい展開は、しばしば、ユニバーサルモバイルテレコミュニケーションズシステム（ＵＭＴＳ）無線アクセス技術のロングタームエボリューション（ＬＴＥ）と呼ばれる。Ｅ ＵＴＲＡ（進化型ＵＭＴＳ地上波無線アクセス）は、モバイルネットワーク向けの３ＧＰＰのロングタームエボリューション（ＬＴＥ）アップグレードパスのエアインターフェイスである。ＬＴＥでは、基地局またはアクセスポイント（ＡＰ）は、拡張ノードＡＰまたは進化型ノードＢ（ｅＮＢ）と呼ばれ、カバーエリアまたはセル内で無線アクセスを提供する。ＬＴＥでは、モバイルデバイスまたは移動局はユーザ機器（ＵＥ）と呼ばれる。ＬＴＥには、さまざまな改良と開発が加えられている。

【0005】

５Ｇ新無線（ＮＲ）の開発は、従前の３Ｇおよび４Ｇ無線ネットワークの進化と同様に、５Ｇの要件を満たすための継続的なモバイルブロードバンドの進化プロセスの一部である。さらに、５Ｇは、モバイルブロードバンドに加え、新たに出現したユースケースも対象としている。５Ｇの目標は、データ転送速度、遅延、信頼性、セキュリティなどの無線性能を大幅に向上させることである。５ＧＮＲは、大規模なモノのインターネット（ＩｏＴ）を効率的に接続するための拡張性も備えており、新しいタイプのミッションクリティカルなサービスを提供することができる。超高信頼・低遅延通信（ＵＲＬＬＣ）機器では、高い信頼性と低い遅延が要求される場合がある。

【発明の概要】

【0006】

様々な例示的実装（または、実施形態）が説明および／または図示されている。実施形態の１つ以上の例の詳細は、添付の図面および以下の説明に記載されている。他の特徴は、説明および図面、並びに、特許請求の範囲から明らかになるであろう。

【0007】

機械学習（ＭＬ）モデルベースの無線リソース管理のための方法、装置、およびコンピュータ可読記憶媒体が提供される。一つの実装例では、本方法は、ネットワークノードが、１つまたは複数のユーザ機器のための少なくとも１つのＭＬモデルの有効領域および測定グループを規定することと、少なくとも１つのＭＬモデルの有効領域および測定グループをユーザ機器に送信することと、を含んでよい。

【0008】

別の例示的な実施形態では、本方法は、ユーザ機器が、ネットワークノードから少なくとも１つのＭＬモデルの有効領域および測定グループを受信することと、少なくとも測定グループに基づいて測定を実行することと、を含んでよい。

【図面の簡単な説明】

【0009】

【図1】図１は、例示的な実施形態による無線ネットワークのブロック図である。

【図2】図２は、例示的な実施形態による、機械学習モデルベースの無線リソース管理のための機械学習領域測定構成を示すブロック図である。

【図3】図３は、例示的な実施形態による、測定オブジェクトで規定される有効領域および測定グループを示す。

【図4】図４は、例示的な実施形態による、測定ＩＤで規定される有効領域および測定グループを示す。

【図5】図５は、例示的な実施形態による、周波数間およびＲＡＴ間構成のための測定オブジェクトグループを示す。

【図6】図６は、例示的な実施形態による、機械学習（ＭＬ）モデルベースの無線リソース管理のためのメカニズムを示すフローチャートである。

【図7】図７は、追加の例示的な実施形態による、機械学習ベースの無線リソース管理のための別のメカニズムを示すフローチャートである。

【図8】図８は、例示的な実施形態による、ノードまたは無線局（例えば、基地局／アクセスポイントまたは移動局／ユーザ装置／ＵＥ）のブロック図である。

【0010】

図１は、例示的な実施形態による無線ネットワーク１３０のブロック図である。図１の無線ネットワーク１３０では、移動局（ＭＳ）またはユーザ機器（ＵＥ）とも呼ばれるユーザ装置（ＵＤ）１３１、１３２、１３３、および、１３５は、アクセスポイント（ＡＰ）、拡張ノードＢ（ｅＮＢ）、次世代ノードＢ（ｇＮＢ）、または、ネットワークノードとも呼ばれる基地局（ＢＳ）１３４に接続されて（かつ、通信して）いてもよい。アクセスポイント（ＡＰ）、基地局（ＢＳ）、（ｅ）ノードＢ（ｅＮＢ）、または、ｇＮＢの機能の少なくとも一部は、リモート無線ヘッドなどのトランシーバに動作可能に結合される任意のノード、サーバ、または、ホストによって実行されてよい。ＢＳ（または、ＡＰ）１３４は、ユーザ装置１３１、１３２、１３３、および、１３５を含むセル１３６内の無線の受信範囲を提供する。ＢＳ１３４に接続または配置されるものとして４つのユーザ装置のみが示されているが、任意の数のユーザ装置が提供されてもよい。ＢＳ１３４は、また、インターフェース１５１を介して、コアネットワーク１５０に接続される。これは無線ネットワークのシンプルな一例に過ぎず、他のものを使用することもできる。

【0011】

ユーザ装置（ユーザ端末、ユーザ機器（ＵＥ））は、加入者識別モジュール（ＳＩＭ）の有無に関わらず動作する無線移動通信装置を含む携帯コンピューティング装置を指すことがあり、これには限定されないが、以下のタイプの装置、即ち、移動局（ＭＳ）、携帯電話、セル方式の携帯無線電話、スマートフォン、個人用デジタルアシスタント（ＰＤＡ）、ハンドセット、無線モデムを用いる装置（アラームまたは測定装置など）、ラップトップおよび／またはタッチスクリーンコンピュータ、タブレット、ファブレット、ゲームコンソール、ノートブック、およびマルチメディアデバイスを例とし、または他の任意の無線デバイスを例として挙げることができる。ユーザ装置は、ほぼ排他的なアップリンク専用機器であってもよく、その例として、ネットワークに画像またはビデオクリップをロードするカメラまたはビデオカメラが挙げられることを理解されたい。

【0012】

（例として）ＬＴＥでは、コアネットワーク１５０は、進化型パケットコア（ＥＰＣ）と呼ばれることがあり、ＢＳ間のユーザ装置のモビリティ／ハンドオーバーを処理または支援し得るモビリティ管理エンティティ（ＭＭＥ）と、ＢＳとパケットデータネットワークまたはインターネットとの間でデータおよび制御信号を転送し得る１つ以上のゲートウェイと、他の制御機能またはブロックと、を含んでもよい。

【0013】

（別の例として）５Ｇ／ＮＲでは、ネットワークアーキテクチャは、ＬＴＥ／ＬＴＥアドバンストのものと類似していてもよい。次世代コア（ＮＧＣ）または５Ｇコア（５ＧＣ）における他のネットワーク機能のうち、アクセス管理機能（ＡＭＦ）、セッション管理機能（ＳＭＦ）、ユーザプレーン機能（ＵＰＦ）を含む、新しい機能が５Ｇシステムアーキテクチャにおいて規定される。５Ｇシステムは、ネットワークをアプリケーション要件に合わせて調整し、テナントに仮想ネットワークを提供するネットワークスライシングなどの新しい機能をサポートしてもよい。クラウドコンピューティングまたはデータストレージも利用され、ノード操作は、中央ユニット（ＣＵ）によって、少なくとも部分的に、リモート無線ヘッド（ＲＲＨ）に接続してもよい分散ユニット（ＤＵ）に動作可能に結合されて実行されてもよい。また、ノード操作が複数のサーバ、ノード、またはホストに分散される場合もある。コアネットワーク動作と基地局動作との間の労力の配分は、ＬＴＥの場合と異なってもよく、または存在しなくてもよい。例示的な５Ｇコアネットワーク１５０は、機能エンティティを含んでもよい。５ＧＣ１５０は、インターフェース１５１を使用して、次世代無線アクセスネットワーク（ＮＧ－ＲＡＮ）を形成する基地局１３４を介してＵＥに接続されてもよい。ＣＮは、ＲＡＮとの制御プレーンインターフェースを終端し、ＵＥの登録およびモビリティを管理することができるアクセスおよびモビリティ機能（ＡＭＦ）を含んでもよい。ＣＮは、また、ユーザのインターネットプロトコル（ＩＰ）、イーサネット（登録商標）、または非構造化ユーザデータセッションにアンカーポイントを提供するユーザプレーン機能（ＵＰＦ）を含んでよい。ＵＰＦは、ＤＮとトラフィックを交換したいＵＥに向けて、トランスポートネットワーク上に確立されたトンネルを介して、データネットワーク（ＤＮ）とｇＮＢの間でフレームを往復転送する役割を果たす。ＵＰＦは、ポリシー制御機能（ＰＣＦ）からポリシーを受信するセッション管理機能（ＳＭＦ）によって制御される場合がある。

【0014】

さらに、例示的な例として、本明細書に記載された様々な例示的な実施形態または技術は、様々なタイプのユーザ装置またはデータサービスタイプに適用することができ、または様々なデータサービスタイプの複数のアプリケーションをその上で実行することができるユーザ装置に適用することができる。新無線（５Ｇ）の開発は、例えば、マシンタイプ通信（ＭＴＣ）、拡張マシンタイプ通信（ｅＭＴＣ）、モノのインターネット（ＩｏＴ）、および／または、狭帯域ＩｏＴユーザ装置、拡張モバイルブロードバンド（ｅＭＢＢ）、超高信頼・低遅延通信（ＵＲＬＬＣ）等の多くの異なるアプリケーションまたは多くの異なるデータサービスタイプに対応することができる。

【0015】

ＩｏＴは、インターネットまたはネットワーク接続を有し、これらのオブジェクトが他のネットワークデバイスに情報を送信し、他のネットワークデバイスから情報を受信することができる、成長し続けるオブジェクトのグループを指す場合がある。例えば、多くのセンサタイプのアプリケーションまたはデバイスは、物理的条件または状態を監視し、例えば、イベントが発生したときに、サーバまたは他のネットワークデバイスにレポートを送信することができる。マシンタイプ通信（ＭＴＣ、または、マシンツーマシン通信）は、例えば、人間の介在の有無にかかわらず、インテリジェントマシン間での完全自動のデータ生成、交換、処理、および作動を特徴とする。拡張モバイルブロードバンド（ｅＭＢＢ）は、現在、ＬＴＥで利用可能なデータレートよりもはるかに高いデータレートをサポートする可能性がある。

【0016】

超高信頼・低遅延通信（ＵＲＬＬＣ）は、新無線（５Ｇ）システムでサポートされ得る新しいデータサービスタイプ、または新しい使用シナリオである。これにより、産業用オートメーション、自動運転、車両の安全性、ｅヘルスサービスなどの新たなアプリケーションおよびサービスが実現される。３ＧＰＰは、例として、Ｕプレーン（ユーザ／データプレーン）遅延が１ｍｓまでの接続を、１－１ｅ－５の信頼性で提供することを目標としている。したがって、例えば、ＵＲＬＬＣユーザ機器／ＵＥは、他のタイプのユーザ機器／ＵＥよりも大幅に低いブロックエラーレートおよび低遅延を必要とする場合がある。したがって、例えば、ＵＲＬＬＣ ＵＥ（または、ＵＥ上のＵＲＬＬＣアプリケーション）は、ｅＭＢＢ ＵＥ（または、ＵＥ上で実行されるｅＭＢＢアプリケーション）と比較して、はるかに短いレイテンシを必要とする場合がある。

【0017】

様々な例示的な実施形態は、ＬＴＥ、ＬＴＥ－Ａ、５Ｇ、ＩｏＴ、ＭＴＣ、ｅＭＴＣ、ｅＭＢＢ、ＵＲＬＬＣなど、または他の任意の無線ネットワークもしくは無線技術など、多種多様な無線技術または無線ネットワークに適用され得る。これらの例示的なネットワーク、技術、またはデータサービスタイプは、例示としてのみ提供される。

【0018】

機械学習（ＭＬ）モデルの複雑さは、入力および／または出力の数の関数として増加し得る。例えば、予測モビリティの機械学習モデルにおいて、出力の数は、候補のターゲットセルの数である。機械学習モデルの目的が、環境のいくつかの固有な特性を学習することである場合、ローカルデータで訓練されたローカルＭＬモデルを有することが有益である。例えば、ハンドオーバーに関連するセル境界は、地理的環境、例えば、建物、植生、車両、キャリア周波数、アンテナの位置、放射パターン、送信電力など、送信電波の伝搬と相互作用するものに依存し得る。

【0019】

ＭＬベースの無線リソース管理（ＲＲＭ）アルゴリズムは、低遅延予測のために、例えば、モビリティのための入力データのストリームを必要とする場合がある。いくつかの実施形態では、例えば、ハンドオーバーのための入力データは、例えば、１０ｍｓ～２００ｍｓ毎の、セルのセットからの基準信号受信電力（ＲＳＲＰ）測定値であってもよく、出力は、（予め規定された）セルの別のセットへのハンドオーバー予測であってもよい。入力データは、他の任意のネットワークパフォーマンスインジケータ（ＫＰＩ）、例えば、スループット、遅延、基準信号受信品質、ブロックエラーレートなど、メトリックまたは非ネットワークパフォーマンスメトリック、例えば、座標、速度、方向、軌道、予測軌道、方位、ユーザープレーンアクティビティ、ＵＥ能力などであってもよい。例示的な実施形態において、ＵＥは、特定のセルのセットから規定されたＫＰＩを継続的に測定し、報告してもよい。モデルを訓練する場合、各入力フレームは、記録されたデータからのオフライン推定に基づいて接続される最適なセルでラベル付けされる場合がある。訓練後、ＵＥは、特定のセルのセットからＫＰＩを継続的に測定し、報告してもよい。ネットワークは、訓練済みＭＬモデルを用いて予測モビリティハンドオーバーを行うために、この情報を使用することができる。

【0020】

したがって、ハンドオーバーの決定は、上述の理由により、各ローカルエリアの固有の無線伝搬特性を考慮して最適化されるべきである。適切なタイミングでのハンドオーバーは、中断されない（または、ほぼ中断されない）接続を可能にし、無線リンクを維持することができる。３ＧＰＰリリース１６（Ｒ１６）の条件付きハンドオーバー（ＣＨＯ）機能は、従来のハンドオーバーの問題点（早すぎるＨＯ、遅すぎるＨＯ、間違ったセルへのＨＯなど）を解決できるが、最適なターゲットセル候補の選択と準備という基本的な課題はＣＨＯでも依然として問題になっている。

【0021】

環境の測定には、意思決定において現在利用可能な情報では完全に測定できない隠れた状態および時間変動する状態が含まれるため、特にハンドオーバー決定の規則を一般化する場合、ローカルエリアのハンドオーバーポリシーを見つけるのは困難である。例えば、ネットワークの一部におけるＲＳＲＰ測定値は、地理的な変動、例えば、周波数内／周波数間の配置、セル密度、ＵＥモビリティプロファイル（例えば、速度）、ＵＥ軌道などにより、ネットワークの別の部分では異なる状況を示すことがある。

【0022】

モビリティロバストネス最適化（ＭＲＯ）は、各セルが独自の最適パラメータを有するため、ローカルエリアごとに、平均ユーザプロファイルに対して（例えば、セルおよび／またはセル対ごとに）ハンドオーバーパラメータを最適化する。これは、機械学習モデルが、例えば、平均ユーザプロファイルに従うだけでなく、固有のローカル特性を学習および／またはフィンガープリントするために、ローカルであることを必要とする。

【0023】

これは、ローカルエリアにおける機械学習ベースのＲＲＭの特定の要件をサポートするために、データ収集をどのように組織化するかという問題につながり得る。現在の測定は、機械学習の訓練および／または推論に必要な領域内のセル間および／または周波数間依存性を捕捉するような特定のネットワーク領域からデータを収集することができない。例えば、ＵＥは、Ｎ個の最強セルを測定して報告することができる（ここで、Ｎは報告されるセルの数である）。しかしながら、訓練することを目的とした場合、ネットワークの特定の領域にある特定セルから、測定値を取得する必要がある。さらに、測定構成はセルごとに行われるが、測定構成は、機械学習モデルが訓練および／または動作している特定の領域に対して有効である必要がある。したがって、ＵＥがネットワークの特定の領域における特定のセルからの測定値を測定／報告すること、および／または、測定構成が、機械学習モデルが使用される特定の領域に対して有効であることが必要／要望として存在する。

【0024】

本開示は、機械学習モデルベースの無線リソース管理のためのメカニズムを開示する。例示的な実施形態では、本メカニズムは、ネットワークノードが、１つまたは複数のユーザ機器のための機械学習モデルの有効領域および測定グループを規定することと、少なくとも１つの機械学習モデルの有効領域および測定グループをユーザ機器に送信することと、を含む方法を記述する。いくつかの実施形態において、本方法は、ＵＥから、少なくとも測定グループに基づいて、１つ以上のユーザ機器で実行された測定値を受信することと、少なくとも受信した測定値に基づいて、少なくとも１つの機械学習モデルを訓練することと、をさらに含んでもよい。ＵＥは、ＵＥが有効領域内に規定されたセルに接続されている場合、測定グループに規定されたセルの測定を実行してもよい。ＭＬモデルは、有効領域内で推論を実行してもよい。

【0025】

追加の例示的な実施形態において、本開示は、ネットワークノードから少なくとも１つの機械学習モデルの有効領域および測定グループを受信し、少なくとも測定グループに基づいて測定を実行するユーザ機器を含み得る別の方法について説明する。

【0026】

図２は、例示的な実施形態による、機械学習モデルベースの無線リソース管理のための機械学習領域測定構成を示すブロック図２００である。

【0027】

例示的な実施形態において、図２は、３つの機械学習モデル、例えば、ＭＬモデル２２０、２４０、および、２６０を示す。いくつかの実施形態では、例えば、ネットワークノード、例えば、ｇＮＢ（図１のｇＮＢ１３４）は、１つまたは複数のＭＬモデルに対して、有効領域および測定グループを規定してもよい。有効領域は、一般に、測定グループにおいて規定されたセル固有の測定値が適用される１つまたは複数の特定のセルのリストを規定してもよい。測定グループは、一般に、特定の測定値が収集されるセルを規定してもよい。いくつかの実施形態では、例えば、有効領域および測定グループは、セル、セルのリスト、１つのセルグループＩＤ、複数のセルグループＩＤのリストなどを含んでもよい。いくつかの実施形態では、例えば、測定グループおよび有効領域は、測定オブジェクトおよび報告構成と関連付けられてもよい。

【0028】

例示的な実施形態では、ネットワークノードは、ＭＬモデル２２０の有効領域２２２および測定グループ２２４を規定することができる。有効領域２２２は、セル１および２を含んでもよく、測定グループ２２４は、セル１、２、３、および４を含んでもよい。追加の例示的な実施形態において、ネットワークノードは、ＭＬモデル２４０の有効領域２４２および測定グループ２４４を規定してもよい。有効領域２４２は、セル３および４を含んでもよく、測定グループ２４４は、セル１、２、３、４、５、および６を含んでもよい。別の追加の例示的な実施形態では、ネットワークノードは、ＭＬモデル２６０の有効領域２６２および測定グループ２６４を規定してもよい。有効領域２６２は、セル５および６を含んでもよく、測定グループ２６４は、セル３、４、５、および６を含んでもよい。

【0029】

さらに、図２は、測定構成の新しい要素が、ローカルエリアＭＬベースのＲＲＭ機能、例えば、ハンドオーバーのためのデータ収集を可能にするために利用され、ハンドオーバーがＵＥ ＲＳＲＰ測定値に基づいてネットワーク側でＭＬによって制御される、例示的ネットワーク２００を示している。

【0030】

ネットワークは、異なる特性（例えば、伝搬、建物、通り、ＵＥ速度、および軌道など）を有する領域を含む場合があるため、各隣接セル関係を同時に最適化する解決策を見つけることは困難になり、および／または複雑さが著しく増大するため、単一のＭＬモデルによる構成は最適解とはならない場合があるということに留意されたい。したがって、ハンドオーバー性能は、ＭＬモデルを複数のローカルエリアＭＬモデル、例えば、図２に例示されるような３つのローカルエリアＭＬモデルに分割し、それぞれがローカルデータに基づいて特定のローカル問題を最適化することによって強化され得る。いくつかの実施形態では、モデルの精度が入力および出力の関数として低下するため、モデルを分割する必要がある場合がある。

【0031】

いくつかの実施形態では、ネットワークノード（例えば、ｇＮＢ）は、測定構成を介して有効領域および測定グループをＵＥに送信することができる。訓練および推論のためのデータ収集は、有効領域が、モデルの１つが推論を実行できるセルを規定し、測定グループが、特定の測定がモデルによって要求され得るセルを規定し得る、測定構成を使用して編成されてもよい。

【0032】

図２に示されるように、ネットワークは、ＭＬモデル間で部分的に重複する測定値が重複する情報を有するように構成することを可能にし、したがって、ＭＬモデル間のシームレスな移動を可能にする。例示的な実施形態では、ＭＬモデル２２０は、セル１と２の間でハンドオーバーを実行することができ、セル１、２、３、および４について測定値を報告することができる。追加の例示的な実施形態では、ＵＥは、ＭＬモデル２２０に基づいて、セル１からセル３にハンドオーバーされ、その後、ＵＥは、セル３または４に接続されている間に、セル１、２、３、４、５、および６を測定することができる。

【0033】

いくつかの実施形態では、例えば、ＵＥによって実行される測定は、基準信号受信電力（ＲＳＲＰ）に基づく電力／品質、基準信号受信品質（ＲＳＲＱ）に基づく電力／品質、広帯域チャネル品質指標（ＣＱＩ）に基づく電力／品質、指示サブバンドＣＱＩに基づく電力／品質、チャネル状態情報基準信号（ＣＳＩ－ＲＳ）、同期信号ブロック（ＳＳＢ）、チャネルブロックエラー率（ＢＬＥＲ）、およびチャネルビットエラー率（ＢＥＰ）のうちの１つ以上を含むことができる。

【0034】

提案されたメカニズムは、以下のうちの１つ以上を含み得るいくつかの利点を提供する。ｉ）ＵＥは、無関係な測定値（または無関係なセル）を含み得るＮ個の最強セルの測定値の代わりに、関連するセルのみの測定値を報告し、さらに、いくつかの関連する測定値（例えば、Ｎ個の最良のセルの１つとして識別されないセル）をスキップすること、ｉｉ）ＵＥは、毎回の測定を再構成することなく、ＭＬ有効領域内で移動すること、および／または、ｉｉｉ）ＲＲＭ最適化のための特定のＭＬ展開の計画および構成がより容易で、ＭＬモデルの訓練および実行における複雑さが軽減され、それによってコストが削減されることである。

【0035】

図３は、例示的な実施形態による、測定オブジェクト３００で規定される有効領域および測定グループを示す。

【0036】

いくつかの実施形態では、例えば、ＭＬモデル（例えば、ＭＬモデル２２０、２４０、２６０）の有効領域３３０および測定グループ３２０は、測定オブジェクト３１０を用いて規定されてもよく、セルリストは、対応する情報要素（ＩＥ）のｍｅａｓＯｂｊｅｃｔＩＥに追加されてもよい。

【0037】

例示的な実施形態では、ＭＬモデル２２０の有効領域２２２および測定グループ２２４は、測定オブジェクト３１２（ｍｅａｓ． ｏｂｊｅｃｔ３１２）で規定されてもよい。追加の例示的な実施形態において、ＭＬモデル２４０の有効領域２４２および測定グループ２４４は、測定オブジェクト３１４（ｍｅａｓ．ｏｂｊｅｃｔ３１４）で規定されてもよい。別の追加の例示的な実施形態では、ＭＬモデル２６０の有効領域２６２および測定グループ２６４は、測定オブジェクト３１６（ｍｅａｓｕｒｅ． ｏｂｊｅｃｔ３１６）で規定されてもよい。例示的な実施形態では、測定オブジェクトおよび報告構成は、測定ＩＤに関連付けることができる。この場合、セルのリストは測定オブジェクトに既に含まれているため、測定オブジェクトに関連付けられた報告構成にセルのリストを含める必要はない場合がある。有効領域および測定グループは、測定オブジェクトで規定され、報告構成は関連する測定オブジェクトの有効領域内に適用される。例えば、ＵＥが有効領域に規定されたセルに接続されている場合、測定は有効領域の測定グループに規定されたセルに対して実行されてもよい。報告構成が測定オブジェクトおよび有効領域に関連付けられる場合、ＵＥが、有効領域内に規定されたセルに接続されたときに、報告がトリガされてもよい。

【0038】

図４は、例示的な実施形態による、測定ＩＤ４００で規定される有効領域および測定グループを示す。

【0039】

いくつかの実施形態では、例えば、ＭＬモデル（例えば、ＭＬモデル２２０、２４０、２６０）の有効領域３３０および測定グループ３２０は、測定オブジェクトおよび報告構成が関連付けられる測定ＩＤ ＩＥ４４０で規定されてもよい。

【0040】

例示的な実施形態では、ＵＥが有効領域で規定されたセル、例えば有効領域２２２のセル［１］に接続されている場合、測定は、測定グループ、例えば、測定グループ２２４のセル［１、２、３、４］で規定されたセルに対して実行されてもよい。追加の例示的な実施形態では、報告構成が有効領域および測定オブジェクトに関連付けられる場合、報告は、ＵＥが有効領域に規定されたセルに接続されている場合にのみトリガされてもよい。いくつかの実施形態では、測定グループで規定された特定のセルが測定できない場合、非数（ＮａＮ）および／またはセルが検出されなかったことを示す予め規定された値で報告されてもよい。

【0041】

図５は、例示的な実施形態による、周波数間およびＲＡＴ間構成のための測定オブジェクトグループ５００を示す。

【0042】

いくつかの実施形態では、例えば、測定オブジェクトは、測定オブジェクトグループ５５０に関連付けられてよい。これにより、測定オブジェクト、例えば、測定グループ２２４および２６４にわたる測定オブジェクトグループ５５２にわたる有効領域および測定グループの作成が可能になる。いくつかの実施形態では、例えば、これは、ＭＬモデルがキャリア周波数およびＲＡＴ間、例えば、ＬＴＥとＮＲとの間でハンドオーバーを実行することを可能にすることによって、有効領域および測定グループに対する周波数間および／またはＲＡＴ間の構成を可能にしてもよい。

【0043】

例示的な実施形態では、ＵＥが測定オブジェクトの有効領域に規定されているセルに接続され、測定オブジェクトが測定オブジェクトグループの一部である場合、測定オブジェクトグループに規定されている各測定オブジェクトのセル固有の測定（測定グループ）が実行され、報告される。例えば、測定ＩＤ＝１の場合、ＵＥは、ＭｅａｓＯｂｊｅｃｔ１の有効領域内にあるセル１に接続されている可能性がある。ＭｅａｓＯｂｊｅｃｔ２も測定オブジェクトグループ１の一部であるため、ＵＥはセル１から６を測定し、有効領域はセル［１，２，５，６］を含む可能性がある。Ｍｅａｓｕｒｅｍｅｎｔ ＩＤ＝２の場合、ＭｅａｓＯｂｊｅｃｔ１は測定オブジェクトグループに含まれず、ＵＥがセル３に接続している場合、ＵＥは上記のようにセル１～６を測定することができる。

【0044】

図６は、例示的な実施形態による、機械学習（ＭＬ）モデルベースの無線リソース管理のためのメカニズムを示すフローチャート６００である。

【0045】

ブロック６１０において、ネットワークノード（例えば、ｇＮＢ）は、１つまたは複数のユーザ機器のための機械学習モデルの有効領域および測定グループを規定してもよい。いくつかの実施形態では、たとえば、図２を参照して先に説明したように、ネットワークノードは、ＭＬモデル（２２０、２４０、および２６０）に対して有効領域（２２２、２４２、および２６２）および測定グループ（２２４、２４４、および２６４）をそれぞれ規定してもよい。有効領域２２２、２４２、２６２は、それぞれ、ＭＬモデル２２０、２４０、２６０のセル１、２、セル３、４、および、セル５、６を含んでもよい。測定グループ２２４、２４４、および２６４は、ＭＬモデル２２０、２４０、および２６０について、それぞれ、セル１、２、３、および４、セル１、２、３、４、５、および６、ならびに、セル３、４、５、および６を含んでもよい。

【0046】

いくつかの実施形態では、例えば、ＭＬモデル（２２０、２４０、および２６０）は、１つのＵＥのためのものであってよい。いくつかの実施形態では、例えば、ＭＬモデル（２２０、２４０、および２６０）は、複数（例えば、グループ、セットなど）のＵＥのためのものであってもよい。

【0047】

ブロック６２０において、ネットワークノードは、少なくとも１つの機械学習モデルの測定グループおよび有効領域をユーザ機器に送信してもよい。例示的な実施形態では、ネットワークノードは、ＭＬモデル２２０の有効領域２２２および測定グループ２２４をＵＥに送信してもよい。別の例示的な実施形態では、ネットワークノードは、ＭＬモデル２４０の有効領域２４２および測定グループ２４４をＵＥに送信してもよい。別の追加の例示的な実施形態では、ネットワークノードは、ＭＬモデル２６０の有効領域２６２および測定グループ２６４をＵＥに送信してもよい。

【0048】

さらに、いくつかの実施形態では、例えば、ネットワークノードは、少なくとも１つのＭＬモデルの有効領域および測定グループを複数のＵＥに送信してもよい。

【0049】

任意選択的に、ブロック６３０において、ネットワークノードは、ＵＥから測定値を受信してもよい。いくつかの実施形態では、例えば、ネットワークノードは、少なくとも、例えば、ＭＬモデルに関連付けられた測定グループに基づいてＵＥ（例えば、１つまたは複数のＵＥ）において実行される測定値をＵＥから受信してもよい。例示的な実施形態では、ネットワークノードは、ＭＬモデル２２０の測定グループ２２４について、セル１、２、３、および４についてＵＥで実行される測定値を受信してもよい。追加の例示的な実施形態では、ネットワークノードは、ＭＬモデル２４０の測定グループ２４４のためのセル１、２、３、４、５、および６に対してＵＥで実行される測定値を受信してもよい。別の追加の例示的な実施形態において、ネットワークノードは、ＭＬモデル２６０の測定グループ２６４について、セル３、４、５、および６に対してＵＥで実行される測定値を受信してもよい。

【0050】

任意選択的に、ブロック６４０において、ネットワークノードは、少なくとも受信した測定値に基づいて少なくとも１つのＭＬモデルを訓練してもよい。例えば、いくつかの実施形態では、ネットワークノードは、測定グループ２２４からの測定値、例えば、セル１、２、３、および４についてＵＥによって実行された測定に基づいて、少なくともＭＬモデル２２０を訓練してもよい。追加の例示的な実施形態では、ネットワークノードは、測定グループ２４４からの測定値、例えば、セル１、２、３、４、５、および６についてＵＥによって実行された測定に基づいて、少なくともＭＬモデル２４０を訓練してもよい。別の追加の例示的な実施形態において、ネットワークノードは、測定グループ２６４からの測定値、例えば、セル３、４、５、および６についてＵＥによって実行された測定に基づいて、少なくともＭＬモデル２６０を訓練してもよい。

【0051】

任意選択的に、いくつかの実施形態では、例えば、ネットワークノードは、少なくとも訓練済みモデルに基づいて、１つまたは複数の無線リソース管理（ＲＲＭ）動作を実行することができる。例示的な実施形態において、ネットワークノードは、ＭＬモデル２２０を用いてセル１とセル２との間でＵＥのハンドオーバーを実行することができる。言い換えれば、有効領域内のハンドオーバーは、測定構成を再構成することなく実行することができる。追加の例示的な実施形態において、ネットワークノードは、ＭＬモデル２２０を使用して、セル１からセル３へのＵＥのハンドオーバーを実行することができ、ハンドオーバーの後、測定構成は、ＭＬモデル２４０を使用するように再構成されてもよい。別の追加の例示的な実施形態において、ネットワークノードは、ＭＬモデル２４０を使用して、セル３からセル５へのＵＥのハンドオーバーを実行してもよい。

【0052】

このように、ネットワークノードは、関連する測定値に基づいて訓練済みＭＬモデルを、ＵＥでＲＲＭ動作を効率的に実行するために使用してもよい。

【0053】

本明細書では、追加の例示的な実施形態について説明する。

【0054】

図７は、追加の例示的な実施形態による、機械学習ベースの無線リソース管理のための別のメカニズムを示すフローチャート７００である。

【0055】

ブロック７１０において、ユーザ機器は、ネットワークノードから少なくとも１つの機械学習モデルの有効領域および測定グループを受信してもよい。いくつかの実施形態では、たとえば、ＵＥは、ネットワークノード（たとえば、ｇＮＢ）からＭＬモデル２２０の有効領域２２２および測定グループ２２４を受信してもよい。図２および図６を参照して前述したように、有効領域２２２はセル１および２を含んでもよく、測定グループ２２４はセル１、２、３、および４を含んでもよい。追加の例示的な実施形態において、ＵＥは、ネットワークノードからＭＬモデル２４０の有効領域２４２および測定グループ２４４を受信してもよい。図２および図６を参照して前述したように、有効領域２４２はセル３および４を含んでもよく、測定グループ２４４はセル１、２、３、４、５、および６を含んでもよい。別の追加の例示的な実施形態では、ＵＥは、ネットワークノードからＭＬモデル２６０の有効領域２６２および測定グループ２６４を受信してもよい。図２および図６を参照して前述したように、有効領域２６２は、セル５および６を含んでもよく、測定グループ２６４は、セル３、４、５、および６を含んでもよい。

【0056】

いくつかの実施形態では、ＵＥは、複数のＭＬモデル、例えば、ＭＬモデル２２０、２４０、２６０などの有効領域および測定グループを受信することができる。例えば、ＵＥは、ＭＬモデル２２０、２４０、および２６０の有効領域（例えば、２２２、２４２、および２６２）および測定グループ（例えば、２２４、２４４、および２６４）をそれぞれ受信してもよい。

【0057】

ブロック７２０において、ＵＥは、少なくとも測定グループに基づく測定を実行してもよい。いくつかの実施形態では、例えば、ＵＥは、ネットワークノードから受信した少なくともＭＬモデルの測定グループに少なくとも基づいて測定を実行（例えば、収集）してもよい。いくつかの実施形態において、例えば、ＵＥは、少なくとも測定グループ２２４に基づいて、セル１、２、３、および４について測定を実行してもよい。追加の例示的な実施形態では、ＵＥは、少なくとも測定グループ２４４に基づいてセル１、２、３、４、５、および６に対する測定を実行してもよい。別の追加の例示的な実施形態では、ＵＥは、少なくとも測定グループ２６４に基づいて、セル３、４、５、および６に対する測定を実行してもよい。

【0058】

任意選択的に、ブロック７３０において、ＵＥは、測定値をネットワークノードに送信してもよい。いくつかの実施形態では、ＵＥは、測定グループ（例えば、測定グループ２２４、２４４、および／または２６４）に基づいて、ＵＥで実行される測定値をネットワークノードに送信してもよい。

【0059】

任意選択的に、いくつかの実施形態では、ＵＥは、ネットワークノードから少なくとも１つの機械学習モデルを受信してもよい。いくつかの実施形態では、例えば、ＵＥは、ＵＥによって送信された、対応する測定値（例えば、少なくとも測定グループ２２４に基づいてＵＥによって実行された測定値）に少なくとも基づいて訓練される訓練済みＭＬモデル２３０を受信してもよい。訓練済みＭＬモデル２３０は、ＭＬモデル２２０を訓練することによって得ることができることに留意されたい。同様に、訓練済みＭＬモデル２５０は、ＭＬモデル２４０を訓練することによって得ることができ、訓練済みＭＬモデル２７０は、ＭＬモデル２６０を訓練することによって得ることができる。すなわち、上述のように、ＭＬモデルは、少なくともＵＥから受信した測定値に基づいて、ネットワークノードにおいて訓練されてもよく、ＵＥが、ＵＥにおいてＲＲＭ動作を実行するための推論のために訓練済みＭＬモデルへの入力として、ＵＥにおいて測定値を使用できるように、訓練済みＭＬモデルがＵＥに送信されてもよい。いくつかの実施形態では、ＵＥは、ＭＬモデル２２０、２４０、および、２６０を受信し、ＵＥにおいて、それらを訓練してもよい。いくつかの実施形態では、ＵＥは、ネットワークノードから訓練済みＭＬモデル２３０、２５０、および、２７０を受信し、ＵＥにおいてそれらを訓練（再訓練）してもよい。

【0060】

いくつかの実施形態において、ＵＥは、測定値、ＭＬモデル、または訓練済みＭＬモデルのうちの少なくとも１つに基づいて、１つまたは複数の無線リソース管理動作を実行することができる。いくつかの実施形態において、例えば、ＵＥは、少なくとも訓練済みＭＬモデル、例えば、２３０、２５０、および／または２７０に基づいて、１つまたは複数のＲＲＭ動作（例えば、ハンドオーバーなど）を実行してもよい。

【0061】

したがって、ＵＥは、ＵＥでＲＲＭ動作を効率的に実行するために、訓練済みＭＬモデルを使用することができる。

【0062】

いくつかの実施形態において、上述した実施形態の利点は、以下を含み得る。ｉ）ネットワークの異なる部分におけるセル固有の測定グループ構成は、より低い複雑性および局所的に固有のデータラベリングを有するＭＬベースのローカルＲＲＭアーキテクチャを可能にする。ｉｉ）ＵＥ軌道が優位でないセルから十分な測定値を収集する場合（例えば、Ｎ個の最良セルだけでなく、特定のセルを報告する場合）、ＭＬモデル領域間のモビリティがシームレスでＭＬ関連の異常性を回避する（例えば、データクリーニングを必要としない）。ｉｉｉ）モビリティイベントのための潜在的ターゲットセル候補を全て表す測定値を構成することにより、ローカルエリアごとにＭＬ最適化モビリティイベントを可能にし、したがって、モビリティ手順を最適化しようとする無線ネットワークにおけるモビリティトリガイベントのトレードオフベースの最適化が必要ない場合がある。ｉｖ）特定のセルへの測定を構成するための小さなオーバーヘッドでモビリティロバストネスを向上させる。ｖ）近隣セル監視を構成するための新しい方法を提供し、ローカルスケールでＵＥごとにＭＬベースのカスタマイズされた手順を可能にし、ＭＬベースのモビリティの複雑さと計算オーバーヘッドを最小にする。ｖｉ）条件付きハンドオーバー、低アクティビティ状態（非アクティブ／アイドル）の情報を適用した場合のセル再選択、またはサービスを提供していないセルの再確立の候補となり得るセルについて、より良い理解を提供する。ｖｉｉ）ＵＥモビリティプロファイルに従って、ＭＬ領域を構成／構成解除し、例えば、固定ＵＥと低速／高速ＵＥを区別し、いくつかのＭＬベースのＲＲＭ機能（ハンドオーバー、複製など）のための測定構成を規定できるようにする。

【0063】

追加の例示的な実施形態が本明細書に記載されている。

【0064】

実施例１
ネットワークノードが、１つ以上のユーザ機器のための少なくとも機械学習（ＭＬ）モデルの有効領域および測定グループを規定し、ネットワークノードが、少なくとも１つのＭＬモデルの有効領域および測定グループをユーザ機器に送信する、ことを含む、通信方法。

【0065】

実施例２
ネットワークノードが、ＵＥから測定値を受信することであって、少なくとも測定グループに基づいて１つ以上のユーザ機器で実行される測定値を受信することをさらに含む、実施例１に記載の方法。

【0066】

実施例３
少なくとも受信した測定値に基づいて、少なくとも１つのＭＬモデルを訓練することをさらに含む、実施例１または２に記載の方法。

【0067】

実施例４
少なくとも１つのＭＬモデルまたは訓練済みＭＬモデルをユーザ機器に送信することをさらに含む、実施例１乃至３のいずれかに記載の方法。

【0068】

実施例５
ネットワークノードが、少なくとも受信した測定値、ＭＬモデル、または、訓練済みＭＬモデルに基づいて、１つまたは複数の無線リソース管理動作を実行することをさらに含む、実施例１乃至４のいずれかに記載の方法。

【0069】

実施例６
有効領域および／または測定グループは、セル、セルのリスト、１つのセルグループＩＤ、または、複数のセルグループＩＤを含む、実施例１乃至５のいずれかに記載の方法。

【0070】

実施例７
有効領域および測定グループは、無線リソース制御信号送信を介して送信される、実施例１乃至６のいずれかに記載の方法。

【0071】

実施例８
有効領域および測定グループは、測定オブジェクトとして規定される、実施例１乃至７のいずれかに記載の方法。

【0072】

実施例９
複数の測定オブジェクトが、測定オブジェクトグループに関連付けられる、実施例１乃至８のいずれかに記載の方法。

【0073】

実施例１０
有効領域および測定グループは、測定ＩＤとして関連付けられる、実施例１乃至９のいずれかに記載の方法。

【0074】

実施例１１
ユーザ機器が、ネットワークノードから、少なくとも１つの機械学習（ＭＬ）モデルの有効領域および測定グループを受信し、ユーザ機器が、少なくとも測定グループに基づいて、測定を実行する、ことを含む、通信方法。

【0075】

実施例１２
ユーザ機器が、測定値をネットワークノードに送信することをさらに含む、実施例１１に記載の方法。

【0076】

実施例１３
ユーザ機器が、少なくとも１つのＭＬモデルを受信することをさらに含む、実施例１１または１２に記載の方法。

【0077】

実施例１４
受信した少なくとも１つのＭＬモデルは、少なくともネットワークノードに送信された測定値に基づいて、ネットワークノードで訓練される、実施例１１乃至１３のいずれかに記載の方法。

【0078】

実施例１５
ユーザ機器が、少なくとも測定値に基づいて、少なくとも１つのＭＬモデルまたは訓練済みＭＬモデルを訓練することをさらに含む、実施例１３または１４に記載の方法。

【0079】

実施例１６
ユーザ機器が、測定値、ＭＬモデル、または訓練済みＭＬモデルのうちの少なくとも１つに基づいて、１つまたは複数の無線リソース管理動作を実行することをさらに含む、実施例１１乃至１５のいずれかに記載の方法。

【0080】

実施例１７
有効領域および測定グループは、セル、セルのリスト、１つのセルグループＩＤ、または、複数のセルグループＩＤを含む、実施例１１乃至１６のいずれかに記載の方法。

【0081】

実施例１８
有効領域および測定グループは、無線リソース制御信号送信を介して受信される、実施例１１乃至１７のいずれかに記載の方法。

【0082】

実施例１９
有効領域および測定グループは、測定オブジェクト情報要素を介して受信される、実施例１１乃至１８のいずれかに記載の方法。

【0083】

実施例２０
複数の測定オブジェクトは、測定オブジェクトグループとして受信される、実施例１１乃至１９のいずれかに記載の方法。

【0084】

実施例２１
有効領域および測定グループは、測定ＩＤとして規定される、実施例１１乃至２０のいずれかに記載の方法。

【0085】

実施例２２
ネットワークノードはｇＮＢである、実施例１乃至２１のいずれかに記載の方法。

【0086】

実施例２３
実施例１乃至２２のいずれかに記載の方法を実行するための手段を含む装置。

【0087】

実施例２４
少なくとも１つのプロセッサによって実行された場合、実施例１乃至２２のいずれかの方法をコンピューティングシステムに実行させるように構成され、格納された命令を含む非一時的なコンピュータ可読記憶媒体。

【0088】

実施例２５
少なくとも１つのプロセッサと、コンピュータプログラムコードを含む少なくとも１つのメモリと、を備える装置であって、少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に少なくとも実施例１乃至２２のいずれかの方法を実行させるように構成される、装置。

【0089】

実施例２５
少なくとも１つのプロセッサと、コンピュータプログラムコードを含む少なくとも１つのメモリと、を備える装置であって、少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に、ネットワークノードによって、１つまたは複数のユーザ機器のための少なくとも機械学習（ＭＬ）モデルの有効領域および測定グループを規定することと、ネットワークノードによって、ユーザ機器に少なくとも１つのＭＬモデルの有効領域および測定グループを送信することと、を実行させるように構成されている、装置。

【0090】

実施例２６
少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に、ネットワークノードによって、ＵＥから測定値を受信させるようにさらに構成され、測定グループは、少なくとも測定グループに基づいて、１つまたは複数のユーザ機器において実行される、実施例２５に記載の装置。

【0091】

実施例２７
少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に、少なくとも受信した測定値に基づいて、少なくとも１つのＭＬモデルを訓練することをさらに行わせるように構成されている、実施例２５または２６に記載の装置。

【0092】

実施例２８
少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に、少なくとも１つのＭＬモデルまたは訓練済みＭＬモデルをユーザ機器に送信させるようにさらに構成される、実施例２５乃至２７のいずれかに記載の装置。

【0093】

実施例２９
少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に、ネットワークノードによって、少なくとも受信した測定値、ＭＬモデル、または訓練済みＭＬモデルに基づいて、１つまたは複数の無線リソース管理動作を実行させるようにさらに構成される、実施例２５乃至２８のいずれかに記載の装置。

【0094】

実施例３０
有効領域および／または測定グループは、セル、セルのリスト、１つのセルグループＩＤ、または、複数のセルグループＩＤを含む、実施例２５乃至２９のいずれかに記載の装置。

【0095】

実施例３１
有効領域および測定グループは、無線リソース制御信号送信を介して送信される、実施例２５乃至３０のいずれかに記載の装置。

【0096】

実施例３２
有効領域および測定グループは、測定オブジェクトとして規定される、実施例２５乃至３１のいずれかに記載の装置。

【0097】

実施例３３
複数の測定オブジェクトが、測定オブジェクトグループと関連付けられている、実施例２５乃至３２のいずれかに記載の装置。

【0098】

実施例３４
有効領域および測定グループは、測定ＩＤとして関連付けられる、実施例２５乃至３３のいずれかに記載の装置。

【0099】

実施例３５
少なくとも１つのプロセッサと、コンピュータプログラムコードを含む少なくとも１つのメモリと、を備える装置であって、少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に、ユーザ機器によって、ネットワークノードから少なくとも１つの機械学習（ＭＬ）モデルの有効領域および測定グループを受信することと、ユーザ機器によって、少なくとも測定グループに基づいて、測定を実行することと、を行わせるように構成されている装置。

【0100】

実施例３６
少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に、ユーザ機器によって、測定値をネットワークノードに送信させるようにさらに構成されている、実施例３５に記載の装置。

【0101】

実施例３７
少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に、ユーザ機器によって、少なくとも１つのＭＬモデルを受信させるようにさらに構成される、実施例３５または３６に記載の装置。

【0102】

実施例３８
受信した少なくとも１つのＭＬモデルは、少なくともネットワークノードに送信された測定値に基づいて、ネットワークノードで訓練される、実施例３５乃至３７のいずれかに記載の装置。

【0103】

実施例３９
少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に、少なくとも測定値に基づいて、少なくとも１つのＭＬモデルまたは訓練済みＭＬモデルを訓練させることをさらに行うように構成されている、実施例３５乃至３８のいずれかに記載の装置。

【0104】

実施例４０
少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサを用いて、装置に、ユーザ機器によって、測定値、ＭＬモデル、または訓練済みＭＬモデルのうちの少なくとも１つに基づいて、１つまたは複数の無線リソース管理動作を実行させるようにさらに構成される、実施例３５乃至３９のいずれかに記載の装置。

【0105】

実施例４１
有効領域および測定グループは、セル、セルのリスト、１つのセルグループＩＤ、または、複数のセルグループＩＤを含む、実施例３５乃至４０のいずれかに記載の装置。

【0106】

実施例４２
有効領域および測定グループは、無線リソース制御信号送信を介して受信される、実施例３５乃至４１のいずれかに記載の装置。

【0107】

実施例４３
有効領域および測定グループは、測定オブジェクト情報要素を介して受信される、実施例３５乃至４２のいずれかに記載の装置。

【0108】

実施例４４
複数の測定オブジェクトが、測定オブジェクトグループとして受信される、実施例３５乃至４３のいずれかに記載の装置。

【0109】

実施例４５
有効領域および測定グループは、測定ＩＤとして規定される、実施例３５乃至４４のいずれかに記載の装置。

【0110】

実施例４６
ネットワークノードは、ｇＮＢである、実施例３５乃至４４のいずれかに記載の装置。

【0111】

図８は、例示的な実施形態による無線局（例えば、ユーザ機器（ＵＥ）／ユーザ装置またはＡＰ／ｇＮＢ／ＭｇＮＢ／ＳｇＮＢ）８００のブロック図である。無線局８００は、例えば、１つ以上のＲＦ（無線周波数）または無線トランシーバ８０２Ａ、８０２Ｂを含み得、各無線トランシーバは、信号を送信する送信機と信号を受信する受信機とを含む。無線局はまた、命令またはソフトウェアを実行し、信号の送信および受信を制御するプロセッサまたは制御ユニット／エンティティ（コントローラ）８０４／８０６と、データおよび／または命令を格納するメモリ８０８と、を含む。

【0112】

プロセッサ８０４は、また、決定または判断を行い、送信のためにフレーム、パケットまたはメッセージを生成し、さらなる処理のために受信したフレームまたはメッセージを復号し、および、本明細書に記載される他のタスクまたは機能を行うことができる。例えば、ベースバンドプロセッサであってよいプロセッサ８０４は、無線トランシーバ８０２（８０２Ａまたは８０２Ｂ）を介して送信するためのメッセージ、パケット、フレームまたは他の信号を生成してもよい。プロセッサ８０４は、無線ネットワークを介した信号またはメッセージの送信を制御してもよく、無線ネットワークを介した（例えば、無線トランシーバ８０２によってダウンコンバートされた後の）信号またはメッセージ等の受信を制御してもよい。プロセッサ８０４は、プログラム可能であってよく、メモリまたは他のコンピュータ媒体に格納されたソフトウェアまたは他の命令を実行して、上述の様々なタスクおよび機能、例えば、上述のタスクまたは方法のうちの１つまたは複数を実行することが可能である。プロセッサ８０４は、例えば、ハードウェア、プログラマブルロジック、ソフトウェアまたはファームウェアを実行するプログラマブルプロセッサ、および／またはこれらの任意の組合せであってもよい（または、これらを含んでもよい）。他の用語を使用すると、プロセッサ８０４およびトランシーバ８０２は共に、例えば、無線送受信機システムとして考えられてもよい。

【0113】

さらに、図８を参照すると、コントローラ（またはプロセッサ）８０６（８０４）は、ソフトウェアおよび命令を実行してもよく、無線局８００のための全体的な制御を提供してもよく、入力／出力デバイス（例えば、ディスプレイ、キーパッド）の制御など、図８に示されていない他のシステムのための制御を提供してもよく、および／または、例えば、メールプログラム、オーディオ／ビデオアプリケーション、ワードプロセッサ、ＶｏＩＰアプリケーション、または他のアプリケーションもしくはソフトウェアなどの、無線局８００上に提供されることがある１つまたは複数のアプリケーションのためのソフトウェアを実行してもよい。さらに、コントローラまたはプロセッサによって実行されると、プロセッサ８０４、または、他のコントローラ、またはプロセッサが、上述の機能またはタスクのうちの１つ以上を実行することができる、記憶された命令を含む記憶媒体が提供されてよい。

【0114】

別の例示的な実施形態によれば、ＲＦまたは無線トランシーバ８０２Ａ／８０２Ｂは、信号またはデータを受信し、および／または信号またはデータを送信または伝送することができる。プロセッサ８０４（および場合によってはトランシーバ８０２Ａ／８０２Ｂ）は、ＲＦまたは無線トランシーバ８０２Ａまたは８０２Ｂを制御して、信号またはデータを受信、送信、放送、または伝送してもよい。

【0115】

しかしながら、態様は、例として与えられるシステムに限定されず、当業者は、他の通信システムに解決策を適用することができる。好適な通信システムの他の例として、５Ｇコンセプトが挙げられる。５Ｇにおけるネットワークアーキテクチャは、ＬＴＥアドバンストのネットワークアーキテクチャとかなり類似していると想定される。５Ｇは、複数入力－複数出力（ＭＩＭＯ）アンテナ、ＬＴＥよりも多くの基地局またはノード（いわゆるスモールセルコンセプト）、小規模なステーションと連携して動作するマクロサイトを含み、おそらく、より良いカバレッジおよび強化されたデータレートのために様々な無線技術も採用する可能性が高い。

【0116】

将来のネットワークは、おそらくネットワーク機能仮想化（ＮＦＶ）を利用することになると理解されるべきである。これは、ネットワークノード機能を「ビルディングブロック」またはエンティティに仮想化し、サービスを提供するために動作可能に接続またはリンクすることを提案するネットワークアーキテクチャ概念である。仮想化ネットワーク機能（ＶＮＦ）は、カスタマイズされたハードウェアではなく、標準または一般的なサーバを使用してコンピュータプログラムコードを実行する１つまたは複数の仮想マシンで構成される場合がある。また、クラウドコンピューティングやデータストレージを利用することもできる。無線通信では、これは、ノード操作が、少なくとも部分的に、遠隔無線ヘッドに動作可能に結合されたサーバ、ホストまたはノードにおいて実行される可能性があることを意味する場合がある。また、ノード操作が複数のサーバ、ノード、またはホストの間で分散されてもよい。また、コアネットワーク操作と基地局操作との間の労力の配分は、ＬＴＥの場合と異なるか、あるいは存在しないこともあり得ることを理解されたい。

【0117】

本明細書に記載された様々な技術の実施形態は、デジタル電子回路、またはコンピュータハードウェア、ファームウェア、ソフトウェア、またはそれらの組み合わせで実装されてもよい。実施形態は、コンピュータプログラム製品、すなわち、データ処理装置、例えば、プログラマブルプロセッサ、コンピュータ、または複数のコンピュータによって実行するため、またはその動作を制御するために、情報キャリア、例えば、機械可読記憶装置内または伝播信号内に有形に具現化されたコンピュータプログラムとして実装されてもよい。また、実施形態は、非一時的な媒体であってもよいコンピュータ可読媒体またはコンピュータ可読記憶媒体上で提供されてもよい。様々な技術の実施形態は、一時的な信号または媒体、および／またはインターネットまたは他のネットワーク（有線ネットワークおよび／または無線ネットワークのいずれか）を介してダウンロード可能なプログラムおよび／またはソフトウェアの実施形態を介して提供される実施形態も含むことができる。さらに、実施形態は、マシンタイプ通信（ＭＴＣ）を介して提供されてもよく、また、モノのインターネット（ＩｏＴ）を介して提供されてもよい。

【0118】

コンピュータプログラムは、ソースコード形式、オブジェクトコード形式、または何らかの中間形式であってもよく、ある種のキャリア、配布媒体、またはコンピュータ可読媒体に格納されてもよく、この媒体は、プログラムを担持できる任意のエンティティまたはデバイスであってもよい。そのようなキャリアには、例えば、記録媒体、コンピュータメモリ、読み取り専用メモリ、光電および／または電気キャリア信号、電気通信信号、およびソフトウェア配布パッケージが含まれる。必要な処理能力に応じて、コンピュータプログラムは、単一の電子デジタルコンピュータで実行されてもよいし、複数のコンピュータに分散して実行されてもよい。

【0119】

さらに、本明細書に記載される様々な技術の実施形態は、サイバーフィジカルシステム（ＣＰＳ）（物理エンティティを制御する協働計算要素のシステム）を使用してもよい。ＣＰＳは、様々な場所にある物理オブジェクトに埋め込まれた相互接続された大量のＩＣＴデバイス（センサ、アクチュエータ、プロセッサマイクロコントローラ、・・・）の実装と活用を可能にし得る。モバイルサイバーフィジカルシステムは、当該物理システムが固有のモビリティを有するものであり、サイバーフィジカルシステムの下位分類に属するものである。モバイルフィジカルシステムの例としては、移動ロボットや人間や動物によって運ばれる電子機器などがある。スマートフォンの普及により、モバイルサイバーフィジカルシステムの領域への関心が高まっている。したがって、本明細書で説明する技術の様々な実施形態は、これらの技術のうちの１つまたは複数を介して提供されてもよい。

【0120】

上述のコンピュータプログラムなどのコンピュータプログラムは、コンパイル言語またはインタープリタ言語を含む任意の形式のプログラミング言語で記述することができ、スタンドアロンプログラムとして、またはコンピュータ環境での使用に適したモジュール、コンポーネント、サブルーチン、その他のユニットまたはその一部として、任意の形式で展開することができる。コンピュータプログラムは、１台のコンピュータで実行されるか、１つのサイトの複数のコンピュータで実行されるか、複数のサイトに分散して通信ネットワークによって相互接続されるように展開することが可能である。

【0121】

方法ステップは、コンピュータプログラムまたはコンピュータプログラム部分を実行する１つ以上のプログラマブルプロセッサによって実行され、入力データに対して動作し、出力を生成することによって機能を実行することができる。方法ステップは、また、専用論理回路、例えば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）またはＡＳＩＣ（特定用途向け集積回路）によって実行されてもよく、装置は、そのようなものとして実装することができる。

【0122】

コンピュータプログラムの実行に適したプロセッサには、例として、汎用および専用マイクロプロセッサ、および任意の種類のデジタルコンピュータ、チップまたはチップセットの任意の１つまたは複数のプロセッサが含まれる。一般に、プロセッサは、読み取り専用メモリまたはランダムアクセスメモリ、または、その両方から命令およびデータを受信する。コンピュータの要素は、命令を実行するための少なくとも１つのプロセッサと、命令およびデータを格納するための１つまたは複数のメモリデバイスを含むことができる。一般に、コンピュータは、データを格納するための１つ以上の大容量記憶装置、例えば、磁気ディスク、光磁気ディスク、または、光ディスクから、データを受信するか、または、その両方にデータを転送するように動作可能に結合される、または含むこともできる。コンピュータプログラム命令およびデータを具現化するのに適した情報担体は、例として、半導体メモリデバイス、例えば、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ならびに、フラッシュメモリデバイス、磁気ディスク、例えば、内蔵ハードディスクまたはリムーバルディスク、光磁気ディスク、ならびに、ＣＤ－ＲＯＭおよびＤＶＤ－ＲＯＭディスクを含む不揮発性メモリの全ての形態を含む。プロセッサおよびメモリは、特殊用途向け論理回路によって補完されるか、または、特定用途向け論理回路に組み込まれてもよい。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】