JP2021083058A - 制御装置、制御方法、及びプログラム - Google Patents
制御装置、制御方法、及びプログラム Download PDFInfo
- Publication number
- JP2021083058A JP2021083058A JP2019211712A JP2019211712A JP2021083058A JP 2021083058 A JP2021083058 A JP 2021083058A JP 2019211712 A JP2019211712 A JP 2019211712A JP 2019211712 A JP2019211712 A JP 2019211712A JP 2021083058 A JP2021083058 A JP 2021083058A
- Authority
- JP
- Japan
- Prior art keywords
- learning model
- learning
- performance
- parameter
- control device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
Description
図1は、本発明の実施形態に係る通信システムの構成例を示す図である。本実施形態では、3GPP規格による、NR(New Radio)と称される5G移動通信システムを想定しているが、本発明は他の通信規格による移動通信システムに適用されてもよい。図1に示すように、本実施形態の通信システムは、RIC(RAN Intelligent Controller)10と1つ以上の基地局(BS)20(本例ではBS#1〜#3)とを含む。RICは、1つ以上のBS20を含む無線アクセスネットワーク(RAN)に対する制御装置として機能する。
RIC10は、一例として、図3に示されるようなハードウェア構成を有する。具体的には、RIC10は、CPU101、ROM102、RAM103、HDD等の外部記憶デバイス104、及び通信デバイス105を有する。
図4は、RIC10の機能構成例として、RIC10に実装されるアドミッション制御モジュール11の構成例を示すブロック図である。本実施形態では、アドミッション制御モジュール11は、CPU101による制御プログラムの実行によりCPU101上で実現されるが、アドミッション制御モジュール11の機能を実現する専用のハードウェアが設けられてもよい。
次に、図5乃至図9を参照して、本実施形態においてRIC10によって行われるスライスアドミッション制御について説明する。本実施形態では、RIC10は、学習コントローラ42による機械学習を、スライスアドミッション制御に対して適用することで、各スライスに対して無線リソースを効率的に割り当てられるようにする。具体的には、上り回線及び下り回線のそれぞれにおいて、特定の性能指標を基準として用いて、当該性能指標がより改善されるように複数のMLモデルを選択的にアドミッション制御に適用する。特定の性能指標として、例えば、物理リソースブロック(PRB)等の無線リソースの使用率が用いられる。
図5は、RIC10においてアドミッションコントローラ41によって実行されるスライスアドミッション制御の手順を示すフローチャートである。まずS51で、アドミッションコントローラ41は、時間スロットt及びネットワーク環境情報を初期化する。なお、本実施形態では、時間スロットtはスロット番号(0以上の整数)を表す。ネットワーク環境情報は、学習エージェント421による制御対象のネットワーク(1つ以上のBS20を含むネットワーク)の状態(State)として、アドミッションコントローラ41によって収集(モニタリング)され、学習コントローラ42へ提供される情報である。
●新たなスライスを設定(生成)する場合には、BS20において使用可能な無線リソースブロック(RRB)のうち、割り当てに使用可能なRRBの容量がスライス設定要求(例えば、UEからのサービス要求に基づくスライス設定要求、又はサービスプロバイダからのスライス設定要求)に基づいて必要となるRRBの容量を上回っていれば、当該要求を受け入れ、そうでなければ、当該要求を拒否する。
●設定済みのスライスを削除する場合には、スライスの削除後に当該スライスに対して割り当てられていたRRBを解放する(使用可能なRRBに戻す)。
●設定済みのスライスについての設定変更を行う場合には、対象となるスライスに対して割り当てられるRRBの量を変更する。
次に、図6を参照して、本実施形態においてRIC10によって行われる学習モデル(MLモデル)の選択処理について説明する。図5は、RIC10において学習コントローラ42によって実行されるMLモデルの選択処理の手順を示すフローチャートである。
●Ut AFは、時間スロットtにおける、AF(第1学習モデル)の性能を示す第1性能指標を表すパラメータである。
●Ut DRLFは、時間スロットtにおける、DRLF(第2学習モデル)の性能を示す第2性能指標を表すパラメータである。
●pt AFは、時間スロットtにおける、MLモデル選択部によりAFが選択される確率を表すパラメータである。
●pt DRLFは、時間スロットtにおける、MLモデル選択部によりDRLFが選択される確率を表すパラメータである。
●wt AFは、時間スロットtにおける、AFに対して適用される重みを表すパラメータである。
●wt DRLFは、時間スロットtにおける、DRLFに対して適用される重みを表すパラメータである。
ΔUt AF=Ut AF−Ut-1 AF
ΔUt DRLF=Ut DRLF−Ut-1 DRLF
ここで、ΔUt AFは、第1性能指標(Ut AF)についての前回の更新時からの改善量に相当し、ΔUt DRLFは、第2性能指標(Ut DRLF)についての前回の更新時からの改善量に相当する。
wt AF=(ΔUt AF−ΔUt DRLF)/2
wt DRLF=(ΔUt DRLF−ΔUt AF)/2
S73における重みの計算により、AFとDRLFとの間でMLモデルの性能の比較が行われる。
pt AF=pt-1 AF+wt AF
pt DRLF=pt-1 DRLF+wt DRLF
次に、図8を参照して、上述のスライスアドミッション制御に関連する通信シーケンスの例について説明する。なお、図8は、UEからのサービスに起因して、スライスアドミッション制御が実行される例を示している。
上述の実施形態に係る制御装置(RIC)は、コンピュータを制御装置として機能させるためのコンピュータプログラムにより実現することができる。当該コンピュータプログラムは、コンピュータが読み取り可能な記憶媒体に記憶されて配布が可能なもの、又は、ネットワーク経由で配布が可能なものである。
Claims (19)
- 1つ以上の基地局を含むネットワーク上に設定されるスライスのアドミッション制御を行う制御装置であって、
ネットワーク環境情報をモニタリングするモニタリング手段と、
前記モニタリングにより得られた前記ネットワーク環境情報に基づいて、スライスのアドミッション制御用の第1学習モデル及び第2学習モデルの性能をそれぞれ解析することで、前記第1学習モデルの性能を示す第1性能指標と前記第2学習モデルの性能を示す第2性能指標とを求める解析手段と、
前記解析手段により求められた前記第1性能指標についての前回の更新時からの改善量と前記第2性能指標についての前回の更新時からの改善量とに応じて、前記第1学習モデルに対応する第1パラメータと前記第2学習モデルに対応する第2パラメータとを更新する更新手段と、
前記更新手段により更新された前記第1パラメータ及び前記第2パラメータに応じて、前記第1学習モデル又は前記第2学習モデルを選択する選択手段と、
前記選択手段により選択された学習モデルを適用して前記アドミッション制御を行う制御手段と、
を備えることを特徴とする制御装置。 - 前記解析手段は、
前記第1学習モデルを適用して前記アドミッション制御を行った場合の前記ネットワークにおける無線リソースの使用率を、前記第1性能指標として求め、
前記第2学習モデルを適用して前記アドミッション制御を行った場合の前記ネットワークにおける無線リソースの使用率を、前記第2性能指標として求める
ことを特徴とする請求項1に記載の制御装置。 - 前記更新手段は、前記第1性能指標についての前記改善量と前記第2性能指標についての前記改善量との差分に応じて、前記第1パラメータ及び前記第2パラメータを更新する
ことを特徴とする請求項1又は2に記載の制御装置。 - 前記更新手段は、
前記第2性能指標についての前記改善量に対する前記第1性能指標についての前記改善量の差分に応じた重みを用いて、前記第1パラメータを更新し、
前記第1性能指標についての前記改善量に対する前記第2性能指標についての前記改善量の差分に応じた重みを用いて、前記第2パラメータを更新する
ことを特徴とする請求項1から3のいずれか1項に記載の制御装置。 - 前記更新手段は、前記選択手段により前記第1学習モデルが選択される確率を表すパラメータを、前記第1パラメータとして使用し、前記第2学習モデルが選択される確率を表すパラメータを、前記第2パラメータとして使用する
ことを特徴とする請求項1から4のいずれか1項に記載の制御装置。 - 前記選択手段は、前記第2パラメータの値よりも前記第1パラメータの値の方が大きければ、前記第1学習モデルを選択し、前記第1パラメータの値よりも前記第2パラメータの値の方が大きければ、前記第2学習モデルを選択する
ことを特徴とする請求項5に記載の制御装置。 - 前記解析手段による前記解析、前記更新手段による前記更新、及び前記選択手段による前記選択は、所定の時間間隔で繰り返し実行される
ことを特徴とする請求項1から6のいずれか1項に記載の制御装置。 - 前記解析手段は、前記第1学習モデル及び前記第2学習モデルのうち、前記選択手段による前回の選択時に選択された学習モデルについては、前記ネットワーク環境情報に基づいて性能の評価を行い、前記選択手段による前回の選択時に選択されなかった学習モデルについては、前記ネットワーク環境情報に基づいて性能の予測を行う
ことを特徴とする請求項1から7のいずれか1項に記載の制御装置。 - 前記アドミッション制御は、新たなスライスの設定、設定済みのスライスの削除、及び設定済みのスライスについての設定変更に伴う、各スライスに割り当てられる無線リソースの制御を含む
ことを特徴とする請求項1から8のいずれか1項に記載の制御装置。 - 前記解析手段、前記更新手段、及び前記選択手段を含む学習手段を更に備え、
前記学習手段は、前記ネットワーク環境情報に基づく前記第1学習モデルによる学習で更新される、前記アドミッション制御用の学習済モデルと、前記ネットワーク環境情報に基づく前記第2学習モデルによる学習で更新される、前記アドミッション制御用の学習済モデルとを保持しており、
前記制御手段は、前記学習手段によって保持されている学習済モデルのうち、前記選択手段により選択された学習モデルに対応する学習済モデルを用いて前記アドミッション制御を行う
ことを特徴とする請求項1から9のいずれか1項に記載の制御装置。 - 前記ネットワーク環境情報は、ネットワーク構成に関する情報、スライス設定に関する情報、及び無線リソースの割り当てに関する情報、ネットワークの動作状況に関する情報のうちの1つ以上を含む
ことを特徴とする請求項1から10のいずれか1項に記載の制御装置。 - 前記第1学習モデルは、前記第2学習モデルよりもトレーニング時間が短い学習モデルであり、
前記第2学習モデルは、前記第1学習モデルよりも性能が高い学習モデルである
ことを特徴とする請求項1から11のいずれか1項に記載の制御装置。 - 前記第1学習モデルは、マルコフ近似による学習モデルであり、
前記第2学習モデルは、深層強化学習による学習モデルである
ことを特徴とする請求項12に記載の制御装置。 - 前記制御装置は、前記1つ以上の基地局と通信可能に接続される
ことを特徴とする請求項1から13のいずれか1項に記載の制御装置。 - 前記制御装置は、O−RAN Alliance(Open Radio Access Network Alliance)のRIC(RAN Intelligent Controller)である
ことを特徴とする請求項14に記載の制御装置。 - 1つ以上の基地局を含むネットワーク上に設定されるスライスのアドミッション制御を行う制御装置であって、
ネットワーク環境情報をモニタリングするモニタリング手段と、
前記モニタリングにより得られた前記ネットワーク環境情報に基づいて、スライスのアドミッション制御用の複数の学習モデルの性能をそれぞれ解析することで、前記複数の学習モデルのそれぞれの性能を示す性能指標を求める解析手段と、
前記解析手段により求められた、前記複数の学習モデルに対応する複数の性能指標のそれぞれについての前回の更新時からの改善量に応じて、前記複数の学習モデルにそれぞれ対応する複数のパラメータを更新する更新手段と、
前記更新手段により更新された前記複数のパラメータに応じて、前記複数の学習モデルのうちのいずれか1つを選択する選択手段と、
前記選択手段により選択された学習モデルを適用して前記アドミッション制御を行う制御手段と、
を備えることを特徴とする制御装置。 - 1つ以上の基地局を含むネットワーク上に設定されるスライスのアドミッション制御を行う制御装置によって実行される制御方法であって、
ネットワーク環境情報をモニタリングするモニタリング工程と、
前記モニタリングにより得られた前記ネットワーク環境情報に基づいて、スライスのアドミッション制御用の第1学習モデル及び第2学習モデルの性能をそれぞれ解析することで、前記第1学習モデルの性能を示す第1性能指標と前記第2学習モデルの性能を示す第2性能指標とを求める解析工程と、
前記解析工程で求められた前記第1性能指標についての前回の更新時からの改善量と前記第2性能指標についての前回の更新時からの改善量とに応じて、前記第1学習モデルに対応する第1パラメータと前記第2学習モデルに対応する第2パラメータとを更新する更新工程と、
前記更新工程で更新された前記第1パラメータ及び前記第2パラメータに応じて、前記第1学習モデル又は前記第2学習モデルを選択する選択工程と、
前記選択工程で選択された学習モデルを適用して前記アドミッション制御を行う制御工程と、
を含むことを特徴とする制御方法。 - 1つ以上の基地局を含むネットワーク上に設定されるスライスのアドミッション制御を行う制御装置によって実行される制御方法であって、
ネットワーク環境情報をモニタリングするモニタリング工程と、
前記モニタリングにより得られた前記ネットワーク環境情報に基づいて、スライスのアドミッション制御用の複数の学習モデルの性能をそれぞれ解析することで、前記複数の学習モデルのそれぞれの性能を示す性能指標を求める解析工程と、
前記解析工程で求められた、前記複数の学習モデルに対応する複数の性能指標のそれぞれについての前回の更新時からの改善量に応じて、前記複数の学習モデルにそれぞれ対応する複数のパラメータを更新する更新工程と、
前記更新工程で更新された前記複数のパラメータに応じて、前記複数の学習モデルのうちのいずれか1つを選択する選択工程と、
前記選択工程で選択された学習モデルを適用して前記アドミッション制御を行う制御工程と、
を含むことを特徴とする制御方法。 - 制御装置が備えるコンピュータに、請求項17又は18に記載の制御方法の各工程を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019211712A JP7197460B2 (ja) | 2019-11-22 | 2019-11-22 | 制御装置、制御方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019211712A JP7197460B2 (ja) | 2019-11-22 | 2019-11-22 | 制御装置、制御方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021083058A true JP2021083058A (ja) | 2021-05-27 |
JP7197460B2 JP7197460B2 (ja) | 2022-12-27 |
Family
ID=75965529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019211712A Active JP7197460B2 (ja) | 2019-11-22 | 2019-11-22 | 制御装置、制御方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7197460B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023100385A1 (ja) | 2021-12-03 | 2023-06-08 | 楽天モバイル株式会社 | 仮想化基盤および無線アクセスネットワークノードによる無線アクセスネットワーク制御 |
WO2023233470A1 (ja) * | 2022-05-30 | 2023-12-07 | 楽天モバイル株式会社 | ネットワークの異常の原因推定 |
WO2023233471A1 (ja) * | 2022-05-30 | 2023-12-07 | 楽天モバイル株式会社 | ネットワークの異常の原因推定 |
WO2023238437A1 (ja) * | 2022-06-06 | 2023-12-14 | Kddi株式会社 | 通信サービスの要求に基づく通信制御を行う基地局装置、制御方法、及びプログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017200172A (ja) * | 2016-04-27 | 2017-11-02 | 株式会社東芝 | 無線アクセスネットワークにおける無線リソーススライシング |
US20180317133A1 (en) * | 2017-04-28 | 2018-11-01 | NEC Laboratories Europe GmbH | Method and system for network slice allocation |
-
2019
- 2019-11-22 JP JP2019211712A patent/JP7197460B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017200172A (ja) * | 2016-04-27 | 2017-11-02 | 株式会社東芝 | 無線アクセスネットワークにおける無線リソーススライシング |
US20180317133A1 (en) * | 2017-04-28 | 2018-11-01 | NEC Laboratories Europe GmbH | Method and system for network slice allocation |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023100385A1 (ja) | 2021-12-03 | 2023-06-08 | 楽天モバイル株式会社 | 仮想化基盤および無線アクセスネットワークノードによる無線アクセスネットワーク制御 |
KR20240039222A (ko) | 2021-12-03 | 2024-03-26 | 라쿠텐 모바일 가부시키가이샤 | 가상화 기반 및 무선 액세스 네트워크 노드에 의한 무선 액세스 네트워크 제어 |
WO2023233470A1 (ja) * | 2022-05-30 | 2023-12-07 | 楽天モバイル株式会社 | ネットワークの異常の原因推定 |
WO2023233471A1 (ja) * | 2022-05-30 | 2023-12-07 | 楽天モバイル株式会社 | ネットワークの異常の原因推定 |
WO2023238437A1 (ja) * | 2022-06-06 | 2023-12-14 | Kddi株式会社 | 通信サービスの要求に基づく通信制御を行う基地局装置、制御方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7197460B2 (ja) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7197460B2 (ja) | 制御装置、制御方法、及びプログラム | |
D’Oro et al. | Orchestran: Network automation through orchestrated intelligence in the open ran | |
Wang et al. | Joint computation offloading and interference management in wireless cellular networks with mobile edge computing | |
Dhillon et al. | Fundamentals of heterogeneous cellular networks with energy harvesting | |
CN104053203B (zh) | 用于在接入终端中作出切换决定的方法和装置 | |
Matoussi et al. | 5G RAN: Functional split orchestration optimization | |
Mollahasani et al. | Dynamic CU-DU selection for resource allocation in O-RAN using actor-critic learning | |
Papa et al. | User-based quality of service aware multi-cell radio access network slicing | |
CN109996248A (zh) | 用于无线通信的电子设备和方法以及计算机可读存储介质 | |
Alsuhli et al. | Mobility load management in cellular networks: A deep reinforcement learning approach | |
WO2023172292A9 (en) | Zero-touch deployment and orchestration of network intelligence in open ran systems | |
González et al. | A novel multiobjective framework for cell switch-off in dense cellular networks | |
Gebremariam et al. | Resource pooling via dynamic spectrum-level slicing across heterogeneous networks | |
Qazzaz et al. | Machine learning-based xApp for dynamic resource allocation in O-RAN networks | |
Yang et al. | Opportunistic sharing scheme for spectrum allocation in wireless virtualization | |
Błaszczyszyn et al. | Performance analysis of cellular networks with opportunistic scheduling using queueing theory and stochastic geometry | |
Fajjari et al. | Optimized resource allocation and RRH attachment in experimental SDN based cloud-RAN | |
Alavirad et al. | O-RAN architecture, interfaces, and standardization: Study and application to user intelligent admission control | |
CN107006005A (zh) | 用于处理无线电频谱中的信道的方法和模块 | |
Lopes et al. | Deep reinforcement learning-based scheduling for multiband massive MIMO | |
Cui et al. | An intelligent coordinator design for network slicing in service-oriented vehicular networks | |
Chatterjee et al. | On optimal orchestration of virtualized cellular networks with downlink rate coverage probability constraints | |
Robledo et al. | Parameterizable mobile workloads for adaptable base station optimizations | |
Muñoz et al. | Capacity self-planning in small cell multi-tenant 5G networks | |
Öhmann et al. | Transient flow level models for interference-coupled cellular networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210203 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211125 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221019 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221125 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221215 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7197460 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |