JP2024008685A - 通信装置、制御方法、及び、プログラム - Google Patents

Abstract

【課題】 無線通信におけるトラフィックステアリングにおいて機械学習を使用するためのデータ収集やそのためのデータ通信ができるようにすること。【解決手段】 通信装置は、無線チャネル品質の情報、複数のアクセスポイントの負荷状況を示す情報、トラフィックの特性情報、単位時間における前述のいずれかの情報の時系列データのうち一部あるいはすべての情報を推定の入力データとして取得し、トラフィックステアリングするか否か、する場合にはどのようにステアリングするかを示す情報を計算する。通信装置は、計算の結果、自身が接続するＳＴＡのトラフィックステアリングが必要と判断した場合、自身が接続するＳＴＡ又は自身が連携するアクセスポイントのうち一台以上に通信の切り替えに関する情報を通知する。【選択図】 図５

Description

本発明は、ＩＥＥＥ８０２．１１規格に準拠した通信装置に関する。

無線ＬＡＮ（Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ、以下、ＷＬＡＮ）に関する通信規格としてＩＥＥＥ８０２．１１シリーズ規格が知られている。最新規格であるＩＥＥＥ８０２．１１ｂｅ規格ではＭｕｌｔｉ－Ｌｉｎｋ技術を用いて、高いピークスループットに加え、低遅延な通信を実現している（特許文献１）。

特開２０１８－５０１３３号公報

ＩＥＥＥ８０２．１１規格の後継規格では、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）やＭＬ（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）の導入が検討されている。

ところで、無線アクセスポイント（以下ＡＰ）が複数存在する環境において、多数の子機（以下ＳＴＡ）が接続する高負荷なＡＰを避けて負荷の低いＡＰへＳＴＡを分散して接続させると、通信の効率を高めることができると想定される。また、ＳＴＡが利用するサービスが必要とする通信特性を鑑み、適切にＳＴＡを分散してＡＰに接続させることが考えられる。この分散処理により、個々のＳＴＡに対して個々のＳＴＡが必要とする通信特性のネットワークをＳＴＡに提供しつつ、尚且つ、ネットワーク全体としての効率を高めることができると想定される。このように効率や、通信特性を鑑みて、接続状態や通信経路等をチューニングする技術をトラフィックステアリングと呼ぶ。

無線通信におけるトラフィックステアリングの最適化のために機械学習を用いることが考えられるが、従来においては、ローミングで機械学習を実現するためのデータ収集に使用するフレーム構成やデータ収集方法、学習データの使用方法が存在しなかった。

本発明は上述の課題を鑑みなされたものである。本発明の１つの側面としては、トラフィックステアリングに機械学習を使用するためのデータ収集やそのためのデータ通信ができるようにすることを目的の１つとする。また、本発明の別の側面によれば、収集したデータに基づいて通信に適したトラフィックステアリングを行えるようにすることを目的の１つとする。

本発明の１つの側面としての通信装置は、通信装置であって無線チャネル品質の情報、複数のアクセスポイントの負荷状況を示す情報、トラフィックの特性情報、単位時間における前述のいずれかの情報の時系列データのうち一部あるいはすべての情報を推定の入力データとして取得し、トラフィックステアリングするか否か、する場合にはどのようにステアリングするかを示す情報を計算する計算手段と、前記計算手段による計算結果において、自身が接続するＳＴＡのトラフィックステアリングが必要な場合は、自身が接続するＳＴＡ又は自身が連携するアクセスポイントのうち一台以上に通信の切り替えに関する情報を通知する通知手段と、を有することを特徴とする。

本発明によれば、無線通信装置におけるエンドツーエンドの通信を最適化するトラフィックステアリングを行うことができる。

ネットワーク構成例を示す図である。 ＡＰ・ＳＴＡのハードウェア構成例を示す図である。 ＡＰ・ＳＴＡの機能ブロック構成例を示す図である。 入力データ、学習モデル、出力データから成る学習モデルを利用した構造の概念を示す図である。 システム全体の処理フローの一例を示す図である。 ＡＰによって実行される処理の流れの一例を示す図である。 データ収集サーバによって実行される処理の流れの一例を示す図である。 推定サーバによって実行される学習フェーズの処理の流れの一例を示す図である。 推定サーバによって実行される推定フェーズの処理の流れの一例を示す図である。

（第１の実施形態）
図１は、第一の実施形態にかかるネットワーク構成例を示す。図１の無線通信システムは、ＡＰ（アクセスポイント）１０１、１０１ｂ、１０１ｃと、ＳＴＡ１０２、１０７、１１０、データ収集サーバ１０５、推定サーバ１０６とを具備した無線ネットワークである。ＡＰも中継機能を有する点を除き、ＳＴＡと同様の機能を有するため、ＳＴＡの一形態である。

ＡＰ１０１が送信する信号が到達する範囲を示した円１００の内部にあるＳＴＡがＡＰ１０１と通信可能である。本実施形態では、ＡＰ１０１とＳＴＡ１０２は、最大伝送速度４６．０８Ｇｂｐｓを目標とするＩＥＥＥ８０２．１１ｂｅ規格の後継規格に準拠した無線通信を実行可能に構成される。当該後継規格では、９０Ｇｂｐｓ－１００Ｇｂｐｓ超の最大伝送速度を達成すべ目標として掲げている。また、この当該８０２．１１ｂｅの後継規格では、高信頼通信や低レイテンシ通信のサポートなどを新たに達成すべき目標として掲げている。上記を踏まえ、本実施形態では、ＩＥＥＥ８０２．１１ｂｅの後継規格であり、最大伝送速度として９０Ｇｂｐｓ－１００Ｇｂｐｓ超を目標とする後継規格を、ＩＥＥＥ８０２．１１ＵＨＲ（Ｕｌｔｒａ Ｈｉｇｈ Ｒｅｌｉａｂｉｌｉｔｙ）と仮称する。

なお、ＩＥＥＥ８０２．１１ＵＨＲという名称は後継規格で達成すべき目標や当該規格で目玉となる特徴を踏まえて便宜上設けられたものであり、規格が確定した状態において別の名称となりうる。一方、本明細書及び添付の特許請求の範囲は、本質的には、８０２．１１ｂｅ規格の後継規格であって、無線通信をサポートしうるすべての後継規格に適用可能であることに留意されたい。

ＡＰ１０１は、ＳＴＡ１０２と所定のアソシエーションプロセス等を介して無線リンク１０３、１０４を確立する。なお、図１では２本のリンクを用いたマルチリンク接続を例に示しているが、無線リンクは１本でも２本以上でもよい。

ＡＰ１０１はインターネットを介してデータ収集サーバ１０５および推定サーバ１０６と接続する。ＡＰ１０１とデータ収集サーバ１０５、推定サーバ１０６との接続で使用する通信プロトコルはどのようなものであってもよい。またＳＴＡやＡＰの数は２以上であってもよい。

本実施形態では、一例として、ＡＰ１０１がＡＰ１０１，１０１ｂ、１０１ｃからなるメッシュネットワークのコントローラとして機能する場合を例示している。また、ＡＰ１０１ｂ、ＡＰ１０１ｃはメッシュネットワークのエージェント装置として機能する。

図２に、本発明におけるＡＰ・ＳＴＡのハードウェア構成を示す。ハードウェア構成の一例として、記憶部２０１、制御部２０２、機能部２０３、計算部２０４、入力部２０５、出力部２０６、通信部２０７、及びアンテナ２０８を有する。

記憶部２０１はＲＯＭやＲＡＭ等のメモリにより構成され、後述する各種動作を行うためのプログラムや、無線通信のための通信パラメータ等の各種情報を記憶する。なお、記憶部２０１として、ＲＯＭ、ＲＡＭ等のメモリの他に、フレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＣＤ－Ｒ、磁気テープ、不揮発性のメモリカード、ＤＶＤなどの記憶媒体を用いてもよい。また、記憶部２０１が複数のメモリ等を備えていてもよい。

制御部２０２は、例えばＣＰＵやＭＰＵ等のプロセッサ、ＡＳＩＣ（特定用途向け集積回路）、ＤＳＰ（デジタルシグナルプロセッサ）、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）等により構成される。ここで、ＣＰＵはＣｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの、ＭＰＵは、Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの頭字語である。記憶部２０１に記憶されたプログラムを実行することにより、ＡＰを制御する。なお、制御部２０２は、記憶部２０１に記憶されたプログラムとＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）との協働により、ＡＰを制御するようにしてもよい。また、制御部２０２がマルチコア等の複数のプロセッサから成り、ＡＰを制御するようにしてもよい。

また、制御部２０２は、機能部２０３を制御して、ＡＰ機能、撮像や印刷、投影等の所定の処理を実行する。機能部２０３は、ＡＰが所定の処理を実行するためのハードウェアである。

計算部２０４は、例えばＧＰＵやＴＰＵなどのプロセッサ、ＡＳＩＣ（特定用途向け集積回路）、ＤＳＰ（デジタルシグナルプロセッサ）、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）等により構成される。機械学習したものの推定演算や、機械学習自体を演算するためのハードウェアである。

図１の例では、機械学習に用いるデータ収集サーバ１０５、推定サーバ１０６を、ＡＰ１０１やＳＴＡ１０２と別に用意する例を示したが、これらの機能をＡＰ１０１やＳＴＡ１０２に組み込んでも良い。この場合、計算部２０４は、機械学習した結果を用いた推定演算や、機械学習自体を演算するためのハードウェアとして動作する。

ここで、ＧＰＵはＧｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＴＰＵはＴｅｎｓｏｒ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔの頭文字である。ＴＰＵは機械学習に特化したシストリックアレイ型のハードウェアプロセッサの一例であり、計算リソースとして積和演算器及び積和演算機に隣接して設けられたバッファレジスタ、ハードウェアで実装された活性化関数を有する。また、演算の流れを指示するためのＴＰＵ命令を解釈し、上述する計算リソースを制御する命令デコーダを有する。この、ＴＰＵは所謂ニューラルプロセッシングユニット（ＮＰＵ）として機能する。

これらのプロセッサは制御部２０２と共同で演算を行うため、一部演算を共有してもよい。ＧＰＵやＴＰＵはＣＰＵ等の汎用プロセッサと比較してデータをより多く並列処理することで効率的な演算を行うことができるので、ディープラーニングのような学習モデルを用いて複数回にわたり学習を行う場合にはＧＰＵやＴＰＵで処理を行うことが有効である。そこで本実施例では推定サーバの学習部による処理には制御部２０２に加えて計算部２０４にＧＰＵを用いる。具体的には学習モデルを含む学習プログラムを実行する場合に、制御部２０２または計算部２０４が協働して演算を行うことで学習を行う。なお、学習部の処理は制御部２０２または計算部２０４のみにより演算が行われてもよい。また推定部も学習部と同様に計算部２０４を用いてもよい。

入力部２０５は、ユーザからの各種操作の受付を行う。出力部２０６は、ユーザに対して各種出力を行う。ここで、出力部２０６による出力とは、画面上への表示や、スピーカによる音声出力、振動出力等の少なくともひとつを含む。なお、タッチパネルのように入力部２０５と出力部２０６の両方を１つのモジュールで実現するようにしてもよい。

通信部２０７は、ＩＥＥＥ ８０２．１１ ＥＨＴ規格や後継規格であるＩＥＥＥ８０２．１１ＵＨＲ規格等のＩＥＥＥ８０２．１１規格シリーズに準拠した無線通信データの符号化・復号化・変復調の処理を行う。また、通信部２０７はＷｉ－Ｆｉに準拠した無線通信の制御や、ＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）通信の制御を行う。さらに、通信部２０７はアンテナ２０８を制御して、無線通信のための無線信号の送受信を行う。

図１に示したように、機械学習に用いるデータ収集サーバ１０５、推定サーバ１０６を、ＡＰ１０１やＳＴＡ１０２と別に用意する場合、当該サーバは所謂ノイマン型のコンピュータで構成される。より具体的には、サーバは制御部２０４に相当する１以上のメモリ及び１以上のプロセッサと、計算部２０４に相当するＧＰＵやＴＰＵ等の演算リソースを有する。この場合、サーバのＧＰＵやＴＰＵは、機械学習した結果を用いた推定演算や、機械学習自体を演算するためのハードウェアとして動作する。

図３に、本発明における学習システムの機能ブロックを示す。ＳＴＡ１０２はデータ送受信部３１２を有し、通信部２０７で収集した周囲の情報や自身の情報および記憶部２０１に蓄積した情報について通信部２０７およびアンテナ２０８を通して送受信する。データ記憶部３１１は記憶部２０１を使用する。

ＡＰ１０１はＳＴＡ１０２が送信するデータを受け取るデータ送受信部３０３を持っており、ここでＡＰ１０１からＳＴＡ１０２へのデータ送信も行う。これらは通信部２０７やアンテナ２０８を用いる。このほか、データを記憶するデータ記憶部３０１を記憶部２０１に持っている。また、記憶部２０１および制御部２０２を展開し、通信関連データ管理部３０２を持つ。通信関連データ管理部３０２はデータ収集サーバ１０５や推定サーバ１０６と連携し、学習に必要な入力データの送信や、推定結果の受信およびその要求などを通信する。

データ収集サーバ１０５はＡＰ１０１や他のＡＰから収集したデータをデータ記憶部３２１に蓄積する。また必要に応じて推定サーバ１０６に蓄積したデータをデータ収集／提供部３２２を使って送信する。

推定サーバ１０６はデータ収集サーバ１０５から得た入力情報及び結果データを受信し、学習データ生成部３３２および学習部３３３を使って学習モデルを生成する。生成した学習モデルはデータ記憶部３３１に記憶する。ＡＰ１０１から推定値の要求があれば、推定部３３４にて学習結果を用いて推定値を演算し、結果をＡＰ１０１に返す。

なお、機械学習に用いるデータ収集サーバ１０５、推定サーバ１０６の機能をＡＰ１０１やＳＴＡ１０２に組み込む場合、ＡＰ１０１やＳＴＡ１０２等の単一の装置が図３に示す全ての機能を有することになる。機械学習に用いるデータ収集サーバ１０５、推定サーバ１０６をＡＰ１０１やＳＴＡ１０２とは別体として設ける場合、収集や推論等の機能は前述した通り別体のサーバが担うことになる。図３では、別体のサーバが学習と推論の両方を行う場合を例示しているがこれに限定されず、推論処理はＡＰ１０１において実現するようにしてもよい。この場合、推論サーバ１０６は、受け取った入力・出力データを元に生成した学習済みのモデルデータをＡＰ１０１に送信する。この場合ＡＰ１０１が、推論部３３４の機能を有するように構成すればよい。ＡＰ１０１は、サーバ１０６から受信した学習済みのモデルデータを記憶する。そして、ＡＰ１０１の推論部３３４は、自身が収集する周辺環境や動作状況から得られる推論用のインプットデータと学習済みモデルデータを用いて推定値を演算するよう構成すればよい。

なお、学習部３３３は、誤差検出部と、更新部と、を備えてもよい。誤差検出部は、入力層に入力される入力データに応じてニューラルネットワークの出力層から出力される出力データと、教師データとの誤差を得る。誤差検出部は、損失関数を用いて、ニューラルネットワークからの出力データと教師データとの誤差を計算するようにしてもよい。

更新部は、誤差検出部で得られた誤差に基づいて、その誤差が小さくなるように、ニューラルネットワークのノード間の結合重み付け係数等を更新する。この更新部は、例えば、誤差逆伝播法を用いて、結合重み付け係数等を更新する。誤差逆伝播法は、上記の誤差が小さくなるように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する手法である。

図４は、本実施形態の学習モデルを用いた入出力の構造を示す概念図である。学習モデルの入力データとしては、例えば、ＡＰ１０１とＳＴＡ１０２間の無線チャネル品質の情報、ＳＴＡ１０２周辺のＡＰに関する情報、ＡＰ１０１における負荷状況を示す負荷情報、エンドツーエンドトラフィックのＱｏＳ情報、各情報の優先度を使用する。表１は、学習モデルにおける入力データと、出力データの一例を示している。

具体的に説明する。ＡＰ１０１とＳＴＡ１０２等のＡＰ１０１に接続するＳＴＡの無線品質の情報は、例えばリンクレート、電波強度、変調方式や符号化率などの組み合わせをインデックス化したＭＣＳ値、信号対雑音比（ＳＮＲ）などの情報である。ＭＣＳはＭｏｄｕｌａｔｉｏｎ ａｎｄ Ｃｏｄｉｎｇ Ｓｃｈｅｍｅの略である。また、搬送波対雑音比（ＣＮＲ）、ＣＱＩ（Ｃｈａｎｎｅｌ Ｑｕａｌｉｔｙ Ｉｎｄｉｃａｔｏｒ）などの情報である。

また、通信品質の情報は、また、ＳＴＡ１０２周辺のＡＰに関する通信品質情報も含む。周辺のＡＰに関する通信品質の情報は、例えばＳＴＡ１０２が周辺のＡＰから受信する信号の受信レベルであるＲＳＳＩ（Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ Ｉｎｄｉｃａｔｏｒ）である。

また、ＡＰ１０１における負荷の情報は、例えばＳＴＡの接続台数や、トラフィックの通信レート（各ＳＴＡ、全ＳＴＡの総計）、ＣＰＵ処理負荷の情報である。また、負荷の情報に、パケット優先度の高いデータの処理状況等が含まれていてもよい。また、負荷の情報にＡＰが提供するネットワークにおけるＴＸＯＰの発生状況などが含まれていてもよい。

また、ＱｏＳトラフィックの情報は、ＳＴＡ１０２が行った通信のネットワークの両端における往復遅延時間（ＲＴＴ）や、パケットロス率、通信スループット、ジッター（ゆらぎ）、パケット優先度の情報である。当該情報はトラフィックの特性情報の一例である。また、ＱｏＳトラフィックの情報には、優先度やトラフィック傾向などから推定して得られる、ＳＴＡを所持するユーザが利用するネットワークサービスで必要となる通信特性（必要となるスループット、信頼性、最低遅延時間等）が含まれていてもよい。当該情報はトラフィックの特性情報の一例である。

例えば、ＳＴＡ１０２において動画のストリーミング視聴を行っている場合には、動画のストリーミング配信を行っているサーバとＳＴＡ１０２との間における実際のトラフィックの情報や、本来当該サービスを享受するために推奨される通信特性の情報である。

なお、上述した各情報は、現時点の情報だけでなく、過去の所定期間内の統計情報であってもよい。言い換えると入力データとしてはある時刻を基準とした所定の単位時間の間における上記情報の変動、即ち上述の情報の時系列のデータが入力パラメータに用いられてもよい。なお、本実施形態では、単位時間の一例として、一分程度を想定しているがこれに限定されるものではない。

なお、本実施形態において、学習済みモデルにインプットデータを入力して得られる出力データとして、遷移の推奨度、リンク遷移先のＢＳＳに関する情報（ＢＳＳ遷移の候補リスト）や、ＳＴＡ－ＡＰ間のリンクの追加、削除に関する情報等を想定している。

すなわち、本実施形態における推定は、現在の局面におけるエンドツーエンドトラフィックのＱｏＳ値を改善するために次に行うべきアクションを推定するとともに、当該アクションを行った場合の改善度合いを示す推奨度を推定する。

ＡＰ１０１は、出力データに基づき改善が見込まれる場合は、トラフィックステアリングのための処理を実行する。なお、実際にトラフィックステアリングを行った場合、ステアリング後の実測値を記録し、学習用、更新用、評価用のデータとして蓄積する。

入力データの特性について説明する。ＡＰとＳＴＡ間の無線品質の情報は、通信スループットや、データ遅延の発生、データ通信の信頼性と一定の相関を有する。例えば通信品質が悪いほど、トラフィックステアリング後の通信品質が向上する傾向がある。例えば通信品質が良いほどトラフィックステアリングを行っても通信品質の向上が見込めない傾向がある。ＡＰ１０１における負荷の情報は、通信スループットや、データ遅延の発生と一定の相関を有する。例えばトラフィックステアリングを行う前の負荷が高いほど、トラフィックステアリング後の通信品質が向上する傾向がある。例えば、トラフィックステアリングを行う前の負荷が低いほど、トラフィックステアリング後の通信品質の向上が見込めない傾向がある。また、例えば、トラフィックステアリングを行う前の負荷が低いほど、他のＡＰが受け持っていたＳＴＡのトラフィックを受け入れても、通信品質を維持できる可能性が高いといった傾向がある。

また、ＱｏＳトラフィックの情報は、トラフィックステアリング後に達成すべき通信品質に一定の相関がある。例えば、現在のＱｏＳトラフィックの優先度が高いが、遅延が大きい場合、何らかのトラフィックステアリングを行わないと、必要な通信品質が担保できないといった傾向がある。例えば、現在のＱｏＳトラフィックと、ユーザが利用するネットワークサービスで必要となる通信特性に乖離がある場合も、何らかのトラフィックステアリングを行わないと、必要な通信品質が担保できないといった傾向がある。

このように、それぞれの入力パラメータが、ネットワーク上における通信品質等に対して、ある程度の傾向を持つ。現実空間においては、これらのパラメータの各々が複雑に連関し、トラフィックステアリング後に通信品質が向上するかどうかが決まる。しかしながら、各々が複雑に連関していることから、その判断を判定、分岐処理などの論理的なアロゴリズムで決定することは難しい。

一方で、ある程度の傾向を有する複数のパラメータを入力として、トラフィックステアリングの要否と、次に行うべきアクションの候補に関する推定を行うと、トラフィックステアリングの実行により通信品質が向上するかを推定できる可能性が高い。これらを鑑み、本実施形態では、上記のパラメータのうちの一部の組み合わせあるいはすべてのパラメータを入力データとし、実際の環境パラメータを用いた学習を行う。

表１で例示したインプットデータは、以下のように生成することができる。まず、ＳＴＡは、通信品質等を含むステータスレポートをＡＰ１０１等のＡＰに送信する。ＡＰは、ステータスレポートや自身が管理する通信パラメータの情報などに基づき、ＳＴＡとＡＰの間での通信品質と、時刻とを対応付けて記憶する。また、ＡＰは、自身の負荷を示す情報を定期的に監視し、負荷を示す情報とその時刻とを対応付けて記憶する。メッシュネットワークのコントローラとして機能するＡＰ１０１は、他のＡＰから、各ＳＴＡの周囲のＡＰとの電波状況、負荷情報を定期的に収集し、当該収集を行った時刻と対応づけて記憶する。

ＡＰ１０１は、自身が収集して記憶している情報を収集サーバ１０５に定期的に送信する。収集サーバ１０５はＡＰやＳＴＡから得られたデータに基づき学習のためのメタデータを生成し、推論サーバ１０６に送信する。

推論サーバ１０６の生成部３２２は受信したメタデータに基づき学習のためのデータセット（入力データセットと教師データの組み合わせ）を生成する。時間軸に基づいて取得した各種情報を組み合わせて、表１に示したような、ある時点でのネットワーク状況を示すデータセットを生成する。教師データは前述した出力データであり、トラフィックステアリングの結果として良好な結果が得られた場合のデータである。教師データの生成方法については後述する。

なお、学習の具体的なアルゴリズムとしては、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシンなどが挙げられる。また、ニューラルネットワークを利用して、学習するための特徴量、結合重み付け係数を自ら生成する深層学習（ディープラーニング）も挙げられる。適宜、上記アルゴリズムのうち利用できるものを用いて本実施形態に適用することができる。

推定サーバ１０６若しくはＡＰ１０１は、学習済みデータに対して現在のネットワーク状況を入力して、トラフィックステアリングの候補や、推奨度を計算する。

実際にトラフィックステアリングを行った場合に、ＡＰ、収集サーバ１０５、及び推論サーバ１０６は協働して、トラフィックステアリングを行う前のネットワーク状況と、トラフィックステアリングを行った後のネットワーク状況を記憶する。また、推論サーバ１０６は、学習用のデータや、学習済みモデルデータが適切なトラフィックステアリングを推定できているかどうかを評価するための評価データとして当該データを成形し蓄積する。

なお、本実施形態の通信システムでは、蓄積済みのデータがなく、学習済みのモデルデータが構築されていない場合、従来手法である事前に定義されたアルゴリズムベースのトラフィックステアリングを実行する。そして、トラフィックステアリングの結果を評価し、教師データを作成する。例えば、推論サーバ１０６は、優先度やトラフィック傾向などから推定して得られる、ＳＴＡを所持するユーザが利用するネットワークサービスで必要となる通信特性をステアリングの結果満たしたかを確認する。より具体的にはサービスで必要となるスループット、信頼性、最低遅延時間等を満たしたかを確認する。また、他の通信悪影響がなかったかを確認する。通信特性を満たし、悪影響がなかった場合、ステアリング結果が良好であることをステアリングであったこと、ステアリング処理の内容（移行先のＢＳＳの情報等）、ステアリングが行われた時刻情報を対応付けて記憶する。また、悪影響があった又はステアリング結果が良好でなかったと判断すると、ステアリング結果が良好でなかったことを記憶する。これらのデータはモデルデータの学習時、更新時の教師データとして利用される。図５は、図４で示した学習モデルの構造を利用したシステム全体の処理フローを説明する図である。

Ｓ５００－０において、ＡＰ１０１や他のＡＰはトラフィックステアリングの学習に用いる情報を含むメタデータを収集サーバ１０５を介して推論サーバ１０６に提供する。Ｓ５００－１において、推論サーバ１０６は学習モデルの生成や更新処理を行う。当該生成や更新の処理は、推論サーバ１０６に蓄積したメタデータやＳ５００－１で受信した過去のローミングの効果を示す情報を組み合わせたデータセットに基づき実行される。当該処理は新たなデータが所定数以上蓄積されたタイミングにおいて定期的に行われるものとする。Ｓ５０１以降では、当該生成又は更新された学習済みモデルを用いる推論処理を説明する。

まず、ＡＰ１０１は接続中のＳＴＡ１０２に対し、ＳＴＡデータのレポートを要求する（Ｓ５０１）。ここで要求するＳＴＡデータとは、ＡＰ１０１とＳＴＡ１０２の無線チャネル品質の情報、およびＳＴＡ１０２周辺のＡＰに関する情報であり、図４で示した学習や推定に使用する入力データに用いる情報である。この要求は、例えばＩＥＥＥ ８０２．１１ｋで規定されているＲａｄｉｏ Ｍｅａｓｕｒｅｍｅｎｔ Ｒｅｑｕｅｓｔ、Ｌｉｎｋ Ｍｅａｓｕｒｅｍｅｎｔ Ｒｅｑｕｅｓｔ、Ｎｅｉｇｈｂｏｒ Ｒｅｐｏｒｔ Ｒｅｑｕｅｓｔなどを用いて各情報を要求する。ＩＥＥＥ ８０２．１１ｋでは、ＡＰとクライアント間における無線通信環境に関する情報交換をサポートしたり、近隣ＡＰの情報や、各チャネルの信号レベル等を伝達したりする仕組みが規定されている。また、学習データを収集するためにＳＴＡ Ｒｅｐｏｒｔ Ｒｅｑｕｅｓｔを定義してもよい。なお同図において、ＡＰ１０１に接続中のＳＴＡはＳＴＡ１０２のみであるが、他に図示しないＳＴＡが接続している場合には、ＡＰ１０１は他のＳＴＡに対しても同様にＳＴＡデータのレポートを要求する。

ＳＴＡ１０２は、ＡＰ１０１の要求に従って、ＳＴＡデータのレポートを送信する（Ｓ５０２）。例えばＩＥＥＥ ８０２．１１ｋで規定されているＲａｄｉｏ Ｍｅａｓｕｒｅｍｅｎｔ Ｒｅｐｏｒｔ、Ｌｉｎｋ Ｍｅａｓｕｒｅｍｅｎｔ Ｒｅｐｏｒｔ、Ｎｅｉｇｈｂｏｒ Ｒｅｐｏｒｔ Ｒｅｓｐｏｎｓｅなどを用いて各情報を送信する。また、学習や推論のために必要となるデータを収集するためにＳＴＡ Ｒｅｐｏｒｔ Ｒｅｑｕｅｓｔ・Ｒｅｓｐｏｎｓｅを定義してもよい。ＳＴＡ１０２が周辺のＡＰの情報を収集する方法としては、この他にもＷｉ－Ｆｉ Ａｇｉｌｅ Ｍｕｌｔｉｂａｎｄ仕様で規定されている方法を使用することができ、ＳＴＡ１０２はこれらの仕様に基づいて周辺のＡＰ情報をＡＰ１０１へ通知する。本ステップで収集する周辺のＡＰ情報にも、通信品質に関する情報が含まれる。

続いてＡＰ１０１は、トラフィックステアリング推定要求を推定サーバ１０６へ送信する（Ｓ５０３）。トラフィックステアリング推定要求には、ステップＳ５０２でＳＴＡ１０２から受信したＳＴＡデータのレポートと、ＡＰ１０１の負荷情報が含まれる。

推定サーバ１０６は、ＡＰ１０１から送信されたトラフィックステアリング推定要求に含まれる入力データに基づき推定したトラフィックをステアリングした場合のリンク遷移先のＢＳＳに関する情報（ＢＳＳ遷移の候補リスト）を推定結果として返信する。また、当該リンクの推奨度、ＳＴＡ－ＡＰ間のリンクの追加、削除に関する情報についても推定し、推定結果としてＡＰ１０１へ返信する（Ｓ５０４）。

ＡＰ１０１は、推定サーバから受信したトラフィックステアリング推定結果を基に、ＳＴＡ１０２のトラフィックをステアリングするべきか否かを判断する。トラフィックステアリングが必要と判断した場合、ＳＴＡ１０２のトラフィックをステアリングするべくＳＴＡ１０２へトラフィックステアリングを要求する（Ｓ５０５）。ＳＴＡ１０２はステアリング要求を受信すると、それに基づいて他ＡＰへのステアリングを実施するが、ＳＴＡ１０２は要求に従うか否かを自身で決定することもでき、推奨されるトラフィックステアリング要求のいずれにも従わなくてもよい。またＳＴＡ１０２が遷移しない場合、ＡＰ１０１は一定時間経過後にトラフィックステアリング要求を再送してもよいし、ＳＴＡ１０２との接続を強制的に解除してもよい。ＡＰ１０１は、トラフィックステアリングするべきと判断されたＳＴＡが一台以上存在する場合、一台以上のＳＴＡにトラフィックステアリングの要求を送信する。

なお、この例では、ＳＴＡ１０２等のＡＰ１０１に接続しているＳＴＡを他のフォロワーのＡＰにステアリングする場合を例示しているが、これに限定されるものではない。例えば、推論結果が、フォロワーのＡＰ（例えばＡＰ１０１ｂ）に属するＳＴＡのトラフィックを別のＡＰ（１０１ｃ）にステアリングすべきことを示している場合、当該ＳＴＡに対するトラフィックステアリングを要求する。この際、ＡＰ１０１は、フォロワーであるＡＰ１０１ｂを介して特定のＳＴＡにステアリング要求を送信する。また、ステアリング要求は、接続先の変更に限らず、エンドツーエンドのマルチホップ経路を設定する制御などであってもよい。例えば、メッシュネットワーク内の機器同士で低レイテンシ、高スループットの双方向通信が行われる場合などには、当該通信の経路をメインＡＰを経由しない経路に切り替え、メインＡＰに対する輻輳を回避したりすることができる。

図６は、ＡＰの処理の流れを示すフローチャートである。この処理はＡＰ１０１がＳＴＡと接続開始後、所定の時間周期／回数で定期的に行うが、これに限らず、ＡＰ１０１に接続中のＳＴＡ数が所定の閾値を超えた場合や、通信スループットが所定の閾値を超えた場合に行ってもよい。また、ＳＴＡがより良い通信環境を求めて、ＡＰ１０１へＢＳＳ移行要求を送信した場合に行ってもよい。例えば、ＩＥＥＥ ８０２．１１ｖで規定されているＢＳＳ Ｔｒａｎｓｉｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ Ｑｕｅｒｙを受信した場合に行ってもよい。ＡＰ１０１はＳＴＡ１０２に対して品質情報を含むＳＴＡデータを要求する（Ｓ６０１）。これは図５のＳ５０１によって実現する。また、ＡＰ１０１はフォロワーＡＰに対して品質情報や負荷情報を含むＡＰデータを要求する。

次にその応答を受信する（Ｓ６０２）。これは図５のＳ５０２によって実現する。続いて、推定サーバ１０６に対し、トラフィックステアリング推定を要求するか否かを判断する（Ｓ６０３）。ここでの判断は、例えばＡＰ１０１の設定やメッシュネットワークに対する全般の設定としてトラフィックステアリング機能が有効となっているか否かで判断することが可能である。これに限らず、各ＡＰに接続しているＳＴＡの接続台数や各ＡＰのＣＰＵ処理負荷、各ＡＰの通信スループット等が所定の閾値を超えた場合に、自動的にトラフィックステアリング推定を要求してもよい。すなわち、ネットワークトラフィックの傾向が変わりうる何かしらのイベントが発生した場合に当該フローチャートの処理を行うよう構成してもよい。

ステップＳ６０３の判断の結果、トラフィックステアリング推定を要求しないと判断した場合には、収集したデータをデータ収集サーバ１０５へ送信して処理を終了する（Ｓ６０４）。Ｓ６０３で送信したデータはモデルデータの学習や更新に用いられる。

一方、ステップＳ６０３の判断の結果、トラフィックステアリング推定を要求すると判断した場合には、推定サーバ１０６に対しトラフィックステアリング推定要求を送信する（Ｓ６０５）。続いて、ＡＰ１０１は、推定サーバ１０６からトラフィックステアリング推定結果を受信する（Ｓ６０６）。なお、図５のステップＳ５０３で前述した通り、トラフィックステアリング推定要求には、ＳＴＡ１０２から受信したＳＴＡデータのレポートと、ＡＰ１０１やフォロワーＡＰの負荷情報が含まれる。また、推定を要求する場合であっても、推定結果を受け取った後にデータ収集サーバ１０５へメタデータを送信してもよい。

続いてＡＰ１０１は、受信したトラフィックステアリング推定結果を元に、ＡＰ１０１若しくはフォロワーＡＰに接続しているＳＴＡのトラフィックをステアリングするか否かを判断する（Ｓ６０７）。ステップＳ６０７の判断の結果、トラフィックステアリングを行わないと判断した場合には、処理を終了する。Ｓ６０５の要求に基づく推定処理と、Ｓ６０７の判定処理を合わせて計算処理と呼ぶ。また、当該計算処理を行って得られるローミングするべきか否かの情報を計算結果とも呼ぶ。

一方、ステップＳ６０７の判断の結果、トラフィックステアリングを行うと判断した場合には、ＳＴＡ１０２に対してトラフィックステアリングを要求する（Ｓ６０８）。ここでの制御方法としては、例えばＩＥＥＥ ８０２．１１ｖで規定されているＢＳＳ Ｔｒａｎｓｉｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ Ｒｅｑｕｅｓｔを使用することができる。ＩＥＥＥ ８０２．１１ｖは、ＩＥＥＥ ８０２．１１ｋで規定される測定情報を無線環境の管理に利用する方法を規定しており、ＳＴＡの動作を制御することが可能となる。また、ＩＥＥＥ ８０２．１１ｖ以外にも、前述したＷｉ－Ｆｉ Ａｇｉｌｅ Ｍｕｌｔｉｂａｎｄ仕様で規定されている方法を使用することもできる。

図７は、学習および推定時のデータ収集サーバ１０５の処理の流れを示すフローチャートである。この処理はデータ収集サーバ１０５が常に実行している。

データ収集サーバ１０５は、ＡＰ１０１やフォロワーＡＰもしくは推定サーバ１０６からの要求を待ち受ける（Ｓ７０１）。要求を受信すると、要求の送信元によって処理を変更する（Ｓ７０２）。推定サーバ１０６からの要求であった場合、学習のためのデータ一覧要求であると判断し、推定サーバに記録していたメタデータ一覧を送信する（Ｓ７０３）。ＡＰ１０１やフォロワーＡＰからの要求であった場合、データ収集サーバ１０５へのメタデータ記録要求であると判断し、メタデータを記憶する（Ｓ７０４）。なお、判断基準は送信元アドレスでなくてもよい。例えば、要求フレーム内部に、要求内容が記載されていてもよい。

図８は、学習時の推定サーバ１０６の処理の流れを示すフローチャートである。推定サーバにおける学習モデルの生成及び更新処理は、定期的に実施されるものとする。

推定サーバ１０６は、メタデータ一覧をデータ収集サーバ１０５に対して要求する（Ｓ８０１）。続いてデータ収集サーバ１０５からメタデータ一覧を受信したら（Ｓ８０２）、時系列データから学習に用いるデータセットを生成する（Ｓ８０３）。また、入力データとしては継続したある期間中の全データであってもよい。例えば過去１日のデータについて、１分後ごとのデータをサンプリングし、集めたデータであってもよい。

続いて、推定サーバ１０６は、学習に用いるデータセットを学習モデルに入力する（Ｓ８０４）。そして、推定サーバ１０６の学習部３３３は入力パラメータに基づいてモデルデータの学習処理を行う（Ｓ８０５）。例えば、ニューラルネットワークを用いて学習モデルを構築する場合、推定サーバ１０６は、ニューラルネットワークの出力値が目標値に近づくように畳み込みニューラルネットワークのノード間の結合重み付け係数等の更新処理を行う。推定サーバ１０６は、教師データと学習中のモデルデータを利用して出力した出力値との誤差情報を表す誤差関数を用いて、結合重み付け係数の調整量を決定する。

続いて推定サーバは、Ｓ８０３で用意したデータセットを全て入力し終えたか否かを判断する（Ｓ８０６）。入力し終えた場合は一連の学習処理を終了し、入力し終えていない場合、Ｓ８０４の処理に戻り、未入力のデータセットに基づくモデルデータの学習を継続する。Ｓ８０４とＳ８０５の処理を繰り返し行うことで結合重み付け係数が徐々に最適化されていき、目標値との誤差が小さい出力値を出力する学習済みモデルデータが構築される。

以上説明した処理により、ローミング処理のための学習済みモデルデータを構築することができる。

図９は、推定時の推定サーバ１０６の処理の流れを示すフローチャートである。推定サーバの推定は、常に実行することを想定している。なお、前述したように推論処理をＡＰ１０１で行うように構成することもできる。この場合、推定サーバではなくＡＰ１０１において図９の各処理が実行されるように構成すればよい。

推定サーバ１０６はまず、ＡＰから入力用のメタデータを含むトラフィックステアリング要求を受信したか否かを判断する（Ｓ９０１）。

トラフィックステアリング要求を受信した場合は、入力用のメタデータを基に学習済みモデルへ入力する（Ｓ９０２）。このとき、受信したメタデータが入力データの形式と異なる場合には、学習用データ生成部３３２を使って入力データの形式に変換する。

続いて、推定サーバ１０６は学習モデルからトラフィックステアリング推定結果を取得し（Ｓ９０３）、取得した推定結果をＡＰ１０１へ送信する（Ｓ９０４）。

なお、図８の処理にて学習モデルを生成後、推定サーバから対象となるＡＰ全てに学習モデルごと配布していてもよい。この場合、本図の処理はＡＰ１０１の内部で実行されることになる。このとき、ＡＰ１０１はトラフィックステアリング推定結果を得た後、ＳＴＡ１０２の通信をトラフィックステアリングするべきか否かを判断し、ＳＴＡ１０２へ通知することになる。

以上のようにして、本発明で示すＩＥＥＥ ８０２．１１規格で用いるフレームを用いて、ＡＰは接続中のＳＴＡのトラフィックステアリング可否を判断し、トラフィックステアリングが必要な場合はＳＴＡへ通知することができる。

なお、トラフィックステアリングの移行先は他のＡＰに限定されるものではない。例えば、同じＡＰが提供する別の周波数帯のネットワークに移行させることもできる。本実施形態のトラフィックステアリングの移行処理には、ＡＰが複数の周波数帯（２．４ＧＨｚ／５ＧＨｚ／６ＧＨｚ）をサポートしている場合にＳＴＡが接続する周波数帯を切り替えるバンドステアリングなどの移行処理も含まれる。

（変形例）
尚、本実施形態では複数のＡＰを含む無線通信システムの一例としてメッシュネットワークによる無線通信システムを例示したがこれに限定されるものではない。例えば、複数のＡＰがアクセスポイントコントローラにより管理及び制御されるエンタープライズ向けの無線通信システムであってもよい。この場合、アクセスポイントコントローラで学習処理や推論処理を行うように構成してもよい。

尚、本実施形態では、ＩＥＥＥ８０２．１１ｂｅの後継規格の一例として、ＩＥＥＥ８０２．１１ＵＨＲといった規格名称を例示したが限定されるものではない。例えば、規格名称はＨＲＬ（Ｈｉｇｈ ＲｅＬｉａｂｉｌｉｔｙ）でもよい。また、規格名称はＨＲＷ（Ｈｉｇｈ Ｒｅｌｉａｂｉｌｉｔｙ Ｗｉｒｅｌｅｓｓ）でもよい。また、ＶＨＴ（Ｖｅｒｙ Ｈｉｇｈ Ｒｅｌｉａｂｉｌｉｔｙ）でもよい。また、規格名称はＥＨＲ（Ｅｘｔｒｅｍｅｌｙ Ｈｉｇｈ Ｒｅｌｉａｂｉｌｉｔｙ）でもよい。また、規格名称は単にＨＲ（Ｈｉｇｈ Ｒｅｌｉａｂｉｌｉｔｙ）でもよい。また、ＬＬ（Ｌｏｗ Ｌａｔｅｎｃｙ）でもよい。また、規格名称はＶＬＬ（Ｖｅｒｙ Ｌｏｗ Ｌａｔｅｎｃｙ）でもよい。また、規格名称はＥＬＬ（Ｅｘｔｒｅｍｅｌｙ Ｌｏｗ Ｌａｔｅｎｃｙ）でもよい。また、ＵＬＬ（Ｕｌｔｒａ Ｌｏｗ Ｌａｔｅｎｃｙ）でもよい。また、規格名称はＨＲＬＬ（Ｈｉｇｈ Ｒｅｌｉａｂｌｅ ａｎｄ Ｌｏｗ Ｌａｔｅｎｃｙ）でもよい。また、規格名称はＵＲＬＬ（Ｕｌｔｒａ－Ｒｅｌｉａｂｌｅ ａｎｄ Ｌｏｗ Ｌａｔｅｎｃｙ）でもよい。また、規格名称はＵＲＬＬＣ（Ｕｌｔｒａ－Ｒｅｌｉａｂｌｅ ａｎｄ Ｌｏｗ Ｌａｔｅｎｃｙ Ｃｏｍｍｉｎｉｃａｔｉｏｎｓ）でもよい。また、その他の別の名称であってもよい。

（その他の実施形態）
なお、生成部３２２が生成した学習のためのデータセット（入力値と教師データの組み合わせ）の一部は学習だけでなく、学習済みのデータモデルの性能評価に活用することもできる。推論サーバ１０６は、生成部３２２が生成したデータセットの一部を学習には敢えて用いず、評価用のデータセットとして別に記憶しておく。この評価用のデータセットは学習済みモデルデータにとってみると、過去に学習に利用していない未知の入力値と教師データ（正解データ）の組み合わせとなる。

この場合、推論サーバ１０６は、学習部３３３で学習を行った学習済みモデルデータと評価用のデータセットの入力値とを用いて推論結果を計算する。続けて、推論結果と、教師データを比較して、学習済みモデルの性能を評価する。

そして、当該性能の評価を行った結果、正答率が所定の閾値（例えば９０％）を超えた場合に、推論処理の運用を開始するようにすることができる。

なお、上述の実施形態では、推定サーバにおける学習モデルの生成及び更新処理は、図５で説明した通り、定期的に実施されるものとしたがこれに限定されるものではない。例えば、学習済みモデルデータと、評価用のデータセットを用いた性能の評価を定期的に実行し、その結果に基づき学習済みモデルの更新や作成処理を行うようにしてもよい。例えば、正答率が所定の閾値以下となった場合に、更新処理を実行する。また、正答率が更に低下し、第２の所定の閾値以下となった場合に、現在の学習済みモデルを放棄し、新たな学習済みモデルを構築するように構成してもよい。

更に、本実施形態では、モデルデータの生成に教師あり学習を用いる場合を例示したが、これに限定されるものではない。例えば、教師あり学習と、強化学習を組み合わせて学習モデルを生成するように構成することもできる。この場合、教師データと周辺状況を組み合わせたデータセットは事前学習のためのデータとして用いられる。この場合、推論サーバ１０６は、周辺環境の教師データと周辺状況を組み合わせたデータセットに基づきデモンストレーションデータを生成する。このデモンストレーションデータは、強化学習の学習初期の足がかりのデータとなる。デモンストレーションデータに基づいた価値関数や方策（ポリシー）の事前学習が完了すると、実際のデータに基づく強化学習、推論のフェーズに進む。言い換えると、教師あり学習相当の模倣学習を行って学習初期のモデルを生成する。続いての強化学習、推定のフェーズでは、推論サーバ１０６は、マルコフ決定過程に基づき決定されたトラフィックステアリングのための何らかのアクションを行うと決定する。ＡＰ１０１やその他フォロワーＡＰは当該アクションに基づきトラフィックステアリングを行う。ＳＴＡや各ＡＰは当該ステアリング前後の通信状況を計測する。そして、推論サーバ１０６は、計測結果に基づきトラフィックステアリングの結果を評価する。

推論サーバ１０６は、トラフィックステアリングの評価の効果に基づきエージェントに即時報酬を与えるとともに、価値関数を更新する。これらの処理を繰り返すことで、追加学習を行うことができる。この強化学習では、マルコフ決定過程に基づいてアクションの選択を行うため、教師データでは試行されなかった新たなアクションが選択され実行されることがある。そして、推定サーバ１０６は、この新たなアクションを行った実際の結果にも基づいて、行動の評価を行いエージェントの方策（ポリシー）を調整する。従って追加学習が進むにつれ、エージェントの方策が実環境で評価される内容に調整される。また、時間の経過と観測された評価に基づき価値関数が更新されるため、短期的な行動だけでなく将来を見越した行動が選択されるようになる。このように強化学習を用いると、ＡＰと、別ＡＰでＳＴＡを押し付けあうようにステアリングが繰り返される、いわゆるピンポンローミングを引き起こすようなアクションは、学習が進むにつれ評価され難くなり、方策として選択され難くなる。また、アクションの結果、一時的にはトラフィックが改善するが、時系列が経過すると他のフォロワーＡＰに悪影響を及ぼすようなアクションは、学習が進むについて評価され難くなり、方策として選択され難くなる。以上説明した通り、強化学習によるモデルの構築、モデルの更新、推定を行うように適宜変形することができる。

本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワークまたは記憶媒体を介してシステムまたは装置に供給し、そのシステムまたは装置のコンピュータがプログラムを読出し実行する処理でも実現可能である。コンピュータは、１または複数のプロセッサまたは回路を有し、コンピュータ実行可能命令を読み出し実行するために、分離した複数のコンピュータまたは分離した複数のプロセッサまたは回路のネットワークを含みうる。

プロセッサまたは回路は、中央演算処理装置（ＣＰＵ）、マイクロプロセッシングユニット（ＭＰＵ）、グラフィクスプロセッシングユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートウェイ（ＦＰＧＡ）を含みうる。また、プロセッサまたは回路は、デジタルシグナルプロセッサ（ＤＳＰ）、データフロープロセッサ（ＤＦＰ）、またはニューラルプロセッシングユニット（ＮＰＵ）を含みうる。

１０１ ＡＰ
１０２ ＳＴＡ
１０６ 推定サーバ

Claims (4)

1. 通信装置であって
   無線チャネル品質の情報、複数のアクセスポイントの負荷状況を示す情報、トラフィックの特性情報、単位時間における前述のいずれかの情報の時系列データのうち一部あるいはすべての情報を推定の入力データとして取得し、トラフィックステアリングするか否か、する場合にはどのようにステアリングするかを示す情報を計算する計算手段と、
   前記計算手段による計算結果において、自身が接続するＳＴＡのトラフィックステアリングが必要な場合は、自身が接続するＳＴＡ又は自身が連携するアクセスポイントのうち一台以上に通信の切り替えに関する情報を通知する通知手段と
   を有することを特徴とする通信装置。
2. 前記入力データに相当する情報に少なくとも基づき、機械学習を行うことで学習済みモデルデータを生成する生成手段をさらに有し、
   前記計算手段は、前記生成手段で生成された学習済みモデルデータと推論の入力データを用いて推論結果を得る処理が含まれており、少なくとも前記計算手段におけるトラフィックステアリングが必要か否かの計算には、前記推論結果が用いられることを特徴とする請求項１に記載の通信装置。
3. トラフィックステアリングに関連する制御を行う制御方法であって、
   無線チャネル品質の情報、複数のアクセスポイントの負荷状況を示す情報、トラフィックの特性情報、単位時間における前述のいずれかの情報の時系列データのうち一部あるいはすべての情報を推定の入力データとして取得し、トラフィックステアリングするか否か、する場合にはどのようにステアリングするかを示す情報を計算する計算工程と、
   を有することを特徴とする制御方法。
4. コンピュータに、
   無線チャネル品質の情報、複数のアクセスポイントの負荷状況を示す情報、トラフィックの特性情報、単位時間における前述のいずれかの情報の時系列データのうち一部あるいはすべての情報を推定の入力データとして取得し、トラフィックステアリングするか否か、する場合にはどのようにステアリングするかを示す情報を計算する計算工程を実行させるためのプログラム。

Images