JP2024517038A - 通信ネットワークコンポーネントの構成と通信ネットワーク分析を行うための機械学習モデルの提供方法 - Google Patents

Abstract

モバイル通信ネットワークの通信ネットワークコンポーネントの構成は、ネットワーク分析コンポーネントと情報提供コンポーネントを含む。ネットワーク分析コンポーネントは、ネットワーク分析情報を導き出すためにトレーニングされた機械学習モデルに関する情報の要求を送信する。要求には、機械学習モデルによって満たされるべき品質要件の仕様が含まれている。情報提供コンポーネントは、要求された情報を決定し、ネットワーク分析コンポーネントに提供する。情報提供コンポーネントは、Network Repository Function又はOperation, Administration and Maintenanceシステムであり、機械学習モデルトレーニングコンポーネントである。要求された情報は、ネットワーク分析コンポーネントによる機械学習モデルの実装を可能にする機械学習モデルの仕様である。機械学習モデルトレーニングコンポーネントは、ネットワーク分析情報を導出するための複数の機械学習モデルをトレーニングし、前記品質要件を満たす前記複数の機械学習モデルから機械学習モデルを選択し、前記選択した機械学習モデルの仕様をネットワーク分析コンポーネントに提供することで、前記ネットワーク分析コンポーネントによる前記機械学習モデルの実装を可能にする。

Description

本開示は、通信ネットワーク分析を行うための機械学習モデルを提供するための通信ネットワークコンポーネントの構成と方法に関する。

５Gモバイル通信ネットワークのような通信ネットワークでは、一定のサービス品質を維持できることを保証することが重要である。これには、負荷、リソース使用量、利用可能なコンポーネント、コンポーネントの状態などの情報から生成されるネットワーク統計分析及び予測情報を監視して、例えば過負荷が差し迫っている場合、サービス品質の低下などを回避できるようにすることがある。５Gモバイル通信システムのようなネットワークスライスアーキテクチャを持つ通信ネットワークでは、例えば個々のネットワークスライスインスタンスが過負荷になる可能性があるため、これは特に個々のネットワークスライスインスタンスのネットワーク分析及び予測情報（ネットワーク分析情報とも呼ばれる）の監視に関連する。したがって、ネットワーク分析及び／又は予測情報を提供する効率的で信頼性の高いアプローチが望ましい。

本発明の一態様によれば、モバイル通信ネットワークの通信ネットワークコンポーネントの構成であって、
ネットワーク分析情報を導出するようにトレーニングされた機械学習モデルに関する情報の要求を送信するように構成されたネットワーク分析コンポーネントであって、前記要求には、前記機械学習モデルによって満たされるべき品質要件の仕様が含まれる、ネットワーク分析コンポーネントと、
前記要求に応じて前記要求された情報を決定し前記ネットワーク分析コンポーネントに提供するように構成された情報提供コンポーネントと、
を含み、
前記情報提供コンポーネントがネットワークリポジトリ機能又は運用管理保守システムであり、
前記情報提供コンポーネントが機械学習モデルトレーニングコンポーネントであり、前記要求された情報が前記ネットワーク分析コンポーネントによる前記機械学習モデルの実装を可能にする前記機械学習モデルの仕様であり、
前記機械学習モデルトレーニングコンポーネントが、ネットワーク分析情報を導出するために複数の機械学習モデルをトレーニングするように構成され、複数の機械学習モデルから品質要件を満たす機械学習モデルを選択し、前記選択された機械学習モデルの仕様を前記ネットワーク分析コンポーネントに提供し、前記ネットワーク分析コンポーネントによる機械学習モデルの実装を可能にするように構成されている、構成が提供される。

本発明の別の態様によれば、上記の通信ネットワーク構成に従って通信ネットワーク分析を実行するための機械学習モデルを提供する方法が提供される。

図中、同様の参照符号は、異なる図を通じて概して同じ部分を表す。図面は、必ずしも縮尺通りではなく、むしろ、本発明の原理を説明する際に概して強調される。以下の説明では、種々の態様は、以下の図面を参照して説明される。

例えば３GPP（登録商標）（Third Generation Partnership Project）により指定されるような５G（Fifth Generation）に従い構成される無線通信システムを示す。 ネットワークスライスを示す。 NWDAF AnLF（Network Data Analytics Function Analytics Logical Function）及びNWDAF MTLF（Network Data Analytics Function Model Training Logical Function）を示す。 ML（機械学習）モデルプロビジョニングサービス動作を示すフロー図を示す。 MLモデル要求サービス動作を示すフロー図を示す。 MTLFが第１AnLFと第２AnLFに機械学習（ML）モデルを提供するシナリオの例を示す。 NRF（Network Repository Function）にMTLFを登録するためのフロー図を示す。 NRFに相談してNWDAFサービスコンシューマがMTLFを検出するためのフロー図を示す。 実施形態によるモバイル通信ネットワークの通信ネットワーク構成を示す。 実施形態による通信ネットワーク分析を実行する方法を示すフロー図を示す。

以下の詳細な説明は、図を用いて、特定の詳細及び本発明が実施される得る態様を示す添付の図面を参照する。他の態様が利用されてよく、本発明の範囲から逸脱することなく構造的、論理的、及び電気的変更が行われてよい。本開示の種々の態様は、必ずしも、相互に排他的ではなく、本開示の幾つかの態様は新しい態様を形成するために本開示の１つ以上の他の態様と結合できる。

本開示の態様に対応する種々の例が以下に記載される。

例１は、モバイル通信ネットワークの通信ネットワークコンポーネントの構成であって、ネットワーク分析情報を導き出すためにトレーニングされた機械学習モデルに関する情報の要求を送信するように構成されたネットワーク分析コンポーネントであって、前記要求には、前記機械学習モデルによって満たされるべき品質要件の仕様が含まれる、ネットワーク分析コンポーネントと、前記要求に応じて前記要求された情報を決定し前記ネットワーク分析コンポーネントに提供するように構成された情報提供コンポーネントと、を含む通信ネットワークコンポーネントの構成である。

例２は、前記要求がディスカバリ要求であり、前記要求された情報が、前記品質要件を満たす機械学習モデルを提供する機械学習モデルトレーニングコンポーネントの識別であり、前記ネットワーク分析コンポーネントが、前記機械学習モデルトレーニングコンポーネントの前記識別を使用して前記機械学習モデルトレーニングコンポーネントから前記機械学習モデルを要求するように構成されている、例１に記載の通信ネットワークコンポーネントの構成である。

例３は、前記情報が前記品質要件を満たす機械学習モデルの識別を更に含み、前記ネットワーク分析コンポーネントが、前記機械学習モデルの前記識別を使用して前記機械学習モデルトレーニングコンポーネントから前記機械学習モデルを要求するように構成されている、例２に記載の通信ネットワークコンポーネントの構成である。

例４は、前記情報提供コンポーネントが、前記モバイル通信ネットワークのネットワーク機能コンポーネントのプロファイルを格納するネットワークコンポーネントである、例２又は３に記載の通信ネットワークコンポーネントの構成である。

例５は、前記情報提供コンポーネントが、ネットワークリポジトリ機能又は運用管理保守システムである、例１～４のいずれか一項に記載の通信ネットワークコンポーネントの構成である。

例６は、前記情報提供コンポーネントは機械学習モデルトレーニングコンポーネントであり、前記要求された情報は前記ネットワーク分析コンポーネントによる前記機械学習モデルの実装を可能にする前記機械学習モデルの仕様である、例１に記載の通信ネットワークコンポーネントの構成である。

例７は、前記機械学習モデルトレーニングコンポーネントは、ネットワーク分析情報を導出するための複数の機械学習モデルをトレーニングし、前記品質要件を満たす前記複数の機械学習モデルから機械学習モデルを選択し、前記選択した機械学習モデルの仕様を前記ネットワーク分析コンポーネントに提供することで、前記ネットワーク分析コンポーネントによる前記機械学習モデルの実装を可能にする、例６に記載の通信ネットワークコンポーネントの構成である。

例８は、前記品質要件が、要求精度及び／又は要求効率及び／又は複数のネットワーク分析コンポーネント間の要求相互運用性である、例１～７のいずれか一項に記載の通信ネットワークコンポーネントの構成である。

例９は、複数のネットワーク分析コンポーネント間の前記要求相互運用性が、前記機械学習モデルが前記ネットワーク分析コンポーネントで動作可能であるという要件であり、前記ネットワーク分析コンポーネントが、前記機械学習モデルを生成する機械学習モデルトレーニングコンポーネントの機械学習モデルトレーニングコンポーネントサービスプロバイダとは異なるサービスプロバイダによって提供される、例８に記載の通信ネットワークコンポーネントの構成である。

例１０は、前記品質要件が、複数のネットワーク分析コンポーネントタイプのうち前記ネットワーク分析コンポーネントのタイプのサポートである、例１～９のいずれか一項に記載の通信ネットワークコンポーネントの構成である。

例１１は、通信ネットワーク分析を実行する機械学習モデルを提供する方法であって、ネットワーク分析情報を導き出すためにトレーニングされた機械学習モデルに関する情報の要求を送信するステップであって、前記要求には、前記機械学習モデルによって満たされるべき品質要件の仕様が含まれる、ステップと、前記要求に応じて前記要求された情報を決定し提供するステップと、を含む方法である。

留意すべきことに、上述の例のうちのいずれかの特徴のうちの１つ以上は、他の例のうちのいずれか１つと欠お具されてよい。特に、通信ネットワーク構成の文脈で記載された例は、方法についても同様に有効である。

本発明の更なる態様によると、コンピュータにより実行されると該コンピュータに上述の例のうちのいずれか一項に記載の方法を実行させるコンピュータプログラム及び命令を含むコンピュータ可読媒体が提供される。

以下では、種々の例が、より詳細に説明される。

図１は、例えば３GPP（Third Generation Partnership Project）により指定されるような５G（Fifth Generation）に従い構成されるモバイル無線通信システム１００を示す。

モバイル無線通信システム１００は、UE（user equipment、ユーザ機器）、ナノ機器（nano equipment （NE））、等のようなモバイル無線端末装置１０２を含む。モバイル無線端末装置１０２は、加入者端末とも呼ばれ、端末側を形成する。一方で、以下に記載されるモバイル無線通信システム１００の他のコンポーネントは、モバイル通信ネットワーク側の部分、つまり、モバイルネットワーク（例えば、公衆地上波モバイルネットワーク（Public Land Mobile Network PLMN））の部分である。

更に、モバイル無線通信システム１００は、複数の無線アクセスネットワークノード、つまり、５G（第５世代）無線アクセス技術（５G新無線（New Radio））に従い無線アクセスを提供するよう構成される基地局を含む無線アクセスネットワーク（Radio Access Network （RAN））１０３を含む。留意すべきことに、モバイル無線通信システム１００は、LTE（Long Term Evolution）又は別のモバイル無線通信標準（例えば、WiFiのような非３GPPアクセス）に従い構成されてもよいが、本願明細書では５Gが例として使用される。各無線アクセスネットワークノードは、無線インタフェースを介してモバイル無線端末装置１０２との無線通信を提供してよい。留意すべきことに、無線アクセスネットワーク１０３は、任意の数の無線アクセスネットワークノードを含んでよい。

モバイル無線通信システム１００は、RAN１０３に接続されるアクセス及びモビリティ管理機能（Access and Mobility Management Function （AMF））１０１と、統合データ管理（Unified Data Management （UDM））１０４と、ネットワークスライス選択機能（Network Slice Selection Function （NSSF））１０５と、を更に含む。ここで及び以下の例では、UDMは、例えばUDR（Unified Data Repository）として知られてる実際のUEのサブスクリプションデータベースを更に含んでよい。コアネットワーク１１９は、更に、AUSF（Authentication Server Function）１１４とPCF（Policy Control Function）１１５を含む。

コアネットワーク１１９は複数のコアネットワークスライス１０６、１０７を持つことができ、各コアネットワークスライス１０６、１０７に対して、オペレータ（MNO（Mobile Network Operator）とも呼ばれる）は複数のコアネットワークスライスインスタンス１０８、１０９を作成することができる。例えば、コアネットワーク１１９には、Enhanced Mobile Broadband（eMBB）を提供するための３つのコアネットワークスライスインスタンス（CNI）１０８を持つ第１コアネットワークスライス１０６と、Vehicle-to-Everything（V２X）を提供するための３つのコアネットワークスライスインスタンス（CNI）１０９を持つ第２コアネットワークスライス１０７が含まれている。

通常、コアネットワークスライスが展開されると（すなわち生成されると）、ネットワーク機能（NF）がインスタンス化されるか、又は（すでにインスタンス化されている場合は）コアネットワークスライスインスタンスを形成するために参照され、コアネットワークスライスインスタンスに属するネットワーク機能は、コアネットワークスライスインスタンスの識別を使用して構成される。

具体的には、示された例では、第１コアネットワークスライス１０６の各インスタンス１０８には、第１セッション管理機能（SMF）１１０と第１ユーザプレーン機能（UPF）１１１が含まれ、第２コアネットワークスライス１０７の各インスタンス１０９には、第２セッション管理機能（SMF）１１２と第２ユーザプレーン機能（UPF）１１３が含まれている。SMF１１０、１１２は、PDU（プロトコルデータユニット、Protocol Data Unit）セッションを処理するため、つまり、PDUセッションを生成し、更新し、及び削除し、ユーザプレーン機能（UPF）によりセッションコンテキストを管理するためのものである。

RAN１０３とコアネットワーク１１９は、モバイル無線通信システムのネットワーク側、つまりモバイル無線通信ネットワークを形成する。モバイル無線通信ネットワークと、モバイル無線通信ネットワークにアクセスするモバイル端末は、合わせてモバイル無線通信システムを形成する。

コアネットワーク１１９と同様に、RAN１０３もスライスされる場合がある。つまり、複数のRANスライスが含まれる。図２に示すように、RANスライスとコアネットワークスライス１０６、１０７をグループ化してネットワークスライスを形成することができる。

図２に、ネットワークスライス２００を示す。

ネットワークスライス２００は、特定のネットワーク機能とネットワーク特性を提供する論理ネットワークと見なすことができる。

ネットワークスライス２００には、RANスライス２０１とコアネットワーク（例えば、５GC）スライス２０２が含まれる。

ネットワークスライス２００のインスタンス、つまりRANスライスインスタンスとコアネットワークスライスインスタンスを含むネットワークスライスインスタンスは、PLMN内で定義され、RANコンポーネントであるコアネットワーク制御プレーン及びユーザプレーンネットワーク機能（例えば、NG-RANコンポーネント）、特に基地局を含む。ローミングの場合、これらのコンポーネントの少なくとも一部は訪問先PLMN（VPLMN（visited PLMN））である可能性がある。

以下では、「ネットワークスライス」（又は単に「スライス」）は一般的にコアネットワークスライスを表すが、RANスライスを含む場合もある。

S-NSSAI（Single Network Slice Selection Assistance情報）はネットワークスライスを識別し、以下を含む：
・Slice/Service type （SST）：機能とサービスの観点から予想されるネットワークスライスの動作を表す。
・Slice Differentiator （SD）：同じスライス／サービスタイプの複数のネットワークスライス間で区別するために、スライス／サービスタイプを補完するオプションの情報である。

ネットワークスライスインスタンスは、NSI（NSI IDとも呼ばれる）によって識別される。

NSSAIは１つ以上のS-NSSAIを含んでよい。

許可されたNSSAIは、登録手続きなどの際にサービングPLMN（Public Land Mobile Network）によって提供されるNSSAIであり、現在の登録エリアのサービングPLMNのUEに対してネットワークが許可するS-NSSAI値を示す。

設定されたNSSAIは、UEでプロビジョニングされたNSSAIである。１つ以上のPLMNに適用可能である場合がある。

要求されたNSSAIは、要求されたネットワークスライスへのPDUセッションを確立するために、登録中にUEがネットワークに提供するNSSAIである。

モバイル無線通信システム１００は、例えばRAN１０３とコアネットワーク１１９に接続された１つ以上のOAMサーバによって実装されたOAM（Operation, Administration and Maintenance、運用管理保守）機能（又はエンティティ）１１６を更に含むことができる（簡単のため接続は示されていない）。OAM１１６は、MDAS（Management Data Analytics Service）を含むことができる。MDASは、例えば、ネットワークスライスインスタンスの負荷に関する分析レポートを提供することができる。ネットワークスライスインスタンスの負荷には、ネットワークにアクセスするUEの数、QoSフローの数、ネットワークスライスインスタンスに関連する様々なNFのリソース使用率など、様々な要因が影響する可能性がある。

更に、コアネットワーク１１８には、NRF（Network Repository Function）が含まれる。

コアネットワーク１１９は、ネットワーク分析機能（Network Data Analytics Function （NWDAF））１１７を更に含む場合がある。NWDAFは、ネットワーク機能からの要求に応じて、ネットワーク分析及び／又は予測情報を提供することを担う。例えば、ネットワーク機能は、特定のネットワークスライスインスタンスの負荷レベルに関する特定の分析情報を要求する場合がある。代替として、ネットワーク機能は、サブスクリプションサービスを使用して、ネットワークスライスインスタンスの負荷レベルが変更されたり、特定の閾値に達したりした場合に、NWDAFによって通知されることを保証できる。NWDAF１１７は、AMF１０１、SMF１１０、１１２、PCF１１５など、モバイル通信ネットワーク側の様々なネットワーク機能へのインタフェースを持つことができる。簡単にするために、NWDAF１１７とAMF１０１の間のインタフェースのみを示す。

例えば、NWDAF分析では、ネットワークスライスインスタンスに登録されているUEの数とその観測されたサービス経験（Observed Service Experience）を監視できる。OAMがSLA（service level agreement、サービスレベル合意）保証を実行するだけでなく、５GC NFはNWDAFスライスQoE分析に基づいてアクションを実行し、ネットワークスライスインスタンスでのさらなるサービス経験の低下を防ぐことができる。

NSSF１０５又はAMF１０１は、例えば、NWDAF１１７によって提供される分析結果（すなわち、ネットワーク分析又は予測情報）を処理することによって特定された問題に対処するために、負荷分散の決定が必要になるタイミングを決定することができる。例えば、ネットワークスライスインスタンスがサービス経験の低下を経験することが検出又は予測された場合、ネットワークスライスの負荷分散メカニズムをトリガすることによって、新しいUE登録又はPDUセッションがそのネットワークスライスインスタンスに割り当てられなくなることがある。例えば、NSSF１０５、AMF１０１、及び／又はOAM１１６は、NWDAF１１７からのスライスサービス経験とスライス負荷分析の両方に同時に加入することもできる。１つ又は複数のS-NSSAI及びNSIへの１つ又は複数のサブスクリプションが可能である。

NWDAF１１７は、ネットワークスライスインスタンスレベルのNFにスライス負荷レベル情報を提供する。NWDAFは、スライス固有のネットワーク状態分析情報（ネットワーク分析及び／又は予測情報とも呼ばれる）を、それに加入しているNFに通知する。例えば、ネットワーク分析及び／又は予測情報として、NWDAF１１７は、分析フィルタ（Analytics Filter）のS-NSSAI及び関連するNSI（該当する場合）によって示されるネットワークスライスインスタンスの負荷レベルが、分析サブスクリプションで提供される閾値を超えたときにレポートする。サブスクリプションで閾値が提供されていない場合、レポート（Notify動作）は定期的であると見なされる。

ネットワーク分析及び／又は予測情報を生成するために、NWDAF１１７は必要な（例えば、スライスサービス経験分析を導き出すための）入力データ、つまりネットワークスライスインスタンスの状態を分析するための情報を収集する。NWDAF１１７は、それに応じて通知されるネットワーク機能に加入することによって、そのような種類の情報を取得することができる。

３GPPリリース１７（Rel-１７）によると、NWDAF１１７は２つの機能に分解されている。

図３は、NWDAF AnLF（Analytics Logical Function）３０１とNWDAF MTLF（Model Training Logical Function）３０２を示している。

Analytics論理関数を含むNWDAF３０１は、NWDAF（AnLF）又はNWDAF-AnLF又は単にAnLFと表記され、推定を実行し、分析情報を導き出し、分析サービス、つまりNnwdaf_AnalyticsSubscription又はNnwdaf_AnalyticsInfoを公開できる。

モデルトレーニング論理関数を含むNWDAF３０２は、NWDAF（MTLF）又はNWDAF-MTLF又は単にMTLFと表記され、機械学習（ML）モデルをトレーニングし、新しいトレーニングサービスを公開する（例えば、トレーニングされたモデルを提供する）。

NWDAF（AnLF）３０１は分析サービスを提供する。分析情報を提供するために、NF（サービスコンシューマとして機能する）３０３（例えばAMF又はSMF）から連絡を受けることがある。

NF３０３によるNWDAF（AnLF）３０１への入力要求パラメータは、例えば、分析ID（Analytic ID）とS-NSSAIである。NWDAF（AnLF）３０１からの出力は、例えば、分析ID（Analytic ID）の統計及び／又は予測（ここではネットワーク分析情報と呼ぶ）である。

分析ID（Analytic ID）の例は、UE通信、UEモビリティ、UEの動作、ユーザデータの輻輳、及びネットワーク性能などである。

NWDAF（MTLF）３０２は、MLモデルサービス（Model Training Exposure）を提供する。別のNWDAF（AnLFなどのサービスコンシューマとして機能する）３０４から連絡を受け、分析を実行するためのトレーニング済み機械学習モデルが提供される場合がある。
表１に、MLモデルに関連するサービス動作を示す。

Nnwdaf_MLModelProvisionサービスとNnwdaf_MLModelInfoサービスは、NWDAF（MTLF）３０１によって提供され、NWDAF３０４（通常はNWDAF（AnLF）である）によって消費される。

図４は、MLモデルプロビジョニングサービス動作を示すフロー図４００を示す。

NWDAFサービスコンシューマ４０１（例えば、NWDAF３０４又はAnLF３０１に相当する）とNWDAF（MTLF）４０２（例えば、NWDAF（MTLF）３０２に相当する）がフローに関係する。

図４のフローの目的は、関連する分析に関するMLモデル情報が使用可能になったときに、NWDAFサービスコンシューマ４０１が加入する及び／又は通知される。

４０３では、NWDAFサービスコンシューマ４０１がモデルプロビジョニングサービスに加入する（後に同様に加入解除する可能性がある）。NWDAF（MTL）４０２は４０４で確認応答する。

加入する場合、NWDAFサービスコンシューマ４０１はNWDAF（MTLF）４０２に対して次の入力を提供することがある。
・Analytics IDのリスト：MLモデルが使用される分析を識別する。
・フィルタ情報（Filter Information）：分析情報（Analytics Information）を報告するために満たすべき条件を示す。これにより、分析にどのMLモデルを要求するかを選択できる。
・分析レポートのターゲット（Target of Analytics Reporting）：分析のMLモデルが要求されるオブジェクト、特定のUE、UEのグループ、又は任意のUE（すなわち、すべてのUE）などのエンティティを示す。

NWDAFサービスコンシューマ４０１がモデルのプロビジョニングサービスに加入している場合、NWDAF（MTLF）は出力通知として相関情報とMLモデル情報（例えば、分析IDのMLモデルファイルのアドレス）をNWDAFサービスコンシューマ４０１に提供する。

なお、NWDAF１１７は、分析サービス又はMLモデルサービス、又はその両方のサービスを提供できる（つまり、NWDAF１１７は、NWDAF（AnLF）３０１とNWDAF（MTLF）３０２の両方であってよい）。

図５は、MLモデル要求サービス動作を示すフロー図５００を示す。

NWDAFサービスコンシューマ５０１（例えば、NWDAF３０４、例えばAnLFに相当する）とNWDAF（MTLF）５０２（例えば、NWDAF（MTLF）３０２に相当する）がフローに関係する。

図５のフローの目的は、NWDAFサービスコンシューマ５０１に、Analytics IDに関連付けられた（一連の）MLモデル情報が提供され、NWDAFサービスコンシューマ５０１が分析を導出できるようにすることである。

５０３では、NWDAFサービスコンシューマ５０１は、図４のフローと同様の入力（特に１つ以上のAnalytics ID）を持つNWDAF（MTLF）５０２に要求メッセージを送信して、NWDAF MLモデル情報を要求する。この入力には、オプションで、Analytics Informationを報告するために満たすべき条件を示すフィルタ情報と、分析のMLモデルが要求されるオブジェクト、特定のUE、UEのグループ、又は任意のUE（すなわち、すべてのUE）などのエンティティを示す分析レポートのターゲット（Target of Analytics Reporting）が含まれる。

５０４では、NWDAF（MTLF）５０２は、図４のフローと同様の出力、つまり１つ以上のタプル（Analytics ID、モデルファイルのアドレス（例えば、URL（Uniform Resource Locator）又はFQDN（Fully-Qualified Domain Name））又は分析データレポジトリ機能／ID）で応答する。

NWDAF（MTLF）３０２は、MLモデルを特定のUE、UEのグループ又は任意のUE（すなわち、すべてのUE）の分析に提供するかによって、分析に提供する機械学習モデルを決定する場合がある。

したがって、図４と図５のフローを使用して、（MTLF提供サービスの）サービスコンシューマ、例えばAnLF、つまり一般的にネットワーク分析コンポーネントは、サービスのプロバイダ（すなわち、MTLF）から（ネットワーク分析情報を導出するための）機械学習モデルを取得できる。

図６に示すように、MTLFから機械学習モデルを要求するサービスコンシューマが複数存在する場合がある。

図６は、MTLF６０１が機械学習（ML）モデル（すなわち、機械学習モデルを実装できるような仕様、例えば、ニューラルネットワークの重みの仕様）を第１AnLF６０２と第２AnLF６０３に提供するシナリオの例を示している。

AnLF６０２と６０３は、必要なMLモデルに関して異なる要件を持つ場合がある。例えば、異なるプロバイダ（例えば、ベンダ又はネットワーク機能サービスプロバイダ）のものであるため、異なる機能を持つ場合がある。更に、MTLF６０１と各AnLF６０２、６０３は異なるプロバイダのものである可能性があるため、MTLF６０１はAnLF６０２、６０３の要件に関する知識を持たない場合がある。

様々な実施例に従って、そのようなシナリオでMLモデルを共有できるようなアプローチが記述されている。例えば、MTLF６０１が第１プロバイダ（例えばベンダ）によって提供され、AnLF６０２、６０３が各々第２及び第３プロバイダによって提供される場合である。

また、（例えば、MTLF６０１と第１AnLF６０２は同じプロバイダからのものであるため）MTLF６０１が第１AnLF６０２用のMLモデルを特別に設計することも可能である。特にそのような場合、第２AnLF６０３は相互運用可能な、つまりAnLF６０３でも使用できる（これは第１AnLF６０２とは別のタイプであり、異なる要件を持つ場合がある）MLモデルを必要とする場合がある。MLモデルの相互運用性、つまり異なるタイプのAnLFで使用できる機能は、MLモデルの品質と見なされる場合がある。したがって、様々な実施形態に応じて、AnLF６０３が一定の品質を持つMTLF６０１からMLモデルを取得できるメカニズム（すなわち、例えば各々のAnLF６０３とMTLF６０１との間の特定の（シグナリング）プロトコルによって提供される機能）が提供される。

様々な実施形態によると、これは、AnLF６０３が、MTLF６０３に機械学習モデルに関する品質要件の指示が含まれる要求メッセージを送信し、及び／又は品質要件を満たすMLモデルのIDをNRFなどから取得することにより、実現される。

例えば、Nnwdaf_MLModelProvisionサービスへの加入のために４０３で送信された要求メッセージに含まれる入力パラメータと、Nnwdaf_MLModelInfoサービスを要求する（すなわち、NWDAF MLモデル情報を要求する）ために５０３で送信された要求メッセージに含まれる入力パラメータには、以下のうちの１つ以上が含まれる場合がある：
・MLモデルでサポートされる必要があるAnLFタイプの指示（例えば、ベンダの識別（例えば、Vendor-ID又はSupported Vendor-ID AVP（Attribute value pair、属性値ペア））、
・MLモデルが相互運用可能である必要があることの指示、
・MLモデルの精度（すなわち推定の正確さ）の指示、
・MLモデルの効率（すなわち、MLモデルを使用するリソースコスト）の指示。

MTLF６０３（例えば、MTLF４０２又はMTLF５０２）は、要求に応じて、MLモデルと推定精度（すなわち、推定の精度）及び効率（すなわち、MLモデルを使用するためのリソースコスト）に関する情報、及び／又はMLモデルに必要なその他の特別な処理を提供することができる。要求がMLモデルを直接要求しない場合、MTLF６０３（すなわち、一般的に機械学習モデルトレーニングコンポーネント）は、AnLF６０３がMLモデルの識別を提供することによって直接要求できるように、例えば、４０３の要求又は５０３の要求に識別を含めることによって、適切なモデルの識別を提供することができる。特に、MTLF６０３は、MLモデル（ML ID）の複数の識別を提供することができ、AnLF６０３は、選択されたMLモデルの識別を含む要求される対応を送信することによって、そのいずれかを選択して要求することができる。更に後述するように、AnLF６０３は、NRFからML IDを取得し、ML IDを指定することによってMTLF６０１から対応するMLモデルを取得することもできる（そのMTLF IDはNRFから提供される場合もある）。

様々な実施形態によれば、サービスコンシューマによるMTLF、例えば第２AnLF６０３によるMTLF６０１の検出の場合、MTLFは図７に示すようにNRFに登録し、その後、図８に示すようにサービスコンシューマから相談を受けることができる。

図７は、NRF７０２でのMTLF７０１の登録のフロー図７００を示している。

７０３では、MTLFはNWDAF（MTLF）のNFプロファイルの登録を要求する登録要求をNRF７０２に送信する。

NRF７０２はMTLFのNFプロファイルを登録し、７０４で確認応答する。

この方法で複数のMTLFをNRF７０２に登録できる。MTLFごとに、NFプロファイルには以下のうちの１つ以上が含まれる：
・サポートされている分析の分析ID（Analytic ID）、
・サポートされているネットワークスライスのS-NSSAI、
・サポートされている関心領域の指示、
・提供しているMLモデルの識別、
・提供しているMLモデルの品質指示（例えば、サポートされているMLモデルタイプの識別、例えばサポートされているベンダ））、
・サポートされている相互運用可能なMLモデルの識別。

なお、OAM１１６は、NRF７０２に上記の情報を設定することもでき、（NRF７０２の代わりに）上記の情報をサービスコンシューマに提供できる。例えば、OAM１１６は、各AnLFに上記の情報を１つ以上のMTLFアドレスとともに設定できる。したがって、この場合、AnLFはNRF７０２でチェックするのではなく、ローカル設定を使用する。

図８は、NRF８０２に相談してNWDAFサービスコンシューマ８０１がMTLFを検出するためのフロー図８００を示す。

８０３では、NWDAFサービスコンシューマ８０１（例えば、AnLF）がNRF８０２にディスカバリ要求を送信する。

８０４では、NRF８０２はディスカバリ応答で応答する。

特定の機械学習モデル又は特定の品質の特定の機械学習モデルを提供するMLTFを検出するために、NWDAFサービスコンシューマ８０１は、上記のようにMLTFのNFプロファイルに含まれる情報に対応して、以下の１つ以上を含むことができる：
・MLTFによって提供されるMLモデルによってサポートされる必要がある分析の分析ID（Analytic ID）、
・MLTFによって提供されるMLモデルによってサポートされる必要があるネットワークスライスのS-NSSAI、
・MLTFによって提供されるMLモデルによってサポートされる必要がある１つ以上の関心領域の指示、
・MLTFによって提供される必要のある１つ以上のMLモデルの識別、
・提供されるMLTFによって提供されるMLモデルによってサポートされるべき品質の指示（又は複数の品質の指示）（例えば、サポートされているMLモデルタイプ、例えばサポートされているベンダの識別）、
・MTLFによって提供されるMLモデルをサポートする相互運用性の識別。

８０３の要求に含まれるパラメータに従って、NRF８０２は要求を満たす（少なくとも１つの）MLTFのリストを生成し（例えば、１つ以上の識別されたMLモデルを提供し、又は指定された品質を持つ１つ以上のMLモデルを提供し）、８０４の応答でそのリストをNRF８０２に送信する。NRF８０２は、MLTFによって提供されるMLモデルのサポートされるMLモデルIDを提供する場合もある。NRF８０２は、リストのMLTFによって提供されるMLモデルの精度と効率レベルを含む場合もある。

NRF応答に基づいて、（例えば、図４と図５に従ってMLモデルを要求するために）サービスコンシューマ８０１はMTLFを選択する。

纏めると、種々の実施形態によると、通信ネットワークは、図９に示されるように提供される。

図９は、実施形態によるモバイル通信ネットワークの通信ネットワーク構成を示す。

通信ネットワーク構成９００は、ネットワーク分析情報を導出するためにトレーニングされた機械学習モデルに関する情報９０４の要求９０３を送信するように構成されたネットワーク分析コンポーネント９０１を含み、ここで要求は、機械学習モデルによって満たされるべき品質要求の仕様を含む。

更に、通信ネットワーク構成９００は、要求に応じて要求された情報９０４を決定しネットワーク分析コンポーネントに提供するように構成された情報提供コンポーネント９０２を含む。

情報提供コンポーネント９０２は、ネットワーク分析コンポーネント９０１にMLモデルのIDを提供して、機械学習モデルトレーニングコンポーネント（これは通信ネットワーク構成の部分である場合がある）からMLモデルを取得できる。又は、情報提供コンポーネント９０２は、MLモデル（例えば、それ自体が機械学習モデルのトレーニングコンポーネントであってよい）の完全な仕様、つまりネットワーク分析コンポーネントによる機械学習モデルの実装を可能にする仕様（例えば、MLモデルの実装に必要なMLモデルのパラメータの値（通常は重み））を直接提供できる。

様々な実施形態によると、言い換えれば、ネットワーク分析コンポーネントは、それに適したMLモデルを要求し、提供される場合がある。

図１０のアプローチで前述したような実施形態では、MTLF（一般に機械学習モデルトレーニングコンポーネント）が、MTLFによって提供されるMLモデルが一定の品質（例えば、１つ以上の特定のAnLFタイプ）をサポートするかどうかを示す機能を自身に登録することができる。これらにより、NFコンシューマ（一般にネットワーク分析コンポーネント）は、必要な品質を満たすMLモデル、例えばNFコンシューマに適合するMLモデル、つまり特定のAnLFタイプに適合するMLモデルを発見することができる。必要な品質に基づいて、MTLFは品質を満たす（例えば、特定のAnLFタイプと相互運用可能であるか、必要な精度レベルに適合する）モデルをフィルタリングし、NFコンシューマに提供できる。

実施形態は、従って、AnLFとMTLFの両方が同じプロバイダ（例えばベンダ）からのものであり、AnLFとMTLFがマルチプロバイダ環境で動作できるようにする展開のロックインの例である。様々な実装では、マルチプロバイダ環境でMTLFを検出して選択するための入力及び出力パラメータを導入し、MTLFに対応するロジックを導入することで、コンシューマ（例えば、相互運用可能なMLモデル）に適したMLモデルを選択し、コンシューマ（例えば、AnLF）に提供する。

通信ネットワーク構成９００は、例えば、図１０に示される方法を実行する。

図１０は、実施形態による通信ネットワーク分析を実行する方法を示すフロー図１０００を示す。

１００１で、ネットワーク分析情報を導出するためにトレーニングされた機械学習モデルに関する情報の要求が送信され、ここで要求は、機械学習モデルによって満たされるべき品質要求の仕様を含む。

１００２では、要求に応じて要求された情報が決定され（要求の送信側に）提供される。

様々な実施形態によれば、モバイル通信ネットワークの通信ネットワーク構成は、ネットワーク分析情報を導出するために複数の機械学習モデルをトレーニングするように構成された機械学習モデルトレーニングコンポーネントと、
リポジトリから機械学習モデルトレーニングコンポーネントを検出するように構成されたネットワーク分析コンポーネントであって、機械学習モデルトレーニングコンポーネントが異なるネットワーク分析コンポーネントのセットに機械学習モデルを提供することができる、ネットワーク分析コンポーネントと、を含み、ネットワーク分析コンポーネントは、機械学習モデルトレーニングコンポーネントから機械学習モデルを要求するように構成され、ネットワーク分析コンポーネントは機械学習モデルを要求するモデルパラメータ（例えば品質であってよい）を指定する。機械学習モデルトレーニングコンポーネントは、ネットワーク分析コンポーネントセットを決定し、要求で指定されたパラメータに従ってモデルパラメータ用にトレーニングされた複数の機械学習モデルから機械学習モデルを選択し、決定された機械学習モデルをネットワーク分析コンポーネントに提供するように構成される。

モデルパラメータには、モデルID及び／又は相互運用性指示（例えば、ベンダID又はサポートされているベンダID AVPを含む）が含まれ、及び／又は精度（例えば、推定の精度）及び／又は効率（例えば、MLモデルを使用するためのリソースコスト）を示す。

方法が実行されてよく、通信ネットワーク構成のコンポーネントは、例えば、１つ以上の回路により実装されてよい。「回路」は、メモリに格納されたソフトウェア、ファームウェア、又はそれらの任意の組合せを実行する専用回路又はプロセッサであってよい任意の種類のロジック実装エンティティとして理解されてよい。従って、「回路」は、プログラマブルプロセッサ、例えばマイクロプロセッサのようなハード結線論理回路又はプログラマブル論理回路であってよい。「回路」は、ソフトウェア、例えば任意の種類のコンピュータプログラムを実行するプロセッサであってもよい。上述の各々の機能の任意の他の種類の実装は、「回路」として理解されてもよい。

特定の態様が説明されたが、当業者は、形式及び詳細事項の種々の変更が、添付の特許請求の範囲に定められるような本開示の態様の精神及び範囲から逸脱することなく行われてよいことを理解する。範囲は、従って、添付の特許請求の範囲により示され、特許請求の範囲の均等な意味及び範囲内に含まれる全ての変更が包含されるべきである。

Claims (9)

1. モバイル通信ネットワークの通信ネットワークコンポーネントの構成であって、
   ネットワーク分析情報を導出するようにトレーニングされた機械学習モデルに関する情報の要求を送信するように構成されたネットワーク分析コンポーネントであって、前記要求には、前記機械学習モデルによって満たされるべき品質要件の仕様が含まれる、ネットワーク分析コンポーネントと、
   前記要求に応じて前記要求された情報を決定し前記ネットワーク分析コンポーネントに提供するように構成された情報提供コンポーネントと、
   を含み、
   前記情報提供コンポーネントがネットワークリポジトリ機能又は運用管理保守システムであり、
   前記情報提供コンポーネントが機械学習モデルトレーニングコンポーネントであり、前記要求された情報が前記ネットワーク分析コンポーネントによる前記機械学習モデルの実装を可能にする前記機械学習モデルの仕様であり、
   前記機械学習モデルトレーニングコンポーネントが、ネットワーク分析情報を導出するために複数の機械学習モデルをトレーニングするように構成され、複数の機械学習モデルから品質要件を満たす機械学習モデルを選択し、前記選択された機械学習モデルの仕様を前記ネットワーク分析コンポーネントに提供し、前記ネットワーク分析コンポーネントによる機械学習モデルの実装を可能にするように構成されている、構成。
2. 前記要求がディスカバリ要求であり、前記要求された情報が、前記品質要件を満たす機械学習モデルを提供する機械学習モデルトレーニングコンポーネントの識別であり、前記ネットワーク分析コンポーネントが、前記機械学習モデルトレーニングコンポーネントの前記識別を使用して前記機械学習モデルトレーニングコンポーネントから前記機械学習モデルを要求するように設定されている、請求項１の構成。
3. 前記情報が、前記品質要件を満たす機械学習モデルの識別を更に含み、前記ネットワーク分析コンポーネントが、前記機械学習モデルの前記識別を使用して前記機械学習モデルトレーニングコンポーネントから前記機械学習モデルを要求するように設定されている、請求項２に記載の構成。
4. 前記情報提供コンポーネントが、前記モバイル通信ネットワークのネットワーク機能コンポーネントのプロファイルを格納するネットワークコンポーネントである、請求項２又は３に記載の構成。
5. 前記情報提供コンポーネントが、ネットワークリポジトリ機能又は運用管理保守システムである、請求項１～４のいずれか一項に記載の構成。
6. 前記品質要件が、要求精度及び／又は要求効率及び／又は複数のネットワーク分析コンポーネント間の要求相互運用性である、請求項１～５のいずれか一項に記載の構成。
7. 複数のネットワーク分析コンポーネント間の前記要求相互運用性が、前記機械学習モデルが前記ネットワーク分析コンポーネントで動作可能であるという要件であり、前記ネットワーク分析コンポーネントが、前記機械学習モデルを生成する機械学習モデルトレーニングコンポーネントの機械学習モデルトレーニングコンポーネントサービスプロバイダとは異なるサービスプロバイダによって提供される、請求項６に記載の構成。
8. 前記品質要件が、複数のネットワーク分析コンポーネントタイプのうち前記ネットワーク分析コンポーネントのタイプのサポートである、請求項１～７のいずれか一項に記載の構成。
9. 通信ネットワーク分析を実行する機械学習モデルを提供する方法であって、
   要求側ネットワーク分析コンポーネントにより、ネットワーク分析情報を導出するようにトレーニングされた機械学習モデルに関する情報の要求を送信するステップであって、前記要求には、前記機械学習モデルによって満たされるべき品質要件の仕様が含まれる、ステップと、
   情報提供コンポーネントにより、前記要求に応じて前記要求された情報を決定し提供するステップと、
   を含み、
   前記情報提供コンポーネントがネットワークリポジトリ機能又は運用管理保守システムであり、
   前記情報提供コンポーネントが機械学習モデルトレーニングコンポーネントであり、前記要求された情報が前記ネットワーク分析コンポーネントによる前記機械学習モデルの実装を可能にする前記機械学習モデルの仕様であり、
   前記機械学習モデルトレーニングコンポーネントが、ネットワーク分析情報を導出するために複数の機械学習モデルをトレーニングし、複数の機械学習モデルから品質要件を満たす機械学習モデルを選択し、前記選択された機械学習モデルの仕様を前記ネットワーク分析コンポーネントに提供し、前記ネットワーク分析コンポーネントによる機械学習モデルの実装を可能にする、方法。

Images