JP7315738B2 - 携帯通信システム向けサービス性能としてのマシーンラーニング最適化法 - Google Patents
携帯通信システム向けサービス性能としてのマシーンラーニング最適化法 Download PDFInfo
- Publication number
- JP7315738B2 JP7315738B2 JP2022029140A JP2022029140A JP7315738B2 JP 7315738 B2 JP7315738 B2 JP 7315738B2 JP 2022029140 A JP2022029140 A JP 2022029140A JP 2022029140 A JP2022029140 A JP 2022029140A JP 7315738 B2 JP7315738 B2 JP 7315738B2
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- application
- data
- learning models
- level
- 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.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims description 201
- 238000000034 method Methods 0.000 title claims description 36
- 238000005457 optimization Methods 0.000 title claims description 16
- 238000010295 mobile communication Methods 0.000 title description 2
- 238000012549 training Methods 0.000 claims description 51
- 230000001413 cellular effect Effects 0.000 claims description 21
- 230000000750 progressive effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 45
- 238000012360 testing method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5055—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering software capabilities, i.e. software resources associated or available to the machine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/345—Interference values
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/501—Performance criteria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5019—Workload prediction
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Stored Programmes (AREA)
- Mobile Radio Communication Systems (AREA)
Description
Claims (19)
- 携帯ネットワークを介してデータが入手される一つ以上のランタイム環境に割り当てられたアプリケーションについて、複数から成るマシーンラーニングモデルの各々を訓練するステップであって、該アプリケーションについての前記複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行され、前記訓練ステップは、
複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された前記複数から成るマシーンラーニングモデルそれぞれを訓練するステップであって、前記複数のデータセットは各々異なった段階的表現形式レベルと関連付けられるステップと;
前記複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力するステップと;
前記アプリケーションに割り当てられたサービス品質(QoS)並びに前記複数から成るマシーンラーニングモデルそれぞれと関連付けられた前記モデル遅延時間情報に基づき、前記一つ以上のランタイム環境にリソースを割り当てるステップと;
前記複数から成る被訓練マシーンラーニングモデル各々並びに前記関連づけられたデータの段階的表現形式レベルをモデルカタログ内に記憶するステップとから成り、
前記データの段階的表現形式レベルは、アプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする方法。 - さらに、前記アプリケーションを前記一つ以上のランタイム環境上で実行するステップを含み、前記アプリケーションを前記一つ以上のランタイム環境上で実行する前記実行ステップは、
前記アプリケーションに向けた被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルから、被訓練マシーンラーニングモデルを選択するステップと;
前記アプリケーションに割り当てられたQoSレベル及び前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションを実行するための前記リソースを前記被選択被訓練マシーンラーニングモデルに割り当てるステップと;
前記被割当リソースにより、前記被選択被訓練マシーンラーニングモデルを実行するステップ
とから成ることを特徴とする、請求項1記載の方法。
- さらに、前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルからの前記被訓練マシーンラーニングモデルの前記選択について、前記複数から成る被訓練マシーンラーニングモデルの複数モデルの選択を招く結果となり、
所定の時間間隔内において操作されるべき全てのアプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルへの前記リソースの被最適化割り当てを確定する構成の最適化問題を生成するステップと;
前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルへの前記リソースの前記被最適化割り当てを確定するため、前記最適化問題を解くステップとから成り、
前記一つ以上のランタイム環境への前記リソース割り当ては、前記被最適化割り当てに従って実行されることを特徴とする、請求項2記載の方法。 - 前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルから前記被訓練マシーンラーニングモデルを選択するステップは、
所定の時間間隔内において操作されるべき全てのアプリケーションのリストを確定するステップと;
前記所定の時間間隔内において操作されるべき全てのアプリケーションの前記リスト内の各アプリケーションについて、
前記各アプリケーションに割り当てられた該QoSレベル及び前記一つ以上のランタイム環境の前記アプリケーションに向けた前記被受信データについての現行データの段階的表現形式レベルを入手するステップと;
前記入手されたデータの段階的表現形式レベルに基づき、前記各アプリケーションと関連付けられた前記複数から成るマシーンラーニングモデルの対応モデルを確定することで、前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルの前記選択を招く結果となるステップとから成り、
前記リソースの被最適化割り当てを確定する構成の前記最適化問題を生成するステップは、前記各アプリケーションに割り当てられた前記QoSレベルを利用することを特徴とする、請求項3記載の方法。
- 前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションについての前記複数から成る被訓練マシーンラーニングモデルから前記被訓練マシーンラーニングモデルを選択する前記ステップは、前記複数から成る被訓練マシーンラーニングモデルを記憶する前記モデルカタログを参照し、前記モデルカタログ内の前記複数から成る被訓練マシーンラーニングモデルと関連付けられた前記モデル遅延時間情報及び精度に基づき、前記被訓練マシーンラーニングモデルを選択するステップを含み、前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づく前記アプリケーションの必要とされる精度を充足しない前記精度を持つ前記複数から成る被訓練マシーンラーニングモデルの幾つかが排除されることを特徴とする、請求項2記載の方法。
- 前記一つ以上のランタイム環境は、一つ以上の仮想マシーンあるいはコンテナであることを特徴とする、請求項1記載の方法。
- 前記リソースは、前記一つ以上のランタイム環境と関連付けられた演算リソース及び記憶リソースとから成ることを特徴とする、請求項1記載の方法。
- 前記アプリケーションに割り当てられた前記サービス品質(QoS)レベル及び前記複数から成るマシーンラーニングモデルの各々と関連付けられた前記データの段階的表現形式レベルに基づき、前記一つ以上のランタイム環境に前記リソースを割り当てるステップは、
前記アプリケーションに割り当てられたアプリケーションレベルQoS遅延時間情報を入手するステップと;
前記複数から成るマシーンラーニングモデル各々のマシーンラーニングモデル事象毎に、毎秒当たりの浮動小数点演算の回数を入手するステップと;
前記アプリケーションレベルQoS遅延時間情報に基づき、前記アプリケーションに割り当てられた前記QoSレベルを充足するサービス遅延時間を確定するステップと;前記マシーンラーニングモデルを各々実行中のマシーンラーニングモデル事象毎の該浮動小数点演算の回数及び前記アプリケーションレベルQoS遅延時間情報に基づき、前記被割り当てリソースを算定するステップ
とから成る、請求項1記載の方法。 - さらに、前記複数から成るマシーンラーニングモデルを訓練するため、複数から成るデータの段階的表現形式レベルに亘りデータを仕切るステップを含み、
前記複数から成るマシーンラーニングモデル各々を訓練するステップは、前記複数から成るマシーンラーニングモデル各々と関連付けられた前記データの段階的表現形式レベルと同じデータの段階的表現形式レベルを持つ前記被仕切りデータにより、前記複数から成るマシーンラーニングモデル各々を訓練するステップを含むことを特徴とする、請求項1記載の方法。 - 一つ以上のプロセッサーによりプロセスを実行するための指令を記憶する非一過性コンピュータ読み出し可能な媒体であって、
携帯ネットワークを介してデータが入手される一つ以上のランタイム環境に割り当てられたアプリケーションについて、複数から成るマシーンラーニングモデルの各々を訓練する指令であって、該アプリケーションについての前記複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行され、前記訓練指令は、
複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された前記複数から成るマシーンラーニングモデルそれぞれを訓練する指令であって、前記複数のデータセットは各々異なった段階的表現形式レベルと関連付けられる指令と;
前記複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力する指令と;
前記アプリケーションに割り当てられたサービス品質(QoS)並びに前記複数から成るマシーンラーニングモデルそれぞれと関連付けられた前記モデル遅延時間情報に基づき、前記一つ以上のランタイム環境にリソースを割り当てる指令と;
前記複数から成る被訓練マシーンラーニングモデル各々並びに前記関連づけられたデータの段階的表現形式レベルをモデルカタログ内に記憶する指令とから成り、
前記データの段階的表現形式レベルは、アプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする媒体。 - さらに、前記アプリケーションを前記一つ以上のランタイム環境上で実行する指令を含み、前記アプリケーションを前記一つ以上のランタイム環境上で実行する前記実行指令は、
前記アプリケーションに向けた被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルから、被訓練マシーンラーニングモデルを選択する指令と;
前記アプリケーションに割り当てられたQoSレベル及び前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションを実行するための前記リソースを前記被選択被訓練マシーンラーニングモデルに割り当てる指令と;
前記被割当リソースにより、前記被選択被訓練マシーンラーニングモデルを実行する指令とから成ることを特徴とする、請求項10記載の非一過性コンピュータ読み出し可能な媒体。
- さらに、前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルからの前記被訓練マシーンラーニングモデルの前記選択について、前記複数から成る被訓練マシーンラーニングモデルの複数モデルの選択を招く結果となり、
所定の時間間隔内において操作されるべき全てのアプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルへの前記リソースの被最適化割り当てを確定する構成の最適化問題を生成する指令と;
前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルへの前記リソースの前記被最適化割り当てを確定するため、前記最適化問題を解く指令とから成り、
前記一つ以上のランタイム環境への前記リソース割り当ては、前記被最適化割り当てに従って実行されることを特徴とする、請求項11記載の非一過性コンピュータ読み出し可能な媒体。 - 前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションに向けた前記複数から成る被訓練マシーンラーニングモデルから前記被訓練マシーンラーニングモデルを選択する指令は、
所定の時間間隔内において操作されるべき全てのアプリケーションのリストを確定する指令と;
前記所定の時間間隔内において操作されるべき全てのアプリケーションの前記リスト内の各アプリケーションについて、
前記各アプリケーションに割り当てられた該QoSレベル及び前記一つ以上のランタイム環境の前記アプリケーションに向けた前記被受信データについての現行データの段階的表現形式レベルを入手する指令と;
前記入手されたデータの段階的表現形式レベルに基づき、前記各アプリケーションと関連付けられた前記複数から成るマシーンラーニングモデルの対応モデルを確定することで、前記複数から成る被訓練マシーンラーニングモデルの前記複数モデルの前記選択を招く結果となる指令とから成り、
前記リソースの被最適化割り当てを確定する構成の前記最適化問題を生成する指令は、前記各アプリケーションに割り当てられた前記QoSレベルを利用することを特徴とする、
請求項12記載の非一過性コンピュータ読み出し可能な媒体。
- 前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づき、前記アプリケーションについての前記複数から成る被訓練マシーンラーニングモデルから前記被訓練マシーンラーニングモデルを選択する前記指令は、前記複数から成る被訓練マシーンラーニングモデルを記憶する前記モデルカタログを参照し、前記モデルカタログ内の前記複数から成る被訓練マシーンラーニングモデルと関連付けられた前記モデル遅延時間情報及び精度に基づき、前記被訓練マシーンラーニングモデルを選択する指令を含み、前記アプリケーションに向けた前記被受信データについての前記データの段階的表現形式レベルに基づく前記アプリケーションの必要とされる精度を充足しない前記精度を持つ前記複数から成る被訓練マシーンラーニングモデルの幾つかが排除されることを特徴とする、請求項11記載の非一過性コンピュータ読み出し可能な媒体。
- 前記一つ以上のランタイム環境は、一つ以上の仮想マシーンあるいはコンテナであることを特徴とする、請求項10記載の非一過性コンピュータ読み出し可能な媒体。
- 前記リソースは、前記一つ以上のランタイム環境と関連付けられた演算リソース及び記憶リソースとから成ることを特徴とする、請求項10記載の非一過性コンピュータ読み出し可能な媒体。
- 前記アプリケーションに割り当てられた前記サービス品質(QoS)レベル及び前記複数から成るマシーンラーニングモデルの各々と関連付けられた前記データの段階的表現形式レベルに基づき、前記一つ以上のランタイム環境に前記リソースを割り当てる指令は、
前記アプリケーションに割り当てられたアプリケーションレベルQoS遅延時間情報を入手する指令と;
前記複数から成るマシーンラーニングモデル各々のマシーンラーニングモデル事象毎に、毎秒当たりの浮動小数点演算の回数を入手する指令と;
前記アプリケーションレベルQoS遅延時間情報に基づき、前記アプリケーションに割り当てられた前記QoSレベルを充足するサービス遅延時間を確定する指令と;
前記マシーンラーニングモデルを各々実行中のマシーンラーニングモデル事象毎の該浮動小数点演算の回数及び前記アプリケーションレベルQoS遅延時間情報に基づき、前記被割り当てリソースを算定する指令
とから成る、請求項10記載の非一過性コンピュータ読み出し可能な媒体。 - さらに、前記複数から成るマシーンラーニングモデルを訓練するため、複数から成るデータの段階的表現形式レベルに亘りデータを仕切る指令を含み、
前記複数から成るマシーンラーニングモデル各々を訓練する指令は、前記複数から成るマシーンラーニングモデル各々と関連付けられた前記データの段階的表現形式レベルと同じデータの段階的表現形式レベルを持つ前記被仕切りデータにより、前記複数から成るマシーンラーニングモデル各々を訓練する指令を含むことを特徴とする、請求項10記載の非一過性コンピュータ読み出し可能な媒体。 - 複数から成る被訓練マシーンラーニングモデルを形成するため、複数のデータセットにより選択された複数から成るマシーンラーニングモデルそれぞれを訓練するに当たって、前記複数のデータセットは各々異なった段階的表現形式レベルと関連付けられることによって;
前記複数から成る被訓練マシーンラーニングモデルの各々について、モデル遅延時間情報を出力することによって;
アプリケーションに割り当てられたサービス品質(QoS)並びに前記複数から成るマシーンラーニングモデルそれぞれと関連付けられた前記モデル遅延時間情報に基づき、一つ以上のランタイム環境にリソースを割り当てることによって;
前記複数から成る被訓練マシーンラーニングモデル各々並びに前記関連づけられたデータの段階的表現形式レベルをモデルカタログ内に記憶することにより、
携帯ネットワークを介してデータが入手される前記一つ以上のランタイム環境に割り当てられた前記アプリケーションについて、前記複数から成るマシーンラーニングモデルの各々を訓練するに当たって、前記アプリケーションについての前記複数から成るマシーンラーニングモデルそれぞれの訓練が別個に実行されるプロセッサーから成り、
前記データの段階的表現形式レベルは、アプリケーション層内で入手された信号レベルと干渉情報に基づき算定されることを特徴とする装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/465630 | 2021-09-02 | ||
US17/465,630 US12033001B2 (en) | 2021-09-02 | 2021-09-02 | Optimizing machine learning as-a-service performance for cellular communication systems |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023036509A JP2023036509A (ja) | 2023-03-14 |
JP7315738B2 true JP7315738B2 (ja) | 2023-07-26 |
Family
ID=85286750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022029140A Active JP7315738B2 (ja) | 2021-09-02 | 2022-02-28 | 携帯通信システム向けサービス性能としてのマシーンラーニング最適化法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US12033001B2 (ja) |
JP (1) | JP7315738B2 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016146039A (ja) | 2015-02-06 | 2016-08-12 | 株式会社Jsol | 情報処理装置、プログラム及び情報処理方法 |
JP2018190045A (ja) | 2017-04-28 | 2018-11-29 | 日立オートモティブシステムズ株式会社 | 車両電子制御装置 |
JP2019220063A (ja) | 2018-06-22 | 2019-12-26 | 国立研究開発法人情報通信研究機構 | モデル選択装置、及びモデル選択方法 |
US20210081720A1 (en) | 2019-09-14 | 2021-03-18 | Oracle International Corporation | Techniques for the automated customization and deployment of a machine learning application |
US20210204151A1 (en) | 2019-12-27 | 2021-07-01 | Cisco Technology, Inc. | Automatic labelling of data for machine learning algorithm to determine connection quality |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020052703A (ja) | 2018-09-26 | 2020-04-02 | 株式会社Preferred Networks | 学習方法、学習装置及びプログラム |
JP7360309B2 (ja) * | 2019-11-27 | 2023-10-12 | 株式会社京三製作所 | 学習モデル生成方法、推定装置および無線列車制御システム |
US11562263B2 (en) * | 2020-01-17 | 2023-01-24 | Visa International Service Association | Method, system, and computer program product for dynamically scheduling machine learning inference jobs with different quality of services on a shared infrastructure |
US12004114B2 (en) * | 2021-06-11 | 2024-06-04 | AT&T Intellectual Propety I, L.P. | Geolocation of wireless network users |
-
2021
- 2021-09-02 US US17/465,630 patent/US12033001B2/en active Active
-
2022
- 2022-02-28 JP JP2022029140A patent/JP7315738B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016146039A (ja) | 2015-02-06 | 2016-08-12 | 株式会社Jsol | 情報処理装置、プログラム及び情報処理方法 |
JP2018190045A (ja) | 2017-04-28 | 2018-11-29 | 日立オートモティブシステムズ株式会社 | 車両電子制御装置 |
JP2019220063A (ja) | 2018-06-22 | 2019-12-26 | 国立研究開発法人情報通信研究機構 | モデル選択装置、及びモデル選択方法 |
US20210081720A1 (en) | 2019-09-14 | 2021-03-18 | Oracle International Corporation | Techniques for the automated customization and deployment of a machine learning application |
US20210204151A1 (en) | 2019-12-27 | 2021-07-01 | Cisco Technology, Inc. | Automatic labelling of data for machine learning algorithm to determine connection quality |
Also Published As
Publication number | Publication date |
---|---|
US20230064500A1 (en) | 2023-03-02 |
JP2023036509A (ja) | 2023-03-14 |
US12033001B2 (en) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102164427B1 (ko) | 신경망의 실행 순서 결정 | |
US10002309B2 (en) | Real-time object analysis with occlusion handling | |
WO2020108371A1 (en) | Partitioning of deep learning inference with dynamic offloading | |
US10699055B2 (en) | Generative adversarial networks for generating physical design layout patterns | |
US11032679B2 (en) | Adaptive multi-tenant monitoring in resource constrained environments | |
US10031945B2 (en) | Automated outlier detection | |
WO2019114423A1 (zh) | 对模型预测值进行融合的方法、装置和设备 | |
US20210357431A1 (en) | Classification of time series data | |
JP2021501377A (ja) | 畳み込みニューラルネットワークの高速計算 | |
US11816178B2 (en) | Root cause analysis using granger causality | |
CN110610449A (zh) | 处理计算任务的方法、设备和计算机程序产品 | |
US20160117948A1 (en) | Task assistance based on cognitive state | |
CN108875519B (zh) | 对象检测方法、装置和系统及存储介质 | |
JP6368798B2 (ja) | 監視装置、監視システムおよび監視方法 | |
US20200027032A1 (en) | Reducing computational costs to perform machine learning tasks | |
JP2014164425A (ja) | 情報処理装置、リソース制御方法及びプログラム | |
JP7315738B2 (ja) | 携帯通信システム向けサービス性能としてのマシーンラーニング最適化法 | |
US20170344903A1 (en) | Parallel Ensemble of Support Vector Machines | |
US11093743B2 (en) | Intelligent personalization of operations of an image capturing device | |
US11876729B2 (en) | Method and system for a proactive assignment of virtual network functions in local data systems | |
CN110609744A (zh) | 处理计算任务的方法、设备和计算机程序产品 | |
US11410077B2 (en) | Implementing a computer system task involving nonstationary streaming time-series data by removing biased gradients from memory | |
US11288097B2 (en) | Automated hardware resource optimization | |
US20210256251A1 (en) | Video-based 3d hand pose and mesh estimation based on temporal-aware self-supervised learning | |
CN115454641A (zh) | 数据资源处理方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230509 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230629 |
|
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: 20230711 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230713 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7315738 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |