JP7325657B2

JP7325657B2 - 時刻同期システム、学習装置、推論装置、及び時刻同期装置

Info

Publication number: JP7325657B2
Application number: JP2022555476A
Authority: JP
Inventors: 恭平諏訪部
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2020-10-09
Filing date: 2021-10-04
Publication date: 2023-08-14
Anticipated expiration: 2041-10-04
Also published as: JPWO2022075276A1; WO2022075276A1; CN116209959A

Description

本開示は、時刻同期システム、学習装置、推論装置、及び時刻同期装置に関する。

複数の装置が接続されるネットワークにおいて、装置間の同期制御や分散制御を高精度に実現するためには、装置間での高精度な時刻同期が求められる。ネットワークに接続される装置間で時刻同期を実現する代表的な手法として、ＩＥＥＥＳｔｄ１５８８－２００８において規定されているＰＴＰ（Precision Time Protocol）が知られている（非特許文献１参照）。

ＰＴＰでは、時刻を配信するマスタ装置と、配信された時刻に従属するスレーブ装置とが定義される。そして、マスタ装置から配信された時刻同期パケットがスレーブ装置に到達するまでの遅延時間が計測され、その遅延時間を考慮してスレーブ装置がマスタ装置の時刻に同期する。これにより、マスタ装置とスレーブ装置との物理的な距離、及び中継装置（スイッチ等）による遅延の影響を抑えた時刻同期が実現される。

なお、ＰＴＰでは、時刻の基準となる、主となるマスタ装置（以下「グランドマスタ」と称される場合がある。）は、一つのドメインに対して一つしか存在できないが、一つのネットワークに複数のドメインが存在することを許容している。これにより、一つのネットワークに複数のマスタ装置を設けることが可能である。

マスタ装置やネットワークの伝送経路（回線や中継装置等）において障害が発生し、マスタ装置とスレーブ装置との間で時刻同期パケットの交換ができなくなると、時刻の同期精度が劣化する。ＰＴＰでは、障害が発生してスレーブ装置がマスタ装置からの時刻同期パケットを受信できなくなると、ネットワークに接続されたスレーブ装置の中から代替のマスタ装置を選定する手順が実施される。具体的には、パケットの交換が中断してから一定時間経過すると、ネットワーク構成が再検出され、所定の手順に従って、ネットワークに接続されたスレーブ装置の中からマスタ装置が選定される。そして、その他の各スレーブ装置は、選定されたマスタ装置に同期する。

この手法では、障害が発生してから代替のマスタ装置に同期するまでに数秒程度を要する場合がある。代替のマスタ装置に同期するまでの間、各スレーブ装置は、自身のローカル時刻を用いて作動することになるため、同期精度が劣化する。

そこで、一つのネットワークに複数のマスタ装置を同時に稼働させておき、マスタ装置や伝送経路に障害が発生した場合に、予備のマスタ装置に切り替えることで同期精度の劣化を抑制する手法が知られている。例えば、特許第５４９５３２３号には、各マスタ装置に対応する回線の混雑度を予め算出しておき、混雑度に応じて付与される優先順位に従って、複数のマスタ装置の中からグランドマスタを選定する方法が開示されている（特許文献１参照）。

特許第５４９５３２３号公報

IEEE Std 1588-2008 (Revision of IEEE Std 1588-2002)「IEEE Standard for a Precision Clock Synchronization Protocol for Networked Measurement and Control Systems」、IEEE Instrumentation and Measurement Society、２００８年７月２４日

上記のように、複数のマスタ装置を同時に稼働させておき、マスタ装置や伝送経路に障害が発生した場合に、予備のマスタ装置に切り替えることでマスタ装置への同期を継続させることが可能である。

しかしながら、複数のマスタ装置が互いに高精度に同期していない場合、スレーブ装置がマスタ装置を切り替える際にマスタ装置間の誤差がスレーブ装置に反映され、その結果、同期精度が劣化する可能性がある。

マスタ装置間の同期を高精度に保つために、複数のマスタ装置を相互に直接接続したり、共通の高精度な時刻源に接続したりすることも考えられる。しかしながら、前者については、冗長性の観点からは、複数のマスタ装置は物理的に離した方が望ましいため、複数のマスタ装置の相互接続が難しい場合もある。後者については、マスタ装置の設置場所によっては、共通の高精度な時刻源に接続することが難しい場合もある。

本開示は、かかる問題を解決するためになされたものであり、本開示の目的は、ネットワークに複数のマスタ装置が存在する時刻同期システムにおいて、マスタ装置の切替に伴なう同期精度の劣化を抑制することである。

本開示の時刻同期システムは、第１及び第２のマスタ装置と、スレーブ装置と、学習部と、推論部とを備える。第１及び第２のマスタ装置は、ネットワークを通じて時刻を配信する。学習部は、第１のマスタ装置（サブグランドマスタ）の時刻同期情報と第２のマスタ装置（グランドマスタ）の時刻とを含む学習用データを用いて、第１のマスタ装置の時刻同期情報から第２のマスタ装置の時刻を推定するための学習処理を実行する。推論部は、学習処理により得られる学習済モデルを用いて、第１のマスタ装置の時刻同期情報から第２のマスタ装置の時刻を推定する。スレーブ装置は、第２のマスタ装置から時刻が取得される場合には、その取得された時刻に従って時刻同期を行ない、第２のマスタ装置から時刻が取得されない場合には、推論部により推定される時刻に従って時刻同期を行なう。

本開示の時刻同期システムによれば、第２のマスタ装置（グランドマスタ）から第１のマスタ装置（サブグランドマスタ）へのマスタ切替が行なわれる場合に、切替に伴なう同期精度の劣化を抑制することができる。

本開示の実施の形態１に従う時刻同期システムの全体構成を示す図である。時刻同期システムを構成する各装置のハードウェア構成の一例を示す図である。時刻同期システムを構成する各装置の機能的な構成の一例を示す図である。クロック制御部の構成の一例を示す図である。同期時刻推論部の構成の一例を示す図である。モデル学習部の構成の一例を示す図である。ニューラルネットワークモデルの一例を示す図である。同期時刻推論部のモデル学習部により実行される処理の手順の一例を示すフローチャートである。推論部の構成の一例を示す図である。同期時刻推論部の推論部により実行される処理の手順の一例を示すフローチャートである。同期制御部により実行される時刻同期制御の処理手順の一例を示すフローチャートである。同期時刻推論部の構成の一例を示す図である。信頼度算出部を説明するための図である。モデル学習部の構成の一例を示す図である。推論部の構成の一例を示す図である。

以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一又は相当部分には同一符号を付してその説明は繰り返さない。

実施の形態１．
図１を参照して、本開示の実施の形態１に従う時刻同期システムの全体構成を説明する。時刻同期システム１０は、マスタ装置１０１，１０３と、複数のスレーブ装置１０２と、複数のスイッチ装置１０４とを備える。マスタ装置１０１，１０３、複数のスレーブ装置１０２、及び複数のスイッチ装置１０４の各機器は、ネットワークを構成し、ネットワークを通じて他の機器と通信可能に構成される。

マスタ装置１０１，１０３は、時刻同期システム１０において基準となる時刻を配信する。マスタ装置１０１は、複数のマスタ装置１０１，１０３のうち、ＩＥＥＥＳｔｄ１５８８－２００８（上記の非特許文献１）に規定されるＢＭＣ（Best Master Clock）アルゴリズムによりベストマスタ装置に選出されたマスタ装置であり、このネットワークの「グランドマスタ」として作動する。他方、マスタ装置１０３は、ＢＭＣアルゴリズムにてベストマスタ装置に選出されなかったマスタ装置であり、以下では「サブグランドマスタ」と称される場合がある。

マスタ装置１０３は、マスタ装置１０１（グランドマスタ）に同期するスレーブ装置として作動しつつ、マスタ装置としての時刻配信も行なう。このように、一つのネットワークにおいて複数のマスタ装置１０１，１０３を同時に作動させる手法としては、例えば、ＩＥＥＥＳｔｄ１５８８－２００８に規定される代替マスタによる手法を採用可能である。この手法では、時刻同期パケットに含まれるalternateMasterFlag（フラグ）を用いて、ＢＭＣアルゴリズムによりグランドマスタに選出されなかったマスタ装置（サブグランドマスタ）を、グランドマスタとスレーブ装置との関係性に影響を与えることなくマスタ装置のように作動させることができる。

或いは、マスタ装置１０１を時刻基準とするドメイン（「ドメイン１」とする。）と、マスタ装置１０３を時刻基準とするドメイン（「ドメイン２」とする。）とを構成してドメインを多重化する手法も採用してもよい。ネットワークに接続される各機器は、ドメイン１ではマスタ装置１０１に同期し、ドメイン２ではマスタ装置１０３に同期する。この手法によっても、ＢＭＣアルゴリズムによりグランドマスタに選出されなかったマスタ装置１０３（サブグランドマスタ）を、ドメイン１での時刻同期に影響を与えることなくドメイン２においてマスタ装置のように作動させることができる。

上記のような手法を用いることで、ＢＭＣアルゴリズムによりスレーブ装置として作動することになったマスタ装置１０３（サブグランドマスタ）も時刻を配信することが可能となり、一つのネットワークにおいて複数のマスタ装置１０１，１０３を同時に作動させることができる。

なお、図１では、２つのマスタ装置１０１，１０３が図示されているが、時刻同期システム１０は、３つ以上のマスタ装置を備えてもよい。すなわち、グランドマスタのマスタ装置１０１は１つであるが、サブグランドマスタのマスタ装置１０３は複数でもよい。

各スレーブ装置１０２は、ネットワークを通じて時刻同期用のパケット（以下「時刻同期パケット」と称する。）をマスタ装置１０１（グランドマスタ）と送受信することにより、マスタ装置１０１の時刻に同期する。具体的には、ＩＥＥＥＳｔｄ１５８８－２００８のＰＴＰに従って、各スレーブ装置１０２において、マスタ装置１０１から配信された時刻同期パケットがスレーブ装置１０２に到達するまでの遅延時間が測定され、その遅延時間を考慮してマスタ装置１０１の時刻にスレーブ装置１０２が同期する。

また、各スレーブ装置１０２は、ネットワークを通じてマスタ装置１０３（サブグランドマスタ）とも時刻同期パケットの送受信を行ない、マスタ装置１０３についての時刻同期情報（後述）も取得する。

各スイッチ装置１０４は、伝送回線に設けられる中継装置である。マスタ装置１０１，１０３から配信される時刻同期パケットは、各スレーブ装置１０２に到達するまでに、伝送回線及びスイッチ装置１０４において遅延を生じる。なお、各スイッチ装置１０４自体も、ネットワークを通じて時刻同期パケットをマスタ装置１０１（グランドマスタ）と送受信することにより、マスタ装置１０１の時刻に同期する。また、各スイッチ装置１０４も、ネットワークを通じてマスタ装置１０３（サブグランドマスタ）と時刻同期パケットの送受信を行ない、マスタ装置１０３についての時刻同期情報を取得する。

なお、図１では、２つのスレーブ装置１０２と３つのスイッチ装置１０４が図示されているが、スレーブ装置１０２及びスイッチ装置１０４の数は、これらに限定されるものではない。

このように、時刻同期システム１０は、複数のマスタ装置１０１，１０３を備えている。これにより、マスタ装置１０１（グランドマスタ）又はマスタ装置１０１との間の伝送経路に障害が発生した場合に、時刻の同期先をマスタ装置１０１からマスタ装置１０３に切り替えることができる。

この場合、マスタ装置１０１，１０３が互いに高精度に同期していないと、以下のような問題が生じる。すなわち、各スレーブ装置１０２及び各スイッチ装置１０４（以下、纏めて「スレーブ装置等」と称する場合がある。）が時刻同期をマスタ装置１０１からマスタ装置１０３に切り替える際に、マスタ装置１０１，１０３間の誤差がスレーブ装置等に反映され、その結果、同期精度が劣化する可能性がある。

マスタ装置１０１，１０３間の同期を高精度に保つために、マスタ装置１０１，１０３を直接接続したり、共通の高精度な時刻源に接続したりすることも考えられる。しかしながら、前者については、冗長性の観点からは、マスタ装置１０１，１０３は物理的に離した方が望ましいため、マスタ装置１０１，１０３を直接接続することが難しい場合もある。後者については、マスタ装置１０１，１０３の設置場所によっては、共通の高精度な時刻源に接続することが難しい場合もある。

なお、マスタ装置１０１（グランドマスタ）の正常作動中、マスタ装置１０３（サブグランドマスタ）は、マスタ装置１０１のスレーブとしてマスタ装置１０１に同期するが、マスタ装置１０１の代替マスタとしてのマスタ装置１０３とマスタ装置１０１との同期精度（マスタ間の同期精度）は、マスタ－スレーブ間の同期精度よりも高精度であることが要求される。すなわち、マスタ－スレーブ間の同期精度は、ノードの接続関係や負荷状況によって変動するものであり、マスタ装置１０３がスレーブとして作動する場合には、マスタ装置１０１との同期精度が許容範囲内であったとしても、マスタ装置１０３がマスタとして作動する場合には、マスタ間の同期精度として許容できない可能性もある。

そこで、本実施の形態１に従う時刻同期システム１０では、マスタ装置１０３（サブグランドマスタ）の時刻同期情報からマスタ装置１０１（グランドマスタ）の時刻を推定するための学習処理が実行される。そして、学習処理により得られる学習済モデルを用いて、マスタ装置１０３（サブグランドマスタ）の時刻同期情報からマスタ装置１０１（グランドマスタ）の時刻が推定され、マスタ装置１０１からマスタ装置１０３への切替が発生した場合には、その推定されたマスタ装置１０１（グランドマスタ）の時刻に従って時刻同期が行なわれる。これにより、マスタ装置１０１からマスタ装置１０３への切替が発生しても、切替に伴なう同期精度の劣化を抑制することができる。

次に、時刻同期システム１０を構成する各装置（マスタ装置１０１，１０３、スレーブ装置１０２、スイッチ装置１０４）について説明する。図２には、各装置のハードウェア構成の一例が示される。各装置は、ＣＰＵ（Central Processing Unit）１１１と、Ｉ／Ｆ（インターフェース）装置１１２と、ＲＡＭ（Random Access Memory）１１３と、ＲＯＭ（Read Only Memory）１１４とを含んで構成される。Ｉ／Ｆ装置１１２、ＲＡＭ１１３、及びＲＯＭ１１４は、バス１１５を通じてＣＰＵ１１１に接続されている。

ＣＰＵ１１１は、ＲＯＭ１１４に格納されているプログラムをＲＡＭ１１３に展開して実行する。ＲＯＭ１１４に格納されているプログラムは、各装置において実行される各種処理の手順が記されたプログラムである。このプログラムに従って、各装置において時刻同期のための各種処理が実行される。なお、上記のようにソフトウェアによる処理に限られず、専用のハードウェア（電子回路）で処理することも可能である。

図３には、時刻同期システム１０を構成する各装置の機能的な構成の一例が示される。なお、図３では、各装置が共通に備える時刻同期機能を実現する構成について示される。すなわち、図３に示される構成は、各スレーブ装置１０２及び各スイッチ装置１０４が備えるほか、スレーブ装置として作動し得るマスタ装置１０１，１０３も備えている。以下では、時刻同期機能を実現する構成を備える各装置を「時刻同期装置２００」と称する。

時刻同期装置２００は、ネットワークインタフェース部２０１と、タイムスタンプ処理部２０２と、プロトコルスタック処理部２０３と、同期制御部２０４と、クロック制御部２０５と、同期時刻推論部２０６とを備える。

ネットワークインタフェース部２０１、タイムスタンプ処理部２０２、及びプロトコルスタック処理部２０３は、ＩＥＥＥＳｔｄ１５８８－２００８で規定されている機能と同様の機能を有する。

図４を参照して、図３に示されるクロック制御部２０５の構成の一例を説明する。クロック制御部２０５は、ローカルクロック３０１と、マスタクロック３０２とを含む。ローカルクロック３０１及びマスタクロック３０２の各々は、要求されるクロック精度に応じて、ＲＣ（Resistance Capacitance）発振器、水晶発振器、ルビジウム発信器、温度補償機能付き発振器、温度制御機能付き発振器等により駆動される。

ローカルクロック３０１は、時刻同期装置２００内のローカル時刻を生成する。ローカルクロック３０１により生成される時刻は、基本的には、マスタ装置１０１（グランドマスタ）の時刻には同期しない。

他方、マスタクロック３０２は、マスタ装置１０１（グランドマスタ）の時刻に同期する。マスタクロック３０２の時刻には、同期制御部２０４（後述）により算出されるマスタ装置１０１（グランドマスタ）の時刻や、マスタ装置１０１（グランドマスタ）のクロック周波数に自身のクロック周波数を調速するためのクロック周波数偏差量等が反映される。なお、クロック周波数の調速は、例えば、発振器の出力に基づきクロックをカウントアップする際に、増加量を調整することで実現可能である。

再び図３を参照して、同期制御部２０４は、マスタ装置１０１（グランドマスタ）との時刻同期に関する各種処理を実行する。具体的には、同期制御部２０４は、マスタ装置１０１との時刻同期パケットの送受信を制御する。そして、同期制御部２０４は、マスタ装置１０１と時刻同期パケットを送受信することによって、マスタ装置１０１（グランドマスタ）の時刻同期情報を取得する。詳しくは、同期制御部２０４は、時刻同期パケットの送受信時刻、及びパケット内のフィールド情報を収集し、これらの情報からマスタ装置１０１の時刻を算出する。また、同期制御部２０４は、マスタ装置１０１から送信された時刻同期パケットが伝送経路を伝搬するのに要する時間や、伝送経路上のスイッチ装置１０４により時刻同期パケットが転送されるのに要する時間等も、マスタ装置１０１の時刻同期情報として取得する。

さらに、同期制御部２０４は、マスタ装置１０３（サブグランドマスタ）についても、マスタ装置１０３との時刻同期パケットの送受信を制御する。そして、同期制御部２０４は、マスタ装置１０３と時刻同期パケットを送受信することによって、マスタ装置１０３（サブグランドマスタ）の時刻同期情報を取得する。

次に、図５から図１０を参照して、図３に示される同期時刻推論部２０６を説明する。図５には、同期時刻推論部２０６の構成の一例が示されている。同期時刻推論部２０６は、モデル学習部４０１と、推論部４０２と、学習済モデル記憶部４０３とを含む。

図６には、モデル学習部４０１の構成の一例が示されている。モデル学習部４０１は、学習データ取得部５０１と、モデル生成部５０２とを含む。学習データ取得部５０１は、マスタ装置１０１（グランドマスタ）の時刻同期情報と、マスタ装置１０３（サブグランドマスタ）の時刻同期情報とを同期制御部２０４から取得し、マスタ装置１０３（サブグランドマスタ）の時刻同期情報とマスタ装置１０１（グランドマスタ）の時刻とを関連付けた学習用データを生成する。

データの関連付けは、例えば、取得時刻が互いに近いものを関連付けてもよい。或いは、マスタ装置１０３（サブグランドマスタ）もマスタ装置１０１（グランドマスタ）に同期していることから、マスタ装置１０３との同期周期をマスタ装置１０１との同期周期と同期させ、ＩＥＥＥＳｔｄ１５８８－２００８で規定されているsequenceIdを用いてデータの関連付けを行なってもよい。なお、sequenceIdは、時刻同期パケットの時系列の整合性をとるために、時刻同期を実行する周期毎にシーケンシャルに付与されるＩＤである。

なお、学習データ取得部５０１は、マスタ装置との同期周期で時刻同期情報が取得される毎に学習用データを逐次生成してもよいし、所定期間の間に取得される時系列の時刻同期情報から学習用データを生成してもよい。

モデル生成部５０２は、学習データ取得部５０１によって取得される学習用データを用いて、マスタ装置１０３（サブグランドマスタ）の時刻同期情報からマスタ装置１０１（グランドマスタ）の時刻を推定するための学習処理を実行することにより、学習済モデルを生成する。

すなわち、モデル生成部５０２は、マスタ装置１０３（サブグランドマスタ）の時刻同期情報とマスタ装置１０１（グランドマスタ）の時刻とを含む学習用データを用いて学習処理を実行し、マスタ装置１０１（グランドマスタ）の時刻が得られなくてもマスタ装置１０３（サブグランドマスタ）の時刻同期情報からマスタ装置１０１（グランドマスタ）の時刻を推定するモデルを生成する。なお、学習用データについて、マスタ装置１０３（サブグランドマスタ）の時刻同期情報は、モデルに入力するデータであり、マスタ装置１０１（グランドマスタ）の時刻は、教師データである。

学習については、学習データ取得部５０１により時刻同期情報が逐次取得される毎に学習を繰り返し行なってもよいし、学習データ取得部５０１により所定期間における時系列の時刻同期情報が取得される場合には、その時系列の時刻同期情報に基づいて一度の学習で行なってもよい。

時刻同期情報は、マスタ装置の時刻だけでなく、マスタ装置から送信された時刻同期パケットが伝送経路を伝搬するのに要する時間や、伝送経路上のスイッチ装置１０４により時刻同期パケットが転送されるのに要する時間等も含む。一例として、時刻同期情報は、Syncメッセージの送信時刻、Syncメッセージ中継時の遅延時間が加算されるCorrectionField値、Peer to Peer Delay MechanismやRequest-Response Mechanismにより得られるマスタ-スレーブ間の伝搬遅延時間等を含む。このような時刻同期情報を学習用データとして用いることにより、学習済モデルの精度（学習済モデルによるマスタ装置１０１（グランドマスタ）の時刻推定精度）を高めることができる。特に、上記のような情報は、時間的に変化することが多いため、時系列のデータとして学習に用いることでさらなる精度向上も期待できる。

なお、マスタ装置１０１（グランドマスタ）の時刻同期情報の一部（伝送遅延時間等）を学習用データの入力データとして用いてもよい。基本的には、マスタ装置１０１（グランドマスタ）に関する障害に備えて、マスタ装置１０３（サブグランドマスタ）の時刻同期情報からマスタ装置１０１の時刻を算出するものであるが、マスタ装置１０１の時刻同期情報も、マスタ装置１０１の時刻に関連することから、マスタ装置１０１の時刻同期情報の一部（伝送遅延時間等）も学習に用いてもよい。

モデル生成部５０２の学習アルゴリズムには、公知の教師あり学習アルゴリズムを採用可能である。教師あり学習とは、入力と結果（ラベル）のデータとの組を学習装置に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する方法をいう。一例として、学習アルゴリズムにニューラルネットワークモデルを用いる場合について説明する。

ニューラルネットワークは、複数のニューロンを含む入力層、複数のニューロンを含む中間層（隠れ層）、及び複数のニューロンを含む出力層から構成される。中間層は、１層でもよいし、２層以上であってもよい。

例えば、図７に示されるような３層のニューラルネットワークの場合、入力層４１０（Ｘ１－Ｘ３）に複数の入力値が入力されると、入力層４１０の出力に重みＷ１（ｗ１１－ｗ１６）を乗算した値が中間層４１１（Ｙ１－Ｙ２）に与えられる。次いで、中間層４１１の出力に重みＷ２（ｗ２１－ｗ２６）を乗算した値が出力層４１２（Ｚ１－Ｚ３）に与えられ、出力層４１２から複数の出力値が出力される。この出力値は、重みＷ１，Ｗ２の値によって変わる。

本実施の形態１では、ニューラルネットワークは、学習データ取得部５０１によって取得される、マスタ装置１０３（サブグランドマスタ）の時刻同期情報とマスタ装置１０１（グランドマスタ）の時刻とを含む学習用データを用いて、マスタ装置１０１（グランドマスタ）の時刻を学習する。より詳しくは、マスタ装置１０３（サブグランドマスタ）の時刻同期情報が入力層に与えられ、出力層からの出力がマスタ装置１０１（グランドマスタ）の時刻（教師データ）に近づくように、重みＷ１，Ｗ２が調整される。

なお、モデル生成部５０２において用いられる学習アルゴリズムは、上記のようなニューラルネットワークモデルのアルゴリズムに限定されるものではなく、例えば、特徴量の抽出も行なう深層学習（Deep Learning）アルゴリズムや、遺伝的プログラミング、機能論理プログラミング、サポートベクタマシン等のアルゴリズムを採用することも可能である。

モデル生成部５０２は、以上のような学習を実行することにより、学習済モデルを生成する。そして、モデル生成部５０２により生成された学習済モデルは、学習済モデル記憶部４０３（図６）に記憶される。

図８を参照して、同期時刻推論部２０６のモデル学習部４０１により実行される処理の手順の一例について説明する。モデル学習部４０１は、マスタ装置１０１（グランドマスタ）の時刻同期情報と、マスタ装置１０３（サブグランドマスタ）の時刻同期情報とを同期制御部２０４から取得する（ステップＳ１０）。なお、同期制御部２０４からの両時刻同期情報の取得タイミングは、同時であってもよいし、異なっていてもよい。

次いで、モデル学習部４０１は、マスタ装置１０３（サブグランドマスタ）の時刻同期情報とマスタ装置１０１（グランドマスタ）の時刻とを関連付けて学習用データを生成する（ステップＳ２０）。上記のように、データの関連付けは、取得時刻が互いに近いものとしてもよいし、ＩＥＥＥＳｔｄ１５８８－２００８で規定されているsequenceIdを用いてもよい。

そして、モデル学習部４０１は、ステップＳ２０において生成された学習用データを用いて、マスタ装置１０３（サブグランドマスタ）の時刻同期情報からマスタ装置１０１（グランドマスタ）の時刻を推定するための学習処理を実行する（ステップＳ３０）。具体的には、モデル学習部４０１は、マスタ装置１０３（サブグランドマスタ）の時刻同期情報を入力データとし、マスタ装置１０１（グランドマスタ）の時刻を教師データとして、マスタ装置１０３（サブグランドマスタ）の時刻同期情報からマスタ装置１０１（グランドマスタ）の時刻を推定するためのモデルを生成する。

学習処理が実行されると、モデル学習部４０１は、生成された学習済モデルを学習済モデル記憶部４０３に記憶する（ステップＳ４０）。

なお、この図８に示される一連の処理は、例えばマスタ装置との同期周期で時刻同期情報が取得される毎に繰り返し実行してもよいし、所定期間における時系列の時刻同期情報に基づいて学習を行なう場合には、その所定期間が経過する毎に実行してもよい。

次に、図５に示した推論部４０２について説明する。図９には、推論部４０２の構成の一例が示されている。推論部４０２は、推論データ取得部６０１と、推論制御部６０２とを含む。推論データ取得部６０１は、マスタ装置１０３（サブグランドマスタ）の時刻同期情報を同期制御部２０４から取得する。推論データ取得部６０１は、マスタ装置１０３（サブグランドマスタ）との同期周期で時刻同期情報を取得してもよいし、所定期間の間に取得される時系列データとして時刻同期情報を取得してもよい。

推論制御部６０２は、モデル学習部４０１により生成された学習済モデルを学習済モデル記憶部４０３から取得し、その学習済モデルを用いてマスタ装置１０１（グランドマスタ）の時刻を推定する。具体的には、推論制御部６０２は、推論データ取得部６０１により取得されたマスタ装置１０３（サブグランドマスタ）の時刻同期情報を学習済モデルに入力し、学習済モデルの出力をマスタ装置１０１（グランドマスタ）の推定時刻として同期制御部２０４へ出力する。

図１０を参照して、同期時刻推論部２０６の推論部４０２により実行される処理の手順の一例について説明する。推論部４０２は、マスタ装置１０１（グランドマスタ）の時刻を推論するためのマスタ装置１０３（サブグランドマスタ）の時刻同期情報を同期制御部２０４から取得する（ステップＳ１１０）。なお、同期制御部２０４から取得される時刻同期情報は、例えばマスタ装置１０３との同期周期毎に取得されるものであってもよいし、所定期間における時系列の時刻同期情報であってもよい。

次いで、推論部４０２は、モデル学習部４０１により生成された学習済モデルを学習済モデル記憶部４０３から取得し、ステップＳ１１０により取得されたマスタ装置１０３（サブグランドマスタ）の時刻同期情報を学習済モデルに入力する（ステップＳ１２０）。そして、推論部４０２は、学習済モデルを用いて、マスタ装置１０１（グランドマスタ）の時刻を推定する推論処理を実行し、学習済モデルの出力結果をマスタ装置１０１（グランドマスタ）の推定時刻として同期制御部２０４へ出力する（ステップＳ１３０）。

これにより、時刻同期装置２００がマスタ装置１０１（グランドマスタ）から時刻同期パケットを受信できない場合であっても、時刻同期装置２００は、マスタ装置１０１（グランドマスタ）の時刻に相当する時刻に継続して同期することができる。

なお、この図１０に示される一連の処理は、例えばマスタ装置１０３との同期周期で時刻同期情報が取得される毎に繰り返し実行してもよいし、所定期間における時系列の時刻同期情報に基づいて推論を行なう場合には、その所定期間毎に実行してもよい。

次に、図１１を参照して、同期制御部２０４により実行される時刻同期制御の処理手順の一例について説明する。同期制御部２０４は、各マスタ装置と時刻同期パケットを送受信することによって、各マスタ装置の時刻同期情報を取得する（ステップＳ２１０）。そして、同期制御部２０４は、ステップＳ２１０においてマスタ装置１０１（グランドマスタ）の時刻同期情報を取得できたか否かを判定する（ステップＳ２２０）。

マスタ装置１０１（グランドマスタ）の時刻同期情報を取得できているときは（ステップＳ２２０においてＹＥＳ）、同期制御部２０４は、時刻同期装置２００をマスタ装置１０１（グランドマスタ）の時刻に同期させる（ステップＳ２３０）。そして、同期制御部２０４は、取得されたマスタ装置１０１（グランドマスタ）の時刻を同期時刻推論部２０６へ通知する（ステップＳ２４０）。なお、このマスタ装置１０１（グランドマスタ）の時刻は、同期時刻推論部２０６において、学習処理の教師データとして用いられる。

他方、ステップＳ２２０において、マスタ装置１０１（グランドマスタ）の時刻同期情報を取得できていないと判定されたときは（ステップＳ２２０においてＮＯ）、同期制御部２０４は、マスタ装置１０１（グランドマスタ）の推定時刻を同期時刻推論部２０６から取得する（ステップＳ２５０）。そして、同期制御部２０４は、時刻同期装置２００を、同期時刻推論部２０６から取得されたマスタ装置１０１（グランドマスタ）の推定時刻に同期させる（ステップＳ２６０）。

なお、上記において特に説明されていないが、ステップＳ２２０においてマスタ装置１０１（グランドマスタ）の時刻同期情報を取得できたか否かの判定結果に拘わらず、同期制御部２０４は、取得されたマスタ装置１０３（サブグランドマスタ）の時刻同期情報を同期時刻推論部２０６へ送信する。

なお、時刻同期システム１０に複数のマスタ装置１０３（サブグランドマスタ）が設けられている場合、モデル生成部５０２（図６）は、複数のマスタ装置１０３（サブグランドマスタ）から取得される時刻同期情報を含む学習用データを用いて１つのモデルを生成してもよいし、マスタ装置１０３（サブグランドマスタ）毎に、取得される時刻同期情報からモデルを生成してもよい。

この場合、例えば、推論結果に対する信頼度も含めて学習を行ない、その信頼度に基づいてモデルを選択するようにしてもよい。なお、信頼度については、例えば、マスタ装置１０１（グランドマスタ）の時刻同期情報から得られる時刻と、推定されたマスタ装置１０１（グランドマスタ）の時刻との差分に基づいて信頼度を算出し、入力データと信頼度との関係についても学習することにより、入力データから信頼度を推定することも可能である。

なお、モデル学習部４０１は、同一エリアで使用される複数のネットワークを構成する装置から収集される学習用データを取得してもよいし、異なるエリアで独立して動作する複数のネットワークを構成する装置から収集される学習用データを用いて、マスタ装置１０１（グランドマスタ）の時刻を学習してもよい。

また、ある時刻同期装置２００における学習装置を、別のネットワークの時刻同期装置２００に適用し、そのネットワークにおける時刻同期装置２００として、マスタ装置（グランドマスタ）の時刻を再学習して更新するようにしてもよい。

また、上記では、時刻同期装置２００のモデル生成部５０２で生成された学習済モデルを用いてマスタ装置１０１（グランドマスタ）の時刻を出力するものとしたが、時刻同期装置２００から学習済モデルを取得し、その学習済モデルを用いてマスタ装置１０１（グランドマスタ）の時刻を出力するようにしてもよい。

また、上記では、同期時刻推論部２０６は、時刻同期装置２００が時刻同期の際に用いるマスタ装置１０１（グランドマスタ）の時刻を学習するために使用されるが、同期時刻推論部２０６は、時刻同期装置２００とは別個の装置に設けられてもよい。同期時刻推論部２０６は、クラウドサーバ上に存在してもよいし、学習処理及び推論処理の一部をクラウドサーバや別個の装置に設けてもよい。

以上のように、この実施の形態１においては、マスタ装置１０３（サブグランドマスタ）の時刻同期情報からマスタ装置１０１（グランドマスタ）の時刻を推定するための学習処理が実行される。そして、生成された学習済モデルを用いて、マスタ装置１０３（サブグランドマスタ）の時刻同期情報からマスタ装置１０１（グランドマスタ）の時刻が推定され、マスタ装置１０１からマスタ装置１０３への切替が発生した場合には、その推定されたマスタ装置１０１（グランドマスタ）の時刻に従って時刻同期が行なわれる。したがって、この実施の形態１によれば、マスタ装置１０１からマスタ装置１０３への切替が発生しても、切替に伴なう同期精度の劣化を抑制することができる。

また、この実施の形態１によれば、単にマスタ装置１０３（サブグランドマスタ）の時刻だけでなく、マスタ装置１０３（サブグランドマスタ）の時刻同期情報（時刻配信に伴なう遅延時間等を含む情報）を学習及び推論に用いるので、学習済モデルの精度（学習済モデルによるマスタ装置１０１（グランドマスタ）の時刻推定精度）を高めることができる。

実施の形態２．
実施の形態１では、マスタ装置１０１（グランドマスタ）又はマスタ装置１０１との間の伝送経路に障害が発生した場合に、障害が発生した時点から、マスタ装置１０３（サブグランドマスタ）の時刻同期情報を用いてマスタ装置１０１（グランドマスタ）の時刻推定が行なわれる。しかしながら、その時点から学習は行なわれなくなるため、時間の経過とともに、推論部４０２によるマスタ装置１０１（グランドマスタ）の推定時刻が、マスタ装置１０１（グランドマスタ）が本来配信していたであろう時刻と乖離する可能性がある。

そこで、マスタ装置１０３（サブグランドマスタ）が複数存在する場合において、この実施の形態２では、マスタ装置１０１（グランドマスタ）又は伝送経路に障害が発生した場合に、ネットワークを構成する装置間のマスタ－スレーブ関係が再構成され、複数のマスタ装置１０３（サブグランドマスタ）の中から新たにグランドマスタが再選出される。そして、その他の装置は、選出されたマスタ装置（グランドマスタ）に同期する。

なお、新たにグランドマスタを再選出する条件としては、例えば、マスタ装置１０１（グランドマスタ）から時刻同期パケットを所定時間受信しない場合（障害が発生した場合）としてもよいし、マスタ装置１０３（サブグランドマスタ）の時刻同期情報から推定される同期時刻の信頼度が所定レベルを下回った場合等としてもよい。また、新たにグランドマスタを再選出する方法としては、ＩＥＥＥＳｔｄ１５８８－２００８に規定されるＢＭＣアルゴリズムを用いることができる。

実施の形態３．
この実施の形態３では、マスタ装置１０３（サブグランドマスタ）の時刻同期情報から推定されるマスタ装置１０１（グランドマスタ）の時刻の信頼度が算出される。また、算出された信頼度を学習用データに取り込んで、信頼度を推定するための学習処理が実行され、学習済モデルを用いて信頼度が推定される。

図１２から図１５を参照して、実施の形態３における同期時刻推論部について説明する。図１２には、同期時刻推論部２０６Ａの構成の一例が示されている。この同期時刻推論部２０６Ａは、図５に示した同期時刻推論部２０６の構成において、信頼度算出部４０４をさらに含み、モデル学習部４０１及び推論部４０２に代えてそれぞれモデル学習部４０１Ａ及び推論部４０２Ａを含む。

図１３を参照して、信頼度算出部４０４について説明する。信頼度算出部４０４は、同期制御部２０４から受けるマスタ装置１０１（グランドマスタ）の時刻同期情報と、推論部４０２Ａによりマスタ装置１０３（サブグランドマスタ）の時刻同期情報から推定されたマスタ装置１０１の時刻とを用いて、推定されたマスタ装置１０１の時刻の信頼度を算出する。

例えば、信頼度算出部４０４は、マスタ装置１０１（グランドマスタ）の時刻同期情報と、推論部４０２Ａにより推定されたマスタ装置１０１の時刻との差分に基づいて、上記信頼度を算出する。或いは、モデル学習部４０１Ａにおける学習処理の実行時に更新される重み係数の変動量は、学習が進んで推定同期時刻の精度が高まるほど小さくなるため、モデル学習部４０１Ａの重み係数の変動量に基づいて信頼度を算出してもよい。

図１４には、モデル学習部４０１Ａの構成の一例が示されている。モデル学習部４０１Ａは、学習データ取得部５０１Ａと、モデル生成部５０２Ａとを含む。学習データ取得部５０１Ａは、図６で説明した学習データ取得部５０１が有する機能に加えて、推定同期時刻の信頼度情報を信頼度算出部４０４から取得し、マスタ装置１０３（サブグランドマスタ）の時刻同期情報と推定同期時刻の信頼度情報とを関連付けた学習用データを生成する。学習用データの関連付けや生成タイミングについては、実施の形態１と同じである。

モデル生成部５０２Ａは、学習データ取得部５０１Ａによって取得される学習用データを用いて、実施の形態１と同様の学習処理を実行し、学習済モデルを生成する。また、これとは別に、モデル生成部５０２Ａは、マスタ装置１０３（サブグランドマスタ）の時刻同期情報から、推定同期時刻の信頼度を推定するための学習処理を実行し、学習済モデルを生成する。なお、信頼度算出部４０４において、モデル学習部４０１Ａの重み係数の変動量に基づいて信頼度を算出する場合には、モデル生成部５０２Ａは、学習処理の実行時に更新される重み係数の変動量を信頼度算出部４０４へ出力する。

図１５には、推論部４０２Ａの構成の一例が示されている。推論部４０２Ａは、推論データ取得部６０１と、推論制御部６０２Ａとを含む。推論データ取得部６０１は、図９で説明したとおりである。

推論制御部６０２Ａは、モデル学習部４０１Ａにより生成された学習済モデルを学習済モデル記憶部４０３から取得し、その学習済モデルを用いて、マスタ装置１０１（グランドマスタ）の時刻を推定するとともに、その推定された時刻の信頼度を推定する。具体的には、推論制御部６０２Ａは、推論データ取得部６０１により取得されたマスタ装置１０３（サブグランドマスタ）の時刻同期情報を学習済モデルに入力し、学習済モデルの出力をマスタ装置１０１（グランドマスタ）の推定時刻及びその推定時刻の信頼度として同期制御部２０４へ出力する。

同期制御部２０４は、マスタ装置１０１（グランドマスタ）の時刻同期情報が取得できていないときは、推論制御部６０２Ａにより推定されたマスタ装置１０１（グランドマスタ）の時刻と、その推定された時刻の信頼度とを推論制御部６０２Ａ（同期時刻推論部２０６Ａ）から取得する。

同期制御部２０４は、取得したマスタ装置１０１（グランドマスタ）の時刻の信頼度が所定の基準を下回る場合には、実施の形態２に例示したように、複数のマスタ装置１０３（サブグランドマスタ）の中から新たにグランドマスタを再選出する処理を実行してもよい。或いは、同期制御部２０４は、マスタ装置１０３（サブグランドマスタ）毎に推定される信頼度のうち、信頼度が最も高い時刻に従って時刻同期を行なってもよい。

以上のように、この実施の形態３では、マスタ装置１０３（サブグランドマスタ）の時刻同期情報から推定されるマスタ装置１０１（グランドマスタ）の時刻の信頼度が算出される。したがって、この実施の形態３によれば、例えば、信頼度が基準を下回る場合に、新たにグランドマスタを再選出したり、信頼度が最も高い時刻に従って時刻同期を行なったりすることができる。

今回開示された実施の形態は、全ての点で例示であって制限的なものではないと考えられるべきである。本開示により示される技術的範囲は、上記した実施の形態の説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。

本開示の時刻同期システム１０は、例えば、ＦＡ（Factory Automation）ネットワーク、基地局用ネットワーク、車載ネットワーク等に利用することができる。

１０時刻同期システム、１０１マスタ装置（グランドマスタ）、１０２スレーブ装置、１０３マスタ装置（サブグランドマスタ）、１０４スイッチ装置、１１１ＣＰＵ、１１２Ｉ／Ｆ装置、１１３ＲＡＭ、１１４ＲＯＭ、１１５バス、２００時刻同期装置、２０１ネットワークインタフェース部、２０２タイムスタンプ処理部、２０３プロトコルスタック処理部、２０４同期制御部、２０５クロック制御部、２０６，２０６Ａ同期時刻推論部、２１０ネットワーク、３０１ローカルクロック、３０２マスタクロック、４０１，４０１Ａモデル学習部、４０２，４０２Ａ推論部、４０３学習済モデル記憶部、４０４信頼度算出部、４１０入力層、４１１中間層、４１２出力層、５０１，５０１Ａ学習データ取得部、５０２，５０２Ａモデル生成部、６０１推論データ取得部、６０２，６０２Ａ推論制御部。

Claims

ネットワークを通じて時刻を配信する第１及び第２のマスタ装置と、
前記第１のマスタ装置の時刻同期情報と前記第２のマスタ装置の時刻とを含む学習用データを用いて、前記第１のマスタ装置の時刻同期情報から前記第２のマスタ装置の時刻を推定するための学習処理を実行する学習部と、
前記学習処理により得られる学習済モデルを用いて、前記第１のマスタ装置の時刻同期情報から前記第２のマスタ装置の時刻を推定する推論部と、
前記第２のマスタ装置から前記時刻が取得される場合には、その取得された時刻に従って時刻同期を行ない、前記第２のマスタ装置から前記時刻が取得されない場合には、前記推論部により推定される時刻に従って時刻同期を行なうスレーブ装置とを備える、時刻同期システム。
前記時刻同期情報は、前記第１のマスタ装置の時刻、及び前記第１のマスタ装置からの前記ネットワークを通じた時刻配信に伴なう遅延時間に関する情報を含む、請求項１に記載の時刻同期システム。
前記学習部及び前記推論部は、前記スレーブ装置に設けられる、請求項１又は請求項２に記載の時刻同期システム。
前記第２のマスタ装置の時刻同期情報と、前記推論部により推定された前記第２のマスタ装置の時刻とから、推定された前記第２のマスタ装置の時刻の信頼度を算出する信頼度算出部をさらに備える、請求項１から請求項３のいずれか１項に記載の時刻同期システム。
前記学習用データは、前記信頼度算出部により算出される前記信頼度をさらに含み、
前記学習部は、前記学習用データを用いて学習処理を実行することにより、前記第１のマスタ装置の時刻同期情報から前記信頼度を推定するための学習済モデルを生成する、請求項４に記載の時刻同期システム。
前記推論部は、前記学習済モデルを用いて、前記第１のマスタ装置の時刻同期情報から前記信頼度をさらに推定する、請求項５に記載の時刻同期システム。
前記スレーブ装置は、前記第２のマスタ装置から前記時刻が取得されない場合に、前記推論部により推定される前記信頼度が基準よりも低いときは、前記第２のマスタ装置に代わるマスタ装置を再選定する処理を実行する、請求項６に記載の時刻同期システム。
前記第１のマスタ装置が複数設けられている場合に、
前記推論部は、前記第１のマスタ装置毎に前記信頼度を推定し、
前記スレーブ装置は、前記第２のマスタ装置から前記時刻が取得されない場合に、前記信頼度が最も高い時刻に従って時刻同期を行なう、請求項６に記載の時刻同期システム。
ネットワークを通じて時刻を配信する第１及び第２のマスタ装置の各々の時刻同期情報から、前記第１のマスタ装置の時刻同期情報と前記第２のマスタ装置の時刻とを含む学習用データを取得するデータ取得部と、
前記学習用データを用いて学習処理を実行することにより、前記第１のマスタ装置の時刻同期情報から前記第２のマスタ装置の時刻を推定するための学習済モデルを生成するモデル生成部とを備える、学習装置。
前記第１のマスタ装置の時刻同期情報は、前記第１のマスタ装置の時刻、及び前記第１のマスタ装置からの前記ネットワークを通じた時刻配信に伴なう遅延時間に関する情報を含む、請求項９に記載の学習装置。
ネットワークを通じて時刻を配信する第１のマスタ装置の時刻同期情報を取得するデータ取得部と、
前記第１のマスタ装置の時刻同期情報から、ネットワークを通じて時刻を配信する第２のマスタ装置の時刻を推定するため学習済モデルを用いて、前記データ取得部により取得される時刻同期情報から前記第２のマスタ装置の時刻を推定する推論制御部とを備え、
前記学習済モデルは、前記第１のマスタ装置の時刻同期情報と前記第２のマスタ装置の時刻とを含む学習用データを用いて学習されたモデルである、推論装置。
前記第１のマスタ装置の時刻同期情報は、前記第１のマスタ装置の時刻、及び前記第１のマスタ装置からの前記ネットワークを通じた時刻配信に伴なう遅延時間に関する情報を含む、請求項１１に記載の推論装置。
請求項１１又は請求項１２に記載の推論装置と、
前記第２のマスタ装置から前記時刻が取得される場合には、その取得された時刻に従って時刻同期を行ない、前記第２のマスタ装置から前記時刻が取得されない場合には、前記推論装置により推定される時刻に従って時刻同期を行なう同期制御部とを備える、時刻同期装置。