JP7404525B2 - ネットワークスライシングのための機械学習アーキテクチャの決定 - Google Patents

Description

背景
無線通信ネットワークの進化は、ユーザのニーズの変化または要求されるサービス品質（ｑｕａｌｉｔｙ－ｏｆ－ｓｅｒｖｉｃｅ：ＱｏＳ）レベルに起因することが多い。サービス品質レベルは、レイテンシ、スループット、信頼性またはエラーレートといった、１つ以上のサービス品質パラメータによって定義される。無線通信ネットワークは、時とともに、音声通話に関連付けられたサービス品質レベルを満たすものから、さらにウェブアクセスおよびビデオストリーミングに関連付けられたサービス品質レベルを満たすものに進化してきた。アプリケーションの量が増え、ユーザ装置（ｕｓｅｒ ｅｑｕｉｐｍｅｎｔ：ＵＥ）の能力が異なるため、単一の無線通信ネットワークで要求される多様なサービス品質レベルを満たすのは困難な場合がある。

概要
ネットワークスライシングのための機械学習（ｍａｃｈｉｎｅ－ｌｅａｒｎｉｎｇ：ＭＬ）アーキテクチャを決定する技術および装置が説明される。ユーザ装置（ＵＥ）およびネットワーク－スライスマネージャは、機械学習（ＭＬ）アーキテクチャを決定するために互いに通信し、その後、ＵＥはアプリケーション用のデータを無線通信するために機械学習アーキテクチャを採用する。特に、ＵＥは、アプリケーションが要求するサービス品質レベルを提供する機械学習アーキテクチャを選択する。ネットワーク－スライスマネージャは、アプリケーションが要求するサービス品質レベルをサポートするネットワークスライスに関連付けられた１つ以上の利用可能なエンドツーエンド機械学習アーキテクチャに基づいて、要求を受け付ける、または拒否する。ＵＥおよびネットワーク－スライスマネージャは、協働することにより、アプリケーションに関連付けられたサービス品質レベルを満たし、かつ、アプリケーションが要求するサービス品質レベルを満たすエンドツーエンド機械学習アーキテクチャの一部を形成する、適切な機械学習アーキテクチャを決定することができる。

以下に説明する態様は、ネットワークスライシングのための機械学習アーキテクチャを決定するためにユーザ装置によって実行される方法を含む。方法は、第１の要求されたサービス品質レベルに関連付けられた第１のアプリケーションを実行することと、第１の要求されたサービス品質レベルに基づいて、第１の機械学習アーキテクチャを選択することとを備える。方法はさらに、第１の機械学習アーキテクチャを使用する許可を要求する第１の機械学習アーキテクチャ要求メッセージを、無線ネットワークのネットワーク－スライスマネージャに送信することを備える。方法はさらに、第１のネットワークスライスに基づいて、第１の機械学習アーキテクチャを使用する許可を付与する第１の機械学習アーキテクチャ応答メッセージを、ネットワーク－スライスマネージャから受信することを備える。方法はさらに、第１の機械学習アーキテクチャを使用して、第１のアプリケーション用のデータを無線通信することを備える。

ＵＥによって実装される機械学習アーキテクチャ、基地局によって実装される機械学習アーキテクチャ、および５Ｇコアネットワーク（５ＧＣ）のエンティティによって実装される機械学習アーキテクチャは、エンドツーエンド機械学習アーキテクチャを形成するために一緒に動作可能である。機械学習インターフェイスは、機械学習アーキテクチャの間で情報を渡す。このように、エンドツーエンド機械学習アーキテクチャは、単一の分散型機械学習アーキテクチャとして機能してもよく、ＵＥと、少なくとも１つの基地局と、５ＧＣのエンティティとの間のインターフェイスを提供してもよい。

機械学習アーキテクチャは、１つ以上のレイヤの特定の構造と、これらのレイヤ間の接続とを表し得る。

ネットワークスライシングは、異なるサービス品質レベルを満たす、１つ以上の並列かつ独立したネットワークをインスタンス化し得る。

サービス品質レベルは、レイテンシ、スループット、信頼性またはエラーレートといった、１つ以上のサービス品質パラメータによって定義され得る。

第１の機械学習アーキテクチャを選択することは、第１のネットワークスライスに関連付けられた利用可能な機械学習アーキテクチャを特定する利用可能な機械学習アーキテクチャメッセージを、ネットワーク－スライスマネージャから受信することを含み得る。第１の機械学習アーキテクチャを選択することはさらに、利用可能な機械学習アーキテクチャから、第１の機械学習アーキテクチャを選択することを含み得る。

第１の機械学習アーキテクチャを選択することは、１つ以上の選択規則を含む機械学習アーキテクチャ選択メッセージを、ネットワーク－スライスマネージャから受信することを含み得る。第１の機械学習アーキテクチャを選択することはさらに、１つ以上の選択規則を実行して、第１の機械学習アーキテクチャを決定することを含み得る。

方法はさらに、第２の機械学習アーキテクチャを使用して、第１のアプリケーション用の他のデータを無線通信することを備え得る。第２の機械学習アーキテクチャを選択することは、第１の要求されたサービス品質レベルに基づき得る。第２の機械学習アーキテクチャを選択することは、ユーザ装置が、異なる基地局に関連付けられた地理的な位置に移動することに応答し得る。第２の機械学習アーキテクチャを選択することは、ユーザ装置が、異なるトラッキングエリアに関連付けられた地理的な位置に移動することに応答し得る。第２の機械学習アーキテクチャを選択することは、ユーザ装置が、ホームネットワークと移動先のネットワークとの間でローミングを行うことに応答し得る。

ホームネットワークは、ＵＥが登録されているネットワークでもよい。移動先のネットワークは、ＵＥが登録されていないネットワークでもよい。

方法はさらに、第２の要求されたサービス品質レベルに関連付けられた第２のアプリケーションを実行することを備え得る。方法はさらに、第２の要求されたサービス品質レベルに基づいて、第２の機械学習アーキテクチャを選択することを備え得る。方法はさらに、第２の機械学習アーキテクチャを使用する許可を要求する第２の機械学習アーキテクチャ要求メッセージを、ネットワーク－スライスマネージャに送信することを備え得る。方法はさらに、第１のネットワークスライスまたは第２のネットワークスライスに基づいて、第２の機械学習アーキテクチャを使用する許可を付与する第２の機械学習アーキテクチャ応答メッセージを、ネットワークスライスマネージャから受信することを備え得る。

方法はさらに、第２の機械学習アーキテクチャ応答メッセージを受信することに応答して、第２の機械学習アーキテクチャを使用して、第２のアプリケーション用の他のデータを無線通信することを備え得る。第２の機械学習アーキテクチャを選択することは、第２の要求された第２のサービス品質レベルに基づき得る。第２のアプリケーションを実行することは、第１のアプリケーションが実行される時間の少なくとも重複する部分の間に生じ得る。第１の機械学習アーキテクチャの使用および第２の機械学習アーキテクチャの使用は両方とも、時間の少なくとも重複する部分の間に生じ得る。

方法はさらに、第３の要求されたサービス品質レベルに関連付けられた第３のアプリケーションを実行することを備え得る。方法はさらに、第３の要求されたサービス品質レベルに基づいて、第３の機械学習アーキテクチャを選択することを備え得る。方法はさらに、第３の機械学習アーキテクチャを使用する許可を要求する第３の機械学習アーキテクチャ要求メッセージを、ネットワーク－スライスマネージャに送信することを備え得る。方法はさらに、第３の機械学習アーキテクチャを使用する許可を付与しない第３の機械学習アーキテクチャ応答メッセージを、ネットワーク－スライスマネージャから受信することを備え得る。方法はさらに、第３の機械学習アーキテクチャ応答メッセージを受信することに応答して、デフォルトの機械学習アーキテクチャを選択することを備え得る。方法はさらに、デフォルトの機械学習アーキテクチャを使用する許可を要求する第４の機械学習アーキテクチャ要求メッセージを、ネットワーク－スライスマネージャに送信することを備え得る。方法はさらに、第３のネットワークスライスに基づいて、デフォルトの機械学習アーキテクチャを使用する許可を付与する第４の機械学習アーキテクチャ応答メッセージを、ネットワーク－スライスマネージャから受信することを備え得る。方法はさらに、デフォルトの機械学習アーキテクチャを使用して、第３のアプリケーション用の追加のデータを無線通信することを備え得る。

以下に記載する態様は、無線周波数トランシーバを有するユーザ装置を備える。ユーザ装置はさらに、説明した方法のいずれかを実行するように構成された第１のプロセッサおよび第１のメモリシステムを備える。

以下に記載する態様は、ネットワークスライシングのための機械学習アーキテクチャを決定するために、ネットワーク－スライスマネージャによって実行される方法を備える。方法は、第１のネットワークスライスを作成することを備える。方法はさらに、第１の機械学習アーキテクチャを使用する許可を要求する第１の機械学習アーキテクチャ要求メッセージを、ユーザ装置から受信することを備える。方法はさらに、第１の機械学習アーキテクチャが第１のネットワークスライスの少なくとも１つの第１のエンドツーエンド機械学習アーキテクチャに関連付けられていると判断することを備える。方法はさらに、第１の機械学習アーキテクチャを使用する許可を付与する第１の機械学習アーキテクチャ応答メッセージを、ユーザ装置に送信することを備える。

方法はさらに、第１のネットワークスライスを少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャに関係付ける情報を格納することを備え得る。第１の機械学習アーキテクチャが少なくとも１つの第１のエンドツーエンド機械学習アーキテクチャに関連付けられていると判断することは、第１の機械学習アーキテクチャが少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャの一部を形成すると判断することを含み得る。

方法はさらに、少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャを特定する利用可能な機械学習アーキテクチャメッセージを、ユーザ装置に送信することを備え得る。

方法はさらに、ユーザ装置が第１の機械学習アーキテクチャを決定することを可能にする１つ以上の選択規則を含む機械学習アーキテクチャ選択メッセージを、ユーザ装置に送信することを備え得る。

方法はさらに、第２のネットワークスライスを作成することを備え得る。方法はさらに、第２の機械学習アーキテクチャを使用する許可を要求する第２の機械学習アーキテクチャ要求メッセージを、ユーザ装置から受信することを備え得る。方法はさらに、第２の機械学習アーキテクチャが第２のネットワークスライスのいずれの第２のエンドツーエンド機械学習アーキテクチャにも関連付けられていないと判断することを備え得る。方法はさらに、第２の機械学習アーキテクチャを使用する許可を付与しない第２の機械学習アーキテクチャ応答メッセージを、ユーザ装置に送信することを備え得る。

第２の機械学習アーキテクチャ応答メッセージは、第２のエンドツーエンド機械学習アーキテクチャのうちの少なくとも１つに関連付けられた第３の機械学習アーキテクチャを含み得る。

以下に記載する態様はさらに、記載した方法のいずれかを実行するように構成されたプロセッサおよびメモリシステムを含むネットワーク－スライスマネージャを備える。

以下に説明する態様は、ユーザ装置とネットワーク－スライスマネージャとを含むシステムを備える。

以下に説明する態様はさらに、機械学習アーキテクチャを決定する手段を有するシステムを備える。

記載された方法は、コンピュータ読取可能記憶媒体に命令として格納されてもよい。
ネットワークスライシングのための機械学習アーキテクチャを決定する装置および技術について、以下の図面を参照して説明する。同様の特徴および構成要素を参照するために、図面全体にわたって同じ番号が使用される。

ネットワークスライシングのための機械学習アーキテクチャの決定が実施され得る、無線ネットワーク環境の例を示す図である。 ネットワークスライシングのためのエンドツーエンド機械学習アーキテクチャの例を示す図である。 ネットワークスライシングのための機械学習アーキテクチャの特性の例を示す図である。 ネットワーク－スライスマネージャによって作成されるネットワークスライスの例を示す図である。 ネットワークスライシングのための機械学習アーキテクチャを決定するためのユーザ装置および基地局のデバイス図の例を示す図である。 ネットワークスライシングのための機械学習アーキテクチャを決定するためのネットワーク－スライスマネージャのデバイス図の例を示す図である。 ネットワークスライシングのための機械学習アーキテクチャを決定するさまざまな態様が実装され得る無線ネットワークスタックモデルのブロック図の例を示す図である。 ネットワークスライシングのための機械学習アーキテクチャを決定するためのユーザ装置とネットワーク－スライスマネージャとの間のメッセージングトランザクションの例を示す図である。 ネットワークスライシングのための機械学習アーキテクチャを決定するためにユーザ装置によって実行される方法の例を示す図である。 ネットワークスライスシングのための機械学習アーキテクチャを決定するためにネットワーク－スライスマネージャによって実行される方法の例を示す図である。

詳細な説明
概略
ネットワークスライシングによって、無線通信ネットワークが多様なサービス品質（ＱｏＳ）レベルを満たすことが可能になる。特に、ネットワークスライシングによって、無線通信ネットワークのインフラをダイナミックに分割し共有して、異なるサービス品質フローを提供することが可能になる。一般的に、ネットワークスライシングは、異なるサービス品質レベルを満たす１つ以上の並列かつ独立した仮想ネットワークをインスタンス化する。サービス品質レベルは、レイテンシ、スループット、信頼性またはエラーレートといった、１つ以上のサービス品質パラメータによって定義される。

アプリケーションに関連付けられている、要求されたサービス品質レベルを実現するために、ネットワークスライシングのための機械学習（ＭＬ）アーキテクチャを決定する技術および装置が説明される。ユーザ装置（ＵＥ）およびネットワーク－スライスマネージャは、機械学習（ＭＬ）アーキテクチャを決定するために互いに通信し、その後、ＵＥはアプリケーション用のデータを無線通信するために機械学習アーキテクチャを採用する。特に、ＵＥは、アプリケーションが要求するサービス品質レベルを提供する機械学習アーキテクチャを選択する。ネットワーク－スライスマネージャは、アプリケーションが要求するサービス品質レベルをサポートするネットワークスライスに関連付けられた１つ以上の利用可能なエンドツーエンド機械学習アーキテクチャに基づいて、要求を受け付ける、または拒否する。ＵＥおよびネットワーク－スライスマネージャは、協働することにより、アプリケーションに関連付けられたサービス品質レベルを満たし、かつ、アプリケーションが要求するサービス品質レベルを満たすエンドツーエンド機械学習アーキテクチャの一部を形成する、適切な機械学習アーキテクチャを決定することができる。

環境の例
図１は、ＵＥ１１１、ＵＥ１１２、およびＵＥ１１３として図示される複数のユーザ装置１１０（ＵＥ１１０）を含む、環境１００の例を示す図である。各ＵＥ１１０は、無線リンク１３１および１３２として図示される１つ以上の無線通信リンク１３０（無線リンク１３０）を介して、基地局１２０（基地局１２１および１２２として図示）と通信することができる。簡潔にするために、ＵＥ１１０はスマートフォンとして実装されるが、モバイル通信デバイス、モデム、携帯電話、ゲームデバイス、ナビゲーションデバイス、メディアデバイス、ラップトップコンピュータ、デスクトップコンピュータ、タブレットコンピュータ、スマート家電、車両ベースの通信システム、またはセンサもしくはアクチュエータなどのＩｏＴ（Ｉｎｔｅｒｎｅｔ－ｏｆ－Ｔｈｉｎｇｓ）デバイス等の任意の好適なコンピューティングまたは電子デバイスとして実装することができる。基地局１２０（たとえば、Ｅｖｏｌｖｅｄ Ｕｎｉｖｅｒｓａｌ Ｔｅｒｒｅｓｔｒｉａｌ Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋ Ｎｏｄｅ Ｂ，Ｅ－ＵＴＲＡＮ Ｎｏｄｅ Ｂ，ｅｖｏｌｖｅｄ Ｎｏｄｅ Ｂ，ｅＮｏｄｅＢ，ｅＮＢ，Ｎｅｘｔ Ｇｅｎｅｒａｔｉｏｎ Ｅｖｏｌｖｅｄ Ｎｏｄｅ Ｂ，ｎｇ－ｅＮＢ，次世代ノードＢ，ｇＮｏｄｅ Ｂ，ｇＮＢまたはｎｇ－ｅＮＢなど）は、マクロセル、マイクロセル、小型セル、ピコセルなど、またはそれらの任意の組合わせで実装されてもよい。

基地局１２０は、任意の好適なタイプの無線リンクとして実装され得る無線リンク１３１および１３２を使用して、ＵＥ１１０と通信する。無線リンク１３１および１３２は、基地局１２０からＵＥ１１０に通信されるデータおよび制御情報のダウンリンク、ＵＥ１１０から基地局１２０に通信される他のデータおよび制御情報のアップリンク、またはその両方などの制御およびデータ通信を含む。無線リンク１３０は、３ＧＰＰ（登録商標） ＬＴＥ（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ Ｐａｒｔｎｅｒｓｈｉｐ Ｐｒｏｊｅｃｔ Ｌｏｎｇ－Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、ｅＬＴＥ（Ｅｎｈａｎｃｅｄ Ｌｏｎｇ－Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、５Ｇ ＮＲ（Ｆｉｆｔｈ－Ｇｅｎｅｒａｔｉｏｎ Ｎｅｗ Ｒａｉｏ）、４Ｇ（４ｔｈ－Ｇｅｎｅｒａｔｉｏｎ）標準などの任意の好適な通信プロトコルもしくは標準、または通信プロトコルもしくは標準の組合わせを使用して実装された１つ以上の無線リンク（たとえば無線リンク）またはベアラを含んでもよい。複数の無線リンク１３０は、ＵＥ１１０に対してより高いデータレートを提供するために、キャリアアグリゲーションで集約されてもよい。複数の基地局１２０からの複数の無線リンク１３０は、ＵＥ１１０とのＣｏＭＰ（Ｃｏｏｒｄｉｎａｔｅｄ Ｍｕｌｔｉｐｏｉｎｔ）通信用に構成されてもよい。

基地局１２０は集合的に、無線アクセスネットワーク１４０（たとえば、ＲＡＮ、Ｅｖｏｌｖｅｄ Ｕｎｉｖｅｒｓａｌ Ｔｅｒｒｅｓｔｒｉａｌ Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋ、Ｅ－ＵＴＲＡＮ、５Ｇ ＮＲ ＲＡＮ、またはＮＲ ＲＡＮ）である。ＲＡＮ１４０の基地局１２１および１２２は、５Ｇコアネットワーク（５ＧＣ）１５０に接続されている。基地局１２１および１２２は、それぞれ１０２および１０４において、制御プレーンシグナリング用のＮＧ２インターフェイスを介して、およびユーザプレーンデータ通信用のＮＧ３インターフェイスを使用して、５ＧＣ１５０に接続する。基地局１２１および１２２は、１０６において、Ｘｎインターフェイスを介してＸｎアプリケーションプロトコル（ＸｎＡＰ）を使用して、またはＸ２インターフェイスを介してＸ２アプリケーションプロトコル（Ｘ２ＡＰ）を使用して通信して、ユーザプレーンデータおよび制御プレーンデータを交換することができる。図示しないが、ＵＥ１１０は、５ＧＣ１５０を介して、インターネットなどの公衆ネットワークに接続して、リモートサービスと相互作用してもよい。

５ＧＣ１５０は、５Ｇ ＮＲネットワークにおける複数のＵＥ１１０の登録および認証、認可、ならびにモビリティ管理等の制御プレーン機能を提供するアクセス・モビリティ管理機能１５２（ＡＭＦ１５２）を含む。ＡＭＦ１５２は、ＲＡＮ１４０内の基地局１２０と通信し、基地局１２０を使用して、複数のＵＥ１１０と通信する。

また、５ＧＣ１５０は、ネットワーク－スライスマネージャ１９０を含む。ネットワーク－スライスマネージャ１９０は、５ＧＣ１５０のサーバによって実装され得る。一般的に、ネットワーク－スライスマネージャ１９０は、ネットワークスライシングを使用して、無線通信ネットワークを通じて異なるサービス品質フローを提供する（たとえば、少なくとも１つのＵＥ１１０と、少なくとも１つの基地局１２０と、５ＧＣ１５０との間で異なるサービス品質フローを提供する）。

各サービス品質フローは、ＵＥ１１０上のアプリケーションが要求するサービス品質レベルをサポートするネットワークスライスによって提供される。場合によっては、ネットワークスライスは、複数のサービス品質フローを提供する。上述したように、サービス品質レベルは、レイテンシ、スループット（たとえば、帯域幅もしくはデータレート）、信頼性、またはエラーレート（たとえば、ビットエラーレート）といった、１つ以上のサービス品質パラメータを指定する。他のサービス品質パラメータの例には、可用性、パケット損失、またはジッタが含まれる。サービス品質レベルに加えて、ネットワークスライスは、暗号化により特定のセキュリティレベルを提供することができる。サービス品質レベルを提供するために、ネットワーク－スライスマネージャ１９０は、図２に関してさらに説明するように、各ネットワークスライスを、サービス品質レベルを満たすことが可能な１つ以上のエンドツーエンド機械学習アーキテクチャに関連付ける。

図２は、ネットワークスライシングのためのエンドツーエンド機械学習アーキテクチャ２００の例を示す図である。一般に、エンドツーエンド機械学習アーキテクチャ２００は、ＵＥ１１０と、少なくとも１つの基地局１２０と、５ＧＣのエンティティ１５０との間のインターフェイスを提供する。５ＧＣのエンティティは、サーバ、または５ＧＣにおいてユーザプレーン機能を提供するエンティティを含み得る。特に、ＵＥ１１０によって実装される機械学習アーキテクチャ２１０、基地局１２０によって実装される機械学習アーキテクチャ２２０、および５ＧＣ１５０のエンティティによって実装される機械学習アーキテクチャ２３０は、エンドツーエンド機械学習アーキテクチャ２００を形成するために一緒に動作する。機械学習インターフェイス２４０は、機械学習アーキテクチャ２１０と、機械学習アーキテクチャ２２０と、機械学習アーキテクチャ２３０との間で情報を渡す。このように、エンドツーエンド機械学習アーキテクチャ２００は、単一の分散型機械学習アーキテクチャとして機能する。図示されていないが、エンドツーエンド機械学習アーキテクチャ２００は、エッジコンピューティングのための５ＧＣ１５０に近接したアプリケーションサーバも含み得る。

機械学習アーキテクチャ２１０、機械学習アーキテクチャ２２０、および機械学習アーキテクチャ２３０は、無線通信システムで使用される複雑な機能性などの複雑な処理に対する解決策を提供する。機械学習アーキテクチャ２１０，２２０および２３０は、無線通信信号のエンドツーエンド処理で使用される従来の処理ブロックの一部または全部を置き換えること、個々の処理チェーンブロックを置き換えることといった、さまざまな方法で、従来の複雑な機能性を置き換えることが可能である。一例として、機械学習アーキテクチャ２１０，２２０および２３０の各々は、チャネル符号化、チャネル復号、変調、復調、信号処理（たとえば、ノイズキャンセル）、暗号化、または復号などの機能のうちの１つ以上を実行可能である。図３に関してさらに詳細に説明するように、機械学習アーキテクチャは、１つ以上のレイヤの特定の構造、およびこれらのレイヤ間の接続を表す。これらの機械学習アーキテクチャの設計は、それぞれのエンティティの能力に基づいて調整可能である。これらの能力は、利用可能なメモリ、利用可能な電力、および計算能力を含み得る。一般に、より大量の利用可能なメモリ、より大量の利用可能な電力、および／またはより高いレベルの計算能力により、より大きく、より複雑な機械学習アーキテクチャを実装することが可能になる。

場合によっては、ＵＥ１１０、基地局１２０、および／または５ＧＣ１５０のエンティティは、さまざまな異なる機械学習アーキテクチャを使用することができる。ＵＥ１１０は、たとえば、機械学習アーキテクチャ２１１，２１２および２１３を実装することができる。同様に、基地局１２０は、機械学習アーキテクチャ２２１，２２２および２２３を実装することができ、５ＧＣ１５０のエンティティは、機械学習アーキテクチャ２３１，２３２および２３３を実装することができる。これらのさまざまな機械学習アーキテクチャの設計は、図３に関してさらに説明するように、レイヤの量、レイヤの種類、レイヤの順序、およびレイヤ間の接続の点で異なり得る。機械学習アーキテクチャの設計の違いは、図４に関してさらに説明するように、エンドツーエンド機械学習アーキテクチャ２００を使用して実現可能なサービス品質レベルに影響を与え得る。

ネットワーク－スライスマネージャ１９０は、ＵＥ１１０、基地局１２０、および５ＧＣ１５０のエンティティと通信して、適切な機械学習アーキテクチャを選択する。このように、ネットワーク－スライスマネージャ１９０は、機械学習アーキテクチャ２１０、機械学習アーキテクチャ２２０、および機械学習アーキテクチャ２３０の異なる組合わせによって、異なるエンドツーエンド機械学習アーキテクチャ２００を選択的に起動することができる。機械学習アーキテクチャ２１０、機械学習アーキテクチャ２３０、および機械学習アーキテクチャ２３０の一般的な特性は、図３に関してさらに説明される。

図３は、図２の機械学習アーキテクチャ２１０，２２０または２３０などの機械学習アーキテクチャのブロック図３００の例を示す図である。機械学習アーキテクチャ２１０，２２０または２３０は、ソフトウェア、ハードウェア、および／またはファームウェアの任意の組合せを用いて実装することができる。一般的に、機械学習アーキテクチャ２１０，２２０または２３０は、以下でさらに説明するように、１つ以上のレイヤの構造およびこれらのレイヤ間の接続（たとえば、ノード接続またはレイヤ接続）を定義する。機械学習アーキテクチャ２１０，２２０および２３０は、機械学習アーキテクチャ２１０，２２０および２３０の動作または性能に影響を与えるパラメータ構成を定義または指定しない。パラメータ構成の例には、係数（たとえば、重みもしくはバイアス）、カーネルサイズまたはパラメータ、活性化関数、およびストライド／プーリング構成が含まれる。また、パラメータ構成は、利用されるノードまたはスキップされるレイヤを特定することができる。訓練または適応学習でさまざまなパラメータ構成を変更することで、変化する動作条件に適応する能力が提供される。パラメータ構成が変更しても、機械学習アーキテクチャ２１０，２２０および２３０は同じままである。言い換えれば、機械学習アーキテクチャ２１０，２２０および２３０は、パラメータ構成と区別されると考えられる。

各機械学習アーキテクチャ２１０，２２０または２３０は、少なくとも１つのレイヤ３１０（たとえば、レイヤ３１１，３１２および３１３）を含む。レイヤ３１０は、１つ以上のノード（たとえば、ニューロンおよび／またはパーセプトロン）を含む。各ノードは、入力を受け付け、入力に基づいて出力を計算する。出力を計算する際に、ノードは、１つ以上の係数を使用することができる。

各機械学習アーキテクチャ２１０，２２０または２３０内では、レイヤ３１０の量は、機械学習アーキテクチャ２１０，２２０または２３０が実装する機能の複雑さに応じて変化し得る。また、機械学習アーキテクチャ２１０，２２０または２３０は、異なるタイプの計算を実行する（たとえば、異なるアルゴリズムまたは活性化関数を実行する）ノードを有する異なるタイプのレイヤ３１０を含み得る。場合によっては、機械学習アーキテクチャ２１０，２２０または２３０は、入力層、出力層、および少なくとも１つの隠れ層を有するディープニューラルネットワークを実装する。他のタイプのレイヤ３１０は、たとえば、畳み込み層、プーリング層、整流線形単位層、損失層、またはフィルタ層を含む。

機械学習アーキテクチャ２１０，２２０および２３０は、レイヤ３１０間の１つ以上の接続３２０も指定する。これらの接続３２０は、さまざまな機械学習アーキテクチャの間で異なり得る。接続３２０のタイプの例は、完全接続３２１または部分接続３２２を含み、これらは、２つのレイヤ３１０の間で接続されているノードの割合の点で異なる。例として、第１のレイヤ３１１は、第１のレイヤ３１１と第２のレイヤ３１２との両方におけるノードのすべてが一緒に接続されるように、第２のレイヤ３１２に完全接続されている（３２１）。言い換えれば、第１のレイヤ３１１内の各ノードは、第２のレイヤ３１２内の少なくとも１つの他のノードに接続されている。別の例として、第２のレイヤ３１２は、第３のレイヤ３１３に部分的に接続されている（３２２）。特に、第２のレイヤ３１２内のノードの部分集合は、第３のレイヤ３１３内のノードの部分集合に接続されている。

接続３２０は、レイヤ３１０が接続されている方向または順序を指定することもできる。フィードフォワード接続３２３は、たとえば、出力に向かって順方向に情報を伝搬させる。一例として、フィードフォワード接続３２３は、第１のレイヤ３１１と第２のレイヤ３１２とを接続し、第２のレイヤ３１２と第３のレイヤ３１３とを接続する。これに対して、フィードバック接続３２４は、前のレイヤに対して逆方向に情報を伝搬する。一例として、フィードバック接続３２４は、第３のレイヤ３１３の少なくとも１つのノードを第１のレイヤ３１１の別のノードに接続する。フィードバック接続３２４を使用して、機械学習アーキテクチャ２１０，２２０または２３０は、長短記憶（ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ：ＬＳＴＭ）ニューラルネットワークなどのリカレントニューラルネットワークを実装することができる。

機械学習アーキテクチャ２１０，２２０または２３０の入力および出力は、実装される機能に応じて異なり得る。一例として、入力は、ＵＥ１１０で受信されるダウンリンク信号のサンプルまたは基地局１２０で受信されるアップリンク信号のサンプルといった、信号のサンプルを含み得る。

出力は、信号の修正されたサンプルをみ得る。回帰モデルを実装するために、機械学習アーキテクチャ２１０，２２０または２３０は、１つ以上の連続値を出力するように設計されている。または、分類モデルを実装するために、機械学習アーキテクチャ２１０，２２０または２３０は、１つ以上の離散値を出力するように設計されている。

機械学習アーキテクチャ２１０，２２０または２３０によって使用される係数を決定するために、さまざまな異なる訓練技術を使用することができる。これらの訓練技術には、教師あり学習、教師なし学習、または強化学習が含まれる。一般的に、ネットワーク－スライスマネージャ１９０は、図４に関してさらに説明するように、各機械学習アーキテクチャ２１０，２２０および２３０を１つ以上のネットワークスライスに関連付ける。

図４は、ネットワーク－スライスマネージャ１９０によって作成されるネットワークスライス４００の例を示す図である。ネットワーク－スライスマネージャ１９０は、１つ以上のアプリケーションに関連付けられたサービス品質レベル４１０を満たすように、ネットワークスライス４００を設計する。したがって、各ネットワークスライス４００は、異なるアプリケーションまたは使用事例によって指定されるように、異なるサービス品質レベル４１０を満たすことができる。

一般的に、各アプリケーションは、アプリケーションタイプおよびサービス品質クラス識別子（ＱＣＩ）に関連付けられている。例として、Ｈｕｌｕ（登録商標）、Ｎｅｔｆｌｉｘ（登録商標）、またはＹｏｕＴｕｂｅ（登録商標）のアプリケーションの例は、ビデオストリーミングアプリケーションタイプに関連付けることができ、サービス品質識別子は、４，６，８または９を含み得る。Ｓｋｙｐｅ（登録商標）、Ｆａｃｅｔｉｍｅ（登録商標）、またはＧｏｏｇｌｅ Ｈａｎｇｏｕｔｓ（登録商標）の他のアプリケーション例は、ビデオ会議アプリケーションタイプに関連付けることができ、サービス品質識別子は、２または７を含み得る。Ｍｉｎｅｃｒａｆｔ（登録商標）またはＰＵＢＧ Ｍｏｂｉｌｅ（登録商標）などのアプリケーションのさらに他の例は、ゲームアプリケーションの種類に関連付けることができ、サービス品質識別子は、３または７を含み得る。

図４において、ネットワーク－スライスマネージャ１９０は、第１のネットワークスライス４０１と、第２のネットワークスライス４０２と、第３のネットワークスライス４０３とを作成する。ネットワークスライス４０１，４０２および４０３の各々は、無線通信ネットワークを通じて少なくとも１つのサービス品質フローを提供する。状況によっては、ネットワークスライス４０１，４０２および４０３のうちの２つ以上は、時間の重複する部分の間に並行して生じる。

ネットワークスライス４０１，４０２および４０３は、異なる使用事例またはアプリケーションに関連付けることができる異なるサービス品質レベル４１０を満たすように設計されている。たとえば、第１のネットワークスライス４０１は、低遅延を提供し、超高信頼低遅延通信（ｕｌｔｒａ－ｒｅｌｉａｂｌｅ ｌｏｗ－ｌａｔｅｎｃｙ ｃｏｍｍｕｎｉｃａｔｉｏｎ：ＵＲＬＬＣ）に関連付けられ、工場自動化、自律走行、または遠隔手術に使用され得る。一方、第２のネットワークスライス４０２は、高いスループットを提供し、拡張モバイルブロードバンド（ｅｎｈａｎｃｅｄ ｍｏｂｉｌｅ ｂｒｏａｄｂａｎｄ：ｅＭＢＢ）に関連付けられている。一例として、第２のネットワークスライス４０２は、高精細ビデオストリーミングを処理する。対照的に、第３のネットワークスライス４０３は、大量のマシンツーマシン通信をサポートするために、大量のＵＥ１１０を処理するように設計されている。他のタイプのネットワークスライス４００は、オンラインゲーム、一方向ストリーミング、または双方向ストリーミング（たとえば、ビデオ会議）に関連付けることができる。

ネットワーク－スライスマネージャ１９０は、ネットワークスライス４００がサービス品質レベル４１０を満たすことを可能にする少なくとも１つのエンドツーエンド機械学習アーキテクチャ２００（図２）を決定する。ネットワーク－スライスマネージャ１９０は、決定されたエンドツーエンド機械学習アーキテクチャ２００をネットワークスライス４００に関連付ける（たとえば、関連させるまたはマッピングする）。一例として、ネットワーク－スライスマネージャ１９０は、ネットワーク－スライス４００を、第１のエンドツーエンド機械学習アーキテクチャ２０１、第２のエンドツーエンド機械学習アーキテクチャ２０２、およびデフォルトのエンドツーエンド機械学習アーキテクチャ２０３に関連付ける。第１のエンドツーエンド機械学習アーキテクチャ２０１は、図２の機械学習アーキテクチャ２１１、機械学習アーキテクチャ２２１、および機械学習アーキテクチャ２３１を含む。図示しないが、第２のエンドツーエンド機械学習アーキテクチャ２０２は、たとえば、図２の機械学習アーキテクチャ２１２、機械学習アーキテクチャ２２２、および機械学習アーキテクチャ２３２を含む。デフォルトのエンドツーエンド機械学習アーキテクチャ２０３は、機械学習アーキテクチャ２１３、機械学習アーキテクチャ２２３、および機械学習アーキテクチャ２３３を含む。機械学習アーキテクチャ２１１、機械学習アーキテクチャ２２２、および機械学習アーキテクチャ２３３を含むエンドツーエンド機械学習アーキテクチャ２００などの他のエンドツーエンド機械学習アーキテクチャ２００も可能である。

エンドツーエンド機械学習アーキテクチャ２０１，２０２および２０３は性能の点で異なり得るが、エンドツーエンド機械学習アーキテクチャ２０１，２０２および２０３は少なくとも、ネットワークスライス４００がサービス品質レベル４１０を満たすことを可能にする。サービス品質レベル４１０が高水準の信頼性を指定する例を考察する。デフォルトのエンドツーエンド機械学習アーキテクチャ２０３は、中レベルのレイテンシ、中レベルのスループット、および高レベルの信頼性といった、初級レベルの性能を提供することができる。エンドツーエンド機械学習アーキテクチャ２０１および２０２の性能は、デフォルトのエンドツーエンド機械学習アーキテクチャ２０３と同様でもよく、またはそれよりも優れていてもよい。たとえば、第１のエンドツーエンド機械学習アーキテクチャ２０１は、中レベルのレイテンシの代わりに低レベルのレイテンシを提供し、同様に中レベルのスループットと高レベルの信頼性とを提供する。これに対して、第２のエンドツーエンド機械学習アーキテクチャ２０２は、中レベルのスループットの代わりに高レベルのスループットを提供し、同様に、中レベルのレイテンシと高レベルの信頼性とを提供する。

実装によっては、ネットワーク－スライスマネージャ１９０は、オフラインの異なるネットワークスライス４００と異なるエンドツーエンド機械学習アーキテクチャ２００との関係を決定する。ネットワーク－スライスマネージャ１９０は、後の参照用に、この関係を記述する情報を格納する。一例として、ネットワーク－スライスマネージャ１９０は、各ネットワークスライス４００を１つ以上のエンドツーエンド機械学習アーキテクチャ２００にマッピングする１つ以上のリストまたはテーブルを格納することができる。関連して、この関係マッピングは、エンドツーエンド機械学習アーキテクチャ２００を形成する個々の機械学習アーキテクチャ２１０，２２０および２３０にも及ぶ。

ネットワークスライス４００を２つ以上のエンドツーエンド機械学習アーキテクチャ２００に関連付けることにより、ネットワークスライス４００を、異なる能力を有するさまざまなエンティティのために実装することができる。これらのエンティティは、異なるＵＥ１１０、異なる基地局１２０、または５ＧＣ１５０の異なるエンティティを含む。たとえば、計算能力が制限されている第１のＵＥ１１１は、機械学習アーキテクチャ２１１で動作することができるが、機械学習アーキテクチャ２１２で動作することはできない。そのため、ネットワークスライス４００に関連付けられたサービス品質レベル４１０を満たすために、エンドツーエンド機械学習アーキテクチャ２０２の代わりに、第１のエンドツーエンド機械学習アーキテクチャ２０１をネットワーク－スライスマネージャ１９０によって作動させることができる。別の例では、利用可能な電力が制限されている第２のＵＥ１１２は、機械学習アーキテクチャ２１２で動作することができるが、機械学習アーキテクチャ２１１で動作することはできない。そのため、エンドツーエンド機械学習アーキテクチャ２０１の代わりに第２のエンドツーエンド機械学習アーキテクチャ２０２をネットワーク－スライスマネージャ１９０によって起動し、ネットワークスライス４００に関連付けられたサービス品質レベル４１０を同様に満足させることが可能である。エンドツーエンド機械学習アーキテクチャ２００、より具体的には機械学習アーキテクチャ２１０の選択については、図８に関してさらに説明する。

デバイスの例
図５は、ＵＥ１１０および基地局１２０の装置図５００の例を示す図である。ＵＥ１１０および基地局１２０は、分かりやすくするために図５から省略されている追加の機能およびインターフェイスを含んでもよい。ＵＥ１１０は、アンテナ５０２、無線周波数（ＲＦ）フロントエンド５０４（ＲＦフロントエンド５０４）、ＬＴＥトランシーバ５０６、ならびに５Ｇ ＲＡＮ１４１および／またはＥ－ＵＴＲＡＮ１４２内の基地局１２０と通信するための５Ｇ ＮＲトランシーバ５０８を含む。ＵＥ１１０のＲＦフロントエンド５０４は、ＬＴＥトランシーバ５０６および５Ｇ ＮＲトランシーバ５０８をアンテナ５０２に結合または接続して、さまざまな種類の無線通信を容易にすることができる。ＵＥ１１０のアンテナ５０２は、互いに類似するまたは異なるように構成された複数のアンテナのアレイを含んでもよい。アンテナ５０２およびＲＦフロントエンド５０４は、３ＧＰＰ ＬＴＥおよび５Ｇ ＮＲ通信規格によって定義され、ＬＴＥトランシーバ５０６、および／または５Ｇ ＮＲトランシーバ５０８によって実装される１つ以上の周波数帯に同調することができる、および／または、同調可能である。さらに、アンテナ５０２、ＲＦフロントエンド５０４、ＬＴＥトランシーバ５０６、および／または５Ｇ ＮＲトランシーバ５０８は、基地局１２０との通信の送信および受信用のビームフォーミング（たとえば、アナログもしくはデジタル）、二重動作（たとえば、全二重もしくは半二重動作）、または同相および直交（Ｉ／Ｑ）動作（たとえば、Ｉ／Ｑ変調もしくは復調動作）をサポートするよう構成されてもよい。一例であってこれに限定されるものではないが、アンテナ５０２およびＲＦフロントエンド５０４は、３ＧＰＰ ＬＴＥおよび５Ｇ ＮＲ通信規格によって定義されるサブギガヘルツバンド、サブ６ＧＨＺバンド、および／または約６～５００ＧＨｚの周波数を有する周波数帯での動作のために実装され得る。場合によっては、アンテナ５０２およびＲＦフロントエンド５０４は、超高周波数スペクトルでの動作のために実装され得る（たとえば、約５４～５００ＧＨｚの周波数の場合）。

ＵＥ１１０はまた、プロセッサ（複数可）５１０と、コンピュータ読取可能記憶媒体５１２（ＣＲＭ５１２）とを含む。プロセッサ５１０は、シリコン、ポリシリコン、高誘電体および銅などのさまざまな材料で構成されたシングルコアプロセッサまたはマルチコアプロセッサでもよい。本明細書で説明するコンピュータ読取可能記憶媒体は、伝搬信号を除外する。ＣＲＭ５１２は、ＵＥ１１０のデバイスデータ５１４を格納するために使用可能なランダムアクセスメモリ（ＲＡＭ）、スタティックＲＡＭ（ＳＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、不揮発性ＲＡＭ（ＮＶＲＡＭ）、読取専用メモリ（ＲＯＭ）、またはフラッシュメモリといった、任意の好適なメモリまたはストレージデバイスを含んでもよい。デバイスデータ５１４は、ユーザデータ、マルチメディアデータ、ビームフォーミングコードブック、アプリケーション、および／またはＵＥ１１０のオペレーティングシステムを含み、これらは、ユーザプレーン通信、制御プレーンシグナリング、およびＵＥ１１０とのユーザ対話を可能にするためにプロセッサ（複数可）５１０によって実行可能である。

ＣＲＭ５１２はまた、機械学習マネージャ５１６を含む、またはそれに関連する命令を格納する。代替的または追加的に、機械学習マネージャ５１６は、全体または一部が、ＵＥ１１０の他の構成要素と統合された、もしくはそれらとは別のハードウェアロジックまたは回路として実装されてもよい。少なくともいくつかの態様において、機械学習マネージャ５１６は、基地局１２０との通信のために、ＬＴＥトランシーバ５０６または５Ｇ ＮＲトランシーバ５０８を構成する。このように、機械学習マネージャ５１６は、図８に関してさらに説明するように、基地局１２０を通じてネットワーク－スライスマネージャ１９０にメッセージを送信する、または基地局１２０を通じてネットワーク－スライスマネージャ１９０からメッセージを受信することが可能である。

ＣＲＭ５１２はさらに、ＵＥ１１０の能力に基づいて実装することができる少なくとも１つの機械学習アーキテクチャ２１０（図２）を含む。機械学習マネージャ５１６は、図８に関してさらに説明するように、アプリケーションに関連付けられた１つ以上のサービス品質レベルに基づいて、機械学習アーキテクチャ２１０を選択する。機械学習マネージャ５１６はまた、機械学習アーキテクチャ２１０を使用した無線通信を可能にするために適用される、係数を決定する学習手順を開始することができる。

図５に示す基地局１２０の装置図は、単一のネットワークノード（たとえば、ｇＮｏｄｅ Ｂ）を含む。基地局１２０の機能は、複数のネットワークノードまたはデバイスに分散されてもよく、本明細書に記載される機能を実行するのに適した任意の態様で分散されてもよい。基地局１２０は、ＵＥ１１０と通信するためのアンテナ５５２、無線周波数（ＲＦ）フロントエンド５５４（ＲＦフロントエンド５５４）、１つ以上のＬＴＥトランシーバ５５６、および／または１つ以上の５Ｇ ＮＲトランシーバ５５８を含む。基地局１２０のＲＦフロントエンド５５４は、ＬＴＥトランシーバ５５６および５Ｇ ＮＲトランシーバ５５８をアンテナ５５２に結合または接続して、さまざまなタイプの無線通信を容易にすることができる。基地局１２０のアンテナ５５２は、互いに類似するまたは異なるように構成された複数のアンテナのアレイを含んでもよい。アンテナ５５２およびＲＦフロントエンド５５４は、３ＧＰＰ ＬＴＥおよび５Ｇ ＮＲ通信規格によって定義され、ＬＴＥトランシーバ５５６、および／または５Ｇ ＮＲトランシーバ５５８によって実装される１つ以上の周波数帯に同調することができる、または同調可能である。さらに、アンテナ５５２、ＲＦフロントエンド５５４、ＬＴＥトランシーバ５５６、および／または５Ｇ ＮＲトランシーバ５５８は、ＵＥ１１０との通信の送信および受信用に、Ｍａｓｓｉｖｅ－ＭＩＭＯなどのビームフォーミングをサポートするように構成されてもよい。

基地局１２０はまた、プロセッサ（複数可）５６０とコンピュータ読取可能記憶媒体５６２（ＣＲＭ５６２）とを含む。プロセッサ５６０は、シリコン、ポリシリコン、高誘電体および銅などのさまざまな材料で構成されたシングルコアプロセッサまたはマルチコアプロセッサでもよい。ＣＲＭ５６２は、基地局１２０のデバイスデータ５６４を格納するために使用可能なランダムアクセスメモリ（ＲＡＭ）、スタティックＲＡＭ（ＳＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、不揮発性ＲＡＭ（ＮＶＲＡＭ）、読取専用メモリ（ＲＯＭ）、またはフラッシュメモリといった、任意の好適なメモリまたはストレージデバイスを含んでもよい。デバイスデータ５６４は、ネットワークスケジューリングデータ、無線リソース管理データ、ビームフォーミングコードブック、アプリケーション、および／または基地局１２０のオペレーティングシステムを含み、これらは、ＵＥ１１０との通信を可能にするためにプロセッサ（複数可）５６０によって実行可能である。

ＣＲＭ５６２はまた、機械学習（ＭＬ）マネージャ５６６を含む、またはそれに関する命令を格納する。代替的または追加的に、機械学習マネージャ５６６は、全体または一部が、基地局１２０の他の構成要素と統合された、またはそれとは別のハードウェア論理または回路として実装されてもよい。少なくともいくつかの態様において、機械学習マネージャ５６６は、ＵＥ１１０との通信のためにＬＴＥトランシーバ５５６および５Ｇ ＮＲトランシーバ５５８を構成する。このように、機械学習マネージャ５６６は、図８に関してさらに説明したように、ＵＥ１１０からネットワーク－スライスマネージャ１９０にメッセージを転送し得る、またはネットワーク－スライスマネージャ１９０からＵＥ１１０にメッセージを転送し得る。

ＣＲＭ５６２はさらに、基地局１２０の能力に基づいて実装することができる（図２の）少なくとも１つの機械学習アーキテクチャ２２０を含む。実装によっては、機械学習マネージャ５６６は、図８に関してさらに説明するように、ネットワークスライス４００に関連付けられた利用可能なエンドツーエンド機械学習アーキテクチャ２００に基づいて、機械学習アーキテクチャ２２０を選択する。機械学習マネージャ５６６はまた、訓練手順を開始する、または機械学習アーキテクチャ２２０に係数を提供することができる。

基地局１２０は、基地局１２０のＵＥ１１０との通信を管理するために、基地局マネージャ（図示せず）が別の基地局１２０間でユーザプレーンデータおよび制御プレーンデータを交換するように構成する、Ｘｎおよび／またはＸ２インターフェイスなどの基地局間インターフェイス５６８を含む。基地局１２０はまた、機械学習マネージャ５６６が、ネットワーク－スライスマネージャ１９０などのコアネットワーク機能およびエンティティと情報を交換するように構成するコアネットワークインターフェイス５７０を含む。このように、機械学習マネージャ５６６は、ネットワーク－スライスマネージャ１９０に情報を提供する、またはネットワーク－スライスマネージャ１９０から情報を取得することができる。ネットワーク－スライスマネージャ、ＵＥ１１０の機械学習マネージャ５１６、および基地局１２０の機械学習マネージャ５６６は、共に、本明細書に記載されるようなネットワークスライシングのための機械学習アーキテクチャを少なくとも部分的に決定することが可能である。ネットワーク－スライスマネージャ１９０は、図３に関してさらに説明される。

図６は、ネットワークスライシングのための機械学習アーキテクチャを決定するためのネットワーク－スライスマネージャ１９０の装置図６００の例を示す図である。図示された構成では、ネットワーク－スライスマネージャ１９０は、プロセッサ６０２と、コンピュータ読取可能記憶媒体（ＣＲＭ）６０４とを含む。ＣＲＭ５１２およびＣＲＭ５６２と同様に、ＣＲＭ６０４は、ランダムアクセスメモリ（ＲＡＭ）、スタティックＲＡＭ（ＳＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、不揮発性ＲＡＭ（ＮＶＲＡＭ）、読取専用メモリ（ＲＯＭ）、またはフラッシュメモリといった、任意の好適なメモリまたはストレージデバイスを含んでもよい。

ＣＲＭ６０４は、少なくとも１つのネットワークスライス４００に関連付けられた１つ以上の利用可能な機械学習アーキテクチャ６０６を格納する。利用可能な機械学習アーキテクチャ６０６は、ネットワークスライス４００のサービス品質レベル４１０を満たすエンドツーエンド機械学習アーキテクチャ２００および／または個々の機械学習アーキテクチャ（たとえば、機械学習アーキテクチャ２１０、機械学習アーキテクチャ２２０、および／または機械学習アーキテクチャ２３０）を指定する。

また、ＣＲＭ６０４は、機械学習アーキテクチャ選択規則６０８を格納する。機械学習アーキテクチャ選択規則６０８は、ＵＥ１１０が実行するアプリケーションに基づいて適切な機械学習アーキテクチャ２１０をＵＥ１１０が選択することを可能にする命令を提供する。場合によっては、機械学習アーキテクチャ選択規則６０８は、ＵＥ１１０が、アプリケーションの所与の性能要件から要求されたサービス品質レベルを導出することを可能にする命令を含む。機械学習アーキテクチャ選択規則６０８は、ＵＥ１１０、基地局１２０、または５ＧＣ１５０のエンティティが、利用可能な機械学習アーキテクチャ６０６に基づいて適切な機械学習アーキテクチャを選択することを可能にする命令も含み得る。

ネットワーク－スライスマネージャ１９０はまた、ネットワーク－スライスマネージャ１９０が基地局１２０と情報を交換するように構成する基地局インターフェイス６１０を含み得る。このように、ネットワーク－スライスマネージャ１９０は、基地局１２０に直接情報を提供する、または基地局１２０から情報を取得することができる。

ユーザプレーンおよび制御プレーンシグナリング
図７は、無線ネットワークスタックモデル７００（スタック７００）のブロック図７００の例を示す図である。スタック７００は、ネットワークスライシングのための機械学習アーキテクチャを決定するさまざまな態様が実装され得る、環境１００の例のための通信システムを特徴付ける。スタック７００は、ユーザプレーン７０２および制御プレーン７０４を含む。ユーザプレーン７０２および制御プレーン７０４の上位レイヤは、スタック７００において共通の下位レイヤを共有する。ＵＥ１１０または基地局１２０などの無線デバイスは、レイヤについて定義されたプロトコルを使用して別のデバイスと通信するためのエンティティとして、各レイヤを実装する。たとえば、ＵＥ１１０は、パケットデータコンバージェンスプロトコル（Ｐａｃｋｅｔ Ｄａｔａ Ｃｏｎｖｅｒｇｅｎｃｅ Ｐｒｏｔｏｃｏｌ：ＰＤＣＰ）エンティティを使用して、ＰＤＣＰを使用して基地局１２０内のピアＰＤＣＰエンティティに対して通信を行う。

共有される下位レイヤは、物理（ＰＨＹ）レイヤ７０６、メディアアクセス制御（ＭＡＣ）レイヤ７０８、無線リンク制御（ＲＬＣ）レイヤ７１０、およびＰＤＣＰレイヤ７１２を含む。ＰＨＹレイヤ７０６は、互いに通信を行うデバイスのハードウェア仕様を提供する。このように、ＰＨＹレイヤ７０６は、デバイスが互いにどのように接続するかを確立し、デバイス間で通信リソースがどのように共有されるかを管理すること等を支援する。

ＭＡＣレイヤ７０８は、データがデバイス間でどのように転送されるかを指定する。一般に、ＭＡＣレイヤ７０８は、伝送されるデータパケットが伝送プロトコルの一部としてビットに符号化および復号される方法を提供する。

ＲＬＣレイヤ７１０は、スタック７００内のより上位のレイヤにデータ転送サービスを提供する。一般に、ＲＬＣレイヤ７１０は、エラー訂正、パケット分割および再組み立て、ならびに確認済みモード、未確認モード、または透過モード等のさまざまなモードでのデータ転送の管理を提供する。

ＰＤＣＰレイヤ７１２は、スタック７００の上位レイヤにデータ転送サービスを提供する。一般に、ＰＤＣＰレイヤ７１２は、ユーザプレーン７０２データおよび制御プレーン７０４データの転送、ヘッダ圧縮、暗号化、および完全性保護を提供する。

ＰＤＣＰレイヤ７１２の上で、スタックはユーザプレーン７０２と制御プレーン７０４とに分かれる。ユーザプレーン７０２のレイヤは、オプションのＳＤＡＰ（Ｓｅｒｖｉｃｅ Ｄａｔａ Ａｄａｐｔａｔｉｏｎ Ｐｒｏｔｏｃｏｌ）レイヤ７１４、インターネットプロトコル（ＩＰ）レイヤ７１６、伝送制御プロトコル／ユーザデータグラムプロトコル（ＴＣＰ／ＵＤＰ）レイヤ７１８、および無線リンク１０６を使用してデータを転送するアプリケーションレイヤ７２０を含む。オプションのＳＤＡＰレイヤ７１４は、５Ｇ ＮＲネットワークに存在する。ＳＤＡＰレイヤ７１４は、データ無線ベアラごとにサービス品質フローをマッピングし、パケットデータセッションごとにアップリンクおよびダウンリンクデータパケットにおけるサービス品質フロー識別子をマークする。ＩＰレイヤ７１６は、アプリケーションレイヤ７２０からのデータがどのように宛先ノードに転送されるかを指定する。ＴＣＰ／ＵＤＰレイヤ７１８は、アプリケーションレイヤ７２０によるデータ転送のためにＴＣＰまたはＵＤＰのいずれかを使用して、宛先ノードに転送することを意図したデータパケットが宛先ノードに到達したことを確認するために使用される。実装によっては、ユーザプレーン７０２は、ウェブブラウジングコンテンツ、ビデオコンテンツ、画像コンテンツ、オーディオコンテンツ、またはソーシャルメディアコンテンツを含むＩＰパケットなどのアプリケーションデータを転送するためのデータ転送サービスを提供するデータサービスレイヤ（図示せず）も含んでもよい。

制御プレーン７０４は、無線リソース制御（ＲＲＣ）レイヤ７２４と非アクセス層（Ｎｏｎ－Ａｃｃｅｓｓ Ｓｔｒａｔｕｍ：ＮＡＳ）レイヤ７２６とを含む。ＲＲＣレイヤ７２４は、接続および無線ベアラを確立ならびに解放し、システム情報をブロードキャストする、または電力制御を実行する。また、ＲＲＣレイヤ７２４は、ＵＥ１１０のリソース制御状態を制御し、リソース制御状態に従ってＵＥ１１０に動作を実行させる。リソース制御状態の例には、接続状態（たとえば、ＲＲＣ接続状態）または非アクティブ状態（たとえば、ＲＲＣ非アクティブ状態）もしくはアイドル状態（たとえば、ＲＲＣアイドル状態）などの切断状態が含まれる。一般に、ＵＥ１１０が接続状態である場合、基地局１２０との接続はアクティブである。非アクティブ状態の場合、基地局１２０との接続は中断される。ＵＥ１１０がアイドル状態である場合、基地局１２０との接続は解除される。一般に、ＲＲＣレイヤ７２４は、７ＧＰＰアクセスをサポートするが、非３ＧＰＰアクセス（たとえば、ＷＬＡＮ通信）はサポートしない。

ＮＡＳレイヤ７２６は、ＵＥ１１０と、５ＧＣ１５０のＡＭＦ１５２等のコアネットワーク内のエンティティまたは機能との間のモビリティ管理（たとえば、５ＧＭＭ（５ｔｈ－Ｇｅｎｅｒａｔｉｏｎ Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ）レイヤ７２８を使用して）およびパケットデータベアラコンテキスト（たとえば、５ＧＳＭ（登録商標）（５ｔｈ－Ｇｅｎｅｒａｔｉｏｎ Ｓｅｓｓｉｏｎ Ｍａｎａｇｅｍｅｎｔ）レイヤ７３０を使用して）についてサポートを提供する。ＮＡＳレイヤ７２６は、３ＧＰＰアクセスと非３ＧＰＰアクセスとの両方をサポートする。

ＵＥ１１０において、スタック７００のユーザプレーン７０２と制御プレーン７０４との両方における各レイヤは、基地局１２０内の対応するピアレイヤまたはエンティティ、コアネットワークのエンティティまたは機能、および／またはリモートサービスと対話して、ＲＡＮ１４０におけるＵＥ１１０のユーザアプリケーションをサポートし、動作を制御する。

ネットワークスライシングのための機械学習アーキテクチャの決定
図８は、ネットワークスライシングのために機械学習アーキテクチャ２１０を決定するための、ＵＥ１１０とネットワーク－スライスマネージャ１９０との間のメッセージングトランザクション８００の例を示す図である。図示されていないが、基地局１２０は、ネットワーク－スライスマネージャ１９０からＵＥ１１０へのメッセージの転送を支援、またはＵＥ１１０からネットワーク－スライスマネージャ１９０へのメッセージの転送を支援し得る。

８０５で、ＵＥ１１０は、上述したアプリケーションのいずれかなどのアプリケーションを実行する。一般に、アプリケーションは、ＵＥ１１０がデータを無線通信する能力に依存する。アプリケーションは、要求されたサービス品質レベル８０６に関連付けられている。

８１０で、ネットワーク－スライスマネージャ１９０は、サービス品質レベル４１０をサポートするネットワークスライス４００を作成する。サービス品質レベル４１０は、図４に関して上述したように、アプリケーションに関連付けられている、要求されたサービス品質レベル８０６を満たす。場合によっては、ネットワーク－スライスマネージャ１９０は、ＵＥ１１０から、インデックス（５ＱＩ）などの、要求されたサービス品質レベル８０６の指示を受信する。指示に基づいて、ネットワーク－スライスマネージャ１９０は、適切なネットワークスライス４００を選択することができる。

８１５で、ネットワーク－スライスマネージャ１９０は、利用可能な機械学習アーキテクチャメッセージ８１６をＵＥ１１０に送信する。利用可能な機械学習アーキテクチャメッセージ８１６は、図６に関して上述したように、ネットワークスライス４００に関連付けられた利用可能なエンドツーエンド機械学習アーキテクチャ２００の一部を形成する利用可能な機械学習アーキテクチャ６０６（たとえば、利用可能な機械学習アーキテクチャ２１０）を特定する。この情報をＵＥ１１０と共有することにより、ネットワーク－スライスマネージャ１９０およびＵＥ１１０は、アプリケーションの要求されたサービス品質レベル８０６を満たし、要求されたサービス品質レベル８０６を満たすエンドツーエンド機械学習アーキテクチャ２００（たとえば、図２および図３の機械学習アーキテクチャ２１０）の一部を形成する適切な機械学習アーキテクチャ２１０を効率的に決定することができる。利用可能な機械学習アーキテクチャメッセージ８１６は、ＮＡＳメッセージとして実装することができる。

上記の例では、利用可能な機械学習アーキテクチャメッセージ８１６は、ネットワークスライス４００が作成された後に送信される。または、ネットワーク－スライスマネージャ１９０は、ネットワークスライス４００を作成する前に、利用可能な機械学習アーキテクチャメッセージ８１６を送信する。この場合、利用可能な機械学習アーキテクチャメッセージ８１６は、複数のネットワークスライス４００（たとえば、図４のネットワークスライス４０１，４０２および４０３）に関連付けられた利用可能な機械学習アーキテクチャ６０６を特定する。

８２０で、ネットワーク－スライスマネージャ１９０は、機械学習アーキテクチャ選択メッセージ８２２をＵＥ１１０に送信する。機械学習アーキテクチャ選択メッセージ８２２は、ＵＥ１１０がアプリケーションに基づいて機械学習アーキテクチャを選択する（たとえば、図２の機械学習アーキテクチャ２１０のうちの１つを選択する）ことを可能にする（図６の）機械学習アーキテクチャ選択規則６０８を含む。利用可能な機械学習アーキテクチャメッセージ８１６と同様に、機械学習アーキテクチャ選択メッセージ８２２は、ＮＡＳメッセージとして実装することも可能である。一般的に、ステップ８１５および８２０の各々は、８２５より前のいつでも、またはネットワーク－スライスマネージャ１９０が特定の機械学習アーキテクチャ２１０を使用するＵＥ１１０の要求を拒否することに応答して、以下でさらに説明するように生じ得る。

８２５で、ＵＥ１１０は、要求されたサービス品質レベル８０６に基づいて、機械学習アーキテクチャ２１０を選択する。ＵＥ１１０は、ＵＥ１１０がその現在の能力に基づいて実装することができる可能な機械学習アーキテクチャのセットから、機械学習アーキテクチャ２１０を選択することができる。場合によっては、ＵＥ１１０は、機械学習アーキテクチャ選択規則６０８を適用して、アプリケーションの性能要件から要求されたサービス品質レベル８０６を導出し、適切な機械学習アーキテクチャ２１０を選択する。他の場合では、ＵＥ１１０は、機械学習アーキテクチャ選択規則６０８を適用して、利用可能な機械学習アーキテクチャ６０６から機械学習アーキテクチャ２１０を選択する。

８３０で、ＵＥ１１０は、（図２および図３の）選択された機械学習アーキテクチャ２１０を使用する許可を要求する機械学習アーキテクチャ要求メッセージ８３２を、ネットワーク－スライスマネージャ１９０に送信する。

８３５で、ネットワーク－スライスマネージャ１９０は、要求を受け付けるか拒否するかを決定する。特に、ネットワーク－スライスマネージャ１９０は、選択された機械学習アーキテクチャ２１０が、ネットワークスライス４００のエンドツーエンド機械学習アーキテクチャ２００のうちの１つに関連付けられているか否かを判断する。たとえば、ネットワーク－スライスマネージャ１９０は、ネットワークスライス４００に関連付けられた利用可能なエンドツーエンド機械学習アーキテクチャ２００のうちの１つが、選択された機械学習アーキテクチャ２１０を用いて形成可能であるか否かを判断する。

８４０で、ネットワーク－スライスマネージャ１９０は、選択された機械学習アーキテクチャ２１０を使用する許可を付与するか付与しないかを決定する機械学習アーキテクチャ応答メッセージ８４２を、ＵＥ１１０に送信する。ネットワーク－スライスマネージャ１９０が、選択された機械学習アーキテクチャ２１０が、ネットワークスライス４００に関連付けられた利用可能なエンドツーエンド機械学習アーキテクチャ２００のいずれにも関連付けられていないと判断した場合、機械学習アーキテクチャ応答メッセージ８４２は、ＵＥ１１０に選択された機械学習アーキテクチャ２１０を使用する許可を付与しない。時には、ネットワーク－スライスマネージャ１９０は、ＵＥ１１０の要求を拒否することに応答して、利用可能な機械学習アーキテクチャメッセージ８１６および／または機械学習アーキテクチャ選択メッセージ８２２を送信する（図示せず）。

許可が付与されない場合、ＵＥ１１０は、デフォルトのエンドツーエンド機械学習アーキテクチャ２０３に関連付けられた機械学習アーキテクチャ（たとえば、図２の機械学習アーキテクチャ２１３）を選択し、機械学習アーキテクチャ２１３を使用してアプリケーション用のデータを無線通信することができる。または、プロセスは、ＵＥ１１０が第２の機械学習アーキテクチャ２１０を選択するように、８２５で繰返すことができる。

または、ネットワーク－スライスマネージャ１９０が、選択された機械学習アーキテクチャ２１０を使用して、ネットワークスライス４００に関連付けられたエンドツーエンド機械学習アーキテクチャ２００のうちの１つを形成できると判断した場合、機械学習アーキテクチャ応答メッセージ８４２は、ＵＥ１１０に、選択された機械学習アーキテクチャ２１０を使用する許可を付与する。

許可が付与された場合、ＵＥ１１０は、選択された機械学習アーキテクチャ２１０を使用して、アプリケーション用のデータを無線通信する。たとえば、ＵＥ１１０は、選択された機械学習アーキテクチャ２１０を使用して、基地局１２０と無線通信を行う。

選択された機械学習アーキテクチャ２１０を使用する許可をＵＥ１１０に付与した後、ネットワーク－スライスマネージャ１９０は、選択された機械学習アーキテクチャ２１０を含む利用可能なエンドツーエンド機械学習アーキテクチャ２００を選択することができる。選択されたエンドツーエンド機械学習アーキテクチャ２００に基づいて、ネットワーク－スライスマネージャ１９０は、基地局１２０および／または５ＧＣ１５０のエンティティに、選択されたエンドツーエンド機械学習アーキテクチャ２００に関連付けられた機械学習アーキテクチャ２２０および機械学習アーキテクチャ２３０をそれぞれ使用するように、指示することができる。

状況によっては、ＵＥ１１０は複数のアプリケーションを並行して実行することができ、ネットワーク－スライスマネージャ１９０は複数のネットワークスライス４００を作成して、１つ以上のＵＥ１１０を処理することができる。したがって、ＵＥ１１０（または別のＵＥ１１０）が第２のアプリケーションを実行し、ネットワーク－スライスマネージャ１９０が第２のネットワークスライス４００を作成、または第１のネットワークスライス４００を使用して別のサービス品質フローを提供できるように、プロセスを８０５で繰返すことができる。

ＵＥ１１０が異なる基地局１２０または５ＧＣ１５０の異なるエンティティに接続する場合、サービス品質レベル４１０を満たす利用可能なエンドツーエンド機械学習アーキテクチャ２００が変化することがある。この変化は、現在の基地局１２０または現在のエンティティが、５ＧＣ１５０の以前の基地局または以前のエンティティと比較して異なる能力を有する場合に生じ得る。能力が異なるために、現在の基地局１２０が実装できる機械学習アーキテクチャ２２０の第１のセットは、以前の基地局が実装できる機械学習アーキテクチャ２２０の第２のセットと異なる。同様に、現在のエンティティが実装できる機械学習アーキテクチャ２３０の第１のセットは、以前のエンティティが実装できる機械学習アーキテクチャ２３０の第２のセットと異なることがある。このように、利用可能な機械学習アーキテクチャ６０６は、現在の基地局１２０によってサポートされる機械学習アーキテクチャ２２０および現在のエンティティによってサポートされる機械学習アーキテクチャ２３０を使用して実現可能なエンドツーエンド機械学習アーキテクチャ２００によって決まり得る。

利用可能な機械学習アーキテクチャ６０６に対する変更は、さまざまな異なる状況に応答して生じ得る。たとえば、これらの変更は、ＵＥ１１０が異なる場所またはトラッキングエリアに移動した場合に生じ得る。他の例では、これらの変更は、ＵＥ１１０がホームネットワーク（たとえば、ＵＥ１１０が登録されているネットワーク）と移動先のネットワーク（たとえば、ＵＥ１１０が登録されていないネットワーク）との間でローミングする場合に生じる。ネットワーク－スライスマネージャ１９０は、ネットワークスライス４００に関連付けられた最新の利用可能な機械学習アーキテクチャ６０６をＵＥ１１０に通知するために、第２の利用可能な機械学習アーキテクチャメッセージ８１６を送信し得る。

基地局１２１が機械学習アーキテクチャ２２１を実装することが可能である例について考える。この例では、ＵＥ１１０は、基地局１２１との通信から基地局１２２との通信に切り替わる。しかしながら、基地局１２２の能力は、基地局１２２が機械学習アーキテクチャ２２１を実装することを可能にしない。そのため、（図２の）エンドツーエンド機械学習アーキテクチャ２０１は、ネットワークスライス４００のサービス品質レベル４１０を満たすための実行可能な選択肢ではなくなっている。関連して、機械学習アーキテクチャ２１１もまた、もはや利用可能ではない。ネットワーク－スライスマネージャ１９０は、利用可能な機械学習アーキテクチャ６０６への更新をＵＥ１１０に通知するため、利用可能な機械学習アーキテクチャメッセージ８１６を送信する。この更新に基づいて、ＵＥ１１０は、エンドツーエンド機械学習アーキテクチャ２０２に関連付けられた機械学習アーキテクチャ２１２を選択する。この場合、機械学習アーキテクチャ２１２は、エンドツーエンド機械学習アーキテクチャ２０２の実装で、要求されたサービス品質レベル８０６を満足させることを可能にする。

場合によっては、８２５における選択プロセスは、ＵＥ１１０がトラッキングエリア更新（ＴＡＵ）手順を実行することに応答して生じる。ＴＡＵ手順は、どのトラッキングエリアがＵＥ１１０の現在位置に対応するかを無線ネットワークに通知する。

ＵＥ１１０に関して説明したが、ネットワーク－スライスマネージャ１９０と、基地局１２０または５ＧＣ１５０のエンティティといった、無線通信ネットワーク内の他のエンティティとの間でも、同様の動作が起こり得る。これらの場合、エンティティおよびネットワーク－スライスマネージャ１９０は、エンティティの能力、要求されたサービス品質レベル８０６、および利用可能なエンドツーエンド機械学習アーキテクチャ２００に基づいて、適切な機械学習アーキテクチャを決定する。

方法の例
図９は、ネットワークスライシングのための機械学習アーキテクチャを決定するために、ＵＥ１１０によって実行される方法９００の例を示す図である。方法９００は、実行される一連の動作（または行為）として示されているが、必ずしも動作が図示されている順序または組合わせに限定されるものではない。さらに、１つ以上の動作のいずれかを繰返し、組合わせ、再編成し、スキップし、またはリンクして、幅広い追加方法および／または代替方法を提供することができる。以下の議論の一部において、図１の環境１００および図２に詳述されているエンティティが参照される場合があるが、これらの参照は例示のためにのみなされる。本技術は、１つのデバイス上で動作する１つのエンティティまたは複数のエンティティによる実行に限定されない。

９０２で、ＵＥは、要求されたサービス品質レベルに関連付けられた第１のアプリケーションを実行する。たとえば、ＵＥ１１０は、図８の８０５で上述したように、要求されたサービス品質レベル８０６に関連付けられた第１のアプリケーションを実行する。

９０４で、ＵＥは、要求されたサービス品質レベルに基づいて、第１の機械学習アーキテクチャを選択する。たとえば、ＵＥ１１０は、要求されたサービス品質レベル８０６に基づいて、機械学習アーキテクチャ２１０を選択する。機械学習アーキテクチャ２１０は、図２の機械学習アーキテクチャ２１１，２１２または２１３のうちの１つなど、ＵＥ１１０が実装可能な機械学習アーキテクチャ２１０のうちの１つであり得る。

９０６で、ＵＥは、第１の機械学習アーキテクチャを使用する許可を要求する第１の機械学習アーキテクチャ要求メッセージを、無線ネットワークのネットワーク－スライスマネージャに送信する。たとえば、ＵＥ１１０は、機械学習アーキテクチャ２１０を使用する許可を要求する機械学習アーキテクチャ要求メッセージ８３２を、ネットワーク－スライスマネージャ１９０に送信する。

機械学習アーキテクチャ要求メッセージ８３２の受信に応答して、ネットワーク－スライスマネージャ１９０は、ＵＥ１１０が要求する機械学習アーキテクチャ２１０が、図４のエンドツーエンド機械学習アーキテクチャ２０１，２０２または２０３のうちの１つといった、ネットワークスライス４００の少なくとも１つのエンドツーエンド機械学習アーキテクチャ２００に関連付けられているか否かを判断する。エンドツーエンド機械学習アーキテクチャ２０１，２０２および２０３が、それぞれ機械学習アーキテクチャ２１１，２１２および２１３を含む例を考える。この場合、ネットワーク－スライスマネージャ１９０は、機械学習アーキテクチャ２１０がネットワークスライス４００に関連付けられた機械学習アーキテクチャ２１１，２１２または２１３のうちの１つである場合、ＵＥ１１０に機械学習アーキテクチャ２１０を使用する許可を付与する。しかしながら、機械学習アーキテクチャ２１０が機械学習アーキテクチャ２１１，２１２および２１３のいずれにも関連付けられていない場合、ネットワーク－スライスマネージャ１９０は、ＵＥ１１０に、機械学習アーキテクチャ２１０を使用する許可を付与しない。ネットワーク－スライスマネージャ１９０は、機械学習アーキテクチャ応答メッセージ８４２をＵＥ１１０に送信して、許可が付与されているか否かを伝達する。

９０８で、ＵＥは、第１のネットワークスライスに基づいて、第１の機械学習アーキテクチャを使用する許可を付与する第１の機械学習アーキテクチャ応答メッセージを、ネットワーク－スライスマネージャから受信する。たとえば、ＵＥ１１０は、図８の８４０で示されるような機械学習アーキテクチャ応答メッセージ８４２を、ネットワーク－スライスマネージャ１９０から受信する。この例では、機械学習アーキテクチャ応答メッセージ８４２は、ネットワークスライス４００に基づいて（たとえば、機械学習アーキテクチャ２１０が、ネットワークスライス４００に関連付けられたエンドツーエンド機械学習アーキテクチャ２００のうちの１つ以上の一部を形成することに基づいて）、機械学習アーキテクチャ２１０を使用する許可をＵＥ１１０に付与する。他の例では、機械学習アーキテクチャ応答メッセージ８４２は、機械学習アーキテクチャ２１０を使用する許可をＵＥ１１０に付与しない。

９１０で、ＵＥは、第１の機械学習アーキテクチャを使用して、第１のアプリケーション用のデータを無線通信する。たとえば、ＵＥ１１０は、機械学習アーキテクチャ２１０を使用して、第１のアプリケーション用のデータを無線通信する。機械学習アーキテクチャは、たとえば、チャネル符号化、チャネル復号、変調、復調、暗号化、または復号を実行することができる。

図１０は、ネットワークスライシングのための機械学習アーキテクチャを決定するために、ネットワーク－スライスマネージャ１９０によって実行される方法１０００の例を示す図である。方法１０００は、実行される一連の動作（または行為）として示されているが、必ずしも動作が図示されている順序または組合わせに限定されるものではない。さらに、１つ以上の動作のいずれかを繰返し、組合わせ、再編成し、スキップし、またはリンクして、幅広い追加の方法および／または代替的な方法を提供することができる。以下の議論の一部において、図１の環境１００および図３に詳述されているエンティティを参照することができるが、これらの参照は例のためにのみなされる。本技術は、１つのデバイス上で動作する１つのエンティティまたは複数のエンティティによる実行に限定されない。

１００２で、ネットワーク－スライスマネージャは、第１のネットワークスライスを作成する。たとえば、ネットワーク－スライスマネージャ１９０は、図８の８１０で、ネットワークスライス４００を作成する。

１００４で、ネットワーク－スライスマネージャは、第１の機械学習アーキテクチャを使用する許可を要求する第１の機械学習アーキテクチャ要求メッセージを、ＵＥから受信する。たとえば、ネットワーク－スライスマネージャ１９０は、図８の８３０で示されるような機械学習アーキテクチャ要求メッセージ８３２を、ＵＥ１１０から受信する。機械学習アーキテクチャ要求メッセージ８３２は、ＵＥ１１０が機械学習アーキテクチャ２１０を使用する許可を要求する。

１００６で、ネットワーク－スライスマネージャは、第１の機械学習アーキテクチャが第１のネットワークスライスの少なくとも１つの第１のエンドツーエンド機械学習アーキテクチャに関連付けられていると判断する。たとえば、ネットワーク－スライスマネージャ１９０は、機械学習アーキテクチャ２１０が、図８の８３５で上述したように、ネットワークスライス４００のエンドツーエンド機械学習アーキテクチャ２００のうちの少なくとも１つに関連付けられていると判断する。

１００８で、ネットワーク－スライスマネージャは、判断に基づいて、第１の機械学習アーキテクチャを使用する許可を付与する第１の機械学習アーキテクチャ応答メッセージを、ＵＥに送信する。たとえば、ネットワーク－スライスマネージャ１９０は、図８の８４０で、機械学習アーキテクチャ応答メッセージ８４２をＵＥ１１０に送信する。この例では、機械学習アーキテクチャ応答メッセージ８４２は、機械学習アーキテクチャ２１０を使用する許可をＵＥ１１０に付与する。ネットワーク－スライスマネージャ１９０は、基地局１２０または５ＧＣのエンティティに、機械学習アーキテクチャ２１０を含むエンドツーエンド機械学習アーキテクチャ２００に関連付けられた機械学習アーキテクチャを使用するように指示することもできる。別の例では、機械学習アーキテクチャ応答メッセージ８４２は、機械学習アーキテクチャ２１０を使用する許可をＵＥ１１０に付与しない。

ＵＥ１１０およびネットワーク－スライスマネージャ１９０は、協働することにより、アプリケーションに関連付けられている、要求されたサービス品質レベル８０６を満たし、要求されたサービス品質レベル８０６を満たすエンドツーエンド機械学習アーキテクチャ２００の一部を形成する適切な機械学習アーキテクチャ２１０を決定することが可能である。

結論
ネットワークスライシングのための機械学習アーキテクチャを決定する技術は、特徴および／または方法に特有の言い回しで説明されてきたが、添付の請求項の主題は、必ずしも説明された特定の特徴または方法に限定されないことが理解されるべきである。むしろ、特定の特徴および方法は、ネットワークスライシングのための機械学習アーキテクチャを決定する実装例として開示されている。

以下でいくつかの例について説明する。
例１：ユーザ装置によって実行される方法であって、ユーザ装置が、
第１の要求されたサービス品質レベルに関連付けられた第１のアプリケーションを実行することと、
第１の要求されたサービス品質レベルに基づいて、第１の機械学習アーキテクチャを選択することと、
第１の機械学習アーキテクチャを使用する許可を要求する第１の機械学習アーキテクチャ要求メッセージを、無線ネットワークのネットワーク－スライスマネージャに送信することと、
第１のネットワークスライスに基づいて、第１の機械学習アーキテクチャを使用する許可を付与する第１の機械学習アーキテクチャ応答メッセージを、ネットワーク－スライスマネージャから受信することと、
第１の機械学習アーキテクチャを使用して、第１のアプリケーション用のデータを無線通信することとを備える、方法。

例２：第１の機械学習アーキテクチャを選択することは、
第１のネットワークスライスに関連付けられた利用可能な機械学習アーキテクチャを特定する利用可能な機械学習アーキテクチャメッセージを、ネットワーク－スライスマネージャから受信することと、
利用可能な機械学習アーキテクチャから、第１の機械学習アーキテクチャを選択することとを含む、例１に記載の方法。

例３：第１の機械学習アーキテクチャを選択することは、
１つ以上の選択規則を含む機械学習アーキテクチャ選択メッセージを、ネットワーク－スライスマネージャから受信することと、
１つ以上の選択規則を実行して、第１の機械学習アーキテクチャを決定することとを含む、例１または２に記載の方法。

例４：第２の機械学習アーキテクチャを選択することと、
第２の機械学習アーキテクチャを使用する許可を要求する第２の機械学習アーキテクチャ要求メッセージを、ネットワーク－スライスマネージャに送信することと、
第２のネットワークスライスに基づいて、第２の機械学習アーキテクチャを使用する許可を付与する第２の機械学習アーキテクチャ応答メッセージを、ネットワーク－スライスマネージャから受信することとをさらに備える、先行する例のいずれか１つに記載の方法。

例５：第２の機械学習アーキテクチャを使用して、第１のアプリケーション用の他のデータを無線通信することをさらに備え、
第２の機械学習アーキテクチャを選択することは、第１の要求されたサービス品質レベルに基づき、
第２の機械学習アーキテクチャを選択することは、
ユーザ装置が、異なる基地局または異なるトラッキングエリアに関連付けられた地理的な位置に移動すること、または
ユーザ装置が、ホームネットワークと移動先のネットワークとの間でローミングを行うこととのうちの少なくとも１つに応答する、例４に記載の方法。

例６：第２の要求されたサービス品質レベルに関連付けられた第２のアプリケーションを実行することと、
第２の要求されたサービス品質レベルに基づいて、第２の機械学習アーキテクチャを選択することと、
第２の機械学習アーキテクチャを使用する許可を要求する第２の機械学習アーキテクチャ要求メッセージを、ネットワーク－スライスマネージャに送信することと、
第１のネットワークスライスまたは第２のネットワークスライスに基づいて、第２の機械学習アーキテクチャを使用する許可を付与する第２の機械学習アーキテクチャ応答メッセージを、ネットワークスライスマネージャから受信することとをさらに備える、例１～３のいずれか１つに記載の方法。

例７：第２の機械学習アーキテクチャ応答メッセージを受信することに応答して、第２の機械学習アーキテクチャを使用して、第２のアプリケーション用の他のデータを無線通信することをさらに備え、
第２の機械学習アーキテクチャを選択することは、第２の要求されたサービス品質レベルに基づき、
第２のアプリケーションを実行することは、第１のアプリケーションが実行される時間の少なくとも重複する部分の間に生じ、
第１の機械学習アーキテクチャの使用および第２の機械学習アーキテクチャの使用は両方とも、時間の少なくとも重複する部分の間に生じる、例６に記載の方法。

例８：トラッキングエリア更新プロシージャを実行することをさらに備え、
第２の機械学習アーキテクチャを選択することは、トラッキング更新プロシージャを実行することに応答して生じる、先行する例のいずれか１つに記載の方法。

例９：第３の要求されたサービス品質レベルに関連付けられた第３のアプリケーションを実行することと、
第３の要求されたサービス品質レベルに基づいて、第３の機械学習アーキテクチャを選択することと、
第３の機械学習アーキテクチャを使用する許可を要求する第３の機械学習アーキテクチャ要求メッセージを、ネットワーク－スライスマネージャに送信することと、
第３の機械学習アーキテクチャを使用する許可を付与しない第３の機械学習アーキテクチャ応答メッセージを、ネットワーク－スライスマネージャから受信することと、
第３の機械学習アーキテクチャ応答メッセージを受信することに応答して、デフォルトの機械学習アーキテクチャを選択することと、
デフォルトの機械学習アーキテクチャを使用する許可を要求する第４の機械学習アーキテクチャ要求メッセージを、ネットワーク－スライスマネージャに送信することと、
第３のネットワークスライスに基づいて、デフォルトの機械学習アーキテクチャを使用する許可を付与する第４の機械学習アーキテクチャ応答メッセージを、ネットワーク－スライスマネージャから受信することと、
デフォルトの機械学習アーキテクチャを使用して、第３のアプリケーション用の追加のデータを無線通信することとをさらに備える、先行する例のいずれか１つに記載の方法。

例１０：少なくとも１つの第１のサービス品質レベルは、
レイテンシレベル、
スループットレベル、または
信頼性レベルのうちの少なくとも１つを含む、先行する例のいずれか１つに記載の方法。

例１１：第１の機械学習アーキテクチャは、
多くのレイヤ、
１つ以上のタイプのレイヤ、
１つ以上のタイプのレイヤの順序、または
レイヤ間の１つ以上のタイプの接続、のうちの少なくとも１つを指定する、先行する例のいずれか１つに記載の方法。

例１２：無線周波数トランシーバと、
例１～１１のいずれか１つに記載の方法を実行するように構成された第１のプロセッサおよび第１のメモリシステムを備える、ユーザ装置。

例１３：ネットワーク－スライスマネージャによって実行される方法であって、
第１のネットワークスライスを作成することと、
第１の機械学習アーキテクチャを使用する許可を要求する第１の機械学習アーキテクチャ要求メッセージを、ユーザ装置から受信することと、
第１の機械学習アーキテクチャが第１のネットワークスライスの少なくとも１つの第１のエンドツーエンド機械学習アーキテクチャに関連付けられていると判断することと、
第１の機械学習アーキテクチャを使用する許可を付与する第１の機械学習アーキテクチャ応答メッセージを、ユーザ装置に送信することとを備える、方法。

例１４：第１のネットワークスライスを少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャに関連付ける情報を格納することをさらに備え、
第１の機械学習アーキテクチャが少なくとも１つの第１のエンドツーエンド機械学習アーキテクチャに関連付けられていると判断することは、第１の機械学習アーキテクチャが少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャの一部を形成すると判断することを含む、例１３に記載の方法。

例１５：少なくとも１つの利用可能な機械学習アーキテクチャは、少なくとも１つのエンドツーエンド機械学習アーキテクチャを含み、少なくとも１つのエンドツーエンド機械学習アーキテクチャは、第１のユーザ装置機械学習アーキテクチャを含む、例１４に記載の方法。

例１６：少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャを特定する利用可能な機械学習アーキテクチャメッセージを、ユーザ装置に送信することをさらに備える、例１４または例１５に記載の方法。

例１７：利用可能な機械学習アーキテクチャメッセージは、非アクセス層メッセージを含む、例１６に記載の方法。

例１８：ユーザ装置が第１の機械学習アーキテクチャを決定することを可能にする１つ以上の選択規則を含む機械学習アーキテクチャ選択メッセージを、ユーザ装置に送信することをさらに備える、例１３～１７のいずれか１つに記載の方法。

例１９：第２のネットワークスライスを作成することと、
第２の機械学習アーキテクチャを使用する許可を要求する第２の機械学習アーキテクチャ要求メッセージを、ユーザ装置から受信することと、
第２の機械学習アーキテクチャが第２のネットワークスライスのいずれの第２のエンドツーエンド機械学習アーキテクチャにも関連付けられていないと判断することと、
第２の機械学習アーキテクチャを使用する許可を付与しない第２の機械学習アーキテクチャ応答メッセージを、ユーザ装置に送信することとをさらに備える、例１３～１８のいずれか１つに記載の方法。

例２０：第２の機械学習アーキテクチャ応答メッセージは、第２のエンドツーエンド機械学習アーキテクチャのうちの少なくとも１つに関連付けられた第３の機械学習アーキテクチャを含む、例１９に記載の方法。

例２１：例１２～２０のいずれか１つに記載の方法を実行するように構成されたプロセッサおよびメモリシステムを備える、ネットワーク－スライスマネージャ。

例２２：例１２に記載のユーザ装置と、
例２１に記載のネットワーク－スライスマネージャとを備え、ネットワーク－スライスマネージャのプロセッサおよびメモリシステムは、第２のプロセッサおよび第２のメモリシステムを含む、システム。

Claims (15)

1. ユーザ装置によって実行される方法であって、
   第１の要求されたサービス品質レベルに関連付けられた第１のアプリケーションを実行することと、
   前記第１の要求されたサービス品質レベルに基づいて、第１の機械学習アーキテクチャを選択することと、
   前記第１の機械学習アーキテクチャを使用する許可を要求する第１の機械学習アーキテクチャ要求メッセージを、無線ネットワークのネットワーク－スライスマネージャに送信することと、
   第１のネットワークスライスに基づいて、前記第１の機械学習アーキテクチャを使用する許可を付与する第１の機械学習アーキテクチャ応答メッセージを、前記ネットワーク－スライスマネージャから受信することとを備え、前記第１の機械学習アーキテクチャは、前記第１のネットワークスライスに関連付けられた少なくとも１つの第１のエンドツーエンド機械学習アーキテクチャの一部を形成し、前記少なくとも１つの第１のエンドツーエンド機械学習アーキテクチャは、無線通信信号を処理するように構成され、かつ、前記ユーザ装置によって実装される前記第１の機械学習アーキテクチャと、基地局によって実装される機械学習アーキテクチャと、コアネットワークのエンティティによって実装される機械学習アーキテクチャとによって形成される分散機械学習アーキテクチャであり、前記方法はさらに、
   前記第１の機械学習アーキテクチャを使用して、前記第１のアプリケーション用のデータを無線通信することを備え、前記第１の機械学習アーキテクチャは、前記ユーザ装置によって決定される係数を用いて、入力に基づいて出力を計算するように構成されている、方法。
2. 前記第１の機械学習アーキテクチャを選択することは、
   前記第１のネットワークスライスに関連付けられた利用可能な機械学習アーキテクチャを特定する利用可能な機械学習アーキテクチャメッセージを、前記ネットワーク－スライスマネージャから受信することと、
   前記利用可能な機械学習アーキテクチャから、前記第１の機械学習アーキテクチャを選択することとを含む、請求項１に記載の方法。
3. 前記第１の機械学習アーキテクチャを選択することは、
   １つ以上の選択規則を含む機械学習アーキテクチャ選択メッセージを、前記ネットワーク－スライスマネージャから受信することと、
   前記１つ以上の選択規則を実行して、前記第１の機械学習アーキテクチャを決定することとを含む、請求項１または２に記載の方法。
4. 第２の機械学習アーキテクチャを選択することと、
   前記第２の機械学習アーキテクチャを使用する許可を要求する第２の機械学習アーキテクチャ要求メッセージを、前記ネットワーク－スライスマネージャに送信することと、
   第２のネットワークスライスに基づいて、前記第２の機械学習アーキテクチャを使用する許可を付与する第２の機械学習アーキテクチャ応答メッセージを、前記ネットワーク－スライスマネージャから受信することとをさらに備える、請求項１～３のいずれか１項に記載の方法。
5. 前記第２の機械学習アーキテクチャを使用して、前記第１のアプリケーション用の他のデータを無線通信することをさらに備え、
   前記第２の機械学習アーキテクチャを選択することは、前記第１の要求されたサービス品質レベルに基づき、
   前記第２の機械学習アーキテクチャを選択することは、
   前記ユーザ装置が、異なる基地局または異なるトラッキングエリアに関連付けられた地理的な位置に移動すること、または
   前記ユーザ装置が、ホームネットワークと移動先のネットワークとの間でローミングを行うこととのうちの少なくとも１つに応答して生じる、請求項４に記載の方法。
6. 第２の要求されたサービス品質レベルに関連付けられた第２のアプリケーションを実行することと、
   前記第２の要求されたサービス品質レベルに基づいて、第２の機械学習アーキテクチャを選択することと、
   前記第２の機械学習アーキテクチャを使用する許可を要求する第２の機械学習アーキテクチャ要求メッセージを、前記ネットワーク－スライスマネージャに送信することと、
   前記第１のネットワークスライスまたは第２のネットワークスライスに基づいて、前記第２の機械学習アーキテクチャを使用する許可を付与する第２の機械学習アーキテクチャ応答メッセージを、前記ネットワーク－スライスマネージャから受信することとをさらに備える、請求項１～３のいずれか１項に記載の方法。
7. 前記第２の機械学習アーキテクチャ応答メッセージを受信することに応答して、前記第２の機械学習アーキテクチャを使用して、前記第２のアプリケーション用の他のデータを無線通信することをさらに備え、
   前記第２の機械学習アーキテクチャを選択することは、前記第２の要求されたサービス品質レベルに基づき、
   前記第２のアプリケーションを実行することは、前記第１のアプリケーションが実行される時間の少なくとも重複する部分の間に生じ、
   前記第１の機械学習アーキテクチャの使用および前記第２の機械学習アーキテクチャの使用は両方とも、前記時間の少なくとも重複する部分の間に生じる、請求項６に記載の方法。
8. 第３の要求されたサービス品質レベルに関連付けられた第３のアプリケーションを実行することと、
   前記第３の要求されたサービス品質レベルに基づいて、第３の機械学習アーキテクチャを選択することと、
   前記第３の機械学習アーキテクチャを使用する許可を要求する第３の機械学習アーキテクチャ要求メッセージを、前記ネットワーク－スライスマネージャに送信することと、
   前記第３の機械学習アーキテクチャを使用する許可を付与しない第３の機械学習アーキテクチャ応答メッセージを、前記ネットワーク－スライスマネージャから受信することと、
   前記第３の機械学習アーキテクチャ応答メッセージを受信することに応答して、デフォルトの機械学習アーキテクチャを選択することと、
   前記デフォルトの機械学習アーキテクチャを使用する許可を要求する第４の機械学習アーキテクチャ要求メッセージを、前記ネットワーク－スライスマネージャに送信することと、
   第３のネットワークスライスに基づいて、前記デフォルトの機械学習アーキテクチャを使用する許可を付与する第４の機械学習アーキテクチャ応答メッセージを、前記ネットワーク－スライスマネージャから受信することと、
   前記デフォルトの機械学習アーキテクチャを使用して、前記第３のアプリケーション用の追加のデータを無線通信することとをさらに備える、請求項１～７のいずれか１項に記載の方法。
9. 無線周波数トランシーバと、
   請求項１～８のいずれか１項に記載の方法を実行するように構成された第１のプロセッサおよび第１のメモリシステムとを備える、ユーザ装置。
10. ネットワーク－スライスマネージャによって実行される方法であって、
    第１のサービス品質レベルをサポートするために、第１のネットワークスライスを作成することと、
    前記第１のネットワークスライスを、前記第１のサービス品質レベルを満たすことが可能な少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャに関連付けることとを備え、前記少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャの各々は、無線通信信号を処理するように構成され、かつ、ユーザ装置によって実装される機械学習アーキテクチャと、基地局によって実装される機械学習アーキテクチャと、コアネットワークのエンティティによって実装される機械学習アーキテクチャとによって形成される分散機械学習アーキテクチャであり、前記方法はさらに、
    第１の機械学習アーキテクチャを使用する許可を要求する第１の機械学習アーキテクチャ要求メッセージを、前記ユーザ装置から受信することを備え、前記第１の機械学習アーキテクチャは、無線通信信号を処理するように構成され、前記方法はさらに、
    前記第１の機械学習アーキテクチャが前記第１のネットワークスライスに関連付けられた前記少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャの一部を形成するかどうかを判断することと、
    前記第１の機械学習アーキテクチャが前記第１のネットワークスライスに関連付けられた前記少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャの前記一部を形成すると判断することに応答して、前記第１の機械学習アーキテクチャを使用する許可を付与する第１の機械学習アーキテクチャ応答メッセージを、前記ユーザ装置に送信することとを備える、方法。
11. 前記少なくとも１つの利用可能なエンドツーエンド機械学習アーキテクチャを特定する利用可能な機械学習アーキテクチャメッセージを、前記ユーザ装置に送信することをさらに備える、請求項１０に記載の方法。
12. 前記ユーザ装置が前記第１の機械学習アーキテクチャを決定することを可能にする１つ以上の選択規則を含む機械学習アーキテクチャ選択メッセージを、前記ユーザ装置に送信することをさらに備える、請求項１０または１１に記載の方法。
13. 第２のネットワークスライスを作成することと、
    第２の機械学習アーキテクチャを使用する許可を要求する第２の機械学習アーキテクチャ要求メッセージを、前記ユーザ装置から受信することと、
    前記第２の機械学習アーキテクチャが前記第２のネットワークスライスのいずれの第２のエンドツーエンド機械学習アーキテクチャにも関連付けられていないと判断することと、
    前記第２の機械学習アーキテクチャを使用する許可を付与しない第２の機械学習アーキテクチャ応答メッセージを、前記ユーザ装置に送信することとをさらに備える、請求項１０～１２のいずれか１項に記載の方法。
14. 前記第２の機械学習アーキテクチャ応答メッセージは、前記第２のエンドツーエンド機械学習アーキテクチャのうちの少なくとも１つに関連付けられた第３の機械学習アーキテクチャを含む、請求項１３に記載の方法。
15. 請求項１０～１４のいずれか１項に記載の方法を実行するように構成されたプロセッサおよびメモリシステムを備える、ネットワーク－スライスマネージャ。

Images