WO2024038554A1 - 制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体 - Google Patents

制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体 Download PDF

Info

Publication number
WO2024038554A1
WO2024038554A1 PCT/JP2022/031251 JP2022031251W WO2024038554A1 WO 2024038554 A1 WO2024038554 A1 WO 2024038554A1 JP 2022031251 W JP2022031251 W JP 2022031251W WO 2024038554 A1 WO2024038554 A1 WO 2024038554A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
data
control system
control
model
Prior art date
Application number
PCT/JP2022/031251
Other languages
English (en)
French (fr)
Inventor
英士 高橋
健夫 大西
由明 西川
研次 川口
吉則 渡辺
雅之 上田
英城 小塚
瑠美 松村
克紀 伊達
Original Assignee
日本電気株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2022/031251 priority Critical patent/WO2024038554A1/ja
Publication of WO2024038554A1 publication Critical patent/WO2024038554A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

Definitions

  • the present disclosure relates to a control system, a control device, a control method, a control program, and a non-transitory computer-readable medium.
  • 5G 5th Generation
  • 5G 5th Generation
  • RAN Radio Access Network
  • Non-RT RIC Real Time
  • Near-RT RIC is provided.
  • the Near-RT RIC is placed near the E2 node including the O-DU (O-RAN Distributed Unit) and O-CU (O-RAN Central Unit), and controls the RAN in near real time.
  • the Non-RT RIC is located remote from the E2 node and controls the RAN in non-real time.
  • O-RAN ALLIANCE O-RAN Working Group 2
  • AI/ML workflow description and requirements Technical Report, O-RAN.WG2.AIML-v01.03, 2021.07.20
  • an inference model that infers RAN control and a learning model that performs learning to construct the inference model are placed in either Near-RT RIC or Non-RT RIC. , it is possible to arrange them in a distributed manner. Thereby, it is possible to perform learning using the learning model using data in operation while executing control based on the inference model.
  • a load may be placed on a transmission path, a device, etc. that transmits the data.
  • one of the objects of the present disclosure is to provide a control system, a control device, a control method, and a non-transitory computer-readable medium that can reduce the load.
  • a specific model that specifies control regarding a wireless network includes a collection unit that collects identification data used for the identification, and a learning model that uses the identification data to learn control regarding the wireless network.
  • the control system further includes a transmitting means for transmitting learning data used in the learning model to another control system that performs learning using the learning model.
  • a control system includes a receiving unit that receives, as learning data, identification data collected by another control system in order to specify control regarding a wireless network using a specific model, from the other control system; and learning means for learning control regarding the wireless network using a learning model using learning data.
  • a specific model that specifies control regarding a wireless network includes a collection unit that collects identification data used for the identification, and a learning model that uses the identification data to learn control regarding the wireless network.
  • the control system further includes a transmitting means for transmitting learning data used in the learning model to another control system that performs learning using the learning model.
  • the control device includes a receiving unit configured to receive identification data collected by another control system in order to specify control regarding a wireless network using a specific model from the other control system as learning data; and learning means for learning control regarding the wireless network using a learning model using learning data.
  • a specific model that specifies control related to a wireless network collects specific data used for the specification, and uses the specific data for a learning model that learns control related to the wireless network. This data is sent as learning data to another control system that performs learning using the learning model.
  • a control method includes receiving identification data collected by another control system in order to specify control regarding a wireless network using a specific model from the other control system as learning data; is used to learn control regarding the wireless network using a learning model.
  • a specific model that specifies control regarding a wireless network collects identification data used for the identification, and uses the identification data to learn control regarding the wireless network. It is a non-temporary computer-readable medium that stores a control program for causing a computer to execute a process, which is transmitted as learning data used in the learning model to another control system that performs learning using the learning model.
  • a non-transitory computer-readable medium receives, as learning data, identification data collected by another control system in order to specify control regarding a wireless network using a specific model from the other control system.
  • a non-transitory computer-readable medium storing a control program for causing a computer to perform a process of learning control regarding the wireless network using a learning model using the learning data.
  • control system a control device, a control method, a control program, and a non-transitory computer-readable medium that can reduce the load.
  • FIG. 1 is a configuration diagram showing an overview of a first control system according to an embodiment. It is a block diagram showing the outline of the 2nd control system concerning an embodiment.
  • FIG. 1 is a configuration diagram showing an overview of a first control device according to an embodiment.
  • FIG. 2 is a configuration diagram showing an overview of a second control device according to an embodiment.
  • 1 is a flowchart showing an overview of a first control method according to an embodiment.
  • 7 is a flowchart showing an overview of a second control method according to the embodiment.
  • 1 is a configuration diagram showing a configuration example of a RAN system according to Embodiment 1.
  • FIG. FIG. 7 is a diagram for explaining the flow of data in a comparative example.
  • FIG. 3 is a diagram for explaining the flow of data in the first embodiment.
  • FIG. 1 is a configuration diagram showing a configuration example of a Near-RT RIC according to Embodiment 1.
  • FIG. 1 is a configuration diagram showing a configuration example of a Non-RT RIC according to Embodiment 1.
  • FIG. 2 is a flowchart showing an overview of learning processing in the RAN system according to the first embodiment.
  • 7 is a flowchart illustrating an operation example of learning processing in the RAN system according to the first embodiment.
  • FIG. 2 is a sequence diagram illustrating an operation example of learning processing in the RAN system according to the first embodiment.
  • FIG. 3 is a configuration diagram showing a configuration example of a Near-RT RIC according to a second embodiment.
  • FIG. 7 is a configuration diagram showing a configuration example of a Near-RT RIC according to a third embodiment.
  • FIG. 7 is a configuration diagram showing a configuration example of a Near-RT RIC according to a fourth embodiment.
  • FIG. 12 is a configuration diagram showing a configuration example of a RAN system according to a fifth embodiment.
  • FIG. 1 is a configuration diagram showing an overview of the hardware of a computer according to an embodiment.
  • the Near-RT RIC collects necessary data from the E2 node for inference
  • the Non-RT RIC for learning
  • One possible method is for the E2 node to collect the necessary data from the E2 node.
  • the inventor of the present disclosure has studied such a collection method and found the problem that a load may be placed on the E2 node and the transmission line that transmits the data. Therefore, in the embodiment, it is possible to reduce the load on the E2 node and the transmission line that transmits data.
  • FIG. 1 shows a schematic configuration of a first control system 10 according to an embodiment
  • FIG. 2 shows a schematic configuration of a second control system 20 according to an embodiment
  • the first control system 10 and the second control system 20 constitute a system that controls a wireless network such as a RAN.
  • the first control system 10 includes a Near-RT RIC
  • the second control system 20 includes, but is not limited to, a Non-RT RIC.
  • the first control system 10 includes a collection section 11 and a transmission section 12.
  • the collection unit 11 collects identification data used by a specific model to specify control regarding a wireless network.
  • the collection unit 11 collects identification data from the RAN including O-DUs and O-CUs.
  • Control regarding the wireless network is, for example, control of RAN operation, and control of a wireless resource allocation scheduler, beam, handover, etc., which is possible by setting O-DU and O-CU.
  • the specific model is an inference model that infers control regarding the wireless network, and the specific data can also be said to be inference data used for inference.
  • the specific model specifies the control of the RAN depending on data such as radio quality collected from the RAN.
  • the specific model is included in the first control system 10, for example, but may be located outside the first control system 10.
  • the transmitter 12 transmits the identification data collected by the collector 11 to the second control system 20 that performs learning using the learning model as learning data used in the learning model that learns control regarding the wireless network.
  • a learning model is a model for constructing a specific model.
  • the learning data transmitted by the transmitter 12 may include specific result data that is a result specified by the specific model.
  • the identification result data is, for example, analysis information obtained by analyzing identification data, control information for controlling the RAN, and the like.
  • the transmitter 12 may transmit the learning data depending on the communication status between the first control system 10 and the second control system 20. For example, the transmitter 12 may transmit the learning data depending on the availability of an interface connected to the second control system 20.
  • the second control system 20 includes a receiving section 21 and a learning section 22.
  • the receiving unit 21 receives the learning data transmitted from the transmitting unit 12 of the first control system 10 . That is, the first control system 10 receives, as learning data, identification data collected in order to specify control regarding a wireless network using a specific model.
  • the learning unit 22 uses the learning data received by the receiving unit 21 to learn control regarding the wireless network using a learning model. That is, it learns RAN control according to data such as wireless quality.
  • the learning model is included in the second control system 20, for example, but may be located outside the second control system 20.
  • the learning unit 22 applies the learned learning model that has been trained using the learning data to the specific model of the first control system 10 .
  • the first control system 10 and the second control system 20 may each be configured by one device, or may be configured by a plurality of devices.
  • FIG. 3 shows a configuration example of the first control device 30 according to the embodiment
  • FIG. 4 shows a configuration example of the second control device 40 according to the embodiment.
  • the first control device 30 may include the collecting section 11 and the transmitting section 12 shown in FIG. The present invention is not limited to this example, and the collection unit 11 and the transmission unit 12 may be implemented in separate devices.
  • the second control device 40 may include the receiving section 21 and the learning section 22 shown in FIG. The present invention is not limited to this example, and the receiving section 21 and the learning section 22 may be implemented in separate devices.
  • the first control device 30 may be a Near-RT RIC
  • the second control device 40 may be a Non-RT RIC.
  • first control system 10 and the second control system 20 may be placed on the edge or in the cloud using virtualization technology or the like. It may be placed in a specific location or distributed in multiple locations.
  • the edge is a location or infrastructure on the base station side that includes O-DUs and O-CUs.
  • a cloud is a core network-side location or infrastructure away from base stations.
  • the collecting section 11 and the transmitting section 12 may be arranged at the edge, and the receiving section 21 and the learning section 22 may be arranged at the cloud. Further, the collecting section 11, the transmitting section 12, the receiving section 21, and the learning section 22 may be arranged in a distributed manner.
  • FIG. 5 shows a first control method according to the embodiment
  • FIG. 6 shows a second control method according to the embodiment.
  • the first control method is executed by the first control system 10 in FIG. 1 or the first control device 30 in FIG. 3.
  • the second control method is executed by the second control system 20 in FIG. 2 or the second control device 40 in FIG. 4.
  • the collection unit 11 collects identification data used for identification of a specific model that identifies control regarding the wireless network (S11).
  • the transmitter 12 transmits the collected identification data to the second control system 20 that performs learning using the learning model as learning data used in the learning model that learns control regarding the wireless network (S12). .
  • the receiving unit 21 receives the learning data transmitted from the transmitting unit 12 of the first control system 10, that is, the data collected as specific data used by the specific model. Learning data is received (S21).
  • the learning unit 22 uses the received learning data to learn control regarding the wireless network using the learning model (S22). Further, the learning unit 22 applies the learned learning model to the specific model of the first control system 10.
  • the first control system such as Near-RT RIC uses identification data collected for a specific model as learning data to be used for the learning model, such as Non-RT RIC. Transmit to a second control system. Further, the second control system performs learning using the learning data received from the first control system. As a result, the first control system can transfer data collected from the wireless network to the second control system, and the second control system can learn the learning model using the transferred data. It is possible to reduce the load on nodes that provide data and transmission lines that transmit data.
  • Embodiment 1 Next, Embodiment 1 will be described. In this embodiment, an example will be described in which data used in inference by the Near-RT RIC is transferred to the Non-RT RIC as learning data.
  • FIG. 7 shows a configuration example of the RAN system 1 according to the present embodiment.
  • the RAN system 1 includes a Near-RT RIC 100, a Non-RT RIC 200, an O-DU 300, and an O-CU 400.
  • the Non-RT RIC 200 and the Near-RT RIC 100 are communicably connected via the O1 interface, and the Non-RT RIC 200 and the E2 node including the O-DU 300 and O-CU 400 are communicably connected.
  • the O1 interface is an interface for transmitting and receiving data and messages mainly required for operation and management.
  • an interface is a connection interface defined by a communication protocol for transmitting and receiving data and messages, and includes logical transmission paths and networks, and physical transmission paths and networks.
  • the Non-RT RIC 200 and the Near-RT RIC 100 are communicably connected via the A1 interface.
  • the Near-RT RIC 100 and the E2 node including the O-DU 300 and O-CU 400 are connected via the E2 interface.
  • the A1 interface and the E2 interface are interfaces mainly for transmitting and receiving data and messages necessary for control.
  • the O-DU 300 and O-CU 400 are communicably connected via the F1 interface.
  • the O-DU 300 and O-CU 400 are notebooks that constitute the RAN, and are also referred to as E2 nodes.
  • the RAN is a wireless network accessed by a UE (User Equipment), and is connected to a core network such as a 5GC (5G Core network) or an EPC (Evolved Packet Core).
  • the RAN may include an O-RU (O-RAN Remote Unit) that constitutes an antenna.
  • the UE is a terminal device that connects to the RAN and performs wireless communication, and may be a mobile phone, a smartphone, a tablet terminal, an IoT (Internet of Things) terminal, or the like.
  • the UE may be an application device such as a robot, drone, or self-driving car that implements the functions of a terminal.
  • the O-DU 300 and O-CU 400 provide base station functionality.
  • the base station is, for example, a gNB (next Generation Node B) or an eNB (evolved Node B), but is not limited thereto.
  • the O-DU 300 and the O-CU 400 are examples of nodes that provide base station functions, and may be other network nodes.
  • the O-DU 300 is a logical node that provides a base station radio signal control function and layer 2 control function.
  • the O-DU 300 accommodates the O-RU and controls the wireless signal (beam) of the antenna in the O-RU that accommodates it, as well as the MAC (Media Access Control) and RLC ( Performs protocol processing such as Radio Link Control).
  • the O-CU 400 is a logical node that provides a base station radio resource control function and a data processing function higher than layer 2.
  • the O-CU 400 accommodates the O-DU 300 and performs data transmission and reception via the accommodated O-DU 300, QoS (Quality of Service) control, cell/UE management, handover control, and necessary functions between the O-DU 300 and the core network.
  • Performs protocol processing such as PDCP (Packet Data Convergence Protocol), SDAP (Service Data Adaptation Protocol), and RRC (Radio Resource Control).
  • PDCP Packet Data Convergence Protocol
  • SDAP Service Data Adaptation Protocol
  • RRC Radio Resource Control
  • the RAN system 1 may include one or more arbitrary numbers of O-DUs 300 and O-CUs 400 as E2 nodes. That is, it may include a plurality of base stations.
  • the number of O-DUs 300 and O-CUs 400 does not necessarily have to be the same.
  • O-DU 300 and O-CU 400 may be located at different locations or may be located at the same location.
  • the O-DU 300 and the O-CU 400 may be implemented by different virtual machines running on an edge virtualization infrastructure, or by the same virtual machine.
  • the O-DU 300 and the O-CU 400 may be a vDU (virtualized distributed unit) or a vCU (virtualized central unit), and may constitute a virtual base station.
  • the O-DU 300 and O-CU 400 may be physical DUs and CUs.
  • the E2 node may be a base station device including the functions of O-DU 300 and O-CU 400.
  • the Near-RT RIC 100 is a logic function that controls and optimizes the RAN in near real time.
  • the Near-RT RIC 100 controls the RAN in a short control cycle of, for example, 10 ms or more and less than 1 s.
  • the Near-RT RIC 100 collects and analyzes RAN data from the E2 node including either or both of the O-DU 300 and the O-CU 400 via the E2 interface, and controls the E2 node according to the RAN data.
  • the Near-RT RIC 100 performs control according to RAN data according to a control policy acquired from the Non-RT RIC 200 via the A1 interface.
  • the control policy is a policy related to RAN control, and is, for example, the A1 policy.
  • A1 policy is guidance for RAN optimization defined on the A1 interface.
  • RAN data is data collected from either or both O-DU 300 and O-CU 400.
  • the RAN data is radio-related data regarding the radio of the RAN, and includes radio quality data and location information for each UE, and may also include the number of active UEs for each base station (cell).
  • wireless quality data may be acquired from the O-DU 300, or information regarding handover may be acquired from the O-CU 400.
  • the Near-RT RIC 100 is located at the same location as either or both of the O-DU 300 and O-CU 400, or at a location close to either or both of the O-DU 300 and O-CU 400.
  • the Near-RT RIC 100 may be implemented in the same edge virtual machine as either or both of the O-DU 300 and O-CU 400.
  • xApp includes applications that perform RAN data analysis, RAN control, and the like.
  • the xApp includes an inference model (also called an inference engine) that is a trained model, and analyzes inference data including RAN data and controls the RAN using the inference model.
  • the Near-RT RIC 100 may include multiple xApps as necessary.
  • the Non-RT RIC 200 is a logic function that controls and optimizes the RAN in a non-real time manner.
  • the Non-RT RIC 200 controls the RAN with a long control cycle of, for example, 1 s or more.
  • the Non-RT RIC 200 manages control policies, manages the operations of the E2 node including the O-DU 300 and O-CU 400, and the Near-RT RIC 100, learns (trains) a learning model, updates an inference model, and the like.
  • the Non-RT RIC 200 generates a control policy and notifies the generated control policy to the Near-RT RIC 100 via the A1 interface.
  • the Non-RT RIC 200 manages and sets the configuration information (Configuration) of the E2 node based on data acquired from the E2 node and the Near-RT RIC 100 via the O1 interface.
  • the Non-RT RIC 200 is placed in an SMO (Service Management and Orchestration) that performs RAN management and orchestration.
  • the SMO is located at a location away from the O-DU 300, O-CU 400, and Near-RT RIC 100, for example, on the cloud.
  • the Non-RT RIC 200 may include an SMO function.
  • Non-RT RIC 200 Some functions of the Non-RT RIC 200 are realized by rApp (Non-RT RIC Application).
  • the rApp includes applications that generate control policies, manage inference models of the Near-RT RIC 100, and the like.
  • the rApp includes a learning model (also called a learning engine), and generates a learning model that has learned RAN control using learning data obtained from the E2 node and Near-RT RIC100 via the O1 interface. , apply the generated trained learning model to the xApp of Near-RT RIC100.
  • a learning model also called a learning engine
  • Apply the generated trained learning model to the xApp of Near-RT RIC100 Note that applying a trained learning model to an inference model is also referred to as deploying.
  • Deployment means placing and deploying a model in an application execution environment and making the model executable.
  • the Non-RT RIC 200 may include multiple rApps as necessary.
  • FIG. 8 shows the flow of data for inference and learning in the comparative example
  • FIG. 9 shows the flow of data for inference and learning in the present embodiment. Note that the arrows shown in FIGS. 8 and 9 indicate the direction of data collection for convenience of explanation, and are not intended to limit data transmission and reception associated with such data collection.
  • the Non-RT RIC 200 receives RAN data ( D1, C1) are collected as learning data. Further, the Near-RT RIC 100 collects RAN data (D2, C2) as inference data from the O-DU 300 and O-CU 400 via the E2 interface. In the Near-RT RIC 100, an inference model (xApp) performs inference using the collected RAN data, and controls the O-DU 300 and O-CU 400 based on the inference results. Note that the Near-RT RIC 100 may collect RAN data from either the DU 300 or the O-CU 400 and control either the DU 300 or the O-CU 400.
  • the Near-RT RIC 100 transmits the inference result data (N1) as learning data to the Non-RT RIC 200 via the O1 interface.
  • the learning model of Non-RT RIC200 uses RAN data (D1, C1) collected from O-DU300 and O-CU400 and inference result data (N1) collected from Near-RT RIC100 as learning data through the O1 interface. Use it as a learning tool.
  • the Non-RT RIC 200 may collect RAN data from either the DU 300 or the O-CU 400.
  • RAN data (D1, C1) and RAN data (D2, C2) are the same data.
  • one or both of the O-DU 300 and the O-CU 400 transmits RAN data via two interfaces, the O1 interface and the E2 interface, so compared to the case where the RAN data is transmitted via one interface.
  • the communication load on either or both of the O-DU 300 and O-CU 400 is doubled.
  • a communication load solely for the purpose of acquiring and collecting data for learning occurs on either or both of O-DU 300 and O-CU 400. It is necessary to enhance the communication resources of one or both of the O-CUs 400.
  • RAN data from either or both of the O-DU 300 and O-CU 400 and the inference result data from the Near-RT RIC 100 are transmitted via the O1 interface, so the load on the O1 interface is also large.
  • the transmission buffers of the O-DU 300 and the O-CU 400 are small, the transmission timing cannot be adjusted, so there is a high possibility that the communication load on the O1 interface will increase.
  • the communication load is concentrated on the O1 interface at the timing of acquisition and collection of learning data, so it is necessary to increase the communication resources of the O1 interface for occasional learning.
  • the O-DU 300 when acquiring and collecting the learning data used by the learning model installed in the Non-RT RIC 200 from either the O-DU 300 and the O-CU 400, or both, the O-DU 300 This makes it possible to reduce the communication load on either or both of the O-CU 400 and the O-CU 400, and to prevent concentration of the communication load on the O1 interface.
  • the Near-RT RIC 100 receives RAN data (D2 , C2) as inference data, and the inference model (xApp) performs inference using the collected RAN data. Similar to the comparative example, the Near-RT RIC 100 may collect RAN data from either the DU 300 or the O-CU 400 and control either the DU 300 or the O-CU 400. In this embodiment, the Near-RT RIC 100 accumulates data necessary for learning from data used in inference in a database (DB) as a log. For example, collected RAN data (D2, C2) and inference result data (N1) are accumulated.
  • DB database
  • the Near-RT RIC 100 transfers the accumulated RAN data (D2, C2) and inference result data (N1) as learning data to the Non-RT RIC 200 via the O1 interface.
  • the Near-RT RIC 100 sends information to the Non-RT RIC 200 by effectively utilizing the timing when the O1 interface is vacant.
  • the learning model of the Non-RT RIC 200 performs learning using the RAN data (D2, C2) and inference result data (N1) collected from the Near-RT RIC 100 as learning data via the O1 interface.
  • one or both of the O-DU 300 and the O-CU 400 transmits RAN data only via the E2 interface.
  • the load on either or both can be reduced.
  • the load on the O1 interface can also be suppressed.
  • the comparative example in FIG. 8 and the present embodiment in FIG. 9 may be implemented in combination.
  • some RAN data is transferred from either or both of the O-DU 300 and O-CU 400 to the Non-RT RIC 200 via the O1 interface
  • other RAN data is transferred to the Non-RT RIC 200 as shown in FIG.
  • the information may be transferred from the Near-RT RIC 100 to the Non-RT RIC 200 via the O1 interface, as shown in FIG.
  • FIG. 10 shows a configuration example of the Near-RT RIC 100 according to this embodiment.
  • the Near-RT RIC 100 includes an E2 communication section 101, an O1 communication section 102, an A1 communication section 103, a data collection section 111, a data analysis section 112, a control content identification section 113, a model storage section 120, and a learning section 113. It includes a data accumulation control section 131, a learning database 132, and a learning data transmitting section 133. Note that this configuration is an example, and other configurations may be used as long as the operation according to the present embodiment described later is possible. Further, the Near-RT RIC 100 may include a configuration for realizing necessary functions.
  • the E2 communication unit 101 is a communication unit that communicates with the O-DU 300 and O-CU 400 via the E2 interface.
  • the E2 communication unit 101 transmits and receives various data including RAN data, control messages, etc. to and from the O-DU 300 and O-CU 400 according to a communication method defined as an E2 interface.
  • the O1 communication unit 102 is a communication unit that communicates with the Non-RT RIC 200 via the O1 interface.
  • the O1 communication unit 102 transmits and receives various data including learning data and control messages to and from the Non-RT RIC 200 according to a communication method defined as an O1 interface.
  • the A1 communication unit 103 is a communication unit that communicates with the Non-RT RIC 200 via the A1 interface.
  • the A1 communication unit 103 transmits and receives control messages including various data and control policies to and from the Non-RT RIC 200 according to a communication method defined as the A1 interface.
  • the data collection unit 111 collects RAN data from either or both of the O-DU 300 and O-CU 400 via the E2 communication unit 101 and the E2 interface.
  • the data collection unit 111 and the E2 communication unit 101 correspond to the collection unit 11 in FIG.
  • the data collection unit 111 periodically collects RAN data as inference data used by the inference models of the data analysis unit 112 and the control content identification unit 113 for inference.
  • the data collection unit 111 may instruct either or both of the O-DU 300 and the O-CU 400 regarding the data to be collected and the period.
  • the data collection unit 111 outputs the collected RAN data to the data analysis unit 112 and the learning data accumulation control unit 131.
  • the model storage unit 120 stores an inference model 121 used by the data analysis unit 112 and the control content identification unit 113 for analysis processing and control processing.
  • the inference model 121 is a learned model that infers control of the E2 node including either or both of the O-DU 300 and the O-CU 400 according to the RAN data.
  • the inference model 121 is, for example, a model that can analyze and predict time-series data.
  • the inference model 121 may be a CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), LSTM (Long-Short Term Model), or other neural network.
  • the inference model 121 is not limited to a neural network, and may be any other machine learning model.
  • the model storage unit 120 may store a plurality of inference models 121.
  • the model storage unit 120 stores an inference model 121a for data analysis used by the data analysis unit 112, and an inference model 121b for specifying control content used by the control content identification unit 113.
  • the inference model 121a is an analysis model that analyzes data
  • the inference model 121b is a specific model that specifies control content.
  • the data analysis unit 112 analyzes the RAN data collected by the data collection unit 111, that is, the inference data.
  • the functions of the data analysis unit 112 may be realized by executing xApp for data analysis processing, that is, for wireless analysis processing.
  • the data analysis unit 112 analyzes the RAN data using the inference model 121a for data analysis stored in the model storage unit 120.
  • the data analysis unit 112 inputs the collected RAN data to the inference model 121a and analyzes the RAN data.
  • the data analysis unit 112 outputs the analysis result of the RAN data, that is, the inference result, as wireless analysis information.
  • the inference model 121a predicts future radio quality from the input radio quality data and outputs the radio quality prediction result as radio analysis information.
  • the data analysis unit 112 outputs the wireless analysis information to the control content identification unit 113 and the learning data accumulation control unit 131.
  • the control content identification unit 113 identifies the control content of the E2 node including either or both of the O-DU 300 and the O-CU 400 based on the analysis result of the RAN data analyzed by the data analysis unit 112, and Take control.
  • the function of the control content specifying unit 113 may be realized by executing xApp for control content specification, that is, for wireless control processing. Further, the control content specifying unit 113 may control the E2 node according to a control policy notified via the A1 interface via the A1 communication unit 103.
  • the control content identification unit 113 uses the control content identification inference model 121b stored in the model storage unit 120 to identify the control content (control information) of the E2 node.
  • the control content specifying unit 113 inputs the wireless analysis information, which is the analysis result of the data analysis unit 112, into the inference model 121b, and specifies the control content according to the wireless analysis information. For example, a plurality of control contents may be inferred and the control contents to be used for control may be specified according to a control policy.
  • the control content specifying unit 113 outputs the specification result of specifying the control content, that is, the inference result, as wireless control information. For example, when the data analysis unit 112 predicts future wireless quality, it specifies the wireless strength, modulation method, etc. to be set in the E2 node according to the predicted wireless quality, and transmits control information to be set in the corresponding E2 node to control the wireless control. Output as information.
  • the control content specifying unit 113 transmits wireless control information indicating the specified control content to either or both of the O-DU 300 and the O-CU 400 via the E2 communication unit 101 and the E2 interface. Further, the control content specifying unit 113 outputs the wireless control information to the learning data accumulation control unit 131.
  • the learning database 132 is a learning data storage unit that stores learning data.
  • the learning data accumulation control unit 131 controls learning data to be accumulated in the learning database 132. Specifically, the learning data accumulation control unit 131 acquires and selects data necessary for learning, and accumulates the acquired and selected data in the learning database 132. Further, the learning data accumulation control unit 131 performs integration processing to format the accumulated data for transmission. It can be said that the learning data accumulation control section 131 includes a learning data acquisition section, a learning data selection section, and a learning data integration section.
  • the learning data accumulation control unit 131 starts controlling the accumulation of learning data in response to an instruction from the Non-RT RIC 200.
  • the learning data accumulation control unit 131 acquires and collects RAN data that is inference data collected by the data collection unit 111, wireless analysis information generated by the data analysis unit 112, and wireless control information generated by the control content identification unit 113. Then, learning data is selected or extracted from the acquired data.
  • the learning data accumulation control unit 131 may collect and obtain all of the RAN data, radio analysis information, and radio control information, or may collect and obtain any of them or arbitrarily selected data. .
  • the wireless analysis information and the wireless control information are also inference result data inferred by the inference model.
  • the learning data to be selected is data used by the learning model of the Non-RT RIC 200 for learning, and may be instructed by the Non-RT RIC 200 or may be determined in advance. For example, learning data to be selected for each learning model or application may be determined.
  • the learning data accumulation control unit 131 may narrow down the learning data based on predetermined conditions. For example, if the RAN data includes location information of the UE, the learning data may be narrowed down based on the location information. For example, RAN data included in a specific area whose wireless quality and the like are desired to be acquired may be extracted. Furthermore, RAN data included in other areas may be extracted, excluding areas that have already been acquired.
  • all the collected and acquired RAN data, radio analysis information, and radio control information are accumulated, and when sending them to the Non-RT RIC200, the learning data to be sent is selected from the accumulated data. Good too.
  • the learning data accumulation control unit 131 accumulates the selected learning data in the learning database 132.
  • the learning data may be stored in a predetermined format, or the learning data may be stored in a format instructed by the Non-RT RIC 200.
  • the learning data accumulation control unit 131 may accumulate RAN data collected from multiple O-DUs 300 and multiple O-CUs 400. Further, a plurality of pieces of radio analysis information and a plurality of pieces of radio control information analyzed and controlled for a plurality of O-DUs 300 and a plurality of O-CUs 400 may be stored.
  • the learning data accumulation control unit 131 After the learning data accumulation control unit 131 starts accumulating the learning data, it ends the accumulation in a predetermined case. For example, when the timing instructed by the Non-RT RIC 200 or a predetermined timing, the instructed period or a predetermined period ends, or when the instructed or predetermined amount of data is accumulated, the learning data You may end the accumulation.
  • the learning data accumulation control unit 131 integrates the learning data accumulated in the learning database 132 into a file for transmission. Integration of learning data involves integrating RAN data of multiple O-DUs 300 and multiple O-CUs 400, RAN data of multiple O-DUs 300 and multiple O-CUs 400, multiple radio analysis information, and multiple radios. Including integrating control information.
  • the integrated file may be referred to as a learning data file or integrated data.
  • the learning data accumulation control unit 131 may process or format the data as necessary when integrating the learning data. For example, the learning data accumulation control unit 131 may reduce the amount of data by compressing the learning data. The data before integration may be compressed, or the data after integration may be compressed. For example, the learning data accumulation control unit 131 may reduce data by dimensionality reduction. Dimensionality reduction reduces multidimensional data to fewer dimensional information without affecting the learning of the learning model. For example, the feature amount of the learning data input to the learning model during learning is reduced within a range that does not reduce the accuracy of data analysis (wireless analysis) or control content identification (wireless control). Further, deduplication may be performed to eliminate duplicate data such as data in the same area, or data may be compressed using predetermined encoding. The method is not limited to compression, and the data after integration may be divided into multiple pieces of data. For example, multiple learning data files may be transmitted.
  • the learning data transmitting unit 133 transmits the learning data integrated by the learning data accumulation control unit 131, that is, the learning data file, to the Non-RT RIC 200 via the O1 communication unit 102 and the O1 interface.
  • the learning data transmitting section 133 and the O1 communication section 102 correspond to the transmitting section 12 in FIG.
  • the learning data transmitter 133 may control the transmission timing and transfer rate of the learning data file.
  • the learning data transmitter 133 may control the transmission timing and transfer rate according to instructions from the Non-RT RIC 200, or may control the transmission timing and transfer rate according to the communication status of the O1 interface.
  • the learning data file may be transmitted, and if there is no free space in the transmission band, the timing of transmitting the learning data file may be delayed. If the free transmission bandwidth is larger than a predetermined threshold, the training data file may be transmitted, or if the free transmission bandwidth is larger than the bandwidth required for the file size to be transmitted, the training data file may be transmitted. good. Further, the transfer rate may be controlled according to the available transmission band.
  • the free transmission band may be a band acquired by the O1 communication unit 102 by monitoring the communication traffic of the O1 interface, or may be a band predicted from the monitoring results.
  • the learning data transmitting unit 133 may control the transmission order of the learning data files.
  • the learning data may be transmitted in an order according to the priority of the learning data included in the learning data file.
  • the priority may be set depending on the order of data used for learning by the learning model, whether data is essential for learning the learning model or arbitrary data, or may be specified from the Non-RT RIC 200.
  • the transmission order of the learning data files may be determined based on the highest priority among the priorities of the learning data included in the learning data files.
  • the learning data may be integrated for each priority of the learning data, and the transmission order of the learning data files may be determined based on the priorities of the integrated learning data files.
  • the learning data files may be transmitted in an order according to the priority of the learning model (application). For example, the transmission order of the learning data files may be determined based on the importance of the application, the urgency of learning the learning model, and the like. Furthermore, if there is traffic to be transmitted via the O1 interface in addition to the learning data due to other applications, the transmission timing and transmission order may be adjusted between the traffics. For example, transmission scheduling may be performed by considering the desired delivery time among traffic for multiple purposes.
  • FIG. 11 shows a configuration example of the Non-RT RIC 200 according to this embodiment.
  • the Non-RT RIC 200 includes an O1 communication section 201, an A1 communication section 202, a system management section 211, a learning section 212, and a model storage section 220. Note that this configuration is an example, and other configurations may be used as long as the operation according to the present embodiment described later is possible. Further, the non-RT RIC 200 may include a configuration for realizing necessary functions.
  • the O1 communication unit 201 is a communication unit that communicates with the Near-RT RIC 100 via the O1 interface.
  • the O1 communication unit 201 transmits and receives various data including learning data and control messages to and from the Near-RT 100 according to a communication method defined as an O1 interface. Further, necessary data and control messages can be sent and received with the O-DU 300 and O-CU 400 via the O1 interface.
  • the A1 communication unit 202 is a communication unit that communicates with the Near-RT RIC 100 via the A1 interface.
  • the A1 communication unit 202 transmits and receives control messages including various data and control policies to and from the Near-RT RIC 100 according to a communication method defined as the A1 interface.
  • the system management unit 211 manages the settings and operations of the RAN system including the O-DU 300, O-CU 400, and Near-RT RIC 100.
  • the functions of the system management unit 211 may be realized by executing rApp for system management processing.
  • the system management unit 211 is a policy generation unit that generates a control policy.
  • the system management unit 211 may generate a control policy based on instructions input from an operator or an external device, or may obtain it from any or all of the O-DU 300, O-CU 400, Near-RT RIC 100.
  • a control policy may be generated based on the data.
  • the system management unit 211 notifies the generated control policy to the Near-RT RIC 100 via the A1 communication unit 202 and the A1 interface.
  • the model storage unit 220 stores a learning model 221 for constructing the inference model 121 of the Near-RT RIC 100.
  • the learning model 221 is the same model as the inference model 121, and is, for example, a model that performs learning so that time series data can be analyzed and predicted.
  • the model storage unit 220 like the Near-RT RIC 100, can store a plurality of learning models 221, for example, a learning model 221a for data analysis and a learning model 221b for specifying control content.
  • the learning unit 212 performs machine learning using the learning data, that is, the learning data file, received from the Near-RT RIC 100 via the O1 communication unit 201 and the O1 interface.
  • the learning unit 212 corresponds to the learning unit 22 in FIG. 2 .
  • the functions of the learning unit 212 may be realized by executing rApp for learning processing.
  • the learning unit 212 includes a receiving unit that receives the learning data file from the Near-RT RIC 100 via the O1 interface.
  • the O1 communication section 201 and the learning section 212 also correspond to the receiving section 21 in FIG. If the received learning data file is compressed or divided, the learning unit 212 performs decompression and merging processing as necessary.
  • the learning unit 212 performs machine learning such as deep learning to generate a trained learning model 221.
  • the learning unit 212 inputs the learning data file to the learning model 221a for data analysis in the model storage unit 220 and the learning model 221b for specifying control content in the model storage unit 220, and trains each model. Data processing necessary for inputting the received learning data fill to the learning models 221a and 221b may be performed.
  • the Near-RT RIC 100 it may include a learning section for data analysis and a learning section for specifying control contents.
  • the learning data of the received learning data file includes RAN data of either or both O-DU300 and O-CU400, and inference result data (wireless analysis information and wireless control information) of Near-RT RIC100.
  • the learning unit 212 stores the trained learning models 221a and 221b in the model storage unit 220, and further transmits the trained learning models 221a and 221b to the Near-RT RIC 100 to apply them to the inference models 121a and 121b.
  • FIG. 12 shows an overview of the learning process in the RAN system 1 according to the present embodiment.
  • a learning model is prepared and placed in the RAN system 1 (S101).
  • a learned model trained (learned) through simulation is generated, the generated model is stored as an inference model (xApp) in the model storage unit 120 of the Near-RT RIC100, and the same model is stored in the model storage unit 220 of the Non-RT RT 200 as a learning model (rApp).
  • a model equipped with a predetermined algorithm may be placed in the Near-RT RIC 100 as an inference model, and the same model may be placed in the Non-RT RIC 200 as a learning model.
  • the RAN system 1 performs initial learning upon system introduction (S102).
  • the Near-RT RIC100 inference model (xApp) is run or tested in a real environment to collect learning data.
  • the learning data is transferred from the Near-RT RIC 100 to the Non-RT RIC 200, and the learning model (rApp) is trained using the transferred learning data. For example, one hour's worth of learning data may be collected and used for training.
  • the trained learning model learned through the first learning is applied to the Near-RT RIC100 as an inference model.
  • the Non-RT RIC200 receives RAN data from either the O-DU 300 and the O-CU 400, or both, via the O1 interface. May be collected.
  • the RAN system 1 determines whether relearning is necessary (S103), and if relearning is necessary, performs the second and subsequent relearning (S104).
  • the Non-RT RIC200 can be used again when an instruction is input from an operator or an external device, when the on-site environment including the UE changes, at regular timing, when the accuracy of the inference model decreases, etc. It is determined that learning is necessary and relearning is performed.
  • a change in the environment may be detected from a change in wireless quality, or a signal indicating a change in the environment such as a layout change may be input.
  • the accuracy of the inference model may be determined from the inference results of the inference model, RAN data, and the like.
  • the Near-RT RIC 100 uses the previously trained and applied inference model (xApp), operates the inference model in the real environment, and collects training data during actual operation. Furthermore, the learning data is transferred from the Near-RT RIC 100 to the Non-RT RIC 200, and the learning model (rApp) is trained using the transferred learning data. For example, one hour's worth of learning data may be collected and used for training. The trained learning model learned through relearning is applied to the Near-RT RIC100 as an inference model. After that, relearning is repeatedly performed in S103 and S104.
  • xApp previously trained and applied inference model
  • FIG. 13 shows an example of the operation of the learning process in the RAN system 1 according to the present embodiment.
  • FIG. 13 is an example of the learning process in the relearning (S104) shown in FIG. 12, it may be applied to the learning process in the first learning (S102).
  • the Near-RT RIC 100 starts accumulating learning data (S201).
  • the learning unit 212 instructs the Near-RT RIC 100 to start learning.
  • the learning data accumulation control unit 131 starts accumulating learning data in the learning database 132 in response to instructions from the Non-RT RIC 200.
  • the Near-RT RCI 100 determines whether or not the accumulation of learning data has been completed (S202), and if the accumulation has been completed, it integrates the learning data (S203). For example, when the period instructed by the Non-RT RIC 200 ends, the learning data accumulation control unit 131 integrates the learning data accumulated in the learning database 132 into a learning data file.
  • the Near-RT RIC 100 transfers the learning data file to the Non-RT RIC 200 (S204).
  • the learning data transmitting unit 133 transfers the integrated learning data file to the Non-RT RIC 200 at a timing instructed by the Non-RT RIC 200 or when the O1 interface is free.
  • the Non-RT RIC 200 performs a learning process of the learning model using the received learning data file (S205).
  • the learning unit 212 trains the learning models 221a and 221b using the learning data included in the received learning data file.
  • the learning unit 212 stores the learned learning models 221a and 221b in the model storage unit 220.
  • the Non-RT RIC 200 applies the trained learning model to the Near-RT RIC 100 (S206).
  • the learning unit 212 transmits the trained learning models 221a and 221b stored in the model storage unit 220 to the Near-RT RIC 100.
  • the data analysis unit 112 and the control content identification unit 113 update the inference models 121a and 121b in the model storage unit 120 using the received learning models 221a and 221b.
  • the Near-RT RIC 100 performs data analysis and control using updated inference models 121a and 121b.
  • FIG. 14 shows a sequence diagram of learning processing in the RAN system 1 according to the present embodiment.
  • FIG. 14 shows the operation from storage to transfer of the learning data shown in FIG. 13 (S201 to S204).
  • the Near-RT RIC 100 collects RAN data from either or both of the O-DU 300 and O-CU 400 (S301).
  • the data collection unit 111 repeatedly collects RAN data from either or both of the O-DU 300 and O-CU 400 via the E2 interface.
  • the data collection unit 111 instructs one or both of the O-DU 300 and the O-CU 400 about the data to be collected and the frequency, and one or both of the O-DU 300 and the O-CU 400 according to the instructions.
  • Data may be transmitted, or either or both of O-DU 300 and O-CU 400 may transmit data according to predetermined data and cycles.
  • the data analysis unit 112 analyzes the collected RAN data to generate radio analysis information, and the control content identification unit 113 infers radio control information according to the radio analysis information.
  • the control content specifying unit 113 transmits wireless control information to either or both of the O-DU 300 and O-CU 400 via the E2 interface, and controls the operation of either or both of the O-DU 300 and O-CU 400. Control.
  • the processes in S302 to S307 are performed. That is, the Near-RT RIC 100 accumulates and transfers learning data while collecting inference data and performing control using an inference model.
  • the Non-RT RIC 200 transmits a learning instruction message to the Near-RT RIC 100 (S302).
  • the learning unit 212 transmits a learning instruction message to the Near-RT RIC 100 via the O1 interface in response to an instruction from an operator, a change in the environment, or the like.
  • the learning instruction message is a message instructing to start collecting (accumulating) learning data for learning the learning model.
  • the learning instruction message includes a target learning model and a learning data collection period.
  • the target learning model indicates identification information for identifying the learning model (learning engine) to be learned, and the learning data collection period indicates the time to start and end the collection of learning data (training data).
  • the learning instruction message may include information that identifies not only the target learning model but also the learning data to be collected.
  • the learning data collection period may specify the length of time for collecting learning data.
  • the learning instruction message may include not only the learning data collection period but also the period for collecting learning data.
  • the target learning model and the learning data collection period may be set in advance or may be set by the operator. For example, when a change in the environment is detected, the target learning model and the learning data collection period may be set according to the change in the environment.
  • a learning model of an application corresponding to a location where the wireless quality has changed may be determined as the target learning model.
  • the learning instruction message may be sent via the O1 interface or the A1 interface.
  • the learning data transmitting unit 133 receives the learning instruction message via the O1 or A1 interface, and the learning data accumulation control unit 131 acquires the received learning instruction message.
  • the learning data accumulation control unit 131 selects learning data necessary for learning the target learning model specified by the learning instruction message. For example, a learning model and learning data are associated and set in advance, and the learning data corresponding to the target learning model specified in the learning instruction message is specified. Further, when learning data to be collected is specified in the learning instruction message, the specified learning data is specified as data to be accumulated.
  • the learning data accumulation control unit 131 identifies the RAN data from any or all of the RAN data collected by the data collection unit 111, the wireless analysis information generated by the data analysis unit 112, and the wireless control information generated by the control content identification unit 113.
  • the learning data is selected (extracted) and the selected learning data is stored in the learning database 132.
  • Necessary data may be accumulated each time the data collection unit 111 collects RAN data, each time the data analysis unit 112 generates wireless analysis information, and each time the control content identification unit 113 generates wireless control information.
  • data may be accumulated according to the specified cycle.
  • the Near-RT RIC 100 may spontaneously start accumulating learning data without receiving the learning instruction message from the Non-RT RIC 200.
  • predetermined learning data may be accumulated during a predetermined period.
  • the Near-RT RIC 100 integrates the learning data (S304).
  • the learning data accumulation control unit 131 formats the learning data accumulated in the learning database 132 and integrates the data into one learning data file.
  • the format of the learning model and the training data file are associated and set in advance, and the training data is formatted and integrated into the training data file according to the format corresponding to the target learning model specified in the learning instruction message. You may.
  • the format may be specified in the learning instruction message, and the learning data may be integrated according to the specified format.
  • the integrated learning data file may be compressed as necessary. For example, a compression method such as dimension reduction may be specified in the learning instruction message, and compression may be performed using the specified compression method, or compression may be performed using a compression method that corresponds to the target learning model specified in the learning instruction message. .
  • the Near-RT RIC 100 sends a collection completion message to the Non-RT RIC 200 (S305).
  • the learning data transmitting unit 133 transmits a collection completion message to the Non-RT RIC 200 via the O1 interface.
  • the collection completion message is a message that notifies that the learning data has been collected, that is, the collection (accumulation) of the learning data has been completed.
  • the collection completion message may include the target learning model, similar to the learning instruction message. Note that the collection end message may be sent via the O1 interface or may be sent via the A1 interface.
  • the learning unit 212 receives the collection end message via the O1 or A1 interface.
  • the Non-RT RIC 200 transmits a transfer instruction message to the Near-RT RIC 100 (S306).
  • the learning unit 212 transmits a transfer instruction message to the Near-RT RIC 100 via the O1 interface.
  • the transfer instruction message is a message that instructs to transfer the collected learning data.
  • the transfer instruction message includes timing and bit rate.
  • the timing indicates the transmission timing of the learning data, and may be the transmission time or the like.
  • the bit rate indicates the transmission bit rate (bps) of the learning data.
  • the transfer instruction message may include the target learning model. Note that the transfer instruction message may be transmitted via the O1 interface or the A1 interface.
  • the learning data transmitter 133 receives the transfer instruction message via the O1 or A1 interface.
  • the Near-RT RIC 100 transmits the learning data file to the Non-RT RIC 200 (S307).
  • the learning data transmitter 133 transmits the integrated learning data file to the Non-RT RIC 200 at the bit rate specified in the transfer instruction message via the O1 interface.
  • the learning data file may be transmitted after the specified timing when the transmission band of the O1 interface is vacant.
  • the learning data file may be transmitted via the O1 interface or the A1 interface.
  • the Near-RT RIC 100 may spontaneously transmit the learning data file without receiving a transfer instruction from the Non-RT RIC 200.
  • the learning data file may be transmitted at a timing when the learning data file is generated after accumulation of the learning data, or at a predetermined timing.
  • the Near-RT RIC when the Near-RT RIC receives a learning instruction, for example, in parallel with the inference by the inference model including radio analysis and radio control, the Near-RT RIC performs the following:
  • the data required for learning is accumulated as logs.
  • the data accumulated in the Non-RT RIC is sent from the Near-RT RIC via the O1 interface, for example, by effectively utilizing the timing when the O1 interface is vacant, and the learning model is created in the Non-RT RIC. Learn about.
  • a communication load solely for the purpose of acquiring and collecting learning data is not generated, so that the communication load on either or both of the O-DU and O-CU can be reduced, and the necessary communication resources can be reduced.
  • the Non-RT RIC can collect learning data by effectively utilizing the timing when the O1 interface is vacant, the communication load on the O1 interface can be distributed, and the communication resources required for the O1 interface can be reduced.
  • Embodiment 2 Next, a second embodiment will be described. In this embodiment, an example will be described in which learning is performed using Near-RT RIC. Note that this embodiment can be implemented in combination with Embodiment 1, and may be implemented using the configuration of Embodiment 1 as appropriate.
  • FIG. 15 shows a configuration example of the Near-RT RIC 100 according to this embodiment.
  • the Near-RT RIC 100 according to the present embodiment includes a learning section 141 in addition to the configuration of the first embodiment.
  • the other configurations are the same as in the first embodiment.
  • the learning unit 141 performs learning using the inference data and applies the learned learning model to the inference model.
  • the functions of the learning unit 141 may be realized by executing xApp for learning processing. Similar to the learning unit 212 of the Non-RT RIC 200, the learning unit 141 uses any of the RAN data collected by the data collection unit 111, the radio analysis information analyzed by the data analysis unit 112, and the radio control information specified by the control content identification unit 113. or all of them to train a learning model.
  • the learning unit 141 may acquire necessary data from the data collection unit 111 , data analysis unit 112 , and control content identification unit 113 , or may acquire necessary data from the learning database 132 .
  • the learning unit 141 performs learning on some of the inference models 121 stored in the model storage unit 120. Learning may be performed for either the inference model 121a or the inference model 121b. For example, when learning can be limited to a specific cell, such as radio analysis such as time series analysis of SINR (Signal-to-Interference plus Noise power Ratio), learning can be done with relatively light processing. Therefore, the learning unit 141 of the Near-RT RIC 100 performs learning. For example, the learning unit 141 generates a learning model that has learned radio analysis based on the SINR of a specific cell, and updates the inference model 121a in the model storage unit 120 using the generated learned learning model.
  • SINR Signal-to-Interference plus Noise power Ratio
  • the learning may be performed in the Near-RT RIC, and the trained learning model may be applied to the inference model within the Near-RT RIC.
  • inference and learning can be performed within the Near-RT RIC, so learning can be performed at high speed, and the load on the O1 interface and the load on the Non-RT RIC can be reduced.
  • Embodiment 3 Next, Embodiment 3 will be described.
  • an example will be described in which the frequency of data collection and the time granularity of data to be transferred are adjusted in accordance with changes in data to be collected. Note that this embodiment can be implemented in combination with either Embodiment 1 or 2, and may be implemented using the configuration of either Embodiment 1 or 2 as appropriate.
  • FIG. 16 shows a configuration example of the Near-RT RIC 100 according to this embodiment.
  • the Near-RT RIC 100 according to the present embodiment includes a data change detection section 142 in addition to the configuration of the first embodiment.
  • the other configurations are the same as in the first embodiment.
  • the data change detection unit 142 detects changes in RAN data acquired from either or both of the O-DU 300 and O-CU 400. For example, the magnitude of change in radio quality data, the moving speed of the UE, etc. are detected from the UE's location information. Note that the function of the data change detection unit 142 may be included in the data analysis unit 112 or other xApp. For example, the data analysis unit 112 may output wireless analysis information including the detection results of data changes.
  • the data collection unit 111 adjusts the data collection frequency according to the detection result of the data change detection unit 142. For example, the data collection unit 111 adjusts the frequency of collection from either or both of the O-DU 300 and the O-CU 400, depending on the severity of time-series changes in radio quality data and the moving speed of the UE. As the changes in wireless quality data increase, the frequency of data collection increases, i.e., the data collection interval becomes shorter, and as the changes in wireless quality data decrease, the frequency of data collection decreases, i.e., the data collection interval decreases. The collection interval may be increased.
  • the data collection frequency increases, that is, the data collection interval becomes shorter, and as the UE's movement speed decreases, the data collection frequency decreases, that is, the data collection interval decreases.
  • the collection interval may be increased.
  • the learning data accumulation control unit 131 may also adjust the time granularity of data to be accumulated in the learning database 132, that is, the time granularity of data to be transferred as learning data, according to the detection result of the data change detection unit 142. good.
  • the learning data accumulation control unit 131 adjusts the time granularity of data to be accumulated and transferred depending on the severity of changes in the time series of radio quality data and the moving speed of the UE.
  • the time granularity of data can be made coarser by reducing the number of data per unit time. As the change in wireless quality data becomes smaller, the time granularity of the data may be made coarser, that is, the interval between time-series data may be made longer. As the movement speed of the UE becomes slower, the time granularity of data may be made coarser, that is, the interval between time-series data may be made longer.
  • the frequency of data collection and the time granularity of data to be transferred may be adjusted depending on changes in the data to be collected.
  • the data collection frequency it is possible to reduce the load on one or both of the O-DU and O-CU and the load on the E2 interface.
  • the time granularity of data to be transferred the load on the O1 interface can be further reduced.
  • Embodiment 4 Next, Embodiment 4 will be described. In this embodiment, an example will be described in which data to be stored and transferred is selected according to changes in the environment. Note that this embodiment can be implemented in combination with any of Embodiments 1 to 3, and may be implemented using any of the configurations of Embodiments 1 to 3 as appropriate.
  • FIG. 17 shows a configuration example of the Near-RT RIC 100 according to this embodiment.
  • the Near-RT RIC 100 according to the present embodiment includes an environmental change detection section 143 in addition to the configuration of the first embodiment.
  • the other configurations are the same as in the first embodiment.
  • the environmental change detection unit 143 detects a change in the environment based on RAN data acquired from either or both of the O-DU 300 and O-CU 400.
  • the change in environment is a change in the radio environment of the UE. For example, there is a change in the wireless environment that is a factor that makes it necessary to learn the learning model, or a change in the wireless environment that occurs due to a layout change.
  • the environment change detection unit 143 detects a change in wireless quality, and determines that the wireless environment is changing if the wireless quality has changed more than a predetermined value. Alternatively, a location where the wireless quality is significantly changing may be identified.
  • the function of the environmental change detection unit 143 may be included in the data analysis unit 112 or other xApp.
  • the data analysis unit 112 may output wireless analysis information including the detection results of changes in the environment.
  • the learning data accumulation control unit 131 selects data necessary for learning, that is, data to be accumulated, according to the environmental change detected by the environmental change detection unit 143. For example, in a place where the wireless quality has changed significantly, there is a high possibility that the wireless environment has changed due to a change in the placement of shielding objects or a change in the layout, which is the reason why the learning model needs to be trained. For this reason, the learning data is narrowed down to data from locations (areas) where the wireless quality changes significantly.
  • the learning data accumulation control unit 131 narrows down the data of the specified location from the collected RAN data and accumulates the narrowed down learning data in the learning database 132, thereby reducing unnecessary data.
  • the data to be accumulated may be selected according to changes in the environment. This allows the amount of learning data to be reduced, thereby further reducing the load on the O1 interface.
  • Embodiment 5 Next, Embodiment 5 will be described. In this embodiment, an example of acquiring data from an external application server will be described. Note that this embodiment can be implemented in combination with any of Embodiments 1 to 4, and may be implemented using any of the configurations of Embodiments 1 to 4 as appropriate.
  • FIG. 18 shows a configuration example of the RAN system 1 according to this embodiment.
  • the RAN system 1 according to the present embodiment includes an external application server 500 in addition to the configuration of the first embodiment.
  • the other configurations are, for example, the same as in the first embodiment.
  • the Near-RT RIC 100 and the external application server 500 are communicably connected via an arbitrary interface.
  • a common application server may be connected by an interface for providing data. Note that the Non-RT RIC 200 and the external application server 500 may be communicably connected.
  • the external application server 500 is a server external to the RAN including at least the O-DU 300 and the O-CU 400. It can also be said that the external application server 500 is a server external to the system including the O-DU 300, O-CU 400, Non-RT RIC 200, and Near-RT RIC 100. Further, the external application server 500 is a data providing device that provides application data.
  • the external application server 500 may be a web server, an SNS (Social Networking Service) server, or a management server for an automated guided vehicle (AGV) system or an autonomous mobile robot (AMR) system.
  • AMR autonomous mobile robot
  • the external application server 500 may be a management server for an automobile platooning system or an automatic driving system, a management server for an automatic construction construction system, or a server that executes an application that provides a predetermined service in cooperation with the RAN.
  • the external application server 500 only needs to be able to provide application data to the Near-RT RIC 100, and may be a server on the Internet, for example.
  • the external application server 500 may be a physical server or a virtual server on the cloud.
  • Application data is data related to applications generated by the external application server 500, and is external data that cannot be collected within the RAN.
  • the application data may include information regarding the status of the application or information regarding the communication requirements of the application.
  • the information regarding the status of the application includes, for example, the position, movement speed, movement trajectory, etc. of each UE.
  • the information regarding the communication requirements of the application is, for example, communication quality requirements for each UE.
  • the application data may also include various other data that can be used for inference of the inference model of the Near-RT RIC 100. For example, it may include weather information, traffic information, map information, etc.
  • the Near-RT RIC 100 collects application data from the external application server 500 and uses it for inference. That is, in the Near-RT RIC 100, the inference model performs inference using RAN data collected from either or both of the O-DU 300 and O-CU 400 and application data collected from the external application server 500 as inference data. Either or both of the O-DU 300 and O-CU 400 are controlled.
  • the Near-RT RIC 100 accumulates application data used for inference and transfers it to the Non-RT RIC 200 as learning data. That is, data selected from RAN data and application data, which are inference data, and radio analysis information and radio control information, which are inference result data, is accumulated in the learning database 132 as learning data, and the accumulated learning data is -RT Transfer to RIC200.
  • the Near-RT RIC 100 acquires the transferred learning data, and uses, for example, the RAN data, application data, wireless analysis information, and wireless control information included in the learning data to perform learning of a learning model.
  • the Near-RT RIC may obtain application data from an external application server and use it for inference along with RAN data from the E2 node. This makes it possible to control wireless networks suitable for various situations and applications. Further, the application data used for inference in the Near-RT RIC is transferred to the Non-RT RIC as learning data together with RAN data, etc. Thereby, learning data in which RAN data etc. and application data are matched can be created and transmitted to the Non-RT RIC 200. In addition, since there is no need to collect application data redundantly as inference data and learning data, it is possible to use an external application server or an external application server with O-DU300, O-CU400, Non-RT RIC200, Near-RT RIC100. It is possible to reduce the communication load on the communication line between the system and the system.
  • Each configuration in the embodiments described above is configured by hardware, software, or both, and may be configured from one piece of hardware or software, or from multiple pieces of hardware or software.
  • Each device and each function (processing) including the Non-RT RIC and Near-RT RIC is connected to a network interface 51, a processor 52 such as a CPU (Central Processing Unit), and a memory 53 as a storage device, as shown in FIG. It may be realized by the computer 50 that has.
  • Network interface 51 may include a network interface card (NIC) for communicating with devices including network nodes.
  • NIC network interface card
  • a program for performing the method (control method) in the embodiment may be stored in the memory 53, and each function may be realized by executing the program stored in the memory 53 with the processor 52.
  • These programs include instructions (or software code) that, when loaded into a computer, cause the computer to perform one or more of the functions described in the embodiments.
  • the program may be stored on a non-transitory computer readable medium or a tangible storage medium.
  • computer readable or tangible storage media may include random-access memory (RAM), read-only memory (ROM), flash memory, solid-state drive (SSD) or other memory technology, CD - Including ROM, digital versatile disc (DVD), Blu-ray disc or other optical disc storage, magnetic cassette, magnetic tape, magnetic disc storage or other magnetic storage device.
  • the program may be transmitted on a transitory computer-readable medium or a communication medium.
  • transitory computer-readable or communication media includes electrical, optical, acoustic, or other forms of propagating signals.
  • the specific model is constructed by the learning model that has undergone the learning, The control system described in Appendix 1.
  • the learning data includes specific result data that is a result of the specific model specifying using the specific data. The control system according to appendix 1 or 2.
  • (Additional note 4) comprising a selection means for selecting learning data to be used for learning by the learning model from the collected identification data; The transmitting means transmits the selected learning data.
  • the control system according to any one of Supplementary Notes 1 to 3.
  • the sorting means sorts the learning data based on the position of the user terminal corresponding to the identification data.
  • the selection means selects the learning data based on a change in the environment corresponding to the identification data.
  • (Appendix 7) comprising an accumulation means for accumulating learning data for said transmission;
  • the transmitting means transmits integrated data that integrates the accumulated learning data.
  • the control system according to any one of Supplementary Notes 1 to 6.
  • the storage means stores learning data including identification data collected from a plurality of nodes included in the wireless network.
  • the control system described in Appendix 7. The transmitting means transmits the learning data according to a communication status between the control system and the other control system.
  • the control system according to any one of Supplementary Notes 1 to 8. (Appendix 10) The transmitting means transmits the learning data in response to other traffic transmitted from the control system to the other control system.
  • the control system according to any one of Supplementary Notes 1 to 9. (Appendix 11) When transmitting a plurality of the learning data, the transmitting means transmits the learning data according to the priority of each learning data.
  • the transmitting means transmits compressed data obtained by dimensionally compressing the learning data.
  • the collection means adjusts the frequency of collecting the identification data according to changes in the collected identification data.
  • the transmitting means adjusts the time granularity of the learning data to be transmitted according to changes in the collected identification data.
  • the control system according to any one of Supplementary Notes 1 to 13. (Appendix 15) comprising a learning means for generating a learned learning model using the identification data and updating the specific model with the generated learning model;
  • the control system and the other control system include a RIC (RAN Intelligent Controller) that controls a RAN (Radio Access Network).
  • the control system according to any one of Supplementary Notes 1 to 15.
  • the control system includes a Near-RT (Real Time) RIC,
  • the other control system includes a Non-RT RIC, Control system according to appendix 16.
  • the learning means applies the learned model that has undergone the learning to the specific model. Control system according to appendix 18.
  • a control device comprising: (Additional note 21) Receiving means for receiving identification data collected by another control system in order to specify control regarding the wireless network using a specific model from the other control system as learning data; Learning means for learning control regarding the wireless network using a learning model using the learning data;
  • a control device comprising: (Additional note 22) A specific model for specifying control regarding a wireless network collects identification data used for said identification, transmitting the identification data to another control system that performs learning using the learning model as learning data used in a learning model that learns control regarding the wireless network; Control method.
  • a specific model for specifying control regarding a wireless network collects identification data used for said identification, transmitting the identification data to another control system that performs learning using the learning model as learning data used in a learning model that learns control regarding the wireless network;
  • a non-transitory computer-readable medium that stores a control program for causing a computer to perform processing.
  • RAN system 10 First control system 11 Collection section 12 Transmission section 20 Second control system 21 Receiving section 22 Learning section 30 First control device 40 Second control device 50 Computer 51 Network interface 52 Processor 53 Memory 100 Near -RT RIC 101 E2 communication unit 102 O1 communication unit 103 A1 communication unit 111 Data collection unit 112 Data analysis unit 113 Control content identification unit 120 Model storage unit 121, 121a, 121b Inference model 131 Learning data accumulation control unit 132 Learning database 133 Learning data transmission unit 141 Learning section 142 Data change detection section 143 Environmental change detection section 200 Non-RT RIC 201 O1 communication section 202 A1 communication section 211 System management section 212 Learning section 220 Model storage section 221, 221a, 221b Learning model 300 O-DU 400 O-CU 500 External application server

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

第１の制御システム（１０）は、無線アクセスネットワークなどの無線ネットワークに関する制御を特定する特定モデルが、特定に使用する特定用データを収集する収集部（１１）と、収集部（１１）が収集した特定用データを、無線アクセスネットワークなどの無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、学習モデルにより学習を行う第２の制御システム（２０）に送信する送信部（１２）と、を備える。

Description

制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体
　本開示は、制御システム、制御装置、制御方法、制御プログラム、及び非一時的なコンピュータ可読媒体に関する。
　近年、大容量、低遅延、及び多接続性を実現するための無線通信技術として、５Ｇ（5th Generation）の導入が進められている。５Ｇを含む次世代の無線通信システムでは、高度化及び複雑化するシステムに対応するため、ＲＡＮ（Radio Access Network；無線アクセスネットワーク）のオープン化が進められており、Ｏ－ＲＡＮ（Open Radio Access Network）　Ａｌｌｉａｎｃｅでは、ＲＡＮのオープン化とともにインテリジェント化が議論されている。
　関連する特許文献１や非特許文献１には、ＡＩ／ＭＬ（Artificial Intelligence / Machine Learning）を活用してＲＡＮをインテリジェントに制御するＲＩＣ（RAN Intelligent Controller）として、Ｎｏｎ－ＲＴ（Real Time） ＲＩＣ及びＮｅａｒ－ＲＴ ＲＩＣが提供されることが記載されている。Ｎｅａｒ－ＲＴ　ＲＩＣは、Ｏ－ＤＵ（O-RAN Distributed Unit）やＯ－ＣＵ（O-RAN Central Unit）を含むＥ２ノードの近くに配置され、ＲＡＮを準リアルタイムに制御する。Ｎｏｎ－ＲＴ　ＲＩＣは、Ｅ２ノードから離れた場所に配置され、ＲＡＮを非リアルタイムに制御する。
国際公開第２０２２／０７０３６３号
O-RAN ALLIANCE, O-RAN Working Group 2,"AI/ML workflow description and requirements", Technical Report, O-RAN.WG2.AIML-v01.03, 2021.07.20
　特許文献１や非特許文献１によると、ＲＡＮの制御を推論する推論モデル及び推論モデルを構築するために学習を行う学習モデルを、Ｎｅａｒ－ＲＴ　ＲＩＣとＮｏｎ－ＲＴ　ＲＩＣのいずれかに配置したり、分散配置することが可能である。これにより、推論モデルによる制御を実行しつつ、運用中のデータを使用して学習モデルによる学習を行うことができる。しかしながら、学習モデルによる学習を行うために学習用のデータを収集する必要があるため、データを伝送する伝送路や装置等に負荷がかかる場合がある。
　本開示は、このような課題に鑑み、負荷を抑えることが可能な制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体を提供することを目的の１つとする。
　本開示に係る制御システムは、無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集する収集手段と、前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する送信手段と、を備えるものである。
　本開示に係る制御システムは、他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信する受信手段と、前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する学習手段と、を備えるものである。
　本開示に係る制御装置は、無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集する収集手段と、前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する送信手段と、を備えるものである。
　本開示に係る制御装置は、他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信する受信手段と、前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する学習手段と、を備えるものである。
　本開示に係る制御方法は、無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集し、前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信するものである。
　本開示に係る制御方法は、他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信し、前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習するものである。
　本開示に係る非一時的なコンピュータ可読媒体は、無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集し、前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する、処理をコンピュータに実行させるための制御プログラムが格納された非一時的なコンピュータ可読媒体である。
　本開示に係る非一時的なコンピュータ可読媒体は、他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信し、前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する、処理をコンピュータに実行させるための制御プログラムが格納された非一時的なコンピュータ可読媒体である。
　本開示によれば、負荷を抑えることが可能な制御システム、制御装置、制御方法、制御プログラム、及び非一時的なコンピュータ可読媒体を提供することができる。
実施の形態に係る第１の制御システムの概要を示す構成図である。 実施の形態に係る第２の制御システムの概要を示す構成図である。 実施の形態に係る第１の制御装置の概要を示す構成図である。 実施の形態に係る第２の制御装置の概要を示す構成図である。 実施の形態に係る第１の制御方法の概要を示すフローチャートである。 実施の形態に係る第２の制御方法の概要を示すフローチャートである。 実施の形態１に係るＲＡＮシステムの構成例を示す構成図である。 比較例におけるデータの流れを説明するための図である。 実施の形態１におけるデータの流れを説明するための図である。 実施の形態１に係るＮｅａｒ－ＲＴ　ＲＩＣの構成例を示す構成図である。 実施の形態１に係るＮｏｎ－ＲＴ　ＲＩＣの構成例を示す構成図である。 実施の形態１に係るＲＡＮシステムにおける学習処理の概要を示すフローチャートである。 実施の形態１に係るＲＡＮシステムにおける学習処理の動作例を示すフローチャートである。 実施の形態１に係るＲＡＮシステムにおける学習処理の動作例を示すシーケンス図である。 実施の形態２に係るＮｅａｒ－ＲＴ　ＲＩＣの構成例を示す構成図である。 実施の形態３に係るＮｅａｒ－ＲＴ　ＲＩＣの構成例を示す構成図である。 実施の形態４に係るＮｅａｒ－ＲＴ　ＲＩＣの構成例を示す構成図である。 実施の形態５に係るＲＡＮシステムの構成例を示す構成図である。 実施の形態に係るコンピュータのハードウェアの概要を示す構成図である。
　以下、図面を参照して実施の形態について説明する。各図面においては、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略される。
　例えば、Ｎｅａｒ－ＲＴ　ＲＩＣに推論モデルを配置し、Ｎｏｎ－ＲＴ　ＲＩＣに学習モデルを配置した場合、推論用にＮｅａｒ－ＲＴ　ＲＩＣがＥ２ノードから必要なデータを収集し、学習用にＮｏｎ－ＲＴ　ＲＩＣがＥ２ノードから必要なデータを収集する方法が考えられる。本開示に係る発明者は、このような収集方法を検討し、Ｅ２ノードやデータを伝送する伝送路に負荷がかかる可能性があるという課題を見出した。そこで、実施の形態では、Ｅ２ノードやデータを伝送する伝送路の負荷を低減することを可能とする。
（実施の形態の概要）
　まず、実施の形態の概要について説明する。図１は、実施の形態に係る第１の制御システム１０の概要構成を示し、図２は、実施の形態に係る第２の制御システム２０の概要構成を示している。例えば、第１の制御システム１０と第２の制御システム２０は、ＲＡＮなどの無線ネットワークを制御するシステムを構成する。例えば、第１の制御システム１０は、Ｎｅａｒ－ＲＴ　ＲＩＣを含み、第２の制御システム２０は、Ｎｏｎ－ＲＴ　ＲＩＣを含むが、これらに限定されない。
　図１に示すように、第１の制御システム１０は、収集部１１、送信部１２を備える。収集部１１は、無線ネットワークに関する制御を特定する特定モデルが、特定に使用する特定用データを収集する。収集部１１は、Ｏ－ＤＵやＯ－ＣＵを含むＲＡＮから特定用データを収集する。無線ネットワークに関する制御は、例えば、ＲＡＮの動作の制御であり、Ｏ－ＤＵやＯ－ＣＵを設定することで可能な、無線リソース割当スケジューラやビーム、ハンドオーバなどの制御である。特定モデルは、無線ネットワークに関する制御を推論する推論モデルであり、特定用データは推論に使用する推論用データであるとも言える。例えば、特定モデルは、ＲＡＮから収集する無線品質などのデータに応じて、ＲＡＮの制御を特定する。特定モデルは、例えば、第１の制御システム１０に含まれるが、第１の制御システム１０の外部に配置されてもよい。
　送信部１２は、収集部１１が収集した特定用データを、無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、学習モデルにより学習を行う第２の制御システム２０に送信する。例えば、学習モデルは、特定モデルを構築するためのモデルである。送信部１２が送信する学習用データは、特定モデルが特定した結果である特定結果データを含んでいてもよい。特定結果データは、例えば、特定用データを分析した分析情報やＲＡＮを制御する制御情報などである。また、送信部１２は、第１の制御システム１０と第２の制御システム２０との間の通信状況に応じて、学習用データを送信してもよい。例えば、送信部１２は、第２の制御システム２０と接続するインタフェースの空き状況に応じて、学習用データを送信してもよい。
　図２に示すように、第２の制御システム２０は、受信部２１、学習部２２を備える。受信部２１は、第１の制御システム１０の送信部１２から送信された学習用データを受信する。すなわち、第１の制御システム１０が特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして受信する。
　学習部２２は、受信部２１が受信した学習用データを使用して、学習モデルにより無線ネットワークに関する制御を学習する。すなわち、無線品質などのデータに応じたＲＡＮの制御を学習する。学習モデルは、例えば、第２の制御システム２０に含まれるが、第２の制御システム２０の外部に配置されてもよい。学習部２２は、学習用データにより学習を行った学習済みの学習モデルを、第１の制御システム１０の特定モデルに適用する。
　なお、第１の制御システム１０、第２の制御システム２０は、それぞれ、１つの装置により構成されてもよいし、複数の装置により構成されてもよい。図３は、実施の形態に係る第１の制御装置３０の構成例を示し、図４は、実施の形態に係る第２の制御装置４０の構成例を示している。図３に示すように、第１の制御装置３０は、図１に示した、収集部１１、送信部１２を備えてもよい。この例に限らず、収集部１１と送信部１２を別の装置に実装してもよい。図４に示すように、第２の制御装置４０は、図２に示した、受信部２１、学習部２２を備えてもよい。この例に限らず、受信部２１、学習部２２を別の装置に実装してもよい。第１の制御システム１０及び第２の制御システム２０と同様、例えば、第１の制御装置３０は、Ｎｅａｒ－ＲＴ　ＲＩＣでもよいし、第２の制御装置４０は、Ｎｏｎ－ＲＴ　ＲＩＣでもよい。
　また、第１の制御システム１０、第２の制御システム２０の一部または全部を、仮想化技術等を用いて、エッジやクラウドに配置してもよい。特定の場所に配置してもよいし、複数の場所に分散配置してもよい。エッジは、Ｏ－ＤＵやＯ－ＣＵを含む基地局側の場所または基盤である。クラウドは、基地局から離れたコアネットワーク側の場所または基盤である。例えば、エッジに収集部１１、送信部１２を配置し、クラウドに受信部２１、学習部２２を配置してもよい。また、収集部１１、送信部１２、受信部２１、学習部２２をそれぞれ分散して配置してもよい。
　図５は、実施の形態に係る第１の制御方法を示し、図６は、実施の形態に係る第２の制御方法を示している。例えば、第１の制御方法は、図１の第１の制御システム１０や図３の第１の制御装置３０により実行される。第２の制御方法は、図２の第２の制御システム２０や図４の第２の制御装置４０により実行される。
　図５に示すように、収集部１１は、無線ネットワークに関する制御を特定する特定モデルが、特定に使用する特定用データを収集する（Ｓ１１）。次に、送信部１２は、収集した特定用データを、無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、学習モデルにより学習を行う第２の制御システム２０に送信する（Ｓ１２）。
　次に、図６に示すように、受信部２１は、第１の制御システム１０の送信部１２から送信された学習用データ、すなわち、特定モデルが使用する特定用データとして収集されたデータである学習用データを受信する（Ｓ２１）。次に、学習部２２は、受信した学習用データを使用して、学習モデルにより無線ネットワークに関する制御を学習する（Ｓ２２）。さらに、学習部２２は、学習済みの学習モデルを第１の制御システム１０の特定モデルに適用する。
　このように、実施の形態では、Ｎｅａｒ－ＲＴ　ＲＩＣなどの第１の制御システムが、特定モデルのために収集した特定用データを、学習モデルに使用する学習用データとして、Ｎｏｎ－ＲＴ　ＲＩＣなどの第２の制御システムへ送信する。また、第２の制御システムでは、第１の制御システムから受信する学習用データにより学習を行う。これにより、第１の制御システムが無線ネットワークから収集したデータを、第２の制御システムへ転送し、転送されたデータにより第２の制御システムが学習モデルの学習を行うことができるため、無線ネットワークのデータを提供するノードや、データを伝送する伝送路の負荷を抑えることができる。
（実施の形態１）
　次に、実施の形態１について説明する。本実施の形態では、Ｎｅａｒ－ＲＴ　ＲＩＣが推論で使用したデータを学習用データとして、Ｎｏｎ－ＲＴ　ＲＩＣへ転送する例について説明する。
　図７は、本実施の形態に係るＲＡＮシステム１の構成例を示している。図７に示すように、ＲＡＮシステム１は、Ｎｅａｒ－ＲＴ　ＲＩＣ１００、Ｎｏｎ－ＲＴ　ＲＩＣ２００、Ｏ－ＤＵ３００、Ｏ－ＣＵ４００を備えている。
　Ｎｏｎ－ＲＴ　ＲＩＣ２００とＮｅａｒ－ＲＴ　ＲＩＣ１００との間、Ｎｏｎ－ＲＴ　ＲＩＣ２００とＯ－ＤＵ３００及びＯ－ＣＵ４００を含むＥ２ノードとの間は、Ｏ１インタフェースを介して通信可能に接続される。Ｏ１インタフェースは、主に運用及び管理用に必要なデータやメッセージを送受信するためのインタフェースである。なお、インタフェースとは、データやメッセージを送受信するための通信プロトコルにより規定された接続インタフェースであり、論理的な伝送路やネットワーク、物理的な伝送路やネットワークを含む。
　Ｎｏｎ－ＲＴ　ＲＩＣ２００とＮｅａｒ－ＲＴ　ＲＩＣ１００との間は、Ａ１インタフェースを介して通信可能に接続される。Ｎｅａｒ－ＲＴ　ＲＩＣ１００とＯ－ＤＵ３００及びＯ－ＣＵ４００を含むＥ２ノードとの間は、Ｅ２インタフェースを介して接続される。Ａ１インタフェース及びＥ２インタフェースは、主に制御用に必要なデータやメッセージを送受信するためのインタフェースである。Ｏ－ＤＵ３００とＯ－ＣＵ４００との間は、Ｆ１インタフェースを介して通信可能に接続される。
　Ｏ－ＤＵ３００及びＯ－ＣＵ４００は、ＲＡＮを構成するノートであり、Ｅ２ノードとも称される。ＲＡＮは、ＵＥ（User Equipment）がアクセスする無線ネットワークであり、５ＧＣ（5G Core network）やＥＰＣ（Evolved Packet Core）などのコアネットワークに接続される。ＲＡＮは、アンテナを構成するＯ－ＲＵ（O-RAN Remote Unit）を含んでもよい。ＵＥは、ＲＡＮに接続して無線通信を行う端末装置であり、携帯電話、スマートフォン、タブレット端末、ＩｏＴ（Internet of Things）端末等でもよい。ＵＥは、端末の機能を実装したロボット、ドローン、自動運転車などのアプリケーション装置でもよい。
　Ｏ－ＤＵ３００及びＯ－ＣＵ４００は、基地局機能を提供する。基地局は、例えば、ｇＮＢ（next Generation Node B）やｅＮＢ（evolved Node B）であるが、これらに限定されない。なお、Ｏ－ＤＵ３００及びＯ－ＣＵ４００は、基地局機能を提供するノードの一例であり、その他のネットワークノードでもよい。
　Ｏ－ＤＵ３００は、基地局の無線信号制御機能やレイヤ２制御機能を提供する論理ノードである。Ｏ－ＤＵ３００は、Ｏ－ＲＵを収容し、収容するＯ－ＲＵにおけるアンテナの無線信号（ビーム）の制御や、Ｏ－ＲＵとＯ－ＣＵ４００の間で必要なＭＡＣ（Media Access Control）やＲＬＣ（Radio Link Control）などのプロトコル処理を行う。
　Ｏ－ＣＵ４００は、基地局の無線リソース制御機能やレイヤ２より上位のデータ処理機能を提供する論理ノードである。Ｏ－ＣＵ４００は、Ｏ－ＤＵ３００を収容し、収容するＯ－ＤＵ３００を介したデータ送受信、ＱｏＳ（Quality of Service）制御、セル／ＵＥ管理、ハンドオーバ制御、Ｏ－ＤＵ３００とコアネットワークの間で必要なＰＤＣＰ（Packet Data Convergence Protocol）、ＳＤＡＰ（Service Data Adaptation Protocol）、ＲＲＣ（Radio Resource Control）などのプロトコル処理を行う。
　ＲＡＮシステム１は、Ｅ２ノードとして、１以上の任意の数のＯ－ＤＵ３００及びＯ－ＣＵ４００を備えてもよい。すなわち、複数の基地局を含んでもよい。Ｏ－ＤＵ３００及びＯ－ＣＵ４００は必ずしも同数である必要はない。Ｏ－ＤＵ３００及びＯ－ＣＵ４００は、異なる場所に配置されてもよいし、同じ場所に配置されてもよい。また、Ｏ－ＤＵ３００及びＯ－ＣＵ４００は、エッジの仮想化基盤上で動作する異なる仮想マシン、または同じ仮想マシンにより実装されてもよい。Ｏ－ＤＵ３００及びＯ－ＣＵ４００は、ｖＤＵ（virtualized Distributed Unit）及びｖＣＵ（virtualized Central Unit）でもよく、仮想基地局を構成してもよい。なお、Ｏ－ＤＵ３００及びＯ－ＣＵ４００は、物理的なＤＵ及びＣＵでもよい。また、Ｅ２ノードは、Ｏ－ＤＵ３００及びＯ－ＣＵ４００の機能を含む基地局装置でもよい。
　Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、準リアルタイムにＲＡＮを制御及び最適化する論理機能である。Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、例えば１０ｍｓ以上１ｓ未満の短い制御周期でＲＡＮを制御する。Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｅ２インタフェースを介して、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方を含むＥ２ノードからＲＡＮデータを収集及び分析し、ＲＡＮデータに応じてＥ２ノードを制御する。例えば、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ａ１インタフェースを介して、Ｎｏｎ－ＲＴ　ＲＩＣ２００から取得する制御ポリシーにしたがって、ＲＡＮデータに応じた制御を行う。制御ポリシーは、ＲＡＮの制御に関するポリシーであり、例えば、Ａ１ポリシーである。Ａ１ポリシーは、Ａ１インタフェースで定義されたＲＡＮ最適化のためのガイダンスである。ＲＡＮデータは、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方から収集されるデータである。ＲＡＮデータは、ＲＡＮの無線に関する無線関連データであり、ＵＥごとの無線品質データや位置情報を含み、基地局（セル）ごとのアクティブＵＥ数を含んでもよい。例えば、Ｏ－ＤＵ３００から無線品質データを取得してもよいし、Ｏ－ＣＵ４００からハンドオーバに関する情報を取得してもよい。Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方と同じ場所、または、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方に近い場所に配置される。例えば、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方と同じエッジの仮想マシンに実装されてもよい。
　Ｎｅａｒ－ＲＴ　ＲＩＣ１００のいくつかの機能は、ｘＡｐｐ（Near-RT RIC Application）により実現される。ｘＡｐｐは、ＲＡＮデータの分析やＲＡＮの制御などを行うアプリケーションを含む。例えば、ｘＡｐｐは、学習済みのモデルである推論モデル（推論エンジンとも呼ばれる）を含み、推論モデルによりＲＡＮデータを含む推論用データの分析やＲＡＮの制御を行う。Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、必要に応じて、複数のｘＡｐｐを含んでもよい。
　Ｎｏｎ－ＲＴ　ＲＩＣ２００は、非リアルタイムにＲＡＮを制御及び最適化する論理機能である。Ｎｏｎ－ＲＴ　ＲＩＣ２００は、例えば１ｓ以上の長い制御周期でＲＡＮを制御する。Ｎｏｎ－ＲＴ　ＲＩＣ２００は、制御ポリシーの管理や、Ｏ－ＤＵ３００及びＯ－ＣＵ４００を含むＥ２ノードやＮｅａｒ－ＲＴ　ＲＩＣ１００の動作の管理、学習モデルの学習（訓練）及び推論モデルの更新などを行う。例えば、Ｎｏｎ－ＲＴ　ＲＩＣ２００は、制御ポリシーを生成し、生成した制御ポリシーを、Ａ１インタフェースを介して、Ｎｅａｒ－ＲＴ　ＲＩＣ１００に通知する。また、Ｎｏｎ－ＲＴ　ＲＩＣ２００は、Ｏ１インタフェースを介して、Ｅ２ノードやＮｅａｒ－ＲＴ　ＲＩＣ１００から取得するデータをもとに、Ｅ２ノードの構成情報（Ｃｏｎｆｉｇｕｒａｔｉｏｎ）を管理及び設定する。Ｎｏｎ－ＲＴ　ＲＩＣ２００は、ＲＡＮの管理及びオーケストレーションを行うＳＭＯ（Service Management and Orchestration）に配置される。ＳＭＯは、Ｏ－ＤＵ３００、Ｏ－ＣＵ４００、Ｎｅａｒ－ＲＴ　ＲＩＣ１００から離れた場所、例えば、クラウド上に配置される。なお、Ｎｏｎ－ＲＴ　ＲＩＣ２００は、ＳＭＯの機能を含んでもよい。
　Ｎｏｎ－ＲＴ　ＲＩＣ２００のいくつかの機能は、ｒＡｐｐ（Non-RT RIC Application）により実現される。ｒＡｐｐは、制御ポリシーの生成やＮｅａｒ－ＲＴ　ＲＩＣ１００の推論モデルの管理などを行うアプリケーションを含む。例えば、ｒＡｐｐは、学習モデル（学習エンジンとも呼ばれる）を含み、Ｏ１インタフェースを介して、Ｅ２ノードやＮｅａｒ－ＲＴ　ＲＩＣ１００から取得する学習用データを使用してＲＡＮの制御を学習した学習モデルを生成し、生成した学習済みの学習モデルをＮｅａｒ－ＲＴ　ＲＩＣ１００のｘＡｐｐに適用する。なお、学習済みの学習モデルを推論モデルに適用することをデプロイするとも称する。デプロイとは、モデルをアプリケーションの実行環境に配置及び展開し、モデルを実行可能な状態にすることである。Ｎｏｎ－ＲＴ　ＲＩＣ２００は、必要に応じて、複数のｒＡｐｐを含んでもよい。
　図８は、比較例における推論用及び学習用のデータの流れを示し、図９は、本実施の形態における推論用及び学習用のデータの流れを示している。なお、図８及び図９に示される矢線は、データ収集の方向を説明の便宜を鑑み表しており、係るデータ収集に伴うデータ送受信を限定する意図は無い。
　図８に示すように、比較例では、Ｎｏｎ－ＲＴ　ＲＩＣ２００の学習モデル（ｒＡｐｐ）が学習を行う場合、Ｎｏｎ－ＲＴ　ＲＩＣ２００が、Ｏ１インタフェース経由で、Ｏ－ＤＵ３００及びＯ－ＣＵ４００から、ＲＡＮデータ（Ｄ１、Ｃ１）を学習用データとして収集する。また、Ｎｅａｒ－ＲＴ　ＲＩＣ１００が、Ｅ２インタフェースを介して、Ｏ－ＤＵ３００及びＯ－ＣＵ４００から、ＲＡＮデータ（Ｄ２、Ｃ２）を推論用データとして収集する。Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、収集したＲＡＮデータを使用して推論モデル（ｘＡｐｐ）が推論を行い、推論結果によりＯ－ＤＵ３００及びＯ－ＣＵ４００を制御する。なお、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、ＤＵ３００及びＯ－ＣＵ４００のいずれかからＲＡＮデータを収集し、ＤＵ３００及びＯ－ＣＵ４００のいずれかを制御する場合がある。Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、推論した推論結果データ（Ｎ１）を学習用データとして、Ｏ１インタフェースを介して、Ｎｏｎ－ＲＴ　ＲＩＣ２００へ送信する。Ｎｏｎ－ＲＴ　ＲＩＣ２００の学習モデルは、Ｏ１インタフェースを介して、Ｏ－ＤＵ３００及びＯ－ＣＵ４００から収集したＲＡＮデータ（Ｄ１，Ｃ１）とＮｅａｒ－ＲＴ　ＲＩＣ１００から収集した推論結果データ（Ｎ１）を学習用データとして使用し学習を行う。なお、Ｎｏｎ－ＲＴ　ＲＩＣ２００は、Ｎｅａｒ－ＲＴ　ＲＩＣ１００と同様、ＤＵ３００及びＯ－ＣＵ４００のいずれかからＲＡＮデータを収集する場合がある。この例では、ＲＡＮデータ（Ｄ１、Ｃ１）とＲＡＮデータ（Ｄ２、Ｃ２）は同じデータである。
　比較例では、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方は、Ｏ１インタフェース及びＥ２インタフェースの２つのインタフェースを介して、ＲＡＮデータを送信するため、１つのインタフェースを介して送信する場合と比べて、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方の通信負荷が２倍になる。そうすると、比較例では、学習用データ取得及び収集だけを目的とした通信負荷が、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方で発生するため、時々実施する学習のためにＯ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方の通信リソースを増強する必要がある。
　また、比較例では、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方からのＲＡＮデータと、Ｎｅａｒ－ＲＴ　ＲＩＣ１００からの推論結果データがＯ１インタフェースで伝送されるため、Ｏ１インタフェースの負荷も大きい。特に、Ｏ－ＤＵ３００とＯ－ＣＵ４００の送信バッファが小さいと、送信タイミングを調整できないため、Ｏ１インタフェースの通信負荷が増大する可能性が高い。そうすると、比較例では、学習用データの取得及び収集のタイミングで、Ｏ１インタフェースに通信負荷が集中するため、時々実施する学習のためにＯ１インタフェースの通信リソースを増強する必要がある。
　そこで、本実施の形態では、Ｎｏｎ－ＲＴ　ＲＩＣ２００に搭載されている学習モデルが使用する学習用データをＯ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方から取得及び収集する際に、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方の通信負荷を軽減し、且つ、Ｏ１インタフェースに対する通信負荷の集中を防ぐことを可能とする。
　具体的には、本実施の形態では、図９に示すように、Ｎｏｎ－ＲＴ　ＲＩＣ２００の学習モデル（ｒＡＰＰ）が学習を行う場合、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｅ２インタフェースを介して、ＲＡＮデータ（Ｄ２、Ｃ２）を推論用データとして収集し、収集したＲＡＮデータを使用して推論モデル（ｘＡｐｐ）が推論を行う。比較例と同様、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、ＤＵ３００及びＯ－ＣＵ４００のいずれかからＲＡＮデータを収集し、ＤＵ３００及びＯ－ＣＵ４００のいずれかを制御する場合がある。本実施の形態では、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、推論で使用したデータから学習で必要となるデータをログとしてデータベース（ＤＢ）に蓄積する。例えば、収集したＲＡＮデータ（Ｄ２、Ｃ２）及び推論した推論結果データ（Ｎ１）を蓄積する。
　Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｏ１インタフェースを介して、蓄積したＲＡＮデータ（Ｄ２、Ｃ２）と推論結果データ（Ｎ１）を学習用データとして、Ｎｏｎ－ＲＴ　ＲＩＣ２００へ転送する。例えば、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｏ１インタフェースが空いているタイミングを有効利用して、Ｎｏｎ－ＲＴ　ＲＩＣ２００に送信する。Ｎｏｎ－ＲＴ　ＲＩＣ２００の学習モデルは、Ｏ１インタフェースを介して、Ｎｅａｒ－ＲＴ　ＲＩＣ１００から収集したＲＡＮデータ（Ｄ２，Ｃ２）と推論結果データ（Ｎ１）を学習用データとして使用し学習を行う。
　これにより、本実施の形態では、比較例と比べて、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方が、Ｅ２インタフェースのみを介してＲＡＮデータを送信するため、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方の負荷を低減できる。また、Ｏ１インタフェースでは、Ｎｅａｒ－ＲＴ　ＲＩＣ１００のみからデータが伝送されるため、Ｏ１インタフェースの負荷も抑えることができる。
　なお、図８の比較例と図９の本実施の形態とを組み合わせて実施してもよい。例えば、一部のＲＡＮデータを、図８のように、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方からＯ１インタフェースを介してＮｏｎ－ＲＴ　ＲＩＣ２００へ転送し、他のＲＡＮデータを、図９のように、Ｎｅａｒ－ＲＴ　ＲＩＣ１００からＯ１インタフェースを介してＮｏｎ－ＲＴ　ＲＩＣ２００へ転送してもよい。
　図１０は、本実施の形態に係るＮｅａｒ－ＲＴ　ＲＩＣ１００の構成例を示している。図１０に示すように、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｅ２通信部１０１、Ｏ１通信部１０２、Ａ１通信部１０３、データ収集部１１１、データ分析部１１２、制御内容特定部１１３、モデル記憶部１２０、学習データ蓄積制御部１３１、学習データベース１３２、学習データ送信部１３３を備えている。なお、この構成は一例であり、後述の本実施の形態に係る動作が可能であれば、その他の構成でもよい。また、Ｎｅａｒ－ＲＴ　ＲＩＣ１００に必要な機能を実現するための構成を含んでもよい。
　Ｅ２通信部１０１は、Ｅ２インタフェースを介して、Ｏ－ＤＵ３００及びＯ－ＣＵ４００と通信を行う通信部である。例えば、Ｅ２通信部１０１は、Ｅ２インタフェースとして規定された通信方式にしたがって、Ｏ－ＤＵ３００及びＯ－ＣＵ４００との間で、ＲＡＮデータを含む各種データや制御メッセージなどを送受信する。
　Ｏ１通信部１０２は、Ｏ１インタフェースを介して、Ｎｏｎ－ＲＴ　ＲＩＣ２００と通信を行う通信部である。例えば、Ｏ１通信部１０２は、Ｏ１インタフェースとして規定された通信方式にしたがって、Ｎｏｎ－ＲＴ　ＲＩＣ２００との間で、学習用データを含む各種データや制御メッセージなどを送受信する。
　Ａ１通信部１０３は、Ａ１インタフェースを介して、Ｎｏｎ－ＲＴ　ＲＩＣ２００と通信を行う通信部である。例えば、Ａ１通信部１０３は、Ａ１インタフェースとして規定された通信方式にしたがって、Ｎｏｎ－ＲＴ　ＲＩＣ２００との間で、各種データや制御ポリシーを含む制御メッセージなどを送受信する。
　データ収集部１１１は、Ｅ２通信部１０１経由でＥ２インタフェースを介して、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方からＲＡＮデータを収集する。例えば、データ収集部１１１及びＥ２通信部１０１は、図１の収集部１１に対応する。データ収集部１１１は、データ分析部１１２及び制御内容特定部１１３の推論モデルが推論に使用する推論用データとして、ＲＡＮデータを定期的に収集する。データ収集部１１１は、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方に対し、収集するデータや周期を指示してもよい。データ収集部１１１は、収集したＲＡＮデータをデータ分析部１１２及び学習データ蓄積制御部１３１へ出力する。
　モデル記憶部１２０は、データ分析部１１２及び制御内容特定部１１３が分析処理及び制御処理に使用する推論モデル１２１を記憶する。推論モデル１２１は、学習済みモデルであり、ＲＡＮデータに応じたＯ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方を含むＥ２ノードの制御を推論するモデルである。推論モデル１２１は、例えば、時系列のデータを分析及び予測可能なモデルである。推論モデル１２１は、ＣＮＮ（Convolutional Neural Network）やＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long-Short Term Model）でもよいし、その他のニューラルネットワークでもよい。推論モデル１２１は、ニューラルネットワークに限らず、その他の機械学習モデルでもよい。モデル記憶部１２０は、複数の推論モデル１２１を記憶してもよい。例えば、モデル記憶部１２０は、データ分析部１１２が使用するデータ分析用の推論モデル１２１ａ、制御内容特定部１１３が使用する制御内容特定用の推論モデル１２１ｂを記憶する。推論モデル１２１ａは、データを分析する分析モデルであり、推論モデル１２１ｂは、制御内容を特定する特定モデルである。
　データ分析部１１２は、データ収集部１１１が収集したＲＡＮデータ、すなわち推論用データを分析する。データ分析部１１２の機能は、データの分析処理用、すなわち無線分析処理用のｘＡｐｐを実行することで実現されてもよい。データ分析部１１２は、モデル記憶部１２０に記憶されたデータ分析用の推論モデル１２１ａを用いて、ＲＡＮデータを分析する。データ分析部１１２は、収集したＲＡＮデータを推論モデル１２１ａに入力し、ＲＡＮデータの分析を行う。データ分析部１１２は、ＲＡＮデータを分析した分析結果、すなわち推論結果を無線分析情報として出力する。例えば、ＲＡＮデータが無線品質データである場合、推論モデル１２１ａは、入力される無線品質データから将来の無線品質を予測し、無線品質の予測結果を無線分析情報として出力する。データ分析部１１２は、無線分析情報を制御内容特定部１１３及び学習データ蓄積制御部１３１へ出力する。
　制御内容特定部１１３は、データ分析部１１２が分析したＲＡＮデータの分析結果に基づいて、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方を含むＥ２ノードの制御内容を特定し、Ｅ２ノードに対する制御を行う。制御内容特定部１１３の機能は、制御内容特定用、すなわち無線制御処理用のｘＡｐｐを実行することで実現されてもよい。また、制御内容特定部１１３は、Ａ１通信部１０３経由でＡ１インタフェースを介して通知された制御ポリシーにしたがってＥ２ノードを制御してもよい。制御内容特定部１１３は、モデル記憶部１２０に記憶された制御内容特定用の推論モデル１２１ｂを用いて、Ｅ２ノードの制御内容（制御情報）を特定する。制御内容特定部１１３は、データ分析部１１２の分析結果である無線分析情報を推論モデル１２１ｂに入力し、無線分析情報に応じた制御内容を特定する。例えば、複数の制御内容を推論し、制御ポリシーにしたがって、制御に使用する制御内容を特定してもよい。制御内容特定部１１３は、制御内容を特定した特定結果、すなわち推論結果を無線制御情報として出力する。例えば、データ分析部１１２が将来の無線品質を予測した場合、予測した無線品質に応じてＥ２ノードに設定する無線強度や変調方式など特定し、該当するＥ２ノードに設定を行う制御情報を無線制御情報として出力する。制御内容特定部１１３は、特定した制御内容を示す無線制御情報を、Ｅ２通信部１０１経由でＥ２インタフェースを介して、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方に送信する。さらに、制御内容特定部１１３は、無線制御情報を学習データ蓄積制御部１３１へ出力する。
　学習データベース１３２は、学習用データを蓄積する学習データ蓄積部である。学習データ蓄積制御部１３１は、学習データベース１３２に蓄積する学習用データを制御する。具体的には、学習データ蓄積制御部１３１は、学習に必要なデータを取得及び選別し、取得及び選別したデータを学習データベース１３２に蓄積する。また、学習データ蓄積制御部１３１は、蓄積されたデータを送信用に整形するため統合処理を行う。学習データ蓄積制御部１３１は、学習データ取得部や学習データ選別部、学習データ統合部を含むとも言える。
　例えば、学習データ蓄積制御部１３１は、Ｎｏｎ－ＲＴ　ＲＩＣ２００からの指示に応じて、学習用データの蓄積制御を開始する。学習データ蓄積制御部１３１は、データ収集部１１１が収集した推論用データであるＲＡＮデータ、データ分析部１１２が生成した無線分析情報及び制御内容特定部１１３が生成した無線制御情報を取得し、収集及び取得したデータの中から学習用データを選別、すなわち抽出する。学習データ蓄積制御部１３１は、ＲＡＮデータ、無線分析情報、無線制御情報のうち全てを収集及び取得してもよいし、いずれか、または、任意に選択されるデータを収集及び取得してもよい。無線分析情報及び無線制御情報は、推論モデルが推論した推論結果データでもある。選別する学習用データは、Ｎｏｎ－ＲＴ　ＲＩＣ２００の学習モデルが学習に使用するデータであり、Ｎｏｎ－ＲＴ　ＲＩＣ２００から指示されてもよいし、予め決められていてもよい。例えば、学習モデルやアプリケーションごとに選別する学習用データが決められていてもよい。学習データ蓄積制御部１３１は、所定の条件で学習用データを絞り込んでもよい。例えば、ＲＡＮデータがＵＥの位置情報を含んでいる場合、位置情報に基づいて学習用データを絞り込んでもよい。例えば、無線品質などを取得したい特定のエリアに含まれるＲＡＮデータを抽出してもよい。また、既に取得済みのエリアを除いて、その他のエリアに含まれるＲＡＮデータを抽出してもよい。
　なお、収集及び取得した全てのＲＡＮデータ、無線分析情報、無線制御情報を蓄積しておき、Ｎｏｎ－ＲＴ　ＲＩＣ２００へ送信する際に、蓄積されたデータの中から送信する学習用データを選別してもよい。
　学習データ蓄積制御部１３１は、選別した学習用データを学習データベース１３２に蓄積する。例えば、予め決められたフォーマットで学習用データを蓄積してもよいし、Ｎｏｎ－ＲＴ　ＲＩＣ２００から指示されたフォーマットで学習用データを蓄積してもよい。学習データ蓄積制御部１３１は、複数のＯ－ＤＵ３００及び複数のＯ－ＣＵ４００から収集したＲＡＮデータを蓄積してもよい。また、複数のＯ－ＤＵ３００及び複数のＯ－ＣＵ４００のために分析及び制御した複数の無線分析情報及び複数の無線制御情報を蓄積してもよい。
　学習データ蓄積制御部１３１は、学習用データの蓄積を開始した後、所定の場合に、蓄積を終了する。例えば、Ｎｏｎ－ＲＴ　ＲＩＣ　２００から指示されたタイミングや所定のタイミング、指示された期間や所定の期間が終了した場合、指示された量や所定の量のデータが蓄積された場合、学習用データの蓄積を終了してもよい。蓄積が終了すると、学習データ蓄積制御部１３１は、学習データベース１３２に蓄積されている学習用データを送信用のファイルに統合する。学習用データの統合は、複数のＯ－ＤＵ３００及び複数のＯ－ＣＵ４００のＲＡＮデータを統合すること、複数のＯ－ＤＵ３００及び複数のＯ－ＣＵ４００のＲＡＮデータと複数の無線分析情報及び複数の無線制御情報を統合することを含む。統合後のファイルを、学習用データファイル、または、統合データと称する場合がある。
　学習データ蓄積制御部１３１は、学習用データを統合する際に、必要に応じて、データを加工や整形してもよい。例えば、学習データ蓄積制御部１３１は、学習用データを圧縮してデータ量を削減してもよい。統合前のデータに対して圧縮を行ってもよいし、統合後のデータに対して圧縮を行ってもよい。例えば、学習データ蓄積制御部１３１は、次元削減（Dimensionality Reduction）によりデータを削減してもよい。次元削減では、多次元からなるデータを、学習モデルの学習に影響しない範囲で、それより少ない次元の情報に落とし込む。例えば、データ分析（無線分析）や制御内容特定（無線制御）の精度を落とさない範囲で、学習時に学習モデルに入力する学習用データの特徴量を削減する。また、同じエリアのデータのように重複するデータを排除する重複排除（Deduplication）を行ってもよいし、所定の符号化を用いてデータを圧縮してもよい。圧縮に限らず、統合後のデータを複数のデータに分割してもよい。例えば、複数の学習用データファイルを送信してもよい。
　学習データ送信部１３３は、学習データ蓄積制御部１３１が統合した学習用データ、すなわち学習用データファイルを、Ｏ１通信部１０２経由でＯ１インタフェースを介して、Ｎｏｎ－ＲＴ　ＲＩＣ２００へ送信する。例えば、学習データ送信部１３３及びＯ１通信部１０２は、図１の送信部１２に対応する。学習データ送信部１３３は、学習用データファイルの送信タイミングや転送レートを制御してもよい。学習データ送信部１３３は、Ｎｏｎ－ＲＴ　ＲＩＣ２００からの指示に応じて送信タイミングや転送レートを制御してもよいし、Ｏ１インタフェースの通信状況に応じて送信タイミングや転送レートを制御してもよい。例えば、Ｏ１インタフェースの伝送帯域に空きがある場合、学習用データファイルを送信し、伝送帯域に空きがない場合、学習用データファイルの送信タイミングを遅らせてもよい。空き伝送帯域が所定の閾値より大きい場合に、学習用データファイルを送信してもよいし、空き伝送帯域が送信するファイルサイズに必要な帯域より大きい場合に、学習用データファイルを送信してもよい。また、空き伝送帯域に応じて転送レートを制御してもよい。空き伝送帯域は、Ｏ１通信部１０２がＯ１インタフェースの通信量をモニタすることで取得した帯域でもよいし、モニタ結果から予測される帯域でもよい。
　また、学習データ送信部１３３は、複数の学習用データ、すなわち複数の学習用データファイルを送信する場合、学習用データファイルの送信順序を制御してもよい。例えば、学習用データファイルに含まれる学習用データの優先度に応じた順序で送信してもよい。優先度は、学習モデルが学習に使用するデータの順番や、学習モデルの学習に必須のデータか任意のデータかに応じて設定されてもよいし、Ｎｏｎ－ＲＴ　ＲＩＣ２００から指定されてもよい。学習用データファイルに含まれる学習データの優先度のうち最も高い優先度に基づいて、学習用データファイルの送信順序を決定してもよい。また、学習用データの優先度ごとに学習用データを統合し、統合した学習用データファイルの優先度に基づいて、学習用データファイルの送信順序を決定してもよい。また、学習モデルごとに学習用データを統合し送信する場合、学習モデル（アプリケーション）の優先度に応じた順序で学習用データファイルを送信してもよい。例えば、アプリケーションの重要度や学習モデルの学習の緊急度などに基づいて、学習用データファイルの送信順序を決定してもよい。また、他のアプリケーションなどにより学習用データ以外にもＯ１インタフェースを介して送信するトラフィックがある場合、トラフィック間で送信タイミングや送信順序を調整してもよい。例えば、複数用途のトラフィック間で送達希望時刻を考慮して送信スケジューリングを行ってもよい。
　図１１は、本実施の形態に係るＮｏｎ－ＲＴ　ＲＩＣ２００の構成例を示している。図１１に示すように、Ｎｏｎ－ＲＴ　ＲＩＣ２００は、Ｏ１通信部２０１、Ａ１通信部２０２、システム管理部２１１、学習部２１２、モデル記憶部２２０を備えている。なお、この構成は一例であり、後述の本実施の形態に係る動作が可能であれば、その他の構成でもよい。また、Ｎｏｎ－ＲＴ　ＲＩＣ２００に必要な機能を実現するための構成を含んでもよい。
　Ｏ１通信部２０１は、Ｏ１インタフェースを介して、Ｎｅａｒ－ＲＴ　ＲＩＣ１００と通信を行う通信部である。例えば、Ｏ１通信部２０１は、Ｏ１インタフェースとして規定された通信方式にしたがって、Ｎｅａｒ－ＲＴ１００との間で、学習用データを含む各種データや制御メッセージなどを送受信する。また、Ｏ１インタフェースを介して、Ｏ－ＤＵ３００やＯ－ＣＵ４００との間で必要なデータや制御メッセージを送受信することもできる。
　Ａ１通信部２０２は、Ａ１インタフェースを介して、Ｎｅａｒ－ＲＴ　ＲＩＣ１００と通信を行う通信部である。例えば、Ａ１通信部２０２は、Ａ１インタフェースとして規定された通信方式にしたがって、Ｎｅａｒ－ＲＴ　ＲＩＣ１００との間で、各種データや制御ポリシーを含む制御メッセージなどを送受信する。
　システム管理部２１１は、Ｏ－ＤＵ３００、Ｏ－ＣＵ４００、Ｎｅａｒ－ＲＴ　ＲＩＣ１００を含むＲＡＮシステムの設定や動作を管理する。システム管理部２１１の機能は、システム管理処理用のｒＡｐｐを実行することで実現されてもよい。例えば、システム管理部２１１は、制御ポリシーを生成するポリシー生成部である。システム管理部２１１は、オペレータや外部の装置から入力される指示に基づいて制御ポリシーを生成してもよいし、Ｏ－ＤＵ３００、Ｏ－ＣＵ４００、Ｎｅａｒ－ＲＴ　ＲＩＣ１００のいずれか、または全てから取得するデータに基づいて、制御ポリシーを生成してもよい。システム管理部２１１は、生成した制御ポリシーを、Ａ１通信部２０２経由でＡ１インタフェースを介して、Ｎｅａｒ－ＲＴ　ＲＩＣ１００へ通知する。
　モデル記憶部２２０は、Ｎｅａｒ－ＲＴ　ＲＩＣ１００の推論モデル１２１を構築するための学習モデル２２１を記憶する。学習モデル２２１は、推論モデル１２１と同じモデルであり、例えば、時系列のデータを分析及び予測可能に学習を行うモデルである。モデル記憶部２２０は、Ｎｅａｒ－ＲＴ　ＲＩＣ１００と同様、複数の学習モデル２２１を記憶でき、例えば、データ分析用の学習モデル２２１ａ、制御内容特定用の学習モデル２２１ｂを記憶する。
　学習部２１２は、Ｏ１通信部２０１経由でＯ１インタフェースを介して、Ｎｅａｒ－ＲＴ　ＲＩＣ１００から受信する学習用データ、すなわち学習用データファイルを使用して機械学習を行う。例えば、学習部２１２は、図２の学習部２２に対応する。学習部２１２の機能は、学習処理用のｒＡｐｐを実行することで実現されてもよい。学習部２１２は、Ｎｅａｒ－ＲＴ　ＲＩＣ１００からＯ１インタフェースを介して学習用データファイルを受信する受信部を含むとも言える。例えば、Ｏ１通信部２０１及び学習部２１２は、図２の受信部２１にも対応する。学習部２１２は、受信した学習用データファイルが圧縮や分割されている場合、必要に応じて解凍や結合処理を行う。学習部２１２は、ディープラーニングなどの機械学習を行い学習済みの学習モデル２２１を生成する。学習部２１２は、モデル記憶部２２０のデータ分析用の学習モデル２２１ａ及びモデル記憶部２２０の制御内容特定用の学習モデル２２１ｂに学習用データファイルを入力し、各モデルを訓練する。受信した学習用データフィルを学習モデル２２１ａ及び２２１ｂに入力するために必要なデータ処理を行ってもよい。また、Ｎｅａｒ－ＲＴ　ＲＩＣ１００と同様、データ分析用の学習部と制御内容特定用の学習部を備えてもよい。受信した学習用データファイルの学習用データには、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方のＲＡＮデータと、Ｎｅａｒ－ＲＴ　ＲＩＣ１００の推論結果データ（無線分析情報及び無線制御情報）が含まれており、これらのデータを使用することで、ＲＡＮデータに応じた分析及び制御を学習することができる。すなわち、推論モデルに入力された制御前のＲＡＮデータ、推論モデルから出力された推論結果のデータ、推論結果による制御後のＲＡＮデータを学習用データとすることで、精度よく訓練することができる。なお、学習用データは、ＲＡＮデータ、無線分析情報及び無線制御情報のいずれかでもよい。学習部２１２は、学習済みの学習モデル２２１ａ及び２２１ｂをモデル記憶部２２０に格納し、さらに、学習済みの学習モデル２２１ａ及び２２１ｂをＮｅａｒ－ＲＴ　ＲＩＣ１００へ送信し、推論モデル１２１ａ及び１２１ｂに適用する。
　図１２は、本実施の形態に係るＲＡＮシステム１における学習処理の概要を示している。図１２に示すように、まず、学習モデルを用意し、ＲＡＮシステム１に配置する（Ｓ１０１）。例えば、外部の学習装置において、シミュレーションにより訓練（学習）した学習済みのモデルを生成し、生成したモデルを推論モデル（ｘＡｐｐ）としてＮｅａｒ－ＲＴ　ＲＩＣ１００のモデル記憶部１２０に格納し、また、同じモデルを学習モデル（ｒＡｐｐ）としてＮｏｎ－ＲＴ　ＲＴ２００のモデル記憶部２２０に格納する。シミュレーションに限らず、予め決められたアルゴリズムを搭載したモデルを推論モデルとしてＮｅａｒ－ＲＴ　ＲＩＣ１００に配置し、同じモデルを学習モデルとしてＮｏｎ－ＲＴ　ＲＩＣ２００に配置してもよい。
　次に、ＲＡＮシステム１は、システム導入時に、最初の学習を行う（Ｓ１０２）。システム導入時に、実環境でＮｅａｒ－ＲＴ　ＲＩＣ１００の推論モデル（ｘＡｐｐ）を本運転或いは試運転させて学習用データを収集する。さらに、Ｎｅａｒ－ＲＴ　ＲＩＣ１００からＮｏｎ－ＲＴ　ＲＩＣ２００へ学習用データを転送し、転送した学習用データにより学習モデル（ｒＡｐｐ）を訓練する。例えば、１時間分の学習用データを収集し訓練に用いてもよい。最初の学習により学習した学習済みの学習モデルを推論モデルとして、Ｎｅａｒ－ＲＴ　ＲＩＣ１００に適用する。なお、最初の学習では、システムの負荷に影響は少ないため、比較例のように、Ｎｏｎ－ＲＴ　ＲＩＣ２００がＯ１インタフェースを介して、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方からＲＡＮデータを収集してもよい。
　次に、ＲＡＮシステム１は、再学習が必要か否か判定し（Ｓ１０３）、再学習が必要な場合、２回目以降の再学習を行う（Ｓ１０４）。例えば、Ｎｏｎ－ＲＴ　ＲＩＣ２００は、オペレータや外部の装置から指示が入力された場合や、ＵＥを含む現場の環境が変化した場合、定期的なタイミング、推論モデルの精度が低下した場合などに、再学習が必要と判定し再学習を行う。環境の変化は、無線品質の変化から検出してもよいし、レイアウト変更などの環境の変化を示す信号が入力されてもよい。推論モデルの精度は、推論モデルの推論結果とＲＡＮデータ等から判定してもよい。再学習では、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、前回訓練し適用された推論モデル（ｘＡｐｐ）を使用し、実環境で推論モデルを動作させながら、実運用中に学習用データを収集する。さらに、Ｎｅａｒ－ＲＴ　ＲＩＣ１００からＮｏｎ－ＲＴ　ＲＩＣ２００へ学習用データを転送し、転送した学習用データにより学習モデル（ｒＡｐｐ）を訓練する。例えば、１時間分の学習用データを収集し訓練に用いてもよい。再学習により学習した学習済みの学習モデルを推論モデルとして、Ｎｅａｒ－ＲＴ　ＲＩＣ１００に適用する。その後、Ｓ１０３及びＳ１０４により、繰り返し再学習を行う。
　図１３は、本実施の形態に係るＲＡＮシステム１における学習処理の動作例を示している。例えば、図１３は、図１２に示した再学習（Ｓ１０４）における学習処理の例であるが、最初の学習（Ｓ１０２）における学習処理に適用してもよい。
　図１３に示すように、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、学習用データの蓄積を開始する（Ｓ２０１）。例えば、学習部２１２は、Ｎｅａｒ－ＲＴ　ＲＩＣ１００へ学習の開始を指示する。学習データ蓄積制御部１３１は、Ｎｏｎ－ＲＴ　ＲＩＣ２００からの指示に応じて、学習データベース１３２へ学習用データの蓄積を開始する。
　続いて、Ｎｅａｒ－ＲＴ　ＲＣＩ１００は、学習用データの蓄積が終了したか否か判定し（Ｓ２０２）、蓄積が終了した場合、学習用データを統合する（Ｓ２０３）。例えば、学習データ蓄積制御部１３１は、Ｎｏｎ－ＲＴ　ＲＩＣ２００から指示された期間が終了すると、学習データベース１３２に蓄積された学習用データを学習用データファイルに統合する。
　続いて、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、学習用データファイルをＮｏｎ－ＲＴ　ＲＩＣ２００へ転送する（Ｓ２０４）。例えば、学習データ送信部１３３は、Ｎｏｎ－ＲＴ　ＲＩＣ２００から指示されたタイミングや、Ｏ１インタフェースが空いている場合に、統合した学習用データファイルをＮｏｎ－ＲＴ　ＲＩＣ２００へ転送する。
　続いて、Ｎｏｎ－ＲＴ　ＲＩＣ２００は、受信した学習用データファイルを使用して学習モデルの学習処理を行う（Ｓ２０５）。学習部２１２は、Ｎｅａｒ－ＲＴ　ＲＩＣ１００から学習用データファイルを受信すると、受信した学習用データファイルに含まれる学習用データを使用して、学習モデル２２１ａ及び２２１ｂを訓練する。学習部２１２は、学習が終了すると、学習済みの学習モデル２２１ａ及び２２１ｂをモデル記憶部２２０に格納する。
　続いて、Ｎｏｎ－ＲＴ　ＲＩＣ２００は、学習済みの学習モデルをＮｅａｒ－ＲＴ　ＲＩＣ１００に適用する（Ｓ２０６）。学習部２１２は、モデル記憶部２２０に格納した学習済みの学習モデル２２１ａ及び２２１ｂを、Ｎｅａｒ－ＲＴ　ＲＩＣ１００へ送信する。データ分析部１１２及び制御内容特定部１１３は、受信した学習モデル２２１ａ及び２２１ｂにより、モデル記憶部１２０の推論モデル１２１ａ及び１２１ｂを更新する。Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、更新された推論モデル１２１ａ及び１２１ｂにより、データ分析及び制御を行う。
　図１４は、本実施の形態に係るＲＡＮシステム１における学習処理のシーケンス図を示している。例えば、図１４は、図１３に示した学習用データの蓄積から転送まで（Ｓ２０１～Ｓ２０４）の動作を示している。
　図１４に示すように、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方から、ＲＡＮデータを収集する（Ｓ３０１）。データ収集部１１１は、Ｅ２インタフェースを介して、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方からＲＡＮデータを繰り返し収集する。例えば、データ収集部１１１が、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方に対し、収集するデータや周期を指示し、指示にしたがってＯ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方がデータを送信してもよいし、予め決められたデータ及び周期にしたがってＯ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方がデータを送信してもよい。また、データ分析部１１２は、収集したＲＡＮデータを分析して無線分析情報を生成し、制御内容特定部１１３は、無線分析情報に応じて無線制御情報を推論する。制御内容特定部１１３は、Ｅ２インタフェースを介して、無線制御情報をＯ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方へ送信し、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方の動作を制御する。Ｓ３０１によるＲＡＮデータの収集及び制御の繰り返しと並行して、Ｓ３０２からＳ３０７の処理が行われる。すなわち、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、推論用データの収集及び推論モデルによる制御を行いつつ、学習用データの蓄積及び転送を行う。
　まず、Ｎｏｎ－ＲＴ　ＲＩＣ２００は、Ｎｅａｒ－ＲＴ　ＲＩＣ１００へ学習指示メッセージを送信する（Ｓ３０２）。学習部２１２は、オペレータからの指示や環境の変化などに応じて、Ｏ１インタフェースを介して、Ｎｅａｒ－ＲＴ　ＲＩＣ１００へ学習指示メッセージを送信する。学習指示メッセージは、学習モデルの学習のために学習用データの収集（蓄積）の開始を指示するメッセージである。例えば、学習指示メッセージは、対象学習モデル、学習データ収集期間を含む。対象学習モデルは、学習対象の学習モデル（学習エンジン）を識別する識別情報を示し、学習データ収集期間は、学習用データ（訓練データ）の収集を開始する時刻及び収集を終了する時刻を示す。学習指示メッセージは、対象学習モデルに限らず、収集する学習用データを識別する情報を含んでもよい。学習データ収集期間は、学習用データを収集する時間の長さ指定してもよい。学習指示メッセージは、学習データ収集期間に限らず、学習用データを収集する周期を含んでもよい。対象学習モデル及び学習データ収集期間は、予め設定されていてもよいし、オペレータが設定してもよい。例えば、環境の変化を検出した場合に、環境の変化に応じて対象学習モデル及び学習データ収集期間を設定してもよい。無線品質が変化した場合、変化した無線品質の場所に対応するアプリケーションの学習モデルを対象学習モデルに決定してもよい。学習指示メッセージは、Ｏ１インタフェース経由で送信してもよいし、Ａ１インタフェース経由で送信してもよい。Ｎｅａｒ－ＲＴ　ＲＩＣ１００では、学習データ送信部１３３は、Ｏ１またはＡ１インタフェースを介して、学習指示メッセージを受信し、学習データ蓄積制御部１３１は、受信した学習指示メッセージを取得する。
　続いて、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、受信した学習指示メッセージで指定された学習データ収集期間が始まると、学習用データの蓄積を開始する（Ｓ３０３）。学習データ蓄積制御部１３１は、学習指示メッセージで指定された対象学習モデルの学習に必要な学習用データを選別する。例えば、学習モデルと学習用データとを予め関連付けて設定しておき、学習指示メッセージで指定された対象学習モデルに対応する学習用データを特定する。また、学習指示メッセージで収集する学習用データが指定された場合、指定された学習用データを蓄積するデータに特定する。学習データ蓄積制御部１３１は、データ収集部１１１が収集するＲＡＮデータ、データ分析部１１２が生成した無線分析情報、制御内容特定部１１３が生成した無線制御情報のいずれか、または全てから、特定した学習用データを選別（抽出）し、選別した学習用データを学習データベース１３２に蓄積する。データ収集部１１１がＲＡＮデータを収集するごと、データ分析部１１２が無線分析情報を生成するごと、制御内容特定部１１３が無線制御情報を生成するごとに、必要なデータを蓄積してもよい。学習指示メッセージで学習データ収集周期が指定された場合、指定された周期にしたがってデータを蓄積してもよい。なお、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｎｏｎ－ＲＴ　ＲＩＣ２００から学習指示メッセージを受信せずに、自発的に学習用データの蓄積を開始してもよい。この場合、予め決められた期間に予め決められた学習用データを蓄積してもよい。
　続いて、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、学習指示メッセージで指定された学習データ収集期間が終了すると、学習用データを統合する（Ｓ３０４）。学習データ蓄積制御部１３１は、学習データベース１３２に蓄積された学習用データを整形し、一つの学習用データファイルに統合する。例えば、学習モデルと学習用データファイルのフォーマットを予め関連付けて設定しておき、学習指示メッセージで指定された対象学習モデルに対応するフォーマットに合わせて、学習用データを整形し学習用データファイルに統合してもよい。学習指示メッセージでフォーマットを指定し、指定されたフォーマットに合わせて学習用データを統合してもよい。また、必要に応じて、統合した学習用データファイルを圧縮してもよい。例えば、学習指示メッセージで次元削減などの圧縮方式を指示し、指示された圧縮方式で圧縮してもよいし、学習指示メッセージで指定された対象学習モデルに対応する圧縮方式で圧縮してもよい。
　続いて、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｎｏｎ－ＲＴ　ＲＩＣ２００へ収集終了メッセージを送信する（Ｓ３０５）。学習データ送信部１３３は、学習用データが統合されると、Ｏ１インタフェースを介して、Ｎｏｎ－ＲＴ　ＲＩＣ２００に収集終了メッセージを送信する。収集終了メッセージは、学習用データが揃ったこと、すなわち学習用データの収集（蓄積）が終了したことを通知するメッセージである。収集終了メッセージは、学習指示メッセージと同様、対象学習モデルを含んでもよい。なお、収集終了メッセージは、Ｏ１インタフェース経由で送信してよいし、Ａ１インタフェース経由で送信してもよい。Ｎｏｎ－ＲＴ　ＲＩＣ２００では、学習部２１２は、Ｏ１またはＡ１インタフェースを介して、収集終了メッセージを受信する。
　続いて、Ｎｏｎ－ＲＴ　ＲＩＣ２００は、Ｎｅａｒ－ＲＴ　ＲＩＣ１００へ転送指示メッセージを送信する（Ｓ３０６）。学習部２１２は、収集終了メッセージを受信すると、Ｏ１インタフェースを介して、Ｎｅａｒ－ＲＴ　ＲＩＣ１００へ転送指示メッセージを送信する。転送指示メッセージは、収集した学習用データの転送を指示するメッセージである。例えば、転送指示メッセージは、タイミング、ビットレートを含む。タイミングは、学習用データの送信タイミングを示し、送信時刻などでもよい。ビットレートは学習用データの送信ビットレート（bps）を示す。転送指示メッセージは、学習指示メッセージと同様、対象学習モデルを含んでもよい。なお、転送指示メッセージは、Ｏ１インタフェース経由で送信してもよいし、Ａ１インタフェース経由で送信してもよい。Ｎｅａｒ－ＲＴ　ＲＩＣ１００では、学習データ送信部１３３は、Ｏ１またはＡ１インタフェースを介して、転送指示メッセージを受信する。
　続いて、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｎｏｎ－ＲＴ　ＲＩＣ２００へ学習用データファイルを送信する（Ｓ３０７）。学習データ送信部１３３は、受信した転送指示メッセージで指定されたタイミングになると、Ｏ１インタフェースを介して、転送指示メッセージで指定されたビットレートで、Ｎｏｎ－ＲＴ　ＲＩＣ２００へ、統合した学習用データファイルを送信する。例えば、指定されたタイミング以降で、Ｏ１インタフェースの伝送帯域が空いている場合に、学習用データファイルを送信してもよい。なお、学習用データファイルは、Ｏ１インタフェース経由で送信してもよいし、Ａ１インタフェース経由で送信してもよい。例えば、Ｏ１インタフェースの伝送帯域が開いていない場合、Ａ１インタフェースを介して送信してもよい。なお、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｎｏｎ－ＲＴ　ＲＩＣ２００から転送指示を受信せずに、自発的に学習用データファイルを送信してもよい。学習用データの蓄積が終了し学習用データファイルを生成したタイミングや、予め決められたタイミングで、学習用データファイルを送信してもよい。
　以上のように、本実施の形態では、Ｎｅａｒ－ＲＴ　ＲＩＣは、例えば学習指示を受けると、無線分析及び無線制御を含む推論モデルによる推論と並行して、推論モデルが推論で使用したデータの中から学習で必要となるデータをログとして蓄積する。さらに、ログ収集後、Ｎｅａｒ－ＲＴ　ＲＩＣからＯ１インタフェース経由で、例えば、Ｏ１インタフェースが空いているタイミングを有効利用して、Ｎｏｎ－ＲＴ　ＲＩＣに蓄積したデータを送信し、Ｎｏｎ－ＲＴ　ＲＩＣで学習モデルの学習を行う。これにより、学習用データの取得及び収集だけを目的とした通信負荷が発生しないため、Ｏ－ＤＵ及びＯ－ＣＵのいずれか、または両方の通信負荷を低減でき、必要な通信リソースを低減できる。また、例えばＯ１インタフェースが空いているタイミングを有効利用して、Ｎｏｎ－ＲＴ　ＲＩＣが学習用データを収集できるため、Ｏ１インタフェースに対する通信負荷を分散でき、Ｏ１インタフェースの必要な通信リソースを低減できる。
（実施の形態２）
　次に、実施の形態２について説明する。本実施の形態では、Ｎｅａｒ－ＲＴ　ＲＩＣでもの学習を行う例について説明する。なお、本実施の形態は、実施の形態１と組み合わせて実施することができ、実施の形態１の構成を適宜使用して実施してもよい。
　図１５は、本実施の形態に係るＮｅａｒ－ＲＴ　ＲＩＣ１００の構成例を示している。例えば、図１５に示すように、本実施の形態に係るＮｅａｒ－ＲＴ　ＲＩＣ１００は、実施の形態１の構成に加えて、学習部１４１を備えている。その他の構成は実施の形態１と同様である。
　学習部１４１は、推論用データを使用して学習を行い、学習済みの学習モデルを推論モデルに適用する。学習部１４１の機能は、学習処理用のｘＡｐｐを実行することで実現されてもよい。学習部１４１は、Ｎｏｎ－ＲＴ　ＲＩＣ２００の学習部２１２と同様、データ収集部１１１が収集したＲＡＮデータ、データ分析部１１２が分析した無線分析情報、制御内容特定部１１３が特定した無線制御情報のいずれか、または全てを使用し、学習モデルを訓練する。学習部１４１は、データ収集部１１１、データ分析部１１２、制御内容特定部１１３から必要なデータを取得してもよいし、学習データベース１３２から必要なデータを取得してもよい。学習部１４１は、モデル記憶部１２０に格納される推論モデル１２１のうち一部のモデルについて学習を行う。推論モデル１２１ａと推論モデル１２１ｂのいずれかのモデルのために学習を行ってもよい。例えば、ＳＩＮＲ（Signal-to-Interference plus Noise power Ratio）の時系列解析などの無線分析のように、特定セルに限定して学習することが可能な場合、比較的軽い処理で学習することができるため、Ｎｅａｒ－ＲＴ　ＲＩＣ１００の学習部１４１で学習を行う。例えば、学習部１４１は、特定セルのＳＩＮＲにより無線分析を学習した学習モデルを生成し、生成した学習済みの学習モデルによりモデル記憶部１２０の推論モデル１２１ａを更新する。
　このように、Ｎｅａｒ－ＲＴ　ＲＩＣで学習を行い、学習済みの学習モデルをＮｅａｒ－ＲＴ　ＲＩＣの内部で推論モデルに適用してもよい。これにより、Ｎｅａｒ－ＲＴ　ＲＩＣの内部で推論及び学習を行うことができるため、高速に学習を行うことができ、また、Ｏ１インタフェースの負荷やＮｏｎ－ＲＴ　ＲＩＣの負荷を低減することができる。
（実施の形態３）
　次に、実施の形態３について説明する。本実施の形態では、収集するデータの変化に応じて、データの収集頻度や転送するデータの時間粒度を調整する例について説明する。なお、本実施の形態は、実施の形態１または２のいずれかと組み合わせて実施することができ、実施の形態１または２のいずれかの構成を適宜使用して実施してもよい。
　図１６は、本実施の形態に係るＮｅａｒ－ＲＴ　ＲＩＣ１００の構成例を示している。例えば、図１６に示すように、本実施の形態に係るＮｅａｒ－ＲＴ　ＲＩＣ１００は、実施の形態１の構成に加えて、データ変化検出部１４２を備えている。その他の構成は実施の形態１と同様である。
　データ変化検出部１４２は、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方から取得したＲＡＮデータの変化を検出する。例えば、無線品質データの変化の大きさや、ＵＥの位置情報からＵＥの移動速度などを検出する。なお、データ変化検出部１４２の機能は、データ分析部１１２やその他のｘＡｐｐに含まれてもよい。例えば、データ分析部１１２が、データの変化の検出結果を含む無線分析情報を出力してもよい。
　本実施の形態では、データ収集部１１１は、データ変化検出部１４２の検出結果に応じて、データの収集頻度を調整する。例えば、データ収集部１１１は、無線品質データの時系列の変化の激しさやＵＥの移動速度に応じて、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方からの収集頻度を調整する。無線品質データの変化が大きくなるにしたがって、データの収集頻度を多く、すなわち、データの収集間隔を短くし、無線品質データの変化が小さくなるにしたがって、データの収集頻度を少なく、すなわち、データの収集間隔を長くしてもよい。また、ＵＥの移動速度が速くなるにしたがって、データの収集頻度を多く、すなわち、データの収集間隔を短くし、ＵＥの移動速度が遅くなるにしたがって、データの収集頻度を少なく、すなわち、データの収集間隔を長くしてもよい。
　また、学習データ蓄積制御部１３１は、データ変化検出部１４２の検出結果に応じて、学習データベース１３２に蓄積するデータの時間粒度、すなわち、学習用データとして転送するデータの時間粒度を調整してもよい。例えば、学習データ蓄積制御部１３１は、無線品質データの時系列の変化の激しさやＵＥの移動速度に応じて、蓄積及び転送するデータの時間粒度を調整する。例えば、単位時間当たりのデータ数を減らすことでデータの時間粒度を粗くすることができる。無線品質データの変化が小さくなるにしたがって、データの時間粒度を粗く、すなわち、時系列データの間隔を長くしてもよい。ＵＥの移動速度が遅くなるにしたがって、データの時間粒度を粗く、すなわち、時系列データの間隔を長くしてもよい。
　このように、Ｎｅａｒ－ＲＴ　ＲＩＣでデータを収集する際に、収集するデータの変化に応じて、データの収集頻度や転送するデータの時間粒度を調整してもよい。データの収集頻度を調整することで、Ｏ－ＤＵ及びＯ－ＣＵのいずれか、または両方の負荷やＥ２インタフェースの負荷を低減することができる。また、転送するデータの時間粒度を調整することで、さらにＯ１インタフェースの負荷を低減することができる。
（実施の形態４）
　次に、実施の形態４について説明する。本実施の形態では、環境の変化の変化に応じて蓄積及び転送するデータを選別する例について説明する。なお、本実施の形態は、実施の形態１から３のいずれかと組み合わせて実施することができ、実施の形態１から３のいずれかの構成を適宜使用して実施してもよい。
　図１７は、本実施の形態に係るＮｅａｒ－ＲＴ　ＲＩＣ１００の構成例を示している。例えば、図１７に示すように、本実施の形態に係るＮｅａｒ－ＲＴ　ＲＩＣ１００は、実施の形態１の構成に加えて、環境変化検出部１４３を備えている。その他の構成は実施の形態１と同様である。
　環境変化検出部１４３は、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方から取得したＲＡＮデータに基づいて、環境の変化を検出する。環境の変化は、ＵＥの無線環境の変化である。例えば、学習モデルの学習が必要となった要因となる無線環境の変化であり、レイアウト変更により生じる無線環境の変化などである。環境変化検出部１４３は、無線品質の変化を検出し、無線品質が所定値よりも大きく変化している場合、無線環境が変化していると判断する。また、無線品質が大きく変化している場所を特定してもよい。なお、環境変化検出部１４３の機能は、データ分析部１１２やその他のｘＡｐｐに含まれてもよい。例えば、データ分析部１１２が、環境の変化の検出結果を含む無線分析情報を出力してもよい。
　本実施の形態では、学習データ蓄積制御部１３１は、環境変化検出部１４３が検出した環境の変化に応じて、学習に必要なデータ、すなわち、蓄積するデータを選別する。例えば、無線品質が大きく変化している場所は、遮蔽物の配置変更やレイアウト変更などにより無線環境が変化し、学習モデルの学習が必要となった要因である可能性が高い。このため、学習用データを、無線品質が大きく変化している場所（エリア）のデータに絞り込む。学習データ蓄積制御部１３１は、収集したＲＡＮデータから特定した場所のデータを絞り込み、絞り込んだ学習用データを学習データベース１３２に蓄積することで、不要なデータを削減する。
　このように、Ｎｅａｒ－ＲＴ　ＲＩＣでデータを収集し蓄積する際に、環境の変化に応じて蓄積するデータを選別してもよい。これにより、学習用データを削減できるため、さらにＯ１インタフェースの負荷を低減することができる。
（実施の形態５）
　次に、実施の形態５について説明する。本実施の形態では、外部アプリケーションサーバからデータを取得する例について説明する。なお、本実施の形態は、実施の形態１から４のいずれかと組み合わせて実施することができ、実施の形態１から４のいずれかの構成を適宜使用して実施してもよい。
　図１８は、本実施の形態に係るＲＡＮシステム１の構成例を示している。図１８に示すように、本実施の形態に係るＲＡＮシステム１は、実施の形態１の構成に加えて、外部アプリケーションサーバ５００を備えている。その他の構成は、例えば、実施の形態１と同様である。Ｎｅａｒ－ＲＴ　ＲＩＣ１００と外部アプリケーションサーバ５００の間は、任意のインタフェースを介して通信可能に接続される。一般的なアプリケーションサーバがデータを提供するためのインタフェースにより接続されてもよい。なお、Ｎｏｎ－ＲＴ　ＲＩＣ２００と外部アプリケーションサーバ５００の間を通信可能に接続してもよい。
　外部アプリケーションサーバ５００は、少なくともＯ－ＤＵ３００及びＯ－ＣＵ４００含むＲＡＮの外部のサーバである。外部アプリケーションサーバ５００は、Ｏ－ＤＵ３００、Ｏ－ＣＵ４００、Ｎｏｎ－ＲＴ　ＲＩＣ２００、Ｎｅａｒ－ＲＴ　ＲＩＣ１００を含むシステムの外部のサーバであるとも言える。また、外部アプリケーションサーバ５００は、アプリケーションデータを提供するデータ提供装置である。例えば、外部アプリケーションサーバ５００は、ＷｅｂサーバやＳＮＳ（Social Networking Service）サーバでもよいし、無人搬送車（AGV: Automated Guided Vehicle）システムや自律走行搬送ロボット（AMR: Autonomous Mobile Robot）システムの管理サーバでもよいし、自動車の隊列走行システムや自動運転システムの管理サーバでもよいし、建設自動施工システムの管理サーバでもよいし、ＲＡＮと連携して所定のサービスを提供するアプリケーションを実行するサーバでもよい。外部アプリケーションサーバ５００は、アプリケーションデータをＮｅａｒ－ＲＴ　ＲＩＣ１００へ提供できればよく、例えば、インターネット上のサーバでもよい。外部アプリケーションサーバ５００は、物理的なサーバでもよいし、クラウド上の仮想サーバでもよい。
　アプリケーションデータは、外部アプリケーションサーバ５００が生成するアプリケーションに関するデータであり、ＲＡＮ内部で収集できない外部データである。アプリケーションデータは、アプリケーションの状況に関する情報、或いはアプリケーションの通信要件に関する情報を含んでいてもよい。アプリケーションの状況に関する情報は、例えば、ＵＥ毎の位置、移動速度、移動軌跡などである。アプリケーションの通信要件に関する情報は、例えば、ＵＥ毎の通信品質要求条件などである。アプリケーションデータは、その他、Ｎｅａｒ－ＲＴ　ＲＩＣ１００の推論モデルの推論に使用可能な様々なデータを含んでもよい。例えば、天気情報、交通情報、地図情報などを含んでもよい。
　本実施の形態では、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、外部アプリケーションサーバ５００からアプリケーションデータを収集し推論に使用する。すなわち、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方から収集するＲＡＮデータと、外部アプリケーションサーバ５００から収集するアプリケーションデータを推論用データとして、推論モデルが推論を行い、Ｏ－ＤＵ３００及びＯ－ＣＵ４００のいずれか、または両方を制御する。
　また、Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、推論に使用したアプリケーションデータを蓄積し、学習用データとして、Ｎｏｎ－ＲＴ　ＲＩＣ２００へ転送する。すなわち、推論用データであるＲＡＮデータ及びアプリケーションデータ、推論結果データである無線分析情報及び無線制御情報から選別されるデータを、学習用データとして学習データベース１３２に蓄積し、蓄積した学習用データをＮｏｎ－ＲＴ　ＲＩＣ２００へ転送する。Ｎｅａｒ－ＲＴ　ＲＩＣ１００は、転送された学習用データを取得し、例えば、学習用データに含まれるＲＡＮデータ、アプリケーションデータ、無線分析情報及び無線制御情報を使用して、学習モデルの学習を行う。
　このように、Ｎｅａｒ－ＲＴ　ＲＩＣが外部アプリケーションサーバからアプリケーションデータを取得し、Ｅ２ノードからのＲＡＮデータとともに推論に使用してもよい。これより、様々な状況やアプリケーションに適した無線ネットワークの制御を行うことができる。また、Ｎｅａｒ－ＲＴ　ＲＩＣで推論に使用したアプリケーションデータをＲＡＮデータ等とともに学習用データとして、Ｎｏｎ－ＲＴ　ＲＩＣへ転送する。これにより、ＲＡＮデータ等とアプリケーションデータの整合が取れた学習用データを作成し、Ｎｏｎ－ＲＴ　ＲＩＣ２００に送信することができる。また、アプリケーションデータを推論用データ及び学習用データとして重複して収集する必要がないため、外部アプリケーションサーバや、外部アプリケーションサーバとＯ－ＤＵ３００、Ｏ－ＣＵ４００、Ｎｏｎ－ＲＴ　ＲＩＣ２００、Ｎｅａｒ－ＲＴ　ＲＩＣ１００を含むシステムとの間の通信回線の、通信負荷を低減することができる。
　なお、本開示は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。
　上述の実施形態における各構成は、ハードウェア又はソフトウェア、もしくはその両方によって構成され、１つのハードウェア又はソフトウェアから構成してもよいし、複数のハードウェア又はソフトウェアから構成してもよい。Ｎｏｎ－ＲＴ　ＲＩＣやＮｅａｒ－ＲＴ　ＲＩＣを含む各装置及び各機能（処理）を、図１９に示すような、ネットワークインタフェース５１、ＣＰＵ（Central Processing Unit）等のプロセッサ５２及び記憶装置であるメモリ５３を有するコンピュータ５０により実現してもよい。ネットワークインタフェース５１は、ネットワークノードを含む装置と通信するためのネットワークインタフェースカード（ＮＩＣ）を含んでもよい。例えば、メモリ５３に実施形態における方法（制御方法）を行うためのプログラムを格納し、各機能を、メモリ５３に格納されたプログラムをプロセッサ５２で実行することにより実現してもよい。
　これらのプログラムは、コンピュータに読み込まれた場合に、実施形態で説明された１又はそれ以上の機能をコンピュータに行わせるための命令群（又はソフトウェアコード）を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disc（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、またはその他の形式の伝搬信号を含む。
　以上、実施の形態を参照して本開示を説明したが、本開示は上記実施の形態に限定されるものではない。本開示の構成や詳細には、本開示のスコープ内で当業者が理解し得る様々な変更をすることができる。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
　無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集する収集手段と、
　前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する送信手段と、
　を備える、制御システム。
（付記２）
　前記特定モデルは、前記学習を行った学習モデルにより構築される、
　付記１に記載の制御システム。
（付記３）
　前記学習用データは、前記特定モデルが前記特定用データを使用して特定した結果である特定結果データを含む、
　付記１または２に記載の制御システム。
（付記４）
　前記収集する特定用データから、前記学習モデルが学習に使用する学習用データを選別する選別手段を備え、
　前記送信手段は、前記選別された学習用データを送信する、
　付記１乃至３のいずれか一項に記載の制御システム。
（付記５）
　前記選別手段は、前記特定用データに対応するユーザ端末の位置に基づいて、前記学習用データを選別する、
　付記４に記載の制御システム。
（付記６）
　前記選別手段は、前記特定用データに対応する環境の変化に基づいて、前記学習用データを選別する。
　付記４または５に記載の制御システム。
（付記７）
　前記送信するための学習用データを蓄積する蓄積手段を備え、
　前記送信手段は、前記蓄積された学習用データを統合した統合データを送信する、
　付記１乃至６のいずれか一項に記載の制御システム。
（付記８）
　前記蓄積手段は、前記無線ネットワークに含まれる複数のノードから収集した特定用データを含む学習用データを蓄積する、
　付記７に記載の制御システム。
（付記９）
　前記送信手段は、前記制御システムと前記他の制御システムとの間の通信状況に応じて、前記学習用データを送信する、
　付記１乃至８のいずれか一項に記載の制御システム。
（付記１０）
　前記送信手段は、前記制御システムから前記他の制御システムへ送信される他のトラフィックに応じて、前記学習用データを送信する、
　付記１乃至９のいずれか一項に記載の制御システム。
（付記１１）
　前記送信手段は、複数の前記学習用データを送信する場合、前記学習用データごとの優先度に応じて、前記学習用データを送信する、
　付記１乃至１０のいずれか一項に記載の制御システム。
（付記１２）
　前記送信手段は、前記学習用データを次元圧縮した圧縮データを送信する、
　付記１乃至１１のいずれか一項に記載の制御システム。
（付記１３）
　前記収集手段は、前記収集した特定用データの変化に応じて、前記特定用データを収集する頻度を調整する、
　付記１乃至１２のいずれか一項に記載の制御システム。
（付記１４）
　前記送信手段は、前記収集した特定用データの変化に応じて、前記送信する学習用データの時間粒度を調整する、
　付記１乃至１３のいずれか一項に記載の制御システム。
（付記１５）
　前記特定用データを使用して学習した学習モデルを生成し、前記生成された学習モデルにより前記特定モデルを更新する学習手段を備える、
　付記１乃至１４のいずれか一項に記載の制御システム。
（付記１６）
　前記制御システム及び前記他の制御システムは、ＲＡＮ（Radio Access Network）を制御するＲＩＣ（RAN Intelligent Controller）を含む、
　付記１乃至１５のいずれか一項に記載の制御システム。
（付記１７）
　前記制御システムは、Ｎｅａｒ－ＲＴ（Real Time）　ＲＩＣを含み、
　前記他の制御システムは、Ｎｏｎ－ＲＴ　ＲＩＣを含む、
　付記１６に記載の制御システム。
（付記１８）
　他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信する受信手段と、
　前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する学習手段と、
　を備える、制御システム。
（付記１９）
　前記学習手段は、前記学習を行った学習モデルを前記特定モデルに適用する、
　付記１８に記載の制御システム。
（付記２０）
　無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集する収集手段と、
　前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する送信手段と、
　を備える、制御装置。
（付記２１）
　他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信する受信手段と、
　前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する学習手段と、
　を備える、制御装置。
（付記２２）
　無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集し、
　前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する、
　制御方法。
（付記２３）
　他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信し、
　前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する、
　制御方法。
（付記２４）
　無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集し、
　前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する、
　処理をコンピュータに実行させるための制御プログラムが格納された非一時的なコンピュータ可読媒体。
（付記２５）
　他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信し、
　前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する、
　処理をコンピュータに実行させるための制御プログラムが格納された非一時的なコンピュータ可読媒体。
１　　　ＲＡＮシステム
１０　　第１の制御システム
１１　　収集部
１２　　送信部
２０　　第２の制御システム
２１　　受信部
２２　　学習部
３０　　第１の制御装置
４０　　第２の制御装置
５０　　コンピュータ
５１　　ネットワークインタフェース
５２　　プロセッサ
５３　　メモリ
１００　Ｎｅａｒ－ＲＴ　ＲＩＣ
１０１　Ｅ２通信部
１０２　Ｏ１通信部
１０３　Ａ１通信部
１１１　データ収集部
１１２　データ分析部
１１３　制御内容特定部
１２０　モデル記憶部
１２１、１２１ａ、１２１ｂ　推論モデル
１３１　学習データ蓄積制御部
１３２　学習データベース
１３３　学習データ送信部
１４１　学習部
１４２　データ変化検出部
１４３　環境変化検出部
２００　Ｎｏｎ－ＲＴ　ＲＩＣ
２０１　Ｏ１通信部
２０２　Ａ１通信部
２１１　システム管理部
２１２　学習部
２２０　モデル記憶部
２２１、２２１ａ、２２１ｂ　学習モデル
３００　Ｏ－ＤＵ
４００　Ｏ－ＣＵ
５００　外部アプリケーションサーバ

Claims (25)

  1. 　無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集する収集手段と、
    　前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する送信手段と、
    　を備える、制御システム。
  2. 　前記特定モデルは、前記学習を行った学習モデルにより構築される、
    　請求項１に記載の制御システム。
  3. 　前記学習用データは、前記特定モデルが前記特定用データを使用して特定した結果である特定結果データを含む、
    　請求項１または２に記載の制御システム。
  4. 　前記収集する特定用データから、前記学習モデルが学習に使用する学習用データを選別する選別手段を備え、
    　前記送信手段は、前記選別された学習用データを送信する、
    　請求項１乃至３のいずれか一項に記載の制御システム。
  5. 　前記選別手段は、前記特定用データに対応するユーザ端末の位置に基づいて、前記学習用データを選別する、
    　請求項４に記載の制御システム。
  6. 　前記選別手段は、前記特定用データに対応する環境の変化に基づいて、前記学習用データを選別する。
    　請求項４または５に記載の制御システム。
  7. 　前記送信するための学習用データを蓄積する蓄積手段を備え、
    　前記送信手段は、前記蓄積された学習用データを統合した統合データを送信する、
    　請求項１乃至６のいずれか一項に記載の制御システム。
  8. 　前記蓄積手段は、前記無線ネットワークに含まれる複数のノードから収集した特定用データを含む学習用データを蓄積する、
    　請求項７に記載の制御システム。
  9. 　前記送信手段は、前記制御システムと前記他の制御システムとの間の通信状況に応じて、前記学習用データを送信する、
    　請求項１乃至８のいずれか一項に記載の制御システム。
  10. 　前記送信手段は、前記制御システムから前記他の制御システムへ送信される他のトラフィックに応じて、前記学習用データを送信する、
    　請求項１乃至９のいずれか一項に記載の制御システム。
  11. 　前記送信手段は、複数の前記学習用データを送信する場合、前記学習用データごとの優先度に応じて、前記学習用データを送信する、
    　請求項１乃至１０のいずれか一項に記載の制御システム。
  12. 　前記送信手段は、前記学習用データを次元圧縮した圧縮データを送信する、
    　請求項１乃至１１のいずれか一項に記載の制御システム。
  13. 　前記収集手段は、前記収集した特定用データの変化に応じて、前記特定用データを収集する頻度を調整する、
    　請求項１乃至１２のいずれか一項に記載の制御システム。
  14. 　前記送信手段は、前記収集した特定用データの変化に応じて、前記送信する学習用データの時間粒度を調整する、
    　請求項１乃至１３のいずれか一項に記載の制御システム。
  15. 　前記特定用データを使用して学習した学習モデルを生成し、前記生成された学習モデルにより前記特定モデルを更新する学習手段を備える、
    　請求項１乃至１４のいずれか一項に記載の制御システム。
  16. 　前記制御システム及び前記他の制御システムは、ＲＡＮ（Radio Access Network）を制御するＲＩＣ（RAN Intelligent Controller）を含む、
    　請求項１乃至１５のいずれか一項に記載の制御システム。
  17. 　前記制御システムは、Ｎｅａｒ－ＲＴ（Real Time）　ＲＩＣを含み、
    　前記他の制御システムは、Ｎｏｎ－ＲＴ　ＲＩＣを含む、
    　請求項１６に記載の制御システム。
  18. 　他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信する受信手段と、
    　前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する学習手段と、
    　を備える、制御システム。
  19. 　前記学習手段は、前記学習を行った学習モデルを前記特定モデルに適用する、
    　請求項１８に記載の制御システム。
  20. 　無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集する収集手段と、
    　前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する送信手段と、
    　を備える、制御装置。
  21. 　他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信する受信手段と、
    　前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する学習手段と、
    　を備える、制御装置。
  22. 　無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集し、
    　前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する、
    　制御方法。
  23. 　他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信し、
    　前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する、
    　制御方法。
  24. 　無線ネットワークに関する制御を特定する特定モデルが、前記特定に使用する特定用データを収集し、
    　前記特定用データを、前記無線ネットワークに関する制御を学習する学習モデルに使用する学習用データとして、前記学習モデルにより学習を行う他の制御システムに送信する、
    　処理をコンピュータに実行させるための制御プログラムが格納された非一時的なコンピュータ可読媒体。
  25. 　他の制御システムが特定モデルにより無線ネットワークに関する制御を特定するために収集した特定用データを、学習用データとして、前記他の制御システムから受信し、
    　前記学習用データを使用して、学習モデルにより前記無線ネットワークに関する制御を学習する、
    　処理をコンピュータに実行させるための制御プログラムが格納された非一時的なコンピュータ可読媒体。
PCT/JP2022/031251 2022-08-18 2022-08-18 制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体 WO2024038554A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/031251 WO2024038554A1 (ja) 2022-08-18 2022-08-18 制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/031251 WO2024038554A1 (ja) 2022-08-18 2022-08-18 制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体

Publications (1)

Publication Number Publication Date
WO2024038554A1 true WO2024038554A1 (ja) 2024-02-22

Family

ID=89941516

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/031251 WO2024038554A1 (ja) 2022-08-18 2022-08-18 制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体

Country Status (1)

Country Link
WO (1) WO2024038554A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210235473A1 (en) * 2020-01-27 2021-07-29 Sterlite Technologies Limited Method and apparatus for allocating bandwidth in a wireless communication system based on demand

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210235473A1 (en) * 2020-01-27 2021-07-29 Sterlite Technologies Limited Method and apparatus for allocating bandwidth in a wireless communication system based on demand

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KATSURAGAWA TAICHII: "Efforts towards RAN intelligentization,", NTT DOCOMO TECHNICAL JOURNAL, vol. 30, no. 1, 1 April 2022 (2022-04-01), pages 27 - 36, XP093139525 *
O-RAN Working Group 2. AI/ML workflow description and requirements. O-RAN.WG2.AIML-v01.02.02. 09 October 2020 *
QUALCOMM INCORPORATED: "NWDAF Decompose Architecture", 3GPP DRAFT; S2-2003862, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. SA WG2, no. Elbonia; 20200601 - 20200612, 22 May 2020 (2020-05-22), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France , XP051889870 *
TSUBOTA, HIROKI: "5G RAN brain "RIC"", TEREKOMYUNIKESHON - TELECOMMUNICATION, TEREKOMU, TOKYO, JP, vol. 38, no. 9, 24 August 2021 (2021-08-24), JP , pages 13 - 15, XP009552964, ISSN: 0910-7576 *

Similar Documents

Publication Publication Date Title
CN110120882B (zh) 策略驱动方法和装置
JP7159347B2 (ja) モデル更新方法および装置、ならびにシステム
US20230087821A1 (en) Information processing method and related device
CN110139325B (zh) 一种网络参数调优方法及装置
CN113661727A (zh) 用于无线网络的无线电接入网(ran)节点的神经网络的配置
US10158583B2 (en) Virtual network function state scaling
CN112383927B (zh) 无线网络的交互方法、装置、设备及存储介质
Chen et al. Minimizing age-of-information for fog computing-supported vehicular networks with deep Q-learning
CN112073991B (zh) 一种接入网的业务处理方法及设备
EP4307634A1 (en) Feature engineering programming method and apparatus
CN105992252A (zh) 用户设备ue的ue上下文的处理方法和装置
CN116782185B (zh) 一种车载无线短距离通信的资源调度方法及装置
EP4376386A1 (en) Electronic device and operation method for deploying application
CN116250270A (zh) 一种模型配置方法及装置
US11722429B1 (en) Resource allocation for extended reality applications
WO2024038554A1 (ja) 制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体
CN116866205A (zh) 网络服务动态优化方法、系统、电子设备及介质
CN117294743A (zh) 一种构建方法、第一通信节点、存储介质及构建系统
WO2024127559A1 (ja) システム、装置、方法、及び非一時的なコンピュータ可読媒体
WO2024038555A1 (ja) システム、装置、方法、及び非一時的なコンピュータ可読媒体
Falahatraftar et al. A multiple linear regression model for predicting congestion in heterogeneous vehicular networks
WO2024100753A1 (ja) 制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体
WO2023119623A1 (ja) 管理装置、通信システム、制御方法、及び非一時的なコンピュータ可読媒体
CN112822706B (zh) 一种信息处理方法、装置及计算机可读存储介质
EP3787330B1 (en) Network architecture to improve service quality management

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22955728

Country of ref document: EP

Kind code of ref document: A1