WO2024070103A1 - 無線アクセスネットワークの制御装置 - Google Patents

無線アクセスネットワークの制御装置 Download PDF

Info

Publication number
WO2024070103A1
WO2024070103A1 PCT/JP2023/024201 JP2023024201W WO2024070103A1 WO 2024070103 A1 WO2024070103 A1 WO 2024070103A1 JP 2023024201 W JP2023024201 W JP 2023024201W WO 2024070103 A1 WO2024070103 A1 WO 2024070103A1
Authority
WO
WIPO (PCT)
Prior art keywords
inference
learning
unit
real
control unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2023/024201
Other languages
English (en)
French (fr)
Inventor
慧 米川
優 塚本
和広 斉藤
茂樹 村松
宏之 新保
茂莉 黒川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KDDI Corp
Original Assignee
KDDI Corp
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 KDDI Corp filed Critical KDDI Corp
Priority to EP23871348.1A priority Critical patent/EP4598098A4/en
Priority to CN202380061876.4A priority patent/CN119769126A/zh
Publication of WO2024070103A1 publication Critical patent/WO2024070103A1/ja
Priority to US19/070,955 priority patent/US20250203407A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/12—Access point controller devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/18—Service support devices; Network management devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W92/00—Interfaces specially adapted for wireless communication networks
    • H04W92/04—Interfaces between hierarchically different network devices

Definitions

  • the present invention relates to a control device for a radio access network, and in particular to a control device for a radio access network that has the function of re-learning a learning model that has been generated by learning data collected from the radio access network.
  • RAN Radio Access Network
  • CU Centralized Unit
  • DU Distributed Unit
  • RU Radio Unit
  • Non-patent documents 1 and 2 consider the application of AI/ML to various applications, such as beamforming control, radio resource allocation, traffic prediction, and base station function placement, in order to maximize network performance within the limited network resources in RAN.
  • Non-Patent Document 3 discloses a technology that performs learning based on data collected from the RAN to generate a learning model, performs inference using the data collected from the RAN and the learning model, and controls the RAN according to the inference results.
  • Patent Document 1 a patent application for an AI system that accumulates and monitors data related to AI/ML learning and inference from O-RAN base station equipment, detects concept drift, and performs re-learning.
  • Figure 5 is a functional block diagram showing the conventional configuration of an AI system that detects concept drift and performs re-learning.
  • the data collection unit 11 repeatedly collects the latest data from the O-RAN base station equipment 10, and provides the collected latest data (collected data) to the AI/ML learning unit 12 and the AI/ML inference unit 13, while also storing it in the data accumulation unit 14.
  • the collected data stored in the data accumulation unit 14 is managed in the AI/ML database 15.
  • the AI/ML learning unit 12 learns the collected data and generates a learning model for controlling the O-RAN base station equipment 10.
  • the AI/ML model management unit 16 manages the learning models previously generated by the AI/ML learning unit 12.
  • the AI/ML inference unit 13 performs inference based on the learning models and data newly collected by the data collection unit 11, and outputs the inference results to the control unit 17 and the inference performance measurement unit 18.
  • the control unit 17 controls the O-RAN base station equipment 10 based on the inference results.
  • the inference performance measurement unit 18 determines the inference performance based on the inference result and the latest data collected after the control unit 17 controls the O-RAN base station device 10 based on the inference result, and stores inference performance data indicating the determined inference performance in the AI/ML database 15.
  • the concept drift detection unit 19 periodically obtains at least one of the collected data and the inference performance data from the AI/ML database 15 and determines whether or not concept drift is occurring.
  • the concept drift detection unit 19 detects the occurrence of concept drift, it instructs the re-learning control unit 20 to generate a new learning model (re-learning).
  • the re-learning control unit 20 provides the AI/ML learning unit 12 with data for re-learning and instructs it to re-learn.
  • the AI/ML learning unit 12 When re-learning is instructed, the AI/ML learning unit 12 generates a new learning model based on the newly collected data by the data collection unit 11 and outputs it to the AI/ML model management unit 16.
  • the AI/ML model management unit 16 compares the current learning model used by the AI/ML inference unit 13 with the new learning model, and if the inference performance of the new learning model is higher than the inference performance of the current learning model, it outputs the new learning model to the AI/ML inference unit 13.
  • the AI/ML inference unit 13 will then use the new learning model to perform inference. If the inference performance of the new learning model is lower than that of the current learning model, the AI/ML model management unit 16 can instruct the AI/ML learning unit 12 to re-learn.
  • the RAN Intelligent Controller which is responsible for controlling and optimizing RAN functions, has a hierarchical structure consisting of non-real-time components called “Non-RT (Real Time) RIC” and near-real-time components called “Near-RT RIC,” which have different control periods, as shown in Figure 6.
  • Non-RT RICs have a control period of 1 second or more and a wide range of controlled objects
  • Near-RT RICs have a control period of 10 msec to 1 second and a narrow range of controlled objects.
  • Non-RT RICs are often installed in station buildings (data centers), while Near-RT RICs are often located at edge sites (rooftops of buildings or rented rooms in apartments). Therefore, by placing functions related to AI/ML learning in Non-RT RICs and functions related to AI/ML inference in Near-RT RICs, it is possible to create highly generalizable learning models by learning using a wide range of data that can be accommodated in the station building, and since inference can be performed at each edge site, the processing load at the edge sites can be reduced.
  • Non-RT RIC information under Non-RT RIC can be used to detect concept drift, improving the ability to track environmental changes.
  • the O1 interface does not specify interface specifications for the performance indicators of the learning model. Although there are specifications for the interface of performance indicators for base stations based on the 3GPP (registered trademark) specifications, these cannot be used as is for the inference performance data of the learning model. Furthermore, the A1 interface does not specify interface specifications for the performance indicators of the learning model.
  • the object of the present invention is to provide a radio access network control device that can solve the above technical problems, place all functions related to re-learning of learning models in a Non-RT RIC, and realize re-learning based on concept drift detection.
  • the present invention provides a wireless access network control device in which a non-real-time control unit and a quasi-real-time control unit are hierarchically arranged, the control device comprising: a learning unit that generates a learning model based on data collected from the wireless access network; an inference unit that controls the wireless access network based on the results of inference by applying the collected data to the learning model; and a re-learning unit that detects whether or not concept drift has occurred based on the collected data and causes the learning unit to re-learn the learning model when concept drift is detected; the inference unit is disposed in the quasi-real-time control unit, and the learning unit and the re-learning unit are disposed in the non-real-time control unit.
  • the AI/ML learning function can learn using a wide range of data within the station's coverage area, making it possible to create a learning model with high generalizability.
  • All functions related to re-learning are located in the non-real-time control unit, which reduces the processing load of the quasi-real-time control unit and enables re-learning to be performed even if the edge site has limited computing resources.
  • FIG. 2 is a functional block diagram showing the configuration of a main part of an O-RAN control device according to an embodiment of the present invention.
  • FIG. 13 illustrates a method for specifying an index when requesting inference performance data.
  • a figure showing an example of transmitting inference performance data in table format. 1 is a sequence flow showing the operation of the present invention.
  • FIG. 1 is a functional block diagram showing a conventional configuration of an AI system that detects concept drift and executes re-learning.
  • FIG. 2 is a functional block diagram of the RAN Intelligent Controller (RIC).
  • RIC RAN Intelligent Controller
  • Figure 1 is a functional block diagram showing the configuration of the main parts of an O-RAN control device according to one embodiment of the present invention, where configuration that is not necessary for explaining the present invention is omitted from the illustration. Also, the same reference numerals as above represent the same or equivalent parts.
  • This embodiment is characterized in that functions related to AI/ML inference are placed in the Near-RT RIC, and functions related to AI/ML learning and re-learning of learning models are placed in the Non-RT RIC.
  • the O-RAN control device is composed of an O-CU/O-DU, a Near-RT RIC and a Non-RT RIC, and each function can communicate with each other via various interfaces including the O1 interface, A1 interface and E2 interface defined by the O-RAN Alliance.
  • the O-RAN base station device 10 is placed in the O-CU/O-DU.
  • the Near-RT RIC is equipped with an AI/ML inference unit 13, a control unit 17, and an inference performance measurement unit 18 as its main functions related to AI/ML inference.
  • the Non-RT RIC is equipped with a data collection unit 11, an AI/ML learning unit 12, and an AI/ML model management unit 16 as its main functions related to AI/ML learning, and further equipped with a data accumulation unit 14, an AI/ML database 15, a concept drift detection unit 19, and a re-learning control unit 20 as its main functions related to re-learning.
  • the data collection unit 11 collects the latest data from the O-RAN base station equipment 10 of the O-CU/O-DU via the O1 interface and provides it to the data storage unit 14 and the AI/ML learning unit 12.
  • the latest data is managed in the AI/ML database 15.
  • the learning model created by the AI/ML learning unit 12 based on the collected data is registered in the AI/ML management unit 16 and provided to the AI/ML inference unit 13 of the Near-RT RIC via the A1 interface.
  • the AI/ML inference unit 13 applies the latest data to the learning model acquired via the A1 interface and provides the inference results obtained to the control unit 17 and the inference performance measurement unit 18.
  • the inference performance measurement unit 18 transmits the inference performance data to the AI/ML database 15 and AI/ML management unit 16 of the Non-RT RIC via the A1/O1 interface.
  • the re-learning control unit 20 instructs the AI/ML learning unit 12 to re-learn the learning model.
  • the re-learned learning model is updated and registered in the AI/ML management unit 16, and provided to the AI/ML inference unit 13 of the Near-RT RIC via the A1 interface.
  • the functions related to AI/ML learning, AI/ML inference, and re-learning of the learning model are distributed to the Near-RT RIC and Non-RT RIC, so the following two messages (a) and (b) are added to send and receive information related to re-learning between the Near-RT RIC and Non-RT RIC.
  • Inference performance data In O-RAN WG2, the indices shown in Fig. 2 are listed as indices related to AI/ML inference performance, and at least one indices is specified. Indices for binary classification problems, multiclass classification problems, and regression classification problems are specified. In this embodiment, the average value and median value for a specified period can be obtained.
  • model performance degrades when dealing with out-of-distribution (OOD) data. Therefore, an OOD score based on a trained model is added as an inference performance indicator when ground truth data cannot be obtained.
  • OOD out-of-distribution
  • the maximum value when the output of a trained model is normalized in the class direction using Softmax can be specified as Maximum over softmax probabilities (MSP) disclosed in Non-Patent Document 4, Outlier Exposure disclosed in Non-Patent Document 5, or ODIN disclosed in Non-Patent Document 6.
  • MSP Maximum over softmax probabilities
  • Non-Patent Document 7 it is possible to calculate a Gaussian distribution of features for each class using the penultimate feature and label of a trained model, and specify the negative Mahalanobis distance of the class with the smallest Mahalanobis distance.
  • Non-Patent Document 8 it is also possible to specify the free energy with a negative sign when the energy function is the output of a trained model with a negative sign.
  • inference performance data (p1 to pm) regarding the m indicators specified in the (1) information request to the AI/ML database is transmitted for each learning model (No.) in table format at specified time intervals.
  • Figure 4 is a sequence flow showing the operation of this embodiment, with the explanation focusing on communication between the O-CU/O-DU, Near-RT RIC and Non-RT RIC.
  • communication between the O-CU/O-DU and Near-RT RIC is performed via the E2 interface
  • communication between the Near-RT RIC and Non-RT RIC is performed via the O1 interface or A1 interface.
  • the O-CU/O-DU repeatedly transmits the latest data of the O-RAN base station equipment 10 to the Near-RT RIC and Non-RT RIC at a predetermined period.
  • the O-CU/O-DU transmits the latest data to the Near-RT RIC via the E2 interface and to the Non-RT RIC via the O1 interface.
  • the latest data is acquired by the data collection unit 11.
  • the AI/ML inference unit 13 applies the latest data to the current learning model to execute inference, and notifies the inference result to the control unit 17 and the inference performance measurement unit 18.
  • the control unit 17 instructs the O-RAN base station device 10 of the O-CU/O-DU to perform control based on the inference result via the E2 interface.
  • the Non-RT RIC requests inference performance data from the Near-RT RIC at a predetermined period.
  • the AI/ML model management unit 16 of the Non-RT RIC requests inference performance data from the Near-RT RIC via the O1 interface
  • the inference performance measurement unit 18 in the Near-RT RIC responds to the request by transmitting the measurement results of the inference performance data in the table format to the Non-RT RIC via the O1 interface.
  • the concept drift detection unit 19 measures concept drift based on the inference performance data and the data stored in the AI/ML database 15.
  • the re-learning control unit 20 instructs the AI/ML learning unit 12 to re-learn at time t6.
  • the AI/ML learning unit 12 performs re-learning to generate a learning model, and updates and registers this in the AI/ML model management unit 16.
  • the re-learned learning model is sent from the AI/ML model management unit 16 of the Non-RT RIC to the AI/ML inference unit 13 of the Near-RT RIC via the A1 interface. Therefore, from this point on, control based on the re-learned learning model is performed each time the latest data is collected.
  • functions related to AI/ML inference are placed in the Near-RT RIC, while functions related to AI/ML learning and relearning are placed in the Non-RT RIC, which reduces the processing load on the Near-RT RIC. Therefore, in an environment where the edge site has limited computing resources and concept drift does not occur frequently, it becomes possible to detect concept drift promptly, and it is possible to improve responsiveness to environmental changes.
  • Goal 9 Build resilient infrastructure and promote inclusive and sustainable industrialization
  • Goal 11 Make cities inclusive, safe, resilient and sustainable” of the United Nations-led Sustainable Development Goals (SDGs).

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

非リアルタイム系の制御部（Non-RT RIC）及び準リアルタイム系の制御部（Near-RT RIC）が階層化され、O-RAN基地局装置10から収集したデータに基づいて学習モデルを生成するAI/ML学習機能（11,12,16）及び推論性能データに基づいてコンセプトドリフトの発生を検知すると学習モデルを再学習させる再学習機能（14,15,19,20）を非リアルタイム系の制御部に配置した。また、前記学習モデルに最新のデータを適用して推論した結果に基づいて無線アクセスネットワークを制御し、推論性能データを再学習機能へ送信するAI/ML推論機能（13,17,18）を準リアルタイム系の制御部に配置した。

Description

無線アクセスネットワークの制御装置
　本発明は、無線アクセスネットワークの制御装置に係り、特に、無線アクセスネットワークから収集したデータを学習して生成した学習モデルを再学習する機能を備えた無線アクセスネットワークの制御装置に関する。
　無線アクセスネットワーク（RAN：Radio Access Network）において、従来は統合されていた基地局の機能を、セッション処理を行うCU（Centralized Unit）、ベースバンド処理を行う分散ユニットDU（Distributed Unit）及び無線処理を行うRU（Radio Unit）に分割し、各ユニット間のインタフェース仕様をオープン化するための仕様検討がO-RAN Allianceで進められている。
　Beyond 5Gシステムでは、スループット、通信遅延、接続数等の性能をより拡大し、多種多様なサービス（例えばロボット制御、コネクティッドカー、AR/VR等）を提供することが期待されており、これらを実現するためのキーテクノロジーとしてAI（人工知能）/ML(機械学習）が注目されている。
　非特許文献1，2では、RANにおいて限られたネットワークリソースの中でネットワーク性能を最大化するために、ビームフォーミング制御、無線リソース割当、トラヒック予測、基地局機能配置など、様々な用途にAI/MLを適用することが検討されている。
　非特許文献3には、RANから収集したデータに基づき学習を行って学習モデルを生成し、RANから収集したデータ及び当該学習モデルを使用して推論を行い、推論結果に従ってRANを制御する技術が開示されている。
　しかしながら、時間経過や環境変化よって、推論で使われているデータの特性が、学習時のデータから変化すること（コンセプトドリフト）でモデルの推論性能が低下することがある。
　このような技術課題に対して、本発明の発明者等は、O-RANの基地局装置からAI/MLの学習・推論に関するデータを蓄積・監視し、コンセプトドリフトを検知して再学習を実行するAIシステムを提案し、特許出願した（特許文献１）。
　図5は、コンセプトドリフトを検知して再学習を実行するAIシステムの従来構成を示した機能ブロック図である。
　データ収集部11はO-RAN基地局装置10から最新データを繰り返し収集し、収集した最新データ（収集データ）をAI/ML学習部12及びAI/ML推論部13へ提供すると共にデータ蓄積部14に蓄積する。データ蓄積部14に蓄積された収集データはAI/MLデータベース15で管理される。AI/ML学習部12は、収集データを学習してO-RAN基地局装置10を制御するための学習モデルを生成する。
　AI/MLモデル管理部16は、AI/ML学習部12が過去に生成した学習モデルを管理する。AI/ML推論部13は、データ収集部11が新たに収集した収集データ及び学習モデルに基づく推論を行い、推論結果を制御部17及び推論性能測定部18へ出力する。制御部17は、推論結果に基づいてO-RAN基地局装置10を制御する。
　推論性能測定部18は、制御部17が推論結果に基づいてO-RAN基地局装置10を制御した後に収集された最新データと当該推論結果とに基づいて推論性能を判定し、判定した推論性能を示す推論性能データをAI/MLデータベース15に格納する。
　コンセプトドリフト検知部19は、周期的にAI/MLデータベース15から収集データ及び推論性能データの少なくとも一方を取得し、コンセプトドリフトが生じているか否か判定する。コンセプトドリフトの発生を検知すると、コンセプトドリフト検知部19は、新たな学習モデルの生成（再学習）を再学習制御部20へ指示する。再学習制御部20は、AI/ML学習部12へ再学習用のデータを提供して再学習を指示する。
　AI/ML学習部12は、再学習が指示されるとデータ収集部11が新たに収集した収集データに基づき新たな学習モデルを生成し、AI/MLモデル管理部16に出力する。AI/MLモデル管理部16は、AI/ML推論部13が使用している現在の学習モデルと新たな学習モデルとを比較し、新たな学習モデルによる推論性能が現在の学習モデルによる推論性能よりも高ければ、新たな学習モデルをAI/ML推論部13に出力する。
　AI/ML推論部13は、以後、新たな学習モデルを使用して推論を行う。なお、新たな学習モデルによる推論性能が現在の学習モデルによる推論性能より低い場合、AI/MLモデル管理部16はAI/ML学習部12に再学習を指示することができる。
特願2022-046347号
M. E. Morocho-Cayamcela, H. Lee and W. Lim, "Machine Learning for 5G/B5G Mobile and Wireless Communications: Potential, Limitations, and Future Directions," in IEEE Access, vol. 7, pp. 137184-137206, 2019. J. Kaur, M. A. Khan, M. Iftikhar, M. Imran and Q. Emad Ul Haq, "Machine Learning Techniques for 5G and Beyond," in IEEE Access, vol. 9, pp. 23472-23488, 2021. O-RAN Alliance, "AI/ML workflow description and requirements," O-RAN.WG2.AIML-v01.03, Jul. 2021. Hendrycks, D. and Gimpel, K. 2017. A BASELINE FOR DETECTING MISCLASSIFIED AND OUT-OF-DISTRIBUTION EXAMPLES IN NEURAL NETWORKS. ICLR. (2017). Hendrycks, D. and Dietterich, T. 2019. DEEP ANOMALY DETECTION WITH OUTLIER EXPOSURE. ICLR. (2019). Liang, S., Li, Y. and Srikant, R. 2018. ENHANCING THE RELIABILITY OF OUT-OF-DISTRIBUTION IMAGE DETECTION IN NEURAL NETWORKS. ICLR. (2018). Lee, K., Lee, K., Lee, H. and Shin, J. 2018. A simple unified framework for detecting out-of-distribution samples and adversarial attacks. NeurIPS. (2018). Liu, W., Wang, X., Owens, J.D. and Li, Y. 2020. Energy-based Out-of-distribution Detection. NeurIPS. (2020). Huang, R., Geng, A. and Li, Y. 2021. On the Importance of Gradients for Detecting Distributional Shifts in the Wild. NeurIPS (2021).
　RAN機能の制御及び最適化を担うRANインテリジェント・コントローラー（RIC）は、図6に示すように、制御周期が異なる非リアルタイム系のコンポーネント「Non-RT（Real Time）RIC」及び準リアルタイム系のコンポーネント「Near-RT RIC」の階層構造となっている。
　ここで、Non-RT RICは制御周期が1sec以上で制御対象が広いのに対して、Near-RT RICは制御周期が10msec～1secで制御対象が狭いという異なった特徴を有することから、AI/MLに関する各機能ブロックのNear-RT RIC及びNon-RT RICへの最適配置が従来から検討されている。
　Non-RT RICは局舎（データセンタ）に設けられ、Near-RT RICはエッジサイト（ビルの屋上やアパートの借室）に配置されることが多い。したがって、AI/ML学習に係る機能をNon-RT RICに配置し、AI/ML推論に係る機能をNear-RT RICへ配置すれば、局舎の収容範囲である広範囲のデータを用いた学習により汎化性の高い学習モデルを作ることができるほか、推論をエッジサイト毎に行うことができるのでエッジサイトの処理負荷を削減することができるようになる。
　しかしながら、リアルタイム性を優先して、AI/ML学習に係る機能のみならず学習モデルの再学習に係る機能もNear-RT RICに配置すると以下の技術課題が生じ得る。
　第1に、Near-RT RICの処理負荷が増大する。すなわち、エッジサイトは電力やスペースの制約があるため、潤沢な計算機を配置することができない。
　第2に、Near-RT RIC配下の情報しかコンセプトドリフト検知に用いることができない。すなわち、隣接エリアの情報を用いることができないのでコンセプトドリフトの検知が遅れる。
　これに対して、再学習に係る全ての機能をNon-RT RICに配置すれば、以下のような効果が期待できる。
　第1に、Near-RT RICの処理負荷を低減し、エッジサイトの計算機リソースが限られていても再学習を実施することができる。
　第2に、Non-RT RIC配下の情報をコンセプトドリフト検知に用いることができるので、環境変化に対する追従性を高めることができる。
　一方、再学習に係る全ての機能をNon-RT RICに配置してコンセプトドリフト検知に基づく再学習を実現するためには、Near-RT RICからNon-RT RICへ学習モデルの推論性能のデータを送信する必要があり、A1/O1インタフェースを用いることが考えられる。
　しかしながら、O1インタフェースには学習モデルの性能指標のインタフェース仕様が規定されていない。3GPP（登録商標）の仕様に基づく基地局向けの性能指標のインタフェースの規定はあるが、これをそのまま学習モデルの推論性能データに使用することはできない。また、A1インタフェースにも学習モデルの性能指標のインタフェース仕様は規定されていない。
　本発明の目的は、上記の技術課題を解決し、学習モデルの再学習に係る全ての機能をNon-RT RICに配置し、コンセプトドリフト検知に基づく再学習を実現できる無線アクセスネットワークの制御装置を提供することにある。
　上記の目的を達成するために、本発明は、非リアルタイム系の制御部及び準リアルタイム系の制御部が階層化された無線アクセスネットワークの制御装置において、無線アクセスネットワークから収集したデータに基づいて学習モデルを生成する学習部と、学習モデルに前記収集したデータを適用して推論した結果に基づいて無線アクセスネットワークを制御する推論部と、前記収集したデータに基づいてコンセプトドリフトが発生しているか否かを検知し、コンセプトドリフトの発生を検知すると学習部に学習モデルを再学習させる再学習部とを具備し、推論部を準リアルタイム系の制御部に配置し、学習部及び再学習部を非リアルタイム系の制御部に配置した。
　本発明によれば、AI/ML推論に係る機能のみが準リアルタイム系の制御部へ配置され、AI/ML学習に係る機能及び再学習に係る機能は非リアルタイム系の制御部に配置されるので、以下のような効果が達成される。
　(1) AI/ML学習に係る機能は、局舎の収容範囲内の広範囲のデータ用いて学習することができるので、汎化性の高い学習モデルを作ることができる。
　(2)AI/ML推論をエッジサイト毎に行うことができるので、エッジサイトの処理負荷を削減することができる。
　(3) 再学習に係る機能を全て非リアルタイム系の制御部に配置したので、準リアルタイム系の制御部の処理負荷を低減し、エッジサイトの計算機リソースが限られていても再学習を実施することができる。
　(4) 非リアルタイム系の制御部の配下の情報をコンセプトドリフト検知に用いることができるので、環境変化に対する追従性を高めることができる
　本発明のその他の特徴及び利点は、添付図面を参照とした以下の説明により明らかになるであろう。なお、添付図面においては、同じ若しくは同様の構成には、同じ参照番号を付す。
　添付図面は明細書に含まれ、その一部を構成し、本発明の実施の形態を示し、その記述と共に本発明の原理を説明するために用いられる。
本発明の一実施形態に係るO-RAN制御装置の主要部の構成を示した機能ブロック図である。 推論性能データをリクエストする際に指標を指定する方法を示した図である。 推論性能データをテーブル形式で送信する例を示した図である。 本発明の動作を示したシーケンスフローである。 コンセプトドリフトを検知して再学習を実行するAIシステムの従来構成を示した機能ブロック図である。 RANインテリジェント・コントローラー（RIC）の機能ブロック図である。
　以下、添付図面を参照して実施形態を詳しく説明する。なお、以下の実施形態は特許請求の範囲に係る発明を限定するものではなく、また実施形態で説明されている特徴の組み合わせの全てが発明に必須のものとは限らない。実施形態で説明されている複数の特徴のうち二つ以上の特徴は任意に組み合わされてもよい。また、同一若しくは同様の構成には同一の参照番号を付し、重複した説明は省略する。
　図1は、本発明の一実施形態に係るO-RAN制御装置の主要部の構成を示した機能ブロック図であり、ここでは本発明の説明に不要な構成の図示を省略している。また、前記と同一の符号は同一又は同等部分を表している。本実施形態は、AI/ML推論に係る機能をNear-RT RICに配置し、AI/ML学習及び学習モデルの再学習に係る機能をNon-RT RICに配置した点に特徴がある。
　O-RAN制御装置は、O-CU/O-DU、Near-RT RIC及びNon-RT RICから構成され、各機能は、O-RAN Allianceが規定するO1インタフェース,A1インタフェース及びE2インタフェースを含む各種のインタフェースを介して相互に通信できる。O-CU/O-DUには前記O-RAN基地局装置10が配置される。
　Near-RT RICには、AI/ML推論に係る主な機能として、AI/ML推論部13，制御部17及び推論性能測定部18が配置されている。Non-RT RICには、AI/ML学習に係る主な機能として、データ収集部11，AI/ML学習部12及びAI/MLモデル管理部16が配置され、更に再学習に係る主な機能として、データ蓄積部14，AI/MLデータベース15，コンセプトドリフト検知部19及び再学習制御部20が配置されている。
　Non-RT RICにおいて、データ収取部11はO-CU/O-DUのO-RAN基地局装置10から最新データをO1インタフェースを介して収集し、データ蓄積部14及びAI/ML学習部12へ提供する。前記最新データはAI/MLデータベース15で管理される。AI/ML学習部12が前記収集したデータに基づいて作成した学習モデルはAI/ML管理部16に登録され、A1インタフェースを介してNear-RT RICのAI/ML推論部13へ提供される。
　Near-RT RICにおいて、AI/ML推論部13は前記A1インタフェースを介して取得した学習モデルに最新データを適用して得られる推論結果を制御部17及び推論性能測定部18へ提供する。推論性能測定部18は、推論性能データをNon-RT RICのAI/MLデータベース15及びAI/ML管理部16へA1/O1インタフェースを介して送信する。
　Non-RT RICにおいて、コンセプトドリフト検知部19がコンセプトドリフトを検知すると、再学習制御部20はAI/ML学習部12に対して学習モデルの再学習を指示する。再学習された学習モデルはAI/ML管理部16に更新登録され、A1インタフェースを介してNear-RT RICのAI/ML推論部13へ提供される。
　このように、本実施形態ではAI/ML学習、AI/ML推論及び学習モデルの再学習に係る各機能をNear-RT RIC及びNon-RT RICに分散配置したことから、Near-RT RICとNon-RT RICとの間で再学習に係る情報を送受するために、以下の2つのメッセージ(a)，(b)が追加される。
　(a) 推論性能データのリクエスト
　(b) リクエストされた推論性能データの送信
　ここで、前記(a)推論性能データのリクエストでは、以下の3つの情報(1)-(3)が指定される。
　(1)推論性能データ
　O-RAN WG2では、図2に例示した指標がAI/MLの推論性能に関する指標として挙げられており、少なくとも一つの指標が指定される。この指標では、二値分類問題（Binary classification problems）向けの指標、多クラス分類問題（Multiclass classification problems）向けの指標及び回帰問題（Regression classification problems）向けの指標が、それぞれ規定されている。本実施形態では、指定した期間の平均値や中央値が取得可能である。
　(2)対象物
　推論性能データを取得する対象の学習モデルが指定される。
　(3)データ取得の間隔
　推論性能データの取得間隔が指定される。
　ところで、前記図2に例示した指標はいずれも、正解データ(真値)を用いる指標であるが、正解データがシステムから得られない場合もある。そこで、本実施形態では以下に詳述するように、正解データが得られない場合の推論性能指標も含めて選択可能としている。
　一般に、分布外(OOD：out-of-distribution)データに対してモデルの性能は低下する。したがって、学習済みモデルを前提としたOODスコアが、正解データを得られない場合の推論性能指標として追加される。
　多クラス分類問題向けであれば、学習済みモデルの出力をクラス方向にSoftmaxで正規化したときの最大値として、非特許文献4が開示するMaximum over softmax probabilities (MSP)、非特許文献5が開示するOutlier Exposure又は非特許文献6が開示するODINを指定できる。
　また、非特許文献7が開示するMahalanobisのように、学習済みモデルの最後から二番目の特徴量とラベルを用いてクラス毎に特徴量のガウス分布を計算し、マハラノビス距離が最小となるクラスのマハラノビス距離に負号をつけたものも指定できる。
　さらに、非特許文献8が開示するEnergyのように、エネルギー関数を学習済みモデルの出力に負号をつけたものとしたときの、自由エネルギーに負号をつけたものも指定できる。
　さらに、非特許文献9が開示するGradNormのように、学習済みモデルのSoftmax出力と一様分布のKLDをbackpropした際の勾配のノルムも指定できる。
　一方、二値分類問題向けであれば、多クラス分類問題向けの指標を指定できる。
　前記(b)推論性能データの送信に関して、本実施形態では図3に一例を示すように、前記(1)AI/MLデータベースに対する情報のリクエストで指定されたm個の指標に関する推論性能データ（p1～pm）が学習モデル（No.）ごとに、テーブル形式で、かつ指定された時間間隔で送信される。
　図4は、本実施形態の動作を示したシーケンスフローであり、ここではO-CU/O-DU、Near-RT RIC及びNon-RT RIC間の通信に注目して説明する。本実施形態では、O-CU/O-DU及びNear-RT RIC間の通信はE2インタフェースを介して行われ、Near-RT RIC及びNon-RT RIC間の通信はO1インタフェース又はA1インタフェースを介して行われる。
　O-CU/O-DUは、O-RAN基地局装置10の最新データを所定の周期でNear-RT RIC及びNon-RT RICへ繰り返し送信する。本実施形態では、時刻t1においてO-CU/O-DUが最新データを、Near-RT RICへはE2インタフェースを介して、Non-RT RICへはO1インタフェースを介して、それぞれ送信する。Non-RT RICでは、前記最新データがデータ収集部11により取得される。
　Near-RT RICでは、AI/ML推論部13が現在の学習モデルに前記最新データを適用して推論を実行し、推論結果を制御部17及び推論性能測定部18へ通知する。制御部17は、時刻t2においてO-CU/O-DUのO-RAN基地局装置10へ、前記推論結果に基づく制御をE2インタフェースを介して指示する。
　Non-RT RICは、所定の周期でNear-RT RICへ推論性能データをリクエストする。本実施形態では、時刻t3において、Non-RT RICのAI/MLモデル管理部16が推論性能データをNear-RT RICへO1インタフェースを介してリクエストすると、Near-RT RICでは、時刻t4において推論性能測定部18が前記リクエストに応答して、推論性能データの測定結果をNon-RT RICへO1インタフェースを介して前記テーブル形式で送信する。
　Non-RT RICでは、コンセプトドリフト検知部19が前記推論性能データ及びAI/MLデータベース15に蓄積されているデータに基づいてコンセプトドリフトを測定する。時刻t5においてコンセプトドリフトが検知されると、時刻t6において、再学習制御部20がAI/ML学習部12に対して再学習を指示する。AI/ML学習部12は、再学習を実施して学習モデルを生成し、これをAI/MLモデル管理部16に更新登録する。
　時刻t7では、Non-RT RICのAI/MLモデル管理部16からNear-RT RICのAI/ML推論部13へ前記再学習された学習モデルがA1インタフェースを介して送信される。したがって、これ以降は最新のデータが収集されるごとに、当該再学習した学習モデルに基づく制御が行われる。
　本実施形態によれば、AI/ML推論に係る機能はNear-RT RICに配置される一方、AI/ML学習及び再学習に係る機能はNon-RT RICへ配置されるので、Near-RT RICの処理負荷を低減することができる。したがって、エッジサイトの計算機リソースに制約があって、コンセプトドリフトが頻繁には発生しない環境下であればコンセプトドリフトの即応的な検知が可能となり、環境変化に対する追従性を高めることができる。
　その結果、実施形態によれば、国連が主導する持続可能な開発目標（SDGs）の目標9「レジリエントなインフラを整備し、包括的で持続可能な産業化を推進する」や目標11「都市を包摂的、安全、レジリエントかつ持続可能にする」に貢献することが可能となる。
　本発明は上記実施の形態に制限されるものではなく、本発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、本発明の範囲を公にするために、以下の請求項を添付する。
　本願は、２０２２年９月２７日提出の日本国特許出願特願２０２２－１５３２３０を基礎として優先権を主張するものであり、その記載内容の全てを、ここに援用する。

Claims (5)

  1. 　非リアルタイム系の制御部及び準リアルタイム系の制御部が階層化された無線アクセスネットワークの制御装置において、
    　無線アクセスネットワークから収集したデータに基づいて学習モデルを生成する学習部と、
    　前記学習モデルに前記収集したデータを適用して推論した結果に基づいて無線アクセスネットワークを制御する推論部と、
    　前記収集したデータに基づいてコンセプトドリフトが発生しているか否かを検知し、コンセプトドリフトの発生を検知すると前記学習部に学習モデルを再学習させる再学習部とを具備し、
    　前記推論部が前記準リアルタイム系の制御部に配置され、前記学習部及び再学習部が前記非リアルタイム系の制御部に配置される、無線アクセスネットワークの制御装置。
  2. 　前記推論部が、前記収集したデータ及び推論の結果に基づいて推論性能を測定する推論性能測定手段とを含み、
    　前記再学習部が、前記推論性能に基づいてコンセプトドリフトの発生を検知するコンセプトドリフト検知手段及び前記コンセプトドリフトの発生が検知されると前記学習部に学習モデルを再学習させる再学習制御手段とを含み、
    　前記非リアルタイム系の制御部は、推論性能データを準リアルタイム系の制御部へO1インタフェースを介してリクエストし、
    　前記準リアルタイム系の制御部は前記リクエストに応答して、推論性能データを前記非リアルタイム系の制御部へO1インタフェースを介して送信し、
    　前記非リアルタイム系の制御部は、再学習した学習モデルを前記準リアルタイム系の制御部へ、O1インタフェース及びA1インタフェースの一方を介して送信する、請求項１に記載の無線アクセスネットワークの制御装置。
  3. 　前記推論性能データのリクエストが、推論性能の指標、対象の学習モデル及びデータの取得間隔の各指定を含む、請求項２に記載の無線アクセスネットワークの制御装置。
  4. 　前記準リアルタイム系の制御部は、前記リクエストされた推論性能データを、前記指定された学習モデル毎に前記指定された各指標のデータを記述したテーブル形式で送信する、請求項３に記載の無線アクセスネットワークの制御装置。
  5. 　前記推論性能の指標が、学習済みモデルを前提とした分布外スコアを含む、請求項３または４に記載の無線アクセスネットワークの制御装置。
PCT/JP2023/024201 2022-09-27 2023-06-29 無線アクセスネットワークの制御装置 Ceased WO2024070103A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP23871348.1A EP4598098A4 (en) 2022-09-27 2023-06-29 CONTROL DEVICE FOR RADIO ACCESS NETWORK
CN202380061876.4A CN119769126A (zh) 2022-09-27 2023-06-29 无线接入网络的控制装置
US19/070,955 US20250203407A1 (en) 2022-09-27 2025-03-05 Control device for radio access network

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-153230 2022-09-27
JP2022153230A JP7709947B2 (ja) 2022-09-27 2022-09-27 無線アクセスネットワークの制御装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US19/070,955 Continuation US20250203407A1 (en) 2022-09-27 2025-03-05 Control device for radio access network

Publications (1)

Publication Number Publication Date
WO2024070103A1 true WO2024070103A1 (ja) 2024-04-04

Family

ID=90476906

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/024201 Ceased WO2024070103A1 (ja) 2022-09-27 2023-06-29 無線アクセスネットワークの制御装置

Country Status (5)

Country Link
US (1) US20250203407A1 (ja)
EP (1) EP4598098A4 (ja)
JP (1) JP7709947B2 (ja)
CN (1) CN119769126A (ja)
WO (1) WO2024070103A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2026013745A1 (ja) * 2024-07-08 2026-01-15 Ｎｔｔ株式会社 制御装置、学習方法、通信システム、通信方法及びプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210266781A1 (en) * 2018-08-29 2021-08-26 Carleton University Enabling wireless network personalization using zone of tolerance modeling and predictive analytics
JP2022046347A (ja) 2020-09-10 2022-03-23 エドワーズ株式会社 真空ポンプ
JP2022153230A (ja) 2021-03-29 2022-10-12 ナイアンティック， インコーポレイテッド 相互作用可能な拡張仮想現実体験

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11902104B2 (en) * 2020-03-04 2024-02-13 Intel Corporation Data-centric service-based network architecture
EP4241510A4 (en) 2020-11-09 2024-10-23 Telefonaktiebolaget LM Ericsson (publ) METHOD AND SYSTEM FOR PAGING HANDLING OF A DEVICE BASED ON A PREDICTIVE MODEL OF A FUTURE NEED FOR PAGING OF THE DEVICE
US12328602B2 (en) * 2021-09-24 2025-06-10 Intel Corporation ML model management in O-RAN

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210266781A1 (en) * 2018-08-29 2021-08-26 Carleton University Enabling wireless network personalization using zone of tolerance modeling and predictive analytics
JP2022046347A (ja) 2020-09-10 2022-03-23 エドワーズ株式会社 真空ポンプ
JP2022153230A (ja) 2021-03-29 2022-10-12 ナイアンティック， インコーポレイテッド 相互作用可能な拡張仮想現実体験

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
HENDRYCKS, D.DIETTERICH, T.: "DEEP ANOMALY DETECTION WITH OUTLIER EXPOSURE", ICLR, 2019
J. KAURM. A. KHANM. IFTIKHARM. IMRANQ. EMAD UL HAQ: "Machine Learning Techniques for 5G and Beyond", IEEE ACCESS, vol. 9, 2021, pages 23472 - 23488
LEE, K.LEE, K.LEE, H.SHIN, J.: "A simple unified framework for detecting out-of-distribution samples and adversarial attacks", NEURIPS, 2018
LIU, W.WANG, X.OWENS, J.D.LI, Y.: "Energy-based Out-of-distribution Detection", NEURIPS, 2020
M. E. MOROCHO-CAYAMCELAH. LEEW. LIM: "Machine Learning for 5G/B5G Mobile and Wireless Communications: Potential, Limitations, and Future Directions", IEEE ACCESS, vol. 7, 2019, pages 137184 - 137206, XP011748413, DOI: 10.1109/ACCESS.2019.2942390
O-RAN ALLIANCE: "AI/ML workflow description and requirements", O-RAN.WG2.AIML-V01, 3 July 2021 (2021-07-03)
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 *
See also references of EP4598098A4
TAICHI. KATSURAGAWA: "Initiatives toward Intelligent RAN", NTT DOCOMO TECHNICAL JOURNAL, vol. 30, no. 1, 1 April 2022 (2022-04-01), pages 27 - 36, XP093155210 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2026013745A1 (ja) * 2024-07-08 2026-01-15 Ｎｔｔ株式会社 制御装置、学習方法、通信システム、通信方法及びプログラム

Also Published As

Publication number Publication date
EP4598098A4 (en) 2026-01-07
CN119769126A (zh) 2025-04-04
US20250203407A1 (en) 2025-06-19
EP4598098A1 (en) 2025-08-06
JP2024047633A (ja) 2024-04-08
JP7709947B2 (ja) 2025-07-17

Similar Documents

Publication Publication Date Title
JP7710116B2 (ja) モデル構成方法及び装置
Thantharate et al. ADAPTIVE6G: Adaptive resource management for network slicing architectures in current 5G and future 6G systems
Zhang et al. A survey of computation offloading with task types
Polese et al. Machine learning at the edge: A data-driven architecture with applications to 5G cellular networks
Lin et al. Artificial intelligence-empowered resource management for future wireless communications: A survey
Fu et al. Artificial intelligence to manage network traffic of 5G wireless networks
Kibria et al. Big data analytics, machine learning, and artificial intelligence in next-generation wireless networks
Huang et al. Wireless big data: transforming heterogeneous networks to smart networks
Ali et al. Reinforcement-learning-enabled massive Internet of Things for 6G wireless communications
CN111967605A (zh) 无线电接入网中的机器学习
EP4592912A1 (en) Radio access network control device
Cao et al. AI agent in software-defined network: Agent-based network service prediction and wireless resource scheduling optimization
Raftopoulos et al. DRL-based latency-aware network slicing in O-RAN with time-varying SLAs
Hsieh et al. Deep reinforcement learning-based task assignment for cooperative mobile edge computing
Bhajantri et al. A comprehensive survey on resource management in internet of things
Shafik et al. Energy optimization analysis on internet of things
Lin et al. Fueling the next quantum leap in cellular networks: Embracing AI in 5G evolution towards 6G
US20250203407A1 (en) Control device for radio access network
Ding et al. A novel PODMAI framework enhanced by user demand prediction for resource allocation in spectrum sharing UAV networks
US20250234215A1 (en) Control device for radio access network
Lin et al. Hypergraph-based autonomous networks: adaptive resource management and dynamic resource scheduling
Sova et al. Hierarchical model of decision acceptance in intelligent manet control system
Maiti et al. Deployment of multi-tier fog computing system for IoT services in smart city
CN120513649A (zh) 用于在无线通信系统中发送和接收能力信息的方法和设备
Mahesh et al. AI/ML for next generation wireless networks

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: 23871348

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202380061876.4

Country of ref document: CN

WWP Wipo information: published in national office

Ref document number: 202380061876.4

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2023871348

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2023871348

Country of ref document: EP

Effective date: 20250428

WWP Wipo information: published in national office

Ref document number: 2023871348

Country of ref document: EP