JP7507871B2 - ネットワークノード及び通信方法 - Google Patents

Description

本開示は通信ネットワーク分析を実行する機械学習モデルを提供する通信ネットワーク配置及び方法に関連する。

5G移動通信ネットワークのような通信ネットワークにおいては、一定のサービス品質を維持できることを保証することが重要である。このため、負荷、リソース利用、使用可能なコンポーネント、コンポーネントの状態などの情報から生成することが可能なネットワーク統計分析及び予測情報を監視して、例えば過負荷（overload）が切迫している場合に、サービス品質の低下を回避する等の措置を講じることができる。5G移動通信システムのようなネットワーク・スライス・アーキテクチャを有する通信ネットワークにおいては、これは、個々のネットワーク・スライス・インスタンスに対するネットワーク分析及び予測情報（ネットワーク分析情報とも呼ばれる）のモニタリングに特に関連し、なぜなら例えば個々のネットワーク・スライス・インスタンスが過負荷になる可能性があるからである。従って、ネットワーク分析及び/又は予測情報を提供するための効率的で信頼性の高いアプローチが望まれている。

実施形態によれば、プロセッサを備え、前記プロセッサは、機械学習モデルに求める分析のパラメータを指定し、前記パラメータの指定された前記機械学習モデルを機械学習モデルコンポーネントに要求し、前記要求で指定された前記パラメータに従って、前記分析に関して訓練されている機械学習モデルを、前記機械学習モデルコンポーネントから受信するように構成され、前記パラメータは、移動通信ネットワークのサブ・ネットワークの識別子を含み、前記受信した機械学習モデルを、分析データ・リポジトリ機能部（Ａｎａｌｙｔｉｃｓ Ｄａｔａ Ｒｅｐｏｓｉｔｏｒｙ Ｆｕｎｃｔｉｏｎ、ＡＤＲＦ）を使用して記憶する、ネットワークノード、が提供される。

図中、同様な参照符号は概して様々な図面を通じて同様な部分を指している。図面は必ずしも縮尺通りではなく、むしろ一般的に本発明の原理を説明することに着目した強調である。以下の説明では、以下の図面を参照して種々な態様が説明される。
図1は、例えば3GPP（登録商標）（第3世代パートナーシップ・プロジェクト）で規定されている5G（第5世代）に従って構成された無線通信システムを示す。 図2は、ネットワーク・スライスを示す。 図3は、NWDAF AnLF（Network Data Analytics Function Analytics Logical Function）及びNWDAF MTLF（Network Data Analytics Function Model Training Logical Function）を示す。 図4は、機械学習（machine learning，ML）モデル準備サービス動作を示すフローチャートを示す。 図5は、MLモデル要求サービス動作を示すフローチャートを示す。 図6は、ユーザー装置（User Equipment，UE）グループIDに基づくMLモデル選択の第1例と第2例を示す。 図7は、スライスIDに基づくMLモデル選択の第1例と第2例を示す。 図8は、ネットワーク機能（Network Function，NF）プロファイル登録手順のフローチャートを示す。 図9は、データ収集調整機能（Data Collection Coordination Function，DCCF）を用いるNWDAF（AnLF）によるNWDAF（MTLF）の発見を示す。 図10は、分析データ・リポジトリ機能（Analytics Data Repository Function，ADRF）を介して、NWDAF（MTLF）からNWDAF（AnLF）への機械学習モデルの提供を示す。 図11は、実施形態による移動通信ネットワークの通信ネットワーク構成を示す。 図12は、通信ネットワーク分析を実行する方法を示すフローチャートを示す。

以下の詳細な説明は、本発明を実施することが可能な本開示の特定の詳細及び態様を例示として示す添付図面を参照している。本発明の範囲から逸脱することなく、他の態様が利用されてもよく、構造的、論理的、及び電気的な変更が施されてもよい。本開示の様々な態様は、必ずしも相互に排他的ではなく、なぜなら本開示の幾つかの態様は本開示の1つ以上の他の態様と組み合わされて新たな態様を成すことが可能だからである。

以下、本開示の態様に対応する様々な実施例を説明する：
実施例1は、上述したような移動通信ネットワークの通信ネットワーク配置である。

実施例2は、実施例1による通信ネットワーク配置において、ネットワーク分析のネットワーク側ターゲットは、移動通信ネットワークのリソース、又は移動通信ネットワークにより提供される機能である。

実施例3は、実施例1又は2による通信ネットワーク配置において、ネットワーク側ターゲットは、移動通信ネットワークのサブ・ネットワーク、及び／又は、移動通信ネットワークにより提供されるアプリケーション及び／又は通信サービスである。

実施例4は、実施例1ないし3のうちの何れかによる通信ネットワーク配置において、ネットワーク分析コンポーネントは、提供された機械学習モデルを用いてネットワーク分析を実行するように構成されている。

実施例5は、実施例1ないし4のうちの何れかによる通信ネットワーク配置において、機械学習モデル訓練コンポーネントは、機械学習モデルの記憶場所の識別子を提供することによって、選択された機械学習モデルをネットワーク分析コンポーネントへ提供するように構成されている。

実施例6は、実施例5による通信ネットワーク配置において、機械学習モデル訓練コンポーネントは、分析データ・リポジトリ機能（Analytics Data Repository Function，ADRF）の識別子を、機械学習モデルの記憶場所として提供するように構成されている。

実施例7は、実施例1ないし6のうちの何れか1項による通信ネットワーク配置において、パラメータは、ネットワーク分析のネットワーク側ターゲットの特徴を指定しており、機械学習モデル訓練コンポーネントは、指定された特徴を有するネットワーク分析のネットワーク側ターゲットに関して訓練されている機械学習モデルを、複数の機械学習モデルの中から選択することによって、機械学習モデルを選択するように構成されている。

実施例8は、実施例1ないし7のうちの何れか1項による通信ネットワーク配置において、パラメータは、移動通信ネットワークのサブ・ネットワークの識別子、移動通信ネットワークのサブ・ネットワークのタイプの識別子、又は移動通信ネットワークのサブ・ネットワークの識別子である。

実施例9は、実施例8による通信ネットワーク配置において、サブ・ネットワークは、無線アクセス・ネットワーク、ネットワーク・スライス、無線アクセス・ネットワーク・スライス、コア・ネットワーク・スライス、非公衆ネットワーク、又は公衆陸上移動通信ネットワークである。

実施例10は、実施例1ないし9のうちの何れか1項による通信ネットワーク配置において、ネットワーク分析情報は、
1つ以上の移動端末の通信動作及び／又は移動に関する情報であって、1つ以上の移動端末がネットワーク分析のネットワーク側ターゲットを使用する場合における情報、
1つ以上の移動端末がネットワーク分析のネットワーク側ターゲットを使用する場合に観察される通信品質、
ネットワーク分析のネットワーク側ターゲットのパフォーマンス、又は
それらの組み合わせである。

実施例11は、実施例1ないし10のうちの何れか1項による通信ネットワーク配置において、制御プレーン・コンポーネント、特にネットワーク分析コンポーネントを実現する、アクセス及びモビリティ管理機能又はセッション管理機能（Access and Mobility Management Function or a Session Management Function）を含む。

実施例12は、実施例1ないし11のうちの何れか1項による通信ネットワーク配置において、中間コンポーネントを含み、ネットワーク分析コンポーネントは、中間コンポーネントを介して機械学習モデルに要求するように構成されており、機械学習モデル訓練コンポーネントは、中間コンポーネントを介して、決定された機械学習モデルをネットワーク分析コンポーネントへ提供するように構成されている。

実施例13は、実施例1ないし12のうちの何れか1項による通信ネットワーク配置において、ネットワーク分析コンポーネントは、ネットワーク・データ分析機能－分析論理機能部（Network Data Analytics Function- Analytics Logical Function）である。

実施例14は、実施例1ないし13のうちの何れか1項による通信ネットワーク配置において、ネットワーク分析コンポーネントは、ネットワーク分析のネットワーク側ターゲットのパラメータを指定して、移動通信ネットワークの制御プレーン・コンポーネントから、ネットワーク分析を実行する要求を受信するように構成されている。

実施例15は、実施例1ないし14のうちの何れか1項による通信ネットワーク配置において、ネットワーク分析コンポーネントは、機械学習モデルに求めるネットワーク分析のネットワーク側ターゲットのパラメータに加えて、要求された機械学習モデルにより生成されるべきネットワーク分析情報のタイプを記述している分析識別子、若しくは要求された機械学習モデルにより生成されるべきネットワーク分析情報に関する1つ以上の移動端末、又はそれら双方を指定しており、機械学習モデル訓練コンポーネントは、複数の機械学習モデルの中から、記述されたタイプのネットワーク分析情報を提供するように訓練されている機械学習モデル、1つ以上の移動端末に関してネットワーク分析を実行するように訓練されている機械学習モデル、又は双方に関する機械学習モデルを選択することによって、機械学習モデルを選択するように構成されている。

実施例16は、実施例1ないし15のうちの何れか1項による通信ネットワーク配置において、機械学習モデル訓練コンポーネントは、ネットワーク分析のネットワーク側ターゲットのパラメータの複数の値の各々について、機械学習モデルを訓練するように構成されている。

実施例17は、通信ネットワーク分析を実行する機械学習モデルを提供する方法であり、本方法は、ネットワーク分析情報を導出する複数の機械学習モデルを訓練するステップと、機械学習モデルに求めるネットワーク分析のネットワーク側ターゲットのパラメータの仕様を含む、機械学習モデルの要求を受信するステップと、複数の機械学習モデルのうち、指定されたパラメータに従って、ネットワーク分析のネットワーク側ターゲットに関して訓練されている機械学習モデルを提供するステップとを含む。

上記の任意の実施例の1つ以上の特徴は、他の任意の1つの実施例と組み合わせられてもよいこと留意すべきである。特に、デバイスの文脈で説明された実施例は、方法に対しても同様に有効である。

更なる実施形態によれば、コンピュータ・プログラム、及び、命令を含むコンピュータ読み取り可能な媒体であって、命令はコンピュータによって実行されると、上記の実施例の何れか1つの方法をコンピュータに実行させるものが、提供される。

以下、様々な実施例をより詳細に説明する。

図1は、例えば、3GPP（第3世代パートナーシップ・プロジェクト）によって規定される5G（第5世代）により構成された移動無線通信システム100を示す。

移動無線通信システム100は、ユーザー装置（user equipment，UE）、ナノ装置（nano equipment，NE）等のような移動無線端末デバイス102を含む。加入者端末とも呼ばれる移動無線端末デバイス102は、端末側を形成する一方、以下において説明される無線通信システム100の他の構成要素は、移動無線通信ネットワーク側の一部、即ち移動無線通信ネットワーク（例えば、公衆陸上移動通信ネットワーク（Public Land Mobile Network，PLMN）の一部である。

更に、移動無線通信システム100は、複数の無線アクセス・ネットワーク・ノード、即ち5G（第5世代）無線アクセス技術（5Gニュー・ラジオ）に従って無線アクセスを提供するように構成された基地局を含むことが可能な無線アクセス・ネットワーク（RAN）103を含む。移動無線通信システム100は、ロング・ターム・エボリューション（Long Term Evolution，LTE）又は他の移動無線通信規格（例えば、WiFiのような非3GPPアクセス）に従って構成されてもよいが、本件では一例として5Gが使用されていることに留意すべきである。各々の無線アクセス・ネットワーク・ノードは、エア・インターフェースを介して無線通信を移動無線端末デバイス102に提供することができる。無線アクセス・ネットワーク103は任意の数の無線アクセス・ネットワーク・ノードを含んでもよいことに留意すべきである。

移動無線通信システム100は、RAN 103に接続されたアクセス＆モビリティ管理機能部（AMF）101、統一データ管理部（UDM）104、及びネットワーク・スライス選択機能部（NSSF）105を含むコア・ネットワーク118を更に含む。ここで、以下の例において、UDMは、例えば統合データ・リポジトリ（Unified Data Repository，UDR）として知られている実際のUEの加入者データベースから更に構成されていてもよい。コア・ネットワーク118は、認証サーバ機能部（Authentication Server Function，AUSF）114及びポリシー制御機能（Policy Control Function，PCF）115を更に含む。

コア・ネットワーク118は、複数のコア・ネットワーク・スライス106、107を有することが可能であり、各々のコア・ネットワーク・スライス106、107について、オペレータは（移動ネットワーク・オペレータに関するMNOとも呼ばれる）、複数のコア・ネットワーク・スライス・インスタンス108、109を作成することができる。例えば、コア・ネットワーク118は、拡張モバイル・ブロードバンド（Enhanced Mobile Broadband，eMBB）を提供するための3つのコア・ネットワーク・スライス・インスタンス（CNI）108を有する第1コア・ネットワーク・スライス106と、ビークル・ツー・エブリシング（Vehicle-to-Everything，V2X）を提供するための3つのコア・ネットワーク・スライス・インスタンス（CNI）109を有する第2コア・ネットワーク・スライス107とを含む。

典型的には、ネットワーク・スライスが配備される（即ち、作成される）場合に、ネットワーク機能部（NF）はインスタンス化されるか、又は（既にインスタンス化されている場合には）コア・ネットワーク・スライス・インスタンスを形成するために参照され、コア・ネットワーク・スライス・インスタンスに属するネットワーク機能は、コア・ネットワーク・スライス・インスタンス識別子とともに構成される。

具体的には、図示の例では、第1コア・ネットワーク・スライス106の各インスタンス108は、第1セッション管理機能部（SMF）110と第1ユーザー・プレーン機能部（UPF）111とを含み、第2コア・ネットワーク・スライス107の各インスタンス109は、第2セッション管理機能部（SMF）112と第2ユーザー・プレーン機能部（UPF）113とを含む。SMF110，112は、プロトコル・データ・ユニット（Protocol Data Unit，PDU）セッションを処理するため、即ち、PDUセッションを作成、更新、及び削除し、ユーザー・プレーン機能部（UPF）を用いてセッション・コンテキストを管理するためのものである。

RAN 103及びコア・ネットワーク118は、移動無線通信システムのネットワーク側を形成し、あるいは換言すれば移動無線通信ネットワークを形成する。移動無線通信ネットワークと、移動無線通信ネットワークにアクセスする移動端末とは、共に、移動無線通信システムを形成する。

コア・ネットワーク118と同様に、RAN 103はスライス化されてもよく、即ち、複数のRANスライスを含んでもよい。RANスライス及びコア・ネットワーク・スライス106，107は、図2に示すように、ネットワーク・スライスを形成するようにグループ化されてもよい。

図2は、ネットワーク・スライス200を示す。

ネットワーク・スライス200は、特定のネットワーク能力及びネットワーク特性を提供する論理ネットワークとして理解することができる。

ネットワーク・スライス200は、RANスライス201及びコア・ネットワーク（例えば、5GC）スライス202を含む。

ネットワーク・スライス200のインスタンス、即ち、RANスライス・インスタンス及びコア・ネットワーク・スライス・インスタンスを含むネットワーク・スライス・インスタンスは、PLMN内で定義され、コア・ネットワーク制御プレーン及びユーザー・プレーン・ネットワーク機能、RANコンポーネント（例えば、NG-RANコンポーネント）、特に、基地局を含む。

ローミングの場合、これらのコンポーネントは、少なくとも部分的に、訪問先のPLMN（VPLMN）によるものとなる可能性がある。

以下、「ネットワーク・スライス」（又は単に「スライス」）は一般にコア・ネットワーク・スライスを指すが、RANスライスを含んでもよい。

単一ネットワーク・スライス選択支援情報（Single Network Slice Selection Assistance information，S-NSSAI）は、ネットワーク・スライスを識別し、以下のものにより構成される：
－ スライス／サービス・タイプ（SST）。これは、特徴とサービスの観点から期待されるネットワーク・スライス挙動を指す；
－ スライス差別化要因（Slice Differentiator，SD）。これは、同じスライス/サービス・タイプの複数のネットワーク・スライス同士を区別するために、スライス/サービス・タイプを補足するオプションの情報である。

ネットワーク・スライス・インスタンスは、NSI（NSI IDとも呼ばれる）によって識別される。

NSSAIは、1つ以上のS-NSSAIを含む可能性がある。

許可されたNSSAIは、例えば登録手続きの間に、サービングPLMN（Public Land Mobile Network）によって提供されるNSSAIであり、これは、現在の登録エリアのサービングPLMN内のUEに対して、ネットワークによって許容されるS-NSSAI値を示す。

設定されたNSSAIは、UEで準備されているNSSAIである。これは1つ以上のPLMNに適用される可能性がある。

要求されたNSSAIは、要求されたネットワーク・スライスに対してPDUセッションを確立するために、登録中にUEがネットワークに提供するNSSAIである。

移動無線通信システム100は、例えば、RAN 103及びコア・ネットワーク118に接続される1つ以上のOAMサーバーによって実装される運営管理メンテナンス（Operation, Administration and Maintenance，OAM）機能（又はエンティティ）116を更に含むことが可能である（接続は、簡明化のために示されていない）。OAM 116は、管理データ分析サービス（Management Data Analytics Service，MDAS）を含むことが可能である。MDASは、例えば、ネットワーク・スライス・インスタンス負荷に関する分析レポートを提供することができる。様々な要因がネットワーク・スライス・インスタンスの負荷に影響を及ぼす可能性があり、例えば、ネットワークにアクセスするUEの数、QoSフローの数、ネットワーク・スライス・インスタンスに関連する異なるNFのリソース利用などである。

コア・ネットワーク118は、ネットワーク・データ分析機能（Network Data Analytics Function，NWDAF）117を更に含むことが可能である。NWDAFは、ネットワーク機能からの要求に応じて、ネットワーク分析及び/又は予測情報を提供する責務を負う。例えば、ネットワーク機能は、特定のネットワーク・スライス・インスタンスの負荷レベルに関する特定の分析情報を要求することができる。あるいは、ネットワーク・スライス・インスタンスの負荷レベルが変化したり、特定の閾値に達する場合に、NWDAFにより通知されることを保証するために、ネットワーク機能は、加入サービスを使用することが可能である。NWDAF 117は、移動通信ネットワーク側の種々のネットワーク機能、例えば、AMF 101，SMF110，112及びPCF 115に対するインターフェースを有することが可能である。簡明化のために、NWDAF 117とAMF 101との間のインターフェースのみが描かれている。

例えば、NWDAF分析は、ネットワーク・スライス・インスタンスに登録されているUEの数と、それらの観測サービス経験（Observed Service Experience）をモニタリングすることを可能にするべきである。サービス・レベル・アグリーメント（service level agreement，SLA）支援を実行するOAMに加えて、5GC NFは、ネットワーク・スライス・インスタンスにおいてサービス経験劣化を更に防止するために、NWDAFスライスQoE分析に基づくアクションを行うことが可能である。

NSSF 105又はAMF 101は、例えば、NWDAF 117によって提供される分析結果（即ち、ネットワーク分析及び/又は予測情報）を処理することによって識別される問題に対処するために、負荷分散決定が必要とされる時期を決定することができる。例えば、ネットワーク・スライス・インスタンスが検出されるか、又はサービス経験劣化を経験すると予測される場合、ネットワーク・スライス負荷配分メカニズムをトリガーすることによって、新たなUE登録やPDUセッションは、そのネットワーク・スライス・インスタンスに最早割り当てられないかもしれない。例えば、NSSF 105，AMF 101及び/又はOAM 116は、NWDAF 117からのスライス・サービス経験及びスライス負荷分析の両方に同時に加入することもできる。1つ以上のS-NSSAI及びNSIへの1つ以上の加入が可能である。

NWDAF 117は、スライスロードレベル情報をNFへネットワーク・スライス・インスタンス・レベルで提供する。NWDAFは、そこに加入したNFへ、スライス固有のネットワーク・ステータス分析情報（ネットワーク分析及び/又は予測情報とも呼ばれる）を通知する。例えば、ネットワーク分析及び/又は予測情報として、NWDAF 117は、分析フィルタにおけるS-NSSAI及び関連NSI（適用可能な場合）によって示されるネットワーク・スライス・インスタンスの負荷レベルが、分析サブスクリプションで提供された閾値を超えたことを報告する；閾値がサブスクリプションで提供されていない場合、報告（通知動作）は周期的であると仮定される。

ネットワーク分析及び/又は予測情報を生成するために、NWDAF 117は、（例えば、スライス・サービス経験分析を導出するために）必要とされる入力データ、即ち、ネットワーク・スライス・インスタンスの状態の分析のための情報を収集する。NWDAF 117は、それに応じて通知されるネットワーク機能に加入することによって、そのような種類の情報を取得することができる。

3GPP リリース17（Rel-17）によれば、NWDAF 117は2つの機能に分解される。

図3は、NWDAF分析論理機能（NWDAF Analytics Logical Function，NWDAF AnLF）301及びモデル訓練論理機能（NWDAF Model Training Logical Function，NWDAF MTLF）302を示す。

分析論理機能を含むNWDAF 301は、NWDAF（AnLF）（又はNWDAF-AnLF）として示され、推論を実行し、分析情報を導出し、分析サービスを公にすることができる（即ち、Nnwdaf_AnalyticsSubscription又はNnwdaf_AnalyticsInfoである）。

モデル訓練論理機能を含むNWDAF 302は、NWDAF（MTLF）（又はNWDAF-MTLF）として示され、機械学習（ML）モデルを訓練し、新しい訓練サービスを公にする（例えば、訓練済みモデルを提供する）。

NWDAF（AnLF）301は、分析サービスを提供する。それは、分析情報とともに提供されるように、NF（サービス・コンシューマとしての役割を果たす）303（例えば、AMF又はSMF）によって連絡されてもよい。

NF 303によるNWDAF（AnLF）301への入力要求パラメータは、例えば、Analytic ID及びS-NSSAIである。NWDAF（AnLF）301からの出力は、例えば、分析ID（Analytics ID）についての統計及び/又は予測（本件では、ネットワーク分析情報と呼ばれる）である。

分析IDの例は、UE通信、UEモビリティ、UE挙動、ユーザー・データ輻輳、ネットワーク・パフォーマンスなどである。これらの分析IDはスライス固有のものではないことに留意すべきである。

NWDAF（MTLF）302は、MLモデル・サービス（モデル訓練エクスポージャ）を提供する。それは、分析を実行するために訓練済み機械学習モデルと共に提供されるように、別のNWDAF（サービス・コンシューマとして機能する）304によって連絡されてもよい。

テーブル1は、MLモデル関連サービス動作をリスト化したものである。

Nnwdaf_MLModelProvisionサービスとNnwdaf_MLModelInfoサービスは、NWDAF(MTLF) 301によって提供され、NWDAF 304（通常は、NWDAF（AnLF）である）によって使用される。

図4は、MLモデル提供サービス動作を示すフローチャート400を示す。

NWDAFサービス・コンシューマ401（例えば、NWDAF 304又はNF 301に対応するもの）及びNWDAF（MTLF）402（例えば、NWDAF（MTLF）302に対応するもの）が、フローに含まれる。

図4のフローの目的は、関連する分析でMLモデル情報が利用可能になった場合に通知を受けるため及び／又は加入するためのNWDAFサービス・コンシューマ401に関するものである。

403において、NWDAFサービス・コンシューマ401は、モデル提供サービスに加入する（同様に、後に脱退してもよい）。NWDAF（MTL）402は、404において確認応答する。

加入の際に、NWDAFサービス・コンシューマ401は、以下の入力をNWDAF（MTLF）402に提供することができる：
・分析IDのリスト：MLモデルが使用されるべき分析を識別する。

・分析フィルタ情報：分析情報を報告する際に充足されるべき条件を指定する。これにより、分析に要求されるMLモデルを選択することができる。

・分析報告のターゲット：分析のMLモデルが要求されている対象や、特定のUE、UEのグループ、又は任意のUE（即ち、全てのUE）のようなエンティティを示す。

NWDAFサービス・コンシューマ401がモデル提供サービスに加入すると、NWDAF（MTLF）は、出力通知相関情報とMLモデル情報（例えば、分析IDのMLモデル・ファイル・アドレス）とをNWDAFサービス・コンシューマ401に提供する。

NWDAF 118は、分析サービス又はMLモデル・サービス、又は両方のサービス（即ち、NWDAF 118は、NWDAF（AnLF）301及びNWDAF（MTLF）302の両方であってもよい）を提供できることに留意すべきである。

図5は、MLモデル要求サービス動作を示すフローチャート500を示す。

NWDAFサービス・コンシューマ501（例えば、NWDAF 304に対応するもの）及びNWDAF（MTLF）502（例えば、NWDAF（MTLF）302に対応するもの）が、フローに含まれる。

図5のフローの目的は、NWDAFサービス・コンシューマ501が、分析IDに関連するMLモデル情報（のセット）の提供を受け、その結果、NWDAFサービス・コンシューマ501は分析を導出することが可能になる。

503において、NWDAFサービス・コンシューマ501は、図4のフローと同様な入力を有するNWDAF（MTLF）502へ、要求メッセージを送信して（特に、1つ以上の分析ID）、NWDAF MLモデル情報を要求する。この入力は、オプションとして、分析情報を報告する際に充足されるべき条件を指定する分析フィルタ情報と、分析のMLモデルが要求されている対象や、特定のUE、UEのグループ、又は任意のUE（即ち、全てのUE）のようなエンティティを示す分析報告のターゲットとを含む。

504において、NWDAF（MTLF）502は、図4のフローと同様な出力、即ち、モデル・ファイルの1つ以上のタプル（分析ID、アドレス（例えば、URL（Uniform Resource Locator）又はFQDN（Fully-Qualified Domain Name）））とともに応答する。

NWDAF（MTLF）302は、特定のUE、又はUEのグループ、又は任意のUE（即ち、全てのUE）、の分析のためにMLモデルが提供されるべきかどうかに依存して、分析に提供されるべき機械学習モデルを決定することができる。

図6は、UEグループIDに基づくMLモデル選択のための第1例601及び第2例602を示す。

第1のユース・ケース601では、2つのネットワーク・スライス605，606の各々に個々のグループ603，604が存在している。

例えば、NWDAF（MTLF）302は、分析IDとUEグループのIDの提供を受けた場合に、MLモデルを選択する。

第2のユース・ケース602では、1つのネットワーク・スライス609について、UEの2つのグループ607，608が存在している。

再び、NWDAF（MTLF）302は、例えば、分析IDとUEグループのIDの提供を受けた場合に（例えば、UEグループのIDは、PLMN上で一意であると仮定している）、MLモデルを選択する。

様々な実施形態によれば、NWDAF（MTLF）302は、分析が実行されるべき通信ネットワークの部分（例えば、サブ・ネットワーク）に依存して、即ち、以下のようなパラメータに依存して、分析のために提供されるべき機械学習モデルを決定する：
・S-NSSAI及び／又はNSI (i.e. スライスID)
・スライス・タイプ（e.g. S-NSSAIにより示される）及び／又はDNN
・NPN（非公衆ネットワーク）タイプ（e.g. SNPN又はCAG)
・NPN IDタイプ（e.g. SNPN ID又はCAG ID)
・PLMN ID
・アクセス/RATタイプ(3GPP (e.g. LTE, NR) vs non-3GPP (WiFi, fixed)アクセス) CNタイプ(e.g. 5GC, EPC, 6GC)
・アプリケーション/サービスID/タイプ(e.g. VoIP, URLLC)
・UE位置情報（e.g. 位置情報の粒度は、トラッキング・エリア（TA）レベル、又はセル・レベル、又は地理的な位置、及び都市の位置）
・関心エリア（e.g. トラッキング・エリア・リスト（TAI）のリスト）
分析はこれらについて機械学習モデルを用いて実行されるべきである。NWDAF（MTLF）302は、これらの上記パラメータの1つ以上を、おそらくは組み合わせにおいて使用して、MLモデルを決定することができる。

以下、スライス固有のMLモデルの選択例を示す。例えば、（特定のネットワーク・スライスが割り当てられている）第三者は、ビジネス・ニーズに基づいて独自のMLモデルを持ち込むことが可能である。

図7は、スライスIDに基づくMLモデル選択のための第1例701と第2例702を示す。

第1例701では、2つのUEグループ703，704が存在する。各UEグループ703，704は、ネットワーク・スライスの自身専用のセットを有し；第1のUEグループ703のUEの或る一部は、第1のネットワーク・スライス705によって応対され、第1のUEグループ703のUEの別の一部は、第2のネットワーク・スライス706によって応対される。第2のUEグループ704のUEの或る一部は、第3のネットワーク・スライス707によって応対され、第2のUEグループ704のUEの別の一部は、第4のネットワーク・スライス708によって応対される。

例えば、NWDAF（MTLF）302は、分析ID、UEグループのID、及びS-NSSAI及び/又はNSIの提供を受けた場合に、特にスライス固有の方法で、MLモデルを選択する。

第1例701の例示的なユース・ケースは、例えば、第1の自動車製造業者が2つのネットワーク・スライス（eMBB#1及びV2X#1）を有することを望んでいるものである。各々のネットワーク・スライスは、第1の自動車製造業者のUE（UEのグループ）にのみに割り当てられる（例えば、UEは、第1の自動車製造業者の車に組み込まれる）。第1の自動車製造業者の各ネットワーク・スライスは、分析を導出するために異なるMLモデルを有している。同様に、第2の自動車製造業者も2つのネットワーク・スライス（eMBB#2及びV2X#2）を有することを望んでいる。各々のネットワーク・スライスは、第2の自動車製造業者のUE（UEのグループ）にのみに割り当てられる（例えば、UEは、第2の自動車製造業者の車に組み込まれる）。第2の自動車製造業者の各ネットワーク・スライスは、分析を導出するために異なるMLモデルを有している。

第2例702では、2つのUEグループ709，710が存在する。この例では、複数のスライスがUEの複数のグループにわたって共有され：第1のUEグループ709のUEの或る一部は第1のネットワーク・スライス711によって応対され、第1のUEグループ709のUEの別の一部は第2のネットワーク・スライス712によって応対される。第2のUEグループ710のUEの或る一部は第1のネットワーク・スライス711によって応対され、第2のUEグループ710のUEの別の一部は、第2のネットワーク・スライス712によって応対スされる。

例えば、NWDAF（MTLF）302は、分析ID、UEグループのID、及びS-NSSAIの提供を受けた場合に、特にスライス固有の方法で、MLモデルを選択する。

第2例702の例示的なユース・ケースは、例えば、第1の自動車製造業者が2つのネットワーク・スライス（eMBB及びV2X）を有することを望んでおり、第2の自動車製造業者も2つのネットワーク・スライス（eMBB及びV2X）を有することを望んでいるが、彼らは、2つのネットワーク・スライスが彼らのUE間で共有されることを受け入れている。自動車製造業者は、2つのスライスに関する分析を導出するために異なるMLモデルを有する可能性がある（また、自動車製造業者は、それ以外の異なるMLモデルを有する可能性がある）。

MLモデルがスライス固有である例701，702では、NWDAF（MTLF）302は、図6の例601，602とは対照的に、UEグループのID（のみ）用いて的確なMLモデルを選択しない可能性があり、なぜならスライスとUEグループとの間に1対1の関係がないからである、ということに留意すべきである。これは、（MLモデルはUEグループ固有であると仮定して）UEグループIDのみを伝達することによって、図6の例における選択はスライス固有であるかもしれないが、図7の例ではそうではないことを意味する。

従って、正しいMLモデルを選択するために必要な、UEグループIDより豊富な入力パラメータが存在し得る。

従って、MLモデルのスライス固有の選択の例の場合に、NWDAF（AnLF）301は、NFコンシューマ303がNWDAF（AnLF）301へ送るS-NSSAIを、NWDAF（MTLF）302へ送信し、その結果、NWDAF（MTLF）302は、提供すべき（S-NSSAI固有の） MLモデルを知る。

例えば、NWDAFサービス・コンシューマ401は、MLモデルに提供されるように望むネットワーク・スライスのS-NSSAIを、403のサブスクライブ・メッセージに（例えば、分析IDに加えて）含める。

同様に、NWDAFサービス・コンシューマ501は、MLモデルに提供されるように望むネットワーク・スライスのS-NSSAIを、503の要求メッセージに（例えば、分析IDに加えて）に含める。

NWDAF（MTLF）302が特定のサブ・ネットワーク・タイプ又はサブ・ネットワークに対するMLモデル提供をサポートする場合、この能力は、それ自身によって又はOAM 116によって、（NFプロファイル登録要求の際に）NRFに登録されるそのNFプロファイルに含められてもよい。

図8は、NFプロファイル登録手順のためのフローチャート800を示す。

803では、NWDAF（MTLF）又はOAM 801は、NWDAF（MTLF）のNFプロファイルの登録を要求するために、NFプロファイル登録要求をNRF 801へ送信する。

NRF 802は、NWDAF（MTLF）のNFプロファイルを登録し、804において確認応答する。スライス固有のMLモデル選択の例として、NWDAF（MTLF）のNFプロファイルは、スライス・パラメータを含む可能性があり、例えば、NWDAF（MTLF）のNFプロファイルは、MTLFがSlice＃xのMLモデルをサポートする情報（ターゲットレポート/フィルタに関するもの）を含む。

NWDAF（MTLF）のディスカバリーのために、NFコンシューマは、NWDAF（MTLF）インスタンスを発見するためのパラメータとして、「スライス識別子（slice identification）」を含むことが可能である。NRF 802は、要求されたスライスをサポートする1つ以上の候補MTLFインスタンスを提供する。

同様に、これは、スライスIDの代わりにスライス・タイプに対して行うことが可能であり、即ち、NWDAF（MTLF）NFプロファイルは、NWDAF（MTLF）が、スライス・タイプxのため及びディスカバリーのためのMLモデルをサポートすることを示し、NFコンシューマは「スライス・タイプ」をパラメータとして含むことが可能である。

同様に、他のサブ・ネットワーク識別子又はタイプ、例えば、NPNタイプ（SNPN（スタンド・アロンNPN）タイプ）又はCAG（クローズド・アクセス・グループ）タイプ）に基づく選択のために、NWDAF（MTLF）のNFプロファイルは、NPN又はNPNタイプのパラメータを含む可能性があり、例えば、NWDAF（MTLF）のNFプロファイルは、MTLFがNPN＃x又はNPNタイプxに関するMLモデルをサポートしている情報（ターゲット・レポート/フィルタに関するもの）を含む。

NWDAF（MTLF）のディスカバリーのために、NFコンシューマは、NWDAF（MTLF）インスタンスを発見するためのパラメータとして、「NPNタイプ」又は「NPN識別子」をそれぞれ含むことができる。NRF 802は、要求されたNPN又はNPNタイプをサポートする1つ以上の候補MTLFインスタンスを提供する。

入力パラメータ（特に、サブ・ネットワークID又はサブ・ネットワーク・タイプ）に応じて、NWDAF（MTL）はMLモデルを選択し、要求側エンティティに返す。要求側エンティティは、図3を参照して説明されたようなNWDAF（AnLF）304であってもよい。
図9は、データ収集調整機能部（Data Collection Coordination Function，DCCF）を用いることによって、又は一般に、中間的な（例えば、プロキシ又は調整機能のような）コンポーネントを用いることによって、NWDAF（AnLF）901によるNWDAF（MTLF）903の発見を示す。

NWDAF（AnLF）901は、適切なMLモデルを得るために、データ収集調整機能部（DCCF）902を使用することができる。DCCF 902は、NWDAF（AnLF）からの入力要求に基づいてNWDAF（MTLF）903のディスカバリーを実行し、MLモデルをNWDAF（MTLF）に要求する。

この要求に基づいて、NWDAF（MTLF）903は、モデル情報をDCCF 902に提供し、DCCF 902はそれをNWDAF（AnLF）901へ転送する。更に、DCCF 902は、MLモデル情報を自身のメモリに記憶し、そのため、将来NWDAF（AnLF）が同様なモデルを要求した場合に、NWDAF（MTLF）と再び協議することなく、モデル情報を提供できるようにしてもよい。

図10は、NWDAF（MTLF）1002からNWDAF（AnLF）1001への、分析データ・リポジトリ機能部（Analytics Data Repository Function， ADRF）1003を介する機械学習モデル（即ち、MLモデル情報）の提供を示す。

NWDAF（MTLF）1002は、分析データ・リポジトリ機能部（ADRF）1003を使用して、MLモデルを記憶することができる。MLモデルに対する要求をNWDAF（AnLF）1001から受信すると、NWDAF（MTLF）1002は、モデル及び/又はADRF情報に関する情報を、NWDAF（AnLF）1001、即ち一般的にはコンシューマに提供し、ここで、MLモデルは1003に記憶されている。

また、コンシューマ（この例では、NWDAF（AnLF）1001）は、MLモデルのためにADRF 1003と直接的に通信することも可能である。その場合、NWDAF（AnLF）1001のポリシー及び権限に基づいて、ADRF 1003は、コンシューマの要求に合致する記憶済みのモデルを提供することができる。このようなケースでは、ADRF 1003及びNWDAF（MTLF）1002は、共に、機械学習モデルを訓練して提供するコンポーネントとして理解されることが可能である。特に、機械学習モデル訓練コンポーネント（モデルを訓練するもの）は、このケースでは、MLモデルを記憶するためのADRF 1003を、ストレージとして含むことが可能である。ADRF 1003は、ストレージに関して、他のコンポーネントと共用されてもよい。

NWDAF（MTLF）は、例えば、（サブ・ネットワークIDに基づいて）サブ・ネットワーク専用に訓練されたモデル、又は（サブ・ネットワーク・タイプに基づいて）サブ・ネットワーク・タイプ専用に訓練されたモデルを選択することができる。

また、NWDAF（MTL）は、サブ・ネットワークID及び/又はサブ・ネットワーク・タイプ及び分析IDに応じてモデル・タイプを選択してもよい
MLモデルのタイプは、例えば以下のようなものである：
・バイナリ分類モデル：バイナリ分類問題に関するMLモデルは、バイナリ結果（2つの可能なクラスのうちの一方）を予測する；
・多クラス分類モデル：多クラス分類問題に関するMLモデルであり、多クラスの予測を生成することが可能である；
・ 回帰モデル：回帰問題に関するMLモデルは、数値を予測する。

様々なMLモデルに関する訓練パラメータは、例えば、最大モデル・サイズ、訓練データを通り抜ける最大数、シャッフル・タイプ、正規化のタイプ、及び正規化の量である。

要約すると、様々な実施形態によれば、通信ネットワーク構成は図11に示されるように提供される。

図11は、実施形態による移動通信ネットワークの通信ネットワーク配置1100を示す。

通信ネットワーク構成1100は、ネットワーク分析情報を導出するために複数の機械学習モデルを訓練するように構成された機械学習モデル訓練コンポーネント1102を含む。
通信ネットワーク配置1100は、更に、機械学習モデルを、機械学習モデル訓練コンポーネント1102にするように構成されたネットワーク分析構成コンポーネント1101を更に含み、ネットワーク分析コンポーネントは、（要求のために、例えば、対応する要求メッセージにおいて）機械学習モデルを要求するネットワーク分析のネットワーク側ターゲットのパラメータを指定する。

機械学習モデル訓練コンポーネント1102は、要求で指定されたパラメータに従ってネットワーク分析のターゲットのために訓練されている機械学習モデルを、複数の機械学習モデルから選択し、決定された機械学習モデルをネットワーク分析コンポーネントへ提供するように構成されている。

様々な実施形態によれば、言い換えると、ネットワーク分析を実行するために使用される機械学習モデルのための提供エンティティは、移動通信ネットワークのどの要素が（例えば、ネットワーク分析のどのリソース又は機能が）提供されるべきかを指定する要求パラメータに依存してモデルを提供する。機械学習モデル訓練コンポーネントは、例えば、パラメータの様々な値、例えば、様々なサブ・ネットワーク（例えば、ネットワーク・スライス）、様々なサブ・ネットワーク・タイプ、様々なサービス等、又はそれらの組み合わせ（例えば、ある特定のスライスによって提供されるサービス）について、機械学習モデルを訓練するように構成される。

従って、種々の実施形態によれば、特定のネットワーク・スライス/DNN/等のために特化したMLモデル（ネットワーク分析を実行するためのもの）が、訓練され、提供されることが可能である。このような専用MLモデルは、例えば、第三者によって開発されてもよいし、又は（通信ネットワーク配置がその一部分である）通信ネットワークのオペレータによって提供されてもよい。これは、分析IDを導出するために使用されるべき専用MLモデルを、第三者が提供することを可能にする。

特に、MLモデルは、分析を実行すべきサブ・ネットワークに特化することが可能である。様々なサブ・ネットワーク又はサブ・ネットワークのタイプに関する個々のMLモデルを有するは、具体的にサブ・ネットワーク又はサブ・ネットワークのタイプに対してMLモデルを訓練することを可能にし、これはネットワーク分析の精度を高めることを可能にする。

1つの例は、スライス固有の方式におけるMLモデル選択である。スライシングの概念は5Gにおける重要な技術であり、各ネットワーク・スライスは、MLモデル/提供に対して様々な特性及び条件を有する可能性がある。ネットワーク・スライスは第三者に関連付けることが可能である。その場合、MLモデル選択は、MLモデルのスライス固有の選択を含むサービス・レベル合意（Service Level Agreement，SLA）条件を考慮する必要があるかもしれない。

これらの例では、ネットワーク分析コンポーネント1101は、機械学習モデルを、機械学習モデル訓練コンポーネント1102へ要求するように構成されることが示される。NFコンシューマ（303，例えば、AMF 101，SMF 110）は、MLモデル情報のために機械学習モデル訓練構成要素1102と直接的に通信することが可能である。この場合、NFコンシューマ（303，例えば、AMF 101，SMF 110）は、受け取ったMLモデルに基づいて分析を決定するためにネットワーク分析コンポーネント1101（例えば、対応するロジック）を含む。

ネットワーク分析のネットワーク側のターゲットは、例えば、移動通信ネットワークのリソース、又は移動通信ネットワークによって提供される機能であってもよい。リソースは、例えば、サブ・ネットワーク又は1つ以上の通信セッション若しくは接続として理解されてもよい。機能は、例えば、通信サービス又はアプリケーション（即ち、サーバー・アプリケーションのようなアプリケーションのネットワーク側の部分）として理解されてもよい。

様々な実施形態によれば、通信ネットワーク配置は、ネットワーク機能とモデル訓練機能を含むように提供され、モデル訓練機能は、ネットワーク分析を導出するために使用される1つ以上の訓練されたモデルを含み、モデル訓練機能は、ネットワーク・パラメータ及び/又は通信ネットワーク識別子に基づいて、訓練済みモデルを選択し、モデル訓練機能は、選択された訓練済みモデルをネットワーク機能に提供する。

通信ネットワーク配置は、複数のネットワーク・スライスを含む通信ネットワークの一部であってもよい。

ネットワーク・パラメータは、シングル・ネットワーク・スライス選択支援情報（S-NSSAI）及び/又はDNN及び/又は3GPPアクセス及び/又は非3GPPアクセス及び/又はアプリケーション識別子及び/又はサービス識別子及び/又はUE位置情報及び/又は関心領域である。

通信ネットワーク識別子は、例えば、公衆陸上移動通信ネットワーク識別子（PLMN identifier）及び/又は非公衆ネットワーク識別子（Non-public network identifier）、例えばスタンドアロンNPN ID（SNPN ID）及び/又はクローズ・アクセス・グループ識別子（Close Access Group identifier (CAG ID)）である。

ネットワーク機能は、例えば、ネットワーク・データ分析機能（Network Data analytics Function，NWDAF）及び/又はアクセス＆モビリティ管理機能（Access and Mobility Management Function，AMF）及び/又はセッション管理機能（Session Management Function，SMF）及び/又はネットワーク・リポジトリ機能（Network repository function，NRF）及び/又は統合データ管理（Unified Data Management，UDM）及び/又はポリシー制御機能（Policy control Function，PCF）及び/又はデータ収集調整機能（Data Collection Coordination Function，DCCF）及び/又は分析データ・リポジトリ機能（Analytics Data Repository Function，ADRF）及び/又はアプリケーション機能（Application Function，AF）及び/又は運用管理＆保守（Operations Administration and Maintenance，OAM）である。言い換えれば、これらは例えば、ネットワーク分析の要求を、ネットワーク分析コンポーネント（例えば、NWDAF（AnLF））に送信する制御プレーン・コンポーネントである
モデル訓練機能は、例えば、モデル訓練論理機能（MTLF）である。

機械学習モデルの要求及び/又は機械学習モデルの提供は、（提供の場合は）図10のADRF 1003及び/又は図9のDCCF 902のような中間コンポーネントを介して進行してもよい。

図12は、通信ネットワーク分析を実行するための方法を示すフローチャート1200を示す。

1201では、複数の機械学習モデルが、ネットワーク分析情報を導出するために訓練される。

1202では、機械学習モデルの要求が受信され、その要求は、機械学習モデルが要求されるネットワーク分析のネットワーク側ターゲットのパラメータの仕様を含む。

1203では、指定されたパラメータに従ってネットワーク分析のターゲットのために訓練されている機械学習モデルが、複数の機械学習モデルの中から提供される。

方法が実行されてもよく、通信ネットワーク配置のコンポーネントは例えば1つ以上の回路によって実現されてもよい。「回路」は任意の種類の論理実装エンティティとして理解することが可能であり、これは、特定の目的の回路であってもよいし、又はメモリ、ファームウェア、又はそれらの任意の組み合わせで記憶されたソフトウェアを実行するプロセッサであってもよい。従って、「回路」は、配線された論理回路、又はプログラマブル・プロセッサのようなプログラマブル論理回路、例えばマイクロプロセッサであってもよい。「回路」はまた、ソフトウェア、例えば任意の種類のコンピュータ・プログラムを実行するプロセッサであってもよい。上述の個々の機能の他の任意の種類の実装も、「回路」として理解することが可能である。

特定の態様が説明されているが、添付のクレームによって定められる本開示の態様の精神及び範囲から逸脱することなく、形態や詳細における種々の変更がその中で行われてもよいことは、当業者によって理解されるはずである。従って、本件の範囲は添付のクレームによって示され、従って、クレームの意味及び均等性の範囲内に該当する全ての変更が包含されるように意図されている。

Claims (3)

1. プロセッサを備え、
   前記プロセッサは、
   機械学習モデルに求める分析のパラメータを指定し、
   前記パラメータの指定された前記機械学習モデルを機械学習モデルコンポーネントに要求し、
   前記要求で指定された前記パラメータに従って、前記分析に関して訓練されている機械学習モデルを、前記機械学習モデルコンポーネントから受信するように構成され、
   前記パラメータは、移動通信ネットワークのサブ・ネットワークの識別子を含み、
   前記受信した機械学習モデルを、分析データ・リポジトリ機能部（Ａｎａｌｙｔｉｃｓ Ｄａｔａ Ｒｅｐｏｓｉｔｏｒｙ Ｆｕｎｃｔｉｏｎ、ＡＤＲＦ）を使用して記憶する、
   ネットワークノード。
2. 前記サブ・ネットワークは、ネットワーク・スライスである、請求項１に記載のネットワークノード。
3. 機械学習モデルに求めるネットワーク分析のターゲットのパラメータを指定するステップと、
   前記パラメータの指定された前記機械学習モデルを機械学習モデルコンポーネントに要求するステップと、
   前記要求で指定された前記パラメータに従って、前記ネットワーク分析のターゲットに関して訓練されている機械学習モデルを、前記機械学習モデルコンポーネントから受信するステップと、
   を備え、
   前記パラメータは、移動通信ネットワークのサブ・ネットワークの識別子を含み、
   前記受信した機械学習モデルを、分析データ・リポジトリ機能部（Ａｎａｌｙｔｉｃｓ Ｄａｔａ Ｒｅｐｏｓｉｔｏｒｙ Ｆｕｎｃｔｉｏｎ、ＡＤＲＦ）を使用して記憶する、
   ネットワークノードによる通信方法。

Images