JP7275411B1 - Communication control device and communication control method - Google Patents

Communication control device and communication control method Download PDF

Info

Publication number
JP7275411B1
JP7275411B1 JP2023061177A JP2023061177A JP7275411B1 JP 7275411 B1 JP7275411 B1 JP 7275411B1 JP 2023061177 A JP2023061177 A JP 2023061177A JP 2023061177 A JP2023061177 A JP 2023061177A JP 7275411 B1 JP7275411 B1 JP 7275411B1
Authority
JP
Japan
Prior art keywords
communication terminals
communication
communication control
machine learning
resource blocks
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.)
Active
Application number
JP2023061177A
Other languages
Japanese (ja)
Inventor
純 柿島
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.)
Internet Initiative Japan Inc
Original Assignee
Internet Initiative Japan Inc
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 Internet Initiative Japan Inc filed Critical Internet Initiative Japan Inc
Priority to JP2023061177A priority Critical patent/JP7275411B1/en
Application granted granted Critical
Publication of JP7275411B1 publication Critical patent/JP7275411B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

Figure 0007275411000001

【課題】通信端末に対して無線リソースをより効率よく割り当てることを目的とする。
【解決手段】
複数の通信端末２に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御装置１であって、各々が任意時刻で発信信号を発信する複数の通信端末２に関する情報を収集するように構成された収集部１０と、複数の通信端末２の各々が発信信号を発信した任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末２の各々に割り当てるリソースブロックを決定するように構成された決定部１１１と、複数の通信端末２の各々に、決定されたリソースブロックに関する情報を通知するように構成された通知部１３とを備える。
【選択図】図１

Figure 0007275411000001

An object of the present invention is to efficiently allocate radio resources to communication terminals.
[Solution]
A communication control apparatus 1 that allocates resource blocks, which are radio resource allocation units, to a plurality of communication terminals 2, and is configured to collect information on a plurality of communication terminals 2 that each transmit a transmission signal at an arbitrary time. The collected unit 10 and the information about the arbitrary time when each of the plurality of communication terminals 2 transmitted the transmission signal is given to the learned machine learning model as an unknown input, and the learned machine learning model performs calculations, A determination unit 111 configured to determine resource blocks to be allocated to each of the plurality of communication terminals 2, and a notification unit configured to notify each of the plurality of communication terminals 2 of information about the determined resource blocks. 13.
[Selection drawing] Fig. 1

Description

本発明は、通信制御装置および通信制御方法に関し、特に、通信端末に対して無線リソースの割り当てを行う通信制御技術に関する。 TECHNICAL FIELD The present invention relates to a communication control apparatus and a communication control method, and more particularly to a communication control technique for allocating radio resources to communication terminals.

通信端末が通信を開始する際やデータの送受信を開始する際において、通信端末に対する無線リソースの割り当てをランダムに行う技術が知られている（特許文献１）。限られた無線リソースを効率的に使用するためには、一定のタイミング衝突を前提としつつ、通信端末が任意のタイミングで送信を試みる仕組みが採用されている。このような仕組みによりランダムに発信タイミングが決定される場合には、無線リソースが割り当てられず呼損となった通信端末については、リトライにより救済される。 There is known a technique of randomly allocating radio resources to a communication terminal when the communication terminal starts communication or data transmission/reception (Patent Document 1). In order to use limited radio resources efficiently, a mechanism is adopted in which communication terminals attempt transmission at arbitrary timings while assuming constant timing conflicts. When the transmission timing is randomly determined by such a mechanism, a communication terminal to which a call is lost due to a radio resource being not allocated is rescued by a retry.

通信端末が通信を開始するタイミングにはばらつきがあるため、従来の技術によりランダムに発信タイミングが決定される仕組みでは、無線リソースが割り当てられず呼損となる通信端末の数にもばらつきが生ずる。無線リソースを増加させることは、基地局やコアネットワークにおける設備容量に関係する。そのため、無線リソースの増加により通信を開始しようとする全ての通信端末をコアネットワーク側で受け付け可能とするにはコストが膨大となる。 Since there are variations in the timing at which communication terminals start communication, the number of communication terminals that fail to allocate radio resources and result in call loss also varies in the conventional scheme in which the transmission timing is randomly determined. Increasing radio resources is related to installed capacity in base stations and core networks. For this reason, the increase in radio resources makes it possible for the core network side to accept all communication terminals that attempt to start communication, resulting in an enormous cost.

特表２０１８－５３８７４１号公報Japanese Patent Publication No. 2018-538741

このように、従来の技術では、通信端末の発信タイミングをランダムに決定するため、呼損となる通信端末の数にはばらつきがあり、通信端末に対して無線リソースを効率よく割り当てることが困難であった。 As described above, in the conventional technology, since the transmission timing of a communication terminal is determined at random, the number of communication terminals that become call-blocked varies, and it is difficult to efficiently allocate radio resources to the communication terminals. there were.

本発明は、上述した課題を解決するためになされたものであり、通信端末に対して無線リソースをより効率よく割り当てることを目的とする。 SUMMARY OF THE INVENTION The present invention has been made to solve the above-described problems, and an object of the present invention is to more efficiently allocate radio resources to communication terminals.

上述した課題を解決するために、本発明に係る通信制御装置は、複数の通信端末に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御装置であって、各々が任意時刻で発信信号を発信する前記複数の通信端末に関する情報を収集するように構成された収集部と、前記複数の通信端末の各々が前記発信信号を発信した前記任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定するように構成された決定部と、前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知するように構成された通知部とを備える。 In order to solve the above-described problems, a communication control apparatus according to the present invention is a communication control apparatus that allocates resource blocks, which are radio resource allocation units, to a plurality of communication terminals, each of which transmits a signal at an arbitrary time. a collecting unit configured to collect information about the plurality of communication terminals that transmit the transmission signal; a determining unit configured to determine the resource block to be assigned to each of the plurality of communication terminals by applying it to a learning model and performing calculations on the learned machine learning model; , and a notifier configured to notify information about the determined resource block.

また、本発明に係る通信制御装置において、前記決定部は、前記複数の通信端末の各々にランダムに複数のリソースブロックの各々が割り当てられた場合に各リソースブロックで発信する通信端末の台数を、前記未知の入力として前記学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定してもよい。 Also, in the communication control apparatus according to the present invention, the determination unit determines the number of communication terminals that transmit in each resource block when each of the plurality of resource blocks is randomly assigned to each of the plurality of communication terminals, The resource blocks to be assigned to each of the plurality of communication terminals may be determined by providing the unknown input to the learned machine learning model and performing calculations on the learned machine learning model.

また、本発明に係る通信制御装置において、さらに、各々が前記任意時刻で前記発信信号を発信する前記複数の通信端末について、複数のリソースブロックの各々で発信する通信端末の台数が、前記複数のリソースブロックの各々で均等な目標台数に一致するように、機械学習モデルを学習するように構成された学習部と、前記学習部によって構築された、前記学習済みの機械学習モデルを記憶するように構成された記憶部とを備え、前記決定部は、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行ってもよい。 Further, in the communication control apparatus according to the present invention, further, for the plurality of communication terminals each transmitting the transmission signal at the arbitrary time, the number of communication terminals transmitting in each of the plurality of resource blocks is A learning unit configured to learn a machine learning model so as to match the equal target number in each of the resource blocks; and a learning unit configured to store the learned machine learning model constructed by the learning unit. A configured storage unit, wherein the determining unit may read out the learned machine learning model from the storage unit and perform calculation of the learned machine learning model.

また、本発明に係る通信制御装置において、前記機械学習モデルは、入力層、隠れ層、および出力層を有するニューラルネットワークであり、前記出力層の出力ノードの数は、前記リソースブロックの総数に対応してもよい。 Also, in the communication control device according to the present invention, the machine learning model is a neural network having an input layer, a hidden layer, and an output layer, and the number of output nodes in the output layer corresponds to the total number of resource blocks. You may

また、本発明に係る通信制御装置において、前記学習部は、前記リソースブロックの総数を変更して、ネットワーク構造を調整した前記ニューラルネットワークのパラメータの学習をさらに行い、前記決定部は、前記学習部が前記ネットワーク構造を調整して学習を行った結果に基づいて、最適な前記リソースブロックの総数を決定し、決定された前記リソースブロックの総数に対応するネットワーク構造を有する学習済みのニューラルネットワークの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定してもよい。 Further, in the communication control device according to the present invention, the learning unit further learns the parameters of the neural network whose network structure is adjusted by changing the total number of resource blocks, and the determining unit performs determining the optimal total number of resource blocks based on the result of adjusting the network structure and performing learning, and computing a trained neural network having a network structure corresponding to the determined total number of resource blocks may be performed to determine the resource block to be allocated to each of the plurality of communication terminals.

また、本発明に係る通信制御装置において、前記収集部は、所定の通信規格のコアネットワークに含まれる、加入者情報を管理する統合データリポジトリから前記複数の通信端末に関する情報を収集してもよい。 Further, in the communication control device according to the present invention, the collection unit may collect information about the plurality of communication terminals from an integrated data repository that manages subscriber information and is included in a core network conforming to a predetermined communication standard. .

また、本発明に係る通信制御装置において、前記収集部は、前記所定の通信規格の前記コアネットワークに含まれる、ユーザープレーン機能またはパケットデータ・ネットワーク・ゲートウェイから前記複数の通信端末に関する情報を収集してもよい。 Also, in the communication control device according to the present invention, the collection unit collects information on the plurality of communication terminals from a user plane function or a packet data network gateway included in the core network of the predetermined communication standard. may

また、本発明に係る通信制御装置において、前記通知部は、所定の通信規格のコアネットワークに含まれる、ショートメッセージサービスセンターを介して、前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知してもよい。 Also, in the communication control apparatus according to the present invention, the notification unit notifies each of the plurality of communication terminals of the determined resource block via a short message service center included in a core network of a predetermined communication standard. You may notify the information about.

また、本発明に係る通信制御装置において、前記リソースブロックは、時分割多重接続におけるタイムスロットであり、前記タイムスロットの各々では、前記目標台数の前記複数の通信端末が発信可能であってもよい。 Further, in the communication control apparatus according to the present invention, the resource block may be a time slot in a time division multiplex connection, and the target number of communication terminals may transmit in each of the time slots. .

上述した課題を解決するために、本発明に係る通信制御方法は、複数の通信端末に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御方法であって、各々が任意時刻で発信信号を発信する前記複数の通信端末に関する情報を収集する第１ステップと、前記複数の通信端末の各々が前記発信信号を発信した前記任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する第２ステップと、前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知する第３ステップとを備える。 In order to solve the above-described problems, a communication control method according to the present invention is a communication control method for allocating resource blocks, which are radio resource allocation units, to a plurality of communication terminals, each of which transmits a signal at an arbitrary time. a first step of collecting information about the plurality of communication terminals transmitting the transmission signal, and providing information regarding the arbitrary time at which each of the plurality of communication terminals transmitted the transmission signal as an unknown input to a trained machine learning model a second step of calculating the learned machine learning model to determine the resource block to be allocated to each of the plurality of communication terminals; and a third step of notifying information.

また、本発明に係る通信制御方法において、前記第２ステップは、前記複数の通信端末の各々にランダムに複数のリソースブロックの各々が割り当てられた場合に各リソースブロックで発信する通信端末の台数を、前記未知の入力として前記学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定してもよい。 Further, in the communication control method according to the present invention, in the second step, when each of the plurality of resource blocks is randomly assigned to each of the plurality of communication terminals, the number of communication terminals transmitting in each resource block is calculated. , may be given to the learned machine learning model as the unknown input, and the learned machine learning model may be operated to determine the resource block to be assigned to each of the plurality of communication terminals.

また、本発明に係る通信制御方法において、さらに、各々が前記任意時刻で前記発信信号を発信する前記複数の通信端末について、複数のリソースブロックの各々で発信する通信端末の台数が、前記複数のリソースブロックの各々で均等な目標台数に一致するように、機械学習モデルを学習する第４ステップと、前記第４ステップで構築された、前記学習済みの機械学習モデルを記憶部に記憶する第５ステップとを備え、前記第２ステップは、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行ってもよい。 Further, in the communication control method according to the present invention, further, for the plurality of communication terminals each transmitting the transmission signal at the arbitrary time, the number of communication terminals transmitting in each of the plurality of resource blocks is A fourth step of learning a machine learning model so as to match the uniform target number in each resource block; and a fifth step of storing the learned machine learning model constructed in the fourth step in a storage unit. and the second step may read out the learned machine learning model from the storage unit and perform calculation of the learned machine learning model.

本発明によれば、複数の通信端末の各々が発信信号を発信した任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末の各々に割り当てるリソースブロックを決定する。そのため、通信端末に対して無線リソースをより効率よく割り当てることができる。 According to the present invention, information about an arbitrary time when each of a plurality of communication terminals has transmitted a transmission signal is given to a trained machine learning model as an unknown input, and the trained machine learning model is operated to obtain a plurality of A resource block to be assigned to each communication terminal is determined. Therefore, it is possible to more efficiently allocate radio resources to communication terminals.

図１は、本発明の実施の形態に係る通信制御装置を含む通信制御システムの構成を示すブロック図である。FIG. 1 is a block diagram showing the configuration of a communication control system including a communication control device according to an embodiment of the invention. 図２は、本実施の形態に係る通信制御装置の概要を説明するための図である。FIG. 2 is a diagram for explaining the outline of the communication control apparatus according to this embodiment. 図３は、本実施の形態に係る通信制御装置の概要を説明するための図である。FIG. 3 is a diagram for explaining an overview of the communication control apparatus according to this embodiment. 図４は、本実施の形態に係る学習部による学習処理を説明するための図である。FIG. 4 is a diagram for explaining learning processing by the learning unit according to the present embodiment. 図５は、本実施の形態に係る通信制御装置のハードウェア構成を示すブロック図である。FIG. 5 is a block diagram showing the hardware configuration of the communication control device according to this embodiment. 図６は、本実施の形態に係る通信制御装置の動作を示すフローチャートである。FIG. 6 is a flow chart showing the operation of the communication control apparatus according to this embodiment. 図７は、本実施の形態に係る通信制御装置の動作を示すフローチャートである。FIG. 7 is a flow chart showing the operation of the communication control apparatus according to this embodiment. 図８は、本実施の形態に係る通信制御装置の動作を示すフローチャートである。FIG. 8 is a flow chart showing the operation of the communication control apparatus according to this embodiment.

以下、本発明の好適な実施の形態について、図１から図８を参照して詳細に説明する。 Preferred embodiments of the present invention will now be described in detail with reference to FIGS. 1 to 8. FIG.

［通信制御システムの構成］
まず、本発明の実施の形態に係る通信制御装置１を備える通信制御システムの概要について説明する。図１に示すように、通信制御システムは、通信制御装置１、複数の通信端末２ａ，２ｂ，・・・，２ｍ、基地局３、およびコアネットワーク４を備える。本実施の形態では、時分割多重接続（ＴＤＭＡ）のアップリンク方向において、一つの周波数に対して分割した時間であるタイムスロットを各通信端末２ａ，２ｂ，・・・，２ｍに割り当てる場合を例示して説明する。 [Configuration of communication control system]
First, an overview of a communication control system including a communication control device 1 according to an embodiment of the present invention will be described. As shown in FIG. 1, the communication control system includes a communication control device 1, a plurality of communication terminals 2a, 2b, . In the present embodiment, in the uplink direction of time division multiple access (TDMA), a time slot, which is a time divided for one frequency, is assigned to each communication terminal 2a, 2b, . . . , 2m. and explain.

また、本実施の形態において、通信端末２ａ，２ｂ，・・・，２ｍが送信する発信信号は、Ｃ－Ｐｌａｎｅ（Ｃｏｎｔｒｏｌ Ｐｌａｎｅ）で処理される制御信号、およびＵ－Ｐｌａｎｅ（Ｕｓｅｒ Ｐｌａｎｅ）で処理されるデータ信号が含まれる。制御信号には、通信端末２ａ，２ｂ，・・・，２ｍが通信を開始するために、在圏する基地局３を介してコアネットワーク４に送信する位置登録信号が含まれる。また、データ信号には、通信端末２ａ，２ｂ，・・・，２ｍが送信するテキスト、音声、画像などのユーザーデータが含まれる。 Further, in the present embodiment, the transmission signals transmitted by the communication terminals 2a, 2b, . contains data signals that are The control signal includes a location registration signal transmitted to the core network 4 via the base station 3 in which the communication terminals 2a, 2b, . The data signal includes user data such as text, voice, and image transmitted by the communication terminals 2a, 2b, . . . , 2m.

また、Ｃ－Ｐｌａｎｅで処理される位置登録信号に対して、Ｋ個のタイムスロットが設けられる。さらに、Ｕ－Ｐｌａｎｅで処理されるデータ信号に対して、Ｓ個のタイムスロットが設けられる。さらに、Ｋ個のタイムスロットの各々で受け付け可能な通信端末２ａ，２ｂ，・・・，２ｍの数はＮ台である。また、Ｓ個のタイムスロットの各々で受け付け可能な通信端末２ａ，２ｂ，・・・，２ｍの台数はＵ台である。また、タイムスロットの総数は、コアネットワーク４の設備容量の範囲内で設定される。 Also, K time slots are provided for the location registration signal processed in the C-Plane. Furthermore, S time slots are provided for data signals processed in the U-Plane. Furthermore, the number of communication terminals 2a, 2b, . . . , 2m that can be received in each of K time slots is N. The number of communication terminals 2a, 2b, . . . , 2m that can be received in each of the S time slots is U units. Also, the total number of time slots is set within the range of the installed capacity of the core network 4 .

通信端末２ａ，２ｂ，・・・，２ｍは、ＳＩＭを備えるスマートフォンなどの携帯通信端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、タブレット型コンピュータ、ラップトップ型コンピュータ（いわゆる、ノートパソコン）により実現される。また、通信端末２ａ，２ｂ，・・・，２ｍは、固有のＩＰアドレスを持ちインターネットに接続可能なＩｏＴデバイスによっても実現される。以下においては、Ｍ台の通信端末２ａ，２ｂ，・・・，２ｍの各々が、任意の時刻でＣ－Ｐｌａｎｅで処理される位置登録信号を一斉にコアネットワーク４に発信する場合を例に挙げて説明する。なお、以下において、通信端末２ａ，２ｂ，・・・，２ｍを区別しない場合には、通信端末２と総称する場合がある。 The communication terminals 2a, 2b, . . . , 2m are implemented by mobile communication terminals such as smartphones equipped with SIMs, PDAs (Personal Digital Assistants), tablet computers, and laptop computers (so-called notebook computers). Also, the communication terminals 2a, 2b, . In the following, a case where each of the M communication terminals 2a, 2b, . to explain. In the following description, the communication terminals 2a, 2b, . . .

基地局３は、ＬＴＥ方式の無線通信に対応した無線基地局、および５Ｇ方式に対応した無線基地局で構成される。基地局３は、在圏する通信端末２ａ，２ｂ，・・・，２ｍとコアネットワーク４との間の通信を中継する。 The base station 3 includes a radio base station supporting LTE radio communication and a radio base station supporting 5G radio communication. The base station 3 relays communication between the communication terminals 2a, 2b, .

コアネットワーク４は、５ＧのＳＡ（Ｓｔａｎｄ Ａｌｏｎｅ）方式、およびＮＳＡ（Ｎｏｎ Ｓｔａｎｄ Ａｌｏｎｅ）方式のコアネットワークで構成される。コアネットワーク４は、通信端末２ａ，２ｂ，・・・，２ｍが基地局３を介して送信する位置登録信号やデータ信号などの発信信号を処理する。本実施の形態に係るコアネットワーク４は、３ＧＰＰ ＴＳ ２３．５０１， ４．３． Ｉｎｔｅｒｗｏｒｋｉｎｇ ｗｉｔｈ ＥＰＣで規定されている「Ｆｉｇｕｒｅ ４．３．１－１： Ｎｏｎ－ｒｏａｍｉｎｇ ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｉｎｔｅｒｗｏｒｋｉｎｇ ｂｅｔｗｅｅｎ ５ＧＳ ａｎｄ ＥＰＣ／Ｅ－ＵＴＲＡＮ」や「Ｆｉｇｕｒｅ ４．３．２－２： Ｈｏｍｅ－ｒｏｕｔｅｄ ｒｏａｍｉｎｇ ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｉｎｔｅｒｗｏｒｋｉｎｇ ｂｅｔｗｅｅｎ ５ＧＳ ａｎｄ ＥＰＣ／Ｅ－ＵＴＲＡＮ」などのアーキテクチャで構成される。なお、図１では、上記３ＧＰＰ ＴＳ ２３．５０１において規定されているアーキテクチャの構成の一部を省略している。 The core network 4 is composed of 5G SA (Stand Alone) and NSA (Non Stand Alone) core networks. The core network 4 processes transmission signals such as location registration signals and data signals transmitted by the communication terminals 2a, 2b, . . . , 2m via the base station 3. The core network 4 according to this embodiment complies with 3GPP TS 23.501, 4.3. Interworking with EPC "Figure 4.3.1-1: Non-roaming architecture for interworking between 5GS and EPC/E-UTRAN" and "Figure 4.3.2-2: Home-routed roaming architecture for interworking between 5GS and EPC/E-UTRAN”. Note that FIG. 1 omits part of the configuration of the architecture specified in the above 3GPP TS 23.501.

図１に示すように、コアネットワーク４は、ＮＳＡ方式のアーキテクチャおよびＳＡ方式のアーキテクチャを構成する各装置がネットワークＬを介して接続されている。コアネットワーク４は、ＮＳＡ方式のアーキテクチャとして、ＭＭＥ（Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ Ｅｎｔｉｔｙ）４００、ＤＥＡ（Ｄｉａｍｅｔｅｒ Ｅｄｇｅ Ａｇｅｎｔ）４０１、ＳＧＷ（Ｓｅｒｖｉｎｇ Ｇａｔｅｗａｙ）４０２、ＨＳＳ（Ｈｏｍｅ Ｌｏｃａｔｉｏｎ Ｓｕｂｓｃｒｉｂｅｒ Ｓｅｒｖｉｃｅ）４０３、ＰＧＷ－Ｕ（Ｐａｃｋｅｔ Ｄａｔａ Ｎｅｔｗｏｒｋ Ｇａｔｅｗａｙ）４０４、およびＳＭＳＣ（Ｓｈｏｒｔ Ｍｅｓｓａｇｅ Ｓｅｒｖｉｃｅ Ｃｅｎｔｅｒ）４０５を備える。 As shown in FIG. 1, the core network 4 is connected via a network L to each device constituting the architecture of the NSA system and the architecture of the SA system. The core network 4 has, as an architecture of the NSA system, MME (Mobility Management Entity) 400, DEA (Diameter Edge Agent) 401, SGW (Serving Gateway) 402, HSS (Home Location Subscriber Service) 403, PG WU (Packet Data Network) Gateway) 404 and SMSC (Short Message Service Center) 405 .

ＭＭＥ４００は、制御信号を扱い、通信端末２の情報の管理や認証、基地局３とＳＧＷ４０２との間で制御信号のやり取りを行いデータ転送経路の管理を行う装置である。 The MME 400 is a device that handles control signals, manages and authenticates information on the communication terminal 2, exchanges control signals between the base station 3 and the SGW 402, and manages data transfer paths.

ＤＥＡ４０１は、Ｄｉａｍｅｔｅｒによる認証プロトコルに基づいた通信制御を行うためのネットワーク機能である。 The DEA 401 is a network function for performing communication control based on an authentication protocol by Diameter.

ＳＧＷ４０２は、ユーザのパケットデータを取り扱い、基地局間、システム間のデータ中継処理などを行うゲートウェイである。 The SGW 402 is a gateway that handles user packet data and performs data relay processing between base stations and between systems.

ＨＳＳ４０３は、通信事業者が加入者に発行したＳＩＭカードの情報を管理するデータベースである。 The HSS 403 is a database that manages information on SIM cards issued to subscribers by telecommunications carriers.

ＰＧＷ－Ｕ４０４は、ユーザのパケットデータを取り扱い、各データにＩＰアドレスの割り当てや、ＳＧＷ４０２へのパケット転送などを行うＬＴＥ網と外部のインターネットＩとの接続ポイントとなるパケットデータ・ネットワーク・ゲートウェイである。本実施の形態では、ＰＧＷ－Ｕ４０４は、通信制御装置１との通信を行うインターフェース４０４ａを備える。ＰＧＷ－Ｕ４０４は、通信端末２によって任意の時刻に送信されたデータ信号の発信タイムスタンプ（ｍｓ単位）を保持している。 PGW-U404 is a packet data network gateway that serves as a connection point between the LTE network and the external Internet I that handles user packet data, assigns IP addresses to each data, transfers packets to SGW402, etc. . In this embodiment, the PGW-U 404 has an interface 404a for communicating with the communication control device 1. FIG. The PGW-U 404 holds the transmission time stamp (in ms units) of the data signal transmitted by the communication terminal 2 at an arbitrary time.

ＳＭＳＣ４０５は、通信端末２から送信されたデータを保管するサーバとして機能するショートメッセージサービスセンターである。本実施の形態では、ＳＭＳＣ４０５は、通信制御装置１との通信を行うインターフェース４０５ａを備える。 SMSC 405 is a short message service center that functions as a server that stores data sent from communication terminal 2 . In this embodiment, the SMSC 405 includes an interface 405a for communicating with the communication control device 1. FIG.

ＭＭＥ４００、ＤＥＡ４０１、ＨＳＳ４０３、およびＳＭＳＣ４０５はＣ－Ｐｌａｎｅの処理機能を提供する。また、ＳＧＷ４０２、およびＰＧＷ－Ｕ４０４は、Ｕ－Ｐｌａｎｅの処理機能を提供する。 MME 400, DEA 401, HSS 403, and SMSC 405 provide C-Plane processing functions. The SGW 402 and PGW-U 404 also provide U-Plane processing functions.

次に、コアネットワーク４を構成するＳＡ方式のアーキテクチャとして、図１に示すように、ＡＭＦ（Ａｃｃｅｓｓ ａｎｄ Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ Ｆｕｎｃｔｉｏｎ）４０６、ＳＭＳＦ（Ｓｈｏｒｔ Ｍｅｓｓａｇｅ Ｓｅｒｖｉｃｅ Ｆｕｎｃｔｉｏｎ）４０７、ＵＰＦ（Ｕｓｅｒ Ｐｌａｎｅ Ｆｕｎｃｔｉｏｎ）４０８、およびＵＤＭ（Ｕｎｉｆｉｅｄ Ｄａｔａ Ｍａｎａｇｅｍｅｎｔ）４０９を備える。さらに、コアネットワーク４は、ＵＤＲ（Ｕｎｉｆｉｅｄ Ｄａｔａ Ｒｅｐｏｓｉｔｏｒｙ）４１０を備える。 Next, as an SA system architecture that configures the core network 4, as shown in FIG. A UDM (Unified Data Management) 409 is provided. Furthermore, the core network 4 includes a UDR (Unified Data Repository) 410 .

ＡＭＦ４０６は、通信端末２の登録や無線接続などの移動管理を行う装置である。 The AMF 406 is a device that performs movement management such as registration of the communication terminal 2 and wireless connection.

ＳＭＳＦ４０７は、ＮＡＳ（Ｎｏｎ－Ａｃｃｅｓｓ Ｓｔｒａｔｕｍ）を介してＡＭＦ４０６とのＳＭＳメッセージの送受信の処理を行う。 The SMSF 407 performs processing for sending and receiving SMS messages to and from the AMF 406 via NAS (Non-Access Stratum).

ＵＰＦ４０８は、外部のインターネットＩに接続し、ユーザーデータのパケット転送を行うユーザープレーン機能に係る装置である。本実施の形態では、ＵＰＦ４０８は、通信制御装置１との通信を行うインターフェース４０８ａを備える。ＵＰＦ４０８には、通信端末２によって任意の時刻に送信されたデータ信号の発信タイムスタンプ（ｍｓ単位）が保持されている。 The UPF 408 is a device related to a user plane function that connects to the external Internet I and performs packet transfer of user data. In this embodiment, the UPF 408 has an interface 408a that communicates with the communication control device 1 . The UPF 408 holds a transmission time stamp (ms unit) of a data signal transmitted by the communication terminal 2 at an arbitrary time.

ＵＤＭ４０９は、通信事業者が加入者に発行したＳＩＭカードの情報を管理するデータベースであり、ＮＳＡ方式の構成として説明したＨＳＳ４０３に対応する。 The UDM 409 is a database for managing information on SIM cards issued to subscribers by telecommunications carriers, and corresponds to the HSS 403 described as the configuration of the NSA system.

ＵＤＲ４１０は、通信端末２の加入者情報や在圏情報など、アプリケーションやシステムの設定情報を管理記録する統合データリポジトリである。ＵＤＲ４１０は、通信制御装置１との通信を行うインターフェース４１０ａを備える。ＵＤＲ４１０には、ＨＳＳ４０３およびＵＤＭ４０９において管理および記録されている通信端末２が任意の時刻に送信した位置登録信号の発信タイムスタンプ（ｍｓ単位）が記憶されている。 The UDR 410 is an integrated data repository that manages and records application and system setting information such as subscriber information and location information of the communication terminal 2 . The UDR 410 has an interface 410a that communicates with the communication control device 1 . The UDR 410 stores transmission time stamps (ms units) of location registration signals transmitted at arbitrary times by the communication terminal 2 managed and recorded in the HSS 403 and UDM 409 .

ＡＭＦ４０６、ＳＭＳＦ４０７、およびＵＤＭ４０９は、Ｃ－Ｐｌａｎｅの処理機能を提供し、ＵＰＦ４０８は、Ｕ－Ｐｌａｎｅの処理機能を提供する。 AMF 406, SMSF 407, and UDM 409 provide C-Plane processing functions, and UPF 408 provides U-Plane processing functions.

図２に示すように、タイムスロットの各々で受け付け可能な通信端末２の台数はＮ台であり、コアネットワーク４全体で受け付け可能な通信端末２の台数は、ｎ台（Ｎ×タイムスロットの総数）である。通信端末２の台数ｍとコアネットワーク４全体で受け付け可能な台数ｎとの関係は、ｍ＞ｎとなる。したがって、ｍ台の通信端末２が一斉に発信信号を発信した場合には、ｍ－ｎ台の通信端末２において呼損となる。 As shown in FIG. 2, the number of communication terminals 2 that can be received in each time slot is N, and the number of communication terminals 2 that can be received by the core network 4 as a whole is n (N×the total number of time slots). ). The relationship between the number m of communication terminals 2 and the number n that can be received by the entire core network 4 is m>n. Therefore, when m communication terminals 2 simultaneously transmit a call signal, mn communication terminals 2 are blocked.

前述したように、従来例においては、ｍ台の通信端末２に対してランダムにタイムスロットを割り当てていたため、ｍ－ｎ台よりも多い台数の通信端末２において呼損が生ずる場合があった。これに対し、本実施の形態に係る通信制御装置１では、機械学習を利用して、各タイムスロットに均等にＮ台の通信端末２が割り当てられるタイムスロットの数を決定し、呼損となる通信端末２の数を抑える。 As described above, in the conventional example, time slots are randomly assigned to m communication terminals 2, so call loss may occur in communication terminals 2 larger than mn. On the other hand, in the communication control apparatus 1 according to the present embodiment, machine learning is used to determine the number of time slots to which N communication terminals 2 are evenly assigned to each time slot, resulting in call loss. To suppress the number of communication terminals 2.

［通信制御装置の機能ブロック］
通信制御装置１は、収集部１０、演算部１１、機械学習（ＭＬ）モデル記憶部１２、および通知部１３を備える。通信制御装置１は、複数の通信端末２に対して無線リソースの割り当て単位であるタイムスロット（リソースブロック）を割り当てる。 [Functional block of communication control device]
The communication control device 1 includes a collection unit 10 , a calculation unit 11 , a machine learning (ML) model storage unit 12 and a notification unit 13 . The communication control apparatus 1 allocates time slots (resource blocks), which are radio resource allocation units, to a plurality of communication terminals 2 .

収集部１０は、各々が任意時刻で発信信号を発信する通信端末２ａ，２ｂ，・・・，２ｍに関する情報を収集する。より具体的には、収集部１０は、位置登録信号またはデータ信号を送信した通信端末２ａ，２ｂ，・・・，２ｍの識別情報、および位置登録信号またはデータ信号の発信日時である発信タイムスタンプ（ｍｓ単位）を収集する。 The collection unit 10 collects information about the communication terminals 2a, 2b, . More specifically, the collection unit 10 collects identification information of the communication terminals 2a, 2b, . (in ms).

収集部１０は、コアネットワーク４のＵＤＲ４１０から、通信端末２ａ，２ｂ，・・・，２ｍが送信した位置登録信号の発信タイムスタンプを収集する。また、収集部１０は、コアネットワーク４のＵＰＦ４０８およびＰＧＷ－Ｕ４０４から、通信端末２ａ，２ｂ，・・・，２ｍが送信したデータ信号の発信タイムスタンプを収集する。 The collection unit 10 collects transmission timestamps of location registration signals transmitted by the communication terminals 2a, 2b, . . . , 2m from the UDR 410 of the core network 4. Also, the collection unit 10 collects transmission time stamps of data signals transmitted by the communication terminals 2a, 2b, . . .

なお、収集部１０が収集する通信端末２ａ，２ｂ，・・・，２ｍの発信タイムスタンプには、通信端末２の各々に対してランダムに割り当てられるタイムスロットに関する情報が付されていてもよい。各通信端末２にランダムに割り当てられるタイムスロットに係る情報を、通信端末２の各々が発信信号を発信する任意時刻に関する情報として扱うことができる。また、本実施の形態に係る通信制御装置１は、例えば、従来の技術により、通信端末２に対してランダムにタイムスロットの割り当て情報が付された通信端末２に対して、新たにタイムスロットの割り当てを決定する構成とすることができる。 . . , 2m collected by the collection unit 10 may include information about time slots randomly assigned to each of the communication terminals 2. FIG. Information about time slots randomly assigned to each communication terminal 2 can be treated as information about an arbitrary time at which each communication terminal 2 transmits a transmission signal. In addition, the communication control apparatus 1 according to the present embodiment, for example, newly assigns time slots to communication terminals 2 to which time slot allocation information has been randomly assigned to communication terminals 2 according to conventional technology. It can be configured to determine allocation.

演算部１１は、学習部１１０と決定部１１１とを備える。演算部１１は、タイムスロットの総数を決定し、Ｍ台の通信端末２の各々に割り当てるタイムスロットを決定する。 The computing unit 11 includes a learning unit 110 and a determining unit 111 . The calculation unit 11 determines the total number of time slots and determines the time slots to be assigned to each of the M communication terminals 2 .

学習部１１０は、各々が任意時刻で発信信号を発信する複数の通信端末２について、複数のタイムスロットの各々で発信する通信端末２の台数が、複数のタイムスロットの各々で均等な目標台数Ｎに一致するように、機械学習モデルを学習する。 For a plurality of communication terminals 2 each transmitting a transmission signal at an arbitrary time, the learning unit 110 sets the number of communication terminals 2 transmitting in each of a plurality of time slots to a target number N that is uniform in each of a plurality of time slots. Train a machine learning model to match .

学習部１１０は、タイムスロットの総数を設定し、機械学習モデルの出力変数とすることができる。学習部１１０は、タイムスロットの総数の初期値Ｋｉとして、コアネットワーク４の設備容量を考慮したタイムスロットの数を採用することができる。学習部１１０は、タイムスロットの総数の初期値Ｋｉに応じた出力変数が設定された機械学習モデルのモデル構造で学習処理を行う。さらに、学習部１１０は、タイムスロットの総数を初期値ＫｉからＫｉ＋１、Ｋｉ＋２、・・・、Ｋｉ＋ｎに変更し、モデル構造を調整し、さらに学習処理を繰り返し行う。 The learning unit 110 can set the total number of time slots and use it as an output variable of the machine learning model. The learning unit 110 can employ the number of time slots in consideration of the installed capacity of the core network 4 as the initial value Ki of the total number of time slots. The learning unit 110 performs learning processing with a model structure of a machine learning model in which an output variable corresponding to the initial value K i of the total number of time slots is set. Furthermore, the learning unit 110 changes the total number of time slots from the initial value K i to K i+1 , K i+2 , .

図４は、学習部１１０が学習を行う機械学習モデルの一例として採用する、ニューラルネットワーク構造を示す。ニューラルネットワークは、入力層ｘ、隠れ層ｈ、および出力層ｙを備える。図４の例では入力ノードおよび出力ノードの数は同数であり、これらは、タイムスロット＃１、＃２、・・・、＃Ｋｉに対応する。本実施の形態では、入力ノードおよび出力ノードの数がタイムスロットの総数Ｋｉに対応し、設定されたＫｉ個の入力ノードｘｋｉおよび出力ノードｙｋｉを有するニューラルネットワークモデルの学習を行う。 FIG. 4 shows a neural network structure adopted as an example of a machine learning model for learning by the learning unit 110 . A neural network comprises an input layer x, a hidden layer h, and an output layer y. In the example of FIG. 4, the number of input nodes and output nodes are the same and correspond to timeslots #1, #2, . . . , #Ki . In this embodiment, the number of input nodes and output nodes corresponds to the total number of time slots K i , and a neural network model having K i input nodes x ki and output nodes y ki is trained.

学習部１１０は、各々が任意時刻で位置登録信号を発信し、各タイムスロットにランダムに割り当てられる通信端末２の台数をニューラルネットワークの入力層に与え、入力の重み付け総和に活性化関数を適用し、閾値処理により決定された出力を出力層に渡す。出力層の各出力ノードは、各タイムスロットに対応し、各出力ノードの値が、各タイムスロットで発信する通信端末２の台数Ｎとなる。 The learning unit 110 each transmits a location registration signal at an arbitrary time, gives the number of communication terminals 2 randomly assigned to each time slot to the input layer of the neural network, and applies an activation function to the weighted sum of the inputs. , pass the output determined by thresholding to the output layer. Each output node in the output layer corresponds to each time slot, and the value of each output node is the number N of communication terminals 2 transmitting in each time slot.

隠れ層ｈのレイヤ数、およびニューラルネットワークのノード間の結合の疎密を含む機械学習モデルのサイズや要素は、十分な推論精度が得られる設計であれば限定されず、例えば、ノード間の結合として全結合あるいはスパース化した構造であってもよい。 The number of layers of the hidden layer h, and the size and elements of the machine learning model, including the density of connections between neural network nodes, are not limited as long as they are designed to obtain sufficient inference accuracy. It may be a fully-connected structure or a sparse structure.

図４に示すように、入力層の各入力ノードおよび出力ノードは、上から順に、タイムスロット＃１からタイムスロット＃Ｋｉに対応する。また、各入力ノードには、Ｋｉ個のタイムスロットの各々にランダムに割り当てられた通信端末２の台数が入力値ｘとして与えられる。また、各入力ノードの入力値である、通信端末２の台数を構成する各通信端末２に関する情報には、通信端末２の識別子と発信日時とが関連付けられた情報が含まれる。また、各出力ノードからの出力値ｙは、固定値Ｎとされる。学習部１１０は、次の式（１）に示す目的関数Ｅを導入することで、Ｍ台の通信端末２からの発信信号があった場合に、Ｋｉ個のタイムスロットの各々で均等にＮ台の通信端末２が発信するように、ニューラルネットワークのパラメータを学習する。 As shown in FIG. 4, each input node and output node of the input layer correspond to time slot #1 to time slot #Ki in order from the top. Also, each input node is given the number of communication terminals 2 randomly assigned to each of the K i time slots as an input value x. Information relating to each communication terminal 2 constituting the number of communication terminals 2, which is the input value of each input node, includes information in which the identifier of the communication terminal 2 is associated with the date and time of transmission. Also, the output value y from each output node is set to a fixed value N. FIG. By introducing the objective function E shown in the following equation (1), the learning unit 110 uniformly obtains N The parameters of the neural network are learned so that the communication terminal 2 of the base transmits.

Figure 0007275411000002
Figure 0007275411000002

上式（１）において、ｙ１，ｙ２，・・・，ｙｋｉは各出力ノードの出力値、Ｎは正解ラベル、およびｋｉはデータの次元であり、本実施の形態では、設定されたタイムスロットの数を示す。上式（１）の目的関数Ｅの値は、機械学習モデルの上記入力値ｘ１，ｘ２，・・・，ｘｋｉである、Ｋｉ個のタイムスロットの各々にランダムに割り当てられた通信端末２の台数に対する出力値ｙ１，ｙ２，・・・，ｙｋｉが目標出力Ｎに一致する場合に０となる。学習部１１０は、目的関数Ｅが最小、つまり０となるように、ニューラルネットワークの重みパラメータを調整する。 In the above equation (1 ) , y 1 , y 2 , . Indicates the number of timeslots. The values of the objective function E in the above equation (1) are the above input values x 1 , x 2 , . . . , x ki of the machine learning model. When the output values y 1 , y 2 , . The learning unit 110 adjusts the weight parameters of the neural network so that the objective function E is minimized, that is, zero.

学習部１１０は、誤差逆伝搬法や確率的勾配降下法などを用いて、目的関数Ｅを勾配法で最適化することができる。さらに、学習部１１０は、入力ノードの数、つまり、タイムスロットの数ＫｉをＫｉ＋＋１に更新し、更新されたネットワーク構造において、目的関数Ｅが最小となるようにニューラルネットワークの重みパラメータを調整する。このように、学習部１１０は、タイムスロットの総数を調整しながら、学習処理を繰り返す。 The learning unit 110 can optimize the objective function E by a gradient method using error backpropagation, stochastic gradient descent, or the like. Furthermore, the learning unit 110 updates the number of input nodes, that is, the number of time slots K i to K i++1 , and adjusts the weight parameters of the neural network so that the objective function E is minimized in the updated network structure. do. Thus, learning section 110 repeats the learning process while adjusting the total number of time slots.

決定部１１１は、学習部１１０がニューラルネットワークのネットワーク構造を調整して学習を行った結果に基づいて、最適なタイムスロットの総数Ｋを決定する。例えば、決定部１１１は、タイムスロットの総数Ｋｉ，Ｋｉ＋１，・・・，Ｋｉ＋ｎにそれぞれ対応する入出力ノード数を有するニューラルネットワークのうち、学習結果が最適となったネットワーク構造の入出力ノード数、つまり、各出力ノードからの出力値が最も平準化するタイムスロットの総数を採用することができる。 The determination unit 111 determines the optimum total number K of time slots based on the results of the learning performed by the learning unit 110 by adjusting the network structure of the neural network. For example, the determination unit 111 determines the input/output of the network structure with the optimal learning result among the neural networks having input/output node numbers corresponding to the total number of time slots K i , K i+1 , . . . , K i+n. The number of nodes, that is, the total number of time slots in which the output values from each output node are most leveled can be employed.

また、決定部１１１は、複数の通信端末２の各々が発信信号を発信した任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末２の各々に割り当てるタイムスロットを決定する。 In addition, the determination unit 111 gives information about an arbitrary time when each of the plurality of communication terminals 2 has transmitted a transmission signal as an unknown input to the learned machine learning model, performs calculation of the learned machine learning model, A time slot to be assigned to each of a plurality of communication terminals 2 is determined.

より具体的には、決定部１１１は、任意時刻で位置登録信号を発信するＭ台の通信端末２の各々にランダムに複数のタイムスロットの各々を割り当てた場合に各タイムスロットで受け付けられる通信端末２の台数を、未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末２の各々に割り当てるタイムスロットを決定する。なお、図３の（ａ）で後述するように、通信端末２にランダムにタイムスロットを割り当てた場合に各タイムスロットで発信する通信端末２の台数においては、未知の偏りを有する。 More specifically, when determining unit 111 randomly assigns each of a plurality of time slots to each of M communication terminals 2 that transmit location registration signals at arbitrary times, determination unit 111 selects communication terminals that can be accepted in each time slot. 2 is given to the learned machine learning model as an unknown input, the learned machine learning model performs calculations, and time slots to be assigned to each of the plurality of communication terminals 2 are determined. As will be described later with reference to (a) of FIG. 3, when time slots are randomly assigned to communication terminals 2, the number of communication terminals 2 transmitting in each time slot has an unknown bias.

ここで、図３の（ａ）は、Ｍ台の通信端末２の各々に対してタイムスロットがランダムに割り当てられる従来例の場合に、タイムスロット＃１、＃５、＃８において呼損が生ずることを模式的に示している。図３において、各黒丸点の高さは、各タイムスロットが割り当てられた通信端末２の台数を示している。 Here, (a) of FIG. 3 shows a conventional example in which time slots are randomly assigned to each of M communication terminals 2, and call losses occur in time slots #1, #5, and #8. This is shown schematically. In FIG. 3, the height of each black dot indicates the number of communication terminals 2 to which each time slot is assigned.

一方、図３の（ｂ）は、本実施の形態の通信制御装置１が備える演算部１１が、各タイムスロットでＮ台の通信端末２が発信できる最適なタイムスロットの総数Ｋを決定することで呼損の発生を抑制することを模式的に示している。このように、各タイムスロットに偏りをもった台数の通信端末２が割り当てられる場合であっても、本実施の形態の通信制御装置１により、それぞれのタイムスロットでの受付台数を平準化するため、無線リソースをより効率的に利用することが可能となる。 On the other hand, (b) of FIG. 3 shows that the calculation unit 11 provided in the communication control device 1 of the present embodiment determines the optimum total number K of time slots that can be transmitted by the N communication terminals 2 in each time slot. It schematically shows that the occurrence of call loss is suppressed by In this way, even if a disproportionate number of communication terminals 2 are assigned to each time slot, the communication control apparatus 1 of the present embodiment equalizes the number of reception terminals in each time slot. , radio resources can be used more efficiently.

図１に戻り、ＭＬモデル記憶部１２は、学習部１１０によって得られた、学習済みの機械学習モデルの学習済みのパラメータを記憶する。本実施の形態では、ＭＬモデル記憶部１２は、ニューラルネットワークの学習済み重み、および、入出力ノードの数、つまり決定されたタイムスロットの総数Ｋ、を記憶する。 Returning to FIG. 1 , the ML model storage unit 12 stores learned parameters of the learned machine learning model obtained by the learning unit 110 . In the present embodiment, the ML model storage unit 12 stores the learned weights of the neural network and the number of input/output nodes, that is, the determined total number K of time slots.

通知部１３は、演算部１１において決定された各通信端末２に割り当てるタイムスロットの識別子に基づいて、Ｍ台の通信端末２の各々に対して、発信タイミングを通知する。具体的には、通知部１３は、通信端末２の各々に対して、ＳＡ（Ｓｔａｎｄ Ａｌｏｎｅ）ＳＭＳ－ＭＴ（Ｓｈｏｒｔ Ｍｅｓｓａｇｅ Ｓｅｒｖｉｃｅ Ｍｏｂｉｌｅ Ｔｅｒｍｉｎａｔｅｄ）ルート、または、ＮＳＡ（Ｎｏｎ Ｓｔａｎｄ Ａｌｏｎｅ）ＳＭＳ－ＭＴルートによりタイムスロット番号を通知する。 The notification unit 13 notifies each of the M communication terminals 2 of the transmission timing based on the identifier of the time slot assigned to each communication terminal 2 determined by the calculation unit 11 . Specifically, the notification unit 13 sends a time signal to each communication terminal 2 through an SA (Stand Alone) SMS-MT (Short Message Service Mobile Terminated) route or an NSA (Non Stand Alone) SMS-MT route. Notify the slot number.

ＳＡ ＳＭＳ－ＭＴルートの場合には、通知部１３は、コアネットワーク４のＳＭＳＣ４０５のインターフェース４０５ａを介して、ＤＥＡ４０１、ＳＭＳＦ４０７、ＡＭＦ４０６を経由して、通信端末２に対して、タイムスロットの割り当て情報を通知する。ＮＳＡ ＳＭＳ－ＭＴルートの場合には、通知部１３は、ＳＭＳＣ４０５のインターフェース４０５ａを介して、ＤＥＡ４０１、ＭＭＥ４００を経由し、通信端末２に対するタイムスロットの割り当て情報を通知する。 In the case of the SA SMS-MT route, the notification unit 13 sends time slot allocation information to the communication terminal 2 via the interface 405a of the SMSC 405 of the core network 4, via the DEA 401, the SMSF 407, and the AMF 406. Notice. In the case of the NSA SMS-MT route, notification unit 13 notifies time slot allocation information to communication terminal 2 via interface 405a of SMSC 405 via DEA 401 and MME 400 .

［通信制御装置のハードウェア構成］
次に、上述した機能を有する通信制御装置１を実現するハードウェア構成の一例について、図５を用いて説明する。 [Hardware configuration of communication control device]
Next, an example of a hardware configuration for realizing the communication control device 1 having the functions described above will be described with reference to FIG.

図５に示すように、通信制御装置１は、例えば、バス１０１を介して接続されるプロセッサ１０２、主記憶装置１０３、通信インターフェース１０４、補助記憶装置１０５、入出力Ｉ／Ｏ１０６を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。 As shown in FIG. 5, the communication control device 1 includes, for example, a computer including a processor 102, a main memory device 103, a communication interface 104, an auxiliary memory device 105, and an input/output I/O 106 connected via a bus 101; It can be realized by a program that controls these hardware resources.

主記憶装置１０３には、プロセッサ１０２が各種制御や演算を行うためのプログラムが予め格納されている。プロセッサ１０２と主記憶装置１０３とによって、図１に示した収集部１０、演算部１１、通知部１３など通信制御装置１の各機能が実現される。 The main storage device 103 pre-stores programs for the processor 102 to perform various controls and calculations. The processor 102 and the main storage device 103 realize each function of the communication control device 1 such as the collection unit 10, the calculation unit 11, and the notification unit 13 shown in FIG.

通信インターフェース１０４は、通信制御装置１と各種外部電子機器との間をネットワーク接続するためのインターフェース回路である。 The communication interface 104 is an interface circuit for network connection between the communication control device 1 and various external electronic devices.

補助記憶装置１０５は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。補助記憶装置１０５には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。 The auxiliary storage device 105 is composed of a readable and writable storage medium and a drive device for reading and writing various information such as programs and data in the storage medium. A semiconductor memory such as a hard disk or a flash memory can be used as a storage medium for the auxiliary storage device 105 .

補助記憶装置１０５は、通信制御装置１が実行する通信制御プログラムを格納するプログラム格納領域を有する。また、補助記憶装置１０５は、機械学習モデルの学習を行うための学習プログラムを格納する領域を有する。補助記憶装置１０５によって、図１で説明したＭＬモデル記憶部１２が実現される。さらには、例えば、上述したデータやプログラムなどをバックアップするためのバックアップ領域などを有していてもよい。 The auxiliary storage device 105 has a program storage area for storing communication control programs executed by the communication control device 1 . The auxiliary storage device 105 also has an area for storing a learning program for learning a machine learning model. The auxiliary storage device 105 implements the ML model storage unit 12 described with reference to FIG. Furthermore, for example, it may have a backup area for backing up the data and programs described above.

入出力Ｉ／Ｏ１０６は、外部機器からの信号を入力したり、外部機器へ信号を出力したりする入出力装置である。 The input/output I/O 106 is an input/output device that inputs signals from external devices and outputs signals to external devices.

［通信制御装置の動作］
次に、上述した構成を有する通信制御装置１の動作を、図６から図８のフローチャートを参照して説明する。図６は、通信制御装置１による学習処理およびタイムスロット数の決定処理を示すフローチャートである。図７は、学習済みの機械学習モデルの演算により、通信端末２に対してタイムスロットを割り当てる処理を示すフローチャートである。また、図８は、通信制御装置１による、再学習処理およびタイムスロット数の更新処理を示すフローチャートである。 [Operation of communication control device]
Next, the operation of the communication control device 1 having the configuration described above will be described with reference to the flow charts of FIGS. 6 to 8. FIG. FIG. 6 is a flow chart showing learning processing and time slot number determination processing by the communication control apparatus 1 . FIG. 7 is a flow chart showing a process of allocating time slots to communication terminals 2 by computation of a learned machine learning model. FIG. 8 is a flow chart showing re-learning processing and time slot number updating processing by the communication control device 1 .

まず、図６に示すように、学習部１１０は、タイムスロットの総数の初期値Ｋｉを設定し、機械学習モデルを設定する（ステップＳ１）。具体的には、学習部１１０は、機械学習モデルとしてニューラルネットワークを採用し、入力層、隠れ層、および出力層の設定、並びに重みパラメータおよび閾値その他のパラメータの初期値を設定する。学習部１１０は、入力層のノード数および出力層のノード数を、タイムスロットの総数Ｋｉに対応させることができる。 First, as shown in FIG. 6, the learning unit 110 sets an initial value K i of the total number of time slots and sets a machine learning model (step S1). Specifically, the learning unit 110 adopts a neural network as a machine learning model, sets an input layer, a hidden layer, and an output layer, and sets initial values of weight parameters, thresholds, and other parameters. The learning unit 110 can correspond the number of nodes in the input layer and the number of nodes in the output layer to the total number of time slots K i .

次に、学習部１１０は、任意の時刻に発信信号を送信するＭ台の通信端末２に対して、各タイムスロットで発信する通信端末２の台数が、各タイムスロット間で均等な目標台数Ｎに一致するように、機械学習モデルを学習する（ステップＳ２）。具体的には、学習部１１０は、上式（１）に基づいて、目的関数Ｅを最小とする重みパラメータを調整および更新を繰り返し、重みパラメータの値を決定する。 Next, the learning unit 110 sets the number of communication terminals 2 transmitting in each time slot to the target number N of communication terminals 2 that transmit a transmission signal at an arbitrary time, evenly between each time slot. (step S2). Specifically, the learning unit 110 repeatedly adjusts and updates the weight parameter that minimizes the objective function E based on the above equation (1), and determines the value of the weight parameter.

また、学習部１１０は、ステップＳ２において、タイムスロットの総数を、初期値Ｋｉから、Ｋｉ＋１，Ｋｉ＋２，・・・，Ｋｉ＋ｎと変更していき、入力層および出力層のノード数を変更し、ネットワーク構造を調整したニューラルネットワークの重みパラメータの学習を繰り返し行う。 In step S2, learning unit 110 changes the total number of time slots from initial value K i to K i+1 , K i+2 , . Iteratively learn the weight parameters of the neural network by changing and adjusting the network structure.

その後、決定部１１１は、ステップＳ２での学習結果が最適となったニューラルネットワークモデルにより、タイムスロットの総数Ｋを決定する（ステップＳ３）。具体的には、決定部１１１は、ステップＳ２において、タイムスロットの総数を変更して学習を繰り返した結果、通信端末２の割り当て台数が最も平準化しているタイムスロットの総数Ｋを採用する。 After that, the determination unit 111 determines the total number K of time slots by using the neural network model whose learning result in step S2 is optimal (step S3). Specifically, the determination unit 111 repeats learning while changing the total number of time slots in step S2, and adopts the total number K of the time slots to which the number of allocated communication terminals 2 is the most leveled.

その後、ＭＬモデル記憶部１２は、ステップＳ２の学習処理により得られた学習済みの重みパラメータ、およびステップＳ３において決定されたタイムスロットの総数Ｋを記憶する（ステップＳ４）。以上のステップにより、タイムスロットの総数Ｋが決定される。 After that, the ML model storage unit 12 stores the learned weight parameter obtained by the learning process in step S2 and the total number K of time slots determined in step S3 (step S4). Through the above steps, the total number K of time slots is determined.

次に、図７を参照して、学習済みのニューラルネットワークおよび決定されたタイムスロットの総数Ｋを用いて各通信端末２に対して割り当てるタイムスロットを決定する処理を説明する。まず、収集部１０は、各々が任意時刻で発信信号を発信するＭ台の通信端末２に関する情報を収集する（ステップＳ１０）。具体的には、収集部１０は、コアネットワーク４のＵＤＲ４１０のインターフェース４１０ａを介して、タイムスロットへの割り当ての対象となる通信端末２の識別子と、通信端末２が発信信号を発信した日時情報として、発信タイムスタンプとを収集する。本実施の形態では、通信端末２の発信タイムスタンプの情報に、ランダムに割り当てられるタイムスロットの識別子の情報が予め付されているものとする。 Next, referring to FIG. 7, the process of determining the time slots to be assigned to each communication terminal 2 using the trained neural network and the determined total number K of time slots will be described. First, the collection unit 10 collects information about M communication terminals 2 that each transmit a transmission signal at an arbitrary time (step S10). Specifically, the collection unit 10, via the interface 410a of the UDR 410 of the core network 4, collects the identifier of the communication terminal 2 to be assigned to the time slot and the date and time information when the communication terminal 2 transmitted the transmission signal. , and collect the origination timestamp. In the present embodiment, it is assumed that the information of the transmission time stamp of the communication terminal 2 is attached in advance with the information of the identifier of the randomly assigned time slot.

次に、決定部１１１は、ＭＬモデル記憶部１２から、学習処理により決定されたタイムスロットの総数Ｋを取得する（ステップＳ１１）。続いて、決定部１１１は、ＭＬモデル記憶部１２から、学習済みのニューラルネットワークを読み出して、発信信号を発信した任意時刻に各々が関連付けられている複数の通信端末２の台数を未知の入力として学習済みのニューラルネットワークに与え、学習済みのニューラルネットワークの演算を行って、複数の通信端末２の各々に割り当てるタイムスロットを決定する（ステップＳ１２）。 Next, the determination unit 111 acquires the total number K of time slots determined by the learning process from the ML model storage unit 12 (step S11). Subsequently, the determination unit 111 reads out the learned neural network from the ML model storage unit 12, and uses the number of communication terminals 2 each associated with an arbitrary time when the transmission signal is transmitted as an unknown input. A time slot to be assigned to each of the plurality of communication terminals 2 is determined by giving it to a trained neural network and performing arithmetic operations on the trained neural network (step S12).

より具体的には、決定部１１１は、決定されたＫ個のタイムスロットの各々に対してランダムに割り当てられる通信端末２の台数を未知の入力として与え、学習済みのニューラルネットワークの演算を行って、各タイムスロットが割り当てられるＮ台の通信端末２を出力する。 More specifically, the determination unit 111 receives as an unknown input the number of communication terminals 2 that are randomly assigned to each of the determined K time slots, and performs computation of a learned neural network. , N communication terminals 2 to which each time slot is assigned.

次に、通知部１３は、コアネットワーク４のＳＭＳＣ４０５のインターフェース４０５ａを介して、各通信端末２に対して発信タイミングを通知する（ステップＳ１２）。具体的には、通知部１３は、各通信端末２に対して割り当てるタイムスロット番号を通知することができる。以上の処理により、タイムスロットの通知処理は終了する。その後、各通信端末２は、割り当てられたタイムスロットにおいて発信を行う。 Next, the notification unit 13 notifies each communication terminal 2 of the transmission timing via the interface 405a of the SMSC 405 of the core network 4 (step S12). Specifically, the notification unit 13 can notify each communication terminal 2 of the time slot number to be assigned. With the above processing, the time slot notification processing ends. After that, each communication terminal 2 makes a call in the assigned time slot.

図８は、学習部１１０による再学習処理および決定部１１１によるタイムスロットの総数の更新処理を示すフローチャートである。まず、収集部１０は、コアネットワーク４のＵＤＲ４１０から、新たな学習用データとして、通信端末２に関する情報を収集する（ステップＳ２０）。収集部１０は、通信端末２の識別子および発信信号の発信タイムスタンプを、ＵＤＲ４１０から収集する。なお、収集部１０がＵＤＲ４１０から収集する通信端末２の発信タイムスタンプには予めランダムに割り当てられたタイムスロットの識別子が付されている。 FIG. 8 is a flow chart showing re-learning processing by the learning unit 110 and updating processing of the total number of time slots by the determining unit 111 . First, the collection unit 10 collects information about the communication terminal 2 as new learning data from the UDR 410 of the core network 4 (step S20). Collection unit 10 collects the identifier of communication terminal 2 and the transmission time stamp of the transmission signal from UDR 410 . It should be noted that the transmission time stamp of the communication terminal 2 collected from the UDR 410 by the collection unit 10 is attached with a time slot identifier randomly assigned in advance.

次に、学習部１１０は、ステップＳ２０で収集された追加の学習用データを用いて、図６のステップＳ２における学習処理で得られた学習済みのニューラルネットワークの再学習を行う（ステップＳ２１）。学習部１１０は、ＭＬモデル記憶部１２から学習済みのニューラルネットワークを読み出し、上式（１）の目的関数Ｅを勾配法で最適化し、重みパラメータの調整を行うことができる。 Next, the learning unit 110 uses the additional learning data collected in step S20 to re-learn the trained neural network obtained in the learning process in step S2 of FIG. 6 (step S21). The learning unit 110 can read out the trained neural network from the ML model storage unit 12, optimize the objective function E of the above equation (1) by the gradient method, and adjust the weighting parameters.

また、学習部１１０は、ステップＳ２１において、タイムスロットの総数Ｋを更に変更し、ニューラルネットワークをさらに学習することができる。次に、決定部１１１は、ステップＳ２１における再学習処理により学習結果が最適なタイムスロットの総数Ｋ’を採用し、タイムスロットの総数Ｋを更新する（ステップＳ２２）。 Also, in step S21, the learning unit 110 can further change the total number of time slots K to further learn the neural network. Next, the determination unit 111 adopts the total number K' of time slots for which the learning result is optimal in the re-learning process in step S21, and updates the total number K of time slots (step S22).

続いて、ＭＬモデル記憶部１２は、再学習により更新された重みパラメータおよび更新されたタイムスロットの総数Ｋ’を記憶する（ステップＳ２３）。以上の処理により演算部１１は、再学習処理およびタイムスロット数の更新処理を終了する。その後の処理は、図６に示す、通知部１３による通信端末２への発信タイミングの通知処理と同様である。 Subsequently, the ML model storage unit 12 stores the weight parameters updated by re-learning and the updated total number of time slots K' (step S23). With the above processing, the calculation unit 11 ends the relearning processing and the update processing of the number of time slots. The subsequent processing is the same as the notification processing of the transmission timing to the communication terminal 2 by the notification unit 13 shown in FIG.

なお、上述の実施の形態の説明では、通信端末２が発信する発信信号は、Ｃ－Ｐｌａｎｅで処理される位置登録信号である場合について説明した。しかし、前述したようにＵ－Ｐｌａｎｅで処理されるデータ信号を通信端末２が送信する場合であっても同様に、通信端末２に対してタイムスロットを割り当てることができる。この場合、Ｃ－ＰｌａｎｅとＵ－Ｐｌａｎｅとでは、別個の機械学習モデルをそれぞれ学習し、タイムスロットの総数Ｋ、Ｕをそれぞれ決定することができる。 In the above description of the embodiment, the case where the transmission signal transmitted by the communication terminal 2 is the location registration signal processed in the C-Plane has been described. However, even when the communication terminal 2 transmits a data signal processed in the U-Plane as described above, a time slot can be assigned to the communication terminal 2 as well. In this case, the C-Plane and U-Plane can each learn separate machine learning models to determine the total number of time slots K and U, respectively.

以下、通信端末２がＵ－Ｐｌａｎｅで処理されるデータ信号を発信する場合には、収集部１０は、コアネットワーク４のＵＰＦ４０８のインターフェース４０８ａおよびＰＧＷ－Ｕ４０４のインターフェース４０４ａを介して、通信端末２が発信したデータ信号の発信日時である発信タイムスタンプ（ｍｓ単位）を収集する。また、学習処理を経て、通信端末２に割り当てるタイムスロットを通知する場合には、通知部１３は、コアネットワーク４のＳＭＳＣ４０５のインターフェース４０５ａを介して、ＳＡ ＳＭＳ－ＭＴルートまたはＮＳＡ ＳＭＳ－ＭＴルートで、通信端末２に発信タイミングを通知する。 Hereinafter, when the communication terminal 2 transmits a data signal processed in the U-Plane, the collection unit 10, via the interface 408a of the UPF 408 of the core network 4 and the interface 404a of the PGW-U 404, the communication terminal 2 A transmission time stamp (in ms), which is the date and time of transmission of the transmitted data signal, is collected. Further, after the learning process, when notifying the time slot to be assigned to the communication terminal 2, the notification unit 13 uses the SA SMS-MT route or the NSA SMS-MT route via the interface 405a of the SMSC 405 of the core network 4. , notifies the communication terminal 2 of the transmission timing.

さらに、図８で説明した再学習処理およびタイムスロットの数の更新処理においては、収集部１０は、追加の学習用データとして、コアネットワーク４のＵＰＦ４０８のインターフェース４０８ａおよびＰＧＷ－Ｕ４０４のインターフェース４０４ａを介して、追加の学習用データとして、通信端末２が送信したデータ信号の発信日時である発信タイムスタンプを収集することができる。 Furthermore, in the relearning process and the updating process of the number of timeslots described in FIG. As additional data for learning, a transmission time stamp, which is the date and time of transmission of the data signal transmitted by the communication terminal 2, can be collected.

以上説明したように、通信端末２が発信する信号がＵ－Ｐｌａｎｅで処理されるデータ信号の場合においても、各タイムスロット間で均等な台数Ｕが割り当てられる最適なタイムスロットの総数Ｓを決定して、呼損の発生を抑制することができる。 As described above, even when the signal transmitted by the communication terminal 2 is a data signal processed in the U-Plane, the optimum total number S of time slots to which the equal number of units U are allocated among the time slots is determined. Therefore, the occurrence of call loss can be suppressed.

なお、上述した実施の形態では、学習部１１０が、ニューラルネットワークを機械学習モデルとして用いて学習処理を行う場合について説明した。しかし、機械学習モデルは、上述したニューラルネットワークモデルの他、ロジスティック回帰、ランダムフォレスト、決定木等、さらにニューラルネットワークを多層化したディープラーニングを用いてもよい。また、これらの教師あり学習の他、教師なし学習を行う機械学習モデルとして、敵対的生成ネットワークや変分オードエンコーダ等の生成モデルを用いてもよい。 In addition, in the embodiment described above, the case where the learning unit 110 performs the learning process using a neural network as a machine learning model has been described. However, as the machine learning model, in addition to the neural network model described above, logistic regression, random forest, decision tree, etc., and deep learning in which neural networks are multi-layered may also be used. In addition to supervised learning, generative models such as adversarial generative networks and variational order encoders may be used as machine learning models for unsupervised learning.

例えば、それぞれが任意の時刻に発信するＭ台の通信端末２を入力として、各タイムスロットで均等な台数Ｎの通信端末２が割り当てられるタイムスロットの総数Ｋとの関係を学習するディープラーニングを用いることができる。この場合のディープラーニングは、Ｍ台の通信端末２の各々の発信日時に、各タイムスロットにＮ台の通信端末２が割り当てられる場合のタイムスロット番号が正解ラベルとして付された教師データを用いて学習を行うことができる。 For example, deep learning is used to learn the relationship between the input of M communication terminals 2 that each transmit at an arbitrary time and the total number of time slots K to which an equal number N of communication terminals 2 are assigned in each time slot. be able to. Deep learning in this case uses teacher data labeled with the time slot number when N communication terminals 2 are assigned to each time slot at the date and time of transmission of each of the M communication terminals 2. can learn.

また、説明した実施の形態では、学習処理を行う学習部１１０、および学習済みの機械学習モデルに基づいて、通信端末２に割り当てるタイムスロットを決定する決定部１１１の両方が通信制御装置１に搭載される場合について説明した。しかし、学習部１１０および決定部１１１は同一のハードウェア構成として設けられている場合の他、複数のサーバ等によっても学習処理と通信制御処理とをネットワークＮＷ上の別のサーバ等により分散することもできる。 Further, in the described embodiment, both the learning unit 110 that performs the learning process and the determination unit 111 that determines the time slot to be assigned to the communication terminal 2 based on the learned machine learning model are installed in the communication control device 1. I explained the case where However, the learning unit 110 and the determination unit 111 may be provided as the same hardware configuration, or the learning process and the communication control process may be distributed by another server on the network NW by a plurality of servers. can also

また、説明した実施の形態では、多重化アクセス方式のうち、時分割多重接続における時間軸のタイムスロットへの通信端末２の割り当てを行う場合を例に挙げて説明した。しかし、通信制御装置１が、通信端末２に対して割り当てる無線リソースは、周波数分割多重化（Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅｘｉｎｇ：ＦＤＭ）におけるＫ個の周波数ｆ１，ｆ２，・・・，ｆＫであってもよい。この場合、通信制御装置１は、各周波数ｆ１，ｆ２，・・・，ｆＫのチャネルにおいて均等な台数Ｎの通信端末２が割り当てられる、最適な周波数ｆｋの数を決定する。 Further, in the above-described embodiments, the case of allocating the communication terminals 2 to the time slots on the time axis in the time-division multiplex connection among the multiple access schemes has been described as an example. However, the radio resources that the communication control apparatus 1 allocates to the communication terminal 2 are K frequencies f 1 , f 2 , . . . , f K in frequency division multiplexing (FDM). good too. In this case, the communication control apparatus 1 determines the optimum number of frequencies f k to which the equal number N of communication terminals 2 are assigned to the channels of frequencies f 1 , f 2 , . . . , f K .

さらに、通信制御装置１は、別の多重化アクセス方式として、例えば、送信アンテナ数ＮＴｘ×受信アンテナ数ＭＲｘからなるＭＩＭＯ（Ｍｕｌｔｉ Ｉｎｐｕｔ Ｍｕｌｔｉ Ｏｕｔｐｕｔ）システムの、時間・周波数空間におけるＭＩＭＯ軸の各チャネルにおいて均等な台数Ｎの通信端末２が割り当てられる、最適なチャネル数を決定することができる。 Furthermore, the communication control apparatus 1 can be used as another multiplexed access method, for example, for a MIMO (Multi Input Multi Output) system consisting of the number of transmitting antennas N Tx × the number of receiving antennas M Rx , each of the MIMO axes in the time/frequency space. It is possible to determine the optimum number of channels to which an even number N of communication terminals 2 are assigned to the channels.

以上説明したように、本実施の形態に係る通信制御装置１によれば、発信信号を発信した任意時刻に各々が関連付けられている複数の通信端末の台数を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、複数の通信端末の各々に割り当てるリソースブロックを決定する。したがって、通信端末２に対して無線リソースをより効率よく割り当てることができる。 As described above, according to the communication control device 1 according to the present embodiment, the number of a plurality of communication terminals each associated with an arbitrary time when the transmission signal is transmitted is used as an unknown input, and machine learning has already been performed. The resource blocks to be assigned to each of the plurality of communication terminals are determined by inputting to the model and performing calculations on the trained machine learning model. Therefore, radio resources can be allocated to the communication terminal 2 more efficiently.

以上、本発明の通信制御装置および通信制御方法における実施の形態について説明したが、本発明は説明した実施の形態に限定されるものではなく、請求項に記載した発明の範囲において当業者が想定し得る各種の変形を行うことが可能である。 Although the embodiments of the communication control device and the communication control method of the present invention have been described above, the present invention is not limited to the described embodiments, and can be assumed by those skilled in the art within the scope of the invention described in the claims. Various possible modifications can be made.

１…通信制御装置、１０…収集部、１１…演算部、１１０…学習部、１１１…決定部、１２…ＭＬモデル記憶部、１３…通知部、２、２ａ、２ｂ、２ｍ…通信端末、３…基地局、４…コアネットワーク、４００…ＭＭＥ、４０１…ＤＥＡ、４０２…ＳＧＷ、４０３…ＨＳＳ、４０４…ＰＧＷ－Ｕ、４０４ａ、４０５ａ、４０８ａ、４１０ａ…インターフェース、４０５…ＳＭＳＣ、４０６…ＡＭＦ、４０７…ＳＭＳＦ、４０８…ＵＰＦ、４０９…ＵＤＭ、４１０…ＵＤＲ、１０１…バス、１０２…プロセッサ、１０３…主記憶装置、１０４…通信インターフェース、１０５…補助記憶装置、１０６…入出力Ｉ／Ｏ、ＮＷ、Ｌ…ネットワーク、Ｉ…インターネット。 DESCRIPTION OF SYMBOLS 1... Communication control apparatus 10... Collection part 11... Calculation part 110... Learning part 111... Determination part 12... ML model storage part 13... Notification part 2, 2a, 2b, 2m... Communication terminal, 3 ... base station, 4 ... core network, 400 ... MME, 401 ... DEA, 402 ... SGW, 403 ... HSS, 404 ... PGW-U, 404a, 405a, 408a, 410a ... interface, 405 ... SMSC, 406 ... AMF, 407 ... SMSF, 408 ... UPF, 409 ... UDM, 410 ... UDR, 101 ... bus, 102 ... processor, 103 ... main storage device, 104 ... communication interface, 105 ... auxiliary storage device, 106 ... input/output I/O, NW, L... Network, I... Internet.

Claims (12)

複数の通信端末に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御装置であって、
各々が任意時刻で発信信号を発信する前記複数の通信端末に関する情報を収集するように構成された収集部と、
前記複数の通信端末の各々が前記発信信号を発信した前記任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定するように構成された決定部と、
前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知するように構成された通知部と
を備える通信制御装置。 A communication control device that allocates resource blocks, which are radio resource allocation units, to a plurality of communication terminals,
a collection unit configured to collect information about the plurality of communication terminals that each transmit a transmission signal at an arbitrary time;
providing information about the arbitrary time when each of the plurality of communication terminals transmitted the transmission signal as an unknown input to a trained machine learning model, performing calculations on the trained machine learning model, and performing the plurality of communications a determiner configured to determine the resource blocks to allocate to each of the terminals;
A communication control apparatus comprising: a notification unit configured to notify each of the plurality of communication terminals of information about the determined resource block. 請求項１に記載の通信制御装置において、
前記決定部は、前記複数の通信端末の各々にランダムに複数のリソースブロックの各々が割り当てられた場合に各リソースブロックで発信する通信端末の台数を、前記未知の入力として前記学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する
ことを特徴とする通信制御装置。 The communication control device according to claim 1,
The determination unit uses the learned machine learning as the unknown input to determine the number of communication terminals transmitting in each resource block when each of the plurality of resource blocks is randomly assigned to each of the plurality of communication terminals. A communication control device that determines the resource blocks to be assigned to each of the plurality of communication terminals by providing the information to a model and performing calculations on the learned machine learning model. 請求項１または請求項２に記載の通信制御装置において、
さらに、各々が前記任意時刻で前記発信信号を発信する前記複数の通信端末について、複数のリソースブロックの各々で発信する通信端末の台数が、前記複数のリソースブロックの各々で均等な目標台数に一致するように、機械学習モデルを学習するように構成された学習部と、
前記学習部によって構築された、前記学習済みの機械学習モデルを記憶するように構成された記憶部と
を備え、
前記決定部は、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行う
ことを特徴とする通信制御装置。 In the communication control device according to claim 1 or claim 2,
Further, for the plurality of communication terminals that each transmit the transmission signal at the arbitrary time, the number of communication terminals that transmit in each of the plurality of resource blocks matches a uniform target number in each of the plurality of resource blocks. a learning unit configured to train a machine learning model to
a storage unit configured to store the trained machine learning model constructed by the learning unit;
The communication control device, wherein the determination unit reads out the learned machine learning model from the storage unit and performs calculation of the learned machine learning model. 請求項３に記載の通信制御装置において、
前記機械学習モデルは、入力層、隠れ層、および出力層を有するニューラルネットワークであり、
前記出力層の出力ノードの数は、前記リソースブロックの総数に対応する
ことを特徴とする通信制御装置。 In the communication control device according to claim 3,
the machine learning model is a neural network having an input layer, a hidden layer, and an output layer;
A communication control apparatus, wherein the number of output nodes in the output layer corresponds to the total number of resource blocks. 請求項４に記載の通信制御装置において、
前記学習部は、前記リソースブロックの総数を変更して、ネットワーク構造を調整した前記ニューラルネットワークのパラメータの学習をさらに行い、
前記決定部は、前記学習部が前記ネットワーク構造を調整して学習を行った結果に基づいて、最適な前記リソースブロックの総数を決定し、決定された前記リソースブロックの総数に対応するネットワーク構造を有する学習済みのニューラルネットワークの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する
ことを特徴とする通信制御装置。 In the communication control device according to claim 4,
The learning unit further learns parameters of the neural network whose network structure is adjusted by changing the total number of resource blocks,
The determining unit determines the optimal total number of resource blocks based on the results of the learning performed by the learning unit by adjusting the network structure, and determines the network structure corresponding to the determined total number of resource blocks. a communication control apparatus that determines the resource blocks to be allocated to each of the plurality of communication terminals by performing calculations with a trained neural network that has a plurality of communication terminals. 請求項５に記載の通信制御装置において、
前記収集部は、所定の通信規格のコアネットワークに含まれる、加入者情報を管理する統合データリポジトリから前記複数の通信端末に関する情報を収集する
ことを特徴とする通信制御装置。 In the communication control device according to claim 5,
The communication control device, wherein the collection unit collects information about the plurality of communication terminals from an integrated data repository that manages subscriber information and is included in a core network of a predetermined communication standard. 請求項６に記載の通信制御装置において、
前記収集部は、所定の通信規格のコアネットワークに含まれる、ユーザープレーン機能またはパケットデータ・ネットワーク・ゲートウェイから前記複数の通信端末に関する情報を収集する
ことを特徴とする通信制御装置。 In the communication control device according to claim 6,
The communication control device, wherein the collection unit collects information about the plurality of communication terminals from a user plane function or a packet data network gateway included in a core network of a predetermined communication standard. 請求項７に記載の通信制御装置において、
前記通知部は、前記所定の通信規格の前記コアネットワークに含まれる、ショートメッセージサービスセンターを介して、前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知する
ことを特徴とする通信制御装置。 In the communication control device according to claim 7,
wherein the notification unit notifies each of the plurality of communication terminals of the determined resource block information via a short message service center included in the core network of the predetermined communication standard. communication controller. 請求項８に記載の通信制御装置において、
前記リソースブロックは、時分割多重接続におけるタイムスロットであり、
前記タイムスロットの各々では、前記目標台数の前記複数の通信端末が発信可能である
ことを特徴とする通信制御装置。 In the communication control device according to claim 8,
the resource block is a time slot in a time division multiple access;
The communication control apparatus, wherein the plurality of communication terminals of the target number can transmit in each of the time slots. 複数の通信端末に対して無線リソースの割り当て単位であるリソースブロックを割り当てる通信制御方法であって、
各々が任意時刻で発信信号を発信する前記複数の通信端末に関する情報を収集する第１ステップと、
前記複数の通信端末の各々が前記発信信号を発信した前記任意時刻に関する情報を未知の入力として学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する第２ステップと、
前記複数の通信端末の各々に、決定された前記リソースブロックに関する情報を通知する第３ステップと
を備える通信制御方法。 A communication control method for allocating resource blocks, which are radio resource allocation units, to a plurality of communication terminals,
a first step of collecting information about the plurality of communication terminals, each of which emits an outgoing signal at an arbitrary time;
providing information about the arbitrary time when each of the plurality of communication terminals transmitted the transmission signal as an unknown input to a trained machine learning model, performing calculations on the trained machine learning model, and performing the plurality of communications a second step of determining the resource blocks to allocate to each of the terminals;
and a third step of notifying each of the plurality of communication terminals of information about the determined resource block. 請求項１０に記載の通信制御方法において、
前記第２ステップは、前記複数の通信端末の各々にランダムに複数のリソースブロックの各々が割り当てられた場合に各リソースブロックで発信する通信端末の台数を、前記未知の入力として前記学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記複数の通信端末の各々に割り当てる前記リソースブロックを決定する
ことを特徴とする通信制御方法。 In the communication control method according to claim 10,
In the second step, when each of the plurality of resource blocks is randomly assigned to each of the plurality of communication terminals, the number of communication terminals transmitting in each resource block is used as the unknown input by the learned machine. A communication control method, wherein the resource blocks are given to a learning model, and the resource blocks to be allocated to each of the plurality of communication terminals are determined by calculating the learned machine learning model. 請求項１０または請求項１１に記載の通信制御方法において、
さらに、各々が前記任意時刻で前記発信信号を発信する前記複数の通信端末について、複数のリソースブロックの各々で発信する通信端末の台数が、前記複数のリソースブロックの各々で均等な目標台数に一致するように、機械学習モデルを学習する第４ステップと、
前記第４ステップで構築された、前記学習済みの機械学習モデルを記憶部に記憶する第５ステップと
を備え、
前記第２ステップは、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行う
ことを特徴とする通信制御方法。 In the communication control method according to claim 10 or claim 11,
Further, for the plurality of communication terminals that each transmit the transmission signal at the arbitrary time, the number of communication terminals that transmit in each of the plurality of resource blocks matches a uniform target number in each of the plurality of resource blocks. a fourth step of training the machine learning model to
A fifth step of storing the learned machine learning model constructed in the fourth step in a storage unit,
The communication control method, wherein the second step reads out the learned machine learning model from the storage unit and performs calculation of the learned machine learning model.
JP2023061177A 2023-04-05 2023-04-05 Communication control device and communication control method Active JP7275411B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023061177A JP7275411B1 (en) 2023-04-05 2023-04-05 Communication control device and communication control method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2023061177A JP7275411B1 (en) 2023-04-05 2023-04-05 Communication control device and communication control method

Publications (1)

Publication Number Publication Date
JP7275411B1 true JP7275411B1 (en) 2023-05-17

Family

ID=86332460

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023061177A Active JP7275411B1 (en) 2023-04-05 2023-04-05 Communication control device and communication control method

Country Status (1)

Country Link
JP (1) JP7275411B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210045093A1 (en) * 2019-08-09 2021-02-11 Huawei Technologies Co., Ltd. System and method for sidelink resource allocation in user equipment groups
US20210204148A1 (en) * 2020-01-10 2021-07-01 Joey Chou Real-time intelligent ran controller to support self-driving open ran

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210045093A1 (en) * 2019-08-09 2021-02-11 Huawei Technologies Co., Ltd. System and method for sidelink resource allocation in user equipment groups
US20210204148A1 (en) * 2020-01-10 2021-07-01 Joey Chou Real-time intelligent ran controller to support self-driving open ran

Similar Documents

Publication Publication Date Title
TW424377B (en) Method and apparatus for dynamically adapting a connection state in mobile communications system
CN110351836B (en) Method and equipment for configuring relay resources
CN101589602B (en) Message ordering for network based mobility management systems
CN103703835A (en) Procedure for formulating a signal to interference plus noise ratio
US20210234648A1 (en) Method and apparatus for distribution and synchronization of radio resource assignments in a wireless communication system
US11558813B2 (en) Apparatus and method for network automation in wireless communication system
CN111866849B (en) Communication method and device based on dual-communication card
Chapnevis et al. Traffic shifting based resource optimization in aggregated IoT communication
JP7275411B1 (en) Communication control device and communication control method
CN109600853B (en) Uplink data transmission method and device
EP4250802A1 (en) Optimizing physical cell id assignment in a wireless communication network
EP4066518B1 (en) Method and apparatus for group management for group event monitoring
US12010514B2 (en) Methods and systems to authenticate a user account using an internet protocol (IP) address
WO2022166910A1 (en) User equipment, electronic device, wireless communication method and storage medium
JP7425197B2 (en) Scheduling method and device
JP7427836B1 (en) Communication control method and communication control system
Sadi et al. Call admission scheme for multidimensional traffic assuming finite handoff user
Chousainov et al. An analytical framework of a C-RAN supporting bursty traffic
WO2024073948A1 (en) Method and apparatus of supporting artificial intelligence
JP7367257B1 (en) Communication management device and communication management method
Ha Optimized resource allocation and user/cell association for future dense networks
WO2024066436A1 (en) Communication method and apparatus
US20230385272A1 (en) Methods and Systems to Process Asynchronous Transactions at a Management System
JP7478287B1 (en) COMMUNICATION CONTROL DEVICE AND COMMUNICATION CONTROL METHOD
WO2023006096A1 (en) Communication method and apparatus

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230405

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230405

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230501

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230502

R150 Certificate of patent or registration of utility model

Ref document number: 7275411

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150