JP7367257B1 - 通信管理装置および通信管理方法 - Google Patents

Abstract

【課題】より簡易な構成により、ネットワークスライスの通信品質に関する要求に応じた無線リソースの割り当てを行うことを目的とする。【解決手段】通信管理装置１は、複数のネットワークスライスに関する情報を取得し、複数のネットワークスライスに関する情報には、複数のネットワークスライスの各々に関連付けられた通信品質に関する要求情報が含まれる、第１取得部１０と、リソースブロックの数の初期値を取得する第２取得部１１と、初期値を未知の入力として学習済みの第１機械学習モデルに与え、学習済みの第１機械学習モデルの演算を行って、要求情報が関連付けられた複数のネットワークスライスの各々に割り当てる、最適化されたリソースブロックの数を出力する演算部１２と、複数のネットワークスライスの各々に割り当てる最適化されたリソースブロックの数を、基地局３０に通知する通知部１５とを備える。【選択図】図１

Description

本発明は、通信管理装置および通信管理方法に関する。

従来から、ＳＡ（Ｓｔａｎｄ Ａｌｏｎｅ）方式の５Ｇ（第５世代移動通信システム）で注目される技術として、ネットワークスライシングが知られている。ネットワークスライシングでは、基地局などの無線アクセスネットワーク（Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋ：ＲＡＮ）からコアネットワークまでの１つの物理的なネットワークを仮想的に分割し、利用用途に応じたネットワークを提供する。

ネットワークスライシングによって仮想的に分割された各ネットワークスライスは、同じ物理的なネットワーク上で存在し、サービスの要求等に応じた必要な帯域幅や通信遅延の要件に基づいて、無線リソースが割り当てられる。無線リソースは、図１６に示すように、時間軸と周波数軸とからなる二次元平面上に定義される複数のリソースブロック（Ｒｅｓｏｕｒｃｅ Ｂｌｏｃｋ：ＲＢ）から構成される。リソースブロックは、時間軸と周波数軸とからなる平面を最小単位の周波数×時間でマトリックス状に区切ったブロックである。また、リソースブロックの総数は、周波数（サブキャリアの数）×時間（タイムスロットの数）×空間（空間ストリーム数）で与えられる。

従来のネットワークスライシング技術では、図１６に示すように、分割された複数のネットワークスライス＃１～Ｎが、無線リソースの全体を共有している。すなわち、複数のネットワークスライスの各々は、各平面上のリソースブロックの全てにアクセスし、使用することが可能な構成を有する。このように、従来の技術では、ネットワークスライス単位で、専用のリソースブロックを有する構成ではない。そのため、例えば、あるネットワークスライスでは高速な無線通信速度を要求されてないにも関わらず、要求以上の通信速度のリソースブロックが割り当てられる場合があった。

そこで、例えば、特許文献１は、基地局において通信サービスごとの通信に割り当てるリソースの量を決定する通信管理システムを開示している。特許文献１に係る通信管理システムでは、基地局から、通信サービスを示す値ごとに集計された、その基地局と通信する１つ以上の通信端末における通信品質に関する情報を取得する。さらに、取得された情報に基づいて、その基地局において通信サービスごとの通信に割り当てるリソースの量を決定し、決定されたリソースの量をその基地局へ通知する。

しかし、特許文献１では、ネットワークスライス単位で専用のリソースブロックを有する構成を有さないため、通信品質や要求スループット等の集計に基づいた適切な無線リソースの割り当て処理は複雑化する。

特開２０２２－１１７８２５号公報

このように、従来の技術では、より簡易な構成により、ネットワークスライスの通信品質に関する要求に応じた無線リソースの割り当てを行うことができなかった。

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、より簡易な構成により、ネットワークスライスの通信品質に関する要求に応じた無線リソースの割り当てを行うことを目的とする。

上述した課題を解決するために、本発明に係る通信管理装置は、無線リソースの分割単位であるリソースブロックが割り当てられる複数のネットワークスライスに関する情報を取得するように構成され、前記複数のネットワークスライスに関する情報には、前記複数のネットワークスライスの各々に関連付けられた通信品質に関する要求情報が含まれる、第１取得部と、前記複数のネットワークスライスの各々に割り当てる前記無線リソースの前記リソースブロックの数の初期値を取得するように構成された第２取得部と、前記第２取得部によって取得された前記初期値を未知の入力として学習済みの第１機械学習モデルに与え、前記学習済みの第１機械学習モデルの演算を行って、前記要求情報が関連付けられた前記複数のネットワークスライスの各々に割り当てる、最適化されたリソースブロックの数を出力するように構成された第１演算部と、前記複数のネットワークスライスの各々に割り当てる前記最適化されたリソースブロックの数を、基地局に通知するように構成された通知部とを備える。

また、本発明に係る通信管理装置において、さらに、前記複数のネットワークスライスの各々に割り当てる前記リソースブロックの数の前記初期値を入力として与えた場合に、前記要求情報が関連付けられた前記複数のネットワークスライスの各々に割り当てる前記リソースブロックの数の予測値を出力する第１機械学習モデルを記憶するように構成された第１記憶部と、前記初期値を入力として与えた場合に、前記第１機械学習モデルから出力される前記リソースブロックの数の前記予測値の合計が、前記無線リソースを構成する前記リソースブロックの総数となるように、前記第１機械学習モデルのパラメータを学習するように構成された第１学習部とを備え、前記第１記憶部は、さらに、前記第１学習部で構築された前記学習済みの第１機械学習モデルを記憶し、前記第１演算部は、前記第１記憶部から前記学習済みの第１機械学習モデルを読み出して、前記学習済みの第１機械学習モデルの演算を行ってもよい。

上述した課題を解決するために、本発明に係る通信管理装置は、無線リソースの分割単位であるリソースブロックが割り当てられるネットワークスライスに関する情報を取得するように構成され、前記ネットワークスライスに関する情報には、前記ネットワークスライスに関連付けられた通信品質に関する要求情報、および前記ネットワークスライスに割り当てられた前記リソースブロックの数の設定値が含まれる、第３取得部と、前記ネットワークスライスに関連付けられた前記要求情報および前記リソースブロックの数の前記設定値を未知の入力として学習済みの第２機械学習モデルに与え、前記学習済みの第２機械学習モデルの演算を行って、前記ネットワークスライスに割り当てる前記リソースブロックに関する情報をリソース要素ごとに出力するように構成された第２演算部と、前記ネットワークスライスに割り当てる前記リソース要素ごとの前記リソースブロックに関する情報を、基地局に通知するように構成された通知部とを備え、前記リソース要素は、周波数要素、時間要素、および空間要素を含む。

また、本発明に係る通信管理装置において、さらに、前記周波数要素、前記時間要素、および前記空間要素のうちのいずれか１つまたは２つの前記リソース要素についての設定された要素数を含む要素情報を取得するように構成された第４取得部と、前記ネットワークスライスに関連付けられた前記要求情報、前記リソースブロックの数の前記設定値、および前記要素情報を未知の入力として学習済みの第３機械学習モデルに与え、前記学習済みの第３機械学習モデルの演算を行って、前記ネットワークスライスに割り当てる前記リソースブロックに関する情報を、前記周波数要素、前記時間要素、および前記空間要素のうち、前記第４取得部によって取得された前記要素情報に係る前記リソース要素以外のリソース要素ごとに出力するように構成される第３演算部とを備え、前記通知部は、前記ネットワークスライスに割り当てる、前記要素情報に係る前記リソース要素以外の前記リソース要素ごとの前記リソースブロックに関する情報を、基地局に通知してもよい。

また、本発明に係る通信管理装置において、さらに、前記ネットワークスライスに関連付けられた前記要求情報および前記リソースブロックの数の前記設定値と、前記ネットワークスライスに割り当てられる前記リソース要素ごとの前記リソースブロックに関する情報との関係を、第２機械学習モデルを用いて学習するように構成された第２学習部と、前記第２学習部によって構築された前記学習済みの第２機械学習モデルを記憶するように構成された第２記憶部とを備え、前記第２演算部は、前記第２記憶部から前記学習済みの第２機械学習モデルを読み出して、前記学習済みの第２機械学習モデルの演算を行ってもよい。

また、本発明に係る通信管理装置において、さらに、前記ネットワークスライスに関連付けられた前記要求情報、前記リソースブロックの数の前記設定値、および前記要素情報と、前記周波数要素、前記時間要素、および前記空間要素のうち、前記要素情報に係る前記リソース要素以外の前記リソース要素ごとの、前記ネットワークスライスに割り当てる前記リソースブロックに関する情報との関係を、第３機械学習モデルを用いて学習するように構成された第３学習部と、前記第３学習部によって構築された前記学習済みの第３機械学習モデルを記憶するように構成された第３記憶部とを備え、前記第３演算部は、前記第３記憶部から前記学習済みの第３機械学習モデルを読み出して、前記学習済みの第３機械学習モデルの演算を行ってもよい。

上述した課題を解決するために、本発明に係る通信管理方法は、無線リソースの分割単位であるリソースブロックが割り当てられる複数のネットワークスライスに関する情報を取得する第１取得ステップであって、前記複数のネットワークスライスに関する情報には、前記複数のネットワークスライスの各々に関連付けられた、通信品質に関する要求情報が含まれる、第１取得ステップと、前記複数のネットワークスライスの各々に割り当てる、前記無線リソースの前記リソースブロックの数の初期値を取得する第２取得ステップと、前記第２取得ステップで取得された前記初期値を未知の入力として学習済みの第１機械学習モデルに与え、前記学習済みの第１機械学習モデルの演算を行って、前記要求情報が関連付けられた前記複数のネットワークスライスの各々に割り当てる、最適化されたリソースブロックの数を出力する第１演算ステップと、前記複数のネットワークスライスの各々に割り当てる前記最適化されたリソースブロックの数を、基地局に通知するように構成された通知ステップとを備える。

また、本発明に係る通信管理方法において、さらに、前記複数のネットワークスライスの各々に割り当てる前記リソースブロックの数の前記初期値を入力として与えた場合に、前記要求情報が関連付けられた前記複数のネットワークスライスの各々に割り当てる前記リソースブロックの数の予測値を出力する第１機械学習モデルを第１記憶部に記憶する第１記憶ステップと、前記初期値を入力として与えた場合に、前記第１機械学習モデルから出力される前記リソースブロックの数の前記予測値の合計が、前記無線リソースを構成する前記リソースブロックの総数となるように、前記第１機械学習モデルのパラメータを学習する第１学習ステップとを備え、前記第１記憶ステップは、さらに、前記第１学習ステップで構築された前記学習済みの第１機械学習モデルを前記第１記憶部に記憶し、前記第１演算ステップは、前記第１記憶部から前記学習済みの第１機械学習モデルを読み出して、前記学習済みの第１機械学習モデルの演算を行ってもよい。

また、本発明に係る通信管理方法において、無線リソースの分割単位であるリソースブロックが割り当てられるネットワークスライスに関する情報を取得する第３取得ステップであって、前記ネットワークスライスに関する情報には、前記ネットワークスライスに関連付けられた通信品質に関する要求情報、および前記ネットワークスライスに割り当てられた前記リソースブロックの数の設定値が含まれる、第３取得ステップと、前記ネットワークスライスに関連付けられた前記要求情報および前記リソースブロックの数の前記設定値を未知の入力として学習済みの第２機械学習モデルに与え、前記学習済みの第２機械学習モデルの演算を行って、前記ネットワークスライスに割り当てるリソースブロックに関する情報をリソース要素ごとに出力する第２演算ステップと、前記ネットワークスライスに割り当てる前記リソース要素ごとの前記リソースブロックに関する情報を、基地局に通知する通知ステップとを備え、前記リソース要素は、周波数要素、時間要素、および空間要素を含む。

また、本発明に係る通信管理方法において、さらに、前記周波数要素、前記時間要素、および前記空間要素のうちのいずれか１つまたは２つの前記リソース要素についての設定された要素数を含む要素情報を取得する第４取得ステップと、前記ネットワークスライスに関連付けられた前記要求情報、前記リソースブロックの数の前記設定値、および前記要素情報を未知の入力として学習済みの第３機械学習モデルに与え、前記学習済みの第３機械学習モデルの演算を行って、前記ネットワークスライスに割り当てるリソースブロックに関する情報を、前記周波数要素、前記時間要素、および前記空間要素のうち、前記第４取得ステップで取得された前記要素情報に係る前記リソース要素以外のリソース要素ごとに出力するように構成される第３演算ステップとを備え、前記通知ステップは、前記ネットワークスライスに割り当てる、前記要素情報に係る前記リソース要素以外の前記リソース要素ごとの前記リソースブロックに関する情報を、基地局に通知してもよい。

また、本発明に係る通信管理方法において、さらに、前記ネットワークスライスに関連付けられた前記要求情報および前記リソースブロックの数の前記設定値と、前記ネットワークスライスに割り当てられる前記リソース要素ごとの前記リソースブロックに関する情報との関係を、第２機械学習モデルを用いて学習する第２学習ステップと、前記第２学習ステップによって構築された前記学習済みの第２機械学習モデルを第２記憶部に記憶する第２記憶ステップとを備え、前記第２演算ステップは、前記第２記憶部から前記学習済みの第２機械学習モデルを読み出して、前記学習済みの第２機械学習モデルの演算を行ってもよい。

また、本発明に係る通信管理方法において、さらに、前記ネットワークスライスに関連付けられた前記要求情報、前記リソースブロックの数の前記設定値、および前記要素情報と、前記周波数要素、前記時間要素、および前記空間要素のうち、前記要素情報に係る前記リソース要素以外の前記リソース要素ごとの、前記ネットワークスライスに割り当てる前記リソースブロックに関する情報との関係を、第３機械学習モデルを用いて学習する第３学習ステップと、前記第３学習ステップによって構築された前記学習済みの第３機械学習モデルを第３記憶部に記憶する第３記憶ステップとを備え、前記第３演算ステップは、前記第３記憶部から前記学習済みの第３機械学習モデルを読み出して、前記学習済みの第３機械学習モデルの演算を行ってもよい。

本発明によれば、複数のネットワークスライスの各々に割り当てる無線リソースのリソースブロックの数の初期値を未知の入力として学習済みの第１機械学習モデルに与え、学習済みの第１機械学習モデルの演算を行って、要求情報が関連付けられた複数のネットワークスライスの各々に割り当てる、最適化されたリソースブロックの数を出力する。そのため、より簡易な構成により、ネットワークスライスの通信品質に関する要求に応じた無線リソースの割り当てを行うことができる。

図１は、本発明の第１の実施の形態に係る通信管理装置を含む通信管理システムの構成を示すブロック図である。 図２は、第１の実施の形態に係る通信管理装置の概要を説明するための図である。 図３は、第１の実施の形態に係る通信管理装置のハードウェア構成を示すブロック図である。 図４は、第１の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。 図５は、第１の実施の形態に係る通信管理装置の動作を示すフローチャートである。 図６は、第１の実施の形態に係る通信管理装置の動作を示すフローチャートである。 図７は、第２の実施の形態に係る通信管理装置を含む通信管理システムの構成を示すブロック図である。 図８は、第２の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。 図９は、第２の実施の形態に係る通信管理装置の概要を説明するための図である。 図１０は、第２の実施の形態に係る通信管理装置の動作を示すフローチャートである。 図１１は、第２の実施の形態に係る通信管理装置の動作を示すフローチャートである。 図１２は、第３の実施の形態に係る通信管理装置を含む通信管理システムの構成を示すブロック図である。 図１３は、第３の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。 図１４は、第３の実施の形態に係る通信管理装置の動作を示すフローチャートである。 図１５は、第３の実施の形態に係る通信管理装置の動作を示すフローチャートである。 図１６は、従来例に係るネットワークスライシングを説明するための図である。

以下、本発明の好適な実施の形態について、図１から図１５を参照して詳細に説明する。

［第１の実施の形態］
図１は、本発明の第１の実施の形態に係る通信管理装置１を備える通信管理システムの構成を示すブロック図である。本実施の形態に係る通信管理装置１は、通信品質に関する要求情報と関連付けられたネットワークスライスの各々に割り当てる、最適化されたリソースブロック数を求め、リソースブロックの割り当て情報を基地局３０に通知する。

［通信管理システムの構成］
まず、本発明の実施の形態に係る通信管理装置１を備える通信管理システムの概要について説明する。図１に示すように、通信管理システムは、例えば、ＳＡ方式の５Ｇ無線通信システムに対応する通信管理装置１、通信端末２、基地局３０を備える無線アクセスネットワーク３、およびコアネットワーク４を備える。

通信管理装置１とコアネットワーク４とは、ＬＡＮやＷＡＮなどのネットワークＮＷを介して接続されている。また、無線アクセスネットワーク３が備える基地局３０とコアネットワーク４とは、バックホールリンクなどのネットワークＬを介して接続されている。さらに、図１では一例として、通信管理装置１と基地局３０とは、ネットワークＮＷを介して接続されているが、通信管理装置１と基地局３０とは、専用の通信ネットワークを介して接続される構成であってもよい。あるいは、通信管理装置１と基地局３０とのネットワークＮＷによる接続は省略することができる。

通信端末２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２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。

通信端末２は、無線アクセスネットワーク３を介してコアネットワーク４との通信を行い、コアネットワーク４にサービスを要求する。具体的には、通信端末２は、利用するサービスに応じたサービス特性を示す識別子を設定し、無線アクセスネットワーク３を介してコアネットワーク４へ送信する。通信端末２は、要求するサービスに応じたネットワークスライス内のリソースブロックを利用して、コアネットワーク４との通信を行い、適切なデータネットワークに接続し、サービスに係るデータ通信を行うことができる。

通信端末２が要求するサービスには、その用途ごとに異なるネットワークスライスが設定される。例えば、高速大容量に対応するネットワークスライス、多数同時接続に対応するネットワークスライス、高信頼および低遅延に対応するネットワークスライス等が設けられる。すなわち、各ネットワークスライスは、用途に応じた適切な通信速度、通信遅延などの一定の通信品質を要求する。本実施の形態では、サービスタイプや特性に応じて予め設定された数のネットワークスライスが設定されているものとする。

また、ネットワークスライスには固有のネットワークスライスＩＤが割り当てられており、ネットワークスライスＩＤには、通信の遅延、帯域幅、信頼性等の通信品質に関する要件、およびセキュリティポリシーや認証要件に関する情報が関連付けられている。

無線アクセスネットワーク３は、複数の基地局３０を備え、各基地局３０に在圏する通信端末２とコアネットワーク４との通信を可能とする。

基地局３０は、５Ｇ方式に対応した無線基地局で構成され、在圏する通信端末２とコアネットワーク４との間の通信を中継する。基地局３０は、例えば、バスを介して接続されるプロセッサ、主記憶装置、通信インターフェース、補助記憶装置、入出力Ｉ／Ｏ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。

基地局３０は、通信端末２が利用するサービスのサービスタイプおよび特性を示す識別子を通信端末２から受信し、コアネットワーク４へ送信する。また、本実施の形態に係る基地局３０は、通信管理装置１から、各ネットワークスライスに割り当てるリソースブロックの割り当て情報の通知を受ける。さらに、本実施の形態に係る基地局３０は、通信管理装置１から通知された割り当て情報に基づいて、ネットワークスライスにリソースブロックを割り当てる。さらに、基地局３０は、サービスタイプおよび特性を示す識別子をもとに、通信端末２に対して、サービスに応じたネットワークスライス内のリソースブロックを割り当てる。

コアネットワーク４は、例えば、ＳＡ方式の５Ｇコアネットワークで構成される。図１に示すコアネットワーク４は、ＮＳＳＦ（Ｎｅｔｗｏｒｋ Ｓｌｉｃｅ Ｓｅｌｅｃｔｉｏｎ Ｆｕｎｃｔｉｏｎ）４０と、ＡＭＦ（Ａｃｃｅｓｓ ａｎｄ Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ Ｆｕｎｃｔｉｏｎ）４１とを備え、その他の装置および機能は図示を省略している。

ＮＳＳＦ４０は、通信端末２が基地局３０を介してコアネットワーク４に接続する際に、通信端末２が利用するネットワークスライスを選択するネットワーク機能である。ＮＳＳＦ４０は、通信端末２が要求するサービスのタイプや特性、契約情報、位置情報、および端末情報などをもとに、利用可能なネットワークスライスの候補を選択し、ＡＭＦ４１に通知する。

ＡＭＦ４１は、通信端末２の位置情報や接続状態などの登録や更新および移動管理などを行うネットワーク機能である。また、ＡＭＦ４１は、ＮＳＳＦ４０から通知された利用可能なネットワークスライスの候補に基づいて、通信端末２が利用するネットワークスライスの選択や管理を行う。ＡＭＦ４１が選択したネットワークスライスの情報は、基地局３０に通知される。

［通信管理装置の機能ブロック］
図１に示すように、通信管理装置１は、第１取得部１０、第２取得部１１、学習部（第１学習部）１２、演算部（第１演算部）１３、記憶部（第１記憶部）１４、および通知部１５を備える。

第１取得部１０は、無線リソースの分割単位であるリソースブロックが割り当てられる複数のネットワークスライスに関する情報を取得する。第１取得部１０が取得する、複数のネットワークスライスに関する情報には、各ネットワークスライスに関連付けられた、通信品質に関する要求情報が含まれる。要求情報には、通信の遅延、帯域幅、信頼性等を含む通信品質に関する要件が含まれる。

第２取得部１１は、複数のネットワークスライスの各々に割り当てる、無線リソースのリソースブロックの数の初期値を取得する。第２取得部１１は、例えば、ネットワークＮＷを介して外部サーバなどからリソースブロック数の初期値を取得することができる。あるいは、第２取得部１１は、ユーザによって行われる入力操作の受け付けによってリソースブロック数の初期値を取得することができる。複数のネットワークスライスの各々に割り当てる、無線リソースのリソースブロック数の初期値は、例えば、無線通信網の管理や運用を行うユーザが、各ネットワークスライスに割り当てることを望むリソースブロック数のおおよその数とすることができる。また、リソースブロック数の初期値は、例えば、無線リソースに設定されているリソースブロックの総数に基づいて設定することができる。

学習部１２は、複数のネットワークスライスに割り当てるリソースブロックの数の初期値を入力として与えた場合に、第１機械学習モデルから出力されるリソースブロック数の予測値の合計が、無線リソースを構成するリソースブロックの総数となるように、第１機械学習モデルのパラメータを学習する。また、学習部１２は、記憶部１４の第１モデル記憶部１４０に記憶されている、学習前の第１機械学習モデルを読み出して学習処理を行う。前述したように、リソースブロックの総数とは、周波数（サブキャリアの数）×時間（タイムスロットの数）×空間（空間ストリーム数）で与えられる値である。

学習部１２が学習を行う第１機械学習モデルは、複数のネットワークスライスの各々に割り当てるリソースブロック数の初期値を入力として与えた場合に、要求情報と関連付けられた複数のネットワークスライスの各々に割り当てるリソースブロック数の予測値を出力する。学習部１２は、第２取得部１１によって取得されたリソースブロック数の初期値を学習用のデータとして用いることができる。

図４は、学習部１２が学習を行う第１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ノード数は同数であり、これらは、サービスの数などに応じて予め設定されているＮ個のネットワークスライスに対応する。

学習部１２は、ネットワークスライスの各々に割り当てるリソースブロック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。図４に示すように、入力層の各入力ノードｘ_１～ｘ_Ｎには、ネットワークスライス＃１～＃Ｎまでのリソースブロック（ＲＢ）数の初期値が入力されている。出力層の各出力ノードｙ_１～ｙ_Ｎは、入力値に対するニューラルネットワークの予測値である。

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。

学習部１２は、さらに、無線リソースのリソースブロックの総数とニューラルネットワークの予測値ｙとの間の誤差を評価する目的関数を導入することで、各ネットワークスライスのリソースブロック数の予測値の合計値が、無線リソースを構成するリソースブロックの総数となるように、ニューラルネットワークのパラメータを学習する。

学習部１２は、次式（１）で表される目的関数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。
Ｅ＝｛（ｙ_１＋ｙ_２＋ｙ_３＋・・・＋ｙ_Ｎ－１＋ｙ_Ｎ）－ＲＢ総数｝^２ ・・・（１）
なお、目的関数として、平均二乗誤差、交差エントロピー、交差共分散、構造類似度、クラスタリング損失などを採用することができる。学習部１２は、誤差逆伝搬法や確率的勾配降下法などを用いて、目的関数を勾配法で最適化することができる。

図１に戻り、演算部１３は、第２取得部１１によって取得された、各ネットワークスライスに割り当てるリソースブロックの数の初期値を未知の入力として学習済みの第１機械学習モデルに与え、学習済みの第１機械学習モデルの演算を行って、通信品質に関する要求情報と関連付けられた複数のネットワークスライスの各々に割り当てる、最適化されたリソースブロック数を出力する。

前述したように、第２取得部１１によって取得される各ネットワークスライスに割り当てられるリソースブロック数の初期値は、リソースブロック数の総数およびネットワークスライスの各々が満たすべき通信品質との関係で、最適なリソースブロック数ではない場合がある。

例えば、リソースブロックの総数が３００個であった場合、図４に示すネットワークスライス＃１に対するリソースブロック数の初期値が３０個、ネットワークスライス＃２に対するリソースブロック数の初期値が４０個であるとする。このようなリソースブロック数の初期値を学習済みの第１機械学習モデルに入力として与え、学習済みの第１機械学習モデルの演算を行うことで、リソースブロック数の総数およびネットワークスライスの各々が満たすべき通信品質との観点から最適な各ネットワークスライスのリソースブロック数が出力される。例えば、ネットワークスライス＃１に対する最適化されたリソースブロック数として３２個、ネットワークスライス＃２に対する最適化されたリソースブロック数の初期値が３８個等として出力される。

図２は、各ネットワークスライスに割り当てられるリソースブロックを示す模式図である。図２は、無線リソースが時間軸と周波数軸とで定義された二次元平面、および空間軸を示している。無線リソースは、図２に示すように、タイムスロットとサブキャリアとで構成されるリソースブロックに分割されている。本実施の形態では、図２の「ＮＷスライス＃１」から「ＮＷスライス＃Ｎ」までの各ハッチングの領域に示すように、ネットワークスライス単位で専用のリソースブロックが割り当てられる。また、学習部１２による学習処理、および演算部１３による学習済みの第１機械学習モデルの演算によって、各ネットワークスライスには最適化された数のリソースブロックが割り当てられる。

さらに詳細には、例えば、送信アンテナが２つ、および受信アンテナが２つで構成される２×２のＭＩＭＯが設定されている場合、図２の空間軸に沿って空間ストリームｓ_１、ｓ_２が設けられる。したがって、空間ストリームｓ_１に加え、空間ストリームｓ_２における、最適化されたリソースブロックの数が求められる。

また、本実施の形態では、演算部１３によって求められた最適化されたリソースブロック数をネットワークスライスに割り当てる際に、割り当て可能なリソースブロックの範囲をネットワークスライスごとに事前に設定することができる。例えば、図２に示すように、「ＮＷスライス＃１」から「ＮＷスライス＃Ｎ」までのネットワークスライスが、それぞれタイムスロットｔ_１～ｔ_ｋまでを利用することができるとする事前の設定を設けることができる。さらに、「ＮＷスライス＃１」から「ＮＷスライス＃Ｎ」の順に、サブキャリアｆ_１からｆ_ｋの順にリソースブロックを順番に割り当てる設定とすることができる。

このように、本実施の形態では、各ネットワークスライスに対して、どの範囲のリソースブロックが割り当てられるかを事前に設定することができる。したがって、演算部１３によって出力された、最適なリソースブロック数に基づいて、たとえば、「ＮＷスライス＃１」から「ＮＷスライス＃Ｎ」の順に、所定の周波数の範囲において、最適化された数のリソースブロックを割り当てることができる。

図１に戻り、記憶部１４は、第１モデル記憶部１４０を備える。記憶部１４は、第１取得部１０によって取得されたネットワークスライスに関する情報を記憶する。また、記憶部１４は、ネットワークスライスのネットワークスライスＩＤに関連付けられた通信品質に関する要求情報を記憶する。

第１モデル記憶部１４０は、学習前の第１機械学習モデル、および学習済みの第１機械学習モデルを記憶する。

通知部１５は、複数のネットワークスライスの各々に割り当てる、最適化されたリソースブロックの数を、基地局３０に通知する。具体的には、通知部１５は、演算部１３によって出力された最適化されたリソースブロック数をネットワークスライスＩＤに関連付けて、ネットワークＮＷを介して基地局３０に通知することができる。

［通信管理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管理装置１を実現するハードウェア構成の一例について、図３を用いて説明する。

図３に示すように、通信管理装置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。

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に示した第１取得部１０、第２取得部１１、学習部１２、演算部１３など通信管理装置１の各機能が実現される。

通信インターフェース１０４は、通信管理装置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。

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。

補助記憶装置１０５は、通信管理装置１が実行する通信管理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、第１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で説明した記憶部１４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。

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。

［通信管理装置の動作］
次に、上述した構成を有する通信管理装置１の動作を、図５および図６のフローチャートを参照して説明する。

はじめに、図５を参照して、通信管理装置１による学習処理を説明する。まず、第１取得部１０は、無線リソースの分割単位であるリソースブロックが割り当てられる複数のネットワークスライスに関する情報を取得する（ステップＳ１）。ステップＳ１で取得される複数のネットワークスライスに関する情報には、各ネットワークスライスに関連付けられた、通信品質に関する要求情報が含まれる。

次に、第２取得部１１は、複数のネットワークスライスの各々に割り当てるリソースブロック数の初期値を取得する（ステップＳ２）。続いて、学習部１２は、ステップＳ２で取得された初期値を入力として与えた場合に、第１機械学習モデルから出力されるリソースブロック数の予測値の合計が、無線リソースを構成するリソースブロックの総数となるように、第１機械学習モデルのパラメータを学習する（ステップＳ３）。具体的には、学習部１２は、記憶部１４の第１モデル記憶部１４０に記憶されている、第１機械学習モデルを読み出して学習処理を行う。

学習部１２は、例えば、図４で示したニューラルネットワーク構造のモデルを第１機械学習モデルとして採用し、上式（１）で表される目的関数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。学習部１２は、誤差逆伝搬法や確率的勾配降下法などを用いて、目的関数を勾配法で最適化することができる。学習部１２によって構築された学習済みの第１機械学習モデルは、第１モデル記憶部１４０に記憶される（ステップＳ４）。

次に、図６を参照して、通信管理装置１による演算処理を説明する。まず、第２取得部１１は、各ネットワークスライスに割り当てるリソースブロック数の初期値を取得する（ステップＳ１０）。次に、演算部１３は、第１モデル記憶部１４０から学習済みの第１機械学習モデルをロードする（ステップＳ１１）。

次に、演算部１３は、ステップＳ１０で第２取得部１１によって取得された、各ネットワークスライスに割り当てるリソースブロック数の初期値を未知の入力として学習済みの第１機械学習モデルに与え、学習済みの第１機械学習モデルの演算を行って、通信品質に関する要求情報と関連付けられた複数のネットワークスライスの各々に割り当てる、最適化されたリソースブロック数を出力する（ステップＳ１２）。

その後、通知部１５は、ステップＳ１２で出力された、ネットワークスライスの各々に割り当てられる最適化されたリソースブロック数を基地局３０に通知する（ステップＳ１３）。

通知を受けた基地局３０は、各ネットワークスライスのネットワークスライスＩＤに関連付けて、最適化されたリソースブロック数を設定登録する。基地局３０は、ネットワークスライスＩＤに関連付けられたリソースブロック数に基づいて、所定のサービスを利用する通信端末２に対して、通信品質の要求に対応するネットワークスライス内のリソースブロックを割り当てる。さらには、通知部１５は、基地局３０単位でもネットワークスライスごとのリソースブロックの割り当てを行うことができる。

以上説明したように、第１の実施の形態に係る通信管理装置１によれば、学習済みの第１機械学習モデルを用いて、通信品質に関する要求情報と関連付けられた複数のネットワークスライスの各々に割り当てる、最適化されたリソースブロック数を出力するので、より簡易な構成により、ネットワークスライスの通信品質に関する要求に応じた無線リソースの割り当てを行うことができる。

また、第１の実施の形態に係る通信管理装置１によれば、通信品質に関する要求情報と関連付けられた複数のネットワークスライスに割り当てる、最適化されたリソースブロック数を出力するので、ネットワークスライス単位でＱｏＳ（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ）要求に応じた専用のリソースブロックを割り当てることができる。さらには、基地局３０単位でＱｏＳ要求に応じたネットワークスライスごとのリソースブロックを割り当てることができる。

また、第１の実施の形態に係る通信管理装置１によれば、第１機械学習モデルの学習を行って、リソースブロック数の初期値に対して、リソースブロックの総数およびネットワークスライスごとに要求される通信品質において最適化されたリソースブロック数を学習する。そのため、ネットワークスライスＩＤをキーとした無線リソースのリソースパラメータである、サブキャリアの数、タイムスロット数、および空間ストリーム数の対応付けによる膨大なデータベース容量を必要とせず、データベース要領の削減が可能となる。

［第２の実施の形態］
次に、本発明の第２の実施の形態について説明する。なお、以下の説明では、上述した第１の実施の形態と同じ構成については同一の符号を付し、その説明を省略する。

第１の実施の形態では、複数のネットワークスライスの各々に割り当てるリソースブロックの数の初期値に対して、リソースブロックの総数に対する最適化されたリソースブロック数を求める場合について説明した。これに対して、第２の実施の形態では、各ネットワークスライスに割り当てるリソースブロック数を固定値として割り当てる場合に、無線リソースの周波数要素、時間要素、および空間要素を含むリソース要素ごとの、ネットワークスライスに対するリソースブロックの割り当て情報を求める。

［通信管理装置の機能ブロック］
図７は、第２の実施の形態に係る通信管理装置１Ａの構成を示すブロック図である。通信管理装置１Ａは、学習部（第２学習部）１２Ａ、演算部（第２演算部）１３Ａ、記憶部（第２記憶部）１４Ａ、通知部１５、および第３取得部１６を備える。

まず、第３取得部１６は、無線リソースの分割単位であるリソースブロックが割り当てられるネットワークスライスに関する情報を取得する。第３取得部１６が取得するネットワークスライスに関する情報には、ネットワークスライスに関連付けられた、通信品質に関する要求情報が含まれる。また、第３取得部１６が取得するネットワークスライスに関する情報には、ネットワークスライスに割り当てられたリソースブロック数の設定値が含まれる。リソースブロック数の設定値は、事前に固定値として設定されたネットワークスライスに割り当てるリソースブロック数である。

学習部１３Ａは、ネットワークスライスに関連付けられた要求情報およびリソースブロック数の設定値と、ネットワークスライスに割り当てられる、無線リソースのリソース要素ごとのリソースブロックに関する情報との関係を、第２機械学習モデルを用いて学習する。

リソース要素には、無線リソースを定義する周波数軸のサブキャリア（周波数要素）、時間軸のタイムスロット（時間要素）、および空間軸の空間ストリーム（空間要素）が含まれる。図２の例を用いて説明すると、無線リソースの二次元平面における、周波数軸のサブキャリアｆ_１～ｆ_ｋ、および時間軸のタイムスロットｔ_１～ｔ_ｋがリソース要素に含まれる。さらに、図２に示す、空間軸の空間ストリームｓ_１、ｓ_２がリソース要素に含まれる。

このように、各リソース要素の数および値は、周波数軸のサブキャリアｆ_１～ｆ_ｋ、時間軸のタイムスロットｔ_１～ｔ_ｋ、および空間軸の空間ストリームｓ_１、ｓ_２の数および値で表すことができる。

図８は、学習部１２Ａが学習を行う第２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８の例では入力ノードに、ネットワークスライスのネットワークスライスＩＤである「ＮＷスライスＩＤ」および「ＮＷスライスＩＤ」に関連付けられている通信品質に関する要求情報が入力される。出力ノードｙ_１～ｙ_ｍは、「周波数要素ｆ」、「時間要素ｔ」、および「空間要素ｓ」の値に対応する。

例えば、「周波数要素ｆ」の出力ノードとして、周波数軸のサブキャリアｆ_１～ｆ_ｋに対応する出力ノード、「時間要素ｔ」の出力ノードとして、タイムスロットｔ_１～ｔ_ｋに対応する出力ノード、さらには、「空間要素ｓ」の出力ノードとして、空間ストリームｓ_１、ｓ_２に対応する出力ノードを設けることができる。なお、出力ノードの各リソース要素の数は、事前の設定により決めることができる。

学習部１２Ａは、ネットワークスライスのネットワークスライスＩＤ、ネットワークスライスＩＤに関連付けられている通信品質に関する要求情報およびリソースブロック数の設定値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。

学習部１２Ａは、さらに、正解ラベルの値とニューラルネットワークの出力値ｙとの間の誤差を評価する目的関数を導入することで、ネットワークスライスのネットワークスライスＩＤ、ネットワークスライスＩＤに関連付けられている通信品質に関する要求情報およびリソースブロック数の設定値が、正解ラベルの周波数要素ｆの値、時間要素ｔの値、および空間要素ｓの値となるように、ニューラルネットワークのパラメータを学習する。

学習部１２Ａは、ネットワークスライスＩＤに関連付けられている通信品質に関する要求情報およびリソースブロック数の設定値の入力値に対して、正解ラベルの周波数要素ｆの値、時間要素ｔの値、および空間要素ｓの値を付与した教師データを用いて、ニューラルネットワークを学習する。

学習部１２Ａは、目的関数が最小、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。学習部１２Ａは、誤差逆伝搬法や確率的勾配降下法などを用いて、目的関数を勾配法で最適化することができる。学習部１２Ａによって構築された学習済みの第２機械学習モデルは、後述の第２モデル記憶部１４１に記憶される。

図７に戻り、演算部１３Ａは、ネットワークスライスに関連付けられた通信品質に関する要求情報およびリソースブロック数の設定値を未知の入力として学習済みの第２機械学習モデルに与え、学習済みの第２機械学習モデルの演算を行って、ネットワークスライスに割り当てるリソースブロックに関する情報をリソース要素ごとに出力する。演算部１３Ａは、第２モデル記憶部１４１から学習済みの第２機械学習モデルを読み出して、演算を行う。演算部１３Ａによって出力されるリソース要素ごとのリソースブロックに関する情報は、通知部１５に渡される。

図９に示すように、本実施の形態では、時間軸と周波数軸とで構成される二次元平面の無線リソースにおいて、周波数やタイムスロットの順番が連続しないリソースブロックを各ネットワークスライスに割り当てることができる。図９において、各ハッチング領域のリソースブロックは、各ネットワークスライスに割り当てられたリソースブロックを示している。なお、図９において、空間軸の空間ストリームｓ_１、ｓ_２については図示を省略している。

記憶部１４Ａは、第２モデル記憶部１４１を備える。記憶部１４Ａは、第３取得部１６によって取得されたリソースブロックに関する情報、およびネットワークスライスに関連付けられている通信品質に関する要求情報、およびネットワークスライスに割り当てられたリソースブロック数の設定値を記憶する。

第２モデル記憶部１４１は、学習部１２Ａによって構築された学習済みの第２機械学習モデルを記憶する。

通知部１５は、ネットワークスライスに割り当てるリソース要素ごとのリソースブロックに関する情報を、基地局３０に通知する。より具体的には、通知部１５は、演算部１３Ａによって求められた、周波数要素、時間要素、および空間要素で特定されるリソースブロックに関する情報を基地局３０に通知する。

［通信管理装置の動作］
次に、上述した構成を有する通信管理装置１Ａの動作を図１０および図１１のフローチャートを参照して説明する。図１０は、通信管理装置１Ａによる学習処理を示すフローチャートである。図１１は、通信管理装置１Ａによる演算処理を示すフローチャートである。

まず、図１０に示すように、学習部１２Ａは教師データを用意する（ステップＳ２０）。より具体的には、学習部１２Ａは、ネットワークスライスＩＤに関連付けられた通信品質に関する要求情報、およびリソースブロック数の設定値の入力値に対して、周波数要素の値、時間要素の値、および空間要素の値で表されるリソースブロックに関する情報を正解ラベルとして与えた教師データを用いて学習を行う。

次に、学習部１２Ａは、ネットワークスライスに関連付けられた通信品質に関する要求情報およびリソースブロック数の設定値と、ネットワークスライスに割り当てられる、リソース要素ごとのリソースブロックに関する情報との関係を、第２機械学習モデルを用いて学習する（ステップＳ２１）。学習部１２Ａは、ステップＳ２０で用意された教師データを用いて、第２機械学習モデルを学習する。

次に、第２モデル記憶部１４１は、ステップＳ２１で構築された学習済みの第２機械学習モデルを記憶する（ステップＳ２２）。

次に、図１１に示すように、第３取得部１６は、無線リソースの分割単位であるリソースブロックが割り当てられるネットワークスライスに関する情報を取得する（ステップＳ３０）。ステップＳ３０で第３取得部１６が取得するネットワークスライスに関する情報には、ネットワークスライスに関連付けられた、通信品質に関する要求情報、およびネットワークスライスに割り当てられたリソースブロック数の設定値が含まれる。

次に、演算部１３Ａは、第２モデル記憶部１４１から、学習済みの第２機械学習モデルをロードする（ステップＳ３１）。続いて、演算部１３Ａは、ネットワークスライスに関連付けられた通信品質に関する要求情報およびリソースブロック数の設定値を未知の入力として学習済みの第２機械学習モデルに与え、学習済みの第２機械学習モデルの演算を行って、ネットワークスライスに割り当てるリソースブロックに関する情報をリソース要素ごとに出力する（ステップＳ３２）。

次に、通知部１５は、ステップＳ３２で得られた、ネットワークスライスに割り当てる、リソース要素ごとのリソースブロックに関する情報を、基地局３０に通知する（ステップＳ３３）。通知部１５は、ネットワークスライスＩＤに関連付けた、周波数要素の値、時間要素の値、および空間要素の値で特定されるリソースブロックの情報を、基地局３０に通知することができる。通知を受けた基地局３０は、ネットワークスライスＩＤに係るネットワークスライスに対して、通知に係る特定のリソースブロックを割り当てて登録する。

以上説明したように、第２の実施の形態に係る通信管理装置１Ａによれば、ネットワークスライスＩＤに関連付けられた通信品質に関する要求情報およびリソースブロック数の設定値を未知の入力として学習済みの第２機械学習モデルに与え、学習済みの第２機械学習モデルの演算を行って、ネットワークスライスに割り当てるリソースブロックに関する情報を周波数要素、時間要素、および空間要素を含むリソース要素ごとに出力する。そのため、リソースブロック数の設定値が固定的に割り当てられているネットワークスライスに対して、周波数要素の値、時間要素の値、および空間要素の値で特定されるリソースブロックを割り当てることができる。

また、第２の実施の形態に係る通信管理装置１Ａによれば、ネットワークスライスに割り当てるリソースブロックに関する情報を周波数要素、時間要素、および空間要素を含むリソース要素ごとに出力するので、通信品質に関する要求に対して、より適切なリソースブロックをネットワークスライスに割り当てることができる。

［第３の実施の形態］
次に、本発明の第３の実施の形態について説明する。なお、以下の説明では、上述した第１および第２の実施の形態と同じ構成については同一の符号を付し、その説明を省略する。

第２の実施の形態では、ネットワークスライスに対してリソースブロック数を固定的に割り当てた場合の、周波数要素、時間要素、および空間要素を含むリソース要素ごとのリソースブロックに関する情報を求める場合について説明した。これに対して、第３の実施の形態では、さらに、周波数要素、時間要素、および空間要素のうちのいずれか１つまたは２つのリソース要素に関する情報を固定値とした場合に、ネットワークスライスに割り当てる、その他のリソース要素ごとのリソースブロックに関する情報を求める。

［通信管理装置の機能ブロック］
図１２に示すように、本実施の形態に係る通信管理装置１Ｂは、学習部（第３学習部）１２Ｂ、演算部（第３演算部）１３Ｂ、記憶部（第３記憶部）１４Ｂ、通知部１５、第３取得部１６、および第４取得部１７を備える。第３の実施の形態に係る通信管理装置１Ｂは、第４取得部１７をさらに備える点で、第２の実施の形態に係る通信管理装置１Ａと構成が異なる。以下、第２の実施の形態と異なる構成を中心に説明する。

まず、第４取得部１７は、周波数要素、時間要素、および空間要素のうちのいずれか１つまたは２つのリソース要素についての設定された要素数を含む要素情報を取得する。例えば、第４取得部１７は、周波数要素を固定値として設定する場合に、周波数軸のサブキャリアの数を取得することができる。あるいは、時間要素を固定値として設定する場合に、時間軸のタイムスロットの数を取得することができる。同様に、第４取得部１７は、固定値として設定される空間軸の空間ストリーム数を取得することができる。

また、第４取得部１７は、周波数要素、時間要素、および空間要素の数だけでなく、図９の例に示すように、特定の周波数要素であるサブキャリアｆ_１～ｆ_ｋの値、時間要素であるタイムスロットｔ_１～ｔ_ｋの値、および空間要素である空間ストリームｓ_１、ｓ_２等の値を取得してもよい。

学習部１２Ｂは、ネットワークスライスに関連付けられた通信品質に関する要求情報、ネットワークスライスに割り当てる、リソースブロック数の設定値、および第４取得部１７により取得された要素情報と、周波数要素、時間要素、および空間要素のうち、第４取得部１７によって取得された要素情報に係るリソース要素以外のリソース要素ごとの、ネットワークスライスに割り当てるリソースブロックに関する情報との関係を、第３機械学習モデルを用いて学習する。

図１３は、学習部１２Ｂが学習を行う第３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１３の例では入力ノードｘ_１に、特定のネットワークスライスのネットワークスライスＩＤである「ＮＷスライスＩＤ」、「ＮＷスライスＩＤ」に関連付けられている通信品質に関する要求情報、および固定値として設定されたリソースブロック数が入力される。

図１３の例では、入力ノードｘ_２～ｘ_ｌには、第４取得部１７によって取得された「空間要素ｓ」の値が入力される。出力ノードｙ_１～ｙ_ｍは、「周波数要素ｆ」、および「時間要素ｔ」の値に対応する。例えば、「周波数要素ｆ」の出力ノードとして、周波数軸のサブキャリアｆ_１～ｆ_ｋに対応する出力ノード、「時間要素ｔ」の出力ノードとして、タイムスロットｔ_１～ｔ_ｋに対応する出力ノードを設けることができる。なお、出力ノードの各リソース要素の数は、事前の設定により決めることができる。

学習部１２Ｂは、ネットワークスライスのネットワークスライスＩＤ、ネットワークスライスＩＤに関連付けられている通信品質に関する要求情報、リソースブロック数の設定値、および第４取得部１７によって取得されたリソース要素の要素情報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。

学習部１２Ｂは、さらに、正解ラベルの値とニューラルネットワークの出力値ｙとの間の誤差を評価する目的関数を導入することで、ネットワークスライスのネットワークスライスＩＤ、ネットワークスライスＩＤに関連付けられている通信品質に関する要求情報、リソースブロック数の設定値、および空間要素の要素情報が、正解ラベルの周波数要素ｆの値、および時間要素ｔの値となるように、ニューラルネットワークのパラメータを学習する。

学習部１２Ｂは、ネットワークスライスＩＤに関連付けられている通信品質に関する要求情報およびリソースブロック数の設定値、および要素情報である空間要素ｓの値ｓ_１、ｓ_２の入力値に対して、正解ラベルとして周波数要素ｆの値、および時間要素ｔの値を付与した教師データを用いて、ニューラルネットワークを学習する。

学習部１２Ｂは、目的関数が最小、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。学習部１２Ｂは、誤差逆伝搬法や確率的勾配降下法などを用いて、目的関数を勾配法で最適化することができる。学習部１２Ｂによって構築された学習済みの第３機械学習モデルは、後述の第３モデル記憶部１４２に記憶される。

図１２に戻り、演算部１３Ｂは、ネットワークスライスに関連付けられた通信品質に関する要求情報、ネットワークスライスに固定値として割り当てる、リソースブロック数の設定値、およびリソース要素の要素情報を未知の入力として学習済みの第３機械学習モデルに与え、学習済みの第３機械学習モデルの演算を行って、ネットワークスライスに割り当てるリソースブロックに関する情報を、周波数要素、時間要素、および空間要素のうち、第４取得部１７によって取得された要素情報に係るリソース要素以外のリソース要素ごとに出力する。

記憶部１４Ｂは、第３モデル記憶部１４２を備える。記憶部１４Ｂは、第４取得部１７によって取得された、周波数要素、時間要素、および空間要素のうちの１つまたは２つの要素情報を記憶する。

第３モデル記憶部１４２は、学習部１２Ｂによって構築された学習済みの第３機械学習モデルを記憶する。

通知部１５は、ネットワークスライスに割り当てる、リソース要素ごとのリソースブロックに関する情報を、基地局３０に通知する。より具体的には、通知部１５は、演算部１３Ｂによって求められたリソース要素の値で示されるリソースブロックに関する情報を基地局３０に通知する。

［通信管理装置の動作］
次に、上述した構成を有する通信管理装置１Ｂの動作を、図１４および図１５のフローチャートを参照して説明する。図１４は、通信管理装置１Ｂによる学習処理を示すフローチャートである。図１５は、通信管理装置１Ｂによる演算処理を示すフローチャートである。

まず、図１４に示すように、学習部１２Ｂは、要素情報を取得する（ステップＳ２００）。より具体的には、ステップＳ２００において、ネットワークスライスに固定値として割り当てる、周波数要素、時間要素、および空間要素のうちのいずれか１つまたは２つのリソース要素に関する要素情報を取得する。学習部１２Ｂは、第４取得部１７によって取得された要素情報を取得することができる。

次に、学習部１２Ｂは、学習処理で用いる教師データを用意する（ステップＳ２０１）。具体的には、学習部１２Ｂは、ネットワークスライスに関連付けられた通信品質に関する要求情報、固定値として設定するリソースブロック数の設定値、および固定値として設定するリソース要素の要素情報を含む入力値に対して、固定値として設定するリソース要素以外のリソース要素の値を正解ラベルとして与えた教師データを用意する。

次に、学習部１２Ｂは、ネットワークスライスに関連付けられた通信品質に関する要求情報、固定値として設定するリソースブロック数の設定値、および固定値として設定するリソース要素の要素情報と、周波数要素、時間要素、および空間要素のうち、固定値として設定する要素情報に係るリソース要素以外のリソース要素ごとの、ネットワークスライスに割り当てるリソースブロックに関する情報との関係を、第３機械学習モデルを用いて学習する（ステップＳ２０２）。

第３モデル記憶部１４２は、ステップＳ２０２で構築された学習済みの第３機械学習モデルを記憶する（ステップＳ２０３）。

次に、図１５に示すように、第３取得部１６は、リソースブロックが割り当てられるネットワークスライスに関する情報を取得する（ステップＳ３００）。第３取得部１６がステップＳ３００で取得するネットワークスライスに関する情報には、ネットワークスライスに関連付けられた通信品質に関する要求情報、およびネットワークスライスに割り当てられたリソースブロック数の設定値が含まれる。

次に、第４取得部１７は、周波数要素、時間要素、および空間要素のうちのいずれか１つまたは２つのリソース要素についての設定された要素数を含む要素情報を取得する（ステップＳ３０１）。図１３の例を用いると、ステップＳ３０１において、第４取得部１７は、空間ストリームｓ_１、ｓ_２の数あるいは空間ストリームｓ_１、ｓ_２の値を取得することができる。

次に、演算部１３Ｂは、第３モデル記憶部１４２から、学習済みの第３機械学習モデルをロードする（ステップＳ３０２）。次に、演算部１３Ｂは、ネットワークスライスに関連付けられた通信品質に関する要求情報、ネットワークスライスに固定値として割り当てる、リソースブロック数の設定値、およびリソース要素の要素情報を未知の入力として学習済みの第３機械学習モデルに与え、学習済みの第３機械学習モデルの演算を行って、ネットワークスライスに割り当てるリソースブロックに関する情報を、周波数要素、時間要素、および空間要素のうち、ステップＳ３０１で第４取得部１７によって取得された要素情報に係るリソース要素以外のリソース要素ごとに出力する（ステップＳ３０３）。

図１３の例を用いると、ステップＳ３０３では、ネットワークスライスＩＤに関連付けられた通信品質に関する要求情報、固定値として設定されるリソースブロック数、および固定値として設定される空間要素ｓの数を含む要素情報を未知の入力として、学習済みの第３機械学習モデルに与える。演算部１３Ｂは、学習済みの第３機械学習モデルの演算を行って、周波数要素ｆの値、および時間要素ｔの値によって与えられるリソースブロックに関する情報を出力する。

次に、通知部１５は、ステップＳ３０３で求められた、リソース要素ごとのリソースブロックに関する情報を基地局３０に通知する（ステップＳ３０４）。通知を受けた基地局３０は、ネットワークスライスに対してリソースブロックを割り当てて登録する。図１３の例によれば、通知部１５は、基地局３０に対して、ネットワークスライスＩＤに関連付けられた周波数要素ｆの値、および時間要素ｔの値を通知することができる。

以上説明したように、第３の実施の形態に係る通信管理装置１Ｂによれば、ネットワークスライスＩＤに関連付けられた通信品質に関する要求情報、リソースブロック数の設定値、および固定値として設定するリソース要素の要素情報を未知の入力として学習済みの第３機械学習モデルに与え、学習済みの第３機械学習モデルの演算を行って、ネットワークスライスに割り当てるリソースブロックに関する情報を周波数要素、時間要素、および空間要素のうち、固定値として設定されたリソース要素以外のリソース要素ごとに出力する。そのため、リソースブロック数の設定値および特定のリソース要素が固定的に割り当てられているネットワークスライスに対して、固定値として設定したリソース要素以外のリソース要素の値で特定されるリソースブロックを割り当てることができる。

なお、上述した第３の実施の形態では、図１３に例示したように、周波数要素、時間要素、および空間要素のうち、１つのリソース要素として空間要素に関する要素情報を固定値として取得し、残りの周波数要素および時間要素に関する値を求める場合について説明した。しかし、前述したように、第３機械学習モデルの入力ノードとして設定するリソース要素は、周波数要素または時間要素であってもよい。さらに、第３機械学習モデルの入力ノードとして設定するリソース要素は、１種類のリソース要素だけでなく、３つのリソース要素のうちから選択された２つのリソース要素を固定値とすることができる。この場合、演算部１３Ｂによって出力されるのは、残り１つのリソース要素の値である。

また、上述した実施の形態では、第１機械学習モデル、第２機械学習モデル、および第３機械学習モデルとして、入力層、隠れ層、および出力層を備えるニューラルネットワークモデルを用いる場合について説明した。第２機械学習モデルおよび第３機械学習モデルとして採用するニューラルネットワークモデルとしては、リカレントニューラルネットワーク（ＲＮＮ）や深層マルチモーダルニューラルネットワークを用いることができる。

また、第１機械学習モデル、第２機械学習モデル、および第３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。

なお、上述の実施の形態では、５Ｇに準拠する通信管理システムである場合を例示したが、ＬＴＥや６Ｇに準拠する通信管理システムであってもよい。

以上、本発明の通信管理装置および通信管理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。

１…通信管理装置、１０…第１取得部、１１…第２取得部、１２…学習部、１３…演算部、１４…記憶部、１５…通知部、２…通信端末、３…無線アクセスネットワーク、３０…基地局、４…コアネットワーク、ＮＳＳＦ…４０、ＡＭＦ…４１、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、１４０…第１モデル記憶部、Ｌ、ＮＷ…ネットワーク。

Claims (12)

1. 無線リソースの分割単位であるリソースブロックが割り当てられる複数のネットワークスライスに関する情報を取得するように構成され、前記複数のネットワークスライスに関する情報には、前記複数のネットワークスライスの各々に関連付けられた通信品質に関する要求情報が含まれる、第１取得部と、
   前記複数のネットワークスライスの各々に割り当てる前記無線リソースの前記リソースブロックの数の初期値を取得するように構成された第２取得部と、
   前記第２取得部によって取得された前記初期値を未知の入力として学習済みの第１機械学習モデルに与え、前記学習済みの第１機械学習モデルの演算を行って、前記要求情報が関連付けられた前記複数のネットワークスライスの各々に割り当てる、最適化されたリソースブロックの数を出力するように構成された第１演算部と、
   前記複数のネットワークスライスの各々に割り当てる前記最適化されたリソースブロックの数を、基地局に通知するように構成された通知部と
   を備える通信管理装置。
2. 請求項１に記載の通信管理装置において、
   さらに、前記複数のネットワークスライスの各々に割り当てる前記リソースブロックの数の前記初期値を入力として与えた場合に、前記要求情報が関連付けられた前記複数のネットワークスライスの各々に割り当てる前記リソースブロックの数の予測値を出力する第１機械学習モデルを記憶するように構成された第１記憶部と、
   前記初期値を入力として与えた場合に、前記第１機械学習モデルから出力される前記リソースブロックの数の前記予測値の合計が、前記無線リソースを構成する前記リソースブロックの総数となるように、前記第１機械学習モデルのパラメータを学習するように構成された第１学習部と
   を備え、
   前記第１記憶部は、さらに、前記第１学習部で構築された前記学習済みの第１機械学習モデルを記憶し、
   前記第１演算部は、前記第１記憶部から前記学習済みの第１機械学習モデルを読み出して、前記学習済みの第１機械学習モデルの演算を行う
   ことを特徴とする通信管理装置。
3. 無線リソースの分割単位であるリソースブロックが割り当てられるネットワークスライスに関する情報を取得するように構成され、前記ネットワークスライスに関する情報には、前記ネットワークスライスに関連付けられた通信品質に関する要求情報、および前記ネットワークスライスに割り当てられた前記リソースブロックの数の設定値が含まれる、第３取得部と、
   前記ネットワークスライスに関連付けられた前記要求情報および前記リソースブロックの数の前記設定値を未知の入力として学習済みの第２機械学習モデルに与え、前記学習済みの第２機械学習モデルの演算を行って、前記ネットワークスライスに割り当てる前記リソースブロックに関する情報をリソース要素ごとに出力するように構成された第２演算部と、
   前記ネットワークスライスに割り当てる前記リソース要素ごとの前記リソースブロックに関する情報を、基地局に通知するように構成された通知部と
   を備え、
   前記リソース要素は、周波数要素、時間要素、および空間要素を含む
   ことを特徴とする通信管理装置。
4. 請求項３に記載の通信管理装置において、
   さらに、前記周波数要素、前記時間要素、および前記空間要素のうちのいずれか１つまたは２つの前記リソース要素についての設定された要素数を含む要素情報を取得するように構成された第４取得部と、
   前記ネットワークスライスに関連付けられた前記要求情報、前記リソースブロックの数の前記設定値、および前記要素情報を未知の入力として学習済みの第３機械学習モデルに与え、前記学習済みの第３機械学習モデルの演算を行って、前記ネットワークスライスに割り当てる前記リソースブロックに関する情報を、前記周波数要素、前記時間要素、および前記空間要素のうち、前記第４取得部によって取得された前記要素情報に係る前記リソース要素以外のリソース要素ごとに出力するように構成される第３演算部と
   を備え、
   前記通知部は、前記ネットワークスライスに割り当てる、前記要素情報に係る前記リソース要素以外の前記リソース要素ごとの前記リソースブロックに関する情報を、前記基地局に通知する
   ことを特徴とする通信管理装置。
5. 請求項３に記載の通信管理装置において、
   さらに、前記ネットワークスライスに関連付けられた前記要求情報および前記リソースブロックの数の前記設定値と、前記ネットワークスライスに割り当てられる前記リソース要素ごとの前記リソースブロックに関する情報との関係を、第２機械学習モデルを用いて学習するように構成された第２学習部と、
   前記第２学習部によって構築された前記学習済みの第２機械学習モデルを記憶するように構成された第２記憶部と
   を備え、
   前記第２演算部は、前記第２記憶部から前記学習済みの第２機械学習モデルを読み出して、前記学習済みの第２機械学習モデルの演算を行う
   ことを特徴とする通信管理装置。
6. 請求項４に記載の通信管理装置において、
   さらに、前記ネットワークスライスに関連付けられた前記要求情報、前記リソースブロックの数の前記設定値、および前記要素情報と、前記周波数要素、前記時間要素、および前記空間要素のうち、前記要素情報に係る前記リソース要素以外の前記リソース要素ごとの、前記ネットワークスライスに割り当てる前記リソースブロックに関する情報との関係を、第３機械学習モデルを用いて学習するように構成された第３学習部と、
   前記第３学習部によって構築された前記学習済みの第３機械学習モデルを記憶するように構成された第３記憶部と
   を備え、
   前記第３演算部は、前記第３記憶部から前記学習済みの第３機械学習モデルを読み出して、前記学習済みの第３機械学習モデルの演算を行う
   ことを特徴とする通信管理装置。
7. 通信管理装置によって実行される通信管理方法であって、
   無線リソースの分割単位であるリソースブロックが割り当てられる複数のネットワークスライスに関する情報を取得する第１取得ステップであって、前記複数のネットワークスライスに関する情報には、前記複数のネットワークスライスの各々に関連付けられた、通信品質に関する要求情報が含まれる、第１取得ステップと、
   前記複数のネットワークスライスの各々に割り当てる、前記無線リソースの前記リソースブロックの数の初期値を取得する第２取得ステップと、
   前記第２取得ステップで取得された前記初期値を未知の入力として学習済みの第１機械学習モデルに与え、前記学習済みの第１機械学習モデルの演算を行って、前記要求情報が関連付けられた前記複数のネットワークスライスの各々に割り当てる、最適化されたリソースブロックの数を出力する第１演算ステップと、
   前記複数のネットワークスライスの各々に割り当てる前記最適化されたリソースブロックの数を、基地局に通知するように構成された通知ステップと
   を備える通信管理方法。
8. 請求項７に記載の通信管理方法において、
   さらに、前記複数のネットワークスライスの各々に割り当てる前記リソースブロックの数の前記初期値を入力として与えた場合に、前記要求情報が関連付けられた前記複数のネットワークスライスの各々に割り当てる前記リソースブロックの数の予測値を出力する第１機械学習モデルを第１記憶部に記憶する第１記憶ステップと、
   前記初期値を入力として与えた場合に、前記第１機械学習モデルから出力される前記リソースブロックの数の前記予測値の合計が、前記無線リソースを構成する前記リソースブロックの総数となるように、前記第１機械学習モデルのパラメータを学習する第１学習ステップと
   を備え、
   前記第１記憶ステップは、さらに、前記第１学習ステップで構築された前記学習済みの第１機械学習モデルを前記第１記憶部に記憶し、
   前記第１演算ステップは、前記第１記憶部から前記学習済みの第１機械学習モデルを読み出して、前記学習済みの第１機械学習モデルの演算を行う
   ことを特徴とする通信管理方法。
9. 通信管理装置によって実行される通信管理方法であって、
   無線リソースの分割単位であるリソースブロックが割り当てられるネットワークスライスに関する情報を取得する第３取得ステップであって、前記ネットワークスライスに関する情報には、前記ネットワークスライスに関連付けられた通信品質に関する要求情報、および前記ネットワークスライスに割り当てられた前記リソースブロックの数の設定値が含まれる、第３取得ステップと、
   前記ネットワークスライスに関連付けられた前記要求情報および前記リソースブロックの数の前記設定値を未知の入力として学習済みの第２機械学習モデルに与え、前記学習済みの第２機械学習モデルの演算を行って、前記ネットワークスライスに割り当てる前記リソースブロックに関する情報をリソース要素ごとに出力する第２演算ステップと、
   前記ネットワークスライスに割り当てる前記リソース要素ごとの前記リソースブロックに関する情報を、基地局に通知する通知ステップと
   を備え、
   前記リソース要素は、周波数要素、時間要素、および空間要素を含む
   ことを特徴とする通信管理方法。
10. 請求項９に記載の通信管理方法において、
    さらに、前記周波数要素、前記時間要素、および前記空間要素のうちのいずれか１つまたは２つの前記リソース要素についての設定された要素数を含む要素情報を取得する第４取得ステップと、
    前記ネットワークスライスに関連付けられた前記要求情報、前記リソースブロックの数の前記設定値、および前記要素情報を未知の入力として学習済みの第３機械学習モデルに与え、前記学習済みの第３機械学習モデルの演算を行って、前記ネットワークスライスに割り当てる前記リソースブロックに関する情報を、前記周波数要素、前記時間要素、および前記空間要素のうち、前記第４取得ステップで取得された前記要素情報に係る前記リソース要素以外のリソース要素ごとに出力するように構成される第３演算ステップと
    を備え、
    前記通知ステップは、前記ネットワークスライスに割り当てる、前記要素情報に係る前記リソース要素以外の前記リソース要素ごとの前記リソースブロックに関する情報を、前記基地局に通知する
    ことを特徴とする通信管理方法。
11. 請求項９に記載の通信管理方法において、
    さらに、前記ネットワークスライスに関連付けられた前記要求情報および前記リソースブロックの数の前記設定値と、前記ネットワークスライスに割り当てられる前記リソース要素ごとの前記リソースブロックに関する情報との関係を、第２機械学習モデルを用いて学習する第２学習ステップと、
    前記第２学習ステップによって構築された前記学習済みの第２機械学習モデルを第２記憶部に記憶する第２記憶ステップと
    を備え、
    前記第２演算ステップは、前記第２記憶部から前記学習済みの第２機械学習モデルを読み出して、前記学習済みの第２機械学習モデルの演算を行う
    ことを特徴とする通信管理方法。
12. 請求項１０に記載の通信管理方法において、
    さらに、前記ネットワークスライスに関連付けられた前記要求情報、前記リソースブロックの数の前記設定値、および前記要素情報と、前記周波数要素、前記時間要素、および前記空間要素のうち、前記要素情報に係る前記リソース要素以外の前記リソース要素ごとの、前記ネットワークスライスに割り当てる前記リソースブロックに関する情報との関係を、第３機械学習モデルを用いて学習する第３学習ステップと、
    前記第３学習ステップによって構築された前記学習済みの第３機械学習モデルを第３記憶部に記憶する第３記憶ステップと
    を備え、
    前記第３演算ステップは、前記第３記憶部から前記学習済みの第３機械学習モデルを読み出して、前記学習済みの第３機械学習モデルの演算を行う
    ことを特徴とする通信管理方法。