サイト内の現在位置

ネットワーク運用を自動化してローカル5G推進に貢献 学習型通信分析技術

NECの最先端技術

2020年5月13日

ネットワーク運用を自動化してローカル5G推進に貢献 学習型通信分析技術

NECは、これまでネットワーク運用に必要不可欠であった専門家による分析を自動化する技術を開発しました。今後、ローカル5Gが性能を発揮するために必要となる自営での運用を自動化できる本技術について、研究者に話を聞きました。

世界に先駆けて生まれたネットワークの性能を高める運用の自動化技術

システムプラットフォーム研究所 研究マネージャー 岩井 孝法
システムプラットフォーム研究所
研究マネージャー
岩井 孝法

― 学習型通信分析技術とは、どのような技術なのでしょうか?

岩井:5GやLTE等のモバイルネットワークの性能を高めるためには、多人数の専門家によるきめ細やかで継続的な分析が不可欠でした。アプリケーションごとの通信トラヒックを分析して優先度や上限帯域を設定し、継続的にチューニングする必要があるからです。しかし、学習型通信分析技術を活用すれば、このうちの分析プロセスを自動化することができるようになります。無線ネットワーク上の通信トラヒックのパターンを自動的に分析し、リアルタイムに使用アプリケーションや動作状態を推定することができるのです。たとえばスマートフォンに適用すれば、通信トラヒックのパターンからWEBブラウザを利用中か、動画を視聴中かなどといったアプリケーションの利用状況を高精度かつリアルタイムに推定することができるようになります。また、ネットワークカメラに適用した場合には、通信トラヒックのパターンから映像内に人がいるかいないか、複数人いるかなどの状態を推定することが可能になります。
加えて、本技術は人手を介さず自律的に学習することができるという特長をもっています。過去データと現在の状況を対照しながら、常にパラメータを最新の状態に更新していくことができるのです。日々変動する通信のトラヒックパターンにもフレキシブルに対応し、高精度な分析を継続することが可能です。既存の自己最適化技術としてはLTEネットワークの基地局側で用いられるSON(Self-Organizing Network)というものがありますが、本技術はSONとも一線を画しています。というのも、SONは1日ごとの電波の出し方をAIで学習し、次の日に変えていくということをしていますが、学習型通信分析技術はリアルタイムでの更新が可能です。流れているトラヒックを分析しながらミリ秒間隔で追随し、更新していくことができます。
現在、世界では5Gの拡充に伴って、ローカル5Gの導入が加速しています。ローカル5Gとは通信キャリアが提供するネットワークとは別に、企業や自治体が独自に構成する自営のネットワークです。専用ネットワークを構築することで低遅延かつセキュアな通信を確保できるほか、月額での回線利用料が不要になるため長期的には低コストにつながるということで、大きな注目を集めています。
こうしたローカル5Gの拡充に、本技術は大きな役割を果たすことができると期待しています。自営ネットワークの運用のために専門体制を構築する必要がありませんし、特別な知識やノウハウがなくても気軽に継続的なネットワーク運用が可能となるのです。

沢辺:通信分析の研究領域において、自律的に学習していくという技術は世界でも他に類を見ない新しい技術です。本技術を示した論文はIEEE ComSocのコアカンファレンスの一つであり、難関国際学会であるIEEE/IFIP Network Operations and Management Symposium (NOMS) 2020での発表を予定しています。

リアルタイムでの高精度な分析と自律的な学習が可能

システムプラットフォーム研究所 シニアリサーチャー 沢辺 亜南
システムプラットフォーム研究所
シニアリサーチャー
沢辺 亜南

― どのようにして、高精度でリアルタイムな推定を実現しているのでしょうか?

沢辺:まず、話をわかりやすくするために、従来型の研究から説明してみましょう。じつは、今までも通信トラヒックを分析する技術自体はたくさんありました。そのなかでも、よく使われていたものは最初から最後までの一連の通信のパターンを分析して、どんなアプリやプロトコルが使われたかを推定するというアプローチです。しかし、フロー全体の通信パターンを分析するため、どうしてもリアルタイム性が失われてしまいます。そこで、次に出てきたアプローチが、一定期間のなかでのトラヒックを分析するというやり方でした。パケットが何個届いたら分析する、時間がどれだけ経ったら分析するというように一定の期間を設けるわけですね。確かにこのやり方でリアルタイム性は改善できるのですが、無線品質は非常に変動しやすく、切り取った期間で大きく異なるため、推定精度が不安定になってしまいます。このように、従来の技術ではリアルタイム性と精度の両立という大きな課題を抱えていました。

今回私たちが開発した技術では、これらの課題を「階層的な確率状態遷移モデル」をつくることで解決しています。「階層的」というのは、大きく2段階の工程を経て分析することを意味しています。第一段階として行っているのが、量子化です。通信トラヒックのパターンというのは、そのままでは単純にカテゴライズできるものではありません。どのくらいデータ量が流れたか、どのくらいの時間間隔があるかというように連続的で不安定な値で構成されているため、そのまま取り扱うとモデルが非常に複雑化して計算量が膨大になってしまうからです。このことが分析スピードを遅くし、リアルタイムでの分析を妨げる大きな要因となっていました。そこで、最初に時系列の連続的な変動を離散的な変動に変換する量子化という工程を設けました。

こうして離散変換したもののなかから似ているパターンを集めて学習し、コンテキストとしてモデル化していきます。これが第2段階となるクラスタリングです。コンテキストとは、目的に応じて導かれた最終的なカテゴライズですね。スマートフォンのアプリケーションであれば、いま使われているものがWEBなのか動画なのかという最終的な推定結果を表します。クラスタリング段階では、前段の量子化によってノイズが抑えられ、計算量が少なくなっているため、高精度かつスピーディな推定が可能になっています。トラヒックの特徴を観測してから、およそ数10ミリ秒での推定が可能です。

学習型通信分析技術
学習型通信分析技術

岩井:二つの課題が混ざっているということに目をつけられたということが大きなポイントなんです。量子化によって通信自体の変動やノイズを可視化して取り除き、そのあとに同じパターンのものを集めてクラスタリングしていくという切り分けができたことが一つのブレークスルーでした。従来の一般的なアプローチでは、こうした切り分けをせず、いっぺんに解決してしまおうとしていました。大量の教師データを集めて学習させて、解決させていこうというのが業界の主流だったのです。しかし、このやり方ですと教師データの内容に依存するため普遍性がありません。教師データにはなかったアプリケーションは認識できませんし、通信キャリアやアプリケーション側でチューニングが行われた際には対応できなくなってしまいます。

沢辺:私はもともと通信を専攻して研究してきたので、じつはデータ分析はまったく知らない分野でした。そこで、データ分析についてさまざまな論文を読んでいったところ、時系列のデータが大きなトピックとして存在していて、おもしろい論文がたくさんあることがわかりました。通信分野で扱うような時系列データは、アプリケーションの挙動や通信品質の影響でかなり複雑な挙動をするので、どうやったらデータ分析領域の技術を取り込んでいけるのだろうかとどんどん深堀していった結果、2つの課題に分けて考えるようになりました。

岩井:そうですね。本技術は、データ分析の知見と通信分野でのノウハウがうまく結びつくことで実現できたものだと考えています。通信分野ではノイズの入り方であったり、パケットがロスして一気に消えてしまったりするなどネットワーク特有のノウハウがあるため、データ分析の知識だけではうまく取り扱うことができません。逆に、通信のノウハウだけでも創り出すことができなかった技術でもあります。そのぶん、沢辺さんは論文を読むのが趣味のような研究者で、普段から論文を持ち歩いて読むくらいの勉強家です。他の分野の技術をたくさん持ち込んでくれて、さまざまな議論を重ねられたことが大きな一歩につながりました。

特長1 階層的な確率的状態遷移モデル
特長① 階層的な確率的状態遷移モデル
特長2 自律的な学習
特長② 自律的な学習

― 自律的な学習については、どのように実現しているのでしょうか?

沢辺:通信を分析しながら作成したモデルを過去のモデルと対照し、これまでに出てきたパターンなのか、出てこなかったパターンなのかということを絶えずマッチングしつづけることによって学習しています。これまでにはないパターンが生じたのであれば、それを新たにモデルに追加して更新していくというイメージです。あらかじめセットされた教師データに基づくものではなく、進化的かつ自律的に学習するので、アプリケーション側の調整や通信状況の変化にも柔軟に対応していくことができます。
ここには、先ほど述べた階層的な分析というアプローチも功を奏しています。というのも、この分析によって生まれたモデルには可読性があるからです。導き出されたモデルは、どのような分析から生まれてきたかを逆算することができるので、環境の変化が生じた際には、どのモデルを変更・調整すればいいのかを容易にたどることができます。これをたとえば、現在データ分析分野で主流となっているディープラーニングでモデル化してしまっていたならば、計算過程が複雑になって読み解くことが困難となり、リアルタイムなモデルの更新が難しくなってしまっていたでしょう。

スマートシティや自動運転車の実現に貢献

― 本技術を今後どのように展開していきたいと考えていますか?

岩井:本技術を活用できる範囲は非常に広いと考えています。たとえばスタジアムや駅での映像配信や、搬送ロボット(AGV)制御を行う工場や物流倉庫など、ローカル5GやIoTの推進をめざす場所では全般的に活用できる技術です。特に、これからはよりシビアな分析精度とリアルタイム性が求められるシーンを想定した研究をつづけていくつもりです。具体的には、完全自動運転車の推進のために必要となる交差点での通信制御はスコープに入っています。学習型分析技術をさらに発展させて、学習型制御にまで結び付けられるような研究を進めているところです。
また、交通や工場や店舗などで用いられる一つひとつのネットワークを構成していくと、最終的にはスマートシティに行き着くのではないかと考えています。NECではいまスマートシティのプラットフォーム構築のプロジェクトを強く推進しているので、町全体を支える通信というものもめざしています。

沢辺:私は研究者としての立場からの発言になりますが、本技術の延長として最終的に、ただ設置するだけで自動的に最適化されるネットワーク装置というものをつくりたいと思っています。たしかに現在でもWi-Fiルータは設置するだけでネットワークへの認証や接続まで自動でやってくれますが、その先の、設置された環境に応じて通信品質の最適化や制御まで自動で行う装置は、まだ世界に存在していません。こうした装置を自営モバイルネットワークでつくりあげるということが私の大きな目標です。

岩井:そうですね。Wi-Fiは早いけれどもいつ切れるかわかりませんし、モバイルネットワークは信頼性が高いものの設定が大変で、まだ本当にシビアな環境では使うことができません。沢辺さんが言ったような技術が実現できれば、完全自動運転で事故ゼロというような世界の実現につながっていくと思います。ぜひそうした社会の実現に向けて研究を進めていきたいですね。

お問い合わせ