| Project/Area Number |
23K16869
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 60060:Information network-related
|
|---|
| Research Institution | Nara Institute of Science and Technology |
|---|
Principal Investigator |
原 崇徳 奈良先端科学技術大学院大学, 先端科学技術研究科, 准教授 (70907881)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2025: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2024: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
Fiscal Year 2023: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
|
|---|
| Keywords | ネットワークスライシング / サービスチェイニング / 粗相関均衡 / カーネルネットワーク機能 / カーネルパケット処理 / AF_XDP / スライスモビリティ / 利己的最適制御 / クラウドネイティブネットワーク機能 / 時空間分析 / コンテナ技術 |
|---|
| Outline of Research at the Start |
時空間変化するサービス需要とモビリティパターンを持つ自律移動機器に安定かつ高品質なサービスを提供するためには，環境の変化に反応して，ネットワーク資源の再構成・再配置・再利用を可能にする自己変革能力を備えたスライスモビリティの実現が不可欠である．特に(1)サービス需要とモビリティパターンの時空間予測，(2)テナント間の競合関係を考慮した資源割当，(3)需要変化・障害発生への適応といった課題を解決を解決するために，サービス需要とモビリティパターンの時空間分析とオンライン利己的最適制御による資源割当に基づく数理的解法とコンテナ技術を背景としたスライスインフラ基盤に基づく実践的解法をそれぞれ確立する．
|
| Outline of Annual Research Achievements |
2024年度は，(1) オンライン型利己的最適制御，(2) ネットワークスライスの資源管理，からなる研究課題に取り組んだ．(1)では，オンライン型利己的最適制御の初期段階として，複数の参加者間で粗相関均衡を達成するクラウド・エッジへのタスクオフローディング手法の確立し，その性能を分析・評価した．本成果はブロックチェーンネットワークを対象としているが，本手法をネットワークスライシングへの応用も可能である．(2)では，(2a) ネットワークスライス環境下で信頼可能なService Function Chaining (SFC)の実現，(2b) O-RAN環境における省電力化を達成するネットワークスライスの資源割当，(2c) 機械学習による学習機能と推論機能を搭載したカーネルネットワーク機能の実現，からなる研究を遂行した．(2a)では，提案方式をビットレートとE2E RTTの観点から評価し，その性能を明らかにした．(2b)では，提案手法をILPとして定式化し，その性能を消費電力と実行時間の観点から評価した．(2c)では，提案したカーネルネットワーク機能の性能を正解率，パケットレート，資源利用効率の観点から明らかにした．本年度で得られた研究成果を，査読付き雑誌論文2件，査読付き国際会議2件，国内研究会発表7件で報告した．
2025年度は，(1) Network Service Mesh (NSM) とKubernetesを活用した
Containerized Network Function (CNF) 型ネットワークスライシング手法を確立，(2) カーネルネットワーク機能におけるネットワーク内学習手法の創出，からなる研究課題に取り組み，各項目について得られた成果を査読付き雑誌論文にまとめ，研究成果を国内外に発信する予定である．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究課題は，(1) オンライン型利己的最適制御，(2) ネットワークスライスの資源管理からなる2つの課題について取り組んだ．(1)では，オンライン型利己的最適制御の基礎となる参加者間で粗相関均衡を達成する仕組みを確立した．提案方式の有効性を効用，公平性，実行時間の観点から確認し，実行可能性を明らかにした．本成果はブロックチェーンネットワークを対象としているが，ネットワークスライスへの応用も可能である．(2)では，ネットワーク機能の多様性と冗長性の観点からネットワークスライスを構成するネットワーク機能の配置とサービスチェイニング手法の確立と信頼可能なサービスチェイニング手法をそれぞれ確立した．また，ネットワークスライス内で動作するネットワーク機能に着目し，機械学習手法を搭載したカーネルネットワーク機能を提案し，その性能をパケット処理効率や推論精度の観点から，多角的に分析した．さらに，ユーザモビリティを考慮した省電力性スライス割当手法をILPとして定式化し，ユーザ移動が既知である状況における理想解を探求した．2024年度までに得られた研究成果を，4件の査読付き雑誌論文，4件の査読付き国際会議，10件の国内研究会発表で報告した．
以上を踏まえて，2024年度時点で本研究計画は概ね順調に進展している．
|
| Strategy for Future Research Activity |
2025年度は，(1) Network Service Mesh (NSM) とKubernetesを活用したContainerized Network Function (CNF) 型ネットワークスライシング手法を確立，(2) カーネルネットワーク機能におけるネットワーク内学習手法の創出，(3) O-RAN環境における省電力性を考慮したネットワークスライス資源管理を実現するためのトラヒック需要予測，からなる研究課題にそれぞれ取り組む．(1)では，Service function chaining (SFC) 問題において，サービス需要の増減や障害に適応力のあるCNFのスケーリング手法を提案し，その性能をCNFの展開時間や稼働率の観点から評価する．(2)では，カーネルネットワーク機能におけるネットワーク内学習手法を分析・調査し，動的にモデルパラメタが更新可能にする仕組みを創出する．(3)では，DeepMIMOなどの現実のシナリオに則したシミュレータを利用して，トラヒック需要を予測する．得られた予測結果を提案した省電力性スライス割当手法に適用する．
2025年度は，(1)-(3)の各項目について，得られた成果を査読付き国際会議または査読付き雑誌論文にまとめ，研究成果を国内外に発信する予定である．
|
