| 研究課題/領域番号 |
23K11065
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分60060:情報ネットワーク関連
|
|---|
| 研究機関 | 岡山大学 |
|---|
研究代表者 |
福島 行信 岡山大学, 環境生命自然科学学域, 准教授 (00432625)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2025年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2024年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2023年度: 2,080千円 (直接経費: 1,600千円、間接経費: 480千円)
|
|---|
| キーワード | ナレッジ定義ネットワーキング / 超リアルタイムサービス / エッジコンピューティング / 特徴量エンジニアリング / 強化学習 / ネットワークスライシング |
|---|
| 研究開始時の研究の概要 |
自動車の自動走行などの超リアルタイムサービスに対応できる新たなネットワークインフラの構築は急務の課題である．そのようなネットワークインフラとして，人工知能を用いてネットワークの制御・運用の自動化および最適化を図るネットワークインフラが有望視されている．しかし，人工知能が意思決定に用いる情報として生のネットワーク情報をそのまま与えると状態爆発が発生し，人工知能は適切に学習できない．そこで本研究では，人工知能へ与えるネットワーク情報を適切に圧縮・抽象化する特徴量エンジニアリング技術を確立する．主要な制御技術であるサーバ移動手法とスライス生成手法に対して提案技術を導入し，その有効性を検証する．
|
| 研究実績の概要 |
自動車の自動走行などの超リアルタイムサービスの市場は今後，急速に拡大していくと予測されており，このサービスに対応できる新たなネットワークインフラの構築は急務の課題である．そのようなネットワークインフラとして，人工知能に基づいた意思決定によってネットワークの制御・運用の自動化および最適化を図るナレッジ定義ネットワーキングを導入したネットワークインフラが有望である．しかしながら，人工知能が意思決定に用いる情報として，生のネットワーク情報をそのまま与えてしまうと状態爆発が発生してしまい，人工知能は適切に学習できない．そこで本研究では，人工知能へ与えるネットワーク情報を適切に圧縮・抽象化する特徴量エンジニアリング技術を確立する．本ネットワークインフラの主要な制御技術であるサーバ移動手法とスライス生成手法に対して特徴量エンジニアリングを導入し，その有効性を検証する．
本年度は，エッジコンピューティングにおける強化学習を用いたサーバ移動手法を対象として，特徴量エンジニアリング技術の確立に取り組んだ．まずは，サーバ移動サービスにおけるQ学習を用いたサーバ移動手法を対象として，エージェントに与える特徴量として，全クライアントの位置情報をそのまま用いるのではなく，クライアントの重心のみを用いることで特徴量を圧縮するような特徴量エンジニアリング手法を提案した．さらには，多段階情報処理システムにおける深層強化学習を用いたサーバ移動手法を対象として，行動空間の動的な変動に対応するために，深層強化学習モデルによってエッジサーバに配置されるサーバ数の分布のみを決定し，その後，ヒューリスティックにより各サーバの配置先を決定する手法を提案した．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
サーバ移動サービスにおけるQ学習を用いたサーバ移動手法に対して，全クライアントの位置情報をクライアントの重心へと圧縮する特徴量エンジニアリング手法を適用することにより，従来手法と比較してクライアント・サーバ間の通信品質を最大で38%程度改善できることを明らかにした．また，多段階情報処理システムにおけるサーバ移動手法として，深層強化学習とヒューリスティックを併用することにより，リンク遅延が異なる様々な状況において，従来手法よりも優れた性能を達成できることを明らかにした．
また，これらの研究成果の一部を電子情報通信学会情報ネットワーク研究会で発表し，優秀発表賞を受賞している．
以上のことから，本研究の進捗状況は順調であるといえる．
|
| 今後の研究の推進方策 |
2024年度は，ネットワークスライシングにおける強化学習を用いたスライス生成手法を対象として，特徴量エンジニアリング技術の確立に取り組む．特徴量エンジニアリングが適用されていない従来のスライス生成手法では，ネットワークインフラの残余資源情報をそのままエージェントへの入力として与えることから，状態爆発が発生してしまい，エージェントは学習に失敗すると考えられる．そこで本研究では，ネットワークインフラをより小規模なブロッキングアイランドへと圧縮し，ブロッキングアイランドのみの資源情報をエージェントへの入力として利用することを試みる．これによりネットワーク情報が大幅に削減され，その結果，エージェントが学習に成功することが期待される．
|
