管理平台、管理方法、程序、以及系统与流程

本发明涉及管理平台、管理方法、程序、以及系统。

背景技术：

1、在专利文献1中记载有构成为：在对以可访问的方式管理应用程序中使用的文件的分散文件、对象存储器进行管理的管理节点中，分散文件、对象存储器可以对在其它据点的存储器中管理的文件进行访问，管理节点具有处理器，处理器构成为：指定应用程序对文件的访问状况，基于访问状况，在应用程序的执行前，控制关于应用程序中使用的其它据点的存储器中所管理的文件的基于自有据点的分散文件、对象存储器的高速缓存。

2、在先技术文献

3、专利文献

4、专利文献1：日本特开2023-069701号公报

技术实现思路

1、发明要解决的技术问题

2、以往，在mec（multi-access edge computing：多接入边缘计算）上执行的mec应用程序中，一般情况下，执行的区域（region）是静态的，mec应用程序运营商方考虑延迟、容错性，选择了部署mec应用程序的区域。另一方面，在逐个的规模有限的区域分散dc（datacenter：数据中心）等分散平台、或者逐个需要大规模的计算资源的mec ai应用程序的情况下，在对全部分散平台静态地进行全部的mec ai应用程序的资源分配的方法中，无法有效灵活运用计算资源，因此，事先预测在各区域产生多少mec应用程序需求至关重要。

3、用于解决技术问题的方案

4、在本实施方式所涉及的系统中，例如，使用过去的ran（radio access network：无线接入网络）的度量、以及与被提供有过去的ran的区域关联的区域关联信息，进行将来的各mec应用程序的每个区域的需求预测。系统可以使用机器学习模型进行需求预测。ran的度量可以包括各分散平台／每个mec应用程序的连接ue（user equipment：用户设备）数、吞吐量、延迟、切换的历史。区域关联信息可以包括事件信息、天气。作为所预测的需求的项目，可以包括将来的连接ue数、将来需要的吞吐量。例如，可以根据各分散平台／每个mec应用程序的各种ran度量／区域关联信息，学习预测各分散平台／每个mec应用程序的需求项目那样的时序机器学习模型，在管理多个分散平台的管理平台上进行服务。

5、作为具体例，本实施方式所涉及的系统10具备：分散平台，具有控制ran的ran控制功能、以及进行ai处理的ai处理功能；以及管理平台，管理多个分散平台，在管理平台中，进行多个分散平台与多个mec应用程序的每个组合的需求预测。管理平台可以基于预测结果，调整mec应用程序的部署状况，或者进行通信控制。

6、作为ai处理的种类，可以列举出与ran控制关联的ai处理（有时记载为ran控制ai处理。）、以及不与ran控制关联的ai处理（有时记载为非ran控制ai处理。）。

7、作为ran控制ai处理的例子，可以列举出ric（ran intelligent controller：无线接入网智能控制器）。ric是使用ai进行ran的无线资源的最优化、ran运用的自动化的技术。ric包括non-rt ric（non-real time ric：非实时无线接入网络）、以及near-rt ric（near-real time ric：近实时无线接入网智能控制器）。non-rt ric有时也称为centralized ric（集中式无线接入网智能控制器）。non-rt ric位于进行ran的管理、编排的smo（servicemanagement and orchestration：服务管理与编排）的内部。non-rt ric进行与ran的控制相关的策略的生成、通知、针对near-rt ric的信息发送。例如，non-rt ric通过执行使用了从ran收集到的数据的机器学习，生成关于ran控制的学习完毕模型，并向near-rt ric发送。near-rt ric有时也称为distributed ric（分散式ric）。与non-rt ric相比，near-rtric位于ran节点（ru（radio unit：无线电单元）、du（distributed unit：分散式单元）、cu（central unit：中央单元））的附近，进行ran节点的控制、资源的控制等。与non-rt ric相比，near-rt ric执行实时性高的处理。near-rt ric例如执行与使用了从non-rt ric获取到的学习完毕模型的ran的控制关联的推理处理。ran控制ai处理不限定于ric。

8、非ran控制ai处理可以是所谓的mec ai应用程序。非ran控制ai处理包括不与ran控制关联的、任意的ai的学习处理及推理处理。

9、根据本发明的一个实施方式，提供一种管理平台。所述管理平台可以具备管理部，所述管理部管理配置于各地、分别能执行多个mec应用程序的多个分散平台。所述管理平台可以具备度量获取部，所述度量获取部按照所述多个分散平台与所述多个mec应用程序的每个组合，获取包括表示与mec应用程序连接的用户终端的数量的连接终端数的度量。所述管理平台可以具备区域关联信息获取部，所述区域关联信息获取部针对所述多个分散平台的每一个，获取与配置有分散平台的区域关联的区域关联信息。所述管理平台可以具备需求预测部，所述需求预测部按照所述多个分散平台与所述多个mec应用程序的每个组合，基于所述度量及所述区域关联信息，预测将来的需求。

10、在所述管理平台中，所述度量获取部可以按照所述多个分散平台与所述多个mec应用程序的每个组合，获取还包括mec应用程序与用户终端之间的通信状况的所述度量。所述度量获取部可以按照所述多个分散平台与所述多个mec应用程序的每个组合，获取还包括mec应用程序与用户终端之间的吞吐量及通信延迟的至少任意一个的所述度量。

11、在所述任一项的管理平台中，所述度量获取部可以按照所述多个分散平台与所述多个mec应用程序的每个组合，获取还包括表示与mec应用程序连接期间的用户终端的切换的历史的ho历史的所述度量。

12、在所述任一项的管理平台中，所述区域关联信息获取部可以针对所述多个分散平台的每一个，获取包括配置有所述分散平台的区域的天气信息及事件信息的所述区域关联信息。

13、所述任一项的管理平台可以具备：存储部，将所述度量获取部及所述区域关联信息获取部获取到的、所述多个分散平台与所述多个mec应用程序的每个组合的所述度量及所述区域关联信息存储为学习数据；以及学习执行部，通过执行使用了所述存储部中存储的学习数据的机器学习，生成根据所述多个分散平台与所述多个mec应用程序的每个组合的度量及区域关联信息预测所述多个分散平台与所述多个mec应用程序的每个组合的需求的机器学习模型，所述需求预测部可以将过去的多个期间的每个期间的、所述多个分散平台与所述多个mec应用程序的每个组合的所述度量及所述区域关联信息输入所述机器学习模型，预测将来的期间的、所述多个分散平台与所述多个mec应用程序的每个组合的需求。所述机器学习模型可以将所述多个分散平台与所述多个mec应用程序的每个组合的度量及区域关联信息作为输入，将所述多个分散平台与所述多个mec应用程序的每个组合的连接终端数作为输出，所述需求预测部可以将过去的多个期间的每个期间的、所述多个分散平台与所述多个mec应用程序的每个组合的所述度量及所述区域关联信息输入所述机器学习模型，获取从所述机器学习模型输出的所述连接终端数作为将来的期间的、所述多个分散平台与所述多个mec应用程序的每个组合的需求。

14、所述任一项的管理平台可以还具备：调整部，基于所述需求预测部的预测结果，调整所述多个分散平台的各自的mec应用程序的部署状况。

15、根据本发明的一个实施方式，提供一种管理方法，所述管理方法由管理平台执行，所述管理平台管理配置于各地、分别能执行多个mec应用程序的多个分散平台。所述管理方法可以具备：度量获取阶段，所述度量获取阶段按照所述多个分散平台与所述多个mec应用程序的每个组合，获取包括表示与mec应用程序连接的用户终端的数量的连接终端数的度量。所述管理方法可以具备：区域关联信息获取阶段，所述区域关联信息获取阶段针对所述多个分散平台的每一个，获取与配置有分散平台的区域关联的区域关联信息。所述管理方法可以具备需求预测阶段，所述需求预测阶段按照所述多个分散平台与所述多个mec应用程序的每个组合，基于所述度量及所述区域关联信息，预测将来的需求。

16、根据本发明的一个实施方式，提供一种用于使计算机执行所述管理方法的程序。

17、根据本发明的一个实施方式，提供一种具备所述管理平台、以及所述多个分散平台的系统。

18、需要说明的是，上述的发明的概要，并非列举了本发明的全部必要特征。此外，这些特征组的子组合也可以成为发明。