系统、程序、以及控制方法与流程

本发明涉及系统、程序、以及控制方法。

背景技术：

1、在专利文献1中记载有具备由non-rt ric（non-real time ran（radio accessnetwork：无线接入网）intelligent controller：非实时无线接入网智能控制器）构成的处理器的无线接入网控制装置，该non-rt ric从虚拟地管理多个无线接入网节点的集合的虚拟化基础架构获取该多个无线接入网节点的运行状况，从各无线接入网节点获取测定到的运行数据，基于运行状况及运行数据，向虚拟化基础架构及各无线接入网节点的至少任意一个发布与该各无线接入网节点的运行相关的运行指南。

2、现有技术文献

3、专利文献

4、专利文献1：国际公开第2023-100385号

技术实现思路

1、发明要解决的技术问题

2、以往，存在通过ran的服务单体、ai（artificial intelligence：人工智能）应用单体在执行基础架构上进行动作的技术。当前，移动网络已接近水、电等基础设施，如果服务停止，将对人们的生活造成巨大影响。于是，在以往的ran基站中，需要实现非常高的sla（service level agreement：服务等级协议），需要创建冗余等用于服务不中断的机制。因此，处于只能使用几成左右执行基础架构上的计算资源的状况。即处于存在很多未被利用的计算资源的状况。而且，在夜间，尽管服务利用者的需求减少，但为了维持和白天同样的服务，将浪费使用计算资源，即成为与峰值的需求一致的设计。关于这一点，虽然稍微进行了改进，在夜间对一部分计算资源停止电源而进行节电，但是不论怎样，均为浪费高级机器功率的机制。

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，通过使ran的功能不是在通用机的服务器上、而是在高性能的gpu（graphics processing unit：图形处理器）服务器上运行，使得其剩余部分的计算资源能够在ai处理中灵活运用。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）。

5、作为ran控制ai处理的例子，可以列举出ric。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、以及near-rt ric（near-real timeric：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（service managementand 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-rtric有时也称为distributed ric。与non-rt ric相比，near-rt ric位于ran节点（ru（radiounit：无线电单元）、du（distributed unit：分布式单元）、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例如执行使用了从non-rt ric获取到的学习完毕模型的与ran控制关联的推理处理。ran控制ai处理不限定于ric。

6、非ran控制ai处理可以相当于所谓的mec（multi-access edge computing：多接入边缘计算）应用。作为非ran控制ai处理的例子，可以列举出判定所输入的拍摄图像的拍摄范围内的状况的监视ai执行处理、输出针对所输入的用户的询问的回答的回答ai执行处理等，但是并不限定于这些。

7、在成为能够在ai处理中灵活运用剩余部分的计算资源的方式的情况下，如上所述的sla的概念也继续存在。例如，作为一个例子，移动网络的服务为99.9999那样非常高的sla的服务。然而，在设想了利用者的费用面、服务的改善周期的情况下，与sla的高度相比，mec应用重视执行的成本低、发布（release）的周期快等，与移动网络的服务不同。在本实施方式所涉及的系统中，例如，有助于提供在使这样的不同的sla、利用策略的服务在相同基础架构上进行动作的基础上，能够高效地运行的机制。

8、根据本发明的一实施方式，提供一种系统。所述系统可以具备：资源分配部，基于预测ran的需求的预测结果，确定分配给控制所述ran的ran控制功能的一个执行基础架构的计算资源量、以及分配给进行ai处理的ai处理功能的所述一个执行基础架构的计算资源量，并进行对所述ran控制功能及所述ai处理功能的分配。所述系统也可以具备：执行部，根据所述资源分配部所分配的计算资源量，在所述一个执行基础架构上，执行所述ran控制功能和所述ai处理功能。

9、所述系统也可以还具备：需求预测部，针对构成ran的多个覆盖区域的每一个，使用推定覆盖区域内的人流的人流推定模型来推定人流，基于推定结果，预测所述ran的需求，所述资源分配部也可以基于所述需求预测部对所述ran的需求的预测结果，确定分配给所述ran控制功能的所述系统的计算资源量、以及分配给所述ai处理功能的所述系统的计算资源量。所述系统也可以还具备：模型生成部，通过执行机器学习，生成所述人流推定模型，所述机器学习使用了表示无线基站的覆盖区域内的人流的人流数据。所述模型生成部也可以使用表示每个日期及时刻的人流的平常时段人流数据、表示所述无线基站的覆盖区域内的活动发生时的人流的活动时段人流数据、以及表示所述无线基站的覆盖区域内的灾害发生时的人流的灾害时段人流数据，生成将日期及时刻、活动、以及灾害作为输入，将人流作为输出的所述人流推定模型。

10、所述任一项的系统也可以还具备：分类部，将多个无线基站分类为多个集群，所述模型生成部也可以针对所述多个集群的每一个，通过执行机器学习来生成所述人流推定模型，所述机器学习使用了集群所包括的多个无线基站的覆盖区域内的所述人流数据。所述分类部也可以针对所述多个无线基站的每一个，收集驻留在所述无线基站中的用户终端发布的发布数据，并嵌入收集到的多个发布数据来生成基站向量数据，基于所述多个无线基站的所述基站向量数据，将所述多个无线基站分类为所述多个集群。

11、所述任一项的系统也可以还具备：资源管理部，将所述一个执行基础架构上的计算资源分割为仅所述ran控制功能能够利用的ran占用域、仅所述ai处理功能能够利用的ai占用域、以及所述ran控制功能及所述ai处理功能两者都能够利用的点域来进行管理，在所述ran控制功能需要的计算资源量比ran占用域多的情况下，所述资源分配部也可以将所述点域优先地分配给所述ran控制功能。所述资源分配部也可以在未将所述点域的至少一部分分配给所述ran控制功能的情况下，根据所述ai处理的需求，确定将所述点域中未被分配给所述ran控制功能的部分分配给所述ai处理功能、或者使与所述点域中未被分配给所述ran控制功能的部分对应的硬件转换为省电状态。所述系统也可以还具备：状态控制部，在确定为将与所述点域中未被分配给所述ran控制功能的部分对应的硬件转换为省电状态的情况下，根据所述ran占用域的分配率，使与所述点域中未被分配给所述ran控制功能的部分对应的硬件转换为不同的省电状态。所述状态控制部也可以在所述ran占用域的分配率低于预先确定的第一阈值的情况下，进行控制以断开与所述点域中未被分配给所述ran控制功能的部分对应的硬件的电源，在所述ran占用域的分配率高于所述第一阈值且低于比所述第一阈值高的第二阈值的情况下，进行控制以使与所述点域中未被分配给所述ran控制功能的部分对应的硬件转换为休眠状态。

12、根据本发明的一实施方式，提供一种程序，用于使计算机执行：确定步骤，基于预测ran的需求的预测结果，确定分配给控制ran的ran控制功能的一个执行基础架构的计算资源量、以及分配给进行ai处理的ai处理功能的所述一个执行基础架构的计算资源量；以及执行步骤，根据在所述确定步骤中确定的计算资源量，在所述一个执行基础架构上，执行所述ran控制功能和所述ai处理功能。

13、根据本发明的一实施方式，提供一种由计算机执行的控制方法。所述控制方法也可以具备：确定步骤，基于预测ran的需求的预测结果，确定分配给控制ran的ran控制功能的一个执行基础架构的计算资源量、以及分配给进行ai处理的ai处理功能的所述一个执行基础架构的计算资源量。所述控制方法也可以具备：执行步骤，根据在所述确定步骤中确定的计算资源量，在所述一个执行基础架构上，执行所述ran控制功能和所述ai处理功能。

14、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。