技術概要
本技術は、5G/6G時代の仮想化ネットワークにおいて、複数のスライスに対するリソース割り当てを最適化する制御量算出装置および方法です。スライス数が動的に変化する複雑な環境下でも、強化学習モデルを用いてリアルタイムに最適なリソース配分を決定します。各スライスに対応する制御量導出部が状態値と報酬値を取得し、これらを共通の学習モデルでトレーニングすることで、ネットワーク全体の効率性と通信品質を最大化します。これにより、多様なサービス要件を持つアプリケーションに対し、安定した通信環境を提供し、運用コストの最適化と新たなビジネス機会の創出に貢献します。
メカニズム
本技術の核は、強化学習を用いた動的な通信リソース割り当ての最適化です。複数の仮想スライスそれぞれに「制御量導出部」が設けられ、各スライスのトラフィック量やQoS要求などの「状態値」と、QoS達成度やリソース利用効率などの「報酬値」をリアルタイムで取得します。これらの状態値を、複数の制御量導出部で「共用される強化学習モデル」に入力することで、各スライスへのリソースブロック（RB）割り当て量という「行動」を決定します。取得された学習データは「学習データ格納部」に蓄積され、定期的に「トレーニング部」がこれを用いて共通の強化学習モデルを継続的に最適化します。この分散かつ協調的な学習メカニズムにより、スライス数の動的な増減にも柔軟に対応し、ネットワーク全体として最適なリソース配分を自律的に実現します。
権利範囲
AI評価コメント
本特許は、残存期間が14年と長く、請求項数も適切で、経験豊富な代理人による緻密な権利化がなされています。また、審査過程で一度の拒絶理由通知を乗り越え、先行技術文献を考慮しても高い独自性が認められた、極めて強固で安定したSランク特許です。将来にわたる事業展開の盤石な基盤となるでしょう。
| 比較項目 | 従来技術 | 本技術 |
|---|---|---|
| 動的環境適応性 | 固定または静的最適化に限定 | ◎（スライス数の動的変化にリアルタイム対応） |
| リソース利用効率 | 部分最適化、過剰割り当ての傾向 | ◎（強化学習による全体最適化） |
| 運用コスト | 手動設定や頻繁な調整が必要 | ◎（自律制御による大幅な削減） |
| スケーラビリティ | スライス増加で複雑性増大 | ○（共通学習モデルで効率的に対応） |
大規模通信ネットワークにおける年間運用コストを仮に20億円と想定します。本技術導入により、強化学習によるリソース利用効率が平均15%向上し、これに伴うオペレーションコストも15%削減できると仮定します。この場合、20億円 × 15% = 年間3億円のコスト削減効果が見込めます。さらに、リソースの最適化は新規サービス投入までの期間短縮や、高品質なサービス提供による顧客満足度向上を通じた収益機会の創出にも貢献します。
審査タイムライン
横軸: 費用対効果
縦軸: 動的適応性・自律性