招待論文
情報通信ネットワークサービスへの AI/ML 利活用に関する標準化動向
中尾 彰宏
†井内 秀則
†a)Standardization Trend about AI/ML Utilization to Information and Communication Network Service
Akihiro NAKAO†and Hidenori INOUCHI†a)
あらまし 情報通信ネットワーク・サービスへのAI利活用に関する標準化動向に関して，ITU FG-ML5Gに 参加し，標準化動向の調査を行った．ITU FG-ML5Gにおける標準化検討・議論は，ユースケース策定・分析及 び基本アーキテクチャ検討を終えて，AI/ML機能を有効活用するためのデータ管理のフレーワークやアーキテク チャ検討の詳細化を終えて，3年弱の活動期間を経て2020年7月に完了している．AI/MLの適用に関しては，
ネットワーク以外の分野では，効果のある事例が多く検証されているが，今後はFGが策定した標準が将来ネット ワークのデジタル変革に対応するための解決策として，ネットワーク分野においても有効に活用できることを検 証することが重要となる．FG-ML5Gの成果はITU主催の5Gチャレンジプログラムによる実用性の検証フェー ズに移っており，我が国からも産学界からの多数の参加が期待されている．この未開拓のAI/ML分野において，
グローバル視点での技術発展に重要となるエコシステムを意識した戦略的な活動を期待する．
キーワード ネットワークサービス，標準化，AI，ML，5Gチャレンジ
1.
ま え が き人工知能(AI)や機械学習(ML)を用いて情報通信 ネットワークの制御や管理の高度化を実現するための 標準化活動が活性化している．大規模複雑化，多種多 様化する情報通信ネットワーク及びサービスのシステ ム課題の解決と機能高度化，超低遅延エッジコンピュー ティングシステムを実現する手法として，高い注目と 大きな期待を集めているためである．また，AI/ML学 習のスケーラビリティ及びエッジインテリジェンスの 実現も注目されつつある．
本論文では，情報通信ネットワーク・サービスの制 御アーキテクチャや運用管理アーキテクチャに関する 技術分野を主対象とし，情報通信分野におけるAI/ML 技術の利活用を検討するデジュール標準化団体であ るITUのFG (Focus Group)であるML5G (Machine Learning for Future Networks including 5G)における，
†東京大学大学院情報学環，東京都
The University of Tokyo, Interfaculty Initiative in Information Studies, 7–3–1 Hongo, Bunkyo-ku, Tokyo, 113–0033 Japan
a) E-mail: [email protected] DOI:10.14923/transcomj.2020AII0003
検討状況を把握・分析した結果を報告する．
2.
情報通信分野のAI/ML
の標準化と方 向性AI/MLの標準化活動の内容調査にあたって，情報通
信分野のAI/ML利活用の現状は下記のとおりである．
国内・海外ともに，企業・大学で個別の研究開発は 進められている．標準化の場での議論も，この2〜3 年で高い注目を集めており，国内でのAI/ML活用議 論は，2018年4月よりAI活用専門委員会(TTC)を実 施中である．著者らは，ITU FG-ML5G [1]の2018年 1月の初回会合から2020年6月の第9回最終会合ま で現地参加（ただし，第8回と第9回は電子会合）し ており，2018年11月にTTCで開催された東京会合 では，ユースケース提案を行い，その後の日本寄書提 案の議論にも積極的に参画している[2]〜[5].
本章にて詳述するITU FG-ML5Gの参加メンバの特 徴と，検討の大きな方向性は下記のとおりである．現 時点では，中国の存在感が大きい点が特徴であり，日 本の存在感を強化していくための活動強化が必須と考 える．そのためには，解決すべき社会課題を多数保有 している我が国の特徴を活かして，社会問題解決型の
実用性の高い研究開発を官民学一体で推進する体制を 早期に構築することが特に重要となる．
（1） ITU FG-ML5Gは，Fraunhofer, Intel, Vodafone, China Mobile/Unicom, Huawei, ZTE等の企業が参画し，
ユースケースと基本アーキテクチャ・データモデルが 検討対象である．
（2） 検討メンバは無線NWの専門家が多く，国 策として5G関連の様々な活動を展開する中国の存 在感が大きい．特に中国の通信キャリアであるChina MobileやChina Unicom向けの通信機器ベンダである HuaweiやZTEが将来投資を見据えた戦略的な活動を 行っていると思われる．また，他の参加者は企業とし ての戦略性よりは，AI関連動向の動向把握と見極めを 優先している．
（3） 日本からの参加者は無線NW以外の光伝送，
パケットトランスポート，モバイルフロントホール/ バックホールの専門家が多く，AI適用の効果が大きい とされているRAN分野，アプリケーションサービス 分野での活動が期待できる．
情報通信ネットワーク・サービスへのAI利活用に 向けては，ITU FG-ML5Gのみならず，下記のとおり 3GPPや運用管理技術領域のデファクト標準化団体で あるTMF (Tele-Management Forum)においても活動が 行われている．
• 3GPP：NWDAF (Network Data Analytics Func-
tion)の標準化を推進，ビッグデータ処理のフレーム
ワークに関する標準化を狙っている（Release16以降）
• TMF：PoCプロジェクトを強化する中で，AI/ML 機能については，日本が先導している．特に，通信キャ リアネットワークの設定運用のAIを用いた自動化に ついては，高齢化する保守員の知識をもつエキスパー ト型のAIから機械学習型のAIを組み合わせたユース ケースまで，KDDIを筆頭に我が国の通信キャリアが いち早く提案してきた実績がある．
関連する標準化機関・団体のエコシステムを俯瞰す ると，研究レベルの標準化議論はITU，実用レベルの 標準化議論はTMF等のフォーラム団体という役割で，
エコシステムが構築されている．
2. 1 ITU FG-ML5GのAI/MLの標準化活動 本FGは，2017年11月のITU-T SG13会合にて設 立され，将来ネットワークにおける機械学習適用にお けるアーキテクチャ，インタフェース，プロトコル，
アルゴリズム，データ形式に関する技術レポートと仕 様の作成を目標としている．
議長は，Fraunhofer HHIのSlawomir STANCZAKで あり，ナイジェリア，韓国，ロシア，中国，トルコか ら副議長が選出されており，各WGのSoWは下記の とおりである．
（1） WG1: Deployment and application scenarioチ ェア：Seongbok BAIK，KT（韓国），Mostafa ESSA， Vodafone（エジプト）
• 機械学習を用いたユースケース（C-V2X，スマー ト工場等）や導入シナリオに対する現状とのギャップ 分析
• 機械学習を用いたネットワーキング機能とは 何か
• 上記の機能を実現するための実体は何か（WG2 連携）
• 機械学習を用いたサービスやアプリケーション が将来ネットワークに与える影響は
（2） WG2: Data management for ML チェア：Qi SUN, China Mobile（中国）
• 機械学習に必要となるデータを，ネットワーク からどのように収集・精査・処理を行うか
• 機械学習アルゴリズムのリファレンス実装（WG3 連携）
• オペレータが保有するデータを第三者に提供す る際のデータ共有のためのフレームワークとプライバ シー要求条件
（3） WG3: ML-aware network architecture チェア：Wei MENG, ZTE Corporation（中国）
• ネットワークオーケストレータとMLFO (Ma- chine Learning Function Orchestrator)間のインタフェー
図1 ITU FG-ML5G第7回Workshopの様子 Fig. 1 Picture of ITU FG-ML5G 7th Workshop.
表1 ITU-T標準化文書の概要 Table 1 Summary of ITU-T standardization document.
ス，MLインテント，ML活用ネットワークアーキテ クチャ（WG2連携）
• インテリジェンスレベル規定・導入シナリオ，
OSS互換性
• MLモデル取引市場
• サンドボックスフレームワーク
図1にFG-ML5G第7回会合前のWorkshopの様子 を示す．Workshopでの有識者の講演は，AI/MLの技 術導入教育として非常に有効な試みである．
表1にFG-ML5G 寄 書 で 同 意 し た 文 書 をITU-T
Q20/13にて標準化した文書（予定文書も含む）を
示す．
図2にWG3が策定した勧告文書の基礎となってい
るY.3172の概要を示す．Y.3172は，ネットワークに
ML/ALを適用する際のアーキテクチャフレームワー
クに関する勧告文書である．Underlayネットワークは IMT-2020，3GPPなどの実ネットワークである．ML パイプラインサブシステムはUnderlayネットワーク から収集したデータを使ったパイプライン機械学習を 行ってML Intentにマッチする学習モデルを作成する．
MLサンドボックスサブシステムは，MLパイプライン サブシステムで作成した学習モデルを使って，シミュ レーション環境で擬似ネットワークのテストデータを 使った学習モデルの評価を行う．MLオーケストレー タは，MLサンドボックスサブシステムとMLパイプ ラインサビシステムのI/Fを介して機械学習機能の管
図2 MLアーキテクチャフレームワーク図 Fig. 2 Diagram of ML architecture framework.
図3 インテリジェンスレベル評価フレームワーク図 Fig. 3 Diagram of intelligence level evaluation framework.
理・調停を行う．
次に，Y.3173の位置づけを図3に示す．Y.3173は，
ネットワークのインテリジェンスレベルを評価する ための指針を示した勧告文書である．インテリジェ ンスレベルをあらかじめ評価しておくことで，MLFO (Machine Learning Functional Orchestrator)は，ネット ワークドメインにより異なるMLソリューションから 構成されたネットワークの構築・運用を容易にするこ とができる．
最後に，Y.3174の位置づけを図4に示す．Y.3174 は，ネットワークが有する多種多様なデータソースか らMLデータを収集する方法，収集した多種多様な データに対するデータ処理方法，更には将来ネット ワークに於いて益々需要が高まると考えられる，ML データの収集，処理，ネットワーク制御に関わる柔軟 性と迅速性に対応するための指針を示した勧告文書で ある．Y.3172に対して，MLデータモデルとMLデー タブローカが明示的に追加されており，学習済のモデ ルを用いたネットワーク制御についての指針を示して
図4 MLデータハンドリングフレームワーク図 Fig. 4 Diagram of ML data handling framework.
いる．
Y.3172のサブシステムである，ML Sandbox，MLFO， MLモデルの最適化については，FG-ML5Gで合意ず みであるため，今後ITU-T Q20/13で勧告化される予 定である．ML Sandboxを使うアプリケーションサー ビスに位置付けられるML市場については，Y.3176勧 告文書として発行される予定であるが，我が国として もMLモデル，及び関連するメタデータの流通市場と して通常のアプケーションと同様の市場に成長するか どうか注視していく必要がある．
FG-ML5Gで紹介された3GPP，O-RAN等の活動に おいて，RAN，コア網，OSS (Operation Support Sys- tem)，MANO (Management and Orchestration)それぞ れのドメインでAIによる運用高度化の議論はされてい るが，全体としてのアーキテクチャの整合性がないと いう意見は多く，AI/ML導入により統一フレームワー ク，協調設計，モジュラー化と再利用性，データ共用 化と効率化，拡張性等が期待できるが，各ドメイン間 の統合，各ドメインのモデル，データ及び推定の協調 方法等が主要議題となるとしている．ネットワークス ライシングの議論と類似しているので，日本としては，
ネットワークのソフト化の研究者からのAIを活用する ボトムアップ提案を考えるべきである．FG-ML5G検 討課題の適用領域は多岐に渡るため，多くの標準化団 体・フォーラムとのリエゾン文書の交換が行われてい る．ISO/IEC JTC1/SC42 (Artificial intelligence)からは AIユースケースを集めた技術文書への情報提供を要請 されている．ETSI ENI (Experiential Networked Intelli- gence)からはAIのネットワーク応用を分類，定義する 文書が紹介されている．Linux FoundationからはAIに 関するプロジェクトの一つであるAdlikの概要と進捗
状況が報告された．中国のAIIA (Artificial Intelligence Industry Alliance)のTelecom Project Teamからも概要 と進捗状況報告があった．ZTE主導で進めるAIオー プンソースのAdlikに関しては，米国主導のAcumos を強く意識していると考えられるが，FG-ML5G内で の仲間作りは苦労しているとの印象である．Adlikの 特徴の一つである，AIによるワークフロー最適化は，
DL (Deep Learning)が元々内包している最適化との違 いが明確ではない．FG-ML5Gは他の国際標準化会議 に比較して大学・研究機関等，企業以外からの参加者 も多く，Students in projectsという学生参加型の活動も 行っている．この活動は指導教員から与えられたネッ トワーク課題を実際にFG-ML5Gのフレームワークを 活用して解く際に自身のアプローチ，プログラムミン グ，AI適用による効果などを参加者で共有する場とし て有効活用され，この活動で得たノウハウが後の5G チャレンジに活かされている．
また，Workshopでは，Industrial 5GへのAI適用の 市場性について報告された．直近では，キャンパス ネットワーク（工場，空港，港湾）へのAI適用の市場 性が有望で，その後に自治体などの都市広域で需要が 出てくると報告されている．キャンパスネットワーク
（工場，空港，港湾）の内部，あるいはその間をPrivate 5Gで接続するユースケース（例えば，遠隔地にある 自社，協力工場をPrivate 5Gで接続）でAI適用によ る生産性向上が有望だと報告されている．
FG-ML5Gでは実際のネットワークに適用する際に
は，AN (Access Network)，TN (Transport Network)，CN (Core Network)単位で収集するビッグデータを入力と して，ML PipelineでのML学習によって，ユースケー スに応じたネットワークのMLデータモデルを作成 して，管理システム内のレポジトリに格納するととも に，3GPPのAF (Application Function)を通じてネッ トワークのAI/ML制御を行うことを想定している．
この学習ずみのMLデータモデルをアプリケーション として，市場で販売することも目標にしている．
これらの目標に対してFG-ML5Gで共通認識された 課題を示す．
（1） IMT-2020向けのMLマーケット市場は，（現 時点では）存在しない
（2） MLアーキテクチャフレームワークがユース ケース依存になっている
（3） データフォーマットとMLモデルフォーマッ トの標準が存在しない
ITU FG-ML5Gにおける標準化検討・議論は，ユース ケース策定・分析及び基本アーキテクチャ検討を終え
て，AI/ML機能を有効活用するためのデータ管理のフ
レーワークやアーキテクチャ検討の詳細化を終え2020 年6月に活動を終了したが，ITUが主催する5Gチャ レンジプログラム(ITU AI/ML 5G Challenge)により，
標準化と実用化のGAPを埋める新しい試み[12], [13]
が始まっており実用化に向けて加速している．
2. 2 AI/MLのネットワーク適用の方向性
AI/MLのネットワーク領域(5G and beyond)への適 用の方向性としては，⃝1ネットワークのスマート化，
⃝2上位サービス設計から下位NW運用までカバーする 垂直方向のインテリジェント化，⃝3ネットワークデー タから価値を創造するAI/ML基盤，の三つの視点に 大別できる．
ただし，AI/MLの適用に関して深層学習を用いた，
自動画像識別や心電図波形からの心疾患の診断と治療 などの効果のある事例が多く検証されているものの，
AI/MLアルゴリズムを将来ネットワークの問題を解決
するための方法論に関する議論は圧倒的に不足してい る．これは複雑システムであるネットワークでは原因 と結果の因果関係についての明確な関係を示すことが 困難であることが大きな要因であると考えられるが，
AI/ML適用可能領域として，5G以降のモバイルネッ
トワークでは，限られた電波周波数資源を動的に有効 利用するための無線スケジューリング制御技術，1ミ リ秒以内の超遅延ネットワークの実現に向けたE2Eの QoS技術などの，将来ネットワークのデジタル変革の 実現に向けた議論が盛んになっている．
今後の重要な研究開発の方向性は，ユースケースに 基づく事例研究を進めることによる現状打破への挑 戦，どんなデータをどの程度収集すべきかに関するノ ウハウの蓄積と共有，各手法の特性（バウンダリ：適用 限界）の見極めと定義の確立，各手法の利活用や実装 におけるネットワークアーキテクチャへの影響度の明 確化，モデルに基づく既存手法との差異化・メリット の明確化，ドメイン知識との融合によるインテリジェ ンスの高度化，等であると考える．また，モバイルフ ロントホールは，AI/ML適用による無線周波数利用 効率の向上などの効果が高いと考えられていたため，
FG-ML5Gの初期検討は，モバイルフロントホール領
域の制御技術に焦点が偏っていることが大きな課題と されたが，我が国から，E2Eネットワーク領域の運用・
管理技術のみならず，アプリケーションサービスから
通信インフラに至る垂直統合技術を対象とするアーキ テクチャフレームワークに関して寄書提案することで 存在感を示すことができたと考えている．
第7回会合において，日本から水平垂直統合型の アーキテクチャフレームワークが提案されたこともあ り，これを足掛かりにAI/ML導入に向けた重要な基 盤技術として，ネットワークソフトウェア化の重要性 と日本が保有する先進技術を継続的に訴求していくこ とが重要となる．
3.
む す びAI/MLのエコシステムを勘案した結果として，情報
通信ネットワーク・サービスへのAI/ML/エキスパート システム適用に向けた今後の標準化活動においては，
下記が重要と考える．
（1） 本分野での日本からの貢献はこれまで少ない が，オープンなAI活用戦略の強化により挽回可能
（2） 我が国に求められる取組みとして，標準化も 含めてエコシステム俯瞰型の総合戦で戦う
（3） 今後の方向性，課題，提言として，将来ネット ワーク技術（6G等）アーキテクチャ変革を先導する．
今回の報告並びに今後の活動にむけた提案を踏まえ，
本領域の標準化検討への貢献を継続し，我が国におけ る競争力のある研究開発の推進と，グローバル視点で の技術発展に重要となるエコシステムを意識した戦略 的・総合的な活動を継続することが重要である．
謝辞 本報告の一部は，一般社団法人情報通信技術
委員会(TTC)の委託研究，及び総務省の「電波資源拡
大のための研究開発(JPJ000254)」によって実施した 成果により得られたものである．
文 献
[1] https://www.itu.int/en/ITU-T/focusgroups/ml5g
[2] 桐葉佳明，“ITU FG-ML5G会合，” TTC Report 2018, vol.33, no.3, pp.63–67, Oct. 2018．
[3] 桐葉佳明，岡本康史，“ITU FG-ML5G Meeting -Focus Group on Machine Learning for Future Networks including 5G-,” ITU ジャーナル，vol.48, no.11, Nov. 2018.
[4] V.P. Kafle，千田昇一，“ITU FG-ML5G会議報告，” ITUジャー ナル，vol.49, no.9, Sept. 2018.
[5] 村上 誠，V.P. Kafle, “ITU-T Focus Group on Machine Learning for Future Networks including 5G第7回会合，” ITUジャーナ ル，vol.50, no.2, Feb. 2020.
[6] https://www.itu.int/rec/T-REC.Y.Sup55-201910-I/en [7] https://www.itu.int/rec/T-REC-Y.3172/en [8] https://www.itu.int/rec/T-REC-Y.3173-202002-I [9] https://www.itu.int/rec/T-REC-Y.3174-202002-I/en [10] https://www.itu.int/rec/T-REC-Y.3175-202004-P
[11] https://www.itu.int/rec/T-REC-Y.3176-202009-P
[12] ITU AI/ML 5G Challenge, https://www.itu.int/en/ITU-T/AI/
challenge/2020/Pages/default.aspx
[13] ITU AI/ML in 5G Challenge Global Round in Japan, https://www.ieice.org/~rising/jpn/AI-5G/
（2020年9月10日受付，11月9日再受付，
11月30日早期公開）
中尾 彰宏 （正員）
1993東京大学大学院工学系研究科情報工 学専攻修士課程卒了．IBM Texas Austin研 究所，IBM東京基礎研究所などを経て，米 国・プリンストン大学大学院情報科学科に て修士号及びPh.D.取得．以来，情報科学，
ネットワーク・オーバーレイ，ネットワー ク仮想化，次世代ネットワーク，5Gネットワークの研究開発に 従事．2005から東京大学大学院情報学環・情報学環に所属し，
現在，同大学院教授．2017ドコモ・モバイル・サイエンス賞，
2020本会業績賞受賞．
井内 秀則 （正員）
昭59東京大学大学院計数工学科修士課 程了．同年日立製作所入社．以来，画像処 理，人工知能，ネットワークの研究開発に 従事．平31同社退社．同年から東京大学 大学院情報学環特任研究員．
