ComBERTによるAIエージェントサービス向けサービスベースRANユーザプレーンの分離とオーケストレーション
Service-Based RAN User Plane Decoupling and Orchestration via ComBERT for AI AgentServices
6G RANは、デジタルアシスタントやロボットなどの大規模モデル駆動型エージェントアプリケーションの発展に伴い、高度な柔軟性、適応性、低遅延能力が求められている。しかし、既存のRANユーザプレーン(UP)アーキテクチャは、分離粒度の粗さと層間機能の冗長性という課題を抱えている。本稿では、PDCPとRLCサブレイヤ間の機能的結合と冗長性に焦点を当てた、ComBERT駆動型のサービスベースRAN UP分離手法を提案する。まず、3GPPプロトコルコーパスでBERTモデルを事前学習し、プロトコル意味論を深く理解するためにテキストマッチングタスクでファインチューニングすることで、ドメイン固有言語モデルComBERTを開発した。次に、ComBERTを用いてUP機能コンポーネントから意味特徴を抽出し、スライディングウィンドウ機構で長いプロトコルテキストの切り捨て問題を克服し、コサイン類似度で機能関連性を測定する。最後に、しきい値ベースの融合アルゴリズムにより層間冗長機能を特定・統合し、独立したサービスユニットを形成する。シミュレーション結果によると、提案手法はeMBB、URLLC、mMTCシナリオでそれぞれUPコンポーネント数を12.5%、18.7%、18.2%削減し、平均処理遅延を7.9%、10.2%、11.0%短縮した。これにより、サービスベースUPの軽量展開、処理効率、再構成能力が向上し、エージェントサービスに特化した6Gネットワークにおけるオンデマンドサービスオーケストレーションの基盤を提供する。
- ComBERT(BERTベースのドメイン特化言語モデル)を用いたサービスベースRANユーザプレーン分離手法を提案し、eMBB/URLLC/mMTCシナリオでUPコンポーネント数をそれぞれ12.5%、18.7%、18.2%削減
- 提案手法により平均処理遅延をeMBBで7.9%、URLLCで10.2%、mMTCで11.0%短縮
- 3GPPプロトコルコーパスでBERTを事前学習し、テキストマッチングタスクでファインチューニングしたドメイン固有言語モデルComBERTを開発
本稿は6G RANのユーザプレーン(UP)分離にAI/NLP技術(BERT)を適用した研究であり、eMBB/URLLC/mMTCの各シナリオでUPコンポーネント数を12.5〜18.7%削減し、処理遅延を7.9〜11.0%短縮する結果を示している。6Gネットワークにおけるオンデマンドサービスオーケストレーションの基盤技術として、AI駆動型ネットワーク最適化の方向性を示す点で注目に値する。ただし、これは研究段階の提案であり、商用化や実証実験の進展が投資判断の焦点となる。