利用者の意図に基づくネットワーク設計の機械学習 …nv/NV2020-05-kuroda.pdf利用者の意図に基づくネットワーク設計の機械学習による自律化

利用者の意図に基づくネットワーク設計の機械学習による自律化

NV研究会

2020年5月21日

NEC システムプラットフォーム研究所

○黒田貴之、桑原拓也、丸山貴志八鍬豊、田辺和輝、福田達也

謝辞：本研究開発は、総務省の「革新的AIネットワーク統合基盤技術の研究開発（JPMI00316）」によって実施した成果を含みます。

3 © NEC Corporation 2020

サマリ

利用者の意図に基づくネットワーク設計の機械学習による自律化

• 店舗の映像を• 分析して• 本部で監視したい

ネットワークの柔軟・迅速かつ高効率な提供

意図（要件）を具体的なNW構成に数秒で自動変換

①パターンに基づく膨大な構成案の生成

②AIによる案の絞込み

顧客 SE

設計AI

業務要件意図(要件)

システム NW構成

①構成案の生成

②構成案の絞込み

パターン


従来のICT DX後のICT

例

用途基幹（バックエンド）業務そのもの（フロントエンド）

変更頻度低い（数年に一度）高い（隔週～月１）

開発上重視する点

安定性迅速性/柔軟性/効率性

[背景]：デジタル・トランスフォーメーション（DX）の潮流

ICTが業務の中核で活用されるにつれて、要件の変化がより頻繁に

本部

データセンタ

LAN

本部：受発注管理店舗：顧客認識、広告・クーポン発行

クラウド

分析

本部

監視

拠点

WAN拠点拠点

拠点拠点拠点拠点

拠点

拠点

撮影

アジャイル型の高効率な提供手法が必要

ウォーターフォールに基づく提供手法が好適


[背景]：アジャイルなICTシステム提供の難しさ

システム提供:多数の関係者による多彩な要件を満たすよう多数の構成要素を組立て

多彩な要件多数の関係者

App

IT

NW

機能性

拡張性

運用性

機密性

性能性

可用性

多数の構成要素

開発者

運用者

提供者

利用者/ 顧客

•抽象性の不均一な要件•要件の変動

変動(障害など)

保守性

SystemEngineer

部品種別の追加・更新

開発者要件毎の担当者

撮影分析監視

システム

複雑な組合せ最適化が必要


[背景]：システム提供の工程における、本研究の位置付け

本研究は「構築/対処フェーズ」の内、特に構成設計に着目

対象システム

業務分析

要件定義

構成設計

手順計画

構築実行監視構成把握

障害予兆検出

障害原因分析

AI活用が進展

自動化が進展

AI活用が進展


[関連技術] 手順計画の技術：宣言型オーケストレーション

構成情報を入力すると、自動的に構築手順を生成して、構築を実行

[1] OASIS/TOSCA: https://docs.oasis-open.org/tosca/TOSCA-Simple-Profile-YAML/v1.2/os/TOSCA-Simple-Profile-YAML-v1.2-os.html

[2] Takayuki Kuroda, et al. “The Configuration-Oriented Planning for Fully Declarative IT System Provisioning Automation”, IEEE/IFIP NOMS, 2016.

手順計画[1][2]

（宣言型オーケストレーション）

構築実行[3]

（命令型オーケストレーション）

構成情報

構築手順

ICTシステム

[3] Ansible, https://www.ansible.com/


[関連技術] 構成設計の技術1：構成テンプレート

要件に対応するシステム構成のテンプレートの再利用

要件要件’

テンプレート大きく異なるシステム構成

僅かな変更

要性能

多重化クラウド化

予算調整

全体に波及

再利用できない

[課題] 異なる要件へのテンプレートの再利用は困難

複数の観点に渡る多彩な要件


[関連技術] 構成設計の技術2：Intent-based networking[1]

意図（要件）に合わせたネットワークを自動構築

[課題] 既存の自前NWなど専用インフラ以外での応用は困難

EntityGroup

EntityGroup帯域: x

遅延: y

専用の構成のNWインフラ

通信に関する要件（意図）

規則に則り設定値へ翻訳

[1] M. Bezahaf et al., "Self-Generated Intent-Based System," 2019 10th International Conference on Networks of the Future (NoF), Rome, Italy, 2019, pp. 138-140

ICTサービスに関する要件

カメラ端末分析http

帯域: x遅延: y

http

帯域: x遅延: y

自由な構成のNWインフラ

Leaf-spine

固定的な規則では翻訳できない


[課題]：自動設計技術に求められる要件

要件（抽象/具体が混在）を完全に具体的な構成へ自動的に変換

要件 (抽象/具体が混在) 完全に具体的な構成

抽象的な部分を既に具体的な部分に合わせて具体化

▌自動設計技術に求められる要件

多様性 :利用者が多様な要件を自由に指定することを許容し、これに柔軟に対応すること

省工数 :利用者要求の多様化に対する、提供者側の作業工数の増加が少ないこと

設計速度:対象システムの規模に対する探索時間の増加が少ないこと

設計品質:多数の観点からなる要件を高い水準で満足する構成を導出すること

説明性 :思考過程や判断の根拠を提示し結果の妥当性を示すこと

実現したいサービス(抽象)

既存のインフラ(具体)


[関連技術] 構成設計の技術3：Design Space Exploration[1][2]

単純な具体化を探索的に繰返し試行して、完全に具体化された構成を導出

[課題] 構成案の多様性を上げると自動探索に膨大な時間がかかる

探索時間を減らすには、多様性を減らすか工数（人手による指示等）が必要

[2] Takayuki Kuroda, et al, “Weaver: A Novel Configuration Designer for IT/NW Services in Heterogeneous Environments”, IEEE Globecom 2019

全体の具体化 = 探索（試行錯誤）

要件

具体的な構成情報

1ステップの具体化 = 1パターンの適用

具体化パターン

本手法の利点[多様性] 抽象/具体が混在した要件も柔軟に設計[省工数] 豊富な構成案を少数のパターンから生成[説明性] 経緯を辿ることで設計の理由が説明可能

[1] Á. Hegedüs, Á. Horváth, I. Ráth and D. Varró, "A model-driven framework for guided design space exploration," 2011 26th IEEE/ACM International Conference on Automated Software Engineering (ASE 2011), Lawrence, KS, 2011, pp. 173-182.


[アプローチ]：本研究の技術課題と開発技術

コア技術

妥当性を直ちに判断できない

探索時間の削減のためには

妥当な構成案のみに絞込む必要

しかし、内容が抽象的

技術課題

具体化の最終結果を基に抽象的な構成案の妥当性を

判断するAIを育成

具体化された候補群

具体的な

評価値

報酬

報酬

報酬抽象的な案

抽象的な案

抽象的な案

その後の選択に依るので

パターン数が膨大なので人が判断のルールを指定するのも困難


[手法] 概要：機械学習に基づくシステム自動設計

①具体化パターンで構成案を網羅生成, ②構成案をAIで評価・絞り込み

要件

具体的な構成情報



具体化パターン

構成を段階的に詳細化

設計AI

機械学習に基づくシステム自動設計


[手法] データ構造：要件の記述形式

要件：(必要十分な) 抽象度を含む構成情報

▌概要：構成設計から本質的に満たしたい要件のみを抽出した情報

▌特徴：抽象的な部品を含んでよく一部が具体的でもよい、部分的な記載でも可

▌利点：簡潔に記載でき、且つ変化に強くなる（機械が自動調整する余地を提供）

本研究における要件の一例

何らかのカメラ

顔認識アプリ何らかのモニタ

http http

joinjoin

ある特定のCloud基盤

既存の本社NW

既存の拠点NW


[手法] データ構造：具体化パターンの記述形式

構成を具体化するやり方（パターン）を細かな粒度で表現したもの

▌特徴システム内の極小さな一部分を対象とする

抽象度を少しだけ下げる（具体化後にまだ抽象的な部分が残っていても良い）

同じ元構成に対して異なる複数の具体化パターンを定義してもよい

▌利点簡素性：１つのパターンあたりの内容は単純で定義が容易

汎用性：粗粒度のパターンに比べ、少数のパターンから多種類の構成案を生成できる

http

TCP

異なるマシン上のアプリ間のhttp接続マシン間のTCP接続

とは即ち

具体化パターンの一例


0.3

0.2

0.1

0.9

0.8

0.2

0.7

[手法] 動作：機械学習に基づく設計の高速化

“設計案が完全具体化できそうか”を評価することで、探索方向を絞り込む

[高速&省工数] 人の指示無しで、膨大な案から高速に解を発見

0.8

この設計案の有望度は0.8点

設計AIの働き

AIを用いた高速な探索設計判断の学習

強化学習: ランダム性を含む設計の試行を繰返

し、結果に基く報酬を獲得

有望な案を優先して探索効率的に求解

プレイアウト

成功

報酬

報酬


[設計・実装]：全体アーキテクチャ

設計探索、AI/ML、データ生成の３コンポネントにより構成

▌設計探索抽象的なシステム要件を、徐々に探索的に具体化し、動作可能なシステム構成を導出

▌AI/ML強化学習により自律的に設計ノウハウを獲得して、多様な要件をスムースに設計

▌データ生成新規に部品を追加しても、部品の検証や訓練用の要件による学習を自動的に実行

0.8

有望度“0.8”

案の有望性を判断探索を誘導

評価

報酬

報酬

設計探索訓練用要件

自動評価

AI/MLシステム要件

システム構成

Graph AI 強化学習

要件を徐々に具体化

データ生成


[設計・実装] GUI ：基本設計画面

マウス操作で部品を並べて要件を入力・修正 ←→ 設計結果を確認

利用可能な部品設計ボタン

要件設計

過程確認ボタン


[設計・実装] GUI ：設計過程確認画面

要件から設計が導出される過程を確認し、必要に応じて他の具体化を選択

設計過程の全体 1ステップの具体化

具体化前具体化後

(Aの詳細)

(B)(A)

(Bの詳細)

他の具体化方法の選択肢


[評価] 概要：評価シナリオと評価項目

ショッピングモール向け映像分析サービスにて実証

▌評価1: 自動設計の実現性要件から設計が導出できること

▌評価2: 設計品質と説明性導出された設計が要件を満足することと、設計の過程が確認できること

▌評価3: 多様性&設計速度&省工数の両立 3-1: AIによる学習が収束すること（収束性）探索空間を恣意的に制限することなく、設計速度を自律的に高速化できること

3-2: AIによる学習結果に汎用性があること（汎化性）学習によって未知の要件に対しても、設計速度を高速化できること

要件具体的な構成情報

クラウド

分析

監視

拠点WAN拠点

拠点拠点拠点拠点拠点

拠点

拠点

撮影

本部

ICTシステム


[評価1] 自動設計の実現性：デモンストレーション

多拠点のショッピングモールにおける自動設計を実証

赤は新規に追加された要素


[評価2] 設計品質と説明性

設計品質：制約条件の検証により全要件を満足することを機械的に保証説明性：設計中の全ての判断（及び選ばれなかった選択肢）を提示可能


[評価3-1] 多様性&設計速度&省工数の両立：学習の収束性

学習が進むほど探索の試行錯誤が減少判断能力を自律的に獲得

0

200

400

600

800

1000

1200

学習による探索ステップ数の削減効果

探索

ステ

ップ

数

学習エピソード数

10000 20000 25000150005000100

ヒューリスティック１

ヒューリスティック２

設計AI

20000エピソード程度で学習が収束


[評価3-2] 事前準備：追加シナリオ

部分的に冗長化することで、評価用に異なる多数の要件を作成

×L

×M

拠点数（Ｌ）

カメラ台数（M）


[評価3-2] 多様性&設計速度&省工数の両立：学習の汎化性

冗長性の異なる構成に対しても効果を発揮冗長化に対する汎化性を確認

0

200

400

600

800

1000

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

探索ステップ数

カメラ台数(M) 拠点数（L)

ヒューリスティック

設計AI

ヒューリスティックでは、多様な構成への万能な対応が困難

現状のAIでは、汎化性に限界あり


[評価] 総括

AIによる設計能力の獲得について実現性を確認

▌ 多様性

▌ 省工数

▌ 設計速度

▌ 設計品質

▌ 説明性

今後の課題：より大規模で多様な要件に対する、収束性と汎化性の改善

要件具体的な構成情報

クラウド

分析

監視

拠点WAN拠点

拠点拠点拠点拠点拠点

拠点

拠点

撮影

本部

ICTシステム

Design Space Exploration技術の有効性を確認

Design Space Exploration技術をベースとしたAIによる自律的な設計能力獲得技術の実現性を確認


まとめ

DX後のICTを支える柔軟・迅速・高効率なシステム提供をAI/MLで実現

拠点

拠点

WAN

GW クラウド

分析

本部

監視カメラ

拠点

拠点拠点拠点拠点

拠点

拠点

• 店舗の映像を• 分析して• 本部で監視したい

設計AI

業務要件意図(要件)

システム NW構成



パターン

ネットワークの柔軟・迅速かつ高効率な提供

意図（要件）を具体的なNW構成に数秒で自動変換

①パターンに基づく膨大な構成案の生成

②AIによる案の絞込み

Documents

利用者の意図に基づくネットワーク設計の 機械学習 …nv/NV2020-05-kuroda.pdf利用者の意図に基づくネットワーク設計の 機械学習による自律化

利用者の意図に基づくネットワーク設計の機械学習 …nv/NV2020-05-kuroda.pdf利用者の意図に基づくネットワーク設計の機械学習による自律化