人工知能(AI)は、これからの社会を支える技術であり、社会の隅々にまで影響を及ぼしている。特にAI/ML(機械学習)は、社会の生命線である通信ネットワークのあり方を形作っていく。 ICT分野では、多くの企業がAI/MLの活用方法を模索している。 ITUは、5Gネットワークを含む将来のネットワークにAI/MLを適切に適用する方法を模索する取り組みの先頭に立ってきた。 それゆえ、AI・MLを利用した5G関連の課題をブレインストーミング、革新、解決するために、技術コミュニティと関係者を一堂に会する時期がきている。 ITUは、その標準化に基づき、「ITUのMLアーキテクチャを5Gネットワークにどう適用するか」をテーマに、グローバルなITU AI/ML 5Gチャレンジを実施している。 参加者は、5GネットワークにおけるMLのために標準化された技術に基づいて、実世界の課題を解決することができる。 チームでMLモデルを有効化、作成、学習、適用を行うことが求められる(参加者は5Gに関連する分野でのAI/MLの実践的な経験を積むことができる)。 参加資格は、ITU加盟国、セクターメンバー、アソシエイト、学術機関のほか、ITU加盟国の個人であれば誰でも参加できる。
日時:2020年11月11日(水)9時30分~17時30分
会場:オンライン開催(ZOOM)
参加費:無料
参加方法:参加登録後にZOOMの参加情報がメールで送られます.
参加登録締切:11月11日当日まで
(注)参加可能な人数に上限がございます.すでに多くの方から参加をお申し込み頂いております. お申込数が上限を超える場合にはご参加を受け付けられない場合がございますがあらかじめご了承ください.
ITU AI/ML in 5G Challengeでは,全世界で開催されているGlobal Roundにおいて,各テーマで高い評価を受けた上位3チームを選出いたします. 各テーマから選出された上位3チームは,12月15日(火)~17日(木)にオンライン開催されるITU Final Conferenceに参加し,世界1位を目指します.
本ワークショップでは,日本開催分の2テーマ(KDDI提供テーマとNEC提供テーマ)で第一次審査を通過した上位4チームに対して,プレゼンテーションによる第二次審査を行います. 各プレゼンに対して聴講者の皆様からも質問を受け付けたいと思いますので,ぜひ積極的なご参加をよろしくお願いいたします.
9時30分~9時55分 | 開会式・特別講演 | 司会:橘 拓至(福井大学) |
9時30分~9時40分 | 開会の挨拶 | ITUワークショップ運営委員長 |
9時40分~9時55分 | 特別講演 | 中尾 彰宏(東京大学) |
10時00分~11時55分 | テーマ2 from NEC 審査セッション | 司会:木村 達明(大阪大学) |
10時00分~10時25分 | 課題説明 | 岩井 孝法(NEC) |
[プレゼン審査] | ||
10時30分~10時50分 | Fukui Dinosaur Team | 川合 佑樹(福井大学) |
10時50分~11時10分 | JOJO | 橋本 侑亮, 関 勇弥, 近藤 大嗣(大阪府立大学) |
11時10分~11時30分 | HENOKOKING | 比嘉 風優希, 金城 琉馬,宇地泊 源,上原 尚(沖縄工業高等専門学校) |
11時30分~11時50分 | Team KCGI | Yimeng Sun, 望月 バドル(京都情報大学院大学) |
11時50分~11時55分 | 総評 | 下西 英之(NEC) |
12時10分~13時15分 | テーマ3 from RISING 審査セッション | 司会:安達 宏一(電気通信大学) |
12時10分~12時25分 | 課題説明 | 亀田 卓(東北大学) |
[プレゼン審査] | ||
12時30分~12時50分 | 名工大 王・安在研 | 中川 慶郎, 佐伯 英寿, 石川 靖人(名古屋工業大学) |
12時50分~13時10分 | Engineer Seed | 宮城 直季, 相島 和貴, 市場 智也, 松田 恋椰(沖縄工業高等専門学校) |
13時10分~13時15分 | 総評 | 藤井 威生(電気通信大学) |
14時10分~16時05分 | テーマ1 from KDDI 審査セッション | 司会:樽谷 優弥(岡山大学) |
14時10分~14時35分 | 課題説明 | 大谷 朋広(KDDI) |
[プレゼン審査] | ||
14時40分~15時00分 | mlab | Ryoma Kondo, Takashi Ubukata, Kentaro Matsuura, Hirofumi Ohzeki(東京大学) |
15時00分~15時20分 | UT-NakaoLab-AI | Fei Xia, Ping Du, Aerman Tuerxun, Jiaxing Lu(東京大学) |
15時20分~15時40分 | Hideaki | 髙橋 秀明, 河合 将隆, 増田 祐斗(奈良先端科学技術大学院大学) |
15時40分~16時00分 | naist-lsm | 原 崇徳,藤田 健太郎(奈良先端科学技術大学院大学) |
16時00分~16時05分 | 総評 | 毛利 元一(KDDI) |
16時15分~16時30分 | 審査について | 司会:成末 義哲(東京大学) |
16時15分~16時30分 | 審査過程・審査委員の紹介 | 運営委員会・実行委員会メンバー |
16時40分~17時00分 | 表彰式 | 司会:塚本 和也(九州工業大学) |
16時40分~17時00分 | ITU Final Conference進出チームの紹介・各種表彰 | ITUワークショップ運営委員長 |
17時10分~17時30分 | 懇親会 | 司会:山本 高至(京都大学) |
テーマ 1 from KDDI
NFVベーステスト環境におけるIPコアネットワーク内の 経路情報障害の解析
Challenge Problem
5Gモバイルネットワークには、安定した高品質のインターネットコネクティビティが必要とされるが、予期せぬ事態が発生すると、その不具合による影響がきわめて深刻である。 また、インターネットは事業者間で相互に運用されているため、あるドメインで障害が発生すると、その障害は急速に世界中に拡がっていく。 このような世界的に影響をおよぼすネットワーク障害に対応できるのは経験豊富な事業者だけであり、AI/MLによる異常検知を自動的かつ迅速に行うことが望まれている。 各事業者はモバイルコアネットワークに接続された少なくとも1つのIPバックボーンネットワークを有している。 IPバックボーンネットワークは、ボーダーゲートウェイルータを介して他の事業者のバックボーンネットワークと相互接続している。 ボーダーゲートウェイルータは、受信した内部/外部経路情報からの経路情報を継続的に更新し、これらを適切にフィードバックする必要がある。 このように、これらのルータは5Gサービスにおいて非常に重要な役割を果たしており、一定のサービスレベルを維持するためには、ハードウェアやソフトウェアの欠陥や誤作動を即座に検出することが望まれている。
本課題では、ボーダーゲートウェイルータのデータセットを提供する。データセットでは正常、障害、誤作動等のネットワーク状態情報を正常/異常ラベルとして提供する。 参加者には、これらのデータセットを用いて、障害や誤作動等、ネットワークの状態をピンポイントで特定するモデルを作成し、作成したモデルの性能を評価してもらう。
参加者は、課題の解決方法とその評価結果を示すために、デモ映像を含むプレゼンテーションファイルを提出すること。評価は、使用するAI/MLに適した方法で行うこと。
本課題で使用するデータセットは、[1-1]に準拠した商用IPコアネットワークを模擬したNFVベースのテスト環境で作成したものである。 そのため、本データはNFVベースのテスト環境から得られた実データに近い合成データである。 データセットは、正常/異常ラベル、トラフィック量、CPU/MEM使用率などの性能監視データセット、BGP(Border Gateway Protocols)の静的メトリクスやBGP経路情報などで構成されている。 これらのデータセットは、解析に十分な期間蓄積されており、意図的なネットワーク障害を引き起こすことにより、異常なラベルを含んでいる。
障害が発生・復旧すると、ネットワークは障害データ(Fig. 1-1中のオレンジ色の矢印)や復旧データ(Fig. 1-1中の青色の矢印)に対応する遷移期間を経て、障害状態、または正常な状態を示す。 移行期間は障害シナリオに依存し、十分なガード時間を考慮することが望まれる。故障から復旧までの間隔は5分とする (Fig. 1-1).
参加者には、学習用と評価用の2種類のデータセットが提供される(Fig. 1-2)。 学習用データセットはAIモデルの学習に、評価用データセットは学習したモデルの性能評価に用いる。 学習用データセットは、すべての障害シナリオをすべての故障個所で網羅的に発生した場合に取得したデータに対応する。 評価用データセットは、障害シナリオ、故障箇所を限定的にランダムに発生させた際のデータに対応する。
[1-1] J. Kawasaki, G. Mouri, and Y. Suzuki, "Comparative Analysis of Network Fault Classification Using Machine Learning," NOMS2020, 10.1109/NOMS47738.2020.9110454.
参加者は自身で計算機環境を用意すること。利用するツールは、他の人が追加実験を行うために、オープンソース・ソフトウェア(OSS)ベースのものを利用することが望ましい。 提出物は以下のアドレスにメールでお送り下さい。 メールの件名に [ITU-JP-Theme1] を記載してください。
Theme 2 from NEC
リアルタイムストリーミングサービスにおける映像解析によるネットワーク状態推定
OVID-19パンデミックの影響により、Web カメラを利用したテレワークシステムなど、インタラクティブな動画のストリーミングサービスの重要性が高まっている。しかし、インターネットはこのような帯域消費型の動画ストリーミングサービスから生じる膨大なトラヒックを収容する必要があり、結果として極度の輻輳状態が発生する。Netflix、YouTube、Amazon などの OTT (Over-the-Top) サービスプロバイダによる動画配信サービスの場合、サービスのトラヒック負荷に基づいて標準解像度を低く設定することで、COVID-19パンデミックの問題に対処している。同様に、Web カメラを使用したインタラクティブな動画ストリーミングサービスの場合も、ネットワークの状態に基づいて動画品質を最適化する必要がある。 このような状況は、生の動画データを解析してパッシブにネットワークの状態を推定するという挑戦的な課題を生み出している。従来、動画ストリーミングの分野では、再生バッファの状態を用いてネットワークの状態を推定する研究が盛んに行われてきた。しかし、テレワークシステムのような実用的なユースケースでは、動画の再生レートや解像度などの KPI ではなく、生の映像を解析することが重要である。近年では、深層学習などの人工知能 (AI) 技術が映像解析の領域にブレイクスルーを起こすという新たなトレンドが生じている。本課題は、生の映像とネットワーク状態との関係を明らかにするための第一段階としてのチャレンジである。
本テーマでは、ウェブカメラを用いたライブ動画ストリーミングサービスに適したプロトコルである RTP[2-1] を使用する。Fig. 2-1 のように、映像の画質 (ノイズなど) は、ネットワークの状態に依存する。
[2-1] H. Schulzrinne, et al., ``RTP: A Transport Protocol for Real-Time Applications," Request for Comments 3550, July 2003, https://tools.ietf.org/html/rfc3550.
本テーマの目標は、与えられた生の動画のデータセットから、ネットワークの状態、すなわちスループットとロス率を推定することである。参加者は、ネットワーク状態のラベルが付与された動画データを用いて、Fig. 2-2 のように AI モデルの訓練とテストを行うことが期待されている。
全ての提出物は、性能評価指標 ($MAE$) および、技術的な卓越性の観点から評価される。
以下の式で定義される平均絶対誤差($MAE$)を指標とする。データ数を $n$、$i$ 番目の推定値を $Estimation[i]$ とした場合、スループットとロス率のそれぞれについて、以下の式で $MAE$ を算出すること。
\[ MAE = \frac{1}{n}\sum_{i=1}^{n} | Estimation[i] - Answer | \]
2種類の動画を提供する。 1) オリジナル動画 オリジナル動画としてオープンデータを用いる。オリジナル動画は.mp4形式である ( YouTube-8M)。
2) 受信動画 受信動画のフォーマットも.mp4形式である。また、ある帯域幅とロス率の場合のネットワーク状態で配信された動画のファイル名は「videoid_bandwidth_loss.mp4」とする。 データセットは、Fig. 2-3 のようなラボ環境で生成されている。動画配信サーバ (Video streamer: VS) は、オリジナル動画を RTP を利用してネットワークエミュレータ (Network emulator: NE) を介して動画視聴 PC (Video viewer: VV) に配信する。なお、表 2-1 は設定パラメータを示している。
NE は、以下のポリシーにしたがって、トラヒックレートとパケットロスを制御する。
動画トラヒックは事前に定義された帯域幅で制御されており、また、事前に定義されたロス率でパケットは破棄される。
データセットは、以下のネットワーク条件に基づいて生成されている。
- 帯域幅: 1100kbps から 2000kbps まで 100kbps 刻み
- パケットロス率: 0.001%, 0.01%, 0.025%, 0.05%, 0.1%
参加者はレポートを提出すること。 -レポートには少なくとも、手法もしくはアプローチの説明、提供されたデータセットに対する評価結果(MAE、「評価」を参照)、及び、考察、を記載すること。 -レポートのフォーマット: A4 サイズ、pdf、最大 4 ページ 提出物は以下のアドレスにメールでお送り下さい。 メールの件名に [ITU-JP-Theme2] を記載してください。
テーマ 3 from RISING
Wi-Fi位置推定(ITUファイナルカンファレンス対象外)
スマートフォンの地図アプリや拡張現実(AR: Augumented Reality)など、位置情報の社会での重要性が高まっている。一方、位置測位の主流として用いられているGPS(Global Positioning System)は、観測可能なGPS衛星数が減少した場合や、構造物による反射の影響などで位置推定精度が劣化する。そのため、GPSの単体使用では、高精度な位置測位を普遍的に提供することは難しい。その代用として、携帯電話や無線LANの基地局から受信される信号を活用した位置測位が検討されている。しかしながら一般的三点測位などによる手法はマルチパスフェージングなどの影響を受け高い精度が得られない。そこで、本チャレンジでは、高精度の位置測位をAI/ML技術を用いることで、端末で観測可能なRSSI(Reseived Signal Strength Indicatior)情報のみを用いてGPSと同程度の位置測位精度を実現できるかどうかを検証する。従来のRSSIに基づく位置測位では、伝搬損失などをモデル化する必要があり、位置測位精度は利用する伝搬損失モデルと実際の伝搬特性がどの程度合っているかに大きく依存してきた。本チャレンジでは、RSSIと実際の位置情報間に存在する隠れた関係性を見出すことのできるAI/MLを用いることで、モデルに基づく位置測位ではなく、データに基づく位置測位の実現可能性を探る。
本課題では、複数のWi-Fiアクセスポイント(AP: Access Point)からの受信信号を観測することにより得られるRSSI値とGPSから得られた位置情報を用いてAI/MLの学習を行う。その後、GPS情報が得られない位置において、RSSI情報のみによるAI/ML技術を活用することにより高精度な2次元位置推定を行うことを目的とする。
○ 電波観測には市販のAndroid端末で実行できるアプリケーションが利用可能(Raspberry PiにGPSを備えるなどで自作した機器、SSIDを分離してRSSIを求められる測定器などで観測しても構わない) ○ 各チームが以下の要件を満たす「トレーニング用データセット・検証用データセット」を用意 ○ 要件 ■ 観測エリア:50m×50m四方の建物外の場所 ■ 観測する高さ:1~1.5m程度 ■ AP数:3台~10台(設置位置は建物内外どちらでも可能) ■ AP位置:AP設置位置のわかるものを使うこと ■ データセット数:訓練用5000以上、検証用5000以上 ■ 訓練用データセット、検証用データセットは時間連続したものを各々最低2セット準備(訓練用2セット以上、検証用2セット以上) ■ 訓練用データセット、検証用データセット共になるべくエリア全体をカバーするようにデータを取得すること。 ■ 直接位置を求める機器(GPSなど)を用いなければ、地図情報などの外部情報の利用は可能 ■ 測定は自らの管理する場所で他人に迷惑をかけない範囲で行うこと(大学敷地内など) ■ コロナウィルス感染症対策を行って活動すること ○ データセットフォーマット(以下の「データセット例」からサンプルをダウンロード可能) ■ 時刻情報(UNIX時刻に統一すること) ■ 位置情報(GPS情報:緯度情報、経度情報) ■ APのID(001からの連番で匿名化すること) ■ APの位置情報(緯度情報、経度情報、RSSI観測エリアとの相対高度、建物内外の違いも明記) ■ 使用周波数チャネル情報(WiFi規格のチャネル番号で記述) ■ RSSI値(dBmとすること) ■ GPS精度検証を可能とする情報(取得衛星数など、本項目はオプションで必須とはしない)
1. 自チームが用意した「トレーニング用データ・検証用データ」組を用いてAI/ML構成・アルゴリズム・パラメータのチューニング、提出物一式を10月15日までに提出 2. 運営者が提供する他チームが用意した「トレーニング用データ・検証用データ」組を用いての交叉検証を実施、提出物一式を10月中旬(後日正式な日程は提示します)までに提出(チーム数が多い場合は運営側で評価に用いるデータセットを指定する場合があり) 3. チーム間の交差検証により得られた平均位置誤差、最大誤差を指標にして評価、上位3チームがワークショップで最終対決
○ データセット(csv形式) ○ ソースコード ■ 使用する開発環境は検証のために、オープンソースが望ましい ■ 提出されたソースコードが検証不可能な場合は、表彰権を失う可能性があります ■ ソースコードの著作権は著者本人に帰属します ○ 推定結果 ○ レポート(etc:ppt, docx, pdf) 次の通りに提出してください。 1.すべてのデータを1つのフォルダに収め、そのフォルダをZip形式で圧縮する。 2.圧縮ファイルの名前は「大学名_代表者名.zip」とする。 3.指定されたURLに、圧縮ファイルをアップロードする。 (URLは代表者のメールに通知します。) 4.アップロード完了後に、下記アドレスにアップロート完了の連絡をする。 メールの件名に [ITU-JP-Theme3] を記載してください。
もし、ITU AI/ML in 5Gチャレンジのグローバルラウンドへ参加するためには、ITUのウェブサイトにある登録用紙の入力が必須となります。 もし、日本ラウンドのみへの参加あるいはITUウェブサイトへの登録期限が過ぎている場合には、日本ラウンドの登録用紙の入力が必須となります。日本ラウンドの登録は8月1日から始まります。 本チャレンジへの参加には、以下のルールを遵守してください。
- 各テーマからグローバルラウンド登録をした上位3チームがITU AI/MLの5Gチャレンジのグローバルラウンドに進出します。ここで、この戦略下において提案されたすべてのチャレンジの中から上位3つの解決法を表彰する予定です。 (ITUドキュメントの参加ガイドラインに詳細があります。) -日本ラウンド登録を含む各テーマの上位複数のチームをKDDI、NEC、RISINGより表彰致します。 -受賞チームは本ウェブサイトで紹介し、表彰状が贈呈されます。
中尾 彰宏(実行委員長)
東京大学
藤井 威生
電気通信大学
前田 洋一
TTC
大谷 朋広
KDDI総合研究所
下西 英之
NEC
橘 拓至
福井大学
塚本 和也
九州工業大学
安達 宏一
電気通信大学
安在 大祐
名古屋工業大学
林 和則
京都大学
廣田 悠介
情報通信研究機構
亀田 卓
東北大学
川島 龍太
名古屋工業大学
木村 達明
大阪大学
木下 和彦
徳島大学
成末 義哲
東京大学
野林 大起
九州工業大学
笹部 昌弘
奈良先端科学技術大学院大学
新熊 亮一
京都大学
篠原 悠介
NEC
田久 修
信州大学
樽谷 優弥
岡山大学
梅原 大祐
京都工芸繊維大学
山本 寛
立命館大学
山本 高至
京都大学
山下 真司
富士通研究所