自律型ネットワークの台頭: GraphML が通信事業者の運用手法を再定義する方法

※この投稿は米国時間 2026 年 3 月 5 日に、Google Cloud blog に投稿されたものの抄訳です。

現代の通信は複雑さが爆発的に増大しています。通信サービス プロバイダ（CSP）は、静的で孤立したネットワークを管理するのではなく、5G 無線アクセス、伝送ファイバー、エッジ コンピューティング、集中型クラウドコアにまたがる大規模な多層エコシステムをオーケストレートしています。

この複雑さを管理するために、CSP は自律型ネットワークを構築しています。自律型ネットワークとは、AI、ML、クローズドループの自動化を使用して、人による介入を最小限に抑えながら、自己構成、自己最適化、自己修復、自己保護を行う自己管理型の通信ネットワークです。Google Cloud の自律型ネットワーク フレームワークに照らした場合、自律型ネットワークの重要な構成要素は、忠実度の高いリアルタイムのデジタル ツインと言えます。ネットワーク デジタルツイン上でグラフ ニューラル ネットワーク（GNN）などの高度なグラフ ML（GraphML）を使用し、ライブ ネットワーク上の潜在的な問題を分析、予測し、事前に修復できます。

このアプローチは Google では新しいものではありません。これは、Google が地球規模のネットワークを管理し、Waymo の自動運転車テクノロジーのような複雑なシステムを運用するために使用しているアーキテクチャの哲学と同じです。GraphML は、周囲の世界のジオメトリと、その中のオブジェクトの関係を理解することで、安全な自律的決定を可能にします。現在、Google は GraphML ベースの AIOps ソリューション プロバイダである NetAI との戦略的コラボレーションを通じて、この関係認識インテリジェンスを通信業界にもたらしています。Mobile World Congress（MWC）2026 では、スペインの通信プロバイダである MasOrange が、フルマネージドの AIOps を推進する方法としてこのコンセプトを探求するための概念実証を紹介しています。

デジタルツインの基盤: ネットワークのモデリング

自律型ネットワークを構築する最初のステップは、静的なインベントリから動的なデジタルツインに移行することです。

従来の運用モデルは、断片化されたデータレイクに依存しており、トポロジは多くの場合、単なるテーブルにすぎません。Google のフレームワークでは、Spanner Graph を使用してネットワークの動的なデジタルツインを構築し、ライブ ネットワークの関係とトポロジを明示的にモデル化します。このデジタルツインは、数十億もの依存関係を捉えます。たとえば、特定の光トランスポンダーが特定の IP インターフェースに対応する方法、さらにはその IP インターフェースが顧客の 5G スライスに対抗する方法を正確にマッピングします。

このグラフ構造は可視化のためだけのものではなく、高度な GNN ベースの AI モデルの入力としてトポロジ コンテキストを提供します。

GNN と従来の ML

長年にわたり、業界では従来の ML をネットワーク運用に適用してきましたが、その結果はまちまちでした。GNN が自律型ネットワークに最適な選択肢である理由を理解するために、従来のメソッドと比較して GNN がデータをどのように処理するかを見てみましょう。

ランダム フォレストや基本的なディープ ラーニングなどの標準的な ML アルゴリズムは、一般的にネットワーク データを簡略化されたフラットなベクトルまたは切断された時系列シーケンスとして解釈します。この視点から、次のようなモデルが作成されます。

• トポロジを考慮しない: 標準モデルは、ネットワーク トポロジを本質的に理解していません。ルーター A がスイッチ B に物理的に接続されていることを「認識」していないため、ネットワーク障害の最も重要な特徴の一つである伝播を見逃してしまいます。

• 症状ベース: 従来の ML モデルは、指標の急上昇を検出すること（異常検出）に優れていますが、その理由を理解することは苦手です。

• 因果関係ではなく相関関係を検出する: これらのモデルは統計的相関関係に依存しています。CPU 使用率がパケットロスと同時に急上昇した場合、両者には関連性があると仮定します。しかし、複雑なネットワークでは、相関関係は偶然であるか、遠く離れた障害の下流の症状であることがよくあります。

GNN は構造を認識するため、根本的に異なります。そのため、次のことが可能になります。

• ネイティブなトポロジ処理: GNN はネットワーク グラフを直接取り込みます。ノード上のデータを見るだけでなく、ノード間の接続を処理します。

• 決定論的推論: GNN は、統計に基づいて推測するのではなく、メッセージの受け渡しを使用します。ファイバーの切断が発生すると、モデルはデジタルツイン内の既知の物理パスに沿って「障害信号」を数学的に伝播させ、どの上位レイヤサービスが失敗するかを正確に予測します。

• 正確な異常検出: GNN は近隣ノード間の関係を理解することで、ローカルな異常（1 つのルーターの障害）と構造的な異常（サブグラフの障害）を区別し、偽陽性を大幅に削減できます。

Google の自律型ネットワーク スタック上の NetAI GNN

技術スタック: Google tf-GNN と NetAI

MasOrange の概念実証は、Google のインフラストラクチャと NetAI のドメイン専門知識を組み合わせた統合スタックである GraphML を調査したものです。

1. Google tf-GNN ライブラリ: Google が開発し、オープンソース化した TensorFlow GNN（tf-GNN） は、大規模な GNN を構築するために設計された、本番環境でテスト済みのライブラリです。これは、Google が自社プロダクトの複雑なグラフ構造を分析するために使用しているものと同じクラスのモデリングであり、開発者はグラフデータを簡単に操作して大規模な GNN モデルを構築できます。

2. NetAI のファインチューニング: NetAI は、これらの基本的な tf-GNN モデルを調査し、Google とのコラボレーションにより、通信のユースケースに大幅に特化した高度な GNN モデルを開発しました。たとえば、ファインチューニングされたモデルは、BGP セッションのフラップ、光信号の劣化、輻輳によるレイテンシの区別など、特定の通信事業者の動作を理解します。

3. マネージド AIOps: NetAI は、自動化されたネットワーク検出とグラフ構築から最終的な根本原因分析まで、エンドツーエンドのライフサイクルを処理するフルマネージド プラットフォームにこれらのモデルをラップします。

エグゼクティブの視点

「事業を拡大するにつれて、数百万もの相互接続されたコンポーネント全体で根本原因を特定できる機能は、もはやオプションではなくなりました。この GraphML を活用したアプローチで Google Cloud と NetAI と提携することで、オブザーバビリティを、サービス信頼性を確保するための先回り型の仕組みに変換し、探求できるようになります。」- MasOrange、オブザーバビリティおよび自動化担当責任者、Roberto González Librán 氏

「当社の自律型ネットワーク フレームワークは、現代の通信事業者の膨大なデータ需要に対応するように設計されています。GraphML の機能を NetAI などのパートナーと統合することで、真に自律的で自己修復型のネットワークを運用するために必要な決定論的推論を CSP に提供しています。」- Google Cloud、ネットワーキング担当バイス プレジデント兼ゼネラル マネージャー、Muninder Sambi

もっと詳しくお知りになりたい場合

自律型ネットワークへの移行には、より優れたモニタリングだけでなく、インフラストラクチャのモデリングと推論の方法の根本的な変革が必要です。

ぜひ GraphML を試してみてください。GNN を活用したデジタルツインがネットワーク運用をどのように変革できるかについては、Google Cloud アカウント チームまたは NetAI までお問い合わせください。

- Google Cloud 通信エンジニアリング チーム

- NetAI