JP2011166602A - 故障検出装置 - Google Patents

Abstract

【課題】トラヒック情報が時間的に大きく変動する場合に、ネットワーク装置の故障の検出精度を向上させることが可能な故障検出装置を提供する。
【解決手段】本発明の故障検出装置５０は、ネットワーク装置を利用して通信する際に発生するトラヒック情報のうち、統計線形関係にある２つのトラヒック情報、又は、変換関数による変換情報が統計線形関係となる２つのトラヒック情報を取得するトラヒック情報取得部５１と、前記統計線形関係を示す統計線形関係式の誤差を算出する誤差算出部５３と、前記誤差算出部によって算出された前記誤差に基づいて、前記ネットワーク装置の故障を検出する故障検出部５５と、を有する。
【選択図】図２

Description

本発明は、ネットワーク装置の故障を検出する故障検出装置に関する。

有線ネットワークや無線ネットワーク等の様々な通信ネットワークに属するネットワーク装置においては、自装置内部やネットワーク内の他のネットワーク装置の故障を検出する監視機能を有するものが知られている。このネットワーク装置は、ポーリング等の監視機能によって自装置や他のネットワーク装置の故障を早期に検出して、検出した故障を早期に修復することにより、サービス品質の低下を防止している。

ところで、ネットワーク装置の故障には、ハードウェアの不具合以外にもソフトウェアやファームウェア上のバグにより一部の処理に不具合を及ぼすものも含まれる。この場合、上記したような監視機能では、ハードウェアの故障を検出できるものの、ソフトウェア等による故障の検出が困難な場合があった。具体的には、故障検出対象のネットワーク装置において、ソフトウェア上のバグによりトラヒック処理だけに不具合が生じる場合には、ポーリング等の監視機能に対して正常に反応するために、故障を検出することが困難となっていた。

従来、このような故障を含め、様々な方法で故障を検出する故障検出装置が検討されている。

例えば、発着呼数、呼接続処理の成功呼数や成功率等に対して閾値を定めて故障を検出するもの（特許文献１および特許文献２）、フレーム誤り率を利用して故障を検出するもの（特許文献３）、一定期間だけトラヒックの受付がない装置を故障とするもの（特許文献４）等が検討されている。

また、無線通信システムにおいては、端末装置が受信する電界強度を利用して故障を検出する故障検出装置も検討されている。例えば、送信電力制御に利用する情報を元に故障を検出するもの（特許文献５）、エリア内の電界強度の状況変化に基づいて故障を検出するもの（特許文献６）、複数エリアからの電界強度をデータベース化して故障を検出するもの（特許文献７）等が検討されている。

さらに、ネットワーク装置内に端末装置を配備して定期的に検出処理を行う方法も検討されている（特許文献８）。

特開２００８−２２７６１８号公報 特開２０００−２５３１４８号公報 特開平０８−２７４７０９号公報 特開平０７−０４６６５８号公報 特開２００８−０４８１６０号公報 特開平１１−１６３７８４号公報 特開平１１−１４６４４３号公報 特開平０５−１０３３６８号公報

しかしながら、上記従来技術にかかる故障検出方法は、以下に示すような問題点があった。

具体的には、特許文献５〜７のように、電界強度に基づく故障検出方法では、電界強度に影響しない故障の検出が困難である。また、特許文献８のように、ネットワーク装置の近くに検出処理のための端末装置を配備することは、配置条件等により設置が困難である場合があり、全てのネットワーク装置に端末装置を設置できない。

また、特許文献１〜４のように、成功呼数などのトラヒック情報に基づく故障検出方法では、当該トラヒックが時間帯やネットワーク装置の運用構成等に応じて大きく変動するため、ネットワーク装置の故障を適切に検出できない場合がある。特に、無線ネットワークのように、無線環境に応じてトラヒック情報が時間的に大きく変動する場合、ネットワーク装置の故障の検出精度が低下してしまうという問題点があった。

本発明は、かかる点に鑑みてなされたものであり、トラヒック情報が時間的に大きく変動する場合に、ネットワーク装置の故障の検出精度を向上させることが可能な故障検出装置を提供することを目的とする。

本発明の故障検出装置は、ネットワーク装置の故障を検出する故障検出装置であって、前記ネットワーク装置を利用して通信する際に発生するトラヒック情報のうち、統計線形関係にある２つのトラヒック情報、又は、変換関数による変換情報が統計線形関係となる２つのトラヒック情報を取得するトラヒック情報取得部と、前記統計線形関係を示す統計線形関係式の誤差を算出する誤差算出部と、前記誤差算出部によって算出された前記誤差に基づいて、前記ネットワーク装置の故障を検出する故障検出部と、を備えることを特徴とする。

この構成によれば、トラヒック情報又はトラヒック変換情報の統計線形関係を示す統計線形関係式の誤差に基づいて、ネットワーク装置の故障を検出することにより、トラヒックが時間的に大きく変動する場合であっても、ネットワーク装置の故障の検出精度を向上させることができる。

本発明によれば、トラヒック情報が時間的に大きく変動する場合に、ネットワーク装置の故障の検出精度を向上させることが可能な故障検出装置を提供できる。

本発明の第１の実施形態に係る無線通信システムの概略構成図である。 本発明の第１の実施形態に係る故障検出装置の機能構成図である。 本発明の第１の実施形態に係る故障検出装置の動作を示すフローチャートである。 本発明の第２の実施形態に係るトラヒック情報の周期定常性を説明するための図である。 本発明の第２の実施形態に係る故障検出装置の動作を示すフローチャートである。

以下、本発明の実施形態について説明する。なお、以下の実施形態においては、本発明に係る故障検出装置を、無線端末装置と無線基地局との間の無線区間を含む無線通信システムに配置した例について説明するが、この構成に限定されるものではない。故障検出装置を配置可能な通信システムであればよく、例えば、パーソナルコンピュータや固定電話などの固定端末装置が接続されるインターネットや公衆電話網（ＰＳＴＮ：Public Switched Telephone Network）等のように、無線区間を含まない有線通信システムに故障検出装置を配置する構成としてもよい。

［第１の実施形態］
＜無線通信システムの全体概略構成＞
図１は、第１の実施形態に係る無線通信システムの構成図である。図１に示すように、無線通信システムは、携帯電話端末などの無線端末装置１０、無線端末装置１０が無線接続する無線基地局装置２０、ルータ装置やスイッチ装置などの中継装置３０、無線基地局装置２０及び中継装置３０を介して無線端末装置１０と通信を行うサーバ装置４０、故障検出装置５０とから構成されている。

故障検出装置５０は、無線通信システム内の各ネットワーク装置、すなわち、無線基地局装置２０、中継装置３０、サーバ装置４０、無線基地局装置２０と中継装置３０との間に配置される不図示の無線制御装置（ＲＮＣ：Radio Network Controller）等のトラヒック情報を監視し、当該トラヒック情報に基づいて、各ネットワーク装置における故障を検出する。

なお、故障検出装置５０は、上記各ネットワーク装置の外部装置として接続される構成としたが、各ネットワーク装置の一部として内部に設けられていてもよい。また、故障検出装置５０は、各ネットワーク装置（すなわち、無線基地局装置２０、中継装置３０、サーバ装置４０、不図示の無線制御装置など）の故障を全て検出する構成としてもよいし、いずれかのネットワーク装置のみの故障を検出する構成としてもよい。

また、故障検出装置５０は、無線通信システム内の各ネットワーク装置からトラヒック情報を自ら取得するように構成される例を説明するが、この構成に限定されるものではない。例えば、無線通信システム内に各ネットワーク装置のトラヒック情報を収集するトラヒック情報収集装置（不図示）を別途設け、故障検出装置５０は、トラヒック情報収集装置で収集されたトラヒック情報を取得するように構成されてもよい。

＜故障検出原理＞
次に、第１の実施形態に係る故障検出原理について説明する。第１の実施形態に係る故障検出装置５０においては、故障検出対象となるネットワーク装置を利用して通信する際に発生するトラヒック情報のうち、統計線形関係にある２つのトラヒック情報ｘ，ｙ、又は、変換関数ｆ，ｇによるトラヒック変換情報ｆ（ｘ）、ｇ（ｙ）が統計線形関係となる２つのトラヒック情報ｘ，ｙを用いて、ネットワーク装置の故障が検出される。

ここで、統計線形関係にある２つのトラヒック情報ｘ，ｙとは、式（１）の関係にあるトラヒック情報ｘ，ｙである。

また、トラヒック変換情報ｆ（ｘ），ｇ（ｙ）とは、変換関数ｆ，ｇを用いてトラヒック情報ｘ，ｙを変換したものである。トラヒック変換情報ｆ（ｘ）、ｇ（ｙ）が統計線形関係となる２つのトラヒック情報ｘ，ｙとは、式（２）の関係にあるトラヒック情報ｘ，ｙである。

式（１）（２）において、ａは線形関係式の傾き、ｂは定数、ｅは誤差を示す。傾きａ及び定数ｂは、短い時間区間においては、値が変動しないとみなすことができる程度にしか変動しないが、長い時間区間では、時間とともに変動する。また、誤差ｅも、時間とともに変動する。このように、トラヒック情報ｘ，ｙの時間変動に追従して傾きａ、定数ｂ、誤差ｅが変動する線形関係を統計線形関係といい、式（１）（２）のように統計線形関係を示す線形式を統計線形関係式という。また、誤差ｅとは、傾きａを有する線形関係式に対する統計線形関係式の誤差を示すものであり、故障の検出に用いる。

式（１）（２）に示すような統計線形関係式を満たすトラヒック情報ｘ，ｙとしては、例えば、故障検出対象となるネットワーク装置が受け付けた呼の数である受付呼数と、受付呼数のうち成功した呼の数である成功呼数とが用いられる。故障検出対象となるネットワーク装置の正常動作時には、受付呼数と成功呼数との関係は、通常、当該受付呼数と当該成功呼数との間にある標準偏差の誤差が加算された線形関係となる。このため、ネットワーク装置の正常動作時において、トラヒック情報ｘ，ｙとして受付呼数と成功呼数とを用いる場合、式（１）（２）に示す統計線形関係式の誤差ｅの算出値は正常範囲内に収まる。一方、ネットワーク装置の故障時においては、受付呼数と成功呼数との差が拡大し、式（１）（２）に示す誤差ｅの算出値が正常範囲外となる。したがって、誤差ｅの算出値が正常範囲外となった場合に、ネットワーク装置内部で潜在的な故障が発生し、当該ネットワーク装置がトラヒック処理を正常に行うことができない状態であると判断でき、ネットワーク装置の故障を検出することができる。

なお、トラヒック情報ｘ，ｙとしては、単位時間当たりの受付呼数と成功呼数が用いられてもよい。ここで、単位時間は、１秒でも１分でも１時間でもかまわない。ただし、単位時間を長くすればするほど追従誤差が大きくなってしまうため、できるだけ時間単位を短くすることが好ましい。

また、トラヒック情報ｘ，ｙとしては、故障検出対象となるネットワーク装置全体の受付呼数と成功呼数とが用いられても、当該ネットワーク装置に含まれる装置毎の受付呼数と成功呼数とが用いられてもよい。ここで、ネットワーク装置に含まれる装置とは、例えば、スイッチ装置に含まれる複数のネットワークインタフェースポートであり、トラヒック情報ｘ，ｙとして、スイッチ装置全体の受付呼数と成功呼数が用いられてもよいし、スイッチ装置に含まれるネットワークインタフェースポート毎の受付呼数や成功呼数が用いられてもよい。

また、故障検出装置５０では、トラヒック情報ｘ，ｙの種別は、朝、昼、夜などの時間帯や、輻輳状態、通常状態、低トラヒック状態などのトラヒック状態に応じて変更されてもよい。例えば、トラヒック情報ｘ，ｙとして、通常のトラヒック状態では、受付呼数と成功呼数が用いられ、輻輳状態では、受付呼数と失敗呼数とが用いられてもよい。

なお、故障検出装置５０では、各ネットワーク装置における故障検出のために、式（１）又は式（２）において誤差ｅの分散が最小となるトラヒック情報ｘ，ｙが用いられることが好ましい。

以上のように、故障検出装置５０は、ネットワーク装置の故障を検出するために、式（１）（２）に示す統計線形関係式の誤差ｅを算出する。以下では、式（１）（２）における誤差ｅの算出方法について具体的に説明する。

（１）トラヒック情報ｘ，ｙの時間変動を想定しない場合の誤差ｅの算出方法
第１に、トラヒック情報ｘ，ｙの時間変動を想定しない場合の誤差ｅの算出方法を説明する。すなわち、トラヒック情報ｘ，ｙ、トラヒック変換情報ｆ（ｘ），ｇ（ｙ）が固定値であるものと仮定して、誤差ｅの算出方法を説明する。なお、以下では、上述の式（２）における誤差ｅの算出例を説明するが、後述するように、以下の算出方法を式（１）に適用することも可能である。

式（２）に基づいて、誤差ｅは、式（３）により与えられる。

ここで、式（４）のようにトラヒック変換情報ｆ（ｘ）の２乗平均（分散）を定義し、式（５）のようにトラヒック変換情報ｇ（ｙ）の２乗平均（分散）を定義し、式（６）のようにトラヒック変換情報ｆ（ｘ）及びｇ（ｙ）の共分散を定義する。

すると、式（４）〜（６）により、式（７）のように誤差ｅの２乗平均（分散）を算出することができる。

式（７）を変形すると、誤差ｅの２乗平均（分散）を最小化する傾きａが、式（８）により与えられる。

この結果、トラヒック変換情報ｇ（ｙ）の推定値ｇ（ｙ）_ｅｓｔが、式（９）により与えられる。

以上から、式（８）により与えられた傾きａを有する線形関係式に対する誤差ｅが、式（１０）により与えられる。

以上のように、式（２）において、トラヒック情報ｘ，ｙ及びトラヒック変換情報ｆ（ｘ），ｇ（ｙ）が固定であるものと仮定して誤差ｅを算出したが、上記算出方法は、式（１）に適用することも可能である。上記算出方法を式（１）に適用する場合、誤差ｅの２乗平均（分散）を最小化する傾きａが、式（１１）により与えられる。また、式（１１）により与えられた傾きａを有する線形関係式との誤差ｅが、式（１２）により与えられる。

（２）トラヒック情報ｘ，ｙ、の時間変動を想定する場合の誤差ｅ（Ｔ）の算出方法
次に、上述の誤差ｅの算出方法を応用して、トラヒック情報ｘ，ｙの時間変動を想定する場合の誤差ｅ（Ｔ）の算出方法を説明する。故障検出装置５０においては、トラヒック情報ｘ，ｙの時間変動に追従した誤差ｅ（Ｔ）を算出するために必要となる統計情報が学習される。

ここで、トラヒック情報ｘ，ｙの時間変動に追従した誤差ｅ（Ｔ）を算出するために後述する式（１３）に基づきトラヒック情報ｘ，ｙの統計情報を学習する必要がある。統計情報とは、式（１５）で学習されるトラヒック情報ｘの２乗平均（分散）の統計情報や、式（１６）で学習されるトラヒック情報ｘ，ｙの共分散の統計情報、式（１７）で学習されるトラヒック情報ｘの期待値の統計情報、式（１８）で学習されるトラヒック情報ｙの期待値の統計情報である。

なお、上述のような統計情報の学習方法としては、指数重み付けが用いられるが、指数重み付け以外の方法（例えば、Ｈｏｌｔ−Ｗｉｎｔｅｒｓ法、カルマンフィルタ等）が用いられてもよい。

例えば、トラヒック情報ｘ，ｙの統計情報が指数重み付けを用いて学習される場合、式（１３）に示すように、時刻ｉで収集されたトラヒック情報ｘ，ｙにより、時刻ｉ−１で算出されたトラヒック情報ｘ，ｙの統計情報を更新することによって、トラヒック情報の統計情報が、時間変動に追従するように学習される。

式（１３）において、ｔ（ｉ）は、時刻ｉ（ｉ＞０）におけるトラヒック情報ｘ，ｙを示し、α（ｉ）は、時刻ｉにおけるトラヒック情報ｘ，ｙの統計情報を示し、時刻ｉ−１のトラヒック情報ｘ，ｙの統計情報α（ｉ−１）と時刻ｉにおけるトラヒック情報ｘ，ｙ（ここでは、ｔ（ｉ））とに基づいて算出される。また、λは、忘却係数であり、１以下の定数である。時刻ｉにおけるトラヒック情報ｘ，ｙの統計情報α（ｉ）は、忘却係数λの値が小さくなるに従い、直近のトラヒック情報ｔ（ｉ）に依存する。α（０）は、トラヒック情報ｘ，ｙの統計情報の初期値であり、予め定められた定数である。例えば、α（０）は、隣接するネットワーク上で流れるトラヒック情報ｘ，ｙの統計情報が設定されてもよい。

ところで、上述の式（１２）においてトラヒック情報ｘ，ｙの時間変動を想定すると、誤差ｅ（Ｔ）は、式（１４）により与えられる。

ここで、傾きa（Ｔ−１）が次式により与えられる。

ここで、上述の指数重み付けを用いて、式（１５）のように時刻Ｔにおけるトラヒック情報ｘの２乗平均（分散）を定義し、式（１６）のように時刻Ｔにおけるトラヒック情報ｘ，ｙの共分散の統計情報を定義し、式（１７）のように時刻Ｔにおけるトラヒック情報ｘの期待値の統計情報を定義し、式（１８）のように時刻Ｔにおけるトラヒック情報ｙの期待値の統計情報を定義する。

式（１５）〜（１８）により学習された統計情報に基づいて、式（１４）により時刻Ｔにおける誤差ｅ（Ｔ）が与えられ、式（１９）により誤差ｅ（Ｔ）が正常範囲−δ₋及び＋δ_＋以内にあるか否かによって、ネットワーク装置における故障が検出される。

なお、式（１９）の正常範囲の閾値δ₋及びδ_＋は、予め定められた正の値である。また、式（１５）〜（１９）において、一刻前の時刻Ｔ−１の統計情報が用いられなくともよい。トラヒック状態がほぼ定常と見なすことができる範囲であれば、一刻前以上の時刻（例えば、時刻Ｔ−２など）の統計情報を利用してもよい。

また、式（１９）の時刻Ｔにおける誤差ｅ（Ｔ）は、時刻Ｔにおける誤差ｅ（Ｔ）を何らかの関数に基づいて変更したものであってもよい。例えば、時刻Ｔにおける誤差ｅ（Ｔ）は、時刻Ｔにおける誤差ｅ（Ｔ）の２乗平均偏差、或いは、時刻Ｔにおける誤差ｅ（Ｔ）そのものを時刻Ｔにおける誤差ｅ（Ｔ−１）の標準偏差で正規化したもの、或いは、例えば、トラヒック情報の統計情報によって時刻Ｔにおける誤差ｅ（Ｔ）の標準偏差を正規化したものに変更されてもよい。

例えば、時刻Ｔにおける誤差ｅ（Ｔ）そのものの代わりに、時刻Ｔにおける誤差ｅ（Ｔ）を時刻Ｔ−１における誤差ｅ（Ｔ−１）の標準偏差で正規化したものを用いる場合、式（１９）を式（２０）のように変更できる。

ここで、時刻Ｔにおける誤差ｅ（Ｔ）は、式（１４）により与えられる。なお，式（２１）のように時刻Ｔにおける誤差ｅ（Ｔ）の分散（２乗平均）を学習する。

時刻Ｔにおける誤差ｅ（Ｔ）が、正規分布又はそれに近い分布形状を有する場合、δ₋，δ_＋∈［２，３］から、適切な値に設定することが望まれる。ただし、閾値δ₋，δ_＋が、等しい値に設定される必要はない。また、閾値δ₋，δ_＋は、朝、昼、夜などの時間帯や、輻輳状態、通常状態、低トラヒック状態などのトラヒック状態に応じて変更されてもよい。

なお、式（１５）〜式（１８）及び式（２１）で用いられる忘却係数λは、各式で算出される統計情報に応じて変更されてもよい。また、忘却係数λは、故障検出装置５０の性能等によって変更されてもよい。また、式（１５）〜式（１８）及び式（２１）の初期値（すなわち、時刻Ｔ＝０の場合の値）は、上述の０以外の数値であってもよく、例えば、故障検出対象となるネットワーク装置に隣接する同時刻の数値であってもよい。

以上のように、式（１２）においてトラヒック情報ｘ，ｙの時間変動に追従した誤差ｅ（Ｔ）を算出する方法を説明したが、上述の算出方法を式（１０）に適用することによりトラヒック変換情報ｆ（ｘ）、ｇ（ｙ）の時間変動に追従した誤差ｅ（Ｔ）を算出することも可能である。

このように、本発明の故障検出原理では、トラヒック情報ｘ，ｙ又はトラヒック変換情報ｆ（ｘ），ｇ（ｙ）の時間変動に追従した誤差ｅ（Ｔ）が正常範囲内にあるか否かによって故障を検出するので、ネットワーク装置の故障の検出精度を向上させることができる。

＜故障検出装置の構成＞
次に、以上のような故障検出原理により故障を検出する故障検出装置の構成を具体的に説明する。故障検出装置は、物理的には、アンテナ、変復調器、ＣＰＵ、メモリなどを備えた装置である。図２は、第１の実施形態に係る故障検出装置の機能構成図である。

図２に示すように、故障検出装置５０は、トラヒック情報取得部５１、トラヒック情報記憶部５２、誤差算出部５３、統計情報記憶部５４、故障検出部５５、検出条件記憶部５６、通知部５７を具備する。

トラヒック情報取得部５１は、故障検出対象となるネットワーク装置を利用して通信する際に発生するトラヒック情報のうち、統計線形関係にある２つのトラヒック情報ｘ，ｙ、又は、トラヒック変換情報ｆ（ｘ）、ｇ（ｙ）が統計線形関係となる２つのトラヒック情報ｘ，ｙを取得する。具体的には、トラヒック情報取得部５１は、上述の式（１）又は式（２）を満たすトラヒック情報ｘ，ｙを定期的に取得する。

トラヒック情報記憶部５２は、トラヒック情報取得部５１によって取得されたトラヒック情報ｘ，ｙを記憶する。

誤差算出部５３は、トラヒック情報ｘ，ｙ、又は、トラヒック変換情報ｆ（ｘ），ｇ（ｆ）が満たす統計線形関係を示す統計線形関係式の誤差ｅを算出する。具体的には、誤差算出部５３は、式（８）に示すように統計線形関係式の傾きａを算出し、算出した傾きａを有する線形関係式からの誤差ｅを算出する。なお、誤差算出部５３は、統計線形関係式の傾きａとして、式（８）に示すように、誤差ｅの２乗平均（分散）を最小化する傾きを算出する。

また、誤差算出部５３は、トラヒック情報ｘ，ｙ、又は、トラヒック変換情報ｆ（ｘ），ｇ（ｆ）が満たす統計線形関係を示す統計線形関係式の誤差ｅ（Ｔ）を算出してもよい。具体的には、誤差算出部５３は、後述する統計情報記憶部５４に記憶された一刻前の統計情報と、トラヒック情報取得部５１によって新たに取得されたトラヒック情報とを用いて、トラヒック情報ｘ，ｙの時間変動に追従した誤差ｅ（Ｔ）を算出するために必要となる統計情報（式（１３）、式（１５）〜（１８））を学習する。誤差算出部５３は、学習した統計情報を用いて統計線形関係式の傾きａ（Ｔ）を算出し、算出した傾きａ（Ｔ）を有する線形関係式からの誤差ｅを算出する。

統計情報記憶部５４は、誤差算出部５３によって学習された統計情報を記憶する。具体的には、誤差算出部５３は、式（１３）を用いて学習されたトラヒック情報ｘ，ｙの統計情報、式（１５）を用いて学習されたトラヒック情報ｘの２乗平均の統計情報、式（１６）を用いて学習されたトラヒック情報ｘ，ｙの共分散の統計情報、式（１７）を用いて学習されたトラヒック情報ｘの期待値の統計情報、式（１８）を用いて学習されたトラヒック情報ｙの期待値の統計情報を記憶する。

故障検出部５５は、誤差算出部５３によって算出された誤差ｅに基づいてネットワーク装置の故障を検出する。具体的には、故障検出部５５は、式（１９）に示すように、誤差算出部５３によって算出された誤差ｅ（Ｔ）の値が、検出条件記憶部５６に記憶された正常範囲（−δ₋及び−δ_＋以内）にあるか否かを判断する。或いは、故障検出部５５は、式（２０）に示すように、誤差算出部５３によって算出された誤差ｅ（Ｔ）を時刻Ｔ−１までの誤差ｅの標準偏差で正規化した値が検出条件記憶部５６に記憶された正常範囲（−δ₋及び−δ_＋以内）にあるか否かを判断してもよい。故障検出部５５は、時刻Ｔまでの誤差ｅの標準偏差、又は、時刻Ｔ−１までの誤差ｅの標準偏差で誤差ｅ（Ｔ）を正規化した値が、正常範囲内でない場合、ネットワーク装置の故障を検出する。

また、故障検出部５５は、ネットワーク装置の故障が検出された場合、統計情報記憶部５４に記憶された統計情報を初期化する。一方、故障検出部５５は、ネットワーク装置の故障が検出されない場合は、統計情報記憶部５４に記憶された統計情報を初期化せずに、誤差算出部５３による統計情報の学習を継続させる。

検出条件記憶部５６は、故障検出部５５が故障を検出するための検出条件を記憶する。具体的には、検出条件記憶部５６は、式（１９）又は式（２０）に示す正常範囲の閾値δ₋，δ_＋の値を記憶する。検出条件記憶部５６は、朝、昼、夜などの時間帯や、輻輳状態、通常状態、低トラヒック状態などのトラヒック状態に応じて、異なる閾値δ₋，δ_＋を記憶してもよい。

通知部５７は、故障検出部５５によってネットワーク装置の故障が検出された場合、その旨を故障が検出されたネットワーク装置に通知する。

＜故障検出装置の動作＞
次に、以上のように構成された第１の実施形態に係る故障検出装置の動作について説明する。図３は、第１の実施形態に係る故障検出装置の故障検出動作を示すフローチャートである。なお、図３のステップＳ１０２〜Ｓ１０８は、所定の時間間隔で繰り返されるものとする。

本動作の開始時において、トラヒック情報取得部５１によって取得されるトラヒック情報ｘ，ｙの種別が決定され、統計情報記憶部５４に記憶される統計情報が初期化される（ステップＳ１０１）。具体的には、トラヒック情報ｘ，ｙの種別（例えば、受付呼数と成功呼数）が時間帯やトラヒック状態に応じて決定され、統計情報記憶部５４に記憶される統計情報が、式（１３）、（１５）〜（１８）に示される初期値に従って初期化される。

なお、式（１３）、（１５）〜（１８）では初期値が０に設定されているが、故障検出対象となるネットワーク装置に隣接する隣接ネットワーク装置の統計情報に基づいて初期値が設定されてもよい。ここで、隣接ネットワーク装置とは、故障検出対象となるネットワーク装置と同一の上位ネットワーク装置に属する他のネットワーク装置であり、例えば、故障検出対象となるネットワーク装置を「セクタ」とする場合、隣接ネットワーク装置は同一無線基地局に属する他のセクタである。

トラヒック情報取得部５１は、ステップＳ１０１で決定された種別のトラヒック情報のうち、統計線形関係にある２つのトラヒック情報ｘ，ｙ、又は、トラヒック変換情報ｆ（ｘ）、ｇ（ｙ）が統計線形関係となる２つのトラヒック情報ｘ，ｙを取得する（ステップＳ１０２）。以下では、統計線形関係にある２つのトラヒック情報ｘ，ｙが取得された場合を説明するが、本動作は、トラヒック変換情報ｆ（ｘ）、ｇ（ｙ）が統計線形関係となる２つのトラヒック情報ｘ，ｙが取得された場合にも適用可能である。

誤差算出部５３は、トラヒック情報取得部５１によって新たに取得されたトラヒック情報ｘ，ｙと統計情報記憶部５４に記憶された統計情報とに基づいて、トラヒック情報ｘ，ｙの時間変動に追従した誤差ｅ（Ｔ）を算出するために必要となる統計情報を学習し、学習した統計情報を統計情報記憶部５４に記憶させる（ステップＳ１０３）。具体的には、誤差算出部５３は、時刻Ｔにおけるトラヒック情報ｘ（Ｔ），ｙ（Ｔ）と時刻Ｔ−１における統計情報とに基づいて、上述の式（１３）、（１５）〜（１８）を用いて時刻Ｔにおける統計情報を学習する。

誤差算出部５３は、時刻Ｔにおいて、統計情報記憶部５４によって記憶されている時刻Ｔ−１における統計情報に基づいて、時刻Ｔ−１における統計線形関係式の傾きａ（Ｔ−１）を算出する（ステップＳ１０４）。具体的には、誤差算出部５３は、時刻Ｔ−１におけるトラヒック情報ｘ，ｙの共分散の統計情報とトラヒック情報ｘの平均２乗（分散）とに基づいて、時刻Ｔ−１における統計線形関係式の傾きａ（Ｔ−１）を算出する。

誤差算出部５３は、ステップＳ１０４で算出した傾きａ（Ｔ−１）を有する線形関係式に対する統計線形関係式の誤差ｅ（Ｔ）を算出する（ステップＳ１０５）。具体的には、誤差算出部５３は、式（１４）に示すように、時刻Ｔ−１における統計線形関係式の傾きａ（Ｔ−１）に基づいて、時刻Ｔにおける統計線形関係式の誤差ｅ（Ｔ）を算出する。

故障検出部５５は、ステップＳ１０５で算出された誤差ｅ（Ｔ）に基づいてネットワーク装置の故障を検出する（ステップＳ１０６）。具体的には、故障検出部５５は、式（１９）に示すように、時刻Ｔにおける誤差ｅ（Ｔ）の値が正常範囲（−δ₋及び＋δ_＋以内）にあるか否かを判断する。或いは、故障検出部５５は、式（２０）に示すように、時刻Ｔ−１における誤差ｅ（Ｔ−１）の標準偏差σ_ｅ（Ｔ−１）で時刻Ｔにおける誤差ｅ（Ｔ）を正規化した値が正常範囲（−δ₋及び＋δ_＋以内）にあるか否かを判断してもよい。

通知部５７は、故障検出部５５によって故障検出対象のネットワーク装置の故障が検出された場合、当該ネットワーク装置に対してその旨を通知する（ステップＳ１０７）。ネットワーク装置に対して故障の通知が行われると、統計情報記憶部５４に記憶される統計情報が初期化され（ステップＳ１０８）、本動作は、ステップＳ１０２に戻る。

＜作用・効果＞
第１の実施形態に係る無線通信システムによれば、トラヒック情報ｘ，ｙ又はトラヒック変換情報ｆ（ｘ）、ｇ（ｙ）の統計線形関係を示す統計線形関係式の誤差ｅに基づいて、ネットワーク装置の故障を検出することにより、トラヒックが時間的に大きく変動する場合であっても、ネットワーク装置の故障の検出精度を向上させることができる。

第１実施形態に係る無線通信システムによれば、トラヒック情報ｘ，ｙの時間変動に追従した誤差ｅ（Ｔ）を算出するので、当該誤差ｅ（Ｔ）に基づくネットワーク装置の故障の検出精度をより向上させることができる。

［第２の実施形態］
次に、第２の実施形態に係る無線通信システムについて、第１の実施形態との相違点を中心に説明する。第２の実施形態に係る無線通信システムでは、トラヒック情報の周期定常性を利用して統計線形関係式の誤差を算出する点で第１の実施形態と異なる。

＜故障検出原理＞
第２の実施形態に係る故障検出原理について説明する。第２の実施形態に係る故障検出装置５０においては、統計線形関係にある２つのトラヒック情報ｘ，ｙ、又は、変換関数ｆ，ｇによるトラヒック変換情報ｆ（ｘ）、ｇ（ｙ）が統計線形関係となる２つのトラヒック情報ｘ，ｙの周期定常性を用いて、ネットワーク装置の故障が検出される。

図４は、第２の実施形態に係る無線通信システムにおけるトラヒック情報の周期定常性を説明するための図である。図４に示すように、トラヒック情報の変動は、時間方向に周期ｍの周期性を有する。このように、期待値や標準偏差などの統計情報が周期関数となる確率過程は、周期ｍの周期定常確率過程（ｃｙｃｌｏｓｔａｔｉｏｎａｒｙ ｒａｎｄｏｍ ｐｒｏｃｅｓｓ）と呼ばれる。以下では、トラヒック情報が周期定常性を有することを前提として、当該周期定常性を利用した故障検出原理を説明する。

図４に示すように、ある時刻ｔに着目する場合、時刻ｔ，ｔ＋（ｍ−１），ｔ＋２（ｍ−１），…，ｔ＋Ｎ（ｍ−１）におけるトラヒック情報ｘ（ｔ），ｘ（ｔ＋（ｍ−１）），ｘ（ｔ＋２（ｍ−１）），…，ｘ（ｔ＋Ｎ（ｍ−１））は、定常系列となる。このため、一周期前のトラヒック情報間における追従誤差Ａ’，Ｂ’，Ｃ’は、一刻前のトラヒック情報間における追従誤差Ａ，Ｂ，Ｃよりも小さく抑えることができ、この結果、ネットワーク装置における故障の検出精度を向上させることが可能となる。

次に、トラヒック情報ｘ，ｙの周期定常性を利用した場合の誤差ｅ（Ｔ）の算出方法を説明する。トラヒック情報ｘ，ｙの周期定常性を利用する場合、誤差ｅ（Ｔ）は、式（２２）により与えられる。

ここで、傾きａ（Ｔ−ｍ＋１）が次式により与えられる。

ここで、一周期前（すなわち、１周期をｍとする場合、時刻Ｔ−ｍ＋１の統計情報）の統計情報を用いて、式（２３）のように時刻Ｔにおけるトラヒック情報ｘの分散の統計情報を定義し、式（２４）のように時刻Ｔにおけるトラヒック情報ｙの分散の統計情報を定義し、式（２５）のように時刻Ｔにおけるトラヒック情報ｘの期待値の統計情報を定義し、式（２６）のように時刻Ｔにおけるトラヒック情報ｙの期待値の統計情報を定義する。

式（２３）〜（２６）により学習された統計情報に基づいて、式（２７）により時刻Ｔにおける誤差ｅ（Ｔ）が与えられ、誤差ｅ（Ｔ）が正常範囲−δ₋及び＋δ_＋以内にあるか否かによって、ネットワーク装置における故障が検出される。

なお、時刻Ｔにおける誤差ｅ（Ｔ）を一周期前の時刻Ｔ−ｍ＋１における誤差ｅの標準偏差で正規化したものを用いる場合、式（２７）を式（２８）のように変更できる。

ここで、誤差ｅ（Ｔ）の２乗平均（分散）を式（２９）のように学習する。

なお、上述の式（２２）〜（２９）は一例であり、他の式を用いてトラヒック情報ｘ，ｙの周期定常性を利用して誤差ｅ（Ｔ）を算出してもよい。また、周期ｍは、例えば、１日、１週間とすることができるが、これに限られるものではない。また、上述の式（２２）〜（２９）では、一周期前の統計情報を利用しているが、トラヒックがほぼ定常と見なすことができる範囲であれば、一周期前の前後の時刻（例えば、時刻Ｔ−ｍ＋２、時刻Ｔ−ｍなど）の統計情報を利用してもよい。

また、式（２３）（２４）で用いられるβ、式（２５）（２６）で用いられるλ、式（２９）で用いられるγは、いずれも忘却係数である。忘却係数β，λ，γは、故障検出装置５０の性能等によって変更されてもよい。

＜故障検出装置の構成＞
次に、第２の実施形態に係る故障検出装置５０の構成について説明する。故障検出装置５０は、第１実施形態と同様の構成を具備するが、統計情報記憶部５４は、誤差算出部５３が一周期前の統計情報を参照できるように、誤差算出部５３によって学習された一刻前の統計情報だけでなく、学習された統計情報の履歴を記憶する。

＜故障検出装置の動作＞
次に、以上のように構成された第２の実施形態に係る故障検出装置の動作について説明する。図５は、第２の実施形態に係る故障検出装置の故障検出動作を示すフローチャートである。なお、図５のステップＳ２０２〜Ｓ２０８は、所定の時間間隔で繰り返されるものとする。なお、ステップＳ２０１、Ｓ２０２は、図３のステップＳ１０１、Ｓ１０２と同様であるため、説明を省略する。また、図５において、ｍは一周期を示すものとする。

誤差算出部５３は、トラヒック情報取得部５１によって新たに取得されたトラヒック情報ｘ，ｙと統計情報記憶部５４に記憶された一周期前の時刻Ｔ−ｍ＋１における統計情報とに基づいて、トラヒック情報ｘ，ｙの時間変動に追従した誤差ｅ（Ｔ）を算出するために必要となる統計情報を学習し、学習した統計情報を統計情報記憶部５４に記憶させる（ステップＳ２０３）。具体的には、誤差算出部５３は、時刻Ｔにおけるトラヒック情報ｘ（Ｔ），ｙ（Ｔ）と一周期前の時刻Ｔ−ｍ＋１における統計情報とに基づいて、上述の式（２３）〜（２６）を用いて時刻Ｔにおける統計情報を学習する。

誤差算出部５３は、時刻Ｔにおいて、統計情報記憶部５４によって記憶されている一周期前の時刻Ｔ−ｍ＋１における統計情報に基づいて、時刻Ｔ−ｍ＋１における統計線形関係式の傾きａ（Ｔ−ｍ＋１）を算出する（ステップＳ２０４）。具体的には、誤差算出部５３は、時刻Ｔ−ｍ＋１におけるトラヒック情報ｘ，ｙの共分散の統計情報とトラヒック情報ｘの平均２乗（分散）とに基づいて、時刻Ｔ−ｍ＋１における統計線形関係式の傾きａ（Ｔ−ｍ＋１）を算出する。

誤差算出部５３は、ステップＳ２０４で算出した傾きａ（Ｔ−ｍ＋１）を有する線形関係式に対する統計線形関係式の誤差ｅ（Ｔ）を算出する（ステップＳ２０５）。具体的には、誤差算出部５３は、式（２２）に示すように、時刻Ｔ−ｍ＋１における統計線形関係式の傾きａ（Ｔ−ｍ＋１）に基づいて、時刻Ｔにおける統計線形関係式の誤差ｅ（Ｔ）を算出する。

なお、ステップＳ２０６〜Ｓ２０８は、図３のステップＳ１０６〜Ｓ１０８と同様であるため、説明を省略する。

第２の実施形態に係る無線通信システムによれば、トラヒック情報ｘ，ｙの周期定常性を利用して、一周期前に学習された各種統計情報に基づいて誤差ｅ（Ｔ）を算出するので、当該誤差ｅ（Ｔ）に基づくネットワーク装置の故障の検出精度をより向上させることができる。

［その他の実施形態］
本発明は特定のシステムに限定されず、適切な如何なる通信システムに適用されてもよい。例えば、本発明は、ＩＳＤＮ（Integrated Services Digital Network）、ＡＤＳＬ（Asymmetric Digital Subscriber Line）、ＮＧＮ（Next Generation Network）のシステム等に適用されてもよい。また、本発明は移動通信システムである、Ｗ−ＣＤＭＡ（Wideband Code Division Multiple Access）方式のシステム、ＨＳＤＰＡ／ＨＳＵＰＡ（High Speed Downlink Packet Access／High Speed Uplink Packet Access）方式のシステム、ＬＴＥ（Long Term Evolution）方式のシステム、ＬＴＥ−Ａｄｖａｎｃｅｄ方式のシステム、ＩＭＴ−Ａｄｖａｎｃｅｄ（International Mobile Telecommunication-Advanced）方式のシステム、ＷｉＭＡＸ（Worldwide Interoperability for Microwave Access）、Ｗｉ−Ｆｉ方式のシステム等に適用されてもよい。

以上、本発明は特定の実施例を参照しながら説明されてきたが、それらは単なる例示に過ぎず、当業者は様々な変形例、修正例、代替例、置換例等を理解するであろう。発明の理解を促すため具体的な数値例を用いて説明がなされたが、特に断りのない限り、それらの数値は単なる一例に過ぎず適切な如何なる値が使用されてもよい。実施例又は項目の区分けは本発明に本質的ではなく、２以上の実施例又は項目に記載された事項が必要に応じて組み合わせて使用されてよい。説明の便宜上、本発明の実施例に係る装置は機能的なブロック図を用いて説明されたが、そのような装置はハードウェアで、ソフトウェアで又はそれらの組み合わせで実現されてもよい。本発明は上記実施例に限定されず、本発明の精神から逸脱することなく、様々な変形例、修正例、代替例、置換例等が本発明に包含される。

１０…無線端末装置、２０…無線基地局装置、３０…中継装置、４０…サーバ装置、５０…故障検出装置、５１…トラヒック情報取得部、５２…トラヒック情報記憶部、５３…誤差算出部、５４…統計情報記憶部、５５…故障検出部、５６…検出条件記憶部、５７…通知部

Claims (9)

1. ネットワーク装置の故障を検出する故障検出装置であって、
   前記ネットワーク装置を利用して通信する際に発生するトラヒック情報のうち、統計線形関係にある２つのトラヒック情報、又は、変換関数による変換情報が統計線形関係となる２つのトラヒック情報を取得するトラヒック情報取得部と、
   前記統計線形関係を示す統計線形関係式の誤差を算出する誤差算出部と、
   前記誤差算出部によって算出された前記誤差に基づいて、前記ネットワーク装置の故障を検出する故障検出部と、
   を有することを特徴とする故障検出装置。
2. 前記トラヒック情報取得部は、時間帯或いはトラヒック状態に応じた種別の前記２つのトラヒック情報を取得することを特徴とする請求項１に記載の故障検出装置。
3. 前記誤差算出部は、前記統計線形関係式の傾きを算出し、算出した傾きを有する線形式に対する前記統計線形関係式の誤差を算出することを特徴とする請求項１又は２に記載の故障検出装置。
4. 前記傾きは、前記統計線形関係式の前記誤差の２乗平均を最小化する傾きであることを特徴とする請求項３に記載の故障検出装置。
5. 時間変動に追従して前記２つのトラヒック情報を学習する学習部を更に具備し、
   前記誤差算出部は、前記学習部によって学習された前記２つのトラヒック情報に基づいて、前記統計線形関係式の傾きを算出し、算出した傾きを有する線形関係式に対する前記統計線形関係式の誤差を算出することを特徴とする請求項３又は４に記載の故障検出装置。
6. 前記誤差算出部は、前記学習部によって一刻前に学習された前記２つのトラヒック情報に基づいて、一刻前における前記統計線形関係式の傾きを算出することを特徴とする請求項５に記載の故障検出装置。
7. 前記誤差算出部は、前記２つのトラヒック情報の周期定常性を利用して、前記学習部によって一周期前に学習された前記２つのトラヒック情報に基づいて、前記統計線形関係の傾きを算出することを特徴とする請求項５に記載の故障検出装置。
8. 前記故障検出部は、前記誤差の値、又は、前記誤差を該誤差の標準偏差で正規化した値が、正常範囲外である場合に、前記ネットワーク装置の故障を検出することを特徴とする請求項１乃至７のいずれか一項に記載の故障検出装置。
9. 前記正常範囲の閾値は、時間帯或いはトラヒック状態に応じて変更されることを特徴とする請求項８に記載の故障検出装置。
   

Images