JP2014228972A - 情報処理装置、情報処理システム、情報処理方法、および学習プログラム - Google Patents

Abstract

【課題】効率的な機械学習を行うことを課題とする。
【解決手段】処理装置１０Ａでは、外部から入力された入力情報が局所的な特徴を含む情報であるか否かを判定する。そして、入力情報が局所的な特徴を含む情報であると判定された場合には、該入力情報を用いて学習を行い、該学習の結果である局所モデル情報を局所モデル情報記憶部１８に記憶させる。そして、処理装置１０Ａは、局所モデル情報記憶部１８に記憶された局所モデル情報と類似する局所モデル情報を記憶する他の情報処理装置１０Ａを探索し、探索された他の処理装置１０Ａとの間で局所モデル情報記憶部１８に記憶された局所モデル情報を共有する。
【選択図】 図２

Description

本発明は、情報処理装置、情報処理システム、情報処理方法、および学習プログラムに関する。

従来、オンライン機械学習を並列分散処理する技術がある。例えば、並列分散処理する技術を適用したシステムとして、複数のノードで構成されるシステムであって、各ノードがそれぞれ異なるデータを入力として並列的に学習し、適当なタイミングで学習結果である学習モデル情報をノード間で共有して同期をとることで、自ノード以外のノードによる学習モデル情報を自ノードに反映することが可能となる。これにより、システム全体の処理性能を極端に落すことなく、学習精度を高めることができる。

オンライン機械学習並列分散処理フレームワークJubatus（NTT技術ジャーナル 2012.10，pp.30-35）,［online］,［平成２５年５月８日検索］、インターネット＜http://www.ntt.co.jp/journal/1210/files/jn201210030.pdf＞

しかしながら、上述した従来のオンライン機械学習を並列分散処理する技術では、効率的な機械学習が行えないという課題があった。つまり、従来の技術は、学習処理を分散することが目的であって、広域ネットワークに分散配置して利用することを想定していない。このため、ノード毎の学習をマージしてシステム全体として一意な学習モデル情報を保持するものであり、ノード毎の局所的な学習モデル情報が活かされず、効率的な機械学習が行えないという課題があった。

例えば、広い範囲のネットワークを流れるトラフィックデータやパターンを学習してアノマリ（いわゆる、ある集合に対する異常値や外れ値）を検知する場合、学習するノードを配置する場所ごとに局所的なデータやパターンの特徴がみられる場合があるが、従来のオンライン機械学習を並列分散処理する技術では、局所的なデータやパターンの特徴を考慮して学習を行うことができなかった。

そこで、本願に係る技術は、上述した従来技術の問題に鑑みてなされたものであって、効率的な機械学習を行うことを可能にする情報処理方法、情報処理装置および学習プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するため、本願に係る情報処理装置は、所定のシステムの構成要素の一部である情報処理装置であって、当該情報処理装置によって学習された学習の結果である局所モデル情報を記憶する第一の記憶部と、外部から入力された入力情報が、前記第一の記憶部に記憶された局所モデル情報を参照し、前記システムにおいて局所的な特徴を含む情報であるか否かを判定する分析部と、前記分析部によって入力情報が、前記システムにおいて局所的な特徴を含む情報であると判定された場合には、該入力情報を用いて学習を行い、該学習の結果である局所モデル情報を前記第一の記憶部に記憶させる学習部と、前記第一の記憶部に記憶された局所モデル情報と類似する局所モデル情報を記憶する他の情報処理装置との間で前記第一の記憶部に記憶された局所モデル情報を共有する共有部と、を有することを特徴とする。

また、本願に係る情報処理システムは、所定のシステムの構成要素の一部である複数の情報処理装置が通信可能に接続される情報処理システムであって、前記情報処理装置が、当該情報処理装置によって学習された学習の結果である局所モデル情報を記憶する第一の記憶部と、外部から入力された入力情報が、前記第一の記憶部に記憶された局所モデル情報を参照し、前記システムにおいて局所的な特徴を含む情報であるか否かを判定する分析部と、前記分析部によって入力情報が、前記システムにおいて局所的な特徴を含む情報であると判定された場合には、該入力情報を用いて学習を行い、該学習の結果である局所モデル情報を前記第一の記憶部に記憶させる学習部と、前記第一の記憶部に記憶された局所モデル情報と類似する局所モデル情報を記憶する他の情報処理装置との間で前記第一の記憶部に記憶された局所モデル情報を共有する共有部と、を有することを特徴とする。

また、本願に係る情報処理方法は、情報処理装置によって実行される情報処理方法であって、外部から入力された入力情報が、前記情報処理装置によって学習された学習の結果である局所モデル情報を記憶する第一の記憶部に記憶された局所モデル情報を参照し、前記システムにおいて局所的な特徴を含む情報であるか否かを判定する分析工程と、前記分析工程によって入力情報が、前記システムにおいて局所的な特徴を含む情報であると判定された場合には、該入力情報を用いて学習を行い、該学習の結果である局所モデル情報を前記第一の記憶部に記憶させる学習工程と、前記第一の記憶部に記憶された局所モデル情報と類似する局所モデル情報を記憶する他の情報処理装置との間で前記第一の記憶部に記憶された局所モデル情報を共有する共有工程と、を含んだことを特徴とする。

本願に開示する情報処理装置、情報処理システム、情報処理方法、および学習プログラムを行うことが可能である。

図１は、第１の実施形態に係るネットワークシステムの構成の一例を説明するための図である。 図２は、第１の実施形態に係る処理装置の構成を説明するための図である。 図３は、局所情報か上位情報かアノマリかを判定する分析処理を説明するための図である。 図４は、第１の実施形態に係るネットワークシステムにおける最上位の処理装置の構成を説明するための図である。 図５は、第１の実施形態に係る管理サーバの構成を説明するための図である。 図６は、第１の実施形態に係る処理装置における処理の流れを説明するためのフローチャートである。 図７は、第２の実施形態に係る処理装置における処理の流れを説明するためのフローチャートである。 図８は、局所情報か上位情報かアノマリかを判定する分析処理を説明するための図である。 図９は、学習プログラムを実行するコンピュータを示す図である。

以下に添付図面を参照して、本願に係る情報処理装置、情報処理システム、情報処理方法、および学習プログラムの実施形態を詳細に説明する。また、以下の実施形態では、ノード（処理装置）が受け付ける入力情報が、通信トラフィックであり、通信トラフィックから異常検知することを例として説明する。また、後述する処理装置は、通信トラフィックが流れるルータまたはネットワークスイッチに組み込まれる、またはルータまたはネットワークスイッチに流れる通信トラフィックをフック、またはインライン接続して処理装置を経由させる、または、ルータまたはネットワークスイッチを流れる通信トラフィックをミラーリングすることで、入力情報を得るものとする。なお、本願に係る情報処理装置、情報処理システム、情報処理方法、および学習プログラムは、以下の実施形態により限定されるものではない。

（第１の実施形態）
まず、第１の実施形態に係るネットワークシステムの概要について説明する。以下、図１を用いて、第１の実施形態に係るネットワークシステムの構成の一例を説明する。図１は、第１の実施形態に係るネットワークシステム１の構成の一例を説明するための図である。

図１に示すように、第１の実施形態に係るネットワークシステム１００は、上位ネットワーク（図１では、上位ＮＷと記載）、下位ＮＷ（図１では、下位ＮＷと記載）、および、ローカルネットワーク（図１では、ローカルＮＷと記載）の３つの階層で構成されている。なお、階層が３つである場合に限定されるものではなく、ネットワークシステム１００を構成する処理装置の階層は２つ以上であればよい。また、以下では、下位ネットワークにおける処理装置を処理装置１０Ａと記載し、上位ネットワークにおける処理装置を処理装置１０Ｂと記載するが、特に上位・下位の区別なく説明する場合には、処理装置１０と記載する。

下位ネットワークでは、アクセスネットワークまたはインターネットなどのネットワーク上で、複数のルータ２０がそれぞれ接続されている。また、下位ネットワークにおける各処理装置１０Ａは、ルータ２０から通信トラフィックを入力情報として取得し、入力情報が配下の局所性に該当するか否かを判定する。そして、処理装置１０Ａは、局所性に該当する場合には、自装置が学習し、局所性に該当しない場合には、上位の処理装置１０Ｂへ通信トラフィックを転送する。

また、処理装置１０Ａは、上位の処理装置から学習結果を受信し、自装置の学習結果に反映させる。これにより、上位レベルでの学習結果（一般的特徴）を共有することができる。ここで、学習結果を共有する契機としては、例えば、低位階層の処理装置１０Ａから所定の契機で共有を依頼した場合でも良いし、または、上位階層の処理装置１０Ｂから所定の契機で送信した場合でもよいし、下位の処理装置１０Ａからの依頼が所定数に到達した場合や、所定の時間間隔で共有する処理を行うようにしてもよい。

また、処理装置１０Ａは、同階層の学習結果が類似する他の処理装置１０Ａと学習結果を共有している。例えば、図１の例では、通信に特徴ＡがあるＮＷにおけるルータ２０と接続されている下位ネットワーク上のルータ２０から通信トラフィックを取得している処理装置１０Ａ同士で特徴が局所的な学習結果を共有し、同じく、通信に特徴ＣがあるＮＷにおけるルータ２０と接続されている下位ネットワーク上のルータ２０から通信トラフィックを取得している処理装置１０Ａ同士で特徴が局所的な学習結果を共有している。通信に特徴があるＮＷは、例えば、ホームネットワークやセンサネットワークなどのように用途や機能で特徴づけられる場合や、利用されているネットワーク上のサービスなどの通信内容に基づいて特徴づけられるネットワークなどが考えられる。

なお、同階層の処理装置１０Ａ同士で学習結果を共有する契機としては、例えば、上位の処理装置１０への依頼またはアノマリとして判定した回数が所定数または所定割合に到達した時、つまり、自装置の判定材料となる局所モデル情報が十分ではないと判定した時でもよいし、所定の時間間隔または自身で学習した回数が所定数に到達した時でもよい。

また、上位ネットワークでは、インターネットやアクセスネットワークなどのネットワーク上で、最上位の処理装置１０Ｂ、ルータ２０および管理サーバ３０が配置されている。この最上位の処理装置２０の配置場所については、ルータ２０の付近に限られるものではなく、データセンタなどの計算リソースが潤沢にある場所であれば、どこに配置してもよい。

処理装置１０Ｂは、下位ネットワークにおける各処理装置１０Ａから通信トラフィックまたはこれに該当する情報（例えば、通信トラフィックを特徴ベクトル化した情報）を受信して学習し、下位ネットワークの処理装置１０Ａへ学習結果を送信して学習結果を処理装置１０Ａに反映させる。

管理サーバ３０は、学習結果である学習モデル情報が類似する複数の処理装置１０Ａに対して、局所モデル情報を送信することで、各処理装置１０Ａが記憶する局所モデル情報に反映させる。なお、図１の例では、管理サーバ３０は、上位ネットワークに１台のみ配置されているが、各階層ごとに配置されてもよい。また、管理サーバ３０を配置せずに、階層内の処理装置１０のうちいずれか１つが管理サーバ３０の機能を備えることでもよい。または、全処理装置１０が備えていて、リーダ選出アルゴリズム等により、管理サーバ３０を担う処理装置１０を１つ決定することとしてもよい。

また、ネットワークシステム１００には、ゲートウェイルータ２０が配置されたローカルネットワークが複数ある。このローカルネットワークにおける各ルータ２０は、それぞれ配置されたネットワークごとに特徴Ａ、Ｂ、Ｃがあるものとする。なお、図１の例では、ローカルネットワークに処理装置１０Ａを配置していないが、処理装置１０Ａをローカルネットワークのルータ側に配置するようにしてもよい。この場合には、図１における下位ネットワークの機能をローカルネットワークが有することとなる。なお、ネットワークシステム１００において、各処理装置１０Ａおよび各処理装置１０Ｂは、通信する必要がある他の処理装置１０Ａ、１０Ｂの宛先について既知であるものとする。

［処理装置の構成］
次に、図２を用いて、図１に示した処理装置１０Ａの構成を説明する。図２は、第１の実施形態に係る処理装置１０Ａの構成を説明するための図である。図２に示すように、処理装置１０Ａは、通信部１１、分析部１２、通知部１３、依頼部１４、学習部１５、探索部１６、モデル情報共有部１７、局所モデル情報記憶部１８および上位モデル情報記憶部１９を有する。なお、以下で説明する学習処理において、学習アルゴリズムについては、異常検知に適用可能なものであれば既存のアルゴリズムのいずれを用いてもよい。また、後述する管理サーバ３０が実行する類似度判定処理についても同様に、既存の手法のうちいずれの手法を用いてもよい。

通信部１１は、外部との間で情報の送受信を行う。例えば、通信部１１は、ルータ２０から通信トラフィックに関する情報などを入力情報として受信する。また、通信部１１は、通信トラフィックに関する情報を上位ネットワークの処理装置１０Ｂに送信し、処理装置１０Ｂから上位階層の学習結果を受信する。また、通信部１１は、局所モデル情報を管理サーバ３０に送信する。

分析部１２は、ルータ２０から入力された入力情報が局所的な特徴を含む情報であるか否かを判定する。ここで、局所的な特徴について説明すると、例えば、あるシステムにおいて、その特徴は、システム全体に共通する特徴ではなく、局所的なものであって、システムを構成する一部の要素にみられる特徴であり、場合によっては複数の要素間で共通する特徴である。このような特徴を、以下では、「局所的な特徴」と記載する。

また、分析部１２は、入力情報が局所的な特徴を含む情報でないと判定した場合には、入力情報が全体的な特徴を含む情報であるか否かを判定する。具体的には、分析部１２は、外部の通信装置であるルータ２０から受け付けた入力情報を特徴ベクトル化して分析し、局所情報か上位情報かアノマリかを判定する。ここで、局所情報とは、あるシステムにおいて局所的な特徴を含む入力情報であり、上位情報とは、システム全体に共通する特徴を含む入力情報であり、アノマリとは、ある集合に対する異常値や外れ値として判定された入力情報である。

ここで、分析部１２が入力情報を特徴ベクトル化する処理について説明する。具体的には、分析部１２は、まず、特徴ベクトルを構成する要素をあらかじめ定義し、各処理装置１０間で共有しておく。入力情報が通信パケットである場合、例えば、送信元／宛先ＩＰアドレスやＭＡＣアドレス、ＴＣＰ／ＵＤＰ、ポート番号、データ部の認証情報（例えば、認証情報有りの場合は１、無しの場合は０とする等）などパケットから取得できるあらゆる情報のうち、分析・学習に必要な要素を予め定義しておき、パケットの入力を受付けた場合、このパケットを解析して定義した必要な要素（ＩＰｖ４アドレスを例えば８ビットごとの要素とする複数要素で構成してもよい）を抽出し、この要素で構成される特徴ベクトル（要素がｎ個であればｎ次元の数値ベクトルとなる）を作成する。

次に、分析部１２が局所情報か上位情報かアノマリかを判定する処理について説明する。分析部１２は、所定の記憶部の学習結果であるモデル情報（特徴ベクトル群であって、所定の学習アルゴリズムで分類されている１以上の集合となる）に対して、特徴ベクトル化された入力情報を入力として与えた場合に、局所情報を示す集合に該当するか、上位情報を示す集合に該当するか、どの集合にも該当しないか（アノマリとみなす）を判定する。

通知部１３は、分析部１２でアノマリと分析された場合、アノマリと分析された旨を示すメッセージを作成して、通信部１１を介して所定の宛先へ送信する。例えば、通知部１３は、分析部１２によってアノマリと分析された場合には、アノマリと分析された旨を示すメッセージを作成して、通信部１１を介して管理者端末（図示せず）へ送信する。

依頼部１４は、分析部１２で局所モデル情報にも上位モデル情報にも該当しないと判定された場合には、上位の処理装置１０Ｂへ処理を依頼するメッセージを作成して、通信部１１を介して上位の処理装置１０Ｂへメッセージを送信する。これにより、上位の処理装置１０Ｂが特徴ベクトル化する手順を省略できる。

学習部１５は、分析部１２によって入力情報が局所モデル情報記憶部１８に記憶された局所モデル情報を参照し、ネットワークシステム１００において局所的な特徴を含む情報であると判定された場合には、該入力情報を用いて学習を行い、該学習の結果である局所モデル情報を局所モデル情報記憶部１８に記憶させる。

具体的には、学習部１５は、分析部１２で局所情報であると分析された場合には、その入力情報を学習して結果を局所モデル情報記憶部１８に記憶させる。ここで、学習部１５による学習処理について説明する。学習部１５は、特徴ベクトルを所定の記憶部に記憶（追記）するとともに、記憶された特徴ベクトル群を、所定の学習アルゴリズムに基づいて分類する。異常検知の学習アルゴリズムとして、例えば、ＬＯＦ（Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ）が適用可能である。

また、ここで学習とは、所定の記憶部に特徴ベクトル情報を記憶して、所定の記憶部に記憶されている特徴ベクトル情報群から集合の特徴情報（例えば、分類であれば集合を分類するための境界を示す情報など）を導出する。この特徴情報を用いることで分析が可能となる。

ここで、図３の例を用いて、学習処理について説明する。図３の例では、上位モデル情報の領域と局所モデル情報の領域が独立している場合（図３の「Ａ」参照）、上位モデル情報の領域と局所モデル情報の領域が一部重複している場合（図３の「Ｂ」参照）、上位モデル情報の領域が局所モデル情報の領域に包含されている場合（図３の「Ｃ」参照）、局所モデル情報の領域が上位モデル情報の領域に包含されている場合（図４の「Ｄ」）の４つのケースについて説明する。

まず、上位モデル情報の領域と局所モデル情報の領域が独立している場合（図３の「Ａ」参照）であり、（１）局所モデル情報の集合領域と、（２）上位モデル情報の集合領域とでそれぞれ分かれている。また、局所モデル情報の集合領域および上位モデル情報の集合領域に該当しない情報が、（３）アノマリと分析される。

また、上位モデル情報の領域と局所モデル情報の領域が一部重複している場合（図３の「Ｂ」参照）では、（１）局所モデル情報の集合領域と、（２）上位モデル情報の集合領域とでそれぞれ分かれている。また、局所モデル情報の集合領域および上位モデル情報の集合領域に該当しない情報が、（３）アノマリと分析される。また、上位モデル情報の領域と局所モデル情報の領域が一部重複している領域については、（４）局所モデル情報の集合領域に振り分ける。なお、上位モデル情報の領域と局所モデル情報の領域が一部重複している領域については、局所モデル情報の集合領域に振り分けずに、上位モデルの情報の集合領域に振り分けるように設定してもよい。

また、上位モデル情報の領域が局所モデル情報の領域に包含されている場合（図３の「Ｃ」参照）では、（１）局所モデル情報の集合領域だけでなく、局所モデル情報の領域に包含されている上位モデル情報の領域についても、（２）局所モデル情報の集合領域に振り分ける。また、局所モデル情報の集合領域および上位モデル情報の集合領域に該当しない情報が、（３）アノマリと分析される。なお、局所モデル情報の領域に包含されている上位モデル情報の領域については、局所モデル情報の集合領域に振り分けずに、上位モデルの情報の集合領域に振り分けるように設定してもよい。

また、局所モデル情報の領域が上位モデル情報の領域に包含されている場合（図４の「Ｄ」）では、上位モデル情報の領域に包含されている局所モデル情報の領域を（１）局所モデル情報の集合領域とし、局所モデル情報の領域を包含する上位モデル情報の領域を（２）上位モデル情報の領域とする。また、局所モデル情報の集合領域および上位モデル情報の集合領域に該当しない情報が、（３）アノマリと分析される。なお、上位モデル情報の領域に包含されている局所モデル情報の領域については、局所モデル情報の集合領域に振り分けずに、上位モデルの情報の集合領域に振り分けるように設定してもよい。

探索部１６は、局所モデル情報記憶部１８に記憶された局所モデル情報と類似する局所モデル情報を記憶する他の情報処理装置を探索する。具体的には、探索部１６は、局所モデル情報記憶部１８に記憶されている情報と類似する情報を記憶している他の処理装置１０Ａを探索する。なお、この処理装置１０Ａが配置される階層で、処理装置が１つのみの場合は、探索部１６やモデル情報共有部１７が不要となる。

モデル情報共有部１７は、探索部１６によって探索された他の情報処理装置１０Ａとの間で局所モデル情報記憶部１８に記憶された局所モデル情報を共有する。具体的には、モデル情報共有部１７は、外部から受けた学習結果を、学習結果の内容を判別して、局所モデル情報記憶部１８または上位モデル情報記憶部１９に対して、追記、更新、統合、集約、削除などを行うことによって記憶させる。局所または上位を識別できる情報が学習結果に含まれている場合は、その識別情報で判定する。また、モデル情報共有部１７は、管理サーバから受信した局所モデル情報を局所モデル情報記憶部１８に反映させる。また、他の処理装置と局所モデル情報や上位モデル情報を共有する契機に関する情報を管理する。

局所モデル情報記憶部１８は、自処理装置１０Ａが学習した結果、または、この学習結果と類似する他処理装置１０Ａによる学習結果である局所モデル情報が記憶される。上位モデル情報記憶部１９は、上位の処理装置が学習した結果が記憶される。

次に、ネットワークシステム１００における上位の処理装置１０Ｂの構成を説明する。図４は、第１の実施形態に係るネットワークシステムにおける最上位の処理装置の構成を説明するための図である。図４に示すように、サーバ装置１０は、通信部１１、分析部１２、通知部１３、学習部１５、探索部１６、モデル情報共有部１７および局所モデル情報記憶部１８を有する。なお、図２の処理装置１０Ａと同様の構成については説明を省略する。処理装置１０Ｂは、ｎ階層構成において、最上位のｎ階層目の処理装置である。

通信部１１は、下位階層の各処理装置１０Ａから上位情報、すなわち、処理装置１０Ａにより上位情報と判定された通信トラフィックまたは特徴ベクトル化された情報を受信する。また、通信部１１は、処理装置１０Ｂの学習結果であるモデル情報を下位階層の各処理装置１０Ａに送信する。

探索部１６は、局所モデル情報記憶部１８に記憶されている情報と類似する情報を記憶している他の処理装置を探索するのではなく、同階層に配置されている他の処理装置１０Ｂを探索する。つまり、最上位の階層であるため、同階層に配置されている他の処理装置１０Ｂとは無条件にモデル情報を共有することになる。なお、この処理装置１０Ｂが配置される階層で、処理装置１０Ｂが一つのみの場合には、他の処理装置１０Ｂとモデル情報を共有する必要がないので、探索部１６やモデル情報共有部１７が不要となる。局所モデル情報記憶部１８は、ネットワークシステム１００全体に共通するモデル情報を記憶する。

［管理サーバ構成］
次に、図５を用いて、図１に示した管理サーバ３０の構成を説明する。図５は、第１の実施形態に係る管理サーバの構成を説明するための図である。図５に示すように、管理サーバ３０は、通信部３１、類似度判定部３２、学習モデル情報記憶部３３および類似情報記憶部３４を有する。

通信部３１は、各処理装置１０から局所モデル情報を受信し、受信した局所モデル情報を送信元の処理装置１０に関する情報（例えば、識別情報およびアドレス）と対応付けて学習モデル情報記憶部３３に記憶する。

類似度判定部３２は、学習モデル情報記憶部３３に記憶された局所モデル情報の類似性を判定し、判定の結果を類似情報記憶部３４に記憶させる。ここで局所モデル情報間の類似性を判定する処理の一例について説明する。例えば、以下に説明するように、類似度判定部３２は、計算した係数「ｓｉｍ」として、ジャッカード係数、ダイス係数、シンプソン係数を求め、計算した係数「ｓｉｍ」が所定の閾値以上であれば、類似すると判定する。なお、ジャッカード係数、ダイス係数、シンプソン係数の３つの係数を求めて類似性を判定しても良いし、いずれか１つまたは２つの係数を求めて類似性を判定しても良い。

例えば、集合ＸとＹの共通要素数を少なくとも一方にある要素の総数で割った「ｓｉｍ＝｜Ｘ∩Ｙ｜／｜Ｘ∪Ｙ｜」をジャッカード係数という。Ｘ∪Ｙの要素を、ｚ１、ｚ２・・・ｚｎとして、ベクトルｘ＝（ｘ１、ｘ２・・・ｘｎ）を、（ｉｆ ｚｉ∈Ｘ）、ｘｉ＝０（ｏｔｈｅｒｗｉｓｅ）として定める。ベクトルＹも同様に定めると、ジャッカード係数は、「ｓｉｍ＝ｘ・ｙ／（Σｘｉ＋Σｙｉ−ｘ×ｙ）」とあらわされる。

また、例えば、集合ＸとＹの共通要素を各集合の要素数の平均で割った「ｓｉｍ＝２×｜Ｘ∩Ｙ｜／（｜Ｘ｜＋｜Ｙ｜）」をダイス係数という。Ｘ、Ｙに対応するベクトルｘ、ｙを使えば、「ｓｉｍ＝２×ｘ・ｙ／（Σｘｉ＋Σｙｉ）」とあらわされる。

また、例えば、集合ＸとＹの共通要素数を各集合の要素数の最小値で割ったもの「ｓｉｍ＝｜Ｘ∩Ｙ｜／ｍｉｎ（｜Ｘ｜，｜Ｙ｜」をシンプソン係数という。Ｘ、Ｙに対応するベクトルｘ、ｙを使えば、「ｓｉｍ＝ｘ・ｙ／ｍｉｎ（Σｘｉ，Σｙｉ）」とあらわされる。

また、類似度判定部３２は、処理装置１０から局所モデル情報を受付けるたびに、学習モデル情報記憶部内の情報を用いて類似度判定を行ってもよく、所定の契機で、学習モデル情報記憶部内の情報を用いて類似度判定を行ってもよい。また、類似度判定部３２は、例えば、処理装置Ａと処理装置Ｂの局所モデル情報が類似すると判定した場合に、処理装置Ａには処理装置Ｂの局所モデル情報を送信し、処理装置Ｂには処理装置Ａの局所モデル情報を送信する。３以上の処理装置が類似の場合も同様である。

また、例えば、処理装置ＡとＢの局所モデル情報が類似することが類似情報記憶部３４に既に記憶されている場合には、処理装置Ｃと処理装置Ａが類似すると判定した時に、類似情報記憶部３４内の情報を用いて判定を省略し、処理装置Ｂと処理装置Ｃも類似すると判定してもよい。

学習モデル情報記憶部３３は、局所モデル情報と、該局所モデル情報の送信元である送信元の処理装置１０に関する情報とを対応付けて記憶する。例えば、学習モデル情報記憶部３３は、局所モデル情報と、送信元の処理装置１０を一意に識別する識別情報と、送信元の処理装置１０のアドレスとを対応付けて記憶する。学習モデル情報記憶部３３と類似情報記憶部３４が記憶している情報を、識別情報で関係づけることで、同一集合に属する学習モデル情報及びこの学習モデル情報を記憶している処理装置を特定する。

類似情報記憶部３４は、類似度判定部３２によって類似すると判定した学習モデル情報の識別情報を、類似する集合として識別可能な類似モデル識別情報と対応付けて、類似情報記憶部に記憶する。

［処理装置の処理］
次に、図６を用いて、第１の実施形態に係る処理装置１０Ａの処理の手順を説明する。図６は、第１の実施形態に係る処理装置における処理の流れを説明するためのフローチャートである。

処理装置１０Ａの通信部１１は、外部の通信装置であるルータ２０から通信トラフィックに関する情報を含むパケットを受信すると、分析部１２に対して通信トラフィックを入力情報として入力する（ステップＳ１０１）。そして、分析部１２は、入力された入力情報を予め決められた形式に基づいて特徴ベクトル化する（ステップＳ１０２）。

そして、分析部１２は、局所情報、つまり局所的な特徴を示す情報であるか否かを判定する。具体的には、分析部１２は、特徴ベクトル化されたパケット情報と局所モデル情報記憶部１８に記憶されている情報を用いて、このパケット情報が局所情報に該当するか否かを判定する（ステップＳ１０３）。

つまり、局所情報に「該当」とは、局所情報で構成される集合に属する、または、この集合と近い距離に位置することを意味する。なお、近い距離とは、集合には属さないけれど、このパケット情報の点（もしくはベクトル）を取り込んで新たな集合を構成してもよい距離である。この距離内にあるパケット情報の点を取り込んで新たな集合を構成した場合には、集合が広がることとなる。

この結果、分析部１２は、パケット情報が局所情報に該当すると判定した場合には（ステップＳ１０３肯定）、パケット情報を学習部１５に通知する。そして、学習部１５は、分析部１２から受信したパケット情報を学習し（ステップＳ１０７）、その結果を用いて局所モデル情報記憶部１８の情報を更新して処理を終了する。

また、分析部１２は、パケット情報が局所情報に該当しないと判定した場合には（ステップＳ１０３否定）、パケット情報と上位モデル情報記憶部１９に記憶されている情報を用いて、パケット情報が上位情報、つまりシステム全体に共通する特徴を示す情報に該当するか判定する（ステップＳ１０４）。なお、ステップＳ１０３において、パケット情報が局所情報に該当しないと判定した場合に、上位の処理装置１０Ｂへ分析を依頼し、上位の処理装置１０Ｂに上位情報に該当するかアノマリに該当するかを分析させてもよい。この際、上位の処理装置１０Ｂがアノマリと判定した場合には、判定結果を通知してもらい、アノマリであることを把握した上で、後述するＳ１０６の処理へ移行してもよい。

また、ステップＳ１０４における判定の結果、パケット情報が上位情報に該当する場合には（ステップＳ１０４肯定）、依頼部１４は、所定の上位の処理装置１０Ｂへ分析を依頼するメッセージを作成し、パケット情報を通信部１１を介して送信する（ステップＳ１０５）。

また、パケット情報が上位情報に該当しなかった場合には（ステップＳ１０４否定）、通知部１３は、アノマリを検知した旨を示すメッセージを作成し、管理者端末等の宛先へ通知する（ステップＳ１０６）。そして、アノマリを検知した旨を通知した後、学習部１５は、分析部１２から受信したパケット情報を学習し（ステップＳ１０７）、その結果を用いて局所モデル情報記憶部１８の情報を更新して処理を終了する。なお、アノマリを検知した場合には、ステップＳ１０７の学習処理を行う代わりに、上位の処理装置１０Ｂへ分析・学習を依頼してもよい。

このように、ネットワークシステム１００は、分析・学習を行うノード、すわなち、処理装置１０を多階層の構成にする。まず下位のノード（処理装置１０Ａ）は、受付けた入力に対してそのノードが扱う範囲の局所的なレベルで分析・学習を試み、入力がその範囲に該当しない場合は、階層的に上位に位置するノード（処理装置１０Ｂ）に分析・学習を委ねる。上位のノードによる学習結果はその下位ノードと共有し、下位のノードによる学習結果は、その傾向が類似する同階層の他ノードと共有する。なお、上位階層のノードによる学習結果も同様に、学習結果の傾向が類似する同階層の他ノードと共有してもよい。

これにより、局所性の強い情報は全体で集約せずに局所的な範囲で学習し、その特徴が類似するノードとの間で共有することで、学習結果の局所性と全体性の両方を精緻化することが可能となり、より深い分析に適用することが可能となる。また、ネットワークへのサイバー攻撃に対するアノマリ検知の適用においては、攻撃の類似性や局所性を自動分析できる。

[第１の実施形態の効果]
上述してきたように、第１の実施形態にかかる処理装置１０Ａでは、外部から入力された入力情報が局所的な特徴を含む情報であるか否かを判定する。そして、入力情報が局所的な特徴を含む情報であると判定された場合には、該入力情報を用いて学習を行い、該学習の結果である局所モデル情報を局所モデル情報記憶部１８に記憶させる。そして、処理装置１０Ａは、局所モデル情報記憶部１８に記憶された局所モデル情報と類似する局所モデル情報を記憶する他の情報処理装置１０Ａを探索し、探索された他の情報処理装置１０Ａとの間で局所モデル情報記憶部１８に記憶された局所モデル情報を共有する。これにより、効率的な機械学習を行うことが可能である。つまり、第１の実施形態にかかる処理装置１０Ａでは、システム全体に共通する特徴は全体で共有し、局所的な特徴はシステム全体で共有する必要はなく、その局所的な特徴において共通している局所間でのみ共有することで、システム全体の処理負荷を低減することができ、効率的な機械学習を行うことが可能である。

（第２の実施形態）
上述した第１の実施形態においては、ルータ２０から受信したパケット情報が局所情報に該当すると判定した場合には、パケット情報を学習し、その結果を用いて局所モデル情報記憶部１８の情報を更新する場合を説明した。しかし、上位モデル情報の領域と局所モデル情報の領域が重複している等の場合には、パケット情報が局所情報に該当し、且つ、上位情報に該当することがあり得る。

そこで、以下の第２の実施形態では、ルータ２０から受信したパケット情報が局所情報に該当すると判定した場合でも、その後、パケット情報が上位情報に該当するか否かを判定する場合について説明する。ここでは、図７を用いて、第２の実施形態に係る処理装置１０Ａにおける処理の流れを説明する。図７は、第２の実施形態に係る処理装置における処理の流れを説明するためのフローチャートである。なお、第１の実施形態と同様の部分については説明を省略する。

図７に示すように、第２の実施形態に係る処理装置１０Ａの分析部１２では、パケット情報が局所情報に該当すると判定した場合には（ステップＳ２０３肯定）、パケット情報が上位情報に該当するか否かを判定する（ステップＳ２０７）。そして、分析部１２が上位情報に該当しないと判定した場合には（ステップＳ２０７否定）、学習部１５は、分析部１２から受信したパケット情報を学習し（ステップＳ２０８）、その結果を用いて局所モデル情報記憶部１８の情報を更新して処理を終了する。

また、分析部１２が上位情報に該当すると判定した場合には（ステップＳ２０７肯定）、依頼部１４が、所定の上位の処理装置１０Ｂへ分析を依頼するメッセージを作成し、パケット情報を通信部１１を介して送信するか、または、学習部１５が、分析部１２から受信したパケット情報を学習するか、または、上位の処理装置１０Ｂへ分析を依頼する処理と自処理装置１０Ａで学習する処理とを両方行うか、いずれか予め設定された処理を行う（ステップＳ２０９）。これにより、パケット情報のより詳細な分類が可能となる。

つまり、例えば、第１の実施形態に係る処理装置では、上位モデル情報の領域と局所モデル情報の領域が一部重複している場合（図３の「Ｂ」参照）において、上位モデル情報の領域と局所モデル情報の領域が一部重複している領域については、（４）局所モデル情報の集合領域に振り分けられていた。これに対して、第２の実施形態に係る処理装置１０Ａでは、図８に示すように、上位モデル情報の領域と局所モデル情報の領域が一部重複している場合（図８の「Ｂ」参照）において、上位モデル情報の領域と局所モデル情報の領域が一部重複している領域を、設定に応じて、上位モデル情報の領域または局所モデル情報の領域のいずれかに振り分けることができる。

また、局所モデル情報の領域に包含されている上位モデル情報の領域（図３の「Ｃ」参照）や、上位モデル情報の領域に包含されている局所モデル情報の領域（図３の「Ｄ」参照）についても、同様に、設定に応じて、上位モデル情報の領域または局所モデル情報の領域のいずれかに振り分けることができる。

つまり、ステップＳ２０９において、上位の処理装置１０Ｂへ分析を依頼する処理を行うか、自装置で学習する処理を行うか、または、両方の処理を行うかに応じて、例えば、上位モデル情報の領域と局所モデル情報の領域が一部重複している領域が上位モデル情報の領域となるか局所モデル情報の領域となるかが変化する。

（第３の実施形態）
これまで第１、２の実施形態を説明したが、本願に係る実施形態は、第１、２の実施形態に限定されるものではない。すなわち、これらの実施形態は、その他の様々な形態で実行されることが可能であり、種々の省略、置き換え、変更を行うことができる。

処理装置１０Ａが管理サーバ３０に局所モデル情報を送信するトラフィックコストを低減するため、自身がどの処理装置１０Ａと局所モデル情報が類似するかのみを管理サーバ３０に問合せ、宛先の応答を受けて、処理装置１０Ａ間で局所モデル情報を共有するようにしてもよい。例えば、各処理装置１０Ａは、探索部１６で、自身が記憶している局所モデル情報を要約したメタ情報を生成し、管理サーバ３０に送信する。そして、管理サーバ３０は、受信したメタ情報を送信元の処理装置１０Ａと対応付けて記憶する。続いて、管理サーバ３０は、受信したメタ情報と既に記憶しているメタ情報との間の類似性を判定する。

例えば、処理装置Ａと処理装置Ｂのメタ情報が類似すると判定した場合、処理装置Ａには処理装置Ｂが類似している旨のメッセージ（類似する処理装置の宛先を含む）を送信し、処理装置Ｂには処理装置Ａが類似している旨のメッセージを送信する。

処理装置１０Ａは、管理サーバからメッセージを受信すると、類似する処理装置１０Ａに局所モデル情報を要求し、局所モデル情報の応答を受けた場合にモデル情報共有部を用いて局所モデル情報記憶部１８に反映させる。なお、この時、処理装置Ａが自身の局所モデル情報を処理装置Ｂに送信して、処理装置Ａの局所モデル情報を処理装置Ｂに反映してもよい。

また、管理サーバ３０不在で、処理装置１０Ａ間で類似性を判定し、局所モデル情報を共有するようにしてもよい。処理装置１０Ａは、自身が記憶している局所モデル情報を要約したメタ情報を生成し、フラッディング方式やブロードキャスト方式、または既知のＰ２Ｐ（Peer to Peer）のルーティングアルゴリズムに従って、同階層の他の処理装置に送信する。同階層の処理装置は所定のセグメントのネットワークに所属していることが望ましい。

そして、メタ情報を受信した処理装置１０Ａは、モデル情報共有部１７にて、自身が記憶している局所モデル情報（生成済みの要約したメタ情報）と類似すると判定した場合、送信元に対して、局所モデル情報を送信する。つまり、局所モデル情報記憶部１８または他の記憶部にメタ情報を記憶させていることになる。そして、処理装置１０Ａは、局所モデル情報の応答を受けた場合にモデル情報共有部１７を用いて局所モデル情報記憶部１８に反映させる。この時、反映した処理装置１０Ａは、自身の局所モデル情報を応答してくれた処理装置に送信して、受信した処理装置が処理装置１０Ａの局所モデル情報を反映してもよい。

ここでメタ情報の生成処理について説明する。各処理装置１０Ａが局所モデル情報記憶部１８に記憶されている情報を要約する方法として、例えば、学習アルゴリズムにＬＯＦを適用した場合、特徴ベクトルの集合の中心点や密度、中心点からの距離等を算出することができるので、これらの値の１以上からなる組をメタ情報として利用することができる。これにより、異なる集合（局所モデル情報）間の距離や密度がそれぞれ所定の閾値以内にある場合、これらの集合を類似するものと判定することができる。

［探索・問い合わせ処理］
また、ネットワークの特徴が動的に変化する場合には、適当な契機のたびにネットワークの特徴が類似する相手を探索する又は問合せて見つけることが望ましい。一方、例えば、ネットワークの特徴が静的であり特徴に大きな変化がないような場合には、共有する相手となる処理装置の宛先をあらかじめ記憶しておくことで，探索や問合せの処理を省略することができる。

［機械学習］
また、上述した各処理装置による機械学習は、教師あり学習でも教師なし学習でもよく、また機械学習に限らずデータマインニング技術などのようなデータを分類可能なアルゴリズムを適用してもよい。教師ありの学習の場合は、事前に各処理装置がそれぞれ局所情報として判断すべきデータセットや局所情報として判断するべきではないデータセットを学習させて局所モデル情報記憶部１８に記憶させておいてもよい。

［分析手順］
また、上述した処理装置の説明において、まず、入力情報が局所情報に該当するか否かを分析して、該当しなかった場合は、上位情報に該当するか否かを分析する場合を説明したが、この限りではなく、手順を簡略化することとしてもよい。例えば、まず上位情報に該当するか否かを分析し、該当しなかった場合は、局所情報に該当するものとする分析結果としてもよい。これは、上位情報と局所情報に二分できる情報集合の空間を扱う場合に有用である。

［システム構成等］
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、通知部１３ａおよび依頼部１４を統合してもよい。

さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

また、本実施形態において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

［プログラム］
また、上記実施形態において説明した処理装置１０が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。例えば、第１の実施形態に係る処理装置１０が実行する処理をコンピュータが実行可能な言語で記述した学習プログラムを作成することもできる。この場合、コンピュータが学習プログラムを実行することにより、上記実施形態と同様の効果を得ることができる。さらに、かかる学習プログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録され学習プログラムをコンピュータに読み込ませて実行することにより上記第１の実施形態と同様の処理を実現してもよい。以下に、図２に示した処理装置１０と同様の機能を実現する学習プログラムを実行するコンピュータの一例を説明する。

図９は、学習プログラムを実行するコンピュータ１０００を示す図である。図９に例示するように、コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインタフェース１０３０と、ディスクドライブインタフェース１０４０と、シリアルポートインタフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインタフェース１０７０とを有し、これらの各部はバス１０８０によって接続される。

メモリ１０１０は、図９に例示するように、ＲＯＭ（Read Only Memory）１０１１及びＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic Input Output System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、図９に例示するように、ハードディスクドライブ１０３１に接続される。ディスクドライブインタフェース１０４０は、図９に例示するように、ディスクドライブ１０４１に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ１０４１に挿入される。シリアルポートインタフェース１０５０は、図９に例示するように、例えばマウス１０５１、キーボード１０５２に接続される。ビデオアダプタ１０６０は、図９に例示するように、例えばディスプレイ１０６１に接続される。

ここで、図９に例示するように、ハードディスクドライブ１０３１は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、上記の学習プログラムは、コンピュータ１０００によって実行される指令が記述されたプログラムモジュールとして、例えばハードディスクドライブ１０３１に記憶される。

また、上記実施形態で説明した各種データは、プログラムデータとして、例えばメモリ１０１０やハードディスクドライブ１０３１に記憶される。そして、ＣＰＵ１０２０が、メモリ１０１０やハードディスクドライブ１０３１に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出し、各種処理手順を実行する。

なお、学習プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０３１に記憶される場合に限られず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、学習プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ネットワーク（ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等）を介して接続された他のコンピュータに記憶され、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。

１０Ａ、１０Ｂ 処理装置
１１ 通信部
１２ 分析部
１３ 通知部
１４ 依頼部
１５ 学習部
１６ 探索部
１７ モデル情報共有部
１８ 局所モデル情報記憶部
１９ 上位モデル情報記憶部
３０ 管理サーバ

Claims (8)

1. 所定のシステムの構成要素の一部である情報処理装置であって、
   当該情報処理装置によって学習された学習の結果である局所モデル情報を記憶する第一の記憶部と、
   外部から入力された入力情報が、前記第一の記憶部に記憶された局所モデル情報を参照し、前記システムにおいて局所的な特徴を含む情報であるか否かを判定する分析部と、
   前記分析部によって入力情報が、前記システムにおいて局所的な特徴を含む情報であると判定された場合には、該入力情報を用いて学習を行い、該学習の結果である局所モデル情報を前記第一の記憶部に記憶させる学習部と、
   前記第一の記憶部に記憶された局所モデル情報と類似する局所モデル情報を記憶する他の情報処理装置との間で前記第一の記憶部に記憶された局所モデル情報を共有する共有部と、
   を有することを特徴とする情報処理装置。
2. 前記情報処理装置よりも上位の情報処理装置により前記システムに共通する特徴を含む情報を用いて学習された学習の結果である全体モデル情報を記憶する第二の記憶部をさらに有し、
   前記分析部は、前記入力情報が局所的な特徴を含む情報でないと判定した場合には、前記第二の記憶部に記憶された全体モデル情報を参照し、前記入力情報が、前記システムに共通する特徴を含む情報であるか否かを判定することを特徴とする請求項１に記載の情報処理装置。
3. 前記分析部は、前記入力情報が局所的な特徴を含む情報でないと判定した場合には、前記入力情報が、前記システムに共通する特徴を含む情報であるか否かを判定し、
   前記分析部によって前記入力情報が、前記システムに共通する特徴を含む情報であると判定された場合には、前記情報処理装置よりも上位の情報処理装置へ前記入力情報の分析を依頼する依頼部をさらに有することを特徴とする請求項１または２に記載の情報処理装置。
4. 前記情報処理装置よりも上位の情報処理装置から、該上位の情報処理装置が学習した学習結果を取得し、該学習結果を第二の記憶部に記憶された全体モデル情報に反映させる反映部をさらに有することを特徴とする請求項２または３に記載の情報処理装置。
5. 所定のシステムの構成要素の一部である複数の情報処理装置が通信可能に接続される情報処理システムであって、
   前記情報処理装置が、
   当該情報処理装置によって学習された学習の結果である局所モデル情報を記憶する第一の記憶部と、
   外部から入力された入力情報が、前記第一の記憶部に記憶された局所モデル情報を参照し、前記システムにおいて局所的な特徴を含む情報であるか否かを判定する分析部と、
   前記分析部によって入力情報が、前記システムにおいて局所的な特徴を含む情報であると判定された場合には、該入力情報を用いて学習を行い、該学習の結果である局所モデル情報を前記第一の記憶部に記憶させる学習部と、
   前記第一の記憶部に記憶された局所モデル情報と類似する局所モデル情報を記憶する他の情報処理装置との間で前記第一の記憶部に記憶された局所モデル情報を共有する共有部と、
   を有することを特徴とする情報処理システム。
6. 前記情報処理システムは、前記複数の情報処理装置よりも上位の情報処理装置を有し、
   前記分析部は、前記入力情報が局所的な特徴を含む情報でないと判定した場合には、前記入力情報が、前記システムに共通する特徴を含む情報であるか否かを判定し、
   前記情報処理装置が、
   前記分析部によって前記入力情報が、前記システムに共通する特徴を含む情報であると判定された場合には、前記上位の情報処理装置へ前記入力情報の分析を依頼する依頼部と、
   前記上位の情報処理装置から、該上位の情報処理装置が学習した学習結果を受信した場合には、該学習結果を第二の記憶部に記憶された全体モデル情報に反映させる反映部と、をさらに有し、
   前記上位の情報処理装置が、
   下位の情報処理装置から入力情報の分析の依頼を受け付けた場合に、該入力情報を用いて学習を行う上位学習部と、
   前記上位学習部によって学習された学習結果を前記下位の情報処理装置に送信する送信部と、
   を有することを特徴とする請求項５に記載の情報処理システム。
7. 情報処理装置によって実行される情報処理方法であって、
   外部から入力された入力情報が、前記情報処理装置によって学習された学習の結果である局所モデル情報を記憶する第一の記憶部に記憶された局所モデル情報を参照し、前記システムにおいて局所的な特徴を含む情報であるか否かを判定する分析工程と、
   前記分析工程によって入力情報が、前記システムにおいて局所的な特徴を含む情報であると判定された場合には、該入力情報を用いて学習を行い、該学習の結果である局所モデル情報を前記第一の記憶部に記憶させる学習工程と、
   前記第一の記憶部に記憶された局所モデル情報と類似する局所モデル情報を記憶する他の情報処理装置との間で前記第一の記憶部に記憶された局所モデル情報を共有する共有工程と、
   を含んだことを特徴とする情報処理方法。
8. コンピュータを請求項１〜４のいずれか一つに記載の情報処理装置として機能させるための学習プログラム。

Images