JP2018207241A - 管理装置、管理方法及び管理プログラム - Google Patents
管理装置、管理方法及び管理プログラム Download PDFInfo
- Publication number
- JP2018207241A JP2018207241A JP2017108724A JP2017108724A JP2018207241A JP 2018207241 A JP2018207241 A JP 2018207241A JP 2017108724 A JP2017108724 A JP 2017108724A JP 2017108724 A JP2017108724 A JP 2017108724A JP 2018207241 A JP2018207241 A JP 2018207241A
- Authority
- JP
- Japan
- Prior art keywords
- traffic
- network
- value
- learning
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
Description
図1は、実施例1に係るネットワーク管理システムの構成例を示す図である。図1に示すネットワーク管理システム1は、通信事業者や企業の通信システム等の監視対象システム3に構築されるネットワークNWの管理を実現するネットワーク管理サービスを提供するものである。このネットワーク管理サービスの一環として、ネットワーク管理システム1は、ネットワーク全体のトラフィックを大局的に分析するトラフィック分析機能も提供する。
ここで、上記の従来技術における課題の一側面について説明する。一般的に、ネットワークNW上の数あるリンクやポートのトラフィックとの比較に固定の閾値が設定される運用管理が行われることがある。このような運用管理では、一側面として、ネットワークNWの規模や構成の複雑化に伴って複雑に変化するトラフィックに適切な閾値を設定できず、トラフィックの挙動を適切に監視することが困難である。
そこで、本実施例に係るネットワーク管理装置10は、ネットワークNWの外からネットワークNW内へ入力される第1のトラフィックに基づいてネットワークNWの内からネットワークNW外へ出力される第2のトラフィックを推定するモデルを学習し、第2のトラフィックの推定値と実測値を比較する。
図5は、実施例1に係るネットワーク管理装置10の機能的構成を示すブロック図である。図5に示すように、ネットワーク管理装置10は、通信I/F(interface)部11と、記憶部13と、制御部15とを有する。なお、ネットワーク管理装置10は、図5に示した機能部以外にも既知のコンピュータが有する各種の機能部、例えば各種の入力デバイスや音声出力デバイスなどの機能部を有することとしてもかまわない。
次に、本実施例に係るネットワーク管理装置10の処理の流れについて説明する。ここでは、ネットワーク管理装置10により実行される(1)学習処理を説明した後に、ネットワーク管理装置10により実行される(2)トラフィックの監視処理を説明することとする。
図6は、実施例1に係る学習処理の手順を示すフローチャートである。この処理は、一例として、クライアント端末50から学習の実行指示を受け付けた場合、あるいはトラフィック情報13bとして所定のサンプル数に対応するトラフィックの履歴が記憶部13に蓄積された場合に開始される。
図7は、実施例1に係るトラフィックの監視処理の手順を示すフローチャートである。この処理は、一例として、記憶部13にモデル情報13cが保存された後に実行することができる。
上述してきたように、本実施例に係るネットワーク管理装置10は、ネットワークNWの外からネットワークNW内へ入力される第1のトラフィックに基づいてネットワークNWの内からネットワークNW外へ出力される第2のトラフィックを推定するモデルを学習し、第2のトラフィックの推定値と実測値を比較する。したがって、本実施例に係るネットワーク管理装置10によれば、ネットワークNW全体のトラフィックを大局的に分析できる。さらに、本実施例に係るネットワーク管理装置10では、ネットワークNWの規模や構成の複雑化に伴って複雑に変化するトラフィックの挙動を適切に分析することもできる。
上記の実施例1では、第1のトラフィックの実測値から第2のトラフィックを推定するモデルを学習する場合を例示したが、第2のトラフィックの実測値から第1のトラフィックを推定するモデルを学習することもできる。
ネットワーク管理装置10は、第1のトラフィックの実測値および第2のトラフィックの実測値に加えて、ネットワークの利用情報をさらに用いて、第2のトラフィックを推定することもできる。
選択部15bは、学習対象とするトラフィックとして、ネットワークNWのエッジに位置する通信装置30が受信する第1のトラフィックまたはネットワークNWのエッジに位置する通信装置30から送信される第2のトラフィックを選択することができる。
選択部15bは、学習対象とするトラフィックとして、所定のレイヤに位置する通信装置30で送受信されるトラフィックを選択することもできる。
通信ネットワークのトラフィックを学習する場合、必ずしも学習サンプル数が多いほどトラフィックの推定精度が向上するとは限らない。すなわち、通信ネットワークにおけるトラフィック特性は様々である。例えば、毎日同様のトラフィックの推移を繰り返すようなリンクもあれば、平日は毎日同じ推移であるが、週末は平日とは異なる推移となり、これが週毎に繰り返されるような特性を示すリンクもある。また、例えば、ある程度の期間が経つと、ユーザ数の増減やネットワーク構成の変更などが行われることにより、ある時点を境にトラフィックの特性が変わることも有る。
前述の通り、通信ネットワークにおけるトラフィックの特性は様々である。また、通信ネットワークの規模、すなわち学習の対象となるトラフィックの数も様々である。例えば、毎日同様に、時間的な変化が少ない単調なトラフィック特性を示すリンクもあれば、日や時間帯によって複雑に変化するトラフィック特性を示すリンクもある。ニューラルネットにより学習を行う場合、計算回数は、前者のような単調なデータパターンを学習する場合よりも、後者のような複雑なデータパターンを学習する場合の方が、より多くの学習回数が要求される。このため、第2の設定部15dは、学習回数を増加させながら誤差の収束を判定し、誤差が最小となる学習回数、誤差が所定の閾値以内となった学習回数、あるいは所定の推定精度を満たす学習回数を採用することができる。なお、誤差が閾値以内であろうと、あるいは推定精度を満たそうと、誤差が収束するまでは学習回数を増加させることができるのは言うまでもない。
第1の設定部15cは、一定の回数、例えば8000回にわたってデータセットの学習を繰り返しても誤差が所定の閾値以内に収束しない場合、モデルに含まれる隠れ層の数や隠れ層に含まれるニューロン数を増加させることもできる。すなわち、学習回数が誤差を収束されるのに十分であっても、誤差が閾値以内とならない状態で誤差が収束し、それ以上誤差が小さくならない場合がある。このような場合、学習しようとする複雑な入力および出力のデータパターンに対して、ニューラルネットの隠れ層の数やニューロン数が少なすぎることが一因と考えられる。このことから、第1の設定部15cは、モデルに含まれる隠れ層の数または隠れ層に含まれるニューロン数を増加させることもできる。
図10では、ネットワークNWのトポロジにおいて、エッジに位置する通信装置30で送信および受信されるトラフィックを学習対象として選択する例を示したが、トラフィックの流れ方によっては、学習を行っても所定の精度で推定を行えない場合がある。
図17は、トラフィックの追加の一例を示す図である。図17には、ネットワークNWのエッジに位置しない通信装置30G〜30I、すなわち第1のトラフィックTR11〜TR13を中継する通信装置30G〜30Iのうち、パターン1〜パターン3の各パターンの合計でより多くのトラフィックを中継する通信装置30Gが選択された例が示されている。さらに、図17には、通信装置30Gが有するポートのうち、通信装置30H側の対向ポートに接続されたポートが出力する第1のトラフィックTR15及び通信装置30I側の対向ポートに接続されたポートが出力する第1のトラフィックTR16を学習対象として入力層のニューロンに追加する例が示されている。
図18は、トラフィックの追加の一例を示す図である。図18には、ネットワークNWのエッジに位置しない通信装置30G〜30I、すなわち第1のトラフィックTR11〜TR13を中継する通信装置30G〜30Iのうち、ポート数が最大である通信装置30Iが選択された例が示されている。さらに、図18には、通信装置30Iが有するポートのうち、通信装置30G側の対向ポートに接続されたポートが受信する第1のトラフィックTR17および通信装置30Hが有する対向ポートに接続されたポートが出力する第1のトラフィックTR18を学習対象として入力層のニューロンに追加する例が示されている。
上記(1)及び上記(2)では、入力層のニューロンを追加する例を説明したが、これとは逆に、例として、エッジに位置する通信装置30で送信および受信されるトラフィックを学習対象として選択し、学習を行うことによって所望の推定精度を満たす場合には、所望の推定精度を満たすことが可能な範囲で、学習対象からいずれかのトラフィックを除外し、モデル学習の計算量を削減することもできる。
図20は、応用例に係る学習処理の手順を示すフローチャートである。この処理も、図6に示す処理と同様、クライアント端末50から学習の実行指示を受け付けた場合、あるいはトラフィック情報13bとして所定のサンプル数に対応するトラフィックの履歴が記憶部13に蓄積された場合に開始される。
上記の実施例1では、第1のトラフィックの実測値から第2のトラフィックを推定するモデルを学習する場合を例示したが、第1のトラフィックの実測値から当該実測値よりも先の時刻の第2のトラフィックの推定値、言い換えれば予測値を推定するモデルを学習することもできる。
また、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されておらずともよい。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、取得部15a、選択部15b、第1の設定部15c、第2の設定部15d、学習実行部15e、推定部15f、比較部15gまたは出力部15hをネットワーク管理装置10の外部装置としてネットワーク経由で接続するようにしてもよい。また、取得部15a、選択部15b、第1の設定部15c、第2の設定部15d、学習実行部15e、推定部15f、比較部15gまたは出力部15hを別の装置がそれぞれ有し、ネットワーク接続されて協働することで、上記のネットワーク管理装置10の機能を実現するようにしてもよい。また、記憶部13に記憶されるトポロジ情報13a、トラフィック情報13bまたはモデル情報13cの全部または一部を別の装置がそれぞれ有し、ネットワーク接続されて協働することで、上記のネットワーク管理装置10の機能を実現するようにしてもかまわない。
また、上記の実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図22を用いて、上記の実施例と同様の機能を有する管理プログラムを実行するコンピュータの一例について説明する。
前記第1のトラフィックの実測値を取得する取得部と、
前記記憶部に記憶されたモデルへ前記取得部により取得された前記第1のトラフィックの実測値を入力することにより推定された第2のトラフィックの推定値と、所定の値とを比較する比較部と、
を有することを特徴とする管理装置。
前記比較部は、前記記憶部に記憶されたモデルへ前記取得部により取得された前記第1のトラフィックの実測値を入力することにより推定された第2のトラフィックの推定値と、前記取得部により取得された前記第2のトラフィックの実測値とを比較することを特徴とする付記1に記載の管理装置。
前記取得部は、前記第1のトラフィックと共に前記第1のトラフィックが取得される時間に対応する状態情報をさらに取得し、
前記比較部は、前記モデルへ前記第1のトラフィックの実測値と共に前記状態情報を入力することにより得られる第2のトラフィックの推定値を比較に用いることを特徴とする付記5に記載の管理装置。
前記比較部は、前記記憶部に記憶されたモデルへ前記取得部により取得された前記第1のトラフィックの実測値を入力することにより推定された所定時間後の第2のトラフィックの推定値と、所定の値とを比較することを特徴とする付記1に記載の管理装置。
前記第2のトラフィックの実測値を取得する取得部と、
前記記憶部に記憶されたモデルへ前記取得部により取得された前記第2のトラフィックの実測値を入力することにより推定された第1のトラフィックの推定値と、所定の値とを比較する比較部と、
を有することを特徴とする管理装置。
前記第1のトラフィックに基づいて前記ネットワークの中から前記ネットワークの外へ出力される第2のトラフィックを推定するモデルに対し、取得された前記第1のトラフィックの実測値を入力することにより推定された第2のトラフィックの推定値と、所定の値とを比較する、
処理をコンピュータが実行することを特徴とする管理方法。
前記比較する処理は、前記モデルへ前記取得する処理で取得された前記第1のトラフィックの実測値を入力することにより推定された第2のトラフィックの推定値と、前記取得する処理で取得された前記第2のトラフィックの実測値とを比較することを特徴とする付記16に記載の管理方法。
前記第1のトラフィックに基づいて前記ネットワークの中から前記ネットワークの外へ出力される第2のトラフィックを推定するモデルに対し、取得された前記第1のトラフィックの実測値を入力することにより推定された第2のトラフィックの推定値と、所定の値とを比較する、
処理をコンピュータに実行させることを特徴とする管理プログラム。
3 監視対象システム
10 ネットワーク管理装置
11 通信I/F部
13 記憶部
13a トポロジ情報
13b トラフィック情報
13c モデル情報
15 制御部
15a 取得部
15b 選択部
15c 第1の設定部
15d 第2の設定部
15e 学習実行部
15f 推定部
15g 比較部
15h 出力部
30A,30B,30C 通信装置
50 クライアント端末
Claims (10)
- 複数の通信装置を含むネットワークの外から前記ネットワークの中へ入力される第1のトラフィックに基づいて前記ネットワークの中から前記ネットワークの外へ出力される第2のトラフィックを推定するモデルを記憶する記憶部と、
前記第1のトラフィックの実測値を取得する取得部と、
前記記憶部に記憶されたモデルへ前記取得部により取得された前記第1のトラフィックの実測値を入力することにより推定された第2のトラフィックの推定値と、所定の値とを比較する比較部と、
を有することを特徴とする管理装置。 - 前記取得部は、前記第2のトラフィックの実測値をさらに取得し、
前記比較部は、前記記憶部に記憶されたモデルへ前記取得部により取得された前記第1のトラフィックの実測値を入力することにより推定された第2のトラフィックの推定値と、前記取得部により取得された前記第2のトラフィックの実測値とを比較することを特徴とする請求項1に記載の管理装置。 - 前記第2のトラフィックの推定値および前記第2のトラフィックの実測値の差が所定の閾値以上である場合、アラートを出力する出力部をさらに有することを特徴とする請求項2に記載の管理装置。
- 前記出力部は、前記第2のトラフィックの推定値および前記第2のトラフィックの実測値の差が所定の閾値以上であり、かつ前記第2のトラフィックの実測値が前記第2のトラフィックの推定値よりも小さい場合、アラートを出力することを特徴とする請求項3に記載の管理装置。
- 前記モデルの学習を実行する学習実行部をさらに有することを特徴とする請求項1〜4のいずれか1つに記載の管理装置。
- 前記学習実行部は、前記第1のトラフィックと共に、前記第1のトラフィックが計測された時間が営業状態、半営業状態または休業状態のいずれに対応するかを示す状態情報にさらに基づいて前記モデルを学習し、
前記取得部は、前記第1のトラフィックと共に前記第1のトラフィックが取得される時間に対応する状態情報をさらに取得し、
前記比較部は、前記モデルへ前記第1のトラフィックの実測値と共に前記状態情報を入力することにより得られる第2のトラフィックの推定値を比較に用いることを特徴とする請求項5に記載の管理装置。 - 前記学習実行部は、前記第1のトラフィックおよび前記第2のトラフィックとして、前記ネットワークのトポロジ上でエッジに位置する通信装置のポートが受信または送信を行うトラフィックを前記モデルの学習に用いることを特徴とする請求項5に記載の管理装置。
- 複数の通信装置を含むネットワークの中から前記ネットワークの外へ出力される第2のトラフィックに基づいて前記ネットワークの外から前記ネットワークの中へ入力される第1のトラフィックを推定するモデルを記憶する記憶部と、
前記第2のトラフィックの実測値を取得する取得部と、
前記記憶部に記憶されたモデルへ前記取得部により取得された前記第2のトラフィックの実測値を入力することにより推定された第1のトラフィックの推定値と、所定の値とを比較する比較部と、
を有することを特徴とする管理装置。 - 複数の通信装置を含むネットワークの外から前記ネットワークの中へ入力される第1のトラフィックの実測値を取得し、
前記第1のトラフィックに基づいて前記ネットワークの中から前記ネットワークの外へ出力される第2のトラフィックを推定するモデルに対し、取得された前記第1のトラフィックの実測値を入力することにより推定された第2のトラフィックの推定値と、所定の値とを比較する、
処理をコンピュータが実行することを特徴とする管理方法。 - 複数の通信装置を含むネットワークの外から前記ネットワークの中へ入力される第1のトラフィックの実測値を取得し、
前記第1のトラフィックに基づいて前記ネットワークの中から前記ネットワークの外へ出力される第2のトラフィックを推定するモデルに対し、取得された前記第1のトラフィックの実測値を入力することにより推定された第2のトラフィックの推定値と、所定の値とを比較する、
処理をコンピュータに実行させることを特徴とする管理プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017108724A JP6863091B2 (ja) | 2017-05-31 | 2017-05-31 | 管理装置、管理方法及び管理プログラム |
US15/991,278 US10965542B2 (en) | 2017-05-31 | 2018-05-29 | Management apparatus, management method and non-transitory computer-readable storage medium for storing management program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017108724A JP6863091B2 (ja) | 2017-05-31 | 2017-05-31 | 管理装置、管理方法及び管理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018207241A true JP2018207241A (ja) | 2018-12-27 |
JP6863091B2 JP6863091B2 (ja) | 2021-04-21 |
Family
ID=64460133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017108724A Active JP6863091B2 (ja) | 2017-05-31 | 2017-05-31 | 管理装置、管理方法及び管理プログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US10965542B2 (ja) |
JP (1) | JP6863091B2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021103838A (ja) * | 2019-12-25 | 2021-07-15 | 株式会社日立製作所 | 通信監視装置及び通信監視方法 |
WO2022259475A1 (ja) * | 2021-06-10 | 2022-12-15 | 日本電信電話株式会社 | パス制御装置、パス制御方法、及び、パス制御プログラム |
WO2023026417A1 (ja) * | 2021-08-25 | 2023-03-02 | 日本電信電話株式会社 | 経路制御方法および経路制御装置 |
US11616704B2 (en) | 2021-03-08 | 2023-03-28 | Fujitsu Limited | Information processing method, storage medium, and information processing device |
CN116319378A (zh) * | 2023-05-16 | 2023-06-23 | 合肥工业大学 | 基于深度学习的网络流量矩阵估计、模型训练方法和系统 |
JP7382468B1 (ja) | 2022-09-06 | 2023-11-16 | ソフトバンク株式会社 | 通信監視装置、通信監視装置の制御方法、及び通信監視装置の制御プログラム |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7298343B2 (ja) * | 2019-07-01 | 2023-06-27 | 日本電信電話株式会社 | 故障影響推定装置、故障影響推定方法、及びプログラム |
CN110782550B (zh) * | 2019-09-20 | 2021-08-31 | 腾讯科技(深圳)有限公司 | 一种数据采集方法、装置及设备 |
CN111064721A (zh) * | 2019-12-11 | 2020-04-24 | 中国科学院深圳先进技术研究院 | 网络流量异常检测模型的训练方法及检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007221699A (ja) * | 2006-02-20 | 2007-08-30 | Kddi Corp | トラヒック量変動の上限値を予測するトラヒック量予測装置、プログラム及び方法 |
JP2010511359A (ja) * | 2006-11-29 | 2010-04-08 | ウイスコンシン アラムナイ リサーチ フオンデーシヨン | ネットワーク異常検出のための方法と装置 |
WO2015057119A1 (en) * | 2013-10-18 | 2015-04-23 | Telefonaktiebolaget L M Ericsson (Publ) | Alarm prediction in a telecommunication network |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0764944A (ja) | 1993-08-30 | 1995-03-10 | Fuji Xerox Co Ltd | ニューラルネットワークの学習方法 |
AU692369B2 (en) * | 1995-02-02 | 1998-06-04 | Aprisma Management Technologies, Inc. | Method and apparatus for learning network behavior trends and predicting future behavior of communications networks |
JP3430930B2 (ja) | 1998-07-31 | 2003-07-28 | 日本電気株式会社 | パケット交換ネットワーク網におけるトラフィック推定方法および装置 |
EP1250022A1 (en) * | 2001-04-09 | 2002-10-16 | Lucent Technologies Inc. | Providing quality of service in a telecommunications system such as a UMTS or other third generation system |
JP2004023114A (ja) | 2002-06-12 | 2004-01-22 | Nippon Telegr & Teleph Corp <Ntt> | 通信トラヒック予測方法およびその装置 |
US7583587B2 (en) * | 2004-01-30 | 2009-09-01 | Microsoft Corporation | Fault detection and diagnosis |
US8676964B2 (en) * | 2008-07-31 | 2014-03-18 | Riverbed Technology, Inc. | Detecting outliers in network traffic time series |
EP2887590B1 (en) * | 2012-09-25 | 2017-09-20 | Huawei Technologies Co., Ltd. | Flow control method, device and network |
US8995249B1 (en) * | 2013-02-13 | 2015-03-31 | Amazon Technologies, Inc. | Predicting route utilization and non-redundant failures in network environments |
US9813321B2 (en) * | 2014-10-01 | 2017-11-07 | Viblast Ood | Hybrid content delivery system |
US9780909B2 (en) * | 2014-12-29 | 2017-10-03 | Juniper Networks, Inc. | Network topology optimization with feasible optical paths |
EP3041283B1 (en) * | 2014-12-30 | 2019-05-29 | Comptel Corporation | Prediction of failures in cellular radio access networks and scheduling of preemptive maintenance |
US10320825B2 (en) * | 2015-05-27 | 2019-06-11 | Cisco Technology, Inc. | Fingerprint merging and risk level evaluation for network anomaly detection |
US10070328B2 (en) * | 2015-08-20 | 2018-09-04 | International Business Mahcines Corporation | Predictive network traffic management |
CN106411934B (zh) * | 2016-11-15 | 2017-11-21 | 平安科技(深圳)有限公司 | DoS/DDoS攻击检测方法和装置 |
US11151471B2 (en) * | 2016-11-30 | 2021-10-19 | Here Global B.V. | Method and apparatus for predictive classification of actionable network alerts |
US10601768B2 (en) * | 2017-04-10 | 2020-03-24 | Verizon Digital Media Services Inc. | Automated steady state traffic management |
-
2017
- 2017-05-31 JP JP2017108724A patent/JP6863091B2/ja active Active
-
2018
- 2018-05-29 US US15/991,278 patent/US10965542B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007221699A (ja) * | 2006-02-20 | 2007-08-30 | Kddi Corp | トラヒック量変動の上限値を予測するトラヒック量予測装置、プログラム及び方法 |
JP2010511359A (ja) * | 2006-11-29 | 2010-04-08 | ウイスコンシン アラムナイ リサーチ フオンデーシヨン | ネットワーク異常検出のための方法と装置 |
WO2015057119A1 (en) * | 2013-10-18 | 2015-04-23 | Telefonaktiebolaget L M Ericsson (Publ) | Alarm prediction in a telecommunication network |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021103838A (ja) * | 2019-12-25 | 2021-07-15 | 株式会社日立製作所 | 通信監視装置及び通信監視方法 |
JP7409866B2 (ja) | 2019-12-25 | 2024-01-09 | 株式会社日立製作所 | 通信監視装置及び通信監視方法 |
US11616704B2 (en) | 2021-03-08 | 2023-03-28 | Fujitsu Limited | Information processing method, storage medium, and information processing device |
WO2022259475A1 (ja) * | 2021-06-10 | 2022-12-15 | 日本電信電話株式会社 | パス制御装置、パス制御方法、及び、パス制御プログラム |
WO2023026417A1 (ja) * | 2021-08-25 | 2023-03-02 | 日本電信電話株式会社 | 経路制御方法および経路制御装置 |
JP7382468B1 (ja) | 2022-09-06 | 2023-11-16 | ソフトバンク株式会社 | 通信監視装置、通信監視装置の制御方法、及び通信監視装置の制御プログラム |
CN116319378A (zh) * | 2023-05-16 | 2023-06-23 | 合肥工业大学 | 基于深度学习的网络流量矩阵估计、模型训练方法和系统 |
CN116319378B (zh) * | 2023-05-16 | 2023-07-21 | 合肥工业大学 | 基于深度学习的网络流量矩阵估计、模型训练方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
US20180351823A1 (en) | 2018-12-06 |
US10965542B2 (en) | 2021-03-30 |
JP6863091B2 (ja) | 2021-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6863091B2 (ja) | 管理装置、管理方法及び管理プログラム | |
Rahman et al. | Auto-scaling VNFs using machine learning to improve QoS and reduce cost | |
US20200236038A1 (en) | Dynamic Deployment of Network Applications Having Performance and Reliability Guarantees in Large Computing Networks | |
US20210012239A1 (en) | Automated generation of machine learning models for network evaluation | |
US10608901B2 (en) | System and method for applying machine learning algorithms to compute health scores for workload scheduling | |
Verba et al. | Modeling industry 4.0 based fog computing environments for application analysis and deployment | |
Singh et al. | Machine-learning-based prediction for resource (re) allocation in optical data center networks | |
US11032150B2 (en) | Automatic prediction of behavior and topology of a network using limited information | |
WO2018076791A1 (zh) | 一种资源负载均衡控制方法及集群调度器 | |
JP2021530067A (ja) | データセンターハードウェアインスタンスネットワークのトレーニング | |
US10841173B2 (en) | System and method for determining resources utilization in a virtual network | |
da Silva et al. | Horizontal auto-scaling in edge computing environment using online machine learning | |
WO2020119627A1 (zh) | 应用于分布式容器云平台的异常检测与定位方法及装置 | |
Tuli et al. | Carol: Confidence-aware resilience model for edge federations | |
KR20200126766A (ko) | Ict 인프라의 운용 관리 장치 및 방법 | |
JP6068296B2 (ja) | 制御装置、計算資源管理方法及び計算資源管理プログラム | |
Hosamani et al. | Elastic provisioning of Hadoop clusters on OpenStack private cloud | |
CN106406082B (zh) | 一种系统控制方法、装置,控制器及控制系统 | |
Xia et al. | Learn to optimize: Adaptive VNF provisioning in mobile edge clouds | |
JP2016010124A (ja) | 管理装置、管理プログラム及び情報処理システム | |
KR20210058468A (ko) | 지능형 에지 네트워킹의 인공지능 운용자 지원 시스템 장치 및 방법 | |
Nikbazm et al. | KSN: Modeling and simulation of knowledge using machine learning in NFV/SDN-based networks | |
Miyazawa et al. | Supervised learning based automatic adaptation of virtualized resource selection policy | |
Martinez-Julia et al. | Explained intelligent management decisions in virtual networks and network slices | |
CN111327494B (zh) | 一种多域sdn网络流量态势评估方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200310 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210128 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210302 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210315 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6863091 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |