JP2020017952A - 警告するための方法と装置 - Google Patents
警告するための方法と装置 Download PDFInfo
- Publication number
- JP2020017952A JP2020017952A JP2019128050A JP2019128050A JP2020017952A JP 2020017952 A JP2020017952 A JP 2020017952A JP 2019128050 A JP2019128050 A JP 2019128050A JP 2019128050 A JP2019128050 A JP 2019128050A JP 2020017952 A JP2020017952 A JP 2020017952A
- Authority
- JP
- Japan
- Prior art keywords
- traffic data
- sample
- data sequence
- traffic
- prediction 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.)
- Pending
Links
Images
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
- H04L41/16—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
- H04L43/06—Generation of reports
- H04L43/062—Generation of reports related to network traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- H04L41/149—Network analysis or design for prediction of maintenance
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Telephonic Communication Services (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
Claims (20)
- リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータを得るステップであって、ここで、前記トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するためのものであるステップと、
前記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発するステップと、
を含む警告するための方法。 - 前記トラフィック予測モデルは、畳み込みニューラルネットワーク、残差ネットワーク、および完全接続層を含む請求項1に記載の方法。
- 前記リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータを得るステップは、
前記リアルタイムで採集されたトラフィックデータシーケンスを前記畳み込みニューラルネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを得るステップであって、ここで、前記畳み込みニューラルネットワークは、リアルタイムで採集されたトラフィックデータシーケンスとリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとの対応関係を表すためのものであるステップと、
リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを前記残差ネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルの融合特徴ベクトルを得るステップであって、ここで、前記残差ネットワークは、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係を表すためのものであるステップと、
融合特徴ベクトルを前記完全接続層に入力して、前記リアルタイムで採集されたトラフィックデータシーケンスの予測トラフィックデータを得るステップであって、ここで、前記完全接続層は、融合特徴ベクトルと予測トラフィックデータとの対応関係を表すためのものであるステップと、
を含む請求項2に記載の方法。 - 前記残差ネットワークは、深層特性抽出ネットワークと表層特性抽出ネットワークを含み、
ここで、前記深層特性抽出ネットワークは少なくとも2つの畳み込み層を含み、前記少なくとも2つの畳み込み層における前の畳み込み層の出力は、隣接する後の畳み込み層の入力とされる、請求項3に記載の方法。 - 前記トラフィック予測モデルは、
履歴データからサンプルトラフィックデータシーケンスを抽出して、サンプルトラフィックデータシーケンスセットを得るステップであって、ここで、履歴データは、障害がないときのネットワークトラフィックの履歴データであり、サンプルトラフィックデータシーケンスにおける隣接するサンプルトラフィックデータの間は、決められた時間の間隔を置かれるステップと、
前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力して訓練することによりトラフィック予測モデルを得るステップと、
により訓練され得られる、請求項1に記載の方法。 - 前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力して訓練することによりトラフィック予測モデルを得るステップは、
前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータを得る訓練ステップと、
前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、前記初期トラフィック予測モデルの予測正確率を得る訓練ステップと、
前記予測正確率が予め設定された正確率閾値より大きいかどうかを確認する訓練ステップと、
前記設定された正確率閾値より大きい場合、前記初期トラフィック予測モデルを訓練が完了したトラフィック予測モデルとする訓練ステップと、
を実行することを含む、請求項5に記載の方法。 - 前記、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力して訓練することによりトラフィック予測モデルを得るステップは、
前記設定された正確率閾値より大きくないことに応答して、前記初期トラフィック予測モデルのパラメータを調整し、前記訓練ステップを実行し続けるステップをさらに含む、請求項6に記載の方法。 - 前記前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータを得るステップは、
前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対して、このサンプルトラフィックデータシーケンス内の連続するN個のサンプルトラフィックデータを初期トラフィック予測モデルに導入して、前記N個のサンプルトラフィックデータに対応する初期予測トラフィックデータを得るステップを含む、請求項6に記載の方法。 - 前記前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、前記初期トラフィック予測モデルの予測正確率を得るステップは、
サンプルトラフィックデータシーケンスにおけるN+1番目のサンプルトラフィックデータをサンプル予測トラフィックデータとするステップと、
初期予測トラフィックデータとサンプル予測トラフィックデータとの差が差分閾値より小さいことに応答し、この初期予測トラフィックデータが正しいとマーキングするステップと、
初期トラフィック予測モデルによって得られたサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータの正確率を統計し、初期トラフィック予測モデルの予測正確率を得るステップと、
を含む、請求項8に記載の方法。 - リアルタイムで採集されたトラフィックデータシーケンスを予め訓練されたトラフィック予測モデルに導入して、予測トラフィックデータを得るように構成された予測トラフィックデータ取得ユニットであって、ここで、前記トラフィック予測モデルは、リアルタイムで採集されたトラフィックデータシーケンスに基づいて予測トラフィックデータを算出するためのものである予測トラフィックデータ取得ユニットと、
前記予測トラフィックデータと時間的に対応する実際のトラフィックデータとの差が設定閾値より大きいことに応答し、警告信号を発するように構成された警告ユニットと、を含む警告するための装置。 - 前記トラフィック予測モデルは、畳み込みニューラルネットワーク、残差ネットワーク、および完全接続層を含む請求項10に記載の方法。
- 前記予測トラフィックデータ取得ユニットは、
前記リアルタイムで採集されたトラフィックデータシーケンスを前記畳み込みニューラルネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを得るように構成された第1の特徴ベクトル取得サブユニットであって、ここで、前記畳み込みニューラルネットワークは、リアルタイムで採集されたトラフィックデータシーケンスとリアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルとの対応関係を表すためのものである第1の特徴ベクトル取得サブユニットと、
リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルを前記残差ネットワークに入力して、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルの融合特徴ベクトルを得るように構成された第2の特徴ベクトル取得サブユニットであって、ここで、前記残差ネットワークは、リアルタイムで採集されたトラフィックデータシーケンスの特徴ベクトルと融合特徴ベクトルとの対応関係を表すためのものである第2の特徴ベクトル取得サブユニットと、
融合特徴ベクトルを前記完全接続層に入力して、前記リアルタイムで採集されたトラフィックデータシーケンスの予測トラフィックデータを得るように構成された予測トラフィックデータ取得サブユニットであって、ここで、前記完全接続層は、融合特徴ベクトルと予測トラフィックデータとの対応関係を表すためのものである予測トラフィックデータ取得サブユニットと、を含む請求項11に記載の装置。 - 前記残差ネットワークは、深層特性抽出ネットワークと表層特性抽出ネットワークを含み、
ここで、前記深層特性抽出ネットワークは少なくとも2つの畳み込み層を含み、前記少なくとも2つの畳み込み層における前の畳み込み層の出力は、隣接する後の畳み込み層の入力とされる、請求項12に記載の装置。 - トラフィック予測モデルを訓練するように構成されたトラフィック予測モデル訓練ユニットを含み、
前記トラフィック予測モデル訓練ユニットは、
履歴データからサンプルトラフィックデータシーケンスを抽出して、サンプルトラフィックデータシーケンスセットを得るように構成されたサンプル取得サブユニットであって、ここで、履歴データは、障害がないときのネットワークトラフィックの履歴データであって、サンプルトラフィックデータシーケンスにおける隣接するサンプルトラフィックデータの間は、決められた時間の間隔を置かれるサンプル取得サブユニットと、
前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを入力として、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータを出力として訓練することによりトラフィック予測モデルを得るように構成されたトラフィック予測モデル訓練サブユニットと、を含む、請求項10に記載の装置。 - 前記トラフィック予測モデル訓練サブユニットは、トラフィック予測モデル訓練モジュールを含み、
前記トラフィック予測モデル訓練モジュールは、
前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスを順次に初期トラフィック予測モデルに導入して、前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータを得、
前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータとこのサンプルトラフィックデータシーケンスに対応するサンプル予測トラフィックデータとを比較し、前記初期トラフィック予測モデルの予測正確率を得、
前記予測正確率が予め設定された正確率閾値より大きいかどうかを確認し、
前記設定された正確率閾値より大きい場合、前記初期トラフィック予測モデルを訓練が完了したトラフィック予測モデルとする、ように構成された、請求項14に記載の装置。 - 前記トラフィック予測モデル訓練サブユニットは、
前記設定された正確率閾値より大きくないことに応答して、前記初期トラフィック予測モデルのパラメータを調整し、前記訓練ステップを実行し続けるように構成されたパラメータ調整モジュールをさらに含む、請求項15に記載の装置。 - 前記トラフィック予測モデル訓練モジュールは、
前記サンプルトラフィックデータシーケンスセットにおけるサンプルトラフィックデータシーケンスに対して、このサンプルトラフィックデータシーケンス内の連続するN個のサンプルトラフィックデータを初期トラフィック予測モデルに導入して、前記N個のサンプルトラフィックデータに対応する初期予測トラフィックデータを得るように構成された初期予測トラフィックデータ取得サブモジュールを含む、請求項15に記載の装置。 - 前記トラフィック予測モデル訓練モジュールは、
サンプルトラフィックデータシーケンスにおけるN+1番目のサンプルトラフィックデータをサンプル予測トラフィックデータとするように構成されたサンプル予測トラフィックデータ設定サブモジュールと、
初期予測トラフィックデータとサンプル予測トラフィックデータとの差が差分閾値より小さいことに応答し、この初期予測トラフィックデータが正しいとマーキングするように構成されたマーキングサブモジュールと、
初期トラフィック予測モデルによって得られたサンプルトラフィックデータシーケンスに対応する初期予測トラフィックデータの正確率を統計し、初期トラフィック予測モデルの予測正確率を得るように構成された予測正確率取得サブモジュールと、
を含む、請求項17に記載の装置。 - 1つ以上のプロセッサと、
1つ以上のプログラムが記憶された記憶装置と、を含み、
前記1つ以上のプログラムが前記1つ以上のプロセッサによって実行されるとき、請求項1から9のいずれか1項に記載の方法を前記1つ以上のプロセッサに実行させる、サーバー。 - コンピュータプログラムが記憶されたコンピュータ可読媒体であって、
前記コンピュータプログラムがプロセッサによって実行されるとき、請求項1から9のいずれか1項に記載の方法を実現することを特徴とするコンピュータ可読媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810817136.X | 2018-07-24 | ||
CN201810817136.XA CN108985446A (zh) | 2018-07-24 | 2018-07-24 | 用于告警的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020017952A true JP2020017952A (ja) | 2020-01-30 |
Family
ID=64549551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019128050A Pending JP2020017952A (ja) | 2018-07-24 | 2019-07-10 | 警告するための方法と装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10951500B2 (ja) |
JP (1) | JP2020017952A (ja) |
CN (1) | CN108985446A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022113332A1 (ja) * | 2020-11-30 | 2022-06-02 | 日本電信電話株式会社 | Nfvシステム |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816983A (zh) * | 2019-02-26 | 2019-05-28 | 昆明理工大学 | 一种基于深度残差网络的短时交通流量预测方法 |
CN109921950B (zh) * | 2019-03-28 | 2021-08-06 | 北京奇艺世纪科技有限公司 | 一种网络带宽需求预测方法、装置及电子设备 |
CN109995592A (zh) * | 2019-04-09 | 2019-07-09 | 中国联合网络通信集团有限公司 | 业务质量监控方法和设备 |
CN110119725B (zh) * | 2019-05-20 | 2021-05-25 | 百度在线网络技术(北京)有限公司 | 用于检测信号灯的方法及装置 |
CN110149238B (zh) * | 2019-06-18 | 2022-10-28 | 北京百度网讯科技有限公司 | 用于预测流量的方法和装置 |
WO2020261448A1 (ja) * | 2019-06-26 | 2020-12-30 | 日本電信電話株式会社 | 予測装置、予測方法、及び予測プログラム |
JP7160205B2 (ja) * | 2019-07-12 | 2022-10-25 | 日本電信電話株式会社 | 抽出装置、抽出方法及び抽出プログラム |
CN110347973B (zh) * | 2019-07-15 | 2023-07-14 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111325278B (zh) * | 2020-02-26 | 2023-08-29 | 重庆金山医疗技术研究院有限公司 | 一种图像处理方法、装置及存储介质 |
CN111740865B (zh) * | 2020-06-23 | 2022-09-02 | 北京奇艺世纪科技有限公司 | 一种流量波动趋势预测方法、装置及电子设备 |
CN111769985A (zh) * | 2020-06-29 | 2020-10-13 | 中国联合网络通信集团有限公司 | 一种数据流量预测方法及装置 |
CN112036642A (zh) * | 2020-08-31 | 2020-12-04 | 中国平安人寿保险股份有限公司 | 基于人工智能的信息预测方法、装置、设备及介质 |
CN112801712B (zh) * | 2021-02-09 | 2024-03-01 | 杭州网易再顾科技有限公司 | 一种广告投放策略的优化方法及装置 |
CN113361855A (zh) * | 2021-05-07 | 2021-09-07 | 浙江警官职业学院 | 一种短中长期风险的告警方法及装置 |
US11962506B2 (en) | 2021-06-01 | 2024-04-16 | Cisco Technology, Inc. | Dynamic traffic class upgrading |
CN113435122B (zh) * | 2021-06-30 | 2023-11-07 | 平安科技(深圳)有限公司 | 实时流量数据处理方法、装置、计算机设备和存储介质 |
US20230239310A1 (en) * | 2022-01-27 | 2023-07-27 | Avago Technologies International Sales Pte. Limited | Deep learning based system and method for inline network analysis |
CN114861880B (zh) * | 2022-05-06 | 2024-04-12 | 清华大学 | 基于空洞卷积神经网络的工业设备故障预测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017143399A (ja) * | 2016-02-10 | 2017-08-17 | 日本電信電話株式会社 | 時系列データ異常監視装置及び時系列データ異常監視方法 |
US20170339022A1 (en) * | 2016-05-17 | 2017-11-23 | Brocade Communications Systems, Inc. | Anomaly detection and prediction in a packet broker |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105025515B (zh) * | 2015-06-30 | 2018-03-30 | 电子科技大学 | 一种基于gm模型的无线传感器网络流量异常检测方法 |
EP3301675B1 (en) * | 2016-09-28 | 2019-08-21 | Panasonic Intellectual Property Corporation of America | Parameter prediction device and parameter prediction method for acoustic signal processing |
US11048997B2 (en) * | 2016-12-27 | 2021-06-29 | Texas Instruments Incorporated | Reduced complexity convolution for convolutional neural networks |
CN106789297A (zh) * | 2016-12-29 | 2017-05-31 | 淮海工学院 | 基于神经网络的网络流量预测系统及其流量预测方法 |
US10108850B1 (en) * | 2017-04-24 | 2018-10-23 | Intel Corporation | Recognition, reidentification and security enhancements using autonomous machines |
CN111095294A (zh) * | 2017-07-05 | 2020-05-01 | 深视有限公司 | 深度视觉处理器 |
CN107948166B (zh) * | 2017-11-29 | 2020-09-25 | 广东亿迅科技有限公司 | 基于深度学习的流量异常检测方法及装置 |
CN108053080B (zh) * | 2017-12-30 | 2021-05-11 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
US11151711B2 (en) * | 2018-06-06 | 2021-10-19 | Kla-Tencor Corporation | Cross layer common-unique analysis for nuisance filtering |
-
2018
- 2018-07-24 CN CN201810817136.XA patent/CN108985446A/zh active Pending
-
2019
- 2019-07-09 US US16/506,988 patent/US10951500B2/en active Active
- 2019-07-10 JP JP2019128050A patent/JP2020017952A/ja active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017143399A (ja) * | 2016-02-10 | 2017-08-17 | 日本電信電話株式会社 | 時系列データ異常監視装置及び時系列データ異常監視方法 |
US20170339022A1 (en) * | 2016-05-17 | 2017-11-23 | Brocade Communications Systems, Inc. | Anomaly detection and prediction in a packet broker |
Non-Patent Citations (1)
Title |
---|
中津川 恵一、ほか: "ディープラーニングを用いたネットワーク状態変化検知", 電子情報通信学会技術研究報告 VOL.117 NO.459, vol. 第117巻, JPN6020029084, 22 February 2018 (2018-02-22), JP, pages 321 - 326, ISSN: 0004631069 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022113332A1 (ja) * | 2020-11-30 | 2022-06-02 | 日本電信電話株式会社 | Nfvシステム |
Also Published As
Publication number | Publication date |
---|---|
CN108985446A (zh) | 2018-12-11 |
US10951500B2 (en) | 2021-03-16 |
US20200036611A1 (en) | 2020-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020017952A (ja) | 警告するための方法と装置 | |
US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
JP7307089B2 (ja) | ニューラル・ネットワークを使用した時系列データ間の依存関係の動的検出 | |
US10699195B2 (en) | Training of artificial neural networks using safe mutations based on output gradients | |
US11315024B2 (en) | Cognitive computing systems and services utilizing internet of things environment | |
Kondratenko et al. | Multi-criteria decision making for selecting a rational IoT platform | |
US20210056430A1 (en) | Intelligent time-series analytic engine | |
JP6355683B2 (ja) | リスク早期警報方法、装置、記憶媒体およびコンピュータプログラム | |
Saneja et al. | An efficient approach for outlier detection in big sensor data of health care | |
CN114330510B (zh) | 模型训练方法、装置、电子设备和存储介质 | |
CN111523640A (zh) | 神经网络模型的训练方法和装置 | |
CN115085196B (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
US20150186617A1 (en) | System and method for probabilistic evaluation of contextualized reports and personalized recommendation in travel health personal assistants | |
CN112070216A (zh) | 一种基于图计算系统训练图神经网络模型的方法及系统 | |
Fizza et al. | A survey on evaluating the quality of autonomic internet of things applications | |
US20230133541A1 (en) | Alert correlating using sequence model with topology reinforcement systems and methods | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
JP2022095895A (ja) | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム | |
CN117388893A (zh) | 一种基于gps的多设备定位系统 | |
CN113835973B (zh) | 一种模型训练方法及相关装置 | |
US20150212974A1 (en) | Fast and automated arima model initialization | |
CN114639072A (zh) | 人流量信息生成方法、装置、电子设备和计算机可读介质 | |
Shen et al. | Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks | |
TWI696401B (zh) | 基地台之障礙辨識伺服器及方法 | |
CN116884215B (zh) | 交通状态的预测、模型的生成方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190710 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190710 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200721 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200812 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201109 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210409 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20210531 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210804 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20210804 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20210930 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20211001 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20211105 |
|
C211 | Notice of termination of reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C211 Effective date: 20211109 |
|
C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20211216 |
|
C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20220210 |
|
C13 | Notice of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: C13 Effective date: 20220302 |
|
C28A | Non-patent document cited |
Free format text: JAPANESE INTERMEDIATE CODE: C2838 Effective date: 20220302 |
|
C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20220412 |
|
C23 | Notice of termination of proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C23 Effective date: 20220701 |
|
C03 | Trial/appeal decision taken |
Free format text: JAPANESE INTERMEDIATE CODE: C03 Effective date: 20220802 |
|
C30A | Notification sent |
Free format text: JAPANESE INTERMEDIATE CODE: C3012 Effective date: 20220802 |