JP5393894B2 - 通信ネットワークにおけるシステムのシミュレーションのための方法及び装置 - Google Patents

Description

本発明は通信ネットワークの分野、具体的には通信ネットワークにおけるノードの規模決定に関する。

通信ネットワークは、多数の相互接続した各種の形式のノードからなる、高度に複雑な構造体であり、そこでは、数多くの異なる送信経路に、大量のシグナリングとユーザ・データを経路指定することができる。装置コストを合理的な水準で保ちながら、通信ネットワークの容量がそのユーザの送信期待に応えることができることを保証するため、特定のトラヒック挙動またはあるエリア内の特定のトラヒック負荷をサポートするために必要なノード数を推定する方法が望まれる。新しい通信システムの規模を決定する場合には、既存の通信ネットワークの容量を変化する需要に適合させるプロセスにおいてと同様、そのような推定を役立てることができる。

通信ネットワークの規模決定のための既存の方法は、典型的には、希望のネットワーク特性を数値的に計算するために数値モデルを使用し、それによって設計プロセスの間のネットワーク計画技術者を支援する。そのような方法の例は、非特許文献１の第８章に、同様に非特許文献２に与えられている。

そのような数値的な規模決定モデルは、典型的には非常に複雑であり、しばしば、規模決定される予定のシステムの物理特性、ネットワークのユーザの挙動、および、具体的には無線基地の通信ネットワークの場合では、ネットワークの地理的環境からなる仮定に基づいている。数値モデルの品質は、実世界のネットワークの規模決定に対する、得られた結果の無矛盾性および適応性を決定するので、そのような数値モデルはできるだけ正確である必要がある。しかしながら、これらのシステムの複雑性のため、希望の正確さを獲得することは非常に困難である。計画および最適化の方法がどれだけ正確であっても、もし不正確なモデルを使用するなら、結果は実用にならないであろう。

Ｈ．ＨｏｌｍａおよびＡ．Ｔｏｓｋａｌａ編、"ＵＭＴＳのためのＷＣＤＭＡ（ＷＣＤＭＡ ｆｏｒ ＵＭＴＳ）"、Ｊｏｈｎ Ｗｉｌｅｙ＆Ｓｏｎｓ、Ｌｔｄ、２００４年 Ｕｐａｓｏ等、"ＷｉＭＡＸネットワークのための無線ネットワークの規模決定及び計画（Ｒａｄｉｏ Ｎｅｔｗｏｒｋ Ｄｉｍｅｎｓｉｏｎｉｎｇ ａｎｄ Ｐｌａｎｎｉｎｇ ｆｏｒ ＷｉＭＡＸ Ｎｅｔｗｏｒｋｓ）"、Ｆｕｊｉｔｓｕ Ｓｃｉ． Ｔｅｃｈ．Ｊ、Ｖｏｌ．４２、４、Ｐ．４３５−４５０ Ｍ．Ｊ．Ａｔａｌｌａｈ編、"計算のアルゴリズムと理論ハンドブック（Ａｌｇｏｒｉｔｈｍｓ ａｎｄ Ｔｈｅｏｒｙ ｏｆ Ｃｏｍｐｕｔａｔｉｏｎ Ｈａｎｄｂｏｏｋ）"、ＣＲＣ Ｐｒｅｓｓ １９９９年、３１章 Ｖ．ＣｈａｎｄｒａおよびＭ．Ｒ．Ｒａｏ、"線形計画法（Ｌｉｎｅａｒ Ｐｒｏｇｒａｍｍｉｎｇ）"

本発明が関する問題は、通信ネットワークにおける負荷を予測する、より効率的な方法をいかに獲得するかにある。

この問題については、システムにおけるリソースの負荷の予測値を獲得するため、通信ネットワークのシステムをシミュレーションする方法によって対処する。負荷を予測する予定のリソースは、例えば、処理リソースまたはデータ記憶リソースであってよい。本方法は、負荷予測装置の入力で、ｍ個の異なるときｔ_i｛ｉ＝１．．．ｍ｝に参照システムにおいて発生するｎ個のイベントに対する強度値｛ａ_ij、ｉ＝１．．．ｍ、ｊ＝１．．．ｎ｝を受信するステップであって、イベントｊの発生によりリソース量ｘ_jが必要となるステップと、前記負荷予測装置の入力で、ｍ個の異なるときｔ_iに参照システムにおける総負荷Ｌ_iの値を受信するステップ（２１０）と、前記負荷予測装置の入力で、負荷が予測されるシステムのシナリオにおけるｎ個のイベントの各々に対する強度値｛ｂ_pi｝を受信するステップとを有する。本方法には、負荷予測装置において、次式で記述される目的関数Ｓを最適化することを更に含む。

Ｓ＝Σ_J=1 ⁿ(b_pjx_j)，
この式は下記の式（３）によって記述される線形不等式制約の条件化にあり、ｙ_ｉおよびｚ_ｉは参照システムの測定された総負荷Ｌ_ｉの関数であり、本最適化は、目的関数Ｓの少なくとも一つの最適化結果をもたらし、システムにおける総負荷の予測値Ｌ_ｐを獲得できる。

本問題については、システムにおけるリソースの負荷の予測値を獲得するため、通信ネットワークにおけるシステムをシミュレーションするためのシミュレーション装置によって更に対処する。このシミュレーション装置は、ｍ個の異なるときｔ_ｉに参照システムにおいて発生するｎ個のイベントに対する強度値｛ａ_ij、ｉ＝１．．．ｍ、ｊ＝１．．．ｎ｝を受信するよう配置した入力部であって、イベントｊの発生によりリソース量ｘ_jが必要とされる入力部と、ｍ個の異なるときｔ_iに参照システムにおける総負荷Ｌ_iの値を受信するよう配置した入力部と、負荷が予測されるシステムのシナリオにおける、ｎ個のイベントの各々に対する強度値｛ｂ_ｐｊ｝を受信するよう配置した入力部とを有する。前記シミュレーション装置には、前記入力部に接続した最適化メカニズムを更に備える。最適化装置は、参照システムにおける総負荷Ｌ_iの受信した値から上限境界ｚ_iおよび下限境界ｙ_iを決定し、
Ｓ＝Σ_J=1 ⁿ(b_pjx_j),
で記述される目的関数Ｓを最適化し、この式は、本最適化が目的関数Ｓの少なくとも一つの最適化した結果をもたらし、それによって、システムにおける総負荷の予測値Ｌ_pを獲得できるような方法で、そして目的関数Ｓの少なくとも一つの最適化した結果を表わす信号を分配するため、下記の式（３）によって記述される線形不等式制約の条件化にある。

また本問題については、システムにおけるリソースの負荷の予測値を獲得するため、通信ネットワークにおけるシステムをシミュレーションするコンピュータ・プログラムによって、および、コンピュータ・プログラムを記憶するコンピュータ読取可能手段を備えるコンピュータ・プログラム製品によって更に対処する。

シミュレーション方法、装置およびコンピュータ・プログラムにより、一定のシナリオで、通信ネットワークにおけるシステムの負荷のより正確な予測値をより簡単な手段により獲得することができる、ということが実現される。本シミュレーション・モデルは、装置の物理特性についてだけでなく、負荷を予測する予定のシステムの地理的環境についても、いかなる仮定または推定を必要としない。更に、異なるユーザ挙動シナリオに対して、予測値は容易にかつ素早く獲得できるが、その理由は、ユーザ挙動はシステム・モデルの一部を構成するのではなく、むしろ最適化モデルを形成するための入力として使用されるからである。

目的関数の最適化は、線形計画法により効率的に実行可能である。

一つの実施形態では、不等式制約のための境界は、参照システムの測定した総負荷Ｌ_ｉの各々の値から抽出される。例えば、下限境界はｙ_i＝Ｌ_i（１−ρ）によって与えられてもよく、上限境界はｚ_i＝Ｌ_i（１＋δ）によって与えられてもよい。これらは不等式制約のための上限および下限境界の十分な定義であることが判明したが、それにより総負荷の正確な予測値が獲得できる。

本発明の一つの実施形態では、目的関数Ｓの最小結果Ｓ_minおよび最大結果Ｓ_maxに到達するよう、目的関数Ｓを最適化し、負荷予測値Ｌ_pは、目的関数Ｓの最小結果Ｓ_minおよび最大結果Ｓ_maxの関数として獲得される。負荷予測値は、例えば、最小結果と最大結果の平均値として獲得されてもよい。この実施形態は高い精度の負荷予測値を与えることが判明した。

一つの応用では、通信ネットワークにおけるシステムの負荷を監視するために、本技術を使用することができる。この応用では、参照システムと、負荷予測値を決定する予定のシステムとは同じであり、負荷を予測する予定のシナリオを表わす受信強度値｛ｂ_pj｝は、時間ｔ_cにおける特定のポイントでのシステムのｎ個のイベントの強度の測定値から獲得されている。この応用では、本方法には更に、目的関数Ｓの少なくとも一つの最適化した結果を使用して、総負荷の予測値Ｌ_pを生成するステップと、予測される総負荷の、時間ｔ_cにおける特定のポイントで獲得した測定値Ｌ_mを受信するステップと、時間ｔ_cで予測した総負荷Ｌ_pを、時間ｔ_cで測定した総負荷Ｌ_mと比較するステップと、測定した総負荷Ｌ_mが予測した総負荷Ｌ_pから所定の値以上に逸脱しているなら、測定した総負荷Ｌ_mが予測した総負荷Ｌ_pから逸脱しているとの表示を生成するステップとを輸数る。

この応用では、負荷監視装置が提供されてもよく、本負荷監視装置には、上記で説明したシミュレーション装置を備え、シミュレーション装置の最適化メカニズムからの出力を受信するよう配置した予測生成メカニズムを更に備える。予測生成メカニズムは、目的関数Ｓの少なくとも一つの最適化結果を使用して、総負荷の予測値Ｌ_pを生成するよう、そしてシミュレーション装置の出力（４２０）で前記予測値を表わす信号を配信するよう配置される。負荷監視装置には、予測する予定の総負荷の測定値Ｌ_mを受信するよう配置した入力と、前記入力に接続し、シミュレーション装置から、予測した総負荷を表わす出力信号を受信するよう更に構成した性能検査メカニズムとを更に備える。性能検査メカニズムは、予測した総負荷Ｌ_pを測定した総負荷Ｌ_mと比較し、もし測定した総負荷Ｌ_mが、それが比較される予測した総負荷Ｌ_pから所定の値以上逸脱しているなら、その表示を生成するよう、更に構成される。

この応用は、もしシステムの性能がリソース問題により悪化するなら、早期の警報の発行を容易にしている。

もう一つの応用では、本技術は、通信ネットワークにおけるシステムの規模決定で使用可能である。この応用では、予測されるシステムの総負荷の予測値Ｌ_pを生成するため、目的関数Ｓの少なくとも一つの最適化結果を使用する。本方法は、目的関数Ｓの少なくとも一つの最適化結果を使用して、総負荷の予測値Ｌ_pを生成するステップと、システムにおける総負荷の予測値Ｌ_pから、シミュレーションされたシステムの適当な規模の値を抽出するステップと、適当な規模の前記値を表わす信号を生成するステップとを有する。

この応用では、通信ネットワークにおけるシステムの規模決定のための規模決定装置が提供される。規模決定装置には、上記で説明したシミュレーション装置を備えるが、シミュレーション装置には最適化メカニズムから出力を受信するよう構成した予測生成メカニズムを備えており、予測生成メカニズムは、目的関数Ｓの少なくとも一つの最適化結果を使用して総負荷の予測値Ｌ_pを生成するよう、そしてシミュレーション装置の出力で前記予測値を表わす信号を配信するよう構成される。規模決定装置には、シミュレーション装置から前記予測値を表わす出力信号を受信するよう配置し、そして、システムにおける総負荷の予測値Ｌ_pから、シミュレーションされるシステムの適当な規模の値を抽出して、適当な規模の前記の値を表わす信号を生成するよう配置した、規模抽出メカニズムを更に備える。

この応用により、新規および既存のシステムの効率的な規模決定が可能となる。

本発明の更なる側面は、以下の詳細な説明および添付の特許請求の範囲において示される。

ＷＣＤＭＡ標準により動作する通信システムの概略図である。 特定のシナリオにおけるシステムの負荷を予測する方法の実施形態を示すフローチャートである。 図２の負荷予測方法を使用した規模決定方法の実施形態を示すフローチャートである。 図２の負荷予測方法を使用した規模決定方法の実施形態を示すもう一つのフローチャートである。 図２の負荷予測方法を使用した負荷監視方法の実施形態を示すフローチャートである。 負荷予測装置の実施形態の概略図である。 図４の負荷予測装置を備える規模決定装置の実施形態の概略図である。 図４の負荷予測装置を備える負荷監視装置の実施形態の概略図である。 図６ａの負荷監視装置を備える通信ノードの概略図である。 図４の負荷予測装置の代替的表現である。 ＲＮＣの専用処理ボードのための時間で異なるポイントにおけるキー・イベント強度と総処理負荷の測定値を示す表である。 ＲＮＣの専用処理ボードのための時間の関数として、総処理負荷の測定値、同じく総処理負荷の予測値を示すグラフである。

略語
ＢＳＣ 基地局制御装置
ＢＴＳ 基地局
ＣＰＵ 中央処理ユニット
ＣＳ 回線交換
ＦＩＦＯ 先入れ先出し
ＧＧＳＮ ゲートウエイＧＰＲＳサポート・ノード
ＧＳＭ グローバル移動通信システム
ＨＬＲ ホーム・ロケーション・レジスタ
ＨＳ 高速
ＫＢＰＳ キロビット／秒
ＬＴＥ ロング・ターム・エボリューション
ＭＧＷ メディア・ゲートウエイ
ＭＰ 主プロセッサ
ＭＳＣ 移動サービス交換局
Ｏ＆Ｍ 運用と保守
ＰＳ パケット交換
ＲＮＣ 無線ネットワーク制御装置
ＳＧＳＮ サービングＧＰＲＳサポート・ノード
ＷＣＤＭＡ 広帯域符号分割多元接続
ＵＰ ユーザ・プレーン
ＰＭ 性能測定
ＲＡＮＡＰ 無線アクセス・ネットワーク・アプリケーション部。

図１は、ＷＣＤＭＡ標準により動作する移動無線ネットワークの形式で、通信ネットワーク１００、または略してネットワーク１００を概略的に示す。図１のネットワーク１００には、ＭＳＣ１１０を含むコア・ネットワーク１０５、ＨＬＲ１１５、ＳＧＳＮ１２０およびＧＧＳＮ１２５を備える。コア・ネットワーク１０５は、インターネット１３０に、同様に、更なるノード（図示せず）を備えるその他のネットワーク１３３に接続される。ネットワーク１００には、ＲＮＣ１３５を備える無線アクセス・ネットワークと無線基地局１４０を更に備え、無線アクセス・ネットワークはコア・ネットワーク１００に接続されている。加えて、図１のネットワーク１００には、ＲＮＣ１３５とコア・ネットワーク１０５のノードに接続されるＯ＆Ｍノード１４５を備える。ネットワーク１００では、通信デバイス１５０はお互いと、およびその他のネットワークの通信デバイスと通信してもよい。ネットワーク１００は、典型的にはまた、図１に示すもの以外の多数のノードを含む。

図１のネットワーク１００は例としてのみ与えられたものであり、ここで議論する技術は、ＷＣＤＭＡ標準により動作するネットワーク１００に限定されないばかりでなく、移動無線ネットワークにも限定されないが、以下で更に議論するように、異なるイベントの大部分のリソース要求条件が線形特性である、任意の通信ネットワーク１００のノードに適応可能である。

上記に述べたように、通信ネットワーク１００は非常に複雑な構造であり、その正確なモデル化は困難である。それ故に、ユーザ挙動、ネットワークを形成するエンティティの物理特性等が仮定された数値計算に基づく規模決定方法は複雑であり、しばしば十分な正確さを提供していない。

しかしながら、電気通信ネットワーク、同じくその他の通信ネットワーク１００は基本的には線形システムであり、ネットワーク・ノードからの出力は、通常ノードに与えられる入力に比例する。例えば、通信ネットワーク１００内のノードの処理負荷は、通常、ノードへの入力に対して線形であり、ＲＮＣ１３５内のプロセッサのＣＰＵ負荷は、ＲＮＣプロセッサが処理する制御プレーンのシグナリングおよびユーザ・プレーンのトラヒックに対して線形であり、ＨＬＲ１１５のＣＰＵ負荷は、ＨＬＲプロセッサ等が処理する制御プレーンのシグナリングに対して線形である。

ネットワーク１００またはネットワーク１００の一部で発生する多くの異なるキーイベントにより生じる負荷の和として、ネットワーク１００またはネットワーク１００の一部の負荷を調べる線形システムとしてネットワーク１００またはネットワーク１００の一部をモデル化することにより、異なるキー・イベントの強度の特定の集合について、ネットワーク１００またはネットワーク１００の一部の総負荷の正確な推定値を獲得することができる。以下においては、負荷が推定されるシステムは、予測予定システム、または略してシステムと呼ぶ。例えば、予測予定システムは、通信システム１００における物理ノード、またはコア・ネットワーク１０５におけるＭＳＣ機能のようなネットワーク１００またはネットワーク１００の一部における論理ノードの集合、または完全な通信ネットワーク１００、またはその負荷がシステムへの入力に基本的に線形的に依存する様な任意のシステムであり得る。ここで、システムで発生する可能性のあるイベントを称するために用語イベントを使用するが、その発生には、負荷を予測する予定であるリソースの量を必要とする。キー・イベントとは、シミュレーション・モデルで考慮するイベントである。

処理能力、データ記憶容量および周波数帯域幅は、以下で説明するシミュレーション技術が効率的に負荷を予測できるリソース形式の例である。

本技術の負荷予測は、多くの要素に線形に依存するとして行う予測予定システムの要素モデル化に基づいており、要素とは、予測予定システムで発生する可能性のある特定のトラヒック・イベントが生成する負荷として定義される。時間の特定のポイントで線形のイベントが生成する負荷は、次式のように定義される。

Ｌ_event＝ｘ_event×ａ_event （１）、
ここでｘ_eventは、本イベントを一度実行するためのリソースの必要量を示し、イベント・コストとも称され、ａ_eventは予測予定システムにおける特定のイベントの強度を示す。例えば、イベントとは、例えば通話または（シグナリング・データを含む）データの送信のような、データ送信関連のイベントであることができ、その場合にはイベント強度ａ_eventは、データのスループットとして定義することが可能であり、データのスループットは単位時間毎の送信データの量の尺度である。また、イベントは、例えばハンドオーバ、位置更新、接続設定、接続解放、データ・パケットの経路指定等の性能のような制御プレーン関連のイベントであってもよい。そのような場合では、ａ_eventはイベントの発生の頻度として定義することができる。総処理負荷を予測するシミュレーション技術の実装においては、ｘ_eventはイベントを実行するという処理要求を示す可能性があり、総データ記憶容量を予測する実装では、ｘ_eventはイベントのデータ記憶要求を示すことができる可能性があり、一方総帯域幅要求を予測する実装では、ｘ_eventはイベントを実行するために必要な帯域幅の量を示してもよい。幾つかの環境では、システムが実行する背景活動に関連するイベントを含むことと、この背景活動関連イベントのためのイベント強度を一定の値、例えばａ_event＝１に設定することとは、有利であり得る。例えば、システムの処理負荷を予測する場合、これは有用でありうる。例えば、ユーザ活動またはトラヒックが全くない場合でも、セル関連活動が生成する、ＲＮＣ１３５における汎用ボード・プロセッサへのいくらかの負荷が通常は存在するであろう。一定の強度の背景活動イベントを導入することにより、負荷シミュレーションにおいて、これらの背景活動の処理要求を考慮することができる。

予測予定システムの総負荷Ｌは
Ｌ＝ΣＬ_event （２）、
により記述できる。ここで、合計は予測予定システムで発生する全てのイベントに対して行われる。

式（１）および（２）で記述した要素方法の精度は、異なるｘ_eventに使用される値の精度、即ちイベントを実行するために必要なリソースの要求量の推定に依存する。更に、要素方法の精度は、各イベントの推定強度ａ_eventの精度に依存する。もし予測予定システムで発生する各イベントのリソース要求ｘ_eventと、同様に各イベントの強度とが既知であるなら、式（１）および（２）を使用することにより、システムＬの総負荷を容易に決定できる。通常、既存のネットワーク１００でイベント強度ａ_eventの有益な予測を測定できるか、または良好な精度で推定できる。しかしながら、個々のイベントのリソース要求ｘ_eventは、典型的には未知である。個々のイベントのリソース要求は、例えば、実験用環境で実験的に推定できる。しかしながら、リソース要求ｘ_eventは、ネットワークを形成する装置の異なるハードウエアおよびソフトウエアのリリース間でしばしば著しく異なり、多くのイベントのリソース要求を決定するために必要な実験的作業量は、通常、非常に大きい可能性がある。

或いは、システムを線形システムとしてシミュレーションすることから、システムの総負荷を決定できるが、本シミュレーションは参照システム(予測予定システムと同じであってもよく、同じでなくてもよい)から獲得した測定値に基づいている。参照システムが予測予定システムと異なる場合、ユーザ挙動に関して、タイマのような各種のパラメータの設定に関して、予測予定システムが移動無線ネットワーク１００等である場合にはトポロジー的環境に関して、予測予定システムに類似な特性を持つよう、参照システムを都合よく選択できる。

参照システムで発生するキー・イベントの数ｎに対するイベント強度ａ_eventの、時間におけるｍ個の異なるポイントで獲得される測定値、並びに時間でｍ個の異なるポイントにおける参照システムの総負荷Ｌの測定値は、キー・イベントの線形挙動を仮定するシミュレーション・モデルを形成するために使用できる。最適化問題は、シミュレーション・モデルおよびシミュレーション予定のシナリオにおける予測予定システムのイベント強度の集合の使用によって定義され、シミュレーションが行われるシナリオでのシステムの総負荷の予測値を獲得するために解決し得る。この新しいシミュレーション・モデルでは、キー・イベントの正確なリソース要求は定義される必要はないが、代わりに、異なるキー・イベントのリソース要求間のｍ個の異なる関係をモデル定義で使用する。

強度が測定されるキー・イベントは、例えば、積ｘ_event×ａ_eventが最大であると推定されるｎ個のイベントとして、または、参照システムにおいて使用済みの規模決定予定のリソースの過半数（例えば、７０％、８０％または９０％．．．）の使用を占めるよう処理が推定されるイベントとして、または任意のその他の適当な方法で、選択できる。また、参照システムの総負荷Ｌは、時間でｍ個の異なるポイントで測定される。

ｎ個の異なるイベントのイベント強度のｍ個の測定値から、下記のようなｍ個の不等式の集合が決定されてもよい。

ｙ₁≦ａ₁₁ｘ₁＋．．．＋ａ_1jｘ_j＋．．．＋ａ_1nｘ_n≦ｚ₁
．
．
．
ｙ_i≦ａ_i1ｘ₁＋．．．＋ａ_ijｘ_j＋．．．＋ａ_inｘ_n≦ｚ_i
．
．
．
ｙ_m≦ａ_m1ｘ₁＋．．．＋ａ_mjｘ_j＋．．．＋ａ_mnｘ_n≦ｚ_m (３)
ここで、ｘ_jは、ｊ番目のキー・イベントを実行するためのリソースの要求量を示し；ａ_ijは、時間におけるｉ番目のポイントでのｊ番目のキー・イベントの強度を示し、そして境界ｙ_iおよびｚ_iは、時間におけるｉ番目のポイントで測定したシステム負荷Ｌ_iの依存において決定される。これは、代わりに、次の行列形式で書くことができる。
Ｙ≦Ａ・Ｘ≦Ｚ （３）、
ここでＡはｍ＊ｎの定数行列であり、Ｘはｎ＊ｌの変数列ベクトルであり、ＹおよびＺはｍ＊ｌの定数列ベクトルである。

上限ｚ_iはｚ_i≧Ｌ_iのように設定され、または下限ｙ_iはｙ_i≦Ｌ_iのように設定され、またはその両方である。式の集合（３）中で等式ではなく不等式を使用することにより、キ−・イベントの集合に含まれたイベントのリソース要求ｘの非線形挙動のみならず、ｎ個のイベントの集合の一部として選択されていないイベントが説明されてもよい。非線形挙動を示す可能性のあるイベントの例は探索であり、非線形処理負荷を生成できる。

不等式の集合（３）は、キー・イベントの強度の集合によって定義された任意のシナリオにおいて、キー・イベントの集合が生成する総負荷Ｌを予測することに使用されてもよい。強度の参照測定値が取得された時間上のポイントからこのシナリオを区別するため、このシナリオにおけるイベント強度はｂ_pjと示され、総負荷を予測するシナリオにおけるｎ個の異なるキー・イベントのｎ個の強度は、｛ｂ_pj、ｊ＝１．．．ｎ｝で示されるであろう。例えば、以下で更に議論されるように、線形計画法により総負荷を予測することができる。

多くの方法でシステムの負荷の予測を使用することができる。以下では、予測予定システムの処理負荷の予測に関して負荷予測を議論する。説明のために、本技術により予測できる負荷の形式の例として処理負荷を与える。しかしながら、説明する技術は、その他のリソースの負荷予測にも等しく応用できるが、リソースの負荷は線形挙動によって説明できるものである。

新しいシステム、例えば新しい通信ノードまたはネットワーク１００の規模決定において、処理負荷の予測を使用してもよい。この場合、強度ａ_ijおよび総負荷Ｌ_iが測定されたシステムは、予測予定システムと異なる参照システムであり、一方、予測が実行されるシナリオにおける強度｛ｂ_pj＝１．．．ｎ｝は、新しいシステム、即ち予測予定システムに対して推定される。このようにしてこのシナリオに対して獲得された予測総処理能力Ｌ_pは、予測予定システムの作業を実行するために、要求される物理ノードの数、および各物理ノードに要求される処理能力を決定する場合に使用することができる。

処理負荷が予測されるシナリオは、推定された強度｛ｂ_pj、ｊ＝１．．．ｎ｝によって定義されるが、例えば、処理負荷予測のこの応用においては、高い負荷シナリオ、例えばピーク負荷シナリオのようなシナリオを反映するように選択できる。システムの実際の処理能力が、予期されるピーク負荷処理負荷をあるマージン、例えば２０％または３０％を超えるように、多くにシステムは設計される。その結果、予測ピーク負荷の要求を満足させるであろう物理ノードの処理能力は、都合よく選択することができる。

更に、すでに存在するシステムの再規模決定、例えば拡大において、特定のシナリオにおける総処理能力の予測値Ｌ_pを使用できる。負荷予測のこの応用では、強度ａ_ijおよび総負荷Ｌ_iの値の測定は、参照システムと予測予定システムとが同じであるように、予測予定システムで有利に実行されている。負荷予測が実行されるシナリオを反映することで、強度｛ｂ_pj、ｊ＝１．．．ｎ｝は、将来のピーク負荷シナリオ、または負荷に関する情報が必要とされる他のシナリオを有利に反映することができる。

加えて、ノード、またはネットワーク１００のその他の部分のようなシステムが、規模不足であるか、規模不足になるリスクにさらされていることを通信ネットワーク１００の運用者に示すために、総処理能力の予測を使用することができる。負荷予測のこの応用では、強度ａ_ijと総負荷Ｌ_iの測定値を予測予定システムで実行した。更に、負荷予測が実行されるシナリオを反映する強度｛ｂ_pj、ｊ＝１．．．ｎ｝は、予測予定システムの強度の現在の測定値を有利に反映する可能性がある。もし結果の予測総負荷Ｌ_pが所定の負荷を超えているなら、またはもし時間の異なるポイントで獲得した予測負荷の傾向が、受け入れ可能な値より高い負荷増加速度を指し示すなら、予測予定システムの負荷が許容レベルを超過しようとしているというリスクを表示するため、表示信号を生成できる。

負荷予測方法の実施形態を図２のフローチャートに示す。図２の方法では、目的関数Ｓは式（３）の集合が示す制約のもとで最適化されるが、ここで目的関数は、
Ｓ＝Σ_J=1 ⁿ(b_pjx_j) （４）、
または、ベクトル形式では、
Ｓ＝Ｂ_p・Ｘ （４）
のように表現される。

図２の負荷予測ステップ２００は、ステップ２０５−２３０を含むよう示されている。ステップ２０５では、参照システム（予測予定システムと同じシステムであっても同じでなくてもよい）のキー・イベントの強度である測定値｛ａ_ij｝の集合を受信する。強度測定値｛ａ_ij｝の集合には、時間的にｍ個の異なるポイントで、ｎ個の異なるキー・イベントに関して実行された測定の値を含む。ステップ２１０では、時間的にｍ個の異なるポイントでの参照システムの総処理負荷｛Ｌ_i｝の測定値の集合を受信する。強度測定値｛ａ_ij｝および負荷測定値｛Ｌ_i｝は、例えば、Ｏ＆Ｍノード１４５が実行する測定から、または、参照システムの通常動作の間に、参照システム自身が実行する測定から生じ得る。ステップ２１５で、上限｛ｚ_i｝の集合および下限｛ｙ_i｝の集合が総負荷測定値の集合から決定され、ここで、例えば境界は、
ｙ_i＝Ｌ_i（１−ρ） （５ａ）
ｚ_i＝Ｌ_i（１＋δ） （５ｂ）、
のように決定されてもよい。ここで、パラメータρおよびδはゼロより大きく（または等しく）、１より小さい（または等しい）。パラメータρおよびδは同じ値を取ってもよく、または取らなくてもよい。更に、異なるシナリオをシミュレーションする場合、即ち、予測予定システムのキー・イベント強度｛ｂ_pj｝の異なる集合に対して、異なるρおよびδの値を使用してもよい。例えば、特定のシミュレーション・シナリオで使用する予定のρおよびδの値として、式（３）が定義する制約のもとで、式（４）の最適化に解をもたらす可能性のある、ρおよびδの最小値を選択できる。加えて、例えばδ_i≠δ_kなどのように、モデル中において時間的に異なるポイントのために、異なるρおよびδの値を使用することができる。

或いは、境界｛ｙ_i｝および｛ｚ_i｝の値を獲得するため、その他の式を使用する可能性もある。式（５ａ）および（５ｂ）を使用する場合、ｎ個のキー・イベントが、参照システムが処理するイベント全てをいかによく反映しているか、および、参照システムが処理するイベントの線形モデルが、イベントの実際の処理要求にいかによく適合しているかということに依存して、ρおよびδの適当な値は、例えば、５−１０％の範囲内である可能性がある。いくつかの環境では、目的関数Ｓの最適な値を見い出すため、１０％以上高いρおよびδまたはそのいずれか一方の値を仮定することが必要である可能性があり、その他のシナリオでは５％より小さな値がふさわしい可能性がある。簡単化のため、ρ＝δと設定することがしばしば都合がよい。しかしながら、通常の予測シナリオでは、δより小さな値にρを設定できるが、その理由は、発生するイベントの全てがキー・イベントとして選択される訳ではないという事実が、しばしば、測定した総負荷とキー・イベントが生成した負荷との間の相違の大きな原因となっているためである。

ステップ２２０で、総負荷を予測する予定のシナリオｐにおける予測予定システムのキー・イベント強度｛ｂ_pj｝の推定値を受信する。負荷予測方法の応用に応じて、イベント強度は、例えば、設計予定のシステムの高負荷シナリオの推定値、または現存するシステムの将来の高負荷シナリオの推定値、または現存するシステムのキー・イベントの現在の強度の測定値および／または外挿値である得る。

図２のステップ２２５で、式（３）および（５ａ−ｂ）が与える制約のもとで、式（４）の目的関数Ｓを最適化する。これは、例えば、線形計画法で実行される可能性がある。線形計画法は、線形等式および不等式制約条件のもとでの線形目的関数の最適化にとって、周知の技術である。いくつかの異なるアルゴリズムが、シンプレックス法、内点法等のような線形計画問題を解くために開発されてきたが、これらのアルゴリズムのいずれも本技術で使用できる。線形計画法の説明は、例えば、[非特許文献３]、[非特許文献４]で見い出すことができ、これを参照することにより、本明細書に含まれる。或いは、式（３）および（５ａ−ｂ）の制約のもとで（４）が与える目的関数Ｓの最適化は、線形計画法以外のもう一つの最適化方法を使用して実行できる。

式（３）の集合においては、強度測定が実行された時間ｍのポイント数は、次の(最適化)ステップで適当な予測を達成するため、各式に含まれるキー・イベント数ｎに有利に等しいか、またはそれに近い可能性がある。もしｎより著しく少ない測定ポイントを使用するなら、負荷予測の精度は低いであろうし、もしｎより著しく高い数を使用するなら、パラメータρおよびδの不必要に高い値を使用しなければならない可能性があり、これはまた、予測精度を悪化させる可能性がある。

最適化ステップ２２５で、目的関数の最小値Ｓ_minおよび最大値Ｓ_maxまたはそのいずれかを獲得するように、目的関数Ｓは最小化されるか、または最大化されるか、またはその両方の可能性がある。

図２のステップ２３０で、シナリオｐにおける予測予定システムの総負荷Ｌ_pの予測値は、ステップ２２５において獲得した最適値Ｓ_minおよびＳ_maxまたはそのいずれかから決定される。システムの予測した処理負荷Ｌ_pとシステムの実際の総処理負荷の測定値との間の比較は、総負荷Ｌ_pの予測を決定する場合に目的関数Ｓの最大値および最小値の両方を使用することがしばしば有利であるということを示した。例えば、以下の式から予測した総負荷Ｌ_pを獲得できる。

Ｌ_p＝（Ｓ_max＋Ｓ_min）／２ （６）
予測した総負荷Ｌ_pを決定するため、例えば、Ｌ_p＝Ｓ_max、またはＬ_p＝Ｓ_minのようなその他の式を使用してもよい。

ステップ２０５−２２０を実行する順序は図２に示すものに限定されないが、しかしながら、ステップ２１５はステップ２１０の後で最もよく実行される。

或いは、図２の方法には、上記で議論した方法において、参照システムで発生するイベントの大きな集合からｎ個のキー・イベントを選択するという、更なるステップを含んでもよい。例えば、そのようなステップで選択する予定のキー・イベントの数ｎを決定できるか、または、例えば、時間でのｍ個のポイントの各々で、測定値を提供したキー・イベントが総負荷Ｌのある割合を生成するような方法で、ケース・バイ・ケースの基準により選択する予定のキー・イベントの数ｎを決定できる。

更に、図２の方法には、時間的なポイントの大きな集合から、キー・イベント強度および総処理負荷の測定を実行する時間的なｍ個のポイントを選択するというステップを含んでもよい。例えば、値の大きな範囲にわたって、または任意のその他の適当な方法で、時間的なｍ個の異なるポイントにおける総処理負荷Ｌ_ｉの測定値が分散するように、この選択を実行することができる。数ｍは、例えば、予め決定できるか、ケース・バイ・ケース基準で決定できる。ｍ≒ｎの関係が保たれるように、数ｍおよびｎを好ましく選択すべきである。

図３ａ−図３ｃは、図２に示す負荷予測方法の三つの異なる応用を概略的に示すフローチャートである。図３ａは、図２に示す方法により新しいネットワーク１００の規模決定を実行するアプリケーションを示す。予測予定システムはネットワーク１００から、またはネットワーク１００の一部から形成される。ステップ２００で、予測予定システムの総処理負荷予測値Ｌ_pを生成する。図２に見るように、ステップ２００にはステップ２０５−２３０を含む。図３ａに示すアプリケーションでは、｛ａ_ij｝および｛Ｌ_i｝の受信した測定値が、予測予定システムとは異なる他のシステムで実行されたというようにステップ２０５および２１０を実行するが、この参照システムは規模決定システムのものと同じような特性を持つことが望ましい。それ故に、ステップ２１５では、このその他の参照システムでの総負荷測定値から境界｛ｙ_i｝および｛ｚ_i｝を決定する。しかしながら、｛ｂ_p｝の受信した値は、予測予定システムにおける予測シナリオでのキー・イベントの強度の推定値である。例えば、そのような推定値はピーク負荷シナリオを反映する可能性がある。

ステップ３００で、予測予定システムのために適当な規模の値を抽出するために、ステップ２００で獲得した予測負荷Ｌ_pを使用する。例えば、予測予定システムを形成する物理ノードの全ての数Ｎ_node、および物理ノードの規模またはそのいずれかが抽出される可能性がある。例えば、もし異なるモジュールから物理ノードを構築することができるなら、物理ノードを形成するのに要求されるモジュール数Ｎ_moduleとして、物理ノードの規模を定義できる可能性がある。もし単一の物理ノードまたはモジュールの受入れ可能な最大負荷Ｌ^max _singleが既知であるなら、例えば、次式から予測予定システムを形成するノード／モジュールの数の適当な値を獲得できる：
Ｎ＝roundup（Ｌ_p／Ｌ_single ^max） （７）
予測予定システムの適当な規模を決定する場合、任意の希望の規模のマージンを有利に説明すべきである。

図３ａのステップ３０５で、抽出した規模の表示を生成する。例えば、その様な表示は更なるシステム、ユーザ・インタフェースの出力等に送信される信号であってよい。ステップ３１０で、図３ａの方法を終了する。

図３ｂは、図２の負荷予測方法のアプリケーションを概略的に示すフローチャートであり、予測予定システムを形成する現在のネットワーク１００の一つ以上のノードの規模に関して、既存のネットワーク１００の適当な規模を決定する。このアプリケーションでは、図３ｂに示すように、予測予定システムから、ステップ２００のステップ２０５および２１０で受信した測定値を有利に獲得できる。ステップ２００のステップ２２０では、｛ｂ_pj｝の受信した値は同様に、拡大（または縮小）予定のネットワーク１００の予測予定システムにおける予測シナリオでのキー・イベントの強度の推定値である。例えば、そのような推定値は、期待するピーク負荷シナリオを反映することができる。図３ｂのステップ３００−３１０は図３ａのステップ３００−３１０に対応する。

図３ｃは、図２の負荷予測方法の応用を概略的に示すフローチャートであり、特定の時間でのシステムの総負荷が、その時間でのシステムの期待する総負荷に対応するかどうかがチェックされる。この応用では、負荷対応チェックが行われるシステムは予測予定システムである。更に、予測予定システムと参照システムは同じである。それ故に、ステップ２０５および２１０で受信した測定値は、予測予定システムから獲得した｛ａ_ij｝および｛Ｌ_i｝の測定値である。{ｂ_pj}の推定値は、時間ｔ_cでの予測予定システムにおけるキー・イベントの強度の測定値である。それ故に、ステップ２００で獲得した予測総負荷Ｌ_pは、時間ｔ_cでの予期される総負荷の測定値であろう。ステップ３１５で、時間ｔ_cでの総負荷の測定値Ｌ_mを受信する。ステップ３２０で、Ｌ_m（ｔ_c）がＬ_p（ｔ_c）から著しく逸脱しているかどうかがチェックされる。もし負荷予測モデルが良好なら、即ち、もしモデルを生成するために使用したｎ個のキー・イベントと時間的なｍ個のポイントとを注意深く選択したなら、そのような逸脱は、システムが正しく動作していないということの表示であろう。例えば、多くの通信試行がリソース不足のためシステムにより拒否されるなら、通常、測定した処理負荷は予測した処理負荷より大きいであろうが、それは、システムがリソースを探すことと、拒否された通信試行の処理とに処理能力を使っており、それ故に、システムは、本モデルが基づいた通常の方法ではもはや動作しないからである。

例えば、ステップ３２０における検査には、Ｌ_p（ｔ_c）に対するＬ_m（ｔ_c）の比が或る閾値を超えているかどうかに関するチェックを含み、本閾値は通常１より大きい（例えば１．５）。もしステップ３２０で著しい逸脱を検出したなら、ステップ３２５に入り、逸脱表示を生成する。例えば、逸脱表示はユーザ・インタフェースに送信する信号、または更なる解析のためにＯ＆Ｍノード１４５に送信する信号であってよい。もし望むなら、本逸脱表示には、逸脱の大きさに関する情報を含むことができる。ステップ３３０で、プロセスは終了する。もしステップ３３０で重大な逸脱を全く検出しないなら、最初の入力ステップ３２５無しにステップ３３０に入る。

総処理負荷の予測および測定の両方を行う時間ｔ_cは、例えば、時間における現在のポイントであってよい。そのため、例えば規則的基準で、なんらかの性能劣化の早期の表示を提供するため、時々負荷予測を実行することができる。また、時間ｔ_cは時間において履歴的なポイントである可能性がある。例えば、もしシステムの性能問題を検出するなら、図３ｃによる時間ｔ_cにおける履歴的ポイントの解析は、時間のどのポイントで性能劣化が始まったかを明らかにでき、それ故、トラブルシューティング・プロセスを容易にする。図３ｃの方法のこの後者のアプリケーションでは、ステップ３２０を省略でき、もし望むなら、逸脱量にかかわらず、ステップ３２５で逸脱の大きさを表わす逸脱表示を生成することができる。

図４は、予測予定システムの総負荷を予測するよう配置した負荷予測装置の形式における、シミュレーション装置４００の概略図である。負荷予測装置４００には、制約の所定の集合、例えば、式（３）で与えた形式の不等式制約のもとで、式（３）で定義される目的関数のような目的関数Ｓを最適化するよう配置した、最適化メカニズム４０５を備える。負荷予測装置４００には、参照システムの異なるイベントの強度の測定値｛ａ_ij｝の集合を表わす信号を受信するよう構成した入力４１０ａと、参照システムの総負荷｛Ｌ_i｝の測定値の集合を表わす信号を受信するよう構成した入力４１０ｂと、総負荷を予測する予定のシナリオにおいて、予測予定システムにおける多くの異なるイベントの強度の推定値｛ｂ_pj｝の集合を表わす信号を受信するよう構成した入力４１０ｃとを更に備える。入力４１０ａ、ｂおよびｃは同じか、異なる物理入力である。

図４の最適化メカニズムは、入力４１０ａ、４１０ｂおよび４１０ｃに、応答可能なように接続され、最適化メカニズム４０５は、目的関数Ｓ（図２を参照）の最適化で使用するため、これらの入力で受信した信号から、｛ａ_ij｝、｛Ｌ_i｝および｛ｂ_pj｝の値を抽出するよう構成される。図４の最適化メカニズム４０５は、ステップ２００のステップ２１０および２２５を実行するように、目的関数の最大値Ｓ_maxおよび目的関数の最小値Ｓ_minまたはそのいずれかを生成するように、そしてこの（これらの）値を表わす信号を出力するように、プログラム的に更に構成される。例えば、線形計画法により、または任意のその他の適当な最適化手順によりＳの最適化を実行するよう、最適化メカニズム４０５を構成できる。

最適化メカニズム４０５の出力に応答可能なように接続し、最適化メカニズム４０５から出力信号を受信するよう配置した、予測生成メカニズム４１５を更に備えるため、図４の負荷予測装置４００を示す。また、予測生成メカニズム４１５は負荷予測装置４００の出力４２０に接続される。図４の予測生成メカニズム４１５は、例えば、式（６）を使用して、Ｓ_minおよびＳ_maxまたはその両方の値に基づき、予測予定システムの総負荷の予測値Ｌ_pをプログラム的に生成するためである。予測生成メカニズム４１５は、出力４２０にこの予測した値を表わす信号を分配するよう更に構成される。もし負荷予測装置４００が、Ｌ_pをＳ_minまたはＳ_maxに等しくなるよう構成されるなら、予測生成メカニズム４１５は最適化メカニズム４０５の一部として見られる可能性があり、その出力は負荷予測装置４００の出力４２０に直接接続し得る。

図５は、イベント強度｛ｂ_pj｝の集合が定義するあるシナリオにおいて、予測予定システムの適当な規模を表わす信号を提供するよう構成した規模決定装置５００の例の概略図である。規模決定装置５００には、負荷予測装置４００と規模抽出メカニズム５０５とを備える。図５の規模抽出メカニズム５０５は負荷予測装置４００の出力４２０に応答するように接続され、負荷予測装置４００の出力４２０から予測予定システムの総負荷の予測値Ｌ_pを受信するよう構成される。図５の規模抽出メカニズム５０５は、例えば、式（７）の使用により、予測予定システムのために適当な規模を抽出する（図３ａおよび３ｂのステップ３００を参照）よう、プログラムで制御できるように更に構成される。規模抽出メカニズム５０５には、予測予定システムのノードまたはモジュールの最大負荷（式（７）のＬ_single ^maxを参照）に関連する情報を記憶するためのコンピュータ記憶装置／メモリ（図示せず）を更に備えてもよい。規模抽出メカニズム５０５は、抽出した適当な規模を表わす信号を生成し、規模決定装置５００の出力５０８でこの信号を提供するよう構成される。出力５０８は、例えば、ユーザ・インタフェースに、または解析装置に接続されてもよい。

入力５１０ｃで、規模決定装置５００は、予測予定システムが規模決定される予定のシナリオ（典型的にはピーク負荷シナリオ）を表わして、イベント強度｛ｂ_pj｝の集合を表わす信号を受信するよう配置される。入力５１０ｃは、例えば、ユーザ・インタフェースから、または他のシステムからデータを受信するため接続されてもよい。システム・モデルを表わすデータ、即ち測定したイベント強度｛ａ_ij｝の集合と時間的に同じポイントで獲得した対応する総負荷｛Ｌ_i｝の集合とは、入力５１０ａおよび５１０ｂそれぞれを経由して受信され得る。図５の規模決定装置５００は、システム・モデルを表わすそのようなデータを記憶するため、メモリ５２０を備えるよう更に示されており、メモリ５２０は、そのようなデータを受信するための入力５１０ａおよび５１０ｂに接続され、負荷予測装置４００にそのようなデータを分配するため、負荷予測装置の入力４１０ａおよび４１０ｂに接続される。一つの実装では、メモリ５２０に記憶したデータは、予測予定システムが動作する現在の環境を反映するため、入力５１０ａ／５１０ｂを経由して時々更新され得る。他の実装では、メモリ５２０に記憶したデータは静的であってよく、そのような場合では、入力５１０ａおよび５１０ｂを省略することができる。

図５の規模決定装置５００は、データがメモリ５２０に記憶されるか、または入力５１０ａおよび５１０ｂを経由して受信されるかに依存して、図３ａおよび３ｂに示す方法のうちのいずれか一つを実行するよう、プログラムで制御できるよう構成される。

図６ａに、負荷監視装置６００の例の概略図を示す。図６ａの負荷監視装置６００には、性能検査メカニズム６０５が接続される出力４２０を持つ負荷予測装置４００を備える。性能検査メカニズム６０５は入力６０７に更に接続され、予測予定システムの総処理負荷の測定値Ｌ_mを受信するよう構成される。図６の性能検査メカニズム６０５は、例えばＬ_pに対するＬ_mの比が閾値を超えているかどうか（図３ｃのステップ３２０を参照）を検査することにより、入力６０７で受信したＬ_mの値が、負荷予測装置４２０から受信した予測負荷Ｌ_pから著しく逸脱しているかどうかを検査するよう、プログラムで制御できるよう構成することができる。性能検査メカニズム６０５には、閾値を記憶するためにメモリ（図示せず）を含んでもよい。もし性能検査メカニズム６０５がＬ_pからのＬ_mの著しい逸脱を検出したなら、負荷監視装置の出力６０８で逸脱表示を生成するよう、図６ａの性能検査メカニズム６０５を更に構成することがでいる。出力６０８は、例えば、ユーザ・インタフェースに、または解析のため更なるシステムに接続してもよい。

図６ａの負荷監視装置には、入力６１０ａ−ｃとメモリ６２０とを更に備える。入力６１０ａ−ｂおよびメモリ６２０は図５に関連して説明した入力５１０ａ−ｂおよびメモリ５２０に対応し、従って更に説明はしない。しかしながら負荷監視装置６００の入力６１０は、予測予定システムのキー・イベント強度｛ｂ_pj｝の測定値を受信するために使用され、キー・イベント強度の集合は、同じ時間で実行し、入力６０７で受信したＬ_m測定値に対応する。特定の時間ｔｃで獲得した測定値Ｌ_mを、同じ時間ｔ_ｃで獲得した強度測定値｛ｂ_pj｝に関して生成した予測値Ｌ_pと比較することを保証するため、調整メカニズム、例えば、それぞれで入力６１０ｃおよび６０７で｛ｂ_pj｝およびＬ_ｍの測定値の提供をトリガするトリガ・メカニズムが、負荷監視装置６００においてか、またはそのような測定値を負荷監視装置６００に提供する外部デバイスにおいてか、どちらかで提供されてもよい。或いは、入力６０７および６１０ｃは同じ入力であってもよく、キー・イベント強度｛ｂ_pj｝の集合および対応する総負荷測定値Ｌ_mは一緒に受信されてもよい。

｛ｂ_pj｝およびＬ_ｍの履歴的測定値を解析する負荷監視装置６００の実装において、性能検査メカニズム６０５は、著しい逸脱がＬ_mとＬ_pとの間に存在すかどうかについて検査を実行する必要が無い（しかし実行できる）可能性がある。しかしながら、もし時間的に異なる履歴的ポイントの集合で獲得したＬ_m測定値の集合、同じく時間的に対応するポイントで獲得した強度測定値｛ｂ_pj｝の集合を受信するなら、性能検査メカニズム６０５には、例えば、Ｌ_m測定値の集合を記憶するためのバッファ、同じく負荷予測装置４００が生成する予測値Ｌ_pの対応する集合を記憶するためのバッファ、そして時間で同じポイントで実行した測定値から獲得したＬ_m値が、正しいＬ_p値と関係があるということを保証するメカニズムを含んでもよい。バッファは、例えば、ＦＩＦＯバッファであってよい。或いは、入力６０７および６１０ｃは、上記で説明した様に同じものであってよい。履歴的測定値を解析する実装では、出力６０８で提供される信号は、対応する（Ｌ_m、Ｌ_p）ペアの集合を表わしていてよく、それは、例えばユーザ・インタフェースで更に解析し得る。或いは、性能検査メカニズム６０５は、例えば時間の関数としてＬ_pからのＬ_mの逸脱の大きさの解析のような、（Ｌ_m、Ｌ_p）ペアの解析を実行するよう構成されてもよく、その場合には、性能検査メカニズム６０５からの出力は、逸脱があるスレッショウルド値を超える時間のポイントを表わす信号であり得る。

図６ｂに、ネットワーク１００の通信ノード６２５における負荷監視装置６００の実装を示す。通信ノード６２５は、例えば、図１のＲＮＣ１３５、ＭＳＣ１１０、ＨＬＲ１１５、ＳＧＳＮ１２０またはＧＧＳＮ１２５、ルータ、交換機等、またはユーザ・データ・トラヒックを処理するノードの動作を監視するＯ＆Ｍノード１４５のようなノードである可能性がある。図６ｂの通信ノード６２５は、負荷監視装置６００に加えて、少なくとも負荷監視装置の入力６０７および６１０ｃに接続されている測定処理メカニズム６３０を含むよう示されている。もし通信ノード６２５が、負荷監視装置６００が監視する予測予定システムであるなら、測定処理メカニズム６３０は、現在のキー・イベント強度｛ｂ_pj｝および現在の負荷Ｌ_mの測定を有利に実行し、負荷監視装置にそのような測定の結果を表わす信号を提供できる。もし通信ノード６２５がＯ＆Ｍノードであり、予測予定システムが異なるノードであるなら、測定処理メカニズム６３０は、測定結果を抽出できる予測予定システムからの信号を受信し、負荷監視装置６００にそのような結果を提供するよう構成できる（もしＯ＆Ｍノードの負荷が監視される予定なら、Ｏ＆Ｍノード１４５が予測予定システムであり得る）。通信ノード６２５は典型的には、更なる部分を備えるが、図６ｂには示されていない。

図７には、図４の負荷予測装置４００を概略的に示す別の方法を示す。図７は、メモリの形式でコンピュータ・プログラム・プロダクト７０５に接続されるプロセッサ７００を備える負荷予測装置４００を示す。図７のプロセッサ７００は、（インタフェース４１０ａ−４１０ｃを表わす）インタフェース４１０に応答するように接続され、インタフェース４２０に更に接続される。本メモリには、プロセッサ７００が実行する場合、図２に示す方法を負荷予測装置４００に実行させる、コンピュータ・プログラム７１０を記憶する、コンピュータ読取可能な手段を備える。言い換えれば、負荷予測装置４００およびそのメカニズム４０５と４１５は、この実施形態では、コンピュータ・プログラム７１０の対応するプログラム・モジュールの助けと一緒に実装されてもよい。

或いは、図７の図は、規模決定装置５００または負荷監視装置６００を示す別の方法を表わすことができ、メモリ７０５は、プロセッサ７００が実行する場合、規模決定装置５００または負荷監視装置６００に、規模決定装置の場合では図３ａまたは図３ｂが示す方法を、または負荷監視装置の場合では図３ｃの方法を実行させるコンピュータ・プログラム７１０を記憶する。

プロセッサ７００は一つ以上の物理的なプロセッサであってよく、例えば、プロセッサ７００の一つのプロセッサは、最適化メカニズム４０５に関するコードを実行するために配置でき、もう一つのプロセッサは、インタフェース４１０と４２０等に関連するコードを実行するために配置でき、または同じプロセッサを異なるメカニズムのために使用できる。メモリ７０５は、ハード・ドライブ、フラッシュ・メモリ、ＣＤ、ＤＶＤ、ＥＥＰＲＯＭ等のような、任意の形式の非揮発性のコンピュータ読取可能手段であり得る。メモリ７０５は、規模決定装置または負荷監視装置それぞれの場合ではメモリ５２０または６２０と同じ物理的なメモリ、または異なる物理的なメモリであり得る。

負荷予測装置４００、規模決定装置５００および負荷監視装置６００は、代わりに、ハードウエアのみとして実装できる。

上記で説明した負荷予測技術は、広く変化するシナリオにおける通信システムの負荷の正確な予測を提供するために示された。生きた予測予定システムの処理負荷の負荷予測は、図８および９に示されるであろう。

図８には、強度｛ａ_ij｝の集合および予測予定システムで測定した総処理負荷を含む表を示す。図８の表には、時間で異なる１５個のポイント（ｍ＝１５）での１４個の異なるキー・イベント（ｎ＝１４）の強度測定値と、同じく時間的に異なる１５個のポイントで獲得した、測定した総処理負荷Ｌ_iの集合とを含む。これらの測定値に基づき、予測予定システムの処理負荷の挙動のためのモデルが、上記で説明したように抽出できる。図８の予測予定システムは、ＲＮＣ１３５の専用ボードであり、ＲＮＣ１３５の専用ボードの処理挙動をモデル化するために使用するキー・イベントの例は、通話アクセス、ＣＳデータ・アクセス、ＰＳアクセス、ＨＳアクセス、セル更新、位置更新＆ＳＭＳ、ソフト・ハンドオーバ、音声データ送信、ＣＳデータ送信、等である。

図９は、図８のデータを収集した専用ボードが受けた負荷のシミュレーションの結果を示すグラフである。図８のデータは、図９に示す負荷予測を獲得するために使用するシミュレーション・モデルで使用された。７日の期間の間、時間的な異なるポイントに対して負荷予測Ｌ_pを作成し、総負荷の測定値Ｌ_mを取得した。図９のグラフで、シミュレーションで獲得した負荷Ｌ_pの予測値は、時間の関数として測定した負荷Ｌ_mと比較される。図９の値は、図３ｃのステップ２００に示された方法を使用して獲得された、即ち、負荷を予測する予定であったシナリオを表わす強度｛ｂ_pj｝を形成するため、キー・イベントの実際の強度の測定値を使用した。グラフで見ることができるように、予測した負荷および測定した負荷はお互いに近接して追随しており、それ故、負荷予測の精度は非常に良好である。また、グラフには、予測した負荷と測定した負荷との間の相対的差分を表わす曲線が含まれており、この曲線はグラフでは"負荷差分"と呼称されている。図９に示すシミュレーションでは、式（３）の不等式の境界は、式（５ａ）と（５ｂ）を使用して定義され、パラメータρおよびδは両方とも２％に設定された。本技術が獲得した負荷予測と実際の負荷の測定値との間の同様な比較は、多くの異なる形式のプロセッサで実行されたが、極めて良好な結果を示している。

上記で説明した負荷予測方法の大きな利点は、その単純さとあいまってその正確さである。更に、通信システムのユーザの挙動、または通信システムが一部を形成するネットワーク１００の挙動は、負荷予測が生成されるモデルに固有のものではない。その代わりに、ユーザの挙動は、多くのキー・イベントの強度｛ｂ_pj｝の推定の形式で、入力としてモデルに提供される。システムに対する異なるユーザ挙動の影響は、シミュレーションの間に生成されるシステム・モデルにより保証される。それ故に、多くのユーザ挙動シナリオに関係する負荷予測を容易に獲得できる。

加えて、予測予定システムが参照システムと類似であるという仮定以外の予測予定システムの物理的特性の仮定は、モデル・システムの設計において全く行われる必要がない。むしろ、予測予定システムの仮定した特性は、シミュレーション・モデルが基づく参照システムでの強度測定値｛ａ_ij｝および負荷測定値｛Ｌ_i｝の測定に反映されている。それ故に、本シミュレーション方法は、バージョンまたはリリース間で変化するシステム特性について新しい値を決定する必要がなく、それ故以前の負荷予測技術に比較して、多くの時間と努力を節約して、予測予定システムのハードウエアおよびソフトウエアまたはそのいずれかの異なるバージョンまたはリリースで、等しく良好に機能する。本技術は、ハードウエアおよびソフトウエアの任意の組み合わせで等しく良好に機能する。負荷予測の高い精度の値を獲得するため、予測予定システムのハードウエアおよび／またはソフトウエアの新しいリリース間で、シミュレーション・モデルの強度測定値｛ａ_ij｝および負荷測定値｛Ｌ_i｝を有利に更新できる。

上記では、システムの処理負荷に関点で、負荷予測方法と装置について説明したが、本システムは、例えば、通信ノード６２５；ネットワーク１００の一部；ネットワーク１００における通信ノード形式；またはネットワーク１００である。

しかしながら、説明した本技術はまた、データ記憶容量、または帯域幅のような、ネットワーク１００の性能を制限する可能性のある通信ネットワーク１００のその他の側面にも応用可能である。それ故に、図２の方法により、例えばデータ記憶容量または帯域幅の異なるシナリオにおける負荷を予測してもよい。データ記憶容量、または帯域幅を説明するために、式（１）の要素方法を使用できる可能性があり、その場合、要素ｘ_eventは、例えば、あるイベントが要求するデータ記憶容量、または特定のイベントに必要な帯域幅の量をそれぞれ意味する可能性がある。

本発明は、ＷＣＤＭＡネットワークに関して上記に説明した。しかしながら、本発明は、以下に示すような、任意の形式の通信ネットワーク１００の全ての種類のシステムに応用可能である。
・ＧＳＭ／ＷＣＤＭＡ／ＬＴＥ無線アクセス・ネットワーク・ノード、例えばＢＴＳ、ＢＳＣ、ノードＢ、ＲＮＣ、ｅノードＢ等
・コア・ネットワーク、例えばＳＧＳＮ、ＧＧＳＮ、ＭＧＷ等
・一般的にコンピュータ・ネットワークにおけるネットワーク・ノード、例えばゲートウエイ、ルータ、ブリッジ、交換機等。

更に、本発明はまた、大部分のイベントが線形挙動を示すその他のプロセッサに基づくシステムにも応用可能である。

本発明の各種の側面は添付の個別の特許請求範囲で明確に述べられているが、本発明のその他の側面には、上記の説明および／または添付の特許請求範囲で提示した全ての特徴の組み合わせを含むが、それは、添付の特許請求範囲で明確に提示した組み合わせだけではない。

当業者には明らかなことであるが、本申請書で提示した技術は、添付の図面および前述の詳細な説明で開示した実施形態に限定されず、これらは説明の目的のみに提示したものであるが、それは多くの異なる方法で実装可能であり、以下の特許請求範囲で定められる。

Claims (14)

1. システムにおけるリソースの負荷の予測を獲得するため、通信ネットワーク（１００；１３０；１３３）のシステム（１００；１０５；１１０；１１５；１２０；１２５；１３０；１３３；１３５；１４０；１４５）をシミュレーションする方法であって、
   負荷予測装置の入力で、ｍ個の異なる時ｔ_iで参照システムで発生するｎ個のイベントの強度値｛ａ_ij、ｉ＝１．．．ｍ、ｊ＝１．．．ｎ｝を受信するステップ（２０５）であって、前記イベントｊの発生はリソース量ｘ_jを要求するステップと、
   前記負荷予測装置の入力で、ｍ個の異なる時ｔ_iで参照システムにおける総負荷Ｌ_ｉの値を受信するステップ（２１０）と、
   前記負荷予測装置の入力で、負荷が予測されるシステムにおける、あるシナリオでのｎ個のイベントの各々の強度値｛ｂ_pj｝を受信するステップ（２２０）と、
   前記負荷予測装置で、
   Ｓ＝Σ_J=1 ⁿ(b_pjx_j)
   の式で記述される目的関数Ｓを、以下の式で記述される線形不等式
   ｙ₁≦ａ₁₁ｘ₁＋．．．＋ａ_1jｘ_j＋．．．＋ａ_1nｘ_n≦ｚ₁
   ．
   ．
   ．
   ｙ_i≦ａ_i1ｘ₁＋．．．＋ａ_ijｘ_j＋．．．＋ａ_inｘ_n≦ｚ_i
   ．
   ．
   ．
   ｙ_m≦ａ_m1ｘ₁＋．．．＋ａ_mjｘ_ｊ＋．．．＋ａ_mnｘ_n≦ｚ_m
   に従って最適化するステップとを有し、
   ｙ_iおよびｚ_iは参照システムの測定した総負荷Ｌ_iの関数であり、前記最適化は前記目的関数Ｓの少なくとも一つの最適化した結果をもたらし、それによりシステムにおける総負荷の予測値Ｌ_pが獲得されることを特徴とする方法。
2. ｙ_i＝Ｌ_i（１−ρ）かつｚ_i＝Ｌ_i（１＋δ）またはそのいずれかであり、ここで０＜ρ＜０．５かつ０＜δ＜０．５であることを特徴とする請求項１に記載の方法。
3. 前記目的関数Ｓが該目的関数Ｓの最小結果Ｓ_minおよび最大結果Ｓ_maxに達するよう最適化され、
   負荷予測Ｌ_pが前記目的関数Ｓの最小結果Ｓ_minおよび最大結果Ｓ_maxの関数として獲得されることを特徴とする請求項１または２に記載の方法。
4. 負荷が予測される前記システムはまた、参照システムであることを特徴とする請求項１または２に記載の方法。
5. 前記目的関数の少なくとも一つの最適化した結果を使用して総負荷の予測値Ｌ_ｐを生成するステップ（２３０）と、
   システムの総負荷の予測値Ｌ_pから、シミュレーションしたシステムの適当な規模の値を抽出するステップ（３００）と、
   適当な規模の前記値を表わす信号を生成するステップ（３０５）とを更に有することを特徴とする請求項１乃至４のいずれか一項に記載の方法。
6. 負荷が予測されるシステムにおけるシナリオのｎ個のイベントの各々の受信した強度値｛ｂ_pj｝が、時間ｔ_ｃにおける特定のポイントでの、前記予測されるシステムにおけるｎ個のイベントの強度の測定値から獲得されたものであり、
   前記目的関数Ｓの少なくとも一つの最適化した結果を使用して総負荷の予測値Ｌ_pを生成するステップ（２３０）と、
   予測される総負荷の、時間ｔ_cにおける特定のポイントで獲得した測定値Ｌ_mを受信するステップ（３１５）と、
   時間ｔ_cで予測した総負荷Ｌ_pを時間ｔ_cで測定した総負荷Ｌ_mと比較するステップ（３２０）と、
   測定した総負荷Ｌ_mが予測した総負荷Ｌ_pより所定の値以上逸脱しているなら、測定した総負荷Ｌ_mが予測した総負荷Ｌ_pから逸脱しているという表示を生成するステップ（３２５）とを更に有することを特徴とする請求項４に記載の方法。
7. 前記目的関数Ｓの最適化が線形計画法により実行されることを特徴とする請求項１乃至６のいずれか一項に記載の方法。
8. 負荷の予測値が獲得されるリソースはシステムの処理リソースであ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方法。
9. システムにおけるリソースの負荷の予測を獲得するため、通信ネットワーク（１００；１３０；１３３）のシステム（１００；１０５；１１０；１１５；１２０；１２５；１３０；１３３；１３５；１４０；１４５）をシミュレーションするためのシミュレーション装置（４００）であって、
   ｍ個の異なる時ｔ_iで参照システムで発生するｎ個のイベントの強度値｛ａ_ij、ｉ＝１．．．ｍ、ｊ＝１．．．ｎ｝を受信するよう構成した入力（４１０ａ）であって、イベントｊの発生はリソース量ｘ_jを要求する入力と、
   ｍ個の異なる時ｔ_iで前記参照システムにおける総負荷Ｌ_iの値を受信するよう構成した入力（４１０ｂ）と、
   負荷が予測されるシステムにおけるシナリオでのｎ個のイベントの各々の強度値｛ｂ_pj｝を受信するよう構成した入力（４１０ｃ）と、
   前記入力に接続され、
   前記参照システムにおける総負荷Ｌ_iの受信した値から上限ｚ_iおよび下限ｙ_iとを決定し（２１５）、
   Ｓ＝Σ_J=1 ⁿ(b_pjx_j)
   の式で記述される目的関数Ｓを、以下の式で記述される線形不等式
   ｙ₁≦ａ₁₁ｘ₁＋．．．＋ａ_1jｘ_j＋．．．＋ａ_1nｘ_n≦ｚ₁
   ．
   ．
   ．
   ｙ_i≦ａ_i1ｘ₁＋．．．＋ａ_ijｘ_j＋．．．＋ａ_inｘ_n≦ｚ_i
   ．
   ．
   ．
   ｙ_m≦ａ_m1ｘ₁＋．．．＋ａ_mjｘ_ｊ＋．．．＋ａ_mnｘ_n≦ｚ_m
   に従って、前記目的関数Ｓの少なくとも一つの最適化した結果をもたらす方法で最適化し（２２５）、それによりシステムにおける総負荷の予測値Ｌ_pが獲得でき、前記目的関数Ｓの少なくとも一つの最適化した結果を表わす信号を配信するよう構成した最適化機構（４０５）と
   を備えることを特徴とするシミュレーション装置。
10. 通信ネットワーク（１００）におけるシステムの規模決定を行うための規模決定装置（５００）であって、
    最適化機構からの出力を受信するよう配置した予測生成機構（４１５）を更に備える請求項９に記載のシミュレーション装置であって、前記予測生成機構は、前記目的関数Ｓの少なくとも一つの結果を使用して、総負荷の予測値Ｌ_pを生成し、前記シミュレーション装置の出力（４２０）で、前記予測値を表わす信号を配信するよう配置されているシミュレーション装置と、
    前記シミュレーション装置からの前記予測値を表わす出力信号を受信するよう構成され、システムにおける総負荷の予測値Ｌ_pから、シミュレーションしたシステムの適当な規模の値を抽出し、適当な規模の前記値を表わす信号を生成するよう構成された規模抽出機構（５０５）とを備えることを特徴とする規模決定装置。
11. 通信ネットワーク（１００）における負荷監視装置（６００）であって、
    最適化機構からの出力を受信するよう構成された予測生成機構（４１５）を更に備える請求項９に記載のシミュレーション装置であって、前記予測生成機構は、前記目的関数Ｓの少なくとも一つの最適化した結果を使用して総負荷の予測値Ｌ_pを生成し、シミュレーション装置の出力（４２０）で前記予測値を表わす信号を配信するよう構成されているシミュレーション装置と、
    予測される総負荷の測定値Ｌ_mを受信するよう構成された入力（６０７）と、
    測定値を受信するよう構成された前記入力に接続した性能検査機構（６０５）とを備え、該性能検査機構は、予測した総負荷を表わす出力信号を前記シミュレーション装置から受信して比較するよう更に構成されており、前記性能検査機構は、予測した総負荷Ｌ_pを測定した総負荷Ｌ_mと比較し、測定した総負荷Ｌ_mが、それと比較される予測した総負荷Ｌ_pから所定の値以上逸脱しているなら、その表示を生成するよう更に構成されていることを特徴とする負荷監視装置。
12. 通信ネットワーク（１００）で使用するための通信ノード（６２５）であって、
    請求項１１の負荷監視装置を備えることを特徴とする通信ノード。
13. システムにおけるリソースの負荷の予測を獲得するため、通信ネットワーク（１００；１３０；１３３）のシステム（１００；１０５；１１０；１１５；１２０；１２５；１３０；１３３；１３５；１４０；１４５）をシミュレーションするためのコンピュータ・プログラムであって、
    シミュレーション装置（４００）で実行することで、
    受信した信号から、ｍ個の異なる時ｔ_iにおいて参照システムで発生するｎ個のイベントの強度測定値｛ａ_ij、ｉ＝１．．．ｍ、ｊ＝１．．．ｎ｝を抽出するステップ（２０５）であって、イベントｊの発生はリソース量ｘ_ｊを必要とするステップと、
    受信した信号から、ｍ個の異なる時ｔ_iにおいて前記参照システムにおける総負荷Ｌ_iの値を抽出するステップ（２１０）と、
    受信した信号から、負荷を予測されるシステムにおけるシナリオでのｎ個のイベントの各々の強度値｛ｂ_pj｝を抽出するステップ（２２０）と、
    Ｓ＝Σ_J=1 ⁿ(b_pjx_j)、
    の式で記述される目的関数Ｓを以下の式で記述される線形不等式
    ｙ₁≦ａ₁₁ｘ₁＋．．．＋ａ_1jｘ_j＋．．．＋ａ_1nｘ_n≦ｚ₁
    ．
    ．
    ．
    ｙ_i≦ａ_i1ｘ₁＋．．．＋ａ_ijｘ_j＋．．．＋ａ_inｘ_n≦ｚ_i
    ．
    ．
    ．
    ｙ_m≦ａ_m1ｘ₁＋．．．＋ａ_mjｘ_ｊ＋．．．＋ａ_mnｘ_n≦ｚ_m
    に従って最適化するステップ（２２５）とをシミュレーション装置に実行させるためのコンピュータ・プログラムであって、
    ｙ_iおよびｚ_iは前記参照システムの測定した総負荷Ｌ_iの関数であり、前記最適化は目的関数Ｓの少なくとも一つの最適化した結果をもたらし、それによりシステムにおける総負荷の予測値Ｌ_pが獲得されることを特徴とするコンピュータ・プログラム。
14. コンピュータ読取可能な手段（７０５）および該コンピュータ読取可能な手段に記憶された請求項１３に記載のコンピュータプログラム（７１０）を含むコンピュータプログラム媒体。

Images