JP5551741B2 - Device identification apparatus, device identification system, device identification method, and program - Google Patents

Device identification apparatus, device identification system, device identification method, and program Download PDF

Info

Publication number
JP5551741B2
JP5551741B2 JP2012196540A JP2012196540A JP5551741B2 JP 5551741 B2 JP5551741 B2 JP 5551741B2 JP 2012196540 A JP2012196540 A JP 2012196540A JP 2012196540 A JP2012196540 A JP 2012196540A JP 5551741 B2 JP5551741 B2 JP 5551741B2
Authority
JP
Japan
Prior art keywords
feature
vector
identification
feature vector
bundle
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.)
Expired - Fee Related
Application number
JP2012196540A
Other languages
Japanese (ja)
Other versions
JP2014052825A (en
Inventor
藤江 長森
さわ子 佐藤
嘉識 古川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Comware Corp
Original Assignee
NTT Comware Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NTT Comware Corp filed Critical NTT Comware Corp
Priority to JP2012196540A priority Critical patent/JP5551741B2/en
Publication of JP2014052825A publication Critical patent/JP2014052825A/en
Application granted granted Critical
Publication of JP5551741B2 publication Critical patent/JP5551741B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、機器同定装置、機器同定システム、機器同定方法、及びプログラムに関する。   The present invention relates to a device identification device, a device identification system, a device identification method, and a program.

ネットワークに接続された家電製品に対してコマンドを送信した結果のレスポンスパケット、及びパッシブパケットを受信し、その中から必要な情報を特徴として蓄積し、予め機器情報をマッピングされた特徴群の機器情報辞書から最も近い機器情報を家電製品の機器情報として推定する方式が提案されている（例えば非特許文献１参照）。   Device information of a feature group that receives response packets and passive packets as a result of sending commands to home appliances connected to the network, accumulates necessary information from them as features, and maps device information in advance A method has been proposed in which device information closest to a dictionary is estimated as device information of home appliances (see Non-Patent Document 1, for example).

佐藤さわ子、梁田龍治、前大道浩之、「ホームネットワーク内機器同定方式の検討」、電子情報通信学会技術研究報告、ＩＣＭ、情報通信マネジメント：ＩＥＩＣＥ ｔｅｃｈｎｉｃａｌ ｒｅｐｏｒｔ １１０（４６６），８７−９２，２０１１−０３−０３Sawako Sato, Ryuji Yanada, Hiroyuki Maedo, “Examination of Device Identification Method in Home Network”, IEICE Technical Report, ICM, Information Communication Management: IEICE technical report 110 (466), 87-92, 2011-03 -03

従来技術は、機器同定を実行すると、予め登録されている辞書の機種ごとの特徴量と同定される機器の特徴量とを１つ１つ比較していた。しかしながら、登録される機種が増大し、辞書が大規模になった場合には、比較する機種数が多くなり、同定時間が非常に長くなるという問題がある。   In the prior art, when device identification is executed, the feature amount for each model of the dictionary registered in advance is compared with the feature amount of the identified device one by one. However, when the number of registered models increases and the dictionary becomes large, there is a problem that the number of models to be compared increases and the identification time becomes very long.

また、他機種との識別には、充分な特徴数が必要であるが、辞書に登録される特徴群が多くなった場合には、比較する特徴数も多くなるため、さらに同定時間が長くなる。遠隔サポートサービス等で利用する場合には、短時間での対応が望まれており、利用シーンによっては、必要に応じて機器同定の機能を起動し実行する必要も生じる。このような状況において、同定時間が長くなる場合、遠隔サポートオペレータ・利用者の無駄な待ち時間が発生するという問題があった。   In addition, a sufficient number of features is necessary for identification from other models, but when the number of feature groups registered in the dictionary increases, the number of features to be compared also increases, so the identification time is further increased. . When used in a remote support service or the like, it is desired to respond in a short time, and depending on the usage scene, it may be necessary to activate and execute the device identification function as necessary. In such a situation, when the identification time becomes long, there is a problem that a wasteful waiting time of the remote support operator / user occurs.

そこで本発明の一態様は、上記問題に鑑みてなされたものであり、より短時間で機器同定することを可能とすることを課題とする。   Thus, one embodiment of the present invention has been made in view of the above problem, and an object thereof is to enable device identification in a shorter time.

（１）本発明は前記事情に鑑みなされたもので、本発明の一態様は、比較対象の機器および同定対象の機器について、機器の特徴量が持つ性質に応じた所定のベクトル化ルールに基づいて、前記特徴量に含まれる質的特徴量と量的特徴量それぞれを、取り得る数値の個数が予め決められているという条件の下でそれぞれの特徴量毎に決定された複数の数値に含まれる一の数値に変換し、変換後のそれぞれの数値を要素とする特徴ベクトルを生成する特徴ベクトル生成手段と、前記特徴ベクトル生成手段が生成した比較対象の機器の特徴ベクトルと同定対象の機器の特徴ベクトルとを参照して、前記同定対象の機器を同定する同定手段と、を備えることを特徴とする機器同定装置である。 (1) The present invention has been made in view of the above circumstances, and one aspect of the present invention is based on a predetermined vectorization rule according to the property of the feature amount of the device for the device to be compared and the device to be identified. The qualitative feature quantity and the quantitative feature quantity included in the feature quantity are included in a plurality of numeric values determined for each feature quantity under the condition that the number of possible numeric values is determined in advance. A feature vector generating unit that generates a feature vector having each converted numeric value as an element, a feature vector of a comparison target device generated by the feature vector generation unit, and an identification target device An apparatus identification apparatus comprising: an identification unit configured to identify the identification target apparatus with reference to a feature vector.

（２）上記に記載の機器同定装置において、本発明の一態様は、前記特徴ベクトル生成手段は、ある特徴量が重要な特徴量の場合、該重要な特徴量が特徴ベクトル生成手段により変換された後の数値を前記重要な特徴量について予め決められた数だけ、前記生成した特徴ベクトルに挿入することを特徴とする。 (2) In the device identification apparatus described above, according to one aspect of the present invention, when the feature vector generation unit is an important feature amount, the important feature amount is converted by the feature vector generation unit. After that, a predetermined number of important feature values are inserted into the generated feature vector.

（３）上記に記載の機器同定装置において、本発明の一態様は、前記特徴ベクトル生成手段が生成した、比較対象の機器の特徴ベクトルに基づいて複数の機器を複数のグループに分割するグループ分割手段を備え、前記同定手段は、同一の前記グループに含まれる機器全てで、特徴ベクトルの要素が共通の値をとる特徴量を比較対象から除外して、前記同定対象の機器を同定することを特徴とする。 (3) In the device identification apparatus described above, one aspect of the present invention is a group division that divides a plurality of devices into a plurality of groups based on a feature vector of a comparison target device generated by the feature vector generation unit. And the identification means identifies all the devices included in the same group by excluding from the comparison target a feature quantity having a common feature vector element, and identifying the identification target device. Features.

（４）上記に記載の機器同定装置において、本発明の一態様は、前記グループ分割手段が分割したグループごとの代表ベクトルを決定する代表ベクトル決定手段と、前記特徴ベクトル生成手段が生成した、前記同定対象の機器の特徴ベクトルと前記グループごとの代表ベクトルとを比較することで、複数のグループを抽出する類似グループ抽出手段と、を備え、前記同定手段は、前記類似グループ抽出手段が抽出した複数のグループ内の個々の機器に対する特徴ベクトルと前記同定対象の機器の特徴ベクトルとを比較することで、前記同定対象の機器を同定することを特徴とする。 (4) In the device identification device described above, one aspect of the present invention is a representative vector determining unit that determines a representative vector for each group divided by the group dividing unit, and the feature vector generating unit generates the representative vector Similar group extraction means for extracting a plurality of groups by comparing a feature vector of a device to be identified with a representative vector for each group, and the identification means includes a plurality of extracted by the similar group extraction means The identification target device is identified by comparing a feature vector for each device in the group with a feature vector of the identification target device.

（５）上記に記載の機器同定装置において、本発明の一態様は、前記類似グループ抽出手段は、抽出したグループ内に存在する特徴ベクトルの数が予め決められた規定数以下の場合、その時点で機器同定を完了させることを特徴とする。 (5) In the device identification apparatus described above, one aspect of the present invention is that, when the number of feature vectors existing in the extracted group is equal to or less than a predetermined number, the similar group extraction unit To complete device identification.

（６）本発明の一態様は、比較対象の機器および同定対象の機器について、機器の特徴量が持つ性質に応じた所定のベクトル化ルールに基づいて、前記特徴量に含まれる質的特徴量と量的特徴量それぞれを、取り得る数値の個数が予め決められているという条件の下でそれぞれの特徴量毎に決定された複数の数値に含まれる一の数値に変換し、変換後のそれぞれの数値を要素とする特徴ベクトルを生成する特徴ベクトル生成手段と、前記特徴ベクトル生成手段が生成した比較対象の機器の特徴ベクトルと同定対象の機器の特徴ベクトルとを参照して、前記同定対象の機器を同定する同定手段と、を備えることを特徴とする機器同定システムである。 (6) According to one aspect of the present invention, a qualitative feature amount included in the feature amount is based on a predetermined vectorization rule corresponding to the property of the feature amount of the device with respect to the comparison target device and the identification target device. And quantitative feature quantities are converted into one numerical value included in multiple numerical values determined for each feature quantity under the condition that the number of possible numerical values is determined in advance. A feature vector generating means for generating a feature vector having the numerical value of the element, a feature vector of the comparison target device generated by the feature vector generating means and a feature vector of the identification target device An apparatus identification system comprising: identification means for identifying an apparatus.

（７）上記に記載の機器同定システムにおいて、本発明の一態様は、機器情報辞書サーバ装置と機器同定装置とを備える上記に記載の機器同定システムであって、機器情報辞書サーバ装置は、前記機器の特徴量を保持する機器情報記憶部を備え、前記機器同定装置は、前記特徴ベクトル生成手段と前記同定手段とを備え、前記特徴ベクトル生成手段は、前記機器情報辞書サーバ装置から前記機器の特徴量を取得することを特徴とする。 (7) In the device identification system described above, one aspect of the present invention is the device identification system described above including a device information dictionary server device and a device identification device, and the device information dictionary server device includes: A device information storage unit for storing a feature amount of the device, wherein the device identification device includes the feature vector generation unit and the identification unit, and the feature vector generation unit receives the device information from the device information dictionary server device. A feature amount is acquired.

（８）本発明の一態様は、特徴ベクトル生成手段が、比較対象の機器および同定対象の機器について、機器の特徴量が持つ性質に応じた所定のベクトル化ルールに基づいて、前記特徴量に含まれる質的特徴量と量的特徴量それぞれを、取り得る数値の個数が予め決められているという条件の下でそれぞれの特徴量毎に決定された複数の数値に含まれる一の数値に変換し、変換後のそれぞれの数値を要素とする特徴ベクトルを生成する手順と、同定手段が、前記特徴ベクトル生成手段が生成した比較対象の機器の特徴ベクトルと同定対象の機器の特徴ベクトルとを参照して、前記同定対象の機器を同定する手順と、を有することを特徴とする機器同定方法である。 (8) According to one aspect of the present invention, the feature vector generation unit adds the feature amount to the feature amount based on a predetermined vectorization rule corresponding to the property of the feature amount of the device for the comparison target device and the identification target device. Convert each qualitative feature quantity and quantitative feature quantity into one numeric value included in multiple numeric values determined for each feature quantity under the condition that the number of possible numeric values is predetermined. Then, a procedure for generating a feature vector having each converted numerical value as an element, and the identification unit refer to the feature vector of the comparison target device and the feature vector of the identification target device generated by the feature vector generation unit. And a procedure for identifying the device to be identified.

（９）本発明の一態様は、機器同定装置に、比較対象の機器および同定対象の機器について、機器の特徴量が持つ性質に応じた所定のベクトル化ルールに基づいて、前記特徴量に含まれる質的特徴量と量的特徴量それぞれを、取り得る数値の個数が予め決められているという条件の下でそれぞれの特徴量毎に決定された複数の数値に含まれる一の数値に変換し、変換後のそれぞれの数値を要素とする特徴ベクトルを生成する特徴ベクトル生成ステップと、前記特徴ベクトル生成ステップにより生成された比較対象の機器の特徴ベクトルと同定対象の機器の特徴ベクトルとを参照して、前記同定対象の機器を同定する同定ステップと、を実行させるためのプログラムである。 (9) According to one aspect of the present invention, the device identification device includes the comparison target device and the identification target device in the feature amount based on a predetermined vectorization rule corresponding to the property of the device feature amount. Each of the qualitative feature quantity and the quantitative feature quantity is converted into one numerical value included in a plurality of numerical values determined for each feature quantity under the condition that the number of possible numerical values is predetermined. A feature vector generation step for generating a feature vector having each converted numerical value as an element, and a feature vector of a comparison target device and a feature vector of an identification target device generated by the feature vector generation step. And an identification step for identifying the device to be identified.

この発明の一態様によれば、より短時間で機器同定することができる。   According to one aspect of the present invention, device identification can be performed in a shorter time.

本発明の実施形態による機器同定システムの構成を示すブロック図である。It is a block diagram which shows the structure of the apparatus identification system by embodiment of this invention. 本実施形態による機器同定装置内に機器情報辞書が内包されている場合の構成を示すブロック図である。It is a block diagram which shows a structure when the apparatus information dictionary is included in the apparatus identification apparatus by this embodiment. 本実施形態による特徴蓄積ＤＢ、機器情報ＤＢ、端末情報ＤＢ、クラスタＤＢにおけるデータ構成例を示す概念図である。It is a conceptual diagram which shows the data structural example in the feature storage DB by this embodiment, apparatus information DB, terminal information DB, and cluster DB. 本実施形態による機器同定装置の辞書作成段階における全体動作を説明するためのフローチャートである。It is a flowchart for demonstrating the whole operation | movement in the dictionary preparation stage of the apparatus identification device by this embodiment. 本実施形態による辞書解析機能の動作を説明するためのフローチャートである。It is a flowchart for demonstrating operation | movement of the dictionary analysis function by this embodiment. 本実施形態による辞書解析機能の動作を説明するためのフローチャートである。It is a flowchart for demonstrating operation | movement of the dictionary analysis function by this embodiment. 本実施形態による特徴ベクトル変換機能でのベクトル化ルールを説明するための概念図である。It is a conceptual diagram for demonstrating the vectorization rule in the feature vector conversion function by this embodiment. 本実施形態において、ベクトル化ルールを元に全ての特徴量を２値ベクトル化したものの一部を例示する概念図である。In this embodiment, it is a conceptual diagram which illustrates a part of what binarized all the feature-values based on the vectorization rule. 本実施形態において、特徴ベクトル間の距離を説明するための概念図である。In this embodiment, it is a conceptual diagram for demonstrating the distance between feature vectors. 本実施形態によるノード間距離算出手順を説明するためのフローチャートである。It is a flowchart for demonstrating the distance calculation procedure between nodes by this embodiment. 本実施形態によるベクトル間距離算出手順を説明するためのフローチャートである。It is a flowchart for demonstrating the distance calculation method between vectors by this embodiment. 本実施形態によるクラスタリングを実施した結果のデンドログラム（樹形図）を示す概念図である。It is a conceptual diagram which shows the dendrogram (dendrogram) of the result of having implemented the clustering by this embodiment. 本実施形態による、同一グループ内のベクトルを例示する概念図である。It is a conceptual diagram which illustrates the vector in the same group by this embodiment. 本実施形態による機器同定装置の機器同定段階における全体動作を説明するためのフローチャートである。It is a flowchart for demonstrating the whole operation | movement in the apparatus identification stage of the apparatus identification apparatus by this embodiment. 図１４のステップＳｅ４における機器同定範囲抽出機能の動作を説明するためのフローチャートである。It is a flowchart for demonstrating operation | movement of the apparatus identification range extraction function in step Se4 of FIG.

本実施形態における機器同定システムは、登録されている辞書に対して、機器同定時に同定される機器と最も類似している機器範囲を抽出することによって、比較する機器数、及び比較する特徴数の双方を最小化し、辞書が大規模化した場合にも精度を担保しながら同定速度を高速化する。   In the device identification system according to the present embodiment, the number of devices to be compared and the number of features to be compared are extracted from the registered dictionary by extracting a device range most similar to the device identified at the time of device identification. Both are minimized, and the identification speed is increased while ensuring accuracy even when the dictionary becomes large.

以下、本発明の実施形態について、図面を参照して詳細に説明する。   Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

図１は、本発明の実施形態による機器同定システムの構成を示すブロック図である。図１において、機器同定システム１は、機器情報辞書サーバ装置１０、機器同定装置１１、該機器同定装置１１にＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）に接続されたネットワーク家電１２−１〜１２−５からなる。機器情報辞書サーバ装置１０と機器同定装置１１とは広域ネットワーク（ＷＡＮ；Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）１３を介して接続されている。機器情報辞書サーバ装置１０は、機器情報辞書を管理し、各機器同定装置１１からの要求に応じて、機器同定装置１１から受信した特徴群に最も近い情報を持つ機器情報を抽出して返信する。但し、本実施形態では、機器同定装置１１内に機器情報辞書が内包されているケースも許容しており、その場合、機器情報辞書サーバ装置１０は不要となる。   FIG. 1 is a block diagram showing a configuration of a device identification system according to an embodiment of the present invention. 1, the device identification system 1 includes a device information dictionary server device 10, a device identification device 11, and network home appliances 12-1 to 12-5 connected to the device identification device 11 via a LAN (Local Area Network). The device information dictionary server device 10 and the device identification device 11 are connected via a wide area network (WAN) 13. The device information dictionary server device 10 manages the device information dictionary, and extracts and returns device information having information closest to the feature group received from the device identification device 11 in response to a request from each device identification device 11. . However, in the present embodiment, a case in which a device information dictionary is included in the device identification apparatus 11 is allowed, and in this case, the device information dictionary server apparatus 10 is not necessary.

機器同定装置１１は、ＬＡＮ内に接続されているネットワーク家電１２−１〜１２−５を検知し、個々のネットワーク家電１２−１〜１２−５のコマンド送信結果のレスポンスパケット、及びネットワーク家電１２−１〜１２−５が送信するパッシブパケットを受信し、その中から必要な情報を特徴として蓄積する。また、機器同定装置１１は、蓄積した特徴群と機器情報辞書との比較を行い、最も近い機器情報を取得して表示する。機器情報辞書がＷＡＮ１３上に存在する場合には、特徴群とともに機器情報辞書サーバ装置１０に対して機器同定を依頼し、その結果を機器情報辞書サーバ装置１０から受信する。   The device identification device 11 detects the network home appliances 12-1 to 12-5 connected in the LAN, the response packet of the command transmission result of each network home appliance 12-1 to 12-5, and the network home appliance 12- The passive packet transmitted from 1 to 12-5 is received, and necessary information is stored as a feature. In addition, the device identification device 11 compares the accumulated feature group with the device information dictionary, and acquires and displays the closest device information. When the device information dictionary exists on the WAN 13, the device information dictionary server device 10 is requested to perform device identification together with the feature group, and the result is received from the device information dictionary server device 10.

図２は、本実施形態による機器同定装置１１内に機器情報辞書が内包されている場合の構成を示すブロック図である。図２において、機器同定装置１１は、キャプチャバンドル１１１、プロトコル特徴解析バンドル１１２、アクティブ計測バンドル１１３、ＤＢアクセスバンドル１１４、機器同定バンドル１１５、ＷｅｂＵＩバンドル１１６、特徴蓄積判定バンドル１１７、クラスタ分析バンドル１１８、機器クラスタ抽出バンドル１１９、ＯＳＧｉＦＷ（Ｏｐｅｎ Ｓｅｒｖｉｃｅｓ Ｇａｔｅｗａｙ ｉｎｉｔｉａｔｉｖｅ Ｆｒａｍｅ Ｗｏｒｋ）１２０、特徴蓄積ＤＢ１２１、機器情報ＤＢ１２２、端末情報ＤＢ１２３、クラスタＤＢ１２４を備える。ここで、プロトコル特徴解析バンドル１１２は、プロトコル毎に複数存在する。また、アクティブ計測バンドル１１３も、プロトコル毎に複数存在する。   FIG. 2 is a block diagram illustrating a configuration when a device information dictionary is included in the device identification apparatus 11 according to the present embodiment. 2, the device identification apparatus 11 includes a capture bundle 111, a protocol feature analysis bundle 112, an active measurement bundle 113, a DB access bundle 114, a device identification bundle 115, a Web UI bundle 116, a feature accumulation determination bundle 117, a cluster analysis bundle 118, A device cluster extraction bundle 119, an OSGiFW (Open Services Gateway Initiative Frame Work) 120, a feature storage DB 121, a device information DB 122, a terminal information DB 123, and a cluster DB 124 are provided. Here, a plurality of protocol feature analysis bundles 112 exist for each protocol. There are also a plurality of active measurement bundles 113 for each protocol.

キャプチャバンドル１１１は、同一ネットワークに接続するネットワーク家電１２−１〜１２−５が送信するパケットをキャプチャし、該当プロトコルを識別して該当のプロトコル特徴解析バンドル１１２へ情報を引き継ぐ。プロトコル特徴解析バンドル１１２は、プロトコルごとの解析を実施し、機器同定に必要となる特徴を抽出し、ＤＢアクセスバンドル１１４にＤＢ登録を引き継ぐ。解析するプロトコルの例としては、ＴＣＰ（Ｔｒａｎｓｍｉｓｓｉｏｎ Ｃｏｎｔｒｏｌ Ｐｒｏｔｏｃｏｌ）解析・ＳＳＬ（Ｓｅｃｕｒｅ Ｓｏｃｋｅｔ Ｌａｙｅｒ）解析・ＷＯＬ（Ｗａｋｅ Ｏｎ ＬＡＮ）解析等がある。   The capture bundle 111 captures packets transmitted by the network home appliances 12-1 to 12-5 connected to the same network, identifies the corresponding protocol, and takes over the information to the corresponding protocol feature analysis bundle 112. The protocol feature analysis bundle 112 performs analysis for each protocol, extracts features necessary for device identification, and takes over DB registration to the DB access bundle 114. Examples of the protocol to be analyzed include TCP (Transmission Control Protocol) analysis, SSL (Secure Socket Layer) analysis, and WOL (Wake On LAN) analysis.

アクティブ計測バンドル１１３は、同一ネットワークに接続するネットワーク家電１２−１〜１２−５に対してコマンドを送信し、応答結果から特徴を抽出してＤＢアクセスバンドル１１４に登録を引き継ぐ。具体例としては、ａｒｐｉｎｇコマンドを送信し、応答状況から機器を検出し、検出した情報から該当機種のＴＣＰポート開閉状況を確認する等がある。ＤＢアクセスバンドル１１４は、引き継いだ情報を指定のテーブルに登録する。ＤＢアクセスバンドル１１４は、指定の条件で特徴蓄積ＤＢ１２１、機器情報ＤＢ１２２、端末情報ＤＢ１２３、クラスタＤＢ１２４からデータを抽出する。   The active measurement bundle 113 transmits a command to the network home appliances 12-1 to 12-5 connected to the same network, extracts features from the response result, and takes over registration to the DB access bundle 114. As a specific example, an arping command is transmitted, a device is detected from the response status, and the TCP port open / close status of the corresponding model is confirmed from the detected information. The DB access bundle 114 registers the inherited information in a specified table. The DB access bundle 114 extracts data from the feature storage DB 121, device information DB 122, terminal information DB 123, and cluster DB 124 under specified conditions.

機器同定バンドル１１５は、機器同定装置１１内に機器情報辞書が内包されている場合に必要となる機能である。機器同定バンドル１１５は、ＷｅｂＵＩバンドル１１６から受信した１機種の特徴群と機器クラスタ抽出バンドル１１９から通知された機器情報の候補部に一致している機器情報辞書に登録されている特徴とのうち、全一致ベクトル項目ＩＤに登録されている特徴を除いて比較し、最も近い特徴を持つ機種情報を抽出して返信する。   The device identification bundle 115 is a function required when a device information dictionary is included in the device identification apparatus 11. The device identification bundle 115 includes one type of feature group received from the Web UI bundle 116 and features registered in the device information dictionary that matches the candidate portion of the device information notified from the device cluster extraction bundle 119. The comparison is made except for the features registered in the all-match vector item ID, and the model information having the closest features is extracted and returned.

ＷｅｂＵＩバンドル１１６は、Ｗｅｂサーバとして、機器リスト画面と辞書登録画面とを作成し表示する。機器リスト画面では、ＭＡＣ（Ｍｅｄｉａ Ａｃｃｅｓｓ Ｃｏｎｔｒｏｌ）アドレスごとに機器情報を出力する。ＷｅｂＵＩバンドル１１６は機器情報を、特徴蓄積ＤＢ１２１から抽出してもよく、機器情報テーブルを設けて検出した機器を管理してもよい。機器情報には、ＭＡＣアドレスごとに辞書登録ボタンと機器同定ボタンとを持ち、辞書登録ボタンを押下した場合には、機器情報登録画面を表示し、機器同定ボタンを押下した場合には、特徴蓄積ＤＢ１２１から該当ＭＡＣアドレスを持つ特徴を抽出して機器同定バンドル１１５に通知し、結果を得て表示する。機器情報辞書サーバ装置１０を持つシステム構成の場合には、機器同定機能が、機器情報辞書サーバ装置１０にあるため、抽出した該当ＭＡＣアドレス群を機器情報辞書サーバ装置１０へ送信し、結果を受信する。   The Web UI bundle 116 creates and displays a device list screen and a dictionary registration screen as a Web server. On the device list screen, device information is output for each MAC (Media Access Control) address. The Web UI bundle 116 may extract device information from the feature storage DB 121, and may manage devices detected by providing a device information table. The device information includes a dictionary registration button and a device identification button for each MAC address. When the dictionary registration button is pressed, a device information registration screen is displayed, and when the device identification button is pressed, feature accumulation is performed. The feature having the corresponding MAC address is extracted from the DB 121 and notified to the device identification bundle 115, and the result is obtained and displayed. In the case of a system configuration having the device information dictionary server device 10, since the device identification function is in the device information dictionary server device 10, the extracted corresponding MAC address group is transmitted to the device information dictionary server device 10 and the result is received. To do.

辞書登録画面では、特徴蓄積ＤＢ１２１から該当ＭＡＣアドレスを持つ特徴を抽出する。抽出した特徴群は、画面に表示してもしなくてもよい。また、該当ＭＡＣアドレスを持つ機種に対する機種情報（例えば、カテゴリ・メーカ名・製品名・型番名等）の入力エリアと登録ボタン・キャンセルボタンとを表示する。登録ボタンが押下された場合には、特徴群と機種情報を機器情報ＤＢ１２２に登録する。機器情報辞書サーバ装置１０を持つシステム構成の場合には、特徴群と機種情報を機器情報辞書サーバ装置１０に通知する。   On the dictionary registration screen, the feature having the corresponding MAC address is extracted from the feature storage DB 121. The extracted feature group may or may not be displayed on the screen. Further, an input area for model information (for example, category, manufacturer name, product name, model name, etc.) and a registration button / cancel button for the model having the corresponding MAC address are displayed. When the registration button is pressed, the feature group and model information are registered in the device information DB 122. In the case of a system configuration having the device information dictionary server device 10, the feature group and model information are notified to the device information dictionary server device 10.

特徴蓄積判定バンドル１１７は、周期的に検出済みの特徴抽出状況を監視し、辞書登録・機器同定を実行するのに十分な量が蓄積されているかを判定する。クラスタ分析バンドル１１８は、機器情報ＤＢ１２２の情報を用いて、機器の特徴ベクトルを作成し、クラスタＤＢ１２４に登録する。また、クラスタ分析バンドル１１８は、登録された特徴ベクトルを元にクラスタ分析アルゴリズムを実行し、実行結果をクラスタＤＢ１２４に登録する。機器クラスタ抽出バンドル１１９は、クラスタＤＢ１２４の情報を用いて、機器特定アルゴリズムの対象となる候補群を決定し、機器同定バンドル１１５に通知する。   The feature accumulation determination bundle 117 periodically monitors the feature extraction status that has been detected, and determines whether an amount sufficient to execute dictionary registration / device identification is accumulated. The cluster analysis bundle 118 creates device feature vectors using the information in the device information DB 122 and registers them in the cluster DB 124. The cluster analysis bundle 118 executes a cluster analysis algorithm based on the registered feature vector, and registers the execution result in the cluster DB 124. The device cluster extraction bundle 119 uses the information in the cluster DB 124 to determine a candidate group that is a target of the device identification algorithm and notifies the device identification bundle 115 of the candidate group.

特徴蓄積ＤＢ１２１は、特徴抽出蓄積機能を用いてパラメータ・値のデータを蓄積する。機器情報ＤＢ１２２は、型番テーブルと詳細データテーブルとを備え、学習した機器情報を蓄積する。端末情報ＤＢ１２３は、ネットワークＮＷに接続している機器の検出状況、及び機器同定結果を登録する。クラスタＤＢ１２４は、型番クラスタテーブル、ベクトル値テーブル、ベクトル名テーブル、クラスタ情報テーブル、一致ベクトル項目テーブルを備え、クラスタ分析バンドル１１８の辞書解析機能の結果情報を登録する。   The feature storage DB 121 stores parameter / value data using a feature extraction / storage function. The device information DB 122 includes a model number table and a detailed data table, and accumulates learned device information. The terminal information DB 123 registers the detection status of devices connected to the network NW and the device identification result. The cluster DB 124 includes a model number cluster table, a vector value table, a vector name table, a cluster information table, and a match vector item table, and registers the result information of the dictionary analysis function of the cluster analysis bundle 118.

図３は、本実施形態による、特徴蓄積ＤＢ１２１、機器情報ＤＢ１２２、端末情報ＤＢ１２３、及びクラスタＤＢ１２４におけるデータ構成例を示す概念図である。図３において、特徴蓄積ＤＢ１２１は、特徴抽出蓄積機能を用いてパラメータ・値のデータを蓄積する。特徴蓄積ＤＢ１２１は、ＭＡＣアドレス、ＩＰアドレス、特徴名、特徴値、記録日時からなる、特徴蓄積テーブル１２１ａを備えている。機器情報ＤＢ１２２は、学習した機器情報を蓄積し、辞書作成装置ＩＤ、学習ＩＤ、カテゴリ、製造会社名、装置名、型番、コメント、学習日時からなる型番テーブル１２２ａと、辞書作成装置ＩＤ、学習ＩＤ、特徴名、特徴値からなる詳細テーブル１２２ｂとを備えている。   FIG. 3 is a conceptual diagram illustrating a data configuration example in the feature accumulation DB 121, the device information DB 122, the terminal information DB 123, and the cluster DB 124 according to the present embodiment. In FIG. 3, the feature storage DB 121 stores parameter / value data using a feature extraction / storage function. The feature storage DB 121 includes a feature storage table 121a including a MAC address, an IP address, a feature name, a feature value, and a recording date. The device information DB 122 accumulates learned device information, and includes a dictionary creation device ID, learning ID, category, manufacturer name, device name, model number, comment, learning date and time, a model number table 122a, a dictionary creation device ID, and a learning ID. And a detailed table 122b made up of feature names and feature values.

端末情報ＤＢ１２３は、ネットワークＮＷに接続している機器の検出状況、及び機器同定結果を登録する。端末情報ＤＢ１２３は、端末ＩＤ、ＭＡＣアドレス、ＩＰアドレス、接続状態、蓄積状態からなる端末情報テーブル１２３ａと、端末ＩＤ、ポイント、カテゴリ、メーカ名、機種名、型番、コメントからなる指定情報テーブル１２３ｂとを備えている。   The terminal information DB 123 registers the detection status of devices connected to the network NW and the device identification result. The terminal information DB 123 includes a terminal information table 123a including a terminal ID, a MAC address, an IP address, a connection state, and an accumulation state, and a designation information table 123b including a terminal ID, a point, a category, a manufacturer name, a model name, a model number, and a comment. It has.

また、クラスタＤＢ１２４は、辞書解析機能の結果情報を登録する。クラスタＤＢ１２４は、型番クラスタテーブル１２４ａ、ベクトル値テーブル１２４ｂ、ベクトル名テーブル１２４ｃ、クラスタ情報テーブル１２４ｄ、及び一致ベクトル項目テーブル１２４ｅを備えている。型番クラスタテーブル１２４ａは、ベクトルＩＤ、辞書作成装置ＩＤ、学習ＩＤ、クラスタＩＤからなる。ベクトル値テーブル１２４ｂは、ベクトルＩＤ、ベクトル項目ＩＤ、ベクトル値からなる。   Further, the cluster DB 124 registers the result information of the dictionary analysis function. The cluster DB 124 includes a model number cluster table 124a, a vector value table 124b, a vector name table 124c, a cluster information table 124d, and a match vector item table 124e. The model number cluster table 124a includes a vector ID, a dictionary creation device ID, a learning ID, and a cluster ID. The vector value table 124b includes a vector ID, a vector item ID, and a vector value.

ベクトル名テーブル１２４ｃは、ベクトル項目ＩＤ、ベクトル項目名、変数性質フラグ、分析対象フラグからなる。クラスタ情報テーブル１２４ｄは、クラスタＩＤ、代表ベクトルＩＤ、ベクトルＩＤ、クラスタ分析日時からなる。一致ベクトル項目テーブル１２４ｅは、クラスタＩＤ、全一致ベクトル項目ＩＤからなる。   The vector name table 124c includes a vector item ID, a vector item name, a variable property flag, and an analysis target flag. The cluster information table 124d includes a cluster ID, a representative vector ID, a vector ID, and a cluster analysis date / time. The match vector item table 124e includes a cluster ID and an all match vector item ID.

次に、本実施形態による機器同定装置１１の動作について説明する。
本実施形態による機器同定装置１１の動作は、大きく（ａ）辞書作成段階、（ｂ）機器同定段階の２つに分かれる。以下にそれぞれについて詳しく説明する Next, the operation of the device identification apparatus 11 according to the present embodiment will be described.
The operation of the device identification apparatus 11 according to the present embodiment is roughly divided into two steps: (a) dictionary creation stage, and (b) device identification stage. Each is explained in detail below

（ａ）辞書作成段階
図４は、本実施形態による機器同定装置１１の辞書作成段階における全体動作を説明するためのフローチャートである。辞書作成段階は、ネットワークＮＷに接続されたネットワーク家電１２−１〜１２−５に対してコマンドを送信した結果のレスポンスパケット、及びパッシブパケットを受信してその中から必要な情報を特徴として蓄積した上で機器情報辞書として作成し、作成した辞書に対して辞書解析機能を行い、機器情報をグループ化する処理である。従来技術との違いは、図４に示すフローチャートの破線で囲んだステップＳａ５〜Ｓａ７の「辞書解析機能」部分である。 (A) Dictionary Creation Stage FIG. 4 is a flowchart for explaining the overall operation in the dictionary creation stage of the device identification apparatus 11 according to the present embodiment. In the dictionary creation stage, response packets and passive packets as a result of sending commands to the network home appliances 12-1 to 12-5 connected to the network NW are received and necessary information is stored as features. This is a process for creating a device information dictionary and performing a dictionary analysis function on the created dictionary to group device information. The difference from the prior art is the “dictionary analysis function” portion of steps Sa5 to Sa7 surrounded by a broken line in the flowchart shown in FIG.

まず、プロトコル特徴解析バンドル１１２、及びアクティブ計測バンドル１１３は、ネットワークＮＷに接続されたネットワーク家電Ａ、Ｂ、Ｃ、…が送信するパケット（家電製品に対してコマンドを送信した結果のレスポンスパケット、及びパッシブパケット）を受信し、その中から必要な情報を特徴として解析する（ステップＳａ１）。次に、ＤＢアクセスバンドル１１４は、特徴蓄積ＤＢ１２１に特徴として登録する（ステップＳａ２）。   First, the protocol feature analysis bundle 112 and the active measurement bundle 113 are packets sent by network home appliances A, B, C,... Connected to the network NW (response packets as a result of sending commands to home appliances, and Passive packet) is received, and necessary information is analyzed as a feature (step Sa1). Next, the DB access bundle 114 is registered as a feature in the feature storage DB 121 (step Sa2).

次に、ＷｅｂＵＩバンドル１１６は、辞書登録する機器の特徴データを特徴蓄積ＤＢ１２１から読み出して表示する（ステップＳａ３）。そして、機器データと入力されたデータ（利用者から入力される型番）をマッピングして機器情報ＤＢ１２２に辞書データとして登録する（ステップＳａ４）。   Next, the Web UI bundle 116 reads out the feature data of the device to be registered in the dictionary from the feature storage DB 121 and displays it (step Sa3). Then, the device data and the input data (model number input by the user) are mapped and registered as dictionary data in the device information DB 122 (step Sa4).

次に、クラスタ分析バンドル１１８は、機器情報ＤＢ１２２から機器の辞書データを取得し、ｎ次元空間の２値ベクトルに置き換え（ステップＳａ５；特徴ベクトル作成機能）、クラスタ分析を実施することにより、機器をグループに分割し（ステップＳａ６；クラスタ分析機能）、機器グループごとの代表ベクトルを決定し、クラスタＤＢ１２４に蓄積する。そして、クラスタ分析バンドル１１８は、グループ内のベクトル値と特徴量ごとの取りうる値の性質を基に、特徴値が一致しているものを解析しクラスタＤＢ１２４に登録する（ステップＳａ７；代表ベクトル選定機能）。具体的には、例えば、クラスタ分析バンドル１１８は、グループ内のベクトル値と特徴量ごとの取りうる値の性質を基に、明らかに特徴値が一致しているものにフラグをつける。ここで、グループ内の機器の全てでベクトル値が一致する全一致ベクトル項目は、ベクトル値をみただけで明らかにベクトル変換前の特徴値がグループ内の機器の全てで一致している。   Next, the cluster analysis bundle 118 acquires the dictionary data of the device from the device information DB 122, replaces it with an n-dimensional space binary vector (step Sa5; feature vector creation function), and performs cluster analysis to identify the device. The data is divided into groups (step Sa6; cluster analysis function), a representative vector for each device group is determined, and stored in the cluster DB 124. Then, the cluster analysis bundle 118 analyzes and registers in the cluster DB 124 what the feature values match based on the vector values in the group and the nature of the values that can be taken for each feature amount (step Sa7; representative vector selection) function). More specifically, for example, the cluster analysis bundle 118 flags those whose feature values clearly match based on the vector values in the group and the nature of the values that can be taken for each feature amount. Here, for all the matched vector items in which the vector values match in all the devices in the group, the feature values before vector conversion clearly match in all the devices in the group only by looking at the vector values.

＜辞書解析機能＞
上述した図４に示すフローチャートにおいて、破線で囲んだ辞書解析機能（ステップＳａ５〜Ｓａ７）は、機器情報をグループ化する機能であり、（１）特徴ベクトル作成機能、（２）クラスタ分析機能、（３）代表ベクトル決定機能を備えている。 <Dictionary analysis function>
In the flowchart shown in FIG. 4 described above, the dictionary analysis function (steps Sa5 to Sa7) surrounded by a broken line is a function for grouping device information, (1) a feature vector creation function, (2) a cluster analysis function, ( 3) A representative vector determination function is provided.

図５、及び図６は、本実施形態による辞書解析機能の動作を説明するためのフローチャートである。   5 and 6 are flowcharts for explaining the operation of the dictionary analysis function according to the present embodiment.

（１）特徴ベクトル作成機能
特徴ベクトル作成機能は、辞書に登録されている特徴量を読み込み、０または１のベクトル値に変換し、クラスタＤＢ１２４に登録する機能である。 (1) Feature Vector Creation Function The feature vector creation function is a function that reads feature quantities registered in the dictionary, converts them into 0 or 1 vector values, and registers them in the cluster DB 124.

まず、クラスタ分析バンドル１１８は、詳細テーブル１２２ｂから全ての情報を取得する（ステップＳｂ１）。具体的には、クラスタ分析バンドル１１８は、機器情報ＤＢ１２２から全ての特徴量を読み込む。次に、全機種名の特徴値を、０または１のベクトル値に変換し、型番クラスタテーブル１２４ａ、ベクトル値テーブル１２４ｂ、ベクトル名テーブル１２４ｃに登録する、特徴ベクトル変換機能を実行する（ステップＳｂ２）。次に、クラスタ分析バンドル１１８は、一例として、質的特徴で、かつ２値のみを取る特徴（例：ＴＣＰ＿ＰＯＲＴ＿ＸＸ）から変換されたベクトル項目に変数性質フラグを付与する（ステップＳｂ３）。なお、クラスタ分析バンドル１１８は、質的特徴だけに限らず、質的特徴と量的特徴を含む全特徴のうち、特に分析対象としたい項目を選択し、選択した項目に変数性質フラグを付与してもよい。クラスタ分析バンドル１１８は、解析対象ベクトル項目にフラグを付与する（ステップＳｂ４）。なお、解析対象ベクトル項目は初期ファイルにおいて指定されていてもよい。   First, the cluster analysis bundle 118 acquires all information from the detailed table 122b (step Sb1). Specifically, the cluster analysis bundle 118 reads all feature quantities from the device information DB 122. Next, a feature vector conversion function is executed in which the feature values of all model names are converted into 0 or 1 vector values and registered in the model number cluster table 124a, vector value table 124b, and vector name table 124c (step Sb2). . Next, as an example, the cluster analysis bundle 118 adds a variable property flag to a vector item converted from a qualitative feature and a feature that takes only two values (eg, TCP_PORT_XX) (step Sb3). The cluster analysis bundle 118 selects not only the qualitative features but also all the features including the qualitative features and the quantitative features, and particularly selects an item to be analyzed, and assigns a variable property flag to the selected item. May be. The cluster analysis bundle 118 adds a flag to the analysis target vector item (step Sb4). The analysis target vector item may be specified in the initial file.

ここで、上述した特徴ベクトル変換機能について詳細に説明する。
特徴ベクトル変換機能では、特徴量ごとの取りうる値の性質に基づいて３種類に分けた上で、特徴量の性質に応じたそれぞれ異なるベクトル化ルールに従い、各要素が０または１の２値を取り得るベクトルに置きかえる。具体的には、特徴量は、その性質に応じて質的特徴量と量的特徴量の２つに大きく分けられ、質的特徴量は、さらに２つに分けられる。ここで、質的特徴量は質的な違いを分類する特徴量で、量的特徴量は量的な違いを分類する特徴量である。それぞれのベクトル化ルールについて、図７を参照して説明する。 Here, the feature vector conversion function described above will be described in detail.
In the feature vector conversion function, after dividing into three types based on the property of the value that can be taken for each feature amount, each element takes a binary value of 0 or 1 according to different vectorization rules depending on the feature amount property. Replace with possible vectors. Specifically, the feature amount is roughly divided into two, a qualitative feature amount and a quantitative feature amount, according to the property, and the qualitative feature amount is further divided into two. Here, the qualitative feature quantity is a feature quantity that classifies qualitative differences, and the quantitative feature quantity is a feature quantity that classifies quantitative differences. Each vectorization rule will be described with reference to FIG.

図７は、本実施形態による特徴ベクトル変換機能でのベクトル化ルールを説明するための概念図である。ここで、特徴名は、特徴量の名称である。質的特徴名とは、質的な違いを表す質的変数を特徴値として持つ質的特徴量の名称である。質的特徴量は、データを区別することはできるが、数値の大小自体は何の意味も持たないものである。質的特徴量は、二つの値のどちらかを取る特徴（図７に示す特徴名の「１」）と、それ以外の特徴（図７に示す特徴名の「２」）とに分けられる。   FIG. 7 is a conceptual diagram for explaining a vectorization rule in the feature vector conversion function according to the present embodiment. Here, the feature name is the name of the feature amount. The qualitative feature name is a name of a qualitative feature quantity having a qualitative variable representing a qualitative difference as a feature value. The qualitative feature value can distinguish data, but the magnitude of the numerical value itself has no meaning. The qualitative feature amount is divided into a feature that takes one of two values (a feature name “1” shown in FIG. 7) and another feature (a feature name “2” shown in FIG. 7).

例えば、特徴名「ＴＣＰ＿ＰＯＲＴ＿ＸＸ」については、ＯＰＥＮ、またはＣＬＯＳＥのみのいずれかを取るため、この場合には、一方はベクトル値「１」、他方はベクトル値「０」の２値に変換する。また、それ以外の質的特徴名については、その特徴が取得できた場合には、取得される値に関わらずベクトル値「１」、特徴が取得できなかった場合については、ベクトル値「０」とし、２値に変換する。   For example, since the feature name “TCP_PORT_XX” takes only OPEN or CLOSE, in this case, one is converted into a binary value of a vector value “1” and the other is a vector value “0”. For other qualitative feature names, if the feature can be acquired, the vector value “1” regardless of the acquired value, and if the feature cannot be acquired, the vector value “0”. And converted to binary.

量的特徴名とは、量的な違いを表す量的変数を特徴値として持つ量的特徴量の名称である。量的特徴量は、特徴値の大小に意味を持つ特徴量である（図７に示す特徴名の「３」）。量的特徴量についても、質的特徴量と同等に扱えるよう２値ベクトルに変換する。例えば、ある量的特徴量の値が大、中、小のいずれかを取るとする。その際には、３個の項目を持つベクトルに展開され、大（１，０，０）、中（０，１，０）、小（０，０，１）と変換できる。しかし、３個の項目のうち２個のベクトル値が０であるときには、残りは必ず「１」を取るので、２個の項目を持つベクトル値で表現する。すなわち、大（１，１）、中（０，１）、小（０，０）と変換すれば良い。この場合には、（大と中）間の距離と（中と小）間の距離は一致しており、さらに（大と小）間の距離はそれらの２つ分となる。   The quantitative feature name is a name of a quantitative feature amount having a quantitative variable representing a quantitative difference as a feature value. The quantitative feature amount is a feature amount having a significance in the magnitude of the feature value (feature name “3” shown in FIG. 7). The quantitative feature amount is also converted into a binary vector so that it can be handled in the same manner as the qualitative feature amount. For example, assume that the value of a certain quantitative feature value is large, medium, or small. In that case, it is expanded into a vector having three items, and can be converted into large (1, 0, 0), medium (0, 1, 0), and small (0, 0, 1). However, when two of the three items have a vector value of 0, the rest always takes “1”, and therefore is represented by a vector value having two items. In other words, it may be converted into large (1, 1), medium (0, 1), and small (0, 0). In this case, the distance between (large and medium) is the same as the distance between (medium and small), and the distance between (large and small) is two of them.

この表現方法を用いれば、量的特徴量を２値ベクトルに変換しながら量的特徴量の大きさによる違いを情報として持たせることができる。さらに、特徴量の値の数と同一数の項目を持つベクトルに変換した場合には、それぞれが独立の特徴項目となってしまうが、自由度を１つ減らした２個の項目を持つベクトルに変換した場合には、量的特徴の値の関係を距離として表現できる。ここでは量的特徴の値の数を「３」で説明したが、図７に示す特徴名の「３」に記載している例のように、大、中、小、なしのいずれかを取るような４つのいずれかをとる場合や、それ以上の変数となるでも同様に変換することができる。
このようにベクトル化することで、今後、さまざまな特性を持つ特徴が増えた場合にも対応可能である。 If this expression method is used, it is possible to give a difference due to the magnitude of the quantitative feature quantity as information while converting the quantitative feature quantity into a binary vector. Furthermore, when converted into a vector having the same number of items as the number of feature values, each becomes an independent feature item. However, the vector has two items with one degree of freedom reduced. When converted, the relationship between the quantitative feature values can be expressed as a distance. Here, the number of quantitative feature values has been described as “3”. However, as in the example described in the feature name “3” shown in FIG. 7, one of large, medium, small, and none is used. If any one of these four values is used, or if the number of variables is more than that, the same conversion can be performed.
By vectorizing in this way, it is possible to deal with the case where features with various characteristics increase in the future.

なお、本実施形態では、一例として、クラスタ分析バンドル１１８は、質的特徴量と量的特徴量それぞれを取り得る値が２値（０または１）のベクトル値に変換したが、これに限ったものではない。クラスタ分析バンドル１１８は、質的特徴量と量的特徴量それぞれを三つ以上の個数の数値に変換してもよい。その際、変換先の数値が取り得る値の個数が同じで、かつ取り得る値が共通していてもよい。例えば、クラスタ分析バンドル１１８は、質的特徴量を０、１または２のいずれかに変換し、量的特徴量を０、１または２が要素として取り得るベクトル値（例えば、（２，１，０）など）に変換してもよい。
また、変換先の数値が取りえる値の個数が同じで、かつ取り得る値が異なっていてもよい。例えば、クラスタ分析バンドル１１８は、質的特徴量を−１、０または１のいずれかに変換し、量的特徴量を０、１または２が要素として取り得るベクトル値（例えば、（２，１，０）など）に変換してもよい。
このことから、クラスタ分析バンドル１１８は、質的特徴量と量的特徴量それぞれを、取り得る数値の個数が予め決められているという条件の下でそれぞれの特徴量毎に決定された複数の数値に含まれる一の数値に変換してもよい。 In the present embodiment, as an example, the cluster analysis bundle 118 converts the qualitative feature quantity and the quantitative feature quantity each into a vector value having a binary value (0 or 1). It is not a thing. The cluster analysis bundle 118 may convert each of the qualitative feature quantity and the quantitative feature quantity into three or more numbers. In this case, the number of values that can be taken by the conversion destination numerical value may be the same, and the possible values may be common. For example, the cluster analysis bundle 118 converts the qualitative feature quantity into either 0, 1 or 2, and the quantitative feature quantity is a vector value (for example, (2, 1, 2) that 0, 1 or 2 can take as an element. 0) etc.).
Further, the number of values that can be taken by the numerical value of the conversion destination may be the same, and the values that can be taken may be different. For example, the cluster analysis bundle 118 converts the qualitative feature quantity into -1, 0, or 1, and the quantitative feature quantity is a vector value (for example, (2, 1) that can be taken as an element of 0, 1 or 2. , 0), etc.).
Therefore, the cluster analysis bundle 118 has a plurality of numerical values determined for each feature amount under the condition that the number of numerical values that can be taken as the qualitative feature amount and the quantitative feature amount is determined in advance. It may be converted into one numerical value included in.

図８は、本実施形態において、ベクトル化ルールを基に全ての特徴量を２値ベクトル化したものの一部を例示する概念図である。図８の例において、機器「ＰＣ Ａ」については、特徴量「ＴＣＰ＿ＰＯＲＴ＿２０」に対してベクトル値が「０」、特徴量「ＴＣＰ＿ＯＰＴ＿２」に対してベクトル値が「１」、特徴量「ＤＨＣＰ＿ＯＰＴ＿８」に対してベクトル値が「１」、特徴量「ＩＰｖ６ＤＩＳＴＥＲＤＥＲ」に対してベクトル値が「０」であることが示されている。すなわち、機器「ＰＣ Ａ」の特徴ベクトルは、（０，１，１，０，…）である。
同様に、機器「Ｐｒｉｎｔｅｒ Ｂ」については、特徴量「ＴＣＰ＿ＰＯＲＴ＿２０」に対してベクトル値が「０」、特徴量「ＴＣＰ＿ＯＰＴ＿２」に対してベクトル値が「１」、特徴量「ＤＨＣＰ＿ＯＰＴ＿８」に対してベクトル値が「０」、特徴量「ＩＰｖ６ＤＩＳＴＥＲＤＥＲ」に対してベクトル値が「０」であることが示されている。すなわち、機器「Ｐｒｉｎｔｅｒ Ｂ」の特徴ベクトルは、（０，１，０，０，…）である。 FIG. 8 is a conceptual diagram illustrating a part of a binary vector obtained by converting all feature quantities into a binary vector based on the vectorization rule in this embodiment. In the example of FIG. 8, for the device “PC A”, the vector value is “0” for the feature quantity “TCP_PORT_20”, the vector value is “1” for the feature quantity “TCP_OPT_2”, and the feature quantity is “DHCP_OPT_8”. On the other hand, it is indicated that the vector value is “1” and the vector value is “0” for the feature quantity “IPv6 DISTERDER”. That is, the feature vector of the device “PC A” is (0, 1, 1, 0,...).
Similarly, for the device “Printer B”, the vector value is “0” for the feature quantity “TCP_PORT_20”, the vector value is “1” for the feature quantity “TCP_OPT_2”, and the vector is “vector” for the feature quantity “DHCP_OPT_8”. It is indicated that the value is “0” and the vector value is “0” with respect to the feature amount “IPv6 DISTERDER”. That is, the feature vector of the device “Printer B” is (0, 1, 0, 0,...).

同様に、機器「ＴＶ Ｃ」については、特徴量「ＴＣＰ＿ＰＯＲＴ＿２０」に対してベクトル値が「０」、特徴量「ＴＣＰ＿ＯＰＴ＿２」に対してベクトル値が「０」、特徴量「ＤＨＣＰ＿ＯＰＴ＿８」に対してベクトル値が「１」、特徴量「ＩＰｖ６ＤＩＳＴＥＲＤＥＲ」に対してベクトル値が「０」であることが示されている。すなわち、機器「ＴＶ Ｃ」の特徴ベクトルは、（０，０，１，０，…）である。
同様に、機器「ＴＶ Ｄ」については、特徴量「ＴＣＰ＿ＰＯＲＴ＿２０」に対してベクトル値が「１」、特徴量「ＴＣＰ＿ＯＰＴ＿２」に対してベクトル値が「０」、特徴量「ＤＨＣＰ＿ＯＰＴ＿８」に対してベクトル値が「１」、特徴量「ＩＰｖ６ＤＩＳＴＥＲＤＥＲ」に対してベクトル値が「０」であることが示されている。すなわち、機器「ＴＶ Ｄ」の特徴ベクトルは、（１，０，１，０，…）である。 Similarly, for the device “TV C”, the vector value is “0” for the feature value “TCP_PORT_20”, the vector value is “0” for the feature value “TCP_OPT_2”, and the vector is “vector” for the feature value “DHCP_OPT_8”. It is indicated that the value is “1” and the vector value is “0” with respect to the feature amount “IPv6 DISTERDER”. That is, the feature vector of the device “TV C” is (0, 0, 1, 0,...).
Similarly, for the device “TV D”, the vector value is “1” for the feature quantity “TCP_PORT_20”, the vector value is “0” for the feature quantity “TCP_OPT_2”, and the vector is “vector” for the feature quantity “DHCP_OPT_8”. It is indicated that the value is “1” and the vector value is “0” with respect to the feature amount “IPv6 DISTERDER”. That is, the feature vector of the device “TV D” is (1, 0, 1, 0,...).

また、図８に示す例において、例えば、ある特徴量が重要な特徴量の場合、クラスタ分析を実施する前に、クラスタ分析バンドル１１８は、その特徴量について予め決められた数（例えば、３回）だけ同じ列を挿入して特徴ベクトルとしてもよい。３回だけ同じ列を挿入し、その特徴量が異なる値の場合、異なる特徴量の距離を３回計算することになるので、距離が３×距離だけ増加する。このため、その特徴量が同定対象の機器と比較対象の機器との間で異なる場合、同定対象機器の特徴ベクトルと比較対象の機器の特徴ベクトルとの距離が離れるため、グループが分かれやすくなるので、その機器名で同定されにくくなる。このように、特徴ベクトル生成手段としてのクラスタ分析バンドル１１８は、ある特徴量が重要な特徴量の場合、該重要な特徴量が特徴ベクトル生成手段により変換された後の数値を重要な特徴量について予め決められた数だけ、生成した特徴ベクトルに挿入してもよい。   Further, in the example shown in FIG. 8, for example, when a certain feature quantity is an important feature quantity, before performing cluster analysis, the cluster analysis bundle 118 has a predetermined number of feature quantities (for example, three times). ) May be inserted into the same column as a feature vector. If the same column is inserted three times and the feature values have different values, the distance between the different feature values is calculated three times, so the distance increases by 3 × distance. For this reason, if the feature quantity is different between the device to be identified and the device to be compared, the distance between the feature vector of the device to be identified and the feature vector of the device to be compared is increased. , It becomes difficult to be identified by the device name. As described above, the cluster analysis bundle 118 serving as the feature vector generation unit, when a certain feature amount is an important feature amount, uses the numerical value after the important feature amount is converted by the feature vector generation unit as an important feature amount. A predetermined number may be inserted into the generated feature vector.

（２）クラスタ分析機能
クラスタ分析機能は、特徴量を０／１のベクトル値に変換した特徴ベクトルを、クラスタ分析アルゴリズムを用いてグループ化する機能である。クラスタ分析アルゴリズムでは、特徴ベクトル間の距離を定義し、全特徴ベクトル間の距離を算出し、近いものから全ての特徴ベクトルが一つのクラスタになるまで順次結合する手法であり、クラスタを形成していく過程をデンドログラム（樹形図）で表現できる。このデンドログラムを適当な高さで切断することで、個々の対象がカテゴリに分類されることになる。 (2) Cluster analysis function The cluster analysis function is a function for grouping feature vectors obtained by converting feature quantities into 0/1 vector values using a cluster analysis algorithm. In the cluster analysis algorithm, the distance between feature vectors is defined, the distance between all feature vectors is calculated, and all feature vectors are combined in order from one closest to a cluster. The process can be expressed by dendrogram. By cutting this dendrogram at an appropriate height, individual objects are classified into categories.

図５において、クラスタ分析バンドル１１８は、ステップＳｂ５では、全ベクトルＩＤが１つのノードに含まれるまで、以下に説明するステップＳｂ６〜Ｓｂ８を繰り返す。まず、クラスタ分析バンドル１１８は、ノード間距離を算出し（ステップＳｂ６）、距離が最小となるノード対を抽出し（ステップＳｂ７）、距離が最小となるノード対に含まれるベクトルを新たなノードとしてノードテーブル（図５を参照）に登録する（ステップＳｂ８）。なお、ノード間距離の算出手順の詳細については後述する。   In FIG. 5, the cluster analysis bundle 118 repeats steps Sb6 to Sb8 described below until all vector IDs are included in one node in step Sb5. First, the cluster analysis bundle 118 calculates an inter-node distance (step Sb6), extracts a node pair having the minimum distance (step Sb7), and sets a vector included in the node pair having the minimum distance as a new node. Register in the node table (see FIG. 5) (step Sb8). Details of the procedure for calculating the distance between nodes will be described later.

次に、クラスタ分析バンドル１１８は、しきい値より結合距離が短いノードを抽出し（ステップＳｂ９）、抽出されたノード配下に含まれる全てのベクトルを、同一クラスタＩＤとし、型番クラスタテーブル１２４ａ、クラスタ情報テーブル１２４ｄに登録する（ステップＳｂ１０）。   Next, the cluster analysis bundle 118 extracts nodes whose coupling distance is shorter than the threshold (step Sb9), sets all the vectors included under the extracted nodes as the same cluster ID, the model number cluster table 124a, the cluster Register in the information table 124d (step Sb10).

図９は、本実施形態において、特徴ベクトル間の距離を説明するための概念図である。特徴ベクトル間の距離については様々な定義があり、適切なものに自由に設定することができる。例えば、二つの特徴ベクトルα、βの距離Ｄαβを、図９に示すように定義する。ベクトル間の距離の定義については、設定ファイルに記述してもよく、ロジック内に固定しておいても良い。 FIG. 9 is a conceptual diagram for explaining the distance between feature vectors in the present embodiment. There are various definitions for the distance between feature vectors, and they can be freely set as appropriate. For example, a distance D αβ between two feature vectors α and β is defined as shown in FIG. The definition of the distance between vectors may be described in a setting file or may be fixed in the logic.

複数の特徴ベクトルを含んだクラスタをノードとする。複数のベクトルを含んだノード間の距離の算出については、様々な手法があり、適切なものに自由に設定することができる。例えば、群平均法を用いた場合には、双方のノードが含むベクトル同士の組み合わせの距離の平均値となる。その他、例えば、最長距離法を用いた場合には、二つのノード間の距離は、双方のノードが含むベクトル同士の組み合わせの中で最も遠いベクトル間距離とする。また、例えば、最短距離法を用いた場合には、二つのノード間の距離は、双方のノードが含むベクトル同士の組み合わせの中で最も近いベクトル間距離とする。なお、複数のベクトルを含んだノード間の距離の算出方式は、これらに限らず、ウォード法や重心法などの他の方式を用いて、ノード間の距離を算出してもよい。
ノード間の距離の定義については、設定ファイルに記述してもよく、ロジック内に固定しておいても良い。 A cluster including a plurality of feature vectors is defined as a node. There are various methods for calculating the distance between nodes including a plurality of vectors, and they can be freely set as appropriate. For example, when the group average method is used, the average value of distances of combinations of vectors included in both nodes is obtained. In addition, for example, when the longest distance method is used, the distance between two nodes is the farthest vector distance among the combinations of vectors included in both nodes. For example, when the shortest distance method is used, the distance between two nodes is set to the closest inter-vector distance among the combinations of vectors included in both nodes. The method for calculating the distance between nodes including a plurality of vectors is not limited to these, and the distance between nodes may be calculated using other methods such as the Ward method and the center of gravity method.
The definition of the distance between nodes may be described in a configuration file or may be fixed in the logic.

次に、ノード間距離算出を群平均法とし、ベクトル間距離を図９のように定義した場合のノード間距離算出について説明する。
図１０は、本実施形態によるノード間距離算出手順を説明するためのフローチャートである。まず、クラスタ分析バンドル１１８は、距離算出を行う二つのノードを選択する（ステップＳｃ１）。なお、ベクトルは、含まれるベクトルが１つのノードとみなす。次に、ステップＳｃ２で、クラスタ分析バンドル１１８は、ノードに含まれる全てのベクトルＩＤを順次設定する。次に、クラスタ分析バンドル１１８は、ベクトルＩＤが終了するまで、ベクトル間の距離算出（ステップＳｃ３）を繰り返す。ベクトル間の距離算出手順の詳細については後述する。その後、クラスタ分析バンドル１１８は、ノード間距離としてベクトル間距離の平均値を算出する（ステップＳｃ４）。なお、ノード間の距離は、初期ファイルにおいて距離の計算式を指定することが可能である。 Next, the calculation of the distance between nodes when the distance between nodes is a group average method and the distance between vectors is defined as shown in FIG. 9 will be described.
FIG. 10 is a flowchart for explaining the inter-node distance calculation procedure according to this embodiment. First, the cluster analysis bundle 118 selects two nodes that perform distance calculation (step Sc1). Note that the vector is regarded as a single node. Next, in step Sc2, the cluster analysis bundle 118 sequentially sets all vector IDs included in the node. Next, the cluster analysis bundle 118 repeats the distance calculation between the vectors (step Sc3) until the vector ID is completed. Details of the distance calculation procedure between vectors will be described later. Thereafter, the cluster analysis bundle 118 calculates an average value of the inter-vector distances as the inter-node distances (Step Sc4). As for the distance between nodes, it is possible to specify a distance calculation formula in the initial file.

図１１は、本実施形態によるベクトル間距離算出手順を説明するためのフローチャートである。まず、クラスタ分析バンドル１１８は、クラスタＤＢ１２４から距離算出を行う二つのベクトルα、βを抽出し（ステップＳｄ１）、ステップＳｄ２で、ベクトル項目ＩＤを順次設定する。次に、クラスタ分析バンドル１１８は、ベクトル項目ＩＤが終了するまで、後述するステップＳｄ３〜Ｓｄ１０を繰り返す。   FIG. 11 is a flowchart for explaining the inter-vector distance calculation procedure according to this embodiment. First, the cluster analysis bundle 118 extracts two vectors α and β for distance calculation from the cluster DB 124 (step Sd1), and sequentially sets vector item IDs in step Sd2. Next, the cluster analysis bundle 118 repeats steps Sd3 to Sd10 described later until the vector item ID is completed.

まず、クラスタ分析バンドル１１８はベクトル項目が共に「１」であるか否かを判別し（ステップＳｄ３）、ベクトル項目が共に「１」である場合には（ステップＳｄ３のＹＥＳ）、要素数ａに「１」を加算する（ステップＳｄ４）。一方、ベクトル項目が共に「１」でない場合には（ステップＳｄ３のＮＯ）、クラスタ分析バンドル１１８はベクトル項目が「１」、「０」であるか否かを判別する（ステップＳｄ５）。そして、ベクトル項目が「１」、「０」である場合には（ステップＳｄ５のＹＥＳ）、クラスタ分析バンドル１１８は要素数ｂに「１」を加算する（ステップＳｄ６）。一方、ベクトル項目が「１」、「０」でない場合には（ステップＳｄ５のＮＯ）、クラスタ分析バンドル１１８はベクトル項目が「０」、「１」であるか否かを判別する（ステップＳｄ７）。   First, the cluster analysis bundle 118 determines whether or not both vector items are “1” (step Sd3). If both vector items are “1” (YES in step Sd3), the number of elements is set to a. “1” is added (step Sd4). On the other hand, when both the vector items are not “1” (NO in step Sd3), the cluster analysis bundle 118 determines whether the vector items are “1” and “0” (step Sd5). When the vector items are “1” and “0” (YES in step Sd5), the cluster analysis bundle 118 adds “1” to the number of elements b (step Sd6). On the other hand, when the vector item is not “1” or “0” (NO in step Sd5), the cluster analysis bundle 118 determines whether the vector item is “0” or “1” (step Sd7). .

そして、ベクトル項目が「０」、「１」である場合には（ステップＳｄ７のＹＥＳ）、クラスタ分析バンドル１１８は要素数ｃに「１」を加算する（ステップＳｄ８）。一方、ベクトル項目が「０」、「１」でない場合には（ステップＳｄ７のＮＯ）、クラスタ分析バンドル１１８はベクトル項目が共に「０」であるか否かを判別する（ステップＳｄ９）。そして、ベクトル項目が共に「０」である場合には（ステップＳｄ９のＹＥＳ）、クラスタ分析バンドル１１８は要素数ｄに「１」を加算する（ステップＳｄ１０）。その後、ベクトル項目ＩＤが終了するまで、クラスタ分析バンドル１１８は上記ステップＳｄ３〜Ｓｄ１０を繰り返す。そして、上記ステップＳｄ３〜Ｓｄ１０が終了すると、クラスタ分析バンドル１１８は上記要素数ａ、ｂ、ｃ、ｄを用いて、二つの特徴ベクトルα、βの距離Ｄαβを算出する（ステップＳｄ１１）。なお、ベクトル間の距離は、初期ファイルにおいて距離の計算式を指定するようにしてもよい。 When the vector items are “0” and “1” (YES in step Sd7), the cluster analysis bundle 118 adds “1” to the number of elements c (step Sd8). On the other hand, if the vector item is not “0” or “1” (NO in step Sd7), the cluster analysis bundle 118 determines whether both the vector items are “0” (step Sd9). If the vector items are both “0” (YES in step Sd9), the cluster analysis bundle 118 adds “1” to the number of elements d (step Sd10). Thereafter, the cluster analysis bundle 118 repeats the above steps Sd3 to Sd10 until the vector item ID ends. When Steps Sd3 to Sd10 are completed, the cluster analysis bundle 118 calculates the distance D αβ between the two feature vectors α and β using the element numbers a, b, c, and d (Step Sd11). The distance between vectors may be specified by a distance calculation formula in the initial file.

図１２は、本実施形態によるクラスタリングを実施した結果のデンドログラム（樹形図）を示す概念図である。図１２において、デンドログラムの切断する高さにより、分かれるグループ数は変化する。切断距離を低く設定した場合には、１クラスタ内に少数のベクトルを含む多数のクラスタに分かれ、高く設定した場合には１クラスタ内に多数のベクトルを含む少数のクラスタに分かれる。切断距離を０．０にした場合、各クラスタには、それぞれ全く同じベクトルだけが含まれる。このため、新たに機器同定しようとする対象については、ベクトルを計算すれば、どのクラスタに含まれるかということが判明するので、機器同定の速度が最も速くなる。   FIG. 12 is a conceptual diagram showing a dendrogram (a tree diagram) as a result of performing clustering according to the present embodiment. In FIG. 12, the number of divided groups varies depending on the cutting height of the dendrogram. When the cutting distance is set low, it is divided into a large number of clusters including a small number of vectors in one cluster, and when it is set high, it is divided into a small number of clusters including a large number of vectors in one cluster. When the cutting distance is set to 0.0, each cluster includes only the same vector. For this reason, if a vector is calculated for an object to be newly identified, it can be determined in which cluster it is included, so that the speed of device identification is the fastest.

クラスタをどのように分けるかについては、クラスタリングを実施した結果を見てグループに含まれる機器数やその他の条件を指定することで切断する高さを決めてもよく、予め設定ファイルで高さを指定してもよい。   Regarding how to divide the cluster, you can determine the cutting height by specifying the number of devices included in the group and other conditions by looking at the clustering result, and set the height in the configuration file in advance. May be specified.

（３）代表ベクトル選定機能
次に、図６のフローチャートに説明を戻し、代表ベクトル選定機能の処理について説明する。デンドログラムを切断した結果、複数のクラスタに分かれたグループが作成される。各グループの代表点を１つ決定し代表ベクトルとする。代表ベクトルは、クラスタ内のベクトルを代表ベクトルに置き換えたときの誤差が最も少なくなるベクトルであり、適切なものを任意に設定することができる。例えば、クラスタ内のベクトルの距離の総和が最小になる点を代表ベクトルとして定義してもよい。その際には、代表ベクトルが示す座標と、対象となるクラスタに含まれる各点の座標との距離の総和が最も小さくなる代表ベクトルを求めればよい。 (3) Representative Vector Selection Function Next, returning to the flowchart of FIG. 6, the processing of the representative vector selection function will be described. As a result of cutting the dendrogram, a group divided into a plurality of clusters is created. One representative point of each group is determined and used as a representative vector. The representative vector is a vector having the smallest error when the vector in the cluster is replaced with the representative vector, and an appropriate one can be arbitrarily set. For example, the point where the sum of the distances of the vectors in the cluster is minimized may be defined as the representative vector. In that case, a representative vector having the smallest sum of distances between the coordinates indicated by the representative vector and the coordinates of each point included in the target cluster may be obtained.

また、上述した（２）クラスタ分析機能を実施後、切断距離を充分に低く設定した場合には、１つのグループには同一のベクトルのみが存在するため、代表ベクトルはグループ内にある全ベクトルと一致しており、それを代表ベクトルとしてもよい。代表ベクトルの定義については、設定ファイルに記述してもよく、ロジック内に固定しておいても良い。   In addition, when the cutting distance is set sufficiently low after the above-described (2) cluster analysis function, since only one identical vector exists in one group, the representative vector is the same as all the vectors in the group. It is good also as a representative vector. The definition of the representative vector may be described in a setting file or may be fixed in the logic.

なお、従来は、２値のグループ化で代表ベクトルを決定することは行われていなかった。そのため、２値のグループ化で代表ベクトルを決定する際に、上記のように、距離の総和が最も小さくなる代表ベクトルを求めることは、本実施形態における処理の特徴の一つである。   Conventionally, the representative vector has not been determined by binary grouping. Therefore, when determining a representative vector by binary grouping, as described above, obtaining a representative vector having the smallest sum of distances is one of the features of the processing in this embodiment.

図６において、ステップＳｂ１１で、クラスタ分析バンドル１１８はクラスタＩＤごとに、クラスタＩＤが終了するまで、ステップＳｂ１２〜Ｓｂ１８を繰り返す。まず、クラスタ分析バンドル１１８はベクトル値テーブル１２４ｂの全ての情報を取得し（ステップＳｂ１２）、ステップＳｂ１３で、クラスタＩＤを順次設定する。次に、クラスタ分析バンドル１１８はクラスタＩＤが終了するまで、ステップＳｂ１４、Ｓｂ１５を繰り返す。   In FIG. 6, in step Sb11, the cluster analysis bundle 118 repeats steps Sb12 to Sb18 for each cluster ID until the cluster ID is completed. First, the cluster analysis bundle 118 acquires all information in the vector value table 124b (step Sb12), and sequentially sets cluster IDs in step Sb13. Next, the cluster analysis bundle 118 repeats steps Sb14 and Sb15 until the cluster ID ends.

まず、クラスタ分析バンドル１１８は全ベクトルとのベクトル間距離を算出し（ステップＳｂ１４）、ベクトル間距離の総和を算出する（ステップＳｂ１５）。次に、クラスタ分析バンドル１１８は距離の総和が最小となるベクトルＩＤを抽出し、代表ベクトルＩＤとしてクラスタ情報テーブル１２４ｄに登録する（ステップＳｂ１７）。次に、クラスタ分析バンドル１１８は全てのベクトルＩＤに対して、ベクトル項目ＩＤの変数性質フラグが「１」で、ベクトル値が「０」または「１」で一致しているもの、及びベクトル項目ＩＤの変数性質フラグが「０」で、かつ、ベクトル値が「０」となるベクトル項目ＩＤを抽出し、一致ベクトル項目テーブル１２４ｅに登録する（ステップＳｂ１８）。   First, the cluster analysis bundle 118 calculates the inter-vector distance from all vectors (step Sb14), and calculates the sum of the inter-vector distances (step Sb15). Next, the cluster analysis bundle 118 extracts a vector ID that minimizes the sum of distances, and registers it as a representative vector ID in the cluster information table 124d (step Sb17). Next, for all vector IDs, the cluster analysis bundle 118 has a vector item ID whose variable property flag is “1” and whose vector value is “0” or “1”, and the vector item ID. A vector item ID having a variable property flag of “0” and a vector value of “0” is extracted and registered in the match vector item table 124e (step Sb18).

同一のグループには、類似したベクトルが集約される。同一グループ内の全ベクトルで０値であるベクトル項目は、そのグループ内では特徴がないことで一致していることから機器同定時の比較対象から外すことが可能である。さらに、質的特徴名にあたるベクトル項目のうち、必ず二つのうちのいずれかの値をとるもの、例えばＴＣＰ＿ＰＯＲＴ＿ｘｘから作成された項目については、全ベクトルが値「１」の場合には、特徴値は全てＯＰＥＮを取るため、特徴が一致していることから機器同定の比較対象から外すことが可能である。そのため、同一グループ内の機器が多くなった場合も、同定機器の比較の際に比較対象となる特徴を省くことができるため、同定処理の高速化を実現することができる。   Similar vectors are aggregated in the same group. Vector items that have zero values in all the vectors in the same group can be excluded from comparison targets at the time of device identification because they match because there is no feature in the group. Furthermore, for a vector item corresponding to a qualitative feature name, which always takes one of the two values, for example, an item created from TCP_PORT_xx, if all vectors have the value “1”, the feature value is Since all the OPENs are taken, since the features match, it is possible to exclude them from the comparison targets for device identification. For this reason, even when the number of devices in the same group increases, it is possible to omit the feature to be compared when comparing the identified devices, so that the speed of the identification process can be realized.

図１３は、本実施形態による、同一グループ内のベクトルを例示する概念図である。この例では、特徴量はα〜εまでの５つであり、α、β、δの変数性質フラグは１であり、特徴量βは全機器の特徴べクトルで「０」で一致し、特徴量δは全機器の特徴ベクトルで「１」で一致している。また、γ、εの変数性質フラグは０で、かつ、特徴量εはすべての機器ベクトルで「０」で一致している。βとδとεについては全機器の特徴ベクトルで全一致の項目であり、ベクトル変換前の特徴値も一致するため、比較対象から除いても同定精度にはなんら影響はなく、α、γのみの特徴値のみを機器同定時に比較対象とすればよい。   FIG. 13 is a conceptual diagram illustrating vectors in the same group according to this embodiment. In this example, there are five feature amounts from α to ε, the variable property flags of α, β, and δ are 1, and the feature amount β matches with “0” in the feature vectors of all devices. The quantity δ is a feature vector of all devices and is equal to “1”. In addition, the variable property flags of γ and ε are 0, and the feature value ε is “0” for all the device vectors. β, δ, and ε are all matched items in the feature vectors of all devices, and the feature values before vector conversion also match, so there is no effect on the identification accuracy even if they are excluded from the comparison target, only α and γ Only the feature value of suffices to be compared at the time of device identification.

（ｂ）機器同定段階
図１４は、本実施形態による機器同定装置１１の機器同定段階における全体動作を説明するためのフローチャートである。機器同定段階は、ネットワークＮＷに接続された家電製品に対してコマンドを送信した結果のレスポンスパケット、及びパッシブパケットを受信し、その中から必要な情報を特徴として蓄積し、グループ化された機器情報辞書から最も近い機器情報グループを抽出し、機器情報グループの中から最も近い機器情報を家電製品の機器情報として推定する処理である。従来技術との違いは、図１４に示すフローチャートの実線で囲んだステップＳｅ４の「機器同定範囲抽出機能」部分である。また、同図の破線で囲んだステップＳｅ５及びＳｅ６については、上述した辞書解析機能（図５、及び図６参照）により解析を行った結果、比較対象項目を省いて比較する処理である。 (B) Device Identification Stage FIG. 14 is a flowchart for explaining the overall operation in the device identification stage of the device identification apparatus 11 according to the present embodiment. The device identification stage receives response packets and passive packets as a result of sending commands to home appliances connected to the network NW, accumulates necessary information from them as features, and grouped device information This is a process of extracting the nearest device information group from the dictionary and estimating the nearest device information from the device information group as the device information of the home appliance. The difference from the prior art is the “equipment identification range extraction function” portion of step Se4 surrounded by a solid line in the flowchart shown in FIG. Further, Steps Se5 and Se6 surrounded by a broken line in the same figure are processes for comparison without the comparison target items as a result of the analysis by the dictionary analysis function (see FIGS. 5 and 6) described above.

まず、プロトコル特徴解析バンドル１１２、及びアクティブ計測バンドル１１３は、ネットワークＮＷの機器Ｘが送信するパケット（家電製品に対してコマンドを送信した結果のレスポンスパケット、及びパッシブパケット）を受信し、その中から必要な情報を特徴として解析する（ステップＳｅ１）。次に、ＤＢアクセスバンドル１１４は、特徴蓄積ＤＢ１２１に特徴として登録する（ステップＳｅ２）。   First, the protocol feature analysis bundle 112 and the active measurement bundle 113 receive a packet (a response packet and a passive packet as a result of transmitting a command to the home appliance) transmitted from the device X of the network NW, and from among the packets Necessary information is analyzed as a feature (step Se1). Next, the DB access bundle 114 is registered as a feature in the feature storage DB 121 (step Se2).

次に、ＷｅｂＵＩバンドル１１６は、利用者による機器同定が実行されると、機器Ｘの特徴データを特徴蓄積ＤＢ１２１から抽出する（ステップＳｅ３）。次に、機器クラスタ抽出バンドル１１９は、機器Ｘの特徴ベクトルを作成し、機器Ｘとクラスタ毎の代表ベクトル（クラスタＤＢ１２４）とを比較し、最も距離の近いクラスタを選定する（ステップＳｅ４；機器同定範囲抽出機能）。この処理の詳細は後述する。   Next, when the device identification by the user is executed, the Web UI bundle 116 extracts the feature data of the device X from the feature storage DB 121 (step Se3). Next, the device cluster extraction bundle 119 creates a feature vector of the device X, compares the device X with a representative vector (cluster DB 124) for each cluster, and selects a cluster with the closest distance (step Se4; device identification). Range extraction function). Details of this processing will be described later.

次に、機器同定バンドル１１５は、選定されたクラスタ内の機器データを取得する（ステップＳｅ５）。次に、機器同定バンドル１１５は、選定されたクラスタ内の個々の機器データのうち、クラスタ内の全機器で値が一致する項目以外を比較する。その際、機器同定バンドル１１５は、機器データ毎に、同定対象の機器と比較対象の機器との間でベクトル項目が一致する一致ベクトル項目を除いたベクトル項目について、ベクトル変換前の特徴値を同定対象の機器と比較対象の機器との間で比較する。そして、機器同定バンドル１１５は、異なる特徴値×重みの総和を距離として算出する（ステップＳｅ６）。このように、特徴量のうち、クラスタに含まれる機器全てに共通の特徴量を比較対象から除くことにより、比較対象となる特徴量の数を減らすことができるので、同定精度になんら影響を与えることなく同定速度を向上させることができる。   Next, the device identification bundle 115 acquires device data in the selected cluster (step Se5). Next, the device identification bundle 115 compares items of individual device data in the selected cluster other than items whose values match in all devices in the cluster. At that time, the device identification bundle 115 identifies the feature values before vector conversion for the vector items excluding the matching vector items in which the vector items match between the device to be identified and the device to be compared for each device data. Compare between the target device and the target device. Then, the device identification bundle 115 calculates the sum of different feature values × weights as a distance (step Se6). In this way, by removing the feature quantities common to all devices included in the cluster from the comparison targets, the number of feature quantities to be compared can be reduced, thus affecting the identification accuracy. Thus, the identification speed can be improved.

例えば、図１３に示す例において、機器Ｘの特徴量αからεまでが全て「１」であるとして、機器ＸをＴＶ Ｅと比較する場合、機器同定バンドル１１５はクラスタ内の全機器で値が一致する項目である特徴量βとδとεとを除く、特徴量α、γで比較する。この例ではαはベクトル値が「０」と「１」で異なるのでベクトル変換前の特徴値を比較する必要はなく特徴値が異なることが分かり、γはベクトル値は「１」と「１」で一致しているため、ベクトル変換前の特徴値の比較を行う。機器同定バンドル１１５は、異なる特徴値×重みの総和を距離として算出する。   For example, in the example shown in FIG. 13, assuming that the feature amounts α to ε of the device X are all “1”, when the device X is compared with the TV E, the device identification bundle 115 has values for all the devices in the cluster. Comparison is made with feature quantities α and γ, excluding feature quantities β, δ, and ε, which are matching items. In this example, α has different vector values between “0” and “1”, so it is not necessary to compare feature values before vector conversion, and it can be seen that the feature values are different, and γ has vector values “1” and “1”. Therefore, the feature values before vector conversion are compared. The device identification bundle 115 calculates the sum of different feature values × weights as a distance.

そして、機器同定バンドル１１５は、機器Ｘと最も距離が近い機器Ａと推定し（ステップＳｅ７）、該機器Ａを表示するとともに、端末情報ＤＢ１２３に登録する（ステップＳｅ８）。   Then, the device identification bundle 115 estimates that the device A is the closest to the device X (step Se7), displays the device A, and registers it in the terminal information DB 123 (step Se8).

＜機器同定範囲抽出機能＞
該機器同定範囲抽出機能は、代表ベクトルと同定対象の機器のベクトルとを比較し、類似グループを抽出する機能である。被同定端末と各代表ベクトルとを比較し、類似グループを機器同定バンドル１１５に通知する例を以下に示す。類似グループとして通知するグループは、代表ベクトルとの距離が最短のものを１つ通知するが、最短のものが２つ以上あった場合には、その２つ以上を通知する。また、代表ベクトルと被同定端末のベクトルとを比較した結果、最短とその次以降の距離が十分近い場合には、それら２つ以上を類似グループとして通知するなど適切に定義してもよい。 <Device identification range extraction function>
The device identification range extraction function is a function of comparing a representative vector with a vector of an identification target device and extracting a similar group. An example in which the identified terminal and each representative vector are compared and a similar group is notified to the device identification bundle 115 is shown below. The group to be notified as a similar group notifies one of the shortest distances from the representative vector, but if there are two or more of the shortest, notify the two or more of them. Further, as a result of comparing the representative vector and the vector of the identified terminal, when the shortest distance and the distance after the next are sufficiently close, it may be appropriately defined such that two or more of them are notified as similar groups.

図１５は、図１４のステップＳｅ４における機器同定範囲抽出機能の動作を説明するためのフローチャートである。まず、ＷｅｂＵＩバンドル１１６は同定対象となる特徴情報を取得し（ステップＳｆ１）、機器クラスタ抽出バンドル１１９は特徴名の特徴値を０／１のベクトル値に変換する（ステップＳｆ２）。次に、機器クラスタ抽出バンドル１１９はクラスタ情報テーブル１２４ｄから全ての代表ベクトルを取得し（ステップＳｆ３）、同定対象機器と代表ベクトルに共通するベクトル項目のみを解析対象とする（ステップＳｆ４）。   FIG. 15 is a flowchart for explaining the operation of the device identification range extraction function in step Se4 of FIG. First, the Web UI bundle 116 acquires feature information to be identified (step Sf1), and the device cluster extraction bundle 119 converts the feature value of the feature name into a 0/1 vector value (step Sf2). Next, the device cluster extraction bundle 119 acquires all the representative vectors from the cluster information table 124d (step Sf3), and sets only the vector items common to the device to be identified and the representative vector as analysis targets (step Sf4).

次に、ステップＳｆ５で、機器クラスタ抽出バンドル１１９は代表ベクトルの終了まで、同定対象機器の特徴ベクトルと代表ベクトルとの距離を算出する（ステップＳｆ６）。ベクトル間距離の算出の詳細については、図１１のフローチャートと同様であるので説明を省略する。次に、機器クラスタ抽出バンドル１１９は距離が最小となる代表ベクトルＩＤを決定する（ステップＳｆ７）。距離が最小となるものが複数あった場合には、機器クラスタ抽出バンドル１１９は複数のベクトルＩＤを決定する。   Next, in step Sf5, the device cluster extraction bundle 119 calculates the distance between the feature vector of the device to be identified and the representative vector until the end of the representative vector (step Sf6). Details of the calculation of the inter-vector distance are the same as those in the flowchart of FIG. Next, the device cluster extraction bundle 119 determines a representative vector ID that minimizes the distance (step Sf7). If there are a plurality of items having the smallest distance, the device cluster extraction bundle 119 determines a plurality of vector IDs.

次に、機器クラスタ抽出バンドル１１９はクラスタ情報テーブル１２４ｄからクラスタＩＤを取得する（ステップＳｆ８）。距離が最小となる代表ベクトルだけでなく、小さい順で２番目まで等、幾つか選択することも可能である。次に、機器クラスタ抽出バンドル１１９は取得したクラスタＩＤに含まれる全ベクトルＩＤ数が「１」または規定数以下であるか否かを判別する（ステップＳｆ９）。   Next, the device cluster extraction bundle 119 acquires the cluster ID from the cluster information table 124d (step Sf8). It is possible to select not only the representative vector that minimizes the distance, but also several such as the second in descending order. Next, the device cluster extraction bundle 119 determines whether or not the total number of vector IDs included in the acquired cluster ID is “1” or less than a specified number (step Sf9).

そして、取得したクラスタＩＤに含まれる全ベクトルＩＤ数が１つ、または規定数以下である場合には（ステップＳｆ９のＹＥＳ）、機器クラスタ抽出バンドル１１９は当該処理を終了する。類似グループとして抽出されたグループ内に存在するベクトルＩＤが１件、または規定数以下の場合には、機器クラスタ抽出バンドル１１９は機器同定範囲抽出機能のみで機器同定を完了することができる。その場合、機器クラスタ抽出バンドル１１９は機器同定バンドル１１５に通知する必要はない。   If the total number of vector IDs included in the acquired cluster ID is 1 or less than the specified number (YES in step Sf9), the device cluster extraction bundle 119 ends the process. If the number of vector IDs present in the group extracted as a similar group is one or less than the specified number, the device cluster extraction bundle 119 can complete device identification only by the device identification range extraction function. In that case, the device cluster extraction bundle 119 does not need to notify the device identification bundle 115.

一方、取得したクラスタＩＤに含まれる全ベクトルＩＤ数が１つ、または規定数以下でない場合には（ステップＳｆ９のＮＯ）、機器クラスタ抽出バンドル１１９は機器同定バンドル１１５に取得したクラスタＩＤを通知し（ステップＳｆ１０）、当該処理を終了する。   On the other hand, if the total number of vector IDs included in the acquired cluster ID is not one or less than the specified number (NO in step Sf9), the device cluster extraction bundle 119 notifies the device identification bundle 115 of the acquired cluster ID. (Step Sf10), the process ends.

以上、本実施形態において、機器の特徴量に基づいて同定対象の機器を同定する機器同定装置であって機器同定装置１１が備えるバンドルは以下の処理を行う。特徴ベクトル生成手段としてのクラスタ分析バンドル１１８は、比較対象の機器および同定対象の機器について、機器の特徴量が持つ性質に応じた所定のベクトル化ルールに基づいて、前記特徴量に含まれる質的特徴量と量的特徴量それぞれを予め決められた個数の数値に変換し、変換後のそれぞれの数値を要素とする特徴ベクトルを生成する。同定手段としての機器同定バンドル１１５は、特徴ベクトル生成手段が生成した比較対象の機器の特徴ベクトルと同定対象の機器の特徴ベクトルとを参照して、前記同定対象の機器を同定する。   As described above, in the present embodiment, the bundle included in the device identification device 11 that is a device identification device that identifies the device to be identified based on the feature amount of the device performs the following processing. The cluster analysis bundle 118 serving as a feature vector generation unit is a qualitative element included in the feature amount based on a predetermined vectorization rule corresponding to the property of the feature amount of the device for the comparison target device and the identification target device. Each of the feature quantity and the quantitative feature quantity is converted into a predetermined number of numerical values, and a feature vector having each converted numerical value as an element is generated. The device identification bundle 115 as identification means identifies the identification target device with reference to the feature vector of the comparison target device and the feature vector of the identification target device generated by the feature vector generation unit.

上述した実施形態によれば、質的変数と量的変数の両方を用いて機器をグループ化することで、質的変数だけもしくは量的変数だけを用いて機器をグループ化するより、多くの特徴を用いて機器をグループ化できるので、より短時間で、かつ高精度で、より類似の機器をグループ化することができる。換言すると、類似の機器をグループ化する際の精度を向上させ、グループ化にかかる時間を短縮することができる。   According to the embodiments described above, grouping devices using both qualitative and quantitative variables provides more features than grouping devices using only qualitative variables or only quantitative variables. Since the devices can be grouped using, similar devices can be grouped in a shorter time and with higher accuracy. In other words, the accuracy when grouping similar devices can be improved, and the time required for grouping can be shortened.

また、グループ化の精度が向上するので、機器同定装置１１が誤ってある機器Ｘが属しないグループを選択してしまう頻度を低減することができる。このように、グループを選択する精度を向上させることができるので、その結果、機器同定の精度を向上させることができる。   Moreover, since the accuracy of grouping is improved, the frequency at which the device identification apparatus 11 erroneously selects a group to which a certain device X does not belong can be reduced. Thus, since the precision which selects a group can be improved, as a result, the precision of apparatus identification can be improved.

上述した実施形態によれば、機器同定装置１１が質的変数と量的変数を両方とも２値ベクトルで表すことで、質的変数と量的変数とを同様に扱うことができるので処理を簡素化することができ、処理速度を向上させることができる。また、機器同定装置１１は予め辞書情報を２値ベクトル化の上クラスタリング手法によりグループ化し、被同定端末と類似するグループを抽出することで比較対象端末を最小限度にすることができるため、高い同定精度を保ちつつ、処理の高速化を実現することができる。   According to the above-described embodiment, the device identification apparatus 11 represents both the qualitative variable and the quantitative variable by binary vectors, so that the qualitative variable and the quantitative variable can be handled in the same manner, thereby simplifying the processing. And the processing speed can be improved. In addition, the device identification device 11 can group the dictionary information in advance by binarization vectorization and clustering and extract a group similar to the identified terminal, thereby minimizing the comparison target terminal. The processing speed can be increased while maintaining the accuracy.

また、上述した実施形態によれば、グループ分割手段としてのクラスタ分析バンドル１１８は、特徴ベクトル生成手段が生成した、比較対象の機器の特徴ベクトルに基づいて複数の機器を複数のグループに分割する。同定手段としての機器同定バンドル１１５は、同一のグループに含まれる機器全てで、特徴ベクトルの要素が共通の値をとる特徴量を比較対象から除外して、同定対象の機器を同定する。ここで、同一のグループには、類似したベクトルが集約されるので、同一グループ内の全ての機器で値が共通する特徴量は、そのグループ内では特徴がない。このことから、同一グループ内の全ての機器で値が共通する特徴量を比較対象から除外することで高い精度を保ちつつ、処理の高速化を実現することができる。   Further, according to the above-described embodiment, the cluster analysis bundle 118 as the group dividing unit divides a plurality of devices into a plurality of groups based on the feature vector of the comparison target device generated by the feature vector generating unit. The device identification bundle 115 as identification means identifies the device to be identified by excluding from the comparison target the feature quantity in which the elements of the feature vector have a common value in all devices included in the same group. Here, since similar vectors are aggregated in the same group, a feature amount having a value common to all devices in the same group has no feature in the group. From this, it is possible to realize high-speed processing while maintaining high accuracy by excluding from the comparison target feature quantities having values that are common to all devices in the same group.

代表ベクトル決定手段としてのクラスタ分析バンドル１１８は、前記グループ分割手段が分割したグループごとの代表ベクトルを決定する。類似グループ抽出手段としての機器クラスタ抽出バンドル１１９は、前記同定対象の機器の特徴ベクトルと前記グループごとの代表ベクトルとを比較することで、複数のグループを抽出する。同定手段としての機器同定バンドル１１５は、機器クラスタ抽出バンドル１１９が抽出した複数のグループ内の個々の機器に対する特徴ベクトルと同定対象の機器の特徴ベクトルとを比較することで、同定対象の機器を同定する。
これにより、例えば、同定対象の機器の特徴ベクトルと代表ベクトルとの距離が等しいグループが複数あったとしても、その複数のグループを抽出できる。これにより、上述した複数のグループに含まれる機器を比較対象とすることができるので、同定精度を向上することができる。 The cluster analysis bundle 118 serving as a representative vector determining unit determines a representative vector for each group divided by the group dividing unit. The device cluster extraction bundle 119 as a similar group extraction unit extracts a plurality of groups by comparing the feature vector of the device to be identified with the representative vector for each group. The device identification bundle 115 as identification means identifies the device to be identified by comparing the feature vector for each device in the plurality of groups extracted by the device cluster extraction bundle 119 with the feature vector of the device to be identified. To do.
Thereby, for example, even if there are a plurality of groups having the same distance between the feature vector and the representative vector of the device to be identified, the plurality of groups can be extracted. Thereby, since the apparatus contained in the several group mentioned above can be made into a comparison object, identification accuracy can be improved.

また、上述した実施形態によれば、類似グループ抽出手段としての機器クラスタ抽出バンドル１１９は、抽出したグループ内に存在する特徴ベクトルの数が予め決められた規定数以下の場合、その時点で機器同定を完了させる。これにより、機器同定範囲抽出機能（ステップＳｅ４）のみで機器同定を完了させることができるため、処理の高速化を実現することができる。   Further, according to the above-described embodiment, the device cluster extraction bundle 119 serving as the similar group extraction unit, when the number of feature vectors existing in the extracted group is equal to or less than a predetermined number, device identification at that time To complete. Thereby, since device identification can be completed only by the device identification range extraction function (step Se4), the processing speed can be increased.

なお、複数の装置を備えるシステムが、本実施形態の機器同定装置１１の各処理を、それらの複数の装置で分散して処理してもよい。例えば、本実施形態では、機器同定装置１１内に機器情報辞書が内包されている場合の構成を示したが、これに限らず、機器同定装置１１内に機器情報辞書を内包しておらず、機器情報辞書サーバ装置１０が機器情報辞書を保持してもよい。その場合、機器同定システムは、例えば、以下の構成であってもよい。機器情報辞書サーバ装置は、機器の特徴量を保持する機器情報ＤＢ１２２を備える。機器同定装置１１の特徴ベクトル生成手段は、機器情報辞書サーバ装置１０から機器の特徴量を取得する。
また、本実施形態の機器同定装置１１の各処理を実行するための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、当該記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、機器同定装置１１に係る上述した種々の処理を行ってもよい。 Note that a system including a plurality of devices may process each process of the device identification device 11 of the present embodiment in a distributed manner by the plurality of devices. For example, in the present embodiment, the configuration in the case where the device information dictionary is included in the device identification device 11 is shown, but the present invention is not limited to this, and the device identification device 11 does not include the device information dictionary, The device information dictionary server device 10 may hold a device information dictionary. In this case, the device identification system may have the following configuration, for example. The device information dictionary server apparatus includes a device information DB 122 that holds device feature amounts. The feature vector generation unit of the device identification device 11 acquires the feature amount of the device from the device information dictionary server device 10.
In addition, a program for executing each process of the device identification apparatus 11 of the present embodiment is recorded on a computer-readable recording medium, and the program recorded on the recording medium is read into a computer system and executed. The above-described various processes related to the device identification apparatus 11 may be performed.

なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。   Here, the “computer system” may include an OS and hardware such as peripheral devices. Further, the “computer system” includes a homepage providing environment (or display environment) if a WWW system is used. The “computer-readable recording medium” means a flexible disk, a magneto-optical disk, a ROM, a writable nonvolatile memory such as a flash memory, a portable medium such as a CD-ROM, a hard disk built in a computer system, etc. This is a storage device.

さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ））のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。   Further, the “computer-readable recording medium” refers to a volatile memory (for example, DRAM (Dynamic) in a computer system serving as a server or a client when a program is transmitted via a network such as the Internet or a communication line such as a telephone line. Random Access Memory)) that holds a program for a certain period of time is also included. The program may be transmitted from a computer system storing the program in a storage device or the like to another computer system via a transmission medium or by a transmission wave in the transmission medium. Here, the “transmission medium” for transmitting the program refers to a medium having a function of transmitting information, such as a network (communication network) such as the Internet or a communication line (communication line) such as a telephone line. The program may be for realizing a part of the functions described above. Furthermore, what can implement | achieve the function mentioned above in combination with the program already recorded on the computer system, and what is called a difference file (difference program) may be sufficient.

以上、本発明の実施形態について図面を参照して詳述したが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。   As mentioned above, although embodiment of this invention was explained in full detail with reference to drawings, the concrete structure is not restricted to this embodiment, The design etc. of the range which does not deviate from the summary of this invention are included.

１ 機器同定システム
１０ 機器情報辞書サーバ装置
１１ 機器同定装置
１２ ネットワーク家電
１３ 広域ネットワーク
１１１ キャプチャバンドル
１１２ プロトコル特徴解析バンドル
１１３ アクティブ計測バンドル
１１４ ＤＢアクセスバンドル
１１５ 機器同定バンドル
１１６ ＷｅｂＵＩバンドル
１１７ 特徴蓄積判定バンドル
１１８ クラスタ分析バンドル
１１９ 機器クラスタ抽出バンドル
１２０ ＯＳＧｉＦＷ
１２１ 特徴蓄積ＤＢ
１２２ 機器情報ＤＢ
１２３ 端末情報ＤＢ
１２４ クラスタＤＢ DESCRIPTION OF SYMBOLS 1 Device identification system 10 Device information dictionary server device 11 Device identification device 12 Network home appliance 13 Wide area network 111 Capture bundle 112 Protocol feature analysis bundle 113 Active measurement bundle 114 DB access bundle 115 Device identification bundle 116 WebUI bundle 117 Feature accumulation determination bundle 118 Cluster Analysis bundle 119 Device cluster extraction bundle 120 OSGiFW
121 Feature storage DB
122 Device information DB
123 Terminal information DB
124 Cluster DB

Claims (8)

比較対象の機器および同定対象の機器について、機器の特徴量が持つ性質に応じた所定のベクトル化ルールに基づいて、前記特徴量に含まれる質的特徴量と量的特徴量それぞれを、取り得る数値の個数が予め決められているという条件の下でそれぞれの特徴量毎に決定された複数の数値に含まれる一の数値に変換し、変換後のそれぞれの数値を要素とする特徴ベクトルを生成する特徴ベクトル生成手段と、
前記特徴ベクトル生成手段が生成した比較対象の機器の特徴ベクトルと同定対象の機器の特徴ベクトルとを参照して、前記同定対象の機器を同定する同定手段と、
を備えることを特徴とする機器同定装置。 For the device to be compared and the device to be identified, each of the qualitative feature quantity and the quantitative feature quantity included in the feature quantity can be obtained based on a predetermined vectorization rule according to the property of the feature quantity of the equipment. Converts to one numerical value included in multiple numerical values determined for each feature amount under the condition that the number of numerical values is predetermined, and generates a feature vector with each converted numerical value as an element A feature vector generating means,
An identification unit that identifies the identification target device with reference to the feature vector of the comparison target device generated by the feature vector generation unit and the feature vector of the identification target device;
A device identification apparatus comprising: 前記特徴ベクトル生成手段が生成した、比較対象の機器の特徴ベクトルに基づいて複数の機器を複数のグループに分割するグループ分割手段を備え、
前記同定手段は、同一の前記グループに含まれる機器全てで、特徴ベクトルの要素が共通の値をとる特徴量を比較対象から除外して、前記同定対象の機器を同定することを特徴とする請求項１に記載の機器同定装置。 A group dividing unit that divides a plurality of devices into a plurality of groups based on a feature vector of a device to be compared generated by the feature vector generating unit;
The identification unit is characterized by excluding a feature quantity having a common value of feature vector elements from all comparison devices in all the devices included in the same group, and identifying the identification target device. Item 1. The device identification device according to Item 1 . 前記グループ分割手段が分割したグループごとの代表ベクトルを決定する代表ベクトル決定手段と、
前記特徴ベクトル生成手段が生成した、前記同定対象の機器の特徴ベクトルと前記グループごとの代表ベクトルとを比較することで、複数のグループを抽出する類似グループ抽出手段と、
を備え、
前記同定手段は、前記類似グループ抽出手段が抽出した複数のグループ内の個々の機器に対する特徴ベクトルと前記同定対象の機器の特徴ベクトルとを比較することで、前記同定対象の機器を同定することを特徴とする請求項２に記載の機器同定装置。 Representative vector determining means for determining a representative vector for each group divided by the group dividing means;
Similar group extraction means for extracting a plurality of groups by comparing the feature vector of the device to be identified generated by the feature vector generation means and a representative vector for each group;
With
The identification unit identifies the identification target device by comparing a feature vector for each device in the plurality of groups extracted by the similar group extraction unit with a feature vector of the identification target device. The device identification apparatus according to claim 2 , wherein 前記類似グループ抽出手段は、抽出したグループ内に存在する特徴ベクトルの数が予め決められた規定数以下の場合、その時点で機器同定を完了させることを特徴とする請求項３に記載の機器同定装置。 4. The device identification according to claim 3 , wherein when the number of feature vectors existing in the extracted group is equal to or less than a predetermined number, the similar group extraction unit completes device identification at that time. apparatus. 比較対象の機器および同定対象の機器について、機器の特徴量が持つ性質に応じた所定のベクトル化ルールに基づいて、前記特徴量に含まれる質的特徴量と量的特徴量それぞれを、取り得る数値の個数が予め決められているという条件の下でそれぞれの特徴量毎に決定された複数の数値に含まれる一の数値に変換し、変換後のそれぞれの数値を要素とする特徴ベクトルを生成する特徴ベクトル生成手段と、
前記特徴ベクトル生成手段が生成した比較対象の機器の特徴ベクトルと同定対象の機器の特徴ベクトルとを参照して、前記同定対象の機器を同定する同定手段と、
を備えることを特徴とする機器同定システム。 For the device to be compared and the device to be identified, each of the qualitative feature quantity and the quantitative feature quantity included in the feature quantity can be obtained based on a predetermined vectorization rule according to the property of the feature quantity of the equipment. Converts to one numerical value included in multiple numerical values determined for each feature amount under the condition that the number of numerical values is predetermined, and generates a feature vector with each converted numerical value as an element A feature vector generating means,
An identification unit that identifies the identification target device with reference to the feature vector of the comparison target device generated by the feature vector generation unit and the feature vector of the identification target device;
A device identification system comprising: 機器情報辞書サーバ装置と機器同定装置とを備える請求項５に記載の機器同定システムであって、
機器情報辞書サーバ装置は、前記機器の特徴量を保持する機器情報記憶部を備え、
前記機器同定装置は、前記特徴ベクトル生成手段と前記同定手段とを備え、前記特徴ベクトル生成手段は、前記機器情報辞書サーバ装置から前記機器の特徴量を取得することを特徴とする機器同定システム。 The device identification system according to claim 5, comprising a device information dictionary server device and a device identification device,
The device information dictionary server device includes a device information storage unit that holds the feature amount of the device,
The device identification apparatus includes the feature vector generation unit and the identification unit, and the feature vector generation unit acquires the feature amount of the device from the device information dictionary server device. 特徴ベクトル生成手段が、比較対象の機器および同定対象の機器について、機器の特徴量が持つ性質に応じた所定のベクトル化ルールに基づいて、前記特徴量に含まれる質的特徴量と量的特徴量それぞれを、取り得る数値の個数が予め決められているという条件の下でそれぞれの特徴量毎に決定された複数の数値に含まれる一の数値に変換し、変換後のそれぞれの数値を要素とする特徴ベクトルを生成する手順と、
同定手段が、前記特徴ベクトル生成手段が生成した比較対象の機器の特徴ベクトルと同定対象の機器の特徴ベクトルとを参照して、前記同定対象の機器を同定する手順と、
を有することを特徴とする機器同定方法。 The feature vector generation means includes a qualitative feature quantity and a quantitative feature included in the feature quantity based on a predetermined vectorization rule corresponding to a property of the feature quantity of the equipment for the comparison target device and the identification target device. Each quantity is converted into one numerical value included in multiple numerical values determined for each feature quantity under the condition that the number of possible numerical values is predetermined, and each converted numerical value is an element. A procedure for generating a feature vector
A step of identifying the device to be identified with reference to the feature vector of the device to be compared and the feature vector of the device to be identified generated by the feature vector generating unit;
The apparatus identification method characterized by having. 機器同定装置に、
比較対象の機器および同定対象の機器について、機器の特徴量が持つ性質に応じた所定のベクトル化ルールに基づいて、前記特徴量に含まれる質的特徴量と量的特徴量それぞれを、取り得る数値の個数が予め決められているという条件の下でそれぞれの特徴量毎に決定された複数の数値に含まれる一の数値に変換し、変換後のそれぞれの数値を要素とする特徴ベクトルを生成する特徴ベクトル生成ステップと、
前記特徴ベクトル生成ステップにより生成された比較対象の機器の特徴ベクトルと同定対象の機器の特徴ベクトルとを参照して、前記同定対象の機器を同定する同定ステップと、
を実行させるためのプログラム。 In equipment identification equipment,
For the device to be compared and the device to be identified, each of the qualitative feature quantity and the quantitative feature quantity included in the feature quantity can be obtained based on a predetermined vectorization rule according to the property of the feature quantity of the equipment. Converts to one numerical value included in multiple numerical values determined for each feature amount under the condition that the number of numerical values is predetermined, and generates a feature vector with each converted numerical value as an element Generating a feature vector,
An identification step of identifying the identification target device with reference to the feature vector of the comparison target device generated by the feature vector generation step and the feature vector of the identification target device;
A program for running
JP2012196540A 2012-09-06 2012-09-06 Device identification apparatus, device identification system, device identification method, and program Expired - Fee Related JP5551741B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012196540A JP5551741B2 (en) 2012-09-06 2012-09-06 Device identification apparatus, device identification system, device identification method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012196540A JP5551741B2 (en) 2012-09-06 2012-09-06 Device identification apparatus, device identification system, device identification method, and program

Publications (2)

Publication Number Publication Date
JP2014052825A JP2014052825A (en) 2014-03-20
JP5551741B2 true JP5551741B2 (en) 2014-07-16

Family

ID=50611271

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012196540A Expired - Fee Related JP5551741B2 (en) 2012-09-06 2012-09-06 Device identification apparatus, device identification system, device identification method, and program

Country Status (1)

Country Link
JP (1) JP5551741B2 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018151705A (en) * 2017-03-09 2018-09-27 キヤノン株式会社 Information processing device, information processing method and program

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012104054A (en) * 2010-11-12 2012-05-31 Ntt Comware Corp Identification device, identification method, and program

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018151705A (en) * 2017-03-09 2018-09-27 キヤノン株式会社 Information processing device, information processing method and program
JP7013135B2 (en) 2017-03-09 2022-01-31 キヤノン株式会社 Information processing device control method and program

Also Published As

Publication number Publication date
JP2014052825A (en) 2014-03-20

Similar Documents

Publication Publication Date Title
CN109033471B (en) Information asset identification method and device
JP2008244810A (en) Sensor information management system, method and program
WO2018160136A1 (en) Method and apparatus for determining an identity of an unknown internet-of-things (iot) device in a communication network
US11023532B2 (en) Generation of data model mapping a data center
CN105446705B (en) Method and apparatus for determining the characteristic of configuration file
KR20180049634A (en) DEVICE AND METHOD FOR GENERATING IoT DATA
CN108282527A (en) Generate the distributed system and method for Service Instance
JP2004537916A5 (en)
CN110224859A (en) The method and system of clique for identification
JP5880315B2 (en) System management apparatus, system management method, and system management program
JP5551741B2 (en) Device identification apparatus, device identification system, device identification method, and program
CN114064312A (en) Data processing system and model training method
US20210377129A1 (en) Network building apparatus, network building method, non-transitory computer readable medium storing program
JP5648011B2 (en) Device identification device, device identification system, device identification method, and device identification program
JP6770464B2 (en) Manufacturing control method and manufacturing control system
CN111602412B (en) Device selection apparatus, data set selection apparatus, device selection method, and storage medium
JP5509292B2 (en) Device identification apparatus, device identification method, and device identification program
WO2018142694A1 (en) Feature amount generation device, feature amount generation method, and program
CN113762292B (en) Training data acquisition method and device and model training method and device
JP2007060155A (en) Sensor node and control terminal, and data collection system using them
JP6138709B2 (en) Life log linkage dialogue system, life log linkage dialogue method and program
JP6040138B2 (en) Document classification apparatus, document classification method, and document classification program
JP6973733B2 (en) Patent information processing equipment, patent information processing methods and programs
WO2023012928A1 (en) Device estimation system, device estimation apparatus, packet analysis model training apparatus, waveform analysis model training apparatus, and program
JP6508202B2 (en) INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND PROGRAM

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20131217

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20140130

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: 20140425

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140522

R150 Certificate of patent or registration of utility model

Ref document number: 5551741

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees