JP6466489B2 - 判定装置、判定方法、及びプログラム - Google Patents

Description

本発明は、判定装置、判定方法、及びプログラムに関する。

携帯端末の通信トラフィックを携帯電話通信網において制御する技術が知られていた（例えば、特許文献１参照）。
［先行技術文献］
［特許文献］
［特許文献１］特開２０１６−０３６０６１号公報

携帯端末等の通信トラフィックを適切に制御できる技術を提供することが望ましい。

本発明の第１の態様によれば、判定装置が提供される。判定装置は、動画配信サイトからユーザ端末に向けて送信された複数のパケットに基づいて、ユーザ端末のユーザが動画の閲覧を開始してから予め定められた期間を経過する前に次の動画の閲覧を開始する行動をとっているか否かを判定する判定部を備えてよい。判定装置は、判定部による判定結果を出力する判定結果出力部を備えてよい。

上記判定装置は、上記動画配信サイトから上記ユーザ端末に向けて送信された複数の暗号化パケットを取得するパケット取得部と、上記複数の暗号化パケットを復号化せずに上記複数の暗号化パケットから取得できる情報を取得する情報取得部とをさらに備えてよく、上記判定部は、上記情報取得部によって取得された情報に基づいて、上記ユーザが上記行動をとっているか否かを判定してよい。上記情報取得部は、上記複数の暗号化パケットのヘッダ情報を取得してよく、上記判定部は、上記ヘッダ情報に基づいて、上記ユーザが上記行動をとっているか否かを判定してよい。上記情報取得部は、上記複数の暗号化パケットのヘッダから、ソースアドレス、プロトコル種別、フラグ種別、及びＴＣＰのウィンドウサイズの少なくともいずれかを取得してよく、上記判定部は、上記ソースアドレス、上記プロトコル種別、上記フラグ種別、及び上記ウィンドウサイズの少なくともいずれかに基づいて、上記ユーザが上記行動をとっているか否かを判定してよい。上記情報取得部は、上記複数の暗号化パケットのパケット間隔を取得してよく、上記判定部は、上記パケット間隔に基づいて、上記ユーザが上記行動をとっているか否かを判定してよい。

上記判定装置は、上記情報取得部によって取得された情報を用いて、上記ユーザが上記行動をとっているか否かを判定するための学習モデルを生成する学習モデル生成部をさらに備えてよく、上記判定部は、上記学習モデルを用いて、上記ユーザが上記行動をとっているか否かを判定してよい。上記学習モデル生成部は、上記情報取得部によって取得された情報を用いて深層学習を実行することにより、上記ユーザが上記行動をとっているか否かを判定するための深層学習モデルを生成してよい。

上記判定結果出力部は、上記ユーザ端末に対する通信トラフィックを制御するトラフィック制御部に上記判定結果を送信してよい。上記判定装置は、上記トラフィック制御部をさらに備えてよく、上記トラフィック制御部は、上記判定部によって上記行動をとっていると判定されたユーザの上記ユーザ端末に対する通信トラフィックを制限してよく、上記判定部は、上記トラフィック制御部によって通信トラフィックが制限されてから予め定められた時間が経過した後に、通信トラフィックが制限された上記ユーザ端末に向けて送信された複数のパケットに基づいて、上記ユーザが上記行動をとっているか否かを判定してよく、上記トラフィック制御部は、上記判定部によって上記ユーザ端末のユーザが上記行動をとっていないと判定された場合、上記ユーザ端末に対する通信トラフィックの制限を解除してよい。

本発明の第２の態様によれば、判定装置が提供される。判定装置は、動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを復号化せずに複数の暗号化パケットから取得できる情報に基づいて生成された学習モデルを用いて、パケットの配信を規制する対象となるユーザ端末を判定する判定部を備えてよい。判定装置は、判定部による判定結果を出力する判定結果出力部を備えてよい。

上記判定装置は、上記複数の暗号化パケットを復号化せずに上記複数の暗号化パケットから取得できる情報に基づいて上記学習モデルを生成する学習モデル生成部をさらに備えてよい。上記学習モデル生成部は、上記複数の暗号化パケットを復号化せずに上記複数の暗号化パケットから取得できる情報に基づいて深層学習を実行することによって、上記学習モデルを生成してよい。上記学習モデルは、動画の閲覧を開始してから予め定められた時間を経過する前に次の動画の閲覧を開始する行動をとっているユーザのユーザ端末を特定するための学習モデルであってよい。上記学習モデルは、予め定められた容量よりも多い容量の動画を閲覧するユーザのユーザ端末を特定するための学習モデルであってよい。上記学習モデルは、予め定められた種類の動画を閲覧するユーザのユーザ端末を特定するための学習モデルであってよい。

本発明の第３の態様によれば、コンピュータを、上記判定装置として機能させるためのプログラムが提供される。

本発明の第４の態様によれば、判定方法が提供される。判定方法は、動画配信サイトからユーザ端末に向けて送信された複数のパケットに基づいて、ユーザ端末のユーザが動画の閲覧を開始してから予め定められた期間を経過する前に次の動画の閲覧を開始する行動をとっているか否かを判定する判定段階を備えてよい。判定方法は、判定段階における判定結果を出力する判定結果出力段階を備えてよい。

本発明の第５の態様によれば、判定方法が提供される。動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを復号化せずに複数の暗号化パケットから取得できる情報に基づいて生成された学習モデルを用いて、パケットの配信を規制する対象となるユーザ端末を判定する判定段階を備えてよい。判定方法は、判定段階における判定結果を出力する判定結果出力段階を備えてよい。

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

制御システム１００の一例を概略的に示す。 学習制御装置２００、行動判定装置３００、及びゲートウェイ装置４００の機能構成の一例を概略的に示す。 行動判定装置３００及びゲートウェイ装置４００による処理の流れの一例を概略的に示す。 学習制御装置２００による処理の流れの一例を概略的に示す。 学習制御装置２００による処理の流れの一例を概略的に示す。 パケット間隔テーブル２４１の一例を概略的に示す。 ソースアドレステーブル２４２の一例を概略的に示す。 プロトコル種別テーブル２４３の一例を概略的に示す。 フラグ種別テーブル２４４の一例を概略的に示す。 ウィンドウサイズテーブル２４５の一例を概略的に示す。 行動判定装置３００及びゲートウェイ装置４００による処理の流れの一例を概略的に示す。 行動判定装置３００及びゲートウェイ装置４００による処理の流れの一例を概略的に示す。 行動判定装置３００及びゲートウェイ装置４００による処理の流れの一例を概略的に示す。 行動判定装置３００として機能するコンピュータ１０００のハードウエア構成の一例を概略的に示す。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、制御システム１００の一例を概略的に示す。制御システム１００は、ユーザ端末３０の通信トラフィックを制御する。制御システム１００は、例えば、通信事業者によって提供される。制御システム１００は、通信事業者のネットワークを介したユーザ端末３０の通信トラフィックを制御してよい。制御システム１００は、例えば、インターネット２０に接続された動画配信サイト４０からの、インターネット２０、モバイルネットワーク１０及び基地局１２を介したユーザ端末３０への通信トラフィックを制御する。ユーザ端末３０は、スマートフォン等の携帯電話、タブレット端末、及びＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等であってよい。

制御システム１００は、学習制御装置２００及び行動判定装置３００を備えてよい。学習制御装置２００は、ユーザ端末３０と動画配信サイト４０との間の複数のパケットに基づいて学習モデルを生成してよい。学習制御装置２００は、例えば、動画配信サイト４０からユーザ端末３０に向けて送信された複数のパケットに基づいて学習モデルを生成する。

学習モデルを生成することは、新たに学習モデルを作り出すこと及び既存の学習モデルを更新することを含んでよい。学習制御装置２００は、機械学習を実行することによって機械学習モデルを生成してよい。学習制御装置２００は、深層学習を実行することによって深層学習モデルを生成してよい。

学習制御装置２００は、例えば、動画配信サイト４０からユーザ端末３０に向けて送信された複数の暗号化パケットを中継するゲートウェイ装置４００から、当該複数の暗号化パケットを受信する。ゲートウェイ装置４００は、例えば、動画配信サイト４０からユーザ端末３０に向けて送信された複数の暗号化パケットを複製して学習制御装置２００に送信してよい。

学習制御装置２００は、複数の暗号化パケットを復号化せずに当該複数の暗号化パケットから取得できる情報に基づいて学習モデルを生成してよい。具体例として、学習制御装置２００は、ユーザ端末３０のユーザ５０が、閲覧する動画を頻繁に切り替える行動をとっているか否かを判定するための学習モデルを生成する。閲覧する動画を頻繁に切り替える行動とは、動画の閲覧を開始してから予め定められた期間を経過する前に次の動画の閲覧を開始する行動であってよい。予め定められた期間は、秒単位、分単位等で任意に定められてよい。学習制御装置２００は、作成した学習モデルを行動判定装置３００に送信してよい。

行動判定装置３００は、学習制御装置２００によって生成された学習モデルを用いて、ユーザ端末３０のユーザ５０がとっている行動を判定する。行動判定装置３００は、例えば、動画配信サイト４０からユーザ端末３０に向けて送信された複数の暗号化パケットを、ゲートウェイ装置４００から受信する。ゲートウェイ装置４００は、動画配信サイト４０からユーザ端末３０に向けて送信された複数の暗号化パケットを複製して行動判定装置３００に送信してよい。行動判定装置３００は、受信した複数の暗号化パケットと、学習制御装置２００から受信した学習モデルとを用いて、ユーザ５０がとっている行動を判定する。

具体例として、行動判定装置３００は、ユーザ５０が閲覧する動画を頻繁に切り替える行動をとっているか否かを判定するための学習モデルを学習制御装置２００から受信して格納する。そして、行動判定装置３００は、ゲートウェイ装置４００から受信した複数の暗号化パケットと、当該学習モデルとを用いて、ユーザ５０が、閲覧する動画を頻繁に切り替える行動をとっているか否かを判定する。

行動判定装置３００は、判定結果をゲートウェイ装置４００に送信することによって、ユーザ端末３０に対する通信トラフィックを制御させてよい。ゲートウェイ装置４００は、行動判定装置３００から受信した判定結果に基づいて、ユーザ端末３０に対する通信トラフィックを制御してよい。

例えば、ゲートウェイ装置４００は、閲覧する動画を頻繁に切り替える行動をとっているユーザ５０のユーザ端末３０に対する通信トラフィックを制限する。ゲートウェイ装置４００は、例えばユーザ端末３０に割り当てる通信帯域を低減することによって、ユーザ端末３０に対する通信トラフィックを規制してよい。具体例として、ゲートウェイ装置４００は、ユーザ端末３０に対して割り当てる通信帯域を、１Ｍｂｐｓ等の予め定められた通信帯域に制限する。１Ｍｂｐｓは例示であり、任意に設定されてよい。

例えば、ユーザ５０がＹｏｕｔｕｂｅ（登録商標）等の動画配信サイト４０によって配信される動画を閲覧する場合、まず、動画配信サイト４０が動画の一部をユーザ端末３０に送信し、ユーザ端末３０はその動画の一部をバッファリングする。そして、動画の閲覧中に、動画の残りの部分が動画配信サイト４０からユーザ端末３０に適宜送信される。

ここで、例えば、動画の５０％がユーザ端末３０にバッファリングされている状態で、ユーザ５０が動画の１０％を閲覧した時点で動画を切り替えると、動画の４０％は閲覧されずに破棄されることになる。すなわち、結果として、ユーザ５０によって閲覧されない動画が動画配信サイト４０からユーザ端末３０に送信されたことになる。このようなユーザ５０の行動はネットワークのリソースを不必要に消費する一因となっている。

これに対して本実施形態に係る制御システム１００によれば、閲覧する動画を頻繁に切り替える行動をとっているユーザ５０のユーザ端末３０に対する通信トラフィックを制限することができる。これにより、ユーザ５０によって閲覧されないにも関わらず動画配信サイト４０からユーザ端末３０に送信される動画のデータ量を低減することができ、ネットワークリソースの有効利用を実現することができる。

また、本実施形態に係る制御システム１００によれば、複数の暗号化パケットを復号化せずに複数の暗号化パケットから取得できる情報に基づいて、閲覧する動画を頻繁に切り替える行動をとっているか否かを判定するための学習モデルのようなネットワークリソースの有効活用を実現可能とする学習モデルを生成することができる。

パケットが暗号化されていなければ、パケットを中継するゲートウェイ装置４００において取得したパケットのペイロードを分析することによって、様々な通信トラフィック削減策をとることができる。しかし、既存の動画配信サイト４０では通信のほぼすべてを暗号化している場合が多い。そのため、通信事業者による通信トラフィック削減策は非常に限られる。例えば、通信事業者は、暗号化パケットのヘッダ情報を確認することによって動画配信サイト４０から送信されたパケットを特定し、動画を閲覧しているユーザ５０に対して一様に制限をかける等の対策をとることしかできなかった。これに対して、本実施形態に係る制御システム１００によれば、例えば、動画閲覧ユーザのうち、閲覧する動画を頻繁に切り替えるユーザに限定して制限をかけることができるので、効果的に通信トラフィックを抑えることができる。

図２は、学習制御装置２００、行動判定装置３００、及びゲートウェイ装置４００の機能構成の一例を概略的に示す。ゲートウェイ装置４００は、トラフィック送受信部４１０、パケットログ送信部４２０、及びトラフィック制御部４３０を有する。学習制御装置２００は、パケットログ受信部２１０、学習データ生成部２２０、及び学習モデル生成部２３０を有する。行動判定装置３００は、判定部３１０、パケットログ受信部３２０、及び判定結果出力部３３０を有する。

トラフィック送受信部４１０は、ユーザ端末３０に対する通信トラフィックの送受信を行う。トラフィック送受信部４１０は、ユーザ端末３０と任意の通信先との間のパケットを中継する。トラフィック送受信部４１０は、例えば、動画配信サイト４０からユーザ端末３０に向けて送信されたパケットを受信して、ユーザ端末３０に対して送信する。トラフィック送受信部４１０は、例えば、ユーザ端末３０から動画配信サイト４０に向けて送信されたパケットを受信して、動画配信サイト４０に対して送信する。

パケットログ送信部４２０は、トラフィック送受信部４１０が送受信する暗号化パケットのうち、特定の暗号化パケットをパケットログ受信部２１０及びパケットログ受信部３２０に送信する。パケットログ送信部４２０は、特定の暗号化パケットの複製をパケットログ受信部２１０及びパケットログ受信部３２０に送信してよい。

パケットログ送信部４２０は、例えば、送信元が動画配信サイト４０である暗号化パケットをパケットログ受信部２１０及びパケットログ受信部３２０に送信する。パケットログ送信部４２０は、送信元が動画配信サイト４０であり、かつ、送信先が予め定められたユーザ端末３０である暗号化パケットをパケットログ受信部２１０及びパケットログ受信部３２０に送信してもよい。

パケットログ受信部２１０は、パケットログ送信部４２０が送信した暗号化パケットを受信する。パケットログ受信部２１０は、受信した暗号化パケットを復号化せずに取得できる情報を学習データ生成部２２０に送信する。パケットログ受信部２１０は、暗号化パケットの送信先であるユーザ端末３０毎に暗号化パケットを分類して、暗号化パケットを復号化せずに取得できる情報を学習データ生成部２２０に送信してよい。

パケットログ受信部２１０は、例えば、暗号化パケットのヘッダ情報を学習データ生成部２２０に送信する。また、パケットログ受信部２１０は、例えば、暗号化パケットのパケット間隔を学習データ生成部２２０に送信する。パケットログ受信部２１０は、例えば、トラフィック送受信部４１０が受信した暗号化パケットの受信時刻の差をパケット間隔として学習データ生成部２２０に送信する。なお、パケットログ受信部２１０が、パケットログ送信部４２０から受信した暗号化パケットを学習データ生成部２２０に送信して、学習データ生成部２２０が、受信した複数の暗号化パケットから、複数の暗号化パケットを復号化せずに取得できる情報を取得してもよい。

学習データ生成部２２０は、複数の暗号化パケットを復号化せずに取得できる情報から、学習データを生成する。学習データは、学習モデル生成部２３０への入力単位となるデータであってよい。学習データは、学習モデル生成部２３０が学習に用いることができる形式であれば、どのような形式であってもよい。

例えば、学習データ生成部２２０は、暗号化パケットの送信先であるユーザ端末３０毎に、予め定められた数の連続する複数の暗号化パケットについて、復号化せずに取得できる情報を０／１表記のデータに置き換えて結合することによって学習データを生成する。予め定められた数は、例えば１００個等、任意に設定されてよい。

具体例として、閲覧する動画を頻繁に切り替える行動をとっているか否かを判定するための学習モデルを生成する場合、学習データ生成部２２０は、各暗号化パケットにつき、パケット間隔、ソースアドレス、プロトコル種別、フラグ種別、及びＴＣＰのウィンドウサイズをそれぞれ０／１表記のデータに置き換えて結合したデータを生成し、１００個分の当該データを結合することによって学習データを生成する。学習データ生成部２２０は、学習モデル生成部２３０が生成する学習モデルの種類に応じた学習データを生成してよい。

学習モデル生成部２３０は、学習データ生成部２２０から入力された学習データを用いて学習モデルを生成する。学習モデル生成部２３０は、パケットの配信を規制するユーザ端末３０を判定するための学習モデルを生成してよい。

例えば、学習モデル生成部２３０は、閲覧する動画を頻繁に切り替える行動をとっているか否かを判定するための学習モデルを生成する。学習モデル生成部２３０は、パケット間隔、ソースアドレス、プロトコル種別、フラグ種別、及びＴＣＰのウィンドウサイズの少なくともいずれかを用いて、閲覧する動画を頻繁に切り替える行動をとっているか否かを判定するための学習モデルを生成してよい。学習モデル生成部２３０は、複数の暗号化パケットを復号化せずに取得できる情報のうち、これら以外の情報をさらに用いて学習モデルを生成してもよい。

また、例えば、学習モデル生成部２３０は、データ量の多い動画を閲覧する行動をとっているか否かを判定するための学習モデルを生成する。学習モデル生成部２３０は、複数の暗号化データを復号化せずに取得できる情報のうち、データ量の多い動画を閲覧する行動に関連する情報を用いて当該学習モデルを生成してよい。

また、例えば、学習モデル生成部２３０は、規制対象の動画を閲覧する行動をとっているか否かを判定するための学習モデルを生成する。学習モデル生成部２３０は、複数の暗号化データを復号化せずに取得できる情報のうち、規制対象の動画を閲覧する行動に関連する情報を用いて当該学習モデルを生成してよい。

学習モデル生成部２３０は、生成した学習モデルを判定部３１０に送信する。判定部３１０は、学習モデル生成部２３０から受信した学習モデルを格納する。

パケットログ受信部３２０は、パケットログ送信部４２０が送信した暗号化パケットを受信する。パケットログ受信部３２０は、受信した暗号化パケットを判定部３１０に送信する。

判定部３１０は、格納している学習モデルと、パケットログ受信部３２０から受信した暗号化パケットとを用いて、暗号化パケットの送信先であるユーザ端末３０のユーザ５０の行動を判定する。判定部３１０は、例えば、暗号化パケットの送信先であるユーザ端末３０毎に、学習データと同一フォーマットの判定データを生成し、当該判定データと学習モデルとを用いてユーザ５０の行動を判定する。

具体例として、判定部３１０は、ユーザ５０が閲覧する動画を頻繁に切り替える行動をとっているか否かを判定する。判定部３１０は、例えば、閲覧する動画を頻繁に切り替える行動をとっている確度と、閲覧する動画を頻繁に切り替える行動をとっていない確度との比率を算出して、前者の比率が高い場合に、閲覧する動画を頻繁に切り替える行動をとっていると判定する。判定部３１０は、閲覧する動画を頻繁に切り替える行動をとっている確度と、閲覧する動画を頻繁に切り替える行動をとっていない確度との合計が１００％になるように、これらの確度を導出してよい。

判定部３１０は、判定結果を判定結果出力部３３０に送信する。判定部３１０は、例えば、ユーザ５０が閲覧する動画を頻繁に切り替える行動をとっているか否かを示す判定結果を判定結果出力部３３０に送信する。また、判定部３１０は、閲覧する動画を頻繁に切り替える行動をとっている確度と、閲覧する動画を頻繁に切り替える行動をとっていない確度との比率を判定結果出力部３３０に送信してもよい。

判定結果出力部３３０は、判定部３１０から受信した判定結果を出力する。判定結果出力部３３０は、例えば、判定部３１０から受信した判定結果をトラフィック制御部４３０に送信する。

トラフィック制御部４３０は、判定部３１０から受信した判定結果に基づいて、ユーザ端末３０に対する通信トラフィックを制御する。トラフィック制御部４３０は、例えば、閲覧する動画を頻繁に切り替える行動をとっていると判定されたユーザ５０のユーザ端末３０に対する通信トラフィックを制限する。トラフィック制御部４３０は、具体例として、当該ユーザ端末３０に割り当てる通信帯域を制限してよい。例えば、トラフィック制御部４３０は、当該ユーザ端末３０に対して割り当てる通信帯域を、１Ｍｂｐｓ等の予め定められた通信帯域に制限する。

トラフィック制御部４３０は、閲覧する動画を頻繁に切り替える行動をとっている確度と、閲覧する動画を頻繁に切り替える行動をとっていない確度との比率を受信した場合、当該比率に基づいて通信トラフィックを制御してもよい。例えば、トラフィック制御部４３０は、閲覧する動画を頻繁に切り替える行動をとっている確度が高いほど、当該ユーザ５０のユーザ端末３０に対する通信トラフィックをより強く制限する。通信トラフィックをより強く制限するとは、例えば、通信帯域をより狭くすることであってよい。

また、トラフィック制御部４３０は、閲覧する動画を頻繁に切り替える行動をとっている確度が予め定められた閾値より高いユーザ５０のユーザ端末３０に対する通信トラフィックのみを制限してもよい。例えば、閲覧する動画を頻繁に切り替える行動をとっている確度の比率が５０〜７０％のユーザ５０のユーザ端末３０については通信トラフィックを制限せず、７０％以上のユーザ端末３０のユーザ端末３０に対する通信トラフィックのみを制限する。

判定結果出力部３３０は、判定部３１０から受信した判定結果を表示出力してもよい。この場合、例えば、判定結果出力部３３０によって表示出力された判定結果をオペレータが閲覧し、当該オペレータの指示に従って、ユーザ端末３０に対する通信トラフィックが制限される。

行動判定装置３００は、判定装置の一例であってよい。学習制御装置２００と行動判定装置３００とは、一の実行主体によって実現されてもよく、その場合、当該一の実行主体は、判定装置の一例であってよい。また、トラフィック制御部４３０は、ゲートウェイ装置４００内ではなく、行動判定装置３００内に位置してもよい。また、学習制御装置２００、行動判定装置３００、及びゲートウェイ装置４００が一の実行主体によって実現されてもよく、その場合、当該一の実行主体は、判定装置の一例であってよい。

図３は、行動判定装置３００及びゲートウェイ装置４００による処理の流れの一例を概略的に示す。ここでは、ゲートウェイ装置４００が複数の基地局１２のそれぞれの通信トラフィックをモニタリングしている状況において、一の基地局１２の通信トラフィックを取得してから、当該一の基地局１２の通信トラフィックに関する処理を終了するまでの処理の流れを概略的に示す。

ステップ（ステップをＳと省略して記載する場合がある。）３０２では、ゲートウェイ装置４００が、基地局１２の通信トラフィックを取得する。Ｓ３０４では、ゲートウェイ装置４００が、Ｓ３０２において取得した通信トラフィックが規制レベルより大きいか否かを判定する。規制レベルは予め登録されていてよい。また、規制レベルは変更可能であってよい。規制レベルより大きいと判定した場合、Ｓ３０６に進み、大きくないと判定した場合、処理を終了する。

Ｓ３０６では、判定部３１０が、基地局１２を介して通信を実行しているユーザ端末３０のユーザ５０に、動画を頻繁に切り替える行動をとっているユーザ５０がいるか否かを判定する。判定部３１０による判定結果は、判定結果出力部３３０によってトラフィック制御部４３０に送信されてよい。判定結果が、動画を頻繁に切り替える行動をとっているユーザ５０がいることを示す場合、Ｓ３０８に進み、示さない場合、処理を終了する。

Ｓ３０８では、トラフィック制御部４３０が、Ｓ３０６において動画を頻繁に切り替える行動をとっていると判定されたユーザ５０のユーザ端末３０に対する通信トラフィックを制限する。そして処理を終了する。

行動判定装置３００及びゲートウェイ装置４００が、複数の基地局１２について上記処理を実行することにより、通信トラフィックが規制レベルを超えた基地局１２について、当該基地局１２を介して通信を実行しているユーザ端末３０のユーザ５０の体感品質を低下させることなく、基地局１２の負荷を低減することができる。なお、図３では、基地局１２の通信トラフィックが規制レベルより大きいか否かをゲートウェイ装置４００が判定する場合を例に挙げて説明したが、これに限らず、ゲートウェイ装置４００以外の装置が判定を行ってもよい。

図３に示す処理を実行することによってユーザ端末３０の通信トラフィックを制限してから、予め定められた時間が経過した後に、判定部３１０は、通信トラフィックが制限されたユーザ端末３０に向けて送信された複数のパケットに基づいて、当該ユーザ端末３０のユーザ５０が動画を頻繁に切り替える行動をとっているか否かを判定してもよい。予め定められた時間は、任意に設定可能であってよい。

判定結果出力部３３０は、判定部３１０による判定結果をトラフィック制御部４３０に送信してよい。トラフィック制御部４３０は、判定結果が、当該ユーザ端末３０のユーザ５０が動画を頻繁に切り替える行動をとっていないことを示す場合、当該ユーザ端末３０に対する通信トラフィックの制限を解除してよい。これにより、動画を頻繁に切り替えながら希望の動画を探していたユーザ５０が、希望の動画を発見して当該動画の閲覧を始めた場合に、通信トラフィックの制限が継続してしまうことを防止できる。

図４は、学習制御装置２００による処理の流れの一例を概略的に示す。図４は、学習制御装置２００がいわゆる教師有学習を実行する場合の処理の一例を示す。ここでは、動画を頻繁に切り替える行動を特定のユーザ５０に行わせて、当該特定のユーザ５０のユーザ端末３０に向けて送信された暗号化パケットをパケットログ送信部４２０がパケットログ受信部２１０に送信することによって、教師有学習を実現する場合について説明する。

Ｓ４０２では、パケットログ受信部２１０が、複数の暗号化パケットを受信する。パケットログ受信部２１０は、受信した複数の暗号化パケットを学習データ生成部２２０に送信する。

Ｓ４０４では、学習データ生成部２２０が、複数の暗号化パケットからヘッダ情報を抽出する。学習データ生成部２２０はさらに、複数の暗号化パケットからパケット間隔を抽出してもよい。

Ｓ４０６では、学習データ生成部２２０が、学習データを生成すべく、ヘッダ情報を変換する。学習データ生成部２２０は、例えば、ヘッダ情報を０／１表記のデータに変換する。学習データ生成部２２０はさらに、パケット間隔を０／１表記のデータに変換してもよい。

Ｓ４０８では、学習データ生成部２２０が、学習に用いる学習データと、学習モデルをテストするためのテストデータとを生成する。学習データ生成部２２０は、Ｓ４０６において変換したデータを結合することによって学習データを生成してよい。また、学習データ生成部２２０は、学習データを複製することによってテストデータを生成してよい。学習データ生成部２２０は、生成した学習データ及びテストデータを学習モデル生成部２３０に入力する。

Ｓ４１０では、学習モデル生成部２３０が、学習データ生成部２２０によって入力された学習データを用いて学習を実行し、学習モデルを生成する。Ｓ４１２では、学習モデル生成部２３０が、学習済の学習モデルを用いて、テストデータをテストする。

Ｓ４１４では、学習モデル生成部２３０が、Ｓ４１２において実行したテストの正解率が予め定められた閾値より高いか否かを判定する。高くないと判定した場合、Ｓ４１６に進み、高いと判定した場合、Ｓ４１８に進む。

Ｓ４１６では、学習モデル生成部２３０が、正解率を向上すべく学習モデル内のパラメータを変更する。そして、Ｓ４１０に戻って、学習モデル生成部２３０が、学習用データを用いて学習を実行する。

Ｓ４１８では、学習モデル生成部２３０が、学習モデルを確定する。Ｓ４２０では、学習モデル生成部２３０が、学習が完了したか否かを判定する。学習モデル生成部２３０は、例えば、学習制御装置２００のオペレータによる学習完了指示を受領していた場合、学習が完了したと判定する。完了していないと判定した場合、Ｓ４０２に戻り、完了したと判定した場合、処理を終了する。

図５は、学習制御装置２００及び行動判定装置３００による処理の流れの一例を概略的に示す。図５は、学習制御装置２００がいわゆる半教師有学習を実行する場合の処理の一例を示す。ここでは、学習制御装置２００が、図４に示す処理によって少数の学習データから学習モデルを生成し、当該学習モデルを行動判定装置３００が格納した状態を開始状態として説明する。

Ｓ５０２では、パケットログ受信部３２０が、パケットログ送信部４２０から複数の暗号化パケットを受信する。パケットログ送信部４２０は、例えば、トラフィック送受信部４１０が中継する暗号化パケットのうち、送信元が動画配信サイト４０である暗号化パケットをパケットログ受信部３２０に送信する。パケットログ受信部３２０は、受信した複数の暗号化パケットを判定部３１０に送信する。

Ｓ５０４では、判定部３１０が、複数の暗号化パケットからヘッダ情報を抽出する。判定部３１０はさらに、複数の暗号化パケットからパケット間隔を抽出してもよい。

Ｓ５０６では、判定部３１０が、ヘッダ情報を変換する。判定部３１０は、例えば、ヘッダ情報を０／１表記のデータに変換する。判定部３１０はさらに、パケット間隔を０／１表記のデータに変換してよい。判定部３１０は、複数の暗号化パケットの送信先毎に、連続する暗号化パケットの当該データを結合することによって、判定用の判定データを生成する。

Ｓ５０８では、判定部３１０が、判定データ及び学習モデルを用いて、ユーザ端末３０のユーザ５０が、動画を頻繁に切り替える行動をとっているか否かを判定する。判定部３１０は、閲覧する動画を頻繁に切り替える行動をとっている確度と、閲覧する動画を頻繁に切り替える行動をとっていない確度との比率を導出してよい。

Ｓ５１０では、判定部３１０が、動画を頻繁に切り替える行動をとっている確度が、予め定められた閾値より高いか否かを判定する。高いと判定した場合、Ｓ５１２に進み、高いと判定しなかった場合、Ｓ５１４に進む。

Ｓ５１２では、判定部３１０が、判定データを、学習用のサンプルとして保存する。判定部３１０は、保存したデータを学習モデル生成部２３０に送信してよい。Ｓ５１４では、判定結果出力部３３０が、判定結果をトラフィック制御部４３０に送信する。

Ｓ５１６では、学習モデル生成部２３０が、学習用サンプルを用いて学習するか否かを判定する。学習モデル生成部２３０は、例えば、学習用サンプルの数が予め定められた数より多い場合、学習すると判定する。学習モデル生成部２３０が学習すると判定した場合、Ｓ５１８に進み、学習しないと判定した場合、Ｓ５２０に進む。Ｓ５１８では、学習モデル生成部２３０が、学習用サンプルを用いて学習を実行する。

Ｓ５２０では、学習モデル生成部２３０が、学習が完了したか否かを判定する。学習モデル生成部２３０は、例えば、学習制御装置２００のオペレータによる学習完了指示を受領していた場合、学習が完了したと判定する。完了していないと判定した場合、Ｓ５０２に戻り、完了したと判定した場合、処理を終了する。

図６は、パケット間隔テーブル２４１の一例を概略的に示す。パケット間隔テーブル２４１は、パケット間隔の複数の範囲毎に割り当てられた０／１表記のデータを含む。パケット間隔の複数の範囲には、それぞれ異なる０／１表記のデータが割り当てられる。図６では、０から最大値の間を５つの範囲に分割した場合のパケット間隔テーブル２４１を例示している。最大値は任意に設定されてよい。各範囲も、任意に設定されてよい。また、範囲の数は５つに限らず、他の数であってもよい。学習データ生成部２２０及び判定部３１０は、パケット間隔テーブル２４１を参照して、パケット間隔を０／１表記のデータに変換してよい。

動画を継続して閲覧する場合、動画のダウンロードが継続して行われることになり、ビットレートが高い傾向がある。よって、パケット間隔は狭い傾向がある。閲覧する動画を頻繁に切り替える場合、ユーザ端末３０と動画配信サイト４０との間に頻繁にセッションが確立されることになる。セッションを確立するときは、動画をダウンロードするときに比べてビットレートが低くなる。よって、パケット間隔は広い傾向がある。

したがって、判定データに含まれる複数のパケット間隔の平均値がより大きいほど、動画を頻繁に切り替える行動をとっている可能性が高いと推定できる。このため、学習のパラメータとしてパケット間隔を用いることによって、動画を頻繁に切り替える行動をとっているか否かをより正確に判定できる学習モデルを生成することができる。

図７は、ソースアドレステーブル２４２の一例を概略的に示す。ソースアドレステーブル２４２は、複数のソースアドレス毎に割り当てられた０／１表記のデータを含む。複数のソースアドレスには、それぞれ異なる０／１表記のデータが割り当てられる。ソースアドレステーブル２４２には、ユーザ端末３０が動画を受信する場合にあり得るソースアドレスが登録されてよい。学習データ生成部２２０及び判定部３１０は、ソースアドレステーブル２４２を参照して、ソースアドレスを０／１表記のデータに変換してよい。

動画を継続して閲覧する場合、ソースアドレスは変化しない。閲覧する動画を頻繁に切り替える場合、ソースアドレスが頻繁に切り替わる。すなわち、閲覧する動画を頻繁に切り替える場合、動画を継続して閲覧する場合に比べて、ソースアドレスの切り替わりが判定データに含まれる可能性が高い。

したがって、判定データにソースアドレスの切り替わりが含まれる方が、含まれない場合に比べて動画を頻繁に切り替える行動をとっている可能性が高いと推定できる。このため、学習のパラメータとしてソースアドレスを用いることによって、動画を頻繁に切り替える行動をとっているか否かをより正確に判定できる学習モデルを生成することができる。

図８は、プロトコル種別テーブル２４３の一例を概略的に示す。プロトコル種別テーブル２４３は、複数のプロトコル種別毎に割り当てられた０／１表記のデータを含む。複数のプロトコル種別には、それぞれ異なる０／１表記のデータが割り当てられる。学習データ生成部２２０及び判定部３１０は、プロトコル種別テーブル２４３を参照して、プロトコル種別を０／１表記のデータに変換してよい。

ユーザ端末３０が動画配信サイト４０から動画の取得を開始するときや動画を切り替えるときには、暗号化のセッションが確立されるので、ＳＳＬ及びＴＬＳ等の暗号化プロトコルのパケットが送受信される。一方、ユーザ端末３０が動画配信サイト４０から動画をダウンロードしている間は、ＴＣＰのパケットが送受信される。

したがって、判定データに暗号化プロトコルが含まれる方が、含まれない場合に比べて、動画を頻繁に切り替える行動をとっている可能性が高いと推定できる。このため、学習のパラメータとしてプロトコル種別を用いることによって、動画を頻繁に切り替える行動をとっているか否かをより正確に判定できる学習モデルを生成することができる。

図９は、フラグ種別テーブル２４４の一例を概略的に示す。フラグ種別テーブル２４４は、複数のフラグ種別毎に割り当てられた０／１表記のデータを含む。複数のフラグ種別には、それぞれ異なる０／１表記のデータが割り当てられる。学習データ生成部２２０及び判定部３１０は、フラグ種別テーブル２４４を参照して、フラグ種別を０／１表記のデータに変換してよい。

フラグ種別には、例えば、ＥＮＤフラグが含まれる。ＥＮＤフラグは、ユーザ端末３０が動画配信サイト４０から動画をダウンロードする場合に、その動画の全てのデータがダウンロードされたときに、動画配信サイト４０からユーザ端末３０に送信される。すなわち、ＥＮＤフラグが含まれる場合、動画を最後まで閲覧していることになる。

したがって、判定データにＥＮＤフラグのパケットが含まれる方が、含まれない場合に比べて、動画を頻繁に切り替える行動をとっていない可能性が高いと推定できる。このため、学習のパラメータとしてフラグ種別を用いることによって、動画を頻繁に切り替える行動をとっているか否かをより正確に判定できる学習モデルを生成することができる。

図１０は、ウィンドウサイズテーブル２４５の一例を概略的に示す。ウィンドウサイズテーブル２４５は、ＴＣＰのウィンドウサイズの複数の範囲毎に割り当てられた０／１表記のデータを含む。ウィンドウサイズの複数の範囲には、それぞれ異なる０／１表記のデータが割り当てられる。図１０では、０から最大値の間を５つの範囲に分割した場合のウィンドウサイズテーブル２４５を例示している。最大値は任意に設定されてよい。各範囲も、任意に設定されてよい。また、範囲の数は５つに限らず、他の数であってもよい。学習データ生成部２２０及び判定部３１０は、ウィンドウサイズテーブル２４５を参照して、ウィンドウサイズを０／１表記のデータに変換してよい。

動画を継続して閲覧していると、ウィンドウサイズは徐々に増加していく。例えば、動画を継続して閲覧していると、ウィンドウサイズの比率が例えば、２、４、８、・・・と増加していく。閲覧する動画を切り替えると、ウィンドウサイズはリセットされるので、閲覧する動画を頻繁に切り替えると、ウィンドウサイズは小さいままとなる。

したがって、判定データに大きなウィンドウサイズが含まれる場合、含まれない場合に比べて、動画を継続して閲覧している可能性が高いと推定できる。また、判定データに含まれるウィンドウサイズの平均値がより大きい方が、動画を継続して閲覧している可能性が高いと推定できる。このため、学習のパラメータとしてウィンドウサイズを用いることによって、動画を頻繁に切り替える行動をとっているか否かをより正確に判定できる学習モデルを生成することができる。

図１１は、行動判定装置３００及びゲートウェイ装置４００による処理の流れの一例を概略的に示す。ここでは、閲覧する動画を頻繁に切り替える行動をとっているユーザ５０のユーザ端末３０に対するトラフィック流量を規制する場合の処理の流れについて説明する。判定部３１０は、学習モデル生成部２３０によって生成された閲覧する動画を頻繁に切り替える行動をとっているか否かを判定するための学習モデルを予め格納する。

Ｓ１１０２では、トラフィック送受信部４１０が暗号化パケットを受信する。Ｓ１１０４では、受信した暗号化パケットが動画パケットであるか否かをトラフィック送受信部４１０が判定する。トラフィック送受信部４１０は、例えば、ソースアドレスが動画配信サイト４０を示す場合に、動画パケットであると判定する。

動画パケットであると判定した場合、トラフィック送受信部４１０は、暗号化パケットをパケットログ送信部４２０に送信する。パケットログ送信部４２０は、暗号化パケットをパケットログ受信部３２０に送信する。パケットログ受信部３２０は、受信した暗号化パケットを判定部３１０に送信する。判定部３１０は、ユーザ端末３０毎に、受信した暗号化パケットの数が予め定められた数に達した場合、判定データを生成する。

判定データを生成した場合（Ｓ１１０６でＹＥＳ）、Ｓ１１０８に進み、判定データを生成していない場合（Ｓ１１０６でＮＯ）、Ｓ１１１２に進む。Ｓ１１０８では、判定部３１０が、判定データ及び学習モデルを用いて、Ｓ１１０６において生成された判定データに対応するユーザ５０が、閲覧する動画を頻繁に切り替える行動をとっているか否かを判定する。判定部３１０は、判定結果をトラフィック制御部４３０に送信してよい。閲覧する動画を頻繁に切り替える行動をとっていると判定した場合、Ｓ１１１０に進み、とっていないと判定した場合、Ｓ１１１２に進む。

Ｓ１１１０では、トラフィック制御部４３０が、Ｓ１１０６において生成された判定データに対応するユーザ５０のユーザ端末３０を、トラフィック流量を規制する対象として登録する。トラフィック制御部４３０は、トラフィック流量を規制する対象として登録されているユーザ端末３０に対して、トラフィック流量の規制を行う。

Ｓ１１１２では、判定処理を終了するか否かを判断する。例えば、行動判定装置３００のオペレータから判定処理の終了指示を受領していた場合、判定処理を終了すると判断する。判定処理を終了しないと判断した場合、Ｓ１１０２に戻り、判定処理を終了すると判断した場合、判定処理を終了する。

図１２は、行動判定装置３００及びゲートウェイ装置４００による処理の流れの一例を概略的に示す。ここでは、データ量の多い動画を閲覧する行動をとっているユーザ５０のユーザ端末３０に対するトラフィック流量を規制する場合の処理の流れについて説明する。判定部３１０は、学習モデル生成部２３０によって生成された、データ量の多い動画を閲覧する行動をとっているか否かを判定するための学習モデルを予め格納する。

Ｓ１２０２では、トラフィック送受信部４１０が暗号化パケットを受信する。Ｓ１２０４では、受信した暗号化パケットが動画パケットであるか否かをトラフィック送受信部４１０が判定する。

動画パケットであると判定した場合、トラフィック送受信部４１０は、暗号化パケットをパケットログ送信部４２０に送信する。パケットログ送信部４２０は、暗号化パケットをパケットログ受信部３２０に送信する。パケットログ受信部３２０は、受信した暗号化パケットを判定部３１０に送信する。判定部３１０は、ユーザ端末３０毎に、受信した暗号化パケットの数が予め定められた数に達した場合、判定データを生成する。

判定データを生成した場合（Ｓ１２０６でＹＥＳ）、Ｓ１２０８に進み、判定データを生成していない場合（Ｓ１２０６でＮＯ）、Ｓ１２１２に進む。Ｓ１２０８では、判定部３１０が、判定データ及び学習モデルを用いて、Ｓ１２０６において生成された判定データに対応するユーザ５０が、データ量の多い動画を閲覧する行動をとっているか否かを判定する。判定部３１０は、判定結果をトラフィック制御部４３０に送信してよい。データ量の多い動画を閲覧する行動をとっていると判定した場合、Ｓ１２１０に進み、とっていないと判定した場合、Ｓ１２１２に進む。

Ｓ１２１０では、トラフィック制御部４３０が、Ｓ１２０６において生成された判定データに対応するユーザ５０のユーザ端末３０を、トラフィック流量を規制する対象として登録する。トラフィック制御部４３０は、トラフィック流量を規制する対象として登録されているユーザ端末３０に対して、トラフィック流量の規制を行う。

Ｓ１２１２では、判定処理を終了するか否かを判断する。例えば、行動判定装置３００のオペレータから判定処理の終了指示を受領していた場合、判定処理を終了すると判断する判定処理を終了しないと判断した場合、Ｓ１２０２に戻り、判定処理を終了すると判断した場合、判定処理を終了する。

図１３は、行動判定装置３００及びゲートウェイ装置４００による処理の流れの一例を概略的に示す。ここでは、規制対象の動画を閲覧する行動をとっているユーザ５０のユーザ端末３０に対するパケットを破棄する場合の処理の流れについて説明する。判定部３１０は、学習モデル生成部２３０によって生成された、規制対象の動画を閲覧する行動をとっているか否かを判定するための学習モデルを予め格納する。

Ｓ１３０２では、トラフィック送受信部４１０が暗号化パケットを受信する。Ｓ１３０４では、受信した暗号化パケットが動画パケットであるか否かをトラフィック送受信部４１０が判定する。

動画パケットであると判定した場合、トラフィック送受信部４１０は、暗号化パケットをパケットログ送信部４２０に送信する。パケットログ送信部４２０は、暗号化パケットをパケットログ受信部３２０に送信する。パケットログ受信部３２０は、受信した暗号化パケットを判定部３１０に送信する。判定部３１０は、ユーザ端末３０毎に、受信した暗号化パケットの数が予め定められた数に達した場合、判定データを生成する。

判定データを生成した場合（Ｓ１３０６でＹＥＳ）、Ｓ１３０８に進み、判定データを生成していない場合（Ｓ１３０６でＮＯ）、Ｓ１３１２に進む。Ｓ１３０８では、判定部３１０が、判定データ及び学習モデルを用いて、Ｓ１３０６において生成された判定データに対応するユーザ５０が、規制対象の動画を閲覧する行動をとっているか否かを判定する。判定部３１０は、判定結果をトラフィック制御部４３０に送信してよい。規制対象の動画を閲覧する行動をとっていると判定した場合、Ｓ１３１０に進み、とっていないと判定した場合、Ｓ１３１２に進む。

Ｓ１３１０では、トラフィック制御部４３０が、Ｓ１３０６において生成された判定データに対応するユーザ５０のユーザ端末３０を、パケットを破棄する対象として登録する。トラフィック制御部４３０は、トラフィック送受信部４１０に、パケットを破棄する対象として登録されているユーザ端末３０に対するパケットを破棄させる。

Ｓ１３１２では、判定処理を終了するか否かを判断する。例えば、行動判定装置３００のオペレータから判定処理の終了指示を受領していた場合、判定処理を終了すると判断する判定処理を終了しないと判断した場合、Ｓ１３０２に戻り、判定処理を終了すると判断した場合、判定処理を終了する。

図１４は、行動判定装置３００として機能するコンピュータ１０００の一例を概略的に示す。本実施形態に係るコンピュータ１０００は、ホストコントローラ１０９２により相互に接続されるＣＰＵ１０１０、ＲＡＭ１０３０、及びグラフィックコントローラ１０８５を有するＣＰＵ周辺部と、入出力コントローラ１０９４によりホストコントローラ１０９２に接続されるＲＯＭ１０２０、通信Ｉ／Ｆ１０４０、ハードディスクドライブ１０５０、ＤＶＤドライブ１０７０及び入出力チップ１０８０を有する入出力部を備える。

ＣＰＵ１０１０は、ＲＯＭ１０２０及びＲＡＭ１０３０に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィックコントローラ１０８５は、ＣＰＵ１０１０などがＲＡＭ１０３０内に設けたフレーム・バッファ上に生成する画像データを取得し、ディスプレイ１０９０上に表示させる。これに代えて、グラフィックコントローラ１０８５は、ＣＰＵ１０１０などが生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。

通信Ｉ／Ｆ１０４０は、有線又は無線によりネットワークを介して他の装置と通信する。また、通信Ｉ／Ｆ１０４０は、通信を行うハードウエアとして機能する。ハードディスクドライブ１０５０は、ＣＰＵ１０１０が使用するプログラム及びデータを格納する。ＤＶＤドライブ１０７０は、ＤＶＤ−ＲＯＭ１０７２からプログラム又はデータを読み取り、ＲＡＭ１０３０を介してハードディスクドライブ１０５０に提供する。

ＲＯＭ１０２０は、コンピュータ１０００が起動時に実行するブート・プログラム及びコンピュータ１０００のハードウエアに依存するプログラムなどを格納する。入出力チップ１０８０は、例えばパラレル・ポート、シリアル・ポート、キーボード・ポート、マウス・ポートなどを介して各種の入出力装置を入出力コントローラ１０９４へと接続する。

ＲＡＭ１０３０を介してハードディスクドライブ１０５０に提供されるプログラムは、ＤＶＤ−ＲＯＭ１０７２、又はＩＣカードなどの記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、ＲＡＭ１０３０を介してハードディスクドライブ１０５０にインストールされ、ＣＰＵ１０１０において実行される。

コンピュータ１０００にインストールされ、コンピュータ１０００を行動判定装置３００として機能させるプログラムは、ＣＰＵ１０１０などに働きかけて、コンピュータ１０００を、行動判定装置３００の各部としてそれぞれ機能させてよい。これらのプログラムに記述された情報処理は、コンピュータ１０００に読込まれることにより、ソフトウエアと上述した各種のハードウエア資源とが協働した具体的手段である判定部３１０、パケットログ受信部３２０、及び判定結果出力部３３０として機能する。行動判定装置３００が、学習制御装置２００としても機能する場合、これらのプログラムに記述された情報処理は、コンピュータ１０００に読込まれることにより、ソフトウエアと上述した各種のハードウエア資源とが協働した具体的手段であるパケットログ受信部２１０及びパケットログ受信部３２０、学習データ生成部２２０、学習モデル生成部２３０、判定部３１０、並びに判定結果出力部３３０として機能する。行動判定装置３００が、さらにトラフィック制御部４３０としても機能する場合、これらのプログラムに記述された情報処理は、コンピュータ１０００に読込まれることにより、ソフトウエアと上述した各種のハードウエア資源とが協働した具体的手段であるパケットログ受信部２１０及びパケットログ受信部３２０、学習データ生成部２２０、学習モデル生成部２３０、判定部３１０、判定結果出力部３３０、並びにトラフィック制御部４３０として機能する。そして、これらの具体的手段によって、本実施形態におけるコンピュータ１０００の使用目的に応じた情報の演算又は加工を実現することにより、使用目的に応じた特有の行動判定装置３００が構築される。

上記実施形態では、暗号化パケットを復号化せずに取得できる情報に基づいて学習及び判定を実行する例を主に挙げて説明したが、これに限らない。本実施形態に係る学習制御装置２００、行動判定装置３００及びゲートウェイ装置４００は、暗号化されていないパケットに基づいて学習及び判定を実行してもよい。この場合、学習制御装置２００、行動判定装置３００及びゲートウェイ装置４００は、複数のパケットのヘッダ情報、ペイロード、及びパケット間隔等を用いて、学習及び判定を実行する。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階などの各処理の実行順序は、特段「より前に」、「先立って」などと明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」などを用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１０ モバイルネットワーク、１２ 基地局、２０ インターネット、３０ ユーザ端末、４０ 動画配信サイト、５０ ユーザ、１００ 制御システム、２００ 学習制御装置、２１０ パケットログ受信部、２２０ 学習データ生成部、２３０ 学習モデル生成部、２４１ パケット間隔テーブル、２４２ ソースアドレステーブル、２４３ プロトコル種別テーブル、２４４ フラグ種別テーブル、２４５ ウィンドウサイズテーブル、３００ 行動判定装置、３１０ 判定部、３２０ パケットログ受信部、３３０ 判定結果出力部、４００ ゲートウェイ装置、４１０ トラフィック送受信部、４２０ パケットログ送信部、４３０ トラフィック制御部、１０００ コンピュータ、１０１０ ＣＰＵ、１０２０ ＲＯＭ、１０３０ ＲＡＭ、１０４０ 通信Ｉ／Ｆ、１０５０ ハードディスクドライブ、１０７０ ＤＶＤドライブ、１０７２ ＤＶＤ−ＲＯＭ、１０８０ 入出力チップ、１０８５ グラフィックコントローラ、１０９０ ディスプレイ、１０９２ ホストコントローラ、１０９４ 入出力コントローラ

Claims (18)

1. 動画配信サイトからユーザ端末に向けて送信された複数のパケットに基づいて、前記ユーザ端末のユーザが動画の閲覧を開始してから予め定められた期間を経過する前に次の動画の閲覧を開始する行動をとっているか否かを判定する判定部と、
   前記判定部による判定結果を出力する判定結果出力部と
   を備え、
   前記判定結果出力部は、前記ユーザ端末に対する通信トラフィックを制御するトラフィック制御部に前記判定結果を送信する、判定装置。
2. 前記トラフィック制御部は、前記判定部によって前記行動をとっていると判定されたユーザの前記ユーザ端末に対する通信トラフィックを制限し、
   前記判定部は、前記トラフィック制御部によって通信トラフィックが制限されてから予め定められた時間が経過した後に、通信トラフィックが制限された前記ユーザ端末に向けて送信された複数のパケットに基づいて、前記ユーザが前記行動をとっているか否かを判定し、
   前記トラフィック制御部は、前記判定部によって前記ユーザ端末のユーザが前記行動をとっていないと判定された場合、前記ユーザ端末に対する通信トラフィックの制限を解除する、請求項１に記載の判定装置。
3. 前記動画配信サイトから前記ユーザ端末に向けて送信された複数の暗号化パケットを取得するパケット取得部と、
   前記複数の暗号化パケットを復号化せずに前記複数の暗号化パケットから取得できる情報を取得する情報取得部と
   をさらに備え、
   前記判定部は、前記情報取得部によって取得された情報に基づいて、前記ユーザが前記行動をとっているか否かを判定する、請求項１又は２に記載の判定装置。
4. 前記情報取得部は、前記複数の暗号化パケットのヘッダ情報を取得し、
   前記判定部は、前記ヘッダ情報に基づいて、前記ユーザが前記行動をとっているか否かを判定する、請求項３に記載の判定装置。
5. 前記情報取得部は、前記複数の暗号化パケットのヘッダから、ソースアドレス、プロトコル種別、フラグ種別、及びＴＣＰのウィンドウサイズの少なくともいずれかを取得し、
   前記判定部は、前記ソースアドレス、前記プロトコル種別、前記フラグ種別、及び前記ウィンドウサイズの少なくともいずれかに基づいて、前記ユーザが前記行動をとっているか否かを判定する、請求項４に記載の判定装置。
6. 動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを取得するパケット取得部と、
   前記複数の暗号化パケットのパケット間隔を取得する情報取得部と、
   前記パケット間隔に基づいて、前記ユーザ端末のユーザが動画の閲覧を開始してから予め定められた期間を経過する前に次の動画の閲覧を開始する行動をとっているか否かを判定する判定部と、
   前記判定部による判定結果を出力する判定結果出力部と
   を備える、判定装置。
7. 動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを取得するパケット取得部と、
   前記複数の暗号化パケットを復号化せずに前記複数の暗号化パケットから取得できる情報を取得する情報取得部と、
   前記情報取得部によって取得された情報を用いて、前記ユーザ端末のユーザが動画の閲覧を開始してから予め定められた期間を経過する前に次の動画の閲覧を開始する行動をとっているか否かを判定するための学習モデルを生成する学習モデル生成部と、
   前記学習モデルを用いて、前記ユーザ端末のユーザが前記行動をとっているか否かを判定する判定部と、
   前記判定部による判定結果を出力する判定結果出力部と
   を備える、判定装置。
8. 動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを復号化せずに前記複数の暗号化パケットから取得できる情報に基づいて生成された、動画の閲覧を開始してから予め定められた時間を経過する前に次の動画の閲覧を開始する行動をとっているユーザのユーザ端末を特定するための学習モデルを用いて、パケットの配信を規制する対象となるユーザ端末を判定する判定部と、
   前記判定部による判定結果を出力する判定結果出力部と
   を備える判定装置。
9. 動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを復号化せずに前記複数の暗号化パケットから取得できる情報に基づいて生成された、予め定められた容量よりも多い容量の動画を閲覧するユーザのユーザ端末を特定するための学習モデルを用いて、パケットの配信を規制する対象となるユーザ端末を判定する判定部と、
   前記判定部による判定結果を出力する判定結果出力部と
   を備える判定装置。
10. 動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを復号化せずに前記複数の暗号化パケットから取得できる情報に基づいて生成された、予め定められた種類の動画を閲覧するユーザのユーザ端末を特定するための学習モデルを用いて、パケットの配信を規制する対象となるユーザ端末を判定する判定部と、
    前記判定部による判定結果を出力する判定結果出力部と
    を備える判定装置。
11. 前記複数の暗号化パケットを復号化せずに前記複数の暗号化パケットから取得できる情報に基づいて前記学習モデルを生成する学習モデル生成部
    をさらに備える、請求項８から１０のいずれか一項に記載の判定装置。
12. コンピュータを、請求項１から１１のいずれか一項に記載の判定装置として機能させるためのプログラム。
13. 動画配信サイトからユーザ端末に向けて送信された複数のパケットに基づいて、前記ユーザ端末のユーザが動画の閲覧を開始してから予め定められた期間を経過する前に次の動画の閲覧を開始する行動をとっているか否かを判定する判定段階と、
    前記判定段階における判定結果を出力する判定結果出力段階と
    を備え、
    前記判定結果出力段階は、前記ユーザ端末に対する通信トラフィックを制御するトラフィック制御部に前記判定結果を送信する、判定方法。
14. 動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを取得するパケット取得段階と、
    前記複数の暗号化パケットのパケット間隔を取得する情報取得段階と、
    前記パケット間隔に基づいて、前記ユーザ端末のユーザが動画の閲覧を開始してから予め定められた期間を経過する前に次の動画の閲覧を開始する行動をとっているか否かを判定する判定段階と、
    前記判定段階における判定結果を出力する判定結果出力段階と
    を備える、判定方法。
15. 動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを取得するパケット取得段階と、
    前記複数の暗号化パケットを復号化せずに前記複数の暗号化パケットから取得できる情報を取得する情報取得段階と、
    前記情報取得段階において取得された情報を用いて、前記ユーザ端末のユーザが動画の閲覧を開始してから予め定められた期間を経過する前に次の動画の閲覧を開始する行動をとっているか否かを判定するための学習モデルを生成する学習モデル生成段階と、
    前記学習モデルを用いて、前記ユーザ端末のユーザが前記行動をとっているか否かを判定する判定段階と、
    前記判定段階における判定結果を出力する判定結果出力段階と
    を備える、判定方法。
16. 動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを復号化せずに前記複数の暗号化パケットから取得できる情報に基づいて生成された、動画の閲覧を開始してから予め定められた時間を経過する前に次の動画の閲覧を開始する行動をとっているユーザのユーザ端末を特定するための学習モデルを用いて、パケットの配信を規制する対象となるユーザ端末を判定する判定段階と、
    前記判定段階における判定結果を出力する判定結果出力段階と
    を備える判定方法。
17. 動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを復号化せずに前記複数の暗号化パケットから取得できる情報に基づいて生成された、予め定められた容量よりも多い容量の動画を閲覧するユーザのユーザ端末を特定するための学習モデルを用いて、パケットの配信を規制する対象となるユーザ端末を判定する判定段階と、
    前記判定段階における判定結果を出力する判定結果出力段階と
    を備える判定方法。
18. 動画配信サイトからユーザ端末に向けて送信された複数の暗号化パケットを復号化せずに前記複数の暗号化パケットから取得できる情報に基づいて生成された、予め定められた種類の動画を閲覧するユーザのユーザ端末を特定するための学習モデルを用いて、パケットの配信を規制する対象となるユーザ端末を判定する判定段階と、
    前記判定段階における判定結果を出力する判定結果出力段階と
    を備える判定方法。

Images