JP6811791B2 - テレコミュニケーションネットワークを監視するための方法および装置 - Google Patents

Description

本発明は、テレコミュニケーションの分野に関する。詳細には、本発明は、テレコミュニケーションネットワークを監視するための方法および装置に関する。

ＤＳＬ回線、電力線通信チャネル、無線チャネル、、、などのテレコミュニケーションチャネルは、様々な障害の影響を受けることがある。ＤＳＬ回線に影響を及ぼす可能性のある障害の例は、ブリッジタップ、インピーダンス不整合、欠落したスプリッタ、誤って結合されたスプリッタ、容量性カップリング、抵抗性カップリング、絶縁不良、、、を含む。障害は、例えば、速度低減、誤ったサービス、接続ロスとして、サービス品質に影響を与える。したがって、ネットワーク運営者にとっては、障害に応じて効率的に対処するために、これらの障害を検出し、それらを認識したいという要望がある。

一般にｄＢで表され、Ｈｌｏｇと呼ばれる、ＤＳＬ回線のチャネル周波数応答を分析することによって、ＤＳＬ回線に影響を与える障害を検出することが提案されている。しかし、信頼性があり効率的な障害検出は依然として課題として残っている。

したがって、本発明の実施形態の目的は、従来技術の固有の欠点を示さないテレコミュニケーションネットワークを監視するための方法および装置を提案することである。

したがって、実施形態は、１つまたは複数のテレコミュニケーションチャネルを備えるテレコミュニケーションネットワークを、監視するための装置であって：
− 畳み込み層の数、それぞれの畳み込み層のためのフィルタの数、および／または、それぞれの畳み込み層のためのフィルタのサイズのうちの少なくとも１つを選択することによって、テレコミュニケーションチャネルの障害タイプを、前記テレコミュニケーションチャネルのチャネル周波数応答に応じて決定するように構成された畳み込みニューラルネットワークを設計し、
− それぞれのテレコミュニケーションチャネルのために、チャネル周波数応答および関連付けられた障害タイプを指定するトレーニングデータに基づいて、前記畳み込みニューラルネットワークをトレーニングする
ように構成された手段を備える、
装置に関する。

装置は少なくとも１つのプロセッサと少なくとも１つのメモリとを備えてよく、メモリはコンピュータプログラムコードを記憶し、少なくとも１つのメモリとコンピュータプログラムコードとは、少なくとも１つのプロセッサを用いて、装置に少なくとも：
− 畳み込み層の数、それぞれの畳み込み層のためのフィルタの数、および／または、それぞれの畳み込み層のためのフィルタのサイズのうちの少なくとも１つを選択することによって、テレコミュニケーションチャネルの障害タイプを、前記テレコミュニケーションチャネルのチャネル周波数応答に応じて決定するように構成された畳み込みニューラルネットワークを設計することと、
− それぞれのテレコミュニケーションチャネルのために、チャネル周波数応答および関連付けられた障害タイプを指定するトレーニングデータに基づいて、前記畳み込みニューラルネットワークをトレーニングすることとを
実行させるように構成される。

ある実施形態では、畳み込みニューラルネットワークを設計することが、前記畳み込み層の数、前記フィルタの数、および／または、前記フィルタのサイズのうちの少なくとも１つを、複数のテレコミュニケーションチャネルのチャネル周波数応答の分析結果に応じて選択することを備える。

ある実施形態では、前記手段が：
− それぞれのチャネル周波数応答の基本周波数を決定し、
− 決定された基本周波数に基づいて、少なくとも１つの基本周波数分布を決定し、
− 前記少なくとも１つの基本周波数分布に応じて前記畳み込み層の数を選択する
ように構成される。

ある実施形態では、前記手段が：
− それぞれのチャネル周波数応答のラグを決定し、
− 決定された基本周波数に基づいて、少なくとも１つのラグ分布を決定し、
− 前記少なくとも１つのラグ分布に応じて前記フィルタサイズを選択する
ように構成される。

ある実施形態では、前記手段が：
− チャネル周波数応答のＹＩＮ関数を決定し、
− 前記ＹＩＮ関数に基づいて、前記基本周波数および／または前記ラグを決定する
ように構成される。

ある実施形態では、テレコミュニケーションチャネルがＤＳＬ回線を備え、前記チャネル周波数応答がＨｌｏｇであり、前記畳み込みニューラルネットワークが、４と１２との間から成るサイズの、８個と１６個との間のフィルタを備える第１の畳み込み層を備える。

ある実施形態では、畳み込みニューラルネットワークが少なくとも第２の畳み込み層を備える。

ある実施形態では、前記手段が、前記トレーニングされた畳み込みニューラルネットワークを用いて、テレコミュニケーションチャネルに関連付けられた障害タイプを、前記テレコミュニケーションチャネルのチャネル周波数応答に応じて決定するように構成される。

ある実施形態では、前記手段が、検出された障害タイプに基づいて、前記テレコミュニケーションチャネルに関連付けられたアクセスノードおよび／またはクライアント装置の構成の変更を制御するように構成される。

実施形態は、１つまたは複数のテレコミュニケーションチャネルを備えるテレコミュニケーションネットワークを、監視するための方法であって：
− 畳み込み層の数、それぞれの畳み込み層のためのフィルタの数、および／または、それぞれの畳み込み層のためのフィルタのサイズのうちの少なくとも１つを選択することによって、テレコミュニケーションチャネルの障害タイプを、前記テレコミュニケーションチャネルのチャネル周波数応答に応じて決定するように構成された畳み込みニューラルネットワークを設計することと、
− それぞれのテレコミュニケーションチャネルのために、チャネル周波数応答および関連付けられた障害タイプを指定するトレーニングデータに基づいて、前記畳み込みニューラルネットワークをトレーニングすることとを
備える方法にも関する。

実施形態は、命令がコンピュータによって実行されると前述の方法を実行するための前記命令を備えるコンピュータプログラムにも関する。コンピュータプログラムは、コンピュータ可読媒体に記憶され得る。コンピュータ可読媒体は、非一時的コンピュータ可読媒体とすることができる。

本発明の上記およびその他の目的および特徴は、添付図面とともに以下の実施形態の説明を参照することによってより明かになり、本発明自体が最もよく理解されるであろう。

テレコミュニケーションネットワークを示すブロック図である。 ブリッジタップによる影響を受けたテレコミュニケーション回線のチャネル周波数応答を示すグラフである。 図１のテレコミュニケーションネットワークを監視するために使用される畳み込みニューラルネットワークを示すブロック図である。 図１のテレコミュニケーションネットワークを監視するための方法のステップを示すフローチャートである。 変分推定量を示すグラフである。 関連分布を示すグラフである。 図１のテレコミュニケーションネットワークを監視するための方法のステップを示すフローチャートである。 監視装置を示す構造図である。

図１は、テレコミュニケーションネットワーク１を示すブロック図である。テレコミュニケーションネットワーク１は、１つまたは複数のアクセスノード２（そのうちの１つのみが図示されている）、複数のクライアント装置３、複数のテレコミュニケーションチャネル４および、監視装置５を備える。アクセスノード２は、それぞれのクライアント装置３がテレコミュニケーションチャネル４を通して接続されている複数のポートを備える。

一実施形態では、テレコミュニケーションチャネル４はＤＳＬ回線である。アクセスノード２とクライアント装置３とは、ＡＤＳＬ、ＶＤＳＬ２、Ｇ．ＦＡＳＴ、、、などのＤＳＬ技術を使用するＤＳＬ回線を通した通信のために構成されている。アクセスノード２は、例えばＤＳＬＡＭであり、クライアント装置３は例えばＣＰＥ、ＤＳＬモデム、、、である。

別の実施形態では、テレコミュニケーションチャネル４は、電力を配電するように構成された電力線である。アクセスノード２とクライアント装置３とは、電力線通信（ＰＬＣ）技術を使用して電力線を通して通信するように構成されている。

一実施形態では、テレコミュニケーションチャネル４は、無線チャネルである。アクセスノード２とクライアント装置３とは、例えばセルラ方式無線規格に基づく無線技術を使用した無線チャネルを通した通信のために構成されている。アクセスノード２は、例えば基地局であり、クライアント装置３は例えば移動ユーザ端末である。

アクセスノード２は、そのポートの（または、言い換えると、接続されたテレコミュニケーションチャネル４の）機能を記述する動作データを提供する。動作データは、動作パラメータを指定し、動作パラメータはそれぞれのテレコミュニケーションチャネル４のチャネル周波数応答を含む。通常、これらの動作パラメータは、規則的な時間間隔で（例えば１日ごとまたは１５分おきに）クライアント装置３ごと（ポートまたはテレコミュニケーションチャネル４ごと）に使用可能である。

監視装置５は、アクセスノード２から動作データを取得するように、また、前記動作データに基づいて、テレコミュニケーションチャネル４に影響を与える傷害を検出するように、構成されている。監視装置５の機能については、図２から図８を参照しながら、後で詳細に説明する。

テレコミュニケーションチャネル４のチャネル周波数応答（ＣＦＲ）は、周波数に応じた通信チャネルの減衰を指定する。ＤＳＬ回線のケースでは、これは一般にｄＢで表され、Ｈｌｏｇと呼ばれる。

Ｈｌｏｇを指定する一般的な形式は、５１２トーンまたはトーングループ上に表されるｄＢでの曲線である。これは、（例えばより多くのトーンについて指定された）より大きなチャネル周波数応答の集約の結果であり得る。例えば、ＶＤＳＬ２ １７Ｍｈｚでは、４０９６トーンの測定されたＨｌｏｇが１：８の比で集約され、５１２トーンのＨｌｏｇ曲線を提供する。ある実施形態は、このような一般的な５１２トーンの形式を使用する。他の実施形態は他の形式を使用する。

チャネル周波数応答は、あらゆる障害の存在、または一般的にあらゆる予期しないトポロジ構成の存在に敏感である。例えば、ＤＳＬ回線に「ダブルパス」または「ブリッジタップ」が存在すると、Ｈｌｏｇはその形状においていくつかのディップを示す。図２は、ブリッジタップによる影響を受けたＤＳＬ回線のチャネル周波数応答（ＣＦＲ）を示すグラフである。この例では、高い方の周波数において信号対雑音比が低い可能性があるということを考慮して、（５１２のうちの）最初の４８０トーンのみが考察されている。

図３は、監視装置５によって使用される畳み込みニューラルネットワーク１０（ＣＮＮ）を示すブロック図である。畳み込みニューラルネットワーク１０は、通信チャネル４のチャネル周波数応答に応じて前記通信チャネル４の障害タイプを決定するように構成されている。

畳み込みニューラルネットワーク１０の入力は、それぞれの周波数のチャネル周波数応答の値を指定するベクトル１２である。

ある実施形態では、サイズＮ２＞Ｎ１のベクトル１１を前処理することによってサイズＮ１のベクトル１２が決定される。前処理は、トーン集約および／または雑音の影響をより受けるより高いトーンの除去を備える。例えば、ベクトル１１は、前述のＨｌｏｇ形式によると、サイズＮ２＝５１２のベクトルであり、ベクトル１２は、最初のＮ１＝４８０トーンを保持することによって決定される。

畳み込みニューラルネットワーク１０は、畳み込み層とその後に続くプーリング層との１つまたは複数の組を備える。示された例では、畳み込みニューラルネットワーク１０は、フィルタ１４を含む第１の畳み込み層１３、特徴ベクトル１６を生成する第１のプーリング層１５、フィルタ１８を含む第２の畳み込み層１７、特徴ベクトル２０を生成する第２のプーリング層１９、および、入力層２２、１つまたは複数の隠れ層２３、出力層２４を含む全結合ニューラルネットワーク２１を連続して備える。

出力として、畳み込みニューラルネットワーク１０は、好ましくは所与の信頼度とともに報告されるチャネル周波数曲線の診断を返す。例えば、畳み込みニューラルネットワーク１０は、ＣＦＲから識別可能な既知の障害のリストから、ならびに健全性カテゴリから、各カテゴリの信頼値を提案する。信頼値は次の通りである。最高信頼値は、診断を提案するために選択され得る。したがって、ある実施形態では、出力ベクトル２５が、それぞれの障害タイプについて確率または信頼度を指定する。より高い値は、検出された障害タイプに対応する。この出力ベクトル２５は、例えば出力層２４としてソフトマックス層を用いて決定され得る。

畳み込みニューラルネットワーク１０の設計、トレーニング、および使用は、以下でより詳しく説明するように監視装置５によって実行される。

畳み込みニューラルネットワーク１０は、ドメイン知識に基づいて設計され、ディメンショニングされる。以下の議論は、先に議論したＣＦＲ（５１２トーンに基づくＨｌｏｇ）の形式に基づく。ＣＦＲの別の形式が畳み込みニューラルネットワーク１０への入力として使用される場合、畳み込みニューラルネットワーク１０の設計およびディメンショニングは、それに対応して適合化されてよい。例えば、長いループの雑音ロバスト性のために最初の４８０トーンのみが使用される場合、わずかな適合が行われる。

ここでの曲線において追跡したい障害のより小さいパターンは、少なくとも８トーン上に広がった形状を少なくとも示す。より小さい畳み込みカーネル（すなわち、フィルタ／カーネルサイズ＜＜８）の使用は、雑音に対するより高い依存性を導入することになるだけでなく、畳み込みフィルタリングによってもたらされる空間的に近傍にある値を軽減（すなわち、近傍の値を１つのより代表的な値に軽減）する能力による恩恵を概して受けない。対照的に、より大きいカーネル（すなわちカーネル／フィルタサイズ＞＞８）を使用すると、８トーン周辺に広がるような小さいパターンを抽出することができない。したがって、第１の畳み込み層１３のために選択されるフィルタサイズは４と１２との間とされてよく、好ましい値は８である。

畳み込みフィルタリングのもう１つの重要な態様は、使用されるフィルタの数である。機械学習のベストプラクティス理論からは、モデルの複雑さが少ないほど、モデルの汎化能力が高くなる。使用されるフィルタの数と、分類する特徴の数、したがって複雑さとの間には直接的な関係があるため、少ないほどよい。しかし、異なる障害の正確な検出を実行することができるだけの十分な特徴をどのようにかして抽出したい。したがってトレードオフを行う必要がある。ここでもやはり、ドメイン専門知識が手引きとなる。実際、異なる障害から、ディップ、ピーク、振動、突然の減少／増加、穏やかな増加／減少などの形状が存在することがわかる。したがって、８個と１６個との間の基本形状があるが、多くはない。１６個を超えるフィルタの提案、コンピュータビジョンでは一般的なので、はここでは有効ではない。対照的に、より少ない（例えば４個）フィルタの提案は、基本形状の一部の間の区別を検出することまたは行うことを可能にせず、異なる障害の検出または分離を不可能にする。したがって、ある実施形態では、第１の畳み込み層１３は、８個と１６個との間（８個および１６個を含む）のフィルタ１４を備える。

パターンのもう１つの重要な態様は、基本形状の反復にある。障害の性質によっては、曲線全体上に基本シグネチャのいくつかの出現がある。ブリッジタップのケースでは、そのようなタップが長いほど、より多くの反復的出現が存在することになる。このケースでも、最初のディップの位置がさらに左に向かって移動することになる。したがって、基本シグネチャのこの反復的挙動を捕捉する必要がある。これを行うために、ニューラルネットワークの観点から、もう１つの「層」を導入する必要がある。この追加の層は、（前述のように前の畳み込み層によって抽出される）基本形状の近傍における基本形状の別の出現を潜在的に伴う基本形状の存在を軽減することになる。やはり、第２の畳み込み層１７についての何らかのフィルタリングの実行、フィルタ１８のサイズおよび数は、ドメイン専門知識が手引きとなる。第１の層に関する同様の考察がこの場合も有効である（例えば、フィルタの数が少ないほどパフォーマンスがよいが、異なる反復的態様をすべて捕捉することができるために必要な数量がある）。

何らかのサイズを提案する前に、読者は第１の畳み込み層１３によって抽出される特徴自体は第２の畳み込み層１７に供給されないことに留意されたい。中間に、プーリング層１５と呼ばれるダウンサンプリングステップがあり、これが実行される。これは、畳み込みが近傍の値を軽減するため、近傍の出力間に情報の冗長性があることによる。したがって、この段階でモデルの複雑さを低減する機会がある。例えば、プーリング層１５が、１：８の比によって最大プーリング（ダウンサンプリング）を実行し、ＣＦＲがサイズ６４の異なる特徴ベクトル１６に変換される。したがって、抽出されたカーネル形状の存在は、６４個のベクトル内のより高い値にある。これらが離れている可能性があることがあることがわかっているので、８と１６との間の範囲のサイズのフィルタ１８による畳み込みを有することが好ましい。前の層に関しては、ここでもやはり、障害のクラスごとであっても反復的態様が異なり得る（例えば、ブリッジタップ自体について予期される異なる種類の反復）ため、第２の畳み込み層１７におけるフィルタの数は１６個と選ばれ得る。これは、潜在的反復の異なるケースが予期されるためにより多い。１：８の比でプーリング層１９によって実行されるもう１つの最大プーリングステップの後、第２の畳み込み層２０の各フィルタによって生成された、８つの値からなるシーケンスがある。したがって、サイズ＝８の異なるシーケンスの平坦化の後：
サイズ（ＦＣ＿ｍａｐ）＝サイズ（入力）＊Ｍ／Ｐ１＊Ｎ／Ｐ２
＝５１２＊８／８＊１６／８
＝１０２４
のサイズの特徴マップがあり、ここで、ＭおよびＮはそれぞれ第１および第２の畳み込み層におけるフィルタの数であり、Ｐ１およびＰ２はそれぞれ層１および層２におけるプーリング比である。

分類段階もニューロンからなり、同じ畳み込みニューラルネットワーク１０に属する。畳み込み部分と比較すると、目的はすべての特徴と障害との間の関係を確立することである。したがって、この段階では畳み込みフィルタリングもプーリングもなく、すべてのニューロンと他の層ニューロンとの間の結合のみがある。例えば、分類は、全結合ニューラルネットワーク２１によって実行される。これらの態様に加え、通常、特徴抽出のために提案されるニューロンモデルと分類のためのニューロンモデルとの間の大きな相違は、活性化関数の間の相違にある。典型的には、ニューロンを使用した畳み込み（これは線形処理である）を実行するためには正規化線形ユニット（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ （ＲｅＬＵ））活性化関数が使用されるが、分類のためには双曲線正接活性化関数が好ましい。これは好ましいオプションである。この場合、主要なチューニング要素は、使用されるニューロンの数である。特徴数と出力クラス数との間で、ニューロン数５１２が選ばれ得る。ドメイン専門知識から、この段階で追加の層を加えることによってモデルに余分の複雑さを導入することには有効な理由がない。したがって、単一の隠れ層２３が選択され、すべての出力信頼値を正規化するために（すなわちすべての信頼値の総和＝１）ソフトマックス演算を実行するだけの出力層２４に最終的に結合されることになる。

このドメインを意識した畳み込みニューラルネットワーク１０の設計およびディメンショニングは、監視装置５によって、複数のテレコミュニケーションチャネル４のチャネル周波数応答の分析結果に応じて、畳み込み層の数、フィルタの数および／またはフィルタのサイズのうちの少なくとも１つを自動的に選択することによって実行される。

図４および図７は、監視装置５によって実行される、テレコミュニケーションネットワーク１を監視するための方法を示すフローチャートである。より具体的には、図４は、畳み込みニューラルネットワーク１０の設計およびトレーニングに関し、図７はトレーニングされた畳み込みニューラルネットワーク１０を使用することによる障害検出に関する。

監視装置５は、畳み込みニューラルネットワーク１０のためにトレーニングデータを取得する（ステップＳ１）。トレーニングデータは、それぞれのテレコミュニケーション回線４のチャネル周波数応答を指定するＣＦＲデータと、それぞれのテレコミュニケーション回線４に関連付けられた障害タイプを指定するラベルデータとを備える。

例えば、監視装置５は、ネットワーク運営者がＣＦＲ曲線を格納したデータベースおよび／または１つまたは複数のアクセスノード２からＣＦＲ曲線を受け取る。監視装置５は、必要であれば、例えば畳み込みニューラルネットワーク１０によって使用される形式への変換のためにＣＦＲ曲線に前処理を適合させてもよい。

ラベルデータは、それぞれのテレコミュニケーション回線４に関連付けられたラベルを指定する。ラベルデータは、ＣＦＲデータがＣＦＲ曲線を指定する各テレコミュニケーション回線のため、またはそれらのテレコミュニケーション回線４の一部のみのためにラベルを指定することができる。ラベルは、ＣＦＲ曲線に関連づけられた障害タイプを指定する。これには、健全性カテゴリとテレコミュニケーション回線４に影響を与える可能性のある所定数の既知の障害が含まれてもよい。ＤＳＬ回線のケースでは、障害の例は、ブリッジタップ、インピーダンス不整合、欠落したスプリッタ、誤って結合されたスプリッタ、容量性カップリング、抵抗性カップリング、絶縁不良、、、を含む。ラベルデータは、例えば、ＣＦＲ分析ツールを使用して専門家によって決定されたトラブルシューティングデータが格納されたデータベースから取得されてもよい。

次に、監視装置５は、ＣＦＲデータを分析して（ステップＳ２）、分析結果を決定し、それらの分析結果に基づいて、畳み込みニューラルネットワーク１０を設計する（ステップＳ３）。畳み込みニューラルネットワーク１０の設計は、畳み込み層の数、それぞれの畳み込み層のためのフィルタの数および／またはフィルタのサイズのうちの少なくとも１つを選択することを備え得る。畳み込みニューラルネットワーク１０の設計は、全結合ニューラルネットワーク２１のための隠れ層の数、ニューロン数、および活性化関数の種類の選択も備え得る。より一般的には、複数のテレコミュニケーションチャネルのチャネル周波数応答の分析結果に基づいて、畳み込みニューラルネットワーク１０のあらゆるハイパーパラメータがこのステップで決定されてもよい。しかし、前述のパラメータの一部を含むいくつかの（ハイパー）パラメータが事前決定されてもよい。

前にわかったように、ＣＮＮチューニングプロセスの大部分は、ハイパーパラメータ（フィルタサイズ、フィルタ数、層の数、、、）を最もよく適合化するために、追跡するパターンを把握することにある。また、これらの異なる数のハイパーパラメータは、最終的には入力曲線（Ｈｌｏｇ）に出現する「バリエーションの種類」、ならびに「バリエーションの組み合わせ」に関連している。したがって、追跡するパターンがわかっていることにより、ＣＮＮ設計プロセスは、これらのバリエーションに合わせてハイパーパラメータを適合化するために、従来の変分推定量（ｖａｒｉａｔｉｏｎａｌ ｅｓｔｉｍａｔｏｒ）によって支援されることができる。

適合する変分推定量の例は、音響処理において、例えば基本周波数または「ピッチ」を追跡するために使用されるものである。基本的な変分推定量は、フーリエ変換、その後の周波数グラフにおける最高ピークを追跡する（我々のケースでは、これは、Ｈｌｏｇグラフに現れる反復の周波数を追跡することを意味する）ことに基づく。自己相関も適合し得る。別の例は、ＹＩＮ推定量であり、振幅変調および（Ｈｌｏｇの減少挙動のような）漸進的オフセットに対してどれほどロバストな信号であってもその基本周波数／パターンを追跡することがよりよく作動しうる。

そのような変分推定量は、各Ｈｌｏｇについて：
１．反復挙動があるか否か、
２．ある場合、どれが、反復の／反復間の、基本周波数／ラグであるか
の追跡を可能にする。

設計プロセスに適用されると、第１の点は、畳み込みニューラルネットワーク１０の特徴抽出段階に追加の隠れ層を加える必要性に関する指示を与える。それに対し、第２の態様はむしろ最小カーネルまたはフィルタのサイズに関する指示を与える。

図５は、反復パターンを示す現実的なＣＦＲ曲線のＹｉｎ関数を示すグラフである。それぞれ追跡することによって、最小値自体と、許容範囲内の最初のより低い値の位置、反復の存在に関する指示、ならびに類似パターン間のラグに関する指示を決定することができる。実際、図５でわかるように、包絡線変動ならびに（変動する）オフセット（すなわち、Ｈｌｏｇに関しては、曲線の絶対振幅が減少していることがある）のいかんを問わず、ＹＩＮ曲線の最小値の深さが、入力曲線上に出現する反復のレベルを示す。したがって、このような値を追跡することによって、曲線上に存在する反復の程度が示される。対照的に、最小値の最初の位置（ラグ）を調べることにより、２つのパターン間の距離が示される。

したがって、ある実施形態では、ステップＳ２で、監視装置５はＣＦＲデータのそれぞれのＣＦＲ曲線のＹＩＮ関数を決定し、それぞれのＹＩＮ関数について最小値とラグ（最小値の最初の位置）を決定する。監視装置５は、例えば、（ラベルまたは障害タイプに対応する）それぞれのカテゴリごとに、ラグヒストグラムと最小値ヒストグラムとを計算することによって、最小値の分布とラグの分布を決定する。これを図６に示す。

次に、ステップＳ３で、監視装置５は、分布に応じてカーネルサイズ（フィルタサイズ）と畳み込み層の数とを決定する：
− ラグ分布から、各カテゴリにおける基本パターンを検出することができるために要求される最小カーネルサイズを決定することができる。これは、例えば、各分布のパーセンタイル１０におけるラグ値を推定し、例えば異なるクラス分布上の平均／メジアンまたは最小値をとることによって行われる。
− 値分布から、パーセンタイル５０における値が少なくとも障害のクラスについて十分に低い（閾値を下回る）場合、少なくとも現在の障害タイプを検出するために、（組み合わせを実行するために）追加の畳み込み層を加える必要性がある。

監視装置５は、トレーニングデータに基づいて、畳み込みニューラルネットワーク１０をトレーニングする（ステップ４）。これには、フィルタパラメータ、重み、、、を決定することが含まれ得る。

トレーニングされた畳み込みニューラルネットワーク１０は、テレコミュニケーションチャネル４上の障害を検出するために監視装置５によって使用され得る。

監視装置５は、テレコミュニケーションチャネル４のチャネル周波数応答を指定するＣＦＲデータを取得する（ステップＴ１）。ある実施形態では、取得されるチャネル周波数応答は、畳み込みニューラルネットワーク１０の適切な入力形式である。他の実施形態では、監視装置５は、適切な入力形式への変換のためにチャネル周波数応答を前処理する。

次に、監視装置５は、取得したチャネル周波数応答とトレーニングされた畳み込みニューラルネットワーク１０とに基づいて、テレコミュニケーションチャネル４に関連付けられた障害タイプを決定する（ステップＴ２）。図３を参照しながら説明したように、これは出力ベクトル２５における最高信頼度を有するカテゴリを選択することを含み得る。

監視装置５は、検出された障害タイプに関連付けられたアクションを実行してよい（ステップＴ３）。これは：
− 検出された障害タイプの格納および／またはユーザインターフェース上での表示を制御すること、
− 例えば構成メッセージを送信することによって構成パラメータを変更するために、テレコミュニケーションチャネル４に関連付けられたアクセスノード２および／またはクライアント装置３を制御すること、
− アクセスノード２、クライアント装置３および／またはテレコミュニケーションチャネル４上でのフィールドメンテナンス介入の要求を送信すること、
− アラームを生成すること、
− 、、、
のうちの少なくとも１つを含み得る。

テレコミュニケーションネットワーク１において、複数の起こり得る障害タイプのうち、テレコミュニケーションチャネル４に関連付けられた障害タイプを検出するために、畳み込みニューラルネットワーク１０が使用される。起こり得る異なる障害タイプが同じ畳み込みニューラルネットワーク１０によって考察され、最も確度の高いものが選択されるため、不正確な診断およびフォールスポジティブのリスクが低減または回避される。高信頼度の並行診断／反対診断の存在をまたは回避することができる。

さらに、畳み込みニューラルネットワーク１０の設計は、トレーニングデータに存在するものとは異なるテレコミュニケーションチャネル４のための検出能力を汎化することを可能にする。例えば、監視装置５はトレーニングされた畳み込みニューラルネットワーク１０を用いて、異なる媒体、トポロジ、ケーブルゲージ、絶縁体、、、を有するテレコミュニケーション回線とともに使用され得る。

また、畳み込みニューラルネットワーク１０は、ラベル付きトレーニングデータが使用可能なあらゆる障害タイプの検出のために使用され得る。したがって、検出カバレッジが改良され得る。

また、畳み込みニューラルネットワーク１０のトポロジおよび／または１つまたは複数のハイパーパラメータが、ドメインを意識した知識に基づいて、監視装置５によって自動的に選択されるため、ハイパーパラメータの異なる組み合わせがテストされ、相互検証データを使用して検証されることになる、ドメインを意識しない手法と特に比較して精度が向上する。

図８は、少なくとも１つのプロセッサ６と少なくとも１つのメモリ７とを備える監視装置５の構造図である。メモリ７は、コンピュータプログラムコードＰを記憶する。少なくとも１つのメモリ７とコンピュータプログラムコードとは、少なくとも１つのプロセッサ６を用いて、監視装置に図１から図７を参照して上で説明した方法を少なくとも実行させるように構成される。

図面に示された様々な要素の機能は、専用ハードウェア、ならびに適切なソフトウェアと共同してソフトウェアを実行することができるハードウェアの使用によって提供され得ることを指摘しておく。プロセッサによって提供される場合、機能は、単一の専用プロセッサにより、単一の共用プロセッサにより、または例えばクラウドコンピューティングアーキテクチャにおいて一部が共用され得る複数の個別プロセッサにより提供され得る。さらに、「プロセッサ」という用語の明示的使用は、ソフトウェアを実行することができるハードウェアを排他的に指すものと解釈すべきではなく、デジタルシグナルプロセッサ（ＤＳＰ）ハードウェア、ネットワークプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、ソフトウェアを記憶するための読み出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、および不揮発性記憶装置を暗黙的に含み得るが、これらには限定されない。従来型および／またはカスタムのその他のハードウェアも含まれ得る。これらの機能は、プログラムロジックの動作により、専用ロジックにより、プログラム制御と専用ロジックの相互作用により、または手動であっても実施可能であり、特定の技術は、文脈からより具体的に理解されるように、実装者によって選択可能である。

なお、本明細書のいずれのブロック図も、本発明の原理を具現化する例示の回路の概念図を示していることも当業者にはわかるであろう。同様に、いずれのフローチャートも、コンピュータ可読媒体において実質的に表されることができ、したがって、コンピュータまたはプロセッサが明示的に示されているか否かを問わず、そのようなコンピュータまたはプロセッサによって、そのように実行される、様々なプロセスを示していることがわかるであろう。

以上、本発明の原理について特定の実施形態に関連して説明したが、この説明は例示としてのみ行われたものであり、添付の特許請求の範囲で定義されている本発明の範囲に対する限定として行われたのではないものと明確に理解すべきである。

１ テレコミュニケーションネットワーク
２ アクセスノード
３ クライアント装置
４ テレコミュニケーションチャネル
５ 監視装置
６ プロセッサ
７ メモリ
１０ 畳み込みニューラルネットワーク
１１、１２ ベクトル
１３ 第１の畳み込み層
１４、１８ フィルタ
１５ 第１のプーリング層
１６ 特徴ベクトル
１７ 第２の畳み込み層
１９ 第２のプーリング層
２１ 全結合ニューラルネットワーク
２２ 入力層
２３ 隠れ層
２４ 出力層
２５ 出力ベクトル

Claims (11)

1. １つまたは複数のテレコミュニケーションチャネル（４）を備えるテレコミュニケーションネットワーク（１）を、監視するための装置（５）であって、
   畳み込み層の数、それぞれの畳み込み層のためのフィルタの数、および／または、それぞれの畳み込み層のためのフィルタのサイズのうちの少なくとも１つを選択すること（Ｓ３）によって、テレコミュニケーションチャネル（４）の障害タイプを、前記テレコミュニケーションチャネル（４）のチャネル周波数応答に応じて決定するように構成された畳み込みニューラルネットワーク（１０）を設計し（Ｓ１、Ｓ２、Ｓ３）、
   それぞれのテレコミュニケーションチャネルのために、チャネル周波数応答および関連付けられた障害タイプを指定するトレーニングデータに基づいて、前記畳み込みニューラルネットワーク（１０）をトレーニングする（Ｓ４）
   ように構成された手段（６、７、Ｐ）を備える、
   装置（５）。
2. 畳み込みニューラルネットワーク（１０）を設計することが、前記畳み込み層の数、前記フィルタの数、および／または、前記フィルタのサイズのうちの少なくとも１つを、複数のテレコミュニケーションチャネルのチャネル周波数応答の分析結果に応じて選択することを備える、請求項１に記載の装置。
3. 前記手段が、
   それぞれのチャネル周波数応答の基本周波数を決定し、
   決定された基本周波数に基づいて、少なくとも１つの基本周波数分布を決定し、
   前記少なくとも１つの基本周波数分布に応じて前記畳み込み層の数を選択する
   ように構成された、請求項２に記載の装置。
4. 前記手段が、
   それぞれのチャネル周波数応答のラグを決定し、
   決定された基本周波数に基づいて、少なくとも１つのラグ分布を決定し、
   前記少なくとも１つのラグ分布に応じて前記フィルタサイズを選択する
   ように構成された、請求項２または３に記載の装置。
5. 前記手段が、
   チャネル周波数応答のＹＩＮ関数を決定し、
   前記ＹＩＮ関数に基づいて、前記基本周波数および／または前記ラグを決定する
   ように構成された、請求項３または４に記載の装置。
6. 前記１つまたは複数のテレコミュニケーションチャネルがＤＳＬ回線を備え、前記チャネル周波数応答がＨｌｏｇであり、前記畳み込みニューラルネットワークが、４と１２との間から成るサイズの、８個と１６個との間のフィルタ（１４）を備える第１の畳み込み層（１３）を備える、請求項１から５のいずれか一項に記載の装置。
7. 前記畳み込みニューラルネットワークが少なくとも第２の畳み込み層（１７）を備える、請求項６に記載の装置。
8. 前記手段が、前記トレーニングされた畳み込みニューラルネットワークを用いて、テレコミュニケーションチャネルに関連付けられた障害タイプを、前記テレコミュニケーションチャネルのチャネル周波数応答に応じて決定する（Ｔ２）ように構成された、請求項１から７のいずれか一項に記載の装置。
9. 前記手段が、検出された障害タイプに基づいて、前記テレコミュニケーションチャネルに関連付けられたアクセスノードおよび／またはクライアント装置の構成の変更を制御する（Ｔ３）ように構成された、請求項８に記載の装置。
10. １つまたは複数のテレコミュニケーションチャネル（４）を備えるテレコミュニケーションネットワーク（１）を、監視するための方法であって、
    畳み込み層の数、それぞれの畳み込み層のためのフィルタの数、および／または、それぞれの畳み込み層のためのフィルタのサイズのうちの少なくとも１つを選択すること（Ｓ３）によって、テレコミュニケーションチャネル（４）の障害タイプを、前記テレコミュニケーションチャネル（４）のチャネル周波数応答に応じて決定するように構成された畳み込みニューラルネットワーク（１０）を設計すること（Ｓ１、Ｓ２、Ｓ３）と、
    それぞれのテレコミュニケーションチャネルのために、チャネル周波数応答および関連付けられた障害タイプを指定するトレーニングデータに基づいて、前記畳み込みニューラルネットワーク（１０）をトレーニングすること（Ｓ４）とを
    備える、方法。
11. 命令がコンピュータによって実行されると請求項１０に記載の方法を実行するための前記命令を備える、コンピュータプログラム（Ｐ）。

Images