JP7234173B2 - モデル学習装置、モデル学習方法及びコンピュータプログラム - Google Patents

Description

本発明は、モデル学習装置、モデル学習方法及びコンピュータプログラムに関する。

従来、通信情報の異常を検知するためのモデルを機械学習により生成する技術が例えば特許文献１に記載されている。特許文献１に記載される従来技術では、通信機器ごとに収集した通信情報を用いて該通信機器による通信情報の特徴をモデルに学習させている。

特開２０１９－１５３８９３号公報

しかし、上述した特許文献１に記載される従来技術では、機械学習により生成されるモデルは各通信機器に個別であるので、通信ネットワーク全体の構成に対応することが難しい。このため、通信ネットワーク全体で収集した通信情報を用いて該通信ネットワークのモデルを生成することが考えられる。この時、通信ネットワークの構成上の変化があった場合などにも円滑に対応することができる技術が要望されている。

本発明は、このような事情を考慮してなされたものであり、その目的は、複数のノードから構成される通信ネットワークを分析するためのモデルを生成する際の効率の向上を図ることにある。

（１）本発明の一態様は、複数のノードから構成される通信ネットワークを分析するためのモデルを所定の機械学習アルゴリズムにより学習させるモデル学習部と、各前記ノードから通信情報を収集するデータ収集部と、前記通信ネットワークのノード数の変化を検知する構成管理部と、前記通信ネットワークのノード数の変化が検知された場合、当該変化に該当する前記ノードから収集された通信情報を当該変化に該当する所定の加工ルールに従って加工し、加工された通信情報を前記モデルの学習データに使用する学習前処理部と、を備えるモデル学習装置である。
（２）本発明の一態様は、前記加工ルールは、通信情報の次元数を、前記通信ネットワークのノード数の変化の前後で同一にするものである、上記（１）のモデル学習装置である。
（３）本発明の一態様は、前記加工ルールは、通信情報の各データ項目の特性に応じたルールを有する、上記（１）又は（２）のいずれかのモデル学習装置。

（４）本発明の一態様は、モデル学習装置が、複数のノードから構成される通信ネットワークを分析するためのモデルを所定の機械学習アルゴリズムにより学習させるモデル学習ステップと、前記モデル学習装置が、各前記ノードから通信情報を収集するデータ収集ステップと、前記モデル学習装置が、前記通信ネットワークのノード数の変化を検知する構成管理ステップと、前記モデル学習装置が、前記通信ネットワークのノード数の変化が検知された場合、当該変化に該当する前記ノードから収集された通信情報を当該変化に該当する所定の加工ルールに従って加工し、加工された通信情報を前記モデルの学習データに使用する学習前処理ステップと、を含むモデル学習方法である。

（５）本発明の一態様は、コンピュータに、複数のノードから構成される通信ネットワークを分析するためのモデルを所定の機械学習アルゴリズムにより学習させるモデル学習ステップと、各前記ノードから通信情報を収集するデータ収集ステップと、前記通信ネットワークのノード数の変化を検知する構成管理ステップと、前記通信ネットワークのノード数の変化が検知された場合、当該変化に該当する前記ノードから収集された通信情報を当該変化に該当する所定の加工ルールに従って加工し、加工された通信情報を前記モデルの学習データに使用する学習前処理ステップと、を実行させるためのコンピュータプログラムである。

本発明によれば、複数のノードから構成される通信ネットワークを分析するためのモデルを生成する際の効率の向上を図ることができるという効果が得られる。

一実施形態に係るモデル学習装置の構成例を示すブロック図である。 一実施形態に係る構成管理部及び学習前処理部の構成例を示すブロック図である。 一実施形態に係るデータ加工例を示す説明図である。 一実施形態に係るモデル学習方法の手順の例を示すフローチャートである。

以下、図面を参照し、本発明の実施形態について説明する。
図１は、一実施形態に係るモデル学習装置の構成例を示すブロック図である。図１において、通信ネットワーク２００は、分析対象の通信ネットワークである。通信ネットワーク２００は、複数のノードから構成される。モデル学習装置１は、通信ネットワーク２００を分析するためのモデルを機械学習により生成する。

通信ネットワーク２００は、複数のノードから構成される。本実施形態の一例として、通信ネットワーク２００は、ＮＦＶ（Network Functions Virtualization：ネットワーク機能仮想化）技術を用いたＶＮＦ（Virtual Network Function）ａにより構築される仮想ネットワークである。ＶＮＦａは、３個のサブコンポーネントＶＮＦＣ（Virtual Network Function Component）ａ－ａ，ＶＮＦＣａ－ｂ，ＶＮＦＣａ－ｃから構成される。各サブコンポーネントＶＮＦＣａ－ａ，ＶＮＦＣａ－ｂ，ＶＮＦＣａ－ｃは、通信トラフィックの輻輳状況に応じて、スケールアウト（ノード数の増加）したり又はスケールイン（ノード数の減少）したりする。

図１の例では、サブコンポーネントＶＮＦＣａ－ｃがスケールアウトにより２個のサブコンポーネントＶＮＦＣａ－ｃ１，ＶＮＦＣａ－ｃ２に増加されている。各サブコンポーネントＶＮＦＣａ－ａ，ＶＮＦＣａ－ｂ，ＶＮＦＣａ－ｃ１，ＶＮＦＣａ－ｃ２は、通信ネットワーク２００を構成する各ノード２０１，２０２，２０３，２０４に対応する仮想ノードである。

なお、本実施形態では、ＮＦＶ技術により動的に構成が変化する仮想ネットワークが分析対象の通信ネットワークであるが、これに限定されない。例えば、ＣＮＦ（Cloud-Native Network Functions）により構成される通信ネットワーク等の各種の通信ネットワークを分析対象にしてもよい。

図１の例において、モデル学習装置１による機械学習の当初は、通信ネットワーク２００は３個のノード２０１，２０２，２０３から構成される。したがって、モデル学習装置１は、モデルの生成当初において、３個のノード２０１，２０２，２０３から構成される通信ネットワーク２００を分析するためのモデルを生成する。その後、図１に例示されるように、通信ネットワーク２００において、サブコンポーネントＶＮＦＣａ－ｃがスケールアウトにより２個のサブコンポーネントＶＮＦＣａ－ｃ１，ＶＮＦＣａ－ｃ２に増加される。これにより、通信ネットワーク２００を構成するノードは、３個のノード２０１，２０２，２０３から４個のノード２０１，２０２，２０３，２０４に増加される。ここで、本実施形態では、モデル学習装置１がモデルの生成当初から生成しているモデル（３個のノード２０１，２０２，２０３から構成される通信ネットワーク２００を分析するためのモデル）をそのまま活用して、４個のノード２０１，２０２，２０３，２０４から構成される通信ネットワーク２００を分析するためのモデルを機械学習により生成することを図る。

従来、モデル生成対象の通信ネットワークに構成上の変化があった場合、当該通信ネットワークの構成上の変化後の通信ネットワークを新たなモデル生成対象にして最初から機械学習をやり直していた。この従来のモデル学習方法では、通信ネットワークの構成上の変化が生じる度に最初から機械学習をやり直すために、モデル生成の効率が悪い。そこで、本実施形態では、モデル生成対象の通信ネットワークに構成上の変化があった場合、当該通信ネットワークの構成上の変化前のモデルを活用することにより、通信ネットワークの構成上の変化後に最初から機械学習をやり直すことを回避してモデル生成の効率の向上を図る。

通信ネットワーク２００のネットワーク負荷の増減等によって通信ネットワーク２００を構成するノードの個数が増減すると、通信ネットワーク２００から得られる収集データの次元数が、ノードの個数の変更前の次元数Ｘからノードの個数の変更後の次元数Ｙに変わる。すると、通信ネットワーク２００から得られる収集データを機械学習への入力データに使用する場合、ノードの個数の変更前後で機械学習への入力データに使用する収集データの次元数が異なるので、ノードの個数の変更前の学習結果のモデル（入力データに使用する収集データの次元数Ｘ）に対して、ノードの個数の変更後の収集データ（次元数Ｙ）を機械学習への入力データに使用して学習を継続することができない。

このため、本実施形態では、ノードの個数の変更前後で機械学習への入力データに使用する収集データの次元数が同一になるように、ノードの個数の変更後の収集データ（次元数Ｙ）を加工する。このデータ加工によって、ノードの個数の変更後の機械学習への入力データに使用する収集データの次元数が、ノードの個数の変更前の機械学習への入力データに使用された収集データの次元数Ｘと同じになる。これにより、ノードの個数の変更前の学習結果のモデル（入力データに使用する収集データの次元数Ｘ）に対して、ノードの個数の変更後の収集データ（次元数Ｙ）が次元数Ｘに加工された収集データを機械学習への入力データに使用して学習を継続することができるようになる。

以下、本実施形態に係るモデル学習装置及びモデル学習方法について詳細に説明する。

［モデル学習装置］
図１において、モデル学習装置１は、モデル学習部１１と、データ収集部１２と、構成管理部１３と、学習前処理部１４と、を備える。

モデル学習装置１の各機能は、モデル学習装置１がＣＰＵ（Central Processing Unit：中央演算処理装置）及びメモリ等のコンピュータハードウェアを備え、ＣＰＵがメモリに格納されたコンピュータプログラムを実行することにより実現される。なお、モデル学習装置１として、汎用のコンピュータ装置を使用して構成してもよく、又は、専用のハードウェア装置として構成してもよい。例えば、モデル学習装置１は、インターネット等の通信ネットワークに接続されるサーバコンピュータを使用して構成されてもよい。また、モデル学習装置１の各機能はクラウドコンピューティングにより実現されてもよい。

モデル学習部１１は、通信ネットワーク２００を分析するためのモデルを所定の機械学習アルゴリズムにより学習させる。モデル学習部１１には、機械学習パラメータＧが入力される。機械学習パラメータＧは、機械学習アルゴリズムに設定されるパラメータや学習で使用されるデータなどである。機械学習パラメータＧによって、モデルの学習に使用される機械学習アルゴリズムが確定する。機械学習パラメータＧは、例えばユーザによって指定される。モデルとして、例えば、ランダムフォレストやニューラルネットワークを適用してもよい。

モデル学習部１１は、学習前処理部１４が生成した学習用データセットを機械学習アルゴリズムの入力データに使用して、通信ネットワーク２００を分析するためのモデルの学習を行う。モデル学習部１１による学習により、通信ネットワーク２００を分析するためのＶＮＦａ用分析モデル３０が得られる。ＶＮＦａ用分析モデル３０は、例えば、通信ネットワーク２００のネットワーク品質を分析するためのネットワーク品質分析モデルである。

データ収集部１２は、各ノード２０１，２０２，２０３，２０４から各通信情報Ａ，Ｂ，Ｃ１，Ｃ２を収集する。通信情報Ａ，Ｂ，Ｃ１，Ｃ２は、通信ネットワーク２００のネットワーク品質に関する情報である。通信情報Ａ，Ｂ，Ｃ１，Ｃ２は、例えば、各ノード２０１，２０２，２０３，２０４のパフォーマンス（処理能力）の状態やアラームの発生状況などを示す情報である。データ収集部１２は、各ノード２０１，２０２，２０３，２０４から収集した各通信情報Ａ，Ｂ，Ｃ１，Ｃ２を蓄積する。また、データ収集部１２は、通信ネットワーク２００の障害状況に関する情報を収集し、通信情報Ａ，Ｂ，Ｃ１，Ｃ２と共に蓄積する。

構成管理部１３は、通信ネットワーク２００の構成を管理する。構成管理部１３は、通信ネットワーク２００の構成上の変化を検知する。構成管理部１３は、通信ネットワーク２００の構成上の変化の検知結果を、通信ネットワーク２００の構成を示す現況構成情報Ｅに反映させる。構成管理部１３は、通信ネットワーク２００から直接得られる情報やネットワーク運用管理システムから得られる情報に基づいて、通信ネットワーク２００の構成上の変化を検知する。図１の例では、構成管理部１３は、通信ネットワーク２００についてのＭＡＮＯ（Management and Orchestration）３００から得られる情報Ｄに基づいて、ノードの増減等の通信ネットワーク２００の構成上の変化を検知する。

学習前処理部１４は、モデル学習部１１がモデルの学習に使用する学習用データセットを生成する。学習前処理部１４は、データ収集部１２が収集した収集データＦから学習用データセットを生成する。図１の例では、収集データＦは、各ノード２０１，２０２，２０３，２０４から収集された各通信情報Ａ，Ｂ，Ｃ１，Ｃ２である。学習用データセットは、機械学習アルゴリズムの入力データとして適合するように、収集データＦが前処理されたものである。この前処理として、例えば正規化やベクトル化などが挙げられる。

学習前処理部１４は、通信ネットワーク２００の構成上の変化が検知された場合、当該変化に該当するノードから収集された通信情報を当該変化に該当する所定の加工ルールに従って加工し、加工された通信情報を学習用データセットの生成に使用する。学習前処理部１４は、構成管理部１３から通知される現況構成情報Ｅに基づいて、通信ネットワーク２００の構成上の変化を検知する。

本実施形態に係る加工ルールの一例は、通信情報の次元数を、通信ネットワーク２００の構成上の変化の前後で同一にするものである。本実施形態に係る加工ルールに係る一例は、通信情報の各データ項目の特性に応じたルールを有するものである。

図２は、本実施形態に係る構成管理部及び学習前処理部の構成例を示すブロック図である。図２において、構成管理部１３は、構成変化検知部１３１を備える。構成変化検知部１３１は、ＭＡＮＯ３００から受信した情報Ｄに基づいて、通信ネットワーク２００の構成上の変化を検知する。図１の例では、構成変化検知部１３１は、情報Ｄに基づいて、通信ネットワーク２００において、サブコンポーネントＶＮＦＣａ－ｃ（ノード）が２個のサブコンポーネントＶＮＦＣａ－ｃ１（ノード２０３），ＶＮＦＣａ－ｃ２（ノード２０４）に１個増加されたことを検知する。

構成管理部１３は、現況構成情報Ｅを保持する。構成変化検知部１３１は、通信ネットワーク２００の構成上の変化の検知結果を現況構成情報Ｅに反映させる。図１の例では、現況構成情報Ｅは、通信ネットワーク２００のサブコンポーネントＶＮＦＣａ－ｃ（ノード）が２個のサブコンポーネントＶＮＦＣａ－ｃ１（ノード２０３），ＶＮＦＣａ－ｃ２（ノード２０４）に更新される。更新された現況構成情報Ｅは、構成管理部１３から学習前処理部１４へ送信される。

学習前処理部１４は、データ抽出・転送部１４１と、データ加工部１４２と、加工ルール情報格納部１４３と、データ前処理部１４４と、学習用データセット格納部１４５と、を備える。

データ抽出・転送部１４１は、現況構成情報Ｅに基づいて、データ収集部１２から受信した収集データＦを、データ加工部１４２とデータ前処理部１４４とへ振り分ける。具体的には、データ抽出・転送部１４１は、現況構成情報Ｅにおいて通信ネットワーク２００の構成上の変化があるノードから収集された通信情報をデータ加工部１４２へ転送し、それ以外のノード（通信ネットワーク２００の構成上の変化がないノード）から収集された通信情報をデータ前処理部１４４へ転送する。図１の例では、通信ネットワーク２００の構成上の変化がある各ノード２０３，２０４から収集された各通信情報Ｃ１，Ｃ２がデータ加工部１４２へ転送され、それ以外の各ノード２０１，２０２（通信ネットワーク２００の構成上の変化がないノード）から収集された各通信情報Ａ，Ｂがデータ前処理部１４４へ転送される。

データ加工部１４２は、データ抽出・転送部１４１から受信した通信情報を、現況構成情報Ｅに基づいた通信ネットワーク２００の構成上の変化に該当する所定の加工ルールに従って加工する。所定の加工ルールは、加工ルール情報格納部１４３に格納されている加工ルール情報により示される。図１の例では、通信ネットワーク２００の構成上の変化がある各ノード２０３，２０４から収集された各通信情報Ｃ１，Ｃ２が、加工ルール情報格納部１４３に格納されている加工ルール情報により示される所定の加工ルールのうち、ノード数増加に対応する加工ルールに従って加工される。データ加工部１４２は、加工結果の通信情報をデータ前処理部１４４へ送信する。

データ前処理部１４４は、データ抽出・転送部１４１から受信した通信情報と、データ加工部１４２から受信した加工結果の通信情報とに対して前処理を行って学習用データセットを生成する。学習用データセット格納部１４５は、データ前処理部１４４が生成した学習用データセットを格納する。学習用データセット格納部１４５に格納された学習用データセットは、モデル学習部１１によりモデルの学習に使用される。

図３は、本実施形態に係るデータ加工例を示す説明図である。図３において、通信情報Ｃ１は、図１に例示されるノード２０３（ＶＮＦＣａ－ｃ１）から収集されたデータである。通信情報Ｃ２は、図１に例示されるノード２０４（ＶＮＦＣａ－ｃ２）から収集されたデータである。各通信情報Ｃ１，Ｃ２は、各ノード２０３，２０４のパフォーマンスの状態などを示す情報を有する。ノード２０３，２０４は、通信ネットワーク２００の構成上の変化としてノード数増加に該当するノードである。データ加工部１４２は、現況構成情報Ｅに基づいて、サブコンポーネントＶＮＦＣａ－ｃがスケールアウトにより２個のサブコンポーネントＶＮＦＣａ－ｃ１，ＶＮＦＣａ－ｃ２に増加されたことを認識する。次いで、データ加工部１４２は、加工ルール情報格納部１４３に格納されている加工ルール情報に示されるサブコンポーネントＶＮＦＣａ－ｃ用の加工ルールであって、ノード数増加に対応する加工ルールに従って、通信情報Ｃ１，Ｃ２を加工する。このデータ加工の結果、通信情報Ｃ１２が生成される。データ加工部１４２は、生成された通信情報Ｃ１２をデータ前処理部１４４へ送信する。

加工ルールは、通信情報の各データ項目の特性に応じてユーザにより事前に定義される。

数値データについての加工ルールのうちノード増加に対応する加工ルールは、例えば平均や最大や最小や合計などの値を算出することである。これにより、ノード増加後の次元数をノード増加前の次元数と同じにする。例えば、図３において、トラフィック（traffic）のデータ項目に対しては、サブコンポーネントＶＮＦＣａ－ｃとしてのトラフィックのメトリックを算出するために合計値が加工ルールに適切であるとして設定されている。一方、数値データについての加工ルールのうちノード減少に対応する加工ルールは、例えばデータを複製することである。これにより、ノード減少後の次元数をノード減少前の次元数と同じにする。

ステータスに関するデータ項目についての加工ルールとしては、例えば、論理積（ＡＮＤ）や論理和（ＯＲ）の論理演算式を適用することが挙げられる。また、ステータスに関するデータ項目についての加工ルールとして、ステータスの各値の個数に基づいて多数決によりステータスの値を決定するようにしてもよい。

次に図４を参照して本実施形態に係るモデル学習方法を説明する。図４は、本実施形態に係るモデル学習方法の手順の例を示すフローチャートである。ここでは、図１の例を挙げて説明する。

（ステップＳ１） モデル学習装置１は、各ノード２０１，２０２，２０３，２０４から各通信情報Ａ，Ｂ，Ｃ１，Ｃ２を収集する。

（ステップＳ２） モデル学習装置１は、通信ネットワーク２００の構成上の変化を検知する。

（ステップＳ３） ステップＳ２の結果、通信ネットワーク２００の構成上の変化を検知した場合はステップＳ４に進み、一方、通信ネットワーク２００の構成上の変化を検知しなかった場合はステップＳ５に進む。図１の例では、ノード数増加が検知されてステップＳ４に進む。

（ステップＳ４） モデル学習装置１は、ステップＳ４で検知された通信ネットワークの構成上の変化に該当するノードから収集された通信情報を当該変化に該当する所定の加工ルールに従って加工する。図１の例では、ステップＳ４で検知されたノード数増加に該当する各ノード２０３，２０４から収集された各通信情報Ｃ１，Ｃ２が、ノード数増加に該当する所定の加工ルールに従って加工される。

一方、モデル学習装置１は、ステップＳ４で検知された通信ネットワークの構成上の変化に該当しないノードから収集された通信情報については加工しない。図１の例では、ステップＳ４で検知されたノード数増加に該当しない各ノード２０１，２０２から収集された各通信情報Ａ，Ｂは加工されない。

（ステップＳ５） モデル学習装置１は、ステップＳ４で加工された通信情報をモデルの学習データに使用する。また、モデル学習装置１は、ステップＳ４で加工されなかった通信情報をそのままモデルの学習データに使用する。図１の例では、ノード数増加に該当する各ノード２０３，２０４から収集された各通信情報Ｃ１，Ｃ２については、ステップＳ４の加工後の通信情報がモデルの学習データに使用される。一方、ノード数増加に該当しない各ノード２０１，２０２から収集された各通信情報Ａ，Ｂについては、そのままモデルの学習データに使用される。

モデル学習装置１は、モデルの学習データに対して前処理を行って学習用データセットを生成する。生成された学習用データセットは、学習用データセット格納部１４５に格納される。

（ステップＳ６） モデル学習装置１は、学習用データセット格納部１４５に格納された学習用データセットを使用して、モデルの学習を行う。これにより、図１の例では、ノード２０３，２０４に係るノード数増加の以前に学習済みのモデルが当該ノード数増加後も引き続き使用されて、当該モデルの学習が継続される。

本実施形態によれば、モデル生成対象の通信ネットワークに構成上の変化があった場合、当該通信ネットワークの構成上の変化前のモデルを活用することができる。これにより、通信ネットワークの構成上の変化後に最初から機械学習をやり直すことを回避してモデル生成の効率の向上を図ることができる。

以上、本発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。

また、上述した各装置の機能を実現するためのコンピュータ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、この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、実行するようにしてもよい。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、ＤＶＤ（Digital Versatile Disc）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。

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よい。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）であってもよい。

１…モデル学習装置、１１…モデル学習部、１２…データ収集部、１３…構成管理部、１４…学習前処理部、１３１…構成変化検知部、１４１…データ抽出・転送部、１４２…データ加工部、１４３…加工ルール情報格納部、１４４…データ前処理部、１４５…学習用データセット格納部

Claims (5)

1. 複数のノードから構成される通信ネットワークを分析するためのモデルを所定の機械学習アルゴリズムにより学習させるモデル学習部と、
   各前記ノードから通信情報を収集するデータ収集部と、
   前記通信ネットワークのノード数の変化を検知する構成管理部と、
   前記通信ネットワークのノード数の変化が検知された場合、当該変化に該当する前記ノードから収集された通信情報を当該変化に該当する所定の加工ルールに従って加工し、加工された通信情報を前記モデルの学習データに使用する学習前処理部と、
   を備えるモデル学習装置。
2. 前記加工ルールは、通信情報の次元数を、前記通信ネットワークのノード数の変化の前後で同一にするものである、
   請求項１に記載のモデル学習装置。
3. 前記加工ルールは、通信情報の各データ項目の特性に応じたルールを有する、
   請求項１又は２のいずれか１項に記載のモデル学習装置。
4. モデル学習装置が、複数のノードから構成される通信ネットワークを分析するためのモデルを所定の機械学習アルゴリズムにより学習させるモデル学習ステップと、
   前記モデル学習装置が、各前記ノードから通信情報を収集するデータ収集ステップと、
   前記モデル学習装置が、前記通信ネットワークのノード数の変化を検知する構成管理ステップと、
   前記モデル学習装置が、前記通信ネットワークのノード数の変化が検知された場合、当該変化に該当する前記ノードから収集された通信情報を当該変化に該当する所定の加工ルールに従って加工し、加工された通信情報を前記モデルの学習データに使用する学習前処理ステップと、
   を含むモデル学習方法。
5. コンピュータに、
   複数のノードから構成される通信ネットワークを分析するためのモデルを所定の機械学習アルゴリズムにより学習させるモデル学習ステップと、
   各前記ノードから通信情報を収集するデータ収集ステップと、
   前記通信ネットワークのノード数の変化を検知する構成管理ステップと、
   前記通信ネットワークのノード数の変化が検知された場合、当該変化に該当する前記ノードから収集された通信情報を当該変化に該当する所定の加工ルールに従って加工し、加工された通信情報を前記モデルの学習データに使用する学習前処理ステップと、
   を実行させるためのコンピュータプログラム。

Images