JP7235967B2 - ネットワーク分析プログラム、ネットワーク分析装置及びネットワーク分析方法 - Google Patents

ネットワーク分析プログラム、ネットワーク分析装置及びネットワーク分析方法 Download PDF

Info

Publication number
JP7235967B2
JP7235967B2 JP2019136265A JP2019136265A JP7235967B2 JP 7235967 B2 JP7235967 B2 JP 7235967B2 JP 2019136265 A JP2019136265 A JP 2019136265A JP 2019136265 A JP2019136265 A JP 2019136265A JP 7235967 B2 JP7235967 B2 JP 7235967B2
Authority
JP
Japan
Prior art keywords
network
data
analysis
connection
network analysis
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.)
Active
Application number
JP2019136265A
Other languages
English (en)
Other versions
JP2021022759A (ja
Inventor
史之 飯塚
仁 上野
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.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
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 Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2019136265A priority Critical patent/JP7235967B2/ja
Priority to US16/897,654 priority patent/US11507076B2/en
Priority to EP20181375.5A priority patent/EP3771152B1/en
Priority to CN202010587800.3A priority patent/CN112291107B/zh
Publication of JP2021022759A publication Critical patent/JP2021022759A/ja
Application granted granted Critical
Publication of JP7235967B2 publication Critical patent/JP7235967B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0823—Errors, e.g. transmission errors
    • H04L43/0829—Packet loss
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0823—Errors, e.g. transmission errors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/091—Measuring contribution of individual network components to actual service level

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Description

本発明は、ネットワーク分析プログラム、ネットワーク分析装置及びネットワーク分析方法に関する。
ネットワーク分析装置は、ネットワーク品質の一つの指標であるパケットロス率やスループットの測定値が、過去の通常状態の測定値に基づいて設定した異常判定閾値よりも悪い（パッケットロス率が高い、スループットが低い）場合に、異常と判定する。
また、ネットワーク分析装置は、複数のコネクションの通信パケットを、そのパケットが通過する通信経路上の例えばデータセンタの入口のアクセスポイントのルータまたはスイッチでパケットミラーリングによって複製するなどしてキャプチャし、キャプチャしたパケットデータをコネクション毎に解析したネットワーク解析データ（例えば、パケット数、バイト数、ロスパケット数、RTT（Round Trip Time）等）を集計、分析し、過去の分析結果から異常判定閾値等の判定基準を作成し、現在のネットワーク品質が異常か否かを判定する。
ネットワーク品質の監視コスト低下の要請から、ネットワーク分析装置が、複数のコネクションのネットワーク解析データをまとめて、例えばパケットロス率の平均などを分析する。そのため、夜間などのサービス停止時にサービスにアクセスするコネクション数が減少すると同時にパケット数がサービス稼働時のような通常状態から減少し、パケットロス数は増加してなくても全パケット数の減少によりパケットロス率の平均値が高くなる場合、ネットワーク状態が必ずしも異常状態でなくても、ネットワークの異常が検出される。この場合、ネットワーク分析装置は、過剰なアラームを発生する。
過剰なアラームの発生を回避するために異常判定閾値のマージンを大きくし過ぎると、真にネットワークの異常が発生していても、ネットワーク分析装置は、必要なアラームを発生することができない。
上記の観点から、ネットワーク分析装置は、ジャストインタイムモデリング（Just In Time Modeling, JITモデリング）を使用して、過去のネットワークの使用状態と品質（例えばパケットロス率）の関係の傾向を反映した現在のネットワーク品質を推測し、JIT解析の局所モデルのネットワーク品質のばらつきに基づいて設定した正常範囲をネットワーク品質の推測値に加えた異常判定閾値で、ネットワークの異常を判定する。また、ネットワーク分析装置は、設定した正常範囲を、異常判定時に発したアラームに対する通信システム運用者によるフィードバックに基づいて調節することで、よりシステム運用者の意図に沿ったアラーム通知を行えるようにする。
上記のJITモデリングを使用したJIT分析により、ネットワーク分析装置は、ネットワークの過去のネットワーク品質の傾向とそのばらつきを反映した異常判定閾値に基づき、ネットワークの異常を判定することで、パケット数が少ない場合でも、適切に異常判定を行うことができる。
特表２０１８－５２１６１１号公報 特開２０１１－１４５８４６号公報
しかしながら、企業の組織等に基づいて区分された拠点等の１つまたは複数のサブネットに属する通信ノードグループがある場合、同じ通信ノードグループを送信元または送信先とする複数のコネクションが確立されて通信が行われる。この同じ通信ノードグループを送信元または送信先とする複数のコネクションを、以下コネクショングループと称する。
複数の拠点が存在し、複数のコネクショングループのネットワーク解析データを集計して分析する場合、次の２つの異常状態を区別することが困難になる。即ち、（１）複数のコネクショングループの通信サンプル数の割合が通常時と同じであるが、あるコネクショングループのパケットロス率が通常時より上昇し、複数のコネクショングループ全体の平均パケットロス率が異常判定閾値を超えてネットワークの異常が検出される場合と、（２）複数のコネクショングループの通信サンプル数の割合が通常時と異なり、普段から狭帯域等が原因で通信品質が悪くロス率が高いコネクショングループの高いパケットロス率が顕在化し、全体の平均パケットロス率が異常判定閾値を超えてネットワーク異常が検出される場合である。（２）の状態では、他のコネクショングループよりも普段から通信品質が悪い特定のコネクショングループの高いパケットロス率の測定値の数の、他のコネクショングループの高くないパケットロス率の測定値の数に対する比率が高く、全体の平均パケットロス率が高くなる。
上記の（１）の異常判定時のアラームは、運用者から必要なアラームであったとフィードバックされるが、（２）の異常判定時のアラームは、運用者から不必要なアラームであったとフィードバックされる場合がある。そのため、このフィードバックを受けて、（２）の状態のロス率を正常範囲とするように補正が行われ、異常判定閾値の正常範囲が高く変更されてしまい、ネットワーク分析装置が、その後に発生する（１）の異常が異常と判定できなくなる課題がある。
そこで、本実施の形態の第1の側面の目的は、上記のネットワーク分析の課題を解決するネットワーク分析プログラム、ネットワーク分析装置及びネットワーク分析方法を提供することにある。
本実施の形態の第１の側面は、それぞれ同じ通信ノードグループを送信元または送信先とする複数のコネクショングループのパケットをネットワークの通信経路上で取得し解析した過去のコネクションのネットワーク解析データを、前記複数のコネクショングループで集約した時間毎の学習データのうち、現時刻のコネクションのネットワーク解析データを前記複数のコネクショングループで集約した時間毎の集約データの説明変数ベクトルと、所定距離以内の説明変数ベクトルを有する局所学習データを局所モデルとし、前記局所モデルに基づいて前記集約データの説明変数ベクトルに対する現時刻のネットワーク品質の推測値を求める局所モデリング分析を行い、
前記推測値に基づいて算出した異常判定閾値より、前記現時刻のネットワーク品質の測定値が悪いか否かに基づいて、前記ネットワークの異常を判定し、
前記ネットワークの異常を判定した異常時間帯の前記コネクションのネットワーク解析データ内に、前記異常判定閾値を超える前記ネットワーク品質の測定値を有するコネクションの分布が所定サイズ以上で存在するか否かを判定する分布判定処理を実行し、
前記所定サイズ以上のコネクションの分布内に所定基準割合以上を占める特定のコネクショングループを個別解析対象コネクショングループとして抽出する抽出処理を実行し、
前記個別解析対象コネクショングループの前記学習データ及び集約データと、前記複数のコネクショングループから前記個別解析対象コネクショングループを除いた残りのコネクショングループの前記学習データ及び集約データとを、個別に、前記局所モデリング分析を行い、前記ネットワークの異常を判定する、処理をコンピュータに実行させるコンピュータ読み取り可能なネットワーク分析プログラムである。
第１の側面によれば、ネットワーク分析の精度を高くすることができる。
本実施の形態が適用される通信ネットワークの一例を示す図である。 第１のネットワーク異常判定方法を示す図である。 JITモデルを使用した第２のネットワーク異常判定方法を示す図である。 JIT解析の方法のフローチャートを示す図である。 JIT解析の方法を説明する図である。 JIT解析の方法を説明する図である。 アラームの発行とアラームに対するフィードバックについて説明する図である。 ネットワーク解析装置とネットワーク分析装置の構成例を示す図である。 ネットワーク分析装置の構成例を示す図である。 ネットワーク分析装置NW_AN_2のネットワーク分析プログラムに含まれる異常判定プログラムのフローチャートを示す図である。 学習データ作成プログラムの処理のフローチャートを示す図である。 アラーム判定プログラムの処理のフローチャートを示す図である。 状態別に生成したコネクション毎のロス率の分布（ヒストグラム）を示す図である。 JIT解析によるネットワークの誤判定の場合のコネクション毎のロス率の分布（ヒストグラム）例を示す図である。 本実施の形態におけるネットワーク分析プログラムに含まれるアラーム判定プログラムのフローチャートを示す図である。 フィードバック対象のアラーム通知について説明する図表である。 本実施の形態におけるネットワーク分析処理のアラーム判定の詳細フローチャートを示す図である。 図１７のアラーム判定の詳細フローチャートの処理を示す図である。 処理S41とS42について更に説明する図である。 分布の山の検出処理S42を説明する図である。 分布の山の検出処理S42を説明する図である。 分布の山の検出処理S42を説明する図である。 コネクショングループCG_Eに対するJIT解析を示す図である。 データ抽出条件設定例と判定対象項目設定例を示す図である。 学習データ作成例を示す図である。 現時刻のネットワーク解析データの取得例を示す図である。 過去３週間分の学習データDB2と現時刻の集約されたネットワーク解析データ（集約データ）DB3_2に基づくJIT解析の具体例を示す図である。 処理S44,S45におけるコネクショングループ毎の学習データDB2の一例を示す図である。 処理S40におけるコネクショングループ毎の異常判定期間のネットワーク解析データDB3の一例を示す図である。
［第１の実施の形態］
以下、第１の実施の形態におけるネットワーク分析装置について説明する。最初に、第１の実施の形態が適用される通信ネットワークとJITモデリングを使用したネットワークの状態の解析（以下、JIT解析と称する。）を説明し、ネットワーク状態の誤判定を説明した後、第１の実施の形態のネットワーク分析装置について説明する。
［通信ネットワーク］
図１は、本実施の形態が適用される通信ネットワークの一例を示す図である。通信ネットワーク１は、企業内の複数の拠点A～Eと、データセンタDC内のサービスシステムSYSと、それらを接続するネットワークNWとを有する。各拠点には１つまたは複数のサブネットが形成される。そして、各拠点のサブネットに属する複数の通信ノード（端末）とサービスシステムSYSとの間にコネクショングループCG_A～CG_Eが確立される。各拠点の通信ノードグループ（端末グループ）は、サービスシステムSYS宛の通信を開始し、通信ノード（端末）が送信したまたは受信するパケットは、ネットワークNWとサービスシステムSYSのアクセスポイントAPを介して、サービスシステム内の送信先で受信される。
以下、通信ノードグループとは、企業の組織等に基づいて区分された拠点等の１つまたは複数のサブネットに属する複数の通信ノード（端末）のグループである。また、コネクショングループとは、同じ通信ノードグループを送信元または送信先とする複数のコネクションを有するグループである。概略的には、各拠点の通信ノードグループとデータセンタ内のサービスシステムSYSとの間それぞれに、各コネクショングループCG_A～CG_Eが確立される（張られる）。
通信ネットワーク１内には、通信経路の例えばアクセスポイントAPで各コネクションのパケットをキャプチャ（取得）しコネクション毎のネットワーク品質指標を解析するネットワーク解析装置NW_AN_1が設けられる。ネットワーク解析装置NW_AN_１は、キャプチャした複数コネクショングループCG_A～CG_Eのコネクションのパケットを解析し、コネクション毎のパケット数、バイト数、パケットロス数（後にNW_AN_2でロス率に換算）やパケットのRTT（Return Travel Time）やサーバ処理時間等のネットワーク品質や通信スループットの測定値をネットワーク解析データとして算出する。ネットワーク品質や通信スループットは、ネットワークの状態を判定するための指標となる。
ネットワーク解析装置NW_AN_1に接続されたネットワーク分析装置NW_AN_2は、通信量やネットワーク品質等のネットワーク解析データを条件抽出・集約・分析し、ネットワークが異常か否かを判定するネットワークの異常判定を行う。ネットワーク分析装置は、ネットワークの異常を判定すると、必要な場合はアラームを発して、通信ネットワーク１の管理者にネットワークの異常を通知する。
［ネットワークの異常判定］
図２は、第１のネットワーク異常判定方法を示す図である。図２の水平方向は時間TIMEを、垂直方向はネットワーク品質の一つであるパケットロス率LOSSを示す。第１のネットワーク異常判定方法では、ネットワーク分析装置は、監視対象である複数のコネクショングループの過去の通常時のパケットロス率の測定値LOSS_RGに基づいて異常判定閾値TH1を設定し、複数のコネクショングループの現在のパケットロス率の測定値LOSS_Mの平均値が異常判定閾値TH1を超えたか否かで、ネットワークの異常判定を行う。異常判定閾値TH1は、例えば、過去の通常時のパケットロス率の測定値の最大値の定数倍に設定される。
このネットワーク異常判定方法では、時刻T2のように、夜間の通信量が通常時より減少してコネクション数が少なくなり、通常時と同等の現時刻のパケットロス数に対するパケットロス率の測定値LOSS_Mが急上昇し、異常判定閾値TH1を超えて、過剰にアラームを発する場合がある。過剰なアラームを回避するために、異常判定閾値のマージンを多くした異常判定閾値TH2で判定したり、アラーム通知条件を厳しくしたりすると、時刻T1のように、現時刻のパケットロス率の測定値LOSS_Mがネットワーク異常により上昇しても異常判定閾値TH2を超えず、必要なアラームの通知が行われない場合がある。
図３は、JITモデルを使用した第２のネットワーク異常判定方法を示す図である。JITモデルを使用したネットワーク異常判定方法（以下、JIT解析と称する。）では、ネットワーク分析装置は、過去のネットワーク解析データに含まれる複数の説明変数（バイト数やパケット数等の通信量）とその目的変数（パケットロス率）からなる学習データの中から、現時刻のネットワーク解析データに含まれる説明変数ベクトル情報に近いサンプルを局所モデルとして抽出し、この局所モデルの説明変数と目的変数の関係から現時刻の説明変数に対するパケットロス率の推測値LOSS_SPを算出する。さらに、ネットワーク分析装置は、算出した推測値LOSS_SPに、学習データから抽出した局所モデルの目的変数のばらつきを示す標準偏差σを係数N倍した正常範囲Nσを加えてパケットロス率の異常判定閾値LOSS_THを設定する。
そして、ネットワーク分析装置は、現時刻のパケットロス率の測定値LOSS_Mが、異常判定閾値LOSS_THを超えるか否かを判定し、超える場合にネットワークの異常を検出する。
図４は、JIT解析の方法のフローチャートを示す図である。また、図５、図６は、JIT解析の方法を説明する図である。
まず、ネットワーク分析装置は、過去のネットワーク解析データの集約データである学習データのうち、現時刻のネットワーク解析データの通信量に関する説明変数（例えば、パケット数とバイト数）のベクトルと所定距離内の説明変数ベクトルを有する学習データを抽出し、局所モデルとする（S10）。学習データは、例えば、２つの説明変数（例えば、パケット数とバイト数）と１つの目的変数（例えばパケットロス率）のベクトルである。
図５には、学習データの目的変数（パケットロス率）の垂直軸に対し、説明変数であるパケット数とバイト数の二次元ベクトルの空間INF_VCTが示される。最初に、過去の学習データL_DATAを図５のグラフ上に配置する。そして、現時刻のネットワーク解析データ内の説明変数（パケット数とバイト数）のベクトルを、ベクトル空間INF_VCT内のクエリQRYとする。このクエリQRYから所定距離以内の説明変数ベクトルを有する学習データを抽出し、抽出した学習データを局所モデルLCL_Mとする。ここで所定距離とは例えばL2ノルムなどである。
次に、図６に示すとおり、ネットワーク分析装置は、局所モデルLCL_M内の複数の学習データL_DATAから局所線形モデルLCL_L_Mを算出し、局所線形モデルに基づいて現時刻の説明変数のベクトルINF_VCTに対する目標変数（パケットロス率）の推測値LOSS_SPを推測する（S11）。
更に、ネットワーク分析装置は、局所モデルに含まれる複数の学習データのパケットロス率のばらつきに基く標準偏差σを算出し、標準偏差σに係数Nを乗算して求めた正常範囲Nσをパケットロス率の推測値LOSS_SPに加算して、異常判定閾値LOSS_TH（＝LOSS_SP + Nσ）を算出する（S12）。
そして、ネットワーク分析装置は、現時刻のパケットロス率の測定値LOSS_Mが、異常判定閾値LOSS_TH（＝LOSS_SP + Nσ）を超えていれば（S13のYES）、ネットワークが異常と判定し（S14）、超えていなければ（S13のNO）、ネットワークが正常と判定する（S15）。
上記のJIT解析によるネットワークの異常判定は、複数の通信ノードグループそれぞれとサービスシステムSYS間の複数のコネクショングループの各コネクションのパケットデータを解析したネットワーク解析データを時間毎に集約したデータに基づいて行われる。したがって、現時刻の集約データは、複数のコネクショングループの各コネクションのネットワーク解析データを単位時間毎に集約したものであり、例えば、パケット数やバイト数等の説明変数は複数コネクショングループの各コネクションの合計値、パケットロス率やRTT（Return Travel Time）やサーバ処理時間等の目的変数（判定対象値）は各コネクションの平均値となる。
この図３の第２のネットワーク異常判定方法によれば、過去の学習データに含まれる通常時の通信量に対するパケットロス率の傾向を反映した推測値LOSS_SP及び正常範囲Nσにより異常判定閾値LOSS_THを設定する。したがって、第１に、図３中の時刻T3のシステム稼働時のように通信量が増加してパケットロス率LOSSが増加するときは、パケットロス率の推測値LOSS_SPが増加し、ネットワークは正常と判定される。
第２に、時刻T2のようにシステム稼働時外のように通信量が減少してパケット数が少なくなり現時刻のパケットロス率の測定値LOSS_Mが大きく増加するときは、学習データのパケットロス率のばらつきに基く正常範囲Nσが増加し異常判定閾値LOSS_THも増加し、ネットワークは正常と判定される。通信量の減少によりパケット数が減少すると、一部のコネクションでパケットロス数が上下に変動すると、パケットロス数÷パケット数で求められるパケットロス率のばらつきが大きくなり、正常範囲Nσが大きくなるからである。
そして、第３に、時刻T1のように過去の傾向に基くパケットロス率の推測値LOSS_SPが増加していないのに現在のパケットロス率の測定値LOSS_Mが大きく増加する場合は、現在の測定値LOSS_Mが異常判定閾値LOSS_THを超えてネットワーク異常と判定される。
このように、ネットワーク分析装置が、複数のコネクショングループのネットワーク解析データを集約したデータでネットワークの異常判定を行い、過去のネットワーク解析データに含まれるいろいろな状態が、JIT解析により局所モデルと局所線形モデルに反映させるので、ネットワークの状況に対応した適切な異常判定を行うことができる。
［アラームとアラームに対するフィードバック］
図７は、アラームの発行とアラームに対するフィードバックについて説明する図である。ネットワークの異常判定方法では、ネットワークの異常を判定したとき、ネットワーク分析装置NW_AN_2は、フィードバックFB付きアラームをネットワークシステムの管理者に送信する。このFB付きアラームに応答して、管理者は、ネットワークの異常の有無を確認し、異常ありまたは異常なしのいずれかのフィードバックをネットワーク分析装置に送信する。
そして、ネットワーク分析装置は、異常なしのフィードバックを受信した場合、アラームを発行した異常判定が管理者の基準では誤判定であったとみなし、正常範囲Nσの係数値Nを増加する。一方、ネットワーク分析装置は、異常ありのフィードバックを受信した場合、アラームを発行した異常判定が管理者の基準では正しい判定であったとみなし、正常範囲Nσの係数Nの増加は行わない。
このように、ネットワークの異常判定のユーザである管理者の判定基準をフィードバックで確認することで、正常範囲Nσの大きさを最適化する。
［ネットワーク解析装置、ネットワーク分析装置及び分析プログラム］
次に、ネットワーク解析装置、ネットワーク分析装置とその分析プログラムの処理の概略について説明する。
図８は、ネットワーク解析装置とネットワーク分析装置の構成例を示す図である。図８には、ネットワーク解析装置NW_AN_1とネットワーク分析装置NW_AN_2とが示される。ネットワーク解析装置NW_AN_1では、解析エンジン２が、通信ネットワーク１内の複数の通信ノードグループ（例えば複数のコネクショングループCG_A～CG_Eにそれぞれ対応する）とデータセンタ内のサービスシステムSYS間の通信経路上に設定されたアクセスポイントAPでキャプチャされたパケットを収集する。収集するパケットは、例えば、複数のコネクショングループそれぞれの各コネクションで送信される通信ノードグループ（図示せず）とサービスシステムSYS間の通信データなどである。そして、解析エンジン２が、収集したパケットを解析し、パケットの統計をとり、例えば、コネクション毎のネットワーク解析データをデータベースDB1に蓄積する。
ネットワーク分析装置NW_AN_2は、データベースDB1内のネットワーク解析データに基づいて、通信ネットワーク１の状態を分析し異常判定を行う。ネットワーク分析装置のプロセッサ（図示せず）は、後述するネットワーク分析プログラムを実行して、学習データ作成部２４、ネットワークの異常判定部２１、JIT解析部２２、アラーム判定部２３、フィードバック反映部３６を構成する。また、ネットワーク分析装置は、外部の設定ファイル３４から設定情報３５を読み込み、上記各部２１～２４、３６が設定情報に基づいてそれぞれの処理を実行する。
設定ファイル３４は、例えば、学習データの抽出条件、異常判定の指標（パケットロス率やサーバ処理時間等）である異常判定対象、異常判定に使用する変数（正常範囲Nσなど）、学習データ作成や異常判定の実行間隔などの設定情報を含む。
ネットワーク分析装置は、通信ネットワーク１の管理者の端末４と通信可能に接続され、異常判定部２１が生成する異常判定結果３２と、アラーム判定部２３が生成するアラーム判定結果３３を、管理者端末装置４に出力する。さらに、ネットワーク分析装置は、管理者端末装置４からアラームに対応するフィードバックを入力し、フィードバック反映部３６が、フィードバックに基づいて設定情報３５に含まれる異常判定に使用する変数の１つである正常範囲Nσの係数値Nを調整する。
図９は、ネットワーク分析装置の構成例を示す図である。図９には、ネットワーク分析装置NW_AN_2に加えて、通信ネットワーク１と、ネットワーク解析装置NW_AN_1と、管理者端末装置４も示される。通信ネットワーク１とネットワーク解析装置NW_AN_1の構成は、図８と同等である。
一方、図９では、ネットワーク分析装置NW_AN_2は、ネットワーク分析サーバなどのコンピュータである。ネットワーク分析装置は、プロセッサ１０と、メインメモリ１２と、ネットワークインタフェース１３と、大容量のストレージである補助記憶装置STとを有する。
補助記憶装置STには、異常判定プログラム２１と、JIT解析プログラム２２と、アラーム判定プログラム２３と、学習データ作成プログラム２４を有するネットワーク分析プログラム２０が記憶される。さらに、補助記憶装置STには、学習データDB2と、異常判定結果データ３２と、アラーム判定結果データ３３と、設定ファイル３４から読み出した設定情報３５が記憶される。
ネットワーク分析装置のプロセッサ１０は、補助記憶装置STから読み出されメインメモリ１２に展開されたネットワーク分析プログラム２０を実行する。これにより、通信ネットワークの状態を分析し、ネットワークの異常判定を行う。
以下、ネットワーク解析装置NW_AN_1とネットワーク分析装置NW_AN_2の処理の概略について説明する。その後、ネットワーク分析での異常の誤判定を説明し、それを解決する本実施の形態のネットワーク分析の処理を説明する。
まず、ネットワーク解析装置NW_AN_1は、通信経路上の様々なアクセスポイント等（ルータ、スイッチなどを含む）で、パケットをキャプチャし、キャプチャしたパケットを解析し、ネットワーク解析データDB1をストレージに格納する。
ネットワーク解析データは、例えば、レベル４の通信層の解析データであり、時間毎の各コネクションの解析データである。各コネクションの解析データは、送信元及び送信先IPアドレス、プロトコル番号、送信元及び送信先ポート番号、送信元から送信先への及び送信先から送信元へのパケット数、データのバイト数、パケットロス数、RTT（リターントラベルタイム）、サーバ処理時間などを含む。各コネクションのネットワーク解析データに含まれるパケット数、バイト数は通信量に関するデータであり、パケットロス数、RTT、サーバ処理時間はネットワークの異常判定の指標となる判定対象項目である。パケットロス数をパケット数で除算することでパケットロス率が算出される。
図１０は、ネットワーク分析装置NW_AN_2のネットワーク分析プログラムに含まれる異常判定プログラムのフローチャートを示す図である。図１０に示した処理番号S21,S23,S25,S27などは、図８にも示される。
ネットワーク分析装置のプロセッサは、ネットワーク分析プログラムを実行して、以下の処理を実行する。すなわち、プロセッサは、学習データ作成のタイミング、例えば１日毎、になると（S20のYES）、過去３週間分のネットワーク解析データから学習データの作成を実行する（S21）。
図１１は、学習データ作成プログラムの処理のフローチャートを示す図である。また、図２５は、学習データ作成例を示す図である。プロセッサは、学習データ作成対象期間（例えば３週間）の時間毎（例えば１分間毎）のコネクション毎のネットワーク解析データを、ネットワーク解析装置のストレージ内のネットワーク解析データDB1から抽出し取得する（S21_1）。
図２５には、取得した３週間分（2018/05/01～05/21）の時間毎及びコネクション毎のネットワーク解析データD1の例が示される。ネットワーク解析データの内容は、前述したとおりである。
次に、プロセッサは、取得した時間毎及びコネクション毎のネットワーク解析データD1から、設定情報３５内の様々な抽出条件に基づいてコネクションを抽出する（S21_2）。その結果、図２５には、抽出条件－１（プロトコル番号[Prot_No]「６」、送信先IP[dst_IP]「10.20.30.50」に基づいて抽出した時間毎及びコネクション毎のネットワーク解析データD2が示される。この抽出条件は、異常判定対象のネットワークと判定対象の通信プロトコルを定義する。
図２４は、データ抽出条件設定例と判定対象項目設定例を示す図である。図２４には、上記の抽出条件の例が示され、条件－１は、上記の抽出条件－１に対応する。ここで、送信先IPは、図１の通信ネットワーク１内のサービスシステムSYSのアクセスポイントのIPアドレスである。また、プロトコル番号は、IP層の上層のプロトコルの識別番号であり、プロトコル番号「６」はTCPプロトコルである。
条件－１は、図１の通信ネットワーク１の例で説明すると、例えば、データセンタDC内のサービスシステムSYS宛のコネクションを抽出する条件である。図１の通信ネットワーク１では、拠点A～Eそれぞれのサブネットに属する通信ノード（端末）が、データセンタDC内のサービスシステムSYSとの間に確立するコネクションは、条件－１の条件で抽出される。
条件－２は、プロトコル番号が「６」で、送信元サブネットアドレス「20.30.0.0/16」である。条件－２の例では、例えば、図１の通信ネットワーク１内の拠点のサブネットアドレスを送信元として確立されるコネクションが抽出される。
コネクションを抽出する様々な抽出条件の例は、以下のとおりである。
例１）条件－１のような単一の送信先IPアドレスまたはサブネットアドレス
[Prot_No]6, [dst_IP] 10.20.30.50
例２）条件－２のような単一の送信元サブネットアドレスまたはIPアドレス
[Prot_No]6, [src_IP] 20.30.0.0/16
例３）複数の送信先（または送信元）IPアドレスの組み合わせ形式
[Prot_No]6, [dst_IP] 10.20.30.50
[Prot_No]6, [dst_IP] 10.20.30.60
例４）条件－２のような単一の送信先または送信元サブネット指定形式
[Prot_No]6, [src_IP] 20.30.0.0/16
例５）複数の送信先または送信元サブネット指定形式
[Prot_No]6, [src_IP] 20.30.0.0/16
[Prot_No]6, [src_IP] 20.40.0.0/16
[Prot_No]6, [src_IP] 20.50.10.0/24
図２４内の判定対象項目については後述する。
次に、プロセッサは、抽出した単位時間毎及びコネクション毎のネットワーク解析データD2を、単位時間毎に集約して、学習データDB2を作成する（S21_3）。学習データは、図８に示した学習データDB2としてネットワーク分析装置内のストレージに格納される。
図２５には、単位時間毎に集約した学習データDB2の例が示される。図２５の学習データDB2は、過去３週間の単位時間（１分間）毎の複数のコネクショングループの各コネクションのネットワーク解析データを集約した例が示される。これによれば、コネクション数は複数のコネクショングループの単位時間内のコネクションの合計数であり、パケット数、バイト数、ロス数も複数のコネクショングループの単位時間内の数の合計数であり、ロス率は複数のコネクショングループの単位時間内の全ロス数を全パケット数で除算した値（つまり全コネクションの平均ロス率）であり、RTT、サーバ処理時間は複数のコネクショングループの全コネクションの平均RTT、サーバ時間である。
図１０に戻り、プロセッサは、ネットワークの異常判定のタイミングになるまで（S22のYES）、上記の学習データ作成処理S21を繰り返す。プロセッサは、ネットワークの異常判定タイミングになると（S22のYES）、現時刻のネットワーク解析データを取得する（S23）。
図２６は、現時刻のネットワーク解析データの取得例を示す図である。異常判定タイミングである現時刻のネットワーク解析データの取得処理は、図１１及び図２５で示した学習データ作成の処理と、取得時刻の違い（過去３週間か現時刻かの違い）を除くと、ほぼ同じである。現時刻のネットワーク解析データの取得処理では、プロセッサは、現時刻のネットワーク解析データを、ネットワーク解析装置NW_AN_1のストレージ内のネットワーク解析データから、現時刻（2018/05/22の12:51:00）のコネクション毎のネットワーク解析データD11を取得する。図２６に示すとおりである。
次に、プロセッサは、取得した現時刻のコネクション毎のネットワーク解析データから、抽出条件（条件－１：プロトコル番号６，送信先IP：10:20:30:50）に基づいて、コネクション毎のネットワーク解析データDB3_1を抽出し、ストレージに格納する。抽出されたネットワーク解析データDB3_1は、図２６に示すとおり、複数のコネクショングループの現時刻の全コネクションの解析データを有する。この現時刻の全コネクションの解析データDB3_1について、後述するヒストグラムが生成される。
そして、プロセッサは、抽出した複数のコネクショングループの現時刻の全コネクションの解析データを集約して、集約されたネットワーク解析データDB3_2を生成し、ストレージに格納する。図２６に示すとおりである。この現時刻の集約されたネットワーク解析データDB3_2の説明変数（パケット数、バイト数）は、JIT解析でクエリの説明変数（パケット数、バイト数）に使用される。
図１０に戻り、プロセッサは、設定情報３５内の１つの判定対象項目を選択する（S24）。図２４に、判定対象項目の例が示される。判定対象項目とは、ネットワークの異常判定する指標であり、図２４に示した例には、サーバ処理時間、パケットロス率、RTTなどが含まれる。パケットロス率、サーバ処理時間やRTTは、ネットワーク品質の指標である。
そこで、プロセッサは、JIT解析を実行する（S25）。JIT解析方法は、図３～図５で概略説明した。ここでは、図２５に示した過去３週間分の学習データDB2と、図２６に示した現時刻のコネクション毎のネットワーク解析データDB3_1及びその集約されたネットワーク解析データ（集約データ）DB3_2に基づいて行われるJIT解析について説明する。
図４は、JIT解析のフローチャートを示す図である。また、図２７は、過去３週間分の学習データDB2と現時刻の集約されたネットワーク解析データ（集約データ）DB3_2に基づくJIT解析の具体例を示す図である。
プロセッサは、JIT解析で、過去の学習データDB2のうち、現時刻のネットワーク解析データの集約データDB3_2の説明変数のベクトルの近傍の説明変数ベクトルを有する学習データL_DATAを抽出し、局所モデルとする（図４のS10）。図２７には、図２５に示した３週間の学習データDB2と、現時刻のネットワーク解析データの集約データDB3_2と、それらの間に図５と同等のベクトル空間が示される。そして、過去の学習データDB2に含まれる学習データL_DATAが、ベクトル空間内にプロットされている。学習データL_DATAは、３週間の複数のコネクショングループの時間毎且つコネクション毎の解析データを集約したものである。
そこで、プロセッサは、現時刻のネットワーク解析データの集約データDB3_2の説明変数であるパケット数とバイト数を要素とするベクトルをクエリとし、クエリから一定距離内のベクトルを有する学習データL_DATAを抽出し、局所モデルLCL_Mとする（図４のS10）。
上記のとおり、過去の学習モデルを複数のコネクショングループのコネクション毎のネットワーク解析データの集約データとしたことに対応して、現時刻の複数のコネクショングループのコネクション毎のネットワーク解析データの集約データDB3_2を、局所モデルを抽出するためのクエリに利用する。
その後、図４に示したとおり、プロセッサは、局所モデルLCL_Mに含まれる複数の学習データL_DATAのベクトル（パケット数、バイト数、パケットロス率）に基づいて、局所線形モデルを算出し、局所線形モデルに基づいて現時刻の集約データのベクトルの説明変数（パケット数、バイト数）に対する目的変数（パケットロス率）を推測する（図４のS11）。
そして、プロセッサは、パケットロス率の推測値LOSS_SPに、局所モデルの学習データのパケットロス率のばらつきを示す標準偏差σに係数Nを乗算した正常範囲Nσを加算した異常判定閾値LOSS_THを算出する（S12）。さらに、プロセッサは、現時刻の集計データのパケットロス率の測定値が、異常判定閾値LOSS_THを超えるか否か判定する（S13）。超えている場合は現時刻のネットワークは異常状態と判定し（S14）、以下の場合は正常状態と判定する（S15）。現時刻の集計データのパケットロス率の測定値は、図２６の集約したネットワーク解析データDB3_2内のパケットロス率の値であり、条件抽出したネットワーク解析データDB3_1内の複数のコネクショングループの複数のコネクションのパケットロス率の平均値である。
図１０に戻り、プロセッサは、JIT解析で異常が検出されると（S26のYES）、アラーム判定S27を行い、フィードバック対象のアラームが発せられると（S28のYES）、管理者からのフィードバックがアラーム不要の場合（S29のYES）、プロセッサは、係数値Nを大きくして正常範囲Nσを大きく調整する（S30）。フィードバック対象のアラームが発せられない（S28のNO）、またはアラーム不要のフィードバックがない（S29のNO）場合、プロセッサは、正常範囲の調整を行わない。プロセッサは、図２４の全判定対象項目の異常判定が終了するまで（S31のYES）、次の判定対象項目を選択して同様の処理を行う。
図１２は、アラーム判定プログラムの処理のフローチャートを示す図である。プロセッサは、アラーム判定プログラムを実行し、異常判定の頻度等がアラーム条件に合致している場合（S27_1のYES）、フィードバック対象のアラームを通知する（S27_2）。合致していない場合（S27_1のNO）、フィードバック対象のアラームの通知を行わない。
［JIT解析によるネットワークの異常判定及び誤判定の例］
図１３は、状態別に生成したコネクション毎のロス率の分布（ヒストグラム）を示す図である。また、図１４は、JIT解析によるネットワークの誤判定の場合のコネクション毎のロス率の分布（ヒストグラム）例を示す図である。
図１３において、状態１は、複数のコネクショングループCG_A～CG_Eの通信量の割合が通常状態の割合であり、それぞれの通信量も通常状態の量の例である。状態１に示したコネクショングループCG_A～CG_Eに対応して示した矢印の太さは、通信量を表している。状態２は、複数のコネクショングループCG_A～CG_Eの通信量の割合が通常状態の割合であるが、それぞれの通信量が増加している点で、状態１と異なる。
通信ネットワーク１の右側には、状態１、状態２における現時刻のネットワーク解析データDB3_1内の全コネクションのパケットロス率の分布DSTを示すヒストグラムHSTが示される。ヒストグラムの横軸のビンはパケットロス率に対応し、各ビンの高さはコネクション数に対応する。
また、ヒストグラムHST内には、JIT解析で算出した現時刻のパケットロス率の推測値LOSS_SPと、異常判定閾値LOSS_THと、現時刻の集約されたネットワーク解析データDB3_2に含まれる平均パケットロス率の測定値（全コネクションの平均パケットロス率）LOSS_AVとが示される。
図４に示したJIT解析でのネットワークの異常判定処理S13では、プロセッサは、現時刻の平均パケットロス率の測定値LOSS_AVが、局所モデルの学習データから算出した異常判定閾値LOSS_THを超えるか否か判定する。複数のコネクショングループCG_A～CG_Eのコネクションの解析データを集約して判定することで、複数のコネクショングループをまとめて異常判定できる。
状態１では、現時刻の複数のコネクショングループの平均パケットロス率の測定値LOSS_AVが異常判定閾値LOSS_THより小さいので、プロセッサは、正常と判定する。またヒストグラムHSTでは、コネクショングループCG_A～CG_Dが広帯域でパケットロス率が低く、多くのコネクションはパケットロス率の低い領域に分布し、狭帯域のコネクショングループCG_Eのパケットロス率が高く、コネクショングループCG_Eの少数のコネクションがパケットロス率の高い領域に分布している。
一方、状態２では、全コネクショングループの通信量が増大し、現時刻の平均パケットロス率の測定値LOSS_AVが状態１より高くなっている。一般に、通信量が増加するとパケットロス率は上昇するからである。しかし、JIT解析では、目的変数（パケットロス率）の推測値LOSS_SPとばらつきに基づく正常範囲Nσを加算した異常判定閾値LOSS_THと、測定値（平均値）LOSS_AVとを比較して異常判定する。状態２では複数のコネクショングループの通信量が増大しているので、推測値LOSS_SPも高くなり、異常判定閾値LOSS_THも高くなる。その結果、状態２でも、現時刻の平均パケットロス率の測定値LOSS_AVが異常判定閾値LOSS_THより小さく、正常と判定される。
また、状態２でのヒストグラムHSTでは、全コネクショングループの通信量が増加したため、現時刻の分布DSTに示されるとおり低いパケットロス率の領域と高いパケット率の領域の両方でコネクション数が増加している。
図１４に示した、状態３では、状態１と比較すると、コネクショングループCG_A～CG_Dの通信量が同等または減少し、狭帯域のコネクショングループCG_Eの通信量が増加している。つまり、コネクショングループCG_A～CG_Eそれぞれの通信量の比率が通常時と異なっている。それに伴い、状態３では、局所モデルの学習データに基づくパケットロス率の推定値LOSS_SPは、状態１と同等または微増となる。状態３の発生頻度が少なく、状態３を反映する学習データはほとんどないことが理由である。
一方で、コネクショングループ間の通信量の比率が通常時と異なり、現時刻の分布DSTに示されるとおり、コネクショングループCG_A～CG_Dによる低いパケットロス率のコネクション数の割合が減少し、コネクショングループCG_Eの高いパケットロス率のコネクション数の割合が増加したことに起因して、現時刻の集約データの平均パケットロス率の測定値LOSS_AVが大きく上昇する。その結果、状態３では、LOSS_AV ＞ LOSS_THとなり、プロセッサは、ネットワークが異常状態と誤判定する。
上記のとおり、状態３では、狭帯域のコネクショングループCG_Eは、通信量が増えてパケットロス数が増加しているが、パケットロス率は過剰に高くなく異常状態ではない。しかし、他のコネクショングループCG_A～CG_Dの通信量が少なく、コネクショングループCG_Eの高いパケットロス率が顕在化され、現時刻の集約データの平均パケットロス率の測定値LOSS_AVが大きく上昇している。その結果、異常状態と誤判定されている。このような誤判定に基づく異常判定に基づいてアラームを発行するのは、通信ネットワーク１の運用管理上好ましくない。また、誤判定によりフィードバック付きアラームを発行した場合、フィードバックで異常なしとなり正常範囲Nσの係数Nがより大きく調整される。このような誤判定に基づく係数Nの調整は、その後の異常判定において好ましくない。
なお、全コネクショングループCG_A～CG_Eで通常時よりパケットロス率が上昇したり、一部のコネクショングループでパケットロス率が通常時より上昇した場合は、JIT解析で異常を検出できる。
［本実施の形態におけるネットワーク分析処理の特徴］
図１５は、本実施の形態におけるネットワーク分析プログラムに含まれるアラーム判定プログラムのフローチャートを示す図である。図１５のフローチャートでは、図１２のアラーム判定のフローチャートの処理S27_1とS27_2に加えて、誤判定を防止するための処理S27_3とS27_4を有する。
図１５において、プロセッサは、処理S27_3で、異常判定期間において複数のコネクショングループ内にネットワーク品質が悪いコネクショングループがあるか否かの判定を行う。プロセッサは、判定がYESの場合に、処理27_4で、ネットワーク品質が通常の（悪くない）コネクショングループと悪いコネクショングループ（個別解析対象コネクショングループと称する。）とを別々に（個別に）JIT解析し（S27_4_1）、両コネクショングループが共に正常と判定された場合（S27_4_2のYES）、フィードバック対象のアラームを通知しない処理を行う（S27_4_3）。そして、ネットワーク品質の悪い個別解析対象コネクショングループが存在しない場合（S27_3のNO）と、両コネクショングループのいずれかがJIT解析で異常と判定された場合（S27_4_2のNO）、プロセッサは、フィードバック対象のアラーム通知を行う（S27_2）。フィードバック対象のアラームか否かは、アラーム種別に基づいて区別される。
図１６は、フィードバック対象のアラーム通知について説明する図表である。図１４に示した状態３の通信ネットワークでは、狭帯域の個別解析対象コネクショングループCG_Eだけパケットロス率が悪化している。このような状態３において、図１５に示したアラーム判定を実行すると、プロセッサは、コネクショングループCG_Eをネットワーク品質が悪い個別解析対象コネクショングループとして検出し、コネクショングループCG_A～CG_Dはネットワーク品質は通常レベルの個別解析対象ではないコネクショングループとして検出する。その結果、プロセッサは、個別解析対象コネクショングループCG_Eとそれを除くコネクショングループCG_A～CG_Dの２つのコネクショングループを別々に（個別に）JIT解析する。
図１６には、全コネクショングループをまとめて異常判定したときに異常と判定された場合に２つのコネクショングループを別々に（個別に）JIT解析したときの、判定結果の組み合わせが示される。図表の左端のコラムは、全コネクショングループをまとめて異常判定したときの結果を示し、全て異常となっている。それに対して、左から２番目と３番目のコラムは、個別解析対象コネクショングループCG_Eを除く残りのコネクショングループCG_A～CG_Dと個別解析対象コネクショングループCG_EそれぞれをJIT解析したときの判定結果を示す。そして、左から４番目のコラムはそれぞれの最終判断を、５番目のコラムはアラーム通知の有無もしくはアラーム種別を、右端のコラムはフィードバックに対する係数Nの調整内容の例を、それぞれ示す。
２つのコネクショングループを別々に（個別に）JIT解析して異常判定し、いずれかのコネクショングループで異常と判定された上から３つの行では、いずれも最終判断が異常となり、アラーム通知を行うか、またはアラーム種別１～３（いずれもフィードバック対象のアラーム）を通知する。そして、フィードバックが「アラーム不要」の場合に係数Nを大きくする調整を行う。
一方、両コネクショングループのJIT解析で両コネクショングループが通常と判定された最終行では、最終判断は異常ではないとなり、フィードバック対象のアラーム通知を行わないか、またはアラーム種別４を通知する。アラーム種別４は、フィードバック対象のアラームでないため、係数Nの調整は行われないことになる。
図１７は、本実施の形態におけるネットワーク分析処理のアラーム判定の詳細フローチャートを示す図である。図１７のフローチャートは、図１５の処理S27_3とS27_4を詳細に示す。また、図１８は、図１７のアラーム判定の詳細フローチャートの処理を示す図である。
まず、複数のコネクショングループ内にネットワーク品質が悪いコネクショングループがあるか否かの判定処理S27_3で、プロセッサは、異常判定期間のコネクション毎のネットワーク解析データのパケットロス率の分布に基づいて、ネットワーク品質が悪い個別解析対象コネクショングループがあるか否か判定する。
そのために、プロセッサは、ネットワークが異常と判定された期間のコネクション毎のネットワーク解析データを、ネットワーク解析装置のネットワーク解析データDB1から取得する（S40）。具体的には、図２６と同様に、プロセッサは、異常判定期間のコネクション毎のネットワーク解析データD11をDB1から取得し、条件抽出で判定対象のコネクションに絞り、単位時間毎及びコネクション毎のネットワーク解析データDB3_1を取得する。
図１８には、図３と同等のネットワークのパケットロス率の１日の推移を示すグラフが示される。これによれば、時刻５月２２日１２：５０～１２：５１に、単位時間毎に集約したコネクションのパケットロス率の平均値LOSS_AVが異常判定閾値LOSS_THを超えてネットワークの異常が判定されている。つまり、５月２２日１２：５０～１２：５１が、異常判定期間となる。
次に、プロセッサは、異常判定期間のコネクションのネットワーク解析データについて、パケットロス率の階級（ビン）に対しコネクション数×パケットロス率の測定値（SS×LOSS）を度数とする分布DST（ヒストグラム）を後述するカーネル関数により推定する（S41）。そして、プロセッサは、推定した分布DSTに、JIT解析で推測した異常判定閾値LOSS_THより大きいパケットロス率に所定の高さの分布の山が存在するか否か判定する（S42）。存在すれば、プロセッサは、その分布の山の主要なコネクションを有するコネクショングループがネットワーク品質が悪い個別解析対象コネクショングループと判定する。図１８には、パケットロス率の分布DSTの例が示される。
図１９は、上記の処理S41とS42について更に説明する図である。図１９には、処理S41で取得した異常判定期間のコネクション毎のネットワーク解析データDB3_1が示される。異常判定期間は、前述のとおり５月２２日１２：５０～１２：５１である。そして、処理S42で生成した、ネットワーク解析データDB3_1の全コネクションの、度数がコネクション数SSの分布と、度数がコネクション数×ロス率測定値（SS×LOSS）の分布が、ヒストグラムHSTに示される。両分布SS, SS×LOSSは、共に、カーネル関数に基づいて生成したものである。具体的には後で詳述する。
さらに、ヒストグラムHSTには、異常判定閾値LOSS_THと、コネクション数×パケットロス率測定値SS×LOSSの谷VALと２つの山MT1,MT2が示される。低いパケットロス率の山MT1は第１のコネクショングループCG_A～CG_Dのコネクションの山であり、高いパケットロス率の山MT2は第２のコネクショングループCG_Eのコネクションの山に対応する。
上記のSS×LOSSの山MT2は、異常判定閾値LOSS_THより高いパケットロス率に位置する山である。言い換えると、SS×LOSSの山MT2は、SS×LOSSの谷VALより高いパケットロス率に位置する山でもある。そこで、プロセッサは、異常判定閾値LOSS_TH（または谷VAL）より高いパケットロス率に位置する分布の山MT2がヒストグラムHST内に存在するか否か判定する（S42）。
図１８、図１９に示すとおり、プロセッサは、SS×LOSSのヒストグラムHSTに基づいて、LOSS_THより高いパケットロス率の位置に分布の山MT2を検出する（S42）これにより、プロセッサは、ネットワーク品質が悪い個別解析対象コネクショングループが存在していることを検出する（図１７のS27_3）。
図１７に戻り、ネットワーク品質が通常の（悪くない）コネクショングループと悪い個別解析対象コネクショングループとを別々にJIT解析する処理27_4では、プロセッサは、分布の山MT2に含まれるコネクションのコネクショングループを検出し、そのネットワーク品質の悪い個別解析対象コネクショングループCG_Eをそれ以外のコネクショングループCG_A～CG_Dから分離する（S43）。
図１９に示すとおり、プロセッサは、SS×LOSSの谷VALのパケットロス率４．２％より大きい分布の山MT2に含まれるコネクションの送信元IPアドレス[src_IP]に基づいて、分布の山MT２に含まれる主要なコネクションのコネクショングループCG_Eを検出する。
［分布の山の検出処理S42］
図２０、図２１、図２２は、分布の山の検出処理S42を説明する図である。図２０には、分布の山が検出されない場合S42:NOと、分布の山が検出される場合S42:YESのヒストグラムの例が示される。いずれのヒストグラムも、横軸の階級（ビン）はパケットロス率LOSSで、縦軸の度数はコネクション数SSまたはコネクション数×ロス率（SS×LOSS）である。
ヒストグラムの度数をコネクション数SS（実線）にすると、分布の山が検出される場合S42:YESにおける分布の山MT2は、山の高さが低く検出が困難である。そこで、本実施の形態では、ヒストグラムの度数をコネクション数×ロス率（SS×LOSS）とする。つまり、コネクション数SSにロス率LOSSの重みを乗じた値を度数とする分布（破線）に基づいて、分布の山MT2を検出する。コネクション数SSにパケットロス率LOSSの重みを乗ずることで、特にパケットロス率が高い領域の分布の山MT2を顕在化させることができる。
図２１には、左側に度数をコネクション数SSとしたヒストグラムが示される。そして、右側に、コネクション数SSが小さい領域のヒストグラムが拡大して示される。プロセッサが扱うヒストグラムは、右側に示した各ビンにコネクション数SSをプロットした折れ線グラフになる。これによれば、折れ線グラフは不連続な山を示すので、プロセッサは、この折れ線グラフに基づくと、高いロス率の領域に分布の山が存在するか否かを検出することは容易ではない。
そこで、本実施の形態では、図２２に示したように、コネクション数SSに代えてコネクション数SSのカーネル密度推定KDEによる分布をヒストグラムの横軸（ロス率）上にプロットし、KDEの合計値f(x)=ΣKDEを求める。このf(x)の分布は、コネクション数SSのなめらかな分布である。更に、カーネル密度推定KDEにロス率LOSSを乗じて、LOSS×KDEの合計値LOSS×f(x)=Σ（LOSS×KDE）を求める。このLOSS×f(x)の分布がSS×LOSSのなめらかな分布になる。
本実施の形態では、プロセッサは、コネクション数SSにロス率LOSSを乗じたヒストグラムの分布に代えて、コネクション数SSのカーネル密度推定KDEにロス率LOSSを乗じたLOSS×KDEの合計値LOSS×f(x)=Σ（LOSS×KDE）の分布に基づいて、大きいロス率の分布の山が存在するか否かの判定S42を行う。これにより、プロセッサは、演算で大きいロス率の分布の山を比較的容易に検出できる。
図１７に戻り、プロセッサは、検出した大きいロス率の分布の山MT2に含まれるコネクションを高い割合で有する個別解析対象コネクショングループCG_Eを検出し、他のコネクショングループCG_A～CG_Dから分離する（S43）。そして、プロセッサは、JIT解析を両グループそれぞれについて実行する。
JIT解析では、プロセッサは、まず、異常判定期間のJIT解析に必要な学習データ作成対象期間（異常判定期間より前の３週間）のネットワーク解析データD1をネットワーク解析装置のデータDB1から取得する（S44）。更に、プロセッサは、取得したネットワーク解析データD1から、分離したコネクショングループ毎に学習データDB2を作成する（S45）。処理S44とS45は、図１１に示したデータ作成の処理S21_1～S21_3を、分離したコネクショングループ毎に行うことと同じである。そして、プロセッサは、分離したコネクショングループそれぞれについて、JIT解析を行う（S46）。JIT解析は、学習データDB2と、処理S40で取得した異常判定期間のコネクション毎のネットワーク解析データDB3_1の集約データDB3_2とを使用して、図４に示した処理により行われる。
図２３は、個別解析対象コネクショングループCG_Eに対するJIT解析を示す図である。図１８で全コネクショングループをまとめてJIT解析したときに異常と判定された期間５月２２日１２：５０～１２：５１で、図２３の個別解析対象コネクショングループCG_Eに対するJIT解析では、LOSS_AV＜LOSS_THにより通常と判定されている。図２３に示したヒストグラムHSTには、狭帯域の個別解析対象コネクショングループCG_Eの異常判定期間のコネクションデータにより、パケットロス率が高いコネクションが分布の山MT2を形成する。そのため、時間毎のネットワーク解析データの集約データDB3_2のパケットロス率の平均値LOSS_AVは分布の山MT2付近になる。一方で、個別解析対象コネクショングループCG_Eではその学習データのコネクションのパケットロス率は高い傾向にあることから、局所線形モデルによるパケットロス率の推測値LOSS_SPが高くなり、異常判定閾値LOSS_THも高くなる。その結果、コネクショングループCG_EのJIT解析結果は、異常なしとなる。
［ネットワーク分析の具体例］
図２８は、処理S44,S45におけるコネクショングループ毎の学習データDB2の一例を示す図である。パターン１は、コネクショングループCG_A～CG_Dの３週間分のネットワーク解析データD2と、それを単位時間で集約した学習データDB2を示す。ネットワーク解析データD2は、条件抽出済みのデータである。一方、パターン２は、個別解析対象コネクショングループCG_Eの３週間分のネットワーク解析データD2と、それを単位時間で集約した学習データDB2を示す。
パターン１の送信元IPは、コネクショングループCG_A～CG_Dに含まれるIPアドレス10.20.30.50, 10.20.30.70になっている。一方、パターン２の送信元IPは、個別解析対象コネクショングループCG_Eに含まれるIPアドレス10.20.30.40～10.20.30.45になっている。また、パターン１の学習データDB2のロス率は０．０４と低く、一方、パターン２の学習データDB2のロス率は２．６８と高い。
パターン１，２の学習データは、２つのコネクショングループそれぞれのJIT解析に使用される。
図２９は、処理S40におけるコネクショングループ毎の異常判定期間のネットワーク解析データDB3の一例を示す図である。パターン１は、コネクショングループCG_A～CG_Dの異常判定期間のネットワーク解析データDB3_1と、それを単位時間で集約した集約データ（ネットワーク解析データ）DB3_2を示す。ネットワーク解析データDB3_1は、条件抽出済みのデータである。一方、パターン２は、個別解析対象コネクショングループCG_Eの異常判定期間のネットワーク解析データDB3_1と、それを単位時間で集約した集約データ（ネットワーク解析データ）DB3_2を示す。ネットワーク解析データDB3_1も、条件抽出済みのデータである。パターン１，２の通信元IPとパケットロス率は、図２８と同様である。
図２９のパターン１，２の集約データ（ネットワーク解析データ）DB3_2は、２つのコネクショングループそれぞれのJIT解析に使用される。
以上のとおり、本実施の形態のネットワーク分析装置によれば、複数のコネクショングループをまとめて異常判定を行う場合、異常要因となったコネクショングループの存在を判定し、存在する場合に異常要因の個別解析対象コネクショングループCG_Eとそれを除いたコネクショングループCG_A～CG_Dとを別々に（個別に）JIT解析する。これにより、複数のコネクショングループをまとめて判定したときの異常判定が誤判定だったか否かを確認することができる。
また、実施の形態では、ネットワーク解析装置がコネクションのネットワーク解析データDB1を生成した。しかし、それに限定されず、セッションのネットワーク解析データでもよい。
CG_A～CG_E：複数のコネクショングループ
CG_E：特定のコネクショングループ
１：通信ネットワーク
２０：ネットワーク分析プログラム
２１：異常判定プログラム
２２：JIT解析プログラム
２３：アラーム判定プログラム
２４：学習データ作成プログラム
DB1：ネットワーク解析データ
DB2：学習データ
DB3_1：ネットワーク解析データ
DB3_2：ネットワーク解析データの集約データ
LOSS_SP：パケットロス率の推定値
LOSS_TH：異常判定閾値
MT2：高いロス率の分布の山

Claims (10)

  1. それぞれ同じ通信ノードグループを送信元または送信先とする複数のコネクショングループのパケットをネットワークの通信経路上で取得し解析した過去のコネクションのネットワーク解析データを、前記複数のコネクショングループで集約した時間毎の学習データのうち、現時刻のコネクションのネットワーク解析データを前記複数のコネクショングループで集約した時間毎の集約データの説明変数ベクトルと、所定距離以内の説明変数ベクトルを有する局所学習データを局所モデルとし、前記局所モデルに基づいて前記集約データの説明変数ベクトルに対する現時刻のネットワーク品質の推測値を求める局所モデリング分析を行い、
    前記推測値に基づいて算出した異常判定閾値より、前記現時刻のネットワーク品質の測定値が悪いか否かに基づいて、前記ネットワークの異常を判定し、
    前記ネットワークの異常を判定した異常時間帯の前記コネクションのネットワーク解析データ内に、前記異常判定閾値を超える前記ネットワーク品質の測定値を有するコネクションの分布が所定サイズ以上で存在するか否かを判定する分布判定処理を実行し、
    前記所定サイズ以上のコネクションの分布内に所定基準割合以上を占める特定のコネクショングループを個別解析対象コネクショングループとして抽出する抽出処理を実行し、
    前記個別解析対象コネクショングループの前記学習データ及び集約データと、前記複数のコネクショングループから前記個別解析対象コネクショングループを除いた残りのコネクショングループの前記学習データ及び集約データとを、個別に、前記局所モデリング分析を行い、前記ネットワークの異常を判定する、処理をコンピュータに実行させるコンピュータ読み取り可能なネットワーク分析プログラム。
  2. 前記局所モデリング分析は、
    前記局所モデルに基づいて、前記説明変数ベクトルから前記推測値を算出する局所線形モデルを生成し、
    前記局所線形モデルに基づいて、前記集約データの説明変数ベクトルに対する前記推測値を算出する、請求項１に記載のネットワーク分析プログラム。
  3. 前記処理は、更に、
    前記個別解析対象コネクショングループと前記残りのコネクショングループの両方が、前記ネットワークの異常に該当しないと判定した場合、前記ネットワークの異常を知らせるアラームを発しない、請求項１に記載のネットワーク分析プログラム。
  4. 前記処理は、更に、
    前記局所モデルのばらつきに基く適正範囲を、前記ばらつきに係数を乗じて設定し、
    前記アラームに応答して前記アラームの受信側から返信されたフィードバックが、前記アラームが不適切を示す場合、前記係数の値を増加して前記適正範囲を増大する、請求項３に記載のネットワーク分析プログラム。
  5. 前記分布判定処理において、
    前記異常時間帯の前記コネクションのネットワーク分析データについて、前記ネットワーク品質の測定値を各ビンに割当て、前記コネクションの数に前記測定値を乗じた値を前記各ビンの数とするヒストグラムを生成し、
    前記ヒストグラムにおいて、前記異常判定閾値を超える前記ネットワーク品質の測定値を有する前記コネクションの分布の山が所定サイズ以上で存在するか否かを判定する、請求項１に記載のネットワーク分析プログラム。
  6. 前記分布判定処理内の前記ヒストグラムの生成処理では、
    前記異常時間帯の複数のコネクションそれぞれについて、前記ヒストグラム内の前記測定値の位置に、前記測定値を中心とするカーネル関数に前記測定値を乗算した修正カーネル関数を配置し、配置した複数の修正カーネル関数を加算した値を前記各ビンの数とする分布曲線を、前記ヒストグラムとして生成し、
    前記分布曲線が、前記異常判定閾値を超える前記ネットワーク品質の測定値を有する位置に、前記所定サイズ以上の分布の山を有するか否かを判定する、請求項５に記載のネットワーク分析プログラム。
  7. 前記ネットワーク解析データは、コネクション数とネットワーク品質を示す品質値を有し、
    前記複数のコネクショングループで集約した時間毎の学習データ及び集約データは、前記コネクション数の合計と前記品質値の平均を有する、請求項１に記載のネットワーク分析プログラム。
  8. 前記異常判定閾値は、前記推測値に前記局所モデルのネットワーク品質のばらつきに基く適正範囲を加えて算出される、請求項１に記載のネットワーク分析プログラム。
  9. プロセッサと、
    前記プロセッサがアクセスするメモリを有し、
    前記プロセッサは、
    それぞれ同じ通信ノードグループを送信元または送信先とする複数のコネクショングループのパケットをネットワークの通信経路上で取得し解析した過去のコネクションのネットワーク解析データを、前記複数のコネクショングループで集約した時間毎の学習データのうち、現時刻のコネクションのネットワーク解析データを前記複数のコネクショングループで集約した時間毎の集約データの説明変数ベクトルと、所定距離以内の説明変数ベクトルを有する局所学習データを局所モデルとし、前記局所モデルに基づいて前記集約データの説明変数ベクトルに対する現時刻のネットワーク品質の推測値を求める局所モデリング分析を行い、
    前記推測値に基づいて算出した異常判定閾値より、前記現時刻のネットワーク品質の測定値が悪いか否かに基づいて、前記ネットワークの異常を判定し、
    前記ネットワークの異常を判定した異常時間帯の前記コネクションのネットワーク解析データ内に、前記異常判定閾値を超える前記ネットワーク品質の測定値を有するコネクションの分布が所定サイズ以上で存在するか否かを判定する分布判定処理を実行し、
    前記所定サイズ以上のコネクションの分布内に所定基準割合以上を占める特定のコネクショングループを個別解析対象コネクショングループとして抽出する抽出処理を実行し、
    前記個別解析対象コネクショングループの前記学習データ及び集約データと、前記複数のコネクショングループから前記個別解析対象コネクショングループを除いた残りのコネクショングループの前記学習データ及び集約データとを、個別に、前記局所モデリング分析を行い、前記ネットワークの異常を判定する、前記ネットワークの異常を判定する、ネットワーク分析装置。
  10. それぞれ同じ通信ノードグループを送信元または送信先とする複数のコネクショングループのパケットをネットワークの通信経路上で取得し解析した過去のコネクションのネットワーク解析データを、前記複数のコネクショングループで集約した時間毎の学習データのうち、現時刻のコネクションのネットワーク解析データを前記複数のコネクショングループで集約した時間毎の集約データの説明変数ベクトルと、所定距離以内の説明変数ベクトルを有する局所学習データを局所モデルとし、前記局所モデルに基づいて前記集約データの説明変数ベクトルに対する現時刻のネットワーク品質の推測値を求める局所モデリング分析を行い、
    前記推測値に基づいて算出した異常判定閾値より、前記現時刻のネットワーク品質の測定値が悪いか否かに基づいて、前記ネットワークの異常を判定し、
    前記ネットワークの異常を判定した異常時間帯の前記コネクションのネットワーク解析データ内に、前記異常判定閾値を超える前記ネットワーク品質の測定値を有するコネクションの分布が所定サイズ以上で存在するか否かを判定する分布判定処理を実行し、
    前記所定サイズ以上のコネクションの分布内に所定基準割合以上を占める特定のコネクショングループを個別解析対象コネクショングループとして抽出する抽出処理を実行し、
    前記個別解析対象コネクショングループの前記学習データ及び集約データと、前記複数のコネクショングループから前記個別解析対象コネクショングループを除いた残りのコネクショングループの前記学習データ及び集約データとを、個別に、前記局所モデリング分析を行い、前記ネットワークの異常を判定する、処理を有するネットワーク分析方法。
JP2019136265A 2019-07-24 2019-07-24 ネットワーク分析プログラム、ネットワーク分析装置及びネットワーク分析方法 Active JP7235967B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019136265A JP7235967B2 (ja) 2019-07-24 2019-07-24 ネットワーク分析プログラム、ネットワーク分析装置及びネットワーク分析方法
US16/897,654 US11507076B2 (en) 2019-07-24 2020-06-10 Network analysis program, network analysis device, and network analysis method
EP20181375.5A EP3771152B1 (en) 2019-07-24 2020-06-22 Network analysis program, network analysis device, and network analysis method
CN202010587800.3A CN112291107B (zh) 2019-07-24 2020-06-24 网络分析程序、网络分析装置以及网络分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019136265A JP7235967B2 (ja) 2019-07-24 2019-07-24 ネットワーク分析プログラム、ネットワーク分析装置及びネットワーク分析方法

Publications (2)

Publication Number Publication Date
JP2021022759A JP2021022759A (ja) 2021-02-18
JP7235967B2 true JP7235967B2 (ja) 2023-03-09

Family

ID=71120079

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019136265A Active JP7235967B2 (ja) 2019-07-24 2019-07-24 ネットワーク分析プログラム、ネットワーク分析装置及びネットワーク分析方法

Country Status (4)

Country Link
US (1) US11507076B2 (ja)
EP (1) EP3771152B1 (ja)
JP (1) JP7235967B2 (ja)
CN (1) CN112291107B (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7311402B2 (ja) * 2019-11-19 2023-07-19 エヌ・ティ・ティ・コミュニケーションズ株式会社 閾値出力装置、閾値出力方法および閾値出力プログラム
WO2021245854A1 (ja) * 2020-06-03 2021-12-09 日本電信電話株式会社 モデル構築装置、推定装置、モデル構築方法、推定方法及びプログラム
US11689763B2 (en) * 2020-09-28 2023-06-27 T-Mobile Usa, Inc. Cross-party diagnostics
AU2021269362A1 (en) * 2020-12-18 2022-07-07 The Boeing Company Systems and methods for real-time network traffic analysis

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1713594A (zh) 2004-06-25 2005-12-28 富士通株式会社 记录介质、故障分析设备以及故障分析方法
JP2011154483A (ja) 2010-01-26 2011-08-11 Fujitsu Ltd 異常検出装置、プログラム、及び異常検出方法
JP2017103674A (ja) 2015-12-03 2017-06-08 富士通株式会社 パケット収集方法、パケット収集プログラム及びパケット収集装置
US20180077182A1 (en) 2016-09-13 2018-03-15 Cisco Technology, Inc. Learning internal ranges from network traffic data to augment anomaly detection systems
US20190166024A1 (en) 2017-11-24 2019-05-30 Institute For Information Industry Network anomaly analysis apparatus, method, and non-transitory computer readable storage medium thereof

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4490307B2 (ja) * 2005-02-24 2010-06-23 三菱電機株式会社 ネットワーク異常検出装置及びコンピュータプログラム及びネットワーク異常検出方法
JP4720295B2 (ja) * 2005-06-02 2011-07-13 日本電気株式会社 異常検出システムおよび保全システム
JP2011145846A (ja) 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
US10097417B2 (en) * 2013-01-24 2018-10-09 Vencore Labs, Inc. Method and system for visualizing and analyzing a field area network
US9521158B2 (en) * 2014-01-06 2016-12-13 Cisco Technology, Inc. Feature aggregation in a computer network
US9848005B2 (en) 2014-07-29 2017-12-19 Aruba Networks, Inc. Client reputation driven role-based access control
US9544321B2 (en) * 2015-01-30 2017-01-10 Securonix, Inc. Anomaly detection using adaptive behavioral profiles
US10154053B2 (en) * 2015-06-04 2018-12-11 Cisco Technology, Inc. Method and apparatus for grouping features into bins with selected bin boundaries for use in anomaly detection
EP3326330B1 (en) 2015-07-22 2021-10-20 Dynamic Network Services, Inc. Methods, systems, and apparatus to generate information transmission performance alerts
US9699205B2 (en) * 2015-08-31 2017-07-04 Splunk Inc. Network security system
US9961571B2 (en) * 2015-09-24 2018-05-01 Futurewei Technologies, Inc. System and method for a multi view learning approach to anomaly detection and root cause analysis
US11277420B2 (en) * 2017-02-24 2022-03-15 Ciena Corporation Systems and methods to detect abnormal behavior in networks
CN108667856B (zh) * 2018-08-10 2021-01-26 广东电网有限责任公司 一种网络异常检测方法、装置、设备及存储介质
US11181894B2 (en) * 2018-10-15 2021-11-23 Uptake Technologies, Inc. Computer system and method of defining a set of anomaly thresholds for an anomaly detection model

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1713594A (zh) 2004-06-25 2005-12-28 富士通株式会社 记录介质、故障分析设备以及故障分析方法
JP2011154483A (ja) 2010-01-26 2011-08-11 Fujitsu Ltd 異常検出装置、プログラム、及び異常検出方法
JP2017103674A (ja) 2015-12-03 2017-06-08 富士通株式会社 パケット収集方法、パケット収集プログラム及びパケット収集装置
US20180077182A1 (en) 2016-09-13 2018-03-15 Cisco Technology, Inc. Learning internal ranges from network traffic data to augment anomaly detection systems
US20190166024A1 (en) 2017-11-24 2019-05-30 Institute For Information Industry Network anomaly analysis apparatus, method, and non-transitory computer readable storage medium thereof

Also Published As

Publication number Publication date
US20210026341A1 (en) 2021-01-28
CN112291107A (zh) 2021-01-29
JP2021022759A (ja) 2021-02-18
US11507076B2 (en) 2022-11-22
EP3771152A1 (en) 2021-01-27
CN112291107B (zh) 2023-06-23
EP3771152B1 (en) 2023-04-19

Similar Documents

Publication Publication Date Title
JP7235967B2 (ja) ネットワーク分析プログラム、ネットワーク分析装置及びネットワーク分析方法
CN112398680B (zh) 一种故障定界方法及设备
US8635498B2 (en) Performance analysis of applications
CN110493065B (zh) 一种云中心运维的告警关联度分析方法及系统
US20180212818A1 (en) Management apparatus, management method, and recording medium
US20150120914A1 (en) Service monitoring system and service monitoring method
JP6097889B2 (ja) 監視システム、監視装置、および検査装置
US11966319B2 (en) Identifying anomalies in a data center using composite metrics and/or machine learning
CN109150635B (zh) 故障影响分析方法及装置
US20130304905A1 (en) System and method for improved end-user experience by proactive management of an enterprise network
CN103544093A (zh) 监控报警控制方法及其系统
US20120203788A1 (en) Network management system and method for identifying and accessing quality of service issues within a communications network
US11343267B2 (en) Threat monitor, threat monitoring method, and recording medium therefore
CN113553210A (zh) 告警数据的处理方法、装置、设备及存储介质
US20190158363A1 (en) Parameter setting method, data analysis device, data analysis system and program
CN111881185A (zh) 一种数据监控方法、装置、设备及存储介质
US20150281008A1 (en) Automatic derivation of system performance metric thresholds
WO2020044898A1 (ja) 機器状態監視装置及びプログラム
KR20110035336A (ko) 비정상 트래픽 탐지 방법 및 이를 이용한 네트워크 관리 시스템
US11487746B2 (en) Business impact analysis
CN114860543A (zh) 异常检测方法、装置、设备与计算机可读存储介质
US9054995B2 (en) Method of detecting measurements in service level agreement based systems
JP2019175070A (ja) アラート通知装置およびアラート通知方法
JP7409866B2 (ja) 通信監視装置及び通信監視方法
US11146466B2 (en) Method for identifying an event impacting the QoE of an end-user of a network equipment

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220407

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230120

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: 20230124

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230206

R150 Certificate of patent or registration of utility model

Ref document number: 7235967

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150