JP7354424B2 - 端末間接続状態予測方法及び装置、及び分析デバイス - Google Patents
端末間接続状態予測方法及び装置、及び分析デバイス Download PDFInfo
- Publication number
- JP7354424B2 JP7354424B2 JP2022516077A JP2022516077A JP7354424B2 JP 7354424 B2 JP7354424 B2 JP 7354424B2 JP 2022516077 A JP2022516077 A JP 2022516077A JP 2022516077 A JP2022516077 A JP 2022516077A JP 7354424 B2 JP7354424 B2 JP 7354424B2
- Authority
- JP
- Japan
- Prior art keywords
- time segment
- connection state
- unit
- terminal
- training
- 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
Links
Images
Classifications
-
- 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
- H04L43/50—Testing arrangements
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04L43/02—Capturing of monitoring data
- H04L43/022—Capturing of monitoring data by sampling
-
- 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
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0811—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking connectivity
-
- 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
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Debugging And Monitoring (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Description
分析デバイスは、第1の過去の時間セグメント内の複数の単位時刻にそれぞれ対応するテスト端末ペアの接続状態を予測モデルに入力し、予測モデルの出力結果を取得する。
予測モデルは、N個のトレーニング端末ペアのものであり、かつ第2の過去の時間セグメント内の複数の単位時刻にそれぞれ対応する接続状態に基づいて生成され、第2の過去の時間セグメントは、現在時刻より前の時間セグメントであり、第2の過去の時間セグメントは、M+Q個の連続する単位時刻を含み、Nは、1以上の自然数である。
分析デバイスは、出力結果に基づいて、テスト端末ペアのものであり、かつ未来の時間セグメント内の少なくとも1つの単位時刻に対応する接続状態を決定する。
分析デバイスは、機械学習アルゴリズムを利用すること、及び多量のトレーニング端末ペアの長期間の過去の接続状態情報を完全に利用することによるトレーニングを通じて予測モデルを取得する。
このようにすると、同じネットワークシナリオにおける複数の端末ペアの接続状態を反映できる汎用的で動的な傾向情報又はパターン情報が抽出でき、それによって、予測がより正確に実行される。
分析デバイスは、第1の過去の時間セグメント内の複数の単位時刻にそれぞれ対応するテスト端末ペアの接続状態に基づいて、第1のサンプルシーケンスを決定する。
第1のサンプルシーケンスは、M個の要素を含み、M個の要素のそれぞれの値は、M個の連続する単位時刻の1つに対応する接続状態に対応する。
分析デバイスは、第1のサンプルシーケンスを予測モデルに入力し、予測モデルの出力結果を取得する。
出力結果は、予測されたシーケンスであり、予測されたシーケンスは、Q個の要素を含み、Q個の要素のそれぞれの値は、Q個の連続する単位時刻の1つに対応する接続状態に対応する。
分析デバイスは、最初に、テスト端末ペアの過去の接続状態を反映する第1のサンプルシーケンスを取得し、次いで、第1のサンプルシーケンスを予測モデルに入力し、出力結果として利用される予測されたシーケンスを取得する。
サンプルシーケンスを利用することによる予測は、予測モデルを適用する効果的な方法である。
分析デバイスは、N個のトレーニング端末ペアのものであり、かつ第2の過去の時間セグメント内の複数の単位時刻にそれぞれ対応する接続状態を取得し、
分析デバイスは、N個のトレーニング端末ペアのうちの第1のトレーニング端末ペアのものであり、かつ第2の過去の時間セグメント内の複数の単位時刻にそれぞれ対応する接続状態に基づいて、第1のトレーニング端末ペアに対応するトレーニングサンプルシーケンスを生成することであって、残りのものは、N個のトレーニングサンプルシーケンスを取得するために、同じ方法で処理でき、第1のトレーニング端末ペアに対応するトレーニングサンプルシーケンスは、M+Q個の要素を含み、M+Q個の要素のそれぞれの値は、第1のトレーニング端末ペアのものであり、かつM+Q個の連続する単位時刻の1つに対応する接続状態に対応する、ことを行い、
分析デバイスは、N個のトレーニングサンプルシーケンスを、機械学習アルゴリズムの入力として利用し、機械学習アルゴリズムによって出力される予測モデルを取得する。
分析デバイスは、最初に、トレーニング端末ペアの過去の接続状態傾向を反映するトレーニングサンプルシーケンスを取得し、次いで、多量のトレーニングサンプルシーケンスに基づいて、機械学習アルゴリズムを利用することによって、トレーニングを実行し、予測モデルを生成する。これは、効果的な予測モデル学習方法を提供する。予測モデルは、同じネットワークシナリオにおける複数の端末ペアの接続状態の汎用的で動的な傾向情報又はパターン情報を反映する。
分析デバイスは、複数のデータフローにそれぞれ対応するセーブされたエントリから、第1のグループのターゲットエントリを選択する。
第1のグループのターゲットエントリは、記録された単位時刻が第1の過去の時間セグメントに属し、送信元IPアドレスが第1の端末のIPアドレスであり、かつ宛先IPアドレスが第2の端末のIPアドレスであるエントリと、記録された単位時刻が第1の過去の時間セグメントに属し、宛先IPアドレスが第1の端末のIPアドレスであり、送信元IPアドレスが第2の端末のIPアドレスであるエントリと、を含む。
分析デバイスは、選択された第1のグループのターゲットエントリに記録された単位時刻に対応する接続状態が、接続している状態であると決定し、第1の過去の時間セグメント内のものであり、かつ選択された第1のグループのターゲットエントリに記録された単位時刻とは異なる単位時刻に対応する接続状態が、接続していない状態であると決定し、それによって、第1の過去の時間セグメント内の複数の単位時刻にそれぞれ対応するテスト端末ペアの接続状態を取得する。
上記のデータ処理方法を利用することによって、分析デバイスは、テスト端末ペアのものであり、かつその粒度が2つの隣接する単位時刻の間の時間セグメントである過去の接続状態情報を取得し、それによって、テスト端末ペアの未来の接続状態は、テスト端末ペアの過去の接続状態情報に基づいて、その後に予測される。
分析デバイスは、N個のトレーニング端末ペアを取得する。
分析デバイスは、N個のトレーニング端末ペアが全て処理されるまで、N個のトレーニング端末ペアから1つのトレーニング端末ペアを選択し、選択されたトレーニング端末ペア上で、以下の処理ステップを実行し、選択されたトレーニング端末ペアは、第3の端末と第4の端末とを含む。
分析デバイスは、複数のデータフローにそれぞれ対応するセーブされたエントリから、第2のグループのターゲットエントリを選択する。
第2のグループのターゲットエントリは、記録された単位時刻が第2の過去の時間セグメントに属し、送信元IPアドレスが第3の端末のIPアドレスであり、かつ宛先IPアドレスが第4の端末のIPアドレスであるエントリと、記録された単位時刻が第2の過去の時間セグメントに属し、宛先IPアドレスが第4の端末のIPアドレスであり、かつ送信元IPアドレスが第3の端末のIPアドレスであるエントリとを含む。
分析デバイスは、選択された第2のグループのターゲットエントリ内に記録された単位時刻に対応する接続状態が、接続している状態であると決定し、第2の過去の時間セグメント内のものであり、かつ選択された第2のグループのターゲットエントリに記録された単位時刻とは異なる単位時刻に対応する接続状態が、接続していない状態であると決定し、それによって、第2の過去の時間セグメント内の複数の単位時刻にそれぞれ対応する、選択されたトレーニング端末ペアの接続状態を取得する。
上記のデータ処理方法を利用することによって、分析デバイスは、トレーニング端末ペアのものであり、かつその粒度が2つの隣接する単位時刻間の時間セグメントである過去の接続状態情報を取得し、それによって、予測モデルは、トレーニング端末ペアの過去の接続状態情報に基づいて、トレーニングを通じて、その後に取得される。
分析デバイスは、複数のフロー統計情報エントリを取得する。
複数のフロー統計情報エントリのそれぞれは、1つのデータフローに対応し、フロー統計情報エントリは、データフローの、生成時間、終了時間、送信元IPアドレス、及び宛先IPアドレスを含む。
分析デバイスは、事前設定された時間アライメントルールに基づいて、各フロー統計情報エントリ上での時間アライメント処理を実行し、複数のデータフローにそれぞれ対応するエントリを生成し、複数のデータフローにそれぞれ対応するエントリをセーブする。
複数のデータフローにそれぞれ対応するエントリのそれぞれは、単位時刻、送信元IPアドレス、及び宛先IPアドレスを記録する。
上記の方式を利用することによって生成されたエントリデータは、フロー統計情報内の接続状態関連情報のみを保持し、それによって、フロー統計情報に比べてデータ量を低減し、ストレージ空間を節約する。加えて、時間アライメント処理は、エントリデータを生成するプロセス内で実行される。これは、その後の処理効率を改善することにつながる。
第1の過去の時間セグメント内の複数の単位時刻にそれぞれ対応するテスト端末ペアの接続状態を取得することであって、テスト端末ペアは、第1の端末と第2の端末とを含み、第1の過去の時間セグメントは、現在時刻より前の時間セグメントであり、第1の過去の時間セグメントは、M個の連続する単位時刻を含み、Mは、2以上の自然数である、ことと、
第1の過去の時間セグメント内の複数の単位時刻にそれぞれ対応するテスト端末ペアの接続状態に基づいて、テスト端末ペアのものであり、かつ未来の時間セグメント内の少なくとも1つの単位時刻に対応する接続状態を決定することであって、未来の時間セグメントは、現在時刻より後の時間セグメントであり、未来の時間セグメントは、Q個の連続する単位時刻を含み、未来の時間セグメント内の最初の単位時刻と、第1の過去の時間セグメント内の最後の単位時刻とは、連続する単位時刻であり、Qは、1以上の自然数である、ことと
を実行する。
第1の過去の時間セグメントの複数の単位時刻にそれぞれ対応するテスト端末ペアの接続状態に基づいて、第1のサンプルシーケンスを決定することであって、第1のサンプルシーケンスは、M個の要素を含み、M個の要素のそれぞれの値は、M個の連続する単位時刻の1つに対応する接続状態に対応する、ことと、
第1のサンプルシーケンスを予測モデルに入力し、予測モデルの出力結果を取得することであって、出力結果は、予測されたシーケンスであり、予測されたシーケンスは、Q個の要素を含み、Q個の要素のそれぞれの値は、Q個の連続する単位時刻の1つに対応する接続状態に対応する、ことと
を行うように構成される。
N個のトレーニング端末ペアのものであり、かつ第2の過去の時間セグメント内の複数の単位時刻にそれぞれ対応する接続状態を取得するステップと、
N個のトレーニング端末ペアのうちの第1のトレーニング端末ペアのものであり、かつ第2の過去の時間セグメント内の複数の単位時刻にそれぞれ対応する接続状態に基づいて、第1のトレーニング端末ペアに対応するトレーニングサンプルシーケンスを生成するステップであって、残りのものは、N個のトレーニングサンプルシーケンスを取得するために、同じ方法で処理されることができ、第1のトレーニング端末ペアに対応するトレーニングサンプルシーケンスは、M+Q個の要素を含み、M+Q個の要素のそれぞれの値は、第1のトレーニング端末ペアのものであり、かつM+Q個の連続する単位時刻の1つに対応する接続状態に対応する、ステップと、
N個のトレーニングサンプルシーケンスを、機械学習アルゴリズムの入力として利用し、機械学習アルゴリズムによって出力される予測モデルを取得するステップと
を実行するように構成された、モデル学習ユニット723をさらに含む。
Claims (16)
- 端末間接続状態予測方法であって、
分析デバイスによって、第1の過去の時間セグメント内の複数の単位時刻にそれぞれ対応するテスト端末ペアの接続状態を取得するステップであって、前記テスト端末ペアは、第1の端末と第2の端末とを含み、前記第1の過去の時間セグメントは、現在時刻より前の時間セグメントであり、前記第1の過去の時間セグメントは、M個の連続する単位時刻を含み、Mは、2以上の自然数である、ステップと、
前記分析デバイスによって、前記第1の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記テスト端末ペアの前記接続状態に基づいて、前記テスト端末ペアのものであり、かつ未来の時間セグメント内の少なくとも1つの単位時刻に対応する接続状態を決定するステップであって、前記未来の時間セグメントは、前記現在時刻より後の時間セグメントであり、前記未来の時間セグメントは、Q個の連続する単位時刻を含み、前記未来の時間セグメント内の最初の単位時刻と、前記第1の過去の時間セグメント内の最後の単位時刻とは、連続する単位時刻であり、Qは、1以上の自然数である、ステップと
を含み、
前記テスト端末ペアのものであり、かつ未来の時間セグメント内の少なくとも1つの単位時刻に対応する接続状態を決定する前記ステップは、
前記分析デバイスによって、前記第1の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記テスト端末ペアの前記接続状態を予測モデルに入力し、前記予測モデルの出力結果を取得するステップであって、前記予測モデルは、N個のトレーニング端末ペアのものであり、かつ第2の過去の時間セグメント内の複数の単位時刻にそれぞれ対応する接続状態に基づいて生成され、前記第2の過去の時間セグメントは、前記現在時刻より前の時間セグメントであり、前記第2の過去の時間セグメントは、M+Q個の連続する単位時刻を含み、Nは、1以上の自然数である、ステップと、
前記分析デバイスによって、前記出力結果に基づいて、前記テスト端末ペアのものであり、かつ前記未来の時間セグメント内の前記少なくとも1つの単位時刻に対応する前記接続状態を決定するステップと
を含む、
端末間接続状態予測方法。 - 予測モデルに入力し、前記予測モデルの出力結果を取得する前記ステップは、
前記分析デバイスによって、前記第1の過去の時間セグメントの前記複数の単位時刻にそれぞれ対応する前記テスト端末ペアの前記接続状態に基づいて、第1のサンプルシーケンスを決定するステップであって、前記第1のサンプルシーケンスは、M個の要素を含み、前記M個の要素のそれぞれの値は、前記M個の連続する単位時刻の1つに対応する接続状態に対応する、ステップと、
前記分析デバイスによって、前記第1のサンプルシーケンスを前記予測モデルに入力し、前記予測モデルの出力結果を取得するステップであって、前記出力結果は、予測されたシーケンスであり、前記予測されたシーケンスは、Q個の要素を含み、前記Q個の要素のそれぞれの値は、前記Q個の連続する単位時刻の1つに対応する接続状態に対応する、ステップと
を含む、
請求項1に記載の予測方法。 - 前記M個の要素又はQ個の要素のうちの1つの値が第1の値であるとき、それは、対応する単位時刻での接続状態が、接続している状態であることを示し、
前記M個の要素又はQ個の要素のうちの1つの値が第2の値であるとき、それは、対応する単位時刻での接続状態が、接続していない状態であることを示し、前記第1の値と前記第2の値とは異なる、
請求項2に記載の予測方法。 - 前記予測モデルに前記第1のサンプルシーケンスを入力する前記ステップの前に、
前記N個のトレーニング端末ペアのものであり、かつ前記第2の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記接続状態を取得するステップと、
前記N個のトレーニング端末ペアのうちの第1のトレーニング端末ペアのものであり、かつ前記第2の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する接続状態に基づいて、前記第1のトレーニング端末ペアに対応するトレーニングサンプルシーケンスを生成するステップであって、残りのものは、N個のトレーニングサンプルシーケンスを取得するために、同じ方法で処理されることができ、前記第1のトレーニング端末ペアに対応する前記トレーニングサンプルシーケンスは、M+Q個の要素を含み、前記M+Q個の要素のそれぞれの値は、前記第1のトレーニング端末ペアのものであり、かつ前記M+Q個の連続する単位時刻の1つに対応する接続状態に対応する、ステップと、
前記N個のトレーニングサンプルシーケンスを、機械学習アルゴリズムの入力として利用し、前記機械学習アルゴリズムによって出力される前記予測モデルを取得するステップと、
をさらに含む、
請求項2又は3に記載の予測方法。 - 第1の過去の時間セグメント内の複数の単位時刻にそれぞれ対応するテスト端末ペアの接続状態を取得する前記ステップは、
前記分析デバイスによって、複数のデータフローにそれぞれ対応するセーブされたエントリから、第1のグループのターゲットエントリを選択するステップであって、前記第1のグループのターゲットエントリは、記録された単位時刻が前記第1の過去の時間セグメントに属し、送信元IPアドレスが前記第1の端末のIPアドレスであり、かつ宛先IPアドレスが第2の端末のIPアドレスであるエントリと、記録された単位時刻が前記第1の過去の時間セグメントに属し、宛先IPアドレスが前記第1の端末の前記IPアドレスであり、送信元IPアドレスが前記第2の端末のIPアドレスであるエントリと、を含む、ステップと、
前記分析デバイスによって、前記選択された第1のグループのターゲットエントリに記録された単位時刻に対応する接続状態が、接続している状態であると決定し、前記第1の過去の時間セグメント内のものであり、かつ前記選択された第1のグループのターゲットエントリに記録された前記単位時刻とは異なる単位時刻に対応する接続状態が、接続していない状態であると決定し、それによって、前記第1の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記テスト端末ペアの前記接続状態を取得するステップと、
を含む、
請求項1~4のいずれか1項に記載の予測方法。 - 前記N個のトレーニング端末ペアのものであり、かつ前記第2の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記接続状態を取得する前記ステップは、
前記分析デバイスによって、前記N個のトレーニング端末ペアを取得するステップと、
前記分析デバイスによって、前記N個のトレーニング端末ペアから、1つのトレーニング端末ペアを選択し、前記選択されたトレーニング端末ペア上で、前記N個のトレーニング端末ペアが全て処理されるまで、以下の処理ステップ、即ち、
前記分析デバイスによって、複数のデータフローにそれぞれ対応するセーブされたエントリから、第2のグループのターゲットエントリを選択するステップであって、前記第2のグループのターゲットエントリは、記録された単位時刻が前記第2の過去の時間セグメントに属し、送信元IPアドレスが第3の端末のIPアドレスであり、かつ宛先IPアドレスが第4の端末のIPアドレスであるエントリと、記録された単位時刻が前記第2の過去の時間セグメントに属し、宛先IPアドレスが前記第4の端末の前記IPアドレスであり、かつ送信元IPアドレスが前記第3の端末のIPアドレスであるエントリとを含む、ステップと、
前記分析デバイスによって、前記選択された第2のグループのターゲットエントリ内に記録された単位時刻に対応する接続状態が、接続している状態であると決定し、前記第2の過去の時間セグメント内のものであり、かつ前記選択された第2のグループのターゲットエントリに記録された前記単位時刻とは異なる単位時刻に対応する接続状態が、接続していない状態であると決定し、それによって、前記第2の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記選択されたトレーニング端末ペアの接続状態を取得するステップと、
を実行するステップであって、前記選択されたトレーニング端末ペアは、前記第3の端末と前記第4の端末とを含む、ステップと、
を含む、
請求項4に記載の予測方法。 - Q=1のとき、前記N個のトレーニングサンプルシーケンスにおける、正のサンプルの数量と、負のサンプルの数量との間の比は、0.5以上、かつ2以下であり、正のサンプルは、最後の要素の値によって示される接続状態が、接続している状態であるトレーニングサンプルシーケンスであり、負のサンプルは、最後の要素の値によって示される接続状態が、接続していない状態であるトレーニングサンプルシーケンスである、
請求項6に記載の予測方法。 - 前記分析デバイスによって、複数のフロー統計情報エントリを取得するステップであって、前記複数のフロー統計情報エントリのそれぞれは、1つのデータフローに対応し、前記フロー統計情報エントリは、前記データフローの、生成時間、終了時間、送信元IPアドレス、及び宛先IPアドレスを含む、ステップと、
前記分析デバイスによって、事前設定された時間アライメントルールに基づいて、各フロー統計情報エントリ上での時間アライメント処理を実行し、前記複数のデータフローにそれぞれ対応するエントリを生成し、前記複数のデータフローにそれぞれ対応する前記エントリをセーブするステップであって、前記複数のデータフローにそれぞれ対応する前記エントリのそれぞれは、単位時刻、送信元IPアドレス、及び宛先IPアドレスを記録する、ステップと
をさらに含む、
請求項5又は6に記載の予測方法。 - 前記第1の端末、前記第2の端末、前記第3の端末、及び前記第4の端末は全て、仮想マシンである、
請求項6又は7に記載の予測方法。 - 前記仮想マシンは、データセンタネットワークを通じて接続されたデータセンタに配置される、
請求項9に記載の予測方法。 - 端末間接続状態予測装置であって、
第1の過去の時間セグメント内の複数の単位時刻にそれぞれ対応するテスト端末ペアの接続状態を取得することであって、前記テスト端末ペアは、第1の端末と第2の端末とを含み、前記第1の過去の時間セグメントは、現在時刻より前の時間セグメントであり、前記第1の過去の時間セグメントは、M個の連続する単位時刻を含み、Mは、2以上の自然数である、ことを行うように構成された、取得モジュールと、
前記第1の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記テスト端末ペアの前記接続状態に基づいて、前記テスト端末ペアのものであり、かつ未来の時間セグメント内の少なくとも1つの単位時刻に対応する接続状態を決定することであって、前記未来の時間セグメントは、前記現在時刻より後の時間セグメントであり、前記未来の時間セグメントは、Q個の連続する単位時刻を含み、前記未来の時間セグメント内の最初の単位時刻と、前記第1の過去の時間セグメント内の最後の単位時刻とは、連続する単位時刻であり、Qは、1以上の自然数である、ことを行うように構成された、予測モジュールと
を含み、
前記予測モジュールは、モデルテストユニットと、決定ユニットとを含み、
前記モデルテストユニットは、
前記第1の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記テスト端末ペアの前記接続状態を予測モデルに入力し、前記予測モデルの出力結果を取得することであって、前記予測モデルは、N個のトレーニング端末ペアのものであり、かつ第2の過去の時間セグメント内の複数の単位時刻にそれぞれ対応する接続状態に基づいて生成され、前記第2の過去の時間セグメントは、前記現在時刻より前の時間セグメントであり、前記第2の過去の時間セグメントは、M+Q個の連続する単位時刻を含み、Nは、1以上の自然数である、ことを行うように構成され、
前記決定ユニットは、前記出力結果に基づいて、前記テスト端末ペアのものであり、かつ前記未来の時間セグメント内の前記少なくとも1つの単位時刻に対応する前記接続状態を決定するように構成される、
端末間接続状態予測装置。 - 前記モデルテストユニットは、
前記第1の過去の時間セグメントの前記複数の単位時刻にそれぞれ対応する前記テスト端末ペアの前記接続状態に基づいて、第1のサンプルシーケンスを決定することであって、前記第1のサンプルシーケンスは、M個の要素を含み、前記M個の要素のそれぞれの値は、前記M個の連続する単位時刻の1つに対応する接続状態に対応する、ことと、
前記第1のサンプルシーケンスを前記予測モデルに入力し、前記予測モデルの出力結果を取得することであって、前記出力結果は、予測されたシーケンスであり、前記予測されたシーケンスは、Q個の要素を含み、前記Q個の要素のそれぞれの値は、前記Q個の連続する単位時刻の1つに対応する接続状態に対応する、こととを行うように構成される、
請求項11に記載の予測装置。 - 前記予測モジュールは、
前記モデルテストユニットが前記第1のサンプルシーケンスを前記予測モデルに入力する前に、以下のステップ、即ち、
前記N個のトレーニング端末ペアのものであり、かつ前記第2の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記接続状態を取得するステップと、
前記N個のトレーニング端末ペアのうちの第1のトレーニング端末ペアのものであり、かつ前記第2の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する接続状態に基づいて、前記第1のトレーニング端末ペアに対応するトレーニングサンプルシーケンスを生成するステップであって、残りのものは、N個のトレーニングサンプルシーケンスを取得するために、同じ方法で処理されることができ、前記第1のトレーニング端末ペアに対応する前記トレーニングサンプルシーケンスは、M+Q個の要素を含み、前記M+Q個の要素のそれぞれの値は、前記第1のトレーニング端末ペアのものであり、かつ前記M+Q個の連続する単位時刻の1つに対応する接続状態に対応する、ステップと、
前記N個のトレーニングサンプルシーケンスを、機械学習アルゴリズムの入力として利用し、前記機械学習アルゴリズムによって出力される前記予測モデルを取得するステップと
を実行するように構成された、モデル学習ユニットをさらに含む、
請求項12に記載の予測装置。 - メモリと、前記メモリに接続された少なくとも1つのプロセッサとを含む分析デバイスであって、
前記メモリは、命令を記憶するように構成され、前記命令が前記少なくとも1つのプロセッサによって読み込まれた後、前記分析デバイスは、以下の動作、即ち、
第1の過去の時間セグメント内の複数の単位時刻にそれぞれ対応するテスト端末ペアの接続状態を取得することであって、前記テスト端末ペアは、第1の端末と第2の端末とを含み、前記第1の過去の時間セグメントは、現在時刻より前の時間セグメントであり、前記第1の過去の時間セグメントは、M個の連続する単位時刻を含み、Mは、2以上の自然数である、ことと、
前記第1の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記テスト端末ペアの前記接続状態に基づいて、前記テスト端末ペアのものであり、かつ未来の時間セグメント内の少なくとも1つの単位時刻に対応する接続状態を決定することであって、前記未来の時間セグメントは、前記現在時刻より後の時間セグメントであり、前記未来の時間セグメントは、Q個の連続する単位時刻を含み、前記未来の時間セグメント内の最初の単位時刻と、前記第1の過去の時間セグメント内の最後の単位時刻とは、連続する単位時刻であり、Qは、1以上の自然数である、ことと
を実行し、
前記テスト端末ペアのものであり、かつ未来の時間セグメント内の少なくとも1つの単位時刻に対応する接続状態を決定することは、
前記分析デバイスによって、前記第1の過去の時間セグメント内の前記複数の単位時刻にそれぞれ対応する前記テスト端末ペアの前記接続状態を予測モデルに入力し、前記予測モデルの出力結果を取得することであって、前記予測モデルは、N個のトレーニング端末ペアのものであり、かつ第2の過去の時間セグメント内の複数の単位時刻にそれぞれ対応する接続状態に基づいて生成され、前記第2の過去の時間セグメントは、前記現在時刻より前の時間セグメントであり、前記第2の過去の時間セグメントは、M+Q個の連続する単位時刻を含み、Nは、1以上の自然数である、ことと、
前記分析デバイスによって、前記出力結果に基づいて、前記テスト端末ペアのものであり、かつ前記未来の時間セグメント内の前記少なくとも1つの単位時刻に対応する前記接続状態を決定することと
を含む、
分析デバイス。 - コンピュータ可読記憶媒体であって、前記コンピュータ可読記憶媒体は、プログラムコードを格納し、前記プログラムコードがコンピュータ上で実行されるとき、前記コンピュータに、請求項1~10のいずれか1項に記載の方法を実行させる、コンピュータ可読記憶媒体。
- プログラムコードを含むコンピュータプログラムであって、前記プログラムコードがコンピュータ上で実行されるとき、前記コンピュータに、請求項1~10のいずれか1項に記載の方法を実行させる、コンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910866653.0 | 2019-09-12 | ||
CN201910866653.0A CN112491572B (zh) | 2019-09-12 | 2019-09-12 | 终端之间连接状态的预测方法、装置和分析设备 |
PCT/CN2020/114979 WO2021047665A1 (zh) | 2019-09-12 | 2020-09-14 | 终端之间连接状态的预测方法、装置和分析设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022547582A JP2022547582A (ja) | 2022-11-14 |
JP7354424B2 true JP7354424B2 (ja) | 2023-10-02 |
Family
ID=74866560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022516077A Active JP7354424B2 (ja) | 2019-09-12 | 2020-09-14 | 端末間接続状態予測方法及び装置、及び分析デバイス |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220200870A1 (ja) |
EP (1) | EP4024762A4 (ja) |
JP (1) | JP7354424B2 (ja) |
CN (1) | CN112491572B (ja) |
WO (1) | WO2021047665A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115416160B (zh) * | 2022-09-23 | 2024-01-23 | 湖南三一智能控制设备有限公司 | 搅拌筒转向识别方法、装置及搅拌车 |
CN117041073B (zh) * | 2023-09-05 | 2024-05-28 | 广州天懋信息系统股份有限公司 | 网络行为预测方法、系统、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009001659A1 (ja) | 2007-06-22 | 2008-12-31 | Nec Corporation | 携帯通信端末装置のデータ処理方法、及び、携帯通信端末装置 |
JP2016208212A (ja) | 2015-04-21 | 2016-12-08 | 日本電信電話株式会社 | トラヒック推定装置、方法及びプログラム |
JP2017220040A (ja) | 2016-06-08 | 2017-12-14 | 株式会社日立製作所 | ネットワーク装置、コネクション制御方法、及び計算機システム |
US20180137412A1 (en) | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN109617765A (zh) | 2019-01-02 | 2019-04-12 | 中国联合网络通信集团有限公司 | 一种物联网连接质量的预测方法和装置 |
WO2019087382A1 (ja) | 2017-11-06 | 2019-05-09 | 日本電気株式会社 | 稼働状況予測システム、稼働状況予測方法および稼働状況予測プログラム |
US20190200244A1 (en) | 2017-12-23 | 2019-06-27 | Fortinet, Inc. | Generating recommendations for achieving optimal cellular connectivity based on connectivity details and current and predicted future events |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2674402C (en) * | 2009-07-31 | 2016-07-19 | Ibm Canada Limited - Ibm Canada Limitee | Optimizing on demand allocation of virtual machines using a stateless preallocation pool |
JP5476880B2 (ja) * | 2009-09-14 | 2014-04-23 | ソニー株式会社 | 情報提供装置及び情報提供方法、コンピューター・プログラム、並びに無線通信装置 |
EP2768256B1 (en) * | 2013-02-15 | 2017-05-31 | Telefonaktiebolaget LM Ericsson (publ) | Prediction of quality of service of a possible future connection of a device to a wireless network |
CN105099953B (zh) * | 2014-04-28 | 2018-06-19 | 华为技术有限公司 | 云数据中心虚拟网络的隔离方法与装置 |
CN106817288B (zh) * | 2015-11-30 | 2019-06-14 | 华为技术有限公司 | 一种数据中心网络系统及信号传输系统 |
CN105871751A (zh) * | 2016-03-25 | 2016-08-17 | 中国科学院计算技术研究所 | 一种数据中心网络带宽保证方法及系统 |
US11190965B2 (en) * | 2016-10-31 | 2021-11-30 | Veniam, Inc. | Systems and methods for predictive connection selection in a network of moving things, for example including autonomous vehicles |
CN106954207B (zh) * | 2017-04-25 | 2018-06-05 | 腾讯科技(深圳)有限公司 | 一种获取目标终端的帐号属性值的方法及装置 |
CN107577522B (zh) * | 2017-09-30 | 2020-04-21 | Oppo广东移动通信有限公司 | 应用控制方法、装置、存储介质以及电子设备 |
CN109992367A (zh) * | 2017-12-29 | 2019-07-09 | 广东欧珀移动通信有限公司 | 应用处理方法和装置、电子设备、计算机可读存储介质 |
US10983855B2 (en) * | 2019-02-12 | 2021-04-20 | Microsoft Technology Licensing, Llc | Interface for fault prediction and detection using time-based distributed data |
-
2019
- 2019-09-12 CN CN201910866653.0A patent/CN112491572B/zh active Active
-
2020
- 2020-09-14 JP JP2022516077A patent/JP7354424B2/ja active Active
- 2020-09-14 WO PCT/CN2020/114979 patent/WO2021047665A1/zh unknown
- 2020-09-14 EP EP20862875.0A patent/EP4024762A4/en active Pending
-
2022
- 2022-03-11 US US17/692,569 patent/US20220200870A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009001659A1 (ja) | 2007-06-22 | 2008-12-31 | Nec Corporation | 携帯通信端末装置のデータ処理方法、及び、携帯通信端末装置 |
JP2016208212A (ja) | 2015-04-21 | 2016-12-08 | 日本電信電話株式会社 | トラヒック推定装置、方法及びプログラム |
JP2017220040A (ja) | 2016-06-08 | 2017-12-14 | 株式会社日立製作所 | ネットワーク装置、コネクション制御方法、及び計算機システム |
US20180137412A1 (en) | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
WO2019087382A1 (ja) | 2017-11-06 | 2019-05-09 | 日本電気株式会社 | 稼働状況予測システム、稼働状況予測方法および稼働状況予測プログラム |
US20190200244A1 (en) | 2017-12-23 | 2019-06-27 | Fortinet, Inc. | Generating recommendations for achieving optimal cellular connectivity based on connectivity details and current and predicted future events |
CN109617765A (zh) | 2019-01-02 | 2019-04-12 | 中国联合网络通信集团有限公司 | 一种物联网连接质量的预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
EP4024762A4 (en) | 2023-07-05 |
CN112491572B (zh) | 2022-01-21 |
WO2021047665A1 (zh) | 2021-03-18 |
EP4024762A1 (en) | 2022-07-06 |
JP2022547582A (ja) | 2022-11-14 |
CN112491572A (zh) | 2021-03-12 |
US20220200870A1 (en) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI647934B (zh) | 網路拓樸實機模擬方法與系統 | |
CN104683257B (zh) | 对进入流量执行流量负载平衡的方法和装置 | |
US20180316594A1 (en) | Dynamic update of virtual network topology | |
JP7354424B2 (ja) | 端末間接続状態予測方法及び装置、及び分析デバイス | |
US11722371B2 (en) | Utilizing unstructured data in self-organized networks | |
CN114175591B (zh) | 用于软件定义网络中断开连接的节点的对等节点发现过程 | |
CN111800501B (zh) | 处理业务请求的方法及装置、存储介质、电子设备 | |
US20190007341A1 (en) | Large scale fabric attached architecture | |
CN114091610A (zh) | 智能决策方法及装置 | |
WO2023093354A1 (en) | Avoidance of workload duplication among split-clusters | |
US11070438B1 (en) | Apparatus, system, and method for collecting network statistics information | |
Choumas et al. | The SDN control plane challenge for minimum control traffic: Distributed or centralized? | |
US20210377129A1 (en) | Network building apparatus, network building method, non-transitory computer readable medium storing program | |
CN114244713A (zh) | 一种电力5g网络切片的资源备份方法及装置 | |
Hbaieb et al. | A survey and taxonomy on virtual data center embedding | |
CN109981437B (zh) | 一种基于vpc的多数据中心互通方法及相关设备 | |
US11595471B1 (en) | Method and system for electing a master in a cloud based distributed system using a serverless framework | |
Santos et al. | Automating the service function chain availability assessment | |
JP7056207B2 (ja) | トポロジ決定装置、トポロジ決定方法、トポロジ決定プログラムおよび通信システム | |
CN110958326B (zh) | 一种负载均衡方法、装置、系统、设备及介质 | |
Zhang et al. | SDN enhanced tomography for performance profiling in cloud network | |
Bui et al. | A survivable design of last mile communication networks using multi-objective genetic algorithms | |
CN115277447B (zh) | 网络建设效果的评价方法、装置、电子设备及存储介质 | |
Kakulapati et al. | Switch hierarchical provider (SHP) networks for data network virtualization | |
CN114422393B (zh) | 用于确定无损网络性能的方法及装置、电子设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220413 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220413 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230502 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230509 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230731 |
|
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: 20230829 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230920 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7354424 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |