JP7435807B2 - 帯域推定装置、帯域推定方法、及びプログラム - Google Patents

Description

本開示は、複数の回線が１つの通信リンクに収容される際に必要となる通信帯域を算出する技術に関する。

図１及び図２は、特許文献１に記載される通信帯域算出装置３００を説明する図である。通信システム１０は、２つの通信装置（１１、１２）をリンク１５で接続している。リンク１５は複数の回線を収容する。各回線の通信帯域は、各回線の契約に応じて上限値（以降、「契約帯域」と記載する。）が設定される。通信装置（１１、１２）は、それぞれの物理ポート（１１ａ，１２ａ）で、リンク１５に収容される回線全体のトラヒック量を観測し、通信帯域算出装置３００に通知している。

収容される回線の数や契約帯域は、回線の新規追加、契約変更、あるいは削除に伴って時間的に変化し、図２に示す観測期間Ｔｖ内および設計期間Ｔｘ内においても複数回変化する場合がある。各回線の通信品質を保証するために（トラヒックが廃棄されないように）、リンク１５には必要な物理帯域（以降、「必要帯域」と記載する。）が設計（以降、「帯域設計」と記載する。）される。

特開２００９－１１８２７４号公報

ここで、図１のような通信システム１０には、帯域利用効率について次のような課題がある。
リンク１５の必要帯域を収容される全回線の契約帯域の総和とすると、多数の回線の利用率が低い場合、帯域利用効率が低くなってしまう。このため、通信システム１０には、各回線の通信品質を保証するとともに、帯域利用効率が低下しない程度の必要帯域の設定が求められるという課題がある。

当該課題を解決するためには、次のような予測手法がなされることがある。
当該予測手法は、観測トラヒックデータから各変動要素の帯域をそれぞれ予測し、その総和を必要帯域とする。ここで、既存回線変動は過去のトラヒックデータに基づく線形近似関数式を用いて予測する。一方、新規回線変動は既存トラヒックと同じ確率密度関数を用いて予測する。
そして、帯域設計は設計期間Ｔｘ内の各時間において実施され、各時間ｔ_ｉごとに必要帯域Ｚ（ｔ_ｉ）が算出される。

特許文献１は、変動要素ごとに必要帯域を推定することが開示される。本発明は、特許文献１の手法より高い精度で必要帯域を推定することを目的とする。つまり、本発明は、前記課題を解決するために、通信システムのリンクの必要帯域を高い精度で算出し、通信品質の保証と帯域利用効率の向上を図ることができる帯域推定装置、帯域推定方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、本発明に係る帯域推定装置は、観測トラヒックデータと回線情報のセットを学習した機械学習モデルを用いて回線情報から各回線情報の場合のトラヒック量の確率密度関数を推定し、推定した確率密度関数に基づいた信頼区間の上限値を必要帯域とすることとした。

具体的には、本発明に係る帯域推定装置は、通信装置間のリンクに複数の回線が収容される通信システムにおいて、前記リンクの必要帯域を算出する帯域推定装置であって、
現在までの観測期間における前記回線毎の契約帯域と前記リンクのトラヒック量、及び将来の設計期間における前記回線毎の契約帯域が入力される通信部と、
前記観測期間における時間毎の前記契約帯域と前記トラヒック量を機械学習し、前記契約帯域から前記トラヒック量の確率密度関数を予測する機械学習モデルを作成すること、
前記設計期間における前記回線毎の契約帯域を前記機械学習モデルにあてはめて前記設計期間の時間毎の前記トラヒック量の確率密度関数を推定すること、及び
前記確率密度関数に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること
を行う演算処理部と、
を備える。

また、本発明に係る帯域推定方法は、通信装置間のリンクに複数の回線が収容される通信システムにおいて、前記リンクの必要帯域を算出する帯域推定方法であって、
現在までの観測期間における前記回線毎の契約帯域と前記リンクのトラヒック量を取得すること、
前記観測期間における時間毎の前記契約帯域と前記トラヒック量を機械学習し、前記契約帯域から前記トラヒック量の確率密度関数を予測する機械学習モデルを作成すること、
将来の設計期間における前記回線毎の契約帯域を取得し、前記機械学習モデルを用いて前記設計期間の時間毎の前記トラヒック量の確率密度関数を推定すること、及び
前記確率密度関数に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること
を行う。

本帯域推定装置及び方法は、過去のトラヒック量と回線情報を機械学習してモデルを生成し、回線情報をそのモデルにあてはめて将来のトラヒック量の確率密度関数を推定する。そして、その推定したトラヒック量の確率密度分布に基づいて必要帯域を設定する。つまり、本発明は、機械学習により通信システムのリンクの必要帯域を高い精度で算出し、通信品質の保証と帯域利用効率の向上を図ることができる帯域推定装置、帯域推定方法、及びプログラムを提供することができる。

また、本発明は、前記帯域推定装置としてコンピュータを機能させるためのプログラムである。本発明の帯域推定装置はコンピュータとプログラムによっても実現でき、プログラムを記録媒体に記録することも、ネットワークを通して提供することも可能である。

なお、上記各発明は、可能な限り組み合わせることができる。

本発明は、通信システムのリンクの必要帯域を高い精度で算出し、通信品質の保証と帯域利用効率の向上を図ることができる帯域推定装置、帯域推定方法、及びプログラムを提供することができる。

本発明に関連する通信帯域算出装置を説明する図である。 本発明に関連する通信帯域算出装置の動作を説明する図である。 回線情報のベクトルｘとトラヒック量のスカラー値ｙの時系列データの表である。 本発明に係る帯域推定装置で用いるモデルについて説明する図である。 本発明に係る帯域推定装置で用いる確立密度関数について説明する図である。 本発明に係る帯域推定方法を説明するフローチャートである。 本発明に係る帯域推定装置を説明する図である。 本発明に係る帯域推定装置を説明する図である。 本発明に係る帯域推定装置を説明する図である。 本発明に係る帯域推定装置の効果を説明する図である。 本発明に係る帯域推定装置の効果を説明する図である。 本発明に係る帯域推定装置を説明する図である。

添付の図面を参照して本発明の実施形態を説明する。以下に説明する実施形態は本発明の実施例であり、本発明は、以下の実施形態に制限されるものではない。なお、本明細書及び図面において符号が同じ構成要素は、相互に同一のものを示すものとする。

図３は、回線情報のベクトルｘとトラヒック量のスカラー値ｙの時系列データの表である。図４は、本発明で用いるモデルについて説明する図である。
時間ｔにおけるベクトルｘ_ｔは、図３の表のｘ部分の各行を表し、
ｘ_ｔ＝｛ｘ_{（ｔ，０）}，ｘ_{（ｔ，１）}，・・・｝
の各要素ｘ_{（ｔ，ｉ）}は、時間ｔにおける回線ｉの契約帯域を表す。
時間ｔにおけるトラヒック量ｙ_ｔは、帯域設計対象のリンクの収容回線全体のトラヒック量を表す。
観測期間Ｔｖおよび設計期間Ｔｘのベクトルｘ_ｔは回線の新規追加、契約変更、又は削除に伴って時間的に変化する。観測期間Ｔｖのトラヒック量ｙ_ｔは実際に観測したトラヒック量である。本発明は、図４のように、設計期間Ｔｘのベクトルｘ_ｔ毎に「モデル」を用いて確率密度関数ｐ（ｙ｜ｘ_ｔ）を予測する。なお、確率密度関数ｐ（ｙ｜ｘ_ｔ）は、回線情報がベクトルｘ_ｔである場合のトラヒック量ｙの分布を表す。図５に示すように、本発明は、ベクトルｘ_ｔ毎に「モデル」を用いることで、ベクトルｘ_ｔ毎の確率密度関数ｐ（ｙ｜ｘ_ｔ）を求めることができる。

図６は、本発明に係る帯域推定方法を説明するフローチャートである。本帯域推定方法は、通信装置（１１、１２）間のリンク１５に複数の回線ｉが収容される通信システム１０において、リンク１５の必要帯域を算出する帯域推定方法であって、
現在までの観測期間Ｔｖにおける回線ｉ毎の契約帯域ｘ_{（ｔ，ｉ）}とリンク１５のトラヒック量ｙ_ｔを取得すること（ステップＳ０１）、
観測期間Ｔｖにおける時間毎の契約帯域ｘ_{（ｔ，ｉ）}とトラヒック量ｙ_ｔを機械学習し、契約帯域ｘ_{（ｔ，ｉ）}からトラヒック量の確率密度関数ｐ（ｙ｜ｘ_ｔ）を予測する機械学習モデル（モデル）を作成すること（ステップＳ０２）、
将来の設計期間Ｔｘにおける回線ｉ毎の契約帯域ｘ_{（ｔ，ｉ）}を取得し、前記機械学習モデルを用いて設計期間Ｔｘの時間毎のトラヒック量の確率密度関数ｐ（ｙ｜ｘ_ｔ）を推定すること（ステップＳ０３）、及び
確率密度関数ｐ（ｙ｜ｘ_ｔ）に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること（ステップＳ０４）
を行う。

図７は、本発明に係る帯域推定装置３０１と測定対象の通信システム１０を説明する図である。通信システム１０は、任意の２つの通信装置（１１、１２）間のリンク１５に複数の回線ｉが収容されているネットワークである。図７も用いて、図６のステップを詳細に説明する。

［ステップＳ０１］
帯域推定装置３０１は、各回線ｉの契約帯域と、通信装置（１１、１２）ごとに任意の時間単位のトラヒック平均カウンタ値について、観測期間Ｔｖの時系列のデータを取得する。

［ステップＳ０２］
帯域推定装置３０１は、取得した観測期間Ｔｖのデータを機械学習し、ベクトルｘ_ｔからトラヒック量の確率密度関数ｐ（ｙ｜ｘ_ｔ）を予測するモデルを作成する。つまり、モデルは、ある時間ｔにおけるベクトルｘ_ｔから、当該時間ｔにおける通信装置（１１、１２）間のトラヒック量の確率密度関数ｐ（ｙ｜ｘ_ｔ）を求めるモデルである。本ステップのベクトルｘから、ｘの場合のトラヒック量の確立密度関数ｐ（ｙ｜ｘ）を求めるモデルの作成には、Ｄｅｅｐ Ｌｅａｒｎｉｎｇを用いる。
例えば、本ステップで作成するモデルは、汎化性能を持たせるために、潜在変数モデルを仮定してもよい。潜在変数モデルを用いた数式（Ａ）を図９で説明する。なお、数式（Ａ）では、ベクトルｘ_ｔをｘと略記する。数式（Ａ）において、ｑは、観測変数であるベクトルｘ_ｔから潜在変数ｚへ変換するエンコーダの確立密度関数を表し、φは当該エンコーダのパラメータを表す。また、数式（Ａ）の８行目のθは、潜在変数ｚから観測変数であるベクトルｘ_ｔへ変換するデコーダのパラメータを表し、ｐ_θは当該デコーダの確立密度関数を表す。図９において、８行目の右辺の第一項目のEｚ_～ｑ_φ（ｚ｜ｘ）は、ｚを変数とした分布ｑ_φ（ｚ｜ｘ）における期待値を示す。
確立密度関数ｐ（ｙ｜ｘ）を直接求めるのは困難であるため、図９に示すように式変形を行い、計算可能な量である変分下限に置き換える（図９の８行目）。図９において、２行目から３行目、３行目から４行目及び５行目から６行目は、条件付き確率の定義を用いて式変形を行う。ここで、条件付き確率は、例えば、事象Ｘが起こるという条件のもとで事象Ｙが起きる確率については、数１で表される。

また、図９において、４行目から５行目及び６行目から７行目は、ＫＬダイバージェンスの定義を用いて式変形を行う。ＫＬダイバージェンスは、例えば、２つの確立密度関数ｐ（ｘ）とｑ（ｘ）があった場合に、これらがどの程度似ているかを表す指標であり、数２で表される。

図９に示す式変形から得られた８行目の右辺を変分下限と呼び、これを最大化するθとφを計算することで、確立密度関数ｐ（ｙ｜ｘ）を求める。

［ステップＳ０３］
帯域推定装置３０１は、各回線ｉの契約帯域について、設計期間Ｔｘの時系列データを取得する。
帯域推定装置３０１は、設計期間Ｔｘの各ベクトルｘ_ｔのそれぞれにモデルを用いて、設計期間Ｔｘの各時間ｔでのトラヒック量の確率密度関数ｐ（ｙ｜ｘ_ｔ）を推定する。

［ステップＳ０４］
帯域推定装置３０１は、設計期間Ｔｘの各時間ｔについて、確率密度関数ｐ（ｙ｜ｘ_ｔ）から通信品質の保証に必要な信頼区間の上限値を求める。具体的には、帯域推定装置３０１は、各時間ｔのベクトルｘ_ｔについて、確率密度関数ｐ（ｙ｜ｘ_ｔ）から平均と標準偏差を求め、β％の信頼区間の上限値を求める。そして、帯域推定装置３０１は、この信頼区間の上限値を各時間ｔでの必要帯域とする。例えば、確率密度関数ｐ（ｙ｜ｘ_ｔ）にガウス分布を仮定した場合に、平均から５σの上限をとってもよい。σはｐ（ｙ｜ｘ_ｔ）の標準偏差を表す。

図８は、帯域推定装置３０１を説明する図である。帯域推定装置３０１は、通信装置（１１、１２）間のリンク１５に複数の回線ｉが収容される通信システム１０において、リンク１５の必要帯域を算出する帯域推定装置であって、
現在までの観測期間Ｔｖにおける回線ｉ毎の契約帯域ｘ_{（ｔ，ｉ）}とリンク１５のトラヒック量ｙ_ｔ、及び将来の設計期間Ｔｘにおける回線ｉ毎の契約帯域ｘ_{（ｔ，ｉ）}が入力される通信部２１と、
観測期間Ｔｖにおける時間毎の契約帯域ｘ_{（ｔ，ｉ）}とトラヒック量ｙ_ｔを機械学習し、契約帯域ｘ_{（ｔ，ｉ）}からトラヒック量の確率密度関数ｐ（ｙ｜ｘ_ｔ）を予測する機械学習モデル（モデル）を作成すること、
設計期間Ｔｘにおける回線ｉ毎の契約帯域ｘ_{（ｔ，ｉ）}を前記機械学習モデルにあてはめて設計期間Ｔｘの時間毎のトラヒック量の確率密度関数ｐ（ｙ｜ｘ_ｔ）を推定すること、及び
確率密度関数ｐ（ｙ｜ｘ_ｔ）に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること
を行う演算処理部２２と、
を備える。

通信部２１は、通信回線を介して外部装置とデータ通信を行う機能を有する。通信部２１は、上述したステップＳ０１及びＳ０３にて、各通信装置（１１、１２）の物理ポート（１１ａ、１２ａ）で取得された契約帯域ｘ_{（ｔ，ｉ）}及びトラヒック量ｙ_ｔが入力される。
演算処理部２２は、第１算出部及び第２算出部を有する。
第１算出部は、トラヒック量ｙ_ｔと回線情報（べクトルｘ_ｔ）からモデルを作成し、モデルを用いて各時間における確率密度関数ｐ（ｙ｜ｘ_ｔ）を推定する。第１算出部は、上述したステップＳ０１からＳ０３を担当する。
第２算出部は、推定した確率密度関数ｐ（ｙ｜ｘ_ｔ）のβ％の信頼区間の上限値を必要帯域として算出する。第２算出部は、上述したステップＳ０４を担当する。

帯域推定装置３０１は、その他に、データバス２０、入力部２３、出力部２４、及び記憶部２５を備える。
記憶部２５は、観測データ（過去のトラヒック量ｙ_ｔの時系列データｙ）、収容回線データ（各回線ｉの契約帯域ｘ_{（ｔ，ｉ）}等のデータ）、帯域算出用パラメータ（トラヒック量ｙ’_ｔを推定するモデル１に用いるパラメータ）、及び帯域算出結果（必要帯域）を記憶する。
入力部２３は、オペレータやネットワークコントローラ等からパラメータやプログラムが入力される。
出力部２４は、算出状況や算出結果をファイル出力や画面表示する等の機能を有する。
データバス２０は、各部のデータの送受信のために各部を接続する機能を有する。

（効果）
帯域推定装置３０１の効果を説明するために、設計期間Ｔｘのトラヒック量の時系列データも取得した。
図１０及び図１１は、帯域推定装置３０１の効果を説明する図である。図１０には、設計期間Ｔｘにおける、契約帯域ｘ_{（ｔ，ｉ）}の回線ｉに関する総和ｘ_ｔ＿ｓｕｍと、実際のトラヒック量ｙ_ｔと、が記載される。図１１には、設計期間Ｔｘにおける、実際のトラヒック量ｙ_ｔと、帯域推定装置３０１が推定した確率密度関数ｐ（ｙ｜ｘ_ｔ）から求めた平均トラヒック量ｙ’_ｔと、帯域推定装置３０１が算出した必要帯域Ｗ１と、通信帯域算出装置３００が算出した必要帯域Ｗ０が記載される。なお、図１０の実際のトラヒック量ｙ_ｔは測定値であり、図１１の実際のトラヒック量ｙ_ｔは、測定値に対してMin-Max Normalizationを行ったものであり、これらは表示の仕方が異なるが同一のトラヒック量ｙ_ｔである。
図１０を見ると、契約帯域ｘ_{（ｔ，ｉ）}の総和ｘ_ｔ＿ｓｕｍに従って実際のトラヒック量ｙ_ｔが時間変化しているのがわかる。
図１１において、帯域推定装置３０１が算出した必要帯域Ｗ１は、すべての時間において、実際のトラヒック量ｙ_ｔを上回っているため、パケットが廃棄されず通信品質を保つことができている。さらに、帯域推定装置３０１が算出した必要帯域Ｗ１は、通信帯域算出装置３００が算出した必要帯域Ｗ０よりも低いため、帯域利用効率を改善できている。

また、観測期間Ｔｖで観測するトラヒックのトラヒックパターンに応じてモデルのパラメータ調整を行えば、当該トラヒックの特徴に応じたモデルを作成することができる。たとえば、曜日や季節でトラヒックが大きく変動する場合、そのトラヒックパターンに応じたパラメータ調整を行う等が考えらえる。

以上のように、本発明の帯域推定装置３０１は、観測期間Ｔｖのトラヒック量ｙ_ｔと回線情報ｘ_{（ｔ，ｉ）}を用いて、回線情報からトラヒック量の確率密度関数ｐ（ｙ｜ｘ_ｔ）を推定するモデルを作成することで、設計期間Ｔｘの各時間の回線情報ｘ_{（ｔ，ｉ）}に基づいて各時間の確率密度関数ｐ（ｙ｜ｘ_ｔ）を推定できる。そして、この確率密度関数に基づいて通信品質を保証する必要帯域を算出できる。
従って、本発明の帯域推定装置３０１は、各時間でのトラヒック量の確率密度関数を推定できることで通信品質を保証する必要帯域を最低限に低減することができるため、帯域利用効率を改善できる。

（他の実施形態）
帯域推定装置３０１はコンピュータとプログラムによっても実現でき、プログラムを記録媒体に記録することも、ネットワークを通して提供することも可能である。
図１２は、システム１００のブロック図を示している。システム１００は、ネットワーク１３５へと接続されたコンピュータ１０５を含む。

ネットワーク１３５は、データ通信ネットワークである。ネットワーク１３５は、プライベートネットワーク又はパブリックネットワークであってよく、（ａ）例えば或る部屋をカバーするパーソナル・エリア・ネットワーク、（ｂ）例えば或る建物をカバーするローカル・エリア・ネットワーク、（ｃ）例えば或るキャンパスをカバーするキャンパス・エリア・ネットワーク、（ｄ）例えば或る都市をカバーするメトロポリタン・エリア・ネットワーク、（ｅ）例えば都市、地方、又は国家の境界をまたいでつながる領域をカバーするワイド・エリア・ネットワーク、又は（ｆ）インターネット、のいずれか又はすべてを含むことができる。通信は、ネットワーク１３５を介して電子信号及び光信号によって行われる。

コンピュータ１０５は、プロセッサ１１０、及びプロセッサ１１０に接続されたメモリ１１５を含む。コンピュータ１０５が、本明細書においてはスタンドアロンのデバイスとして表されているが、そのように限定されるわけではなく、むしろ分散処理システムにおいて図示されていない他のデバイスへと接続されてよい。

プロセッサ１１０は、命令に応答し且つ命令を実行する論理回路で構成される電子デバイスである。

メモリ１１５は、コンピュータプログラムがエンコードされた有形のコンピュータにとって読み取り可能な記憶媒体である。この点に関し、メモリ１１５は、プロセッサ１１０の動作を制御するためにプロセッサ１１０によって読み取り可能及び実行可能なデータ及び命令、すなわちプログラムコードを記憶する。メモリ１１５を、ランダムアクセスメモリ（ＲＡＭ）、ハードドライブ、読み出し専用メモリ（ＲＯＭ）、又はこれらの組み合わせにて実現することができる。メモリ１１５の構成要素の１つは、プログラムモジュール１２０である。

プログラムモジュール１２０は、本明細書に記載のプロセスを実行するようにプロセッサ１１０を制御するための命令を含む。本明細書において、動作がコンピュータ１０５或いは方法又はプロセス若しくはその下位プロセスによって実行されると説明されるが、それらの動作は、実際にはプロセッサ１１０によって実行される。

用語「モジュール」は、本明細書において、スタンドアロンの構成要素又は複数の下位の構成要素からなる統合された構成のいずれかとして具現化され得る機能的動作を指して使用される。したがって、プログラムモジュール１２０は、単一のモジュールとして、或いは互いに協調して動作する複数のモジュールとして実現され得る。さらに、プログラムモジュール１２０は、本明細書において、メモリ１１５にインストールされ、したがってソフトウェアにて実現されるものとして説明されるが、ハードウェア（例えば、電子回路）、ファームウェア、ソフトウェア、又はこれらの組み合わせのいずれかにて実現することが可能である。

プログラムモジュール１２０は、すでにメモリ１１５へとロードされているものとして示されているが、メモリ１１５へと後にロードされるように記憶装置１４０上に位置するように構成されてもよい。記憶装置１４０は、プログラムモジュール１２０を記憶する有形のコンピュータにとって読み取り可能な記憶媒体である。記憶装置１４０の例として、コンパクトディスク、磁気テープ、読み出し専用メモリ、光記憶媒体、ハードドライブ又は複数の並列なハードドライブで構成されるメモリユニット、並びにユニバーサル・シリアル・バス（ＵＳＢ）フラッシュドライブが挙げられる。あるいは、記憶装置１４０は、ランダムアクセスメモリ、或いは図示されていない遠隔のストレージシステムに位置し、且つネットワーク１３５を介してコンピュータ１０５へと接続される他の種類の電子記憶デバイスであってよい。

システム１００は、本明細書においてまとめてデータソース１５０と称され、且つネットワーク１３５へと通信可能に接続されるデータソース１５０Ａ及びデータソース１５０Ｂを更に含む。実際には、データソース１５０は、任意の数のデータソース、すなわち１つ以上のデータソースを含むことができる。データソース１５０は、体系化されていないデータを含み、ソーシャルメディアを含むことができる。

システム１００は、ユーザ１０１によって操作され、且つネットワーク１３５を介してコンピュータ１０５へと接続されるユーザデバイス１３０を更に含む。ユーザデバイス１３０として、ユーザ１０１が情報及びコマンドの選択をプロセッサ１１０へと伝えることを可能にするためのキーボード又は音声認識サブシステムなどの入力デバイスが挙げられる。ユーザデバイス１３０は、表示装置又はプリンタ或いは音声合成装置などの出力デバイスを更に含む。マウス、トラックボール、又はタッチ感応式画面などのカーソル制御部が、さらなる情報及びコマンドの選択をプロセッサ１１０へと伝えるために表示装置上でカーソルを操作することをユーザ１０１にとって可能にする。

プロセッサ１１０は、プログラムモジュール１２０の実行の結果１２２をユーザデバイス１３０へと出力する。あるいは、プロセッサ１１０は、出力を例えばデータベース又はメモリなどの記憶装置１２５へともたらすことができ、或いはネットワーク１３５を介して図示されていない遠隔のデバイスへともたらすことができる。

例えば、図６のフローチャートを行うプログラムをプログラムモジュール１２０としてもよい。システム１００を帯域推定装置３０１として動作させることができる。

（付記）
用語「・・・を備える」又は「・・・を備えている」は、そこで述べられている特徴、完全体、工程、又は構成要素が存在することを指定しているが、１つ以上の他の特徴、完全体、工程、又は構成要素、或いはそれらのグループの存在を排除してはいないと、解釈されるべきである。用語「ａ」及び「ａｎ」は、不定冠詞であり、したがって、それを複数有する実施形態を排除するものではない。

なお、この発明は上記実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。要するにこの発明は、上位実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。

また、上記実施形態に開示されている複数の構成要素を適宜な組み合わせにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合わせてもよい。

１０：通信システム
１１、１２：通信装置
１１ａ、１２ａ：物理ポート
１５：リンク
２０：データバス
２１：通信部
２２：演算処理部
２３：入力部
２４：出力部
２５：記憶部
１００：システム
１０１：ユーザ
１０５：コンピュータ
１１０：プロセッサ
１１５：メモリ
１２０：プログラムモジュール
１２２：結果
１２５：記憶装置
１３０：ユーザデバイス
１３５：ネットワーク
１４０：記憶装置
１５０：データソース
３００：通信帯域算出装置
３０１：帯域推定装置

Claims (3)

1. 通信装置間のリンクに複数の回線が収容される通信システムにおいて、前記リンクの必要帯域を算出する帯域推定装置であって、
   現在までの観測期間における前記回線毎の契約帯域と前記リンクのトラヒック量、及び将来の設計期間における前記回線毎の契約帯域が入力される通信部と、
   前記観測期間における時間毎の前記契約帯域と前記トラヒック量を機械学習し、前記契約帯域から前記トラヒック量の確率密度関数を予測する機械学習モデルを作成すること、
   前記設計期間における前記回線毎の契約帯域を前記機械学習モデルにあてはめて前記設計期間の時間毎の前記トラヒック量の確率密度関数を推定すること、及び
   前記確率密度関数に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること
   を行う演算処理部と、
   を備える帯域推定装置。
2. 通信装置間のリンクに複数の回線が収容される通信システムにおいて、前記リンクの必要帯域を算出する帯域推定方法であって、
   現在までの観測期間における前記回線毎の契約帯域と前記リンクのトラヒック量を取得すること、
   前記観測期間における時間毎の前記契約帯域と前記トラヒック量を機械学習し、前記契約帯域から前記トラヒック量の確率密度関数を予測する機械学習モデルを作成すること、
   将来の設計期間における前記回線毎の契約帯域を取得し、前記機械学習モデルを用いて前記設計期間の時間毎の前記トラヒック量の確率密度関数を推定すること、及び
   前記確率密度関数に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること
   を行う帯域推定方法。
3. 請求項１に記載の帯域推定装置としてコンピュータを機能させるためのプログラム。

Images