JPH1196135A - コネクションレス型ネットワークにおけるトラヒック予測装置およびトラヒック予測方法 - Google Patents

Abstract

(57)【要約】 【課題】一つのネットワーク環境の時系列変化に対して
適応し，また異なるネットワーク環境下での使用に対し
ても適応するような，コネクションレス型ネットワーク
におけるトラヒックの予測性能の維持を図る。 【解決手段】インターネットなどのコネクションレス型
ネットワークにおいて，トラヒック情報をデータベース
機能部１２に蓄積して，前処理機能部１３により予測の
ためのデータを作成し，一つまたはそれ以上の異なる予
測方式を使用する各予測部21〜24と分散・協調して，そ
の環境に最適な予測方式を予測的中率管理機能部16が管
理する予測的中率の実績値に基づいて方式選択機能部14
が決定し，予測値を計算・出力する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は，インターネットな
どのコネクションレス型ネットワークにおけるトラヒッ
ク予測装置およびトラヒック予測方法に関し，ネットワ
ークの需要予測の技術分野に属するものである。

【０００２】

【従来の技術】従来技術として，参考文献：「竹内清
“需要予測入門”，丸善株式会社」に示されているよう
なコネクション型のネットワークに用いる予測技術があ
る。

【０００３】特に，短期的なトラヒックの予測技術とし
ては，例えば参考文献：「富澤昌彦，佐渡正樹，上野
優，山下博文“ネットワークオペレーションの高度
化”，ＮＴＴ技術ジャーナルＡｐｒ．１９９６，Ｖｏ
ｌ．８」に示されているように，呼が無作為に加わるこ
とを前提とし，回線数と平均呼量から，ある呼損失を満
たすため，アーランＢ式によりトラヒックを予測し，確
保すべき回線数を算出する方法，また，トラヒックが日
々変動とピーク特性と無作為要素から決定されることを
前提とし，回線数，平均呼量，日変動率，ピークドネス
量から，ニールウイルキンソン法により，確保すべき回
線数を算出する方法がある。

【０００４】長期的なトラヒックの予測技術としては，
例えば参考文献：「森田清“情報と予測”，ＩＳＢＮ−
３０５５−７２３０３０−１３７１，共立出版」に示さ
れているように，特殊な性質を持ったトラヒックが外装
されていることが既知の場合，非定常状態としてこのト
ラヒックの影響を除去し，自己回帰和分移動平均モデル
を適用することにより，定常状態の推移から需要を算出
する方法がある。

【０００５】

【発明が解決しようとする課題】従来の短期的予測技術
は，統計的呼損を一定以下に保つ機構をネットワークが
保証するための方法であり，コネクションレス型ネット
ワークでは，コネクションに相当する概念がないため，
適用ができない。また，自己回帰和分移動平均モデルに
基づく予測技術は，定常性の点から期待値と分散が時間
を通して一定かつ有限であること，２時点Ａ，Ｂにおけ
る自己相関が，時間の差（ＡとＢの差）にのみ依存する
こと，という二つの制約がある。この制約は，近年の通
信形態の変遷と多様化を勘案すると，現実に沿ったもの
とはいえず，到底，性能を期待しえない。現実のネット
ワークでは，場所に対して不均質で，時間に対して常に
その性質が変化する。

【０００６】以上のことから，本発明の目的は，コネク
ションレス型ネットワークにおいて，第一に，一つのネ
ットワーク環境の時系列変化に対し適応し，予測性能の
維持が図られること，第二に，異なるネットワーク環境
下での使用に対し適応し，予測性能の維持が図られるこ
と，の２点を解決したトラヒック予測手段を提供するこ
とにある。

【０００７】

【課題を解決するための手段】本発明は，インターネッ
トなどのコネクションレス型ネットワークにおいて，ト
ラヒック情報を蓄積して予測のためのデータを作成し，
一つまたはそれ以上の異なる予測方式と分散・協調し
て，その環境に最適な予測方式を決定し，予測値を計算
・出力することを主要な特徴とする。

【０００８】インターネットなどにおけるトラヒックの
特徴を，従来の電話などの通信網のトラヒックと比較し
てみると，挙動がよりバースト的である，状態遷移
が速い，定常的な変化は顕著ではない，といった点が
挙げられる。従来の通信需要の予測では，ＡＲＩＭＡモ
デルなどの線型回帰モデルを応用したものが中心であっ
た。しかし，インターネットのようなコネクションレス
型大規模ネットワークでは，統計的多重効果以上に，個
人の振る舞いが全体のトラヒックを決定する場合があ
る。こうしたアーキテクチャにおいて効果的に予測を行
うためには，より繊細にネットワーク挙動に着目し，か
つ多様な観点から解析を行うことが必要である。

【０００９】このため，本発明では，予測方式を分散さ
せたメカニズムによって，外部環境の変化に応じて，あ
らかじめ用意した複数方式の中から最適な予測方式を自
動的に選択する。あらかじめ用意する方式として，例え
ば状態空間におけるアトラクタの軌跡に関する計算を行
い，予測値を計算する方式を用いる。この方式では，決
定論的非線型モデルを系の状態にマッピングすることに
より，埋込み次元数分だけの遅れ時間に関する観測値の
推移を，過去のデータから評価するために，ネットワー
クの複雑な挙動を予測させることができる。またこの際
に，用いるデータの時間属性によって制限を加えること
によって，既知の定性的な事象について，重点的に学習
する方式を構成することにより，予測への反映が可能で
ある。

【００１０】

【発明の実施の形態】図１は，本発明の実施の形態に係
る装置構成図である。本システムは，予測値を計算する
ために分散しあった複数の予測部２１，２２，…からな
る予測方式群２と，データや各方式の制御を行う制御装
置１からなる。

【００１１】制御装置１のユーザ設定機能部１１は，制
御装置１に対してユーザが設定するコンフィグレーショ
ン情報を保持する。データベース機能部１２のトラヒッ
クデータベースに関するコンフィグレーション情報とし
ては，例えばデータ利用期間，予測ステップ数，単位時
間，トラヒック種別（予測対象）の情報がある。また，
予測方式群２がデータベース機能部１２に要求するコン
フィグレーション情報としては，例えば埋込み次元数，
遅れ時間，平均化時間の情報がある。制御装置１が予測
的中率管理機能部１６に要求するコンフィグレーション
情報としては，例えば判定時間の情報がある。ユーザ設
定機能部１１は，これらの静的な情報を管理する。

【００１２】データベース機能部１２は，対象ネットワ
ーク３について実測したトラヒックデータを収集・格納
する。新しいデータを受け取ると，ユーザ設定機能部１
１のコンフィグレーション情報を参照し，そこで必要と
される形式のトラヒックデータを作成・保存し，前処理
機能部１３へ基礎トラヒックデータを渡す。

【００１３】前処理機能部１３は，予測方式群２のため
の処理を行う。基礎トラヒックデータを受け取ると，ユ
ーザ設定機能部１１のコンフィグレーション情報を参照
し，その設定情報の中で，埋込み次元数が最大，過去の
利用データ期間が最長，平均化時間の間隔が最小なデー
タをメモリ上に作成する。これはすべての予測部２１，
２２，…で用いることが可能な，必要十分なトラヒック
データとなる。

【００１４】方式選択機能部１４は，まず次回の予測値
の計算に加わる予測部２１，２２，…を決定する。後述
する予測的中率管理機能部１６に対し該当する予測方式
（予測部）ごとの予測的中率を要求し，予測的中率の最
も優れた方式（Distinguished Algolysm：以下，ＤＡと
いう）を一つ決定する。ＤＡの要求する形式のトラヒッ
クデータ（以下，ＤＡ用データという）を作成し，ＤＡ
用データをＤＡへ渡し，予測値の計算を依頼する。図１
では，予測部２３がＤＡであり，予測部２３に予測値の
計算を依頼している。

【００１５】後処理機能部１５は，まずＤＡからの予測
値計算結果を受け取り，この結果をユーザと予測的中率
管理機能部１６に出力する。次に，予測時刻までの残り
時間と，計算リソースに余力があれば，ＤＡに選ばれな
かった各予測部２１，２２，２４，…について，予測方
式ごとの要求にあったトラヒックデータを作成し，予測
部２１，２２，２４，…にこれを渡して，予測値計算結
果の返信を待つ。

【００１６】予測的中率管理機能部１６は，ＤＡと，Ｄ
Ａに選ばれないで計算を行った予測方式群２の各予測部
２１，２２，…から，その予測値を受け取るとともに，
予測時刻になれば，実トラヒック値を計算して記録す
る。これらの値を用いて，予測方式（予測部）ごとに予
測的中率を求め，予測的中率テーブル（図２，図３）と
して維持・管理する。

【００１７】予測的中率Ｊ_t は，予測値をＰ_t ，実測値
をＲ_t として，次式により定義する。 Ｊ_t ＝（１−｜Ｐ_t −Ｒ_t ｜／Ｒ_t ）×１００ ただし，Ｐ_t ≧２Ｒ_t の場合には，Ｊ_t ＝０とし，デー
タの個数であるｔについては，ユーザ設定機能部１１に
設定されている予測的中率管理機能部１６に要求するコ
ンフィグレーション情報｛判定時間｝を用いる。この判
定時間，すなわち的中率実績値を管理する時間長は，ユ
ーザが予めユーザ設定機能部１１に設定することができ
る。

【００１８】図２は，制御装置，予測的中率テーブルお
よび予測方式群のやりとりを示す図である。制御装置１
は，予測方式群２に対して予測値の計算に参加するかど
うかを問い合わせる。予測方式群２の各予測部２１，２
２，…は，予測値の計算に参加できる場合には，参加す
る旨を制御装置１に通知する。制御装置１はこの通知を
受けると，予測的中率テーブル４を参照し，参加の通知
を行ったものの中から，この時点で予測的中率の最も優
れた方式（ＤＡ）を選択する。この例では，予測部２３
である。ＤＡである予測部２３に対して，ＤＡの通知を
行うとともに，予測用データを送付し，予測値計算結果
を受け取る。

【００１９】一方，ＤＡに選ばれなかった予測部２１，
２２，…に対しても予測用データを送付し，それらが計
算した予測値を受け取って各予測部ごとに予測的中率を
計算し，次の方式選択時に利用できるように予測的中率
テーブル４を更新する。

【００２０】図３は，予測的中率テーブルの構成例を示
す。予測的中率テーブル４は，ユーザ設定機能部１１に
設定されている時間の単位で，各予測方式ごとに算出さ
れた予測値と実際のトラヒックの実測値との履歴を持
つ。また，予測値とその実測値とから前述した式により
各予測方式ごとの現在の予測的中率を計算し，管理して
いる。

【００２１】予測方式群２は，制御装置１と同じ計算機
上に配置することもできるが，制御装置１とは別の複数
の計算機上に分散することもできる。予測方式群２は，
方式選択機能部１４または後処理機能部１５との間で通
信を行い，要求する形式のトラヒックデータを受け取
り，予測値を返す。

【００２２】図４は，予測値の計算に用いる決定論的非
線型理論による多次元埋込み手法であって，３次元空間
への埋込み処理の場合の例を示す。３次元空間への埋込
み処理の場合，時刻Ｔにおける観測量Ｘ（Ｔ）を，埋込
み次元数３，遅れ時間τに埋込む。この結果の座標値
（ｘ（ｔ），ｘ（ｔ＋τ），ｘ（ｔ＋２τ））の軌跡を
解析し，予測値を算出する。

【００２３】予測方式群２は，処理の性質により，二つ
のカテゴリに分けられる。一つは，決定論的非線型モデ
ルによってアトラクタの状態空間における挙動を求め，
次点の予測を行う方式のカテゴリである。もう一つは，
ある時間属性によって予測に用いる探索空間を限定し，
特定の時系列挙動を集中的に学習させ，計算結果に反映
させる方式のカテゴリである。以下に，それぞれのカテ
ゴリについて説明する。

【００２４】（１）状態空間におけるアトラクタ挙動解
析による予測方式のカテゴリ図４に示すような状態空間
におけるアトラクタの軌跡に関する計算を行い，予測値
を計算する方式群について，例えば以下に示す４つの方
式がある。

【００２５】第１の方式は，現在値の最直近座標を全探
索空間から一点求め，その推移ベクトルをもとに写像を
計算する方式である。その例を図５に示す。この方式で
は，特定の状態変化をトレースする。例えば，図５
（Ｂ）に示すような３次元状態空間において，現在座標
から最直近座標５１を計算で求め（Ｓ１１），求めた最
直近座標５１の推移ベクトル５２を計算し（Ｓ１２），
この推移ベクトル５２に基づいて写像計算５３を行うこ
とにより予測値を算出する（Ｓ１３）。

【００２６】第２の方式は，現在値の近傍空間をある距
離で探索し，存在した座標データからヤコビ行列式を求
めて，写像を計算する方式である。その例を図６に示
す。この方式では，幾つかの状態変化の傾向をトレース
する。例えば，図６（Ｂ）に示すような３次元状態空間
において，現在座標からある距離の範囲内にある近傍座
標６１を計算で求め（Ｓ２１），求めた近傍座標６１か
らヤコビ行列式により推移ベクトル６２を計算する（Ｓ
２２）。この推移ベクトル６２に基づいて写像計算６３
を行うことにより予測値を算出する（Ｓ２３）。

【００２７】なお，ヤコビ行列式による解析手法の参考
文献としては，「池口徹，合原一幸，“非線形現象の解
析手法（７）”，電子情報通信学会誌 Vol.79,No.8, p
p.814-819, 1996」がある。

【００２８】第３の方式は，現在値の近傍空間をある距
離で探索し，存在したベクトルデータからベクトル比重
計算を行い，推移ベクトルを求めて写像を計算する方式
である。例えば，推移ベクトルをスカラ量と角度に分解
し，過去からの推移ベクトルのスカラ量を相対係数１，
そのベクトルの角度が９０度の場合を同じく相対係数１
として比重計算により近いベクトルを求める。

【００２９】第３の方式の例を図７に示す。この方式で
は，遷移状態を考慮し，特定の状態変化をトレースす
る。例えば，図７（Ｂ）に示すような３次元状態空間に
おいて，現在座標から最直近推移ベクトル７１を計算で
求め（Ｓ３１），求めた最直近推移ベクトル７１の単位
時間後の推移ベクトル７２を計算する（Ｓ３２）。この
推移ベクトル７２に基づいて写像計算７３を行うことに
より予測値を算出する（Ｓ３３）。

【００３０】第４の方式は，上記の方式を埋込み次元数
に関して異なった次元によって計算する方式である。こ
の第４の方式は，トラヒック推移が，現在，１単位時間
前，および２単位時間前の３つの組み合わせから決定さ
れるとは限らないため，より複雑な関連（深い次元）
で，予測を試みる必要があるときに有効である。

【００３１】（２）時間属性に着目した制限を加える予
測方式のカテゴリ探索データに対し，以下の手法で時間
属性による探索空間の制限を行う。１属性の制限につき
１方式とし，複数の方式による分散協調を行う。

【００３２】 異質な日別データを分割する。 データの大きさを変えることにより学習時間の最適
化を図る。 統計的に既知な特異点の影響を最小化する（切り離
す）。

【００３３】 推移の近似性から時間帯を重視して類
型データの重点的学習を行う。また，以下のイベントに
ついて既知の場合は，上記制限とは別に以下の制限を行
い，学習の対象とする。

【００３４】 ネットワーク実験 遠隔会議 大規模災害 図８は，時間属性による挙動の違いを示す図である。

【００３５】この図では，週日と休日のアトラクタの違
いを示している。週日は推移的に変化し，変化量も大き
い。これに対して，休日は変化量が小さく，振る舞いも
複雑（カオス的）であることが分かる。これらの分析手
法については，例えば“小松原重之，鈴木亮一，三上博
英，「ＩＭｎｅｔにおけるトラフィックオペレーション
について」，情処研報 Vol.96, No.111, ISSN0919-607
2, 1996”の文献に記述がある。また，他の時間属性に
ついても同様に，トラヒックの振る舞いに違いが認めら
れる。自己相関量の観点から違いを定量化したものが，
上記文献に記載されている。

【００３６】この例では，探索空間の大きさを３方式用
意し試行したが，性能（予測的中率）に影響がみられ
た。これらのことから，移り変わりの速いインターネッ
トのようなネットワークでは，古い過去の履歴データを
持ち過ぎることは，予測の上でデメリットとなる場合が
あることが知見として得られた。ただし，その状況の特
定は不可能であり，いつ，どこで，どれだけの履歴デー
タを使用するのが最適かについては不可知である。した
がって，本発明のような並列方式演算が効果を持つ。

【００３７】なお，多次元アトラクタを説明する文献と
しては，上述した参考文献の他に，「F.Takens, "Detec
ting Strange Attractors in Turbulence, In Dynamica
l Systems and Turbulence", eds.D.A.Rand and L.S.Yo
ung, Springer-Verlag, Berlin, pp.366-381, 1981」の
文献がある。

【００３８】また，トラヒック種別の例としては，「K.
McClogherie,“Management Information Base for netw
ork management of TCP/IP:based internet:MIB2”，RF
C1213, May 1991 」の文献に記載がある。

【００３９】

【実施例】実際にサービス運用しているインタフェース
のネットワークにおいて評価実験を行い，その運用デー
タによる検証を行った。予測するトラヒックデータとし
て，インターネットの技術標準であるＲＦＣ(Request F
or Comment) において，ＲＦＣ１２１３に定義されるＭ
ＩＢ２(Management Information Base) の１１種類の情
報について適用した。以下にそのＭＩＢについて示す。
括弧内は概要説明である。

【００４０】 ・IfinOctets（入方向のユニキャストの転送データ量） ・IfoutOctets(出方向のユニキャストの転送データ量） ・IfinPackets(入方向のユニキャストの転送パケット
数） ・IfoutPackets（出方向のユニキャストの転送パケット
数） ・IfinNuOctets（入方向のユニキャストでない転送デー
タ量） ・IfoutNuOctets(出方向のユニキャストでない転送デー
タ量） ・IfinNuPackets(入方向のユニキャストでない転送パケ
ット数） ・IfoutNuPackets（出方向のユニキャストでない転送パ
ケット数） ・IfinDiscards (入方向の廃棄されたパケット数） ・IfoutDiscards(出方向の廃棄されたパケット数） ・IfError(上位フォーマットエラーとなったパケット
数） ここで用いた予測方式は，以下の通りである。

【００４１】・現在値の最直近座標を全探索空間から一
点求め，その推移ベクトルをもとに写像を計算する方式 ・現在値の近傍空間をある距離で探索し，存在した座標
データから最小二乗法によりヤコビ行列式を求めて，写
像を計算する方式 ・現在値の近傍空間をある距離で探索し，存在したベク
トルデータに対して，ベクトル間距離の評価指標をＬ，
ベクトル間角度の評価指標をＤとして，Ｌ＋Ｄによる比
重計算を行い，推移ベクトルを求めて写像を計算する方
式 ・埋込み次元数に関し，２次元から７次元までのそれぞ
れの整数次元空間によって別々に計算する６つの方式 ・直近１週間を探索空間として制限する方式 ・直近２週間を探索空間として制限する方式 ・直近１ヶ月を探索空間として制限する方式 ・観測時刻の前３０分間，後３０分間に相当する時系列
を探索空間として制限する方式 ・週日と週末・祝祭日を分離計算する方式 ・月初めの３日間を分離計算する方式 ・月末の３日間を分離計算する方式 ・週日の午前１０時から１２時を分離計算する方式 ・週日の午後６時から８時を分離計算する方式 以上の各方式に対し，１０分間の平均によるトラヒック
データを作成し，遅れ時間を１０分，予測対象を１０分
後のトラヒック値として予測試行を行った。１万２００
０回の試行実験の結果，予測的中率に関して平均８７．
５％の性能となった。

【００４２】図９に，検証結果の例を示す。横軸に経過
時間，縦軸に１０分当りの転送パケット数を示してい
る。この結果から明らかなように，トラヒックの予測値
と実測値がほとんど一致している。

【００４３】

【発明の効果】本発明により，数分から数時間の間隔
で，インターネットなどのコネクションレス型ネットワ
ークの利用状況を予測することが可能になった。これに
よって，渋滞時間を回避したり，利用方法を変更したり
といった予測対処的な行動を，利用者やサービス提供者
が実施することが可能になった。

【００４４】また，装置自身がおかれた環境に応じて最
適な予測を選択的に行うために，装置設置後は自動的に
一定の性能に達するので，予測技術に精通していない利
用者でも装置を設置するだけで，最適な予測結果を利用
することが可能になった。

【００４５】また，計算機資源が乏しい環境であって
も，分散する方式の数を少なく設定することで，相応の
予測計算を実行可能としたため，より多くの利用形態で
本発明の適用が可能となった。

【図面の簡単な説明】

【図１】本発明の実施の形態に係る装置構成図である。

【図２】制御装置，予測的中率テーブル，予測方式群の
やりとりを示す図である。

【図３】予測的中率テーブルの構成例を示す図である。

【図４】３次元空間への埋込み処理の例を示す図であ
る。

【図５】状態空間におけるアトラクタ挙動解析の例を示
す図である。

【図６】状態空間におけるアトラクタ挙動解析の例を示
す図である。

【図７】状態空間におけるアトラクタ挙動解析の例を示
す図である。

【図８】時間属性による挙動の違いを示す図である。

【図９】検証結果の例を示す図である。

【符号の説明】

１ 制御装置 １１ ユーザ設定機能部 １２ データベース機能部 １３ 前処理機能部 １４ 方式選択機能部 １５ 後処理機能部 １６ 予測的中率管理機能部 ２ 予測方式群 ２１〜２４ 予測部 ３ 対象ネットワーク

───────────────────────────────────────────────────── フロントページの続き (72)発明者 茂木 一男 東京都新宿区西新宿三丁目19番２号 日本 電信電話株式会社内

Claims (4)

【特許請求の範囲】
1. 【請求項１】 コネクションレス型ネットワークにおい
   て，トラヒック情報を蓄積して予測のためのデータを作
   成する手段と，それぞれ所定の予測方式を用いてトラヒ
   ックの予測値を計算する複数の予測手段と，前記複数の
   予測手段に予測のためのデータを送り，各予測手段にト
   ラヒックの予測値を計算させる手段と，前記各予測手段
   による予測値の的中率を求め，予測方式ごとに予測的中
   率を管理する手段と，予測的中率の最も優れた予測方式
   を決定し，その予測方式を用いる前記予測手段に予測の
   ためのデータを送り，その予測手段が計算した予測値を
   トラヒックの予測結果として出力する手段とを備えたこ
   とを特徴とするコネクションレス型ネットワークにおけ
   るトラヒック予測装置。
2. 【請求項２】 請求項１記載のコネクションレス型ネッ
   トワークにおけるトラヒック予測装置において，前記複
   数の予測手段のうちの少なくとも一つは，決定論的非線
   型モデルによってアトラクタの状態空間における挙動を
   求め，次点の予測を行う予測方式を用いるものであるこ
   とを特徴とするコネクションレス型ネットワークにおけ
   るトラヒック予測装置。
3. 【請求項３】 請求項１または請求項２記載のコネクシ
   ョンレス型ネットワークにおけるトラヒック予測装置に
   おいて，前記複数の予測手段のうちの少なくとも一つ
   は，ある時間属性によって予測に用いる探索空間を限定
   し，特定の時系列挙動を集中的に学習させ，計算結果に
   反映させる予測方式を用いるものであることを特徴とす
   るコネクションレス型ネットワークにおけるトラヒック
   予測装置。
4. 【請求項４】 コネクションレス型ネットワークにおけ
   るトラヒック予測方法であって，それぞれ所定の予測方
   式を用いる複数の予測手段が予測したトラヒックの予測
   値の予測的中率を予測方式ごとに管理し，ある時点にお
   いて予測方式の選択が必要になったときに，その時点に
   おける直近の予測的中率に基づいて最適な予測方式を選
   択し，選択した予測方式を用いる予測手段にトラヒック
   の予測値を計算させ，その計算結果を出力することを特
   徴とするコネクションレス型ネットワークにおけるトラ
   ヒック予測方法。