JPWO2011158421A1 - モデル特定装置 - Google Patents
モデル特定装置 Download PDFInfo
- Publication number
- JPWO2011158421A1 JPWO2011158421A1 JP2012520251A JP2012520251A JPWO2011158421A1 JP WO2011158421 A1 JPWO2011158421 A1 JP WO2011158421A1 JP 2012520251 A JP2012520251 A JP 2012520251A JP 2012520251 A JP2012520251 A JP 2012520251A JP WO2011158421 A1 JPWO2011158421 A1 JP WO2011158421A1
- Authority
- JP
- Japan
- Prior art keywords
- model
- packet
- behavior
- mathematical
- behavior information
- 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.)
- Withdrawn
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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
モデル特定装置７００は、パケットの挙動を表す挙動情報を取得する挙動情報取得部７０１と、パケットの挙動を推定するための、複数の数理モデルであって、モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、取得された挙動情報に基づいて、数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定部７０２と、複数の数理モデルのそれぞれに対して、数理モデルにより推定されるパケットの挙動と、取得された挙動情報が表すパケットの挙動と、が一致している程度を表す適合度を算出する適合度算出部７０３と、算出された適合度に基づいて、複数の数理モデルの中から１つの数理モデルを選択するモデル選択部７０４と、を備える。
Description
本発明は、パケットの挙動を推定するための数理モデルを特定するモデル特定装置に関する。
通信網（例えば、ＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）網、移動体通信網、及び、無線通信網等）を介して、コンテンツ（映像、及び／又は、音声等）を表すコンテンツデータを送受信するサービスが知られている。具体的には、この種のサービスは、例えば、ＩＰ電話、ＴＶ会議、及び、映画又はライブ等の映像配信、等である。
この種のサービス（以下、映像・音声配信アプリケーションとも記述する）において、遅延時間が増加すること、及び、パケットロスが発生することにより、コンテンツの再生品質が劣化することが知られている。遅延時間は、パケットが送信元から送信先へ到達するまでに要する時間である。また、パケットロスは、パケットが送信先へ到達しない現象である。
通信網においては、クロストラフィック、及び、物理的干渉等の発生を回避することが困難である。従って、映像・音声配信アプリケーションにおいては、遅延時間の増加、及び、パケットロスの発生を抑制することが求められる。このため、通信網（ネットワーク）上を伝送されるパケットの挙動を推定することが好適であると考えられる。
そこで、通信網上を伝送されるパケットの挙動を推定するための数理モデルを特定し、特定された数理モデルに基づいてパケットの挙動を推定するモデル特定装置が用いられる。この種のモデル特定装置の一つとして特許文献１に記載のモデル特定装置は、パケットの挙動を表す挙動情報を取得し、取得した挙動情報に基づいて、数理モデルを特定するためのモデルパラメータを推定する。そして、モデル特定装置は、推定されたモデルパラメータにより特定される数理モデルに基づいてパケットの挙動を推定する。
例えば、非特許文献１に記載のモデル特定装置は、ＡＲＭＡ（Ａｕｔｏｒｅｇｒｅｓｓｉｖｅ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ）モデルを数理モデルとして用いる。ＡＲＭＡモデルは、数式１に示したように表される。
ここで、ｙｔ及びｙｔ−ｉは、対象となる時系列データ（即ち、ここでは、複数の時点のそれぞれにおける挙動情報）である。また、ｐは、自己回帰モデルに相当する部分の次数であり、ｑは、移動平均モデルに相当する部分の次数である。また、ａｉは、自己回帰モデルにおける係数であり、ｂｉは、移動平均モデルにおける係数である。更に、ｅｔ、及び、ｅｔ−ｉは、誤差項である。
また、非特許文献２に記載のモデル特定装置は、隠れマルコフモデルを数理モデルとして用いる。
ところで、非特許文献３において、ネットワークの状態が、輻輳状態と非輻輳状態との間で変化すると、パケットの挙動が比較的大きく変化することが指摘されている。
ところで、非特許文献３において、ネットワークの状態が、輻輳状態と非輻輳状態との間で変化すると、パケットの挙動が比較的大きく変化することが指摘されている。
Bo Zhou、Dan He、Zhili Sun、「Traffic Predictability based on ARIMA/GARCH Model」、NGI 2006 2nd Conference on Next Generation Internet Design and Engineering、IEEE、 2006年8月、p.8
Pierluigi Salvo Rossi、Gianmarco Romando、Francesco Palmieri、Giulio Iannello、「Joint End-to-End Loss-Delay Hidden Markov Model for Periodic UDP Traffic Over the Internet」、IEEE Transactions ON SIGNAL PROCESSING、IEEE、2006年2月、第54巻、第2号、p.530-541
高安美佐子、「インターネットの渋滞と相転移現象」、日本物理学会誌、日本物理学会、1998年5月、第53巻、第5号、p.346-350
従って、パケットの挙動を高い精度にて推定可能な数理モデルが有するモデルパラメータの数は、ネットワークの状態毎に異なることが多い。例えば、数理モデルとして隠れマルコフモデルが用いられている場合、モデルパラメータの数は、状態の数である内部状態数に対応している。また、数理モデルとしてＡＲＭＡモデルが用いられている場合、モデルパラメータの数は、次数（即ち、数式１におけるｐ及びｑ）に対応している。
しかしながら、上記モデル特定装置は、ネットワークの状態が変化した場合であっても、モデルパラメータの数を変更するように構成されていない。このため、上記モデル特定装置においては、実際のパケットの挙動を高い精度にて推定可能な数理モデルを特定することができない虞があった。
このため、本発明の目的は、上述した課題である「実際のパケットの挙動を高い精度にて推定可能な数理モデルを特定することができない場合が生じること」を解決することが可能なモデル特定装置を提供することにある。
かかる目的を達成するため本発明の一形態であるモデル特定装置は、
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得手段と、
モデルパラメータにより特定され、且つ、上記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、上記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定手段と、
上記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される上記パケットの挙動と、上記取得された挙動情報が表す上記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出手段と、
上記算出された適合度に基づいて、上記複数の数理モデルの中から１つの数理モデルを選択するモデル選択手段と、
を備える。
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得手段と、
モデルパラメータにより特定され、且つ、上記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、上記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定手段と、
上記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される上記パケットの挙動と、上記取得された挙動情報が表す上記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出手段と、
上記算出された適合度に基づいて、上記複数の数理モデルの中から１つの数理モデルを選択するモデル選択手段と、
を備える。
また、本発明の他の形態であるモデル特定方法は、
通信網上を伝送されるパケットの挙動を表す挙動情報を取得し、
モデルパラメータにより特定され、且つ、上記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、上記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定し、
上記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される上記パケットの挙動と、上記取得された挙動情報が表す上記パケットの挙動と、が一致している程度を表す適合度を算出し、
上記算出された適合度に基づいて、上記複数の数理モデルの中から１つの数理モデルを選択する方法である。
通信網上を伝送されるパケットの挙動を表す挙動情報を取得し、
モデルパラメータにより特定され、且つ、上記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、上記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定し、
上記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される上記パケットの挙動と、上記取得された挙動情報が表す上記パケットの挙動と、が一致している程度を表す適合度を算出し、
上記算出された適合度に基づいて、上記複数の数理モデルの中から１つの数理モデルを選択する方法である。
また、本発明の他の形態であるモデル特定プログラムは、
情報処理装置に、
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得手段と、
モデルパラメータにより特定され、且つ、上記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、上記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定手段と、
上記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される上記パケットの挙動と、上記取得された挙動情報が表す上記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出手段と、
上記算出された適合度に基づいて、上記複数の数理モデルの中から１つの数理モデルを選択するモデル選択手段と、
を実現させるためのプログラムである。
情報処理装置に、
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得手段と、
モデルパラメータにより特定され、且つ、上記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、上記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定手段と、
上記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される上記パケットの挙動と、上記取得された挙動情報が表す上記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出手段と、
上記算出された適合度に基づいて、上記複数の数理モデルの中から１つの数理モデルを選択するモデル選択手段と、
を実現させるためのプログラムである。
本発明は、以上のように構成されることにより、実際のパケットの挙動を高い精度にて推定できる数理モデルを特定することができる。
以下、本発明に係る、モデル特定装置、モデル特定方法、及び、モデル特定プログラム、の各実施形態について図１〜図１９を参照しながら説明する。
＜第１実施形態＞
（構成）
図１に示したように、第１実施形態に係る通信装置（モデル特定装置）１００は、通信網（本例では、ＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）網）を構成する通信回線に接続されている。通信装置１００は、通信回線を介して接続された他の通信装置との間でパケットを送受信する。
（構成）
図１に示したように、第１実施形態に係る通信装置（モデル特定装置）１００は、通信網（本例では、ＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）網）を構成する通信回線に接続されている。通信装置１００は、通信回線を介して接続された他の通信装置との間でパケットを送受信する。
通信装置１００は、図示しない中央処理装置（ＣＰＵ；Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、及び、記憶装置（メモリ）を備える。通信装置１００は、記憶装置に記憶されているプログラムをＣＰＵが実行することにより、後述する機能を実現するように構成されている。
（機能）
図１は、上記のように構成された通信装置１００の機能を表すブロック図である。
通信装置１００の機能は、ネットワーク状態推定部１００Ａと、配信制御部１００Ｂと、を含む。
図１は、上記のように構成された通信装置１００の機能を表すブロック図である。
通信装置１００の機能は、ネットワーク状態推定部１００Ａと、配信制御部１００Ｂと、を含む。
ネットワーク状態推定部１００Ａは、通信網上を伝送されるパケットの挙動を表す挙動情報に基づいて、複数のネットワークモデル（数理モデル）のそれぞれに対して、数理モデルを特定するためのモデルパラメータを推定する。更に、ネットワーク状態推定部１００Ａは、複数の数理モデルのそれぞれに対して適合度を算出し、算出した適合度に基づいて最も高い精度にてパケットの挙動を推定できる数理モデルを選択する。
配信制御部１００Ｂは、ネットワーク状態推定部１００Ａにより選択された数理モデルに基づいて、制御パラメータを決定する。本例では、制御パラメータは、誤り訂正処理を行うためにパケットが有する冗長度、及び、パケットが表すコンテンツを符号化する際に用いられる符号化レートである。
以下、ネットワーク状態推定部１００Ａ及び配信制御部１００Ｂの詳細な機能について説明する。
ネットワーク状態推定部１００Ａは、挙動情報取得部（挙動情報取得手段）１０１と、モデル学習部（モデルパラメータ推定手段）１０２と、適合度算出部（適合度算出手段）１０３と、適合度推定部（適合度推定手段）１０４と、モデル選択部（モデル選択手段）１０５と、を含む。
挙動情報取得部１０１は、通信網上を伝送されるパケットの挙動を表す挙動情報を取得する。本例では、挙動情報は、パケットが送信元から送信先へ到達するまでに要する時間である遅延時間、及び、パケットが送信先へ到達しないパケットロスの発生の有無を表す情報である。
また、本例では、挙動情報取得部１０１は、予め設定された取得周期が経過する毎に、直前の取得周期内にて通信装置１００が受信したパケットの挙動を表す挙動情報を取得する。なお、挙動情報取得部１０１は、通信装置１００以外の通信装置が受信したパケットの挙動を表す挙動情報を当該通信装置から受信することにより取得するように構成されていてもよい。
モデル学習部１０２は、複数の数理モデルのそれぞれに対して、挙動情報取得部１０１により取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定する。複数の数理モデルは、モデルパラメータの数が互いに異なる数理モデルである。各数理モデルは、パケットの挙動を推定するための数理モデルである。本例では、モデル学習部１０２は、学習処理を行うことによりモデルパラメータを推定する。
また、本例では、数理モデル（ネットワークモデル）は、隠れマルコフモデルである。従って、モデルパラメータの数は、隠れマルコフモデルにおける状態の数である内部状態数に応じて変化する。また、モデルパラメータは、状態遷移確率と、シンボル出力確率と、初期状態確率と、を含む。
状態遷移確率は、隠れマルコフモデルにおける状態が遷移する確率である。シンボル出力確率は、隠れマルコフモデルにおける状態が遷移する際に出力されるシンボル値を確率変数とする確率分布である。初期状態確率は、隠れマルコフモデルにおける初期における状態を確率変数とする確率分布である。
なお、数理モデルは、時系列モデル（自己回帰移動平均モデル、自己回帰モデル、又は、移動平均モデル等）であってもよい。この場合、モデルパラメータの数は、時系列モデルにおける次数である。
適合度算出部１０３は、複数の数理モデルのそれぞれに対して適合度を算出する。適合度は、モデル学習部１０２により推定されたモデルパラメータにより特定される数理モデルにより推定されるパケットの挙動と、挙動情報取得部１０１により取得された挙動情報が表すパケットの挙動と、が一致している程度を表す。
適合度推定部１０４は、複数の数理モデルのそれぞれに対して、現時点以前の複数の時点のそれぞれにて、適合度算出部１０３により算出された適合度からなる時系列データに基づいて、将来の時点の適合度を推定する。本例では、適合度推定部１０４は、時系列モデル（自己回帰移動平均モデル、自己回帰モデル、又は、移動平均モデル等）に基づいて、将来の時点の適合度を推定する。
モデル選択部１０５は、適合度推定部１０４により推定された、将来の時点の適合度に基づいて、複数の数理モデルの中から１つの数理モデルを選択する。本例では、モデル選択部１０５は、将来の時点の適合度が最も高い数理モデルを選択する。
また、配信制御部１００Ｂは、特徴情報抽出部（統計量算出手段）１０６と、制御パラメータ決定部（再生品質推定手段、及び、制御パラメータ決定手段）１０７と、を含む。
特徴情報抽出部１０６は、モデル選択部１０５により選択された数理モデルに基づいて特徴情報を抽出（取得）する。本例では、特徴情報抽出部１０６は、モデル選択部１０５により選択された数理モデルに基づいてランダムサンプリングを行うことにより、特徴情報を抽出する。
特徴情報は、通信網（ネットワーク）の品質を表す情報である。本例では、特徴情報は、パケットの挙動の統計量（例えば、遅延時間の平均値、又は、パケットロスの発生率等）を表す。なお、特徴情報は、複数のシンボル値からなるシンボル列が出現する確率を表していてもよい。ここで、シンボル値は、パケットの挙動を表す値（例えば、遅延時間の大きさ、又は、パケットロスの発生の有無等）である。
制御パラメータ決定部１０７は、特徴情報抽出部１０６により抽出された特徴情報に基づいて、パケットに基づくコンテンツの再生品質を推定する。更に、制御パラメータ決定部１０７は、推定されたコンテンツの再生品質に基づいて、パケットを送信する際に用いられる制御パラメータを決定する。このとき、制御パラメータ決定部１０７は、コンテンツの再生品質を維持、又は、改善するように制御パラメータを決定する。
（作動）
次に、上述した通信装置１００の作動について図２及び図３を参照しながら説明する。
本発明に係る通信装置１００の作動は、図２に示したように数理モデルを選択する作動と、図３に示したように制御パラメータを決定する作動と、を含む。先ず、数理モデルを選択する作動について図２を参照しながら説明する。
次に、上述した通信装置１００の作動について図２及び図３を参照しながら説明する。
本発明に係る通信装置１００の作動は、図２に示したように数理モデルを選択する作動と、図３に示したように制御パラメータを決定する作動と、を含む。先ず、数理モデルを選択する作動について図２を参照しながら説明する。
通信装置１００は、通信網上を伝送されたパケットを受信する。
挙動情報取得部１０１は、受信されたパケットに基づいて挙動情報を取得する（ステップＡ０１）。例えば、挙動情報取得部１０１は、パケットに含まれる、パケットが送信された日時（送信日時）を表す情報と、パケットを受信した日時（受信日時）を表す情報と、に基づいて遅延時間を表す挙動情報を取得する。また、挙動情報取得部１０１は、受信されたパケットに含まれるシーケンス番号が連続しているか否かを判定することによりパケットロスの発生の有無を表す挙動情報を取得する。
挙動情報取得部１０１は、受信されたパケットに基づいて挙動情報を取得する（ステップＡ０１）。例えば、挙動情報取得部１０１は、パケットに含まれる、パケットが送信された日時（送信日時）を表す情報と、パケットを受信した日時（受信日時）を表す情報と、に基づいて遅延時間を表す挙動情報を取得する。また、挙動情報取得部１０１は、受信されたパケットに含まれるシーケンス番号が連続しているか否かを判定することによりパケットロスの発生の有無を表す挙動情報を取得する。
モデル学習部１０２は、複数の数理モデルのそれぞれに対して、取得された挙動情報に基づいて、学習処理を行うことにより、当該数理モデルを特定するためのモデルパラメータを推定する（ステップＡ０２）。なお、モデル学習部１０２は、予め設定された処理周期が経過する毎に学習処理を実行するように構成されていてもよく、ユーザにより所定の指示が入力された場合に学習処理を実行するように構成されていてもよい。
その後、適合度算出部１０３は、複数の数理モデルのそれぞれに対して、推定されたモデルパラメータに基づいて適合度を算出する（ステップＡ０３）。
次いで、適合度推定部１０４は、複数の数理モデルのそれぞれに対して、現時点以前の複数の時点のそれぞれにて、算出された適合度からなる時系列データに基づいて、将来の時点の適合度を推定する（ステップＡ０４）。
次いで、適合度推定部１０４は、複数の数理モデルのそれぞれに対して、現時点以前の複数の時点のそれぞれにて、算出された適合度からなる時系列データに基づいて、将来の時点の適合度を推定する（ステップＡ０４）。
そして、モデル選択部１０５は、推定された、将来の時点の適合度が最も高い数理モデルを、複数の数理モデルの中から選択する（ステップＡ０５）。
次に、制御パラメータを決定する作動について図３を参照しながら説明する。
特徴情報抽出部１０６は、選択された数理モデルに基づいてランダムサンプリングを行うことにより、特徴情報を抽出（取得）する（ステップＢ０１）。
特徴情報抽出部１０６は、選択された数理モデルに基づいてランダムサンプリングを行うことにより、特徴情報を抽出（取得）する（ステップＢ０１）。
次いで、制御パラメータ決定部１０７は、抽出された特徴情報に基づいて、パケットに基づくコンテンツの再生品質を推定する。更に、制御パラメータ決定部１０７は、推定されたコンテンツの再生品質に基づいて、パケットを送信する際に用いられる制御パラメータを決定する（ステップＢ０２）。このとき、制御パラメータ決定部１０７は、コンテンツの再生品質を維持、又は、改善するように制御パラメータを決定する。
以上、説明したように、本発明の第１実施形態に係る通信装置１００によれば、モデルパラメータの数が異なる複数の数理モデルの中から、実際のパケットの挙動を高い精度にて推定できる数理モデルを選択することができる。即ち、実際のパケットの挙動を高い精度にて推定できる数理モデルを特定することができる。この結果、例えば、特定された数理モデルを用いて、パケットの挙動を高い精度にて推定することができる。
更に、第１実施形態に係る通信装置１００は、将来の時点の適合度を推定し、推定された適合度に基づいて数理モデルを選択する。これによれば、将来の時点にて高い精度にてパケットの挙動を推定できる数理モデルを選択することができる。従って、数理モデルに基づいて制御パラメータを設定することにより、パケットに基づくコンテンツの再生品質の低下を回避することができる。即ち、例えば、映像及び音声等のコンテンツを表すコンテンツデータを配信するサービスにおいて、サービス品質が低下することを回避することができる。
＜第２実施形態＞
次に、本発明の第２実施形態に係る通信システムについて説明する。第２実施形態に係る通信システムは、上記第１実施形態に係る通信装置を備える複数の通信端末を含み、当該通信端末間で通信を行う点において相違している。従って、以下、かかる相違点を中心として説明する。
次に、本発明の第２実施形態に係る通信システムについて説明する。第２実施形態に係る通信システムは、上記第１実施形態に係る通信装置を備える複数の通信端末を含み、当該通信端末間で通信を行う点において相違している。従って、以下、かかる相違点を中心として説明する。
図４に示したように、第２実施形態に係る通信システム１は、複数（本例では、２つ）の通信端末１１０，１２０を含む。通信端末１１０及び通信端末１２０は、通信網を構成する通信回線ＮＷを介して通信可能に接続されている。
通信端末１１０は、第１実施形態に係る通信装置１００と同一の機能を有する通信装置１１１と、アプリケーション・プログラム実行部１１２と、を備える。アプリケーション・プログラム実行部１１２は、アプリケーション・プログラムを実行することによりコンテンツデータを生成する。
同様に、通信端末１２０は、第１実施形態に係る通信装置１００と同一の機能を有する通信装置１２１と、アプリケーション・プログラム実行部１１２と同様のアプリケーション・プログラム実行部１２２と、を備える。
本例では、通信端末１１０が通信端末１２０へ、音声をコンテンツとしたコンテンツデータ（音声データ）を送信している場合を想定する。従って、通信端末１１０は、送信側端末とも表記され、通信端末１２０は、受信側端末とも表記される。
また、通信端末１１０は、音声データを分割したデータを含むパケット（音声パケット）を、予め設定された送信周期（本例では、２０ミリ秒）が経過する毎に、通信端末１２０へ送信する。通信端末１２０は、通信端末１１０から受信した音声パケットに基づいてコンテンツを再生する（即ち、音声を出力する）。
なお、本例では、コンテンツは、音声であったが、映像であってもよく、映像及び音声であってもよい。また、通信システム１は、通信端末１２０から通信端末１１０へコンテンツデータが送信される場合も、通信端末１１０から通信端末１２０へコンテンツデータが送信される場合と同様に作動する。
通信端末１２０が備える通信装置１２１は、通信端末１１０によって送信されることにより通信網上を伝送されたパケットを受信する。そして、通信装置１２１は、受信されたパケットに基づいて挙動情報を取得する。更に、通信装置１２１は、複数の数理モデルのそれぞれに対して、取得された挙動情報に基づいて、学習処理を行うことにより、当該数理モデルを特定するためのモデルパラメータを推定する。
次いで、通信装置１２１は、複数の数理モデルのそれぞれに対して、推定されたモデルパラメータに基づいて適合度を算出する。更に、通信装置１２１は、複数の数理モデルのそれぞれに対して、現時点以前の複数の時点のそれぞれにて、算出された適合度からなる時系列データに基づいて、将来の時点の適合度を推定する。そして、通信装置１２１は、推定された、将来の時点の適合度が最も高い数理モデルを、複数の数理モデルの中から選択する。
次いで、通信装置１２１は、選択された数理モデルに基づいてランダムサンプリングを行うことにより、特徴情報を抽出（取得）する。そして、通信装置１２１は、抽出された特徴情報に基づいて、パケットに基づくコンテンツの再生品質を推定する。更に、通信装置１２１は、推定されたコンテンツの再生品質に基づいて、パケットを送信する際に用いられる制御パラメータを決定する。
次いで、通信装置１２１は、決定された制御パラメータを表す制御パラメータ情報を通信端末１１０へ送信する。通信端末１１０は、通信端末１２０から制御パラメータ情報を受信し、受信された制御パラメータ情報が表す制御パラメータに基づいて、コンテンツデータを通信端末１２０へ送信するための配信制御を実行する。
ここで、通信装置１２１が用いる数理モデルについて詳細に説明する。本例では、数理モデルは、隠れマルコフモデルである。図５は、３つの状態（内部状態）Ｓ１，Ｓ２，Ｓ３を有する隠れマルコフモデルを概念的に示した説明図である。
隠れマルコフモデルは、対象とする系（本例では、パケットを伝送する通信網）の状態（内部状態）が、ある時点において、いずれかの内部状態であり、状態遷移確率に基づいて次の内部状態へ遷移するモデルである。また、隠れマルコフモデルにおいては、対象とする系は、内部状態が遷移する際、遷移先の内部状態が有するシンボル出力確率に基づいて、１つのシンボル値を出力する。本例では、シンボル値は、パケットの挙動を表す値である。なお、シンボル値の詳細については後述する。
図５に示した例においては、例えば、ある時点にて、対象とする系の状態が内部状態Ｓ１である場合、対象とする系の状態は、３つの内部状態Ｓ１，Ｓ２，Ｓ３のいずれかに、それぞれ、０．３、０．６、０．１の確率にて遷移する。
ここで、対象とする系の状態が、内部状態Ｓ２に遷移したと仮定した場合、対象とする系は、状態が内部状態Ｓ２に遷移した後、内部状態Ｓ２が有するシンボル出力確率に基づいて、１つのシンボル値を出力する。この場合、対象とする系は、３つのシンボル値ａ，ｂ，ｃのいずれかを、それぞれ、０．３、０．５、０．２の確率にて出力する。
本例では、シンボル値は、離散値である。従って、シンボル出力確率は離散分布である。なお、シンボル値は、連続値であってもよい。この場合、シンボル出力確率は連続分布である。
隠れマルコフモデルは、内部状態の遷移と、シンボル値の出力と、を繰り返すことにより、対象とする系の挙動をモデル化することを可能とする。隠れマルコフモデルにおいては、モデルパラメータの数は、内部状態の数（内部状態数）に応じた値である。
第２実施形態に係る通信装置１２１は、図６に示したように、内部状態数（即ち、モデルパラメータの数）が異なる隠れマルコフモデル（数理モデル）を複数用意する。そして、通信装置１２１は、各隠れマルコフモデルに対する適合度に基づいて、最適な隠れマルコフモデルを選択する。これにより、ネットワークモデル（数理モデル）の構造的な変化を捉えていくことができる。
通信システム１は、ネットワークの特性を把握するために、パケットの挙動を表す挙動情報として、遅延時間、及び、パケットロスの発生の有無を表す情報を用いる。
ところで、遅延時間の次元は時間であるが、パケットロスの発生の有無は無次元である。従って、通信システム１は、両者の次元を揃えることにより、遅延時間、及び、パケットロスの発生の有無を同一次元にて取り扱う。
ところで、遅延時間の次元は時間であるが、パケットロスの発生の有無は無次元である。従って、通信システム１は、両者の次元を揃えることにより、遅延時間、及び、パケットロスの発生の有無を同一次元にて取り扱う。
本例では、通信装置１２１は、取得された挙動情報を、遅延時間の大きさ、及び、パケットロスの発生の有無、のそれぞれに対応するシンボル値に変換する（挙動情報変換手段）。これによれば、遅延時間の大きさと、パケットロスの発生の有無と、を同一の数理モデルを用いて推定することができる。
具体的には、図７に示したように、通信装置１２１は、遅延時間の大きさを、予め設定された区間毎に分割し、分割された複数の区間のそれぞれに対して異なるシンボル値を割り当てる。通信装置１２１は、遅延時間の大きさが大きくなるほど大きくなるシンボル値を各区間に対して割り当てる。更に、通信装置１２１は、パケットロスの発生の有無に対して、遅延時間の大きさに対して割り当てたシンボル値と異なるシンボル値を割り当てる。
通信装置１２１は、取得された挙動情報を、当該挙動情報が表すパケットの挙動（即ち、遅延時間の大きさ、及び、パケットロスの発生の有無、のそれぞれ）に対して割り当てられたシンボル値に変換する。
ところで、図７に示した例は、挙動情報を離散的なシンボル値に変換する例であった。一方、非特許文献２においては、図８に示したように、遅延時間の大きさを連続値としたまま、パケットロスの発生の有無と同一次元で取り扱う方法が開示されている。通信装置１２１は、この種の方法を採用してもよい。
そして、通信装置１２１は、変換後のシンボル値に対するモデルパラメータを推定する。本例では、通信装置１２１は、バウム・ウェルチ・アルゴリズム等の学習処理のためのアルゴリズムを用いて、モデルパラメータを推定する。
次に、通信装置１２１は、複数の隠れマルコフモデルのそれぞれに対して、推定されたモデルパラメータにより特定される隠れマルコフモデルにより推定されるパケットの挙動と、取得された挙動情報が表すパケットの挙動と、が一致している程度を表す適合度を算出する。
具体的には、通信装置１２１は、複数の隠れマルコフモデルのそれぞれに対して、推定されたモデルパラメータにより特定される隠れマルコフモデルにより推定されるシンボル値と、取得された挙動情報が表すパケットの挙動に対応するシンボル値と、が一致している程度を表す適合度を算出する。
本例では、通信装置１２１は、情報量（エントロピー）を、適合度として用いる。情報量は、取得された挙動情報が表すパケットの挙動が生じる確率であり、上記推定されたモデルパラメータにより特定される隠れマルコフモデルに基づいた確率が高くなるほど小さくなる値を有する。即ち、情報量が小さくなるほど、適合度は大きくなる。具体的には、情報量Ｓは、数式２に示したように定義される。
ここで、ｘｔは、取得された挙動情報が表すパケットの挙動に対応するシンボル値である。また、ｎは、出力されたシンボル値の数であり、θは、モデルパラメータである。また、Ｐ（ｘｔ｜θ）は、モデルパラメータがθである場合においてシンボル値ｘｔが生じる確率である。また、Ｋは、内部状態数である。
なお、通信装置１２１は、数式３に示したように定義される情報量Ｓを適合度として用いるように構成されていてもよい。
ところで、取得された挙動情報が表すパケットの挙動が生じる、数理モデルに基づいた確率は、数理モデルにより推定されるパケットの挙動と、取得された挙動情報が表すパケットの挙動と、が一致している程度をよく表す。従って、通信装置１２１のように、情報量を適合度として用いることが好適である。
ここで、適合度としての情報量の算出、及び、モデルパラメータの推定（隠れマルコフモデルの学習）に用いる、挙動情報、及び、そのタイミングについて説明する。
本例では、通信装置１２１は、図９に示したように、予め設定された推定区間Ｔが経過する毎に、直前の推定区間Ｔにて取得された挙動情報に基づいて適合度を算出する。
本例では、通信装置１２１は、図９に示したように、予め設定された推定区間Ｔが経過する毎に、直前の推定区間Ｔにて取得された挙動情報に基づいて適合度を算出する。
また、通信装置１２１は、図９に示したように、予め設定された学習区間Ｌが経過する毎に、直前の学習区間Ｌにて取得された挙動情報に基づいて学習処理を行うことにより、モデルパラメータを推定する。
なお、推定区間Ｔと、学習区間Ｌと、は異なる長さであってもよいし、同じ長さであってもよい。
なお、推定区間Ｔと、学習区間Ｌと、は異なる長さであってもよいし、同じ長さであってもよい。
また、通信装置１２１は、学習区間Ｌが経過する毎に学習処理を実行するように構成されていたが、後述するように、ネットワークの構造的な変化を検出したタイミングにて学習処理を実行するように構成されていてもよい。
推定区間Ｔ及び学習区間Ｌの長さは、対象とするネットワークの種類、及び、アプリケーション・プログラムにより送受信されるデータの種別等に基づいて、経験則に従って決定されることが好適である。
また、通信装置１２１は、適合度を算出する基となる挙動情報が取得された推定区間Ｔよりも前（過去）の時点にて取得された挙動情報に基づいて推定されたモデルパラメータを用いることが好適である。即ち、例えば、通信装置１２１は、図９に示した、推定区間Ｅｔ−１及び推定区間Ｅｔにて取得された挙動情報に基づいて適合度を算出する場合、学習区間Ｌｔ−１にて取得された挙動情報に基づいて推定されたモデルパラメータにより特定される隠れマルコフモデルを用いる。
更に、通信装置１２１は、図１０に示したように、内部状態数が異なる隠れマルコフモデルのそれぞれに対して、複数の時点（ｔ＝１、…、ｎ）のそれぞれにて算出された適合度からなる時系列データに基づいて、将来の時点の適合度を推定する。
具体的には、通信装置１２１は、時系列モデル（例えば、自己回帰モデル）を用いて、将来の時点の適合度を推定する。その後、通信装置１２１は、推定された、将来の時点の適合度が最も高い数理モデルを、複数の数理モデルの中から選択する。
例えば、通信装置１２１は、時刻ｔにて算出された適合度をＳ（ｔ）としたとき、推測された将来の時点の適合度Ｓ（Ｔ＋１）と、ｔ＝Ｔ−ｍからｔ＝Ｔまでの複数（ここでは、ｍ＋１個）の時点のそれぞれにて算出された適合度Ｓ（ｔ）と、を合算した値Ｓｔｏｔを数式４に従って算出する。ここで、適合度Ｓ（ｔ）は、数式２と、推定区間Ｅｔにて取得された挙動情報と、に基づいて算出された適合度である。
そして、通信装置１２１は、算出された値Ｓｔｏｔが最も小さい隠れマルコフモデルを選択する。ところで、情報量が小さくなるほど、適合度は大きくなる。従って、算出された値Ｓｔｏｔが最も小さい隠れマルコフモデルは、実際のパケットの挙動を最もよく表すモデルであると言うことができる。
次いで、通信装置１２１は、選択された隠れマルコフモデルに基づいて、コンテンツの再生品質を高めるために制御パラメータを決定する。本例では、通信装置１２１は、選択された隠れマルコフモデルに基づいてランダムサンプリングを行うことにより、各シンボル値が出現する頻度（出現頻度）を取得する。
通信装置１２１は、ランダムサンプリングを行うことにより取得されるシンボル値を、当該シンボル値に対応する、遅延時間の大きさ、及び、パケットロスの発生の有無のそれぞれに変換（逆変換）する。このとき、通信装置１２１は、遅延時間の大きさを確率変数とする確率分布が、予め設定された確率分布（例えば、一様分布等）であることを仮定して、逆変換を行う。
これにより、通信装置１２１は、遅延時間の大きさを確率変数とする確率分布、及び、パケットロスの発生の有無を確率変数とする確率分布を取得する。更に、通信装置１２１は、パケットロスが連続して発生する数（パケットロスの連続発生数）を確率変数とする確率分布を取得する。
次に、通信装置１２１は、再生するコンテンツの再生品質と、ネットワークの品質指標の影響と、を考慮した評価関数（例えば、ＩＰ電話におけるＩＴＵ−Ｔ勧告Ｇ．１０７、又は、テレビ電話サービスにおけるＩＴＵ−Ｔ勧告Ｇ．１０７０のような客観品質推定方法）と、取得された確率分布と、に基づいて制御パラメータを決定する。
ところで、パケットロスの発生によって消失したパケットに含まれるデータを再現（回復）するための処理として、誤り訂正処理（例えば、前方誤り訂正（ＦＥＣ；Ｆｏｒｗａｒｄ Ｅｒｒｏｒ Ｃｏｒｒｅｃｔｉｏｎ）処理等）が知られている。また、誤り訂正処理を行うためにパケットが有する冗長度（即ち、パケット内のデータ量に対する誤り訂正符号のデータ量の割合を表す値）と、コンテンツの符号化レートと、はトレードオフの関係にある。
そこで、通信装置１２１は、パケットロスの連続発生数を確率変数とする確率分布に基づいて、誤り訂正処理を行うためにパケットが有する冗長度、及び、コンテンツの符号化レートからなる制御パラメータを決定する。
図１１は、複数（ここでは、３つ）の異なる冗長度に対する、パケットロスの連続発生数を確率変数とする確率分布を表すグラフである。図１１の（Ａ）は、最も小さい冗長度に対するグラフであり、図１１の（Ｂ）は、２番目に小さい冗長度に対するグラフであり、図１１の（Ｃ）は、最も大きい冗長度に対するグラフである。
このように、冗長度が大きくなるほど、パケットロスの連続発生数は減少する。一方、パケットを通信するために利用可能な通信帯域幅が一定である場合、冗長度が大きくなるほど、送信可能なコンテンツデータが表すコンテンツの符号化レートは小さくなる。
そこで、通信装置１２１は、冗長度毎の、パケットロスの連続発生数、及び、符号化レートと、客観品質推定方法における評価関数と、に基づいて、冗長度に応じた再生品質値を算出し、算出された再生品質値が最も高い冗長度を制御パラメータとして決定する。再生品質値は、コンテンツの再生品質を表す値である。
なお、通信装置１２１は、他の方法を用いて制御パラメータを決定するように構成されていてもよい。例えば、通信装置１２１は、コンテンツの再生品質を、ネットワークの品質指標を確率変数とした確率分布に基づいて重み付けした値と、パケットロス率と、符号化レートと、の関係に基づいて制御パラメータを決定するように構成されていてもよい。ここで、パケットロス率は、パケットロスが発生する確率である。
図１２の（Ａ）は、客観品質推定方法に基づく、コンテンツの再生品質と、パケットロス率と、符号化レート（コンテンツの再生レート）と、の関係を示したグラフである。このグラフにおけるパケットロス率は、一様（一定）である。
図１２の（Ｂ）は、コンテンツの再生品質を、ネットワークの品質指標を確率変数とした確率分布に基づいて重み付けした値と、パケットロス率と、符号化レートと、の関係を示したグラフである。
ここで、制御パラメータを決定する指標として、コンテンツの再生品質を保証し、且つ、その再生品質を提供できない場合の補償内容を含むコンテンツ再生品質保証（サービス水準合意（Ｓｅｒｖｉｃｅ Ｌｅｖｅｌ Ａｇｒｅｅｍｅｎｔ））の契約条項が存在している場合を想定する。
この場合、例えば、通信装置１２１は、図１２の（Ｂ）において、コンテンツの再生品質が、コンテンツ再生品質保証にて規定される基準値を下回る確率を算出する。更に、通信装置１２１は、算出された確率に基づいて、コンテンツの再生品質を高めるために要するコストと、補償内容の実施、又は、再生品質の改善に伴う機会損失に要するコストと、を比較する。そして、通信装置１２１は、補償内容の実施、又は、機会損失に要するコストがコンテンツの再生品質を高めるために要するコストを下回る場合、制御パラメータに基づく再生品質の制御を実行しない。
例えば、コンテンツの再生品質を高めるために要するコストは、符号化レートを変更することなく、冗長度を増加することによる通信帯域（ネットワーク帯域）の増加を表す。また、補償内容の実施に伴うコストは、コンテンツの再生品質を維持できなかった場合の補償金額を表す。また、機会損失に伴うコストは、コンテンツの再生品質を高めるためのネットワーク帯域の増加により、他のサービスを提供できないことに伴って損失する収益を表す。
以上、説明したように、本発明の第２実施形態に係る通信装置１２１によれば、第１実施形態に係る通信装置１００と同様の作用及び効果を奏することができる。
＜第３実施形態＞
次に、本発明の第３実施形態に係る通信システムについて説明する。第３実施形態に係る通信システムは、上記第２実施形態に係る通信システムに対して、第１実施形態に係る通信装置を備える複数の中継装置を含み、当該中継装置が数理モデルを特定するように構成されている点において相違している。従って、以下、かかる相違点を中心として説明する。
次に、本発明の第３実施形態に係る通信システムについて説明する。第３実施形態に係る通信システムは、上記第２実施形態に係る通信システムに対して、第１実施形態に係る通信装置を備える複数の中継装置を含み、当該中継装置が数理モデルを特定するように構成されている点において相違している。従って、以下、かかる相違点を中心として説明する。
図１３に示したように、第３実施形態に係る通信システム２は、複数（本例では、２つ）の中継装置２０１，２１１を含む。中継装置２０１及び中継装置２１１は、通信網を構成する通信回線ＮＷ１を介して通信可能に接続されている。各中継装置２０１，２１１は、第１実施形態に係る通信装置１００と同一の機能を有する通信装置を備える。
また、通信システム２は、映像端末（通信端末）２０２と、音声端末（通信端末）２０３と、映像端末（通信端末）２１２と、音声端末（通信端末）２１３と、を含む。中継装置２０１、映像端末２０２、及び、音声端末２０３は、通信網を構成する通信回線ＮＷ２を介して通信可能に接続されている。同様に、中継装置２１１、映像端末２１２、及び、音声端末２１３は、通信網を構成する通信回線ＮＷ３を介して通信可能に接続されている。
中継装置２０１が接続された通信回線ＮＷ２には、映像端末２０２及び音声端末２０３が接続されている。また、同一の通信回線ＮＷ２により構成される通信網上を伝送されるパケットの挙動は、互いに類似している。
そこで、第３実施形態に係る中継装置２０１は、映像端末２０２及び音声端末２０３のそれぞれが送受信するパケットの挙動を表す挙動情報を取得し、取得された挙動情報に基づいて数理モデルを特定し、特定された数理モデルに基づいて制御パラメータを決定する。そして、中継装置２０１は、決定された制御パラメータを、映像端末２０２及び音声端末２０３のそれぞれへ送信する。また、中継装置２１１も、中継装置２０１と同様に作動する。
なお、中継装置２０１は、制御パラメータを決定することなく、特定した数理モデルを表す情報、又は、特定した数理モデルに基づいて取得される特徴情報を、映像端末２０２及び音声端末２０３のそれぞれへ送信するように構成されていてもよい。この場合、映像端末２０２及び音声端末２０３のそれぞれは、受信した情報に基づいて制御パラメータを決定する。
以上、説明したように、本発明の第３実施形態に係る中継装置２０１，２１１によれば、第１実施形態に係る通信装置１００と同様の作用及び効果を奏することができる。
更に、第３実施形態に係る通信システム２によれば、各通信端末２０２，２０３，２１２，２１３は、数理モデルを特定するための処理を行う必要がない。即ち、各通信端末２０２，２０３，２１２，２１３の処理負荷を軽減することができる。更に、第３実施形態に係る通信システム２によれば、取得される挙動情報の基となるパケットの数を増加させることができるので、高い精度にて数理モデルを特定することができる。
＜第４実施形態＞
次に、本発明の第４実施形態に係る通信システムについて説明する。第４実施形態に係る通信システムは、上記第２実施形態に係る通信システムに対して、第１実施形態に係る通信装置を備える資源管理サーバを含み、当該資源管理サーバが数理モデルを特定するように構成されている点において相違している。従って、以下、かかる相違点を中心として説明する。
次に、本発明の第４実施形態に係る通信システムについて説明する。第４実施形態に係る通信システムは、上記第２実施形態に係る通信システムに対して、第１実施形態に係る通信装置を備える資源管理サーバを含み、当該資源管理サーバが数理モデルを特定するように構成されている点において相違している。従って、以下、かかる相違点を中心として説明する。
図１４に示したように、第４実施形態に係る通信システム３は、資源管理サーバ３００と、複数（本例では、２つ）の無線アクセスポイント３０１，３０２と、複数（本例では、４つ）の通信端末３０３，３０４，３０５，３０６と、を含む。
資源管理サーバ３００、無線アクセスポイント３０１、及び、無線アクセスポイント３０２は、通信網を構成する通信回線ＮＷ４を介して通信可能に接続されている。各通信端末３０３，３０４，３０５，３０６は、無線アクセスポイント３０１、及び、無線アクセスポイント３０２のいずれとも無線通信可能な位置に配置されている。
各通信端末３０３，３０４，３０５は、無線アクセスポイント３０１と無線通信可能に接続されている。また、通信端末３０６は、無線アクセスポイント３０２と無線通信可能に接続されている。
資源管理サーバ３００は、第１実施形態に係る通信装置１００と同一の機能を有する通信装置を備える。
資源管理サーバ３００は、第１実施形態に係る通信装置１００と同一の機能を有する通信装置を備える。
各通信端末３０３，３０４，３０５，３０６は、挙動情報を取得し、取得された挙動情報を資源管理サーバ３００へ送信する。資源管理サーバ３００は、無線アクセスポイント３０１，３０２のそれぞれに対して、挙動情報を受信し、受信した挙動情報に基づいて数理モデルを特定する。
そして、資源管理サーバ３００は、無線アクセスポイント３０１，３０２のそれぞれに対して、特定された数理モデルに基づいて当該無線アクセスポイントの状態が輻輳状態にあるか否かを判定する。次いで、資源管理サーバ３００は、状態が輻輳状態にあると判定された無線アクセスポイントと接続されている通信端末を、状態が輻輳状態にないと判定された無線アクセスポイントと無線通信可能に接続させる。
例えば、無線アクセスポイント３０１の状態が輻輳状態にあると判定され、且つ、無線アクセスポイント３０２の状態が輻輳状態にないと判定された場合、資源管理サーバ３００は、通信端末３０５を、無線アクセスポイント３０２と無線通信可能に接続させる。
以上、説明したように、本発明の第４実施形態に係る通信システム３によれば、複数の無線アクセスポイント（資源）を利用できる状況において、各資源の利用状況を予測することにより、より適切な資源の利用を行うことができる。同様に、例えば、複数のネットワーク経路を用意し、最も通信品質が高いネットワーク経路を利用するように通信システム３を構成することもできる。
なお、第４実施形態に係る通信システム３の変形例は、各通信端末３０３，３０４，３０５，３０６が、第１実施形態に係る通信装置１００と同一の機能を有する通信装置を備えるように構成されていてもよい。この場合、各通信端末３０３，３０４，３０５，３０６は、挙動情報に基づいて数理モデルを特定し、特定した数理モデルを表す情報、又は、特定した数理モデルに基づいて取得される特徴情報を、資源管理サーバ３００へ送信する。
＜第５実施形態＞
次に、本発明の第５実施形態に係る通信装置について説明する。第５実施形態に係る通信装置は、上記第１実施形態に係る通信装置に対して、特定された数理モデルに基づいて、パケットの挙動を再現するようにパケットを生成するように構成されている点において相違している。従って、以下、かかる相違点を中心として説明する。
次に、本発明の第５実施形態に係る通信装置について説明する。第５実施形態に係る通信装置は、上記第１実施形態に係る通信装置に対して、特定された数理モデルに基づいて、パケットの挙動を再現するようにパケットを生成するように構成されている点において相違している。従って、以下、かかる相違点を中心として説明する。
（機能）
図１５は、第５実施形態に係る通信装置５００の機能を表すブロック図である。
通信装置５００の機能は、ネットワーク状態推定部５００Ａと、パケットジェネレータ部５００Ｂと、を含む。
図１５は、第５実施形態に係る通信装置５００の機能を表すブロック図である。
通信装置５００の機能は、ネットワーク状態推定部５００Ａと、パケットジェネレータ部５００Ｂと、を含む。
ネットワーク状態推定部５００Ａは、通信網上を伝送されるパケットの挙動を表す挙動情報に基づいて、複数のネットワークモデル（数理モデル）のそれぞれに対して、数理モデルを特定するためのモデルパラメータを推定する。更に、ネットワーク状態推定部５００Ａは、複数の数理モデルのそれぞれに対して適合度を算出し、算出した適合度に基づいて最も高い精度にてパケットの挙動を推定できる数理モデルを選択する。
パケットジェネレータ部５００Ｂは、ネットワーク状態推定部５００Ａにより選択された数理モデルに基づいて、ランダムサンプリングを行うことにより、パケットを生成する。
以下、ネットワーク状態推定部５００Ａ及びパケットジェネレータ部５００Ｂの詳細な機能について説明する。
ネットワーク状態推定部５００Ａは、挙動情報取得部（挙動情報取得手段）５０１と、モデル学習部（モデルパラメータ推定手段）５０２と、適合度算出部（適合度算出手段）５０３と、モデル選択部（モデル選択手段）５０５と、を含む。
挙動情報取得部５０１は、通信網上を伝送されるパケットの挙動を表す挙動情報を取得する。
モデル学習部５０２は、複数の数理モデルのそれぞれに対して、挙動情報取得部５０１により取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定する。複数の数理モデルは、モデルパラメータの数が互いに異なる数理モデルである。各数理モデルは、パケットの挙動を推定するための数理モデルである。本例では、モデル学習部１０２は、学習処理を行うことによりモデルパラメータを推定する。
モデル学習部５０２は、複数の数理モデルのそれぞれに対して、挙動情報取得部５０１により取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定する。複数の数理モデルは、モデルパラメータの数が互いに異なる数理モデルである。各数理モデルは、パケットの挙動を推定するための数理モデルである。本例では、モデル学習部１０２は、学習処理を行うことによりモデルパラメータを推定する。
また、本例では、数理モデル（ネットワークモデル）は、隠れマルコフモデルである。従って、モデルパラメータの数は、隠れマルコフモデルにおける状態の数である内部状態数に応じて変化する。また、モデルパラメータは、状態遷移確率と、シンボル出力確率と、初期状態確率と、を含む。
なお、数理モデルは、時系列モデル（自己回帰移動平均モデル、自己回帰モデル、又は、移動平均モデル等）であってもよい。この場合、モデルパラメータの数は、時系列モデルにおける次数である。
適合度算出部５０３は、複数の数理モデルのそれぞれに対して適合度を算出する。
モデル選択部５０５は、適合度算出部５０３により算出された適合度に基づいて、複数の数理モデルの中から１つの数理モデルを選択する。本例では、モデル選択部５０５は、算出された適合度が最も高い数理モデルを選択する。
モデル選択部５０５は、適合度算出部５０３により算出された適合度に基づいて、複数の数理モデルの中から１つの数理モデルを選択する。本例では、モデル選択部５０５は、算出された適合度が最も高い数理モデルを選択する。
また、パケットジェネレータ部５００Ｂは、モデル情報記憶部５０６と、パケット生成部（パケット生成手段）５０７と、を含む。
モデル情報記憶部５０６は、モデル選択部５０５により選択された数理モデルを表すモデル選択情報と、当該数理モデルを特定するために推定されたモデルパラメータと、当該数理モデルが選択された日時を表す日時情報と、を対応付けて記憶する。
パケット生成部５０７は、モデル情報記憶部５０６に記憶されているモデル選択情報が表す数理モデル、及び、当該モデル選択情報と対応付けてモデル情報記憶部５０６に記憶されているモデルパラメータに基づいて、ランダムサンプリングを行うことにより挙動情報を取得する。そして、パケット生成部５０７は、取得された挙動情報に基づいて、パケットを生成する。このとき、パケット生成部５０７は、上記モデル選択情報と対応付けてモデル情報記憶部５０６に記憶されている日時情報が表す日時に対応するタイミングにてパケットを生成する。
このようにして、パケット生成部５０７は、複数の時点のそれぞれにて、モデル選択部５０５により選択された数理モデル、及び、モデル学習部５０２により推定されたモデルパラメータに基づいて、ランダムサンプリングを行うことにより、当該複数の時点のそれぞれにおけるパケットの挙動を再現するようにパケットを生成する。
（作動）
次に、上述した通信装置５００の作動について図１６及び図１７を参照しながら説明する。
本発明に係る通信装置５００の作動は、図１６に示したように数理モデルを選択する作動と、図１７に示したようにパケットを生成する作動と、を含む。先ず、数理モデルを選択する作動について図１６を参照しながら説明する。
次に、上述した通信装置５００の作動について図１６及び図１７を参照しながら説明する。
本発明に係る通信装置５００の作動は、図１６に示したように数理モデルを選択する作動と、図１７に示したようにパケットを生成する作動と、を含む。先ず、数理モデルを選択する作動について図１６を参照しながら説明する。
通信装置５００は、通信網上を伝送されたパケットを受信する。
挙動情報取得部５０１は、受信されたパケットに基づいて挙動情報を取得する（ステップＣ０１）。
挙動情報取得部５０１は、受信されたパケットに基づいて挙動情報を取得する（ステップＣ０１）。
モデル学習部５０２は、複数の数理モデルのそれぞれに対して、取得された挙動情報に基づいて、学習処理を行うことにより、当該数理モデルを特定するためのモデルパラメータを推定する（ステップＣ０２）。
その後、適合度算出部５０３は、複数の数理モデルのそれぞれに対して、推定されたモデルパラメータに基づいて適合度を算出する（ステップＣ０３）。
そして、モデル選択部５０５は、算出された適合度が最も高い数理モデルを、複数の数理モデルの中から選択する（ステップＣ０４）。
そして、モデル選択部５０５は、算出された適合度が最も高い数理モデルを、複数の数理モデルの中から選択する（ステップＣ０４）。
次いで、モデル情報記憶部５０６は、選択された数理モデルを表すモデル選択情報と、当該数理モデルを特定するために推定されたモデルパラメータと、当該数理モデルが選択された日時を表す日時情報と、を対応付けて記憶する（ステップＣ０５）。
次に、パケットを生成する作動について図１７を参照しながら説明する。
パケット生成部５０７は、モデル情報記憶部５０６に記憶されているモデル選択情報が表す数理モデル、及び、当該モデル選択情報と対応付けてモデル情報記憶部５０６に記憶されているモデルパラメータに基づいて、ランダムサンプリングを行うことにより挙動情報を取得する（ステップＤ０１）。
パケット生成部５０７は、モデル情報記憶部５０６に記憶されているモデル選択情報が表す数理モデル、及び、当該モデル選択情報と対応付けてモデル情報記憶部５０６に記憶されているモデルパラメータに基づいて、ランダムサンプリングを行うことにより挙動情報を取得する（ステップＤ０１）。
そして、パケット生成部５０７は、取得された挙動情報に基づいて、上記モデル選択情報と対応付けてモデル情報記憶部５０６に記憶されている日時情報が表す日時に対応するタイミングにてパケットを生成する（ステップＤ０２）。
なお、パケット生成部５０７は、モデル情報記憶部５０６に記憶されている日時情報が表す日時に従って、ステップＤ０１及びステップＤ０２の処理を繰り返し実行する。
以上、説明したように、本発明の第５実施形態に係る通信装置５００によれば、複数の時点のそれぞれにて、高い精度にてパケットの挙動を推定できる数理モデルに基づいてパケットを生成することができる。この結果、過去のパケットの挙動を高い精度にて再現することができる。
＜第６実施形態＞
次に、本発明の第６実施形態に係る通信システムについて説明する。第６実施形態に係る通信システムは、上記第５実施形態に係る通信装置の機能を有する複数のパケットジェネレータを含む点において相違している。従って、以下、かかる相違点を中心として説明する。
次に、本発明の第６実施形態に係る通信システムについて説明する。第６実施形態に係る通信システムは、上記第５実施形態に係る通信装置の機能を有する複数のパケットジェネレータを含む点において相違している。従って、以下、かかる相違点を中心として説明する。
図１８に示したように、第６実施形態に係る通信システム６は、複数（本例では、２つ）のパケットジェネレータ６０１，６０５と、送信装置６０２と、評価装置６０６と、を含む。なお、パケットジェネレータ６０１及びパケットジェネレータ６０５は、同一の装置により構成されていてもよい。
パケットジェネレータ６０１及び送信装置６０２は、通信網を構成する通信回線ＮＷ５を介して通信可能に接続されている。同様に、パケットジェネレータ６０５及び評価装置６０６は、通信網を構成する通信回線ＮＷ６を介して通信可能に接続されている。また、パケットジェネレータ６０１及びパケットジェネレータ６０５は、通信可能に接続されている。
送信装置６０２は、パケットジェネレータ６０１へ、コンテンツデータ（例えば、音声データ等）に基づくパケットを送信する。なお、本例では、通信回線ＮＷ５により構成される通信網においては、クロストラフィックが生成され、又は、トラフィックの流量制御が行われる。
パケットジェネレータ６０１は、送信装置６０２により送信されたパケットの挙動を表す挙動情報を取得する。パケットジェネレータ６０１は、複数の数理モデルのそれぞれに対して、取得された挙動情報に基づいて、学習処理を行うことにより、当該数理モデルを特定するためのモデルパラメータを推定する。
その後、パケットジェネレータ６０１は、複数の数理モデルのそれぞれに対して、推定されたモデルパラメータに基づいて適合度を算出する。そして、パケットジェネレータ６０１は、算出された適合度が最も高い数理モデルを、複数の数理モデルの中から選択する。
次いで、パケットジェネレータ６０１は、選択された数理モデルを表すモデル選択情報と、当該数理モデルを特定するために推定されたモデルパラメータと、当該数理モデルが選択された日時を表す日時情報と、を対応付けて記憶する。
なお、送信装置６０２は、パケットジェネレータ６０１により選択された数理モデルに基づいて制御パラメータを変更するように構成されていてもよい。
その後、パケットジェネレータ６０１は、記憶されているすべての情報をデータセットとしてパケットジェネレータ６０５へ送信する。パケットジェネレータ６０５は、受信したデータセットに基づいてランダムサンプリングを行うことによりパケットを生成する。
そして、パケットジェネレータ６０５は、生成したパケットを通信回線ＮＷ６を介して評価装置６０６へ送信する。評価装置６０６は、パケットジェネレータ６０５により送信されたパケットを受信する。評価装置６０６は、受信したパケットに基づいて、コンテンツの再生品質（例えば、音声配信の再生品質）等の評価を行う。
なお、評価装置６０６は、送信装置６０２がパケットジェネレータ６０１により選択された数理モデルに基づいて制御パラメータを変更するように構成されている場合、制御パラメータの変更によるコンテンツの再生品質の変化について評価を行うことが好適である。
以上、説明したように、本発明の第６実施形態に係る通信システム６によれば、第５実施形態に係る通信装置５００と同様の作用及び効果を奏することができる。
＜第７実施形態＞
次に、本発明の第７実施形態に係るモデル特定装置について図１９を参照しながら説明する。
第７実施形態に係るモデル特定装置７００は、
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得部（挙動情報取得手段）７０１と、
モデルパラメータにより特定され、且つ、上記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、上記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定部（モデルパラメータ推定手段）７０２と、
上記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される上記パケットの挙動と、上記取得された挙動情報が表す上記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出部（適合度算出手段）７０３と、
上記算出された適合度に基づいて、上記複数の数理モデルの中から１つの数理モデルを選択するモデル選択部（モデル選択手段）７０４と、
を備える。
次に、本発明の第７実施形態に係るモデル特定装置について図１９を参照しながら説明する。
第７実施形態に係るモデル特定装置７００は、
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得部（挙動情報取得手段）７０１と、
モデルパラメータにより特定され、且つ、上記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、上記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定部（モデルパラメータ推定手段）７０２と、
上記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される上記パケットの挙動と、上記取得された挙動情報が表す上記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出部（適合度算出手段）７０３と、
上記算出された適合度に基づいて、上記複数の数理モデルの中から１つの数理モデルを選択するモデル選択部（モデル選択手段）７０４と、
を備える。
これによれば、モデルパラメータの数が異なる複数の数理モデルの中から、実際のパケットの挙動を高い精度にて推定できる数理モデルを選択することができる。即ち、実際のパケットの挙動を高い精度にて推定できる数理モデルを特定することができる。この結果、例えば、特定された数理モデルを用いて、パケットの挙動を高い精度にて推定することができる。
以上、上記実施形態を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成及び詳細に、本願発明の範囲内において当業者が理解し得る様々な変更をすることができる。
なお、上記各実施形態において各装置の各機能は、ＣＰＵがプログラム（ソフトウェア）を実行することにより実現されていたが、回路等のハードウェアにより実現されていてもよい。
また、上記各実施形態においてプログラムは、記憶装置に記憶されていたが、コンピュータが読み取り可能な記録媒体に記憶されていてもよい。例えば、記録媒体は、フレキシブルディスク、光ディスク、光磁気ディスク、及び、半導体メモリ等の可搬性を有する媒体である。
また、上記実施形態の他の変形例として、上述した実施形態及び変形例の任意の組み合わせが採用されてもよい。
＜付記＞
上記実施形態の一部又は全部は、以下の付記のように記載され得るが、以下には限られない。
上記実施形態の一部又は全部は、以下の付記のように記載され得るが、以下には限られない。
（付記１）
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得手段と、
モデルパラメータにより特定され、且つ、前記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、前記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定手段と、
前記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される前記パケットの挙動と、前記取得された挙動情報が表す前記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出手段と、
前記算出された適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択するモデル選択手段と、
を備えるモデル特定装置。
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得手段と、
モデルパラメータにより特定され、且つ、前記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、前記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定手段と、
前記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される前記パケットの挙動と、前記取得された挙動情報が表す前記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出手段と、
前記算出された適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択するモデル選択手段と、
を備えるモデル特定装置。
これによれば、モデルパラメータの数が異なる複数の数理モデルの中から、実際のパケットの挙動を高い精度にて推定できる数理モデルを選択することができる。即ち、実際のパケットの挙動を高い精度にて推定できる数理モデルを特定することができる。この結果、例えば、特定された数理モデルを用いて、パケットの挙動を高い精度にて推定することができる。
（付記２）
付記１に記載のモデル特定装置であって、
前記数理モデルは、隠れマルコフモデルであり、
前記モデルパラメータの数は、前記隠れマルコフモデルにおける状態の数である内部状態数に応じた値であり、
前記モデルパラメータは、前記状態が遷移する確率である状態遷移確率と、前記状態が遷移する際に出力されるシンボル値を確率変数とする確率分布であるシンボル出力確率と、初期における前記状態を確率変数とする確率分布である初期状態確率と、を含むモデル特定装置。
付記１に記載のモデル特定装置であって、
前記数理モデルは、隠れマルコフモデルであり、
前記モデルパラメータの数は、前記隠れマルコフモデルにおける状態の数である内部状態数に応じた値であり、
前記モデルパラメータは、前記状態が遷移する確率である状態遷移確率と、前記状態が遷移する際に出力されるシンボル値を確率変数とする確率分布であるシンボル出力確率と、初期における前記状態を確率変数とする確率分布である初期状態確率と、を含むモデル特定装置。
（付記３）
付記２に記載のモデル特定装置であって、
前記挙動情報は、前記パケットが送信元から送信先へ到達するまでに要する時間である遅延時間、及び、前記パケットが送信先へ到達しないパケットロスの発生の有無を表す情報であり、
前記取得された挙動情報を、前記遅延時間の大きさ、及び、前記パケットロスの発生の有無、のそれぞれに対応する前記シンボル値に変換する挙動情報変換手段を備え、
前記モデルパラメータ推定手段は、前記変換後のシンボル値に対する前記モデルパラメータを推定するように構成されたモデル特定装置。
付記２に記載のモデル特定装置であって、
前記挙動情報は、前記パケットが送信元から送信先へ到達するまでに要する時間である遅延時間、及び、前記パケットが送信先へ到達しないパケットロスの発生の有無を表す情報であり、
前記取得された挙動情報を、前記遅延時間の大きさ、及び、前記パケットロスの発生の有無、のそれぞれに対応する前記シンボル値に変換する挙動情報変換手段を備え、
前記モデルパラメータ推定手段は、前記変換後のシンボル値に対する前記モデルパラメータを推定するように構成されたモデル特定装置。
これによれば、遅延時間の大きさと、パケットロスの発生の有無と、を同一の数理モデルを用いて推定することができる。
（付記４）
付記１乃至付記３のいずれか一項に記載のモデル特定装置であって、
前記適合度算出手段は、前記取得された挙動情報が表す前記パケットの挙動が生じる、前記数理モデルに基づいた確率が高くなるほど小さくなる値を有する情報量を、前記適合度として用いるように構成されたモデル特定装置。
付記１乃至付記３のいずれか一項に記載のモデル特定装置であって、
前記適合度算出手段は、前記取得された挙動情報が表す前記パケットの挙動が生じる、前記数理モデルに基づいた確率が高くなるほど小さくなる値を有する情報量を、前記適合度として用いるように構成されたモデル特定装置。
ところで、取得された挙動情報が表すパケットの挙動が生じる、数理モデルに基づいた確率は、数理モデルにより推定されるパケットの挙動と、取得された挙動情報が表すパケットの挙動と、が一致している程度をよく表す。従って、上記モデル特定装置のように、情報量を適合度として用いることが好適である。
（付記５）
付記１乃至付記４のいずれか一項に記載のモデル特定装置であって、
前記複数の数理モデルのそれぞれに対して、複数の時点のそれぞれにて算出された適合度からなる時系列データに基づいて、将来の時点の適合度を推定する適合度推定手段を備え、
前記モデル選択手段は、前記推定された将来の時点の適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択するように構成されたモデル特定装置。
付記１乃至付記４のいずれか一項に記載のモデル特定装置であって、
前記複数の数理モデルのそれぞれに対して、複数の時点のそれぞれにて算出された適合度からなる時系列データに基づいて、将来の時点の適合度を推定する適合度推定手段を備え、
前記モデル選択手段は、前記推定された将来の時点の適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択するように構成されたモデル特定装置。
これによれば、将来の時点にて高い精度にてパケットの挙動を推定できる数理モデルを選択することができる。従って、例えば、数理モデルに基づいて制御パラメータを設定することにより、パケットに基づくコンテンツの再生品質の低下を回避することができる。ここで、制御パラメータは、例えば、誤り訂正処理を行うためにパケットが有する冗長度、及び／又は、パケットが表すコンテンツを符号化する際に用いられる符号化レート等である。
（付記６）
付記１乃至付記５のいずれか一項に記載のモデル特定装置であって、
前記選択された数理モデルに基づいてランダムサンプリングを行うことにより、前記パケットの挙動の統計量を算出する統計量算出手段を備えるモデル特定装置。
付記１乃至付記５のいずれか一項に記載のモデル特定装置であって、
前記選択された数理モデルに基づいてランダムサンプリングを行うことにより、前記パケットの挙動の統計量を算出する統計量算出手段を備えるモデル特定装置。
（付記７）
付記１乃至付記６のいずれか一項に記載のモデル特定装置であって、
前記選択された数理モデルに基づいて、前記パケットに基づくコンテンツの再生品質を推定する再生品質推定手段を備えるモデル特定装置。
付記１乃至付記６のいずれか一項に記載のモデル特定装置であって、
前記選択された数理モデルに基づいて、前記パケットに基づくコンテンツの再生品質を推定する再生品質推定手段を備えるモデル特定装置。
（付記８）
付記１乃至付記７のいずれか一項に記載のモデル特定装置であって、
前記選択された数理モデルに基づいて、前記パケットを送信する際に用いられる制御パラメータを決定する制御パラメータ決定手段を備えるモデル特定装置。
付記１乃至付記７のいずれか一項に記載のモデル特定装置であって、
前記選択された数理モデルに基づいて、前記パケットを送信する際に用いられる制御パラメータを決定する制御パラメータ決定手段を備えるモデル特定装置。
（付記９）
付記８に記載のモデル特定装置であって、
前記制御パラメータは、誤り訂正処理を行うために前記パケットが有する冗長度、及び、前記パケットが表すコンテンツを符号化する際に用いられる符号化レート、の少なくとも１つを含むモデル特定装置。
付記８に記載のモデル特定装置であって、
前記制御パラメータは、誤り訂正処理を行うために前記パケットが有する冗長度、及び、前記パケットが表すコンテンツを符号化する際に用いられる符号化レート、の少なくとも１つを含むモデル特定装置。
（付記１０）
付記１乃至付記４のいずれか一項に記載のモデル特定装置であって、
複数の時点のそれぞれにて、前記選択された数理モデル、及び、前記推定されたモデルパラメータに基づいて、ランダムサンプリングを行うことにより、当該複数の時点のそれぞれにおける前記パケットの挙動を再現するように前記パケットを生成するパケット生成手段を備えるモデル特定装置。
付記１乃至付記４のいずれか一項に記載のモデル特定装置であって、
複数の時点のそれぞれにて、前記選択された数理モデル、及び、前記推定されたモデルパラメータに基づいて、ランダムサンプリングを行うことにより、当該複数の時点のそれぞれにおける前記パケットの挙動を再現するように前記パケットを生成するパケット生成手段を備えるモデル特定装置。
これによれば、複数の時点のそれぞれにて、高い精度にてパケットの挙動を推定できる数理モデルに基づいてパケットを生成することができる。この結果、過去のパケットの挙動を高い精度にて再現することができる。
（付記１１）
通信網上を伝送されるパケットの挙動を表す挙動情報を取得し、
モデルパラメータにより特定され、且つ、前記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、前記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定し、
前記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される前記パケットの挙動と、前記取得された挙動情報が表す前記パケットの挙動と、が一致している程度を表す適合度を算出し、
前記算出された適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択する、モデル特定方法。
通信網上を伝送されるパケットの挙動を表す挙動情報を取得し、
モデルパラメータにより特定され、且つ、前記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、前記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定し、
前記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される前記パケットの挙動と、前記取得された挙動情報が表す前記パケットの挙動と、が一致している程度を表す適合度を算出し、
前記算出された適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択する、モデル特定方法。
（付記１２）
付記１１に記載のモデル特定方法であって、
前記数理モデルは、隠れマルコフモデルであり、
前記モデルパラメータの数は、前記隠れマルコフモデルにおける状態の数である内部状態数に応じた値であり、
前記モデルパラメータは、前記状態が遷移する確率である状態遷移確率と、前記状態が遷移する際に出力されるシンボル値を確率変数とする確率分布であるシンボル出力確率と、初期における前記状態を確率変数とする確率分布である初期状態確率と、を含むモデル特定方法。
付記１１に記載のモデル特定方法であって、
前記数理モデルは、隠れマルコフモデルであり、
前記モデルパラメータの数は、前記隠れマルコフモデルにおける状態の数である内部状態数に応じた値であり、
前記モデルパラメータは、前記状態が遷移する確率である状態遷移確率と、前記状態が遷移する際に出力されるシンボル値を確率変数とする確率分布であるシンボル出力確率と、初期における前記状態を確率変数とする確率分布である初期状態確率と、を含むモデル特定方法。
（付記１３）
付記１２に記載のモデル特定方法であって、
前記挙動情報は、前記パケットが送信元から送信先へ到達するまでに要する時間である遅延時間、及び、前記パケットが送信先へ到達しないパケットロスの発生の有無を表す情報であり、
前記取得された挙動情報を、前記遅延時間の大きさ、及び、前記パケットロスの発生の有無、のそれぞれに対応する前記シンボル値に変換し、
前記変換後のシンボル値に対する前記モデルパラメータを推定するように構成されたモデル特定方法。
付記１２に記載のモデル特定方法であって、
前記挙動情報は、前記パケットが送信元から送信先へ到達するまでに要する時間である遅延時間、及び、前記パケットが送信先へ到達しないパケットロスの発生の有無を表す情報であり、
前記取得された挙動情報を、前記遅延時間の大きさ、及び、前記パケットロスの発生の有無、のそれぞれに対応する前記シンボル値に変換し、
前記変換後のシンボル値に対する前記モデルパラメータを推定するように構成されたモデル特定方法。
（付記１４）
情報処理装置に、
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得手段と、
モデルパラメータにより特定され、且つ、前記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、前記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定手段と、
前記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される前記パケットの挙動と、前記取得された挙動情報が表す前記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出手段と、
前記算出された適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択するモデル選択手段と、
を実現させるためのモデル特定プログラム。
情報処理装置に、
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得手段と、
モデルパラメータにより特定され、且つ、前記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、前記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定手段と、
前記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される前記パケットの挙動と、前記取得された挙動情報が表す前記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出手段と、
前記算出された適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択するモデル選択手段と、
を実現させるためのモデル特定プログラム。
（付記１５）
付記１４に記載のモデル特定プログラムであって、
前記数理モデルは、隠れマルコフモデルであり、
前記モデルパラメータの数は、前記隠れマルコフモデルにおける状態の数である内部状態数に応じた値であり、
前記モデルパラメータは、前記状態が遷移する確率である状態遷移確率と、前記状態が遷移する際に出力されるシンボル値を確率変数とする確率分布であるシンボル出力確率と、初期における前記状態を確率変数とする確率分布である初期状態確率と、を含むモデル特定プログラム。
付記１４に記載のモデル特定プログラムであって、
前記数理モデルは、隠れマルコフモデルであり、
前記モデルパラメータの数は、前記隠れマルコフモデルにおける状態の数である内部状態数に応じた値であり、
前記モデルパラメータは、前記状態が遷移する確率である状態遷移確率と、前記状態が遷移する際に出力されるシンボル値を確率変数とする確率分布であるシンボル出力確率と、初期における前記状態を確率変数とする確率分布である初期状態確率と、を含むモデル特定プログラム。
（付記１６）
付記１５に記載のモデル特定プログラムであって、
前記挙動情報は、前記パケットが送信元から送信先へ到達するまでに要する時間である遅延時間、及び、前記パケットが送信先へ到達しないパケットロスの発生の有無を表す情報であり、
前記情報処理装置に、更に、
前記取得された挙動情報を、前記遅延時間の大きさ、及び、前記パケットロスの発生の有無、のそれぞれに対応する前記シンボル値に変換する挙動情報変換手段を実現させるとともに、
前記モデルパラメータ推定手段は、前記変換後のシンボル値に対する前記モデルパラメータを推定するように構成されたモデル特定プログラム。
付記１５に記載のモデル特定プログラムであって、
前記挙動情報は、前記パケットが送信元から送信先へ到達するまでに要する時間である遅延時間、及び、前記パケットが送信先へ到達しないパケットロスの発生の有無を表す情報であり、
前記情報処理装置に、更に、
前記取得された挙動情報を、前記遅延時間の大きさ、及び、前記パケットロスの発生の有無、のそれぞれに対応する前記シンボル値に変換する挙動情報変換手段を実現させるとともに、
前記モデルパラメータ推定手段は、前記変換後のシンボル値に対する前記モデルパラメータを推定するように構成されたモデル特定プログラム。
なお、本発明は、日本国にて２０１０年６月１６日に出願された特願２０１０−１３７０４９の特許出願に基づく優先権主張の利益を享受するものであり、当該特許出願にて開示された内容のすべてが本明細書に含まれるものとする。
本発明は、パケットの挙動を推定するための数理モデルを特定するモデル特定装置、及び、コンテンツデータを送受信するコンテンツ配信システム等に適用可能である。
１，２，３，６ 通信システム
１００ 通信装置
１００Ａ ネットワーク状態推定部
１００Ｂ 配信制御部
１０１ 挙動情報取得部
１０２ モデル学習部
１０３ 適合度算出部
１０４ 適合度推定部
１０５ モデル選択部
１０６ 特徴情報抽出部
１０７ 制御パラメータ決定部
１１０，１２０ 通信端末
１１１ 通信装置
１１２ アプリケーション・プログラム実行部
１２１ 通信装置
１２２ アプリケーション・プログラム実行部
２０１，２１１ 中継装置
２０２，２０３，２１２，２１３ 通信端末
３００ 資源管理サーバ
３０１，３０２ 無線アクセスポイント
３０３，３０４，３０５，３０６ 通信端末
５００ 通信装置
５００Ａ ネットワーク状態推定部
５００Ｂ パケットジェネレータ部
５０１ 挙動情報取得部
５０２ モデル学習部
５０３ 適合度算出部
５０５ モデル選択部
５０６ モデル情報記憶部
５０７ パケット生成部
６０１，６０５ パケットジェネレータ
６０２ 送信装置
６０６ 評価装置
７００ モデル特定装置
７０１ 挙動情報取得部
７０２ モデルパラメータ推定部
７０３ 適合度算出部
７０４ モデル選択部
ＮＷ，ＮＷ１〜ＮＷ６ 通信回線
１００ 通信装置
１００Ａ ネットワーク状態推定部
１００Ｂ 配信制御部
１０１ 挙動情報取得部
１０２ モデル学習部
１０３ 適合度算出部
１０４ 適合度推定部
１０５ モデル選択部
１０６ 特徴情報抽出部
１０７ 制御パラメータ決定部
１１０，１２０ 通信端末
１１１ 通信装置
１１２ アプリケーション・プログラム実行部
１２１ 通信装置
１２２ アプリケーション・プログラム実行部
２０１，２１１ 中継装置
２０２，２０３，２１２，２１３ 通信端末
３００ 資源管理サーバ
３０１，３０２ 無線アクセスポイント
３０３，３０４，３０５，３０６ 通信端末
５００ 通信装置
５００Ａ ネットワーク状態推定部
５００Ｂ パケットジェネレータ部
５０１ 挙動情報取得部
５０２ モデル学習部
５０３ 適合度算出部
５０５ モデル選択部
５０６ モデル情報記憶部
５０７ パケット生成部
６０１，６０５ パケットジェネレータ
６０２ 送信装置
６０６ 評価装置
７００ モデル特定装置
７０１ 挙動情報取得部
７０２ モデルパラメータ推定部
７０３ 適合度算出部
７０４ モデル選択部
ＮＷ，ＮＷ１〜ＮＷ６ 通信回線
Claims (10)
- 通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得手段と、
モデルパラメータにより特定され、且つ、前記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、前記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定手段と、
前記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される前記パケットの挙動と、前記取得された挙動情報が表す前記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出手段と、
前記算出された適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択するモデル選択手段と、
を備えるモデル特定装置。 - 請求項１に記載のモデル特定装置であって、
前記数理モデルは、隠れマルコフモデルであり、
前記モデルパラメータの数は、前記隠れマルコフモデルにおける状態の数である内部状態数に応じた値であり、
前記モデルパラメータは、前記状態が遷移する確率である状態遷移確率と、前記状態が遷移する際に出力されるシンボル値を確率変数とする確率分布であるシンボル出力確率と、初期における前記状態を確率変数とする確率分布である初期状態確率と、を含むモデル特定装置。 - 請求項２に記載のモデル特定装置であって、
前記挙動情報は、前記パケットが送信元から送信先へ到達するまでに要する時間である遅延時間、及び、前記パケットが送信先へ到達しないパケットロスの発生の有無を表す情報であり、
前記取得された挙動情報を、前記遅延時間の大きさ、及び、前記パケットロスの発生の有無、のそれぞれに対応する前記シンボル値に変換する挙動情報変換手段を備え、
前記モデルパラメータ推定手段は、前記変換後のシンボル値に対する前記モデルパラメータを推定するように構成されたモデル特定装置。 - 請求項１乃至請求項３のいずれか一項に記載のモデル特定装置であって、
前記適合度算出手段は、前記取得された挙動情報が表す前記パケットの挙動が生じる、前記数理モデルに基づいた確率が高くなるほど小さくなる値を有する情報量を、前記適合度として用いるように構成されたモデル特定装置。 - 請求項１乃至請求項４のいずれか一項に記載のモデル特定装置であって、
前記複数の数理モデルのそれぞれに対して、複数の時点のそれぞれにて算出された適合度からなる時系列データに基づいて、将来の時点の適合度を推定する適合度推定手段を備え、
前記モデル選択手段は、前記推定された将来の時点の適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択するように構成されたモデル特定装置。 - 請求項１乃至請求項５のいずれか一項に記載のモデル特定装置であって、
前記選択された数理モデルに基づいて、前記パケットを送信する際に用いられる制御パラメータを決定する制御パラメータ決定手段を備えるモデル特定装置。 - 請求項６に記載のモデル特定装置であって、
前記制御パラメータは、誤り訂正処理を行うために前記パケットが有する冗長度、及び、前記パケットが表すコンテンツを符号化する際に用いられる符号化レート、の少なくとも１つを含むモデル特定装置。 - 請求項１乃至請求項４のいずれか一項に記載のモデル特定装置であって、
複数の時点のそれぞれにて、前記選択された数理モデル、及び、前記推定されたモデルパラメータに基づいて、ランダムサンプリングを行うことにより、当該複数の時点のそれぞれにおける前記パケットの挙動を再現するように前記パケットを生成するパケット生成手段を備えるモデル特定装置。 - 通信網上を伝送されるパケットの挙動を表す挙動情報を取得し、
モデルパラメータにより特定され、且つ、前記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、前記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定し、
前記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される前記パケットの挙動と、前記取得された挙動情報が表す前記パケットの挙動と、が一致している程度を表す適合度を算出し、
前記算出された適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択する、モデル特定方法。 - 情報処理装置に、
通信網上を伝送されるパケットの挙動を表す挙動情報を取得する挙動情報取得手段と、
モデルパラメータにより特定され、且つ、前記パケットの挙動を推定するための、複数の数理モデルであって、当該モデルパラメータの数が異なる複数の数理モデルのそれぞれに対して、前記取得された挙動情報に基づいて、当該数理モデルを特定するためのモデルパラメータを推定するモデルパラメータ推定手段と、
前記複数の数理モデルのそれぞれに対して、当該数理モデルにより推定される前記パケットの挙動と、前記取得された挙動情報が表す前記パケットの挙動と、が一致している程度を表す適合度を算出する適合度算出手段と、
前記算出された適合度に基づいて、前記複数の数理モデルの中から１つの数理モデルを選択するモデル選択手段と、
を実現させるためのモデル特定プログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010137049 | 2010-06-16 | ||
| JP2010137049 | 2010-06-16 | ||
| PCT/JP2011/002304 WO2011158421A1 (ja) | 2010-06-16 | 2011-04-20 | モデル特定装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPWO2011158421A1 true JPWO2011158421A1 (ja) | 2013-08-19 |
Family
ID=45347839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012520251A Withdrawn JPWO2011158421A1 (ja) | 2010-06-16 | 2011-04-20 | モデル特定装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JPWO2011158421A1 (ja) |
| WO (1) | WO2011158421A1 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6950744B2 (ja) | 2017-10-26 | 2021-10-13 | 日本電気株式会社 | トラヒック分析装置、システム、方法及びプログラム |
| US11438246B2 (en) | 2018-03-29 | 2022-09-06 | Nec Corporation | Communication traffic analyzing apparatus, communication traffic analyzing method, program, and recording medium |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1168849A (ja) * | 1997-08-12 | 1999-03-09 | Kokusai Denshin Denwa Co Ltd <Kdd> | トラヒックジェネレータおよびトラヒック生成関数決定方法 |
| JP2005156593A (ja) * | 2003-11-20 | 2005-06-16 | Seiko Epson Corp | 音響モデル作成方法、音響モデル作成装置、音響モデル作成プログラムおよび音声認識装置 |
| JP5034998B2 (ja) * | 2008-02-08 | 2012-09-26 | 日本電気株式会社 | 通信装置、通信システム、通信方法及び通信プログラム |
| JP2009194507A (ja) * | 2008-02-13 | 2009-08-27 | Nec Corp | パケット通信装置及びパケット通信方法並びにパケット通信プログラム |
-
2011
- 2011-04-20 WO PCT/JP2011/002304 patent/WO2011158421A1/ja active Application Filing
- 2011-04-20 JP JP2012520251A patent/JPWO2011158421A1/ja not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| WO2011158421A1 (ja) | 2011-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Karagkioules et al. | Online learning for low-latency adaptive streaming | |
| Yoo | Efficient traffic prediction scheme for real-time VBR MPEG video transmission over high-speed networks | |
| Zhani et al. | Analysis and Prediction of Real Network Traffic. | |
| US8532173B2 (en) | Method and apparatus for predicting video traffic | |
| CN111617466B (zh) | 编码格式的确定方法、装置及云游戏的实现方法 | |
| González et al. | Simulation and experimental testbed for adaptive video streaming in ad hoc networks | |
| Keshtkarjahromi et al. | Content-aware instantly decodable network coding over wireless networks | |
| US9258557B2 (en) | Rate optimization for scalable video transmission | |
| WO2011158421A1 (ja) | モデル特定装置 | |
| Keshtkarjahromi et al. | Content-aware network coding over device-to-device networks | |
| Khayam et al. | Linear-complexity models for wireless MAC-to-MAC channels | |
| WO2017161122A1 (en) | System for live video streaming using delay-aware fountain codes | |
| Goudarzi | Scalable video transmission over multi-hop wireless networks with enhanced quality of experience using swarm intelligence | |
| Gani et al. | Prediction of State of Wireless Network Using Markov and Hidden Markov Model. | |
| Kulkarni et al. | Simple traffic prediction mechanism and its applications in wireless networks | |
| Radhika et al. | Video Traffic Analysis over LEACH-GA routing protocol in a WSN | |
| JP6825703B2 (ja) | 送信装置、通信システム、通信方法、及びプログラム | |
| Hwang et al. | A novel user-oriented quality of service algorithm for home networks | |
| JP2013030852A (ja) | スケーラブル映像符号化装置及び方法及びプログラム | |
| JP5034998B2 (ja) | 通信装置、通信システム、通信方法及び通信プログラム | |
| JP5675164B2 (ja) | 送信装置、送信方法、並びにプログラム | |
| Dani et al. | Transmission distortion modeling for wireless video communication | |
| Jibukumar et al. | Kalman filter based variable bit rate video frame size prediction | |
| Nihei et al. | A QoE indicator and a transmission control method for VoIP on mobile networks considering delay spikes | |
| Kumar et al. | Adaptive video streaming over HTTP using stochastic bitrate prediction in 4G wireless networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20140701 |