JPWO2019082965A1 - トラヒック分析装置、システム、方法及びプログラム - Google Patents
トラヒック分析装置、システム、方法及びプログラム Download PDFInfo
- Publication number
- JPWO2019082965A1 JPWO2019082965A1 JP2019551237A JP2019551237A JPWO2019082965A1 JP WO2019082965 A1 JPWO2019082965 A1 JP WO2019082965A1 JP 2019551237 A JP2019551237 A JP 2019551237A JP 2019551237 A JP2019551237 A JP 2019551237A JP WO2019082965 A1 JPWO2019082965 A1 JP WO2019082965A1
- Authority
- JP
- Japan
- Prior art keywords
- state
- application
- traffic
- communication
- sequence
- 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.)
- Granted
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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0015—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy
- H04L1/0019—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy in which mode-switching is based on a statistical approach
- H04L1/002—Algorithms with memory of the previous states, e.g. Markovian models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/508—Network service management, e.g. ensuring proper service fulfilment according to agreements based on type of value added network service under agreement
- H04L41/509—Network service management, e.g. ensuring proper service fulfilment according to agreements based on type of value added network service under agreement wherein the managed service relates to media content delivery, e.g. audio, video or TV
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
-
- 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
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0888—Throughput
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
Description
本発明は、日本国特許出願:特願2017−207638号(2017年10月26日出願)の優先権主張に基づくものであり、同出願の全記載内容は引用をもって本書に組み込み記載されているものとする。
本発明は、トラヒック分析装置、システム、方法及びプログラムに関する。
- 通信利用者の通信品質に対するニーズの高度化、
- アプリ単位の要件に応じた通信、
- 刻々と変わるアプリの利用状況等に応じた通信サービスの提供等が
求められることになる。このため、通信事業者では、アプリケーション状態変化の把握が課題となる。
- 制御対象パラメータが増加(通信帯域、伝送遅延の揺らぎ(ジッタ等)など)し、
- 細かな制御周期が必要とされる。
- 5タプル(5-tuple (例えば、送信元/宛先のIP(Internet Protocol)アドレス/ポート、プロトコル))と、
- トラヒックパターン(例えば、スループット、パケットサイズ、パケット送信間隔等)等である。
- ネットワーク上で発生する無線品質の変動、
- トラヒック量の変動、
- 符号化方式、圧縮レート等(アプリケーション側からトラヒック制御)。
前記抽出された前記状態のシーケンスと、予め定められたアプリケーション特性とに基づき、前記時系列データに対応するアプリケーションを判別するトラヒック分析方法が提供される。
前記抽出された前記状態のシーケンスと、予め定められたアプリケーション特性とに基づき、前記時系列データに対応するアプリケーションを判別する処理と、をコンピュータに実行させるプログラムが提供される。
πiは最初にどの状態にあるかを表す初期状態確率である。
aijは時刻t-1に状態iに存在し時刻tに状態jに遷移する遷移確率である。
cjkは状態jのk番目の確率分布の混合比である。
θjkは状態jのk番目の確率分布のパラメータ(平均ベクトルμjk, 分散共分散行列Σjk)である。すなわち、
θjk={μjk,Σjk}
・・・(6)
EMアルゴリズム(Expectation-Maximization)では、出力(観測データ)をx、非観測データ(欠けているデータ)(HMMでは状態列)をy、モデルパラメータをΘとし、観測値列の対数尤度を、E(Expectation)ステップとM(Maximization)ステップの繰り返しにより最大化するため、以下の1〜3のステップを含む。
初期パラメータΘを設定する(時刻t=0)。
・・・(9)
・・・(11)
なお、モデルΘと観測値列Oが与えられたとき、時刻tまでに部分観測値列o1,o2,…, otを出力し、時刻tに状態iに存在する確率分布は、
・・・(19)
として定義される。
・・・(25)
を推定する(HMMモデルパラメータの学習)。
・・・(26)
δj(t) = max<i> [δi(t-1)aij]bj(ot)
・・・(27)
ステップ1.
各状態i=1,…,N に対して、変数の初期化を行う。
δ1(i)= πi×bi(o1),
ψ1(i)=0 (1≦i≦N)
・・・(28)
各時刻t=1,…,T-1, 各状態j=1,…,N について、再帰計算を実行する。
δt+1(j) = max(1≦i≦N)[δt(i)aij]bij(ot+1)
ψt+1(j) = argmax(1≦i≦N) [δt(i) aij ]
・・・(29)
再帰計算の終了(時刻t=Tにおける最大の確率値Pと状態遷移系列qの計算)。
^P= max(1≦i≦N) [δT(i)]
^qT = argmax(1≦i≦N) [ψT(i)]
・・・(30)
バックトラックによる最適状態遷移系列の復元。
各時刻t=T-1, …,1に対して、
^qt = ψt+1(^qt+1) ・・・(31)
を実行する。
・単位時間当たりのパケット到着間隔(平均値)[sec]、
・単位時間当たりの平均パケットサイズ(平均値)[bytes]、
・単位時間当たりのパケット数等であってもよい。あるいは、オプションとして、例えばIoT向けの時系列入力情報(加速度の時系列情報や、無線品質の変化)も入力情報として利用してもよい。
隠れ状態s1の出力確率は、
- 番号1(図5(A)の状態#1に対応)を出力する確率=0.1、
- 番号2(図5(A)の状態#2に対応)を出力する確率=0.9、
隠れ状態s2の出力確率は、
- 番号1(図5(A)の状態#1に対応)を出力する確率=0.6、
- 番号2(図5(A)の状態#2に対応)を出力する確率=0.4、
である。δij(i,j=1,2)は状態siから状態sjへの遷移確率である。
θ1={π1、A1、B1}、
θ2={π2、A2、B2}
・・・(32)
で与えられる。ここで、πi(i=1,2)は初期確率、Ai(i=1,2)は遷移確率、Bi(i=1,2)は出力確率である。404は推定された状態の時間推移を示している。状態404の値0はアプリ状態A(映像)、値1はアプリ状態B(通話)であり、図1の状態203と同一の時間推移であり、正しくアプリ状態が推定されていることが分かる。
図9は、図8(A)乃至図8(C)を参照して説明したトラヒック分析装置100の構成の一例を示す図である。トラヒック分析装置100は、通信トラヒックの時系列データの変動波形(変動頻度、変動の大きさ)から推定された状態の変動を確率的に算出し、不要な変動パターンを除去するように、時系列データの抽象度を上げ、状態シーケンスとアプリケーション特性とに基づき、アプリケーションを判定するように構成される。なお、図9の構成は、トラヒック分析装置100の機能構成(処理モジュール)を例示したものであり、物理構成を規定したものではない。物理構成は、通信機能を備え、メモリに接続する1つ又は複数のプロセッサ装置で命令群を実行することで各機能(処理)を実現するようにしてもよい。
図9において、通信トラヒック取得部101は、図8(A)に示すように、パケットキャプチャ10から解析対象の通信トラヒックをリアルタイムで取得する。前述したように、通信トラヒック取得部101は、図8(B)、図8(C)に示すように、パケットキャプチャを含む構成としてもよい。
通信ノイズ算出部102は、通信トラヒックの時系列データの変動(例えば変動頻度、変動の大きさ)から通信ノイズ量を確率的に算出する。通信トラヒックは、無線環境の変動やアプリケーションの送信パターンの変化等による影響(本明細書では、「通信ノイズ」と呼ぶ)を受け、トラヒックパターンが変動する。
ε=|y->−(β1・g1 ->+β2・g2 ->+…+βm・gm ->+c->)|
・・・(33)
の2乗を最小化する係数ベクトルβ->=(β1, β2,…, βm)とオフセットベクトルc->を求めるようにしてもよい(最小2乗規範)。その際、β1, β2,…, βm>=0という条件を付した制約付きの最小2乗法を用いてもよい。なお、生成した複数(2つ)のノイズ波形の時系列データのベクトルgi ->、gj ->(隣接する場合、j=i+1)が時間軸上で互いに重なるときは、例えば、
大きい方の値max(gi ->、gj ->)、又は、
小さい方の値
min(gi ->、gj ->)
を該当する該時間の値としてもよい。3つ以上のノイズ波形(時系列データ)が時間軸上で互いに重なるときも、上記と同様に扱うようにしてもよい。
y->−(β1・g1 ->+β2・g2 ->+…+βm・gm ->+c->)
・・・(34)
を、図11(C)の通信トラヒック(スループット)406の時系列データ(通信ノイズ除去済みの時系列データ)としてもよい。
次に、図9の時系列データ正規化部103の処理について説明する。図12は、時系列データ正規化部103の処理の一例を模式的に説明するための図である。図12の406は、通信ノイズ算出部102において、通信トラヒック(スループット)の時系列データ401から通信ノイズ(波形)を減算した時系列データである(図11(C)の406に対応)。
次に、図9のアプリ状態判定部105について説明する。アプリ状態判定部105は、正規化した状態シーケンスと、記憶部106に事前に登録されているアプリケーション特性(例えば通信トラヒックの変動特性)との類似度を算出し、該当する時間区間の状態がどのアプリ状態に対応するかを判定する。
あるいは、アプリ状態判定部105は、通信トラヒック(スループット)の時系列データを解析して、通信の周期、通信期間、非通信期間、最大スループットなどの特徴量を抽出し、抽出した特徴量を、記憶部106に記憶されたアプリケーションの特性(通信周期、通信期間、非通信期間、最大スループット等)と比較し、比較結果に基づき、アプリ状態の判定を行うようにしてもよい。あるいは、アプリ状態判定部105は、通信トラヒック(スループット)の時系列データを解析し、パケットサイズ(例えば平均値)、パケット送信間隔(到着間隔)(例えば平均値)、パケット頻度(例えば平均値)等をアプリケーションの各々と比較するようにしてもよい。
あるいは、アプリ状態判定部105は、トレーニングデータとして、アプリケーション状態の通信トラヒックの時系列データを解析して、通信周期、通信期間、非通信期間、最大スループットなどの特徴量(属性値)を抽出し、正解ラベル(アプリケーション状態)と、データ(例えば、通信トラヒックの特徴量の平均値、分散、最大値、最小値等の少なくともいずれか)に基づき、機械学習により、アプリケーション状態を判別するための分類器(分類モデル)を生成するようにしてもよい。アプリ状態判定部105は、評価時に、評価対象の通信トラヒックから抽出した特徴量に対して、学習済みの分類器(分類モデル)を用いてアプリケーション状態を識別するようにしてもよい。特に制限されないが、アプリ状態判定部105は、教師あり学習(supervised learning)の分類器として、図17(A)に示すように、決定木500(木構造の分類器)を用いてもよい。
- サンプルデータからランダムに複数組のサブサンプルを生成し、
- サブサンプルをトレーニングデータとして、複数組の決定木を作成し、
- トレーニングデータの属性(説明変数)(例えば図17(B)の通信周期、通信間隔、パケットサイズ等)をランダムに所定個選択し、トレーニングデータの分類結果と属性閾値を用いて、決定木511〜51nの各ノードでの分岐条件を決定し、モデルを生成する。
図19は、例示的な実施形態2を説明する図である。前記実施形態1では、通信トラヒック(スループット)の時系列データから通信ノイズを除去した時系列データを取得するにあたり、通信トラヒック(スループット)の時系列データからノイズ波形を差し引いて求めている。実施形態2では、通信トラヒック(スループット)の時系列データから通信ノイズを除去する通信ノイズの除去手段として、時系列データ正規化部103を用いている。この場合、図9の実施形態1の通信ノイズ算出部102を削除することも可能である(たたし、図9と同様、通信ノイズ算出部102を備えた構成としてもよい)。
次に、本発明の例示的な実施形態3について説明する。実施形態3のトラヒック分析装置100の構成は、図15と実施形態2と同様に、図7の通信ノイズ算出部102を削除することが可能である(ただし、図9の実施形態1と同様、通信ノイズ算出部102を備えた構成であってもよい)。
zt={st,rt}
rt=0でなければ、現在の残り持続時間が1つカウントダウンされ、状態はstのまま変わらない。
状態1の持続時間rが、アプリケーション(例えば同一のリアルタイム映像配信)の動作モードによって、相違する場合等、通信トラヒック(スループット)の変動(通信ノイズ)の影響を受けることも考慮して、時系列データ正規化部103では、持続時間rをHMMモデルに基づき推定するようにしてもよいことは勿論である。なお、連続HMMをEDHMMで構成してもよいことは勿論である。
図22は、本発明の例示的な実施形態4のトラヒック分析装置100の構成を例示する図である。図22を参照すると、図9の実施形態1のトラヒック分析装置100の構成に加え、記憶部104の階層モデルを更新する階層モデル更新部107を備えている。階層モデル更新部107は、トラヒック源であるアプリケーション状態の特性の変化に追従するため、階層モデルを更新する。
- データブロック内の状態の数が1つの場合(同一状態が長期間続く場合)、データブロック長を伸ばし、
- 状態の数が複数の場合、データブロック長を短くするようにしてもよい。
及び、上層HMMのモデルのグループ毎のモデルθ1、θ2と、グループ間の遷移確率Δの少なくとも1つを含む。
図24は、本発明の例示的な実施形態5を説明する図である。図24を参照すると、実施形態5では、アプリ状態予測部108をさらに備えている。アプリ状態予測部108は、アプリ状態判定部105で判定されたアプリ状態を用いて、将来のアプリ状態の遷移パターンを予測する。アプリ状態予測部108における予測方法として、図25に模式的に例示するように、点予測、あるいは区間予測を用いてもよい。推定したアプリ状態シーケンスに対して、例えば自己相関を計算し、将来発生する状態シーケンスを予測するようにしてもよい。図25において、破線は、将来発生するアプリ状態Aの発生シーケンスである。
ステップ1:
初期値x(0)を決める。
yを提案分布q(y|x(t))から生成し、
uを一様分布から発生させ、
uがα(x(t),y)以下のとき、
x(t+1) = y、
他の場合、
x(t+1) = x(t)
・・・(35)
とする。
・・・(36)
ステップ1:
確率変数xをk個のブロックx=(x1,…,xk)に分割し、
ステップ2以降、t=0,1,…に対して、以下を繰りかえす。
各xi (t+1)を条件付き確率
p(xj|x1 (t), xj-1 (t), xj+1 (t),…,xk (t))
・・・(37)
からサンプリングする。
図26は、本発明の例示的な実施形態6を説明する図である。実施形態6では、実施形態5のアプリ状態予測部108に変えて、アプリ状態の予測結果を利用して、通信トラヒック(例えばスループット)を予測するアプリ状態・通信トラヒック予測部109をさらに備えている。アプリ状態・通信トラヒック予測部109は、アプリ状態予測部と通信トラヒック予測部を一体化したものである。アプリ状態・通信トラヒック予測部109におけるアプリ状態の予測は、アプリ状態予測部108における予測方法と同一である。
yt=−Σ<i=1,p>y(t-i)+εt
・・・(38)
εtがN(0、Σ)である(ガウス性白色雑音)。
図27は、本発明の例示的な実施形態7を説明する図である。図27を参照すると、実施形態7では、図24の構成に加えて、推定されたアプリ状態に応じた通信制御等を行う制御部110をさらに備えている。
図28は、本発明の例示的な実施形態8を説明する図である。図28を参照すると、実施形態8では、図9の構成に加えて、QoE計算部111をさらに備えている。QoE計算部111は、推定したアプリ状態ごとに、どれくらいの通信品質を提供できているかを分析し、アプリケーション品質であるQoE(Quality of Experience)を計算(評価)する(例:Web QoE、動画QoE等)。QoEは、Webページ、動画の配信先のノード(端末、サーバ等)側で測定したQoEを収集し、アプリ状態に関連付けて記憶保持しておき、QoE計算部111は、通信トラヒック取得部101で取得した通信トラヒック(スループット)やアプリ状態判定部105で判定されたアプリ状態に対応するQoEを求めるようにしてもよい。
動画(カメラ)アプリQoEでは、例えば、
- 動画が途切れない、
- 高画質等の場合、
QoEは「良い」(5段階の4)と評価する。なお、QoEは、非常に良い、良い、普通、悪い、非常に悪い等の5段階評価が用いられる。なお、映像の場合、評価対象の映像のMOS(Mean Opinion Score)から基準映像のMOSを差し引いたDMOS(Differential Mean Opinion Score)を用いるようにしてもよい。評価対象の映像のMOSから基準映像のMOSを差し引き、これに5を加えるようにしてもよい(ACR(Absolute Category Rating)-HRR(Hidden Reference Removal))。
WebアプリQoEでは、例えば、
- クリックしてから表示完了が早い場合、
QoEは「良い」と判断するようにしてもよい。
遠隔機械制御(ドローン、工作機械、自動車)のQoEでは、
- 外部から制御コマンドを入力して、機器にコマンドを到達するまでが早い、または、
- 遅延が一定の場合、
QoEは「良い」と評価するようにしてもよい。
ファイル転送アプリのQoEでは、例えば、
- 転送開始から送信完了までが早い、
- 転送に失敗しない等の場合、
QoEを高く評価するようにしてもよい。
図29は、本発明の例示的な実施形態9の構成を説明する図である。図29を参照すると、実施形態9は、図28の構成に加えて、制御部112を備えている。制御部112は、QoE計算部111で算出(評価)したアプリ品質(QoE)に基づき、通信事業者等が提供するアプリケーションの制御を行う。なお、実施形態9において、実施形態7(図27)のアプリケーション状態予測部108を備え、QoE計算部111は、予測した将来のアプリケーション状態に対応するQoEを計算するようにしてもよい。
図30は、本発明の例示的な実施形態10として、トラヒック分析装置100を、コンピュータ装置60で実現した構成を例示する図である。図30を参照すると、コンピュータ装置60は、プロセッサ(例えばCPU(Central Processing Unit))61、記憶装置(メモリ)62、表示装置63、通信インタフェース64を備える。記憶装置62は、例えばRAM、ROM、EEPROM等の半導体ストレージ、HDD、CD、DVD等であってもよい。記憶装置62は、プロセッサ61で実行されるプログラム(命令群、データ等)を格納する。プロセッサ61は、記憶装置62に格納されたプログラムを実行することで、前記各実施形態のトラヒック分析装置100の機能を実現する。通信インタフェース64は、図8(A)、図8(B)のネットワークノード20との通信接続を制御するインタフェースである。通信インタフェース64は、図8(C)において通信ネットワーク50に流れるパケット(例えば端末30とサーバ40間のパケット)を転送するネットワークインタフェースとして機能してもよい。
通信トラヒックの時系列データに対して隠れマルコフモデルに基づき、状態のシーケンスを推定し、前記状態のシーケンスから状態遷移が類似するパターンをひとまとめにして1つの状態とみなして状態のシーケンスを抽出する第1の手段と、
前記第1の手段で抽出された前記状態のシーケンスと、予め定められたアプリケーション特性とに基づき、前記時系列データに対応するアプリケーション状態を判別する第2の手段と、
を備えた、ことを特徴とするトラヒック分析装置。
前記通信トラヒックが流れるネットワークのタイプに対応したノイズ特性パラメータに基づき、通信ノイズを生成し、前記通信トラヒックの時系列データから前記通信ノイズを除去する第3の手段を備えた、ことを特徴とする付記1に記載のトラヒック分析装置。
前記第1の手段は、階層隠れマルコフモデルを前記時系列データに適用し、前記階層隠れマルコフモデルの下位層に基づき推定した状態のシーケンスに対して前記階層隠れマルコフモデルの上位層を適用し、前記状態のシーケンスのうち状態遷移のパターンが類似する区間の前記状態を1つのグループにまとめ前記上位層の1つの状態とする、ことを特徴とする付記1又は2に記載のトラヒック分析装置。
前記階層隠れマルコフモデルは、連続隠れマルコフモデルを前記下位層とし、離散隠れマルコフモデルを前記上位層として含む、ことを特徴とする付記3に記載のトラヒック分析装置。
前記階層隠れマルコフモデルを更新する手段を備えた、ことを特徴とする付記3又は4に記載のトラヒック分析装置。
前記第2の手段は、前記第1の手段で抽出された状態のシーケンスに対応する前記通信トラヒックの時系列データと、予め登録されたアプリケーション状態に対応する前記通信トラヒックの類似度に基づき、アプリケーション状態を判別する、ことを特徴とする付記1乃至4のいずれか一に記載のトラヒック分析装置。
前記第2の手段は、前記第1の手段で抽出された状態のシーケンスと、予め登録されたアプリケーション状態のシーケンスの類似度に基づき、アプリケーション状態を判別する、ことを特徴とする付記1乃至4のいずれか一に記載のトラヒック分析装置。
前記第2の手段は、前記通信トラヒックの特徴量を抽出し、前記特徴量と予め登録されたアプリケーションの特徴量とを照合し、アプリケーション状態を判別する、ことを特徴とする付記1乃至4のいずれか一に記載のトラヒック分析装置。
前記第2の手段は、アプリケーションの通信トラヒックの特徴量を、教師データとして、アプリケーションを判別する分類モデルを機械学習し、
評価対象の通信トラヒックの時系列データに対して前記分類モデルを用いてアプリケーション状態を判別する、ことを特徴とする付記1乃至4のいずれか一に記載のトラヒック分析装置。
前記第1の手段は、状態滞在時間分布を考慮したHMM(Explicit-Duration HMM)モデルを用いて通信ノイズを除去する、ことを特徴とする付記1乃至9のいずれか一に記載のトラヒック分析装置。
現時点までに判定したいくつかのアプリケーション状態を用いて、将来のアプリケーション状態を予測する手段を備えた、ことを特徴とする付記1乃至10のいずれか一に記載のトラヒック分析装置。
現時点までに判定したいくつかのアプリケーション状態を用いて、将来の通信トラヒックを予測する手段を備えた、ことを特徴とする付記1乃至10のいずれか一に記載のトラヒック分析装置。
推定したアプリケーション状態に基づき、ネットワーク制御と通信制御の少なくとも一方を行う手段を備えた、ことを特徴とする付記1乃至12のいずれか一に記載のトラヒック分析装置。
前記アプリケーション状態に基づき、アプリケーション品質(QoE)を判別する手段を備えた、ことを特徴とする付記1乃至13のいずれか一に記載のトラヒック分析装置。
前記アプリケーション状態、又は、将来のアプリケーション状態の予測結果に基づき、ネットワーク制御と通信制御の少なくとも一方を行う手段を備えた、ことを特徴とする付記1乃至14のいずれか一に記載のトラヒック分析装置。
通信トラヒックの時系列データに対して隠れマルコフモデルに基づき、状態のシーケンスを推定し、前記状態のシーケンスから状態遷移が類似するパターンをひとまとめにして1つの状態とみなして状態のシーケンスを抽出し、
前記抽出された前記状態のシーケンスと、予め定められたアプリケーション特性とに基づき、前記時系列データに対応するアプリケーションを判別する、ことを特徴とするトラヒック分析方法。
前記通信トラヒックが流れるネットワークのタイプに対応したノイズ特性パラメータに基づき、通信ノイズを生成し、前記通信トラヒックの時系列データから前記通信ノイズを除去する、ことを特徴とする付記16に記載のトラヒック分析方法。
階層隠れマルコフモデルを前記時系列データに適用し、前記階層隠れマルコフモデルの下位層に基づき推定した状態のシーケンスに対して前記階層隠れマルコフモデルの上位層を適用し、前記状態のシーケンスのうち状態遷移のパターンが類似する区間の前記状態を1つのグループにまとめ前記上位層の1つの状態とする、ことを特徴とする付記16又は17に記載のトラヒック分析方法。
前記階層隠れマルコフモデルは、連続隠れマルコフモデルを前記下位層とし、離散隠れマルコフモデルを前記上位層として含む、ことを特徴とする付記18に記載のトラヒック分析方法。
前記階層隠れマルコフモデルを更新する、ことを特徴とする付記18又は19に記載のトラヒック分析方法。
前記抽出された状態のシーケンスに対応する前記通信トラヒックの時系列データと、予め登録されたアプリケーション状態に対応する前記通信トラヒックの類似度に基づき、アプリケーション状態を判別する、ことを特徴とする付記16乃至19のいずれか一に記載のトラヒック分析方法。
前記抽出された状態のシーケンスと、予め登録されたアプリケーション状態のシーケンスの類似度に基づき、アプリケーション状態を判別する、ことを特徴とする付記16乃至19のいずれか一に記載のトラヒック分析方法。
前記通信トラヒックの特徴量を抽出し、前記特徴量と予め登録されたアプリケーションの特徴量とを照合し、アプリケーション状態を判別する、ことを特徴とする付記16乃至19のいずれか一に記載のトラヒック分析方法。
アプリケーションの通信トラヒックの特徴量を、教師データとして、アプリケーションを判別する分類モデルを機械学習し、
評価対象の通信トラヒックの時系列データに対して前記分類モデルを用いてアプリケーション状態を判別する、ことを特徴とする付記16乃至19のいずれか一に記載のトラヒック分析方法。
状態滞在時間分布を考慮したHMM(Explicit-Duration HMM)モデルを用いて通信ノイズを除去する、ことを特徴とする付記16乃至24のいずれか一に記載のトラヒック分析方法。
現時点までに判定したいくつかのアプリケーション状態を用いて、将来のアプリケーション状態を予測する手段を備えた、ことを特徴とする付記16乃至25のいずれか一に記載のトラヒック分析方法。
現時点までに判定したいくつかのアプリケーション状態を用いて、将来の通信トラヒックを予測する手段を備えた、ことを特徴とする付記16乃至25のいずれか一に記載のトラヒック分析方法。
推定したアプリケーション状態に基づき、ネットワーク制御と通信制御の少なくとも一方を行う手段を備えた、ことを特徴とする付記16乃至27のいずれか一に記載のトラヒック分析方法。
前記アプリケーション状態に基づき、アプリケーション品質(QoE)を判別する手段を備えた、ことを特徴とする付記16乃至28のいずれか一に記載のトラヒック分析方法。
前記アプリケーション状態、又は、将来のアプリケーション状態の予測結果に基づき、ネットワーク制御と通信制御の少なくとも一方を行う手段を備えた、ことを特徴とする付記16乃至26のいずれか一に記載のトラヒック分析方法。
通信トラヒックの時系列データに対して隠れマルコフモデルに基づき、状態のシーケンスを推定し、前記状態のシーケンスから状態遷移が類似するパターンをひとまとめにして1つの状態とみなして状態のシーケンスを抽出する第1の処理と、
前記抽出された前記状態のシーケンスと、予め定められたアプリケーション特性とに基づき、前記時系列データに対応するアプリケーションを判別する第2の処理と、
をコンピュータに実行させるプログラム。
前記通信トラヒックが流れるネットワークのタイプに対応したノイズ特性パラメータに基づき、通信ノイズを生成し、前記通信トラヒックの時系列データから前記通信ノイズを除去する第3の処理を前記コンピュータに実行させる付記31に記載のプログラム。
前記第1の処理は、階層隠れマルコフモデルを前記時系列データに適用し、前記階層隠れマルコフモデルの下位層に基づき推定した状態のシーケンスに対して前記階層隠れマルコフモデルの上位層を適用し、前記状態のシーケンスのうち状態遷移のパターンが類似する区間の前記状態を1つのグループにまとめ前記上位層の1つの状態とする、ことを特徴とする付記31又は32に記載のプログラム。
前記階層隠れマルコフモデルは、連続隠れマルコフモデルを前記下位層とし、離散隠れマルコフモデルを前記上位層として含む、付記33に記載のプログラム。
前記階層隠れマルコフモデルを更新する処理を前記コンピュータに実行させる付記33又は34に記載のプログラム。
前記第2の処理は、前記第1の処理で抽出された状態のシーケンスに対応する前記通信トラヒックの時系列データと、予め登録されたアプリケーション状態に対応する前記通信トラヒックの類似度に基づき、アプリケーション状態を判別する、付記31乃至34のいずれか一に記載のプログラム。
前記第2の処理は、前記第1の処理で抽出された状態のシーケンスと、予め登録されたアプリケーション状態のシーケンスの類似度に基づき、アプリケーション状態を判別する、付記31乃至34のいずれか一に記載のプログラム。
前記第2の処理は、前記通信トラヒックの特徴量を抽出し、前記特徴量と予め登録されたアプリケーションの特徴量とを照合し、アプリケーション状態を判別する、付記31乃至34のいずれか一に記載のプログラム。
(付記39)
前記第2の処理は、アプリケーションの通信トラヒックの特徴量を、教師データとして、アプリケーションを判別する分類モデルを機械学習し、
評価対象の通信トラヒックの時系列データに対して前記分類モデルを用いてアプリケーション状態を判別する、付記31乃至34のいずれか一に記載のプログラム。
前記第1の処理は、状態滞在時間分布を考慮したHMM(Explicit-Duration HMM)モデルを用いて通信ノイズを除去する、付記31乃至39のいずれか一に記載のプログラム。
現時点までに判定したいくつかのアプリケーション状態を用いて、将来のアプリケーション状態を予測する処理を、前記コンピュータに実行させる付記31乃至40のいずれか一に記載のプログラム。
現時点までに判定したいくつかのアプリケーション状態を用いて、将来の通信トラヒックを予測する処理を、前記コンピュータに実行させる付記31乃至40のいずれか一に記載のプログラム。
推定したアプリケーション状態に基づき、ネットワーク制御と通信制御の少なくとも一方を行う処理を、前記コンピュータに実行させる付記31乃至42のいずれか一に記載のプログラム。
前記アプリケーション状態に基づき、アプリケーション品質(QoE)を判別する処理を前記コンピュータに実行させる付記31乃至43のいずれか一に記載のプログラム。
前記アプリケーション状態、又は、将来のアプリケーション状態の予測結果に基づき、ネットワーク制御と通信制御の少なくとも一方を行う処理を前記コンピュータに実行させる、付記31乃至44のいずれか一に記載のプログラム。
2 第1の処理(第1のユニット)
3 第2の処理(第2のユニット)
4 階層モデル
5 アプリ特性
10 パケットキャプチャ
20 ネットワークノード
30 端末
40 サーバ
50 通信ネットワーク
60 コンピュータ装置
61 プロセッサ
62 記憶装置
63 表示装置(モニタ)
64 通信インタフェース
100 トラヒック分析装置
101 通信トラヒック取得部
102 通信ノイズ算出部
103 状態シーケンス正規化部(時系列データ正規化部)
104 記憶部(階層モデル記憶部)
105 アプリ状態判定部
106 記憶部(アプリ特性記憶部)
107 階層モデル更新部
108 アプリ状態予測部
109 アプリ状態・通信トラヒック予測部
110、112 制御部
111 QoE計算部
201、401 通信トラヒック(スループットの時系列データ)
202 状態
202a、202b、202c 状態(誤推定の時間区間)
203 状態(本来の状態)
211−1、211−2、211−3 正規分布
301 HMM
302 階層HMM
303 グループ1
304 グループ2
311、311−1、311−2 隠れ状態
312、312−1、312−2 混合GAUSS分布(混合正規分布)
313 d次元GAUSS分布(正規分布)
314 出力確率
315 観測値
402 状態(HMM層#1の出力)
403 モデルパラメータ
404 状態(正規化された状態のシーケンス、HMM層#2の出力)
404A 状態#1の時間推移
404B 状態#2の時間推移
405a−405c 通信ノイズ
406 通信トラヒック(通信ノイズ除去後)
406a−407c 通信トラヒックの時間区間
407 状態
408、411 正規化された時系列データ
409 アプリ1の特性
410 アプリ2の特性
412、413 状態
421、424 HMM#1状態
422、425 HMM#2状態
423 状態(正規化された状態シーケンス)
426 アプリ状態Aの時間推移
500、511−51n 決定木
510 ランダムフォレスト
1021 記憶部(内容)
1022 一様乱数(生成部)
1023 逆関数(累積分布関数の逆関数演算部)
1024 整列部(ソート)
1025 ノイズ波形
Claims (17)
- 通信トラヒックの時系列データに対して隠れマルコフモデルに基づき、状態のシーケンスを推定し、前記状態のシーケンスから状態遷移が類似するパターンをひとまとめにして1つの状態とみなして状態のシーケンスを抽出する第1の手段と、
前記第1の手段で抽出された前記状態のシーケンスと、予め定められたアプリケーション特性とに基づき、前記時系列データに対応するアプリケーション状態を判別する第2の手段と、
を備えた、ことを特徴とするトラヒック分析装置。 - 前記通信トラヒックが流れるネットワークのタイプに対応したノイズ特性パラメータに基づき、通信ノイズを生成し、前記通信トラヒックの時系列データから前記通信ノイズを除去する第3の手段を備えた、ことを特徴とする請求項1に記載のトラヒック分析装置。
- 前記第1の手段は、階層隠れマルコフモデルを前記時系列データに適用し、前記階層隠れマルコフモデルの下位層に基づき推定した状態のシーケンスに対して前記階層隠れマルコフモデルの上位層を適用し、前記状態のシーケンスのうち状態遷移のパターンが類似する区間の前記状態を1つのグループにまとめ前記上位層の1つの状態とする、ことを特徴とする請求項1又は2に記載のトラヒック分析装置。
- 前記階層隠れマルコフモデルは、連続隠れマルコフモデルを前記下位層とし、離散隠れマルコフモデルを前記上位層として含む、ことを特徴とする請求項3に記載のトラヒック分析装置。
- 前記階層隠れマルコフモデルを更新する手段を備えた、ことを特徴とする請求項3又は4に記載のトラヒック分析装置。
- 前記第2の手段は、前記第1の手段で抽出された状態のシーケンスに対応する前記通信トラヒックの時系列データと、予め登録されたアプリケーション状態に対応する前記通信トラヒックの類似度に基づき、アプリケーション状態を判別する、ことを特徴とする請求項1乃至4のいずれか1項に記載のトラヒック分析装置。
- 前記第2の手段は、前記第1の手段で抽出された状態のシーケンスと、予め登録されたアプリケーション状態のシーケンスの類似度に基づき、アプリケーション状態を判別する、ことを特徴とする請求項1乃至4のいずれか1項に記載のトラヒック分析装置。
- 前記第2の手段は、前記通信トラヒックの特徴量を抽出し、前記特徴量と予め登録されたアプリケーションの特徴量とを照合し、アプリケーション状態を判別する、ことを特徴とする請求項1乃至4のいずれか1項に記載のトラヒック分析装置。
- 前記第2の手段は、アプリケーションの通信トラヒックの特徴量を、教師データとして、アプリケーションを判別する分類モデルを機械学習し、
評価対象の通信トラヒックの時系列データに対して前記分類モデルを用いてアプリケーション状態を判別する、ことを特徴とする請求項1乃至4のいずれか1項に記載のトラヒック分析装置。 - 前記第1の手段は、状態滞在時間分布を考慮したHMM(Explicit-Duration HMM)モデルを用いて通信ノイズを除去する、ことを特徴とする請求項1乃至9のいずれか1項に記載のトラヒック分析装置。
- 現時点までに判定したいくつかのアプリケーション状態を用いて、将来のアプリケーション状態を予測する手段を備えた、ことを特徴とする請求項1乃至10のいずれか1項に記載のトラヒック分析装置。
- 現時点までに判定したいくつかのアプリケーション状態を用いて、将来の通信トラヒックを予測する手段を備えた、ことを特徴とする請求項1乃至10のいずれか1項に記載のトラヒック分析装置。
- 推定したアプリケーション状態に基づき、ネットワーク制御と通信制御の少なくとも一方を行う手段を備えた、ことを特徴とする請求項1乃至12のいずれか1項に記載のトラヒック分析装置。
- 前記アプリケーション状態に基づき、アプリケーション品質(QoE)を判別する手段を備えた、ことを特徴とする請求項1乃至13のいずれか1項に記載のトラヒック分析装置。
- 前記アプリケーション状態、又は、将来のアプリケーション状態の予測結果に基づき、ネットワーク制御と通信制御の少なくとも一方を行う手段を備えた、ことを特徴とする請求項1乃至14のいずれか1項に記載のトラヒック分析装置。
- 通信トラヒックの時系列データに対して隠れマルコフモデルに基づき、状態のシーケンスを推定し、前記状態のシーケンスから状態遷移が類似するパターンをひとまとめにして1つの状態とみなして状態のシーケンスを抽出し、
前記抽出された前記状態のシーケンスと、予め定められたアプリケーション特性とに基づき、前記時系列データに対応するアプリケーションを判別する、ことを特徴とするトラヒック分析方法。 - 通信トラヒックの時系列データに対して隠れマルコフモデルに基づき、状態のシーケンスを推定し、前記状態のシーケンスから状態遷移が類似するパターンをひとまとめにして1つの状態とみなして状態のシーケンスを抽出する処理と、
前記抽出された前記状態のシーケンスと、予め定められたアプリケーション特性とに基づき、前記時系列データに対応するアプリケーションを判別する処理と、
をコンピュータに実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021154149A JP7136300B2 (ja) | 2017-10-26 | 2021-09-22 | トラヒック分析装置、システム、方法及びプログラム |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017207638 | 2017-10-26 | ||
JP2017207638 | 2017-10-26 | ||
PCT/JP2018/039653 WO2019082965A1 (ja) | 2017-10-26 | 2018-10-25 | トラヒック分析装置、システム、方法及びプログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021154149A Division JP7136300B2 (ja) | 2017-10-26 | 2021-09-22 | トラヒック分析装置、システム、方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019082965A1 true JPWO2019082965A1 (ja) | 2020-11-12 |
JP6950744B2 JP6950744B2 (ja) | 2021-10-13 |
Family
ID=66247793
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019551237A Active JP6950744B2 (ja) | 2017-10-26 | 2018-10-25 | トラヒック分析装置、システム、方法及びプログラム |
JP2021154149A Active JP7136300B2 (ja) | 2017-10-26 | 2021-09-22 | トラヒック分析装置、システム、方法及びプログラム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021154149A Active JP7136300B2 (ja) | 2017-10-26 | 2021-09-22 | トラヒック分析装置、システム、方法及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11509539B2 (ja) |
JP (2) | JP6950744B2 (ja) |
WO (1) | WO2019082965A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118102393A (zh) * | 2024-04-25 | 2024-05-28 | 江西师范大学 | 一种基于移动边缘计算的多用户服务迁移方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021053966A1 (ja) * | 2019-09-17 | 2021-03-25 | 日本電気株式会社 | 情報処理装置、パケット生成方法、システム、及びプログラム |
EP4179701A1 (en) * | 2020-07-09 | 2023-05-17 | Telefonaktiebolaget LM ERICSSON (PUBL) | Classification of traffic data per application type |
JP7410839B2 (ja) | 2020-10-29 | 2024-01-10 | 本田技研工業株式会社 | 情報処理装置、移動体、プログラム、及び情報処理方法 |
JP2022091341A (ja) * | 2020-12-09 | 2022-06-21 | 日本電気株式会社 | 送信装置照合装置、学習装置、送信装置照合方法、学習方法、及びプログラム |
JP7522651B2 (ja) * | 2020-12-18 | 2024-07-25 | 本田技研工業株式会社 | 情報処理装置、移動体、プログラム及び情報処理方法 |
JP7258254B2 (ja) * | 2021-01-27 | 2023-04-14 | 三菱電機株式会社 | 通信装置 |
CN115776378B (zh) * | 2021-09-06 | 2024-02-09 | 中核武汉核电运行技术股份有限公司 | 一种核电工业互联网平台时序数据实时接入方法 |
CN113705726A (zh) * | 2021-09-15 | 2021-11-26 | 北京沃东天骏信息技术有限公司 | 流量的分类方法、装置、电子设备及计算机可读介质 |
JP7330398B1 (ja) * | 2022-07-06 | 2023-08-21 | 三菱電機株式会社 | 遠隔制御装置、遠隔制御方法、遠隔制御システムおよび移動体 |
FR3141578A1 (fr) * | 2022-10-28 | 2024-05-03 | Psa Automobiles Sa | Procédé de détermination de profils de configuration d’un module électronique, dispositif et systèmes associés. |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6246985B1 (en) * | 1998-08-20 | 2001-06-12 | International Business Machines Corporation | Method and apparatus for automatic segregation and routing of signals of different origins by using prototypes |
JP2014016731A (ja) * | 2012-07-06 | 2014-01-30 | Nippon Telegr & Teleph Corp <Ntt> | データ更新処理装置、方法、及びプログラム |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6774917B1 (en) * | 1999-03-11 | 2004-08-10 | Fuji Xerox Co., Ltd. | Methods and apparatuses for interactive similarity searching, retrieval, and browsing of video |
JP2006202015A (ja) | 2005-01-20 | 2006-08-03 | Ntt Docomo Inc | 注視状態検出装置および注視状態推定方法 |
JP4686505B2 (ja) * | 2007-06-19 | 2011-05-25 | 株式会社東芝 | 時系列データ分類装置、時系列データ分類方法および時系列データ処理装置 |
WO2011158421A1 (ja) | 2010-06-16 | 2011-12-22 | 日本電気株式会社 | モデル特定装置 |
JPWO2014115362A1 (ja) * | 2013-01-28 | 2017-01-26 | 日本電気株式会社 | 識別器学習装置及び識別器学習方法 |
US20140222997A1 (en) * | 2013-02-05 | 2014-08-07 | Cisco Technology, Inc. | Hidden markov model based architecture to monitor network node activities and predict relevant periods |
US20150161518A1 (en) * | 2013-12-05 | 2015-06-11 | Futurewei Technologies, Inc. | System and Method for Non-Invasive Application Recognition |
JP6390167B2 (ja) | 2014-05-23 | 2018-09-19 | 日本電気株式会社 | 通信スループット予測装置、通信スループット予測方法、及び、プログラム |
CN105282052B (zh) | 2014-06-19 | 2020-08-07 | 西安中兴新软件有限责任公司 | 一种基于用户应用业务分配带宽的方法和装置 |
US10611379B2 (en) * | 2016-08-16 | 2020-04-07 | Toyota Jidosha Kabushiki Kaisha | Integrative cognition of driver behavior |
US10932004B2 (en) * | 2017-01-24 | 2021-02-23 | Adobe Inc. | Recommending content based on group collaboration |
-
2018
- 2018-10-25 JP JP2019551237A patent/JP6950744B2/ja active Active
- 2018-10-25 US US16/758,209 patent/US11509539B2/en active Active
- 2018-10-25 WO PCT/JP2018/039653 patent/WO2019082965A1/ja active Application Filing
-
2021
- 2021-09-22 JP JP2021154149A patent/JP7136300B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6246985B1 (en) * | 1998-08-20 | 2001-06-12 | International Business Machines Corporation | Method and apparatus for automatic segregation and routing of signals of different origins by using prototypes |
JP2014016731A (ja) * | 2012-07-06 | 2014-01-30 | Nippon Telegr & Teleph Corp <Ntt> | データ更新処理装置、方法、及びプログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118102393A (zh) * | 2024-04-25 | 2024-05-28 | 江西师范大学 | 一种基于移动边缘计算的多用户服务迁移方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6950744B2 (ja) | 2021-10-13 |
US20200328947A1 (en) | 2020-10-15 |
US11509539B2 (en) | 2022-11-22 |
JP2021193832A (ja) | 2021-12-23 |
JP7136300B2 (ja) | 2022-09-13 |
WO2019082965A1 (ja) | 2019-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6950744B2 (ja) | トラヒック分析装置、システム、方法及びプログラム | |
JP7184125B2 (ja) | トラヒック分析装置、方法及びプログラム | |
US10885469B2 (en) | Scalable training of random forests for high precise malware detection | |
Aceto et al. | Characterization and prediction of mobile-app traffic using Markov modeling | |
US11699080B2 (en) | Communication efficient machine learning of data across multiple sites | |
Bujlow et al. | A method for classification of network traffic based on C5. 0 Machine Learning Algorithm | |
Da Silva et al. | Identification and selection of flow features for accurate traffic classification in SDN | |
US8670346B2 (en) | Packet classification method and apparatus | |
Kornycky et al. | Radio frequency traffic classification over WLAN | |
US11558769B2 (en) | Estimating apparatus, system, method, and computer-readable medium, and learning apparatus, method, and computer-readable medium | |
Vinayakumar et al. | Secure shell (ssh) traffic analysis with flow based features using shallow and deep networks | |
WO2015085102A1 (en) | System and method for non-invasive application recognition | |
Atli | Anomaly-based intrusion detection by modeling probability distributions of flow characteristics | |
Kiran et al. | Detecting anomalous packets in network transfers: investigations using PCA, autoencoder and isolation forest in TCP | |
US20190124094A1 (en) | Active prioritization of investigation targets in network security | |
Zhang et al. | Network traffic clustering with QoS-awareness | |
Maia et al. | Internet traffic classification using a Hidden Markov Model | |
Dubin et al. | Video quality representation classification of Safari encrypted DASH streams | |
Alizadeh et al. | Timely classification and verification of network traffic using Gaussian mixture models | |
US12021755B2 (en) | Classification and forwarding of network traffic flows | |
Saki et al. | Machine learning based frame classification for videos transmitted over mobile networks | |
Samaan et al. | Network anomaly diagnosis via statistical analysis and evidential reasoning | |
Koksal et al. | Markov model based traffic classification with multiple features | |
US20240028670A1 (en) | Multimedia traffic classification method using markov components and system implementing the same | |
Este et al. | Pattern recognition approaches for classifying ip flows |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200421 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200421 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210608 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210806 |
|
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: 20210824 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210906 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6950744 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |