WO2016038857A1 - スケール数推定装置、スケール数管理システム、スケール数推定方法、スケール数管理方法、および、記憶媒体 - Google Patents

スケール数推定装置、スケール数管理システム、スケール数推定方法、スケール数管理方法、および、記憶媒体 Download PDF

Info

Publication number
WO2016038857A1
WO2016038857A1 PCT/JP2015/004477 JP2015004477W WO2016038857A1 WO 2016038857 A1 WO2016038857 A1 WO 2016038857A1 JP 2015004477 W JP2015004477 W JP 2015004477W WO 2016038857 A1 WO2016038857 A1 WO 2016038857A1
Authority
WO
WIPO (PCT)
Prior art keywords
node
service
function
rule
scales
Prior art date
Application number
PCT/JP2015/004477
Other languages
English (en)
French (fr)
Inventor
清一 小泉
Original Assignee
日本電気株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US15/509,620 priority Critical patent/US20170264500A1/en
Priority to JP2016547690A priority patent/JP6558374B2/ja
Publication of WO2016038857A1 publication Critical patent/WO2016038857A1/ja

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • 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
    • H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities

Definitions

  • the present invention relates to a technique for managing the number of scales of a node that provides a network function.
  • the IT service provider uses a network function providing apparatus including various nodes that provide a network function.
  • Nodes of the network function providing device include a load balancer (LB), a firewall (FW), and NAT (Network Address Translation).
  • the traffic volume of IT services always fluctuates due to multiple factors such as the number of users and time zones.
  • the IT service provider since various nodes that provide network functions are dedicated devices, it is difficult to control the network function providing apparatus and the throughput performance of the nodes. Therefore, the IT service provider has to adjust the amount of traffic to be processed by the network function providing apparatus in accordance with the throughput performance on the network function providing apparatus side.
  • NFV Network Function Virtualization
  • SDN Software Defined Networking
  • nodes such as FW and LB are realized by software.
  • VNF Virtualized Network Function
  • VNFC Virtualized Network Function
  • the processing performance can be controlled by scaling the VNFC.
  • Each VNFC is a separate virtual machine.
  • the VNFC adjusts network functions by setting function rules for providing functions according to network requirements. For example, in the case of VNFC that provides a firewall function, a function rule as shown in FIG. 18 is set.
  • a VNFC in which such functional rules are set can provide functions such as http (Hypertext transfer protocol) access, ftp (File transfer protocol) access permission, and attack avoidance.
  • Patent Document 1 An example of related technology for managing the performance of a network function providing apparatus using such network function virtualization technology is described in Patent Document 1.
  • resources for each agent for example, CPU: Central Processing Unit, RAM: Random Access Memory, etc.
  • Patent Document 1 has the following problems.
  • the setting contents of the node functional rules affect the processing performance of node instances such as the above-mentioned VNFC.
  • a node instance consumes more resources such as a CPU as the setting contents of function rules to be set increases, and the time required for processing becomes longer. Therefore, the processing performance of the node instance changes according to the setting content of the function rule.
  • Patent Document 1 does not describe estimating the processing performance of the agent and estimating the number of parallel processes (scale number) of the agent. Therefore, in this related technique, the performance of the agent cannot be sufficiently controlled only by reallocating resources when the performance does not satisfy the target value.
  • an object of the present invention is to provide a technique for more accurately estimating the processing performance of an instance in a node that provides a network function and more accurately estimating the number of scales that can process input traffic.
  • the scale number estimation apparatus of the present invention calculates a function rule quantitative value obtained by quantifying a function rule based on a function rule setting history set in a node that provides a network function.
  • a rule quantification unit a service amount calculation unit that calculates a service amount per unit time of a node instance operating in the node based on a service history of the node; and the functional rule quantification value obtained for the node;
  • a performance model generating unit that generates a performance model representing a relationship between the amount of input traffic to the node, the function rule quantitative value, and the number of node instances (number of scales);
  • the expected input traffic volume and the functional rule definition Comprising a number of scales estimating means for estimating the number of scales in accordance with the value, the.
  • the scale number management system of the present invention includes a network function providing device including a node that provides a network function, a function rule setting history (function rule setting history) set in the node from the network function providing device, and The above-mentioned scale for estimating the number of scales of the node in the network function providing device using the acquisition device for acquiring the service history of the node, and the function rule setting history and the service history acquired by the acquisition device A number estimation device; and a control device that controls the number of scales of nodes in the network function providing device based on the number of scales estimated by the scale number estimation device.
  • a network function providing device including a node that provides a network function, a function rule setting history (function rule setting history) set in the node from the network function providing device, and The above-mentioned scale for estimating the number of scales of the node in the network function providing device using the acquisition device for acquiring the service history of the node, and the function rule setting history and the service history acquired by the acquisition device A number
  • the scale number estimation method of the present invention calculates a function rule quantitative value obtained by quantifying the function rule based on the function rule setting history set in the node that provides the network function, and stores the function rule in the service history of the node. Based on the set of the functional rule quantitative value and the service amount obtained for the node, based on the set of the function rule quantitative value and the service amount obtained for the node, A performance model representing the relationship between the functional rule quantitative value and the number of node instances (number of scales) is generated, and the performance model is used to respond to the assumed input traffic amount and the functional rule quantitative value The number of scales is estimated.
  • the scale number management method of the present invention obtains a function rule setting history (function rule setting history) set in the node in a network function providing device including a node that provides a network function, and the network function providing device.
  • a service history of the node in the network and based on the acquired function rule setting history and service history, using the scale number estimation method described above, the number of scales of the node in the network function providing device is estimated, the estimated scale Based on the number, the scale number of the node in the network function providing device is controlled.
  • the storage medium of the present invention includes a function rule quantification step of calculating a function rule quantification value obtained by quantifying a function rule based on a function rule setting history set in a node that provides a network function;
  • a service amount calculation step of calculating a service amount per unit time of a node instance operating in the node based on the service history of the node, and based on the set of the functional rule quantitative value and the service amount obtained for the node
  • a performance model generation step for generating a performance model representing a relationship between the amount of input traffic to the node, the quantitative value of the function rule, and the number of node instances (number of scales), and the performance model is assumed.
  • the traffic according to the input traffic volume and the function rule quantitative value It stores a computer program for executing the scale number estimating step of estimating the number Lumpur, to the computer device.
  • the present invention can provide a technique for more accurately estimating the processing performance of an instance in a node that provides a network function, and more accurately estimating the number of scales that can process input traffic.
  • the scale number management system 1 includes a scale number estimation device 10, a network function providing device 30, an acquisition device 50, and a control device 70.
  • the scale number estimation device 10 is connected to the acquisition device 50 and the control device 70 so as to communicate with each other.
  • the network function providing device 30 is connected to the acquisition device 50 and the control device 70 so that they can communicate with each other.
  • the scale number estimation apparatus 10 includes a function rule quantification unit 11, a service amount calculation unit 12, a performance model generation unit 13, a performance model storage unit 130, and a scale number estimation unit 14.
  • the performance model storage unit 130 constitutes an embodiment of a part of the performance model generation unit of the present invention.
  • the network function providing device 30 includes one or more nodes 31. In the node 31, one or more node instances 32 operate.
  • the acquisition device 50 includes a function rule setting history storage unit 501 and a service history storage unit 502.
  • each of the scale number estimation device 10, the network function providing device 30, the acquisition device 50, and the control device 70 may be configured by hardware elements as shown in FIG.
  • the scale number estimation device 10 can be configured by the computer device 100.
  • the computer apparatus 100 includes a CPU (Central Processing Unit) 1001, a RAM (Random Access Memory) 1002, a ROM (Read Only Memory) 1003, a storage device 1004 such as a hard disk, and a network interface 1005.
  • the network function providing device 30 can be configured by the computer device 300.
  • the computer apparatus 300 includes a CPU 3001, a RAM 3002, a ROM 3003, a storage device 3004 such as a hard disk, and a network interface 3005.
  • the acquisition device 50 can be configured by the computer device 500.
  • the computer device 500 includes a CPU 5001, a RAM 5002, a ROM 5003, a storage device 5004 such as a hard disk, and a network interface 5005.
  • the control device 70 can be configured by a computer device 700.
  • the computer device 700 includes a CPU 7001, a RAM 7002, a ROM 7003, a storage device 7004 such as a hard disk, and a network interface 7005.
  • the scale number estimation device 10 the acquisition device 50, and the control device 70 are communicably connected by network interfaces 1005, 5005, and 7005, respectively.
  • the network function providing device 30, the acquisition device 50, and the control device 70 are communicably connected by network interfaces 3005, 5005, and 7005, respectively.
  • the network function providing apparatus 30 includes a network interface (not shown) for connection to a service side or a terminal side as a network function providing destination.
  • each of these functional blocks includes a network interface 1005 and a CPU 1001 that reads a computer program and various data stored in the ROM 1003 and the storage device 1004 into the RAM 1002 and executes them.
  • the performance model generation unit 13 includes a CPU 1001 that reads a computer program and various data stored in the ROM 1003 and the storage device 1004 into the RAM 1002 and executes them.
  • the node 31 and the node instance 32 are configured by a CPU 3001 that reads a computer program and various data stored in the ROM 3003 and the storage device 3004 into the RAM 3002 and executes them. Further, the function rule setting history storage unit 501 and the service history storage unit 502 of the acquisition device 50 are configured by a storage device 5004. Note that the hardware configuration of each device and each functional block thereof is not limited to the above-described configuration. For example, some or all of the devices may be realized on the same computer device. As a specific example, the scale number estimation device 10 and the acquisition device 50 may be realized on the same computer device, and the network function providing device 30 and the control device 70 may be realized on the same computer device. In this case, devices that require information transmission / reception may be connected by inputting / outputting information via a storage device instead of being connected via a network interface.
  • the node 31 of the network function providing device 30 provides a network function based on the set function rule.
  • the node instance 32 is an instance of the node 31, and each is realized as a virtual machine.
  • the operating node instance 32 executes a process (service) for providing a network function in response to a request from the outside.
  • the acquisition device 50 acquires the function rule setting history of each node 31 and the service history of each node 31 from the network function providing device 30.
  • the acquisition device 50 stores the acquired function rule setting history in the function rule setting history storage unit 501.
  • the acquisition device 50 stores the acquired service history in the service history storage unit 502.
  • the function rule setting history represents a function rule setting history set in the node 31.
  • the function rule setting history may be a setting information history including the setting contents of the function rule set in the node 31 and the setting time.
  • the acquisition device 50 further acquires a function rule setting history when a function rule is set for a new node 31 in the network function providing device 30 or when a function rule of an existing node 31 is changed. Then, the acquisition device 50 adds and stores the newly acquired function rule setting history in the function rule setting history storage unit 501.
  • the service history may be information including a set of a service time required for processing executed by the node instance 32 of each node 31 and a processed data amount. Further, when a new process is executed by the node instance 32 in the network function providing device 30, the acquisition device 50 further acquires the service history, adds it to the service history storage unit 502, and stores it.
  • the function rule quantification unit 11 of the scale number estimation device 10 calculates a function rule quantification value obtained by quantifying the function rule based on the function rule setting history of the node 31.
  • the function rule fixed value is information that can quantitatively express the setting contents of the function rule.
  • the scale number estimation device 10 acquires a function rule setting history from the function rule setting history storage unit 501 of the acquisition device 50.
  • the function rule quantification unit 11 calculates a function rule quantification value for each function rule setting information for each node 31. If there are a plurality of setting information for the same node 31, the function rule quantification unit 11 calculates a plurality of function rule quantification values for the same node 31.
  • the service amount calculation unit 12 calculates the service amount per unit time of the node instance 32 based on the service history of the node 31. Specifically, the service amount calculation unit 12 acquires a service history from the acquisition device 50. For example, the service amount calculation unit 12 can calculate the service amount per unit time based on the service time and the data amount included in the service history.
  • the service amount calculation unit 12 stores the service amount calculated for each node 31 in the storage device 1004 in association with the function rule quantitative value of the node 31. If a plurality of functional rule quantitative values are calculated for one node 31, the service amount calculation unit 12 for each functional rule quantitative value is based on the service history during the period in which the functional rule quantitative value is valid. The service amount described above may be obtained. Then, the service amount calculation unit 12 associates the calculated service amount with the corresponding function rule quantitative value.
  • the effective period of the function rule fixed value can be calculated from the function rule setting time included in the function rule setting history.
  • the performance model generation unit 13 Based on the set of functional rule quantitative values and service amounts obtained for each node 31, the performance model generation unit 13 inputs the amount of traffic input to the node 31, the functional rule quantitative value, and the number of node instances 32 (number of scales). Generate a performance model that represents the relationship between That is, the performance model includes a calculation formula capable of calculating the number of node instances 32 according to the function rule quantitative value of the node 31 and the input traffic amount. The performance model generation unit 13 stores the performance model generated for each node 31 in the performance model storage unit 130.
  • the scale number estimation unit 14 estimates the scale number using the performance model of the node 31 based on the input traffic amount assumed for the node 31 and the function rule quantitative value. In addition, the scale number estimation unit 14 outputs information indicating the scale number estimated for each node 31 to the control device 70.
  • the control device 70 controls the number of node instances 32 in the node 31 in the network function providing device 30 based on the scale number of each node 31 output from the scale number estimation device 10.
  • the acquisition device 50 acquires the function rule setting history of the node 31 from the network function providing device 30 (step A1). As described above, the acquisition device 50 stores the acquired function rule setting history in the function rule setting history storage unit 501.
  • the service amount calculation unit 12 acquires the service history of the node 31 from the network function providing device 30 (step A2). As described above, the acquisition device 50 stores the acquired service history in the service history storage unit 502.
  • step A1 and step A2 need not be executed in this order. Further, the operations of step A1 and step A2 may be executed substantially simultaneously. Further, the operations of Step A1 and Step A2 may be repeatedly executed for a specified period.
  • the function rule quantification unit 11 reads out the function rule setting history and the service history from the function rule setting history storage unit 501 and the service history storage unit 502 of the acquisition device 50 (step B1).
  • the function rule quantification unit 11 repeats the following steps B2 to B4 for each node 31 recorded in the function rule setting history.
  • the function rule quantification unit 11 calculates a function rule quantification value from the function rule setting history for this node 31 (step B2).
  • the function rule quantification unit 11 may obtain a function rule quantification value for each setting information about the node 31.
  • the service amount calculation unit 12 calculates the service amount per unit time of the node instance 32 operating in this node 31 for each function rule fixed value of this node 31 obtained in step B2 (step B3). .
  • the service amount calculation unit 12 may obtain the corresponding service amount using the service history of this node 31 during the validity period of each functional rule quantitative value.
  • the service amount calculation unit 12 may obtain the service amount based on the data amount and service time of each process included in the corresponding service history. Then, the service amount calculation unit 12 associates a corresponding service amount with each function rule fixed value.
  • the performance model generation unit 13 based on the set of functional rule quantitative values and service amount sets obtained for the node 31, the input traffic amount, the functional rule quantitative value, the scale number, A performance model representing the relationship is generated (step B4). Then, the performance model generation unit 13 stores the performance model generated for the node 31 in the performance model storage unit 130.
  • the scale number estimation unit 14 acquires the input traffic amount assumed for the estimation target node 31 and the contents of the functional rules set in the node 31 (step C1). For example, the scale number estimation unit 14 acquires the amount of input traffic assumed for the node 31 to be estimated and the content of the function rule from the input device (not shown), the network interface 1005, the storage device 1004, or the like. May be.
  • the function rule quantification unit 11 calculates a function rule quantification value based on the function rule acquired in step C1 (step C2).
  • the scale number estimation unit 14 acquires the performance model of the node 31 from the performance model storage unit 130. Then, the scale number estimating unit 14 applies the input traffic amount acquired in Step C1 and the function rule quantitative value calculated in Step C2 to the performance model of the node 31. Thereby, the scale number estimation part 14 calculates the scale number of this node 31, and outputs it to the control apparatus 70 (step C3).
  • control device 70 acquires the number of scales output from the scale number estimation device 10 (step D1).
  • control device 70 controls the number of node instances 32 in the node 31 on the network function providing device 30 based on the acquired scale number (step D2). For example, if the number of active node instances 32 for the node 31 is different from the estimated number of scales, the control device 70 changes the number of node instances 32 so as to be the estimated number of scales. If this node 31 is not yet operating, node instances 32 of this node 31 are generated and operated for the estimated number of scales.
  • control device 70 ends the scale number control operation.
  • the scale number management system 1 may repeat the operations of steps C1 to C3 and D1 to D2 described above for each node 31 that is operating or scheduled to operate in the network function providing device 30.
  • the scale number management system estimates the processing performance of an instance in a node providing a network function with higher accuracy, and controls the number of scales capable of processing input traffic with higher accuracy. Can do.
  • the acquisition device acquires the function rule setting history and service history set in each node of the network function providing device.
  • the function rule quantification unit of the scale number estimation device calculates a function rule quantification value based on the function rule setting history.
  • the service amount calculation unit calculates the service amount per unit time of the node instance of each node based on the service history.
  • generation part produces
  • the scale number estimation unit estimates the number of node instances corresponding to the assumed input traffic volume using the performance model. This is because the control device controls the number of node instances based on the estimated number of scales.
  • the present embodiment can improve the estimation accuracy of the processing performance of the instance in the node. As a result, the present embodiment can more accurately estimate the number of scales that can process the expected input traffic with the minimum necessary resources in accordance with the contents of the function rules set in the node and changes thereof. .
  • the service chain execution device is a device that executes a service chain that connects and functions a plurality of nodes. Note that, in each drawing referred to in the description of the present embodiment, the same reference numerals are given to the same configuration and steps that operate in the same manner as in the first embodiment of the present invention, and the detailed description in the present embodiment. Description is omitted.
  • FIG. 7 shows the configuration of a scale number management system 2 as a second embodiment of the present invention.
  • the scale number management system 2 includes a scale number estimation device 20, a service chain execution device 40, an acquisition device 50, and a control device 80.
  • the service chain execution device 40 constitutes an embodiment of the network function providing device of the present invention.
  • the scale number estimation device 20 and the service chain execution device 40 are communicably connected to the acquisition device 50 and the control device 80, respectively.
  • the scale number estimation apparatus 20 includes a function rule quantification unit 21, a service amount calculation unit 22, a performance model generation unit 23, a performance model storage unit 230, and a chain instance generation unit 24.
  • the performance model storage unit 230 constitutes an embodiment of the performance model generation unit of the present invention.
  • the chain instance generation unit 24 constitutes an embodiment of the scale number estimation unit of the present invention.
  • the service chain execution device 40 includes a service chain 43, a node 31, and a node instance 32.
  • each device and each functional block constituting the scale number management system 2 can be configured by the hardware elements shown in FIG. 2 as in the first embodiment of the present invention. Note that the hardware configuration of each device and each functional block thereof is not limited to the above-described configuration.
  • the service chain execution device 40 is a device that executes a service chain 43 that connects and functions a plurality of nodes 31.
  • the service chain 43 provides a series of network functions corresponding to the contents of the IT service in cooperation with a device that provides various IT services for the terminal.
  • a service chain 43 that provides a network function necessary for providing a web service to a terminal, a service chain 43 that is necessary for providing a moving image distribution system, and the like.
  • the service chain 43 is defined by definition information.
  • the definition information of the service chain 43 may be information including each node 31 to be connected and a function rule set in each node 31.
  • the service chain 43 is configured to operate by generating an instance (chain instance) of the service chain 43 based on the definition information of the service chain 43.
  • the service chain 43 in operation provides a series of network functions by sequentially processing incoming incoming traffic by the node instances 32 of each node 31.
  • one or more service chains 43 can be operated.
  • the acquisition device 50 is configured similarly to the first embodiment of the present invention. Thereby, the acquisition device 50 acquires the function rule setting history and service history of each node 31 constituting the service chain 43 from the service chain execution device 40.
  • the function rule setting history includes a node ID for identifying the node 31, information indicating the contents of the function rule, and information (time stamp) indicating when the setting of the function rule is valid. Shall be included.
  • the service history includes a node ID, a process start time and an end time, and a processed data amount.
  • the acquisition device 50 stores such function rule setting history and service history in the function rule setting history storage unit 501 and the service history storage unit 502.
  • the function rule quantification unit 21 of the scale number estimation device 20 refers to the function rule setting history acquired from the service chain execution device 40 and calculates a function rule quantification value based on the number of function rules.
  • the function rule quantitative value may be the number of function rules itself.
  • the function rule quantification unit 21 associates the node ID and the time stamp with the calculated function rule quantification value.
  • the service amount calculation unit 22 refers to the service history acquired from the service chain execution device 40 and calculates the service amount for each node 31 for each valid period of the function rule fixed value. Then, the service amount calculation unit 22 associates the service amount calculated for each effective period with the function rule quantitative value in the effective period and the corresponding node ID.
  • the service history includes the node ID, the processing start time and end time, and the amount of data processed.
  • the function rule quantifying unit 21 associates the node ID, the function rule quantified value, and the time stamp. Therefore, the service amount calculation unit 22 first calculates an effective period for each function rule fixed value calculated for the node 31 having the same node ID. Specifically, the service amount calculation unit 22 from the time stamp of a function rule fixed value with a certain node ID to the next newest time stamp among the time stamps of other function rule fixed values with the same node ID. May be the valid period.
  • the service amount calculation unit 22 calculates the average value of the data amount of the service time from the start time to the end time in the service history of the effective period including the corresponding node ID.
  • the service amount may be obtained by dividing by the average value.
  • the service history of the valid period may be a service history in which both or one of the start time and the end time is included in the valid period. Then, the service amount calculation unit 22 associates the node ID, the function rule fixed value, and the service amount.
  • the function rule fixed value r1 and the function rule fixed value r2 are obtained for a certain node 31.
  • the time stamp t1 is associated with the function rule fixed value r1
  • the time stamp t2 is associated with the function rule fixed value r2.
  • the time stamp t2 is newer than the time stamp t1.
  • the service amount calculation unit 22 calculates time stamps t1 to t2 as the valid period of the function rule fixed value r1.
  • the service amount calculation unit 22 calculates the current time from the time stamp t2 as the valid period of the function rule fixed value r2.
  • the current time point here may be, for example, the time of processing for calculating the effective period, or may be up to the latest time point when the service history is obtained.
  • the service amount calculation unit 22 calculates the service amount s1 for the node 31 based on the service history from the time stamps t1 to t2, and associates the node ID with the function rule fixed value r1. Further, the service amount calculation unit 22 calculates the service amount s2 for the same node 31 based on the service history from the time stamp t2 to the present time, and associates the node ID with the function rule fixed value r2.
  • the performance model generation unit 23 generates, as a performance model, a service amount estimation formula and an equation representing the relationship between the service amount, the input traffic amount, and the number of scales.
  • the performance model generation unit 23 uses the set of the service amount and the function rule quantitative value obtained for each node 31 for each valid period of the function rule quantitative value to set the service amount as an objective variable, function Statistical analysis using rule quantitative values as explanatory variables. Thereby, the performance model production
  • the service amount estimation formula is represented by the following formula (1), for example. ... (1)
  • rule n1 indicates the function rule quantitative value of the node n1
  • and ⁇ n1 indicates the service amount of the node n1.
  • the service amount can be estimated from the function rule quantitative value of a certain node 31.
  • the performance model generation unit 23 employs the following equation (2) used in the queue model (M / M / S) having a plurality of windows as a model representing the behavior of the node 31.
  • ⁇ ⁇ / S ⁇ ...
  • ⁇ indicates the amount of traffic arriving at the node 31 (for example, Mbps: megabytes per second).
  • ⁇ represents the service amount of the node 31 estimated by the above-described service amount estimation formula (1).
  • S indicates the number of scales (the number of node instances 32), which is the number of parallel processes in the node 31.
  • ⁇ represents an operation rate and represents the degree of processing congestion (0 to 1) in each node 31.
  • the operating rate ⁇ represents that the waiting time is longer as the operating rate is closer to 1.
  • a specified value is set for the operating rate ⁇ .
  • the performance model generation unit 23 generates a service amount estimation formula of Expression (1) and an equation of Expression (2) as a performance model. For example, the performance model generation unit 23 associates Equation (1), Equation (2), the value of the operation rate ⁇ , and the node ID, and stores them in the performance model storage unit 230.
  • the chain instance generation unit 24 acquires the definition information of the service chain 43 and information on the amount of input traffic assumed in the service chain 43.
  • the definition information of the service chain 43 includes each node 31 to be connected and the content of the function rule set in each node 31.
  • the information on the assumed input traffic amount may be, for example, the maximum input traffic amount assumed as processing by the service chain 43.
  • the chain instance generation unit 24 estimates the number of scales corresponding to the input traffic amount and the function rule quantitative value for each node 31 included in the definition information of the service chain 43 using the performance model. Specifically, for each node 31, the chain instance generation unit 24 applies the function rule quantitative value obtained from the definition information and the acquired input traffic amount to the equations (1) and (2) of the performance model. By doing so, the number of scales may be obtained.
  • the chain instance generation unit 24 generates chain instance information of the service chain 43 using the estimated number of scales and the definition information of the service chain 43.
  • the chain instance information is information necessary for generating a chain instance.
  • the chain instance information may be information including the scale number of each included node 31 in addition to the information included in the definition information of the service chain 43.
  • the chain instance generation unit 24 outputs the generated chain instance information to the control device 80.
  • the control device 80 generates an instance of the service chain 43 based on the chain instance information. Specifically, the control device 80 may generate, on the service chain execution device 40, the node instances 32 of the set scale number for each node 31 included in the chain instance information according to the function rules. If the chain instance indicated by the chain instance information is already running on the service chain execution device 40, the control device 80 may adjust the scale number of each node 31 to the scale number included in the chain instance information.
  • the operation in which the acquisition device 50 acquires the function rule setting history and the service history from the service chain execution device 40 is the same as the history acquisition operation in the first embodiment of the present invention described with reference to FIG. .
  • information including the node ID, the function rule setting contents, and the time stamp is acquired as the function rule setting history.
  • the service history information including a node ID, a process start time and an end time, and a data amount is acquired.
  • the function rule quantification unit 21 executes step B1 as in the first embodiment of the present invention, and reads the function rule setting history and the service history.
  • the function rule quantification unit 21 repeats the following steps B12 to B14 for each node 31 recorded in the function rule setting history.
  • the function rule quantification unit 21 counts the number of function rules of each setting information included in the function rule setting history related to the node 31 to obtain a function rule quantified value. Then, the function rule quantification unit 21 associates the node ID of the node 31, the calculated function rule quantification value, and the time stamp included in the corresponding setting information (step B12).
  • the service amount calculation unit 22 repeats the following steps B13 to B14 for each function rule quantitative value of the node 31 obtained in step B12.
  • the service amount calculation unit 22 calculates the effective period of this functional rule quantitative value (step B13).
  • the service amount calculation unit 22 may calculate the effective period from the time stamp of the setting information corresponding to this function rule quantitative value to the time stamp of the next new setting information for this node 31.
  • the service amount calculation unit 22 calculates, as the service amount, a value obtained by dividing the average value of the data amount of each process by the average value of the service time in the service history of the calculated effective period. Then, the service amount calculation unit 22 associates the function rule fixed value with the calculated service amount and the node ID (step B14).
  • the performance model generation unit 23 next generates a performance model for this node 31.
  • the performance model generation unit 23 generates the service amount estimation formula (1) using the set of the obtained functional rule quantitative value and service amount (step B15).
  • the performance model generation unit 23 may determine A and B in the above-described service amount estimation formula (1) by performing statistical analysis using the service amount as an objective variable and the rule amount as an explanatory variable. .
  • the performance model generation unit 23 generates a performance model including the service amount estimation formula (1) generated in step B15 and the equation (2) used in the queue model (M / M / S) of multiple windows. Generate (step B16).
  • the performance model generation unit 23 calculates the service amount estimation formula (1), the equation (2) used in the queue model (M / M / S) of multiple windows, the specified value of the operation rate ⁇ , May be stored in the performance model storage unit 230 in association with the node ID of the node 31.
  • the scale number management system 2 ends the performance model generation operation.
  • the chain instance generation unit 24 acquires the definition information of the service chain 43 and the amount of input traffic assumed to flow into the service chain 43 (step C11).
  • the chain instance generation unit 24 may acquire such definition information and input traffic volume from an input device (not shown), the network interface 1005, the storage device 1004, or the like.
  • the definition information of the service chain 43 includes the node ID of the node 31 to be linked in each service chain 43 and the function rule set in each node 31. Further, as the assumed input traffic volume, the maximum input traffic volume that each service chain 43 is supposed to process may be acquired.
  • the chain instance generation unit 24 repeats the operations of the following steps C12 to C15 for each node 31 that is a constituent element thereof.
  • the chain instance generation unit 24 extracts the performance model of the node 31 from the performance model storage unit 230 (step C12).
  • the chain instance generation unit 24 calculates a function rule quantitative value from the function rule of the node 31 included in the service chain definition information using the function rule quantification unit 21 (step C13).
  • the chain instance generation unit 24 substitutes the function rule quantitative value calculated in step C13 for the service amount estimation formula (1) of the performance model of the node 31. Thereby, the chain instance generation unit 24 calculates the service amount (step C14).
  • the chain instance generation unit 24 substitutes the service amount calculated in Step C14 and the input traffic amount acquired in Step C11 into Equation (2) included in the performance model of the node 31. Thereby, the chain instance production
  • the chain instance generation unit 24 When the processing of steps C12 to C15 is completed for each node 31 constituting this service chain 43, the chain instance generation unit 24 generates chain instance information and outputs it to the control device 80 (step C16).
  • the chain instance information represents information for generating an instance of the service chain 43.
  • the chain instance generation unit 24 may generate chain instance information based on the definition information of the service chain 43 and the scale number estimated for each node 31.
  • the scale number estimation device 20 ends the chain instance generation operation.
  • control device 80 acquires chain instance information from the scale number estimation device 20 (step D11).
  • control device 80 repeats the following steps D12 to D14 for each chain instance included in the acquired chain instance information.
  • the control device 80 when the corresponding chain instance has not yet been created (No in Step D12), the control device 80 generates this chain instance on the service chain execution device 40. Specifically, the control device 80 generates as many node instances 32 of the nodes 31 that constitute the chain instance as the number of scales (step D13).
  • control device 80 changes the number of node instances 32 to be the scale number for each node 31 included in the chain instance (Ste D14).
  • the scale number management system 2 ends the scale number control operation.
  • nodeX a node ID for identifying each node 31 is expressed as “nodeX” or the like, and the node 31 whose node ID is nodeX is also simply referred to as “nodeX”.
  • the acquisition device 50 acquires the function rule setting history for each node 31 in the service chain 43 from the service chain execution device 40 and stores it in the function rule setting history storage unit 501 (step A1).
  • the acquired function rule setting history includes a node ID, function rule setting contents, and a time stamp.
  • the function rule setting history shown in FIG. 11 has been acquired.
  • the time stamp “2014/03/09: 09: 00: 00.000” includes two functions related to SSH (Secure SHell) and four functions related to DNS (Domain Name System). Rules are set.
  • the function rule setting history shown in FIG. 11 includes information indicating the type of function of the node 31 in each setting information.
  • the function rule setting history in this embodiment includes at least the node ID, the function rule, and the like.
  • the setting contents and the time stamp may be included.
  • the acquisition device 50 acquires the service history of each node 31 in the service chain 43 from the service chain execution device 40 and stores it in the service history storage unit 502 (step A2).
  • the acquired service history includes a node ID, a process start time and an end time, and a processed data amount.
  • the service history shown in FIG. 12 includes information indicating the function type of the node 31 in the history of each process.
  • the service history in this embodiment includes at least the node ID, the start time of the process, It only needs to include the end time and the amount of data.
  • the acquisition device 50 repeats the processing of steps A1 and A2 for a certain period, and accumulates the function rule setting history and service history.
  • the performance model generation unit 23 counts the number of function rules for each setting information of each node 31 from the information of FIG. 11 stored in the function rule setting history storage unit 501, and determines the function rule quantitative value. To do. Then, the node ID, the function rule quantitative value, and the time stamp are associated (step B12). Thereby, the function rule fixed value information shown in FIG. 13 is generated.
  • the functional rule quantitative value information shown in FIG. 13 includes information indicating the type of function of the node 31, but the functional rule quantitative value information in the present embodiment includes at least a node ID, a functional rule quantitative value, and And a time stamp.
  • the service amount calculation unit 22 obtains a valid period from when the function rule is activated until it is updated based on the function rule quantitative value information (step B13). Then, the service amount calculation unit 22 obtains the service amount of the node 31 for each valid period of the function rule fixed value (step B14).
  • the service amount calculation unit 22 obtains the service history of nodeX in the period from t1 to t2 from the service history of FIG. Then, the service amount ⁇ indicating the processing capability is calculated by dividing the average value of the data amount by the average value of the difference between the start time and the end time (service time) of each history. For example, when the unit of data amount is Mb (megabytes) and the unit of service time is s (seconds), the unit of service amount is “Mbps (megabytes per second)”.
  • the service amount calculation unit 22 repeats such processing for each setting information of each node 31 to generate a set of sets of function rule quantitative values and service amount values for each node 31.
  • This service amount estimation formula (1 ′) represents that the service amount decreases as the function rule quantitative value (number of rules) increases (step B15).
  • the performance model generation unit 23 calculates, for each node 31, the service amount estimation formula (1) obtained, the equation (2) used in the queue model of multiple windows, and the operation rate ⁇ (here 0.7).
  • the performance model storage unit 230 stores the performance model shown in FIG.
  • the performance model shown in FIG. 14 includes information indicating the type of function of the node 31, but the performance model according to the present embodiment includes at least a node ID, a service amount estimation formula, a service amount, and an input traffic amount. It only needs to include an equation representing the relationship with the number of scales and the value of the operation rate.
  • the chain instance generation unit 24 acquires service chain definition information shown in FIG. 15 as definition information related to the service chain 43 generated on the service chain execution device 40.
  • the service chain 43 identified by the ID chain1 is configured to connect node1 functioning as FW, node3 functioning as NAT, and node7 functioning as LB to function.
  • the service chain 43 identified by the ID chain2 is configured to connect node2 functioning as FW and node6 functioning as DPI (Deep Packet Inspection).
  • the service chain definition information includes the node IDs constituting the service chain 43 and the setting contents of the function rules of each node 31.
  • the chain instance generation unit 24 acquires information on the maximum expected input traffic volume for each service chain 43 included in the service chain definition information shown in FIG. For example, the acquired information is as shown in FIG. 16 (step C11).
  • the chain instance generation unit 24 extracts the performance model of each node 31 that is a component of the service chain 43 from the information illustrated in FIG. 14 stored in the performance model storage unit 230. (Step C12).
  • the chain instance generation unit 24 uses the function rule quantification unit 21 to quantify the function rules set in the definition information for each node 31 that is a component of each service chain 43. For example, in the service chain definition information of FIG. 15, two function rules are set for node1. Therefore, the function rule quantitative value of node1 is “2” (step C13).
  • the chain instance generation unit 24 substitutes the function rule quantitative value of the node 31 obtained from the definition information into the service amount estimation formula (1) included in the performance model of the node 31.
  • the chain instance generation unit 24 executes the processing of steps C12 to C15 for each node 31.
  • the chain instance generation unit 24 generates chain instance information as shown in FIG. 17 by using the estimated scale number of each node 31 and the service chain definition information of FIG. 15 (step C16).
  • the chain instance information shown in FIG. 17 includes the function rule quantitative value of each node 31, but it is not always necessary to include it.
  • the chain instance information of the present embodiment only needs to include at least the scale number of each node 31 constituting each chain instance in addition to the service chain definition information.
  • the control device 80 reads the chain instance information of FIG. 17 (step D11), and creates a chain instance on the service chain execution device 40. Specifically, the control device 80 generates and operates a node instance 32 having a designated scale number for each node 31 of each service chain 43. Alternatively, for the service chain 43 that is already in operation, the control device 80 adjusts the number of node instances 32 of each node 31 to be the scale number included in the chain instance information (steps D12 to D14).
  • the scale number management system estimates the processing performance of the instance in the node of the service chain execution apparatus with higher accuracy, and controls the number of scales that can process the input traffic with higher accuracy. Can do.
  • the acquisition device acquires the function rule setting history and service history of each node of the service chain.
  • the function rule quantification unit of the scale number estimation device calculates a function rule quantification value based on the number of function rules of each node constituting the service chain.
  • the service amount calculation unit calculates the service amount per unit time of the node instance by dividing the average value of the data amount processed in each node by the average value of the service time.
  • generation part produces
  • generation part produces
  • the scale number estimation unit estimates the number of scales according to the input traffic amount assumed to flow into the service chain and the assumed function rule using the performance model. This is because the control device generates a service chain so that the number of node instances is based on the estimated number of scales.
  • this embodiment can improve the estimation accuracy of the processing performance of the node instance according to the contents of the function rule set in each node of the service chain or the change thereof. As a result, the present embodiment can more accurately estimate the number of scales that can process the input traffic assumed to flow into the service chain with the minimum required resources.
  • the function rule quantification unit calculates the function rule quantified value based on the number of function rules.
  • the function rule quantification unit may calculate information that can be expressed by quantifying the setting content of the function rule as a function rule quantification value, or a value based on a combination of such information.
  • the service amount calculation unit has been described mainly with respect to an example in which the service amount is calculated from the average value of the service time and the average value of the data amount of the node instances in each node.
  • the service amount may be obtained for each node by the other calculation method using the service history of each node.
  • the performance model may be another model as long as the number of scales can be estimated from the function rule quantitative value and the input traffic amount.
  • each functional block of each device constituting the scale number management system is realized by a CPU that executes a computer program stored in a storage device or ROM.
  • a storage device or ROM a storage device or ROM.
  • some, all, or a combination of each functional block of each device may be realized by dedicated hardware.
  • each device constituting the scale number management system may be distributed and realized in a plurality of devices. Further, as described above, a part or all of each device may be realized on the same device.
  • the operations of the respective devices described with reference to the respective flowcharts may be stored in a computer storage device (storage medium) as the computer program of the present invention. . Then, the computer program may be read and executed by the CPU. In such a case, the present invention is constituted by the code of the computer program or a storage medium.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Debugging And Monitoring (AREA)

Abstract

　本発明は、ネットワーク機能を提供するノードにおけるインスタンスの処理性能をより精度よく推定し、入力トラフィックを処理可能なスケール数をより精度よく推定する。　スケール数推定装置１０は、機能ルール定量化部１１、サービス量算出部１２、性能モデル生成部１３およびスケール数推定部１４を有する。機能ルール定量化部１１は、ネットワーク機能を提供するノード３１に設定された機能ルールの定量値を算出する。サービス量算出部１２は、ノード３１内のノードインスタンス３２の単位時間あたりのサービス量を算出する。性能モデル生成部１３は、機能ルール定量値およびサービス量を基に、ノード３１に対する入力トラフィック量と機能ルール定量値とノードインスタンス３２のスケール数との関係を表す性能モデルを生成する。スケール数推定部１４は、性能モデルを用いて、入力トラフィック量および機能ルール定量値に応じたスケール数を推定する。

Description

スケール数推定装置、スケール数管理システム、スケール数推定方法、スケール数管理方法、および、記憶媒体
　本発明は、ネットワーク機能を提供するノードのスケール数を管理する技術に関する。
　近年、携帯電話やコンピュータ等の端末向けに、様々なＩＴ（Information Technology）サービスがネットワークを経由して提供されている。ＩＴサービスとしては、例えば、ウェブサーバや動画配信、業務システム等がある。このようなＩＴサービスを提供する際には、不要なトラフィックの排除やＩＰ（Internet Protocol）アドレス変換といったような、各種ネットワーク機能が必要となる。そのため、ＩＴサービス提供者は、ネットワーク機能を提供する各種のノードからなるネットワーク機能提供装置を利用する。ネットワーク機能提供装置のノードには、ロードバランサ（ＬＢ：Load Balancer）やファイアウォール（FW：Firewall）)、ＮＡＴ（Network Address Translation）等がある。
　また、ＩＴサービスの利用トラフィック量は、利用者数や時間帯といった複数の要因により、常に変動する。しかし、既存のネットワーク制御技術では、ネットワーク機能を提供する各種ノードが専用機器であるため、ネットワーク機能提供装置やそのノードのスループット性能を制御することは難しい。そのため、ＩＴサービス提供者は、ネットワーク機能提供装置側のスループット性能に合わせて、ネットワーク機能提供装置に処理させるトラフィック量を調整する必要があった。
　このような問題に対応する技術として、ＮＦＶ（Network Function Virtualization）やＳＤＮ（Software Defined Networking）といったネットワーク機能仮想化技術がある。ネットワーク機能仮想化技術では、ＦＷやＬＢといったノードをソフトウェアにより実現する。そして、ノード毎に、ノード内の仮想化されたノードインスタンスの並列数を増加（スケールアウト）または減少（スケールイン）させる制御が可能である。これにより、ネットワーク機能のスループット性能が制御可能となる。例えばＮＦＶの場合、個々のネットワーク機能は、ＶＮＦ（Virtualized Network Function）というノードによって提供される。また、ＶＮＦノードの内部では、複数のＶＮＦＣ（ＶＮＦ component）というノードインスタンスが稼働する。この場合、ＶＮＦＣをスケールさせることにより、処理性能の制御を行うことができる。ＶＮＦＣは、それぞれ別個の仮想マシンである。このＶＮＦＣは、ネットワーク要件に合わせた機能を提供するための機能ルールが設定されることにより、ネットワーク機能を調節する。例えば、ファイアウォールの機能を提供するＶＮＦＣの場合、図１８に示すような機能ルールが設定される。このような機能ルールが設定されたＶＮＦＣは、ｈｔｔｐ（Hypertext transfer Protocol）アクセスやｆｔｐ（File Transfer Protocol）アクセスの許可、攻撃の回避といった機能を提供可能となる。
　このようなネットワーク機能仮想化技術を用いたネットワーク機能提供装置の性能を管理する関連技術の一例が、特許文献１に記載されている。この関連技術は、各種ネットワーク機能を提供するエージェント（上述のノードインスタンスに相当）の性能が目標値を満たさない場合、各エージェントへのリソース（例えば、ＣＰＵ：Central Processing UnitやＲＡＭ：Random Access Memory等）を再割当する。
特開２０１２－７４０５６号公報
　しかしながら、特許文献１に記載された関連技術には、以下の課題がある。
　上述のＶＮＦＣのようなノードインスタンスの処理性能には、ノードの機能ルールの設定内容が影響する。例えば、ノードインスタンスは、設定される機能ルールの設定内容が多いほどＣＰＵ等のリソースをより多く消費し、処理に要する時間が長くなる。そのため、機能ルールの設定内容に応じてノードインスタンスの処理性能は変化する。ここで、想定される入力トラフィックに応じて、各ノードにおいて必要となる並列処理数（スケール数）を推定するには、ノードインスタンスの処理性能をより精度よく推定する必要がある。しかしながら、特許文献１には、エージェントの処理性能を推定し、さらに、エージェントの並列処理数（スケール数）を推定することについては記載がない。そのため、この関連技術は、性能が目標値を満たさない場合にリソースを再割当するだけでは、エージェントの性能を十分に制御することができない。
　本発明は、上述の課題を解決するためになされたものである。すなわち、本発明は、ネットワーク機能を提供するノードにおけるインスタンスの処理性能をより精度よく推定し、入力トラフィックを処理可能なスケール数をより精度よく推定する技術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、本発明のスケール数推定装置は、ネットワーク機能を提供するノードに設定された機能ルールの設定履歴に基づいて、機能ルールを定量化した機能ルール定量値を算出する機能ルール定量化手段と、前記ノードのサービス履歴に基づいて、前記ノードにおいて稼働するノードインスタンスの単位時間あたりのサービス量を算出するサービス量算出手段と、前記ノードについて得られた前記機能ルール定量値および前記サービス量の組に基づいて、前記ノードに対する入力トラフィック量と、前記機能ルール定量値と、前記ノードインスタンスの数（スケール数）との関係を表す性能モデルを生成する性能モデル生成手段と、前記性能モデルを用いて、想定される前記入力トラフィック量および前記機能ルール定量値に応じた前記スケール数を推定するスケール数推定手段と、を備える。
　また、本発明のスケール数管理システムは、ネットワーク機能を提供するノードからなるネットワーク機能提供装置と、前記ネットワーク機能提供装置から、前記ノードに設定される機能ルールの設定履歴（機能ルール設定履歴）と、前記ノードのサービス履歴とを取得する取得装置と、前記取得装置によって取得された前記機能ルール設定履歴および前記サービス履歴を用いて、前記ネットワーク機能提供装置におけるノードのスケール数を推定する上述のスケール数推定装置と、前記スケール数推定装置によって推定されたスケール数に基づいて、前記ネットワーク機能提供装置におけるノードのスケール数を制御する制御装置と、を備える。
　また、本発明のスケール数推定方法は、ネットワーク機能を提供するノードに設定された機能ルールの設定履歴に基づいて、機能ルールを定量化した機能ルール定量値を算出し、前記ノードのサービス履歴に基づいて、前記ノードにおいて稼働するノードインスタンスの単位時間あたりのサービス量を算出し、前記ノードについて得られた前記機能ルール定量値および前記サービス量の組に基づいて、前記ノードに対する入力トラフィック量と、前記機能ルール定量値と、前記ノードインスタンスの数（スケール数）との関係を表す性能モデルを生成し、前記性能モデルを用いて、想定される前記入力トラフィック量および前記機能ルール定量値に応じた前記スケール数を推定する。
　また、本発明のスケール数管理方法は、ネットワーク機能を提供するノードからなるネットワーク機能提供装置における前記ノードにおいて設定される機能ルールの設定履歴（機能ルール設定履歴）を取得し、前記ネットワーク機能提供装置におけるノードのサービス履歴を取得し、取得した前記機能ルール設定履歴およびサービス履歴に基づいて、上述のスケール数推定方法を用いて、前記ネットワーク機能提供装置におけるノードのスケール数を推定し、推定したスケール数に基づいて、前記ネットワーク機能提供装置におけるノードのスケール数を制御する。
　また、本発明の記憶媒体は、ネットワーク機能を提供するノードに設定された機能ルールの設定履歴に基づいて、機能ルールを定量化した機能ルール定量値を算出する機能ルール定量化ステップと、前記ノードのサービス履歴に基づいて、前記ノードにおいて稼働するノードインスタンスの単位時間あたりのサービス量を算出するサービス量算出ステップと、前記ノードについて得られた前記機能ルール定量値および前記サービス量の組に基づいて、前記ノードに対する入力トラフィック量と、前記機能ルール定量値と、前記ノードインスタンスの数（スケール数）との関係を表す性能モデルを生成する性能モデル生成ステップと、前記性能モデルを用いて、想定される前記入力トラフィック量および前記機能ルール定量値に応じた前記スケール数を推定するスケール数推定ステップと、をコンピュータ装置に実行させるコンピュータ・プログラムを記憶している。
　本発明は、ネットワーク機能を提供するノードにおけるインスタンスの処理性能をより精度よく推定し、入力トラフィックを処理可能なスケール数をより精度よく推定する技術を提供することができる。
本発明の第１の実施の形態としてのスケール数管理システムの構成を示すブロック図である。 本発明の第１の実施の形態としてのスケール数管理システムのハードウェア構成図である。 本発明の第１の実施の形態としてのスケール数管理システムの履歴取得動作を説明するフローチャートである。 本発明の第１の実施の形態としてのスケール数管理システムの性能モデル生成動作を説明するフローチャートである。 本発明の第１の実施の形態としてのスケール数管理システムのスケール数推定動作を説明するフローチャートである。 本発明の第１の実施の形態としてのスケール数管理システムのスケール数制御動作を説明するフローチャートである。 本発明の第２の実施の形態としてのスケール数管理システムの構成を示すブロック図である。 本発明の第２の実施の形態としてのスケール数管理システムの性能モデル生成動作を説明するフローチャートである。 本発明の第２の実施の形態としてのスケール数管理システムのチェーンインスタンス情報生成動作を説明するフローチャートである。 本発明の第２の実施の形態としてのスケール数管理システムのスケール数制御動作を説明するフローチャートである。 本発明の第２の実施の形態における機能ルール設定履歴の一例を示す図である。 本発明の第２の実施の形態におけるサービス履歴の一例を示す図である。 本発明の第２の実施の形態における機能ルール定量値情報の一例を示す図である。 本発明の第２の実施の形態における性能モデルの一例を示す図である。 本発明の第２の実施の形態におけるサービスチェーン定義情報の一例を示す図である。 本発明の第２の実施の形態における入力トラフィック情報の一例を示す図である。 本発明の第２の実施の形態におけるチェーンインスタンス情報の一例を示す図である。 関連技術のノードに設定される機能ルールの一例を示す図である。
　以下、本発明の実施の形態について、図面を参照して詳細に説明する。
　（第１の実施の形態）
　本発明の第１の実施の形態としてのスケール数管理システム１の構成を図１に示す。図１において、スケール数管理システム１は、スケール数推定装置１０と、ネットワーク機能提供装置３０と、取得装置５０と、制御装置７０とを備える。また、スケール数推定装置１０は、取得装置５０および制御装置７０と、それぞれ通信可能に接続されている。また、ネットワーク機能提供装置３０は、取得装置５０および制御装置７０と、それぞれ通信可能に接続されている。また、スケール数推定装置１０は、機能ルール定量化部１１と、サービス量算出部１２と、性能モデル生成部１３と、性能モデル記憶部１３０と、スケール数推定部１４とを有する。なお、性能モデル記憶部１３０は、本発明の性能モデル生成部の一部の一実施形態を構成する。また、ネットワーク機能提供装置３０は、１つ以上のノード３１を含む。また、ノード３１内では、それぞれ、１つ以上のノードインスタンス３２が稼働する。また、取得装置５０は、機能ルール設定履歴記憶部５０１およびサービス履歴記憶部５０２を含む。
　ここで、スケール数推定装置１０、ネットワーク機能提供装置３０、取得装置５０、および、制御装置７０は、それぞれ、図２に示すようなハードウェア要素によって構成されていてもよい。具体的には、スケール数推定装置１０は、コンピュータ装置１００によって構成可能である。コンピュータ装置１００は、ＣＰＵ（Central Processing Unit）１００１と、ＲＡＭ（Random Access Memory）１００２と、ＲＯＭ（Read Only Memory）１００３と、ハードディスク等の記憶装置１００４と、ネットワークインタフェース１００５とを備える。また、ネットワーク機能提供装置３０は、コンピュータ装置３００によって構成可能である。コンピュータ装置３００は、ＣＰＵ３００１と、ＲＡＭ３００２と、ＲＯＭ３００３と、ハードディスク等の記憶装置３００４と、ネットワークインタフェース３００５とを備える。また、取得装置５０は、コンピュータ装置５００によって構成可能である。コンピュータ装置５００は、ＣＰＵ５００１と、ＲＡＭ５００２と、ＲＯＭ５００３と、ハードディスク等の記憶装置５００４と、ネットワークインタフェース５００５とを備える。また、制御装置７０は、コンピュータ装置７００によって構成可能である。コンピュータ装置７００は、ＣＰＵ７００１と、ＲＡＭ７００２と、ＲＯＭ７００３と、ハードディスク等の記憶装置７００４と、ネットワークインタフェース７００５とを備える。この場合、スケール数推定装置１０と、取得装置５０および制御装置７０とは、ネットワークインタフェース１００５、５００５および７００５によってそれぞれ通信可能に接続される。また、ネットワーク機能提供装置３０と、取得装置５０および制御装置７０とは、ネットワークインタフェース３００５、５００５および７００５によってそれぞれ通信可能に接続される。なお、ネットワーク機能提供装置３０は、ネットワークインタフェース３００５に加えて、ネットワーク機能の提供先となるサービス側や端末側に接続するための図示しないネットワークインタフェースを備えている。
　図２のようなハードウェア要素によってスケール数管理システム１が構成される場合、機能ルール定量化部１１、サービス量算出部１２、および、スケール数推定部１４の各機能ブロックは、次のように構成される。すなわち、これらの各機能ブロックは、ネットワークインタフェース１００５と、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１とによって構成される。また、性能モデル生成部１３は、ＲＯＭ１００３および記憶装置１００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ１００２に読み込んで実行するＣＰＵ１００１によって構成される。また、ノード３１およびノードインスタンス３２は、ＲＯＭ３００３および記憶装置３００４に記憶されたコンピュータ・プログラムおよび各種データをＲＡＭ３００２に読み込んで実行するＣＰＵ３００１によって構成される。また、取得装置５０の機能ルール設定履歴記憶部５０１およびサービス履歴記憶部５０２は、記憶装置５００４によって構成される。なお、各装置およびその各機能ブロックのハードウェア構成は、上述の構成に限定されない。例えば、各装置は、一部または全部が同一のコンピュータ装置上に実現されていてもよい。具体例としては、スケール数推定装置１０および取得装置５０が同一のコンピュータ装置上に実現され、ネットワーク機能提供装置３０および制御装置７０が同一のコンピュータ装置上に実現されていてもよい。その場合、情報の送受信が必要な装置間は、ネットワークインタフェースを介して接続される代わりに、記憶装置を介して情報を入出力することにより接続されていてもよい。
　次に、各装置の機能ブロックについて説明する。
　ネットワーク機能提供装置３０のノード３１は、設定された機能ルールに基づいて、ネットワーク機能を提供する。
　ノードインスタンス３２は、ノード３１のインスタンスであり、それぞれが仮想マシンとして実現される。稼働中のノードインスタンス３２は、外部からの要求に応じて、ネットワーク機能を提供する処理（サービス）を実行する。
　取得装置５０は、ネットワーク機能提供装置３０から、各ノード３１の機能ルール設定履歴と、各ノード３１のサービス履歴とを取得する。また、取得装置５０は、取得した機能ルール設定履歴を、機能ルール設定履歴記憶部５０１に記憶しておく。また、取得装置５０は、取得したサービス履歴を、サービス履歴記憶部５０２に記憶しておく。
　ここで、機能ルール設定履歴は、ノード３１に設定される機能ルールの設定履歴を表す。例えば、機能ルール設定履歴は、ノード３１に設定された機能ルールの設定内容と、その設定時刻とを含む設定情報の履歴であってもよい。また、取得装置５０は、ネットワーク機能提供装置３０において新たなノード３１に機能ルールが設定された場合や、既存のノード３１の機能ルールが変更された場合、機能ルール設定履歴をさらに取得する。そして、取得装置５０は、新たに取得した機能ルール設定履歴を、機能ルール設定履歴記憶部５０１に追加して記憶しておく。
　また、例えば、サービス履歴は、各ノード３１のノードインスタンス３２により実行された処理に要したサービス時間と、処理されたデータ量との組を含む情報であってもよい。また、取得装置５０は、ネットワーク機能提供装置３０においてノードインスタンス３２により新たに処理が実行されると、そのサービス履歴をさらに取得し、サービス履歴記憶部５０２に追加して記憶しておく。
　スケール数推定装置１０の機能ルール定量化部１１は、ノード３１の機能ルール設定履歴に基づいて、機能ルールを定量化した機能ルール定量値を算出する。機能ルール定量値は、機能ルールの設定内容を定量的に表現可能な情報である。具体的には、スケール数推定装置１０は、取得装置５０の機能ルール設定履歴記憶部５０１から、機能ルール設定履歴を取得する。そして、機能ルール定量化部１１は、各ノード３１についての機能ルールの設定情報毎に、機能ルール定量値を算出する。もし、同じノード３１について複数の設定情報があれば、機能ルール定量化部１１は、同じノード３１について複数の機能ルール定量値を算出することになる。
　サービス量算出部１２は、ノード３１のサービス履歴に基づいて、ノードインスタンス３２の単位時間あたりのサービス量を算出する。具体的には、サービス量算出部１２は、取得装置５０から、サービス履歴を取得する。例えば、サービス量算出部１２は、サービス履歴に含まれるサービス時間とデータ量とに基づいて、単位時間あたりのサービス量を算出可能である。
　また、サービス量算出部１２は、各ノード３１について算出したサービス量を、そのノード３１の機能ルール定量値と対応付けて、記憶装置１００４に記憶しておく。もし、１つのノード３１について、複数の機能ルール定量値が算出されている場合、サービス量算出部１２は、各機能ルール定量値について、その機能ルール定量値が有効な期間におけるサービス履歴に基づいて前述のサービス量を求めてもよい。そして、サービス量算出部１２は、求めたサービス量を、該当する機能ルール定量値に対応付けておく。なお、機能ルール定量値の有効期間は、機能ルール設定履歴に含まれる機能ルールの設定時刻から算出可能である。
　性能モデル生成部１３は、各ノード３１について得られた機能ルール定量値およびサービス量の組に基づいて、ノード３１に対する入力トラフィック量と、機能ルール定量値と、ノードインスタンス３２の数（スケール数）との関係を表す性能モデルを生成する。つまり、性能モデルは、ノード３１の機能ルール定量値および入力トラフィック量に応じてノードインスタンス３２の数を算出可能な計算式を含む。また、性能モデル生成部１３は、各ノード３１について生成した性能モデルを、性能モデル記憶部１３０に記憶しておく。
　スケール数推定部１４は、ノード３１に想定される入力トラフィック量および機能ルール定量値に基づいて、そのノード３１の性能モデルを用いてスケール数を推定する。また、スケール数推定部１４は、ノード３１毎に推定したスケール数を表す情報を、制御装置７０に対して出力する。
　制御装置７０は、スケール数推定装置１０から出力された各ノード３１のスケール数に基づいて、ネットワーク機能提供装置３０におけるノード３１内のノードインスタンス３２の数を制御する。
　以上のように構成されたスケール数管理システム１の動作について、図面を参照して説明する。
　まず、取得装置５０による履歴取得動作を図３に示す。
　図３では、まず、取得装置５０は、ネットワーク機能提供装置３０から、ノード３１の機能ルール設定履歴を取得する（ステップＡ１）。前述のように、取得装置５０は、取得した機能ルール設定履歴を、機能ルール設定履歴記憶部５０１に記憶する。
　また、サービス量算出部１２は、ネットワーク機能提供装置３０から、ノード３１のサービス履歴を取得する（ステップＡ２）。前述のように、取得装置５０は、取得したサービス履歴を、サービス履歴記憶部５０２に記憶する。
　なお、ステップＡ１およびステップＡ２の動作は、この順に実行されなくてもよい。また、ステップＡ１およびステップＡ２の動作は、略同時に実行されてもよい。また、ステップＡ１およびステップＡ２の動作は、指定された期間の間繰り返し実行されてもよい。
　次に、スケール数推定装置１０によるサービスモデル生成動作を図４に示す。
　図４では、まず、機能ルール定量化部１１は、取得装置５０の機能ルール設定履歴記憶部５０１およびサービス履歴記憶部５０２から、機能ルール設定履歴およびサービス履歴を読み出す（ステップＢ１）。
　次に、機能ルール定量化部１１は、機能ルール設定履歴に記録されているノード３１毎に、以下のステップＢ２～Ｂ４を繰り返す。
　ここでは、まず、機能ルール定量化部１１は、このノード３１についての機能ルール設定履歴から、機能ルール定量値を算出する（ステップＢ２）。
　前述のように、機能ルール定量化部１１は、このノード３１についての設定情報毎に、機能ルール定量値を求めればよい。
　次に、サービス量算出部１２は、ステップＢ２で求められたこのノード３１の各機能ルール定量値について、このノード３１で稼働するノードインスタンス３２の単位時間あたりのサービス量を算出する（ステップＢ３）。
　具体的には、サービス量算出部１２は、各機能ルール定量値の有効期間におけるこのノード３１のサービス履歴を用いて、対応するサービス量を求めればよい。また、サービス量算出部１２は、該当するサービス履歴に含まれる各処理のデータ量およびサービス時間に基づいてサービス量を求めればよい。そして、サービス量算出部１２は、各機能ルール定量値について、対応するサービス量を対応付けておく。
　次に、性能モデル生成部１３は、このノード３１について得られた機能ルール定量値およびサービス量の組の集合に基づいて、このノード３１に対する入力トラフィック量と、機能ルール定量値と、スケール数との関係を表す性能モデルを生成する（ステップＢ４）。そして、性能モデル生成部１３は、このノード３１について生成した性能モデルを、性能モデル記憶部１３０に記憶する。
　各ノード３１についてステップＢ２～Ｂ４の実行を終えると、スケール数推定装置１０は、サービスモデル生成動作を終了する。
　次に、スケール数推定装置１０によるスケール数推定動作を図５に示す。なお、図５では、スケール数を推定する対象となるノード３１が指定されているものとする。
　図５では、まず、スケール数推定部１４は、推定対象のノード３１について想定される入力トラフィック量と、ノード３１に設定される機能ルールの内容とを取得する（ステップＣ１）。例えば、スケール数推定部１４は、推定対象となるノード３１に想定される入力トラフィック量および機能ルールの内容を、入力装置（図示せず）、ネットワークインタフェース１００５、または、記憶装置１００４等から取得してもよい。
　次に、機能ルール定量化部１１は、ステップＣ１で取得された機能ルールに基づいて、機能ルール定量値を算出する（ステップＣ２）。
　次に、スケール数推定部１４は、このノード３１の性能モデルを性能モデル記憶部１３０から取得する。そして、スケール数推定部１４は、このノード３１の性能モデルに、ステップＣ１で取得された入力トラフィック量およびステップＣ２で算出された機能ルール定量値を適用する。これにより、スケール数推定部１４は、このノード３１のスケール数を算出し、制御装置７０に出力する（ステップＣ３）。
　次に、制御装置７０のスケール数制御動作を図６に示す。
　図６では、まず、制御装置７０は、スケール数推定装置１０から出力されたスケール数を取得する（ステップＤ１）。
　次に、制御装置７０は、取得したスケール数に基づいて、ネットワーク機能提供装置３０上のノード３１におけるノードインスタンス３２の数を制御する（ステップＤ２）。例えば、このノード３１について稼働中のノードインスタンス３２の数が、推定したスケール数と異なれば、制御装置７０は、推定したスケール数となるようノードインスタンス３２の数を変更する。また、このノード３１がまだ稼働していなければ、推定したスケール数だけ、このノード３１のノードインスタンス３２を生成して稼働させる。
　以上で、制御装置７０は、スケール数制御動作を終了する。なお、スケール数管理システム１は、ネットワーク機能提供装置３０で稼働中または稼働予定の各ノード３１について、上述のステップＣ１～Ｃ３、Ｄ１～Ｄ２の動作を繰り返してもよい。
　次に、本発明の第１の実施の形態の効果について述べる。
　本発明の第１の実施の形態としてのスケール数管理システムは、ネットワーク機能を提供するノードにおけるインスタンスの処理性能をより精度よく推定し、入力トラフィックを処理可能なスケール数をより精度よく制御することができる。
　その理由について説明する。本実施の形態では、取得装置が、ネットワーク機能提供装置の各ノードに設定された機能ルール設定履歴およびサービス履歴を取得する。そして、スケール数推定装置の機能ルール定量化部が、機能ルール設定履歴に基づき、機能ルール定量値を算出する。また、サービス量算出部が、サービス履歴に基づき、各ノードのノードインスタンスの単位時間あたりのサービス量を算出する。そして、性能モデル生成部が、機能ルール定量値およびサービス量の組に基づいて、入力トラフィック量と、機能ルール定量値と、スケール数との関係を表す性能モデルを生成する。そして、スケール数推定部が、性能モデルを用いて、想定される入力トラフィック量に応じたノードインスタンス数を推定する。そして、制御装置が、推定されたスケール数に基づいて、ノードインスタンス数を制御するからである。
　これにより、本実施の形態は、ノードにおけるインスタンスの処理性能の推定精度を向上させることができる。その結果、本実施の形態は、ノードに設定される機能ルールの内容やその変更に応じて、想定される入力トラフィックを必要最小限のリソースで処理可能なスケール数をより精度よく見積もることができる。
　（第２の実施の形態）
　次に、本発明の第２の実施の形態について図面を参照して詳細に説明する。本実施の形態では、本発明におけるネットワーク機能提供装置に、サービスチェーン実行装置を適用した例について説明する。サービスチェーン実行装置は、複数のノードを連結して機能させるサービスチェーンを実行する装置である。なお、本実施の形態の説明において参照する各図面において、本発明の第１の実施の形態と同一の構成および同様に動作するステップには同一の符号を付して本実施の形態における詳細な説明を省略する。
　まず、本発明の第２の実施の形態としてのスケール数管理システム２の構成を図７に示す。図７において、スケール数管理システム２は、スケール数推定装置２０と、サービスチェーン実行装置４０と、取得装置５０と、制御装置８０とを含む。なお、サービスチェーン実行装置４０は、本発明のネットワーク機能提供装置の一実施形態を構成する。また、本発明の第１の実施の形態と同様に、スケール数推定装置２０およびサービスチェーン実行装置４０は、それぞれ、取得装置５０および制御装置８０と通信可能に接続されている。また、スケール数推定装置２０は、機能ルール定量化部２１と、サービス量算出部２２と、性能モデル生成部２３と、性能モデル記憶部２３０と、チェーンインスタンス生成部２４とを有する。なお、性能モデル記憶部２３０は、本発明の性能モデル生成部の一実施形態を構成する。また、チェーンインスタンス生成部２４は、本発明のスケール数推定部の一実施形態を構成する。サービスチェーン実行装置４０は、サービスチェーン４３と、ノード３１と、ノードインスタンス３２とを有する。ここで、スケール数管理システム２を構成する各装置およびその各機能ブロックは、本発明の第１の実施の形態と同様に、図２に示したハードウェア要素によってそれぞれ構成可能である。なお、各装置およびその各機能ブロックのハードウェア構成は、上述の構成に限定されない。
　次に、各装置の機能ブロックについて説明する。
　サービスチェーン実行装置４０は、複数のノード３１を連結して機能させるサービスチェーン４３を実行する装置である。サービスチェーン４３は、端末向けに各種のＩＴサービスを提供する装置に対して、ＩＴサービスの内容に応じた一連のネットワーク機能を連携させて提供する。例えば、端末に対するウェブサービス提供に必要となるネットワーク機能を提供するサービスチェーン４３や、動画配信システム提供に必要となるサービスチェーン４３等があってもよい。
　サービスチェーン４３は、定義情報により定義される。例えば、サービスチェーン４３の定義情報は、連結させる各ノード３１と、各ノード３１に設定される機能ルールとを含む情報であってもよい。
　また、サービスチェーン４３は、サービスチェーン４３の定義情報に基づいてサービスチェーン４３のインスタンス（チェーンインスタンス）が生成されることにより動作するよう構成される。動作中のサービスチェーン４３は、流入する入力トラフィックを、各ノード３１のノードインスタンス３２により順次処理することにより、一連のネットワーク機能を提供する。サービスチェーン実行装置４０では、１つ以上のサービスチェーン４３が稼働可能である。
　取得装置５０は、本発明の第１の実施の形態と同様に構成される。これにより、取得装置５０は、サービスチェーン実行装置４０から、サービスチェーン４３を構成する各ノード３１の機能ルール設定履歴と、サービス履歴とを取得する。
　本実施の形態では、機能ルール設定履歴は、ノード３１を識別するノードＩＤと、機能ルールの内容を表す情報と、その機能ルールの設定が有効となった時を表す情報（タイムスタンプ）とを含むものとする。また、サービス履歴は、ノードＩＤと、処理の開始時間および終了時間と、処理されたデータ量とを含むものとする。取得装置５０は、このような機能ルール設定履歴およびサービス履歴を、機能ルール設定履歴記憶部５０１およびサービス履歴記憶部５０２に記憶する。
　スケール数推定装置２０の機能ルール定量化部２１は、サービスチェーン実行装置４０から取得された機能ルール設定履歴を参照し、機能ルールの数に基づいて、機能ルール定量値を算出する。例えば、機能ルール定量値は、機能ルール数そのものであってもよい。また、機能ルール定量化部２１は、算出した機能ルール定量値について、ノードＩＤと、そのタイムスタンプとを対応付けておく。
　サービス量算出部２２は、サービスチェーン実行装置４０から取得されたサービス履歴を参照し、各ノード３１について、機能ルール定量値の有効期間毎に、サービス量を算出する。そして、サービス量算出部２２は、有効期間毎に算出したサービス量を、その有効期間における機能ルール定量値と、該当するノードＩＤと対応付けておく。
　前述のように、サービス履歴には、ノードＩＤと、処理の開始時間および終了時間と、処理されたデータ量とが含まれている。また、機能ルール定量化部２１によって、ノードＩＤと、機能ルール定量値と、タイムスタンプとが対応付けられている。そこで、サービス量算出部２２は、同一のノードＩＤのノード３１について算出されている機能ルール定量値毎に、まずその有効期間を算出する。具体的には、サービス量算出部２２は、あるノードＩＤのある機能ルール定量値について、そのタイムスタンプから、同一のノードＩＤの他の機能ルール定量値のタイムスタンプのうち次に新しいタイムスタンプまでを、その有効期間とすればよい。
　そして、サービス量算出部２２は、機能ルール定量値の有効期間毎に、該当するノードＩＤを含むその有効期間のサービス履歴において、データ量の平均値を、開始時間から終了時間までのサービス時間の平均値で割ってサービス量を求めてもよい。なお、有効期間のサービス履歴とは、開始時間および終了時間の双方またはいずれかが有効期間に含まれるサービス履歴であってもよい。そして、サービス量算出部２２は、ノードＩＤと、機能ルール定量値と、サービス量とを対応付けておく。
　例えば、あるノード３１について、機能ルール定量値ｒ１および機能ルール定量値ｒ２が求められているとする。また、機能ルール定量値ｒ１にはタイムスタンプｔ１が対応付けられ、機能ルール定量値ｒ２にはタイムスタンプｔ２が対応付けられているとする。ただし、タイムスタンプｔ２はタイムスタンプｔ１より新しいものとする。この場合、サービス量算出部２２は、機能ルール定量値ｒ１の有効期間として、タイムスタンプｔ１からｔ２までを算出する。また、さらに、同じノード３１について、タイムスタンプｔ２より新しいタイムスタンプが対応付けられた機能ルール定量値がないとする。この場合、サービス量算出部２２は、機能ルール定量値ｒ２の有効期間として、タイムスタンプｔ２から現時点を算出する。なお、ここでいう現時点とは、例えば、その有効期間を算出する処理時であってもよいし、サービス履歴が得られている最新の時点までであってもよい。
　そして、この場合、サービス量算出部２２は、このノード３１について、タイムスタンプｔ１～ｔ２までのサービス履歴に基づいてサービス量ｓ１を算出し、ノードＩＤと、機能ルール定量値ｒ１と対応付ける。また、サービス量算出部２２は、同じノード３１について、タイムスタンプｔ２～現時点までのサービス履歴に基づいて、サービス量ｓ２を算出し、ノードＩＤと、機能ルール定量値ｒ２と対応付ける。
　性能モデル生成部２３は、サービス量推定式、および、サービス量と入力トラフィック量とスケール数との関係を表す方程式を、性能モデルとして生成する。
　具体的には、性能モデル生成部２３は、各ノード３１について機能ルール定量値の有効期間毎に得られたサービス量および機能ルール定量値の組の集合を用いて、サービス量を目的変数、機能ルール定量値を説明変数とした統計解析を行う。これにより、性能モデル生成部２３は、サービス量推定式を生成する。サービス量推定式は、例えば、次式（１）で表される。
Figure JPOXMLDOC01-appb-I000001
　　　　　・・・（１）
ここで、rulen1は、ノードｎ１の機能ルール定量値を示し、μn1は、ノードｎ１のサービス量を示す。このようなサービス量推定式（１）により、あるノード３１の機能ルール定量値から、サービス量を推定可能となる。
　また、性能モデル生成部２３は、ノード３１の振る舞いを表すモデルとして、複数窓口の待ち行列モデル(M/M/S)で用いられる次式（２）を採用する。
ρ=λ/Sμ
　　　　　・・・（２）
ここで、λは、ノード３１に到着するトラフィック量（例えば、Mbps：メガバイト毎秒）を示す。また、μは、前述のサービス量推定式（１）により推定されるノード３１のサービス量を示す。また、Sは、ノード３１における並列処理の数であるスケール数（ノードインスタンス３２の数）を示す。また、ρは、稼働率を示し、各ノード３１における処理の混雑度（０～１）を表す。稼働率ρは、１に近くなるほど待ち時間が長いことを表す。稼働率ρには、規定値が設定されるものとする。
　性能モデル生成部２３は、式（１）のサービス量推定式と、式（２）の方程式とを性能モデルとして生成する。例えば、性能モデル生成部２３は、式（１）と、式（２）と、稼働率ρの値と、ノードＩＤとを対応付けて、性能モデル記憶部２３０に記憶する。
　チェーンインスタンス生成部２４は、サービスチェーン４３の定義情報と、サービスチェーン４３に想定される入力トラフィック量の情報とを取得する。サービスチェーン４３の定義情報には、前述のように、連結させる各ノード３１と、各ノード３１に設定される機能ルールの内容とが含まれる。また、想定される入力トラフィック量の情報は、例えば、そのサービスチェーン４３による処理として想定される最大の入力トラフィック量であってもよい。そして、チェーンインスタンス生成部２４は、サービスチェーン４３の定義情報に含まれる各ノード３１について、性能モデルを用いて、入力トラフィック量および機能ルール定量値に応じたスケール数を推定する。具体的には、チェーンインスタンス生成部２４は、各ノード３１について、定義情報から得られる機能ルール定量値と、取得した入力トラフィック量とを、その性能モデルの式（１）および（２）に適用することにより、スケール数を求めればよい。
　また、チェーンインスタンス生成部２４は、推定したスケール数と、サービスチェーン４３の定義情報とを用いて、そのサービスチェーン４３のチェーンインスタンス情報を生成する。チェーンインスタンス情報は、チェーンインスタンスを生成に必要となる情報である。例えば、チェーンインスタンス情報は、サービスチェーン４３の定義情報に含まれる情報に加えて、含まれる各ノード３１のスケール数を含む情報であってもよい。チェーンインスタンス生成部２４は、生成したチェーンインスタンス情報を、制御装置８０に出力する。
　制御装置８０は、チェーンインスタンス情報に基づいて、サービスチェーン４３のインスタンスを生成する。具体的には、制御装置８０は、チェーンインスタンス情報に含まれる各ノード３１について、設定されたスケール数のノードインスタンス３２を、その機能ルールにしたがって、サービスチェーン実行装置４０上に生成すればよい。もし、チェーンインスタンス情報の示すチェーンインスタンスが既にサービスチェーン実行装置４０上で稼働中の場合、制御装置８０は、各ノード３１のスケール数を、チェーンインスタンス情報に含まれるスケール数に調整すればよい。
　以上のように構成されたスケール数管理システム２の動作について、図面を参照して説明する。
　なお、取得装置５０がサービスチェーン実行装置４０から機能ルール設定履歴およびサービス履歴を取得する動作は、図３を参照して説明した本発明の第１の実施の形態の履歴取得動作と同様である。ただし、前述のように、本実施の形態では、機能ルール設定履歴として、ノードＩＤと、機能ルールの設定内容と、タイムスタンプとを含む情報が取得される。また、サービス履歴として、ノードＩＤと、処理の開始時間および終了時間と、データ量とを含む情報が取得される。
　次に、スケール数推定装置２０によるサービスモデル生成動作を図８に示す。
　図８では、まず、機能ルール定量化部２１は、本発明の第１の実施の形態と同様にステップＢ１を実行し、機能ルール設定履歴およびサービス履歴を読み出す。
　次に、機能ルール定量化部２１は、機能ルール設定履歴に記録されているノード３１毎に、以下のステップＢ１２～Ｂ１４を繰り返す。
　ここでは、まず、機能ルール定量化部２１は、このノード３１に関する機能ルール設定履歴に含まれる各設定情報の機能ルール数をカウントし、機能ルール定量値とする。そして、機能ルール定量化部２１は、このノード３１のノードＩＤと、算出した機能ルール定量値と、該当する設定情報に含まれるタイムスタンプとを対応付ける（ステップＢ１２）。
　次に、サービス量算出部２２は、ステップＢ１２で求められたこのノード３１の機能ルール定量値毎に、以下のステップＢ１３～Ｂ１４を繰り返す。
　ここでは、まず、サービス量算出部２２は、この機能ルール定量値の有効期間を算出する（ステップＢ１３）。
　前述のように、サービス量算出部２２は、この機能ルール定量値に対応する設定情報のタイムスタンプから、このノード３１について次に新しい設定情報のタイムスタンプまでを、有効期間として算出すればよい。
　次に、サービス量算出部２２は、算出した有効期間のサービス履歴において、各処理のデータ量の平均値をサービス時間の平均値で割った値を、サービス量として算出する。そして、サービス量算出部２２は、この機能ルール定量値と、算出したサービス量と、このノードＩＤとを対応付ける（ステップＢ１４）。
　このノード３１について算出した各機能ルール定量値についてステップＢ１３～Ｂ１４の処理が終了すると、次に、性能モデル生成部２３は、このノード３１について性能モデルを生成する。
　具体的には、まず、性能モデル生成部２３は、得られた機能ルール定量値およびサービス量の組の集合を用いて、サービス量推定式（１）を生成する（ステップＢ１５）。
　前述のように、性能モデル生成部２３は、サービス量を目的変数、ルール量を説明変数とした統計解析を行うことにより、前述のサービス量推定式（１）におけるＡおよびＢを決定すればよい。
　次に、性能モデル生成部２３は、ステップＢ１５で生成したサービス量推定式（１）と、複数窓口の待ち行列モデル(M/M/S)で用いられる方程式（２）とを含む性能モデルを生成する（ステップＢ１６）。
　具体的には、性能モデル生成部２３は、サービス量推定式（１）と、複数窓口の待ち行列モデル(M/M/S)で用いられる方程式（２）と、稼働率ρの規定値とを、このノード３１のノードＩＤに対応付けて、性能モデル記憶部２３０に記憶すればよい。
　以上で、スケール数管理システム２は、性能モデル生成動作を終了する。
　次に、スケール数管理システム２のチェーンインスタンス情報生成動作を図９に示す。
　図９では、まず、チェーンインスタンス生成部２４は、サービスチェーン４３の定義情報、および、サービスチェーン４３に流入が想定される入力トラフィック量を取得する（ステップＣ１１）。例えば、チェーンインスタンス生成部２４は、そのような定義情報および入力トラフィック量を、入力装置（図示せず）、ネットワークインタフェース１００５、または、記憶装置１００４等から取得してもよい。
　前述のように、サービスチェーン４３の定義情報には、各サービスチェーン４３において連結させるノード３１のノードＩＤおよび各ノード３１に設定される機能ルールが含まれる。また、想定される入力トラフィック量としては、各サービスチェーン４３が処理することが想定される最大の入力トラフィック量が取得されてもよい。
　次に、チェーンインスタンス生成部２４は、サービスチェーン４３の定義情報を元に、その構成要素である各ノード３１について、以下のステップＣ１２～Ｃ１５の動作を繰り返す。
　ここでは、まず、チェーンインスタンス生成部２４は、このノード３１の性能モデルを、性能モデル記憶部２３０より取り出す（ステップＣ１２）。
　次に、チェーンインスタンス生成部２４は、サービスチェーン定義情報に含まれるこのノード３１の機能ルールから、機能ルール定量化部２１を用いて機能ルール定量値を算出する（ステップＣ１３）。
　次に、チェーンインスタンス生成部２４は、このノード３１の性能モデルのサービス量推定式（１）に、ステップＣ１３で算出した機能ルール定量値を代入する。これにより、チェーンインスタンス生成部２４は、サービス量を算出する（ステップＣ１４）。
　次に、チェーンインスタンス生成部２４は、このノード３１の性能モデルに含まれる方程式（２）に、ステップＣ１４で算出したサービス量と、ステップＣ１１で取得した入力トラフィック量とを代入する。これにより、チェーンインスタンス生成部２４は、稼働率ρを満たすことのできるスケール数を算出する（ステップＣ１５）。
　このサービスチェーン４３を構成する各ノード３１について、ステップＣ１２～Ｃ１５の処理を終了すると、チェーンインスタンス生成部２４は、チェーンインスタンス情報を生成し、制御装置８０に出力する（ステップＣ１６）。
　前述のように、チェーンインスタンス情報は、サービスチェーン４３のインスタンスを生成するための情報を表す。チェーンインスタンス生成部２４は、このサービスチェーン４３の定義情報と、各ノード３１について推定したスケール数とに基づいて、チェーンインスタンス情報を生成すればよい。
　以上で、スケール数推定装置２０は、チェーンインスタンス生成動作を終了する。
　次に、制御装置８０のスケール数制御動作を図１０に示す。
　図１０では、まず、制御装置８０は、スケール数推定装置２０からチェーンインスタンス情報を取得する（ステップＤ１１）。
　次に、制御装置８０は、取得したチェーンインスタンス情報に含まれる各チェーンインスタンスについて、以下のステップＤ１２～Ｄ１４を繰り返す。
　ここでは、まず、制御装置８０は、該当するチェーンインスタンスがまだ作成されていない場合（ステップＤ１２でＮｏ）、サービスチェーン実行装置４０上に、このチェーンインスタンスを生成する。具体的には、制御装置８０は、チェーンインスタンスを構成する各ノード３１のノードインスタンス３２を、スケール数だけ生成する（ステップＤ１３）。
　一方、該当するチェーンインスタンスが既に動作している場合（ステップＤ１２でＹｅｓ）、制御装置８０は、そのチェーンインスタンスに含まれる各ノード３１について、ノードインスタンス３２の数がスケール数となるよう変更する（ステップＤ１４）。
　以上で、スケール数管理システム２は、スケール数制御動作を終了する。
　次に、スケール数管理システム２の動作を具体例で示す。この具体例では、サービスチェーン実行装置４０では、既にいくつかのサービスチェーン４３が稼働しているものとする。また、各ノード３１を識別するノードＩＤを「nodeX」などと表し、ノードＩＤがnodeXのノード３１を、単に「nodeX」とも記載する。
　＜機能ルール設定履歴およびサービス履歴の取得動作＞
　まず、取得装置５０は、サービスチェーン実行装置４０から、サービスチェーン４３における各ノード３１について機能ルール設定履歴を取得し、機能ルール設定履歴記憶部５０１に記憶する（ステップＡ１）。取得された機能ルール設定履歴は、ノードＩＤと、機能ルールの設定内容と、タイムスタンプとを含む。ここでは、図１１に示す機能ルール設定履歴が取得されたものとする。図１１では、例えばnodePの場合、タイムスタンプ「2014/03/09: 09:00:00.000」に、ＳＳＨ（Secure SHell）関連で２つ、ＤＮＳ（Domain Name System）関連で４つの合計６つの機能ルールが設定されている。なお、図１１に示す機能ルール設定履歴は、各設定情報に、ノード３１の機能のタイプを示す情報を含んでいるが、本実施の形態における機能ルール設定履歴は、少なくともノードＩＤと、機能ルールの設定内容と、タイムスタンプとを含んでいればよい。
　次に、取得装置５０は、サービスチェーン実行装置４０から、サービスチェーン４３における各ノード３１のサービス履歴を取得し、サービス履歴記憶部５０２に記憶する（ステップＡ２）。取得されたサービス履歴は、ノードＩＤと、処理の開始時間および終了時間と、処理したデータ量とを含む。ここでは、図１２に示すサービス履歴が取得されたものとする。なお、図１２に示すサービス履歴は、各処理の履歴に、ノード３１の機能のタイプを示す情報を含んでいるが、本実施の形態におけるサービス履歴は、少なくともノードＩＤと、処理の開始時間および終了時間と、データ量とを含んでいればよい。
　このようにして、取得装置５０は、ステップＡ１～Ａ２の処理をある期間繰り返し、機能ルール設定履歴およびサービス履歴を蓄積する。
　＜性能モデル生成動作＞
　次に、性能モデル生成部２３は、機能ルール設定履歴記憶部５０１に記憶されている図１１の情報から、各ノード３１の設定情報毎に、機能ルールの数をカウントして機能ルール定量値とする。そして、ノードＩＤと、機能ルール定量値と、タイムスタンプとを対応付ける（ステップＢ１２）。これにより、図１３に示す機能ルール定量値情報が生成される。なお、図１３に示す機能ルール定量値情報は、ノード３１の機能のタイプを示す情報を含んでいるが、本実施の形態における機能ルール定量値情報は、少なくともノードＩＤと、機能ルール定量値と、タイムスタンプとを含んでいればよい。
　次に、サービス量算出部２２は、機能ルール定量値情報に基づいて、機能ルール定量値それぞれについて、その機能ルールが発効されてから更新されるまでの有効期間を求める（ステップＢ１３）。そして、サービス量算出部２２は、機能ルール定量値の有効期間毎にそのノード３１のサービス量を求める（ステップＢ１４）。
　例えば、図１３の機能ルール定量値情報では、nodeXの場合、タイムスタンプｔ１「2014/03/09: 08:00:00.000」に６つの機能ルールが設定されたあと、タイムスタンプｔ２「2014/03/10: 15:00:00.000」に８つの機能ルールに更新されている。そこで、nodeXの機能ルール定量値（ルール数６）については、ｔ１～ｔ２までの期間が有効期間となる。
　そして、サービス量算出部２２は、ｔ１～ｔ２までの期間におけるnodeXのサービス履歴を、図１２のサービス履歴から得る。そして、各履歴の開始時間および終了時間の差（サービス時間）の平均値で、データ量の平均値を割ることにより、処理能力を示すサービス量μを算出する。例えば、データ量の単位がＭｂ（メガバイト）であり、サービス時間の単位がｓ（秒）である場合、サービス量の単位は、「Mbps（メガバイト毎秒）」となる。
　サービス量算出部２２は、このような処理を、各ノード３１の各設定情報について繰り返すことにより、各ノード３１について、機能ルール定量値およびサービス量の値の組の集合を生成する。
　次に、性能モデル生成部２３は、各ノード３１について、サービス量を目的変数、ルール量を説明変数とした統計解析を行うことにより、式（１）に示したサービス量推定式における定数ＡおよびＢを求める。例えば、nodeXについて、
μ=59.1/rule+20.5”・・・（１’）
で表されるサービス量推定式が求められたとする。このサービス量推定式（１’）は、機能ルール定量値（ルール数）が増えるほど、サービス量が減少することを表す（ステップＢ１５）。
　そして、性能モデル生成部２３は、各ノード３１について、求めたサービス量推定式（１）と、複数窓口の待ち行列モデルで用いられる方程式（２）と、稼働率ρ（ここでは０．７）とを、性能モデルとして性能モデル記憶部２３０に記憶する（ステップＢ１６）。ここでは、例えば、性能モデル記憶部２３０には、図１４に示す性能モデルが記憶されたものとする。なお、図１４に示す性能モデルは、ノード３１の機能のタイプを示す情報を含んでいるが、本実施の形態の性能モデルは、少なくともノードＩＤ、サービス量推定式、サービス量と入力トラフィック量とスケール数との関係を表す方程式、および稼働率の値を含んでいればよい。
　＜チェーンインスタンス生成動作＞
　次に、チェーンインスタンス生成部２４は、サービスチェーン実行装置４０上に生成するサービスチェーン４３に関する定義情報として、図１５に示すサービスチェーン定義情報を取得する。図１５では、chain1というＩＤで識別されるサービスチェーン４３は、ＦＷとして機能するnode1、ＮＡＴとして機能するnode3、および、ＬＢとして機能するnode7を連結して機能させるものである。また、chain2というＩＤで識別されるサービスチェーン４３は、ＦＷとして機能するnode2、ＤＰＩ（Deep Packet Inspection）として機能するnode6を連結して機能させるものである。図１５に示すように、サービスチェーン定義情報は、サービスチェーン４３を構成するノードＩＤと、各ノード３１の機能ルールの設定内容とを含む。
　また、チェーンインスタンス生成部２４は、図１５に示したサービスチェーン定義情報に含まれる各サービスチェーン４３について、想定される最大の入力トラフィック量の情報を取得する。例えば、取得される情報は、図１６に示す通りとなる（ステップＣ１１）。
　次に、チェーンインスタンス生成部２４は、定義情報に含まれる各サービスチェーン４３について、その構成要素である各ノード３１の性能モデルを、性能モデル記憶部２３０に記憶された図１４に示す情報より取り出す（ステップＣ１２）。
　次に、チェーンインスタンス生成部２４は、各サービスチェーン４３の構成要素である各ノード３１について、定義情報で設定されている機能ルールを、機能ルール定量化部２１を用いて定量化する。例えば、図１５のサービスチェーン定義情報において、node1には、２つの機能ルールが設定されている。このため、node1の機能ルール定量値は「２」となる（ステップＣ１３）。
　次に、チェーンインスタンス生成部２４は、定義情報より求めたノード３１の機能ルール定量値を、そのノード３１の性能モデルに含まれるサービス量推定式（１）に代入する。例えば、図１４では、node1の性能モデルは、サービス量推定式（１’）「μ=59.1/rule+20.5」を含む。そこで、チェーンインスタンス生成部２４は、式（１’）に、機能ルール定量値「rule＝２」を代入することにより、サービス量を「μ＝50.05」と推定する（ステップＣ１４）。
　次に、チェーンインスタンス生成部２４は、図１６に示した入力トラフィック量の情報を参照し、node1を含むチェーンインスタンス「chain1」に想定される入力トラフィック量の値「λ=68(Mbps)」を求める。そして、チェーンインスタンス生成部２４は、方程式（２）ρ=λ/Sμに、「λ=68(Mbps)」と、サービス量推定式（１’）により求めた「μ＝50.05」とを代入する。これにより、チェーンインスタンス生成部２４は、稼働率0.7を満たすことのできるスケール数「２」を算出する（ステップＣ１５）。
　このように、チェーンインスタンス生成部２４は、ステップＣ１２～Ｃ１５の処理を各ノード３１について実行する。
　そして、チェーンインスタンス生成部２４は、推定した各ノード３１のスケール数と、図１５のサービスチェーン定義情報とを用いて、図１７に示すようなチェーンインスタンス情報を生成する（ステップＣ１６）。なお、図１７に示すチェーンインスタンス情報は、各ノード３１の機能ルール定量値を含んでいるが、必ずしも含む必要はない。本実施の形態のチェーンインスタンス情報は、サービスチェーンの定義情報に加えて、各チェーンインスタンスを構成する各ノード３１のスケール数を少なくとも含んでいればよい。
　＜スケール数制御動作＞
　次に、制御装置８０は、図１７のチェーンインスタンス情報を読み込み（ステップＤ１１）、サービスチェーン実行装置４０上に、チェーンインスタンスを作成する。具体的には、制御装置８０は、各サービスチェーン４３の各ノード３１について、指定されたスケール数のノードインスタンス３２を生成して稼働させる。または、制御装置８０は、既に稼働中のサービスチェーン４３については、各ノード３１のノードインスタンス３２の数を、チェーンインスタンス情報に含まれるスケール数となるよう調整する（ステップＤ１２～Ｄ１４）。
　以上で、スケール数管理システム２の具体的な動作の説明を終了する。
　次に、本発明の第２の実施の形態の効果について述べる。
　本発明の第２の実施の形態としてのスケール数管理システムは、サービスチェーン実行装置のノードにおけるインスタンスの処理性能をより精度よく推定し、入力トラフィックを処理可能なスケール数をより精度よく制御することができる。
　その理由について説明する。本実施の形態では、取得装置が、サービスチェーンの各ノードの機能ルール設定履歴およびサービス履歴を取得する。そして、スケール数推定装置の機能ルール定量化部が、サービスチェーンを構成する各ノードの機能ルール数に基づき機能ルール定量値を算出する。また、サービス量算出部が、各ノードにおいて処理されたデータ量の平均値をサービス時間の平均値で割ることにより、ノードインスタンスの単位時間あたりのサービス量を算出する。そして、性能モデル生成部が、機能ルール定量値およびサービス量の組の集合を統計解析することにより、機能ルール定量値からスケール数を推定するスケール数推定式を生成する。そして、性能モデル生成部が、スケール数推定式、および、サービス量と入力トラフィック量とスケール数との関係を表す方程式を含む性能モデルを生成する。そして、スケール数推定部が、性能モデルを用いて、サービスチェーンに流入が想定される入力トラフィック量および想定される機能ルールに応じたスケール数を推定する。そして、制御装置が、推定されたスケール数に基づいたノードインスタンス数となるようサービスチェーンを生成するからである。
　これにより、本実施の形態は、サービスチェーンの各ノードに設定される機能ルールの内容またはその変更に応じて、ノードインスタンスの処理性能の推定精度を向上できる。その結果、本実施の形態は、サービスチェーンに流入が想定される入力トラフィックを必要最小限のリソースで処理可能なスケール数をより精度よく見積もることができる。
　なお、本発明の第２の実施の形態において、機能ルール定量化部が、機能ルール数に基づいて機能ルール定量値を算出する例を中心に説明した。この他、機能ルール定量化部は、機能ルール定量値として、機能ルールの設定内容を定量化して表現可能な情報や、そのような情報の組合せに基づく値を算出してもよい。
　また、本発明の第２の実施の形態において、サービス量算出部は、各ノードにおけるノードインスタンスのサービス時間の平均値およびデータ量の平均値からサービス量を算出する例を中心に説明した。この他、サービス量は、各ノードのサービス履歴を用いたその他の算出方法により、各ノードについてノードインスタンスの単位時間あたりのサービス量を求めてもよい。
　また、本発明の第２の実施の形態において、性能モデルが、サービス量推定式および待ち行列モデルで用いられる方程式からなる例を中心に説明した。この他、性能モデルは、機能ルール定量値および入力トラフィック量からスケール数を推定可能なモデルであれば、その他のモデルであってもよい。
　また、上述した本発明の各実施の形態において、スケール数管理システムを構成する各装置の各機能ブロックが、記憶装置またはＲＯＭに記憶されたコンピュータ・プログラムを実行するＣＰＵによって実現される例を中心に説明した。この他、各装置の各機能ブロックの一部、全部、または、それらの組み合わせが専用のハードウェアにより実現されていてもよい。
　また、上述した本発明の各実施の形態において、スケール数管理システムを構成する各装置の機能ブロックは、複数の装置に分散されて実現されてもよい。また、前述したように、各装置の一部または全部は、同一の装置上に実現されていてもよい。
　また、上述した本発明の各実施の形態において、各フローチャートを参照して説明した各装置の動作を、本発明のコンピュータ・プログラムとしてコンピュータの記憶装置（記憶媒体）に格納しておいてもよい。そして、係るコンピュータ・プログラムを当該ＣＰＵが読み出して実行するようにしてもよい。そして、このような場合において、本発明は、係るコンピュータ・プログラムのコードあるいは記憶媒体によって構成される。
　また、上述した各実施の形態は、適宜組み合わせて実施されることが可能である。
　以上、上述した実施形態を模範的な例として本発明を説明した。しかしながら、本発明は、上述した実施形態には限定されない。即ち、本発明は、本発明のスコープ内において、当業者が理解し得る様々な態様を適用することができる。
　この出願は、２０１４年９月９日に出願された日本出願特願２０１４－１８２８１４を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　１、２　　スケール数管理システム
　１０、２０　　スケール数推定装置
　３０　　ネットワーク機能提供装置
　４０　　サービスチェーン実行装置
　５０　　取得装置
　７０、８０　　制御装置
　１１、２１　　機能ルール定量化部
　１２、２２　　サービス量算出部
　１３、２３　　性能モデル生成部
　１４　　スケール数推定部
　２４　　チェーンインスタンス生成部
　３１　　ノード
　３２　　ノードインスタンス
　４３　　サービスチェーン
　１３０、２３０　　性能モデル記憶部
　５０１　　機能ルール設定履歴記憶部
　５０２　　サービス履歴記憶部
　１００、３００、５００、７００　　コンピュータ装置
　１００１、３００１、５００１、７００１　　ＣＰＵ
　１００２、３００２、５００２、７００２　　ＲＡＭ
　１００３、３００３、５００３、７００３　　ＲＯＭ
　１００４、３００４、５００４、７００４　　記憶装置
　１００５、３００５、５００５、７００５　　ネットワークインタフェース

Claims (10)

  1. 　ネットワーク機能を提供するノードに設定された機能ルールの設定履歴に基づいて、機能ルールを定量化した機能ルール定量値を算出する機能ルール定量化手段と、
    　前記ノードのサービス履歴に基づいて、前記ノードにおいて稼働するノードインスタンスの単位時間あたりのサービス量を算出するサービス量算出手段と、
    　前記ノードについて得られた前記機能ルール定量値および前記サービス量の組に基づいて、前記ノードに対する入力トラフィック量と、前記機能ルール定量値と、前記ノードインスタンスの数（スケール数）との関係を表す性能モデルを生成する性能モデル生成手段と、
    　前記性能モデルを用いて、想定される前記入力トラフィック量および前記機能ルール定量値に応じた前記スケール数を推定するスケール数推定手段と、
    　を備えたスケール数推定装置。
  2. 　前記性能モデル生成手段は、前記ノードについて得られた前記機能ルール定量値および前記サービス量の組に基づいて、前記機能ルール定量値から前記サービス量を算出するサービス量推定式を推定し、推定したサービス量推定式を含む前記性能モデルを生成することを特徴とする請求項１に記載のスケール数推定装置。
  3. 　前記性能モデル生成手段は、前記サービス量推定式によって推定されるサービス量と、前記入力トラフィック量と、前記スケール数との関係を表す方程式を、前記性能モデルに含めることを特徴とする請求項２に記載のスケール数推定装置。
  4. 　前記サービス量算出手段は、前記機能ルール定量値の有効期間毎に前記サービス量を算出することを特徴とする請求項１から請求項３のいずれか１項に記載のスケール数推定装置。
  5. 　前記機能ルール定量化手段は、前記ノードに設定された機能ルールの数に基づいて、前記機能ルール定量値を算出することを特徴とする請求項１から請求項４のいずれか１項に記載のスケール数推定装置。
  6. 　ネットワーク機能を提供するノードからなるネットワーク機能提供装置と、
    　前記ネットワーク機能提供装置から、前記ノードに設定される機能ルールの設定履歴（機能ルール設定履歴）と、前記ノードのサービス履歴とを取得する取得装置と、
    　前記取得装置によって取得された前記機能ルール設定履歴および前記サービス履歴を用いて、前記ネットワーク機能提供装置におけるノードのスケール数を推定する請求項１から請求項５のいずれか１項に記載のスケール数推定装置と、
    　前記スケール数推定装置によって推定されたスケール数に基づいて、前記ネットワーク機能提供装置におけるノードのスケール数を制御する制御装置と、
    　を備えたスケール数管理システム。
  7. 　前記ネットワーク機能提供装置が、複数の前記ノードを連結して機能させるサービスチェーンを実行するサービスチェーン実行装置によって構成されるとき、
    　前記スケール数推定装置のスケール数推定手段は、前記サービスチェーンに流入が想定される入力トラフィック量に応じて、前記サービスチェーンに含まれるノードのスケール数を推定し、
    　前記制御装置は、前記スケール数推定装置によって推定されたスケール数に基づいて、前記サービスチェーンにおけるノードのスケール数を制御することを特徴とする請求項６に記載のスケール数管理システム。
  8. 　ネットワーク機能を提供するノードに設定された機能ルールの設定履歴に基づいて、機能ルールを定量化した機能ルール定量値を算出し、
    　前記ノードのサービス履歴に基づいて、前記ノードにおいて稼働するノードインスタンスの単位時間あたりのサービス量を算出し、
    　前記ノードについて得られた前記機能ルール定量値および前記サービス量の組に基づいて、前記ノードに対する入力トラフィック量と、前記機能ルール定量値と、前記ノードインスタンスの数（スケール数）との関係を表す性能モデルを生成し、
    　前記性能モデルを用いて、想定される前記入力トラフィック量および前記機能ルール定量値に応じた前記スケール数を推定するスケール数推定方法。
  9. 　ネットワーク機能を提供するノードからなるネットワーク機能提供装置における前記ノードにおいて設定される機能ルールの設定履歴（機能ルール設定履歴）を取得し、
    　前記ネットワーク機能提供装置におけるノードのサービス履歴を取得し、
    　取得した前記機能ルール設定履歴およびサービス履歴に基づいて、請求項８に記載のスケール数推定方法を用いて、前記ネットワーク機能提供装置におけるノードのスケール数を推定し、
    　推定したスケール数に基づいて、前記ネットワーク機能提供装置におけるノードのスケール数を制御するスケール数管理方法。
  10. 　ネットワーク機能を提供するノードに設定された機能ルールの設定履歴に基づいて、機能ルールを定量化した機能ルール定量値を算出する機能ルール定量化ステップと、
    　前記ノードのサービス履歴に基づいて、前記ノードにおいて稼働するノードインスタンスの単位時間あたりのサービス量を算出するサービス量算出ステップと、
    　前記ノードについて得られた前記機能ルール定量値および前記サービス量の組に基づいて、前記ノードに対する入力トラフィック量と、前記機能ルール定量値と、前記ノードインスタンスの数（スケール数）との関係を表す性能モデルを生成する性能モデル生成ステップと、
    　前記性能モデルを用いて、想定される前記入力トラフィック量および前記機能ルール定量値に応じた前記スケール数を推定するスケール数推定ステップと、
    　をコンピュータ装置に実行させるコンピュータ・プログラムを記憶した記憶媒体。
PCT/JP2015/004477 2014-09-09 2015-09-03 スケール数推定装置、スケール数管理システム、スケール数推定方法、スケール数管理方法、および、記憶媒体 WO2016038857A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/509,620 US20170264500A1 (en) 2014-09-09 2015-09-03 Number-of-scales estimation apparatus, number-of-scales management system, number-of-scales estimation method, number-of-scales management method, and storage medium
JP2016547690A JP6558374B2 (ja) 2014-09-09 2015-09-03 スケール数推定装置、スケール数管理システム、スケール数推定方法、スケール数管理方法、および、コンピュータ・プログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-182814 2014-09-09
JP2014182814 2014-09-09

Publications (1)

Publication Number Publication Date
WO2016038857A1 true WO2016038857A1 (ja) 2016-03-17

Family

ID=55458629

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/004477 WO2016038857A1 (ja) 2014-09-09 2015-09-03 スケール数推定装置、スケール数管理システム、スケール数推定方法、スケール数管理方法、および、記憶媒体

Country Status (3)

Country Link
US (1) US20170264500A1 (ja)
JP (1) JP6558374B2 (ja)
WO (1) WO2016038857A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017213065A1 (ja) * 2016-06-09 2017-12-14 日本電気株式会社 サービス管理システム、サービス管理方法、および、記録媒体
WO2018173481A1 (ja) * 2017-03-24 2018-09-27 日本電気株式会社 サービス構成設計装置、およびサービス構成設計方法
JPWO2020217357A1 (ja) * 2019-04-24 2020-10-29
WO2024028974A1 (ja) * 2022-08-02 2024-02-08 日本電信電話株式会社 性能推定モデル生成装置、性能推定装置、プログラムおよび性能推定モデル生成方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2824681T3 (es) * 2015-09-30 2021-05-13 Huawei Tech Co Ltd Método, dispositivo y sistema de ampliación
EP3745761A1 (en) * 2019-05-28 2020-12-02 Samsung Electronics Co., Ltd. Virtualization of ran functions based on load of the base stations
US11219032B2 (en) * 2019-05-28 2022-01-04 Samsung Electronics Co., Ltd. Method and apparatus for performing function of radio access network
CN116584079A (zh) * 2020-12-04 2023-08-11 三星电子株式会社 执行无线接入网络功能的方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012074056A (ja) * 2011-11-10 2012-04-12 Telecom Italia Spa 通信サービス及びネットワーク管理のうちの一方または双方のプラットフォームにおけるリソース管理ための方法、対応するプラットフォーム及びコンピュータ・プログラム製品
JP2013179429A (ja) * 2012-02-28 2013-09-09 Nippon Telegr & Teleph Corp <Ntt> 振分先を切り替える並列パケット処理方法および装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012074056A (ja) * 2011-11-10 2012-04-12 Telecom Italia Spa 通信サービス及びネットワーク管理のうちの一方または双方のプラットフォームにおけるリソース管理ための方法、対応するプラットフォーム及びコンピュータ・プログラム製品
JP2013179429A (ja) * 2012-02-28 2013-09-09 Nippon Telegr & Teleph Corp <Ntt> 振分先を切り替える並列パケット処理方法および装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017213065A1 (ja) * 2016-06-09 2017-12-14 日本電気株式会社 サービス管理システム、サービス管理方法、および、記録媒体
WO2018173481A1 (ja) * 2017-03-24 2018-09-27 日本電気株式会社 サービス構成設計装置、およびサービス構成設計方法
JPWO2018173481A1 (ja) * 2017-03-24 2020-01-30 日本電気株式会社 サービス構成設計装置、およびサービス構成設計方法
JPWO2020217357A1 (ja) * 2019-04-24 2020-10-29
WO2020217357A1 (ja) * 2019-04-24 2020-10-29 三菱電機株式会社 情報処理システム
CN113678109A (zh) * 2019-04-24 2021-11-19 三菱电机株式会社 信息处理系统
JP7184170B2 (ja) 2019-04-24 2022-12-06 三菱電機株式会社 情報処理システム
WO2024028974A1 (ja) * 2022-08-02 2024-02-08 日本電信電話株式会社 性能推定モデル生成装置、性能推定装置、プログラムおよび性能推定モデル生成方法

Also Published As

Publication number Publication date
JP6558374B2 (ja) 2019-08-14
US20170264500A1 (en) 2017-09-14
JPWO2016038857A1 (ja) 2017-06-22

Similar Documents

Publication Publication Date Title
JP6558374B2 (ja) スケール数推定装置、スケール数管理システム、スケール数推定方法、スケール数管理方法、および、コンピュータ・プログラム
US9967188B2 (en) Network traffic flow management using machine learning
US10027739B1 (en) Performance-based content delivery
JP6493400B2 (ja) サービスチェーン管理装置、サービスチェーン管理システム、サービスチェーン管理方法、及び、プログラム
CN108429701B (zh) 网络加速系统
Benedetti et al. Reinforcement learning applicability for resource-based auto-scaling in serverless edge applications
CN109040186A (zh) 一种基于nbiot网络的mqtt数据处理方法和装置
JP6475966B2 (ja) ネットワーク設計装置及びプログラム
JP6660283B2 (ja) トラヒック需要予測装置、トラヒック需要予測方法、及びプログラム
JP5917678B1 (ja) 情報処理装置、方法およびプログラム
Zinner et al. A discrete-time model for optimizing the processing time of virtualized network functions
CN109194545A (zh) 一种网络试验平台流量生成系统、方法、装置及电子设备
CN112436951B (zh) 一种预知流量路径的方法和装置
US10447567B2 (en) Control apparatus and processing method for control apparatus
CN108718259B (zh) 一种报文处理方法及多核处理器
JP6554011B2 (ja) タイムアウト時間設定装置とタイムアウト時間設定方法
US20180150375A1 (en) Service management system, service management method, and recording medium
JPWO2018173481A1 (ja) サービス構成設計装置、およびサービス構成設計方法
Munir et al. Planning data transfers in grids: a multi‐service queueing approach
JP6070717B2 (ja) 分散データ処理システム、及び、分散データ処理方法
JP7095624B2 (ja) 識別装置及び識別プログラム
US20230308392A1 (en) Linked Packet Tracing for Software Load Balancers
JP4401214B2 (ja) 負荷分散装置及びプログラム
WO2019239759A1 (ja) データ送信方法、データ送信装置及びプログラム
KR101563457B1 (ko) 서비스 가용성을 보장하기 위한 이웃 노드 선출 시스템 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15839570

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016547690

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15509620

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15839570

Country of ref document: EP

Kind code of ref document: A1