WO2019111866A1 - 分析装置、通信システム、データ処理方法、及び非一時的なコンピュータ可読媒体 - Google Patents

分析装置、通信システム、データ処理方法、及び非一時的なコンピュータ可読媒体 Download PDF

Info

Publication number
WO2019111866A1
WO2019111866A1 PCT/JP2018/044465 JP2018044465W WO2019111866A1 WO 2019111866 A1 WO2019111866 A1 WO 2019111866A1 JP 2018044465 W JP2018044465 W JP 2018044465W WO 2019111866 A1 WO2019111866 A1 WO 2019111866A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
analysis
traffic data
future
prediction
Prior art date
Application number
PCT/JP2018/044465
Other languages
English (en)
French (fr)
Inventor
横井　大輔
正 石川
卓也 伊東
秋元　一郎
啓徳 北原
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 US16/769,754 priority Critical patent/US20200382383A1/en
Publication of WO2019111866A1 publication Critical patent/WO2019111866A1/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
    • H04L41/147—Network analysis or design for predicting network behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/82—Miscellaneous aspects
    • H04L47/822—Collecting or measuring resource availability data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/83—Admission control; Resource allocation based on usage prediction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability

Definitions

  • the present disclosure relates to an analysis device, a communication system, a data processing method, and a program.
  • Patent Document 1 describes an evaluation system capable of judging the quality of existing equipment at a certain time in the future while assuming conditions such as occurrence of a failure that has not occurred up to now and an increase in the number of users. It is done.
  • Patent Document 1 predicts the traffic volume up to a certain point in the future, and evaluates the quality of the current equipment at a certain point in the future based on the predicted traffic volume.
  • Patent Document 1 describes, for example, a series of data processing for evaluating the quality of the existing equipment at a certain point in the future, but it is described that the evaluation system evaluates a plurality of items regarding the network. It has not been. Therefore, when constructing an evaluation system for evaluating a plurality of items using data processing described in Patent Document 1, every process from prediction of traffic volume to generation of evaluation results according to the items is performed for each item. It needs to be implemented. As a result, when the evaluation system evaluates a plurality of items, the amount of data processing increases according to the number of items to be evaluated, and the processing load in the evaluation system increases.
  • An object of the present disclosure is, in view of the problems described above, an analyzer, a communication system, and a data processing method capable of solving the problem that the data processing amount increases and the processing load increases according to the number of items to be evaluated. And providing a program.
  • An analysis apparatus performs machine learning using traffic data in the past in a communication system, and uses a prediction unit that predicts traffic data in the future in the communication system, and first input data.
  • the future traffic data by analyzing the future traffic data and generating a first analysis result according to a first purpose, and using the second input data, And a second analysis unit that generates a second analysis result according to the second purpose.
  • a communication system performs machine learning using a communication device, an information storage device that collects communication logs related to traffic data from at least one of the communication devices, and machine learning using the communication log.
  • a prediction unit for predicting future traffic data in a communication system including a device, and analyzing the future traffic data using a first input data to generate a first analysis result according to a first object;
  • An analyzer comprising: an analysis unit; and a second analysis unit that analyzes the future traffic data using second input data and generates a second analysis result according to a second purpose And.
  • a data processing method performs machine learning using traffic data in the past in a communication system, predicts future traffic data in the communication system, and uses the first input data to perform the above-mentioned processing.
  • the future traffic data is analyzed, a first analysis result according to the first purpose is generated, and the future traffic data is analyzed using the second input data, and the second according to the second purpose Generate analysis results for
  • a program performs machine learning using past traffic data in a communication system, predicts future traffic data in the communication system, and uses the first input data to perform the future
  • the traffic data is analyzed, a first analysis result according to a first purpose is generated, the future traffic data is analyzed using a second input data, and a second analysis according to a second purpose
  • FIG. 1 is a block diagram of an analyzer according to a first embodiment.
  • FIG. 7 is a configuration diagram of a communication system according to a second embodiment.
  • FIG. 6 is a block diagram of an analyzer according to a second embodiment.
  • FIG. 16 is a diagram for describing an overview of processing performed in the analyzer according to the second embodiment.
  • FIG. 16 is a diagram for explaining the flow of data processing performed in the analyzer according to the second embodiment.
  • FIG. 16 is a diagram for describing an overview of event analysis according to the second embodiment.
  • FIG. 16 is a diagram for describing an overview of packet loss analysis according to the second embodiment.
  • FIG. 8 is a block diagram of an analyzer according to a third embodiment.
  • FIG. 8 is a block diagram of an analyzer according to a third embodiment. It is a block diagram of the analyzer in each embodiment.
  • the analysis device 10 may be a computer device that operates by a processor executing a program stored in a memory.
  • the analysis device 10 may be a personal computer or a server device.
  • the analysis device 10 includes an analysis unit 11, an analysis unit 12, and a prediction unit 13.
  • the analysis unit 11, the analysis unit 12, and the prediction unit 13 may be software or a module whose processing is executed by the processor executing a program stored in the memory.
  • the analysis unit 11, the analysis unit 12, and the prediction unit 13 may be hardware such as a chip or a circuit.
  • the analysis unit 12 performs machine learning using traffic data in the past in the communication system, and predicts traffic data in the communication system.
  • the communication system includes, for example, a plurality of communication devices or communication nodes.
  • the communication system may be, for example, an access network system such as an optical communication network or a wireless network.
  • the communication system may be a backbone network system that relays data transmitted from the access network system.
  • the communication system may be a system including an access network and a backbone network system.
  • the backbone network system may be rephrased as, for example, a core network system.
  • the traffic data may be, for example, data indicating an amount of traffic or an amount of data transmitted between communication devices or in a communication system.
  • traffic data between communication devices may be traffic data for each communication device in the communication system.
  • traffic data in the entire communication system may be the total of traffic data between communication devices.
  • the traffic data may be the number of sessions set or established between communication devices or in the communication system.
  • the traffic data may be the number of communication terminals using the communication apparatus or the communication system.
  • the traffic data may be the number of communication terminals connected to the communication apparatus or the communication system, or may be the number of communication terminals managed in the communication apparatus or the communication system.
  • traffic data is data including at least one of traffic volume, data volume, number of sessions, and number of communication terminals, and combining two or more elements of traffic volume, data volume, number of sessions, and number of communication terminals. May be Also, the number of communication terminals may be paraphrased as the number of users.
  • the past traffic data may be, for example, traffic data measured during a specific period in the past.
  • the traffic data in the past may be traffic data predicted in a specific period in the past, and even if the predicted traffic data is data corrected or updated using the measured traffic data. Good.
  • Machine learning is performed to predict traffic data.
  • the prediction unit 13 analyzes a large number of past traffic data, and predicts future traffic data using a specific pattern found as a result of analysis. It may be to do.
  • machine learning may be to learn or generate a prediction model that calculates future traffic data as a target variable, using past traffic data as an explanatory variable.
  • the prediction model may be paraphrased as a prediction equation or a learning model.
  • "predicting" may be restated as assuming or assuming.
  • "predicting” may be reworded as calculating or computing.
  • Machine learning is a method used to realize AI (Artificial Intelligence).
  • machine learning may be deep learning in particular. Deep learning is, for example, learning using a neural network as a calculation algorithm.
  • the analysis unit 11 analyzes future traffic data using the first input data. Furthermore, the analysis unit 11 generates an analysis result according to the purpose assigned to the analysis unit 11 or the purpose to which the analysis unit 11 applies.
  • the first input data is input data required to generate an analysis result according to the purpose assigned to the analysis unit 11 or the purpose to which the analysis unit 11 applies. That is, the first input data is data required to derive an analysis result generated by the analysis unit 11.
  • Input data may be paraphrased as auxiliary data etc., for example.
  • the purpose assigned to the analysis unit 11 or the purpose applied by the analysis unit 11 may be rephrased as, for example, a service provided by the analysis unit 11. Alternatively, the purpose may be paraphrased as a policy.
  • the analysis unit 12 analyzes future traffic data using the second input data. Furthermore, the analysis unit 12 generates an analysis result according to the purpose assigned to the analysis unit 12 or the purpose to which the analysis unit 12 applies.
  • the second input data is input data required to generate an analysis result according to the purpose assigned to the analysis unit 12 or the purpose to which the analysis unit 12 applies. That is, the second input data is data required to derive an analysis result generated by the analysis unit 12.
  • the analysis unit 11 uses the same future traffic data as the future traffic data analyzed by the analysis unit 12. Further, the analysis unit 11 generates an analysis result different from the analysis result generated by the analysis unit 12 using input data different from the input data used by the analysis unit 12.
  • the analysis apparatus 10 can separately execute the prediction of traffic data performed by the prediction unit 13 and the analysis of predicted traffic data performed by the analysis unit 11 and the analysis unit 12. Specifically, the analysis unit 11 and the analysis unit 12 can use the traffic data predicted by the prediction unit 13 to generate an analysis result according to each purpose. That is, the analysis unit 11 can generate an analysis result different from the analysis result generated by the analysis unit 12 using the same traffic data as the traffic data used by the analysis unit 12.
  • each of the analysis unit 11 and the analysis unit 12 does not have to predict traffic data in the future using traffic data in the past. That is, in the analysis apparatus 10, the prediction unit 13 performs a process of predicting future traffic data using traffic data in the past, and the analysis unit 11 and the analysis unit 12 calculate the traffic data predicted by the prediction unit 13. Use. Therefore, it is possible to prevent the analysis unit 11 and the analysis unit 12 from redundantly executing the process of predicting future traffic data using past traffic data. As a result, for example, even if the number of services provided by the analysis apparatus 10 increases and the number of analysis units increases, only analysis processing in each analysis unit increases, and traffic data prediction processing increases. Can be avoided.
  • the communication system of FIG. 2 includes an analysis device 20, a communication device 31, a communication device 32, and an information storage device 40.
  • the analyzer 20 corresponds to the analyzer 10 of FIG.
  • the communication device 31 and the communication device 32 may be paraphrased as communication nodes.
  • the information storage device 40 may be, for example, a database device.
  • FIG. 2 shows a configuration in which the communication system includes two communication devices, it may include three or more communication devices. Also, the communication device 31 and the communication device 32 may be connected to other communication devices via a wired line or a wireless line, respectively.
  • the communication device 31 and the communication device 32 may be, for example, a base station used in a mobile network or may be a core network device.
  • the base station may be, for example, an eNB (evolved Node B) that supports Long Term Evolution (LTE) defined in 3rd Generation Partnership Project (3GPP).
  • the base station may be a Node B that supports so-called 2G or 3G defined in 3GPP.
  • the core network device may be, for example, a device configuring an EPC (Evolved Packet Core).
  • EPC Evolved Packet Core
  • the apparatus which comprises EPC may be MME (Mobility Management Entity), SGW (Serving Gateway), or PGW (Packet Data Network Gateway), for example.
  • MME Mobility Management Entity
  • SGW Serving Gateway
  • PGW Packet Data Network Gateway
  • the communication device 31 and the communication device 32 may be relay devices that relay data transmitted between base stations, between core network devices, or between base stations and core network devices.
  • the relay device may be, for example, a transmission device that constitutes a microwave wireless communication system.
  • the analysis device 20 includes the functions of the information storage device 40, and the analysis device 20 and the information storage device 40 May constitute an integral device.
  • the information storage device 40 collects past traffic data from the communication device 31, the communication device 32, and the like.
  • the past traffic data collected by the information storage device 40 may be, for example, communication logs generated by the communication device 31 and the communication device 32 or the like.
  • the information storage device 40 may have calendar information, event information that has occurred, weather information, and implemented campaign information (hereinafter referred to as calendar information and the like).
  • the information storage device 40 may acquire calendar information and the like from an external server and the like.
  • the calendar information includes date information, day information, holiday information, and the like.
  • the event information may be, for example, information on holding sporting events, implementation information on elections, and the like.
  • the information storage device 40 may associate and manage past traffic data collected from the communication device 31 and the communication device 32, etc. with calendar information and the like. Also, traffic data associated with calendar information or the like may be referred to as past traffic data.
  • the analysis device 20 uses the information stored in the information storage device 40 to predict future traffic data.
  • the analysis device 20 may acquire calendar information and the like from an external server and the like.
  • the analysis device 20 may acquire calendar information different from the calendar information collected by the information storage device 40 from an external server or the like.
  • the analysis device 20 may use the information stored in the information storage device 40 to generate an analysis result.
  • the analysis device 20 has a configuration in which a communication unit 21 and an output unit 22 are added to the analysis device 10 of FIG. 1.
  • the analysis device 20 the detailed description of the same configuration or function as the analysis device 10 is omitted.
  • the communication unit 21 communicates with the information storage device 40.
  • the communication unit 21 receives traffic data in the past from the information storage device 40.
  • the communication unit 21 may collect traffic data in the past from the communication device 31, the communication device 32, and the like.
  • the communication unit 21 outputs the received past traffic data to the prediction unit 13. Furthermore, when the data received from the information storage device 40 includes input data used by the analysis unit 11 and the analysis unit 12, the communication unit 21 analyzes the input data used by the analysis unit 11 and the analysis unit 12. And output to the analysis unit 12.
  • the prediction unit 13 predicts future traffic data by using past traffic data.
  • the prediction unit 13 may predict traffic data to be processed by each communication device, such as the communication device 31 and the communication device 32.
  • the prediction unit 13 may predict traffic data transmitted between opposing communication devices.
  • the prediction unit 13 may predict traffic data transmitted in a communication section configured by three or more communication devices.
  • the prediction unit 13 may predict traffic data to be processed or transmitted in the entire communication system.
  • the analysis unit 11 and the analysis unit 12 output the respective analysis results to the output unit 22.
  • the output unit 22 outputs the analysis result received from the analysis unit 11 and the analysis unit 12 to, for example, a monitor or the like.
  • a user who manages or operates the analyzer 20 can visually recognize the analysis result output to the monitor or the like.
  • the monitor or the like may be configured integrally with the analysis device 20, or may be a monitor device connected to the analysis device 20 by a cable or near field communication.
  • the prediction unit 13 generates or calculates traffic prediction data using traffic data in the past. Further, the prediction unit 13 outputs the generated traffic prediction data to the analysis unit 11 and the analysis unit 12.
  • the traffic prediction data is data used in common by the analysis unit 11 and the analysis unit 12.
  • the analysis unit 11 performs event analysis using traffic prediction data.
  • the analysis unit 12 performs packet loss analysis using traffic prediction data.
  • the analysis unit 11 and the analysis unit 12 may perform other analysis.
  • the analysis device 20 may have three or more analysis units, and other analysis may be performed in addition to packet loss analysis and event analysis.
  • the other analysis may be, for example, identification of a coping method in the case where a failure occurs in the communication system, identification of a cause in the case where a failure occurs in the communication system, or the like.
  • the analysis unit 11 and the analysis unit 12 may execute the process in the application layer. That is, the analysis unit 11 and the analysis unit 12 may each be an application that provides a service.
  • analysis unit 11 and the analysis unit 12 may execute processing using different processors or may be performed using one processor. Furthermore, the analysis unit 11, the analysis unit 12, and the prediction unit 13 may execute processing using different processors.
  • the analysis unit 11 may also perform event analysis using a plurality of processors. That is, a plurality of processes included in the event analysis process may be performed by different processors. The plurality of processes included in the event analysis process may be performed in parallel using a plurality of processors. Alternatively, the plurality of processes included in the event analysis process may be performed in stages using processors connected in series.
  • the packet loss analysis performed in the analysis unit 12 is also similar to the event analysis performed in the analysis unit 11.
  • different analysis may be performed using at least one of the result of the event analysis performed in the analysis unit 11 and the packet loss analysis performed in the analysis unit 12.
  • the different analysis may be traffic demand prediction or the like.
  • the prediction unit 13 may also predict future traffic data using a plurality of processors. That is, a plurality of processes included in the prediction process of traffic data in the future may be performed in different processors. A plurality of processes included in prediction of future traffic data may be executed in parallel using a plurality of processors. Alternatively, the plurality of processes included in the prediction process of traffic data in the future may be performed in stages using processors connected in series.
  • the output unit 22 outputs the analysis result output from each of the analysis unit 11 and the analysis unit 12 to a monitor or the like.
  • the prediction unit 13 acquires traffic data in the past from the information storage device 40 via the communication unit 21 (S11).
  • Past traffic data may be associated with calendar information and the like.
  • the prediction unit 13 predicts future traffic data by using the acquired past traffic data (S12). That is, the prediction unit 13 generates traffic prediction data.
  • the analysis unit 11 and the analysis unit 12 analyze traffic prediction data using input data according to the purpose (S13).
  • the output unit 22 outputs the analysis result in the analysis unit 11 and the analysis unit 12 to a monitor or the like.
  • the traffic data in the past acquired by the prediction unit 13 is, for example, the traffic volume, the data volume, the number of sessions, the number of communication terminals, etc. actually measured in the past in each of the communication devices such as the communication device 31 and the communication device 32. Including. Furthermore, past traffic data acquired by the prediction unit 13 also includes calendar information and the like. That is, the prediction unit 13 sets at least one of the traffic volume, the data volume, the number of sessions, and the number of communication terminals as an explanatory variable. Furthermore, the prediction unit 13 also uses calendar information associated with at least one of traffic volume, data volume, number of sessions, and number of communication terminals as an explanatory variable. The traffic amount may be associated with at least one of calendar information, event information that has occurred, weather information, and implemented campaign information.
  • the prediction unit 13 calculates future traffic data, which is a target variable, using a prediction formula used to perform traffic prediction.
  • Future traffic data includes, for example, at least one of traffic volume, data volume, number of sessions, and number of communication terminals.
  • the event analysis may be, for example, analysis of whether or not an event has occurred from traffic prediction data and traffic measurement data.
  • the event may be, for example, a sport watching event, an election, a disaster occurrence, a failure occurrence, or the like.
  • the traffic measurement data may be included in, for example, past traffic data received from the information storage device 40.
  • the analysis unit 11 acquires, for example, traffic measurement data in a part or all of the traffic prediction data calculated by the prediction unit 13 from the information storage device 40 via the communication unit 21. That is, the analysis unit 11 uses, as input data, traffic measurement data in a part or all of the traffic prediction data calculated by the prediction unit 13.
  • the vertical axis indicates the traffic data amount in a predetermined period using Mbps (Megabits per second).
  • the horizontal axis indicates time.
  • a curve indicated by a broken line indicates traffic prediction data.
  • a curve shown by a solid line shows traffic measurement data.
  • the analysis unit 11 compares traffic prediction data for the same period with traffic measurement data.
  • the analysis unit 11 estimates that an event has occurred when the difference between the traffic prediction data and the traffic measurement data exceeds a predetermined threshold as a result of comparison.
  • the analysis unit 11 may specify the content of the generated event according to the magnitude of the difference between the traffic prediction data and the traffic measurement data. For example, when the difference is larger than a Mbps (a is a positive value) and smaller than b Mbps (b is a positive value larger than a), the analysis unit 11 may determine that the event A has occurred. Furthermore, when the difference is larger than b Mbps and smaller than c Mbps (c is a positive value larger than a), it may be determined that the event B has occurred.
  • FIG. 6 shows traffic prediction data and traffic measurement data in all periods of the traffic prediction data
  • the traffic measurement data may be part of the traffic prediction data.
  • the threshold used to determine whether an event has occurred may be input by, for example, the administrator or the user of the analysis device 20.
  • the threshold used to determine whether an event has occurred may be calculated using statistical processing.
  • the standard deviation ⁇ of traffic measurement data with respect to traffic prediction data may be used as a threshold used to determine whether an event has occurred.
  • a value obtained by multiplying the standard deviation ⁇ by a predetermined coefficient may be used as the threshold.
  • the analysis unit 11 may use machine learning to determine whether an event has occurred. For example, the analysis unit 11 may use a prediction formula in which the traffic prediction data and the traffic measurement data are used as explanatory variables and the occurrence of an event is used as a target variable.
  • the determination result as to whether or not an event has occurred can be used, for example, to consider the configuration change in the communication system such as the enhancement of facilities on a schedule in which the occurrence of the similar event is expected. That is, it can be said that the determination result as to whether or not an event has occurred is information used to urge configuration change in the communication system.
  • the packet loss analysis will be described in detail as an analysis example executed by the analysis unit 12 with reference to FIG. 7.
  • the packet loss analysis may be, for example, predicting the occurrence time of the packet loss or the packet loss amount.
  • the analysis unit 12 uses, as input data, data in which a period in which a packet loss occurs and a traffic data amount in a period in which a packet loss occurs are associated. .
  • the analysis unit 12 may acquire input data used for analysis from the information storage device 40 via the communication unit 21.
  • the information storage device 40 collects, from the communication devices such as the communication device 31 and the communication device 32, as communication logs, information on a period in which a packet loss occurs and a traffic data amount in a period in which a packet loss occurs. May be
  • the vertical axis indicates the traffic data amount in a predetermined period using Mbps (Megabits per second).
  • the horizontal axis indicates time.
  • a curve indicated by a broken line indicates traffic prediction data.
  • a curve indicated by a solid line indicates past traffic measurement data in a period prior to traffic prediction data.
  • the reference value indicates the traffic data amount at the time when packet loss occurred in the past.
  • the analysis unit 12 compares the traffic prediction data with the reference value.
  • the analysis unit 12 may predict a period in which traffic exceeding the reference value is expected to occur as a period in which a packet loss occurs. In FIG. 7, two periods are predicted as a period in which packet loss occurs.
  • the analysis unit 12 may predict the amount of packet loss in a period in which the packet loss is predicted to occur from the relationship between the amount of packet loss when a packet loss has occurred in the past and the amount of traffic data.
  • the analysis unit 12 may find a rule between the amount of packet loss when a packet loss has occurred in the past and the amount of traffic data using machine learning or the like.
  • a standard deviation ⁇ regarding the past traffic data amount calculated using statistical processing may be used.
  • a value that is an integral multiple of the standard deviation ⁇ may be used as a threshold.
  • the analysis unit 12 may execute prediction of a period in which packet loss occurs using machine learning.
  • the analysis unit 12 may use a prediction equation in which the traffic data amount in the past and the timing at which a packet loss occurs are used as an explanatory variable and the period in which a packet loss occurs is used as a target variable.
  • the determination result regarding the period in which the packet loss occurs is, for example, to consider the configuration change in the communication system such as the facility enhancement or the change in the communication path before the period predicted as the period in which the packet loss occurs. It can be used. That is, the determination result regarding the period in which the packet loss occurs can be said to be information used to urge configuration change in the communication system.
  • the analysis apparatus 20 can generate or calculate traffic prediction data by using the past traffic data collected by the information storage device 40.
  • the analysis unit 11 and the analysis unit 12 can generate analysis results such as packet loss analysis and event analysis, using traffic prediction data.
  • the prediction unit 13 can generate traffic prediction data commonly used by the analysis unit 11 and the analysis unit 12. Therefore, the analysis unit 11 and the analysis unit 12 do not need to generate traffic prediction data. As a result, even when the number of analysis units or the number of analysis results generated is increased, the processing of traffic prediction data executed in the analysis device 10 does not increase.
  • FIGS. 8 and 9 show the range in which machine learning is performed. That is, FIG. 8 shows that the processing of predicting traffic data in the prediction unit 13 and the processing of analysis in the analysis unit 11 are performed using machine learning. Further, FIG. 9 shows that the processing of predicting traffic data in the prediction unit 13 and the processing of analysis in the analysis unit 11 and the analysis unit 12 are performed using machine learning. That is, all analysis processing may be performed using machine learning.
  • all analysis processing may be performed without using machine learning.
  • the number of prediction data and the number of input data used to generate the analysis result can be increased as compared to the case where machine learning is not used.
  • the accuracy of the analysis result can be improved as compared with the case where machine learning is not used.
  • a manager or the like determines a determination criterion
  • a determination criterion is determined using statistical processing.
  • the determination criterion can be determined using a large amount of traffic data and the like in the past, as compared with the case where a manager or the like determines the determination criterion. Therefore, when determining the determination criteria using statistical processing, the accuracy of the analysis result can be enhanced as compared with the case where the administrator or the like determines the determination criteria.
  • FIG. 10 is a block diagram showing a configuration example of the analyzer 10 or 20 described in the above embodiment.
  • the analyzer 10 or 20 includes a network interface 1201, a processor 1202 and a memory 1203.
  • the network interface 1201 is used to communicate with other network node devices constituting the communication system.
  • the network interface 1201 may include, for example, a network interface card (NIC) compliant with the IEEE 802.3 series.
  • NIC network interface card
  • the processor 1202 reads the software (computer program) from the memory 1203 and executes it to perform the processing of the analysis device 10 or 20 described using the sequence diagram and the flowchart in the above-described embodiment.
  • the processor 1202 may be, for example, a microprocessor, a micro processing unit (MPU), or a central processing unit (CPU).
  • Processor 1202 may include multiple processors.
  • the memory 1203 is configured by a combination of volatile memory and non-volatile memory.
  • Memory 1203 may include storage located remotely from processor 1202. In this case, the processor 1202 may access the memory 1203 via an I / O interface not shown.
  • the memory 1203 is used to store software modules.
  • the processor 1202 can perform the processing of the analysis device 10 or 20 described in the above embodiments by reading out and executing these software modules from the memory 1203.
  • each of the processors of the analysis apparatus 10 or 20 executes one or more programs including a group of instructions for causing a computer to execute the algorithm described with reference to the drawings.
  • Non-transitory computer readable media include tangible storage media of various types.
  • Examples of non-transitory computer readable media include magnetic recording media (eg, flexible disks, magnetic tapes, hard disk drives), magneto-optical recording media (eg, magneto-optical disks).
  • examples of non-transitory computer readable media include CD-ROM (Read Only Memory), CD-R, CD-R / W.
  • examples of non-transitory computer readable media include semiconductor memory.
  • the semiconductor memory includes, for example, a mask ROM, a programmable ROM (PROM), an erasable PROM (EPROM), a flash ROM, and a random access memory (RAM).
  • the programs may be supplied to the computer by various types of transitory computer readable media. Examples of temporary computer readable media include electrical signals, light signals, and electromagnetic waves.
  • the temporary computer readable medium can provide the program to the computer via a wired communication path such as electric wire and optical fiber, or a wireless communication path.
  • a prediction unit that performs machine learning using past traffic data in a communication system and predicts future traffic data in the communication system;
  • a first analysis unit that analyzes the future traffic data using a first input data and generates a first analysis result according to a first purpose;
  • An analyzer configured to analyze the future traffic data using a second input data and generate a second analysis result according to a second purpose.
  • the prediction unit The future traffic data commonly used in the first analysis unit and the second analysis unit is calculated, and the calculated future traffic data is sent to the first analysis unit and the second analysis unit.
  • the analyzer according to appendix 1, which outputs.
  • the first analysis unit is Machine learning is performed using the first input data and the future prediction data to calculate the first analysis result
  • the second analysis unit The analysis device according to appendix 1 or 2, wherein machine learning is performed using the second input data and the future prediction data to calculate the second analysis result.
  • the first analysis unit is Machine learning is performed using the first input data and the future prediction data to calculate the first analysis result
  • the second analysis unit The analysis device according to appendix 1 or 2, wherein the second analysis result is generated according to a predetermined judgment standard.
  • the judgment criterion is The analysis device according to appendix 4, which is determined by statistically processing past traffic data.
  • the first analysis result and the second analysis result are 15.
  • the at least one of the first input data and the second input data includes traffic data measured in the same period as a part or all of the prediction period of the future traffic data
  • the second analysis unit The analyzer according to any one of appendices 1 to 7, wherein the second analysis result is generated according to the determination standard used when generating the second analysis result in the past.
  • a communication device An information storage device for collecting communication logs related to traffic data from at least one of the communication devices;
  • the future traffic data is analyzed using a prediction unit that performs machine learning using the communication log and predicts future traffic data in the communication system including the communication device, and analyzes the future traffic data using the first input data.
  • the first analysis unit that generates a first analysis result according to the purpose, and the future traffic data are analyzed using the second input data, and the second analysis result that corresponds to a second purpose is obtained.
  • An analysis device having a second analysis unit to generate.
  • the prediction unit The future traffic data commonly used in the first analysis unit and the second analysis unit is calculated, and the calculated future traffic data is sent to the first analysis unit and the second analysis unit.
  • the first analysis unit is Machine learning is performed using the first input data and the future prediction data to calculate the first analysis result
  • the second analysis unit The communication system according to appendix 9 or 10, wherein machine learning is performed using the second input data and the future prediction data to calculate the second analysis result.
  • the first analysis unit is Machine learning is performed using the first input data and the future prediction data to calculate the first analysis result
  • the second analysis unit The communication system according to appendix 9 or 10, wherein the second analysis result is generated according to the second input data, the future prediction data, and a predetermined determination criterion.
  • Machine learning using past traffic data in the communication system to predict future traffic data in the communication system Analyzing the future traffic data using a first input data and generating a first analysis result according to a first purpose; A data processing method of analyzing the future traffic data using second input data and generating a second analysis result according to a second purpose.
  • Machine learning using past traffic data in the communication system to predict future traffic data in the communication system Analyzing the future traffic data using a first input data and generating a first analysis result according to a first purpose;

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

データ処理量が増加し、処理負荷が増大するという問題を解決することができる分析装置を提供することを目的とする。本開示にかかる分析装置（１０）は、通信システムにおける過去のトラヒックデータを用いて機械学習を行い、通信システムにおける将来のトラヒックデータを予測する予測部（１３）と、第１の入力データを用いて将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成する分析部（１１）と、第２の入力データを用いて将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成する分析部（１２）と、を備える。

Description

分析装置、通信システム、データ処理方法、及び非一時的なコンピュータ可読媒体
　本開示は分析装置、通信システム、データ処理方法、及びプログラムに関する。
　近年、膨大なデータを分析することによって予測データ等を生成し、生成した予測データを提供するサービスが検討されている。膨大なデータの分析においては、例えば、機械学習等が用いられる。人がデータ処理を行う場合と比較して、機械学習を用いたデータ処理は、早期に完了する。そのため、機械学習等が用いられることによって、膨大なデータを迅速に処理することが可能となる。
　例えば、特許文献１には、これまでに起きていない障害の発生やユーザ数の増加等の状況を想定しながら、将来のある時点における現状設備の良否について判断することが可能な評価システムが記載されている。
特開２００９－２１２６５４号公報
　特許文献１に記載されている評価システムは、将来のある時点までのトラヒック量を予測し、予測したトラヒック量に基づいて、将来のある時点における現状設備の良否を評価する。しかし、特許文献１には、例えば、将来のある時点における現状設備の良否を評価するための一連のデータ処理が記載されているが、評価システムが、ネットワークに関する複数の項目を評価することは記載されていない。そのため、特許文献１に記載されているデータ処理を用いて、複数の項目を評価する評価システムを構築する場合、トラヒック量の予測から、項目に応じた評価結果の生成までをそれぞれの項目ごとに実施する必要がある。その結果、評価システムが複数の項目を評価する場合、評価する項目の数に応じて、データ処理量が増加し、評価システムにおける処理負荷が増大するという問題が発生する。
　本開示の目的は、上述した課題を鑑み、評価する項目の数に応じてデータ処理量が増加し、処理負荷が増大するという問題を解決することができる分析装置、通信システム、データ処理方法、及びプログラムを提供することにある。
　本開示の第１の態様にかかる分析装置は、通信システムにおける過去のトラヒックデータを用いて機械学習を行い、前記通信システムにおける将来のトラヒックデータを予測する予測部と、第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成する第１の分析部と、第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成する第２の分析部と、を備える。
　本開示の第２の態様にかかる通信システムは、通信装置と、少なくとも１つの前記通信装置からトラヒックデータに関する通信ログを収集する情報蓄積装置と、前記通信ログを用いて機械学習を行い、前記通信装置を含む通信システムにおける将来のトラヒックデータを予測する予測部と、第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成する第１の分析部、及び、第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成する第２の分析部、を有する分析装置と、を備える。
　本開示の第３の態様にかかるデータ処理方法は、通信システムにおける過去のトラヒックデータを用いて機械学習を行い、前記通信システムにおける将来のトラヒックデータを予測し、第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成し、第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成する。
　本開示の第４の態様にかかるプログラムは、通信システムにおける過去のトラヒックデータを用いて機械学習を行い、前記通信システムにおける将来のトラヒックデータを予測し、第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成し、第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成することをコンピュータに実行させる。
　本開示により、データ処理量が増加し、処理負荷が増大するという問題を解決することができる分析装置、通信システム、データ処理方法、及びプログラムを提供することができる。
実施の形態１にかかる分析装置の構成図である。 実施の形態２にかかる通信システムの構成図である。 実施の形態２にかかる分析装置の構成図である。 実施の形態２にかかる分析装置において実行される処理の概要を説明する図である。 実施の形態２にかかる分析装置において実行されるデータ処理の流れを説明する図である。 実施の形態２にかかるイベント分析の概要を説明する図である。 実施の形態２にかかるパケットロス分析の概要を説明する図である。 実施の形態３にかかる分析装置の構成図である。 実施の形態３にかかる分析装置の構成図である。 それぞれの実施の形態における分析装置の構成図である。
　（実施の形態１）
　以下、図面を参照して本開示の実施の形態について説明する。図１を用いて実施の形態１にかかる分析装置１０の構成例について説明する。分析装置１０は、プロセッサがメモリに格納されたプログラムを実行することによって動作するコンピュータ装置であってもよい。例えば、分析装置１０は、パーソナルコンピュータもしくはサーバ装置等であってもよい。
　分析装置１０は、分析部１１、分析部１２、及び予測部１３を有している。分析部１１、分析部１２、及び予測部１３は、プロセッサがメモリに格納されたプログラムを実行することによって処理が実行されるソフトウェアもしくはモジュールであってもよい。または、分析部１１、分析部１２、及び予測部１３は、チップもしくは回路等のハードウェアであってもよい。
　分析部１２は、通信システムにおける過去のトラヒックデータを用いて機械学習（machine learning）を行い、通信システムにおけるトラヒックデータを予測する。通信システムは、例えば、複数の通信装置もしくは通信ノードを含む。通信システムは、例えば、光通信ネットワークもしくは無線ネットワーク等のアクセスネットワークシステムであってもよい。または、通信システムは、アクセスネットワークシステムから送信されたデータを中継するバックボーンネットワークシステムであってもよい。または、通信システムは、アクセスネットワーク及びバックボーンネットワークシステムを含むシステムであってもよい。バックボーンネットワークシステムは、例えば、コアネットワークシステムと言い換えられてもよい。
　トラヒックデータは、例えば、通信装置間もしくは通信システム内において伝送されるトラヒック量もしくはデータ量を示すデータであってもよい。通信システム内とは、複数の通信装置を含む通信システム全体を意図する。例えば、通信装置間におけるトラヒックデータは、通信システム内の通信装置間毎のトラヒックデータであってもよい。また、通信システム全体におけるトラヒックデータは、各通信装置間におけるトラヒックデータの合計であってもよい。
　または、トラヒックデータは、通信装置間もしくは通信システム内において設定もしくは確立されるセッション数であってもよい。または、トラヒックデータは、通信装置もしくは通信システムを利用する通信端末数であってもよい。言い換えると、トラヒックデータは、通信装置もしくは通信システムに接続している通信端末数であってもよく、通信装置もしくは通信システムにおいて管理されている通信端末数であってもよい。または、トラヒックデータは、トラヒック量、データ量、セッション数、通信端末数のうち少なくとも１つを含み、トラヒック量、データ量、セッション数、通信端末数のうち２以上の要素を組み合わせたデータであってもよい。また、通信端末数は、ユーザ数と言い換えられてもよい。
　過去のトラヒックデータは、例えば、過去の特定の期間に測定されたトラヒックデータであってもよい。もしくは、過去のトラヒックデータは、過去の特定の期間に予測されたトラヒックデータであってもよく、予測されたトラヒックデータが、測定されたトラヒックデータを用いて修正もしくは更新されたデータであってもよい。
　機械学習を行いトラヒックデータを予測するとは、例えば、予測部１３が、膨大な数の過去のトラヒックデータを分析し、分析した結果見出された特定のパターンを用いて、将来のトラヒックデータを予測することであってもよい。例えば、機械学習は、過去のトラヒックデータを説明変数にして、目的変数として将来のトラヒックデータを算出する予測モデルを学習もしくは生成することであってもよい。予測モデルは、予測式もしくは学習モデルと言い換えられてもよい。また、予測する、とは、推定するもしくは想定すると言い換えられてもよい。また、予測する、とは、計算する、もしくは、演算すると言い換えられてもよい。機械学習は、ＡＩ（Artificial Intelligence）を実現するために用いられる手法である。さらに、機械学習は、具体的には深層学習（deep learning）であってもよい。深層学習は、例えば、計算アルゴリズムとしてニューラルネットワークを用いる学習である。
　分析部１１は、第１の入力データを用いて、将来のトラヒックデータを分析する。さらに、分析部１１は、分析部１１に割り当てられた目的、もしくは、分析部１１が適用する目的に応じた分析結果を生成する。第１の入力データは、分析部１１に割り当てられた目的、もしくは、分析部１１が適用する目的に応じた分析結果を生成するために必要となる入力データである。つまり、第１の入力データは、分析部１１が生成する分析結果を導き出すために必要となるデータである。入力データは、例えば、補助データ等と言い換えられてもよい。分析部１１に割り当てられた目的、もしくは、分析部１１が適用する目的とは、例えば、分析部１１が提供するサービスと言い換えられてもよい。または、目的は、ポリシーと言い換えられてもよい。
　分析部１２は、第２の入力データを用いて、将来のトラヒックデータを分析する。さらに、分析部１２は、分析部１２に割り当てられた目的、もしくは、分析部１２が適用する目的に応じた分析結果を生成する。第２の入力データは、分析部１２に割り当てられた目的、もしくは、分析部１２が適用する目的に応じた分析結果を生成するために必要となる入力データである。つまり、第２の入力データは、分析部１２が生成する分析結果を導き出すために必要となるデータである。
　分析部１１は、分析部１２が分析する将来のトラヒックデータと同じ将来のトラヒックデータを用いる。また、分析部１１は、分析部１２が用いる入力データと異なる入力データを用い、分析部１２が生成する分析結果とは異なる分析結果を生成する。
　以上説明したように、分析装置１０は、予測部１３が実行するトラヒックデータの予測と、分析部１１及び分析部１２が実行する予測されたトラヒックデータの分析とを分けて実行することができる。具体的には、分析部１１及び分析部１２は、予測部１３において予測されたトラヒックデータを用いて、それぞれの目的に応じた分析結果を生成することができる。つまり、分析部１１は、分析部１２が用いるトラヒックデータと同じトラヒックデータを用いて、分析部１２が生成する分析結果と異なる分析結果を生成することができる。
　これより、分析部１１及び分析部１２のそれぞれが、過去のトラヒックデータを用いて将来のトラヒックデータを予測する必要がなくなる。つまり、分析装置１０内においては、予測部１３が、過去のトラヒックデータを用いて将来のトラヒックデータを予測する処理を行い、分析部１１及び分析部１２は、予測部１３が予測したトラヒックデータを用いる。そのため、過去のトラヒックデータを用いて将来のトラヒックデータを予測する処理が、分析部１１及び分析部１２において重複して実施されることを回避すすることができる。その結果、例えば、分析装置１０が提供するサービスが増加し、分析部の数が増加した場合であっても、それぞれの分析部における分析処理が増加するのみであり、トラヒックデータの予測処理が増加することを回避することができる。
　（実施の形態２）
　続いて、図２を用いて実施の形態２にかかる通信システムの構成例について説明する。図２の通信システムは、分析装置２０、通信装置３１、通信装置３２、及び情報蓄積装置４０を有している。分析装置２０は、図１の分析装置１０に相当する。通信装置３１及び通信装置３２は、通信ノードと言い換えられてもよい。情報蓄積装置４０は、例えば、データベース装置であってもよい。図２においては、通信システムが、２台の通信装置を含む構成を示しているが、３台以上の通信装置を含んでもよい。また、通信装置３１及び通信装置３２は、それぞれ、他の通信装置と有線回線もしくは無線回線を介して接続してもよい。
　通信装置３１及び通信装置３２は、例えば、モバイルネットワークにおいて用いられる基地局であってもよく、コアネットワーク装置であってもよい。基地局は、例えば、３ＧＰＰ（3rd Generation Partnership Project）において規定されたＬＴＥ（Long Term Evolution）をサポートするｅＮＢ（evolved Node B）であってもよい。もしくは、基地局は、３ＧＰＰにおいて規定されたいわゆる２Ｇもしくは３ＧをサポートするＮｏｄｅ　Ｂであってもよい。
　コアネットワーク装置は、たとえば、ＥＰＣ（Evolved Packet Core）を構成する装置であってもよい。ＥＰＣを構成する装置は、例えば、ＭＭＥ（Mobility Management Entity）、ＳＧＷ（Serving Gateway）もしくはＰＧＷ（Packet Data Network Gateway）であってもよい。
　または、通信装置３１及び通信装置３２は、基地局間、コアネットワーク装置間、もしくは、基地局とコアネットワーク装置との間において伝送されるデータを中継する中継装置であってもよい。中継装置は、例えば、マイクロ波無線通信システムを構成する伝送装置であってもよい。
　図２においては、情報蓄積装置４０と分析装置２０とが異なる装置として示されているが、例えば、分析装置２０が、情報蓄積装置４０の有する機能を含み、分析装置２０と情報蓄積装置４０とが一体の装置を構成してもよい。
　情報蓄積装置４０は、通信装置３１、通信装置３２等から過去のトラヒックデータを収集する。情報蓄積装置４０が収集する過去のトラヒックデータは、例えば、通信装置３１及び通信装置３２等において生成された通信ログであってもよい。
　また、情報蓄積装置４０は、カレンダー情報、発生したイベント情報、天気情報、実施されたキャンペーン情報（以下、カレンダー情報等と称する）を有していてもよい。情報蓄積装置４０は、カレンダー情報等を、外部サーバ等から取得してもよい。カレンダー情報は、日付情報、曜日情報、祝日情報等を含む。イベント情報とは、例えば、スポーツイベントの開催情報、選挙の実施情報等であってもよい。情報蓄積装置４０は、通信装置３１及び通信装置３２等から収集した過去のトラヒックデータと、カレンダー情報等を関連付けて管理してもよい。また、カレンダー情報等と関連付けられたトラヒックデータを、過去のトラヒックデータと称してもよい。
　分析装置２０は、情報蓄積装置４０において蓄積された情報を用いて、将来のトラヒックデータの予測を行う。また、分析装置２０は、情報蓄積装置４０の代わりに、カレンダー情報等を、外部サーバ等から取得してもよい。もしくは、分析装置２０は、情報蓄積装置４０が収集するカレンダー情報とは異なるカレンダー情報を外部サーバ等から取得してもよい。さらに、分析装置２０は、情報蓄積装置４０において蓄積された情報を用いて、分析結果を生成してもよい。
　続いて、図３を用いて実施の形態２にかかる分析装置２０の構成例について説明する。分析装置２０は、図１の分析装置１０に、通信部２１及び出力部２２が追加された構成である。分析装置２０において、分析装置１０と同様の構成もしくは機能については、詳細な説明を省略する。
　通信部２１は、情報蓄積装置４０と通信する。通信部２１は、情報蓄積装置４０から、過去のトラヒックデータを受信する。また、情報蓄積装置４０及び分析装置２０が一体の装置として構成される場合、通信部２１は、通信装置３１、通信装置３２等から、過去のトラヒックデータを収集してもよい。
　通信部２１は、受信した過去のトラヒックデータを予測部１３へ出力する。また、通信部２１は、情報蓄積装置４０から受信したデータの中に、分析部１１及び分析部１２が用いる入力データが含まれる場合、分析部１１及び分析部１２が用いる入力データを分析部１１及び分析部１２へ出力する。
　予測部１３は、過去のトラヒックデータを用いて、将来のトラヒックデータを予測する。ここで、予測部１３は、通信装置３１及び通信装置３２等の、各通信装置が処理するトラヒックデータを予測してもよい。もしくは、予測部１３は、対向する通信装置間において伝送されるトラヒックデータを予測してもよい。もしくは、予測部１３は、３台以上の通信装置において構成される通信区間において伝送されるトラヒックデータを予測してもよい。もしくは、予測部１３は、通信システム全体において処理もしくは伝送されるトラヒックデータを予測してもよい。
　分析部１１及び分析部１２は、それぞれの分析結果を出力部２２へ出力する。出力部２２は、分析部１１及び分析部１２から受け取った分析結果を、例えば、モニター等へ出力する。分析装置２０を管理もしくは操作するユーザは、モニター等へ出力された分析結果を視認することができる。モニター等は、分析装置２０と一体として構成されてもよく、分析装置２０にケーブルもしくは近距離無線通信等により接続されているモニター装置であってもよい。
　続いて、図４を用いて、分析装置２０において実行される処理の概要について説明する。予測部１３は、過去のトラヒックデータを用いてトラヒック予測データを生成もしくは算出する。また、予測部１３は、生成したトラヒック予測データを分析部１１及び分析部１２へ出力する。トラヒック予測データは、分析部１１及び分析部１２において共通して用いられるデータである。
　例えば、分析部１１は、トラヒック予測データを用いてイベント分析を行う。分析部１２は、トラヒック予測データを用いてパケットロス分析を行う。また、分析部１１及び分析部１２は、その他の分析を行ってもよい。また、分析装置２０は、３つ以上の分析部を有してもよく、パケットロス分析及びイベント分析に加えて、その他の分析が行われてもよい。その他の分析は、例えば、通信システムに障害が発生した場合における対処方法の特定、通信システムに障害が発生した場合における原因の特定等であってもよい。
　分析部１１及び分析部１２は、アプリケーションレイヤにおける処理を実行してもよい。つまり、分析部１１及び分析部１２は、それぞれサービスを提供するアプリケーションであってもよい。
　また、分析部１１及び分析部１２は、それぞれ異なるプロセッサを用いて処理が実行されてもよく、一つのプロセッサを用いて実行されてもよい。さらに、分析部１１、分析部１２、及び予測部１３は、それぞれ異なるプロセッサを用いて処理が実行されてもよい。
　また、分析部１１は、複数のプロセッサを用いて、イベント分析を行ってもよい。つまり、イベント分析処理に含まれる複数の処理が、それぞれ異なるプロセッサにおいて行われてもよい。イベント分析処理に含まれる複数の処理は、複数のプロセッサを用いて並列に実行されてもよい。もしくは、イベント分析処理に含まれる複数の処理は、直列に接続されたプロセッサを用いて、段階的に実行されてもよい。分析部１２において実行されるパケットロス分析も、分析部１１において実行されるイベント分析と同様である。
　さらに、分析部１１において実行されたイベント分析の結果及び分析部１２において実行されたパケットロス分析の少なくとも一方を用いて、さらに、異なる分析が行われてもよい。例えば、異なる分析は、トラヒック需要予測等であってもよい。
　また、予測部１３は、複数のプロセッサを用いて、将来のトラヒックデータの予測を行ってもよい。つまり、将来のトラヒックデータの予測処理に含まれる複数の処理が、それぞれ異なるプロセッサにおいて行われてもよい。将来のトラヒックデータの予測に含まれる複数の処理は、複数のプロセッサを用いて並列に実行されてもよい。もしくは、将来のトラヒックデータの予測処理に含まれる複数の処理は、直列に接続されたプロセッサを用いて、段階的に実行されてもよい。
　出力部２２は、分析部１１及び分析部１２のそれぞれから出力された分析結果を、モニター等へ出力する。
　続いて、図５を用いて、分析装置２０において実行されるデータ処理の流れについて説明する。はじめに、予測部１３は、通信部２１を介して情報蓄積装置４０から過去のトラヒックデータを取得する（Ｓ１１）。過去のトラヒックデータは、カレンダー情報等が関連付けられていてもよい。
　次に、予測部１３は、取得した過去のトラヒックデータを用いて、将来のトラヒックデータを予測する（Ｓ１２）。つまり、予測部１３は、トラヒック予測データを生成する。次に、分析部１１及び分析部１２は、目的に応じた入力データを用いて、トラヒック予測データを分析する（Ｓ１３）。次に、出力部２２は、分析部１１及び分析部１２における分析結果をモニター等へ出力する。
　ここで、ステップＳ１２において実行されるトラヒック予測について詳細に説明する。予測部１３が取得する過去のトラヒックデータは、例えば、通信装置３１及び通信装置３２等のそれぞれの通信装置において過去に実際に測定された、トラヒック量、データ量、セッション数、通信端末数等を含む。さらに、予測部１３が取得する過去のトラヒックデータは、カレンダー情報等も含む。つまり、予測部１３は、トラヒック量、データ量、セッション数、及び通信端末数の少なくとも一つを説明変数とする。さらに、予測部１３は、トラヒック量、データ量、セッション数、及び通信端末数の少なくとも一つと関連付けられたカレンダー情報等も説明変数とする。トラヒック量等には、カレンダー情報、発生したイベント情報、天気情報、実施されたキャンペーン情報の少なくとも一つが関連付けられてもよい。
　予測部１３は、トラヒック予測を行うために用いられる予測式を用いて、目的変数である将来のトラヒックデータを算出する。将来のトラヒックデータは、例えば、トラヒック量、データ量、セッション数、及び通信端末数の少なくとも一つを含む。
　続いて、図６を用いて、分析部１１が実行する分析例として、イベント分析について詳細に説明する。イベント分析は、例えば、トラヒック予測データと、トラヒック実測データとから、イベントが発生したか否かを分析することであってもよい。イベントとは、例えば、スポーツ観戦イベント、選挙、災害発生、もしくは、障害発生等であってもよい。トラヒック実測データは、例えば、情報蓄積装置４０から受信する過去のトラヒックデータに含まれてもよい。
　分析部１１は、例えば、予測部１３において算出されたトラヒック予測データの一部の期間もしくは全ての期間におけるトラヒック実測データを、通信部２１を介して情報蓄積装置４０から取得する。つまり、分析部１１は、入力データとして、予測部１３において算出されたトラヒック予測データの一部の期間もしくは全ての期間におけるトラヒック実測データを用いる。図６においては、縦軸は、所定期間におけるトラヒックデータ量をＭｂｐｓ（Megabits per second）を用いて示している。また、横軸は、時間を示している。破線で示される曲線は、トラヒック予測データを示している。実線で示される曲線は、トラヒック実測データを示している。
　分析部１１は、同一期間のトラヒック予測データとトラヒック実測データとを比較する。分析部１１は、比較した結果、トラヒック予測データとトラヒック実測データとの差分が予め定められた閾値を超えた場合に、イベントが発生したと推定する。さらに、分析部１１は、トラヒック予測データとトラヒック実測データとの差分の大きさに応じて、発生したイベントの内容を特定してもよい。例えば、分析部１１は、差分がａ Ｍｂｐｓ（ａは、正の値）より大きくｂ Ｍｂｐｓ（ｂは、ａより大きい正の値）より小さい場合、イベントＡが発生したと判定してもよい。さらに、差分が、ｂ Ｍｂｐｓより大きく、ｃ Ｍｂｐｓ（ｃは、ａより大きい正の値）より小さい場合、イベントＢが発生したと判定してもよい。
　図６は、トラヒック予測データと、トラヒック予測データの全ての期間におけるトラヒック実測データとが示されているが、トラヒック実測データは、トラヒック予測データの一部の期間であってもよい。
　イベントが発生したか否かを判定するために用いられる閾値は、例えば、分析装置２０の管理者もしくはユーザ等によって入力されてもよい。もしくは、イベントが発生したか否かを判定するために用いられる閾値は、統計処理を用いて算出されてもよい。例えば、イベントが発生したか否かを判定するために用いられる閾値として、トラヒック予測データに対する、トラヒック実測データの標準偏差σが用いられてもよい。もしくは、標準偏差σに所定の係数を乗算した値が、閾値として用いられてもよい。
　もしくは、分析部１１は、イベントが発生したか否かの判定を、機械学習を用いて実行してもよい。例えば、分析部１１は、トラヒック予測データ及びトラヒック実測データを説明変数とし、イベント発生有無を目的変数とする予測式を用いてもよい。
　イベントが発生したか否かの判定結果は、例えば、今後、同様のイベントの発生が想定される日程において、設備の増強等の通信システムにおける構成変更を検討するために用いることができる。つまり、イベントが発生したか否かの判定結果は、通信システムにおける構成変更を促すために用いられる情報と言える。
　続いて、図７を用いて、分析部１２が実行する分析例として、パケットロス分析について詳細に説明する。パケットロス分析は、例えば、パケットロスの発生時期もしくはパケットロス量等を予測することであってもよい。
　分析部１２は、例えば、通信装置３１及び通信装置３２等の各通信装置において、パケットロスが発生した期間と、パケットロスが発生した期間におけるトラヒックデータ量とが関連付けられたデータを入力データとして用いる。分析部１２は、分析に用いる入力データを、通信部２１を介して、情報蓄積装置４０から取得してもよい。情報蓄積装置４０は、例えば、通信装置３１及び通信装置３２等の各通信装置から、通信ログとして、パケットロスが発生した期間と、パケットロスが発生した期間におけるトラヒックデータ量とに関する情報を収集してもよい。
　図７においては、縦軸は、所定期間におけるトラヒックデータ量をＭｂｐｓ（Megabits per second）を用いて示している。また、横軸は、時間を示している。破線で示される曲線は、トラヒック予測データを示している。実線で示される曲線は、トラヒック予測データより前の期間における、過去のトラヒック実測データを示している。
　さらに、基準値は、過去に、パケットロスが発生したタイミングにおけるトラヒックデータ量を示している。
　分析部１２は、トラヒック予測データと、基準値とを比較する。分析部１２は、基準値を超えるトラヒックが発生すると予測される期間を、パケットロスが発生する期間と予測してもよい。図７においては、二つの期間が、パケットロスが発生する期間として予測されている。また、分析部１２は、過去にパケットロスが発生した際のパケットロス量と、トラヒックデータ量との関係から、パケットロスが発生すると予測される期間におけるパケットロス量を予測してもよい。分析部１２は、過去にパケットロスが発生した際のパケットロス量と、トラヒックデータ量との間の法則を機械学習等を用いて見出してもよい。
　パケットロスが発生する期間を予測するために用いられる基準値は、例えば、統計処理を用いて算出された過去のトラヒックデータ量に関する標準偏差σが用いられてもよい。もしくは、標準偏差σの整数倍の値が、閾値として用いられてもよい
　もしくは、分析部１２は、パケットロスが発生する期間の予測を、機械学習を用いて実行してもよい。例えば、分析部１２は、過去のトラヒックデータ量及びパケットロスが発生したタイミングを説明変数とし、パケットロスが発生する期間を目的変数とする予測式を用いてもよい。
　パケットロスが発生する期間に関する判定結果は、例えば、今後、パケットロスが発生する期間として予測される期間の前に、設備の増強もしくは通信経路の変更等の通信システムにおける構成変更を検討するために用いることができる。つまり、パケットロスが発生する期間に関する判定結果は、通信システムにおける構成変更を促すために用いられる情報と言える。
　以上説明したように、実施の形態２にかかる分析装置２０は、情報蓄積装置４０において収集された過去のトラヒックデータを用いて、トラヒック予測データを生成もしくは算出することができる。
　さらに、分析部１１及び分析部１２は、トラヒック予測データを用いて、例えば、パケットロス分析及びイベント分析等の分析結果を生成することができる。予測部１３は、分析部１１及び分析部１２に共通して用いられるトラヒック予測データを生成することができる。そのため、分析部１１及び分析部１２は、それぞれがトラヒック予測データを生成する必要が無い。その結果、分析部の数、もしくは、生成される分析結果の数が増加した場合であっても、分析装置１０において実行されるトラヒック予測データの処理が増加することが無い。
　（実施の形態３）
　続いて、図８及び図９を用いて、実施の形態３にかかる分析装置２０の構成例について説明する。図８の点線に含まれる分析部１１及び予測部１３は、機械学習を行う範囲を示している。つまり、図８においては、予測部１３におけるトラヒックデータを予測する処理及び分析部１１における分析する処理が、機械学習を用いて行われることを示している。また、図９においては、予測部１３におけるトラヒックデータを予測する処理と、分析部１１及び分析部１２における分析する処理が、機械学習を用いて行われることを示している。つまり、すべての分析処理が、機械学習を用いて行われてもよい。
　もしくは、全ての分析処理が、機械学習を用いずに行われてもよい。
　機械学習が用いられる場合、機械学習が用いられない場合と比較して、分析結果を生成するために用いる予測データの数および入力データの数を増加させることができる。その結果、機械学習が用いられる場合、機械学習が用いられない場合と比較して、分析結果の精度を高めることができる。
　また、機械学習が用いられない場合には、例えば、判定基準を管理者等が決定する場合と、統計処理を用いて判定基準を決定する場合とがある。統計処理を用いて判定基準を決定する場合、管理者等が判定基準を決定する場合と比較して、多くの過去のトラヒックデータ等を用いて判定基準を決定することができる。そのため、統計処理を用いて判定基準を決定する場合、管理者等が判定基準を決定する場合と比較して、分析結果の精度を高めることができる。
　図１０は、上述の実施形態において説明した分析装置１０もしくは２０の構成例を示すブロック図である。図１０を参照すると、分析装置１０もしくは２０は、ネットワーク・インターフェース１２０１、プロセッサ１２０２、及びメモリ１２０３を含む。ネットワーク・インターフェース１２０１は、通信システムを構成する他のネットワークノード装置と通信するために使用される。ネットワーク・インターフェース１２０１は、例えば、IEEE 802.3 seriesに準拠したネットワークインターフェースカード（NIC）を含んでもよい。
　プロセッサ１２０２は、メモリ１２０３からソフトウェア（コンピュータプログラム）を読み出して実行することで、上述の実施形態においてシーケンス図及びフローチャートを用いて説明された分析装置１０もしくは２０の処理を行う。プロセッサ１２０２は、例えば、マイクロプロセッサ、MPU（Micro Processing Unit）、又はCPU（Central Processing Unit）であってもよい。プロセッサ１２０２は、複数のプロセッサを含んでもよい。
　メモリ１２０３は、揮発性メモリ及び不揮発性メモリの組み合わせによって構成される。メモリ１２０３は、プロセッサ１２０２から離れて配置されたストレージを含んでもよい。この場合、プロセッサ１２０２は、図示されていないI/Oインタフェースを介してメモリ１２０３にアクセスしてもよい。
　図１０の例では、メモリ１２０３は、ソフトウェアモジュール群を格納するために使用される。プロセッサ１２０２は、これらのソフトウェアモジュール群をメモリ１２０３から読み出して実行することで、上述の実施形態において説明された分析装置１０もしくは２０の処理を行うことができる。
　図１０を用いて説明したように、分析装置１０もしくは２０が有するプロセッサの各々は、図面を用いて説明されたアルゴリズムをコンピュータに行わせるための命令群を含む１又は複数のプログラムを実行する。
　上述の例において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）を含む。さらに、非一時的なコンピュータ可読媒体の例は、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗを含む。さらに、非一時的なコンピュータ可読媒体の例は、半導体メモリを含む。半導体メモリは、例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory）を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
　なお、本開示は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。また、本開示は、それぞれの実施の形態を適宜組み合わせて実施されてもよい。
　以上、実施の形態を参照して本願発明を説明したが、本願発明は上記によって限定されるものではない。本願発明の構成や詳細には、発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０１７年１２月７日に出願された日本出願特願２０１７－２３５１９３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。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
　（付記１）
　通信システムにおける過去のトラヒックデータを用いて機械学習を行い、前記通信システムにおける将来のトラヒックデータを予測する予測部と、
　第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成する第１の分析部と、
　第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成する第２の分析部と、を備える分析装置。
　（付記２）
　前記予測部は、
　前記第１の分析部及び前記第２の分析部において共通して用いられる前記将来のトラヒックデータを算出し、算出した前記将来のトラヒックデータを前記第１の分析部及び前記第２の分析部へ出力する、付記１に記載の分析装置。
　（付記３）
　前記第１の分析部は、
　前記第１の入力データと前記将来の予測データとを用いて機械学習を行い、前記第１の分析結果を算出し、
　前記第２の分析部は、
　前記第２の入力データと前記将来の予測データとを用いて機械学習を行い、前記第２の分析結果を算出する、付記１又は２に記載の分析装置。
　（付記４）
　前記第１の分析部は、
　前記第１の入力データと前記将来の予測データとを用いて機械学習を行い、前記第１の分析結果を算出し、
　前記第２の分析部は、
　予め定められた判定基準に従って、前記第２の分析結果を生成する、付記１又は２に記載の分析装置。
　（付記５）
　前記判定基準は、
　過去のトラヒックデータを統計的な処理を行うことによって決定される、付記４に記載の分析装置。
　（付記６）
　前記第１の分析結果及び前記第２の分析結果は、
　前記通信システムにおける構成変更を促すために用いられる情報である、付記１乃至５のいずれか１項に記載の分析装置。
　（付記７）
　前記第１の入力データ及び前記第２の入力データの少なくとも一方は、前記将来のトラヒックデータの予測期間の一部もしくは全ての期間と同じ期間において測定されたトラヒックデータを含む、付記１乃至６のいずれか１項に記載の分析装置。
　（付記８）
　前記第２の分析部は、
　過去に前記第２の分析結果を生成する際に用いた判定基準に従って、前記第２の分析結果を生成する、付記１乃至７のいずれか１項に記載の分析装置。
　（付記９）
　通信装置と、
　少なくとも１つの前記通信装置からトラヒックデータに関する通信ログを収集する情報蓄積装置と、
　前記通信ログを用いて機械学習を行い、前記通信装置を含む通信システムにおける将来のトラヒックデータを予測する予測部と、第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成する第１の分析部、及び、第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成する第２の分析部、を有する分析装置と、を備える通信システム。
　（付記１０）
　前記予測部は、
　前記第１の分析部及び前記第２の分析部において共通して用いられる前記将来のトラヒックデータを算出し、算出した前記将来のトラヒックデータを前記第１の分析部及び前記第２の分析部へ出力する、付記９に記載の通信システム。
　（付記１１）
　前記第１の分析部は、
　前記第１の入力データと前記将来の予測データとを用いて機械学習を行い、前記第１の分析結果を算出し、
　前記第２の分析部は、
　前記第２の入力データと前記将来の予測データとを用いて機械学習を行い、前記第２の分析結果を算出する、付記９又は１０に記載の通信システム。
　（付記１２）
　前記第１の分析部は、
　前記第１の入力データと前記将来の予測データとを用いて機械学習を行い、前記第１の分析結果を算出し、
　前記第２の分析部は、
　前記第２の入力データと前記将来の予測データと予め定められた判定基準に従って、前記第２の分析結果を生成する、付記９又は１０に記載の通信システム。
　（付記１３）
　通信システムにおける過去のトラヒックデータを用いて機械学習を行い、前記通信システムにおける将来のトラヒックデータを予測し、
　第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成し、
　第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成する、データ処理方法。
　（付記１４）
　通信システムにおける過去のトラヒックデータを用いて機械学習を行い、前記通信システムにおける将来のトラヒックデータを予測し、
　第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成し、
　第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成することをコンピュータに実行させるプログラム。
　１０　分析装置
　１１　分析部
　１２　分析部
　１３　予測部
　２０　分析装置
　２１　通信部
　２２　出力部
　３１　通信装置
　３２　通信装置
　４０　情報蓄積装置

Claims (14)

  1. 　通信システムにおける過去のトラヒックデータを用いて機械学習を行い、前記通信システムにおける将来のトラヒックデータを予測する予測手段と、
    　第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成する第１の分析手段と、
    　第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成する第２の分析手段と、を備える分析装置。
  2. 　前記予測手段は、
    　前記第１の分析手段及び前記第２の分析手段において共通して用いられる前記将来のトラヒックデータを算出し、算出した前記将来のトラヒックデータを前記第１の分析手段及び前記第２の分析手段へ出力する、請求項１に記載の分析装置。
  3. 　前記第１の分析手段は、
    　前記第１の入力データと前記将来の予測データとを用いて機械学習を行い、前記第１の分析結果を算出し、
    　前記第２の分析手段は、
    　前記第２の入力データと前記将来の予測データとを用いて機械学習を行い、前記第２の分析結果を算出する、請求項１又は２に記載の分析装置。
  4. 　前記第１の分析手段は、
    　前記第１の入力データと前記将来の予測データとを用いて機械学習を行い、前記第１の分析結果を算出し、
    　前記第２の分析手段は、
    　予め定められた判定基準に従って、前記第２の分析結果を生成する、請求項１又は２に記載の分析装置。
  5. 　前記判定基準は、
    　過去のトラヒックデータを統計的な処理を行うことによって決定される、請求項４に記載の分析装置。
  6. 　前記第１の分析結果及び前記第２の分析結果は、
    　前記通信システムにおける構成変更を促すために用いられる情報である、請求項１乃至５のいずれか１項に記載の分析装置。
  7. 　前記第１の入力データ及び前記第２の入力データの少なくとも一方は、前記将来のトラヒックデータの予測期間の一部もしくは全ての期間と同じ期間において測定されたトラヒックデータを含む、請求項１乃至６のいずれか１項に記載の分析装置。
  8. 　前記第２の分析手段は、
    　過去に前記第２の分析結果を生成する際に用いた判定基準に従って、前記第２の分析結果を生成する、請求項１乃至７のいずれか１項に記載の分析装置。
  9. 　通信装置と、
    　少なくとも１つの前記通信装置からトラヒックデータに関する通信ログを収集する情報蓄積装置と、
    　前記通信ログを用いて機械学習を行い、前記通信装置を含む通信システムにおける将来のトラヒックデータを予測する予測手段と、第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成する第１の分析手段、及び、第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成する第２の分析手段、を有する分析装置と、を備える通信システム。
  10. 　前記予測手段は、
    　前記第１の分析手段及び前記第２の分析手段において共通して用いられる前記将来のトラヒックデータを算出し、算出した前記将来のトラヒックデータを前記第１の分析手段及び前記第２の分析手段へ出力する、請求項９に記載の通信システム。
  11. 　前記第１の分析手段は、
    　前記第１の入力データと前記将来の予測データとを用いて機械学習を行い、前記第１の分析結果を算出し、
    　前記第２の分析手段は、
    　前記第２の入力データと前記将来の予測データとを用いて機械学習を行い、前記第２の分析結果を算出する、請求項９又は１０に記載の通信システム。
  12. 　前記第１の分析手段は、
    　前記第１の入力データと前記将来の予測データとを用いて機械学習を行い、前記第１の分析結果を算出し、
    　前記第２の分析手段は、
    　前記第２の入力データと前記将来の予測データと予め定められた判定基準に従って、前記第２の分析結果を生成する、請求項９又は１０に記載の通信システム。
  13. 　通信システムにおける過去のトラヒックデータを用いて機械学習を行い、前記通信システムにおける将来のトラヒックデータを予測し、
    　第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成し、
    　第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成する、データ処理方法。
  14. 　通信システムにおける過去のトラヒックデータを用いて機械学習を行い、前記通信システムにおける将来のトラヒックデータを予測し、
    　第１の入力データを用いて前記将来のトラヒックデータを分析し、第１の目的に応じた第１の分析結果を生成し、
    　第２の入力データを用いて前記将来のトラヒックデータを分析し、第２の目的に応じた第２の分析結果を生成することをコンピュータに実行させるプログラムが格納された非一時的なコンピュータ可読媒体。
PCT/JP2018/044465 2017-12-07 2018-12-04 分析装置、通信システム、データ処理方法、及び非一時的なコンピュータ可読媒体 WO2019111866A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/769,754 US20200382383A1 (en) 2017-12-07 2018-12-04 Analysis apparatus, communication system, data processing method, and non-transitory computer readable medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017235193 2017-12-07
JP2017-235193 2017-12-07

Publications (1)

Publication Number Publication Date
WO2019111866A1 true WO2019111866A1 (ja) 2019-06-13

Family

ID=66750151

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/044465 WO2019111866A1 (ja) 2017-12-07 2018-12-04 分析装置、通信システム、データ処理方法、及び非一時的なコンピュータ可読媒体

Country Status (2)

Country Link
US (1) US20200382383A1 (ja)
WO (1) WO2019111866A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021039565A (ja) * 2019-09-03 2021-03-11 東芝情報システム株式会社 状態変動検出補助装置、状態変動検出装置、状態変動検出補助用プログラム、及び状態変動検出用プログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1132085A (ja) * 1997-06-05 1999-02-02 Northern Telecom Ltd 通信網管理方法および通信網管理用コンピュータ・システム
US8199672B1 (en) * 2008-02-25 2012-06-12 Marvell Israel (M.I.S.L.) Ltd. Method and apparatus for power reduction in network
US20150332155A1 (en) * 2014-05-16 2015-11-19 Cisco Technology, Inc. Predictive path characteristics based on non-greedy probing
JP2016537906A (ja) * 2013-08-30 2016-12-01 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ セルラー・ネットワークのための適応監視

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1132085A (ja) * 1997-06-05 1999-02-02 Northern Telecom Ltd 通信網管理方法および通信網管理用コンピュータ・システム
US8199672B1 (en) * 2008-02-25 2012-06-12 Marvell Israel (M.I.S.L.) Ltd. Method and apparatus for power reduction in network
JP2016537906A (ja) * 2013-08-30 2016-12-01 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ セルラー・ネットワークのための適応監視
US20150332155A1 (en) * 2014-05-16 2015-11-19 Cisco Technology, Inc. Predictive path characteristics based on non-greedy probing

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021039565A (ja) * 2019-09-03 2021-03-11 東芝情報システム株式会社 状態変動検出補助装置、状態変動検出装置、状態変動検出補助用プログラム、及び状態変動検出用プログラム

Also Published As

Publication number Publication date
US20200382383A1 (en) 2020-12-03

Similar Documents

Publication Publication Date Title
US10187899B2 (en) Modeling network performance and service quality in wireless networks
EP3654610A1 (en) Graphical structure model-based method for prevention and control of abnormal accounts, and device and equipment
CN110647446B (zh) 一种日志故障关联与预测方法、装置、设备及存储介质
US20170048109A1 (en) Core network analytics system
US8751417B2 (en) Trouble pattern creating program and trouble pattern creating apparatus
US20150195154A1 (en) Creating a Knowledge Base for Alarm Management in a Communications Network
EP1887819A1 (en) Abnormality detecting method and system, and upkeep method and system
JP5393894B2 (ja) 通信ネットワークにおけるシステムのシミュレーションのための方法及び装置
US20120203788A1 (en) Network management system and method for identifying and accessing quality of service issues within a communications network
US11777824B2 (en) Anomaly detection method and apparatus
Hanczewski et al. Convolution model of a queueing system with the cFIFO service discipline
KR102291615B1 (ko) 통신망의 장애를 예측하는 장치 및 방법
WO2019111866A1 (ja) 分析装置、通信システム、データ処理方法、及び非一時的なコンピュータ可読媒体
CN109963292B (zh) 投诉预测的方法、装置、电子设备和存储介质
CN111385128A (zh) 突发负荷的预测方法及装置、存储介质、电子装置
US11568313B2 (en) Control apparatus, analysis apparatus, communication system, data processing method, data transmission method, and non-transitory computer readable medium
Pereira et al. AI Use Cases in Operational Support System and Business Support System
CN116056117A (zh) 网络异常预测方法、装置及存储介质
WO2023111392A1 (en) Method and system for modifying state of device using detected anomalous behavior
KR101027242B1 (ko) 공정 제어 네트워크에서의 장애 예측 방법 및 장치
Andleeb et al. A study on the hourly behavior of key performance indicators of global system for mobile communications
Jung et al. A data‐driven customer quality of experience system for a cellular network
CN111385814A (zh) 小区网络负荷的评估方法、装置、设备及介质
US20220303794A1 (en) Systems and methods for providing network failure and cause code handling in 5g networks
JP2011130330A (ja) 通信帯域算出方法、設備設計計画装置、およびプログラム

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: 18884879

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18884879

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP