WO2020250319A1 - 制御装置、制御方法及び制御プログラム - Google Patents

制御装置、制御方法及び制御プログラム Download PDF

Info

Publication number
WO2020250319A1
WO2020250319A1 PCT/JP2019/023161 JP2019023161W WO2020250319A1 WO 2020250319 A1 WO2020250319 A1 WO 2020250319A1 JP 2019023161 W JP2019023161 W JP 2019023161W WO 2020250319 A1 WO2020250319 A1 WO 2020250319A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
iot
unit
normal communication
iot device
Prior art date
Application number
PCT/JP2019/023161
Other languages
English (en)
French (fr)
Inventor
公輝 野村
一凡 張
哲彦 村田
幸治 森下
太田　賢治
明夫 向山
貴大 温品
弘樹 長山
永渕　幸雄
谷川　真樹
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to JP2021525455A priority Critical patent/JP7243825B2/ja
Priority to US17/611,190 priority patent/US11765047B2/en
Priority to PCT/JP2019/023161 priority patent/WO2020250319A1/ja
Publication of WO2020250319A1 publication Critical patent/WO2020250319A1/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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—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
    • G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/66—Arrangements for connecting between networks having differing types of switching systems, e.g. gateways
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services

Definitions

  • the present invention relates to a control device, a control method, and a control program.
  • IoT gateway that connects devices such as cameras and temperature / humidity sensors to communication networks as IoT (Internet of Things) devices.
  • IoT devices usually have limited normal communication patterns, such as communicating only with a limited number of communication destinations. Therefore, as a security measure for IoT devices, IoT GW creates a model that covers normal communication patterns (hereinafter referred to as a normal communication model) (see, for example, Non-Patent Document 1). Then, when the IoT device communicates via the IoT GW, the IoT GW allows only normal communication that satisfies the normal communication model, and blocks abnormal communication that does not satisfy the normal communication model.
  • the present invention has been made in view of the above, and provides a control device, a control method, and a control program capable of realizing communication control of an IoT device while maintaining the accuracy and convenience of a normal communication model.
  • the purpose is to do.
  • the control device creates a normal communication model for each IoT device in which the normal communication pattern of the IoT device connected to the IoT GW is learned.
  • learning by the learning unit and the learning unit the interruption of learning, the end of learning, the continuation of learning and the restart of learning are determined based on the load of the learning environment, and the learning process by the learning unit is controlled based on the determination result. It is characterized by having a determination unit.
  • control method is a control method executed by the control device, and is learning to create a normal communication model for each IoT device by learning the normal communication pattern of the IoT device connected to the IoT GW.
  • process and learning by the learning process based on the load of the learning environment, it is judged that the learning is interrupted, the learning is finished, the learning is continued and the learning is restarted, and the learning process in the learning process is controlled based on the judgment result. It is characterized by including a process.
  • control program is a learning environment for a learning step of creating a normal communication model for each IoT device in which the normal communication pattern of the IoT device connected to the IoT GW is learned, and learning by the learning step.
  • the computer is made to execute a determination step of determining the interruption of learning, the end of learning, the continuation of learning, and the restart of learning, and controlling the learning process in the learning step based on the determination result.
  • FIG. 1 is a diagram showing an example of a configuration of a communication system according to an embodiment.
  • FIG. 2 is a block diagram showing an example of the configuration of the IoT GW shown in FIG.
  • FIG. 3 is a diagram illustrating an example of a normal communication model.
  • FIG. 4 is a diagram for explaining the learning result for the communication pattern of the IoT device and its convergence.
  • FIG. 5 is a diagram illustrating a learning result for a communication pattern of an IoT device and its convergence.
  • FIG. 6 is a flowchart of a processing procedure of control processing for learning carried out by IoT GW shown in FIG.
  • FIG. 7 is a flowchart showing a processing procedure of the interruption end determination process shown in FIG. FIG.
  • FIG. 8 is a flowchart showing a processing procedure of the continuation determination process shown in FIG.
  • FIG. 9 is a flowchart showing a processing procedure of the restart determination process shown in FIG.
  • FIG. 10 is a diagram illustrating a conventional normal communication model creation process and a normal communication model creation process by the IoT GW according to the present embodiment.
  • FIG. 11 is a diagram illustrating the learning process in the first embodiment.
  • FIG. 12 is a block diagram showing an example of the configuration of the server shown in FIG.
  • FIG. 13 is a diagram showing an example of a computer in which the IoT GW and the server of the embodiment are realized by executing the program.
  • FIG. 1 is a diagram showing an example of the configuration of the communication system 1 according to the embodiment.
  • the communication system 1 according to the embodiment has a configuration in which a plurality of IoT GWs 10 (control devices) and a server 20 are connected via a network N.
  • the IoT GW 10 accommodates a plurality of IoT devices 30.
  • the IoT GW 10 controls communication between the IoT device 30 under its control and an external device via the network N.
  • the IoT GW10 is, for example, a device provided by a service provider that provides an IoT service.
  • the IoT GW 10 receives information from the subordinate IoT device 30 and transmits it to the server 20. Further, the IoT GW 10 controls the communication of the IoT device 30 based on the information received from the subordinate IoT device 30 and the preset information.
  • the IoT GW 10 blocks the communication of the IoT device 30 that caused the abnormal communication based on the normal communication model for the communication of the IoT device 30. In addition, the IoT GW 10 performs a process of notifying the user of the occurrence of abnormal communication.
  • the server 20 is an information processing device managed by a service provider that provides the IoT GW10.
  • the configuration of the server 20 is not particularly limited.
  • the server 20 may be, for example, a physically one server or a virtual server virtually constructed across a plurality of servers.
  • the IoT device 30 is a device to be controlled by the IoT GW 10.
  • the IoT device 30 is, for example, a sensor such as a temperature sensor, an illuminance sensor, a motion sensor, an open / close sensor, etc., which are arranged in a predetermined space and position.
  • the IoT device 30 is an information processing device whose power consumption is controlled by the IoT service.
  • the IoT device 30 is an imaging device that captures an image of a predetermined space and transmits it to the IoT GW 10.
  • the number of IoT devices 30 accommodated in each IoT GW 10 is not particularly limited.
  • the IoT device 30 is communicably connected to the IoT GW 10.
  • the IoT device 30 and the IoT GW 10 are connected using a wired network, a wireless network, or a combination thereof.
  • FIG. 2 is a block diagram showing an example of the configuration of the IoT GW 10 shown in FIG.
  • the IoT GW 10 has a communication unit 11, a storage unit 12, and a control unit 13.
  • the communication unit 11 is a communication interface for transmitting and receiving various information to and from other devices connected via a network or the like.
  • the communication unit 11 is realized by a NIC (Network Interface Card) or the like, and communicates between another device and the control unit 13 (described later) via a telecommunication line such as a LAN (Local Area Network) or the Internet.
  • a NIC Network Interface Card
  • the communication unit 11 communicates with the IoT device 30.
  • the communication unit 11 communicates with the server 20.
  • the storage unit 12 is realized by a semiconductor memory element such as RAM (Random Access Memory) or flash memory (Flash Memory), or a storage device such as a hard disk or an optical disk, and executes a processing program for operating the IoT GW 10 or executing the processing program. The data used in it is stored.
  • the storage unit 12 has device identification information 121 and a normal communication model 122.
  • the device identification information 121 is information indicating the communication characteristics of the IoT device 30, and is, for example, information indicating the communication pattern of the IoT device 30.
  • the device identification information 121 is information that can be acquired by the IoT GW 10 by grasping and analyzing the communication of the IoT device 30.
  • the device identification information 121 is, for example, an open port for each device, a communication destination, a communication frequency, a communication protocol, a communication data size, a payload feature, and the like.
  • the device identification information 121 is, for example, the domain name of the communication destination of the IoT device 30.
  • the normal communication model 122 is a model in which the normal communication pattern of each IoT device 30 is learned, and is created for each IoT device 30.
  • the normal communication model 122 is created by the IoT GW 10 statistically analyzing and learning the communication of each IoT device 30 from a plurality of viewpoints such as the number of communication destinations and the packet size.
  • the normal communication model 122 is information related to normal communication, and the IoT GW 10 allows only normal communication that satisfies the normal communication model 122 when the IoT device 30 communicates via the IoT GW 10, and does not satisfy the normal communication model. Abnormal communication is blocked.
  • FIG. 3 is a diagram illustrating an example of the normal communication model 122.
  • the normal communication model 122 is, for example, a white list based on communication results.
  • the normal communication model 122 is a white list group created for each IoT device 30.
  • the normal communication model 122 has a white list indicating that "URL (a1)" and "URL (a2)" are normal communication destinations for the IoT device (a).
  • the normal communication model 122 may be information indicating a confidence interval based on communication statistics.
  • the statistical value is a feature amount of packets per unit time, and is, for example, the number of transmitted packets and the number of received packets.
  • the control unit 13 controls the entire IoT GW 10.
  • the control unit 13 is, for example, an electronic circuit such as a CPU (Central Processing Unit) or MPU (Micro Processing Unit), or an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or FPGA (Field Programmable Gate Array).
  • the control unit 13 has an internal memory for storing programs and control data that define various processing procedures, and executes each process using the internal memory.
  • the control unit 13 functions as various processing units by operating various programs.
  • the control unit 13 includes a learning unit 131, a determination unit 132, and a communication control unit 133.
  • the learning unit 131 creates a normal communication model 122 for each IoT device 30 in which the normal communication pattern of the IoT device 30 connected to the IoT GW 10 is learned. Further, the learning unit 131 interrupts learning of the normal communication pattern of the IoT device 30, ends learning, continues learning, and resumes learning according to the determination result of the determination unit 132, and creates a normal communication model 122. And continue to update.
  • the learning unit 131 can create or update the latest normal communication model 122 by continuing or resuming learning for the period determined by the determination unit 132. As the learning method, any existing learning method may be used.
  • the determination unit 132 determines the interruption of learning, the end of learning, the continuation of learning, and the resumption of learning for learning by the learning unit 131 based on the load of the learning environment, and the learning process by the learning unit 131 based on the determination result. To control.
  • the determination unit 132 controls the learning period by the learning unit 131 to maintain the accuracy of the normal communication model 122 with respect to the IoT device 30 while preventing the convenience of the normal communication model 122 from being lowered.
  • the determination unit 132 controls the learning period by the learning unit 131 based on the load of the learning environment, the number of IoT devices 30 to be learned, the learning result, or the period after the previous learning is completed.
  • the determination unit 132 includes an interruption end determination unit 134 (first determination unit), a continuation determination unit 135 (second determination unit), and a restart determination unit 136 (third determination unit).
  • the interruption end determination unit 134 determines the interruption of learning by the learning unit 131 or the end of learning for each IoT device being learned, based on the load of the learning environment, the number of IoT devices 30 to be learned, and the learning result. ..
  • the interruption end determination unit 134 causes the learning unit 131 to interrupt the learning related to the IoT device 30 that has determined the interruption of learning when the learning interruption is determined.
  • the interruption end determination unit 134 terminates the learning of the IoT device 30 that has determined the end of learning.
  • the interruption end determination unit 134 determines the end of learning when the learning result converges from a certain value, that is, when the convergence rate is less than a certain value. The interruption end determination unit 134 determines the interruption of learning when the convergence rate is equal to or higher than a certain value.
  • FIG. 4 and 5 are diagrams for explaining the learning results for the communication pattern of the IoT device 30 and their convergence.
  • FIG. 4 shows the case of the whitelist, and the slope of the graph showing the change in the number of communication destinations of the whitelist with respect to the number of training data is the convergence rate. In this case, learning is completed when the slope (convergence rate) is less than a certain value (see (1) in FIG. 4).
  • FIG. 5 shows the case of the communication section, and the slope of the graph showing the change of the threshold value with respect to the elapsed time is the convergence rate. In this case, learning is completed when the slope (convergence rate) is less than a certain value (see (1) in FIG. 5).
  • the continuation determination unit 135 determines whether or not the interrupted learning can be continued for each IoT device 30 in which learning is interrupted, based on the load of the learning environment, the number of IoT devices 30 to be learned, and the length of the interruption period. Judge regularly. When the continuation determination unit 135 determines the continuation of learning, the learning unit 131 causes the learning unit 131 to continue learning about the IoT device 30 that has determined the continuation of learning.
  • the continuation determination unit 135 causes the learning unit 131 to continue learning for communication of the IoT device 30 for the number of units satisfying a predetermined condition.
  • a predetermined condition For example, one of the predetermined conditions is that the resource usage rate of IoT GW10 is b% or more and less than a%. When this condition is satisfied, the continuation determination unit 135 causes the learning unit 131 to continue learning about one of the top 1 IoT devices 30 having the longest interruption period. Further, one of the predetermined conditions is that the resource usage rate of IoT GW10 is c% or more and less than b%. When this condition is satisfied, the continuation determination unit 135 causes the learning unit 131 to continue learning about the top 1 and 2 units of the IoT device 30 having the longest interruption period.
  • the restart determination unit 136 periodically determines whether or not learning can be resumed based on the load of the learning environment and the number of IoT devices 30 to be learned during the period since the end of the previous learning, and restarts learning. If it is determined, the learning unit 131 restarts the learning.
  • the communication control unit 133 controls the communication of the IoT device 30 by using the normal communication model 122 created or updated by the learning unit 131.
  • the communication control unit 133 permits only normal communication that satisfies the normal communication model 122, and blocks abnormal communication that does not satisfy the normal communication model.
  • the communication control unit 133 controls the communication of the IoT device 30 by applying the normal communication model 122 created or updated by the learning unit 131 by the time of the first interruption of learning or the time of the end of learning. Therefore, the communication control unit 133 can use the latest normal communication model 122.
  • FIG. 6 is a flowchart of a processing procedure of control processing for learning carried out by the IoT GW 10 shown in FIG.
  • the learning unit 131 starts learning (step S2). While the IoT GW 10 continues learning, the normal communication model 122 being created or updated is periodically applied to the IoT device 30, and the IoT device 30 executes communication based on the normal communication model 122.
  • the IoT GW 10 interrupts or ends learning when certain conditions are met after starting learning.
  • the interruption end determination unit 134 interrupts the learning or ends the learning by the learning unit 131 based on the load of the learning environment, the number of IoT devices 30 to be learned, and the learning result.
  • the interruption end determination process for determining each IoT device 30 being learned is periodically performed (step S3).
  • the determination unit 132 determines whether the determination result in the interruption end determination process is an interruption determination or an end determination (step S4).
  • the interruption end determination unit 134 interrupts the learning by the learning unit 131 (step S5).
  • the learning unit 131 provisionally applies the normal communication model 122 created by the time of interruption to the IoT GW 10. Further, in the case of the second and subsequent learnings, since the already created normal communication model 122 is applied, the learning unit 131 does not apply the normal communication model 122 updated by the time of interruption.
  • the IoT device 30 executes communication based on the applied normal communication model 122.
  • the continuation determination unit 135 determines whether or not the interrupted learning can be continued based on the load of the learning environment, the number of the IoT devices 30 to be learned, and the length of the interruption period.
  • a continuation determination process for periodically determining every 30 is performed (step S6).
  • the determination unit 132 determines whether the determination result in the continuation determination process is a continuation determination (step S7).
  • step S7: No If the determination result in the continuation determination process is not a continuation determination (step S7: No), the process returns to step S6, and the continuation determination unit 135 performs the continuation determination process. On the other hand, when the determination result in the continuation determination process is the continuation determination (step S7: Yes), the continuation determination unit 135 causes the learning unit 131 to continue learning about the IoT device 30 determined to continue (step S8). Proceed to step S3.
  • the interruption end determination unit 134 ends the learning by the learning unit 131 (step S9).
  • the learning unit 131 applies the normal communication model 122 created or updated by the end time to the IoT GW 10, and the IoT device 30 executes communication based on the normal communication model 122.
  • the learning unit 131 resumes learning when certain conditions are met after the learning is completed. Specifically, the restart determination unit 136 periodically determines whether or not the learning can be resumed based on the load of the learning environment and the number of IoT devices 30 to be learned during the period after the previous learning is completed. The restart determination process is performed (step S10). The determination unit 132 determines whether or not the determination result in the restart determination process is the restart determination (step S11).
  • step S11: No If the determination result in the restart determination process is not the restart determination (step S11: No), the process returns to step S10, and the restart determination unit 136 performs the restart determination process. On the other hand, when the determination result in the restart determination process is the restart determination (step S11: Yes), the restart determination unit 136 causes the learning unit 131 to resume learning about the IoT device 30 determined to be restarted (step S12). Proceed to step S3.
  • FIG. 7 is a flowchart showing a processing procedure of the interruption end determination process shown in FIG.
  • the interruption end determination unit 134 periodically executes the processes shown in steps S21 to S26 to determine whether to interrupt or end the learning by the learning unit 131 for each IoT device 30.
  • the interruption end determination unit 134 determines whether or not the environmental load of learning due to learning is equal to or higher than a certain value (step S21).
  • the interruption end determination unit 134 determines, for example, whether the CPU usage rate of the own device is a certain value or more, or whether the memory usage amount of the own device is a certain value or more.
  • the determination value regarding the CPU usage rate and the determination value regarding the memory usage amount are set in advance.
  • step S21: Yes When the environmental load of learning due to learning is a certain value or more (step S21: Yes), the interruption end determination unit 134 determines whether or not the number of all IoT devices 30 during learning is a certain number or more (step S21: Yes). Step S22).
  • the interruption end determination unit 134 When the number of all IoT devices 30 being learned is a certain number or more (step S22: Yes), the interruption end determination unit 134 has the smallest number of interruptions for each IoT device 30 being learned, and is a normal communication model. It is determined whether or not the learning results of 122 are the most convergent. In other words, the interruption end determination unit 134 determines whether or not the number of interruptions and the convergence rate of learning are the minimum values for the IoT device 30 to be determined (step S23).
  • step S21: No When the environmental load of learning due to learning is not more than a certain value (step S21: No), when the number of all IoT devices 30 during learning is not more than a certain number (step S22: No), or the number of interruptions and the convergence of learning If the rate is not the minimum value (step S23: No), the interruption end determination unit 134 returns to the process of step S21.
  • the interruption end determination unit 134 determines that the learning result of the normal communication model 122 is a constant value (threshold value) for the IoT device 30. ), That is, whether or not the convergence rate is less than a certain value is determined (step S24).
  • step S24: Yes the interruption end determination unit 134 determines the end of learning by the learning unit 131 for the IoT device 30 (step S25).
  • step S24: No the interruption end determination unit 134 determines the interruption of learning by the learning unit 131 for the IoT device 30 (step S26).
  • FIG. 8 is a flowchart showing a processing procedure of the continuation determination process shown in FIG.
  • the continuation determination unit 135 determines whether or not to continue the learning by the learning unit 131 for each IoT device 30 by periodically executing the processes shown in steps S31 to S34.
  • the continuation determination unit 135 first determines whether or not the environmental load of learning due to learning is less than a certain value (step S31).
  • the continuation determination unit 135 determines, for example, whether the CPU usage rate of the own device is less than a certain value or the memory usage amount of the own device is less than a certain value.
  • the determination value regarding the CPU usage rate and the determination value regarding the memory usage amount are set in advance.
  • step S31 When the environmental load of learning due to learning is less than a certain value (step S31: Yes), the continuation determination unit 135 determines whether or not the number of all IoT devices 30 whose learning is interrupted is less than a certain number. (Step S32).
  • the continuation determination unit 135 determines that the IoT having the longest interruption period of the latest learning among all the IoT devices 30 whose learning is being interrupted. With respect to the device 30, it is determined whether or not there is an IoT device 30 that satisfies a predetermined condition according to the length of the suspension period (step S33).
  • One of the predetermined conditions is, for example, that the resource usage rate of IoT GW10 is b% or more and less than a%. When this condition is satisfied, the continuation determination unit 135 causes the learning unit 131 to continue learning about one of the top 1 IoT devices 30 having the longest interruption period. Further, one of the predetermined conditions is that the resource usage rate of IoT GW10 is c% or more and less than b%. When this condition is satisfied, the continuation determination unit 135 causes the learning unit 131 to continue learning about the top 1 and 2 units of the IoT device 30 having the longest interruption period.
  • step S33 When there is an IoT device 30 satisfying a predetermined condition (step S33: Yes), it is determined to continue learning by the learning unit 131 for the number of IoT devices 30 satisfying the predetermined condition (step S34).
  • step S31: No When the environmental load of learning due to learning is not less than a certain value (step S31: No), when the number of all IoT devices 30 being learned is not less than a certain number (step S32: No), or IoT satisfying a predetermined condition If there is no device 30 (step S33: No), the continuation determination unit 135 returns to the process of step S31.
  • FIG. 9 is a flowchart showing a processing procedure of the restart determination process shown in FIG.
  • the restart determination unit 136 determines whether or not to restart the learning by the learning unit 131 by periodically executing the processes shown in steps S41 to S45.
  • the restart determination unit 136 determines whether or not the period from the end of the latest learning is a multiple of a constant value (step S41).
  • the constant value is set in consideration of the environmental load of IoT GW10 and the like.
  • the constant value is, for example, one week, two weeks, three weeks, or the like.
  • the restart determination unit 136 returns to the process of step S41.
  • the restart determination unit 136 determines whether or not the condition for considering restarting learning is satisfied. Specifically, the restart determination unit 136 determines whether or not the environmental load of learning due to learning is less than a certain value (step S42).
  • the interruption end determination unit 134 determines, for example, whether the CPU usage rate of the own device is less than a certain value or the memory usage amount of the own device is less than a certain value. The determination value regarding the CPU usage rate and the determination value regarding the memory usage amount are set in advance.
  • step S42 when the environmental load of learning due to learning is less than a certain value (step S42: Yes), the restart determination unit 136 determines whether or not the number of all IoT devices 30 being learned is less than a certain number. (Step S43).
  • step S43 When the number of all IoT devices 30 being learned is less than a certain number (step S43: Yes), the learning can be restarted, so that the restart determination unit 136 determines the restart of learning by the learning unit 131. (Step S45).
  • step S42 when the environmental load of learning due to learning is not less than a certain value (step S42: No), or when the number of all IoT devices 30 during learning is not less than a certain number (step S43: No), the restart determination is made.
  • Unit 136 determines whether or not the number of confirmations in steps S42 and S43 is less than a certain value (step S44).
  • step S44: Yes If the number of confirmations is less than a certain value (step S44: Yes), the restart determination unit 136 returns to the process of step S42. If the number of confirmations is not less than a certain value (step S44: No), the restart determination unit 136 returns to the process of step S41.
  • the IoT GW 10 creates a normal communication model for each IoT device 30 in which the normal communication pattern of the IoT device 30 connected to the own device is learned. Then, the IoT GW 10 determines the interruption of learning, the end of learning, the continuation of learning, and the resumption of learning for the learning by the learning unit 131, and controls the learning process by the learning unit 131 based on the determination result. Then, the IoT GW 10 controls the communication of the IoT device 30 by applying the normal communication model created by the learning unit 131.
  • the IoT GW10 maintains the accuracy and convenience of the normal communication model by periodically applying the latest normal communication model created or updated by learning while continuing the learning. Communication control of the device 30 can be realized.
  • FIG. 10 is a diagram illustrating a conventional normal communication model creation process and a normal communication model creation process by the IoT GW 10 according to the present embodiment.
  • the normal communication model is applied after learning is completed.
  • IoT GW10 it is possible to periodically apply the latest normal communication model created or updated by learning while continuing learning (see (3) in FIG. 10).
  • the IoT GW10 interrupts learning, ends learning, continues learning and learns based on the load of the learning environment, the number of IoT devices 30 to be learned, the learning result, and the duration of the interruption period or end period. Is determined, and the learning process by the learning unit 131 is controlled based on the determination result.
  • the IoT GW 10 interrupts or terminates learning when the load is high, and continues or resumes learning when the load is not high. In this way, the IoT GW 10 appropriately sets the learning period in consideration of the load of the learning environment, the number of IoT devices 30 to be learned, the learning result, and the length of the interruption period or the end period. It is avoided that the learning process becomes a heavy load as the number of devices 30 increases.
  • FIG. 11 is a diagram illustrating the learning process in the first embodiment. First, the conditions for suspending, ending, continuing, and resuming learning are set as follows.
  • the condition for confirming the load of the learning environment due to learning is that the CPU usage rate is 60% or more with respect to the determination of interruption or termination of learning. This condition is the determination condition in step S21 of FIG. 7. Further, the condition for confirming the load of the learning environment due to the learning is that the CPU usage rate is less than 60% with respect to the determination of the continuation or resumption of learning. This condition is the determination condition of step S31 of FIG. 8 or step S42 of FIG.
  • the condition for confirming the total number of all IoT devices 30 during learning is 10 or more for determining the interruption or end of learning. Note that this condition is the determination condition in step S22 of FIG. Further, the condition for confirming the total number of all IoT devices 30 during learning is less than 10 with respect to the determination of continuation or resumption of learning. This condition is the determination condition of step S32 of FIG. 8 or step S43 of FIG.
  • the convergence rate which is a condition for interruption and termination of learning, is that learning is interrupted when the convergence rate is 0.1 or more, and learning is terminated when the convergence rate is less than 0.1.
  • condition for continuing learning regarding the relationship between the CPU usage rate due to learning and the number of units to be continued, if the CPU usage rate is 50% or more and less than 60%, learning will be continued for the top one with a long interruption period. Further, as a condition for continuing learning, when the CPU usage rate is 40% or more and less than 50%, learning is continued for the top two units having a long interruption period. Further, as a condition for continuing learning, if the CPU usage rate is less than 40%, learning is continued for the top three units having a long interruption period.
  • the IoT GW 10 interrupts learning of the IoT device (a) having a convergence rate of 0.1 or more at the time "HH: 00".
  • the IoT GW10 applies the normal communication model for the IoT device (a) created up to the time of interruption.
  • the IoT device (a) is continued. ..
  • the learning of the IoT device (b) whose convergence rate is less than 0.1 is completed.
  • the IoT GW 10 applies a normal communication model for the IoT device (b) for which learning has been completed.
  • FIG. 12 is a block diagram showing an example of the configuration of the server 20 shown in FIG.
  • the server 20 includes a communication unit 21 that communicates with another device connected via a network or the like, a storage unit 22 composed of a RAM, a flash memory, or the like, a CPU, or the like. It has a control unit 23 configured by the above.
  • the normal communication pattern of the IoT device 30 accommodated by the IoT GW 10 is acquired from the IoT GW 10 via the communication unit 21, and the learning unit 131 creates a normal communication model 122 for each IoT device 30. Then, the determination unit 132 determines the interruption of learning, the end of learning, the continuation of learning, and the resumption of learning for the learning by the learning unit 131, and controls the learning process by the learning unit 131 based on the determination result.
  • the server 20 may create or update the normal communication model 122 for each IoT device 30, and apply the latest normal communication model to the IoT GW 10.
  • each component of each of the illustrated devices is a functional concept and does not necessarily have to be physically configured as shown in the figure. That is, the specific form of distribution / integration of each device is not limited to the one shown in the figure, and all or part of the device is functionally or physically dispersed / physically distributed in arbitrary units according to various loads and usage conditions. It can be integrated and configured. Further, each processing function performed by each device may be realized by a CPU and a program analyzed and executed by the CPU, or may be realized as hardware by wired logic.
  • FIG. 13 is a diagram showing an example of a computer in which the IoT GW 10 and the server 20 are realized by executing the program.
  • the computer 1000 has, for example, a memory 1010 and a CPU 1020.
  • the computer 1000 also has a hard disk drive interface 1030, a disk drive interface 1040, a serial port interface 1050, a video adapter 1060, and a network interface 1070. Each of these parts is connected by a bus 1080.
  • Memory 1010 includes ROM 1011 and RAM 1012.
  • the ROM 1011 stores, for example, a boot program such as a BIOS (Basic Input Output System).
  • BIOS Basic Input Output System
  • the hard disk drive interface 1030 is connected to the hard disk drive 1090.
  • the disk drive interface 1040 is connected to the disk drive 1100.
  • a removable storage medium such as a magnetic disk or an optical disk is inserted into the disk drive 1100.
  • the serial port interface 1050 is connected to, for example, a mouse 1110 and a keyboard 1120.
  • the video adapter 1060 is connected to, for example, the display 1130.
  • the hard disk drive 1090 stores, for example, an OS (Operating System) 1091, an application program 1092, a program module 1093, and program data 1094. That is, the program that defines each process of the IoT GW 10 and the server 20 is implemented as a program module 1093 in which a code that can be executed by a computer is described.
  • the program module 1093 is stored in, for example, the hard disk drive 1090.
  • the program module 1093 for executing the same processing as the functional configuration in the IoT GW 10 and the server 20 is stored in the hard disk drive 1090.
  • the hard disk drive 1090 may be replaced by an SSD (Solid State Drive).
  • the setting data used in the processing of the above-described embodiment is stored as program data 1094 in, for example, a memory 1010 or a hard disk drive 1090. Then, the CPU 1020 reads the program module 1093 and the program data 1094 stored in the memory 1010 and the hard disk drive 1090 into the RAM 1012 and executes them as needed.
  • the program module 1093 and the program data 1094 are not limited to those stored in the hard disk drive 1090, but may be stored in, for example, a removable storage medium and read by the CPU 1020 via the disk drive 1100 or the like. Alternatively, the program module 1093 and the program data 1094 may be stored in another computer connected via a network (LAN, WAN (Wide Area Network), etc.). Then, the program module 1093 and the program data 1094 may be read by the CPU 1020 from another computer via the network interface 1070.
  • LAN Local Area Network
  • WAN Wide Area Network
  • Communication system 10 IoT GW 11,21 Communication unit 12, 22 Storage unit 13, 23 Control unit 121 Device identification information 122 Normal communication model 131 Learning unit 132 Judgment unit 133 Communication control unit 134 Suspension end judgment unit 135 Continuation judgment unit 136 Resumption judgment unit 20 Server 30 IoT Equipment N network

Abstract

ＩｏＴ　ＧＷ（１０）は、ＩｏＴ　ＧＷ（１０）に接続されているＩｏＴ機器の正常な通信パターンを学習させた正常通信モデル（１２２）をＩｏＴ機器ごとに作成する学習部（１３１）と、学習部（１３１）による学習について、学習環境の負荷を基に、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて学習部（１３１）による学習処理を制御する判定部（１３２）と、を有する。

Description

制御装置、制御方法及び制御プログラム
　本発明は、制御装置、制御方法及び制御プログラムに関する。
　カメラや温湿度センサ等の機器をＩｏＴ（Internet　of　Things）機器として通信ネットワークにつなげるＩｏＴゲートウェイ（ＧＷ）が知られている。ＩｏＴ機器は、通常は限定された通信先としか通信しないなど、正常な通信のパターンが限定されている。このため、ＩｏＴ機器のセキュリティ対策として、正常な通信のパターンを網羅するモデル（以降、正常通信モデルとする。）を、ＩｏＴ　ＧＷが作成する（例えば、非特許文献１参照）。そして、ＩｏＴ　ＧＷは、ＩｏＴ機器がＩｏＴ　ＧＷを介して通信する際に、正常通信モデルを満たす正常通信のみを許可し、正常通信モデルを満たさない異常通信は遮断する。
張一凡他、「非集中化IoTセキュリティ制御の検討」、信学技報ICSS2017-58(2018-03)
　しかしながら、学習が短期間である場合には正常通信モデルの精度が低下するとともに、適用後に正常通信モデルの過不足が発生する可能性があった。一方、精度を確保するために長期間の学習を行った場合には、正常通信モデルの作成までに時間がかかり、利便性が低下するという問題があった。
　本発明は、上記に鑑みてなされたものであって、正常通信モデルの精度と利便性とを保持しながら、ＩｏＴ機器の通信制御を実現することができる制御装置、制御方法及び制御プログラムを提供することを目的とする。
　上述した課題を解決し、目的を達成するために、本発明に係る制御装置は、ＩｏＴ　ＧＷに接続されているＩｏＴ機器の正常な通信パターンを学習させた正常通信モデルをＩｏＴ機器ごとに作成する学習部と、学習部による学習について、学習環境の負荷を基に、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて学習部による学習処理を制御する判定部と、を有することを特徴とする。
　また、本発明に係る制御方法は、制御装置が実行する制御方法であって、ＩｏＴ　ＧＷに接続されているＩｏＴ機器の正常な通信パターンを学習させた正常通信モデルをＩｏＴ機器ごとに作成する学習工程と、学習工程による学習について、学習環境の負荷を基に、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて学習工程における学習処理を制御する判定工程と、を含んだことを特徴とする。
　また、本発明に係る制御プログラムは、ＩｏＴ　ＧＷに接続されているＩｏＴ機器の正常な通信パターンを学習させた正常通信モデルをＩｏＴ機器ごとに作成する学習ステップと、学習ステップによる学習について、学習環境の負荷を基に、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて学習ステップにおける学習処理を制御する判定ステップと、をコンピュータに実行させる。
　本発明によれば、正常通信モデルの精度と利便性とを保持しながら、ＩｏＴ機器の通信制御を実現することができる。
図１は、実施の形態に係る通信システムの構成の一例を示す図である。 図２は、図１に示すＩｏＴ　ＧＷの構成の一例を示すブロック図である。 図３は、正常通信モデルの一例を説明する図である。 図４は、ＩｏＴ機器の通信パターンに対する学習結果とその収束を説明する図である。 図５は、ＩｏＴ機器の通信パターンに対する学習結果とその収束を説明する図である。 図６は、図２に示すＩｏＴ　ＧＷが実施する学習に対する制御処理の処理手順のフローチャートである。 図７は、図６に示す中断終了判定処理の処理手順を示すフローチャートである。 図８は、図６に示す続行判定処理の処理手順を示すフローチャートである。 図９は、図６に示す再開判定処理の処理手順を示すフローチャートである。 図１０は、従来における正常通信モデルの作成処理と、本実施の形態に係るＩｏＴ　ＧＷによる正常通信モデルの作成処理を説明する図である。 図１１は、実施例１における学習処理を説明する図である。 図１２は、図１に示すサーバの構成の一例を示すブロック図である。 図１３は、プログラムが実行されることにより、実施の形態のＩｏＴ　ＧＷ及びサーバが実現されるコンピュータの一例を示す図である。
　以下、図面を参照して、本発明の一実施の形態を詳細に説明する。なお、この実施の形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。
［実施の形態］
　本実施の形態では、ＩｏＴ　ＧＷに接続するＩｏＴ機器の通信を、ＩｏＴ機器の正常な通信のパターンを網羅する正常通信モデルを用いて制御する通信システムについて説明する。
［通信システムの構成の一例］
　実施の形態に係る通信システムについて説明する。図１は、実施の形態に係る通信システム１の構成の一例を示す図である。実施の形態に係る通信システム１は、ネットワークＮを介して、複数のＩｏＴ　ＧＷ１０（制御装置）とサーバ２０とが接続される構成を有する。また、ＩｏＴ　ＧＷ１０は、複数のＩｏＴ機器３０を収容する。
　ＩｏＴ　ＧＷ１０は、配下のＩｏＴ機器３０と、ネットワークＮを介した外部装置との通信を制御する。ＩｏＴ　ＧＷ１０は、例えば、ＩｏＴサービスを提供するサービス提供者が提供する装置である。ＩｏＴ　ＧＷ１０は、配下のＩｏＴ機器３０から情報を受信し、サーバ２０に送信する。また、ＩｏＴ　ＧＷ１０は、配下のＩｏＴ機器３０から受信した情報や予め設定される情報等に基づき、ＩｏＴ機器３０の通信を制御する。ＩｏＴ　ＧＷ１０は、ＩｏＴ機器３０の通信について、正常通信モデルを基に、異常通信を発生させたＩｏＴ機器３０の通信を遮断する。また、ＩｏＴ　ＧＷ１０は、異常通信の発生をユーザに通知する処理を行う。
　サーバ２０は、ＩｏＴ　ＧＷ１０を提供するサービス提供者が管理する情報処理装置である。サーバ２０の構成は特に限定されない。サーバ２０は、例えば、物理的に一つのサーバであっても、複数のサーバにまたがって仮想的に構築される仮想サーバであってもよい。
　ＩｏＴ機器３０は、ＩｏＴ　ＧＷ１０の制御対象機器である。ＩｏＴ機器３０は、例えば、所定の空間および位置に配置される温度センサ、照度センサ、人感センサ、開閉センサ等のセンサである。また、例えば、ＩｏＴ機器３０は、ＩｏＴサービスにより消費電力量を制御される情報処理装置である。また、例えば、ＩｏＴ機器３０は、所定空間の画像を撮影してＩｏＴ　ＧＷ１０に送信する撮像装置である。なお、各ＩｏＴ　ＧＷ１０に収容されるＩｏＴ機器３０の数は、特に限定されない。
　ＩｏＴ機器３０は、ＩｏＴ　ＧＷ１０と通信可能に接続する。ＩｏＴ機器３０とＩｏＴ　ＧＷ１０との間は、有線ネットワーク、無線ネットワーク、または、その組み合わせを用いて、接続されている。
［ＩｏＴ　ＧＷの構成］
　図２を参照し、ＩｏＴ　ＧＷ１０の構成及び機能の一例について説明する。図２は、図１に示すＩｏＴ　ＧＷ１０の構成の一例を示すブロック図である。図２に示すように、ＩｏＴ　ＧＷ１０は、通信部１１、記憶部１２及び制御部１３を有する。
　通信部１１は、ネットワーク等を介して接続された他の装置との間で、各種情報を送受信する通信インタフェースである。通信部１１は、ＮＩＣ（Network　Interface　Card）等で実現され、ＬＡＮ（Local　Area　Network）やインターネットなどの電気通信回線を介した他の装置と制御部１３（後述）との間の通信を行う。例えば、通信部１１は、ＩｏＴ機器３０との間の通信を行う。また、通信部１１は、サーバ２０との間の通信を行う。
　記憶部１２は、ＲＡＭ（Random　Access　Memory）、フラッシュメモリ（Flash　Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現され、ＩｏＴ　ＧＷ１０を動作させる処理プログラムや、処理プログラムの実行中に使用されるデータなどが記憶される。記憶部１２は、機器識別情報１２１及び正常通信モデル１２２を有する。
　機器識別情報１２１は、ＩｏＴ機器３０の通信の特徴を示す情報であり、例えば、ＩｏＴ機器３０の通信パターンを示す情報である。機器識別情報１２１は、ＩｏＴ　ＧＷ１０がＩｏＴ機器３０の通信を把捉し解析することによって取得することができる情報である。機器識別情報１２１は、例えば、機器毎の開放ポート、通信先、通信頻度、通信プロトコル、通信データサイズ、ペイロードの特徴等である。機器識別情報１２１は、例えば、ＩｏＴ機器３０の通信先のドメイン名である。
　正常通信モデル１２２は、各ＩｏＴ機器３０の正常な通信パターンを学習させたモデルであり、ＩｏＴ機器３０ごとに作成される。正常通信モデル１２２は、ＩｏＴ　ＧＷ１０が各ＩｏＴ機器３０の通信を、通信先数、パケットサイズなどの複数の観点から、統計的に解析し、学習することによって、作成される。正常通信モデル１２２は、正常通信に関する情報であり、ＩｏＴ　ＧＷ１０は、ＩｏＴ機器３０がＩｏＴ　ＧＷ１０を介して通信する際に、正常通信モデル１２２を満たす正常通信のみを許可し、正常通信モデルを満たさない異常通信は遮断する。
　図３は、正常通信モデル１２２の一例を説明する図である。図３に示すように、正常通信モデル１２２は、例えば、通信の実績に基づくホワイトリストである。例えば、正常通信モデル１２２は、ＩｏＴ機器３０ごとに作成されたホワイトリスト群である。具体的には、正常通信モデル１２２は、ＩｏＴ機器（ａ）については、「URL(a1)」,「URL(a2)」が正常通信先であることを示すホワイトリストを有する。
　また、正常通信モデル１２２は、通信の統計値に基づく信頼区間を示す情報であってもよい。統計値は、単位時間当たりのパケットの特徴量のことであり、例えば、送信パケット数及び受信パケット数等である。
　制御部１３は、ＩｏＴ　ＧＷ１０全体を制御する。制御部１３は、例えば、ＣＰＵ（Central　Processing　Unit）、ＭＰＵ（Micro　Processing　Unit）等の電子回路や、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＦＰＧＡ（Field　Programmable　Gate　Array）等の集積回路である。また、制御部１３は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、内部メモリを用いて各処理を実行する。また、制御部１３は、各種のプログラムが動作することにより各種の処理部として機能する。制御部１３は、学習部１３１、判定部１３２及び通信制御部１３３を有する。
　学習部１３１は、ＩｏＴ　ＧＷ１０に接続されているＩｏＴ機器３０の正常な通信パターンを学習させた正常通信モデル１２２をＩｏＴ機器３０ごとに作成する。また、学習部１３１は、判定部１３２の判定結果に応じて、ＩｏＴ機器３０の正常な通信パターンの学習の中断、学習の終了、学習の続行及び学習の再開を行い、正常通信モデル１２２の作成及び更新を継続して行う。学習部１３１は、判定部１３２によって判定された期間、学習を続行または再開することにより、最新の正常通信モデル１２２を作成または更新することができる。なお、学習方法については、既存のいずれの学習方法を用いてもよい。
　なお、学習環境として、１，２台程度のＩｏＴ機器３０の通信の学習だけで高負荷（例：ＣＰＵ使用率９０％以上等）となるような極端に低性能な環境は想定しない。また、本実施の形態では、学習を中断してから、後程続行することが可能である場合を前提とする。また、バッチ処理による通信の場合、通信開始から終了までのすべての通信内容を学習の対象とする必要がある。本実施の形態では、通信の途中で学習を中断する可能性があるため、バッチ処理の採用は推奨しない。
　判定部１３２は、学習部１３１による学習について、学習環境の負荷を基に、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて学習部１３１による学習処理を制御する。判定部１３２は、学習部１３１による学習の期間を制御して、ＩｏＴ機器３０に対する正常通信モデル１２２の精度を保持しながら、正常通信モデル１２２の利便性の低下を防いでいる。
　判定部１３２は、学習環境の負荷、学習対象のＩｏＴ機器３０の台数、学習結果または前回の学習を終了してからの期間を基に、学習部１３１による学習の期間を制御する。判定部１３２は、中断終了判定部１３４（第１の判定部）、続行判定部１３５（第２の判定部）及び再開判定部１３６（第３の判定部）を有する。
　中断終了判定部１３４は、学習環境の負荷、学習対象のＩｏＴ機器３０の台数及び学習結果を基に、学習部１３１による学習の中断または学習の終了を、学習中であるＩｏＴ機器ごとに判定する。中断終了判定部１３４は、学習部１３１に対し、学習の中断を判定した場合には学習の中断を判定したＩｏＴ機器３０に関する学習を中断させる。中断終了判定部１３４は、学習部１３１に対し、学習の終了を判定した場合には学習の終了を判定したＩｏＴ機器３０に関する学習を終了させる。
　中断終了判定部１３４は、学習結果が一定値より収束している場合、すなわち、収束率が一定値未満である場合には、学習の終了を判定する。中断終了判定部１３４は、収束率が一定値以上である場合には、学習の中断を判定する。
　図４及び図５は、ＩｏＴ機器３０の通信パターンに対する学習結果とその収束を説明する図である。図４は、ホワイトリストの場合について示し、学習データ件数に対するホワイトリストの通信先数の変化を示すグラフの傾きが収束率となる。この場合、傾き（収束率）が一定値未満の時点で学習が完了する(図４の（１)参照）。また、図５は、通信区間の場合について示し、経過時間に対する閾値の変化を示すグラフの傾きが収束率となる。この場合、傾き（収束率）が一定値未満の時点で学習が完了する(図５の（１)参照）。
　続行判定部１３５は、学習環境の負荷、学習対象のＩｏＴ機器３０の台数及び中断期間の長さを基に、中断された学習の続行の可否を、学習が中断中であるＩｏＴ機器３０ごとに定期的に判定する。続行判定部１３５は、学習部１３１に対し、学習の続行を判定した場合には、学習の続行を判定したＩｏＴ機器３０に関する学習を続行させる。
　続行判定部１３５は、学習部１３１に対し、所定の条件を満たす台数分だけＩｏＴ機器３０の通信に対する学習を続行させる。例えば、所定の条件の一つは、ＩｏＴ　ＧＷ１０のリソース使用率が、ｂ％以上ａ％未満である。この条件を満たす場合には、続行判定部１３５は、直近の中断期間が長いＩｏＴ機器３０の上位１位の１台についての学習を学習部１３１に続行させる。また、所定の条件の一つは、ＩｏＴ　ＧＷ１０のリソース使用率が、ｃ％以上ｂ％未満である。この条件を満たす場合には、続行判定部１３５は、直近の中断期間が長いＩｏＴ機器３０の上位１位及び２位の２台についての学習を学習部１３１に続行させる。
　再開判定部１３６は、前回の学習を終了してからの期間、学習環境の負荷及び学習対象のＩｏＴ機器３０の台数を基に、学習の再開の可否を定期的に判定し、学習の再開を判定した場合には、学習部１３１に学習を再開させる。
　通信制御部１３３は、学習部１３１が作成または更新した正常通信モデル１２２を用いて、ＩｏＴ機器３０の通信を制御する。通信制御部１３３は、ＩｏＴ機器３０がＩｏＴ　ＧＷ１０を介して通信する際に、正常通信モデル１２２を満たす正常通信のみを許可し、正常通信モデルを満たさない異常通信は遮断する。通信制御部１３３は、学習の最初の中断時点または学習の終了時点までに学習部１３１が作成または更新した正常通信モデル１２２を適用して、ＩｏＴ機器３０の通信を制御する。したがって、通信制御部１３３は、最新の正常通信モデル１２２を用いることができる。
［学習に対する制御処理の処理手順］
　次に、図６を参照して、ＩｏＴ　ＧＷ１０が実施する学習に対する制御処理の処理手順について説明する。図６は、図２に示すＩｏＴ　ＧＷ１０が実施する学習に対する制御処理の処理手順のフローチャートである。
　図６に示すように、ＩｏＴ　ＧＷ１０は、ＩｏＴ　ＧＷ１０にＩｏＴ機器３０が接続し、利用者による学習承認を受け付けると（ステップＳ１）、学習部１３１は、学習を開始する（ステップＳ２）。ＩｏＴ　ＧＷ１０は、学習を継続している間、作成または更新中の正常通信モデル１２２を定期的にＩｏＴ機器３０に適用し、ＩｏＴ機器３０は、正常通信モデル１２２に基づいて通信を実行する。ＩｏＴ　ＧＷ１０は、学習を開始してから一定の条件を満たした場合に学習を中断または終了する。
　まず、ＩｏＴ　ＧＷ１０では、中断終了判定部１３４が、学習開始後、学習環境の負荷、学習対象のＩｏＴ機器３０の台数及び学習結果を基に、学習部１３１による学習の中断または学習の終了を、学習中であるＩｏＴ機器３０ごとに判定する中断終了判定処理を定期的に行う（ステップＳ３）。そして、判定部１３２は、中断終了判定処理における判定結果が、中断判定または終了判定であるかを判定する（ステップＳ４）。
　中断終了判定処理における判定結果が中断である場合（ステップＳ４：中断）、中断終了判定部１３４は、学習部１３１による学習を中断させる（ステップＳ５）。最初の学習である場合には、正常通信モデル１２２が作成されていないため、学習部１３１は、中断時点までに作成した正常通信モデル１２２を、暫定的にＩｏＴ　ＧＷ１０に適用する。また、２回目以降の学習である場合には、既に作成された正常通信モデル１２２が適用されているため、学習部１３１は、中断時点までに更新した正常通信モデル１２２を適用しない。ＩｏＴ機器３０は、適用された正常通信モデル１２２に基づいて通信を実行する。
　続いて、続行判定部１３５は、学習環境の負荷、学習対象のＩｏＴ機器３０の台数及び中断期間の長さを基に、中断された学習の続行の可否を、学習が中断中であるＩｏＴ機器３０ごとに定期的に判定する続行判定処理を行う（ステップＳ６）。判定部１３２は、続行判定処理における判定結果が、続行判定であるかを判定する（ステップＳ７）。
　続行判定処理における判定結果が続行判定でない場合（ステップＳ７：Ｎｏ）、ステップＳ６に戻り、続行判定部１３５は、続行判定処理を行う。一方、続行判定処理における判定結果が続行判定である場合（ステップＳ７：Ｙｅｓ）、続行判定部１３５は、続行と判定されたＩｏＴ機器３０についての学習を学習部１３１に続行させ（ステップＳ８）、ステップＳ３に進む。
　これに対し、中断終了判定処理における判定結果が終了である場合（ステップＳ４：終了）、中断終了判定部１３４は、学習部１３１による学習を終了させる（ステップＳ９）。学習部１３１は、終了時点までに作成または更新した正常通信モデル１２２をＩｏＴ　ＧＷ１０に適用し、ＩｏＴ機器３０は、正常通信モデル１２２に基づいて通信を実行する。
　学習部１３１は、学習終了後、一定の条件を満たした場合に学習を再開する。具体的には、再開判定部１３６が、前回の学習を終了してからの期間、学習環境の負荷及び学習対象のＩｏＴ機器３０の台数を基に、学習の再開の可否を定期的に判定する再開判定処理を行う（ステップＳ１０）。判定部１３２は、再開判定処理における判定結果が再開判定であるか否かを判定する（ステップＳ１１）。
　再開判定処理における判定結果が再開判定でない場合（ステップＳ１１：Ｎｏ）、ステップＳ１０に戻り、再開判定部１３６は、再開判定処理を行う。一方、再開判定処理における判定結果が再開判定である場合（ステップＳ１１：Ｙｅｓ）、再開判定部１３６は、再開と判定されたＩｏＴ機器３０についての学習を学習部１３１に再開させ（ステップＳ１２）、ステップＳ３に進む。
　なお、学習部１３１が学習を継続する間、作成中または更新中の正常通信モデル１２２は、ＩｏＴ　ＧＷ１０には適用しない。作成済みまたは更新済みの正常通信モデル１２２がＩｏＴ　ＧＷ１０に適用される。
［中断終了判定処理］
　次に、図６に示す中断終了判定処理（ステップＳ３）について説明する。図７は、図６に示す中断終了判定処理の処理手順を示すフローチャートである。中断終了判定部１３４は、ステップＳ２１～ステップＳ２６に示す処理を定期的に実行することによって、学習部１３１による学習を中断または終了するかを、ＩｏＴ機器３０ごとに判定する。
　図７に示すように、中断終了判定部１３４は、学習起因による学習の環境負荷が一定値以上であるか否かを判定する（ステップＳ２１）。中断終了判定部１３４は、例えば、自装置のＣＰＵ使用率が一定値以上であるか、或いは、自装置のメモリ使用量が一定値以上であるかを判定する。ＣＰＵ使用率に関する判定値、メモリ使用量に関する判定値は、予め設定される。
　学習起因による学習の環境負荷が一定値以上である場合（ステップＳ２１：Ｙｅｓ）、中断終了判定部１３４は、学習中の全ＩｏＴ機器３０の台数が一定数以上であるか否かを判定する（ステップＳ２２）。
　学習中の全ＩｏＴ機器３０の台数が一定数以上である場合（ステップＳ２２：Ｙｅｓ）、中断終了判定部１３４は、学習中のＩｏＴ機器３０ごとに、中断回数が最も小さく、かつ、正常通信モデル１２２の学習結果が最も収束しているか否かを判定する。言い換えると、中断終了判定部１３４は、判定対象のＩｏＴ機器３０について、中断回数及び学習の収束率が最小値であるか否かを判定する（ステップＳ２３）。
　学習起因による学習の環境負荷が一定値以上でない場合（ステップＳ２１：Ｎｏ）、学習中の全ＩｏＴ機器３０の台数が一定数以上でない場合（ステップＳ２２：Ｎｏ）、または、中断回数及び学習の収束率が最小値でない場合（ステップＳ２３：Ｎｏ）、中断終了判定部１３４は、ステップＳ２１の処理に戻る。
　中断回数及び学習の収束率が最小値であるＩｏＴ機器３０がある場合（ステップＳ２３：Ｙｅｓ）、中断終了判定部１３４は、このＩｏＴ機器３０について、正常通信モデル１２２の学習結果が一定値（閾値）より収束しているか否か、すなわち、収束率が一定値未満であるか否かを判定する（ステップＳ２４）。
　収束率が一定値未満である場合（ステップＳ２４：Ｙｅｓ）、中断終了判定部１３４は、このＩｏＴ機器３０について、学習部１３１による学習の終了を判定する（ステップＳ２５）。一方、収束率が一定値未満でない場合（ステップＳ２４：Ｎｏ）、中断終了判定部１３４は、このＩｏＴ機器３０について、学習部１３１による学習の中断を判定する（ステップＳ２６）。
［続行判定処理］
　次に、図６に示す続行判定処理（ステップＳ６）について説明する。図８は、図６に示す続行判定処理の処理手順を示すフローチャートである。続行判定部１３５は、ステップＳ３１～ステップＳ３４に示す処理を定期的に実行することによって、学習部１３１による学習を続行するか否かを、ＩｏＴ機器３０ごとに判定する。
　図８に示すように、続行判定部１３５は、まず、学習起因による学習の環境負荷が一定値未満であるか否かを判定する（ステップＳ３１）。続行判定部１３５は、例えば、自装置のＣＰＵ使用率が一定値未満であるか、或いは、自装置のメモリ使用量が一定値未満であるかを判定する。ＣＰＵ使用率に関する判定値、メモリ使用量に関する判定値は、予め設定される。
　学習起因による学習の環境負荷が一定値未満である場合（ステップＳ３１：Ｙｅｓ）、続行判定部１３５は、学習を中断中の全ＩｏＴ機器３０の台数が一定数未満であるか否かを判定する（ステップＳ３２）。
　学習中の全ＩｏＴ機器３０の台数が一定数未満である場合（ステップＳ３２：Ｙｅｓ）、続行判定部１３５は、学習を中断中の全ＩｏＴ機器３０のうち、直近の学習の中断期間が長いＩｏＴ機器３０について、中断期間の長さに応じて、所定の条件を満たすＩｏＴ機器３０があるか否かを判定する（ステップＳ３３）。
　所定の条件の一つは、例えば、ＩｏＴ　ＧＷ１０のリソース使用率が、ｂ％以上ａ％未満である。この条件を満たす場合には、続行判定部１３５は、直近の中断期間が長いＩｏＴ機器３０の上位１位の１台についての学習を学習部１３１に続行させる。また、所定の条件の一つは、ＩｏＴ　ＧＷ１０のリソース使用率が、ｃ％以上ｂ％未満である。この条件を満たす場合には、続行判定部１３５は、直近の中断期間が長いＩｏＴ機器３０の上位１位及び２位の２台についての学習を学習部１３１に続行させる。
　所定の条件を満たすＩｏＴ機器３０がある場合（ステップＳ３３：Ｙｅｓ）、所定の条件を満たすＩｏＴ機器３０の台数分、学習部１３１による学習を続行させる判定を行う（ステップＳ３４）。
　学習起因による学習の環境負荷が一定値未満でない場合（ステップＳ３１：Ｎｏ）、学習中の全ＩｏＴ機器３０の台数が一定数未満でない場合（ステップＳ３２：Ｎｏ）、または、所定の条件を満たすＩｏＴ機器３０がない場合（ステップＳ３３：Ｎｏ）、続行判定部１３５は、ステップＳ３１の処理に戻る。
［再開判定処理］
　次に、図６に示す再開判定処理（ステップＳ１０）について説明する。図９は、図６に示す再開判定処理の処理手順を示すフローチャートである。再開判定部１３６は、ステップＳ４１～ステップＳ４５に示す処理を定期的に実行することによって、学習部１３１による学習を再開する否かを判定する。
　図９に示すように、再開判定部１３６は、直近の学習の終了からの期間が一定値の倍数であるか否かを判定する（ステップＳ４１）。一定値は、ＩｏＴ　ＧＷ１０の環境負荷等を考慮して設定される。一定値は、例えば、１週間、２週間、３週間等である。直近の学習の終了からの期間が一定値の倍数でない場合（ステップＳ４１：Ｎｏ）、再開判定部１３６は、ステップＳ４１の処理に戻る。
　直近の学習の終了からの期間が一定値の倍数である場合（ステップＳ４１：Ｙｅｓ）、再開判定部１３６は、学習を再開することを考慮すべき条件を満たすか否かを判定する。具体的には、再開判定部１３６は、学習起因による学習の環境負荷が一定値未満であるか否かを判定する（ステップＳ４２）。中断終了判定部１３４は、例えば、自装置のＣＰＵ使用率が一定値未満であるか、或いは、自装置のメモリ使用量が一定値未満であるかを判定する。ＣＰＵ使用率に関する判定値、メモリ使用量に関する判定値は、予め設定される。
　続いて、学習起因による学習の環境負荷が一定値未満である場合（ステップＳ４２：Ｙｅｓ）、再開判定部１３６は、学習中の全ＩｏＴ機器３０の台数が一定数未満であるか否かを判定する（ステップＳ４３）。
　学習中の全ＩｏＴ機器３０の台数が一定数未満である場合（ステップＳ４３：Ｙｅｓ）、学習を再開することが可能であるため、再開判定部１３６は、学習部１３１による学習の再開を判定する（ステップＳ４５）。
　これに対し、学習起因による学習の環境負荷が一定値未満でない場合（ステップＳ４２：Ｎｏ）、または、学習中の全ＩｏＴ機器３０の台数が一定数未満でない場合（ステップＳ４３：Ｎｏ）、再開判定部１３６は、ステップＳ４２及びステップＳ４３の確認回数が一定値未満であるか否かを判定する（ステップＳ４４）。
　確認回数が一定値未満である場合（ステップＳ４４：Ｙｅｓ）、再開判定部１３６は、ステップＳ４２の処理に戻る。また、確認回数が一定値未満でない場合（ステップＳ４４：Ｎｏ）、再開判定部１３６は、ステップＳ４１の処理に戻る。
［実施の形態の効果］
　本実施の形態に係るＩｏＴ　ＧＷ１０は、自装置に接続されているＩｏＴ機器３０の正常な通信パターンを学習させた正常通信モデルをＩｏＴ機器３０ごとに作成する。そして、ＩｏＴ　ＧＷ１０は、学習部１３１による学習について、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて、学習部１３１による学習処理を制御する。そして、ＩｏＴ　ＧＷ１０は、学習部１３１が作成した正常通信モデルを適用して、ＩｏＴ機器３０の通信を制御する。
　このように、ＩｏＴ　ＧＷ１０は、学習を継続させつつ、学習により作成または更新された最新の正常通信モデルを定期的に適用することによって、正常通信モデルの精度と利便性とを保持しながら、ＩｏＴ機器３０の通信制御を実現することができる。
　図１０は、従来における正常通信モデルの作成処理と、本実施の形態に係るＩｏＴ　ＧＷ１０による正常通信モデルの作成処理を説明する図である。学習により正常通信モデルを作成して適用するに際して、従来の方法では、学習を終了してから正常通信モデルを適用していた。
　しかしながら、従来の方法では、学習が長期間である場合（図１０の（１）参照）、正常通信モデルの適用までに長期間を要するため、利便性が低下する。また、従来の方法では、学習が短期間である場合（図１０の（２）参照）、正常通信モデルの精度が低下し、かつ、適用後に正常通信モデルの過不足が発生する可能性がある。
　これに対し、ＩｏＴ　ＧＷ１０では、学習を継続しつつ、学習により作成または更新された最新の正常通信モデルを定期的に適用することが可能である（図１０の（３）参照）。
　さらに、ＩｏＴ　ＧＷ１０は、学習環境の負荷、学習対象のＩｏＴ機器３０の台数、学習結果、及び、中断期間または終了期間の長さを基に、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて、学習部１３１による学習処理を制御する。
　したがって、ＩｏＴ　ＧＷ１０は、学習を継続しつつ最新の正常通信モデルを適用する際、高負荷時には学習を中断または終了し、高負荷時以外に学習を続行または再開している。このように、ＩｏＴ　ＧＷ１０は、学習環境の負荷、学習対象のＩｏＴ機器３０の台数、学習結果、及び、中断期間または終了期間の長さを考慮して学習の期間を適切に設定するため、ＩｏＴ機器３０の数の増加にともない学習の処理が高負荷となることを回避している。
［実施例１］
　次に、実施例１について説明する。図１１は、実施例１における学習処理を説明する図である。まず、学習の中断、終了、続行及び再開の条件を以下のように設定する。
　学習の中断及び終了、及び、学習の続行については、５分周期で確認する。そして、学習起因による学習環境の負荷を確認する際の条件は、学習の中断または終了の判定に関しては、ＣＰＵ使用率が６０％以上である。なお、この条件は、図７のステップＳ２１の判定条件である。また、学習起因による学習環境の負荷を確認する際の条件は、学習の続行または再開の判定に関しては、ＣＰＵ使用率が６０％未満である。なお、この条件は、図８のステップＳ３１または図９のステップＳ４２の判定条件である。
　学習中の全ＩｏＴ機器３０の台数を確認する際の条件は、学習の中断または終了の判定に関しては、１０台以上である。なお、この条件は、図７のステップＳ２２の判定条件である。また、学習中の全ＩｏＴ機器３０の台数を確認する際の条件は、学習の続行または再開の判定に関しては、１０台未満である。なお、この条件は、図８のステップＳ３２または図９のステップＳ４３の判定条件である。
　学習の中断及び終了の条件となる収束率は、収束率が０．１以上の場合は学習中断とし、収束率が０．１未満の場合は学習終了とする。
　学習の続行の条件として、学習起因によるＣＰＵ使用率と続行台数の関係に関しては、ＣＰＵ使用率５０％以上６０％未満の場合は中断期間が長い上位１台について学習続行とする。また、学習の続行の条件として、ＣＰＵ使用率４０％以上５０％未満の場合は中断期間が長い上位２台について学習続行とする。また、学習の続行の条件として、ＣＰＵ使用率４０％未満の場合は中断期間が長い上位３台について学習続行とする。
　この条件で、学習を制御した場合、ＩｏＴ　ＧＷ１０は、時刻「ＨＨ：００」の場合には、収束率が０．１以上であるＩｏＴ機器（ａ）の学習を中断する。ＩｏＴ　ＧＷ１０は、この学習が最初の学習である場合、中断時点までに作成したＩｏＴ機器（ａ）に関する正常通信モデルを適用する。
　続いて、時刻「ＨＨ：０５」の場合、条件に基づき、ＣＰＵ使用率が５５％であるため、中断期間が長い上位の１台、この場合には、ＩｏＴ機器（ａ）の学習を続行する。そして、時刻「ＨＨ：１０」の場合、収束率が０．１未満となったＩｏＴ機器（ｂ）の学習を終了する。そして、ＩｏＴ　ＧＷ１０は、学習が終了したＩｏＴ機器（ｂ）に関する正常通信モデルを適用する。
［変形例１］
　また、本実施の形態では、ＩｏＴ　ＧＷ１０が、ＩｏＴ機器３０の通信を学習し、正常通信モデルを作成する場合を例に説明したが、サーバ２０が、正常通信モデルを作成してもよい。図１２は、図１に示すサーバ２０の構成の一例を示すブロック図である。
　図１２に示すように、サーバ２０は、ネットワーク等を介して接続された他の装置との間で通信を行う通信部２１と、ＲＡＭやフラッシュメモリ等によって構成される記憶部２２と、ＣＰＵ等によって構成される制御部２３とを有する。
　サーバ２０では、通信部２１を介して、ＩｏＴ　ＧＷ１０から、ＩｏＴ　ＧＷ１０が収容するＩｏＴ機器３０の正常な通信パターンを取得し、学習部１３１が、正常通信モデル１２２をＩｏＴ機器３０ごとに作成する。そして、判定部１３２は、学習部１３１による学習について、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて学習部１３１による学習処理を制御する。
　ＩｏＴ　ＧＷ１０において正常通信モデル１２２の作成が難しい場合、サーバ２０が、正常通信モデル１２２をＩｏＴ機器３０ごとに作成または更新し、最新の正常通信モデルを、ＩｏＴ　ＧＷ１０に適用してもよい。
［システム構成等］
　図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
　また、本実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部又は一部を手動的に行なうこともでき、あるいは、手動的に行なわれるものとして説明した処理の全部又は一部を公知の方法で自動的に行なうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
［プログラム］
　図１３は、プログラムが実行されることにより、ＩｏＴ　ＧＷ１０及びサーバ２０が実現されるコンピュータの一例を示す図である。コンピュータ１０００は、例えば、メモリ１０１０、ＣＰＵ１０２０を有する。また、コンピュータ１０００は、ハードディスクドライブインタフェース１０３０、ディスクドライブインタフェース１０４０、シリアルポートインタフェース１０５０、ビデオアダプタ１０６０、ネットワークインタフェース１０７０を有する。これらの各部は、バス１０８０によって接続される。
　メモリ１０１０は、ＲＯＭ１０１１及びＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic　Input　Output　System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、ハードディスクドライブ１０９０に接続される。ディスクドライブインタフェース１０４０は、ディスクドライブ１１００に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ１１００に挿入される。シリアルポートインタフェース１０５０は、例えばマウス１１１０、キーボード１１２０に接続される。ビデオアダプタ１０６０は、例えばディスプレイ１１３０に接続される。
　ハードディスクドライブ１０９０は、例えば、ＯＳ（Operating　System）１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、ＩｏＴ　ＧＷ１０及びサーバ２０の各処理を規定するプログラムは、コンピュータにより実行可能なコードが記述されたプログラムモジュール１０９３として実装される。プログラムモジュール１０９３は、例えばハードディスクドライブ１０９０に記憶される。例えば、ＩｏＴ　ＧＷ１０及びサーバ２０における機能構成と同様の処理を実行するためのプログラムモジュール１０９３が、ハードディスクドライブ１０９０に記憶される。なお、ハードディスクドライブ１０９０は、ＳＳＤ（Solid　State　Drive）により代替されてもよい。
　また、上述した実施形態の処理で用いられる設定データは、プログラムデータ１０９４として、例えばメモリ１０１０やハードディスクドライブ１０９０に記憶される。そして、ＣＰＵ１０２０が、メモリ１０１０やハードディスクドライブ１０９０に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出して実行する。
　なお、プログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０９０に記憶される場合に限らず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ１１００等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、プログラムモジュール１０９３及びプログラムデータ１０９４は、ネットワーク（ＬＡＮ、ＷＡＮ（Wide　Area　Network）等）を介して接続された他のコンピュータに記憶されてもよい。そして、プログラムモジュール１０９３及びプログラムデータ１０９４は、他のコンピュータから、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。
　以上、本発明者によってなされた発明を適用した実施形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施形態、実施例及び運用技術等は全て本発明の範疇に含まれる。
　１　通信システム
　１０　ＩｏＴ　ＧＷ
　１１，２１　通信部
　１２，２２　記憶部
　１３，２３　制御部
　１２１　機器識別情報
　１２２　正常通信モデル
　１３１　学習部
　１３２　判定部
　１３３　通信制御部
　１３４　中断終了判定部
　１３５　続行判定部
　１３６　再開判定部
　２０　サーバ
　３０　ＩｏＴ機器
　Ｎ　ネットワーク

Claims (7)

  1. 　ＩｏＴゲートウェイに接続されているＩｏＴ機器の正常な通信パターンを学習させた正常通信モデルを前記ＩｏＴ機器ごとに作成する学習部と、
    　前記学習部による学習について、学習環境の負荷を基に、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて前記学習部による学習処理を制御する判定部と、
    　を有することを特徴とする制御装置。
  2. 　前記学習部が作成した前記正常通信モデルを適用して、前記ＩｏＴ機器の通信を制御する通信制御部
    　をさらに有することを特徴とする請求項１に記載の制御装置。
  3. 　前記判定部は、
    　学習環境の負荷、学習対象のＩｏＴ機器の台数及び学習結果を基に、前記学習部による学習の中断または学習の終了を、学習中である前記ＩｏＴ機器ごとに判定し、前記学習部に対し、学習の中断を判定した場合には学習の中断を判定した前記ＩｏＴ機器に関する学習を中断させ、学習の終了を判定した場合には学習の終了を判定した前記ＩｏＴ機器に関する学習を終了させる第１の判定部
    　を有することを特徴とする請求項１または２に記載の制御装置。
  4. 　前記判定部は、
    　学習環境の負荷、学習対象の前記ＩｏＴ機器の台数及び中断期間の長さを基に、中断された学習の続行の可否を、学習が中断中である前記ＩｏＴ機器ごとに定期的に判定し、前記学習部に対し、学習の続行を判定した場合には学習の続行を判定した前記ＩｏＴ機器に関する学習を続行させる第２の判定部
    　を有することを特徴とする請求項３に記載の制御装置。
  5. 　前記判定部は、
    　前回の学習を終了してからの期間、学習環境の負荷及び学習対象のＩｏＴ機器の台数を基に、学習の再開の可否を定期的に判定し、学習の再開を判定した場合には前記学習部に学習を再開させる第３の判定部
    　を有することを特徴とする請求項３または４に記載の制御装置。
  6. 　制御装置が実行する制御方法であって、
    　ＩｏＴゲートウェイに接続されているＩｏＴ機器の正常な通信パターンを学習させた正常通信モデルを前記ＩｏＴ機器ごとに作成する学習工程と、
    　前記学習工程による学習について、学習環境の負荷を基に、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて前記学習工程における学習処理を制御する判定工程と、
    　を含んだことを特徴とする制御方法。
  7. 　ＩｏＴゲートウェイに接続されているＩｏＴ機器の正常な通信パターンを学習させた正常通信モデルを前記ＩｏＴ機器ごとに作成する学習ステップと、
    　前記学習ステップによる学習について、学習環境の負荷を基に、学習の中断、学習の終了、学習の続行及び学習の再開を判定し、判定結果に基づいて前記学習ステップにおける学習処理を制御する判定ステップと、
    　をコンピュータに実行させるための制御プログラム。
PCT/JP2019/023161 2019-06-11 2019-06-11 制御装置、制御方法及び制御プログラム WO2020250319A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021525455A JP7243825B2 (ja) 2019-06-11 2019-06-11 制御装置、制御方法及び制御プログラム
US17/611,190 US11765047B2 (en) 2019-06-11 2019-06-11 Control device, control method, and control program
PCT/JP2019/023161 WO2020250319A1 (ja) 2019-06-11 2019-06-11 制御装置、制御方法及び制御プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/023161 WO2020250319A1 (ja) 2019-06-11 2019-06-11 制御装置、制御方法及び制御プログラム

Publications (1)

Publication Number Publication Date
WO2020250319A1 true WO2020250319A1 (ja) 2020-12-17

Family

ID=73781347

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/023161 WO2020250319A1 (ja) 2019-06-11 2019-06-11 制御装置、制御方法及び制御プログラム

Country Status (3)

Country Link
US (1) US11765047B2 (ja)
JP (1) JP7243825B2 (ja)
WO (1) WO2020250319A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022176128A1 (ja) * 2021-02-18 2022-08-25 日本電信電話株式会社 分析装置、分析システム、分析方法、および、分析プログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111835842B (zh) * 2020-07-02 2023-02-28 远景智能国际私人投资有限公司 网关资源的更新方法、装置及物联网控制平台

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016136233A (ja) * 2015-01-19 2016-07-28 株式会社デンソー 音声学習システム、音声学習方法
JP2017207939A (ja) * 2016-05-19 2017-11-24 日本電信電話株式会社 リスクベース認証装置、リスク判定モデル用学習データ生成装置、リスク判定モデル学習装置、リスク判定モデル用学習データ生成方法、リスク判定モデル学習方法、プログラム
JP2018092613A (ja) * 2016-12-06 2018-06-14 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 情報処理装置、情報処理方法及びプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11500082B2 (en) * 2018-11-14 2022-11-15 Lockheed Martin Corporation Iterative learning adaptive sonar system, apparatus, method, and computer program product

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016136233A (ja) * 2015-01-19 2016-07-28 株式会社デンソー 音声学習システム、音声学習方法
JP2017207939A (ja) * 2016-05-19 2017-11-24 日本電信電話株式会社 リスクベース認証装置、リスク判定モデル用学習データ生成装置、リスク判定モデル学習装置、リスク判定モデル用学習データ生成方法、リスク判定モデル学習方法、プログラム
JP2018092613A (ja) * 2016-12-06 2018-06-14 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 情報処理装置、情報処理方法及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TYOU, LIFAN ET AL.,: "A study of decentralized loT Security Controller", IEICE TECHNICAL REPORT, vol. 117, no. 481, 28 February 2018 (2018-02-28), pages 43 - 48, ISSN: 0913-5685 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022176128A1 (ja) * 2021-02-18 2022-08-25 日本電信電話株式会社 分析装置、分析システム、分析方法、および、分析プログラム

Also Published As

Publication number Publication date
US20220311677A1 (en) 2022-09-29
US11765047B2 (en) 2023-09-19
JPWO2020250319A1 (ja) 2020-12-17
JP7243825B2 (ja) 2023-03-22

Similar Documents

Publication Publication Date Title
CN107395390B (zh) 电脑执行方法及非暂时性的电脑可读的储存媒体及系统
WO2020250319A1 (ja) 制御装置、制御方法及び制御プログラム
US9270556B2 (en) Flow control in packet processing systems
JP2009244945A (ja) 負荷分散プログラム、負荷分散方法、負荷分散装置およびそれを含むシステム
US7260634B2 (en) Storage device band control apparatus, method, and program
US20170063645A1 (en) Method, Computer Program and Node for Management of Resources
US8060592B1 (en) Selectively updating network devices by a network management application
TW201916643A (zh) 用於乙太網路交換器之角色型自動設定系統及方法
US20180167337A1 (en) Application of network flow rule action based on packet counter
WO2012056537A1 (ja) プログラマブルコントローラ
JP6390167B2 (ja) 通信スループット予測装置、通信スループット予測方法、及び、プログラム
JP7259978B2 (ja) 制御装置、方法及びシステム
US20170187575A1 (en) System and method for customizing standard device-orientated services within a high scale deployment
JP7208560B2 (ja) 制御システム及び制御方法
Yetim et al. Adaptive delay-tolerant scheduling for efficient cellular and WiFi usage
Buh et al. Adaptive network-traffic balancing on multi-core software networking devices
US11632319B2 (en) Processing device and moving method
WO2020170863A1 (ja) 通信端末装置、通信制御方法及び通信制御プログラム
CN115484161A (zh) Tsn网络配置方法、装置及计算机可读存储介质
CN112752307A (zh) 控制方法、数据处理设备、控制系统及存储介质
JP6096700B2 (ja) Ａｐｉ提供システム
JP7063185B2 (ja) 通信システム及び通信方法
JP6990452B2 (ja) トラヒック監視のためのデバイス、方法、および非一時的有形機械可読媒体
US11133960B2 (en) Systems and methods for configuring virtual networks
CN110417568B (zh) Nfv策略协商方法及系统

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: 19932509

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021525455

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19932509

Country of ref document: EP

Kind code of ref document: A1