WO2022034645A1 - 帯域推定装置、帯域推定方法、及びプログラム - Google Patents

帯域推定装置、帯域推定方法、及びプログラム Download PDF

Info

Publication number
WO2022034645A1
WO2022034645A1 PCT/JP2020/030647 JP2020030647W WO2022034645A1 WO 2022034645 A1 WO2022034645 A1 WO 2022034645A1 JP 2020030647 W JP2020030647 W JP 2020030647W WO 2022034645 A1 WO2022034645 A1 WO 2022034645A1
Authority
WO
WIPO (PCT)
Prior art keywords
band
traffic amount
link
contracted
communication
Prior art date
Application number
PCT/JP2020/030647
Other languages
English (en)
French (fr)
Inventor
絵莉奈 竹下
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 PCT/JP2020/030647 priority Critical patent/WO2022034645A1/ja
Priority to JP2022542530A priority patent/JP7444263B2/ja
Publication of WO2022034645A1 publication Critical patent/WO2022034645A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0882—Utilisation of link capacity

Definitions

  • the present disclosure relates to a technique for calculating a communication band required when a plurality of lines are accommodated in one communication link.
  • FIG. 1 and 2 are diagrams illustrating the communication band calculation device 300 described in Patent Document 1.
  • the communication system 10 connects two communication devices (11, 12) with a link 15.
  • the link 15 accommodates a plurality of lines.
  • An upper limit value (hereinafter referred to as "contract band") is set for the communication band of each line according to the contract of each line.
  • the communication device (11, 12) observes the traffic amount of the entire line accommodated in the link 15 at each physical port (11a, 12a) and notifies the communication band calculation device 300.
  • the required physical band (hereinafter referred to as “required band”) is designed for the link 15 (hereinafter referred to as "band design"). To be done.)
  • the communication system 10 as shown in FIG. 1 has the following problems in terms of bandwidth utilization efficiency. Assuming that the total of the contracted bandwidths of all the lines accommodating the required bandwidth of the link 15, the bandwidth utilization efficiency becomes low when the utilization rate of many lines is low. Therefore, the communication system 10 has a problem that the communication quality of each line is guaranteed and the required bandwidth is set so as not to reduce the bandwidth utilization efficiency.
  • the prediction method predicts the band of each variable element from the observed traffic data, and uses the sum of the bands as the required band.
  • the existing line fluctuation is predicted using a linear approximation function formula based on past traffic data.
  • new line fluctuations are predicted using the same probability density function as existing traffic.
  • the band design is carried out at each time within the design period Tx, and the required band Z ( ti ) is calculated for each time ti .
  • Patent Document 1 discloses that the required band is estimated for each variable element.
  • An object of the present invention is to estimate a required band with higher accuracy than the method of Patent Document 1. That is, in order to solve the above-mentioned problems, the present invention is a band estimation device and a band estimation method capable of calculating the required band of a link of a communication system with high accuracy, guaranteeing communication quality and improving band utilization efficiency. , And the purpose of providing the program.
  • the band estimation device estimates the traffic amount from the line information from the machine learning model that learned the set of the observed traffic data and the line information, and estimates from the set of a plurality of line information.
  • the upper limit of the confidence interval based on the distribution of the traffic amount is set as the required band.
  • the band estimation device is a band estimation device that calculates the required band of the link in a communication system in which a plurality of lines are accommodated in a link between communication devices.
  • a communication unit in which the contracted band for each line in the observation period up to now, the traffic amount of the link, and the contracted band for each line in the future design period are input.
  • Machine learning of the contracted band and the traffic amount for each hour in the observation period and creating a machine learning model for predicting the traffic amount from the contracted band.
  • the band estimation method is a band estimation method for calculating the required band of the link in a communication system in which a plurality of lines are accommodated in a link between communication devices. Obtaining the contracted bandwidth for each line and the traffic amount of the link in the observation period up to now, Machine learning of the contracted band and the traffic amount for each hour in the observation period, and creating a machine learning model for predicting the traffic amount from the contracted band. Obtaining the contracted band for each line in the future design period and estimating the traffic amount for each time in the design period using the machine learning model. The probability density function is estimated from the traffic amount at each time of the estimated design period, and a desired confidence interval is applied to the probability density function, and the upper limit value of the confidence interval is set as the required band.
  • This band estimation device and method machine-learns the past traffic amount and line information to generate a model, and applies the line information to the model to estimate the future traffic amount. Then, the required band is set based on the probability density distribution of the estimated traffic amount. That is, the present invention provides a band estimation device, a band estimation method, and a program capable of calculating the required band of a link of a communication system with high accuracy by machine learning, guaranteeing communication quality, and improving band utilization efficiency. can do.
  • the present invention is a program for operating a computer as the band estimation device.
  • the band estimation device of the present invention can also be realized by a computer and a program, and the program can be recorded on a recording medium or provided through a network.
  • the present invention can provide a band estimation device, a band estimation method, and a program capable of calculating the required band of a link of a communication system with high accuracy, guaranteeing communication quality, and improving band utilization efficiency.
  • FIG. 3 is a table of time-series data of the line information vector x and the scalar value y of the traffic amount.
  • FIG. 4 is a diagram illustrating a model used in the present invention.
  • Each element x (t, i) of the above represents the contracted band of the line i at the time t.
  • the traffic amount yt at the time t represents the traffic amount of the entire accommodation line of the link to be band-designed.
  • the vector x t of the observation period Tv and the design period Tx changes with time with the addition of a new line, the contract change, or the deletion.
  • the traffic amount yt of the observation period Tv is the traffic amount actually observed.
  • the traffic amount yt of the design period Tx is predicted by using the “model 1”. Further, from the traffic amount yt predicted by the model 1, the probability density function p ( y ) that fits the distribution of the traffic amount yt is predicted by using the "model 2".
  • FIG. 5 is a flowchart illustrating a band estimation method according to the present invention.
  • This band estimation method is a band estimation method for calculating the required band of the link 15 in the communication system 10 in which a plurality of lines i are accommodated in the link 15 between the communication devices (11, 12).
  • Machine learning is performed on the contracted band x (t, i) and the traffic amount y t for each hour in the observation period Tv, and a machine learning model (model 1) that predicts the traffic amount yt from the contracted band x (t, i) is created.
  • step S02 Obtaining the contracted band x (t, i) for each line i in the future design period Tx, and estimating the traffic amount yt for each time of the design period Tx using the machine learning model (step S03). Estimating the probability density function p ( y ) from the traffic amount yt at each time of the estimated design period Tx (step S04), and applying the desired confidence interval to the probability density function p (y), the confidence interval of the said confidence interval. The upper limit is set to the required band (step S05). I do.
  • FIG. 6 is a diagram illustrating the band estimation device 301 and the communication system 10 to be measured according to the present invention.
  • the communication system 10 is a network in which a plurality of lines i are accommodated in a link 15 between any two communication devices (11, 12). The steps of FIG. 5 will be described in detail with reference to FIG.
  • the band estimation device 301 acquires time-series data of the observation period Tx for the contracted band of each line i and the traffic average counter value in an arbitrary time unit for each communication device (11, 12).
  • the band estimation device 301 machine-learns the acquired observation period Tx data, and creates a model 1 that predicts the traffic amount yt from the vector xt . That is, the model 1 is a model for obtaining the traffic amount yt between the communication devices (11, 12) in a certain period from the contract band data x (t, i) of each line i in a certain period.
  • Non-Patent Document 1 the algorithm LightGBM (Non-Patent Document 1), which is effective in reducing the estimation accuracy and the calculation time in the model creation of the regression problem for estimating the discrete value from the nonlinear data.
  • x (t, i) is not limited to the contracted band, and may include an average value or a distributed value of the contracted band. Further, it is possible to improve the estimation accuracy by adjusting the parameters of the model 1.
  • the band estimation device 301 acquires time-series data of the design period Tv for the contracted band of each line i. Then, the band estimation device 301 estimates the traffic amount y't of the shaded portion in FIG.
  • the band estimation device 301 calculates the probability density function p (y) of the traffic amount in the entire design period Tx based on the estimated traffic amount y't at each time. In this step, the band estimation device 301 creates a model 2 that predicts the probability density function p (y) from the traffic amount y't .
  • Model 2 is a model that estimates the probability density function p (y) from a set of a plurality of traffic quantities y't by kernel density estimation (a method of estimating the entire distribution from a finite sample point). For example, scikit-learn is used to create the model 2.
  • a Gaussian distribution is used for kernel density estimation.
  • the estimation accuracy may be improved by using an arbitrary probability density function (exponential distribution, etc.) based on the distribution of the observed traffic amount for kernel density estimation.
  • the band estimation device 301 estimates the probability density function p (y) from y't at the time t (t ⁇ Tv) of the design period Tx using the model 2.
  • FIG. 7 is a diagram illustrating the band estimation device 301.
  • the band estimation device 301 is a band estimation device that calculates the required band of the link 15 in the communication system 10 in which a plurality of lines i are accommodated in the link 15 between the communication devices (11, 12).
  • the contracted band x (t, i) for each line i in the observation period Tx up to now, the traffic amount yt of the link 15, and the contracted band x (t, i) for each line i in the future design period Tv are input.
  • a machine learning model (model 1) that machine-learns the contracted band x ( t , i) and the traffic amount y t for each hour in the observation period Tx and predicts the traffic amount y't from the contracted band x (t, i) .
  • To create To estimate the traffic amount y't for each time of the design period Tv by applying the contracted band x (t, i) for each line i in the design period Tv to the machine learning model. Estimate the probability density function p (y) from the traffic amount y't at each time of the estimated design period Tv, apply the desired confidence interval to the probability density function p (y), and set the upper limit of the confidence interval.
  • the arithmetic processing unit 22 that performs the required band, and To prepare for.
  • the communication unit 21 has a function of performing data communication with an external device via a communication line.
  • the communication unit 21 inputs the contract band x ( t , i) and the traffic amount yt acquired at the physical ports (11a, 12a) of each communication device (11, 12).
  • the arithmetic processing unit 22 has a first calculation unit to a third calculation unit.
  • the first calculation unit creates a model 1 from the traffic amount y t and the line information (vector x t ), and calculates the estimated traffic amount y't at each time using the model 1.
  • the first calculation unit is in charge of steps S01 to S03 described above.
  • the second calculation unit estimates the probability density function p (y) from the estimated traffic amount y't at each time.
  • the second calculation unit is in charge of step S04 described above.
  • the third calculation unit calculates the upper limit value of the ⁇ % confidence interval of the estimated probability density function p (y) as the required band.
  • the third calculation unit is in charge of step S05 described above.
  • the band estimation device 301 also includes a data bus 20, an input unit 23, an output unit 24, and a storage unit 25.
  • the storage unit 25 includes observation data (time-series data y of past traffic amount yt), accommodation line data (data such as contracted bandwidth x (t, i) of each line i), and band calculation parameters (traffic amount y). 'Parameters used for model 1 to estimate t ) and band calculation result (required band) are stored. Parameters and programs are input to the input unit 23 from an operator, a network controller, or the like.
  • the output unit 24 has functions such as file output and screen display of the calculation status and the calculation result.
  • the data bus 20 has a function of connecting each part for transmitting / receiving data of each part.
  • FIG. 8 is a diagram illustrating the effect of the band estimation device 301.
  • FIG. 8 shows the actual traffic amount yt during the design period Tx, the predicted traffic amount y't performed by the band estimation device 301, and the communication band calculation device 300 described with reference to FIGS. 1 and 2.
  • the predicted traffic amount y0't , the required band W1 calculated by the band estimation device 301, and the required band W0 calculated by the communication band calculation device 300 are described. Since the required bandwidth W1 calculated by the bandwidth estimation device 301 exceeds the actual traffic amount yt at all times, packets are not discarded and the communication quality can be maintained. Further, since the required band W1 calculated by the band estimation device 301 is lower than the required band W0 calculated by the communication band calculation device 300, the band utilization efficiency can be improved.
  • the parameters of the model 1 are adjusted according to the traffic pattern of the traffic observed in the observation period Tv, a model corresponding to the characteristics of the traffic can be created. For example, if the traffic fluctuates greatly depending on the day of the week or the season, it is conceivable to adjust the parameters according to the traffic pattern.
  • the band estimation device 301 of the present invention creates a model 1 that estimates the traffic amount from the line information by using the traffic amount y t of the observation period Tv and the line information x (t, i) . , The estimated traffic amount y't of each time can be accurately estimated based on the line information x (t, i) of each time in the design period Tx. Further, the band estimation device 301 of the present invention can estimate the probability density function p (y) from the estimated traffic amount y't , and calculate the required band for guaranteeing the communication quality based on this probability density function. Therefore, the band estimation device 301 of the present invention can accurately estimate the traffic amount and can reduce the required band for guaranteeing the communication quality to the minimum, so that the band utilization efficiency can be improved.
  • the band estimation device 301 can also be realized by a computer and a program, and the program can be recorded on a recording medium or provided through a network.
  • FIG. 9 shows a block diagram of the system 100.
  • the system 100 includes a computer 105 connected to the network 135.
  • Network 135 is a data communication network.
  • the network 135 may be a private network or a public network, for example, (a) a personal area network covering a room, (b) a local area network covering, for example, a building, (c), for example.
  • a campus area network that covers a campus (d) a metropolitan area network that covers, for example, a city, (e) a wide area that covers areas that connect, for example, across urban, local, or national boundaries. It can include any or all of the area network, or (f) the Internet. Communication is carried out by electronic signals and optical signals via the network 135.
  • the computer 105 includes a processor 110 and a memory 115 connected to the processor 110.
  • the computer 105 is represented herein as a stand-alone device, but is not so limited, but rather may be connected to other devices not shown in the distributed processing system.
  • the processor 110 is an electronic device composed of a logic circuit that responds to an instruction and executes an instruction.
  • the memory 115 is a readable storage medium for a tangible computer in which a computer program is encoded.
  • the memory 115 stores data and instructions readable and executable by the processor 110, i.e., program code, to control the operation of the processor 110.
  • the memory 115 can be realized by a random access memory (RAM), a hard drive, a read-only memory (ROM), or a combination thereof.
  • One of the components of the memory 115 is the program module 120.
  • the program module 120 includes instructions for controlling the processor 110 to perform the processes described herein. Although the operations are described herein as being performed by the computer 105 or a method or process or a subordinate process thereof, those operations are actually performed by the processor 110.
  • module is used herein to refer to a functional operation that can be embodied as either a stand-alone component or an integrated configuration consisting of multiple subordinate components. Therefore, the program module 120 can be realized as a single module or as a plurality of modules operating in cooperation with each other. Further, the program module 120 is described herein as being installed in memory 115 and thus implemented in software, but of hardware (eg, electronic circuits), firmware, software, or a combination thereof. It can be realized by either.
  • the storage device 140 is a readable storage medium for a tangible computer that stores the program module 120. Examples of storage devices 140 include compact disks, magnetic tapes, read-only memories, optical storage media, memory units consisting of hard drives or multiple parallel hard drives, and universal serial bus (USB) flash drives. Be done. Alternatively, the storage device 140 may be a random access memory or other type of electronic storage device located in a remote storage system (not shown) and connected to the computer 105 via the network 135.
  • the system 100 is collectively referred to herein as the data source 150, and further includes a data source 150A and a data source 150B that are communicably connected to the network 135.
  • the data source 150 can include any number of data sources, i.e. one or more data sources.
  • the data source 150 contains unsystematic data and can include social media.
  • the system 100 further includes a user device 130 operated by the user 101 and connected to the computer 105 via the network 135.
  • User devices 130 include input devices such as keyboards or voice recognition subsystems that allow the user 101 to convey information and command selections to the processor 110.
  • the user device 130 further includes an output device such as a display device or a printer or a speech synthesizer.
  • a cursor control unit such as a mouse, trackball, or touch-sensitive screen, allows the user 101 to manipulate the cursor on the display device to convey further information and command selections to the processor 110.
  • the processor 110 outputs the execution result 122 of the program module 120 to the user device 130.
  • the processor 110 can bring the output to a storage device 125, such as a database or memory, or to a remote device (not shown) via the network 135.
  • the program that performs the flowchart of FIG. 5 may be the program module 120.
  • the system 100 can be operated as a bandwidth estimation device 301.
  • the present invention is not limited to the above embodiment, and can be variously modified and implemented without departing from the gist of the present invention.
  • the present invention is not limited to the higher-level embodiment as it is, and at the implementation stage, the components can be modified and embodied within a range that does not deviate from the gist thereof.
  • inventions can be formed by appropriately combining a plurality of components disclosed in the above embodiment. For example, some components may be removed from all the components shown in the embodiments. In addition, components from different embodiments may be combined as appropriate.

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本発明は、通信システムのリンクの必要帯域を高い精度で算出し、通信品質の保証と帯域利用効率の向上を図ることができる帯域推定装置、帯域推定方法、及びプログラムを提供することを目的とする。　本発明は、通信装置間のリンクに複数の回線が収容される通信システムを対象として、各回線の通信帯域の上限値（回線情報）と観測されたトラヒックデータとのセットを学習することで機械学習モデルを生成し、生成された機械学習モデルと各時刻における回線情報とに基づいて、それぞれの時刻におけるトラヒック量を推定し、推定された複数時刻におけるトラヒック量に基づいて、各時刻におけるトラヒック量の確率密度関数を推定し、推定された確率密度関数の信頼区間の上限値を必要帯域とする。

Description

帯域推定装置、帯域推定方法、及びプログラム
　本開示は、複数の回線が１つの通信リンクに収容される際に必要となる通信帯域を算出する技術に関する。
　図１及び図２は、特許文献１に記載される通信帯域算出装置３００を説明する図である。通信システム１０は、２つの通信装置（１１、１２）をリンク１５で接続している。リンク１５は複数の回線を収容する。各回線の通信帯域は、各回線の契約に応じて上限値（以降、「契約帯域」と記載する。）が設定される。通信装置（１１、１２）は、それぞれの物理ポート（１１ａ，１２ａ）で、リンク１５に収容される回線全体のトラヒック量を観測し、通信帯域算出装置３００に通知している。
　収容される回線の数や契約帯域は、回線の新規追加、契約変更、あるいは削除に伴って時間的に変化し、図２に示す観測期間Ｔｖ内および設計期間Ｔｘ内においても複数回変化する場合がある。各回線の通信品質を保証するために（トラヒックが廃棄されないように）、リンク１５には必要な物理帯域（以降、「必要帯域」と記載する。）が設計（以降、「帯域設計」と記載する。）される。
特開２００９－１１８２７４号公報
Ｇｕｏｌｉｎ　Ｋｅ，　Ｑｉ　Ｍｅｎｇ，　Ｔｈｏｍａｓ　Ｆｉｎｌｅｙ，　Ｔａｉｆｅｎｇ　Ｗａｎｇ，　Ｗｅｉ　Ｃｈｅｎ，　Ｗｅｉｄｏｎｇ　Ｍａ，　Ｑｉｗｅｉ　Ｙｅ，　Ｔｉｅ－Ｙａｎ　Ｌｉｕ．　"ＬｉｇｈｔＧＢＭ：　Ａ　Ｈｉｇｈｌｙ　Ｅｆｆｉｃｉｅｎｔ　Ｇｒａｄｉｅｎｔ　Ｂｏｏｓｔｉｎｇ　Ｄｅｃｉｓｉｏｎ　Ｔｒｅｅ．"　Ａｄｖａｎｃｅｓ　ｉｎ　Ｎｅｕｒａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ　Ｓｙｓｔｅｍｓ　３０　（ＮＩＰＳ　２０１７），　ｐｐ．　３１４９－３１５７．
　ここで、図１のような通信システム１０には、帯域利用効率について次のような課題がある。
　リンク１５の必要帯域を収容される全回線の契約帯域の総和とすると、多数の回線の利用率が低い場合、帯域利用効率が低くなってしまう。このため、通信システム１０には、各回線の通信品質を保証するとともに、帯域利用効率が低下しない程度の必要帯域の設定が求められるという課題がある。
　当該課題を解決するためには、次のような予測手法がなされることがある。
　当該予測手法は、観測トラヒックデータから各変動要素の帯域をそれぞれ予測し、その総和を必要帯域とする。ここで、既存回線変動は過去のトラヒックデータに基づく線形近似関数式を用いて予測する。一方、新規回線変動は既存トラヒックと同じ確率密度関数を用いて予測する。
　そして、帯域設計は設計期間Ｔｘ内の各時間において実施され、各時間ｔｉごとに必要帯域Ｚ（ｔｉ）が算出される。
　特許文献１は、変動要素ごとに必要帯域を推定することが開示される。本発明は、特許文献１の手法より高い精度で必要帯域を推定することを目的とする。つまり、本発明は、前記課題を解決するために、通信システムのリンクの必要帯域を高い精度で算出し、通信品質の保証と帯域利用効率の向上を図ることができる帯域推定装置、帯域推定方法、及びプログラムを提供することを目的とする。
　上記目的を達成するために、本発明に係る帯域推定装置は、観測トラヒックデータと回線情報のセットを学習した機械学習モデルから回線情報からトラヒック量を推定し、複数の回線情報のセットから推定したトラヒック量の分布に基づいた信頼区間の上限値を必要帯域とすることとした。
　具体的には、本発明に係る帯域推定装置は、通信装置間のリンクに複数の回線が収容される通信システムにおいて、前記リンクの必要帯域を算出する帯域推定装置であって、
　現在までの観測期間における前記回線毎の契約帯域と前記リンクのトラヒック量、及び将来の設計期間における前記回線毎の契約帯域が入力される通信部と、
　前記観測期間における時間毎の前記契約帯域と前記トラヒック量を機械学習し、前記契約帯域から前記トラヒック量を予測する機械学習モデルを作成すること、
　前記設計期間における前記回線毎の契約帯域を前記機械学習モデルにあてはめて前記設計期間の時間毎の前記トラヒック量を推定すること、
　推定した前記設計期間の各時間の前記トラヒック量から確率密度関数を推定すること、及び
　前記確率密度関数に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること
を行う演算処理部と、
を備える。
　また、本発明に係る帯域推定方法は、通信装置間のリンクに複数の回線が収容される通信システムにおいて、前記リンクの必要帯域を算出する帯域推定方法であって、
　現在までの観測期間における前記回線毎の契約帯域と前記リンクのトラヒック量を取得すること、
　前記観測期間における時間毎の前記契約帯域と前記トラヒック量を機械学習し、前記契約帯域から前記トラヒック量を予測する機械学習モデルを作成すること、
　将来の設計期間における前記回線毎の契約帯域を取得し、前記機械学習モデルを用いて前記設計期間の時間毎の前記トラヒック量を推定すること、
　推定した前記設計期間の各時間の前記トラヒック量から確率密度関数を推定すること、及び
　前記確率密度関数に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること
を行う。
　本帯域推定装置及び方法は、過去のトラヒック量と回線情報を機械学習してモデルを生成し、回線情報をそのモデルにあてはめて将来のトラヒック量を推定する。そして、その推定したトラヒック量の確率密度分布に基づいて必要帯域を設定する。つまり、本発明は、機械学習により通信システムのリンクの必要帯域を高い精度で算出し、通信品質の保証と帯域利用効率の向上を図ることができる帯域推定装置、帯域推定方法、及びプログラムを提供することができる。
　また、本発明は、前記帯域推定装置としてコンピュータを機能させるためのプログラムである。本発明の帯域推定装置はコンピュータとプログラムによっても実現でき、プログラムを記録媒体に記録することも、ネットワークを通して提供することも可能である。
　なお、上記各発明は、可能な限り組み合わせることができる。
　本発明は、通信システムのリンクの必要帯域を高い精度で算出し、通信品質の保証と帯域利用効率の向上を図ることができる帯域推定装置、帯域推定方法、及びプログラムを提供することができる。
本発明に関連する通信帯域算出装置を説明する図である。 本発明に関連する通信帯域算出装置の動作を説明する図である。 回線情報のベクトルｘとトラヒック量のスカラー値ｙの時系列データの表である。 本発明に係る帯域推定装置で用いるモデルについて説明する図である。 本発明に係る帯域推定方法を説明するフローチャートである。 本発明に係る帯域推定装置を説明する図である。 本発明に係る帯域推定装置を説明する図である。 本発明に係る帯域推定装置の効果を説明する図である。 本発明に係る帯域推定装置を説明する図である。
　添付の図面を参照して本発明の実施形態を説明する。以下に説明する実施形態は本発明の実施例であり、本発明は、以下の実施形態に制限されるものではない。なお、本明細書及び図面において符号が同じ構成要素は、相互に同一のものを示すものとする。
　図３は、回線情報のベクトルｘとトラヒック量のスカラー値ｙの時系列データの表である。図４は、本発明で用いるモデルについて説明する図である。
　時間ｔにおけるベクトルｘｔは、図３の表のｘ部分の各行を表し、
ｘｔ＝｛ｘ（ｔ，０），ｘ（ｔ，１），・・・｝
の各要素ｘ（ｔ，ｉ）は、時間ｔにおける回線ｉの契約帯域を表す。
　時間ｔにおけるトラヒック量ｙｔは、帯域設計対象のリンクの収容回線全体のトラヒック量を表す。
　観測期間Ｔｖおよび設計期間Ｔｘのベクトルｘｔは回線の新規追加、契約変更、又は削除に伴って時間的に変化する。観測期間Ｔｖのトラヒック量ｙｔは実際に観測したトラヒック量である。一方、図４のように設計期間Ｔｘのトラヒック量ｙｔは「モデル１」を用いて予測する。さらに、モデル１で予測したトラヒック量ｙｔから、そのトラヒック量ｙｔの分布にフィットする確率密度関数ｐ（ｙ）を「モデル２」を用いて予測する。
　図５は、本発明に係る帯域推定方法を説明するフローチャートである。本帯域推定方法は、通信装置（１１、１２）間のリンク１５に複数の回線ｉが収容される通信システム１０において、リンク１５の必要帯域を算出する帯域推定方法であって、
　現在までの観測期間Ｔｖにおける回線ｉ毎の契約帯域ｘ（ｔ，ｉ）とリンク１５のトラヒック量ｙｔを取得すること（ステップＳ０１）、
　観測期間Ｔｖにおける時間毎の契約帯域ｘ（ｔ，ｉ）とトラヒック量ｙｔを機械学習し、契約帯域ｘ（ｔ，ｉ）からトラヒック量ｙｔを予測する機械学習モデル（モデル１）を作成すること（ステップＳ０２）、
　将来の設計期間Ｔｘにおける回線ｉ毎の契約帯域ｘ（ｔ，ｉ）を取得し、前記機械学習モデルを用いて設計期間Ｔｘの時間毎のトラヒック量ｙｔを推定すること（ステップＳ０３）、
　推定した設計期間Ｔｘの各時間のトラヒック量ｙｔから確率密度関数ｐ（ｙ）を推定すること（ステップＳ０４）、及び
　確率密度関数ｐ（ｙ）に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること（ステップＳ０５）
を行う。
　図６は、本発明に係る帯域推定装置３０１と測定対象の通信システム１０を説明する図である。通信システム１０は、任意の２つの通信装置（１１、１２）間のリンク１５に複数の回線ｉが収容されているネットワークである。図６も用いて、図５のステップを詳細に説明する。
［ステップＳ０１］
　帯域推定装置３０１は、各回線ｉの契約帯域と、通信装置（１１、１２）ごとに任意の時間単位のトラヒック平均カウンタ値について、観測期間Ｔｘの時系列のデータを取得する。
［ステップＳ０２］
　帯域推定装置３０１は、取得した観測期間Ｔｘのデータを機械学習し、ベクトルｘｔからトラヒック量ｙｔを予測するモデル１を作成する。つまり、モデル１は、ある期間の各回線ｉの契約帯域データｘ（ｔ，ｉ）から、当該期間の通信装置（１１、１２）間のトラヒック量ｙｔを求めるモデルである。例えば、モデル１の生成には、非線形なデータから離散値を推定する回帰問題のモデル作成において推定精度と計算時間低減で効果があるアルゴリズムＬｉｇｈｔＧＢＭ（非特許文献１）を用いる。
　なお、ｘ（ｔ、ｉ）は、契約帯域に限定されず、契約帯域の平均値や分散値を含んでいても良い。また、モデル１のパラメータを調整することで、推定精度を向上することが可能である。
［ステップＳ０３］
　帯域推定装置３０１は、各回線ｉの契約帯域について、設計期間Ｔｖの時系列データを取得する。そして、帯域推定装置３０１は、モデル１を用いて設計期間Ｔｖのベクトルｘｔから図３の網掛け部分のトラヒック量y’ｔを推定する。
［ステップＳ０４］
　帯域推定装置３０１は、推定した各時間のトラヒック量ｙ’ｔに基づいて設計期間Ｔｘ全てでのトラヒック量の確率密度関数ｐ（ｙ）を算出する。このステップで、帯域推定装置３０１は、トラヒック量ｙ’ｔから確率密度関数ｐ（ｙ）を予測するモデル２を作成する。モデル２は、複数のトラヒック量ｙ’ｔの集合から、カーネル密度推定（有限の標本点から全体の分布を推定する手法）によって確率密度関数ｐ（ｙ）を推定するモデルである。モデル２の作成には、例えば、ｓｃｉｋｉｔ－ｌｅａｒｎを用いる。カーネル密度推定にはガウス分布を用いる。また、カーネル密度推定に観測トラヒック量の分布に基づいて任意の確率密度関数（指数分布など）を用いて推定精度を向上させてもよい。
　このように、帯域推定装置３０１は、本ステップで、設計期間Ｔｘの時間ｔ（ｔ∈Ｔｖ）におけるｙ’ｔからモデル２を用いて確率密度関数ｐ（ｙ）を推定する。
［ステップ５］
　帯域推定装置３０１は、確率密度関数ｐ（ｙ）から通信品質の保証に必要な信頼区間の上限値を求める。具体的には、帯域推定装置３０１は、確率密度関数ｐ（ｙ）から平均と標準偏差を求め、β％の信頼区間の上限値を求める。そして、帯域推定装置３０１は、この信頼区間の上限値を必要帯域とする。例えば、信頼区間をβ＝９９．９９９％とする。
　図７は、帯域推定装置３０１を説明する図である。帯域推定装置３０１は、通信装置（１１、１２）間のリンク１５に複数の回線ｉが収容される通信システム１０において、リンク１５の必要帯域を算出する帯域推定装置であって、
　現在までの観測期間Ｔｘにおける回線ｉ毎の契約帯域ｘ（ｔ，ｉ）とリンク１５のトラヒック量ｙｔ、及び将来の設計期間Ｔｖにおける回線ｉ毎の契約帯域ｘ（ｔ，ｉ）が入力される通信部２１と、
　観測期間Ｔｘにおける時間毎の契約帯域ｘ（ｔ，ｉ）とトラヒック量ｙｔを機械学習し、契約帯域ｘ（ｔ，ｉ）からトラヒック量ｙ’ｔを予測する機械学習モデル（モデル１）を作成すること、
　設計期間Ｔｖにおける回線ｉ毎の契約帯域ｘ（ｔ，ｉ）を前記機械学習モデルにあてはめて設計期間Ｔｖの時間毎のトラヒック量ｙ’ｔを推定すること、
　推定した設計期間Ｔｖの各時間のトラヒック量ｙ’ｔから確率密度関数ｐ（ｙ）を推定すること、及び
　確率密度関数ｐ（ｙ）に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること
を行う演算処理部２２と、
を備える。
　通信部２１は、通信回線を介して外部装置とデータ通信を行う機能を有する。通信部２１は、上述したステップＳ０１及びＳ０３にて、各通信装置（１１、１２）の物理ポート（１１ａ、１２ａ）で取得された契約帯域ｘ（ｔ，ｉ）及びトラヒック量ｙｔが入力される。
　演算処理部２２は、第１算出部から第３算出部を有する。
　第１算出部は、トラヒック量ｙｔと回線情報（べクトルｘｔ）からモデル１を作成し、モデル１を用いて各時間における推定トラヒック量ｙ’ｔを算出する。第１算出部は、上述したステップＳ０１からＳ０３を担当する。
　第２算出部は、各時間の推定トラヒック量ｙ’ｔから確率密度関数ｐ（ｙ）を推定する。第２算出部は、上述したステップＳ０４を担当する。
　第３算出部は、推定した確率密度関数ｐ（ｙ）のβ％の信頼区間の上限値を必要帯域として算出する。第３算出部は、上述したステップＳ０５を担当する。
　帯域推定装置３０１は、その他に、データバス２０、入力部２３、出力部２４、及び記憶部２５を備える。
　記憶部２５は、観測データ（過去のトラヒック量ｙｔの時系列データｙ）、収容回線データ（各回線ｉの契約帯域ｘ（ｔ，ｉ）等のデータ）、帯域算出用パラメータ（トラヒック量ｙ’ｔを推定するモデル１に用いるパラメータ）、及び帯域算出結果（必要帯域）を記憶する。
　入力部２３は、オペレータやネットワークコントローラ等からパラメータやプログラムが入力される。
　出力部２４は、算出状況や算出結果をファイル出力や画面表示する等の機能を有する。
　データバス２０は、各部のデータの送受信のために各部を接続する機能を有する。
（効果）
　帯域推定装置３０１の効果を説明するために、設計期間Ｔｘのトラヒック量の時系列データも取得した。
　図８は、帯域推定装置３０１の効果を説明する図である。図８には、設計期間Ｔｘにおける、実際のトラヒック量ｙｔと、帯域推定装置３０１が行った予測のトラヒック量ｙ’ｔと、図１及び図２で説明した通信帯域算出装置３００が行った予測のトラヒック量ｙ０’ｔと、帯域推定装置３０１が算出した必要帯域Ｗ１と、通信帯域算出装置３００が算出した必要帯域Ｗ０が記載される。
　帯域推定装置３０１が算出した必要帯域Ｗ１は、すべての時間において、実際のトラヒック量ｙｔを上回っているため、パケットが廃棄されず通信品質を保つことができている。さらに、帯域推定装置３０１が算出した必要帯域Ｗ１は、通信帯域算出装置３００が算出した必要帯域Ｗ０よりも低いため、帯域利用効率を改善できている。
　また、観測期間Ｔｖで観測するトラヒックのトラヒックパターンに応じてモデル１のパラメータ調整を行えば、当該トラヒックの特徴に応じたモデルを作成することができる。たとえば、曜日や季節でトラヒックが大きく変動する場合、そのトラヒックパターンに応じたパラメータ調整を行う等が考えらえる。
　以上のように、本発明の帯域推定装置３０１は、観測期間Ｔｖのトラヒック量ｙｔと回線情報ｘ（ｔ，ｉ）を用いて、回線情報からトラヒック量を推定するモデル１を作成することで、設計期間Ｔｘ内の各時間の回線情報ｘ（ｔ，ｉ）に基づいて正確に各時間の推定トラヒック量ｙ’ｔを推定できる。
　さらに、本発明の帯域推定装置３０１は、推定トラヒック量ｙ’ｔから確率密度関数ｐ（ｙ）を推定し、この確率密度関数に基づいて通信品質を保証する必要帯域を算出できる。
　従って、本発明の帯域推定装置３０１は、正確にトラヒック量を推定できることで通信品質を保証する必要帯域を最低限に低減することができるため、帯域利用効率を改善できる。
（他の実施形態）
　帯域推定装置３０１はコンピュータとプログラムによっても実現でき、プログラムを記録媒体に記録することも、ネットワークを通して提供することも可能である。
　図９は、システム１００のブロック図を示している。システム１００は、ネットワーク１３５へと接続されたコンピュータ１０５を含む。
　ネットワーク１３５は、データ通信ネットワークである。ネットワーク１３５は、プライベートネットワーク又はパブリックネットワークであってよく、（ａ）例えば或る部屋をカバーするパーソナル・エリア・ネットワーク、（ｂ）例えば或る建物をカバーするローカル・エリア・ネットワーク、（ｃ）例えば或るキャンパスをカバーするキャンパス・エリア・ネットワーク、（ｄ）例えば或る都市をカバーするメトロポリタン・エリア・ネットワーク、（ｅ）例えば都市、地方、又は国家の境界をまたいでつながる領域をカバーするワイド・エリア・ネットワーク、又は（ｆ）インターネット、のいずれか又はすべてを含むことができる。通信は、ネットワーク１３５を介して電子信号及び光信号によって行われる。
　コンピュータ１０５は、プロセッサ１１０、及びプロセッサ１１０に接続されたメモリ１１５を含む。コンピュータ１０５が、本明細書においてはスタンドアロンのデバイスとして表されているが、そのように限定されるわけではなく、むしろ分散処理システムにおいて図示されていない他のデバイスへと接続されてよい。
　プロセッサ１１０は、命令に応答し且つ命令を実行する論理回路で構成される電子デバイスである。
　メモリ１１５は、コンピュータプログラムがエンコードされた有形のコンピュータにとって読み取り可能な記憶媒体である。この点に関し、メモリ１１５は、プロセッサ１１０の動作を制御するためにプロセッサ１１０によって読み取り可能及び実行可能なデータ及び命令、すなわちプログラムコードを記憶する。メモリ１１５を、ランダムアクセスメモリ（ＲＡＭ）、ハードドライブ、読み出し専用メモリ（ＲＯＭ）、又はこれらの組み合わせにて実現することができる。メモリ１１５の構成要素の１つは、プログラムモジュール１２０である。
　プログラムモジュール１２０は、本明細書に記載のプロセスを実行するようにプロセッサ１１０を制御するための命令を含む。本明細書において、動作がコンピュータ１０５或いは方法又はプロセス若しくはその下位プロセスによって実行されると説明されるが、それらの動作は、実際にはプロセッサ１１０によって実行される。
　用語「モジュール」は、本明細書において、スタンドアロンの構成要素又は複数の下位の構成要素からなる統合された構成のいずれかとして具現化され得る機能的動作を指して使用される。したがって、プログラムモジュール１２０は、単一のモジュールとして、或いは互いに協調して動作する複数のモジュールとして実現され得る。さらに、プログラムモジュール１２０は、本明細書において、メモリ１１５にインストールされ、したがってソフトウェアにて実現されるものとして説明されるが、ハードウェア（例えば、電子回路）、ファームウェア、ソフトウェア、又はこれらの組み合わせのいずれかにて実現することが可能である。
　プログラムモジュール１２０は、すでにメモリ１１５へとロードされているものとして示されているが、メモリ１１５へと後にロードされるように記憶装置１４０上に位置するように構成されてもよい。記憶装置１４０は、プログラムモジュール１２０を記憶する有形のコンピュータにとって読み取り可能な記憶媒体である。記憶装置１４０の例として、コンパクトディスク、磁気テープ、読み出し専用メモリ、光記憶媒体、ハードドライブ又は複数の並列なハードドライブで構成されるメモリユニット、並びにユニバーサル・シリアル・バス（ＵＳＢ）フラッシュドライブが挙げられる。あるいは、記憶装置１４０は、ランダムアクセスメモリ、或いは図示されていない遠隔のストレージシステムに位置し、且つネットワーク１３５を介してコンピュータ１０５へと接続される他の種類の電子記憶デバイスであってよい。
　システム１００は、本明細書においてまとめてデータソース１５０と称され、且つネットワーク１３５へと通信可能に接続されるデータソース１５０Ａ及びデータソース１５０Ｂを更に含む。実際には、データソース１５０は、任意の数のデータソース、すなわち１つ以上のデータソースを含むことができる。データソース１５０は、体系化されていないデータを含み、ソーシャルメディアを含むことができる。
　システム１００は、ユーザ１０１によって操作され、且つネットワーク１３５を介してコンピュータ１０５へと接続されるユーザデバイス１３０を更に含む。ユーザデバイス１３０として、ユーザ１０１が情報及びコマンドの選択をプロセッサ１１０へと伝えることを可能にするためのキーボード又は音声認識サブシステムなどの入力デバイスが挙げられる。ユーザデバイス１３０は、表示装置又はプリンタ或いは音声合成装置などの出力デバイスを更に含む。マウス、トラックボール、又はタッチ感応式画面などのカーソル制御部が、さらなる情報及びコマンドの選択をプロセッサ１１０へと伝えるために表示装置上でカーソルを操作することをユーザ１０１にとって可能にする。
　プロセッサ１１０は、プログラムモジュール１２０の実行の結果１２２をユーザデバイス１３０へと出力する。あるいは、プロセッサ１１０は、出力を例えばデータベース又はメモリなどの記憶装置１２５へともたらすことができ、或いはネットワーク１３５を介して図示されていない遠隔のデバイスへともたらすことができる。
　例えば、図５のフローチャートを行うプログラムをプログラムモジュール１２０としてもよい。システム１００を帯域推定装置３０１として動作させることができる。
（付記）
　用語「・・・を備える」又は「・・・を備えている」は、そこで述べられている特徴、完全体、工程、又は構成要素が存在することを指定しているが、１つ以上の他の特徴、完全体、工程、又は構成要素、或いはそれらのグループの存在を排除してはいないと、解釈されるべきである。用語「ａ」及び「ａｎ」は、不定冠詞であり、したがって、それを複数有する実施形態を排除するものではない。
　なお、この発明は上記実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。要するにこの発明は、上位実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。
　また、上記実施形態に開示されている複数の構成要素を適宜な組み合わせにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合わせてもよい。
１０：通信システム
１１、１２：通信装置
１１ａ、１２ａ：物理ポート
１５：リンク
２０：データバス
２１：通信部
２２：演算処理部
２３：入力部
２４：出力部
２５：記憶部
１００：システム
１０１：ユーザ
１０５：コンピュータ
１１０：プロセッサ
１１５：メモリ
１２０：プログラムモジュール
１２２：結果
１２５：記憶装置
１３０：ユーザデバイス
１３５：ネットワーク
１４０：記憶装置
１５０：データソース
３００：通信帯域算出装置
３０１：帯域推定装置

Claims (3)

  1. 　通信装置間のリンクに複数の回線が収容される通信システムにおいて、前記リンクの必要帯域を算出する帯域推定装置であって、
    　現在までの観測期間における前記回線毎の契約帯域と前記リンクのトラヒック量、及び将来の設計期間における前記回線毎の契約帯域が入力される通信部と、
    　前記観測期間における時間毎の前記契約帯域と前記トラヒック量を機械学習し、前記契約帯域から前記トラヒック量を予測する機械学習モデルを作成すること、
    　前記設計期間における前記回線毎の契約帯域を前記機械学習モデルにあてはめて前記設計期間の時間毎の前記トラヒック量を推定すること、
    　推定した前記設計期間の各時間の前記トラヒック量から確率密度関数を推定すること、及び
    　前記確率密度関数に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること
    を行う演算処理部と、
    を備える帯域推定装置。
  2. 　通信装置間のリンクに複数の回線が収容される通信システムにおいて、前記リンクの必要帯域を算出する帯域推定方法であって、
    　現在までの観測期間における前記回線毎の契約帯域と前記リンクのトラヒック量を取得すること、
    　前記観測期間における時間毎の前記契約帯域と前記トラヒック量を機械学習し、前記契約帯域から前記トラヒック量を予測する機械学習モデルを作成すること、
    　将来の設計期間における前記回線毎の契約帯域を取得し、前記機械学習モデルを用いて前記設計期間の時間毎の前記トラヒック量を推定すること、
    　推定した前記設計期間の各時間の前記トラヒック量から確率密度関数を推定すること、及び
    　前記確率密度関数に所望の信頼区間をあてはめ、前記信頼区間の上限値を前記必要帯域とすること
    を行う帯域推定方法。
  3. 　請求項１に記載の帯域推定装置としてコンピュータを機能させるためのプログラム。
PCT/JP2020/030647 2020-08-12 2020-08-12 帯域推定装置、帯域推定方法、及びプログラム WO2022034645A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2020/030647 WO2022034645A1 (ja) 2020-08-12 2020-08-12 帯域推定装置、帯域推定方法、及びプログラム
JP2022542530A JP7444263B2 (ja) 2020-08-12 2020-08-12 帯域推定装置、帯域推定方法、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/030647 WO2022034645A1 (ja) 2020-08-12 2020-08-12 帯域推定装置、帯域推定方法、及びプログラム

Publications (1)

Publication Number Publication Date
WO2022034645A1 true WO2022034645A1 (ja) 2022-02-17

Family

ID=80247782

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/030647 WO2022034645A1 (ja) 2020-08-12 2020-08-12 帯域推定装置、帯域推定方法、及びプログラム

Country Status (2)

Country Link
JP (1) JP7444263B2 (ja)
WO (1) WO2022034645A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007158917A (ja) * 2005-12-07 2007-06-21 Kddi Corp ネットワーク収容設計システムおよびその集線率決定方法ならびにプログラムおよびその記憶媒体
JP2009118274A (ja) * 2007-11-07 2009-05-28 Nippon Telegr & Teleph Corp <Ntt> 通信帯域算出装置、方法、およびプログラム
JP2015231187A (ja) * 2014-06-06 2015-12-21 日本電信電話株式会社 通信帯域算出装置及び方法及びプログラム
US20180123901A1 (en) * 2016-10-31 2018-05-03 Level 3 Communication, Llc Distributed calculation of customer bandwidth utilization models

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007158917A (ja) * 2005-12-07 2007-06-21 Kddi Corp ネットワーク収容設計システムおよびその集線率決定方法ならびにプログラムおよびその記憶媒体
JP2009118274A (ja) * 2007-11-07 2009-05-28 Nippon Telegr & Teleph Corp <Ntt> 通信帯域算出装置、方法、およびプログラム
JP2015231187A (ja) * 2014-06-06 2015-12-21 日本電信電話株式会社 通信帯域算出装置及び方法及びプログラム
US20180123901A1 (en) * 2016-10-31 2018-05-03 Level 3 Communication, Llc Distributed calculation of customer bandwidth utilization models

Also Published As

Publication number Publication date
JPWO2022034645A1 (ja) 2022-02-17
JP7444263B2 (ja) 2024-03-06

Similar Documents

Publication Publication Date Title
US11836576B2 (en) Distributed machine learning at edge nodes
US10963783B2 (en) Technologies for optimized machine learning training
Chakrabarty et al. A generalized reaching law with different convergence rates
US10599367B2 (en) Updating storage migration rates
Sjöberg et al. Identification of Wiener–Hammerstein models: Two algorithms based on the best split of a linear model applied to the SYSID'09 benchmark problem
CN105511957A (zh) 用于生成作业告警的方法和系统
US20180197106A1 (en) Training data set determination
US9626631B2 (en) Analysis device, analysis method, and program
JP7320053B2 (ja) 予測モデルの改良
CN111950810B (zh) 一种基于自演化预训练的多变量时间序列预测方法和设备
US20170124450A1 (en) Adaptive prediction system
KR20190043720A (ko) 전문화에 기반한 신뢰성 높은 딥러닝 앙상블 방법 및 장치
WO2022034645A1 (ja) 帯域推定装置、帯域推定方法、及びプログラム
US9961802B2 (en) Reducing condensation risk within liquid cooled computers
CN104516994B (zh) 计算机实现的辅助发布规划的方法和装置
JP2019040414A (ja) 学習装置及び学習方法
WO2022064675A1 (ja) 帯域推定装置、帯域推定方法、及びプログラム
Morozov et al. On failure rate comparison of finite multiserver systems
JP6059594B2 (ja) 重み行列更新装置、その動作方法およびコンピュータプログラム
CN114503244B (zh) 用于预测晶圆上测量值的使用多级lstm的工具控制
JP2022186041A (ja) 工程管理システム、工程管理方法及び工程管理プログラム
JP6863089B2 (ja) 変数群演算装置、変数群演算方法、及び変数群演算プログラム
Das et al. Cointegration, Error Correction and Vector Autoregression
US20220076058A1 (en) Estimation device, estimation method, and computer program product
US20210264288A1 (en) Prediction modeling in sequential flow networks

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022542530

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: 20949507

Country of ref document: EP

Kind code of ref document: A1