WO2022244174A1 - 帯域推定装置、帯域推定方法およびプログラム - Google Patents

帯域推定装置、帯域推定方法およびプログラム Download PDF

Info

Publication number
WO2022244174A1
WO2022244174A1 PCT/JP2021/019124 JP2021019124W WO2022244174A1 WO 2022244174 A1 WO2022244174 A1 WO 2022244174A1 JP 2021019124 W JP2021019124 W JP 2021019124W WO 2022244174 A1 WO2022244174 A1 WO 2022244174A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
bandwidth
band
traffic
service
Prior art date
Application number
PCT/JP2021/019124
Other languages
English (en)
French (fr)
Inventor
友輝 山田
友哉 小杉
絵莉奈 竹下
章弘 森田
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/JP2021/019124 priority Critical patent/WO2022244174A1/ja
Priority to JP2023522108A priority patent/JPWO2022244174A1/ja
Publication of WO2022244174A1 publication Critical patent/WO2022244174A1/ja

Links

Images

Definitions

  • the present disclosure relates to a bandwidth estimation device, a bandwidth estimation method, and a program.
  • the communication bandwidth of each line has an upper limit of the bandwidth according to the contract of each line (hereinafter referred to as “contracted bandwidth”), but the number of lines accommodated in the link and the contracted bandwidth , changes over time as contracts are changed or deleted. Therefore, in designing a communication network, it is important to calculate the required bandwidth in consideration of the contracted bandwidth information, which is information about the contracted bandwidth of each line.
  • a network designer estimates the required bandwidth and determines whether or not the new line can be accommodated (accommodation determination) based on whether the required bandwidth exceeds the bandwidth of the existing equipment. If the required bandwidth exceeds the bandwidth of the existing equipment, additional equipment will be required. Therefore, estimating the necessary band with high accuracy leads to suppressing the facility cost.
  • Patent Literature 1 describes a method of calculating a future required bandwidth from fluctuations in the bandwidth of existing lines.
  • An object of the present disclosure which has been made in view of the above problems, is to provide a bandwidth estimation device, a bandwidth estimation method, and a program capable of improving the accuracy of estimating the required bandwidth.
  • a bandwidth estimation device accommodates lines of multiple users and estimates a bandwidth necessary for a link between communication devices in which traffic originating from multiple services flows.
  • a classification unit that acquires traffic information about the traffic from the communication device and classifies the acquired traffic information for each service; the traffic information for each service; and an estimating unit for estimating the required bandwidth for each service based on the contracted bandwidth information.
  • a bandwidth estimation method accommodates lines of a plurality of users, and a bandwidth for estimating a bandwidth required for a link between communication devices in which traffic originating from a plurality of services flows.
  • An estimation method which acquires traffic information related to the traffic from the communication device, classifies the acquired traffic information for each service, and obtains traffic information for each service and contract bandwidths for each of the plurality of users. Based on the contract bandwidth information, the necessary bandwidth required for each service is estimated.
  • a program according to the present disclosure causes a computer to function as the band estimation device described above.
  • bandwidth estimation device bandwidth estimation method, and program according to the present disclosure, it is possible to improve the accuracy of estimating the required bandwidth.
  • FIG. 1 is a diagram illustrating a configuration example of a band estimation device according to the first embodiment of the present disclosure
  • FIG. 2 is a diagram for explaining estimation of a required band for each service by an estimation unit shown in FIG. 1
  • FIG. 2 is a diagram for explaining estimation of a required band for each service by an estimation unit shown in FIG. 1
  • FIG. 2 is a diagram for explaining estimation of a required band for each service by an estimation unit shown in FIG. 1
  • FIG. 2 is a flow chart showing an example of the operation of the band estimation device shown in FIG. 1
  • FIG. 7 is a diagram illustrating a configuration example of a band estimation device according to a second embodiment of the present disclosure
  • FIG. 5 is a diagram showing an example of learning data input to the learning unit shown in FIG. 4;
  • FIG. 5 is a diagram showing an example of learning data input to the learning unit shown in FIG. 4;
  • FIG. 5 is a diagram showing an example of an estimation result of the estimation unit shown in FIG. 4;
  • FIG. FIG. 12 is a diagram illustrating a configuration example of a band estimation device according to a third embodiment of the present disclosure;
  • FIG. 8 is a diagram for explaining extraction of traffic periodicity by a periodicity extraction unit shown in FIG. 7 ;
  • 8 is a diagram showing an example of learning data input to the learning unit shown in FIG. 7;
  • FIG. FIG. 12 is a diagram illustrating a configuration example of a band estimation device according to a fourth embodiment of the present disclosure;
  • FIG. FIG. 11 is a diagram for explaining the determination of the presence or absence of periodic features by the feature determination unit shown in FIG. 10;
  • FIG. 12 is a diagram illustrating a configuration example of a band estimation device according to a fourth embodiment of the present disclosure;
  • FIG. 2 is a diagram showing an example of the hardware configuration of the band estimation device shown in FIG. 1;
  • FIG. 2 is a diagram showing an example of the hardware
  • FIG. 1 is a diagram showing a configuration example of a band estimation device 10 according to the first embodiment of the present disclosure.
  • the bandwidth estimation device 10 according to the present disclosure estimates the required bandwidth of a link 21 between communication devices 20 that accommodate multiple user lines and carry traffic resulting from multiple services.
  • the bandwidth estimation device 10 includes a service classification unit 11, a traffic collection unit 12, a user information DB (Database) 13, and an estimation unit .
  • the service classification unit 11 acquires traffic information, which is information about traffic (bandwidth) flowing through the link 21, from the communication device 20.
  • the service classification unit 11 classifies the acquired traffic information for each service. That is, the service classification unit 11 classifies the traffic information of the traffic caused by the service for each service. For example, at the time of network design, by classifying services in advance by tags, V-LAN (Virtual Local Area Network), priority, SID (Segment ID), etc., the service classification unit 11 can classify information into this classification. Based on this, the traffic information can be classified by service.
  • the service classification unit 11 can classify the traffic information for each service by reading the contents of the packet and detecting the service contents by, for example, DPI (Deep Packet Inspection) technology.
  • the service classification unit 11 outputs traffic information classified for each service to the traffic collection unit 12 .
  • the traffic collection unit 12 collects traffic information for each service output from the service classification unit 11 and outputs it to the estimation unit 14 .
  • the user information DB 13 is a database that stores information (hereinafter referred to as "contracted band information") regarding the contracted band, which is the upper limit of the band according to the contract of each user's line.
  • the user information DB 13 outputs the stored contract bandwidth information to the estimation unit 14 .
  • the estimation unit 14 estimates the required bandwidth for each service based on the traffic information for each service output from the traffic collection unit 12 and the contracted bandwidth information output from the user information DB 13 .
  • the estimation of the required bandwidth for each service by the estimation unit 14 will be described with reference to FIGS. 2A to 2C.
  • the estimation unit 14 performs the processing described with reference to FIGS. 2A to 2C for each service.
  • the estimation unit 14 extracts traffic information of traffic caused by a service for which the required bandwidth is estimated (hereinafter referred to as "target service") for each contracted bandwidth. That is, the estimation unit 14 extracts traffic information of traffic caused by the target service for each contracted band (contracted band A, contracted band B, contracted band C, . . . ). Next, as shown in FIG. 2A, the estimating unit 14 evaluates the distribution of bandwidths (past bandwidths) indicated in the traffic information extracted for each contracted bandwidth, and obtains the median and variance of the past bandwidths.
  • the band distribution function for example, a normal distribution can be used, but it is not limited to this.
  • the estimating unit 14 approximates the relationship between the median value of past bandwidths and the contracted bandwidth with an arbitrary function.
  • Linear approximation for example, can be used as an approximation of the relationship between the median value of the band and the contracted band, but it is not limited to this.
  • the estimating unit 14 determines the future bandwidth in a certain contracted bandwidth X based on the relationship between the median value of the bandwidth and the contracted bandwidth described above and the future contracted bandwidth information prepared in advance. Calculate the median of Finally, the estimating unit 14 obtains the distribution of traffic (bandwidth) caused by the service to be estimated based on the variance of the past bandwidth and the median value of the future bandwidth, and derives the required bandwidth. For example, when the SLA (Service Agreement Level) of the network is 99%, the estimation unit 14 may determine the required bandwidth so as to cover 99% of the obtained distribution. In addition, the estimation unit 14 may derive the required bandwidth by adding a buffer that takes into consideration detour traffic when a failure occurs in the communication network. By estimating the required bandwidth for each service, the required bandwidth of the link 21 can also be estimated.
  • SLA Service Agreement Level
  • FIG. 3 is a flowchart showing an example of the operation of the band estimation device 10 according to this embodiment, and is a diagram for explaining the band estimation method by the band estimation device 10.
  • FIG. 3 is a flowchart showing an example of the operation of the band estimation device 10 according to this embodiment, and is a diagram for explaining the band estimation method by the band estimation device 10.
  • the service classification unit 11 acquires traffic information about traffic flowing through the link 21 from the communication device 20, and classifies the acquired traffic information for each service (step S11).
  • the estimation unit 14 estimates the required bandwidth for each service based on the traffic information for each service and the contracted bandwidth information stored in the user information DB 13 (step S12).
  • the bandwidth estimation device 10 includes the service classification unit 11 and the estimation unit 14.
  • the service classification unit 11 acquires traffic information about traffic flowing through the link 21 from the communication device 20, and classifies the acquired traffic information for each service.
  • the estimating unit 14 estimates a required bandwidth for each service based on traffic information for each service and contracted bandwidth information regarding contracted bandwidths for each of a plurality of users.
  • FIG. 4 is a diagram showing a configuration example of a band estimation device 10A according to the second embodiment of the present disclosure.
  • the same components as in FIG. 1 are denoted by the same reference numerals, and descriptions thereof are omitted.
  • the bandwidth estimation device 10A includes a service classification unit 11, a traffic collection unit 12, a user information DB 13, and an estimation unit 14A.
  • a bandwidth estimation device 10A according to the present embodiment differs from the bandwidth estimation device 10 according to the first embodiment in that the estimation unit 14 is changed to an estimation unit 14A.
  • the estimation unit 14A includes a learning unit 141.
  • the learning unit 141 uses, as learning data, past contracted bandwidth information for each of a plurality of users stored in the user information DB 13 and past traffic information for each of a plurality of services output from the traffic collection unit 12.
  • a learning model 142 is created by machine learning. Specifically, as shown in FIG. 5, the learning unit 141 receives contracted bandwidth information of each user and traffic information of each service at past times t 1 to t n ⁇ 1 as learning data. be.
  • the learning unit 141 optimizes the parameters of the learning model 142 based on the input learning data. That is, the learning unit 141 extracts the correlation between the contracted bandwidth information of each user and the traffic information of each service, which are input as learning data.
  • the estimating unit 14A stores in the learning model 142 created by the learning unit 141 contract band information (current and future contract band information) of each of the plurality of users at each of the times t n , t n+1 , . . . contract bandwidth information) to estimate the required bandwidth for each service. Specifically, as shown in FIG. 6, the estimator 14A estimates the required bandwidth for each of a plurality of services at times tn , tn +1 , . . . The estimating unit 14A may compare the estimated required bandwidth with the upper limit bandwidth allowed by the communication device 20, and perform accommodation determination to determine whether the communication device 20 can accommodate the line.
  • the band estimation device 10A includes an estimation section 14A.
  • the estimating unit 14A creates a learning model 142 by machine learning using past contracted bandwidth information of each of a plurality of users and past traffic information of each of a plurality of services as learning data. Then, the estimating unit 14A inputs the contracted bandwidth information of each of the plurality of users to the learning model 142, and estimates the necessary bandwidth required for each service.
  • the required bandwidth is estimated from the relationship between the user's contracted bandwidth and the traffic. Therefore, if the bandwidth usage rate differs for each user, the accuracy of estimation decreases. .
  • the learning data may further include time information, destination information, source information, V-LAN, tag, packet length for each priority, number of packets, and the like.
  • FIG. 6 shows an example in which the estimation unit 14A outputs the numerical value of the required bandwidth for each service as the estimation result
  • the estimation unit 14A outputs the numerical value of the required bandwidth for each service as an estimation result.
  • the probability of taking that value may be output as an estimation result.
  • FIG. 7 is a diagram illustrating a configuration example of a band estimation device 10B according to the third embodiment of the present disclosure.
  • the same reference numerals are assigned to the same configurations as in FIG. 4, and the description thereof is omitted.
  • the bandwidth estimation device 10B includes a service classification unit 11, a traffic collection unit 12, a user information DB 13, an estimation unit 14B, and a periodicity extraction unit 15.
  • a band estimation device 10B according to the present embodiment differs from the band estimation device 10A according to the second embodiment in that the estimating unit 14A is replaced with an estimating unit 14B and that a periodicity extracting unit 15 is added. is different.
  • the periodicity extraction unit 15 extracts the periodicity of traffic caused by each of a plurality of services based on the traffic information for each service output from the traffic collection unit 12 .
  • FIG. 8 is a diagram for explaining extraction of traffic periodicity by the periodicity extraction unit 15 .
  • time-series changes in traffic volume are obtained from the traffic information.
  • the periodicity extraction unit 15 performs frequency analysis such as Fourier transform, discrete Fourier transform, and wavelet transform on time-series changes in the amount of traffic to obtain information about the periodicity of traffic (periodicity information). Extract.
  • FIG. 8 shows an example in which time-series changes in traffic volume are converted into amplitude (corresponding to the magnitude of periodicity) at each frequency (corresponding to the reciprocal of the period) by Fourier transform.
  • the periodicity extraction unit 15 outputs the extracted traffic periodicity information for each service to the estimation unit 14B.
  • the learning unit 141B uses the past contracted bandwidth information of each of the plurality of users stored in the user information DB 13, the past traffic information of each of the plurality of services output from the traffic collection unit 12, and the periodicity extraction unit.
  • a learning model 142B is created by machine learning using the traffic periodicity of each of the plurality of services extracted by 15 as learning data. Specifically, as shown in FIG. 9, the learning unit 141B obtains the contract bandwidth information of each user, the traffic information of each service, and the traffic information of each service at each of the past times t 1 to t n ⁇ 1 . Periodicity information (frequency and amplitude indicating periodicity of traffic) is input as learning data.
  • the learning unit 141B optimizes the parameters of the learning model 142B based on the input learning data. That is, the learning unit 141B extracts the correlation between the contracted bandwidth information of each user, the traffic information of each service, and the periodicity of the traffic of each service, which are input as learning data.
  • the estimating unit 14B stores contracted bandwidth information (current and future) of each of a plurality of users at each of the times t n , t n+1 , . contract bandwidth information) to estimate the required bandwidth for each service.
  • the band estimation device 10B includes the periodicity extraction unit 15 and the estimation unit 14B.
  • the periodicity extraction unit 15 extracts the periodicity of traffic caused by each of the plurality of services based on the traffic information of each of the plurality of services.
  • the estimation unit 14B includes a learning unit 141B.
  • the learning unit 141B creates a learning model 142B through machine learning using contract bandwidth information of each of a plurality of users, traffic information of each of a plurality of services, and the periodicity extracted by the periodicity extraction unit 15 as learning data. .
  • FIG. 10 is a diagram showing a configuration example of a band estimation device 10C according to the fourth embodiment of the present disclosure.
  • the same components as in FIG. 7 are denoted by the same reference numerals, and descriptions thereof are omitted.
  • the bandwidth estimation device 10C includes a service classification unit 11, a traffic collection unit 12, a user information DB 13, an estimation unit 14C, a periodicity extraction unit 15, and a feature determination unit. 16.
  • the band estimation device 10C according to the present embodiment differs from the band estimation device 10B according to the third embodiment in that the estimation unit 14B is changed to an estimation unit 14C and the feature determination unit 16 is added. different.
  • the feature determination unit 16 determines the presence or absence of the periodicity feature of the traffic for each service, or the periodicity feature extracted by the periodicity extraction unit 15 . For example, the feature determination unit 16 determines whether service traffic changes in a characteristic cycle, the magnitude of peaks at characteristic frequencies, and whether the traffic is stationary or random.
  • FIG. 11 is a diagram showing an example of periodicity feature determination by the feature determination unit 16 .
  • time-series changes in traffic are converted into a spectrum of frequency and amplitude as shown in FIG. 11 by Fourier transform.
  • the feature determination unit 16 fits the spectrum of frequency and amplitude with an arbitrary function, and determines that there is periodicity when there is a peak deviating from the fitting curve at an arbitrary ratio, , it is determined that there is no periodicity. Further, the feature determination unit 16 may perform similar analysis on partial coefficients of the spectrum of frequency and amplitude, for example.
  • the feature determination unit 16 outputs determination results to the estimation unit 14C.
  • the estimation unit 14C differs from the estimation unit 14B in that the learning unit 141B is changed to a learning unit 141C.
  • the learning unit 141C creates a learning model 142C through machine learning using traffic information for each service, contracted band information, and traffic periodicity information for each service as learning data.
  • the learning unit 141C creates, for example, a plurality of learning models 142C with different parameters used for learning.
  • the estimating unit 14C determines the necessary bandwidth for each service using the learning model 142C corresponding to the periodicity feature determined by the feature determining unit 16, among the plurality of learning models 142C created by the learning unit 141C.
  • the estimation unit 14C selects the learning model 142C according to the characteristics of the traffic caused by the service based on the determination result of the feature determination unit 16. FIG. In this way, by selecting the learning model 142C according to the characteristics of the traffic caused by the service, it is possible to further improve the estimation accuracy and reduce the computational processing load.
  • the learning model 142C used to estimate the required bandwidth of other services with similar traffic periodicity is used. By doing so, it is possible to improve the accuracy of estimating the required bandwidth even for new services.
  • the learning model 142C used for estimating the required band is selected from a plurality of learning models 142C based on the determination result of the feature determination unit 16, but the present invention is not limited to this. not a thing
  • the bandwidth estimation device 10 shown in FIG. 1 when a plurality of algorithms for estimating the required bandwidth are prepared, from among the plurality of prepared algorithms according to the characteristics of the traffic caused by the service, An algorithm for estimating the required bandwidth may be selected.
  • FIG. 12 is a diagram showing a configuration example of a band estimation device 10D according to the fifth embodiment of the present disclosure.
  • the same components as in FIG. 10 are denoted by the same reference numerals, and descriptions thereof are omitted.
  • the bandwidth estimation device 10D includes a service classification unit 11, a traffic collection unit 12, a user information DB 13, an estimation unit 14D, a periodicity extraction unit 15, and a feature determination unit. 16 and an evaluation unit 17 .
  • Band estimation apparatus 10D according to the present embodiment differs from band estimation apparatus 10C shown in FIG. 10 in that estimation section 14C is replaced with estimation section 14D and evaluation section 17 is added.
  • the estimating unit 14D similarly to the estimating unit 14C, selects a learning model C 142C according to the determination result of the periodicity characteristics of the traffic caused by the service from a plurality of learning models 142C, and estimates the required bandwidth of the service. . Then, the estimation unit 14D changes the parameters of the learning model 142C used for estimating the required band according to the result of the comparison by the evaluation unit 17. FIG. For example, if an error of an arbitrary ratio or more occurs between the required band estimated using the first learning model 142C-1 and the actually required band, the estimation unit 14D The required bandwidth is estimated again using the learning model 142C-2 of . Then, the estimating unit 14D, for example, determines the actually required band from among the required band estimated by the first learning model 142C-1 and the required band estimated by the second learning model 142C-2. is used as a model for estimating the required band.
  • the evaluation unit 17 evaluates the estimation result of the necessary band by the estimating unit 14D, thereby further improving the estimation of the necessary band.
  • a significant effect is expected when estimating the required bandwidth of a new service for which it is unknown what kind of learning model 142C should be used.
  • parameters of the learning model 142C used for estimating the necessary band are changed according to the result of the comparison by the evaluation unit 17
  • the present invention is not limited to this.
  • parameters of an algorithm for estimating the required bandwidth may be changed according to the result of comparison by the evaluation unit 17.
  • the parameters related to the determination by the feature determination unit 16 may be changed according to the result of comparison by the evaluation unit 17 .
  • band estimation device 10 Next, the hardware configuration of the band estimation device 10 according to the present disclosure will be described. Although the band estimation device 10 will be described below as an example, the same applies to the band estimation devices 10A, 10B, 10C, and 10D.
  • FIG. 13 is a diagram showing an example of the hardware configuration of the band estimation device 10 according to one embodiment of the present disclosure.
  • FIG. 13 shows an example of the hardware configuration of the bandwidth estimation device 10 when the bandwidth estimation device 10 is configured by a computer capable of executing program instructions.
  • the computer may be a general-purpose computer, a dedicated computer, a workstation, a PC (Personal computer), an electronic notepad, or the like.
  • Program instructions may be program code, code segments, etc. for performing the required tasks.
  • the bandwidth estimation device 10 includes a processor 210, a ROM (Read Only Memory) 220, a RAM (Random Access Memory) 230, a storage 240, an input unit 250, a display unit 260 and a communication interface (I/F). 270.
  • Each component is communicatively connected to each other via a bus 290 .
  • the processor 210 is specifically a CPU (Central Processing Unit), MPU (Micro Processing Unit), GPU (Graphics Processing Unit), DSP (Digital Signal Processor), SoC (System on a Chip), etc. may be configured by a plurality of processors of
  • the processor 210 is a controller that controls each configuration and executes various arithmetic processing. That is, processor 210 reads a program from ROM 220 or storage 240 and executes the program using RAM 230 as a work area. The processor 210 performs control of each configuration and various arithmetic processing according to programs stored in the ROM 220 or the storage 240 . In this embodiment, the ROM 220 or the storage 240 stores a program for causing a computer to function as the bandwidth estimation device 10 according to the present disclosure. The program is read and executed by the processor 210 to implement each component of the bandwidth estimation device 10, that is, the service classification unit 11, the traffic collection unit 12, and the estimation unit .
  • Programs are stored in non-transitory storage media such as CD-ROM (Compact Disk Read Only Memory), DVD-ROM (Digital Versatile Disk Read Only Memory), USB (Universal Serial Bus) memory, etc. may be provided in Also, the program may be downloaded from an external device via a network.
  • CD-ROM Compact Disk Read Only Memory
  • DVD-ROM Digital Versatile Disk Read Only Memory
  • USB Universal Serial Bus
  • the ROM 220 stores various programs and various data (for example, contract bandwidth information).
  • RAM 230 temporarily stores programs or data as a work area.
  • the storage 240 is configured by a HDD (Hard Disk Drive) or SSD (Solid State Drive) and stores various programs including an operating system and various data.
  • the input unit 250 includes a pointing device such as a mouse and a keyboard, and is used for various inputs.
  • the display unit 260 is, for example, a liquid crystal display, and displays various information.
  • the display unit 260 may employ a touch panel method and function as the input unit 250 .
  • the communication interface 270 is an interface for communicating with an external device such as the communication device 20, and uses standards such as Ethernet (registered trademark), FDDI, and Wi-Fi (registered trademark), for example.
  • a computer can be preferably used to function as each part of the band estimation device 10 described above.
  • Such a computer is implemented by storing a program describing the processing details for realizing the functions of each unit of the bandwidth estimation device 10 in the storage unit of the computer, and reading and executing the program by the processor of the computer. can do. That is, the program can cause a computer to function as the band estimation device 10 described above. It is also possible to record the program on a non-temporary recording medium. It is also possible to provide the program via a network.
  • a band estimating device for estimating a band required for a link between communication devices accommodating lines of a plurality of users and carrying traffic resulting from a plurality of services, a classification unit that acquires traffic information about the traffic from the communication device and classifies the acquired traffic information for each service;
  • a band estimation device comprising: an estimating unit for estimating a required band for each service based on the traffic information for each service and contracted band information regarding contracted bands for each of the plurality of users.
  • the estimation unit creating a learning model by machine learning using contract bandwidth information of each of the plurality of users and traffic information of each of the plurality of services as learning data;
  • a band estimation device for inputting contracted band information of each of the plurality of users into the learning model and estimating a required band required for each of the services.
  • a periodicity extraction unit that extracts the periodicity of traffic caused by each of the plurality of services based on past traffic information of each of the plurality of services;
  • a feature determination unit that determines the periodicity feature extracted by the periodicity extraction unit, The bandwidth estimation device, wherein the estimation unit estimates the required bandwidth using an algorithm according to the periodicity feature determined by the feature determination unit, among a plurality of algorithms for estimating the required bandwidth.
  • a bandwidth estimation method for estimating a bandwidth required for a link between communication devices that accommodates lines of multiple users and carries traffic resulting from multiple services Obtaining traffic information about the traffic from the communication device, classifying the obtained traffic information for each service, A bandwidth estimation method for estimating a required bandwidth for each service based on traffic information for each service and contracted bandwidth information regarding contracted bandwidths for each of the plurality of users.
  • Appendix 8 A non-temporary storage medium storing a program executable by a computer, the non-temporary storage medium storing the program causing the computer to function as the control device according to claim 1.

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本開示に係る帯域推定装置（１０）は、通信装置（２０）からトラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報をサービスごとに分類する分類部（１１）と、サービスごとのトラフィック情報と、複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、サービスごとの必要帯域を推定する推定部（１４）と、を備える。

Description

帯域推定装置、帯域推定方法およびプログラム
　本開示は、帯域推定装置、帯域推定方法およびプログラムに関する。
　通信装置間のリンクに複数の回線が収容される通信ネットワークを設計する際に、リンクで必要となる帯域（以下、「必要帯域」と称する。）の情報が必要となる。各回線の通信帯域は、各回線の契約に応じた帯域の上限値（以下、「契約帯域」と称する。）を有するが、リンクに収容される回線数およびその契約帯域は、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する。そのため、通信ネットワークの設計では、各回線の契約帯域に関する情報である契約帯域情報を考慮して、必要帯域を算出することが重要である。ネットワーク設計者は、必要帯域を推定し、必要帯域が既存設備の帯域を超えるか否かにより、新規回線を収容可能か否かの判定（収容判定）を行う。必要帯域が既存設備の帯域を超える場合には、設備の増設が必要となる。そのため、必要帯域を高精度に推定することは設備コストを抑制することにつながる。
　必要帯域を推定する方法として、通信装置から取得した、リンクを流れる各回線のトラフィックに関する情報を基に帯域推定を行う方法が報告されている。例えば、特許文献１には、既存回線の帯域の変動から将来的な必要帯域を算出する方法が記載されている。
特開２００９－１１８２７４号公報
　多数のユーザの機器が接続する通信ネットワークでは、モバイル（動画映像、ＳＮＳ（Social Networking Service））、ＩｏＴ（Internet of Things）、移動体など様々なサービスに起因したトラフィックが流れており、近年、ますます多様化が進んでいる。特許文献１に記載の方法では、様々なサービスを区別することなくトラフィック情報を取得・解析している。しかしながら、通信の利用帯域、ユーザ数の増加・減少傾向、日内・週内の変動など、様々な要素が異なるサービスをまとめて解析することは、必要帯域の推定の精度の低下を招くおそれがある。このように、必要帯域の推定の精度には改善の余地があった。
　上記のような問題点に鑑みてなされた本開示の目的は、必要帯域の推定の精度の向上を図ることができる帯域推定装置、帯域推定方法およびプログラムを提供することにある。
　上記課題を解決するため、本開示に係る帯域推定装置は、複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定装置であって、前記通信装置から前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類する分類部と、前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとの必要帯域を推定する推定部と、を備える。
　また、上記課題を解決するため、本開示に係る帯域推定方法は、複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定方法であって、前記通信装置から、前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類し、前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとに必要な必要帯域を推定する。
　また、上記課題を解決するため、本開示に係るプログラムは、コンピュータを、上述した帯域推定装置として機能させる。
　本開示に係る帯域推定装置、帯域推定方法およびプログラムによれば、必要帯域の推定の精度の向上を図ることができる。
本開示の第１の実施形態に係る帯域推定装置の構成例を示す図である。 図１に示す推定部によるサービスごとの必要帯域の推定について説明するための図である。 図１に示す推定部によるサービスごとの必要帯域の推定について説明するための図である。 図１に示す推定部によるサービスごとの必要帯域の推定について説明するための図である。 図１に示す帯域推定装置の動作の一例を示すフローチャートである。 本開示の第２の実施形態に係る帯域推定装置の構成例を示す図である。 図４に示す学習部に入力される学習データの一例を示す図である。 図４に示す推定部の推定結果の一例を示す図である。 本開示の第３の実施形態に係る帯域推定装置の構成例を示す図である。 図７に示す周期性抽出部によるトラフィックの周期性の抽出について説明するための図である。 図７に示す学習部に入力される学習データの一例を示す図である。 本開示の第４の実施形態に係る帯域推定装置の構成例を示す図である。 図１０に示す特徴判定部による周期性の特徴の有無の判定について説明するための図である。 本開示の第４の実施形態に係る帯域推定装置の構成例を示す図である。 図１に示す帯域推定装置のハードウェア構成の一例を示す図である。
　以下、本開示の実施の形態について図面を参照して説明する。
　（第１の実施形態）
　図１は、本開示の第１の実施形態に係る帯域推定装置１０の構成例を示す図である。本開示に係る帯域推定装置１０は、複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置２０間のリンク２１の必要帯域を推定するものである。
　図１に示すように、本実施形態に係る帯域推定装置１０は、サービス分類部１１と、トラフィック収集部１２と、ユーザ情報ＤＢ（Database）１３と、推定部１４とを備える。
　サービス分類部１１は、リンク２１を流れるトラフィック（帯域）に関する情報であるトラフィック情報を通信装置２０から取得する。サービス分類部１１は、取得したトラフィック情報をサービスごとに分類する。すなわち、サービス分類部１１は、サービスごとに、当該サービスに起因するトラフィックのトラフィック情報を分類する。例えば、ネットワーク設計時に、タグ、Ｖ－ＬＡＮ（Virtual Local Area Network）、優先度、ＳＩＤ（Segment ID）などで事前にサービスを分類しておくことで、サービス分類部１１は、この分類の情報に基づき、トラフィック情報をサービスごとに分類することができる。また、サービス分類部１１は、例えば、ＤＰＩ（Deep Packet Inspection）技術によりパケットの内容を読み取ってサービス内容を検知することで、トラフィック情報をサービスごとに分類することができる。サービス分類部１１は、サービスごとに分類したトラフィック情報をトラフィック収集部１２に出力する。
　トラフィック収集部１２は、サービス分類部１１から出力された、サービスごとのトラフィック情報を収集して、推定部１４に出力する。
　ユーザ情報ＤＢ１３は、各ユーザの回線の契約に応じた帯域の上限値である契約帯域に関する情報（以下、「契約帯域情報」と称する。）を記憶するデータベースである。ユーザ情報ＤＢ１３は、記憶している契約帯域情報を推定部１４に出力する。
　推定部１４は、トラフィック収集部１２から出力された、サービスごとのトラフィック情報と、ユーザ情報ＤＢ１３から出力された契約帯域情報とに基づき、サービスごとの必要帯域を推定する。
　推定部１４によるサービスごとの必要帯域の推定について、図２Ａ～２Ｃを参照して説明する。推定部１４は、図２Ａ～２Ｃを参照して説明する処理を、サービスごとに行う。
　推定部１４は、契約帯域ごとに、必要帯域の推定対象のサービス（以下、「対象サービス」と称する。）に起因するトラフィックのトラフィック情報を抽出する。すなわち、推定部１４は、契約帯域（契約帯域Ａ、契約帯域Ｂ、契約帯域Ｃ．．．）ごとに、対象サービスに起因するトラフィックのトラフィック情報を抽出する。次に、推定部１４は、図２Ａに示すように、契約帯域ごとに抽出したトラフィック情報に示される帯域（過去の帯域）の分布を評価し、過去の帯域の中央値と分散とを求める。帯域の分布関数としては、例えば、正規分布を用いることができるが、これに限られない。
　次に、推定部１４は、図２Ｂに示すように、過去の帯域の中央値と契約帯域との関係を任意の関数で近似する。帯域の中央値と契約帯域との関係の近似としては、例えば、直線近似を用いることができるが、これに限られない。
　次に、推定部１４は、図２Ｃに示すように、上述した帯域の中央値と契約帯域との関係と、予め用意された将来の契約帯域情報に基づき、ある契約帯域Ｘにおける、将来の帯域の中央値を算出する。最後に、推定部１４は、過去の帯域の分散と、将来の帯域の中央値とに基づき、推定対象のサービスに起因するトラフィック（帯域）の分布を求め、必要帯域を導出する。例えば、ネットワークのＳＬＡ（Service Agreement Level）が９９％である場合、推定部１４は、求めた分布の９９％をカバーできるように必要帯域を定めてよい。また、推定部１４は、通信ネットワークにおける故障の発生時の迂回トラフィックなどを考慮したバッファを加えて必要帯域を導出してもよい。サービスごとの必要帯域を推定することで、リンク２１の必要帯域も推定することができる。
　次に、本実施形態に係る帯域推定装置１０の動作について説明する。
　図３は、本実施形態に係る帯域推定装置１０の動作の一例を示すフローチャートであり、帯域推定装置１０による帯域推定方法を説明するための図である。
　サービス分類部１１は、通信装置２０から、リンク２１を流れるトラフィックに関するトラフィック情報を取得し、取得したトラフィック情報をサービスごとに分類する（ステップＳ１１）。
　推定部１４は、サービスごとのトラフィック情報と、ユーザ情報ＤＢ１３に記憶されている契約帯域情報とに基づき、サービスごとに必要な必要帯域を推定する（ステップＳ１２）。
　このように本実施形態に係る帯域推定装置１０は、サービス分類部１１と、推定部１４とを備える。サービス分類部１１は、通信装置２０から、リンク２１を流れるトラフィックに関するトラフィック情報を取得し、取得したトラフィック情報をサービスごとに分類する。推定部１４は、サービスごとのトラフィック情報と、複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、サービスごとに必要な必要帯域を推定する。
　トラフィック情報をサービスごとに分類し、サービスごとに必要帯域を推定することで、帯域の増加・減少の傾向などが異なる様々なサービスを分類した上で必要帯域を推定することができる。そのため、リンク２１に複数の回線が収容され、複数のサービスのトラフィックが流れる通信ネットワークにおける、必要帯域の推定の精度の向上を図ることができる。また、サービスごとに必要帯域を推定することで、サービスごとの収容判定が可能となるので、サービスごとに設備増設の必要性を判断することができ、設備コストの低減を図ることができる。また、短い期間の収集データ（トラフィック情報）でも高い推定精度が得られるので、トラフィック収集部１２で記録が必要なデータ量を抑制することができ、設備コストの低減を図ることができる。
　（第２の実施形態）
　図４は、本開示の第２の実施形態に係る帯域推定装置１０Ａの構成例を示す図である。図４において、図１と同様の構成には同じ符号を付し、説明を省略する。
　図４に示すように、本実施形態に係る帯域推定装置１０Ａは、サービス分類部１１と、トラフィック収集部１２と、ユーザ情報ＤＢ１３と、推定部１４Ａとを備える。本実施形態に係る帯域推定装置１０Ａは、第１の実施形態に係る帯域推定装置１０と比較して、推定部１４を推定部１４Ａに変更した点が異なる。
　推定部１４Ａは、学習部１４１を備える。
　学習部１４１は、ユーザ情報ＤＢ１３に記憶されている、複数のユーザそれぞれの過去の契約帯域情報と、トラフィック収集部１２から出力された、複数のサービスそれぞれの過去のトラフィック情報とを学習データとした機械学習により、学習モデル１４２を作成する。具体的には、学習部１４１は、図５に示すように、過去の時刻ｔ１～ｔｎ－１それぞれにおける、各ユーザの契約帯域情報と、各サービスのトラフィック情報とが学習データとして入力される。学習部１４１は、入力された学習データに基づき、学習モデル１４２のパラメータを最適化する。すなわち、学習部１４１は、学習データとして入力された、各ユーザの契約帯域情報と、各サービスのトラフィック情報との相関関係を抽出する。
　推定部１４Ａは、学習部１４１により作成した学習モデル１４２に、ユーザ情報ＤＢに記憶されている、時刻ｔｎ，ｔｎ＋１，・・・それぞれにおける複数のユーザそれぞれの契約帯域情報（現在および将来の契約帯域情報）を入力して、サービスごとに必要な必要帯域を推定する。具体的には、推定部１４Ａは、図６に示すように、時刻ｔｎ，ｔｎ＋１，・・・それぞれにおける複数のサービスそれぞれの必要帯域を推定する。推定部１４Ａは、推定した必要帯域と、通信装置２０で許容される上限帯域とを比較し、通信装置２０が回線を収容可能か否か判定する収容判定を行ってもよい。
　このように本実施形態においては、帯域推定装置１０Ａは、推定部１４Ａを備える。推定部１４Ａは、複数のユーザそれぞれの過去の契約帯域情報と、複数のサービスそれぞれの過去のトラフィック情報とを学習データとした機械学習により学習モデル１４２を作成する。そして、推定部１４Ａは、学習モデル１４２に複数のユーザそれぞれの契約帯域情報を入力して、サービスごとに必要な必要帯域を推定する。
　第１の実施形態に係る帯域推定装置１０においては、ユーザの契約帯域とトラフィックとの関係から必要帯域を推定しているため、ユーザごとに帯域利用率が異なる場合に、推定の精度が低下する。これを解消するためには、ユーザごとの帯域利用率までパラメータとして考慮する必要があるが、膨大なデータの解析を要する。本実施形態のように、機械学習を用いることで、短時間での解析が可能となり、第１の実施形態と比べて、必要帯域の推定の精度をより向上させることができる。
　なお、本実施形態においては、複数のユーザそれぞれの契約帯域情報と、複数のサービスそれぞれのトラフィック情報とを学習データとして学習する例を用いて説明したが、これに限られるものではない。時刻情報、送信先情報、送信元情報、Ｖ－ＬＡＮ、タグ、優先度ごとのパケット長、パケット数などをさらに学習データに含めてもよい。
　また、図６においては、推定部１４Ａは、サービスごとの必要帯域の数値を推定結果として出力する例を示しているが、これに限られるものではなり、推定部１４Ａは、必要帯域の数値と、その値をとる確率とをセットで、推定結果として出力してもよい。
　（第３の実施形態）
　図７は、本開示の第３の実施形態に係る帯域推定装置１０Ｂの構成例を示す図である。図７において、図４と同様の構成には同じ符号を付し、説明を省略する。
　図７に示すように、本実施形態に係る帯域推定装置１０Ｂは、サービス分類部１１と、トラフィック収集部１２と、ユーザ情報ＤＢ１３と、推定部１４Ｂと、周期性抽出部１５とを備える。本実施形態に係る帯域推定装置１０Ｂは、第２の実施形態に係る帯域推定装置１０Ａと比較して、推定部１４Ａを推定部１４Ｂに変更した点と、周期性抽出部１５を追加した点とが異なる。
　周期性抽出部１５は、トラフィック収集部１２から出力された、サービスごとのトラフィック情報に基づき、複数のサービスそれぞれに起因するトラフィックの周期性を抽出する。
　図８は、周期性抽出部１５によるトラフィックの周期性の抽出について説明するための図である。図８に示すように、トラフィック情報から、トラフィック量の時系列的な変化が得られる。周期性抽出部１５は、トラフィック量の時系列的な変化に対して、フーリエ変換、離散フーリエ変換、ウェーブレット変換などの周波数解析を行うことで、トラフィックの周期性についての情報（周期性情報）を抽出する。図８においては、トラフィック量の時系列的な変化を、フーリエ変換により、各周波数（周期の逆数に相当）における振幅（周期性の大きさに相当）に変換した例を示している。周期性抽出部１５は、抽出したサービスごとのトラフィックの周期性情報を推定部１４Ｂに出力する。
　推定部１４Ｂは、推定部１４Ａと比較して、学習部１４１を学習部１４１Ｂに変更した点が異なる。
　学習部１４１Ｂは、ユーザ情報ＤＢ１３に記憶されている、複数のユーザそれぞれの過去の契約帯域情報と、トラフィック収集部１２から出力された、複数のサービスそれぞれの過去のトラフィック情報と、周期性抽出部１５により抽出された、複数のサービスそれぞれのトラフィックの周期性とを学習データとした機械学習により、学習モデル１４２Ｂを作成する。具体的には、学習部１４１Ｂは、図９に示すように、過去の時刻ｔ１～ｔｎ－１それぞれにおける、各ユーザの契約帯域情報と、各サービスのトラフィック情報と、各サービスのトラフィックの周期性情報（トラフィックの周期性を示す周波数および振幅）とが学習データとして入力される。学習部１４１Ｂは、入力された学習データに基づき、学習モデル１４２Ｂのパラメータを最適化する。すなわち、学習部１４１Ｂは、学習データとして入力された、各ユーザの契約帯域情報と、各サービスのトラフィック情報と、各サービスのトラフィックの周期性との相関関係を抽出する。
　推定部１４Ｂは、学習部１４１Ｂにより作成した学習モデル１４２Ｂに、ユーザ情報ＤＢに記憶されている、時刻ｔｎ，ｔｎ＋１，・・・それぞれにおける複数のユーザそれぞれの契約帯域情報（現在および将来の契約帯域情報）を入力して、サービスごとに必要な必要帯域を推定する。
　このように本実施形態においては、帯域推定装置１０Ｂは、周期性抽出部１５と、推定部１４Ｂとを備える。周期性抽出部１５は、複数のサービスそれぞれのトラフィック情報に基づき、複数のサービスそれぞれに起因するトラフィックの周期性を抽出する。推定部１４Ｂは、学習部１４１Ｂを備える。学習部１４１Ｂは、複数のユーザそれぞれの契約帯域情報と、複数のサービスそれぞれのトラフィック情報と、周期性抽出部１５により抽出された周期性とを学習データとして機械学習により、学習モデル１４２Ｂを作成する。
　複数のサービスそれぞれのトラフィックの周期性を学習データに加えることで、サービスごとに異なるトラフィックの時間依存性に関する情報も学習することができるので、マルチサービスでの必要帯域の推定のさらなる精度の向上を図ることができる。また、新規のサービスでは、試験から正常運用に至るまでにトラフィックの周期性が変化することも考えられる。この場合、トラフィックの周期性の抽出により、サービスの運用形態に関する情報を考慮した学習が可能になる。
　（第４の実施形態）
　図１０は、本開示の第４の実施形態に係る帯域推定装置１０Ｃの構成例を示す図である。図１０において、図７と同様の構成には同じ符号を付し、説明を省略する。
　図１０に示すように、本実施形態に係る帯域推定装置１０Ｃは、サービス分類部１１と、トラフィック収集部１２と、ユーザ情報ＤＢ１３と、推定部１４Ｃと、周期性抽出部１５と、特徴判定部１６とを備える。本実施形態に係る帯域推定装置１０Ｃは、第３の実施形態に係る帯域推定装置１０Ｂと比較して、推定部１４Ｂを推定部１４Ｃに変更した点と、特徴判定部１６を追加した点とが異なる。
　特徴判定部１６は、周期性抽出部１５により抽出された、サービスごとのトラフィックの周期性の特徴の有無あるいは周期性の特徴を判定する。例えば、特徴判定部１６は、サービスのトラフィックが特徴的な周期で変化するか、特徴的な周波数でのピークの大きさ、定常的なトラフィックであるかランダムなトラフィックであるかなどを判定する。
　図１１は、特徴判定部１６による周期性の特徴の判定の一例を示す図である。
　上述したように、トラフィックの時系列的な変化は、フーリエ変換により、図１１に示すように、周波数と振幅とのスペクトルに変換される。特徴判定部１６は、周波数と振幅とのスペクトルを任意の関数でフィッティングし、フィッティングカーブから任意の割合で外れるピークが存在する場合には、周期性ありと判定し、ピークが存在しない場合には、周期性なしと判定する。また、特徴判定部１６は、例えば、周波数と振幅とのスペクトルの部分係数に対して、同様の解析を行ってもよい。
　図１０を再び参照すると、特徴判定部１６は、判定結果を推定部１４Ｃに出力する。
　推定部１４Ｃは、推定部１４Ｂと比較して、学習部１４１Ｂを学習部１４１Ｃに変更した点が異なる。
　学習部１４１Ｃは、サービスごとのトラフィック情報と、契約帯域情報と、サービスごとのトラフィックの周期性情報とを学習データとした機械学習により、学習モデル１４２Ｃを作成する。ここで、学習部１４１Ｃは、例えば、学習に用いるパラメータの異なる複数の学習モデル１４２Ｃを作成する。
　推定部１４Ｃは、学習部１４１Ｃが作成した複数の学習モデル１４２Ｃのうち、特徴判定部１６により判定された周期性の特徴に応じた学習モデル１４２Ｃを用いて、サービスごとの必要帯域を判定する。
　例えば、トラフィックに時系列的な周期性が存在する（時刻とトラフィックとの相関が大きい）場合、非定常状態の取り扱いに適したモデルを適用する必要がある。一方、トラフィックに時系列的な周期性が存在しない（時刻とトラフィックとの相関が小さい）場合（定常的なデータあるいはランダムなデータである場合）、非定常状態の取り扱いに適したモデルよりも計算の処理負荷が小さい、定常状態の取り扱いに適したモデルを適用する必要がある。推定部１４Ｃは、特徴判定部１６の判定結果に基づき、サービスに起因するトラフィックの特徴に応じて、学習モデル１４２Ｃを選択する。このように、サービスに起因するトラフィックの特徴に応じて学習モデル１４２Ｃを選択することで、推定精度のさらなる向上および計算の処理負荷の低減を図ることができる。また、どのような学習モデル１４２Ｃを用いたらよいのか分からない新規のサービスの必要帯域を推定する場合、トラフィックの周期性が類似する他のサービスの必要帯域の推定に用いた学習モデル１４２Ｃを使用することで、新規のサービスに対しても必要帯域の推定の精度の向上を図ることができる。
　なお、本実施形態においては、特徴判定部１６の判定の結果に基づき、複数の学習モデル１４２Ｃから、必要帯域の推定に用いる学習モデル１４２Ｃを選択する例を用いて説明したが、これに限られるものではない。例えば、図１に示す帯域推定装置１０において、必要帯域を推定するための複数のアルゴリズムが用意されている場合、サービスに起因するトラフィックの特徴に応じて、用意された複数のアルゴリズムの中から、必要帯域の推定に用いるアルゴリズムが選択されてもよい。
　（第５の実施形態）
　図１２は、本開示の第５の実施形態に係る帯域推定装置１０Ｄの構成例を示す図である。図１２において、図１０と同様の構成には同じ符号を付し、説明を省略する。
　図１２に示すように、本実施形態に係る帯域推定装置１０Ｄは、サービス分類部１１と、トラフィック収集部１２と、ユーザ情報ＤＢ１３と、推定部１４Ｄと、周期性抽出部１５と、特徴判定部１６と、評価部１７とを備える。本実施形態に係る帯域推定装置１０Ｄは、図１０に示す帯域推定装置１０Ｃと比較して、推定部１４Ｃを推定部１４Ｄに変更した点と、評価部１７を追加した点とが異なる。
　評価部１７は、推定部１４Ｄにより推定されたサービスの必要帯域と、そのサービスで実際に必要とされた帯域とを比較し、比較の結果を推定部１４Ｄに出力する。評価部１７は、例えば、推定部１４により推定されたサービスの必要帯域と、実際に必要とされた帯域との差分を、比較の結果として推定部１４Ｄに出力する。
　推定部１４Ｄは、推定部１４Ｃと同様に、複数の学習モデル１４２Ｃから、サービスに起因するトラフィックの周期性の特徴の判定結果に応じた学習モデルＣ１４２Ｃを選択して、サービスの必要帯域を推定する。そして、推定部１４Ｄは、評価部１７による比較の結果に応じて、必要帯域の推定に用いる学習モデル１４２Ｃのパラメータを変更する。例えば、第１の学習モデル１４２Ｃ－１を用いて推定された必要帯域と、実際に必要とされた帯域との間に、任意の割合以上の誤差が生じた場、推定部１４Ｄは、第２の学習モデル１４２Ｃ－２を用いて再度、必要帯域を推定する。そして、推定部１４Ｄは、例えば、第１の学習モデル１４２Ｃ－１により推定された必要帯域、および第２の学習モデル１４２Ｃ－２により推定された必要帯域のうち、実際に必要とされた帯域との誤差が少ない学習モデル１４２を、必要帯域を推定するモデルとして用いる。
　このように本実施形態においては、評価部１７により推定部１４Ｄによる必要帯域の推定結果を評価することで、必要帯域の推定のさらなる向上を図ることができる。特に、どのような学習モデル１４２Ｃを用いればよいかが分からない新規サービスの必要帯域を推定する際に、顕著な効果が期待される。
　なお、本実施形態においては、評価部１７による比較の結果に応じて、必要帯域の推定に用いる学習モデル１４２Ｃのパラメータを変更する例を用いて説明したら、これに限られるものではない。例えば、図１に示す帯域推定装置１０において、評価部１７による比較の結果に応じて、必要帯域を推定するためのアルゴリズムのパラメータが変更されてもよい。また、評価部１７による比較の結果に応じて、特徴判定部１６による判定に関するパラメータが変更されてもよい。
　次に、本開示に係る帯域推定装置１０のハードウェア構成について説明する。なお、以下では、帯域推定装置１０を例として説明するが、帯域推定装置１０Ａ，１０Ｂ，１０Ｃ，１０Ｄも同様である。
　図１３は、本開示の一実施形態に係る帯域推定装置１０のハードウェア構成の一例を示す図である。図１３においては、帯域推定装置１０がプログラム命令を実行可能なコンピュータにより構成される場合の、帯域推定装置１０のハードウェア構成の一例を示している。ここで、コンピュータは、汎用コンピュータ、専用コンピュータ、ワークステーション、ＰＣ（Personal computer）、電子ノートパッドなどであってもよい。プログラム命令は、必要なタスクを実行するためのプログラムコード、コードセグメントなどであってもよい。
　図１３に示すように、帯域推定装置１０は、プロセッサ２１０、ＲＯＭ（Read Only Memory）２２０、ＲＡＭ（Random Access Memory）２３０、ストレージ２４０、入力部２５０、表示部２６０および通信インタフェース（Ｉ／Ｆ）２７０を有する。各構成は、バス２９０を介して相互に通信可能に接続されている。プロセッサ２１０は、具体的にはＣＰＵ(Central Processing Unit)、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＳｏＣ（System on a Chip）などであり、同種または異種の複数のプロセッサにより構成されてもよい。
　プロセッサ２１０は、各構成の制御および各種の演算処理を実行するコントローラである。すなわち、プロセッサ２１０は、ＲＯＭ２２０またはストレージ２４０からプログラムを読み出し、ＲＡＭ２３０を作業領域としてプログラムを実行する。プロセッサ２１０は、ＲＯＭ２２０あるいはストレージ２４０に記憶されているプログラムに従って、上記各構成の制御および各種の演算処理を行う。本実施形態では、ＲＯＭ２２０またはストレージ２４０には、コンピュータを本開示に係る帯域推定装置１０として機能させるためのプログラムが格納されている。当該プログラムがプロセッサ２１０により読み出されて実行されることで、帯域推定装置１０の各構成、すなわち、サービス分類部１１、トラフィック収集部１２および推定部１４が実現される。
　プログラムは、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disk Read Only Memory）、ＵＳＢ（Universal Serial Bus）メモリなどの非一時的（non-transitory）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
　ＲＯＭ２２０は、各種プログラムおよび各種データ（例えば、契約帯域情報）を格納する。ＲＡＭ２３０は、作業領域として一時的にプログラムまたはデータを記憶する。ストレージ２４０は、ＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）により構成され、オペレーティングシステムを含む各種プログラムおよび各種データを格納する。
　入力部２５０は、マウスなどのポインティングデバイス、およびキーボードを含み、各種の入力を行うために使用される。
　表示部２６０は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部２６０は、タッチパネル方式を採用して、入力部２５０として機能してもよい。
　通信インタフェース２７０は、通信装置２０などの外部装置と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）などの規格が用いられる。
　上述した帯域推定装置１０の各部として機能させるためにコンピュータを好適に用いることが可能である。そのようなコンピュータは、帯域推定装置１０の各部の機能を実現する処理内容を記述したプログラムを該コンピュータの記憶部に格納しておき、該コンピュータのプロセッサによってこのプログラムを読み出して実行させることで実現することができる。すなわち、当該プログラムは、コンピュータを、上述した帯域推定装置１０として機能させることができる。また、当該プログラムを非一時的記録媒体に記録することも可能である。また、当該プログラムを、ネットワークを介して提供することも可能である。
　以上の実施形態に関し、更に以下の付記を開示する。
　（付記項１）
　複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定装置であって、
　前記通信装置から前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類する分類部と、
　前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとの必要帯域を推定する推定部と、を備える帯域推定装置。
　（付記項２）
　付記項１に記載の帯域推定装置において、
　前記推定部は、
　前記複数のユーザそれぞれの契約帯域情報と、前記複数のサービスそれぞれのトラフィック情報とを学習データとした機械学習により学習モデルを作成し、
　前記学習モデルに前記複数のユーザそれぞれの契約帯域情報を入力して、前記サービスごとに必要な必要帯域を推定する、帯域推定装置。
　（付記項３）
　付記項２に記載の帯域推定装置において、
　前記複数のサービスそれぞれのトラフィック情報に基づき、前記複数のサービスそれぞれに起因するトラフィックの周期性を抽出する周期性抽出部をさらに備え、
　前記推定部は、前記複数のユーザそれぞれの契約帯域情報と、前記複数のサービスそれぞれのトラフィック情報と、前記周期性抽出部により抽出された周期性とを学習データとした機械学習により、前記学習モデルを作成する、帯域推定装置。
　（付記項４）
　付記項３に記載の帯域推定装置において、
　前記周期性抽出部により抽出された周期性の特徴を判定する特徴判定部をさらに備え、
　前記推定部は、学習に関するパラメータの異なる複数の学習モデルを作成し、前記複数の学習モデルのうち、前記特徴判定部により判定された前記周期性の特徴に応じた学習モデルを用いて、前記必要帯域を推定する、帯域推定装置。
　（付記項５）
　付記項１に記載の帯域推定装置において、
　前記複数のサービスそれぞれの過去のトラフィック情報に基づき、前記複数のサービスそれぞれに起因するトラフィックの周期性を抽出する周期性抽出部と、
　前記周期性抽出部により抽出された周期性の特徴を判定する特徴判定部と、をさらに備え、
　前記推定部は、前記必要帯域を推定する複数のアルゴリズムのうち、前記特徴判定部により判定された前記周期性の特徴に応じたアルゴリズムを用いて、前記必要帯域を推定する、帯域推定装置。
　（付記項６）
　付記項４に記載の帯域推定装置において、
　前記推定部により推定されたサービスの必要帯域と、前記サービスで実際に必要とされた帯域とを比較する評価部をさらに備え、
　前期推定部は、前記評価部による比較の結果に応じて、前記必要帯域の推定に用いるアルゴリズムまたはモデルのパラメータを変更する、帯域推定装置。
　（付記項７）
　複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定方法であって、
　前記通信装置から、前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類し、
　前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとに必要な必要帯域を推定する、帯域推定方法。
　（付記項８）
　コンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、前記コンピュータを付記項１に記載の制御装置として機能させる、プログラムを記憶した非一時的記憶媒体。
　上述の実施形態は代表的な例として説明したが、本開示の趣旨および範囲内で、多くの変更および置換ができることは当業者に明らかである。したがって、本発明は、上述の実施形態によって制限するものと解するべきではなく、請求の範囲から逸脱することなく、種々の変形または変更が可能である。例えば、実施形態の構成図に記載の複数の構成ブロックを１つに組み合わせたり、あるいは１つの構成ブロックを分割したりすることが可能である。
　１０，１０Ａ，１０Ｂ，１０Ｃ　　帯域推定装置
　１１サービス分類部
　１２　　トラフィック収集部
　１３　　ユーザ情報ＤＢ
　１４，１４Ａ，１４Ｂ，１４Ｃ，１４Ｄ　　推定部
　１４１，１４１Ｂ，１４１Ｃ　　学習部
　１４２，１４２Ｂ，１４２Ｃ　　学習モデル
　１５　　周期性抽出部
　１６　　特徴判定部
　１７　　評価部
　２０　　通信装置
　２１　　リンク

Claims (8)

  1. 　複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定装置であって、
    　前記通信装置から前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類する分類部と、
    　前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとの必要帯域を推定する推定部と、を備える帯域推定装置。
  2. 　請求項１に記載の帯域推定装置において、
    　前記推定部は、
    　前記複数のユーザそれぞれの契約帯域情報と、前記複数のサービスそれぞれのトラフィック情報とを学習データとした機械学習により学習モデルを作成し、
    　前記学習モデルに前記複数のユーザそれぞれの契約帯域情報を入力して、前記サービスごとに必要な必要帯域を推定する、帯域推定装置。
  3. 　請求項２に記載の帯域推定装置において、
    　前記複数のサービスそれぞれのトラフィック情報に基づき、前記複数のサービスそれぞれに起因するトラフィックの周期性を抽出する周期性抽出部をさらに備え、
    　前記推定部は、前記複数のユーザそれぞれの契約帯域情報と、前記複数のサービスそれぞれのトラフィック情報と、前記周期性抽出部により抽出された周期性とを学習データとした機械学習により、前記学習モデルを作成する、帯域推定装置。
  4. 　請求項３に記載の帯域推定装置において、
    　前記周期性抽出部により抽出された周期性の特徴を判定する特徴判定部をさらに備え、
    　前記推定部は、学習に関するパラメータの異なる複数の学習モデルを作成し、前記複数の学習モデルのうち、前記特徴判定部により判定された前記周期性の特徴に応じた学習モデルを用いて、前記必要帯域を推定する、帯域推定装置。
  5. 　請求項１に記載の帯域推定装置において、
    　前記複数のサービスそれぞれの過去のトラフィック情報に基づき、前記複数のサービスそれぞれに起因するトラフィックの周期性を抽出する周期性抽出部と、
    　前記周期性抽出部により抽出された周期性の特徴を判定する特徴判定部と、をさらに備え、
    　前記推定部は、前記必要帯域を推定する複数のアルゴリズムのうち、前記特徴判定部により判定された前記周期性の特徴に応じたアルゴリズムを用いて、前記必要帯域を推定する、帯域推定装置。
  6. 　請求項４または５に記載の帯域推定装置において、
    　前記推定部により推定されたサービスの必要帯域と、前記サービスで実際に必要とされた帯域とを比較する評価部をさらに備え、
    　前期推定部は、前記評価部による比較の結果に応じて、前記必要帯域の推定に用いるアルゴリズムまたはモデルのパラメータを変更する、帯域推定装置。
  7. 　複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定方法であって、
    　前記通信装置から、前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類し、
    　前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとに必要な必要帯域を推定する、帯域推定方法。
  8. 　コンピュータを、請求項１から５のいずれか一項に記載の帯域推定装置として機能させるプログラム。
PCT/JP2021/019124 2021-05-20 2021-05-20 帯域推定装置、帯域推定方法およびプログラム WO2022244174A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2021/019124 WO2022244174A1 (ja) 2021-05-20 2021-05-20 帯域推定装置、帯域推定方法およびプログラム
JP2023522108A JPWO2022244174A1 (ja) 2021-05-20 2021-05-20

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/019124 WO2022244174A1 (ja) 2021-05-20 2021-05-20 帯域推定装置、帯域推定方法およびプログラム

Publications (1)

Publication Number Publication Date
WO2022244174A1 true WO2022244174A1 (ja) 2022-11-24

Family

ID=84141517

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/019124 WO2022244174A1 (ja) 2021-05-20 2021-05-20 帯域推定装置、帯域推定方法およびプログラム

Country Status (2)

Country Link
JP (1) JPWO2022244174A1 (ja)
WO (1) WO2022244174A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020136894A (ja) * 2019-02-19 2020-08-31 日本電信電話株式会社 予測装置、予測方法及びプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020136894A (ja) * 2019-02-19 2020-08-31 日本電信電話株式会社 予測装置、予測方法及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RYO YASUMORI, TAKAO KONDO, TAKU WAKUI, FUMIO TERAOKA: "A Service Traffic Prediction Method from ISP's Perspective", IEICE TECHNICAL REPORT, vol. 119, no. 461 (IN2019-134), 27 February 2020 (2020-02-27), JP, pages 333 - 338, XP009541735 *

Also Published As

Publication number Publication date
JPWO2022244174A1 (ja) 2022-11-24

Similar Documents

Publication Publication Date Title
US20190392252A1 (en) Systems and methods for selecting a forecast model for analyzing time series data
JP5962190B2 (ja) 短期電力負荷を予測する方法及び装置
US9407651B2 (en) Anomaly detection in network-site metrics using predictive modeling
KR101936029B1 (ko) 딥러닝 기반의 가치 평가 방법 및 그 장치
JP6451895B2 (ja) 予測モデル選択システム、予測モデル選択方法および予測モデル選択プログラム
JP2021524954A (ja) 異常検知
Junior et al. A context-sensitive offloading system using machine-learning classification algorithms for mobile cloud environment
WO2021027697A1 (zh) 一种流量异常检测的方法、模型训练方法和装置
US20210064432A1 (en) Resource needs prediction in virtualized systems: generic proactive and self-adaptive solution
JP6299759B2 (ja) 予測関数作成装置、予測関数作成方法、及びプログラム
JP2018535501A (ja) 異種混合ログの周期性解析
JP5827425B1 (ja) 予兆診断システム及び予兆診断方法
US20220214957A1 (en) Machine learning models applied to interaction data for facilitating modifications to online environments
CN107392259B (zh) 构建不均衡样本分类模型的方法和装置
US20210365350A1 (en) Determination method and storage medium
JPWO2018186314A1 (ja) 分析装置、分析方法及び分析プログラム
JP6658507B2 (ja) 負荷推定システム、情報処理装置、負荷推定方法、及び、コンピュータ・プログラム
JP2012186667A (ja) ネットワーク障害検出装置、ネットワーク障害検出装置のネットワーク障害検出方法およびネットワーク障害検出プログラム
Herbst et al. Online workload forecasting
CN112994960A (zh) 业务数据异常检测方法、装置及计算设备
Rafsanjani et al. QARIMA: A new approach to prediction in queue theory
JP5421307B2 (ja) 行動予測装置、行動予測方法及び行動予測プログラム
US20220253426A1 (en) Explaining outliers in time series and evaluating anomaly detection methods
WO2022244174A1 (ja) 帯域推定装置、帯域推定方法およびプログラム
CN113296992A (zh) 异常原因确定方法、装置、设备和存储介质

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2023522108

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18561267

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21940788

Country of ref document: EP

Kind code of ref document: A1