WO2023007553A1 - 通信ネットワークモデル化支援装置、通信ネットワークモデル化支援方法及びプログラム - Google Patents

通信ネットワークモデル化支援装置、通信ネットワークモデル化支援方法及びプログラム Download PDF

Info

Publication number
WO2023007553A1
WO2023007553A1 PCT/JP2021/027571 JP2021027571W WO2023007553A1 WO 2023007553 A1 WO2023007553 A1 WO 2023007553A1 JP 2021027571 W JP2021027571 W JP 2021027571W WO 2023007553 A1 WO2023007553 A1 WO 2023007553A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
real
unit
node
information
Prior art date
Application number
PCT/JP2021/027571
Other languages
English (en)
French (fr)
Inventor
智洋 郡川
雅史 清水
直樹 高谷
英成 大和田
恭太 服部
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 JP2023537762A priority Critical patent/JPWO2023007553A1/ja
Priority to PCT/JP2021/027571 priority patent/WO2023007553A1/ja
Publication of WO2023007553A1 publication Critical patent/WO2023007553A1/ja

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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
    • H04L43/06—Generation of reports
    • H04L43/062—Generation of reports related to network traffic
    • 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
    • H04L43/50—Testing arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/78—Architectures of resource allocation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0894—Policy-based network configuration management
    • 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
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring

Definitions

  • the present invention provides a communication network modeling support device, a communication network modeling support method, and a program for supporting construction of a communication network model in which a plurality of node models are connected, corresponding to a communication network in which a plurality of real nodes are connected. Regarding.
  • An actual communication network is constructed by connecting nodes (also referred to as real nodes) comprising communication devices such as servers, routers, and switches via a wired or wireless network ⁇ also referred to as NW (Network) ⁇ .
  • nodes also referred to as real nodes
  • NW Network
  • a real communication network is also called a real NW.
  • Non-Patent Documents 1 and 2 there is a technique for generating a NW model related to the connections between real nodes that make up the real NW.
  • Non-Patent Document 3 there is a technique (Non-Patent Document 3) of estimating NW performance by deep learning (graph neural NW) in which the NW topology obtained by the techniques of Non-Patent Documents 1 and 2 is input as graph data.
  • a network model that reflects the performance characteristics of the real network with high precision is necessary.
  • the conventional NW model could not accurately reflect the performance characteristics of the actual NW.
  • performance characteristics such as the number of queues and queue length, the processing speed of a processor, the number of parallel executions, etc. as the internal configuration of a real NW node in a node model.
  • a NW model that reflects the performance characteristics of the actual NW with high accuracy cannot be constructed.
  • the present invention has been made in view of such circumstances, and an object of the present invention is to construct a NW model that reflects the performance characteristics of an actual NW with high precision.
  • a communication network modeling support device of the present invention corresponds to a real NW in which a plurality of real nodes as communication devices are connected to a NW (Network), and a plurality of node models are connected.
  • a NW model unit that builds a NW model on a simulator, a real node information collection unit that collects routing setting information and node internal information from each real node of the real NW, and between each real node based on the routing setting information a generation unit for estimating connections between and for generating a plurality of NW model patterns constituting a node model corresponding to a real node based on the node internal information obtained by changing the node internal information into a plurality of types;
  • a first DB Data Base
  • the NW model unit stores, on a simulator, a plurality of NW models to which respective node models corresponding to the plurality of NW model patterns acquired from the first DB are connected. characterized by constructing
  • FIG. 1 is a block diagram showing the configuration of a communication network modeling support device according to an embodiment of the present invention
  • FIG. 4 is a flowchart for explaining the operation of communication NW modeling support processing by the first support function of the communication network modeling support device according to the present embodiment
  • 9 is a flowchart for explaining the operation of communication NW modeling support processing by the second support function of the communication network modeling support device according to the present embodiment
  • 9 is a flowchart for explaining the operation of communication NW modeling support processing by the third support function of the communication network modeling support device according to the present embodiment
  • FIG. 1 is a block diagram showing the configuration of a communication network modeling support device according to an embodiment of the present invention.
  • a communication network modeling support device 10 shown in FIG. to support selection from a plurality of NW models 1P1-1Pn.
  • a real NW is a real communication network.
  • each of the NW models 1P1 to 1Pn is constructed by virtually connecting a plurality of node models 21a to 21d via the NW.
  • the real NW 31 is constructed by network-connecting a plurality of real nodes 32a to 32d.
  • the real nodes 32a to 32d are communication devices such as servers, routers, and switches.
  • This support device 10 includes an actual node information collection unit 11, a NW model pattern generation unit 12, a NW model pattern DB (Data Base) unit 13, a model load test unit 14, a traffic pattern DB unit 15, a learning Data input processing unit 16, node model information collection unit 17, model performance measurement unit 18, learning data DB unit 19, NW model inference unit 20, NW model unit 21, real environment load test unit 22 , an inference unit input processing unit 23 and a real environment performance measurement unit 24 .
  • the NW model pattern DB unit 13 is also called the DB unit 13
  • the traffic pattern DB unit 15 is also called the DB unit 15
  • the learning data DB unit 19 is also called the DB unit 19 .
  • NW model pattern DB unit 13 constitutes the first DB described in the claims.
  • the traffic pattern DB 15 constitutes the second DB described in the claims.
  • NW model pattern generation unit 12 constitutes the generation unit described in the claims.
  • the model performance measurement unit constitutes the measurement unit described in the claims.
  • the NW model unit 21 constructs a plurality of NW models 1P1 to 1Pn in which a plurality of node models 21a, 21b, 21c, and 21d are virtually NW-connected on the NW simulator.
  • the NW simulator constitutes the simulator described in the claims.
  • the support device 10 has a first communication NW modeling support function (also referred to as a first support function), a second communication NW modeling support function (also referred to as a second support function), and a third communication NW modeling support function (also referred to as a second support function), which will be described later. Also called a third support function).
  • a first communication NW modeling support function also referred to as a first support function
  • a second communication NW modeling support function also referred to as a second support function
  • a third communication NW modeling support function also referred to as a second support function
  • the first support function is to generate a plurality of NW models 1P1 to 1Pn corresponding to the real NW 31 based on information that can be obtained from each of the real nodes 32a to 32d of the real NW 31 and register them in the NW model unit 21.
  • FIG. This first support function is implemented using the real node information collection unit 11 , the NW model pattern generation unit 12 , the NW model pattern DB unit 13 and the NW model unit 21 .
  • the real node information collecting unit 11 collects information such as routing setting information indicating connections between the real nodes 32a to 32d of the real NW 31, operation statuses of the ports of the real nodes 32a to 32d, processors, memories, queues, and the like. Acquire information such as node internal information related to
  • the NW model pattern generation unit 12 (also referred to as the generation unit 12) estimates (or identifies) connections between the real nodes 32a to 32d based on the routing setting information acquired by the collection unit 11. Further, the generation unit 12 can estimate (or specify) all paths through which traffic can pass through the real NW 31 by repeating the estimation over all the real nodes 32a to 32d based on the routing setting information.
  • the generation unit 12 Based on the node internal information of the real nodes 32a to 32d, the generation unit 12 generates information such as the number of ports of the node, the number of connected ports, etc., the name of the processor, and the node internal information. For example, N NW model patterns including node models 21a to 21d corresponding to information such as the number of queues, queue length, processing speed of the processor, and the number of parallel executions related to the configuration are generated.
  • the generation unit 12 changes the node internal information of the real nodes 32a to 32d that constitute the real NW 31 into N types, and creates the node model 21a to 21d group corresponding to each of the N types of node internal information. Generate N NW model patterns for construction.
  • the generation unit 12 prepares, for example, queues associated with the ports of the real nodes 32a to 32d for the number of ports, and the length of the queues is the minimum required. It can correspond to the number of cores of the processor. Further, for example, if the processing speed of the processor or the number of parallel executions is unknown from the node internal information acquired by the collection unit 11, the processor can be obtained by referring to the specifications (not shown) of the same purpose or similar model on the market. A NW model pattern having an operating frequency and the number of cores may be generated. Furthermore, using the NW model pattern generated in this way as a starting point, NW models 1P1 to 1Pn may be prepared by changing the number of queues, queue length, processor operating frequency, and number of cores.
  • the node models 21a to 21d of the NW models 1P1 to 1Pn corresponding to the N NW model patterns generated by the generation unit 12 in this way are the actual nodes 32a to 32d estimated by the generation unit 12 as described above. are virtually connected so as to correspond to the connection information between them.
  • the NW model pattern DB unit 13 stores N NW model patterns generated and registered by the generation unit 12 .
  • the NW model unit 21 acquires N NW model patterns registered in the DB unit 13, and stores NW models 1P1 to 1Pn corresponding to each NW model pattern in a storage unit (not shown) of the NW simulator. It builds on the NW simulator.
  • step S2 the generator 12 estimates connections between the real nodes 32a to 32d based on the routing setting information.
  • step S3 the generating unit 12 configures node models 21a to 21d corresponding to the real nodes 32a to 32d based on the node internal information obtained by changing the node internal information of the group of real nodes 32a to 32d into N types. NW model patterns for are generated. Each node model 21a-21d for each NW model pattern is virtually connected corresponding to the connection between the real nodes 32a-32d estimated in step S2.
  • step S4 the generation unit 12 registers the generated N NW model patterns in the DB unit 13.
  • step S5 the NW model unit 21 acquires the N NW model patterns registered in the DB unit 13, and stores the NW models 1P1 to 1Pn corresponding to the NW model patterns in a storage unit (not shown) of the NW simulator. It builds on the NW simulator by storing the .
  • the second support function sequentially inputs M pieces of traffic pattern information (also referred to as traffic patterns) stored in the traffic pattern DB unit 15 to the NW models 1P1 to 1Pn of the NW model unit 21.
  • FIG. The performance of each NW model 1P1 to 1Pn that operates in response to this input is measured, and the input traffic pattern information, the performance measurement result of each of these NW models 1P1 to 1Pn, and the node models 21a to 21a for each of the NW models 1P1 to 1Pn.
  • the reasoner 20a is generated by machine learning or the like using the relationship between the statistical information (described later) of 21d and the above N NW model patterns as learning data.
  • the reasoner 20a estimates the NW model that most approximates the actual NW31, among the N NW models 1P1 to 1Pn.
  • the statistical information is setting information of each of the node models 21a to 21d, log information, the number of arrivals of packets for each node model or each queue in the node model, and statistical result information such as processor utilization.
  • the second support function includes a model load test unit 14, a traffic pattern DB unit 15, a learning data input processing unit 16, a node model information collection unit 17, and a model performance measurement unit 18. , the learning data DB unit 19 and the NW model inference unit 20 .
  • the traffic pattern DB unit 15 stores a plurality of types (M types) of traffic patterns. It is assumed that the traffic patterns are given numbers from 1st to Mth.
  • a traffic pattern is a pattern such as an input packet whose node load changes according to the input of this traffic pattern.
  • the load on the router differs depending on whether a large number of short packets or a small number of long packets are input during a certain time interval.
  • the load on a node varies depending on the amount and size of input packets, the number of input packets per unit time, the protocol that packets follow, and the flow information such as the destination address included in the input packets.
  • Such patterns are defined as M kinds of traffic patterns.
  • the model load test unit 14 (also referred to as the test unit 14) reads M traffic patterns from the DB unit 15 one by one and inputs them to each of the NW models 1P1 to 1Pn for a predetermined time.
  • the testing unit 14 also inputs the traffic patterns input to the NW models 1P1 to 1Pn to the learning data input processing unit 16 (also referred to as the input processing unit 16).
  • the node model information collection unit 17 collects statistical information of each of the node models 21a to 21d that operate on inputs of M types of traffic patterns.
  • the model performance measurement unit 18 measures the performance during operation of each of the NW models 1P1 to 1Pn to which M types of traffic patterns are sequentially input, and measures performance measurement result information (performance measurement information). Specifically, the measurement unit 18 measures the performance of the NW models 1P1 to 1Pn, such as how many throughputs, how many delays, and what percentage the discard rate is.
  • Traffic patterns input to the NW models 1P1 to 1Pn from the test unit 14 described above, statistical information of each node model 21a to 21d aggregated by the collection unit 17, and performance measurement information that is the performance measurement result of the measurement unit 18 are grouped by a learning data input processing unit 16 (also referred to as an input processing unit 16) to form learning data.
  • This learning data is stored in the learning data DB section 19 (also referred to as the DB section 19).
  • the input processing unit 16 receives input traffic pattern information, performance measurement information for each of the NW models 1P1 to 1Pn that operate in response to this input, and performance measurement information for each of the NW models 1P1 to 1Pn.
  • the statistical information of the node models 21a to 21d and the above N NW model patterns are associated and recorded in the learning data DB unit 19 as N learning data.
  • M ⁇ N learning data are generated and recorded in the learning data DB unit 19 .
  • the NW model inference unit 20 (inference unit 20) generates the inference unit 20a by machine learning or the like based on the learning data stored in the DB unit 19.
  • This inference unit 20a when several traffic patterns are input to a certain NW, inputs traffic pattern information, performance measurement information such as throughput, delay, discard rate, etc. for this input of this NW, and this NW
  • the NW model that is closest (approximate) to this NW for example, NW model 1P1
  • step S12 the model load test unit 14 reads one of the M traffic patterns from the DB unit 15, and in step S13, inputs it to each NW model 1P1 to 1Pn of the NW model unit 21 for a predetermined time. .
  • step S14 the test unit 14 outputs the traffic pattern input to the NW model to the learning data input processing unit 16.
  • step S15 the node model information collection unit 17 collects statistical information of the node models 21a to 21d of the NW model.
  • step S16 the model performance measurement unit 18 measures the performance during operation of each of the NW models 1P1 to 1Pn to which the traffic pattern was input in step S12, and outputs this performance measurement information to the input processing unit 16.
  • step S17 the input processing unit 16 combines the traffic pattern, statistical information, and performance measurement information into a set to generate learning data.
  • This learning data is stored in the DB unit 19 .
  • step S ⁇ b>20 the inference unit 20 generates the inference unit 20 a based on the learning data stored in the DB unit 19 .
  • the third support function sequentially inputs a plurality of types (L types) of traffic patterns stored in the traffic pattern DB unit 15 to the actual NW 31 .
  • the model load test unit 14 is stopped.
  • the real node information collecting unit 11 collects statistical information (described later) of the real nodes 32a to 32d that operate according to the L types of traffic patterns.
  • the measurement unit 24 measures the performance of the real NW 31 that operates according to L types of traffic patterns.
  • the traffic pattern information input to the real NW 31, this performance measurement result, and a set of statistical information of the real nodes 32a to 32d are input to the reasoner 20a of the NW model reasoning unit 20 described in the second support function.
  • the reasoner 20a estimates the NW model that most closely approximates the real NW31 among the N NW models 1P1 to 1Pn.
  • the statistical information is, for example, setting information of the real nodes 32a to 32d, log information, the number of arrivals of packets for each real node or each queue in the real node, and statistical result information such as the processor usage rate.
  • This third support function uses the actual node information collection unit 11, the traffic pattern DB unit 15, the NW model inference unit 20, the real environment load test unit 22, the inference unit input processing unit 23, and the real environment performance measurement unit 24. is realized.
  • the real-environment load test unit 22 sequentially reads L types of traffic patterns from the DB unit 15 and inputs them to the real NW 31 for a predetermined period of time. Also, the input traffic pattern information is input to the inference part input processing part 23 .
  • the real node information collection unit 11 collects statistical information of the real nodes 32 a to 32 d that operate according to L types of traffic patterns, and inputs it to the inference unit input processing unit 23 .
  • the real-environment performance measurement unit 24 measures the performance of the real NW 31 that operates according to L types of traffic patterns, and inputs this performance measurement information to the inference unit input processing unit 23 .
  • the inference part input processing part 23 associates the information of the input traffic pattern with the performance measurement information of the real NW 31 and the statistical information of the real nodes 32a to 32d at the time of the traffic pattern input,
  • the learning data is converted into a data format corresponding to the learning data and input to the NW model inference unit 20 .
  • the NW model inference unit 20 inputs input data to the reasoner 20a described in the second support function, and generates a NW model (for example, NW model 1P1) that is considered to be closest to the actual NW 31 as N NW models 1P1 to 1P1. Estimated from 1Pn and selected.
  • NW model 1P1 for example, NW model 1P1
  • the traffic pattern DB unit 15 stores L types of traffic patterns numbered from 1st to Lth.
  • step S22 the real-environment load test unit 22 reads one of the L types of traffic patterns from the DB unit 15 and inputs it to the real NW 31 for a predetermined period of time.
  • step S23 the real node information collecting unit 11 collects statistical information of the real nodes 32a to 32d that operate according to the input traffic pattern, and inputs it to the inference unit input processing unit 23.
  • step S24 the real environment performance measurement unit 24 measures the performance of the real NW 31 operating according to the input traffic pattern, acquires this performance measurement information, and inputs it to the inference unit input processing unit 23.
  • step S25 the inference unit input processing unit 23 generates input traffic pattern information, performance measurement information of the real NW 31 at the time of inputting the traffic pattern, and statistical information of the real nodes 32a to 32d for each traffic pattern input to the real NW 31. are associated with each other, converted into a data format corresponding to the learning data, and input to the inference unit 20 .
  • step S26 the inference unit 20 inputs the input data to the inference unit 20a described in the second support function, and converts the NW model (for example, NW model 1P1) that is closest to the actual NW 31 to N NW models. It is estimated and selected from 1P1 to 1Pn.
  • NW model 1P1 for example, NW model 1P1
  • step S27 the inference unit 20 inputs the traffic pattern information, the performance measurement information of the real NW 31, and the statistical information of the real nodes 32a to 32d to the inference unit 20a. It is determined whether or not it is equal to or less than a threshold value (for example, 5%). As a result, if it is equal to or less than the threshold value (Yes), this support processing is terminated.
  • a threshold value for example, 5%
  • This support device 10 (first support function) includes a real node information collection unit 11 , a generation unit 12 , a NW model pattern DB unit 13 (first DB), and a NW model unit 21 .
  • the NW model unit 21 corresponds to a real network 31 in which a plurality of real nodes 32a to 32d as communication devices are network-connected and deployed, and simulates network models 1P1 to 1Pn to which a plurality of node models 21a to 21d are connected on a simulator. build to.
  • the real node information collection unit 11 collects routing setting information and node internal information from each of the real nodes 32 a to 32 d of the real NW 31 .
  • the generation unit 12 estimates connections between the real nodes 32a to 32d based on the routing setting information, and generates nodes corresponding to the real nodes 32a to 32d based on the node internal information obtained by changing the node internal information into a plurality of types.
  • a plurality of NW model patterns forming the models 21a to 21d are generated.
  • the DB unit 13 stores a plurality of generated NW model patterns.
  • the NW model unit 21 is configured to construct a plurality of NW models 1P1 to 1Pn, to which node models 21a to 21d corresponding to a plurality of NW model patterns acquired from the DB unit 13 are connected, on the simulator.
  • the support device 10 has node models 21a to 21d corresponding to the real nodes 32a to 32d based on the routing setting information and node internal information acquired from the real nodes 32a to 32d of the real NW 31.
  • NW models 1P1 to 1Pn are provided. Therefore, the NW model section 21 including the NW models 1P1 to 1Pn reflecting the performance characteristics of the actual NW 31 with high accuracy can be constructed.
  • the internal structure of the real nodes 32a to 32d of the real NW 31 is basically unknown due to black boxes, etc., the number and length of queues in the NW models 1P1 to 1Pn, the number of processor clocks, etc. were variously changed.
  • each NW model pattern has a configuration close to the actual NW 31 .
  • the NW models 1P1 to 1Pn that reflect the performance characteristics of the actual NW 31 with high accuracy will be included therein.
  • the support device 10 (second support function) includes a traffic pattern DB unit (second DB) 15 that stores a plurality of types of traffic patterns that change the node load, and a plurality of traffic patterns acquired from the DB unit 15, A model load test section 14 for inputting to each of the NW models 1P1 to 1Pn of the NW model section 21 is provided.
  • second DB traffic pattern DB unit
  • the support device 10 also includes a node model information collection unit 17 for collecting statistical information of each of the node models 21a to 21d for each of the NW models 1P1 to 1Pn that operate on input of traffic patterns, and a NW model that operates on input of traffic patterns. and a model performance measuring unit 18 for measuring the performance of each of 1P1 to 1Pn to obtain performance measurement information.
  • the support device 10 performs learning based on learning data combining input traffic patterns, statistical information, and performance measurement information for each NW model to which a traffic pattern is input, and from a plurality of NW models 1P1 to 1Pn to a certain NW.
  • a NW model (for example, NW model 1P1) having characteristics that are closest (approximate) to the traffic pattern, statistical information, and performance measurement information when the traffic pattern is applied is estimated from among the plurality of NW models 1P1 to 1Pn. It is configured to include an inference unit 20 that generates an inference unit 20a.
  • the reasoner 20a for estimating the NW model that most approximates the actual NW 31 from among the plurality of NW models 1P1 to 1Pn of the NW model unit 21 can be constructed.
  • the support device 10 (third support function) includes a DB unit 15, a model load test unit 14, a node model information collection unit 17, and a model performance measurement unit 18. Furthermore, a traffic pattern DB unit (second DB) 15 that stores a plurality of types of traffic patterns that change the node load, and a plurality of NW model patterns acquired from the DB unit 15 are input to each of the real nodes 32a to 32d of the real NW 31. and a real-environment performance measuring unit 24 that measures the performance of the real NW 31 that operates on the input of the traffic pattern and obtains performance measurement information.
  • second DB unit that stores a plurality of types of traffic patterns that change the node load
  • NW model patterns acquired from the DB unit 15 are input to each of the real nodes 32a to 32d of the real NW 31.
  • a real-environment performance measuring unit 24 that measures the performance of the real NW 31 that operates on the input of the traffic pattern and obtains performance measurement information.
  • the real node information collecting unit 11 collects statistical information of the real nodes 32a to 32d that are activated by traffic pattern inputs.
  • the inference unit 20 inputs to the inference unit 20a input data in which the traffic pattern input to the real NW 31, the performance measurement information of the real NW 31, and the statistical information of the real nodes 32a to 32d are combined.
  • a NW model (for example, NW model 1P1) to be approximated is estimated from among a plurality of NW models 1P1 to 1Pn.
  • the real network models 1P1 to 1Pn of the NW model unit 21 are selected.
  • the NW model that best approximates NW31 can be estimated and selected.
  • the computer corresponds to a real NW 31 in which a plurality of real nodes 32a to 32d as communication devices are network-connected and deployed, and has a plurality of network models 1P1 to 1Pn to which a plurality of node models 21a to 21d are connected.
  • 21 is assumed to be the communication network modeling support device 10 .
  • This program comprises means for collecting routing setting information and node internal information from each of the real nodes 32a to 32d of the real NW 31, estimating connections between each of the real nodes 32a to 32d based on the routing setting information, and means for generating a plurality of NW model patterns constituting node models 21a to 21d corresponding to real nodes 32a to 32d based on the node internal information obtained by changing the node internal information into a plurality of types; and storing the plurality of generated NW model patterns.
  • the NW model unit 21 functions as means having a plurality of NW models 1P1 to 1Pn to which the node models 21a to 21d corresponding to the plurality of NW model patterns acquired from the DB unit 13 are connected.
  • the NW models 1P1 to 1Pn that reflect the performance characteristics of the actual NW 31 with high accuracy can be constructed in the same manner as the effect of the communication network modeling support device 10 described above.
  • the program is stored in a storage medium, and a CPU (Central Processing Unit) reads the program from the storage medium and executes it.
  • a CPU Central Processing Unit
  • a NW model unit that corresponds to a real NW in which a plurality of real nodes as communication devices are connected to each other and deployed, and constructs a NW model in which a plurality of node models are connected on a simulator;
  • a real node information collection unit that collects routing setting information and node internal information from each real node of a real NW, estimates connections between each real node based on the routing setting information, and divides the node internal information into a plurality of types.
  • a generator for generating a plurality of NW model patterns constituting a node model corresponding to an actual node based on the changed node internal information; and a first DB (Data Base) for storing the plurality of generated NW model patterns. and the NW model unit builds a plurality of NW models on a simulator to which each node model corresponding to a plurality of NW model patterns acquired from the first DB is connected. .
  • a second DB that stores a plurality of types of traffic patterns that change the load of a node; a model load test section that inputs the plurality of traffic patterns acquired from the second DB to each NW model of the NW model section; a node model information collection unit that collects statistical information of each node model for each network model that operates upon input of the traffic pattern; and performance measurement information that measures the performance of each network model that operates upon input of the traffic pattern.
  • the communication network modeling support device further comprising an inference unit that generates an inference unit that infers a model from among the plurality of NW models constructed in the NW model unit.
  • a NW model having characteristics similar to the traffic pattern input to the NW model and the statistical information and performance measurement information related to the NW model is estimated. can generate a reasoner that
  • a real-environment load testing unit that inputs a plurality of traffic patterns obtained from the second DB to the real NW, measures the performance of the real NW that operates on the input of the traffic patterns, and outputs performance measurement information.
  • a real-environment performance measuring unit for obtaining real-world performance data; By inputting to the inference unit input data in which traffic patterns input to the NW, performance measurement information of the real NW, and statistical information of the real nodes are combined, a NW model approximating the real NW is generated by the NW.
  • the communication network modeling support device according to (2) above, characterized in that estimation is performed from among a plurality of NW models constructed in the model unit.
  • the real NW model that best approximates to can be estimated and selected.
  • communication network modeling support device 11 real node information collection unit 12 NW model pattern generation unit (generation unit) 13 NW model pattern DB section (first DB) 14 Model load test section 15 Traffic pattern DB section (second DB) 16 learning data input processing unit 17 node model information collection unit 18 model performance measurement unit (measurement unit) 19 learning data DB unit 20 NW model inference unit (inference unit) 20a inference unit 21 NW model unit 21a to 21d node model 22 real environment load test unit 23 inference unit input processing unit 24 real environment performance measurement unit 31 real NW 32a-32d Real node 1P1-1Pn NW model

Landscapes

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

Abstract

通信ネットワークモデル化支援装置（１０）のＮＷモデル部（２１）は、実ノード（３２ａ～３２ｄ）が接続された実ＮＷ（３１）に対応するＮＷモデル（１Ｐ１～１Ｐｎ）をＮＷシミュレータ上に構築する。実ノード情報収集部（１１）が、実ノード（３２ａ～３２ｄ）からルーティング設定情報及びノード内部情報を収集する。生成部（１２）が、ルーティング設定情報及びノード内部情報に基づき、実ノード（３２ａ～３２ｄ）に対応するノードモデル（２１ａ～２１ｄ）を構成するＮＷモデルパターンを複数生成する。ＮＷモデル部２１は、複数のＮＷモデルパターンに対応する各ノードモデル２１ａ～２１ｄが接続されたＮＷモデル１Ｐ１～１ＰｎをＮＷシミュレータ上に複数構築する。

Description

通信ネットワークモデル化支援装置、通信ネットワークモデル化支援方法及びプログラム
　本発明は、複数の実ノードが接続された通信ネットワークに対応する、複数のノードモデルが接続された通信ネットワークモデルを構築する支援を行う通信ネットワークモデル化支援装置、通信ネットワークモデル化支援方法及びプログラムに関する。
　実際の通信ネットワークは、サーバやルータ、スイッチ等の通信装置によるノード（実ノードともいう）が、有線又は無線によるネットワーク｛ＮＷ（Network）ともいう｝で接続されて構築されている。実際の通信ネットワークを実ＮＷとも称す。
　従来技術では、実ＮＷを構成する実ノード間の繋がりに関するＮＷモデルを生成する技術（非特許文献１，２）がある。また、非特許文献１，２の技術等により得られたＮＷトポロジをグラフデータとして入力する深層学習（グラフニューラルＮＷ）により、ＮＷ性能を推定する技術（非特許文献３）がある。これらの技術によって、実ＮＷに対応するＮＷモデルが構築されている。
Y. Breitbart, M. Garofalakis, B. Jai, C. Martin, R. Rastogi and A. Silberschatz, "Topology discovery in heterogeneous IP networks: the NetInventory system," in IEEE/ACM Transactions on Networking, vol. 12, no. 3, pp. 401-414, June 2004, doi: 10.1109/TNET.2004.828963. S. Khan, A. Gani, A. W. Abdul Wahab, M. Guizani and M. K. Khan, "Topology Discovery in Software Defined Networks: Threats, Taxonomy, and State-of-the-Art," in IEEE Communications Surveys & Tutorials, vol. 19, no. 1, pp. 303-324, Firstquarter 2017, doi: 10.1109/COMST.2016.2597193. K. Rusek, J. Suarez-Varela, P. Almasan, P. Barlet-Ros and A. Cabellos-Aparicio, "RouteNet: Leveraging Graph Neural Networks for Network Modeling and Optimization in SDN," in IEEE Journal on Selected Areas in Communications, vol. 38, no. 10, pp. 2260-2270, Oct. 2020, doi: 10.1109/JSAC.2020.3000405.
　ところで、より良い実ＮＷを構成するためには、実ＮＷの性能特性を高精度で反映したＮＷモデルが必要である。しかし、従来のＮＷモデルでは、実ＮＷの性能特性を高精度に反映できなかった。例えば実ＮＷのノードの内部構成としてのキュー数やキュー長、プロセッサの処理速度や並列実行数等の性能特性を、ノードモデルに高精度に反映してＮＷモデルを構築できなかった。つまり、実ＮＷの性能特性を高精度で反映したＮＷモデルを構築できないという課題があった。
　本発明は、このような事情に鑑みてなされたものであり、実ＮＷの性能特性を高精度で反映したＮＷモデルを構築することを課題とする。
　上記課題を解決するため、本発明の通信ネットワークモデル化支援装置は、通信装置としての複数の実ノードがＮＷ（Network）接続されて配備される実ＮＷに対応し、複数のノードモデルが接続されたＮＷモデルをシミュレータ上に構築するＮＷモデル部と、前記実ＮＷの各実ノードからルーティング設定情報及びノード内部情報を収集する実ノード情報収集部と、前記ルーティング設定情報を基に各実ノード間の接続を推定すると共に、前記ノード内部情報を複数種類に変化させたノード内部情報に基づき、実ノードに対応するノードモデルを構成するＮＷモデルパターンを複数生成する生成部と、前記複数生成されたＮＷモデルパターンを記憶する第１ＤＢ（Data Base）とを備え、前記ＮＷモデル部は、前記第１ＤＢから取得した複数のＮＷモデルパターンに対応する各ノードモデルが接続されたＮＷモデルをシミュレータ上に複数構築することを特徴とする。
　本発明によれば、実ＮＷの性能特性を高精度で反映したＮＷモデルを構築することができる。
本発明の実施形態に係る通信ネットワークモデル化支援装置の構成を示すブロック図である。 本実施形態に係る通信ネットワークモデル化支援装置の第１支援機能による通信ＮＷモデル化支援処理の動作を説明するためのフローチャートである。 本実施形態に係る通信ネットワークモデル化支援装置の第２支援機能による通信ＮＷモデル化支援処理の動作を説明するためのフローチャートである。 本実施形態に係る通信ネットワークモデル化支援装置の第３支援機能による通信ＮＷモデル化支援処理の動作を説明するためのフローチャートである。
　以下、本発明の実施形態を、図面を参照して説明する。
＜実施形態の構成＞
　図１は、本発明の実施形態に係る通信ネットワークモデル化支援装置の構成を示すブロック図である。
　図１に示す通信ネットワークモデル化支援装置（支援装置ともいう）１０は、通信装置としての複数のノード（実ノード）３２ａ～３２ｄがＮＷ接続された実ＮＷ（Network）３１に対応するＮＷモデルを、複数のＮＷモデル１Ｐ１～１Ｐｎから選択する支援を行う。実ＮＷは、実際の通信ネットワークである。
　但し、各ＮＷモデル１Ｐ１～１Ｐｎは、複数のノードモデル２１ａ～２１ｄが仮想的にＮＷ接続されて構成されている。実ＮＷ３１は、複数の実ノード３２ａ～３２ｄがＮＷ接続されて構築されている。実ノード３２ａ～３２ｄは、サーバやルータ、スイッチ等の通信装置である。
　この支援装置１０は、実ノード情報収集部１１と、ＮＷモデルパターン生成部１２と、ＮＷモデルパターンＤＢ（Data Base）部１３と、モデル用負荷試験部１４と、トラヒックパターンＤＢ部１５と、学習データ入力処理部１６と、ノードモデル情報収集部１７と、モデル用性能測定部１８と、学習データＤＢ部１９と、ＮＷモデル推論部２０と、ＮＷモデル部２１と、実環境用負荷試験部２２と、推論部入力処理部２３と、実環境用性能測定部２４とを備えて構成されている。ＮＷモデルパターンＤＢ部１３はＤＢ部１３とも称し、トラヒックパターンＤＢ部１５はＤＢ部１５、学習データＤＢ部１９はＤＢ部１９とも称す。
　なお、ＮＷモデルパターンＤＢ部１３は請求項記載の第１ＤＢを構成する。トラヒックパターンＤＢ１５は請求項記載の第２ＤＢを構成する。ＮＷモデルパターン生成部１２は請求項記載の生成部を構成する。モデル用性能測定部は請求項記載の測定部を構成する。
　ＮＷモデル部２１は、複数のノードモデル２１ａ，２１ｂ，２１ｃ，２１ｄが仮想的にＮＷ接続されて成る複数のＮＷモデル１Ｐ１～１ＰｎをＮＷシミュレータ上に構築する。ＮＷシミュレータは、請求項記載のシミュレータを構成する。
　支援装置１０は、後述する第１通信ＮＷモデル化支援機能（第１支援機能ともいう）、第２通信ＮＷモデル化支援機能（第２支援機能ともいう）及び第３通信ＮＷモデル化支援機能（第３支援機能ともいう）を有する。
＜第１通信ＮＷモデル化支援機能＞
　第１支援機能は、実ＮＷ３１の各実ノード３２ａ～３２ｄから取得できる情報を基に、実ＮＷ３１に対応する複数のＮＷモデル１Ｐ１～１Ｐｎを生成してＮＷモデル部２１に登録するものである。この第１支援機能は、実ノード情報収集部１１、ＮＷモデルパターン生成部１２、ＮＷモデルパターンＤＢ部１３及びＮＷモデル部２１を用いて実現される。
　実ノード情報収集部１１（収集部１１ともいう）は、実ＮＷ３１の実ノード３２ａ～３２ｄ間の接続を示すルーティング設定情報や、実ノード３２ａ～３２ｄのポートの動作状況やプロセッサ、メモリ、キュー等に係るノード内部情報等の情報を取得する。
　ＮＷモデルパターン生成部１２（生成部１２ともいう）は、収集部１１で取得されたルーティング設定情報を基に、実ノード３２ａ～３２ｄ間の接続を推定（又は特定）する。また、生成部１２は、ルーティング設定情報を基に、全ての実ノード３２ａ～３２ｄに渡って推定を繰り返すことで実ＮＷ３１内をトラヒックが通過し得るパスを全て推定（又は特定）できる。
　更に、生成部１２は、実ノード３２ａ～３２ｄのノード内部情報に基づき、ノードのポート数が何個有るか、繋がっているポート数は何個あるか等の情報、プロセッサの名称や、ノード内部構成に係るキュー数、キュー長、プロセッサの処理速度や並列実行数等の情報に対応するノードモデル２１ａ～２１ｄを含むＮＷモデルパターンを、例えばＮ個生成する。
　更に説明すると、生成部１２は、実ＮＷ３１を構成する実ノード３２ａ～３２ｄ群のノード内部情報をＮ種類に変化させ、このＮ種類のノード内部情報毎に対応してノードモデル２１ａ～２１ｄ群を構成するためのＮ個のＮＷモデルパターンを生成する。
　更に、生成部１２は、Ｎ個のＮＷモデルパターンを生成する際に、例えば実ノード３２ａ～３２ｄのポートに付随するキューをポート数分だけ用意し、そのキューの長さは最低限必要となるプロセッサのコア数分に対応させることができる。また、例えば、収集部１１で取得したノード内部情報ではプロセッサの処理速度や並列実行数が不明である場合は、市中の同目的ないしは同程度の機種に関する図示せぬ仕様書等を参考にプロセッサの動作周波数やコア数をもつＮＷモデルパターンを生成してもよい。更に、このように生成されるＮＷモデルパターンを起点に、キュー数やキュー長、プロセッサ動作周波数やコア数を変化させたＮＷモデル１Ｐ１～１Ｐｎを用意してもよい。
　このように生成部１２で生成されるＮ個のＮＷモデルパターンに対応するＮＷモデル１Ｐ１～１Ｐｎ毎の各ノードモデル２１ａ～２１ｄは、上述のように生成部１２で推定された実ノード３２ａ～３２ｄ間の接続情報に対応するように仮想的に接続されている。
　ＮＷモデルパターンＤＢ部１３は、生成部１２が生成して登録するＮ個のＮＷモデルパターンを記憶する。
　ＮＷモデル部２１は、ＤＢ部１３に登録されたＮ個のＮＷモデルパターンを取得し、各ＮＷモデルパターンに対応するＮＷモデル１Ｐ１～１Ｐｎを、ＮＷシミュレータの記憶部（図示せず）に記憶することによりＮＷシミュレータ上に構築する。
＜第１通信ＮＷモデル化支援機能の動作＞
　次に、支援装置１０の第１支援機能による通信ＮＷモデル化支援処理について、図２に示すフローチャートを参照して説明する。
　図２に示すステップＳ１において、収集部１１が、実ＮＷ３１の実ノード３２ａ～３２ｄからルーティング設定情報及びノード内部情報等の情報を収集し、生成部１２へ出力する。
　ステップＳ２において、生成部１２は、ルーティング設定情報を基に、実ノード３２ａ～３２ｄ間の接続を推定する。
　更に、ステップＳ３において、生成部１２は、実ノード３２ａ～３２ｄ群のノード内部情報をＮ種類に変化させたノード内部情報に基づき、実ノード３２ａ～３２ｄに対応するノードモデル２１ａ～２１ｄを構成するためのＮＷモデルパターンをＮ個生成する。これらのＮＷモデルパターン毎の各ノードモデル２１ａ～２１ｄは、上記ステップＳ２で推定された実ノード３２ａ～３２ｄ間の接続に対応して仮想的に接続される。
　ステップＳ４において、生成部１２は、上記生成したＮ個のＮＷモデルパターンを、ＤＢ部１３に登録する。
　ステップＳ５において、ＮＷモデル部２１は、ＤＢ部１３に登録されたＮ個のＮＷモデルパターンを取得し、ＮＷモデルパターンに対応したＮＷモデル１Ｐ１～１Ｐｎを、ＮＷシミュレータの記憶部（図示せず）に記憶することによりＮＷシミュレータ上に構築する。
＜第２通信ＮＷモデル化支援機能＞
　第２支援機能は、トラヒックパターンＤＢ部１５に記憶されたＭ個のトラヒックパターン情報（トラヒックパターンともいう）を順次、ＮＷモデル部２１のＮＷモデル１Ｐ１～１Ｐｎに入力する。この入力に応じて作動するＮＷモデル１Ｐ１～１Ｐｎ毎の性能を測定し、入力したトラヒックパターン情報と、このＮＷモデル１Ｐ１～１Ｐｎ毎の性能測定結果と、ＮＷモデル１Ｐ１～１Ｐｎ毎のノードモデル２１ａ～２１ｄの統計情報（後述）と、上述のＮ個のＮＷモデルパターンとの関係を学習データとする機械学習等により推論器２０ａを生成する。推論器２０ａは、Ｎ個のＮＷモデル１Ｐ１～１Ｐｎの内、実ＮＷ３１に最も近似するＮＷモデルを推定するものである。但し、統計情報は、各ノードモデル２１ａ～２１ｄの設定情報、ログ情報、ノードモデル毎ないしはノードモデル内のキュー毎のパケットの到着数やプロセッサの使用率等の統計結果の情報である。
　この第２支援機能は、上述したＮＷモデル部２１の他に、モデル用負荷試験部１４、トラヒックパターンＤＢ部１５、学習データ入力処理部１６、ノードモデル情報収集部１７、モデル用性能測定部１８、学習データＤＢ部１９及びＮＷモデル推論部２０を用いて実現される。なお、学習データ入力処理部１６及びＮＷモデル推論部２０と、後述の推論部入力処理部２３とは、請求項記載の推論部を構成する。
　トラヒックパターンＤＢ部１５は、複数種類（Ｍ種類とする）のトラヒックパターンを記憶している。トラヒックパターンには、１番目からＭ番目までの番号が付与されているとする。トラヒックパターンは、このトラヒックパターンの入力に応じてノードの負荷が変化する入力パケット等のパターンである。
　例えば、ある時間間隔中に、短いパケットが多数入力される場合と、長いパケットが少数入力される場合とで、トータルのトラヒック量が同じでもルータに掛かる負荷が異なる。このように、入力パケットの量とサイズや、単位時間当たりの入力パケット数、パケットが従うプロトコル、入力パケットに含まれる宛先アドレスなどのフロー情報等の違いに応じて、ノードの負荷に違いが出るようなパターンを、Ｍ種類のトラヒックパターンとしている。
　モデル用負荷試験部１４（試験部１４ともいう）は、ＤＢ部１５からＭ個のトラヒックパターンを１つずつ読み込んで、各ＮＷモデル１Ｐ１～１Ｐｎに所定時間入力する。また、試験部１４は、ＮＷモデル１Ｐ１～１Ｐｎに入力されるトラヒックパターンを、学習データ入力処理部１６（入力処理部１６ともいう）に入力する。
　ノードモデル情報収集部１７は、Ｍ種類のトラヒックパターンの入力で作動する各ノードモデル２１ａ～２１ｄの統計情報を収集する。
　モデル用性能測定部１８（測定部１８ともいう）は、Ｍ種類のトラヒックパターンが順次入力された各ＮＷモデル１Ｐ１～１Ｐｎの動作時の性能を測定し、測定結果の性能測定結果の情報（性能測定情報）を得る。具体的には、測定部１８が、ＮＷモデル１Ｐ１～１Ｐｎにおいて、スループットが幾つか、遅延が幾らか、破棄率が何パーセントか等の性能を測定する。
　上述した試験部１４からのＮＷモデル１Ｐ１～１Ｐｎに入力されるトラヒックパターンと、収集部１７で集計された各ノードモデル２１ａ～２１ｄの統計情報と、測定部１８の性能測定結果である性能測定情報とは、学習データ入力処理部１６（入力処理部１６ともいう）で一組にされて学習データとされる。この学習データが学習データＤＢ部１９（ＤＢ部１９ともいう）に記憶される。
　つまり、入力処理部１６は、あるトラヒックパターンを入力した際の、入力したトラヒックパターン情報と、この入力に応じて作動するＮＷモデル１Ｐ１～１Ｐｎ毎の性能測定情報と、ＮＷモデル１Ｐ１～１Ｐｎ毎のノードモデル２１ａ～２１ｄの統計情報と、上述のＮ個のＮＷモデルパターンとを関連付け、Ｎ個の学習データとして学習データＤＢ部１９に記録する。全部でＭ個のトラヒックパターン入力について、上記を繰り返すことで、Ｍ×Ｎの学習データが生成され、これらが学習データＤＢ部１９に記録される。
　ＮＷモデル推論部２０（推論部２０）は、ＤＢ部１９に記憶された学習データを基に、機械学習等により、推論器２０ａを生成する。この推論器２０ａは、あるＮＷへ、いくつかのトラヒックパターンを入力した際の、入力したトラヒックパターンの情報と、このＮＷのこの入力に対するスループット・遅延・破棄率等の性能測定情報と、このＮＷを構成する各ノードから取得した統計情報とを基に、Ｎ個のＮＷモデル１Ｐ１～１Ｐｎの内、このＮＷに最も近い（近似する）とされるＮＷモデル（例えばＮＷモデル１Ｐ１）を推定して選択する。
＜第２通信ＮＷモデル化支援機能の動作＞
　次に、支援装置１０の第２支援機能による通信ＮＷモデル化支援処理について、図３に示すフローチャートを参照して説明する。
　但し、トラヒックパターンＤＢ部１５は、１番目からＭ番目までの番号が付与されたＭ種類のトラヒックパターンを記憶しているとする。
　図３に示すステップＳ１１において、ｉ＝１、ｊ＝１に初期設定する。但し、ｉは、Ｍ個のトラヒックパターンに対応しており、ｉ＝１～Ｍまで1つずつ可変される。ｊは、Ｎ個のＮＷモデル１Ｐ１～１Ｐｎに対応しており、ｊ＝１～Ｎまで1つずつ可変される。
　ステップＳ１２において、モデル用負荷試験部１４は、ＤＢ部１５からＭ個のトラヒックパターンの内の１つを読み込み、ステップＳ１３において、ＮＷモデル部２１の各ＮＷモデル１Ｐ１～１Ｐｎに、所定時間入力する。
　ステップＳ１４において、試験部１４は、ＮＷモデルに入力されるトラヒックパターンを学習データ入力処理部１６へ出力する。
　ステップＳ１５において、ノードモデル情報収集部１７は、ＮＷモデルのノードモデル２１ａ～２１ｄの統計情報を収集する。
　ステップＳ１６において、モデル用性能測定部１８は、上記ステップＳ１２でトラヒックパターンが入力された各ＮＷモデル１Ｐ１～１Ｐｎの動作時の性能を測定し、この性能測定情報を入力処理部１６へ出力する。
　ステップＳ１７において、入力処理部１６は、上記トラヒックパターン、統計情報及び性能測定情報を一組にして学習データを生成する。この学習データはＤＢ部１９に記憶される。
　次に、ステップＳ１８において、ｊ＝Ｎ？か否かが判定される。この判定結果がｊ＝Ｎで無ければ、ｊ＝ｊ＋１とし、上記ステップＳ１３において、次のＮＷモデルにトラヒックパターンを入力する。
　上記ステップＳ１８の判定結果がｊ＝Ｎであれば、ステップＳ１９において、ｉ＝Ｍ？か否かが判定される。この判定結果がｉ＝Ｍで無ければ、ｉ＝ｉ＋１とし、上記ステップＳ１２において、ＤＢ部１５から次のトラヒックパターンを読み込む。
　上記ステップＳ１９の判定結果がｉ＝Ｍであれば、全部でＭ×Ｎの学習データがＤＢ部１９に記録されたことになる。ステップＳ２０において、推論部２０は、ＤＢ部１９に記憶された学習データを基に、上記推論器２０ａを生成する。
＜第３通信ＮＷモデル化支援機能＞
　第３支援機能は、トラヒックパターンＤＢ部１５に記憶された複数種類（Ｌ種類とする）のトラヒックパターンを順次、実ＮＷ３１に入力する。この際、モデル用負荷試験部１４は停止する。実ノード情報収集部１１は、上記Ｌ種類のトラヒックパターンに応じて作動する実ノード３２ａ～３２ｄの統計情報（後述）を収集する。測定部２４は、Ｌ種類のトラヒックパターンに応じて作動する実ＮＷ３１の性能を測定する。実ＮＷ３１に入力したトラヒックパターンの情報と、この性能測定結果と、実ノード３２ａ～３２ｄの統計情報の組を、上記第２支援機能で説明したＮＷモデル推論部２０の持つ推論器２０ａに入力し、推論器２０ａがＮ個のＮＷモデル１Ｐ１～１Ｐｎの内、実ＮＷ３１に最も近似するＮＷモデルを推定するものである。但し、統計情報は、例えば実ノード３２ａ～３２ｄの設定情報、ログ情報、実ノード毎ないしは実ノード内のキュー毎のパケットの到着数やプロセッサの使用率等の統計結果の情報である。
　この第３支援機能は、実ノード情報収集部１１、トラヒックパターンＤＢ部１５、ＮＷモデル推論部２０、実環境用負荷試験部２２、推論部入力処理部２３及び実環境用性能測定部２４を用いて実現される。
　実環境用負荷試験部２２は、ＤＢ部１５からＬ種類のトラヒックパターンを順次読み込み、実ＮＷ３１に所定時間入力する。また、入力したトラヒックパターン情報を推論部入力処理部２３に入力する。
　実ノード情報収集部１１は、Ｌ種類のトラヒックパターンに応じて作動する実ノード３２ａ～３２ｄの統計情報を収集し、推論部入力処理部２３に入力する。
　実環境用性能測定部２４は、Ｌ種類のトラヒックパターンに応じて作動する実ＮＷ３１の性能を測定し、この性能測定情報を推論部入力処理部２３に入力する。
　推論部入力処理部２３は、実ＮＷ３１へのあるトラヒックパターン入力毎に、入力トラヒックパターンの情報と、トラヒックパターン入力時の実ＮＷ３１の性能測定情報及び実ノード３２ａ～３２ｄの統計情報とを関連付け、上記学習データに対応するデータ形式に変換してＮＷモデル推論部２０に入力する。
　ＮＷモデル推論部２０は、上記第２支援機能で説明した推論器２０ａへ入力データを入力し、実ＮＷ３１に最も近いとされるＮＷモデル（例えばＮＷモデル１Ｐ１）を、Ｎ個のＮＷモデル１Ｐ１～１Ｐｎから推定して選択する。
＜第３通信ＮＷモデル化支援機能の動作＞
　次に、支援装置１０の第３支援機能による通信ＮＷモデル化支援処理について、図４に示すフローチャートを参照して説明する。
　但し、トラヒックパターンＤＢ部１５は、１番目からＬ番目までの番号が付与されたＬ種類のトラヒックパターンを記憶しているとする。
　図４に示すステップＳ２１において、ｋ＝１に初期設定する。但し、ｋは、Ｌ個のトラヒックパターンに対応しており、ｋ＝１～Ｌまで1つずつ可変される。
　ステップＳ２２において、実環境用負荷試験部２２は、ＤＢ部１５からＬ種類のトラヒックパターンの内の１つを読み込み、実ＮＷ３１に所定時間入力する。
　ステップＳ２３において、実ノード情報収集部１１は、入力したトラヒックパターンに応じて作動する実ノード３２ａ～３２ｄの統計情報を収集し、推論部入力処理部２３に入力する。
　ステップＳ２４において、実環境用性能測定部２４は、入力したトラヒックパターンに応じて作動する実ＮＷ３１の性能を測定し、この性能測定情報を取得して推論部入力処理部２３に入力する。
　ステップＳ２５において、推論部入力処理部２３は、実ＮＷ３１へのあるトラヒックパターン入力毎に、入力トラヒックパターンの情報と、トラヒックパターン入力時の実ＮＷ３１の性能測定情報及び実ノード３２ａ～３２ｄの統計情報とを関連付け、上記学習データに対応するデータ形式に変換して推論部２０に入力する。
　ステップＳ２６において、推論部２０は、上記第２支援機能で説明した推論器２０ａへ入力データを入力し、実ＮＷ３１に最も近いとされるＮＷモデル（例えばＮＷモデル１Ｐ１）を、Ｎ個のＮＷモデル１Ｐ１～１Ｐｎから推定して選択する。
　ステップＳ２７において、推論部２０は、トラヒックパターンの情報と、実ＮＷ３１の性能測定情報及び実ノード３２ａ～３２ｄの統計情報とを推論器２０ａへの入力とした際の推定誤差が、予め定められた閾値（例えば５％）以下か否かを判定する。この結果、閾値以下であれば（Ｙｅｓ）、本支援処理を終了する。
　一方、閾値以下でなければ（Ｎｏ）、ステップＳ２８において、ｋ＝Ｌ？か否かが判定される。この判定結果がｋ＝Ｌで無ければ、ｋ＝ｋ＋１とし、上記ステップＳ２２に戻って、ＤＢ部１５から次のトラヒックパターンを読み込む。
　一方、判定結果がｋ＝Ｌで有れば、本支援処理を終了する。
＜実施形態の効果＞
　本発明の実施形態に係る通信ネットワークモデル化支援装置１０の効果について説明する。
　（１ａ）本支援装置１０（第１支援機能）は、実ノード情報収集部１１、生成部１２、ＮＷモデルパターンＤＢ部１３（第１ＤＢ）及びＮＷモデル部２１を備える。
　ＮＷモデル部２１は、通信装置としての複数の実ノード３２ａ～３２ｄがＮＷ接続されて配備される実ＮＷ３１に対応し、複数のノードモデル２１ａ～２１ｄが接続されたＮＷモデル１Ｐ１～１Ｐｎをシミュレータ上に構築する。
　実ノード情報収集部１１は、実ＮＷ３１の各実ノード３２ａ～３２ｄからルーティング設定情報及びノード内部情報を収集する。生成部１２は、ルーティング設定情報を基に各実ノード３２ａ～３２ｄ間の接続を推定すると共に、ノード内部情報を複数種類に変化させたノード内部情報に基づき、実ノード３２ａ～３２ｄに対応するノードモデル２１ａ～２１ｄを構成するＮＷモデルパターンを複数生成する。ＤＢ部１３は、複数生成されたＮＷモデルパターンを記憶する。
　ＮＷモデル部２１は、ＤＢ部１３から取得した複数のＮＷモデルパターンに対応する各ノードモデル２１ａ～２１ｄが接続されたＮＷモデル１Ｐ１～１Ｐｎをシミュレータ上に複数構築する構成とした。
　この構成によれば、支援装置１０が、実ＮＷ３１の各実ノード３２ａ～３２ｄから取得したルーティング設定情報及びノード内部情報に基づき、各実ノード３２ａ～３２ｄに対応する各ノードモデル２１ａ～２１ｄを有するＮＷモデル１Ｐ１～１Ｐｎを備えるようにした。このため、実ＮＷ３１の性能特性を高精度で反映したＮＷモデル１Ｐ１～１Ｐｎを含むＮＷモデル部２１を構築できる。なお、実ＮＷ３１の実ノード３２ａ～３２ｄの内部構造はブラックボックス等で基本的に不明であるため、ＮＷモデル１Ｐ１～１Ｐｎ内のキュー数や長さ、プロセッサのクロック数等を様々に変化させた各ＮＷモデルパターンを用意すれば、各ＮＷモデルパターンの中には実ＮＷ３１に近い構成があることを想定している。つまり、Ｎ個のＮＷモデルパターンを十分多く用意すれば、この中に実ＮＷ３１の性能特性を高精度で反映するＮＷモデル１Ｐ１～１Ｐｎが含まれることになる。
　（２ａ）支援装置１０（第２支援機能）は、ノードの負荷を変化させるトラヒックパターンを複数種類記憶するトラヒックパターンＤＢ部（第２ＤＢ）１５と、ＤＢ部１５から取得した複数のトラヒックパターンを、ＮＷモデル部２１の各ＮＷモデル１Ｐ１～１Ｐｎに入力するモデル用負荷試験部１４とを備える。
　また、支援装置１０は、トラヒックパターンの入力で作動するＮＷモデル１Ｐ１～１Ｐｎ毎の各ノードモデル２１ａ～２１ｄの統計情報を収集するノードモデル情報収集部１７と、トラヒックパターンの入力で作動するＮＷモデル１Ｐ１～１Ｐｎ毎の性能を測定して性能測定情報を得るモデル用性能測定部１８とを備える。
　更に、支援装置１０は、トラヒックパターンを入力したＮＷモデル毎に入力トラヒックパターン、統計情報及び性能測定情報を組み合わせた学習データを基に学習を行い、複数のＮＷモデル１Ｐ１～１Ｐｎから、あるＮＷへトラヒックパターンを印加した際の、当該トラヒックパターン、統計情報及び性能測定情報に最も近い（近似する）特性を持つＮＷモデル（例えばＮＷモデル１Ｐ１）を、複数のＮＷモデル１Ｐ１～１Ｐｎの中から推定する推論器２０ａを生成する推論部２０を備える構成とした。
　この構成によれば、ＮＷモデル部２１の複数のＮＷモデル１Ｐ１～１Ｐｎの中から、実ＮＷ３１に最も近似するＮＷモデルを推定する推論器２０ａを構築できる。
　（３ａ）支援装置１０（第３支援機能）は、ＤＢ部１５と、モデル用負荷試験部１４と、ノードモデル情報収集部１７と、モデル用性能測定部１８とを備える。更に、ノードの負荷を変化させるトラヒックパターンを複数種類記憶するトラヒックパターンＤＢ部（第２ＤＢ）１５と、ＤＢ部１５から取得した複数のＮＷモデルパターンを、実ＮＷ３１の各実ノード３２ａ～３２ｄに入力する実環境用負荷試験部２２と、トラヒックパターンの入力で作動する実ＮＷ３１の性能を測定して性能測定情報を得る実環境用性能測定部２４とを備える。
　実ノード情報収集部１１は、トラヒックパターンの入力で作動する実ノード３２ａ～３２ｄの統計情報を収集する。
　推論部２０は、実ＮＷ３１に入力されたトラヒックパターン、実ＮＷ３１性能測定情報及び実ノード３２ａ～３２ｄの統計情報が組み合わされた入力データを推論器２０ａに入力することにより、実ＮＷ３１に最も近い（近似する）ＮＷモデル（例えばＮＷモデル１Ｐ１）を複数のＮＷモデル１Ｐ１～１Ｐｎの中から推定する構成とした。
　この構成によれば、トラヒックパターンが入力された実ＮＷ３１の性能測定情報及び各実ノード３２ａ～３２ｄに係る統計情報を基に、ＮＷモデル部２１の複数のＮＷモデル１Ｐ１～１Ｐｎの中から、実ＮＷ３１に最も近似するＮＷモデルを推定して選択できる。
＜プログラム＞
　また、本実施形態のコンピュータで実行されるプログラムについて説明する。コンピュータは、通信装置としての複数の実ノード３２ａ～３２ｄがＮＷ接続されて配備される実ＮＷ３１に対応し、複数のノードモデル２１ａ～２１ｄが接続されたＮＷモデル１Ｐ１～１Ｐｎを複数有するＮＷモデル部２１を備える通信ネットワークモデル化支援装置１０であるとする。
　このプログラムは、上記コンピュータを、実ＮＷ３１の各実ノード３２ａ～３２ｄからルーティング設定情報及びノード内部情報を収集する手段、ルーティング設定情報を基に各実ノード３２ａ～３２ｄ間の接続を推定すると共に、ノード内部情報を複数種類に変化させたノード内部情報に基づき、実ノード３２ａ～３２ｄに対応するノードモデル２１ａ～２１ｄを構成するＮＷモデルパターンを複数生成する手段、複数生成されたＮＷモデルパターンを記憶する手段、ＮＷモデル部２１が、ＤＢ部１３から取得した複数のＮＷモデルパターンに対応する各ノードモデル２１ａ～２１ｄが接続されたＮＷモデル１Ｐ１～１Ｐｎを複数有する手段として機能させる。
　このプログラムによれば、上述した通信ネットワークモデル化支援装置１０の効果と同様に、実ＮＷ３１の性能特性を高精度で反映したＮＷモデル１Ｐ１～１Ｐｎを構築できる。但し、プログラムは記憶媒体に記憶されており、ＣＰＵ（Central Processing Unit）が記憶媒体からプログラムを読み出して実行するようになっている。
＜効果＞
　（１）通信装置としての複数の実ノードがＮＷ（Network）接続されて配備される実ＮＷに対応し、複数のノードモデルが接続されたＮＷモデルをシミュレータ上に構築するＮＷモデル部と、前記実ＮＷの各実ノードからルーティング設定情報及びノード内部情報を収集する実ノード情報収集部と、前記ルーティング設定情報を基に各実ノード間の接続を推定すると共に、前記ノード内部情報を複数種類に変化させたノード内部情報に基づき、実ノードに対応するノードモデルを構成するＮＷモデルパターンを複数生成する生成部と、前記複数生成されたＮＷモデルパターンを記憶する第１ＤＢ（Data Base）とを備え、前記ＮＷモデル部は、前記第１ＤＢから取得した複数のＮＷモデルパターンに対応する各ノードモデルが接続されたＮＷモデルをシミュレータ上に複数構築することを特徴とする通信ネットワークモデル化支援装置である。
　この構成によれば、実ＮＷの各実ノードから取得したルーティング設定情報及びノード内部情報に基づき、各実ノードに対応する各ノードモデルを有するＮＷモデルを有するようにした。このため、実ＮＷの性能特性を高精度で反映したＮＷモデルを構築できる。
　（２）ノードの負荷を変化させるトラヒックパターンを複数種類記憶する第２ＤＢと、前記第２ＤＢから取得した複数のトラヒックパターンを、前記ＮＷモデル部の各ＮＷモデルに入力するモデル用負荷試験部と、前記トラヒックパターンの入力で作動する前記ＮＷモデル毎の各ノードモデルの統計情報を収集するノードモデル情報収集部と、前記トラヒックパターンの入力で作動する前記ＮＷモデル毎の性能を測定して性能測定情報を得るモデル用性能測定部と、前記トラヒックパターン、前記統計情報及び前記性能測定情報を組み合わせた学習データにより学習を行うことにより、当該トラヒックパターン、統計情報及び性能測定情報に近似する特性を持つＮＷモデルを、前記ＮＷモデル部に構築された複数のＮＷモデルの中から推定する推論器を生成する推論部とを備えることを特徴とする上記（１）に記載の通信ネットワークモデル化支援装置である。
　この構成によれば、ＮＷモデル部の複数のＮＷモデルの中から、ＮＷモデルに入力されるトラヒックパターンと、ＮＷモデルに係る統計情報及び性能測定情報とに、近似する特性を持つＮＷモデルを推定する推論器を生成できる。
　（３）前記第２ＤＢから取得した複数のトラヒックパターンを、前記実ＮＷに入力する実環境用負荷試験部と、前記トラヒックパターンの入力で作動する前記実ＮＷの性能を測定して性能測定情報を得る実環境用性能測定部とを備え、前記実ノード情報収集部は、前記実環境用負荷試験部によるトラヒックパターンの入力で作動する実ノードの統計情報を収集し、前記推論部は、前記実ＮＷに入力されたトラヒックパターン、前記実ＮＷの性能測定情報及び前記実ノードの統計情報が組み合わされた入力データを前記推論器に入力することにより、前記実ＮＷに近似するＮＷモデルを、前記ＮＷモデル部に構築された複数のＮＷモデルの中から推定することを特徴とする上記（２）に記載の通信ネットワークモデル化支援装置である。
　この構成によれば、トラヒックパターンが入力された実ＮＷ係る性能測定情報及び各実ノードに係る統計情報と、入力トラヒックパターンとを基に、ＮＷモデル部の複数のＮＷモデルの中から、実ＮＷに最も近似するＮＷモデルを推定して選択できる。
　その他、具体的な構成について、本発明の主旨を逸脱しない範囲で適宜変更が可能である。
　１０　通信ネットワークモデル化支援装置
　１１　実ノード情報収集部
　１２　ＮＷモデルパターン生成部（生成部）
　１３　ＮＷモデルパターンＤＢ部（第１ＤＢ）
　１４　モデル用負荷試験部
　１５　トラヒックパターンＤＢ部（第２ＤＢ）
　１６　学習データ入力処理部
　１７　ノードモデル情報収集部
　１８　モデル用性能測定部（測定部）
　１９　学習データＤＢ部
　２０　ＮＷモデル推論部（推論部）
　２０ａ　推論器
　２１　ＮＷモデル部
　２１ａ～２１ｄ　ノードモデル
　２２　実環境用負荷試験部
　２３　推論部入力処理部
　２４　実環境用性能測定部
　３１　実ＮＷ
　３２ａ～３２ｄ　実ノード
　１Ｐ１～１Ｐｎ　ＮＷモデル

Claims (7)

  1. 　通信装置としての複数の実ノードがＮＷ（Network）接続されて配備される実ＮＷに対応し、複数のノードモデルが接続されたＮＷモデルをシミュレータ上に構築するＮＷモデル部と、
    　前記実ＮＷの各実ノードからルーティング設定情報及びノード内部情報を収集する実ノード情報収集部と、
    　前記ルーティング設定情報を基に各実ノード間の接続を推定すると共に、前記ノード内部情報を複数種類に変化させたノード内部情報に基づき、実ノードに対応するノードモデルを構成するＮＷモデルパターンを複数生成する生成部と、
    　前記複数生成されたＮＷモデルパターンを記憶する第１ＤＢ（Data Base）と
    　を備え、
    　前記ＮＷモデル部は、前記第１ＤＢから取得した複数のＮＷモデルパターンに対応する各ノードモデルが接続されたＮＷモデルをシミュレータ上に複数構築する
    　ことを特徴とする通信ネットワークモデル化支援装置。
  2. 　ノードの負荷を変化させるトラヒックパターンを複数種類記憶する第２ＤＢと、
    　前記第２ＤＢから取得した複数のトラヒックパターンを、前記ＮＷモデル部の各ＮＷモデルに入力するモデル用負荷試験部と、
    　前記トラヒックパターンの入力で作動する前記ＮＷモデル毎の各ノードモデルの統計情報を収集するノードモデル情報収集部と、
    　前記トラヒックパターンの入力で作動する前記ＮＷモデル毎の性能を測定して性能測定情報を得るモデル用性能測定部と、
    　前記トラヒックパターン、前記統計情報及び前記性能測定情報を組み合わせた学習データにより学習を行うことにより、当該トラヒックパターン、統計情報及び性能測定情報に近似する特性を持つＮＷモデルを、前記ＮＷモデル部に構築された複数のＮＷモデルの中から推定する推論器を生成する推論部と
    　を備えることを特徴とする請求項１に記載の通信ネットワークモデル化支援装置。
  3. 　前記第２ＤＢから取得した複数のトラヒックパターンを、前記実ＮＷに入力する実環境用負荷試験部と、
    　前記トラヒックパターンの入力で作動する前記実ＮＷの性能を測定して性能測定情報を得る実環境用性能測定部と、
    　を更に備え、
    　前記実ノード情報収集部は、前記実環境用負荷試験部によるトラヒックパターンの入力で作動する実ノードの統計情報を収集し、
    　前記推論部は、前記実ＮＷに入力されたトラヒックパターン、前記実ＮＷの性能測定情報及び前記実ノードの統計情報が組み合わされた入力データを前記推論器に入力することにより、前記実ＮＷに近似するＮＷモデルを、前記ＮＷモデル部に構築された複数のＮＷモデルの中から推定する
    　ことを特徴とする請求項２に記載の通信ネットワークモデル化支援装置。
  4. 　通信ネットワークモデル化支援装置による通信ネットワークモデル化支援方法であって、
    　前記通信ネットワークモデル化支援装置は、
    　通信装置としての複数の実ノードがＮＷ接続されて配備される実ＮＷに対応し、複数のノードモデルが接続されたＮＷモデルをシミュレータ上に構築するＮＷモデル部を備え、
    　前記実ＮＷの各実ノードからルーティング設定情報及びノード内部情報を収集するステップと、
    　前記ルーティング設定情報を基に各実ノード間の接続を推定すると共に、前記ノード内部情報を複数種類に変化させたノード内部情報に基づき、実ＮＷに対応するＮＷモデルパターンを複数生成するステップと、
    　前記複数生成されたＮＷモデルパターンを第１ＤＢに記憶するステップと、
    　前記第１ＤＢから取得した複数のＮＷモデルパターンに対応する各ノードモデルが接続されたＮＷモデルを、前記ＮＷモデル部がシミュレータ上に複数構築するステップと
    　を実行することを特徴とする通信ネットワークモデル化支援方法。
  5. 　前記通信ネットワークモデル化支援装置は、
    　ノードの負荷を変化させるトラヒックパターンを複数種類記憶する第２ＤＢを備え、
    　前記第２ＤＢから取得した複数のトラヒックパターンを、前記ＮＷモデル部の各ＮＷモデルに入力するステップと、
    　前記トラヒックパターンの入力で作動する前記ＮＷモデル毎の各ノードモデルの統計情報を収集するステップと、
    　前記トラヒックパターンの入力で作動する前記ＮＷモデル毎の性能を測定して性能測定情報を得るステップと、
    　前記トラヒックパターン、前記統計情報及び前記性能測定情報を組み合わせた学習データにより学習を行うことにより、当該トラヒックパターン、統計情報及び性能測定情報に近似する特性を持つＮＷモデルを、前記ＮＷモデル部に構築された複数のＮＷモデルの中から推定する推論器を生成するステップと
    　を実行することを特徴とする請求項４に記載の通信ネットワークモデル化支援方法。
  6. 　前記通信ネットワークモデル化支援装置は、
    　前記第２ＤＢから取得した複数のトラヒックパターンを、前記実ＮＷに入力するステップと、
    　前記トラヒックパターンの入力で作動する前記実ＮＷの性能を測定して性能測定情報を得るステップと、
    　前記トラヒックパターンの入力で作動する実ノードの統計情報を収集するステップと、
    　前記実ＮＷに入力されたトラヒックパターン、前記実ＮＷの性能測定情報及び前記実ノードの統計情報が組み合わされた入力データを前記推論器に入力することにより、前記実ＮＷに近似するＮＷモデルを、前記ＮＷモデル部に構築された複数のＮＷモデルの中から推定するステップと
    　を実行することを特徴とする請求項５に記載の通信ネットワークモデル化支援方法。
  7. 　コンピュータを、請求項１～３の何れか１項に記載の通信ネットワークモデル化支援装置として機能させるためのプログラム。
PCT/JP2021/027571 2021-07-26 2021-07-26 通信ネットワークモデル化支援装置、通信ネットワークモデル化支援方法及びプログラム WO2023007553A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2023537762A JPWO2023007553A1 (ja) 2021-07-26 2021-07-26
PCT/JP2021/027571 WO2023007553A1 (ja) 2021-07-26 2021-07-26 通信ネットワークモデル化支援装置、通信ネットワークモデル化支援方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/027571 WO2023007553A1 (ja) 2021-07-26 2021-07-26 通信ネットワークモデル化支援装置、通信ネットワークモデル化支援方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2023007553A1 true WO2023007553A1 (ja) 2023-02-02

Family

ID=85086373

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/027571 WO2023007553A1 (ja) 2021-07-26 2021-07-26 通信ネットワークモデル化支援装置、通信ネットワークモデル化支援方法及びプログラム

Country Status (2)

Country Link
JP (1) JPWO2023007553A1 (ja)
WO (1) WO2023007553A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11340978A (ja) * 1998-05-27 1999-12-10 Nec Corp ネットワーク監視方法及びその装置
JP2001044993A (ja) * 1999-07-26 2001-02-16 Fujitsu Ltd ネットワークのシミュレーションモデル生成装置、その方法、及びその方法を実現するプログラムを記録した記録媒体
JP2002063218A (ja) * 2000-06-09 2002-02-28 Fujitsu Ltd シミュレータ、シミュレーション方法およびシミュレーションプログラム、並びにシミュレーションプログラムを記録したコンピュータ読み取り可能な記録媒体
JP2002094540A (ja) * 2000-09-18 2002-03-29 Toshiba Corp フレキシブルネットワークシステム、ネットワークシミュレータ及びネットワークシステムを用いた分散処理支援システム
JP2003178103A (ja) * 2001-12-10 2003-06-27 Nippon Telegr & Teleph Corp <Ntt> ネットワークシミュレーションシステム、ネットワークシステムの性能評価方法およびそのプログラム
JP2004193816A (ja) * 2002-12-10 2004-07-08 Hitachi Ltd ネットワーク評価システム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11340978A (ja) * 1998-05-27 1999-12-10 Nec Corp ネットワーク監視方法及びその装置
JP2001044993A (ja) * 1999-07-26 2001-02-16 Fujitsu Ltd ネットワークのシミュレーションモデル生成装置、その方法、及びその方法を実現するプログラムを記録した記録媒体
JP2002063218A (ja) * 2000-06-09 2002-02-28 Fujitsu Ltd シミュレータ、シミュレーション方法およびシミュレーションプログラム、並びにシミュレーションプログラムを記録したコンピュータ読み取り可能な記録媒体
JP2002094540A (ja) * 2000-09-18 2002-03-29 Toshiba Corp フレキシブルネットワークシステム、ネットワークシミュレータ及びネットワークシステムを用いた分散処理支援システム
JP2003178103A (ja) * 2001-12-10 2003-06-27 Nippon Telegr & Teleph Corp <Ntt> ネットワークシミュレーションシステム、ネットワークシステムの性能評価方法およびそのプログラム
JP2004193816A (ja) * 2002-12-10 2004-07-08 Hitachi Ltd ネットワーク評価システム

Also Published As

Publication number Publication date
JPWO2023007553A1 (ja) 2023-02-02

Similar Documents

Publication Publication Date Title
EP3528435B1 (en) Automated configuration and data collection during modeling of network devices
Marfoq et al. Throughput-optimal topology design for cross-silo federated learning
Rahman et al. Network modelling and simulation tools
KR101908467B1 (ko) 가시화된 네트워크 운영 및 유지를 위한 방법 및 장치
Jain et al. Applying big data technologies to manage QoS in an SDN
Jansen et al. Methodically Modeling the Tor Network.
Lawrence et al. Network delay tomography using flexicast experiments
Megyesi et al. Available bandwidth measurement in software defined networks
Ansell et al. Making queueing theory more palatable to SDN/OpenFlow-based network practitioners
Jeong et al. Machine learning based link state aware service function chaining
Zhang et al. Workload service requirements analysis: A queueing network optimization approach
Mulla et al. Load balancing for software-defined networks
Choumas et al. The SDN control plane challenge for minimum control traffic: Distributed or centralized?
Herrnleben et al. Model-based performance predictions for SDN-based networks: A case study
WO2023007553A1 (ja) 通信ネットワークモデル化支援装置、通信ネットワークモデル化支援方法及びプログラム
Coimbra et al. Gelly-scheduling: distributed graph processing for service placement in community networks
Danielis et al. Dynamic flow migration for delay constrained traffic in software-defined networks
Sanlı et al. FPGEN: A fast, scalable and programmable traffic generator for the performance evaluation of high-speed computer networks
Ruiz et al. Modeling and assessing connectivity services performance in a sandbox domain
Dietz et al. ML-based performance prediction of SDN using simulated data from real and synthetic networks
Li et al. NoCeption: A fast PPA prediction framework for network-on-chips using graph neural network
Bai et al. A two-stage approach for network monitoring
Rygielski et al. Flexible performance prediction of data center networks using automatically generated simulation models
JP2004193816A (ja) ネットワーク評価システム
JP7363907B2 (ja) 情報処理装置、パケット生成方法、システム、及びプログラム

Legal Events

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

Ref document number: 2023537762

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE