WO2023058146A1 - 通信システム、通信方法及びプログラム - Google Patents

Abstract

本発明の一態様は、入力された光信号に基づき、前記光信号のコンスタレーションの画像の画像データである基本コンスタレーション画像データを取得する基本コンスタレーション画像データ取得部と、前記基本コンスタレーション画像データと、１又は複数の予め用意されたコンスタレーションの画像の画像データそれぞれと、の違いを取得する違い取得部と、前記違いに基づいて推定対象の通信システムの状態を推定する数理モデルの学習に用いる訓練データとして前記違いを含むデータを生成する訓練データ生成部と、を備える通信システムである。

Description

通信システム、通信方法及びプログラム

　本発明は、通信システム、通信方法及びプログラムに関する。

　近年、デジタルコヒーレント光トランシーバの受信器で得られたデジタル変調信号について、機械学習や深層学習技術を光ファイバ通信の伝送特性モニタや異常発生検知等の通信システムの状態の推定に適用する試みが進められている。

　例えば非特許文献１では、デジタルコヒーレント光トランシーバの受信器で得られたデジタル変調信号を実軸／虚軸の２次元プロットによって可視化したコンスタレーションを入力パラメータとして用いたニューラルネットワークを用いることが提案されている。より具体的には、そのようなニューラルネットワークを用いて、光ファイバ上で加えられた曲げや圧力などによる状態変化によって発生したコンスタレーションの歪みを識別する方法が提案されている。

　また、コンスタレーションの形状を学習したニューラルネットワークを伝送特性のモニタに活用する試みもある。例えば非特許文献２では、コンスタレーションから算出した特徴量をニューラルネットワークに学習させることにより、未知の波長分散や光信号雑音比などの伝送特性を表す量を推定できることが示されている。

　ここで、デジタルコヒーレント光トランシーバの受信器で光信号雑音比（ＯＳＮＲ）および偏波モード分散（ＰＭＤ）を推定することを目的としたニューラルネットワークの学習及び推定の例を、図１７を用いて説明する。

　このようなニューラルネットワークの学習では、ＯＳＮＲ及びＰＭＤが既知であるコンスタレーションがニューラルネットワークに入力される。このような学習では、ニューラルネットワークの出力結果と入力されたコンスタレーションにおけるＯＳＮＲ及びＰＭＤとに基づいてニューラルネットワークの重みをチューニングする処理が繰り替えされる。その結果、ニューラルネットワークはラベル毎の規則性を学習する。ラベルとは、ＯＳＮＲとＰＭＤとの組を意味する。

　学習が完了したニューラルネットワークにラベルが付与されてない未知のコンスタレーションが入力されると、ニューラルネットワークは過去の規則性に基づいて最も適切なラベルを出力する。

　コンスタレーションの形状の変化は、光ファイバに加えられた曲げや汚れ、あるいは送信器のレーザ劣化などの状態変化がもたらすものの場合、人間の視覚では識別できないほどの差異である。しかしながら、ニューラルネットワークを活用することにより、光ファイバの状態変化によって発生した信号形状の変化を検知することができる可能性があるため上述のように研究が行われている。

T. Tanaka, S. Kuwabara, H. Nishizawa, T. Inui, S. Kobayashi, A. Hirano, "Field demonstration of real-time optical network diagnosis using deep neural network and telemetry", OFC2019, Tu2E.5. J. A. Jargon, X. Wu, H. Y. Choi, Y. Chung, and A. E. Willner, "Optical performance monitoring of QPSK data channels by use of neural networks trained with parameters derived from asynchronous constellation diagrams," Optics Express vol. 18, no. 5, March 2010.

　一般に、ニューラルネットワークを画像の識別に利用する場合、学習させる画像は特徴が明確であればあるほど識別精度は向上する。しかしながら光ファイバに加えられた状態変化によるコンスタレーションの形状変化は機微である。そのため、光ファイバ曲げの有無だけでなく曲げ径までを推定したい場面や、曲げの他に端面汚れを識別したい場面等の、識別すべきラベルの数が多い場面では、コンスタレーションの形状変化のみによる学習では精度が低下する場合があった。

　そこで推定精度を向上させるためにより多くのデータが必要になる。しかしながら、必要十分なデータを得るには大きな労力を要する場合があった。その結果、通信システムの状態の推定に要する労力が大きい場合があった。

　上記事情に鑑み、本発明は、通信システムの状態の推定に要する労力を軽減させる技術を提供することを目的としている。

　本発明の一態様は、入力された光信号に基づき、前記光信号のコンスタレーションの画像の画像データである基本コンスタレーション画像データを取得する基本コンスタレーション画像データ取得部と、前記基本コンスタレーション画像データと、１又は複数の予め用意されたコンスタレーションの画像の画像データそれぞれと、の違いを取得する違い取得部と、前記違いに基づいて推定対象の通信システムの状態を推定する数理モデルの学習に用いる訓練データとして前記違いを含むデータを生成する訓練データ生成部と、を備える通信システムである。

　本発明の一態様は、光信号を送信する光送信器を備える推定対象の通信システムの前記光送信器が送信した前記光信号を受信する信号受信部と、入力された光信号に基づき、前記光信号のコンスタレーションの画像の画像データである基本コンスタレーション画像データを取得する基本コンスタレーション画像データ取得部と、前記基本コンスタレーション画像データと、１又は複数の予め用意されたコンスタレーションの画像の画像データそれぞれと、の違いを取得する違い取得部と、前記違いに基づいて推定対象の通信システムの状態を推定する数理モデルの学習に用いる訓練データとして前記違いを含むデータを生成する訓練データ生成部と、前記訓練データ生成部の生成した前記訓練データを用いて前記数理モデルの学習を行う学習部と、を備える学習装置の得た学習済みの前記数理モデルを用いて、前記信号受信部の受信した前記光信号に基づき前記推定対象の状態を推定する推定部と、を備える通信システムである。

　本発明の一態様は、入力された光信号に基づき、前記光信号のコンスタレーションの画像の画像データである基本コンスタレーション画像データを取得する基本コンスタレーション画像データ取得ステップと、前記基本コンスタレーション画像データと、１又は複数の予め用意されたコンスタレーションの画像の画像データそれぞれと、の違いを取得する違い取得ステップと、前記違いに基づいて推定対象の通信システムの状態を推定する数理モデルの学習に用いる訓練データとして前記違いを含むデータを生成する訓練データ生成ステップと、を有する通信方法である。

　本発明の一態様は、光信号を送信する光送信器を備える推定対象の通信システムの前記光送信器が送信した前記光信号を受信する信号受信ステップと、入力された光信号に基づき、前記光信号のコンスタレーションの画像の画像データである基本コンスタレーション画像データを取得する基本コンスタレーション画像データ取得部と、前記基本コンスタレーション画像データと、１又は複数の予め用意されたコンスタレーションの画像の画像データそれぞれと、の違いを取得する違い取得部と、前記違いに基づいて推定対象の通信システムの状態を推定する数理モデルの学習に用いる訓練データとして前記違いを含むデータを生成する訓練データ生成部と、前記訓練データ生成部の生成した前記訓練データを用いて前記数理モデルの学習を行う学習部と、を備える学習装置の得た学習済みの前記数理モデルを用いて、前記信号受信ステップで受信した前記光信号に基づき前記推定対象の状態を推定する推定ステップと、を有する通信方法である。

　本発明の一態様は、上記の通信装置としてコンピュータを機能させるためのプログラムである。

　本発明により、通信システムの状態の推定に要する労力を軽減させることが可能となる。

実施形態の推定装置のハードウェア構成の一例を示す図。 実施形態の推定装置が備える制御部の構成の一例を示す図。 実施形態の学習装置のハードウェア構成の一例を示す図。 実施形態における学習装置の制御部が実行する違いデータ取得処理を説明する説明図。 実施形態における特性変更装置のハードウェア構成の一例を示す図。 実施形態における学習装置が備える制御部の構成の一例を示す図。 実施形態の推定装置が実行する処理の流れの一例を示すフローチャート。 実施形態の学習装置が実行する処理の流れの一例を示す第１のフローチャート。 実施形態の学習装置が実行する処理の流れの一例を示す第２のフローチャート。 実施形態における通信システムの一例を示す図。 実施形態における統合学習装置が実行する処理の流れの一例を示す第１のフローチャート。 実施形態における統合学習装置が実行する処理の流れの一例を示す第２のフローチャート。 実施形態における通信システムが実行する処理の流れの一例を示す第１のフローチャート。 実施形態における通信システムが実行する処理の流れの一例を示す第２のフローチャート。 実施形態における通信システムの構成の一例を示す第１の図。 実施形態における通信システムの構成の一例を示す第２の図。 従来技術を説明する説明図。

　（実施形態）
　図１は、実施形態の推定装置１のハードウェア構成の一例を示す図である。推定装置１は、推定対象の通信システム内を伝搬する光信号を受信し、受信した光信号に基づいて推定対象の通信システムの状態を推定する。推定対象の通信システムの状態は、例えば光ファイバの状態である。

　推定装置１は、バスで接続されたＣＰＵ等のプロセッサ９１とメモリ９２とを備える制御部１１を備え、プログラムを実行する。推定装置１は、プログラムの実行によって制御部１１、通信部１２、記憶部１３、信号受信部１４、出力部１５及び光分岐部１６を備える装置として機能する。

　より具体的には、プロセッサ９１が記憶部１３に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９２に記憶させる。プロセッサ９１が、メモリ９２に記憶させたプログラムを実行することによって、推定装置１は、制御部１１、通信部１２、記憶部１３、信号受信部１４、出力部１５及び光分岐部１６を備える装置として機能する。

　制御部１１は、推定装置１が備える各種機能部の動作を制御する。制御部１１は、例えば各種情報を記憶部１３に記録する。制御部１１は、例えば信号受信部１４の受信した光信号に対して、コンスタレーション画像取得処理を実行する。コンスタレーション画像取得処理は、処理対象の光信号のコンスタレーションの画像の画像データを取得する処理である。以下、コンスタレーションの画像をコンスタレーション画像という。また、以下、コンスタレーション画像の画像データを、コンスタレーション画像データという。

　制御部１１は、例えば違いデータ取得処理を実行する。違いデータ取得処理は、違いデータを取得する処理である。違いデータは、コンスタレーション画像取得処理によって得られたコンスタレーション画像データと、参照コンスタレーション画像データとの違いを示す情報である。参照コンスタレーション画像データは、予め所定の記憶装置に記憶済みの画像データであって、コンスタレーション画像の画像データである。制御部１１の実行する違いデータ取得処理における所定の記憶装置は、例えば記憶部１３である。

　違い取得処理の実行により得られる違い情報は、例えばコンスタレーション画像取得処理によって得られたコンスタレーション画像データと、予め記憶部１３に記憶済みの参照コンスタレーション画像データとの差分を示す情報である。差分を示す情報はより具体的には、例えばコンスタレーション画像データを表現するテンソルと参照コンスタレーション画像データを表現するテンソルとの差分を示す情報である。

　制御部１１は、例えば取得した違いデータに対して、予め得られた学習済み推定モデルを実行する。学習済み推定モデルは、違いデータに基づいて推定対象の通信システムの状態を推定する数理モデルであって、学習によって得られた数理モデルである。したがって、制御部１１は、違いデータに対する学習済み推定モデルの実行により、推定対象の通信システムの状態を推定する。

　なお、数理モデルは、実行される条件と順番と（以下「実行規則」という。）が予め定められた１又は複数の処理を含む集合である。学習とは、機械学習の方法による数理モデルの更新を意味する。数理モデルの更新とは、数理モデルにおけるパラメータの値を好適に調整することを意味する。また、数理モデルの実行とは、数理モデルが含む各処理を実行規則にしたがって実行すること意味する。

　学習による数理モデルの更新は、学習に関する所定の終了条件（以下「学習終了条件」という。）が満たされるまで行われる。学習終了条件は、例えば所定の回数の学習が行われた、という条件である。

　通信部１２は、推定装置１を外部装置に接続するための通信インタフェースを含んで構成される。通信部１２は、有線又は無線を介して外部装置と通信する。外部装置は、例えばユーザの操作するコンピュータと通信可能に接続され、推定装置１に対するユーザの操作を受け付ける。

　記憶部１３は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部１３は推定装置１に関する各種情報を記憶する。記憶部１３は、例えば予め学習済み推定モデルを記憶する。記憶部１３は、例えば予め１又は複数の参照コンスタレーション画像データを記憶する。信号受信部１４は、光信号を受信する。

　出力部１５は、各種情報を出力する。出力部１５は、例えばＣＲＴ（Cathode Ray Tube）ディスプレイや液晶ディスプレイ、有機ＥＬ（Electro-Luminescence）ディスプレイ等の表示装置を含んで構成される。出力部１５は、これらの表示装置を推定装置１に接続するインタフェースとして構成されてもよい。出力部１５は、例えば制御部１１による学習済み推定モデルの実行の結果を表示等の予め定められた出力方法で出力する。

　光分岐部１６は、光信号を分岐する。光分岐部１６は、例えば光カプラである。光分岐部１６によって分岐された光信号の１つは信号受信部１４に入射し、他の１つは、推定装置１から出射されて所定の伝搬先に向けて伝搬する。なお、推定装置１は必ずしも光分岐部１６を備える必要は無い。このような場合、推定装置１に入射した光信号は推定装置１から出射されない。

　図２は、実施形態の推定装置１が備える制御部１１の構成の一例を示す図である。制御部１１は、コンスタレーション画像データ取得部１１１、違い取得部１１２、推定部１１３及び出力制御部１１４を備える。

　コンスタレーション画像データ取得部１１１は、信号受信部１４の受信した光信号に対して、コンスタレーション画像取得処理を実行する。その結果、コンスタレーション画像データ取得部１１１は、信号受信部１４の受信した光信号のコンスタレーション画像データを取得する。

　違い取得部１１２は、コンスタレーション画像データ取得部１１１の取得したコンスタレーション画像データに対して違いデータ取得処理を実行する。違い取得部１１２は、コンスタレーション画像データ取得部１１１の取得したコンスタレーション画像データに対する違いデータ取得処理の実行により、違いデータを取得する。

　推定部１１３は、違い取得部１１２の取得した違いデータに対して、学習済み推定モデルを実行する。推定部１１３は、違いデータに対する学習済み推定モデルの実行により、推定対象の通信システムの状態を推定する。

　出力制御部１１４は、出力部１５の動作を制御する。出力制御部１１４は、出力部１５の動作を制御して、出力部１５に推定部１１３の推定の結果を出力させる。

＜学習済み推定モデルについて＞
　学習済み推定モデルは、上述したように、学習により得られた数理モデルである。より具体的には、学習済み推定モデルは、学習終了条件が満たされるまで推定モデルが更新された数理モデルである。推定モデルは、違いデータに基づいて推定対象の通信システムの状態を推定する数理モデルである。したがって、学習済み推定モデルは、学習終了条件が満たされた時点の推定モデルである。

　推定モデルは学習による更新が可能な数理モデルであればどのように表現された数理モデルであってもよい。推定モデルは、例えばニューラルネットワークで表現される。ニューラルネットワークのパラメータは、目的関数の値（すなわち損失）に基づいて好適に調整される。ニューラルネットワークのパラメータは、表現する数理モデルのパラメータである。

　ここで、推定モデルの学習を行う装置について説明する。図３は、実施形態の学習装置２のハードウェア構成の一例を示す図である。学習装置２は、推定モデルを学習により更新することで学習済み推定モデルを得る装置である。

　学習装置２は、バスで接続されたＣＰＵ等のプロセッサ９３とメモリ９４とを備える制御部２１を備え、プログラムを実行する。学習装置２は、プログラムの実行によって制御部２１、通信部２２、記憶部２３、信号受信部２４及び出力部２５を備える装置として機能する。

　より具体的には、プロセッサ９３が記憶部２３に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９４に記憶させる。プロセッサ９３が、メモリ９４に記憶させたプログラムを実行することによって、学習装置２は、制御部２１、通信部２２、記憶部２３、信号受信部２４及び出力部２５を備える装置として機能する。

　制御部２１は、学習装置２が備える各種機能部の動作を制御する。制御部２１は、例えば各種情報を記憶部２３に記録する。制御部２１は、例えば信号受信部２４の受信した光信号に対して、コンスタレーション画像取得処理を実行する。以下、制御部２１によるコンスタレーション画像取得処理の実行により得られたコンスタレーション画像データを、基本コンスタレーション画像データという。

　制御部２１は、例えば、得られた基本コンスタレーション画像データを記憶部２３に記録する。制御部２１は、基本コンスタレーション画像データの記憶部２３からの読み出しに関する所定の条件（以下「読み出し条件」という。）が満たされたタイミングで、記憶部２３の記憶する基本コンスタレーション画像データを読み出す。読み出し条件は例えば、情報量が所定の量以上である基本コンスタレーション画像データを所定の数以上、記憶部２３が記憶した、という条件である。

　こうして、読み出し条件が満たされるまで記憶部２３に基本コンスタレーション画像データが記憶されることで、記憶部２３には１又は複数の基本コンスタレーション画像データが記憶される。

　制御部２１は、読み出した各基本コンスタレーション画像データに対して違いデータ取得処理を実行する。制御部２１の実行する違いデータ取得処理における参照コンスタレーション画像データは、例えば記憶部２３に記憶済みである。

　ここで、制御部２１が実行する違いデータ取得処理を、図を用いて説明する。図４は、実施形態における学習装置２の制御部２１が実行する違いデータ取得処理を説明する説明図である。

　図４において“基本コンスタレーションデータ群”は、基本コンスタレーション画像データの集合を意味する。基本コンスタレーション画像データの示す画像は、所定の基準の元で有限個の集合に分類され得る。図４の“Ｌａｂｅｌ１”及び“Ｌａｂｅｌ２”はそれぞれ、所定の基準の元で分類された各基本コンスタレーション画像データの画像が属する集合の識別子である。図４における、“Ｓ_１ ^０”等の下付きの数字と上付きの数字とを有する文字Ｓはそれぞれ１つの基本コンスタレーション画像データを示す。

　集合Ｇ１は、参照コンスタレーション画像データの集合を意味する。図４において“差分コンスタレーションデータ群”は、違いデータの集合を意味する。図４が示すように、制御部２１が実行する違いデータ取得処理では、１又は複数の基本コンスタレーション画像データと、１又は複数の参照コンスタレーション画像データとの違いがそれぞれ取得される。

　このように、制御部２１は、基本コンスタレーション画像データと参照コンスタレーション画像データとの組ごとに違いデータを取得する。したがって制御部２１は、基本コンスタレーション画像データの数と参照コンスタレーション画像データの数との積の数の違いデータを生成する。

　なお図４が示すように、基本コンスタレーション画像データの少なくとも一部は参照コンスタレーション画像データと同一であってもよい。

　図３の説明に戻る。制御部２１は、例えば取得した違いデータに対して推定モデルを実行する。制御部２１は、例えば推定モデルの実行の結果に基づき推定モデルを更新する。

　通信部２２は、学習装置２を外部装置に接続するための通信インタフェースを含んで構成される。通信部２２は、有線又は無線を介して外部装置と通信する。外部装置は、例えばユーザの操作するコンピュータと通信可能に接続され、学習装置２に対するユーザの操作を受け付ける。

　記憶部２３は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部２３は学習装置２に関する各種情報を記憶する。記憶部２３は、例えば予め推定モデルを記憶する。記憶部２３は、例えば予め１又は複数の参照コンスタレーション画像データを記憶する。信号受信部２４は、光信号を受信する。

　出力部２５は、各種情報を出力する。出力部２５は、例えばＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置を含んで構成される。出力部２５は、これらの表示装置を学習装置２に接続するインタフェースとして構成されてもよい。出力部２５は、例えば制御部２１による推定モデルの実行の結果を表示等の予め定められた出力方法で出力する。

＜信号受信部２４の受信する光信号＞
　ここで信号受信部２４の受信する光信号について説明する。信号受信部２４の受信する光信号は、推定対象の通信システム内を伝搬する光信号に対して特性変更処理が実行された結果の光信号である。特性変更処理は、光信号の対象特性を変える処理である。対象特性は、光信号の予め定められた所定の特性である。特性は、例えば波長分散であってもよいし、偏波モード分散であってもよいし、信号雑音比であってもよい。対象特性は、例えば、光信号対雑音比(ＯＳＮＲ：Optical Signal-to-Noise Ratio）及び偏波モード分散である。

　対象特性の変更は、全ての光信号に対して同一なのではない。対象特性の変更は、ランダムに近い変更であるほど望ましい。対象特性の変更は、ユーザが指示した条件を満たす変更であってもよい。したがって、学習装置２は複数の種類の基本コンスタレーション画像データを用いて推定モデルを更新することができる。

　特性変更処理による特性の変更の内容を示す情報（以下「変更内容情報」という。）は、推定モデルの学習に用いられる。そこで通信部２２は、特性変更処理を実行する装置との通信を行い、変更内容情報を取得する。以下、特性変更処理を実行する装置を、特性変更装置という。

　図５は、実施形態における特性変更装置３のハードウェア構成の一例を示す図である。特性変更装置３は、バスで接続されたＣＰＵ等のプロセッサ９５とメモリ９６とを備える制御部３１を備え、プログラムを実行する。特性変更装置３は、プログラムの実行によって制御部３１、通信部３２、記憶部３３、光特性変更部３４及び光スペクトラムアナライザ３５を備える装置として機能する。

　より具体的には、プロセッサ９５が記憶部３３に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９６に記憶させる。プロセッサ９５が、メモリ９６に記憶させたプログラムを実行することによって、特性変更装置３は、制御部３１、通信部３２、記憶部３３、光特性変更部３４及び光スペクトラムアナライザ３５を備える装置として機能する。

　制御部３１は、特性変更装置３が備える各種機能部の動作を制御する。制御部３１は、例えば光特性変更部３４の動作を制御する。制御部３１は、例えば光スペクトラムアナライザ３５の動作を制御して、光スペクトログラムアナライザの分析の結果を取得する。制御部３１は、例えば各種情報を記憶部３３に記録する。

　通信部３２は、特性変更装置３を外部装置に接続するための通信インタフェースを含んで構成される。通信部３２は、有線又は無線を介して外部装置と通信する。外部装置は、例えば学習装置２である。通信部３２は、光特性変更部３４による変更の内容を示す情報を、学習装置２に送信する。光特性変更部３４による変更の内容を示す情報が、変更内容情報である。また、通信部３２は、ユーザの操作するコンピュータと通信可能に接続され、特性変更装置３に対するユーザの操作を受け付けてもよい。

　記憶部３３は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部３３は特性変更装置３に関する各種情報を記憶する。記憶部３３は、例えば変更内容情報を記憶してもよい。

　光特性変更部３４には、推定対象の通信システム内を伝搬する光信号が入射する。光特性変更部３４は、入射した光信号に対して特性変更処理を実行する。すなわち、光特性変更部３４は、入射した光信号の特性を変える。

　図５の例において光特性変更部３４は、波長分散発生器３６、偏波モード分散発生器３７及びＡＳＥ（Ａｍｐｌｉｆｉｅｄ　Ｓｐｏｎｔａｎｅｏｕｓ　Ｅｍｉｓｓｉｏｎ）光源３８を備える。波長分散発生器３６は、波長分散を変える。偏波モード分散発生器３７は偏波モード分散（ＰＭＤ：Polarization Mode Dispersion）を変える。ＡＳＥ光源３８は、信号にノイズを付与する。

　なお、図５の光特性変更部３４の構成は一例であり、光特性変更部３４は光信号の所望の特性を変更可能であればどのような構成であってもよい。したがって、光特性変更部３４は、例えば、波長分散発生器３６、偏波モード分散発生器３７又はＡＳＥ光源３８のいずれか１つだけを備えてもよいし、いずれか２つだけを備えてもよい。また、光特性変更部３４は、例えば、波長分散発生器３６、偏波モード分散発生器３７及びＡＳＥ光源３８以外の他の光信号の特性を変える装置を備えてもよい。

　特性変更装置３は、光特性変更部３４による変換後の光信号を出力する。特性変更装置３の出力した光信号が学習装置２に入射する。

　制御部３１は、光特性変更部３４が光信号をどのように変換したかを示す情報（すなわち変更内容情報）を光特性変更部３４から取得する。制御部３１は、取得した変更内容情報を、通信部３２を介して学習装置２に送信する。送信された変更内容情報を、学習装置２は通信部２２によって受信する。

　光スペクトラムアナライザ３５は、光特性変更部３４による変更後の光信号の特性を解析する。

　図６は、実施形態における学習装置２が備える制御部２１の構成の一例を示す図である。制御部２１は、変更内容情報取得部２１０、基本コンスタレーション画像データ取得部２１１、記憶制御部２１２、違い取得部２１３、訓練データ生成部２１４及び数理モデル学習部２１５を備える。

　変更内容情報取得部２１０は、通信部３２の受信した変更内容情報を取得する。

　基本コンスタレーション画像データ取得部２１１は、信号受信部２４の受信した光信号に対して、コンスタレーション画像取得処理を実行する。記憶制御部２１２は、コンスタレーション画像取得処理の実行により得られた基本コンスタレーション画像データを記憶部２３に記録する。

記憶制御部２１２は、基本コンスタレーション画像データの記録に際して、対応する変更内容情報を基本コンスタレーション画像データに対応付けて記憶部２３に記録する。対応する変更内容情報とは、基本コンスタレーション画像データの示すコンスタレーションを特性として有する光信号を生成した際の特性変更処理の内容を示す変更内容情報、を意味する。

　一例として光信号Ｐと光信号Ｐに対する特性変更処理の実行により得られた光信号Ｑとを用いて、基本コンスタレーション画像データとその基本コンスタレーション画像データに対応付けて記憶部２３に記録される変更内容情報とについて説明する。このような場合、記憶部２３に記録される基本コンスタレーション画像データは光信号Ｑのコンスタレーション画像データＲであり、記憶部２３に記録される変更内容情報は光信号Ｐから光信号Ｑへの変更の内容を示す情報Ｒである。コンスタレーション画像データＲと情報Ｒとが対応付けて記憶部２３に記録される。

　記憶制御部２１２は、読み出し条件が満たされたタイミングで、記憶部２３の記憶する基本コンスタレーション画像データを読み出す。

　違い取得部２１３は、違いデータ取得処理を実行する。違いデータ取得処理の実行により違い取得部２１３は、記憶制御部２１２の読み出した各基本コンスタレーション画像データと予め記憶部２３に記憶済みの各参照コンスタレーション画像データとの各違いをそれぞれ違いデータとして取得する。

　訓練データ生成部２１４は、得られた各違いデータを、その違いデータを得る際に用いられた基本コンスタレーション画像データに対応する変更内容情報に対応付けて、記憶部２３に記録する。すなわち、訓練データ生成部２１４は、違いデータと違いデータに対応する変更内容情報との対を１対含む各情報をそれぞれ記憶部２３に記録する。

　違いデータに対応する変更内容情報とは、違いデータを得る際に用いられた基本コンスタレーション画像データに対応する変更内容情報の意味である。以下、違いデータと違いデータに対応する変更内容情報との対を１対含む情報を訓練データという。訓練データは推定モデルの学習に用いられる。

　訓練データ生成部２１４の処理を、具体例を用いて説明する。一例として基本コンスタレーション画像データＡと参照コンスタレーション画像データＢとから生成された違いデータＣを用いて説明する。このような場合、訓練データ生成部２１４は、違いデータＣを基本コンスタレーション画像データＡに対応する変更内容情報Ｄに対応付けて記憶部２３に記録する。したがってこの例において訓練データは、違いデータＣと変更内容情報Ｄとの対を含む情報である。

　このように訓練データ生成部２１４は、違い取得部２１３の取得した違いデータとその違いデータを得る際に用いられた基本コンスタレーション画像データに対応する変更内容情報とを用いて、訓練データを生成する。

　数理モデル学習部２１５は、訓練データを用いて、推定モデルの学習を行う。より具体的には、数理モデル学習部２１５は、訓練データの含む違いデータに対して推定モデルを実行し、実行の結果と訓練データの含む変更内容情報との違いを小さくするように推定モデルを更新する。

　数理モデル学習部２１５は、訓練データ取得部２１６、数理モデル実行部２１７及び更新部２１８を備える。訓練データ取得部２１６は、訓練データを取得する。数理モデル実行部２１７は、訓練データ取得部２１６の取得した訓練データの含む違いデータに対して推定モデルを実行する。更新部２１８は、推定モデルの実行対象の違いデータに対応付けられた変更内容情報と、推定モデルの実行結果との違いを小さくするように、推定モデルを更新する。

　図７は、実施形態の推定装置１が実行する処理の流れの一例を示すフローチャートである。信号受信部１４が光信号を受信する（ステップＳ１０１）。次にコンスタレーション画像データ取得部１１１が、ステップＳ１０１で受信された光信号に対して、コンスタレーション画像取得処理を実行する（ステップＳ１０２）。ステップＳ１０２の実行によりコンスタレーション画像データ取得部１１１は、ステップＳ１０１で受信された光信号のコンスタレーション画像データを取得する。

　次に違い取得部１１２が違いデータ取得処理を実行する（ステップＳ１０３）。違いデータ取得処理の実行により違い取得部１１２は、ステップＳ１０２で取得されたコンスタレーション画像データと参照コンスタレーション画像データとの違いを違いデータとして取得する。次に推定部１１３が学習済みの推定モデル（すなわち学習済み推定モデル）をステップＳ１０３で取得された違いデータに対して実行する（ステップＳ１０４）。なお学習済みの推定モデルについては、例えば予め学習装置２から得たうえで予め記憶部１３に記憶済みである。ステップＳ１０４の次に出力制御部１１４が出力部１５の動作を制御して、ステップＳ１０４の実行の結果を出力させる（ステップＳ１０５）。

　図８は、実施形態の学習装置２が実行する処理の流れの一例を示す第１のフローチャートである。より具体的には、図８は、学習装置２が訓練データを取得する処理の流れの一例を示すフローチャートである。信号受信部２４が、特性変更処理による変更後の光信号を受信する（ステップＳ２０１）。特性変更処理は、例えば特性変更装置３が実行する。

　次に、変更内容情報取得部２１０が、ステップＳ２０１の光信号を生成した特性変更処理の内容を示す変更内容情報を取得する（ステップＳ２０２）。次に基本コンスタレーション画像データ取得部２１１が、ステップＳ２０１で受信した光信号に対してコンスタレーション画像取得処理を実行する（ステップＳ２０３）。ステップＳ２０１で受信した光信号に対するコンスタレーション画像取得処理の実行により基本コンスタレーション画像データ取得部２１１は、ステップＳ２０１で受信した光信号の基本コンスタレーション画像データを取得する。

　次に記憶制御部２１２が、ステップＳ２０３で得られた基本コンスタレーション画像データとステップＳ２０２で得られた変更内容情報とを対応付けて記憶部２３に記録する（ステップＳ２０４）。次に記憶制御部２１２は、読み出し条件が満たされたか否かを判定する（ステップＳ２０５）。読み出し条件が満たされない場合（ステップＳ２０５：ＮＯ）、ステップＳ２０１の処理に戻る。一方、読み出し条件が満たされた場合（ステップＳ２０５：ＹＥＳ）、記憶制御部２１２は記憶部２３から、記憶部２３の記憶する各基本コンスタレーション画像データと、記憶部２３の記憶する各参照コンスタレーション画像データと、を読み出す（ステップＳ２０６）。

　次に違い取得部２１３が、ステップＳ２０６で取得された各基本コンスタレーション画像データと各参照コンスタレーション画像データとの各違いをそれぞれ違いデータとして取得する（ステップＳ２０７）。次に訓練データ生成部２１４がステップＳ２０７で取得された違いデータごとに、各違いデータとその違いデータを得る際に用いられた基本コンスタレーション画像データに対応する変更内容情報との対を１対含む訓練データを生成する（ステップＳ２０８）。具体的には、訓練データ生成部２１４は、各違いデータを、各違いデータを得る際に用いられた基本コンスタレーション画像データに対応する変更内容情報に対応付けて記憶部２３に記録する。

　このようにして、推定モデルの学習に用いられる訓練データが生成される。なお、ステップＳ２０１からステップＳ２０３の処理は必ずしも図８の処理の流れである必要は無く、ステップＳ２０４の処理の前にステップＳ２０１からステップＳ２０３までの処理が実行されればどのような順番で実行されてもよい。なお、ステップＳ２０３の処理はステップＳ２０１の処理の実行後に実行される必要はある。

　図９は、実施形態の学習装置２が実行する処理の流れの一例を示す第２のフローチャートである。より具体的には、図９は、学習装置２が推定モデルの学習を行う処理の流れの一例を示すフローチャートである。訓練データ取得部２１６が、記憶部２３に記憶済みの訓練データの１つを取得する（ステップＳ３０１）。次に数理モデル実行部２１７が、訓練データ取得部２１６の取得した訓練データが含む違いデータに対して推定モデルを実行する（ステップＳ３０２）。推定モデルの実行により数理モデル実行部２１７は、実行対象の違いデータに対応する変更内容情報を推定する。

　次に、更新部２１８は、推定モデルの推定結果と、訓練データ取得部２１６の取得した訓練データが含む変更内容情報と、の違いを小さくするように推定モデルを更新する（ステップＳ３０３）。推定モデルの推定結果は、具体的には、ステップＳ３０２で推定された変更内容情報である。次に更新部２１８は、学習終了条件が満たされたか否かを判定する（ステップＳ３０４）。

　学習終了条件が満たされた場合（ステップＳ３０４：ＹＥＳ）、処理が終了する。学習終了条件の満たされた時点の推定モデルが、学習済みの推定モデルである。一方、学習終了条件が満たされない場合（ステップＳ３０４：ＮＯ）、訓練データ取得部２１６は、記憶部２３の記憶する訓練データのうちの未使用の訓練データを１つ取得する（ステップＳ３０５）。ステップＳ３０５の次にステップＳ３０２の処理が実行される。なお、未使用の訓練データとは、未だ推定モデルの学習に用いられていない訓練データを意味する。より具体的には、未使用の訓練データとは、推定モデルの実行対象になっていない訓練データを意味する。

　このように構成された実施形態の学習装置２は、予め記憶済みの１又は複数の参照コンスタレーション画像データを用いて、１又は複数の基本コンスタレーション画像データと、１又は複数の参照コンスタレーション画像データとの違いをそれぞれ取得する。そのため、１つの基本コンスタレーション画像データが得られれば、参照コンスタレーション画像データの数だけの訓練データを生成することができる。すなわち、学習装置２は、推定モデルの学習に用いられる訓練データの用意に要する労力を軽減することができる。

　そして訓練データの数が多いほど、学習により推定モデルの推定の精度を向上させることができる。上述したように学習済み推定モデルは、学習終了条件が満たされた時点の推定モデルである。また上述したように推定モデルは、違いデータに基づいて推定対象の通信システムの状態を推定する数理モデルであり違いデータを用いて更新される数理モデルである。

　また上述したように違いデータは光信号のコンスタレーション画像データと参照コンスタレーション画像データとの違いを示す情報であるので、違いデータはコンスタレーションの画像の違いを示す情報である。したがって、推定モデルは、コンスタレーションの画像の違いに基づいて推定対象の通信システムの状態を推定する数理モデルである。このため、推定モデルの更新により、推定モデルによるコンスタレーションの画像の識別の精度は向上する。

　そのため、このように構成された実施形態の学習装置２は、推定モデルの学習に用いられる訓練データの用意に要する労力を軽減することができるため、コンスタレーションの画像の識別の精度の向上に要する労力を軽減することができる。また、学習装置２は、コンスタレーションの画像の識別の精度の向上に要する労力を軽減することができるため、通信システムの状態の推定に要する労力を軽減することができる。

　また、このように構成された実施形態の推定装置１は、学習装置２の得た学習済みの推定モデルを用いるため、推定対象の通信システムの構築から運用までに要する労力であって通信システムの状態の推定に要する労力を軽減することができる。

＜第１の適用場面＞
　推定装置１、学習装置２及び特性変更装置３の適用場面の一例を説明する。図１０は、実施形態における通信システム１００の一例を示す図である。以下説明の簡単のため図１～図３、図５及び図６に記載の機能部と同様の機能を有するものについては図１～図３、図５及び図６と同じ符号を付すことで説明を省略する。

　通信システム１００は、通信と自装置の管理に要する負担の軽減とを両立させる通信システムである。通信システム１００は、例えば光ファイバ通信を行う通信システムである。通信システム１００は、送信側光ノード装置５、統合学習装置６及び推定装置１を備える。通信システム１００の備える推定装置１は光分岐部１６を備える。そのため通信システム１００の備える推定装置１は入射した光信号を伝搬先に向けて出射する。

　送信側光ノード装置５は光信号を送信する。統合学習装置６は、光信号を受信し、受信した光信号に基づき、推定モデルを学習により更新する。

　送信側光ノード装置５と統合学習装置６とは光ファイバ４で接続されており、送信側光ノード装置５から統合学習装置６へ光ファイバ４を通って光信号が伝搬する。送信側光ノード装置５と推定装置１とは光ファイバ４で接続されており、送信側光ノード装置５から推定装置１へ光ファイバ４を通って光信号が伝搬する。光ファイバ４は、光信号が伝搬する伝送路（すなわち光ファイバ）である。

　送信側光ノード装置５は、光送信器５１と光分岐部５２とを備える。光送信器５１は光信号を送信する。光分岐部５２は、光信号を分岐する。光分岐部５２は、例えば光カプラである。

　統合学習装置６は、光分岐部５２により分岐された分岐後の光信号を受信する。より具体的には、統合学習装置６は光分岐部５２により複数に分岐された光信号の１つを受信する。統合学習装置６は、特性変更装置３及び学習装置２を備える。

　なお、特性変更装置３による光信号の特性の変更は、全ての光信号に対して同一なのではない。特性の変更は、ランダムに近い変更であるほど望ましい。特性変更装置３による光信号の特性の変更は、ユーザが指示した条件を満たす変更であってもよい。このように特性変更装置３は、複数の種類の光信号を生成する。

　統合学習装置６による推定モデルの更新は、学習終了条件が満たされるまで更新されることが、所定のタイミングごとに行われる。以下、所定のタイミングを、学習タイミングという。学習タイミングは、例えば予め定められた周期ごとに訪れる周期的なタイミングである。すなわち、統合学習装置６は、学習の開始から学習終了条件が満たされるまで推定モデルを更新する一連の処理を、学習タイミングごとに行う。したがって、少なくとも２回目以降の学習タイミングで更新される推定モデルは、直前の学習タイミングにおいて学習終了条件が満たされた学習済みの推定モデルである。

　推定装置１は、光分岐部５２により分岐された分岐後の光信号を受信する。より具体的には、受信側光ノード装置７は光分岐部５２により複数に分岐された光信号の１つであって統合学習装置６に伝搬する光信号とは異なる光信号を受信する。

　図１１及び図１２を用いて、統合学習装置６が実行する処理の流れの一例を説明する。図１１は、実施形態における統合学習装置６が実行する処理の流れの一例を示す第１のフローチャートである。図１２は、実施形態における統合学習装置６が実行する処理の流れの一例を示す第２のフローチャートである。以下、図７～図９と同様の処理には、図７～図９と同じ符号を付すことで説明を省略する。

　統合学習装置６が、学習タイミングか否かを判定する（ステップＳ４０１）。学習タイミングか否かの判定は、統合学習装置６の備える各機能部のいずれが行ってもよいが、例えば特性変更装置３の備える制御部３１が行う。学習タイミングか否かの判定は、学習装置２の備える制御部２１が行ってもよい。

　学習タイミングでは無い場合（ステップＳ４０１：ＮＯ）、ステップＳ１０１の処理が繰り返される。一方、学習タイミングである場合（ステップＳ４０１：ＹＥＳ）、特性変更装置３が光分岐部５２で分岐された光信号を受信する（ステップＳ４０２）。次に、特性変更装置３が受信した光信号の特性を変更する（ステップＳ４０３）。次に、学習装置２がステップＳ２０１からステップＳ２０４の処理を実行する。

　ステップＳ２０４の処理に次に学習装置２は読み出し条件が満たされたか否かを判定する（ステップＳ２０５ａ）。読み出し条件が満たされない場合（ステップＳ２０５ａ：ＮＯ）、ステップＳ４０２の処理に戻る。一方、読み出し条件が満たされる場合（ステップＳ２０５ａ：ＹＥＳ）、ステップＳ２０６からステップＳ２０８の処理が実行される。ステップＳ２０８の処理の次に、ステップ３０１～ステップＳ３０５の処理が実行される。

　図１３は、実施形態における通信システム１００が実行する処理の流れの一例を示す第１のフローチャートである。より具体的には、図１３は学習タイミングにおいて、通信システム１００が実行する処理の流れの一例を示すフローチャートである。

　光送信器５１が光信号を送信する（ステップＳ５０１）。次に、光分岐部５２で光信号が分岐される（ステップＳ５０２）。光分岐部５２で分岐された光信号の１つは統合学習装置６に伝搬し、分岐された光信号の他の１つは推定装置１まで伝搬する。（ステップＳ５０３）。統合学習装置６は、伝搬してきた光信号を用いて推定モデルを学習終了条件が満たされるまで更新する（ステップＳ５０４）。統合学習装置６は、得られた学習済みの推定モデルを通信部２２によって推定装置１に送信する（ステップＳ５０５）。なお、ステップＳ５０４では、例えば図１１及び図１２に記載の一連の処理が実行される。

　図１４は、実施形態における通信システム１００が実行する処理の流れの一例を示す第２のフローチャートである。より具体的には、図１４は学習タイミングでは無いタイミングにおいて、通信システム１００が実行する処理の流れの一例を示すフローチャートである。

　光送信器５１が光信号を送信する（ステップＳ６０１）。次に、光分岐部５２で光信号が分岐される（ステップＳ６０２）。光分岐部５２で分岐された光信号の１つは統合学習装置６に伝搬し、分岐された光信号の他の１つは推定装置１まで伝搬する。（ステップＳ６０３）。信号受信部１４が推定装置１に伝搬してきた光信号を受信する（ステップＳ６０４）。推定装置１が受信した光信号を用いて通信システム１００の状態を推定する（ステップＳ６０５）。ステップＳ６０５の処理は、具体的には、ステップＳ１０２からステップＳ１０４の処理の実行である。次に出力制御部１１４が出力部１５の動作を制御して、ステップＳ６０５の実行の結果を出力部１５に出力させる（ステップＳ６０６）。

＜統合学習装置６と光分岐部５２と推定モデルとの関係と役割＞
　通信システム１００に限らず通信システムは長期間の使用が想定されることが多く、長い使用期間の間に経年劣化する。そのため、経年劣化の影響を考慮して通信システムの状態を推定することが通信システムの管理には望ましい。通信システムの状態とは、例えば光送信器５１の状態である。こうした経時的な変化を組み込んだシステムの管理には、システムの経時的な変化に応じて検知の基準やシステムの状態の判断のルールを変化させることが望ましい。そこで、通信システム１００では、光分岐部５２と統合学習装置６とを備える。

　上述したように統合学習装置６は、光分岐部５２で分岐された光信号を変化させ、光分岐部５２における光信号の変化の様子を、学習タイミングに学習する。変化は特性変更装置３によって引き起こされる。

　光分岐部５２と特性変更装置３との役割を順に説明する。通信システムのようなインフラ設備では、サービスの開始後に装置の取り付け及び取り外しを行うことは難しい。サービスの開始とは具体的には通信の開始である。そのため、統合学習装置６は通信システム１００から取り外される必要の無い状態で、通信システム１００に備えられていることが望ましい。

　そこで通信システム１００は光分岐部５２を備える。通信システム１００が光分岐部５２を備えるため、光送信器５１の送信する光信号は光分岐部５２で分岐され、通信の実現とともに、統合学習装置６への光信号の伝送が実現される。その結果、通信システム１００では、通信の実現とともに、数理モデルを光送信器５１の経時的な変化に応じて更新することも実現される。

　次に特性変更装置３の役割について説明する。特性変更装置３による光信号の変化は、通信システム１００内で生じる事象によって光信号に生じ得る変化を疑似的に引き起こすことに相当する。したがって、特性変更装置３によって特性が変化させられた後の光信号を用いた学習により、推定モデルによる推定の精度は高まる。

　ところで、対象特性は主に、時間スケールの異なる２つの要因で変化する。１つは、通信システム１００の状態の経時的な変化である。以下、通信システム１００の状態の経時的な変化を第１要因という。他の１つは、ハイゼンベルグの不確定性原理やノイズに代表される自然現象が包含するランダム性である。以下、ハイゼンベルグの不確定性原理やノイズに代表される自然現象が包含するランダム性を第２要因という。

　第１要因による変化は第２要因による変化に比べて時間スケールの長い変化である。通信システム１００のような長期間の使用が想定されるシステムの管理では、通信システム１００の状態を把握するために、この両者の変化が考慮される必要がある。

　統合学習装置６は、光分岐部５２から分岐された光信号を受信するので、通信システム１００が通信を行っている状態でも、推定モデルの更新が可能である。仮に第１要因の変化を無視するのであれば、入力された光信号の対象特性を用いて通信システムの状態を推定する数理モデルが、機械学習により一度得られれば良い。こうして得られる数理モデルは、第１要因による通信システムの変化が無視できる状態であれば、高い精度で通信システムの状態を推定可能である。

　しかしながら、第１要因による通信システムの変化がある場合、通信システムの経時的な変化に応じて学習を行わなければ、通信システムの経時的な変化とともに推定の精度も下がってしまう。

　上述したように通信システム１００の統合学習装置６は、通信システム１００が通信を行っている状態でも推定モデルの更新が可能である。したがって、統合学習装置６は、一度きりでなく、通信システム１００の経時的な変化に応じた複数回の学習の実行が可能である。そのため、統合学習装置６は、第１要因と第２要因とが存在するという条件の元で、通信システム１００の状態を推定する数理モデルを得ることができる。

　より具体的にどのようにして、第１要因と第２要因とが存在するという条件の元での学習が可能なのか説明する。上述したように特性変更装置３は光分岐部５２で分岐された光信号を変化させる。すなわち、特性変更装置３は光分岐部５２で分岐された光信号を変化させた光信号を生成する。

　光分岐部５２で分岐された光信号は、通信システム１００の状態の経時的な変化がある場合に、その変化に相関を有する変化をする。したがって、特性変更装置３は、通信システム１００の状態の経時的な変化の情報を含む光信号を生成する。

　一方で、特性変更装置３は、上述したように通信システム１００内で生じる事象によって光信号に生じ得る変化を疑似的に与える。この疑似的な変化は、第２要因による変化を模したものである。すなわち、特性変更装置３は、自然現象が包含するランダム性に起因する光信号の変化を、統合学習装置６の受信した光信号に与える。

　このように特性変更装置３は、第１要因に起因する変化の情報と第２要因に起因する変化の情報とを含む光信号を生成する。特性変更装置３で生成された光信号の対象特性が訓練データの一部として学習に用いられるので、統合学習装置６は、第１要因と第２要因とが存在するという条件の元での学習を行うことができる。

　統合学習装置６による学習は推定モデルに対して実行される。そして、上述したように特性変更装置３で生成された光信号の対象特性が訓練データの一部として学習に用いられる。したがって、推定モデルは、対象特性について推定対象の光信号と光分岐部５２における光信号との違いを推定する数理モデルであるが、その違いは、通信システム１００の状態の推定結果を示す情報である。すなわち、推定モデルは、入力された光信号の対象特性に基づいて通信システム１００の状態を推定する数理モデルである。

　上述したように統合学習装置６で得られた学習済みの数理モデルは推定装置１で用いられて、通信システム１００の状態が推定される。学習済みの推定モデルは、学習タイミングでさらに更新され、新たな学習済みの推定モデルが生成される。推定装置１は、統合学習装置６で得られた推定モデルを用いるので、推定装置１で用いられる学習済みの推定モデルは、学習終了条件が満たされるたびに学習終了条件が満たされた時点の学習済みの推定モデルに更新される。したがって、通信システム１００は、第２要因だけでなく第１要因も考慮した通信システムの管理を可能とする。

　このように構成された通信システム１００は、光送信器５１の送信する光信号を分岐する光分岐部５２と、光分岐部５２による分岐後の光信号に基づいて推定モデルを更新する統合学習装置６とを備える。そのため光送信器５１から送信された光信号は光分岐部５２によって分岐されて、統合学習装置６と推定装置１とに伝搬する。

　その結果、通信システム１００では、光送信器５１から推定装置１への光信号の伝送を実現しつつ、通信システム１００の状態の推定を行う数理モデル（すなわち推定モデル）を更新することができる。したがって、通信システム１００は、自システムの管理に要する負担を軽減することができる。

　また、通信システム１００は学習装置２を備えるため、通信システムの状態の推定に要する労力を軽減することができる。また、通信システム１００は、学習装置２の得た学習済みの推定モデルを用いて通信システム１００の状態の推定を行う推定装置１を備える。そのため、通信システム１００は、自システムの状態の推定に要する労力を軽減することができる。

　＜第２の適用場面＞
　推定装置１、学習装置２及び特性変更装置３の適用場面の他の一例を説明する。推定装置１、学習装置２及び特性変更装置３は、光分岐部５２を備えない通信システムに適用されてもよい。このような場合、学習装置２及び特性変更装置３は、推定モデルの学習時には通信システムに備え付けられるが、それ以外のタイミングでは通信システムから取り外された状態にある。以下、このような光分岐部５２を備えない通信システムを通信システム１００ａという。

　以下説明の簡単のため図１～図３、図５、図６及び図１０に記載の機能部と同様の機能を有するものについては図１～図３、図５、図６及び図１０と同じ符号を付すことで説明を省略する。

　図１５は、実施形態における通信システム１００ａの構成の一例を示す第１の図である。より具体的には図１５は、推定モデルの学習時ではないタイミングにおける通信システム１００ａの構成の一例を示す図である。通信システム１００ａは、光送信器５１及び推定装置１を備える。通信システム１００ａの備える推定装置１は光分岐部１６を備える。そのため通信システム１００ａの備える推定装置１は入射した光信号を伝搬先に向けて出射する。

　図１６は、実施形態における通信システム１００ａの構成の一例を示す第２の図である。より具体的には図１６は、推定モデルの学習時における通信システム１００ａの構成の一例を示す図である。通信システム１００ａは、光送信器５１及び統合学習装置６を備える。

　このように、通信システム１００ａは学習装置２を備えるため、自システムの状態の推定に要する労力を軽減することができる。また、通信システム１００ａは、学習装置２の得た学習済みの推定モデルを用いて通信システム１００ａの状態の推定を行う推定装置１を備える。そのため、通信システム１００ａは、自システムの状態の推定に要する労力を軽減することができる。

（変形例）
　なお、通信システム１００は必ずしも、光送信器５１及び受信側光ノード装置７をそれぞれ１つだけ備える必要は無い。通信システム１００は、光送信器５１及び受信側光ノード装置７をどちらも複数備えてもよい。

　なお光分岐部５２は、必ずしも送信側光ノード装置５が備える必要は無く、送信側光ノード装置５と光分岐部５２とは異なる筐体に実装されてもよい。

　なお、推定装置１、学習装置２及び特性変更装置３のそれぞれは、必ずしも異なる筐体に実装される必要は無く、３つ全てが同一の筐体に実装されてもよい。なお、推定装置１、学習装置２及び特性変更装置３のうちの３つ全てでは無く、２つが同一の筐体に実装されてもよい。

　変更内容情報は、特性変更処理による特性の変更の内容を示す情報であるので、言い換えれば、光送信器５１の送信した光信号がどのように変更されたかを示す情報である。

　なお、推定装置１、学習装置２及び特性変更装置３のそれぞれは、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。なお、推定装置１、学習装置２及び特性変更装置３のそれぞれの各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。プログラムは、電気通信回線を介して送信されてもよい。

　以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

　１００、１００ａ…通信システム、　１…推定装置、　１１…制御部、　１２…通信部、　１３…記憶部、　１４…信号受信部、　１５…出力部、　１６…光分岐部、　１１１…コンスタレーション画像データ取得部、　１１２…違い取得部、　１１３…推定部、　１１４…出力制御部、　２…学習装置、　２１…制御部、　２２…通信部、　２３…記憶部、　２４…信号受信部、　２５…出力部、　３…特性変更装置、　３１…制御部、　３２…通信部、　３３…記憶部、　３４…光特性変更部、　３５…光スペクトラムアナライザ、　３６…波長分散発生器、　３７…偏波モード分散発生器、　３８…ＡＳＥ光源、　２１…制御部、　２１０…変更内容情報取得部、　２１１…基本コンスタレーション画像データ取得部、　２１２…記憶制御部、　２１３…違い取得部、　２１４…訓練データ生成部、　２１５…数理モデル学習部、　２１６…訓練データ取得部、　２１７…数理モデル実行部、　２１８…更新部、　送信側光ノード装置、　５１…光送信器、　５２…光分岐部、　６…統合学習装置、　４…光ファイバ、　９１、９３、９５…プロセッサ、　９２、９４、９６…メモリ

Claims (8)

1. 　入力された光信号に基づき、前記光信号のコンスタレーションの画像の画像データである基本コンスタレーション画像データを取得する基本コンスタレーション画像データ取得部と、
   　前記基本コンスタレーション画像データと、１又は複数の予め用意されたコンスタレーションの画像の画像データそれぞれと、の違いを取得する違い取得部と、
   　前記違いに基づいて推定対象の通信システムの状態を推定する数理モデルの学習に用いる訓練データとして前記違いを含むデータを生成する訓練データ生成部と、
   　を備える通信システム。
2. 　前記訓練データ生成部の生成した前記訓練データを用いて前記数理モデルの学習を行う学習部、
   　をさらに備える請求項１に記載の通信システム。
3. 　前記通信システムは、光信号を送信する光送信器を備え、
   　前記基本コンスタレーション画像データが示すコンスタレーションは、前記光送信器の送信した光信号の特性が変更された光信号のコンスタレーションである、
   　請求項１又は２に記載の通信システム。
4. 　光信号を送信する光送信器を備える推定対象の通信システムの前記光送信器が送信した前記光信号を受信する信号受信部と、
   　前記学習部により所定の終了条件が満たされるまで行われた前記数理モデルの学習の結果として得られた学習済みの前記数理モデルを用いて、前記信号受信部の受信した前記光信号に基づき前記推定対象の状態を推定する推定部と、
   　をさらに備える請求項２に記載の通信システム。
5. 　光信号を送信する光送信器を備える推定対象の通信システムの前記光送信器が送信した前記光信号を受信する信号受信部と、
   　入力された光信号に基づき、前記光信号のコンスタレーションの画像の画像データである基本コンスタレーション画像データを取得する基本コンスタレーション画像データ取得部と、前記基本コンスタレーション画像データと、１又は複数の予め用意されたコンスタレーションの画像の画像データそれぞれと、の違いを取得する違い取得部と、前記違いに基づいて推定対象の通信システムの状態を推定する数理モデルの学習に用いる訓練データとして前記違いを含むデータを生成する訓練データ生成部と、前記訓練データ生成部の生成した前記訓練データを用いて前記数理モデルの学習を行う学習部と、を備える学習装置の得た学習済みの前記数理モデルを用いて、前記信号受信部の受信した前記光信号に基づき前記推定対象の状態を推定する推定部と、
   　を備える通信システム。
6. 　入力された光信号に基づき、前記光信号のコンスタレーションの画像の画像データである基本コンスタレーション画像データを取得する基本コンスタレーション画像データ取得ステップと、
   　前記基本コンスタレーション画像データと、１又は複数の予め用意されたコンスタレーションの画像の画像データそれぞれと、の違いを取得する違い取得ステップと、
   　前記違いに基づいて推定対象の通信システムの状態を推定する数理モデルの学習に用いる訓練データとして前記違いを含むデータを生成する訓練データ生成ステップと、
   　を有する通信方法。
7. 　光信号を送信する光送信器を備える推定対象の通信システムの前記光送信器が送信した前記光信号を受信する信号受信ステップと、
   　入力された光信号に基づき、前記光信号のコンスタレーションの画像の画像データである基本コンスタレーション画像データを取得する基本コンスタレーション画像データ取得部と、前記基本コンスタレーション画像データと、１又は複数の予め用意されたコンスタレーションの画像の画像データそれぞれと、の違いを取得する違い取得部と、前記違いに基づいて推定対象の通信システムの状態を推定する数理モデルの学習に用いる訓練データとして前記違いを含むデータを生成する訓練データ生成部と、前記訓練データ生成部の生成した前記訓練データを用いて前記数理モデルの学習を行う学習部と、を備える学習装置の得た学習済みの前記数理モデルを用いて、前記信号受信ステップで受信した前記光信号に基づき前記推定対象の状態を推定する推定ステップと、
   　を有する通信方法。
8. 　請求項１から請求項５のいずれか一項に記載の通信システムとしてコンピュータを機能させるためのプログラム。

Images