JP2018098590A

JP2018098590A - Traffic demand prediction device, traffic demand prediction method, and program

Info

Publication number: JP2018098590A
Application number: JP2016239884A
Authority: JP
Inventors: 晃人鈴木; Akito Suzuki; 小林　正裕; Masahiro Kobayashi; 正裕小林; 薫明原田; Shigeaki Harada; 雅之辻野; Masayuki Tsujino; 川原　亮一; Ryoichi Kawahara; 亮一川原
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2016-12-09
Filing date: 2016-12-09
Publication date: 2018-06-21
Anticipated expiration: 2036-12-09
Also published as: JP6660283B2

Abstract

PROBLEM TO BE SOLVED: To realize routing control of high goal achievement level in a short time, by using event information as external information, and predicting traffic demand with high accuracy, and enabling classification of event traffic with high precision on the basis of background traffic.SOLUTION: A traffic demand prediction device for predicting demand of traffic in a network includes acquisition means for acquiring background traffic, i.e., traffic not related to event information, from traffic information collected from the network, and traffic demand by characteristic calculation means for calculating traffic demand by characteristic, by comparing dispersion of predicted values of event traffic in the event information with the background traffic, and then determining the characteristic of the event traffic.SELECTED DRAWING: Figure 3

Description

本発明は、ネットワークのトラヒック制御技術に関連するものである。 The present invention relates to a network traffic control technique.

近年、ネットワークサービスの多様化に伴い、突発的なトラヒック変動が増加している。トラヒック変動として、OSアップデート・人気動画ストリーミング配信や人気アプリケーションの配信・企業拠点間やデータセンター間のバックアップ通信等、ネットワーク全体でトラヒックが急増する場合や、オリンピックやコンサート等のライブイベント・通勤混雑等、トラヒック発生箇所が局所的に集中する場合が想定される。これらの「イベント」が原因で発生する突発的なトラヒックの変動は、ネットワークの輻輳の原因となる。通信事業者は、何らかのイベントにより突発的なトラヒック変動が発生したとしても、ネットワークの輻輳を回避する必要がある。 In recent years, with the diversification of network services, sudden traffic fluctuations are increasing. Traffic fluctuations include OS updates, popular video streaming delivery, popular application delivery, backup communications between corporate bases and data centers, etc. When traffic increases rapidly throughout the network, live events such as the Olympics and concerts, commuting congestion, etc. It is assumed that traffic occurrence points are concentrated locally. Sudden traffic fluctuations caused by these “events” cause network congestion. Network operators need to avoid network congestion even when sudden traffic fluctuations occur due to some event.

輻輳を回避する方法として、トラヒック量のピーク値に合わせた、ネットワークリソースの増設が考えられる。しかし、リソースの増設には時間を要するため、突発的なイベントトラヒックが原因の輻輳に対して、リソースの増設で対応することは困難である。また、イベント等が原因となって発生する突発的なトラヒックの増加は一時的であることが多く、イベントに対応するためにリソースを増設することは高コストである。 As a method for avoiding congestion, it is conceivable to increase network resources in accordance with the peak value of traffic volume. However, since it takes time to add resources, it is difficult to cope with congestion caused by sudden event traffic by adding resources. In addition, the sudden increase in traffic caused by an event or the like is often temporary, and it is expensive to add resources to deal with the event.

限られたネットワークリソースを動的に割り当てることで、トラヒックを効率的に収容する技術として、トラヒックエンジニアリング(TE)技術がある。TEは、トラヒック需要とネットワークリソースの利用状態に応じて、トラヒックの経路を動的に制御することで、トラヒックの収容効率を向上させている。TEの例として、ネットワーク内の最大リンク利用率の最小化や平均遅延時間の最小化を目的とした経路制御等が考えられる。 Traffic engineering (TE) technology is a technology for efficiently accommodating traffic by dynamically allocating limited network resources. TE is improving traffic accommodation efficiency by dynamically controlling traffic routes according to traffic demands and network resource usage. As an example of TE, route control for the purpose of minimizing the maximum link utilization rate in the network and minimizing the average delay time can be considered.

TEの中でも、将来のトラヒック需要を予測し、予測結果に基づいたトラヒックの経路制御を実施するTEを、予測型TEと呼ぶ。予測型TEの利点は、将来のトラヒック変動を考慮した経路制御を行うことで、将来発生し得る輻輳を予め回避することが可能であるという点である。予測型TEにより、予めイベントによるトラヒック需要を予測し、動的にトラヒックの経路を変更することで、イベント発生時における突発的なトラヒック変動によるネットワークの輻輳を回避することが可能であると考えられる。 Among TEs, a TE that predicts future traffic demand and performs traffic routing based on the prediction result is called a predictive TE. The advantage of the prediction type TE is that congestion that may occur in the future can be avoided in advance by performing path control in consideration of future traffic fluctuations. By predicting traffic demand due to events in advance using predictive TE and dynamically changing the traffic route, it is considered possible to avoid network congestion due to sudden traffic fluctuations at the time of the event. .

しかし、予測型TEでは、トラヒック需要の予測を外してしまった場合、特定リンクへトラヒックが集中し、リソース利用効率が低下してしまう。そのため、イベント情報の予測が外れてしまった場合、経路制御の効率が大幅に低下してしまう可能性がある。 However, in the prediction type TE, when the traffic demand is unpredicted, the traffic is concentrated on a specific link, and the resource utilization efficiency is lowered. Therefore, when the event information is not predicted, the efficiency of the path control may be greatly reduced.

従って、イベント等で発生する突発的なトラヒック変動に対応したトラヒック制御を実施するためには、イベント情報を活用し、イベント情報の確度 (予測の正確性) に応じ適切な制御を行うことができる、トラヒック制御技術が必要である。 Therefore, in order to implement traffic control corresponding to sudden traffic fluctuations that occur due to events, etc., it is possible to utilize event information and perform appropriate control according to the accuracy of event information (prediction accuracy). Traffic control technology is necessary.

トラヒック需要の予測に関連して、非特許文献１には、ニューラルネットワークとファジー理論を組み合わせたモデルを用いて、短期的な予測に関して、学習期間やデータの粒度と予測の精度の関係について調べることが開示されている。また、非特許文献２には、ウェブレット変換による多重解像度分析を用いて、６ヶ月先までのインターネットバックボーンのトラヒック量の予測することが開示されている。 In relation to traffic demand forecasting, Non-Patent Document 1 uses a model that combines neural networks and fuzzy logic to investigate the relationship between the learning period and the granularity of data and the accuracy of forecasting for short-term forecasting. Is disclosed. Further, Non-Patent Document 2 discloses predicting the traffic volume of the Internet backbone up to six months ahead using multi-resolution analysis by weblet conversion.

上記の非特許文献１、２のプローチでは、トラヒックの過去の時系列データから、トラヒック生成パターンをモデル化することで、短期的な標準偏差や長期的なトレンドを予測している。しかし、時系列データによるトラヒック予測では、過去の変動をもとに将来の変動を予測しているため、イベント発生時のような過去に類を見ない突発的なトラヒック変動を予測することは困難である。 In the above-described approaches of Non-Patent Documents 1 and 2, short-term standard deviation and long-term trend are predicted by modeling a traffic generation pattern from past time-series data of traffic. However, since traffic prediction based on time series data predicts future fluctuations based on past fluctuations, it is difficult to predict unprecedented unexpected traffic fluctuations such as when events occur. It is.

上記のアプローチによりイベント情報を活用した経路制御を実施する場合、イベント発生時には、トラヒック需要の予測外れにより、経路制御の効率が大幅に劣化してしまうという課題がある。 When performing route control using event information by the above approach, there is a problem that when an event occurs, the efficiency of the route control is greatly degraded due to a traffic demand being unpredictable.

また、非特許文献３、及び特許文献１には、5-tuple (送信元アドレス，宛先アドレス，送信元ポート番号，宛先ポート番号，プロトコル番号) が異なる大量のフローを集約し、同様の特性を示すフロー集合であるマクロフローを生成することが開示されている。ここでは、5-tupleフローのトラヒック量を予測可能マクロフローと予測困難マクロフローに分類し、予測可能マクロフローのみに予測型TEを用いることで、予測型TEの課題である予測外れの課題を解決している。本アプローチでは、過去のトラヒックの変動成分を分析し、トラヒック需要を予測可能な成分と予測困難な成分に分離し、それぞれの成分ごとに異なる経路制御を実施している。なお、特許文献１における安定マクロフローが予測可能マクロフローに相当し、安定マクロフローでないものが予測困難マクロフローに相当する。 In Non-Patent Document 3 and Patent Document 1, a large number of flows with different 5-tuples (source address, destination address, source port number, destination port number, protocol number) are aggregated, and similar characteristics are obtained. It is disclosed to generate a macro flow that is a set of flows to be shown. Here, the traffic volume of 5-tuple flows is classified into predictable macroflows and difficult-to-predict macroflows, and by using predictive TE only for predictable macroflows, the problem of deprediction, which is the problem of predictive TE, can be solved. It has been solved. In this approach, past traffic fluctuation components are analyzed, traffic demand is separated into predictable components and difficult-to-predict components, and different path control is implemented for each component. Note that the stable macroflow in Patent Document 1 corresponds to a predictable macroflow, and the non-stable macroflow corresponds to a difficult-to-predict macroflow.

しかし、上記のアプローチをイベントトラヒック制御に適応する場合、イベント等で発生する突発的なトラヒックは、予測困難マクロフローとして分類されてしまう。予測困難マクロフローに対しては、最適な経路を割り当てることが困難であるため、イベントトラヒックの割合が増加するほど、ネットワークリソースの利用効率が低下してしまうという課題がある。 However, when the above approach is applied to event traffic control, sudden traffic generated by an event or the like is classified as a macro flow that is difficult to predict. For an unpredictable macro flow, it is difficult to assign an optimal route, and there is a problem that the use efficiency of network resources decreases as the rate of event traffic increases.

また、非特許文献４には、過去のトラヒックの時系列データだけではなく、TVの視聴率や人気番組の配信情報等の外部情報を活用し、Video on Demand (VoD)サービス品質を保証するために必要な追加リソース配備量の推定を行うことが開示されている。 Non-Patent Document 4 uses not only the past traffic time-series data but also external information such as TV audience ratings and popular program distribution information to guarantee Video on Demand (VoD) service quality. It is disclosed to estimate the amount of additional resource deployment required for.

本従来技術では、TVの視聴率とVoD サービスの利用率に負の相関があることや、人気番組が配信される時間帯にトラヒックが増加することを利用し、ピークトラヒック量の予測精度を向上させている。例えば、過去のトラヒック需要から算出したトラヒック需要の予測モデルに対して、「土曜日や祝前日の22:00-23:00」や「人気ドラマが配信される火曜日の22:00-23:00」にトラヒック量が増加するという外部情報に基づき予測モデルを修正することで、予測モデルの予測誤差が減少することを示している。 This conventional technology improves the prediction accuracy of peak traffic volume by taking advantage of the negative correlation between TV viewing rate and VoD service usage rate and the increase in traffic during the time when popular programs are distributed. I am letting. For example, for the traffic demand forecast model calculated from past traffic demand, “22: 00-23: 00 on Saturdays and the days before holidays” and “22: 00-23: 00 on Tuesdays when popular dramas are delivered” It is shown that the prediction error of the prediction model is reduced by correcting the prediction model based on the external information that the traffic volume increases.

上記のアプローチでは、過去のトラヒックの時系列データ以外の外部情報をトラヒック予測に活用することで、高精度なトラヒック予測を可能にしている。しかし、このアプローチでは、リソースの増設により輻輳を回避しているため、対応までに長時間を必要する、高コストである、といった課題がある。 In the above approach, highly accurate traffic prediction is enabled by using external information other than time-series data of past traffic for traffic prediction. However, in this approach, congestion is avoided by adding resources, so there are problems such as requiring a long time to cope and high cost.

M. F. Zhani, H. Elbiaze, and F. Kamoun, "Analysis and prediction of real network traffic," Journal of Networks, vol. 4, no. 9, pp. 855-865, nov 2009.M. F. Zhani, H. Elbiaze, and F. Kamoun, "Analysis and prediction of real network traffic," Journal of Networks, vol. 4, no. 9, pp. 855-865, nov 2009. K. Papagiannaki, N. Taft, Z.-L. Zhang, and C. Diot, "Longterm forecasting of internet backbone traffic: Observations and initial models," in Proceedings of INFOCOM, vol. 2, mar 2003, pp. 1178-1188.K. Papagiannaki, N. Taft, Z.-L. Zhang, and C. Diot, "Longterm forecasting of internet backbone traffic: Observations and initial models," in Proceedings of INFOCOM, vol. 2, mar 2003, pp. 1178- 1188. Y. Takahashi, K. Ishibashi, M. Tsujino, N. Kamiyama, K. Shiomoto, T. Otoshi, Y. Ohsita, and M. Murata, "Separating predictable and unpredictable flows via dynamic flow mining for effective traffic engineering." 2016 IEEE International Conference on Communications (ICC). IEEE, 2016.Y. Takahashi, K. Ishibashi, M. Tsujino, N. Kamiyama, K. Shiomoto, T. Otoshi, Y. Ohsita, and M. Murata, "Separating predictable and unpredictable flows via dynamic flow mining for effective traffic engineering." 2016 IEEE International Conference on Communications (ICC). IEEE, 2016. H. Hasegawa, S. Kouno, A. Shiozu, M. Sasaki, and S. Shimogawa, "Predictive network traffic engineering for streaming video service." 2013 IFIP/IEEE International Symposium on Integrated Network Management (IM 2013). IEEE, 2013.H. Hasegawa, S. Kouno, A. Shiozu, M. Sasaki, and S. Shimogawa, "Predictive network traffic engineering for streaming video service." 2013 IFIP / IEEE International Symposium on Integrated Network Management (IM 2013). IEEE, 2013 .

高橋洋介，石橋圭介，塩本公平，大下裕一，村田正幸，"フロー集約装置及び方法及びプログラム",特開2015-156529Yosuke Takahashi, Keisuke Ishibashi, Kosuke Shiomoto, Yuichi Oshita, Masayuki Murata, "Flow Aggregation Apparatus and Method and Program", JP 2015-156529

イベント等による突発的なトラヒック変動が発生するネットワークにおいて、トラヒックの効率的な収容（目標例：最大リンク利用率の最小化、平均遅延時間の最小化）に向けた経路制御を行う場合、従来技術では以下のような課題があった。 When performing route control for efficient traffic accommodation (target example: minimization of maximum link utilization rate, minimization of average delay time) in networks where sudden traffic fluctuations due to events occur Then, there were the following problems.

すなわち、非特許文献１、２に開示された技術のように、過去の時系列データから、トラヒック需要をモデル化することで、過去のトラヒック需要に基づくトラヒック需要予測により経路制御を行う場合、過去に類を見ない突発的なトラヒック変動には予測できず、予測外れにより経路制御の目標達成度が大幅に劣化する。 That is, as in the techniques disclosed in Non-Patent Documents 1 and 2, by modeling traffic demand from past time-series data, when performing path control by traffic demand prediction based on past traffic demand, Unprecedented sudden traffic fluctuations cannot be predicted, and the target achievement level of the path control is greatly deteriorated due to the prediction failure.

また、非特許文献３、特許文献１に開示された技術のように、トラヒック需要を予測可能と予測困難な成分に分離し、それぞれの成分ごとに異なる経路制御を行う場合、予測外れの問題はある程度改善するが、イベントトラヒックが予測困難な成分に分類されるため、経路制御の目標達成度が劣化する。 Also, as in the techniques disclosed in Non-Patent Document 3 and Patent Document 1, when traffic demand is separated into predictable and difficult-to-predict components and different path control is performed for each component, the problem of misprediction is Although it improves to some extent, the event traffic is classified as a component that is difficult to predict, so that the target achievement level of the path control deteriorates.

また、非特許文献４に開示された技術のように、外部情報に基づくトラヒック需要予測によりリソースを予め増設する場合、高精度なトラヒック予測が可能であるが、対応までに長時間を要し、追加コストも大きい。 In addition, as in the technique disclosed in Non-Patent Document 4, when resources are added in advance by traffic demand prediction based on external information, highly accurate traffic prediction is possible, but it takes a long time to respond, Additional costs are also high.

本発明は上記の点に鑑みてなされたものであり、外部情報としてイベント情報を活用し、トラヒック需要を高精度に予測するとともに、背景トラヒックに基づきイベントトラヒックを高精度に分類することを可能とし、短時間でかつ目標達成度が高い経路制御を実現する技術を提供することを目的とする。 The present invention has been made in view of the above points, makes it possible to predict event demand with high accuracy by utilizing event information as external information, and classify event traffic with high accuracy based on background traffic. An object of the present invention is to provide a technique for realizing path control in a short time and with a high degree of goal achievement.

開示の技術によれば、ネットワークにおけるトラヒックの需要を予測するトラヒック需要予測装置であって、
前記ネットワークから収集されたトラヒック情報から、イベント情報に関連しないトラヒックである背景トラヒックを取得する取得手段と、
前記イベント情報におけるイベントトラヒックの予測値の分散と、前記背景トラヒックとを比較することにより、当該イベントトラヒックの特性を判定し、特性別のトラヒック需要を算出する特性別トラヒック需要算出手段と
を備えることを特徴とするトラヒック需要予測装置が提供される。 According to the disclosed technology, a traffic demand prediction apparatus for predicting traffic demand in a network,
Obtaining means for obtaining background traffic that is traffic not related to event information from traffic information collected from the network;
Characteristic traffic demand calculating means for determining the characteristics of the event traffic by comparing the variance of the predicted value of the event traffic in the event information and the background traffic, and calculating the traffic demand by characteristic. A traffic demand prediction apparatus characterized by the above is provided.

開示の技術によれば、外部情報としてイベント情報を活用し、トラヒック需要を高精度に予測するとともに、背景トラヒックに基づきイベントトラヒックを高精度に分類することを可能とし、短時間でかつ目標達成度が高い経路制御を実現する技術が提供される。 According to the disclosed technology, it is possible to use event information as external information to predict traffic demand with high accuracy, and to classify event traffic with high accuracy based on background traffic, in a short time and to achieve the goal A technology for realizing high path control is provided.

本発明の実施の形態の概要を説明するための図である。It is a figure for demonstrating the outline | summary of embodiment of this invention. 本発明の実施の形態におけるシステム構成図である。It is a system configuration figure in an embodiment of the invention. フロー集約装置１００の構成図である。1 is a configuration diagram of a flow aggregation device 100. FIG. フローデータベース１０１を説明するための図である。It is a figure for demonstrating the flow database 101. FIG. フロー集約装置１００のハードウェア構成例を示す図である。2 is a diagram illustrating a hardware configuration example of a flow aggregation device 100. FIG. 特性別トラヒック需要算出部１０３のアルゴリズムを示す図である。It is a figure which shows the algorithm of the traffic demand calculation part 103 according to a characteristic. 特性別トラヒック需要算出部１０３の処理フローを示す図である。It is a figure which shows the processing flow of the traffic demand calculation part 103 according to a characteristic. イベントトラヒックの分類例を示す図である。It is a figure which shows the example of classification | category of event traffic. 予測可能マクロフローの数理アルゴリズムを示す図である。It is a figure which shows the mathematical algorithm of a predictable macroflow. 予測困難マクロフローの数理アルゴリズムを示す図である。It is a figure which shows the mathematical algorithm of an unpredictable macro flow.

以下、図面を参照して本発明の実施の形態（本実施の形態）を説明する。以下で説明する実施の形態は一例に過ぎず、本発明が適用される実施の形態は、以下の実施の形態に限られるわけではない。 Hereinafter, an embodiment (this embodiment) of the present invention will be described with reference to the drawings. The embodiment described below is merely an example, and the embodiment to which the present invention is applied is not limited to the following embodiment.

（本実施の形態における制御単位について）
本実施の形態では、トラヒックをフローと呼ばれる単位で制御している。フローにおける単位としては、5-tuple (送信元アドレス，宛先アドレス，送信元ポート番号，宛先ポート番号，プロトコル番号) が異なる固有のフローであるマイクロフローと呼ばれる単位と、マイクロフローを集約したマクロフローと呼ばれる単位を用いることとしている。マクロフローは、フローヘッダ情報 (5-tuple)を任意に組み合わせて識別するフローである。 (Regarding the control unit in the present embodiment)
In this embodiment, traffic is controlled in units called flows. The unit in the flow is a unit called microflow, which is a unique flow with different 5-tuple (source address, destination address, source port number, destination port number, protocol number), and a macro flow that aggregates microflows. The unit called is used. A macro flow is a flow that identifies flow header information (5-tuple) in any combination.

（技術の概要）
まず、図１を参照して、本実施の形態に係る技術の概要（イメージ）を説明する。図１は、ある発着ノード間のトラヒック需要の総和を示す。ここでは、あるイベントにより突発的なトラヒックが14:00~14:30, 17:00~17:30,20:00~20:30に発生したとする。図１は、全トラヒックが、予測可能な成分と予測困難な成分に分離されていることを示している（このような分離は、特許文献１の技術により可能である）。 (Technical overview)
First, an outline (image) of the technique according to the present embodiment will be described with reference to FIG. FIG. 1 shows the total traffic demand between certain arrival and departure nodes. Here, it is assumed that sudden traffic occurs from 14:00 to 14:30, 17:00 to 17:30, and 20:00 to 20:30 due to an event. FIG. 1 shows that all traffic is separated into predictable components and difficult-to-predict components (this separation is possible by the technique of Patent Document 1).

本実施の形態に係る技術では、イベント情報（発着ノード、任意の5-tupleマクロフロー、イベント開始時刻、イベント終了時刻、トラヒック量の情報等を有する情報）の確度 (予測の正確性) に応じた適切なトラヒック制御を可能としている。例えば、14:00からのイベント情報におけるイベントトラヒック量の分散が背景トラヒックに比べて大きい場合には、当該イベント情報は確度が低いと判断され、当該イベント情報を予測困難に分類した方が適切と判断される。 In the technology according to the present embodiment, depending on the accuracy (prediction accuracy) of event information (information having information on arrival / departure nodes, arbitrary 5-tuple macro flow, event start time, event end time, traffic volume, etc.) Appropriate traffic control. For example, if the distribution of event traffic in the event information from 14:00 is larger than the background traffic, it is determined that the event information is less accurate, and it is appropriate to classify the event information as difficult to predict. To be judged.

また、例えば、20:00からのイベント情報におけるイベントトラヒック量の分散が背景トラヒックに比べて小さいような場合、当該イベント情報は確度が高いと判断され、当該イベント情報を予測可能に分類した方が適切と判断される。 Also, for example, if the distribution of event traffic in event information from 20:00 is small compared to background traffic, it is determined that the event information is highly accurate, and it is better to classify the event information as predictable It is judged appropriate.

このような判断により、従来のように全てのイベントトラヒックを予測困難な成分に分類するといったことがなくなり、適切な経路制御を実現できる。 By such determination, it is not possible to classify all event traffic into components that are difficult to predict as in the prior art, and appropriate route control can be realized.

なお、イベント情報の確度が高い（イベント情報が正確である、と言い換えてもよい）とは、一例として、「背景トラヒックの量に対して、イベントトラヒックの量の分散が低いこと」、及び、「イベントマクロフローが、背景トラヒックとイベントトラヒックを適切に分離できていること」を満たすイベント情報のことを指す。 Note that high accuracy of event information (which may be rephrased as event information being accurate) is, for example, “the distribution of the amount of event traffic is low with respect to the amount of background traffic”, and This refers to event information that satisfies “the event macroflow can properly separate background traffic and event traffic”.

イベント情報の確度に関して、例えば，"人気動画配信により、19:00~19:30に200~250Mbpsのイベントトラヒックが発生する"というイベント情報を考えた場合、イベントの確度とは、"200~250Mbps"に相当する。"229~230Mbps"であれば確度の高いイベント情報であり、"100~500Mbps"であれば確度の低いイベント情報であると考えられる。ただし、確度は、背景トラヒックにより相対的に決定される。例えば、過去の背景トラヒック量の平均値が10Mbpsであれば、"200~250Mbps"は背景トラヒックの5倍近くの分散があるため確度が低いと考えられるが、過去の背景トラヒック量の平均値が10Gbpsであれば"200~250Mbps"は確度が高いと考えることができる。これが、上記の、「背景トラヒックの量に対して、イベントトラヒックの量の分散が低いこと」に相当する。 Regarding the accuracy of event information, for example, when considering event information that “200 to 250 Mbps event traffic occurs from 19:00 to 19:30 due to popular video distribution”, the event accuracy is “200 to 250 Mbps”. Is equivalent to If it is “229 to 230 Mbps”, it is considered event information with high accuracy, and if it is “100 to 500 Mbps”, it is considered event information with low accuracy. However, the accuracy is relatively determined by the background traffic. For example, if the average value of past background traffic volume is 10 Mbps, “200 to 250 Mbps” is considered to be less accurate because there is a variance of nearly five times the background traffic, but the average value of past background traffic volume is If it is 10Gbps, it can be considered that "200 ~ 250Mbps" has high accuracy. This corresponds to the above-mentioned “the variance of the amount of event traffic is low with respect to the amount of background traffic”.

「イベントマクロフローが、背景トラヒックとイベントトラヒックを適切に分離できていること」について、イベントマクロフローとは、イベント情報に含まれるマクロフロー (送信元アドレス，宛先アドレス，送信元ポート番号，宛先ポート番号，プロトコル番号) のことであり、例えば、当該マクロフローは"10.0.0.1,*,*,*,6"と表わされる。「*」は特定の値を指定していないことを示す。 With regard to “the event macro flow can properly separate the background traffic and the event traffic”, the event macro flow is a macro flow (source address, destination address, source port number, destination port included in event information). For example, the macro flow is represented as “10.0.0.1, *, *, *, 6”. “*” Indicates that a specific value is not specified.

ここでは、例えば、"*,*,*,*,6"を確度の低いイベント情報、"10.0.0.1,20.0.0.1,80,*,6"を確度の高いイベント情報と考えることができる。すなわち、"*,*,*,*,6"は、TCP (プロトコル番号6) による全ての通信を表すことから、「TCPで送られているイベントが発生する」というイベント情報は、背景トラヒックとイベントトラヒックを適切に分離できず、確度が低いイベント情報と考えることができる。また、"10.0.0.1,20.0.0.1,80,*,6"は，10.0.0.1 から 20.0.0.1 に送られる、TCP (プロトコル番号6) 、Http (ポート番号80) による全ての通信を表すことから、背景トラヒックとイベントトラヒックを適切に分離でき、このイベント情報は確度が高いと考えることができる。 Here, for example, “*, *, *, *, 6” can be considered as event information with low accuracy, and “10.0.0.1, 20.0.0.1,80, *, 6” can be considered as event information with high accuracy. In other words, since “*, *, *, *, 6” represents all communications using TCP (protocol number 6), the event information that “the event sent by TCP occurs” is the background traffic. Event traffic cannot be properly separated and can be considered as event information with low accuracy. "10.0.0.1,20.0.0.1,80, *, 6" represents all communications by TCP (protocol number 6) and Http (port number 80) sent from 10.0.0.1 to 20.0.0.1. Therefore, the background traffic and the event traffic can be appropriately separated, and it can be considered that this event information has high accuracy.

なお、イベント情報の確度が高いことの要件として、「背景トラヒックの量に対して、イベントトラヒックの量の分散が低いこと」、及び、「イベントマクロフローが、背景トラヒックとイベントトラヒックを適切に分離できていること」の両方を用いることは一例である。例えば、「背景トラヒックの量に対して、イベントトラヒックの量の分散が低いこと」のみ、あるいは、「背景トラヒックの量に対して、イベントトラヒックの量の分散が低いこと」と、「イベントマクロフローが、背景トラヒックとイベントトラヒックを適切に分離できていること」以外の事項とを要件としてもよい。また、「背景トラヒックの量に対して、イベントトラヒックの量の分散が低いこと」と「イベントマクロフローが、背景トラヒックとイベントトラヒックを適切に分離できていること」のいずれとも異なる事項を要件としてもよい。 In addition, the requirements for high accuracy of event information are “the distribution of the amount of event traffic is low with respect to the amount of background traffic” and “the event macro flow appropriately separates the background traffic and the event traffic. Using both “to be done” is an example. For example, only “the variance of the amount of event traffic is low with respect to the amount of background traffic” or “the variance of the amount of event traffic is low with respect to the amount of background traffic” and “event macro flow However, matters other than “the background traffic and the event traffic can be appropriately separated” may be required. Also, as a requirement, there must be different matters from both “the distribution of the amount of event traffic is low with respect to the amount of background traffic” and “the event macroflow is able to properly separate the background traffic and the event traffic”. Also good.

（システム構成）
図２に、本実施の形態におけるシステム構成図を示す。図２に示すとおり、本実施の形態におけるシステムは、フロー集約装置１００、経路計算装置２００、制御設定装置３００（コントローラと称してもよい）、転送装置４０１〜４０３（ノードと称してもよい）、端末５０１〜５０４を有し、図示のとおりに装置間で情報の送受信が可能なように通信接続がなされている。なお、以下、転送装置４０１〜４０３を総称する場合、転送装置４００とし、端末５０１〜５０４を総称する場合、端末５００とする。また、フロー集約装置１００をトラヒック需要予測装置と称してもよい。 (System configuration)
FIG. 2 shows a system configuration diagram in the present embodiment. As shown in FIG. 2, the system in the present embodiment includes a flow aggregation device 100, a route calculation device 200, a control setting device 300 (may be referred to as a controller), and transfer devices 401 to 403 (may be referred to as nodes). The terminals 501 to 504 are connected to each other so that information can be transmitted and received between the apparatuses as shown in the figure. Hereinafter, the transfer devices 401 to 403 are collectively referred to as the transfer device 400, and the terminals 501 to 504 are collectively referred to as the terminal 500. The flow aggregation device 100 may be referred to as a traffic demand prediction device.

フロー集約装置１００は、入力されるトラヒック情報、及びイベント情報に従い、トラヒック需要の予測値、イベントトラヒック需要の予測値を算出し、これら予測値を経路計算装置２００に送信する機能を有する。 The flow aggregation device 100 has a function of calculating a predicted value of traffic demand and a predicted value of event traffic demand according to the input traffic information and event information, and transmitting these predicted values to the route calculation device 200.

経路計算装置２００は、入力されるネットワーク構成情報、トラヒック需要予測、及びイベントトラヒック需要予測に従い、最適経路を計算する装置であり、制御設定装置３００に経路情報を送信する機能を有する。 The route calculation device 200 is a device that calculates an optimum route in accordance with input network configuration information, traffic demand prediction, and event traffic demand prediction, and has a function of transmitting route information to the control setting device 300.

制御設定装置３００は、ネットワーク内の全ての転送装置３００に経路情報を設定する装置であり、転送装置４００から送信されたトラヒック情報を集約する機能、及び、トラヒック情報をフロー集約装置１００に転送する機能を有する。 The control setting device 300 is a device that sets route information to all transfer devices 300 in the network, and transfers the traffic information transmitted from the transfer device 400 to the flow aggregation device 100. It has a function.

転送装置４００は、トラヒックを転送する装置であり、経路情報に従ってパケットを処理する。また、転送装置４００は、トラヒック量を計測し、トラヒック情報を収集し、トラヒック情報を制御設定装置３００に送信する機能を有する。端末５００はトラヒックを発生させる装置である。なお、端末５００と転送装置４００とからなる構成を「ネットワーク」と称してもよい。 The transfer device 400 is a device that transfers traffic, and processes packets according to route information. In addition, the transfer device 400 has a function of measuring the traffic amount, collecting traffic information, and transmitting the traffic information to the control setting device 300. The terminal 500 is a device that generates traffic. A configuration including the terminal 500 and the transfer device 400 may be referred to as a “network”.

経路計算装置２００に与えられるネットワーク構成情報は、ノードやリンク等ネットワークのトポロジ情報である。転送装置４００から制御設定装置３００に送信されるトラヒック情報は、マイクロフローの時系列データである。端末５００から送信されたトラヒックが、トラヒック情報として、ノードとコントローラを介して入手される。 The network configuration information given to the route calculation apparatus 200 is network topology information such as nodes and links. The traffic information transmitted from the transfer apparatus 400 to the control setting apparatus 300 is time-series data of microflows. The traffic transmitted from the terminal 500 is obtained as traffic information via the node and the controller.

＜イベント情報について＞
フロー集約装置１００に与えられるイベント情報は、発着ノード、任意の5-tupleマクロフロー、イベント開始時刻、イベント終了時刻、トラヒック量の情報を有している。これら全ての情報を有しなくてもよいが、少なくとも、発着ノード、イベント開始時刻、イベント終了時刻の情報を必要とする。 <About event information>
The event information given to the flow aggregation apparatus 100 includes information on the arrival / departure node, an arbitrary 5-tuple macro flow, event start time, event end time, and traffic volume. Although it is not necessary to have all of these information, at least information on the arrival / departure node, event start time, and event end time is required.

ノードには通り番号が割り当てられており、上記の「発着ノード」は、送信ノードの番号と着信ノードの番号である。「任意の5-tupleマクロフロー」は、イベントトラヒックを表現するマクロフローである。トラヒック量の情報は、例えば、イベントトラヒックの予測値、及び、イベントトラヒックの予測値の幅（分散）である。 Street numbers are assigned to the nodes, and the above-mentioned “departure / departure node” is the number of the transmission node and the number of the destination node. The “arbitrary 5-tuple macro flow” is a macro flow that represents event traffic. The traffic amount information is, for example, the predicted value of event traffic and the width (variance) of the predicted value of event traffic.

イベント情報は、企業のプレスリリース、ニュース、ＳＮＳ、ＯＳアップデートの告知、人気アプリの配信の告知、コンサートの開***報等の公開情報、又は、通信事業者の運用情報等の非公開情報から取得し、通信事業者のオペレータがマクロフロー形式でシステム（具体的にはフロー集約装置１００）に投入する。 Event information is obtained from public information such as company press releases, news, SNS, OS update announcements, popular app distribution announcements, concert holding information, or non-public information such as operator information. The operator of the telecommunications carrier inputs the system (specifically, the flow aggregation device 100) in the macro flow format.

イベントに起因するトラヒックは、任意の5-tuple マクロフローにより指定される。また、予測できない箇所は、「任意」を意味する「*」で指定することができる。また、イベントトラヒック量の予測精度があいまいである場合、トラヒック量の標準偏差や予測されるトラヒック量の最大値と最小値等、上記のように、トラヒック量に幅を持たせて指定することができる。 Traffic due to events is specified by an arbitrary 5-tuple macro flow. Further, an unpredictable part can be designated by “*” meaning “arbitrary”. If the prediction accuracy of the event traffic volume is ambiguous, the traffic volume can be specified with a wide range as described above, such as the standard deviation of the traffic volume and the maximum and minimum values of the predicted traffic volume. it can.

「From: 4, To: 7, "10.0.0.1,*,*,*,6", 14:00~14:30, 50Mbps, ±0Mbps」は、イベント情報の例である。このイベント情報は、ノード4からノード7へ、"10.0.0.1,*,*,*,6"という50Mbpsのイベントトラヒックが14:00~14:30に発生するという予測を示す。なお、"10.0.0.1,*,*,*,6"は、送信元サーバのIPアドレスが"10.0.0.1"であるTCPプロトコルの通信を意味する。 “From: 4, To: 7,“ 10.0.0.1, *, *, *, 6 ”, 14:00 to 14:30, 50 Mbps, ± 0 Mbps” is an example of event information. This event information indicates a prediction that 50 Mbps event traffic “10.0.0.1, *, *, *, 6” occurs from the node 4 to the node 7 from 14:00 to 14:30. “10.0.0.1, *, *, *, 6” means TCP protocol communication in which the IP address of the transmission source server is “10.0.0.1”.

また、例えば、「From: 5, To: 2, "*,*,80,*,6", 14:00~14:30, 110Mbps, ±10Mbps」というイベント情報は、ノード5からノード2へ、"*,*,80,*,6"という100~120Mbpsのイベントトラヒックが14:00~14:30に発生するという予測を示す。なお、"*,*,80,*,6"は、TCPプロトコルを利用したHttpの通信を意味する。 For example, the event information “From: 5, To: 2,“ *, *, 80, *, 6 ”, 14: 00-14: 30, 110 Mbps, ± 10 Mbps” is transmitted from the node 5 to the node 2, A prediction that 100 to 120 Mbps event traffic “*, *, 80, *, 6” occurs from 14:00 to 14:30 is shown. “*, *, 80, *, 6” means Http communication using the TCP protocol.

図２に示すシステムを構成する装置のうち、フロー集約装置１００以外の装置は、従来技術を利用して実現することが可能である。以下、フロー集約装置１００の構成を説明する。 Of the devices constituting the system shown in FIG. 2, devices other than the flow aggregation device 100 can be realized using the conventional technology. Hereinafter, the configuration of the flow aggregation device 100 will be described.

（フロー集約装置１００の構成について）
図３は、フロー集約装置１００の構成図である。図３に示すように、フロー集約装置１００は、フローデータベース１０１、マクロフロー生成部１０２、特性別トラヒック需要算出部１０３を有する。 (Regarding the configuration of the flow aggregation device 100)
FIG. 3 is a configuration diagram of the flow aggregation device 100. As illustrated in FIG. 3, the flow aggregation device 100 includes a flow database 101, a macro flow generation unit 102, and a traffic demand calculation unit 103 by characteristic.

フローデータベース１０１は、例えば特開2015-75896に開示されている多次元フローデータベースの機能を有する。すなわち、フローデータベース１０１は、トラヒック情報、及びイベント情報を入力として、トラヒック情報をイベントに該当するマイクロフローとイベントに該当しないマイクロフローに分離する機能を有する。 The flow database 101 has the function of a multidimensional flow database disclosed in, for example, JP-A-2015-75896. That is, the flow database 101 has a function of receiving traffic information and event information as input and separating the traffic information into microflows corresponding to the event and microflows not corresponding to the event.

図４を参照して、フローデータベース１０１の機能について説明する。図４（ａ）に示すように、上記のイベント情報（具体的には、イベント情報に含まれる任意の5-tupleのマクロフロー）に相当するマクロフロークエリと、上記のトラヒック情報に相当するフローデータが入力され、該当するマイクロフロー情報（イベントに該当するトラヒック情報を指す）が出力される。なお、該当しないマイクロフロー情報（イベントに該当しないトラヒック情報を指す）も出力することができる。 The function of the flow database 101 will be described with reference to FIG. As shown in FIG. 4A, a macro flow query corresponding to the above event information (specifically, an arbitrary 5-tuple macro flow included in the event information) and a flow corresponding to the above traffic information. Data is input and corresponding microflow information (pointing to traffic information corresponding to an event) is output. Note that microflow information that does not correspond (pointing to traffic information that does not correspond to an event) can also be output.

図４（ｂ）にマクロフロークエリの例を示し、図４（ｃ）に該当するマイクロフロー情報例を示す。フローデータベース１０１の機能により、トラヒック情報から、イベントに関するマクロフローを分離することができる。 FIG. 4B shows an example of a macroflow query, and FIG. 4C shows an example of microflow information corresponding to the macroflow query. With the function of the flow database 101, the macro flow related to the event can be separated from the traffic information.

図３に戻り、マクロフロー生成部１０２は、マイクロフローデータから、特性の異なるマクロフローを出力する機能（例：特許文献１に開示されている機能）を有する。具体的には、マクロフロー生成部１０２は、背景トラヒックの予測可能・予測困難トラヒックマトリックスを算出する。 Returning to FIG. 3, the macroflow generation unit 102 has a function of outputting a macroflow having different characteristics from the microflow data (for example, a function disclosed in Patent Document 1). Specifically, the macroflow generation unit 102 calculates a predictable / predictable traffic matrix of background traffic.

特性別トラヒック需要算出部１０３は、マクロフロー(イベントに関するマクロフロー・それ以外のマクロフロー)情報を入力とし、特性別のトラヒック需要(全てのノード間のトラヒック量)の予測値を算出する機能、及び、特性別のトラヒック需要予測を経路計算装置２００に送信する機能を有する。 A traffic demand calculation unit 103 according to characteristics receives a macroflow (macroflow related to an event / other macroflows) information, and calculates a predicted value of traffic demand according to characteristics (traffic amount between all nodes), And it has a function which transmits the traffic demand forecast according to a characteristic to the route calculation apparatus 200. FIG.

上記のように、本実施の形態では、例として、トラヒックの特性を「予測可能」と「予測困難」としており、特性別トラヒック需要算出部１０３における「特性別」は、「予測可能」と「予測困難」の別を示している。本実施の形態における「予測可能」なフローは、過去からのトラヒック変動が少なく、将来のトラヒック需要が予測可能なフローであり、「予測困難」なフローは、突発的にトラヒック需要が急増し、将来のトラヒック需要が予測困難なフローである。 As described above, in the present embodiment, as an example, the traffic characteristics are “predictable” and “difficult to predict”, and the “specific characteristics” in the characteristic-specific traffic demand calculation unit 103 is “predictable” and “predictable”. It shows another of “difficult to predict”. The “predictable” flow in the present embodiment is a flow in which the traffic fluctuation from the past is small and the future traffic demand can be predicted, and the “unpredictable” flow suddenly increases the traffic demand suddenly. Future traffic demand is difficult to predict.

（ハードウェア構成例）
本実施の形態に係るフロー集約装置１００は、例えば、１つ又は複数のコンピュータに、本実施の形態で説明する処理内容を記述したプログラムを実行させることにより実現可能である。すなわち、フロー集約装置１００が有する機能は、当該コンピュータに内蔵されるＣＰＵやメモリ、ハードディスクなどのハードウェア資源を用いて、フロー集約装置１００で実施される処理に対応するプログラムを実行することによって実現することが可能である。また、上記プログラムは、コンピュータが読み取り可能な記録媒体（可搬メモリ等）に記録して、保存したり、配布したりすることが可能である。また、上記プログラムをインターネットや電子メールなど、ネットワークを通して提供することも可能である。 (Hardware configuration example)
The flow aggregating apparatus 100 according to the present embodiment can be realized, for example, by causing one or a plurality of computers to execute a program describing the processing contents described in the present embodiment. In other words, the functions of the flow aggregation device 100 are realized by executing a program corresponding to processing executed in the flow aggregation device 100 using hardware resources such as a CPU, a memory, and a hard disk built in the computer. Is possible. Further, the program can be recorded on a computer-readable recording medium (portable memory or the like), stored, or distributed. It is also possible to provide the program through a network such as the Internet or electronic mail.

図５は、フロー集約装置１００をコンピュータで実現する場合における当該フロー集約装置１００のハードウェア構成例を示す図である。図５のフロー集約装置１００は、それぞれバスＢで相互に接続されているドライブ装置１５０、補助記憶装置１５２、メモリ装置１５３、ＣＰＵ１５４、インタフェース装置１５５、表示装置１５６、及び入力装置１５７等を有する。 FIG. 5 is a diagram illustrating a hardware configuration example of the flow aggregation device 100 when the flow aggregation device 100 is realized by a computer. The flow aggregation device 100 in FIG. 5 includes a drive device 150, an auxiliary storage device 152, a memory device 153, a CPU 154, an interface device 155, a display device 156, an input device 157, and the like that are mutually connected by a bus B.

フロー集約装置１００での処理を実現するプログラムは、例えば、ＣＤ−ＲＯＭ又はメモリカード等の記録媒体１５１によって提供される。プログラムを記憶した記録媒体１５１がドライブ装置１５０にセットされると、プログラムが記録媒体１５１からドライブ装置１５０を介して補助記憶装置１５２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１５１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１５２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。 A program for realizing processing in the flow aggregation device 100 is provided by a recording medium 151 such as a CD-ROM or a memory card, for example. When the recording medium 151 storing the program is set in the drive device 150, the program is installed from the recording medium 151 into the auxiliary storage device 152 via the drive device 150. However, the program does not necessarily have to be installed from the recording medium 151, and may be downloaded from another computer via a network. The auxiliary storage device 152 stores the installed program and also stores necessary files and data.

メモリ装置１５３は、プログラムの起動指示があった場合に、補助記憶装置１５２からプログラムを読み出して格納する。ＣＰＵ１５４は、メモリ装置１５３に格納されたプログラムに従ってフロー集約装置１００に係る機能を実現する。インタフェース装置１５５は、ネットワークに接続するためのインタフェースとして用いられる。表示装置１５６はプログラムによるＧＵＩ（Graphical User Interface）等を表示する。入力装置１５７はキーボード及びマウス、ボタン、又はタッチパネル等で構成され、様々な操作指示を入力させるために用いられる。 The memory device 153 reads the program from the auxiliary storage device 152 and stores it when there is an instruction to start the program. The CPU 154 realizes functions related to the flow aggregation device 100 in accordance with a program stored in the memory device 153. The interface device 155 is used as an interface for connecting to a network. The display device 156 displays a GUI (Graphical User Interface) or the like by a program. The input device 157 includes a keyboard and mouse, buttons, a touch panel, and the like, and is used to input various operation instructions.

（システムの全体動作例）
次に、システムの全体動作例として、イベント情報を活用したトラヒック制御の例を説明する。本実施の形態に係るシステムでは、以下のステップＳ１〜Ｓ６の手順がタイムステップ (単位時間) ごとに繰り返される。例えば、タイムステップが10分であれば、ある時刻（例えば12:00）で1回目の制御を行い、次の時刻（例えば12:10）で2回目の制御を行う、といったように以下の手順が繰り返される。 (Example of overall system operation)
Next, an example of traffic control utilizing event information will be described as an example of the overall operation of the system. In the system according to the present embodiment, the following steps S1 to S6 are repeated for each time step (unit time). For example, if the time step is 10 minutes, the first control is performed at a certain time (for example, 12:00) and the second control is performed at the next time (for example, 12:10). Is repeated.

ステップＳ１）フロー集約装置１００におけるフローデータベース１０１（例：前述した特開2015-75896等に開示されている多次元フローデータベース）が、制御設定装置３００から入力されたトラヒック情報を、イベント情報に関連するイベントトラヒックと、イベント情報に関連しないそれ以外のトラヒック (以下、背景トラヒックと呼ぶ) に分離する。フローデータベース１０１は、イベント情報を特性別トラヒック需要算出部１０３に送信し、背景トラヒックのマイクロフローデータをマクロフロー生成部１０２に送信する。 Step S1) The flow database 101 in the flow aggregation device 100 (for example, the multidimensional flow database disclosed in the above-mentioned JP-A-2015-75896) relates the traffic information input from the control setting device 300 to the event information. Event traffic to be separated from other traffic not related to the event information (hereinafter referred to as background traffic). The flow database 101 transmits event information to the traffic demand calculation unit 103 according to characteristics, and transmits background traffic microflow data to the macroflow generation unit 102.

ステップＳ２）マクロフロー生成部１０２は、例えば特許文献１に開示されているフロー集約手法を用いて、背景トラヒックのマイクロフローを、特性ごと（例：予測可能、予測困難）のマクロフローに集約し、特性ごとのマクロフローとマクロフローサイズを、特性別トラヒック需要計算部１０３に送る。 Step S2) The macroflow generation unit 102 aggregates the background traffic microflows into macroflows for each characteristic (eg, predictable and difficult to predict) using, for example, a flow aggregation method disclosed in Patent Document 1. The macro flow and the macro flow size for each characteristic are sent to the traffic demand calculation unit 103 by characteristic.

ステップＳ３）特性別トラヒック需要算出部１０３は、フローデータベース１０１から入力されたイベント情報と、マクロフロー生成部１０２から入力された背景トラヒックのマクロフロー情報とから、特性別のトラヒック需要を算出し、経路計算装置２００に送信する。本実施の形態における特性別トラヒック需要は、特性(予測可能又は予測困難)、時刻、発着ノード、発着ノード別トラヒック量の情報を有する。 Step S3) The traffic demand calculation unit 103 by characteristic calculates the traffic demand by characteristic from the event information input from the flow database 101 and the macro flow information of the background traffic input from the macro flow generation unit 102, It transmits to the route calculation apparatus 200. The traffic demand according to characteristics in the present embodiment includes information on characteristics (predictable or difficult to predict), time, departure / arrival nodes, and traffic volumes according to departure / arrival nodes.

ステップＳ４）経路計算装置２００により、経路計算を行う。経路計算装置２００は、経路計算の解 (送信ノードから受信ノードへの各リンクを経由するトラヒック分割比)、マクロフロー情報を制御設定装置３００に送信する。本実施の形態では、経路計算装置２００は、予測可能マクロフローの経路を計算し、その後、残余帯域に対して、予測困難マクロフローの経路を計算している。 Step S4) Route calculation is performed by the route calculation device 200. The route calculation device 200 transmits the route calculation solution (traffic division ratio passing through each link from the transmission node to the reception node) and macro flow information to the control setting device 300. In the present embodiment, the route calculation apparatus 200 calculates a predictable macroflow route, and then calculates a difficult-to-predict macroflow route for the remaining bandwidth.

ステップＳ５）制御設定装置３００は、全ての転送装置４００に対して、フローテーブルの更新を行う。 Step S5) The control setting device 300 updates the flow table for all the transfer devices 400.

ステップＳ６）各転送装置４００は、フローテーブルに基づき、端末５００が発生させたトラヒックを転送する。 Step S6) Each transfer device 400 transfers the traffic generated by the terminal 500 based on the flow table.

（特性別トラヒック需要の算出方法）
次に、特性別トラヒック需要算出部１０３により実行される特性別トラヒック需要の算出方法について詳細に説明する。 (Method of calculating traffic demand by characteristics)
Next, the characteristic-specific traffic demand calculation method executed by the characteristic-specific traffic demand calculation unit 103 will be described in detail.

＜特性別トラヒック需要算出のための全体の処理手順＞
特性別トラヒック需要算出部１０３は、以下の手順を実行することで特性別トラヒック需要を算出する。 <Overall procedure for calculating traffic demand by characteristics>
The characteristic-specific traffic demand calculation unit 103 calculates the characteristic-specific traffic demand by executing the following procedure.

ステップＳ１１）フローデータベース１０１から、イベント情報を受け取る。 Step S11) Event information is received from the flow database 101.

ステップＳ１２）マクロフロー生成部１０２から、背景トラヒックの特性別・発着ノード別マクロフロー情報を受け取る。 Step S12) From the macroflow generation unit 102, the macroflow information by background traffic characteristics / departure / departure node is received.

ステップＳ１３）イベントを予測可能に分類すべきか、予測困難に分類すべきかを判断し、イベントトラヒックの予測可能・予測困難トラヒックマトリックスを算出する。この算出方法の詳細については後述する。 Step S13) It is determined whether the event should be classified as predictable or difficult to predict, and a predictable / predictable traffic matrix of event traffic is calculated. Details of this calculation method will be described later.

特性別トラヒック需要算出部１０３は、イベント情報の予測が正確だと判断した場合、イベントマクロフローを予測可能マクロフローとして処理し、イベント情報の予測が不正確だと判断した場合、イベントマクロフローを予測困難マクロフローとして処理する。 The characteristic-specific traffic demand calculation unit 103 processes the event macro flow as a predictable macro flow when determining that the prediction of the event information is accurate, and determines the event macro flow when determining that the prediction of the event information is incorrect. Process as a macro flow that is difficult to predict.

ステップＳ１４）マクロフロー生成部１０２で算出した背景トラヒックの予測可能・予測困難トラヒックマトリックスと、イベントトラヒックの予測可能・予測困難トラヒックマトリックスの和をとり、全トラヒックの予測可能・予測困難トラヒックマトリックスを算出する。 Step S14) The sum of the predictable / predictable traffic matrix of the background traffic calculated by the macroflow generation unit 102 and the predictable / predictable traffic matrix of the event traffic is calculated, and the predictable / predictable traffic matrix of all traffic is calculated. To do.

ステップＳ１５）全トラヒックの予測可能・予測困難トラヒックマトリックスを経路計算装置２００に送信する。 Step S15) A predictable / difficult traffic matrix of all traffic is transmitted to the route calculation device 200.

以下、特性別トラヒック需要算出部１０３により実行される、イベントトラヒックの予測可能・予測困難トラヒックマトリックスの算出方法の例について説明する。まず、算出において使用される記号の定義を以下に示す。 In the following, an example of a method for calculating a predictable / predictable traffic matrix of event traffic executed by the characteristic-specific traffic demand calculation unit 103 will be described. First, definitions of symbols used in the calculation are shown below.

＜記号の定義＞
−時刻:t∈T
−発着ノード:p,q
−イベント情報に関する定式化: <Definition of symbols>
−Time: t∈T
−Departure / Departure node: p, q
-Formulation for event information:

−時刻tにおける全トラヒック需要:

-Total traffic demand at time t:

−背景トラヒック需要:

− Background traffic demand:

−背景トラヒック需要の平均:

-Average background traffic demand:

−時刻t における予測可能マクロフローのトラヒックマトリックス:

− Traffic matrix of predictable macroflow at time t:

−時刻tにおける予測困難マクロフローのトラヒックマトリックス:

− Traffic matrix of difficult-to-predict macroflow at time t:

なお、「イベント情報に関する定式化」に関して、「実際のイベントトラヒック需要」は、観測（トラヒック情報）から得られた情報であり、それ以外は、「イベント情報」として与えられる情報である。

Regarding “formulation regarding event information”, “actual event traffic demand” is information obtained from observation (traffic information), and other information is information given as “event information”.

また、「イベント情報に関する定式化」における「時刻tにおけるイベントトラヒック需要の予測値」、及びその「幅」に関して、tがイベント期間でなくても、当該予測値が入る。例えば、あるイベントeに対して、100±10Mbpsという予測がある場合、tに依らず、イベント開始前であっても、「イベントトラヒック需要の予測値」は100、その「幅」は10である。また、「実際のイベントトラヒック需要」については、観測値なので、tがイベント開始前であれば空欄（0と考えても良い）、tがイベント開始後であれば実測値（例えば、95Mbpsなど）が入力される。 In addition, regarding “predicted value of event traffic demand at time t” and “width” in “formulation relating to event information”, the predicted value is entered even if t is not an event period. For example, if there is a prediction of 100 ± 10 Mbps for an event e, the “event traffic demand prediction value” is 100 and its “width” is 10, regardless of t, even before the event starts. . In addition, since “actual event traffic demand” is an observed value, if t is before the start of the event, it is blank (may be considered as 0), and if t is after the start of the event, an actual value (for example, 95 Mbps) Is entered.

「時刻tにおける全トラヒック需要」は、時刻ｔのトラヒック情報から得られる値である。 The “total traffic demand at time t” is a value obtained from the traffic information at time t.

＜イベントトラヒックの予測可能・予測困難トラヒックマトリックスの算出手順＞
図６は、イベントトラヒックの予測可能・予測困難トラヒックマトリックスの算出のために、特性別トラヒック需要算出部１０３が実行する手順のアルゴリズムの例を示す。各行の意味は図示のとおりである。なお、イベントトラヒックの予測可能・予測困難トラヒックマトリックスの算出に用いられる背景トラヒックは、特性ごとに得られた背景トラヒックの合計（図３の１０２から１０３への線で渡される情報（特性ごとのマクロフロー情報）の合計）である。 <Procedure for predicting / predicting traffic matrix for event traffic>
FIG. 6 shows an example of an algorithm of a procedure executed by the characteristic-specific traffic demand calculation unit 103 in order to calculate a predictable / predictable traffic matrix of event traffic. The meaning of each line is as shown in the figure. Note that the background traffic used for calculating the predictable / predictable traffic matrix of event traffic is the sum of background traffic obtained for each characteristic (information passed on a line from 102 to 103 in FIG. 3 (macro for each characteristic). Sum of flow information).

なお、図６において、α、βは予め定めたパラメータである。また、第５行における例外マクロフローリスト(MacroFlow_List_of_Exeption)は、「*」が多すぎて、イベント情報からイベントトラヒックを背景トラヒックから適切に分離できないマクロフローを集めたリストである。例えば、ポート番号でイベントの対象を絞ることができない場合、送信先アドレスと宛先アドレスが両方「*」の場合、等を指す(例："*,*,*,*,*", "*,*,*,*,6", "*,*,80,*,*", …)。 In FIG. 6, α and β are predetermined parameters. The exception macro flow list (MacroFlow_List_of_Exeption) in the fifth line is a list in which there are too many “*” and the macro flows that cannot properly separate the event traffic from the background traffic from the event information. For example, when the event target cannot be narrowed down by the port number, when the destination address and the destination address are both “*”, etc. (for example, “*, *, *, *, *”, “*, *, *, *, 6 "," *, *, 80, *, * ",…).

なお、意味のない5-tupleの除外は、イベント情報を活用したトラヒック量の予測精度を向上させることに寄与する。例えば、イベントマクロフローを"*,*,*,*,*"と指定すると、背景トラヒック量が0になるため、特性別にイベントトラヒックを適切に分離することが困難になる。そこで、意味のない5-tupleを除外することで、あいまい過ぎるイベント情報を無視することができ、イベントにより発生するトラヒック需要の予測外れを防ぐことができ、経路制御の効率の劣化を防ぐことが可能となる。 The meaningless 5-tuple exclusion contributes to improving the traffic volume prediction accuracy using event information. For example, if the event macroflow is designated as “*, *, *, *, *”, the background traffic amount becomes 0, and it is difficult to appropriately separate event traffic according to characteristics. Therefore, by excluding the meaningless 5-tuple, it is possible to ignore the event information that is too ambiguous, prevent unforeseen traffic demand caused by the event, and prevent deterioration of the efficiency of routing control. It becomes possible.

図６に示すアルゴリズムに基づき特性別トラヒック需要算出部１０３が実行する処理手順を、図７のフローチャートを参照して説明する。以下の説明では、各ステップが、図６のどの行に対応するかを、ステップ番号の後に記載している。 A processing procedure executed by the characteristic-specific traffic demand calculation unit 103 based on the algorithm shown in FIG. 6 will be described with reference to the flowchart of FIG. In the following description, which row in FIG. 6 corresponds to each step is described after the step number.

まず、時刻ごと、発着ノードごと、イベントごとに処理を分割する（ステップＳ１０１、第２〜第４行）。 First, the process is divided for each time, for each arrival / departure node, and for each event (step S101, second to fourth lines).

なお、「時刻ごと」に関して、例えば、タイムステップが10分で、現在時刻が12:00であれば、12:10~12:20の「イベント情報」に対して処理（イベントの分類）を実行する。また、現在時刻が12:10になったら、12:00に行った処理に従って制御を実行する。それと同時に12:20~12:30の「イベント情報」に対して処理を実行する。 For “every time”, for example, if the time step is 10 minutes and the current time is 12:00, processing (event classification) is performed on “event information” from 12:10 to 12:20 To do. When the current time becomes 12:10, control is executed according to the processing performed at 12:00. At the same time, the process is executed for “event information” from 12:20 to 12:30.

また、タイムステップが10分の例で、時刻ごとに分割するとは、全てのイベント情報をT=0 (12:00-12:10のイベント情報)、T=1 (12:10-12:20のイベント情報)、…のように分割することを指す。 Also, in the example of time step of 10 minutes, dividing by time means that all event information is T = 0 (12: 00-12: 10 event information), T = 1 (12: 10-12: 20 Event information), and so on.

また、図６の第２行のfor each tのtは現在時刻（例：10分きざみ）を表し、例えば、t=12:00の場合、12:10-12:20の（各）イベント情報に対して、第５行以降の処理が実行される。 In addition, t of for each t in the second row in FIG. 6 represents the current time (for example, in increments of 10 minutes). For example, when t = 12: 00, (each) event information of 12: 10-12: 20 On the other hand, the processing after the fifth line is executed.

また、例えば、システムに入力されるイベント情報が、「13:00-14:00に100Mのトラヒックが発生」というものであった場合、「12:10-12:20のイベント情報」は、空(0)であり、「13:10-13:20のイベント情報」は、予測値（100M）になる。t（例：12:00）がイベント期間内かどうかの判断について、例えば、（分類対象の）「12:10-12:20のイベント情報」の（分割前の）イベントの期間が11:30-12:30であれば、tはイベント期間内であると判断される。 Also, for example, if the event information input to the system is “100M traffic occurs at 13: 00-14: 00”, “12: 10-12: 20 event information” is empty. (0), and “13: 10-13: 20 event information” is a predicted value (100M). For determining whether t (example: 12:00) is within the event period, for example, the event period (before splitting) of “event information of 12: 10-12: 20” (targeted for classification) is 11:30 If -12: 30, t is determined to be within the event period.

次に、イベントマクロフローが例外マクロフローリストに入っているか否かを判定し（ステップＳ１０２、第５行）、Ｙｅｓであればイベント情報を無視する（ステップＳ１１０、第６行）。 Next, it is determined whether or not the event macro flow is included in the exception macro flow list (step S102, line 5). If Yes, the event information is ignored (step S110, line 6).

ステップＳ１０２の判定結果がＮｏの場合、tにおいてイベントが開始しているか否かを判定する（ステップＳ１０３、第８行、第１３行）。イベント開始前の場合、過去の背景トラヒックの平均と比して、イベントトラヒックの分散が大きいかどうか判定する（ステップＳ１０４、第９行）。 If the determination result in step S102 is No, it is determined whether an event has started at t (step S103, 8th line, 13th line). In the case before the event starts, it is determined whether or not the variance of the event traffic is larger than the average of the background traffic in the past (step S104, line 9).

ステップＳ１０４の判定結果がＹｅｓの場合、イベントを予測困難に分類する（ステップＳ１０５、第１０行）。ステップＳ１０４の判定結果がＮｏの場合、イベントを予測可能に分類する（ステップＳ１０６、第１２行）。 If the determination result in step S104 is Yes, the event is classified as difficult to predict (step S105, line 10). If the determination result in step S104 is No, the event is classified as predictable (step S106, line 12).

ステップＳ１０３の判定により、イベント期間内である場合、イベントトラヒックの予測値と比して、実際のイベントトラヒックが大きいかどうかを判定する（ステップＳ１０７、第１４行）。 If it is determined in step S103 that it is within the event period, it is determined whether or not the actual event traffic is larger than the predicted value of event traffic (step S107, line 14).

ステップＳ１０７の判定結果がＹｅｓの場合、イベントを予測困難に分類する（ステップＳ１０８、第１５行）。ステップＳ１０７の判定結果がＮｏの場合、イベントを予測可能に分類する（ステップＳ１０９、第１７行）。 If the determination result in step S107 is Yes, the event is classified as difficult to predict (step S108, line 15). If the determination result in step S107 is No, the event is classified as predictable (step S109, line 17).

そして、特性別トラヒック需要算出部１０３は、特性ごとに・発着ノードごとに、トラヒック需要を集計し、トラヒックマトリックスを算出する（ステップＳ１１１）。 And the traffic demand calculation part 103 according to characteristic totals a traffic demand for every characteristic and every arrival / departure node, and calculates a traffic matrix (step S111).

図８に、上述した手法によるイベントトラヒックの分類例（イメージ）を示す。図８（ａ）は、背景トラヒックの平均と比して、イベントトラヒックの分散が小さいため、予測可能に分類される例を示す。図８（ｂ）は、背景トラヒックの平均と比して、イベントトラヒックの分散が大きいため、予測困難に分類される例を示す。 FIG. 8 shows a classification example (image) of event traffic by the above-described method. FIG. 8A shows an example in which the event traffic variance is smaller than the average of the background traffic, so that the event traffic is classified as predictable. FIG. 8B shows an example of classification as difficult to predict because the variance of event traffic is larger than the average of background traffic.

図８（ｃ）は、イベントトラヒックの予測値と比して、実際のイベントトラヒックが大きくなったため、ある時刻から、予測可能から予測困難に分類される例を示す。このように、イベントトラヒックの制御結果をフィードバックすることで、イベント情報の正しさを検証でき、イベント情報の予測外れによる輻輳を回避できる。 FIG. 8C shows an example in which the actual event traffic is larger than the predicted value of the event traffic, so that it is classified from predictable to difficult to predict from a certain time. Thus, by feeding back the control result of the event traffic, the correctness of the event information can be verified, and congestion due to the event information being unpredictable can be avoided.

＜分類のための基準例＞
上述した特性別トラヒック需要算出部１０３が実行する手順における「背景トラヒックの平均」は、イベントトラヒックを予測可能な成分・予測困難な成分に分類するための基準の一例である。イベントトラヒックを予測可能な成分・予測困難な成分に分類するための基準はこれに限定されない。例えば、「背景トラヒックの分散」、「背景トラヒックの平均及び分散」、「予測可能トラヒックの平均及び分散」、「背景トラヒックの変動係数(C.V.)」、「予測可能トラヒックの変動係数(C.V.)」のいずれも基準として使用することができる。ここでの「予測可能トラヒック」とは、マクロフロー生成部１０２で生成される特性ごとのマクロフローのうちの、予測可能トラヒックに相当する。 <Standard example for classification>
The “average of background traffic” in the procedure executed by the characteristic-specific traffic demand calculation unit 103 described above is an example of a criterion for classifying event traffic into predictable components and difficult-to-predict components. The criteria for classifying event traffic into predictable components and difficult-to-predict components are not limited to this. For example, "background traffic variance", "background traffic average and variance", "predictable traffic average and variance", "background traffic coefficient of variation (CV)", "predictable traffic coefficient of variation (CV)" Either of these can be used as a reference. Here, “predictable traffic” corresponds to predictable traffic in the macroflow for each characteristic generated by the macroflow generation unit 102.

上記のC.V.は以下のとおりである。 The above C.V. is as follows.

v_t:時刻t におけるトラヒック量
上記の基準を用いた場合でも、「背景トラヒックの平均」を用いた場合と同様にイベントトラヒックを分類することが可能である。

v _t : Traffic volume at time t Even when the above criteria are used, event traffic can be classified in the same manner as when “average of background traffic” is used.

なお、「予測可能・予測困難」は、トラヒック分類の一例であり、これに限定されるわけではない。例えば、「通話・テキスト・動画」等、ユーザのアプリケーションによる分類、「固定・モバイル」等、ユーザの端末による分類も可能である。これらの場合で、DPI(Deep Packet Inspection)装置等を利用し、パケット情報を取得することで、「予測可能・予測困難」での分類と同様に分類することが可能である。 Note that “predictable / difficult” is an example of traffic classification, and is not limited thereto. For example, classification by user application such as “call / text / video”, classification by user terminal such as “fixed / mobile”, and the like are also possible. In these cases, by using a DPI (Deep Packet Inspection) device or the like and acquiring packet information, it is possible to classify in the same manner as in the “predictable / predictable” classification.

（経路計算装置２００が実行する数理最適化計算について）
以下、経路計算装置２００における経路計算の一例としての数理最適化計算について説明する。なお、ここでの計算は一例であり、これに限られるわけではない。 (Regarding mathematical optimization calculation executed by the route calculation device 200)
Hereinafter, mathematical optimization calculation as an example of route calculation in the route calculation apparatus 200 will be described. The calculation here is an example, and the present invention is not limited to this.

＜予測可能マクロフローに対する数理最適化モデル＞
予測可能マクロフローに対する数理最適化モデルは、多品種フロー問題により定式化される。多品種フロー問題による数理最適化モデルは以下のとおりである。 <Mathematical optimization model for predictable macroflow>
A mathematical optimization model for predictable macroflow is formulated by a multi-product flow problem. The mathematical optimization model by the multi-product flow problem is as follows.

ネットワークは有効グラフG(V,E)で表現する。ここで、Vはノードの集合、Eはリンクの集合を表している。また、ノードi∈Vからノードj∈Vまでのリンクはlink(i,j)∈Eと表す。link(i,j)∈Eの使用可能な帯域の容量はc_ijと表す。 The network is represented by an effective graph G (V, E). Here, V represents a set of nodes, and E represents a set of links. A link from the node iεV to the node jεV is expressed as link (i, j) εE. The usable bandwidth capacity of link (i, j) ∈E is represented as c _ij .

ノードpからノードqまでのトラヒック需要t_pqを表すトラヒック行列は、Q={t_pq}と表す。x_ij ^pqはリンク(i,j)を通過するトラヒック需要t_pqの通過割合を示し、ルーティング変数と呼ばれる。U_linkはネットワークの混雑割合を示しており、後述する式ではU_linkを最小化するようなルーティング変数の値を求めている。 A traffic matrix representing traffic demand t _pq from node p to node q is represented as Q = {t _pq }. x _ij ^pq indicates a passing rate of the traffic demand t _pq passing through the link (i, j), and is called a routing variable. U _link indicates the congestion rate of the network, and the value of a routing variable that minimizes U _link is obtained in the formula described later.

本実施の形態で使用される多品種フロー問題と呼ばれる数理計画問題の例を図９の式(1.1)〜式(1.6)に示す。 Examples of mathematical programming problems called multi-product flow problems used in this embodiment are shown in equations (1.1) to (1.6) in FIG.

式(1.1) はネットワークの混雑割合を最小化する目的関数を示しており、(1.2)〜(1.6) は制約条件である。式(1.2)及び式(1.3)はフロー保存則を示している。式(1.4)はリンク(i,j)を通過するトラヒックの総和がリンク容量×混雑割合を超えないことを示している。式(1.5)及び(1.6) はルーティング変数x_ij ^pqとネットワークの混雑割合U_linkは値域を示している。 Equation (1.1) shows an objective function that minimizes the network congestion rate, and (1.2) to (1.6) are constraints. Equations (1.2) and (1.3) show the flow conservation laws. Equation (1.4) shows that the total traffic passing through the link (i, j) does not exceed the link capacity × congestion rate. In the expressions (1.5) and (1.6), the routing variable x _ij ^pq and the network congestion ratio U _link indicate a range.

経路計算装置２００は、上記の数理最適化計算を行うことで、予測可能マクロフローに対する経路を算出する。 The route calculation apparatus 200 calculates a route for the predictable macro flow by performing the above mathematical optimization calculation.

＜予測困難マクロフローに対する数理最適化モデル＞
予測困難マクロフローに対する数理最適化モデルは、負荷分散フロー問題により定式化される。負荷分散フロー問題による数理最適化モデルは以下のとおりである。 <Mathematical optimization model for difficult-to-predict macroflows>
The mathematical optimization model for the hard-to-predict macroflow is formulated by the load distribution flow problem. The mathematical optimization model based on the load balancing flow problem is as follows.

h_equarityはノードpからノードqへのトラヒックの公平性を示す。x_ij ^pqはノードpからノードqへのリンク(i,j)を通過するトラヒック需要の通過割合を示し,
ルーティング変数と呼ばれる。ノードpからノードqへのトラヒックの通過割合は、トラヒックの公平性から決定する。後述する式(2.1)ではh_equarityの和を最小化するようなルーティング変数の値を求めている。すなわち、各ノードのペア(p, q)ごとにトラヒックの公平性を最大化している。 h _equarity indicates the fairness of traffic from node p to node q. x _ij ^pq is the traffic demand passing rate through the link (i, j) from node p to node q,
Called a routing variable. The traffic passing rate from node p to node q is determined from the fairness of traffic. In equation (2.1), which will be described later, the value of the routing variable that minimizes the sum of _hequarity is obtained. That is, the fairness of traffic is maximized for each pair (p, q) of each node.

本実施の形態で使用される負荷分散フロー問題の数理計画問題の例を図１０の式(2.1)〜式(2.6)に示す。 Examples of the mathematical programming problem of the load distribution flow problem used in the present embodiment are shown in equations (2.1) to (2.6) in FIG.

式(2.1)は通過するトラヒックの公平性を最大化する(不公平性を最小化する)目的関数を示しており，(2.2)〜(2.6)は制約条件である。 Equation (2.1) shows an objective function that maximizes the fairness of traffic that passes through (minimizes unfairness), and (2.2) to (2.6) are constraints.

式(2.2)及び式(2.3) はフロー保存則を示している。式(2.4)はリンク(i,j)を通過するトラヒックがリンク容量×トラヒックの公平性の割合を超えないことを示している。式(2.5)及び(2.6) はルーティング変数x_ij ^pqとネットワークの公平性h_equarityの値域を示している。 Equations (2.2) and (2.3) show the flow conservation laws. Expression (2.4) indicates that the traffic passing through the link (i, j) does not exceed the ratio of link capacity × traffic fairness. Equations (2.5) and (2.6) show the range of the routing variable x _ij ^pq and the network fairness _hequarity .

経路計算装置２００は、上記の数理最適化計算を行うことで、予測困難マクロフローに対する経路を算出する。 The route calculation apparatus 200 calculates a route for the macro flow that is difficult to predict by performing the above mathematical optimization calculation.

（実施の形態の効果）
イベント情報をトラヒック制御に活用することで、イベント等による突発的なトラヒック変動が発生した際にも、輻輳を回避しつつ高効率な経路制御を実現することができる。 (Effect of embodiment)
By utilizing event information for traffic control, highly efficient route control can be realized while avoiding congestion even when sudden traffic fluctuation due to an event or the like occurs.

また、イベント情報のヘッダをマクロフロー(任意の5-tupleの組合せ)で柔軟に指定することができるため、あいまいなイベント情報であっても経路制御に活用することができる。例えば、動画配信の情報から、どのユーザが(宛先アドレス)が動画を視聴するかを予測することは困難であるが、本技術では、宛先アドレスを任意という意味の「*」で指定することができるため、このようなあいまいなイベント情報であっても経路制御に活用することができる。 In addition, since the header of event information can be flexibly specified by a macro flow (arbitrary 5-tuple combination), even ambiguous event information can be used for route control. For example, it is difficult to predict which user (destination address) will view a video from the information of video distribution, but in this technology, the destination address can be specified with `` * '' meaning arbitrary Therefore, even such ambiguous event information can be used for route control.

すなわち、従来技術では、トラヒック量の予測が常に正しく行われる前提で経路制御を行っているため、イベント情報を活用するべきかどうかをオペレータが判断する必要があり、そのため、従来技術では、あいまいなイベント情報は全て予測困難に分類され、経路制御の精度を上げることが困難であった。 In other words, in the prior art, the route control is performed on the assumption that the traffic volume is always correctly predicted. Therefore, it is necessary for the operator to determine whether or not the event information should be used. All event information is classified as difficult to predict, and it is difficult to improve the accuracy of route control.

それに対し、本実施の形態に係る技術では、イベントで発生するトラヒック量の予測値が幅を持たせて与えられた場合であっても、予測可能として分類するべきか、予測困難として分類するべきかを適切に判断することが可能である。あいまいなイベント情報を予測可能に分類することで、経路制御の精度を上げることが可能となる。なお、本実施の形態では、背景トラヒックの平均と比して、イベントトラヒックの分散が大きいかどうかを判断することで、あいまいさを許容している。図６で示したMacroFlow_List_Exceptionは、あいまい過ぎるイベント情報を除外することで、予測外れによる経路制御の精度の劣化を回避することに寄与している。 On the other hand, in the technique according to the present embodiment, even if the predicted value of the traffic volume generated by the event is given with a width, it should be classified as predictable or difficult to predict. It is possible to judge appropriately. By classifying ambiguous event information so as to be predictable, it is possible to improve the accuracy of path control. In this embodiment, ambiguity is allowed by determining whether or not the variance of event traffic is larger than the average of background traffic. The MacroFlow_List_Exception shown in FIG. 6 contributes to avoiding deterioration in the accuracy of the path control due to a prediction error by excluding event information that is too ambiguous.

以上、説明したように、本実施の形態に係る技術により、外部情報としてイベント情報を活用し、トラヒック需要を高精度に予測するとともに、背景トラヒックに基づきイベントトラヒックを高精度に分類することを可能とし、短時間でかつ目標達成度が高い経路制御が実現される。 As described above, the technology according to the present embodiment makes it possible to use event information as external information to predict traffic demand with high accuracy and classify event traffic with high accuracy based on background traffic. As a result, route control with a high degree of goal achievement is achieved in a short time.

また、イベントトラヒックを基準値（例：背景トラヒックの分散）に基づいて分類することで、あいまいなイベント情報も外部情報として幅広く適用可能となる。更に、極端にあいまいなイベント情報の除外や、イベント発生後のイベントトラヒックと予測値の乖離に応じたイベント情報の再分類により、さらに高精度な予測が可能となる。 Further, by classifying event traffic based on a reference value (for example, distribution of background traffic), ambiguous event information can be widely applied as external information. Furthermore, it is possible to predict with higher accuracy by excluding extremely ambiguous event information and reclassifying event information according to the difference between the event traffic after the occurrence of the event and the predicted value.

（実施の形態のまとめ）
以上、説明したように、本実施の形態により、ネットワークにおけるトラヒックの需要を予測するトラヒック需要予測装置であって、前記ネットワークから収集されたトラヒック情報から、イベント情報に関連しないトラヒックである背景トラヒックを取得する取得手段と、前記イベント情報におけるイベントトラヒックの予測値の分散と、前記背景トラヒックとを比較することにより、当該イベントトラヒックの特性を判定し、特性別のトラヒック需要を算出する特性別トラヒック需要算出手段とを備えることを特徴とするトラヒック需要予測装置が提供される。 (Summary of embodiment)
As described above, according to the present embodiment, a traffic demand prediction apparatus that predicts traffic demand in a network, and background traffic that is traffic not related to event information is extracted from traffic information collected from the network. By comparing the acquisition means for acquiring, the variance of the predicted value of event traffic in the event information, and the background traffic, the characteristic of the event traffic is determined, and the traffic demand by characteristic is calculated. There is provided a traffic demand prediction device comprising a calculation means.

前記特性別トラヒック需要算出手段は、前記イベント情報におけるイベントトラヒックの予測値と、実際のイベントトラヒックとを比較することにより、前記イベントトラヒックの特性を変更することとしてもよい。 The characteristic-specific traffic demand calculation means may change the characteristic of the event traffic by comparing a predicted value of the event traffic in the event information with actual event traffic.

前記特性は、予測可能又は予測困難であり、前記特性別トラヒック需要算出手段は、前記イベントトラヒックの予測値の分散と前記背景トラヒックとの比較に基づき、前記イベント情報におけるイベントトラヒックの予測が正確であると推定される場合に前記特性を予測可能とし、前記イベント情報におけるイベントトラヒックの予測が正確でないと推定される場合に前記特性を予測困難とすることとしてもよい。 The characteristic is predictable or difficult to predict, and the traffic demand calculation unit according to characteristic is capable of accurately predicting event traffic in the event information based on a comparison between a variance of predicted values of the event traffic and the background traffic. The characteristic may be predictable when it is estimated to be present, and the characteristic may be difficult to predict when it is estimated that the event traffic prediction in the event information is not accurate.

なお、フロー集約装置１００は、トラヒック需要予測装置の例である。また、フローデータベース１０１及びマクロフロー生成部１０２は、取得手段の例である。また、特性別トラヒック需要算出部１０３は、特性別トラヒック需要算出手段の例である。 The flow aggregation device 100 is an example of a traffic demand prediction device. The flow database 101 and the macro flow generation unit 102 are examples of acquisition means. The characteristic-specific traffic demand calculation unit 103 is an example of characteristic-specific traffic demand calculation means.

以上、本実施の形態について説明したが、本発明はかかる特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。 Although the present embodiment has been described above, the present invention is not limited to the specific embodiment, and various modifications and changes can be made within the scope of the gist of the present invention described in the claims. Is possible.

１００フロー集約装置
２００経路計算装置
３００制御設定装置
４０１〜４０３転送装置
５０１〜５０４端末
１０１フローデータベース
１０２マクロフロー生成部
１０３特性別トラヒック需要算出部
１５０ドライブ装置
１５２補助記憶装置
１５３メモリ装置
１５４ＣＰＵ
１５５インタフェース装置
１５６表示装置
１５７入力装置 DESCRIPTION OF SYMBOLS 100 Flow aggregation apparatus 200 Path | route calculation apparatus 300 Control setting apparatus 401-403 Transfer apparatus 501-504 Terminal 101 Flow database 102 Macro flow generation part 103 The traffic demand calculation part 150 according to a characteristic 150 Drive apparatus 152 Auxiliary storage apparatus 153 Memory apparatus 154 CPU
155 Interface device 156 Display device 157 Input device

Claims

ネットワークにおけるトラヒックの需要を予測するトラヒック需要予測装置であって、
前記ネットワークから収集されたトラヒック情報から、イベント情報に関連しないトラヒックである背景トラヒックを取得する取得手段と、
前記イベント情報におけるイベントトラヒックの予測値の分散と、前記背景トラヒックとを比較することにより、当該イベントトラヒックの特性を判定し、特性別のトラヒック需要を算出する特性別トラヒック需要算出手段と
を備えることを特徴とするトラヒック需要予測装置。 A traffic demand prediction device for predicting traffic demand in a network,
Obtaining means for obtaining background traffic that is traffic not related to event information from traffic information collected from the network;
Characteristic traffic demand calculating means for determining the characteristics of the event traffic by comparing the variance of the predicted value of the event traffic in the event information and the background traffic, and calculating the traffic demand by characteristic. Traffic demand forecasting device characterized by this.

前記特性別トラヒック需要算出手段は、前記イベント情報におけるイベントトラヒックの予測値と、実際のイベントトラヒックとを比較することにより、前記イベントトラヒックの特性を変更する
ことを特徴とする請求項１に記載のトラヒック需要予測装置。 The characteristic traffic demand calculation means changes the characteristic of the event traffic by comparing the predicted value of the event traffic in the event information with the actual event traffic. Traffic demand forecasting device.

前記特性は、予測可能又は予測困難であり、
前記特性別トラヒック需要算出手段は、前記イベントトラヒックの予測値の分散と前記背景トラヒックとの比較に基づき、前記イベント情報におけるイベントトラヒックの予測が正確であると推定される場合に前記特性を予測可能とし、前記イベント情報におけるイベントトラヒックの予測が正確でないと推定される場合に前記特性を予測困難とする
ことを特徴とする請求項１又は２に記載のトラヒック需要予測装置。 The characteristic is predictable or difficult to predict;
The traffic demand calculation unit for each characteristic can predict the characteristic when it is estimated that the event traffic prediction in the event information is accurate based on a comparison between a variance of the predicted value of the event traffic and the background traffic. The traffic demand prediction device according to claim 1, wherein the characteristic is difficult to predict when it is estimated that the event traffic prediction in the event information is not accurate.

ネットワークにおけるトラヒックの需要を予測するトラヒック需要予測装置が実行するトラヒック需要予測方法であって、
前記ネットワークから収集されたトラヒック情報から、イベント情報に関連しないトラヒックである背景トラヒックを取得する取得ステップと、
前記イベント情報におけるイベントトラヒックの予測値の分散と、前記背景トラヒックとを比較することにより、当該イベントトラヒックの特性を判定し、特性別のトラヒック需要を算出する特性別トラヒック需要算出ステップと
を備えることを特徴とするトラヒック需要予測方法。 A traffic demand prediction method executed by a traffic demand prediction device for predicting traffic demand in a network,
An acquisition step of acquiring background traffic that is traffic not related to event information, from traffic information collected from the network;
A characteristic-specific traffic demand calculation step of determining a characteristic of the event traffic by comparing a variance of a predicted value of the event traffic in the event information and the background traffic, and calculating a traffic demand by characteristic. Traffic demand forecasting method characterized by

前記特性別トラヒック需要算出ステップにおいて、前記トラヒック需要予測装置は、前記イベント情報におけるイベントトラヒックの予測値と、実際のイベントトラヒックとを比較することにより、前記イベントトラヒックの特性を変更する
ことを特徴とする請求項４に記載のトラヒック需要予測方法。 In the traffic demand calculation step according to characteristic, the traffic demand prediction device changes the characteristic of the event traffic by comparing the predicted value of the event traffic in the event information with the actual event traffic. The traffic demand prediction method according to claim 4.

前記特性は、予測可能又は予測困難であり、
前記特性別トラヒック需要算出ステップにおいて、前記トラヒック需要予測装置は、前記イベントトラヒックの予測値の分散と前記背景トラヒックとの比較に基づき、前記イベント情報におけるイベントトラヒックの予測が正確であると推定される場合に前記特性を予測可能とし、前記イベント情報におけるイベントトラヒックの予測が正確でないと推定される場合に前記特性を予測困難とする
ことを特徴とする請求項４又は５に記載のトラヒック需要予測方法。 The characteristic is predictable or difficult to predict;
In the traffic demand calculation step according to characteristics, the traffic demand prediction device estimates that the event traffic prediction in the event information is accurate based on the variance of the predicted value of the event traffic and the comparison with the background traffic. The traffic demand prediction method according to claim 4 or 5, wherein the characteristic is predictable in some cases, and the characteristic is difficult to predict when it is estimated that the prediction of event traffic in the event information is not accurate. .

コンピュータを、請求項１ないし３のうちいずれか１項に記載のトラヒック需要予測装置における各手段として機能させるためのプログラム。 The program for functioning a computer as each means in the traffic demand prediction apparatus of any one of Claims 1 thru | or 3.