JP7036225B2 - 推定装置、システム及び方法及びプログラム並びに学習装置及び方法及びプログラム - Google Patents
推定装置、システム及び方法及びプログラム並びに学習装置及び方法及びプログラム Download PDFInfo
- Publication number
- JP7036225B2 JP7036225B2 JP2020552943A JP2020552943A JP7036225B2 JP 7036225 B2 JP7036225 B2 JP 7036225B2 JP 2020552943 A JP2020552943 A JP 2020552943A JP 2020552943 A JP2020552943 A JP 2020552943A JP 7036225 B2 JP7036225 B2 JP 7036225B2
- Authority
- JP
- Japan
- Prior art keywords
- control
- attribute
- feature amount
- estimation
- types
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/10—Flow control between communication endpoints
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Description
通信トラヒックから通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装され、かつ、当該複数種類の制御属性のそれぞれに対応した複数の特徴量算出部と、
前記複数種類の制御属性のうち2以上のそれぞれについて、各制御属性に対応する前記特徴量算出部を用いて前記通信トラヒックから前記特徴量群のそれぞれを算出する算出部と、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する推定部と、
を備える。
通信トラヒックから通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装され、かつ、当該複数種類の制御属性のそれぞれに対応した複数の特徴量算出部と、
前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルと、前記複数種類の制御属性のそれぞれにおける前記属性値の正解と、を記憶する記憶部と、
前記複数の特徴量算出部のそれぞれにより、学習対象の前記通信トラヒックから算出された前記特徴量群のそれぞれを算出する第1の算出部と、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における前記属性値の正解とを用いて、前記複数の推定モデルのそれぞれのパラメータを学習し、当該学習された推定モデルを前記記憶部に格納する学習部と、
前記複数種類の制御属性のうち2以上のそれぞれについて、各制御属性に対応する前記特徴量算出部を用いて、推定対象の前記通信トラヒックから前記特徴量群のそれぞれを算出する第2の算出部と、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する推定部と、
を備える。
コンピュータが、
通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのうち2以上の各制御属性に対応するものを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出し、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する。
通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのうち2以上の各制御属性に対応するものを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出する処理と、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する処理と、
をコンピュータに実行させる。
通信トラヒックから通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装され、かつ、当該複数種類の制御属性のそれぞれに対応した複数の特徴量算出部と、
前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルと、前記複数種類の制御属性のそれぞれにおける前記属性値の正解と、を記憶する記憶部と、
前記複数の特徴量算出部のそれぞれを用いて、前記通信トラヒックから前記特徴量群のそれぞれを算出する算出部と、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における前記属性値の正解とを用いて、前記複数の推定モデルのそれぞれのパラメータを学習し、当該学習された推定モデルを前記記憶部に格納する学習部と、
を備える。
コンピュータが、
通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのそれぞれを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出し、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における属性値の正解とを用いて、前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルのそれぞれのパラメータを学習し、
前記学習された推定モデルを記憶装置に格納する。
通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのそれぞれを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出する処理と、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における属性値の正解とを用いて、前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルのそれぞれのパラメータを学習する処理と、
前記学習された推定モデルを記憶装置に格納する処理と
をコンピュータに実行させる。
図1は、本実施の形態1にかかる推定装置1の構成を示すブロック図である。推定装置1は、ネットワーク上の通信装置において観測された通信トラヒックを分析して、当該通信において利用されるアプリケーション等の利用状況に応じた当該通信装置の通信制御に関する制御属性を推定するための情報処理装置である。
図3は、本実施の形態2にかかる学習装置2の構成を示すブロック図である。学習装置2は、ネットワーク上の通信装置において観測された通信トラヒックを分析して、当該通信において利用されるアプリケーション等の利用状況に応じた当該通信装置の通信制御に関する制御属性を推定するための推定モデルを学習する情報処理装置である。
本実施の形態3は、上述した実施の形態1及び2を組み合わせて、推定システムとして実現した実施例である。本実施の形態3にかかる推定システムは、少なくとも、複数の特徴量算出部と、複数の推定モデルと属性値の正解とを記憶する記憶部と、第1の算出部と、学習部と、第2の算出部と、推定部と、を備える。ここで、複数の特徴量算出部は、上述した特徴量算出部111等又は特徴量算出部211等に相当する。また、記憶部は、上述した記憶部22に相当する。また、第1の算出部は、上述した算出部23に相当する。また、学習部は、上述した学習部24に相当する。また、第2の算出部は、上述した算出部12に相当する。また、推定部は、上述した推定部13に相当する。これにより、上述した通り、アプリケーションの利用にかかる通信トラヒックから、通信制御に関する複数種類の制御属性の推定精度を向上させることができる。
まず、背景として、動画配信では、(1)メインコンテンツをサーバの負荷分散により配信し、(2)広告などの付属コンテンツを他のサイトからダウンロードさせるため、受信側では、複数のフローから動画トラヒックをダウンロードする傾向がある。
尚、上述の実施の形態では、ハードウェアの構成として説明したが、これに限定されるものではない。本開示は、任意の処理を、CPU(Central Processing Unit)にコンピュータプログラムを実行させることにより実現することも可能である。
(付記A1)
通信トラヒックから通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装され、かつ、当該複数種類の制御属性のそれぞれに対応した複数の特徴量算出部と、
前記複数種類の制御属性のうち2以上のそれぞれについて、各制御属性に対応する前記特徴量算出部を用いて前記通信トラヒックから前記特徴量群のそれぞれを算出する算出部と、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する推定部と、
を備える推定装置。
(付記A2)
前記複数の特徴量算出部のそれぞれは、前記通信トラヒックのうち対応する制御属性に応じた測定区間から前記特徴量群を算出する処理が実装されている
付記A1に記載の推定装置。
(付記A3)
前記複数種類の制御属性の中から一部を選択する選択部をさらに備え、
前記算出部は、前記選択された制御属性に対応する前記特徴量算出部を用いて前記通信トラヒックから前記特徴量群を算出し、
前記推定部は、前記算出された特徴量群から当該選択された制御属性の前記属性値を推定し、
前記選択部は、前記推定された属性値に基づいて前記複数種類の制御属性のうち未選択の制御属性をさらに選択する
付記A1又はA2に記載の推定装置。
(付記A4)
前記複数種類の制御属性は、複数の階層を有する階層構造により定義され、
前記複数種類の制御属性のうち第1の制御属性が取り得る複数の第1の属性値のそれぞれには、当該第1の制御属性の下位階層である異なる第2の制御属性が属しており、
前記選択部は、
前記複数種類の制御属性のうち前記階層構造の上位から下位の順序で選択し、
前記推定部により当該選択された制御属性の前記属性値が推定された後に、当該推定された属性値に属する制御属性をさらに選択する
付記A3に記載の推定装置。
(付記A5)
前記通信トラヒックは、アプリケーションの利用に際して観測されたものであり、
前記階層構造は、
前記アプリケーションの利用目的を示す前記第1の制御属性が第1階層に属し、
前記利用目的ごとに異なる前記アプリケーションの提供元を示す前記第2の制御属性が、前記第1階層の下位の第2階層に属し、
前記提供元ごとに異なる前記アプリケーションのプロパティを示す第3の制御属性が、前記第2階層の下位の第3階層に属する
ように定義されている
付記A4に記載の推定装置。
(付記A6)
前記複数の特徴量算出部のそれぞれをモジュールとして前記階層構造に基づいて階層化して記憶する第1の記憶部をさらに備え、
前記算出部は、
前記第1の記憶部の中から前記選択された制御属性に対応する前記特徴量算出部を特定し、
前記特定した特徴量算出部を用いて前記通信トラヒックから前記特徴量群を算出する
付記A4又はA5に記載の推定装置。
(付記A7)
前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から前記属性値を推定する複数の推定モデルを記憶する第2の記憶部をさらに備え、
前記推定部は、
前記複数の推定モデルのうち前記選択された制御属性に対応する推定モデルを用いて、当該選択された制御属性に対応する前記特徴量算出部を用いて算出された前記特徴量群から、当該選択された制御属性の前記属性値を推定する
付記A3乃至A6のいずれか1項に記載の推定装置。
(付記A8)
前記複数の特徴量算出部のそれぞれを用いて算出された前記特徴量群のそれぞれと、各特徴量群に対応する制御属性における前記属性値の正解とを用いて、前記複数の推定モデルのそれぞれのパラメータを学習し、当該学習された推定モデルを前記第2の記憶部に格納する学習部をさらに備える
付記A7に記載の推定装置。
(付記A9)
前記学習部は、
前記学習された推定モデルを前記階層構造に基づいて階層化して前記第2の記憶部に格納する
付記A4に従属する付記A8に記載の推定装置。
(付記A10)
前記複数の推定モデルのそれぞれは、
対応する制御属性が共通する前記特徴量算出部を用いて算出された前記特徴量群と、当該制御属性の正解とを用いてパラメータが学習されたものである、
付記A7に記載の推定装置。
(付記B1)
通信トラヒックから通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装され、かつ、当該複数種類の制御属性のそれぞれに対応した複数の特徴量算出部と、
前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルと、前記複数種類の制御属性のそれぞれにおける前記属性値の正解と、を記憶する記憶部と、
前記複数の特徴量算出部のそれぞれにより、学習対象の前記通信トラヒックから算出された前記特徴量群のそれぞれを算出する第1の算出部と、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における前記属性値の正解とを用いて、前記複数の推定モデルのそれぞれのパラメータを学習し、当該学習された推定モデルを前記記憶部に格納する学習部と、
前記複数種類の制御属性のうち2以上のそれぞれについて、各制御属性に対応する前記特徴量算出部を用いて、推定対象の前記通信トラヒックから前記特徴量群のそれぞれを算出する第2の算出部と、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する推定部と、
を備える推定システム。
(付記B2)
前記複数の特徴量算出部のそれぞれは、前記通信トラヒックのうち対応する制御属性に応じた測定区間から前記特徴量群を算出する処理が実装されている
付記B1に記載の推定システム。
(付記C1)
コンピュータが、
通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのうち2以上の各制御属性に対応するものを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出し、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する
推定方法。
(付記D1)
通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのうち2以上の各制御属性に対応するものを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出する処理と、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する処理と、
をコンピュータに実行させる推定プログラム。
(付記E1)
通信トラヒックから通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装され、かつ、当該複数種類の制御属性のそれぞれに対応した複数の特徴量算出部と、
前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルと、前記複数種類の制御属性のそれぞれにおける前記属性値の正解と、を記憶する記憶部と、
前記複数の特徴量算出部のそれぞれを用いて、前記通信トラヒックから前記特徴量群のそれぞれを算出する算出部と、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における前記属性値の正解とを用いて、前記複数の推定モデルのそれぞれのパラメータを学習し、当該学習された推定モデルを前記記憶部に格納する学習部と、
を備える学習装置。
(付記E2)
前記複数の特徴量算出部のそれぞれは、前記通信トラヒックのうち対応する制御属性に応じた測定区間から前記特徴量群を算出する処理が実装されている
付記E1に記載の学習装置。
(付記E3)
前記複数種類の制御属性は、複数の階層を有する階層構造により定義され、
前記学習部は、
前記学習された推定モデルを前記階層構造に基づいて階層化して前記記憶部に格納する
付記E1又はE2に記載の学習装置。
(付記F1)
コンピュータが、
通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのそれぞれを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出し、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における属性値の正解とを用いて、前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルのそれぞれのパラメータを学習し、
前記学習された推定モデルを記憶装置に格納する
学習方法。
(付記G1)
通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのそれぞれを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出する処理と、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における属性値の正解とを用いて、前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルのそれぞれのパラメータを学習する処理と、
前記学習された推定モデルを記憶装置に格納する処理と
をコンピュータに実行させる学習プログラム。
111 特徴量算出部
11n 特徴量算出部
12 算出部
13 推定部
2 学習装置
211 特徴量算出部
21n 特徴量算出部
22 記憶部
221 推定モデル
22n 推定モデル
231 正解
23n 正解
23 算出部
24 学習部
3 推定システム
30 推定システム
30a 推定システム
30b 推定システム
31 記憶部
311 学習用データ
3111 通信トラヒック
3112 正解データ
3121 特徴量算出モジュール
312n 特徴量算出モジュール
3131 推定モデル
313n 推定モデル
314 推定対象データ
3141 通信トラヒック
3151 制御属性
315n 制御属性
3161 属性値
316p 属性値
317 学習プログラム
318 推定プログラム
32 制御部
321 学習ブロック
3211 算出部
3212 学習部
322 推定ブロック
3221 選択部
3222 算出部
3223 推定部
33 メモリ
34 通信IF部
400 ネットワークシステム
400a ネットワークシステム
400b ネットワークシステム
410 パケットキャプチャ
420 トラヒック分析装置
420a トラヒック分析装置
420b トラヒック分析装置
430 端末
440 通信ネットワーク
450 ネットワークノード
460 サーバ
Claims (10)
- 通信トラヒックから通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装され、かつ、当該複数種類の制御属性のそれぞれに対応した複数の特徴量算出部と、
前記複数種類の制御属性のうち2以上のそれぞれについて、各制御属性に対応する前記特徴量算出部を用いて前記通信トラヒックから前記特徴量群のそれぞれを算出する算出部と、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する推定部と、
を備える推定装置。 - 前記複数の特徴量算出部のそれぞれは、前記通信トラヒックのうち対応する制御属性に応じた測定区間から前記特徴量群を算出する処理が実装されている
請求項1に記載の推定装置。 - 前記複数種類の制御属性の中から一部を選択する選択部をさらに備え、
前記算出部は、前記選択された制御属性に対応する前記特徴量算出部を用いて前記通信トラヒックから前記特徴量群を算出し、
前記推定部は、前記算出された特徴量群から当該選択された制御属性の前記属性値を推定し、
前記選択部は、前記推定された属性値に基づいて前記複数種類の制御属性のうち未選択の制御属性をさらに選択する
請求項1又は2に記載の推定装置。 - 前記複数種類の制御属性は、複数の階層を有する階層構造により定義され、
前記複数種類の制御属性のうち第1の制御属性が取り得る複数の第1の属性値のそれぞれには、当該第1の制御属性の下位階層である異なる第2の制御属性が属しており、
前記選択部は、
前記複数種類の制御属性のうち前記階層構造の上位から下位の順序で選択し、
前記推定部により当該選択された制御属性の前記属性値が推定された後に、当該推定された属性値に属する制御属性をさらに選択する
請求項3に記載の推定装置。 - 通信トラヒックから通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装され、かつ、当該複数種類の制御属性のそれぞれに対応した複数の特徴量算出部と、
前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルと、前記複数種類の制御属性のそれぞれにおける前記属性値の正解と、を記憶する記憶部と、
前記複数の特徴量算出部のそれぞれにより、学習対象の前記通信トラヒックから算出された前記特徴量群のそれぞれを算出する第1の算出部と、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における前記属性値の正解とを用いて、前記複数の推定モデルのそれぞれのパラメータを学習し、当該学習された推定モデルを前記記憶部に格納する学習部と、
前記複数種類の制御属性のうち2以上のそれぞれについて、各制御属性に対応する前記特徴量算出部を用いて、推定対象の前記通信トラヒックから前記特徴量群のそれぞれを算出する第2の算出部と、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する推定部と、
を備える推定システム。 - コンピュータが、
通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのうち2以上の各制御属性に対応するものを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出し、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する
推定方法。 - 通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのうち2以上の各制御属性に対応するものを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出する処理と、
前記算出された特徴量群のそれぞれから当該2以上の制御属性のそれぞれの属性値を推定する処理と、
をコンピュータに実行させる推定プログラム。 - 通信トラヒックから通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装され、かつ、当該複数種類の制御属性のそれぞれに対応した複数の特徴量算出部と、
前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルと、前記複数種類の制御属性のそれぞれにおける前記属性値の正解と、を記憶する記憶部と、
前記複数の特徴量算出部のそれぞれを用いて、前記通信トラヒックから前記特徴量群のそれぞれを算出する算出部と、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における前記属性値の正解とを用いて、前記複数の推定モデルのそれぞれのパラメータを学習し、当該学習された推定モデルを前記記憶部に格納する学習部と、
を備える学習装置。 - コンピュータが、
通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのそれぞれを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出し、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における属性値の正解とを用いて、前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルのそれぞれのパラメータを学習し、
前記学習された推定モデルを記憶装置に格納する
学習方法。 - 通信制御に関する複数種類の制御属性ごとに異なる特徴量群を算出する処理が実装された複数の特徴量算出モジュールのそれぞれを用いて、通信トラヒックから前記制御属性ごとに特徴量群のそれぞれを算出する処理と、
前記算出された特徴量群のそれぞれと、各特徴量群に対応する制御属性における属性値の正解とを用いて、前記複数種類の制御属性のそれぞれに対応し、かつ、当該対応する前記特徴量群から当該対応する制御属性のそれぞれの属性値を推定する複数の推定モデルのそれぞれのパラメータを学習する処理と、
前記学習された推定モデルを記憶装置に格納する処理と
をコンピュータに実行させる学習プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018194254 | 2018-10-15 | ||
JP2018194254 | 2018-10-15 | ||
PCT/JP2019/035041 WO2020079986A1 (ja) | 2018-10-15 | 2019-09-05 | 推定装置、システム及び方法及びコンピュータ可読媒体並びに学習装置及び方法及びコンピュータ可読媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020079986A1 JPWO2020079986A1 (ja) | 2021-09-16 |
JP7036225B2 true JP7036225B2 (ja) | 2022-03-15 |
Family
ID=70284584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020552943A Active JP7036225B2 (ja) | 2018-10-15 | 2019-09-05 | 推定装置、システム及び方法及びプログラム並びに学習装置及び方法及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11558769B2 (ja) |
JP (1) | JP7036225B2 (ja) |
WO (1) | WO2020079986A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4133634A1 (en) * | 2020-04-07 | 2023-02-15 | Assia Spe, Llc | Systems and methods for remote collaboration |
JP7491404B2 (ja) | 2020-12-01 | 2024-05-28 | 日本電信電話株式会社 | 識別器生成装置、識別器生成方法および識別器生成プログラム |
US20230092245A1 (en) * | 2021-09-17 | 2023-03-23 | Microsoft Technology Licensing, Llc | Resistance to side-channel attacks on 5g network slices |
JP2023078639A (ja) | 2021-11-26 | 2023-06-07 | トヨタ自動車株式会社 | 情報処理装置及び情報処理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017139580A (ja) | 2016-02-02 | 2017-08-10 | 沖電気工業株式会社 | 通信解析装置及び通信解析プログラム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5333589B2 (ja) * | 2009-07-01 | 2013-11-06 | 日本電気株式会社 | 代表特徴抽出システムおよび方法 |
JP2011015253A (ja) * | 2009-07-03 | 2011-01-20 | Nippon Telegr & Teleph Corp <Ntt> | 通信トラヒック分類方法、装置、およびプログラム |
US9336486B2 (en) * | 2010-12-08 | 2016-05-10 | Nec Solution Innovators, Ltd. | Attribute value estimation device, attribute value estimation method, program, and recording medium |
JP6153166B2 (ja) | 2013-08-29 | 2017-06-28 | 公立大学法人大阪市立大学 | トラヒック監視装置及びプログラム、並びに、通信装置 |
US10271221B2 (en) * | 2014-12-10 | 2019-04-23 | Nec Corporation | Communication device, control method, and communication system |
-
2019
- 2019-09-05 JP JP2020552943A patent/JP7036225B2/ja active Active
- 2019-09-05 US US17/282,835 patent/US11558769B2/en active Active
- 2019-09-05 WO PCT/JP2019/035041 patent/WO2020079986A1/ja active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017139580A (ja) | 2016-02-02 | 2017-08-10 | 沖電気工業株式会社 | 通信解析装置及び通信解析プログラム |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020079986A1 (ja) | 2021-09-16 |
US20210352516A1 (en) | 2021-11-11 |
WO2020079986A1 (ja) | 2020-04-23 |
US11558769B2 (en) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7036225B2 (ja) | 推定装置、システム及び方法及びプログラム並びに学習装置及び方法及びプログラム | |
Baraković et al. | Survey and challenges of QoE management issues in wireless networks | |
US9774501B2 (en) | System and method for ensuring subscriber fairness using outlier detection | |
US8102879B2 (en) | Application layer metrics monitoring | |
US11677643B2 (en) | Traffic classification of elephant and mice data flows in managing data networks | |
Schwarzmann et al. | Estimating video streaming QoE in the 5G architecture using machine learning | |
Rojas et al. | Personalized service degradation policies on OTT applications based on the consumption behavior of users | |
US11979387B2 (en) | Classification of encrypted internet traffic | |
Tsilimantos et al. | Classifying flows and buffer state for YouTube's HTTP adaptive streaming service in mobile networks | |
Kornycky et al. | Radio frequency traffic classification over WLAN | |
Lin et al. | Machine learning for predicting QoE of video streaming in mobile networks | |
Ouyang et al. | A performance analysis for UMTS packet switched network based on multivariate KPIs | |
US20220150143A1 (en) | Classification of encrypted internet traffic with binary traffic vectors | |
Yusuf-Asaju et al. | Framework for modelling mobile network quality of experience through big data analytics approach | |
De Pessemier et al. | Analysis of the quality of experience of a commercial voice-over-IP service | |
Soós et al. | User group behavioural pattern in a cellular mobile network for 5G use-cases | |
Khokhar et al. | A methodology for performance benchmarking of mobile networks for internet video streaming | |
Colarieti et al. | QoE provisioning over mobile networks: The CASPER perspective | |
Algar et al. | A quality of experience management framework for mobile users | |
Uzun et al. | Proactive metering of mobile Internet user experience | |
Goleva et al. | 3G network traffic sources measurement and analysis | |
Diego et al. | Cross-layer design and performance evaluation for ip-centric qos model in lte-epc networks | |
Chandrasekhar et al. | Experience-centric mobile video scheduling through machine learning | |
US20230403222A1 (en) | Apportioning of data traffic between communication channels | |
Niephaus et al. | Towards QoS-aware load distribution in heterogeneous networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210402 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210402 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220201 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220214 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7036225 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |