特開 2022-168520 異常検知装置、異常検知方法、異常検知プログラム、学習装置、学習方法及び学習プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022168520

(43)【公開日】2022-11-08

(54)【発明の名称】異常検知装置、異常検知方法、異常検知プログラム、学習装置、学習方法及び学習プログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20221031BHJP

【ＦＩ】

G06N20/00 130

【審査請求】未請求

【請求項の数】15

【出願形態】ＯＬ

(21)【出願番号】P 2021074041

(22)【出願日】2021-04-26

(71)【出願人】

【識別番号】306020818

【氏名又は名称】トヨタテクニカルディベロップメント株式会社

(71)【出願人】

【識別番号】304000836

【氏名又は名称】学校法人 名古屋電気学園

(74)【代理人】

【識別番号】110002516

【氏名又は名称】特許業務法人白坂

(72)【発明者】

【氏名】岡田 幸泰

(72)【発明者】

【氏名】畑 幸二

(72)【発明者】

【氏名】内藤 克浩

(57)【要約】

【課題】自動で教師データを生成して学習モデルを生成し、推定処理に役立てることができる学習装置、学習方法及び学習プログラムを提供する。
【解決手段】学習装置は、データライン上のデータパケットを取得する取得部と、取得部が取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別部と、複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換する変換部と、計測データ群に含まれる計測データそれぞれについての時系列データの変化を学習する学習モデルを生成する学習部と、を備える。
【選択図】図３

【特許請求の範囲】

【請求項1】

データライン上のデータパケットを取得する取得部と、
前記取得部が取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別部と、
複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換する変換部と、
前記計測データ群に含まれる計測データそれぞれについての時系列データの変化を学習する学習モデルを生成する学習部と、
を備える学習装置。

【請求項2】

前記分別部は、前記計測データ群を含むデータパケットに先だって、データパケットを送信する際の計測データ群の配列を定めた計測条件データに基づいて、前記分別ルールを生成する
ことを特徴とする請求項１に記載の学習装置。

【請求項3】

前記データラインは、検査対象に設けられたセンサ群と、前記検査対象の情報を収集する情報処理装置と、を接続するデータラインであり、
前記取得部は、前記検査対象が正常に動作していることが確定しているときに前記データライン上を流れるデータパケットを取得し、
前記学習部は、前記検査対象が正常に動作していることが確定しているときに前記取得部が取得した複数のデータパケットそれぞれから分別された計測データの計測データ値に基づいて生成された時系列データを学習して前記学習モデルを生成する
ことを特徴とする請求項１又は２に記載の学習装置。

【請求項4】

前記分別ルールは、前記データパケットの種別と、各種別に応じたペイロードにおける計測データ群の配列が定められた情報であり、
前記データパケットは、ヘッダに、当該データパケットの種別を示す情報を含み、
前記分別部は、前記データパケットに含まれるデータパケットの種別を示す情報に対応する分別ルールにしたがって、前記データパケットに含まれる計測データ群を分別する
ことを特徴とする請求項１～３のいずれか一項に記載の学習装置。

【請求項5】

前記学習装置は、前記学習部が生成した前記学習モデルを記憶する記憶部を備えることを特徴とする請求項１～４のいずれか一項に記載の学習装置。

【請求項6】

前記学習装置は、さらに、
前記取得部が取得した複数のデータパケット群に基づいて、前記分別部が分別を行い、前記変換部が変換した推定用の各時系列データと、前記学習モデルとを用いて、前記推定用の時系列データに異常がある可能性を推定する推定部を備える
ことを特徴とする請求項１～５のいずれか一項に記載の学習装置。

【請求項7】

前記推定部は、前記推定用の各時系列データそれぞれについて、前記学習モデルに含まれる各計測データの時系列データからの類似度に基づいて、計測データに異常がある可能性を推定する
ことを特徴とする請求項６に記載の学習装置。

【請求項8】

前記変換部は、所定数の計測データ値ごとに、時系列データに変換する
ことを特徴とする請求項１～７のいずれか一項に記載の学習装置。

【請求項9】

コンピュータが、
データライン上のデータパケットを取得する取得ステップと、
前記取得ステップが取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別ステップと、
複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換する変換ステップと、
前記計測データ群に含まれる計測データそれぞれについての時系列データの変化を学習する学習モデルを生成する学習ステップと、
を実行する学習方法。

【請求項10】

前記取得ステップにおいて取得した複数のデータパケット群に基づいて、前記分別ステップにおける分別を行い、前記変換ステップにおいて変換した推定用の各時系列データと、前記学習モデルとを用いて、前記推定用の時系列データに異常がある可能性を推定する推定ステップを含む
請求項９に記載の学習方法。

【請求項11】

コンピュータに、
データライン上のデータパケットを取得する取得機能と、
前記取得機能が取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別機能と、
複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換する変換機能と、
前記計測データ群に含まれる計測データそれぞれについての時系列データの変化を学習する学習モデルを生成する学習機能と、
を実現させる学習プログラム。

【請求項12】

前記取得機能が取得した複数のデータパケット群に基づいて、前記分別機能が分別を行い、前記変換機能が変換した推定用の各時系列データと、前記学習モデルとを用いて、前記推定用の時系列データに異常がある可能性を推定する推定機能を実現させる請求項１１に記載の学習プログラム。

【請求項13】

各種の計測データについて異常がない状態で計測された計測データ値を連ねた時系列データの変化を学習した学習モデルを記憶する記憶部と、
データライン上のデータパケットを取得する取得部と、
前記取得部が取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別部と、
複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換し、当該計測データの正解ラベルを付与する変換部と、
前記計測データ群の各種別の時系列データを、前記学習モデルに入力して、前記データパケットに異常がある可能性を推定する推定部と、
前記推定部による推定結果を出力する出力部と、
を備える異常検知装置。

【請求項14】

コンピュータが、
各種の計測データについて異常がない状態で計測された計測データ値を連ねた時系列データの変化を学習した学習モデルを記憶する記憶ステップと、
データライン上のデータパケットを取得する取得ステップと、
前記取得ステップにおいて取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別ステップと、
複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換し、当該計測データの正解ラベルを付与する変換ステップと、
前記計測データ群の各種別の時系列データを、前記学習モデルに入力して、前記データパケットに異常がある可能性を推定する推定ステップと、
前記推定ステップによる推定結果を出力する出力ステップと、
を備える異常検知方法。

【請求項15】

コンピュータに、
各種の計測データについて異常がない状態で計測された計測データ値を連ねた時系列データの変化を学習した学習モデルを記憶する記憶機能と、
データライン上のデータパケットを取得する取得機能と、
前記取得機能が取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別機能と、
複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換し、当該計測データの正解ラベルを付与する変換機能と、
前記計測データ群の各種別の時系列データを、前記学習モデルに入力して、前記データパケットに異常がある可能性を推定する推定機能と、
前記推定機能による推定結果を出力する出力機能と、
を実現させる異常検知プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、異常検知装置、異常検知方法、異常検知プログラム、学習装置、学習方法及び学習プログラムに関する。

【背景技術】

【0002】

従来から、データライン上を伝送されるデータを分別する手法が開発されている。例えば、特許文献１では、識別モデルによる分別を行う手法を開示しており、当該識別モデルを生成するにあたって必要となる教師データを生成するためのラベリング対象のデータを識別する手法を開示している。そして、特許文献１では、ラベリング対象のデータに対して、ユーザの手によりラベリングを行っている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２０－１１９２３８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、特許文献１のように、人手によるラベリングはユーザにとって非常に煩雑なものがある。

【0005】

そこで、本発明は、取得したデータに自動でラベリングして、学習モデルを生成することができる学習装置、学習方法及び学習プログラム並びに生成された学習モデルを用いて推定処理を実行することができる異常検知装置、異常検知方法及び異常検知プログラムを提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明の一態様に係る学習装置は、データライン上のデータパケットを取得する取得部と、取得部が取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別部と、複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換する変換部と、計測データ群に含まれる計測データそれぞれについての時系列データの変化を学習する学習モデルを生成する学習部と、を備える。

【0007】

また、上記学習装置において、分別部は、計測データ群を含むデータパケットに先だって、データパケットを送信する際の計測データ群の配列を定めた計測条件データに基づいて、分別ルールを生成することとしてもよい。

【0008】

また、上記学習装置において、データラインは、検査対象に設けられたセンサ群と、検査対象の情報を収集する情報処理装置と、を接続するデータラインであり、取得部は、検査対象が正常に動作していることが確定しているときにデータライン上を流れるデータパケットを取得し、学習部は、検査対象が正常に動作していることが確定しているときに取得部が取得した複数のデータパケットそれぞれから分別された計測データの計測データ値に基づいて生成された時系列データを学習して学習モデルを生成することとしてもよい。

【0009】

また、上記学習装置において、分別ルールは、データパケットの種別と、各種別に応じたペイロードにおける計測データ群の配列が定められた情報であり、データパケットは、ヘッダに、当該データパケットの種別を示す情報を含み、分別部は、データパケットに含まれるデータパケットの種別を示す情報に対応する分別ルールにしたがって、データパケットに含まれる計測データ群を分別することとしてもよい。

【0010】

また、上記学習装置において、学習装置は、学習部が生成した学習モデルを記憶する記憶部を備えることとしてもよい。

【0011】

また、上記学習装置において、さらに、取得部が取得した複数のデータパケット群に基づいて、分別部が分別を行い、変換部が変換した推定用の各時系列データと、学習モデルとを用いて、推定用の時系列データに異常がある可能性を推定する推定部を備えることとしてもよい。

【0012】

また、上記学習装置において、推定部は、推定用の各時系列データそれぞれについて、学習モデルに含まれる各計測データの時系列データからの類似度に基づいて、計測データに異常がある可能性を推定することとしてもよい。

【0013】

また、上記学習装置において、変換部は、所定数の計測データ値ごとに、時系列データに変換することとしてもよい。

【0014】

また、本発明の一態様に係る学習方法は、コンピュータが、データライン上のデータパケットを取得する取得ステップと、取得ステップが取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別ステップと、複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換する変換ステップと、計測データ群に含まれる計測データそれぞれについての時系列データの変化を学習する学習モデルを生成する学習ステップと、を実行する。

【0015】

また、上記学習方法において、取得ステップにおいて取得した複数のデータパケット群に基づいて、分別ステップにおける分別を行い、変換ステップにおいて変換した推定用の各時系列データと、学習モデルとを用いて、推定用の時系列データに異常がある可能性を推定する推定ステップを含むこととしてもよい。

【0016】

また、本発明の一態様に係る学習プログラムは、コンピュータに、データライン上のデータパケットを取得する取得機能と、取得機能が取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別機能と、複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換する変換機能と、計測データ群に含まれる計測データそれぞれについての時系列データの変化を学習する学習モデルを生成する学習機能と、を実現させる。

【0017】

また、上記学習プログラムにおいて、取得機能が取得した複数のデータパケット群に基づいて、分別機能が分別を行い、変換機能が変換した推定用の各時系列データと、学習モデルとを用いて、推定用の時系列データに異常がある可能性を推定する推定機能を実現させることとしてもよい。

【0018】

また、本発明の一態様に係る異常検知装置は、各種の計測データについて異常がない状態で計測された計測データ値を連ねた時系列データの変化を学習した学習モデルを記憶する記憶部と、データライン上のデータパケットを取得する取得部と、取得部が取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別部と、複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換し、当該計測データの正解ラベルを付与する変換部と、計測データ群の各種別の時系列データを、学習モデルに入力して、データパケットに異常がある可能性を推定する推定部と、推定部による推定結果を出力する出力部と、を備える。

【0019】

また、本発明の一態様に係る異常検知方法は、コンピュータが、各種の計測データについて異常がない状態で計測された計測データ値を連ねた時系列データの変化を学習した学習モデルを記憶する記憶ステップと、データライン上のデータパケットを取得する取得ステップと、取得ステップにおいて取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別ステップと、複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換し、当該計測データの正解ラベルを付与する変換ステップと、計測データ群の各種別の時系列データを、学習モデルに入力して、データパケットに異常がある可能性を推定する推定ステップと、推定ステップによる推定結果を出力する出力ステップと、を備える。

【0020】

また、本発明の一態様に係る異常検知プログラムは、コンピュータに、各種の計測データについて異常がない状態で計測された計測データ値を連ねた時系列データの変化を学習した学習モデルを記憶する記憶機能と、データライン上のデータパケットを取得する取得機能と、取得機能が取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別機能と、複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換し、当該計測データの正解ラベルを付与する変換機能と、計測データ群の各種別の時系列データを、学習モデルに入力して、データパケットに異常がある可能性を推定する推定機能と、推定機能による推定結果を出力する出力機能と、を実現させる。

【発明の効果】

【0021】

本発明の一態様に係る学習装置は、取得したデータパケットに含まれる計測データ群を、予め定められた分別ルールに従って分別する分別部と、複数のデータパケットそれぞれから分別された同じ種別の計測データの計測データ値を時系列データに変換する変換部を備えることにより、得られた時系列データを教師データとして学習することができるので、自動的に学習モデルを生成することができる。したがって、学習モデルを生成する際にユーザの手間を軽減することができる。

【図面の簡単な説明】

【0022】

【図1】学習システムの構成例を示すシステム図である。

【図2】学習システムにおける計測対象と収集装置との間のやり取りの例を示すシーケンス図である。

【図3】学習装置の構成例を示すブロック図である。

【図4】（ａ）分別ルールのイメージ図である。（ｂ）データパケットの構成イメージ図である。

【図5】分別部による分別のイメージ図である。

【図6】学習装置における学習時の動作例を示すフローチャートである。

【図7】学習装置における推定時の動作例を示すフローチャートである。

【発明を実施するための形態】

【0023】

本発明に係る学習装置について、図面を参照しながら、詳細に説明する。

【0024】

＜実施形態＞
＜概要＞
図１は、本実施例に係る学習システムの構成例を示すシステム図である。

【0025】

図１に示すように、学習システムは、車両１０に搭載された計測器２００により計測される各種の計測データが、ミラーリング装置３０、ルータ２０ａ、ネットワーク４００、ルータ２０ｂを含む通信経路を介して、アップロードされる態様において、そのアップロードされるデータに異常がないかを検出するための学習モデルを自動的に生成し、異常を検出するシステムである。

【0026】

学習装置１００は、ミラーリング装置３０により、計測器２００からルータ２０ａに伝送されるデータライン上に設けられ、ミラーリング装置３０によりコピーされたデータパケットを取得する。そして、学習装置１００は、取得したデータパケットを利用して、学習モデルを生成し、生成した学習モデルを用いて、以降計測器２００とルータ２０ａとの間を流れるデータパケットに含まれる計測データに異常がないかを検出する。より厳密には、学習装置１００は、データパケットに含まれる計測データの計測データ値を時系列順に連ねた時系列データに異常がないかを検出する。なお、図１では、ミラーリング装置３０を、計測器２００とルータ２０ａとの間のデータライン上に設ける例を示しているが、ミラーリング装置３０は、無線接続の場合には、計測器２００とルータ２０ａの間に設けられ、有線接続の場合には、計測器２００とルータ２０ａの間、又は、ルータ２０ｂと情報処理装置３００との間に設けることとしてよい。

【0027】

ここで、図１に示す、各装置について簡単に説明する。

【0028】

計測器２００は、車両１０に搭載され、車両１０の各種の情報を取得するセンサ群によりセンシングされて得られる計測データを収集し、情報処理装置３００にアップロードする機器である。計測器２００は、一例としてＣＡＮ（Car Area Network）に接続されて、車両１０の各種の情報を収集することとしてよく、車両１０に搭載されずに、無線通信により情報を収集するものであってもよい。車両１０の各種の情報とは、車両に関する情報であればどのような情報であってもよく、例えば、エンジンの回転数、車速、各車輪の回転速度、車輪の方向を示す基準位置からの角度、空調の作動状態、ワイパーの作動状態、ウィンカーの作動状態、燃料の残量、電池の蓄電量、車載カメラの撮像画像などの情報であってよいが、これらに限定するものではない。

【0029】

ルータ２０ａ、２０ｂは、各種のデジタル通信機器をネットワーク４００に接続するための機器である。

【0030】

ミラーリング装置３０は、計測器２００からルータ２０ａに向かう通信経路上（データライン上）を流れるデータパケットをコピーして、学習装置１００にコピーしたデータパケットを転送する装置である。

【0031】

情報処理装置３００は、計測器２００により計測される計測データを遠隔にて、確認するためのコンピュータシステムである。情報処理装置３００は、計測器２００あるいは、車両１０の制御機構に対して、車両１０を制御するための情報を送信できてもよい。情報処理装置３００は、一般的なＰＣ、ノートＰＣ、サーバ装置、タブレット端末などにより実現されてよいが、これらに限定するものではない。

【0032】

ネットワーク４００は、各種の機器との間を相互に接続させるためのネットワークであり、例えば、無線ネットワークや有線ネットワークである。具体的には、ネットワーク４００は、ワイヤレスＬＡＮ（ｗｉｒｅｌｅｓｓ ＬＡＮ：ＷＬＡＮ）や広域ネットワーク（ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ：ＷＡＮ）、ＩＳＤＮｓ（ｉｎｔｅｇｒａｔｅｄ ｓｅｒｖｉｃｅ ｄｉｇｉｔａｌ ｎｅｔｗｏｒｋｓ）、無線ＬＡＮｓ、ＬＴＥ（ｌｏｎｇ ｔｅｒｍ ｅｖｏｌｕｔｉｏｎ）、ＬＴＥ－Ａｄｖａｎｃｅｄ、第４世代（４Ｇ）、第５世代（５Ｇ）、第６世代（６Ｇ）、ＣＤＭＡ（ｃｏｄｅ ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅ ａｃｃｅｓｓ）、ＷＣＤＭＡ（登録商標）、イーサネット（登録商標）などである。また、ネットワーク４００は、これらの例に限られず、例えば、公衆交換電話網（Ｐｕｂｌｉｃ Ｓｗｉｔｃｈｅｄ Ｔｅｌｅｐｈｏｎｅ Ｎｅｔｗｏｒｋ：ＰＳＴＮ）やブルートゥース（Ｂｌｕｅｔｏｏｔｈ（登録商標））、ブルートゥースローエナジー（Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ）、光回線、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）回線、衛星通信網などであってもよく、どのようなネットワークであってもよい。ネットワーク４００は、ユーザの住居に備えられる場合には、ホームネットワークと呼称されることもある。また、ネットワーク４００は、例えば、ＮＢ－ＩｏＴ（Ｎａｒｒｏｗ Ｂａｎｄ ＩｏＴ）や、ｅＭＴＣ（ｅｎｈａｎｃｅｄ Ｍａｃｈｉｎｅ Ｔｙｐｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）であってもよい。なお、ＮＢ－ＩｏＴやｅＭＴＣは、ＩｏＴ向けの無線通信方式であり、低コスト、低消費電力で長距離通信が可能なネットワークである。また、ネットワーク４００は、これらの組み合わせであってもよい。また、ネットワーク４００は、これらの例を組み合わせた複数の異なるネットワークを含むものであってもよい。例えば、ネットワーク４００は、ＬＴＥによる無線ネットワークと、閉域網であるイントラネットなどの有線ネットワークとを含むものであってもよい。

【0033】

図２は、計測器２００と情報処理装置３００間のやり取りの例を示すシーケンス図である。本実施形態に係る学習装置１００は、この計測器２００と情報処理装置３００との間のやり取りにより、送受信される複数のデータパケットを利用して、複数のデータパケットに含まれる計測データの計測データ値を時系列順に接続してなる時系列データに異常があるか否かを検出する。

【0034】

図２に示すように、情報処理装置３００は、計測器２００に対して、計測条件データを送信する（ステップＳ２０１）。この計測条件データは、計測器２００に対して、どういうセンシングデータを、どういうフォーマット（配列、データの並び順、データパケット中のアドレス、ビット値）で送信するかを指定する情報である。

【0035】

計測器２００は、計測条件データを受信すると、受取応答を情報処理装置３００に送信する（ステップＳ２０２）。

【0036】

情報処理装置３００は、受取応答を受信すると、計測開始指示を計測器２００に送信する（ステップＳ２０３）。

【0037】

計測器２００は、計測開始指示にしたがって、車両１０の各部に対して、計測を実行するように指示する。そして、計測器２００は、指定した各部から上がってくる計測データ値を含むデータパケットを送信する。計測器２００は、基本的に、一時に計測された計測データ値群をひとまとめにして、一つのデータパケットを生成し、順次情報処理装置３００に送信する（ステップＳ２０４、Ｓ２０５、Ｓ２０６）。即ち、ステップＳ２０４において、送信されるデータパケットは、一時に測定されたステップＳ２０１で指定された計測データ値の集合であり、後続するステップＳ２０５において送信されるデータパケットは、その次の時点で測定された計測データ値の集合となる。

【0038】

学習装置１００は、情報処理装置３００から送信された計測条件データを取得することで、データラインを流れるデータパケットの構成を認識することができ、教師データとなる時系列データとその計測ラベルを生成することができる。以下、詳細に説明する。

【0039】

＜構成＞
図３は、学習装置１００の構成例を示すブロック図である。学習装置１００は、ＰＣ、ノートＰＣ、サーバ装置、タブレット端末などにより実現されるコンピュータシステムであってよいが、その実現例は、ここに例示したものに限定するものではない。

【0040】

図３に示すように、学習装置１００は、通信部１１０と、制御部１３０と、記憶部１４０と、出力部１５０と、を備える。また、学習装置１００は、入力部１２０を備えることとしてもよい。通信部１１０と、入力部１２０と、制御部１３０と、記憶部１４０と、出力部１５０と、は通信線１６０を介して互いに通信可能であってよい。なお、通信線１６０は、無線であってもよい。

【0041】

通信部１１０は、外部の装置と通信するための通信インターフェースである。通信部１１０は、ミラーリング装置３０と通信して、ミラーリング装置３０から送信されたデータパケットを受信して、制御部１３０に伝達する。データパケットには、計測条件データが含まれる場合と、計測条件データに従って計測された１以上の計測データ値が含まれる場合とがある。また、通信部１１０は、情報処理装置３００と通信できてもよく、制御部１３０からの指示に従って、データライン上を流れるデータパケットに基づいて生成される時系列データに異常が見られた場合に、情報処理装置３００にその旨を報告することとしてよい。

【0042】

入力部１２０は、学習装置１００のユーザからの入力を受け付ける機能を有する入力インターフェースである。入力部１２０は、例えば、キーボードやマウス、タッチパネル、ハードキー、ソフトキーなどにより実現されてよいがこれらに限定するものではない。入力部１２０は、例えば、マイクであって、音声による入力を受け付けるものであってもよい。入力部１２０は、入力された入力内容を制御部１３０に伝達する。

【0043】

制御部１３０は、学習装置１００の各部を制御する機能を有するプロセッサである。制御部１３０は、記憶部１４０に記憶されているプログラムを読み出して実行することにより、学習装置１００が果たすべき機能を実現する。

【0044】

制御部１３０は、果たすべき機能として、取得部１３１と、分別部１３２と、変換部１３３と、学習部１３４と、推定部１３５と、を備える。

【0045】

取得部１３１は、データライン上を流れるデータパケットを、通信部１１０を介して取得する。具体的には、取得部１３１は、ミラーリング装置３０によりコピーされたデータライン上のデータパケットを、ミラーリング装置３０から取得する。取得部１３１は、取得したデータパケットを分別部１３２に伝達する。

【0046】

分別部１３２は、伝達されたデータパケットが、計測条件データである場合には、当該計測条件データに含まれる情報に従って分別ルール１４１を生成する。計測条件データには、計測における環境を指定する情報と、その場合の計測の対象となる計測データが何であるかを指定する情報と、が含まれる。より具体的には、計測条件データは、どういう環境下での計測を行うものであり、データペイロードの先頭から、どういう情報が何ビット含まれているのかのデータフォーマットを示す情報である。したがって、分別部１３２により生成される分別ルール１４１は、データライン上を流れるデータがどのようなデータを識別するための識別情報（後述の計測条件種別４０１）と、その場合のデータパケットに含まれる計測データがどのような構成で含まれているのかを示すデータフォーマット（後述のデータフォーマット４０２）と、が対応付けられた情報である。分別ルール１４１があることにより、データライン上を流れるデータパケットに含まれる計測データを適切に分別することができる。

【0047】

また、分別部１３２は、伝達されたデータパケットに、計測データが含まれる場合には、分別ルール１４１（又は計測条件データ）にしたがって、各計測データの計測データ値に分別する。そして、分別部１３２は、分別した計測データ値を変換部１３３に伝達する。分別部１３２は、分別した各計測データが何のデータであるかを示す情報（計測ラベル）とともに変換部１３３に伝達する。

【0048】

変換部１３３は、分別部１３２により分別された計測データ値であって、同種の計測データの計測データ値を時系列に沿って並べて結合することで、一点のデータである計測データ値を時系列データに変換する。変換部１３３は、所定数以上または所定データ量以上の計測データが蓄積された場合に、蓄積した計測データを、測定された時刻の順に並べて結合することで、時系列データに変換することとしてよい。なお、変換部１３３は、所定数または所定量の計測データがない場合には、所定数または所定量に達しておらずとも計測データ値を時系列データに変換することとしてもよい。変換部１３３は、生成した時系列データを記憶部１４０に記憶させてもよい。また、変換部１３３は、学習時においては、時系列データと、時系列データが何の時系列データであるかを示す情報（計測ラベル）と、を学習部１３４に伝達する。また、変換部１３３は、推定時においては、時系列データと、時系列データが何の時系列データであるかを示す情報（計測ラベル）と、を推定部１３５に伝達する。

【0049】

学習部１３４は、変換部１３３が生成した時系列データとその計測ラベルとを用いて、学習モデル１４３を生成する。学習部１３４は、生成した学習モデル１４３を記憶部１４０に記憶させる。学習部１３４は、計測対象の車両１０の各部が正常に稼働していることが分かっている状態で計測された計測データ値を含むデータパケット群によって生成された時系列データを学習する。即ち、学習部１３４は、車両１０が正常に動作している状態の、何等かの事象の経時的変化（時系列データ）を、正常な状態の情報として学習する。例えば、学習部１３４は、変換部１３３により変換されて生成された時系列データが、エンジンの回転数の経時的変化を示すものであった場合には、エンジンの回転数の正常な状態における変化を学習する。生成された時系列データが、エンジンの回転数を示すデータであることは、分別部１３２による分別時に特定され、計測ラベルとして利用される。したがって、学習部１３４は、生成された時系列データと、当該時系列データがエンジンの回転数を示すデータであることを示す計測ラベルと、が対応付けられた情報を教師データとして学習を実行する。このとき、学習部１３４は、更に、車両１０がどういう状態における時系列データを学習したのかも学習することとしてもよい。例えば、学習部１３４は、時系列データがエンジンの回転数の経時的変化を示すものであって、アイドリング時や時速ｘｋｍで加速している時などの車両１０の環境も併せて学習することとしてもよい。なお、ここでいう事象は、エンジンの回転数に限定するものではない。計測対象が車両の場合であれば、その他の例として、アクセル開度、車輪速、操舵角、車両の加速度、角速度や温度などであってよいが、これらに限定するものではない。

【0050】

推定部１３５は、変換部１３３が生成した時系列データを、記憶部１４０に記憶されている学習モデル１４３に入力し、時系列データに異常があるか否かを判定する。推定部１３５は、時系列データに異常がある可能性（パーセンテージ）を推定するものであってもよい。推定部１３５は、伝達された時系列データが何のデータであるかを示す情報（計測ラベル）に基づいて、時系列データと、学習モデル１４３として学習された対応する計測ラベルの時系列データと、の間の類似度を算出することとしてよい。そして、推定部１３５は、算出した類似度が、所定の閾値以下である場合に、伝達された時系列データに異常があると推定することとしてよい。

【0051】

記憶部１４０は、学習装置１００が動作上必要とする各種プログラムやデータを記憶する機能を有する記憶媒体である。記憶部１４０は、例えば、ＨＤＤ、ＳＳＤ、フラッシュメモリなどにより実現されてよいが、これらに限定するものではない。

【0052】

記憶部１４０は、分別ルール１４１と、時系列データ１４２と、学習モデル１４３とを記憶していてよい。

【0053】

分別ルール１４１は、データライン上を流れるデータパケットに含まれる計測データの計測データ値を分別するためのルールを示す情報である。分別ルール１４１の詳細については後述する。

【0054】

時系列データ１４２は、変換部１３３により生成された時系列データのことであり、同種の計測データ群を時系列順に結合して生成されたデータである。

【0055】

学習モデル１４３は、学習部１３４により生成された学習モデルであり、計測データ値に基づく時系列データと、その時系列データが何の情報であるかを示すラベルと、の対応関係を学習したモデルである。

【0056】

出力部１５０は、制御部１３０からの指示にしたがって、指定された情報を出力する機能を有する。出力部１５０は、学習装置１００に接続された、又は、学習装置１００に設けられたモニターに対する画像や文字列の表示によって出力を行うものであってよい。また、出力部１５０は、学習装置１００に接続された、又は、学習装置１００に設けられたスピーカから、音声によって出力を行うものであってもよい。

【0057】

なお、計測器２００は、一例として、車両１０の各種の情報を収集して、情報処理装置３００に転送する装置であり、従来の計測器と同様であるため、詳細な構成の説明を省略する。また、情報処理装置３００も、一般的なＰＣ、ノートＰＣ、タブレット端末などにより実現される情報処理装置であるため、詳細な構成の説明を省略する。

【0058】

＜データ＞
図４（ａ）は、分別ルール１４１のデータ構成例を示すデータ概念図である。

【0059】

図４（ａ）に示すように、分別ルール１４１は、計測条件種別４０１と、データフォーマット４０２とが対応付けられた情報である。

【0060】

計測条件種別４０１は、データライン上を流れるデータパケットの計測データ群が、どういう状況下で測定されたものかを識別するための識別情報である。計測条件種別４０１は、車両１０のどういう状態を認識したいのかを指定、識別するための情報であってもよい。計測条件種別４０１は、分別部１３２により、学習装置１００においてデータパケットが何のデータパケットであるかを一意に、他の種別のデータパケットと区別可能に付与される識別情報であり、計測条件データに相当する。計測条件種別４０１は、データパケットのヘッダに含まれる情報であってもよい。

【0061】

データフォーマット４０２は、対応する計測条件種別４０１のデータパケットのデータペイロードに含まれる計測データ群のデータフォーマット、即ち、何のデータが、データパケット中のどこのアドレスに、どの単位で含まれているかを定義した情報である。

【0062】

図４（ａ）の例では、計測条件種別４０１が、「Ｄ００００１」であるデータパケットの場合、データペイロードには、「計測データＡ１」が、データパケット中のアドレス「Ａｄａ１」に「Ｂａ１」ビット、「計測データＡ２」が、データパケット中のアドレス「Ａｄａ２」に「Ｂａ２」ビット、「計測データＡ３」が、データパケット中のアドレス「Ａｄａ３」に「Ｂａ３」ビット、含まれていることが理解される。

【0063】

ここで、「計測データＡ１」や「計測データＡ２」、「計測データＡ３」などは、各計測データが何を測定したデータであるのかを特定できる情報であってよく、計測ラベルに相当する。一例として、車両１０の場合であれば、計測データは、エンジンの回転数、残存燃料、車速、など、計測の対象となった内容を示す情報であってよい。また、「Ａｄａ１」、「Ａｄｂ１」などは、計測データの、データパケット中のアドレスを示し、「Ｂａ１」ビット、「Ｂａ２」ビットなどは、計測データの、データパケット中におけるビット数（対応する計測データの計測データ値がデータペイロード中に含まれる範囲（データ量））を示す。

【0064】

上述したように、分別ルール１４１は、計測条件データによって規定されるデータである。分別部１３２は、分別ルール１４１があることにより、データライン上を流れるデータパケットに含まれる計測データ群を適切に分別することができる。

【0065】

図４（ｂ）は、計測データを含むデータパケットの構成例を示すイメージ図である。図４（ｂ）に示されるように、データパケットは、ヘッダと、データペイロードとからなる。図４（ｂ）に示すように、ヘッダには、データパケットに含まれる計測データが何かを特定するための計測条件種別が含まれる。また、そして、データペイロードには、当該計測条件種別に従って格納された計測データの計測データ値が、計測条件種別で定められるアドレス並びにビット数で格納される。

【0066】

＜学習と推定のイメージ＞
図５は、学習装置１００による学習処理のイメージを示すものであるとともに、学習モデルを用いた推定のイメージを示す図でもある。

【0067】

図５に示すように、データライン上をデータパケット５００ａ、５００ｂ、…、５００ｎが伝送されるとする。データパケット５００ａ、５００ｂ、…、５００ｎには、ヘッダと、各計測データが含まれる。

【0068】

図５に示すように、データパケット５００ａのデータペイロードには、計測データＰ１と、計測データＲ１と、計測データＱ１と、計測データＳ１とが、この順に含まれる。同様に、データパケット５００ｂのデータペイロードには、計測データＰ２と、計測データＲ２と、計測データＱ２と、計測データＳ２とが、この順に含まれ、データパケット５００ｎのデータペイロードには、計測データＰｎと、計測データＲｎと、計測データＱｎと、計測データＳｎとが、この順に含まれる。ここで、データパケット５００ａ～５００ｎは、同じ条件での計測を行った場合のデータ例を示している。

【0069】

図５に示す各データパケット５００ａ～５００ｎは、分別部１３２により分別ルール１４１にしたがって、各計測データに分別される。

【0070】

図５において、点線で囲っているように、計測データＰ１と、計測データＰ２と、…、計測データＰｎとは、同種の計測データの計測データ値であり、同じセンサにより得られたデータである。同様に、計測データＱ１と、計測データＱ２と、…、計測データＱｎとは、同じセンサにより得られた計測データ値であり、計測データＲ１と、計測データＲ２と、…、計測データＲｎとは、同じセンサにより得られた計測データ値であり、計測データＳ１と、計測データＳ２と、…、計測データＳｎとは、同じセンサにより得られた計測データ値である。

【0071】

したがって、図５の例で言えば、分別部１３２は、データパケット５００ａを、計測データＰ１と、計測データＲ１と、計測データＱ１と、計測データＳ１とに分割する。また、分別部１３２は、データパケット５００ｂを、計測データＰ２と、計測データＲ２と、計測データＱ２と、計測データＳ２とに分割する。また、分別部１３２は、データパケット５００ｎは、計測データＰｎと、計測データＲｎと、計測データＱｎと、計測データＳｎとに分割する。そして、分別部１３２は、計測データＰ１と、計測データＰ２と、…、計測データＰｎとを同じ種別の計測データとして分別する。同様に、分別部１３２は、計測データＱ１と、計測データＱ２と、…計測データＱｎとを同じ種別の計測データとして分別し、計測データＲ１と、計測データＲ２と、…計測データＲｎとを同じ種別の計測データとして分別し、計測データＳ１と、計測データＳ２と、…計測データＳｎとを同じ種別の計測データとして分別する。

【0072】

変換部１３３は、分別部１３２により分別されて集められた各計測データの計測データ値を時系列順に並べて結合し、時系列データに変換する。即ち、変換部１３３は、計測データＰ１と、計測データＰ２と、…、計測データＰｎとを結合させ、計測データＰを計測ラベルとして時系列データを生成する。また、変換部１３３は、計測データＱ１と、計測データＱ２と、…、計測データＱｎとを結合させ、計測データＱを計測ラベルとして時系列データを生成する。同様に、変換部１３３は、計測データＲ１と、計測データＲ２と、…、計測データＲｎとを結合させ、計測データＲを計測ラベルとして時系列データを生成し、計測データＳ１と、計測データＳ２と、…、計測データＳｎとを結合させ、計測データＳを計測ラベルとして時系列データを生成する。

【0073】

そして、学習の段階にあっては、学習部１３４は、変換部１３３により生成された、計測データＰを計測ラベルとする時系列データと、計測データＱを計測ラベルとする時系列データと、計測データＲを計測ラベルとする時系列データと、計測データＲを計測ラベルとする時系列データと、を用いて、学習モデル１４３を生成する。なお、この時生成される学習モデル１４３は、各時系列データを纏めて学習した学習モデルであってもよいし、計測ラベルごと、即ち、計測データＰ専用の学習モデル、計測データＱ専用の学習モデル、計測データＲ専用の学習モデル、…というように各計測データに特化した学習モデルを生成するものであってもよい。

【0074】

また、推定の段階にあっては、推定部１３５は、変換部１３３により生成された計測データＰの時系列データ、計測データＱの時系列データ、計測データＲの時系列データ、計測データＳの時系列データ、それぞれを入力として、学習モデル１４３として学習されている計測データＰの時系列データとして異常があるか否か、計測データＱの時系列データとして異常があるか否か、計測データＲの時系列データとして異常があるか否か、計測データＳの時系列データとして異常があるか否かを、推定する。推定部１３５は、一例として、変換部１３３により生成された時系列データが、学習モデル１４３として学習されている対応する時系列データ群との類似度に基づいて、異常があるか否かを推定する。即ち、類似度が高ければ異常はないと推定し、類似度が低ければ異常があると推定する。そのため、推定部１３５は、類似度の高低を判断するための所定の閾値を記憶、保持していてもよい。この所定の閾値は、計測データごとに一律に同一の閾値であってもよいし、計測データごとに個別に設定されてもよい。

【0075】

このようにして、学習装置１００においては、学習モデル１４３が生成されるとともに、学習モデル１４３を用いた推定処理が実行される。

【0076】

＜動作＞
図６は、学習装置１００による学習処理における動作例を示すフローチャートである。

【0077】

図６に示すように、制御部１３０の取得部１３１は、通信部１１０を介して、データライン上を伝送されるデータパケットを取得する（ステップＳ６０１）。取得部１３１は、取得したデータパケットを分別部１３２に伝達する。

【0078】

分別部１３２は、伝達されたデータパケットが、計測条件データを示すものであるか否かを判定する（ステップＳ６０２）。当該判定は、例えば、データパケットのヘッダに含まれる情報によって判定することができる。

【0079】

データパケットが計測条件データを示すものであった場合に（ステップＳ６０２のＹＥＳ）、分別部１３２は、計測条件データにしたがって、分別ルールと、分別により分別される各計測データの計測ラベルを生成する（ステップＳ６０３）。そして、分別部１３２は、分別ルール１４１として、記憶部１４０に生成した分別ルールと計測ラベルを記憶する（ステップＳ６０４）。

【0080】

一方、データパケットが計測条件データでなかった場合には（ステップＳ６０２のＮＯ）、分別部１３２は、データパケットのヘッダに含まれるデータパケットが何の計測を行うものであるかを示す識別情報（計測条件種別）を抽出し、対応する分別ルール１４１を記憶部１４０から読み出す。そして、分別部１３２は、読み出した分別ルールに従って、データパケットのデータペイロードを計測データ値に分別する（ステップＳ６０５）。分別部１３２は、分別した計測データ値を、その計測データ値が何を計測したデータであるかを示す情報（計測ラベル）とともに記憶部１４０に記憶する。

【0081】

変換部１３３は、分別された計測データ値が所定数蓄積されているか否かを判定する（ステップＳ６０６）。変換部１３３は、分別された同種の計測データ値が所定数蓄積されていない場合には（ステップＳ６０６のＮＯ）、ステップＳ６０１の処理に戻る。また、変換部１３３は、分別された同種の計測データ値が所定数蓄積されている場合には（ステップＳ６０６のＹＥＳ）、計測データ値を時系列順に並べて結合し、時系列データに変換する（ステップＳ６０７）。上述の通り、計測データは、車両１０に設けられたセンサ等によりセンシングされるデータ（センサに限らず何らかの出力値でもよい）であり、ある一時のデータである。したがって、計測データ値を時系列順に結合させることで、対応するセンサによりセンシングされた値の経時的変化を示すデータに変換することができる。変換部１３３は、計測データ値群を変換して生成した時系列データを、その時系列データが何の経時的変化を示す情報（計測ラベル）とともに記憶部１４０に記憶する。

【0082】

学習部１３４は、所定数の時系列データがあるか否かを判定する（ステップＳ６０８）。所定数の時系列データがない場合には（ステップＳ６０８のＮＯ）、ステップＳ６０１の処理に戻る。所定数の時系列データがある場合には（ステップＳ６０８のＹＥＳ）、時系列データと対応するラベルとを教師データとする学習を行って学習モデル１４３を生成する（ステップＳ６０９）。学習モデル１４３の生成にあたっては既存の深層学習に係るアルゴリズム（一例として、ディープニューラルネットワーク、サポートベクターマシンなどがあるがこれらに限定するものではない）を用いることとしてよい。

【0083】

そして、学習部１３４は、生成した学習モデル１４３を記憶部１４０に記憶し（ステップＳ６１０）、処理を終了する。

【0084】

以上が、学習装置１００が、学習モデルを生成する際の動作の説明である。

【0085】

なお、計測データ値や時系列データの記憶は一時的なものであってもよく、計測データ値が時系列データに変換されて、学習モデル１４３が生成された後には、記憶部１４０から削除されてもよい。

【0086】

図７は、学習装置１００による推定処理における動作例を示すフローチャートである。

【0087】

制御部１３０の取得部１３１は、通信部１１０を介して、データライン上を伝送されるデータパケットを取得する（ステップＳ７０１）。取得部１３１は、取得したデータパケットを分別部１３２に伝達する。

【0088】

分別部１３２は、伝達されたデータパケットに含まれる計測データが何であるかを、データパケットのヘッダに含まれる後続するデータペイロードの計測データが何のデータであるかを示す識別情報（計測条件種別）に基づいて、対応する分別ルールと、正解ラベルを特定する（ステップＳ７０２）。正解ラベルとは、計測データ群の各計測データに基づいて生成される時系列データに対して付与すべき計測ラベルのことである。

【0089】

分別部１３２は、特定された分別ルールと正解ラベルに従って、データパケットのデータペイロードを計測データ値に分別する（ステップＳ７０３）。分別部１３２は、分別した計測データ値を、その計測データ値が何を計測したデータであるかを示す情報（正解ラベル）とともに記憶部１４０に記憶する。

【0090】

変換部１３３は、所定数の同種の計測データ値が有るか否かを判定する（ステップＳ７０４）。所定数の計測データ値がない場合には（ステップＳ７０４のＮＯ）、ステップＳ７０１の処理に戻る。所定数の計測データ値がある場合には（ステップＳ７０４のＹＥＳ）、計測データを、時系列の順に並べて結合し、時系列データに変換する（ステップＳ７０５）。変換部１３は、計測データ値群を変換して生成した時系列データとその正解ラベルを推定部１３５に伝達する。

【0091】

推定部１３５は、伝達された時系列データと正解ラベルに基づき、学習モデル１４３において学習されている正解ラベルに対応する計測ラベルの時系列データとの類似度を算出する（ステップＳ７０６）。そして、その類似度の高低に基づいて、異常があるか否かを示す推定結果を出力部１５０に出力させて（ステップＳ７０７）、処理を終了する。なお、出力部１５０による推定結果の出力は、学習装置１００に接続若しくは設けられているモニターに対する画像や文字列による出力、スピーカに対する音声による出力、通信部１１０を介した外部の装置（例えば、情報処理装置３００）への送信のいずれの態様により実現されてもよい。

【0092】

＜まとめ＞
上記実施形態に示したように、学習装置１００は、計測条件データにしたがって、自動的に、データパケットを分別するための分別ルールを作成するとともに、その分別した各計測データが何であるかを示すラベルを生成することができる。そして、学習装置１００は、作成した分別ルールにしたがってデータパケットの計測データ値を分別し、各計測データの計測データ値を時系列データに変換して、ラベルを対応付けることで、自動的に教師データを生成することができる。したがって、学習装置１００は、自動生成された教師データを用いて、学習モデル１４３を作成することができる。また、その後に、学習装置１００は、データラインを流れるデータパケットから計測データの計測データ値を結合した時系列データと、学習モデル１４３とを用いて、自動的に、データパケットを流れるデータに基づく時系列データに異常があるか否かを判定することができる。

【0093】

＜補足＞
上記実施形態に係る学習装置は、上記実施形態に限定されるものではなく、他の手法により実現されてもよいことは言うまでもない。以下、各種変形例について説明する。

【0094】

（１） 上記実施形態においては、車両に搭載された計測器２００と、計測器２００により測定された計測データをアップロードする情報処理装置３００の間の通信経路上のデータに基づいて、自動的に学習モデルを作成し、学習モデルの作成後に、通信経路上を流れるデータに異常があるか否かを検出する例を示したが、学習装置１００が学習し異常があるか否かを推定する対象は車両の計測器２００のデータに限定するものではない。

【0095】

上記実施形態に示すように、計測対象から計測した何等かのデータがアップロードされるものであって、その計測対象に対して、計測内容と、その際のデータアップロードの際のフォーマット（計測条件データ）が伝達されるものであれば、学習の対象となる計測データは、車両２０のものに限定するものではない。

【0096】

一例として、計測対象は、工場等に設けられる複数のロボットであってもよいし、建築物内の環境であってもよい。例えば、ロボットの場合であれば、ロボットの関節角度であったり、消費電力であったり、モータの回転速度であったりを、計測対象とすることができる。また、建築物内の環境であれば、例えば、空調の温度設定や風速、室内温度や湿度などを計測対象とすることとしてもよい。したがって、学習装置１００は、どのような計測データであっても、その検出値に異常があるか否かを推定することができる。

【0097】

（２） 上記実施形態においては、車両１０の計測データに異常があるか否かを推定することとしているが、この推定は、さらに、第３者による不正アクセスや、不正アクセスに伴うデータの改ざん等を検出にも役立てることができる。例えば、情報処理装置３００が、車両１０に対して、車両１０の動作をコントロールできる場合であって、車両１０からの計測データに基づくコントロールを実行しているときに、第３者が計測データの計測データ値を改ざんすると、情報処理装置３００は車両１０が正常に動作しているにも関わらず改ざんされた計測データ値（間違った計測データ値）により、本来すべきではない制御を実行することが有り得る。このような場合に、学習装置１００が、データライン上のデータパケットから分別された計測データの計測データ値の時系列データに異常（改ざんに基づく以上）を発見することで、車両１０が情報処理装置３００により誤った制御が実行され事故につながる可能性を抑制することができる。一方で、情報処理装置３００からの制御指示についても、通常時の制御内容を自動的に学習することで、車両１０に対する指令自体を改ざんされた場合に、その異常を検知し、通知することができる。このような場合には、車両１０に対して、異常があった場合に、学習装置１００から停止指示を出力できるように構成してもよい。また、学習装置１００は、ネットワーク４００を介して、異常を検知した場合に、改ざんが行われた可能性があることを、情報処理装置３００等に報知するようにしてもよい。

【0098】

（３） 上記実施形態においては示していないが、ネットワーク４００には、情報処理装置３００の他に、計測器２００により計測された計測データを記憶保存するためのクラウドサーバが接続され、当該クラウドサーバに対しても計測データがアップロードされることとしてもよい。

【0099】

（４） 上記実施形態において、学習装置１００は、予め学習装置１００と同様の手法によって他の装置により生成された学習モデル１４３を記憶し、推定部１３５によるデータパケットに含まれる計測データに基づく時系列データに異常があるか否かを判定する異常検知装置としてのみ動作することとしてもよい。この場合、分別ルールも、学習モデル１４３を生成した他の装置から異常検知装置に伝達され、記憶されることによって、異常があるか否かを推定することができる。

【0100】

（５） 本開示の各実施形態のプログラムは、コンピュータに読み取り可能な記憶媒体に記憶された状態で提供されてもよい。記憶媒体は、「一時的でない有形の媒体」に、プログラムを記憶可能である。記憶媒体は、ＨＤＤやＳＳＤなどの任意の適切な記憶媒体、またはこれらの２つ以上の適切な組合せを含むことができる。記憶媒体は、揮発性、不揮発性、または揮発性と不揮発性の組合せでよい。なお、記憶媒体はこれらの例に限られず、プログラムを記憶可能であれば、どのようなデバイスまたは媒体であってもよい。

【0101】

なお、学習装置１００は、例えば、記憶媒体に記憶されたプログラムを読み出し、読み出したプログラムを実行することによって、各実施形態に示す複数の機能部の機能を実現することができる。また、当該プログラムは、任意の伝送媒体（通信ネットワークや放送波等）を介して、学習装置１００に提供されてもよい。学習装置１００は、例えば、インターネット等を介してダウンロードしたプログラムを実行することにより、各実施形態に示す複数の機能部の機能を実現する。

【0102】

なお、当該プログラムは、例えば、ＡｃｔｉｏｎＳｃｒｉｐｔ、ＪａｖａＳｃｒｉｐｔ（登録商標）などのスクリプト言語、Ｏｂｊｅｃｔｉｖｅ―Ｃ、Ｊａｖａ（登録商標）などのオブジェクト指向プログラミング言語、ＨＴＭＬ５などのマークアップ言語などを用いて実装できる。

【0103】

学習装置１００における処理の少なくとも一部は、１以上のコンピュータにより構成されるクラウドコンピューティングにより実現されていてもよい。また、学習装置１００の各機能部は、上記実施形態に示した機能を実現する１または複数の回路によって実現されてもよく、１の回路により複数の機能部の機能が実現されることとしてもよい。

【0104】

（６） 本開示の実施形態を諸図面や実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形や修正を行うことが容易であることに注意されたい。従って、これらの変形や修正は本開示の範囲に含まれることに留意されたい。例えば、各手段、各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の手段やステップ等を１つに組み合わせたり、或いは分割したりすることが可能である。また、各実施形態に示す構成を適宜組み合わせることとしてもよい。

【符号の説明】

【0105】

１ 情報処理システム
１０ 車両
２０ａ、２０ｂ ルータ
３０ ミラーリング装置
１００ 学習装置
１１０ 通信部
１２０ 入力部
１３０ 制御部
１３１ 取得部
１３２ 分別部
１３３ 変換部
１３４ 学習部
１３５ 推定部
１４０ 記憶部
１５０ 出力部
２００ 計測器
３００ 情報処理装置
４００ ネットワーク

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】