知財求人 - 知財ポータルサイト「IP Force」
▶ 株式会社Ｇｅｏｌｏｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙの特許一覧
(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】P2024125650
(43)【公開日】2024-09-19
(54)【発明の名称】地域特定システム
(51)【国際特許分類】
G06Q 50/10 20120101AFI20240911BHJP
【ＦＩ】
G06Q50/10
【審査請求】未請求
【請求項の数】6
【出願形態】ＯＬ
(21)【出願番号】P 2023033608
(22)【出願日】2023-03-06
(71)【出願人】
【識別番号】503295518
【氏名又は名称】株式会社Ｇｅｏｌｏｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ
(74)【代理人】
【識別番号】100105784
【弁理士】
【氏名又は名称】橘 和之
(72)【発明者】
【氏名】岩津 良哉
【テーマコード（参考）】
5L049
5L050
【Ｆターム（参考）】
5L049CC12
5L050CC12
(57)【要約】
【課題】動的ＩＰアドレスについても、それが使用されている地域を特定することができるようにする。
【解決手段】丸めの無いＩＰアドレスまたはこれをサブネットマスクにより数ビットを丸めたＩＰアドレスと、当該ＩＰアドレスの使用地域に関する紐付情報との組み合わせから成る学習用データを用いた機械学習処理により、ＩＰアドレスが入力された際に地域情報が出力されるように構成された特定モデルを生成するモデル生成部１１と、地域特定対象のＩＰアドレスを特定モデルに入力し、ＩＰアドレスに対応する地域情報を特定モデルから出力する地域特定部１２とを備え、モデル生成部１１が機械学習処理を繰り返し実行することによって特定モデルを逐次更新し、更新した直近の特定モデルを用いてＩＰアドレスから地域情報を特定することにより、動的ＩＰアドレスが使用されている地域を特定することを可能にする。
【選択図】図１
【解決手段】丸めの無いＩＰアドレスまたはこれをサブネットマスクにより数ビットを丸めたＩＰアドレスと、当該ＩＰアドレスの使用地域に関する紐付情報との組み合わせから成る学習用データを用いた機械学習処理により、ＩＰアドレスが入力された際に地域情報が出力されるように構成された特定モデルを生成するモデル生成部１１と、地域特定対象のＩＰアドレスを特定モデルに入力し、ＩＰアドレスに対応する地域情報を特定モデルから出力する地域特定部１２とを備え、モデル生成部１１が機械学習処理を繰り返し実行することによって特定モデルを逐次更新し、更新した直近の特定モデルを用いてＩＰアドレスから地域情報を特定することにより、動的ＩＰアドレスが使用されている地域を特定することを可能にする。
【選択図】図１
【特許請求の範囲】
【請求項1】
丸めの無いＩＰアドレスまたはこれをサブネットマスクにより数ビットを丸めたＩＰアドレスと、当該ＩＰアドレスの使用地域に関する紐付情報との組み合わせから成る学習用データを用いた機械学習処理により、上記ＩＰアドレスが入力された際に地域情報が出力されるように構成された特定モデルを生成するモデル生成部と、
地域特定対象のＩＰアドレスを上記特定モデルに入力し、上記ＩＰアドレスに対応する地域情報を上記特定モデルから出力する地域特定部とを備え、
上記モデル生成部は、上記機械学習処理を繰り返し実行することによって上記特定モデルを逐次更新する
ことを特徴とする地域特定システム。
地域特定対象のＩＰアドレスを上記特定モデルに入力し、上記ＩＰアドレスに対応する地域情報を上記特定モデルから出力する地域特定部とを備え、
上記モデル生成部は、上記機械学習処理を繰り返し実行することによって上記特定モデルを逐次更新する
ことを特徴とする地域特定システム。
【請求項2】
上記モデル生成部は、上記丸めの無いＩＰアドレスについて、当該ＩＰアドレスの使用地域を表す地域情報を上記紐付情報として、上記丸めの無いＩＰアドレスと上記地域情報との組み合わせから成る学習用データを用いた機械学習処理により上記特定モデルを生成することを特徴とする請求項１に記載の地域特定システム。
【請求項3】
上記モデル生成部は、上記サブネットマスクにより数ビットが丸められたＩＰアドレスと、当該ＩＰアドレスの使用地域を表す地域情報との複数の組み合わせに基づいて、上記丸められたＩＰアドレスがどの地域情報に該当するかの確率的統計情報を生成し、上記確率的統計情報を上記紐付情報として、上記丸められたＩＰアドレスと上記確率的統計情報との組み合わせから成る学習用データを用いた機械学習処理により上記特定モデルを生成することを特徴とする請求項１に記載の地域特定システム。
【請求項4】
上記モデル生成部は、
上記丸めの無いＩＰアドレスについて、当該ＩＰアドレスの使用地域を表す地域情報を上記紐付情報として、上記丸めの無いＩＰアドレスと上記地域情報との組み合わせから成る学習用データを用いた機械学習処理によりマスク非対応の特定モデルを生成する機能と、
上記サブネットマスクにより数ビットが丸められたＩＰアドレスについて、上記丸められたＩＰアドレスと、当該ＩＰアドレスの使用地域を表す地域情報との複数の組み合わせに基づいて、上記丸められたＩＰアドレスがどの地域情報に該当するかの確率的統計情報を生成し、当該確率的統計情報を上記紐付情報として、上記丸められたＩＰアドレスと上記確率的統計情報との組み合わせから成る学習用データを用いた機械学習処理によりマスク対応の特定モデルを生成する機能とを備え、
上記マスク非対応の特定モデルの学習精度が所定のレベルを超えない場合に上記マスク対応の特定モデルを生成するようにし、
上記地域特定部は、上記マスク非対応の特定モデルまたは上記マスク対応の特定モデルを用いて、上記ＩＰアドレスに対応する地域情報を出力する
ことを特徴とする請求項１に記載の地域特定システム。
上記丸めの無いＩＰアドレスについて、当該ＩＰアドレスの使用地域を表す地域情報を上記紐付情報として、上記丸めの無いＩＰアドレスと上記地域情報との組み合わせから成る学習用データを用いた機械学習処理によりマスク非対応の特定モデルを生成する機能と、
上記サブネットマスクにより数ビットが丸められたＩＰアドレスについて、上記丸められたＩＰアドレスと、当該ＩＰアドレスの使用地域を表す地域情報との複数の組み合わせに基づいて、上記丸められたＩＰアドレスがどの地域情報に該当するかの確率的統計情報を生成し、当該確率的統計情報を上記紐付情報として、上記丸められたＩＰアドレスと上記確率的統計情報との組み合わせから成る学習用データを用いた機械学習処理によりマスク対応の特定モデルを生成する機能とを備え、
上記マスク非対応の特定モデルの学習精度が所定のレベルを超えない場合に上記マスク対応の特定モデルを生成するようにし、
上記地域特定部は、上記マスク非対応の特定モデルまたは上記マスク対応の特定モデルを用いて、上記ＩＰアドレスに対応する地域情報を出力する
ことを特徴とする請求項１に記載の地域特定システム。
【請求項5】
上記モデル生成部は、上記マスク対応の特定モデルの生成に関して、
上記丸められたＩＰアドレスの有効ビット数をＭビットとするサブネットマスク／Ｍに基づきマスク／Ｍ対応の特定モデルを生成する機能と、
上記丸められたＩＰアドレスの有効ビット数をＮビット（ただし、Ｍ＜Ｎ）とするサブネットマスク／Ｎに基づきマスク／Ｎ対応の特定モデルを生成する機能とを備え、
上記マスク／Ｍ対応の特定モデルの学習精度が上記所定のレベルを超えない場合に上記マスク／Ｎ対応の特定モデルを生成するようにし、
上記地域特定部は、上記マスク非対応の特定モデル、上記マスク／Ｍ対応の特定モデルまたは上記マスク／Ｎ対応の特定モデルを用いて、上記ＩＰアドレスに対応する地域情報を出力する
ことを特徴とする請求項４に記載の地域特定システム。
上記丸められたＩＰアドレスの有効ビット数をＭビットとするサブネットマスク／Ｍに基づきマスク／Ｍ対応の特定モデルを生成する機能と、
上記丸められたＩＰアドレスの有効ビット数をＮビット（ただし、Ｍ＜Ｎ）とするサブネットマスク／Ｎに基づきマスク／Ｎ対応の特定モデルを生成する機能とを備え、
上記マスク／Ｍ対応の特定モデルの学習精度が上記所定のレベルを超えない場合に上記マスク／Ｎ対応の特定モデルを生成するようにし、
上記地域特定部は、上記マスク非対応の特定モデル、上記マスク／Ｍ対応の特定モデルまたは上記マスク／Ｎ対応の特定モデルを用いて、上記ＩＰアドレスに対応する地域情報を出力する
ことを特徴とする請求項４に記載の地域特定システム。
【請求項6】
上記モデル生成部は、上記マスク／Ｎ対応の特定モデルの生成に関して、
第１の所定期間中に収集されたＩＰアドレスが丸められたＩＰアドレスと上記確率的統計情報との組み合わせから成る学習用データを用いた機械学習処理により第１のマスク／Ｎ対応の特定モデルを生成する機能と、
上記第１の所定期間より短い第２の所定期間中に収集されたＩＰアドレスが丸められたＩＰアドレスと上記確率的統計情報との組み合わせから成る学習用データを用いた機械学習処理により第２のマスク／Ｎ対応の特定モデルを生成する機能とを備え、
上記第１のマスク／Ｎ対応の特定モデルの学習精度が上記所定のレベルを超えない場合に上記第２のマスク／Ｎ対応の特定モデルを生成するようにし、
上記地域特定部は、上記マスク非対応の特定モデル、上記マスク／Ｍ対応の特定モデル、上記第１のマスク／Ｎ対応の特定モデルまたは上記第２のマスク／Ｎ対応の特定モデルを用いて、上記ＩＰアドレスに対応する地域情報を出力する
ことを特徴とする請求項５に記載の地域特定システム。
第１の所定期間中に収集されたＩＰアドレスが丸められたＩＰアドレスと上記確率的統計情報との組み合わせから成る学習用データを用いた機械学習処理により第１のマスク／Ｎ対応の特定モデルを生成する機能と、
上記第１の所定期間より短い第２の所定期間中に収集されたＩＰアドレスが丸められたＩＰアドレスと上記確率的統計情報との組み合わせから成る学習用データを用いた機械学習処理により第２のマスク／Ｎ対応の特定モデルを生成する機能とを備え、
上記第１のマスク／Ｎ対応の特定モデルの学習精度が上記所定のレベルを超えない場合に上記第２のマスク／Ｎ対応の特定モデルを生成するようにし、
上記地域特定部は、上記マスク非対応の特定モデル、上記マスク／Ｍ対応の特定モデル、上記第１のマスク／Ｎ対応の特定モデルまたは上記第２のマスク／Ｎ対応の特定モデルを用いて、上記ＩＰアドレスに対応する地域情報を出力する
ことを特徴とする請求項５に記載の地域特定システム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、地域特定システムに関し、特に、ＩＰアドレスが使用されている地域を特定するためのシステムに用いて好適なものである。
【背景技術】
【0002】
従来、ユーザ端末のＩＰアドレスに基づいて、当該ユーザ端末が使用されている地域（つまり、ＩＰアドレスが使用されている地域）を特定する技術が知られている（例えば、特許文献１参照）。特許文献１に記載の地域情報決定システムは、ＩＰアドレスと特定地域との関連性を示す基礎情報を収集し、当該収集した基礎情報を用いてＩＰアドレスの地域情報を設定する。
【0003】
また、特許文献１に記載の地域情報決定システムは、地域情報を設定することが不可能なＩＰアドレスの地域情報を推定する。地域情報を設定することが不可能なＩＰアドレスとは、特定地域との関連性を示す基礎情報がないか不足する場合、または、同一のＩＰアドレスに対して互いに異なる地域との関連性を意味する基礎情報が複数存在する場合に、地域情報を直接設定することが難しいＩＰアドレスを意味する。
【0004】
特許文献１に記載の地域情報推定部は、複数のＩＰアドレスを含むＩＰアドレスグループ（ＩＰ割当基準であるＩＰサブネット）を用いてＩＰアドレスの地域情報を推定する。具体的には、ＩＰアドレスグループ別に代表地域を設定し、あるＩＰアドレスの地域情報を基礎情報から一意に設定できない場合、そのＩＰアドレスが属するＩＰアドレスグループに設定された代表地域を、当該あるＩＰアドレスの地域情報として推定する。
【0005】
ここで、特許文献１では、ＩＰサブネットに基づくＩＰアドレスのグルーピング方法として、ＩＰ ＭＡＳＫを介して分割する方法や、ＩＰアドレスの特定範囲（帯域）の１／２n（ｎは１より大きい任意の整数）の大きさを有する、連続的なＩＰアドレスで構成されたＩＰサブネットに分割する方法、１つのＩＰサブネットを当該ＩＰサブネットの１／２nの大きさを有する異なるＩＰサブネッに再分割する方法などを開示している。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】特許第６２３９６７５号公報
【発明の概要】
【発明が解決しようとする課題】
【0007】
ところで、ＩＰアドレスには動的ＩＰアドレスと呼ばれるものがある。動的ＩＰアドレスは、数日から数ヵ月でＩＰアドレスの値が変化する。このため、ＩＰアドレスと地域情報との対応関係を記録したデータベースを用いて地域情報を特定する場合、当該データベースを常に最新の状態に維持することが必要となる。そのためには、数日から数ヵ月のサイクルで都度分析を行い、ＩＰアドレスと地域情報との適切な関連付けを行う必要がある。
【0008】
しかしながら、ＩＰアドレスの数が膨大であり、ドメインによってＩＰアドレスの性質が異なるためドメインごとに分析を実施する必要もある。そのため、全ての分析を数日単位の周期で行うことは困難である。また、実務的にはアクセスの多いドメインから優先して分析を行うことになり、アクセスの少ないドメインの分析まで手が回らないことが多くなるという問題もあった。
【0009】
上記特許文献１に記載の技術では、あるＩＰアドレスから地域情報を一意に特定できない場合でも、そのＩＰアドレスが属するＩＰアドレスグループ（ＩＰサブネット）にあらかじめ設定された代表地域を、当該あるＩＰアドレスの地域情報として推定することが可能である。しかしながら、特許文献１に記載の技術では、ＩＰアドレスグループとそれに関連付ける代表地域との組み合わせをあらかじめ決めておく必要がある。そのため、数日から数ヵ月でＩＰアドレスの値が変化する動的ＩＰアドレスには必ずしも有効な方法とは言えない。
【0010】
本発明は、このような問題を解決するために成されたものであり、動的ＩＰアドレスについても、当該動的ＩＰアドレスが使用されている地域を特定することができるようにすることを目的とする。
【課題を解決するための手段】
【0011】
上記した課題を解決するために、本発明では、丸めの無いＩＰアドレスまたはこれをサブネットマスクにより数ビットを丸めたＩＰアドレスと、当該ＩＰアドレスの使用地域に関する紐付情報との組み合わせから成る学習用データを用いた機械学習処理を繰り返し実行することにより、ＩＰアドレスが入力された際に地域情報が出力されるように構成された特定モデルを逐次更新する。そして、地域特定対象のＩＰアドレスを特定モデルに入力し、ＩＰアドレスに対応する地域情報を特定モデルから出力するようにしている。
【発明の効果】
【0012】
上記のように構成した本発明によれば、丸めの無いＩＰアドレスまたはこれをサブネットマスクにより数ビットを丸めたＩＰアドレスとそのＩＰアドレスの使用地域との関係性を反映して生成される特定モデルが逐次更新され、更新された直近の特定モデルを用いてＩＰアドレスから地域情報が特定されるので、動的ＩＰアドレスについても、それが使用されている地域を特定することが可能である。また、サブネットマスクにより数ビットが丸められたＩＰアドレスに対して代表地域をあらかじめ決めておく必要がなく、丸められたＩＰアドレスを含む学習用データを用いた機械学習処理により生成された特定モデルを用いることで、丸められたＩＰアドレスに対する地域情報を特定することも可能となる。
【図面の簡単な説明】
【0013】
【図1】本実施形態による地域特定システムの機能構成例を示すブロック図である。
【図2】ＩＰアドレス記憶部に格納される履歴情報の例を模式的に示す図である。
【図3】本実施形態のモデル生成部による第１の機能で学習されるＩＰレンジの例を模式的に示す図である。
【図4】本実施形態のモデル生成部によりマスク／Ｍ対応の特定モデルを生成する第２の機能の処理内容を説明するための模式図である。
【図5】本実施形態のモデル生成部によりマスク／Ｎ対応の特定モデルを生成する第２の機能の処理内容を説明するための模式図である。
【図6】本実施形態の地域特定システムによる特定モデル生成に関する動作例を示すフローチャートである。
【図7】本実施形態の地域特定システムによる地域特定に関する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】
【0014】
以下、本発明の一実施形態を図面に基づいて説明する。図１は、本実施形態による地域特定システム１０の機能構成例を示すブロック図である。図１に示すように、本実施形態の地域特定システム１０は、その機能構成として、モデル生成部１１、特定対象ＩＰ取得部１２、マスク処理部１３および地域特定部１４を備えている。モデル生成部１１は、具体的な機能構成として、学習用データ生成部１１Ａおよび学習部１１Ｂを備えている。また、地域特定部１４はモデル記憶部１４Ａを備えている。
【0015】
上記機能ブロック１１～１４は、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記機能ブロック１１～１４は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記憶媒体に記憶されたプログラムが動作することによって実現される。
【0016】
また、本実施形態の地域特定システム１０は、インターネットまたは携帯電話網などの通信ネットワークを介してＩＰアドレスログ収集サーバ１００と接続され、相互にデータ通信を行うことができるように構成されている。ＩＰアドレスログ収集サーバ１００は、図示しないユーザ端末から通信ネットワークを介して通信が行われるときに使用されるＩＰアドレスを取得し、ＩＰアドレス記憶部１０１に格納する。
【0017】
通信ネットワーク上では、各地にいる多くのユーザが、それぞれのユーザ端末から所望のタイミングで所望のウェブサイトにアクセスしてコンテンツを閲覧したり、他のユーザ端末またはサーバなどとの間でコミュニケーションやデータ取得などの各種通信を行ったりしている。ＩＰアドレスログ収集サーバ１００は、これらの通信に使用されるＩＰアドレスを都度取得し、ＩＰアドレスを取得した日時情報と共に履歴情報としてＩＰアドレス記憶部１０１に逐次格納する。
【0018】
また、ＩＰアドレスログ収集サーバ１００は、履歴情報としてＩＰアドレス記憶部１０１に格納されたＩＰアドレスが使用されている地域を特定し、ＩＰアドレスに関連付けて地域情報をＩＰアドレス記憶部１０１に格納する。本実施形態では、地域情報として都道府県を表すコード情報（以下、都道府県コードという）を用いる。ここで、ＩＰアドレスログ収集サーバ１００は、使用地域を明確に特定することができたＩＰアドレスについてのみ地域情報をＩＰアドレス記憶部１０１に格納するようにしてもよい。なお、ＩＰアドレスに対する地域情報の特定をＩＰアドレスログ収集サーバ１００とは別のサーバにより行ってもよい。
【0019】
図２は、ＩＰアドレス記憶部１０１に格納される履歴情報の例を模式的に示す図である。図２に示すように、ＩＰアドレス記憶部１０１は、収集されたＩＰアドレスと、収集日時を表す日付情報と、ＩＰアドレスから特定された地域情報（都道府県コード）とを関連付けてレコードを構成し、複数のレコードを履歴情報として記憶する。ここでは、使用地域を明確に特定することができたＩＰアドレスのレコードのみを図示している。
【0020】
ＩＰアドレスの使用地域を特定する方法として、いくつかの公知技術を適用することが可能である。例えば、全世界のドメインを管理する機関であるＮＩＣ（Network Information Center）や、日本のドメインを管轄するＪＰＮＩＣなどで得られる情報をもとに複数のＩＰアドレスを地域別に分類した地域別アドレス分類データベースを利用することが可能である。
【0021】
また、インターネット・サービス・プロバイダ（ＩＳＰ）が多数の地域に設置しているアクセスポイントごとのＩＰアドレスと、当該アクセスポイントの設置地域とを関連付けて構成した地域別ＩＳＰアドレス分類データベースを利用することも可能である。
【0022】
また、ＩＰアドレスに対応するドメインネームを取得し、ドメインネームを構成する文字列からネットワーク名を抽出してプロバイダ名を判定するとともに、ドメインネームを構成する文字列からホストネームを抽出する。そして、プロバイダごとにホストネームを地域別に分類した地域別ホストネーム分類データベースを参照して、抽出したホストネームから地域情報を取得するようにすることも可能である。
【0023】
さらに、ＩＰアドレスに対して経路探索コマンド（Unix（登録商標）ではtracerouteコマンド、Windows（登録商標）ではtracertコマンド）を実行し、これにより得られたネットワーク経路上のルータのドメイン名などから地域情報を取得することも可能である。ここでいうネットワーク経路は、ある通信がインターネット上で行われたときにおける送信元ホストと送信先ホストとの間を接続する複数のルータの経由情報である。その経由情報の中に地域を識別可能な文字列が含まれている場合に、その文字列から地域情報を取得することも可能である。
【0024】
モデル生成部１１は、丸めの無いＩＰアドレスまたはこれをサブネットマスクにより数ビットを丸めたＩＰアドレスと、当該ＩＰアドレスの使用地域に関する紐付情報との組み合わせから成る学習用データを用いた機械学習処理により、ＩＰアドレスが入力された際に地域情報が出力されるように構成された特定モデルを生成する。そして、生成した特定モデルを地域特定部１４のモデル記憶部１４Ａに格納する。モデル生成部１１は、この機械学習処理を繰り返し実行することにより、地域特定部１４の特定モデルを逐次更新する。例えば、モデル生成部１１は、１週間に１回の頻度で特定モデルを更新する。
【0025】
ここで、モデル生成部１１は、ＩＰアドレスログ収集サーバ１００からＩＰアドレス記憶部１０１に記憶されている複数のＩＰアドレスと地域情報とのデータセットを取得し、取得したデータセットを学習用データとして機械学習処理を行うことによって特定モデルを生成する。
【0026】
ＩＰアドレスログ収集サーバ１００から取得する複数のデータセットは、特定モデルの更新タイミングから遡って所定期間中に収集されたＩＰアドレスとそれに対応する地域情報とする。例えば、モデル生成部１１は、特定モデルの更新タイミングが属する日から数日前まで、数週間前まで、あるいは数ヵ月前までの日付情報と紐づけられているＩＰアドレスと地域情報とをＩＰアドレスログ収集サーバ１００から取得する。
【0027】
本実施形態において、モデル生成部１１は、特定モデルを生成する機能として複数の機能を有する。モデル生成部１１は、第１の機能として、ＩＰアドレスログ収集サーバ１００から取得されるＩＰアドレス（サブネットマスクによる丸めが無い状態のＩＰアドレス）と地域情報との組み合わせを学習用データとして用い、当該学習用データを用いた機械学習処理により特定モデル（以下、マスク非対応の特定モデルという）を生成する。この場合、ＩＰアドレスログ収集サーバ１００から取得される地域情報そのものが、ＩＰアドレスの使用地域に関する紐付情報に相当する。
【0028】
第１の機能による機械学習では、モデル生成部１１は、丸めの無いＩＰアドレスを特徴量とし、目的変数を都道府県コードとして機械学習を実行することにより、都道府県コードが切り替わるＩＰアドレスのレンジ（以下、ＩＰレンジという）を学習する。ここでは、例えば特定モデルの更新タイミングが属する日から数週間前まであるいは数ヵ月前までの日付情報と紐づけられているＩＰアドレスと都道府県コードとを用いて機械学習を行う。ここで使用する学習モデルは、例えば決定木系のモデルであるが、これに限定されるものではない。
【0029】
図３は、第１の機能で学習されるＩＰレンジの例を模式的に示す図である。図３では、異なる都道府県コードに対するＩＰレンジが互いに重複しない状態を示しているが、ＩＰアドレスログ収集サーバ１００から取得するデータセットの内容次第では重複することもある。例えば、１つの動的ＩＰアドレスの使用地域が複数の都道府県にまたがる場合は、ＩＰレンジに重複が生じる。ＩＰレンジに重複がある特定モデルを使ってＩＰアドレスの使用地域を予測すると、予測精度は低下する。例えば、ＩＰレンジが３県にまたがっている場合、予測の正解率は３３％程度となる。
【0030】
また、モデル生成部１１は、第２～第４の機能として、ＩＰアドレスログ収集サーバ１００から取得されるＩＰアドレスに対してサブネットマスクをかけるとともに、当該サブネットマスクにより数ビットが丸められたＩＰアドレスがどの地域情報（都道府県コード）に該当するかの確率的統計情報を生成する。そして、当該丸められたＩＰアドレスと確率的統計情報との組み合わせを学習用データとして用い、当該学習用データを用いた機械学習処理により特定モデル（以下、マスク対応の特定モデルという）を生成する。この場合、ＩＰアドレスログ収集サーバ１００から取得されるデータセットに基づいて生成される確率的統計情報が、ＩＰアドレスの使用地域に関する紐付情報に相当する。
【0031】
第２～第４の機能によりマスク対応の特定モデルを生成する場合、モデル生成部１１の学習用データ生成部１１Ａは、ＩＰアドレスログ収集サーバ１００から取得されるＩＰアドレスに対してサブネットマスクをかけることにより、ＩＰアドレスの下位数ビットを丸める。また、学習用データ生成部１１Ａは、サブネットマスクにより数ビットが丸められたＩＰアドレスと、当該ＩＰアドレスの使用地域を表す地域情報（ＩＰアドレスログ収集サーバ１００から取得される地域情報）との複数の組み合わせに基づいて、丸められたＩＰアドレスがどの地域情報に該当するかの確率的統計情報を生成する。学習部１１Ｂは、丸められたＩＰアドレスと確率的統計情報との組み合わせを学習用データとして用い、当該学習用データを用いた機械学習処理によりマスク対応の特定モデルを生成する。
【0032】
上述の特許文献１に開示されている従来技術では、ある決められた特定のサブネットマスクごとに代表となる地域情報を決めている。これに対し、本実施形態では、特定のサブネットマスクで丸められたＩＰアドレスに対して、所定期間での各都道府県コードの含有率を確率的統計情報として算出し、この確率的統計情報を用いて機械学習を行うようにしている。確率的統計情報を用いることにより、代表地域をあらかじめ決めておくことが不要であり、また機械学習の学習精度が向上しやすくなるというメリットもある。なお、確率的統計情報と併せてＩＰアドレスそのものを機械学習に用いるようにしてもよい。このようにすることで、機械学習の精度を高めることが可能である。
【0033】
本実施形態において、モデル生成部１１は、まず第１の機能によりマスク非対応の特定モデルを生成し、その学習精度が所定のレベルを超えない場合に、第２～４の機能によりマスク対応の特定モデルを生成する。第２～４の機能については以下に詳しく説明するが、モデル生成部１１は、まず第２の機能によりマスク対応の特定モデルを生成し、その学習精度が所定のレベルを超えない場合に、第３の機能によりマスク対応の特定モデルを生成する。また、第３の機能により生成されたマスク対応の特定モデルの学習精度が所定のレベルを超えない場合に、第４の機能によりマスク対応の特定モデルを生成する。モデル生成部１１は、第１～第４の機能のどの段階まで進んだかを示す段階情報をマスク処理部１３に格納する。
【0034】
特定モデルの学習精度が所定のレベルを超えるか否かの判定は、例えば以下のようにして行うことが可能である。すなわち、生成された特定モデルに対し、学習用データとして使用したＩＰアドレスを入力することにより、地域情報（都道府県コード）を特定モデルから出力する。そして、特定モデルから出力された地域情報と、学習用データとして使用したＩＰアドレスに関連付けられている地域情報とが一致する場合に正解とし、全体数に対する正解数の割合を正解率として算出する。その正解率が所定の閾値（例えば８０％）を超えるか否かを判定し、正解率が閾値を超える場合に学習精度が所定のレベルを超えるとする。
【0035】
なお、ＩＰアドレスログ収集サーバ１００から取得したデータセットを学習用と検証用とに分けて、学習用のデータセットを用いて特定モデル生成した後、検証用のデータセットを用いて正解率を算出するようにしてもよい。
【0036】
以下に、第２の～第４の機能について詳しく説明する。モデル生成部１１は、第２の機能として、丸められたＩＰアドレスの有効ビット数をＭビットとするサブネットマスク／Ｍに基づきマスク対応の特定モデル（以下、マスク／Ｍ対応の特定モデルという）を生成する。この場合、学習用データ生成部１１Ａは、ＩＰアドレスログ収集サーバ１００から取得されるＩＰアドレスに対してサブネットマスク／Ｍをかけることにより、ＩＰアドレスの下位数ビットを丸めて有効ビット数が上位ＭビットのＩＰアドレスを生成する。
【0037】
また、学習用データ生成部１１Ａは、サブネットマスク／Ｍにより数ビットが丸められたＩＰアドレスと、当該ＩＰアドレスの使用地域を表す地域情報との複数の組み合わせに基づいて、丸められたＩＰアドレスがどの地域情報に該当するかの確率的統計情報を生成する。学習部１１Ｂは、丸められたＩＰアドレスと確率的統計情報との組み合わせを学習用データとして用い、当該学習用データを用いた機械学習処理によりマスク／Ｍ対応の特定モデルを生成する。
【0038】
図４は、マスク／Ｍ対応の特定モデルを生成する第２の機能の処理内容を説明するための模式図である。図４（ａ）は、ＩＰアドレスに対してサブネットマスク／Ｍをかける処理の例を示している。図４（ａ）において、一番左の列は都道府県コード、真ん中の列はサブネットマスクによる丸めが無い状態のＩＰアドレス（１０進数）であり、これらはＩＰアドレスログ収集サーバ１００から取得された情報である。ここでは、例えば特定モデルの更新タイミングが属する日から数週間前まであるいは数ヵ月前までの日付情報と紐づけられているＩＰアドレスと都道府県コードとを用いる。
【0039】
一番右の列は、サブネットマスク／Ｍにより下位数ビットが丸められたＩＰアドレスを示している。ここでは、Ｍ＝２４とし、３２ビットのＩＰアドレスに対して下位８ビットを丸めることによって有効ビット数が上位２４ビットのＩＰアドレス（以下、ＩＰアドレス／２４またはＩＰ／２４と記す）を生成した例を示している。
【0040】
図４（ｂ）は、図４（ａ）の情報から生成される確率的統計情報の例を示している。ここでは、図４（ａ）の一番右の列に示すＩＰアドレス／２４と、図４（ａ）の一番左の列に示す都道府県コードとの複数の組み合わせに基づいて、ＩＰアドレス／２４がどの地域情報に該当するかの確率的統計情報を生成する。
【0041】
例えば、図４（ｂ）の一番上のＩＰアドレス／２４＝“１．６６．１００．０”については、都道府県コード“３”に該当する可能性が３３％（都道府県コード“３”に該当するＩＰアドレス／２４が他に２つあることを意味する）、都道府県コード“４７”に該当する可能性が３３％であることが示されている。その次のＩＰアドレス／２４＝“１．６６．１０１．０”については、都道府県コード“２”に該当する可能性が３３％であることが示されている。なお、他のＩＰアドレス／２４については確率の図示を省略している。
【0042】
学習部１１Ｂは、図４（ｂ）の一番左の列に示すＩＰアドレス／２４と、図４（ｂ）の２列目以降に示す確率的統計情報との組み合わせを学習用データとして用い、当該学習用データを用いた機械学習処理によりマスク／２４対応の特定モデルを生成する。上述したように、図４（ａ）の真ん中の列に示すＩＰアドレスを更に組み合わせて学習用データを構成するようにしてもよい。
【0043】
モデル生成部１１は、第３の機能として、丸められたＩＰアドレスの有効ビット数をＮビット（ただし、Ｍ＜Ｎ）とするサブネットマスク／Ｎに基づきマスク対応の特定モデル（以下、マスク／Ｎ対応の特定モデルという）を生成する。この場合、学習用データ生成部１１Ａは、ＩＰアドレスログ収集サーバ１００から取得されるＩＰアドレスに対してサブネットマスク／Ｎをかけることにより、ＩＰアドレスの下位数ビットを丸めて有効ビット数が上位ＮビットのＩＰアドレスを生成する。
【0044】
また、学習用データ生成部１１Ａは、サブネットマスク／Ｎにより数ビットが丸められたＩＰアドレスと、当該ＩＰアドレスの使用地域を表す地域情報との複数の組み合わせに基づいて、丸められたＩＰアドレスがどの地域情報に該当するかの確率的統計情報を生成する。学習部１１Ｂは、丸められたＩＰアドレスと確率的統計情報との組み合わせを学習用データとして用い、当該学習用データを用いた機械学習処理によりマスク／Ｎ対応の特定モデルを生成する。
【0045】
図５は、マスク／Ｎ対応の特定モデルを生成する第３の機能の処理内容を説明するための模式図である。図５（ａ）は、ＩＰアドレスに対してサブネットマスク／Ｎをかける処理の例を示している。図５（ａ）において、一番左の列は都道府県コード、真ん中の列はサブネットマスクによる丸めが無い状態のＩＰアドレス（１０進数）であり、これらはＩＰアドレスログ収集サーバ１００から取得された情報である。ここでは、例えば特定モデルの更新タイミングが属する日から数週間前まであるいは数ヵ月前までの日付情報と紐づけられているＩＰアドレスと都道府県コードとを用いる。
【0046】
一番右の列は、サブネットマスク／Ｎにより下位数ビットが丸められたＩＰアドレスを示している。ここでは、Ｎ＝２５とし、３２ビットのＩＰアドレスに対して下位７ビットを丸めることによって有効ビット数が上位２５ビットのＩＰアドレス（以下、ＩＰアドレス／２５またはＩＰ／２５と記す）を生成した例を示している。
【0047】
図５（ｂ）は、図５（ａ）の情報から生成される確率的統計情報の例を示している。ここでは、図５（ａ）の一番右の列に示すＩＰアドレス／２５と、図５（ａ）の一番左の列に示す都道府県コードとの複数の組み合わせに基づいて、ＩＰアドレス／２５がどの地域情報に該当するかの確率的統計情報を生成する。ＩＰアドレスの有効ビット数を増やすことにより、確率的統計情報で示される確率分布のバラツキは小さくなる。
【0048】
例えば、ＩＰアドレス／２４において確率が３３％と示されていた都道府県コード“３”に関して、ＩＰアドレス／２５においては“１．６６．１００．０”が３３％で、“１．６６．１００．１２５”が０％であることが示されている。また、ＩＰアドレス／２４において確率が３３％と示されていた都道府県コード“４７”に関して、ＩＰアドレス／２５においては“１．６６．１００．０”が０％で、“１．６６．１００．１２５”が３３％であることが示されている。なお、他のＩＰアドレス／２５については確率の図示を省略している。
【0049】
学習部１１Ｂは、図５（ｂ）の一番左の列に示すＩＰアドレス／２５と、図５（ｂ）の２列目以降に示す確率的統計情報との組み合わせを学習用データとして用い、当該学習用データを用いた機械学習処理によりマスク／２５対応の特定モデルを生成する。上述したように、図５（ａ）の真ん中の列に示すＩＰアドレスを更に組み合わせて学習用データを構成するようにしてもよい。
【0050】
モデル生成部１１は、第４の機能として、第３の機能によりマスク／Ｎ対応の特定モデルを生成する場合に使用するＩＰアドレスの収集期間よりも短い収集期間のＩＰアドレスを使用して、第３の機能と同様にマスク／Ｎ対応の特定モデルを生成する。上述した第３の機能では、第１の所定期間中に収集されたＩＰアドレス（例えば、特定モデルの更新タイミングが属する日から数週間前まであるいは数ヵ月前までの日付情報と紐づけられているＩＰアドレス）が丸められたＩＰアドレスと確率的統計情報との組み合わせから成る学習用データを用いた機械学習処理により第１のマスク／Ｎ対応の特定モデルを生成する。
【0051】
これに対し、第４の機能では、第１の所定期間より短い第２の所定期間中に収集されたＩＰアドレス（例えば、特定モデルの更新タイミングが属する日から数日前までの日付情報と紐づけられているＩＰアドレス）が丸められたＩＰアドレスと確率的統計情報との組み合わせから成る学習用データを用いた機械学習処理により第２のマスク／Ｎ対応の特定モデルを生成する。
【0052】
学習用データに使用するＩＰアドレスの対象収集期間を短くすることにより、確率的統計情報で示される確率分布のバラツキは小さくなる。モバイル系の端末で使用されるＩＰアドレスは数日ですぐ変わってしまうことが多いので、短期間のＩＰアドレスを対象として学習用データを生成することによって確率分布のバラツキを小さくすることは、モバイル系の端末で使用されるＩＰアドレスの使用地域を特定するための特定モデルを生成するという点で有効である。
【0053】
特定対象ＩＰ取得部１２は、使用地域を特定したいＩＰアドレス（以下、地域特定対象のＩＰアドレスという）を取得する。例えば、特定対象ＩＰ取得部１２は、ＩＰアドレスログ収集サーバ１００からＩＰアドレス記憶部１０１に記憶されている複数のＩＰアドレスを地域特定対象のＩＰアドレスとして取得する。例えば、特定対象ＩＰ取得部１２は、学習用データとして使われていない直近のＩＰアドレスをＩＰアドレスログ収集サーバ１００から取得する。
【0054】
なお、地域特定対象のＩＰアドレスの取得元は、学習用データに用いるＩＰアドレスの取得元と同じであることを要するものではない。すなわち、特定対象ＩＰ取得部１２は、ＩＰアドレスログ収集サーバ１００とは異なる別のルートから地域特定対象のＩＰアドレスを取得するようにしてもよい。この場合、取得するＩＰアドレスは、任意の日付情報と紐づけられているＩＰアドレスとしてよい。
【0055】
マスク処理部１３は、特定対象ＩＰ取得部１２により取得された地域特定対象のＩＰアドレスに対してサブネットマスクをかける処理を行う。ここで、マスク処理部１３は、モデル生成部１１によりマスク／Ｍ対応の特定モデルが生成されてそれがモデル記憶部１４Ａに記憶された場合は、特定対象ＩＰ取得部１２により取得された地域特定対象のＩＰアドレスに対してサブネットマスク／Ｍをかけることにより、有効ビット数が上位ＭビットのＩＰアドレスを生成する。また、マスク処理部１３は、モデル生成部１１により第１のマスク／Ｎ対応の特定モデルまたは第２のマスク／Ｎ対応の特定モデルが生成されてそれがモデル記憶部１４Ａに記憶された場合は、地域特定対象のＩＰアドレスに対してサブネットマスク／Ｎをかけることにより、有効ビット数が上位ＮビットのＩＰアドレスを生成する。
【0056】
地域特定部１４は、地域特定対象のＩＰアドレス（特定対象ＩＰ取得部１２により取得された丸めの無いＩＰアドレスまたはマスク処理部１３により下位数ビットが丸められたＩＰアドレス）をモデル記憶部１４Ａの特定モデルに入力し、地域特定対象のＩＰアドレスに対応する地域情報を特定モデルから出力する。ここで、モデル記憶部１４Ａには、マスク非対応の特定モデル、マスク／Ｍ対応の特定モデル、第１のマスク／Ｎ対応の特定モデルまたは第２のマスク／Ｎ対応の特定モデルの何れかが記憶されており、地域特定部１４はこの何れかの特定モデルを用いて、ＩＰアドレスに対応する地域情報を出力する。
【0057】
すなわち、モデル生成部１１により生成されたマスク非対応の特定モデルについて学習精度が所定のレベルを超えたために、マスク対応の特定モデルが生成されなかった場合、地域特定部１４は、モデル記憶部１４Ａに記憶されたマスク非対応の特定モデルを用いて、ＩＰアドレスに対応する地域情報を出力する。一方、モデル生成部１１により生成されたマスク非対応の特定モデルについて学習精度が所定のレベルを超えなかったために、マスク対応の特定モデルが生成された場合、地域特定部１４は、モデル記憶部１４Ａに記憶されたマスク対応の特定モデルを用いて、ＩＰアドレスに対応する地域情報を出力する。
【0058】
マスク対応の特定モデルに関して、モデル生成部１１により生成されたマスク／Ｍ対応の特定モデルについて学習精度が所定のレベルを超えたために、マスク／Ｎ対応の特定モデルが生成されなかった場合、地域特定部１４は、モデル記憶部１４Ａに記憶されたマスク／Ｍ対応の特定モデルを用いて、ＩＰアドレスに対応する地域情報を出力する。一方、モデル生成部１１により生成されたマスク／Ｍ対応の特定モデルについて学習精度が所定のレベルを超えなかったために、マスク／Ｎ対応の特定モデルが生成された場合、地域特定部１４は、モデル記憶部１４Ａに記憶されたマスク／Ｎ対応の特定モデルを用いて、ＩＰアドレスに対応する地域情報を出力する。
【0059】
マスク／Ｎ対応の特定モデルに関して、モデル生成部１１により生成された第１のマスク／Ｎ対応の特定モデルについて学習精度が所定のレベルを超えたために、第２のマスク／Ｎ対応の特定モデルが生成されなかった場合、地域特定部１４は、モデル記憶部１４Ａに記憶された第１のマスク／Ｎ対応の特定モデルを用いて、ＩＰアドレスに対応する地域情報を出力する。一方、モデル生成部１１により生成された第１のマスク／Ｎ対応の特定モデルについて学習精度が所定のレベルを超えなかったために、第２のマスク／Ｎ対応の特定モデルが生成された場合、地域特定部１４は、モデル記憶部１４Ａに記憶された第２のマスク／Ｎ対応の特定モデルを用いて、ＩＰアドレスに対応する地域情報を出力する。
【0060】
図６は、上記のように構成した本実施形態の地域特定システム１０による特定モデル生成に関する動作例を示すフローチャートである。図６に示すフローチャートは、特定モデルの更新タイミング（例えば、１週間に１回のタイミング）になったときに、バッチ処理として自動的に、あるいはユーザからの指示に応じて開始する。
【0061】
まず、モデル生成部１１は、第１の機能によりマスク非対応の特定モデルを生成する（ステップＳ１）。すなわち、モデル生成部１１は、ＩＰアドレスログ収集サーバ１００から取得した第１の所定期間中のデータセット（サブネットマスクによる丸めが無い状態のＩＰアドレスと地域情報との組み合わせ）を学習用データとして用い、当該学習用データを用いた機械学習処理によりマスク非対応の特定モデルを生成する。そして、モデル生成部１１は、生成したマスク非対応の特定モデルにＩＰアドレスを入力した場合に正解の地域情報が得られる正解率を算出し、学習精度が所定のレベルを超えるか否かを判定する（ステップＳ２）。
【0062】
ここで、学習精度が所定のレベルを超える場合、モデル生成部１１は生成したマスク非対応の特定モデルを地域特定部１４のモデル記憶部１４Ａに記憶するとともに（ステップＳ１４）、第１の機能による特定モデルの生成で終了したことを示す段階情報をマスク処理部１３に格納し（ステップＳ１５）、図６に示すフローチャートの処理を終了する。一方、学習精度が所定のレベルを超えない場合、モデル生成部１１は、第２の機能によりマスク／Ｍ対応の特定モデルを生成する（ステップＳ３～Ｓ５）。
【0063】
すなわち、学習用データ生成部１１Ａは、ＩＰアドレスログ収集サーバ１００から第１の所定期間中のデータセットとして取得したＩＰアドレスに対してサブネットマスク／Ｍをかけることにより、ＩＰアドレスの下位数ビットを丸めて有効ビット数が上位ＭビットのＩＰアドレスを生成する（ステップＳ３）。また、学習用データ生成部１１Ａは、数ビットが丸められたＩＰアドレスと、当該ＩＰアドレスの使用地域を表す地域情報との複数の組み合わせに基づいて、丸められたＩＰアドレスがどの地域情報に該当するかの確率的統計情報を生成する（ステップＳ４）。
【0064】
そして、学習部１１Ｂは、丸められたＩＰアドレスと確率的統計情報との組み合わせを学習用データとして用い、当該学習用データを用いた機械学習処理によりマスク／Ｍ対応の特定モデルを生成する（ステップＳ５）。次いで、モデル生成部１１は、生成したマスク／Ｍ対応の特定モデルにＩＰアドレスを入力した場合に正解の地域情報が得られる正解率を算出し、学習精度が所定のレベルを超えるか否かを判定する（ステップＳ６）。
【0065】
学習精度が所定のレベルを超える場合、モデル生成部１１は生成したマスク／Ｍ対応の特定モデルを地域特定部１４のモデル記憶部１４Ａに記憶するとともに（ステップＳ１４）、第２の機能による特定モデルの生成で終了したことを示す段階情報をマスク処理部１３に格納し（ステップＳ１５）、図６に示すフローチャートの処理を終了する。一方、学習精度が所定のレベルを超えない場合、モデル生成部１１は、第３の機能により第１のマスク／Ｎ対応の特定モデルを生成する（ステップＳ７～Ｓ９）。
【0066】
すなわち、学習用データ生成部１１Ａは、ＩＰアドレスログ収集サーバ１００から第１の所定期間中のデータセットとして取得したＩＰアドレスに対してサブネットマスク／Ｎをかけることにより、ＩＰアドレスの下位数ビットを丸めて有効ビット数が上位ＮビットのＩＰアドレスを生成する（ステップＳ７）。また、学習用データ生成部１１Ａは、数ビットが丸められたＩＰアドレスと、当該ＩＰアドレスの使用地域を表す地域情報との複数の組み合わせに基づいて、丸められたＩＰアドレスがどの地域情報に該当するかの確率的統計情報を生成する（ステップＳ８）。
【0067】
そして、学習部１１Ｂは、丸められたＩＰアドレスと確率的統計情報との組み合わせを学習用データとして用い、当該学習用データを用いた機械学習処理により第１のマスク／Ｎ対応の特定モデルを生成する（ステップＳ９）。次いで、モデル生成部１１は、生成した第１のマスク／Ｎ対応の特定モデルにＩＰアドレスを入力した場合に正解の地域情報が得られる正解率を算出し、学習精度が所定のレベルを超えるか否かを判定する（ステップＳ１０）。
【0068】
学習精度が所定のレベルを超える場合、モデル生成部１１は生成した第１のマスク／Ｎ対応の特定モデルを地域特定部１４のモデル記憶部１４Ａに記憶するとともに（ステップＳ１４）、第３の機能による特定モデルの生成で終了したことを示す段階情報をマスク処理部１３に格納し（ステップＳ１５）、図６に示すフローチャートの処理を終了する。一方、学習精度が所定のレベルを超えない場合、モデル生成部１１は、第４の機能により第２のマスク／Ｎ対応の特定モデルを生成する（ステップＳ１１～Ｓ１３）。
【0069】
すなわち、学習用データ生成部１１Ａは、ＩＰアドレスログ収集サーバ１００から第２の所定期間中のデータセットとして取得したＩＰアドレスに対してサブネットマスク／Ｎをかけることにより、ＩＰアドレスの下位数ビットを丸めて有効ビット数が上位ＮビットのＩＰアドレスを生成する（ステップＳ１４）。なお、ここでは、ステップＳ７において第１の所定期間中のデータセットから生成した上位ＮビットのＩＰアドレスの中から、第２の所定期間中の上位ＮビットのＩＰアドレスを抽出するようにしてもよい。
【0070】
また、学習用データ生成部１１Ａは、数ビットが丸められたＩＰアドレスと、当該ＩＰアドレスの使用地域を表す地域情報との複数の組み合わせに基づいて、丸められたＩＰアドレスがどの地域情報に該当するかの確率的統計情報を生成する（ステップＳ１２）。
【0071】
そして、学習部１１Ｂは、丸められたＩＰアドレスと確率的統計情報との組み合わせを学習用データとして用い、当該学習用データを用いた機械学習処理により第２のマスク／Ｎ対応の特定モデルを生成する（ステップＳ１３）。次いで、モデル生成部１１は、生成した第２のマスク／Ｎ対応の特定モデルを地域特定部１４のモデル記憶部１４Ａに記憶するとともに（ステップＳ１４）、第４の機能による特定モデルの生成で終了したことを示す段階情報をマスク処理部１３に格納し（ステップＳ１５）、図６に示すフローチャートの処理を終了する。
【0072】
図７は、上記のように構成した本実施形態の地域特定システム１０による地域特定に関する動作例を示すフローチャートである。図７に示すフローチャートは、バッチ処理として任意のタイミング（例えば、毎日の所定時刻）になったときに自動的に、あるいは任意のタイミングでユーザからの指示に応じて開始する。
【0073】
まず、特定対象ＩＰ取得部１２は、使用地域を特定したい地域特定対象のＩＰアドレスを取得する（ステップＳ２１）。次に、マスク処理部１３は、モデル生成部１１により格納された段階情報を参照することにより、特定モデルの生成処理が第１～第４の機能のどの段階まで進んだかを確認する。ここで、特定モデルの生成処理が第２～第４の機能の段階まで進んだか否かを判定し（ステップＳ２２）、進んでいた場合には、ステップＳ２１で取得された地域特定対象のＩＰアドレスに対してサブネットマスクをかける（ステップＳ２３）。一方、特定モデルの生成処理が第１の機能の段階で終わっていた場合、処理はステップＳ２４にジャンプする。
【0074】
次いで、地域特定部１４は、地域特定対象のＩＰアドレス（ステップＳ２１で特定対象ＩＰ取得部１２により取得された丸めの無いＩＰアドレス、またはステップＳ２２でマスク処理部１３により下位数ビットが丸められたＩＰアドレス）をモデル記憶部１４Ａの特定モデルに入力し、地域特定対象のＩＰアドレスに対応する地域情報を特定モデルから出力する（ステップＳ２４）。これにより、図７に示すフローチャートの処理が終了する。
【0075】
以上詳しく説明したように、本実施形態では、ＩＰアドレスと当該ＩＰアドレスの使用地域を示す地域情報との組み合わせ、または、ＩＰアドレスをサブネットマスクにより数ビット丸めたＩＰアドレスと、当該丸めたＩＰアドレスの使用地域に関する確率的統計情報との組み合わせから成る学習用データを用いた機械学習処理を繰り返し実行することにより、ＩＰアドレスが入力された際に地域情報が出力されるように構成された特定モデルを逐次更新する。そして、地域特定対象のＩＰアドレスを特定モデルに入力し、ＩＰアドレスに対応する地域情報を特定モデルから出力するようにしている。
【0076】
このように構成した本実施形態によれば、ＩＰアドレスまたはこれをサブネットマスクにより数ビットを丸めたＩＰアドレスとそのＩＰアドレスの使用地域との関係性を反映して生成される特定モデルが逐次更新され、更新された直近の特定モデルを用いてＩＰアドレスから地域情報が特定されるので、動的ＩＰアドレスについても、当該動的ＩＰアドレスが使用されている地域を特定することが可能である。
【0077】
また、本実施形態によれば、サブネットマスクにより数ビットが丸められたＩＰアドレスに対して代表地域をあらかじめ決めておく必要がなく、丸められたＩＰアドレスを含む学習用データを用いた機械学習処理により生成された特定モデルを用いることで、丸められたＩＰアドレスに対する地域情報を特定することも可能となる。
【0078】
また、本実施形態によれば、マスク非対応の特定モデルで地域情報ができない場合でも、マスク対応の特定モデルを用いることで、地域情報を特定することも可能となる。また、本実施形態によれば、ＩＰアドレスの対象収集期間を短くして構成した学習用データを用いてマスク対応の特定モデルを生成することにより、数日単位で変更されることの多いモバイル系の端末で使用されるＩＰアドレスの使用地域を正しく特定できる可能性を高めることも可能となる。
【0079】
なお、上記実施形態では、モデル生成部１１が特定モデルの生成に関して第１の機能～第４の機能の４つの機能を備え、４タイプの特定モデルを生成する例について説明したが、これらのうち何れか１つ、２つまたは３つの機能を備える構成としてもよい。また、上記実施形態では、サブネットマスクのビット数Ｍ，ＮとしてＭ＝２４，Ｎ＝２５の例を示したが、この数値は一例であり、これに限定されるものではない。また、サブネットマスクのビット数として３種類以上を用いるか、学習用データに使用するＩＰアドレスの所定期間として３種類以上の期間を用いるか、またはそれらを組み合わせることにより、５タイプ以上の特定モデルを生成するようにしてもよい。
【0080】
また、上記実施形態では、特定モデルの生成と、生成した特定モデルを用いた地域情報の特定とを非同期のタイミングで行う例について説明したが、同じタイミングで行うようにしてもよい。例えば、モデル生成部１１が１週間に１回の頻度で特定モデルを更新し、更新が終わった後に引き続いて地域特定部１４が地域情報の特定を行うようにしてもよい。
【0081】
また、上記実施形態では、地域情報として都道府県コードを用いる例について説明したが、本発明はこれに限定されない。例えば、市区町村コードを用いるようにしてもよい。
【0082】
また、上記実施形態では、サブネットマスクをかけたＩＰアドレスを用いた機械学習処理により特定モデルを生成した場合に、地域特定対象のＩＰアドレスについてもサブネットマスクをかけて特定モデルに入力する構成について説明したが、本発明はこれに限定されない。例えば、地域特定対象のＩＰアドレスについてはサブネットマスクをかけずに特定モデルに入力するようにしてもよい。
【0083】
その他、上記実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。
【符号の説明】
【0084】
１０ 地域特定システム
１１ モデル生成部
１１Ａ 学習用データ生成部
１１Ｂ 学習部
１２ 特定対象ＩＰ取得部
１３ マスク処理部
１４ 地域特定部
１４Ａ モデル記憶部
１１ モデル生成部
１１Ａ 学習用データ生成部
１１Ｂ 学習部
１２ 特定対象ＩＰ取得部
１３ マスク処理部
１４ 地域特定部
１４Ａ モデル記憶部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
