知財求人 - 知財ポータルサイト「IP Force」
特開2024-133799学習用データ生成方法、学習処理方法、予測処理方法、予測処理装置、および、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】P2024133799
(43)【公開日】2024-10-03
(54)【発明の名称】学習用データ生成方法、学習処理方法、予測処理方法、予測処理装置、および、プログラム
(51)【国際特許分類】
H04L 43/02 20220101AFI20240926BHJP
H04W 24/02 20090101ALI20240926BHJP
H04L 41/16 20220101ALI20240926BHJP
【ＦＩ】
H04L43/02
H04W24/02
H04L41/16
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2023043766
(22)【出願日】2023-03-20
【国等の委託研究の成果に係る記載事項】（出願人による申告）令和４年度、支出負担行為担当官、総務省大臣官房会計課企画官、研究テーマ「第５世代移動通信システムの更なる高度化に向けた研究開発、技術課題ア－１ ２ サービス品質の維持が可能なネットワーク制御方式」に関する委託研究、産業技術力強化法第１７条の適用を受ける特許出願
(71)【出願人】
【識別番号】393031586
【氏名又は名称】株式会社国際電気通信基礎技術研究所
(74)【代理人】
【識別番号】100143498
【弁理士】
【氏名又は名称】中西 健
(74)【代理人】
【識別番号】100136319
【弁理士】
【氏名又は名称】北原 宏修
(72)【発明者】
【氏名】小津 喬
(72)【発明者】
【氏名】青木 寛
(72)【発明者】
【氏名】松中 隆志
(72)【発明者】
【氏名】横山 浩之
【テーマコード（参考）】
5K067
【Ｆターム（参考）】
5K067AA21
5K067EE16
(57)【要約】
【課題】ネットワークの上流にボトルネックがある場合であっても、高精度にアプリケーションを推定し、ネットワーク下流において効率的に（適切に）帯域を割り当てる通信システムを実現する。
【解決手段】通信システム１０００の通信制御装置１００では、ネットワークの上流にボトルネックが発生した場合において、ネットワークの上流にボトルネックが発生したことによるバースト形状の変化を通信フロー識別処理部３により検知し、適切に、アプリケーションの種別、使用帯域を予測（推定）することができる。そして、通信システム１０００の通信制御装置１００では、上記のアプリケーションの種別、使用帯域の推定結果に基づいて、（ネットワーク下流において）適切に帯域を割り当て（確保し）、通信システム１０００で実現されているサービスを継続・維持させることができる。
【選択図】図１
【解決手段】通信システム１０００の通信制御装置１００では、ネットワークの上流にボトルネックが発生した場合において、ネットワークの上流にボトルネックが発生したことによるバースト形状の変化を通信フロー識別処理部３により検知し、適切に、アプリケーションの種別、使用帯域を予測（推定）することができる。そして、通信システム１０００の通信制御装置１００では、上記のアプリケーションの種別、使用帯域の推定結果に基づいて、（ネットワーク下流において）適切に帯域を割り当て（確保し）、通信システム１０００で実現されているサービスを継続・維持させることができる。
【選択図】図１
【特許請求の範囲】
【請求項1】
１または複数の通信装置の間で１または複数のアプリケーションを実行することができる通信システムに含まれる通信制御装置であり、ＱｏＳ制御が可能な通信方式で通信可能なネットワークの通信を制御する前記通信制御装置により実行されるアプリケーション種別および／または当該アプリケーションの使用帯域を予測する学習モデルを学習させるための学習用データを生成する学習用データ生成方法であって、
所定のアプリケーションを実現する通信データであって、ネットワークの上流にボトルネックがある場合に取得された前記通信データである第１通信データから、
（１）前記第１通信データのプロトコルを特定する第１プロトコルデータと、
（２）前記第１通信データにより実現されるアプリケーションの種別を特定する第１アプリケーション種別データと、
（３）前記第１通信データにより実現されるアプリケーションの使用帯域を特定する第１使用帯域データと、
（４）前記第１通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、前記複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる前記複数の通信パケットの特徴量を示すデータである第１特徴量データと、
を取得し、取得した前記第１プロトコルデータと、前記第１アプリケーション種別データと、前記第１使用帯域データと、前記第１特徴量データとを組にした第１学習用データを取得する第１学習用データ取得ステップと、
所定のアプリケーションを実現する通信データであって、ネットワークの上流にボトルネックがない場合に取得された前記通信データである第２通信データから、
（１）前記第２通信データのプロトコルを特定する第２プロトコルデータと、
（２）前記第２通信データにより実現されるアプリケーションの種別を特定する第２アプリケーション種別データと、
（３）前記第２通信データにより実現されるアプリケーションの使用帯域を特定する第２使用帯域データと、
（４）前記第２通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、前記複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる前記複数の通信パケットの特徴量を示すデータである第２特徴量データと、
を取得し、取得した前記第２プロトコルデータと、前記第２アプリケーション種別データと、前記第２使用帯域データと、前記第２特徴量データとを組にした第２学習用データを取得する第２学習用データ取得ステップと、
を備える学習用データ生成方法。
所定のアプリケーションを実現する通信データであって、ネットワークの上流にボトルネックがある場合に取得された前記通信データである第１通信データから、
（１）前記第１通信データのプロトコルを特定する第１プロトコルデータと、
（２）前記第１通信データにより実現されるアプリケーションの種別を特定する第１アプリケーション種別データと、
（３）前記第１通信データにより実現されるアプリケーションの使用帯域を特定する第１使用帯域データと、
（４）前記第１通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、前記複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる前記複数の通信パケットの特徴量を示すデータである第１特徴量データと、
を取得し、取得した前記第１プロトコルデータと、前記第１アプリケーション種別データと、前記第１使用帯域データと、前記第１特徴量データとを組にした第１学習用データを取得する第１学習用データ取得ステップと、
所定のアプリケーションを実現する通信データであって、ネットワークの上流にボトルネックがない場合に取得された前記通信データである第２通信データから、
（１）前記第２通信データのプロトコルを特定する第２プロトコルデータと、
（２）前記第２通信データにより実現されるアプリケーションの種別を特定する第２アプリケーション種別データと、
（３）前記第２通信データにより実現されるアプリケーションの使用帯域を特定する第２使用帯域データと、
（４）前記第２通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、前記複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる前記複数の通信パケットの特徴量を示すデータである第２特徴量データと、
を取得し、取得した前記第２プロトコルデータと、前記第２アプリケーション種別データと、前記第２使用帯域データと、前記第２特徴量データとを組にした第２学習用データを取得する第２学習用データ取得ステップと、
を備える学習用データ生成方法。
【請求項2】
前記第１特徴量データは、前記バースト単位の時間長、前記バースト単位内のパケット数、および、前記バースト単位内の平均データサイズの少なくとも１つを含むデータであり、
前記第２特徴量データは、前記バースト単位の時間長、前記バースト単位内のパケット数、および、前記バースト単位内の平均データサイズの少なくとも１つを含むデータである、
請求項１に記載の学習用データ生成方法。
前記第２特徴量データは、前記バースト単位の時間長、前記バースト単位内のパケット数、および、前記バースト単位内の平均データサイズの少なくとも１つを含むデータである、
請求項１に記載の学習用データ生成方法。
【請求項3】
請求項１または２に記載の学習用データ生成方法をコンピュータに実行させるためのプログラム。
【請求項4】
請求項１または２に記載の学習用データ生成方法により生成された学習用データを用いて、ＱｏＳ制御が可能な通信方式で通信可能なネットワークの通信を制御する前記通信制御装置により実行されるアプリケーション種別および／または当該アプリケーションの使用帯域を予測する学習モデルを学習させる学習処理方法であって、
（１）前記学習用データの前記第１特徴量データおよび前記第１プロトコルデータを前記学習モデルが入力された場合、前記学習モデルから、第１出力データとして、第１アプリケーション種別出力データを出力させ、第２出力データとして、第１アプリケーション使用帯域出力データを出力させ、
（２）前記学習用データの前記第２特徴量データおよび前記第２プロトコルデータが前記学習モデルされた場合、前記学習モデルから、第１出力データとして、第２アプリケーション種別出力データを出力させ、第２出力データとして、第２アプリケーション使用帯域出力データを出力させる学習モデル実行ステップと、
（１）前記学習用データの前記第１特徴量データおよび前記第１プロトコルデータを前記学習モデルが入力された場合、前記第１アプリケーション種別出力データと、前記学習用データの前記第１アプリケーション種別データとの間の損失、および、前記第１アプリケーション使用帯域出力データと、前記学習用データの前記第１使用帯域データとの間の損失に基づいて、前記学習モデルのパラメータを更新させるためのパラメータ更新用データを生成し、
（２）前記学習用データの前記第２特徴量データおよび前記第２プロトコルデータを前記学習モデルが入力された場合、前記第２アプリケーション種別出力データと、前記学習用データの前記第２アプリケーション種別データとの間の損失、および、前記第２アプリケーション使用帯域出力データと、前記学習用データの前記第２使用帯域データとの間の損失に基づいて、前記学習モデルのパラメータを更新させるためのパラメータ更新用データを生成するパラメータ更新用データ生成ステップと、
前記パラメータ更新用データ生成ステップにより生成された前記パラメータ更新用データにより、前記学習モデルのパラメータを更新する学習モデルパラメータ更新ステップと、
を備える学習処理方法。
（１）前記学習用データの前記第１特徴量データおよび前記第１プロトコルデータを前記学習モデルが入力された場合、前記学習モデルから、第１出力データとして、第１アプリケーション種別出力データを出力させ、第２出力データとして、第１アプリケーション使用帯域出力データを出力させ、
（２）前記学習用データの前記第２特徴量データおよび前記第２プロトコルデータが前記学習モデルされた場合、前記学習モデルから、第１出力データとして、第２アプリケーション種別出力データを出力させ、第２出力データとして、第２アプリケーション使用帯域出力データを出力させる学習モデル実行ステップと、
（１）前記学習用データの前記第１特徴量データおよび前記第１プロトコルデータを前記学習モデルが入力された場合、前記第１アプリケーション種別出力データと、前記学習用データの前記第１アプリケーション種別データとの間の損失、および、前記第１アプリケーション使用帯域出力データと、前記学習用データの前記第１使用帯域データとの間の損失に基づいて、前記学習モデルのパラメータを更新させるためのパラメータ更新用データを生成し、
（２）前記学習用データの前記第２特徴量データおよび前記第２プロトコルデータを前記学習モデルが入力された場合、前記第２アプリケーション種別出力データと、前記学習用データの前記第２アプリケーション種別データとの間の損失、および、前記第２アプリケーション使用帯域出力データと、前記学習用データの前記第２使用帯域データとの間の損失に基づいて、前記学習モデルのパラメータを更新させるためのパラメータ更新用データを生成するパラメータ更新用データ生成ステップと、
前記パラメータ更新用データ生成ステップにより生成された前記パラメータ更新用データにより、前記学習モデルのパラメータを更新する学習モデルパラメータ更新ステップと、
を備える学習処理方法。
【請求項5】
請求項４に記載の学習処理方法をコンピュータに実行させるためのプログラム。
【請求項6】
請求項４に記載の学習処理方法により学習させた学習済みモデルを備える前記通信制御装置を用いて実行される予測処理方法であって、
前記通信制御装置が受信した通信データから、当該通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、前記複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる前記複数の通信パケットの特徴量を示すデータを特徴量データとして取得する特徴量データ取得ステップと、
前記通信制御装置が受信した通信データから、当該通信データのプロトコルを特定するプロトコルデータを取得するプロトコル識別ステップと、
前記特徴量データと、前記プロトコルデータとを、前記学習済みモデルに入力させて、前記学習済みモデルによる予測処理を行うことで、前記通信データに対応するアプリケーション種別および／または当該アプリケーションの使用帯域の予測処理結果データを取得する予測処理ステップと、
を備える予測処理方法。
前記通信制御装置が受信した通信データから、当該通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、前記複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる前記複数の通信パケットの特徴量を示すデータを特徴量データとして取得する特徴量データ取得ステップと、
前記通信制御装置が受信した通信データから、当該通信データのプロトコルを特定するプロトコルデータを取得するプロトコル識別ステップと、
前記特徴量データと、前記プロトコルデータとを、前記学習済みモデルに入力させて、前記学習済みモデルによる予測処理を行うことで、前記通信データに対応するアプリケーション種別および／または当該アプリケーションの使用帯域の予測処理結果データを取得する予測処理ステップと、
を備える予測処理方法。
【請求項7】
請求項６に記載の予測処理方法をコンピュータに実行させるためのプログラム。
【請求項8】
ＱｏＳ制御が可能な通信方式で通信可能なネットワークから通信データを受信することができる通信インターフェースと、
前記通信インターフェースにより受信した通信データから、当該通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、前記複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる前記複数の通信パケットの特徴量を示すデータを特徴量データとして取得する特徴量取得部と、
前記通信インターフェースにより受信した通信データから、当該通信データのプロトコルを特定するプロトコルデータを取得するプロトコル識別処理部と、
請求項４に記載の学習処理方法により学習させた学習済みモデルを備え、
前記特徴量データと、前記プロトコルデータとを、前記学習済みモデルに入力させて、前記学習済みモデルによる予測処理を行うことで、前記通信データに対応するアプリケーション種別および／または当該アプリケーションの使用帯域の予測処理結果データを取得する機械学習モデル部と、
を備える予測処理装置。
前記通信インターフェースにより受信した通信データから、当該通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、前記複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる前記複数の通信パケットの特徴量を示すデータを特徴量データとして取得する特徴量取得部と、
前記通信インターフェースにより受信した通信データから、当該通信データのプロトコルを特定するプロトコルデータを取得するプロトコル識別処理部と、
請求項４に記載の学習処理方法により学習させた学習済みモデルを備え、
前記特徴量データと、前記プロトコルデータとを、前記学習済みモデルに入力させて、前記学習済みモデルによる予測処理を行うことで、前記通信データに対応するアプリケーション種別および／または当該アプリケーションの使用帯域の予測処理結果データを取得する機械学習モデル部と、
を備える予測処理装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、通信技術に関し、特に、品質要求を満たしつつ、サービス継続率を向上させるために、ネットワーク下流における効率的帯域割り当てのためのネットワーク上流の帯域を推定する技術に関する。
【背景技術】
【0002】
近年、インターネット等の通信ネットワーク上のトラヒックは増大傾向にあり、また、通信の品質要求（ＱｏＳ：Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ）も多様化してきている。例えば、高スループットが必要なファイル転送、低遅延が必要な映像通信、低パケットロス率が必要なセンサー情報通信など、多様な品質要求の通信を行いたいという要望が多くなってきてきる。このような多様な品質要求の通信を実現するためには、スループットや遅延、パケットロス率という品質要求に対し適切なネットワークリソースを割り当てる必要がある。また、高い品質要求を求めるトラヒックは、ネットワークリソースを多く使用するため、高い品質要求を求めるトラヒックには、多くのネットワークリソースを割り当てる必要がある。
【0003】
インターネット等の通信ネットワーク上のトラヒック量が増大傾向にあり、限りあるネットワークリソースの中でサービスを利用し続けることができるかどうかという指標であるサービス継続率を維持、向上させることが課題となってきている。例えば、高い品質要求のトラヒックが多く流れネットワークが輻輳状態にあると、サービスを継続できない場合が生じることが課題となっている。ネットワークの状態に応じてビットレートなどが動的に切り替わる適応制御可能なプロトコルを利用した技術（例えば、ＤＡＳＨ（Ｄｙｎａｍｉｃ Ａｄａｐｔｉｖｅ Ｓｔｒｅａｍｉｎｇ ｏｖｅｒ ＨＴＴＰ）プロトコル（ＭＰＥＧ－ＤＡＳＨ）を利用した技術）により、ある程度は、サービス継続を維持できるが、低遅延や高信頼性を要求する各種アプリケーションのサービス継続のための品質要求が多様化しており、さらに、セキュリティのために暗号化通信が混在するような状況において、サービス継続率を維持、向上させることが困難になってきている。
【0004】
一般的に品質要求が高ければ高いほど、それを実現するにはネットワークリソースを多く使用する必要があり、ネットワークリソースを有効に利用するためには、各アプリケーションの通信フローに対して品質要求を適切に設定する必要がある。しかし近年、セキュリティのために通信が暗号化されており、多様な通信が混在するトラヒックでは、各アプリケーションの通信フローに対して品質要求を適切に設定するのは困難である。もし一律に品質要求を設定した場合、低遅延や高信頼性を要求する通信フローが他の通信フローと同じ扱いにされ輻輳の影響を受けやすくなりサービス継続に支障が出る恐れがある。
【0005】
このような課題に対処するために、通信フローのバースト性を考慮することで、当該通信フローに相当するアプリケーションを特定（推定）し、当該通信フローに対して適切なＱｏＳフローＩＤを付与する（適切なＱｏＳフローＩＤを設定する）技術が開発されている（例えば、特許文献１を参照）。このような技術を用いることで、通信ネットワークにおいて、多様な通信のトラヒックが混在する状況においても、品質要求を満たしつつ、サービス継続率を維持、向上させることができる。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】特開２０２２－１２７９４０号公報
【発明の概要】
【発明が解決しようとする課題】
【0007】
しかしながら、上記技術では、ネットワークの上流にボトルネックがあると、アプリケーションの推定精度が低下し、ネットワーク下流において効率的に（適切に）帯域を割り当てることが困難になる。
【0008】
このアプリケーションの推定精度が低下する現象は、（１）パケットの到着過程が影響を受けて、バースト性が変化すること、（２）アプリケーションの挙動が変化して、バースト性が変化すること、に起因している。
【0009】
そこで、本発明は、上記課題に鑑み、ネットワークの上流にボトルネックがある場合であっても、高精度にアプリケーションを推定し、ネットワーク下流において効率的に（適切に）帯域を割り当てる通信システム、通信制御装置、学習用データ生成方法、学習処理方法、予測処理方法、予測処理装置、および、プログラムを実現することを目的とする。
【課題を解決するための手段】
【0010】
上記課題を解決するために、第１の発明は、１または複数の通信装置の間で１または複数のアプリケーションを実行することができる通信システムに含まれる通信制御装置であり、ＱｏＳ制御が可能な通信方式で通信可能なネットワークの通信を制御する通信制御装置により実行されるアプリケーション種別および／または当該アプリケーションの使用帯域を予測する学習モデルを学習させるための学習用データを生成する学習用データ生成方法であって、第１学習用データ取得ステップと、第２学習用データ取得ステップと、を備える。
【0011】
第１学習用データ取得ステップは、所定のアプリケーションを実現する通信データであって、ネットワークの上流にボトルネックがある場合に取得された通信データである第１通信データから、
（１）第１通信データのプロトコルを特定する第１プロトコルデータと、
（２）第１通信データにより実現されるアプリケーションの種別を特定する第１アプリケーション種別データと、
（３）第１通信データにより実現されるアプリケーションの使用帯域を特定する第１使用帯域データと、
（４）第１通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる複数の通信パケットの特徴量を示すデータである第１特徴量データと、
を取得し、取得した第１プロトコルデータと、第１アプリケーション種別データと、第１使用帯域データと、第１特徴量データとを組にした第１学習用データを取得する。
（１）第１通信データのプロトコルを特定する第１プロトコルデータと、
（２）第１通信データにより実現されるアプリケーションの種別を特定する第１アプリケーション種別データと、
（３）第１通信データにより実現されるアプリケーションの使用帯域を特定する第１使用帯域データと、
（４）第１通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる複数の通信パケットの特徴量を示すデータである第１特徴量データと、
を取得し、取得した第１プロトコルデータと、第１アプリケーション種別データと、第１使用帯域データと、第１特徴量データとを組にした第１学習用データを取得する。
【0012】
第２学習用データ取得ステップは、所定のアプリケーションを実現する通信データであって、ネットワークの上流にボトルネックがない場合に取得された通信データである第２通信データから、
（１）第２通信データのプロトコルを特定する第２プロトコルデータと、
（２）第２通信データにより実現されるアプリケーションの種別を特定する第２アプリケーション種別データと、
（３）第２通信データにより実現されるアプリケーションの使用帯域を特定する第２使用帯域データと、
（４）第２通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる複数の通信パケットの特徴量を示すデータである第２特徴量データと、
を取得し、取得した第２プロトコルデータと、第２アプリケーション種別データと、第２使用帯域データと、第２特徴量データとを組にした第２学習用データを取得する。
（１）第２通信データのプロトコルを特定する第２プロトコルデータと、
（２）第２通信データにより実現されるアプリケーションの種別を特定する第２アプリケーション種別データと、
（３）第２通信データにより実現されるアプリケーションの使用帯域を特定する第２使用帯域データと、
（４）第２通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる複数の通信パケットの特徴量を示すデータである第２特徴量データと、
を取得し、取得した第２プロトコルデータと、第２アプリケーション種別データと、第２使用帯域データと、第２特徴量データとを組にした第２学習用データを取得する。
【0013】
これにより、この学習用データ生成方法では、ネットワークの上流にボトルネックがある場合に取得した第１学習用データと、ネットワークの上流にボトルネックがない場合に取得した第２学習用データとを取得（生成）することができる。そして、この学習用データ生成方法で取得した学習用データを用いて、学習可能モデルを学習させることで、ネットワークの上流にボトルネックがある場合であっても、ネットワークの上流にボトルネックがない場合であっても、高精度に、アプリケーションの種別、および／または、当該アプリケーションが使用している帯域を予測（推定）できるモデルを取得できる。そして、当該モデル（学習済みモデル）を用いて、アプリケーションの種別、および／または、当該アプリケーションが使用している帯域の予測処理を行うことで、ネットワークの上流にボトルネックがある場合であっても、ネットワークの上流にボトルネックがない場合であっても、高精度に、アプリケーションの種別、および／または、当該アプリケーションの使用帯域を予測（推定）することができる。そして、例えば、通信システムの通信制御装置において、上記学習済みモデルを用いた処理を行うことで、アプリケーションの種別、使用帯域の推定結果が取得でき、当該推定結果に基づいて、（ネットワーク下流において）適切に帯域を割り当て（確保し）、通信システムで実現されているサービスを継続・維持させることができる。
【0014】
なお、「ネットワークの上流」とは、送信元と送信先との間における送信元側のことをいい、例えば、アプリケーションサーバから、通信制御装置を介して、端末装置に通信フローが流れる場合、通信制御装置からアプリケーションサーバ側のネットワークが「ネットワークの上流」に該当する。
【0015】
また、「ボトルネック」とは、例えば、通信回線において、通信帯域が所定の帯域内となるように制限されている部分（回線）のことをいう。
【0016】
第２の発明は、第１の発明であって、第１特徴量データは、バースト単位の時間長、バースト単位内のパケット数、および、バースト単位内の平均データサイズの少なくとも１つを含むデータであり、第２特徴量データは、バースト単位の時間長、バースト単位内のパケット数、および、バースト単位内の平均データサイズの少なくとも１つを含むデータである。
【0017】
これにより、第１特徴量データおよび第２特徴量データを、バースト単位で取得される特徴量として、学習用データ生成を行うことができる。
【0018】
第３の発明は、第１または第２の発明である学習用データ生成方法をコンピュータに実行させるためのプログラムである。
【0019】
これにより、第１または第２の発明と同様の効果を奏する学習用データ生成方法をコンピュータに実行させるためのプログラムを実現することができる。
【0020】
第４の発明は、第１または第２の発明である学習用データ生成方法により生成された学習用データを用いて、ＱｏＳ制御が可能な通信方式で通信可能なネットワークの通信を制御する通信制御装置により実行されるアプリケーション種別および／または当該アプリケーションの使用帯域を予測する学習モデルを学習させる学習処理方法であって、学習モデル実行ステップと、パラメータ更新用データ生成ステップと、学習モデルパラメータ更新ステップと、を備える。
【0021】
学習モデル実行ステップは、
（１）学習用データの第１特徴量データおよび第１プロトコルデータを学習モデルが入力された場合、学習モデルから、第１出力データとして、第１アプリケーション種別出力データを出力させ、第２出力データとして、第１アプリケーション使用帯域出力データを出力させ、
（２）学習用データの第２特徴量データおよび第２プロトコルデータが学習モデルされた場合、学習モデルから、第１出力データとして、第２アプリケーション種別出力データを出力させ、第２出力データとして、第２アプリケーション使用帯域出力データを出力させる。
（１）学習用データの第１特徴量データおよび第１プロトコルデータを学習モデルが入力された場合、学習モデルから、第１出力データとして、第１アプリケーション種別出力データを出力させ、第２出力データとして、第１アプリケーション使用帯域出力データを出力させ、
（２）学習用データの第２特徴量データおよび第２プロトコルデータが学習モデルされた場合、学習モデルから、第１出力データとして、第２アプリケーション種別出力データを出力させ、第２出力データとして、第２アプリケーション使用帯域出力データを出力させる。
【0022】
パラメータ更新用データ生成ステップは、
（１）学習用データの第１特徴量データおよび第１プロトコルデータを学習モデルが入力された場合、第１アプリケーション種別出力データと、学習用データの第１アプリケーション種別データとの間の損失、および、第１アプリケーション使用帯域出力データと、学習用データの第１使用帯域データとの間の損失に基づいて、学習モデルのパラメータを更新させるためのパラメータ更新用データを生成し、
（２）学習用データの第２特徴量データおよび第２プロトコルデータを学習モデルが入力された場合、第２アプリケーション種別出力データと、学習用データの第２アプリケーション種別データとの間の損失、および、第２アプリケーション使用帯域出力データと、学習用データの第２使用帯域データとの間の損失に基づいて、学習モデルのパラメータを更新させるためのパラメータ更新用データを生成する。
（１）学習用データの第１特徴量データおよび第１プロトコルデータを学習モデルが入力された場合、第１アプリケーション種別出力データと、学習用データの第１アプリケーション種別データとの間の損失、および、第１アプリケーション使用帯域出力データと、学習用データの第１使用帯域データとの間の損失に基づいて、学習モデルのパラメータを更新させるためのパラメータ更新用データを生成し、
（２）学習用データの第２特徴量データおよび第２プロトコルデータを学習モデルが入力された場合、第２アプリケーション種別出力データと、学習用データの第２アプリケーション種別データとの間の損失、および、第２アプリケーション使用帯域出力データと、学習用データの第２使用帯域データとの間の損失に基づいて、学習モデルのパラメータを更新させるためのパラメータ更新用データを生成する。
【0023】
学習モデルパラメータ更新ステップは、パラメータ更新用データ生成ステップにより生成されたパラメータ更新用データにより、学習モデルのパラメータを更新する。
【0024】
これにより、この学習処理方法では、ネットワークの上流にボトルネックがある場合に取得した第１学習用データと、ネットワークの上流にボトルネックがない場合に取得した第２学習用データと含む学習用データを用いて、学習可能モデルを学習させることで、ネットワークの上流にボトルネックがある場合であっても、ネットワークの上流にボトルネックがない場合であっても、高精度に、アプリケーションの種別、および／または、当該アプリケーションが使用している帯域を予測（推定）できるモデルを取得できる。そして、当該モデル（学習済みモデル）を用いて、アプリケーションの種別、および／または、当該アプリケーションが使用している帯域の予測処理を行うことで、ネットワークの上流にボトルネックがある場合であっても、ネットワークの上流にボトルネックがない場合であっても、高精度に、アプリケーションの種別、および／または、当該アプリケーションの使用帯域を予測（推定）することができる。そして、例えば、通信システムの通信制御装置において、上記学習済みモデルを用いた処理を行うことで、アプリケーションの種別、使用帯域の推定結果が取得でき、当該推定結果に基づいて、（ネットワーク下流において）適切に帯域を割り当て（確保し）、通信システムで実現されているサービスを継続・維持させることができる。
【0025】
第５の発明は、第４の発明である学習処理方法をコンピュータに実行させるためのプログラムである。
【0026】
これにより、第４の発明と同様の効果を奏する学習処理方法をコンピュータに実行させるためのプログラムを実現することができる。
【0027】
第６の発明は、第４の発明である学習処理方法により学習させた学習済みモデルを備える通信制御装置を用いて実行される予測処理方法であって、特徴量データ取得ステップと、プロトコル識別ステップと、予測処理ステップと、を備える。
【0028】
特徴量データ取得ステップは、通信制御装置が受信した通信データから、当該通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる複数の通信パケットの特徴量を示すデータを特徴量データとして取得する。
【0029】
プロトコル識別ステップは、通信制御装置が受信した通信データから、当該通信データのプロトコルを特定するプロトコルデータを取得する。
【0030】
予測処理ステップは、特徴量データと、プロトコルデータとを、学習済みモデルに入力させて、学習済みモデルによる予測処理を行うことで、通信データに対応するアプリケーション種別および／または当該アプリケーションの使用帯域の予測処理結果データを取得する。
【0031】
これにより、この予測処理方法では、ネットワークの上流にボトルネックがある場合であっても、ネットワークの上流にボトルネックがない場合であっても、高精度に、アプリケーションの種別、および／または、当該アプリケーションが使用している帯域を予測（推定）できるように取得された学習済みモデルを用いて、アプリケーションの種別、および／または、当該アプリケーションが使用している帯域の予測処理を行うことで、ネットワークの上流にボトルネックがある場合であっても、ネットワークの上流にボトルネックがない場合であっても、高精度に、アプリケーションの種別、および／または、当該アプリケーションの使用帯域を予測（推定）することができる。そして、例えば、通信システムの通信制御装置において、上記学習済みモデルを用いた処理を行うことで、アプリケーションの種別、使用帯域の推定結果が取得でき、当該推定結果に基づいて、（ネットワーク下流において）適切に帯域を割り当て（確保し）、通信システムで実現されているサービスを継続・維持させることができる。すなわち、通信システムにおいて、ネットワークの上流にボトルネックがある場合であっても、高精度にアプリケーションを推定し、ネットワーク下流において効率的に（適切に）帯域を割り当てることができる。
【0032】
第７の発明は、第６の発明である予測処理方法をコンピュータに実行させるためのプログラムである。
【0033】
これにより、第６の発明と同様の効果を奏する予測処理方法をコンピュータに実行させるためのプログラムを実現することができる。
【0034】
第８の発明は、通信インターフェースと、特徴量取得部と、プロトコル識別処理部と、機械学習モデル部と、を備える予測処理装置である。
【0035】
通信インターフェースは、ＱｏＳ制御が可能な通信方式で通信可能なネットワークから通信データを受信することができるインターフェースである。
【0036】
特徴量取得部は、通信インターフェースにより受信した通信データから、当該通信データを構成する複数の通信パケットの到着間隔が一定時間以上空く期間を区切りとして、複数の通信パケットをバースト単位で取得したとき、当該バースト単位に含まれる複数の通信パケットの特徴量を示すデータを特徴量データとして取得する。
【0037】
プロトコル識別処理部は、通信インターフェースにより受信した通信データから、当該通信データのプロトコルを特定するプロトコルデータを取得する。
【0038】
機械学習モデル部は、第４の発明である学習処理方法により学習させた学習済みモデルを備えており、特徴量データと、プロトコルデータとを、学習済みモデルに入力させて、学習済みモデルによる予測処理を行うことで、通信データに対応するアプリケーション種別および／または当該アプリケーションの使用帯域の予測処理結果データを取得する。
【0039】
これにより、第６の発明と同様の効果を奏する予測処理装置を実現することができる。
【発明の効果】
【0040】
本発明によれば、ネットワークの上流にボトルネックがある場合であっても、高精度にアプリケーションを推定し、ネットワーク下流において効率的に（適切に）帯域を割り当てる通信システム、通信制御装置、学習用データ生成方法、学習処理方法、予測処理方法、予測処理装置、および、プログラムを実現することができる。
【図面の簡単な説明】
【0041】
【図1】第１実施形態に係る通信システム１０００の概略構成図。
【図2】第１実施形態に係る通信制御装置１００の概略構成図。
【図3】第１実施形態に係る通信制御装置１００の通信フロー識別処理部３の概略構成図。
【図4】第１実施形態に係る学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅの概略構成図。
【図5】第１実施形態に係る学習処理装置Ｄｅｖ＿ｔｒの概略構成図。
【図6】通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３の学習済みモデルを取得するための学習用データ生成処理のフローチャート。
【図7】ネットワークの上流のボトルネックの有無の検出方法（パケットの到着過程の変化を監視する方法）を説明するための図。
【図8】ネットワークの上流のボトルネックの有無の検出方法（アプリケーションの挙動の変化を監視する方法）を説明するための図。
【図9】通信システム１０００で実行される通信フロー識別処理を説明するための図。
【図10】通信システム１０００で実行される通信フロー識別処理を説明するための図。
【図11】通信システム１０００で実行される通信フロー識別処理を説明するための図。
【図12】通信システム１０００で実行される通信フロー識別処理を説明するための図。
【図13】第１変形例の通信制御装置の通信フロー識別処理部３Ａの概略構成図。
【図14】第１変形例の通信制御装置の通信フロー識別処理部３Ａの概略構成図（学習処理時）。
【図15】第１変形例の通信制御装置の通信フロー識別処理部３Ａの概略構成図（予測処理時）。
【図16】第２変形例の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅＡの概略構成図。
【図17】ＣＰＵバス構成を示す図。
【発明を実施するための形態】
【0042】
［第１実施形態］
第１実施形態について、図面を参照しながら、以下、説明する。
第１実施形態について、図面を参照しながら、以下、説明する。
【0043】
＜１．１：通信システムの構成＞
図１は、第１実施形態に係る通信システム１０００の概略構成図である。
図１は、第１実施形態に係る通信システム１０００の概略構成図である。
【0044】
図２は、第１実施形態に係る通信制御装置１００の概略構成図である。
【0045】
図３は、第１実施形態に係る通信制御装置１００の通信フロー識別処理部３の概略構成図である。
【0046】
図４は、第１実施形態に係る学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅの概略構成図である。
【0047】
図５は、第１実施形態に係る学習処理装置Ｄｅｖ＿ｔｒの概略構成図である。
【0048】
通信システム１０００は、図１に示すように、Ｍ個（Ｍ：自然数）のサーバである第１サーバＳｖｒ１～第ＭサーバＳｖｒＭと、例えば、交換局Ｃｎｔｒ１内に設置される通信制御装置１００と、ＲＡＮ（Ｒａｄｉｏ Ａｃｃｅｓｓ Ｎｅｔｗｏｒｋ）と、複数の端末装置（図１では、ｍ１個（ｍ１：自然数）の端末装置ＵＥ１１～ＵＥ１ｍ１、ｍ２個（ｍ２：自然数）の端末装置ＵＥ２１～ＵＥ２ｍ２、・・・、ｍｎ個（ｍｎ：自然数）の端末装置ＵＥｎ１～ＵＥｎｍｎ）とを備える。第１サーバＳｖｒ１～第ＭサーバＳｖｒＭおよび通信制御装置１００は、ネットワークＮＷ１（例えば、インターネット）に接続されており、それぞれのサーバおよび／または装置と、互いに通信可能である。
【0049】
また、ＲＡＮは、図１に示すように、集約基地局ＣＵ１と、集約基地局ＣＵ１に接続される分散基地局ＤＵ１～ＤＵｎ（ｎ：自然数）とにより構成される。なお、ＲＡＮは、図１では、１つの集約基地局ＣＵ１を備えるものであるが、これに限定されることはなく、複数の集約基地局、および、当該複数の集約基地局のそれぞれに接続される１または複数の分散基地局を備えるものであってもよい。
【0050】
また、通信制御装置１００と、ＲＡＮの集約基地局ＣＵ１とは、ネットワーク（不図示）（例えば、携帯電話通信網（例えば、４Ｇ／ＬＴＥ通信網や５Ｇ通信網（５Ｇ：第５世代移動通信システム）））を介して接続されるものであってもよい。
【0051】
第１サーバＳｖｒ１～第ＭサーバＳｖｒＭは、それぞれ、所定のアプリケーションを提供するサーバであり、ネットワークＮＷ１に接続されている。第１サーバＳｖｒ１～第ＭサーバＳｖｒＭは、それぞれ、端末装置（例えば、図１では、端末装置ＵＥ１１～ＵＥ１ｍ１、端末装置ＵＥ２１～ＵＥ２ｍ２、・・・、端末装置ＵＥｎ１～ＵＥｎｍｎ）との間に通信コネクションを確立させて、端末装置からの要求に応じたアプリケーションを提供するサーバ（アプリケーションサーバ）である。第１サーバＳｖｒ１～第ＭサーバＳｖｒＭは、それぞれ、ネットワークＮＷ１、通信制御装置１００、ＲＡＮを介して、端末装置と通信を行うことができる。
【0052】
（１．１．１：通信制御装置）
通信制御装置１００は、例えば、交換局Ｃｎｔｒ１（例えば、５Ｇ（第５世代移動通信システム）の伝送網と、外部のネットワーク（例えば、インターネット）とを接続し、通信を行うための交換局）内に設置される装置であり、ネットワークＮＷ１およびＲＡＮと通信可能に接続されている。そして、通信制御装置１００は、ネットワークＮＷ１、ＲＡＮ、サーバ、および／または、端末装置間での通信を制御する機能を有している。
通信制御装置１００は、例えば、交換局Ｃｎｔｒ１（例えば、５Ｇ（第５世代移動通信システム）の伝送網と、外部のネットワーク（例えば、インターネット）とを接続し、通信を行うための交換局）内に設置される装置であり、ネットワークＮＷ１およびＲＡＮと通信可能に接続されている。そして、通信制御装置１００は、ネットワークＮＷ１、ＲＡＮ、サーバ、および／または、端末装置間での通信を制御する機能を有している。
【0053】
通信制御装置１００は、図２に示すように、第１通信インターフェース１と、Ｃ－ｐｌａｎｅ信号処理部２と、セレクタＳＥＬ１と、バッファＢｕｆ１と、通信フロー識別処理部３と、Ｕ－ｐｌａｎｅ信号処理部４と、第２通信インターフェース５とを備える。
【0054】
第１通信インターフェース１は、ネットワークＮＷ１を介して、外部の装置（外部のサーバ（第１サーバＳｖｒ１～第ＭサーバＳｖｒＭ））とデータ送受信を行うための通信インターフェースである。また、第１通信インターフェース１は、図２に示すように、Ｃ－ｐｌａｎｅ信号処理部２、Ｕ－ｐｌａｎｅ信号処理部４、および、セレクタＳＥＬ１と接続されている。
【0055】
第１通信インターフェース１は、外部（ネットワークＮＷ１）から受信したデータであって、Ｃ－ｐｌａｎｅ制御を行うために必要となるデータをデータＤｉ＿ｎ＿ｃとしてＣ－ｐｌａｎｅ信号処理部２に出力し、また、Ｃ－ｐｌａｎｅ信号処理部２から出力されるデータ（Ｃ－ｐｌａｎｅ制御を行うためにネットワークＮＷ１に送信する必要があるデータ）をデータＤｏ＿ｎ＿ｃ（ネットワークＮＷ１を介して外部へと送信するためデータ）として入力する。なお、「Ｃ－ｐｌａｎｅ」とは、Ｃｏｎｔｒｏｌ ｐｌａｎｅのことであり、通信システム（例えば、無線通信システム）において、通信の制御を行うデータ、信号、その手順、または、仕組みを表す。
【0056】
また、第１通信インターフェース１は、外部（ネットワークＮＷ１）から受信したデータをデータＤｉ＿ｎ＿ｕとしてＵ－ｐｌａｎｅ信号処理部４に出力し、また、Ｕ－ｐｌａｎｅ信号処理部４から出力されるデータをデータＤｏ＿ｎ＿ｕ（ネットワークＮＷ１を介して外部へと送信するためデータ）として入力する。なお、「Ｕ－ｐｌａｎｅ」とは、Ｕｓｅｒ ｐｌａｎｅのことであり、通信システム（例えば、無線通信システム）において、ユーザが送受信するデータ、その手順、または、仕組みを表す。
【0057】
また、第１通信インターフェース１は、外部（ネットワークＮＷ１）から受信したデータ（通信フローを識別する処理に用いるデータ）をデータＤ０＿ｎとしてセレクタＳＥＬ１に出力する。
【0058】
Ｃ－ｐｌａｎｅ信号処理部２は、第２通信インターフェース５を介してＲＡＮとＣ－ｐｌａｎｅデータを送受信するための処理を行う。なお、第２通信インターフェース５を介してＲＡＮとＣ－ｐｌａｎｅデータを送受信するための処理を行うために、Ｃ－ｐｌａｎｅ信号処理部２から第２通信インターフェース５へ出力するＣ－ｐｌａｎｅデータをデータＤｏ＿ｒ（Ｃ）と表記し、第２通信インターフェース５からＣ－ｐｌａｎｅ信号処理部２に入力されるＣ－ｐｌａｎｅデータをデータＤｉ＿ｒ（Ｃ）と表記する。
【0059】
また、Ｃ－ｐｌａｎｅ信号処理部２は、Ｃ－ｐｌａｎｅ制御を行うのに必要なデータを、第１通信インターフェース１を介して、ネットワークＮＷ１（ネットワークＮＷ１上の外部の装置、サーバ等）から受信し、および／または、ネットワークＮＷ１（ネットワークＮＷ１上の外部の装置、サーバ等）へ送信する。なお、Ｃ－ｐｌａｎｅ信号処理部２から第１通信インターフェース１へ出力するデータをデータＤｏ＿ｎ＿ｃと表記し、第１通信インターフェース１からＣ－ｐｌａｎｅ信号処理部２に入力されるデータをデータＤｉ＿ｎ＿ｃと表記する。
【0060】
セレクタＳＥＬ１は、第１通信インターフェース１から出力されるＤ０＿ｎと、第２通信インターフェース５から出力されるＤ０＿ｒと、通信制御装置１００の各機能部を制御する制御部（不図示）から出力される選択信号ｓｅｌ１とを入力する。セレクタＳＥＬ１は、選択信号ｓｅｌ１に従い、入力されるデータＤ０＿ｎと、データＤ０＿ｒとのいずれか一方を選択し、選択したデータをデータＤ１としてバッファＢｕｆ１に出力する。
【0061】
バッファＢｕｆ１は、セレクタＳＥＬ１から出力されるデータＤ１を入力し、当該データＤ１を一時的に保持する記憶部（バッファ）である。バッファＢｕｆ１に保持されているデータは、通信フロー識別処理部３、および／または、Ｕ－ｐｌａｎｅ信号処理部４からの読み出し命令により、読み出すことが可能である。なお、バッファＢｕｆ１において、外部からの通信データの各パケットの到着時刻、パケット長、パケットサイズ等のデータも記憶保持されるものとする。
【0062】
通信フロー識別処理部３は、バッファＢｕｆ１に保持されているデータをデータＤ２として読み出し、当該データＤ２を用いて、通信データ（通信制御装置１００が外部の装置（サーバ）から受信したデータ、および／または、ＲＡＮから受信したデータ（例えば、端末装置からのデータ））の解析処理を行うとともに、通信フローを識別する処理（通信フロー識別処理）を行い、各通信フローの帯域（各通信フローが使用している帯域（例えば、通信レートにより特定される帯域））を特定（推定）し、各通信フローに付与するＱｏＳフローＩＤを決定する。通信フロー識別処理部３は、図３に示すように、特徴量取得部３１と、プロトコル識別処理部３２と、機械学習モデル部３３と、ＱｏＳ決定部３４とを備える。
【0063】
特徴量取得部３１は、バッファＢｕｆ１から読み出したデータＤ２を入力し、データＤ２に対して、特徴量取得処理を行う。具体的には、特徴量取得部３１は、同一のサーバ（通信制御装置１００で受信した通信パケットの送信元のデータから特定）との通信フローの時間的に連続して通信される複数パケットを時間間隔が一定値以上空いたときに区切って１つの「バースト」として扱い、このバースト単位で、データＤ２から、バーストの時間長（継続長）、バースト内パケット数、バースト内平均データサイズ（平均パケットサイズ）等を取得する処理（特徴量取得処理）を行う。そして、特徴量取得部３１は、特徴量取得処理により取得した特徴量を含むデータを、データＤ＿ｆｅａｔとして、機械学習モデル部３３に出力する。なお、説明便宜のため、特徴量取得処理により取得される特徴量は、（１）バーストの時間長（継続長）、（２）バースト内パケット数、および、（３）バースト内平均データサイズ（平均パケットサイズ）であるものとする。
【0064】
プロトコル識別処理部３２は、バッファＢｕｆ１から読み出したデータＤ２を入力し、データＤ２に対して、プロトコル識別処理を行い、データＤ２に対応するプロトコルを特定するデータを取得する。そして、プロトコル識別処理部３２は、プロトコル識別処理により取得したデータを、データＤ＿ｐｒｏｔｏとして、機械学習モデル部３３に出力する。
【0065】
機械学習モデル部３３は、学習済みモデルを有する機能部であり、特徴量取得部３１から出力されるデータＤ＿ｆｅａｔと、プロトコル識別処理部３２から出力されるデータＤ＿ｐｒｏｔｏとを入力する。機械学習モデル部３３は、データＤ＿ｆｅａｔおよびデータＤ＿ｐｒｏｔｏを、学習済みモデルの入力として、当該学習済みモデルによる処理を行い、アプリケーションの種別を特定（推定）するデータＤ＿ａｐｐと、当該アプリケーションの通信データの帯域（当該アプリケーションの通信データが使用している帯域（例えば、通信レートにより特定される帯域））を特定（推定）するデータをＤ_Δｆとを取得する。そして、機械学習モデル部３３は、取得したデータＤ＿ａｐｐおよびデータＤ＿ΔｆをＱｏＳ決定部３４に出力する。
【0066】
ＱｏＳ決定部３４は、機械学習モデル部３３から出力されるデータＤ＿ａｐｐおよびデータＤ＿Δｆを入力する。ＱｏＳ決定部３４は、データＤ＿ａｐｐおよびデータＤ＿Δｆを用いて、ＱｏＳフローＩＤを決定する処理を行い、当該処理により取得したＱｏＳフローＩＤを含むデータを、データＤ＿ＱｏＳ＿ＩＤとして、Ｕ－ｐｌａｎｅ信号処理部４に出力する。
【0067】
Ｕ－ｐｌａｎｅ信号処理部４は、Ｕ－ｐｌａｎｅの処理、ＱｏＳ付与処理（ＱｏＳフローＩＤの付与処理）等を行う機能部である。Ｕ－ｐｌａｎｅ信号処理部４は、第２通信インターフェース５を介してＲＡＮとＵ－ｐｌａｎｅデータを送受信するための処理を行う。なお、第２通信インターフェース５を介してＲＡＮとＵ－ｐｌａｎｅデータを送受信するための処理を行うために、Ｕ－ｐｌａｎｅ信号処理部４から第２通信インターフェース５へ出力するＵ－ｐｌａｎｅデータをデータＤｏ＿ｒ（Ｕ）と表記し、第２通信インターフェース５からＵ－ｐｌａｎｅ信号処理部４に入力されるＵ－ｐｌａｎｅデータをデータＤｉ＿ｒ（Ｕ）と表記する。
【0068】
また、Ｕ－ｐｌａｎｅ信号処理部４は、Ｕ－ｐｌａｎｅデータの処理を行うために必要なデータを、第１通信インターフェース１を介して、ネットワークＮＷ１（ネットワークＮＷ１上の外部の装置、サーバ等）から受信し、および／または、ネットワークＮＷ１（ネットワークＮＷ１上の外部の装置、サーバ等）へ送信する。なお、Ｕ－ｐｌａｎｅ信号処理部４から第１通信インターフェース１へ出力するデータをデータＤｏ＿ｎ＿ｕと表記し、第１通信インターフェース１からＵ－ｐｌａｎｅ信号処理部４に入力されるデータをデータＤｉ＿ｎ＿ｕと表記する。
【0069】
また、Ｕ－ｐｌａｎｅ信号処理部４は、バッファＢｕｆ１に保持されているデータをデータＤ３として読み出す。また、Ｕ－ｐｌａｎｅ信号処理部４は、当該データＤ３に対応するデータであって、通信フロー識別処理部３から出力されるデータＤ＿ＱｏＳ＿ＩＤ（データＤ３に対応する通信フローのＱｏＳ識別子ＱｏＳ＿ＩＤを含むデータＤ＿ＱｏＳ＿ＩＤ）を入力する。Ｕ－ｐｌａｎｅ信号処理部４は、データＤ３に、データＤ＿ＱｏＳ＿ＩＤから取得したＱｏＳ識別子ＱｏＳ＿ＩＤを付与する処理（ＱｏＳフローＩＤの付与処理）を行うことで、データＤ３にＱｏＳ識別子ＱｏＳ＿ＩＤを付与したデータを取得し、取得した当該データを通信データＤｏ＿ｒ（Ｕ）として、第２通信インターフェース５に出力する。
【0070】
第２通信インターフェース５は、ＲＡＮ（ＲＡＮ内の装置）とデータ送受信を行うための通信インターフェースである。また、第２通信インターフェース５は、図２に示すように、Ｃ－ｐｌａｎｅ信号処理部２、Ｕ－ｐｌａｎｅ信号処理部４、および、セレクタＳＥＬ１と接続されている。
【0071】
第２通信インターフェース５は、外部（ＲＡＮ）から受信したデータであって、Ｃ－ｐｌａｎｅデータをデータＤｉ＿ｒ（Ｃ）としてＣ－ｐｌａｎｅ信号処理部２に出力し、また、Ｃ－ｐｌａｎｅ信号処理部２から出力されるＣ－ｐｌａｎｅデータをデータＤｏ＿ｒ（Ｃ）として入力する。なお、「Ｃ－ｐｌａｎｅ」とは、Ｃｏｎｔｒｏｌ ｐｌａｎｅのことであり、通信システム（例えば、無線通信システム）において、通信の制御を行うデータ、信号、その手順、または、仕組みを表す。
【0072】
また、第２通信インターフェース５は、外部（ＲＡＮ）から受信したＵ－ｐｌａｎｅデータをデータＤｉ＿ｒ（Ｕ）としてＵ－ｐｌａｎｅ信号処理部４に出力し、また、Ｕ－ｐｌａｎｅ信号処理部４から出力されるＵ－ｐｌａｎｅデータをデータＤｏ＿ｒ（Ｕ）として入力する。なお、「Ｕ－ｐｌａｎｅ」とは、Ｕｓｅｒ ｐｌａｎｅのことであり、通信システム（例えば、無線通信システム）において、ユーザが送受信するデータ、その手順、または、仕組みを表す。
【0073】
また、第２通信インターフェース５は、外部（ＲＡＮ）から受信したデータ（通信フローを識別する処理に用いるデータ）をデータＤ０＿ｒとしてセレクタＳＥＬ１に出力する。
【0074】
（１．１．２：ＲＡＮ）
ＲＡＮは、図１に示すように、集約基地局ＣＵ１と、１または複数の分散基地局ＤＵ１～ＤＵｎ（ｎ：自然数）とを含む。
ＲＡＮは、図１に示すように、集約基地局ＣＵ１と、１または複数の分散基地局ＤＵ１～ＤＵｎ（ｎ：自然数）とを含む。
【0075】
集約基地局ＣＵ１は、通信制御装置１００および分散基地局ＤＵ１～ＤＵｎのそれぞれと通信可能に接続されている。集約基地局ＣＵ１は、分散基地局ＤＵ１～ＤＵｎのそれぞれに対して個別の無線ベアラ（無線通信によるサービス回線）を割り当てる。つまり、集約基地局ＣＵ１は、分散基地局ＤＵ１～ＤＵｎと、無線ベアラとのマッピング処理を行う。なお、１つの無線ベアラには、複数の通信フロー（同一ＱｏＳを要求する通信データ（通信パケット群））を含めることが可能である。なお、集約基地局ＣＵ１は、通信制御装置１００から受信した通信データ（Ｃ－ｐｌａｎｅデータ、Ｕ－ｐｌａｎｅデータ）に基づいて、ＰＤＵセッション（ＰＤＵ：Ｐｒｏｔｏｃｏｌ Ｄａｔａ Ｕｎｉｔ）（通信制御装置１００、集約基地局ＣＵ１、分散基地局ＤＵ１～ＤＵｎ、端末装置間のセッション）を確立させ、分散基地局ＤＵ１～ＤＵｎのそれぞれに対して個別の無線ベアラ（無線通信によるサービス回線）を割り当てる。
【0076】
そして、集約基地局ＣＵ１は、無線ベアラ単位で、分散基地局ＤＵ１～ＤＵｎのそれぞれと通信を行う。
【0077】
分散基地局ＤＵ１～ＤＵｎは、それぞれ、集約基地局ＣＵ１と通信可能に接続されている。また、分散基地局ＤＵ１～ＤＵｎは、それぞれ、１または複数の端末装置と通信可能に接続することができる。分散基地局ＤＵ１～ＤＵｎは、それぞれ、集約基地局ＣＵ１から受信した通信データを、当該通信データの宛先（例えば、ヘッダに記載されている宛先）の端末装置に送信する。また、分散基地局ＤＵ１～ＤＵｎは、それぞれ、端末装置から受信した通信データを集約基地局ＣＵ１に送信する。
【0078】
（１．１．３：端末装置）
複数の端末装置（図１では、ｍ１個（ｍ１：自然数）の端末装置ＵＥ１１～ＵＥ１ｍ１、ｍ２個（ｍ２：自然数）の端末装置ＵＥ２１～ＵＥ２ｍ２、・・・、ｍｎ個（ｍｎ：自然数）の端末装置ＵＥｎ１～ＵＥｎｍｎ）は、それぞれ、ＲＡＮの分散基地局ＤＵ１～ＤＵｎのうちの自端末装置に割り当てられた分散基地局と通信可能に接続される（例えば、無線通信可能に接続される）。複数の端末装置は、それぞれ、通信制御装置１００、集約基地局ＣＵ１、分散基地局との間において、ＰＤＵセッションを確立させることができる。そして、複数の端末装置は、それぞれ、通信制御装置１００、集約基地局ＣＵ１、分散基地局との間において、通信フロー単位（ＱｏＳフロー単位（同一ＱｏＳを要求する通信パケット群の単位））で通信を行うことができる。
複数の端末装置（図１では、ｍ１個（ｍ１：自然数）の端末装置ＵＥ１１～ＵＥ１ｍ１、ｍ２個（ｍ２：自然数）の端末装置ＵＥ２１～ＵＥ２ｍ２、・・・、ｍｎ個（ｍｎ：自然数）の端末装置ＵＥｎ１～ＵＥｎｍｎ）は、それぞれ、ＲＡＮの分散基地局ＤＵ１～ＤＵｎのうちの自端末装置に割り当てられた分散基地局と通信可能に接続される（例えば、無線通信可能に接続される）。複数の端末装置は、それぞれ、通信制御装置１００、集約基地局ＣＵ１、分散基地局との間において、ＰＤＵセッションを確立させることができる。そして、複数の端末装置は、それぞれ、通信制御装置１００、集約基地局ＣＵ１、分散基地局との間において、通信フロー単位（ＱｏＳフロー単位（同一ＱｏＳを要求する通信パケット群の単位））で通信を行うことができる。
【0079】
（１．１．４：学習用データ生成装置）
学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅは、通信システム１０００の通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３に搭載させる学習済みモデルを取得するための学習処理を行うための学習用データを生成する装置である。
学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅは、通信システム１０００の通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３に搭載させる学習済みモデルを取得するための学習処理を行うための学習用データを生成する装置である。
【0080】
学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅは、例えば、通信制御装置１００のバッファＢｕｆ１の出力（バッファＢｕｆ１で保持されている通信データ）を入力とし、学習用データを生成し、生成した学習用データを、データを記憶する装置（図４では、データ記憶部ＤＢ１）に記憶するための装置である。
【0081】
学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅは、図４に示すように、パケットキャプチャ処理部８１と、キャプチャデータ解析部８２と、データ抽出部８３と、特徴量取得部８４と、学習用データ生成処理部８５とを備える。
【0082】
パケットキャプチャ処理部８１は、例えば、通信制御装置１００のバッファＢｕｆ１の出力（バッファＢｕｆ１で保持されている通信データ）を入力とし、入力されたデータ（通信データ（通信パケット））をキャプチャする処理（例えば、パケットキャプチャ処理）を行う。そして、パケットキャプチャ処理部８１は、キャプチャデータ解析部８２および／またはデータ抽出部８３からの要求に従い、キャプチャしたデータをキャプチャデータ解析部８２および／またはデータ抽出部８３に出力する。
【0083】
キャプチャデータ解析部８２は、パケットキャプチャ処理部８１がキャプチャしたデータ（あるいはパケット）を取得し（パケットキャプチャ処理部８１にデータ読み出し指令を送信することで、キャプチャデータ（キャプチャパケット）を読み出し）、当該キャプチャデータ（キャプチャパケット）の解析を行う。キャプチャデータ解析部８２は、所定の機能部を有しており、例えば、図４に示すように、上流ボトルネック検出部、プロトコル取得部、アプリ種別取得部、および、帯域取得部を有している。
【0084】
上流ボトルネック検出部は、キャプチャデータ（キャプチャパケット）を解析することで、ネットワークの上流にボトルネックがあるか否かを検出する。上流ボトルネック検出部は、例えば、（１）パケットの到着過程の変化を監視することでネットワークの上流にボトルネックがあるか否かを検出する、または、（２）キャプチャデータ（キャプチャパケット）（あるいは通信フロー）がアプリケーションの挙動変化の影響を受けているか否かを判定することで、ネットワークの上流にボトルネックがあるか否かを検出する。そして、キャプチャデータ解析部８２は、上流ボトルネック検出部による検出結果を含むデータを、データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋとして、データ抽出部８３に出力する。
【0085】
プロトコル取得部は、キャプチャデータ（キャプチャパケット）を解析することで、キャプチャデータ（キャプチャパケット）の通信フローのプロトコルを取得する（例えば、パケットのヘッダを解析することでプロトコルを特定する）。そして、キャプチャデータ解析部８２は、プロトコル取得部が取得したプロトコルを特定する情報を含むデータを、データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔとして、学習用データ生成処理部８５に出力する。
【0086】
帯域取得部は、キャプチャデータ（キャプチャパケット）を解析することで、キャプチャデータ（キャプチャパケット）の通信フローの帯域（使用している帯域）を取得する。そして、キャプチャデータ解析部８２は、帯域取得部が取得した帯域を特定する情報を含むデータを、データＤ＿Δｆ＿ｃｏｒｒｅｃｔとして、学習用データ生成処理部８５に出力する。
【0087】
アプリ種別取得部は、キャプチャデータ（キャプチャパケット）を解析することで、キャプチャデータ（キャプチャパケット）の通信フローのアプリケーションの種別（当該通信フローにより実現（提供）されているアプリケーションの種別）を取得する。そして、キャプチャデータ解析部８２は、アプリ種別取得部が取得したアプリケーションの種別を特定する情報を含むデータを、データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔとして、学習用データ生成処理部８５に出力する。
【0088】
データ抽出部８３は、キャプチャデータ解析部８２から出力されるデータｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋを入力し、当該データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋに対応するキャプチャデータ（キャプチャパケット）をパケットキャプチャ処理部８１から読み出す。つまり、（１）データ抽出部８３は、データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋが「１」（ネットワークの上流にボトルネックありを示す値）であると判定された通信フローに属するキャプチャデータ（キャプチャパケット）をパケットキャプチャ処理部８１から読み出し、読み出したデータを、データＤｉｎ＿ｔｒａｉｎ（ネットワークの上流にボトルネックがあるときにキャプチャされたデータ（通信データ））として、特徴量取得部８４に出力する。（２）データ抽出部８３は、データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋが「０」（ネットワークの上流にボトルネックなしを示す値）であると判定された通信フローに属するキャプチャデータ（キャプチャパケット）をパケットキャプチャ処理部８１から読み出し、読み出したデータを、データＤｉｎ＿ｔｒａｉｎ（ネットワークの上流にボトルネックがないときにキャプチャされたデータ（通信データ））として、特徴量取得部８４に出力する。
【0089】
特徴量取得部８４は、データ抽出部８３から出力されるデータＤｉｎ＿ｔｒａｉｎを入力し、データＤｉｎ＿ｔｒａｉｎに対して、特徴量取得処理を行う。具体的には、特徴量取得部８４は、同一のサーバ（通信制御装置１００で受信した通信パケットの送信元のデータから特定）との通信フローの時間的に連続して通信される複数パケットを時間間隔が一定値以上空いたときに区切って１つの「バースト」として扱い、このバースト単位で、データＤｉｎ＿ｔｒａｉｎから、（１）バーストの時間長（継続長）、（２）バースト内パケット数、および、（３）バースト内平均データサイズ（平均パケットサイズ）を取得する処理（特徴量取得処理）を行う。そして、特徴量取得部８４は、上記により取得した特徴量を含むデータを、データＤ＿ｆｅａｔとして、学習用データ生成処理部８５に出力する。
【0090】
特徴量取得部３１は、バッファＢｕｆ１から読み出したデータＤ２を入力し、データＤ２に対して、特徴量取得処理を行う。具体的には、特徴量取得部３１は、同一のサーバ（通信制御装置１００で受信した通信パケットの送信元のデータから特定）との通信フローの時間的に連続して通信される複数パケットを時間間隔が一定値以上空いたときに区切って１つの「バースト」として扱い、このバースト単位で、バーストの時間長（継続長）、バースト内パケット数、バースト内平均データサイズ（平均パケットサイズ）等を取得する処理（特徴量取得処理）を行う。そして、特徴量取得部３１は、特徴量取得処理により取得した特徴量を含むデータを、データＤ＿ｆｅａｔとして、機械学習モデル部３３に出力する。なお、説明便宜のため、特徴量取得処理により取得される特徴量は、（１）バーストの時間長（継続長）、（２）バースト内パケット数、および、（３）バースト内平均データサイズ（平均パケットサイズ）であるものとする。
【0091】
学習用データ生成処理部８５は、特徴量取得部８４から出力されるデータＤ＿ｆｅａｔと、キャプチャデータ解析部８２から出力されるデータＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ、データＤ＿Δｆ＿ｃｏｒｒｅｃｔ、および、データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔとを入力する。そして、学習用データ生成処理部８５は、
（１）データＤ＿ｆｅａｔ（特徴量データ）、
（２）データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ（プロトコルを特定するデータ）、
（３）データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ（アプリケーションの種別を特定するデータ）、および
（４）データＤ＿Δｆ＿ｃｏｒｒｅｃｔ（使用帯域を特定するデータ）
を含めたデータを学習用データ（１つの学習用データ）Ｄｓｅｔとして取得する。つまり、学習用データＤｓｅｔは、
Ｄｓｅｔ＝｛Ｄ＿ｆｅａｔ，Ｄ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ，Ｄ＿ａｐｐ＿ｃｏｒｒｅｃｔ，Ｄ＿Δｆ＿ｃｏｒｒｅｃｔ｝
である。
（１）データＤ＿ｆｅａｔ（特徴量データ）、
（２）データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ（プロトコルを特定するデータ）、
（３）データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ（アプリケーションの種別を特定するデータ）、および
（４）データＤ＿Δｆ＿ｃｏｒｒｅｃｔ（使用帯域を特定するデータ）
を含めたデータを学習用データ（１つの学習用データ）Ｄｓｅｔとして取得する。つまり、学習用データＤｓｅｔは、
Ｄｓｅｔ＝｛Ｄ＿ｆｅａｔ，Ｄ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ，Ｄ＿ａｐｐ＿ｃｏｒｒｅｃｔ，Ｄ＿Δｆ＿ｃｏｒｒｅｃｔ｝
である。
【0092】
そして、特徴量データＤ＿ｆｅａｔは、
Ｄ＿ｆｅａｔ＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝
ｂｕｒｓｔ＿ｄｕｒ：バースト継続長
ｐｋ＿ｎｕｍ：バースト内パケット数
ｐｋ＿ａｖｅ＿ｓｉｚｅ：バースト内平均データサイズ
である。なお、説明便宜のため、特徴量データＤ＿ｆｅａｔは、上記の通り、（１）バースト継続長、（２）バースト内パケット数、および、（３）バースト内平均データサイズであるものとする。
Ｄ＿ｆｅａｔ＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝
ｂｕｒｓｔ＿ｄｕｒ：バースト継続長
ｐｋ＿ｎｕｍ：バースト内パケット数
ｐｋ＿ａｖｅ＿ｓｉｚｅ：バースト内平均データサイズ
である。なお、説明便宜のため、特徴量データＤ＿ｆｅａｔは、上記の通り、（１）バースト継続長、（２）バースト内パケット数、および、（３）バースト内平均データサイズであるものとする。
【0093】
また、学習用データ（１つの学習用データ）Ｄｓｅｔに含まれる、データＤ＿ｆｅａｔ、データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ、データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ、および、データＤ＿Δｆ＿ｃｏｒｒｅｃｔは、当該データを取得したときに処理対象とした通信データ（通信フローのパケット（あるいはパケット群））が同一であるものとする。
【0094】
学習用データ生成処理部８５は、上記により取得した学習用データＤｓｅｔをデータ記憶部ＤＢ１に出力し、データ記憶部ＤＢ１に記憶させる。
【0095】
（１．１．５：学習処理装置）
学習処理装置Ｄｅｖ＿ｔｒは、通信システム１０００の通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３に搭載させる学習済みモデルを取得するための学習処理を行う装置である。
学習処理装置Ｄｅｖ＿ｔｒは、通信システム１０００の通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３に搭載させる学習済みモデルを取得するための学習処理を行う装置である。
【0096】
学習処理装置Ｄｅｖ＿ｔｒは、図５に示すように、データ読み出し部９１と、機械学習モデル部９２と、損失評価部９３とを備える。
【0097】
データ読み出し部９１は、学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅにより生成された学習用データを記憶しているデータ記憶部ＤＢ１から、学習用データＤｓｅｔ（＝｛Ｄ＿ｆｅａｔ，Ｄ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ，Ｄ＿ａｐｐ＿ｃｏｒｒｅｃｔ，Ｄ＿Δｆ＿ｃｏｒｒｅｃｔ｝）を読み出す。データ読み出し部９１は、読み出した学習用データから、当該学習用データに含まれる、（１）データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）、（２）データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ、（３）データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ、および、（４）データＤ＿Δｆ＿ｃｏｒｒｅｃｔを取り出す。そして、データ読み出し部９１は、取り出した、（１）データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）、および、（２）データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔを機械学習モデル部９２に出力する。また、データ読み出し部９１は、取り出した、（３）データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ、および、（４）データＤ＿Δｆ＿ｃｏｒｒｅｃｔを損失評価部９３に出力する。
【0098】
機械学習モデル部９２は、学習可能モデルを有する機能部であり、データ読み出し部９１から出力されるデータＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）（特徴量データ）およびデータＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ（プロトコルを特定するデータ）を入力する。機械学習モデル部９２は、データＤ＿ｆｅａｔおよびデータＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔを、学習可能モデルの入力として、当該学習可能モデルによる処理を行い、当該学習可能モデルから出力される、アプリケーションの種別を特定（推定）するデータＤ＿ａｐｐと、当該アプリケーションの通信データの帯域（当該アプリケーションに対応する通信データ（通信フロー）が使用している帯域（例えば、通信レートにより特定される帯域））を特定（推定）するデータＤ＿Δｆとを取得する。そして、機械学習モデル部９２は、取得したデータＤ＿ａｐｐおよびデータＤ＿Δｆを損失評価部９３に出力する。
【0099】
また、機械学習モデル部９２は、損失評価部９３からパラメータ更新用のデータｕｐｄａｔｅ（θ）を入力し、当該データｕｐｄａｔｅ（θ）に基づいて、学習可能モデルのパラメータθを更新する処理を行う。
【0100】
損失評価部９３は、（１）機械学習モデル部９２から出力されるデータＤ＿ΔｆおよびデータＤ＿Δｆと、（２）データ読み出し部９１から出力されるデータＤ＿ａｐｐ＿ｃｏｒｒｅｃｔおよびデータＤ＿Δｆ＿ｃｏｒｒｅｃｔとを入力する。そして、損失評価部９３は、（１）データＤ＿ａｐｐとデータＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ（正解データ）との間の損失（誤差）、および、（２）データＤ＿ΔｆとデータＤ＿Δｆ＿ｃｏｒｒｅｃｔ（正解データ）との間の損失（誤差）を算出し、算出した損失（誤差）を評価する。なお、上記２つの損失（誤差）を統合した損失（マルチタスク損失）（例えば、上記２つの損失を重み付け加算した値による損失（誤差））として損失（誤差）を評価してもよい。
（１）損失評価部９３は、算出した損失（誤差）が所定の範囲内ではない場合（例えば、所定の値よりも大きい場合）、あるいは、機械学習モデル部９２の学習可能モデルのパラメータを更新した場合、誤差の変動範囲が所定の範囲外である場合、学習処理を継続させる必要ありと判断し、機械学習モデル部９２の学習可能モデルのパラメータを更新するためのデータｕｐｄａｔｅ（θ）を取得し、取得したデータｕｐｄａｔｅ（θ）を機械学習モデル部９２に出力する。
（２）損失評価部９３は、算出した損失（誤差）が所定の範囲内である場合（例えば、所定の値以下である場合）、あるいは、機械学習モデル部９２の学習可能モデルのパラメータを更新した場合、誤差の変動範囲が所定の範囲内である場合、学習処理が収束したと判断し、機械学習モデル部９２の学習可能モデルのパラメータを更新する処理（学習処理）を終了させ、学習処理が終了したときの機械学習モデル部９２の学習可能モデルのパラメータθを最適パラメータθｏｐｔとして取得する。
（１）損失評価部９３は、算出した損失（誤差）が所定の範囲内ではない場合（例えば、所定の値よりも大きい場合）、あるいは、機械学習モデル部９２の学習可能モデルのパラメータを更新した場合、誤差の変動範囲が所定の範囲外である場合、学習処理を継続させる必要ありと判断し、機械学習モデル部９２の学習可能モデルのパラメータを更新するためのデータｕｐｄａｔｅ（θ）を取得し、取得したデータｕｐｄａｔｅ（θ）を機械学習モデル部９２に出力する。
（２）損失評価部９３は、算出した損失（誤差）が所定の範囲内である場合（例えば、所定の値以下である場合）、あるいは、機械学習モデル部９２の学習可能モデルのパラメータを更新した場合、誤差の変動範囲が所定の範囲内である場合、学習処理が収束したと判断し、機械学習モデル部９２の学習可能モデルのパラメータを更新する処理（学習処理）を終了させ、学習処理が終了したときの機械学習モデル部９２の学習可能モデルのパラメータθを最適パラメータθｏｐｔとして取得する。
【0101】
＜１．２：通信システムの動作＞
以上のように構成された通信システム１０００の動作について、以下、説明する。
以上のように構成された通信システム１０００の動作について、以下、説明する。
【0102】
図６は、通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３の学習済みモデルを取得するための学習用データ生成処理のフローチャートである。
【0103】
図７は、ネットワークの上流のボトルネックの有無の検出方法（パケットの到着過程の変化を監視する方法）を説明するための図である。
【0104】
図８は、ネットワークの上流のボトルネックの有無の検出方法（アプリケーションの挙動の変化を監視する方法）を説明するための図である。
【0105】
【0106】
（１．２．１：学習用データ生成処理）
まず、通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３の学習済みモデルを取得するための学習用データ生成処理について、図６のフローチャートを参照しながら説明する。なお、学習用データ生成処理は、学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅを用いて実行される。
まず、通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３の学習済みモデルを取得するための学習用データ生成処理について、図６のフローチャートを参照しながら説明する。なお、学習用データ生成処理は、学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅを用いて実行される。
【0107】
（ステップＳ１）：
ステップＳ１において、変数ｉ、ｊを初期化する（ｉ＝０、ｊ＝０とする）。
ステップＳ１において、変数ｉ、ｊを初期化する（ｉ＝０、ｊ＝０とする）。
【0108】
（ステップＳ２）：
ステップＳ２において、パケットキャプチャ処理が実行される。具体的には、以下の処理が実行される。
ステップＳ２において、パケットキャプチャ処理が実行される。具体的には、以下の処理が実行される。
【0109】
学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅのパケットキャプチャ処理部８１は、例えば、通信制御装置１００のバッファＢｕｆ１の出力（バッファＢｕｆ１で保持されている通信データ）を入力とし、入力されたデータ（通信データ（通信パケット））をキャプチャする処理（例えば、パケットキャプチャ処理）を行う。そして、パケットキャプチャ処理部８１は、キャプチャデータ解析部８２および／またはデータ抽出部８３からの要求に従い、キャプチャしたデータをキャプチャデータ解析部８２および／またはデータ抽出部８３に出力する。
【0110】
（ステップＳ３）：
ステップＳ３において、キャプチャデータ解析処理が実行される。具体的には、以下の処理が実行される。
ステップＳ３において、キャプチャデータ解析処理が実行される。具体的には、以下の処理が実行される。
【0111】
キャプチャデータ解析部８２の上流ボトルネック検出部は、キャプチャデータ（キャプチャパケット）を解析することで、ネットワークの上流にボトルネックがあるか否かを検出する。
【0112】
（ステップＳ４）：
ステップＳ４において、上流ボトルネック検出部は、パケットの到着過程の変化を監視することでネットワークの上流にボトルネックがあるか否かを検出する。例えば、図７に示すように、横軸を時間をとし、縦軸を帯域（使用帯域）とすると、ネットワークの上流にボトルネックがない場合は、例えば、図７の左図のようなバースト形状（バースト長が比較的小さく（短く）、所定の帯域（例えば、図７の値ｔｈ１）を超える期間が存在する形状の波形）が観察され、一方、ネットワークの上流にボトルネックがある場合は、例えば、図７の右図のようなバースト形状（所定の帯域内に収まるように制限されるため、その帯域は所定の値（例えば、図７のｔｈ１）以下であり、バースト長が延びた（長くなった）形状の波形）が観察される。
ステップＳ４において、上流ボトルネック検出部は、パケットの到着過程の変化を監視することでネットワークの上流にボトルネックがあるか否かを検出する。例えば、図７に示すように、横軸を時間をとし、縦軸を帯域（使用帯域）とすると、ネットワークの上流にボトルネックがない場合は、例えば、図７の左図のようなバースト形状（バースト長が比較的小さく（短く）、所定の帯域（例えば、図７の値ｔｈ１）を超える期間が存在する形状の波形）が観察され、一方、ネットワークの上流にボトルネックがある場合は、例えば、図７の右図のようなバースト形状（所定の帯域内に収まるように制限されるため、その帯域は所定の値（例えば、図７のｔｈ１）以下であり、バースト長が延びた（長くなった）形状の波形）が観察される。
【0113】
上流ボトルネック検出部は、上記のようなパケット到着過程の変化（パケット到着過程の変化により決定されるバースト形状（波形）の変化）を監視（検出）することで、ネットワークの上流にボトルネックがあるか否かを検出する。
【0114】
また、上流ボトルネック検出部は、キャプチャデータ（キャプチャパケット）（あるいは通信フロー）がアプリケーションの挙動変化の影響を受けているか否かを判定することで、ネットワークの上流にボトルネックがあるか否かを検出する。所定の動画配信サービス（アプリケーションの一例）では、帯域によって、図８に示したように、パケットサイズ、プロトコルが規定されている。そこで、上流ボトルネック検出部は、所定の動画配信サービス（アプリケーションの一例）の通信フローにおいて、パケットサイズ、プロトコルの変化を監視し、当該変化が所定の変化であった場合、帯域が制限されたと判断することができる。つまり、上流ボトルネック検出部は、上記のような観察（監視）により、キャプチャデータ（キャプチャパケット）（あるいは通信フロー）がアプリケーションの挙動変化の影響を受けているか否かを判定することで、ネットワークの上流にボトルネックがあるか否かを検出する。
【0115】
上流ボトルネック検出部は、上記処理により、ネットワークの上流にボトルネックの有無を判定し、判定結果を含むデータを、データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋとして、データ抽出部８３に出力するとともに、（１）ネットワークの上流にボトルネックがあると判定した場合、処理をステップＳ５Ａに進め、（２）ネットワークの上流にボトルネックがないと判定した場合、処理をステップＳ５Ｂに進める。
【0116】
（ステップＳ５Ａ）：
ステップＳ５Ａにおいて、データ抽出処理が実行される。具体的には、以下の処理が実行される。
ステップＳ５Ａにおいて、データ抽出処理が実行される。具体的には、以下の処理が実行される。
【0117】
データ抽出部８３は、キャプチャデータ解析部８２から出力されるデータｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋを入力し、当該データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋに対応するキャプチャデータ（キャプチャパケット）をパケットキャプチャ処理部８１から読み出す。つまり、データ抽出部８３は、データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋが「１」（ネットワークの上流にボトルネックありを示す値）であると判定された通信フローに属するキャプチャデータ（キャプチャパケット）をパケットキャプチャ処理部８１から読み出し、読み出したデータを、データＤｉｎ＿ｔｒａｉｎ（ネットワークの上流にボトルネックがあるときにキャプチャされたデータ（通信データ））として、特徴量取得部８４に出力する。
【0118】
（ステップＳ６Ａ）：
ステップＳ６Ａにおいて、特徴量取得処理が実行される。具体的には、以下の処理が実行される。
ステップＳ６Ａにおいて、特徴量取得処理が実行される。具体的には、以下の処理が実行される。
【0119】
特徴量取得部８４は、データ抽出部８３から出力されるデータＤｉｎ＿ｔｒａｉｎを入力し、データＤｉｎ＿ｔｒａｉｎに対して、特徴量取得処理を行う。具体的には、特徴量取得部８４は、同一のサーバ（通信制御装置１００で受信した通信パケットの送信元のデータから特定）との通信フローの時間的に連続して通信される複数パケットを時間間隔が一定値以上空いたときに区切って１つの「バースト」として扱い、このバースト単位で、データＤｉｎ＿ｔｒａｉｎから、（１）バーストの時間長（継続長）（データｂｕｒｓｔ＿ｄｕｒ）、（２）バースト内パケット数（データｐｋ＿ｎｕｍ）、および、（３）バースト内平均データサイズ（平均パケットサイズ）（データｐｋ＿ａｖｅ＿ｓｉｚｅ）を取得する処理（特徴量取得処理）を行う。そして、特徴量取得部８４は、上記により取得した特徴量を含むデータを、データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）として、学習用データ生成処理部８５に出力する。
【0120】
（ステップＳ７Ａ）：
ステップＳ７Ａにおいて、プロトコル取得処理が実行される。具体的には、以下の処理が実行される。
ステップＳ７Ａにおいて、プロトコル取得処理が実行される。具体的には、以下の処理が実行される。
【0121】
キャプチャデータ解析部８２のプロトコル取得部は、パケットキャプチャ処理部８１から読み出したキャプチャデータ（キャプチャパケット）を解析することで、キャプチャデータ（キャプチャパケット）（データＤ＿ｆｅａｔを取得したのと同じキャプチャデータ）の通信フローのプロトコルを取得する（例えば、パケットのヘッダを解析することでプロトコルを特定する）。そして、キャプチャデータ解析部８２は、プロトコル取得部が取得したプロトコルを特定する情報を含むデータを、データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔとして、学習用データ生成処理部８５に出力する。
【0122】
（ステップＳ８Ａ）：
ステップＳ８Ａにおいて、アプリ種別取得処理が実行される。具体的には、以下の処理が実行される。
ステップＳ８Ａにおいて、アプリ種別取得処理が実行される。具体的には、以下の処理が実行される。
【0123】
アプリ種別取得部は、パケットキャプチャ処理部８１から読み出したキャプチャデータ（キャプチャパケット）を解析することで、キャプチャデータ（キャプチャパケット）（データＤ＿ｆｅａｔを取得したのと同じキャプチャデータ）の通信フローのアプリケーションの種別（当該通信フローにより実現（提供）されているアプリケーションの種別）を取得する。そして、キャプチャデータ解析部８２は、アプリ種別取得部が取得したアプリケーションの種別を特定する情報を含むデータを、データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔとして、学習用データ生成処理部８５に出力する。
【0124】
（ステップＳ９Ａ）：
ステップＳ９Ａにおいて、帯域取得処理が実行される。具体的には、以下の処理が実行される。
ステップＳ９Ａにおいて、帯域取得処理が実行される。具体的には、以下の処理が実行される。
【0125】
帯域取得部は、パケットキャプチャ処理部８１から読み出したキャプチャデータ（キャプチャパケット）を解析することで、キャプチャデータ（キャプチャパケット）（データＤ＿ｆｅａｔを取得したのと同じキャプチャデータ）の通信フローの帯域（使用している帯域）を取得する。そして、キャプチャデータ解析部８２は、帯域取得部が取得した帯域を特定する情報を含むデータを、データＤ＿Δｆ＿ｃｏｒｒｅｃｔとして、学習用データ生成処理部８５に出力する。
【0126】
（ステップＳ１０Ａ）：
ステップＳ１０Ａにおいて、第１学習用データ（１セット）（ネットワークの上流にボトルネックがあると判定された場合に取得される学習用データを「第１学習用データ」という）を取得する処理が実行される。具体的には、以下の処理が実行される。
ステップＳ１０Ａにおいて、第１学習用データ（１セット）（ネットワークの上流にボトルネックがあると判定された場合に取得される学習用データを「第１学習用データ」という）を取得する処理が実行される。具体的には、以下の処理が実行される。
【0127】
学習用データ生成処理部８５は、特徴量取得部８４から出力されるデータＤ＿ｆｅａｔと、キャプチャデータ解析部８２から出力されるデータＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ、データＤ＿Δｆ＿ｃｏｒｒｅｃｔ、および、データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔとを入力する。そして、学習用データ生成処理部８５は、
（１）特徴量データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）、
（２）データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ（プロトコルを特定するデータ）、
（３）データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ（アプリケーションの種別を特定するデータ）、および
（４）データＤ＿Δｆ＿ｃｏｒｒｅｃｔ（使用帯域を特定するデータ）
を含めたデータを第１学習用データ（１つの学習用データ）Ｄｓｅｔ（＝｛Ｄ＿ｆｅａｔ，Ｄ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ，Ｄ＿ａｐｐ＿ｃｏｒｒｅｃｔ，Ｄ＿Δｆ＿ｃｏｒｒｅｃｔ｝）として取得する。
（１）特徴量データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）、
（２）データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ（プロトコルを特定するデータ）、
（３）データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ（アプリケーションの種別を特定するデータ）、および
（４）データＤ＿Δｆ＿ｃｏｒｒｅｃｔ（使用帯域を特定するデータ）
を含めたデータを第１学習用データ（１つの学習用データ）Ｄｓｅｔ（＝｛Ｄ＿ｆｅａｔ，Ｄ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ，Ｄ＿ａｐｐ＿ｃｏｒｒｅｃｔ，Ｄ＿Δｆ＿ｃｏｒｒｅｃｔ｝）として取得する。
【0128】
（ステップＳ１１Ａ）：
ステップＳ１１Ａにおいて、学習用データ生成処理部８５は、ステップＳ１０Ａで取得した第１学習用データＤｓｅｔをデータ記憶部ＤＢ１に記憶する。
ステップＳ１１Ａにおいて、学習用データ生成処理部８５は、ステップＳ１０Ａで取得した第１学習用データＤｓｅｔをデータ記憶部ＤＢ１に記憶する。
【0129】
（ステップＳ１２Ａ）：
ステップＳ１２Ａにおいて、変数ｉが＋１インクリメントされる（ｉ←ｉ＋１）。
ステップＳ１２Ａにおいて、変数ｉが＋１インクリメントされる（ｉ←ｉ＋１）。
【0130】
（ステップＳ５Ｂ）：
ステップＳ５Ｂにおいて、データ抽出処理が実行される。具体的には、以下の処理が実行される。
ステップＳ５Ｂにおいて、データ抽出処理が実行される。具体的には、以下の処理が実行される。
【0131】
データ抽出部８３は、キャプチャデータ解析部８２から出力されるデータｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋを入力し、当該データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋに対応するキャプチャデータ（キャプチャパケット）をパケットキャプチャ処理部８１から読み出す。つまり、データ抽出部８３は、データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋが「０」（ネットワークの上流にボトルネックなしを示す値）であると判定された通信フローに属するキャプチャデータ（キャプチャパケット）をパケットキャプチャ処理部８１から読み出し、読み出したデータを、データＤｉｎ＿ｔｒａｉｎ（ネットワークの上流にボトルネックがあるときにキャプチャされたデータ（通信データ））として、特徴量取得部８４に出力する。
【0132】
（ステップＳ６Ｂ～Ｓ９Ｂ）：
ステップＳ６Ｂ～Ｓ９Ｂでは、それぞれ、ステップＳ６Ａ～Ｓ９Ａと同様の処理が実行される。なお、処理対象は、データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋが「０」（ネットワークの上流にボトルネックなしを示す値）であると判定された通信フローに属するキャプチャデータ（キャプチャパケット）である。
ステップＳ６Ｂ～Ｓ９Ｂでは、それぞれ、ステップＳ６Ａ～Ｓ９Ａと同様の処理が実行される。なお、処理対象は、データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋが「０」（ネットワークの上流にボトルネックなしを示す値）であると判定された通信フローに属するキャプチャデータ（キャプチャパケット）である。
【0133】
（ステップＳ１１Ａ）：
ステップＳ１１Ａにおいて、第２学習用データ（１セット）（ネットワークの上流にボトルネックがないと判定された場合に取得される学習用データを「第２学習用データ」という）を取得する処理が実行される。具体的には、以下の処理が実行される。
ステップＳ１１Ａにおいて、第２学習用データ（１セット）（ネットワークの上流にボトルネックがないと判定された場合に取得される学習用データを「第２学習用データ」という）を取得する処理が実行される。具体的には、以下の処理が実行される。
【0134】
学習用データ生成処理部８５は、特徴量取得部８４から出力されるデータＤ＿ｆｅａｔと、キャプチャデータ解析部８２から出力されるデータＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ、データＤ＿Δｆ＿ｃｏｒｒｅｃｔ、および、データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔとを入力する。そして、学習用データ生成処理部８５は、
（１）特徴量データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）、
（２）データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ（プロトコルを特定するデータ）、
（３）データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ（アプリケーションの種別を特定するデータ）、および
（４）データＤ＿Δｆ＿ｃｏｒｒｅｃｔ（使用帯域を特定するデータ）
を含めたデータを第２学習用データ（１つの学習用データ）Ｄｓｅｔ（＝｛Ｄ＿ｆｅａｔ，Ｄ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ，Ｄ＿ａｐｐ＿ｃｏｒｒｅｃｔ，Ｄ＿Δｆ＿ｃｏｒｒｅｃｔ｝）として取得する。
（１）特徴量データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）、
（２）データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ（プロトコルを特定するデータ）、
（３）データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ（アプリケーションの種別を特定するデータ）、および
（４）データＤ＿Δｆ＿ｃｏｒｒｅｃｔ（使用帯域を特定するデータ）
を含めたデータを第２学習用データ（１つの学習用データ）Ｄｓｅｔ（＝｛Ｄ＿ｆｅａｔ，Ｄ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ，Ｄ＿ａｐｐ＿ｃｏｒｒｅｃｔ，Ｄ＿Δｆ＿ｃｏｒｒｅｃｔ｝）として取得する。
【0135】
（ステップＳ１１Ｂ）：
ステップＳ１１Ｂにおいて、学習用データ生成処理部８５は、ステップＳ１０Ａで取得した第２学習用データＤｓｅｔをデータ記憶部ＤＢ１に記憶する。
ステップＳ１１Ｂにおいて、学習用データ生成処理部８５は、ステップＳ１０Ａで取得した第２学習用データＤｓｅｔをデータ記憶部ＤＢ１に記憶する。
【0136】
（ステップＳ１２Ｂ）：
ステップＳ１２Ｂにおいて、変数ｊが＋１インクリメントされる（ｊ←ｊ＋１）。
ステップＳ１２Ｂにおいて、変数ｊが＋１インクリメントされる（ｊ←ｊ＋１）。
【0137】
（ステップＳ１３）：
ステップＳ１３において、終了条件を満たすか否かの判定処理が実行される。具体的には、第１学習用データ（ネットワークの上流にボトルネックがあると判定された場合に取得される学習用データ）が取得された数（変数ｉの値に一致）が所定の数（例えば、予め設定した数）以上であり、かつ、第２学習用データ（ネットワークの上流にボトルネックがないと判定された場合に取得される学習用データ）が取得された数（変数ｊの値に一致）が所定の数（例えば、予め設定した数）以上である場合に、終了条件を満たすと判定し、学習用データ処理を終了させる。一方、上記の終了条件を満たさないと判定された場合、処理をステップＳ２に戻し、ステップＳ２～Ｓ１２Ａ、Ｓ１２Ｂの処理を繰り返し実行する。
ステップＳ１３において、終了条件を満たすか否かの判定処理が実行される。具体的には、第１学習用データ（ネットワークの上流にボトルネックがあると判定された場合に取得される学習用データ）が取得された数（変数ｉの値に一致）が所定の数（例えば、予め設定した数）以上であり、かつ、第２学習用データ（ネットワークの上流にボトルネックがないと判定された場合に取得される学習用データ）が取得された数（変数ｊの値に一致）が所定の数（例えば、予め設定した数）以上である場合に、終了条件を満たすと判定し、学習用データ処理を終了させる。一方、上記の終了条件を満たさないと判定された場合、処理をステップＳ２に戻し、ステップＳ２～Ｓ１２Ａ、Ｓ１２Ｂの処理を繰り返し実行する。
【0138】
上記のように終了条件を設定することで、所定の数（あるいは所定の割合）の第１学習用データ（ネットワークの上流にボトルネックがあると判定された場合に取得される学習用データ）および第２学習用データ（ネットワークの上流にボトルネックがないと判定された場合に取得される学習用データ）を取得することができる。
【0139】
（１．２．２：学習処理）
次に、通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３の学習済みモデルを取得するための学習処理について、説明する。なお、学習処理は、学習処理装置Ｄｅｖ＿ｔｒを用いて実行される。
次に、通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３の学習済みモデルを取得するための学習処理について、説明する。なお、学習処理は、学習処理装置Ｄｅｖ＿ｔｒを用いて実行される。
【0140】
学習処理装置Ｄｅｖ＿ｔｒのデータ読み出し部９１は、学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅにより生成された学習用データを記憶しているデータ記憶部ＤＢ１から、学習用データＤｓｅｔ（＝｛Ｄ＿ｆｅａｔ，Ｄ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ，Ｄ＿ａｐｐ＿ｃｏｒｒｅｃｔ，Ｄ＿Δｆ＿ｃｏｒｒｅｃｔ｝）を読み出す。データ読み出し部９１は、読み出した学習用データから、当該学習用データに含まれる、（１）データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）、（２）データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ、（３）データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ、および、（４）データＤ＿Δｆ＿ｃｏｒｒｅｃｔを取り出す。そして、データ読み出し部９１は、取り出した、（１）データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）、および、（２）データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔを機械学習モデル部９２に出力する。また、データ読み出し部９１は、取り出した、（３）データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ、および、（４）データＤ＿Δｆ＿ｃｏｒｒｅｃｔを損失評価部９３に出力する。
【0141】
機械学習モデル部９２は、データ読み出し部９１から出力されるデータＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）（特徴量データ）およびデータＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ（プロトコルを特定するデータ）を、学習可能モデルの入力として、当該学習可能モデルによる処理を行い、当該学習可能モデルから出力される、アプリケーションの種別を特定（推定）するデータＤ＿ａｐｐと、当該アプリケーションの通信データの帯域（当該アプリケーションに対応する通信データ（通信フロー）が使用している帯域（例えば、通信レートにより特定される帯域））を特定（推定）するデータＤ＿Δｆとを取得する。なお、機械学習モデル部９２の学習可能モデルとしては、ランダムフォレストによるモデル、ＳＶＭ（サポートベクターマシン）によるモデル、Ｋ－ｍｅａｎｓ法によるモデル、Ｋ－ｍｅａｎｓ＋＋法によるモデル、ニューラルネットワークによるモデル等を採用する。
【0142】
機械学習モデル部９２は、上記により取得したデータＤ＿ａｐｐおよびデータＤ＿Δｆを損失評価部９３に出力する。
【0143】
損失評価部９３は、（１）機械学習モデル部９２から出力されるデータＤ＿ΔｆおよびデータＤ＿Δｆと、（２）データ読み出し部９１から出力されるデータＤ＿ａｐｐ＿ｃｏｒｒｅｃｔおよびデータＤ＿Δｆ＿ｃｏｒｒｅｃｔとを入力する。そして、損失評価部９３は、（１）データＤ＿ａｐｐとデータＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ（正解データ）との間の損失（誤差）、および、（２）データＤ＿ΔｆとデータＤ＿Δｆ＿ｃｏｒｒｅｃｔ（正解データ）との間の損失（誤差）を算出し、算出した損失（誤差）を評価する。なお、上記２つの損失（誤差）を統合した損失（マルチタスク損失）（例えば、上記２つの損失を重み付け加算した値による損失（誤差））として損失（誤差）を評価してもよい。
（１）損失評価部９３は、算出した損失（誤差）が所定の範囲内ではない場合（例えば、所定の値よりも大きい場合）、あるいは、機械学習モデル部９２の学習可能モデルのパラメータを更新した場合、誤差の変動範囲が所定の範囲外である場合、学習処理を継続させる必要ありと判断し、機械学習モデル部９２の学習可能モデルのパラメータを更新するためのデータｕｐｄａｔｅ（θ）を取得し、取得したデータｕｐｄａｔｅ（θ）を機械学習モデル部９２に出力する。そして、機械学習モデル部９２では、当該データｕｐｄａｔｅ（θ）に基づいて、学習可能モデルのパラメータを更新する処理を行う。
（２）損失評価部９３は、算出した損失（誤差）が所定の範囲内である場合（例えば、所定の値以下である場合）、あるいは、機械学習モデル部９２の学習可能モデルのパラメータを更新した場合、誤差の変動範囲が所定の範囲内である場合、学習処理が収束したと判断し、機械学習モデル部９２の学習可能モデルのパラメータを更新する処理（学習処理）を終了させ、学習処理が終了したときの機械学習モデル部９２の学習可能モデルのパラメータθを最適パラメータθｏｐｔとして取得する。
（１）損失評価部９３は、算出した損失（誤差）が所定の範囲内ではない場合（例えば、所定の値よりも大きい場合）、あるいは、機械学習モデル部９２の学習可能モデルのパラメータを更新した場合、誤差の変動範囲が所定の範囲外である場合、学習処理を継続させる必要ありと判断し、機械学習モデル部９２の学習可能モデルのパラメータを更新するためのデータｕｐｄａｔｅ（θ）を取得し、取得したデータｕｐｄａｔｅ（θ）を機械学習モデル部９２に出力する。そして、機械学習モデル部９２では、当該データｕｐｄａｔｅ（θ）に基づいて、学習可能モデルのパラメータを更新する処理を行う。
（２）損失評価部９３は、算出した損失（誤差）が所定の範囲内である場合（例えば、所定の値以下である場合）、あるいは、機械学習モデル部９２の学習可能モデルのパラメータを更新した場合、誤差の変動範囲が所定の範囲内である場合、学習処理が収束したと判断し、機械学習モデル部９２の学習可能モデルのパラメータを更新する処理（学習処理）を終了させ、学習処理が終了したときの機械学習モデル部９２の学習可能モデルのパラメータθを最適パラメータθｏｐｔとして取得する。
【0144】
以上のように学習処理を行うことで、学習処理装置Ｄｅｖ＿ｔｒは、機械学習モデル部９２の学習可能モデルに設定するパラメータの最適パラメータｏｐｔを取得する。そして、取得された最適パラメータθｏｐｔは、通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３の学習モデルのパラメータに設定される。これにより、機械学習モデル部３３の学習モデルは、学習済みモデル（最適パラメータθｏｐｔが設定されたモデル）となる。なお、学習処理装置Ｄｅｖ＿ｔｒで学習処理の対象とした学習可能モデルと同様のアーキテクチャのモデルが、通信制御装置１００の通信フロー識別処理部３の機械学習モデル部３３の学習モデルとして設定されているものとする。
【0145】
（１．２．３：予測処理（通信フロー識別処理））
次に、通信システム１０００で実行される予測処理（通信フロー識別処理）について説明する。
次に、通信システム１０００で実行される予測処理（通信フロー識別処理）について説明する。
【0146】
説明便宜のため、以下では、図１０に示すように、通信システム１０００において、３つのサーバである第１サーバＳｖｒ１、第２サーバＳｖｒ２、および、第３サーバＳｖｒ３が設置されており、２つの分散基地局ＤＵ１、ＤＵ２が設置されており、また、通信システム１０００に、分散基地局ＤＵ１と通信可能に接続されている端末装置ＵＥ１１、ＵＥ２２と、分散基地局ＤＵ２と通信可能に接続されている端末装置ＵＥ２１、ＵＥ２２とが含まれる場合（一例）について、説明する。そして、通信システム１０００において、第１サーバＳｖｒ１が端末装置ＵＥ１１に対して、アプリケーション１を提供し、第２サーバＳｖｒ２が端末装置ＵＥ１２に対して、アプリケーション２を提供し、第３サーバＳｖｒ３が端末装置ＵＥ２１に対して、アプリケーション３を提供しているものとする。
【0147】
また、通信システム１０００において、
（１）第１サーバＳｖｒ１からの通信フロー（アプリケーション１を提供するための通信フロー）は、通常の通信フロー（適応制御可能な通信フローではない通信フロー）（ＱｏＳ ＩＤ＃１を要求する通信フローであるものとする）であり、
（２）第２サーバＳｖｒ２からの通信フロー（アプリケーション２を提供するための通信フロー）は、通常の通信フロー（適応制御可能な通信フローではない通信フロー）（ＱｏＳ ＩＤ＃２を要求する通信フローであるものとする）であり、
（３）第３サーバＳｖｒ３からの通信フロー（アプリケーション３を提供するための通信フロー）は、適応制御可能な通信フロー（ＱｏＳ ＩＤ＃３を要求する通信フローであるものとする）であるものとする。
（１）第１サーバＳｖｒ１からの通信フロー（アプリケーション１を提供するための通信フロー）は、通常の通信フロー（適応制御可能な通信フローではない通信フロー）（ＱｏＳ ＩＤ＃１を要求する通信フローであるものとする）であり、
（２）第２サーバＳｖｒ２からの通信フロー（アプリケーション２を提供するための通信フロー）は、通常の通信フロー（適応制御可能な通信フローではない通信フロー）（ＱｏＳ ＩＤ＃２を要求する通信フローであるものとする）であり、
（３）第３サーバＳｖｒ３からの通信フロー（アプリケーション３を提供するための通信フロー）は、適応制御可能な通信フロー（ＱｏＳ ＩＤ＃３を要求する通信フローであるものとする）であるものとする。
【0148】
通信システム１０００では、図９に示すように、多様なＱｏＳを要求するパケット（通信パケット）が流れており、同一のＱｏＳを要求するパケットの集合である通信フロー（ＱｏＳフロー）を適切に識別することが重要となる。
【0149】
通信制御装置１００では、通信フロー識別処理部３により、フロー識別処理が実行される。具体的には、ネットワークＮＷ１に接続されたサーバから通信制御装置１００に送信される多様なトラヒックを構成する多数のパケット（通信パケット）が通信制御装置１００の第１通信インターフェース１を介して、バッファＢｕｆ１に入力される。なお、セレクタＳＥＬ１は、第１通信インターフェース１からのデータＤ０＿ｎをデータＤ１としてバッファＢｕｆ１に出力するように、選択信号ｓｅｌ１の信号値が設定されているものとする（図２の場合、選択信号ｓｅｌ１の信号値が「１」に設定されている）。
【0150】
通信フロー識別処理部３は、バッファＢｕｆ１に保持されているデータをデータＤ２として読み出し、当該データＤ２を用いて、通信データ（通信制御装置１００が外部の装置（サーバ）から受信したデータ、および／または、ＲＡＮから受信したデータ（例えば、端末装置からのデータ））の解析処理を行うことで、通信パケットが属する通信フロー（同一のＱｏＳを要求するパケットの集合）を特定し、通信フローに付与するＱｏＳフローＩＤを決定することで、通信フロー識別処理を行う。具体的には、以下の処理が実行される。
【0151】
通信フロー識別処理部３の特徴量取得部３１は、バッファＢｕｆ１から読み出したデータＤ２を入力し、データＤ２に対して、特徴量取得処理を行う。具体的には、特徴量取得部３１は、同一のサーバ（通信制御装置１００で受信した通信パケットの送信元のデータから特定）との通信フローの時間的に連続して通信される複数パケットを時間間隔が一定値以上空いたときに区切って１つの「バースト」として扱い、このバースト単位で、データＤ２から、バーストの時間長（継続長）（データｂｕｒｓｔ＿ｄｕｒ）、バースト内パケット数（データｐｋ＿ｎｕｍ）、バースト内平均データサイズ（平均パケットサイズ）（データｐｋ＿ａｖｅ＿ｓｉｚｅ）を取得する処理（特徴量取得処理）を行う。そして、特徴量取得部３１は、特徴量取得処理により取得した特徴量を含むデータを、データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）として、機械学習モデル部３３に出力する。
【0152】
プロトコル識別処理部３２は、バッファＢｕｆ１から読み出したデータＤ２を入力し、データＤ２に対して、プロトコル識別処理を行う。プロトコル識別処理部３２は、プロトコル識別処理を、例えば、アドレスフィルタ処理により行う。なお、アドレスフィルタ処理とは、サーバ（例えば、アプリケーションサーバ）と通信フロー（ＱｏＳフロー）識別子（ＱｏＳ ｆｌｏｗ ＩＤ）とを紐付ける変換表に基づいて、通信フローを特定する処理のことをいう。アプリケーションの種類は、サーバ側のＩＰアドレス、ポート番号からある程度特定できるため、サーバと通信フロー（ＱｏＳフロー）識別子（ＱｏＳ ｆｌｏｗ ＩＤ）とを紐付ける変換表を基に通信フローの識別（プロトコルの識別）を行うことができる。
【0153】
また、プロトコル識別処理部３２は、上記解析処理（例えば、アドレスフィルタ処理）により、通信パケットが属する通信フロー（同一のＱｏＳを要求するパケットの集合）を特定することができない場合、例えば、特願２０２１－０２６１８９号に開示されている手法により、バッファＢｕｆ１に記憶される多数のパケット（通信パケット）を用いて、学習処理を行い、受信した通信パケットから通信フローを特定（推定）する学習済みモデルを取得し、当該学習処理により取得した学習済みモデルを用いた処理を行うことで、通信フロー識別処理（通信パケットが属する通信フロー（同一のＱｏＳを要求するパケットの集合）を特定する処理）を行い、プロトコルの識別を行うようにすればよい。
【0154】
プロトコル識別処理部３２は、上記のプロトコル識別処理により取得したデータ（識別したプロトコルを特定するデータ）を、データＤ＿ｐｒｏｔｏとして、機械学習モデル部３３に出力する。
【0155】
機械学習モデル部３３には、学習済みモデルが搭載されており、特徴量取得部３１から出力されるデータＤ＿ｆｅａｔと、プロトコル識別処理部３２から出力されるデータＤ＿ｐｒｏｔｏとが入力される。機械学習モデル部３３は、データＤ＿ｆｅａｔおよびデータＤ＿ｐｒｏｔｏを、学習済みモデルの入力として、当該学習済みモデルによる処理を行い、アプリケーションの種別を特定（推定）するデータＤ＿ａｐｐと、当該アプリケーションの通信データの帯域（当該アプリケーションの通信データが使用している帯域（例えば、通信レートにより特定される帯域））を特定（推定）するデータをＤ_Δｆとを取得する。そして、機械学習モデル部３３は、取得したデータＤ＿ａｐｐおよびデータＤ＿ΔｆをＱｏＳ決定部３４に出力する。なお、機械学習モデル部３３には、（１）ネットワークの上流にボトルネックがある場合、および、（２）ネットワークの上流にボトルネックがない場合の両方の学習データを使用して、データＤ＿ａｐｐおよびデータＤ＿Δｆを予測するように学習させたモデル（学習済みモデル）が搭載されているので、（１）ネットワークの上流にボトルネックがある場合、および、（２）ネットワークの上流にボトルネックがない場合のいずれの場合であっても、適切に予測（推定）されたデータＤ＿ａｐｐおよびデータＤ＿Δｆを取得することができる。
【0156】
ＱｏＳ決定部３４は、機械学習モデル部３３から出力されるデータＤ＿ａｐｐおよびデータＤ＿Δｆを入力する。ＱｏＳ決定部３４は、データＤ＿ａｐｐおよびデータＤ＿Δｆを用いて、ＱｏＳフローＩＤを決定する処理を行い、当該処理により取得したＱｏＳフローＩＤを含むデータを、データＤ＿ＱｏＳ＿ＩＤとして、Ｕ－ｐｌａｎｅ信号処理部４に出力する。なお、ＱｏＳ決定部３４で取得されるＱｏＳフローＩＤのデータは、品質要求を示す識別子（ＱｏＳ識別子（ＱｏＳ ＩＤ））とし、ＱｏＳ識別子の値が大きい程、厳しい品質を要求していることを示すものとする。また、ＱｏＳ識別子の値がｘであるＱｏＳ識別子を「ＱｏＳ ＩＤ＃ｘ」と表記する。
【0157】
Ｕ－ｐｌａｎｅ信号処理部４は、バッファＢｕｆ１に保持されているデータをデータＤ３として読み出す。また、Ｕ－ｐｌａｎｅ信号処理部４は、当該データＤ３に対応するデータであって、通信フロー識別処理部３から出力されるデータＤ＿ＱｏＳ＿ＩＤ（データＤ３に対応する通信フローのＱｏＳ識別子ＱｏＳ＿ＩＤを含むデータＤ＿ＱｏＳ＿ＩＤ）を入力する。Ｕ－ｐｌａｎｅ信号処理部４は、データＤ３に、データＤ＿ＱｏＳ＿ＩＤから取得したＱｏＳ識別子ＱｏＳ＿ＩＤを付与する処理（ＱｏＳフローＩＤの付与処理）を行うことで、データＤ３にＱｏＳ識別子ＱｏＳ＿ＩＤを付与したデータを取得し、取得した当該データを通信データＤｏ＿ｒ（Ｕ）として、第２通信インターフェース５に出力する。
【0158】
例えば、５Ｇ通信システムの場合、Ｕ－ｐｌａｎｅ信号処理部４は、通信パケットの５Ｇ用ヘッダのＱｏＳ ｆｌｏｗ ＩＤ（５ＱＩ）を記載するフィールドに、上記で特定されたＱｏＳ識別子ＱｏＳ＿ＩＤの値を書き込んだ通信パケットを生成し、当該通信パケットを含むデータを通信データＤｏ＿ｒ（Ｕ）として、第２通信インターフェース５に出力する。なお、このとき、上記で特定されたＱｏＳ識別子ＱｏＳ＿ＩＤの値は、５Ｇ通信規格で規定されているＱｏＳ ｆｌｏｗ ＩＤ（５ＱＩ）の値に準拠するものとなるようにする。
【0159】
なお、Ｕ－ｐｌａｎｅ信号処理部４において、
（１）第１サーバＳｖｒ１からの通信フロー（アプリケーション１を提供するための通信フロー）については、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃１」が、当該通信フローの通信データ（パケット）に付与され、
（２）第２サーバＳｖｒ２からの通信フロー（アプリケーション２を提供するための通信フロー）については、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃２」が、当該通信フローの通信データ（パケット）に付与され、
（３）第３サーバＳｖｒ３からの通信フロー（アプリケーション３を提供するための通信フロー）については、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃３」が、当該通信フローの通信データ（パケット）に付与されるものとする。
（１）第１サーバＳｖｒ１からの通信フロー（アプリケーション１を提供するための通信フロー）については、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃１」が、当該通信フローの通信データ（パケット）に付与され、
（２）第２サーバＳｖｒ２からの通信フロー（アプリケーション２を提供するための通信フロー）については、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃２」が、当該通信フローの通信データ（パケット）に付与され、
（３）第３サーバＳｖｒ３からの通信フロー（アプリケーション３を提供するための通信フロー）については、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃３」が、当該通信フローの通信データ（パケット）に付与されるものとする。
【0160】
そして、上記のように生成された通信フローの通信データは、第２通信インターフェース５により、ＲＡＮを介して、当該通信フローの宛先である端末装置に送信される。
【0161】
図１０の場合、
（１）第１サーバＳｖｒ１からの通信フロー（アプリケーション１を提供するための通信フロー）の送信データは、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃１」が付与された通信データ（パケット）として、端末装置ＵＥ１１に送信され、
（２）第２サーバＳｖｒ２からの通信フロー（アプリケーション２を提供するための通信フロー）の送信データは、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃２」が付与された通信データ（パケット）として、端末装置ＵＥ１２に送信され、
（１）第３サーバＳｖｒ３からの通信フロー（アプリケーション３を提供するための通信フロー）の送信データは、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃３」が付与された通信データ（パケット）として、端末装置ＵＥ２１に送信される。
（１）第１サーバＳｖｒ１からの通信フロー（アプリケーション１を提供するための通信フロー）の送信データは、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃１」が付与された通信データ（パケット）として、端末装置ＵＥ１１に送信され、
（２）第２サーバＳｖｒ２からの通信フロー（アプリケーション２を提供するための通信フロー）の送信データは、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃２」が付与された通信データ（パケット）として、端末装置ＵＥ１２に送信され、
（１）第３サーバＳｖｒ３からの通信フロー（アプリケーション３を提供するための通信フロー）の送信データは、ＱｏＳ識別子ＱｏＳ＿ＩＤとして「ＱｏＳ ＩＤ＃３」が付与された通信データ（パケット）として、端末装置ＵＥ２１に送信される。
【0162】
ここで、所定の時刻ｔ１において、ネットワークの上流にボトルネックが発生した場合（一例）の通信システム１０００の動作について説明する。具体的には、図１１に示すように、時刻ｔ１において、第３サーバがアプリケーション３を提供している回線において、ボトルネックが発生した場合（一例）の通信システム１０００の動作について説明する。なお、第３サーバがアプリケーション３を提供している回線において、図７の左図に示すようなバースト形状の通信データが、時刻ｔ１以降、図７の右図に示すようなバースト形状の通信データに変化したものとする。
【0163】
この場合において、通信フロー識別処理部３の機械学習モデル部３３には、図７の右図に示すようなバースト形状の通信データについての特徴量データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）（特徴量取得部３１により取得されたデータ）が入力される。機械学習モデル部３３の学習済みモデルは、（１）ネットワークの上流にボトルネックがある場合、および、（２）ネットワークの上流にボトルネックがない場合の両方の学習データを使用して、データＤ＿ａｐｐおよびデータＤ＿Δｆを予測（推定）するように学習させたモデル（学習済みモデル）であるので、図７の右図に示すようなバースト形状の通信データについての特徴量データＤ＿ｆｅａｔ（＝｛ｂｕｒｓｔ＿ｄｕｒ，ｐｋ＿ｎｕｍ，ｐｋ＿ａｖｅ＿ｓｉｚｅ｝）が入力された場合、（ネットワークの上流にボトルネックがあることを把握しつつ）、当該通信データのアプリケーションの種別を適切に予測（推定）したデータＤ＿ａｐｐを取得し、かつ、当該通信データのアプリケーションが使用している帯域を予測（推定）したデータＤ＿Δｆを取得することができる（図７の場合、ｔｈ１に略等しい帯域を示すデータＤ＿Δｆが取得される）。
【0164】
そして、ＱｏＳ決定部３４は、機械学習モデル部３３により取得された上記により取得されたデータＤ＿ａｐｐ（アプリケーションの種別を示すデータ）およびデータＤ＿Δｆから、ＱｏＳフローＩＤを決定することができる。例えば、ＱｏＳ決定部３４は、時刻ｔ１以前に設定されていた、アプリケーション３の通信フローのＱｏＳフローＩＤを、より使用帯域が少なくて済む要件のＱｏＳフローＩＤに変更するように決定する（例えば、ＱｏＳフローＩＤを「ＱｏＳ ＩＤ ＃３」（要件が厳しいＱｏＳフローＩＤ）から「ＱｏＳ ＩＤ ＃１」（要件が緩いＱｏＳフローＩＤ）に変更する）。
【0165】
そして、Ｕ－ｐｌａｎｅ信号処理部４は、ＱｏＳ決定部３４が上記処理により取得したＱｏＳフローＩＤに基づいて、データＤ３（アプリケーション３に相当する通信フローのデータ）に、データＤ＿ＱｏＳ＿ＩＤから取得したＱｏＳ識別子ＱｏＳ＿ＩＤを付与する処理（ＱｏＳフローＩＤの付与処理）を行い、データＤ３にＱｏＳ識別子ＱｏＳ＿ＩＤを付与したデータを取得し、取得した当該データを通信データＤｏ＿ｒ（Ｕ）として、第２通信インターフェース５に出力する。
【0166】
そして、上記のように生成された通信フローの通信データは、第２通信インターフェース５により、ＲＡＮを介して、当該通信フローの宛先である端末装置に送信される。
【0167】
これにより、通信システム１０００では、例えば、図１２に示すように、時刻ｔ１以降において、アプリケーション３の通信フローのＱｏＳフローＩＤが下げられ（「ＱｏＳ ＩＤ ＃３」から「ＱｏＳ ＩＤ ＃１」に下げられ）、アプリケーション３の通信フローに割り当てられる帯域が削減される（アプリケーション３の実現に最低限必要な帯域を確保しつつ、アプリケーション３の通信フローに割り当てられる帯域が削減される）。その結果、通信システム１０００では、各サービス（本実施形態では、アプリケーション１～３）を継続して維持させるための通信リソース（例えば、使用帯域）の割り当て効率良く行うことができる。
【0168】
以上のように、通信システム１０００の通信制御装置１００では、ネットワークの上流にボトルネックが発生した場合において、ネットワークの上流にボトルネックが発生したことによるバースト形状の変化を通信フロー識別処理部３により検知し、適切に、アプリケーションの種別、使用帯域を予測（推定）することができる。
【0169】
そして、通信システム１０００の通信制御装置１００では、上記のアプリケーションの種別、使用帯域の推定結果に基づいて、（ネットワーク下流において）適切に帯域を割り当て（確保し）、通信システム１０００で実現されているサービスを継続・維持させることができる。
【0170】
すなわち、通信システム１０００では、ネットワークの上流にボトルネックがある場合であっても、高精度にアプリケーションを推定し、ネットワーク下流において効率的に（適切に）帯域を割り当てることができる。
【0171】
≪第１変形例≫
次に、第１実施形態の第１変形例について、説明する。なお、上記実施形態と同様の部分については、同一符号を付し、詳細な説明を省略する。
次に、第１実施形態の第１変形例について、説明する。なお、上記実施形態と同様の部分については、同一符号を付し、詳細な説明を省略する。
【0172】
図１３は、第１変形例の通信制御装置の通信フロー識別処理部３Ａの概略構成図である。
【0173】
図１４は、第１変形例の通信制御装置の通信フロー識別処理部３Ａの概略構成図（学習処理時）である。
【0174】
図１５は、第１変形例の通信制御装置の通信フロー識別処理部３Ａの概略構成図（予測処理時）である。
【0175】
上記実施形態では、通信制御装置１００の通信フロー識別処理部３の学習モデルの学習処理がオフライン方式で実行される場合について説明したが、これに限定されることはなく、通信制御装置１００の通信フロー識別処理部３の学習モデルの学習処理は、オンライン方式で実現されるものであってもよい。
【0176】
第１変形例では、通信制御装置１００の通信フロー識別処理部３の学習モデルの学習処理がオンライン方式で実現されるものである。具体的には、第１変形例の通信システムは、第１実施形態の通信システム１０００の通信制御装置１００において、通信フロー識別処理部３を、図１３に示す通信フロー識別処理部３Ａに置換した構成の通信制御装置を用いて実現される。
【0177】
通信フロー識別処理部３Ａは、図１３に示すように、第１実施形態の通信フロー識別処理部３において、機械学習モデル部３３を機械学習モデル部３３Ａに置換し、学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅと、データ記憶部ＤＢ２と、データ読み出し部３５と、損失評価部３６と、セレクタＳＥＬ２、ＳＥＬ３とを追加した構成を有している。
【0178】
機械学習モデル部３３Ａは、機械学習モデル部３３と同様の構成、機能を有しており、セレクタＳＥＬ２から出力されるデータＤ１＿ｆｅａｔと、セレクタＳＥＬ３から出力されるデータＤ１＿ｐｒｏｔｏとを入力する。さらに、機械学習モデル部３３Ａは、通信制御装置の各機能部を制御する制御部（不図示）から出力される制御信号ＣＴＬ＿ｍｏｄｅを入力し、当該制御信号ＣＴＬ＿ｍｏｄｅにより、（１）学習処理モードと、（２）予測処理モードとを切り替えることができる。また、機械学習モデル部３３Ａは、学習可能モデルを有しており、当該学習可能モデルは、損失評価部３６から出力されるパラメータ更新データｕｐｄａｔｅ（θ）に従って、パラメータθが更新される。機械学習モデル部３３Ａでは、（１）制御信号ＣＴＬ＿ｍｏｄｅが学習処理モードを示すとき、学習可能モデルの学習処理が実行され、（２）制御信号ＣＴＬ＿ｍｏｄｅが予測処理モードを示すとき、学習可能モデル（パラメータθを固定した状態の学習可能モデル）により予測処理が実行される。
【0179】
学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅは、第１実施形態の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅと同じ構成、機能を有している。なお、第１変形例の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅでは、データＤ＿ｆｅａｔは、データＤ＿ｆｅａｔ＿ｔｒとして、セレクタＳＥＬ２に出力される。また、第１変形例の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅでは、データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔは、セレクタＳＥＬ３に出力され、データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔおよびデータＤ＿Δｆ＿ｃｏｒｒｅｃｔは、損失評価部３６に出力される。
【0180】
データ記憶部ＤＢ２は、第１実施形態のデータ記憶部ＤＢ１と同じ構成、機能を有している。
【0181】
データ読み出し部３５は、第１実施形態の学習処理装置Ｄｅｖ＿ｔｒのデータ読み出し部９１と同じ構成、機能を有している。
【0182】
損失評価部３６は、第１実施形態の学習処理装置Ｄｅｖ＿ｔｒの損失評価部９３と同じ構成、機能を有している。
【0183】
セレクタＳＥＬ２は、２入力１出力のセレクタであり、データ読み出し部３５から出力されるデータＤ＿ｆｅａｔ＿ｔｒと、特徴量取得部３１から出力されるデータＤ＿ｆｅａｔと、制御部（不図示）から出力される選択信号ｓｅｌ２とを入力する。セレクタＳＥＬ２は、選択信号ｓｅｌ２に従い、データ読み出し部３５から出力されるデータＤ＿ｆｅａｔ＿ｔｒ、または、特徴量取得部３１から出力されるデータＤ＿ｆｅａｔを、データＤ１＿ｆｅａｔとして、機械学習モデル部３３Ａに出力する。
【0184】
セレクタＳＥＬ３は、２入力１出力のセレクタであり、データ読み出し部３５から出力されるデータＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔと、プロトコル識別処理部３２から出力されるデータＤ＿ｐｒｏｔｏと、制御部（不図示）から出力される選択信号ｓｅｌ１とを入力する。セレクタＳＥＬ３は、選択信号ｓｅｌ３に従い、データ読み出し部３５から出力されるデータＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ、または、プロトコル識別処理部３２から出力されるデータＤ＿ｐｒｏｔｏを、データＤ１＿ｐｒｏｔｏとして、機械学習モデル部３３Ａに出力する。
【0185】
以上のように構成された通信フロー識別処理部３Ａの動作について、説明する。
【0186】
（学習処理）：
学習処理時において、通信フロー識別処理部３Ａでは、図１４に示すように、データＤ２が学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅに入力され、学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅは、第1実施形態と同様の処理を実行し、データＤｓｅｔを取得し、データ記憶部ＤＢ２に記憶する。
学習処理時において、通信フロー識別処理部３Ａでは、図１４に示すように、データＤ２が学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅに入力され、学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅは、第1実施形態と同様の処理を実行し、データＤｓｅｔを取得し、データ記憶部ＤＢ２に記憶する。
【0187】
データ読み出し部３５は、第１実施形態と同様に、学習用データＤｓｅｔをデータ記憶部ＤＢ１から読み出し、当該データＤｓｅｔから、データＤ＿ｆｅａｔ＿ｔｒ、データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ、データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ、および、データＤ＿Δｆ＿ｃｏｒｒｅｃｔを取得する。そして、データ読み出し部３５は、取得したデータＤ＿ｆｅａｔ＿ｔｒをセレクタＳＥＬ２に出力し、データＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔをセレクタＳＥＬ３に出力し、データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔおよびデータＤ＿Δｆ＿ｃｏｒｒｅｃｔを損失評価部３６に出力する。
【0188】
セレクタＳＥＬ２は、制御部（不図示）からの選択信号ｓｅｌ２（学習処理モードにおいて、選択信号ｓｅｌ２は、信号値「０」に設定されているものとする）に従い、データ読み出し部３５から出力されるデータＤ＿ｆｅａｔ＿ｔｒを、データＤ１＿ｆｅａｔとして、機械学習モデル部３３Ａに出力する。
【0189】
セレクタＳＥＬ３は、制御部（不図示）からの選択信号ｓｅｌ３（学習処理モードにおいて、選択信号ｓｅｌ３は、信号値「０」に設定されているものとする）に従い、データ読み出し部３５から出力されるデータＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔを、データＤ１＿ｐｒｏｔｏとして、機械学習モデル部３３Ａに出力する。
【0190】
機械学習モデル部３３Ａは、制御部（不図示）からの制御信号ＣＴＬ＿ｍｏｄｅに従い、学習処理モードに設定し、学習処理を行う。機械学習モデル部３３Ａは、セレクタＳＥＬ２からのデータＤ１＿ｆｅａｔと、セレクタＳＥＬ３からのデータＤ１＿ｐｒｏｔｏとを入力として、第１実施形態と同様に、学習可能モデルによる処理を行い、学習可能モデルから出力されるデータＤ＿ａｐｐおよびデータＤ＿Δｆを損失評価部３６に出力する。
【0191】
損失評価部３６は、機械学習モデル部３３Ａから出力されるデータＤ＿ａｐｐおよびデータＤ＿Δｆと、データ読み出し部３５から出力されるデータＤ＿ａｐｐ＿ｃｏｒｒｅｃｔおよびデータＤ＿Δｆ＿ｃｏｒｒｅｃｔとを用いて、第１実施形態の学習処理装置Ｄｅｖ＿ｔｒの損失評価部９３と同様の処理を行い、パラメータ更新データｕｐｄａｔｅ（θ）を取得する。そして、損失評価部３６は、取得したパラメータ更新データｕｐｄａｔｅ（θ）を出力する。
【0192】
機械学習モデル部３３Ａは、損失評価部３６からのパラメータ更新データｕｐｄａｔｅ（θ）により、学習可能モデルのパラメータθを更新する。
【0193】
損失評価部３６が、学習処理が収束したと判定するまで、上記の処理（学習処理）を行う。
【0194】
そして、損失評価部３６が、学習処理が収束したと判定した場合、その時点において、機械学習モデル部３３Ａの学習可能モデルのパラメータθを最適パラメータθｏｐｔとして固定する。
【0195】
（予測処理）：
予測処理時において、通信フロー識別処理部３Ａでは、図１５に示すように、データＤ２が特徴量取得部３１およびプロトコル識別処理部３２に入力され、特徴量取得部３１およびプロトコル識別処理部３２において、第１実施形態と同様の処理が実行される。特徴量取得部３１により取得されたデータＤ＿ｆｅａｔは、セレクタＳＥＬ２に出力され、プロトコル識別処理部３２により取得されたデータＤ＿ｐｒｏｔｏは、セレクタＳＥＬ３に出力される。
予測処理時において、通信フロー識別処理部３Ａでは、図１５に示すように、データＤ２が特徴量取得部３１およびプロトコル識別処理部３２に入力され、特徴量取得部３１およびプロトコル識別処理部３２において、第１実施形態と同様の処理が実行される。特徴量取得部３１により取得されたデータＤ＿ｆｅａｔは、セレクタＳＥＬ２に出力され、プロトコル識別処理部３２により取得されたデータＤ＿ｐｒｏｔｏは、セレクタＳＥＬ３に出力される。
【0196】
セレクタＳＥＬ２は、制御部（不図示）からの選択信号ｓｅｌ２（予測処理モードにおいて、選択信号ｓｅｌ２は、信号値「１」に設定されているものとする）に従い、特徴量取得部３１から出力されるデータＤ＿ｆｅａｔを、データＤ１＿ｆｅａｔとして、機械学習モデル部３３Ａに出力する。
【0197】
セレクタＳＥＬ３は、制御部（不図示）からの選択信号ｓｅｌ３（学習処理モードにおいて、選択信号ｓｅｌ３は、信号値「１」に設定されているものとする）に従い、プロトコル識別処理部３２から出力されるデータＤ＿ｐｒｏｔｏを、データＤ１＿ｐｒｏｔｏとして、機械学習モデル部３３Ａに出力する。
【0198】
機械学習モデル部３３Ａは、制御部（不図示）からの制御信号ＣＴＬ＿ｍｏｄｅに従い、予測処理モードに設定し、予測処理（パラメータがθｏｐｔに固定されている学習モデルを用いて予測処理）を行う。機械学習モデル部３３Ａは、セレクタＳＥＬ２からのデータＤ１＿ｆｅａｔと、セレクタＳＥＬ３からのデータＤ１＿ｐｒｏｔｏとを入力として、第１実施形態と同様に、パラメータがθｏｐｔに固定されている学習可能モデル（第１実施形態の学習済みモデルに相当）による処理を行い、当該学習可能モデルから出力されるデータＤ＿ａｐｐおよびデータＤ＿ΔｆをＱｏＳ決定部３４に出力する。
【0199】
ＱｏＳ決定部３４は、機械学習モデル部３３Ａから出力されるデータＤ＿ａｐｐおよびデータＤ＿Δｆに対して、第１実施形態と同様の処理を行い、データＤ＿ＱｏＳ＿ＩＤを取得し、取得したデータＤ＿ＱｏＳ＿ＩＤをＵ－ｐｌａｎｅ信号処理部４に出力する。
【0200】
以降の処理は、第１実施形態と同様である。
【0201】
以上により、本変形例の通信制御装置では、通信フロー識別処理部３の学習モデルの学習処理をオンライン方式で実現することができる。
【0202】
そして、第１変形例の通信制御装置において、処理モード（学習処理モード、および、予測処理モード）を、例えば、所定の周期で切り替えて運用することで、通信フロー識別処理部３の学習モデルの学習処理をオンライン方式で実現しつつ、第１実施形態と同様の通信フロー識別処理（予測処理）を実行することができる。
【0203】
≪第２変形例≫
次に、第１実施形態の第２変形例について、説明する。なお、上記実施形態（変形例を含む）と同様の部分については、同一符号を付し、詳細な説明を省略する。
次に、第１実施形態の第２変形例について、説明する。なお、上記実施形態（変形例を含む）と同様の部分については、同一符号を付し、詳細な説明を省略する。
【0204】
図１６は、第２変形例の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅＡの概略構成図である。
【0205】
第２変形例の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅＡでは、キャプチャデータ解析部８２の上流ボトルネック検出部で検出されたデータｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋを学習用データとして記憶させる。この点が、第１実施形態の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅと相違する。
【0206】
第２変形例の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅＡは、図１６に示すように、第１実施形態の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅにおいて、キャプチャデータ解析部８２をキャプチャデータ解析部８２Ａに置換し、学習用データ生成処理部８５を学習用データ生成処理部８５Ａに置換した構成を有している。それ以外について、第２変形例の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅＡは、第１実施形態の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅと同様である。
【0207】
キャプチャデータ解析部８２Ａは、図１６に示すように、キャプチャデータ解析部８２の上流ボトルネック検出部は、検出したデータｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋをデータ抽出部８３および学習用データ生成処理部８５Ａに出力する。
【0208】
学習用データ生成処理部８５Ａは、第１実施形態の学習用データ生成処理部８５と同様の機能、構成を有しており、キャプチャデータ解析部８２Ａから出力されるデータＤ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ、データＤ＿ａｐｐ＿ｃｏｒｒｅｃｔ、データＤ＿Δｆ＿ｃｏｒｒｅｃｔ、および、データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋを入力し、当該データをまとめて学習用データＤｓｅｔ（＝｛Ｄ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ，Ｄ＿ａｐｐ＿ｃｏｒｒｅｃｔ，Ｄ＿Δｆ＿ｃｏｒｒｅｃｔ，ｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋ｝）を生成し、生成した学習用データＤｓｅｔ（＝｛Ｄ＿ｐｒｏｔｏ＿ｃｏｒｒｅｃｔ，Ｄ＿ａｐｐ＿ｃｏｒｒｅｃｔ，Ｄ＿Δｆ＿ｃｏｒｒｅｃｔ，ｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋ｝）をデータ記憶部ＤＢ１に記憶させる。
【0209】
第２変形例の学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅＡでは、上記のように、ネットワークの上流にボトルネックがある場合に取得されたデータであるか否かを示すデータｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋを含めた学習用データを生成し、データ記憶部ＤＢ１に記憶させる。例えば、学習処理を行う場合において、データ記憶部ＤＢ１から学習用データ（学習用データ生成装置Ｄｅｖ＿ｔｒ＿ｇｅｎｅＡにより生成した学習用データ）を読み出すときに、そのデータが、ネットワークの上流にボトルネックがある場合に取得されたデータであるか否かを、データｄｅｔ＿ｕｐｐｅｒ＿ｂｎｅｃｋの値を調べることで把握できる。したがって、例えば、学習処理において、ネットワークの上流にボトルネックがある場合に取得されたデータと、ネットワークの上流にボトルネックがない場合に取得されたデータとの割合を所定の割合したデータセットにより、学習処理（学習可能モデルの学習）を行うことができる。
【0210】
［他の実施形態］
上記実施形態（変形例を含む）における通信システム１０００、通信制御装置１００の構成、配置、数等は一例であり、上記実施形態（変形例を含む）に限定されることはなく、他の構成、配置、数であってもよい。例えば、データ記憶部ＤＢ１、ＤＢ２は、通信制御装置１００の外部に設置されるものであってもよい。
上記実施形態（変形例を含む）における通信システム１０００、通信制御装置１００の構成、配置、数等は一例であり、上記実施形態（変形例を含む）に限定されることはなく、他の構成、配置、数であってもよい。例えば、データ記憶部ＤＢ１、ＤＢ２は、通信制御装置１００の外部に設置されるものであってもよい。
【0211】
また、上記実施形態（変形例を含む）では、通信システム１０００が５Ｇ（第５世代移動通信システム）に準拠した通信システムを想定しており、通信制御装置１００は、例えば、５Ｇコア装置に対応するものを想定しているが、これに限定されることはなく（５Ｇ（第５世代移動通信システム）に準拠した通信システムに限定されることなく）、本発明は、他の通信システムにも適用できる。つまり、本発明は、ＱｏＳ制御を実現できる通信インフラを提供するシステム（通信システム）において、上記で説明した処理と同様の処理を行うことで適用される。
【0212】
≪４Ｇ／ＬＴＥへの適用≫
例えば、４Ｇ／ＬＴＥ（第４世代移動通信システム、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ））に準拠した通信システムにおいても、通信フロー（ＱｏＳフロー）が定義されているので、上記と同様にして、通信フロー（ＱｏＳフロー）についての識別処理（アプリケーション種別、使用帯域の学習処理、予測処理）を行うようにしてもよい。
例えば、４Ｇ／ＬＴＥ（第４世代移動通信システム、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ））に準拠した通信システムにおいても、通信フロー（ＱｏＳフロー）が定義されているので、上記と同様にして、通信フロー（ＱｏＳフロー）についての識別処理（アプリケーション種別、使用帯域の学習処理、予測処理）を行うようにしてもよい。
【0213】
≪無線ＬＡＮへの適用≫
また、例えば、優先制御方式（例えば、ＥＤＣＡ（Ｅｎｈａｎｃｅｄ Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｈａｎｎｅｌ Ａｃｃｅｓｓ））を採用している無線ＬＡＮの通信システムにおいて、本発明を適用してもよい。例えば、ＥＤＣＡ方式（優先制御方式）を採用している無線ＬＡＮの通信システムにおいて、無線フレーム送信において、ＥＤＣＡパラメータにより、無線フレームの送信の優先度が決定されるので、このＥＤＣＡパラメータによる優先度を用いて、上記実施形態と同様に、通信フロー（ＱｏＳフロー）についての識別処理（アプリケーション種別、使用帯域の学習処理、予測処理）を行うようにしてもよい。
また、例えば、優先制御方式（例えば、ＥＤＣＡ（Ｅｎｈａｎｃｅｄ Ｄｉｓｔｒｉｂｕｔｅｄ Ｃｈａｎｎｅｌ Ａｃｃｅｓｓ））を採用している無線ＬＡＮの通信システムにおいて、本発明を適用してもよい。例えば、ＥＤＣＡ方式（優先制御方式）を採用している無線ＬＡＮの通信システムにおいて、無線フレーム送信において、ＥＤＣＡパラメータにより、無線フレームの送信の優先度が決定されるので、このＥＤＣＡパラメータによる優先度を用いて、上記実施形態と同様に、通信フロー（ＱｏＳフロー）についての識別処理（アプリケーション種別、使用帯域の学習処理、予測処理）を行うようにしてもよい。
【0214】
≪ＤｉｆｆＳｅｒｖを採用するネットワークへの適用≫
また、例えば、優先制御方式（例えば、ＤｉｆｆＳｅｒｖ）を採用しているＩＰネットワーク（ＩＰ：Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）の通信システムにおいて、本発明を適用してもよい。例えば、ＤｉｆｆＳｅｒｖ（優先制御方式）を採用しているＩＰネットワークの通信システムでは、通信フロー（同一ＱｏＳを要求する通信フロー（ＱｏＳフロー））が定義されているので、上記実施形態と同様に、通信フロー（ＱｏＳフロー）についての識別処理（アプリケーション種別、使用帯域の学習処理、予測処理）を行うようにしてもよい。
また、例えば、優先制御方式（例えば、ＤｉｆｆＳｅｒｖ）を採用しているＩＰネットワーク（ＩＰ：Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）の通信システムにおいて、本発明を適用してもよい。例えば、ＤｉｆｆＳｅｒｖ（優先制御方式）を採用しているＩＰネットワークの通信システムでは、通信フロー（同一ＱｏＳを要求する通信フロー（ＱｏＳフロー））が定義されているので、上記実施形態と同様に、通信フロー（ＱｏＳフロー）についての識別処理（アプリケーション種別、使用帯域の学習処理、予測処理）を行うようにしてもよい。
【0215】
また、上記実施形態では、通信制御装置１００が単独の装置であることを想定して説明したが、これに限定されることはなく、通信制御装置１００は、複数の装置により実現されるものであってもよい。例えば、通信制御装置１００は、通信フロー識別処理を行う装置、ネットワークの状態を検出する装置等により、実現されるものであってもよい。
【0216】
また、上記実施形態で説明した通信システム１０００、および／または、通信制御装置１００において、各ブロックは、ＬＳＩなどの半導体装置により個別に１チップ化されても良いし、一部又は全部を含むように１チップ化されても良い。
【0217】
なお、ここでは、ＬＳＩとしたが、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。
【0218】
また、集積回路化の手法はＬＳＩに限るものではなく、専用回路又は汎用プロセサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）や、ＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサーを利用しても良い。
【0219】
また、上記各実施形態の各機能ブロックの処理の一部または全部は、プログラムにより実現されるものであってもよい。そして、上記各実施形態の各機能ブロックの処理の一部または全部は、コンピュータにおいて、中央演算装置（ＣＰＵ）により行われる。また、それぞれの処理を行うためのプログラムは、ハードディスク、ＲＯＭなどの記憶装置に格納されており、ＲＯＭにおいて、あるいはＲＡＭに読み出されて実行される。
【0220】
また、上記実施形態の各処理をハードウェアにより実現してもよいし、ソフトウェア（ＯＳ（オペレーティングシステム）、ミドルウェア、あるいは、所定のライブラリとともに実現される場合を含む。）により実現してもよい。さらに、ソフトウェアおよびハードウェアの混在処理により実現しても良い。
【0221】
例えば、上記実施形態の各機能部を、ソフトウェアにより実現する場合、図１７に示したハードウェア構成（例えば、ＣＰＵ（ＧＰＵであってもよい）、ＲＯＭ、ＲＡＭ、入力部、出力部等をバスＢｕｓにより接続したハードウェア構成）を用いて、各機能部をソフトウェア処理により実現するようにしてもよい。
【0222】
また、上記実施形態の各機能部をソフトウェアにより実現する場合、当該ソフトウェアは、図１７に示したハードウェア構成を有する単独のコンピュータを用いて実現されるものであってもよいし、複数のコンピュータを用いて分散処理により実現されるものであってもよい。
【0223】
また、上記実施形態における処理方法の実行順序は、必ずしも、上記実施形態の記載に制限されるものではなく、発明の要旨を逸脱しない範囲で、実行順序を入れ替えることができるものである。また、上記実施形態における処理方法において、発明の要旨を逸脱しない範囲で、一部のステップが、他のステップと並列に実行されるものであってもよい。
【0224】
前述した方法をコンピュータに実行させるコンピュータプログラム及びそのプログラムを記録したコンピュータ読み取り可能な記録媒体は、本発明の範囲に含まれる。ここで、コンピュータ読み取り可能な記録媒体としては、例えば、フレキシブルディスク、ハードディスク、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ、ＤＶＤ－ＲＯＭ、ＤＶＤ－ＲＡＭ、大容量ＤＶＤ、次世代ＤＶＤ、半導体メモリを挙げることができる。
【0225】
上記コンピュータプログラムは、上記記録媒体に記録されたものに限られず、電気通信回線、無線又は有線通信回線、インターネットを代表とするネットワーク等を経由して伝送されるものであってもよい。
【0226】
また、本明細書内の記載、特許請求の範囲の記載において、「最適化」（あるいは「最適」）とは、最も良い状態にすることをいい、システム（モデル）を「最適化」するパラメータ（あるいは「最適パラメータ」）とは、当該システムの目的関数の値が最適値となるときのパラメータのことをいう。「最適値」は、システムの目的関数の値が大きくなるほど、システムが良い状態となる場合は、最大値であり、システムの目的関数の値が小さくなるほど、システムが良い状態となる場合は、最小値である。また、「最適値」は、極値であってもよい。また、「最適値」は、所定の誤差（測定誤差、量子化誤差等）を許容するものであってもよく、所定の範囲（十分収束したとみなすことができる範囲）に含まれる値であってもよい。
【0227】
なお、本発明の具体的な構成は、前述の実施形態に限られるものではなく、発明の要旨を逸脱しない範囲で種々の変更および修正が可能である。
【符号の説明】
【0228】
１０００ 通信システム
１００ 通信制御装置
Ｄｅｖ＿ｔｒ＿ｇｅｎｅ、Ｄｅｖ＿ｔｒ＿ｇｅｎｅＡ 学習用データ生成装置
Ｄｅｖ＿ｔｒ 学習処理装置
３、３Ａ 通信フロー識別処理部
３１ 特徴量取得部
３２ プロトコル識別処理部
３３、３３Ａ 機械学習モデル部
１００ 通信制御装置
Ｄｅｖ＿ｔｒ＿ｇｅｎｅ、Ｄｅｖ＿ｔｒ＿ｇｅｎｅＡ 学習用データ生成装置
Ｄｅｖ＿ｔｒ 学習処理装置
３、３Ａ 通信フロー識別処理部
３１ 特徴量取得部
３２ プロトコル識別処理部
３３、３３Ａ 機械学習モデル部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】