特許 7027361 情報処理装置及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-02-18

(45)【発行日】2022-03-01

(54)【発明の名称】情報処理装置及びプログラム

(51)【国際特許分類】

   H04L 41/16 20220101AFI20220221BHJP

   H04L 41/06 20220101ALI20220221BHJP

【ＦＩ】

H04L41/16

H04L41/06

【請求項の数】 6

(21)【出願番号】P 2019032809

(22)【出願日】2019-02-26

(65)【公開番号】P2020137097

(43)【公開日】2020-08-31

【審査請求日】2020-12-16

【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）平成３０年度、総務省、「革新的ＡＩネットワーク統合基盤技術の研究開発」委託事業、産業技術力強化法第１９条の適用を受ける特許出願

【早期審査対象出願】

(73)【特許権者】

【識別番号】000208891

【氏名又は名称】ＫＤＤＩ株式会社

(74)【代理人】

【識別番号】100165179

【弁理士】

【氏名又は名称】田▲崎▼ 聡

(74)【代理人】

【識別番号】100175824

【弁理士】

【氏名又は名称】小林 淳一

(74)【代理人】

【識別番号】100114937

【弁理士】

【氏名又は名称】松本 裕幸

(72)【発明者】

【氏名】河崎 純一

(72)【発明者】

【氏名】宮澤 雅典

(72)【発明者】

【氏名】毛利 元一

【審査官】羽岡 さやか

(56)【参考文献】

【文献】特開２０１８－１４８４０８（ＪＰ，Ａ）

【文献】特開２０１５－１５６５４８（ＪＰ，Ａ）

【文献】特開平０９－２０５４２９（ＪＰ，Ａ）

【文献】特開昭６２－１１７０５１（ＪＰ，Ａ）

【文献】米国特許出願公開第２００４／０１２２６４５（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０４Ｌ １２／００－１２／６６

Ｈ０４Ｌ ４１／００－６９／４０

(57)【特許請求の範囲】

【請求項1】

情報通信に供される実ネットワークを模した疑似ネットワークである学習対象のネットワークを構成する複数のノードの組み合わせを示すタグ情報を取得する取得部と、
障害が発生した前記ネットワークの状態を示すネットワーク状態情報のなかから、前記タグ情報が示す前記ノードの組み合わせに対応する情報を、学習対象情報として抽出する抽出部と、
複数種類の学習アルゴリズムから、前記抽出部が抽出する前記学習対象情報に応じた種類の学習アルゴリズムを選択する選択部と、
前記選択部が選択する学習アルゴリズムを前記抽出部が抽出する前記学習対象情報に適用することにより、前記抽出部が抽出する複数の前記学習対象情報それぞれについての学習結果を生成する学習部と、
を備える情報処理装置。

【請求項2】

前記疑似ネットワークにネットワーク障害を発生させる障害発生部と、
前記障害発生部がネットワーク障害を発生させたことにより得られる前記ネットワーク状態情報を蓄積するデータ蓄積部と、
をさらに備え、
前記抽出部は、
前記データ蓄積部に蓄積される前記ネットワーク状態情報のなかから、前記タグ情報に対応する情報を、前記学習対象情報として抽出する
請求項１に記載の情報処理装置。

【請求項3】

前記学習部が生成した前記学習結果の精度評価結果を算出する評価部
をさらに備える請求項１又は請求項２に記載の情報処理装置。

【請求項4】

前記評価部は、
算出した前記精度評価結果を前記選択部に出力し、
前記選択部は、
前記評価部が算出する前記精度評価結果に基づいて、選択する学習アルゴリズムの種類を変更する
請求項３に記載の情報処理装置。

【請求項5】

前記タグ情報には、学習対象のネットワークを構成する複数のノードをそれぞれ識別する識別情報と、複数の前記ノードがそれぞれ属するエリアの情報とが含まれる
請求項１から請求項４のいずれか一項に記載の情報処理装置。

【請求項6】

コンピュータに、
情報通信に供される実ネットワークを模した疑似ネットワークである学習対象のネットワークを構成する複数のノードの組み合わせを示すタグ情報を取得する取得ステップと、
障害が発生した前記ネットワークの状態を示すネットワーク状態情報のなかから、前記タグ情報が示す前記ノードの組み合わせに対応する情報を、学習対象情報として抽出する抽出ステップと、
複数種類の学習アルゴリズムから、前記抽出ステップにおいて抽出される前記学習対象情報に応じた種類の学習アルゴリズムを選択する選択ステップと、
前記選択ステップにおいて選択される学習アルゴリズムを前記抽出ステップにおいて抽出される前記学習対象情報に適用することにより、前記抽出ステップにおいて抽出される複数の前記学習対象情報それぞれについての学習結果を生成する学習ステップと、
を実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、情報処理装置及びプログラムに関する。

【背景技術】

【0002】

従来、ネットワーク障害についての原因や影響範囲を推定する技術が開示されている。例えば、特許文献１には、過去の障害事例をデータベース化し、蓄積されたデータを検索することによってネットワーク障害の原因を推定する技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００５－２６９２３８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、例えば特許文献１に記載されるような従来技術によると、過去の障害に関する情報を用いたルールベースによる推定手法が採用されている。したがって、特許文献１に記載されるような従来技術によると、ネットワーク障害の原因の推定精度を高めるためには膨大な検討コストがかかる場合があり、このような場合には、推定精度の向上が困難であるという問題が生じていた。

【0005】

本発明は、ネットワーク障害の原因の推定精度を向上させることが情報処理装置及び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】

本発明の一実施形態は、情報通信に供される実ネットワークを模した疑似ネットワークである学習対象のネットワークを構成する複数のノードの組み合わせを示すタグ情報を取得する取得部と、障害が発生した前記ネットワークの状態を示すネットワーク状態情報のなかから、前記タグ情報が示す前記ノードの組み合わせに対応する情報を、学習対象情報として抽出する抽出部と、複数種類の学習アルゴリズムから、前記抽出部が抽出する前記学習対象情報に応じた種類の学習アルゴリズムを選択する選択部と、前記選択部が選択する学習アルゴリズムを前記抽出部が抽出する前記学習対象情報に適用することにより、前記抽出部が抽出する複数の前記学習対象情報それぞれについての学習結果を生成する学習部とを備える情報処理装置である。

【0007】

本発明の一実施形態の情報処理装置において、前記疑似ネットワークにネットワーク障害を発生させる障害発生部と、前記障害発生部がネットワーク障害を発生させたことにより得られる前記ネットワーク状態情報を蓄積するデータ蓄積部とをさらに備え、前記抽出部は、前記データ蓄積部に蓄積される前記ネットワーク状態情報のなかから、前記タグ情報に対応する情報を、前記学習対象情報として抽出する。

【0008】

本発明の一実施形態の情報処理装置において、前記学習部が生成した前記学習結果の精度評価結果を算出する評価部をさらに備える。

【0009】

本発明の一実施形態の情報処理装置において、前記評価部は、算出した前記精度評価結果を前記選択部に出力し、前記選択部は、前記評価部が算出する前記精度評価結果に基づいて、選択する学習アルゴリズムの種類を変更する。

【0010】

本発明の一実施形態の情報処理装置において、前記タグ情報には、学習対象のネットワークを構成する複数のノードをそれぞれ識別する識別情報と、複数の前記ノードがそれぞれ属するエリアの情報とが含まれる。

【0011】

本発明の一実施形態は、コンピュータに、情報通信に供される実ネットワークを模した疑似ネットワークである学習対象のネットワークを構成する複数のノードの組み合わせを示すタグ情報を取得する取得ステップと、障害が発生した前記ネットワークの状態を示すネットワーク状態情報のなかから、前記タグ情報が示す前記ノードの組み合わせに対応する情報を、学習対象情報として抽出する抽出ステップと、複数種類の学習アルゴリズムから、前記抽出ステップにおいて抽出される前記学習対象情報に応じた種類の学習アルゴリズムを選択する選択ステップと、前記選択ステップにおいて選択される学習アルゴリズムを前記抽出ステップにおいて抽出される前記学習対象情報に適用することにより、前記抽出ステップにおいて抽出される複数の前記学習対象情報それぞれについての学習結果を生成する学習ステップと、を実行させるためのプログラムである。

【発明の効果】

【0012】

本発明によれば、ネットワーク障害の原因の推定精度を向上させる情報処理装置及びプログラムを提供することができる。

【図面の簡単な説明】

【0013】

【図1】本実施形態の情報処理システムの機能構成の一例を示す図である。

【図2】本実施形態の疑似ネットワークの構成の一例を示す図である。

【図3】本実施形態の学習アルゴリズム記憶部に記憶される学習アルゴリズムの一例である。

【図4】本実施形態の学習部による学習の流れの概要の一例を示す図である。

【図5】本実施形態の情報処理システムの動作の一例を示す図である。

【図6】本実施形態のタグ情報に含まれる情報の一例を示す図である。

【図7】本実施形態の選択部による学習アルゴリズムの選択結果の一例を示す図である。

【図8】本実施形態の評価部による精度評価の結果の一例を示す図である。

【発明を実施するための形態】

【0014】

［実施形態］
以下、図を参照して本実施形態の情報処理システム１の概要について説明する。
図１は、本実施形態の情報処理システム１の機能構成の一例を示す図である。

【0015】

［情報処理システムの概要］
情報処理システム１は、情報処理装置１０と、障害シミュレーション装置２０と、データ蓄積部３０と、学習アルゴリズム記憶部４０とを備える。
なお、以下の説明において、情報処理装置１０から学習アルゴリズム記憶部４０までは、別々の装置であるとして説明するがこれに限られない。例えば、情報処理装置１０と、障害シミュレーション装置２０と、データ蓄積部３０とが、一体化された装置として構成されていてもよい。

【0016】

障害シミュレーション装置２０は、障害発生部２１０と、疑似ネットワーク２２０とを備える。疑似ネットワーク２２０は、情報通信に供される（例えば、商用の）実ネットワークを模擬して作られたシミュレーション用のネットワークである。

【0017】

図２は、本実施形態の疑似ネットワーク２２０の構成の一例を示す図である。疑似ネットワーク２２０は、階層化されたノードＮ（例えば、コア、アクセス、エッジなど）によって構成される。これら複数のノードＮの組み合わせをエリアＡＲともいう。疑似ネットワーク２２０は、ノードＮの種類を単位にした分析モデル、又はエリアＡＲの種類を単位にした分析モデルに分割される。疑似ネットワーク２２０の分析モデルのうち、コアのみで構成される分析モデルをコアモデルともいい、アクセスのみで構成される分析モデルをアクセスモデルともいい、エッジのみで構成される分析モデルをエッジモデルともいう。

【0018】

以下の説明において、学習対象の実ネットワーク、及びこの実ネットワークを模擬して作られた学習対象の疑似ネットワーク２２０のことを総称して学習対象のネットワークＮＴともいう。
情報処理システム１は、疑似ネットワーク２２０を利用することにより、十分な学習用データセットを作成し、高精度な分析モデルを構築することが可能となる。

【0019】

図１に戻り、障害発生部２１０は、疑似ネットワーク２２０のトポロジに基づいて、疑似ネットワーク２２０のうち障害が発生しうる箇所を抽出することにより、障害シナリオを生成する。障害発生部２１０は、生成した障害シナリオに基づいて、疑似ネットワーク２２０に対してＡＰＩやコマンドを順次実行することにより、疑似ネットワーク２２０に障害を発生させる。障害発生部２１０は、疑似ネットワーク２２０に障害が発生した場合の状況を示す種々の情報を取得し、取得した情報をネットワーク状態情報ＤＮＴとしてデータ蓄積部３０に出力する。

【0020】

データ蓄積部３０は、障害シミュレーション装置２０から出力されるネットワーク状態情報ＤＮＴを蓄積（記憶、又は保存ともいう。）する。このネットワーク状態情報ＤＮＴとは、障害発生部２１０がネットワーク障害を発生させたことにより得られる情報である。すなわち、データ蓄積部３０は、障害発生部２１０がネットワーク障害を発生させたことにより得られるネットワーク状態情報ＤＮＴを蓄積する。

【0021】

学習アルゴリズム記憶部４０には、複数の種類の学習アルゴリズムＡＧが記憶される。この学習アルゴリズムＡＧとは、例えば、機械学習アルゴリズムである。

【0022】

図３は、本実施形態の学習アルゴリズム記憶部４０に記憶される学習アルゴリズムＡＧの一例である。学習アルゴリズム記憶部４０には、それぞれの学習アルゴリズムＡＧを識別する識別情報（アルゴリズムＩＤ）と、学習アルゴリズムＡＧとが対応付けられて記憶される。この一例では、学習アルゴリズム記憶部４０には、学習アルゴリズムＡＧα～学習アルゴリズムＡＧδが記憶されている。

【0023】

［情報処理装置の機能構成］
図１に戻り、情報処理装置１０は、取得部１１０と、抽出部１２０と、選択部１３０と、学習部１４０と、評価部１５０とを備える。

【0024】

取得部１１０は、学習対象のネットワークＮＴを構成する複数のノードＮの組み合わせを示すタグ情報を取得する。この一例において、タグ情報には、学習対象のネットワークＮＴを構成する複数のノードＮをそれぞれ識別する識別情報と、複数のノードＮがそれぞれ属するエリアＡＲの情報とが含まれる。すなわち、取得部１１０は、学習対象のネットワークＮＴを構成する複数のノードＮをそれぞれ識別する識別情報ＮＩＤと、複数のノードＮがそれぞれ属するエリアＡＲの情報（エリア情報ＤＡＲ）とを含むタグ情報ＤＴを取得する。
これら識別情報ＮＩＤやエリア情報ＤＡＲは、情報処理装置１０が生成する情報であってもよく、情報処理装置１０を操作するユーザが指定する情報であってもよい。

【0025】

なお、この一例においては、タグ情報には、学習対象のネットワークを構成する複数のノードをそれぞれ識別する識別情報と、複数の前記ノードがそれぞれ属するエリアの情報とが含まれるものとして説明するが、これに限られない。図２を参照して説明したように、複数のノードＮの組み合わせには、エリアＡＲを単位にした組み合わせの他に、ノードＮの種類を単位にした組み合わせなども含まれる。例えば、タグ情報とは、ノードＮの種類を示す情報であってもよい。

【0026】

抽出部１２０は、障害が発生したネットワークＮＴの状態を示すネットワーク状態情報ＤＮＴのなかから、タグ情報ＤＴに対応する情報を、学習対象情報ＤＬＴとして抽出する。

【0027】

ここで、ネットワーク状態情報ＤＮＴは、障害シミュレーション装置２０から出力される情報であってもよいし、データ蓄積部３０に蓄積された情報であってもよい。ネットワーク状態情報ＤＮＴが、データ蓄積部３０に蓄積されている場合には、抽出部１２０は、データ蓄積部３０に蓄積されるネットワーク状態情報ＤＮＴのなかから、タグ情報ＤＴに対応する情報を、学習対象情報ＤＬＴとして抽出する。

【0028】

選択部１３０は、複数種類の学習アルゴリズムＡＧから、抽出部１２０が抽出する学習対象情報ＤＬＴに応じた種類の学習アルゴリズムＡＧを選択する。以下の説明において、選択部１３０が選択した学習アルゴリズムＡＧのことを、被選択学習アルゴリズムＡＧＳともいう。

【0029】

学習部１４０は、選択部１３０が選択する被選択学習アルゴリズムＡＧＳを抽出部１２０が抽出する学習対象情報ＤＬＴに適用することにより、抽出部１２０が抽出する複数の学習対象情報ＤＬＴそれぞれについての学習結果Ｌを生成する。
一例として、学習部１４０は、ネットワーク障害の発生原因を推定する。

【0030】

図４は、本実施形態の学習部１４０による学習の流れの概要の一例を示す図である。学習部１４０は、学習対象のネットワークＮＴについて、どのノードＮがどのエリアＡＲに属するかという情報に基づき、分析モデルＭＤＬを構築する。また、学習部１４０は、分析モデルＭＤＬごとに互いに異なる学習アルゴリズムＡＧを用いて学習することもできる。
このように学習部１４０は、学習対象のネットワークＮＴについて、複数の互いに異なる分析モデルＭＤＬを構築して学習し、分析モデルＭＤＬ毎の学習結果を統合して推定結果（つまり、学習結果Ｌ）を得る手法、すなわち、いわゆるアンサンブル学習手法を採用している。このようにアンサンブル学習を採用することにより、情報処理装置１０は、ネットワークという構成要素の多い学習対象に対して高精度なモデル構築を可能にしている。

【0031】

評価部１５０は、既知の評価手順によって、分析モデルＭＤＬについて学習部１４０が生成した学習結果Ｌの精度評価結果ＲＳを算出する。
なお、評価部１５０は、算出した精度評価結果ＲＳを選択部１３０に出力してもよい。この場合、選択部１３０は、評価部１５０が算出する精度評価結果ＲＳに基づいて、選択する被選択学習アルゴリズムＡＧＳの種類を変更する。

【0032】

［情報処理システムの動作］
次に、情報処理システム１の動作の一例について説明する。
図５は、本実施形態の情報処理システム１の動作の一例を示す図である。
（ステップＳ１０）取得部１１０は、タグ情報ＤＴを取得する。このタグ情報ＤＴには、ユーザが指定する各種のパラメータが含まれる。

【0033】

図６は、本実施形態のタグ情報ＤＴに含まれる情報の一例を示す図である。この一例の場合、タグ情報ＤＴには、ノードＮの識別情報（識別情報ＮＩＤ）と、エリアＡＲの識別情報（エリア情報ＤＡＲ）との組み合わせ（マッピング）を示す情報が、パラメータとして含まれている。この識別情報ＮＩＤとエリア情報ＤＡＲとの組み合わせのことを、マッピングともいう。識別情報ＮＩＤとエリア情報ＤＡＲとの組み合わせの種類ごとにマッピングＩＤが与えられる。この一例では、マッピングＩＤ＿Ｍ０１～マッピングＩＤ＿Ｍ０４までの４種類のマッピング情報が、タグ情報ＤＴとして与えられている。

【0034】

（ステップＳ２０）図５に戻り、抽出部１２０は、データ蓄積部３０に蓄積されているネットワーク状態情報ＤＮＴの中から、学習対象情報ＤＬＴを抽出する。より具体的には、抽出部１２０は、ステップＳ１０において取得されたタグ情報ＤＴに基づいて、データ蓄積部３０に蓄積されているネットワーク状態情報ＤＮＴの中から、タグ情報ＤＴに含まれるパラメータに合致するネットワーク状態情報ＤＮＴを、学習対象情報ＤＬＴとして抽出する。
例えば、抽出部１２０は、図６に示した、マッピングＩＤ＿Ｍ０１が示すノードＮとエリアＡＲの組み合わせ（つまり、「ノードＡ・エリア１」「ノードＢ・エリア２」「ノードＣ・エリア３」…）についてのネットワーク状態情報ＤＮＴを、学習対象情報ＤＬＴとして抽出する。

【0035】

（ステップＳ３０）選択部１３０は、複数種類の学習アルゴリズムＡＧから、抽出部１２０が抽出する学習対象情報ＤＬＴに応じた種類の学習アルゴリズムＡＧを選択する。

【0036】

図７は、本実施形態の選択部１３０による学習アルゴリズムＡＧの選択結果の一例を示す図である。この一例では、選択部１３０は、マッピングＩＤ＿Ｍ０１について、「ノードＡ・エリア１」に対して学習アルゴリズムＡＧ＿αを、「ノードＢ・エリア２」に対して学習アルゴリズムＡＧ＿βを、「ノードＣ・エリア３」に対して学習アルゴリズムＡＧ＿γを、それぞれ選択する。

【0037】

また、選択部１３０は、それぞれのマッピングについて、学習アルゴリズムＡＧの選択結果が相違するようにして、学習アルゴリズムＡＧをそれぞれ選択する。例えば、選択部１３０は、マッピングＩＤ＿Ｍ０１について、「ノードＡ・エリア１」に対して学習アルゴリズムＡＧ＿αを、「ノードＢ・エリア２」に対して学習アルゴリズムＡＧ＿βを、「ノードＣ・エリア３」に対して学習アルゴリズムＡＧ＿γを、学習ＩＤ＿Ｌ１１として選択する。また、選択部１３０は、マッピングＩＤ＿Ｍ０１について、「ノードＡ・エリア１」に対して学習アルゴリズムＡＧ＿αを、「ノードＢ・エリア２」に対して学習アルゴリズムＡＧ＿γを、「ノードＣ・エリア３」に対して学習アルゴリズムＡＧ＿βを、学習ＩＤ＿Ｌ１２として選択する。この一例の場合、学習ＩＤ＿Ｌ１１と学習ＩＤ＿Ｌ１２とでは、「ノードＢ・エリア２」及び「ノードＣ・エリア３」に対する学習アルゴリズムＡＧの選択結果が相違している。

【0038】

（ステップＳ４０）学習部１４０は、ステップＳ３０において選択された学習アルゴリズムＡＧとに基づいて、ステップＳ２０において抽出された学習対象情報ＤＬＴに対する学習を行う。学習部１４０は、学習結果としての分析モデルを出力する。
（ステップＳ５０）評価部１５０は、学習部１４０による学習結果についての精度評価を行い、その結果を精度評価結果ＲＳとして出力する。

【0039】

図８は、本実施形態の評価部１５０による精度評価の結果の一例を示す図である。同図に示すように、評価部１５０は、ステップＳ３０における選択結果ごと、すなわち学習ＩＤごとに精度評価を行い、精度評価結果ＲＳを出力する。

【0040】

なお、選択部１３０は、それぞれの学習結果について、評価部１５０による精度評価結果ＲＳが比較的高い学習結果については学習アルゴリズムＡＧの選択が妥当であると判定し、評価部１５０による精度評価結果ＲＳが比較的低い学習結果については学習アルゴリズムＡＧの選択が妥当でないと判定する。選択部１３０は、学習アルゴリズムＡＧの選択が妥当でないと判定した学習結果については、選択する学習アルゴリズムＡＧを変更する。この場合、学習部１４０は、選択部１３０が選択を変更した後の学習アルゴリズムＡＧによって再度、学習を行う。

【0041】

［実施形態のまとめ］
以上説明したように、情報処理システム１は、疑似ネットワーク２２０にネットワーク障害を発生させることにより、稼働中の実ネットワークでは得られない程度の網羅的なネットワーク状態情報ＤＮＴを得ることができる。すなわち、情報処理システム１によれば、学習対象のネットワーク状態情報ＤＮＴを十分な量かつ十分に細かい粒度にして得ることができる。したがって、情報処理システム１によれば、ネットワーク障害についての学習結果である分析モデルの精度を高めることができる。

【0042】

また、このように構成された情報処理システム１によれば、アンサンブル学習を行うことにより、複数の分析モデルＭＤＬを組み合わせた高精度な推定（例えば、障害原因推定）を行うことができる。

【0043】

以上、本発明の実施形態及びその変形を説明したが、これらの実施形態及びその変形は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態及びその変形は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態及びその変形は、発明の範囲や要旨に含まれると同時に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

【0044】

なお、上述の各装置は内部にコンピュータを有している。そして、上述した各装置の各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。

【0045】

また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。
さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。

【符号の説明】

【0046】

１…情報処理システム、１０…情報処理装置、１１０…取得部、１２０…抽出部、１３０…選択部、１４０…学習部、１５０…評価部、２０…障害シミュレーション装置、２１０…障害発生部、２２０…疑似ネットワーク、３０…データ蓄積部、４０…学習アルゴリズム記憶部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】