特許 7377678 異常検知モデル学習装置、異常検知モデル及び異常検知装置

(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】2023-11-01

(45)【発行日】2023-11-10

(54)【発明の名称】異常検知モデル学習装置、異常検知モデル及び異常検知装置

(51)【国際特許分類】

   H04W 24/02 20090101AFI20231102BHJP

   G06N 3/08 20230101ALI20231102BHJP

   H04W 24/08 20090101ALI20231102BHJP

   H04W 88/18 20090101ALI20231102BHJP

【ＦＩ】

H04W24/02

G06N3/08

H04W24/08

H04W88/18

【請求項の数】 8

(21)【出願番号】P 2019205516

(22)【出願日】2019-11-13

(65)【公開番号】P2021078076

(43)【公開日】2021-05-20

【審査請求日】2022-11-01

(73)【特許権者】

【識別番号】392026693

【氏名又は名称】株式会社ＮＴＴドコモ

(74)【代理人】

【識別番号】100088155

【弁理士】

【氏名又は名称】長谷川 芳樹

(74)【代理人】

【識別番号】100113435

【弁理士】

【氏名又は名称】黒木 義樹

(74)【代理人】

【識別番号】100121980

【弁理士】

【氏名又は名称】沖山 隆

(74)【代理人】

【識別番号】100128107

【弁理士】

【氏名又は名称】深石 賢治

(72)【発明者】

【氏名】塩津 晃明

(72)【発明者】

【氏名】木村 竜也

(72)【発明者】

【氏名】鈴木 将友

(72)【発明者】

【氏名】稲垣 由朋

(72)【発明者】

【氏名】柴田 精司

【審査官】鈴木 重幸

(56)【参考文献】

【文献】米国特許出願公開第２０１９／０３３４７８４（ＵＳ，Ａ１）

【文献】国際公開第２０１９／０８７９８７（ＷＯ，Ａ１）

【文献】乾 稔 Minoru Inui，２００９年度人工知能学会全国大会（第２３回）論文集 ［ＣＤ－ＲＯＭ］ Proceedings of the 23<SP>rd</SP> Annual Conference of JSAI, 2009，2009年06月19日

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０４Ｂ ７／２４－ ７／２６

Ｈ０４Ｗ ４／００－９９／００

Ｇ０６Ｎ ３／０８

３ＧＰＰ ＴＳＧ ＲＡＮ ＷＧ１－４

ＳＡ ＷＧ１－４

ＣＴ ＷＧ１，４

(57)【特許請求の範囲】

【請求項1】

移動体通信網の基地局における通信の異常を検知するための異常検知モデルを機械学習により生成する異常検知モデル学習装置であって、
前記異常検知モデルは、次元削減アルゴリズムを含み、
前記基地局における通信が正常であるときの前記基地局ごとの通信状態を示す少なくとも１項目以上の通信状態情報に基づいて、学習用の入力データを生成する学習用入力データ生成部と、
前記入力データを前記次元削減アルゴリズムに入力し、前記次元削減アルゴリズムからの出力データと前記入力データとに基づいて、前記次元削減アルゴリズムのパラメータを更新して前記異常検知モデルの学習を行うモデル学習部と、
を備え、
前記学習用入力データ生成部は、各基地局が所定の故障状態に該当していた期間を示す故障情報を参照して、故障状態に該当していなかった期間における前記通信状態情報に基づいて，前記学習用の入力データを生成する、
異常検知モデル学習装置。

【請求項2】

前記学習用入力データ生成部は、前記通信状態情報に示される前記通信状態の発生時に対応する時刻を示す日時情報を前記入力データに含ませる、
請求項１に記載の異常検知モデル学習装置。

【請求項3】

前記学習用入力データ生成部は、前記通信状態情報に示される前記通信状態の発生日が、休日及び祝日に該当するか否かを示す休祝日情報を前記入力データに含ませる、
請求項１または２に記載の異常検知モデル学習装置。

【請求項4】

前記異常検知モデルは、ニューラルネットワークを含むオートエンコーダにより構成され、
前記モデル学習部は、前記入力データに対する前記出力データの誤差に基づいて、前記ニューラルネットワークのパラメータを更新する、
請求項１～３のいずれか一項に記載の異常検知モデル学習装置。

【請求項5】

前記入力データは、前記基地局における通信データ量、接続端末数、通信成功率のうちの少なくとも一つを含む、
請求項１～４のいずれか一項に記載の異常検知モデル学習装置。

【請求項6】

移動体通信網の基地局における通信の異常を検知するための、コンピュータを機能させ機械学習による学習済みの異常検知モデルであって、
次元削減アルゴリズム、及び
誤差判定部、を含み、
前記次元削減アルゴリズムは、通信が正常であるときの各基地局の通信状態を示す少なくとも１項目以上の通信状態情報に基づいて生成された入力データを当該次元削減アルゴリズムに対する入力とし、当該次元削減アルゴリズムからの出力データと前記入力データとに基づいて前記次元削減アルゴリズムのパラメータを更新する機械学習により構築され、
前記誤差判定部は、前記出力データの前記入力データに対する誤差が所定の閾値を超えるか否かを判定し、前記誤差が前記所定の閾値を超える場合に、前記基地局の通信に異常があることを示す異常情報を検知結果として出力し、
前記入力データは、各基地局が所定の故障状態に該当していた期間を示す故障情報の参照により、故障状態に該当していなかった期間における前記通信状態情報に基づいて生成される、
学習済みの異常検知モデル。

【請求項7】

移動体通信網の基地局における通信の異常を、学習済みの異常検知モデルを用いて検知する異常検知装置であって、
前記異常検知モデルは、コンピュータを機能させるためのモデルであって、
次元削減アルゴリズム、及び
誤差判定部、を含み、
前記次元削減アルゴリズムは、通信が正常であるときの各基地局の通信状態を示す少なくとも１項目以上の通信状態情報に基づいて生成された入力データを当該次元削減アルゴリズムに対する入力とし、当該次元削減アルゴリズムからの出力データと前記入力データとに基づいて前記次元削減アルゴリズムのパラメータを更新する機械学習により構築され、
前記誤差判定部は、前記出力データの前記入力データに対する誤差が所定の閾値を超えるか否かを判定し、前記誤差が前記所定の閾値を超える場合に、前記基地局の通信に異常があることを示す異常情報を検知結果として出力し、
前記異常検知装置は、
各基地局における通信状態を示す少なくとも１項目以上の通信状態情報に基づいて異常検知対象の入力データを生成する異常検知対象入力データ生成部と、
前記異常検知対象の前記入力データを前記異常検知モデルに入力して、前記異常検知モデルから出力された前記検知結果を取得する異常検知部と、
前記検知結果における異常情報に基づいて、対応する前記基地局に異常があることを判定する判定部と、を備え、
前記判定部は、前記異常情報を含む前記検知結果が予め設定された所定回数取得された場合に、対応する前記基地局に異常があることを判定する、
異常検知装置。

【請求項8】

移動体通信網の基地局における通信の異常を、学習済みの異常検知モデルを用いて検知する異常検知装置であって、
前記異常検知モデルは、コンピュータを機能させるためのモデルであって、
次元削減アルゴリズム、及び
誤差判定部、を含み、
前記次元削減アルゴリズムは、通信が正常であるときの各基地局の通信状態を示す少なくとも１項目以上の通信状態情報に基づいて生成された入力データを当該次元削減アルゴリズムに対する入力とし、当該次元削減アルゴリズムからの出力データと前記入力データとに基づいて前記次元削減アルゴリズムのパラメータを更新する機械学習により構築され、
前記誤差判定部は、前記出力データの前記入力データに対する誤差が所定の閾値を超えるか否かを判定し、前記誤差が前記所定の閾値を超える場合に、前記基地局の通信に異常があることを示す異常情報を検知結果として出力し、
前記異常検知装置は、
各基地局における通信状態を示す少なくとも１項目以上の通信状態情報に基づいて異常検知対象の入力データを生成する異常検知対象入力データ生成部と、
前記異常検知対象の前記入力データを前記異常検知モデルに入力して、前記異常検知モデルから出力された前記検知結果を取得する異常検知部と、
前記検知結果における異常情報に基づいて、対応する前記基地局に異常があることを判定する判定部と、を備え、
前記判定部は、所定時間内における前記検知結果の情報の全体の数に占める前記異常情報を含む前記検知結果の情報の数が、予め設定された割合を超える場合に、対応する前記基地局に異常があることを判定する、
異常検知装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、異常検知モデル学習装置、異常検知モデル及び異常検知装置に関する。

【背景技術】

【0002】

移動体通信網を構成する装置の信頼性を確保することが望まれている。移動体通信網を構成する装置の一つである基地局は、通信サービスを利用可能とする無線エリアをモバイル端末に提供する装置であるので、基地局において異常が発生した場合には、通信サービスの提供が停止することがないように、速やかに必要な措置が採られることが好ましい。一般的な基地局の保守においては、基地局から発せられるアラームを、例えば基地局を管理する管理装置が受信し、そのアラームに基づいて対象の基地局及び異常内容を特定し、特定された内容に応じた措置が実施される。アラームは、各基地局において予め定義された事象が検知された場合に発せられる。また、基地局等の装置において、アラームに現れない異常及び障害が発生する場合がある。このような異常は、サイレント異常と称される。サイレント異常の検知を目的として、基地局における所定の制御処理の成功率等の事象に対して閾値を設定し、当該事象が閾値を超えたことに基づいて異常発生を判定する技術が知られている（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００８－２２７６１８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

アラームに現れないサイレント異常は、データ転送時におけるパケット損失及び転送遅延等の通信状態に現れる。サイレント異常のようなアラームに現れない異常を適切に検知することは、通信サービスの提供が停止することを防止するために、非常に重要である。特許文献１に記載されているような、通信に関する所定事象に閾値を設定して異常を検知する方法では、適切な閾値を設定する必要がある。しかしながら、通信状態の傾向は、地域及び時間帯等により大きく異なり、その相違が考慮された適切な閾値を設定することは非常に困難である。

【0005】

そこで、本発明は、上記問題点に鑑みてなされたものであり、基地局から発せられるアラームに現れない異常を適切に検知することを目的とする。

【課題を解決するための手段】

【0006】

上記課題を解決するために、本発明の一形態に係る異常検知モデル学習装置は、移動体通信網の基地局における通信の異常を検知するための異常検知モデルを機械学習により生成する異常検知モデル学習装置であって、異常検知モデルは、次元削減アルゴリズムを含み、基地局における通信が正常であるときの基地局ごとの通信状態を示す少なくとも１項目以上の通信状態情報に基づいて、学習用の入力データを生成する学習用入力データ生成部と、入力データを次元削減アルゴリズムに入力し、次元削減アルゴリズムからの出力データと入力データとに基づいて、次元削減アルゴリズムのパラメータを更新して異常検知モデルの学習を行うモデル学習部と、を備える。

【0007】

上記の形態によれば、基地局における通信が正常であるときの基地局ごとの通信状態情報に基づいて生成された学習用入力データを用いた機械学習により、通信の異常を検知可能な次元削減アルゴリズムを含む異常検知モデルが生成される。異常検知モデルでは、通信が正常であるときの入力データの特徴が学習されているので、通信に異常が発生しているときの入力データを判別できる。このように生成された異常検知モデルが異常検知の処理に供されることにより、基地局から発せられるアラームに現れない異常を適切に検知することが可能となる。

【発明の効果】

【0008】

基地局から発せられるアラームに現れない異常を適切に検知することが可能な異常検知モデル学習装置、異常検知モデル及び異常検知装置が実現される。

【図面の簡単な説明】

【0009】

【図1】本実施形態の異常検知モデル学習装置の機能的構成を示すブロック図である。

【図2】本実施形態の異常検知装置の機能的構成を示すブロック図である。

【図3】異常検知モデル学習装置及び異常検知装置のハードブロック図である。

【図4】本実施形態の異常検知モデルの構成を示すブロック図である。

【図5】異常検知モデル学習装置及び異常検知装置を含むシステムにおける全体処理を示すフローチャートである。

【図6】異常検知モデル学習装置及び異常検知装置における入力データ生成処理を示すフローチャートである。

【図7】通信状態情報に基づき生成された入力データの構成の例を示す図である。

【図8】異常検知モデル学習装置における異常検知モデル学習方法の処理内容を示すフローチャートである。

【図9】装置アラーム情報の構成の例を示す図である。

【図10】異常検知装置における異常検知方法の処理内容を示すフローチャートである。

【図11】異常検知結果記憶部に記憶された時系列の検知結果情報の例を示す図である。

【図12】異常検知モデル学習装置及び異常検知装置を含むシステムにおける初期措置処理を示すフローチャートである。

【図13】図１３（ａ）は、異常検知モデル学習プログラムの構成を示す図である。図１３（ｂ）は、異常検知プログラムの構成を示す図である。

【発明を実施するための形態】

【0010】

本発明に係る異常検知モデル学習装置、異常検知装置及び異常検知モデルの実施形態について図面を参照して説明する。なお、可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。

【0011】

図１は、異常検知モデル学習装置を含む異常検知システムの装置構成及び異常検知モデル学習装置の機能的構成を示す図である。異常検知モデル学習装置１Ａ（１）は、次元削減アルゴリズムを含む異常検知モデルを機械学習により生成する。異常検知モデルは、移動体通信網の基地局ｂにおける通信の異常を検知するためのモデルである。

【0012】

図１に示す例では、異常検知モデル学習装置１Ａは、基地局ｂからの情報を基地局管理装置ｂｃを介して取得する。基地局管理装置ｂｃは、複数の基地局ｂを制御及び管理する装置である。基地局管理装置ｂｃは、各基地局ｂから取得した通信状態を示す通信状態情報等を取得し、取得した通信状態情報等を異常検知モデル学習装置１Ａに送出する。また、基地局管理装置ｂｃは、基地局ｂを遠隔で制御することが可能であり、例えば基地局ｂに対するリセット等の措置を実施できる。なお、異常検知モデル学習装置１Ａは、基地局管理装置ｂｃを介さずに、各基地局ｂからの情報の取得及び基地局ｂに対する制御を実施できることとしてもよい。

【0013】

基地局管理装置ｂｃは、各基地局ｂから発せられたアラームを取得し、取得したアラームに関する情報を装置アラーム情報として装置アラーム記憶部３０に記憶させる。装置アラーム記憶部３０は、装置アラーム情報を記憶する記憶手段である。アラームは、各基地局ｂにおいて予め定義された異常事象が検知された場合に基地局により発せられる情報であって、異常事象が発生した基地局ｂ及び異常事象の内容の特定に供される。異常検知モデル学習装置１Ａは、装置アラーム記憶部３０に記憶された装置アラーム情報を参照できる。装置アラーム情報の内容については、後に図９を参照して後述する。

【0014】

入力データ記憶部２０Ａ（２０）は、異常検知モデルの学習に供される学習用の入力データを記憶する記憶手段である。入力データの内容については、後に図７を参照して後述する。

【0015】

異常検知モデル記憶部４０は、学習及び生成された異常検知モデルを記憶する記憶手段である。

【0016】

異常検知モデル学習装置１Ａは、図１に示されるように、通信状態情報取得部１１、学習用入力データ生成部１２、モデル学習部１３及びモデル出力部１４を備える。機能部１１～１４の詳細については後述する。

【0017】

図２は、異常検知装置を含む異常検知システムの装置構成及び異常検知モデル学習装置の機能的構成を示す図である。異常検知装置１Ｂ（１）は、移動体通信網の基地局ｂにおける通信の異常を、学習済みの異常検知モデルを用いて検知する。

【0018】

図２に示す例では、異常検知装置１Ｂは、基地局ｂからの情報を基地局管理装置ｂｃを介して取得する。基地局管理装置ｂｃは、各基地局ｂから取得した通信状態を示す通信状態情報等を取得し、取得した通信状態情報等を異常検知装置１Ｂに送出する。なお、異常検知装置１Ｂは、基地局管理装置ｂｃを介さずに、各基地局ｂからの情報の取得及び基地局ｂに対する制御を実施できることとしてもよい。

【0019】

異常検知装置１Ｂは、装置アラーム記憶部３０に記憶された装置アラーム情報を参照できる。

【0020】

入力データ記憶部２０Ｂ（２０）は、基地局の異常検知に供される入力データを記憶する記憶手段である。入力データ記憶部２０Ｂは、図１に示される入力データ記憶部２０Ａと同一の記憶部として構成されてもよい。

【0021】

異常検知結果記憶部５０は、異常検知装置１Ｂの異常検知モデルにより検知された基地局ｂの異常に関する異常検知結果の情報を記憶する記憶手段である。異常検知結果の情報については、図１１を参照して後述する。

【0022】

異常検知装置１Ｂは、図２に示されるように、通信状態情報取得部１５、異常検知対象入力データ生成部１６、異常検知部１７、判定部１８及び措置部１９を備える。機能部１５～１９の詳細については後述する。

【0023】

異常検知システム１は、異常検知モデルの学習の局面において動作する異常検知モデル学習装置１Ａの側面と、学習済みの異常検知モデルを用いて異常を検知する局面における異常検知装置１Ｂの側面とを含む。異常検知モデル学習装置１Ａ及び異常検知装置１Ｂは、図１及び図２に示されるように、それぞれが別の装置として構成されてもよいし、一体に構成されてもよい。また、異常検知モデル学習装置１Ａ及び異常検知装置１Ｂに含まれる各機能部１１～１９は、一の装置に構成されてもよいし、複数の装置に分散された構成されてもよい。また、入力データ記憶部２０Ａ（２０），２０Ｂ（２０）、装置アラーム記憶部３０、異常検知モデル記憶部４０及び異常検知結果記憶部５０はそれぞれ、異常検知モデル学習装置１Ａ及び異常検知装置１Ｂに含まれて構成されてもよいし、異常検知モデル学習装置１Ａ及び異常検知装置１Ｂと通信可能に構成された別の装置に構成されてもよい。

【0024】

なお、図１及び図２に示したブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。

【0025】

機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting unit）や送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。

【0026】

例えば、本発明の一実施の形態における異常検知モデル学習装置１Ａ及び異常検知装置１Ｂは、コンピュータとして機能してもよい。図３は、本実施形態に係る異常検知モデル学習装置１Ａ（１）及び異常検知装置１Ｂ（１）のハードウェア構成の一例を示す図である。異常検知モデル学習装置１Ａ及び異常検知装置１Ｂはそれぞれ、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。

【0027】

なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。異常検知モデル学習装置１Ａ及び異常検知装置１Ｂのハードウェア構成は、図３に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。

【0028】

異常検知モデル学習装置１Ａ及び異常検知装置１Ｂにおける各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることで、プロセッサ１００１が演算を行い、通信装置１００４による通信や、メモリ１００２及びストレージ１００３におけるデータの読み出し及び／又は書き込みを制御することで実現される。

【0029】

プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）で構成されてもよい。例えば、図１及び図２に示した各機能部１１～１９などは、プロセッサ１００１で実現されてもよい。

【0030】

また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュールやデータを、ストレージ１００３及び／又は通信装置１００４からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態で説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、異常検知モデル学習装置１Ａ及び異常検知装置１Ｂの各機能部１１～１９は、メモリ１００２に格納され、プロセッサ１００１で動作する制御プログラムによって実現されてもよい。上述の各種処理は、１つのプロセッサ１００１で実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップで実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。

【0031】

メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ＲＯＭ）、ＲＡＭ（Random Access Memory）などの少なくとも１つで構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本発明の一実施の形態に係る異常検知モデル学習方法及び異常検知方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。

【0032】

ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact Disc ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つで構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及び／又はストレージ１００３を含むデータベース、サーバその他の適切な媒体であってもよい。

【0033】

通信装置１００４は、有線及び／又は無線ネットワークを介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。

【0034】

入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。

【0035】

また、プロセッサ１００１やメモリ１００２などの各装置は、情報を通信するためのバス１００７で接続される。バス１００７は、単一のバスで構成されてもよいし、装置間で異なるバスで構成されてもよい。

【0036】

また、異常検知モデル学習装置１Ａ及び異常検知装置１Ｂは、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）、ＦＰＧＡ（Field Programmable Gate Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてもよい。

【0037】

図４は、本実施形態の異常検知モデルの構成を示すブロック図である。異常検知モデルｍｄは、次元削減アルゴリズムｍｄ１及び誤差判定部ｍｄ２を含む。
次元削減アルゴリズムｍｄ１は、通信が正常であるときの各基地局ｂの通信状態情報に基づいて生成された入力データを入力とし、次元削減アルゴリズムｍｄ１からの出力データと入力データとに基づいて、正常な通信の実施時の通信状態情報に基づく入力データの特徴が学習されるように機械学習によりパラメータが調整されて構築される。

【0038】

次元削減アルゴリズムｍｄ１は、例えば、オートエンコーダ及び主成分分析により構成されることができる。本実施形態の次元削減アルゴリズムｍｄ１は、一例としてニューラルネットワークを含むオートエンコーダにより構成される。

【0039】

オートエンコーダは、入力層に入力された入力データをエンコード（圧縮）するエンコーダと、エンコードされたデータをデコード（復元）するデコーダとからなり、デコーダから出力された出力データの入力データに対する誤差が小さくなるように、誤差逆伝搬法によりエンコーダ及びデコーダの２つのニューラルネットワークのパラメータを更新する機械学習により構築される。

【0040】

オートエンコーダにより構成される学習済みの異常検知モデルｍｄでは、通信が正常であるときの通信状態情報に基づく入力データが入力された場合には、当該入力データとの誤差が小さい出力データが出力され、通信に異常があるときの通信状態情報に基づく入力データが入力された場合には、当該入力データとの誤差が大きい出力データが出力される。

【0041】

誤差判定部ｍｄ２は、次元削減アルゴリズムｍｄ１の出力層からの出力データの入力データに対する誤差が所定の閾値を超えるか否かを判定し、誤差が所定の閾値を超える場合に、基地局ｂの通信に異常があることを示す異常情報を検知結果として出力する。所定の閾値には、例えば、通信が正常であるときの通信状態情報に基づいて生成された入力データを所定数取得し、取得した入力データの各々を次元削減アルゴリズムｍｄ１に入力して得られた出力データの、対応する入力データに対する各誤差のうちの最大値を採用することができる。

【0042】

学習済みの次元削減アルゴリズムｍｄ１を含むモデルである異常検知モデルｍｄは、コンピュータにより読み込まれ又は参照され、コンピュータに所定の処理を実行させ及びコンピュータに所定の機能を実現させるプログラムとして捉えることができる。

【0043】

即ち、本実施形態の学習済みの異常検知モデルｍｄは、ＣＰＵ及びメモリを備えるコンピュータにおいて用いられる。具体的には、コンピュータのＣＰＵが、メモリに記憶された学習済みの異常検知モデルｍｄからの指令に従って、次元削減アルゴリズムｍｄ１に入力された入力データに対し、学習済みの重み付け係数（パラメータ）と応答関数等に基づく演算を行い、結果（出力データ）を出力するよう動作する。

【0044】

図５を参照して、異常検知モデル学習装置１Ａ及び異常検知装置１Ｂを含む異常検知システム１における全体処理の一例を説明する。

【0045】

ステップＳ１において、異常検知システム１は、前回の入力データ生成処理から予め設定された時間であるｎ分が経過したか否かを判定する。ｎ分が経過したと判定された場合には処理はステップＳ２に進み、ｎ分が経過したと判定されなかった場合にはステップＳ１の判定処理がくり返される。

【0046】

ステップＳ２において、入力データ生成処理が実施される。入力データ生成処理は、学習用入力データ生成部１２または異常検知対象入力データ生成部１６により実施され、その処理内容は後に詳述される。

【0047】

ステップＳ３において、異常検知システム１は、前回のモデル学習処理または異常検知処理から予め設定された時間であるｍ分が経過したか否かを判定する。なお、ｍはｎ以上の値に設定される。ｍ分が経過したと判定された場合には、処理はステップＳ４に進む。ｍ分が経過したと判定されなかった場合には、処理はステップＳ１に戻る。

【0048】

ステップＳ４において、異常検知システム１は、異常検知モデルｍｄが生成済みであり、異常検知モデルｍｄが異常検知モデル記憶部４０に記憶されているか否かを判定する。異常検知モデルｍｄが生成済みであると判定された場合には、処理はステップＳ５に進む。一方、異常検知モデルｍｄが生成済みであると判定されなかった場合には、処理はステップＳ６に進む。

【0049】

ステップＳ５において、異常検知システム１は、異常検知装置１Ｂとして、異常検知処理を実施し、その後に処理はステップＳ７に進められる。

【0050】

一方、ステップＳ６において、異常検知システム１は、異常検知モデル学習装置１Ａとして、モデル学習処理を実施し、その後に処理はステップＳ１に戻る。

【0051】

ステップＳ７において、異常検知装置１Ｂは、異常検知処理において、異常判定があったか否かを判定する。異常判定があった場合には処理はステップＳ８に進む。一方、異常判定がなかった場合には処理はステップＳ１に戻る。

【0052】

ステップＳ８において、異常検知装置１Ｂは、初期措置処理を実施する。初期措置処理は、異常が検知された基地局ｂに対する予め設定された措置であって、例えば、当該基地局ｂの初期化等が実施される。

【0053】

再び図１等を参照して、異常検知モデル学習装置１Ａの機能部を説明する。通信状態情報取得部１１は、基地局ｂごとの通信状態を示す少なくとも１項目以上の通信状態情報を取得する。本実施形態では、通信状態情報取得部１１は、基地局管理装置ｂｃから通信状態情報を取得する。

【0054】

学習用入力データ生成部１２は、基地局ｂにおける通信が正常であるときの基地局ｂごとの通信状態情報に基づいて、学習用の入力データを生成する。

【0055】

図６及び図７を参照しながら、通信状態情報の取得及び入力データの生成について説明する。図６は、入力データ生成処理を示すフローチャートである。図９は、装置アラーム情報の構成の例を示す図である。図７は、通信状態情報に基づき生成された入力データの構成の例を示す図である。

【0056】

ステップＳ１１において、通信状態情報取得部１１は、監視対象の全ての基地局の通信状態情報を取得する。通信状態情報は、例えば、基地局ｂにおけるデータ転送のデータ量、接続端末数及び通信成功率等の当業者に周知の情報を含む。

【0057】

ステップＳ１２において、学習用入力データ生成部１２は、通信状態情報を所定の統計処理により集計する。通信状態情報の集計は、例えば、セクタ単位及び１時間ごとの平均値の算出、合計値の算出及び所定データの出現頻度の集計等の手法により行われる。

【0058】

ステップＳ１３において、学習用入力データ生成部１２は、必要に応じて集計された通信状態情報に日時情報及び休祝日情報を付与して入力データを生成する。
日時情報は、通信状態情報に示される通信状態が発生時に対応する時刻及び日を示す情報である。休祝日情報は、通信状態情報に示される通信状態の発生日が、休日または祝日に該当するか否かの属性を示す情報である。

【0059】

ステップＳ１４において、学習用入力データ生成部１２は、生成した入力データを学習用の入力データとして入力データ記憶部２０Ａに記憶させる。図７に示されるように、入力データは、基地局ｂを識別する基地局ＩＤ、休祝日情報、日時情報及び通信状態情報を含む。入力データに含まれる通信状態情報は、図７に例示されたものに限定されない。

【0060】

図５を参照して説明したように、通信状態情報は、所定時間（例えばｎ分）ごとに取得される情報であって、通信状態情報自体は、日、時刻及び曜日等の情報を含まない。本実施形態では、学習用入力データ生成部１２が、通信状態情報に日時情報及び休祝日情報を付与して入力データを生成するので、日、時間及び曜日の概念を通信状態の特徴として異常検知モデルに学習させることが可能となる。

【0061】

モデル学習部１３は、入力データを次元削減アルゴリズムｍｄ１に入力し、次元削減アルゴリズムｍｄ１から出力される出力データと入力データとに基づいて、次元削減アルゴリズムｍｄ１のパラメータを更新して異常検知モデルの学習を行う。図８及び図９を参照して、モデル学習処理を詳細に説明する。図８は、異常検知モデル学習装置における異常検知モデル学習方法の処理内容を示すフローチャートである。図９は、装置アラーム情報の構成の例を示す図である。

【0062】

ステップＳ２１において、取得する入力データが属する期間を設定するための変数ｃｏｕｎｔに“０”を設定する。

【0063】

ステップＳ２２において、モデル学習部１３は、入力データ記憶部２０Ａを参照して、モデル学習処理の実施日の前日から（ｃｏｕｎｔ＋１）＊ｘ日前までの期間に属する入力データの取得を試みる。

【0064】

ステップＳ２３において、モデル学習部１３は、ステップＳ２２において取得を試みた入力データがあるか否かを判定する。入力データがあると判定された場合には、処理はステップＳ２４に進む。一方、入力データがあると判定されなかった場合には、処理は終了する。

【0065】

ステップＳ２４において、モデル学習部１３は、所定の異常状態に該当していない入力データを抽出する即ち、モデル学習部１３は、基地局における通信が正常であるときの通信状態情報に基づく入力データを、異常検知モデルの学習に用いる。例えば、モデル学習部１３は、装置アラーム記憶部３０に記憶された装置アラーム情報を参照して、基地局ｂにおける予め定義されたアラームの発生状況を取得して、アラーム発生時以外の期間における通信状態情報に基づく入力データを学習用入力データとして取得する。

【0066】

図９に示されるように、装置アラーム情報は、基地局ｂを識別する基地局ＩＤ、故障開始時刻、故障終了時刻及び異常検知フラグ等を含む。故障開始時刻及び故障終了時刻は、基地局ＩＤにより識別される基地局において、所定のアラームとして取得された故障または異常検知装置１Ｂにより検知された異常の発生時刻及び終了時刻であって、基地局管理装置ｂｃまたは異常検知装置１Ｂにより記録される。異常検知フラグは、当該装置アラーム情報が、異常検知装置１Ｂにより検知された異常に起因することを示すフラグである。

【0067】

モデル学習部１３は、各基地局ｂの装置アラーム情報の故障開始時刻及び故障終了時刻に基づいて、各基地局ｂが故障状態に該当していた期間を認識し、通信状態の発生時が故障状態に該当していなかった通信状態情報に基づく入力データを、通信が正常であるときの学習用の入力データとして取得する。

【0068】

モデル学習部１３は、ステップＳ２４における抽出の結果として、ｘ日分以上の入力データがモデル作成に使用可能か否かを判定する。モデル作成に使用可能な入力データが十分である場合には、処理はステップＳ２７に進む。一方、モデル作成に使用可能な入力データが十分ではない場合には、処理はステップＳ２６に進む。

【0069】

ステップＳ２６において、モデル学習部１３は、変数ｃｏｕｎｔをインクリメントする。

【0070】

ステップＳ２７において、モデル学習部１３は、入力データを用いて、異常検知モデルｍｄの学習処理を実施する。異常検知モデルｍｄがオートエンコーダにより構成される場合には、モデル学習部１３は、入力データに対する出力データの誤差に基づいて、オートエンコーダからなる次元削減アルゴリズムｍｄ１のパラメータを更新する。具体的には、モデル学習部１３は、入力データを次元削減アルゴリズムｍｄ１を構成するニューラルネットワークの入力層に入力し、出力層から出力される出力データと入力データとの復元誤差を求め、誤差が小さくなるように誤差逆伝搬法により次元削減アルゴリズムｍｄ１を構成するニューラルネットワークのパラメータ（重み）を調整する。

【0071】

モデル出力部１４は、モデル学習部１３により学習された異常検知モデルｍｄを異常検知モデル記憶部４０に記憶させる。

【0072】

再び図２等を参照して、異常検知装置１Ｂの各機能部について説明する。通信状態情報取得部１５は、基地局ｂごとの通信状態を示す少なくとも１項目以上の通信状態情報を取得する。本実施形態では、通信状態情報取得部１５は、基地局管理装置ｂｃから通信状態情報を取得する。

【0073】

異常検知対象入力データ生成部１６は、通信状態情報に基づいて異常検知対象の入力データを生成する。異常検知対象入力データ生成部１６における入力データの生成処理は、学習用入力データ生成部１２における入力データの生成処理と同様である。即ち、異常検知対象入力データ生成部１６は、通信状態情報取得部１５により取得された通信状態情報に対して必要に応じて所定の統計処理を実施し、日時情報及び休祝日情報等を付与して入力データを生成し、入力データ記憶部２０Ｂに記憶させる。

【0074】

異常検知部１７は、異常検知対象の入力データを異常検知モデルｍｄに入力して、異常検知モデルｍｄから出力された検知結果を取得する。判定部１８は、検知結果における異常情報に基づいて、対応する基地局ｂに異常があることを判定する。以下、図１０及び図１１を参照して、異常検知部１７及び判定部１８における異常検知処理を説明する。

【0075】

ステップＳ３１において、異常検知部１７は、異常検知対象の基地局ｂについて生成された学習済みの異常検知モデルｍｄを異常検知モデル記憶部４０から取得する。また、異常検知部１７は、異常検知対象の基地局ｂの通信状態情報に基づいて生成された入力データを入力データ記憶部２０Ｂから取得する。

【0076】

ステップＳ３２において、異常検知部１７は、入力データを異常検知モデルｍｄに入力する。

【0077】

ステップＳ３３において、異常検知部１７は、異常検知モデルｍｄから出力された検知結果に基づき、異常の有無を判定する。具体的には、異常検知モデルｍｄの誤差判定部ｍｄ２は、出力データの入力データに対する誤差が所定の閾値を超えるか否かを判定し、誤差が所定の閾値を超える場合に、異常検知対象の基地局ｂの通信に異常があることを示す異常情報を検知結果として出力する。異常検知部１７は、検知結果を示す検知結果情報を異常検知結果記憶部５０に記録する。

【0078】

図１１は、異常検知結果記憶部５０に記録された検知結果情報の例を示す図である。図１１に示すように、検知結果情報は、時刻、基地局ＩＤ及び異常検知結果等の項目を含む。異常検知結果は、異常情報としての検知結果を示すフラグである。

【0079】

ステップＳ３４において、異常検知部１７は、検知結果において入力データに異常があることが示されているか否かを判定する。異常があると判定された場合には、処理はステップＳ３５に進む。一方、異常があると判定されなかった場合には、処理はステップＳ３８に進む。

【0080】

ステップＳ３５において、判定部１８は、検知結果における異常情報に基づいて、異常検知対象の基地局ｂに異常があることを判定（最終判定）する。具体的には、判定部１８は、異常情報を含む検知結果が予め設定された所定回数取得された場合に、対応する基地局ｂに異常があることを判定する。異常情報を含む検知結果の取得に関する所定回数は、例えば、２回及び３回等とすることができるが、この回数は限定されない。

【0081】

具体的には、判定部１８は、異常検知結果記憶部５０に記録された検知結果情報を参照する。基地局ｂに異常があることを判定するための異常情報を含む検知結果の取得に関する所定回数が３回である場合において、図１１に示される検知結果情報が参照された場合には、判定部１８は、時刻ｔ５において、時刻ｔ３～ｔ５における３回の連続する異常情報を含む検知結果が取得されたときに、基地局「ｂ１」に異常が発生していることの最終判定を行う。

【0082】

このように、異常検知モデルｍｄによる異常の検知が所定回数に満たない場合には、基地局ｂに異常があることの判定がされないので、異常の誤検出が防止される。

【0083】

また、判定部１８は、所定時間内における検知結果の情報の全体の数に占める異常情報を含む検知結果の情報の数が、予め設定された割合を超える場合に、対応する基地局に異常があることを判定する。異常情報を含む検知結果の取得に関する所定の割合は、例えば５０％とすることができるが、この割合には限定されない。これにより、異常検知モデルｍｄによる異常の検知が所定割合に満たない場合には、基地局ｂに異常があることの判定がされないので、異常の誤検出が防止される。

【0084】

ステップＳ３６において、判定部１８は、異常検知対象の基地局ｂの異常の有無を判定する。異常があると判定された場合には、処理はステップＳ３７に進む。一方、異常があると判定されなかった場合には、処理はステップＳ３８に進む。

【0085】

ステップＳ３７において、措置部１９は、異常が検知された基地局ｂに対する初期措置を実施する。措置部１９による初期措置処理については、図１２を参照して後述する。

【0086】

ステップＳ３８において、異常検知部１７は、異常検知対象の基地局ｂに関する装置アラーム情報（図９参照）を参照する。ステップＳ３９において、異常検知部１７は、異常検知フラグがＯＮであり、且つ、故障終了時間がブランクの装置アラーム情報の有無を判定する。かかる装置アラーム情報があると判定された場合には、処理はステップＳ４０に進む。一方、そのような装置アラーム情報があると判定されなかった場合には処理は終了する。

【0087】

ステップＳ３４またはステップＳ３６において異常があると判定されなかった場合には、異常検知対象の基地局ｂに異常が発生していないことを意味するので、ステップＳ４０において、異常検知部１７は、対象の基地局ｂの装置アラーム情報の故障終了時間に現在時刻を設定する。

【0088】

ステップＳ３７において、措置部１９は、前述のとおり、異常が検知された基地局ｂに対する初期措置を実施する。図１２は、初期措置処理の内容を示すフローチャートである。

【0089】

ステップＳ５１において、措置部１９は、対象の基地局ｂの装置アラーム情報を参照する。

【0090】

ステップＳ５２において、措置部１９は、異常検知フラグがＯＮであり、且つ、故障終了時間がブランクの装置アラーム情報がないか否かを判定する。かかる装置アラーム情報ないと判定された場合には、処理はステップＳ５３に進む。一方、そのような装置アラーム情報ないと判定されなかった場合には、処理は終了する。

【0091】

ステップＳ５３において、措置部１９は、対象の基地局ｂに対する所定の措置を実施する。所定の措置は、異常回復のための措置であって、基地局ごとに予め設定されており、例えば、当該基地局に対するリセット（初期化）等が実施される。なお、本実施形態では、各基地局ｂに対する初期措置は、基地局管理装置ｂｃを介して実施される。

【0092】

ステップＳ５４において、措置部１９は、異常検知フラグがＯＮであり、且つ、現在時刻を故障開始時刻とする装置アラーム情報を、対象の基地局ｂを示す基地局ＩＤと共に、新規に装置アラーム記憶部３０に登録する。

【0093】

次に、図１３を参照して、コンピュータを、本実施形態の異常検知モデル学習装置１Ａとして機能させるための異常検知モデル学習プログラム、及び、異常検知装置１Ｂとして機能させるための異常検知プログラムについて説明する。

【0094】

図１３（ａ）は、異常検知モデル学習プログラムの構成を示す図である。異常検知モデル学習プログラムＰ１Ａは、異常検知モデル学習装置１Ａにおける異常検知モデル学習処理を統括的に制御するメインモジュールｍ１０Ａ、通信状態情報取得モジュールｍ１１、学習用入力データ生成モジュールｍ１２、モデル学習モジュールｍ１３及びモデル出力モジュールｍ１４を備えて構成される。そして、各モジュールｍ１１～ｍ１４により、通信状態情報取得部１１、学習用入力データ生成部１２、モデル学習部１３及びモデル出力部１４のための各機能が実現される。

【0095】

なお、異常検知モデル学習プログラムＰ１Ａは、通信回線等の伝送媒体を介して伝送される態様であってもよいし、図１３（ａ）に示されるように、記録媒体Ｍ１Ａに記憶される態様であってもよい。

【0096】

図１３（ｂ）は、異常検知プログラムの構成を示す図である。異常検知プログラムＰ１Ｂは、異常検知装置１Ｂにおける異常検知処理を統括的に制御するメインモジュールｍ１０Ｂ、通信状態情報取得モジュールｍ１５、異常検知対象入力データ生成モジュールｍ１６、異常検知モジュールｍ１７、判定モジュールｍ１８及び措置モジュールｍ１９を備えて構成される。そして、各モジュールｍ１５～ｍ１９により、通信状態情報取得部１５、異常検知対象入力データ生成部１６、異常検知部１７、判定部１８及び措置部１９のための各機能が実現される。

【0097】

なお、異常検知プログラムＰ１Ｂは、通信回線等の伝送媒体を介して伝送される態様であってもよいし、図１３（ｂ）に示されるように、記録媒体Ｍ１Ｂに記憶される態様であってもよい。

【0098】

以上説明した本実施形態の異常検知モデル学習装置１Ａ、異常検知モデル学習方法、異常検知装置１Ｂ、異常検知方法、異常検知モデルｍｄ、異常検知モデル学習プログラムＰ１Ａ及び異常検知プログラムＰ１Ｂによれば、基地局ｂにおける通信が正常であるときの基地局ｂごとの通信状態情報に基づいて生成された学習用入力データを用いた機械学習により、通信の異常を検知可能な次元削減アルゴリズムｍｄ１を含む異常検知モデルｍｄが生成される。異常検知モデルｍｄでは、通信が正常であるときの入力データの特徴が学習されているので、通信に異常が発生しているときの入力データを判別できる。このように生成された異常検知モデルｍｄが異常検知の処理に供されることにより、基地局ｂから発せられるアラームに現れない異常を適切に検知することが可能となる。

【0099】

また、別の形態に係る異常検知モデル学習装置では、学習用入力データ生成部は、通信状態情報に示される通信状態の発生時に対応する時刻を示す日時情報を入力データに含ませることとしてもよい。

【0100】

上記形態によれば、学習用の入力データに日時情報が含まれるので、日時により異なる傾向を示す通信の状態が考慮された異常検知モデルの生成が可能となる。

【0101】

また、別の形態に係る異常検知モデル学習装置では、学習用入力データ生成部は、通信状態情報に示される通信状態の発生日が、休日及び祝日に該当するか否かを示す休祝日情報を入力データに含ませることとしてもよい。

【0102】

上記形態によれば、学習用の入力データに休祝日情報が含まれるので、休日及び祝日といった日毎の属性により異なる傾向を示す通信の状態が考慮された異常検知モデルの生成が可能となる。

【0103】

また、別の形態に係る異常検知モデル学習装置では、学習用入力データ生成部は、各基地局が所定の故障状態に該当していた期間を示す故障情報を参照して、故障状態に該当していなかった期間における通信状態情報に基づいて，学習用の入力データを生成することとしてもよい。

【0104】

上記形態によれば、基地局における通信が正常であるときの基地局ごとの通信状態情報が、基地局ごとの故障情報に基づき抽出され、抽出された通信状態情報に基づいて学習用の入力データが生成される。これにより、異常検知モデルの学習に好適な入力データの生成が機能となる。

【0105】

また、別の形態に係る異常検知モデル学習装置では、異常検知モデルは、ニューラルネットワークを含むオートエンコーダにより構成され、モデル学習部は、入力データに対する出力データの誤差に基づいて、ニューラルネットワークのパラメータを更新することとしてもよい。

【0106】

上記形態によれば、通信が正常であるときの入力データの特徴が学習された異常検知モデルを、学習データとしての正解ラベルを要することなく構成することが可能となる。

【0107】

また、別の形態に係る異常検知モデル学習装置では、入力データは、基地局における通信データ量、接続端末数、通信成功率のうちの少なくとも一つを含むこととしてもよい。

【0108】

上記形態によれば、基地局における通信状態が適切に表された入力データを得ることができる。

【0109】

上記課題を解決するために、本発明の一形態に係る異常検知モデルは、移動体通信網の基地局における通信の異常を検知するための、コンピュータを機能させ機械学習による学習済みの異常検知モデルであって、次元削減アルゴリズム、及び誤差判定部、を含み、次元削減アルゴリズムは、通信が正常であるときの各基地局の通信状態を示す少なくとも１項目以上の通信状態情報に基づいて生成された入力データを当該次元削減アルゴリズムに対する入力とし、当該次元削減アルゴリズムからの出力データと入力データとに基づいて次元削減アルゴリズムのパラメータを更新する機械学習により構築され、誤差判定部は、出力データの入力データに対する誤差が所定の閾値を超えるか否かを判定し、誤差が所定の閾値を超える場合に、基地局の通信に異常があることを示す異常情報を検知結果として出力する。

【0110】

上記の形態によれば、基地局における通信が正常であるときの基地局ごとの通信状態情報に基づいて生成された学習用入力データを用いた機械学習により、通信の異常を検知可能な次元削減アルゴリズムを含む異常検知モデルが提供される。異常検知モデルでは、通信が正常であるときの入力データの特徴が学習されているので、通信に異常が発生しているときの入力データを判別できる。このように生成された異常検知モデルが異常検知の処理に供されることにより、基地局から発せられるアラームに現れない異常を適切に検知することが可能となる。

【0111】

上記課題を解決するために、本発明の一形態に係る異常検知装置は、移動体通信網の基地局における通信の異常を、学習済みの異常検知モデルを用いて検知する異常検知装置であって、異常検知モデルは、コンピュータを機能させるためのモデルであって、次元削減アルゴリズム、及び誤差判定部、を含み、次元削減アルゴリズムは、通信が正常であるときの各基地局の通信状態を示す少なくとも１項目以上の通信状態情報に基づいて生成された入力データを当該次元削減アルゴリズムに対する入力とし、当該次元削減アルゴリズムからの出力データと入力データとに基づいて次元削減アルゴリズムのパラメータを更新する機械学習により構築され、誤差判定部は、出力データの入力データに対する誤差が所定の閾値を超えるか否かを判定し、誤差が所定の閾値を超える場合に、基地局の通信に異常があることを示す異常情報を検知結果として出力し、異常検知装置は、各基地局における通信状態を示す少なくとも１項目以上の通信状態情報に基づいて異常検知対象の入力データを生成する異常検知対象入力データ生成部と、異常検知対象の入力データを異常検知モデルに入力して、異常検知モデルから出力された検知結果を取得する異常検知部と、検知結果における異常情報に基づいて、対応する基地局に異常があることを判定する判定部と、を備える。

【0112】

上記の形態によれば、基地局における通信が正常であるときの基地局ごとの通信状態情報に基づいて生成された学習用入力データを用いた機械学習により、通信の異常を検知可能な次元削減アルゴリズムを含む異常検知モデルが提供される。異常検知モデルでは、通信が正常であるときの入力データの特徴が学習されているので、通信に異常が発生しているときの入力データを判別できる。このように生成された異常検知モデルが異常検知の処理に供されることにより、基地局から発せられるアラームに現れない異常を適切に検知することが可能となる。

【0113】

また、別の形態に係る異常検知装置では、判定部は、異常情報を含む検知結果が予め設定された所定回数取得された場合に、対応する基地局に異常があることを判定することとしてもよい。

【0114】

上記形態によれば、異常検知モデルによる異常の検知が所定回数に満たない場合には、基地局に異常があることの判定がされないので、異常の誤検出が防止される。

【0115】

また、別の形態に係る異常検知装置では、判定部は、所定時間内における検知結果の情報の全体の数に占める異常情報を含む検知結果の情報の数が、予め設定された割合を超える場合に、対応する基地局に異常があることを判定することとしてもよい。

【0116】

上記形態によれば、異常検知モデルによる異常の検知が所定割合に満たない場合には、基地局に異常があることの判定がされないので、異常の誤検出が防止される。

【0117】

以上、本実施形態について詳細に説明したが、当業者にとっては、本実施形態が本明細書中に説明した実施形態に限定されるものではないということは明らかである。本実施形態は、特許請求の範囲の記載により定まる本発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本明細書の記載は、例示説明を目的とするものであり、本実施形態に対して何ら制限的な意味を有するものではない。

【0118】

本明細書で説明した各態様／実施形態は、ＬＴＥ（Long Term Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ ３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ、５Ｇ、ＦＲＡ（Future Radio Access）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra Mobile Broadband）、ＩＥＥＥ ８０２．１１（Ｗｉ－Ｆｉ）、ＩＥＥＥ ８０２．１６（ＷｉＭＡＸ）、ＩＥＥＥ ８０２．２０、ＵＷＢ（Ultra-WideBand）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及び／又はこれらに基づいて拡張された次世代システムに適用されてもよい。

【0119】

本明細書で説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本明細書で説明した方法については、例示的な順序で様々なステップの要素を提示しており、提示した特定の順序に限定されない。

【0120】

入出力された情報等は特定の場所(例えば、メモリ)に保存されてもよいし、管理テーブルで管理してもよい。入出力される情報等は、上書き、更新、または追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。

【0121】

判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：trueまたはfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。

【0122】

本明細書で説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。

【0123】

以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。

【0124】

ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。

【0125】

また、ソフトウェア、命令などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、同軸ケーブル、光ファイバケーブル、ツイストペア及びデジタル加入者回線（ＤＳＬ）などの有線技術及び／又は赤外線、無線及びマイクロ波などの無線技術を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び／又は無線技術は、伝送媒体の定義内に含まれる。

【0126】

本開示において説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。

【0127】

なお、本開示において説明した用語及び／又は本明細書の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。

【0128】

本明細書で使用する「システム」および「ネットワーク」という用語は、互換的に使用される。

【0129】

また、本明細書で説明した情報、パラメータなどは、絶対値で表されてもよいし、所定の値からの相対値で表されてもよいし、対応する別の情報で表されてもよい。

【0130】

本開示で使用する「判断(determining)」、「決定(determining)」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定(judging)、計算(calculating)、算出(computing)、処理(processing)、導出(deriving)、調査(investigating)、探索(looking up、search、inquiry)（例えば、テーブル、データベース又は別のデータ構造での探索）、確認(ascertaining)した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信(receiving)（例えば、情報を受信すること）、送信(transmitting)(例えば、情報を送信すること)、入力(input)、出力(output)、アクセス(accessing)（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決(resolving)、選択(selecting)、選定(choosing)、確立(establishing)、比較(comparing)などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。また、「判断（決定）」は、「想定する（assuming）」、「期待する（expecting）」、「みなす（considering）」などで読み替えられてもよい。

【0131】

本開示で使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。

【0132】

本明細書で「第１の」、「第２の」などの呼称を使用した場合においては、その要素へのいかなる参照も、それらの要素の量または順序を全般的に限定するものではない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本明細書で使用され得る。したがって、第１および第２の要素への参照は、２つの要素のみがそこで採用され得ること、または何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。

【0133】

「含む（include）」、「含んでいる（including）」、およびそれらの変形が、本明細書あるいは特許請求の範囲で使用されている限り、これら用語は、用語「備える(comprising)」と同様に、包括的であることが意図される。さらに、本明細書あるいは特許請求の範囲において使用されている用語「または（or）」は、排他的論理和ではないことが意図される。

【0134】

本明細書において、文脈または技術的に明らかに1つのみしか存在しない装置である場合以外は、複数の装置をも含むものとする。

【0135】

本開示の全体において、文脈から明らかに単数を示したものではなければ、複数のものを含むものとする。

【符号の説明】

【0136】

１…異常検知システム、１Ａ…異常検知モデル学習装置、１Ｂ…異常検知装置、１１…通信状態情報取得部、１２…学習用入力データ生成部、１３…モデル学習部、１４…モデル出力部、１５…通信状態情報取得部、１６…異常検知対象入力データ生成部、１７…異常検知部、１８…判定部、１９…措置部、２０，２０Ａ，２０Ｂ…入力データ記憶部、３０…装置アラーム記憶部、４０…異常検知モデル記憶部、５０…異常検知結果記憶部、ｂ…基地局、ｂｃ…基地局管理装置、ｍ１１…通信状態情報取得モジュール、ｍ１２…学習用入力データ生成モジュール、ｍ１３…モデル学習モジュール、ｍ１４…モデル出力モジュール、ｍ１５…通信状態情報取得モジュール、ｍ１６…異常検知対象入力データ生成モジュール、ｍ１７…異常検知モジュール、ｍ１８…判定モジュール、ｍ１９…措置モジュール、Ｍ１Ａ，Ｍ１Ｂ…記録媒体、ｍｄ…異常検知モデル、ｍｄ１…次元削減アルゴリズム、ｍｄ２…誤差判定部、Ｐ１Ａ…異常検知モデル学習プログラム、Ｐ１Ｂ…異常検知プログラム。

【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】