特許 7524492 通信管理装置および通信管理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-07-19

(45)【発行日】2024-07-29

(54)【発明の名称】通信管理装置および通信管理方法

(51)【国際特許分類】

   H04L 41/0631 20220101AFI20240722BHJP

【ＦＩ】

H04L41/0631

【請求項の数】 5

(21)【出願番号】P 2024014666

(22)【出願日】2024-02-02

【審査請求日】2024-02-02

【早期審査対象出願】

(73)【特許権者】

【識別番号】397036309

【氏名又は名称】株式会社インターネットイニシアティブ

(74)【代理人】

【識別番号】100118902

【弁理士】

【氏名又は名称】山本 修

(74)【代理人】

【識別番号】100106208

【弁理士】

【氏名又は名称】宮前 徹

(74)【代理人】

【識別番号】100196508

【弁理士】

【氏名又は名称】松尾 淳一

(74)【代理人】

【識別番号】100195408

【弁理士】

【氏名又は名称】武藤 陽子

(72)【発明者】

【氏名】柿島 純

【審査官】中川 幸洋

(56)【参考文献】

【文献】米国特許第０７５３６５９５（ＵＳ，Ｂ１）

【文献】特開２０２３－０８２４８１（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０４Ｌ ４１／０６３１

(57)【特許請求の範囲】

【請求項1】

第１階層に属する第１デバイスと、前記第１階層の下位の第２階層に属し、前記第１デバイスと通信を行う複数の第２デバイスとを備える階層構造のネットワークで発生した異常に関する管理を行う通信管理装置であって、
前記複数の第２デバイスの各々で検出された、前記ネットワークで発生した異常を示すアラーム信号の検出回数を含む観測データを取得するように構成された第１取得部と、
前記観測データに基づいて、前記複数の第２デバイスの各々で前記アラーム信号を検出している条件のもと前記第１デバイスで異常が発生する確率を、ベイズ推定モデルの尤度関数として設定するように構成された設定部と、
設定された前記尤度関数の値に基づいて、前記第１デバイスでの異常の発生の有無を判定するように構成された判定部と、
前記判定部による判定結果を提示するように構成された提示部と、
前記尤度関数を未知の入力として、学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記第１デバイスで異常が発生したことを示す第１分類クラス、および前記複数の第２デバイスのいずれかで異常が発生したことを示す第２分類クラスを含む分類クラスに分類するように構成された分類部と
を備え、
前記学習済みの機械学習モデルは、前記尤度関数と、前記判定結果によって示される前記分類クラスとが関連付けられた学習用データに基づいて、前記尤度関数と前記分類クラスとの関係を学習したモデルであり、
前記提示部は、さらに前記分類部による分類結果を提示する
ことを特徴とする通信管理装置。

【請求項2】

請求項１に記載の通信管理装置において、
さらに、前記尤度関数と、前記判定結果によって示される前記分類クラスとが関連付けられた前記学習用データを取得するように構成された第２取得部と、
前記学習用データに基づいて、前記尤度関数と前記分類クラスとの関係を、機械学習モデルを用いて学習するように構成された学習部と、
前記学習部により構築された前記学習済みの機械学習モデルを記憶するように構成された記憶部と、
を備え、
前記分類部は、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行う
ことを特徴とする通信管理装置。

【請求項3】

請求項１に記載の通信管理装置において、
前記ネットワークは、所定の通信規格によるコアネットワークであり、
前記第１デバイスおよび前記複数の第２デバイスは、前記コアネットワーク内の装置である
ことを特徴とする通信管理装置。

【請求項4】

第１階層に属する第１デバイスと、前記第１階層の下位の第２階層に属し、前記第１デバイスと通信を行う複数の第２デバイスとを備える階層構造のネットワークで発生した異常に関する管理を行う通信管理方法であって、
前記複数の第２デバイスの各々で検出された、前記ネットワークで発生した異常を示すアラーム信号の検出回数を含む観測データを取得する第１取得ステップと、
前記観測データに基づいて、前記複数の第２デバイスの各々で前記アラーム信号を検出している条件のもと前記第１デバイスで異常が発生する確率を、ベイズ推定モデルの尤度関数として設定する設定ステップと、
設定された前記尤度関数の値に基づいて、前記第１デバイスでの異常の発生の有無を判定する判定ステップと、
前記判定ステップでの判定結果を提示する提示ステップと、
前記尤度関数を未知の入力として、学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記第１デバイスで異常が発生したことを示す第１分類クラス、および前記複数の第２デバイスのいずれかで異常が発生したことを示す第２分類クラスを含む分類クラスに分類する分類ステップと
を備え、
前記学習済みの機械学習モデルは、前記尤度関数と、前記判定結果によって示される前記分類クラスとが関連付けられた学習用データに基づいて、前記尤度関数と前記分類クラスとの関係を学習したモデルであり、
前記提示ステップは、さらに前記分類ステップでの分類結果を提示する
ことを特徴とする通信管理方法。

【請求項5】

請求項４に記載の通信管理方法において、
さらに、前記尤度関数と、前記判定結果によって示される前記分類クラスとが関連付けられた前記学習用データを取得する第２取得ステップと、
前記学習用データに基づいて、前記尤度関数と前記分類クラスとの関係を、機械学習モデルを用いて学習する学習ステップと、
前記学習ステップで構築された前記学習済みの機械学習モデルを記憶部に記憶する記憶ステップと、
を備え、
前記分類ステップは、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行う
ことを特徴とする通信管理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、通信管理装置および通信管理方法に関する。

【背景技術】

【0002】

従来から、論理的な階層構造を有するネットワークやシステムで発生する障害などの異常箇所を特定する技術が知られている。例えば、階層構造の上位側のデバイスと下位側のデバイスとが互いに通信を行う通信ネットワークにおいて、上位側のデバイスで障害が発生した場合には、上位側のデバイスだけでなく、下位側のデバイスでも障害の発生を示すアラームが検出される。また、上位側のデバイスで障害が発生した場合に、下位側の全てのデバイスでアラーム信号が検出されないケースもあることが知られている。

【0003】

このように、下位側のデバイスに波及した障害の発生を示すアラーム信号は、通信ネットワークにおける障害の発生箇所に係るデバイスを必ずしも示すものではない。そのため、どのデバイスで障害が発生しているのかを特定する場合には、上位側および下位側のデバイスのそれぞれのログを解析する必要があった。そのため、障害箇所の特定に多大な時間を要する場合があった。

【0004】

例えば、特許文献１は、階層構造の通信ネットワークにおける最上位のルータに接続されたサーバが、下位側のルータを介して受信したパケットを解析して、異常が発生したルータを特定する技術を開示する。しかし、特許文献１が開示する技術では、既存の通信ネットワークに異常箇所を特定するための専用のサーバを設ける必要があり、また、パケットの解析を必要とするため、システム構造が複雑化する。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２００９－２４６５３４号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

このように、従来の技術によれば、階層構造のネットワークで異常が発生した場合に、より簡易な構成で異常が発生した箇所を特定することが困難であった。

【0007】

本発明は、上述した課題を解決するためになされたものであり、階層構造のネットワークで異常が発生した場合に、より簡易な構成で異常が発生した箇所を特定することを目的とする。

【課題を解決するための手段】

【0008】

上述した課題を解決するために、本発明に係る通信管理装置は、第１階層に属する第１デバイスと、前記第１階層の下位の第２階層に属し、前記第１デバイスと通信を行う複数の第２デバイスとを備える階層構造のネットワークで発生した異常に関する管理を行う通信管理装置であって、前記複数の第２デバイスの各々で検出された、前記ネットワークで発生した異常を示すアラーム信号の検出回数を含む観測データを取得するように構成された第１取得部と、前記観測データに基づいて、前記複数の第２デバイスの各々で前記アラーム信号を検出している条件のもと前記第１デバイスで異常が発生する確率を、ベイズ推定モデルの尤度関数として設定するように構成された設定部と、設定された前記尤度関数の値に基づいて、前記第１デバイスでの異常の発生の有無を判定するように構成された判定部と、前記判定部による判定結果を提示するように構成された提示部とを備える。

【0009】

また、本発明に係る通信管理装置において、さらに、前記尤度関数を未知の入力として、学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記第１デバイスで異常が発生したことを示す第１分類クラス、および前記複数の第２デバイスのいずれかで異常が発生したことを示す第２分類クラスを含む分類クラスに分類するように構成された分類部を備え、前記提示部は、前記分類部による分類結果を提示してもよい。

【0010】

上述した課題を解決するために、本発明に係る通信管理装置は、さらに、前記尤度関数と、前記判定結果によって示される前記分類クラスとが関連付けられた学習用データを取得するように構成された第２取得部と、前記学習用データに基づいて、前記尤度関数と前記分類クラスとの関係を、機械学習モデルを用いて学習するように構成された学習部と、前記学習部により構築された前記学習済みの機械学習モデルを記憶するように構成された記憶部と、を備え、前記分類部は、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行ってもよい。

【0011】

また、本発明に係る通信管理装置において、前記ネットワークは、所定の通信規格によるコアネットワークであり、前記第１デバイスおよび前記複数の第２デバイスは、前記コアネットワーク内の装置であってもよい。

【0012】

上述した課題を解決するために、本発明に係る通信管理方法は、第１階層に属する第１デバイスと、前記第１階層の下位の第２階層に属し、前記第１デバイスと通信を行う複数の第２デバイスとを備える階層構造のネットワークで発生した異常に関する管理を行う通信管理方法であって、前記複数の第２デバイスの各々で検出された、前記ネットワークで発生した異常を示すアラーム信号の検出回数を含む観測データを取得する第１取得ステップと、前記観測データに基づいて、前記複数の第２デバイスの各々で前記アラーム信号を検出している条件のもと前記第１デバイスで異常が発生する確率を、ベイズ推定モデルの尤度関数として設定する設定ステップと、設定された前記尤度関数の値に基づいて、前記第１デバイスでの異常の発生の有無を判定する判定ステップと、前記判定ステップでの判定結果を提示する提示ステップとを備える。

【0013】

また、本発明に係る通信管理方法において、さらに、前記尤度関数を未知の入力として、学習済みの機械学習モデルに与え、前記学習済みの機械学習モデルの演算を行って、前記第１デバイスで異常が発生したことを示す第１分類クラス、および前記複数の第２デバイスのいずれかで異常が発生したことを示す第２分類クラスを含む分類クラスに分類する分類ステップを備え、前記提示ステップは、前記分類ステップでの分類結果を提示してもよい。

【0014】

また、本発明に係る通信管理方法において、さらに、前記尤度関数と、前記判定結果によって示される前記分類クラスとが関連付けられた学習用データを取得する第２取得ステップと、前記学習用データに基づいて、前記尤度関数と前記分類クラスとの関係を、機械学習モデルを用いて学習する学習ステップと、前記学習ステップで構築された前記学習済みの機械学習モデルを記憶部に記憶する記憶ステップと、を備え、前記分類ステップは、前記記憶部から前記学習済みの機械学習モデルを読み出して、前記学習済みの機械学習モデルの演算を行ってもよい。

【発明の効果】

【0015】

本発明によれば、観測データに基づいて、複数の第２デバイスの各々でアラーム信号を検出している条件のもと第１デバイスで異常が発生する確率を、ベイズ推定モデルの尤度関数として設定し、設定された尤度関数の値に基づいて第１デバイスでの異常の発生の有無を判定する。そのため、階層構造のネットワークで異常が発生した場合に、より簡易な構成で異常が発生した箇所を特定することができる。

【図面の簡単な説明】

【0016】

【図1】図１は、本発明の第１の実施の形態に係る通信管理装置を含む推定システムの構成を示すブロック図である。

【図2】図２は、第１の実施の形態に係る通信管理装置のハードウェア構成を示すブロック図である。

【図3】図３は、第１の実施の形態に係る通信管理装置の動作を示すフローチャートである。

【図4】図４は、第２の実施の形態に係る通信管理装置の構成を示すブロック図である。

【図5】図５は、第２の実施の形態に係る通信管理装置が備える学習部を説明するための図である。

【図6】図６は、第２の実施の形態に係る通信管理装置の動作を示すフローチャートである。

【発明を実施するための形態】

【0017】

以下、本発明の好適な実施の形態について、図１から図６を参照して詳細に説明する。以下の説明において、論理的な階層構造のネットワークとして、５Ｇ規格に準拠するコアネットワーク３を含む通信ネットワークを例に挙げて説明する。また、上位側の第１階層に属する第１デバイスおよび下位側の第２階層に属する複数の第２デバイスは、コアネットワーク３内の装置である場合を例示する。さらに、第１デバイスがＵＤＲ３２（Ｕｎｉｆｉｅｄ Ｄａｔａ Ｒｅｐｏｓｉｔｏｒｙ：統合データリポジトリ）であり、複数の第２デバイスがＵＤＭ３１（Ｕｎｉｆｉｅｄ Ｄａｔａ Ｍａｎａｇｅｍｅｎｔ：統合データ管理）である場合について説明する。

【0018】

また、ネットワークで発生した異常には、コアネットワーク３が備えるＵＤＲ３２やＵＤＭ３１などの制御装置のハードウェアモジュールの故障などが含まれる。

【0019】

［第１の実施の形態］
図１は、本発明の第１の実施の形態に係る通信管理装置１を備える通信管理システムの構成を示すブロック図である。本実施の形態に係る通信管理システムは、階層構造を有するコアネットワーク３の上位側の階層に属するＵＤＲ３２、および下位側の階層に属する複数のＵＤＭ３１の対向装置間でアラーム信号が検出された場合に、ＵＤＲ３２およびＵＤＭ３１側のどちらで異常が発生しているのかを特定する。

【0020】

［通信管理システムの構成］
図１に示すように、本実施の形態に係る通信管理システムは、通信管理装置１、複数の基地局２、コアネットワーク３、および監視装置４を備える。通信管理装置１と監視装置４とは、ＬＡＮやＷＡＮ、インターネットなどのネットワークＮＷを介して互いに接続されている。監視装置４は、ＬＡＮやＷＡＮなどのネットワークＬ２を介してコアネットワーク３に接続する。さらに、複数の基地局２は、高速回線のネットワークＬ１を介してコアネットワーク３に接続される。

【0021】

基地局２は、５Ｇ通信規格に対応した無線基地局で構成され、通信エリアに在圏するユーザ端末とコアネットワーク３との間の通信を中継する。基地局２は、５Ｇモバイル通信ネットワーク内に配置された複数の基地局２が含まれる。各基地局２は、ネットワークＬ１を介して、ＡＭＦ３０に接続する。

【0022】

コアネットワーク３は、制御プレーン（Ｃ－ｐｌａｎｅ）内のノードとして、複数のＡＭＦ（Ａｃｃｅｓｓ ａｎｄ Ｍｏｂｉｌｉｔｙ Ｍａｎａｇｅｍｅｎｔ Ｆｕｎｃｔｉｏｎ）３０、複数のＵＤＭ３１、およびＵＤＲ３２を備える。なお、コアネットワーク３が備える他の機能ノードについては図示を省略している。コアネットワーク３は閉域ＩＰ網で構成される。

【0023】

本実施の形態では、複数の基地局２ならびにコアネットワーク３が備える複数のＡＭＦ３０、複数のＵＤＭ３１、およびＵＤＲ３２は論理的な階層構造を取る。階層構造の最上位の階層（第１階層）に属するＵＤＲ３２（第１デバイス）は、下位側の階層（第２階層）に属する複数のＵＤＭ３１（第２デバイス）と通信可能に接続する。複数のＵＤＭ３１の各々は、さらに下位側の階層に属する複数のＡＭＦ３０と通信可能に接続する。複数のＡＭＦ３０の各々は、さらに、最も下位の階層に属する複数の基地局２と接続する。

【0024】

ＡＭＦ３０は、モビリティ制御機能を提供し、位置登録、ページング、およびハンドオーバ等の移動制御を行う装置である。ＡＭＦ３０は、複数台設けられ、１台のＡＭＦ３０に対してｋ台（ｋは正の整数）の基地局２が接続されている。

【0025】

ＵＤＭ３１は、ユーザの契約情報や認証情報を管理する装置である。ＵＤＭ３１は、複数台（ｎ台、ｎは２以上の整数）設けられ、１台のＵＤＭ３１に対してｍ台（ｍは正の整数）のＡＭＦ３０が接続されている。ＵＤＭ３１は、自装置で発生した異常を検出するとアラーム信号を生成して出力する。本明細書では、他の装置で発生した異常に基づいて発生したアラーム信号を検出する場合の他、自装置で発生した異常の検出によりアラーム信号を出力することをアラーム信号の検出という。

【0026】

ＵＤＭ３１で発生した異常に基づいてＵＤＭ３１で検出されたアラーム信号は、上位側のＵＤＲ３２および下位側のＡＭＦ３０含むコアネットワーク３の装置で検出される。同様に、上位側のＵＤＲ３２で発生した異常に基づいてＵＤＲ３２で検出されたアラーム信号は、下位側のＵＤＭ３１でも検出される。

【0027】

ＵＤＲ３２は、ユーザ端末の加入者識別番号（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｍｏｂｉｌｅ Ｓｕｂｓｃｒｉｂｅｒ Ｉｄｅｎｔｉｔｙ：ＩＭＳＩ）や在圏情報を保持した加入者プロファイルを格納する装置である。ＵＤＲ３２は、一例として１台設けられ、ＵＤＲ３２には、ｎ台のＵＤＭ３１が通信可能に接続されている。ＵＤＲ３２は自装置で発生した異常の検出に基づいて、アラーム信号を検出する。この場合、ＵＤＲ３２で検出されたアラーム信号はコアネットワーク３に波及し、下位側のＵＤＭ３１やＡＭＦ３０においてもアラーム信号が検出される。一方、ＵＤＲ３２は、下位側のＵＤＭ３１で発生した異常に基づくアラーム信号を検出する。

【0028】

監視装置４は、例えば、コアネットワーク３の外部に設けられ、ＡＭＦ３０、ＵＤＭ３１、およびＵＤＲ３２の各々を監視し、コアネットワーク３におけるアラーム信号の発生状況および異常の発生についての集約監視を行うオペレーションシステムである。監視装置４は、ＡＭＦ３０、ＵＤＭ３１、およびＵＤＲ３２の各々で検出されたアラーム信号のログを記録する。また、監視装置４は、ＡＭＦ３０、ＵＤＭ３１、およびＵＤＲ３２で発生した異常の発生ログを記録することができる。監視装置４は、ネットワークＮＷを介して、通信管理装置１にアラーム信号の検出ログおよび異常発生ログを送出することができる。

【0029】

［通信管理装置の機能ブロック］
通信管理装置１は、第１取得部１０、設定部１１、判定部１２、第１記憶部１３、および提示部１４を備える。通信管理装置１は、最上位の第１階層に属するＵＤＲ３２と、第１階層の下位の第２階層に属し、ＵＤＲ３２と通信を行う複数のＵＤＭ３１とを備える階層構造を有するコアネットワーク３で発生した異常に関する管理を行う。また、通信管理装置１は、観測データに基づいて、複数のＵＤＭ３１の各々でアラーム信号を検出している条件のもとＵＤＲ３２で異常が発生する確率を、ベイズ推定モデルの尤度関数として設定し、ＵＤＲ３２での異常の発生の有無を判定する。

【0030】

第１取得部１０は、複数のＵＤＭ３１の各々で検出された、コアネットワーク３で発生した異常を示すアラーム信号の検出回数を含む観測データを取得する。より具体的には、第１取得部１０は、設定された期間に各ＵＤＭ３１で検出されたアラーム信号のログを監視装置４から取得し、設定された期間でアラーム信号が検出された回数をＵＤＭ３１ごとに取得する。例えば、１回のアラーム信号は、１秒間にわたって通知される。第１取得部１０は、設定された期間として、１０００秒間に各ＵＤＭ３１でアラーム信号が何回検出されたかをカウントすることができる。

【0031】

第１取得部１０は、さらに、監視装置４から、ＵＤＲ３２で検出されたアラーム信号のログを取得し、設定された期間でＵＤＲ３２によってアラーム信号が検出された回数を取得することができる。

【0032】

設定部１１は、観測データに基づいて、複数のＵＤＭ３１の各々でアラーム信号を検出している条件のもとＵＤＲ３２で異常が発生する確率を、ベイズ推定モデルの尤度関数として設定する。設定部１１は、１～ｎ台までのＵＤＭ３１の各々について、尤度関数Ｐ（Ｙ_ｉ｜Ｘ）＝（アラーム信号の検出回数）／（設定された期間、例えば、１０００秒）により求めることができる。上記（アラーム信号の検出回数）は、（アラーム信号の発生回数）×（アラーム信号の送信間隔）で計算される。例えば、１秒間隔のアラーム信号が２００回発生する場合、尤度関数Ｐ（Ｙ_ｉ｜Ｘ）は、（２００×１秒）／（１０００秒）で求められる。

【0033】

本実施の形態で用いるベイズ推定モデルは、ＵＤＲ３２で異常が発生している確率を事前分布Ｐ（Ｘ）とし、事前分布Ｐ（Ｘ）に対して尤度関数Ｐ（Ｙ_ｉ｜Ｘ）で更新した確率分布を事後分布Ｐ（Ｘ｜Ｙ）とする。事後分布Ｐ（Ｘ｜Ｙ）は、ＵＤＲ３２で異常が発生している条件のもと複数のＵＤＭ３１の各々でアラーム信号を検出する確率である。このように、ベイズ推定モデルは、ある条件における事象の確率を、既知の確率と観測データから求める確率モデルである。以下、ベイズ推定モデルのパラメータについて説明する。

【0034】

ベイズ推定モデルでは、まず、事象Ｘを、ある原因となった事象とする。また、事象Ｙを、原因により起きたと想定される事象とする。事象Ｘ、Ｙは確率変数として扱われる。具体的には、事象Ｘは、ＵＤＲ３２で異常が発生している事象、事象Ｙは、複数のＵＤＭ３１およびＵＤＲ３２間でアラーム信号が検出されている事象として定義される。本実施の形態では、事象Ｙは、特に、ｎ台のＵＤＭ３１の各々についての事象Ｙ＝｛Ｙ_１，Ｙ_２，…，Ｙ_ｎ－１，Ｙ_ｎ｝として定義され、各ＵＤＭ３１でアラーム信号が検出されている事象が用いられる。

【0035】

事象Ｘが発生する確率分布Ｐ（Ｘ）を、観測データが与えられる前のパラメータの分布である事前分布として仮定することができる。また、事象Ｙが発生する確率分布Ｐ（Ｙ）である、複数のＵＤＭ３１およびＵＤＲ３２間でアラーム信号が検出されている確率分布は、周辺尤度として表される。

【0036】

尤度関数Ｐ（Ｙ_ｉ｜Ｘ）は、観測データの表現方法であり、パラメータの値が条件付けされているときに、観測データＹがどれだけモデルから発生しやすいかを表す。具体的には、各ＵＤＭ３１でアラーム信号が検出されている条件のもと、ＵＤＲ３２で異常が発生する確率として表される。本実施の形態では、尤度関数Ｐ（Ｙ_ｉ｜Ｘ）は、第１取得部１０によって取得された観測データに基づいて設定される。より詳細には、前述したように、ＵＤＭ３１の各々について、（アラーム信号の検出回数）／（設定された期間、例えば、１０００秒）により得られる値Ｐ（Ｙ_ｉ｜Ｘ）を尤度関数Ｐ（Ｙ｜Ｘ）として用いる。上記（アラーム信号の検出回数）は、アラーム信号の発生回数にアラーム信号の送信間隔（例えば、１秒）を掛けた値により求められる。

【0037】

ベイズ推定では、ベイズの定理を利用して、尤度関数、事前分布、および観測データから得られる情報を反映させ、事象Ｙが発生した条件のもと、事象Ｘが発生する確率である事後分布Ｐ（Ｘ｜Ｙ）を推定することができる。この場合、事後分布Ｐ（Ｘ｜Ｙ）は、ＵＤＲ３２で異常が発生した条件のもと、複数のＵＤＭ３１の少なくともいずれかでアラーム信号が検出されている確率分布である。本実施の形態では、次式（１）のベイズの定理に基づいた、次式（２）で表されるベイズ推定式を用いる。

【0038】

【数1】

【0039】

上式（１）の分母にＰ（Ｙ）＝Σ_ＸＰ（Ｙ｜Ｘ）Ｐ（Ｘ）を代入すると、次式（２）で表される。

【0040】

【数2】

【0041】

上式（１）のベイズの定理、および上式（２）のベイズ推定式では、一般に、訓練データのデータ数Ｎが十分に大きい場合（Ｎ→∞）には、尤度関数Ｐ（Ｙ｜Ｘ）が事前分布Ｐ（Ｘ）より支配的になる。すなわち、事後分布Ｐ（Ｘ｜Ｙ）と尤度関数Ｐ（Ｙ｜Ｘ）との関係は、次式（３）で表される。
Ｐ（Ｘ｜Ｙ）≒Ｐ（Ｙ｜Ｘ） ・・・（３）

【0042】

本実施の形態では、上式（１）のベイズの定理、および上式（２）のベイズ推定式に基づいた単純ベイズにより、尤度関数Ｐ（Ｙ｜Ｘ）が設定される。

【0043】

単純ベイズは、クラス分類の結果が確率として得られる生成モデルの一つである。単純ベイズでは、目的変数が与えられた際、説明変数間の条件付き独立を仮定する。具体的には、事後分布Ｐ（Ｘ｜Ｙ）である、事象Ｙの条件のもとの事象Ｘの確率分布において、Ｙは説明変数であり、Ｘはクラスを表す目的変数を示す。したがって、Ｙを入力すると各クラスＸの確率として、ＵＤＲ３２で異常が発生している確率、および発生していない確率が出力される。

【0044】

本実施の形態では、上式（３）より、設定部１１は尤度関数Ｐ（Ｙ｜Ｘ）の事象Ｘを説明変数、および事象Ｙを目的変数として考える。事象Ｙは、ｎ個の多次元変数の集合であるＹ＝｛Ｙ_１，Ｙ_２，…，Ｙ_ｎ－１，Ｙ_ｎ｝で与えられ、各変数Ｙ_ｉは、ｙ_１，ｙ_２，…，ｙ_ｎ－１，ｙ_ｎの値を持つ。すなわち、各変数Ｙ_ｉは、各ＵＤＭ３１でアラーム信号が検出されていることを示す。前述したように、変数Ｙ_ｉは、それぞれ独立していると仮定され、尤度関数Ｐ（Ｙ｜Ｘ）は次式（４）の確率の積で表すことができる。

【0045】

【数3】

【0046】

判定部１２は、設定部１１により設定された尤度関数Ｐ（Ｙ｜Ｘ）の値に基づいて、ＵＤＲ３２での異常の発生の有無を判定する。判定部１２は、事前に設定されたしきい値を用いて、ＵＤＲ３２での異常の発生の有無を判定することができる。しきい値は、任意の値（例えば、ｎ台のＵＤＭ３１の場合に、０．８^ｎ）を設定することができる。この場合、判定部１２は、尤度関数Ｐ（Ｙ｜Ｘ）の値が設定されたしきい値を超えた場合に、ＵＤＲ３２で異常が発生したと判定する。しきい値を超えない場合には、判定部１２は、ＵＤＭ３１側で異常が発生したと判定することができる。なお、しきい値は、例えば、別途行われる異常発生箇所の解析で特定された実際の異常発生箇所に基づいて、値を調整することができる。

【0047】

第１記憶部１３は、上式（１）から（４）のベイズ推定モデルを記憶する。

【0048】

提示部１４は、判定部１２による判定結果を提示する。提示部１４は、例えば、ネットワークＮＷを介して外部のサーバに判定結果を提示することができる。また、提示部１４は、判定結果を表示装置１０７に出力させることができる。

【0049】

［通信管理装置のハードウェア構成］
次に、上述した機能を有する通信管理装置１を実現するハードウェア構成の一例について、図２を用いて説明する。

【0050】

図２に示すように、通信管理装置１は、例えば、バス１０１を介して接続されるプロセッサ１０２、主記憶装置１０３、通信インターフェース１０４、補助記憶装置１０５、入出力Ｉ／Ｏ１０６を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。また、通信管理装置１は、バス１０１を介して接続される表示装置１０７を備えることができる。

【0051】

主記憶装置１０３には、プロセッサ１０２が各種制御や演算を行うためのプログラムが予め格納されている。プロセッサ１０２と主記憶装置１０３とによって、図１に示した第１取得部１０、設定部１１、判定部１２など通信管理装置１の各機能が実現される。

【0052】

通信インターフェース１０４は、通信管理装置１と各種外部電子機器との間をネットワーク接続するためのインターフェース回路である。

【0053】

補助記憶装置１０５は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。補助記憶装置１０５には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。

【0054】

補助記憶装置１０５は、通信管理装置１が実行するベイズ推定プログラムを格納するプログラム格納領域を有する。補助記憶装置１０５によって、図１で説明した第１記憶部１３が実現される。さらには、例えば、上述したデータやプログラムなどをバックアップするためのバックアップ領域などを有していてもよい。

【0055】

入出力Ｉ／Ｏ１０６は、外部機器からの信号を入力したり、外部機器へ信号を出力したりする入出力装置である。

【0056】

表示装置１０７は、有機ＥＬディスプレイや液晶ディスプレイなどによって構成され、提示部１４を実現する。

【0057】

［通信管理装置の動作］
次に、上述した構成を有する通信管理装置１の動作を、図３のフローチャートを参照して説明する。以下では、コアネットワーク３を含む階層構造のネットワークにおいて、最上位の階層に属するＵＤＲ３２、および下位側の階層に属するＵＤＭ３１でアラーム信号が検出されているものとする。

【0058】

まず、第１取得部１０は、監視装置４から、複数のＵＤＭ３１の各々で検出されたアラーム信号の回数を含む観測データを取得する（ステップＳ１）。第１取得部１０は、監視装置４から、設定された期間にｎ台のＵＤＭ３１の各々で検出されたアラーム信号の回数を取得することができる。

【0059】

次に、設定部１１は、ステップＳ１で取得された観測データに基づいて、複数のＵＤＭ３１の各々でアラーム信号を検出している条件のもとＵＤＲ３２で異常が発生する確率を、ベイズ推定モデルの尤度関数Ｐ（Ｙ｜Ｘ）として設定する（ステップＳ２）。本実施の形態では、設定部１１は、ステップＳ１で取得された観測データに基づいて、ＵＤＭ３１の各々について、（アラーム信号の検出回数）／（設定された期間、例えば、１０００秒）により得られる値Ｐ（Ｙ_ｉ｜Ｘ）を尤度関数Ｐ（Ｙ｜Ｘ）として設定する。１秒間隔でアラーム信号が送信され、２００回のアラーム信号が発生する場合、上記の（アラーム信号の検出回数）は２００回×１秒となる。さらに、この場合、尤度関数Ｐ（Ｙ｜Ｘ）は、２００×１秒／１０００秒で求められる。

【0060】

ベイズ推定モデルは、ＵＤＲ３２で異常が発生している確率を事前分布Ｐ（Ｘ）とし、事前分布Ｐ（Ｘ）に対して尤度関数Ｐ（Ｙ_ｉ｜Ｘ）で更新した事後分布Ｐ（Ｘ｜Ｙ）を、ＵＤＲ３２で異常が発生している条件のもと複数のＵＤＭ３１の各々がアラーム信号を検出している確率として定義する。

【0061】

設定部１１は、上式（２）のベイズ推定式に基づいた単純ベイズ、および上式（３）の近似関係Ｐ（Ｘ｜Ｙ）≒Ｐ（Ｙ｜Ｘ）より、尤度関数Ｐ（Ｙ｜Ｘ）の事象Ｘを説明変数、および事象Ｙ＝｛Ｙ_１，Ｙ_２，…，Ｙ_ｎ－１，Ｙ_ｎ｝を目的変数として考える。各変数Ｙ_ｉは、各ＵＤＭ３１でアラーム信号が検出されていることを示す。

【0062】

設定部１１は、変数Ｙ_ｉがそれぞれ独立しているとの仮定から、上式（４）の確率の積で表された尤度関数Ｐ（Ｙ｜Ｘ）に、１～ｎ台までのＵＤＭ３１の各々に対応する尤度関数Ｐ（Ｙ_ｉ｜Ｘ）の値を代入する。

【0063】

次に、判定部１２は、ステップＳ２で設定された尤度関数Ｐ（Ｙ｜Ｘ）の値が、事前に設定されたしきい値を超えた場合に、ＵＤＲ３２で異常が発生したと判定し、しきい値を超えない場合には、ＵＤＭ３１側で異常が発生したと判定する（ステップＳ３）。判定部１２が判定処理で用いるしきい値は、例えば、後日別途に行われる、コアネットワーク３における実際の異常発生箇所の解析結果に基づいて調整することができる。

【0064】

その後、提示部１４は、ステップＳ３での判定結果を提示する（ステップＳ４）。例えば、提示部１４は、ネットワークＮＷを介して、外部のサーバ等に判定結果が示す異常発生箇所の情報を送出することができる。

【0065】

以上説明したように、第１の実施の形態に係る通信管理装置１によれば、観測データに基づいて、複数のＵＤＭ３１の各々でアラーム信号を検出している条件のもとＵＤＲ３２で異常が発生する確率を、ベイズ推定モデルの尤度関数Ｐ（Ｙ｜Ｘ）として設定し、設定された尤度関数Ｐ（Ｙ｜Ｘ）に基づいてＵＤＲ３２で異常が発生しているか否かを判定する。そのため、階層構造における上位側および下位側のデバイスの各々でアラーム信号が検出された場合に、対向装置間のどちらで異常が発生したのかをより簡易な構成で特定することができる。

【0066】

［第２の実施の形態］
次に、本発明の第２の実施の形態について説明する。なお、以下の説明では、上述した第１の実施の形態と同じ構成については同一の符号を付し、その説明を省略する。

【0067】

第１の実施の形態では、単純ベイズに基づいて、観測データから設定された尤度関数Ｐ（Ｙ｜Ｘ）に基づいて上位の階層に属するＵＤＲ３２での異常の発生の有無を判定する場合について説明した。これに対して、第２の実施の形態では、判定部１２による判定結果を学習用データとして用いて機械学習モデルを学習させた学習済みの機械学習モデルを用いて、ＵＤＲ３２およびＵＤＭ３１のいずれで異常が発生したのかを分類する。

【0068】

［通信管理装置の機能ブロック］
図４は、本実施の形態に係る通信管理装置１Ａの構成を示すブロック図である。通信管理装置１Ａは、第１学習装置１－１および第２学習装置１－２を備える。第１学習装置１－１は、第１取得部１０、設定部１１、判定部１２、第１記憶部１３、および提示部１４を備える。第１学習装置１－１は、第１の実施の形態に係る通信管理装置１の機能ブロックに対応する。第２学習装置１－２は、第２記憶部１５（記憶部）、第２取得部１６、学習部１７、および分類部１８を備える。本実施の形態は第２学習装置１－２を備える点で第１の実施の形態とは構成が異なる。以下、第１の実施の形態と異なる構成を中心に説明する。

【0069】

第２記憶部１５は、尤度関数Ｐ（Ｙ｜Ｘ）と、判定部１２による判定結果によって示される分類クラスとを関連付けた学習用データを記憶する。尤度関数Ｐ（Ｙ｜Ｘ）は、設定部１１が設定した、観測データに基づいて複数のＵＤＭ３１の各々でアラーム信号が検出されている条件のもとＵＤＲ３２で異常が発生する確率である。本実施の形態では、１～ｎ台までのＵＤＭ３１の各々について、（アラーム信号の検出回数）／（設定された期間、例えば、１０００秒）により得られる値Ｐ（Ｙ_ｉ｜Ｘ）を尤度関数Ｐ（Ｙ｜Ｘ）として用いる。より詳細には、１秒間隔でアラーム信号が送信される場合、上記（アラーム信号の検出回数）は、（アラーム信号の発生回数）×（送信間隔の１秒）により求められる。例えば、１０００秒間隔で２００回のアラーム信号が発生した場合、２００×１秒／１０００秒が尤度関数Ｐ（Ｙ｜Ｘ）の値となる。

【0070】

第２記憶部１５が尤度関数Ｐ（Ｙ_ｉ｜Ｘ）と関連付けて記憶する分類クラスは、第１学習装置１－１が備える判定部１２の判定結果、すなわちＵＤＲ３２での異常の発生、およびＵＤＭ３１側での異常の発生をそれぞれ第１分類クラス、および第２分類クラスとした分類クラスである。分類クラスは、尤度関数Ｐ（Ｙ_ｉ｜Ｘ）に対して与えられる正解ラベルである。

【0071】

なお、第２記憶部１５は、判定部１２による判定結果が、実際の故障箇所と異なる場合には、正しい故障箇所を示す正解ラベルを尤度関数Ｐ（Ｙ_ｉ｜Ｘ）に付した学習用データを記憶する。例えば、判定部１２による判定結果としてＵＤＲ３２で異常が発生しているという結果が得られた後に、別途、故障箇所の解析が行われ、実際の故障箇所がＵＤＭ３１であったことが判明したとする。この場合、第２記憶部１５は、尤度関数Ｐ（Ｙ_ｉ｜Ｘ）に対して、第１分類クラスではなく、第２分類クラスを正解ラベルとして付与した学習用データを記憶する。

【0072】

第２取得部１６は、尤度関数Ｐ（Ｙ_ｉ｜Ｘ）と分類クラスとが関連付けられている学習用データを第２記憶部１５から取得する。より具体的には、第２取得部１６は、第２記憶部１５に一定数の学習用データが蓄積された場合に、学習用データを取得する構成とすることができる。また、第２取得部１６は、学習済み機械学習モデルを用いた推論処理で用いる未知の入力を取得する。具体的には、第２取得部１６は、第１学習装置１－１が備える設定部１１が設定した、ｎ台のＵＤＭ３１の各々に対応する尤度関数Ｐ（Ｙ_ｉ｜Ｘ）を、未知の入力として取得することができる。

【0073】

学習部１７は、学習用データに基づいて、尤度関数Ｐ（Ｙ_ｉ｜Ｘ）と分類クラスとの関係を機械学習モデルにより学習する。図５は、本実施の形態における機械学習モデルとして用いるニューラルネットワークの構造を示す模式図である。ニューラルネットワークは、入力層ｘ、隠れ層ｈ、出力層ｙからなる多層構造を用いることができる。入力層ｘの各入力ノードには、第１学習装置１－１の設定部１１によって設定された尤度関数Ｐ（Ｙ_ｉ｜Ｘ）が与えられる。入力層ｘへ与えらえる入力信号は、ｎ台のＵＤＭ３１の各々に対応する尤度関数Ｐ（Ｙ_１｜Ｘ），Ｐ（Ｙ_２｜Ｘ），・・・，Ｐ（Ｙ_ｎ－１｜Ｘ），Ｐ（Ｙ_ｎ｜Ｘ）の値である。

【0074】

図５に示すニューラルネットワークは、入力層ｘに与えられたｎ台のＵＤＭ３１の各々に対応する尤度関数Ｐ（Ｙ_ｉ｜Ｘ）に対して、入力の重み付け総和に活性化関数を適用し、しきい値処理により決定された出力を出力層ｙに渡す。図５に示すように、入力ノードの数は、ＵＤＭ３１の台数に対応するｎ個設けられる。

【0075】

出力層ｙの各出力ノードは、第１分類クラスおよび第２分類クラスからなる二値分類のクラスを示す。出力層ｙは、各クラスに属する確率を出力することができる。図５の例に示すように、第１分類クラスとして「ＵＤＲ３２で異常が発生」、および第２分類クラスとして「ＵＤＭ３１で異常が発生」とすることができる。

【0076】

学習部１７は、各ＵＤＭ３１に対応する尤度関数Ｐ（Ｙ_ｉ｜Ｘ）が入力として与えられた時の出力が、学習用データのラベルに示される分類クラスの値となるように、ノード間の結線の重みｗを調整する。学習部１７は、例えば、誤差逆伝搬などを利用して、与えた入力値に対して、得られた出力値を比較し、それぞれの重みｗの誤差を調べて逆方向に伝搬していき、最終的に重みｗなどのパラメータを決定することができる。このような学習処理を経て、学習部１７は、学習済みのニューラルネットワークを構築する。

【0077】

学習部１７によって構築された学習済みのニューラルネットワークは、第２記憶部１５に記憶される。

【0078】

図４に戻り、分類部１８は、尤度関数Ｐ（Ｙ_ｉ｜Ｘ）を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って、第１分類クラスおよび第２分類クラスを含む分類クラスに分類する。分類部１８は、第２取得部１６が取得した尤度関数Ｐ（Ｙ_ｉ｜Ｘ）を未知の入力として学習済みの機械学習モデルに与える。尤度関数Ｐ（Ｙ_ｉ｜Ｘ）は、ベイズ推定モデルを用いた学習を行う第１学習装置１－１の設定部１１によって設定された確率分布である。また、第１分類クラスは、ＵＤＲ３２で異常が発生したことを示し、第２分類クラスは、複数のＵＤＭ３１のいずれかで異常が発生したことを示す。

【0079】

分類部１８は、未知の入力に対して、学習済みの重みｗなどのパラメータの積和演算および活性化関数によるしきい値処理を行って分類結果を出力する。分類部１８による分類結果は、提示部１４によって提示される。分類結果は、ネットワークＮＷを介して外部のサーバ等に送出することができる。

【0080】

［通信管理装置の動作］
上述した構成を有する通信管理装置１Ａの動作について、図６のフローチャートを参照して説明する。図６に示すステップＳ１からステップＳ４までの処理は、第１学習装置１－１によって実行され、第１の実施の形態で説明した通信管理装置１の動作に係る処理と同様である。以下、ステップＳ１０以降の処理について説明する。

【0081】

ステップＳ４での判定処理の後、第２記憶部１５は、尤度関数Ｐ（Ｙ_ｉ｜Ｘ）に分類クラスを関連付けた学習用データを記憶する（ステップＳ１０）。学習用データを構成する尤度関数Ｐ（Ｙ_ｉ｜Ｘ）はステップＳ２で設定された値であり、分類クラスはステップＳ４の判定結果に対応する値である。より詳細には、学習用データは、ｎ台のＵＤＭ３１の各々に対応する尤度関数Ｐ（Ｙ_ｉ｜Ｘ）に対して、ステップＳ４での判定結果が示す分類クラスを正解ラベルとして付したデータである。

【0082】

なお、ステップＳ１０で記憶される学習用データの分類クラスは、ステップＳ４での判定結果に対して、別途行われる異常発生箇所の解析により正しい異常発生箇所に対応する分類クラスが反映された値である。次に、第２取得部１６は、設定された数の学習用データが第２記憶部１５に蓄積された場合（ステップＳ１１：ＹＥＳ）、第２記憶部１５から学習用データを取得する（ステップＳ１２）。

【0083】

一方、ステップＳ１０において第２記憶部１５に設定された数の学習用データが蓄積されていない場合（ステップＳ１１：ＮＯ）、ステップＳ１からステップＳ４までの処理が繰り返される。その後、学習部１７は、ステップＳ１２で取得した学習用データを用いて、尤度関数Ｐ（Ｙ_ｉ｜Ｘ）と分類クラスとの関係を、機械学習モデルを用いて学習する（ステップＳ１３）。ステップＳ１３で構築された学習済みの機械学習モデルは、第２記憶部１５に記憶される。

【0084】

次に、分類部１８は、ステップＳ１３で構築された学習済みの機械学習モデルを第２記憶部１５から読み出して、分類処理を行う（ステップＳ１４）。分類部１８は、第２取得部１６が取得した尤度関数Ｐ（Ｙ_ｉ｜Ｘ）を未知の入力として学習済みの機械学習モデルに与え、学習済みの機械学習モデルの演算を行って分類クラスを出力する。

【0085】

その後、提示部１４は、ステップＳ１４で得られた分類結果を提示する（ステップＳ１５）。例えば、提示部１４は、ネットワークＮＷを介して外部のサーバに分類結果を送出することができる。分類結果は、未知の入力に対する分類クラスを示す。具体的には、ＵＤＲ３２およびＵＤＭ３１でアラーム信号が検出された場合に、ＵＤＲ３２で異常が発生したことを示す第１分類クラスに属するか、あるいは、ＵＤＭ３１側で異常が発生したことを示す第２分類クラスに属するのかが示される。

【0086】

以上説明したように、第２の実施の形態に係る通信管理装置１Ａによれば、第１学習装置１－１で得られた判定結果を学習用データとして用いて、第２学習装置１－２が尤度関数Ｐ（Ｙ_ｉ｜Ｘ）と分類クラスとの関係を学習した学習済み機械学習モデルを構築する。したがって、例えば、サービス開始からの経過時間が比較的短いような場合において、少ない観測データしか取得できない場合には、ベイズ推定モデルを利用した判定処理を行うことができる。一方において、一定数以上の学習用データが蓄積された場合には、教師あり学習を行う機械学習モデルを学習して分類処理を行うことができる。そのため、サービスの開始から時間の経過に沿って適した学習処理を行うことができる。さらには、より精度の高い分類処理によって階層構造のネットワークにおける異常発生箇所を特定することができる。

【0087】

なお、上述の実施の形態では、第１学習装置１－１と第２学習装置１－２とが同じ装置に設けられている構成を例示した。しかし、第１学習装置１－１と第２学習装置１－２とは、それぞれ別個の装置として構成することができる。この場合、第１学習装置１－１、および第２学習装置１－２はそれぞれ図２で説明したハードウェア構成を有することができる。

【0088】

また、上述の実施の形態では、階層構造を有するネットワークにおける異常発生箇所について、コアネットワーク３の制御装置でアラーム信号が検出された際の異常発生箇所を特定する場合について説明した。しかし、異常発生箇所を特定する対象は、階層構造を有するネットワークにおいてアラーム信号が波及する構造であれば、コアネットワーク３の通信設備に限らない。例えば、ＰＳＴＮ（Ｐｕｂｌｉｃ Ｓｗｉｔｃｈｅｄ Ｔｅｌｅｐｈｏｎｅ Ｎｅｔｗｏｒｋｓ）などの、回線交換機と端末とで構成される階層構造に対しても適用することができる。

【0089】

また、上述した実施の形態では、機械学習モデルとして、入力層、隠れ層、および出力層からなるニューラルネットワークを例示した。ニューラルネットワークは、教師あり学習により分類問題を扱うモデルであれば、例えば、隠れ層を多層化した深層学習モデルとすることができる。その他にも、機械学習モデルとして、ＳＶＭ、決定木、ランダムフォレスト、ロジスティック回帰などを用いることができる。

【0090】

なお、上述の実施の形態では、５Ｇに準拠する通信管理システムである場合を例示したが、３Ｇ／ＬＴＥや６Ｇ等に準拠する通信管理システムであってもよい。

【0091】

以上、本発明の通信管理装置および通信管理方法における実施の形態について説明したが、本発明は説明した実施の形態に限定されるものではなく、請求項に記載した発明の範囲において当業者が想定し得る各種の変形を行うことが可能である。

【符号の説明】

【0092】

１、１Ａ…通信管理装置、１－１…第１学習装置、１－２…第２学習装置、１０…第１取得部、１１…設定部、１２…判定部、１３…第１記憶部、１４…提示部、１５…第２記憶部、１６…第２取得部、１７…学習部、１８…分類部、２…基地局、３…コアネットワーク、４…監視装置、３０…ＡＭＦ、３１…ＵＤＭ、３２…ＵＤＲ、１０１…バス、１０２…プロセッサ、１０３…主記憶装置、１０４…通信インターフェース、１０５…補助記憶装置、１０６…入出力Ｉ／Ｏ、１０７…表示装置、Ｌ１、Ｌ２、ＮＷ…ネットワーク。

【要約】

【課題】階層構造のネットワークで異常が発生した場合に、より簡易な構成で異常が発生した箇所を特定することを目的とする。
【解決手段】
通信管理装置１は、複数のＵＤＭ３１の各々で検出された、ネットワークで発生した異常を示すアラーム信号の検出回数を含む観測データを取得する第１取得部１０と、観測データに基づいて、複数のＵＤＭ３１の各々でアラーム信号を検出している条件のもとＵＤＲ３２で異常が発生する確率を、ベイズ推定モデルの尤度関数として設定する設定部１１と、設定された尤度関数の値に基づいて、ＵＤＲ３２での異常の発生の有無を判定する判定部１２と、判定部１２による判定結果を提示する提示部１４とを備える。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】