特許 7587190 帯域推定装置、帯域推定方法およびプログラム

(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】2024-11-12

(45)【発行日】2024-11-20

(54)【発明の名称】帯域推定装置、帯域推定方法およびプログラム

(51)【国際特許分類】

   H04L 43/0882 20220101AFI20241113BHJP

【ＦＩ】

H04L43/0882

【請求項の数】 7

(21)【出願番号】P 2023522108

(86)(22)【出願日】2021-05-20

(86)【国際出願番号】 JP2021019124

(87)【国際公開番号】W WO2022244174

(87)【国際公開日】2022-11-24

【審査請求日】2023-08-16

(73)【特許権者】

【識別番号】000004226

【氏名又は名称】日本電信電話株式会社

(74)【代理人】

【識別番号】100147485

【弁理士】

【氏名又は名称】杉村 憲司

(74)【代理人】

【識別番号】100164471

【弁理士】

【氏名又は名称】岡野 大和

(74)【代理人】

【識別番号】100176728

【弁理士】

【氏名又は名称】北村 慎吾

(72)【発明者】

【氏名】山田 友輝

(72)【発明者】

【氏名】小杉 友哉

(72)【発明者】

【氏名】竹下 絵莉奈

(72)【発明者】

【氏名】森田 章弘

【審査官】安藤 一道

(56)【参考文献】

【文献】特開２０２０－１３６８９４（ＪＰ，Ａ）

【文献】安森 涼 外３名，ＩＳＰ視点によるサービストラフィックの流量予測手法，電子情報通信学会技術研究報告［ｏｎｌｉｎｅ］，日本，一般社団法人電子情報通信学会，2020年02月27日，Ｖｏｌ．１１９ Ｎｏ．４６１，pp.333-338

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０４Ｌ ４３／０８８２

(57)【特許請求の範囲】

【請求項1】

複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定装置であって、
前記通信装置から前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類する分類部と、
前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとの必要帯域を推定する推定部と、を備え、 前記推定部は、
前記複数のユーザそれぞれの契約帯域情報と、前記複数のサービスそれぞれのトラフィック情報とを学習データとした機械学習により学習モデルを作成し、
前記学習モデルに前記複数のユーザそれぞれの契約帯域情報を入力して、前記サービスごとに必要な必要帯域を推定する帯域推定装置。

【請求項2】

請求項１に記載の帯域推定装置において、
前記複数のサービスそれぞれのトラフィック情報に基づき、前記複数のサービスそれぞれに起因するトラフィックの周期性を抽出する周期性抽出部をさらに備え、
前記推定部は、前記複数のユーザそれぞれの契約帯域情報と、前記複数のサービスそれぞれのトラフィック情報と、前記周期性抽出部により抽出された周期性とを学習データとした機械学習により、前記学習モデルを作成する、帯域推定装置。

【請求項3】

請求項２に記載の帯域推定装置において、
前記周期性抽出部により抽出された周期性の特徴を判定する特徴判定部をさらに備え、
前記推定部は、学習に関するパラメータの異なる複数の学習モデルを作成し、前記複数の学習モデルのうち、前記特徴判定部により判定された前記周期性の特徴に応じた学習モデルを用いて、前記必要帯域を推定する、帯域推定装置。

【請求項4】

複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定装置であって、
前記通信装置から前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類する分類部と、
前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとの必要帯域を推定する推定部と、
前記複数のサービスそれぞれの過去のトラフィック情報に基づき、前記複数のサービスそれぞれに起因するトラフィックの周期性を抽出する周期性抽出部と、
前記周期性抽出部により抽出された周期性の特徴を判定する特徴判定部と、を備え、
前記推定部は、前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域情報とに基づき、前記必要帯域を推定する複数のアルゴリズムのうち、前記特徴判定部により判定された前記周期性の特徴に応じたアルゴリズムを用いて、前記必要帯域を推定する、帯域推定装置。

【請求項5】

請求項３または４に記載の帯域推定装置において、
前記推定部により推定されたサービスの必要帯域と、前記サービスで実際に必要とされた帯域とを比較する評価部をさらに備え、
前期推定部は、前記評価部による比較の結果に応じて、前記必要帯域の推定に用いるアルゴリズムまたはモデルのパラメータを変更する、帯域推定装置。

【請求項6】

複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定方法であって、
前記通信装置から、前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類し、
前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとに必要な必要帯域を推定し、
前記複数のユーザそれぞれの契約帯域情報と、前記複数のサービスそれぞれのトラフィック情報とを学習データとした機械学習により学習モデルを作成し、
前記学習モデルに前記複数のユーザそれぞれの契約帯域情報を入力して、前記サービスごとに必要な必要帯域を推定する、帯域推定方法。

【請求項7】

コンピュータを、請求項１から５のいずれか一項に記載の帯域推定装置として機能させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、帯域推定装置、帯域推定方法およびプログラムに関する。

【背景技術】

【0002】

通信装置間のリンクに複数の回線が収容される通信ネットワークを設計する際に、リンクで必要となる帯域（以下、「必要帯域」と称する。）の情報が必要となる。各回線の通信帯域は、各回線の契約に応じた帯域の上限値（以下、「契約帯域」と称する。）を有するが、リンクに収容される回線数およびその契約帯域は、回線の新規追加、契約変更あるいは削除に伴って時間的に変化する。そのため、通信ネットワークの設計では、各回線の契約帯域に関する情報である契約帯域情報を考慮して、必要帯域を算出することが重要である。ネットワーク設計者は、必要帯域を推定し、必要帯域が既存設備の帯域を超えるか否かにより、新規回線を収容可能か否かの判定（収容判定）を行う。必要帯域が既存設備の帯域を超える場合には、設備の増設が必要となる。そのため、必要帯域を高精度に推定することは設備コストを抑制することにつながる。

【0003】

必要帯域を推定する方法として、通信装置から取得した、リンクを流れる各回線のトラフィックに関する情報を基に帯域推定を行う方法が報告されている。例えば、特許文献１には、既存回線の帯域の変動から将来的な必要帯域を算出する方法が記載されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２００９－１１８２７４号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

多数のユーザの機器が接続する通信ネットワークでは、モバイル（動画映像、ＳＮＳ（Social Networking Service））、ＩｏＴ（Internet of Things）、移動体など様々なサービスに起因したトラフィックが流れており、近年、ますます多様化が進んでいる。特許文献１に記載の方法では、様々なサービスを区別することなくトラフィック情報を取得・解析している。しかしながら、通信の利用帯域、ユーザ数の増加・減少傾向、日内・週内の変動など、様々な要素が異なるサービスをまとめて解析することは、必要帯域の推定の精度の低下を招くおそれがある。このように、必要帯域の推定の精度には改善の余地があった。

【0006】

上記のような問題点に鑑みてなされた本開示の目的は、必要帯域の推定の精度の向上を図ることができる帯域推定装置、帯域推定方法およびプログラムを提供することにある。

【課題を解決するための手段】

【0007】

上記課題を解決するため、本開示に係る帯域推定装置は、複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定装置であって、前記通信装置から前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類する分類部と、前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとの必要帯域を推定する推定部と、を備える。

【0008】

また、上記課題を解決するため、本開示に係る帯域推定方法は、複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定方法であって、前記通信装置から、前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類し、前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとに必要な必要帯域を推定する。

【0009】

また、上記課題を解決するため、本開示に係るプログラムは、コンピュータを、上述した帯域推定装置として機能させる。

【発明の効果】

【0010】

本開示に係る帯域推定装置、帯域推定方法およびプログラムによれば、必要帯域の推定の精度の向上を図ることができる。

【図面の簡単な説明】

【0011】

【図1】本開示の第１の実施形態に係る帯域推定装置の構成例を示す図である。

【図2A】図１に示す推定部によるサービスごとの必要帯域の推定について説明するための図である。

【図2B】図１に示す推定部によるサービスごとの必要帯域の推定について説明するための図である。

【図2C】図１に示す推定部によるサービスごとの必要帯域の推定について説明するための図である。

【図3】図１に示す帯域推定装置の動作の一例を示すフローチャートである。

【図4】本開示の第２の実施形態に係る帯域推定装置の構成例を示す図である。

【図5】図４に示す学習部に入力される学習データの一例を示す図である。

【図6】図４に示す推定部の推定結果の一例を示す図である。

【図7】本開示の第３の実施形態に係る帯域推定装置の構成例を示す図である。

【図8】図７に示す周期性抽出部によるトラフィックの周期性の抽出について説明するための図である。

【図9】図７に示す学習部に入力される学習データの一例を示す図である。

【図10】本開示の第４の実施形態に係る帯域推定装置の構成例を示す図である。

【図11】図１０に示す特徴判定部による周期性の特徴の有無の判定について説明するための図である。

【図12】本開示の第４の実施形態に係る帯域推定装置の構成例を示す図である。

【図13】図１に示す帯域推定装置のハードウェア構成の一例を示す図である。

【発明を実施するための形態】

【0012】

以下、本開示の実施の形態について図面を参照して説明する。

【0013】

（第１の実施形態）
図１は、本開示の第１の実施形態に係る帯域推定装置１０の構成例を示す図である。本開示に係る帯域推定装置１０は、複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置２０間のリンク２１の必要帯域を推定するものである。

【0014】

図１に示すように、本実施形態に係る帯域推定装置１０は、サービス分類部１１と、トラフィック収集部１２と、ユーザ情報ＤＢ（Database）１３と、推定部１４とを備える。

【0015】

サービス分類部１１は、リンク２１を流れるトラフィック（帯域）に関する情報であるトラフィック情報を通信装置２０から取得する。サービス分類部１１は、取得したトラフィック情報をサービスごとに分類する。すなわち、サービス分類部１１は、サービスごとに、当該サービスに起因するトラフィックのトラフィック情報を分類する。例えば、ネットワーク設計時に、タグ、Ｖ－ＬＡＮ（Virtual Local Area Network）、優先度、ＳＩＤ（Segment ID）などで事前にサービスを分類しておくことで、サービス分類部１１は、この分類の情報に基づき、トラフィック情報をサービスごとに分類することができる。また、サービス分類部１１は、例えば、ＤＰＩ（Deep Packet Inspection）技術によりパケットの内容を読み取ってサービス内容を検知することで、トラフィック情報をサービスごとに分類することができる。サービス分類部１１は、サービスごとに分類したトラフィック情報をトラフィック収集部１２に出力する。

【0016】

トラフィック収集部１２は、サービス分類部１１から出力された、サービスごとのトラフィック情報を収集して、推定部１４に出力する。

【0017】

ユーザ情報ＤＢ１３は、各ユーザの回線の契約に応じた帯域の上限値である契約帯域に関する情報（以下、「契約帯域情報」と称する。）を記憶するデータベースである。ユーザ情報ＤＢ１３は、記憶している契約帯域情報を推定部１４に出力する。

【0018】

推定部１４は、トラフィック収集部１２から出力された、サービスごとのトラフィック情報と、ユーザ情報ＤＢ１３から出力された契約帯域情報とに基づき、サービスごとの必要帯域を推定する。

【0019】

推定部１４によるサービスごとの必要帯域の推定について、図２Ａ～２Ｃを参照して説明する。推定部１４は、図２Ａ～２Ｃを参照して説明する処理を、サービスごとに行う。

【0020】

推定部１４は、契約帯域ごとに、必要帯域の推定対象のサービス（以下、「対象サービス」と称する。）に起因するトラフィックのトラフィック情報を抽出する。すなわち、推定部１４は、契約帯域（契約帯域Ａ、契約帯域Ｂ、契約帯域Ｃ．．．）ごとに、対象サービスに起因するトラフィックのトラフィック情報を抽出する。次に、推定部１４は、図２Ａに示すように、契約帯域ごとに抽出したトラフィック情報に示される帯域（過去の帯域）の分布を評価し、過去の帯域の中央値と分散とを求める。帯域の分布関数としては、例えば、正規分布を用いることができるが、これに限られない。

【0021】

次に、推定部１４は、図２Ｂに示すように、過去の帯域の中央値と契約帯域との関係を任意の関数で近似する。帯域の中央値と契約帯域との関係の近似としては、例えば、直線近似を用いることができるが、これに限られない。

【0022】

次に、推定部１４は、図２Ｃに示すように、上述した帯域の中央値と契約帯域との関係と、予め用意された将来の契約帯域情報に基づき、ある契約帯域Ｘにおける、将来の帯域の中央値を算出する。最後に、推定部１４は、過去の帯域の分散と、将来の帯域の中央値とに基づき、推定対象のサービスに起因するトラフィック（帯域）の分布を求め、必要帯域を導出する。例えば、ネットワークのＳＬＡ（Service Agreement Level）が９９％である場合、推定部１４は、求めた分布の９９％をカバーできるように必要帯域を定めてよい。また、推定部１４は、通信ネットワークにおける故障の発生時の迂回トラフィックなどを考慮したバッファを加えて必要帯域を導出してもよい。サービスごとの必要帯域を推定することで、リンク２１の必要帯域も推定することができる。

【0023】

次に、本実施形態に係る帯域推定装置１０の動作について説明する。

【0024】

図３は、本実施形態に係る帯域推定装置１０の動作の一例を示すフローチャートであり、帯域推定装置１０による帯域推定方法を説明するための図である。

【0025】

サービス分類部１１は、通信装置２０から、リンク２１を流れるトラフィックに関するトラフィック情報を取得し、取得したトラフィック情報をサービスごとに分類する（ステップＳ１１）。

【0026】

推定部１４は、サービスごとのトラフィック情報と、ユーザ情報ＤＢ１３に記憶されている契約帯域情報とに基づき、サービスごとに必要な必要帯域を推定する（ステップＳ１２）。

【0027】

このように本実施形態に係る帯域推定装置１０は、サービス分類部１１と、推定部１４とを備える。サービス分類部１１は、通信装置２０から、リンク２１を流れるトラフィックに関するトラフィック情報を取得し、取得したトラフィック情報をサービスごとに分類する。推定部１４は、サービスごとのトラフィック情報と、複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、サービスごとに必要な必要帯域を推定する。

【0028】

トラフィック情報をサービスごとに分類し、サービスごとに必要帯域を推定することで、帯域の増加・減少の傾向などが異なる様々なサービスを分類した上で必要帯域を推定することができる。そのため、リンク２１に複数の回線が収容され、複数のサービスのトラフィックが流れる通信ネットワークにおける、必要帯域の推定の精度の向上を図ることができる。また、サービスごとに必要帯域を推定することで、サービスごとの収容判定が可能となるので、サービスごとに設備増設の必要性を判断することができ、設備コストの低減を図ることができる。また、短い期間の収集データ（トラフィック情報）でも高い推定精度が得られるので、トラフィック収集部１２で記録が必要なデータ量を抑制することができ、設備コストの低減を図ることができる。

【0029】

（第２の実施形態）
図４は、本開示の第２の実施形態に係る帯域推定装置１０Ａの構成例を示す図である。図４において、図１と同様の構成には同じ符号を付し、説明を省略する。

【0030】

図４に示すように、本実施形態に係る帯域推定装置１０Ａは、サービス分類部１１と、トラフィック収集部１２と、ユーザ情報ＤＢ１３と、推定部１４Ａとを備える。本実施形態に係る帯域推定装置１０Ａは、第１の実施形態に係る帯域推定装置１０と比較して、推定部１４を推定部１４Ａに変更した点が異なる。

【0031】

推定部１４Ａは、学習部１４１を備える。

【0032】

学習部１４１は、ユーザ情報ＤＢ１３に記憶されている、複数のユーザそれぞれの過去の契約帯域情報と、トラフィック収集部１２から出力された、複数のサービスそれぞれの過去のトラフィック情報とを学習データとした機械学習により、学習モデル１４２を作成する。具体的には、学習部１４１は、図５に示すように、過去の時刻ｔ_１～ｔ_ｎ－１それぞれにおける、各ユーザの契約帯域情報と、各サービスのトラフィック情報とが学習データとして入力される。学習部１４１は、入力された学習データに基づき、学習モデル１４２のパラメータを最適化する。すなわち、学習部１４１は、学習データとして入力された、各ユーザの契約帯域情報と、各サービスのトラフィック情報との相関関係を抽出する。

【0033】

推定部１４Ａは、学習部１４１により作成した学習モデル１４２に、ユーザ情報ＤＢに記憶されている、時刻ｔ_ｎ，ｔ_ｎ＋１，・・・それぞれにおける複数のユーザそれぞれの契約帯域情報（現在および将来の契約帯域情報）を入力して、サービスごとに必要な必要帯域を推定する。具体的には、推定部１４Ａは、図６に示すように、時刻ｔ_ｎ，ｔ_ｎ＋１，・・・それぞれにおける複数のサービスそれぞれの必要帯域を推定する。推定部１４Ａは、推定した必要帯域と、通信装置２０で許容される上限帯域とを比較し、通信装置２０が回線を収容可能か否か判定する収容判定を行ってもよい。

【0034】

このように本実施形態においては、帯域推定装置１０Ａは、推定部１４Ａを備える。推定部１４Ａは、複数のユーザそれぞれの過去の契約帯域情報と、複数のサービスそれぞれの過去のトラフィック情報とを学習データとした機械学習により学習モデル１４２を作成する。そして、推定部１４Ａは、学習モデル１４２に複数のユーザそれぞれの契約帯域情報を入力して、サービスごとに必要な必要帯域を推定する。

【0035】

第１の実施形態に係る帯域推定装置１０においては、ユーザの契約帯域とトラフィックとの関係から必要帯域を推定しているため、ユーザごとに帯域利用率が異なる場合に、推定の精度が低下する。これを解消するためには、ユーザごとの帯域利用率までパラメータとして考慮する必要があるが、膨大なデータの解析を要する。本実施形態のように、機械学習を用いることで、短時間での解析が可能となり、第１の実施形態と比べて、必要帯域の推定の精度をより向上させることができる。

【0036】

なお、本実施形態においては、複数のユーザそれぞれの契約帯域情報と、複数のサービスそれぞれのトラフィック情報とを学習データとして学習する例を用いて説明したが、これに限られるものではない。時刻情報、送信先情報、送信元情報、Ｖ－ＬＡＮ、タグ、優先度ごとのパケット長、パケット数などをさらに学習データに含めてもよい。

【0037】

また、図６においては、推定部１４Ａは、サービスごとの必要帯域の数値を推定結果として出力する例を示しているが、これに限られるものではなり、推定部１４Ａは、必要帯域の数値と、その値をとる確率とをセットで、推定結果として出力してもよい。

【0038】

（第３の実施形態）
図７は、本開示の第３の実施形態に係る帯域推定装置１０Ｂの構成例を示す図である。図７において、図４と同様の構成には同じ符号を付し、説明を省略する。

【0039】

図７に示すように、本実施形態に係る帯域推定装置１０Ｂは、サービス分類部１１と、トラフィック収集部１２と、ユーザ情報ＤＢ１３と、推定部１４Ｂと、周期性抽出部１５とを備える。本実施形態に係る帯域推定装置１０Ｂは、第２の実施形態に係る帯域推定装置１０Ａと比較して、推定部１４Ａを推定部１４Ｂに変更した点と、周期性抽出部１５を追加した点とが異なる。

【0040】

周期性抽出部１５は、トラフィック収集部１２から出力された、サービスごとのトラフィック情報に基づき、複数のサービスそれぞれに起因するトラフィックの周期性を抽出する。

【0041】

図８は、周期性抽出部１５によるトラフィックの周期性の抽出について説明するための図である。図８に示すように、トラフィック情報から、トラフィック量の時系列的な変化が得られる。周期性抽出部１５は、トラフィック量の時系列的な変化に対して、フーリエ変換、離散フーリエ変換、ウェーブレット変換などの周波数解析を行うことで、トラフィックの周期性についての情報（周期性情報）を抽出する。図８においては、トラフィック量の時系列的な変化を、フーリエ変換により、各周波数（周期の逆数に相当）における振幅（周期性の大きさに相当）に変換した例を示している。周期性抽出部１５は、抽出したサービスごとのトラフィックの周期性情報を推定部１４Ｂに出力する。

【0042】

推定部１４Ｂは、推定部１４Ａと比較して、学習部１４１を学習部１４１Ｂに変更した点が異なる。

【0043】

学習部１４１Ｂは、ユーザ情報ＤＢ１３に記憶されている、複数のユーザそれぞれの過去の契約帯域情報と、トラフィック収集部１２から出力された、複数のサービスそれぞれの過去のトラフィック情報と、周期性抽出部１５により抽出された、複数のサービスそれぞれのトラフィックの周期性とを学習データとした機械学習により、学習モデル１４２Ｂを作成する。具体的には、学習部１４１Ｂは、図９に示すように、過去の時刻ｔ_１～ｔ_ｎ－１それぞれにおける、各ユーザの契約帯域情報と、各サービスのトラフィック情報と、各サービスのトラフィックの周期性情報（トラフィックの周期性を示す周波数および振幅）とが学習データとして入力される。学習部１４１Ｂは、入力された学習データに基づき、学習モデル１４２Ｂのパラメータを最適化する。すなわち、学習部１４１Ｂは、学習データとして入力された、各ユーザの契約帯域情報と、各サービスのトラフィック情報と、各サービスのトラフィックの周期性との相関関係を抽出する。

【0044】

推定部１４Ｂは、学習部１４１Ｂにより作成した学習モデル１４２Ｂに、ユーザ情報ＤＢに記憶されている、時刻ｔ_ｎ，ｔ_ｎ＋１，・・・それぞれにおける複数のユーザそれぞれの契約帯域情報（現在および将来の契約帯域情報）を入力して、サービスごとに必要な必要帯域を推定する。

【0045】

このように本実施形態においては、帯域推定装置１０Ｂは、周期性抽出部１５と、推定部１４Ｂとを備える。周期性抽出部１５は、複数のサービスそれぞれのトラフィック情報に基づき、複数のサービスそれぞれに起因するトラフィックの周期性を抽出する。推定部１４Ｂは、学習部１４１Ｂを備える。学習部１４１Ｂは、複数のユーザそれぞれの契約帯域情報と、複数のサービスそれぞれのトラフィック情報と、周期性抽出部１５により抽出された周期性とを学習データとして機械学習により、学習モデル１４２Ｂを作成する。

【0046】

複数のサービスそれぞれのトラフィックの周期性を学習データに加えることで、サービスごとに異なるトラフィックの時間依存性に関する情報も学習することができるので、マルチサービスでの必要帯域の推定のさらなる精度の向上を図ることができる。また、新規のサービスでは、試験から正常運用に至るまでにトラフィックの周期性が変化することも考えられる。この場合、トラフィックの周期性の抽出により、サービスの運用形態に関する情報を考慮した学習が可能になる。

【0047】

（第４の実施形態）
図１０は、本開示の第４の実施形態に係る帯域推定装置１０Ｃの構成例を示す図である。図１０において、図７と同様の構成には同じ符号を付し、説明を省略する。

【0048】

図１０に示すように、本実施形態に係る帯域推定装置１０Ｃは、サービス分類部１１と、トラフィック収集部１２と、ユーザ情報ＤＢ１３と、推定部１４Ｃと、周期性抽出部１５と、特徴判定部１６とを備える。本実施形態に係る帯域推定装置１０Ｃは、第３の実施形態に係る帯域推定装置１０Ｂと比較して、推定部１４Ｂを推定部１４Ｃに変更した点と、特徴判定部１６を追加した点とが異なる。

【0049】

特徴判定部１６は、周期性抽出部１５により抽出された、サービスごとのトラフィックの周期性の特徴の有無あるいは周期性の特徴を判定する。例えば、特徴判定部１６は、サービスのトラフィックが特徴的な周期で変化するか、特徴的な周波数でのピークの大きさ、定常的なトラフィックであるかランダムなトラフィックであるかなどを判定する。

【0050】

図１１は、特徴判定部１６による周期性の特徴の判定の一例を示す図である。

【0051】

上述したように、トラフィックの時系列的な変化は、フーリエ変換により、図１１に示すように、周波数と振幅とのスペクトルに変換される。特徴判定部１６は、周波数と振幅とのスペクトルを任意の関数でフィッティングし、フィッティングカーブから任意の割合で外れるピークが存在する場合には、周期性ありと判定し、ピークが存在しない場合には、周期性なしと判定する。また、特徴判定部１６は、例えば、周波数と振幅とのスペクトルの部分係数に対して、同様の解析を行ってもよい。

【0052】

図１０を再び参照すると、特徴判定部１６は、判定結果を推定部１４Ｃに出力する。

【0053】

推定部１４Ｃは、推定部１４Ｂと比較して、学習部１４１Ｂを学習部１４１Ｃに変更した点が異なる。

【0054】

学習部１４１Ｃは、サービスごとのトラフィック情報と、契約帯域情報と、サービスごとのトラフィックの周期性情報とを学習データとした機械学習により、学習モデル１４２Ｃを作成する。ここで、学習部１４１Ｃは、例えば、学習に用いるパラメータの異なる複数の学習モデル１４２Ｃを作成する。

【0055】

推定部１４Ｃは、学習部１４１Ｃが作成した複数の学習モデル１４２Ｃのうち、特徴判定部１６により判定された周期性の特徴に応じた学習モデル１４２Ｃを用いて、サービスごとの必要帯域を判定する。

【0056】

例えば、トラフィックに時系列的な周期性が存在する（時刻とトラフィックとの相関が大きい）場合、非定常状態の取り扱いに適したモデルを適用する必要がある。一方、トラフィックに時系列的な周期性が存在しない（時刻とトラフィックとの相関が小さい）場合（定常的なデータあるいはランダムなデータである場合）、非定常状態の取り扱いに適したモデルよりも計算の処理負荷が小さい、定常状態の取り扱いに適したモデルを適用する必要がある。推定部１４Ｃは、特徴判定部１６の判定結果に基づき、サービスに起因するトラフィックの特徴に応じて、学習モデル１４２Ｃを選択する。このように、サービスに起因するトラフィックの特徴に応じて学習モデル１４２Ｃを選択することで、推定精度のさらなる向上および計算の処理負荷の低減を図ることができる。また、どのような学習モデル１４２Ｃを用いたらよいのか分からない新規のサービスの必要帯域を推定する場合、トラフィックの周期性が類似する他のサービスの必要帯域の推定に用いた学習モデル１４２Ｃを使用することで、新規のサービスに対しても必要帯域の推定の精度の向上を図ることができる。

【0057】

なお、本実施形態においては、特徴判定部１６の判定の結果に基づき、複数の学習モデル１４２Ｃから、必要帯域の推定に用いる学習モデル１４２Ｃを選択する例を用いて説明したが、これに限られるものではない。例えば、図１に示す帯域推定装置１０において、必要帯域を推定するための複数のアルゴリズムが用意されている場合、サービスに起因するトラフィックの特徴に応じて、用意された複数のアルゴリズムの中から、必要帯域の推定に用いるアルゴリズムが選択されてもよい。

【0058】

（第５の実施形態）
図１２は、本開示の第５の実施形態に係る帯域推定装置１０Ｄの構成例を示す図である。図１２において、図１０と同様の構成には同じ符号を付し、説明を省略する。

【0059】

図１２に示すように、本実施形態に係る帯域推定装置１０Ｄは、サービス分類部１１と、トラフィック収集部１２と、ユーザ情報ＤＢ１３と、推定部１４Ｄと、周期性抽出部１５と、特徴判定部１６と、評価部１７とを備える。本実施形態に係る帯域推定装置１０Ｄは、図１０に示す帯域推定装置１０Ｃと比較して、推定部１４Ｃを推定部１４Ｄに変更した点と、評価部１７を追加した点とが異なる。

【0060】

評価部１７は、推定部１４Ｄにより推定されたサービスの必要帯域と、そのサービスで実際に必要とされた帯域とを比較し、比較の結果を推定部１４Ｄに出力する。評価部１７は、例えば、推定部１４により推定されたサービスの必要帯域と、実際に必要とされた帯域との差分を、比較の結果として推定部１４Ｄに出力する。

【0061】

推定部１４Ｄは、推定部１４Ｃと同様に、複数の学習モデル１４２Ｃから、サービスに起因するトラフィックの周期性の特徴の判定結果に応じた学習モデルＣ１４２Ｃを選択して、サービスの必要帯域を推定する。そして、推定部１４Ｄは、評価部１７による比較の結果に応じて、必要帯域の推定に用いる学習モデル１４２Ｃのパラメータを変更する。例えば、第１の学習モデル１４２Ｃ－１を用いて推定された必要帯域と、実際に必要とされた帯域との間に、任意の割合以上の誤差が生じた場、推定部１４Ｄは、第２の学習モデル１４２Ｃ－２を用いて再度、必要帯域を推定する。そして、推定部１４Ｄは、例えば、第１の学習モデル１４２Ｃ－１により推定された必要帯域、および第２の学習モデル１４２Ｃ－２により推定された必要帯域のうち、実際に必要とされた帯域との誤差が少ない学習モデル１４２を、必要帯域を推定するモデルとして用いる。

【0062】

このように本実施形態においては、評価部１７により推定部１４Ｄによる必要帯域の推定結果を評価することで、必要帯域の推定のさらなる向上を図ることができる。特に、どのような学習モデル１４２Ｃを用いればよいかが分からない新規サービスの必要帯域を推定する際に、顕著な効果が期待される。

【0063】

なお、本実施形態においては、評価部１７による比較の結果に応じて、必要帯域の推定に用いる学習モデル１４２Ｃのパラメータを変更する例を用いて説明したら、これに限られるものではない。例えば、図１に示す帯域推定装置１０において、評価部１７による比較の結果に応じて、必要帯域を推定するためのアルゴリズムのパラメータが変更されてもよい。また、評価部１７による比較の結果に応じて、特徴判定部１６による判定に関するパラメータが変更されてもよい。

【0064】

次に、本開示に係る帯域推定装置１０のハードウェア構成について説明する。なお、以下では、帯域推定装置１０を例として説明するが、帯域推定装置１０Ａ，１０Ｂ，１０Ｃ，１０Ｄも同様である。

【0065】

図１３は、本開示の一実施形態に係る帯域推定装置１０のハードウェア構成の一例を示す図である。図１３においては、帯域推定装置１０がプログラム命令を実行可能なコンピュータにより構成される場合の、帯域推定装置１０のハードウェア構成の一例を示している。ここで、コンピュータは、汎用コンピュータ、専用コンピュータ、ワークステーション、ＰＣ（Personal computer）、電子ノートパッドなどであってもよい。プログラム命令は、必要なタスクを実行するためのプログラムコード、コードセグメントなどであってもよい。

【0066】

図１３に示すように、帯域推定装置１０は、プロセッサ２１０、ＲＯＭ（Read Only Memory）２２０、ＲＡＭ（Random Access Memory）２３０、ストレージ２４０、入力部２５０、表示部２６０および通信インタフェース（Ｉ／Ｆ）２７０を有する。各構成は、バス２９０を介して相互に通信可能に接続されている。プロセッサ２１０は、具体的にはＣＰＵ(Central Processing Unit)、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＳｏＣ（System on a Chip）などであり、同種または異種の複数のプロセッサにより構成されてもよい。

【0067】

プロセッサ２１０は、各構成の制御および各種の演算処理を実行するコントローラである。すなわち、プロセッサ２１０は、ＲＯＭ２２０またはストレージ２４０からプログラムを読み出し、ＲＡＭ２３０を作業領域としてプログラムを実行する。プロセッサ２１０は、ＲＯＭ２２０あるいはストレージ２４０に記憶されているプログラムに従って、上記各構成の制御および各種の演算処理を行う。本実施形態では、ＲＯＭ２２０またはストレージ２４０には、コンピュータを本開示に係る帯域推定装置１０として機能させるためのプログラムが格納されている。当該プログラムがプロセッサ２１０により読み出されて実行されることで、帯域推定装置１０の各構成、すなわち、サービス分類部１１、トラフィック収集部１２および推定部１４が実現される。

【0068】

プログラムは、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disk Read Only Memory）、ＵＳＢ（Universal Serial Bus）メモリなどの非一時的（non-transitory）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

【0069】

ＲＯＭ２２０は、各種プログラムおよび各種データ（例えば、契約帯域情報）を格納する。ＲＡＭ２３０は、作業領域として一時的にプログラムまたはデータを記憶する。ストレージ２４０は、ＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）により構成され、オペレーティングシステムを含む各種プログラムおよび各種データを格納する。

【0070】

入力部２５０は、マウスなどのポインティングデバイス、およびキーボードを含み、各種の入力を行うために使用される。

【0071】

表示部２６０は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部２６０は、タッチパネル方式を採用して、入力部２５０として機能してもよい。

【0072】

通信インタフェース２７０は、通信装置２０などの外部装置と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）などの規格が用いられる。

【0073】

上述した帯域推定装置１０の各部として機能させるためにコンピュータを好適に用いることが可能である。そのようなコンピュータは、帯域推定装置１０の各部の機能を実現する処理内容を記述したプログラムを該コンピュータの記憶部に格納しておき、該コンピュータのプロセッサによってこのプログラムを読み出して実行させることで実現することができる。すなわち、当該プログラムは、コンピュータを、上述した帯域推定装置１０として機能させることができる。また、当該プログラムを非一時的記録媒体に記録することも可能である。また、当該プログラムを、ネットワークを介して提供することも可能である。

【0074】

以上の実施形態に関し、更に以下の付記を開示する。

【0075】

（付記項１）
複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定装置であって、
前記通信装置から前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類する分類部と、
前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとの必要帯域を推定する推定部と、を備える帯域推定装置。

【0076】

（付記項２）
付記項１に記載の帯域推定装置において、
前記推定部は、
前記複数のユーザそれぞれの契約帯域情報と、前記複数のサービスそれぞれのトラフィック情報とを学習データとした機械学習により学習モデルを作成し、
前記学習モデルに前記複数のユーザそれぞれの契約帯域情報を入力して、前記サービスごとに必要な必要帯域を推定する、帯域推定装置。

【0077】

（付記項３）
付記項２に記載の帯域推定装置において、
前記複数のサービスそれぞれのトラフィック情報に基づき、前記複数のサービスそれぞれに起因するトラフィックの周期性を抽出する周期性抽出部をさらに備え、
前記推定部は、前記複数のユーザそれぞれの契約帯域情報と、前記複数のサービスそれぞれのトラフィック情報と、前記周期性抽出部により抽出された周期性とを学習データとした機械学習により、前記学習モデルを作成する、帯域推定装置。

【0078】

（付記項４）
付記項３に記載の帯域推定装置において、
前記周期性抽出部により抽出された周期性の特徴を判定する特徴判定部をさらに備え、
前記推定部は、学習に関するパラメータの異なる複数の学習モデルを作成し、前記複数の学習モデルのうち、前記特徴判定部により判定された前記周期性の特徴に応じた学習モデルを用いて、前記必要帯域を推定する、帯域推定装置。

【0079】

（付記項５）
付記項１に記載の帯域推定装置において、
前記複数のサービスそれぞれの過去のトラフィック情報に基づき、前記複数のサービスそれぞれに起因するトラフィックの周期性を抽出する周期性抽出部と、
前記周期性抽出部により抽出された周期性の特徴を判定する特徴判定部と、をさらに備え、
前記推定部は、前記必要帯域を推定する複数のアルゴリズムのうち、前記特徴判定部により判定された前記周期性の特徴に応じたアルゴリズムを用いて、前記必要帯域を推定する、帯域推定装置。

【0080】

（付記項６）
付記項４に記載の帯域推定装置において、
前記推定部により推定されたサービスの必要帯域と、前記サービスで実際に必要とされた帯域とを比較する評価部をさらに備え、
前期推定部は、前記評価部による比較の結果に応じて、前記必要帯域の推定に用いるアルゴリズムまたはモデルのパラメータを変更する、帯域推定装置。

【0081】

（付記項７）
複数のユーザの回線を収容し、複数のサービスに起因するトラフィックが流れる、通信装置間のリンクに必要な帯域を推定する帯域推定方法であって、
前記通信装置から、前記トラフィックに関するトラフィック情報を取得し、該取得したトラフィック情報を前記サービスごとに分類し、
前記サービスごとのトラフィック情報と、前記複数のユーザそれぞれの契約帯域に関する契約帯域情報とに基づき、前記サービスごとに必要な必要帯域を推定する、帯域推定方法。

【0082】

（付記項８）
コンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、前記コンピュータを付記項１に記載の制御装置として機能させる、プログラムを記憶した非一時的記憶媒体。

【0083】

上述の実施形態は代表的な例として説明したが、本開示の趣旨および範囲内で、多くの変更および置換ができることは当業者に明らかである。したがって、本発明は、上述の実施形態によって制限するものと解するべきではなく、請求の範囲から逸脱することなく、種々の変形または変更が可能である。例えば、実施形態の構成図に記載の複数の構成ブロックを１つに組み合わせたり、あるいは１つの構成ブロックを分割したりすることが可能である。

【符号の説明】

【0084】

１０，１０Ａ，１０Ｂ，１０Ｃ 帯域推定装置
１１サービス分類部
１２ トラフィック収集部
１３ ユーザ情報ＤＢ
１４，１４Ａ，１４Ｂ，１４Ｃ，１４Ｄ 推定部
１４１，１４１Ｂ，１４１Ｃ 学習部
１４２，１４２Ｂ，１４２Ｃ 学習モデル
１５ 周期性抽出部
１６ 特徴判定部
１７ 評価部
２０ 通信装置
２１ リンク

【図1】

【図2A】

【図2B】

【図2C】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】