| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2018-03-02 13:10 ディープラーニングを用いたネットワーク状態変化検知 ○中津川恵一・山下真司・奥田將人（富士通研）  NS2017-225 |
|
| 抄録 | （和） | ネットワークの大規模化や通信サービスの多様化に伴い、機械学習/AI技術を活用したネットワーク運用管理の高度化が期待されている．本稿では、ネットワークの自動監視においてより高精度なトラフィック変化検知を実現するため，ネットワークのエッジにおける入出力トラフィックの関係をディープラーニングにより学習してネットワーク状態の変化検知を行う手法を提案し，実際のトラフィックデータを用いて評価を行ったので報告する． |
| （英） | With scale up of networks and diversification of communication services, it is expected to advance network operation and management by applying machine learning and artificial intelligence technologies. In this paper, to achieve more accurate traffic change detection in automatic network surveillance, we propose a method for network state change detection by learning ordinary behavior of input and output traffic at network edges using deep learning. We also evaluate the proposed method through actual traffic data of our large-scale enterprise network. | |
| キーワード | （和） | ネットワーク運用管理 / トラフィック変化検知 / 機械学習 / ディープラーニング / ARIMA / / / |
| （英） | Network operation and management / Traffic change detection / Machine learning / Deep learning / ARIMA / / / | |
| 文献情報 | 信学技報, vol. 117, no. 459, NS2017-225, pp. 321-326, 2018年3月. | |
| 資料番号 | NS2017-225 | |
| 発行日 | 2018-02-22 (NS) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | NS2017-225 |
|
| 研究会情報 | |
| 研究会 | NS IN |
| 開催期間 | 2018-03-01 - 2018-03-02 |
| 開催地（和） | フェニックス・シーガイア・リゾート |
| 開催地（英） | Phoenix Seagaia Resort |
| テーマ（和） | 一般 |
| テーマ（英） | General |
| 講演論文情報の詳細 | |
| 申込み研究会 | NS |
| 会議コード | 2018-03-NS-IN |
| 本文の言語 | 日本語 |
| タイトル（和） | ディープラーニングを用いたネットワーク状態変化検知 |
| サブタイトル（和） | |
| タイトル（英） | Network state change detection using deep learning |
| サブタイトル（英） | |
| キーワード(1)（和/英） | ネットワーク運用管理 / Network operation and management |
| キーワード(2)（和/英） | トラフィック変化検知 / Traffic change detection |
| キーワード(3)（和/英） | 機械学習 / Machine learning |
| キーワード(4)（和/英） | ディープラーニング / Deep learning |
| キーワード(5)（和/英） | ARIMA / ARIMA |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 中津川 恵一 / Keiichi Nakatsugawa / ナカツガワ ケイイチ |
| 第1著者 所属（和/英） | 株式会社 富士通研究所 (略称： 富士通研) FUJITSU LABORATORIES LTD. (略称： FUJITSU LAB.) |
| 第2著者 氏名（和/英/ヨミ） | 山下 真司 / Shinji Yamashita / ヤマシタ シンジ |
| 第2著者 所属（和/英） | 株式会社 富士通研究所 (略称： 富士通研) FUJITSU LABORATORIES LTD. (略称： FUJITSU LAB.) |
| 第3著者 氏名（和/英/ヨミ） | 奥田 將人 / Masato Okuda / オクダ マサト |
| 第3著者 所属（和/英） | 株式会社 富士通研究所 (略称： 富士通研) FUJITSU LABORATORIES LTD. (略称： FUJITSU LAB.) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2018-03-02 13:10:00 |
| 発表時間 | 20分 |
| 申込先研究会 | NS |
| 資料番号 | NS2017-225 |
| 巻番号（vol） | vol.117 |
| 号番号（no） | no.459 |
| ページ範囲 | pp.321-326 |
| ページ数 | 6 |
| 発行日 | 2018-02-22 (NS) |
[研究会発表申込システムのトップページに戻る]