| 講演名 | 2019-03-05 機械学習を用いたP2PTVトラヒックの特性分析と分類手法 林 晃司(芝浦工大), 三好 匠(芝浦工大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 近年，映像配信サービスの利用者の増加により，P2P（Peer-to-peer）形の映像配信サービス（P2PTV）が注目されている．P2PTVでは，ユーザ端末（ピア）同士がデータを共有するため，サーバへの負荷集中を分散することが可能である．しかし，コンテンツ毎に動画データを共有するピア数とスループットが大きく変動するため，P2PTVで発生するトラヒックの静的なトラヒック制御は困難である．そこで，ピア数とスループットに着目してトラヒックを分類し，トラヒックをモデル化する手法が提案されている．この手法では，分析者が主観的にトラヒックを分類しているため，分類の基準が曖昧であり，再現性がない．一方，機械学習手法のクラスタリングは，特徴に基づいてデータ間の類似度を計算することで大量のデータの分類が可能である．そこで本稿では，機械学習を用いたP2PTVトラヒック分類手法を提案する．提案手法では，代表的なP2PTVアプリケーションであるPPStreamとPPTVにおいて，トラヒックの特性を分析することで抽出する特徴量を検討し，クラスタリングによってトラヒックデータを分類する．特性分析では，1コンテンツ視聴時のP2PTVトラヒックから抽出する18種類の特徴を検討した．各アプリケーションにおいて約400件のP2PTVトラヒックを分類した結果，3または4種類のクラスタに分類されることが分かった． |
| 抄録(英) | Peer-to-peer video streaming service (P2PTV) has attracted attention due to the huge demands for video streaming services. Since the user terminals (peers) share data, it is possible to distribute the load concentration on the server in P2PTV. However, P2PTV traffic is difficult to control and manage statically as both the number of peers sharing video data and the throughput vary with respect to each content. A method to classify and model P2PTV traffic by focusing on the number of peers and throughput has been studied. However, the classification criteria are ambiguous, and there is no reproducibility in this study because the authors tried to subjectively classify P2PTV traffic. Clustering, one of machine learning methods, can classify a large amount of data into some categories by calculating the similarity based on the characteristic values of input data. This paper proposes a P2PTV traffic classification method using machine learning. We examined the features extracted by analyzing the characteristics of traffic and then classified traffic data by the clustering method in PPStream and PPTV, typical P2PTV applications. In the characteristics analysis, we examined 18 kinds of features extracted from P2PTV traffic that was obtained when we watched video contents. The classification results in each application show that about 400 P2PTV traffic data sets can be categorized into four clusters. |
| キーワード(和) | P2P / P2PTV / トラヒック分析 / 機械学習 / クラスタリング |
| キーワード(英) | P2P / P2PTV / Traffic analysis / Machine learning / Clustering |
| 資料番号 | NS2018-230 |
| 発行日 | 2019-02-25 (NS) |
| 研究会情報 | |
| 研究会 | IN / NS |
|---|---|
| 開催期間 | 2019/3/4(から2日開催) |
| 開催地（和） | 沖縄コンベンションセンター |
| 開催地（英） | Okinawa Convention Center |
| テーマ（和） | 一般 |
| テーマ（英） | General |
| 委員長氏名（和） | 岸田 卓治(NTT-AT) / 岡崎 義勝(NTT) |
| 委員長氏名（英） | Takuji Kishida(NTT-AT) / Yoshikatsu Okazaki(NTT) |
| 副委員長氏名（和） | 石田 賢治(広島市大) / 中尾 彰宏(東大) |
| 副委員長氏名（英） | Kenji Ishida(Hiroshima City Univ.) / Akihiro Nakao(Univ. of Tokyo) |
| 幹事氏名（和） | 松本 延孝(KDDI総合研究所) / 植田 一暁(KDDI総合研究所) / 加島 伸悟(NTT) / 持田 誠一郎(NTT) / 松井 健一(NTT) / 谷川 陽祐(阪府大) |
| 幹事氏名（英） | Nobutaka Matsumoto(KDDI Research) / Kazuaki Ueda(KDDI Research) / Shingo Kashima(NTT) / Seiichiro Mochida(NTT) / Kenichi Matsui(NTT) / Yosuke tanigawa(Osaka Pref Univ.) |
| 幹事補佐氏名（和） | / 橿渕 健一(NTT) |
| 幹事補佐氏名（英） | / Kenichi Kashibuchi(NTT) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Information Networks / Technical Committee on Network Systems |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 機械学習を用いたP2PTVトラヒックの特性分析と分類手法 |
| サブタイトル（和） | |
| タイトル（英） | Characteristic Analysis of P2PTV Traffic and Its Classification Using Machine Learning |
| サブタイトル（和） | |
| キーワード(1)（和/英） | P2P / P2P |
| キーワード(2)（和/英） | P2PTV / P2PTV |
| キーワード(3)（和/英） | トラヒック分析 / Traffic analysis |
| キーワード(4)（和/英） | 機械学習 / Machine learning |
| キーワード(5)（和/英） | クラスタリング / Clustering |
| 第 1 著者 氏名（和/英） | 林 晃司 / Koji Hayashi |
| 第 1 著者 所属（和/英） | 芝浦工業大学(略称：芝浦工大) Shibaura Institute of Technology(略称：Shibaura Inst. Tech.) |
| 第 2 著者 氏名（和/英） | 三好 匠 / Takumi Miyoshi |
| 第 2 著者 所属（和/英） | 芝浦工業大学(略称：芝浦工大) Shibaura Institute of Technology(略称：Shibaura Inst. Tech.) |
| 発表年月日 | 2019-03-05 |
| 資料番号 | NS2018-230 |
| 巻番号（vol） | vol.118 |
| 号番号（no） | NS-465 |
| ページ範囲 | pp.219-224(NS), |
| ページ数 | 6 |
| 発行日 | 2019-02-25 (NS) |