| 講演名 | 2019-05-23 機械学習を用いた時系列P2PTVトラヒックの特性分析 大岡 里奈(芝浦工大), 林 晃司(芝浦工大), 三好 匠(芝浦工大), 山崎 託(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増加に伴い，ユーザ端末（ピア）間で直接通信するP2P（Peer-to-peer）方式を利用した映像配信サービス（P2PTV）が注目を集めている．P2PTVでは，ピア同士でデータを共有して相互に送受信を行うため，サーバに集中する配信負荷を分散することが可能である．ネットワークを適切に維持管理するためには，P2PTVトラヒックの特性をあらかじめ理解しておく必要があるが，動画コンテンツ毎に人気度やデータサイズが異なるため，動画データを共有するピア数や送受信スループットが大きく変動する可能性がある．従来研究では，P2PTVをコンテンツごとに長時間視聴し，得られたトラヒックデータを分類することで特性分析を行っている．しかし，ユーザのP2PTVへの参加，離脱は動的であり，それに伴ってトラヒック特性も時々刻々と変動するため，コンテンツ単位でのトラヒック特性の抽出や分類では不十分であると考えられる．本稿では，P2PTVトラヒックを短時間ごとに分割して時系列データを作成し，これらのデータを機械学習により分類する時系列トラヒック分類手法を提案する．また，80本のP2PTVコンテンツ視聴データの分類結果から，トラヒックの特性分析を行う． |
| 抄録(英) | P2P-based video streaming service (P2PTV) in which user terminals (peers) directly communicate with each other has attracted attention due to the increase of users who enjoy video distribution services. P2PTV can distribute the data delivery load concentrated to the video servers since peers share and transfer the video data among them. To maintain the network properly, it is necessary to understand the characteristics of P2PTV traffic in advance. Since each video content has a different popularity and data size, the number of peers that share the same video data and the throughput may greatly fluctuate. In our previous studies, we have obtained P2PTV traffic in watching each video content for a long time and analyzed the characteristics by classifying the obtained traffic data. However, users would participate in or leave from P2PTV services dynamically, and then the traffic characteristics may change from moment to moment: The classification and analysis of traffic characteristics on a per content basis must be therefore insufficient. In this paper, we propose a time-series P2PTV traffic classification method. The proposed method divides P2PTV traffic into short-time data pieces to create time series data, and classifies these data by machine learning. We also analyze traffic characteristics from the classification results of 80 P2PTV traffic data. |
| キーワード(和) | P2P / P2PTV / 機械学習 / トラヒック分析 / クラスタリング |
| キーワード(英) | P2P / P2PTV / Machine learning / Traffic analysis / Clustering |
| 資料番号 | ICM2019-2 |
| 発行日 | 2019-05-16 (ICM) |
| 研究会情報 | |
| 研究会 | ICM / IPSJ-CSEC / IPSJ-IOT |
|---|---|
| 開催期間 | 2019/5/23(から2日開催) |
| 開催地（和） | 大阪大学 豊中キャンパス 大阪大学会館 |
| 開催地（英） | |
| テーマ（和） | サービス管理，運用管理技術，セキュリティ管理，一般 |
| テーマ（英） | |
| 委員長氏名（和） | 吉原 貴仁(KDDI総合研究所) |
| 委員長氏名（英） | Kiyohito Yoshihara(KDDI Research) |
| 副委員長氏名（和） | 三好 匠(芝浦工大) / 佐藤 陽一(NEC) |
| 副委員長氏名（英） | Takumi Miyoshi(Shibaura Inst. of Tech.) / Yoichi Sato(NEC) |
| 幹事氏名（和） | 大石 晴夫(NTT) / 朱 韵成(日立) |
| 幹事氏名（英） | Haruo Ooishi(NTT) / Yunchen Zhu(Hitachi) |
| 幹事補佐氏名（和） | 瀬戸 三郎(NTT) |
| 幹事補佐氏名（英） | Yunchen Zhu(NTT) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Information and Communication Management / Special Interest Group on Computer Security / Special Interest Group on Internet and Operation Technology |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 機械学習を用いた時系列P2PTVトラヒックの特性分析 |
| サブタイトル（和） | |
| タイトル（英） | Characteristic Analysis of Time-series P2PTV Traffic 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） | 機械学習 / Machine learning |
| キーワード(4)（和/英） | トラヒック分析 / Traffic analysis |
| キーワード(5)（和/英） | クラスタリング / Clustering |
| 第 1 著者 氏名（和/英） | 大岡 里奈 / Rina Ooka |
| 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. of Tech.) |
| 第 2 著者 氏名（和/英） | 林 晃司 / Koji Hayashi |
| 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. of Tech.) |
| 第 3 著者 氏名（和/英） | 三好 匠 / Takumi Miyoshi |
| 第 3 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. of Tech.) |
| 第 4 著者 氏名（和/英） | 山崎 託 / Taku Yamazaki |
| 第 4 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. of Tech.) |
| 発表年月日 | 2019-05-23 |
| 資料番号 | ICM2019-2 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | ICM-52 |
| ページ範囲 | pp.31-36(ICM), |
| ページ数 | 6 |
| 発行日 | 2019-05-16 (ICM) |