| 講演名 | 2021-01-20 ［招待講演］機械学習による通信データ生成へのアプローチ 渡部 康平(長岡技科大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 通信ネットワークやその上で動作するプロトコル，アプリケーションを評価する場合，実データを利用した実験やシミュレーションを行うことで，対象の性能を実証することが重要である．ネットワークのトポロジ，トラヒック，モバイル端末の移動軌跡，通信品質など様々な実データを入手し，データに基づいた実験を行うことで，実環境での性能を立証することができる．しかし，通信ネットワークに関する実データの多くは，企業や組織内で利用されるのみで公開されておらず，多くの研究・開発者はそれらのデータにアクセスすることができない．また，シミュレーションや実験の目的に対して望ましい特性を持った実データが十分に存在するとは限らない．実データが入手できない場合，モデルに基づいて生成したデータを使用して実験結果を得るが，実データを利用した場合の結果とは乖離がある．本稿では，機械学習の技術を活用し，量的・質的な意味で限られた実データから，実データの代わりに利用可能な擬似的データを生成可能な生成器の開発を目指した取り組みを，近年の関連する研究の動向とともに紹介する．著者らが開発する生成器は，実ネットワークの特性を多面的に再現しつつ，かつ任意の特性の調整を可能にすることで，柔軟なシミュレーション・実験を可能にする． |
| 抄録(英) | When we evaluate communication networks and protocols/applications running on them, it is important to demonstrate their performance through experiments and simulations with real data. By performing experiments/simulations based on various real data such as network topology, traffic, trajectories of mobile devices, and communication quality, it is possible to demonstrate the performance in the real environment. However, most of real data related to communication networks are used only within specific companies and organizations, and they are not open to the public. Then many researchers and developers cannot access these data. In addition, there is not always enough real data with desirable characteristics that suit a purpose of a simulation or an experiment. Traditionally, if real data are not available, we have no choice but to obtain experimental results with data generated based on a stochastic model. However, it does not always match the result with real data. In this paper, we introduce recent trends in related research and our recent works that enable realistic data generation. The generator developed by the authors enables tuning of any parameters while maintaining characteristics of real data, thereby enables flexible simulations and experiments. |
| キーワード(和) | 通信データ生成 / トラヒック / ネットワークトポロジ / 移動軌跡 / 機械学習 |
| キーワード(英) | communication data generation / traffic / network topology / trajectory / machine learning |
| 資料番号 | CQ2020-71 |
| 発行日 | 2021-01-13 (CQ) |
| 研究会情報 | |
| 研究会 | CQ |
|---|---|
| 開催期間 | 2021/1/20(から3日開催) |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | AR/VR，放送サービス，映像/音声サービスの品質，高臨場感，ユーザ行動/心理，ユーザ体験，メディア品質，ネットワークの品質・QoS制御，災害時のネットワークとコミュニケーション，機械学習，ビデオコミュニケーション，一般 |
| テーマ（英） | AR/VR, Broadcasting Service, Video/Voice Services Quality, High Realistic, User Behavior/Psychology, User Experience, Media Quality, Network Quality and QoS Control, Networks and Communications at Disaster, User Behavior, Machine Learning, Video Communication, etc. |
| 委員長氏名（和） | 下西 英之(NEC) |
| 委員長氏名（英） | Hideyuki Shimonishi(NEC) |
| 副委員長氏名（和） | 岡本 淳(NTT) / 平栗 健史(日本工大) |
| 副委員長氏名（英） | Jun Okamoto(NTT) / Takefumi Hiraguri(Nippon Inst. of Tech.) |
| 幹事氏名（和） | 木村 共孝(同志社大) / 山中 広明(NICT) / アベセカラ ヒランタ(NTT) |
| 幹事氏名（英） | Tomotaka Kimura(Doshisha Univ.) / Hiroaki Yamanaka(NICT) / Hirantha Abeysekera(NTT) |
| 幹事補佐氏名（和） | 西川 由明(NEC) / 木村 拓人(NTT) / 堅岡 良知(KDDI総合研究所) |
| 幹事補佐氏名（英） | Yoshiaki Nishikawa(NEC) / Takuto Kimura(NTT) / Ryoichi Kataoka(KDDI Research) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Communication Quality |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | ［招待講演］機械学習による通信データ生成へのアプローチ |
| サブタイトル（和） | |
| タイトル（英） | [Invited Talk] A machine learning approach to data generation in networks |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 通信データ生成 / communication data generation |
| キーワード(2)（和/英） | トラヒック / traffic |
| キーワード(3)（和/英） | ネットワークトポロジ / network topology |
| キーワード(4)（和/英） | 移動軌跡 / trajectory |
| キーワード(5)（和/英） | 機械学習 / machine learning |
| 第 1 著者 氏名（和/英） | 渡部 康平 / Kohei Watabe |
| 第 1 著者 所属（和/英） | 長岡技術科学大学(略称：長岡技科大) Nagaoka University of Technology(略称：Nagaoka Univ. of Tech.) |
| 発表年月日 | 2021-01-20 |
| 資料番号 | CQ2020-71 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | CQ-314 |
| ページ範囲 | pp.57-57(CQ), |
| ページ数 | 1 |
| 発行日 | 2021-01-13 (CQ) |