| 講演名 | 2021-03-05 ガウス過程を用いたNWトラフィック変動の予測 オウ イト(NTT), 仲地 孝之(NTT), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | IoT 時代といわれ多くの情報が流通する中で、ネットワークのトラフィック特性は非常に動的になっている。そのような背景の中で、動的なトラフィックの変動の高精度な長期予測が可能なマルチスロットの予測技術が求められている。高精度な予測に基づき経路制御などをプロアクティブに制御することで、高品質なネットワークサービスの提供が可能となる。本稿では動的に変動する観測信号に対して、高精度でマルチスロットの予測が可能なガウス過程に基づく方式を提案する。ガウス過程は、非線形なデータ構造に対応するとともに少ないデータ量で学習が可能な特徴があり、観測信号の特性の変化に素早く追従することができる。提案法では、周波数領域で混合ガウス分布を用いトレーニングセットに関連する最適なカーネル関数を近似することで、動的なトラフィックの特性に追従する。さらにトラフィックの長期間に渡る予測を可能とするために、コリージョナライゼーションの線形モデル（LMC）を採用し出力信号間の相関性を活用することで、より高い予測精度を達成する。シミュレーションにより、確率過程論に基づくARIMAや深層学習に基づくLSTMなどの従来法と比較して、予測性能が高いことを示す。 |
| 抄録(英) | With accurate network traffic prediction, future communication networks can realize self-management and enjoy intelligent and efficient automation. Gaussian process, which encodes domain/expert knowledge into the kernel function, allows better learning and understanding of the traffic process from a Bayesian perspective. However, the evolving nature of network traffic challenges existing models to adaptively learn and predict its behavior. To this end, we establish a dynamic learning framework for multi-slot-ahead network traffic prediction based on Gaussian process. Specifically, 1). To track the dynamic traffic characteristics, we use a mixture of Gaussian in the spectrum domain to approximate the optimal kernel adapting to the designated training dataset, and dynamically discover the patterns at different times and time-scales. 2). To predict in a large time horizon without significantly hurt the performance, we adopt linear model of coregionalization to fully exploit the output correlations, and establish an integrated multi-slot-ahead prediction framework. Finally, our proposed algorithm is evaluated by simulation to show its superiority over the conventional schemes such as stochastic based ARIMA, deep learning based LSTM etc. |
| キーワード(和) | トラフィック / マルチスロットの予測 / ガウス過程 / コリージョナライゼーションの線形モデル |
| キーワード(英) | Traffic / Multislot prediction / Gaussian process / Linear model of coreginalization |
| 資料番号 | SIS2020-54 |
| 発行日 | 2021-02-25 (SIS) |
| 研究会情報 | |
| 研究会 | SIS |
|---|---|
| 開催期間 | 2021/3/4(から2日開催) |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | ソフトコンピューティング,一般 |
| テーマ（英） | Soft Computing, etc. |
| 委員長氏名（和） | 末竹 規哲(山口大) |
| 委員長氏名（英） | Noriaki Suetake(Yamaguchi Univ.) |
| 副委員長氏名（和） | 木村 誠聡(神奈川工科大) / 笹岡 直人(鳥取大) |
| 副委員長氏名（英） | Tomoaki Kimura(Kanagawa Inst. of Tech.) / Naoto Sasaoka(Tottori Univ.) |
| 幹事氏名（和） | 古賀 崇了(近畿大) / 三澤 秀明(宇部高専) |
| 幹事氏名（英） | Takanori Koga(Kindai Univ.) / Hideaki Misawa(National Inst. of Tech., Ube College) |
| 幹事補佐氏名（和） | 坂東 幸浩(NTT) / 吉田 壮(関西大学) |
| 幹事補佐氏名（英） | Yukihiro Bandoh(NTT) / Soh Yoshida(Kansai Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Smart Info-Media Systems |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | ガウス過程を用いたNWトラフィック変動の予測 |
| サブタイトル（和） | |
| タイトル（英） | Prediction of Network Traffic through Gaussian Process |
| サブタイトル（和） | |
| キーワード(1)（和/英） | トラフィック / Traffic |
| キーワード(2)（和/英） | マルチスロットの予測 / Multislot prediction |
| キーワード(3)（和/英） | ガウス過程 / Gaussian process |
| キーワード(4)（和/英） | コリージョナライゼーションの線形モデル / Linear model of coreginalization |
| 第 1 著者 氏名（和/英） | オウ イト / Yitu Wang |
| 第 1 著者 所属（和/英） | NTT(略称：NTT) NTT(略称：NTT) |
| 第 2 著者 氏名（和/英） | 仲地 孝之 / Takayuki Nakachi |
| 第 2 著者 所属（和/英） | NTT(略称：NTT) NTT(略称：NTT) |
| 発表年月日 | 2021-03-05 |
| 資料番号 | SIS2020-54 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | SIS-415 |
| ページ範囲 | pp.103-108(SIS), |
| ページ数 | 6 |
| 発行日 | 2021-02-25 (SIS) |