JP7384751B2 - 学習データ生成装置、モデル学習装置、学習データ生成方法及びコンピュータプログラム - Google Patents

Description

本発明は、学習データ生成装置、モデル学習装置、学習データ生成方法及びコンピュータプログラムに関する。

特許文献１には、ＢＧＰ（Border Gateway Protocol）に基づいた経路制御が行われる通信ネットワークにおいて、ＢＧＰルータから送信されるＢＧＰ経路情報を受信してＩＲＲ（Internet Routing Registry）に登録されるＢＧＰ経路情報と照合することにより異常経路を検出するＢＧＰ経路監視装置が記載されている。
特許文献２には、複数の交換機が互いに接続されているネットワークシステムにおいて、経路管理装置は、交換機から送信された使用許可要求の経路について宛先まで到達するか否かを検証し、使用許可要求を送信した交換機に対して当該経路の宛先まで到達すると検証された経路の使用許可を通知し、宛先まで到達することが検証された経路の経路情報について、交換機及び経路管理装置は経路表を更新するネットワークシステムが記載されている。

特開２０１１－０８７３０２号公報 特許第３６２３６８０号公報

しかし、上述した特許文献１に記載される技術では、大量の経路が収集された場合、ＩＲＲに登録されるＢＧＰ経路情報と照合する処理が膨大になって計算処理遅延が大きくなり、異常経路の検出にかかる時間が長くなる。これにより、通信ネットワークの障害分析が迅速に行うことができない可能性がある。
また特許文献２に記載される技術では、例えばインターネットのように経路が頻繁に変化するネットワークでは、全ての使用許可要求の経路について宛先まで到達するか否かを検証することが難しい。

本発明は、このような事情を考慮してなされたものであり、その目的は、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークにおける異常経路の判定にかかる負担の軽減を図ることにある。

（１）本発明の一態様は、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集部と、学習用経路情報の画像化を行う画像化部と、を備え、画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、学習データ生成装置であって、前記画像化部は、正常な経路情報の値と学習用経路情報の値との差を画素値に使用する、学習データ生成装置である。
（２）本発明の一態様は、前記画像化部は、経路情報が持つ３種類の値の各前記差を、ＲＧＢ画像の各色の画素値に使用する、上記（１）の学習データ生成装置である。
（３）本発明の一態様は、前記経路情報が持つ３種類の値は、特定プレフィックス長の個数とＡＳパス長の最大値の個数とＭＥＤ値の最大値の個数とである、上記（２）の学習データ生成装置である。
（４）本発明の一態様は、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集部と、学習用経路情報の画像化を行う画像化部と、を備え、画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、学習データ生成装置であって、学習用経路情報が持つ各種類の値について、所定のプレフィックス長ごとに、ネットワークアドレスにおける集計単位で集計する要約部をさらに備え、前記画像化部は、前記集計の結果の学習用経路情報の画像化を行う、学習データ生成装置である。
（５）本発明の一態様は、正常な経路情報に基づいて疑似異常経路情報を生成する疑似異常経路情報生成部をさらに備え、前記通信ネットワークに疑似異常経路情報を適用することにより前記通信ネットワークから学習用経路情報を収集する、上記（１）から（４）のいずれかの学習データ生成装置である。

（６）本発明の一態様は、上記（１）から（５）のいずれかの学習データ生成装置と、前記学習データ生成装置が生成した学習データを使用して所定の機械学習モデルを学習させることにより、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するモデル学習部と、を備えるモデル学習装置である。
（７）本発明の一態様は、前記機械学習モデルは畳み込みニューラルネットワークである、上記（６）のモデル学習装置である。

（８）本発明の一態様は、学習データ生成装置が、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集ステップと、前記学習データ生成装置が、学習用経路情報の画像化を行う画像化ステップと、を含み、画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、学習データ生成方法であって、前記画像化ステップは、正常な経路情報の値と学習用経路情報の値との差を画素値に使用する、学習データ生成方法である。
（９）本発明の一態様は、学習データ生成装置が、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集ステップと、前記学習データ生成装置が、学習用経路情報の画像化を行う画像化ステップと、を含み、画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、学習データ生成方法であって、前記学習データ生成装置が、学習用経路情報が持つ各種類の値について、所定のプレフィックス長ごとに、ネットワークアドレスにおける集計単位で集計する要約ステップをさらに含み、前記画像化ステップは、前記集計の結果の学習用経路情報の画像化を行う、学習データ生成方法である。

（１０）本発明の一態様は、コンピュータに、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集ステップと、学習用経路情報の画像化を行う画像化ステップと、を実行させ、画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、コンピュータプログラムであって、前記画像化ステップは、正常な経路情報の値と学習用経路情報の値との差を画素値に使用する、コンピュータプログラムである。
（１１）本発明の一態様は、コンピュータに、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集ステップと、学習用経路情報の画像化を行う画像化ステップと、を実行させ、画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、コンピュータプログラムであって、学習用経路情報が持つ各種類の値について、所定のプレフィックス長ごとに、ネットワークアドレスにおける集計単位で集計する要約ステップをさらに前記コンピュータに実行させ、前記画像化ステップは、前記集計の結果の学習用経路情報の画像化を行う、コンピュータプログラムである。

本発明によれば、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークにおける異常経路の判定にかかる負担の軽減を図ることができるという効果が得られる。

一実施形態に係るモデル学習装置の構成例を示すブロック図である。 一実施形態に係る学習前処理部の構成例を示すブロック図である。 一実施形態に係る学習用経路情報の要約方法の例を示す説明図である。 一実施形態に係る正規化方法の例を示す図である。 一実施形態に係る経路情報の画像化方法の例を示す説明図である。 一実施形態に係る画像化経路情報の例を示す説明図である。 一実施形態に係る学習データ生成方法の手順の例を示すフローチャートである。 一実施形態に係る学習前処理部の他の構成例を示すブロック図である。

以下、図面を参照し、本発明の実施形態について説明する。
図１は、一実施形態に係るモデル学習装置の構成例を示すブロック図である。図１において、ＢＧＰネットワークＮＷは、分析対象の通信ネットワークである。ＢＧＰネットワークＮＷは、ＢＧＰ（Border Gateway Protocol）に基づいた経路制御が行われる通信ネットワークである。ＢＧＰは、パケット通信の経路制御プロトコルの一つとして知られている。

ＢＧＰネットワークＮＷは、複数のノードＮＤから構成される。ノードＮＤは、ＢＧＰ経路情報に基づいてフォワーディング動作を行う。ＢＧＰネットワークＮＷとして、例えばインターネットやバーチャルプライベートネットワーク（virtual private network：ＶＰＮ）等が挙げられる。ＢＧＰ経路情報は、ＢＧＰにおける経路情報である。以下、ＢＧＰ経路情報を単に経路情報と称する。

モデル学習装置１０は、ＢＧＰネットワークＮＷにおける経路を分析するための経路分析モデル３０を機械学習により生成する。図１において、モデル学習装置１０は、データ収集部１１と、学習前処理部１２と、モデル学習部１３と、疑似異常経路情報生成部１４とを備える。

モデル学習装置１０の各機能は、モデル学習装置１０がＣＰＵ（Central Processing Unit：中央演算処理装置）及びメモリ等のコンピュータハードウェアを備え、ＣＰＵがメモリに格納されたコンピュータプログラムを実行することにより実現される。なお、モデル学習装置１０として、汎用のコンピュータ装置を使用して構成してもよく、又は、専用のハードウェア装置として構成してもよい。例えば、モデル学習装置１０は、インターネット等の通信ネットワークに接続されるサーバコンピュータを使用して構成されてもよい。また、モデル学習装置１０の各機能はクラウドコンピューティングにより実現されてもよい。

データ収集部１１は、各ノードＮＤから各通信情報Ａを収集する。通信情報Ａは、経路情報や通信品質情報などである。通信品質情報は、ＢＧＰネットワークＮＷのネットワーク品質に関するパフォーマンスを示す情報であって、例えばノードＮＤにおけるＣＰＵ使用率やメモリ使用率やトラフィック量などである。データ収集部１１は、各ノードＮＤから収集した各通信情報Ａを蓄積する。

学習前処理部１２は、モデル学習部１３が機械学習モデルの学習に使用する学習用データセットＤを生成する。学習前処理部１２は、データ収集部１１が収集した収集データＢから学習用データセットを生成する。図１の例では、収集データＢは、各ノードＮＤから収集された各通信情報Ａである。学習用データセットＤは、モデル学習部１３の機械学習モデルに入力される入力データとして適合するように、収集データＢが前処理されたものである。

モデル学習部１３は、学習前処理部１２が生成した学習用データセットＤを使用して所定の機械学習モデルを学習させることにより、経路分析モデル３０を生成する。経路分析モデル３０は、ＢＧＰネットワークＮＷから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルである。

異常経路は、ＢＧＰネットワークＮＷに存在しない経路や所定の経路情報ルールに違反している経路情報に含まれる経路などである。例えば、ＢＧＰネットワークＮＷに含まれるノードＮＤ（例えば、ＢＧＰルータ等）の運用者による設定誤りなどによって、本来設定するべきでない経路（異常経路）がＢＧＰネットワークＮＷにアナウンスされる場合がある。異常経路がアナウンスされた場合、異常経路による影響がＢＧＰネットワークＮＷ全体に及ぶ可能性がある。このため、異常経路の判定にかかる負担の軽減を図ることは、ＢＧＰネットワークＮＷの安定的な運用のために好ましい。

本実施形態では、異常経路の判定にかかる負担の軽減を図るために、ＢＧＰネットワークＮＷから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを効率よく生成することを図る。具体的には、ＢＧＰネットワークＮＷから収集された学習用経路情報の画像化を行い、画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを学習データに使用して所定の機械学習モデルの学習を行う。本実施形態では、機械学習モデルの一例として、畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）を使用する。畳み込みニューラルネットワークは、画像認識に適した機械学習モデルとして知られている。畳み込みニューラルネットワークは画像認識に適した機械学習モデルであるので、画像化された学習用経路情報を学習データに使用することにより、異常経路の学習の精度及び効率が向上する。

疑似異常経路情報生成部１４は、正常な経路情報に基づいて疑似異常経路情報Ｅを生成する。正常な経路情報は、予め、モデル学習装置１０に設定される。一般的に経路情報は、ＩＰ（Internet Protocol）アドレスにおけるネットワークアドレス（x.x.x.x）とネットワークアドレス長（y）とから構成されるプレフィックス（x.x.x.x/y）や、転送先のＩＰアドレスや、メトリックや、ＡＳ（Autonomous System）パスなどの情報から構成される。メトリックは、ＭＥＤ（MULTI_EXIT_DISC）値やローカルプリファレンス（Local Preference）値などである。

疑似異常経路情報生成部１４は、正常な経路情報を基にして、正常な経路情報に含まれる値を正常値とは異なる値に変更した疑似異常経路情報Ｅを生成する。疑似異常経路情報生成部１４は、正常な経路情報に対して、例えば、プレフィックス（prefix）長（ネットワークアドレス長（y）に対応）や、ＡＳパス長や、ＭＥＤ値などを正常値とは異なる値に変更して疑似異常経路情報Ｅを生成する。

疑似異常経路情報生成部１４は、疑似異常経路情報ＥをＢＧＰネットワークエミュレータ１００へ供給する。ＢＧＰネットワークエミュレータ１００は、疑似異常経路情報ＥのアナウンスＦをＢＧＰネットワークＮＷへ出力する。ＢＧＰネットワークＮＷにおいて各ノードＮＤは、ＢＧＰネットワークエミュレータ１００からアナウンスされた疑似異常経路情報Ｅに基づいた通信情報Ａを出力する。データ収集部１１は、各ノードＮＤから、疑似異常経路情報Ｅに基づいた各通信情報Ａを収集する。

図２は、本実施形態に係る学習前処理部の構成例を示すブロック図である。図２において、学習前処理部１２は、品質情報抽出部１２１と、経路情報抽出部１２２と、要約部１２３と、正規化部１２４と、画像化部１２５と、学習用データセット格納部１２６とを備える。

品質情報抽出部１２１は、データ収集部１１から出力された収集データＢ（学習用収集データＢと称する）から通信品質情報を抽出する。品質情報抽出部１２１は、学習用収集データＢから抽出した通信品質情報を、当該学習用収集データＢに対応する学習用データセットに格納する。学習用データセットは、学習用データセット格納部１２６に格納される。

経路情報抽出部１２２は、学習用収集データＢから経路情報を抽出する。経路情報抽出部１２２は、学習用収集データＢから抽出した経路情報（学習用経路情報と称する）を要約部１２３へ出力する。

要約部１２３は、学習用経路情報の要約を行う。図３に、本実施形態に係る学習用経路情報の要約方法の例が示される。図３に例示されるように、要約部１２３は、学習用経路情報が持つ各種類の値について、所定のプレフィックス長ごとにネットワークアドレスにおける集計単位で集計する。この集計結果が学習用経路情報の要約の結果である経路要約情報である。

図３の例では、特定プレフィックス長の個数（プレフィックス数）と、ＡＳパス長の最大値の個数と、ＭＥＤ値の最大値の個数とがそれぞれに、所定のプレフィックス長（「／１６」，「／１７」，「／１８」，「／１９」，「／２０」，「／２１」，「／２２」，「／２３」，「／２４」）ごとに、ネットワークアドレスにおける集計単位（「／１６」単位）で集計される。図３の例では、ネットワークアドレスにおける集計単位（「／１６」単位）は「３×２５６＝７６８」個ある。

プレフィックス数の集計では、特定プレフィックス長である「／１６」，「／１７」，「／１８」，「／１９」，「／２０」，「／２１」，「／２２」，「／２３」，「／２４」の各個数が、ネットワークアドレスにおける集計単位の「／１６」単位で集計される。

ＡＳパス長の最大値の集計では、ＡＳパス長の最大値が所定のプレフィックス長である「／１６」，「／１７」，「／１８」，「／１９」，「／２０」，「／２１」，「／２２」，「／２３」，「／２４」ごとに検出され、各プレフィックス長について当該検出されたＡＳパス長の最大値の個数がネットワークアドレスにおける集計単位の「／１６」単位で集計される。

ＭＥＤ値の最大値の集計では、ＭＥＤ値の最大値が所定のプレフィックス長である「／１６」，「／１７」，「／１８」，「／１９」，「／２０」，「／２１」，「／２２」，「／２３」，「／２４」ごとに検出され、各プレフィックス長について当該検出されたＭＥＤ値の最大値の個数がネットワークアドレスにおける集計単位の「／１６」単位で集計される。

要約部１２３は、学習用経路情報の要約の結果である経路要約情報を正規化部１２４へ出力する。

正規化部１２４は、学習用経路情報の要約の結果である経路要約情報を正規化する。図３に、本実施形態に係る経路要約情報の正規化方法の例が示される。図３に例示されるように、経路要約情報のプレフィックス数とＡＳパス長の最大値とＭＥＤ値の最大値とはそれぞれに、０から２５５までの範囲に正規化される。経路要約情報の正規化の結果として、経路正規化情報が生成される。

図４は、本実施形態に係る正規化方法の例を示す図である。図４には、プレフィックス数の正規化方法の例が示される。図４のプレフィックス数の正規化方法では、特定プレフィックス長のプレフィックス数に対して当該特定プレフィックス長に応じた係数を乗ずることにより、０から２５５までの範囲の正規化値を求める。但し、積が２５５を超えた場合には、正規化値を２５５に設定する。図４のプレフィックス数の正規化方法は、プレフィックス長が大きくなるほど個数（プレフィックス数）が少なくなることに基づいたものである。

正規化部１２４は、経路要約情報の正規化の結果である経路正規化情報を画像化部１２５へ出力する。

画像化部１２５は、学習用経路情報の画像化を行う。本実施形態では、画像化部１２５は、経路要約情報の正規化の結果である経路正規化情報の画像化を行う。また、本実施形態では、経路情報が持つ３種類の値に基づいてＲＧＢ画像の各色の成分を求める。具体的には、プレフィックス数に基づいてＲＧＢ画像のＲ（赤色）成分を求め、ＡＳパス長の最大値に基づいてＲＧＢ画像のＧ（緑色）成分を求め、ＭＥＤ値の最大値に基づいてＲＧＢ画像のＢ（青色）成分を求める。

図５は、本実施形態に係る経路情報の画像化方法の例を示す説明図である。図５では、プレフィックス数を例に挙げているが、ＡＳパス長の最大値及びＭＥＤ値の最大値も同様である。

図５に示されるように、画像化部１２５は、正常な経路情報（正規化済み）の値（プレフィックス数）と学習用経路情報（経路正規化情報）の値（プレフィックス数）との差をＲＧＢ画像の画素値（Ｒ成分）に使用する。

ＲＧＢ画像は、画素ブロックが「９行×（３×２５６）列」で配置される。一画素ブロックの画素数は、任意に設定される。ＲＧＢ画像は、経路正規化情報の「９行×（３×２５６）列」の行列の各行列要素に対応する「９×（３×２５６）」個の画素ブロックから構成される。つまり、経路正規化情報の「９行×（３×２５６）列」の行列のａ行ｂ列の行列要素が、ＲＧＢ画像のａ行ｂ列の画素ブロックに対応する。経路正規化情報の「９行×（３×２５６）列」の行列の各行列要素のプレフィックス数の差は、ＲＧＢ画像の「９行×（３×２５６）列」の各画素ブロックのＲ成分に使用される。

上記したプレフィックス数と同様に、ＡＳパス長の最大値及びＭＥＤ値の最大値もそれぞれに、正常な経路情報（正規化済み）の値と学習用経路情報（経路正規化情報）の値との差が求められる。本実施形態では、ＡＳパス長の最大値の差をＲＧＢ画像のＧ成分に使用し、ＭＥＤ値の最大値の差をＲＧＢ画像のＢ成分に使用する。

図６は、本実施形態に係る画像化経路情報の例を示す説明図である。図６（１）には、正常な経路情報が画像化された画像化経路情報であるＲＧＢ画像（正常な経路情報のＲＧＢ画像）が示される。図６（１）に示される正常な経路情報のＲＧＢ画像では、全ての画素ブロックが黒色である。これは、正常な経路情報では、プレフィックス数の差もＡＳパス長の最大値の差もＭＥＤ値の最大値の差も全て０であるので、ＲＧＢ画像の全ての画素ブロックにおいてＲ成分もＧ成分もＢ成分も０となるからである。

図６（２）には、異常な経路情報が画像化された画像化経路情報であるＲＧＢ画像（異常な経路情報のＲＧＢ画像）が示される。図６（２）に示される異常な経路情報のＲＧＢ画像では、黒色以外の色の画素ブロックが存在する。図６（２）に示される異常な経路情報のＲＧＢ画像において、黒色の画素ブロックは、プレフィックス数の差もＡＳパス長の最大値の差もＭＥＤ値の最大値の差も全て０である画素ブロックである。

一方、白色の画素ブロックは、プレフィックス数の差もＡＳパス長の最大値の差もＭＥＤ値の最大値の差も全て２５５（差の最大値）である画素ブロックである。つまり、白色の画素ブロックに該当するプレフィックス長且つネットワークアドレスにおける集計単位では、学習用経路情報のプレフィックス数もＡＳパス長の最大値もＭＥＤ値の最大値も全てが正常値とは大きく異なることが、異常な経路情報のＲＧＢ画像によって表されている。

また、黒色及び白色以外のＸ色やＹ色の画素ブロックは、プレフィックス数の差、ＡＳパス長の最大値の差及びＭＥＤ値の最大値の差が全て０ではなく且つ全て２５５ではない画素ブロックである。つまり、黒色及び白色以外のＸ色やＹ色の画素ブロックに該当するプレフィックス長且つネットワークアドレスにおける集計単位では、学習用経路情報のプレフィックス数、ＡＳパス長の最大値及びＭＥＤ値の最大値のうち少なくともいずれかが正常値とは異なることが、異常な経路情報のＲＧＢ画像によって表されている。

図６に示される本実施形態に係る画像化経路情報であるＲＧＢ画像によれば、Ｒ成分、Ｇ成分及びＢ成分のそれぞれの大きさによって、学習用経路情報のプレフィックス数、ＡＳパス長の最大値及びＭＥＤ値の最大値についてそれぞれの正常値との差が表される。本実施形態では、この画像化経路情報（ＲＧＢ画像）を、機械学習モデルである畳み込みニューラルネットワークの学習に使用する。畳み込みニューラルネットワークは画像認識に適した機械学習モデルであるので、当該画像化経路情報（ＲＧＢ画像）を学習データに使用することにより、異常経路の学習の精度及び効率が向上する。

画像化部１２５は、経路正規化情報の画像化の結果である画像化経路情報（ＲＧＢ画像）を、該当の学習用収集データＢに対応する学習用データセットに格納する。また、学習用データセットは、該当の学習用収集データＢに対応する教師データＣを格納する。教師データＣは、学習用収集データＢから抽出された学習用経路情報が異常経路を含むか否かを示すデータである。学習用データセットは、学習用データセット格納部１２６に格納される。

モデル学習部１３は、学習前処理部１２が生成した学習用データセットＤ（通信品質情報、画像化経路情報（ＲＧＢ画像）及び教師データ）を学習データに使用して、所定の機械学習モデルである畳み込みニューラルネットワークに対して教師あり学習を行う。この学習によって、経路分析モデル３０が生成される。

次に図７を参照して本実施形態に係る学習データ生成方法を説明する。図７は、本実施形態に係る学習データ生成方法の手順の例を示すフローチャートである。

（ステップＳ１） モデル学習装置１０は、正常な経路情報に基づいて疑似異常経路情報Ｅを生成する。モデル学習装置１０は、ＢＧＰネットワークエミュレータ１００を介して、疑似異常経路情報ＥをＢＧＰネットワークＮＷに適用する。

（ステップＳ２） モデル学習装置１０は、各ノードＮＤから、疑似異常経路情報Ｅに基づいた各通信情報Ａを収集する。

（ステップＳ３） モデル学習装置１０は、収集した通信情報Ａから構成される収集データＢから通信品質情報及び経路情報（学習用経路情報）を抽出する。

（ステップＳ４） モデル学習装置１０は、学習用経路情報の要約及び正規化を行う。

（ステップＳ５） モデル学習装置１０は、学習用経路情報の要約及び正規化の結果の経路正規化情報の画像化を行う。経路正規化情報の画像化によって画像化経路情報が生成される。

（ステップＳ６） モデル学習装置１０は、学習用経路情報に対応する教師データＣを取得する。

（ステップＳ７） モデル学習装置１０は、通信品質情報、画像化経路情報及び教師データＣから構成される学習用データセットＤを記録する。

（ステップＳ８） モデル学習装置１０は、学習用データセットＤを使用して所定の機械学習モデルを学習させることにより、経路分析モデル３０を生成する。

［学習前処理部の他の構成例］
図８は、本実施形態に係る学習前処理部の他の構成例を示すブロック図である。図８において図２の各部に対応する部分には同一の符号を付け、その説明を省略する。図８に示される学習前処理部１２は、図２の学習前処理部１２において品質情報抽出部１２１が削除されている。このため、図８に示される学習前処理部１２において、学習用データセットＤは通信品質情報を持たない。つまり、図８に示される学習前処理部１２が生成する学習用データセットＤは、画像化経路情報と教師データＣとから構成される。モデル学習装置１０は、学習用データセットＤの画像化経路情報と教師データＣとを使用して所定の機械学習モデルを学習させることにより、経路分析モデル３０を生成する。

上述した実施形態によれば、ＢＧＰネットワークＮＷから収集された判定対象の経路情報が異常経路を含むか否かを判定するための経路分析モデル３０を効率よく生成することができる。これにより、ＢＧＰネットワークＮＷにおける異常経路の判定にかかる負担の軽減を図ることができるという効果が得られる。

以上、本発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。

また、上述した各装置の機能を実現するためのコンピュータプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行するようにしてもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＤＶＤ（Digital Versatile Disc）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。

さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Dynamic Random Access Memory））のように、一定時間プログラムを保持しているものも含むものとする。
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。
また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。

１０…モデル学習装置、１１…データ収集部、１２…学習前処理部、１３…モデル学習部、１４…疑似異常経路情報生成部、１００…ＢＧＰネットワークエミュレータ、ＮＤ…ノード、ＮＷ…ＢＧＰネットワーク

Claims (11)

1. 特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集部と、
   学習用経路情報の画像化を行う画像化部と、を備え、
   画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、
   学習データ生成装置であって、
   前記画像化部は、正常な経路情報の値と学習用経路情報の値との差を画素値に使用する、
   学習データ生成装置。
2. 前記画像化部は、経路情報が持つ３種類の値の各前記差を、ＲＧＢ画像の各色の画素値に使用する、
   請求項１に記載の学習データ生成装置。
3. 前記経路情報が持つ３種類の値は、特定プレフィックス長の個数とＡＳパス長の最大値の個数とＭＥＤ値の最大値の個数とである、
   請求項２に記載の学習データ生成装置。
4. 特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集部と、
   学習用経路情報の画像化を行う画像化部と、を備え、
   画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、
   学習データ生成装置であって、
   学習用経路情報が持つ各種類の値について、所定のプレフィックス長ごとに、ネットワークアドレスにおける集計単位で集計する要約部をさらに備え、
   前記画像化部は、前記集計の結果の学習用経路情報の画像化を行う、
   学習データ生成装置。
5. 正常な経路情報に基づいて疑似異常経路情報を生成する疑似異常経路情報生成部をさらに備え、
   前記通信ネットワークに疑似異常経路情報を適用することにより前記通信ネットワークから学習用経路情報を収集する、
   請求項１から４のいずれか１項に記載の学習データ生成装置。
6. 請求項１から５のいずれか１項に記載の学習データ生成装置と、
   前記学習データ生成装置が生成した学習データを使用して所定の機械学習モデルを学習させることにより、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するモデル学習部と、
   を備えるモデル学習装置。
7. 前記機械学習モデルは畳み込みニューラルネットワークである、
   請求項６に記載のモデル学習装置。
8. 学習データ生成装置が、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集ステップと、
   前記学習データ生成装置が、学習用経路情報の画像化を行う画像化ステップと、を含み、
   画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、
   学習データ生成方法であって、
   前記画像化ステップは、正常な経路情報の値と学習用経路情報の値との差を画素値に使用する、
   学習データ生成方法。
9. 学習データ生成装置が、特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集ステップと、
   前記学習データ生成装置が、学習用経路情報の画像化を行う画像化ステップと、を含み、
   画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、
   学習データ生成方法であって、
   前記学習データ生成装置が、学習用経路情報が持つ各種類の値について、所定のプレフィックス長ごとに、ネットワークアドレスにおける集計単位で集計する要約ステップをさらに含み、
   前記画像化ステップは、前記集計の結果の学習用経路情報の画像化を行う、
   学習データ生成方法。
10. コンピュータに、
    特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集ステップと、
    学習用経路情報の画像化を行う画像化ステップと、を実行させ、
    画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、
    コンピュータプログラムであって、
    前記画像化ステップは、正常な経路情報の値と学習用経路情報の値との差を画素値に使用する、
    コンピュータプログラム。
11. コンピュータに、
    特定の経路制御プロトコルに基づいた経路制御が行われる通信ネットワークから学習用経路情報を収集するデータ収集ステップと、
    学習用経路情報の画像化を行う画像化ステップと、を実行させ、
    画像化された学習用経路情報と当該学習用経路情報が異常経路を含むか否かを示す教師データとを、前記通信ネットワークから収集された判定対象の経路情報が異常経路を含むか否かを判定するためのモデルを生成するために所定の機械学習モデルを学習させる学習データに使用する、
    コンピュータプログラムであって、
    学習用経路情報が持つ各種類の値について、所定のプレフィックス長ごとに、ネットワークアドレスにおける集計単位で集計する要約ステップをさらに前記コンピュータに実行させ、
    前記画像化ステップは、前記集計の結果の学習用経路情報の画像化を行う、
    コンピュータプログラム。

Images