| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2023-03-02 14:40 低レイヤーログデータを用いた機械学習によるCNF 5GC上のネットワーク障害予測のための特徴量選択手法 ○波木井丈瑠・福元徳広・中尾彰宏（東大）  NS2022-192 |
|
| 抄録 | （和） | 通信事業者はCNFによって5GCを商用展開しつつあるが，CNFによって複雑化したネットワークでは，一度障害が発生すると原因特定や復旧作業に多大な時間を要し，障害が大規模になり社会全体に甚大な影響を及ぼしてしまうため，機械学習によるネットワーク障害予測の研究が進められている．eBPFはlinuxカーネルから低レイヤーのより詳細なネットワークメトリクス取得することで，ネットワークに可観測性を提供できる．しかし，得られるeBPFメトリクスを全て保存し，モデルの学習に利用することはモデルの処理負荷や，消費リソースの増加を引き起こし，性能と開発効率に悪影響を与える．そこで本研究では，障害時と正常時の平均値の比率を用いた外れ値処理による特徴量選択手法を提案する．提案手法を持ちちることでメトリクス数を3,325から320へと削減することが可能になる．提案手法を用いてシミュレーション開始600秒時点で障害が発生しているか予測するモデルを学習し，提案手法を用いないモデルとF1スコアを比較する．比較の結果，提案手法を用いたモデルでは，シミュレーション開始140秒時点ではF1スコアが0.93，130秒時点ではF1スコアが0.90で予測できた．この結果は提案手法を用いないモデルの結果を凌駕する．よって我々の提案する手法はモデルサイズの削減による処理能力の軽減だけでなく，予測の正確性と迅速性についても有効性がある． |
| （英） | In complex networks, once a failure occurs, it takes a long time to identify and recover from the cause of the failure, and the failure can be large enough to have a huge impact on society as a whole. However, storing all eBPF metrics and using them to train models increases the processing load and resource consumption of the models, which negatively affects performance and development efficiency. Therefore, we propose a feature selection method based on outlier processing using the ratio of the mean values under fault and normal conditions. The proposed method reduces the number of metrics from 3,325 to 320. We train a model that predicts whether a failure has occurred after 600 seconds of simulation using the proposed method, and compare its F1 score with that of a model that does not use the proposed method. The results show that the model with the proposed method predicts an F1 score of 0.93 at 140 seconds into the simulation, and an F1 score of 0.90 at 130 seconds. These results exceed those of the model without the proposed method. Therefore, our proposed method is not only effective in reducing the computational complexity by reducing the size of the model, but also in improving the accuracy and speed of prediction. | |
| キーワード | （和） | 5G / CNF / コアネットワーク / 機械学習 / 障害予測 / 障害予測 / / |
| （英） | 5G / CNF / core network / machine learning / failure prediction / / / | |
| 文献情報 | 信学技報, vol. 122, no. 406, NS2022-192, pp. 145-150, 2023年3月. | |
| 資料番号 | NS2022-192 | |
| 発行日 | 2023-02-23 (NS) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | NS2022-192 |
|
| 研究会情報 | |
| 研究会 | IN NS |
| 開催期間 | 2023-03-02 - 2023-03-03 |
| 開催地（和） | 沖縄コンベンションセンター + オンライン開催 |
| 開催地（英） | Okinawa Convention Centre + Online |
| テーマ（和） | 一般 |
| テーマ（英） | General |
| 講演論文情報の詳細 | |
| 申込み研究会 | NS |
| 会議コード | 2023-03-IN-NS |
| 本文の言語 | 日本語 |
| タイトル（和） | 低レイヤーログデータを用いた機械学習によるCNF 5GC上のネットワーク障害予測のための特徴量選択手法 |
| サブタイトル（和） | |
| タイトル（英） | Feature Selection Method for Predicting Network Failures on CNF 5GC Using Machine Learning with Low Layer Log Data |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 5G / 5G |
| キーワード(2)（和/英） | CNF / CNF |
| キーワード(3)（和/英） | コアネットワーク / core network |
| キーワード(4)（和/英） | 機械学習 / machine learning |
| キーワード(5)（和/英） | 障害予測 / failure prediction |
| キーワード(6)（和/英） | 障害予測 / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 波木井 丈瑠 / Takeru Hakii / ハキイ タケル |
| 第1著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： UTokyo) |
| 第2著者 氏名（和/英/ヨミ） | 福元 徳広 / Norihiro Fukumoto / フクモト ノリヒロ |
| 第2著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： UTokyo) |
| 第3著者 氏名（和/英/ヨミ） | 中尾 彰宏 / Akihiro Nakao / ナカオ アキヒロ |
| 第3著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： UTokyo) |
| 講演者 | 第1著者 |
| 発表日時 | 2023-03-02 14:40:00 |
| 発表時間 | 20分 |
| 申込先研究会 | NS |
| 資料番号 | NS2022-192 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | no.406 |
| ページ範囲 | pp.145-150 |
| ページ数 | 6 |
| 発行日 | 2023-02-23 (NS) |
[研究会発表申込システムのトップページに戻る]