| 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 | 2026-03-04 11:35 Transformerを用いた時系列データ補完によるネットワークトラヒックデータの高時間分解能化 ○伍藤 豪・山本 嶺・大坐畠 智（電通大）  NS2025-224 |
|
| 抄録 | （和） | ネットワークトラヒックデータは，SNMPなどのプロトコルを用いてネットワーク機器から収集され，ネットワーク利用状況の把握や，障害検知のために利用される． このようなプロトコルでは，一定頻度で監視サーバからネットワーク機器へトラヒックデータを要求し，ネットワーク機器はその要求に応じてトラヒックデータを収集し，返送する． この収集頻度が低い場合，高周波成分が失われるため，トラヒックの時間的変化を正確に捉えることができない． また，ネットワーク機器は，高速なパケット転送が可能である一方，トラヒックデータ収集性能は限定的であり，低頻度収集が一般的となっている． 本稿では，トラヒックデータ内イベントの高時間分解能解析を目的とし，深層学習モデルであるTransformerを用い，低頻度で収集したトラヒックデータから高時間分解能化トラヒックデータを生成する手法を提案する． 提案手法では，ネットワーク機器間のトラヒックデータに相互関連性があることに着目し，Transformerを用いて関連性を学習する． また，深層学習モデルの出力に対して，提案するハード制約，スペクトル損失を適用することで，より尤もらしい分布を出力するように学習する． これにより，ネットワーク機器の負荷を抑えつつ，元のトラヒックデータの傾向を捉え，より高い時間分解能での状況把握を可能とする． 性能評価により，Transformerを用いる既存手法と比較して，高い精度でのトラヒックデータ生成を実現できていることを示した． |
| （英） | Network traffic data collected via protocols such as SNMP is essential for understanding network usage and detecting anomalies. Typically, a monitoring server polls network devices at fixed intervals to collect this data. However, while network devices are capable of high-speed packet forwarding, their performance in data collection is often limited. Consequently, coarse-grained sampling is often necessary. This coarse granularity results in the loss of high-frequency components, which makes it difficult to accurately capture temporal changes in traffic. In this paper, we propose a method that utilizes a Transformer-based deep learning model to super-resolve coarse-grained traffic data into fine-grained data. Our approach focuses on the spatial correlations of traffic data between network devices and learns these relationships using the Transformer. Furthermore, we apply proposed hard constraints and a spectral loss function to the model's output to train it to produce more plausible distributions. This approach enables fine-grained situational awareness and minimizes the load on network devices. Performance evaluations demonstrate that the proposed method achieves higher accuracy in traffic data generation compared to existing Transformer-based techniques. |
|
| キーワード | （和） | ネットワークテレメトリ / 高時間分解能化 / 深層学習 / / / / / |
| （英） | Network Telemetry / Temporal Super-Resolution / Deep learning / / / / / | |
| 文献情報 | 信学技報, vol. 125, no. 385, NS2025-224, pp. 19-24, 2026年3月. | |
| 資料番号 | NS2025-224 | |
| 発行日 | 2026-02-25 (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 | NS2025-224 |
|
| 研究会情報 | |
| 研究会 | IN NS |
| 開催期間 | 2026-03-04 - 2026-03-06 |
| 開催地（和） | 沖縄県市町村自治会館 |
| 開催地（英） | Okinawa-Ken Shichoson Jichi Kaikan |
| 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 | 2026-03-IN-NS |
| 本文の言語 | 日本語 |
| タイトル（和） | Transformerを用いた時系列データ補完によるネットワークトラヒックデータの高時間分解能化 |
| サブタイトル（和） | |
| タイトル（英） | Temporal Super-Resolution of Network Traffic Data Using Transformer Models |
| サブタイトル（英） | |
| キーワード(1)（和/英） | ネットワークテレメトリ / Network Telemetry |
| キーワード(2)（和/英） | 高時間分解能化 / Temporal Super-Resolution |
| キーワード(3)（和/英） | 深層学習 / Deep learning |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| 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） | 伍藤 豪 / Takeshi Goto / ゴトウ タケシ |
| 第1著者 所属（和/英） | 電気通信大学 (略称： 電通大) The University of Electro-Communications (略称： UEC) |
| 第2著者 氏名（和/英/ヨミ） | 山本 嶺 / Ryo Yamamoto / ヤマモト リョウ |
| 第2著者 所属（和/英） | 電気通信大学 (略称： 電通大) The University of Electro-Communications (略称： UEC) |
| 第3著者 氏名（和/英/ヨミ） | 大坐畠 智 / Satoshi Ohzahata / オオザハタ サトシ |
| 第3著者 所属（和/英） | 電気通信大学 (略称： 電通大) The University of Electro-Communications (略称： UEC) |
| 講演者 | 第1著者 |
| 発表日時 | 2026-03-04 11:35:00 |
| 発表時間 | 25分 |
| 申込先研究会 | NS |
| 資料番号 | NS2025-224 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.385 |
| ページ範囲 | pp.19-24 |
| ページ数 | 6 |
| 発行日 | 2026-02-25 (NS) |
[研究会発表申込システムのトップページに戻る]