文献

J-GLOBAL ID：202002289139853850   整理番号：20A1366995

DeepSIP:時間的マルチモーダルCNNによるネットワーク故障のサービス影響を予測するシステム【JST・京大機械翻訳】

DeepSIP: A System for Predicting Service Impact of Network Failure by Temporal Multimodal CNN

著者 (3件)： Matsuo Yoichi (NTT Network Technology Laboratories, NTT Corporation) ,  Kimura Tatsuaki (Osaka University,Department of Information and Communications Technology) ,  Nishimatsu Ken (NTT Network Technology Laboratories, NTT Corporation)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： NOMS  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 故障がネットワークで発生するとき,ネットワークオペレータは,サービスインパクトが故障を扱うための不可欠な情報であるので,サービスインパクトを認識する必要がある。本論文では,時間マルチモーダル畳込みニューラルネットワーク(CNN)を用いたネットワーク要素における故障による故障からの回復までの時間とトラヒック容量の損失を予測するシステムである,深層学習ベースサービスインパクト予測(DeepSIP)を提案した。回復までの時間はサービスレベル一致(SLA)のための有用な情報であり,交通量の損失が故障の重症度に直接関係するので,これらをサービスインパクトとして考える。サービスインパクトは,ネットワーク要素がサービスインパクトに関する情報を明示的に含んでいないので,予測が困難であった。したがって,著者らは,故障に関する隠れ情報を抽出することによって,サイログメッセージとトラフィックボリュームからのサービス影響を予測することを目指した。多モードで強く相関し,時間的依存性を持つ,syslogメッセージと交通量からの予測に対する有用な特徴を抽出するために,時間マルチモーダルCNNを用いた。合成データセットを用いた他のNNベース手法と比較して,DeepSIPとDeepSIPは,予測誤差を約50%削減した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *故障 ,  オペレータ ,  *ネットワーク ,  交通量 ,  *多モード ,  予測誤差
準シソーラス用語： 深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： マルチモーダル ,  CNN ,  故障 ,  サービス ,  予測