特許ウォッチ

公開番号2025092924
公報種別公開特許公報(A)
公開日2025-06-23
出願番号2023208343
出願日2023-12-11
発明の名称コントローラ、学習コスト削減方法、及びプログラム
出願人日本電気株式会社
代理人個人
主分類H04L 41/16 20220101AFI20250616BHJP(電気通信技術)
要約【課題】異常復旧後のAIモデルの再学習コストを削減すること。
【解決手段】コントローラは、複数の光伝送装置の各々の光信号の光パワーレベルを表すPMデータを収集する収集部と、複数の光伝送装置毎に設けられ、光伝送装置のPMデータを学習データとして用いて、光伝送装置のPMデータの時系列の変動を学習する複数のAIモデルと、複数の光伝送装置毎に、光伝送装置のPMデータの平均値と許容誤差を保持するデータベースと、複数のAIモデルを用いて、複数の光伝送装置が設けられた光伝送ネットワーク内の異常を検知する異常検知部と、異常復旧後のPMデータが、平均値及び許容誤差から導出される閾値範囲から外れた光伝送装置が存在する場合、該当する光伝送装置のAIモデルを再学習が必要と判定する再学習判定部と、を備える。
【選択図】図10
特許請求の範囲【請求項１】
光伝送ネットワーク内に設けられた複数の光伝送装置の各々の光信号の光パワーレベルを表すＰＭ（Performance Monitoring）データを収集する収集部と、
前記複数の光伝送装置毎に設けられ、該光伝送装置の前記ＰＭデータを学習データとして用いて、該光伝送装置の前記ＰＭデータの時系列の変動を学習する複数のＡＩ（Artificial Intelligence）モデルと、
前記複数の光伝送装置毎に、該光伝送装置の前記ＰＭデータの平均値と許容誤差を保持するデータベースと、
前記複数のＡＩモデルを用いて、前記光伝送ネットワーク内の異常を検知する異常検知部と、
異常復旧後の前記ＰＭデータが、前記平均値及び前記許容誤差から導出される閾値範囲から外れた光伝送装置が存在する場合、該当する光伝送装置のＡＩモデルを再学習が必要と判定する再学習判定部と、
を備える、コントローラ。
続きを表示（約 1,700 文字）【請求項２】
前記収集部は、前記複数の光伝送装置の各々の受信端及び送信端での前記ＰＭデータを収集し、
前記複数のＡＩモデルは、前記複数の光伝送装置毎かつ受信端及び送信端毎に設けられ、該光伝送装置の受信端又は送信端の前記ＰＭデータの時系列の変動を学習し、
前記データベースは、前記複数の光伝送装置毎かつ受信端及び送信端毎に、該光伝送装置の受信端又は送信端の前記ＰＭデータの前記平均値及び前記許容誤差を保持し、
前記再学習判定部は、異常復旧後の受信端又は送信端の前記ＰＭデータが、前記閾値範囲から外れた光伝送装置が存在する場合、該当する光伝送装置の受信端又は送信端のＡＩモデルを再学習が必要と判定する、
請求項１に記載のコントローラ。
【請求項３】
前記再学習判定部は、再学習が必要と判定した、該当する光伝送装置のＡＩモデルに対し、再学習を指示する、
請求項１に記載のコントローラ。
【請求項４】
前記再学習判定部は、異常復旧後の前記ＰＭデータが、前記閾値範囲の範囲内の光伝送装置については、該光伝送装置のＡＩモデルを再学習が不要と判定する、
請求項１に記載のコントローラ。
【請求項５】
前記閾値範囲は、前記平均値に前記許容誤差を加算した値を上限とし、前記平均値から前記許容誤差を減算した値を下限とする範囲である、
請求項１に記載のコントローラ。
【請求項６】
前記収集部は、前記複数の光伝送装置の各々の前記ＰＭデータを定期的に収集する、
請求項１に記載のコントローラ。
【請求項７】
前記光伝送ネットワーク内の異常は、前記複数の光伝送装置のいずれかの物理ポートの異常である、
請求項１に記載のコントローラ。
【請求項８】
前記光伝送ネットワーク内の異常は、前記複数の光伝送装置間の光ファイバの異常である、
請求項１に記載のコントローラ。
【請求項９】
コントローラにより実行される学習コスト削減方法であって、
光伝送ネットワーク内に設けられた複数の光伝送装置の各々の光信号の光パワーレベルを表すＰＭ（Performance Monitoring）データを収集することと、
前記複数の光伝送装置毎に設けられた複数のＡＩ（Artificial Intelligence）モデルにより、該光伝送装置の前記ＰＭデータを学習データとして用いて、該光伝送装置の前記ＰＭデータの時系列の変動を学習することと、
前記複数の光伝送装置毎に、該光伝送装置の前記ＰＭデータの平均値と許容誤差をデータベースに保持することと、
前記複数のＡＩモデルを用いて、前記光伝送ネットワーク内の異常を検知することと、
異常復旧後の前記ＰＭデータが、前記平均値及び前記許容誤差から導出される閾値範囲から外れた光伝送装置が存在する場合、該当する光伝送装置のＡＩモデルを再学習が必要と判定することと、
を含む、学習コスト削減方法。
【請求項１０】
コンピュータに、
光伝送ネットワーク内に設けられた複数の光伝送装置の各々の光信号の光パワーレベルを表すＰＭ（Performance Monitoring）データを収集する手順と、
前記複数の光伝送装置毎に設けられた複数のＡＩ（Artificial Intelligence）モデルにより、該光伝送装置の前記ＰＭデータを学習データとして用いて、該光伝送装置の前記ＰＭデータの時系列の変動を学習する手順と、
前記複数の光伝送装置毎に、該光伝送装置の前記ＰＭデータの平均値と許容誤差をデータベースに保持する手順と、
前記複数のＡＩモデルを用いて、前記光伝送ネットワーク内の異常を検知する手順と、
異常復旧後の前記ＰＭデータが、前記平均値及び前記許容誤差から導出される閾値範囲から外れた光伝送装置が存在する場合、該当する光伝送装置のＡＩモデルを再学習が必要と判定する手順と、
を実行させるプログラム。

発明の詳細な説明【技術分野】
【０００１】
本開示は、コントローラ、学習コスト削減方法、及びプログラムに関する。
続きを表示（約 1,400 文字）【背景技術】
【０００２】
通信キャリアなどであるＣＳＰ（Communication Service Provider）は、管理するネットワークの運用保守業務を行う。しかし、ネットワークが大規模かつ複雑になるほど、工事や故障によるネットワークの変更が頻繁に生じる。そのため、ネットワークの運用保守は、自動化することが困難であり、これまでは人手で行われていた。
【０００３】
しかし、ネットワークの運用保守を人手で行う場合には、障害発生時のサービスへの影響度の判定、障害の原因箇所の特定など、ネットワークを管理する複数の部署に跨る業務がオンデマンドに発生する。このことが、ＯＰＥＸ（Operating Expense）の増加の一因となっている。
【０００４】
一方、近年は、ＣＳＰの主事業が、通信事業から非通信事業に移行しつつあり、通信事業の設備投資の抑制が今後も見込まれている。そのため、通信事業のＣＡＰＥＸ（Capital Expenditure）及びＯＰＥＸの削減が求められている。また、人口減少に伴い、専門人材が不足することも見込まれている。そのため、これまで人手で行われていた業務を自動的に行うことも求められている。
【０００５】
上記のような背景から、ネットワークの運用保守業務の自動化が求められている。ネットワークの運用保守は、主に、ネットワーク及びネットワーク内に設けられた装置を管理するコントローラによって行われる。コントローラは、各装置情報（構成情報、障害情報、ＰＭ（Performance Monitoring）情報など）及びネットワーク情報（トポロジ情報、論理パス情報、サービス情報など）を管理する。また、コントローラは、オペレータによって手動で作業されるか、又は、一部の作業が自動化される。
【０００６】
ネットワークの運用保守の自動化には、主に２つのアプローチがある。１つのアプローチは、ルールベースの自動化であり、もう１つのアプローチは、ＡＩ（Artificial Intelligence）を活用した自動化である。
【０００７】
本開示は、様々なネットワークに応用可能なＡＩを活用した自動化に着目したものである。また、本開示は、対象とするネットワークが光伝送ネットワーク、対象とする装置が光伝送装置であることを前提とするものである。
ここで、光伝送ネットワークの運用保守を、ＡＩを活用して自動化する技術としては、例えば、特許文献１に開示された技術が挙げられる。
【先行技術文献】
【特許文献】
【０００８】
特開２０１７－１０８２２０号公報
【発明の概要】
【発明が解決しようとする課題】
【０００９】
ところで、光伝送ネットワークにおいて、光伝送装置の物理ポートの異常又は光伝送装置間の光ファイバの異常が発生した場合には、各光伝送装置の光信号の光パワーレベル（ＯＰ：Optical Power）を表すＰＭデータが変動する。
【００１０】
そのため、コントローラでは、事前に、ＡＩモデルが、ＰＭデータを学習データとして用いて、ＰＭデータの時系列的な変動を学習（機械学習）しておく。異常が発生した場合には、コントローラは、ＡＩモデルを用いて、異常の発生に伴うＰＭデータの変動を検知することにより、異常を検知する。
（【００１１】以降は省略されています）

関連特許