2015 Fiscal Year Annual Research Report
アプリケーション・デバイス特化型次世代MVNOの研究
| Project/Area Number |
15H01681
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
中尾 彰宏 東京大学, 大学院情報学環, 教授 (60401238)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
杜 平 東京大学, 大学院情報学環, 特任講師 (10462912)
山本 周 東京大学, 大学院情報学環, 特任助教 (10590317)
|
|---|
| Project Period (FY) |
2015-04-01 – 2018-03-31
|
| Keywords | SDN / Mobile Edge Computing / MVNO / 機械学習 / モバイルネットワーク / プログラマブルネットワーク / Quality of Service (QoS) / トラフィック制御 |
|---|
| Outline of Annual Research Achievements |
本研究提案は３つの研究課題を遂行する。第一に、SDNを利用し、トラフィックから確実にリアルタイムでアプリケーション・デバイスを特定した上でQoS制御を行う基盤技術を開発する。様々な端末に対応するパケットマーキング技術、SDNコントローラ（制御装置）との連携によるQoS技術、SDNインターフェース設計などを行う。第二に、その基盤技術を用いて、 アプリケーションに特化した網内に導入可能なネットワーク機能としてトラフィック削減を目的とする圧縮・解凍、キャッシュ技術や、網内で高度なセキュリティを提供する技術などを開発し、網内ネットワーク機能により資源の少ないモバイル端末利用を高度化する応用技術を開発する。第三に、個人情報を保護しつつ制御に有効な情報を収集し、機械学習を駆使して帯域利用の予測やマーキングをしない端末におけるアプリケーション・デバイス情報の推測を用いて帯域利用を最適化する次世代MVNO帯域制御技術の開発を行う。
今年度は3つの課題に対し，全て当初の計画通りに研究開発を遂行した。特に、第3の課題に関しては、予定していた計画よりも前倒しで機械学習のアルゴリズムの開発と評価を遂行することができたり、また、応用例として当初計画になかった本提案の応用等の研究も含めるなど、僅かではあるが、当初の計画以上に研究が進行している。今年度の研究成果は、ジャーナル論文1本、学会発表11件（うち招待講演4件、うち国際学会3件、うち国際学会1件は2016年度発表確定）である。また、電子情報通信学会より、研究賞1件、学生賞1件を受賞している。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
今年度は、(1)トラフィックから確実にアプリケーション・デバイスを特定しQoS制御を行う基盤技術の開発 (2)網内ネットワーク機能により資源の少ないモバイル端末利用を高度化する応用技術の開発 (3) 帯域利用を最適化する機械学習を用いた次世代MVNO帯域制御技術の開発 という3つに課題に対してそれぞれ以下のように研究課題を遂行した。
第1の課題では、リアルタイムに確実にアプリケーション・デバイスを特定するために、端末のOSの仕組みとして通信の最初のパケット（TCPSYNパケットやUDPの最初のパケット）のトレーラにアプリケーションやデバイスの情報のマーキングを行い、プログラマブルノードFLAREにてそのトレーラを解釈・除去しネットワークアドレス変換を実行する仕組みと、アプリケーション・デバイス毎にQoS制御を実施するための、Southbound Interface(SBI)を設計実装した。SDNコントローラ（制御装置）との連携によるQoSの実現、SBIの設計・実装を行い、Android端末を用いた実証実験を遂行した。
第2の課題においては、特定のウェブブラウザが送受信するトラフィックに対し、透過型プロキシーを導入し、データキャッシュ機能の実装と評価を行った。センサーデータの集約開放のネットワーク機能の検討も実施した。また、サーバ負荷の増大をSNSにより検出し特定アプリケーションのトラフィックを分離したり超低遅延を要求するアプリケーションのトラフィックを分離するなど予定していなかった応用研究も実施した。
第3の課題においては、通信の詳細を個人情報を保護しながら収集する手法を開発した。 (a)パケットにマーキングされたアプリケーションやデバイス情報とフロー情報のマッピング情報、および、（ｂ）全ての通信のキャプチャーデータ、の２種類のデータを収集し、機械学習を行う手法を開発し評価した。
|
| Strategy for Future Research Activity |
今年度は、(1)トラフィックから確実にアプリケーション・デバイスを特定しQoS制御を行う基盤技術の開発 (2)網内ネットワーク機能により資源の少ないモバイル端末利用を高度化する応用技術の開発 (3) 帯域利用を最適化する機械学習を用いた次世代MVNO帯域制御技術の開発 という3つに課題に対してそれぞれ以下のように研究課題を遂行する予定である。
第1の課題では、Android端末だけではなくWindows Phone(Windows OS)とiPhone/iPad（iOS）においてOS内にパケットマーキングを行う手法の設計と実装を行い、規模を拡張した実証実験を遂行する。高帯域にスケールさせるためFLARE内のメニーコアプロセッサ内で、ソフトウェア的に効率良く高速でフローの識別(Classification)を行う手法を開発する。
第2の課題では、特定のアプリケーションに対し、網内にて通信遮断を実行するセキュリティ機能を実装・評価する。具体的には、デバイスではなく網側に、特定のデバイスと特定のアプリケーションのトラフィックを指定された時間遮断する特定アプリケーションの使用を制限するペアレンタルコントロールや企業において業務に関係のないアプリケーションの使用を制限する機能を実装し、評価する。
第3の課題では、通信が発生する時点で、リアルタイムに機械学習を行い、(1) アプリケーション毎の通信パターンの把握、(2) オンライン機械学習による通信予測を実現する手法を拡張する。オンライン機械学習の場合、教師データの収集と学習済みのアルゴリズムの適用との両方を実行する必要がある。パケットマーキングを行う端末がアプリケーションやデバイス情報とフロー情報のマッピングという教師データの作成ができることに着目し、パケットマーキングを行わない端末に対して、フロー情報のみを用いた機械学習を実装・評価する。
|
Research Products
(12 results)
