ベイジアンアトラクターモデルを用いた動的な仮想ネウトワークトポロジー構築

摘要

将来のIoTアプリケーション等、通信の多様化が予想される中で、ネットワーク仮想化技術を用いて各アプリケーションに合わせた柔軟なネットワーク構築が望まれている。しかし、広範囲に展開されたネットワーク上で絶えず変化する通信状況を正確に把握することは困難であり、従来検討されてきた正確なセンシング情報を前提としたネットワーク構築方法は限界を迎えつつある。従って、部分的な情報から状況を推定する等、各時点で取得できる不確実さを含んだ情報を用いたネットワーク構築が必要となる。本稿では、不確実なセンシング情報を扱いながら意思決定を行っている脳の情報処理機構に注目し、そのメカニズムをネットワーク構築に取り入れることで、このような不確実なセンシング情報を用いながらも状況に応じて適切に仮想ネットワークのトポロジーを変更する手法を提案している。具体的には、脳の意思決定をモデル化したベイジアンアトラクターモデル（BAttM）を基に、仮想ネットワークのトポロジー構築の問題をBAttMの意思決定と対応させて解くことにより、不確実なセンシング情報から、意思決定の状態を逐次的に更新し、十分に確信を得た上で適切なトポロジーへの変更を行う。また、逐次的な状態の更新に加えて、それまでに得られた情報から、どのような意思決定を行う方向に進んでいるのかを予測することで、意思決定にかかる時間を短縮する方法も提案した。そして、シミュレーション評価により、センシング情報が不確かであっても、それを用いることで適切なトポロジーへと素早く切り替えることができ、予測を用いることでさらにその移行期間を短くすることが可能であることを示した。