NFV（ Network Function Virtualization） とは，これまで専用のハードウェアやアプライアンスによって提供されてきたネットワーク機能を汎用のハードウェア上のソフトウェアによって仮想的に提供することである．ハードウェアとして汎用のサーバやスイッチを用い，各種ゲートウェイなどのネットワーク機能をソフトウェアによって提供する．提供されるネットワーク機能はハードウェアに依存しないため，コストの削減，新しいネットワーク機能の導入や入れ替えなどの容易さ，モジュール化による構成の柔軟性，新しいベンダの参入が比較的容易，などのメリットがある．NFV に関する技術文書は欧州電気通信標準化機構 （European TelecommunicationsStandards Institute， ETSI） のウェブサイトで公開されており，ユースケースや全体アーキテクチャなどについての情報を入手することができる．

NFV に近い概念として SDN（ Software Defined Networking） がある．SDN では，物理ネットワーク上に仮想ネットワークを構築し，ルーティングなどの制御を行うコントロールプレーンとデータの転送を行うデータプレーンを分離して管理する．NFV と SDN はともに仮想化技術をネットワーク上のノードに適用したもので親和性が高く，今後 NFV によって提供されるネットワーク機能を SDN 上で 管理するといったケースが出てくるものと考えられる．

NFV の普及によってネットワーク機能の多様化やカスタマイズ化が進むことによって，これまでに比べさまざまな特性を持った知的なネットワーク機能が提供されるようになることが期待される．

Extreme Learningは，G. B. Huangらにより2004年に提案されたフィードフォワード型ニューラルネットワークの学習手法の一つで，特に隠れ層が一層だけのモデル（ Single－hidden－Layer Feed－forward Neural－networks:SLFNs），すなわち入力層―隠れ層―出力層のみの三層のモデルを対象としている．ニューロンの活性化関数にシグモイドなどの非多項式関数を用いた荷重加算型ニューロンや，RBF（Radial－Basis Function）型ニューロンを用いた場合は，十分な数の隠れ層と適切な重み・しきい値のパラメータ設定を行うことで，SLFNsが任意の連続関数を任意の誤差でシミュレートできることが知られている．Extreme Learningは隠れ層の重み・しきい値パラメータをランダムに決定し，（隠れ層から入力される）出力層の重みを教師信号との誤差が最小化するよう選択する．このとき，隠れ層の数 n を n →＋∞をとしたときの出力誤差の極限は０になることが示されている．出力層の重みは，全ての訓練データによる隠れ層出力値のムーアペンローズの一般化逆行列を計算することで求められる．Backpropagationなどの逐次的な手法と異なり一度の計算で解が求まるため速度の向上が期待され，Huangらは，Sinc関数の模擬においてBack Propagation やSupport Vector Regressionによる学習と同じ精度の近似を３～５ケタ小さい計算時間で求められることを示している．

［１］ G. B. Huang, et al.,“ Extreme learning machine: Theory and applications,” Neurocomputing, 70, pp.489－501, 2006．