DE102021124264A1 - Erzeugung von synthetischen Systemfehlern - Google Patents

Erzeugung von synthetischen Systemfehlern Download PDF

Info

Publication number
DE102021124264A1
DE102021124264A1 DE102021124264.9A DE102021124264A DE102021124264A1 DE 102021124264 A1 DE102021124264 A1 DE 102021124264A1 DE 102021124264 A DE102021124264 A DE 102021124264A DE 102021124264 A1 DE102021124264 A1 DE 102021124264A1
Authority
DE
Germany
Prior art keywords
computer
synthetic
error
processor
component
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021124264.9A
Other languages
English (en)
Inventor
Boris Sobolev
Larisa Shwartz
Ajay Gupta
Qing Wang
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of DE102021124264A1 publication Critical patent/DE102021124264A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G06F11/261—Functional testing by simulating additional hardware, e.g. fault simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3457—Performance evaluation by simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Debugging And Monitoring (AREA)

Abstract

Es werden Systeme, auf einem Computer ausgeführte Verfahren und Computerprogrammprodukte bereitgestellt, die eine Erzeugung von synthetischen Systemfehlern ermöglichen. Gemäß einer Ausführungsform kann ein System einen Prozessor aufweisen, der die folgenden durch einen Computer ausführbaren Komponenten ausführt, die in einem nichtflüchtigen, durch einen Computer lesbaren Medium gespeichert sind: eine Generatorkomponente, die ein trainiertes Modell der künstlichen Intelligenz (KI) einsetzt, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren; und eine Fehlerumwandlungskomponente, die den synthetischen Systemfehler analysiert und einen dem synthetischen Systemfehler entsprechenden Textinhalt erzeugt.

Description

  • HINTERGRUND
  • Die vorliegende Offenbarung betrifft Systemfehler und insbesondere eine Erzeugung von synthetischen Systemfehlern.
  • Daten über Systemfehler sind aufgrund der Seltenheit der Ereignisse sehr begrenzt. Viele bestehende Technologien, die Systemfehler automatisch erkennen, verwenden Verfahren des maschinellen Lernens (ML) und/oder der künstlichen Intelligenz (KI). Ein Problem bei derartigen bestehenden Technologien besteht darin, dass die Menge von für ein bestimmtes System verfügbaren Daten über Systemfehler oftmals nicht ausreicht, um derartige ML- und/oder KI-Verfahren anzuwenden. Ein anderes Problem bei derartigen bestehenden Technologien besteht darin, dass die Qualität von für ein bestimmtes System verfügbaren Daten über Systemfehler oftmals nicht ausreicht, um derartige ML- und/oder KI-Verfahren anzuwenden. Darüber hinaus sind Daten der Informationstechnologie (IT) sehr komplex, so dass es schwierig ist, eine angemessene Menge an qualitativ hochwertigen Daten über Systemfehler zu erzeugen, die von derartigen vorhandenen Technologien verwendet werden können.
  • KURZDARSTELLUNG
  • Das Folgende ist eine Kurzdarstellung, um ein grundlegendes Verständnis einer oder mehrerer Ausführungsformen der Erfindung bereitzustellen. Diese Kurzdarstellung soll nicht Schlüsselelemente oder wichtige Elemente identifizieren oder irgendeinen Umfang der konkreten Ausführungsformen oder irgendeinen Umfang der Ansprüche beschreiben. Sie dient lediglich dazu, Konzepte in einer vereinfachten Form als Einleitung zu der später dargestellten ausführlicheren Beschreibung darzustellen. In einer oder mehreren hierin beschriebenen Ausführungsformen werden Systeme, auf einem Computer ausgeführte Verfahren und/oder Computerprogrammprodukte beschrieben, die eine Erzeugung von synthetischen Systemfehlern ermöglichen.
  • Gemäß einer Ausführungsform kann ein System einen Prozessor umfassen, der die folgenden durch einen Computer ausführbaren Komponenten ausführt, die in einem nichtflüchtigen, durch einen Computer lesbaren Medium gespeichert sind: eine Generatorkomponente, die ein trainiertes Modell der künstlichen Intelligenz (KI) einsetzt, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren; und eine Fehlerumwandlungskomponente, die den synthetischen Systemfehler analysiert und einen dem synthetischen Systemfehler entsprechenden Textinhalt erzeugt. Ein Vorteil eines derartigen Systems besteht darin, dass es synthetische Systemfehler erzeugen kann, die zum Trainieren eines oder mehrerer Kl- und/oder ML-Modelle verwendet werden können, um einen oder mehrere zuvor unbekannte und/oder unentdeckte Systemfehler in einem bestimmten System zu erkennen.
  • In einigen Ausführungsformen weisen die durch einen Computer ausführbaren Komponenten darüber hinaus eine Aggregator-Komponente auf, die eine Wissensdatenbank mit erzeugten synthetischen Systemfehlern und entsprechenden Textdaten erzeugt. Ein Vorteil eines derartigen Systems besteht darin, dass es die Wissensdatenbank erstellen kann, die zum Trainieren eines oder mehrerer Kl- und/oder ML-Modelle verwendet werden kann, um einen oder mehrere zuvor unbekannte und/oder unentdeckte Systemfehler in einem bestimmten System zu erkennen.
  • Gemäß einer anderen Ausführungsform kann ein auf einem Computer ausgeführtes Verfahren ein Einsetzen eines trainierten Modells der künstlichen Intelligenz (Kl) unter Verwendung eines Prozessors umfassen, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren. Das auf einem Computer ausgeführte Verfahren kann darüber hinaus ein Analysieren des synthetischen Systemfehlers unter Verwendung des Prozessors und ein Erzeugen eines dem synthetischen Systemfehler entsprechenden Textinhalts umfassen. Ein Vorteil eines derartigen auf einem Computer ausgeführten Verfahrens besteht darin, dass es eingesetzt werden kann, um synthetische Systemfehler zu erzeugen, die zum Trainieren eines oder mehrerer Kl- und/oder ML-Modelle verwendet werden können, um einen oder mehrere zuvor unbekannte und/oder unentdeckte Systemfehler in einem bestimmten System zu erkennen.
  • In einigen Ausführungsformen kann das vorstehende auf einem Computer ausgeführte Verfahren darüber hinaus ein Erstellen einer Wissensdatenbank mit erzeugten synthetischen Systemfehlern und entsprechenden Textdaten unter Verwendung des Prozessors umfassen. Ein Vorteil eines derartigen auf einem Computer ausgeführten Verfahrens besteht darin, dass es eingesetzt werden kann, um die Wissensdatenbank zu erstellen, die zum Trainieren eines oder mehrerer Kl- und/oder ML-Modelle verwendet werden kann, um einen oder mehrere zuvor unbekannte und/oder unentdeckte Systemfehler in einem bestimmten System zu erkennen.
  • Gemäß einer anderen Ausführungsform ein Computerprogrammprodukt, das ein durch einen Computer lesbares Speichermedium mit darauf enthaltenen Programmanweisungen aufweist, wobei die Programmanweisungen von einem Prozessor ausgeführt werden können, um den Prozessor zu veranlassen, ein trainiertes Modell der künstlichen Intelligenz (KI) einzusetzen, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren. Die Programmanweisungen sind darüber hinaus von dem Prozessor ausführbar, um den Prozessor zu veranlassen, den synthetischen Systemfehler zu analysieren und einen dem synthetischen Systemfehler entsprechenden Textinhalt zu erzeugen. Ein Vorteil eines derartigen Computerprogrammprodukts besteht darin, dass es eingesetzt werden kann, um synthetische Systemfehler zu erzeugen, die zum Trainieren eines oder mehrerer Kl- und/oder ML-Modelle verwendet werden können, um einen oder mehrere zuvor unbekannte und/oder unentdeckte Systemfehler in einem bestimmten System zu erkennen.
  • In einigen Ausführungsformen sind die Programmanweisungen darüber hinaus von dem Prozessor ausführbar, um den Prozessor zu veranlassen, eine Wissensdatenbank mit erzeugten synthetischen Systemfehlern und entsprechenden Textdaten zu erstellen. Ein Vorteil eines derartigen Computerprogrammprodukts besteht darin, dass es eingesetzt werden kann, um die Wissensdatenbank zu erstellen, die zum Trainieren eines oder mehrerer Kl- und/oder ML-Modelle verwendet werden kann, um einen oder mehrere zuvor unbekannte und/oder unentdeckte Systemfehler in einem bestimmten System zu erkennen.
  • Figurenliste
    • Die 1 und 2 veranschaulichen Blockschaubilder von beispielhaften, nicht einschränkenden Systemen, die eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen können.
    • 3 veranschaulicht einen Ablaufplan eines beispielhaften, nicht einschränkenden, auf einem Computer ausgeführten Verfahrens, das eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen kann.
    • 4 veranschaulicht ein Blockschaubild eines beispielhaften, nicht einschränkenden Systems, das eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen kann.
    • 5 veranschaulicht ein beispielhaftes, nicht einschränkendes Schaubild, das eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen kann.
    • Die 6 und 7 veranschaulichen Ablaufpläne von beispielhaften, nicht einschränkenden auf einem Computer ausgeführten Verfahren, die eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen können.
    • 8 veranschaulicht ein Blockschaubild einer beispielhaften, nicht einschränkenden Betriebsumgebung, in der eine oder mehrere hierin beschriebene Ausführungsformen ermöglicht werden können.
    • 9 veranschaulicht ein Blockschaubild einer beispielhaften, nicht einschränkenden Cloud-Computing-Umgebung gemäß einer oder mehreren Ausführungsformen der vorliegenden Offenbarung.
    • 10 veranschaulicht ein Blockschaubild von beispielhaften, nicht einschränkenden Abstraktionsmodellschichten gemäß einer oder mehreren Ausführungsformen der vorliegenden Offenbarung.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Die folgende ausführliche Beschreibung ist lediglich veranschaulichend und soll Ausführungsformen und/oder das Anwenden oder den Gebrauch von Ausführungsformen nicht einschränken. Des Weiteren besteht nicht die Absicht, an irgendwelche in den vorhergehenden Abschnitten „Hintergrund“ oder „Kurzdarstellung“ oder in dem Abschnitt „Ausführliche Beschreibung“ dargestellten ausdrücklichen oder angedeuteten Informationen gebunden zu sein.
  • Eine oder mehrere Ausführungsformen werden nun unter Bezugnahme auf die Zeichnungen beschrieben, wobei durchgehend gleichartige Bezugszahlen verwendet werden, um auf gleichartige Elemente zu verweisen. In der folgenden Beschreibung werden zur Erläuterung zahlreiche spezifische Details dargelegt, um ein vollständigeres Verständnis der einen oder mehreren Ausführungsformen bereitzustellen. Es ist jedoch in verschiedenen Fällen offensichtlich, dass die eine oder mehreren Ausführungsformen ohne diese spezifischen Details umgesetzt werden können.
  • In Anbetracht der vorstehend beschriebenen Probleme mit bestehenden Technologien, die automatisch Systemfehler erkennen, kann die vorliegende Offenbarung umgesetzt werden, um eine Lösung für diese Probleme in Form von Systemen, auf einem Computer ausgeführten Verfahren und/oder Computerprogrammprodukten zu schaffen, die eine Erzeugung von synthetischen Systemfehlern ermöglichen können durch: Einsetzen eines trainierten Modells der künstlichen Intelligenz (Kl) zum Erzeugen eines synthetischen Systemfehlers, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren; Analysieren des synthetischen Systemfehlers; und/oder Erzeugen eines dem synthetischen Systemfehler entsprechenden Textinhalts. Ein Vorteil derartiger Systeme, auf einem Computer ausgeführter Verfahren und/oder Computerprogrammprodukte besteht darin, dass sie eingesetzt werden können, um synthetische Systemfehler zu erzeugen, die zum Trainieren eines oder mehrerer Kl- und/oder ML-Modelle verwendet werden können, um einen oder mehrere zuvor unbekannte und/oder unentdeckte Systemfehler in einem bestimmten System zu erkennen.
  • In einigen Ausführungsformen kann die vorliegende Offenbarung umgesetzt werden, um eine Lösung für die vorstehend beschriebenen Probleme in Form von Systemen, auf einem Computer ausgeführten Verfahren und/oder Computerprogrammprodukten zu schaffen, die eine Wissensdatenbank mit erzeugten synthetischen Systemfehlern und entsprechenden Textdaten erzeugen können. Ein Vorteil derartiger Systeme, auf einem Computer ausgeführter Verfahren und/oder Computerprogrammprodukte besteht darin, dass sie eingesetzt werden können, um die Wissensdatenbank zu erzeugen, die zum Trainieren eines oder mehrerer Kl- und/oder ML-Modelle verwendet werden kann, um einen oder mehrere zuvor unbekannte und/oder unentdeckte Systemfehler in einem bestimmten System zu erkennen.
  • Im Sinne dieses Dokuments kann ein „Fehler“ oder ein „Systemfehler“ eine Fehlfunktion und/oder einen Ausfall einer oder mehrerer Komponenten in einem System wie zum Beispiel einem Softwaresystem und/oder einem Hardwaresystem (z.B. einem klassischen Datenverarbeitungssoftwaresystem und/oder -hardwaresystem, einem Quantendatenverarbeitungssoftwaresystem und/oder -hardwaresystem usw.) beschreiben. Im Sinne dieses Dokuments kann ein derartiger „Fehler“ oder ein derartiger „Systemfehler“ als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt werden, die einen Zustand eines derartigen Systems definieren, sowie als Textdaten, die dem „Fehler“ oder dem „Systemfehler“ entsprechen und/oder diesen beschreiben (z.B. von dem System erstellte Protokolle, die eine textliche Beschreibung eines „Fehlers“ oder eines „Systemfehlers“ aufweisen). Im Sinne dieses Dokuments können derartige diskrete Parameter und/oder kontinuierliche Parameter zum Beispiel Parameter der zentralen Verarbeitungseinheit (CPU), Infrastrukturparameter, Speicherparameter und/oder einen anderen Parameter eines Softwaresystems und/oder eines Hardwaresystems aufweisen.
  • Im Sinne dieses Dokuments kann eine „Entität“ einen Menschen, einen Client, einen Benutzer, eine Datenverarbeitungseinheit, eine Softwareanwendung, einen Agenten, ein Modell des maschinellen Lernens (ML), ein Modell der künstlichen Intelligenz (Kl) und/oder eine andere Entität aufweisen. Gemäß einer oder mehreren Ausführungsformen der hierin beschriebenen, vorliegenden Offenbarung kann eine derartige Entität ein System 102 zur Erzeugung von synthetischen Fehlern und/oder eine oder mehrere Komponenten davon umsetzen (z.B. eine Generatorkomponente 108, eine Fehlerumwandlungskomponente 110, eine Modelltrainerkomponente 202, eine Aggregator-Komponente 204, usw.).
  • 1 veranschaulicht ein Blockschaubild eines beispielhaften, nicht einschränkenden Systems 100, das eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen kann. Das System 100 kann ein System 102 zur Erzeugung von synthetischen Fehlern aufweisen. Das System 102 zur Erzeugung von synthetischen Fehlern kann einen Speicher 104, einen Prozessor 106, die Generatorkomponente 108, die Fehlerumwandlungskomponente 110 und/oder einen Bus 112 aufweisen.
  • Man sollte sich darüber im Klaren sein, dass die Ausführungsformen der hierin offenbarten vorliegenden Offenbarung, die in verschiedenen Figuren bildlich dargestellt sind, nur der Veranschaulichung dienen, und von daher ist die Architektur derartiger Ausführungsformen nicht auf die darin bildlich dargestellten Systeme, Einheiten und/oder Komponenten beschränkt. Zum Beispiel kann in einigen Ausführungsformen das System 100 und/oder das System 102 zur Erzeugung von synthetischen Fehlern darüber hinaus verschiedene Computerelemente und/oder auf Datenverarbeitung beruhende Elemente aufweisen, die hierin unter Bezugnahme auf eine Betriebsumgebung 800 und 8 beschrieben sind. In mehreren Ausführungsformen können derartige Computerelemente und/oder auf Datenverarbeitung beruhende Elemente in Verbindung mit dem Umsetzen eines/einer oder mehrerer der Systeme, Einheiten, Komponenten und/oder auf einem Computer ausgeführten Arbeitsschritte verwendet werden, die in Verbindung mit 1 oder anderen hierin offenbarten Figuren gezeigt und beschrieben sind.
  • In dem Speicher 104 können eine oder mehrere durch einen Computer und/oder eine Maschine lesbare, beschreibbare und/oder ausführbare Komponenten und/oder Anweisungen gespeichert sein, die, wenn sie von dem Prozessor 106 (z.B. einem klassischen Prozessor, einem Quantenprozessor usw.) ausgeführt werden, eine Durchführung von Arbeitsschritten ermöglichen können, die durch die ausführbare(n) Komponente(n) und/oder Anweisung(en) definiert sind. Zum Beispiel können in dem Speicher 104 durch einen Computer und/oder durch eine Maschine lesbare, beschreibbare und/oder ausführbare Komponenten und/oder Anweisungen gespeichert sein, die, wenn sie von dem Prozessor 106 ausgeführt werden, eine Ausführung der verschiedenen hierin beschriebenen Funktionen ermöglichen können, die sich auf das System 102 zur Erzeugung von synthetischen Fehlern, die Generatorkomponente 108, die Fehlerumwandlungskomponente 110 und/oder eine andere dem System 102 zur Erzeugung von synthetischen Fehlern zugehörige Komponente (z.B. die Modelltrainerkomponente 202, die Aggregator-Komponente 204 usw.) beziehen, wie sie hierin mit oder ohne Bezugnahme auf die verschiedenen Figuren der vorliegenden Offenbarung beschrieben sind.
  • Der Speicher 104 kann einen flüchtigen Speicher (z.B. einen Direktzugriffsspeicher (RAM), statischen RAM (SRAM), dynamischen RAM (DRAM) usw.) und/oder einen nichtflüchtigen Speicher (z.B. einen Nur-Lese-Speicher (ROM), programmierbaren ROM (PROM), elektrisch programmierbaren ROM (EPROM), elektrisch löschbaren programmierbaren ROM (EEPROM) usw.) aufweisen, die eine oder mehrere Speicherarchitekturen einsetzen können. Weitere Beispiele für den Speicher 104 werden im Folgenden unter Bezugnahme auf einen Systemspeicher 816 und 8 beschrieben. Derartige Beispiele für den Speicher 104 können eingesetzt werden, um beliebige Ausführungsformen der vorliegenden Offenbarung umzusetzen.
  • Der Prozessor 106 kann eine oder mehrere Arten von Prozessoren und/oder elektronischen Schaltungen aufweisen (z.B. einen klassischen Prozessor, einen Quantenprozessor usw.), die eine oder mehrere durch einen Computer und/oder eine Maschine lesbare, beschreibbare und/oder ausführbare Komponenten und/oder Anweisungen umsetzen können, die in dem Speicher 104 gespeichert sein können. Zum Beispiel kann der Prozessor 106 verschiedene Arbeitsschritte durchführen, die durch derartige durch einen Computer und/oder eine Maschine lesbare, beschreibbare und/oder ausführbare Komponenten und/oder Anweisungen vorgegeben sein können, einschließlich, aber nicht beschränkt auf Logik, Steuerung, Eingabe/Ausgabe (E/A), Arithmetik und/oder dergleichen. In einigen Ausführungsformen kann der Prozessor 106 eine oder mehrere zentrale Verarbeitungseinheiten, einen Mehrkern-Prozessor, einen Mikroprozessor, Dual-Mikroprozessoren, einen Mikrocontroller, ein System auf einem Chip (SOC, System on a Chip), einen Array-Prozessor, einen Vektorprozessor, einen Quantenprozessor und/oder eine andere Art von Prozessor aufweisen. Weitere Beispiele für den Prozessor 106 werden im Folgenden unter Bezugnahme auf eine Verarbeitungseinheit 814 und 8 beschrieben. Derartige Beispiele für den Prozessor 106 können eingesetzt werden, um beliebige Ausführungsformen der vorliegenden Offenbarung umzusetzen.
  • Das System 102 zur Erzeugung von synthetischen Fehlern, der Speicher 104, der Prozessor 106, die Generatorkomponente 108, die Fehlerumwandlungskomponente 110 und/oder eine andere Komponente des hierin beschriebenen Systems 102 zur Erzeugung von synthetischen Fehlern (z.B. die Modelltrainerkomponente 202, die Aggregator-Komponente 204 usw.) können über den Bus 112 für den Datenaustausch elektrisch, funktionsmäßig und/oder optisch miteinander verbunden sein, um Funktionen des Systems 100, des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder aller damit verbundenen Komponenten durchzuführen. Der Bus 112 kann einen oder mehrere Speicherbusse, Speichersteuereinheiten, Peripheriebusse, externe Busse, lokale Busse, einen Quantenbus und/oder eine andere Art von Bus aufweisen, der verschiedene Busarchitekturen einsetzen kann. Weitere Beispiele für den Bus 112 werden im Folgenden unter Bezugnahme auf einen Systembus 818 und 8 beschrieben. Derartige Beispiele für den Bus 112 können eingesetzt werden, um beliebige Ausführungsformen der vorliegenden Offenbarung umzusetzen.
  • Das System 102 zur Erzeugung von synthetischen Fehlern kann jede Art von Komponente, Maschine, Einheit, Einrichtung, Vorrichtung und/oder Instrument aufweisen, die/das einen Prozessor aufweist und/oder in der Lage sein kann, einen effektiven und/oder operativen Datenaustausch mit einem drahtgebundenen und/oder drahtlosen Netzwerk zu ermöglichen. Es sind alle derartigen Ausführungsformen vorstellbar. Zum Beispiel kann das System 102 zur Erzeugung von synthetischen Fehlern eine Servereinheit, eine Datenverarbeitungseinheit, einen Universalcomputer, einen Spezialcomputer, eine Quantendatenverarbeitungseinheit (z.B. einen Quantencomputer), eine Tablet-Datenverarbeitungseinheit, eine Handheld-Einheit, eine Datenverarbeitungsmaschine und/oder eine Datenbank der Serverklasse, einen Laptop-Computer, einen Notebook-Computer, einen Desktop-Computer, ein Mobiltelefon, ein Smartphone, ein Verbrauchergerät und/oder ein Instrument, eine industrielle und/oder kommerzielle Einheit, einen digitalen Assistenten, ein multimediales internetfähiges Telefon, einen Multimedia-Player und/oder eine andere Art von Einheit aufweisen.
  • Das System 102 zur Erzeugung von synthetischen Fehlern kann unter Verwendung eines Drahtes und/oder eines Kabels mit einem/einer oder mehreren externen Systemen, Quellen und/oder Einheiten (z.B. klassischen und/oder Quantendatenverarbeitungseinheiten, Datenübertragungseinheiten usw.) verbunden sein (z.B. für den Datenaustausch, elektrisch, funktionsmäßig, optisch usw.). Zum Beispiel kann das System 102 zur Erzeugung von synthetischen Fehlern unter Verwendung eines Datenkabels, darunter ein HDMI- (High-Definition Multimedia Interface-) Kabel, ein RS-(Recommended Standard-) 232-Kabel, ein Ethernet-Kabel und/oder ein anderes Datenkabel, aber nicht darauf beschränkt, mit einem/einer oder mehreren externen Systemen, Quellen und/oder Einheiten (z.B. klassischen und/oder Quantendatenverarbeitungseinheiten, Datenübertragungseinheiten usw.) verbunden sein (z.B. für den Datenaustausch, elektrisch, funktionsmäßig, optisch usw.).
  • In einigen Ausführungsformen kann das System 102 zur Erzeugung von synthetischen Fehlern über ein Netzwerk mit einem/einer oder mehreren externen Systemen, Quellen und/oder Einheiten (z.B. klassischen und/oder Quantendatenverarbeitungseinheiten, Datenübertragungseinheiten usw.) verbunden sein (z.B. für den Datenaustausch, elektrisch, funktionsmäßig, optisch usw.). Zum Beispiel können derartige Netzwerke drahtgebundene und/oder drahtlose Netzwerke aufweisen, darunter ein Mobilfunknetz, ein Weitverkehrsnetz (WAN) (z.B. das Internet) oder ein lokales Netzwerk (LAN), aber nicht darauf beschränkt. Das System 102 zur Erzeugung von synthetischen Fehlern kann mit einem/einer oder mehreren externen Systemen, Quellen und/oder Einheiten Daten austauschen, zum Beispiel mit Datenverarbeitungseinheiten unter Verwendung praktisch jeder gewünschten drahtgebundenen und/oder drahtlosen Technologie, darunter: Wireless Fidelity (Wi-Fi), Global System for Mobile Communications (GSM), Universal Mobile Telecommunications System (UMTS), Worldwide Interoperability for Microwave Access (WiMAX), Enhanced General Packet Radio Service (Enhanced GPRS), Third Generation Partnership Project (3GPP) Long Term Evolution (LTE), Third Generation Partnership Project 2 (3GPP2) Ultra Mobile Broadband (UMB), High Speed Packet Access (HSPA), Zigbee und andere 802.XX Drahtlostechnologien und/oder ältere Telekommunikationstechnologien, BLUETOOTH®, Session Initiation Protocol (SIP), ZIGBEE®, RF4CE-Protokoll, WirelessHART-Protokoll, 6LoWPAN (IPv6 over Low power Wireless Area Networks), Z-Wave, einen ANT, ein Ultrabreitband- (UWB-) Standardprotokoll und/oder andere proprietäre und nicht-proprietäre Datenübertragungsprotokolle, aber nicht darauf beschränkt. Daher kann das System 102 zur Erzeugung von synthetischen Fehlern in einigen Ausführungsformen Hardware (z.B. eine zentrale Verarbeitungseinheit (CPU), einen Transceiver, einen Decoder, Quantenhardware, einen Quantenprozessor usw.), Software (z.B., einen Satz von Threads, einen Satz von Prozessen, Software in Ausführung, einen Quantenimpulsplan, einen Quantenschaltkreis, Quantengatter usw.) oder eine Kombination von Hardware und Software umfassen, die ein Übertragen von Informationen zwischen dem System 102 zur Erzeugung von synthetischen Fehlern und externen Systemen, Quellen und/oder Einheiten (z.B. Datenverarbeitungseinheiten, Datenübertragungseinheiten usw.) ermöglichen.
  • Das System 102 zur Erzeugung von synthetischen Fehlern kann eine oder mehrere durch einen Computer und/oder eine Maschine lesbare, beschreibbare und/oder ausführbare Komponenten und/oder Anweisungen aufweisen, die, wenn sie von dem Prozessor 106 (z.B. einem klassischen Prozessor, einem Quantenprozessor usw.) ausgeführt werden, eine Durchführung von Arbeitsschritten ermöglichen können, die durch (eine) derartige Komponente(n) und/oder Anweisung(en) definiert sind. Darüber hinaus kann in zahlreichen Ausführungsformen jede beliebige, dem System 102 zur Erzeugung von synthetischen Fehlern zugehörige Komponente, wie hierin mit oder ohne Bezugnahme auf die verschiedenen Figuren der vorliegenden Offenbarung beschrieben, eine oder mehrere durch einen Computer und/oder eine Maschine lesbare, beschreibbare und/oder ausführbare Komponenten und/oder Anweisungen aufweisen, die, wenn sie von dem Prozessor 106 ausgeführt werden, eine Durchführung von Arbeitsschritten ermöglichen können, die durch (eine) derartige Komponente(n) und/oder Anweisung(en) definiert sind. Zum Beispiel können die Generatorkomponente 108, die Fehlerumwandlungskomponente 110 und/oder jede andere Komponente, die dem hierin offenbarten System 102 zur Erzeugung von synthetischen Fehlern zugehörig ist (z.B. die Modelltrainerkomponente 202, die Aggregator-Komponente 204 usw.), (z.B. für den Datenaustausch, elektronisch, funktionsmäßig und/oder optisch mit dem System 102 zur Erzeugung von synthetischen Fehlern verbunden und/oder von diesem eingesetzt), (eine) derartige durch einen Computer und/oder eine Maschine lesbare, beschreibbare und/oder ausführbare Komponente(n) und/oder Anweisung(en) aufweisen. Demzufolge kann gemäß zahlreichen Ausführungsformen das System 102 zur Erzeugung von synthetischen Fehlern und/oder jegliche diesem zugehörige Komponenten, wie hierin dargelegt, den Prozessor 106 einsetzen, um (eine) derartige durch einen Computer und/oder eine Maschine lesbare, beschreibbare und/oder ausführbare Komponente(n) und/oder Anweisung(en) auszuführen, um eine Durchführung eines oder mehrerer Arbeitsschritte zu ermöglichen, die hierin unter Bezugnahme auf das System 102 zur Erzeugung von synthetischen Fehlern und/oder jegliche derartige diesem zugehörige Komponenten beschrieben sind.
  • Das System 102 zur Erzeugung von synthetischen Fehlern kann (z.B. über den Prozessor 106) eine Durchführung von Arbeitsschritten ermöglichen, die von der Generatorkomponente 108, der Fehlerumwandlungskomponente 110 und/oder einer anderen, dem System 102 zur Erzeugung von synthetischen Fehlern zugehörigen Komponente (z.B. der Modelltrainerkomponente 202, der Aggregator-Komponente 204 usw.) ausgeführt werden und/oder dieser Komponente zugehörig sind, wie hierin offenbart. Zum Beispiel kann das System 102 zur Erzeugung von synthetischen Fehlern (z.B. über den Prozessor 106), wie weiter unten im Detail beschrieben, Folgendes ermöglichen: Einsetzen eines trainierten Modells der künstlichen Intelligenz (Kl) zum Erzeugen eines synthetischen Systemfehlers, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren; und/oder Analysieren des synthetischen Systemfehlers und Erzeugen eines dem synthetischen Systemfehler entsprechenden Textinhalts.
  • In einem anderen Beispiel, das weiter unten im Detail beschrieben wird, kann das System 102 zur Erzeugung von synthetischen Fehlern darüber hinaus Folgendes ermöglichen (z.B., über den Prozessor 106): Vorverarbeitung historischer Systemdaten, die historische diskrete Parameter und/oder historische kontinuierliche Parameter aufweisen können, wobei die historischen diskreten Parameter als One-Hot-codierte Vektoren dargestellt werden und für die historischen kontinuierlichen Parameter eine modusspezifische Normalisierung mit einem Gaußschen Variationsmischmodell eingesetzt wird; Trainieren des Kl-Modells unter Verwendung einer Architektur eines Generative Adversarial Network (auf Deutsch etwa: generierendes gegnerisches Netzwerk); Trainieren des Kl-Modells unter Verwendung eines bedingten tabellarischen Adversarial Network; Trainieren des Kl-Modells mit Wasserstein Gradient Penalty Loss (WGAN-GP Loss); Wiederherstellen komplexer multimodaler Verteilungen einer Teilmenge der diskreten Parameter und/oder der kontinuierlichen Parameter, die durch eine Zeile eines zugehörigen Datensatzes bedingt sind; und/oder Erzeugen einer Wissensdatenbank mit erzeugten synthetischen Systemfehlern und entsprechenden Textdaten. In den vorstehenden Beispielen kann der Textinhalt ein Systemprotokoll und/oder eine Beschreibung des synthetischen Systemfehlers enthalten.
  • Die Generatorkomponente 108 kann ein trainiertes Modell der künstlichen Intelligenz (KI) einsetzen, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren. Zum Beispiel kann die Generatorkomponente 108 eine Architektur eines trainierten Generative Adversarial Network einsetzen, wie zum Beispiel ein trainiertes Generative Adversarial Network (GAN), um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die zusammen einen Systemzustand definieren. In einem anderen Beispiel kann die Generatorkomponente 108 ein trainiertes bedingtes tabellarisches Adversarial Network einsetzen, wie zum Beispiel ein trainiertes bedingtes tabellarisches Generative Adversarial Network (CTGAN) einsetzen, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die zusammen einen Systemzustand definieren. In den vorstehenden Beispielen kann ein derartiges Kl-Modell, das von der Generatorkomponente 108 zum Erzeugen eines derartigen synthetischen Systemfehlers eingesetzt werden kann, von der Modelltrainerkomponente 202 trainiert werden, wie nachstehend unter Bezugnahme auf das in 2 veranschaulichte Ausführungsbeispiel beschrieben ist.
  • Die Generatorkomponente 108 kann ein derartiges trainiertes KI-Modell (z.B. ein trainiertes CTGAN) einsetzen, um verschiedene synthetische Systemfehler zu erzeugen, die jeweils eine bestimmte Kombination von mindestens einem diskreten Parameter und mindestens einem kontinuierlichen Parameter aufweisen können, die zusammen den Zustand eines Systems definieren (z.B. eines klassischen Datenverarbeitungssoftwaresystems und/oder -hardwaresystems, eines Quantendatenverarbeitungssoftwaresystems und/oder -hardwaresystems usw.). In einigen Ausführungsformen kann es sich bei einem derartigen mindestens einen diskreten Parameter und/oder derartigen mindestens einen kontinuierlichen Parameter um Elemente und/oder eine Teilmenge von Elementen in einem dem System zugehörigen Datensatz handeln. Zum Beispiel kann es sich bei derartigen mindestens einem diskreten und/oder kontinuierlichen Parameter um Elemente und/oder eine Teilmenge von Elementen handeln, die in den Spalten eines derartigen, dem System zugehörigen Datensatzes angeordnet sind, und jede Zeile des Datensatzes kann einen Systemfehler darstellen, der als eine Kombination von mindestens einem derartigen diskreten Parameter und mindestens einem derartigen kontinuierlichen Parameter dargestellt wird. In einigen Ausführungsformen können derartige mindestens ein diskreter und/oder kontinuierlicher Parameter auch Parameter der zentralen Verarbeitungseinheit (CPU), Infrastrukturparameter, Speicherparameter und/oder andere Parameter eines Systems wie zum Beispiel eines Softwaresystems und/oder eines Hardwaresystems (z.B. eines klassischen Datenverarbeitungssoftwaresystems und/oder - hardwaresystems, eines Quantendatenverarbeitungssoftwaresystems und/oderhardwaresystems usw.) umfassen, sind aber nicht darauf beschränkt.
  • Die Generatorkomponente 108 kann komplexe multimodale Verteilungen einer Teilmenge der diskreten Parameter und/oder der kontinuierlichen Parameter wiederherstellen, die durch eine Zeile eines zugehörigen Datensatzes bedingt sind. Zum Beispiel kann die Generatorkomponente 108 durch Einsetzen eines derartigen, vorstehend beschriebenen trainierten Kl-Modells (z.B. eines trainierten CTGAN) zum Erzeugen eines synthetischen Systemfehlers, der eine bestimmte Kombination von mindestens einem diskreten Parameter und/oder mindestens einem kontinuierlichen Parameter aufweist, die zusammen den Zustand eines Systems definieren, komplexe multimodale Verteilungen einer derartigen Kombination des mindestens einen diskreten Parameters und/oder des mindestens einen kontinuierlichen Parameters wiederherstellen, die durch eine Zeile des vorstehend beschriebenen Datensatzes bedingt sind, der dem System zugehörig sein kann.
  • Die Fehlerumwandlungskomponente 110 kann einen synthetischen Systemfehler analysieren und einen dem synthetischen Systemfehler entsprechenden Textinhalt erzeugen. Zum Beispiel kann die Fehlerumwandlungskomponente 110 den synthetischen Systemfehler analysieren, der wie vorstehend beschrieben von der Generatorkomponente 108 erzeugt werden kann, und die Fehlerumwandlungskomponente 110 kann darüber hinaus einen Textinhalt erzeugen, der dem synthetischen Systemfehler entspricht, wie zum Beispiel ein Systemprotokoll, eine Beschreibung des synthetischen Systemfehlers und/oder einen anderen Textinhalt. In diesem Beispiel kann ein derartiger Textinhalt, der dem synthetischen Systemfehler entspricht (z.B. ein Systemprotokoll, eine Beschreibung des synthetischen Systemfehlers usw.), als Textdatei und/oder in einem anderen Format formatiert sein, das von einer hierin definierten Entität (z.B. einem Menschen, einem Client, einem Benutzer, einer Datenverarbeitungseinheit, einer Softwareanwendung, einem Agenten, einem ML-Modell, einem Kl-Modell usw.) gelesen werden kann.
  • In einigen Ausführungsformen kann das System 102 zur Erzeugung von synthetischen Fehlern einer Cloud-Computing-Umgebung zugehörig sein. Zum Beispiel kann das System 102 zur Erzeugung von synthetischen Fehlern einer Cloud-Computing-Umgebung 950, die im Folgenden unter Bezugnahme auf 9 beschrieben wird, und/oder einer oder mehreren funktionalen Abstraktionsschichten zugehörig sein, die nachstehend unter Bezugnahme auf 10 beschrieben werden (z.B. einer Hardware- und Softwareschicht 1060, einer Virtualisierungsschicht 1070, einer Verwaltungsschicht 1080 und/oder einer Arbeitslastenschicht 1090).
  • Das System 102 zur Erzeugung von synthetischen Fehlern und/oder dessen Komponenten (z.B. die Generatorkomponente 108, die Fehlerumwandlungskomponente 110, die Modelltrainerkomponente 202, die Aggregator-Komponente 204 usw.) können eine oder mehrere Datenverarbeitungsressourcen der nachstehend unter Bezugnahme auf 9 beschriebenen Cloud-Computing-Umgebung 950 und/oder eine oder mehrere funktionale Abstraktionsschichten (z.B. Quantensoftware usw.), die nachstehend unter Bezugnahme auf 10 beschrieben werden, einsetzen, um einen oder mehrere Arbeitsschritte gemäß einer oder mehreren Ausführungsformen der hierin beschriebenen, vorliegenden Offenbarung auszuführen. Zum Beispiel können die Cloud-Computing-Umgebung 950 und/oder derartige eine oder mehrere funktionale Abstraktionsschichten eine oder mehrere klassische Datenverarbeitungseinheiten (z.B. einen klassischen Computer, einen klassischen Prozessor, eine virtuelle Maschine, einen Server usw.), Quantenhardware und/oder Quantensoftware (z.B. eine Quantendatenverarbeitungseinheit, einen Quantencomputer, einen Quantenprozessor, eine Quantenschaltungssimulationssoftware, eine supraleitende Schaltung usw.) aufweisen, die von dem System 102 zur Erzeugung von synthetischen Fehlern und/oder dessen Komponenten eingesetzt werden können, um einen oder mehrere Arbeitsschritte gemäß einer oder mehreren Ausführungsformen der hierin beschriebenen, vorliegenden Offenbarung auszuführen. Zum Beispiel können das System 102 zur Erzeugung von synthetischen Fehlern und/oder dessen Komponenten derartige eine oder mehrere klassische und/oder Quanten-Datenverarbeitungsressourcen einsetzen, um eines oder mehrere der Folgenden klassisch und/oder quantentechnisch durchzuführen: eine mathematische Funktion, Berechnung und/oder Gleichung; Datenverarbeitungs- und/oder Verarbeitungsskripte; Algorithmen; Modelle (z.B. ein Kl-Modell, ein ML-Modell usw.); und/oder einen anderen Arbeitsschritt gemäß einer oder mehreren Ausführungsformen der hierin beschriebenen vorliegenden Offenbarung.
  • Es sei von vornherein klargestellt, dass das Umsetzen der hierin angeführten Lehren nicht auf eine Cloud-Computing-Umgebung beschränkt ist, obwohl diese Offenbarung eine ausführliche Beschreibung von Cloud-Computing umfasst. Stattdessen können Ausführungsformen der vorliegenden Erfindung gemeinsam mit jeder beliebigen Art von jetzt bekannter oder später erfundener Datenverarbeitungsumgebung umgesetzt werden.
  • Cloud-Computing ist ein Servicebereitstellungsmodell zum Ermöglichen eines problemlosen bedarfsgesteuerten Netzwerkzugriffs auf einen gemeinsam genutzten Pool von konfigurierbaren Datenverarbeitungsressourcen (z.B. Netzwerke, Netzwerkbandbreite, Server, Verarbeitung, Hauptspeicher, Speicher, Anwendungen, virtuelle Maschinen und Dienste), die mit minimalem Verwaltungsaufwand bzw. minimaler Interaktion mit einem Anbieter des Service schnell bereitgestellt und freigegeben werden können. Dieses Cloud-Modell kann mindestens fünf Eigenschaften umfassen, mindestens drei Dienstmodelle und mindestens vier Implementierungsmodelle.
  • Bei den Eigenschaften handelt es sich um die Folgenden:
  • On-Demand Self-Service: Ein Cloud-Nutzer kann einseitig automatisch nach Bedarf für Datenverarbeitungsfunktionen wie Serverzeit und Netzwerkspeicher sorgen, ohne dass eine menschliche Interaktion mit dem Anbieter der Dienste erforderlich ist.
  • Broad Network Access: Es sind Funktionen über ein Netzwerk verfügbar, auf die durch Standardmechanismen zugegriffen wird, welche die Verwendung durch heterogene Thin- oder Thick-Client-Plattformen (z.B. Mobiltelefone, Laptops und PDAs) unterstützen.
  • Resource-Pooling: Die Datenverarbeitungsressourcen des Anbieters werden zusammengeschlossen, um mehreren Nutzern unter Verwendung eines Multi-Tenant-Modells zu dienen, wobei verschiedene physische und virtuelle Ressourcen dynamisch nach Bedarf zugewiesen und neu zugewiesen werden. Es gibt eine gefühlte Standortunabhängigkeit, da der Nutzer allgemein keine Kontrolle bzw. Kenntnis über den genauen Standort der bereitgestellten Ressourcen hat, aber in der Lage sein kann, einen Standort auf einer höheren Abstraktionsebene festzulegen (z.B. Land, Staat oder Rechenzentrum).
  • Rapid Elasticity: Funktionen können für eine schnelle horizontale Skalierung (scale out) schnell und elastisch bereitgestellt werden, in einigen Fällen auch automatisch, und für ein schnelles Scale-in schnell freigegeben werden. Für den Nutzer erscheinen die für das Bereitstellen verfügbaren Funktionen häufig unbegrenzt und sie können jederzeit in jeder beliebigen Menge gekauft werden.
  • Measured Service: Cloud-Systeme steuern und optimieren die Verwendung von Ressourcen automatisch, indem sie eine Messfunktion auf einer gewissen Abstraktionsebene nutzen, die für die Art von Dienst geeignet ist (z.B. Speicher, Verarbeitung, Bandbreite sowie aktive Benutzerkonten). Die Nutzung von Ressourcen kann überwacht, gesteuert und gemeldet werden, wodurch sowohl für den Anbieter als auch für den Nutzer des verwendeten Dienstes Transparenz geschaffen wird.
  • Bei den Dienstmodellen handelt es sich um die Folgenden:
  • Software as a Service (SaaS): Die dem Nutzer bereitgestellte Funktion besteht darin, die in einer Cloud-Infrastruktur laufenden Anwendungen des Anbieters zu verwenden. Die Anwendungen sind über eine Thin-Client-Schnittstelle wie einen Web-Browser (z.B. auf dem Web beruhende E-Mail) von verschiedenen Client-Einheiten her zugänglich. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, darunter das Netzwerk, Server, Betriebssysteme, Speicher bzw. sogar einzelne Anwendungsfunktionen, mit der möglichen Ausnahme von eingeschränkten benutzerspezifischen Anwendungskonfigurationseinstellungen.
  • Platform as a Service (PaaS): Die dem Nutzer bereitgestellte Funktion besteht darin, durch einen Nutzer erstellte bzw. erhaltene Anwendungen, die unter Verwendung von durch den Anbieter unterstützten Programmiersprachen und Tools erstellt wurden, in der Cloud-Infrastruktur einzusetzen. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, darunter Netzwerke, Server, Betriebssysteme bzw. Speicher, hat aber die Kontrolle über die eingesetzten Anwendungen und möglicherweise über Konfigurationen des Application Hosting Environment.
  • Infrastructure as a Service (laaS): Die dem Nutzer bereitgestellte Funktion besteht darin, das Verarbeiten, Speicher, Netzwerke und andere grundlegende Datenverarbeitungsressourcen bereitzustellen, wobei der Nutzer in der Lage ist, beliebige Software einzusetzen und auszuführen, zu der Betriebssysteme und Anwendungen gehören können. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, hat aber die Kontrolle über Betriebssysteme, Speicher, eingesetzte Anwendungen und möglicherweise eine eingeschränkte Kontrolle über ausgewählte Netzwerkkomponenten (z.B. Host-Firewalls).
  • Bei den Einsatzmodellen handelt es sich um die Folgenden:
  • Private Cloud: Die Cloud-Infrastruktur wird einzig und allein für eine Organisation betrieben. Sie kann durch die Organisation oder einen Dritten verwaltet werden und kann sich in den eigenen Räumen oder in fremden Räumen befinden.
  • Community Cloud: Die Cloud-Infrastruktur wird von mehreren Organisationen gemeinsam genutzt und unterstützt eine spezielle Benutzergemeinschaft, die gemeinsame Angelegenheiten hat (z.B. Mission, Sicherheitsanforderungen, Richtlinien sowie Überlegungen bezüglich der Einhaltung von Vorschriften). Sie kann durch die Organisationen oder einen Dritten verwaltet werden und kann in den eigenen Räumen oder fremden Räumen stehen.
  • Public Cloud: Die Cloud-Infrastruktur wird der allgemeinen Öffentlichkeit oder einer großen Industriegruppe zur Verfügung gestellt und sie gehört einer Cloud-Dienste verkaufenden Organisation.
  • Hybrid Cloud: Die Cloud-Infrastruktur ist eine Zusammensetzung aus zwei oder mehreren Clouds (privat, Benutzergemeinschaft oder öffentlich), die zwar einzelne Einheiten bleiben, aber durch eine standardisierte oder proprietäre Technologie miteinander verbunden sind, die Daten- und Anwendungsportierbarkeit ermöglicht (z.B. Cloud-Zielgruppenverteilung für den Lastenausgleich zwischen Clouds).
  • Eine Cloud-Computing-Umgebung ist dienstorientiert mit Fokus auf Statusunabhängigkeit, geringer Kopplung, Modularität und semantischer Interoperabilität. Im Herzen von Cloud-Computing liegt eine Infrastruktur, die ein Netzwerk aus zusammengeschalteten Knoten aufweist.
  • 2 veranschaulicht ein Blockschaubild eines beispielhaften, nicht einschränkenden Systems 200, das eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen kann. Das System 200 kann das System 102 zur Erzeugung von synthetischen Fehlern aufweisen, das darüber hinaus die Modelltrainerkomponente 202 und/oder die Aggregator-Komponente 204 aufweisen kann. Eine wiederholte Beschreibung von gleichartigen Elementen und/oder Prozessen, die in jeweiligen Ausführungsformen verwendet werden, wird der Kürze halber weggelassen.
  • Die Modelltrainerkomponente 202 kann ein KI-Modell unter Verwendung einer Architektur eines Generative Adversarial Network trainieren. Zum Beispiel kann die Modelltrainerkomponente 202 das Kl-Modell trainieren, das von der Generatorkomponente 108 eingesetzt werden kann, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren, wie vorstehend unter Bezugnahme auf die in 1 veranschaulichte Ausführungsform beschrieben. Zum Beispiel kann die Modelltrainerkomponente 202 ein Generative Adversarial Network (GAN) trainieren, das von der Generatorkomponente 108 eingesetzt werden kann, wie vorstehend unter Bezugnahme auf 1 beschrieben, wobei die Modelltrainerkomponente 202 ein derartiges GAN unter Verwendung einer Architektur eines Generative Adversarial Network trainieren kann. In diesem Beispiel kann ein derartiges GAN ein bedingtes tabellarisches Generative Adversarial Network (CTGAN) aufweisen, wobei die Modelltrainerkomponente 202 ein derartiges CTGAN unter Verwendung einer Architektur eines Generative Adversarial Network trainieren kann. Das heißt, in diesem Beispiel kann die Modelltrainerkomponente 202 ein CTGAN unter Verwendung einer Architektur eines Generative Adversarial Network trainieren, wobei ein Element einen Systemfehler als eine bestimmte Kombination von mindestens einem diskreten Parameter und mindestens einem kontinuierlichen Parameter in einem Datensatz definieren kann und ein anderes Element den definierten Systemfehler analysieren und einen Grund dafür bereitstellen kann, warum der definierte Systemfehler keinen legitimen Systemfehler (z.B. einen logischen Systemfehler) und/oder keinen sinnvollen Systemfehler (z.B. einen Systemfehler, der tatsächlich auftreten kann) in Bezug auf ein bestimmtes System darstellt.
  • Um ein derartiges CTGAN wie vorstehend beschrieben zu trainieren, kann die Modelltrainerkomponente 202 historische Systemdaten als Trainingsdaten verwenden. Zum Beispiel kann die Modelltrainerkomponente 202 ein derartiges CTGAN wie vorstehend beschrieben unter Verwendung von historischen Systemdaten trainieren, die einem oder mehreren Systemen und/oder einem oder mehreren echten Systemfehlern entsprechen, die in derartigen einem oder mehreren Systemen aufgetreten sind. In einigen Ausführungsformen können derartige historische Systemdaten in einer Datenbank gespeichert sein, wie zum Beispiel in dem Speicher 104, und die Modelltrainerkomponente 202 kann den Prozessor 106 einsetzen, um derartige historische Systemdaten zu erhalten.
  • In dem in 2 veranschaulichten Ausführungsbeispiel können derartige historische Systemdaten historische Daten über Systemfehler aufweisen. Zum Beispiel können derartige historische Daten historische Daten über Systemfehler aufweisen, die einen oder mehrere echte Systemfehler, die in einem System aufgetreten sind, darstellen, definieren, beschreiben und/oder diesen entsprechen können. In diesem Beispiel können derartige historische Daten über Systemfehler Folgendes umfassen, ohne darauf beschränkt zu sein: verschiedene Kombinationen von historischen diskreten Parametern und historischen kontinuierlichen Parametern, die den Zustand eines Systems definieren, wobei jede Kombination einen echten Systemfehler darstellt, der in einem System aufgetreten ist; historische Textdaten (z.B. historische Systemprotokolle, historische Beschreibungen von echten Systemfehlern usw.), die echten Systemfehlern entsprechen, die in einem oder mehreren Systemen aufgetreten sind; historische Fehlerlokalisierungsdaten, die einem oder mehreren Systemen entsprechen; historische Grundursachendaten, die einem oder mehreren Systemen entsprechen; historische Arbeitsauftragsanforderungen, die einem oder mehreren Systemen entsprechen; historische Informationstechnologie- (IT-) Tickets, die einem oder mehreren Systemen entsprechen; und/oder andere historische Daten, die einen oder mehrere tatsächliche Systemfehler, die in einem oder mehreren Systemen aufgetreten sind, darstellen, definieren, beschreiben und/oder diesen entsprechen können.
  • Um ein derartiges CTGAN wie vorstehend beschrieben unter Verwendung der vorstehend definierten historischen Daten über Systemfehler zu trainieren, kann die Modelltrainerkomponente 202 den Prozessor 106 verwenden, um derartige historische Daten über Systemfehler vorab zu verarbeiten. Zum Beispiel kann die Modelltrainerkomponente 202 den Prozessor 106 zum Vorverarbeiten derartiger vorstehend definierter historischer Daten über Systemfehler verwenden, indem sie historische diskrete Parameter als One-Hot-codierte Vektoren darstellt und eine modusspezifische Normalisierung mit einem Gaußschen Variationsmischmodell zum Vorverarbeiten von historischen kontinuierlichen Parameter verwendet.
  • In dem in 2 veranschaulichten Ausführungsbeispiel kann die Modelltrainerkomponente 202 auf der Grundlage des Vorverarbeitens der vorstehend definierten historischen Daten über Systemfehler die vorverarbeiteten historischen Daten über Systemfehler zum Trainieren eines CTGAN verwenden, wie vorstehend beschrieben ist. Zum Beispiel kann die Modelltrainerkomponente 202 die vorverarbeiteten historischen Daten über Systemfehler zum Trainieren (z.B. mittels des Prozessors 106) eines CTGAN verwenden, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren. In diesem Beispiel kann die Modelltrainerkomponente 202 (z.B. mittels des Prozessors 106) ein CTGAN mit einem Wasserstein Gradient Penalty Loss (WGAN-GP Loss) trainieren.
  • In einigen Ausführungsformen kann die Modelltrainerkomponente 202 ein derartiges CTGAN wie vorstehend beschrieben trainieren, wobei die Modellarchitektur eines derartigen CTGAN und ein einem derartigen CTGAN zugehöriger Diskriminator wie folgt definiert werden können.
  • Modellarchitektur
  • { h 0 = z ⊕ c o n d h 1 = h 0 ⊕ ReLU ( BN ( FC | c o n d | + | z | → 256 ( h 0 ) ) ) h 2 = h 1 ⊕ ReLU ( BN ( FC | c o n d | + | z | + 256 → 256 ( h 1 ) ) ) α ^ i = tanh ( FC | c o n d | + | z | + 512 → 1 ( h 2 ) ) 1 ≤ i ≤ N c β ^ i = gumbel 0.2 ( FC | c o n d | + | z | + 512 → m i ( h 2 ) ) 1 ≤ i ≤ N c d ^ i = gumbel 0.2 ( FC | c o n d | + | z | + 512 → | D i | ( h 2 ) ) 1 ≤ i ≤ N d
    Figure DE102021124264A1_0001
    wobei: hi (h0, h1 und h2) versteckte Schichten bezeichnet; αi den von tanh erzeugten skalaren Wert bezeichnet; den von Gumbel-Softmax erzeugten Modusindikatorwert bezeichnet; di den von Gumbel-Softmax erzeugten diskreten Wert bezeichnet; cond den Vektor bezeichnet, der die Bedingung angibt; ReLU die Aktivierungsfunktion bezeichnet; BN die Stapelnormalisierung bezeichnet; und FC die Anwendung einer linearen Transformation bezeichnet.
  • Diskriminator-Architektur
  • { h 0 = r 1 ⊕ … ⊕ r 10 ⊕ c o n d 1 ⊕ … ⊕ c o n d 10 h 1 = drop ( leaky 0.2 ( FC 10 | r | + 10 | c o n d | → 256 ( h 0 ) ) ) h 2 = drop ( leaky 0.2 ( FC 256 → 256 ( h 1 ) ) ) C ( ⋅ ) = FC 256 → 1 ( h 2 )
    Figure DE102021124264A1_0002
    wobei: ri(r1, r10 usw.) die Zeile I bezeichnet; drop den Ausfall einer versteckten Schicht bezeichnet; und C einen Critic mit der PAC-Größe 10 bezeichnet.
  • In einigen Ausführungsformen kann die Modelltrainerkomponente 202 ein CTGAN trainieren, wie in dem nachfolgend beschriebenen und in 5 bildlich dargestellten Schaubild 500 veranschaulicht ist.
  • Die Aggregator-Komponente 204 kann eine Wissensdatenbank (in den Figuren nicht veranschaulicht) mit erzeugten synthetischen Systemfehlern und entsprechenden Textdaten erzeugen. Zum Beispiel kann die Aggregator-Komponente 204 eine Wissensdatenbank (z.B. unter Verwendung einer Anwendung oder Software zur Erstellung einer Wissensdatenbank) mit erzeugten synthetischen Systemfehlern erstellen, die von der Generatorkomponente 108 erzeugt werden können, wobei eine solche Wissensdatenbank darüber hinaus die entsprechenden Textdaten aufweisen kann, die von der Fehlerumwandlungskomponente 110 erzeugt werden können und die jedem dieser synthetischen Systemfehler entsprechen. In einer Ausführungsform kann die Aggregator-Komponente 204 eine Wissensdatenbank erstellen, die verschiedene synthetische Systemfehler, die von der Generatorkomponente 108, wie vorstehend unter Bezugnahme auf das in 1 veranschaulichte Ausführungsbeispiel beschrieben, erzeugt werden können, sowie die entsprechenden jeweiligen Textdaten aufweisen kann, die von der Fehlerumwandlungskomponente 110, wie vorstehend unter Bezugnahme auf 1 beschrieben, erzeugt werden können. In einer anderen Ausführungsform kann die Aggregator-Komponente 204 eine Wissensdatenbank erstellen, die derartige verschiedene synthetische Systemfehler und entsprechende jeweilige Textdaten und/oder einen oder mehrere echte Systemfehler (z.B. tatsächlich aufgetretene Systemfehler und/oder bekannte Systemfehler) aufweisen kann.
  • In einigen Ausführungsformen kann die Aggregator-Komponente 204 einen oder mehrere von derartigen erzeugten synthetischen Systemfehlern und jeweilige entsprechende Textdaten zu einer bestehenden Wissensdatenbank hinzufügen. Zum Beispiel kann die Aggregator-Komponente 204 (z.B. unter Verwendung einer Anwendung oder Software zur Erstellung einer Wissensdatenbank) einen oder mehrere von derartigen erzeugten synthetischen Systemfehlern und jeweilige entsprechende Textdaten zu einer Wissensdatenbank hinzufügen, die zuvor von der Aggregator-Komponente 204 erstellt wurde. In einer Ausführungsform kann eine derartige bestehende Wissensdatenbank verschiedene synthetische Systemfehler aufweisen, die von der Generatorkomponente 108, wie vorstehend unter Bezugnahme auf das in 1 veranschaulichte Ausführungsbeispiel beschrieben, erzeugt werden können, sowie die entsprechenden jeweiligen Textdaten, die von der Fehlerumwandlungskomponente 110, wie vorstehend unter Bezugnahme auf 1 beschrieben, erzeugt werden können. In einer anderen Ausführungsform kann die bestehende Wissensdatenbank derartige verschiedene synthetische Systemfehler und entsprechende jeweilige Textdaten und/oder einen oder mehrere echte Systemfehler (z.B. tatsächlich aufgetretene Systemfehler und/oder bekannte Systemfehler) aufweisen.
  • Man sollte sich darüber im Klaren sein, dass die vorstehend beschriebene Wissensdatenbank und/oder die bestehende Wissensdatenbank, die von der Aggregator-Komponente 204 (z.B. unter Verwendung einer Anwendung oder Software zur Erstellung einer Wissensdatenbank) erstellt werden kann, dazu verwendet werden kann, ein oder mehrere Kl- und/oder ML-Modelle eines automatisierten Fehlererkennungssystems zu trainieren, um einen oder mehrere Systemfehler in einem bestimmten System zu entdecken. Zum Beispiel kann gemäß einer oder mehreren Ausführungsformen der vorliegenden Offenbarung das System 102 zur Erzeugung von synthetischen Fehlern (z.B. über mittels der Generator-Komponente 108 und der Fehlerumwandlungskomponente 110) eine beträchtliche Anzahl von synthetischen Systemfehlern mit angemessener Qualität erzeugen, die als Trainingsdaten zum Trainieren von derartigen einem oder mehreren Kl- und/oder ML-Modellen verwendet werden können, um automatisch einen oder mehrere echte Systemfehler zu entdecken, welche die gleichen Attribute (z.B. diskrete Parameter, kontinuierliche Parameter usw.) und/oder die gleiche Funktionalität aufweisen wie die synthetischen Systemfehler, die von dem System 102 zur Erzeugung von synthetischen Fehlern erzeugt wurden.
  • Man sollte sich auch darüber im Klaren sein, dass die vorstehend beschriebene Wissensdatenbank und/oder die bestehende Wissensdatenbank, die von der Aggregator-Komponente 204 (z.B. unter Verwendung einer Anwendung oder Software zur Erstellung einer Wissensdatenbank) erstellt werden kann, dazu verwendet werden kann, einen oder mehrere Systemfehler in einem bestimmten System zu entdecken, wobei derartige ein oder mehrere Systemfehler die gleichen Attribute (z.B. diskrete Parameter, kontinuierliche Parameter usw.) und/oder die gleiche Funktionalität aufweisen können wie ein oder mehrere synthetische Systemfehler, die gemäß einer oder mehreren Ausführungsformen der vorliegenden Offenbarung erzeugt werden können. Zum Beispiel können die vorstehend beschriebene Wissensdatenbank und/oder die bestehende Wissensdatenbank, die von der Aggregator-Komponente 204 erstellt werden kann, zum Beispiel von einer Entität zur Verwaltung von Arbeitsschritten und/oder einer Entität zur Unterstützung von Anwendungen dazu verwendet werden, einen oder mehrere Systemfehler in einem bestimmten System zu entdecken, wobei derartige ein oder mehrere Systemfehler die gleichen Attribute (z.B. diskrete Parameter, kontinuierliche Parameter usw.) und/oder die gleiche Funktionalität aufweisen können wie ein oder mehrere synthetische Systemfehler der vorliegenden Offenbarung. Zum Beispiel kann/können die vorstehend beschriebene(n) Wissensdatenbank(en), die einen oder mehrere synthetischen Systemfehler aufweist bzw. aufweisen, die gemäß einer oder mehreren Ausführungsformen der vorliegenden Offenbarung erzeugt werden können, eine derartige Entität zur Verwaltung von Arbeitsschritten und/oder eine derartige Entität zur Unterstützung von Anwendungen in die Lage versetzen, einen oder mehrere unbekannte und/oder zuvor unentdeckte Systemfehler in einem bestimmten System zu entdecken. In diesem Beispiel kann die Entdeckung von derartigen einem oder mehreren unbekannten und/oder zuvor unentdeckten Systemfehlern in einem bestimmten System unter Verwendung eines oder mehrerer synthetischer Systemfehler der vorliegenden Offenbarung dadurch eine derartige Entität zur Verwaltung von Arbeitsschritten und/oder eine derartige Entität zur Unterstützung von Anwendungen in die Lage versetzen, die potenzielle Unterbrechung, Fehlfunktion und/oder Beschädigung einer oder mehrerer Komponenten eines derartigen bestimmten Systems zu verhindern und/oder zu mindern.
  • Man sollte sich auch darüber im Klaren sein, dass die vorstehend beschriebene Wissensdatenbank und/oder die bestehende Wissensdatenbank, die von der Aggregator-Komponente 204 (z.B. unter Verwendung einer Anwendung oder Software zur Erstellung einer Wissensdatenbank) erstellt werden kann, dazu verwendet werden kann, einen oder mehrere Tests auf einem bestimmten System umzusetzen (z.B. Fehlererkennungstest, Stresstest, Leistungstest, Lasttest, Sicherheitstest, usw.), und zwar unter Verwendung eines oder mehrerer synthetischer Systemfehler von derartigen einer oder mehreren Wissensdatenbanken, welche die gleichen Attribute (z.B. diskrete Parameter, kontinuierliche Parameter usw.) und/oder die gleiche Funktionalität aufweisen können wie ein oder mehrere Systemfehler, die in einem derartigen bestimmten System auftreten können. Zum Beispiel kann/können die vorstehend beschriebene(n) Wissensdatenbank(en), die einen oder mehrere synthetische Systemfehler aufweist/aufweisen, die gemäß einer oder mehreren Ausführungsformen der vorliegenden Offenbarung erzeugt werden können, zum Beispiel von einer Entität zur Verwaltung von Arbeitsschritten und/oder einer Entität zur Unterstützung von Anwendungen verwendet werden, um einen oder mehrere Tests auf einem bestimmten System umzusetzen (z.B. Fehlererkennungstest, Stresstest, Leistungstest, Lasttest, Sicherheitstest usw.), und zwar unter Verwendung eines oder mehrerer synthetischer Systemfehler derartiger einer oder mehrerer Wissensdatenbanken, welche die gleichen Attribute (z.B. diskrete Parameter, kontinuierliche Parameter usw.) und/oder die gleiche Funktionalität aufweisen können wie ein oder mehrere Systemfehler, die in einem derartigen bestimmten System auftreten können. In diesem Beispiel kann ein Testen eines bestimmten Systems unter Verwendung eines oder mehrerer synthetischer Systemfehler der vorliegenden Offenbarung dadurch eine derartige Entität zur Verwaltung von Arbeitsschritten und/oder eine derartige Entität zur Unterstützung von Anwendungen in die Lage versetzen, die potenzielle Unterbrechung, Fehlfunktion und/oder Beschädigung einer oder mehrerer Komponenten eines derartigen bestimmten Systems zu verhindern und/oder zu mindern.
  • 3 veranschaulicht einen Ablaufplan eines beispielhaften, nicht einschränkenden, auf einem Computer ausgeführten Verfahrens 300, das eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen kann. Eine wiederholte Beschreibung von gleichartigen Elementen und/oder Prozessen, die in jeweiligen Ausführungsformen verwendet werden, wird der Kürze halber weggelassen.
  • Bei 302 kann das auf einem Computer ausgeführte Verfahren 300 ein Erhalten (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Modelltrainerkomponente 202) von historischen Daten über Systemfehler unter Verwendung eines Prozessors (z.B. des Prozessors 106) umfassen. Zum Beispiel kann die Modelltrainerkomponente 202 den Prozessor 106 verwenden, um historische Daten über Systemfehler zu erhalten, die in einer Datenbank wie zum Beispiel dem Speicher 104 gespeichert sein können. In diesem Beispiel können derartige historische Daten über Systemfehler die historischen Systemdaten aufweisen, die vorstehend unter Bezugnahme auf das in 2 bildlich dargestellte Ausführungsbeispiel definiert wurden.
  • Bei 304 kann das auf einem Computer ausgeführte Verfahren 300 ein Vorverarbeiten (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Modelltrainerkomponente 202) von historischen Daten über Systemfehler unter Verwendung eines Prozessors (z.B. des Prozessors 106) umfassen. Zum Beispiel kann die Modelltrainerkomponente 202, wie vorstehend unter Bezugnahme auf die in 2 veranschaulichte Ausführungsform beschrieben, den Prozessor 106 zum Vorverarbeiten derartiger historischer, vorstehend definierter Daten über Systemfehler verwenden, die bei 302 wie vorstehend beschrieben erhalten werden können. Zum Beispiel kann die Modelltrainerkomponente 202 derartige vorstehend definierte historische Daten über Systemfehler vorverarbeiten, indem sie historische diskrete Parameter als One-Hot-codierte Vektoren darstellt und eine modusspezifische Normalisierung mit einem Gaußschen Variationsmischmodell zum Vorverarbeiten von historischen kontinuierlichen Parameter verwendet.
  • Bei 306 kann das auf einem Computer ausgeführte Verfahren 300 ein Trainieren (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Modelltrainerkomponente 202) eines Modells unter Verwendung eines Prozessors (z.B. des Prozessors 106) umfassen. Zum Beispiel kann die Modelltrainerkomponente 202, wie vorstehend unter Bezugnahme auf die in 2 veranschaulichte Ausführungsform beschrieben, den Prozessor 106 zum Trainieren eines Kl-Modells (z.B. eines CTGAN) unter Verwendung der vorverarbeiteten historischen Daten über Systemfehler verwenden, die bei 304 wie vorstehend beschrieben vorverarbeitet werden können. Zum Beispiel kann die Modelltrainerkomponente 202, wie vorstehend unter Bezugnahme auf die in den 1 und 2 veranschaulichten Ausführungsbeispiele beschrieben, derartige vorverarbeitete historische Daten über Systemfehler zum Trainieren eines Kl-Modells (z.B. eines CTGAN) verwenden, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren. In diesem Beispiel kann die Modelltrainerkomponente 202, wie vorstehend unter Bezugnahme auf 2 beschrieben, ein Kl-Modell (z.B. ein CTGAN) mit einem Wasserstein Gradient Penalty Loss (WGAN-GP Loss) trainieren.
  • 4 veranschaulicht ein Blockschaubild eines beispielhaften, nicht einschränkenden Systems 400, das eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen kann. Eine wiederholte Beschreibung von gleichartigen Elementen und/oder Prozessen, die in jeweiligen Ausführungsformen verwendet werden, wird der Kürze halber weggelassen.
  • Wie in dem in 4 bildlich dargestellten Ausführungsbeispiel veranschaulicht ist, kann das System 400 die Generatorkomponente 108 und/oder die Fehlerumwandlungskomponente 110 des Systems 102 zur Erzeugung von synthetischen Fehlern aufweisen. In diesem Ausführungsbeispiel können das System 102 zur Erzeugung von synthetischen Fehlern und/oder die Generatorkomponente 108 eine Anforderung 402 für einen synthetischen Systemfehler empfangen, um einen oder mehrere synthetische Systemfehler (z.B. eine Anzahl von N synthetischen Systemfehlern) zu erzeugen. Zum Beispiel kann das System 102 zur Erzeugung von synthetischen Fehlern in einigen Ausführungsformen eine Schnittstellenkomponente aufweisen (in den Figuren nicht veranschaulicht), einschließlich, aber nicht beschränkt auf eine Schnittstelle zur Anwendungsprogrammierung (API), eine REST- (Representational State Transfer-) API, eine grafische Benutzerschnittstelle (GUI) und/oder eine andere Schnittstellenkomponente, welche die Datenübertragung und/oder den Datenaustausch zwischen einer hierin definierten Entität und dem System 102 zur Erzeugung von synthetischen Fehlern und/oder einer oder mehreren Komponenten davon ermöglichen kann. In diesem Beispiel kann eine derartige hierin definierte Entität (z.B. ein Mensch, ein Client, ein Benutzer, eine Datenverarbeitungseinheit, eine Softwareanwendung, ein Agent, ein ML-Modell, ein KI-Modell usw.) unter Verwendung einer derartigen Schnittstellenkomponente des Systems 102 zur Erzeugung von synthetischen Fehlern eine Anforderung 402 für einen synthetischen Systemfehler an die Generatorkomponente 108 übermitteln.
  • In dem in 4 bildlich dargestellten Ausführungsbeispiel kann die Generatorkomponente 108 auf der Grundlage eines Empfangens einer Anforderung 402 für einen synthetischen Systemfehler wie vorstehend beschrieben zum Beispiel ein trainiertes CTGAN einsetzen, um eine Anzahl N von synthetischen Systemfehlern zu erzeugen, wobei jeder der derartigen Anzahl N von synthetischen Systemfehlern als eine Kombination von mindestens einem diskreten Parameter und mindestens einem kontinuierlichen Parameter dargestellt wird, die einen Systemzustand definieren. In diesem Ausführungsbeispiel kann die Generatorkomponente 108 der Fehlerumwandlungskomponente 110 jeden der derartigen Anzahl N von erzeugten synthetischen Systemfehlern bereitstellen. In diesem Ausführungsbeispiel kann die Fehlerumwandlungskomponente 110 jeden der derartigen Anzahl N von durch die Generatorkomponente 108 erzeugten synthetischen Systemfehlern analysieren, um festzustellen, ob es sich um legitime und/oder sinnvolle Systemfehler handelt. Zum Beispiel kann die Fehlerumwandlungskomponente 110 jeden der derartigen Anzahl N von durch die Generatorkomponente 108 erzeugten synthetischen Systemfehlern analysieren, um festzustellen, ob es sich um legitime und/oder sinnvolle Systemfehler in Bezug auf ein bestimmtes System wie zum Beispiel das System 404 handelt.
  • In dem in 4 veranschaulichten Ausführungsbeispiel kann das System 404 ein Softwaresystem und/oder ein Hardwaresystem (z.B. ein klassisches Datenverarbeitungssoftwaresystem und/oder -hardwaresystem, ein Quantendatenverarbeitungssoftwaresystem und/oder -hardwaresystem usw.) aufweisen. In einigen Ausführungsformen kann das System 404 als repräsentatives System (z.B. ein Benchmark-System) dienen, das die Fehlerumwandlungskomponente 110 als Standard verwenden kann, um jeden der derartigen Anzahl N von synthetischen Systemfehlern, die von der Generatorkomponente 108 erzeugt wurden, zu analysieren, um festzustellen, ob sie legitime und/oder sinnvolle Systemfehler in Bezug auf ein derartiges repräsentatives System sind. In einigen Ausführungsformen kann das System 404 ein bestimmtes System aufweisen, für das ein ML- und/oder Kl-Modell (z.B. ein CTGAN) trainiert werden kann, um einen oder mehrere Systemfehler zu erkennen, wobei als Trainingsdaten eine derartige Anzahl N von synthetischen Systemfehlern verwendet wird, die wie vorstehend beschrieben von der Generatorkomponente 108 erzeugt werden können. In diesen Ausführungsformen kann die Fehlerumwandlungskomponente 110 jeden der derartigen Anzahl N von durch die Generatorkomponente 108 erzeugten synthetischen Systemfehlern analysieren, um festzustellen, ob es sich um legitime und/oder sinnvolle Systemfehler in Bezug auf ein derartiges bestimmtes System handelt.
  • Um eine derartige Analyse der Anzahl N von synthetischen Systemfehlern zu ermöglichen, die wie vorstehend beschrieben von der Generatorkomponente 108 erzeugt werden können, kann die Fehlerumwandlungskomponente 110 jeden diskreten Parameter und jeden kontinuierlichen Parameter in jedem der derartigen Anzahl N von synthetischen Systemfehlern in Bezug auf das System 404 analysieren. Zum Beispiel kann die Fehlerumwandlungskomponente 110 Daten auswerten, die dem System 404 und/oder einer oder mehreren Komponenten desselben (z.B. Softwarekomponenten, Hardwarekomponenten usw.) entsprechen, um zu bestimmen, ob jeder der derartigen Anzahl N von synthetischen Systemfehlern ein legitimer Systemfehler (z.B. ein logischer Systemfehler) und/oder ein sinnvoller Systemfehler (z.B. ein Systemfehler, der tatsächlich auftreten kann) in Bezug auf das System 404 und/oder eine oder mehrere Komponenten desselben ist. In diesem Beispiel können derartige Daten, die dem System 404 und/oder einer oder mehreren Komponenten desselben entsprechen, Spezifikationen, Datenblätter, Protokolldaten, Infrastrukturdaten, Funktionalitätsdaten und/oder andere Daten umfassen, die dem System 404 und/oder einer oder mehreren Komponenten desselben entsprechen (z.B. Softwarekomponenten, Hardwarekomponenten usw.), sind aber nicht darauf beschränkt. In diesem Beispiel kann die Fehlerumwandlungskomponente 110 Daten auswerten, die dem System 404 und/oder einer oder mehreren Komponenten desselben (z.B. Softwarekomponenten, Hardwarekomponenten usw.) entsprechen, um zu bestimmen, ob jeder der derartigen Anzahl N von synthetischen Systemfehlern logisch ist (z.B. ob er von einem technischen Standpunkt aus sinnvoll ist) und/oder ob jeder der derartigen Anzahl N von synthetischen Systemfehlern in dem System 404 tatsächlich auftreten kann.
  • In dem in 4 bildlich dargestellten Ausführungsbeispiel kann die Fehlerumwandlungskomponente 110 auf der Grundlage einer Feststellung durch die Fehlerumwandlungskomponente 110, dass es sich bei einem oder mehreren der Anzahl N von synthetischen Systemfehlern, die von der Generatorkomponente 108 erzeugt werden können, um einen legitimen Systemfehler (z.B. einen logischen Systemfehler) und/oder einen sinnvollen Systemfehler (z.B. ein Systemfehler, der tatsächlich auftreten kann) in Bezug auf das System 404 und/oder eine oder mehrere Komponenten desselben handelt, darüber hinaus einen Textinhalt erzeugen, der jeweils einem derartigen einen oder mehreren aus der Anzahl N von synthetischen Systemfehlern entspricht, von denen die Fehlerumwandlungskomponente 110 feststellt, dass es sich um einen legitimen und/oder sinnvollen Systemfehler handelt. Zum Beispiel kann die Fehlerumwandlungskomponente 110 einen Textinhalt wie zum Beispiel ein Systemprotokoll und/oder eine Textbeschreibung erzeugen, die jeweils einem derartigen einen oder mehreren aus der Anzahl N von synthetischen Systemfehlern entspricht, die von der Fehlerumwandlungskomponente 110 als legitimer und/oder sinnvoller Systemfehler eingestuft werden. In diesem Beispiel kann ein derartiger Textinhalt, der dem synthetischen Systemfehler entspricht (z.B. ein Systemprotokoll, eine Beschreibung des synthetischen Systemfehlers usw.), als Textdatei und/oder in einem anderen Format formatiert sein, das von einer hierin definierten Entität (z.B. einem Menschen, einem Client, einem Benutzer, einer Datenverarbeitungseinheit, einer Softwareanwendung, einem Agenten, einem ML-Modell, einem Kl-Modell usw.) gelesen werden kann.
  • Wie in dem in 4 bildlich dargestellten Ausführungsbeispiel veranschaulicht ist, kann die Anzahl N von synthetischen Systemfehlern, die von der Generatorkomponente 108 erzeugt werden können, jeweils mit dem entsprechenden Textinhalt kombiniert werden, der von der Fehlerumwandlungskomponente 110 erzeugt werden kann, um einen synthetischen Systemfehler 406 zu erhalten, wodurch der Prozess der Erzeugung von synthetischen Systemfehlern, der von dem System 102 zur Erzeugung von synthetischen Fehlern durchgeführt werden kann, abgeschlossen ist. In einigen Ausführungsformen kann jeder synthetische Systemfehler 406 einer hierin definierten Entität zur Verfügung gestellt werden, die das System 102 zur Erzeugung von synthetischen Fehlern umsetzt. Zum Beispiel kann jeder synthetische Systemfehler 406 einer derartigen Entität unter Verwendung einer Schnittstellenkomponente des Systems 102 zur Erzeugung von synthetischen Fehlern, wie vorstehend beschrieben, bereitgestellt werden (z.B. einer API, einer REST API, einer GUI usw.).
  • In einigen Ausführungsformen kann jeder synthetische Systemfehler 406 verwendet werden (z.B. durch die Aggregator-Komponente 204), um eine Wissensdatenbank mit verschiedenen Systemfehlern zu erstellen (z.B. verschiedene synthetische Systemfehler und/oder echte Systemfehler). Zum Beispiel kann jeder synthetische Systemfehler 406 von der Aggregator-Komponente 204, wie vorstehend unter Bezugnahme auf die in 2 veranschaulichte Ausführungsform beschrieben, verwendet werden, um eine Wissensdatenbank zu erstellen, die verschiedene synthetische Systemfehler und/oder echte Systemfehler (z.B. tatsächlich aufgetretene Systemfehler und/oder bekannte Systemfehler) aufweisen kann.
  • In einigen Ausführungsformen kann jeder synthetische Systemfehler 406 (z.B. durch die Aggregator-Komponente 204) zu einer bestehenden Wissensdatenbank hinzugefügt werden, die verschiedene Systemfehler aufweist (z.B. verschiedene synthetische Systemfehler und/oder authentische Systemfehler). Zum Beispiel kann die Aggregator-Komponente 204 jeden synthetischen Systemfehler 406 zu einer bestehenden Wissensdatenbank hinzufügen, die zuvor von der Aggregator-Komponente 204 wie vorstehend unter Bezugnahme auf 2 beschrieben erzeugt wurde, wobei eine derartige bestehende Wissensdatenbank verschiedene synthetische Systemfehler und/oder echte Systemfehler (z.B. tatsächlich aufgetretene Systemfehler und/oder bekannte Systemfehler) aufweisen kann.
  • 5 veranschaulicht ein beispielhaftes, nicht einschränkendes Schaubild 500, das eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen kann. Eine wiederholte Beschreibung von gleichartigen Elementen und/oder Prozessen, die in jeweiligen Ausführungsformen verwendet werden, wird der Kürze halber weggelassen.
  • Die Generatorkomponente 108 kann komplexe multimodale Verteilungen einer Teilmenge von mindestens einem diskreten Parameter und/oder mindestens einem kontinuierlichen Parameter wiederherstellen, die durch eine Zeile eines zugehörigen Datensatzes bedingt sind. Das Schaubild 500 veranschaulicht eine Blockschaubild-Darstellung eines KI-Modellprozesses, der (z.B. durch ein CTGAN, das von der Generator- Komponente 108 eingesetzt wird) durchgeführt werden kann, um eine derartige, vorstehend beschriebene Wiederherstellung zu ermöglichen. Wie durch das Schaubild 500 veranschaulicht ist, kann in einem Beispiel ein derartiger Kl-Modellprozess drei grundlegende Elemente nutzen: bedingter Vektor, Generatorverlust und Trainieren durch Stichprobenbildung. In diesem Beispiel kann der bedingte Vektor eine ausgewählte Kategorie angeben, der Generatorverlust kann eine Produktion von Maskenvektoren erzwingen, und das Trainieren durch Stichprobenbildung kann eine gleichmäßige Stichprobenbildung über diskrete Merkmale erzwingen.
  • In dem in 5 bildlich dargestellten Ausführungsbeispiel kann der Bedingungsgenerator (z.B. der Bedingungsvektor) synthetische Zeilen erzeugen, die durch eine der diskreten Spalten D1 oder D2 bedingt sind. Wie in dem in 5 bildlich dargestellten Ausführungsbeispiel veranschaulicht ist, wird eine der derartigen diskreten Spalten D1 oder D2 zuerst ausgewählt (z.B. die diskrete Spalte D2, wie in 5 veranschaulicht). In diesem Ausführungsbeispiel wird auf der Grundlage einer derartigen Auswahl einer diskreten Spalte D1 oder D2 (z.B. der diskreten Spalte D2, wie in 5 veranschaulicht) eine der Kategorien (z.B. Kategorie 1, wie in 5 veranschaulicht) aus der ausgewählten diskreten Spalte D1 oder D2 ausgewählt. In diesem Ausführungsbeispiel identifizieren diese Elemente (z.B. die ausgewählte diskrete Spalte D2 und die in 5 veranschaulichte ausgewählte Kategorie 1) die Daten, die aus einem Trainingsdatensatz ausgewählt werden können (z.B. Auswählen einer Zeile mit der ausgewählten Spalte und der ausgewählten Kategorie). In diesem Ausführungsbeispiel handelt es sich bei dem Generator (z.B. einem bedingten Generator, einem bedingten Vektor) um die bedingte Verteilung von Zeilen bei diesem bestimmten Wert in dieser bestimmten Spalte. In diesem Ausführungsbeispiel wird der Generatorverlust verwendet, um dessen Verlust (z.B. Generatorverlust) durch Ergänzen der über alle Instanzen des Stapels gemittelten Kreuzentropie zu bestrafen. In diesem Ausführungsbeispiel muss die von dem Bedingungsgenerator erzeugte Ausgabe (z.B. ein Bedingungsvektor) von dem in Schaubild 500 bildlich dargestellten Critic (z.B. einem neuronalen Netz mit Critic) bewertet werden. In dem in 5 veranschaulichten Ausführungsbeispiel schätzt der Critic (z.B. ein neuronales Netz mit Critic) den Abstand zwischen der erlernten bedingten Verteilung von erzeugten Daten und der bedingten Verteilung auf reale Daten. In diesem Ausführungsbeispiel stimmt sich der Critic (z.B. ein Critic Neural Network) online (z.B. während des Arbeitsschritts, zur Laufzeit) unter Verwendung des Leistungsmaßes des Systems (z.B. des Punktwerts des Kl-Modells) ab.
  • 6 veranschaulicht einen Ablaufplan eines beispielhaften, nicht einschränkenden, auf einem Computer ausgeführten Verfahrens 600, das eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen kann. Eine wiederholte Beschreibung von gleichartigen Elementen und/oder Prozessen, die in jeweiligen Ausführungsformen verwendet werden, wird der Kürze halber weggelassen.
  • Bei 602 kann das auf einem Computer ausgeführte Verfahren 600 umfassen, dass (z.B. über das System 102 zur Erzeugung von synthetischen Fehlern und/oder die Generatorkomponente 108) unter Verwendung eines Prozessors (z.B. des Prozessors 106) ein trainiertes Modell der künstlichen Intelligenz (Kl) (z.B. ein trainiertes CTGAN) eingesetzt wird, um einen synthetischen Systemfehler (z.B. den synthetischen Systemfehler 406) zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren (z.B. die zusammen den Zustand eines Systems wie zum Beispiel eines Softwaresystems und/oder eines Hardwaresystems definieren).
  • Bei 604 kann das auf einem Computer ausgeführte Verfahren 600 ein Analysieren (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Fehlerumwandlungskomponente 110) des synthetischen Systemfehlers unter Verwendung des Prozessors (z.B. des Prozessors 106) und ein Erzeugen (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Fehlerumwandlungskomponente 110) eines dem synthetischen Systemfehler entsprechenden Textinhalts (z.B. eines Systemprotokolls, einer Beschreibung des synthetischen Systemfehlers usw.) umfassen.
  • 7 veranschaulicht einen Ablaufplan eines beispielhaften, nicht einschränkenden, auf einem Computer ausgeführten Verfahrens 700, das eine Erzeugung von synthetischen Systemfehlern gemäß einer oder mehreren hierin beschriebenen Ausführungsformen ermöglichen kann. Eine wiederholte Beschreibung von gleichartigen Elementen und/oder Prozessen, die in jeweiligen Ausführungsformen verwendet werden, wird der Kürze halber weggelassen.
  • Bei 702 kann das auf einem Computer ausgeführte Verfahren 700 ein Vorverarbeiten (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Modelltrainerkomponente 202), unter Verwendung eines Prozessors (z.B. des Prozessors 106), von historischen Systemdaten aufweisen, die historische diskrete Parameter und/oder historische kontinuierliche Parameter aufweisen, wobei die historischen diskreten Parameter als One-Hot-codierte Vektoren dargestellt werden und für die historischen kontinuierlichen Parameter eine modusspezifische Normalisierung mit einem Gaußschen Variationsmischmodell eingesetzt wird (z.B. durch die Modelltrainerkomponente 202). Zum Beispiel können derartige historische Daten über Systemfehler Folgendes umfassen, ohne darauf beschränkt zu sein: verschiedene Kombinationen von historischen diskreten Parametern und historischen kontinuierlichen Parametern, die den Zustand eines Systems definieren, wobei jede Kombination einen echten Systemfehler darstellt, der in einem System aufgetreten ist; historische Textdaten (z.B. historische Systemprotokolle, historische Beschreibungen von echten Systemfehlern usw.), die echten Systemfehlern entsprechen, die in einem oder mehreren Systemen aufgetreten sind; historische Fehlerlokalisierungsdaten, die einem oder mehreren Systemen entsprechen; historische Grundursachendaten, die einem oder mehreren Systemen entsprechen; historische Arbeitsauftragsanforderungen, die einem oder mehreren Systemen entsprechen; historische Informationstechnologie- (IT-) Tickets, die einem oder mehreren Systemen entsprechen; und/oder andere historische Daten, die einen oder mehrere tatsächliche Systemfehler, die in einem System aufgetreten sind, darstellen, definieren, beschreiben und/oder diesen entsprechen können.
  • Bei 704 kann das auf einem Computer ausgeführte Verfahren 700 unter Verwendung des Prozessors (z.B. des Prozessors 106) ein Trainieren (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Modelltrainerkomponente 202) eines Modells der künstlichen Intelligenz (Kl) (z.B. eines CTGAN) unter Verwendung einer Architektur eines Generative Adversarial Network umfassen.
  • Bei 706 kann das auf einem Computer ausgeführte Verfahren 700 ein Trainieren (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Modelltrainerkomponente 202) des Kl-Modells unter Verwendung des Prozessors (z.B. des Prozessors 106) unter Verwendung eines bedingten tabellarischen Adversarial Network umfassen.
  • Bei 708 kann das auf einem Computer ausgeführte Verfahren 700 ein Trainieren (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Modelltrainerkomponente 202) des Kl-Modells mit Wasserstein Gradient Penalty Loss (WGAN-GP Loss) unter Verwendung des Prozessors (z.B. des Prozessors 106) umfassen.
  • Bei 710 kann das auf einem Computer ausgeführte Verfahren 700 umfassen, dass (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Generatorkomponente 108) unter Verwendung des Prozessors (z.B. des Prozessors 106) das trainierte Kl-Modell (z.B. ein trainiertes CTGAN) eingesetzt wird, um einen synthetischen Systemfehler (z.B. den synthetischen Systemfehler 406) zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren (z.B. die zusammen den Zustand eines Systems wie zum Beispiel eines Softwaresystems und/oder eines Hardwaresystems definieren).
  • Bei 712 kann das auf einem Computer ausgeführte Verfahren 700 ein Wiederherstellen (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Generatorkomponente 108) unter Verwendung des Prozessors (z.B. des Prozessors 106) von komplexen multimodalen Verteilungen einer Teilmenge der diskreten Parameter und/oder der kontinuierlichen Parameter umfassen, die durch eine Zeile eines zugehörigen Datensatzes bedingt sind (z.B., wobei die Spalten eines derartigen Datensatzes verschiedene diskrete Parameter und kontinuierliche Parameter aufweisen und jede Zeile des Datensatzes einen Systemfehler darstellt, der als eine Kombination von mindestens einem derartigen diskreten Parameter und mindestens einem derartigen kontinuierlichen Parameter dargestellt wird).
  • Bei 714 kann das auf einem Computer ausgeführte Verfahren 700 ein Analysieren (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Fehlerumwandlungskomponente 110) des synthetischen Systemfehlers unter Verwendung des Prozessors (z.B. des Prozessors 106) und ein Erzeugen (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Fehlerumwandlungskomponente 110) von dem synthetischen Systemfehler entsprechenden Textinhalten (z.B. eines Systemprotokolls, einer Beschreibung des synthetischen Systemfehlers usw.) umfassen.
  • Bei 716 kann das auf einem Computer ausgeführte Verfahren 700 ein Erzeugen (z.B. mittels des Systems 102 zur Erzeugung von synthetischen Fehlern und/oder der Aggregator-Komponente 204) unter Verwendung des Prozessors (z.B. des Prozessors 106) einer Wissensdatenbank mit erzeugten synthetischen Systemfehlern und entsprechenden Textdaten umfassen.
  • Das System 102 zur Erzeugung von synthetischen Fehlern kann verschiedenen Technologien zugehörig sein. Zum Beispiel kann das System 102 zur Erzeugung von synthetischen Fehlern ML- und/oder Kl-Modelltechnologien, Systemfehler-Erkennungstechnologien, automatisierten Systemfehler-Erkennungstechnologien, automatisierten ML- und/oder Kl-Modell-Systemfehler-Erkennungstechnologien, Cloud-Computing-Technologien und/oder anderen Technologien zugehörig sein.
  • Das System 102 zur Erzeugung von synthetischen Fehlern kann technische Verbesserungen an Systemen, Einheiten, Komponenten, Arbeitsschritten und/oder Verarbeitungsschritten bereitstellen, die den verschiedenen vorstehend genannten Technologien zugehörig sind. Zum Beispiel kann das System 102 zur Erzeugung von synthetischen Fehlern eine Wissensdatenbank erstellen, die einen oder mehrere synthetische Systemfehler aufweist, die verwendet werden können, um einen oder mehrere Systemfehler in einem bestimmten System zu entdecken, wobei derartige ein oder mehrere Systemfehler die gleichen Attribute (z.B. diskrete Parameter, kontinuierliche Parameter usw.) und/oder die gleiche Funktionalität aufweisen können wie derartige ein oder mehrere synthetische Systemfehler in einer derartigen Wissensdatenbank. Zum Beispiel kann eine derartige Wissensdatenbank, die einen oder mehrere synthetische Systemfehler aufweist, die von dem System 102 zur Erzeugung von synthetischen Fehlern erzeugt werden können, eine Entität zur Verwaltung von Arbeitsschritten und/oder eine Entität zur Unterstützung von Anwendungen in die Lage versetzen, einen oder mehrere unbekannte und/oder zuvor unentdeckte Systemfehler in einem bestimmten System zu entdecken. In diesen Beispielen kann die Entdeckung von derartigen einem oder mehreren unbekannten und/oder zuvor unentdeckten Systemfehlern in einem bestimmten System unter Verwendung eines oder mehrerer synthetischer Systemfehler der vorliegenden Offenbarung dadurch eine derartige Entität zur Verwaltung von Arbeitsschritten und/oder eine derartige Entität zur Unterstützung von Anwendungen in die Lage versetzen, die potenzielle Unterbrechung, Fehlfunktion und/oder Beschädigung einer oder mehrerer Komponenten eines derartigen bestimmten Systems zu verhindern und/oder zu mindern.
  • Das System 102 zur Erzeugung von synthetischen Fehlern kann technische Verbesserungen an einer Verarbeitungseinheit bereitstellen, die dem System 102 zur Erzeugung von synthetischen Fehlern zugehörig ist. Zum Beispiel können derartige eine oder mehrere Komponenten eines derartigen, vorstehend beschriebenen Systems einen Prozessor (z.B. eine CPU, etc.) aufweisen. In diesem Beispiel kann das System 102 zur Erzeugung von synthetischen Fehlern durch ein Erstellen der vorstehend beschriebenen Wissensdatenbank, die zum Entdecken eines oder mehrerer Systemfehler in einem derartigen bestimmten System verwendet werden kann, die potenzielle Unterbrechung, Fehlfunktion und/oder Beschädigung eines derartigen Prozessors eines derartigen bestimmten Systems verhindern und/oder mindern.
  • Eine praktische Anwendung des Systems 102 zur Erzeugung von synthetischen Fehlern besteht darin, dass es in einem automatisierten Fehlererkennungssystem umgesetzt sein kann, um einen oder mehrere Systemfehler in einem bestimmten System zu entdecken, wobei derartige ein oder mehrere Systemfehler die gleichen Attribute (z.B. diskrete Parameter, kontinuierliche Parameter usw.) und/oder die gleiche Funktionalität aufweisen können wie ein oder mehrere synthetische Systemfehler, die von dem System 102 zur Erzeugung von synthetischen Fehlern erzeugt werden können. Zum Beispiel besteht eine praktische Anwendung des Systems 102 zur Erzeugung von synthetischen Fehlern darin, dass es in einem automatisierten Fehlererkennungssystem umgesetzt sein kann, das ein oder mehrere Kl- und/oder ML-Modelle nutzt, um einen oder mehrere Systemfehler in einem bestimmten System zu entdecken. In diesem Beispiel kann das System 102 zur Erzeugung von synthetischen Fehlern eine beträchtliche Anzahl von synthetischen Systemfehlern mit angemessener Qualität erzeugen, die als Trainingsdaten zum Trainieren von derartigen einem oder mehreren Kl- und/oder ML-Modellen verwendet werden können, um automatisch einen oder mehrere echte Systemfehler in einem derartigen bestimmten System zu entdecken.
  • Man sollte sich darüber im Klaren sein, dass das System 102 zur Erzeugung von synthetischen Fehlern einen neuen Ansatz bereitstellt, der von relativ neuen automatisierten Fehlererkennungssystemen angetrieben wird, die ein oder mehrere ML- und/oder Kl-Modelle zum Entdecken von Systemfehlern verwenden. Zum Beispiel stellt das System 102 zur Erzeugung von synthetischen Fehlern einen neuen Ansatz zum Bereitstellen einer beträchtlichen Menge von qualitativ hochwertigen Trainingsdaten bereit, um derartige ein oder mehrere ML- und/oder Kl-Modelle zum Entdecken von Systemfehlern zu trainieren. In einem anderen Beispiel stellt das System 102 zur Erzeugung von synthetischen Fehlern einen neuen Ansatz zum Bereitstellen von synthetischen Systemfehlern bereit, die zum Beispiel von einer Entität zur Verwaltung von Arbeitsschritten und/oder eine Entität zur Unterstützung von Anwendungen verwendet werden können, um einen oder mehrere zuvor unbekannte und/oder unentdeckte Systemfehler zu entdecken, welche die gleichen Attribute (z.B. diskrete Parameter, kontinuierliche Parameter usw.) und/oder die gleiche Funktionalität wie derartige ein oder mehrere synthetische Systemfehler aufweisen.
  • Das System 102 zur Erzeugung von synthetischen Fehlern kann Hardware oder Software zum Lösen von Problemen einsetzen, die von hochtechnischer Natur sind, die nicht abstrakt sind und die nicht als ein Satz von mentalen Handlungen von einem Menschen durchgeführt werden können. In einigen Ausführungsformen können einer oder mehrere der hierin beschriebenen Prozesse von einem oder mehreren spezialisierten Computern (z.B. einer spezialisierten Verarbeitungseinheit, einem spezialisierten klassischen Computer, einem spezialisierten Quantencomputer usw.) durchgeführt werden, um definierte Aufgaben auszuführen, die sich auf die verschiedenen vorstehend angegebenen Technologien beziehen. Das System 102 zur Erzeugung von synthetischen Fehlern und/oder Komponenten desselben können eingesetzt werden, um neue Probleme zu lösen, die durch Fortschritte in den vorstehend genannten Technologien, den Einsatz von Quantendatenverarbeitungssystemen, Cloud-Computing-Systemen, Computerarchitekturen und/oder einer anderen Technologie entstehen.
  • Man sollte sich bewusst sein, dass das System 102 zur Erzeugung von synthetischen Fehlern verschiedene Kombinationen von elektrischen Komponenten, mechanischen Komponenten und Schaltungen verwenden kann, die nicht vom menschlichen Verstand nachgebildet oder von einem Menschen durchgeführt werden können, da es sich bei den verschiedenen Arbeitsschritten, die von dem hier beschriebenen synthetischen System 102 zur Erzeugung von synthetischen Fehlern und/oder dessen Komponenten ausgeführt werden können, um Arbeitsschritte handelt, welche die Fähigkeiten eines menschlichen Verstands übersteigen. Zum Beispiel kann die Menge von verarbeiteten Daten, die Geschwindigkeit des Verarbeitens derartiger Daten oder die Arten von Daten, die von dem System 102 zur Erzeugung von synthetischen Fehlern über einen bestimmten Zeitraum verarbeitet werden, größer, schneller oder anders sein als die Menge, die Geschwindigkeit oder die Art von Daten, die von einem menschlichen Verstand über denselben Zeitraum verarbeitet werden können.
  • Gemäß mehreren Ausführungsformen kann das System 102 zur Erzeugung von synthetischen Fehlern auch dahingehend voll funktionsfähig sein, eine oder mehrere andere Funktionen durchzuführen (z.B. vollständig eingeschaltet, vollständig ausgeführt usw.), während es gleichzeitig die verschiedenen hierin beschriebenen Arbeitsschritte durchführt. Man sollte sich darüber im Klaren sein, dass eine derartige gleichzeitige Ausführung mehrerer Arbeitsschritte die Fähigkeiten eines menschlichen Verstands übersteigt. Man sollte sich auch darüber im Klaren sein, dass das System 102 zur Erzeugung von synthetischen Fehlern Informationen enthalten kann, die von einer Entität, wie zum Beispiel einem menschlichen Benutzer, nicht manuell erhalten werden können. Zum Beispiel kann die Art, Menge und/oder Vielfalt von Informationen, die in dem System 102 zur Erzeugung von synthetischen Fehlern, der Generatorkomponente 108, der Fehlerumwandlungskomponente 110, der Modelltrainerkomponente 202 und/oder der Aggregator-Komponente 204 enthalten sind, komplexer sein als Informationen, die manuell von einer Entität wie zum Beispiel einem menschlichen Benutzer erhalten werden.
  • Der Einfachheit der Erklärung halber werden die auf einem Computer ausgeführten Methodiken als eine Reihe von Schritten dargestellt und beschrieben. Es sollte klar sein und man sollte sich bewusst sein, dass die vorliegende Innovation nicht durch die veranschaulichten Schritte und/oder die Reihenfolge von Schritten eingeschränkt wird, zum Beispiel können Schritte in verschiedenen Reihenfolgen und/oder gleichzeitig und mit anderen hierin nicht dargestellten und beschriebenen Schritten stattfinden. Darüber hinaus können nicht alle veranschaulichte Schritte benötigt sein, um die auf einem Computer ausgeführten Methodiken entsprechend dem offenbarten Gegenstand umzusetzen. Zusätzlich wird ein Fachmann verstehen und sich dessen bewusst sein, dass die auf einem Computer ausgeführten Methodiken alternativ als eine Reihe von miteinander verbundenen Zuständen über ein Zustandsdiagramm oder eine Reihe von Ereignissen dargestellt werden könnten. Zusätzlich sollte es darüber hinaus klar sein, dass die nachstehend und in dieser Beschreibung offenbarten, auf einem Computer ausgeführten Methodiken auf einem Herstellungsprodukt gespeichert sein können, um das Transportieren und Übertragen derartiger auf einem Computer ausgeführter Methodiken auf Computer zu ermöglichen. Der Begriff „Herstellungsprodukt“ soll in seiner Verwendung hierin ein Computerprogramm umfassen, auf das von jeder/jedem beliebigen durch einen Computer lesbaren Einheit oder Speichermedium zugegriffen werden kann.
  • Um einen Kontext für die verschiedenen Aspekte des offenbarten Gegenstandes bereitzustellen, sollen 8 sowie die folgende Erörterung eine allgemeine Beschreibung einer geeigneten Umgebung bereitstellen, in dem die verschiedenen Aspekte des offenbarten Gegenstandes umgesetzt werden können. 8 veranschaulicht ein Blockschaubild einer beispielhaften, nicht einschränkenden Betriebsumgebung, in der eine oder mehrere hierin beschriebene Ausführungsformen ermöglicht werden können. Eine wiederholte Beschreibung von gleichartigen Elementen, die in anderen hierin beschriebenen Ausführungsformen verwendet werden, wird der Kürze halber weggelassen.
  • Unter Bezugnahme auf 8 kann eine geeignete Betriebsumgebung 800 zum Umsetzen verschiedener Aspekte dieser Offenbarung auch einen Computer 812 beinhalten. Der Computer 812 kann auch eine Verarbeitungseinheit 814, einen Systemspeicher 816 und einen Systembus 818 enthalten. Der Systembus 818 verbindet Systemkomponenten miteinander, darunter den Systemspeicher 816 mit der Verarbeitungseinheit 814, aber nicht darauf beschränkt. Bei der Verarbeitungseinheit 814 kann es sich um einen beliebigen von verschiedenen verfügbaren Prozessoren handeln. Als Verarbeitungseinheit 814 können auch Dual-Mikroprozessoren und andere Multiprozessor-Architekturen eingesetzt werden. Bei dem Systembus 818 kann es sich um einen beliebigen von mehreren Typen von Busstrukturen handeln, darunter der Speicherbus oder die Speichersteuereinheit, ein Peripheriebus oder externer Bus und/oder ein lokaler Bus, der eine Vielfalt von verfügbaren Busarchitekturen verwendet, darunter Industrial Standard Architecture (ISA), Micro-Channel Architecture (MCA), Extended ISA (EISA), Intelligent Drive Electronics (IDE), VESA Local Bus (VLB), Peripheral Component Interconnect (PCI), Kartenbus, Universal Serial Bus (USB), Advanced Graphics Port (AGP), Firewire (IEEE 1394) und Small Computer Systems Interface (SCSI), aber nicht darauf beschränkt.
  • Der Systemspeicher 816 kann auch einen flüchtigen Speicher 820 und einen nichtflüchtigen Speicher 822 enthalten. Das Basic Input/Output System (BIOS), das die grundlegenden Routinen zum Übertragen von Informationen zwischen Elementen innerhalb des Computers 812, wie zum Beispiel während des Systemstarts, enthält, ist in dem nichtflüchtigen Speicher 822 gespeichert. Der Computer 812 kann auch austauschbare/nicht austauschbare, flüchtige/nichtflüchtige Computerspeichermedien enthalten. 8 veranschaulicht zum Beispiel einen Plattenspeicher 824. Zu dem Plattenspeicher 824 können auch Einheiten wie ein Magnetplattenlaufwerk, ein Diskettenlaufwerk, ein Bandlaufwerk, ein Jaz-Laufwerk, ein Zip-Laufwerk, ein LS-100-Laufwerk, eine Flash-Speicherkarte oder ein Memory Stick gehören, ohne darauf beschränkt zu sein. Der Plattenspeicher 824 kann auch Speichermedien einzeln oder in Kombination mit anderen Speichermedien enthalten. Zum Ermöglichen des Anschlusses des Plattenspeichers 824 an den Systembus 818 wird üblicherweise eine austauschbare oder nicht austauschbare Schnittstelle verwendet, wie zum Beispiel eine Schnittstelle 826. 8 bildet auch Software ab, die als Vermittler zwischen Benutzern und den grundlegenden beschriebenen Computerressourcen in der geeigneten Betriebsumgebung 800 fungiert. Eine derartige Software kann zum Beispiel auch ein Betriebssystem 828 beinhalten. Das Betriebssystem 828, das auf dem Plattenspeicher 824 gespeichert sein kann, dient zum Steuern und Zuweisen von Ressourcen des Computers 812.
  • Systemanwendungen 830 nutzen die Vorteile des Verwaltens von Ressourcen durch das Betriebssystem 828 durch Programmmodule 832 und Programmdaten 834, die zum Beispiel entweder in dem Systemspeicher 816 oder auf dem Plattenspeicher 824 gespeichert sind. Man sollte sich bewusst sein, dass diese Offenbarung mit verschiedenen Betriebssystemen oder Kombinationen von Betriebssystemen umgesetzt werden kann. Ein Benutzer gibt über (eine) Eingabeeinheit(en) 836 Befehle oder Informationen in den Computer 812 ein. Zu den Eingabeeinheiten 836 gehören eine Zeigeeinheit wie zum Beispiel eine Maus, ein Trackball, ein Stift, ein Touchpad, eine Tastatur, ein Mikrofon, ein Joystick, ein Gamepad, eine Satellitenschüssel, ein Scanner, eine TV-Tunerkarte, eine Digitalkamera, eine digitale Videokamera, eine Webkamera und dergleichen, ohne darauf beschränkt zu sein. Diese und andere Eingabeeinheiten werden durch den Systembus 818 mittels (eines) Schnittstellenanschlusses/-anschlüssen 838 mit der Verarbeitungseinheit 814 verbunden. Zu dem/den Schnittstellenanschluss/-anschlüssen 838 gehören zum Beispiel ein serieller Anschluss, ein paralleler Anschluss, ein Spieleanschluss und ein Universal Serial Bus (USB). (Eine) Ausgabeeinheit(en) 840 verwendet/verwenden einige derselben Typen von Anschlüssen wie die Eingabeeinheit(en) 836. So kann zum Beispiel ein USB-Anschluss verwendet werden, um eine Eingabe in den Computer 812 bereitzustellen und Informationen von dem Computer 812 an eine Ausgabeeinheit 840 auszugeben. Ein Ausgabeadapter 842 wird bereitgestellt, um zu veranschaulichen, dass es einige Ausgabeeinheiten 840 wie Monitore, Lautsprecher und Drucker gibt, neben anderen Ausgabeeinheiten 840, die spezielle Adapter benötigen. Zu den Ausgabeadaptern 842 gehören, zur Veranschaulichung und nicht als Einschränkung, Video- und Soundkarten, die ein Mittel zur Verbindung zwischen der Ausgabeeinheit 840 und dem Systembus 818 bereitstellen. Es ist zu beachten, dass andere Einheiten und/oder Systeme von Einheiten sowohl Eingabe- als auch Ausgabefunktionen bereitstellen, wie zum Beispiel der/die entfernt angeordnete(n) Computer 844.
  • Der Computer 812 kann in einer vernetzten Umgebung unter Verwendung von logischen Verbindungen zu einem oder mehreren entfernt angeordneten Computern wie zum Beispiel (einem) entfernt angeordneten Computer(n) 844 betrieben werden. Bei dem/den entfernt angeordneten Computer(n) 844 kann es sich um einen Computer, einen Server, einen Leitwegrechner, einen Netzwerk-PC, eine Arbeitsstation, eine auf Mikroprozessoren beruhende Einheit, eine Peer-Einheit oder einen anderen üblichen Netzwerkknoten und dergleichen handeln, und er/sie kann/können üblicherweise auch viele oder alle der Elemente enthalten, die in Bezug auf den Computer 812 beschrieben sind. Der Kürze halber wird lediglich eine Hauptspeichereinheit 846 bei dem/den entfernt angeordneten Computer(n) 844 veranschaulicht. Der (die) entfernt angeordnete(n) Computer 844 ist/sind über eine Netzwerkschnittstelle 848 mit dem Computer 812 logisch verbunden und über eine Datenübertragungsverbindung 850 physisch verbunden. Die Netzwerkschnittstelle 848 umfasst drahtgebundene und/oder drahtlose Datenübertragungsnetzwerke wie zum Beispiel lokale Netzwerke (LAN), Weitverkehrsnetzwerke (WAN), zellulare Netzwerke usw. Zu LAN-Technologien gehören Fiber Distributed Data Interface (FDDI), Copper Distributed Data Interface (CDDI), Ethernet, Token Ring und dergleichen. Zu WAN-Technologien gehören Punkt-zu-Punkt-Verbindungen, Leitungsvermittlungsnetze wie integriertes Sprach- und Datennetz (ISDN, Integrated Services Digital Networks) und Varianten davon, Paketvermittlungsnetze und digitale Teilnehmeranschlüsse (DSL, Digital Subscriber Lines), ohne darauf beschränkt zu sein. Die Datenübertragungsverbindung(en) 850 bezieht/beziehen sich auf die Hardware/Software, die zum Verbinden der Netzwerkschnittstelle 848 mit dem Systembus 818 verwendet wird. Während die Datenübertragungsverbindung 850 zur Veranschaulichung innerhalb des Computers 812 gezeigt wird, kann sie auch außerhalb des Computers 812 sein. Die Hardware/Software für den Anschluss an die Netzschnittstelle 848 kann auch, lediglich für beispielhafte Zwecke, interne und externe Technologien umfassen, wie zum Beispiel Modems, darunter normale Modems der Telefonklasse, Kabelmodems und DSL-Modems, ISDN-Adapter und Ethernet-Karten.
  • Unter Bezugnahme auf 9 ist eine veranschaulichende Cloud-Computing-Umgebung 950 abgebildet. Wie gezeigt ist, weist die Cloud-Computing-Umgebung 950 einen oder mehrere Cloud-Computing-Knoten 910 auf, mit denen von Cloud-Nutzern verwendete lokale Datenverarbeitungseinheiten wie zum Beispiel ein elektronischer Assistent (PDA, personal digital assistant) oder ein Mobiltelefon 954A, ein Desktop-Computer 954B, ein Laptop-Computer 954C und/oder ein Automobil-Computer-System 954N Daten austauschen können. Obwohl in 9 nicht dargestellt, können die Cloud-Computing-Knoten 910 darüber hinaus eine Quantenplattform (z.B. Quantencomputer, Quantenhardware, Quantensoftware usw.) aufweisen, mit der von Cloud-Nutzern verwendete lokale Datenverarbeitungseinheiten Daten austauschen können. Die Knoten 910 können miteinander Daten austauschen. Sie können physisch oder virtuell in ein oder mehrere Netzwerke wie private, Benutzergemeinschafts-, öffentliche oder hybride Clouds gruppiert werden (nicht gezeigt), wie vorstehend beschrieben wurde, oder in eine Kombination daraus. Dies ermöglicht es der Cloud-Computing-Umgebung 950, Infrastruktur, Plattformen und/oder Software als Dienst anzubieten, für die ein Cloud-Nutzer keine Ressourcen auf einer lokalen Datenverarbeitungseinheit vorhalten muss. Es sei darauf hingewiesen, dass die Arten von in 9 gezeigten Datenverarbeitungseinheiten 954A bis N lediglich veranschaulichend sein sollen und dass die Datenverarbeitungsknoten 910 und die Cloud-Computing-Umgebung 950 über eine beliebige Art Netzwerk und/oder über eine beliebige Art von über ein Netzwerk aufrufbarer Verbindung (z.B. unter Verwendung eines Web-Browsers) mit einer beliebigen Art von computergestützter Einheit Daten austauschen können.
  • Unter Bezugnahme auf 10 wird ein Satz von funktionalen Abstraktionsschichten gezeigt, die durch die Cloud-Computing-Umgebung 950 (9) bereitgestellt werden. Es sollte von vornherein klar sein, dass die in 10 gezeigten Komponenten, Schichten und Funktionen lediglich veranschaulichend sein sollen und Ausführungsformen der Erfindung nicht darauf beschränkt sind. Wie abgebildet ist, werden die folgenden Schichten und entsprechenden Funktionen bereitgestellt:
  • Die Hardware- und Software-Schicht 1060 umfasst Hardware- und SoftwareKomponenten. Zu Beispielen für Hardware-Komponenten gehören: Mainframe-Computer 1061; auf der RISC- (Reduced Instruction Set Computer) Architektur beruhende Server 1062; Server 1063; Blade-Server 1064; Speichereinheiten 1065; und Netzwerke sowie Netzwerkkomponenten 1066. In einigen Ausführungsformen umfassen SoftwareKomponenten eine Netzwerk-Anwendungsserver-Software 1067, eine Datenbank-Software 1068, eine Quantenplattform-Routing-Software (in 10 nicht dargestellt) und/oder Quanten-Software (in 10 nicht dargestellt).
  • Die Virtualisierungsschicht 1070 stellt eine Abstraktionsschicht bereit, aus der die folgenden Beispiele für virtuelle Einheiten bereitgestellt werden können: virtuelle Server 1071, virtueller Speicher 1072, virtuelle Netzwerke 1073, darunter virtuelle private Netzwerke, virtuelle Anwendungen und Betriebssysteme 1074; und virtuelle Clients 1075.
  • In einem Beispiel kann die Verwaltungsschicht 1080 die nachfolgend beschriebenen Funktionen bereitstellen. Eine Ressourcen-Bereitstellung 1081 stellt die dynamische Beschaffung von Datenverarbeitungsressourcen sowie anderen Ressourcen bereit, die zum Durchführen von Aufgaben innerhalb der Cloud-Computing-Umgebung verwendet werden. Ein Messen und eine Preisfindung 1082 stellen die Kostenverfolgung beim Verwenden von Ressourcen innerhalb der Cloud-Computing-Umgebung sowie die Abrechnung oder Rechnungsstellung für den Verbrauch dieser Ressourcen bereit. In einem Beispiel können diese Ressourcen Anwendungs-Software-Lizenzen aufweisen. Die Sicherheit stellt die Identitätsüberprüfung für Cloud-Nutzer und Aufgaben sowie Schutz für Daten und andere Ressourcen bereit. Ein Benutzerportal 1083 stellt Nutzern und Systemadministratoren den Zugang zu der Cloud-Computing-Umgebung bereit. Eine Verwaltung des Dienstumfangs 1084 stellt die Zuordnung und Verwaltung von Cloud-Computing-Ressourcen bereit, so dass die benötigten Dienstziele erreicht werden. Ein Planen und Erfüllen von Vereinbarungen zum Dienstumfang (SLA, Service Level Agreement) 1085 stellt die Anordnung vorab und die Beschaffung von Cloud-Computing-Ressourcen, für die eine zukünftige Anforderung vorausgesehen wird, gemäß einem SLA bereit.
  • Die Arbeitslastschicht 1090 stellt Beispiele für die Funktionalität bereit, für welche die Cloud-Computing-Umgebung verwendet werden kann. Zu nicht einschränkenden Beispielen für Arbeitslasten und Funktionen, die von dieser Schicht bereitgestellt werden können, gehören: Abbildung und Navigation 1091; Software-Entwicklung und Lebenszyklusverwaltung 1092; Bereitstellung von Ausbildung in virtuellen Klassenzimmern 1093; Datenanalytikverarbeitung 1094; Transaktionsverarbeitung 1095; und Software 1096 zur Erzeugung synthetischer Systemfehler.
  • Bei der vorliegenden Erfindung kann es sich um ein System, eine Vorrichtung und/oder ein Computerprogrammprodukt auf jeder möglichen technischen Detailstufe der Integration handeln. Das Computerprogrammprodukt kann ein durch einen Computer lesbares Speichermedium (oder -medien) mit durch einen Computer lesbaren Programmanweisungen darauf umfassen, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen. Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine physische Einheit handeln, die Anweisungen zur Verwendung durch ein System zur Ausführung von Anweisungen behalten und speichern kann. Bei dem durch einen Computer lesbaren Speichermedium kann es sich zum Beispiel um eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiterspeichereinheit oder jede geeignete Kombination daraus handeln, ohne auf diese beschränkt zu sein. Zu einer nicht erschöpfenden Liste spezifischerer Beispiele des durch einen Computer lesbaren Speichermediums können die Folgenden gehören: eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein tragbarer Kompaktspeicherplatte-Nur-Lese-Speicher (CD-ROM), eine DVD (digital versatile disc), ein Speicher-Stick, eine Diskette, eine mechanisch kodierte Einheit wie zum Beispiel Lochkarten oder erhabene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination daraus. Ein durch einen Computer lesbares Speichermedium soll in der Verwendung hierin nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder ein anderes Übertragungsmedium ausbreiten (z.B. Lichtwellenleiterkabel durchlaufende Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
  • Hierin beschriebene, durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk, ein Weitverkehrsnetz und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragung, Leitwegrechner, Firewalls, Vermittlungseinheiten, Gateway-Computer und/oder Edge-Server aufweisen. Eine Netzwerkadapterkarte oder Netzwerkschnittstelle in jeder Datenverarbeitungs-/Verarbeitungseinheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zur Speicherung in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs-/Verarbeitungseinheit weiter. Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten, Konfigurationsdaten für integrierte Schaltungen oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination von einer oder mehreren Programmiersprachen geschrieben werden, darunter objektorientierte Programmiersprachen wie Smalltalk, C++ o.ä. sowie prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem fernen Computer oder vollständig auf dem fernen Computer oder Server ausgeführt werden. In letzterem Fall kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch eine beliebige Art Netzwerk verbunden sein, darunter ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetz (WAN), oder die Verbindung kann mit einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwendung eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, vor Ort programmierbare Gatter-Anordnungen (FPGA, field programmable gate arrays) oder programmierbare Logikanordnungen (PLA, programmable logic arrays) die durch einen Computer lesbaren Programmanweisungen ausführen, indem sie Zustandsinformationen der durch einen Computer lesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
  • Aspekte der vorliegenden Erfindung sind hierin unter Bezugnahme auf Ablaufpläne und/oder Blockschaltbilder bzw. Schaubilder von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es wird darauf hingewiesen, dass jeder Block der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder sowie Kombinationen von Blöcken in den Ablaufplänen und/oder den Blockschaltbildern bzw. Schaubildern mittels durch einen Computer lesbare Programmanweisungen ausgeführt werden können. Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Universalcomputers, eines Spezialcomputers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, so dass die über den Prozessor des Computers bzw. der anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführten Anweisungen ein Mittel zur Umsetzung der in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte erzeugen. Diese durch einen Computer lesbaren Programmanweisungen können auch auf einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, so dass das durch einen Computer lesbare Speichermedium, auf dem Anweisungen gespeichert sind, ein Herstellungsprodukt aufweist, darunter Anweisungen, welche Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaltbilder bzw. Schaubilder angegebenen Funktion/Schritts umsetzen. Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von betrieblichen Abläufen auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen auf einem Computer ausgeführten Prozess zu erzeugen, so dass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte umsetzen.
  • Die Ablaufpläne und die Blockschaltbilder bzw. Schaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Ausführungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in den Ablaufplänen oder Blockschaltbildern bzw. Schaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zur Ausführung der bestimmten logischen Funktion(en) aufweisen. In einigen alternativen Ausführungen können die in dem Block angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt stattfinden. Zwei nacheinander gezeigte Blöcke können zum Beispiel in Wirklichkeit im Wesentlichen gleichzeitig ausgeführt werden, oder die Blöcke können manchmal je nach entsprechender Funktionalität in umgekehrter Reihenfolge ausgeführt werden. Es ist ferner anzumerken, dass jeder Block der Blockschaltbilder bzw. Schaubilder und/oder der Ablaufpläne sowie Kombinationen von Blöcken in den Blockschaltbildern bzw. Schaubildern und/oder den Ablaufplänen durch spezielle auf Hardware beruhende Systeme umgesetzt werden können, welche die festgelegten Funktionen oder Schritte durchführen, oder Kombinationen von Spezial-Hardware und Computeranweisungen ausführen.
  • Obwohl der Gegenstand vorstehend im allgemeinen Kontext von durch einen Computer ausführbaren Anweisungen eines Computerprogrammprodukts beschrieben wurde, das auf einem Computer und/oder Computern läuft, werden Fachleute erkennen, dass diese Offenbarung auch in Kombination mit anderen Programmmodulen umgesetzt werden kann. Allgemein können zu Programmmodulen Routinen, Programme, Komponenten, Datenstrukturen usw. gehören, die bestimmte Aufgaben durchführen und/oder bestimmte abstrakte Datentypen umsetzen. Darüber hinaus werden Fachleute verstehen, dass die erfindungsgemäßen auf einem Computer ausgeführten Verfahren mit anderen Computersystemkonfigurationen ausgeführt werden können, darunter Einzelprozessor- oder Multiprozessor-Computersysteme, Mini-Datenverarbeitungseinheiten, Großrechner sowie Computer, Handheld-Datenverarbeitungseinheiten (z.B. PDA, Telefon), mikroprozessorbasierte oder programmierbare Unterhaltungs- oder Industrieelektronik und dergleichen. Die veranschaulichten Aspekte können auch in verteilten Datenverarbeitungsumgebungen ausgeführt werden, in denen Aufgaben durch entfernt angeordnete Verarbeitungseinheiten durchgeführt werden, die über ein Datenübertragungsnetzwerk verbunden sind. Einige oder sogar alle Aspekte dieser Offenbarung können jedoch auf eigenständigen Computern ausgeführt werden. In einer verteilten Datenverarbeitungsumgebung können sich Programmmodule sowohl in lokalen als auch in entfernt angeordneten Hauptspeichereinheiten befinden. Zum Beispiel können in einer oder mehreren Ausführungsformen durch einen Computer ausführbare Komponenten von einem Speicher ausgeführt werden, der eine oder mehrere verteilte Speichereinheiten enthalten oder aus ihnen bestehen kann. Die Begriffe „Speicher“ und „Speichereinheit“ sind in ihrer Verwendung hierin austauschbar. Darüber hinaus können eine oder mehrere hierin beschriebene Ausführungsformen Code der durch einen Computer ausführbaren Komponenten auf verteilte Weise ausführen, z.B. indem mehrere Prozessoren kombiniert werden oder zusammenarbeiten, um Code aus einem oder mehreren verteilten Speichereinheiten auszuführen. Der Begriff „Speicher“ kann in seiner Verwendung hierin einen einzelnen Speicher oder eine Speichereinheit an einem Ort oder mehrere Speicher oder Speichereinheiten an einem oder mehreren Orten umfassen.
  • Die in dieser Anwendung verwendeten Begriffe „Komponente“, „System“, „Plattform“, „Schnittstelle“ und dergleichen können sich auf eine computerbezogene Einheit oder eine Einheit, die sich auf eine sich in Betrieb befindliche Maschine mit einer oder mehreren spezifischen Funktionalitäten bezieht, beziehen und/oder diese einschließen. Die hierin offenbarten Einheiten können entweder Hardware, eine Kombination von Hardware und Software, Software oder Software in Ausführung sein. Zum Beispiel kann es sich bei einer Komponente um einen Prozess, der auf einem Prozessor läuft, einen Prozessor, ein Objekt, eine ausführbare Datei, einen Ausführungsstrang, ein Programm und/oder einen Computer handeln, aber nicht darauf beschränkt. Zur Veranschaulichung kann es sich sowohl bei einer Anwendung, die auf einem Server läuft, als auch bei dem Server um eine Komponente handeln. Eine oder mehrere Komponenten können innerhalb eines Prozesses und/oder Ausführungsstrangs liegen, und eine Komponente kann sich auf einem Computer befinden und/oder zwischen zwei oder mehr Computern verteilt sein. In einem anderen Beispiel können jeweilige Komponenten von verschiedenen durch einen Computer lesbaren Medien ausgeführt werden, auf denen verschiedene Datenstrukturen gespeichert sind. Die Komponenten können über lokale und/oder Fernprozesse Daten austauschen, wie zum Beispiel als Reaktion auf ein Signal, das ein oder mehrere Datenpakete aufweist (z.B. Daten von einer Komponente, die mit einer anderen Komponente in einem lokalen System, einem verteilten System, und/oder über ein Netzwerk wie zum Beispiel das Internet mit anderen Systemen über das Signal interagiert). Als ein anderes Beispiel kann es sich bei einer Komponente um eine Vorrichtung mit einer spezifischen Funktionalität handeln, die durch mechanische Teile bereitgestellt wird, die durch elektrische oder elektronische Schaltungen betrieben werden, die durch eine von einem Prozessor ausgeführte Software- oder Firmware-Anwendung betrieben werden. In einem derartigen Fall kann sich der Prozessor innerhalb oder außerhalb der Vorrichtung befinden und zumindest einen Teil der Software- oder Firmware-Anwendung ausführen. Als noch ein anderes Beispiel kann es sich bei einer Komponente um eine Vorrichtung handeln, die eine bestimmte Funktionalität durch elektronische Komponenten ohne mechanische Teile bereitstellt, wobei die elektronischen Komponenten einen Prozessor oder ein anderes Mittel zum Ausführen von Software oder Firmware enthalten können, der bzw. das zumindest teilweise die Funktionalität der elektronischen Komponenten gewährt. In einem Aspekt kann eine Komponente eine elektronische Komponente mittels einer virtuellen Maschine emulieren, z.B. innerhalb eines Cloud-Computing-Systems.
  • Darüber hinaus soll der Begriff „oder“ eher ein inklusives „oder“ als ein exklusives „oder“ bedeuten. Das heißt, „X setzt A oder B ein“ soll eine beliebige der natürlichen inklusiven Permutationen bedeuten, es sei denn, es ist anders angegeben oder wird aus dem Kontext klar. Das heißt, wenn X A einsetzt, X B einsetzt oder X sowohl A als auch B einsetzt, dann ist „X setzt A oder B ein“ in allen der vorgenannten Fälle erfüllt. Darüber hinaus sollten die Artikel „ein“ und „eine“, wie sie in der Beschreibung des Gegenstandes und den beigefügten Zeichnungen verwendet werden, im Allgemeinen so gedeutet werden, dass sie „ein/eine oder mehrere“ bedeuten, es sei denn, es ist anderweitig angegeben oder es wird aus dem Kontext klar, dass es sich auf eine Singularform bezieht. Die hier verwendeten Begriffe „Beispiel“ und/oder „beispielhaft“ werden verwendet, um auszudrücken, dass sie als Beispiel, als Einzelfall oder zur Veranschaulichung dienen. Um Zweifel auszuschließen, der hier offenbarte Gegenstand ist nicht durch derartige Beispiele begrenzt. Zusätzlich ist jeder Aspekt bzw. jede Ausgestaltung, der bzw. die hier als „Beispiel“ und/oder „beispielhaft“ beschrieben wird, nicht notwendigerweise als bevorzugt oder vorteilhaft gegenüber anderen Aspekten oder Ausgestaltungen auszulegen, noch soll er bzw. sie gleichwertige beispielhafte Strukturen und Techniken ausschließen, die Fachleuten bekannt sind.
  • Wie in der Beschreibung des Gegenstands verwendet, kann sich der Begriff „Prozessor“ im Wesentlichen auf jede Datenverarbeitungseinheit oder jede Einheit beziehen, die Einkernprozessoren, Einzelprozessoren mit Software-Multithread-Ausführungsfunktion, Mehrkernprozessoren, Mehrkernprozessoren mit Software-Multithread-Ausführungsfunktion, Mehrkernprozessoren mit Hardware-Multithread-Technologie, parallele Plattformen und parallele Plattformen mit verteiltem gemeinsam genutzten Hauptspeicher aufweist, aber nicht darauf beschränkt. Zusätzlich kann sich ein Prozessor auf eine integrierte Schaltung, eine anwendungsspezifische integrierte Schaltung (ASIC, Application Specific Integrated Circuit), einen digitalen Signalprozessor (DSP, Digital Signal Processor), eine im Feld programmierbare Gatter-Anordnung (FPGA, Field Programmable Gate Array), eine speicherprogrammierbare Steuerung (SPS), eine komplexe programmierbare Logikeinheit (CPLD, Complex Programmable Logic Device), eine diskrete Gate- oder Transistorlogik, diskrete Hardwarekomponenten oder eine beliebige Kombination daraus beziehen, die zum Ausführen der hierin beschriebenen Funktionen bestimmt sind. Darüber hinaus können Prozessoren Architekturen der Nanogröße wie zum Beispiel molekulare und auf Quantenpunkten beruhende Transistoren, Schalter und Gatter nutzen, um die Raumnutzung zu optimieren oder die Leistung der Benutzergeräte zu verbessern, ohne darauf beschränkt zu sein. Ein Prozessor kann auch als eine Kombination von Datenverarbeitungseinheiten umgesetzt werden. In dieser Offenbarung werden Begriffe wie zum Beispiel „Speicher“, „Speicherung“, „Datenspeicher“, „Datenspeicherung“, „Datenbank“ und im Wesentlichen jede andere Informationsspeicherkomponente, die für den Betrieb und die Funktionalität einer Komponente relevant ist, verwendet, um sich auf „Speicherkomponenten“, auf in einem „Speicher“ enthaltene Entitäten oder auf Komponenten, die einen Speicher aufweisen, zu beziehen. Man sollte sich bewusst sein, dass hierin beschriebener Hauptspeicher und/oder hierin beschriebene Speicherkomponenten entweder flüchtiger Speicher oder nichtflüchtiger Speicher sein können oder sowohl flüchtigen als auch nichtflüchtigen Speicher aufweisen können. Zur Veranschaulichung und nicht als Einschränkung kann der nichtflüchtige Speicher einen Nur-Lese-Speicher (ROM), programmierbaren ROM (PROM), elektrisch programmierbaren ROM (EPROM), elektrisch löschbaren ROM (EEPROM), Flash-Speicher oder nichtflüchtigen Direktzugriffsspeicher (RAM) enthalten (z.B. ferroelektrischen RAM (FeRAM). Der flüchtige Speicher kann einen RAM enthalten, der zum Beispiel als externer Cache fungieren kann. Zur Veranschaulichung und nicht als Einschränkung ist RAM in vielen Formen erhältlich, wie zum Beispiel als synchroner RAM (SRAM), dynamischer RAM (DRAM), synchroner DRAM (SDRAM), SDRAM mit doppelter Datenrate (DDR-SDRAM), Enhanced SDRAM (ESDRAM), SyncLink DRAM (SLDRAM), Direct Rambus RAM (DRRAM), Direct Rambus Dynamic RAM (DRDRAM) und Rambus Dynamic RAM (RDRAM). Zusätzlich sollen die hier offenbarten Speicherkomponenten von Systemen oder auf einem Computer ausgeführten Verfahren diese und alle anderen geeigneten Speichertypen beinhalten, ohne darauf beschränkt zu sein.
  • Das vorstehend Beschriebene enthält lediglich Beispiele für Systeme und auf einem Computer ausgeführte Verfahren. Natürlich ist es nicht möglich, jede erdenkliche Kombination von Komponenten oder auf einem Computer ausgeführten Verfahren zum Zwecke des Beschreibens dieser Offenbarung zu beschreiben, aber Fachleute können erkennen, dass viele weitere Kombinationen und Umsetzungen dieser Offenbarung möglich sind. Soweit die Begriffe „enthält“, „weist auf“, „besitzt“ und dergleichen in der ausführlichen Beschreibung, in Ansprüchen, in Anhängen und in Zeichnungen verwendet werden, sollen derartige Begriffe in ähnlicher Weise wie der Begriff „aufweisend“ inklusiv wirken, wie „aufweisend“ ausgelegt wird, wenn es als Übergangswort in einem Anspruch verwendet wird.
  • Die Beschreibungen der verschiedenen Ausführungsformen wurden zum Zwecke der Veranschaulichung aufgeführt, sollen jedoch nicht gesamthaft stehen für bzw. begrenzt sein auf die offenbarten Ausführungsformen. Für Fachleute werden viele Abänderungen und Abwandlungen ersichtlich sein, ohne von dem Umfang und dem Sinngehalt der beschriebenen Ausführungsformen abzuweichen. Die hierin verwendete Terminologie wurde gewählt, um die Grundgedanken der Ausführungsformen, die praktische Anwendung oder technische Verbesserung gegenüber auf dem Markt vorgefundenen Technologien bestmöglich zu erläutern oder um es anderen Fachleuten zu ermöglichen, die hierin dargelegten Ausführungsformen zu verstehen.

Claims (16)

  1. System, aufweisend: einen Prozessor, der die folgenden durch einen Computer ausführbaren Komponenten ausführt, die in einem nichtflüchtigen, durch einen Computer lesbaren Medium gespeichert sind: eine Generatorkomponente, die ein trainiertes Modell der künstlichen Intelligenz (KI) einsetzt, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren; und eine Fehlerumwandlungskomponente, die den synthetischen Systemfehler analysiert und einen dem synthetischen Systemfehler entsprechenden Textinhalt erzeugt.
  2. System nach Anspruch 1, darüber hinaus aufweisend eine Modelltrainerkomponente, die das Kl-Modell unter Verwendung einer Architektur eines Generative Adversarial Network trainiert.
  3. System nach Anspruch 2, wobei die Architektur eines Generative Adversarial Network ein bedingtes tabellarisches Adversarial Network ist.
  4. System nach Anspruch 2, wobei die Modelltrainerkomponente historische Systemdaten vorverarbeitet, die historische diskrete Parameter und/oder historische kontinuierliche Parameter aufweisen, wobei die historischen diskreten Parameter als One-Hot-codierte Vektoren dargestellt werden und für die historischen kontinuierlichen Parameter eine modusspezifische Normalisierung mit einem Gaußschen Variationsmischmodell eingesetzt wird.
  5. System nach Anspruch 2, wobei die Modelltrainerkomponente das KI-Modell mit einem Wasserstein Gradient Penalty Loss (WGAN-GP Loss) trainiert.
  6. System nach Anspruch 1, wobei die Generatorkomponente komplexe multimodale Verteilungen einer Teilmenge der diskreten Parameter und/oder der kontinuierlichen Parameter wiederherstellt, die durch eine Zeile eines zugehörigen Datensatzes bedingt sind.
  7. System nach Anspruch 1, wobei der Textinhalt ein Systemprotokoll und/oder eine Beschreibung des synthetischen Systemfehlers aufweist.
  8. System nach Anspruch 1, wobei die durch einen Computer ausführbaren Komponenten darüber hinaus eine Aggregator-Komponente aufweisen, die eine Wissensdatenbank mit erzeugten synthetischen Systemfehlern und entsprechenden Textdaten erzeugt.
  9. Auf einem Computer ausgeführtes Verfahren, aufweisend: Einsetzen eines trainierten Modells der künstlichen Intelligenz (Kl) unter Verwendung eines Prozessors, um einen synthetischen Systemfehler zu erzeugen, der als eine Kombination von diskreten Parametern und kontinuierlichen Parametern dargestellt wird, die einen Systemzustand definieren; und Analysieren des synthetischen Systemfehlers unter Verwendung des Prozessors und Erzeugen eines dem synthetischen Systemfehler entsprechenden Textinhalts.
  10. Auf einem Computer ausgeführtes Verfahren nach Anspruch 9, darüber hinaus umfassend ein Trainieren des Kl-Modells unter Verwendung des Prozessors und unter Verwendung einer Architektur eines Generative Adversarial Network.
  11. Auf einem Computer ausgeführtes Verfahren nach Anspruch 9, darüber hinaus umfassend ein Trainieren des Kl-Modells unter Verwendung des Prozessors und unter Verwendung eines bedingten tabellarischen Adversarial Network.
  12. Auf einem Computer ausgeführtes Verfahren nach Anspruch 9, darüber hinaus umfassend ein Vorverarbeiten von historischen Systemdaten unter Verwendung des Prozessors, die historische diskrete Parameter und/oder historische kontinuierliche Parameter aufweisen, wobei die historischen diskreten Parameter als One-Hot-codierte Vektoren dargestellt werden und für die historischen kontinuierlichen Parameter eine modusspezifische Normalisierung mit dem Gaußschen Variationsmischmodell eingesetzt wird.
  13. Auf einem Computer ausgeführtes Verfahren nach Anspruch 9, darüber hinaus umfassend ein Trainieren des Kl-Modells unter Verwendung des Prozessors mit einem Wasserstein Gradient Penalty Loss (WGAN-GP Loss).
  14. Auf einem Computer ausgeführtes Verfahren nach Anspruch 9, darüber hinaus umfassend ein Wiederherstellen von komplexen multimodalen Verteilungen einer Teilmenge der diskreten Parameter und/oder der kontinuierlichen Parameter, die durch eine Zeile eines zugehörigen Datensatzes bedingt sind, unter Verwendung des Prozessors.
  15. Auf einem Computer ausgeführtes Verfahren nach Anspruch 9, darüber hinaus umfassend ein Erstellen einer Wissensdatenbank mit erzeugten synthetischen Systemfehlern und entsprechenden Textdaten unter Verwendung des Prozessors.
  16. Computerprogrammprodukt, aufweisend ein durch einen Computer lesbares Speichermedium, auf dem Programmanweisungen enthalten sind, wobei die Programmanweisungen von einem Prozessor ausführbar sind, um den Prozessor dazu zu veranlassen, das Verfahren nach einem der Ansprüche 9 bis 15 durchzuführen.
DE102021124264.9A 2020-10-20 2021-09-20 Erzeugung von synthetischen Systemfehlern Pending DE102021124264A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/075,088 2020-10-20
US17/075,088 US11550682B2 (en) 2020-10-20 2020-10-20 Synthetic system fault generation

Publications (1)

Publication Number Publication Date
DE102021124264A1 true DE102021124264A1 (de) 2022-04-21

Family

ID=78497857

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021124264.9A Pending DE102021124264A1 (de) 2020-10-20 2021-09-20 Erzeugung von synthetischen Systemfehlern

Country Status (4)

Country Link
US (1) US11550682B2 (de)
JP (1) JP2022067639A (de)
DE (1) DE102021124264A1 (de)
GB (1) GB2603574B (de)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023188017A1 (ja) * 2022-03-29 2023-10-05 日本電信電話株式会社 学習用データ生成装置、学習用データ生成方法及びプログラム
JP7451606B2 (ja) 2022-06-23 2024-03-18 みずほリサーチ＆テクノロジーズ株式会社 学習システム及び学習方法
CN116560891A (zh) * 2023-05-23 2023-08-08 北京优特捷信息技术有限公司 一种故障处理方法、装置、电子设备及存储介质
CN116362523B (zh) * 2023-06-01 2023-09-26 吉林大学 考虑温度适应性的换电站选址与运营策略协同优化方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5572597A (en) * 1994-03-29 1996-11-05 Loral Corporation Fingerprint classification system
DE19613012C1 (de) 1996-03-25 1997-08-14 Siemens Ag Verfahren zum Erzeugen von Fehlerklassifizierungssignalen
US6944586B1 (en) * 1999-11-09 2005-09-13 Interactive Drama, Inc. Interactive simulated dialogue system and method for a computer network
KR100439674B1 (ko) 2001-09-27 2004-07-12 (주) 엘지텔레콤 신경망을 이용한 기지국 장애예측 장치 및 그 방법
US7849448B2 (en) 2005-06-01 2010-12-07 Crosscheck Networks Technique for determining web services vulnerabilities and compliance
US20120166363A1 (en) 2010-12-23 2012-06-28 Hongbo He Neural network fault detection system and associated methods
US8589736B2 (en) 2011-08-12 2013-11-19 Tata Consultancy Services Limited System and method for automatic test data generation for relational testing
US9529699B2 (en) 2013-06-11 2016-12-27 Wipro Limited System and method for test data generation and optimization for data driven testing
US10445290B1 (en) * 2014-10-29 2019-10-15 Cadence Design Systems, Inc. System and method for a smart configurable high performance interactive log file viewer
US9753826B2 (en) 2015-07-21 2017-09-05 International Business Machines Corporation Providing fault injection to cloud-provisioned machines
US20180247227A1 (en) * 2017-02-24 2018-08-30 Xtract Technologies Inc. Machine learning systems and methods for data augmentation
EP3467718A1 (de) * 2017-10-04 2019-04-10 Prowler.io Limited System zum maschinellen lernen
US10558761B2 (en) * 2018-07-05 2020-02-11 Disney Enterprises, Inc. Alignment of video and textual sequences for metadata analysis
US11170166B2 (en) 2018-09-28 2021-11-09 Apple Inc. Neural typographical error modeling via generative adversarial networks
EP3767542A1 (de) * 2019-07-17 2021-01-20 Robert Bosch GmbH Trainings- und datensynthese- und wahrscheinlichkeitskonferenz unter verwendung eines nichtlinearen bedingten normalisierungsflussmodells
CN110414604A (zh) 2019-07-30 2019-11-05 重庆邮电大学 感知对抗生成网络驱动的锂电池故障数据生成方法
EP4042320A1 (de) * 2019-10-09 2022-08-17 Ancestry.com Operations Inc. Kontradiktorisches netzwerk zur transformation eines handgeschriebenen textes
CN111176263B (zh) 2020-01-23 2023-04-14 北京航天自动控制研究所 一种基于bp神经网络的飞行器推力故障在线辨识方法
US11475161B2 (en) * 2020-05-29 2022-10-18 Accenture Global Solutions Limited Differentially private dataset generation and modeling for knowledge graphs

Also Published As

Publication number Publication date
JP2022067639A (ja) 2022-05-06
GB2603574A (en) 2022-08-10
GB202113985D0 (en) 2021-11-17
US11550682B2 (en) 2023-01-10
US20220121540A1 (en) 2022-04-21
GB2603574B (en) 2023-08-02

Similar Documents

Publication Publication Date Title
DE102017217971B4 (de) Ermöglichen von Debugging von serverlosen Anwendungen mittels Graph-Rewriting
DE102021124264A1 (de) Erzeugung von synthetischen Systemfehlern
DE112017007510T5 (de) Blockchain für offene wissenschaftliche forschung
DE112016003355B4 (de) Sicherer Einsatz einer Anwendung über Einsatzorte hinweg
DE112018002984T5 (de) Konformitätsbewusste Laufzeiterzeugung auf Grundlage von Anwendungsmustern und Risikobeurteilung
DE112020005095T5 (de) Automatische trennung und extraktion von tabellendaten unter verwendung von maschinellem lernen
DE112021004689T5 (de) Kontextbasierte risikobeurteilung einer schwachstelle in datenverarbeitungsressourcen
DE112021002572T5 (de) Multikriterielles optimieren von anwendungen
DE102016103713A1 (de) Erkennung virtueller Maschineneinheiten auf der Grundlage eines Katalogs
DE112012004499T5 (de) Testen von Transaktionsanwendungen
DE112019005373T5 (de) Framework für maschinelles lernen zum finden von materialien mit gewünschten eigenschaften
DE112020000545T5 (de) Deep-forest-modell-entwicklung und -training
DE112021004380T5 (de) Maschinelles merkmalslernen zur produktformulierung
DE112020003825T5 (de) Entsprechung zwischen externen Operationen und Containern sowie Mutationsereignissen
DE112021000627T5 (de) Dynamische erkennung und korrektur von datenqualitätsproblemen
DE102014116744A1 (de) Management von Informationstechnologieressourcen
DE112021005927T5 (de) Patchen von arbeitsabläufen
DE112021003274T5 (de) Ressourcenzuordnung zum optimieren von hyperparametern bei umfangreichen deep-learning-arbeitslasten
DE112021004234T5 (de) Einsetzen von metalernen zum optimieren der automatischen auswahl von pipelinesdes maschinellen lernens
DE112021001974T5 (de) Proaktives durchführen von aufgaben auf der grundlage eines schätzens vonhardwarerekonfigurationszeiten
DE112018005891T5 (de) Bibliotheks-Screening auf Krebswahrscheinlichkeit
DE102016204594A1 (de) Abgleichen von datenquellen ohne tags mit datenanalyseanwendungen ohne tags
DE112020005296T5 (de) Durchsuchen von gesprächsprotokollen eines systems mit virtuellen dialogagenten nach kontrastierenden zeitlichen mustern
DE112019001493T5 (de) Ermitteln der abfrageerkennungsresilienz in virtuellen agentensystemen
DE112021006167T5 (de) Automatische anpassung von datenzugriffsrichtlinien in der datenanalytik

Legal Events

Date Code Title Description
R012 Request for examination validly filed