JP2006268529A - データセンタの需要予測システム、需要予測方法および需要予測プログラム - Google Patents

Abstract

【課題】データセンタのＩＴ資源の需要予測を正確に行うことができる需要予測システムおよび需要予測方法を提供する。
【解決手段】
データセンタのＩＴ資源を利用する複数の利用者を、複数の利用者行動クラスに分類する利用者行動モデル生成部４と、イベントに起因するＩＴ資源利用の時間的変動および利用者行動クラス間の人員移動を表すイベント特徴モデルを生成するイベント特徴モデル生成部５と、イベント特徴モデルを用いて、将来行う予定イベントに起因するＩＴ資源利用の時間的変動および利用者行動クラス間の人員移動量を算出し、ＩＴ資源の負荷変動を算出する需要予測部６とを備える需要予測システム。
【選択図】 図１

Description

本発明は、データセンタにおけるＩＴ資源の需要を予測する需要予測システムに関する。

経済、社会の基盤を構成するＩＴ（Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ）システムには、安定性、堅ろう性および経済性が求められる。近年、ますます高度化するＩＴシステムを、安定性、堅ろう性を保ちながらも経営環境の変化に即応して機能維持していくために、システムの自律処理の技術が不可欠となってきている。自律処理とは、今まで人間が行ってきた判断の一部をシステムが肩代わりすることである。例えば、システムの負荷増大、障害等に対してＩＴシステムが自律的に構成を変更し修復を行う処理が自律処理である。自律処理の技術は、システムの負荷増大や障害の背景にあるビジネス環境の変化に対するシステムの適応能力を向上させる。

例えば、データセンタにおいては、ＩＴ資源の最適利用のための自律制御が求められている。データセンタは、顧客のサーバ、ストレージ、ネットワーク等のＩＴ資源を預かり、インターネットへの接続回線や保守・運用サービス等の提供を行う施設である。特に、顧客ごとに割り当てたＩＴ資源を、需要に応じてオンデマンドで増減することが可能であるデータセンタは、ユーティリティ方式のデータセンタと呼ばれている。ユーティリティ方式のデータセンタでは、ＩＴ資源の需要を的確に予測し、この需要予測に基づいてＩＴ資源の利用効率の向上を図ることが特に重要である。

ＩＴ資源の需要は、季節変動などの長期変動だけでなく、プロモーションなどビジネス上のイベントによっても変動する。例えば、顧客企業がプロモーションを行った後の、Ｗｅｂサーバへのアクセス数は、急激に増加した後、次第に減少していくパタンとなる。

データセンタが、複数の顧客からの変動するＩＴ資源の要求にこたえ、顧客ビジネスの機会損失を最小化し、かつデータセンタのＩＴ資源の利用効率を最大化するには、需要予測技術が必要である。季節変動などの長期変動の予測とともに、プロモーションなどビジネス上のイベントに起因する中期変動を予測する必要がある。

過去の利用実績から将来需要を予測する技術は、重回帰分析を用いる方法、ＡＲＩＭＡなどの自己回帰モデルを用いた方法など多数存在する。

プロモーションなどのイベント効果を踏まえた需要予測が可能であり、かつ、実際に観測データに合わせて、予測モデルとパラメタを切り替え、予測を動的に修正できる需要予測製品も既に存在する(例えば、米Ｂｕｓｉｎｅｓｓ Ｆｏｒｅｃａｓｔ Ｓｙｓｔｅｍｓ，Ｉｎｃ．社のＦｏｒｅｃａｓｔＰＲＯ（登録商標）（非特許文献１参照）)。

マーケティング分野を対象とした予測方法として、利用者の行動パタンを複数の行動クラスに分類する方法が知られている（例えば、特許文献１参照）。この方法では、イベントが利用者の行動クラスに与える影響を算出し、利用者の行動クラスごとの需要変動を総計し需要を予測している。

しかし、上記非特許文献１および特許文献１における需要予測は、「買う／買わない」の２者択一の行動を予測するものである。これに対し、データセンタにおける需要予測では、利用者がＷｅｂサイトを訪問した後の一連の行動により生成される連続的な負荷を予測する必要がある。

データセンタのＩＴ資源が提供するＩＴサービスに対する利用者のアクセスは、単一の事象ではなく一連の時間的な広がりと負荷変動を伴う。例えば、商品購入サイトにアクセスする利用者は、Ｗｅｂサイトを訪問し、いくつかのページを参照して手続きを行い、商品購入等の最終的な目的を達成する。その間、ＩＴ資源には継続的な負荷が発生する。サイト訪問以後の利用者の行動は、利用者の目的によって異なる。利用者のサイトでの行動が異なると、生成する負荷も異なってくる。例えば、ある利用者はブラウジングのみ、別の利用者はブラウジングしつつダウンロードを行うとすれば、資源に対する負荷は後者の方が大きい。

このため、単にアクセスの回数を予測するだけではデータセンタの負荷を正確に予測することはできない。すなわち、上記非特許文献１および特許文献１の予測方法をＷｅｂサイトの利用予測に適用しても、トップページへの訪問数が予測できるのみであり、各利用者の行動がサーバ群にどのような負荷をかけるか予測できない。

このように、既存の需要予測技術は、単一の事象として需要を予測し、利用者のサイト訪問後の行動パタンを考慮していないため、正確な負荷予測ができず、ＩＴ資源の配備計画を適切に行うことができないという課題があった。

他の需要予測技術として、チケット販売サービスにおいて、イベントの生起期間とサービスの要求量の変化とを直接対応づけている中長期予測を行う方法が開示されている（例えば、非特許文献２参照）。しかし、非特許文献２に記載の予測方法でも、ＩＴサービスにおける利用者からのアクセスを単一の事象として扱われている。すなわち、Ｗｅｂサイトを訪問した後の利用者による一連の行動が考慮されておらず、単に、イベント期間中は通常時の８倍といった概算をするだけである。

一方、Ｗｅｂサイトのログから利用者がＷｅｂページの間をどう移動するかを追跡することによって、ページ間遷移確率を算出し、ページ間遷移確率に基づいて利用者を分類する方法が提示されている（例えば、非特許文献３参照）。また、Ｑｕｅｕｉｎｇ Ｎｅｔｗｏｒｋに基づき、アクセス数からサーバへの負荷をシミュレートする方法が提示されている（例えば、非特許文献４参照）。非特許文献３および４と特許文献１に記載の手法を組み合わせることで、イベントによる需要変動がどのような負荷を生成するか一見予測可能に見える。すなわち、（１）非特許文献３あるいは特許文献１に記載の手法で、利用者の行動から、利用者を複数のクラスに分類し、（２）特許文献１に記載の手法によってイベント発生時のクラス毎のアクセス数を予測し、（３）非特許文献４に記載の方法によって、アクセス数予測からサーバへの負荷をシミュレートすることで、イベントによる需要変動がどのような負荷を生成するか一見予測可能に見える。

しかしながら、非特許文献３の利用者行動分類は、利用者が行う最初のサイト訪問から頁遷移のパタンをモデル化したものである。このモデルには、イベント直後にアクセスする利用者と、くちコミ等の広がりにより後から集まってくる利用者の分布傾向が含まれないため、イベントが起きてからピークが何日後に来るかを正確に予測できない。

また、非特許文献３に記載の分類モデルでは、利用者を「たまに使う利用者」「ヘビーユーザ」等に分類しているが、利用者のクラス間遷移については考慮されていない。このため、多くのビジネスイベントは、利用者がプロモーション期間以後もサービスをリピータとして定着させることを目的とするにも関わらず、定着後の負荷増を、非特許文献３に記載の分類モデルを用いて予測することはできない。

さらに、イベントが起きた直後の利用状況が予測と異なる場合でも、原因を推定する手段がなく、予測を修正できない。
特開２００２−２５９６７２号公報 ＦｏｒｅｃａｓｔＰＲＯ、［ｏｎｌｉｎｅ］、Ｂｕｓｉｎｅｓｓ Ｆｏｒｅｃａｓｔ Ｓｙｓｔｅｍｓ，Ｉｎｃ、［平成１７年２月２２日検索］、インターネット、＜ＵＲＬ：http：／／ｗｗｗ．ｆｏｒｅｃａｓｔｐｒｏ．ｃｏｍ／＞ 宇都宮直樹、佐川暢俊、垂井俊明、熊崎裕之、"将来のＨａｒｍｏｎｉｏｕｓ Ｃｏｍｐｕｔｉｎｇコンセプト具現化に向けた日立グループの取り組み," 日立評論、２００４年６月号、日立評論社、２００４年６月１日発行、ｐｐ．５１−５４ Ｄａｎｉｅｌ Ａ Ｍｅｎａｓｅほか、"Ａ Ｍｅｔｈｏｄｏｌｏｇｙ ｆｏｒ Ｗｏｒｋｌｏａｄ Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｏｆ Ｅ−Ｃｏｍｍｅｒｃｅ Ｓｉｔｅ，" ＡＣＭ Ｅ−ＣＯＭＭＥＲＣＥ'９９、（米国）、ＡＣＭ、１９９９、ｐｐ．１１９−１２８ Ｄａｎｉｅｌ Ａ Ｍｅｎａｓｃｅ、Ｖｉｒｇｉｌｉｏ Ａ．Ｆ．Ａｌｍｅｉｄａ"Ｃａｐａｃｉｔｙ Ｐｌａｎｎｉｎｇ ｆｏｒ Ｗｅｂ Ｓｅｒｖｉｃｅｓ，"、（米国）、Ｐｒｅｎｔｉｃｅ Ｈａｌｌ，２００２．

このように、既存の需要予測技術を組み合わせたとしても、正確な負荷予測は困難であるという課題があった。すなわち、プロモーション等に対する負荷予測が正確にできないため、必要なＩＴ資源を事前に見積もることが困難であった。そのため、収益とＩＴ資源投資額との関連、イベント実施規模とＩＴ資源投資額との関連を把握することも困難であった。ひいては、資源増強計画やプロモーション計画を適切に行うことができなかった。

本発明は、上記課題を解決するために、データセンタのＩＴ資源の需要予測を正確に行うことができる需要予測システム、需要予測方法および需要予測プログラムを提供することを目的とする。

本発明にかかる需要予測システムは、データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類部と、過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用者の過去の利用記録に基づいて生成するイベント特徴モデル生成部と、前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出部と、前記イベント影響算出部で算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測部とを備える。

本発明にかかる需要予測方法は、複数の利用者によるデータセンタのＩＴ資源の過去の利用記録データにアクセス可能なコンピュータによって、ＩＴ資源の需要を予測する予測方法であって、前記コンピュータが備えるクラス分類部が、前記利用記録データに基づいて、データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類ステップと、前記コンピュータが備えるイベント特徴モデル生成部が、過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用記録データに基づいて、生成するイベント特徴モデル生成ステップと、前記コンピュータが備えるイベント影響算出部が、前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出ステップと、前記コンピュータが備える需要予測部が、前記イベント影響算出ステップで算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測ステップとを備える。

本発明にかかる需要予測プログラムは、データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類処理と、過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用者の過去の利用記録に基づいて、生成するイベント特徴モデル生成処理と、前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出処理と、前記イベント影響算出処理で算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測処理とをコンピュータに実行させる。

本発明によれば、データセンタのＩＴ資源の需要予測を正確に行うことができる需要予測システム需要予測方法および需要予測プログラムを提供することができる。

本発明にかかる需要予測システムは、データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類部と、過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用者の過去の利用記録に基づいて生成するイベント特徴モデル生成部と、前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出部と、前記イベント影響算出部で算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測部とを備える。

前記イベント特徴モデル生成部は、過去の利用記録に基づいて、前記クラス分類部で分類された前記利用者行動クラスごとのＩＴ資源利用の時間的変動を表すイベント特徴モデルを生成するので、異なる行動パタンをとる複数の利用者のイベントに対する反応が反映されたイベント特徴モデルが得られる。

また、前記イベント特徴モデル生成部は、イベントに起因するクラス間の人員移動を表すイベント特徴モデルを生成するので、例えば、前記ＩＴ資源をたまに使う利用者が、イベントによって、頻繁に使うヘビーユーザに変化した場合等の、利用者の行動パタンの変化が反映されたイベント特徴モデルが得られる。

イベント影響算出部は、このようなイベント特徴モデルを用いることによって、将来行う予定イベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出する。

これらの時間的変動および人員移動量に基づいて、前記負荷変動部が、前記ＩＴ資源の負荷変動を算出する。そのため、算出された負荷変動は、イベントに対して異なる反応を示す複数の利用者の行動およびイベントによって変化する利用者の行動を加味した、実際の現象に近い負荷変動が算出される。すなわち、より正確な、データセンタのＩＴ資源の需要予測が行われることになる。

本発明にかかる需要予測システムにおいて、前記クラス分類部は、イベント生起から前記利用者が前記ＩＴ資源の利用を開始するまでの時間と、前記利用者が前記ＩＴ資源を利用する頻度とで表される前記利用者の行動パタンに基づいて、前記利用者を複数の利用者行動クラスに分類することが好ましい。

前記クラス分類部は、イベント生起から前記利用者が前記ＩＴ資源の利用を開始するまでの時間と、前記利用者が前記ＩＴ資源を利用する頻度で表される行動パタンに基づいて前記利用者を複数の利用者行動クラスに分類するので、利用頻度に加えて、イベントに対する反応を考慮した分類ができる。そのため、例えば、イベント等に反応しやすい利用者層と、口コミ等で他者の動向を確認してから反応する利用者層等、イベントに対する反応速度が異なる利用者層の分布傾向が得られる。その結果、イベントに対して異なる反応を示す複数の利用者の行動を加味した予測が可能となる。

本発明にかかる需要予測システムにおいて、前記利用者行動クラスごとに、イベントがもたらす変動を除く定常的な前記ＩＴ資源の利用状況の変動を算出する通常変動算出部を更に備え、前記需要予測部は、前記通常変動算出部で算出された変動並びに、前記イベント影響算出で算出された前記時間的変動および前記人員移動の予測値に基づいて、前記負荷変動を算出することが好ましい。

前記負荷変動算出部は、前記通常変動算出部で算出された変動並びに、前記イベント影響算出で算出された前記時間的変動および前記人員移動の予測値に基づいて、前記負荷変動を算出するので、実際の現象に近い負荷変動が算出される。そのため、より正確な、データセンタのＩＴ資源の需要予測が行われる。

本発明にかかる需要予測システムにおいて、前記イベント特徴モデル生成部は、複数のイベント特徴モデルを生成し、イベント影響算出部は、前記複数のイベント特徴モデルのうち、１つのモデルを用いて、前記時間的変動および前記人員移動の予測値を算出するものであって、前記予定イベント生起後の初期利用記録と、前記複数のイベント特徴モデルとの照合を行い、前記照合の結果、前記利用記録と最も類似していると判断されたイベント特徴モデルを用いて、前記イベント影響算出部が算出した前記時間的変動および前記人員移動の予測値を修正する修正部をさらに備えることが好ましい。

前記予定イベント生起後において、前記修正部が、前記予定イベント生起後の初期利用記録と、前記複数のイベント特徴モデルとの照合を行うことで、前記利用記録と最も類似しているイベント特徴モデルを抽出する。修正部は、この前記利用記録と最も類似しているイベント特徴モデルに基づいて前記時間的変動および前記人員移動の予測値を修正するので、実際の現象に即した、より正確な需要予測が行われる。

本発明にかかる需要予測システムにおいて、前記需要予測部は、前記利用者行動クラスそれぞれにおける前記行動パタンに応じて、前記利用者行動クラスごとの前記ＩＴ資源の負荷変動を算出し、前記利用者行動クラスごとの負荷変動を合成することが好ましい。

利用者のＩＴ資源利用は、単一の事象ではなく、一連の時間的な広がりを持った負荷変動を伴う。その負荷変動は、利用者の行動パタンによって異なる。前記負荷変動算出部が、前記利用者行動クラスそれぞれにおける行動パタンに応じて、前記利用者行動クラスごとの前記ＩＴ資源の負荷変動を算出することで、利用者の前記ＩＴ資源利用における行動パタンに応じた負荷変動が得られる。利用者行動クラスごとに得られた負荷変動を合成することで、利用者によるＩＴ資源利用の際の行動パタンを考慮した負荷変動が得られる。
（実施の形態１）
本実施の形態は、データセンタにおけるＷｅｂサーバ等のＩＴ資源によって提供されるＷｅｂサイトが存在する場合に、Ｗｅｂサイトの利用者によるアクセス数等を予測することによって、ＩＴ資源にかかる負荷を予測する需要予測システムに関する。

図１は、本実施の形態における需要予測システムの機能モジュール構成を示す図である。本実施の形態における需要予測システム１０は、ログ読込部１、ＵＲＬ選出部２、イベント性変動分離部３、利用者行動モデル生成部４、イベント特徴モデル生成部５、需要予測部６、修正部７および記憶部８ａ、８ｂを備える。

ログ読込部１は、ＷｅｂサイトのＨＴＴＰ（ＨｙｐｅｒＴｅｘｔ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏｌ）ログを逐次読み込む。ＷｅｂサイトのＨＴＴＰログは、通常、Ｗｅｂサイトを提供するＷｅｂサーバでログファイルとして生成される。この場合、ログ読込部１は、Ｗｅｂサーバが生成したＨＴＴＰログのログファイルを読み込むことになる。また、ログ読込部１は、Ｗｅｂサーバが生成するＨＴＴＰログを直接取得してもよい。

１つのＷｅｂサイトは、通常、複数のサービスで構成されるので、１つのＷｅｂサイトについて、複数のＵＲＬ（Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ）が存在する。ＵＲＬ選出部２は、Ｗｅｂサイト上の複数のＵＲＬから代表的なＵＲＬを選出する。ＵＲＬ選出部２が選出したＵＲＬは、観測点ＵＲＬとして、利用者行動モデル生成部４やイベント特徴モデル生成部５で用いられる。

イベント性変動分離部３は、ログ読込部１が読み込んだＨＴＴＰログから、観測点ＵＲＬへのアクセスがイベント性変動を示している時区間を分離抽出する。

利用者行動モデル生成部４は、イベント性変動分離部３で、分離されたＨＴＴＰログおよびＵＲＬ選出部２で選出されたＵＲＬのＨＴＴＰログを解析して、Ｗｅｂサイトにアクセスした利用者を、行動パタンによって複数のクラスに分類する。分類された各クラスの行動パタンは、利用者行動モデルとして、記憶部８ａに蓄積される。

イベント特徴モデル生成部５は、利用者行動モデル生成部４で分割された利用者行動クラスと、イベント性変動分離部３で分離されたＨＴＴＰログとに基づいてイベント特徴モデルを生成する。生成されたイベント特徴モデルは、記憶部８ａに蓄積される。

需要予測部６は、ＨＴＴＰログの分析から得られたイベント特徴モデルと利用者行動モデルおよび記憶部８ｂに記録された所与のイベント予定データを基に、イベントによる変動を加味した需要予測を生成する。

修正部７は、需要予測部６で、予測された負荷変動およびアクセス数等の予測データと、ログ読込部１で読み込まれるＨＴＴＰログとをリアルタイムに照合する。修正部７は、照合した結果を用いて、より実際のＨＴＴＰログに近いイベント特徴モデルを抽出し、抽出したイベント特徴モデルに基づいて予測を修正する。

需要予測システム１０は、例えば、パーソナルコンピュータやワークステーション、サーバ等（以下、ＰＣ等と称する）のコンピュータ上に構成することができる。ログ読込部１、ＵＲＬ選出部２、イベント性変動分離部３、利用者行動モデル生成部４、イベント特徴モデル生成部５、需要予測部６および修正部７の機能は、コンピュータのＣＰＵが所定のプログラムを実行することによって実現することができる。

記憶部８ａ、８ｂには、例えば、半導体メモリ、ＲＡＭ、ＲＯＭ、ＨＤ（ハード・ディスク）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）等のような記録媒体が用いられる。記憶部８ａ、８ｂは、１つの装置で構成してもよいし、複数の装置を組み合わせて構成されてもよい。記憶部８ａ、８ｂは、需要予測システム１０を構成するＰＣ等に設けられたＨＤ等の記録媒体を用いることができるし、ネットワークを通じてＰＣ等に接続された記録媒体を用いることもできる。記憶部８ａ、８ｂには、例えば、需要予測システム１０が行う処理で使用されるデータ、その処理結果または途中結果のデータ、需要予測システム１０が行う処理をコンピュータに実行させるためのプログラム等が記録される。

また、ログ読込部１、ＵＲＬ選出部２、イベント性変動分離部３、利用者行動モデル生成部４、イベント特徴モデル生成部５、需要予測部６および修正部７が行う処理をコンピュータに実行させるプログラムを、例えば、ＣＤ−ＲＯＭ等の記憶媒体から、あるいは通信回線を介したダウンロード等により、任意のＰＣ等へインストールすることによって、需要予測システム１０を構築することができる。

需要予測システム１０は、１台のＰＣ等で構成される場合に限られず、複数のＰＣ等に需要予測システム１０の機能を分散させることもできる。

次に、需要予測システム１０の動作について図１および図２を参照しながら説明する。図２は、需要予測システム１０の動作を示すフローチャートである。

まず、ログ読込部１が、ＷｅｂサイトのＨＴＴＰログを逐次読み込む（ステップＳ１）。ＨＴＴＰログには、例えば、Ｗｅｂサイトにアクセスした利用者のＩＤ、ＵＲＬ、アクセス時刻等の情報が含まれる。なお、ログ読込部１が読み込む情報は、上記の情報を含むものであればよく、ＨＴＴＰログに限られない。

ＵＲＬ選出部２は、観測点ＵＲＬを選出する（ステップＳ２）。以降の利用者行動モデル生成処理（ステップＳ４）やイベント特徴モデル生成処理（ステップＳ５）では、ログ読込部１が読み込んだＨＴＴＰログ中に現れる全てのＵＲＬを分析するわけではない。ＵＲＬ選出部２が、Ｗｅｂサイトの代表的なＵＲＬを選出し、観測点ＵＲＬとする。利用者行動モデル生成処理（ステップＳ４）やイベント特徴モデル生成処理（ステップＳ５）では、ＨＴＴＰログ中の観測点ＵＲＬに関する情報が分析される。

ＵＲＬ選出部２は、例えば、過去３ヶ月のＨＴＴＰログから長期的にアクセス数が上位にランクされる定番サービスのＵＲＬを選出する。さらに、ＵＲＬ選出部２は、定番サービス以外のＵＲＬであって、過去１ヶ月間または１週間等の限定区間で急激にアクセスが増えている特長的なＵＲＬを選出する。選出された定番ＵＲＬと特長的ＵＲＬの上位数件が観測点ＵＲＬ群として選出され、以後の利用者行動モデル生成（ステップＳ４）およびイベント特徴モデル生成（ステップＳ５）に用いられる。

なお、サイトのサービス構成によっては、観測点ＵＲＬ選出処理（ステップＳ２）は省略して、全てのＵＲＬを分析の対象としてもよい。また、上述のＵＲＬ選出部２による観測点ＵＲＬの選出処理は一つの実施例にすぎず、他の手段を用いても良い。また、サイト運営者が初期データとして観測点ＵＲＬを予め与えてもよい。

イベント性変動分離部３は、ＨＴＴＰログから、イベント性変動を示す部分を分離して抽出する（ステップＳ３）。イベント性変動を示す部分は、イベントによるＷｅｂサイトへのアクセス量の変動が現れている部分であり、例えば、観測点ＵＲＬ群へのアクセスが急増している時区間等である。

イベント性変動分離部３は、例えば、過去のＨＴＴＰログにおいて、ある日のアクセス数が、直前７日間の平均アクセス数よりも３倍以上ある場合、イベント性変動の開始としてマークする。また、時間単位等で逐次読み込む当日のＨＴＴＰログに関しては、イベント性変動分離部３は、最近７日間の同一時間帯へのアクセスと比較し、平均アクセス数よりも３倍以上ある場合、イベント性変動の開始としてマークする。開始点をマークした後、イベント性変動分離部３は、開始点以後に変動幅が２倍に下がる時点をイベント終了点としてマークし、開始点から終了点までをイベント性変動として分離抽出する。イベント性変動分離部３が分離抽出したイベント性変動は、中間データとして、記憶部８ａに蓄積される。図７（ｄ）は、イベント性変動を表す中間データの例である。図７（ｄ）に示す中間データは、開始日、開始時刻、終了日、終了時刻、ターゲットＵＲＬ、分離ログを、分離抽出されたイベント性変動ごとに蓄積したものである。分離ログは、イベント性変動に該当するＨＴＴＰログの部分である。

なお、上述のイベント性変動検出処理は一つの実施例にすぎず、他の手段を用いても良い。異常検出手法の一例として「統計的異常検出３手法」が下記文献に記されている。

（参考文献）山西健司、竹内純一、丸山祐子、「統計的異常検出3手法」、情報処理学会、２００４年1月15日発行「情報処理 ２００５年１月号」ＰＰ．３４−４０
利用者行動モデル生成部４は、利用者行動モデルを生成する（ステップＳ４）。利用者行動モデルは、ＨＴＴＰログに表れる、Ｗｅｂサイト上の各利用者の行動パタンから、利用者を複数の利用者行動クラスに分類することによって生成される。

利用者行動モデル生成部４は、利用者の行動パタンを、過去のイベント生起に対して反応しＷｅｂサイトを訪問するまでの応答時間、およびＷｅｂサイトを構成する各ページに関する利用頻度の２軸で表し、行動パタンを複数の利用者行動クラスに分類する。

さらに具体的には、まず、利用者行動モデル生成部４は、ステップＳ３で抽出された各イベント性変動に対し、イベント生起時間からの各利用者の応答時間を５レベルに分類し、「利用者、イベント、応答時間レベル」のマトリクスとして保持する。また、利用者行動モデル生成部４は、ＨＴＴＰログを基に、利用者の観測点ＵＲＬにおける利用頻度を５レベルに分類し、「利用者、観測点ＵＲＬ、利用頻度レベル」のマトリクスとして保持する。

上記利用頻度と応答時間のマトリクスを合成したマトリクスに対し、利用者ごとのベクトルのクラスタリングを行うことによって、利用者を複数の利用者行動クラスに分類する。利用者ごとのベクトルのクラスタリングには、例えば、既存のＫ−Ｍｅａｎｓクラスタリング手法等を用いることができる。分類された利用者行動クラスは利用者行動モデルとして記憶部８ａに蓄積される。

さらに、利用者行動モデル生成部４は、利用者行動クラスごとに、ＨＴＴＰログを分割し、利用者行動クラスごとのアクセス数の季節変動、傾向変動を抽出し、利用者行動モデルに蓄積する。クラスごとの季節変動や傾向変動の抽出には、例えば、ＴＣＳＩ分離法やＡＲＩＭＡ法等、既存の任意の手法を使うことができる。

なお、利用者行動モデル生成（ステップＳ４）の詳細な処理については、後ほど説明する。

イベント特徴モデル生成部５は、ＨＴＴＰログからイベント特徴モデルを生成する（ステップＳ５）。イベント特徴モデルは、過去のあるイベントの生起に対する各利用者行動クラスからのアクセスの時間分布と、そのイベント生起後のクラス移動人数を表す情報を含む。

イベント特徴モデル生成において、イベント特徴モデル生成部５は、ステップＳ３で分離されたイベント性変動を表すＨＴＴＰログと、ステップＳ４で生成された利用者行動モデルとを照合する。照合の結果、イベント性変動中の各時間におけるアクセスを構成する利用者行動クラス比の時間遷移パタンが抽出される。

また、イベント特徴モデル生成部５は、イベント性変動の開始以前に生成された利用者行動クラス分類と、イベント性変動終了後に生成された利用者行動クラス分類を比較し、イベント前後のクラス間人数遷移を算出する。

需要予測部６は、需要予測を生成する（ステップＳ６）。すなわち、需要予測部６は、利用者行動クラス、イベント特徴モデルおよびイベント予定データに基づいて、利用者行動クラスごとのＷｅｂサイトへのアクセス数の変動を予測し、これらのアクセス数から、利用者行動クラスごとのＩＴ資源への負荷変動を予測する。利用者行動クラスごとの負荷変動は合成されて最終的な負荷変動が予測される。

需要予測部６は、過去のイベント生起例の中から、予定イベントに最も類似の事例を表すイベント特徴モデルを選択する。選択されたイベント特徴モデルに基づいて、予定イベントがもたらすアクセス数遷移と、予定イベント終了後のクラス間人員遷移が予測される。需要予測部６は、利用者行動クラスごとに定義されたアクセス数の季節変動、傾向変動等の変動パタンに、上記予定イベントによるアクセス数遷移およびクラス間人員遷移すなわちイベント影響を加算する。このようにして、利用者行動クラスごとのアクセス数が予測される。

需要予測部６は、利用者行動クラスごとに予測されたアクセス数から、例えば、既存のキューイングネットワーク（Ｑｕｅｕｉｎｇ Ｎｅｔｗｏｒｋ）手法を用いて、利用者行動クラスごとの負荷変動の予測を行う。生成された利用者行動クラスごとの負荷変動は、合成され最終的な負荷変動予測すなわち需要予測が生成される。

なお、需要予測生成（ステップＳ６）の詳細な処理については、後ほど説明する。

修正部７は、予測された負荷変動およびアクセス数と、予定イベント生起後のＨＴＴＰログをリアルタイムに照合することで、より実際のＨＴＴＰログに近いイベント特徴モデルを探索し直し、予測を修正する（ステップＳ７）。以上のような処理により、需要予測システム１０は、データセンタのＩＴ資源の需要予測を正確に行うことができる。

次に、ステップＳ４〜７の詳細な処理について、それぞれ説明する。

まず、利用者行動モデル生成（ステップＳ４）の詳細な処理について説明する。上述のように、利用者行動モデル生成（ステップＳ４）は、観測点ＵＲＬの抽出（ステップＳ２）とイベント性変動の分離（ステップＳ３）の後に行われる。

図３は、利用者行動モデル生成の詳細な処理を表すフローチャートである。

まず、利用者行動モデル生成部４は、ＨＴＴＰログから、各利用者におけるイベント生起からの応答時間を算出する（ステップＳ４１）。イベント生起時間からの各利用者の応答時間は、例えば、５段階のレベルに分類され、分類された応答時間レベルは、利用者およびイベントに関連付けられてマトリクスとして保持される。図４（ａ）は、「利用者、イベント、応答時間レベル」を関連付けて保持するマトリクスの例である。５段階の分類は、例えば、応答時間をイベント開始後１０分、１時間、１２時間、２日を境に分類し、順に「１」〜「５」のレベルを割り付ける。レベル「５」にはアクセスしない利用者も含めることができる。

次に、利用者行動モデル生成部４は、観測点ＵＲＬでの各利用者の利用頻度を例えば、1週間あたりのアクセス数（アクセス数／週）を単位としてＨＴＴＰログから集計する（ステップＳ４２）。各利用者の観測点ＵＲＬにおける利用頻度は、例えば、５段階のレベルに分類され、利用者、観測点ＵＲＬと関連付けられてマトリクスに保持される。図４（ｂ）は、「利用者、観測点ＵＲＬ、利用頻度レベル」を関連付けて保持するマトリクスの例である。５段階の分類は、例えば、利用頻度を、１日１回以上、週３回以上、週１回以上、月２回以上、月２回未満で分類し、順に「１」〜「５」のレベルを割り付ける。

利用者行動モデル生成部４は、利用者を複数の利用者行動クラスに分類する（ステップＳ４３）。利用者行動クラスの分類方法の一例として、応答時間および利用頻度のマトリクスを合成したマトリクスに対し、既存のＫ−Ｍｅａｎｓクラスタリング手法を用いて、利用者ごとのベクトルのクラスタリングを行うことによって、利用者を複数の利用者行動クラスに分類することができる。図４（ｃ）は、図４（ａ）および図４（ｂ）のマトリクスを合成したマトリクスにクラスタリングによるクラス分類結果を付与したものである。図４（ｃ）に示す例では、図４（ａ）と図４（ｂ）とを合成したマトリクス、すなわち、各行が８項ベクトルからなるマトリクスのクラスタリングを行い、そのクラス分類結果が各行ごとに付与されている。このように作成された利用者行動クラス分類は、利用者行動モデルに蓄積される。

本実施の形態では、クラスタリング手法として非階層的なＫ−Ｍｅａｎｓ法を用いたが、他の階層型クラスタリング手法を用いても良い。また、Ｋ−Ｍｅａｎｓ法を適用する場合に必要となる初期値は、ランダムに生成された値でもよいし、初期値を与えるための他の階層型クラスタリング手法による分類結果を用いてもよい。

利用者行動モデル生成部４は、ＨＴＴＰログから、利用者行動クラスごとの季節変動、週間変動、傾向変動等のイベントによる変動を除く定常的な変動の抽出を行う（ステップＳ４４）。例えば、各利用者行動クラスの構成員、人数、アクセス数等の定常的な変動傾向が抽出される。抽出された変動傾向は、利用者行動モデルとして記憶部８ａに蓄積される。

利用者行動クラスごとの季節変動、週間変動、傾向変動の抽出は、例えば、ＴＣＳＩ分離法やＡＲＩＭＡ法等の手法を用いることができる。

図５は、ＴＣＳＩ分離法により抽出され、利用者行動モデルに蓄積される定常的な変動傾向の例である。図５に示す例は、月単位での傾向変動、季節変動の抽出、曜日ごとの変動および時間ごとの変動がＴＣＳＩ分離法を用いて抽出され、蓄積されたものである。利用者行動クラスごとに、直近１２ヶ月の傾向と、季節増減係数、および曜日による増減係数、時間による増減係数が保存される。このように蓄積された変動傾向は、予測に利用される。

次に、イベント特徴モデル生成（ステップＳ５（図２参照））の詳細な処理について説明する。イベント特徴モデル生成は、図２に示すように、観測点ＵＲＬの抽出（ステップＳ２）、イベント性変動の分離（ステップＳ３）および利用者行動モデル生成（ステップＳ４）の後に行われる。

図６は、イベント特徴モデル生成の詳細な処理を表すフローチャートである。

まず、イベント特徴モデル生成部５は、イベント性変動波形の各時間において、利用者の利用者行動クラス比を算出する（ステップＳ５１）。ステップＳ５１においては、まず、イベント性変動として抽出されたＨＴＴＰログを基にして、イベント生起後から各利用者がアクセスするまでの時間と、各利用者の利用者行動クラスとを関連付けた中間データが生成される。図７（ａ）は、イベント生起から各利用者がアクセスするまでの時間経過と、各利用者の利用者行動クラスとが関連付けられた中間データの例である。

このような中間データを基にして、例えば、最初の１０分、２０分、１時間、１２時間といった複数の時間帯でクラスごとにどれだけのアクセスがあったかを表現したマトリクスが生成される。図７（ｂ）は、イベント生起後の各時間帯におけるアクセス数の利用者行動クラス比すなわち、時間遷移パタンを表すマトリクスの例である。このようなイベント性変動波形の各時間における利用者の利用者行動クラス比を表すマトリクスは、イベント特徴モデルに保存される。

イベント特徴モデル生成部５は、イベント性変動が終了したイベントに関し、イベント前後で利用者行動クラスを変更した利用者数を算出する（ステップＳ５２）。利用者行動クラスを変更した利用者の数は、例えば、イベント性変動の開始以前に生成された利用者行動クラス分類と、イベント性変動終了後に生成された利用者行動クラス分類を比較することによって算出される。図７（ｃ）は、イベント終了後１週間時点の各クラスの人員の、イベント開始前の各クラスの人員に対する変化を示すデータの例である。

イベント特徴モデル生成部５は、図７（ｂ）に一例として示される時間遷移パタンと、図７（ｃ）に一例として示される利用者行動クラス間の人員移動とを、イベント特徴モデルに蓄積する（ステップＳ５３）。ある１つのイベントに対して、時間遷移パタンと利用者行動クラス間の人員移動がそのイベントのイベント特徴モデルとして蓄積される。通常、ＨＴＴＰログにおいて、イベント性変動として抽出されるイベントは複数存在するので、複数のイベントそれぞれについて、時間遷移パタンと利用者行動クラス間の人員移動がイベント特徴モデルとして蓄積される。

イベントに対する反応パタンは、通常、利用者行動クラスごとに異なる。例えば、あるイベントに対して、反応しやすい利用者層と口コミ等で他者の動向を確認してから反応する層がいる。本実施の形態においては、過去に起こったイベントによる変動を、例えば、図７（ｂ）に示すように、時間を縦軸、利用者行動クラス構成を横軸とするマトリクスで表すことで、イベントを特徴づけてイベント特徴モデルとして記憶部８ａに蓄積する。このようなイベント特徴モデルを基に、類似のイベントが起きたときの、複数の異なる反応を示す利用者の層を考慮した需要変動を予測できる。

また、図７（ｃ）に示す例のように、利用者行動クラス間の人員移動によりイベントを特徴づけることで、例えば、プロモーションにより「たまに使うユーザ」が「ヘビーユーザ」に移行するような場合を考慮して、負荷変動を予測できる。

イベントは、例えば、「イベント予定時間、ターゲットＵＲＬ、イベント種類、イベント規模（例えば、広告のリーチ数予想等）、期待訪問者数、ビュースルー率（広告受信者のうち最終的に応答する者の比率）、期待リピート率、締め切りの有無、ターゲット利用者層」等のイベントの内容を表すイベント特徴によって特徴付けられる。このようなイベントの内容を表す情報は、ＨＴＴＰログから得ることはできない。

一方、イベントを企画する事業者等は、将来行う予定のイベントをイベント予定データとして生成し、記憶部８ｂに蓄積する。通常、事業者が蓄積するイベント予定データには、例えば、上記の「イベント予定時間、ターゲットＵＲＬ、イベント種類、イベント規模（例えば、広告のリーチ数予想等）、期待訪問者数、ビュースルー率（広告受信者のうち最終的に応答する者の比率）、期待リピート率、締め切りの有無、ターゲット利用者層」等のイベント特徴が含まれる。記憶部８ｂに蓄積されたイベント予定データは、該当するイベントの終了後も保存される。

図８は、事業者がイベント予定データを設定する画面の例である。事業者は、イベントの種類ごとにいつ実施するかを画面上で選択する。また、事業者は、イベント種類のポップアップ画面９でイベント特徴を記述する。

イベント特徴モデル生成部５は、事業者によって蓄積されたイベント予定データと、イベント特徴モデルが生成されたイベントとを照合し、一致するイベント予定データのイベント特徴を、イベント特徴モデルに蓄積する（ステップＳ５４）。

イベント特徴モデル生成部５は、記憶部８ｂに蓄積されたイベント予定データに含まれる「イベント予定時間」および「ターゲットＵＲＬ」と、イベント性変動分離部３が分離したイベント性変動とを照合する。

具体的には、例えば、図７（ｄ）に示すイベント性変動の「開始時刻」および「ターゲットＵＲＬ」と、イベント予定データに含まれる「イベント予定時間」および「ターゲットＵＲＬ」とを比較する。「ターゲットＵＲＬ」どうしが一致し、「開始部と開始時刻」と「イベント予定時間」が一致または近接する場合、比較対照となったイベント性変動にかかるイベントと、イベント予定データが示すイベントとは同じまたは類似であると判断できる。両者が同じまたは類似であると判断されたイベントに関しては、イベント予定に記載された「イベント種類、イベント規模（リーチ数予想など）、期待訪問者数、ビュースルー率、期待リピート率、締め切りの有無、ターゲット利用者層」等のイベント特徴を、そのイベントのイベント特徴リストに追加して蓄積する。すなわち、イベント特徴モデル生成部５は、イベント予定データに記載されたイベントに、イベント特徴モデル生成部５で生成されたイベント特徴モデルのイベントと同じまたは類似のイベントがあれば、媒体や開始時刻、リーチ数予想など、事業者が記述したイベント特徴をコピーして、イベント特徴リストとして蓄積する。

図９は、蓄積されるイベント特徴リストの例を示す図である。２行目、６行目のイベントは、該当するイベント予定データが発見されなかったイベントである。

このように、イベント特徴モデル生成部５は、所与のイベント予定に記載された「イベント予定時間」および「ターゲットＵＲＬ」と、イベント性変動の「開始日と開始時刻」「ターゲットＵＲＬ」とを照合し、「ターゲットＵＲＬ」どうしが一致し、「開始部と開始時刻」と「イベント予定時間」が一致または近接するイベントを抽出する。抽出されたイベントに関して、イベント予定に記載されたイベント特徴を、時間遷移パタンおよびクラス間人員移動とともに、イベント特徴モデルに蓄積する。

新たにイベント性変動の開始・終了が検出される度に、イベント特徴モデル生成部５は、新たなイベント特徴モデルを追加する。

次に、需要予測生成（ステップＳ６（図２参照））の詳細な処理について説明する。需要予測生成は、図２に示すように、利用者行動モデル生成（ステップＳ４）およびイベント特徴モデル生成（ステップＳ５）の後に行われる。すなわち、需要予測生成処理は、利用者行動モデルとして、利用者行動クラス分類および利用者行動クラスごとの定常的な変動パタンが蓄積されていることが前提として行われる。また、イベント特徴モデルに、イベント予定データから得られたイベント特徴、時間遷移パタン、利用者行動クラス遷移が蓄積されていることも前提とされる。さらに、事業者がイベントの実施予定をイベント予定データに予め定義していることも前提とされる。

図１０は、需要予測生成の詳細な処理を表すフローチャートである。

まず、需要予測部６は、事業者が予定するイベントのイベント特徴「媒体、イベント規模（リーチ数予定など）、期待訪問者数、期待ビュースルー率、期待リピート率、締め切りの有無、ターゲット利用者層」と、イベント特徴モデル生成部５によって蓄積された複数のイベント特徴モデル中に記述されたイベント特徴とを照合し、最も類似度が高いイベント特徴モデルを選択する（ステップＳ６１）。

類似度の高いイベント特徴モデルを選択する方法の一例として、需要予測部６は、まず「媒体、ターゲット利用者層、締め切り有無」の一致を優先して選択肢を絞り、次にリーチ数、期待訪問者数（または期待ビュースルー率）の近いパタンを選択する。

次に、需要予測部６は、選択したイベント特徴モデルを用いて、予定イベントが各利用者行動クラスに与える影響と、予定イベントによる利用者行動クラス間の人員移動を算出する（ステップＳ６２）。

ここで、媒体種類、リーチ数、締め切りの有無、期待リピート率等のイベント特徴の記述は、個別のＷｅｂサイトに依存しない情報である。よって、例えば、過去のデータが存在しない新規ＷｅｂサイトＡに関して需要予測を行う場合、他のＷｅｂサイトＢのイベント特徴モデルから、媒体、リーチ数、締め切りの有無、期待リピート率等の近接したイベント特徴モデルを検索することができる。検索の結果抽出されたイベント特徴モデルを、予定イベントがもたらす需要変動パタンの予測に用いることができる。

予定イベントが各利用者行動クラスに与える影響は、例えば、予定イベント生起後の、利用者行動クラスごとのアクセス数の時間遷移パタンで表される。予定イベント生起後のアクセス数の時間遷移パタンは、ステップＳ６１で選択されたイベント特徴モデルに含まれる時間遷移パタン（図７（ｂ）参照）に基づいて算出される。ステップＳ６１で選択されたイベント特徴モデルの時間遷移パタンにおいて、アクセス数の最終値が予定イベントの期待訪問者数（または、リーチ数×期待ビュースルー率）と異なる場合は、アクセス総数が一致するように一定の乗数Ｎをかけて影響を算出することができる。例えば、過去のアクセス数の時間遷移パタンすなわち過去の需要変動波形をＮ倍することで、予想アクセス数に応じた時間遷移パタンを生成することができる。

予定イベントによる利用者行動クラス間の人員移動は、ステップＳ６１で選択されたイベント特徴モデルに含まれる利用者行動クラス遷移（図７（ｃ）参照）に基づいて算出される。

需要予測部６は、利用者行動クラスごとに定義された季節変動、週間変動、増減傾向等のイベントによる変動を除く定常的な変動パタンに、ステップＳ６２で求めた予定イベントによる利用者行動クラスごとのアクセス数の時間遷移パタンおよび利用者行動クラス間の人員移動を加算する（ステップＳ６３）。加算の対象となる定常的な変動パタンは、ステップＳ６１で選択されたイベント特徴モデルに含まれる定常的な変動パタン（図５参照）が用いられる。

すなわち、予定イベントによるアクセス数の遷移パタンと定常的な変動パタンとが加算された利用者行動クラスごとの変動パタンに、さらに、ステップＳ６２で求められた予定イベントによる利用者行動クラス間人員移動による各利用者行動クラスの人数変化が加算される。その結果、アクセス数の定常的な変動、アクセス数の予定イベントによる変動および予定イベントによる利用者行動クラス間の人員移動が考慮されたアクセス数遷移が、利用者行動クラスごとに求められる。

需要予測部６は、ステップＳ６３で求められたアクセス数遷移を、ＩＴ資源への負荷変動に変換する（ステップＳ６４）。

アクセス数遷移は、利用者行動クラスごとに求められているので、アクセス数遷移から負荷変動への変換は、利用者行動クラスごとに行われる。そのため、各利用者行動クラスの行動パタンに応じて、それぞれの行動パタンにあった変換を行うことができる。例えば、ある利用者行動クラスにおいては、１回のアクセスでブランジングのみを行う利用者が大多数を占めるが、別の利用者行動クラスにおいては、１回のアクセスでブラウジングしつつダウンロードも行う利用者が大多数を占める場合、１回のアクセスでＩＴ資源にかかる負荷は、利用者行動クラスによって異なることになる。このような場合は、それぞれの利用者行動クラスの行動パタンに応じて、アクセス数遷移を負荷変動に変換することによって、より実際に近い負荷変動を得ることができる。

アクセス数遷移をＩＴ資源への負荷変動に変換する手法として、キューイングネットワーク（Ｑｕｅｕｉｎｇ Ｎｅｔｗｏｒｋｓ）等の既存手法を用いることができる。

需要予測部６は、利用者行動クラスごとに求められた負荷変動を合成することで、予定イベント生起後の負荷変動を予測する（ステップＳ６５）。

上記のように、需要予測において、複数の利用者行動クラスを用いることで、イベントが生起してからのクラスごとの反応時間の違いに起因するピークのずれを予測できる。すなわち、すなわちイベント生起後にＩＴ資源への負荷が最大となる時点を正確に予測することが可能となる。また、イベントに起因するクラス間の人員移動をモデル化したイベント特徴モデルを用いることで、例えば、プロモーション等のイベントによる利用者定着がもたらすＩＴ資源への負荷の増加すなわち需要増を予測できる。

次に、リアルタイム予測照合（ステップＳ７（図２参照））の詳細な処理について説明する。リアルタイム予測照合は、需要予測生成（ステップＳ６）で予測の対象となった予定イベントが、実際に起きた後に、予定イベント生起後のＨＴＴＰログ等の稼動データを用いて行われる。

図１１は、リアルタイム予測照合の詳細な処理を表すフローチャートである。

予定イベントが実際に起きた後、ログ読込部１は、逐次ＨＴＴＰログデータを取得する。ログ読込部１は、取得したＨＴＴＰログから、予定イベントがターゲットとするＵＲＬのアクセス履歴を分離する（ステップＳ７１）。分離されたアクセス履歴は、修正部７へ渡される。

修正部７は、分離されたＨＴＴＰログの各行の利用者ＩＤに対し、利用者行動モデルを参照し、利用者行動クラスを求める（ステップＳ７２）。修正部７は、アクセスした利用者の利用者行動クラスを求めることにより、例えば、イベント開始後１０分間、１時間等の予め定められた期間内のアクセスにおける利用者行動クラス構成比を算出する。

算出された各期間内の利用者行動クラスの構成比と、予測に用いたイベント特徴モデルに含まれる各期間内の利用者行動クラス構成比との距離を算出する（ステップＳ７３）。

距離が一定以上ある場合（ステップＳ７３でｙｅｓの場合）は、イベント特徴モデルを再度検索し、より類似度の高い他のイベント特徴モデルを抽出する。抽出したイベント特徴モデルを用いて再度予測値が生成される（ステップＳ７５）。上記検索における類似度の判断は、ステップＳ７３と同様に、ＨＴＴＰログから算出された利用者行動クラス構成比とイベント特徴モデルの利用者行動クラス構成比とを比較することにより行うことができる。ＨＴＴＰログから算出された利用者行動クラス構成比とイベント特徴モデルの利用者行動クラス構成比との距離が最も近いイベント特徴モデルを最も類似度が高いモデルとすることができる。

ＨＴＴＰログから算出された利用者行動クラス構成比と予測に用いたイベント特徴モデルの利用者行動クラス構成比に差異がない場合（ステップＳ７３でｎｏの場合）は、実際のアクセス数と、予測したアクセス数の差の絶対値を算出する（ステップＳ７４）。

利用者行動クラス構成比に差異はないもののアクセス数差の絶対値に予め設定したスレショルドα以上の開きがある場合（ステップＳ７４でｙｅｓの場合）は、予測に用いたビュースルー率等を実績値に合わせて修正し、再度予測を行う（ステップＳ７６）。

すなわち、ステップＳ７４でｙｅｓの場合は、需要予測生成処理（図２のステップＳ６）で用いた期待訪問者数（またはリーチ数×ビュースルー率）の予測が異なる可能性がある。例えば、需要予測生成処理で、予想アクセス数を期待訪問数に近づけるために、予測のベースに用いた過去のイベント性変動に乗数Ｎ＝２．１をかけていたとする。しかし、イベント開始後１０分間のＨＴＴＰログは、乗数Ｎ＝１．５の量しかないケースが考えられる。このような場合には、乗数Ｎを実績値に合わせて修正し、再度予測を行う。

このように、実際にイベントが起きた後のログ情報とイベント特徴モデルとをリアルタイムに照合することで、実際のイベント影響により近いイベント特徴モデルを再選択し、以後の予測に反映させることができる。すなわち、イベントが起きた直後の稼働データが入手できた場合、稼働データ内の利用者行動クラス分布と予測に用いたイベント特徴モデル内のデータとの距離計測から、当初採用したイベント特徴モデルよりも実績に近いデータを、複数のイベント特徴モデルから選び、予測を修正することができる。

以上のように、本実施の形態によれば、従来技術よりも正確な負荷予測が可能になる。正確な負荷予測により、データセンタ内の資源配備計画および顧客のプロモーション計画を適切に行うことができる。

ひいては、データセンタ、特に顧客ごとに割り当てるＩＴ資源をオンデマンドで増減可能なユーティリティ方式のデータセンタにおいて、需要予測に基づいてＩＴ資源の利用効率の最適化を図ることができる。

以上の実施の形態に関し、更に以下の付記を開示する。
（付記１）
データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類部と、
過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用者の過去の利用記録に基づいて生成するイベント特徴モデル生成部と、
前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出部と、
前記イベント影響算出部で算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測部とを備える需要予測システム。
（付記２）
前記クラス分類部は、イベント生起から前記利用者が前記ＩＴ資源の利用を開始するまでの時間と、前記利用者が前記ＩＴ資源を利用する頻度とで表される前記利用者の行動パタンに基づいて、前記利用者を複数の利用者行動クラスに分類する付記１に記載の需要予測システム。
（付記３）
前記利用者行動クラスごとに、イベントがもたらす変動を除く定常的な前記ＩＴ資源の利用状況の変動を算出する通常変動算出部を更に備え、
前記需要予測部は、前記通常変動算出部で算出された変動並びに、前記イベント影響算出で算出された前記時間的変動および前記人員移動の予測値に基づいて、前記負荷変動を算出する付記１に記載の需要予測システム。
（付記４）
前記イベント特徴モデル生成部は、複数のイベント特徴モデルを生成し、
イベント影響算出部は、前記複数のイベント特徴モデルのうち、１つのモデルを用いて、前記時間的変動および前記人員移動の予測値を算出するものであって、
前記予定イベント生起後の初期利用記録と、前記複数のイベント特徴モデルとの照合を行い、前記照合の結果、前記利用記録と最も類似していると判断されたイベント特徴モデルを用いて、前記イベント影響算出部が算出した前記時間的変動および前記人員移動の予測値を修正する修正部をさらに備えた付記１に記載の需要予測システム。
（付記５）
前記需要予測部は、前記利用者行動クラスそれぞれにおける前記行動パタンに応じて、前記利用者行動クラスごとの前記ＩＴ資源の負荷変動を算出し、前記利用者行動クラスごとの負荷変動を合成する付記１に記載の需要予測システム。
（付記６）
複数の利用者によるデータセンタのＩＴ資源の利用を記録した利用記録データにアクセス可能なコンピュータによって、ＩＴ資源の需要を予測する予測方法であって、
前記コンピュータが備えるクラス分類部が、前記利用記録データに基づいて、データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類ステップと、
前記コンピュータが備えるイベント特徴モデル生成部が、過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用記録データに基づいて、生成するイベント特徴モデル生成ステップと、
前記コンピュータが備えるイベント影響算出部が、前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出ステップと、
前記コンピュータが備える需要予測部が、前記イベント影響算出ステップで算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測ステップとを備える需要予測方法。
（付記７）
データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類処理と、
過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用者の過去の利用記録に基づいて、生成するイベント特徴モデル生成処理と、
前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出処理と、
前記イベント影響算出処理で算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測処理とをコンピュータに実行させる需要予測プログラム。
（付記８）
データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類処理と、
過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用者の過去の利用記録に基づいて、生成するイベント特徴モデル生成処理と、
前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出処理と、
前記イベント影響算出処理で算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測処理とをコンピュータに実行させる需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体。

本発明にかかる需要予測システムは、データセンタにおいて、ＩＴ資源の需要を正確に予測することによって、ＩＴ資源の利用効率の最適化を図ることができる需要予測システムとして有用である。

需要予測システムの機能モジュール構成を示す図である。 需要予測システム１０の動作を示すフローチャートである。 利用者行動モデル生成の詳細な処理を表すフローチャートである。 （ａ）は、「利用者、イベント、応答時間レベル」を関連付けて保持するマトリクスの例である。（ｂ）は、「利用者、観測点ＵＲＬ、利用頻度レベル」を関連付けて保持するマトリクスの例である。（ｃ）は、（ａ）および（ｂ）のマトリクスを合成したマトリクスにクラスタリングによるクラス分類結果を付与したものである。 利用者行動モデルに蓄積される定常的な変動傾向の例である。 イベント特徴モデル生成の詳細な処理を表すフローチャートである。 （ａ）は、イベント生起から各利用者がアクセスするまでの時間経過と、各利用者の利用者行動クラスとが関連付けられた中間データの例である。（ｂ）は、イベント生起後の各時間帯におけるアクセス数の利用者行動クラス比を表すマトリクスの例である。（ｃ）は、各利用者行動クラスの人員のイベント前後における変化を示すデータの例である。（ｄ）は、イベント性変動を表す中間データの例である。 事業者がイベント予定データを設定する画面の例である。 イベント特徴リストの例である。 需要予測生成の詳細な処理を表すフローチャートである。 リアルタイム予測照合の詳細な処理を表すフローチャートである。

符号の説明

１ ログ読込部
２ ＵＲＬ選出部
３ イベント性変動分離部
４ 利用者行動モデル生成部
５ イベント特徴モデル生成部
６ 需要予測部
７ 修正部
８ａ、８ｂ 記憶部
９ ポップアップ画面
１０ 需要予測システム

Claims (5)

1. データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類部と、
   過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用者の過去の利用記録に基づいて生成するイベント特徴モデル生成部と、
   前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出部と、
   前記イベント影響算出部で算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測部とを備える需要予測システム。
2. 前記クラス分類部は、イベント生起から前記利用者が前記ＩＴ資源の利用を開始するまでの時間と、前記利用者が前記ＩＴ資源を利用する頻度とで表される前記利用者の行動パタンに基づいて、前記利用者を複数の利用者行動クラスに分類する請求項１に記載の需要予測システム。
3. 前記イベント特徴モデル生成部は、複数のイベント特徴モデルを生成し、
   イベント影響算出部は、前記複数のイベント特徴モデルのうち、１つのモデルを用いて、前記時間的変動および前記人員移動の予測値を算出するものであって、
   前記予定イベント生起後の初期利用記録と、前記複数のイベント特徴モデルとの照合を行い、前記照合の結果、前記利用記録と最も類似していると判断されたイベント特徴モデルを用いて、前記イベント影響算出部が算出した前記時間的変動および前記人員移動の予測値を修正する修正部をさらに備える請求項１に記載の需要予測システム。
4. 複数の利用者によるデータセンタのＩＴ資源の過去の利用記録データにアクセス可能なコンピュータによって、ＩＴ資源の需要を予測する予測方法であって、
   前記コンピュータが備えるクラス分類部が、前記利用記録データに基づいて、データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類ステップと、
   前記コンピュータが備えるイベント特徴モデル生成部が、過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用記録データに基づいて、生成するイベント特徴モデル生成ステップと、
   前記コンピュータが備えるイベント影響算出部が、前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用状況の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出ステップと、
   前記コンピュータが備える需要予測部が、前記イベント影響算出ステップで算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測ステップとを備える需要予測方法。
5. データセンタのＩＴ資源を利用する複数の利用者を、該利用者が前記ＩＴ資源を利用する際の行動パタンにより複数の利用者行動クラスに分類するクラス分類処理と、
   過去のイベントに起因する前記利用者行動クラスごとの前記ＩＴ資源利用の時間的変動および前記イベントに起因する前記利用者行動クラス間の人員移動を表すイベント特徴モデルを、前記利用者の過去の利用記録に基づいて、生成するイベント特徴モデル生成処理と、
   前記イベント特徴モデルを用いて、将来行う予定のある予定イベントがもたらす前記利用者行動クラスごとの前記ＩＴ資源利用の時間的変動および前記利用者行動クラス間の人員移動量の予測値を算出するイベント影響算出処理と、
   前記イベント影響算出処理で算出された前記時間的変動および前記人員移動量の予測値に基づいて、前記ＩＴ資源の負荷変動を算出する需要予測処理とをコンピュータに実行させる需要予測プログラム。
   
   

Images