JP2009217381A - 障害分析システム、障害分析方法、障害分析サーバおよび障害分析プログラム - Google Patents

Abstract

【課題】保守運用者の方針の如何に関わらず、正常なシステムを障害として誤検出することが多い代わりに、本来検出すべき障害を見落とすことが少ないような障害検出を行ったり、逆に、本来検出すべき障害を見落とすことが多い代わりに、正常なシステムを障害として誤検出することができないような障害検出を行うことになっていた。
【解決手段】保守運用者が障害全般あるいは個別の障害毎に障害検出感度を設定可能とし、設定された値を、学習に用いる事例が特徴空間における超平面を越えることに課すコストの比として反映させる。
【選択図】図３

Description

本発明はシステム障害分析システム、障害分析方法、障害分析サーバおよび障害分析プログラムに関し、特にルールや閾値を設定することなく、システム障害を検出し分類できるシステム障害分析システム、障害分析方法、障害分析サーバおよび障害分析プログラムに関する。

従来の障害分析システムの一例が、特許文献１に記載されている。図１に示すように、
この従来の障害分析システム１００は、動作測定記録（ＯＭ）転送ユニットや障害記録転送ユニットといった異常呼量監視手段と、閾値判定手段と、判定結果表示手段とから構成されている。

また、他の従来の障害分析システムの一例が、非特許文献１に記載されている。図２に示すように、この従来の障害分析システム２００は、監視対象装置２３１〜２３４からなる監視対象システム２３０を管理するために、異常度監視手段２０１と、異常度格納部２１０と、障害事例登録手段２１１と、事例格納部２１２と、パターン学習手段２１３と、知識格納部２１４と、パターン判定手段２１５と、判定結果表示手段２１６と、判定修正入力手段２１７とから構成されている。

パターン学習手段２１３は、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ（ＳＶＭ）というパターン識別器を用いて行われるパターン学習によって知識情報を生成する。

このＳＶＭは、非特許文献２に詳しい。一般に、パターン学習においては、まず、多次元の変数から一次元のクラス（パターン）を推定する。この多次元の変数として用いる変数を特徴と呼ぶ。またｄ個からなる特徴が張るｄ次元空間を特徴空間Ｒ^ｄと呼ぶ。また、入力変数を、この特徴空間における特徴変数ｘ（∈Ｒ^ｄ）とし、出力変数をクラスｙ（∈｛１，−１｝）とすると、特徴空間内でｘがある領域を超えるとｙが変化する。このような変化を生む領域の境界を超平面と呼ぶ。

この超平面は、ｎ個の入力値ｘ_ｉ（ｉ＝１，２，．．．，ｎ）に対する出力値ｙ_ｉが与えられると、パターン学習により生成することができる。パターン学習の際、出力値ｙの異なる入力値間の距離をマージンと呼ぶ。

パターン学習手段２１３にて得られる知識情報とは、この障害を検出し分類するための閾値であり、異常度の組み合わせからなる特徴空間においては、複数のクラスを分類する超平面となる。

特許第３５８１９３４号公報 JING WU,JIAN-GUO ZHOU, PU-LIU YAN, MING WU、「A STUDY ON NETWORK FAULT KNOWLEDGEACQUISITION BASED ON SUPPORT VECTOR MACHINE」、Proceedings of the FourthInternational Conference on Machine Learning and Cybernetics, Guangzhou, 18-21August 2005 麻生英樹, 津田宏治,村田昇,「パターン認識と学習の統計学」、岩波書店, pp.107-123, 2005 Chih-ChungChang and Chih-Jen Lin, LIBSVM : a library for support vector machines, 2001.Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm

特許文献１に記載の構成を有する従来の障害分析システムはつぎのように動作する。

異常呼量監視手段１０１が、監視対象装置から異常の発生を示すログの有無を監視し、存在する場合は異常の種別に応じて、時間当たりのトラフィック量である呼量をカウントする。閾値判定手段１１５は、一定時間内の呼量が所定の閾値以上になると、判定結果表示手段１１６を通じて、保守運用者にその異常を障害として通知する。

このような動作により、この従来の障害分析システムでは、自動で障害を検出することができる。

また、非特許文献１に記載の構成を有する従来の障害分析システムはつぎのように動作する。

すなわち、監視対象装置２３１〜２３４に対する監視結果から、装置や回線単位の故障の可能性を表す指標である異常度を収集する。

異常度の例は、図３の３０１〜３１３のように、リンクが落ちているか否か、エラー率、輻輳率、棄却率、利用率といった値である。

得られた異常度の組み合わせを、パターン判定手段２１５は知識格納部２１４に格納された知識情報を用いて、監視対象システム２３０において障害が発生したか否か判定し、判定結果表示手段２１６を通して、判定結果を保守運用者に提示する。

知識格納部２１４に格納される知識情報は、以下の手順で生成される。

まず、保守運用者が障害事例登録手段２１１を用いて、過去の障害事例を事例格納部２１２に登録する。

パターン学習手段２１３は、事例格納部２１２に格納されている障害事例と、異常度格納部２１０に格納された異常度の組み合わせとから知識情報を生成し、知識格納部２１４に格納する。ここで、障害事例とは、いつどこでどのような障害が発生したかを表す情報である。

前記判定結果表示手段２１６が保守運用者に対して示した障害判定結果が、実際には障害ではなかった場合には、判定修正入力手段２１７を用いて、事例格納部２１２に入力される。

このような動作により、この従来の障害分析システムでは、前記従来の障害分析システムとは異なり、障害検出および分類のための閾値を設定することなく、障害を検出することができる。

しかしながら、上述の従来例では、事例から障害検出閾値を生成する際に、保守運用者が望む障害検出感度を反映しておらず、保守運用者の方針が、正常な状態を障害と誤検出しても良いので障害の見落としを減らしたいという方針であったとしても、生成される閾値は誤検出が少ない代わりに、障害の見落としが多い閾値であることもあり得る。

本発明は上記課題を鑑みてなされたものであって、その目的の１つは、保守運用者が望む障害検出感度を反映した障害検出、または分類ができる障害分析システムを提供することにある。

本発明による情報処理装置の好ましい一態様は、監視対象装置の異常度を示す複数の指標値を含む異常度情報を前記異常度情報の識別情報とともに順次出力する監視対象装置から、前記異常度情報および前記異常度情報の識別情報を順次受信する異常度情報受信手段と、前記異常度情報受信手段が受信した前記各異常度情報を所定の判定基準と比較し、比較の結果に基づいて前記各異常度情報を種別毎に分類する種別判定手段と、前記各異常度情報の識別情報と、前記各異常度情報が分類された各種別を示す情報と、を対応付けて出力する判定結果出力部と、前記各異常度情報の識別情報についてそれぞれ真の種別を示す情報の入力を受ける障害事例登録手段と、前記各異常度情報の識別情報を前記真の種別と対応付けて記憶する事例格納部と、障害の種類あるいは場所に対して、その障害の検出感度の入力を受ける検出感度入力手段と、前記入力された検出感度を格納する検出感度格納部と、
前記異常度情報受信手段が受信した各異常度情報と、前記各異常度情報の識別情報に対応付けて記憶されている真の種別を示す情報と、前記検出感度格納部が格納した検出感度と、に基づいて前記判定基準を更新するパターン学習手段と、を備えた。

本発明による情報処理装置の制御方法の好ましい一態様は、情報処理装置の制御方法であって、前記情報処理装置が、監視対象装置の異常度を示す複数の指標値を含む異常度情報を前記異常度情報の識別情報とともに順次出力する監視対象装置から、前記異常度情報および前記異常度情報の識別情報を順次受信し、前記情報処理装置が、受信した前記各異常度情報を所定の判定基準と比較し、比較の結果に基づいて前記各異常度情報を種別毎に分類し、前記情報処理装置が、前記各異常度情報の識別情報と、前記各異常度情報が分類された各種別を示す情報と、を対応付けて出力し、前記情報処理装置が、前記各異常度情報の識別情報についてそれぞれ真の種別を示す情報の入力を受け、前記情報処理装置が、前記各異常度情報の識別情報を前記真の種別と対応付けて記憶し、前記情報処理装置が、障害の種類あるいは場所に対して、その障害の検出感度の入力を受け、前記情報処理装置が、前記入力された検出感度を格納し、前記情報処理装置が、受信した各異常度情報と、前記各異常度情報の識別情報に対応付けて記憶されている真の種別を示す情報と、格納した検出感度と、に基づいて前記判定基準を更新する。 本発明による情報処理装置の制御プログラムの好ましい一態様は、情報処理装置の制御プログラムであって、前記情報処理装置に、監視対象装置の異常度を示す複数の指標値を含む異常度情報を前記異常度情報の識別情報とともに順次出力する監視対象装置から、前記異常度情報および前記異常度情報の識別情報を順次受信する処理と、受信した前記各異常度情報を所定の判定基準と比較し、比較の結果に基づいて前記各異常度情報を種別毎に分類する処理と、前記各異常度情報の識別情報と、前記各異常度情報が分類された各種別を示す情報と、を対応付けて出力する処理と、前記各異常度情報の識別情報についてそれぞれ真の種別を示す情報の入力を受ける処理と、前記各異常度情報の識別情報を前記真の種別と対応付けて記憶する処理と、障害の種類あるいは場所に対して、その障害の検出感度の入力を受ける処理と、前記入力された検出感度を格納する処理と、受信した各異常度情報と、前記各異常度情報の識別情報に対応付けて記憶されている真の種別を示す情報と、格納した検出感度と、に基づいて前記判定基準を更新する処理と、を実行させる。

本発明の効果は、保守運用者が望む障害検出感度を反映した障害検出、または分類ができる障害分析システムを提供できることにある。

次に、発明を実施するための最良の形態について図面を参照して詳細に説明する。

図３を参照すると、本発明の第１の実施の形態は、監視対象装置３３１〜３３４を備えるシステム３３０と通信可能に接続されている、プログラム制御により動作するコンピュータ（中央処理装置とプロセッサとデータ処理装置とを少なくとも備える）３００である。

コンピュータ３００は、障害事例登録手段３１１と、事例格納部３１２と、異常度監視手段３０１と、異常度格納部３１０と、パターン学習手段３１３と、知識格納部３１４と、パターン判定手段３１５と、判定結果表示手段３１６と、判定修正入力手段３１７と、検出感度入力手段３１８と、検出感度格納部３１９を含む。

障害事例登録手段３１１は事例格納部３１２と接続し、事例格納部３１２は障害事例登録手段３１１とパターン学習手段３１３とそれぞれ接続し、検出感度入力手段３１８は検出感度格納部３１９と接続し、検出感度格納部３１９は検出感度入力手段３１８とパターン学習手段３１３とそれぞれ接続し、パターン学習手段３１３は異常度格納部３１０と事例格納部３１２と検出感度格納部３１９と知識格納部３１４とそれぞれ接続し、異常度格納部３１０はパターン学習手段３１３と異常度監視手段３０１とそれぞれ接続し、知識格納部３１４は、パターン学習手段３１３とパターン判定手段３１５とそれぞれ接続し、異常度監視手段３０１は、異常度格納部３１０とパターン判定手段３１５とそれぞれ接続し、パターン判定手段３１５は、知識格納部３１４と異常度監視手段３０１と判定結果表示手段３１６とそれぞれ接続し、判定結果表示手段３１６はパターン判定手段３１５と接続している。

本明細書において、知識情報、閾値、境界面および超平面は同一のものを指し、特許請求の範囲に記載の判定基準に相当する。また本明細書では、特徴は特許請求の範囲に記載の指標値に相当する。また本明細書では、オペレータが入力する検出感度は、図９〜図１４の表中に示すコストに相当する。

検出感度とは、上記閾値（判定基準）を変更するための設定パラメータであり、後述の各事例に対しそれぞれ設定されるコストである。検出感度は特許請求の範囲に記載の設定パラメータに相当する。

これらの手段はそれぞれ概略つぎのように動作する。

障害事例登録手段３１１は、保守運用者（特許請求の範囲に記載のオペレータに相当する）が使用する図示しない端末から、障害発生時間と場所との入力を受け付ける。この障害発生時間と場所との組を事例と呼ぶ。これには、障害の種類や根本原因の箇所も含めて良い。

事例とは、前記の障害発生時間と場所とが、あるいは正常であった時間と場所とが、対応付けられている情報である。ここで、事例として記憶されている時間と場所とはともに、期間や範囲のように広がりを持っていても良い。また、事例には実際に障害であった場合の事例を示す障害事例と実際には正常であった場合の事例を示す正常事例とがある。障害事例には障害発生時間と場所とが、正常事例には正常であった時間と場所とが含まれている。また、事例には事例の種類（クラス、パターンに相当する。また、特許請求の範囲に記載の真の種別に相当する）が含まれていてもよい。事例の種類とは、当該事例が正常であることを示す情報または障害の種類を含む情報である。この場合、障害事例には障害発生時間と場所と障害の種類とが、正常事例には正常であった時間と場所と当該事例が正常であることを示す情報とが、含まれている。あるいは、事例の種類は、事例とは独立した情報として構成されていてもよい。本明細書では事例に、事例の種類を含まないものとして考える。もちろん、事例に事例の種類を含んでいてもよい。

障害事例登録手段３１１は、事例とともに、当該事例の種類の入力を受け付けてもよい。場所とは、各監視対象装置を識別する識別子であってもよいし、回線名、住所などのように障害発生の箇所を特定できるものであればよい。障害発生時間と場所とは特許請求の範囲に記載の異常度情報の識別情報に含まれるものである。また本明細書では、異常度情報の識別情報は事例に相当する。

なお、異常度情報の識別情報は異常度情報が識別できる情報を含んでいればよく、一意に付される識別子などを含んでいればよい。

事例格納部３１２は、障害事例登録手段３１１または後述の判定修正入力手段３１７から事例を受け取り、受け取った事例を図１５のように格納する。図１５を参照すると、事例番号と時刻と場所とパターンとを対応付けて記憶している。事例番号、時刻および場所は異常度情報の識別情報であり、パターンは事例の種類である。なお、事例番号、時刻、場所はそれぞれ必須ではなく、異常度情報を識別できる情報が少なくとも１つあればよい。

異常度監視手段３０１（特許請求の範囲の記載の異常度情報受信部に相当する）は、監視対象システム３３０における監視対象装置３３１〜３３４から異常度を含む異常度情報を取得する。異常度監視手段３０１は、取得した異常度情報を異常度格納部３１０に格納する。また、異常度監視手段３０１は、異常度情報に含まれている時刻を示す情報もしくは異常度監視手段３０１が異常度情報を受信した時刻を示す情報をパターン判定手段３１５に渡す。

異常度格納部３１０は、過去に異常度監視手段３０１が受信した異常度情報に含まれる異常度と、時刻と、場所と値と、を対応付けて記憶している。また、例えば時間と場所で識別できる異常度情報を返すことができるように格納してもよい。

パターン学習手段３１３（特許請求の範囲に記載のパターン学習手段に相当する）は、保守運用者から障害事例登録手段３００あるいは判定修正入力手段３１７に対して入力があったタイミングで、あるいは定期的に実行され、事例格納部３１２に格納された各事例に対応付けられている異常度情報を、異常度格納部３１０から読み出す。読み出された各異常度情報に含まれる各異常度（特徴）でパターン学習手段３１３が用いる特徴空間を構成している。

また、パターン学習手段３１３は、後述の検出感度格納部３１９から障害事例の種類や正常といったラベル（特許請求の範囲に記載の種別に相当する）ごとの検出感度を読み出す。

また、パターン学習手段３１３は、異常度格納部３１０から読み出した異常度情報および検出感度格納部３１９から読み出した検出感度に基づいて障害を検出し分類するための閾値（超平面）を生成し、知識格納部３１４に格納する。

ここで非特許文献３の記載にならいパターン学習の具体例を示し、障害検出感度を反映させる様子を例示する。

超平面の導出には、特徴空間Ｒ^ｄにおける、数２に記載の制約のもと数１の最適化を行うことで実現する。ここで、非特許文献２でスラックス変数として記載されるξ_iは、事例ｉが超平面を超えて学習されている程度を表し、ξ_iが事例ｉのラベルｙ_ｉに対応して定められるコストＣ_ｙｉで重み付けられることにより学習される超平面は、各ラベル間でのコストＣ_ｙの比を反映したものとなる。このコストＣ_ｙｉが検出感度である。

この例は２クラスの分類のみを示しているが、複数の障害パターンのような多クラスの分類においても同様の方法で実現できる。

なお、非特許文献３で提供されるＳＶＭでは、このＣ_ｙｉを重みとして設定可能であるが、非特許文献３のような、従来のパターン学習を用いた障害検出システムでは、障害検出感度を可変とするためにこのＣ_ｙｉを利用することには言及していない。

知識格納部３１４には、パターン学習手段３１３によって生成された閾値を格納する。

パターン判定手段３１５（特許請求の範囲に記載の種別判定手段に相当する）は、異常度取得手段３０１から異常度情報を受信する。そしてパターン判定手段３１５は、知識格納部３１４に格納された閾値を読み出して、異常度取得手段３０１から受信した異常度情報が、どのような障害であるか、あるいは正常であるかを示しているかを判定する。さらに障害であると判定された場合はどのような障害であるかを判定し、異常度情報の識別情報と判定結果とを判定結果表示手段３１６に渡す。

判定結果表示手段３１６（特許請求の範囲に記載の判定結果出力部に相当する）は、前記パターン判定手段３１５から受け取った判定結果（パターン、事例の種類、特許請求の範囲に記載の種別に相当する）と異常度情報の識別情報（事例）とを保守運用者に対して表示する。

判定修正入力手段３１７は、前記判定結果表示手段３１６が保守運用者に対して提示した判定結果（パターン、事例の種類、特許請求の範囲に記載の種別に相当する）が間違いであった場合に、保守運用者が正しいと考える事例の種類（特許請求の範囲に記載の真の種別に相当する）と事例とを事例格納部３１２に登録する。たとえば、時間と場所（事例）に加え、事例の種類（真の種別）などを、事例格納部３１２に追加する、あるいは事例格納部３１２に格納されている事例を保守運用者が正しいと考える事例に修正してもよい。

検出感度入力手段３１８は、保守運用者が使用する図示しない端末から、検出感度の入力を受け付ける。この検出感度に真の種別を対応付けて入力を受け付けてもよい。

検出感度格納部３１９は、検出感度入力手段３１８から検出感度を受け取り格納する。検出感度格納部３１９は、検出感度とともに真の種別を受け取り、受け取った検出感度と真の種別とを対応付けて記憶してもよい。

次に、図４、図５、図６及び図7のフローチャートを参照して本実施の形態の全体の動作について詳細に説明する。

まず、異常度取得手段３０１が監視対象システム３３０から異常度を含む異常度情報を取得し（図４の４０１）、取得した異常度情報をパターン判別手段３１５に渡す。

パターン判定手段３１５が知識格納部３１４に含まれる閾値（超平面）を用いて、前記異常度監視手段から受け取った異常度情報から、監視対象システム３３０における事例の種類を判定し、判定結果（事例の種類、種別）と当該異常度情報の識別情報（事例）とを判定結果表示手段３１６に渡す（図４の４０２）。

次に、図４の４０２においてパターン判定部３１５が障害であると判定した場合には、判定結果表示手段３１６は、パターン判定手段３１５から受け取ったパターン（種別）と異常度の識別情報とを保守運用者に表示する（図４の４０３）。

次に、保守運用者は、障害事例登録手段３１１、あるいは判定修正手段３１７に対して、事例および真の種別として障害発生時間または正常である時間、場所、事例の種類を入力する。障害事例登録手段３１１、あるいは判定修正手段３１７は入力された事例を事例格納部３１２に格納する（図６の６０１）。また、保守運用者は、検出感度格納部３１９に種別毎の検出感度を設定し（図５の５００）、検出感度入力手段３１８を介して、設定した種別毎の検出感度を入力する（図５の５０１）。ここで正常に対する検出感度が高いことは、障害全般を検出しにくくなることと同様の意味を持つため、入力される情報が、種別毎の検出感度と、各種別に共通の検出感度と、であっても良い。

次にパターン学習手段３１３は、パターン学習により障害判定を行うための閾値を生成する（図６の６０２）。このステップは、別途保守運用者からの指示により実行されても良い。

事例から障害判定を行うための閾値を生成するために、パターン学習手段４１３は、事例格納部３１２に含まれる全ての事例について、状況格納部３１０から当該事例に含まれる時間または場所に対応付けられているシステム情報を取得する（図７の７０１、７０２）。パターン学習手段３１３は、事例格納部３１２から得られた各事例に対応付けられている各システム情報に含まれる異常度および状況情報から構成される特徴ベクトルを用いて、各システム情報について、各システム情報の事例の種類というパターンに分類するための超平面を学習し（図７の７０３）超平面を生成する。このとき、パターン学習部３１３は、検出感度格納部３１９に格納された各検出感度が読み出し、各検出感度を、各事例が超平面を超えることに対して与えられるコストの重みとして用いることで、学習をおこなう。

パターン学習部３１３は学習し生成した超平面を知識格納部３１４に格納し、前記パターン判定手段３１５は、知識格納部３１４に格納された超平面を用いて異常度監視手段３０１から受け取った各異常度情報についてパターンを分類する（図７の７０４）。

次に、本実施の形態の効果について説明する。

本実施の形態では、保守運用者が考える各障害の種類や障害全般の検出感度の情報が、特徴空間において各障害や正常でラベル付けされた事例が超平面を超えるコストとして与えられるため、生成された超平面で表される閾値が、保守運用者の考える障害検出方針を反映したものとなり、誤検出が多いが見落としが少ない障害検出・分類を行ったり、逆に誤検出が少なく見落としが多い障害検出・分類を行うことができる。

また、本実施の形態によれば、特徴空間内で複数の種類や場所の障害を隔てる超平面が生成される際に、保守運用者により入力された各障害の深刻度に基づいて検出感度の値を大きくし、その値が大きいほど他の障害種類の事例や正常事例に対する超平面を超えるコストを大きくすることで、生成される超平面が障害と判定する領域内により多くの障害事例が含まれるようになり、この超平面からなる閾値をシステム監視データに適用して障害検出に用いることで、障害と判定しやすくなる。また逆に入力された障害検出感度の値を小さくするほど前記コストを小さくすることで、障害と判定しにくくなる。

次に、具体的な第１の実施例を用いて本発明を実施するための最良の形態の動作を説明する。

図８に示すように、監視対象のシステム３３０には監視対象装置９０１と９０２が存在し、それらの間で通信が行われており、本発明の管理システム３００は、監視対象装置９０１から監視対象装置９０２との通信の呼損率９０４および、監視対象装置９０２から監視対象装置９０２のＣＰＵ利用率９０５を異常度として取得し、これを特徴空間としてパターン判定手段３１５が、障害の種類を特定するものとする。

このとき、保守運用者からは検出感度入力手段から検出感度が登録され、この情報から検出閾値を表す特徴空間内での超平面が生成される。

保守運用者が、図９の１０１０に示されるような正常と障害とが同一の検出感度の値として設定されると、生成される超平面１００３は、正常領域１００５側に存在する障害事例が超平面１００３を超えている割合と、障害領域側に存在する正常事例が超平面１００３を超えている割合とが、同程度となる。

この超平面１００３で表される閾値で障害を検出すると、超平面１００３付近の監視結果では正常と判定されるものもあれば、異常と判定される場合もある。

次に、仮に保守運用者が、超平面１００３付近のような正常と看做せるような監視結果も頻繁に障害検出するようでは、障害の発生確認作業等に時間が取られ煩わしいと考え、検出感度を落として本当に深刻そうな場合のみ検知すると判断し、図１０の１１１０に示されるような正常の検出感度を高く設定したとする。

このとき生成される超平面１１０３で表される検出閾値は、図９の超平面１００３付近の特徴を持つデータを、全て正常と判断して、障害検出を少なくすることができる。

逆に、仮に保守運用者が、障害と少しでも疑われる場合は検出したいと考え、検出感度を高め、図１１の１２１０に示されるような障害の検出感度を高く設定したとする。

このとき生成される超平面１２０３で表される検出閾値は、図１１の超平面１２０３付近の特徴を持つデータを、全て障害と判断して、障害と少しでも疑われる場合は全て検出させることができる。

次に、具体的な第２の実施例を用いて本発明を実施するための最良の形態の動作を説明する。

図８と同様のシステムを監視するとするが、ここではＣＰＵ利用率と呼損率の上昇をおよぼす２種類の障害があるとする。

保守運用者が、図１２の１３１０に記載の検出感度を設定したとすると、障害１と判定される領域は超平面１３０３で囲まれた領域となり、障害２と判定される領域は超平面１３０４で囲まれた領域となる。

次に、仮に保守運用者が、障害１は重大な障害であると判断し、この検出感度を図１３の１４１０のように高く設定したとすると、生成される超平面１４０３は図１２の超平面１３０３の境界付近の監視結果も障害１と判定するようになり、この障害を見落とす割合が減る。

このとき他の障害についてはその検出感度はほとんど変化しない。

逆に、仮に保守運用者が、障害２が重要な障害であると判断し、この検出感度を図１４の１５１０のように高く設定したとすると、生成される超平面１５０４は図１２の超平面１３０４の境界付近の監視結果も障害２と判定するようになり、この障害を見落とす割合が減る。

ここでも、他の障害についてはその検出感度はほとんど変化しない。

本発明によれば、コンピュータやネットワーク機器・通信装置からなるシステムを監視し、障害を検出・分類するといった用途に適用できる。

従来の第１の発明を示すブロック図である。 従来の第２の発明を示すブロック図である。 本発明を実施するための最良の形態の構成を示すブロック図である。 本発明を実施するための最良の形態の動作を示す流れ図である。 本発明を実施するための最良の形態の動作を示す流れ図である。 本発明を実施するための最良の形態の動作を示す流れ図である。 本発明を実施するための最良の形態の動作を示す流れ図である。 本発明を実施するための最良の形態の動作の第１の具体例を示す監視対象の構成図である。 本発明を実施するための最良の形態の動作の第１の具体例を示す特徴空間である。 本発明を実施するための最良の形態の動作の第１の具体例を示す特徴空間である。 本発明を実施するための最良の形態の動作の第１の具体例を示す特徴空間である。 本発明を実施するための最良の形態の動作の第１の具体例を示す特徴空間である。 本発明を実施するための最良の形態の動作の第１の具体例を示す特徴空間である。 本発明を実施するための最良の形態の動作の第１の具体例を示す特徴空間である。 事例格納部３１２に格納するデータ構造を示す図である。

符号の説明

１００，２００，３００ コンピュータ
３０１ 異常度監視手段
３１０ 異常度格納部
３１１ 障害事例登録手段
３１２ 事例格納部
３１３ パターン学習手段
３１４ 知識格納部
３１５ パターン判定手段
３１６ 判定結果表示手段
３１７ 判定修正入力手段
３１８ 検出感度入力手段
３１９ 検出感度格納部
３３１、３３２、３３３、３３４ 監視対象装置

Claims (6)

1. 監視対象装置の異常度を示す複数の指標値を含む異常度情報を前記異常度情報の識別情報とともに順次出力する監視対象装置から、前記異常度情報および前記異常度情報の識別情報を順次受信する異常度情報受信手段と、
   前記異常度情報受信手段が受信した前記各異常度情報を所定の判定基準と比較し、比較の結果に基づいて前記各異常度情報を種別毎に分類する種別判定手段と、
   前記各異常度情報の識別情報と、前記各異常度情報が分類された各種別を示す情報と、を対応付けて出力する判定結果出力部と、
   前記各異常度情報の識別情報についてそれぞれ真の種別を示す情報の入力を受ける障害事例登録手段と、
   前記各異常度情報の識別情報を前記真の種別と対応付けて記憶する事例格納部と、
   前記判定基準を更新するための設定パラメータの入力を受ける検出感度入力手段と、
   前記異常度情報受信手段が受信した各異常度情報と、前記各異常度情報の識別情報に対応付けて記憶されている真の種別を示す情報と、前記設定パラメータと、に基づいて前記判定基準を更新するパターン学習手段と、
   を備える、情報処理装置。
2. 請求項１に記載の情報処理装置であって、
   前記真の種別を示す情報は、前記監視対象装置が正常であるか異常であるかを示す情報である、情報処理装置。
3. 請求項１に記載の情報処理装置であって、
   前記障害事例登録手段は、前記真の種別を示す情報を、オペレータにより操作される端末から受信する、情報処理装置。
4. 請求項１に記載の情報処理装置であって、
   前記検出感度入力手段は、前記検出感度を、オペレータにより操作される端末から受信する、情報処理装置。
5. 情報処理装置の制御方法であって、
   前記情報処理装置が、監視対象装置の異常度を示す複数の指標値を含む異常度情報を前記異常度情報の識別情報とともに順次出力する監視対象装置から、前記異常度情報および前記異常度情報の識別情報を順次受信し、
   前記情報処理装置が、受信した前記各異常度情報を所定の判定基準と比較し、比較の結果に基づいて前記各異常度情報を種別毎に分類し、
   前記情報処理装置が、前記各異常度情報の識別情報と、前記各異常度情報が分類された各種別を示す情報と、を対応付けて出力し、
   前記情報処理装置が、前記各異常度情報の識別情報についてそれぞれ真の種別を示す情報の入力を受け、
   前記情報処理装置が、前記各異常度情報の識別情報を前記真の種別と対応付けて記憶し、
   前記情報処理装置が、前記判定基準を更新するための設定パラメータの入力を受け、
   前記情報処理装置が、受信した各異常度情報と、前記各異常度情報の識別情報に対応付けて記憶されている真の種別を示す情報と、前記設定パラメータと、に基づいて前記判定基準を更新する、
   情報処理装置の制御方法。
6. 情報処理装置の制御プログラムであって、
   前記情報処理装置に、
   監視対象装置の異常度を示す複数の指標値を含む異常度情報を前記異常度情報の識別情報とともに順次出力する監視対象装置から、前記異常度情報および前記異常度情報の識別情報を順次受信する処理と、
   受信した前記各異常度情報を所定の判定基準と比較し、比較の結果に基づいて前記各異常度情報を種別毎に分類する処理と、
   前記各異常度情報の識別情報と、前記各異常度情報が分類された各種別を示す情報と、を対応付けて出力する処理と、
   前記各異常度情報の識別情報についてそれぞれ真の種別を示す情報の入力を受ける処理と、
   前記各異常度情報の識別情報を前記真の種別と対応付けて記憶する処理と、
   前記判定基準を更新するための設定パラメータの入力を受ける処理と、
   受信した各異常度情報と、前記各異常度情報の識別情報に対応付けて記憶されている真の種別を示す情報と、前記設定パラメータと、に基づいて前記判定基準を更新する処理と、
   を実行させる情報処理装置の制御プログラム。