JP2013097713A - 消費電力推定装置、方法及びプログラム - Google Patents
消費電力推定装置、方法及びプログラム Download PDFInfo
- Publication number
- JP2013097713A JP2013097713A JP2011242249A JP2011242249A JP2013097713A JP 2013097713 A JP2013097713 A JP 2013097713A JP 2011242249 A JP2011242249 A JP 2011242249A JP 2011242249 A JP2011242249 A JP 2011242249A JP 2013097713 A JP2013097713 A JP 2013097713A
- Authority
- JP
- Japan
- Prior art keywords
- model
- power consumption
- input
- measurement target
- power
- 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
Links
- 238000000034 method Methods 0.000 title claims description 43
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000012821 model calculation Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004321 preservation Methods 0.000 abstract 2
- 238000006243 chemical reaction Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】ネットワークに接続されている装置の個々の消費電力を特殊な機器を用いずに推定する。
【解決手段】測定対象機器における電力量及び入出力パケットを受け付けるデータ受信部32と、データ受信部32に受け付けられた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル演算部34と、モデル演算部34にて生成された学習モデルを保存するモデル保存部35とを有し、モデル演算部34は、データ受信部32にて入出力パケットのみが受け付けられた場合に、モデル保存部35に保存された学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する。
【選択図】図4
【解決手段】測定対象機器における電力量及び入出力パケットを受け付けるデータ受信部32と、データ受信部32に受け付けられた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル演算部34と、モデル演算部34にて生成された学習モデルを保存するモデル保存部35とを有し、モデル演算部34は、データ受信部32にて入出力パケットのみが受け付けられた場合に、モデル保存部35に保存された学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する。
【選択図】図4
Description
本発明は、ネットワークに接続されている装置の個々の消費電力を特殊な機器を用いずに推定する技術に関する。
ネットワークに接続されている装置の消費電力を分電盤単位で測定することは容易である。ところが、個々の装置の消費電力を一覧するためには、個々の消費電力をそれぞれの電源ケーブル毎に、電流計測器もしくは電力計測器等といった消費電力を測定するための装置を設置して電力をセンシングし、センシングしたデータを例えば収集用の別のネットワーク等を敷設して、収集する必要がある。
従来技術として,データセンタの電力量を把握するため、データセンタ内の個々のサーバ等に電力計測器を接続し、電力計測器にて計測した電力計測値をネットワークを介して収集、蓄積し,可視化するシステム等が存在する(例えば、非特許文献1参照)。
電力可視化システム,産業技術総合研究所,マイコミジャーナル(2011年9月5日掲載)http://journal.mycom.co.jp/news/2011/09/05/083/index.html
しかしながら、データセンタ等のような、サーバ機が数千台、数万台ある環境で、個々の消費電力を測定するための機器を導入するには、膨大な設備が必要となる。
本発明は、上述したような従来の技術が有する問題点に鑑みてなされたものであって、ネットワークに接続されている装置の個々の消費電力を特殊な機器を用いずに推定することができる、消費電力推定装置、方法及びプログラムを提供することを目的とする。
上記目的を達成するために本発明は、
ネットワークに接続されている測定対象機器の消費電力を推定する消費電力推定装置であって、
測定対象機器における電力量及び入出力パケットを受け付けるデータ入力手段と、
前記データ入力手段に受け付けられた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル演算手段と、
前記モデル演算手段にて生成された学習モデルを保存するモデル保存手段とを有し、
前記モデル演算手段は、前記データ入力手段にて入出力パケットのみが受け付けられた場合に、前記モデル保存手段に保存された学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する。
ネットワークに接続されている測定対象機器の消費電力を推定する消費電力推定装置であって、
測定対象機器における電力量及び入出力パケットを受け付けるデータ入力手段と、
前記データ入力手段に受け付けられた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル演算手段と、
前記モデル演算手段にて生成された学習モデルを保存するモデル保存手段とを有し、
前記モデル演算手段は、前記データ入力手段にて入出力パケットのみが受け付けられた場合に、前記モデル保存手段に保存された学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する。
また、ネットワークに接続されている測定対象機器の消費電力を推定する消費電力推定方法であって、
測定対象機器における電力量及び入出力パケットを受け付けるデータ入力処理と、
前記データ入力処理にて受け付けた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル生成処理と、
前記モデル生成処理にて生成した学習モデルを保存するモデル保存処理と、
前記データ入力処理にて入出力パケットのみを受け付けた場合に、前記モデル保存処理にて保存した学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する電力推定処理とを有する。
測定対象機器における電力量及び入出力パケットを受け付けるデータ入力処理と、
前記データ入力処理にて受け付けた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル生成処理と、
前記モデル生成処理にて生成した学習モデルを保存するモデル保存処理と、
前記データ入力処理にて入出力パケットのみを受け付けた場合に、前記モデル保存処理にて保存した学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する電力推定処理とを有する。
また、ネットワークに接続されている測定対象機器の消費電力を推定するためのコンピュータに実行させるためのプログラムであって、
測定対象機器における電力量及び入出力パケットを受け付けるデータ入力手順と、
前記データ入力手順にて受け付けた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル生成手順と、
前記モデル生成手順にて生成した学習モデルを保存するモデル保存手順と、
前記データ入力手順にて入出力パケットのみを受け付けた場合に、前記モデル保存手順にて保存した学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する電力推定手順とを実行させる。
測定対象機器における電力量及び入出力パケットを受け付けるデータ入力手順と、
前記データ入力手順にて受け付けた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル生成手順と、
前記モデル生成手順にて生成した学習モデルを保存するモデル保存手順と、
前記データ入力手順にて入出力パケットのみを受け付けた場合に、前記モデル保存手順にて保存した学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する電力推定手順とを実行させる。
本発明により、ネットワークに接続されている装置の個々の消費電力を特殊な機器を用いずに推定することができる。
以下に、本発明の実施の形態について図面を参照して説明する。
図1は、本発明の消費電力推定装置が適用されるシステムの一例を示す図である。
本例は図1に示すように、学習用モデル設備10a,10bと、一般設備20a,20bとのそれぞれ1つ以上の二種類のエンティティが、データ交換機能を用いて通信する。
一般に、サーバ機器、特にクラウド環境において、ネットワークトラフィックのパターンと中のマシンの消費電力には強い相関性がある。この相関性を用いて、学習用モデル設備10a,10bで計測したマシンの消費電力と、ネットワークトラフィックパターンとから学習パターンを生成し、別の一般設備20a,20bのネットワークトラフィックパターンが、学習用モデル設備10a,10bのどの学習パターンに最も近いかをアルゴリズム的に判別することで、個々のマシンの消費電力を推定する。これにより、それぞれのマシンの消費電力を実際に計測することなく、ネットワークトラフィックを監視することだけで消費電力を推定できるため、ワットチェッカー等のマシンをそれぞれ接続する必要なく消費電力を推定できる。
図2は、図1に示した学習用モデル設備10a,10bの構成例を示す図である。
図1に示した学習用モデル設備10a,10bのそれぞれは、例えば図2に示すように、測定対象機器11−1〜11−3と、測定対象機器11−1〜11−3毎に接続された電流計測器14−1〜14−3と、測定対象機器11−1〜11−3が繋がっているネットワークルーター13と、電流計測器14−1〜14−3にて計測された測定対象機器11−1〜11−3における電流量とネットワークルーター13を流れている測定対象機器11−1〜11−3への入出力パケットとを受け付け、これらに基づいて学習モデルを生成する消費電力推定装置となる学習・分類器12と、学習モデルを他の学習モデルと交換するデータ交換部15と、分電盤16とを備えている。
図3は、図1に示した一般設備20a,20bの構成例を示す図である。
図1に示した一般設備20a,20bのそれぞれは、例えば図3に示すように、測定対象機器21−1〜21−3と、測定対象機器21−1〜21−3が繋がっているネットワークルーター23と、ネットワークルーター23を流れている測定対象機器21−1〜21−3への入出力パケットとを受け付け、学習モデルに基づいて、受け付けた入出力パケットを入出力した測定対象機器21−1〜21−3の電流量を推定する消費電力推定装置となる学習・分類器22と、学習モデルを他の学習モデルと交換するデータ交換部25と、学習・分類器22にて推定した電流量を出力する電流観測装置24とを備えている。
図4は、図2及び図3に示した学習・分類器12,22の構成例を示す図である。
図2及び図3に示した学習・分類器12,22は、互いに同一の構成を有しており、例えば図4に示すように、データ入力手段となるデータ受信部32及びデータ変換部33と、モデル演算部34と、モデル共有部36と、モデル保存部35と、モデルデータ設定部31とを備えている。
データ受信部32は、電流計測器14−1〜14−3にて計測された測定対象機器11−1〜11−3における電流量と、測定対象機器11−1〜11−3から出された、もしくは対応するサーバに向かって投げられ、ネットワークルーター13を介したパケットとの組が入力される。具体的には、電力量,[keyとネットワークパケットの組]のセット(学習用データ)もしくは、[keyとネットワークパケットの組]のセットを受信し、データ変換部33に渡すサーバ機能を有する。例えば、00:12:34:56:78:9A:BC, 192.168.0.1のマシンの電流測定器で出てきた値が25Wだとすると、
25, ["network", ["macaddr" : "00:12:34:56:78:9A:BC", "source ip" : 192.168.0.1, "dest ip" : 192.168.0.2, "protocol" : TCP, "packet" : "HTTP1.0..."],"network", ["macaddr" : "00:12:34:56:78:9A:BC", "source ip" : 192.168.0.1, "dest ip" : 192.168.0.0/24, "protocol" : UDP, "packet" : "DHCP..."], ... ] ...となる。また、一般設備20a,20bにおける学習分類器22においては、測定対象機器21−1〜21−3から出された、もしくは対応するサーバに向かって投げられ、ネットワークルーター23を介したパケットが入力される。なお、入力されるパケットとは、パケットの大きさや数等の消費電力に対して強い相関性を有する条件を意味する。
25, ["network", ["macaddr" : "00:12:34:56:78:9A:BC", "source ip" : 192.168.0.1, "dest ip" : 192.168.0.2, "protocol" : TCP, "packet" : "HTTP1.0..."],"network", ["macaddr" : "00:12:34:56:78:9A:BC", "source ip" : 192.168.0.1, "dest ip" : 192.168.0.0/24, "protocol" : UDP, "packet" : "DHCP..."], ... ] ...となる。また、一般設備20a,20bにおける学習分類器22においては、測定対象機器21−1〜21−3から出された、もしくは対応するサーバに向かって投げられ、ネットワークルーター23を介したパケットが入力される。なお、入力されるパケットとは、パケットの大きさや数等の消費電力に対して強い相関性を有する条件を意味する。
データ変換部33は、データ受信部32にて受信されたデータをモデルデータ設定部31に設定されたアルゴリズムに則って、[key,value]の組に変換する。
例えば、
"network/macaddr" : "00:12:34:56:78:9A:BC","network/source ip" : 192.168.0.1,
"network/dest ip" : 192.168.0.2,
"network/protocol" : TCP,
"network/packet" : "HTTP1.0...",
といった形態に変換する。この変換されたデータを、データの組と呼ぶ。
"network/macaddr" : "00:12:34:56:78:9A:BC","network/source ip" : 192.168.0.1,
"network/dest ip" : 192.168.0.2,
"network/protocol" : TCP,
"network/packet" : "HTTP1.0...",
といった形態に変換する。この変換されたデータを、データの組と呼ぶ。
モデル演算部34は、データ変換部33から出力されたデータの組が入力され、測定対象機器における電流量と入出力パケットとを測定対象機器毎に対応づけた学習モデルを生成し、また、データ変換部33から出力されたパケットが入力され、生成された学習モデルについて、どのデータの組が最もらしいかを推定し、測定対象機器の電流量を推定する。これは、例えば、オンライン機械学習アルゴリズムであるPerceptron,PA等を利用したものを想定する。
モデル保存部35は、モデル演算部34にて生成された学習モデル、すなわち、電流量に対してどのデータの組が最もらしいかを表現するモデルを保存する。
モデル共有部36は、モデル保存部35に保存された学習モデル、すなわち、電流量に対してどのデータの組が最もらしいかを表現するモデルを他の学習・分類器と共有する。
モデルデータ設定部31は、データ変換部33で利用する変換ルールを規定し、また、モデル演算部34における学習モデルの生成及び電流量の推定に用いるアルゴリズムを設定するためのものである。
上記のように構成されたシステムの例としては、測定対象機器11−1〜11−3,21−1〜21−3として、PCやサーバ、NW対応テレビ、NW対応エアコン、NW対応カメラ等、ネットワークに接続可能なインターフェースを持っている機器が挙げられる。また、電流計測器14−1〜14−3にて計測されたデータを学習・分類器12に入力する機能として、各種有線や無線等のネットワークでの転送が挙げられる。また、ネットワークルーター13,23を流れているパケットを学習・分類器12,22に入力する機能としては、DPI装置等が挙げられる。
以下に、上記のように構成されたシステムにおける消費電力推定方法について説明する。
まず、学習フェーズについて説明する。学習フェーズは、学習用モデル設備10a,10bを用いて行われる。
図5は、図1〜図4に示したシステムにおける学習フェーズの処理を説明するためのフローチャートである。
まず、学習用モデル設備10a,10bの学習・分類器12を起動し、モデルデータ設定部31を利用して、データ変換部33における変換ルール、モデル演算部34での学習モデルの生成に利用するアルゴリズムを設定する(ステップ1)。
次に、測定対象機器11−1〜11−3で電源を入れ、実際の利用を行う。
そして、一定の時間(例えば1秒)毎に、測定対象機器11−1〜11−3における電流量を電流計測器14−1〜14−3で計測し、その電流量を学習・分類器12に入力する(ステップ2)。
同時に、その一定時間内に流れた、当該測定対象機器宛、もしくは当該測定対象機器から流れたネットワークパケットからなるデータ群をネットワークルーター13から学習・分類器12に入力する(ステップ3)。
学習・分類器12は、データ受信部32において、上述した電流量とネットワークパケットからなるデータ群を時間的に同期して受け付ける。
学習・分類器12は、データ変換部33において、モデルデータ設定部31にて指定されたルールに則りデータ群を[key,value]の組に変換し、モデル演算部34において、モデルデータ設定部31に設定されたアルゴリズムに従って機械学習し、測定対象機器における電流量と入出力パケットとを測定対象機器毎に対応づけた学習モデルを生成する(ステップ4)。
その後、生成した学習モデルをモデル保存部35に保存する。
次に、推定フェーズについて説明する。推定フェーズは、一般設備20a,20bを用いて行われる。
図6は、図1〜図4に示したシステムにおける推定フェーズの処理を説明するためのフローチャートである。
まず、一般設備20a,20bの学習・分類器22を起動し、モデルデータ設定部31を利用して、データ変換部33における変換ルール、モデル演算部34での学習モデルの生成に利用するアルゴリズムを設定する(ステップ11)。なお、ここで設定されるルール及びアルゴリズムは、ステップ1と同様のものを設定する必要がある。
次に、測定対象機器21−1〜21−3で電源を入れ、実際の利用を行う。
そして、一定時間(例えば1秒)毎にその一定時間内に流れた、当該測定対象機器宛、もしくは当該測定対象機器から流れたネットワークパケットからなるデータ群をネットワークルーター23から学習・分類器22に入力する(ステップ12)。
学習・分類器22は、データ変換部33において、データ受信部32にて受信されたデータ群を、モデルデータ設定部31にて指定されたルールに則りパラメータ化し、モデル演算部34において、モデル保存部35に保存されている学習モデルに基づいて、当該測定対象機器における電流量を推定する(ステップ13)。
その後、推定した電流量を電流観測装置24を介して出力する。
図7は、図1〜図4に示したシステムにて推定された電流量と電流量の測定値との誤差を示す図である。
図7に示すように、図1〜図4に示したシステムにおいては、推定された電流量と電流量の測定値とが全く同じ値が1200件程度であり、1Wの誤差が400件程度となった。
次に、データ交換フェーズについて説明する。データ交換フェーズは、1つ以上の学習用モデル設備及び一般設備を用いて行う。
まず、複数の学習用モデル設備10a,10bのデータ交換部15が連携して、モデル保存部35に保存されているパラメータの平均を取る。
次に、学習用モデル設備10a,10bのデータ交換部15から、一般設備20a,20b内のデータ交換部25に対してモデル保存部35に保存されているパラメータを送信する。
上述した3つのフェーズを周期的かつ非同期的に実行することにより、学習モデルの追随性が向上し、推定された電流量と電流量の測定値との誤差が小さくなる。
図8は、図1〜図4に示したシステムにおけるサービスの一例を示す図である。
図8に示すように、図1〜図4に示したシステムによって、世界中のどこかで学習用モデル設備を運用し、モデル保存部に保存されているパラメータを、一般設備に配信するサービスを提供することができる。
なお、上述した実施の形態においては、測定対象機器の電流量を推定するものを例に挙げて説明したが、本発明は、測定対象機器の電流量に関わらず、消費電力量を推定するものである。
また、本発明においては、学習・分類器12,22内の処理は上述の専用のハードウェアにより実現されるもの以外に、その機能を実現するためのプログラムを学習・分類器12,22にて読取可能な記録媒体に記録し、この記録媒体に記録されたプログラムを学習・分類器12,22に読み込ませ、実行するものであっても良い。学習・分類器12,22にて読取可能な記録媒体とは、ICカードやメモリカード、あるいは、フロッピーディスク(登録商標)、光磁気ディスク、DVD、CD等の移設可能な記録媒体の他、学習・分類器12,22に内蔵されたHDD等を指す。この記録媒体に記録されたプログラムは、例えば、制御ブロックにて読み込まれ、制御ブロックの制御によって、上述したものと同様の処理が行われる。
10a,10b 学習用モデル設備
11−1〜11−3,21−1〜21−3 測定対象機器
12,22 学習・分類器
13,23 ネットワークルーター
14−1〜14−3 電流計測器
15,25 データ交換部
20a,20b 一般設備
24 電流観測装置
31 モデルデータ設定部
32 データ受信部
33 データ変換部
34 モデル演算部
35 モデル保存部
36 モデル共有部
11−1〜11−3,21−1〜21−3 測定対象機器
12,22 学習・分類器
13,23 ネットワークルーター
14−1〜14−3 電流計測器
15,25 データ交換部
20a,20b 一般設備
24 電流観測装置
31 モデルデータ設定部
32 データ受信部
33 データ変換部
34 モデル演算部
35 モデル保存部
36 モデル共有部
Claims (5)
- ネットワークに接続されている測定対象機器の消費電力を推定する消費電力推定装置であって、
測定対象機器における電力量及び入出力パケットを受け付けるデータ入力手段と、
前記データ入力手段に受け付けられた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル演算手段と、
前記モデル演算手段にて生成された学習モデルを保存するモデル保存手段とを有し、
前記モデル演算手段は、前記データ入力手段にて入出力パケットのみが受け付けられた場合に、前記モデル保存手段に保存された学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する消費電力推定装置。 - 請求項1に記載の消費電力推定装置において、
前記モデル保存手段に保存された学習モデルを他の消費電力推定装置と共有するモデル共有手段を有する消費電力推定装置。 - 請求項1または請求項2に記載の消費電力推定装置において、
前記モデル演算手段における学習モデルの生成及び電力量の推定に用いるアルゴリズムを設定するためのモデルデータ設定手段を有する消費電力推定装置。 - ネットワークに接続されている測定対象機器の消費電力を推定する消費電力推定方法であって、
測定対象機器における電力量及び入出力パケットを受け付けるデータ入力処理と、
前記データ入力処理にて受け付けた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル生成処理と、
前記モデル生成処理にて生成した学習モデルを保存するモデル保存処理と、
前記データ入力処理にて入出力パケットのみを受け付けた場合に、前記モデル保存処理にて保存した学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する電力推定処理とを有する消費電力推定方法。 - ネットワークに接続されている測定対象機器の消費電力を推定するためのコンピュータに、
測定対象機器における電力量及び入出力パケットを受け付けるデータ入力手順と、
前記データ入力手順にて受け付けた電力量と入出力パケットとを対応づけた学習モデルを生成するモデル生成手順と、
前記モデル生成手順にて生成した学習モデルを保存するモデル保存手順と、
前記データ入力手順にて入出力パケットのみを受け付けた場合に、前記モデル保存手順にて保存した学習モデルに基づいて、当該パケットを入出力した測定対象機器の電力量を推定する電力推定手順とを実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011242249A JP2013097713A (ja) | 2011-11-04 | 2011-11-04 | 消費電力推定装置、方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011242249A JP2013097713A (ja) | 2011-11-04 | 2011-11-04 | 消費電力推定装置、方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2013097713A true JP2013097713A (ja) | 2013-05-20 |
Family
ID=48619557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011242249A Pending JP2013097713A (ja) | 2011-11-04 | 2011-11-04 | 消費電力推定装置、方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2013097713A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101671093B1 (ko) | 2015-01-06 | 2016-10-31 | 포항공과대학교 산학협력단 | 무선 랜 에너지 사용량 추정 장치 및 그 추정 방법 |
JP2018004473A (ja) * | 2016-07-04 | 2018-01-11 | ファナック株式会社 | 軸受の予測寿命を学習する機械学習装置、寿命予測装置および機械学習方法 |
JP2018063528A (ja) * | 2016-10-12 | 2018-04-19 | ファナック株式会社 | 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法 |
JP2018159991A (ja) * | 2017-03-22 | 2018-10-11 | ファナック株式会社 | 学習モデル構築装置、異常検出装置、異常検出システム及びサーバ |
JP2023028824A (ja) * | 2021-08-20 | 2023-03-03 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
-
2011
- 2011-11-04 JP JP2011242249A patent/JP2013097713A/ja active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101671093B1 (ko) | 2015-01-06 | 2016-10-31 | 포항공과대학교 산학협력단 | 무선 랜 에너지 사용량 추정 장치 및 그 추정 방법 |
JP2018004473A (ja) * | 2016-07-04 | 2018-01-11 | ファナック株式会社 | 軸受の予測寿命を学習する機械学習装置、寿命予測装置および機械学習方法 |
JP2018063528A (ja) * | 2016-10-12 | 2018-04-19 | ファナック株式会社 | 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法 |
US11436693B2 (en) | 2016-10-12 | 2022-09-06 | Fanuc Corporation | Machine learning device and machine learning method for learning correlation between shipment inspection information and operation alarm information for object |
JP2018159991A (ja) * | 2017-03-22 | 2018-10-11 | ファナック株式会社 | 学習モデル構築装置、異常検出装置、異常検出システム及びサーバ |
US10592823B2 (en) | 2017-03-22 | 2020-03-17 | Fanuc Corporation | Learning model construction device, abnormality detection device, abnormality detection system and server |
JP2023028824A (ja) * | 2021-08-20 | 2023-03-03 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP7407152B2 (ja) | 2021-08-20 | 2023-12-28 | Lineヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Decentralized communication and control systems for power system operation | |
CN103782546B (zh) | 拆分架构网络中的全网络流量监测 | |
Li et al. | LLMP: exploiting LLDP for latency measurement in software-defined data center networks | |
Nazmudeen et al. | Improved throughput for power line communication (plc) for smart meters using fog computing based data aggregation approach | |
JP2013097713A (ja) | 消費電力推定装置、方法及びプログラム | |
JP5750714B2 (ja) | 計算機システム、仮想サーバ配置方法及び配置制御装置 | |
JP4553315B2 (ja) | パケット遅延から輻輳パスを分類する輻輳パス分類方法、管理装置及びプログラム | |
CN103580905B (zh) | 一种流量预测方法、系统及流量监测方法、系统 | |
WO2018131561A1 (ja) | モード判定装置、方法、ネットワークシステム、プログラム | |
US7933203B2 (en) | Data burst assembly apparatus and data burst processing method thereof | |
CN106170913A (zh) | 模块化多电平转换器的联网控制 | |
JP2018147172A (ja) | 異常検知装置、異常検知方法及びプログラム | |
CN115442375A (zh) | 一种基于云边协同技术的物业数字化管理系统 | |
Yang et al. | A novel PMU fog based early anomaly detection for an efficient wide area PMU network | |
Zhu et al. | Secure routing in smart grids | |
CN102780591A (zh) | 用于在会话级别区分和采样双向网络流量的方法和装置 | |
CN108616377B (zh) | 业务链虚拟机控制方法和系统 | |
JP4829194B2 (ja) | ネットワーク解析システム | |
Prakash et al. | Communication network of wide area measurement system for real-time data collection on smart micro grid | |
Liu et al. | Topology sensing of non-collaborative wireless networks with conditional Granger causality | |
JP6866271B2 (ja) | 異常検知装置、異常検知方法、及びプログラム | |
Ali et al. | Performance analysis of zigbee-based iot prototype for remote monitoring in power grid systems | |
JP2009206717A (ja) | トラヒック変動量推定方法およびその装置とプログラム | |
Qiao et al. | Real-time multi-application network traffic identification based on machine learning | |
Krinkin et al. | Process mining approach for traffic analysis in wireless mesh networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20130305 |