JP2021071889A - システム分析方法、およびシステム分析プログラム - Google Patents

Abstract

【課題】リソースの負荷量のうちの成分量が、複数の業務処理のいずれの業務処理に対応するのかを判断しやすくすること。【解決手段】情報処理装置１００は、同じ業務処理に関わる、一定時間間隔あたりの、それぞれのリソースの負荷量のうちの成分量の時系列データ１０１，１０２と、それぞれの機能の処理量のうちの成分量の時系列データ１０３，１０４とを取得する。情報処理装置１００は、取得したそれぞれのリソースの負荷量のうちの成分量の時系列データ１０１，１０２に対応付けて、取得したそれぞれの機能の処理量のうちの成分量の時系列データ１０３，１０４を、それぞれの機能を識別可能に表示する。【選択図】図１

Description

本発明は、システム分析方法、およびシステム分析プログラムに関する。

従来、機器を使用して実行される複数の業務処理のそれぞれの業務処理で、機器のリソースをどの程度使用していたのかを分析することが望まれる場合がある。例えば、ユーザが予想した今後の業務量に合わせて、それぞれの業務処理で、機器のリソースを今後どの程度使用するのかをシミュレートする場合の基準として、それぞれの業務処理で、機器のリソースを過去どの程度使用していたのかを分析することが望まれる。

先行技術としては、例えば、仮想マシンが割り当てられる複数の物理マシン全体の物理リソース量の総和を目的関数として最小化する最適化問題の解を演算し、配置構成を導出するものがある。また、例えば、複数の業務の負荷の変動方向を符号化し、符号積を算出し、符号積に対してカイ２乗検定を行って負荷の変動方向に相関関係があるか否かを判定する技術がある。

特開２０１２−１５９９２８号公報 特開２０１４−７８１６０号公報

しかしながら、従来技術では、業務処理単位で、機器のリソースの負荷量を分析することは難しい。例えば、１つの機器を使用して複数の業務処理が実行される場合、１つの機器のリソースの負荷量の中で、それぞれの業務処理に対応する成分量は一体化しており、業務処理単位で、機器のリソースの負荷量を分析することはできない。また、仮に、機器のリソースの負荷量のうち、業務処理の数分の複数の成分量を特定し、分析者に提示したとしても、いずれの成分量が、具体的にいずれの業務処理に対応するのかを、分析者に提示することは難しく、いずれの成分量が、具体的にいずれの業務処理に対応するのかを、分析者が判断することは難しい。

１つの側面では、本発明は、リソースの負荷量のうちの成分量が、複数の業務処理のいずれの業務処理に対応するのかを判断しやすくすることを目的とする。

１つの実施態様によれば、複数の業務処理のいずれかの業務処理について、前記複数の業務処理に使用されるリソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データと、前記複数の業務処理に使用される機能の処理量のうちの前記いずれかの業務処理に関わる成分量の時系列データとを取得し、取得した前記リソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データに対応付けて、取得した前記機能の処理量のうちの前記いずれかの業務処理に関わる成分量の時系列データを、前記機能を識別可能に表示するシステム分析方法、およびシステム分析プログラムが提案される。

一態様によれば、リソースの負荷量のうちの成分量が、複数の業務処理のいずれの業務処理に対応するのかを判断しやすくすることが可能になる。

図１は、実施の形態にかかるシステム分析方法の一実施例を示す説明図である。 図２は、業務処理システム２００の一例を示す説明図である。 図３は、情報処理装置１００のハードウェア構成例を示すブロック図である。 図４は、稼働テーブル４００の構造の一例を示す説明図である。 図５は、正規化稼働テーブル５００の構造の一例を示す説明図である。 図６は、ベクトルテーブル６００のデータ構造の一例を示す説明図である。 図７は、成分テーブル７００のデータ構造の一例を示す説明図である。 図８は、分離結果テーブル８００のデータ構造の一例を示す説明図である。 図９は、業務量テーブル９００のデータ構造の一例を示す説明図である。 図１０は、予測テーブル１０００のデータ構造の一例を示す説明図である。 図１１は、全体予測テーブル１１００のデータ構造の一例を示す説明図である。 図１２は、情報処理装置１００の機能的構成例を示すブロック図である。 図１３は、情報処理装置１００の動作の流れを示す説明図である。 図１４は、情報処理装置１００の動作の一例を示す説明図（その１）である。 図１５は、情報処理装置１００の動作の一例を示す説明図（その２）である。 図１６は、情報処理装置１００の動作の一例を示す説明図（その３）である。 図１７は、情報処理装置１００の動作の一例を示す説明図（その４）である。 図１８は、情報処理装置１００の動作の一例を示す説明図（その５）である。 図１９は、情報処理装置１００の動作の一例を示す説明図（その６）である。 図２０は、情報処理装置１００の動作の一例を示す説明図（その７）である。 図２１は、情報処理装置１００の動作の一例を示す説明図（その８）である。 図２２は、情報処理装置１００の動作の一例を示す説明図（その９）である。 図２３は、情報処理装置１００の動作の一例を示す説明図（その１０）である。 図２４は、全体処理手順の一例を示すフローチャートである。

以下に、図面を参照して、本発明にかかるシステム分析方法、およびシステム分析プログラムの実施の形態を詳細に説明する。

（実施の形態にかかるシステム分析方法の一実施例）
図１は、実施の形態にかかるシステム分析方法の一実施例を示す説明図である。情報処理装置１００は、業務処理システムに含まれる１以上の機器のそれぞれの機器のリソースの負荷量に関わる情報が、複数の業務処理のいずれの業務処理に対応するのかを、ユーザが判断しやすくすることができるコンピュータである。

業務処理システムは、例えば、ＩＣＴ（Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ）システムである。機器は、例えば、ＩＣＴ機器である。機器は、例えば、サーバなどである。リソースは、例えば、インフラストラクチャーを形成する資源である。リソースは、例えば、ＣＰＵ、メモリ、および、通信帯域などである。業務処理は、例えば、１以上の機器における１以上の機能を使用することによって実現される一連の処理である。

従来、分析者は、ＩＣＴシステムにおいて、複数の業務処理の実行時のリソースの負荷量のシミュレーションを実施しようと考えることがある。

分析者は、例えば、将来、業務処理の業務量が増加した際に必要となる機器の台数などを見積もるために、シミュレーションを実施しようと考えることがある。また、分析者は、例えば、将来、業務処理の業務量が増加した際に業務処理の性能向上のボトルネックとなるリソースを特定するために、シミュレーションを実施しようと考えることがある。

また、分析者は、例えば、突発的に業務量が増加した場合について、実機検証が困難な状況であれば、リソースの負荷量のシミュレーションを実施しようと考えることがある。また、分析者は、想定する運用時のリソースの負荷量の時間変化のパターン以外に、発生し得るリソースの負荷量の時間変化のパターンを分析するために、リソースの負荷量のシミュレーションを実施しようと考えることがある。

このため、シミュレーションの基準として、それぞれの業務処理で、リソースをどの程度使用するのかを特定することが望まれる。

ここで、仮に、それぞれの業務処理の単独実行時のリソースの負荷量を計測し、それぞれの業務処理で、リソースをどの程度使用するのかを特定することができれば、シミュレーションを実施することができる。

しかしながら、それぞれの業務処理の単独実行時のリソースの実際の負荷量を計測し、それぞれの業務処理で、リソースをどの程度使用するのかを特定することは難しい。

例えば、実際の業務処理システムでは、複数の業務処理が同時に実行される傾向があり、１つの機器を使用して複数の業務処理が実行される場合もあり得る。具体的には、１つの機器で、複数の業務処理からデータベースに対するクエリを受け付けるプロセスが実行される場合が考えられる。この場合、１つの機器のリソースの負荷量の中で、それぞれの業務処理に対応する負荷量は一体化しているため、それぞれの業務処理の単独実行時のリソースの負荷量を計測することはできない。

これに対し、業務処理の性質を利用して、リソースの負荷量のうち、業務処理の数分の成分量を特定する手法が考えられる。当該技術は、負荷量の時系列の発生傾向から、負荷量全体を複数の成分量に分けるものである。しかしながら、この手法でも、複数に分けた成分量のうち、いずれの成分量が、具体的にどのような業務処理に対応するのかを判断することは難しい。

なお、業務処理の性質としては、例えば、以下の２つの性質が考えられる。業務処理の業務量が、日や週や月などの一定時間間隔で周期的な変化傾向を示すという第１の性質と、それぞれの業務処理の業務量に基づき、それぞれのリソースの使用状況が決定されるという第２の性質である。

そこで、本実施の形態では、分析者が、リソースの負荷量のうちの所定の成分量が、具体的にいずれの業務処理に対応するのかを判断しやすくすることができるシステム分析方法について説明する。これにより、システム分析方法は、複数の業務処理の実行時におけるリソースの負荷量についてのシミュレーションを実施しやすくすることができる。

図１において、業務処理システムは、１以上のリソースを含み、１以上の機能を有し、複数の業務処理を実現するとする。１以上のリソースは、複数の業務処理の少なくともいずれかの業務処理に使用されるリソースの集まりである。１以上の機能は、複数の業務処理の少なくともいずれかの業務処理に使用される機能の集まりである。図１の例では、業務処理システムは、リソース１，２を含み、機能１，２を有するとする。

（１−１）情報処理装置１００は、いずれかの業務処理について、それぞれのリソースの負荷量を複数の成分量に分けた各成分量の時系列データと、それぞれの機能の処理量のうちの当該業務処理に関わる成分量の時系列データとを取得する。

リソースの負荷量のうちのいずれかの業務処理に関わる成分量の時系列データは、成分量の時間変化を示すデータである。機能の処理量のうちのいずれかの業務処理に関わる成分量の時系列データは、成分量の時間変化を示すデータである。

図１の例では、情報処理装置１００は、特定の業務処理に関わる、それぞれのリソースの負荷量のうちの成分量の時系列データ１０１，１０２と、前記特定の業務処理に関わる、それぞれの機能の処理量のうちの成分量の時系列データ１０３，１０４とを取得する。ここで、情報処理装置１００は、時系列データ１０１〜１０４が、同じ業務処理に関わると認識するが、具体的にいずれの業務処理に関わるのかを認識していなくてもよい。

（１−２）情報処理装置１００は、いずれかの業務処理について、それぞれのリソースの負荷量のうちの当該業務処理に関わる成分量の時系列データに対応付けて、当該業務処理の業務判別情報を表示する。業務処理の業務判別情報は、それぞれの機能の処理量のうちの当該業務処理に関わる成分量の時系列データを、それぞれの機能を識別可能に表示するための表示情報であって、業務に含まれる複数の機能の処理量を表すグラフである。

図１の例では、情報処理装置１００は、それぞれのリソースの負荷量のうちの前記特定の業務処理に対応する成分量の時系列データ１０１，１０２に対応付けて、機能の処理量のうちの前記特定の業務処理に対応する成分量の時系列データ１０３，１０４を、それぞれの機能を識別可能に表示する。ここでは、対応付けは、１行に並べて表示することである。

例えば、分析者は、表示された業務判別情報により、その業務に含まれる機能の組合せと各機能の処理量がわかるため、抽出された業務処理の内容を容易に把握することができる。例えば、機能１がログイン機能、機能２が休暇入力機能、であることがわかれば、これらを含む業務は、休暇申請業務であることがわかる。したがって、上述のようにリソースの成分量と機能の処理量の成分量とが並べて表示されていることで、分析者は、どの業務処理において、各リソースがどのように使用されているかを把握することができる。結果として、情報処理装置１００は、分析者が判断した結果に基づいて、複数の業務処理の実行時におけるリソースの負荷量についてのシミュレーションを実施しやすくすることができる。

（業務処理システム２００の一例）
次に、図２を用いて、図１に示した情報処理装置１００を適用した、業務処理システム２００の一例について説明する。

図２は、業務処理システム２００の一例を示す説明図である。図２において、業務処理システム２００は、情報処理装置１００と、１以上の業務処理装置２０１とを含む。

業務処理システム２００において、情報処理装置１００と業務処理装置２０１とは、有線または無線のネットワーク２１０を介して接続される。ネットワーク２１０は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、および、インターネットなどである。

情報処理装置１００は、分析者に使用されるコンピュータである。情報処理装置１００は、例えば、業務処理装置２０１と通信し、全体の稼働データを取得する。情報処理装置１００は、具体的には、所定のタイミングで、業務処理装置２０１が記憶するリソースの負荷量と機能の処理量とを収集し、収集したリソースの負荷量と機能の処理量とを纏めた全体の稼働データを生成する。全体の稼働データは、例えば、図４に後述する稼働テーブル４００を用いて記憶される。

情報処理装置１００は、例えば、全体の稼働データのリソースの負荷量と機能の処理量とを正規化し、正規化後のリソースの負荷量と機能の処理量とを纏めた全体の正規化稼働データを生成する。全体の正規化稼働データは、例えば、図５に後述する正規化稼働テーブル５００を用いて記憶される。

情報処理装置１００は、例えば、全体の正規化稼働データを一定時間間隔ごとに分割する。一定時間間隔は、例えば、１日である。情報処理装置１００は、具体的には、全体の正規化稼働データを、１日ごとに分割する。情報処理装置１００は、例えば、１日ごとに分割された日単位稼働データをベクトル化し、１日ごとのベクトルを生成する。各日のベクトルは、例えば、図６に後述するベクトルテーブル６００を用いて記憶される。

情報処理装置１００は、例えば、各日のベクトルを列として含む稼働データ行列を生成する。情報処理装置１００は、例えば、基底数に基づいて、生成した稼働データ行列に対して非負値行列因子分解を実施し、基底行列および重み行列を生成する。基底行列は、例えば、図７に後述する成分テーブル７００を用いて記憶される。

情報処理装置１００は、例えば、基底行列に含まれる、業務処理単位に対応する基底ベクトルに含まれる業務処理単位での１以上の成分量を、それぞれのリソースとそれぞれの機能とに分離する。分離した結果は、例えば、図８に後述する分離結果テーブル８００を用いて記憶される。これにより、情報処理装置１００は、それぞれのリソースに分離した成分量を並べた時系列データと、それぞれの機能に分離した成分量を並べた時系列データとを生成することができる。

情報処理装置１００は、例えば、分析者に、分離した結果を提示する。情報処理装置１００は、具体的には、それぞれのリソースに分離した成分量を並べた時系列データに対応付けて、それぞれの機能に分離した成分量を並べた時系列データを、それぞれの機能を識別可能に表示することにより、分析者に提示する。

情報処理装置１００は、例えば、分析者から、それぞれの業務処理の業務量の設定を受け付ける。設定された業務量は、例えば、図９に後述する業務量テーブル９００を用いて記憶される。

情報処理装置１００は、例えば、設定された業務量に基づいて、業務処理ごとのリソースの負荷量と、全体のリソースの負荷量を算出する。業務処理ごとのリソースの負荷量は、例えば、図１０に後述する予測テーブル１０００を用いて記憶される。全体のリソースの負荷量は、例えば、図１１に後述する全体予測テーブル１１００を用いて記憶される。情報処理装置１００は、例えば、サーバやＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などである。

業務処理装置２０１は、業務処理を実現するためのコンピュータである。業務処理装置２０１は、例えば、１以上の機能を有し、それぞれの機能の処理量を定期的に計測して記憶する。機能は、例えば、プロセスにより実現される。また、業務処理装置２０１は、例えば、１以上のリソースを有し、それぞれのリソースの負荷量を定期的に計測して記憶する。業務処理装置２０１は、例えば、サーバやＰＣ、タブレット端末、スマートフォン、ウェアラブル端末、および、家電機器などである。

ここでは、業務処理システム２００が、情報処理装置１００を１つ含む場合について説明したが、これに限らない。例えば、業務処理システム２００が、情報処理装置１００を複数含む場合があってもよい。そして、複数の情報処理装置１００が協働して処理を実現する場合があってもよい。

また、ここでは、情報処理装置１００が、業務処理装置２０１とは異なる装置である場合について説明したが、これに限らない。例えば、情報処理装置１００が、いずれかの業務処理装置２０１と一体である場合があってもよい。

（情報処理装置１００のハードウェア構成例）
次に、図３を用いて、情報処理装置１００のハードウェア構成例について説明する。

図３は、情報処理装置１００のハードウェア構成例を示すブロック図である。図３において、情報処理装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１と、メモリ３０２と、ネットワークＩ／Ｆ（Ｉｎｔｅｒｆａｃｅ）３０３と、記録媒体Ｉ／Ｆ３０４と、記録媒体３０５とを有する。また、各構成部は、バス３００によってそれぞれ接続される。

ここで、ＣＰＵ３０１は、情報処理装置１００の全体の制御を司る。メモリ３０２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）およびフラッシュＲＯＭなどを有する。具体的には、例えば、フラッシュＲＯＭやＲＯＭが各種プログラムを記憶し、ＲＡＭがＣＰＵ３０１のワークエリアとして使用される。メモリ３０２に記憶されるプログラムは、ＣＰＵ３０１にロードされることで、コーディングされている処理をＣＰＵ３０１に実行させる。

ネットワークＩ／Ｆ３０３は、通信回線を通じてネットワーク２１０に接続され、ネットワーク２１０を介して他のコンピュータに接続される。そして、ネットワークＩ／Ｆ３０３は、ネットワーク２１０と内部のインターフェースを司り、他のコンピュータからのデータの入出力を制御する。ネットワークＩ／Ｆ３０３は、例えば、モデムやＬＡＮアダプタなどである。

記録媒体Ｉ／Ｆ３０４は、ＣＰＵ３０１の制御に従って記録媒体３０５に対するデータのリード／ライトを制御する。記録媒体Ｉ／Ｆ３０４は、例えば、ディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポートなどである。記録媒体３０５は、記録媒体Ｉ／Ｆ３０４の制御で書き込まれたデータを記憶する不揮発メモリである。記録媒体３０５は、例えば、ディスク、半導体メモリ、ＵＳＢメモリなどである。記録媒体３０５は、情報処理装置１００から着脱可能であってもよい。

情報処理装置１００は、上述した構成部の他、例えば、キーボード、マウス、ディスプレイ、プリンタ、スキャナ、マイク、スピーカーなどを有してもよい。また、情報処理装置１００は、記録媒体Ｉ／Ｆ３０４や記録媒体３０５を複数有していてもよい。また、情報処理装置１００は、記録媒体Ｉ／Ｆ３０４や記録媒体３０５を有していなくてもよい。

（稼働テーブル４００の構造）
次に、図４を用いて、稼働テーブル４００の構造の一例について説明する。稼働テーブル４００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

図４は、稼働テーブル４００の構造の一例を示す説明図である。図４に示すように、稼働テーブル４００は、日付時刻と、１以上のリソース負荷量と、１以上の機能処理量とのフィールドを有する。稼働テーブル４００は、各フィールドに情報を設定することにより、履歴データがレコード４００−ａとして記憶される。ａは、任意の整数である。

日付時刻のフィールドには、業務処理装置２０１でリソースの負荷量と機能の処理量とが計測された日付と時刻との組み合わせが設定される。リソース負荷量のフィールドには、リソースの負荷量が設定される。機能処理量のフィールドには、機能の処理量が設定される。

リソース負荷量のフィールドは、例えば、ＣＰＵ使用率［％］のフィールドと、ディスクＩＯ（Ｉｎｐｕｔ／Ｏｕｔｐｕｔ）［ＩＯＰＳ（Ｉｎｐｕｔ／Ｏｕｔｐｕｔ Ｐｅｒ Ｓｅｃｏｎｄ）］のフィールドとなどである。ＣＰＵ使用率［％］のフィールドには、業務処理装置２０１でのＣＰＵ３０１の負荷量であるＣＰＵ使用率［％］が設定される。ディスクＩＯ［ＩＯＰＳ］のフィールドには、業務処理装置２０１での記録媒体３０５の負荷量であるディスクＩＯ［ＩＯＰＳ］が設定される。

業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとにＣＰＵ使用率［％］のフィールドが存在してもよい。業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとにディスクＩＯ［ＩＯＰＳ］のフィールドが存在してもよい。

機能処理量のフィールドは、例えば、Ａ画面アクセス回数のフィールドと、Ｂ画面アクセス回数のフィールドとなどである。Ａ画面アクセス回数のフィールドには、業務処理装置２０１で、少なくともいずれかの業務処理に使用されるＡ画面を表示した回数が設定される。Ｂ画面アクセス回数のフィールドには、業務処理装置２０１で、少なくともいずれかの業務処理に使用されるＢ画面を表示した回数が設定される。

業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとにＡ画面アクセス回数のフィールドが存在してもよい。業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとにＢ画面アクセス回数のフィールドが存在してもよい。

（正規化稼働テーブル５００の構造）
次に、図５を用いて、正規化稼働テーブル５００の構造の一例について説明する。正規化稼働テーブル５００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

図５は、正規化稼働テーブル５００の構造の一例を示す説明図である。図５に示すように、正規化稼働テーブル５００は、日付時刻と、１以上のリソース正規化負荷量と、１以上の機能正規化処理量とのフィールドを有する。正規化稼働テーブル５００は、各フィールドに情報を設定することにより、正規化履歴データがレコード５００−ａとして記憶される。ａは、任意の整数である。

日付時刻のフィールドには、業務処理装置２０１でリソースの負荷量と機能の処理量とが計測された日付と時刻との組み合わせが設定される。リソース正規化負荷量のフィールドには、計測されたリソースの負荷量を正規化した正規化負荷量が設定される。機能正規化処理量のフィールドには、計測された機能の処理量を正規化した正規化処理量が設定される。

リソース正規化負荷量のフィールドは、例えば、正規化ＣＰＵ使用率［％］のフィールドと、正規化ディスクＩＯ［ＩＯＰＳ］のフィールドとなどである。正規化ＣＰＵ使用率［％］のフィールドには、業務処理装置２０１でのＣＰＵ３０１の負荷量であるＣＰＵ使用率［％］を正規化して得られる値が設定される。正規化ディスクＩＯ［ＩＯＰＳ］のフィールドには、業務処理装置２０１での記録媒体３０５の負荷量であるディスクＩＯ［ＩＯＰＳ］を正規化して得られる値が設定される。

業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化ＣＰＵ使用率［％］のフィールドが存在してもよい。業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化ディスクＩＯ［ＩＯＰＳ］のフィールドが存在してもよい。

機能正規化処理量のフィールドは、例えば、正規化Ａ画面アクセス回数のフィールドと、正規化Ｂ画面アクセス回数のフィールドとなどである。正規化Ａ画面アクセス回数のフィールドには、業務処理装置２０１で、少なくともいずれかの業務処理に使用されるＡ画面を表示した回数を正規化して得られる値が設定される。正規化Ｂ画面アクセス回数のフィールドには、業務処理装置２０１で、少なくともいずれかの業務処理に使用されるＢ画面を表示した回数を正規化して得られる値が設定される。

業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化Ａ画面アクセス回数のフィールドが存在してもよい。業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化Ｂ画面アクセス回数のフィールドが存在してもよい。

（ベクトルテーブル６００のデータ構造）
次に、図６を用いて、ベクトルテーブル６００のデータ構造の一例について説明する。ベクトルテーブル６００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

図６は、ベクトルテーブル６００のデータ構造の一例を示す説明図である。図６に示すように、ベクトルテーブル６００は、日ごとのデータのフィールドを有する。ベクトルテーブル６００は、各フィールドに情報を設定することにより、ベクトルデータがレコード６００−ａとして記憶される。ａは、任意の整数である。

日ごとのデータのフィールドには、全体の正規化稼働データを日ごとに分割した日単位稼働データをベクトル化して得られたベクトルのそれぞれの要素が設定される。ベクトルのそれぞれの要素は、日単位稼働データに含まれる、いずれかのリソースの正規化負荷量、または、いずれかの機能の正規化処理量である。

（成分テーブル７００のデータ構造）
次に、図７を用いて、成分テーブル７００のデータ構造の一例について説明する。成分テーブル７００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

図７は、成分テーブル７００のデータ構造の一例を示す説明図である。図７に示すように、成分テーブル７００は、１以上の成分のフィールドを有する。成分テーブル７００は、各フィールドに情報を設定することにより、成分データがレコード７００−ａとして記憶される。ａは、任意の整数である。

成分のフィールドには、稼働データ行列に対して非負値行列因子分解を実施して得られた基底行列に含まれる、いずれかの業務処理に対応する基底ベクトルのそれぞれの要素が設定される。いずれかの業務処理に対応する基底ベクトルのそれぞれの要素は、当該業務処理に関わる、いずれかのリソースの負荷量のうちの成分量、または、いずれかの機能の処理量のうちの成分量である。

（分離結果テーブル８００のデータ構造）
次に、図８を用いて、分離結果テーブル８００のデータ構造の一例について説明する。分離結果テーブル８００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

図８は、分離結果テーブル８００のデータ構造の一例を示す説明図である。図８に示すように、分離結果テーブル８００は、成分ＩＤと、時刻と、１以上のリソース正規化負荷量と、１以上の機能正規化処理量とのフィールドを有する。分離結果テーブル８００は、各フィールドに情報を設定することにより、分離結果データがレコード８００−ａとして記憶される。ａは、任意の整数である。

成分ＩＤのフィールドには、それぞれのリソースの負荷量のうちの成分量と、それぞれの機能の処理量のうちの成分量との分離元になる、いずれかの業務処理に対応する基底ベクトルを識別する成分ＩＤが設定される。成分ＩＤは、いずれかの業務処理自体を識別する識別情報としても扱われる。

時刻のフィールドには、それぞれのリソースの負荷量のうちの成分量と、それぞれの機能の処理量のうちの成分量とが、一定時間間隔内のいつの成分量であるかを示す時刻が設定される。リソース正規化負荷量のフィールドには、いずれかのリソースの負荷量のうちの成分量が設定される。機能正規化処理量のフィールドには、いずれかの機能の処理量のうちの成分量が設定される。

リソース正規化負荷量のフィールドは、例えば、正規化ＣＰＵ使用率［％］のフィールドと、正規化ディスクＩＯ［ＩＯＰＳ］のフィールドとなどである。正規化ＣＰＵ使用率［％］のフィールドには、成分量として、業務処理装置２０１でのＣＰＵ３０１の一部の負荷量であるＣＰＵ使用率［％］が設定される。正規化ディスクＩＯ［ＩＯＰＳ］のフィールドには、成分量として、業務処理装置２０１での記録媒体３０５の一部の負荷量であるディスクＩＯ［ＩＯＰＳ］が設定される。

業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化ＣＰＵ使用率［％］のフィールドが存在してもよい。業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化ディスクＩＯ［ＩＯＰＳ］のフィールドが存在してもよい。

機能正規化処理量のフィールドは、例えば、正規化Ａ画面アクセス回数のフィールドと、正規化Ｂ画面アクセス回数のフィールドとなどである。正規化Ａ画面アクセス回数のフィールドには、成分量として、業務処理装置２０１で、少なくともいずれかの業務処理に使用されるＡ画面を表示した全体の回数のうちの一部の回数が設定される。正規化Ｂ画面アクセス回数のフィールドには、成分量として、業務処理装置２０１で、少なくともいずれかの業務処理に使用されるＢ画面を表示した全体の回数のうちの一部の回数が設定される。

業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化Ａ画面アクセス回数のフィールドが存在してもよい。業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化Ｂ画面アクセス回数のフィールドが存在してもよい。

（業務量テーブル９００のデータ構造）
次に、図９を用いて、業務量テーブル９００のデータ構造の一例について説明する。業務量テーブル９００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

図９は、業務量テーブル９００のデータ構造の一例を示す説明図である。図９に示すように、業務量テーブル９００は、成分ＩＤと、業務量とのフィールドを有する。業務量テーブル９００は、各フィールドに情報を設定することにより、業務量データがレコード９００−ａとして記憶される。ａは、任意の整数である。

成分ＩＤのフィールドには、いずれかの業務処理を識別する成分ＩＤが設定される。業務処理は、例えば、業務パターンで表現される。業務パターンは、業務処理で使用する１以上の機能の順序である。業務量のフィールドには、いずれかの業務処理の業務量が設定される。業務量は、例えば、業務処理の実行回数である。

（予測テーブル１０００のデータ構造）
次に、図１０を用いて、予測テーブル１０００のデータ構造の一例について説明する。予測テーブル１０００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

図１０は、予測テーブル１０００のデータ構造の一例を示す説明図である。図１０に示すように、予測テーブル１０００は、成分ＩＤと、時刻と、１以上のリソース正規化負荷量とのフィールドを有する。予測テーブル１０００は、各フィールドに情報を設定することにより、予測データがレコード１０００−ａとして記憶される。ａは、任意の整数である。

成分ＩＤのフィールドには、いずれかの業務処理を識別する成分ＩＤが設定される。時刻のフィールドには、いずれかの業務処理に関わる、それぞれのリソースについての正規化負荷量の予測値が、一定時間間隔内のいつの予測値であるかを示す時刻が設定される。リソース正規化負荷量のフィールドには、いずれかのリソースの正規化負荷量の予測値が設定される。

リソース正規化負荷量のフィールドは、例えば、正規化ＣＰＵ使用率［％］のフィールドと、正規化ディスクＩＯ［ＩＯＰＳ］のフィールドとなどである。正規化ＣＰＵ使用率［％］のフィールドには、業務処理装置２０１でのＣＰＵ３０１の正規化負荷量の予測値であるＣＰＵ使用率［％］が設定される。正規化ディスクＩＯ［ＩＯＰＳ］のフィールドには、業務処理装置２０１での記録媒体３０５の正規化負荷量の予測値であるディスクＩＯ［ＩＯＰＳ］が設定される。

業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化ＣＰＵ使用率［％］のフィールドが存在してもよい。業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化ディスクＩＯ［ＩＯＰＳ］のフィールドが存在してもよい。

（全体予測テーブル１１００のデータ構造）
次に、図１１を用いて、全体予測テーブル１１００のデータ構造の一例について説明する。全体予測テーブル１１００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

図１１は、全体予測テーブル１１００のデータ構造の一例を示す説明図である。図１１に示すように、全体予測テーブル１１００は、時刻と、１以上のリソース正規化負荷量とのフィールドを有する。全体予測テーブル１１００は、各フィールドに情報を設定することにより、全体予測データがレコード１１００−ａとして記憶される。ａは、任意の整数である。

時刻のフィールドには、業務処理システム２００における、それぞれのリソースについての正規化負荷量の予測値が、一定時間間隔内のいつの予測値であるかを示す時刻が設定される。リソース正規化負荷量のフィールドには、業務処理システム２００における、いずれかのリソースの正規化負荷量の予測値が設定される。

リソース正規化負荷量のフィールドは、例えば、正規化ＣＰＵ使用率［％］のフィールドと、正規化ディスクＩＯ［ＩＯＰＳ］のフィールドとなどである。正規化ＣＰＵ使用率［％］のフィールドには、業務処理システム２００における、業務処理装置２０１でのＣＰＵ３０１の正規化負荷量の予測値であるＣＰＵ使用率［％］が設定される。正規化ディスクＩＯ［ＩＯＰＳ］のフィールドには、業務処理システム２００における、業務処理装置２０１での記録媒体３０５の正規化負荷量の予測値であるディスクＩＯ［ＩＯＰＳ］が設定される。

業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化ＣＰＵ使用率［％］のフィールドが存在してもよい。業務処理装置２０１が複数存在する場合であれば、業務処理装置２０１ごとに正規化ディスクＩＯ［ＩＯＰＳ］のフィールドが存在してもよい。

（業務処理装置２０１のハードウェア構成例）
業務処理装置２０１のハードウェア構成例は、図３に示した情報処理装置１００のハードウェア構成例と同様であるため、説明を省略する。業務処理装置２０１は、図４に示した稼働テーブル４００と同様のデータ構造で、自装置分の稼働データを記憶する。業務処理装置２０１は、図４〜図１１に示した各種テーブルを記憶しなくてもよい。

（情報処理装置１００の機能的構成例）
次に、図１２を用いて、情報処理装置１００の機能的構成例について説明する。

図１２は、情報処理装置１００の機能的構成例を示すブロック図である。情報処理装置１００は、記憶部１２００と、取得部１２０１と、分解部１２０２と、統合部１２０３と、抽出部１２０４と、分離部１２０５と、分析部１２０６と、出力部１２０７とを含む。

記憶部１２００は、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域によって実現される。以下では、記憶部１２００が、情報処理装置１００に含まれる場合について説明するが、これに限らない。例えば、記憶部１２００が、情報処理装置１００とは異なる装置に含まれ、記憶部１２００の記憶内容が情報処理装置１００から参照可能である場合があってもよい。

取得部１２０１〜出力部１２０７は、制御部の一例として機能する。取得部１２０１〜出力部１２０７は、具体的には、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域に記憶されたプログラムをＣＰＵ３０１に実行させることにより、または、ネットワークＩ／Ｆ３０３により、その機能を実現する。各機能部の処理結果は、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域に記憶される。

記憶部１２００は、各機能部の処理において参照され、または更新される各種情報を記憶する。記憶部１２００は、例えば、１以上のリソースのそれぞれのリソースの負荷量の時間変化を示す時系列データを記憶する。リソースは、例えば、ＣＰＵやメモリ、通信帯域などである。１以上のリソースは、例えば、同一の機器における異なる種類のリソースを含む。１以上のリソースは、例えば、異なる機器におけるリソースを含む。負荷量は、例えば、使用量である。

記憶部１２００は、例えば、１以上の機能のそれぞれの機能の処理量の時間変化を示す時系列データを記憶する。機能は、例えば、所定の画面にアクセスする機能である。機能は、データを受け付けたり、処理したりする機能であってもよい。機能は、例えば、アプリにより実現されてもよい。処理量は、例えば、画面へのアクセス回数である。処理量は、例えば、アプリで処理したデータの件数であってもよい。負荷量と処理量とは、例えば、正規化されることがある。

記憶部１２００は、例えば、非負値行列因子分解の対象となる行列を記憶する。行列は、例えば、一定時間間隔ごとの、それぞれのリソースの負荷量の時間変化を示す時系列データと、それぞれの機能の処理量の時間変化を示す時系列データとのグループに基づいて生成される。行列は、具体的には、一定時間間隔ごとの、それぞれのリソースの負荷量の時間変化を示す時系列データと、それぞれの機能の処理量の時間変化を示す時系列データとのグループをベクトル化して得られたベクトルに基づいて生成される。

記憶部１２００は、例えば、非負値行列因子分解の結果得られる、基底行列を記憶する。基底行列は、所定の数の基底ベクトルのそれぞれを列または行として含む行列である。基底ベクトルは、一定時間間隔での周期的な変化傾向が互いに類似するような、それぞれのリソースの負荷量のうちの成分量の時間変化を示す時系列データとそれぞれの機能の処理量のうちの成分量の時間変化を示す時系列データとのグループを表すベクトルである。

記憶部１２００は、例えば、業務処理ごとの業務量を記憶する。業務量は、例えば、分析者によって設定される。記憶部１２００は、例えば、業務処理ごとに、設定された業務量に応じて予測された、一定時間間隔あたりの、それぞれのリソースの負荷量の時間変化を示す時系列データと、それぞれの機能の処理量の時間変化を示す時系列データとのグループを記憶する。記憶部１２００は、業務処理システム２００における、一定時間間隔あたりの、それぞれのリソースの負荷量の時間変化を示す時系列データと、それぞれの機能の処理量の時間変化を示す時系列データとのグループを記憶する。記憶部１２００は、具体的には、図４〜図１１に示した各種テーブルを記憶する。

記憶部１２００は、例えば、所定の数を記憶する。所定の数は、基底数である。基底数は、基底行列に含まれる基底ベクトルの数を決定する。所定の数は、１以上のリソースの少なくともいずれかのリソースを使用して実行され、１以上の機能の少なくともいずれかの機能を使用して実行される業務処理の数に基づいて設定される。所定の数は、例えば、予め分析者によって業務処理の数と同じ数に設定される。また、所定の数は、ベクトルの次元の数に基づいて設定されてもよい。所定の数は、例えば、自動でベクトルの次元の数と同じ数が設定される。

記憶部１２００は、例えば、一定時間間隔ごとの、それぞれのリソースの負荷量の時間変化を示す時系列データと、それぞれの機能の処理量の時間変化を示す時系列データとのグループをベクトル化するための所定の規則を記憶する。一定時間間隔は、例えば、日、週、月などである。所定の規則は、いずれの種類のリソースのいずれの時刻の負荷量が、ベクトル内のいずれの位置の要素になり、かつ、いずれの種類の機能のいずれの時刻の処理量が、ベクトル内のいずれの位置の要素になるかを規定する規則である。

取得部１２０１は、各機能部の処理に用いられる各種情報を取得する。取得部１２０１は、取得した各種情報を、記憶部１２００に記憶し、または、各機能部に出力する。また、取得部１２０１は、記憶部１２００に記憶しておいた各種情報を、各機能部に出力してもよい。取得部１２０１は、例えば、分析者の操作入力に基づき、各種情報を取得する。取得部１２０１は、例えば、情報処理装置１００とは異なる装置から、各種情報を受信してもよい。

取得部１２０１は、例えば、それぞれのリソースの負荷量の時系列データと、それぞれの機能の処理量の時系列データとのグループを取得する。取得部１２０１は、具体的には、１以上の業務処理装置２０１から、所定の期間分の、それぞれのリソースの負荷量の時間変化と、それぞれの機能の処理量の時間変化とを示す、全体の稼働データを取得する。

また、取得部１２０１が、例えば、一定時間間隔ごとの、それぞれのリソースの負荷量の時系列データと、それぞれの機能の処理量の時系列データとのグループを取得する場合があってもよい。この場合、取得部１２０１は、具体的には、１日ごとに、１以上の業務処理装置２０１から、それぞれのリソースの負荷量の時間変化と、それぞれの機能の処理量の時間変化とを示す、１日分の日単位稼働データを取得する。この場合、情報処理装置１００は、分解部１２０２を有さなくてもよい。

また、取得部１２０１が、例えば、同じ業務処理に関わる、一定時間間隔あたりの、それぞれのリソースの負荷量のうちの成分量の時系列データと、それぞれの機能の処理量のうちの成分量の時系列データとのグループを取得する場合があってもよい。この場合、取得部１２０１は、具体的には、業務処理ごとに、１日あたりのそれぞれのリソースの負荷量のうちの当該業務処理に関わる成分量の時系列データとそれぞれの機能の処理量のうちの当該業務処理に関わる成分量の時系列データとのグループを取得する。この場合、情報処理装置１００は、分解部１２０２〜分離部１２０５を有さなくてもよい。

また、取得部１２０１は、例えば、分析者の操作入力に基づき、所定の数の設定を受け付けてもよい。

また、取得部１２０１は、例えば、分析者の操作入力に基づき、複数の業務処理のそれぞれの業務処理の業務量の設定を受け付けてもよい。

取得部１２０１は、いずれかの機能部の処理を開始する開始トリガーを受け付けてもよい。開始トリガーは、例えば、分析者による所定の操作入力があったことである。開始トリガーは、例えば、他のコンピュータから、所定の情報を受信したことであってもよい。開始トリガーは、例えば、いずれかの機能部が所定の情報を出力したことであってもよい。取得部１２０１は、例えば、所定の期間分の、全体の稼働データを取得したことを、分解部１２０２の処理を開始する開始トリガーとして受け付ける。

分解部１２０２は、取得した時系列データを、一定時間間隔ごとの時系列データに分割する。分解部１２０２は、例えば、負荷量と処理量とを正規化し、取得した稼働データを、正規化稼働データに変換する。分解部１２０２は、正規化稼働データを１日ごとに分割し、日単位稼働データを生成する。これにより、分解部１２０２は、業務処理の業務量の周期的な変化傾向を活用した非負値行列因子分解を実施可能にするために、取得した時系列データを加工することができる。

統合部１２０３は、分割した一定時間間隔ごとの時系列データに基づいて、一定時間間隔ごとのそれぞれのリソースの負荷量とそれぞれの機能の処理量とを要素とする一定時間間隔ごとのベクトルを生成する。統合部１２０３は、例えば、記憶部１２００に記憶された所定の規則に従って、日単位稼働データが示す、それぞれのリソースの負荷量とそれぞれの機能の処理量とを、決められた位置の要素として配置することにより、日単位稼働データをベクトル化する。これにより、結合部は、行列の列または行となる、１日ごとのベクトルを生成することができる。

抽出部１２０４は、一定時間間隔ごとのベクトルのそれぞれを列または行として含む行列を生成する。抽出部１２０４は、例えば、各日のベクトルを列として含む稼働データ行列を生成する。これにより、抽出部１２０４は、一定時間間隔ごとに、それぞれのリソースの負荷量とそれぞれの機能の処理量とを纏めて、行列のそれぞれの列または行として処理可能にすることができ、非負値行列因子分解の結果に、業務処理の性質を反映させることができる。このため、抽出部１２０４は、非負値行列因子分解で、業務処理単位に対応する、一定時間間隔ごとの周期的な変化傾向が類似する、それぞれのリソースの負荷量とそれぞれの機能の処理量とを抽出可能にすることができる。

次に、抽出部１２０４は、生成した行列に対して非負値行列因子分解を実施する。抽出部１２０４は、例えば、稼働データ行列を基底行列と重み行列との積で規定し、非負値行列因子分解を実施する。抽出部１２０４は、非負値行列因子分解の結果、所定の数分の基底ベクトルのそれぞれを列または行として含む基底行列を生成する。これにより、抽出部１２０４は、業務処理単位に対応する、周期的な変化傾向が類似する、それぞれのリソースの負荷量の時間変化と、それぞれの機能の処理量の時間変化とを示す基底ベクトルを抽出することができる。

分離部１２０５は、生成した基底行列に含まれる所定の数分の基底ベクトルのそれぞれが表す複数の成分量を、それぞれのリソースとそれぞれの機能とについて分離する。ここで、例えば、基底行列に含まれる基底ベクトルと、稼働データ行列に含まれるベクトルとの間では、要素の位置に対応関係が存在する。このため、分離部１２０５は、例えば、記憶部１２００に記憶された所定の規則を参照し、基底ベクトルが示す複数の成分量を、それぞれのリソースとそれぞれの機能とについて分離する。

これにより、分離部１２０５は、業務処理単位の、それぞれのリソースの負荷量のうちの成分量と、それぞれの機能の処理量のうちの成分量とを取得することができる。分離部１２０５は、例えば、それぞれの業務処理に関わる、一定時間間隔あたりの、それぞれのリソースの負荷量のうちの成分量の時系列データと、それぞれの機能の処理量のうちの成分量の時系列データとを取得することができる。

分離部１２０５は、いずれかの業務処理に関わる、それぞれの機能の処理量のうちの成分量の時系列データに基づいて、当該業務処理の業務判別情報を設定する。分離部１２０５は、例えば、いずれかの業務処理に関わる、一定時間間隔あたりの、それぞれの機能の処理量のうちの成分量を積み上げた積み上げ量の時系列データを生成し、当該業務処理の業務判別情報に設定する。分離部１２０５は、例えば、いずれかの業務処理に関わる、それぞれの機能の処理量のうちの成分量の時系列データを、そのまま、当該業務処理の業務判別情報に設定してもよい。これにより、分離部１２０５は、分析者が業務内容の種別を判別するための基準となる業務判別情報を生成することができる。

分析部１２０６は、業務処理ごとに、将来の一定時間間隔あたりの、それぞれのリソースの負荷量のうちの当該業務処理に関わる成分量の時間変化を示す予測の時系列データを生成する。分析部１２０６は、例えば、業務処理ごとに、それぞれのリソースの負荷量のうちの当該業務処理に関わる成分量の時系列データと、指定された当該業務処理の業務量とに基づいて、当該業務処理に対応する予測の時系列データを生成する。分析部１２０６は、具体的には、業務処理ごとに、それぞれのリソースの負荷量のうちの当該業務処理に関わる成分量の時系列データに、当該業務処理の業務量を乗算し、当該業務処理に対応する予測の時系列データを生成する。これにより、分析部１２０６は、業務処理ごとに、リソースの負荷量のうちの成分量の時間変化のシミュレーションを実施可能にすることができる。

分析部１２０６は、業務処理システム２００について、将来の一定時間間隔あたりの、それぞれのリソースの負荷量の時間変化を示す予測の時系列データを生成する。分析部１２０６は、例えば、業務処理ごとの予測の時系列データに基づいて、業務処理システム２００についての予測の時系列データを生成する。分析部１２０６は、具体的には、業務処理ごとの予測の時系列データを重畳し、業務処理システム２００についての予測の時系列データを生成する。これにより、分析部１２０６は、複数の業務処理の実行時の、リソースの負荷量の時間変化のシミュレーションを実施可能にすることができる。

出力部１２０７は、いずれかの機能部の処理結果を出力する。出力形式は、例えば、ディスプレイへの表示、プリンタへの印刷出力、ネットワークＩ／Ｆ３０３による外部装置への送信、または、メモリ３０２や記録媒体３０５などの記憶領域への記憶である。これにより、出力部１２０７は、いずれかの機能部の処理結果を分析者に通知可能にし、情報処理装置１００の利便性の向上を図ることができる。

出力部１２０７は、いずれかの業務処理に関わる、一定時間間隔あたりの、それぞれのリソースの負荷量のうちの成分量の時間変化を示す時系列データに対応付けて、当該業務処理の業務判別情報を表示する。出力部１２０７は、例えば、いずれかの業務処理に関わる、一定時間間隔あたりの、それぞれのリソースの負荷量のうちの成分量の時系列データに対応付けて、それぞれの機能の処理量のうちの成分量の時系列データを、それぞれの機能を識別可能に表示する。これにより、出力部１２０７は、分析者が、業務内容の種別を判別するための基準となる業務判別情報を参照可能にすることができる。

出力部１２０７は、例えば、いずれかの業務処理に関わる、一定時間間隔あたりの、それぞれのリソースの負荷量のうちの成分量の時系列データに対応付けて、積み上げ量の時系列データを、それぞれの機能を識別可能に表示する。これにより、出力部１２０７は、分析者が、業務内容の種別を判別するための基準となる業務判別情報を参照可能にすることができる。

出力部１２０７は、例えば、それぞれの業務処理に対応する予測の時系列データを、それぞれの業務処理を識別可能に表示する。これにより、出力部１２０７は、業務処理ごとに、リソースの負荷量のうちの当該業務処理に関わる成分量の時間変化をシミュレーションした結果を、分析者が参照可能にすることができる。

出力部１２０７は、例えば、業務処理システム２００についての予測の時系列データを表示する。これにより、出力部１２０７は、業務処理システム２００について、複数の業務処理の実行時のリソースの負荷量の時間変化をシミュレーションした結果を、分析者が参照可能にすることができる。

ここでは、情報処理装置１００が、取得部１２０１〜出力部１２０７を含む場合について説明したが、これに限らない。例えば、情報処理装置１００が、分解部１２０２〜分離部１２０５を含まず、分解部１２０２〜分離部１２０５を含む他のコンピュータから、他のコンピュータで分離部１２０５が分離した結果を受信する場合があってもよい。また、例えば、情報処理装置１００が、分析部１２０６を含まず、分離部１２０５が分離した結果を、分析部１２０６を含む他のコンピュータに送信する場合があってもよい。

（情報処理装置１００の実施例）
次に、図１３〜図２３を用いて、情報処理装置１００の実施例について説明する。まず、図１３を用いて、情報処理装置１００の動作の流れについて説明する。

図１３は、情報処理装置１００の動作の流れを示す説明図である。実施例において、情報処理装置１００は、図１２に示した各機能部を具体的に実現するための、正規化統合部１３１１と、成分量推定部１３１２と、業務判別情報作成部１３１３と、負荷量算出部１３２１とを含む。

図１３において、正規化統合部１３１１は、業務処理システム２００の稼働中、１以上の業務処理装置２０１から、各リソースの負荷量の履歴１３０１と、各機能の処理量の履歴１３０２とを収集し、全体の稼働データを取得する。負荷量は、例えば、ＣＰＵ使用率とディスクＩＯである。処理量は、例えば、所定の画面へのアクセス回数である。所定の画面は、例えば、画面Ａと画面Ｂとである。所定の画面は、業務処理で用いられる。

正規化統合部１３１１は、取得した稼働データに基づいて、各リソースの負荷量と各機能の処理量とを正規化して統合し、正規化稼働データを生成する。正規化する手法の具体例については、例えば、図１４を用いて後述する。

成分量推定部１３１２は、正規化稼働データに基づいて、業務処理ごとに、各リソースの負荷量のうちの当該業務処理に関わる成分量の時系列データと、各機能の処理量のうちの当該業務処理に関わる成分量の時系列データとを推定する。推定する手法の具体例については、例えば、図１５〜図１８を用いて後述する。

業務判別情報作成部１３１３は、各機能の処理量のうちの各業務処理に関わる成分量の時系列データに基づいて、各業務処理に対応する業務判別情報を作成する。業務処理に対応する業務判別情報は、例えば、各機能を識別可能に、かつ、各機能の処理量のうちの当該業務処理に関わる成分量を識別可能に、当該成分量を積み上げた積み上げ量の時系列データを表示するための表示情報である。業務判別情報を作成する具体例については、例えば、図１９を用いて後述する。

業務判別情報作成部１３１３は、業務処理ごとに、各リソースの負荷量のうちの当該業務処理に関わる成分量の時系列データに対応付けて、作成した当該業務処理に対応する業務判別情報を、ディスプレイに表示することにより、分析者１３００に提示する。業務判別情報を分析者１３００に提示する具体例については、例えば、図２０を用いて後述する。

分析者１３００は、各業務処理に対応する業務判別情報を確認し、各業務処理の業務内容を予想し、各業務処理の種別を予想し、各業務処理の業務量を、情報処理装置１００に設定する。設定された業務量は、例えば、図９に示した業務量テーブル９００を用いて記憶される。業務量を設定する具体例については、例えば、図２１を用いて後述する。

負荷量算出部１３２１は、設定された各業務処理の業務量と、各リソースの負荷量のうちの各業務処理に関わる成分量の時系列データとに基づいて、将来の、各リソースの負荷量のうちの各業務処理に関わる成分量の予測値を算出する。算出した予測値は、例えば、図１０に示した予測テーブル１０００を用いて記憶される。予測値を算出する具体例については、例えば、図２２および図２３を用いて後述する。

また、負荷量算出部１３２１は、業務処理システム２００における、将来の、各リソースの負荷量のうちの各業務処理に関わる成分量の予測値を算出する。算出した予測値は、例えば、図１１に示した全体予測テーブル１１００を用いて記憶される。予測値を算出する具体例については、例えば、図２２および図２３を用いて後述する。

負荷量算出部１３２１は、業務処理システム２００における、将来の、各リソースの負荷量のうちの各業務処理に関わる成分量の予測値の時系列データを生成し、ディスプレイに表示することにより、分析者１３００に提示する。予測値の時系列データを提示する具体例については、例えば、図２２および図２３を用いて後述する。

これにより、負荷量算出部１３２１は、業務処理システム２００における、複数の業務処理の実行時の、リソースの負荷量の時間変化のシミュレーションを実施することができ、シミュレーションを実施した結果を、分析者１３００に参照させることができる。

次に、図１４〜図２３を用いて、情報処理装置１００の動作の一例について説明する。

図１４〜図２３は、情報処理装置１００の動作の一例を示す説明図である。図１４において、（１４−１）情報処理装置１００は、稼働データを取得し、稼働テーブル４００を用いて記憶する。

（１４−２）情報処理装置１００は、各リソースの負荷量と、各機能の処理量とを正規化する。情報処理装置１００は、例えば、下記式（１）により、ｉ番目のリソースの時刻ｔの負荷量ｒ_i（ｔ）を正規化した正規化負荷量ｎｒ_i（ｔ）を算出する。正規化は、下記式（２）の条件を満たすように行われる。

ｎｒ_i（ｔ）＝ｒ_i（ｔ）／Σ_i,t（ｒ_i（ｔ）） ・・・（１）

Σ_i,t（ｎｒ_i（ｔ））＝１ ・・・（２）

情報処理装置１００は、例えば、下記式（３）により、ｉ番目の機能の時刻ｔの処理量ｇ_i（ｔ）を正規化した正規化負荷量ｎｇ_i（ｔ）を算出する。正規化は、下記式（４）の条件を満たすように行われる。

ｎｇ_i（ｔ）＝ｇ_i（ｔ）／Σ_i,t（ｇ_i（ｔ）） ・・・（３）

Σ_i,t（ｎｇ_i（ｔ））＝１ ・・・（４）

（１４−３）情報処理装置１００は、各リソースの正規化負荷量と、各機能の正規化処理量とを纏めた正規化稼働データを生成し、正規化稼働テーブル５００を用いて記憶する。これにより、情報処理装置１００は、各リソースの負荷量と、各機能の処理量とのスケールの異なる値を、纏めて扱いやすくすることができる。

情報処理装置１００は、例えば、非負値行列因子分解において、各リソースの負荷量と、各機能の処理量とを、等価に扱いやすくすることができる。このため、情報処理装置１００は、非負値行列因子分解において、リソースの負荷量に関する評価関数の値と、機能の処理量に関する評価関数の値とのいずれか一方が重視される問題を回避しやすくすることができる。次に、図１５の説明に移行する。

図１５において、（１５−１）情報処理装置１００は、正規化稼働テーブル５００に記憶された正規化稼働データを、１日単位に分解し、日単位稼働データを特定する。情報処理装置１００は、例えば、日付「２０１８０１０１」の日単位稼働データ、および、日付「２０１８０１０２」の日単位稼働データなどを特定する。

（１５−２）情報処理装置１００は、日単位稼働データをベクトル化し、日ごとのベクトルを生成する。情報処理装置１００は、例えば、日単位稼働データが示す各リソースの負荷量と各機能の処理量とを、所定の規則に従って、要素として並べてベクトル化し、ベクトルテーブル６００を用いて記憶する。

情報処理装置１００は、具体的には、日付「２０１８０１０１」の日単位稼働データが示す各リソースの負荷量群１５０１，１５０２と各機能の処理量群１５０３，１５０４とを並べたベクトルｘ₁を生成する。同様に、情報処理装置１００は、日付「２０１８０１０２」の日単位稼働データに基づいて、ベクトルｘ₂を生成する。

そして、情報処理装置１００は、ベクトルｘ₁を、ベクトルテーブル６００の１日目のデータのフィールドに設定し、ベクトルｘ₂を、ベクトルテーブル６００の２日目のデータのフィールドに設定する。次に、図１６の説明に移行する。

図１６において、（１６−１）情報処理装置１００は、ベクトルテーブル６００を参照して、各日に対応するベクトルを列とした稼働データ行列Ｘ＝（ｘ₁，ｘ₂，・・・）を生成する。ここで、１日分の日単位稼働データに対応するベクトルｘ_jは、それぞれの業務処理についての基底ベクトルｕ_iと重み係数ａ_ijとの線形結合により形成される。ｊは、何日目の日単位稼働データであるかを示す値である。

このため、１日分の日単位稼働データに対応するベクトルｘ_jを、基底ベクトルｕ_iと重みベクトルａ_i（重み係数ａ_ij）とに分割すれば、それぞれの業務処理についてのリソースごとの情報と機能ごとの情報とが得られると考えられる。ベクトルｘ_jは、数式を用いれば下記式（５）のように表現される。Ｎは、基底数である。基底数Ｎは、例えば、予め設定される。基底数Ｎは、例えば、稼働データ行列を形成するベクトルの次元数である場合があってもよい。

ｘ_j＝Σ_i=1 ^N（ａ_ij×ｕ_i） ・・・（５）

上記式（５）を行列形式で表現すると下記式（６）のように表現される。稼働データ行列Ｘ＝（ｘ₁，ｘ₂，・・・）である。Ｕは、基底行列である。Ｕ＝（ｕ₁，ｕ₂，・・・）である。Ａは、重み行列である。Ａ＝（ａ₁，ａ₂，・・・）＝（ａ_ij）である。

Ｘ＝ＵＡ ・・・（６）

ここで、非負値行列因子分解は、対象とする行列の各ベクトルの頻出成分を抽出する特性を有する。頻出成分は、周期的な変化傾向を示す成分である。このため、稼働データ行列に対して非負値行列因子分解を実施すれば、頻出成分として、周期的な変化傾向を示す成分データを抽出可能になると考えられる。具体的には、それぞれの業務処理に関わる頻出成分に対応する、各リソースの負荷量のうちの当該業務処理に関わる成分量と、各機能の処理量のうちの当該業務処理に関わる成分量とのグループが、基底行列の基底ベクトルとして抽出可能であると考えられる。

（１６−２）そこで、情報処理装置１００は、行列形式で表現した上記式（６）に対して非負値行列因子分解を実施し、それぞれの業務処理に対応する基底ベクトルを含む基底行列Ｕを生成する。基底行列Ｕは、例えば、図７に示した成分テーブル７００を用いて記憶される。

非負値行列因子分解については、例えば、下記参考文献１を参照することができる。下記参考文献１におけるＳｐａｒｓｅｎｅｓｓ Ｃｏｎｓｔｒａｉｎｔｓとしては、例えば、Ｌ１ノルムが用いられる。

参考文献１ ： Ｈｏｙｅｒ， Ｐａｔｒｉｋ Ｏ． “Ｎｏｎ−ｎｅｇａｔｉｖｅ ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ ｗｉｔｈ ｓｐａｒｓｅｎｅｓｓ ｃｏｎｓｔｒａｉｎｔｓ．” Ｊｏｕｒｎａｌ ｏｆ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｒｅｓｅａｒｃｈ ５．Ｎｏｖ （２００４）： １４５７−１４６９．

非負値行列因子分解では、具体的には、下記式（７）を最小化する重み行列Ａと基底行列Ｕとを推定することになる。｜｜Ｚ｜｜_FROは、フロベニウスノルムである。α｜｜Ａ｜｜₁およびβ｜｜Ｕ｜｜₁の項が、Ｓｐａｒｓｅｎｅｓｓ Ｃｏｎｓｔｒａｉｎｔｓである。｜｜Ｚ｜｜_FROは、下記式（８）により定義される。Ｚ＝（ｚ_ij）である。重み行列Ａについては、下記式（９）が成立する。また、基底行列Ｕについては、下記式（１０）が成立する。

（Ａ^*，Ｕ^*）＝ａｒｇｍｉｎ_A,U（１／２｜｜Ｘ−ＵＡ｜｜_FRO ²）＋α｜｜Ａ｜｜₁＋β｜｜Ｕ｜｜₁ ・・・（７）

｜｜Ｚ｜｜_FRO ²＝Σ_i=1 ^NΣ_j=1 ^M（ｚ_ij） ・・・（８）

Ａ≧０ ・・・（９）

Ｕ≧０ ・・・（１０）

このように、α｜｜Ａ｜｜₁およびβ｜｜Ｕ｜｜₁の項を用いることにより、重みと基底行列とが可能な限り０になるよう誘導される。このため、上記式（７）を用いた非負値行列因子分解によれば、業務処理単位で、各リソースの負荷量のうちの成分量と、各機能の処理量のうちの成分量とのグループを、分析者１３００が理解しやすい形式で生成しやすくすることができる。

（１６−３）情報処理装置１００は、生成した基底行列Ｕの各基底ベクトルｕ_iを、各リソースと各機能とに分離すれば、業務処理単位で、各リソースの負荷量のうちの成分量と、各機能の処理量のうちの成分量とのグループを取得することができる。分離は、日単位稼働データをベクトル化する所定の規則を逆にした規則に従う。

情報処理装置１００は、例えば、基底ベクトルｕ₁の成分量群１６０１〜１６０４を、各リソースと各機能とに分離し、図８に示した分離結果テーブル８００を用いて記憶する。情報処理装置１００は、具体的には、成分量群１６０１を、正規化ＣＰＵ使用率のフィールドに設定し、成分量群１６０２を、正規化ディスクＩＯのフィールドに設定する。また、情報処理装置１００は、具体的には、成分量群１６０３を、正規化Ａ画面アクセス回数のフィールドに設定し、成分量群１６０４を、正規化Ｂ画面アクセス回数のフィールドに設定する。次に、図１７および図１８の説明に移行する。

図１７および図１８において、情報処理装置１００は、分離結果テーブル８００を参照して、業務処理単位で、各リソースの負荷量のうちの成分量の時系列データと、各機能の処理量のうちの成分量の時系列データとのグループを特定する。

図１７の例では、情報処理装置１００は、基底ベクトルｕ₁に対応する、成分ＩＤ１の業務処理について、各リソースの負荷量のうちの成分量の時系列データと、各機能の処理量のうちの成分量の時系列データとのグループを特定する。情報処理装置１００は、例えば、各リソースの負荷量のうちの成分量の時系列データ１７０１，１７０２と、各機能の処理量のうちの成分量の時系列データ１７０３，１７０４とのグループを特定する。

図１８の例では、情報処理装置１００は、基底ベクトルｕ₂に対応する、成分ＩＤ２の業務処理について、各リソースの負荷量のうちの成分量の時系列データと、各機能の処理量のうちの成分量の時系列データとのグループを特定する。情報処理装置１００は、例えば、各リソースの負荷量のうちの成分量の時系列データ１８０１，１８０２と、各機能の処理量のうちの成分量の時系列データ１８０３，１８０４とのグループを特定する。次に、図１９の説明に移行する。

図１９において、情報処理装置１００は、業務処理単位で業務判別情報を生成する。情報処理装置１００は、例えば、成分ＩＤ１の業務処理の、各機能の処理量のうちの成分量の時系列データ１７０３，１７０４に基づいて、各機能の処理量のうちの成分量を識別可能に色分けし、成分量を累積した累積量の時間変化を示すグラフ１９０１を生成する。図中では、色分けを、例えば、ハッチで示す。グラフ１９０１は、成分ＩＤ１の業務処理の業務判別情報として用いられる。

ここで、情報処理装置１００は、各機能の処理量のうちの成分量の単位が共通するため、成分量を累積し、累積量に纏めることができ、表示領域の低減化を図ると共に、分析者１３００が参照するグラフ数の低減化を図ることができる。このように、情報処理装置１００は、業務判別情報を参照しやすくすることができ、分析者の作業負担の低減化を図ることができる。

情報処理装置１００は、例えば、成分ＩＤ２の業務処理の、各機能の処理量のうちの成分量の時系列データ１８０３，１８０４に基づいて、各機能の処理量のうちの成分量を識別可能に色分けし、成分量を累積した累積量の時間変化を示すグラフ１９０２を生成する。図中では、色分けを、例えば、ハッチで示す。グラフ１９０２は、成分ＩＤ１の業務処理の業務判別情報として用いられる。

ここで、情報処理装置１００は、各機能の処理量のうちの成分量の単位が共通するため、成分量を累積し、累積量に纏めることができ、表示領域の低減化を図ると共に、分析者１３００が参照するグラフ数の低減化を図ることができる。このように、情報処理装置１００は、業務判別情報を参照しやすくすることができ、分析者の作業負担の低減化を図ることができる。次に、図２０の説明に移行する。

図２０において、情報処理装置１００は、業務処理単位で、各リソースの負荷量のうちの成分量の時系列データに対応付けて、生成した業務判別情報をディスプレイに表示することにより、分析者１３００に提示する。情報処理装置１００は、例えば、成分ＩＤ１の業務処理の、各リソースの負荷量のうちの成分量の時系列データ１７０１，１７０２に対応付けて、生成したグラフ１９０１をディスプレイに表示する。ここでは、対応付けは、同じ行に並べて表示することである。

情報処理装置１００は、例えば、成分ＩＤ２の業務処理の、各リソースの負荷量のうちの成分量の時系列データ１８０１，１８０２に対応付けて、生成したグラフ１９０２をディスプレイに表示する。ここでは、対応付けは、同じ行に並べて表示することである。これにより、情報処理装置１００は、業務判別情報を頼りに、各リソースの負荷量のうちの成分量が、具体的にいずれの種別の業務処理に対応するのかを、分析者１３００が判断しやすくすることができる。次に、図２１の説明に移行する。

図２１において、分析者１３００は、業務判別情報を頼りに判断した業務処理の種別に基づいて、それぞれの業務処理の業務量を、情報処理装置１００に設定する。分析者１３００は、例えば、成分ＩＤ１の業務処理が、Ａ画面のみにアクセスする傾向があるため、休暇申請の業務処理と予想し、成分ＩＤ１の業務処理の将来の業務量を１３０に設定する。分析者１３００は、例えば、成分ＩＤ２の業務処理が、Ａ画面とＢ画面とのいずれにもアクセスする傾向があるため、休暇承認の業務処理と予想し、成分ＩＤ２の業務処理の将来の業務量を１００に設定する。情報処理装置１００は、設定された業務量を、図９に示した業務量テーブル９００を用いて記憶する。次に、図２２の説明に移行する。

図２２において、情報処理装置１００は、業務処理ごとに、将来の、各リソースの負荷量のうちの当該業務処理に関わる成分量の予測値を算出する。情報処理装置１００は、例えば、下記式（１１）により、業務処理ごとに、将来の、各リソースの負荷量のうちの当該業務処理に関わる成分量の予測値を算出し、将来の、各リソースの負荷量のうちの当該業務処理に関わる成分量の予測値の時系列データを生成する。

成分量の予測値＝業務量_i・成分量_i ・・・（１１）

情報処理装置１００は、将来の、各リソースの負荷量のうちの業務処理に関わる成分量の予測値の時系列データをディスプレイに表示することにより、分析者１３００に提示する。このように、情報処理装置１００は、業務処理ごとに、リソースの負荷量のうちの当該業務処理に関わる成分量の時間変化をシミュレーションした結果を、分析者１３００が参照可能にすることができる。

また、情報処理装置１００は、業務処理システム２００における、将来の、各リソースの負荷量の予測値を算出する。情報処理装置１００は、例えば、下記式（１２）により、業務処理システム２００における、将来の、各リソースの負荷量の予測値を算出し、将来の、各リソースの負荷量の予測値の時系列データを生成する。

負荷量の予測値＝Σ_i業務量_i・成分量_i ・・・（１２）

情報処理装置１００は、具体的には、時系列データ１７０１に１３０を乗算した結果と、時系列データ１８０１に１００を乗算した結果とを加算して得られる時系列データ２２０１をディスプレイに表示する。また、情報処理装置１００は、具体的には、時系列データ１７０２に１３０を乗算した結果と、時系列データ１８０２に１００を乗算した結果とを加算して得られる時系列データ２２０２をディスプレイに表示する。

情報処理装置１００は、将来の、各リソースの負荷量の予測値の時系列データをディスプレイに表示することにより、分析者１３００に提示する。このように、情報処理装置１００は、業務処理システム２００について、複数の業務処理の実行時のリソースの負荷量の時間変化をシミュレーションした結果を、分析者１３００が参照可能にすることができる。

これにより、分析者１３００は、それぞれのリソースの負荷量の予測値を考慮して、業務処理装置２０１におけるリソースの増設、および、業務処理システム２００に含まれる業務処理装置２０１の増設などを検討することができる。このため、分析者１３００は、業務処理システム２００の利便性、耐障害性、処理性能などの確保または向上を図ることができる。次に、図２３の説明に移行する。

図２３において、情報処理装置１００は、将来の、各リソースの負荷量のうちの業務処理に関わる成分量の予測値の時系列データを、予測テーブル１０００を用いて記憶する。また、情報処理装置１００は、将来の、各リソースの負荷量の予測値の時系列データを、全体予測テーブル１１００を用いて記憶する。

（全体処理手順）
次に、図２４を用いて、情報処理装置１００が実行する、全体処理手順の一例について説明する。全体処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。

図２４は、全体処理手順の一例を示すフローチャートである。図２４において、情報処理装置１００は、開始トリガーを受け付ける（ステップＳ２４０１）。開始トリガーは、例えば、定期的なタイミングで自動的に発生するトリガー、または、分析者１３００の操作入力により発生するトリガーなどである。分析者１３００の操作入力は、例えば、将来のリソースの負荷量の見積もりを開始する際の操作入力である。

次に、情報処理装置１００は、１以上の業務処理装置２０１のそれぞれの業務処理装置２０１から、リソースの負荷量と機能の処理量とを収集し、全体の稼働データを取得する（ステップＳ２４０２）。そして、情報処理装置１００は、取得した全体の稼働データのリソースの負荷量と機能の処理量とを正規化する（ステップＳ２４０３）。

次に、情報処理装置１００は、正規化したリソースの負荷量と機能の処理量とを統合し、全体の正規化稼働データを生成する（ステップＳ２４０４）。そして、情報処理装置１００は、生成した全体の正規化稼働データを、１日単位に分割する（ステップＳ２４０５）。

次に、情報処理装置１００は、１日単位に分割した日単位稼働データをベクトル化し、各日のベクトルを、列として並べた稼働データ行列を生成する（ステップＳ２４０６）。そして、情報処理装置１００は、基底数に基づいて、生成した稼働データ行列に対して非負値行列因子分解を実施し、基底行列および重み行列を生成する（ステップＳ２４０７）。

次に、情報処理装置１００は、基底行列に含まれる、業務処理単位に対応する基底ベクトルに含まれる業務処理単位での１以上の成分量を、リソースおよび機能に分離する（ステップＳ２４０８）。そして、情報処理装置１００は、業務処理単位で、機能に分離した成分量のグループに基づいて、業務判別情報を生成する（ステップＳ２４０９）。

次に、情報処理装置１００は、業務処理単位で、リソースに分離した成分量のグループに、業務判別情報を付与する（ステップＳ２４１０）。そして、情報処理装置１００は、分析者１３００に、業務処理単位で、リソースに分離した成分量のグループと、リソースに分離した成分量のグループに付与した業務判別情報とを対応付けて提示する（ステップＳ２４１１）。

次に、情報処理装置１００は、業務処理単位で業務量の設定を受け付ける（ステップＳ２４１２）。そして、情報処理装置１００は、設定された業務量に基づいて、将来のリソースの負荷量の時間変化を算出する（ステップＳ２４１３）。その後、情報処理装置１００は、分析者１３００に、将来のリソースの負荷量の時間変化を提示する（ステップＳ２４１４）。

そして、情報処理装置１００は、全体処理を終了する。これにより、情報処理装置１００は、分析者１３００が、リソースに分離した成分量のグループが、具体的にいずれの種別の業務処理に対応するのかを判断可能にすることができる。そして、情報処理装置１００は、分析者１３００が、将来のリソースの負荷量の時間変化を分析可能にすることができる。

ここで、情報処理装置１００は、図２４の一部ステップの処理を省略してもよい。例えば、ステップＳ２４１２〜Ｓ２４１４の処理が省略され、分析者１３００に、将来のリソースの負荷量の時間変化を提示しない場合があってもよい。また、例えば、ステップＳ２４１２〜Ｓ２４１４の処理が、情報処理装置１００とは異なる装置によって実行される場合があってもよい。

以上説明したように、情報処理装置１００によれば、いずれかの業務処理について、各リソースの負荷量のうちの当該業務処理に関わる成分量の時系列データと、各機能の処理量のうちの当該業務処理に関わる成分量の時系列データとを取得することができる。情報処理装置１００によれば、いずれかの業務処理について、各リソースの負荷量のうちの当該業務処理に関わる成分量の時系列データに対応付けて各機能の処理量のうちの当該業務処理に関わる成分量の時系列データを、各機能を識別可能に表示することができる。これにより、情報処理装置１００は、リソースの負荷量のうちのいずれかの業務処理に関わる成分量が、具体的にいずれの種別の業務処理に対応するのかを、分析者が判断しやすくすることができる。

情報処理装置１００によれば、各機能の処理量のうちのいずれかの業務処理に関わる成分量を積み上げた積み上げ量の時系列データを、各機能を識別可能に表示することができる。これにより、情報処理装置１００は、分析者が参照する時系列データの数の増加を抑制することができ、分析者の作業負担の低減化を図ることができる。

情報処理装置１００によれば、各リソースの負荷量の時系列データと、各機能の処理量の時系列データとを取得することができる。情報処理装置１００によれば、取得した各種時系列データに基づいて、各リソースの負荷量と、各機能の処理量とを要素とする、一定時間間隔ごとのベクトルのそれぞれを列または行として含む行列を生成することができる。情報処理装置１００によれば、生成した行列に対して非負値行列因子分解を実施し、所定の数分の基底ベクトルのそれぞれを列または行として含む基底行列を生成することができる。情報処理装置１００によれば、生成した基底行列に含まれる所定の数分の基底ベクトルのそれぞれが表す複数の成分量を、各リソースと各機能とについて分離することができる。これにより、情報処理装置１００は、それぞれの業務処理について、各リソースの負荷量のうちの当該業務処理に関わる成分量の時系列データと、各機能の処理量のうちの当該業務処理に関わる成分量の時系列データとを取得することができる。

情報処理装置１００によれば、各リソースの負荷量のうちのそれぞれの業務処理に関わる成分量の時系列データを取得することができる。情報処理装置１００によれば、それぞれの業務処理の業務量の指定を受け付けることができる。情報処理装置１００によれば、取得した各リソースの負荷量のうちのそれぞれの業務処理に関わる成分量の時系列データと、指定を受け付けたそれぞれの業務処理の業務量とに基づいて、将来の、各リソースの負荷量の予測値の時系列データを生成することができる。これにより、情報処理装置１００は、将来の各リソースの負荷量についてのシミュレーションを実施することができる。

情報処理装置１００によれば、負荷量と処理量とを、正規化して扱うことができる。これにより、情報処理装置１００は、非負値行列因子分解において、各リソースの負荷量と、各機能の処理量とを、等価に扱いやすくすることができる。このため、情報処理装置１００は、非負値行列因子分解において、リソースの負荷量に関する評価関数の値と、機能の処理量に関する評価関数の値とのいずれか一方が重視される問題を回避しやすくすることができる。

情報処理装置１００によれば、１以上のリソースとして、ＣＰＵとメモリと通信帯域との少なくともいずれかを採用することができる。これにより、情報処理装置１００は、ＣＰＵとメモリと通信帯域との少なくともいずれかの負荷量のうちの成分量を、分析者に提示することができる。

情報処理装置１００によれば、１以上のリソースとして、同一の機器における異なる種類のリソースを採用することができる。これにより、情報処理装置１００は、１つの業務処理が同一の機器における異なる種類のリソースに影響する場合に、１つの業務処理に対応する形式で、同一の機器における異なる種類のリソースの負荷量のうちの成分量の時系列データを取得することができる。

情報処理装置１００によれば、１以上のリソースとして、異なる機器におけるリソースを採用することができる。これにより、情報処理装置１００は、１つの業務処理が異なる機器におけるリソースに影響する場合に、１つの業務処理に対応する形式で、異なる機器におけるリソースの負荷量のうちの成分量の時系列データを取得することができる。

情報処理装置１００によれば、１以上の機能として、少なくとも所定の画面にアクセスする機能を採用することができる。これにより、情報処理装置１００は、分析者が、種別が不明な業務処理において、いずれの画面にアクセスする傾向があるかを参照可能にすることができ、具体的にいずれの種別の業務処理であるかを判断しやすくすることができる。

情報処理装置１００によれば、所定の数を、１以上のリソースの少なくともいずれかのリソースを使用して実行される業務処理の数に基づいて設定することができる。これにより、情報処理装置１００は、業務処理単位で、各リソースの負荷量のうちの成分量の時系列データと、各機能の処理量のうちの成分量の時系列データとのグループを、精度よく取得可能にすることができる。また、情報処理装置１００は、基底ベクトルの数の低減化を図り、非負値行列因子分解にかかる処理量の低減化を図ることができる。

情報処理装置１００によれば、所定の数を、ベクトルの次元の数に基づいて設定することができる。これにより、情報処理装置１００は、業務処理の数が不明でも、業務処理単位で、各リソースの負荷量のうちの成分量の時系列データと、各機能の処理量のうちの成分量の時系列データとのグループを、精度よく取得可能にすることができる。

なお、本実施の形態で説明したシステム分析方法は、予め用意されたプログラムをパーソナル・コンピュータやワークステーション等のコンピュータで実行することにより実現することができる。本実施の形態で説明したシステム分析プログラムは、ハードディスク、フレキシブルディスク、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）−ＲＯＭ、ＭＯ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。また、本実施の形態で説明したシステム分析プログラムは、インターネット等のネットワークを介して配布してもよい。

上述した実施の形態に関し、さらに以下の付記を開示する。

（付記１）複数の業務処理のいずれかの業務処理について、前記複数の業務処理に使用されるリソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データと、前記複数の業務処理に使用される機能の処理量のうちの前記いずれかの業務処理に関わる成分量の時系列データとを取得し、
取得した前記リソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データに対応付けて、取得した前記機能の処理量のうちの前記いずれかの業務処理に関わる成分量の時系列データを、前記機能を識別可能に表示する、
処理をコンピュータが実行することを特徴とするシステム分析方法。

（付記２）前記表示する処理は、
取得した前記リソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データに対応付けて、取得した前記機能の処理量のうちの前記いずれかの業務処理に関わる成分量を積み上げた積み上げ量の時系列データを、前記機能を識別可能に表示する、ことを特徴とする付記１に記載のシステム分析方法。

（付記３）前記リソースの負荷量の時系列データと、前記機能の処理量の時系列データとを取得し、
取得した前記リソースの負荷量の時系列データと、取得した前記機能の処理量の時系列データとに基づいて、前記リソースの負荷量と、前記機能の処理量とを要素とするベクトルを列または行として含む行列を生成し、
生成した前記行列に対して非負値行列因子分解を実施し、所定の数分の基底ベクトルのそれぞれを列または行として含む基底行列を生成し、
生成した前記基底行列に含まれる前記所定の数分の基底ベクトルのそれぞれが表す複数の成分量を、前記リソースと前記機能とについて分離することにより、前記複数の業務処理のそれぞれの業務処理について、前記リソースの負荷量のうちの当該業務処理に関わる成分量の時系列データと、前記機能の処理量のうちの当該業務処理に関わる成分量の時系列データとを取得する、処理を前記コンピュータが実行する、ことを特徴とする付記１または２に記載のシステム分析方法。

（付記４）前記リソースの負荷量のうちの前記複数の業務処理のそれぞれの業務処理に関わる成分量の時系列データを取得し、
前記それぞれの業務処理の業務量の指定を受け付け、
取得した前記リソースの負荷量のうちの前記複数の業務処理のそれぞれの業務処理に関わる成分量の時系列データと、前記指定を受け付けた前記それぞれの業務処理の業務量とに基づいて、前記リソースの負荷量の時系列データを生成し、
生成した前記時系列データを出力する、処理を前記コンピュータが実行する、ことを特徴とする付記１〜３のいずれか一つに記載のシステム分析方法。

（付記５）前記負荷量と前記処理量とは、正規化された量である、ことを特徴とする付記１〜４のいずれか一つに記載のシステム分析方法。

（付記６）前記リソースは、ＣＰＵとメモリと通信帯域とのいずれかである、ことを特徴とする付記１〜５のいずれか一つに記載のシステム分析方法。

（付記７）前記リソースは、同一の機器における異なる種類のリソースのそれぞれである、ことを特徴とする付記１〜６のいずれか一つに記載のシステム分析方法。

（付記８）前記リソースは、異なる機器におけるリソースのそれぞれである、ことを特徴とする付記１〜７のいずれか一つに記載のシステム分析方法。

（付記９）前記機能は、所定の画面にアクセスする機能である、ことを特徴とする付記１〜８のいずれか一つに記載のシステム分析方法。

（付記１０）前記所定の数は、前記リソースを使用して実行される業務処理の数に基づいて設定される、ことを特徴とする付記３に記載のシステム分析方法。

（付記１１）前記所定の数は、前記ベクトルの次元の数に基づいて設定される、ことを特徴とする付記３に記載のシステム分析方法。

（付記１２）複数の業務処理のいずれかの業務処理について、前記複数の業務処理に使用されるリソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データと、前記複数の業務処理に使用される機能の処理量のうちの前記いずれかの業務処理に関わる成分量の時系列データとを取得し、
取得した前記リソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データに対応付けて、取得した前記機能の処理量のうちの前記いずれかの業務処理に関わる成分量の時系列データを、前記機能を識別可能に表示する、
処理をコンピュータに実行させることを特徴とするシステム分析プログラム。

１００ 情報処理装置
１０１〜１０４，１７０１〜１７０４，１８０１〜１８０４，２２０１，２２０２ 時系列データ
２００ 業務処理システム
２０１ 業務処理装置
２１０ ネットワーク
３００ バス
３０１ ＣＰＵ
３０２ メモリ
３０３ ネットワークＩ／Ｆ
３０４ 記録媒体Ｉ／Ｆ
３０５ 記録媒体
４００ 稼働テーブル
５００ 正規化稼働テーブル
６００ ベクトルテーブル
７００ 成分テーブル
８００ 分離結果テーブル
９００ 業務量テーブル
１０００ 予測テーブル
１１００ 全体予測テーブル
１２００ 記憶部
１２０１ 取得部
１２０２ 分解部
１２０３ 統合部
１２０４ 抽出部
１２０５ 分離部
１２０６ 分析部
１２０７ 出力部
１３００ 分析者
１３０１，１３０２ 履歴
１３１１ 正規化統合部
１３１２ 成分量推定部
１３１３ 業務判別情報作成部
１３２１ 負荷量算出部
１５０１，１５０２ 負荷量群
１５０３，１５０４ 処理量群
１６０１〜１６０４ 成分量群
１９０１，１９０２ グラフ

Claims (5)

1. 複数の業務処理のいずれかの業務処理について、前記複数の業務処理に使用されるリソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データと、前記複数の業務処理に使用される機能の処理量のうちの前記いずれかの業務処理に関わる成分量の時系列データとを取得し、
   取得した前記リソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データに対応付けて、取得した前記機能の処理量のうちの前記いずれかの業務処理に関わる成分量の時系列データを、前記機能を識別可能に表示する、
   処理をコンピュータが実行することを特徴とするシステム分析方法。
2. 前記表示する処理は、
   取得した前記リソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データに対応付けて、取得した前記機能の処理量のうちの前記いずれかの業務処理に関わる成分量を積み上げた積み上げ量の時系列データを、前記機能を識別可能に表示する、ことを特徴とする請求項１に記載のシステム分析方法。
3. 前記リソースの負荷量の時系列データと、前記機能の処理量の時系列データとを取得し、
   取得した前記リソースの負荷量の時系列データと、取得した前記機能の処理量の時系列データとに基づいて、前記リソースの負荷量と、前記機能の処理量とを要素とするベクトルを列または行として含む行列を生成し、
   生成した前記行列に対して非負値行列因子分解を実施し、所定の数分の基底ベクトルのそれぞれを列または行として含む基底行列を生成し、
   生成した前記基底行列に含まれる前記所定の数分の基底ベクトルのそれぞれが表す複数の成分量を、前記リソースと前記機能とについて分離することにより、前記複数の業務処理のそれぞれの業務処理について、前記リソースの負荷量のうちの当該業務処理に関わる成分量の時系列データと、前記機能の処理量のうちの当該業務処理に関わる成分量の時系列データとを取得する、処理を前記コンピュータが実行する、ことを特徴とする請求項１または２に記載のシステム分析方法。
4. 前記リソースの負荷量のうちの前記複数の業務処理のそれぞれの業務処理に関わる成分量の時系列データを取得し、
   前記それぞれの業務処理の業務量の指定を受け付け、
   取得した前記リソースの負荷量のうちの前記複数の業務処理のそれぞれの業務処理に関わる成分量の時系列データと、前記指定を受け付けた前記それぞれの業務処理の業務量とに基づいて、前記リソースの負荷量の時系列データを生成し、
   生成した前記時系列データを出力する、処理を前記コンピュータが実行する、ことを特徴とする請求項１〜３のいずれか一つに記載のシステム分析方法。
5. 複数の業務処理のいずれかの業務処理について、前記複数の業務処理に使用されるリソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データと、前記複数の業務処理に使用される機能の処理量のうちの前記いずれかの業務処理に関わる成分量の時系列データとを取得し、
   取得した前記リソースの負荷量のうちの前記いずれかの業務処理に関わる成分量の時系列データに対応付けて、取得した前記機能の処理量のうちの前記いずれかの業務処理に関わる成分量の時系列データを、前記機能を識別可能に表示する、
   処理をコンピュータに実行させることを特徴とするシステム分析プログラム。

Images