JP2021082873A - 予兆監視装置、予兆監視方法およびプログラム - Google Patents

Abstract

【課題】通信システムの光モジュールが経年劣化等により故障が発生した場合、原因を分析して故障している部品を特定し、正常な部品への交換を実施していた。しかし、この方法では故障による性能遅延や動作停止を未然に防ぐことはできない。【解決手段】予兆監視装置は、光モジュール及びケーブルを有する通信部によって複数のコンピュータを接続する通信システムから時系列データを取得する取得手段と、通信部が故障した場合に通信システムから取得した時系列データである故障データの特徴量を学習した学習済みモデルを記憶するモデル記憶手段と、通信システムから取得した時系列データを学習済みモデルに入力して、通信部に故障の予兆があるか否かの判定を行う判定手段と、を備える。【選択図】図１

Description

本発明は、予兆監視装置、予兆監視方法およびプログラムに関する。

光モジュールおよびケーブルを用いた通信システムが知られている。特許文献１−３には、光モジュールを用いた通信システムにおける故障の判定技術が開示されている。
特許文献１には、ひずみを受けたサンプルデジタル信号に現れる１波形の波形状と、当該１波形が表す０または１の符号と、の対応関係を示す推論マッピングモデルを記憶し、当該推論マッピングを参照して、実デジタル信号に現れる１波形ごとに符号を逐次特定することにより、内部環境や外部環境の影響でデジタル信号の波形がひずみを受けても、現信号を精度良く推定する技術が開示されている。

特許文献２には、光モジュールの状態を診断監視して所定の診断監視結果を不揮発性メモリに格納し、光通信装置の起動時に所定の出力条件を満たす場合、当該診断監視結果を出力することにより、光モジュールの状況変化を把握して障害や故障の原因分析あるいは予測に反映させる技術が開示されている。

特許文献３には、光モジュールが実装された場合、稼働時間および劣化ポイント累積値を所定時間間隔でメモリに記録し、当該光モジュールが再実装された場合に、当該劣化ポイント累積値に基づいて、当該光モジュールの劣化度を予想することにより、光モジュールの故障劣化具合を高い精度で予想する技術が開示されている。

特開２０１９−０５７８９５号公報 特開２０１７−１９５４５３号公報 特開２０１５−０２６９５５号公報

通信システムの光モジュールの経年劣化等により通信システムに故障が発生した場合、原因を分析して故障している部品を特定し、正常な部品への交換を実施する必要がある。しかし、この方法では故障による性能遅延や動作停止を未然に防ぐことが困難である。
本発明の目的は、上述した課題を解決する予兆監視装置、予兆監視方法およびプログラムを提供することにある。

本発明に係る予兆監視装置は、光モジュール及びケーブルを有する通信部によって複数のコンピュータを接続する通信システムから時系列データを取得する取得手段と、通信部が故障した場合に通信システムから取得した時系列データである故障データの特徴量を学習した学習済みモデルを記憶するモデル記憶手段と、通信システムから取得した時系列データを学習済みモデルに入力して、通信部に故障の予兆があるか否かの判定を行う判定手段と、を備える。

本発明に係る予兆監視方法は、光モジュール及びケーブルを有する通信部によって複数のコンピュータを接続する通信システムから時系列データを取得するステップと、通信部が故障した場合に通信システムから取得した時系列データである故障データの特徴量を学習した学習済みモデルを記憶するステップと、通信システムから取得した時系列データを学習済みモデルに入力して、通信部に故障の予兆があるか否かの判定を行うステップと、を有する。

本発明に係るプログラムは、コンピュータを、光モジュール及びケーブルを有する通信部によって複数のコンピュータを接続する通信システムから時系列データを取得する取得手段、通信部が故障した場合に通信システムから取得した時系列データである故障データの特徴量を学習した学習済みモデルを記憶するモデル記憶手段、通信システムから取得した時系列データを学習済みモデルに入力して、通信部に故障の予兆があるか否かの判定を行う判定手段、として機能させる。

上記態様のうち少なくとも１つの態様によれば、予兆監視装置は通信システムの通信部に故障の予兆があるか否かの判定を行うので、当該通信システムの故障による性能遅延や動作停止を未然に防ぐことができる。

一実施形態に係る予兆監視装置の構成を示す図である。 一実施形態に係る制御装置の構成を示す概略ブロック図である。 一実施形態に係る予兆監視装置の学習に係る動作を示すフローチャートである。 一実施形態に係る予兆監視装置の機械学習に係る動作を示すフローチャートである。 一実施形態に係る予兆監視装置の故障の予兆に係る動作を示すフローチャートである。 基本構成に係る予兆監視装置の構成を示す概略ブロック図である。 少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。

〈第１の実施形態〉
《予兆監視装置の構成》
以下、図面を参照しながら実施形態について詳しく説明する。
図１は、第１の実施形態に係る予兆監視装置１０の構成を示す図である。
予兆監視装置１０は、通信システム１に接続し、当該通信システム１から故障データを取得して故障の予兆があるか否かを判定する装置である。

通信システム１は、サーバ２０と、スイッチ装置３０と、ストレージ４０と、通信部５０とを備える。上記サーバ２０と、スイッチ装置３０と、ストレージ４０は複数のコンピュータの一例である。通信システム１は通信部５０として、サーバ２０とスイッチ装置３０とを接続させる通信部５０Ａと、スイッチ装置３０とストレージ４０とを接続させる通信部５０Ｂとを備える。

サーバ２０は、コンピュータネットワークにおいて、他のコンピュータに対して機能やサービス、データなどを提供するコンピュータである。
スイッチ装置３０は、サーバ２０とストレージ４０の接続を中継する装置である。

ストレージ４０は、データを記憶する装置である。ストレージ４０の例としては、オンプレミスストレージと、クラウドストレージと、が挙げられる。
通信部５０は、サーバ２０とスイッチ装置３０とを接続させ、スイッチ装置３０とストレージ４０とを接続させる。通信部５０は、光モジュール５１と、ケーブル５２と、を備える。

光モジュール５１は、電気信号と光信号を相互に変換する。通信システム１は、サーバ２０とケーブル５２Ａとの間に光モジュール５１Ａを備え、ケーブル５２Ａとスイッチ装置３０との間に光モジュール５１Ｂを備える。また、通信システム１は、スイッチ装置３０と、ケーブル５２Ｂとの間に光モジュール５１Ｃを備え、ケーブル５２Ｂとストレージ４０との間に光モジュール５１Ｄを備える。

光モジュール５１Ａはサーバ２０からの電気信号を光信号に変換してケーブル５２Ａに送り、ケーブル５２Ａからの光信号を電気信号に変換してサーバ２０に送る。光モジュール５１Ｂはケーブル５２Ａからの光信号を電気信号に変換してスイッチ装置３０に送り、スイッチ装置３０からの電気信号を光信号に変換してケーブル５２Ａに送る。光モジュール５１Ｃはスイッチ装置３０からの電気信号を光信号に変換してケーブル５２Ｂに送り、ケーブル５２Ｂからの光信号を電気信号に変換してスイッチ装置３０に送る。光モジュール５１Ｄはケーブル５２Ｂからの光信号を電気信号に変換してストレージ４０に送り、ストレージ４０からの電気信号を光信号に変換してケーブル５２Ｂに送る。

ケーブル５２は、光信号を送り、保護被覆で覆われた光ファイバーである。ケーブル５２Ａは、光モジュール５１Ａから光モジュール５１Ｂに光信号を送り、光モジュール５１Ｂから光モジュール５１Ａに光信号を送る。また、ケーブル５２Ｂは、光モジュール５１Ｃから光モジュール５１Ｄに光信号を送り、光モジュール５１Ｄから光モジュール５１Ｃに光信号を送る。

通信システム１において、例えばサーバ２０からストレージ４０に信号を送る場合、以下のような動作となる。
サーバ２０の電気信号が光モジュール５１Ａにより光信号に変換されて、ケーブル５２Ａが当該光信号を光モジュール５１Ｂに送る。光モジュール５１Ｂは当該光信号を電気信号に変換してスイッチ装置３０に送る。スイッチ装置３０は電気信号を光モジュール５１Ｃに送り、光モジュール５１Ｃが当該電気信号を光信号に変換してケーブル５２Ｂに送る。ケーブル５２Ｂは光信号を光モジュール５１Ｄに送り、光モジュール５１Ｄは当該光信号を電気信号に変換してストレージ４０に送る。ストレージ４０は電気信号を受信する。

図１に示す通信システム１は、サーバ２０と、スイッチ装置３０と、ストレージ４０と、をそれぞれ１台ずつ備えるが、それぞれ複数台を備えても良い。例えば、通信システム１は、１０台のサーバ２０と、１台のスイッチ装置３０と、１台のストレージ４０と、を備えても良い。

予兆監視装置１０は、制御装置１００と、取得部２００と、を備える。取得部２００は、取得手段の一例である。予兆監視装置１０は、取得部２００として、取得部２００Ａと、取得部２００Ｂと、取得部２００Ｃと、を備える。

取得部２００は、光モジュール５１からデータを取得して、制御装置１００に当該データを送信する。取得部２００が取得するデータは、光量と、バイアス電流値と、ＩＴＷ（Ｉｎｖａｌｉｄ Ｔｒａｎｓｍｉｓｓｉｏｎ Ｗｏｒｄ）のエラー値と、ＣＲＣ（Ｃｙｃｌｉｃ Ｒｅｄｕｎｄａｎｃｙ Ｃｈｅｃｋ）のエラー値と、の時系列データを含む。また、取得部２００が取得するデータは、光モジュール５１の型番と、光モジュール５１の位置を特定できる位置情報の、データを含む。取得部２００Ａは光モジュール５１Ａに接続して、光モジュール５１Ａからデータを取得する。取得部２００Ｂは光モジュール５１Ｂ及び光モジュール５１Ｃからデータを取得する。取得部２００Ｃは光モジュール５１Ｄからデータを取得する。

上記光量とは、光モジュール５１Ａと、光モジュール５１Ｂと、光モジュール５１Ｃと、光モジュール５１Ｄとの、それぞれの光モジュール５１で変換された光信号の光のエネルギーの量である。上記位置情報とは、光モジュール５１の位置を特定できる光モジュール５１固有の識別情報である。例えば、光モジュール５１Ａに１の位置情報が、光モジュール５１Ｂに２の位置情報が、光モジュール５１Ｃに３の位置情報が、光モジュール５１Ｄに４の位置情報が与えられても良い。

制御装置１００は、取得部２００からデータを受け入れて、故障データの特徴量に係るモデルを学習して記憶し、当該モデルにより故障の予兆があるか否かを判定する装置である。上記故障データとは、通信部５０が故障した場合に通信システム１から取得した時系列データである。図２は、制御装置１００の構成を示す概略ブロック図である。制御装置１００は、データ受信手段１０５と、データ記憶手段１１０と、入力受入手段１２０と、モデル学習手段１３０と、モデル記憶手段１４０と、モデル更新手段１５０と、判定手段１６０と、時期予測手段１７０と、位置特定手段１８０と、出力手段１９０と、を備える。

データ受信手段１０５は、取得部２００Ａと、取得部２００Ｂと、取得部２００Ｃと、が送信したデータを受信する。データ記憶手段１１０は、データ受信手段１０５が受信したデータを記憶する。データ記憶手段１１０の例としては、オンプレミスストレージと、クラウドストレージと、が挙げられる。

入力受入手段１２０は、予兆監視装置１０のユーザから故障入力を受け入れ、データ受信手段１０５が記憶しているデータのうち、当該故障入力が含んでいる故障時刻から一定の時間のデータに上記の故障入力に関連付けて、故障データとしてデータ記憶手段１１０に記録する。また、入力受入手段１２０は、予兆監視装置１０のユーザから学習開始の入力と、機械学習開始の入力と、機械学習終了の入力と、を受け入れる。上記故障入力とは、通信部５０が故障した旨の入力である。

モデル学習手段１３０は、入力受入手段１２０が学習開始の入力を受け入れた場合、データ記憶手段１１０が記憶している故障データの特徴量を学習することにより、学習済みモデルを生成して、モデル記憶手段１４０に記録する。モデル記憶手段１４０は、モデル学習手段１３０により学習された学習済みモデルを記憶する。モデル記憶手段１４０の例としては、オンプレミスストレージと、クラウドストレージと、が挙げられる。

モデル学習手段１３０の動作の一例を以下に説明する。
入力受入手段１２０が学習開始の入力を受け入れた場合、モデル学習手段１３０は、データ記憶手段１１０が記憶している故障データの特徴量のうち、故障した時刻の前に係る一部の期間の時系列データを教師データの入力データとし、故障した時刻を含む一部の期間の時系列データを教師データの出力データとして、故障データの特徴量である光量、バイアス電量、ＩＴＷのエラー値、ＣＲＣのエラー値、位置情報、光モジュール５１の型番と、時刻とを関連付けた重みを決定する。モデル学習手段１３０は、上記重みと、時刻と、当該重みに関連付けられた特徴量とを用いる式であるモデルを生成することにより、モデルを学習する。

通信システム１の故障の場合、以下のような傾向が現れることが知られている。
例えば、通信部５０の故障の原因の一つである経年劣化では、光モジュール５１の光量の減衰傾向が現れる。また、この場合、光モジュール５１からのバイアス電流の一時的な増加が現れる。サーバ２０、スイッチ装置３０またはストレージ４０の故障やケーブル５２の故障の場合、ＩＴＷのエラー値又はＣＲＣのエラー値が増加傾向を示す。

このため、予兆監視装置１０のユーザが通信システム１の故障を検知して故障入力をし、当該故障入力を入力受入手段１２０が受け入れた場合、当該故障入力を受け入れた時刻から一定の時間のデータには、故障していない場合とは異なる傾向が現れる。このような傾向から現れるデータの特徴量を上記モデル学習手段１３０が学習することにより、故障を予兆できる学習済みモデルが生成される。

モデル更新手段１５０は、入力受入手段１２０が機械学習開始の入力を受け入れた後から入力受入手段１２０が機械学習終了の入力を受け入れる前まで、当該入力の後に新たにデータ記憶手段１１０に記録される故障データの特徴量を用いて、モデル記憶手段１４０が記憶している学習済みモデルを更新する。すなわち、モデル更新手段１５０は、入力受入手段１２０が機械学習開始の入力を受け入れた後から入力受入手段１２０が機械学習終了の入力を受け入れる前まで、入力受入手段１２０が故障入力を受け入れる度に、当該故障入力に係る故障データの特徴量を用いて、モデル記憶手段１４０が記憶している学習済みモデルを更新する。上記更新の手法は、モデル学習手段１３０がモデルを学習する手法を用いる。

判定手段１６０は、予め設定された時間毎に、データ記憶手段１１０が記憶しているデータを、モデル記憶手段１４０が記憶している学習済みモデルに入力して、通信部５０に故障の予兆があるか否かの判定を行う。例えば、通信部５０が故障する前は、データ記憶手段１１０が記憶している光量、バイアス電流、ＩＴＷのエラー値、ＣＲＣのエラー値が変化するため、当該変化に係る時系列データを、モデル記憶手段１４０が記憶している学習済みモデルに入力することにより、入力の時系列データの将来に係る時系列データを出力し、当該出力された時系列データと故障データに係る時系列データとを照らし合わせることにより、判定手段１６０は、通信部５０に故障の予兆があるか否かの判定を行うことができる。

時期予測手段１７０は、判定手段１６０が、通信部５０に故障の予兆があるとの判定を行った場合、当該判定の内容に基づいて、当該通信部５０が故障する時期を予測する。すなわち、時期予測手段１７０は、判定手段１６０が出力した時系列データを、故障データに係る時系列データに照らし合わせることにより、通信部５０が故障する時期を予測する。

位置特定手段１８０は、判定手段１６０が、通信部５０に故障の予兆があるとの判定を行った場合、当該判定の内容に基づいて、故障に係る光モジュール５１を特定する。すなわち、位置特定手段１８０は、判定手段１６０が出力した時系列データを、故障データに係る時系列データに照らし合わせることにより、故障に係る位置情報を特定して故障に係る光モジュール５１を特定する。

出力手段１９０は、判定手段１６０が、通信部５０に故障の予兆があるとの判定を行った場合、判定手段１６０が行った判定の内容と、時期予測手段１７０が予測した故障する時期と、位置特定手段１８０が特定した故障に係る光モジュール５１と、を出力する。出力手段１９０の例としては、ディスプレイ装置が挙げられる。

《学習に係る動作》
以下、予兆監視装置１０がモデルを学習する動作について説明する。図３は、予兆監視装置１０のモデルの学習に係る動作を示すフローチャートである。

予兆監視装置１０のユーザが予兆監視装置１０に学習開始の入力を行う。これにより、入力受入手段１２０が学習開始の入力を受け入れる（ステップＳ１）。

モデル学習手段１３０は、データ記憶手段１１０が記憶している故障データの特徴量を学習することにより、学習済みモデルを生成する（ステップＳ２）。例えば、モデル学習手段１３０は、故障する前に係る故障データの特徴量に係る時系列データを教師データの入力データとし、故障した時刻に係る故障データの特徴量に係る時系列データを教師データの出力データとして、特徴量に重み付けした式をモデルとして生成することにより学習する。

モデル学習手段１３０は、ステップＳ２で生成した学習済みモデルをモデル記憶手段１４０に記録する（ステップＳ３）。これにより、学習済みモデルはモデル記憶手段１４０に記憶される。

上記の動作により、予兆監視装置１０が故障に係る学習済みモデルを生成するため、予兆監視装置１０のユーザは当該学習済みモデルを用いて、通信システム１の故障を予兆することができる。

《機械学習に係る動作》
以下、予兆監視装置１０の機械学習に係る動作について説明する。図４は、予兆監視装置１０の機械学習に係る動作を示すフローチャートである。

予兆監視装置１０のユーザが予兆監視装置１０に機械学習開始の入力を行う。これにより、入力受入手段１２０が機械学習開始の入力を受け入れる（ステップＳ１１）。

ステップＳ１１により、機械学習開始の入力が受け入れた後、入力受入手段１２０が故障入力を受け入れた場合（ステップＳ１２：ＹＥＳ）、モデル更新手段１５０は、当該故障入力に係る故障データの特徴量を用いて、モデル記憶手段１４０が記憶している学習済みモデルを更新する（ステップＳ１３）。すなわち、モデル更新手段１５０は、予兆監視装置１０のユーザが、故障入力を行って、入力受入手段１２０が故障入力を受け入れる度に、モデル記憶手段１４０が記憶している学習済みモデルを更新する。

その後、入力受入手段１２０が機械学習終了の入力を受け入れてない場合（ステップＳ１４：ＮＯ）、予め設定された一定時間後に、ステップＳ１２に戻り、ステップＳ１２からの動作を繰り返す。入力受入手段１２０が機械学習終了の入力を受け入れた場合（ステップＳ１４：ＹＥＳ）、再度ステップＳ１２に戻ることなく動作を終了する。

他方、機械学習開始の入力が受け入れた後、入力受入手段１２０が故障入力を受け入れていない場合（ステップＳ１２：ＮＯ）、ステップＳ１３での更新の動作はなく、ステップ１４の動作を行う。

上記の動作により、予兆監視装置１０が予め設定された一定時間毎に、故障データを用いて機械学習を行って、学習済みモデルを更新するため、予兆監視装置１０のユーザは、故障の度に学習の入力を行わなくても、当該故障に係るデータを反映した学習済みモデルを用いて、通信システム１の故障を予兆することができる。

《故障の予兆に係る動作》
以下、予兆監視装置１０の故障の予兆に係る動作について説明する。図５は、予兆監視装置１０の故障の予兆に係る動作を示すフローチャートである。

判定手段１６０は、予め設定された一定時間毎に、データ記憶手段１１０が記憶しているデータを、モデル記憶手段１４０が記憶している学習済みモデルに入力して、時系列データを出力して、出力した時系列データを故障データに係る時系列データに照らし合わせて、通信部５０に故障の予兆があるか否かを判定する（ステップＳ２１）。

判定手段１６０が、ステップＳ２１において故障の予兆があると判定した場合（ステップＳ２１：ＹＥＳ）、時期予測手段１７０は、ステップＳ２１の判定の内容を用いて、通信部５０が故障する時期を予測する（ステップＳ２２）。すなわち、時期予測手段１７０は、判定手段１６０により出力された時系列データを、故障データに係る時系列データに照らし合わせて、故障に係る時期を予測する。

位置特定手段１８０は、時期予測手段１７０は、ステップＳ２１の判定の内容を用いて、通信部５０の故障に係る光モジュール５１を特定する（ステップＳ２３）。

出力手段１９０は、ステップＳ２１において判定された故障の予兆がある旨の判定の内容と、ステップＳ２２において予測された故障する時期と、ステップＳ２３において特定された故障に係る光モジュール５１と、を出力する（ステップＳ２４）。これにより、予兆監視装置１０は、故障が予兆された旨と時期、当該故障に係る光モジュール５１を確認できる。

ステップＳ２４の後、一定時間の後に、再びステップＳ２１の動作に戻り、判定手段１６０が、故障の予兆があるか否かを判定する。

他方、判定手段１６０が、ステップＳ２１において故障の予兆がないと判定した場合（ステップＳ２１：ＮＯ）、予兆監視装置１０は、ステップＳ２２からステップＳ２４までの動作を行うことなく、一定時間の後に、再びステップＳ２１の動作に戻り、判定手段１６０が、故障の予兆があるか否かを判定する。

上記の動作により、予兆管理装置１０のユーザは、モデル記憶手段１４０が記憶している学習済みモデルに基づいて、故障の予兆を判定できるため、通信システム１の故障による性能遅延や動作停止を未然に防ぐことができる。

《作用・効果》
本発明に係る予兆監視装置１０は、光モジュール５１及びケーブル５２を有する通信部５０によって複数のコンピュータを接続する通信システム１から時系列データを取得する取得手段と、通信部５０が故障した場合に通信システム１から取得した時系列データである故障データの特徴量を学習した学習済みモデルを記憶するモデル記憶手段１４０と、通信システム１から取得した時系列データを学習済みモデルに入力して、通信部５０に故障の予兆があるか否かの判定を行う判定手段１６０と、を備える。

これにより、予兆監視装置１０は、通信システム１の通信部５０に故障の予兆があるか否かの判定を行うため、当該通信システム１の故障による性能遅延や動作停止を未然に防ぐことができる。

故障データには、光量と、バイアス電流値と、ＩＴＷのエラー値と、ＣＲＣのエラー値と、光モジュール５１の型番と、光モジュール５１の位置を特定できる位置情報と、が含まれる。

これにより、予兆監視装置１０は、通信システム１の通信部５０が故障する場合に値が変化する傾向がある光量、バイアス電流値と、ＩＴＷのエラー値と、ＣＲＣのエラー値と、光モジュール５１の型番と、光モジュール５１の位置を特定できる位置情報が含まれた故障データを用いて、故障の予兆の判定を行うため、より明確に故障の予兆を判定することができる。

また、予兆監視装置１０は、判定手段１６０が、通信部５０に故障の予兆があるとの判定を行った場合、当該判定の内容に基づいて、当該通信部５０が故障する時期を予測する時期予測手段１７０と、を備える。

これにより、予兆監視装置１０は、予兆した故障に係る時期を予測するため、予兆監視装置１０のユーザは、通信部５０が故障する時期を予測することができる。

また、予兆監視装置１０は、判定手段１６０が、通信部５０に故障の予兆があるとの判定を行った場合、当該判定の内容に基づいて、故障に係る光モジュールを特定する位置特定手段１８０と、を備える。

これにより、予兆監視装置１０は、予兆した故障に係る光モジュール５１を特定するため、予兆監視装置１０のユーザは、故障が予兆される光モジュール５１を特定することができ、未然に当該光モジュール５１の性能遅延や動作停止を防ぐことができる。

また、予兆監視装置１０は、判定手段１６０の判定の内容を出力する出力手段１９０と、を備える。これにより、予兆監視装置１０のユーザは、故障の予兆に係る判定の内容を確認することができる。

また、予兆監視装置１０は、通信システム１から取得した故障データの特徴量を用いて、モデル記憶手段１４０が記憶している学習済みモデルを更新するモデル更新手段１５０と、を備える。

これにより、予兆監視装置１０は、通信システム１から取得した故障データの特徴量を用いて学習済みモデルを更新することにより機械学習を行い、予兆監視装置１０のユーザは、取得した故障データに基づいて更新された学習済みモデルでの故障の予兆ができる。

〈基本構成〉
以下、基本構成に係る予兆監視装置１０について説明する。図６は、基本構成に係る予兆監視装置１０の構成を示す概略ブロック図である。基本構成に係る予兆監視装置１０は、データ受信手段１０５と、データ記憶手段１１０と、入力受入手段１２０と、モデル学習手段１３０と、モデル記憶手段１４０と、判定手段１６０と、を備える。

基本構成に係る予兆監視装置１０は、サーバ２０とストレージ４０とスイッチ装置３０と光モジュール５１及びケーブル５２を有する通信部５０とを備え、サーバ２０とストレージ４０とは通信部５０によりスイッチ装置３０に接続される通信システム１に、接続し、通信部５０が故障した場合に通信システム１から取得した時系列データである故障データの特徴量を学習した学習済みモデルを記憶するモデル記憶手段１４０と、通信システム１から取得した時系列データを学習済みモデルに入力して、通信部５０に故障の予兆があるか否かの判定を行う判定手段１６０と、を備える。

これにより、予兆監視装置１０は、通信システム１の通信部５０に故障の予兆があるか否かの判定を行うため、当該通信システム１の故障による性能遅延や動作停止を未然に防ぐことができる。

〈他の実施形態〉
以上、図面を参照して一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、様々な設計変更等をすることが可能である。

上記の実施形態に係る予兆監視装置１０は、故障の予兆に用いる学習済みモデルの学習に、光量と、バイアス電流値と、ＩＴＷのエラー値と、ＣＲＣのエラー値と、光モジュール５１の型番と、光モジュール５１の位置を特定できる位置情報の、時系列データを用いるが、他に通信システム１から取得できるデータを用いて学習済みモデルを学習して、故障を予兆しても良い。

図７は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。コンピュータ１１００は、プロセッサ１１１０、メインメモリ１１２０、ストレージ１１３０、インタフェース１１４０を備える。

上述の制御装置１００は、コンピュータ１１００に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ１１３０に記憶されている。プロセッサ１１１０は、プログラムをストレージ１１３０から読み出してメインメモリ１１２０に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ１１１０は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ１１２０に確保する。

プログラムは、コンピュータ１１００に発揮させる機能の一部を実現するためのものであってもよい。例えば、プログラムは、ストレージ１１３０に既に記憶されている他のプログラムとの組み合わせ、または他の装置に実装された他のプログラムとの組み合わせによって機能を発揮させるものであってもよい。なお、他の実施形態においては、コンピュータ１１００は、上記構成に加えて、または上記構成に代えてＰＬＤ（Programmable Logic Device）などのカスタムＬＳＩ（Large Scale Integrated Circuit）を備えてもよい。ＰＬＤの例としては、ＰＡＬ(Programmable Array Logic)、ＧＡＬ(Generic Array Logic)、ＣＰＬＤ(Complex Programmable Logic Device)、ＦＰＧＡ（Field Programmable Gate Array）が挙げられる。この場合、プロセッサ１１１０によって実現される機能の一部または全部が当該集積回路によって実現されてよい。

ストレージ１１３０の例としては、磁気ディスク、光磁気ディスク、半導体メモリ等が挙げられる。ストレージ１１３０は、コンピュータ１１００のバスに直接接続された内部メディアであってもよいし、インタフェース１１４０または通信回線を介してコンピュータに接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ１１００に配信される場合、配信を受けたコンピュータ１１００が当該プログラムをメインメモリ１１２０に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ１１３０は、一時的でない有形の記憶媒体である。

また、当該プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、当該プログラムは、前述した機能をストレージ１１３０に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であってもよい。

１ 通信システム
１０ 予兆監視装置
２０ サーバ
３０ スイッチ装置
４０ ストレージ
５０ 通信部
５１ 光モジュール
５２ ケーブル
１００ 制御装置
１０５ データ受信手段
１１０ データ記憶手段
１２０ 入力受入手段
１３０ モデル学習手段
１４０ モデル記憶手段
１５０ モデル更新手段
１６０ 判定手段
１７０ 時期予測手段
１８０ 位置特定手段
１９０ 出力手段
２００ 取得部
１１００ コンピュータ
１１１０ プロセッサ
１１２０ メインメモリ
１１３０ ストレージ
１１４０ インタフェース

本発明に係る予兆監視装置は、光モジュール及びケーブルを有する通信部によって複数のコンピュータを接続する通信システムから時系列データを取得する取得手段と、通信部が故障した場合に通信システムから取得した時系列データである故障データの特徴量のうち、故障した時刻の前に係る一部の期間の時系列データを教師データの入力データとし、故障した時刻を含む一部の期間の時系列データを教師データの出力データとして学習した学習済みモデルを記憶するモデル記憶手段と、通信システムから取得した時系列データを学習済みモデルに入力して、通信部に故障の予兆があるか否かの判定を行う判定手段と、を備え、前記時系列データには、光量と、バイアス電流値と、ＩＴＷのエラー値と、ＣＲＣのエラー値と、前記光モジュールの型番と、前記光モジュールの位置を特定できる位置情報と、が含まれる。

本発明に係る予兆監視方法は、光モジュール及びケーブルを有する通信部によって複数のコンピュータを接続する通信システムから時系列データを取得するステップと、通信部が故障した場合に通信システムから取得した時系列データである故障データの特徴量のうち、故障した時刻の前に係る一部の期間の時系列データを教師データの入力データとし、故障した時刻を含む一部の期間の時系列データを教師データの出力データとして学習した学習済みモデルを記憶するステップと、通信システムから取得した時系列データを学習済みモデルに入力して、通信部に故障の予兆があるか否かの判定を行うステップと、を有し、前記時系列データには、光量と、バイアス電流値と、ＩＴＷのエラー値と、ＣＲＣのエラー値と、前記光モジュールの型番と、前記光モジュールの位置を特定できる位置情報と、が含まれる。

本発明に係るプログラムは、コンピュータを、光モジュール及びケーブルを有する通信部によって複数のコンピュータを接続する通信システムから時系列データを取得する取得手段、通信部が故障した場合に通信システムから取得した時系列データである故障データの特徴量のうち、故障した時刻の前に係る一部の期間の時系列データを教師データの入力データとし、故障した時刻を含む一部の期間の時系列データを教師データの出力データとして学習した学習済みモデルを記憶するモデル記憶手段、通信システムから取得した時系列データを学習済みモデルに入力して、通信部に故障の予兆があるか否かの判定を行う判定手段、として機能させ、前記時系列データには、光量と、バイアス電流値と、ＩＴＷのエラー値と、ＣＲＣのエラー値と、前記光モジュールの型番と、前記光モジュールの位置を特定できる位置情報と、が含まれる。

Claims (8)

1. 光モジュール及びケーブルを有する通信部によって複数のコンピュータを接続する通信システムから時系列データを取得する取得手段と、
   前記通信部が故障した場合に前記通信システムから取得した時系列データである故障データの特徴量を学習した学習済みモデルを記憶するモデル記憶手段と、
   前記通信システムから取得した時系列データを前記学習済みモデルに入力して、前記通信部に故障の予兆があるか否かの判定を行う判定手段と、
   を備える予兆監視装置。
2. 前記時系列データには、光量と、バイアス電流値と、ＩＴＷのエラー値と、ＣＲＣのエラー値と、前記光モジュールの型番と、前記光モジュールの位置を特定できる位置情報と、が含まれる
   請求項１に記載の予兆監視装置。
3. 前記判定手段が、前記通信部に故障の予兆があるとの判定を行った場合、前記判定の内容に基づいて、当該通信部が故障する時期を予測する時期予測手段と、
   を備える請求項１または請求項２に記載の予兆監視装置。
4. 前記判定手段が、前記通信部に故障の予兆があるとの判定を行った場合、前記判定の内容に基づいて、故障に係る光モジュールを特定する位置特定手段と、
   を備える請求項１から請求項３の何れか１項に記載の予兆監視装置。
5. 前記判定手段の判定の内容を出力する出力手段と、
   を備える請求項１から請求項４の何れか１項に記載の予兆監視装置。
6. 前記通信システムから取得した前記故障データの特徴量を用いて、前記モデル記憶手段が記憶している前記学習済みモデルを更新するモデル更新手段と、
   を備える請求項１から請求項５の何れか１項に記載の予兆監視装置。
7. 光モジュール及びケーブルを有する通信部によって複数のコンピュータを接続する通信システムから時系列データを取得するステップと、
   前記通信部が故障した場合に前記通信システムから取得した時系列データである故障データの特徴量を学習した学習済みモデルを記憶するステップと、
   前記通信システムから取得した時系列データを前記学習済みモデルに入力して、前記通信部に故障の予兆があるか否かの判定を行うステップと、
   を有する予測監視方法。
8. コンピュータを、
   光モジュール及びケーブルを有する通信部によって複数のコンピュータを接続する通信システムから時系列データを取得する取得手段、
   前記通信部が故障した場合に前記通信システムから取得した時系列データである故障データの特徴量を学習した学習済みモデルを記憶するモデル記憶手段、
   前記通信システムから取得した時系列データを前記学習済みモデルに入力して、前記通信部に故障の予兆があるか否かの判定を行う判定手段、
   として機能させるプログラム。

Images