JP2021108127A - 知識集約型データ処理システム - Google Patents
知識集約型データ処理システム Download PDFInfo
- Publication number
- JP2021108127A JP2021108127A JP2021020802A JP2021020802A JP2021108127A JP 2021108127 A JP2021108127 A JP 2021108127A JP 2021020802 A JP2021020802 A JP 2021020802A JP 2021020802 A JP2021020802 A JP 2021020802A JP 2021108127 A JP2021108127 A JP 2021108127A
- Authority
- JP
- Japan
- Prior art keywords
- data
- query
- execution
- time
- data object
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
Abstract
Description
本願は、2015年3月23日に出願され、「知識集約型データ処理システム」と題された米国特許出願第14/665171号の利益を主張し、その開示の全体が引用により本明細書に援用される。
クラウドサービスの管理、履行センタの監督、グリッドの管理、科学の進歩、患者の治療などの複雑な応用は、巨大量のデータの構築処理を管理するアプリケーションを必要とする可能性がある。一例として、SLA(Service Level Agreement)の準拠は、多くの
クラウド運用にとって重要な要件である。SLA違反を回避する操作を可能にするまたは違反が発生した場合に問題の解決案をより迅速に提供するように、SLAの準拠は、重要な性能基準の連続監視および切迫してくるSLA違反を検出する予測診断機能を必要とする。このようなクラウド運用は、管理者側および/または顧客側のプライベートクラウド、パブリッククラウドおよびハイブリッドクラウド内のデータセンタ、ネットワーク、サーバマシン、仮想マシン、オペレーティングシステム、データベース、ミドルウェアおよびアプリケーションなどの数百万個のハードウェア要素およびソフトウェア要素を監視、診断および管理する必要がある。
本明細書に記載の実施形態は、ビッグデータ(big data)および関連技術を用いて、低価値データから高価値データを取得および抽出することによって、大量の複雑な大容量および高速データを管理および処理するための様々な技術を提供する。本明細書に記載された例示的なデータベースシステムは、高価値データを抽出または生成すると共に、データを収集および処理することができる。高価値データは、多時間性、出所、フラッシュバックおよび登録クエリなどの機能を提供するデータベースに利用されてもよい。いくつかの例において、コンピューティングモデルおよびシステムを実装することによって、データ駆動状況を認識するコンピューティングシステム内のほぼリアルタイムのデータ処理フレームワークに、知識およびプロセス管理特徴を組み入れることができる。
成物を含むフィルタクエリは、更新された多時間データに基づいて、特定されてもよい。フィルタクエリおよび/またはデータトランザクションプロセスは、現在のデータ状態および1つ以上の過去のデータ状態に基づいて実行されてもよく、複数の実行の間の差は、評価されてもよい。異なるフィルタクエリおよび/または異なる時間およびデータ状態に対応するデータトランザクションプロセスの結果間の差を用いて、追加のデータトランザクションプロセスおよび/またはループアプリケーションインスタンスを呼び出すことができる。
以下の記載において、説明の目的で、本発明の様々な実施形態を完全に理解できるよう
にするために、多くの具体的な詳細を記載する。しかしながら、これらの具体的な詳細がなくても本発明を実施できることは、当業者には明らかであろう。場合によって、一部の周知の構造および装置は、ブロック図で示される。
ラッシュバックおよび登録クエリなどの機能を提供するデータベースに利用されてもよい。いくつかの例において、コンピューティングモデルおよびシステムを実装することによって、データ駆動状況を認識するコンピューティングシステム内のほぼリアルタイムのデータ処理フレームワークに、知識およびプロセス管理特徴を組み入れることができる。
ルタは、データオブジェクトおよび/または変換オブジェクトの変更インスタンスを検出するデータベースシステムに登録された1つ以上のクエリを含むことができる。このようなフィルタは、データベーストリガ、リアルタイムジャーナル解析および/または多時間または双時間データベースシステム上に登録されたクエリを用いて、実装することができる。
のタイプのデータオブジェクトを別のタイプのデータオブジェクトに変換する異なるアルゴリズムまたはシステムの実装であってもよい。例示的な実行モデル100は、4つのタイプのデータオブジェクトおよび4つのタイプの変換オブジェクトを含むが、理解すべきことは、異なる実装例において、異なる数のデータオブジェクトおよび変換オブジェクト(例えば、2つのデータオブジェクトおよび2つの変換オブジェクト、3つのデータオブジェクトおよび3つの変換オブジェクト、...、5つのデータオブジェクトおよび5つの変換オブジェクト)を使用することができることである。また、理解すべきことは、異なる実施形態においてより多くのフィルタオブジェクトまたはより少ないフィルタオブジェクトを実装してもよく、特定の実施形態において一部のフィルタまたは全てのフィルタを実装しなくてもよいことである。
更新するために、変換パラメータおよび周期ファクタを変換オブジェクトに組み込むこと
ができる。
れた各親クラスから、タイプ特有のサブクラス、例えば、第1タイプのデータオブジェクトサブクラス、第2タイプのデータオブジェクトサブクラス、第3タイプのデータオブジェクトサブクラスおよび第4タイプのデータオブジェクトサブクラス、並びに、第1タイプの変換オブジェクトサブクラス、第2タイプの変換オブジェクトサブクラス、第3タイプの変換オブジェクトサブクラスおよび第4タイプの変換オブジェクトサブクラスを導出することができる。各クラスおよびサブクラスの実装には、適用可能なオブジェクトのカテゴリおよびタイプに適したラベルおよび属性を与えることができる。例えば、実行エンジンは、第1タイプのデータオブジェクトをインスタンス化し、そのデータオブジェクトに関連する属性値を格納することができる。同様に、第1タイプの変換オブジェクトをインスタンス化し、その変換オブジェクトに関連する属性値を格納することができる。以下同様。これらのオブジェクトの各々の定義およびこれらのオブジェクトの全てのインスタンスは、1つ以上のアプリケーションに関連するデータストアに格納されてもよい。例えば、データ駆動型変換ループアプリケーションの実行エンジンは、様々なデータベース技術を用いて、データオブジェクト、変換オブジェクトおよびフィルタオブジェクトの定義およびインスタンスを格納することができる。各インスタンスの履歴を取り出すことができるように、双方向および/または多時間データベースを用いて、各オブジェクトの各インスタンスの複数のバージョンを維持することができる。さらに、いくつかの実施形態において、実行エンジンは、オブジェクトのマッピング(クラス、サブクラスなどのインスタンス化)を生成し、格納することができる。
とによって、環境のデータまたは状態を変換することができる。変換オブジェクトは、直接に同時に動作する必要のない特殊のアルゴリズムを表すことがある。データ駆動型プロセスの実行エンジンは、変換オブジェクトの多様なアルゴリズムを別々に開発し、これらのアルゴリズムを、標準化データモデルを介して相間作用する様々なタイプの変換オブジェクト(例えば、第1タイプから第4タイプの変換オブジェクト)としてカプセル化することによって、共通アプリケーションとして進化できる単一のシステムに統合することができる。システム内の様々なアルゴリズムは、相互に補完し、強化することができる。また、実行モデル100内の一部の構成要素は、エージェントオブジェクトのインスタンスと情報を交換するユーザインターフェイスおよびメッセージ通信システムを含むことがで
きる。実行モデル100は、データオブジェクトインスタンスの変化を連続的に照会し、従属の変換オブジェクトの実行を開始することによって、情報交換を駆動する。さらに、変換オブジェクトのアップグレード(例えば、アルゴリズムの更新、新しいバージョンのソフトウェアのリリースなど)は、その変換オブジェクトによる変換を既に適用したデータオブジェクトインスタンスの遡及処理をトリガすることができる。この場合、新しい変換オブジェクト/更新された変換オブジェクトを展開した直後、変換オブジェクトによる変換を適用することができる。
ータベース技術を活用するように設計することができる。オーケストレーションエンジン220は、データ変換ループアプリケーションをHADOOPリソースマネージャ230(例えば、HADOOP YARNリソースマネージャ)などのリソースマネージャに割り当てることがで
きる。その割り当てに応答して、HADOOPリソースマネージャ230は、HADOOPクラスタ240を備える計算ノードを選択し、選択したHADOOPクラスタ240内のデータ変換ループアプリケーションのために、アプリケーションマスタ(AM)241を起動することができる。場合によって、アプリケーションマスタ241は、HADOOPリソースマネージャ230と交渉することによって、ループアプリケーションのデータ変換を実行するためのコンテナを得ることができる。ビッグデータ解析の場合、このようなデータ変換行動は、例えば、機械学習行動、大量の生データを使用する分類行動、ベイジアン信念ネットワーク(BBN)エンジン、非線形回帰プロセス、周期性動向プロセスを含んでもよい。いくつかの実施形態において、データ変換ループアプリケーションのアプリケーションマスタ241は、長時間実行するプロセスであってもよい。しかしながら、アプリケーションのループ処理(例えば、実行モデル100)の実行を停止または中断したときに、HADOOPクラスタ240内のコンテナを再使用することができる。オーケストレーションエンジン220は、各データ変換ループアプリケーションの各アプリケーションマスタ241の状態を管理することができ、各アプリケーションマスタ241は、関連するデータ変換インスタンス242の状態を管理することができる。アプリケーションマスタ241およびデータ変換インスタンス242は、1つ以上の高価値データオブジェクトを双時間データベース210内の対応するデータに同期させることができる。
ルおよびHDFSフォルダに格納することができる。いくつかの例において、横行キーのプレフィックスにおけるポッド名の32桁のMD5摘要を用いて、HBaseテーブル内の領域を
分割することによって、各ポッドの全てのデータストリームを同一HBase領域サーバに併
置することができる。縦列セル内のデータストリームは、閾値より大きくなると、HDFSファイルにオフロードされてもよい。抽出変換ロード(ETL)操作は、MapReduceのマッ
パーによって実行され、マッパーとHBase領域サーバとの間のデータローカル類似性によ
って、同一ポッドのHDFSファイルとHBase領域を同一のデータノードまたはHBase領域サーバの同一場所に配置することができる。この例で説明するデータ編成は、ループアプリケーション、データ変換操作、HBase領域およびHDFSデータノード用のアプリケーションマ
スタ241の間のデータローカルおよび比較的小さい比率のラックローカル計算を可能にすることができる。さらに、このような例において、オーケストレーションエンジン220およびアプリケーションマスタ241は、動的実体モデルを用いて、HADOOPクラスタ240を有する計算ノードを選択して、データローカルアプリケーションマスタ241およびコンテナを起動することができる。
仮想マシンと、サーバ内の物理データノードに配置されたデータベースと、スレッドセグメント、スレッドクラスおよび/またはスレッドクラス間の依存関係に従って定期的なスレッドダンプ内の高強度スタックトレースの動的分類によって発見された実体との間の関係を表すことができる。依存関係は、スレッド間のスレッド間およびプロセス間の交信を取り込むことができる。したがって、スタックトレース分類モデルを実体モデルに追加することができる。上述したように、動的実体モデルは、時間データベース(例えば、双時間データベースまたは他の多時間データベース)によって管理されてもよい。
オブジェクトのインスタンスに対応してもよい。
同様に、意図しない不確定なループの発生を回避するために、各データ変換処理を行う前にフィルタおよび閾値を実行するが、潜在的に反復するデータ変換ループおよび/または不確定なデータ変換ループであってもよい。例示的なプロセス400に使用された異なるデータオブジェクト(例えば、第1タイプの〜第4タイプのデータオブジェクト)は、異なる属性または特性を有する異なるタイプのデータオブジェクトに対応してもよく、異なる変換オブジェクト(例えば第1タイプ〜第4タイプの変換オブジェクト)は、1つのタイプのデータオブジェクトを別のタイプのデータオブジェクトに変換するための異なるアルゴリズムまたはシステムの実装に対応してもよい。さらに、例示的なプロセス400は、4つのタイプのデータオブジェクトおよび4つのタイプの変換オブジェクトを含むが、理解すべきことは、異なる実装例において、異なる数のデータオブジェクトおよび変換オブジェクト(例えば、2つのデータオブジェクトおよび2つの変換オブジェクト、3つのデータオブジェクトおよび3つの変換オブジェクト、...、5つのデータオブジェクトおよび5つの変換オブジェクト)を使用することができることである。
遡及解析を実行することができる。データ変換処理の再呼び出しまたは再実行を行うためにおよび/またはデータ駆動型ループアプリケーションに使用されるデータ、プロセスまたはフィルタを遡及的に変更するために、多時間データベース内の有効時間データを用いて、マルチデータベースの任意の過去データ状態を検索することができる。例えば、データ駆動型ループアプリケーションは、多時間データベース210内のデータ状態および/または現在時間(例えば、t8)における変換処理またはフィルタの結果および過去時間(例えば、t6)における同様のデータまたは処理を比較することができる。この例において、現在時間(t8)のデータ状態は、データ項目D3、D5、D7およびD8で構成され、過去の有効時間(t6)のデータ状態は、データ項目D3、D4、D5、D6およびD8で構成される。したがって、対応するフィルタクエリおよびデータ変換処理などは、現在時間および過去時間に実行された変換処理および処理を駆動した基礎データの状態を正確に反映することができる。
6および/または608のユーザに提供されてもよい。よって、クライアントコンピューティング装置602、604、606および/または608を操作するユーザは、1つ以上のクライアントアプリケーションを用いて、サーバ612と情報を交換することによって、これらのコンポーネントによって提供されたサービスを利用することができる。
登録商標)10およびパームOSなどのさまざまなモバイルオペレーティングシステムを実行することができ、インターネット、電子メール、ショートメッセージサービス(SMS)、ブラックベリー(登録商標)または他の通信プロトコルが有効化された手持ち式携
帯装置(例えば、iPhone(登録商標)、携帯電話、Ipad(登録商標)、タブレット、携帯情報端末(PDA)または着用できる装置(Google Glass(登録商標)ヘッドマウントディスプレイ)であってもよい。クライアントコンピューティング装置は、例示として、Microsoft Windows(登録商標)オペレーティングシステム、Apple Macintosh(登録商標)オペレーティングシステムおよび/またはLinux(登録商標)オペレーティングシステムのさまざまなバージョンを実行するパーソナルコンピュータおよび/またはラップトップコンピュータを含む汎用のパーソナルコンピュータであってもよい。クライアントコンピューティング装置は、例えば、さまざまなGNU/Linuxオペレーティングシステム、例えば、Google(登録商標)Chrome OSを含むがこれに限定されない市販のUNIX(
登録商標)またはUNIXに類似するさまざまなオペレーティングシステムを動かすワークステーションコンピュータであってもよい。代替的にまたは追加的には、クライアントコンピューティング装置602、604、606および608は、ネットワーク610を介して通信可能なシンクライアントコンピュータ、インターネット対応のゲームシステム(例えば、Kinect(登録商標)ジェスチャ入力装置を備えるまたは備えないMicrosoft Xboxゲームコンソール)、および/またはパーソナルメッセージング装置などの他の電子機器であってもよい。
他の無線プロトコルの下で動作するネットワーク)および/またはこれらのネットワークと他のネットワークの組み合わせを含むことができる。
バ、データベースサーバなどを含むさまざまな追加サーバアプリケーションおよび/または中間層アプリケーションのいずれかを動かすことができる。例示的なデータベースサーバは、Oracle(登録商標)、Microsoft(登録商標)、Sybase(登録商標)、IBM(登録商標)などの会社から市販されているものを含むがこれらに限定されない。
受信したリアルタイム更新を含むがこれらに限定されない。リアルタイム更新は、センサデータアプリケーション、金融相場表示機、ネットワーク性能測定ツール(例えば、ネットワーク監視およびトラフィック管理アプリケーション)、ページ遷移(Clickstream)
解析ツール、自動車交通監視装置などに関連するリアルタイムイベントを含むことができる。また、サーバ612は、クライアントコンピューティング装置602、604、606および608の1つ以上の表示装置を介して、データフィードおよび/またはリアルタイムイベントを表示するための1つ以上のアプリケーションを含むこともできる。
び安全性を有する方法で、顧客に提供できる一連のアプリケーション、ミドルウェアおよびデータベースサービスを含むことができる。このようなクラウドインフラストラクチャシステムの例示として、本願譲受人により提供されたOracleパブリッククラウドが挙げられる。
Service)カテゴリ、IaaS(Infrastructure as a Service)カテゴリ、またはハイブリ
ッドサービスを含む他のカテゴリのサービスに準拠して提供された1つ以上のサービスを含むことができる。顧客は、サブスクリプションの申込みによって、クラウドインフラストラクチャシステム702によって提供された1つ以上のサービスを注文することができる。これに応じて、クラウドインフラストラクチャシステム702は、顧客のサブスクリプション申込書に含まれたサービスを提供する処理を行う。
ービスを活用する新規アプリケーションを構築する能力を組織(たとえば、Oracle)に与えるサービスを含むがこれに限定されない。PaaSプラットフォームは、PaaSサービスを提供するために、基礎のソフトウェアおよびインフラストラクチャを管理し、制御することができる。顧客は、クラウドインフラストラクチャシステム上で動作するアプリケーションを利用することができる。顧客は、別々のライセンスおよびサポートを購入する必要なく、アプリケーションサービスを取得することができる。さまざまな異なるSaaSサービスを提供することができる。プラットフォームサービスの例としては、Oracle Javaクラウ
ドサービス(JCS)、Oracleデータベースクラウドサービス(DBCS)およびその他を含むがこれらに限定されない。
とができる。一実施形態において、データベースクラウドサービスは、データベースリソースを蓄積する能力を組織に与えることができる共有サービス展開モデルをサポートすることができ、DBaaS(Database as a Service)をクラウドデータベースとして顧客に提供することができる。ミドルウェアクラウドサービスは、クラウドインフラストラクチャシステム上でさまざまなビジネスアプリケーションを開発および展開するためのプラットフォームを顧客に提供することができ、Javaクラウドサービスは、クラウドインフラストラクチャシステム上でJavaアプリケーションを展開するためのプラットフォームを顧客に提供することができる。
ラウドインフラストラクチャシステム702によって提供されたサービスに共有されることができる。これらの内部共有サービスは、安全性および識別サービス、統合サービス、企業リポジトリサービス、企業管理サービス、ウイルススキャンおよびホワイトリストサービス、高可用性のバックアップおよびリカバリサービス、クラウドサポートを可能にするサービス、メールサービス、通知サービス、およびファイル転送サービスなどを含むがこれらに限定されない。
情報を利用して、顧客がオーダーしたサービスおよびリソースの提供を用意する。いくつかの例において、オーダーオーケストレーションモジュール722は、オーダー支給モジュール724のサービスを用いて、オーダーしたサービスをサポートするように、リソースの提供を用意することができる。
形成されたクアッドコア(Quad-core)処理ユニットとして実装されてもよい。
用プロセッサなどを含むことができる処理加速ユニット806をさらに備えてもよい。
またはポインティングスティック、ゲームパッド、グラフィックタブレット、スピーカなどのオーディオ/ビジュアル装置、デジタルカメラ、デジタルビデオカメラ、ポータブルメディアプレーヤ、ウェブカメラ、イメージスキャナ、指紋スキャナ、バーコードリーダ、3Dスキャナ、3Dプリンタ、レーザ距離計、および視線追跡装置を含むがこれらに限定されない。さらに、ユーザインターフェイス入力装置は、たとえば、コンピュータ断層撮影装置、磁気共鳴像装置、超音波放射断層撮影装置、および医療用超音波装置などのような医用画像入力装置を含んでもよい。また、ユーザインターフェイス入力装置は、たとえば、MIDIキーボードおよび電子楽器などの音声入力装置を含んでもよい。
またはダイナミックランダムアクセスメモリ(dynamic random access memory:DRAM)などの複数の異なる種類のメモリを含み得る。いくつかの実現例では、始動中などにコンピュータシステム800内の要素間で情報を転送することを助ける基本ルーチンを含む基本入力/出力システム(basic input/output system:BIOS)が、一般にROMに格納され得る。一例としておよび非限定的に、システムメモリ810は、クライアントアプリケーション、ウェブブラウザ、中間層アプリケーション、関係データベース管理システム(relational database management system:RDBMS)などを含み得るアプリケーシ
ョンプログラム812、プログラムデータ814およびオペレーティングシステム816も示す。一例として、オペレーティングシステム816は、マイクロソフトウィンドウズ(登録商標)、Apple Macintosh(登録商標)および/もしくはLinux(登録商標)
オペレーティングシステムのさまざまなバージョン、さまざまな市販のUNIX(登録商標)もしくはUNIXライクオペレーティングシステム(さまざまなGNU/Linuxオ
ペレーティングシステム、Google Chrome(登録商標)OSなどを含むが、これらに限定さ
れるものではない)、ならびに/または、iOS、Windows(登録商標)Phone、Android
(登録商標)OS、BlackBerry(登録商標)10 OSおよびパーム(登録商標)OSオペレーテ
ィングシステムなどのモバイルオペレーティングシステムを含み得る。
M、スタティックRAMなどの揮発性メモリに基づくSSD、DRAMベースのSSD、磁気抵抗RAM(magnetoresistive RAM:MRAM)SSD、およびDRAMとフラッシュメモリベースのSSDとの組み合わせを使用するハイブリッドSSDを含み得る。ディスクドライブおよびそれらの関連のコンピュータ可読媒体は、コンピュータ可読命令、データ構造、プログラムモジュールおよび他のデータの不揮発性記憶装置をコンピュータシステム800に提供し得る。
ーフェイスを提供する。通信サブシステム824は、他のシステムからデータを受信したり、コンピュータシステム800から他のシステムにデータを送信するためのインターフェイスの役割を果たす。たとえば、通信サブシステム824は、コンピュータシステム800がインターネットを介して1つ以上の装置に接続することを可能にし得る。いくつかの実施例では、通信サブシステム824は、(たとえば3G、4GまたはEDGE(enhanced data rates for global evolution)などの携帯電話技術、高度データネットワーク技術を用いて)無線音声および/またはデータネットワークにアクセスするための無線周波数(radio frequency:RF)トランシーバ構成要素、WiFi(IEEE1602.
11ファミリ標準または他のモバイル通信技術またはそれらの任意の組み合わせ)、全地球測位システム(global positioning system:GPS)レシーバ構成要素、および/ま
たは、他の構成要素を含み得る。いくつかの実施例では、通信サブシステム824は、無線インターフェイスに加えて、または無線インターフェイスの代わりに、有線ネットワーク接続(たとえばイーサネット)を提供し得る。
ードなどのウェブフィードなどのデータフィード826をリアルタイムでソーシャルネットワークおよび/または他の通信サービスのユーザから受信し、および/または、1つ以上の第三者情報源からリアルタイム更新を受信するように構成され得る。
の他の計算装置への接続が利用されてもよい。本明細書で提供される開示および教示に基づいて、当業者は、さまざまな実施例を実現するための他の手段および/または方法を理解するであろう。
図9を参照して、図9は、相乗的な一貫性且つ体系化である方法で、データ、知識およびプロセスを管理するための知識集約型データベースシステム(Knowledge-Intensive Database System:KIDS)モデルの例を示している。以下で説明するように、このモデ
ルは、定量ファクトを捕捉し、ファクトを分類することによってコンパクトな定性情報を導出し、導出した情報を評価することによって1つ以上の仮説を確立し、およびこれらの仮説を使用することによって指令を策定する(または禁止指令を決定する)。得られた指令を実施することによって、新しいファクトを作成することができる。以下同様。
異なるカテゴリの知識からなる。これらの4つの異なるカテゴリの知識は、特定カテゴリのデータに作用し、特定カテゴリのデータを生成する。CAREループは、正規化ワークフローを表す。データの観点から同様のモデルを見ると、FPHDループ(ファクト(Fact)、認知結果(Perception)、仮説(Hypothesis)および指令(Directive))は、4
つのタイプのデータを表す。データは、区別することなく、最新のデータベースシステムに保存されているものを記述する。形式知識は、知識を最も使用する時間および相互作用を区別することなく、記事、書籍、アプリケーションコード、ワークフロー、事件管理システムまたは判定支援システムに保存される。この欠点を補うために、CARE/FPHDループは、アプリケーションに非常に必要とされるデータ、知識、プロセス間の相互作用構造を形成する。
利用可能な既存のツールを活用し、KIDSモデルに準拠するためにサポート(制約)を追加する。KIDSインフラストラクチャは、ルール、記憶クエリ、モデル、データ変換手順および知識の使用を制御するワークフローの形で、アプリケーションの実行、データおよび知識を管理するための既存技術、特に最新のデータベースおよびアプリケーションサーバを活用する。
を含むKIDSの重要な技術の中で2つの重要な基本要素である。
・データ、知識、プロセスをより良く管理するように、アプリケーションを構造化するためのモデル、
・各対が相互作用構造に特定の目的を果たす4対の相補的カテゴリを導入することによって、データ、知識および相互作用の正規化、
・ビッグデータおよびCEPの包括的な環境、
・全ての構成要素の宣言仕様、
・状態追跡、時間変遷、および出所機能、
・インフラストラクチャの改良、ユーザ規格の進化およびデータからの知識発見を介して、アプリケーションを継続的に進化させるためのモデルを提供する。
クラウド運用にとって、SLA(Service Level Agreement)の準拠が重要な要件であ
り得る。SLA違反を回避する操作を可能にするまたは違反が発生した場合に問題の解決案をより迅速に提供するように、SLAの準拠は、重要な性能基準の連続監視および切迫してくるSLA違反を検出する予測診断機能を必要とする。典型的なクラウド運用は、理者側および/または顧客側のプライベートクラウド、パブリッククラウドおよびハイブリッドクラウドに位置するデータセンタ、ネットワーク、サーバマシン、仮想マシン、オペレーティングシステム、データベース、ミドルウェアおよびアプリケーションなどの数百万個のハードウェア要素およびソフトウェア要素を監視、診断および管理する必要がある。従来のIT運用のの反応性異常検出および手動診断技術は、大変な労働集約的ものであり、広範囲分野の専門知識を必要とし、応答が非常に遅いため、異常を生じた構成要素を分離および特定するではなく、システム内の大量の部品の再起動を含む不適切な応答を引き起こし、クラウドに適切に拡張できないことがある。クラウド運用は、周期サイクル、負荷傾向、負荷急増、システム応答特性および一時的グリッチのダイナミクス、劣化および老化の早期警告、および環境内の数百万個の構成要素の性能変遷を得るために、図9に示すCARE/FPHDループのようなKIDSループの快速な反復によって成長できる分野である。このようなシステムは、コンピュータ化KIDSループを介して、重要な生命徴候の連続測定、時系列分析、多変量システム状態モデル、システム応答モデル、予知異常検出、機械学習に基づく分類、自動診断および予後、判定支援、および制御能力を必要とする。
ことである。制御システムは、動的リソース管理のほかに、動的実体モデルを管理することによって、新しいソフトウェアの頻繁なリリース、バグを修正するためのパッチ、ハードウェアのアップグレード、容量の拡張によって変化するシステムの正確な認識を提供する必要がある。
ンは、仮想マシンに配置される。仮想マシンは、エクサロジック(Exalogic)ラックの物理計算ノードに配置され、データベースは、エクサデータ(Exadata)ラックの物理デー
タベースノードに配置されている。この実体モデルは、スレッドセグメント、スレッドクラスおよびスレッドクラス間の依存関係による周期的なスレッドダンプ内の高強度スタックトレースの動的分類によって発見された実体で拡張される。依存関係は、スレッド間の通信およびプロセス間の通信を取得する。実体モデルにスタックトレース分類モデルを追加することは、システム生物学において、ヒトゲノム情報学を人体解剖モデルに追加することと非常に類似する。
る統計的尺度を提供する。コードブロック(code block)のホット性は、コードブロックの呼び出し回数にコードブロックの実行時間を乗算することによって、定量化することができる。同様の尺度は、様々な性能解析ツール、例えば、Oracle Sun Studio 12 Performance Analyzer、Intel(登録商標)VTune Amplifier、AMD(登録商標)CodeAnalyst、Oracle Database Active Session History (ASH)、Oracle JRockit Flight Recorder、およ
びUNIX gprof commandに適用されている。
スおよびダイス(slice and dice)、ピボット(pivot)、ドリルアクロス(drill-across)、およびドリルスルー(drill-through)などのOLAP操作をサポートするように、実体モデル内の関係の「一部」を反映する寸法および概念束を用いて、定義される。予測診断ソリューションは、システム機能の生命徴候を構成する様々なシステム統計値の測定値を含むシステムの状態空間モデルを必要する。多変量状態推定技術(MSET:Multivariate State Estimation Technique)は、関連する実体の集合から、時系列データを情
報融合するのに特に有効である。逐次確率比試験(SPRT:Sequential Probability Ratio Test)と組み合わせたMSETは、機械学習を予測異常検出に適用するロバストな
分類モデルである。統計的尺度は、ビッグデータシステムのログから抽出され、データキューブに整理される。統計的尺度は、時系列フィルタによって導出された傾向情報および周期性情報を含む。Brown指数フィルタ、Holt二重指数フィルタ、Winters三重指数フィルタ、不規則な時間間隔に対応するWright拡張、短時間間隔のHanzak調整因子、および/または異常値の検出およびCauchy分布問題、特にJVM完全GC統計値の時系列解析におけるCauchy分布問題を克服するために異常値の切り捨ての適応性スケーリングを有する切取に基づいて、特定の時系列フィルタを実装することができる。レベル急増、レベル変遷、分散変化、異常値およびエンドポイント予測などの傾向を時系列データから抽出し、この定量傾向を低、正常または高などの定性値に変換することができる。
質性で、情報融合および状況認識を行うことができる。
この使用事例は、システムの利用不可を最小限に抑えるために、サポートおよび顧客を対応する技術者による協調的および反復的な問題解決行動によって特徴付けることができる。これらの目標を達成するには、既知の問題を解決するために既存の(暗黙または明示)知識を検索および適用するために必要とされる時間、または新しい問題の改善策を見付けるために必要とされる時間を最小限に抑えることが重要である。既知の問題を処理する自動化程度を増加または最大化することによって、サポートおよび顧客を対応する技術者は、解放され、大量の人間経験および知識を必要とする新しく発生する問題に集中することができる。したがって、この分野に開発されたアプリケーションは、絶え間なく自動化要求によって、常に変化し得る。自動化要求によって、3つの課題、すなわち、1)経済的な自動化の実現、2)自動化の迅速な展開を可能にするアプリケーションの設計、3)解決された問題の正確な表現および出所を取得する方法という最大の非技術的な課題が生じる。経済的な自動化を実現するために、正確な表現および出所で、(バグデータベース、サポートチケット内の)製品ライフサイクルの全体に発生した製品問題に関するデータおよび知識を確実に取得することが不可欠である。これらのデータおよび知識は、正確な定義、正確且つ有効な因果関係、システム構成および技術者の貢献と一致した用語を含む。このような表現および出所は、問題再発の可能性および自動的にまたは半自動的に問題を認識して解決する際の複雑度に関する正確な統計を可能にする。次に、収集された出所データに基づいて、問題を診断するためのプロセスを標準化することができる。このような標準化の目的は、データの標準化収集、データの標準化解析および解釈、標準化診断、標準化修復法、および問題解決プロセス全体の標準化を確立することである。
患者介護は、各々の量および複雑性が絶えずに増加する捕捉データ、観察結果、知識および手順によって決められる要求の厳しいタスクであり得る。医療センサが主流になると、データおよび知識の量がさらに速く増加すると予想される。センサを使用することによって、患者が医師のオフィスにいるか否かに関わらず、医師は、常に患者を診断することができる。測定値、画像(および読取値)、観察結果、診断および治療を記述するデータの組み合わせであるEMR(電子医療記録:Electronic Medical Records)の収集が非常に重要であるが、これらの記録だけではまだ不十分である。EMRは、データを意味のあるカテゴリに編成せず、誰がいつでどのデータを見たのか、どの理由でどの診断を下したのか、どのコンピュータ化知識およびどのバージョンを用いてどの結論を出したのかを記載していない。また、医療費が膨大になり、医師の過失もしくは患者または弁護士の利欲によって引き起された誤診訴訟が絶え間なく続いている。
形に変換し、厳密な出所を提供し、異常を警告し、大きな拡張および個別化を可能にし、永続的に進化するシステムが必要とされる。
KIDSは、データ、知識およびプロセス管理に集中するアプリケーションを構造化するモデルを提供する(例えば、図9を参照)。データの管理は、現在、急速に進化している比較的成熟した技術である。KIDSは、以下の4つの異なるデータカテゴリを定義して管理することによって、この進化に加えている。
・ファクト
ファクトは、世界で測定可能なデータである。人間の認知システムは、ファクトの数、速度および量的性質を直接に認知することが困難である。CEPおよびビッグデータなどの技術は、これらのデータを取得および処理する。
・認知結果
認知結果は、ファクト(および観察結果)のコンパクトで時間的且つ定性的な表現である。認知結果は、人間の認知システムによる使用のために最適化されている。認知結果は、ファクトから認識できる進化状況の最も重要な特徴を表している。認知結果は、情報を利用する利用者の視点に依存する。
・仮説
仮説は、ファクトおよび認知結果を説明する可能な根本原因を記述する。
・指令
指令は、特定のファクト、認知結果および仮説に応じて、取るべき措置を記述する。指令は、しばしばワークフローまたはプロセスの形で行動計画を指定する。明らかに、指令は、ファクトの進化に最も大きな影響を与えるだろう。
ゴリを処理するために必要な推論モードに基づいている。適切な計算モデルによって、知識の各カテゴリの実質的なサブセットを自動化することができる。
・(データを認知結果に変換する)分類知識は、主に演繹推論モードで表される。予測またはノルムを生成する一部の分類知識は、帰納推論を含み得る。分類を行うための計算モデルは、サポートベクトルマシン、ナイーブベイズネットワーク、神経ネットワーク、クラスタリング、関連ルール、決定木、多変量状態推定技術、認知演算などを含む。
・(認識結果を仮説に変換する)評価知識は、典型的に、認知結果から仮説を導出する発想推論によって実現される。評価を行うための計算モデルは、ベイジアン信念ネットワーク、逆問題に対する解の最小二乗最適化または回帰を含む。
・(仮説を指令に変換する)解決知識は、異なる結果の優劣および関連するペイオフ/コストを考慮して、結果の不確実性の下で判断を行う。解決を行うための計算モデルは、決定ノードおよびペイオフ/コストノードを用いて拡張され、影響図、デンプスター・シェイファー理論、決定木および残存有効寿命の予後として知られたベイジアン信念ネットワークを含む。
・(指令を行動(および新しいファクト)に変換する)実施知識は、スクリプト、計画、
予定、BPELワークフロー、およびBPMNビジネスプロセスにコード化された制御構造を含む。
・クエリ/モデルは、個々の要素ではなく知識として取り扱われる。知識を照会することができ、進化することができる。
・データおよび知識(クエリ、ルールおよびモデル)は、特定の性質を有する4つのカテゴリで互いに関連する。
・ファクトを認知結果に変換することは、状況に応じて、行動によって補完される。
・出所サポートは、どのバージョンの知識を適用して、どのバージョンのデータを導出したかを明確に記述する。
Diagram)と同等なものであると考えられる。通常、新しい知識を使用する前に慎重に見直す必要がある。KIDSは、進化する知識および既存の知識を同時に使用することができ、両方の結果を示すことができる。また、KIDSは、新しい知識で既存のデータを見直することができ、以前に過大評価されたリスクおよび機会だけでなく、新たなリスクおよび機会を示すことができる。
KIDSは、人間行為者、人間行為者に代わって行動するコンピュータプログラムまたはハードウェア素子(エージェント)、および/または観察、診断および処置される実体の間の相互作用を推進するエンジンを含むことができる。KIDSの形式モデルは、システム内の行為者、エージェントおよび実体の間の相互作用を駆動するプロセス管理アプリケーションの実装を通知することによって、システム内の情報変更を能動的に管理することができる。
特徴⊆実体×値×有効時間×特徴タイプ
ベクトル={特徴n|n=1、2、...、N}
ビッグベクトル={FSDn|n=1、2、...、N}∪ベクトル
FSD(フレキシブルスキーマデータ)は、テキスト、オーディオ、ビデオ、空間、グラフ、XML、RDFおよびJSONを含む、データベース内の任意の拡張性データであってもよい。したがって、FSDは、ファイルを表すことができる。関連するFSDのタイプに応じて、ファイルは、患者介護ドメインにおいて、心電図、X線、CTスキャン、MRIスキャンなどを含むことができ、クラウド運用ドメイン並びにソフトウェアおよびハードウェア製品サポートドメインにおいて、スレッドダンプ、ヒープダンプ、データベースAWRスナップショット、データベーストレースなどを含むことができる。特徴は、症状または疾患の観察値範囲内で、低、正常および高などのカテゴリ値を表すことができる。関連する特徴のタイプに応じて、症状または疾患は、患者介護ドメインにおいて、呼吸器感染、急性気管支炎、喘息などを表すことができ、クラウド運用ドメイン並びにソフトウェアおよびハードウェア製品サポートドメインにおいて、高血圧、低血圧、インピーダンス不整合、コンボイ効果などを表すことができる。
・有効時間=[日付時間,日付時間∪{∞.NA})
・Txn時間=[日付時間,日付時間∪{∞.NA})
KIDSシステムは、7−タプル(行為者、エージェント、実体、CARE、メタデータ、環境、プロファイル)であってもよい。行為者とは、人間行為者の集合であり、エージェントとは、人間行為者の代わりに動作するコンピュータプログラムまたはハードウェア要素の集合である。実体は、観察、診断および処理される実体の集合である。
・CARE=(データ、知識)
・データ=(ファクト、認知結果、仮説、指令)
・知識=(分類、評価、解決、実施)
・データは、2つの基本的なデータ構造FSDおよび特徴で示される。
・ファクト⊆ガード×行動×実体×ビッグベクトル×有効時間
・認知結果⊆ガード×行動×実体×ベクトル×有効時間×FoM
・仮説⊆ガード×行動×実体×ベクトル×有効時間×FoM
・指令⊆ガード×行動×実体×ベクトル×有効時間×FoM
・状況=ファクト∪認知結果∪仮説∪指令
状況は、ファクト、認知結果、仮説および指令の概括であってもよい。状況インスタンスは、CAREループインスタンス内の特定の行動インスタンスに関連付けられ、行動インスタンスに関連付けられたKFun関数の入力または出力を表す。状況インスタンスは、実体に関連付けられてもよく、関連する実体の状態の一部であり得るFSDまたは特徴のベクトルを含む。すなわち、状況の実体は、有効なJPQL経路式によって、状況内の
各FSDまたは特徴の実体に関連付けることができる。FoMは、信頼水準、信頼区間、確率、スコア、二乗平均平方根誤差、ペイオフ/コストなどを表す性能指数の定量値または定性値である。
・メタデータ=(CAREループタイプ、行動タイプ、FSDタイプ、特徴タイプ、Kfun定義)。
・CAREループタイプ⊆名前
・行動タイプ⊆名前
・FSDタイプ⊆名前×実体タイプ×暗号化×言語
・特徴タイプ⊆名前×実体タイプ×許容値
・Kfun定義=(事前条件、事後条件)
・事前条件⊆フィルタ定義n×Kfun
・事後条件⊆Kfun×フィルタ定義n
・フィルタ定義⊆(FSDタイプ∪特徴タイプ)×フィルタ×受任者
事前条件メタデータおよび事後条件メタデータは、Kfun関数間の影響関係を捕捉することによって、(関連する実体セットの)FSDおよび特徴セットが同時に有効になり、Kfun関数を呼び出すために必要な状況を満たす時間を検出する。フィルタは、JPQL経路式(path expression)で定義された述語である。必須物は、Kfun関数を呼
び出すために、入力または出力状況の一部でなければならない対応するFSDタイプまたは特徴タイプを指定するブール演算式(Boolean expression)である。
・CAREループ=CAREループタイプ×実体×行為者×カウンタ×(分類×評価×解決×実施)n
CAREループインスタンスは、一連の行動の閉包(closure)であって、各行動イン
スタンスと共に、CARE定義によって定義されたフィルタを評価するための環境を表す。カウンタは、CAREループインスタンスの状態の一部である0〜n内のループカウンタである。
・分類⊆行動タイプ×ファクト×(分類)n×認知結果×行為者×Txn時間×有効時間・評価⊆行動タイプ×認知結果×(評価)n×仮説×行為者×Txn時間×有効時間
・解決⊆行動タイプ×仮説×(解決)×指令×行為者×Txn時間×有効時間
・実施⊆行動タイプ×指令×(実施)n×ファクト×行為者×Txn時間×有効時間
分類、評価、解決、または実施インスタンスは、分類、評価、解決、または実施機能の各々の実行環境を表すことができる。
・行動=分類∪評価∪解決∪実施
・行動=行動タイプ×状況×(KFun)n×状況×行為者×Txn時間×有効時間
行動は、分類、評価、解決および実施の概括であってもよい。(それぞれが一対の入力/出力状況インスタンスを有する)多くの行動インスタンスを同一のKFun関数に関連付けることができる。ガードは、CAREループインスタンスまたは行動インスタンスの環境で評価される、JPQL経路式および必須のブール演算式で指定されたフィルタのセットから構成されたクエリである。
・プロファイルは、(行為者プロファイル、知識プロファイル、行動代理者、個人化)のトリプルである。
・行為者プロファイル⊆行為者→実体×特徴×有効時間×FoM
・知識プロファイル⊆Kfun→実体×特徴×有効時間×FoM
・行動代理者⊆{f|f:行動→行為者}×有効時間
・個別化:Kfun×行為者→Kfun
・個別化は、カレー演算子の観点から解釈できる。
・個別化(Kfun、行為者)≡カレー(Kfun)(行為者プロファイル(行為者))
KIDS実行モデル
この部分では、KIDS実行モデルの1つ以上の実施形態を説明する。CAREループインスタンスは、一連の行動(分類、評価、解決および実施)の閉包(closure)であっ
てもよい。CAREループインスタンスは、過去に起きた行動、現在の行動または現在進行中の行動および将来起き得る行動からなる歴史的および意図的な環境を提供することができる。KIDSは、各CAREループインスタンスのループカウンタを維持することができる。行動インスタンスは、現在のループカウンタの下で実行される場合、現在の行動インスタンスと見なされてもよい。現在の行動インスタンスは、行動インスタンスの入力状況が実質的に変更されたときに実行されると想定される。ループカウンタは、現在のループカウンタの下で全ての現在の解決行動インスタンスが実行されたときに、増加する。
REループインスタンスの所有者は、初期の行動インスタンスおよび任意の後続の行動インスタンスを作成することによって、実行中にCAREループインスタンスの新しい行動インスタンスを定義することができる。また、CAREループインスタンスまたはタイプ所有者は、行動インスタンスの状況インスタンスのFSDまたは特徴を作成する前に、新しいFSDタイプまたは特徴タイプを作成することによって、CARE定義メタデータを作成することもできる。行動インスタンスは、CARE定義メタデータによって定義され、エンコードされた知識関数(SVM、MSET、BBNなどのマシン)によって実装することができる。CARE定義のいくつかの例は、図11A〜11Eに示されている。
KIDSエンジンは、上述したBBN、RETE、MSET、SVN等の様々な推論エンジンの相互作用を編成することができる。KIDSデータベースは、図12に示すように、ファクトデータ内のFPHDおよびCAREデータを注釈することによって、出所データのKIDSループを実現することができる。KIDSモデルは、IT運用時に、ログ解析システムおよびリアルタイム企業管理システム用のビッグデータシステムを統合することができる。この2つのシステムは、自動化島によって切断され、包囲されているビッグデータおよびCEPを表す。KIDSモデルは、動的実体モデル、ログ解析およびリアルタイム監視からの情報融合を行うことによって、リアルタイムでより高速なOODAループを可能にすることができる。
目録」、「各Oracle VMに動作しているJava VMの目録」、並びに「他のOracle VM内のJVMのヒープを圧縮できる」および「他のOracle VMからメモリを再利用できる」に関する認
知結果に基づいて、状況認識を行うことができる。これらの認知結果の全ては、状況インスタンス内の共通有効時間間隔で一致する必要がある。
ークによって実現される。相互作用モデルを使用することによって、KIDSは、様々な推論エンジンに関与するモデルの実行を調整することができる。
認知結果を診断し、「Dom0は、OVMに割り当てるメモリを有する」および「Oracle VMにより多くのメモリを割り当てる必要がある」という仮説を導出することができる。同様のネットワークは、Dom0の指令に到達する仮説を「Dom0からのメモリをOVM2に割り当てる」に組み合わせる解決知識「Oracle VMメモリの解決」を含む。評価知識は、ESSジョブを
処理した後、「OVMからメモリを再利用する必要がある」という仮説に到達することがで
きる。影響図によって示された解決知識は、「Oracle VMからメモリを再利用する」とい
うDom0の指令に到達する。「Dom0からのメモリをOracle VMに割り当てる」という指令は
、同一のDom0に位置する他のOracle VMに動作しているJava VMの完全なガベージコレクション(GC)およびヒープ圧縮をトリガする実施関数によって実施される。Java VMのヒ
ープ圧縮を行った後、実施関数は、Dom0に指示して、バルーン内のメモリを再利用するように、他のOracle VMのメモリバルーン(起動メカニズムの一部)を拡張することができ
る。これによって、Dom0は、ESSによって生成されたプロセスをサポートするように、弾性メモリをOracle VMに割り当てることができる。ESSプロセスが周期性を示すスケ
ジュール行動であるため、実施機能によるKIDSの反応的且つ予測的な対応は、周期性行動の一部となる。
以下は、KIDS設計の知識抽出および自動化体験の要約を説明する。この要約は、モジュラー製品サポートのトラブル対応行動をCAREループにマッピングし、関与する人員の個人生産性と知識および出所の正確な結合とのバランスをとる方法を示している。知識および出所の正確な結合は、経済用語およびプロセスの標準化をもたらし、最終的には知識の自動化および迅速なアプリケーションの進化につながる。この方法は、協力的且つ生産性の高い実践共同体の育成に大きく貢献することができる。
指令(II−i)は、顧客の担当者からの問題に関するデータを引き出すまたはテレメトリデータを収集し、問題またはメトリック値の収集に対する回答として、ファクト(II−i)を生成する行動計画である。
指令(IV−i)を実施することによって、一連のログファイルおよびトレースファイルであるファクト(IV−i)を生成する。
果(IV−i)を得る。
指令(CD−i)を実施することによって、追加のログファイル、トレースファイルおよび構成データの形で、ファクト(CD−i)を生成する。
指令(SP−i)は、仮説の原因によって引き起こされた問題を修正し、解決策を検証するために追加データを収集する一連の行動である。これらの行動は、実施されると、ファクト(SP−i)を生成する。
決定に戻り、または指示(SP−i+1)を作成することによって新たな解決案を試みる。
づく診断データ解析フレームワークを含むことができる。データ解析の自動化は、収集したデータをXML正準表現に変換し、XPATHルール内のデータ解析ルールを指定することによって達成される。XPATHにおいて簡単に指定できない複雑なパターンについて、Javaで再利用可能なデータ解析パターンのライブラリを開発することができる。診断を自動化するために、手動モデリングは、自動化のために実行可能な唯一の方法ある。また、KIDSプラグインフレームワークを利用して、ベイジアン信念ネットワークに基づくモデリング、自動検出および自動化フレームワークを含むことができる。実際に、KIDS CAREループを利用して、これらのモデルの構築および検査を行うこともできる。ベイジアン信念ネットワーク(BBN)を用いて、診断をモデル化することができる。BBNは、機械学習を妨げる問題空間の散生性質によって、理想的なパラダイムを提供した。BBNを構築することによって、診断結果の説明および不完全且つ異常な入力データの処理に役立つ。
患者介護KIDSプロジェクトの目的は、分類および出所にある。出所をサポートするために、全ての患者記録は、トランザクション時間データベースに管理される。登録クエリおよびモデルを用いて、分類を管理する。誤報を減らすために、医師は、分類を個体患者のレベルまで調整することができる。生命徴候について、正常、監視、深刻および危篤の分類を使用した。これらの分類を使用するように、登録クエリを表現することができる。その結果、医師は、自分の言語で、例えば、患者Xの少なくとも1つの生命徴候が2分以上に危篤になった場合、私に通知するという規則を定義することができる。このような規則は、分類の詳細とは独立しているため、少量でも十分であり、安定である。
いくつかの実施形態において、KIDSモデルを実装するために使用されたデータベースは、特定の要件または仕様を満たす必要がある。場合によって、KIDSデータベースは、ユーザがCAREループインスタンスを照会できるように宣言型照会言語を提供することができる。SQLを使用して、宣言型言語モデルを提供することができる。しかしながら、SQLは、アトミックデータ(atomic data)しか照会できない。KIDSを照会
するために、CAREループインスタンスのセットを照会するようにSQLを拡張する必要がある。SQLは、一次キー/外部キーを用いてデータ間のリンクを照会できるが、再帰グラフ走査(recursive graph traversal)に関与するCAREループインスタンスお
よび行動インスタンスの照会に制限される。SQLにおけるグラフ走査の宣言構成の最も近いサポートは、再帰クエリである。しかしながら、再帰クエリは、元の再帰構造から得られた結果ではなく、表形式で最終結果を提供する。したがって、KIDS照会言語によって、ユーザは、CAREループパスを照会および走査して、行動インスタンスが状況インスタンスにどのように依存しているかおよびKfun知識関数がどのように適用されているかを確認することができる。
合、DMLを用いて、何が起こったのかまたは何が起きるかを断言することができる。したがって、ユーザは、新しい知識を用いて履歴データを評価することによって、履歴データから新しい識見を得ることができる。このことは、過去への時間トラバーサルと同様である。さらに、ユーザは、異なるバージョンの知識を用いて、複数のCAREループをフォークすることによって、将来のデータを断言することができる。このことは、過去への時間トラバーサルと同様である。
KIDSのツールセットは、KIDSアプリケーションを構築する際にユーザを支援できると共に、基礎となるインフラストラクチャの様々な制御、すなわち、ユーザフィードバックに基づく知識の進化および新しいデータによる知識の再度特徴付けを指定することもできる。
KIDSアプリケーションサーバは、データベースに格納されたKIDSデータ、知識およびプロセスモデルを用いて、KIDSアプリケーションの実行をサポートすることができる。KIDSアプリケーションサーバは、明白な出所を表す情報を伝達し、状態管理およびイベント処理をデータベースに委譲することができる。
KIDSデータベースは、トランザクションのACID特性をサポートするように設計されてもよい。ファクトの収集は、完全の耐久性または低下した耐久性を必要とするため、データモデルおよびタイプと共に、セキュリティ、圧縮、圧縮、タイムトラベルおよび出所などを全てサポートするデータベースサービスが必要である。耐久性は、ユーザの要求、例えば、データの全て>x%または出所の質問を回答できる十分高い精度によって制御されなければならない。また、このサービスは、高性能分類をサポートしなければならない。ACID要件を緩和することによって、リソース消費を大幅に削減することができる。この目的のために、特別なデータベースを検討することができるが、全ての要件に対応できる機能を有する必要がある。したがって、一部の手法は、進化するパターンに応じて、既存のデータベースを最適化し、ハードウェアアクセラレーションを活用することを含む。
いくつかの実施形態において、KIDSは、基礎となるインフラストラクチャを活用するように、分散環境で動作することができる。
いくつかの実施形態において、ソーシャルネットワーキングは、KIDSの不可欠な部分である。個別化は、特定分野に関わり、グループまたは個人の好みに基づいて知識を個別化することができる。例えば、患者介護の使用事例は、個別化の重要性を示している。
移行サポートに関して、既存の機能を維持するために、既存のアプリケーションを続けて動作させることができるが、KIDSモデルに基づいて、「シャドー」アプリケーションを作成することもできる。場合によって、「シャドー」アプリケーションは、クローリングすることによって、既存のシステムのデータを監視する。しかしながら、既存の技術の一部と共に、新しい機能をKIDSに実装することもできる。
Claims (20)
- コンピュータシステムに格納されているデータの1つ以上の更新をコンピュータシステムにおいて受信するステップと、
受信された前記更新に基づいて、コンピュータシステム内の1つ以上の多時間データ項目を更新するステップと、
第1クエリが前記更新された多時間データ項目に依存するという判断に基づいて、前記コンピュータシステム内で前記第1クエリを特定するステップと、
現在の時間に対応する多時間データを用いて、前記第1クエリの第1実行を行うステップと、
前記第1クエリの過去実行に対応する過去時間に対応する多時間データを用いて、前記第1クエリの第2実行を行うステップと、
前記第1クエリの前記第1実行の結果と前記第1クエリの前記第2実行の結果との差を決定するステップと、
前記差を所定の閾値と比較するステップと、
前記差が前記所定の閾値よりも大きいと判定した場合に、前記第1クエリに関連する第1データオブジェクトに対して第1変換処理を呼び出すステップとを含む、方法。 - 前記第1変換処理は、HADOOPデータ処理クラスタの計算ノード内で実行されるデータ変換ループアプリケーションによって実行される、請求項1に記載の方法。
- 前記第1変換処理は、機械学習プロセス、生データ処理の分類、サポートベクトルマシン、ナイーブベイズ分類器、神経ネットワーク、クラスタリング、関連ルール、決定木、単変量周期線形傾向、多変量状態推定技術、認知コンピューティング、ベイジアン信念ネットワーク、逆問題に対する解の最小二乗最適化または回帰、影響図、デンプスター・シェイファー理論、決定木、残存有効寿命の予後、スクリプト、計画、予定、BPELワークフロー、およびBPMNビジネスプロセスのうち、1つ以上を含む、請求項2に記載の方法。
- 前記第1データオブジェクトに対する前記第1変換処理の結果に対応する第2データオブジェクトを格納するステップと、
前記第2データオブジェクトと、前記第1変換処理の過去の呼び出しによって生成され且つ前記第2データオブジェクトと同一タイプの異なるデータオブジェクトとの間の差を決定するステップと、
前記第2データオブジェクトと前記異なるデータオブジェクトとの間の前記差が第2所定の閾値よりも大きいという判定に基づいて、前記第2データオブジェクトに対して第2変換処理を呼び出すステップとを含む、請求項1に記載の方法。 - 前記第1変換処理および第2変換処理は、連続データ変換ループアプリケーションの一部であり、
前記方法は、
前記コンピュータシステムに格納されている前記多時間データの1つ以上の追加更新を受信するステップと、
受信された前記追加更新に基づいて、一組の多時間データ項目を更新するステップと、
前記多時間データの前記追加更新を用いて、前記第1クエリの第3実行を行うステップと、
前記第1クエリの過去実行時間に対応する多時間データを用いて、前記第1クエリの第4実行を行うステップと、
前記第1クエリの前記第3実行の結果と前記第1クエリの前記第4実行の結果との間
の差を決定するステップと、
前記差を前記所定の閾値と比較するステップと、
前記差が前記所定の閾値よりも大きいと判定した場合に、前記第1変換処理を再度呼び出すステップとをさらに含む、請求項4に記載の方法。 - 前記更新された1つ以上の多時間データ項目は、各データ項目のトランザクション時間および有効時間を含む双時間データ項目である、請求項1に記載の方法。
- 前記第1クエリを特定するステップは、前記コンピュータシステム内のフィルタテーブルにアクセスすることを含み、
前記フィルタテーブルは、異なる変換処理にそれぞれ対応する複数のクエリを含む、請求項1に記載の方法。 - 前記第1クエリを特定するステップと、前記第1クエリの第1実行を行うステップと、前記第1クエリの第2実行を行うステップと、前記第1クエリの前記第1実行と前記第1クエリの第2実行との間の差を前記所定の閾値と比較するステップとは、前記1つ以上の多時間データ項目の更新として、第1トランザクションの外部で前記第1トランザクションと非同期的に実行され、
前記第1データオブジェクトに対する前記第1変換処理の前記呼び出しは、前記第1トランザクションの外部で前記第1トランザクションと非同期的に実行される、請求項1に記載の方法。 - システムであって、
1つ以上のプロセッサを含む処理ユニットと、
前記処理ユニットに連結され、前記処理ユニットによって読取可能であり、一連の命令セットを格納するメモリとを備え、前記命令は、前記処理ユニットによって実行される場合、前記処理ユニットに、以下のステップ、すなわち、
コンピュータシシステムに格納されているデータの1つ以上の更新を受信するステップと、
受信された前記更新に基づいて、コンピュータシステム内の1つ以上の多時間データ項目を更新するステップと、
第1クエリが前記更新された多時間データ項目に依存するという判断に基づいて、前記コンピュータシステム内で前記第1クエリを特定するステップと、
現在の時間に対応する多時間データを用いて、前記第1クエリの第1実行を行うステップと、
前記第1クエリの過去実行に対応する過去時間に対応する多時間データを用いて、前記第1クエリの第2実行を行うステップと、
前記第1クエリの前記第1実行の結果と前記第1クエリの前記第2実行の結果との差を決定するステップと、
前記差を所定の閾値と比較するステップと、
前記差が前記所定の閾値よりも大きいと判定した場合に、前記第1クエリに関連する第1データオブジェクトに対して第1変換処理を呼び出すステップとを実行させる、システム。 - 前記第1変換処理は、HADOOPデータ処理クラスタの計算ノード内で実行されるデータ変換ループアプリケーションによって実行される、請求項9に記載のシステム。
- 前記第1変換処理は、機械学習プロセス、生データ処理の分類、サポートベクトルマシン、ナイーブベイズ分類器、神経ネットワーク、クラスタリング、関連ルール、決定木、単変量周期線形傾向、多変量状態推定技術、認知コンピューティング、ベイジアン信念ネ
ットワーク、逆問題に対する解の最小二乗最適化または回帰、影響図、デンプスター・シェイファー理論、決定木、残存有効寿命の予後、スクリプト、計画、予定、BPELワークフロー、およびBPMNビジネスプロセスのうち、1つ以上を含む、請求項10に記載のシステム。 - 前記メモリは、更なる指令を格納し、これらの指令は、前記処理ユニットによって実行されると、前記処理ユニットに、以下のステップ、すなわち、
前記第1データオブジェクトに対する前記第1変換処理の結果に対応する第2データオブジェクトを格納するステップと、
前記第2データオブジェクトと、前記第1変換処理の過去の呼び出しによって生成され且つ前記第2データオブジェクトと同一タイプの異なるデータオブジェクトとの間の差を決定するステップと、
前記第2データオブジェクトと前記異なるデータオブジェクトとの間の前記差が第2所定の閾値よりも大きいという判定に基づいて、前記第2データオブジェクトに対して第2変換処理を呼び出すステップとを実行させる、請求項9に記載のシステム。 - 前記第1変換処理および第2変換処理は、連続データ変換ループアプリケーションの一部であり、
前記メモリは、更なる指令を格納し、これらの指令は、前記処理ユニットによって実行されると、前記処理ユニットに、以下のステップ、すなわち、
前記コンピュータシステムに格納されている前記多時間データの1つ以上の追加更新を受信するステップと、
受信された前記追加更新に基づいて、前記1つ以上の多時間データ項目を更新するステップと、
前記多時間データの前記追加更新を用いて、前記第1クエリの第3実行を行うステップと、
前記第1クエリの過去実行時間に対応する多時間データを用いて、前記第1クエリの第4実行を行うステップと、
前記第1クエリの前記第3実行の結果と前記第1クエリの前記第4実行の結果との間の差を決定するステップと、
前記差を前記所定の閾値と比較するステップと、
前記差が前記所定の閾値よりも大きいと判定した場合に、前記第1変換処理を再度呼び出すステップとを実行させる、請求項12に記載のシステム。 - 前記更新された1つ以上の多時間データ項目は、各データ項目のトランザクション時間および有効時間を含む双時間データ項目である、請求項9に記載のシステム。
- 前記第1クエリを特定するステップは、前記コンピュータシステム内のフィルタテーブルにアクセスすることを含み、
前記フィルタテーブルは、異なる変換処理にそれぞれ対応する複数のクエリを含む、請求項9に記載のシステム。 - 前記第1クエリを特定するステップと、前記第1クエリの第1実行を行うステップと、前記第1クエリの第2実行を行うステップと、前記第1クエリの前記第1実行と前記第1クエリの第2実行との間の差を前記所定の閾値と比較するステップとは、前記1つ以上の多時間データ項目の更新として、第1トランザクションの外部で前記第1トランザクションと非同期的に実行され、
前記第1データオブジェクトに対する前記第1変換処理の前記呼び出しは、前記第1トランザクションの外部で前記第1トランザクションと非同期的に実行される、請求項9に記載のシステム。 - 命令セットを格納する非一時的なコンピュータ読取可能なメモリであって、
これらの命令は、プロセッサによって実行されると、前記プロセッサに、以下のステップ、すなわち、
コンピュータシシステムに格納されているデータの1つ以上の更新を受信するステップと、
受信された前記更新に基づいて、第1のデータオブジェクトのタイプを有する第1データオブジェクトを更新するステップと、
第1データオブジェクトを用いて、第2のデータオブジェクトのタイプを有する第2データオブジェクトを生成する第1変換オブジェクトを呼び出すステップと、
前記第2データオブジェクトを用いて、第3のデータオブジェクトのタイプを有する第3データオブジェクトを生成する第2変換オブジェクトを呼び出すステップと、
前記第3データオブジェクトを用いて、第4のデータオブジェクトのタイプを有する第4データオブジェクトを生成する第3変換オブジェクトを呼び出すステップと、
前記第4データオブジェクトを用いて、第1のデータオブジェクトのタイプを有する第5データオブジェクトを生成する第4変換オブジェクトを呼び出すステップとを実行させる、コンピュータ読取可能な媒体。 - 前記第1変換オブジェクトを呼び出すステップは、
第1クエリが前記更新された第1データオブジェクトに依存するという判定に基づいて、前記コンピュータシステム内で前記第1クエリを特定するステップと、
現在の時間に対応する多時間データを用いて、前記第1クエリの第1実行を行うステップと、
過去時間に対応する多時間データを用いて、前記第1クエリの第2実行を行うステップと、
前記第1クエリの前記第1実行の結果と前記第1クエリの前記第2実行の結果との差を決定するステップと、
前記差を所定の閾値と比較するステップと、
前記差が前記所定の閾値よりも大きいと判定した場合に、前記第1変換オブジェクトを呼び出すステップとを含む、請求項17に記載のコンピュータ読取可能なメモリ。 - 前記第1変換オブジェクトは、HADOOPデータ処理クラスタの計算ノード内で実行されるデータ変換ループアプリケーションによって呼び出される、請求項17に記載のコンピュータ読取可能なメモリ。
- 前記第1変換オブジェクト、第2変換オブジェクト、第3変換オブジェクトおよび第4変換オブジェクトの各々は、機械学習プロセス、生データ処理の分類、サポートベクトルマシン、ナイーブベイズ分類器、神経ネットワーク、クラスタリング、関連ルール、決定木、単変量周期線形傾向、多変量状態推定技術、認知コンピューティング、ベイジアン信念ネットワーク、逆問題に対する解の最小二乗最適化または回帰、影響図、デンプスター・シェイファー理論、決定木、残存有効寿命の予後、スクリプト、計画、予定、BPELワークフロー、およびBPMNビジネスプロセスのうち1つ以上を実行するように構成される、請求項2に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/665,171 | 2015-03-23 | ||
US14/665,171 US10740358B2 (en) | 2013-04-11 | 2015-03-23 | Knowledge-intensive data processing system |
JP2017546680A JP7064333B2 (ja) | 2015-03-23 | 2016-03-10 | 知識集約型データ処理システム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017546680A Division JP7064333B2 (ja) | 2015-03-23 | 2016-03-10 | 知識集約型データ処理システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021108127A true JP2021108127A (ja) | 2021-07-29 |
JP7142116B2 JP7142116B2 (ja) | 2022-09-26 |
Family
ID=55590161
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017546680A Active JP7064333B2 (ja) | 2015-03-23 | 2016-03-10 | 知識集約型データ処理システム |
JP2021020802A Active JP7142116B2 (ja) | 2015-03-23 | 2021-02-12 | 知識集約型データ処理システム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017546680A Active JP7064333B2 (ja) | 2015-03-23 | 2016-03-10 | 知識集約型データ処理システム |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3274869A1 (ja) |
JP (2) | JP7064333B2 (ja) |
CN (1) | CN107430613B (ja) |
WO (1) | WO2016153790A1 (ja) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9495395B2 (en) | 2013-04-11 | 2016-11-15 | Oracle International Corporation | Predictive diagnosis of SLA violations in cloud services by seasonal trending and forecasting with thread intensity analytics |
US10740358B2 (en) | 2013-04-11 | 2020-08-11 | Oracle International Corporation | Knowledge-intensive data processing system |
US11443206B2 (en) | 2015-03-23 | 2022-09-13 | Tibco Software Inc. | Adaptive filtering and modeling via adaptive experimental designs to identify emerging data patterns from large volume, high dimensional, high velocity streaming data |
US10417111B2 (en) | 2016-05-09 | 2019-09-17 | Oracle International Corporation | Correlation of stack segment intensity in emergent relationships |
CN108319437B (zh) * | 2018-02-28 | 2019-01-11 | 上海熙香艺享电子商务有限公司 | 内容大数据密集程度分析平台 |
CN108805818B (zh) * | 2018-02-28 | 2020-07-10 | 上海兴容信息技术有限公司 | 内容大数据密集程度分析方法 |
TWI669668B (zh) * | 2018-03-21 | 2019-08-21 | 兆豐國際商業銀行股份有限公司 | 資料管理裝置及資料管理方法 |
CN108595644A (zh) * | 2018-04-26 | 2018-09-28 | 宁波银行股份有限公司 | 一种大数据平台运维管理系统 |
CN108804556B (zh) * | 2018-05-22 | 2020-10-20 | 上海交通大学 | 基于时间旅行和时态聚合查询的分布式处理框架系统 |
CN109104378B (zh) * | 2018-08-17 | 2019-08-20 | 四川新网银行股份有限公司 | 基于时间序列预测的智能令牌预回收方法 |
CN109242550B (zh) * | 2018-08-21 | 2021-09-21 | 首钢京唐钢铁联合有限责任公司 | 一种钢铁工序成本预测系统 |
US11481379B2 (en) | 2018-11-01 | 2022-10-25 | Hewlett-Packard Development Company, L.P. | Metadata variance analytics |
US11144018B2 (en) * | 2018-12-03 | 2021-10-12 | DSi Digital, LLC | Data interaction platforms utilizing dynamic relational awareness |
US11182362B2 (en) | 2019-01-16 | 2021-11-23 | Kabushiki Kaisha Toshiba | Calculating device, data base system, calculation system, calculation method, and storage medium |
CN116541451A (zh) * | 2019-02-02 | 2023-08-04 | 创新先进技术有限公司 | 一种数据导出方法及装置 |
US20200310449A1 (en) * | 2019-03-26 | 2020-10-01 | GM Global Technology Operations LLC | Reasoning system for sensemaking in autonomous driving |
US11544566B2 (en) | 2019-06-03 | 2023-01-03 | International Business Machines Corporation | Deep learning model insights using provenance data |
JP7372530B2 (ja) | 2019-10-07 | 2023-11-01 | 横浜ゴム株式会社 | 混練異常度学習装置、学習済モデルの生成方法及びプログラム |
CN110750384A (zh) * | 2019-10-15 | 2020-02-04 | 浙江众鑫空间科技有限公司 | 大数据管理系统 |
US11237847B1 (en) | 2019-12-19 | 2022-02-01 | Wells Fargo Bank, N.A. | Automated standards-based computing system reconfiguration |
US11502905B1 (en) | 2019-12-19 | 2022-11-15 | Wells Fargo Bank, N.A. | Computing infrastructure standards assay |
CN111506349A (zh) * | 2020-04-30 | 2020-08-07 | 中科院计算所西部高等技术研究院 | 具有ooda多处理器的计算板卡 |
CN112422234B (zh) * | 2020-11-06 | 2021-08-13 | 应急管理部通信信息中心 | 一种基于时间感知的自适应深度学习的数据治理服务方法 |
CN112990767B (zh) * | 2021-04-20 | 2021-08-20 | 上海领健信息技术有限公司 | 垂直消费医疗类SaaS生产数据计算方法、系统、终端及介质 |
CN116646061B (zh) * | 2023-04-28 | 2024-01-26 | 西安交通大学 | 分布式ct成像和智能诊疗系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011055355A (ja) * | 2009-09-03 | 2011-03-17 | Oki Electric Industry Co Ltd | 無線通信装置及びプログラム、並びに、無線通信システム |
WO2014169056A1 (en) * | 2013-04-11 | 2014-10-16 | Oracle International Corporation | Predictive diagnosis of sla violations in cloud services by seasonal trending and forecasting with thread intensity analytics |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2828609B2 (ja) * | 1994-09-22 | 1998-11-25 | 株式会社エイアンドティー | 臨床検査分析装置 |
JP4405658B2 (ja) * | 2000-11-01 | 2010-01-27 | 住友林業株式会社 | 住宅管理方法 |
CN101231642A (zh) * | 2007-08-27 | 2008-07-30 | 中国测绘科学研究院 | 时空数据库管理方法及其系统 |
US8156136B2 (en) * | 2008-10-16 | 2012-04-10 | The Curators Of The University Of Missouri | Revising imagery search results based on user feedback |
CN102411599A (zh) * | 2011-08-01 | 2012-04-11 | 中国民生银行股份有限公司 | 数据仓库中异常行为的处理方法及监测服务器 |
US8965889B2 (en) * | 2011-09-08 | 2015-02-24 | Oracle International Corporation | Bi-temporal user profiles for information brokering in collaboration systems |
CN102651020B (zh) * | 2012-03-31 | 2014-01-15 | 中国科学院软件研究所 | 一种海量传感器数据存储与查询方法 |
CN102799621B (zh) * | 2012-06-25 | 2015-03-25 | 国家测绘局卫星测绘应用中心 | 矢量时空数据变化检测方法及其系统 |
JP2014021585A (ja) * | 2012-07-13 | 2014-02-03 | Sharp Corp | ネットワークシステム、情報処理装置 |
US8812489B2 (en) * | 2012-10-08 | 2014-08-19 | International Business Machines Corporation | Swapping expected and candidate affinities in a query plan cache |
US9734161B2 (en) * | 2013-03-15 | 2017-08-15 | The Florida International University Board Of Trustees | Streaming representation of moving objects and shapes in a geographic information service |
US9299113B2 (en) * | 2013-09-13 | 2016-03-29 | Microsoft Technology Licensing, Llc | Social media driven information interface |
CN103779808A (zh) * | 2013-12-30 | 2014-05-07 | 国家电网公司 | 基于LiDAR的输电线路智能巡检系统 |
CN104408137B (zh) * | 2014-11-28 | 2018-11-13 | 武汉大学 | 一种网络统计地图可视化数据制备方法 |
-
2016
- 2016-03-10 WO PCT/US2016/021642 patent/WO2016153790A1/en active Application Filing
- 2016-03-10 JP JP2017546680A patent/JP7064333B2/ja active Active
- 2016-03-10 CN CN201680012718.XA patent/CN107430613B/zh active Active
- 2016-03-10 EP EP16711749.8A patent/EP3274869A1/en not_active Ceased
-
2021
- 2021-02-12 JP JP2021020802A patent/JP7142116B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011055355A (ja) * | 2009-09-03 | 2011-03-17 | Oki Electric Industry Co Ltd | 無線通信装置及びプログラム、並びに、無線通信システム |
WO2014169056A1 (en) * | 2013-04-11 | 2014-10-16 | Oracle International Corporation | Predictive diagnosis of sla violations in cloud services by seasonal trending and forecasting with thread intensity analytics |
Non-Patent Citations (1)
Title |
---|
ERIC S. CHAN, ET AL.: "Situation aware computing for big data", 2014 IEEE INTERNATIONAL CONFERENCE ON BIG DATA, JPN6020005899, 8 January 2015 (2015-01-08), pages 1 - 6, ISSN: 0004667626 * |
Also Published As
Publication number | Publication date |
---|---|
JP7064333B2 (ja) | 2022-05-10 |
EP3274869A1 (en) | 2018-01-31 |
JP2018509709A (ja) | 2018-04-05 |
CN107430613B (zh) | 2021-10-01 |
CN107430613A (zh) | 2017-12-01 |
JP7142116B2 (ja) | 2022-09-26 |
WO2016153790A1 (en) | 2016-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7142116B2 (ja) | 知識集約型データ処理システム | |
US11468098B2 (en) | Knowledge-intensive data processing system | |
US10853161B2 (en) | Automatic anomaly detection and resolution system | |
US11126635B2 (en) | Systems and methods for data processing and enterprise AI applications | |
US9692662B2 (en) | Predictive diagnosis of SLA violations in cloud services by seasonal trending and forecasting with thread intensity analytics | |
CN108073686B (zh) | 具有通用元数据存储库的闭环统一元数据架构 | |
US11238223B2 (en) | Systems and methods for intelligently predicting accurate combinations of values presentable in data fields | |
US10365945B2 (en) | Clustering based process deviation detection | |
Cappiello et al. | Improving health monitoring with adaptive data movement in fog computing | |
US20230185472A1 (en) | Dynamic system workload placement in cloud infrastructures | |
Kuruganti et al. | Real-Time Automated Health Information Technology Hazard Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210312 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210312 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210319 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211221 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211222 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220318 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220428 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220816 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220912 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7142116 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |