JP2022037107A - 障害分析装置、障害分析方法および障害分析プログラム - Google Patents
障害分析装置、障害分析方法および障害分析プログラム Download PDFInfo
- Publication number
- JP2022037107A JP2022037107A JP2021202972A JP2021202972A JP2022037107A JP 2022037107 A JP2022037107 A JP 2022037107A JP 2021202972 A JP2021202972 A JP 2021202972A JP 2021202972 A JP2021202972 A JP 2021202972A JP 2022037107 A JP2022037107 A JP 2022037107A
- Authority
- JP
- Japan
- Prior art keywords
- failure
- attribute
- cause
- occurred
- predetermined
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 100
- 230000010485 coping Effects 0.000 claims description 48
- 238000003066 decision tree Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 17
- 238000013500 data storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 239000008241 heterogeneous mixture Substances 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 7
- 230000001364 causal effect Effects 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Debugging And Monitoring (AREA)
Abstract
Description
そこで、本発明は、上述した課題を解決する、発生した障害の原因および対処方法を速やかに特定できる障害分析装置、障害分析方法および障害分析プログラムを提供することを目的とする。
また、本発明による障害分析装置は、所定の障害の原因に対応付けられた属性である原因属性が用いられて学習された所定の障害の発生の有無を判別するためのモデルである学習モデルと属性の値とに基づいて所定の障害が発生したか否かを判別し、発生したと判別された所定の障害の原因および対処方法を特定する特定部と、原因属性を含む複数の属性の値と所定の障害が発生していたか否かを示す情報である障害発生情報との組を複数含む教師データを用いて、学習モデルを学習する学習部とを備え、学習部は、属性に関する条件を葉ノード以外のノードとし、所定の障害の発生の有無を示す情報を葉ノードとする決定木を学習モデルとして生成し、特定部は、属性の値と決定木とに基づいて、その属性の値に応じた葉ノードが所定の障害が発生したことを示しているか否かを判定し、所定の障害が発生したことを示している葉ノードからルートノードまでのノードにおいて条件として用いられている原因属性に予め対応付けられている所定の障害の原因および対処方法を特定することを特徴とする。
また、本発明による障害分析方法は、所定の障害の原因に対応付けられた属性である原因属性が用いられて学習された所定の障害の発生の有無を判別するためのモデルである学習モデルと属性の値とに基づいて所定の障害が発生したか否かを判別し、発生したと判別された所定の障害の原因および対処方法を特定し、原因属性を含む複数の属性の値と所定の障害が発生していたか否かを示す情報である障害発生情報との組を複数含む教師データを用いて、学習モデルを学習し、属性に関する条件を葉ノード以外のノードとし、所定の障害の発生の有無を示す情報を葉ノードとする決定木を学習モデルとして生成し、属性の値と決定木とに基づいて、その属性の値に応じた葉ノードが所定の障害が発生したことを示しているか否かを判定し、所定の障害が発生したことを示している葉ノードからルートノードまでのノードにおいて条件として用いられている原因属性に予め対応付けられている所定の障害の原因および対処方法を特定することを特徴とする。
また、本発明による障害分析プログラムは、コンピュータに、所定の障害の原因に対応付けられた属性である原因属性が用いられて学習された所定の障害の発生の有無を判別するためのモデルである学習モデルと属性の値とに基づいて所定の障害が発生したか否かを判別する判別処理、発生したと判別された所定の障害の原因および対処方法を特定する特定処理、および原因属性を含む複数の属性の値と所定の障害が発生していたか否かを示す情報である障害発生情報との組を複数含む教師データを用いて、学習モデルを学習する学習処理を実行させるための障害分析プログラムであって、学習処理で、属性に関する条件を葉ノード以外のノードとし、所定の障害の発生の有無を示す情報を葉ノードとする決定木を学習モデルとして生成させ、特定処理で、属性の値と決定木とに基づいて、その属性の値に応じた葉ノードが所定の障害が発生したことを示しているか否かを判定させ、所定の障害が発生したことを示している葉ノードからルートノードまでのノードにおいて条件として用いられている原因属性に予め対応付けられている所定の障害の原因および対処方法を特定させることを特徴とする。
[構成の説明]
以下、本発明の実施形態を、図面を参照して説明する。図1は、本発明による障害分析装置の第1の実施形態の構成例を示すブロック図である。
モデル生成部103は、特許文献4に記載されている異種混合学習を行うことによって学習モデルを生成できる。図4は、モデル生成部103が異種混合学習によって生成する学習モデルの例を示す説明図である。図4に示す楕円は、属性(説明変数)に対応する条件での分岐を表す。分岐で使用される条件を門関数と呼ぶ。
モデル生成部103は、異種混合学習によって得られる学習モデルの代わりに決定木を生成してもよい。図5は、モデル生成部103が生成する決定木の例を示す説明図である。図5に示す楕円は、属性に対応する条件での分岐を表す。
モデル生成部103は、異種混合学習によって得られる学習モデルや決定木のようなツリー構造のモデルを生成する代わりに、単に式(1)のような判別式を生成してもよい。
以下、本実施形態の障害分析装置100が障害を分析する動作を図6を参照して説明する。図6は、第1の実施形態の障害分析装置100による障害分析処理の動作を示すフローチャートである。
本実施形態の障害分析装置100のモデル生成部103は、判別式ごとに各説明変数の影響度が算出される異種混合学習によって得られる学習モデルを生成できる。よって、特定部105は、算出された説明変数の影響度を用いて、発生した障害の原因を速やかに特定できる。
11、105 特定部
101 データ受信部
102 データ記憶部
103 モデル生成部
104 モデル記憶部
111 CPU
112 主記憶部
113 通信部
114 補助記憶部
115 入力部
116 出力部
117 システムバス
Claims (8)
- 所定の障害の原因に対応付けられた属性である原因属性が用いられて学習された前記所定の障害の発生の有無を判別するためのモデルである学習モデルと属性の値とに基づいて前記所定の障害が発生したか否かを判別し、発生したと判別された前記所定の障害の原因および対処方法を特定する特定部と、
原因属性を含む複数の属性の値と前記所定の障害が発生していたか否かを示す情報である障害発生情報との組を複数含む教師データを用いて、前記学習モデルを学習する学習部とを備え、
前記学習部は、属性に関する条件を葉ノード以外のノードとし、前記所定の障害の発生の有無を判別するための判別式を葉ノードとする二分木を前記学習モデルとして生成し、
前記特定部は、
属性の値を用いて前記二分木の葉ノードに相当する判別式を特定し、
当該属性の値と、特定された判別式とに基づいて前記所定の障害が発生したか否かを判別し、
発生したと判別された前記所定の障害の原因を、特定された判別式に含まれている原因属性に対応する説明変数の係数値に基づいて特定し、
特定された原因に予め対応付けられている対処方法を特定する
ことを特徴とする障害分析装置。 - 予め対応付けられた所定の障害の原因と、原因属性と、対処方法との組を記憶する記憶部を備える
請求項1記載の障害分析装置。 - 所定の障害の原因に対応付けられた属性である原因属性が用いられて学習された前記所定の障害の発生の有無を判別するためのモデルである学習モデルと属性の値とに基づいて前記所定の障害が発生したか否かを判別し、発生したと判別された前記所定の障害の原因および対処方法を特定する特定部と、
原因属性を含む複数の属性の値と前記所定の障害が発生していたか否かを示す情報である障害発生情報との組を複数含む教師データを用いて、前記学習モデルを学習する学習部とを備え、
前記学習部は、属性に関する条件を葉ノード以外のノードとし、前記所定の障害の発生の有無を示す情報を葉ノードとする決定木を前記学習モデルとして生成し、
前記特定部は、
属性の値と前記決定木とに基づいて、当該属性の値に応じた葉ノードが前記所定の障害が発生したことを示しているか否かを判定し、
前記所定の障害が発生したことを示している葉ノードからルートノードまでのノードにおいて前記条件として用いられている原因属性に予め対応付けられている前記所定の障害の原因および対処方法を特定する
ことを特徴とする障害分析装置。 - 予め対応付けられた所定の障害の原因と、原因属性と、対処方法との組を記憶する記憶部を備える
請求項3記載の障害分析装置。 - 所定の障害の原因に対応付けられた属性である原因属性が用いられて学習された前記所定の障害の発生の有無を判別するためのモデルである学習モデルと属性の値とに基づいて前記所定の障害が発生したか否かを判別し、
発生したと判別された前記所定の障害の原因および対処方法を特定し、
原因属性を含む複数の属性の値と前記所定の障害が発生していたか否かを示す情報である障害発生情報との組を複数含む教師データを用いて、前記学習モデルを学習し、
属性に関する条件を葉ノード以外のノードとし、前記所定の障害の発生の有無を判別するための判別式を葉ノードとする二分木を前記学習モデルとして生成し、
属性の値を用いて前記二分木の葉ノードに相当する判別式を特定し、
当該属性の値と、特定された判別式とに基づいて前記所定の障害が発生したか否かを判別し、
発生したと判別された前記所定の障害の原因を、特定された判別式に含まれている原因属性に対応する説明変数の係数値に基づいて特定し、
特定された原因に予め対応付けられている対処方法を特定する
ことを特徴とする障害分析方法。 - 所定の障害の原因に対応付けられた属性である原因属性が用いられて学習された前記所定の障害の発生の有無を判別するためのモデルである学習モデルと属性の値とに基づいて前記所定の障害が発生したか否かを判別し、
発生したと判別された前記所定の障害の原因および対処方法を特定し、
原因属性を含む複数の属性の値と前記所定の障害が発生していたか否かを示す情報である障害発生情報との組を複数含む教師データを用いて、前記学習モデルを学習し、
属性に関する条件を葉ノード以外のノードとし、前記所定の障害の発生の有無を示す情報を葉ノードとする決定木を前記学習モデルとして生成し、
属性の値と前記決定木とに基づいて、当該属性の値に応じた葉ノードが前記所定の障害が発生したことを示しているか否かを判定し、
前記所定の障害が発生したことを示している葉ノードからルートノードまでのノードにおいて前記条件として用いられている原因属性に予め対応付けられている前記所定の障害の原因および対処方法を特定する
ことを特徴とする障害分析方法。 - コンピュータに、
所定の障害の原因に対応付けられた属性である原因属性が用いられて学習された前記所定の障害の発生の有無を判別するためのモデルである学習モデルと属性の値とに基づいて前記所定の障害が発生したか否かを判別する判別処理、
発生したと判別された前記所定の障害の原因および対処方法を特定する特定処理、および
原因属性を含む複数の属性の値と前記所定の障害が発生していたか否かを示す情報である障害発生情報との組を複数含む教師データを用いて、前記学習モデルを学習する学習処理を実行させるための障害分析プログラムであって、
前記学習処理で、属性に関する条件を葉ノード以外のノードとし、前記所定の障害の発生の有無を判別するための判別式を葉ノードとする二分木を前記学習モデルとして生成させ、
前記特定処理で、
属性の値を用いて前記二分木の葉ノードに相当する判別式を特定させ、
当該属性の値と、特定された判別式とに基づいて前記所定の障害が発生したか否かを判別させ、
発生したと判別された前記所定の障害の原因を、特定された判別式に含まれている原因属性に対応する説明変数の係数値に基づいて特定させ、
特定された原因に予め対応付けられている対処方法を特定させる
障害分析プログラム。 - コンピュータに、
所定の障害の原因に対応付けられた属性である原因属性が用いられて学習された前記所定の障害の発生の有無を判別するためのモデルである学習モデルと属性の値とに基づいて前記所定の障害が発生したか否かを判別する判別処理、
発生したと判別された前記所定の障害の原因および対処方法を特定する特定処理、および
原因属性を含む複数の属性の値と前記所定の障害が発生していたか否かを示す情報である障害発生情報との組を複数含む教師データを用いて、前記学習モデルを学習する学習処理を実行させるための障害分析プログラムであって、
前記学習処理で、属性に関する条件を葉ノード以外のノードとし、前記所定の障害の発生の有無を示す情報を葉ノードとする決定木を前記学習モデルとして生成させ、
前記特定処理で、
属性の値と前記決定木とに基づいて、当該属性の値に応じた葉ノードが前記所定の障害が発生したことを示しているか否かを判定させ、
前記所定の障害が発生したことを示している葉ノードからルートノードまでのノードにおいて前記条件として用いられている原因属性に予め対応付けられている前記所定の障害の原因および対処方法を特定させる
障害分析プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021202972A JP7173273B2 (ja) | 2017-12-11 | 2021-12-15 | 障害分析装置、障害分析方法および障害分析プログラム |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/044309 WO2019116418A1 (ja) | 2017-12-11 | 2017-12-11 | 障害分析装置、障害分析方法および障害分析プログラム |
JP2019559425A JPWO2019116418A1 (ja) | 2017-12-11 | 2017-12-11 | 障害分析装置、障害分析方法および障害分析プログラム |
JP2021202972A JP7173273B2 (ja) | 2017-12-11 | 2021-12-15 | 障害分析装置、障害分析方法および障害分析プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019559425A Division JPWO2019116418A1 (ja) | 2017-12-11 | 2017-12-11 | 障害分析装置、障害分析方法および障害分析プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022037107A true JP2022037107A (ja) | 2022-03-08 |
JP7173273B2 JP7173273B2 (ja) | 2022-11-16 |
Family
ID=87699623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021202972A Active JP7173273B2 (ja) | 2017-12-11 | 2021-12-15 | 障害分析装置、障害分析方法および障害分析プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7173273B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024057531A1 (en) * | 2022-09-16 | 2024-03-21 | Rakuten Mobile, Inc. | System, method, and medium for proactive monitoring of a network |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007165721A (ja) * | 2005-12-15 | 2007-06-28 | Omron Corp | プロセス異常分析装置及びプログラム |
WO2008114863A1 (ja) * | 2007-03-22 | 2008-09-25 | Nec Corporation | 診断装置 |
JP2010218301A (ja) * | 2009-03-17 | 2010-09-30 | Taiyo Nippon Sanso Corp | 異常診断装置、異常診断方法及び異常診断プログラム |
JP2012003713A (ja) * | 2010-06-21 | 2012-01-05 | Hitachi Solutions Ltd | 障害原因判定ルール変化検知装置及びプログラム |
JP2013065084A (ja) * | 2011-09-15 | 2013-04-11 | Fujitsu Ltd | 予測方法及び予測プログラム |
JP2016161475A (ja) * | 2015-03-04 | 2016-09-05 | 株式会社デンソー | 故障診断装置および端末装置 |
JP2017120649A (ja) * | 2015-07-31 | 2017-07-06 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
JP2017161991A (ja) * | 2016-03-07 | 2017-09-14 | 三菱重工業株式会社 | 品質評価システム、品質評価方法及びプログラム |
-
2021
- 2021-12-15 JP JP2021202972A patent/JP7173273B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007165721A (ja) * | 2005-12-15 | 2007-06-28 | Omron Corp | プロセス異常分析装置及びプログラム |
WO2008114863A1 (ja) * | 2007-03-22 | 2008-09-25 | Nec Corporation | 診断装置 |
JP2010218301A (ja) * | 2009-03-17 | 2010-09-30 | Taiyo Nippon Sanso Corp | 異常診断装置、異常診断方法及び異常診断プログラム |
JP2012003713A (ja) * | 2010-06-21 | 2012-01-05 | Hitachi Solutions Ltd | 障害原因判定ルール変化検知装置及びプログラム |
JP2013065084A (ja) * | 2011-09-15 | 2013-04-11 | Fujitsu Ltd | 予測方法及び予測プログラム |
JP2016161475A (ja) * | 2015-03-04 | 2016-09-05 | 株式会社デンソー | 故障診断装置および端末装置 |
JP2017120649A (ja) * | 2015-07-31 | 2017-07-06 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
JP2017161991A (ja) * | 2016-03-07 | 2017-09-14 | 三菱重工業株式会社 | 品質評価システム、品質評価方法及びプログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024057531A1 (en) * | 2022-09-16 | 2024-03-21 | Rakuten Mobile, Inc. | System, method, and medium for proactive monitoring of a network |
Also Published As
Publication number | Publication date |
---|---|
JP7173273B2 (ja) | 2022-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10069684B2 (en) | Core network analytics system | |
JPWO2019116418A1 (ja) | 障害分析装置、障害分析方法および障害分析プログラム | |
CN109787846A (zh) | 一种5g网络服务质量异常监测和预测方法及系统 | |
CN112740746A (zh) | 检测警报的通信网络洞察力 | |
CN111309565B (zh) | 告警处理方法、装置、电子设备以及计算机可读存储介质 | |
US11409962B2 (en) | System and method for automated insight curation and alerting | |
AU2019275633B2 (en) | System and method of automated fault correction in a network environment | |
US20220038330A1 (en) | Systems and methods for predictive assurance | |
CN111669281B (zh) | 告警分析方法、装置、设备及存储介质 | |
US9860109B2 (en) | Automatic alert generation | |
US20210311468A1 (en) | Real-time alerts and transmission of selected signal samples under a dynamic capacity limitation | |
JP2023547849A (ja) | ラベルなしセンサデータを用いた産業システム内の稀な障害の自動化されたリアルタイムの検出、予測、及び予防に関する、方法または非一時的コンピュータ可読媒体 | |
CN115237717A (zh) | 一种微服务异常检测方法和系统 | |
CN111859047A (zh) | 一种故障解决方法及装置 | |
US20230419202A1 (en) | METHODS, INTERNET OF THINGS (IoT) SYSTEMS, AND MEDIUMS FOR MANAGING TIMELINESS OF SMART GAS DATA | |
US20220209876A1 (en) | Weather impact modeling of satellite based services | |
JP2022037107A (ja) | 障害分析装置、障害分析方法および障害分析プログラム | |
CN113282920B (zh) | 日志异常检测方法、装置、计算机设备和存储介质 | |
CN117640350A (zh) | 一种基于事件日志的自主式实时故障隔离方法 | |
Rafique et al. | TSDN-enabled network assurance: A cognitive fault detection architecture | |
CN116932324A (zh) | 一种内存条故障预测方法、装置及电子设备 | |
CN117792864A (zh) | 一种告警处理方法、装置、存储介质及电子装置 | |
CN114629776A (zh) | 基于图模型的故障分析方法及装置 | |
US12052166B2 (en) | Predicting impending change to interior gateway protocol (IGP) metrics | |
US20240171486A1 (en) | Leveraging temporal-based datapoints for predicting network events |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211215 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220929 |
|
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: 20221004 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221017 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7173273 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |