JP2022067639A - プロセッサを備えるシステム、コンピュータ実装方法、プログラム(合成システム障害生成) - Google Patents
プロセッサを備えるシステム、コンピュータ実装方法、プログラム(合成システム障害生成) Download PDFInfo
- Publication number
- JP2022067639A JP2022067639A JP2021168847A JP2021168847A JP2022067639A JP 2022067639 A JP2022067639 A JP 2022067639A JP 2021168847 A JP2021168847 A JP 2021168847A JP 2021168847 A JP2021168847 A JP 2021168847A JP 2022067639 A JP2022067639 A JP 2022067639A
- Authority
- JP
- Japan
- Prior art keywords
- processor
- synthetic
- computer
- failure
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 239000002131 composite material Substances 0.000 title abstract description 6
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000003786 synthesis reaction Methods 0.000 claims description 10
- 230000001143 conditioned effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 abstract description 11
- 230000001737 promoting effect Effects 0.000 abstract 1
- 230000015654 memory Effects 0.000 description 61
- 238000010586 diagram Methods 0.000 description 30
- 238000010801 machine learning Methods 0.000 description 27
- 238000012545 processing Methods 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 14
- 238000007726 management method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 8
- 230000007257 malfunction Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 241000282412 Homo Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
- G06F11/261—Functional testing by simulating additional hardware, e.g. fault simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3457—Performance evaluation by simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
Abstract
【課題】 合成システム障害生成を促進するシステム、コンピュータ実装方法、およびコンピュータプログラム製品が提供される。【解決手段】 実施形態によれば、システムは、非一時的コンピュータ可読媒体に保存された以下のコンピュータ実行可能コンポーネント、すなわち、訓練された人工知能(AI)モデルを利用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成するジェネレータコンポーネント、ならびに、合成システム障害を分析し、合成システム障害に対応するテキストコンテンツを生成する障害アセンブラコンポーネントを実行するプロセッサを備え得る。【選択図】図6
Description
本開示はシステム障害に関し、より具体的には、合成システム障害生成に関する。
システム障害データは、イベントの希少性に起因して非常に限られている。システム障害を自動検出する多くの既存の技術は、機械学習(ML)もしくは人工知能(AI)またはその両方の方法を使用する。そのような既存技術の問題は、特定のシステムに利用可能なシステム障害データの量が、そのようなMLもしくはAI方法またはその両方を適用するのに十分でないことが多いという点である。そのような既存技術の別の問題は、特定のシステムに利用可能なシステム障害データの品質が、そのようなMLもしくはAI方法またはその両方を適用するのに十分でないことが多いという点である。加えて、情報技術(IT)データは非常に複雑であり、そのような既存技術によって使用できる十分な量の高品質のシステム障害データを生成することは困難である。
以下では、発明の1または複数の実施形態の基本的理解を提供するための概要を提示する。この概要は、特定の実施形態、または、任意の特許請求の範囲の主要または重要な要素を識別すること、または、その任意の範囲を画定することを意図するものではない。その唯一の目的は、後に提示されるより詳細な説明に対する前置きとして、簡略化された形式の概念を提示することである。本明細書に説明される1または複数の実施形態において、合成システム障害生成を促進するシステム、コンピュータ実装方法、もしくはコンピュータプログラム製品またはその組み合わせが説明される。
実施形態によれば、システムは、非一時的コンピュータ可読媒体に保存された以下のコンピュータ実行可能コンポーネント、すなわち、訓練された人工知能(AI)モデルを利用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成するジェネレータコンポーネント、ならびに、合成システム障害を分析し、合成システム障害に対応するテキストコンテンツを生成する障害アセンブラコンポーネントを実行するプロセッサを備え得る。そのようなシステムの利点として、1または複数のAIもしくはMLモデルまたはその組み合わせを訓練するために使用できる合成システム障害を生成して、特定のシステムにおける1または複数の以前は未知であった、および/または未検出であったシステム障害を検出することができる。
いくつかの実施形態において、コンピュータ実行可能コンポーネントは更に、生成された合成システム障害およびそれぞれのテキストデータの知識ベースを生成するアグリゲータコンポーネントを含む。そのようなシステムの利点として、1または複数のAIもしくはMLモデルまたはその組み合わせを訓練するために使用できる知識ベースを生成して、特定のシステムにおける1または複数の以前は未知であった、および/または未検出であったシステム障害を検出することができる。
別の実施形態によれば、コンピュータ実装方法は、プロセッサを使用して、訓練された人工知能(AI)モデルを利用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成する段階を備え得る。コンピュータ実装方法は更に、プロセッサを使用して、合成システム障害を分析し、合成システム障害に対応するテキストコンテンツを生成する段階を備え得る。そのようなコンピュータ実装方法の利点として、1または複数のAIもしくはMLモデルまたはその組み合わせを訓練するのに使用され得る合成システム障害を生成して、特定のシステムにおける1または複数の以前は未知であった、および/または、未検出であったシステム障害を検出するために実装され得る。
いくつかの実施形態において、上のコンピュータ実装方法は更に、プロセッサを使用して、生成された合成システム障害およびそれぞれのテキストデータの知識ベースを生成する段階を備え得る。そのようなコンピュータ実装方法の利点として、1または複数のAIもしくはMLモデルまたはその組み合わせを訓練するために使用され得る知識ベースを生成して、特定のシステムにおける1または複数の以前は未知であった、および/または、未検出であったシステム障害を検出するために実装され得る。
別の実施形態によれば、コンピュータプログラム製品はプログラム命令が具現化されたコンピュータ可読記憶媒体を含み、プログラム命令は、プロセッサによって実行可能であり、訓練された人工知能(AI)モデルを利用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成することをプロセッサに行わせる。プログラム命令は更に、プロセッサによって実行可能であり、合成システム障害を分析し、合成システム障害に対応するテキストコンテンツを生成することをプロセッサに行わせる。そのようなコンピュータプログラム製品の利点として、1または複数のAIもしくはMLモデルまたはその組み合わせを訓練するのに使用され得る合成システム障害を生成して、特定のシステムにおける1または複数の以前は未知であった、および/または、未検出であったシステム障害を検出するために実装され得る。
いくつかの実施形態において、プログラム命令は更に、プロセッサによって実行可能であり、プロセッサに、生成された合成システム障害およびそれぞれのテキストデータの知識ベースを生成することを行わせる。そのようなコンピュータプログラム製品の利点として、1または複数のAIもしくはMLモデルまたはその組み合わせを訓練するために使用され得る知識ベースを生成して、特定のシステムにおける1または複数の以前は未知であった、および/または、未検出であったシステム障害を検出するために実装され得る。
以下の詳細な説明は単に例示であり、実施形態、および/または、実施形態の用途もしくは使用を限定する意図はない。更に、前述の背景または概要の章、または、詳細な説明の章に提示される任意の明示的または黙示的情報によって拘束される意図はない。
ここで、図面を参照して1または複数の実施形態を説明する。全体を通して、同様の参照番号は、同様の要素を指すために使用される。以下の説明において、1または複数の実施形態のより完全な理解を提供するべく、説明の目的のために、多くの特定の詳細が記載される。しかしながら、様々な場合において、これら特定の詳細なしで、1または複数の実施形態を実施できることは明白である。
システム障害を自動検出する既存技術に関して上で説明した問題を考慮して、本開示は、訓練された人工知能(AI)モデルを利用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成すること、合成システム障害を分析すること、および/または、合成システム障害に対応するテキストコンテンツを生成することによって合成システム障害生成を促進できるシステム、コンピュータ実装方法もしくはコンピュータプログラム製品またはその組み合わせの形式で、これらの問題に対する解決手段を作成するために実装され得る。そのようなシステム、コンピュータ実装方法、もしくはコンピュータプログラム製品またはその組み合わせの利点は、特定のシステムにおける1または複数の以前は未知であった、および/または未検出であったシステム障害を検出するように1または複数のAIもしくはMLモデルまたはその組み合わせを訓練するために使用できる合成システム障害を生成するように実装できるという点である。
いくつかの実施形態において、本開示は、生成された合成システム障害およびそれぞれのテキストデータの知識ベースを生成できるシステム、コンピュータ実装方法もしくはコンピュータプログラム製品またはその組み合わせの形式で、上で説明された問題に対する解決手段を作成するために実装できる。そのようなシステム、コンピュータ実装方法、もしくはコンピュータプログラム製品またはその組み合わせの利点は、特定のシステムにおける1または複数の以前は未知であった、および/または未検出であったシステム障害を検出するように1または複数のAIもしくはMLモデルまたはその組み合わせを訓練するために使用できる知識ベースを生成するために実装できるという点である。
本明細書において言及される場合、「障害」または「システム障害」とは、例えば、ソフトウェアシステムもしくはハードウェアシステムまたはその組み合わせ(例えば、古典的コンピューティングソフトウェアシステムもしくはハードウェアシステムまたはその組み合わせ、量子コンピューティングソフトウェアシステムもしくはハードウェアシステムまたはその組み合わせなど)などのシステムにおける1または複数のコンポーネントの誤動作もしくは故障またはその組み合わせを説明するものであり得る。本明細書において言及される場合、そのような「障害」またはそのような「システム障害」は、そのようなシステムの状態を定義する離散パラメータおよび連続パラメータの組み合わせ、ならびに、「障害」または「システム障害」に対応する、および/または、それらを説明するテキストデータ(例えば、「障害」または「システム障害」のテキスト記述を含む、システムによって生成されたログ)として表すことができる。本明細書において言及される場合、そのような離散パラメータもしくは連続パラメータまたはその組み合わせは、例えば、中央処理装置(CPU)パラメータ、インフラストラクチャパラメータ、メモリパラメータ、および/または、ソフトウェアシステムもしくはハードウェアシステムまたはその両方の別のパラメータを含み得る。
本明細書において言及される場合、「エンティティ」は、人間、クライアント、ユーザ、コンピューティングデバイス、ソフトウェアアプリケーション、エージェント、機械学習(ML)モデル、人工知能(AI)モデル、もしくは、別のエンティティの組み合わせを含み得る。本明細書において説明される、本開示の1または複数の実施形態によれば、そのようなエンティティは、合成障害生成システム102もしくはその1または複数コンポーネントの組み合わせを実装できる(例えば、ジェネレータコンポーネント108、障害アセンブラコンポーネント110、モデルトレーナコンポーネント202、アグリゲータコンポーネント204など)。
図1は、本明細書に記載される1または複数の実施形態による合成システム障害生成を促進できる非限定的システム100の例のブロック図を示す。システム100は合成障害生成システム102を備え得る。合成障害生成システム102は、メモリ104、プロセッサ106、ジェネレータコンポーネント108、障害アセンブラコンポーネント110、もしくはバス112またはその組み合わせを含み得る。
本明細書に開示される様々な図に図示される本開示の実施形態は、例示のみを目的とし、従って、そのような実施形態のアーキテクチャは、図示されるシステム、デバイス、もしくはコンポーネントまたはその組み合わせに限定されるものではないことが認識されるべきである。例えば、いくつかの実施形態において、システム100もしくは合成障害生成システム102またはその組み合わせは更に、動作環境800および図8を参照して本明細書に記載される様々なコンピュータもしくはコンピューティングベースの要素またはその両方を含み得る。複数の実施形態において、そのようなコンピュータもしくはコンピューティングベースの要素またはその両方は、図1、または、本明細書において開示される他の図に関連して示され、記載されるシステム、デバイス、コンポーネント、もしくはコンピュータ実装オペレーションまたはその組み合わせのうち1または複数の実装に関連して使用され得る。
メモリ104は、1または複数のコンピュータおよび/または機械可読、書き込み可能、および/または、実行可能コンポーネントもしくは命令またはその両方を保存し得、それらは、プロセッサ106(例えば古典的プロセッサ、量子プロセッサなど)によって実行されるとき、実行可能コンポーネントもしくは命令またはその両方によって定義されるオペレーションの遂行を促進できる。例えば、メモリ104は、コンピュータおよび/または機械可読、書き込み可能、および/または、実行可能コンポーネントもしくは命令またはその両方を保存し得、それらは、プロセッサ106によって実行されるとき、本開示の様々な図を参照して、または参照することなく本明細書において記載される、合成障害生成システム102、ジェネレータコンポーネント108、障害アセンブラコンポーネント110、もしくは、合成障害生成システム102に関連付けられた別のコンポーネント(例えば、モデルトレーナコンポーネント202、アグリゲータコンポーネント204など)またはその組み合わせに関して本明細書において記載される様々な機能の実行を促進できる。
メモリ104は、1または複数のメモリアーキテクチャを利用できる、揮発性メモリ(例えば、ランダムアクセスメモリ(RAM)、静的RAM(SRAM)、動的RAM(DRAM)など)、もしくは、非揮発性メモリ(例えば、リードオンリメモリ(ROM)、プログラマブルROM(PROM)、電気プログラマブルROM(EPROM)、電気消去可能プログラマブルROM(EEPROM)など)またはその組み合わせを含み得る。メモリ104の更なる例が、システムメモリ816および図8を参照して下に説明される。メモリ104のそのような例は、本開示の任意の実施形態を実装するために利用され得る。
プロセッサ106は、メモリ104に保存できる1または複数のコンピュータおよび/または機械可読、書き込み可能、および/または、実行可能コンポーネントもしくは命令またはその両方を実装できる、1または複数のタイプのプロセッサもしくは電子回路(例えば、古典的プロセッサ、量子プロセッサなど)またはその両方を含み得る。例えば、プロセッサ106は、ロジック、コントロール、入力/出力(I/O)、算術もしくは同様のもの、またはその組み合わせを含むがこれらに限定されるものではない、そのようなコンピュータおよび/または機械可読、書き込み可能、および/または実行可能コンポーネントもしくは命令またはその両方によって指定され得る様々なオペレーションを実行し得る。いくつかの実施形態において、プロセッサ106は、1または複数の中央処理装置、マルチコアプロセッサ、マイクロプロセッサ、デュアルマイクロプロセッサ、マイクロコントローラ、システムオンチップ(SOC)、アレイプロセッサ、ベクトルプロセッサ、量子プロセッサ、もしくは別のタイプのプロセッサまたはその組み合わせを含み得る。プロセッサ106の更なる例が、処理ユニット814および図8を参照して下で説明される。プロセッサ106のそのような例は、本開示の任意の実施形態を実装するために利用され得る。
合成障害生成システム102、メモリ104、プロセッサ106、ジェネレータコンポーネント108、障害アセンブラコンポーネント110、もしくは、本明細書において説明される合成障害生成システム102の別のコンポーネント(例えば、モデルトレーナコンポーネント202、アグリゲータコンポーネント204など)またはその組み合わせは、システム100、合成障害生成システム102、もしくは、それに結合された任意のコンポーネントまたはその組み合わせの機能を実行するために、バス112を介して互いに通信可能に、電気的に、動作可能に、および/または、光学的に結合され得る。バス112は、様々なバスアーキテクチャを利用し得る、1または複数のメモリバス、メモリコントローラ、ペリフェラルバス、外部バス、ローカルバス、量子バス、もしくは、別のタイプのバスまたはその組み合わせを含み得る。バス112の更なる例が、システムバス818および図8を参照して下に説明される。バス112のそのような例は、本開示の任意の実施形態を実装するために利用され得る。
合成障害生成システム102は、プロセッサを含む任意のタイプのコンポーネント、機械、デバイス、設備、機器、および/または、計器を含み得、および/または、有線および/または無線ネットワークとの効果的および/または動作可能な通信が可能であり得る。そのようなすべての実施形態が想定される。例えば、合成障害生成システム102は、サーバデバイス、コンピューティングデバイス、汎用コンピュータ、特定用途向けコンピュータ、量子コンピューティングデバイス(例えば量子コンピュータ)、タブレットコンピューティングデバイス、ハンドヘルドデバイス、サーバクラスコンピューティングマシンおよび/またはデータベース、ラップトップコンピュータ、ノートブックコンピュータ、デスクトップコンピュータ、携帯電話、スマートフォン、コンシューマ用電化製品および/または計装、産業用および/または商用デバイス、デジタルアシスタント、マルチメディアインターネット対応電話、マルチメディアプレイヤ、もしくは、別のタイプのデバイスまたはその組み合わせを含み得る。
合成障害生成システム102は、ワイヤもしくはケーブルまたはその両方を使用して、1または複数の外部システム、ソース、もしくはデバイス(例えば、古典的および/または量子コンピューティングデバイス、通信デバイスなど)またはその組み合わせと(例えば、通信可能に、電気的に、動作可能に、光学的に、など)結合され得る。例えば、合成障害生成システム102は、これらに限定されるものではないが、高解像度マルチメディアインタフェース(HDMI(登録商標))ケーブル、勧告基準(RS)232ケーブル、イーサネット(登録商標)ケーブル、もしくは別のデータケーブルまたはその組み合わせを含むデータケーブルを使用して、1または複数の外部システム、ソース、もしくはデバイス(例えば、古典的および/または量子コンピューティングデバイス、通信デバイスなど)またはその組み合わせに(例えば、通信可能に、電気的に、動作可能に、光学的に、など)結合され得る。
いくつかの実施形態において合成障害生成システム102は、ネットワークを介して、1または複数の外部システム、ソース、もしくはデバイス(例えば、古典的および/または量子コンピューティングデバイス、通信デバイスなど)またはその組み合わせに(例えば、通信可能に、電気的に、動作可能に、光学的に、など)結合され得る。例えば、そのようなネットワークは、これらに限定されるものではないが、セルラネットワーク、ワイドエリアネットワーク(WAN)(例えば、インターネット)またはローカルエリアネットワーク(LAN)を含む有線および/または無線ネットワークを含み得る。合成障害生成システム102は、これらに限定されるものではないが、ワイヤレスフィデリティ(Wi-Fi(登録商標))、モバイル通信のためのグローバルシステム(GSM(登録商標))、ユニバーサルモバイルテレコミュニケーションシステム(UMTS)、マイクロ波アクセスに関する世界的な相互運用(WiMAX)、強化型汎用パケット無線サービス(強化型GPRS)、第3世代パートナシッププロジェクト(3GPP)ロングタームエボリューション(LTE)、第3世代パートナシッププロジェクト2(3GPP2)ウルトラモバイルブロードキャスト(UMB)、高速パケットアクセス(HSPA)、Zigbee(登録商標)および他の802.XX無線技術もしくはレガシーテレコミュニケーション技術またはその組み合わせ、BLUETOOTH(登録商標)、セッション開始プロトコル(SIP)、ZIGBEE(登録商標)、RF4CEプロトコル、無線HARTプロトコル、6LoWPAN(低電力無線エリアネットワーク上のIPv6)、Z‐ウェーブ、ANT、超広帯域(UWB)規格プロトコル、および/または他のプロプライエタリおよび非プロプライエタリの通信プロトコルを含む、事実上任意の所望の有線および/または無線技術を使用して、1または複数の外部システム、ソース、もしくはデバイスまたはその組み合わせ、例えばコンピューティングデバイスと通信し得る。したがって、いくつかの実施形態において、合成障害生成システム102は、ハードウェア(例えば、中央処理装置(CPU)、トランシーバ、デコーダ、量子ハードウェア、量子プロセッサなど)、ソフトウェア(例えば、スレッドのセット、プロセスのセット、実行中のソフトウェア、量子パルススケジュール、量子回路、量子ゲートなど)、または、合成障害生成システム102と、外部システム、ソース、もしくはデバイス(例えば、コンピューティングデバイス、通信デバイスなど)またはその組み合わせとの間の情報の通信を促進できるハードウェアおよびソフトウェアの組み合わせを含み得る。
合成障害生成システム102は、1または複数のコンピュータおよび/または機械可読、書き込み可能、および/または、実行可能コンポーネントもしくは命令またはその組み合わせを含み得、これらは、プロセッサ106(例えば古典的プロセッサ、量子プロセッサなど)によって実行されるとき、そのようなコンポーネントもしくは命令またはその両方によって定義されるオペレーションの遂行を促進し得る。更に、多くの実施形態において、本開示の様々な図を参照して、または参照することなく本明細書において説明される、合成障害生成システム102に関連付けられた任意のコンポーネントは、1または複数のコンピュータおよび/または機械可読、書き込み可能、および/または、実行可能コンポーネントもしくは命令またはその両方を含み得、これらは、プロセッサ106によって実行されるとき、そのようなコンポーネントもしくは命令またはその両方によって定義されるオペレーションの遂行を促進し得る。例えば、本明細書において開示されるような、(例えば、通信可能に、電子的に、動作可能に、および/または、光学的に、合成障害生成システム102に結合される、および/または、利用される)ジェネレータコンポーネント108、障害アセンブラコンポーネント110、もしくは、合成障害生成システム102に関連付けられた任意の他のコンポーネント(例えば、モデルトレーナコンポーネント202、アグリゲータコンポーネント204など)またはその組み合わせは、そのようなコンピュータおよび/または機械可読、書き込み可能、および/または、実行可能コンポーネントもしくは命令またはその両方を含み得る。その結果、多くの実施形態によれば、本明細書に開示されるように、合成障害生成システム102、もしくは、それに関連付けられた任意のコンポーネントまたはその両方は、プロセッサ106を利用して、そのようなコンピュータおよび/または機械可読、書き込み可能、および/または、実行可能コンポーネントもしくは命令またはその両方を実行し、合成障害生成システム102、もしくは、それに関連付けられた任意のそのようなコンポーネントまたはその両方を参照して本明細書に記載される1または複数のオペレーションの遂行を促進し得る。
合成障害生成システム102は、ジェネレータコンポーネント108、障害アセンブラコンポーネント110、もしくは、本明細書に開示されるような合成障害生成システム102に関連付けられた別のコンポーネント(例えば、モデルトレーナコンポーネント202、アグリゲータコンポーネント204など)またはその組み合わせによって実行される、および/または、それに関連付けられるオペレーションの遂行を、(例えばプロセッサ106を介して)促進し得る。例えば、下に詳細に説明されるように、合成障害生成システム102は、訓練された人工知能(AI)モデルを利用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成すること、もしくは、合成システム障害を分析して合成システム障害に対応するテキストコンテンツを生成すること、またはその両方を(例えばプロセッサ106を介して)促進し得る。
別の例において、下で詳細に説明されるように、合成障害生成システム102は更に、履歴離散パラメータまたは履歴連続パラメータの少なくとも1つを含み得る履歴システムデータを前処理すること(履歴離散パラメータはワンホット符号化ベクトルとして表され、履歴連続パラメータについては、変分混合ガウスモデルを用いたモード固有正規化が利用される)、敵対的生成ネットワークアーキテクチャを使用してAIモデルを訓練すること、条件付き表形式敵対ネットワークを使用してAIモデルを訓練すること、ワッサースタイン勾配ペナルティ損失(WGAN‐GP Loss)を用いてAIモデルを訓練すること、関連付けられたデータセットの行に条件付けられた離散パラメータまたは連続パラメータの少なくとも1つのサブセットの複雑なマルチモーダル分布を復元すること、もしくは、生成された合成システム障害およびそれぞれのテキストデータの知識ベースを生成すること、またはその組み合わせを(例えばプロセッサ106を介して)促進し得る。上の例において、テキストコンテンツは、システムログ、または、合成システム障害の記述の少なくとも1つを含み得る。
ジェネレータコンポーネント108は、訓練された人工知能(AI)モデルを利用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成し得る。例えば、ジェネレータコンポーネント108は、例えば訓練された敵対的生成ネットワーク(GAN)など、訓練された敵対的生成ネットワークアーキテクチャを利用して、共にシステム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成し得る。別の例において、ジェネレータコンポーネント108は、例えば訓練された条件付き表形式敵対的生成ネットワーク(CTGAN)などの訓練された条件付き表形式敵対ネットワークを利用して、共にシステム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成し得る。上の例において、そのような合成システム障害を生成するためにジェネレータコンポーネント108によって利用され得るそのようなAIモデルは、図2に示される例の実施形態を参照して下で説明されるようなモデルトレーナコンポーネント202によって訓練され得る。
ジェネレータコンポーネント108は、そのような訓練されたAIモデル(例えば、訓練されたCTGAN)を利用して、システム(例えば、古典的コンピューティングソフトウェアシステムおよび/またはハードウェアシステム、量子コンピューティングソフトウェアシステム、および/またはハードウェアシステムなど)の状態を共に定義する少なくとも1つの離散パラメータおよび少なくとも1つの連続パラメータの特定の組み合わせを各々が含み得る様々な合成システム障害を生成し得る。いくつかの実施形態において、そのような少なくとも1つの離散パラメータ、もしくはそのような少なくとも1つの連続パラメータまたはその組み合わせは、システムに関連付けられたデータセットにおける要素もしくは要素のサブセットまたはその両方であり得る。例えば、そのような少なくとも1つの離散および/または連続パラメータは、システムに関連付けられたそのようなデータセットの列に位置する要素もしくは要素のサブセットまたはその両方であり得、データセットの各行は、少なくとも1つそのような離散パラメータおよび少なくとも1つそのような連続パラメータの組み合わせとして表されるシステム障害を構成し得る。いくつかの実施形態において、そのような少なくとも1つの離散および/または連続パラメータは、これらに限定されるものではないが、中央処理装置(CPU)パラメータ、インフラストラクチャパラメータ、メモリパラメータ、もしくは、例えば、ソフトウェアシステムもしくはハードウェアシステム(例えば、古典的コンピューティングソフトウェアシステムもしくはハードウェアシステムまたはその両方、量子コンピューティングソフトウェアシステムもしくはハードウェアシステムまたはその両方など)またはその両方などのシステムの別のパラメータを含み得る。
ジェネレータコンポーネント108は、関連付けられたデータセットの行に条件付けられた少なくとも1つの離散パラメータまたは連続パラメータのサブセットの複雑なマルチモーダル分布を復元し得る。例えば、上で説明された、そのような訓練されたAIモデル(例えば、訓練されたCTGAN)を利用して、システムの状態を共に定義する少なくとも1つの離散パラメータもしくは少なくとも1つの連続パラメータまたはその両方の特定の組み合わせを含む合成システム障害を生成することによって、ジェネレータコンポーネント108は、システムに関連付けられ得る、上で説明されたデータセットの行に条件付けられた少なくとも1つの離散パラメータ、もしくは、少なくとも1つの連続パラメータまたはその両方のそのような組み合わせの複雑なマルチモーダル分布を復元し得る。
障害アセンブラコンポーネント110は、合成システム障害を分析し、合成システム障害に対応するテキストコンテンツを生成し得る。例えば、障害アセンブラコンポーネント110は、上で説明されたようにジェネレータコンポーネント108によって生成され得る合成システム障害を分析し得、障害アセンブラコンポーネント110は更に、例えば、システムログ、合成システム障害の記述、もしくは、他のテキストコンテンツまたはその組み合わせなど、合成システム障害に対応するテキストコンテンツを生成し得る。この例において、合成システム障害に対応するそのようなテキストコンテンツ(例えば、システムログ、合成システム障害の記述など)が、本明細書において定義されるエンティティ(例えば、人間、クライアント、ユーザ、コンピューティングデバイス、ソフトウェアアプリケーション、エージェント、MLモデル、AIモデルなど)によって読まれ得るテキストファイルもしくは別のフォーマット、またはその組み合わせとしてフォーマット化され得る。
いくつかの実施形態において、合成障害生成システム102はクラウドコンピューティング環境に関連付けられ得る。例えば、合成障害生成システム102は、図9を参照して下で説明されるクラウドコンピューティング環境950もしくは図10またはその組み合わせを参照して下で説明される1または複数の機能抽象化層(例えば、ハードウェアおよびソフトウェア層1060、仮想化層1070、管理層1080、もしくはワークロード層1090またはその組み合わせ)に関連付けられ得る。
合成障害生成システム102もしくはそのコンポーネント(例えば、ジェネレータコンポーネント108、障害アセンブラコンポーネント110、モデルトレーナコンポーネント202、アグリゲータコンポーネント204など)またはその組み合わせは、図9を参照して下で説明されるクラウドコンピューティング環境950の1または複数のコンピューティングリソース、もしくは、図10、またはその組み合わせを参照して下で説明される1または複数の機能抽象化層(例えば、量子ソフトウェアなど)を利用して、本明細書に説明される本開示の1または複数の実施形態による1または複数のオペレーションを実行し得る。例えば、クラウドコンピューティング環境950、もしくは、そのような1または複数の機能抽象化層の組み合わせは、本明細書に記載の本開示の1または複数の実施形態による1または複数のオペレーションを実行するために合成障害生成システム102もしくはそのコンポーネントまたはその組み合わせによって利用され得る、1または複数の古典的コンピューティングデバイス(例えば、古典的コンピュータ、古典的プロセッサ、仮想マシン、サーバなど)、量子ハードウェア、もしくは、量子ソフトウェア(例えば、量子コンピューティングデバイス、量子コンピュータ、量子プロセッサ、量子回路シミュレーションソフトウェア、超電導回路など)またはその組み合わせ含み得る。例えば、合成障害生成システム102もしくはそのコンポーネントまたはその組み合わせは、そのような1または複数の古典的および/または量子コンピューティングリソースを利用して、本明細書において記載される本開示の1または複数の実施形態による、1または複数の古典的および/または量子:算術機能、計算、および/または方程式;コンピューティングおよび/または処理スクリプト;アルゴリズム;モデル(例えば、AIモデル、MLモデルなど);もしくは別のオペレーションまたはその組み合わせを実行し得る。
本開示は、クラウドコンピューティングに関する詳細な説明を含むが、本明細書において列挙される教示の実装はクラウドコンピューティング環境に限定されるものではないことを理解されたい。むしろ、本発明の実施形態は、現在知られるか後に開発される任意の他のタイプのコンピューティング環境と結合して実装されることが可能である。
クラウドコンピューティングは、管理の労力またはサービスのプロバイダとのインタラクションを最小限に抑えながら迅速にプロビジョニングおよびリリースできる構成可能なコンピューティングリソース(例えば、ネットワーク、ネットワーク帯域幅、サーバ、プロセス、メモリ、ストレージ、アプリケーション、仮想マシン、およびサービス)の共有プールに対する便利なオンデマンドのネットワークアクセスを可能するための、サービス提供のモデルである。このクラウドモデルは、少なくとも5つの特性、少なくとも3つのサービスモデルおよび少なくとも4つの展開モデルを含んでよい。
特性は以下の通りである。
オンデマンドセルフサービス:クラウドコンシューマは、人間とサービスのプロバイダとのインタラクションを要求することなく、必要に応じて自動的に、サーバ時間およびネットワークストレージなどのコンピューティング能力を一方的にプロビジョニングできる。
ブロードネットワークアクセス:能力はネットワークを通じて利用可能であり、異種混合のシンまたはシッククライアントプラットフォームによる使用を促進する標準的な機構(例えば携帯電話、ラップトップ、およびPDA)を通じてアクセスされる。
リソースプール:プロバイダのコンピューティングリソースはプールされ、マルチテナントモデルを使用して複数のコンシューマにサービスを提供し、異なる物理的および仮想的リソースが需要に応じて動的に割り当ておよび再割り当てされる。概してコンシューマは提供されるリソースの厳密な位置についての制御または知識を有しないが、より高い抽象化レベル(例えば、国、州、またはデータセンタ)で位置を指定可能であり得るという点で、位置独立性の意味がある。
迅速な柔軟性:いくつかの場合においては自動的に、迅速なスケールアウトのために、能力を急速かつ柔軟にプロビジョニングでき、迅速なスケールインのために迅速にリリースできる。コンシューマにとって、多くの場合、プロビジョニングに利用可能な能力は無制限に見え、任意の時間に任意の量で購入できる。
測定されたサービス:クラウドシステムは、サービスのタイプに適切な、いくらかの抽象化レベル(例えば、ストレージ、処理、帯域幅、および、アクティブユーザアカウント)で、測定能力を活用することによって、リソース使用を自動的に制御および最適化する。リソース使用量が監視、制御、レポートされ得、利用されるサービスのプロバイダおよびコンシューマの両方に透明性を提供する。
サービスモデルは以下の通りである。
ソフトウェア・アズ・ア・サービス(SaaS):コンシューマに提供される能力は、クラウドインフラストラクチャ上で実行するプロバイダのアプリケーションを使用することである。アプリケーションは、ウェブブラウザ(例えばウェブベースの電子メール)などのシンクライアントインタフェースを通じて様々なクライアントデバイスからアクセス可能である。コンシューマは、ネットワーク、サーバ、オペレーティングシステム、ストレージ、または更には個々のアプリケーション能力を含む基礎のクラウドインフラストラクチャを管理または制御しないが、限定されたユーザ固有のアプリケーション構成設定は例外である可能性がある。
プラットフォーム・アズ・ア・サービス(PaaS):コンシューマに提供される能力は、プロバイダによってサポートされるプログラミング言語およびツールを使用して形成される、コンシューマが形成または取得したアプリケーションをクラウドインフラストラクチャ上に展開することである。コンシューマは、ネットワーク、サーバ、オペレーティングシステム、またはストレージを含む基礎のクラウドインフラストラクチャを管理または制御しないが、展開されたアプリケーション、および、場合によっては、環境構成をホストするアプリケーションに対する制御を有する。
インフラストラクチャ・アズ・ア・サービス(IaaS):コンシューマに提供される能力は、処理、ストレージ、ネットワーク、および、コンシューマがオペレーティングシステムおよびアプリケーションを含み得る任意のソフトウェアを展開および実行することが可能な他の基本的なコンピューティングリソースをプロビジョニングすることである。コンシューマは、基礎のクラウドインフラストラクチャを管理または制御しないが、オペレーティングシステム、ストレージ、展開されたアプリケーション、および、場合によっては、選択されたネットワークコンポーネント(例えばホストファイアウォール)の限定された制御に対する制御を有する。
展開モデルは以下の通りである。
プライベートクラウド:クラウドインフラストラクチャは組織のみのために動作される。組織またはサードパーティによって管理され得、敷地内または敷地外に存在し得る。
コミュニティクラウド:クラウドインフラストラクチャは、複数の組織によって共有され、共有された関心(例えば、役割、セキュリティ要件、ポリシー、および、コンプライアンス上の考慮事項)を有する特定のコミュニティをサポートする。組織またはサードパーティによって管理され得、敷地内または敷地外に存在し得る。
パブリッククラウド:クラウドインフラストラクチャは、一般大衆または大きい産業グループに利用可能となり、クラウドサービスを販売する組織によって所有される。
ハイブリッドクラウド:クラウドインフラストラクチャは、固有のエンティティであり続けるが、データおよびアプリケーションのポータビリティを可能にする標準化またはプロプライエタリ技術(例えば、クラウド間のロードバランシングのためのクラウドバースティング)によって共に結合される2以上のクラウド(プライベート、コミュニティ、またはパブリック)の複合である。
クラウドコンピューティング環境は、ステートレス、低結合、モジュール性、および、セマンティック相互運用性に対する重点を指向したサービスである。クラウドコンピューティングの中核には、相互接続されたノードで構成されるネットワークを含むインフラストラクチャが存在する。
図2は、本明細書に記載される1または複数の実施形態による合成システム障害生成を促進できる非限定的システム200の例のブロック図を示す。システム200は、合成障害生成システム102を備え得、合成障害生成システム102は更に、モデルトレーナコンポーネント202もしくはアグリゲータコンポーネント204またはその組み合わせを含み得る。それぞれの実施形態において利用される同様の要素もしくはプロセスまたはその組み合わせの繰り返しの説明は、簡潔にするために省略される。
モデルトレーナコンポーネント202は、敵対的生成ネットワークアーキテクチャを使用してAIモデルを訓練し得る。例えば、モデルトレーナコンポーネント202は、図1に示される例の実施形態を参照して上で説明されるようなシステム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成するためにジェネレータコンポーネント108によって利用され得るAIモデルを訓練し得る。例えば、モデルトレーナコンポーネント202は、図1を参照して上で説明されるようなジェネレータコンポーネント108によって利用され得る敵対的生成ネットワーク(GAN)を訓練し得、モデルトレーナコンポーネント202は、敵対的生成ネットワークアーキテクチャを使用してそのようなGANを訓練し得る。この例において、そのようなGANは、条件付き表形式敵対的生成ネットワーク(CTGAN)を含み得、モデルトレーナコンポーネント202は、敵対的生成ネットワークアーキテクチャを使用してそのようなCTGANを訓練し得る。すなわち、この例において、モデルトレーナコンポーネント202は、敵対的生成ネットワークアーキテクチャを使用してCTGANを訓練し得る。ここで、1つの要素がシステム障害をデータセットにおける少なくとも1つの離散パラメータおよび少なくとも1つの連続パラメータの特定の組み合わせとして定義し得、別の要素は、定義されたシステム障害を分析し得、特定のシステムに関して、定義されたシステム障害が正規のシステム障害(例えば、論理的システム障害)もしくは有意のシステム障害(例えば、実際に生じるシステム障害)またはその組み合わせを表さない理由を提供し得る。
上で説明されたような、そのようなCTGANを訓練するために、モデルトレーナコンポーネント202は履歴システムデータを訓練データとして使用し得る。例えば、モデルトレーナコンポーネント202は、1または複数のシステムもしくはそのような1または複数のシステムまたはその組み合わせで生じた1または複数の本物のシステム障害に対応する履歴システムデータを使用して、上で説明されるような、そのようなCTGANを訓練し得る。いくつかの実施形態において、そのような履歴システムデータは、例えば、メモリ104などのデータベースに保存され得、モデルトレーナコンポーネント202は、プロセッサ106を利用してそのような履歴システムデータを取得し得る。
図2に示される例の実施形態において、そのような履歴システムデータは、履歴システム障害データを含み得る。例えば、そのような履歴システムデータは、システムにおいて生じた1または複数の本物のシステム障害を構成し、定義し、説明し、および/またはそれに対応し得る履歴システム障害データを含み得る。この例において、そのような履歴システム障害データは、これらに限定されるものではないが、システムの状態を定義する履歴離散パラメータおよび履歴連続パラメータ(各組み合わせは、システムにおいて生じた本物のシステム障害を構成する);1または複数のシステムにおいて生じた本物のシステム障害に対応する履歴テキストデータ(例えば、本物のシステム障害などの履歴システムログ、履歴記述);1または複数のシステムに対応する履歴障害ローカリゼーションデータ;1または複数のシステムに対応する履歴根本原因データ;1または複数のシステムに対応する履歴作業順序要求;1または複数のシステムに対応する履歴情報技術(IT)チケット;および/または1または複数のシステムにおいて生じた1または複数の実際のシステム障害を構成、定義、説明し、および/または、それに対応し得る他の履歴データの様々な組み合わせを含み得る。
上で定義された履歴システム障害データを使用して、上で説明されたような、そのようなCTGANを訓練するべく、モデルトレーナコンポーネント202はプロセッサ106を使用してそのような履歴システム障害データを前処理し得る。例えば、モデルトレーナコンポーネント202は、プロセッサ106を使用して、履歴離散パラメータをワンホット符号化ベクトルとして表し、変分混合ガウスモデルを用いたモード固有正規化を使用して履歴連続パラメータを前処理することにより、上で定義されるそのような履歴システム障害データを前処理し得る。
図2に示される実施形態の例において、上で定義された履歴システム障害データの前処理に基づいて、モデルトレーナコンポーネント202は前処理された履歴システム障害データを使用して、上で説明されたようなCTGANを訓練し得る。例えば、モデルトレーナコンポーネント202は、前処理された履歴システム障害データを使用して、(例えばプロセッサ106を介して)CTGANを訓練して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成し得る。この例において、モデルトレーナコンポーネント202は、ワッサースタイン勾配ペナルティ損失(WGAN‐GP Loss)を有するCTGANを(例えばプロセッサ106を介して)訓練し得る。
いくつかの実施形態において、モデルトレーナコンポーネント202は、上で説明されたような、そのようなCTGANを訓練し得、そのようなCTGANのモデルアーキテクチャ、および、そのようなCTGANに関連付けられたディスクリミネータは、以下のように定義され得る。
ここで、hi(h0,h1,h2)は隠れ層を示し、αiはtanhによって生成されたスカラ値を示し、βiはgumbel softmaxによって生成されるモードインジケータ値を示し、diはgumbel softmaxによって生成される離散値を示し、condは条件を示すベクトルを示し、ReLUは活性化関数を示し、BNはバッチ正規化を示し、FCは線形変換の適用を示す。
ここで、ri¬(r1,r10など)は行Iを示し、dropは隠れ層のドロップアウトを示し、CはPACサイズ10のクリティックを示す。
いくつかの実施形態において、モデルトレーナコンポーネント202は、下で説明され、図5に図示される図表500によって示されるようなCTGANを訓練し得る。
アグリゲータコンポーネント204は、生成された合成システム障害およびそれぞれのテキストデータの知識ベース(不図示)を生成し得る。例えば、アグリゲータコンポーネント204は、ジェネレータコンポーネント108によって生成され得る、生成された合成システム障害の知識ベースを(例えば、知識ベースビルダアプリケーションまたはソフトウェアを使用して)生成し得、ここで、そのような知識ベースは、障害アセンブラコンポーネント110によって生成され得る、そのような合成システム障害の各々に対応するそれぞれのテキストデータを更に含み得る。実施形態において、アグリゲータコンポーネント204は、図1に示される例の実施形態を参照して上で説明されるようなジェネレータコンポーネント108によって生成され得る様々な合成システム障害を含み得る知識ベース、ならびに、図1を参照して上で説明されるような障害アセンブラコンポーネント110によって生成され得る対応するそれぞれのテキストデータを生成し得る。別の実施形態において、アグリゲータコンポーネント204は、そのような様々な合成システム障害および対応するそれぞれのテキストデータ、もしくは1または複数の本物のシステム障害(例えば、実際に生じたシステム障害、もしくは、知られたシステム障害またはその両方)またはその両方を含み得る知識ベースを生成し得る。
いくつかの実施形態において、アグリゲータコンポーネント204は、そのような生成された合成システム障害、および、それぞれの対応するテキストデータのうち1または複数を既存の知識ベースに追加し得る。例えば、アグリゲータコンポーネント204は、(例えば、知識ベースビルダアプリケーション、または、ソフトウェアを使用して)そのような生成された合成システム障害、および、それぞれの対応するテキストデータのうち1または複数を、アグリゲータコンポーネント204によって以前に生成された知識ベースに追加し得る。実施形態において、そのような既存の知識ベースは、図1において示される例の実施形態を参照して上で説明されたようなジェネレータコンポーネント108によって生成され得る様々な合成システム障害、ならびに、図1を参照して上で説明されるような障害アセンブラコンポーネント110によって生成され得る対応するそれぞれのテキストデータを含み得る。別の実施形態において、既存の知識ベースは、そのような様々な合成システム障害および対応するそれぞれのテキストデータ、もしくは1または複数の本物のシステム障害(例えば、実際に生じたシステム障害、もしくは、知られたシステム障害)またはその組み合わせを含み得る。
アグリゲータコンポーネント204によって(例えば、知識ベースビルダアプリケーションまたはソフトウェアを使用して)生成され得る、上で説明された知識ベースもしくは既存の知識ベースまたはその組み合わせは、自動化障害検出システムの1または複数のAIもしくはMLモデルまたはその組み合わせを訓練して、特定のシステムにおける1または複数おシステム障害を発見するために使用され得ることが認識されるべきである。例えば、本開示の1または複数の実施形態によれば、合成障害生成システム102は、合成障害生成システム102によって生成された合成システム障害と同一の属性(例えば、離散パラメータ、連続パラメータなど)もしくは機能性またはその組み合わせを含む1または複数の本物のシステム障害を自動で発見するために、そのような1または複数のAIもしくはMLモデルまたはその組み合わせを訓練するための訓練データとして使用され得る十分な品質を有する著しい数の合成システム障害を(例えばジェネレータコンポーネント108および障害アセンブラコンポーネント110を介して)生成し得る。
アグリゲータコンポーネント204によって(例えば、知識ベースビルダアプリケーションまたはソフトウェアを使用して)生成され得る上で説明された知識ベースもしくは既存の知識ベースまたはその組み合わせは、特定のシステムにおける1または複数のシステム障害を発見するために使用され得、そのような1または複数のシステム障害は、本開示の1または複数の実施形態に従って生成され得る1または複数の合成システム障害と同一の属性(例えば、離散パラメータ、連続パラメータなど)もしくは機能性またはその組み合わせを含み得ることも認識されるべきである。例えば、アグリゲータコンポーネント204によって生成され得る上で説明された知識ベースもしくは既存の知識ベースまたはその組み合わせは、特定のシステムにおける1または複数のシステム障害を発見するために、例えば、オペレーション管理エンティティもしくはアプリケーションエンティティまたはその組み合わせによって使用され得、そのような1または複数のシステム障害は、本開示の1または複数の合成システム障害と同一の属性(例えば、離散パラメータ、連続パラメータなど)もしくは機能性またはその組み合わせを含み得る。例えば、本開示の1または複数の実施形態に従って生成され得る1または複数の合成システム障害を含む、上に説明された知識ベースは、そのようなオペレーション管理エンティティもしくはアプリケーションエンティティまたはその組み合わせが、特定のシステムにおける1または複数の未知であった、および/または以前に未発見のシステム障害を発見することを可能にし得る。この例において、本開示の1または複数の合成システム障害を使用する、特定のシステムにおけるそのような1または複数の未知であった、および/または以前に未発見のシステム障害に発見は、それによって、そのようなオペレーション管理エンティティもしくはアプリケーションエンティティまたはその組み合わせが、そのような特定のシステムの1または複数のコンポーネントの潜在的な中断、誤動作、もしくは損傷またはその組み合わせを防止および/または軽減することを可能にし得る。
アグリゲータコンポーネント204によって(例えば、知識ベースビルダアプリケーションまたはソフトウェアを使用して)生成され得る上で説明された知識ベースもしくは既存の知識ベースまたはその組み合わせは、そのような特定のシステムにおいて生じ得る1または複数のシステム障害と同一の属性(例えば、離散パラメータ、連続パラメータなど)もしくは機能性またはその組み合わせを含み得るそのような知識ベースの1または複数の合成システム障害を使用して、特定のシステムに対する1または複数の試験(例えば、障害検出試験、ストレス試験、性能試験、負荷試験、セキュリティ試験など)を実装するために使用され得ることも認識されるべきである。例えば、本開示の1または複数の実施形態に従って生成され得る1または複数の合成システム障害を含む、上で説明された知識ベースは、そのような特定のシステムにおいて生じ得る1または複数のシステム障害と同一の属性(例えば、離散パラメータ、連続パラメータなど)もしくは機能性またはその組み合わせを含み得るそのような知識ベースの1または複数の合成システム障害を使用して、特定のシステムに対する1または複数の試験(例えば、障害検出試験、ストレス試験、性能試験、負荷試験、セキュリティ試験など)を実装するために、例えば、オペレーション管理エンティティもしくはアプリケーションエンティティまたはその組み合わせによって使用され得る。この例において、本開示の1または複数の合成システム障害を使用して特定のシステムを試験することにより、そのようなオペレーション管理エンティティもしくはアプリケーションエンティティまたはその組み合わせが、そのような特定のシステムの1または複数のコンポーネントの潜在的な中断、誤動作、もしくは損傷またはその組み合わせを防止および/または軽減することが可能となり得る。
図3は、本明細書に記載される1または複数の実施形態による合成システム障害生成を促進できる非限定的なコンピュータ実装方法300の例のフロー図を示す。それぞれの実施形態において利用される同様の要素もしくはプロセスまたはその組み合わせの繰り返しの説明は、簡潔にするために省略される。
302において、コンピュータ実装方法300は、プロセッサ(例えばプロセッサ106)を使用して履歴システム障害データを(例えば、合成障害生成システム102もしくはモデルトレーナコンポーネント202またはその組み合わせを介して)取得する段階を備え得る。例えば、モデルトレーナコンポーネント202は、プロセッサ106を使用して、例えば、メモリ104などのデータベースに保存され得る履歴システム障害データを取得し得る。この例において、そのような履歴システム障害データは、図2に図示される例の実施形態を参照して上で定義される履歴システムデータを含み得る。
304において、コンピュータ実装方法300は、プロセッサ(例えば、プロセッサ106)を使用して、履歴システム障害データを(例えば、合成障害生成システム102もしくはモデルトレーナコンポーネント202またはその組み合わせを介して)前処理する段階を備え得る。例えば、図2に示される例の実施形態を参照して上で説明されるように、モデルトレーナコンポーネント202はプロセッサ106を使用して、上で説明されたような302において取得され得る、上で定義されたそのような履歴システム障害データを前処理し得る。例えば、モデルトレーナコンポーネント202は、履歴離散パラメータをワンホット符号化ベクトルとして表し、変分混合ガウスモデルを用いたモード固有正規化を使用して履歴連続パラメータを前処理することにより、上で定義されるそのような履歴システム障害データを前処理し得る。
306において、コンピュータ実装方法300は、プロセッサ(例えばプロセッサ106)を使用して(例えば、合成障害生成システム102もしくはモデルトレーナコンポーネント202またはその組み合わせを介して)モデルを訓練する段階を備え得る。例えば、図2に示される例の実施形態を参照して上で説明されるように、モデルトレーナコンポーネント202はプロセッサ106を使用して、上で説明された304において前処理され得る前処理された履歴システム障害データを使用してAIモデル(例えばCTGAN)を訓練し得る。例えば、図1および図2に示される例の実施形態を参照して上で説明されるように、モデルトレーナコンポーネント202は、そのような前処理された履歴システム障害データを使用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成するようにAIモデル(例えばCTGAN)を訓練し得る。この例において、図2を参照して上で説明されるように、モデルトレーナコンポーネント202は、ワッサースタイン勾配ペナルティ損失(WGAN-GP Loss)を有するAIモデル(例えばCTGAN)を訓練し得る。
図4は、本明細書に記載される1または複数の実施形態による合成システム障害生成を促進できる非限定的システム400の例のブロック図を示す。それぞれの実施形態において利用される同様の要素もしくはプロセスまたはその組み合わせの繰り返しの説明は、簡潔にするために省略される。
図4に図示される例の実施形態に示されるように、システム400は合成障害生成システム102のジェネレータコンポーネント108もしくは障害アセンブラコンポーネント110またはその組み合わせを含み得る。この例の実施形態において、合成障害生成システム102もしくはジェネレータコンポーネント108またはその組み合わせは、合成システム障害要求402を受信して、1または複数の合成システム障害(例えば、N個の合成システム障害)を作成し得る。例えば、いくつかの実施形態において、これらに限定されるものではないが、アプリケーションプログラミングインタフェース(API)、representational state transfer(REST)API、グラフィカルユーザインタフェース(GUI)、もしくは、本明細書において定義されるエンティティまたはその組み合わせと合成障害生成システム102もしくは1または複数のそのコンポーネントまたはその組み合わせとの間の通信もしくはデータ交換またはその組み合わせを可能にし得る別のインタフェースコンポーネントを含み得る合成障害生成システム102は、インタフェースコンポーネント(不図示)を備え得る。この例において、本明細書に定義されるそのようなエンティティ(例えば、人間、クライアント、ユーザ、コンピューティングデバイス、ソフトウェアアプリケーション、エージェント、MLモデル、AIモデルなど)は、合成障害生成システム102のそのようなインタフェースコンポーネントを使用して、合成システム障害要求402をジェネレータコンポーネント108に提出し得る。
図4に図示される例の実施形態において、上で説明された合成システム障害要求402を受信することに基づいて、ジェネレータコンポーネント108は、例えば、訓練されたCTGANを利用して、N個の合成システム障害を生成し得、ここで、そのようなN個の合成システム障害の各々は、システム状態を定義する少なくとも1つの離散パラメータおよび少なくとも1つの連続パラメータの組み合わせとして表される。この例の実施形態において、ジェネレータコンポーネント108は、そのようなN個の生成された合成システム障害の各々を障害アセンブラコンポーネント110に提供し得る。この例の実施形態において、障害アセンブラコンポーネント110は、ジェネレータコンポーネント108によって生成されたそのようなN個の合成システム障害の各々を分析して、それらが正規もしくは有意またはその組み合わせのシステム障害であるかどうかを判断し得る。例えば、障害アセンブラコンポーネント110は、ジェネレータコンポーネント108によって生成されたそのようなN個の合成システム障害の各々を分析して、それらが例えばシステム404などの特定のシステムに関して正規もしくは有意またはその組み合わせのシステム障害かどうかを判断し得る。
図4に示される例の実施形態において、システム404は、ソフトウェアシステムもしくはハードウェアシステムまたはその組み合わせ(例えば、古典的コンピューティングソフトウェアシステムおよび/またはハードウェアシステム、量子コンピューティングソフトウェアシステムおよび/またはハードウェアシステムなど)を含み得る。いくつかの実施形態において、システム404は、障害アセンブラコンポーネント110がジェネレータコンポーネント108によって生成されたそのようなN個の合成システム障害の各々を分析して、それらがそのような代表的なシステムに関して正規もしくは有意またはその組み合わせのシステム障害であるかどうかを判断するために標準として使用し得る代表的なシステム(例えばベンチマークシステム)として機能し得る。いくつかの実施形態において、システム404は、上で説明されたジェネレータコンポーネント108によって生成され得るそのようなN個の合成システム障害を訓練データとして使用して1または複数のシステム障害を検出するためにMLもしくはAIモデル(例えば、CTGAN)またはその組み合わせが訓練され得る特定のシステムを含み得る。これらの実施形態において、障害アセンブラコンポーネント110は、ジェネレータコンポーネント108によって生成された、そのようなN個の合成システム障害の各々を分析して、それらがそのような特定のシステムに関して正規もしくは有意またはその組み合わせのシステム障害であるかどうか判断し得る。
上で説明されるジェネレータコンポーネント108によって生成され得るN個の合成システム障害のそのような分析を促進するべく、障害アセンブラコンポーネント110は、システム404に関してそのようなN個の合成システム障害の各々における各離散パラメータおよび各連続パラメータを分析し得る。例えば、障害アセンブラコンポーネント110は、システム404もしくは1または複数のコンポーネント(例えば、ソフトウェアコンポーネント、ハードウェアコンポーネントなど)またはその組み合わせに対応するデータを評価して、システム404もしくはその1または複数のコンポーネントまたはその組み合わせに関して、そのようなN個の合成システム障害の各々が正規のシステム障害(例えば、論理的システム障害)もしくは有意のシステム障害(例えば、実際に生じ得るシステム障害)またはその組み合わせかどうかを判断し得る。この例において、システム404もしくはその1または複数のコンポーネントまたはその組み合わせに対応するそのようなデータは、これらに限定されるものではないが、仕様書、データシート、プロトコルデータ、インフラストラクチャデータ、機能性データ、および/または、システム404および/またはその1または複数のコンポーネント(例えば、ソフトウェアコンポーネント、ハードウェアコンポーネントなど)に対応する他のデータを含み得る。この例において、障害アセンブラコンポーネント110は、システム404もしくはその1または複数のコンポーネント(例えば、ソフトウェアコンポーネント、ハードウェアコンポーネントなど)またはその組み合わせに対応するそのようなデータを評価して、そのようなN個の合成システム障害の各々が論理的かどうか(例えば、技術的観点から意味があるか)、および/または、そのようなN個の合成システム障害の各々がシステム404において実際に生じ得るかどうかを判断し得る。
図4に図示される例の実施形態において、システム404もしくはその1または複数のコンポーネントまたはその組み合わせに関して、ジェネレータコンポーネント108によって生成され得るN個の合成システム障害の1または複数が正規のシステム障害(例えば、論理的システム障害)もしくは有意のシステム障害(例えば、実際に生じ得るシステム障害)またはその組み合わせであるという障害アセンブラコンポーネント110による決定に基づいて、障害アセンブラコンポーネント110は更に、障害アセンブラコンポーネント110が正規もしくは有意またはその組み合わせのシステム障害であると判断するそのような1または複数のN個の合成システム障害の各々にそれぞれ対応するテキストコンテンツを生成し得る。例えば、障害アセンブラコンポーネント110は、障害アセンブラコンポーネント110が正規もしくは有意またはその組み合わせのシステム障害であると判断するそのような1または複数のN個の合成システム障害の各々にそれぞれ対応する、例えば、システムログもしくはテキスト記述またはその組み合わせなどのテキストコンテンツを生成し得る。この例において、合成システム障害に対応するそのようなテキストコンテンツ(例えば、システムログ、合成システム障害の記述など)が、本明細書において定義されるエンティティ(例えば、人間、クライアント、ユーザ、コンピューティングデバイス、ソフトウェアアプリケーション、エージェント、MLモデル、AIモデルなど)によって読まれ得るテキストファイルもしくは別のフォーマットまたはその組み合わせとしてフォーマット化され得る。
図4に図示される例の実施形態に示されるように、ジェネレータコンポーネント108によって生成され得るN個の合成システム障害はそれぞれ、障害アセンブラコンポーネント110によって生成され得る対応するテキストコンテンツと組み合わされて、合成システム障害406を生じさせ得、それによって、合成障害生成システム102によって実行され得る合成システム障害生成プロセスを完了する。いくつかの実施形態において、各合成システム障害406は、合成障害生成システム102を実装する本明細書に定義されるエンティティに提供され得る。例えば、各合成システム障害406は、上に説明される合成障害生成システム102のインタフェースコンポーネント(例えば、API、REST API、GUIなど)を使用してそのようなエンティティに提供され得る。
いくつかの実施形態において、各合成システム障害406は、様々なシステム障害(例えば、様々な合成システム障害もしくは本物のシステム障害)またはその組み合わせの知識ベースを生成するために(例えば、アグリゲータコンポーネント204によって)使用され得る。例えば、各合成システム障害406は、図2に示される例の実施形態を参照して上で説明されるアグリゲータコンポーネント204によって、様々な合成システム障害もしくは本物のシステム障害(例えば、実際に生じたシステム障害、もしくは、知られているシステム障害またはその組み合わせ)またはその組み合わせを含み得る知識ベースを生成するために使用され得る。
いくつかの実施形態において、各合成システム障害406は、様々なシステム障害(例えば、様々な合成システム障害もしくは本物のシステム障害またはその組み合わせ)を含む既存の知識ベースに(例えばアグリゲータコンポーネント204によって)追加され得る。例えば、アグリゲータコンポーネント204は、図2を参照して上で説明されたアグリゲータコンポーネント204によって以前に生成された既存の知識ベースに各合成システム障害406を追加し得、そのような既存の知識ベースは、様々な合成システム障害もしくは本物のシステム障害またはその組み合わせ(例えば、実際に生じたシステム障害、もしくは、知られているシステム障害またはその組み合わせ)を含み得る。
図5は、本明細書に記載される1または複数の実施形態による合成システム障害生成を促進できる非限定的な図表500の例を示す。それぞれの実施形態において利用される同様の要素もしくはプロセスまたはその組み合わせの繰り返しの説明は、簡潔にするために省略される。
ジェネレータコンポーネント108は、関連付けられたデータセットの行に条件付けられた少なくとも1つの離散パラメータもしくは少なくとも1つの連続パラメータまたはその組み合わせのサブセットの複雑なマルチモーダル分布を復元し得る。図表500は、上で説明されたそのような復元を促進するために実行され得るAIモデルプロセス(例えば、ジェネレータコンポーネント108によって利用されるCTGAN)のブロック図による描画を示す。図表500によって示されるように、例において、そのようなAIモデルプロセスは、3つの基本要素、すなわち、条件付きベクトル、ジェネレータ損失、およびサンプリングによる訓練を利用し得る。この例において、条件付きベクトルは、選択されたカテゴリを指定し得、ジェネレータ損失は、マスクベクトルの作成を強制し得、サンプリングによる訓練は、離散特徴にわたる更なるサンプリングを施行し得る。
図5に図示される例の実施形態において、条件付きジェネレータ(例えば条件付きベクトル)は、離散列D1またはD2の1つに対して条件付けされた合成行を生成し得る。図5に図示される例の実施形態に示されるように、そのような離散列D1またはD2の1つ(例えば、図5に示される離散列D2)が最初に選択される。この例の実施形態において、離散列D1またはD2の1つ(例えば、図5に示されるように、離散列D2)のそのような選択に基づいて、カテゴリの1つ(例えば、図5に示されるように、カテゴリ1)が、選択された離散列D1またはD2から選択される。この例の実施形態において、これらの要素(例えば、図5に示されるように、選択された離散列D2および選択されたカテゴリ1)は、訓練データセットから取得され得るデータを識別する(例えば、選択された列および選択されたカテゴリを有する行を選択する)。この例の実施形態において、ジェネレータ(例えば、条件付きジェネレータ、条件付きベクトル)は、特定の列におけるその特定の値が与えられた行の条件付き分布である。この例の実施形態において、ジェネレータ損失は、バッチのすべてのインスタンスにわたって平均化された交差エントロピーを追加することによって、その損失(例えばジェネレータ損失)に罰則を科すために使用される。この例の実施形態において、条件付きジェネレータによって作成される出力(例えば条件付きベクトル)は、図表500において図示されるクリティック(例えばクリティックニューラルネットワーク)によって評価される必要がある。図5に示される例の実施形態において、クリティック(例えばクリティックニューラルネットワーク)は、作成されたデータの学習された条件付き分布と、実際のデータの条件付き分布との間の距離を推定する。この例の実施形態において、クリティック(例えば、クリティックニューラルネットワーク)は、システムのパフォーマンス測定(例えばAIモデルのスコア)を使用して、(例えば、オペレーション中、ランタイムにおいて)オンラインでそれ自体を調整する。
図6は、本明細書に記載される1または複数の実施形態による合成システム障害生成を促進できる非限定的なコンピュータ実装方法600の例のフロー図を示す。それぞれの実施形態において利用される同様の要素もしくはプロセスまたはその組み合わせの繰り返しの説明は、簡潔にするために省略される。
602において、コンピュータ実装方法600は、プロセッサ(例えばプロセッサ106)を使用して、訓練された人工知能(AI)モデル(例えば、訓練されたCTGAN)を(例えば、合成障害生成システム102もしくはジェネレータコンポーネント108またはその組み合わせを介して)利用して、(例えば、共にシステム、例えば、ソフトウェアシステムもしくはハードウェアシステムまたはその組み合わせの状態などを定義する)システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害(例えば合成システム障害406)を生成する段階を備え得る。
604において、コンピュータ実装方法600は、プロセッサ(例えばプロセッサ106)を使用して、(例えば、合成障害生成システム102もしくは障害アセンブラコンポーネント110またはその組み合わせを介して)合成システム障害を分析する段階と、合成システム障害に対応するテキストコンテンツ(例えば、システムログ、合成システム障害の記述など)を(例えば、合成障害生成システム102もしくは障害アセンブラコンポーネント110またはその組み合わせを介して)生成する段階とを備え得る。
図7は、本明細書に記載される1または複数の実施形態による合成システム障害生成を促進できる非限定的なコンピュータ実装方法700の例のフロー図を示す。それぞれの実施形態において利用される同様の要素もしくはプロセスまたはその組み合わせの繰り返しの説明は、簡潔にするために省略される。
702において、コンピュータ実装方法700は、プロセッサ(例えばプロセッサ106)を使用して、少なくとも1つの履歴離散パラメータもしくは履歴連続パラメータまたはその組み合わせを含む履歴システムデータを(例えば、合成障害生成システム102もしくはモデルトレーナコンポーネント202またはその組み合わせを介して)前処理する段階を備え得、履歴離散パラメータは、ワンホット符号化ベクトルとして表され、履歴連続パラメータについては、変分混合ガウスモデルを用いたモード固有正規化が(例えばモデルトレーナコンポーネント202によって)利用される。例えば、そのような履歴システム障害データは、これらに限定されるものではないが、システムの状態を定義する履歴離散パラメータおよび履歴連続パラメータ(各組み合わせは、システムにおいて生じた本物のシステム障害を構成する);1または複数のシステムにおいて生じた本物のシステム障害に対応する履歴テキストデータ(例えば、本物のシステム障害などの履歴システムログ、履歴記述);1または複数のシステムに対応する履歴障害ローカリゼーションデータ;1または複数のシステムに対応する履歴根本原因データ;1または複数のシステムに対応する履歴作業順序要求;1または複数のシステムに対応する履歴情報技術(IT)チケット;および/またはシステムにおいて生じた1または複数の実際のシステム障害を構成、定義、説明し、および/または、それに対応し得る他の履歴データの様々な組み合わせを含み得る。
704において、コンピュータ実装方法700は、プロセッサ(例えばプロセッサ106)を使用して、敵対的生成ネットワークアーキテクチャを使用して人工知能(AI)モデル(例えばCTGAN)を(例えば、合成障害生成システム102もしくはモデルトレーナコンポーネント202またはその組み合わせを介して)訓練する段階を備え得る。
706において、コンピュータ実装方法700は、プロセッサ(例えばプロセッサ106)を使用して、条件付き表形式敵対ネットワークを使用してAIモデルを(例えば、合成障害生成システム102もしくはモデルトレーナコンポーネント202またはその組み合わせを介して)訓練する段階を備え得る。
708において、コンピュータ実装方法700は、プロセッサ(例えばプロセッサ106)を使用して、ワッサースタイン勾配ペナルティ損失(WGAN-GP Loss)を用いてAIモデルを(例えば、合成障害生成システム102もしくはモデルトレーナコンポーネント202またはその組み合わせを介して)訓練する段階を備え得る。
710において、コンピュータ実装方法700は、プロセッサ(例えばプロセッサ106)を使用して、訓練されたAIモデル(例えば訓練されたCTGAN)を(例えば合成障害生成システム102もしくはジェネレータコンポーネント108またはその組み合わせを介して)利用して、(例えば、共にシステムの状態、例えば、ソフトウェアシステムもしくはハードウェアシステムまたはその組み合わせなどを定義する)システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害(例えば合成システム障害406)を生成する段階を備え得る。
712において、コンピュータ実装方法700は、プロセッサ(例えばプロセッサ106)を使用して、関連付けられたデータセットの行に条件付けられた離散パラメータまたは連続パラメータの少なくとも1つのサブセットの複雑なマルチモーダル分布を(例えば、合成障害生成システム102もしくはジェネレータコンポーネント108またはその組み合わせを介して)復元する段階を備え得る(例えば、そのようなデータセットの列は、様々な離散パラメータおよび連続パラメータを含み、データセットの各行は、少なくとも1つのそのような離散パラメータおよび少なくとも1つのそのような連続パラメータの組み合わせとして表されるシステム障害を構成する)。
714において、コンピュータ実装方法700は、プロセッサ(例えばプロセッサ106)を使用して、(例えば、合成障害生成システム102もしくは障害アセンブラコンポーネント110またはその組み合わせを介して)合成システム障害を分析する段階と、合成システム障害に対応するテキストコンテンツ(例えば、システムログ、合成システム障害の記述など)を(例えば、合成障害生成システム102もしくは障害アセンブラコンポーネント110またはその組み合わせを介して)生成する段階とを備え得る。
716において、コンピュータ実装方法700は、プロセッサ(例えばプロセッサ106)を使用して、生成された合成システム障害およびそれぞれのテキストデータの知識ベースを(例えば、合成障害生成システム102もしくはアグリゲータコンポーネント204またはその組み合わせを介して)生成する段階を備え得る。
合成障害生成システム102は、様々な技術と関連付けられ得る。例えば、合成障害生成システム102は、MLおよび/またはAIモデル技術、システム障害検出技術、自動化システム障害検出技術、自動化MLおよび/またはAIモデルシステム障害検出技術、クラウドコンピューティング技術、もしくは他の技術またはその組み合わせに関連付けられ得る。
合成障害生成システム102は、上で識別された様々な技術に関連付けられたシステム、デバイス、コンポーネント、動作ステップ、もしくは、処理ステップまたはその組み合わせに技術的改善点を提供し得る。例えば、合成障害生成システム102は、特定のシステムにおける1または複数のシステム障害を発見するために使用され得る1または複数の合成システム障害を含む知識ベースを生成し得、そのような1または複数のシステム障害は、そのような知識ベースにおけるそのような1または複数の合成システム障害と同一の属性(例えば離散パラメータ、連続パラメータなど)もしくは機能性またはその組み合わせを含み得る。例えば、合成障害生成システム102によって生成され得る1または複数の合成システム障害を含むそのような知識ベースは、オペレーション管理エンティティもしくはアプリケーションエンティティまたはその組み合わせが、特定のシステムにおける1または複数の未知であった、および/または以前に未発見のシステム障害を発見することを可能にし得る。これらの例において、本開示の1または複数の合成システム障害を使用する、特定のシステムにおけるそのような1または複数の未知であった、および/または以前に未発見のシステム障害に発見は、それによって、そのようなオペレーション管理エンティティもしくはアプリケーションエンティティまたはその組み合わせが、そのような特定のシステムの1または複数のコンポーネントの潜在的な中断、誤動作、もしくは損傷またはその組み合わせを防止および/または軽減することを可能にし得る。
合成障害生成システム102は、合成障害生成システム102に関連付けられた処理ユニットに技術的改善点を提供し得る。例えば、上で説明されたそのような特定のシステムのそのような1または複数のコンポーネントはプロセッサ(例えばCPUなど)を含み得る。この例において、そのような特定のシステムにおける1または複数のシステム障害を発見するために使用され得る上で説明された知識ベースを生成することによって、合成障害生成システム102は、そのような特定のシステムのそのようなプロセッサの潜在的な中断、誤動作、もしくは、損傷またはその組み合わせを防止および/または軽減し得る。
合成障害生成システム102の実際の適用では、特定のシステムにおける1または複数のシステム障害を発見するための自動化障害検出システムにおいて実装され得る。そのような1または複数のシステム障害は、合成障害生成システム102によって生成され得る1または複数の合成システム障害と同一の属性(例えば離散パラメータ、連続パラメータ、など)もしくは機能性またはその組み合わせを含み得る。例えば、合成障害生成システム102の実際の適用では、特定のシステムにおける1または複数のシステム障害を発見するために1または複数のAIもしくはMLモデルまたはその組み合わせを利用する自動化障害検出システムにおいて実装され得る。この例において、合成障害生成システム102は、そのような特定のシステムにおける1または複数の本物のシステム障害を自動で発見するために、そのような1または複数のAIもしくはMLモデルまたはその組み合わせを訓練するための訓練データとして使用され得る十分な品質を有する著しい数の合成システム障害を生成し得る。
合成障害生成システム102は、1または複数のMLもしくはAIモデルまたはその組み合わせを利用してシステム障害を発見する比較的新しい自動化障害検出システムによって促進される新しい手法を提供することが認識されるべきである。例えば、合成障害生成システム102は、システム障害を発見するために、そのような1または複数のMLもしくはAIモデルまたはその組み合わせを訓練するための著しい量の高品質の訓練データを提供する新しい手法を提供する。別の例において、合成障害生成システム102は、例えば、そのような1または複数の合成システム障害と同一の属性(例えば離散パラメータ、連続パラメータなど)もしくは機能性またはその組み合わせを含む1または複数の以前は未知であった、および/または未発見のシステム障害を発見するために、オペレーション管理エンティティもしくはアプリケーションエンティティまたはその組み合わせによって使用され得る合成システム障害を提供する新しい手法を提供する。
合成障害生成システム102は、ハードウェアまたはソフトウェアを利用して、本質的に高度に技術的であり、抽象的でなく、人間によって精神的な活動のセットとして実行されることができない問題を解決し得る。いくつかの実施形態において、本明細書において説明されるプロセスの1または複数は、上で識別された様々な技術に関する定義されたタスクを実行するために、1または複数の特殊化されたコンピュータ(例えば、特殊化された処理ユニット、特殊化された古典的コンピュータ、特殊化された量子コンピュータなど)によって実行され得る。合成障害生成システム102もしくはそのコンポーネントまたはその組み合わせが、上で言及された技術の発展、量子コンピューティングシステム、クラウドコンピューティングシステム、コンピュータアーキテクチャ、もしくは別の技術またはその組み合わせの利用を通じて生じる新しい問題を解決するために利用され得る。
合成障害生成システム102は、電気コンポーネント、機械コンポーネント、人間の精神において複製できない、または、人間によって実行できない回路の様々な組み合わせを利用し得ることが認識されるべきである。なぜなら、本明細書に説明される合成障害生成システム102もしくはそのコンポーネントまたはその組み合わせによって実行され得る様々なオペレーションは、人間の精神の能力を超えたオペレーションであるからである。例えば、処理されるデータの量、そのようなデータを処理する速度、または、特定の期間にわたって合成障害生成システム102によって処理されるデータのタイプは、同一の期間にわたって人間の精神によって処理され得る量、速度、またはデータタイプより大きい、速い、または、それと異なることがあり得る。
複数の実施形態によれば、合成障害生成システム102はまた、本明細書において説明される様々なオペレーションを実行しながら、1または複数の他の機能を実行することに対して完全に動作可能であり得る(例えば、完全に電源オンされる、完全に実行される、など)。そのような同時多動作実行は人間の精神の能力を超えることが認識されるべきである。合成障害生成システム102は、人間のユーザなどのエンティティによって手動で取得することが不可能である情報を含み得ることも認識されるべきである。例えば、合成障害生成システム102、ジェネレータコンポーネント108、障害アセンブラコンポーネント110、モデルトレーナコンポーネント202、もしくは、アグリゲータコンポーネント204またはその組み合わせに含まれる情報のタイプ、量、もしくは多様性またはその組み合わせは、人間のユーザなどのエンティティによって手動で取得される情報より複雑であり得る。
説明を簡潔にするべく、コンピュータ実装方法が一連の行動として図示および説明される。主題のイノベーションは、示される行動、もしくは、行動の順序またはその組み合わせによって限定されるものではないことが理解され、認識されるべきである。例えば、行動は、本明細書において提示および説明されない他の行動と共に、様々な順序で、および/または、同時に生じ得る。更に、示されるすべての行動が、開示される主題によるコンピュータ実装方法を実装するために必要であり得るわけではない。加えて、当業者であれば、コンピュータ実装方法が代替的に、状態図またはイベントを介して、相互に関連のある一連の状態として表され得ることを理解し、認識するであろう。追加的に、以降で、および、本明細書全体を通して開示されるコンピュータ実装方法は、そのようなコンピュータ実装方法をコンピュータへ移送および転送することを促進するために製品に保存されることが可能であることが更に認識されるべきである。製品という用語は、本明細書において使用される場合、任意のコンピュータ可読デバイスまたは記憶媒体からアクセス可能なコンピュータプログラムを包含することが意図される。
開示される主題の様々な態様についての文脈を提供するべく、図8および後続の説明は、開示される主題の様々な態様が実装され得る好適な環境の一般的説明を提供することが意図される。図8は、本明細書に記載される1または複数の実施形態を促進できる非限定的な動作環境の例のブロック図を示す。簡潔にする目的で、本明細書において説明される他の実施形態において利用される同様の要素の繰り返しの説明は省略される。
図8を参照して、本開示の様々な態様を実装するための好適な動作環境800はまた、コンピュータ812を含み得る。コンピュータ812はまた、処理ユニット814、システムメモリ816、およびシステムバス818を備え得る。システムバス818は、システムメモリ816を含むがこれに限定されるものではないシステムコンポーネントを処理ユニット814に結合する。処理ユニット814は、様々な利用可能なプロセッサのいずれかであり得る。デュアルマイクロプロセッサおよび他のマルチプロセッサアーキテクチャはまた、処理ユニット814として利用され得る。システムバス818は、これらに限定されるものではないが、業界標準アーキテクチャ(ISA)、マイクロチャネルアーキテクチャ(MSA)、拡張ISA(EISA)、インテリジェントドライブエレクトロニクス(IDE)、VESAローカルバス(VLB)、ペリフェラルコンポーネントインターコネクト(PCI)、カードバス、ユニバーサルシリアルバス(USB)、アドバンスドグラフィックスポート(AGP)、Firewire(登録商標)(IEEE1394)、スモールコンピュータシステムインタフェース(SCSI)を含む様々な利用可能なバスアーキテクチャのいずれかを使用する、メモリバスまたはメモリコントローラ、ペリフェラルバスまたは外部バス、もしくは、ローカルバスまたはその組み合わせを含む複数のタイプのバス構造のいずれであり得る。
システムメモリ816はまた、揮発性メモリ820および不揮発性メモリ822を含み得る。起動中などにコンピュータ812内の要素間で情報を転送するための基本ルーチンを含む基本入力/出力システム(BIOS)が不揮発性メモリ822に保存される。コンピュータ812はまた、取り外し可能/非取り外し可能、揮発性/非揮発性コンピュータ記憶媒体を含み得る。図8は例えばディスクストレージ824を示す。ディスクストレージ824はまた、これらに限定されるものではないが、磁気ディスクドライブ、フロッピディスクドライブ、テープドライブ、Jazドライブ、Zipドライブ、LS-100ドライブ、フラッシュメモリカード、またはメモリスティックのようなデバイスを含み得る。ディスクストレージ824はまた、他の記憶媒体と別に、または、組み合わせて記憶媒体を含み得る。システムバス818へのディスクストレージ824の接続を促進するべく、インタフェース826などの取り外し可能または非取り外し可能インタフェースが典型的には使用される。図8はまた、ユーザと、好適な動作環境800において説明される基本コンピュータリソースとの間の仲介として行動するソフトウェアを図示する。そのようなソフトウェアはまた、例えば、オペレーティングシステム828を含み得る。ディスクストレージ824に保存され得るオペレーティングシステム828は、コンピュータ812のリソースを制御し割り当てるように行動する。
システムアプリケーション830は、例えば、システムメモリ816またはディスクストレージ824のいずれかに保存されるプログラムモジュール832およびプログラムデータ834を通じて、オペレーティングシステム828によるリソースの管理を活用する。本開示は、様々なオペレーティングシステムまたはオペレーティングシステムの組み合わせで実装され得ることが認識されるべきである。ユーザは入力デバイス836を通じてコンピュータ812にコマンドまたは情報を入力する。入力デバイス836は、これらに限定されるものではないが、マウス、トラックボール、スタイラス、タッチパッド、キーボード、マイク、ジョイスティック、ゲームパッド、サテライトディッシュ、スキャナ、テレビチューナカード、デジタルカメラ、デジタルビデオカメラ、ウェブカメラなどのポインティングデバイスを含む。これらおよび他の入力デバイスは、インタフェースポート838を介して、システムバス818を通じて処理ユニット814に接続する。インタフェースポート838は、例えば、シリアルポート、パラレルポート、ゲームポート、ユニバーサルシリアルバス(USB)を含む。出力デバイス840は、同じタイプのポートのいくつかを入力デバイス836として使用する。従って、例えば、USBポートは、入力をコンピュータ812に提供するために、および、コンピュータ812からの情報を出力デバイス840に出力するために使用され得る。特殊なアダプタを必要とする数ある他の出力デバイス840の中でも特にモニタ、スピーカ、およびプリンタのような、いくつかの出力デバイス840があることを示すために出力アダプタ842が提供される。出力アダプタ842は、限定ではなく例示として、出力デバイス840とシステムバス818との間の接続手段を提供するビデオおよびサウンドカードを含む。他のデバイスもしくはデバイスのシステムまたはその組み合わせは、リモートコンピュータ844など、入力および出力両方の能力を提供することに留意すべきである。
コンピュータ812は、リモートコンピュータ844などの1または複数のリモートコンピュータへの論理接続を使用してネットワーク環境において動作し得る。リモートコンピュータ844は、コンピュータ、サーバ、ルータ、ネットワークPC、ワークステーション、マイクロプロセッサベースの機器、ピアデバイスまたは他の共通ネットワークノードなどであり得、典型的には、コンピュータ812に関して説明される要素の多くまたはすべても含み得る。簡潔にする目的で、メモリストレージデバイス846のみがリモートコンピュータ844と共に示される。リモートコンピュータ844は、ネットワークインタフェース848を通じて論理的にコンピュータ812に接続され、次に、通信接続850を介して物理的に接続される。ネットワークインタフェース848は、ローカルエリアネットワーク(LAN)、ワイドエリアネットワーク(WAN)、セルラネットワークなど、有線および/または無線通信ネットワークを包含する。LAN技術は、Fiber Distributed Data Interface(FDDI)、Copper Distributed Data Interface(CDDI)、イーサネット(登録商標)、トークンリングなどを含む。WAN技術は、これらに限定されるものではないが、ポイントツーポイントリンク、統合サービスデジタルネットワーク(ISDN)およびそのバリエーションのような回路スイッチネットワーク、パケットスイッチングネットワーク、ならびにデジタル加入者回線(DSL)を含む。通信接続850は、ネットワークインタフェース848をシステムバス818に接続するために利用されるハードウェア/ソフトウェアを指す。明確な例示のために、通信接続850がコンピュータ812内部に示されているが、コンピュータ812の外部にもあり得る。ネットワークインタフェース848に接続するためのハードウェア/ソフトウェアはまた、例示の目的のみで、通常の電話グレードモデム、ケーブルモデム、DSLモデムを含むモデム、ISDNアダプタ、イーサネット(登録商標)カードなどの内部および外部技術を含み得る。
ここで、図9を参照すると、例示的なクラウドコンピューティング環境950が図示される。示されるように、クラウドコンピューティング環境950は、クラウドコンシューマによって使用されるローカルコンピューティングデバイス、例えば、パーソナルデジタルアシスタント(PDA)またはセルラ電話954A、デスクトップコンピュータ954B、ラップトップコンピュータ954Cもしくは自動車コンピュータシステム954Nまたはその組み合わせなどが通信し得る1または複数のクラウドコンピューティングノード910を備える。図9には図示されないが、クラウドコンピューティングノード910は更に、クラウドコンシューマによって使用されるローカルコンピューティングデバイスが通信し得る量子プラットフォーム(例えば、量子コンピュータ、量子ハードウェア、量子ソフトウェアなど)を含み得る。ノード910は互いに通信し得る。ノードは、上記したようなプライベートクラウド、コミュニティクラウド、パブリッククラウドもしくはハイブリッドクラウドまたはこれらの組み合わせ等の1または複数のネットワークにおいて、物理的または仮想的にグループ化(不図示)されてよい。これにより、クラウドコンピューティング環境950は、クラウドコンシューマがローカルコンピューティングデバイス上のリソースを維持する必要のないサービスとしてのインフラストラクチャ、サービスとしてのプラットフォームもしくはサービスとしてのソフトウェアまたはこれらの組み合わせを提供できるようにする。図9に図示されるコンピューティングデバイス954A-Nのタイプは、専ら例示的なものを意図し、コンピューティングノード910およびクラウドコンピューティング環境950は、任意のタイプのネットワークもしくはネットワークアドレス指定可能な接続(例えば、ウェブブラウザを用いて)またはその両方を通して、任意のタイプのコンピュータ化されたデバイスと通信可能であることを理解されたい。
ここで、図10を参照すると、クラウドコンピューティング環境950(図9)によって提供される機能抽象化層のセットが示される。図10に示されたコンポーネント、層、および機能が、例示のみを意図するものであり、発明の実施形態がそれに限定されることはないことを、前もって理解されるべきである。図示の通り、以下のレイヤおよび対応する機能が提供される。
ハードウェアおよびソフトウェア層1060は、ハードウェアおよびソフトウェアコンポーネントを含む。ハードウェアコンポーネントの例は、メインフレーム1061、RISC(最小命令セットコンピュータ)アーキテクチャベースサーバ1062、サーバ1063、ブレードサーバ1064、ストレージデバイス1065、ならびに、ネットワークおよびネットワークコンポーネント1066を含む。いくつかの実施形態において、ソフトウェアコンポーネントは、ネットワークアプリケーションサーバソフトウェア1067、データベースソフトウェア1068、量子プラットフォームルーティングソフトウェア(図10では不図示)、もしくは量子ソフトウェア(図10では不図示)またはその組み合わせを含む。
仮想化層1070は、抽象化層を提供し、ここから、以下の例の仮想エンティティ、すなわち、仮想サーバ1071、仮想ストレージ1072、仮想プライベートネットワークを含む仮想ネットワーク1073、仮想アプリケーションおよびオペレーティングシステム1074、ならびに仮想クライアント1075が提供され得る。
一例において、管理層1080は、以下に説明される機能を提供し得る。リソースプロビジョニング1081は、コンピューティングリソース、および、クラウドコンピューティング環境内でタスクを実行するために利用される他のリソースの動的な調達を提供する。測定および価格設定1082は、リソースがクラウドコンピューティング環境内で用いられる際のコスト追跡およびこれらのリソースの消費に対する課金または請求書送付を提供する。一例において、これらのリソースは、アプリケーションソフトウェアライセンスを含み得る。セキュリティは、クラウドコンシューマの身元確認およびタスク並びにデータおよび他のリソースのための保護を提供する。ユーザポータル1083は、コンシューマおよびシステム管理者に対し、クラウドコンピューティング環境へのアクセスを提供する。サービスレベル管理1084は、要求されるサービスレベルが満たされるように、クラウドコンピューティングリソース割り当ておよび管理を提供する。サービスレベルアグリーメント(SLA)プランニングおよび遂行1085は、SLAに従い将来の要件が予期されるクラウドコンピューティングリソースに対する事前取り決めおよび調達を提供する。
ワークロード層1090は、クラウドコンピューティング環境が利用され得る機能性の例を提供する。この層から提供され得るワークロードおよび機能の非限定的な例は、マッピングおよびナビゲーション1091、ソフトウェア開発およびライフサイクル管理1092、仮想クラスルーム教育配信1093、データ分析処理1094、トランザクション処理1095、および、合成システム障害生成ソフトウェア1096を含む。
本発明は、統合の任意の可能な技術的詳細レベルにおけるシステム、方法、機器もしくはコンピュータプログラム製品またはその組み合わせであり得る。コンピュータプログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令を有するコンピュータ可読記憶媒体(または複数の媒体)を含み得る。コンピュータ可読記憶媒体は、命令実行デバイスによって使用されるための命令を保持および保存できる有形デバイスであり得る。コンピュータ可読記憶媒体は例えば、電子ストレージデバイス、磁気ストレージデバイス、光学ストレージデバイス、電磁ストレージデバイス、半導体ストレージデバイス、または、上記の任意の好適な組み合わせに限定されるものではないことがあり得る。コンピュータ可読記憶媒体のより具体的な例の非包括的リストはまた、ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ(RAM)、リードオンリメモリ(ROM)、消去可能プログラマブルリードオンリメモリ(EPROMまたはフラッシュメモリ)、スタティックランダムアクセスメモリ(SRAM)、ポータブルコンパクトディスクリードオンリメモリ(CD-ROM)、デジタルバーサタイルディスク(DVD)、メモリスティック、フロッピディスク、命令が記録されたパンチカードまたは溝における凸構造などの機械的符号化デバイス、および、上記の任意の好適な組み合わせを含み得る。本明細書で使用されるコンピュータ可読記憶媒体は、無線波または他の自由に伝搬される電磁波、導波路または他の送信媒体(例えば、ファイバ光ケーブルを通して通過する光パルス)を通して伝搬される電磁波または配線を通して送信される電気信号といった、一時的信号それ自体として解釈されないものとする。
本明細書において説明するコンピュータ可読プログラム命令は、例えばインターネット、ローカルエリアネットワーク、ワイドエリアネットワークもしくは無線ネットワークまたはその組み合わせなどのネットワークを介して、コンピュータ可読記憶媒体からそれぞれのコンピューティング/処理デバイスへダウンロードされ得るか、または、外部コンピュータもしくは外部ストレージデバイスへダウンロードされ得る。ネットワークは、銅製伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイコンピュータ、もしくはエッジサーバまたはその組み合わせを含み得る。各コンピューティング/処理デバイスにおけるネットワークアダプタカードまたはネットワークインタフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、それぞれのコンピューティング/処理デバイス内のコンピュータ可読記憶媒体において格納するためにコンピュータ可読プログラム命令を転送する。本発明のオペレーションを実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セットアーキテクチャ(ISA)命令、機械命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路のための構成データ、または、Smalltalk(登録商標)、C++、または同様のものなどのオブジェクト指向プログラミング言語、Cプログラミング言語または類似のプログラミング言語などの従来の手続き型プログラミング言語を含む1または複数のプログラミング言語の任意の組み合わせで書かれたソースコードまたはオブジェクトコードのいずれかであり得る。コンピュータ可読プログラム命令は、ユーザのコンピュータ上で全体的に、ユーザのコンピュータ上で部分的に、スタンドアロンのソフトウェアパッケージとして、ユーザのコンピュータ上で部分的かつリモートコンピュータ上で部分的に、または、リモートコンピュータもしくはサーバ上で全体的に実行し得る。後者のシナリオにおいて、リモートコンピュータは、ローカルエリアネットワーク(LAN)またはワイドエリアネットワーク(WAN)を含む任意のタイプのネットワークを通じてユーザのコンピュータに接続され得るか、または、接続は、(例えば、インターネットサービスプロバイダを使用してインターネットを通じて)外部コンピュータに行われ得る。いくつかの実施形態において、本発明の態様を実行するべく、例えば、プログラマブル論理回路、フィールドプログラマブルゲートアレイ(FPGA)、または、プログラマブルロジックアレイ(PLA)を含む電子回路は、コンピュータ可読プログラム命令の状態情報を利用して電子回路をパーソナライズすることによって、コンピュータ可読プログラム命令を実行し得る。
本発明の態様は、本明細書において、発明の実施形態に係る方法、機器(システム)、および、コンピュータプログラム製品のフローチャート図もしくはブロック図またはその組み合わせを参照して説明されている。フローチャート図もしくはブロック図またはその組み合わせの各ブロック、並びに、フローチャート図もしくはブロック図またはその組み合わせのブロックの組み合わせは、コンピュータ可読プログラム命令によって実装され得ることを理解すべきである。これらのコンピュータ可読プログラム命令は、機械を作成するために、汎用コンピュータ、特定用途向けコンピュータ、または、他のプログラマブルデータ処理装置のプロセッサに提供され得る。それにより、コンピュータまたは他のプログラマブルデータ処理装置のプロセッサを介して実行する命令は、フローチャートもしくはブロック図またはその組み合わせのブロックまたは複数のブロックにおいて指定される機能/行動を実装するための手段を形成する。これらのコンピュータ可読プログラム命令はまた、コンピュータ、プログラマブルデータ処理装置、もしくは他のデバイスまたはその組み合わせに、特定の方式で機能するよう指示できるコンピュータ可読記憶媒体に保存され得る。それにより、命令を保存したコンピュータ可読記憶媒体は、フローチャートもしくはブロック図またはその組み合わせのブロックまたは複数のブロックにおいて指定された機能/行動の態様を実装する命令を含む、製品を含む。コンピュータ可読プログラム命令はまた、コンピュータ、他のプログラマブルデータ処理装置、または、他のデバイス上にロードされ得ることにより、一連の動作行動を、コンピュータ、他のプログラマブル装置、または、他のデバイス上で実行させ、コンピュータ実装プロセスを作成し、それにより、コンピュータ、他のプログラマブル装置、または、他のデバイス上で実行する命令が、フローチャートもしくはブロック図またはその組み合わせのブロックまたは複数のブロックにおいて指定される機能/行動を実装する。
図面内のフローチャートおよびブロック図は、本発明の様々な実施形態に係る、システム、方法、および、コンピュータプログラム製品のあり得る実装のアーキテクチャ、機能性、および、オペレーションを示す。これに関して、フローチャートまたはブロック図における各ブロックは、指定された論理機能を実装するための1または複数の実行可能命令を含む、モジュール、セグメント、または、命令の一部を表し得る。いくつかの代替的な実装において、ブロックにおいて記載される機能は、図に記載された順序とは別の順序で生じ得る。例えば、連続して示される2つのブロックは、関与する機能性に応じて、実質的に同時に実行され得るか、または、ブロックは場合によっては、逆の順序で実行されてよい。また、ブロック図もしくはフローチャート図またはその組み合わせの各ブロック、ならびに、ブロック図もしくはフローチャート図またはその組み合わせにおけるブロックの組み合わせは、指定された機能または行動を実行する特定用途向けハードウェアベースのシステムによって実装できる、または、特定用途向けハードウェアおよびコンピュータ命令の組み合わせを実行できることに留意されたい。
主題は、コンピュータおよび/または複数のコンピュータ上で実行するコンピュータプログラム製品のコンピュータ実行可能命令の一般的文脈において上で説明されたが、当業者であれば、本開示はまたは、他のプログラムモジュールと組み合わせて実装され得ることを認識し得る。概して、プログラムモジュールは、特定のタスクを実行する、および/または、特定の抽象データタイプを実装するルーチン、プログラム、コンポーネント、データ構造などを含む。更に、当業者であれば、本発明のコンピュータ実装方法は、シングルプロセッサまたはマルチプロセッサコンピュータシステム、ミニコンピューティングデバイス、メインフレームコンピュータ、コンピュータ、ハンドヘルドコンピューティングデバイス(例えばPDA、電話)、マイクロプロセッサベースまたはプログラマブルコンシューマ用または産業用エレクトロニクスなどを含む他のコンピュータシステム構成で実施され得ることを認識するであろう。示される態様は、通信ネットワークを介して連結されるリモート処理デバイスによってタスクが実行される分散型コンピューティング環境においても実施され得る。しかしながら、本開示のすべてではないがいくつかの態様は、スタンドアロンのコンピュータで実施され得る。分散型コンピューティング環境において、プログラムモジュールは、ローカルおよびリモート両方のメモリストレージデバイスに位置し得る。例えば、1または複数の実施形態において、コンピュータ実行可能コンポーネントは、1または複数の分散メモリユニットを含み得る、または、それらから構成され得るメモリから実行され得る。本明細書において使用される場合、「メモリ」および「メモリユニット」という用語は交換可能である。更に、本明細書に説明される1または複数の実施形態は、分散方式(例えば、1または複数の分散メモリユニットからのコードを実行するために協働的に組み合わせる、または動作する複数のプロセッサ)でコンピュータ実行可能コンポーネントのコードを実行し得る。本明細書において使用される場合、「メモリ」という用語は、1つの位置のシングルメモリもしくはメモリユニット、または、1または複数の位置における複数のメモリまたはメモリユニットを包含し得る。
本願において使用される場合、「コンポーネント」、「システム」、「プラットフォーム」、「インタフェース」などの用語は、コンピュータ関連エンティティ、または、1または複数の固有の機能性を有する動作機械に関連するエンティティを指し得る、および/または、含み得る。本明細書に開示されるエンティティは、ハードウェア、ハードウェアおよびソフトウェアの組み合わせ、ソフトウェア、または実行中のソフトウェアのいずれかであり得る。例えば、コンポーネントは、プロセッサ上で実行するプロセス、プロセッサ、オブジェクト、実行可能ファイル、実行のスレッド、プログラム、もしくはコンピュータまたはその組み合わせであり得るが、これらに限定されるものではない。例示として、サーバ上で実行するアプリケーションおよびサーバは両方ともコンポーネントであり得る。1または複数のコンポーネントは、処理および/または実行スレッド中に存在してよく、コンポーネントは、1つのコンピュータに局在してよく、および/または2つまたはそれより多くのコンピュータの間で分散され得る。別の例において、それぞれのコンポーネントは、様々なデータ構造が保存された様々なコンピュータ可読媒体から実行し得る。コンポーネントは、1または複数のデータパケット(例えば、ローカルシステム、分散システム、もしくは、信号を介する他のシステムまたはその組み合わせとのインターネットなどのネットワークにおける別のコンポーネントと相互作用する1つのコンポーネントからのデータ)を有する信号などに従って、ローカルおよび/またはリモートプロセスを介して通信し得る。別の例として、コンポーネントは、プロセッサによって実行されるソフトウェアまたはファームウェアアプリケーションによって操作される電気または電子回路によって操作される機械部品によって提供される固有の機能性を有する機器であり得る。そのような場合において、プロセッサは、機器の内部または外部にあり得、ソフトウェアまたはファームウェアアプリケーションの少なくとも一部を実行し得る。更に別の例として、コンポーネントは、機械部品を用いず電子コンポーネントを通じて固有の機能性を提供する機器であり得、当該電子コンポーネントは、電子コンポーネントの機能性を少なくとも部分的に提供するソフトウェアまたはファームウェアを実行するためのプロセッサまたは他の手段を含み得る。ある態様において、コンポーネントは、例えばクラウドコンピューティングシステム内の仮想マシンを介して電子コンポーネントをエミュレートし得る。
加えて、「または」という用語は、排他的な「または」ではなく、包括的な「または」を意味することが意図されている。すなわち、別段の定めが無い限り、または、文脈上明確でない限り、「XがAまたはBを利用する」は、自然の包括的な入れ替えのいずれかを意味することが意図される。すなわち、XはAを利用する、XはBを利用する、もしくは、XはAおよびBの両方を利用する場合、「XはAまたはBを利用する」が前述の例のいずれかのもとで満たされる。さらに、本明細書および添付の特許請求の範囲に使用される冠詞「a」および「an」は一般に、単数形を対象としていることが別段の定めが無い限り、または文脈からそれが明らかではない限り、「1または複数」を意味すると解釈されるべきである。本明細書において使用される場合、「例」および/または「例示的」という用語は、例、インスタンス、または例示として機能することを意味するために利用される。誤解を回避するために、本明細書に開示される主題は、そのような例に限定されるものではない。加えて、「例」および/または「例示的」として本明細書において記載される任意の態様または設計は、他の態様または設計より好ましい、または優れていると必ずしも解釈されるわけではなく、当業者に知られている同等の例示的な構造および技法を除外する意図もない。
本明細書において利用される「プロセッサ」という用語は、これらに限定されるものではないが、シングルコアプロセッサ、ソフトウェアマルチスレッド実行能力を有するシングルプロセッサ、マルチコアプロセッサ、ソフトウェアマルチスレッド実行能力を有するマルチコアプロセッサ、ハードウェアマルチスレッド技術を有するマルチコアプロセッサ、並列プラットフォーム、および、分散共有メモリを有する並列プラットフォームを含む実質的に任意のコンピューティング処理ユニットまたはデバイスを指し得る。追加的に、プロセッサとは、集積回路、特定用途向け集積回路(ASIC)、デジタル信号プロセッサ(DSP)、フィールドプログラマブルゲートアレイ(FPGA)、プログラマブルロジックコントローラ(PLC)、コンプレックスプログラマブルロジックデバイス(CPLD)、ディスクリートゲートもしくはトランジスタロジック、ディスクリートハードウェアコンポーネント、または、本明細書において記載される機能を実行するために設計されたそれらの任意の組み合わせを指し得る。更に、プロセッサは、空間利用を最適化し、または、ユーザ機器のパフォーマンスを強化するべく、これらに限定されるものではないが、分子および量子ドットベースのトランジスタ、スイッチ、およびゲートなどのナノスケールアーキテクチャを利用し得る。プロセッサはまた、コンピューティング処理ユニットの組み合わせとして実装され得る。本開示において、「保存」、「ストレージ」、「データ保存」、「データストレージ」、「データベース」およびコンポーネントのオペレーションおよび機能性に関連する実質的に任意の他の情報ストレージコンポーネントなどの用語は、「メモリ」またはメモリを含むコンポーネントにおいて具現化される「メモリコンポーネント」エンティティを指すために利用される。本明細書において記載されるメモリもしくはメモリコンポーネントまたはその組み合わせは、揮発性メモリまたは不揮発性メモリのいずれかであり得るか、または、揮発性および不揮発性メモリの両方を含み得ることが認識されるべきである。限定ではなく例示として、不揮発性メモリは、リードオンリメモリ(ROM)、プログラマブルROM(PROM)、電気プログラマブルROM(EPROM)、電気消去可能ROM(EEPROM)、フラッシュメモリ、または、非揮発性ランダムアクセスメモリ(RAM)(例えば、強誘電体RAM(FeRAM))を含み得る。揮発性メモリは、例えば外部キャッシュメモリとして動作し得るRAMを含み得る。限定ではなく例示として、RAMは、同期RAM(SRAM)、動的RAM(DRAM)、同期DRAM(SDRAM)、ダブルデータレートSDRAM(DDR SDRAM)、拡張SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)、ダイレクトRambusRAM(DRRAM)、ダイレクトRambus動的RAM(DRDRAM)および、Rambus動的RAM(RDRAM)など多くの形式で利用可能である。追加的に、本明細書におけるシステムまたはコンピュータ実装方法の開示されるメモリコンポーネントは、これらおよび任意の他の好適なタイプのメモリを含むことが意図されるが、これらに限定されない。
上で記載されたものは、システムおよびコンピュータ実装方法の例を含むに過ぎない。当然、本開示を説明する目的で、コンポーネントまたはコンピュータ実装方法の想定されるあらゆる組み合わせを説明することは不可能であるが、当業者であれば、本開示の多くの更なる組み合わせおよび入れ替えが可能であることを認識し得る。更に、「含む」、「有する」、「備える」などの用語が詳細な説明、特許請求の範囲、添付書類、および図面において使用される場合、そのような用語は、「備える」という用語が請求項において移行句として利用されるときに解釈されるのと同様の方式で包括的であることが意図される。
様々な実施形態の説明は、例示の目的で提示され、排他的である、または、開示される実施形態に限定される意図はない。説明された実施形態の範囲および趣旨から逸脱することなく、当業者には多くの修正例および変形例が自明であろう。本明細書で使用される用語は、実施形態の原理、実際の適用、または、業界で見られる技術に対する技術的改善点をもっとも良く説明するように、または、当業者が本明細書に開示された実施形態を理解できるように選択された。
Claims (20)
- システムであって、
非一時的コンピュータ可読媒体に保存された以下のコンピュータ実行可能コンポーネント、すなわち、
訓練された人工知能(AI)モデルを利用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成するジェネレータコンポーネント、ならびに、
前記合成システム障害を分析し、前記合成システム障害に対応するテキストコンテンツを生成する障害アセンブラコンポーネント
を実行するプロセッサを備えるシステム。 - 敵対的生成ネットワークアーキテクチャを使用して前記AIモデルを訓練するモデルトレーナコンポーネントを更に備える、請求項1に記載のシステム。
- 前記敵対的生成ネットワークアーキテクチャは条件付き表形式敵対ネットワークである、請求項2に記載のシステム。
- 前記モデルトレーナコンポーネントは、履歴離散パラメータまたは履歴連続パラメータの少なくとも1つを含む履歴システムデータを前処理し、前記履歴離散パラメータはワンホット符号化ベクトルとして表され、前記履歴連続パラメータについては、変分混合ガウスモデルを用いたモード固有正規化が利用される、請求項2または3に記載のシステム。
- 前記モデルトレーナコンポーネントは、ワッサースタイン勾配ペナルティ損失(WGAN-GP Loss)を用いて前記AIモデルを訓練する、請求項2から4のいずれか一項に記載のシステム。
- 前記ジェネレータコンポーネントは、関連付けられたデータセットの行に条件付けられた前記離散パラメータまたは前記連続パラメータの少なくとも1つのサブセットの複雑なマルチモーダル分布を復元する、請求項1から5のいずれか一項に記載のシステム。
- 前記テキストコンテンツは、システムログ、または前記合成システム障害の記述の少なくとも1つを含む、請求項1から6のいずれか一項に記載のシステム。
- 前記コンピュータ実行可能コンポーネントは更に、生成された合成システム障害およびそれぞれのテキストデータの知識ベースを生成するアグリゲータコンポーネントを含む、請求項1から7のいずれか一項に記載のシステム。
- プロセッサを使用して、訓練された人工知能(AI)モデルを利用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成する段階と、
前記プロセッサを使用して、前記合成システム障害を分析し、前記合成システム障害に対応するテキストコンテンツを生成する段階と
を備えるコンピュータ実装方法。 - 前記プロセッサを使用して、敵対的生成ネットワークアーキテクチャを使用して前記AIモデルを訓練する段階を更に備える、請求項9に記載のコンピュータ実装方法。
- 前記プロセッサを使用して、条件付き表形式敵対ネットワークを使用して前記AIモデルを訓練する段階を更に備える、請求項9または10に記載のコンピュータ実装方法。
- 前記プロセッサを使用して、履歴離散パラメータまたは履歴連続パラメータの少なくとも1つを含む履歴システムデータを前処理する段階であって、前記履歴離散パラメータはワンホット符号化ベクトルとして表され、前記履歴連続パラメータについては、変分混合ガウスモデルを用いたモード固有正規化が利用される、段階を更に備える、請求項9から11のいずれか一項に記載のコンピュータ実装方法。
- 前記プロセッサを使用して、ワッサースタイン勾配ペナルティ損失(WGAN-GP Loss)を用いて前記AIモデルを訓練する段階を更に備える、請求項9から12のいずれか一項に記載のコンピュータ実装方法。
- 前記プロセッサを使用して、関連付けられたデータセットの行に条件付けられた前記離散パラメータまたは前記連続パラメータの少なくとも1つのサブセットの複雑なマルチモーダル分布を復元する段階を更に備える、請求項9から13のいずれか一項に記載のコンピュータ実装方法。
- 前記プロセッサを使用して、生成された合成システム障害およびそれぞれのテキストデータの知識ベースを生成する段階を更に備える、請求項9から14のいずれか一項に記載のコンピュータ実装方法。
- プログラム命令を備えるプログラムであって、前記プログラム命令は、プロセッサによって実行可能であり、前記プロセッサに、
訓練された人工知能(AI)モデルを利用して、システム状態を定義する離散パラメータおよび連続パラメータの組み合わせとして表される合成システム障害を生成すること、ならびに、
前記合成システム障害を分析し、前記合成システム障害に対応するテキストコンテンツを生成すること
を行わせるプログラム。 - 前記プログラム命令は更に、前記プロセッサによって実行可能であり、前記プロセッサに、敵対的生成ネットワークアーキテクチャを使用して前記AIモデルを訓練することを行わせる、請求項16に記載のプログラム。
- 前記プログラム命令は更に、前記プロセッサによって実行可能であり、前記プロセッサに、条件付き表形式敵対ネットワークを使用して前記AIモデルを訓練することを行わせる、請求項16または17に記載のプログラム。
- 前記プログラム命令は更に、前記プロセッサによって実行可能であり、前記プロセッサに、履歴離散パラメータまたは履歴連続パラメータの少なくとも1つを含む履歴システムデータを前処理することであって、前記履歴離散パラメータはワンホット符号化ベクトルとして表され、前記履歴連続パラメータについては、変分混合ガウスモデルを用いたモード固有正規化が利用される、請求項16から18のいずれか一項に記載のプログラム。
- 前記プログラム命令は更に、前記プロセッサによって実行可能であり、前記プロセッサに、生成された合成システム障害およびそれぞれのテキストデータの知識ベースを生成することを行わせる、請求項16から19のいずれか一項に記載のプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/075,088 | 2020-10-20 | ||
US17/075,088 US11550682B2 (en) | 2020-10-20 | 2020-10-20 | Synthetic system fault generation |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022067639A true JP2022067639A (ja) | 2022-05-06 |
Family
ID=78497857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021168847A Pending JP2022067639A (ja) | 2020-10-20 | 2021-10-14 | プロセッサを備えるシステム、コンピュータ実装方法、プログラム(合成システム障害生成) |
Country Status (4)
Country | Link |
---|---|
US (1) | US11550682B2 (ja) |
JP (1) | JP2022067639A (ja) |
DE (1) | DE102021124264A1 (ja) |
GB (1) | GB2603574B (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023188017A1 (ja) * | 2022-03-29 | 2023-10-05 | 日本電信電話株式会社 | 学習用データ生成装置、学習用データ生成方法及びプログラム |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7451606B2 (ja) | 2022-06-23 | 2024-03-18 | みずほリサーチ&テクノロジーズ株式会社 | 学習システム及び学習方法 |
CN116560891A (zh) * | 2023-05-23 | 2023-08-08 | 北京优特捷信息技术有限公司 | 一种故障处理方法、装置、电子设备及存储介质 |
CN116362523B (zh) * | 2023-06-01 | 2023-09-26 | 吉林大学 | 考虑温度适应性的换电站选址与运营策略协同优化方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5572597A (en) * | 1994-03-29 | 1996-11-05 | Loral Corporation | Fingerprint classification system |
DE19613012C1 (de) | 1996-03-25 | 1997-08-14 | Siemens Ag | Verfahren zum Erzeugen von Fehlerklassifizierungssignalen |
US6944586B1 (en) * | 1999-11-09 | 2005-09-13 | Interactive Drama, Inc. | Interactive simulated dialogue system and method for a computer network |
KR100439674B1 (ko) | 2001-09-27 | 2004-07-12 | (주) 엘지텔레콤 | 신경망을 이용한 기지국 장애예측 장치 및 그 방법 |
US7849448B2 (en) | 2005-06-01 | 2010-12-07 | Crosscheck Networks | Technique for determining web services vulnerabilities and compliance |
US20120166363A1 (en) | 2010-12-23 | 2012-06-28 | Hongbo He | Neural network fault detection system and associated methods |
US8589736B2 (en) | 2011-08-12 | 2013-11-19 | Tata Consultancy Services Limited | System and method for automatic test data generation for relational testing |
US9529699B2 (en) | 2013-06-11 | 2016-12-27 | Wipro Limited | System and method for test data generation and optimization for data driven testing |
US10445290B1 (en) * | 2014-10-29 | 2019-10-15 | Cadence Design Systems, Inc. | System and method for a smart configurable high performance interactive log file viewer |
US9753826B2 (en) | 2015-07-21 | 2017-09-05 | International Business Machines Corporation | Providing fault injection to cloud-provisioned machines |
US20180247227A1 (en) * | 2017-02-24 | 2018-08-30 | Xtract Technologies Inc. | Machine learning systems and methods for data augmentation |
EP3467718A1 (en) * | 2017-10-04 | 2019-04-10 | Prowler.io Limited | Machine learning system |
US10558761B2 (en) * | 2018-07-05 | 2020-02-11 | Disney Enterprises, Inc. | Alignment of video and textual sequences for metadata analysis |
US11170166B2 (en) | 2018-09-28 | 2021-11-09 | Apple Inc. | Neural typographical error modeling via generative adversarial networks |
EP3767542A1 (en) * | 2019-07-17 | 2021-01-20 | Robert Bosch GmbH | Training and data synthesis and probability inference using nonlinear conditional normalizing flow model |
CN110414604A (zh) | 2019-07-30 | 2019-11-05 | 重庆邮电大学 | 感知对抗生成网络驱动的锂电池故障数据生成方法 |
EP4042320A1 (en) * | 2019-10-09 | 2022-08-17 | Ancestry.com Operations Inc. | Adversarial network for transforming handwritten text |
CN111176263B (zh) | 2020-01-23 | 2023-04-14 | 北京航天自动控制研究所 | 一种基于bp神经网络的飞行器推力故障在线辨识方法 |
US11475161B2 (en) * | 2020-05-29 | 2022-10-18 | Accenture Global Solutions Limited | Differentially private dataset generation and modeling for knowledge graphs |
-
2020
- 2020-10-20 US US17/075,088 patent/US11550682B2/en active Active
-
2021
- 2021-09-20 DE DE102021124264.9A patent/DE102021124264A1/de active Pending
- 2021-09-30 GB GB2113985.2A patent/GB2603574B/en active Active
- 2021-10-14 JP JP2021168847A patent/JP2022067639A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023188017A1 (ja) * | 2022-03-29 | 2023-10-05 | 日本電信電話株式会社 | 学習用データ生成装置、学習用データ生成方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
GB2603574A (en) | 2022-08-10 |
DE102021124264A1 (de) | 2022-04-21 |
GB202113985D0 (en) | 2021-11-17 |
US11550682B2 (en) | 2023-01-10 |
US20220121540A1 (en) | 2022-04-21 |
GB2603574B (en) | 2023-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2021260154B2 (en) | Generation of microservices from a monolithic application based on runtime traces | |
JP2022067639A (ja) | プロセッサを備えるシステム、コンピュータ実装方法、プログラム(合成システム障害生成) | |
US10552304B2 (en) | Using test workload run facts and problem discovery data as input for business analytics to determine test effectiveness | |
US11688111B2 (en) | Visualization of a model selection process in an automated model selection system | |
US11924239B2 (en) | Vulnerability and attack technique association | |
CN114846481A (zh) | 哈密尔顿算子的期望能量值的估计 | |
US11221855B2 (en) | Transformation of an enterprise application into a cloud native application | |
US20210241169A1 (en) | Performance based switching of a model training process | |
JP2022094330A (ja) | システム、コンピュータ実装方法、コンピュータプログラム(量子回路最適化ルーチンの評価及び知識ベース生成) | |
US11551129B2 (en) | Quantum platform routing of a quantum application component | |
US11455337B2 (en) | Preventing biased queries by using a dictionary of cause and effect terms | |
US11205092B2 (en) | Clustering simulation failures for triage and debugging | |
US11526770B2 (en) | Latent computing property preference discovery and computing environment migration plan recommendation | |
US20180067839A1 (en) | Using workload profiling and analytics to understand and score complexity of test environments and workloads | |
US10878804B2 (en) | Voice controlled keyword generation for automated test framework | |
US10353795B2 (en) | Standardizing run-time and historical customer and test environments and workloads comparisons using specific sets of key platform data points | |
US10628840B2 (en) | Using run-time and historical customer profiling and analytics to determine and score customer adoption levels of platform technologies | |
US11221908B1 (en) | Discovery of an inexplicit link between a change and an incident in a computing environment | |
US20220230090A1 (en) | Risk assessment of a proposed change in a computing environment | |
US20210406760A1 (en) | Model transfer learning across evolving processes | |
US20180004629A1 (en) | Run time smf/rmf statistical formula methodology for generating enhanced workload data points for customer profiling visualization | |
US10521751B2 (en) | Using customer profiling and analytics to understand, rank, score, and visualize best practices | |
US10586242B2 (en) | Using customer profiling and analytics to understand customer workload complexity and characteristics by customer geography, country and culture | |
US11829726B2 (en) | Dual learning bridge between text and knowledge graph | |
US20230409461A1 (en) | Simulating Human Usage of a User Interface |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20220518 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240319 |