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 PDF

Info

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
Application number
JP2021168847A
Other languages
English (en)
Inventor
ボリス ソボレフ
Sobolev Boris
ラリサ シュワルツ
Shwartz Larisa
アジェイ グプタ
Gupta Ajay
キン ワン
Qing Wang
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of JP2022067639A publication Critical patent/JP2022067639A/ja
Pending legal-status Critical Current

Links

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)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (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。
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の例のブロック図を示す。 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の例のブロック図を示す。
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の例のフロー図を示す。
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の例のブロック図を示す。
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の例を示す。
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の例のフロー図を示す。 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の例のフロー図を示す。
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。
本開示の１または複数の実施形態による非限定的なクラウドコンピューティング環境の例のブロック図を示す。
本開示の１または複数の実施形態による非限定的な抽象化モデル層の例のブロック図を示す。
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。
モデルアーキテクチャ
Figure 2022067639000002
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。
ディスクリミネータアーキテクチャ
Figure 2022067639000003
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)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
  9. 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。
  10. 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。
  11. 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。
  12. 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。
  13. 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。
  14. 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。
  15. 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。
  16. 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。
  17. 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。
  18. 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。
  19. 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。
  20. 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。
JP2021168847A 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） Pending JP2022067639A (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
US20180247193A1 (en) * 2017-02-24 2018-08-30 Xtract Technologies Inc. Neural network training using compressed inputs
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
CA3153146A1 (en) * 2019-10-09 2021-04-15 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

Cited By (1)

* Cited by examiner, † Cited by third party
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
US20220121540A1 (en) 2022-04-21
GB2603574B (en) 2023-08-02
US11550682B2 (en) 2023-01-10
GB202113985D0 (en) 2021-11-17
GB2603574A (en) 2022-08-10
DE102021124264A1 (de) 2022-04-21

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
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
US11688111B2 (en) Visualization of a model selection process in an automated model selection system
US20190272294A1 (en) Preventing biased queries by using a dictionary of cause and effect terms
US11551145B2 (en) Performance based switching of a model training process
US11551129B2 (en) Quantum platform routing of a quantum application component
US11221908B1 (en) Discovery of an inexplicit link between a change and an incident in a computing environment
US11205092B2 (en) Clustering simulation failures for triage and debugging
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
US20200401905A1 (en) Latent computing property preference discovery and computing environment migration plan recommendation
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
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
US9436461B2 (en) Refining composition instrumentation for services
US11829726B2 (en) Dual learning bridge between text and knowledge graph
US20220230090A1 (en) Risk assessment of a proposed change in a computing environment
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