JP5928104B2 - 性能監視装置、性能監視方法、及びそのプログラム - Google Patents
性能監視装置、性能監視方法、及びそのプログラム Download PDFInfo
- Publication number
- JP5928104B2 JP5928104B2 JP2012083364A JP2012083364A JP5928104B2 JP 5928104 B2 JP5928104 B2 JP 5928104B2 JP 2012083364 A JP2012083364 A JP 2012083364A JP 2012083364 A JP2012083364 A JP 2012083364A JP 5928104 B2 JP5928104 B2 JP 5928104B2
- Authority
- JP
- Japan
- Prior art keywords
- probability density
- density distribution
- performance
- model
- data
- 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.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims description 168
- 238000000034 method Methods 0.000 title claims description 42
- 238000012806 monitoring device Methods 0.000 title claims description 23
- 238000009826 distribution Methods 0.000 claims description 265
- 230000006870 function Effects 0.000 claims description 98
- 230000005856 abnormality Effects 0.000 claims description 88
- 238000001514 detection method Methods 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 53
- 238000011156 evaluation Methods 0.000 claims description 47
- 238000011157 data evaluation Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
Landscapes
- Debugging And Monitoring (AREA)
Description
このため、監視対象装置の性能を示す性能値が日付や時間帯によって大きく異なる場合は、各々の日付や時間帯にとって適した閾値を設定できないという問題があった。
また、想定される周期がいくつか成り立つ場合、個々の周期の適切さを示す指標については、従来提案されていなかった。上記他の特許文献1,3についても同様である。
本発明は、上記関連技術の有する不都合を改善し、特に、システム固有の高いレベルの知識を持たない管理者であっても監視対象装置の運用状態における時刻に応じた最適な周期の把握を容易に成し得ると共に、当該時刻に応じた最適な性能データ評価用の閾値を自動的に設定できるようにした性能監視装置、性能監視方法、及びそのプログラムを提供することを、その目的とする。
そして、前記監視装置本体が、前記蓄積部に蓄積された評価対象の1日の性能情報データを所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの確率密度分布モデルを推定するモデル生成部と、このモデル生成部で推定された確率密度分布モデル情報を格納する生成情報記憶部と、前記生成情報記憶部に格納された確率密度分布モデルに基づいて当該性能データの周期性を特定すると共に当該特定した周期における最適な閾値を設定する異常検出部とを有し、
前記異常検出部が、当該異常検出部が設定した最適な閾値に基づいて前記性能情報蓄積部に蓄積された性能データの問題点の有無を評価しその異常を検出するデータ異常検出機能を備え、
また、前記モデル生成部は、外部指令によって作動して前記蓄積手段に蓄積された評価対象の1日の性能情報データの内の指定された期間を所定の時間間隔で分割して時間帯ごとに前記評価対象の性能情報データの前記確率密度分布モデルを推定する機能と、当該各時間帯と対応する確率密度分布モデルとを対応づけたモデル周期テーブルを作成する機能とを備え、
更に、前記生成情報記憶部は、前記モデル生成部で推定され作成された確率密度分布モデル情報と前記モデル周期テーブルとをそれぞれ各別に記憶する一方と他方の生成情報記憶部を備えていることを特徴とする。
前記蓄積部に蓄積された評価対象の1日の性能情報データを、前記監視装置本体のモデル生成部が所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの確率密度分布モデルを推定し、
この推定された確率密度分布モデル情報を、前記モデル生成部が生成情報記憶部に格納し、
前記生成情報記憶部に格納された確率密度分布モデルに基づいて、前記監視装置本体の異常検出部が機能し前記性能データの周期性を特定すると共に当該特定した周期における最適な閾値を設定し、
この設定された最適な閾値に基づいて前記性能情報蓄積部に蓄積された性能データの問題点の有無を、前記異常検出部が評価してその異常を検出するようにし、
前記性能データの確率密度分布モデルを推定する工程にあっては、
まず、外部指令によって作動し前記蓄積部に蓄積された評価対象の1日の性能情報データの内の指定された期間を、前記モデル生成部が所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの前記確率密度分布モデルを推定し、同時に当該各時間帯と対応する確率密度分布モデルとを対応づけたモデル周期テーブルを作成し、
この推定された確率密度分布モデルを予め装備された一方の生成情報記憶部に、又前記作成されたモデル周期テーブルを予め装備された他方の生成情報記憶部に、それぞれ前記モデル生成部が格納制御するようにしたことを特徴とする。
前記生成情報蓄積部に蓄積された評価対象の1日の性能情報データを、所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの確率密度分布モデルを推定し生成する確率密度分布モデル生成処理機能、
この生成された確率密度分布モデル情報を生成情報記憶部に格納する格納処理機能、
前記生成情報記憶部に格納された確率密度分布モデルに基づいて、前記性能データの周期性を特定すると共に当該特定した周期における最適な閾値を設定する最適閾値設定処理機能、
及びこの設定された最適な閾値に基づいて前記性能情報蓄積手段に蓄積された性能データの問題点の有無を評価しその異常を検出する評価異常検出処理機能を設けると共に、
上記性能データの確率密度分布モデル生成処理機能にあっては、
外部指令によって作動し前記蓄積部に蓄積された評価対象の1日の性能情報データの内の指定された期間を所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの前記確率密度分布モデルを推定する確率密度分布モデル推定処理機能、
前記確率密度分布モデルとこれに対応する前記各時間帯とを対応づけたモデル周期テーブルを作成するモデル周期テーブル作成処理機能、
及び推定された前記確率密度分布モデルを予め装備された一方の生成情報記憶部に、又前記作成されたモデル周期テーブルを予め装備された他方の生成情報記憶部に、それぞれ格納制御する確率密度分布モデル等格納処理機能を備え、
これらの各処理機能を、前記監視装置本体が備えているコンピュータに実現させるようにしたことを特徴とする。
最初に、本実施形態において重要とする主たる内容について説明し、その後に、本実施形態の全体的内容を詳述する。
この図1において、性能監視システムは、それぞれが監視制御エージェント11を備えた複数の被監視サーバ(監視対象装置)1と、この監視制御エージェント11で収集した性能データ値から時間帯ごとの性能データ値の確率密度分布を推定すると共にそれを基に周期性を自動的に見つけ出す監視制御サーバ(性能監視装置)2と、管理者側に配置され運用管理画面31を備えた監視端末3とから構成されている。符号2Aは監視装置本体2Aを示す。
このため、システム固有の深い知識を持たない管理者であっても、時刻に応じた最適な周期を検出することができるようになっている。
上記したように、監視制御サーバ2は、性能情報蓄積部22に蓄積された評価対象の性能データを所定の時間間隔で分割した時間帯ごとの評価対象の性能データの確率密度分布を推定し、確率密度分布の推定を基に周期性を見つけ出し、その周期における評価対象の性能データが所定の範囲内にあるか否かを判定する基準となる閾値を設定する最適モデル生成部25を装備している。
このため、システム固有の深い知識を持たない管理者であっても、時刻に応じた最適な周期を検出することができるようになっている。
監視端末3は、前述した運用管理画面31と、必要に応じて前記最適モデル生成部25に所定の動作指令を送り込む動作指令出力部3Aとを備えている。
そして、異常検出部26は、確率密度分布モデルから作成した評価指標を基に性能データを評価し、その評価結果を監視端末3の運用管理画面31に表示する。
次に、上記実施形態の動作を説明する。
最初に、各構成要素の基本的な連係動作を説明し、その後にフローチャートに基づいて具体的な動作を説明する。
本実施形態における性能監視システムについて、管理者の指示に基づいて行われる全体の処理の流れを、図3及び図4のフローチャートを用いて具体的に説明する。
図3は、本実施形態の手法による確率密度分布モデル作成の処理の流れを示すフローチャートである。
次に、監視制御サーバ2の最適モデル生成部25は、周期・時間帯に応じた確率密度分布モデルを推定し生成する(図3:ステップS102)。
この場合、管理者が、監視端末3の運用管理画面31を見ながら指令出力部3Aを介して、図2の性能データにおける例えば6月1日0時0分から6月30日23時55分の期間を指定し、監視制御サーバ2に最適な確率密度分布モデルの作成を指示する。
これに伴い、監視制御サーバ2の最適モデル生成部25は、直ちに作動して図4のフローチャートに従って以下の処理を行う。
これに伴い、監視制御サーバ2の最適モデル生成部25は、監視端末3から最適な確率密度分布モデルを作成する前記指示を受けると共に、パラメータとして前記期間を受け取る。
そして、次のステップS203では、監視制御サーバ2の最適モデル生成部25が、前記パラメータ期間内に含まれる全ての日付について、以下のステップS204からステップS208の処理の実行を繰り返す。
一方、算出した確率密度分布の逆類似度が任意の値以上ならば、隣り合った時間帯どうしの性能データを分割したままにする。
このようにして、確率密度分布を時間帯ごとにまとめあげる。
この図5の例では、番号(1、2、……)と日付パターンのルール(平日、休日、……)を対応付けている。
この場合は、11月2 日から31日のデータについて、0 時から12時、12時から24時迄の時間間隔で区切り、区切った範囲で性能データをまとめ上げ、確率密度分布を推定する。
尚、このとき、もし性能データの実際の周期が「毎日」の日付パターンであった場合は、日付パターンが「毎日」と日付パターンが「火曜日」との両方で、同様の確率密度分布が生成される。しかし、日付パターンが「毎日」のデータのほうが、確率密度分布の推定に使用できるデータの量(即ち標本の量)が多い。
以上により、ステップS209で処理を終了する。
この図6の例では、メトリック「APサーバ1のCPUのprocessor time」の日付パターン「火曜日」について、1時から2時までの間は、確率密度分布モデルID「2454898 」の確率密度分布が「逆類似度0.8で使用できる」という情報を、モデル周期テーブルに格納していることを示している。
続いて、監視制御サーバ2の異常検出部26は、前記ステップS302で取得した性能データについて、前記ステップS301で取得した確率密度分布モデルを用いて評価する(図7:ステップS303)。
まず、図8において、まず、監視制御サーバ2の異常検出部26は、性能情報蓄積部22から評価対象の性能データを受け取る(図8:ステップS401)。
まず、監視制御サーバ2の異常検出部26は、性能データを評価する時刻に適した確率密度分布の逆類似度を取得する(図8:ステップS403)。
そして、取得した逆類似度の値が最小であれば、逆類似度の値が最小の確率密度分布モデルを確率密度分布モデル蓄積部23に記憶する。
例えば、評価対象の性能データの時刻が11月1 日(火曜日)の1:50であり、日付パターン「毎日」と「火曜日」に確率密度分布モデルがマッチしたとする。そして、それぞれの逆類似度が0.4 と0.8 であったとした場合、最小の逆類似度をもつ日付パターン「毎日」の 確率密度分布モデルを取得する。
この図9において、監視制御サーバ2の異常検出部26は、確率密度分布モデルを作成した性能データから平均値μ、標準偏差σを求める(図9:ステップS501)。
更に、監視制御サーバ2の異常検出部26は、評価対象の性能データが閾値の範囲内か否かを判定し(図9:ステップS503)、範囲内であれば問題ないデータであると判断する(図9:ステップS504)。
以上により、性能データの評価を完了する(図9:ステップS506)。
以上説明したように、本実施形態においては、下記のような効果を奏する。
監視制御サーバ2の最適モデル生成部25により、監視端末3が収集した性能データ値から、時間帯ごとの性能データ値の確率密度分布を推定し、それを基に周期性を自動的に見つけだすことができる。そのため、システム固有の深い知識を持たない管理者であっても、時刻に応じた最適な周期を検出することができる。
また、見つけ出した周期における最適な閾値を、推定した確率密度分布のモデルより、異常検出部26が自動的に設定することができ、時刻に応じた最適な性能データの閾値を自動的に設定することができる。
上記実施形態で説明したように、監視制御サーバ2の異常検出部26は、単一のメトリクスにより周期を特定し、性能データの評価を行う。
しかしながら、実際のシステムでは、同一の周期を有するメトリクスは複数存在することもある。このため、周期の特定は、複数のメトリクスを用いて行ったほうが精度が高くなる。
ステップS602では、監視制御サーバ2の異常検出部26は、評価対象の全てのメトリクスについて、以下のステップS602からステップS604の処理を繰り返す。
ステップS604では、監視制御サーバ2の異常検出部26は、性能データを評価する時刻に適した確率密度分布の逆類似度を取得し、日付パターンごとの逆類似度に足し合わせる。
前述した実施形態で説明したように、監視制御サーバ2の異常検出部26は、確率密度分布モデルを使用した異常判定について、標準偏差のみを用いて行っている。性能データの真の確率密度分布がガウス分布(正規分布)である場合は問題ないが、そうでない場合は不適切な閾値を設定してしまう可能性が高い。
この図11において、ステップS701では、監視制御サーバ2の異常検出部26は、確率密度分布モデルを作成した性能データから、混合ガウス分布のパラメータである重み係数wm、平均値μm、標準偏差σmを求める。なお、mは任意の混合数である。
ステップS703では、監視制御サーバ2の異常検出部26は、評価対象の性能データがσm×2の範囲内であるかどうかを判定する。
以上により、ステップS707で性能データの評価を完了する。
監視対象装置(被監視サーバ)1の性能を示す性能データを収集する情報収集部21と、前記情報収集部21により収集した評価対象の性能データを蓄積する性能情報蓄積部22とを備えた監視装置本体2Aを有して成る性能監視装置(監視制御サーバ)2において、
前記監視装置本体2Aが、
前記性能情報蓄積部22に蓄積された評価対象の1日の性能情報データを所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの確率密度分布モデルを推定する最適モデル生成部25と、この最適モデル生成部で推定された確率密度分布モデル情報を格納する生成情報記憶部23と、前記生成情報記憶部23に格納された確率密度分布モデルに基づいて当該性能データの周期性を特定すると共に当該特定した周期における最適な閾値を設定する異常検出部26とを有すると共に、
前記異常検出部26は、当該異常検出部26が設定した最適な閾値に基づいて前記性能情報蓄積部22に蓄積された性能データの問題点の有無を評価しその異常を検出するデータ異常検出機能26Aを備えていることを特徴とした性能監視装置。
前記付記1に記載の性能監視装置において、
前記最適モデル生成部25は、
外部指令によって作動して前記蓄積部に蓄積された評価対象の1日の性能情報データの内の指定された期間を所定の時間間隔で分割して時間帯ごとに前記評価対象の性能情報データの前記確率密度分布モデルを推定する機能と、当該各時間帯と対応する確率密度分布モデルとを対応付けたモデル周期テーブルを作成する機能とを備え、
前記生成情報記憶部23は、前記最適モデル生成部25で推定され作成された確率密度分布モデル情報と前記モデル周期テーブルとをそれぞれ各別に記憶する一方と他方の生成情報記憶部23A,23Bを備えていることを特徴とした性能監視装置。
前記付記2に記載の性能監視装置において、
前記異常検出部26は、
前記他方の生成情報記憶部23Bに記憶されたモデル周期テーブルに基づいて外部指令にて指定された期間に対応する所定の時間帯の前記確率密度分布モデルを選定する確率密度分布モデル選定機能と、当該選定された確率密度分布モデルを前記一方の生成情報記憶部23Aから読み出す確率密度分布モデル読出機能を備えていることを特徴とした性能監視装置。
前記付記1乃至3の何れか一つに記載の性能監視装置において、
前記最適モデル生成部25は、
前記性能データの確率密度分布モデルの推定に際しては、隣り合う時間帯同志の確率密度分布の逆類似度をカルバック・ラウブラー情報量により算出する機能と、逆類似度が予め設定した任意の値以下の場合には隣り合う時間帯同志のデータの分割を解除し又逆類似度が予め特定した任意の値以上の場合には隣り合う時間帯同志のデータは分割したままにする機能と有し、これにより前記確率密度分布を時間帯毎に設定する機能を備えていることを特徴とした性能監視装置。
前記付記2又は3に記載の性能監視装置において、
前記最適モデル生成部25は、
外部指定される期間が複数の日付を含む場合には、当該期間に含まれる全ての日付について日付パターンを設定すると共に全ての日付のデータに共通の時間帯で区切って性能データの確率密度分布を時間帯毎に設定する機能と、この各日付の同一時間帯毎の前記確率密度分布の逆類似度を算出する機能と、この算出した逆類似度の内の最小の逆類似度を持つ確率密度分布を前記一方の生成情報記憶部23Aに格納する機能とを備えていることを特徴とした性能監視装置。
前記付記5に記載の性能監視装置において、
前記他方の生成情報記憶部23Bには、日付パターンにより特定される複数の日付と、各日付で共通する複数の時間帯と、各時間帯に対応した確率密度分布データとが対応付けられてモデル周期テーブルとして記憶されていることを特徴とした性能監視装置。
前記付記5に記載の性能監視装置において、
前記異常検出部26は、評価対象である性能データに対応する最適な確率密度分布データの取得に際しては、前記他方の生成情報記憶部23Bから前記性能データを評価する時刻に適した確率密度分布の逆類似度を取得すると共に当該逆類似度が最小の場合に当該確率密度分布を選定する機能と、この選定した確率密度分布については逆類似度が最小の確率密度分布を閾値設定用として前記一方の生成情報記憶部23Aから取得する機能とを備えていることを特徴とした性能監視装置。
前記付記1乃至7の何れか一つに記載の性能監視装置において、
前記異常検出部26は、前記確率密度分布モデルを作成した性能データから標準偏差を算出すると共に、前記評価対象の性能データが前記標準偏差に基づいて設定される閾値の範囲内に有れば問題がないデータと判定するデータ評価判定機能26Aを備えていることを特徴とした性能監視装置。
前記付記1に記載の性能監視装置において、
前記異常検出部26による特定される前記閾値は、標準偏差を用いた設定、統計指標を用いた設定、確率密度を用いた設定、或いは複数のガウスモデルの重み係数と標準偏差を用いた設定、の何れか一つの手法に基づいて算定されたものであることを特徴とした性能監視装置。
監視対象装置(被監視サーバ)1の性能を示す性能データを収集する情報収集部21と、前記情報収集部21により収集した評価対象の性能データを蓄積する性能情報蓄積部22とを備えた監視装置本体2Aを有して成る性能監視装置(監視制御サーバ)2にあって、
前記性能情報蓄積部22に蓄積された評価対象の1日の性能情報データを、前記監視装置本体2Aの最適モデル生成部25が所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの確率密度分布モデルを推定し、
この推定された確率密度分布モデル情報を、前記最適モデル生成部25が生成情報記憶部23に格納し、
前記生成情報記憶部23に格納された確率密度分布モデルに基づいて、前記監視装置本体の異常検出部26が機能し前記性能データの周期性を特定すると共に当該特定した周期における最適な閾値を設定し、
この設定された最適な閾値に基づいて前記性能情報蓄積部に蓄積された性能データの問題点の有無を、前記異常検出部26が評価しその異常を検出するようにしたことを特徴とする性能監視方法。
前記付記10に記載の性能監視方法において、
前記性能データの確率密度分布モデルの推定する工程にあっては、
まず、外部指令によって作動し前記蓄積部に蓄積された評価対象の1日の性能情報データの内の指定された期間を、前記最適モデル生成部25が所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの前記確率密度分布モデルを推定し、同時に当該各時間帯と対応する確率密度分布モデルとを対応付けたモデル周期テーブルを作成し、
この推定された確率密度分布モデルを予め装備された一方の生成情報記憶部23Aに、又前記作成されたモデル周期テーブルを予め装備された他方の生成情報記憶部23Bに、それぞれ前記最適モデル生成部25が格納制御するようにしたことを特徴とする性能監視方法。
前記付記11に記載の性能監視方法において、
前記性能データの評価工程にあっては、
前記他方の生成情報記憶部23Bに記憶されたモデル周期テーブルに基づいて外部指令にて指定された期間に対応する所定の時間帯の前記確率密度分布モデルを選定し且つ当該選定された確率密度分布モデルを前記一方の生成情報記憶部23Aから読み出すようにし、
これらの各選定および読み出しにかかる制御動作を、前記異常検出部26が実行することを特徴とした性能監視方法。
前記付記10乃至12の何れか一つに記載の性能監視方法において、
前記性能データの確率密度分布モデルを推定する工程にあっては、
前記隣り合う時間帯同志の確率密度分布の逆類似度をカルバック・ラウブラー情報量により算出し、
逆類似度が予め設定した任意の値以下の場合には隣り合う時間帯同志のデータの分割を解除し又逆類似度が予め特定した任意の値以上の場合には隣り合う時間帯同志のデータは分割したままにして放置するようにし、
これにより、前記確率密度分布を時間帯毎に設定するようにし
これらの各工程を前記最適モデル生成部25が実行することを特徴とした性能監視方法。
前記付記11又は12に記載の性能監視方法において、
前記性能データの確率密度分布モデルを推定する工程にあっては、
外部指定される期間が複数の日付を含む場合には当該期間に含まれる全ての日付について日付パターンを設定すると共に全ての日付のデータに共通の時間帯で区切って性能データの確率密度分布を時間帯毎に設定し、
この各日付の同一時間帯毎の前記確率密度分布の逆類似度を算出すると共に当該算出した逆類似度の内の最小の逆類似度を持つ確率密度分布を前記一方の生成情報記憶部23Aに格納するようにし、
これらの各設定,算出,及び格納の各制御動作を、前記最適モデル生成部25が実行するようにしたことを特徴とする性能監視方法。
前記付記14に記載の性能監視方法において、
前記最適な閾値を設定する工程にあっては、
評価対象である性能データに対応する最適な確率密度分布データの取得に際し、前記他方の生成情報記憶部23Bから前記性能データを評価する時刻に適した確率密度分布の逆類似度を取得すると共に、当該逆類似度が最小の場合に当該確率密度分布を選定し、
この選定した確率密度分布については逆類似度が最小の確率密度分布を閾値設定用として前記一方の生成情報記憶部23Aから取得するようにし、
これらの各選定及び取得の各制御動作を、前記異常検出部26が実行することを特徴とした性能監視方法。
前記付記10乃至15の何れか一つに記載の性能監視方法において、
前記性能データを評価し異常を検出する工程にあっては、
まず、前記確率密度分布モデルを作成した性能データから標準偏差を算出し、
続いて、前記評価対象の性能データが前記標準偏差に基づいて設定される閾値の範囲内に有れば問題がないデータと判定するようにし、
これらの各算出および判定にかかる工程を、前記異常検出部26が順次実行するようにしたことを特徴とする性能監視方法。
監視対象装置(被監視サーバ)1の性能を示す性能データを収集する情報収集部21と、前記情報収集部21により収集した評価対象の性能データを蓄積する性能情報蓄積部22とを備えた監視装置本体2Aを有して成る性能監視装置(監視制御サーバ)2にあって、
前記性能情報蓄積部22に蓄積された評価対象の1日の性能情報データを、所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの確率密度分布モデルを推定し生成する確率密度分布モデル生成処理機能、
この生成された確率密度分布モデル情報を生成情報記憶部23に格納する格納処理機能、
前記生成情報記憶部23に格納された確率密度分布モデルに基づいて、前記性能データの周期性を特定すると共に当該特定した周期における最適な閾値を設定する最適閾値設定処理機能、
及びこの設定された最適な閾値に基づいて前記性能情報蓄積部22に蓄積された性能データの問題点の有無を評価しその異常を検出する評価異常検出処理機能を設け、
これらの各処理機能を前記監視装置本体2Aが備えているコンピュータに実現させるようにしたことを特徴とする性能監視プログラム。
前記付記17に記載の性能監視プログラムにおいて、
前記性能データの確率密度分布モデルの生成処理機能にあっては、
まず、外部指令によって作動し前記性能情報蓄積部22に蓄積された評価対象の1日の性能情報データの内の指定された期間を所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの前記確率密度分布モデルを推定する確率密度分布モデル推定処理機能、
前記確率密度分布モデルとこれに対応する各時間帯と対応付けたモデル周期テーブルを作成するモデル周期テーブル作成処理機能、
およびこの推定された確率密度分布モデルを予め装備された一方の生成情報記憶部23Aに又前記作成されたモデル周期テーブルを予め装備された他方の生成情報記憶部23Bに、それぞれ格納処理する確率密度分布モデル等格納処理機能を設け、
これらの各処理機能を前記監視装置本体が備えているコンピュータに実現させるようにしたことを特徴とする性能監視プログラム。
前記付記18に記載の性能監視プログラムにおいて、
前記性能データの評価異常検出処理機能では、
前記他方の生成情報記憶部23Bに記憶されたモデル周期テーブルに基づいて外部指令にて指定された期間に対応する所定の時間帯の前記確率密度分布モデルを選定し且つ当該選定された確率密度分布モデルを前記一方の生成情報記憶部23Aから読み出す確率密度分布モデル選定読出処理機能を備えた構成とし、
これらの各選定および読み出しにかかる処理機能を、前記監視装置本体2Aが備えているコンピュータに実現させるようにしたことを特徴とする性能監視プログラム。
前記付記17乃至19の何れか一つに記載の性能監視プログラムにおいて、
前記確率密度分布モデルの生成処理機能にあっては、
前記隣り合う時間帯同志の確率密度分布の逆類似度をカルバック・ラウブラー情報量により算出する逆類似度算出処理機能、
および逆類似度が予め設定した任意の値以下の場合には隣り合う時間帯同志のデータの分割を解除し又逆類似度が予め特定した任意の値以上の場合には隣り合う時間帯同志のデータは分割したままにして放置する隣接時間帯一体化処理機能、
を含むと共に、これにより前記確率密度分布を時間帯毎に設定する構成とし、
これらの各処理機能を監視装置本体2Aが備えているコンピュータに実現させるようにしたことを特徴とする性能監視プログラム。
前記付記18又は19に記載の性能監視プログラムにおいて、
前記確率密度分布モデルの生成処理機能にあっては、
外部指定される期間が複数の日付を含む場合には当該期間に含まれる全ての日付について日付パターンを設定すると共に全ての日付のデータに共通の時間帯で区切って性能データの確率密度分布を時間帯毎に設定する確率密度分布時間帯別設定処理機能、
およびこの各日付の同一時間帯毎の前記確率密度分布の逆類似度を算出すると共に当該算出した逆類似度の内の最小の逆類似度を持つ確率密度分布を前記一方の生成情報記憶部23Aに格納する逆類似度込み確率密度分布格納処理機能を設け、
これらの各処理機能を監視装置本体2Aが備えているコンピュータに実現させるようにしたことを特徴とする性能監視プログラム。
前記付記21に記載の性能監視プログラムにおいて、
前記最適閾値設定処理機能にあっては、
評価対象である性能データに対応する最適な確率密度分布データの取得に際し、前記他方の生成情報記憶部23から前記性能データを評価する時刻に適した確率密度分布の逆類似度を取得すると共に、当該逆類似度が最小の場合に当該確率密度分布を選定する逆類似度対応確率密度分布選定処理機能、
及びこの選定した確率密度分布については逆類似度が最小の確率密度分布を閾値設定用として前記一方の生成情報記憶部23Aから取得する逆類似度対応確率密度分布取得処理機能を設け、
これらの各処理機能を監視装置本体2Aが備えているコンピュータに実現させるようにしたことを特徴とする性能監視プログラム。
前記付記17乃至22の何れか一つに記載の性能監視プログラムにおいて、
前記性能データを評価し異常を検出する評価異常検出処理機能にあっては、
前記確率密度分布モデルを作成した性能データから標準偏差を算出する標準偏差算出処理機能、
及び前記評価対象の性能データが前記標準偏差に基づいて設定される閾値の範囲内に有れば問題がないデータと判定する性能データ正常評価処理機能を設け、
これらの各算出および判定にかかる各処理機能を監視装置本体2Aが備えているコンピュータに実現させるようにしたことを特徴とする性能監視プログラム。
2 監視制御サーバ(性能監視装置)
3 監視端末
3A 指令入力部
11 監視制御エージェント
21 情報収集部
22 性能情報蓄積部
23 生成情報記憶部
23A 一方の生成情報記憶部(確率密度分布モデル蓄積部)
23B 他方の生成情報記憶部(モデル周期テーブル蓄積部)
25 最適モデル生成部(モデル生成部)
26 異常検出部
26A データ評価判定機能
Claims (9)
- 監視対象装置の性能を示す性能データを収集する情報収集手段と、前記情報収集手段により収集した評価対象の性能データを蓄積する性能情報蓄積手段とを備えた監視装置本体を有して成る性能監視装置において、
前記監視装置本体が、
前記蓄積手段に蓄積された評価対象の1日の性能情報データを所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの確率密度分布モデルを推定するモデル生成部と、このモデル生成部で推定された確率密度分布モデル情報を格納する生成情報記憶部と、前記生成情報記憶部に格納された確率密度分布モデルに基づいて当該性能データの周期性を特定すると共に当該特定した周期における最適な閾値を設定する異常検出部とを有すると共に、
前記異常検出部は、当該異常検出部が設定した最適な閾値に基づいて前記性能情報蓄積手段に蓄積された性能データの問題点の有無を評価しその異常を検出するデータ異常検出機能を備え、
前記モデル生成部は、
外部指令によって作動して前記蓄積手段に蓄積された評価対象の1日の性能情報データの内の指定された期間を所定の時間間隔で分割して時間帯ごとに前記評価対象の性能情報データの前記確率密度分布モデルを推定する機能と、当該各時間帯と対応する確率密度分布モデルとを対応づけたモデル周期テーブルを作成する機能とを備え、
前記生成情報記憶部は、前記モデル生成部で推定され作成された確率密度分布モデル情報と前記モデル周期テーブルとをそれぞれ各別に記憶する一方と他方の生成情報記憶部を備えていることを特徴とした性能監視装置。 - 請求項1に記載の性能監視装置において、
前記異常検出部は、
前記他方の生成情報記憶部に記憶されたモデル周期テーブルに基づいて外部指令にて指定された期間に対応する所定の時間帯の前記確率密度分布モデルを選定する確率密度分布モデル選定機能と、当該選定された確率密度分布モデルを前記一方の生成情報記憶部から読み出す確率密度分布モデル読出機能を備えていることを特徴とした性能監視装置。 - 請求項1又は2に記載の性能監視装置において、
前記モデル生成部は、
前記性能データの確率密度分布モデルの推定に際しては、隣り合う時間帯同士の確率密度分布の逆類似度をカルバック・ラウブラー情報量により算出する機能と、逆類似度が予め設定した任意の値以下の場合には隣り合う時間帯同士のデータの分割を解除し又逆類似度が予め特定した任意の値以上の場合には隣り合う時間帯同士のデータは分割したままにする機能と有し、これにより前記確率密度分布を時間帯毎に設定する機能を備えていることを特徴とした性能監視装置。 - 請求項1又は2に記載の性能監視装置において、
前記モデル生成部は、
外部指定される期間が複数の日付を含む場合には、当該期間に含まれる全ての日付について日付パターンを設定すると共に全ての日付のデータに共通の時間帯で区切って性能データの確率密度分布を時間帯毎に設定する機能と、この各日付の同一時間帯毎の前記確率密度分布の逆類似度を算出する機能と、この算出した逆類似度の内の最小の逆類似度を持つ確率密度分布を前記一方の生成情報記憶部に格納する機能とを備えていることを特徴とした性能監視装置。 - 請求項4に記載の性能監視装置において、
前記他方の生成情報記憶部には、日付パターンにより特定される複数の日付と、各日付で共通する複数の時間帯と、各時間帯に対応した確率密度分布データとが対応付けられてモデル周期テーブルとして記憶されていることを特徴とした性能監視装置。 - 請求項4に記載の性能監視装置において、
前記異常検出部は、評価対象である性能データに対応する最適な確率密度分布データの取得に際しては、前記他方の生成情報記憶部から前記性能データを評価する時刻に適した確率密度分布の逆類似度を取得すると共に当該逆類似度が最小の場合に当該確率密度分布を選定する機能と、この選定した確率密度分布については逆類似度が最小の確率密度分布を閾値設定用として前記一方の生成情報記憶部から取得する機能とを備えていることを特徴とした性能監視装置。 - 請求項1乃至6の何れか一つに記載の性能監視装置において、
前記異常検出部は、前記確率密度分布モデルを作成した性能データから標準偏差を算出すると共に、前記評価対象の性能データが前記標準偏差に基づいて設定される閾値の範囲内に有れば問題がないデータと判定するデータ評価判定機能を備えていることを特徴とした性能監視装置。 - 監視対象装置の性能を示す性能データを収集する情報収集手段と、前記情報収集手段により収集した評価対象の性能データを蓄積する性能情報蓄積手段とを備えた監視装置本体を有して成る性能監視装置にあって、
前記蓄積手段に蓄積された評価対象の1日の性能情報データを、前記監視装置本体のモデル生成部が所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの確率密度分布モデルを推定し、
この推定された確率密度分布モデル情報を、前記モデル生成部が生成情報記憶部に格納し、
前記生成情報記憶部に格納された確率密度分布モデルに基づいて、前記監視装置本体の異常検出部が機能し前記性能データの周期性を特定すると共に当該特定した周期における最適な閾値を設定し、
この設定された最適な閾値に基づいて前記性能情報蓄積手段に蓄積された性能データの問題点の有無を、前記異常検出部が評価してその異常を検出するようにし、
前記性能データの確率密度分布モデルを推定する工程にあっては、
まず、外部指令によって作動し前記蓄積部に蓄積された評価対象の1日の性能情報データの内の指定された期間を、前記モデル生成部が所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの前記確率密度分布モデルを推定し、同時に当該各時間帯と対応する確率密度分布モデルとを対応づけたモデル周期テーブルを作成し、
この推定された確率密度分布モデルを予め装備された一方の生成情報記憶部に、又前記作成されたモデル周期テーブルを予め装備された他方の生成情報記憶部に、それぞれ前記モデル生成部が格納制御するようにしたことを特徴とする性能監視方法。 - 監視対象装置の性能を示す性能データを収集する情報収集手段と、前記情報収集手段により収集した評価対象の性能データを蓄積する性能情報蓄積手段とを備えた監視装置本体を有して成る性能監視装置にあって、
前記蓄積手段に蓄積された評価対象の1日の性能情報データを、所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの確率密度分布モデルを推定し生成する確率密度分布モデル生成処理機能、
この生成された確率密度分布モデル情報を生成情報記憶部に格納する格納処理機能、
前記生成情報記憶部に格納された確率密度分布モデルに基づいて、前記性能データの周期性を特定すると共に当該特定した周期における最適な閾値を設定する最適閾値設定処理機能、
及びこの設定された最適な閾値に基づいて前記性能情報蓄積手段に蓄積された性能データの問題点の有無を評価しその異常を検出する評価異常検出処理機能を設けると共に、
上記性能データの確率密度分布モデル生成処理機能にあっては、
外部指令によって作動し前記蓄積部に蓄積された評価対象の1日の性能情報データの内の指定された期間を所定の時間間隔で分割して時間帯ごとに前記評価対象の性能データの前記確率密度分布モデルを推定する確率密度分布モデル推定処理機能、
前記確率密度分布モデルとこれに対応する前記各時間帯とを対応づけたモデル周期テーブルを作成するモデル周期テーブル作成処理機能、
及び推定された前記確率密度分布モデルを予め装備された一方の生成情報記憶部に、又前記作成されたモデル周期テーブルを予め装備された他方の生成情報記憶部に、それぞれ格納制御する確率密度分布モデル等格納処理機能を備え、
これらの各処理機能を、前記監視装置本体が備えているコンピュータに実現させるようにしたことを特徴とする性能監視プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012083364A JP5928104B2 (ja) | 2012-03-31 | 2012-03-31 | 性能監視装置、性能監視方法、及びそのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012083364A JP5928104B2 (ja) | 2012-03-31 | 2012-03-31 | 性能監視装置、性能監視方法、及びそのプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013214171A JP2013214171A (ja) | 2013-10-17 |
JP5928104B2 true JP5928104B2 (ja) | 2016-06-01 |
Family
ID=49587454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012083364A Expired - Fee Related JP5928104B2 (ja) | 2012-03-31 | 2012-03-31 | 性能監視装置、性能監視方法、及びそのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5928104B2 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107250936B (zh) * | 2015-02-17 | 2019-09-20 | 富士通株式会社 | 判定装置及判定方法 |
JP2016177676A (ja) * | 2015-03-20 | 2016-10-06 | 株式会社東芝 | 診断装置、診断方法、診断システムおよび診断プログラム |
JP6440203B2 (ja) | 2015-09-02 | 2018-12-19 | Kddi株式会社 | ネットワーク監視システム、ネットワーク監視方法およびプログラム |
JP7091872B2 (ja) * | 2018-06-21 | 2022-06-28 | 日本電信電話株式会社 | 検知装置及び検知方法 |
JP7111173B2 (ja) * | 2018-10-29 | 2022-08-02 | 日本電気株式会社 | 情報処理装置 |
GB2589593B (en) * | 2019-12-03 | 2022-05-11 | Siemens Ind Software Inc | Identifying causes of anomalies observed in an integrated circuit chip |
CN117290787B (zh) * | 2023-11-24 | 2024-03-08 | 珠海格力电器股份有限公司 | 信息生成方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005316808A (ja) * | 2004-04-30 | 2005-11-10 | Nec Software Chubu Ltd | 性能監視装置および性能監視方法並びにプログラム |
JP2009070017A (ja) * | 2007-09-12 | 2009-04-02 | Hitachi Ltd | 性能監視システム |
JP5163404B2 (ja) * | 2008-09-30 | 2013-03-13 | 日本電気株式会社 | 障害分析システム、障害分析方法および障害分析用プログラム |
-
2012
- 2012-03-31 JP JP2012083364A patent/JP5928104B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2013214171A (ja) | 2013-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5928104B2 (ja) | 性能監視装置、性能監視方法、及びそのプログラム | |
JP6354755B2 (ja) | システム分析装置、システム分析方法、及びシステム分析プログラム | |
US7702485B2 (en) | Method and apparatus for predicting remaining useful life for a computer system | |
CN108700851B (zh) | 用于预测能量消耗的系统、方法和基于云的平台 | |
CN105787248B (zh) | 基于时间序列数据的分析的异常感测和预测系统及方法 | |
JP6330922B2 (ja) | 情報処理装置および情報処理方法 | |
JP6571914B2 (ja) | 情報の複数のドメインを組合せることによる仕事の実施データ内の異常の検知 | |
US20160217378A1 (en) | Identifying anomalous behavior of a monitored entity | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN105871634B (zh) | 检测集群异常的方法及应用、管理集群的系统 | |
US20140052489A1 (en) | Time derivative-based program management systems and methods | |
JP5387779B2 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
JP5827426B1 (ja) | 予兆診断システム及び予兆診断方法 | |
JP5827425B1 (ja) | 予兆診断システム及び予兆診断方法 | |
JP6489235B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
JP6777142B2 (ja) | システム分析装置、システム分析方法、及び、プログラム | |
WO2018073960A1 (ja) | 表示方法、表示装置、および、プログラム | |
JP5634599B2 (ja) | データ処理システム、データ処理方法、及び、プログラム | |
US20140188777A1 (en) | Methods and systems for identifying a precursor to a failure of a component in a physical system | |
US20220245010A1 (en) | Time-series anomaly detection using an inverted index | |
CN106598822A (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
Schiöler et al. | Multivariate outbreak detection | |
Özaltın et al. | Predicting the solution time of branch-and-bound algorithms for mixed-integer programs | |
JP2015122825A (ja) | 配電系統の負荷予測装置および配電系統の負荷予測方法 | |
JP2011044592A (ja) | 信頼度判断装置、信頼度判断方法、及び信頼度判断用コンピュータプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150212 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20151028 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151117 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160114 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160329 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160411 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5928104 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |