JP6343625B2 - 推定装置及び推定方法 - Google Patents
推定装置及び推定方法 Download PDFInfo
- Publication number
- JP6343625B2 JP6343625B2 JP2016033515A JP2016033515A JP6343625B2 JP 6343625 B2 JP6343625 B2 JP 6343625B2 JP 2016033515 A JP2016033515 A JP 2016033515A JP 2016033515 A JP2016033515 A JP 2016033515A JP 6343625 B2 JP6343625 B2 JP 6343625B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- trial
- estimation
- web page
- relative
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 33
- 238000012546 transfer Methods 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 101100014539 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) get-1 gene Proteins 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Information Transfer Between Computers (AREA)
- Computer And Data Communications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
を有する。
(1)ユーザによるクリック等を起点としたページ取得要求が発生する。
(2)ブラウザが対象URLの指すページのhtmlデータについてHTTP(HyperText Transfer Protocol)のGETリクエストで転送を要求すると、htmlデータがブラウザに転送される。
(3)htmlデータ内にサブコンテンツ(画像データ、必要script等)が示されており、ブラウザは、それらを順次解読処理し、HTTPのGETリクエストで取得する(HTTPでGET)。
(4)ブラウザは順次取得したサブコンテンツを処理して表示する。
(a)ウェブページの作りによっては、自動更新等により、ウェブページの表示完了後もHTTP−GETが継続して発生する。
(b)同じウェブページを同じ端末で繰り返し表示した場合、表示完了までに生じるHTTP−GETの数が必ずしも一定ではない。
%tshark -r dump.pcap -Y http.request.uri -T fields -e frame.time_epoch-e http.request.full_uri ......
又は、推定装置10内にプロキシを設定し、ブラウザによるウェブページの表示時のプロキシログからHTTP−GETの時刻情報のログが取得されてもよい。
X=(X_1,X_2,...,X_(N−1))
但し、
X_1=[各試行のGET−2の相対時刻の長さMのベクトル]
=[0.032,0.200,...,0.222](図7の例)
X_(N−1)=[0.233,0.668,...,1.223]
また、学習データ(Y)を以下のように構成する。
転送完了時間が推定対象である場合、
Y=[転送完了時間の長さMのベクトル]=[2.5,2.9,...,4.1]
表示完了時間が推定対象である場合、
Y=[表示完了時間の長さMのベクトル]=[3.1,3.6,...,4.7]
推定モデル生成部13は、SVRのモデルEを生成し、上記のように構成した学習データ(X)及び学習データ(Y)で学習させる。すなわち、XとYとの関係を、モデルEに学習させる。
E=SVR() #モデル生成
E.fit(X、Y) #学習データで学習
続いて、推定部14は、モデルEを、ネットワーク上の観測データに対して適用し、当該観測データに関して、転送完了時間又は表示完了時間を推定する(ステップS170)。
GET発生時刻の履歴:(2345.333,2345.999,2346.500,2347.000)
この場合、X_newの値は、以下の通りとなる。
X_new=[0.666,1.167,...,1.667]
推定部14は、X_newを推定モデルEに適用し、推定値T_eを得る。
T_e=E.predict(X_new)
このように推定されたT_eの値(例えば、3.8)が、観測データに関する「転送完了時間」又は「表示完了時間」の推定値である。すなわち、学習データ(Y)が転送完了時間のベクトルであれば、転送完了時間の推定値が得られる。学習データ(Y)が表示完了時間のベクトルであれば、表示完了時間の推定値が得られる。
(a)毎回の表示(試行)において共通的に観測される割合の高い「共通URL」のHTTP−GETにおける挙動を学習データに加味する。
(b)推定結果として「待ち時間が大きい」と判断された場合に、待ち時間が大きい範囲に特化した推定器で再推定を実施する。
或るURLの観測比率=全試行において当該URLが観測された回数/試行回数M
すなわち、観測比率は、1回の試行あたりに観測される回数である。URLごとの観測比率の算出結果の一例を図12に示す。
X=(X_1,X_2,...,X_(N+C))
但し、
X_(N+C)=[0.221,3.000,...,....,1.133]
すなわち、図14の行列(共通URL比率の列も含む)が、Xに代入される。
Y_selfestimate=E.predict(X)
として学習データ(X)による予測結果Y_selfestimateを算出し、Y_selfestimateのベクトルの要素を数値の大きさで昇順にソートし、ソート結果の下位から「待ち時間異常値カットオフ比率」となる要素の値を、異常閾値とする。なお、学習データ(X)の値は、ケースBが採用される場合は、第1の実施の形態において説明した通りであり、ケースCが採用される場合は、ステップS160aにおいて説明した通りである。また、「待ち時間異常値カットオフ比率」は、例えば、分布の下位パーセンタイル指定によって、予め設定される。
E2=SVR() #モデル生成
E2.fit(X2、Y2) #学習データで学習
続いて、再推定部25は、モデルE2を、ステップS170aにおいて使用した観測データに対して適用し、当該観測データに関して、転送完了時間又は表示完了時間を推定する(ステップS183)。
T_e'=E2.predict(X_new)
T_e'によって、T_eが置き換えられる。すなわち、T_e'が、推定結果として確定される。
11 学習データ取得部
12 閾値決定部
13 推定モデル生成部
14 推定部
15 学習データ記憶部
21 共通URLリスト生成部
22 共通URL比率算出部
23 異常閾値決定部
24 再推定モデル生成部
25 再推定部
26 共通URLリスト記憶部
100 ドライブ装置
101 記録媒体
102 補助記憶装置
103 メモリ装置
104 CPU
105 インタフェース装置
B バス
Claims (6)
- ウェブブラウザでのウェブページの表示に関する複数回の試行のそれぞれにおいて観測された所定数のGETリクエストのURLのうち、各試行に含まれる割合が第1の閾値以上であるURLのリストを生成するリスト生成部と、
前記試行ごとに、前記所定数のGETリクエストのうち、前記リストに含まれるURLに係るGETリクエストの比率を算出する算出部と、
前記試行ごとに、前記所定数のGETリクエストの試行内での相対的な発生時期、前記比率、及び前記リストに含まれる各URLに係るGETリクエストの前記相対的な発生時期を含む情報と、前記試行ごとに計測された、前記ウェブページの表示が指示されてから、少なくとも前記ウェブページの表示に必要なデータの前記ウェブブラウザへの転送が完了するまでの所要時間との関係を、第1の推定モデルに学習させる第1のモデル生成部と、
ネットワーク上において観測された、前記ウェブページに関する各GETリクエストの相対的な発生時期に前記第1の推定モデルを適用して、前記所要時間を推定する第1の推定部と、
を有することを特徴とする推定装置。 - 前記第1の推定部によって推定された前記所要時間が第2の閾値より大きい場合に、前記複数回の試行のうち、前記所要時間が前記第2の閾値より大きい第1の試行の前記所要時間と、前記第1の試行ごとに、前記所定数のGETリクエストの前記相対的な発生時期、前記比率、及び前記リストに含まれる各URLに係るGETリクエストの前記相対的な発生時期を含む情報との関係を、第2の推定モデルに学習させる第2のモデル生成部と、
ネットワーク上において観測された、前記ウェブページに関する各GETリクエストの相対的な発生時期に前記第2の推定モデルを適用して、前記所要時間を推定する第2の推定部と、
を有することを特徴とする請求項1記載の推定装置。 - ウェブブラウザでのウェブページの表示に関する複数回の試行のそれぞれにおけるに所定数のGETリクエストのそれぞれについての試行内での相対的な発生時期と、前記試行ごとに計測された、前記ウェブページの表示が指示されてから、少なくとも前記ウェブページの表示に必要なデータの前記ウェブブラウザへの転送が完了するまでの所要時間との関係を、第1の推定モデルに学習させる第1のモデル生成部と、
ネットワーク上において観測された、前記ウェブページに関する各GETリクエストの相対的な発生時期に、前記第1の推定モデルを適用して、当該GETリクエストに関する前記所要時間を推定する第1の推定部と、
前記第1の推定部によって推定された前記所要時間が第2の閾値より大きい場合に、前記複数回の試行のうち、前記所要時間が前記第2の閾値より大きい第1の試行の前記所要時間と、前記第1の試行ごとの前記所定数のGETリクエストの前記相対的な発生時期との関係を、第2の推定モデルに学習させる第2のモデル生成部と、
ネットワーク上において観測された、前記ウェブページに関する各GETリクエストの相対的な発生時期に前記第2の推定モデルを適用して、前記所要時間を推定する第2の推定部と、
を有することを特徴とする推定装置。 - ウェブブラウザでのウェブページの表示に関する複数回の試行のそれぞれにおいて観測された所定数のGETリクエストのURLのうち、各試行に含まれる割合が第1の閾値以上であるURLのリストを生成するリスト生成手順と、
前記試行ごとに、前記所定数のGETリクエストのうち、前記リストに含まれるURLに係るGETリクエストの比率を算出する算出手順と、
前記試行ごとに、前記所定数のGETリクエストの試行内での相対的な発生時期、前記比率、及び前記リストに含まれる各URLに係るGETリクエストの前記相対的な発生時期を含む情報と、前記試行ごとに計測された、前記ウェブページの表示が指示されてから、少なくとも前記ウェブページの表示に必要なデータの前記ウェブブラウザへの転送が完了するまでの所要時間との関係を、第1の推定モデルに学習させる第1のモデル生成手順と、
ネットワーク上において観測された、前記ウェブページに関する各GETリクエストの相対的な発生時期に前記第1の推定モデルを適用して、前記所要時間を推定する第1の推定手順と、
をコンピュータが実行することを特徴とする推定方法。 - 前記第1の推定手順において推定された前記所要時間が第2の閾値より大きい場合に、前記複数回の試行のうち、前記所要時間が前記第2の閾値より大きい第1の試行の前記所要時間と、前記第1の試行ごとに、前記所定数のGETリクエストの前記相対的な発生時期、前記比率、及び前記リストに含まれる各URLに係るGETリクエストの前記相対的な発生時期を含む情報との関係を、第2の推定モデルに学習させる第2のモデル生成手順と、
ネットワーク上において観測された、前記ウェブページに関する各GETリクエストの相対的な発生時期に前記第2の推定モデルを適用して、前記所要時間を推定する第2の推定手順と、
をコンピュータが実行することを特徴とする請求項4記載の推定方法。 - ウェブブラウザでのウェブページの表示に関する複数回の試行のそれぞれにおけるに所定数のGETリクエストのそれぞれについての試行内での相対的な発生時期と、前記試行ごとに計測された、前記ウェブページの表示が指示されてから、少なくとも前記ウェブページの表示に必要なデータの前記ウェブブラウザへの転送が完了するまでの所要時間との関係を、第1の推定モデルに学習させる第1のモデル生成手順と、
ネットワーク上において観測された、前記ウェブページに関する各GETリクエストの相対的な発生時期に、前記第1の推定モデルを適用して、当該GETリクエストに関する前記所要時間を推定する第1の推定手順と、
前記第1の推定手順において推定された前記所要時間が第2の閾値より大きい場合に、前記複数回の試行のうち、前記所要時間が前記第2の閾値より大きい第1の試行の前記所要時間と、前記第1の試行ごとの前記所定数のGETリクエストの前記相対的な発生時期との関係を、第2の推定モデルに学習させる第2のモデル生成手順と、
ネットワーク上において観測された、前記ウェブページに関する各GETリクエストの相対的な発生時期に前記第2の推定モデルを適用して、前記所要時間を推定する第2の推定手順と、
をコンピュータが実行することを特徴とする推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016033515A JP6343625B2 (ja) | 2016-02-24 | 2016-02-24 | 推定装置及び推定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016033515A JP6343625B2 (ja) | 2016-02-24 | 2016-02-24 | 推定装置及び推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017151722A JP2017151722A (ja) | 2017-08-31 |
JP6343625B2 true JP6343625B2 (ja) | 2018-06-13 |
Family
ID=59739049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016033515A Active JP6343625B2 (ja) | 2016-02-24 | 2016-02-24 | 推定装置及び推定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6343625B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019086928A (ja) * | 2017-11-06 | 2019-06-06 | ファナック株式会社 | 制御装置及び機械学習装置 |
-
2016
- 2016-02-24 JP JP2016033515A patent/JP6343625B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017151722A (ja) | 2017-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10204035B1 (en) | Systems, methods and devices for AI-driven automatic test generation | |
US8078691B2 (en) | Web page load time prediction and simulation | |
US20150088959A1 (en) | Method and system for automated transaction analysis | |
CN106411639A (zh) | 访问数据的监控方法及系统 | |
CN108701130A (zh) | 使用自动浏览群集更新提示模型 | |
Saverimoutou et al. | Web browsing measurements: An above-the-fold browser-based technique | |
JP5957419B2 (ja) | QoE推定装置、QoE推定方法及びプログラム | |
JP6423529B2 (ja) | ユーザ推定装置、ユーザ推定方法、および、ユーザ推定プログラム | |
JP6343625B2 (ja) | 推定装置及び推定方法 | |
CN107040504A (zh) | 测试方法和装置 | |
JP2004348640A (ja) | ネットワーク管理システム及びネットワーク管理方法 | |
JP6218767B2 (ja) | ユーザ対話パターンモニタのための方法、サーバ、及びエージェント | |
US20190089795A1 (en) | Communication analysis device, communication analysis method, and program recording medium | |
JP6280092B2 (ja) | 推定装置及び推定方法 | |
Suffian et al. | Performance testing: Analyzing differences of response time between performance testing tools | |
JP6199844B2 (ja) | 被疑箇所推定装置及び被疑箇所推定方法 | |
JP5979185B2 (ja) | 運用管理装置、運用管理システム、情報処理方法、及び運用管理プログラム | |
JP4451188B2 (ja) | 情報処理システム、及び情報処理システムの制御方法 | |
CN115509851A (zh) | 页面监控方法、装置及设备 | |
JP2019219786A (ja) | 品質推定装置、品質推定方法及びプログラム | |
JP5590196B2 (ja) | 運用管理装置、運用管理システム、情報処理方法、及び運用管理プログラム | |
WO2022034657A1 (ja) | 閲覧離脱確率推定装置、閲覧離脱確率推定方法及びプログラム | |
JP6426535B2 (ja) | テスト支援装置、及びテスト支援方法 | |
JP6056094B2 (ja) | サイト分析システム、サイト分析方法、サーバ装置、及びプログラム | |
JP6767425B2 (ja) | 分析装置および分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170727 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180427 |
|
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: 20180515 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180521 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6343625 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |