JP6690011B2 - ストリーミング分析法を用いてネットワーク問題の実効顧客影響度をリアルタイムで測定するためのシステム及び方法 - Google Patents

Description

〔優先権の主張〕
本出願は、２０１６年３月２９日に出願された、Ｃａｒｌｏ Ｍｅｄａｓ他による「ストリーミング分析法を用いてネットワーク問題の実効顧客影響度をリアルタイムで測定するためのシステム及び方法（ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＭＥＡＳＵＲＩＮＧ ＥＦＦＥＣＴＩＶＥ ＣＵＳＴＯＭＥＲ ＩＭＰＡＣＴ ＯＦ ＮＥＴＷＯＲＫ ＰＲＯＢＬＥＭＳ ＩＮ ＲＥＡＬ−ＴＩＭＥ ＵＳＩＮＧ ＳＴＲＥＡＭＩＮＧ ＡＮＡＬＹＴＩＣＳ）」という名称の米国仮特許出願第６２／３１４，８０６号に対する優先権の利益を主張するものであり、この文献は引用により本明細書に組み入れられる。

本発明は、一般に電気通信ネットワークの問題に起因する潜在的な及び／又は実際の顧客影響度を測定するためのシステム及び方法に関する。

電気通信ネットワーク事業者は、適合性及び収益性の継続を確実にするために様々な課題に直面する。核となる収入は、オーバーザトップコンテンツ（ＯＴＴ）プロバイダの爆発的なデータ使用及び深くビデオに根差したネットワーク使用によって脅かされている。加入者は、多様性、容量及び商品に関して常にそれ以上のサービスを求める。電気通信技術の複雑性も加速し続け、新たなハードウェア投資の必要性を招いている。飽和市場における加入者基盤の拡大は、技術革新及び優れた顧客体験によって促進される。

ロングタームエボリューション（ＬＴＥ）無線規格、集中型異機種ネットワーク、次世代ネットワーク（ＮＧＮ）及びネットワーク機能の仮想化（ＮＦＶ）などの現在の最先端の電気通信技術は運用コストの削減に役立つものの、ネットワーク事業者が競争上の優位性を得るには、競争市場における顧客体験を理解することである。たとえネットワーク事業者がどのような技術を使用しているとしても、顧客満足度は、多様で断片的な顧客基盤に所望のレベルのサービスを提供する能力に依存し得る。顧客は、家庭内消費者から多国籍企業に至るまで、いつでもどこでもできるだけ最良の価格でサービスにアクセスしたいと望む。

サービス稼働時間は、ネットワーク事業者の収入に直結する。サービスが行われなければ、課金事象も存在し得ない。一方で、体感品質（ＱｏＥ）も同様に重要となり得る。ＱｏＥは、そこまで直接的ではないが収入に関係する。ＱｏＥの低下は最終的に顧客離れにつながり、ＱｏＥが大きく悪化すればサービスの使用が妨げられる可能性もある。

システム及び方法を用いて電気通信（テレコム）ネットワーク内の問題を識別することができる。プローブ及びネットワーク要素を含む複数のソースからデータを取得する。リアルタイムストリーミング集約のための１又は２以上の重要業績評価指標（ＫＰＩ）を識別する。識別された１又は２以上のＫＰＩに関するストリーミングデータをリアルタイムで集約し、重複を除いた加入者（ｃｏｕｎｔ−ｄｉｓｔｉｎｃｔ ｓｕｂｓｃｒｉｂｅｒｓ）及びボリュームカウントの近似値と、識別されたＫＰＩ毎に集約した重複を除いた加入者の近似値とを計算する。

計算に基づいて、集約されたデータ内で見つかった１又は２以上のドリルオブジェクトを識別し、指数移動平均を用いて、識別された１又は２以上のドリルオブジェクトの各々のリアルタイム動向記録を生成して記憶する。リアルタイム動向記録に基づいてベースライン平均値を生成する。次に、ベースライン平均値と、集約されたリアルタイムストリーミングデータとに基づいて、エラーの増加を検出することができる。

次に、検出されたエラーの増加に寄与している各ドリルオブジェクトの偏差を分析し、偏差の詳細に基づいて完全な事例報告を生成する。完全な事例報告をユーザインターフェイス内に表示し、偏差に関連する１又は２以上のアラームを伝える。エラーの増加がもはや検出されなくなるまで、後続の１又は２以上のＫＰＩの値をチェックすることによって完全な事例報告を更新する。その後、完全な事例報告を生成して更新した１又は２以上のＫＰＩに関連するデータに対して再発検出及び自動事例相関を実行する。

実施形態によるシステム及び方法を適用できる例示的なネットワークアーキテクチャを示す図である。 実施形態による、システムが取得したデータを用いてシステムと共に使用される、問題を識別する方法のフローチャートである。 実施形態による、リアルタイムストリーミング集約のための重要業績評価指標（ＫＰＩ）を識別するフローチャートである。 実施形態によるシステム及び方法によって生成される出力例である。 実施形態によるシステム及び方法によって生成される出力例である。 実施形態によるシステム及び方法によって生成される事例報告概要の例である。 実施形態によるシステム及び方法によって生成される事例報告分析の例である。

以下の説明は、本発明の様々な実施形態を実施するための現在考えられる最良の形態である。この説明は、限定的な意味で捉えるべきではなく、本発明の一般的原理を説明するために行うものにすぎない。本発明の範囲は、特許請求の範囲を参照して確認すべきである。以下の本発明の説明では、全体を通じて同じ数字又は参照番号を用いて同じ部品又は要素を参照する。また、参照番号の最初の桁は、これらの部品又は要素を最初に説明する図面を識別する。

以下の説明では、本発明を完全に説明できるように数多くの具体的な詳細を示す。しかしながら、当業者には、これらの具体的な詳細を伴わずとも本発明を実施できることが明らかであろう。場合によっては、本発明を曖昧にしないように周知の特徴については詳細に説明していない。

図１は、加入者に影響を与える問題を識別し、識別された問題の潜在的共通点を識別するために本発明のシステム及び方法の実施形態を適用できる例示的な電気通信ネットワークアーキテクチャ１００を示す簡略図である。図示のように、このアーキテクチャは、３ＧＰＰ ＬＴＥ無線通信規格のコアネットワークアーキテクチャであるシステムアーキテクチャエボリューション（ＳＡＥ）に基づく。しかしながら、本発明のシステム及び方法の実施形態は、次世代アーキテクチャを含む他のアーキテクチャに適用することもできる。

ＳＡＥアーキテクチャは、制御プレーントラフィックとユーザプレーントラフィックとが独立したパケットベースのネットワークアーキテクチャである。ユーザは、携帯電話機又はその他の無線装置などのユーザ装置（ＵＥ）１０２を介して進化型ノードＢ（ｅＮｏｄｅＢ）１１０と呼ばれるＳＡＥアーキテクチャの要素に接続することによってネットワークに接続することができる。ｅＮｏｄｅＢの例としては、ＧＳＭ（登録商標）ネットワーク内のベーストランシーバ基地局（ＢＴＳ）が挙げられる。ｅＮｏｄｅＢは、ＵＥから受け取ったパケットを、ＳＡＥアーキテクチャの主要コンポーネントである進化型パケットコア（ＥＰＣ）に提供する。ＵＥは、Ｗｉ−Ｆｉアクセスポイント１１２などの他の何らかのアクセスポイントを介してネットワークと相互作用することもできる。

ＥＰＣは複数の下位コンポーネントを含み、図１にはそのうちのいくつかを示す。モビリティ管理エンティティ（ＭＭＥ）１２０という下位コンポーネントは、ＵＥのためのサービングゲートウェイ（ＳＧＷ）１２２を選択する役割を担う。ＭＭＥは、ユーザ関連情報及び加入関連情報を含む中央データベースであるホーム加入者サーバ（ＨＳＳ）１２４を介してユーザを認証する役割を担う。ＭＭＥは、再送を含むアイドルモードＵＥページング及びタグ付け手順の役割を担う主要制御ノードでもあり、ＬＴＥアクセスと２Ｇ／３Ｇアクセスとの間の移動性のための制御プレーン機能も提供する。

ＳＧＷは、ｅＮｏｄｅＢ間のハンドオーバ中におけるユーザプレーンのためのモビリティアンカー、及びＬＴＥ技術と他の３ＧＰＰ技術との間の移動性のためのアンカーとしても機能しながら、ユーザデータパケットのルーティング及び転送を行う。

パケットデータネットワークゲートウェイ（ＰＧＷ）１２３、１２７は、ＵＥのトラフィックの出口点及び入口点となることによって、ＵＥから外部パケットデータネットワーク（ＰＤＮ）１３０、１３２への接続性を提供する。ＰＧＷは、各ユーザのパケットフィルタリング及び課金サポートを行い、３ＧＰＰ技術と非３ＧＰＰ技術との間の移動性のためのアンカーとして機能することができる。

他の下位コンポーネントとしては、サービスデータフローの検出、ポリシーの施行及びフローベースの課金をサポートするポリシー及び課金ルール機能（ＰＣＲＦ）モジュール１２９、信頼できない非３ＧＰＰアクセス（例えば、Ｗｉ−Ｆｉアクセスポイント）を介してＥＰＣに接続されたＵＥとのデータ送信を請け負う進化型パケットデータゲートウェイ（ｅＰＤＧ）１２８、並びにコンピュータリソースへの知的アクセス制御、ポリシーの施行、使用量の監査、サービス請求書の発行に必要な情報の提供を行う認証、認可及びアカウンティング（ＡＡＡ）モジュール１２６が挙げられる。

理解されるように、ネットワークのモジュール及び下位コンポーネントの各々は、障害及びその他の性能問題の潜在的ソースになり得る。ネットワークのサービス保証には、障害管理、根本的原因の分析、性能モニタ及び通知、トラフィックの動向及び輻輳制御を含む多くのタスクが必要である。これらのタスクは、提供サービスの顧客体験を高めるためにサービスの利用可能性及び知覚品質を改善することを目的とする。

ネットワーク性能に関するデータは、図１で上述したようなネットワーク要素、プローブ、センサ、ログファイルを含む様々なソース、さらにはソーシャルネットワークから抽出することができる。現在では、ＡＮＲＩＴＳＵ（登録商標）社から市販されているｅｏＬｉｖｅなどのツールを用いて収集データから重要業績評価指標（ＫＰＩ）を生成し、コンピュータインターフェイスを介してＫＰＩをユーザに示して、インターフェイスと相互作用する個人にサービス顧客体験のリアルタイムビューを提供することができる。ネットワーク事業者は、このようなツールを用いたサービスの維持、タイムリーな対応、顧客又はネットワークによって生じた問題の解決、様々なサービス面の性能の追跡、報告、管理及び改善対策を行うことによってサービス性能を保証することができる。

ｅｏＬｉｖｅなどのツールは、問題を識別して分類することによってネットワーク問題を検出するように適合することができる。例えば、このようなツールは、問題を相互接続エラー、輻輳エラー、論理的エラー又は物理的エラーとして分類し、これらを正しい部門に受け渡して、平均修復時間（ＭＴＴＲ）、すなわちサービス停止又はサービス低下を引き起こし得るネットワーク問題を修復するのに必要な時間を全体的に短縮することができる。問題の解決に長い時間が掛かり過ぎると、そのサービスからの収益が損なわれ、長期的にはサービスが利用できなくなることによって顧客の不満を高めてしまう恐れがある。

しかしながら、現在収集され蓄積されているデータは、分析できるデータよりも量の増加が速い。現在の電気通信ネットワーク事業者にとって最大の課題の１つは、加入者のＱｏＥを理解するためにこれらの莫大な量のデータを活用して管理、運用、マーケティング、エンジニアリング及び顧客ケアに利用できるようにすることである。大量の利用可能なデータプール内の問題を短期間で識別することは困難になり得る。

電気通信ネットワークにおけるビッグデータは、（しばしば１日に数十億件もの事象記録が生成される）大量のデータ、並びにこれらのデータの多様性（例えば、異なるインターフェイス、ネットワーク及びアプリケーション技術がモニタされること）を特徴とする。データ量が非常に多く、データの内容も複雑であるため、分析は困難でコストが掛かり、ネットワーク事業者がこれらのデータを用いて達成したいことと、ネットワーク事業者とその目的との間に存在するツール及び技術との間に苛立たしい実行ギャップが生じる。

収集データを分析するためのシステムを開発しようとするこれまでの試みでは、ソースデータを収集し、ソースデータを抽出し、抽出したデータを拡充し、拡充したデータをデータベースにロード（すなわち、抽出、変換及びロード（ＥＴＬ））した後に、この情報を何らかの報告ツールの形で最上層に提示するという複雑で面倒な処理が必要であった。専門家であれば、この一連のツールを用いて洞察を得ると思われる。これにより、しばしばデータウェアハウスが非常に限られた数の機能にしか使用されず、しばしば組織内の限られた数の、すなわち報告ツールを理解してこれらのツールにアクセスできる最上層の限られた専門家集団によって代表されるユーザにしか役に立たなくなる。多くの場合、データは未使用のまま放置され、これによってサービス、コスト及び顧客維持を改善する機会が失われてしまう。

本発明によるシステム及び方法の実施形態は、データストリーム内への洞察を与えて顧客に影響を与える問題を識別するとともに、サービス提供の脅威及び機会に応答するために使用することができる。このような実施形態は、サービス、コスト及び顧客維持を改善するための機会を活用することができる。

実施形態によれば、本発明によるシステム及び方法は、連続情報抽出処理を適用してデータソースへの投資を最大化することにより、加入者のＱｏＥ及びネットワークのロバスト性を改善することができる。このような実施形態は、自社のネットワークによってもたらされる大量のデータを分析する必要があるネットワーク事業者にとって有用となり得る。例えば、運用管理者は、ネットワーク性能及び加入者体験に影響を与える重要な洞察から恩恵を受けることができ、戦術職員は、専門家の関与を伴わずに問題及び潜在的原因を識別する能力から恩恵を受けることができ、財務管理者は、従来のデータ分析法よりも素早く結果を提供できるストリーミング分析法を活用するリアルタイム分析から恩恵を受けることができる。

ある実施形態によれば、システム及び方法が、インフラ内の装置及びツール、並びにこのような装置及びツールから取得されたデータを処理するための、本明細書ではまとめて影響加入者及び根本原因分析（「ＳＩＲＣＡ」）と呼ぶ手法を適用することができる。ＳＩＲＣＡを用いてデータを取得し、重要業績評価指標（ＫＰＩ）を生成し、データサイエンス及び機械学習調査パターンを適用して目の前の進行中の問題及び障害の識別及び解決を改善することができる。

システム及び方法は、ＳＩＲＣＡを適用して、加入者に影響を与える問題の勃発を識別することを目的としてこれらの問題の共通点を識別しようと試みるリアルタイム分類を行うことができる。ＳＩＲＣＡは、問題の影響を受ける異なる加入者のリアルタイムストリーミング集約に依拠し、異常値検出を通じた自己学習閾値によって駆動されるアラームを提供する。ＳＩＲＣＡは、データ収集インフラに加えて、ネットワーク事業者の組織内の個人がアクセスできるインターフェイスを提供することもできる。１つの実施形態では、このインターフェイスを、例えばユーザの加入を利用できるソーシャルネットワークスタイルのユーザインターフェイス（ＵＩ）、及び投稿、ニュースフィード、コメントなどを表示できるウォールとすることができる。ＳＩＲＣＡは、リアルタイム動向分析、再発検出及びインターフェイス間事例相関を含む根本原因分析を提供することができる。

図２は、システム及び方法の実施形態による、システムが取得したデータ内の問題をＳＩＲＣＡを用いて識別する方法のフローチャートである。この方法は、リアルタイムストリーミング集約のためのＫＰＩを識別するステップ（ステップ２００）を含む。識別されたＫＰＩは、ストリーミングデータ記録の分析中に適用される。この方法は、オリジナルの記録を記憶する必要なく、ビッグデータストリーミング分析エンジン（例えば、Ａｐａｃｈｅ Ｓｔｏｒｍ事象プロセッサ）を利用して、メモリ内限定の集約及び分析によってリアルタイムデータ処理において完全な水平拡張性（ｆｕｌｌ ｈｏｒｉｚｏｎｔａｌ ｓｃａｌａｂｉｌｉｔ）を提供することができる。オリジナルデータは記憶せず、むしろデータソースから読み取られている間にオンザフライで分析することができる。

図３は、ある実施形態による、リアルタイムストリーミング集約のためのＫＰＩを識別するフローチャートである。ＫＰＩは、全ての正常値（ｓｕｃｃｅｓｓｅｓ）をフィルタ除去して誤った記録のみを処理する入力フィルタステップによって識別（又は規定）される（ステップ３００）。次に、重複を除いた加入者数をカウントするフィールドを識別することによって集約式を生成する（ステップ３０２）。加入者数は、例えば線形補間又はＨｙｐｅｒＬｏｇＬｏｇのような近似的な重複排除手法を利用して重複を除いたものである。次に、データ量（カウント）を識別することによってボリューム集約式を生成する（ステップ３０４）。次に、分布及び動向分析のためにＫＰＩを下位分割するためのフィールドを識別することによって集約キーを生成する（ステップ３０６）。最後に、集約時間ウィンドウの期間（例えば、１分、１５秒）を指定することによって集約粒度を決定する（ステップ３０８）。

再び図２を参照して、重複を除いた加入者及びボリュームカウントを概算する（ステップ２０２）。また、識別されたＫＰＩ毎に集約した重複を除いた加入者も概算する（ステップ２０４）。

ある実施形態によれば、データ記録は、拡張可能な有向非巡回グラフ（ＤＡＧ）によってリアルタイムでメモリに集約される。必要時には、分散同期及びグループサービスソフトウェア（例えば、Ａｐａｃｈｅ ＺｏｏＫｅｅｐｅｒ）を利用することによってパイプラインフィードバックを行うこともできる。その後、各時間ウィンドウの終了時に集約出力（すなわち、ＫＰＩデータ）を分析する。

メモリには、常にベースライン平均が分かるように、データ記録内で見つかった各ドリルオブジェクトのリアルタイム動向記録が保持される。関連するエラーの増加が見られる場合には、この増加に寄与した各単一のドリルオブジェクト（ｄｒｉｌｌ ｏｂｊｅｃｔ）の偏差を分析することができる。リアルタイム動向分析は、指数移動平均（ＥＭＡ）を用いて行われる。標準的な指数加重移動平均（ＥＷＭＡ）異常値検出を利用することにより、自己学習閾値が、各ＫＰＩの主要エラーカウントを分析する（ステップ２０６）。

現在値が許容範囲内にある場合（すなわち、閾値違反が存在しない場合（ステップ２０８））には、基準ＫＰＩデータ（すなわち、この時間枠内で問題を体験している重複を除いた加入者数）を後で使用できるようにＫＰＩ記憶コンポーネントに転送する（ステップ２１０）。ＳＩＲＣＡは、ＵＩのために、さらには再発検出、自己相関及び長期動向分析などのデータサイエンス機能のために完全な時系列を使用する。ＵＩは、誤りのある時間範囲を含むだけでなく、時間範囲内のＫＰＩ値の完全な時系列を示すチャートを表示することもできる。

或いは、現在値が異常値として識別された（すなわち、閾値違反である（ステップ２０８））場合には、ステートフル事例報告（ｓｔａｔｅｆｕｌ ｃａｓｅ−ｒｅｐｏｒｔ）が開かれる。リアルタイム分析は、メモリに保持されている各ドリルオブジェクトのリアルタイム動向記録を利用して、最も寄与度の高いドリルオブジェクトの直近の状況を有するだけでなく、機能停止をもたらしたその個々の偏差の評価も行う（ステップ２１２）。ドリル影響スコアも計算される。影響スコアは、各ドリル次元が特定の問題において／対してどれほど影響したかについての（例えば、０〜５の範囲の）スカラー集約尺度（ｓｃａｌａｒ ｓｕｍｍａｒｙ ｍｅａｓｕｒｅ）である。影響スコアは、機能停止時におけるドリルエラー偏差／全体的エラー偏差の重み付けされた動向の比率によって計算される。

完全な事例報告の詳細は、（以下のように構成されている場合には）バックエンド及びストレージコンポーネントに転送して記憶し、メインＵＩに表示してアラームとして伝えることができる（ステップ２１４）。その後、集約分析コンポーネントは、ステートフル事例報告を最新に保つように後続のＫＰＩの値をチェックし続ける。異常値の検出によってエラーが報告される限り、事例報告を更新する（ステップ２１６）。異常値の検出がなくなると、事例報告を終了と見なし、終了に関する情報を記憶及びＵＩのために再びバックエンドに伝える（ステップ２１８）。

再発検出及び自動事例相関は、事例の閉鎖時に実行される分析タスクである。再発検出は、バックエンドＫＰＩ及び事例報告ストレージを利用して、この種の問題が過去２４時間内に何度生じたか、その問題が毎日生じているか、その問題が毎週生じているか、といった質問に関する情報をユーザに提供する。

自動事例相関は、主要事例と同じ時間間隔中に利用可能な全てのＳＩＲＣＡ事例を分析し、最も関連性の高いドリルにおける共通のオブジェクトを探すことによって特定の事例と相関する事例を発見するために適用することができる。相関する事例報告は、ＵＩに専用チャート又は表の形で表示して、そのシステム内で同時に発生した相関する問題の概要をユーザに示すことができる。

また、秒当たりの不具合（ＦＰＳ）を報告して、事例報告分析専用のＵＩに動向を示すこともことができる。加入者当たりの平均試行未遂回数を以前の値と比較して、アクティブな加入者によって実行された再試行エラーの回数の増加又は減少が存在するかどうかを評価する。

本発明によるシステム及び方法の実施形態は、一定量のユーザに影響を与えている問題である負の事象群（ｅｖｅｎｔ ｃｌｏｕｄ）を探した後に、ソースデータにおける共通の「同時発生」特徴（‘ｃｏ−ｏｃｃｕｒｒｅｎｃｅ’ ｆｅａｔｕｒｅｓ）を探そうと試みる。問題が生じているユーザの集団が検出されると、実施形態は、この事象における共通因子を自動的に識別しようと試みる。通常、このような分析は、ほどよく強力なビジネスインテリジェンスツールにおいて、約１５分のスライシング及びダイシングに基づいて個人を取り込むことができる。この種の分析は、全てのデータソースに対して連続的に実行することができる。

ある実施形態によれば、ＵＩは、各ユーザがソフトウェアへのログインに使用するプライベートアカウントを有するソーシャルネットワーク様のモバイル対応ウェブインターフェイスである。ユーザは、例えば特定のプロトコルに基づいて動作する各ＳＩＲＣＡインスタンス、又はあるチャンネルに属する加入者グループ（例えば、ＶＩＰグループ）から投稿及び通知を受け取ることに興味があるチャンネルをカスタマイズすることができる。

ある実施形態によれば、メインウィンドウは、事例報告に関する統計についてのニュースティッカー、毎月／毎週の長期にわたる事例報告概要、及び投稿リストのうちの１つ又は２つ以上を表示することができる。ユーザは、ウェブＵＩのメインウィンドウ内の投稿のような事例報告を受け取ることができる。各投稿は、いつ何が起きたか、何人の加入者が影響を受けているか／受けたか、及び違反期間を強調表示する時系列を視覚的に示すミニチャートを事例報告の概要テキストとして表示することができる。

各投稿は、ユーザが同じ事例報告に関するさらなる通知を受け取らないように却下することもできる。各投稿に星を与えて、誰が投稿に「星を与えたか」を他のユーザが確認できるようにすることもできる。各投稿にコメントを行い、全てのユーザが投稿にアクセスして他のユーザコメントを読めるようにすることもできる。さらに、投稿及びブロードキャスト機能を利用して、コメントを追加するだけでなく、たとえそのチャンネルに加入していなくても全てのユーザに投稿をブロードキャストすることもできる。

図４及び図５に、実施形態によるシステム及び方法によって生成される出力例を示す。このような出力は、ユーザがどのような問題が伝えられているかを素早く理解して、例えば投稿を気に入ってさらなる行動を起こしたいと望むかどうか、或いはそれを抑制したい（すなわち、スレッドのフォローを解除したい）と望むかどうかを可能にする、投稿上に表示されて人間が完全に解読できるものである。

図４には、ユーザのウォールに投稿された２つの結果を示す。最初の結果には、急増した１１４８人の個々の加入者がローミングエラーの影響を受けているＭＡＰ（ローミング）相互接続記録の問題が示されている。図５には、システム及び方法によって識別された共通の同時発生特徴、及びシステムが予想する根本原因を示す。考えられる原因毎の動向とその一覧とが表示される。ユーザは、投稿を観察することによって、問題の原因に何が関連している可能性が高いかを素早く知ることができる。

ある実施形態によれば、ＵＩのメインウィンドウ内でＳＩＲＣＡ事例の概要を見ることができる。図６は、メインＵＩに表示される見つかった各事例の事例報告概要ビューの例である。ある実施形態では、専用「分析」ボタンを利用して、その事例に関する全ての詳細及び情報を見直して分析できる専用分析ページを開くことができる。図７は、単一の事例報告の完全な分析を提供する専用ページ／ビューをＵＩが示す事例報告分析の一例である。これらの詳細及び情報は、事例報告の内容及び情報と、ある期間にわたって影響を受けた加入者数の時系列を示す完全なチャートと、最も関連性の高いドリル分析結果を示す風船図又は円グラフ及び表と、再発分析結果及び相関する事例チャート及び表とを含むことができる。

さらに、電子メールアドレスにウェブリンクを送信することによって事例報告を共有することもできる。ユーザは、影響を受けた加入者の時系列を、カンマ区切り（ＣＳＶ）ファイル形式などの分析用データ転送フォーマットにエクスポートすることもできる。また、外部データ発見ツール（例えば、Ｔａｂｌｅａｕ）を開いて、引き続き問題のスライス＆ダイス調査（ｓｌｉｃｅ−ａｎｄ−ｄｉｃｅ ｉｎｖｅｓｔｉｇａｔｉｏｎ）を行うこともできる。

いくつかの実施形態では、本発明が、本発明のいずれかの処理を実行するようにコンピュータをプログラムするために使用できる命令を記憶した記憶媒体又はコンピュータ可読媒体であるコンピュータプログラム製品を含む。記憶媒体は、以下に限定するわけではないが、フロッピーディスク、光学ディスク、ＤＶＤ、ＣＤ−ＲＯＭ、マイクロドライブ、及び光磁気ディスク、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＤＲＡＭ、ＶＲＡＭ、フラッシュメモリデバイス、磁気又は光学カード、（分子メモリＩＣを含む）ナノシステム、或いは命令及び／又はデータを記憶するのに適したあらゆるタイプの媒体又は装置を含むあらゆるタイプのディスクを含むことができる。

上記の好ましい実施形態の説明は、当業者が本発明の実施形態を実施又は使用できるように行ったものである。好ましい実施形態を参照しながら本発明を具体的に図示し説明したが、当業者であれば、本発明の趣旨及び範囲から逸脱することなく、形態及び詳細を様々に変更することができると理解するであろう。

２００ リアルタイムストリーミング集約のためのＫＰＩを識別
２０２ 近似的な重複を除いた加入者及びボリュームカウントを計算
２０４ 識別されたＫＰＩ毎に集約した近似的な重複を除いた加入者を計算
２０６ 指数加重移動平均異常値検出（ＥＷＭＡ）を用いて、自己学習閾値を適用して、影響を受けた加入者数の関連する増加を検出
２０８ 閾値違反？
２１０ ＫＰＩをオフライン分析のために転送して記憶
２１２ 関連するドリルにわたる問題の分布を計算し、各識別された関連するドリルに対する動向分析を計算
２１４ 進行中の問題の全ての記述詳細＋影響を受けた加入者の一定期間にわたる時系列と、各識別された関連するドリル次元の寄与及び動向分析とを視覚的に示すチャートを用いてステートフルアラームを生成又は更新
２１６ ＥＭＷＡ自己学習閾値を利用してアラームがオフになった時を検出し続ける
２１８ ステートフルアラームをオフにして、ユーザレポートに含まれる最終分析を実行

Claims (16)

1. 電気通信（テレコム）ネットワーク内の問題を識別するためのシステムであって、
   前記テレコムネットワーク内に設置された、性能に関するデータを生成する複数のプローブと、
   前記テレコムネットワークに関する顧客入力を表すデータを１又は２以上のソーシャルネットワークから取り込むように適合されたデータマイニングツールと、
   拡張可能な有向非巡回グラフ（ＤＡＧ）を介してリアルタイムでデータを集約するメモリと、
   命令を含む非一時的コンピュータ可読記憶媒体を含む分析ツールと、
   を備え、前記命令は、実行時に前記分析ツールに、
   リアルタイムストリーミング集約のための１又は２以上の重要業績評価指標（ＫＰＩ）を識別するステップと、
   前記識別された１又は２以上のＫＰＩに関するストリーミングデータをリアルタイムで集約するステップと、
   前記集約されたデータを用いて、重複を除いた加入者及びボリュームカウントの近似値を計算するステップと、
   前記集約されたデータを用いて、識別されたＫＰＩ毎に集約した重複を除いた加入者の近似値を計算するステップと、
   前記計算に基づいて、前記集約されたデータ内で見つかった１又は２以上のドリルオブジェクトを識別するステップと、
   指数移動平均を用いて、前記識別された１又は２以上のドリルオブジェクトの各々のリアルタイム動向記録を生成して記憶するステップと、
   前記リアルタイム動向記録に基づいてベースライン平均値を生成するステップと、
   前記ベースライン平均値と、集約されたリアルタイムストリーミングデータとに基づいて、エラーの増加を検出するステップと、
   前記検出されたエラーの増加に寄与している各ドリルオブジェクトの偏差を分析するステップと、
   前記偏差の詳細に基づいて、ユーザインターフェイス内に表示する完全な事例報告を生成するステップと、
   前記偏差に関連する１又は２以上のアラームを伝えるステップと、
   前記エラーの増加がもはや検出されなくなるまで、後続の前記１又は２以上のＫＰＩの値をチェックすることによって前記完全な事例報告を更新するステップと、
   前記完全な事例報告を生成して更新した前記１又は２以上のＫＰＩに関連するデータに対して再発検出及び自動事例相関を実行するステップと、
   を実行させることを特徴とするシステム。
2. 前記エラーの増加は、指数加重移動平均異常値検出によって設定された自己学習閾値を介して検出され、
   前記自己学習閾値は、前記１又は２以上のＫＰＩの各々の主要エラーカウントに照らして分析され、
   現在値が前記自己学習閾値を上回る場合、ステートフル事例報告が開かれるとともに、機能停止時におけるドリルエラー偏差及び／又は全体的エラー偏差の重み付けされた動向の比率に基づいて各ドリルオブジェクトの影響スコアが計算される、請求項１に記載のシステム。
3. 前記リアルタイムストリーミング集約の１又は２以上の重要業績評価指標（ＫＰＩ）を識別するステップは、
   正常な記録をフィルタ除去して誤りのある記録のみが処理されるようにするステップと、
   重複を除いた加入者数をカウントするフィールドを識別するステップと、
   データ量を識別するステップと、
   前記１又は２以上のＫＰＩを分布及び動向分析のために下位分割するフィールドを識別するステップと、
   集約時間ウィンドウの期間を指定して集約粒度を決定するステップとを含む、請求項１に記載のシステム。
4. ユーザがアクセスできるユーザインターフェイスと、
   前記完全な事例報告を投稿して、ユーザが前記ユーザインターフェイスを介して前記完全な事例報告にアクセスできるようにするステップと、
   をさらに含む、請求項１に記載のシステム。
5. 前記完全な事例報告は、前記完全な事例報告に関連する事例報告タイプに加入したユーザがアクセスできるウォールに投稿される、請求項４に記載のシステム。
6. 前記事例報告タイプへの非加入者であるユーザのウォールと、前記事例報告タイプへの加入者であるユーザのウォールとに前記完全な事例報告が投稿されるように前記完全な事例報告をプッシュ配信するツールをさらに備える、請求項５に記載のシステム。
7. 電気通信（テレコム）ネットワーク内の問題を識別する方法であって、
   前記テレコムネットワーク内に設置された、性能に関するデータを生成する複数のプローブを使用するステップと、
   前記テレコムネットワークに関する顧客入力を表すデータを１又は２以上のソーシャルネットワークから取り込むように適合されたデータマイニングツールを使用するステップと、
   リアルタイムストリーミング集約のための１又は２以上の重要業績評価指標（ＫＰＩ）を識別するステップと、
   前記識別された１又は２以上のＫＰＩに関するストリーミングデータをリアルタイムで集約するステップと、
   前記集約されたデータを用いて、重複を除いた加入者及びボリュームカウントの近似値を計算するステップと、
   前記集約されたデータを用いて、識別されたＫＰＩ毎に集約した重複を除いた加入者の近似値を計算するステップと、
   前記計算に基づいて、前記集約されたデータ内で見つかった１又は２以上のドリルオブジェクトを識別するステップと、
   指数移動平均を用いて、前記識別された１又は２以上のドリルオブジェクトの各々のリアルタイム動向記録を生成して記憶するステップと、
   前記リアルタイム動向記録に基づいてベースライン平均値を生成するステップと、
   前記ベースライン平均値と、集約されたリアルタイムストリーミングデータとに基づいて、エラーの増加を検出するステップと、
   前記検出されたエラーの増加に寄与している各ドリルオブジェクトの偏差を分析するステップと、
   前記偏差の詳細に基づいて、ユーザインターフェイス内に表示する完全な事例報告を生成するステップと、
   前記偏差に関連する１又は２以上のアラームを伝えるステップと、
   前記エラーの増加がもはや検出されなくなるまで、後続の前記１又は２以上のＫＰＩの値をチェックすることによって前記完全な事例報告を更新するステップと、
   前記完全な事例報告を生成して更新した前記１又は２以上のＫＰＩに関連するデータに対して再発検出及び自動事例相関を実行するステップと、を含むことを特徴とする方法。
8. 前記エラーの増加は、指数加重移動平均異常値検出によって設定された自己学習閾値を介して検出され、
   前記自己学習閾値は、前記１又は２以上のＫＰＩの各々の主要エラーカウントに照らして分析され、
   現在値が前記自己学習閾値を上回る場合、ステートフル事例報告が開かれるとともに、機能停止時におけるドリルエラー偏差及び／又は全体的エラー偏差の重み付けされた動向の比率に基づいて各ドリルオブジェクトの影響スコアが計算される、請求項７に記載の方法。
9. 前記リアルタイムストリーミング集約の１又は２以上の重要業績評価指標（ＫＰＩ）を識別するステップは、
   正常な記録をフィルタ除去して誤りのある記録のみが処理されるようにするステップと、
   重複を除いた加入者数をカウントするフィールドを識別するステップと、
   データ量を識別するステップと、
   前記１又は２以上のＫＰＩを分布及び動向分析のために下位分割するフィールドを識別するステップと、
   集約時間ウィンドウの期間を指定して集約粒度を決定するステップとを含む、請求項７に記載の方法。
10. 前記完全な事例報告を投稿して、ユーザがユーザインターフェイスを介して前記完全な事例報告にアクセスできるようにするステップをさらに含む、請求項７に記載の方法。
11. 前記完全な事例報告は、前記完全な事例報告に関連する事例報告タイプに加入したユーザがアクセスできるウォールに投稿される、請求項１０に記載の方法。
12. 電気通信（テレコム）ネットワーク内の問題を識別する命令を記憶した非一時的コンピュータ可読記憶媒体であって、前記命令は、コンピュータによる実行時に該コンピュータに、
    前記テレコムネットワーク内に設置された、性能に関するデータを生成する複数のプローブを使用するステップと、
    前記テレコムネットワークに関する顧客入力を表すデータを１又は２以上のソーシャルネットワークから取り込むように適合されたデータマイニングツールを使用するステップと、
    リアルタイムストリーミング集約のための１又は２以上の重要業績評価指標（ＫＰＩ）を識別するステップと、
    前記識別された１又は２以上のＫＰＩに関するストリーミングデータをリアルタイムで集約するステップと、
    前記集約されたデータを用いて、重複を除いた加入者及びボリュームカウントの近似値を計算するステップと、
    前記集約されたデータを用いて、識別されたＫＰＩ毎に集約した重複を除いた加入者の近似値を計算するステップと、
    前記計算に基づいて、前記集約されたデータ内で見つかった１又は２以上のドリルオブジェクトを識別するステップと、
    指数移動平均を用いて、前記識別された１又は２以上のドリルオブジェクトの各々のリアルタイム動向記録を生成して記憶するステップと、
    前記リアルタイム動向記録に基づいてベースライン平均値を生成するステップと、
    前記ベースライン平均値と、集約されたリアルタイムストリーミングデータとに基づいて、エラーの増加を検出するステップと、
    前記検出されたエラーの増加に寄与している各ドリルオブジェクトの偏差を分析するステップと、
    前記偏差の詳細に基づいて、ユーザインターフェイス内に表示する完全な事例報告を生成するステップと、
    前記偏差に関連する１又は２以上のアラームを伝えるステップと、
    前記エラーの増加がもはや検出されなくなるまで、後続の前記１又は２以上のＫＰＩの値をチェックすることによって前記完全な事例報告を更新するステップと、
    前記完全な事例報告を生成して更新した前記１又は２以上のＫＰＩに関連するデータに対して再発検出及び自動事例相関を実行するステップと、
    を実行させることを特徴とする非一時的コンピュータ可読記憶媒体。
13. コンピュータによる実行時に、該コンピュータに、
    前記エラーの増加は、指数加重移動平均異常値検出によって設定された自己学習閾値を介して検出され、
    前記自己学習閾値は、前記１又は２以上のＫＰＩの各々の主要エラーカウントに照らして分析され、
    現在値が前記自己学習閾値を上回る場合、ステートフル事例報告が開かれるとともに、機能停止時におけるドリルエラー偏差及び／又は全体的エラー偏差の重み付けされた動向の比率に基づいて各ドリルオブジェクトの影響スコアが計算される、
    ステップをさらに実行させる命令を記憶した、請求項１２に記載の非一時的コンピュータ可読記憶媒体。
14. コンピュータによる実行時に、該コンピュータに、
    正常な記録をフィルタ除去して誤りのある記録のみが処理されるようにするステップと、
    重複を除いた加入者数をカウントするフィールドを識別するステップと、
    データ量を識別するステップと、
    前記１又は２以上のＫＰＩを分布及び動向分析のために下位分割するフィールドを識別するステップと、
    集約時間ウィンドウの期間を指定して集約粒度を決定するステップと、
    をさらに実行させる命令をさらに記憶する、請求項１２に記載の非一時的コンピュータ可読記憶媒体。
15. コンピュータによる実行時に、該コンピュータに、前記完全な事例報告を投稿して、ユーザがユーザインターフェイスを介して前記完全な事例報告にアクセスできるようにするステップをさらに実行させる命令をさらに記憶する、請求項１２に記載の非一時的コンピュータ可読記憶媒体。
16. 前記完全な事例報告は、前記完全な事例報告に関連する事例報告タイプに加入したユーザがアクセスできるウォールに投稿される、請求項１５に記載の非一時的コンピュータ可読記憶媒体。

Images