JP7139946B2 - システム分析装置、システム分析方法及びプログラム - Google Patents

システム分析装置、システム分析方法及びプログラム Download PDF

Info

Publication number
JP7139946B2
JP7139946B2 JP2018522463A JP2018522463A JP7139946B2 JP 7139946 B2 JP7139946 B2 JP 7139946B2 JP 2018522463 A JP2018522463 A JP 2018522463A JP 2018522463 A JP2018522463 A JP 2018522463A JP 7139946 B2 JP7139946 B2 JP 7139946B2
Authority
JP
Japan
Prior art keywords
time
rule
series data
contribution
frequent
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
Application number
JP2018522463A
Other languages
English (en)
Other versions
JPWO2017213063A1 (ja
Inventor
毅彦 溝口
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.)
NEC Corp
Original Assignee
NEC 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 NEC Corp filed Critical NEC Corp
Publication of JPWO2017213063A1 publication Critical patent/JPWO2017213063A1/ja
Application granted granted Critical
Publication of JP7139946B2 publication Critical patent/JP7139946B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • 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
    • G06F11/3409—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 for performance assessment
    • G06F11/3419—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 for performance assessment by assessing time
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06N5/025—Extracting rules from data
    • 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
    • G06F11/3409—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 for performance assessment
    • 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
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/80—Database-specific techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/805—Real-time
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、システム分析装置、システム分析方法およびプログラム記録媒体に関する。本発明は、特に、システムの状態を決定する時系列データの変化の規則を発見するシステム分析装置、システム分析方法およびプログラム記録媒体に関する。
データベースを構成するデータの中で頻繁に現れるデータのパターンを発見する手法に、頻出パターンマイニングと呼ばれる手法がある。頻出パターンマイニングは、広く研究されている手法である。頻出パターンマイニングは、処理対象のデータベースを構成するデータの種類に応じて、頻出アイテム集合マイニング、または系列パターンマイニングと呼ばれる。
データベースを構成するデータがアイテム集合であるとき、頻出パターンマイニングは、頻出するアイテム集合のパターンを発見する。すなわち、頻出パターンマイニングは、頻出アイテム集合マイニングと呼ばれる。なお、アイテム集合は、１つ以上の要素を含む集合である。
非特許文献１には、相関ルールと呼ばれる制約を満たすように幅優先探索で大規模なデータベースから頻出するアイテム集合のパターンを発見する頻出アイテム集合マイニングを行うアルゴリズムである「Apriori」が記載されている。
また、非特許文献２には、相関ルールと呼ばれる制約を満たすように深さ優先探索で大規模なデータベースから頻出するアイテム集合のパターンを発見する、並列化された頻出アイテム集合マイニングを行うアルゴリズムである「PFP-Growth」が記載されている。
また、データベースを構成するデータが系列データであるとき、頻出パターンマイニングは、頻出する系列データのパターンを発見する。すなわち、頻出パターンマイニングは、系列パターンマイニングと呼ばれる。
また、特許文献１には、発見された変動規則を基に予測モデルを生成し、生成された予測モデルを用いて未知の系列データに基づいて得られる結果を予測する手法が記載されている。
システムを構成する要素に設置されたセンサで観測される値は、システムの稼働中、常に変動している。すなわち、センサにより取得された観測値を分析する際、観測値の時間経過に伴う変化で表される要素の時間依存性を考慮することが求められる。
また、システムを構成する要素は、同一のシステムを構成する他の要素に影響を及ぼす。よって、センサにより取得された観測値を分析する際、観測値の時間依存性だけでなく、要素間の依存関係（以下、要素の空間依存性とも呼ぶ。）も同時に考慮することが求められる。
頻出アイテム集合マイニングは、大規模なデータベースから頻出するアイテム集合のパターンを発見する。例えば、頻出アイテム集合マイニングは、頻出するアイテム集合の組のパターンを発見できる。
すなわち、アイテム集合を要素とみなした場合、頻出アイテム集合マイニングは、要素間の依存関係を発見できる。しかし、頻出アイテム集合マイニングは、要素の時間依存性を発見できない。
また、系列パターンマイニングは、大規模なデータベースから頻出する系列データのパターンを発見する。例えば、データベースから頻出する時系列データのパターンを発見することによって、系列パターンマイニングは、要素の時間依存性を発見できる。しかし、系列パターンマイニングは、要素間の依存関係を発見できない。
以上のように、頻出アイテム集合マイニング、または系列パターンマイニングがそれぞれ単体で使用された場合、複数の時系列データから、要素の空間依存性と要素の時間依存性の両方が考慮された頻出する変動パターンは発見されない。
特許文献４には、ある時系列データに類似する時系列データを検索する検索装置に関して、時間方向の柔軟性を維持しながら、高周波成分で重視される固有周波数や包絡線成分に重点を置いた検索を可能とする時系列データ検索装置が記載されている。
特開２０１５－０４９７９０号公報 特許第５４４１５５４号公報 欧州特許出願公開第２９１６２６０号明細書 特開２０１１－０３４３８９号公報
Rakesh Agrawal and Ramakrishnan Srikant, "Fast Algorithms for Mining Association Rules in Large Databases," Proceedings of the 20th International Conference on Very Large Data Bases, ISBN:1-55860-153-8, pp. 487-499, 1994. Haoyuan Li et al., "Pfp: parallel fp-growth for query recommendation," Proceedings of the 2008 ACM conference on Recommender systems, ISBN:978-1-60558-093-7, pp. 107-114, 2008.
特許文献２には、時系列データからの時系列シーケンスの類似検索に関して、時間方向の柔軟性を維持しながら、高周波成分で重視される固有周波数や包絡線成分に重点を置いた検索を実現する時系列データ類似判定装置が記載されている。
また、特許文献３には、時系列データから頻繁に抽出される特徴の組み合わせを頻出パターンとして出力する時系列解析方法が記載されている。
よって、特許文献３に記載されている技術が適用された特許文献２に記載されている時系列データ類似判定装置は、類似する時系列シーケンスから頻繁に抽出される特徴の組み合わせを頻出パターンとして出力できる。
すなわち、類似の度合いが所定値以上の複数の時系列データから要素の空間依存性と要素の時間依存性の両方が考慮された頻出する変動パターンを発見できる。このため、特許文献３に記載されている技術が適用された特許文献２に記載されている時系列データ類似判定装置は、上記の課題を解決できる。
しかし、特許文献２に記載されている時系列データ類似判定装置、および特許文献３に記載されている時系列解析方法では、発見された変動パターンがシステムに与える影響の度合いを算出することは想定されていない。特許文献４に記載されている時系列データ検索装置についても同様である。
そこで、本発明は、時間依存性と空間依存性が考慮された時系列データの変動パターンがシステムの状態の変化に寄与する度合いを算出できるシステム分析装置、システム分析方法およびプログラム記録媒体を提供することを目的とする。
本発明の一態様によるシステム分析装置は、稼働中のシステムの指標が観測された値である観測値の複数の時系列データに含まれる所定の条件を満たす観測値の組み合わせを、規則として検出する検出手段と、検出された規則のシステムの状態の変化に寄与する度合いである寄与度を算出する算出手段とを備える。
本発明の一態様によるシステム分析方法は、稼働中のシステムの指標が観測された値である観測値の複数の時系列データに含まれる所定の条件を満たす観測値の組み合わせを規則として検出し、検出された規則の、システムの状態の変化に寄与する度合いである寄与度を算出することを特徴とする。
本発明の一態様によるプログラム記録媒体は、コンピュータに、稼働中のシステムの指標が観測された値である観測値の複数の時系列データに含まれる所定の条件を満たす観測値の組み合わせを規則として検出する検出処理、および検出された規則の、システムの状態の変化に寄与する度合いである寄与度を算出する算出処理を実行させるプログラムを記録する。
本発明によれば、時間依存性と空間依存性が考慮された時系列データの変動パターンが、システムの状態の変化に寄与する度合いを算出できる。
本発明によるシステム分析装置１０の第１の実施形態の構成例を示すブロック図である。 第１の実施形態のシステム分析装置１０による算出処理の動作を示すフローチャートである。 本発明によるシステム分析装置１００の第２の実施形態の構成例を示すブロック図である。 第２の実施形態のシステム分析装置１００による頻出規則検出処理の動作を示すフローチャートである。 本発明によるシステム分析装置１００の具体例の構成例を示すブロック図である。 時系列離散化部１１２により離散化された時系列データの例を示す説明図である。 特徴抽出部１１３により複数の離散化された時系列データから抽出された特徴データの例を示す説明図である。 頻出規則検出部１１４による頻出規則の検出処理の例を示す説明図である。 寄与規則表示装置１３０による寄与度の表示例を示す説明図である。 寄与規則表示装置１３０による寄与規則の表示例を示す説明図である。 各実施形態に示した装置を実現するハードウェア構成の一例を示す図である。
以下、本発明の実施形態について図面を参照して詳細に説明する。なお、図面における矢印の方向は、一例を示すものであり、ブロック間の信号の向きを限定するものではない。
実施形態１．
以下、本発明の実施形態を、図面を参照して説明する。図１は、本発明によるシステム分析装置の第１の実施形態の構成例を示すブロック図である。本発明によるシステム分析装置１０は、稼働中のシステムの指標が観測された値である観測値の複数の時系列データに含まれる所定の条件を満たす観測値の組み合わせを規則として検出する検出部１１（例えば、頻出規則検出部１１４）と、検出された規則のシステムの状態の変化に寄与する度合いである寄与度を算出する算出部１２（例えば、寄与度算出部１１５）とを備える。
以下、システム分析装置１０による算出処理を説明する。図２は、第１の実施形態のシステム分析装置１０による算出処理の動作を示すフローチャートである。
検出部１１に、稼働中のシステムの指標が観測された値である観測値の複数の時系列データが入力される。検出部１１は、入力された複数の時系列データに含まれる所定の条件を満たす観測値の組み合わせを規則として検出する（ステップS11）。次いで、検出部１１は、検出された規則を算出部１２に入力する。
次いで、算出部１２は、検出された規則のシステムの状態の変化に寄与する度合いである寄与度を算出する（ステップS12）。算出した後、システム分析装置１０は、算出処理を終了する。
そのような構成により、システム分析装置は、時間依存性と空間依存性が考慮された時系列データの変動パターンがシステムの状態の変化に寄与する度合いを算出できる。
また、システム分析装置１０は、複数の時系列データの一部の時間範囲に含まれる観測値と観測値が観測された時刻とを含む情報である特徴情報を時間範囲を変えながら抽出する抽出部（例えば、特徴抽出部１１３）を備え、検出部１１は、各時間範囲で抽出された特徴情報の各集合のうちの所定の割合以上の集合に出現するという所定の条件を満たす特徴情報の組み合わせを規則として検出してもよい。
そのような構成により、システム分析装置は、複数の時系列データの一部を覆う窓を用いて規則を検出できる。
また、抽出部が抽出する特徴情報には、時系列データの名称が含まれていてもよい。
また、システム分析装置１０は、観測値の時系列データを離散化する離散化部（例えば、時系列離散化部１１２）を備え、抽出部は、離散化された時系列データから特徴情報を抽出してもよい。
そのような構成により、システム分析装置は、複数の時系列データに含まれる規則をより容易に検出できる。
また、離散化部は、時系列データを離散化する方法としてSymbolic Aggregate Approximation(SAX)を用いてもよい。
また、システム分析装置１０は、検出された規則と規則の寄与度を併せて表示する表示部（例えば、寄与規則出力部１１６または寄与規則表示装置１３０）を備えてもよい。
そのような構成により、システム分析装置は、複数の時系列データに含まれる規則および規則の寄与度を使用者に提示できる。
また、表示部は、検出された規則が時系列データに出現する箇所を表示してもよい。
そのような構成により、システム分析装置は、複数の時系列データに含まれる規則の具体的な内容を使用者に提示できる。
また、システム分析装置１０は、観測値を取得する取得部（例えば、観測データ収集部１１１）を備え、取得部は、取得された観測値で構成される時系列データを生成し、検出部１１は、生成された複数の時系列データに含まれる所定の条件を満たす観測値の組み合わせを規則として検出してもよい。
そのような構成により、システム分析装置は、取得された観測値を用いて規則を検出できる。
また、検出部１１は、規則を検出する方法としてAprioriやPFP-Growth等の公知の頻出パターンマイニング手法を用いてもよい。
実施形態２．
［構成の説明］
次に、本発明の第２の実施形態を、図面を参照して説明する。図３は、本発明によるシステム分析装置１００の第２の実施形態の構成例を示すブロック図である。
本実施形態のシステム分析装置１００は、発電所等の物理システムの状態を決定する稼働規則を特定できる。システム分析装置１００は、時間依存性と空間依存性の両方を考慮した上で、複数の時系列データに基づいたシステムの状態を決定する変動パターンを発見できる。
以下、システム分析装置１００が物理システムの稼働状態を決定する観測値の変動パターンを検出する例を説明する。すなわち、本実施形態の被分析システムは、物理システムである。
なお、システムの運用情報と運用情報に対応するシステムの状態が得られるシステムであれば、被分析システムは、物理システム以外の他のシステムでもよい。例えば、被分析システムは、IT(Information Technology)システム、プラントシステム、構造物、輸送機器でもよい。
被分析システムがITシステムである場合、システムの運用情報として、例えばCPU(Central Processing Unit)使用率やディスクへのアクセス頻度等の、コンピュータリソースやネットワークリソースの使用率または使用量が用いられる。また、システムの状態は、消費電力量や演算回数等に基づいて決定される。
また、本実施形態における「時系列データ」は、センサによって観測された数値が所定の時間間隔で時刻順に並べられたデータを意味する。センサが観測する指標には、装置の調整値、温度、圧力、ガス流量、電圧等のシステムの運転状態を示す様々な指標が含まれる。
また、本実施形態におけるシステムの「状態」は、例えば、運転状態が表す条件の下でシステムが稼働したことによって得られた製造物等に関する評価指標や性能指標等の様々な指標で決定される。
本実施形態では、分析対象のシステムの状態に「第１状態」と「第２状態」の２種類の状態が存在する場合を想定する。なお、分析対象のシステムの状態には３種類以上の状態が存在してもよい。３種類以上の状態が存在する場合、システム分析装置１００は、全状態の中から選択される２つの状態のペアに対する分析処理を、組み合わせられる全ての状態のペアに対して実行すればよい。
図３に示すように、本実施形態のシステム分析装置１００は、被分析装置２００と通信可能に接続されている。被分析装置２００は、システム分析装置１００の分析対象の物理システムを構成する装置である。
具体的には、被分析装置２００は、物理システムにおいて実行される製造工程で使用される装置である。なお、システム分析装置１００は、２つ以上の被分析装置と通信可能に接続されていてもよい。
被分析装置２００は、自装置の観測対象の指標を所定の時間間隔で観測する。被分析装置２００は、観測された値である観測値をシステム分析装置１００に送信する。観測対象の指標には、装置の調整値、温度、圧力、ガス流量、電圧等のシステムの運転状態を示す指標が１つ以上含まれる。
被分析装置２００から送信される観測値は、例えば、整数や小数等の数値で表される。
また、観測値は、「ON」と「OFF」、または「True」と「False」等の論理値（ブール値）で表されてもよい。
図３に示すように、システム分析装置１００は、観測データ収集部１１１と、時系列離散化部１１２と、特徴抽出部１１３と、頻出規則検出部１１４と、寄与度算出部１１５と、寄与規則出力部１１６と、時系列記憶部１２１と、離散時系列記憶部１２２と、特徴記憶部１２３と、頻出規則記憶部１２４と、寄与度記憶部１２５とを備える。
観測データ収集部１１１は、被分析装置２００から送信された観測値を受信する機能を有する。観測データ収集部１１１は、受信された観測値を時系列記憶部１２１に入力する。
時系列記憶部１２１は、観測データ収集部１１１から入力された観測値を記憶する機能を有する。時系列記憶部１２１は、入力された同種の観測値で構成される時系列データを生成することによって、観測値を時系列データの形式で記憶する。
時系列離散化部１１２は、時系列データを離散化する機能を有する。時系列離散化部１１２は、時系列記憶部１２１に記憶されている時系列データを読み出し、読み出された時系列データを離散化することによって、所定の種類以下の離散値の時系列データを生成する。
すなわち、時系列離散化部１１２は、時系列データの連続値を、種類が有限である離散値に離散化する。具体的には、時系列離散化部１１２は、例えば時系列データを幅が等しい複数の区間に分割し、平均等の区間内の代表値を参照して各区間に文字を割り当てる。
時系列データの連続値を種類が有限である離散値に離散化する場合、時系列離散化部１１２は、時系列データを種類が有限であるアイテム集合に変換できる。
時系列離散化部１１２は、時系列データを離散化する手法としてどのような手法を用いてもよい。例えば、時系列離散化部１１２は、離散化する手法として時系列データを文字列化する手法であるSAXを用いてもよい。
時系列離散化部１１２は、生成された離散値の時系列データを離散時系列記憶部１２２に入力する。離散時系列記憶部１２２は、時系列離散化部１１２から入力された離散化された時系列データを記憶する機能を有する。
特徴抽出部１１３は、離散化された時系列データから特徴を抽出する機能を有する。特徴抽出部１１３は、離散時系列記憶部１２２から離散化された時系列データを読み出す。
特徴抽出部１１３は、読み出された時系列データから、例えば少なくとも値を示す情報と、値が観測された時刻を示す情報とを含む情報を、特徴として抽出する。特徴抽出部１１３は、抽出された特徴を示すデータである特徴データを特徴記憶部１２３に入力する。
特徴抽出部１１３が離散化された時系列データから抽出する特徴には、離散化された時系列データの値を示す情報と、値が観測された時刻を示す情報が含まれていれば、他にどのような情報が含まれていてもよい。
例えば、特徴抽出部１１３は、離散化された時系列データの名称である「TS」、離散化された時系列データの値である「x」、および値xが観測された時刻である「t」の３つの情報を含む組(TS, t, x)を、特徴データとして抽出してもよい。
特徴記憶部１２３は、特徴抽出部１１３から入力された抽出された特徴データを記憶する機能を有する。
頻出規則検出部１１４は、頻出する特徴データのパターンを頻出規則として検出する機能を有する。頻出規則検出部１１４は、例えば特徴記憶部１２３に記憶されている全ての特徴データを読み出し、読み出された特徴データにおいて頻出する特徴データのパターンを頻出規則として検出する。頻出規則検出部１１４は、検出された頻出規則を頻出規則記憶部１２４に入力する。
頻出規則検出部１１４は、例えば、頻出規則を検出するために頻出パターンマイニング手法を用いる。頻出規則検出部１１４が用いる頻出パターンマイニング手法は、データベースに頻出するアイテム集合のパターンを発見可能な手法であれば、どのような手法でもよい。例えば、頻出規則検出部１１４は、頻出パターンマイニング手法としてAprioriやPFP-Growthを用いてもよい。
頻出アイテム集合マイニングは同時に出現する要素を発見する手法であるため、頻出アイテム集合マイニングを用いる頻出規則検出部１１４は、自ずと要素間の依存関係を考慮できる。すなわち本実施形態において、頻出規則検出部１１４が複数の種類の特徴データに基づいて頻出規則を検出することが、要素間の依存関係を考慮することに相当する。
頻出規則記憶部１２４は、頻出規則検出部１１４から入力された検出された頻出規則を記憶する機能を有する。
寄与度算出部１１５は、頻出規則がシステムの状態の変化に寄与する度合いである寄与度を算出する機能を有する。寄与度算出部１１５は、頻出規則記憶部１２４に記憶されている頻出規則を読み出し、読み出された頻出規則に関する寄与度を算出する。
寄与度算出部１１５は、算出された寄与度を、寄与度に対応する頻出規則を示す識別情報と共に寄与度記憶部１２５に入力する。寄与度記憶部１２５は、寄与度算出部１１５から入力された識別情報および算出された寄与度を併せて記憶する機能を有する。
寄与規則出力部１１６は、頻出規則を出力する機能を有する。寄与規則出力部１１６は、例えば頻出規則を寄与度の大きい順に出力する。寄与度の大きい順に出力する場合、寄与規則出力部１１６は、寄与度記憶部１２５から比較的値の大きい寄与度と、併せて記憶されている識別情報を読み出す。
次いで、寄与規則出力部１１６は、読み出された識別情報を用いて、頻出規則記憶部１２４から寄与度に対応する頻出規則を読み出す。寄与規則出力部１１６は、読み出された頻出規則を寄与度の大きい順に出力する。なお、寄与規則出力部１１６は、他の方法で頻出規則を寄与度の大きい順に出力してもよい。
［動作の説明］
以下、本実施形態のシステム分析装置１００の動作を図４を参照して説明する。図４は、第２の実施形態のシステム分析装置１００による頻出規則検出処理の動作を示すフローチャートである。
システム分析装置１００の観測データ収集部１１１は、被分析装置２００からセンサが観測した値であるセンサ観測値を収集する（ステップS101）。具体的には、観測データ収集部１１１は、被分析装置２００から送信されたセンサ観測値を受信する。
次いで、観測データ収集部１１１は、ステップS101で収集されたセンサ観測値を時系列記憶部１２１に保存する（ステップS102）。時系列記憶部１２１は、入力されたセンサ観測値を時系列データの形式で記憶する。
次いで、観測データ収集部１１１は、全ての性能情報に関するセンサ観測値が収集されたか否かを確認する（ステップS103）。まだ収集されていない性能情報に関するセンサ観測値がある場合（ステップS103におけるNo）、観測データ収集部１１１は、再度ステップS101の処理を行う。
全ての性能情報に関するセンサ観測値が収集された場合（ステップS103におけるYes）、システム分析装置１００は、ステップS104に処理を進める。
全ての性能情報に関するセンサ観測値が収集された場合（ステップS103におけるYes）、時系列離散化部１１２は、時系列記憶部１２１から離散化されていない時系列データを１つ読み出す（ステップS104）。
次いで、時系列離散化部１１２は、ステップS104で読み出された時系列データを離散化し、離散化された時系列データを生成する（ステップS105）。時系列離散化部１１２は、離散化された時系列データを離散時系列記憶部１２２に保存する。
次いで、時系列離散化部１１２は、時系列記憶部１２１に記憶されている全ての時系列データが離散化されたか否かを確認する（ステップS106）。まだ離散化されていない時系列データがある場合（ステップS106におけるNo）、時系列離散化部１１２は、再度ステップS104の処理を行う。
全ての時系列データが離散化された場合（ステップS106におけるYes）、システム分析装置１００は、ステップS107に処理を進める。
全ての時系列データが離散化された場合（ステップS106におけるYes）、特徴抽出部１１３は、離散時系列記憶部１２２に保存されている離散化された時系列データを全て読み出す（ステップS107）。
次いで、特徴抽出部１１３は、複数の時系列データの一部を覆う矩形（以下、窓という。）の左端が、離散化された時系列データの開始時刻の位置の縦軸に沿うように窓を設定する（ステップS108）。
次いで、特徴抽出部１１３は、窓に含まれる全ての部分時系列データから特徴データを抽出する（ステップS109）。特徴抽出部１１３は、抽出された全ての特徴データで構成される要素集合を特徴記憶部１２３に保存する。
次いで、特徴抽出部１１３は、窓の右端が時系列データの終了時刻の位置に到達しているか否かを確認する（ステップS110）。窓の右端が終了時刻の位置に到達していない場合（ステップS110におけるNo）、特徴抽出部１１３は、ステップS111に処理を進める。窓の右端が終了時刻の位置に到達している場合（ステップS110におけるYes）、特徴抽出部１１３は、ステップS112に処理を進める。
窓の右端が終了時刻の位置に到達していない場合（ステップS110におけるNo）、特徴抽出部１１３は、窓を所定の時間分だけ未来側、すなわち右にずらす（ステップS111）。窓をずらした後、特徴抽出部１１３は、再度ステップS109の処理を行う。
窓の右端が終了時刻の位置に到達している場合（ステップS110におけるYes）、頻出規則検出部１１４は、特徴記憶部１２３に保存されているシステムのそれぞれの状態に対応した特徴データを基に、頻出する特徴データのパターンである頻出規則を検出する（ステップS112）。
頻出規則検出部１１４は、例えば、頻出アイテム集合マイニングで頻出規則を検出する。頻出規則検出部１１４は、検出された頻出規則を頻出規則記憶部１２４に保存する。
次いで、寄与度算出部１１５は、頻出規則記憶部１２４から頻出規則を読み出し、読み出された頻出規則がシステムの状態の変化に寄与する度合いである寄与度を算出する（ステップS113）。寄与度算出部１１５は、算出された寄与度を寄与度記憶部１２５に保存する。
次いで、寄与規則出力部１１６は、ステップS113で算出された寄与度に対応する頻出規則である寄与規則を、寄与度の大きい順に出力する（ステップS114）。出力した後、システム分析装置１００は、頻出規則検出処理を終了する。
以上のように頻出規則検出処理を行うことによって、システム分析装置１００は、システムの状態を決定する時系列データの変化の規則を発見できる。本実施形態のシステム分析装置１００は、空間依存性と時間依存性の両方が考慮された頻出する時系列データの変動パターンを発見できる。
[具体例]
［構成の説明］
以下、本発明の具体例を、図面を参照して説明する。図５は、本発明によるシステム分析装置１００の本具体例の構成例を示すブロック図である。図５に示すように、本具体例のシステム分析装置１００は、１つ以上のセンサが使用される物理システム２１０に通信可能に接続されている。
図５に示すように、システム分析装置１００は、中央演算装置１１０と、記憶装置１２０と、寄与規則表示装置１３０とを備える。
また、図５に示すように、中央演算装置１１０は、観測データ収集部１１１と、時系列離散化部１１２と、特徴抽出部１１３と、頻出規則検出部１１４と、寄与度算出部１１５と、寄与規則出力部１１６とを含む。各構成要素の機能は、第２の実施形態の各構成要素の機能と同様である。
また、図５に示すように、記憶装置１２０は、時系列記憶部１２１と、離散時系列記憶部１２２と、特徴記憶部１２３と、頻出規則記憶部１２４と、寄与度記憶部１２５とを含む。各構成要素の機能は、第２の実施形態の各構成要素の機能と同様である。
また、寄与規則出力部１１６は、出力された寄与規則を寄与規則表示装置１３０に入力する。寄与規則表示装置１３０は、寄与規則出力部１１６から入力された寄与規則を、使用者が解釈しやすい形式で表示する。
次に、本具体例における時系列データの離散化処理、特徴抽出処理、頻出規則検出処理、寄与度算出処理、および寄与規則表示処理の例を、図６～図１０を参照して具体的に説明する。
最初に、時系列離散化部１１２による時系列データの離散化処理を図６を参照して具体的に説明する。図６は、時系列離散化部１１２により離散化された時系列データの例を示す説明図である。
図６における（ａ）は、離散化される前の時系列データを示す。図６における（ｂ）は、離散化された後の時系列データを示す。具体的には、図６における（ｂ）に示す時系列データは、SAXで文字列化された時系列データである。
以下、時系列離散化部１１２による離散化処理を説明する。最初に、時系列離散化部１１２は、時系列データを平均が０、分散が１の正規分布に対応するように標準化する。
次いで、時系列離散化部１１２は、時系列データの横幅に相当する時間領域を所定の数の領域に等間隔に分割する。図６における（ａ）に示す縦線は、時間領域が分割された位置を表す。
次いで、時系列離散化部１１２は、分割された領域ごとに時系列データの平均値を算出する。図６における（ａ）に示す破線は、算出された各領域の時系列データの平均値を表す。
次いで、時系列離散化部１１２は、時系列データの縦幅に相当する値域を分割する。時系列離散化部１１２は、分割された値域に対応する正規分布の各領域の面積が等しくなるように値域を分割する。
例えば、図６における（ａ）に示す直線と曲線で囲まれた正規分布の各領域の面積であるS1、S2、S3、S4は、全て等しい。図６における（ａ）に示す横線は、値域が分割された位置を表す。
次いで、時系列離散化部１１２は、分割された正規分布の各領域に、小さい時系列データに対応する方からa, b, c, dとアルファベットを割り振る。
次いで、時系列離散化部１１２は、縦方向に分割された時系列データの各領域に、算出された各領域の平均値が属する横方向に分割された領域に割り振られた文字をそれぞれ割り当てる。
例えば、先頭の縦方向に分割された領域であれば、dが割り振られた横方向に分割された領域に平均値が属しているため、dが割り当てられる。以上の処理を実行することによって、時系列離散化部１１２は、図６における（ｂ）に示す離散化された時系列データを得る。
次に、特徴抽出部１１３による特徴抽出処理を、図７を参照して具体的に説明する。図７は、特徴抽出部１１３により複数の離散化された時系列データから抽出された特徴データの例を示す説明図である。
図７における（ａ）は、離散化された時系列データであるTS1~TS3を示す。特徴抽出部１１３は、最初に所定の幅を有する窓の左端が各時系列データの開始時刻の位置の縦軸に沿うように窓を設置する。図７における（ａ）に示す窓３１が、左端が各時系列データの開始時刻の位置の縦軸に沿うように設置された窓である。
次いで、特徴抽出部１１３は、各時系列データから特徴データをそれぞれ抽出する。例えば、時系列データTS1の窓３１内の離散値は、d, c, dと領域ごとに変化している。
よって、特徴抽出部１１３は、(TS1, 1, d)、(TS1, 2, c)、(TS1, 3, d)の３つの特徴データを抽出できる。なお、特徴データに含まれる１番目の値は、時系列データの名称を示す。２番目の値は、観測時刻に対応する領域の位置を示す。３番目の値は、２番目の値が示す位置の領域に割り当てられた、観測値に対応する文字を示す。
また、図７における（ａ）に示すように、時系列データTS2の窓３１内の離散値は、２領域でａが続いた後、ｂに変化している。よって、特徴抽出部１１３は、(TS2, 1, a)、(TS2, 2, a)、(TS2, 3, b)の３つの特徴データを抽出できる。
図７における（ｂ）は、同一の窓から抽出された特徴データの集合を示す。例えば、図７における（ｂ）に示す特徴データ集合４１は、窓３１から抽出された特徴データの集合である。また、特徴データ集合４２は、窓３２から抽出された特徴データの集合である。
同一の窓から抽出された特徴データは、１つの集合として特徴記憶部１２３に保存される。すなわち、図７における（ｂ）に示す特徴データ集合４１、および特徴データ集合４２が特徴記憶部１２３に区別されて保存される。
特徴抽出部１１３は、窓を所定の領域分右にずらしながら特徴抽出処理を繰り返し実行する。窓の右端が時系列データの終了時刻の位置に到達した後、特徴抽出部１１３は、特徴抽出処理を終了する。
次に、頻出規則検出部１１４による頻出規則の検出処理を図８を参照して具体的に説明する。図８は、頻出規則検出部１１４による頻出規則の検出処理の例を示す説明図である。
頻出規則検出部１１４は、特徴データ集合に属する特徴データのうち、例えば各特徴データ集合のうちの所定の割合以上の特徴データ集合に同時に出現する特徴データの組み合わせを頻出規則として検出する。
例えば、図８に示す検出処理において、頻出規則検出部１１４は、特徴データ集合４１～特徴データ集合４３に属する特徴データのうち、２つ以上の特徴データ集合に同時に出現する特徴データを抽出している。
例えば、特徴データ(TS1, 1, d)は、特徴データ集合４１と特徴データ集合４３に同時に出現している。すなわち抽出基準を満たすため、特徴データ(TS1, 1, d)は、図８に示す頻出規則５０に含まれている。頻出規則５０に含まれている他の特徴データも、同様の理由で含まれている。
なお、頻出規則検出部１１４は、図８に示すような頻出規則の検出処理で、AprioriやPFP-Growth等の、公知の頻出パターンマイニング手法を用いてもよい。
次に、寄与度算出部１１５による寄与度算出処理を具体的に説明する。寄与度算出部１１５は、例えば物理システム２１０の各状態に関して観測された時系列データから検出された頻出規則の、状態との相関スコアを寄与度として算出する。また、寄与度算出部１１５は、例えば相互情報量を用いて寄与度を算出してもよい。
頻出規則と状態との相関スコアは、頻出規則Sと状態rの相互依存の度合いを表す尺度である。相互情報量が用いられた場合、頻出規則と状態との相関スコアは、以下の式で算出される。
H(r) + H(S) - H(r,S) ・・・式（１）
なお、式（１）におけるHはエントロピーを表す。また、式（１）におけるH(r,S)が、相互情報量に相当する。
頻出規則と状態との相関スコアが寄与度に使用された場合、寄与度は、状態rのときに頻出規則Sが高確率で現れると大きくなる。すなわち、式（１）で算出された寄与度が大きい場合、物理システム２１０の状態の状態rへの変化に頻出規則Sが大きく寄与している。
また、寄与度は、状態rのときに頻出規則Sが殆ど現れないと小さくなる。また、状態rのときに高確率で現れていても、他の状態のときにも頻出規則Sが高確率で現れている場合、寄与度は小さくなる。すなわち、式（１）で算出された寄与度が小さい場合、物理システム２１０の状態の状態rへの変化に頻出規則Sが殆ど寄与していない。
次に、寄与規則表示装置１３０による寄与規則表示処理を図９を参照して具体的に説明する。図９は、寄与規則表示装置１３０による寄与度の表示例を示す説明図である。図９に示すように、寄与規則表示装置１３０は、順位と、規則IDと、寄与度を表示する。
図９に示す順位は、表示された頻出規則内での寄与度の順位である。規則IDは、頻出規則を識別する識別情報である。寄与度は、規則IDが示す頻出規則に関する寄与度である。
図９に示すように、寄与規則表示装置１３０は、頻出規則を上から寄与度が大きい順に表示する。
また、寄与規則表示装置１３０が表示した頻出規則を使用者が選択する場合、寄与規則表示装置１３０は、具体的な頻出規則の内容や、時系列データ全体における頻出規則の出現箇所をさらに表示してもよい。図１０は、寄与規則表示装置１３０による寄与規則の表示例を示す説明図である。
図１０の上部には、規則IDがF395の頻出規則の内容が示されている。「F395」は、395種類目の頻出規則である。また、図１０の下部には、時系列データTS1～時系列データTS3全体におけるF395の頻出規則の出現箇所が示されている。時系列データTS1～時系列データTS3上の縦線が、F395の頻出規則の出現箇所である。
図１０に示す内容から、物理システム２１０が第１状態である時よりも第２状態である時の方が、F395の頻出規則がより多く出現していることが分かる。なお、図９に示す内容、および図１０に示す内容は、実際に行われた事柄に基づいた数値計算結果に対応している。
［効果の説明］
本実施形態のシステム分析装置は、処理対象のシステムの稼働情報を示す複数の時系列データを離散化する時系列離散化部を備える。また、システム分析装置は、所定の開始時刻の時間窓に含まれる部分時系列データから、時系列データの値の情報および値が観測された時刻の情報を少なくとも含む情報である特徴を時間窓の開始時刻を変化させながら複数抽出する特徴抽出部を備える。また、システム分析装置は、頻繁に抽出される特徴の組み合わせを頻出規則として検出する頻出規則検出部と、頻出規則のシステムの状態の変化に寄与する度合いである寄与度を算出する寄与度算出部とを備える。
本実施形態のシステム分析装置は、処理対象のシステムの複数の性能指標を観測することによって得られる時系列データを離散化し、離散化された時系列データから抽出される観測項目、観測時刻、観測値を含む特徴の集合から、頻出する規則を検出する。
本実施形態のシステム分析装置は、時間情報と空間情報を同時に考慮した上で値の変化の規則を検出できる。その理由は、特徴データに時間情報と観測項目の情報の両方が含まれており、時間依存性を考慮しない頻出パターンマイニング手法が使用されても、発見される頻出パターンに時間情報が保持されるためである。
また、本実施形態のシステム分析装置は、時間依存性と空間依存性が考慮された時系列データの変動パターンがシステムの状態の変化に寄与する度合いを算出できる。その理由は、寄与度算出部１１５が、時間情報と空間情報が同時に考慮された上で検出された頻出規則に関する寄与度を算出できるためである。
図１１は、各実施形態のシステム分析装置を実現するコンピュータ装置５００のハードウェア構成の一例を示す図である。なお、本発明の各実施形態において、各装置の各構成要素は、機能単位のブロックを示している。各装置の各構成要素は、例えば図１１に示すようなコンピュータ装置５００とソフトウェアとの任意の組み合わせにより実現することができる。
図１１に示すように、コンピュータ装置５００は、プロセッサ（CPU）５０１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）５０２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）５０３と、記憶装置５０５と、ドライブ装置５０７と、通信インタフェース５０８と、入出力インタフェース５１０と、バス５１１とを備える。
記憶装置５０５は、プログラム５０４を格納する。ドライブ装置５０７は、記録媒体５０６の読み書きを行う。通信インタフェース５０８は、ネットワーク５０９と接続する。入出力インタフェース５１０は、データの入出力を行う。バス５１１は、各構成要素を接続する。
プロセッサ５０１は、ＲＡＭ５０３を用いてプログラム５０４を実行する。プログラム５０４は、ＲＯＭ５０２に記憶されていてもよい。また、プログラム５０４は、記録媒体５０６に記録され、ドライブ装置５０７によって読み出されてもよいし、外部装置からネットワーク５０９を介して送信されてもよい。通信インタフェース５０８は、ネットワーク５０９を介して外部装置とデータをやり取りする。入出力インタフェース５１０は、周辺機器（キーボード、マウス、表示装置など）とデータをやり取りする。通信インタフェース５０８及び入出力インタフェース５１０は、データを取得又は出力する手段として機能することができる。出力情報などのデータは、記憶装置５０５に記憶されていてもよいし、プログラム５０４に含まれていてもよい。
なお、各装置の実現方法には様々な変形例がある。例えば、各装置は、専用の装置として実現することができる。また、各装置は、複数の装置の組み合わせにより実現することができる。
各実施形態のシステム分析装置における検出部１１、算出部１２、観測データ収集部１１１、時系列離散化部１１２、特徴抽出部１１３、頻出規則検出部１１４、寄与度算出部１１５、および寄与規則出力部１１６は、例えば、プログラム制御に従って処理を実行するプロセッサ５０１によって実現されてもよい。
また、これらの機能を実現するように動作させるプログラムを記録媒体５０６に記録させ、その記録媒体５０６に記録されたプログラムをコードとして読み出し、コンピュータにおいて実行する処理方法も各実施形態の範疇に含まれる。すなわち、コンピュータ読取可能な記録媒体５０６も各実施形態の範囲に含まれる。また、上述のプログラムが記録された記録媒体５０６はもちろん、そのプログラム自体も各実施形態に含まれる。
また、時系列記憶部１２１、離散時系列記憶部１２２、特徴記憶部１２３、頻出規則記憶部１２４、および寄与度記憶部１２５は、例えばRAM５０３で実現される。また、時系列記憶部１２１、離散時系列記憶部１２２、特徴記憶部１２３、頻出規則記憶部１２４、および寄与度記憶部１２５を構成する記憶媒体は、１つでもよいし、複数でもよい。
また、各実施形態のシステム分析装置における各部は、ハードウェア回路によって実現されてもよい。一例として、検出部１１、算出部１２、観測データ収集部１１１、時系列離散化部１１２、特徴抽出部１１３、頻出規則検出部１１４、寄与度算出部１１５、寄与規則出力部１１６、時系列記憶部１２１、離散時系列記憶部１２２、特徴記憶部１２３、頻出規則記憶部１２４、および寄与度記憶部１２５が、それぞれLSI(Large Scale Integration)で実現される。また、それらが１つのLSIで実現されていてもよい。
以上、上述した実施形態を参照して本発明を説明した。しかしながら、本発明は、上述した実施形態には限定されない。即ち、本発明は、本発明のスコープ内において、種々の上記開示要素の多様な組み合わせ乃至選択など、当業者が理解し得る様々な態様を適用することができる。
この出願は、２０１６年６月８日に出願された日本出願特願２０１６－１１４０９９を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１０、１００ システム分析装置
１１ 検出部
１２ 算出部
１１０ 中央演算装置
１１１ 観測データ収集部
１１２ 時系列離散化部
１１３ 特徴抽出部
１１４ 頻出規則検出部
１１５ 寄与度算出部
１１６ 寄与規則出力部
１２０ 記憶装置
１２１ 時系列記憶部
１２２ 離散時系列記憶部
１２３ 特徴記憶部
１２４ 頻出規則記憶部
１２５ 寄与度記憶部
１３０ 寄与規則表示装置
２００ 被分析装置
２１０ 物理システム

Claims (7)

  1. 複数の時系列データの一部の時間範囲に含まれる観測値と前記観測値が観測された時刻とを含む情報である特徴情報を、前記時間範囲の開始時刻を前記時間範囲が互いに重なるように変えながら抽出する抽出手段と、
    稼働中のシステムの指標について所定の時間間隔で観測された観測値の複数の時系列データに含まれる所定の条件を満たす観測値の組み合わせを、規則として検出する検出手段と、
    検出された前記規則の、前記システムの状態の変化に寄与する度合いである寄与度を算出する算出手段と
    を備え、
    前記検出手段は、各時間範囲で抽出された前記特徴情報の各集合のうちの、所定の割合以上の集合に出現するという所定の条件を満たす特徴情報の組み合わせを、前記規則として検出する
    システム分析装置。
  2. 前記観測値の時系列データを離散化する離散化手段を備え、
    前記抽出手段は、離散化された前記時系列データから前記特徴情報を抽出する
    請求項１記載のシステム分析装置。
  3. 検出された前記規則と前記規則の寄与度を併せて表示する表示手段を備える
    請求項１または請求項２に記載のシステム分析装置。
  4. 前記表示手段は、検出された前記規則が前記時系列データに出現する箇所を表示する
    請求項３記載のシステム分析装置。
  5. 前記観測値を取得する取得手段を備え、
    前記取得手段は、取得された前記観測値で構成される前記時系列データを生成し、
    前記検出手段は、生成された複数の前記時系列データに含まれる所定の条件を満たす観測値の組み合わせを、前記規則として検出する
    請求項１から請求項４のうちのいずれか１項に記載のシステム分析装置。
  6. コンピュータが、
    複数の時系列データの一部の時間範囲に含まれる観測値と前記観測値が観測された時刻とを含む情報である特徴情報を、前記時間範囲の開始時刻を前記時間範囲が互いに重なるように変えながら抽出し、
    稼働中のシステムの指標について所定の時間間隔で観測された観測値の複数の時系列データに含まれる所定の条件を満たす観測値の組み合わせであり、各時間範囲で抽出された前記特徴情報の各集合のうちの、所定の割合以上の集合に出現するという所定の条件を満たす特徴情報の組み合わせを、規則として検出し、
    検出された前記規則の、前記システムの状態の変化に寄与する度合いである寄与度を算出する
    システム分析方法。
  7. コンピュータに、
    複数の時系列データの一部の時間範囲に含まれる観測値と前記観測値が観測された時刻とを含む情報である特徴情報を、前記時間範囲の開始時刻を前記時間範囲が互いに重なるように変えながら抽出する抽出処理、
    稼働中のシステムの指標について所定の時間間隔で観測された観測値の複数の時系列データに含まれる所定の条件を満たす観測値の組み合わせであり、各時間範囲で抽出された前記特徴情報の各集合のうちの、所定の割合以上の集合に出現するという所定の条件を満たす特徴情報の組み合わせを、規則として検出する検出処理、および
    検出された前記規則の、前記システムの状態の変化に寄与する度合いである寄与度を算出する算出処理
    を実行させるプログラム。
JP2018522463A 2016-06-08 2017-06-05 システム分析装置、システム分析方法及びプログラム Active JP7139946B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016114099 2016-06-08
JP2016114099 2016-06-08
PCT/JP2017/020749 WO2017213063A1 (ja) 2016-06-08 2017-06-05 システム分析装置、システム分析方法およびプログラム記録媒体

Publications (2)

Publication Number Publication Date
JPWO2017213063A1 JPWO2017213063A1 (ja) 2019-04-04
JP7139946B2 true JP7139946B2 (ja) 2022-09-21

Family

ID=60577730

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018522463A Active JP7139946B2 (ja) 2016-06-08 2017-06-05 システム分析装置、システム分析方法及びプログラム

Country Status (3)

Country Link
US (1) US20190163680A1 (ja)
JP (1) JP7139946B2 (ja)
WO (1) WO2017213063A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11061790B2 (en) * 2019-01-07 2021-07-13 International Business Machines Corporation Providing insight of continuous delivery pipeline using machine learning
JP7010861B2 (ja) * 2019-02-07 2022-01-26 ファナック株式会社 状態判定装置及び状態判定方法
EP3761561B1 (en) * 2019-07-03 2022-09-14 Hewlett Packard Enterprise Development LP Self-learning correlation of network patterns for agile network operations
JP2021193488A (ja) * 2020-06-08 2021-12-23 富士通株式会社 時系列解析プログラム、時系列解析方法及び情報処理装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007048200A (ja) 2005-08-12 2007-02-22 Chugoku Electric Power Co Inc:The データ分析方法、データ分析システム、およびプログラム
JP2016058027A (ja) 2014-09-12 2016-04-21 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ データ処理装置、データ処理方法、およびプログラム
JP2016057923A (ja) 2014-09-10 2016-04-21 株式会社Ｎｔｔファシリティーズ 情報処理システム、情報表示方法、及びプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4652741B2 (ja) * 2004-08-02 2011-03-16 インターナショナル・ビジネス・マシーンズ・コーポレーション 異常検出装置、異常検出方法、異常検出プログラム、及び記録媒体
JP4201027B2 (ja) * 2006-07-10 2008-12-24 インターナショナル・ビジネス・マシーンズ・コーポレーション 複数の観測結果の間の差異を検出するシステムおよびその方法
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
JP5424338B2 (ja) * 2010-03-18 2014-02-26 日本電気株式会社 衛星測位システムの異常値検出装置、異常値検出方法及び異常値検出プログラム
RU2010130189A (ru) * 2010-07-19 2012-01-27 Сименс Акциенгезелльшафт (DE) Способ компьютеризованного анализа технической системы
WO2013111560A1 (ja) * 2012-01-23 2013-08-01 日本電気株式会社 運用管理装置、運用管理方法、及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007048200A (ja) 2005-08-12 2007-02-22 Chugoku Electric Power Co Inc:The データ分析方法、データ分析システム、およびプログラム
JP2016057923A (ja) 2014-09-10 2016-04-21 株式会社Ｎｔｔファシリティーズ 情報処理システム、情報表示方法、及びプログラム
JP2016058027A (ja) 2014-09-12 2016-04-21 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ データ処理装置、データ処理方法、およびプログラム

Also Published As

Publication number Publication date
WO2017213063A1 (ja) 2017-12-14
US20190163680A1 (en) 2019-05-30
JPWO2017213063A1 (ja) 2019-04-04

Similar Documents

Publication Publication Date Title
JP7139946B2 (ja) システム分析装置、システム分析方法及びプログラム
Paparrizos et al. Volume under the surface: a new accuracy evaluation measure for time-series anomaly detection
Cuzzocrea et al. Mining constrained frequent itemsets from distributed uncertain data
US9753801B2 (en) Detection method and information processing device
US9424288B2 (en) Analyzing database cluster behavior by transforming discrete time series measurements
JP6555061B2 (ja) クラスタリングプログラム、クラスタリング方法、および情報処理装置
JP2014134991A (ja) パターン抽出装置および制御方法
Dakos et al. Measuring complexity to infer changes in the dynamics of ecological systems under stress
KR20190013038A (ko) 다중 특징 추출기법을 이용한 다중 시계열 데이터 추세 예측 시스템 및 예측 방법
Ingle et al. Association rule mining using improved Apriori algorithm
Shyur et al. A data mining approach to discovering reliable sequential patterns
JPH0934719A (ja) データ分析装置
JP7030072B2 (ja) 時系列データ監視システム、および時系列データ監視方法
JP6631540B2 (ja) 情報処理システム、変化点検出方法、およびプログラム
Duraj et al. Outlier detection in data streams—A comparative study of selected methods
US11620406B2 (en) Information processing device, information processing method, and recording medium
Boniol et al. Theseus: navigating the labyrinth of time-series anomaly detection
WO2013157603A1 (ja) 検索クエリ分析装置、検索クエリ分析方法、及びコンピュータ読み取り可能な記録媒体
WO2018110327A1 (ja) 異常識別システム、方法及び記録媒体
JP6904331B2 (ja) 要因分析装置、要因分析方法、およびプログラム
WO2019073512A1 (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
JP2011232879A (ja) 同義カラム検出装置及び同義カラム検出方法
Vargas et al. Comparison of multivariate control charts for process dispersion
US20210397598A1 (en) Data management method, data management system and program
TWI570581B (zh) Timing series data processing device

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181115

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200515

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210706

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210902

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20211021

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220111

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220310

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: 20220809

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220822

R151 Written notification of patent or utility model registration

Ref document number: 7139946

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151