JP7172986B2 - 構成管理装置、構成管理方法および構成管理プログラム - Google Patents

Description

本発明は、構成管理装置、構成管理方法および構成管理プログラムに関する。

構成管理の目的は、管理対象のシステムを効率的に運用することである。効率的な運用のために、管理対象のシステムの構成要素の過去の状態および現在の状態が、管理レベルに適した粒度で把握されることが求められる。

例えば、故障時の復旧手順が単純な部品交換であるハードウェアであれば、運用管理マニュアルにおける故障時の対応は、部品交換することに予め決められている。すなわち、ハードウェアの構成情報は、特に管理されなくてもよい。上記のようなハードウェアのみを扱う場合、管理者は、個々のハードウェアの在庫やハードウェアに対応するライセンス等の論理的な属性を示す情報のみ管理すればよい。

しかし、障害発生時や機能追加時等においてハードウェアにインストールされたソフトウェアの修正または改造が求められる場合を考慮すると、修正または改造の対象のソフトウェアを、ソフトウェアの状態も含めて管理することが求められる。

ソフトウェアに対する上述したような変更操作を自動的に行うソフトウェアツールが提供されている。ソフトウェアツールが活用されると、運用管理がより効率的に行われる可能性がある。ソフトウェアツールの利用が増えると予想されることからも、ソフトウェアの構成を管理する重要性は高い。

非特許文献１～非特許文献２には、上述したようなソフトウェアの構築操作や変更操作を自動的に行うソフトウェアツール（自動構築ツール）の例が記載されている。非特許文献１～非特許文献２に記載されている自動構築ツールは、構築後の構成管理情報や変更後の構成管理情報を入力として自動的にソフトウェアのインストールやソフトウェアの設定を行うツールである。

本明細書において、構成管理情報のフォーマットをモデル化言語とも呼ぶ。入力される構成管理情報のフォーマットは、ソフトウェアツールごとに異なる。

構成管理情報のフォーマットとソフトウェアツールが要求するフォーマットとの間で整合がとられると、設定変更や構築作業が自動的に行われやすい。また、ソフトウェアツールが用いられて構築が行われると、手動での構築作業のミスが原因で誤設定が生じる危険性が低減される。すなわち、ソフトウェアツールの使用は、構成管理情報と構成管理対象の状態との間の整合性の維持にも効果的である。

また、非特許文献３には、クラウドシステムにおいて構築されるIT(Information Technology)システムの構成情報を記述するための標準記法（モデル化言語の仕様）が記載されている。非特許文献３に記載されている標準記法が使用されると、構成管理ツール間の差異やITシステムが構築されるクラウド環境間の差異が減るため、より汎用性の高い構成管理情報の管理が実現される。

構成管理情報の作成や、作成された構成管理情報と構成管理対象との間の整合性の維持は、システムの運用管理において重要である。その理由は、管理対象システムの現状の構成管理情報は、管理対象システムに変更を加える計画や管理対象システムを障害から復旧させる計画を実行する上で最も基本的な情報である。すなわち、現状の構成管理情報が正しく把握されないと、正しい変更作業や復旧作業の計画および実行が不可能になるためである。

上記の変更作業や復旧作業が確実に実行されるように、例えば構成管理を行う担当者が用意される。用意された担当者は、初期設計の構築結果、機能追加等のための変更要求、および障害時の復旧作業結果等、システム運用における様々な構成変更イベントごとに手動で構成管理情報への反映、および構成管理情報の状態の管理を行う。

しかし、管理対象の構成管理情報が多くの設定値やプログラムコードを含む場合、管理対象の構成管理情報自体が多い場合、または構成管理情報の変更が求められる構成変更イベント等の量が多い場合、構成管理情報の管理が煩雑になる。構成管理情報の管理が煩雑になると、記録漏れや作業ミスが原因である構成管理情報の破壊が発生しやすい。

上記の構成管理情報の破壊の発生を防ぐための構成管理情報の管理の関連研究や関連製品が多く知られている。例えば特許文献１には、XML(Extensible Markup Language) 等の構造化言語で記述された稼働中のサーバ等に配置される設定ファイルを探索し、探索された設定ファイルの内容を特定のモデル化言語で記述された構成定義情報に変換するリソース管理方法が記載されている。

また、特許文献２には、予め準備されたコマンドを構成管理対象のサーバで実行することによって、オペレーティングシステム(OS:Operating System) の設定を自動的に把握するコンピュータが記載されている。

また、特許文献３には、システムの構成変更に係る作業の効率化を促進できる情報処理装置が記載されている。特許文献３に記載されている情報処理装置には、変更対象のシステムの構成が定義された構成情報から、抽出された手順情報に含まれる変数名に対応する変更対象のシステムの固有情報を取得する置換部が含まれている。

また、非特許文献４には、予め分析手順等が登録されているソフトウェアを管理対象のシステム内で探索し、ソフトウェアのインストールの有無、ソフトウェアの設定、およびソフトウェア間の依存関係等を把握する技術が記載されている。

また、非特許文献５には、バッカス・ナウア記法(BNF:Backus-Naur form)が応用されたモデル化言語を用いて分析対象の設定ファイルの文法をモデル化することによって、構成管理対象のサーバに格納された設定ファイルの情報を構造化する技術が記載されている。非特許文献５に記載されている技術は、構造化された設定ファイルの情報を用いて、設定項目をキーにコマンドラインインターフェイス(CLI:Command Line Interface)を介して設定を参照および変更する。

上記の技術や製品はいずれも、OSにファイルとして配置された設定（設定ファイル）やコマンドの実行結果等のテキストデータを解析し、解析されたテキストデータの内容を構成管理情報に変換する処理を行う。

上記の技術や製品における解析処理では、解析対象が予め具体的に選択されている。すなわち、選択された解析対象で採用されている記述文法に厳格に沿っているテキストデータが解析される。上記の技術や製品では、例えば１以上の静的なルールで構成されている構文解析プログラムが利用されている。

また、曖昧な文法で記述されたテキストデータや誤った文法で記述されたテキストデータも可能な限り高精度で解析することが求められる自然言語処理の分野では、機械学習で構成されているテキスト解析プログラムが多く利用されている。

上記のテキスト解析プログラムには、例えば解析対象の種類のテキストデータとテキストデータに対応する好ましい解析結果データとの組の集合と、解析対象の種類のテキストデータの構造を特徴付けるテキストデータに現れる特徴とを基に生成されるプログラムがある。

すなわち、テキストデータと解析結果データとの組は、教師あり学習データである。また、特徴になるテキストデータの代表的な構造は、分類された品詞や係り受けである。なお、テキストデータに現れる特徴は、素性とも呼ばれる。

上記のプログラムを生成可能な代表的な手法として、構造化サポートベクトルマシン(SSVM:Structured Support Vector Machine)や、条件付確率場(CRF:Conditional Random Field)等がある。

特許第４１８５０３０号公報 特開２００１－０８４１３２号公報 国際公開第２０１２／１２４０１８号

"Puppet"、[online]、Puppet、[ 平成29年 3月19日検索] 、インターネット<https://puppet.com/> "Ansible" 、[online]、Red Hat 、[ 平成29年 3月19日検索] 、インターネット<https://www.ansible.com/> "OASIS Topology and Orchestration Specification for Cloud Applications" 、[online]、OASIS 、[ 平成29年 3月19日検索] 、インターネット<https://www.oasis-open.org/committees/tc_home.php?wg_abbrev=tosca#overview> "Tivoli Application Dependency Discovery Manager" 、[online]、IBM 、[ 平成29年 3月19日検索] 、インターネット<https://www.ibm.com/developerworks/servicemanagement/bsm/taddm/> "Augeas"、[online]、Red Hat 、[ 平成29年 3月19日検索] 、インターネット<http://augeas.net/>

特許文献１に記載されているリソース管理方法では、構成管理対象から把握される構成要素がXML 等の特定のフォーマットに準拠した設定ファイルで表された構成要素に限定されている。

また、特許文献２に記載されているコンピュータでも、構成管理対象から把握される構成要素が事前に想定されたコマンド実行結果から得られるOSの設定情報に限定されている。また、特許文献３に記載されている情報処理装置でも、変更対象のシステムの固有情報の取得先は、変更対象のシステムの構成が定義された構成情報に限定されている。

また、非特許文献４に記載されている技術は、予め構成管理対象から把握される構成要素を具体的なアプリケーションソフトウェアの単位で想定する。すなわち、非特許文献４に記載されている技術は、対象のアプリケーションソフトウェア以外のソフトウェアを処理できない。

また、非特許文献５に記載されている技術では、事前にBNF が作成された設定ファイルのみが処理の対象である。すなわち、非特許文献５に記載されている技術は、未知の設定ファイルに記述された内容を参照したり変更したりできない。

すなわち、上記の技術や製品は、構成管理情報を管理対象から把握し、把握された構成管理情報を管理する。また、上記の技術や製品は、処理の前提として構成管理情報を把握する対象を具体的に想定し、想定された対象に応じた構成管理情報を把握するための手続きや方法を事前に作成する。

よって、上記の技術や製品には２つの課題がある。１つ目の課題は、未知のソフトウェアや設定ファイル等の構成管理対象から構成管理情報を把握できないことである。

２つ目の課題は、構成管理対象の構成管理情報を管理する総コストが大きいことである。例えば、構成管理対象の構成要素ごとの構成管理情報を把握する専用の手続きや方法の作成および保守のコストは、比較的大きい。

よって、使用頻度が低いソフトウェアや設定ファイル、または個別の組織や個人が開発したソフトウェアや設定ファイルに対しても構成管理情報を把握する専用の手続きや方法の作成および保守を行う場合、総コストが手動で直接管理対象の構成を管理する際のコストを上回る恐れがある。

また、非特許文献１～非特許文献３にも、上記の２つの課題を解決できる手段は記載されていない。

［発明の目的］
そこで、本発明は、上述した課題を解決する、低コストで未知の構成管理対象から構成管理情報を把握できる構成管理装置、構成管理方法および構成管理プログラムを提供することを目的とする。

本発明による構成管理装置は、システムの構成情報を示唆するテキストデータの特徴を示す特徴情報とそのテキストデータおよびそのシステムの構成情報が含まれている学習データとを基に教師あり機械学習を実行することによって、特徴情報が示す特徴を有する未知のテキストデータである入力データからの、入力データが示唆するシステムの構成情報の予測に使用される予測モデルを生成する生成手段を備えることを特徴とする。

本発明による構成管理方法は、システムの構成情報を示唆するテキストデータの特徴を示す特徴情報とそのテキストデータおよびそのシステムの構成情報が含まれている学習データとを基に教師あり機械学習を実行することによって、特徴情報が示す特徴を有する未知のテキストデータである入力データからの、入力データが示唆するシステムの構成情報の予測に使用される予測モデルを生成することを特徴とする。

本発明による構成管理プログラムは、コンピュータに、システムの構成情報を示唆するテキストデータの特徴を示す特徴情報とそのテキストデータおよびそのシステムの構成情報が含まれている学習データとを基に教師あり機械学習を実行することによって、特徴情報が示す特徴を有する未知のテキストデータである入力データからの、入力データが示唆するシステムの構成情報の予測に使用される予測モデルを生成する生成処理を実行させることを特徴とする。

本発明によれば、低コストで未知の構成管理対象から構成管理情報を把握できる。

本発明による構成管理装置の第１の実施形態の構成例を示すブロック図である。 テキストデータとしての設定ファイルの例を示す説明図である。 設定項目と設定値の対応関係の例を示す説明図である。 テキストデータの構造を表すラベル付グラフの例を示す説明図である。 本実施形態の機械学習で使用される素性の定義例を示す説明図である。 管理対象モニタ部１４０が取得するテキストデータの例を示す説明図である。 構成予測部１３０が予測したラベル付グラフのデータの例を示す説明図である。 第１の実施形態の情報変換部１５０によるモデル化言語変換処理の動作を示すフローチャートである。 情報変換部１５０が出力するテンプレートファイルと変数辞書の例を示す説明図である。 第１の実施形態の構成管理装置１００による構成情報出力処理の動作を示すフローチャートである。 本発明による構成管理装置の第２の実施形態の構成例を示すブロック図である。 学習データ（ラベル）記憶部３１０に記憶されている学習データの例を示す説明図である。 第２の実施形態のグラフ化部１７０によるグラフ変換処理の動作を示すフローチャートである。 第２の実施形態の構成管理装置１０１による構成情報出力処理の動作を示すフローチャートである。 本発明による構成管理装置の第３の実施形態の構成例を示すブロック図である。 第３の実施形態の構成管理装置１０２による構成情報出力処理の動作を示すフローチャートである。 本発明による構成管理装置の概要を示すブロック図である。

＝＝第１の実施の形態＝＝
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、本発明による構成管理装置の第１の実施形態の構成例を示すブロック図である。

本実施形態の構成管理装置１００は、システムから取得可能であり、様々なフォーマットで表現されているシステムの構成を示唆するテキストデータを基に、利用者が指定したモデル化言語に即して記述された構成管理情報を生成できる。

具体的には、構成管理装置１００は、システムの構成を示唆するテキストデータおよびテキストデータ群の特徴量（素性）を示すデータと、ラベル付グラフ等の構成情報が分類化、または構造化されたテキストデータに特有の教師データとを基に機械学習を行う。

機械学習で得られた予測モデルを用いて、構成管理装置１００は、構成管理対象のシステムから取得された構成を示唆するテキストデータの記述内容の意味を予測する。次いで、構成管理装置１００は、予め登録されたモデル化言語ごとの変換処理を実行することによって、予測結果を示すデータから利用者が指定したモデル化言語に即した構成管理情報を生成する。

図１に示すように、本実施形態の構成管理装置１００は、素性入力部１１０と、予測モデル学習部１２０と、構成予測部１３０と、管理対象モニタ部１４０と、情報変換部１５０と、構成情報出力部１６０とを備える。

また、図１に示すように、本実施形態の構成管理装置１００には、入力装置２００と、学習データ記憶部３００と、管理対象システム４００とが接続されている。入力装置２００から、構成管理装置１００に情報が入力される。また、構成情報出力部１６０は、生成された構成情報（構成管理情報）を出力する。

素性入力部１１０には、例えばシステムの設定ファイルやコマンドの実行結果等の、構成を示唆するテキストデータに見られる制御コードの配置パターンや一般の単語列と制御コードとの相対的な位置の関係性を示す素性データが入力される。

利用者は、予測モデルを学習するために要する素性（特徴）の集合を入力装置２００に入力する。入力装置２００は、入力された素性の集合を素性入力部１１０に入力する。素性入力部１１０は、入力された素性の集合を予測モデル学習部１２０に入力する。

素性の集合の入力と併せて、利用者は、学習データ記憶部３００に記憶されている学習データを用いて構成情報の予測の準備を行う。具体的には、予測モデル学習部１２０が、学習データ記憶部３００に記憶されている学習データと入力された素性の集合とを基に機械学習を行うことによって予測モデルを生成する。

予測モデル学習部１２０は、テキストデータの識別に用いられる特定の機械学習モデルを生成する。予測モデル学習部１２０は、設定ファイルや設定確認コマンドの実行結果等のテキストデータを学習データとして用いることによって、テキストデータ内の単語要素の構成情報における意味合いや設定項目間の構造的な位置付けを学習する。

また、予測モデル学習部１２０は、学習データ内の制御コードを含む各単語を教師データとして用いることによって、構成情報における意味合いおよび単語間の関係性を有し構成を示唆する未知のテキストデータからシステムの構成を予測する予測モデルを生成する。

なお、予測モデル学習部１２０は、SSVMやCRF 等の既存の機械学習技術を利用して学習処理を実行してもよい。

予測モデル学習部１２０が生成する予測モデルでは、設定ファイルやコマンド実行結果等の構成情報を示唆するテキストデータの構造とテキストデータ内の各構成要素の意味等が予測される。

図２は、テキストデータとしての設定ファイルの例を示す説明図である。なお、図２に示すテキストデータは、学習データの一部である。

図２に示すテキストデータである設定ファイルが示唆する構成情報は、ソフトウェアの設定内容を示す。図２に示すテキストデータには、設定項目、設定値、および設定項目と設定値の関係性が記述されている。

図３は、設定項目と設定値の対応関係の例を示す説明図である。図２に示す設定項目と設定値の関係性は、図３に示すように構造化される。なお、図３に示す「attribute 」が設定項目を、「value 」が設定値をそれぞれ表す。

図４は、テキストデータの構造を表すラベル付グラフの例を示す説明図である。図４に示すラベル付グラフは、設定項目および設定値の階層構造を表す。

図３に示す各設定項目間の階層構造、および各設定値間の階層構造は、図４に示すようなグラフで表現される。なお、図４に示すように、角丸四角形が「attribute 」を、矩形が「value 」をそれぞれ表す。

図３および図４を参照すると、設定項目と設定値が記述されているテキストデータは、”max_connection”や”200” 等の要素（トークン）をノードとし、attribute やvalue 等の種別をラベルとして有するラベル付グラフとして整理される。すなわち、図２に示すような構成情報を示唆するテキストデータから図４に示すような構成情報を表すラベル付グラフを予測することが、予測モデル学習部１２０が生成する予測モデルの役割である。

よって、学習データ記憶部３００には、図２に示すような構成情報を示唆する設定ファイル等のテキストデータと図４に示すような教師データとしてのラベル付グラフとの組の集合が記憶されている。

図２に示すようなテキストデータを基に図４に示すようなデータを予測する問題において、既存の機械学習の予測モデルとして自然言語処理の品詞分類や係り受け分析等で用いられている系列ラベリングや構造推定モデルが利用される。

しかし、本実施形態の予測モデルの入力になるテキストデータは、自然言語以外の言語を示す。よって、本実施形態では、ラベルと素性が一般的な自然言語処理と異なる観点で設計されることが求められる。例えば、ラベルであれば図３に示すように、”attribute” や”value” 等の特殊なラベルが用いられる。

また、素性に関しても特殊な内容が使用される。図５は、本実施形態の機械学習で使用される素性の定義例を示す説明図である。

図５に示すように、本実施形態では改行やスペース、tab 等の制御文字、および制御文字との位置関係が素性として使用される。また、本実施形態では有効な設定に影響しない、一般的にコメントと呼ばれる箇所の特徴を取り出すための条件が素性として記述される。例えば、図５に示す「同一行内の前方にエスケープ文字（“＃”、“；”等）がある」が、コメントと呼ばれる箇所の特徴を取り出すための条件である。

また、図５に示すように、本実施形態ではテキストデータ内の要素間の構造を表す括弧類（“｛｝”、“［］”等）の有無や、括弧類の相対位置が素性として使用される。

なお、図５に記載されていない、一般的な自然言語処理で多く用いられている素性が本実施形態で使用される素性に追加されてもよい。例えば、一つ前のトークンが特定の文字列を含むという素性が追加されてもよい。予測モデル学習部１２０が生成した学習済み予測モデルは、構成予測部１３０に入力される。

管理対象モニタ部１４０は、管理対象システム４００の構成情報を示唆するテキストデータを取得する機能を有する。管理対象システム４００は、構成管理装置１００の管理対象のシステムである。

構成予測部１３０は、管理対象モニタ部１４０が取得したテキストデータを管理対象モニタ部１４０から受け取る。次いで、構成予測部１３０は、予測モデル学習部１２０から入力された予測モデルとテキストデータとを基に、図４に示すようなラベル付グラフのデータを予測する。

なお、構成予測部１３０が受け取るテキストデータは、特定の文法や言語に即していなくてよい。また、構成予測部１３０は、複数の設定ファイルやコマンド実行結果と１対１に対応したテキストデータのリストを受け取ってもよい。

図６は、管理対象モニタ部１４０が取得するテキストデータの例を示す説明図である。図６に示すテキストデータが、予測モデルに入力される。

図７は、構成予測部１３０が予測したラベル付グラフのデータの例を示す説明図である。図７に示すデータは、図６に示すテキストデータを入力として予測モデルで予測されたデータである。なお、図７に記載されている表記の意味は、図４に記載されている表記の意味と同様である。

構成予測部１３０で生成された図７に示すようなラベル付グラフ、またはラベル付グラフのリストと、図６に示すような予測元のテキストデータとが、情報変換部１５０に入力される。

情報変換部１５０は、ラベル付グラフを様々なモデル化言語で記述された情報に変換する変換アルゴリズムを保持している。具体的には、情報変換部１５０は、システム構成の記述に使用されるモデル化言語ごとに、構成予測部１３０が予測した単語の構成上の意味と単語間の関係性を示す抽象的な構成情報を変換する手続きやルールを有する。

情報変換部１５０は、ラベル付グラフを利用者が予め指定したモデル化言語で記述された情報に変換する機能を有する。情報変換部１５０は、利用者が指定したモデル化言語に応じて抽象的な構成情報を指定されたモデル化言語で記述された情報に変換する。

図８は、第１の実施形態の情報変換部１５０によるモデル化言語変換処理の動作を示すフローチャートである。図８に示すモデル化言語変換処理は、ラベル付グラフをテンプレートファイルと変数辞書に変換するという変換ルールが反映された変換アルゴリズムに従って行われる。

最初に、情報変換部１５０は、グラフのノードを１つ取り出す（ステップS11 ）。次いで、情報変換部１５０は、取り出されたノードのラベルを確認する（ステップS12 ）。確認されたラベルが「attribute 」である場合（ステップS12 における「attribute 」）、情報変換部１５０は、ステップS15 の処理を行う。

確認されたラベルが「value 」である場合（ステップS12 における「value 」）、情報変換部１５０は、ラベルが「value 」のノードの親ノード名をキーとして、変数辞書に辞書データとしてノードを追加する（ステップS13 ）。

次いで、情報変換部１５０は、予測元ファイルの現在のノードの記載箇所を、ステップS13 で追加された辞書データの変数辞書のキーに置換する（ステップS14 ）。

次いで、情報変換部１５０は、残ノードがあるか否かを確認する（ステップS15 ）。残ノードがある場合（ステップS15 におけるYes ）、情報変換部１５０は、再度ステップS11 の処理を行う。残ノードがない場合（ステップS15 におけるNo）、情報変換部１５０は、モデル化言語変換処理を終了する。

図９に、情報変換部１５０が出力する構成情報の例を示す。図９は、情報変換部１５０が出力するテンプレートファイルと変数辞書の例を示す説明図である。図９に示すテンプレートファイルと変数辞書は、図６に示すテキストデータと、図７に示すラベル付グラフのデータとを基に、図８に示すモデル化言語変換処理で生成されるテンプレートファイルと変数辞書である。

図９に示すテンプレートファイルでは、変数定義に“＜％～％＞”という表記が用いられている。また、図９に示す変数辞書では、yml フォーマットが使用されている。

なお、テンプレートファイルの表記は、テンプレートを処理するテンプレートエンジンが使用する言語（テンプレートエンジンの仕様）に依存する。すなわち、生成されるテンプレートの表記は、図９に示す表記に限定されない。

図９に示すように、テンプレート内の３箇所が変数辞書のキーに置換されている。例えば、「rotate 4」が「rotate <% rotate %> 」に置換されている。

図９に示すような情報変換部１５０が生成した特定のモデル化言語の仕様に則った構成情報は、構成情報出力部１６０に入力される。構成情報出力部１６０は、入力された構成情報を、ファイル等のデータ形式で構成情報として出力する。

本実施形態の構成管理装置１００は、設定ファイルやコマンド実行結果等に代表されるテキストデータで記述された構成情報の生成元になるデータを扱う。構成管理装置１００の予測モデル学習部１２０が、システムの構成情報を示唆するテキストデータに特有の教師あり学習データの集合と特徴（素性）データとを基に機械学習を実行することによって、フォーマットや文法が固定された特定の構成情報に適用が制限されない汎用的な構成情報が入力される予測モデルを生成する。

本実施形態の構成予測部１３０は、生成された予測モデルを利用して、構成管理対象から得られた構成情報の生成元になるテキストデータを分析することによって、抽象的な構成モデル（抽象構成モデル）を生成する。

抽象構成モデルは、特定のモデル化言語に依存しないラベル付グラフ等のデータ構造で表現される。情報変換部１５０は、利用者の要求に応じて、抽象構成モデルを自動構築ツール等で指定されている特定のモデル化言語で記述された情報に変換する。

［動作の説明］
以下、本実施形態の構成管理装置１００の構成情報を出力する動作を図１０を参照して説明する。図１０は、第１の実施形態の構成管理装置１００による構成情報出力処理の動作を示すフローチャートである。

最初に、素性入力部１１０に入力装置２００から素性の集合が入力される（ステップS101）。素性入力部１１０は、入力された素性の集合を予測モデル学習部１２０に入力する。

次いで、予測モデル学習部１２０は、学習データ記憶部３００に記憶されている学習データと入力された素性の集合とを基に予測モデルを生成する（ステップS102）。予測モデル学習部１２０は、生成された予測モデルを構成予測部１３０に入力する。

次いで、構成予測部１３０に管理対象モニタ部１４０から管理対象システム４００の構成情報を示唆するテキストデータが入力される（ステップS103）。

次いで、構成予測部１３０は、入力された予測モデルとテキストデータとを基に、ラベル付グラフのデータを生成する（ステップS104）。構成予測部１３０は、生成されたラベル付グラフのデータとテキストデータとを情報変換部１５０に入力する。

次いで、情報変換部１５０は、入力されたラベル付グラフをモデル化言語で記述された情報に変換する（ステップS105）。情報変換部１５０は、変換された情報を構成情報出力部１６０に入力する。

次いで、構成情報出力部１６０は、入力された情報を構成情報として出力する（ステップS106）。出力した後、構成管理装置１００は、構成情報出力処理を終了する。

以上の処理を実行することによって、本実施形態の構成管理装置１００は、構成管理対象から抽出されたテキストデータを特定のモデル化言語に準拠した構成情報に自動的に変換する。

［効果の説明］
本実施形態の構成管理装置１００の予測モデル学習部１２０は、構成情報を示唆するテキストデータに特有の素性を示すデータを用いて予測モデルを学習する。また、構成予測部１３０は、学習された予測モデルを用いて、設定ファイルやコマンド実行結果等の構成情報を示唆するテキストデータをラベル付グラフに変換する。

また、本実施形態の情報変換部１５０は、テキストデータとテキストデータが変換されたラベル付グラフとの組の集合を基に、利用者が要求するモデル化言語の仕様に即した構成情報を生成する。よって、本実施形態の構成管理装置１００は、特定の言語仕様やフォーマットに依存しない構成管理対象の構成情報を示唆するテキストデータを基に、構成情報を自動的に生成できる。

＝＝第２の実施の形態＝＝
［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１１は、本発明による構成管理装置の第２の実施形態の構成例を示すブロック図である。

本実施形態の構成管理装置１０１は、構成情報を示唆するテキストデータから、ラベル付グラフの構成情報の代わりに直列のラベル列の構成情報を予測する。

図１１に示すように、本実施形態の構成管理装置１０１は、素性入力部１１０と、予測モデル学習部１２０と、構成予測部１３０と、管理対象モニタ部１４０と、情報変換部１５０と、構成情報出力部１６０と、グラフ化部１７０とを備える。本実施形態の構成管理装置１０１の構成は、グラフ化部１７０を除いて第１の実施形態の構成管理装置１００の構成と同様である。

第１の実施形態の構成管理装置１００と異なり、本実施形態の構成管理装置１０１にはグラフ化部１７０が追加されている。また、学習データ（ラベル）記憶部３１０には、ラベル列等のデータ構造を示す情報が記憶されている。

本実施形態の予測モデル学習部１２０は、予測モデルの学習処理において教師データとしてラベル付グラフのデータの代わりにテキストデータに対応するグラフ構造を有しない単なるラベル列を使用する。

図１２は、学習データ（ラベル）記憶部３１０に記憶されている学習データの例を示す説明図である。なお、図１２に示す学習データは、図２に示すテキストデータに対応する。

図１２に示すように、本実施形態の学習データは、トークン列とラベル列とで構成されている。トークン列は、設定ファイル等のテキストデータが改行等の制御コードも含まれる単語（トークン）に分解された後にリスト化されたデータである。

また、ラベル列は、トークン列に対応する教師データである。ラベル列は、トークン列内の各要素に対応するラベルがリスト化されたデータである。

例えば、図１２に示すトークン列における５つ目のトークン”configuration” に対応するラベルは、ラベル列における同じく５つ目の要素”c” （コメント）である。”c” は、単語”configuration” がコメント文字としての分類が推奨されることを示す。

予測モデル学習部１２０は、図１２に示すような学習データを用いてテキストデータに付されるラベルを予測するモデルを学習する。予測モデル学習部１２０は、学習された予測モデルを構成予測部１３０に入力する。

構成予測部１３０は、管理対象モニタ部１４０から受け取ったテキストデータに対応するラベル列を、入力された予測モデルを用いて予測する。すなわち、構成予測部１３０は、与えられたテキストデータ内の各単語の意味合いを予測している。次いで、構成予測部１３０は、予測されたラベル列をグラフ化部１７０に入力する。

グラフ化部１７０は、入力されたラベル列を基に、第１の実施形態の構成予測部１３０が出力するラベル付グラフのデータと同様のデータ構造を有するラベル付グラフのデータを出力する。

具体的には、グラフ化部１７０は、予測結果の意味付けのリストとテキストデータの単語列とを基に、単語間の距離や意味付けの条件を用いて構成を示唆するテキストデータ内の単語間の関係性を示すグラフを導出する。

図１３は、第２の実施形態のグラフ化部１７０によるグラフ変換処理の動作を示すフローチャートである。

最初に、グラフ化部１７０は、出力されるグラフのルートノードを生成する（ステップS21 ）。次いで、グラフ化部１７０は、ラベル列の先頭からラベルを１つ取り出す（ステップS22 ）。

取り出されたラベルが”a” （設定項目）または”v” （設定値）以外のラベルである場合（ステップS23 における「その他」）、グラフ化部１７０は、ステップS27 の処理を行う。

取り出されたラベルが”a” （設定項目）または”v” （設定値）のラベルである場合（ステップS23 における「a 又はv 」）、グラフ化部１７０は、出力されるグラフ上で親ノードになるトークンのラベルを、取り出されたラベルよりも前に存在するラベル要素の中から探索する。具体的には、グラフ化部１７０は、同一行内にラベル”a” が存在するか否かを確認する（ステップS24 ）。

同一行内にラベル”a” が存在する場合（ステップS24 におけるYes ）、グラフ化部１７０は、ラベル”a” のトークンを親ノードとみなす。次いで、グラフ化部１７０は、ラベル”a” のノードと取り出されたラベルのノードの間にエッジ（グラフの辺）を作成する（ステップS26 ）。

同一行内にラベル”a” が存在しない場合（ステップS24 におけるNo）、グラフ化部１７０は、”n” （改行）を超えてさらに探索を行い、まだ子ノードが登録されていないラベル”a” が存在するか否かを確認する。すなわち、グラフ化部１７０は、前行に単独のラベル”a” が存在するか否かを確認する（ステップS25 ）。

前行に単独のラベル”a” が存在する場合（ステップS25 におけるYes ）、グラフ化部１７０は、ラベル”a” のトークンを親ノードとみなす。次いで、グラフ化部１７０は、ラベル”a” のノードと取り出されたラベルのノードの間にエッジを作成する（ステップS26 ）。

前行に単独のラベル”a” が存在しない場合（ステップS25 におけるNo）、グラフ化部１７０は、ルートノードを親ノードとみなす。次いで、グラフ化部１７０は、ルートノードと取り出されたラベルのノードの間にエッジを作成する（ステップS26 ）。

次いで、グラフ化部１７０は、ラベル列に残ラベルがあるか否かを確認する（ステップS27 ）。残ラベルがある場合（ステップS27 におけるYes ）、グラフ化部１７０は、再度ステップS22 の処理を行う。

残ラベルがない場合（ステップS27 におけるNo）、グラフ化部１７０は、グラフ変換処理を終了する。グラフ変換処理を実行することによって、グラフ化部１７０は、全てのラベル要素を用いてラベル付グラフのデータを生成できる。

なお、図１３に示すグラフ変換処理は、親ノードが所定の条件を満たしていることを利用してラベル列を基にグラフ構造を構築する処理の例である。所定の条件は、「親ノードが取り出されたラベルのノードの直前に存在する」や、「親ノードのラベルがattribute ラベルである」等である。

しかし、直列のラベル列から親ノードを導出しグラフデータを構築するために使用されるノード選出の条件は、図１３に記載されている条件に限定されない。

［動作の説明］
以下、本実施形態の構成管理装置１０１の構成情報を出力する動作を図１４を参照して説明する。図１４は、第２の実施形態の構成管理装置１０１による構成情報出力処理の動作を示すフローチャートである。

ステップS201～ステップS203の処理は、図１０に示すステップS101～ステップS103の処理と同様である。

構成予測部１３０は、入力された予測モデルとテキストデータとを基に、直列のラベル列を生成する（ステップS204）。構成予測部１３０は、生成された直列のラベル列とテキストデータとをグラフ化部１７０に入力する。

次いで、グラフ化部１７０は、入力された直列のラベル列とテキストデータとを基に、ラベル付グラフのデータを生成する（ステップS205）。グラフ化部１７０は、生成されたラベル付グラフのデータとテキストデータとを情報変換部１５０に入力する。

ステップS206～ステップS207の処理は、図１０に示すステップS105～ステップS106の処理と同様である。

［効果の説明］
本実施形態の構成管理装置１０１の予測モデル学習部１２０は、教師データとしてラベル付グラフより生成が容易なラベル列データを使用して予測モデルを学習する。すなわち、予測モデル学習部１２０は、予測モデルを学習する際のコストをより低減できる。

また、本実施形態の構成管理装置１０１は、特定の言語仕様やフォーマットに依存しない構成管理対象の構成情報を示唆するテキストデータを基に、利用者が要求するモデル化言語の仕様に即した構成情報を自動的に生成できる。

＝＝第３の実施の形態＝＝
［構成の説明］
次に、本発明の第３の実施形態を、図面を参照して説明する。図１５は、本発明による構成管理装置の第３の実施形態の構成例を示すブロック図である。本実施形態の構成管理装置１０２では、生成された構成情報を利用者が確認および編集できる。

図１５に示すように、本実施形態の構成管理装置１０２は、素性入力部１１０と、予測モデル学習部１２０と、構成予測部１３０と、管理対象モニタ部１４０と、情報変換部１５０と、構成情報編集部１８０とを備える。本実施形態の構成管理装置１０２の構成は、構成情報編集部１８０を除いて第１の実施形態の構成管理装置１００の構成と同様である。

第１の実施形態の構成管理装置１００と異なり、本実施形態の構成管理装置１０２には、構成情報出力部１６０の代わりに構成情報編集部１８０が備えられている。また、本実施形態の構成管理装置１０２は、入出力装置２１０と接続されている。

構成情報編集部１８０には、情報変換部１５０から構成情報が入力される。利用者は、入出力装置２１０を介して構成情報編集部１８０に入力された構成情報を参照および更新する。参照および更新が行われた後、構成情報編集部１８０は、構成情報を出力する。

なお、構成情報編集部１８０が変更された構成情報を情報変換部１５０に入力し、情報変換部１５０が入力された構成情報であるラベル付グラフのデータを逆変換することによって学習データを生成してもよい。

具体的には、構成情報編集部１８０が、情報変換部１５０が生成した構成情報を参照し、利用者の要求に応じて構成情報を修正する。次いで、情報変換部１５０は、修正結果を抽象モデルに変換し、予測モデル学習部１２０に抽象モデルを学習データとして入力する。次いで、予測モデル学習部１２０は、学習データの追加入力に応じて再度学習を行い、構成予測部１３０に更新された予測モデルを入力する。

上記のように、生成された学習データが予測モデル学習部１２０に入力されると、予測モデル学習部１２０は、予測モデルの再学習を行う。すなわち、構成予測部１３０が使用する予測モデルが更新される。

［動作の説明］
以下、本実施形態の構成管理装置１０２の構成情報を出力する動作を図１６を参照して説明する。図１６は、第３の実施形態の構成管理装置１０２による構成情報出力処理の動作を示すフローチャートである。

ステップS301～ステップS305の処理は、図１０に示すステップS101～ステップS105の処理と同様である。

構成情報編集部１８０は、入出力装置２１０から入力される指示に従って入力された構成情報を編集する（ステップS306）。次いで、構成情報編集部１８０は、編集された構成情報を出力する（ステップS307）。出力した後、構成管理装置１０２は、構成情報出力処理を終了する。

［効果の説明］
本実施形態の構成管理装置１０２を利用する利用者は、生成された構成情報の一部に誤りが存在する場合、構成情報編集部１８０を介して該当箇所を修正するだけで自動生成された構成情報全体を利用できる。

また、予測モデル学習部１２０が修正された内容を自動的に学習することによって、次回以降同様の誤りが発生する可能性が低減する。すなわち、生成される予測モデルの精度がより高められる。

各実施形態の構成管理装置を利用する利用者は、構成を管理するシステムの構成要素に関して、所定のモデル化言語に即した構成管理情報を取得できる。利用者は、構成管理対象から得られる構成情報を示唆するテキストデータの分析手順や分析方法を具体的な要素ごとに、構成管理装置に対して細かくかつ正確に指示しなくてよい。

なお、各実施形態の構成管理装置１００～構成管理装置１０２は、例えば、非一時的な記憶媒体に格納されているプログラムに従って処理を実行するCPU(Central Processing Unit)によって実現されてもよい。すなわち、素性入力部１１０、予測モデル学習部１２０、構成予測部１３０、管理対象モニタ部１４０、情報変換部１５０、構成情報出力部１６０、グラフ化部１７０、および構成情報編集部１８０は、例えば、プログラム制御に従って処理を実行するCPU によって実現されてもよい。

また、学習データ記憶部３００、および学習データ（ラベル）記憶部３１０は、例えばRAM(Random Access Memory) で実現されてもよい。

また、各実施形態の構成管理装置１００～構成管理装置１０２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、素性入力部１１０、予測モデル学習部１２０、構成予測部１３０、管理対象モニタ部１４０、情報変換部１５０、構成情報出力部１６０、グラフ化部１７０、および構成情報編集部１８０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。

次に、本発明の概要を説明する。図１７は、本発明による構成管理装置の概要を示すブロック図である。本発明による構成管理装置１０は、システムの構成情報が含まれているテキストデータの特徴を示す特徴情報とテキストデータおよびシステムの構成情報が含まれている学習データとを基に教師あり機械学習を実行することによって特徴情報が示す特徴を有するテキストデータである入力データからの入力データに含まれているシステムの構成情報の予測に使用される予測モデルを生成する生成手段１１（例えば、予測モデル学習部１２０）を備える。

そのような構成により、構成管理装置は、低コストで未知の構成管理対象から構成管理情報を把握できる。

また、構成管理装置１０は、生成された予測モデルと管理対象システムの構成情報が含まれているテキストデータである入力データとを基に構成情報を予測する予測手段（例えば、構成予測部１３０）を備えてもよい。

そのような構成により、構成管理装置は、生成された予測モデルを用いて管理対象システムの構成情報を把握できる。

また、構成管理装置１０は、予測された構成情報を所定の言語に対応した変換ルールに従って所定の言語で記述された情報に変換する変換手段（例えば、情報変換部１５０）を備えてもよい。

そのような構成により、構成管理装置は、利用者が指定したモデル化言語で記述された構成情報を出力できる。

また、構成管理装置１０は、所定の言語で記述された情報に対する編集の指示が入力される入力手段（例えば、構成情報編集部１８０）を備え、入力手段は、入力された指示に従って所定の言語で記述された情報を編集してもよい。

そのような構成により、構成管理装置は、生成された構成情報に存在する誤りを容易に修正できる。

また、生成手段１１は、編集された所定の言語で記述された情報を用いて生成された予測モデルを更新してもよい。

そのような構成により、構成管理装置は、生成される予測モデルの精度をより高めることができる。

また、予測手段は、管理対象システムの予測された構成情報を所定の形式で出力してもよい。

そのような構成により、構成管理装置は、ラベル付グラフのデータである構成情報を予測できる。

以上、実施形態および実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１７年３月２４日に出願された日本特許出願２０１７－０５８７２７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。

産業上の利用の可能性

本発明は、システムの障害や変更を自動的に検知したり、機能追加や機能更新を自動的に行ったりするシステム構成管理ツールに好適に適用される。また、本発明は、構築済みシステムの設計内容を可視化し、可視化された設計内容を基に新たなシステムを設計するリバースエンジニアリングツール製品の応用例にも好適に適用される。

１０、１００～１０２ 構成管理装置
１１ 生成手段
１１０ 素性入力部
１２０ 予測モデル学習部
１３０ 構成予測部
１４０ 管理対象モニタ部
１５０ 情報変換部
１６０ 構成情報出力部
１７０ グラフ化部
１８０ 構成情報編集部
２００ 入力装置
２１０ 入出力装置
３００ 学習データ記憶部
３１０ 学習データ（ラベル）記憶部
４００ 管理対象システム

Claims (10)

1. システムの構成情報を示唆するテキストデータの特徴を示す特徴情報と当該テキストデータおよび当該システムの構成情報が含まれている学習データとを基に教師あり機械学習を実行することによって、前記特徴情報が示す特徴を有する未知のテキストデータである入力データからの、前記入力データが示唆するシステムの構成情報の予測に使用される予測モデルを生成する生成手段を備える
   ことを特徴とする構成管理装置。
2. 生成された予測モデルと管理対象システムの構成情報が含まれているテキストデータである入力データとを基に前記構成情報を予測する予測手段を備える
   請求項１記載の構成管理装置。
3. 予測された構成情報を所定の言語に対応した変換ルールに従って前記所定の言語で記述された情報に変換する変換手段を備える
   請求項２記載の構成管理装置。
4. 所定の言語で記述された情報に対する編集の指示が入力される入力手段を備え、
   前記入力手段は、入力された指示に従って所定の言語で記述された情報を編集する
   請求項３記載の構成管理装置。
5. 生成手段は、編集された所定の言語で記述された情報を用いて生成された予測モデルを更新する
   請求項４記載の構成管理装置。
6. 予測手段は、管理対象システムの予測された構成情報を所定の形式で出力する
   請求項２から請求項５のうちのいずれか１項に記載の構成管理装置。
7. システムの構成情報を示唆するテキストデータの特徴を示す特徴情報と当該テキストデータおよび当該システムの構成情報が含まれている学習データとを基に教師あり機械学習を実行することによって、前記特徴情報が示す特徴を有する未知のテキストデータである入力データからの、前記入力データが示唆するシステムの構成情報の予測に使用される予測モデルを生成する
   ことを特徴とする構成管理方法。
8. 生成された予測モデルと管理対象システムの構成情報が含まれているテキストデータである入力データとを基に前記構成情報を予測する
   請求項７記載の構成管理方法。
9. コンピュータに、
   システムの構成情報を示唆するテキストデータの特徴を示す特徴情報と当該テキストデータおよび当該システムの構成情報が含まれている学習データとを基に教師あり機械学習を実行することによって、前記特徴情報が示す特徴を有する未知のテキストデータである入力データからの、前記入力データが示唆するシステムの構成情報の予測に使用される予測モデルを生成する生成処理
   を実行させるための構成管理プログラム。
10. コンピュータに、
    生成された予測モデルと管理対象システムの構成情報が含まれているテキストデータである入力データとを基に前記構成情報を予測する予測処理を実行させる
    請求項９記載の構成管理プログラム。

Images