JP7229496B1 - 異常検出のためのシステム、方法、及びコンピュータ可読媒体 - Google Patents

異常検出のためのシステム、方法、及びコンピュータ可読媒体 Download PDF

Info

Publication number
JP7229496B1
JP7229496B1 JP2022144468A JP2022144468A JP7229496B1 JP 7229496 B1 JP7229496 B1 JP 7229496B1 JP 2022144468 A JP2022144468 A JP 2022144468A JP 2022144468 A JP2022144468 A JP 2022144468A JP 7229496 B1 JP7229496 B1 JP 7229496B1
Authority
JP
Japan
Prior art keywords
endpoint
delay data
data
reconstruction error
endpoints
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
JP2022144468A
Other languages
English (en)
Other versions
JP2024039820A (ja
Inventor
林奇▲い▼
劉謹▲い▼
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.)
17Live Japan Inc
Original Assignee
17Live Japan Inc
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 17Live Japan Inc filed Critical 17Live Japan Inc
Priority to JP2022144468A priority Critical patent/JP7229496B1/ja
Priority to JP2023016868A priority patent/JP2024040102A/ja
Application granted granted Critical
Publication of JP7229496B1 publication Critical patent/JP7229496B1/ja
Priority to US18/338,942 priority patent/US20240086272A1/en
Publication of JP2024039820A publication Critical patent/JP2024039820A/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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Debugging And Monitoring (AREA)

Abstract

Figure 0007229496000001
【課題】異常検出のためのシステム、方法及びコンピュータ可読媒体を提供する。
【解決手段】第１のエンドポイントの遅延データを取得する工程と、第２のエンドポイントの遅延データを取得する工程と、表現学習モデルによって、第１のエンドポイントの遅延データと当該第２のエンドポイントの遅延データに基づき、第１のエンドポイントの遅延データの再構成誤差分布データを生成する工程と、第１のエンドポイントの新しい遅延データを取得する工程と、第２のエンドポイントの新しい遅延データを取得する工程と、表現学習モデルによって、第１のエンドポイントの新しい遅延データと第２のエンドポイントの新しい遅延データに基づき、第１のエンドポイントの新しい遅延データの再構成誤差を生成する工程と、再構成誤差分布データの分散特性と再構成誤差に基づき、第１のエンドポイントに対する異常スコアを生成する工程と、を含む。
【選択図】図６

Description

本発明は異常検出に関し、より具体的には、エンドポイントの異常検出に関する。
インターネット上でのデータ共有やデータアクセスは、私たちの日常生活に浸透している。多様なプラットフォームやプロバイダーがデータアクセスのサービスを提供しており、例えば、ライブストリーミング番組を提供するライブ配信プラットフォームなどがある。プラットフォーム（あるいはアプリケーション／ウェブページ）は、さまざまな種類のデータを提供するエンドポイントによって支えられている。あるプラットフォームに障害が発生した場合、その障害に関係する、または原因となっているエンドポイントを効率的に発見できることが重要である。
本発明の一実施態様による方法は、１以上のコンピュータによって実行される異常検出のための方法であり、第１のエンドポイントの遅延データを取得する工程と、第２のエンドポイントの遅延データを取得する工程と、表現学習モデルによって、当該第１のエンドポイントの当該遅延データと、当該第２のエンドポイントの当該遅延データに基づき、当該第１のエンドポイントの当該遅延データの再構成誤差分布データを生成する工程と、当該第１のエンドポイントの新しい遅延データを取得する工程と、当該第２のエンドポイントの新しい遅延データを取得する工程と、当該表現学習モデルによって、当該第１のエンドポイントの当該新しい遅延データと当該第２のエンドポイントの当該新しい遅延データに基づき、当該第１のエンドポイントの当該新しい遅延データの再構成誤差を生成する工程と、当該再構成誤差分布データの分散特性と当該再構成誤差に基づき、当該第１のエンドポイントに対する異常スコアを生成する工程と、を含む。
本発明の一実施態様によるシステムは、１以上のコンピュータプロセッサを含む異常検出のためのシステムであり、当該１以上のコンピュータプロセッサが、機械可読命令を実行して、第１のエンドポイントの遅延データを取得する工程と、第２のエンドポイントの遅延データを取得する工程と、表現学習モデルによって、当該第１のエンドポイントの当該遅延データと、当該第２のエンドポイントの当該遅延データに基づき、当該第１のエンドポイントの当該遅延データの再構成誤差分布データを生成する工程と、当該第１のエンドポイントの新しい遅延データを取得する工程と、当該第２のエンドポイントの新しい遅延データを取得する工程と、当該表現学習モデルによって、当該第１のエンドポイントの当該新しい遅延データと当該第２のエンドポイントの当該新しい遅延データに基づき、当該第１のエンドポイントの当該新しい遅延データの再構成誤差を生成する工程と、当該再構成誤差分布データの分散特性と当該再構成誤差に基づき、当該第１のエンドポイントに対する異常スコアを生成する工程と、を実行する。
本発明の一実施態様によるコンピュータ可読媒体は、異常検出のためのプログラムを含む非一時的なコンピュータ可読媒体であり、当該プログラムが１以上のコンピュータに、第１のエンドポイントの遅延データを取得する工程と、第２のエンドポイントの遅延データを取得する工程と、表現学習モデルによって、当該第１のエンドポイントの当該遅延データと、当該第２のエンドポイントの当該遅延データに基づき、当該第１のエンドポイントの当該遅延データの再構成誤差分布データを生成する工程と、当該第１のエンドポイントの新しい遅延データを取得する工程と、当該第２のエンドポイントの新しい遅延データを取得する工程と、当該表現学習モデルによって、当該第１のエンドポイントの当該新しい遅延データと当該第２のエンドポイントの当該新しい遅延データに基づき、当該第１のエンドポイントの当該新しい遅延データの再構成誤差を生成する工程と、当該再構成誤差分布データの分散特性と当該再構成誤差に基づき、当該第１のエンドポイントに対する異常スコアを生成する工程と、を実行させる。
本発明の一部の実施態様に基づく通信システムの概略図である。 本発明の一部の実施態様に基づくサーバの例示的なブロック図である。 一部のエンドポイントの遅延データの例である。 本発明の一部の実施態様に基づく例示的なデータフローチャートである。 本発明の一部の実施態様に基づく例示的なデータのフローチャートである。 本発明の一部の実施態様に基づく例示的なフローチャートである。 エンドポイントデータテーブル３１４の例である。 再構成誤差分布テーブル３１６に格納されたエンドポイントの再構成誤差分布データの例である。 異常スコアテーブル３１８の例である。 システムデータテーブル３２０の例である。 相関関係テーブル３２２の例である。 本発明の一部の実施態様に基づく異常検出の例である。 本発明の一部の実施態様に基づく例示的なデータのフローチャートである。 本発明の一部の実施態様に基づく例示的なデータのフローチャートである。
データ提供システムで障害やエラー、異常が発生した場合、できるだけ早くその原因を突き止めることが重要である。データ提供システム内には、データアクセス用に設定された様々なエンドポイントが存在する。これらのエンドポイントは互いに相関していることが多く、異常の原因となっている、あるいは関連性が最も高い疑いがあるエンドポイントを特定することは困難である。
従来の異常検出法では、技術者が経験則に基づき、すべてのエンドポイントを１つずつチェックする必要がある。疑わしい範囲は広く、検出に時間がかかり、非効率的である。
本発明は、疑わしい範囲を絞り込み、問題を引き起こす可能性の高いエンドポイントを提示する方法とシステムを開示するものである。したがって、その後の手動によるチェックを効率的に行うことが可能になる。
図１に、本発明の一部の実施態様に基づく通信システムの概略図を示す。
当該通信システム１は、コンテンツを介したインタラクションを伴うライブストリーミングサービスを提供することができる。ここで言う「コンテンツ」とは、コンピュータ装置で再生可能なデジタルコンテンツを指す。つまり、当該通信システム１は、ユーザがオンラインで他のユーザとのリアルタイムのインタラクションに参加することを可能にする。当該通信システム１は、複数のユーザ端末１０と、バックエンドサーバ３０と、ストリーミングサーバ４０とを含む。当該ユーザ端末１０、バックエンドサーバ３０、及びストリーミングサーバ４０は、ネットワーク９０（例えばインターネットとしてもよい）を介して接続される。当該バックエンドサーバ３０は、当該ユーザ端末及び（または）当該ストリーミングサーバ４０の間のインタラクションを同期させるサーバとすることができる。一部の実施態様において、当該バックエンドサーバ３０は、アプリケーション（APP）プロバイダーのサーバとしてもよい。当該ストリーミングサーバ４０は、ストリーミングデータまたはビデオデータを処理する、または提供するためのサーバである。一部の実施態様において、当該バックエンドサーバ３０と当該ストリーミングサーバ４０は、独立したサーバとしてもよい。一部の実施態様において、当該バックエンドサーバ３０と当該ストリーミングサーバ４０は、１つのサーバに統合してもよい。一部の実施態様において、当該ユーザ端末１０は、ライブストリーミングサービスのためのクライアント装置である。一部の実施態様において、当該ユーザ端末１０は、視聴者、ストリーマー、アンカー、ポッドキャスター、オーディエンス、リスナーなどと呼ばれることがある。当該ユーザ端末１０、バックエンドサーバ３０、及びストリーミングサーバ４０はそれぞれ情報処理装置の一例である。一部の実施態様において、当該ストリーミングは、ライブストリーミングまたはビデオ再生とすることができる。一部の実施態様において、ストリーミングは、オーディオストリーミング及び（または）ビデオストリーミングとすることができる。一部の実施態様において、ストリーミングは、オンラインショッピング、トークショー、タレントショー、娯楽イベント、スポーツイベント、音楽ビデオ、映画、コメディ、コンサートなどのコンテンツを含むことができる。
図２に、本発明の一部の実施態様に基づくサーバの例示的なブロック図を示す。
当該サーバ３００は、エンドポイントモニター３０２と、機械学習モデル３０４と、特徴演算ユニット３０６と、異常スコア生成ユニット３０８と、システムモニター３１０と、相関演算ユニット３１２と、エンドポイントデータテーブル３１４と、再構成誤差分布テーブル３１６と、異常スコアテーブル３１８と、システムデータテーブル３２０と、相関関係テーブル３２２を含む。当該サーバ３００は、エンドポイントデータベース２００と通信する。
当該エンドポイントモニター３０２は、当該エンドポイントデータベース２００からエンドポイントのパラメータやステータスを取得するように構成される。例えば、当該エンドポイントモニター３０２は、当該エンドポイントデータベース２００から各エンドポイントの遅延データを取得してもよい。一部の実施態様において、エンドポイントの遅延とは、エンドポイントがリクエストを受信したタイミングと、対応する応答を送信するタイミングの間の期間である。取得したエンドポイントのパラメータは、当該エンドポイントデータテーブル３１４に格納される。
当該機械学習モデル３０４は、入力されたデータの表現を学習するように構成される。例えば、当該機械学習モデル３０４は、当該機械学習モデル３０４に入力されるエンドポイント遅延データの圧縮表現を学習するように構成される。一部の実施態様において、当該機械学習モデル３０４は、エンコーダとデコーダとで構成されるオートエンコーダモデルであるか、またはオートエンコーダモデルを含む。一部の実施態様において、当該エンコーダは、入力データを圧縮し、当該デコーダは、当該エンコーダによって提供される圧縮されたバージョンから当該入力データを再構成（または表現）しようとする。一部の実施態様において、当該機械学習モデル３０４は、時間的畳み込みネットワークオートエンコーダ（ＴＣＮ―Ａｕｔｏｅｎｃｏｄｅｒ）であるか、それを含む。
一部の実施態様において、当該機械学習モデル３０４は、エンドポイントの履歴遅延データによって訓練され、当該入力データをできるだけ近似させて再構成するためにそれ自体の調整を試みる。当該機械学習モデル３０４はまた、当該入力データと再構成されたデータとの間の差分を生成する。この差分は、再構成誤差データと呼ばれてもよい。
一部の実施態様において、（当該機械学習モデル３０４に入力される）各エンドポイントの当該遅延データは、図３に示すように、トレーニングセットと検証セットとを含む。当該トレーニングセットは、再構成学習（または表現学習／特徴学習）のために当該機械学習モデル３０４を訓練または調整するために使用される。複数の遅延値を含む当該検証セットは、対応するエンドポイントの再構成誤差分布データを生成するために使用される。当該機械学習モデル３０４のニューラルネットワークの性質により、異なるエンドポイントからの当該遅延データは、学習プロセスにおいて互いに相関性がある。したがって、あるエンドポイントの遅延データの再構成誤差分布データは、そのエンドポイントの当該遅延データと他のエンドポイントの遅延データに基づいて（またはそれらの影響を受けて／それらに相関して）生成される。
当該特徴演算ユニット３０６は、当該機械学習モデル３０４が出力する各エンドポイントの当該再構成誤差分布データの分散特性を演算または生成するように構成される。例えば、当該特徴演算ユニット３０６は、各エンドポイントに関する再構成誤差分布データの２５パーセンタイル（ｐ２５）、７５パーセンタイル（ｐ７５）、および四分位範囲（ＩＱＲ）を演算する。一部の実施態様において、当該再構成誤差分布データと当該分散特性は、当該再構成誤差分布テーブル３１６に格納される。
当該異常スコア生成ユニット３０８は、各エンドポイントについて異常スコアを生成するように構成される。一部の実施態様において、エンドポイントの当該異常スコアは、（１）当該エンドポイントの当該再構成誤差分布データの当該分散特性、および（２）当該エンドポイントの新しい遅延データの（またはそれに対応する）再構成誤差に基づいて生成される。
当該再構成誤差は、全エンドポイントの新しい遅延データを当該機械学習モデル３０４への入力とすることで、当該機械学習モデル３０４により生成される。例えば、エンドポイントＥＰ１の新しい遅延データの当該再構成誤差は、当該エンドポイントＥＰ１の新しい遅延データと他のエンドポイントの新しい遅延データを当該機械学習モデル３０４に入力することにより、生成される。したがって、当該エンドポイントＥＰ１の当該新しい遅延データの当該再構成誤差は、当該エンドポイントＥＰ１の当該新しい遅延データ及び他のエンドポイントの新しい遅延データと相関性がある。
各エンドポイントの新しい遅延データ（またはテストセット）の例を図３に示す。当該新しい遅延データは、当該機械学習モデル３０４の訓練または再構成誤差分布データの生成に使用された当該遅延データと異なる。一部の実施態様において、当該新しい遅延データは、データ提供システムで障害が発生する直前のエンドポイントの遅延データである。例えば、当該新しい遅延データは、障害が発生する直前１時間の遅延データであり得る。一部の実施態様において、当該新しい遅延データは、遅延データのテストセットと呼ばれてもよい。
一部の実施態様において、エンドポイントについて、当該異常スコアは、次のように計算／定義される：（当該エンドポイントの新しい遅延データの）再構成誤差と対応するｐ７５値との間の差分が、対応するＩＱＲで除算される。すなわち、当該異常スコアは、（新しい遅延データの再構成誤差－ｐ７５）／ＩＱＲである。したがって、当該異常スコアは、当該新しい遅延データの当該再構成誤差が対応する当該再構成誤差分布データに対してどの程度異常であるかを表す。各エンドポイントについて計算された当該異常スコアは、当該異常スコアテーブル３１８に格納される。一部の実施態様において、計算された当該異常スコアが負の数である場合、それはゼロとして保存される。
一部の実施態様において、より高い異常スコアは、対応するエンドポイントがより異常な新しい遅延データを有することを示し、したがって、対応する当該エンドポイントが障害の原因である／障害に関連する可能性がより高い場合がある。当該異常スコア生成ユニット３０８（または別のフィルタリングユニット）は、異常スコアによってエンドポイントにフィルタリング処理を実行し、障害の原因である／障害に関連する可能性がある、疑わしいエンドポイントを見つけ出すことができる。技術者によるデバッグなどの後続の人為的な検査は、まずこれらの疑わしいエンドポイントに対して実行することができる。
当該システムモニター３１０は、システムパラメータを取得するように構成される。当該システムパラメータは、バックエンドサーバおよび／またはストリーミングサーバのＣＰＵ使用率、メモリ使用率または帯域幅を含んでもよい。取得された当該システムパラメータは、当該システムデータテーブル３２０に格納される。
当該相関演算ユニット３１２は、当該システムパラメータとエンドポイントの遅延データ間の相関性を演算するように構成される。例えば、システムで障害が発生した場合、当該相関演算ユニット３１２は、障害発生前の直近１時間におけるシステムパラメータと、障害発生前の直近１時間における遅延データ間の相関性を演算する。したがって、どのエンドポイントが、障害前の直近１時間における特定のシステムパラメータとより相関性が高い（または最も相関性が高い）かを知ることができる。当該特定のシステムパラメータとは、障害と相関性があると考えられるパラメータ、あるいは障害を反映できると考えられるパラメータであってもよい。演算された相関値は、当該相関関係テーブル３２２に格納される。
例えば、発生した障害がバックエンドサーバのメモリ使用率と相関性があると考えられる場合、バックエンドサーバのメモリ使用率との相関値でエンドポイントをフィルタリングし、障害の原因となりうる疑わしいエンドポイントを見つけ出すことができる。当該フィルタリング処理は、当該相関演算ユニット３１２によって実行されても、別のフィルタリングユニットによって実行されてもよい。
一部の実施態様において、当該異常スコアによってすべての利用可能なエンドポイントに対して第１のフィルタリングを行い、疑わしいエンドポイントの第１のグループを取得したうえで、次にシステムパラメータとの相関値によって疑わしいエンドポイントの当該第１のグループに対して第２のフィルタリングを行い、疑わしい範囲をさらに絞り込む。それにより、その後手動によりデバッグを行う疑わしいエンドポイントの数を大幅に減らすことができ、時間とコストを節約することができる。
当該エンドポイントデータベース２００は、エンドポイントのパラメータまたはステータスを格納するように構成される。図２に示す実施態様において、当該エンドポイントデータベース２００は、当該サーバ３００の外部に配備される。一部の実施態様において、当該エンドポイントデータベース２００は、当該サーバ３００の内部に配備されてもよい。
図３に、一部のエンドポイントの遅延データの例を示す。各エンドポイント（ＥＰ）の当該遅延データは、トレーニングセットと、検証セットと、テストセット（または新しい遅延データ）を有する。
一部の実施態様において、Ｔ１とは障害のタイミングを指す。すべてのエンドポイントの当該新しい遅延データは、当該機械学習モデル３０４に入力され、各エンドポイントの当該新しい遅延データの再構成誤差が生成される。すべてのエンドポイントの当該検証セットは、当該機械学習モデル３０４に入力され、各エンドポイントの再構成誤差分布データが生成される。すべてのエンドポイントの当該トレーニングセットは、対応する特徴を学習するために当該機械学習モデル３０４を訓練するために使用される。当該テストセットの長さは、例えば、１時間であってもよい。当該検証セットの長さは、例えば、１週間であってもよい。当該トレーニングセットの長さは、例えば、３～４週間であってもよい。
図４に、本発明の一部の実施態様に基づく例示的なデータのフローチャートを示す。ここでは、数十、数百または数千のエンドポイントなど、複数のエンドポイントを代表して、２つのエンドポイントが示されている。一部の実施態様において、図４に示すデータフローは、機械学習モデルの訓練段階と呼ぶことができる。
図４に示すように、すべてのエンドポイントの遅延データのトレーニングセットが、当該機械学習モデル３０４の訓練のために、当該機械学習モデル３０４に入力される。訓練の後、すべてのエンドポイントの遅延データの検証セットが、当該機械学習モデル３０４に入力され、各エンドポイントの再構成誤差分布データが生成される。次に、各エンドポイントの当該再構成誤差分布データが、当該特徴演算ユニット３０６に入力され、各エンドポイントのＩＱＲ値及びｐ７５値などの分散特性が生成される。その後、当該分散特性は当該再構成誤差分布テーブル３１６に格納される。
図５に、本発明の一部の実施態様に基づく例示的なデータのフローチャートを示す。ここでは、数十、数百または数千のエンドポイントなど、複数のエンドポイントを代表して、２つのエンドポイントが示されている。一部の実施態様において、図５に示すデータフローは、機械学習モデルの推論段階と呼ぶことができる。
図５に示すように、すべてのエンドポイントの当該新しい遅延データは、当該機械学習モデル３０４に入力され、各エンドポイントの当該新しい遅延データの再構成誤差が生成される。次に、当該異常スコア生成ユニット３０８は、（再構成誤差分布表３１６から）各エンドポイントのＩＱＲ値及びｐ７５値と、各エンドポイントの新しい遅延データの当該再構成誤差を入力として取得し、各エンドポイントの異常スコアを出力として提供する。その後、当該異常スコアは、当該異常スコアテーブル３１８に格納される。
図６に、本発明の一部の実施態様に基づく例示的なフローチャートを示す。一部の実施態様において、これはデータ提供システムの一部の異常検出フローである。
工程Ｓ６００において、例えば、当該エンドポイントモニター３０２により、エンドポイントの遅延データが取得される。当該遅延データは、各エンドポイントトレーニングセットデータと検証セットデータを含む。
工程Ｓ６０２において、例えば、当該機械学習モデル３０４により、各エンドポイントの再構成誤差分布データが生成される。当該機械学習モデル３０４の訓練には、当該エンドポイントの遅延データの当該トレーニングセットが使用される。続いて当該エンドポイントの遅延データの当該検証セットが当該機械学習モデル３０４に入力され、各エンドポイントの当該再構成誤差分布データが生成される。
工程Ｓ６０４において、例えば、当該特徴演算ユニット３０６により、各エンドポイントのＩＱＲ値とｐ７５値などの分散特性が演算される。各エンドポイントの分散特性は、そのエンドポイントの再構成誤差分布データに基づいて演算される。
工程Ｓ６０６において、システムで障害が発生する。
工程Ｓ６０８において、例えば、当該エンドポイントモニター３０２により、各エンドポイントの新しい遅延データが取得される。新しい遅延データは、例えば、障害発生前の直近１時間のエンドポイントの遅延データであってもよい。
工程Ｓ６１０において、例えば、当該機械学習モデル３０４により、各エンドポイントの新しい遅延データの再構成誤差が生成される。当該エンドポイントの新しい遅延データが、（当該エンドポイントの過去の遅延データにより訓練された）当該機械学習モデル３０４に入力され、各エンドポイントの再構成誤差が生成される。
工程Ｓ６１２において、各エンドポイントの異常スコアが、対応する新しい遅延データ再構成誤差と、対応するＩＱＲ値及びｐ７５値に基づいて計算される。この計算は、例えば、当該異常スコア生成ユニット３０８によって実行されてもよい。
工程Ｓ６１４において、当該エンドポイントがそれぞれの異常スコアによってフィルタリングされ、障害の原因である／障害に関連する可能性がある、疑わしいエンドポイントの第１のグループが生成される。当該フィルタリング処理は、当該異常スコア生成ユニット３０８、または別のフィルタリングユニットによって実行されてもよい。
工程Ｓ６１６において、例えば、当該システムモニター３１０により、システムパラメータが取得される。例えば、障害発生前の直近１時間のシステムパラメータの値が取得される。
工程Ｓ６１８において、例えば、当該相関演算ユニット３１２により、各エンドポイントの新しい遅延データと各システムパラメータの値との相関性（または相関値）が演算される。
工程Ｓ６２０において、疑わしいエンドポイントの当該第１のグループ内の当該エンドポイントが、１つ以上のパラメータとのそれぞれの相関値によってフィルタリングされ、障害の原因である可能性がある疑わしいエンドポイントの第２のグループが生成される。当該フィルタリング処理は、当該相関演算ユニット３１２によって実行されても、別のフィルタリングユニットによって実行されてもよい。
工程Ｓ６２２において、当該疑わしいエンドポイントが、さらなるデバッグ処理のため技術者に報告される。
図７に、エンドポイントデータテーブル３１４の例を示す。
この例において、エンドポイントＥＰ１は時系列遅延値シーケンス［６０ｍｓ、１５０ｍｓ、４００ｍｓ、…］を有し、エンドポイントＥＰ２は時系列遅延値シーケンス［１０００ｍｓ、１３００ｍｓ、７８０ｍｓ、…］を有することが分かる。
図８に、再構成誤差分布テーブル３１６に格納されたエンドポイントの再構成誤差分布データの例を示す。
この例において、当該再構成誤差分布データは、Ｘ軸に示す（対応する検証セットデータの）再構成誤差と、Ｙ軸に示すそのそれぞれの量によって特定される。ＩＱＲ値やｐ７５値などの分散特性が適宜計算され、同様に当該再構成誤差分布テーブル３１６に格納される。
図９に、異常スコアテーブル３１８の例を示す。
エンドポイントＥＰ１の当該異常スコアは５.２である。つまり：（ＥＰ１の新しい遅延データの再構成誤差－ＥＰ１のｐ７５）は、ＥＰ１のＩＱＲの５.２倍である。
エンドポイントＥＰ２の当該異常スコアは０.７である。つまり：（ＥＰ２の新しい遅延データの再構成誤差－ＥＰ２のｐ７５）は、ＥＰ２のＩＱＲの０.７倍である。
一部の実施態様において、異常スコア閾値を設定し、異常スコアが当該閾値よりも大きい場合、対応するエンドポイントが、障害の原因である／障害に関連する可能性がある、疑わしい閾値として分類されるようにしてもよい。当該異常スコア閾値は、実際の実践、実験、または経験に基づいて決定することができる。
図１０に、システムデータテーブル３２０の例を示す。
この例では、パラメータ「ＣＰＵ使用率」が監視され、時系列で［６３％、７５％、８１％、・・・］となり、パラメータ「メモリ使用率」が監視され、時系列で［８１％、８３％、７７％、・・・］となっている。このシステムは、データ提供プラットフォームのバックエンドサーバであってもよい。
図１１に、相関関係テーブル３２２の例を示す。
相関値は、各エンドポイントの遅延値と、障害発生前の直近１時間における各システムパラメータの値で演算されてもよい。一部の実施態様において、相関閾値を設定し、相関値が当該閾値より大きい場合、対応するエンドポイントと対応するシステムパラメータに相関性があると判断することができる。
エンドポイントによって遅延特性が異なるのは、例えば、エンドポイントが扱う値の尺度が異なるためである場合がある。あるエンドポイントの遅延データは、他のエンドポイントの遅延データよりもばらつきが大きい傾向がある。表現学習モデルなどの機械学習モデルは、異なるエンドポイントに対して性能が異なる場合がある。したがって、新しい遅延データ再構成誤差が大きいからといって、対応するエンドポイントがより異常である（あるいは、障害の原因であるエンドポイントの疑いがより高い）とは限らない。本発明で説明した再構成誤差分布データの分散特性に基づいて決定された異常スコアは、新しい遅延データ再構成誤差の絶対値を比較することによって生じるバイアス（あるいは誤判定）を排除することができる。
図１２に、本発明の一部の実施態様に基づく異常検出の例を示す。
ＥＰ１とＥＰ２の再構成誤差分布データから、ＥＰ２の方が再構成誤差が大きい傾向があることがわかる。再構成誤差分布データから演算された分散特性を再構成誤差分布データと合わせて示す。ＥＰ１の新しい遅延データの再構成誤差とＥＰ２の新しい遅延データの再構成誤差はともに６０ｍｓと演算される。ＥＰ１の異常スコアは約５であり、ＥＰ２の異常スコアは約０.７と演算される。
この例では、新しい遅延データ再構成誤差の絶対値はＥＰ１とＥＰ２について同じであるが、ＥＰ１は障害の原因としてＥＰ２よりも疑わしいと考えられるであろう。
一部の実施態様において、機械学習モデル３０４において時間的畳み込みネットワークオートエンコーダを利用することは、長・短期記憶（ＬＳＴＭ）やゲート付き回帰型ユニット（ＧＲＵ）ネットワークと比較して、より速い処理（訓練または推論処理など）を実現し得る。一部の実施態様において、機械学習モデル３０４において時間的畳み込みネットワークオートエンコーダを利用することは、トランスフォーマーモデルと比較して、メカニズムまたはアルゴリズムがより軽くなる可能性がある。
図１３に、本発明の一部の実施態様に基づく例示的なデータのフローチャートを示す。ここでは、数十、数百または数千のエンドポイントなど、複数のエンドポイントを代表して、２つのエンドポイントが示されている。一部の実施態様において、図１３に示すデータフローは、機械学習モデルの訓練段階と呼ぶことができる。
図１３は図４と類似しているが、各エンドポイントに対応する機械学習モデルが１つであることが異なる。各機械学習モデルは、オートエンコーダモデルなどの表現学習モデルであってもよい。図１３に示すように、当該機械学習モデルＭＬ１は、エンドポイントＥＰ１の遅延データのトレーニング部分により訓練される。そして、当該機械学習モデルＭＬ１は、エンドポイントＥＰ１の遅延データの検証部分を入力として、対応する再構成誤差分布データを出力する。エンドポイントＥＰ２についても同様である。その後、当該特徴演算ユニット３０６は、各エンドポイントの再構成誤差分布データについて、ＩＱＲ値およびｐ７５値を演算する。ＩＱＲ値およびｐ７５値は、再構成誤差分布テーブル３１６に格納される。
本実施態様において、あるエンドポイントの再構成誤差分布データの生成は、他のエンドポイントの遅延データとは無関係である。
図１４に、本発明の一部の実施態様に基づく例示的なデータのフローチャートを示す。ここでは、数十、数百または数千のエンドポイントなど、複数のエンドポイントを代表して、２つのエンドポイントが示されている。一部の実施態様において、図１３に示すデータフローは、機械学習モデルの推論段階と呼ぶことができる。
図１４は図５と類似しているが、各エンドポイントに対応する機械学習モデルが１つであることが異なる。各機械学習モデルは、オートエンコーダモデルなどの表現学習モデルであってもよい。図１４に示すように、当該機械学習モデルＭＬ１は、エンドポイントＥＰ１の新しい遅延データを入力として、対応する再構成誤差を出力する。そして、当該機械学習モデルＭＬ２はエンドポイントＥＰ２の新しい遅延データを入力として、対応する再構成誤差を出力する。以降のフローは、図５と同様である。
本実施態様において、あるエンドポイントの新しい遅延データに対する再構成誤差の生成は、他のエンドポイントの新しい遅延データとは無関係である。したがって、あるエンドポイントの異常スコアは、他のエンドポイントの遅延データ（または新しい遅延データ）とは無関係である。
図１３と図１４に示す実施態様において、当該データ提供システムに新たに含まれる新しいエンドポイントがある場合、各エンドポイントについて訓練済みの機械学習モデルは影響を受けず、何らかの障害が発生した場合、異常スコアを生成するために依然として使用され得る。
一部の実施態様において、当該機械学習モデルに入力する前に、エンドポイントの遅延データに対して実行される前処理が存在してもよい。例えば、当該機械学習モデルの学習性能をさらに高めるために、正規化変換処理が実行されてもよい。
一部の実施態様において、再構成誤差を生成するために使用される新しい遅延データのデータ長は、機械学習モデルの訓練段階における遅延データのトレーニングセットの単位データ長と同じである。一部の実施態様において、再構成誤差を生成するために使用される新しい遅延データのデータ長は、再構成誤差分布データについて各再構成誤差を生成するために使用される遅延データの検証セットの単位データ長と同じである。一部の実施態様において、当該データ長は、例えば、１時間内における遅延サンプルの量であってもよい。
本発明で説明した処理及び手順は、明示的に説明したものに加えて、ソフトウェア、ハードウェア、またはそれらの任意の組み合わせにより実現することができる。例えば、本明細書で説明した処理および手順は、その処理および手順に対応するロジックを集積回路、揮発性メモリ、不揮発性メモリ、非一時的なコンピュータ可読媒体、磁気ディスクなどの媒体に実装することにより実現することができる。さらに、本明細書に記載された処理および手順は、その処理および手順に対応するコンピュータプログラムとして実現することができ、各種のコンピュータにより実行することができる。
さらに、上記実施態様で説明したシステムまたは方法は、固体記憶装置、光ディスク記憶装置、磁気ディスク記憶装置などの非一時的なコンピュータ可読媒体に格納されたプログラムに統合されてもよい。あるいは、プログラムは、インターネットを介してサーバからダウンロードされ、プロセッサにより実行されるものとしてもよい。
以上、本発明の技術的内容及び特徴を説明したが、本発明の属する技術分野において通常の知識を有する者であれば、本発明の教示及び開示から逸脱することなく、なお多くの変形及び修正を行うことができる。したがって、本発明の範囲は、既に開示された実施態様に限定されず、本発明から逸脱しない別の変形や修正を含む、特許請求の範囲に含まれる範囲である。
１ 通信システム
１０ ユーザ端末
３０ バックエンドサーバ
４０ ストリーミングサーバ
９０ ネットワーク
２００ エンドポイントデータベース
３００ サーバ
３０２ エンドポイントモニター
３０４ 機械学習モデル
３０６ 特徴演算ユニット
３０８ 異常スコア生成ユニット
３１０ システムモニター
３１２ 相関演算ユニット
３１４ エンドポイントデータテーブル
３１６ 再構成誤差分布テーブル
３１８ 異常スコアテーブル
３２０ システムデータテーブル
３２２ 相関関係テーブル
ＥＰ１、ＥＰ２、ＥＰ３ エンドポイント
Ｓ６００、Ｓ６０２、Ｓ６０４、Ｓ６０６ Ｓ６０８、Ｓ６１０、Ｓ６１２ 工程
Ｓ６１４、Ｓ６１６、Ｓ６１８、Ｓ６２０、Ｓ６２２ 工程

Claims (10)

  1. 異常検出のための方法であって、
    第１のエンドポイントの遅延データを取得する工程と、
    第２のエンドポイントの遅延データを取得する工程と、
    前記第１のエンドポイントの前記遅延データと、前記第２のエンドポイントの前記遅延データに基づき、表現学習モデルにより、前記第１のエンドポイントの前記遅延データの再構成誤差分布データを生成する工程と、
    前記第１のエンドポイントの新しい遅延データを取得する工程と、
    前記第２のエンドポイントの新しい遅延データを取得する工程と、
    前記第１のエンドポイントの前記新しい遅延データと、前記第２のエンドポイントの前記新しい遅延データに基づき、前記表現学習モデルにより、前記第１のエンドポイントの前記新しい遅延データの再構成誤差を生成する工程と、
    前記再構成誤差分布データの分散特性と前記再構成誤差に基づき、前記第１のエンドポイントの異常スコアを生成する工程と、
    を含むことを特徴とする、異常検出のための方法。
  2. 前記表現学習モデルが、時間的畳み込みネットワークオートエンコーダ（ＴＣＮオートエンコーダ）モデルであり、前記第１のエンドポイントの前記遅延データの前記再構成誤差分布データが、前記第１のエンドポイントの前記遅延データと、前記第２のエンドポイントの前記遅延データを前記ＴＣＮオートエンコーダモデルに入力することにより生成される、ことを特徴とする、請求項１に記載の異常検出のための方法。
  3. さらに、前記第１のエンドポイントの前記遅延データと、前記第２のエンドポイントの前記遅延データに基づき、前記表現学習モデルにより、前記第２のエンドポイントの前記遅延データの再構成誤差分布データを生成する工程を含む、ことを特徴とする、請求項１に記載の異常検出のための方法。
  4. 前記異常スコアが、前記再構成誤差分布データの四分位範囲と７５パーセンタイルに基づき生成される、ことを特徴とする、請求項１に記載の異常検出のための方法。
  5. 前記第１のエンドポイントの前記遅延データが、第１のトレーニングセットと第１の検証セットを含み、前記第２のエンドポイントの前記遅延データが、第２トレーニングセットと、第２検証セットを含み、前記表現学習モデルが、 前記第１のトレーニングセットと前記第２のトレーニングセットにより訓練され、前記再構成誤差分布データが、前記第１の検証セットと前記第２の検証セットを前記表現学習モデルに入力することにより生成される、ことを特徴とする、請求項１に記載の異常検出のための方法。
  6. さらに、
    システムパラメータの値を取得する工程と、
    前記システムパラメータの値と、前記第１のエンドポイントの前記新しい遅延データの値との間の第１の相関値を生成する工程と、
    前記システムパラメータの値と、前記第２のエンドポイントの前記新しい遅延データの値との間の第２の相関値を生成する工程と、
    を含む、ことを特徴とする、請求項１に記載の異常検出のための方法。
  7. さらに、
    複数のエンドポイントの遅延データを取得する工程と、
    前記複数のエンドポイントの前記遅延データに基づき、ＴＣＮオートエンコーダにより、各前記複数のエンドポイントの前記遅延データの再構成誤差分布データを生成する工程と、
    前記複数のエンドポイントの新しい遅延データを取得する工程と、
    前記複数のエンドポイントの新しい遅延データに基づき、各前記複数のエンドポイントの前記新しい遅延データの再構成誤差を生成する工程と、
    対応する前記再構成誤差分布データの分散特性と対応する前記再構成誤差に基づき、各前記複数のエンドポイントの異常スコアを生成する工程と、
    対応する前記エンドポイントの新しい遅延データとシステムパラメータに基づき、各前記複数のエンドポイントについて相関性データを生成する工程と、
    各前記複数のエンドポイントの前記異常スコアに基づいて前記複数のエンドポイントをフィルタリングし、エンドポイントの第１のグループを作成する工程と、
    前記第１のグループの各前記エンドポイントの相関性データに基づき、前記エンドポイントの前記第１のグループをフィルタリングして、エンドポイントの第２のグループを作成する工程と、
    を含む、ことを特徴とする、請求項１に記載の異常検出のための方法。
  8. 異常検出のためのシステムであって、１以上のプロセッサを含み、そのうち、前記１以上のプロセッサが、機械可読命令を実行して、
    第１のエンドポイントの遅延データを取得する工程と、
    第２のエンドポイントの遅延データを取得する工程と、
    前記第１のエンドポイントの前記遅延データと、前記第２のエンドポイントの前記遅延データに基づき、表現学習モデルにより、前記第１のエンドポイントの前記遅延データの再構成誤差分布データを生成する工程と、
    前記第１のエンドポイントの新しい遅延データを取得する工程と、
    前記第２のエンドポイントの新しい遅延データを取得する工程と、
    前記第１のエンドポイントの前記新しい遅延データと、前記第２のエンドポイントの前記新しい遅延データに基づき、前記表現学習モデルにより、前記第１のエンドポイントの前記新しい遅延データの再構成誤差を生成する工程と、
    前記再構成誤差分布データの分散特性と前記再構成誤差に基づき、前記第１のエンドポイントの異常スコアを生成する工程と、
    を実行することを特徴とする、異常検出のためのシステム。
  9. 前記１以上のプロセッサが、機械可読命令を実行して、さらに、
    前記第１のエンドポイントの前記遅延データと、前記第２のエンドポイントの前記遅延データに基づき、前記表現学習モデルにより、前記第２のエンドポイントの前記遅延データの再構成誤差分布データを生成する工程を実行する、ことを特徴とする、請求項８に記載の異常検出のためのシステム。
  10. 異常検出のためのプログラムを含む非一時的なコンピュータ可読媒体であって、そのうち、前記プログラムが、１以上のコンピュータに、
    第１のエンドポイントの遅延データを取得する工程と、
    第２のエンドポイントの遅延データを取得する工程と、
    前記第１のエンドポイントの前記遅延データと、前記第２のエンドポイントの前記遅延データに基づき、表現学習モデルにより、前記第１のエンドポイントの前記遅延データの再構成誤差分布データを生成する工程と、
    前記第１のエンドポイントの新しい遅延データを取得する工程と、
    前記第２のエンドポイントの新しい遅延データを取得する工程と、
    前記第１のエンドポイントの前記新しい遅延データと、前記第２のエンドポイントの前記新しい遅延データに基づき、前記表現学習モデルにより、前記第１のエンドポイントの前記新しい遅延データの再構成誤差を生成する工程と、
    前記再構成誤差分布データの分散特性と前記再構成誤差に基づき、前記第１のエンドポイントの異常スコアを生成する工程と、
    を実行させる、ことを特徴とする、非一時的なコンピュータ可読媒体。
JP2022144468A 2022-09-12 2022-09-12 異常検出のためのシステム、方法、及びコンピュータ可読媒体 Active JP7229496B1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2022144468A JP7229496B1 (ja) 2022-09-12 2022-09-12 異常検出のためのシステム、方法、及びコンピュータ可読媒体
JP2023016868A JP2024040102A (ja) 2022-09-12 2023-02-07 異常検出のためのシステム、方法、及びコンピュータ可読媒体
US18/338,942 US20240086272A1 (en) 2022-09-12 2023-06-21 System, method and computer-readable medium for anomaly detection

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022144468A JP7229496B1 (ja) 2022-09-12 2022-09-12 異常検出のためのシステム、方法、及びコンピュータ可読媒体

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023016868A Division JP2024040102A (ja) 2022-09-12 2023-02-07 異常検出のためのシステム、方法、及びコンピュータ可読媒体

Publications (2)

Publication Number Publication Date
JP7229496B1 true JP7229496B1 (ja) 2023-02-28
JP2024039820A JP2024039820A (ja) 2024-03-25

Family

ID=85330588

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2022144468A Active JP7229496B1 (ja) 2022-09-12 2022-09-12 異常検出のためのシステム、方法、及びコンピュータ可読媒体
JP2023016868A Pending JP2024040102A (ja) 2022-09-12 2023-02-07 異常検出のためのシステム、方法、及びコンピュータ可読媒体

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023016868A Pending JP2024040102A (ja) 2022-09-12 2023-02-07 異常検出のためのシステム、方法、及びコンピュータ可読媒体

Country Status (2)

Country Link
US (1) US20240086272A1 (ja)
JP (2) JP7229496B1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118095106B (zh) * 2024-04-23 2024-06-28 珠海翔翼航空技术有限公司 一种飞机剩余燃油值预测方法、系统和设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019087987A1 (ja) 2017-11-02 2019-05-09 日本電信電話株式会社 異常検知装置、異常検知方法、及びプログラム
US20190334784A1 (en) 2017-01-17 2019-10-31 Telefonaktiebolaget Lm Ericsson (Publ) Methods and apparatus for analysing performance of a telecommunications network
CN115098330A (zh) 2022-06-27 2022-09-23 重庆大学 基于云边协同模式的设备异常检测系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3594860B1 (en) * 2018-07-09 2024-05-08 Tata Consultancy Services Limited Sparse neural network based anomaly detection in multi-dimensional time series

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190334784A1 (en) 2017-01-17 2019-10-31 Telefonaktiebolaget Lm Ericsson (Publ) Methods and apparatus for analysing performance of a telecommunications network
WO2019087987A1 (ja) 2017-11-02 2019-05-09 日本電信電話株式会社 異常検知装置、異常検知方法、及びプログラム
CN115098330A (zh) 2022-06-27 2022-09-23 重庆大学 基于云边协同模式的设备异常检测系统及方法

Also Published As

Publication number Publication date
JP2024040102A (ja) 2024-03-25
US20240086272A1 (en) 2024-03-14
JP2024039820A (ja) 2024-03-25

Similar Documents

Publication Publication Date Title
Sinno et al. Large-scale study of perceptual video quality
JP7229496B1 (ja) 異常検出のためのシステム、方法、及びコンピュータ可読媒体
US9338072B2 (en) Optimizing the quality of audio within a teleconferencing session via an adaptive codec switching
DK2654225T3 (en) UPstream ERROR DETECTION
US10541894B2 (en) Method for assessing the perceived quality of adaptive video streaming
CN108632213A (zh) 设备信息处理方法及装置
US11265609B2 (en) Deep reinforcement learning for personalized screen content optimization
CN107179995A (zh) 一种计算机网络应用程序的性能测试方法
Rao et al. A large-scale evaluation of the bitstream-based video-quality model ITU-T P. 1204.3 on gaming content
CN114155852A (zh) 语音处理方法、装置、电子设备及存储介质
García et al. Testing framework for WebRTC services
CN106919508A (zh) 一种计算机网络应用程序测试案例的生成方法
Eswara et al. Modeling continuous video QoE evolution: A state space approach
CN115834443A (zh) 流量回放方法、装置、计算机设备和存储介质
CN113014443B (zh) 一种cdn资源是否命中缓存的测试方法及其系统
CN116827762A (zh) 链路故障定位方法、装置、设备及计算机可读存储介质
JP7040232B2 (ja) 視聴行動推定装置、視聴行動推定方法及びプログラム
CN110471817A (zh) 应用程序生命周期的监控方法、介质、设备及装置
Göring et al. Prenc—Predict number of video encoding passes with machine learning
Tan et al. Continuous QoE prediction based on WaveNet
Demirbilek et al. Perceived audiovisual quality modelling based on decison trees, genetic programming and neural networks
JP7233664B1 (ja) 品質予測のためのシステム、方法、及びコンピュータ可読媒体
CN113723982B (zh) 广告对用户体验影响评估方法、装置、服务器及存储介质
Matulin et al. Development of Fuzzy Relationships between Different Quality of Experience Parameters
CN112291068B (zh) 一种基于云存储的多媒体数据处理方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221021

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20221021

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: 20230117

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230207

R150 Certificate of patent or registration of utility model

Ref document number: 7229496

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531