JP7425871B2 - 集積回路チップにおいて観察された異常の原因識別 - Google Patents

Description

本発明は、システムオンチップ（ＳｏＣ）またはマルチチップモジュール（ＭＣＭ）内のシステム回路から測定された特徴の分析に関する。

従来、複数のコアデバイス（プロセッサ、メモリなど）を有する組み込みシステムは、プリント回路基板（ＰＣＢ）に組み込まれ、バスを介してＰＣＢ上で接続されていた。組み込みシステムのトラフィックは、これらのバスを介して伝送されていた。この配置構成は、オシロスコープやロジック分析器などの監視ツールをＰＣＢのバスに取り付けることができ、コアデバイスへの直接のアクセスが可能であるため、コアデバイスを監視するのに便利であった。

より小型な製品に対する市場の要求は、半導体技術における進歩と相まってシステムオンチップ（ＳｏＣ）デバイスの開発につながった。ＳｏＣでは、組み込みシステムの複数のコアデバイスがシングルチップに集積されている。ＳｏＣでは、組み込みシステム内のトラフィックは、内部バスを介して伝送されており、したがって、監視ツールを直接システムバスに接続することはもはや不可能である。（複数のプロセッシングコアとより高い内部クロック周波数との統合につながるＳｏＣ技術の開発により）結果としてアクセスが減少し、チップ周りで転送されるデータの量が増加すると、業界によって要求されるタイムスケール内でセキュリティ違反、バグ、および安全上の懸念についてシステムを監視する外部監視ツールの能力が低下してしまう。付加的に、複数のコアデバイスが同じシングルチップに組み込まれている場合、個々の各コアデバイスの動作は、他のコアデバイスとの相互作用ならびにトリガーやアラートなどのリアルタイムイベントのために、単独での動作とは異なる。

したがって、ＳｏＣデバイスの開発には、関連する監視技術の開発が必要であるが、これは、ＳｏＣ上に何らかの監視機能を統合させることにつながる。現在では、ＳｏＣ内の監視回路のために、コアデバイス（ＣＰＵなど）上でプログラムを実行するプロセッサの出力をトレースすることが知られている。このトレースデータは、一般に、オフチップ分析用に出力される。

特にデータの異常を調査するために、オンチップ監視回路によって収集されたデータのより詳細な分析を生成することが望ましい。

発明の概要
第１の態様によれば、
集積回路（ＩＣ）チップ上のシステム回路から測定された異常特徴の原因を識別する方法が提供され、このＩＣチップは、システム回路と、一連の窓の各窓内でシステム回路の特徴を測定することによってシステム回路を監視するための監視回路とを含んでおり、本方法は、以下のステップ、すなわち（ｉ）異常特徴を含む異常窓より前の窓セットから、異常特徴の原因を探索するための候補窓セットを識別するステップと、（ｉｉ）システム回路の測定された特徴の各々について、（ａ）候補窓セットについて当該測定された特徴の第１の特徴確率分布を計算するステップと、（ｂ）候補窓セットにない窓について当該測定された特徴の第２の特徴確率分布を計算するステップと、（ｃ）第１および第２の特徴確率分布を比較するステップと、（ｄ）第１および第２の特徴確率分布が閾値を超えて異なっている場合、候補窓セットの時間枠内で測定された特徴を、異常特徴の原因として識別するステップとを含んだステップと、（ｉｉｉ）異常な窓より前の窓セットからさらなる候補窓セットについてステップ（ｉ）およびステップ（ｉｉ）を反復するステップと、（ｉｖ）異常特徴の原因として識別されたステップ（ｉｉ）（ｄ）のそれらの測定された特徴を示す信号を出力するステップとを含む。

ステップ（ｉｉ）（ｃ）は、第１の特徴確率分布と第２の特徴確率分布との間の差分測定値を決定することを含むことができ、ステップ（ｉｉ）（ｄ）は、差分測定値が閾値よりも大きい場合、候補窓セットの時間枠内で測定された特徴が、異常特徴の原因であることを識別することを含むことができる。

差分測定値は、反復の第１の特徴確率分布と第２の特徴確率分布との間の時間にわたる差分のパーセンタイルによってスケーリングされている。

異常な窓より前の窓セットは、（ｉ）異常窓と、（ｉｉ）遠位早期窓(distal earlier window)とによって境界付けられてもよい。

ステップ（ｉｉ）（ｂ）は、候補窓セットと異常窓との間の窓セットについて当該測定された特徴の第２の特徴確率分布を計算することを含むことができる。

候補窓セットは、１０未満の窓を含むことができる。

候補窓セットは、単一の窓のみを含むことができる。

第１および第２の特徴確率分布は、ステップ（ｉｉ）（ａ）および（ｂ）において、識別された窓について測定された特徴にガウスモデルを適合させることによって計算されてもよい。

本方法は、異常特徴によって影響を受けた測定された特徴を識別するステップをさらに含むことができ、影響を受けた測定された特徴は、異常窓に後続する窓内に存在しており、本方法は、以下のステップ、すなわち（ｖ）異常窓に後続する窓セットから、異常特徴の影響を探索するための後続の候補窓セットを識別するステップと、（ｖｉ）システム回路の測定された特徴の各々について、（ａ）後続の候補窓セットについて当該測定された特徴の第３の特徴確率分布を計算するステップと、（ｂ）後続の候補窓セット内に含まれない後続の窓について当該測定された特徴の第４の特徴確率分布を計算するステップと、（ｃ）第３および第４の特徴確率分布を比較するステップと、（ｄ）第３および第４の特徴確率分布がさらなる閾値を超えて異なっている場合、後続の候補窓セットの時間枠内で測定された特徴を、異常特徴によって影響を受けたものとして識別するステップとを含んだステップと、（ｖｉｉ）異常窓に後続する窓セットからさらなる後続の候補窓セットについてステップ（ｖ）および（ｖｉ）を反復するステップと、（ｖｉｉｉ）異常特徴によって影響を受けたものとして識別されたステップ（ｖｉ）（ｄ）のそれらの測定された特徴を示す信号を出力するステップとを含む。

ステップ（ｖｉ）（ｃ）は、第３の特徴確率分布と第４の特徴確率分布との間のさらなる差分測定値を決定することを含むことができ、ステップ（ｖｉ）（ｄ）は、さらなる差分測定値がさらなる閾値よりも大きい場合、後続の候補窓セットの時間枠内で測定された特徴が、異常特徴によって影響を受けたことを識別することを含むことができる。

さらなる差分測定値は、第３の特徴確率分布と第４の特徴確率分布との間の時間にわたるスケーリングされた差分であってもよい。

異常窓に後続する窓セットは、（ｉ）異常窓と、（ｉｉ）遠位後期窓とによって境界付けられてもよい。

ステップ（ｖｉ）（ｂ）は、後続の候補窓セットと異常窓との間の窓セットについて当該測定された特徴の第４の特徴確率分布を計算することを含むことができる。

後続の候補窓セットは、１０未満の窓を含むことができる。

後続の候補窓セットは、単一の窓のみを含むことができる。

第３および第４の特徴確率分布は、ステップ（ｖｉ）（ａ）および（ｂ）において、識別された窓について測定された特徴にガウスモデルを適合させることによって計算されてもよい。

測定された特徴は、システム回路の部品によって出力されたデータから監視回路によって生成されたトレースデータから導出されるものを含むことができる。

測定された特徴は、システム回路の部品に入力したデータまたは部品から出力されたデータから監視回路によって識別された照合イベントから導出されるものを含むことができる。

測定された特徴は、システム回路の部品から特定のアイテムが観察されるたびにカウントするように構成された監視回路のカウンタから導出されるものを含むことができる。

次に、本発明を添付の図面を参照して例示的に説明する。

例示的な集積回路チップデバイスの概略図である。 集積回路チップデバイス上の例示的な監視ネットワークおよびシステム回路の概略図である。 システム回路から測定された異常特徴の原因を識別する方法のフローチャートである。 測定された特徴のシーケンスの時間窓を示した図である。 後続の異常特徴の原因である特徴を示したグラフである。 システム回路から測定された異常特徴によって影響を受けた後続の測定された特徴を識別する方法のフローチャートである。 測定された特徴のシーケンスの時間窓を示した図である。 図８は、後続の異常特徴の原因である特徴と、異常特徴によって影響を受けた特徴との両方を示したグラフである。 異なる長さの候補窓セットについて、後続の異常特徴の原因である特徴と、異常特徴によって影響を受けた特徴との両方を示したグラフである。 異なる長さの候補窓セットについて、後続の異常特徴の原因である特徴と、異常特徴によって影響を受けた特徴との両方を示したグラフである。 異なる長さの候補窓セットについて、後続の異常特徴の原因である特徴と、異常特徴によって影響を受けた特徴との両方を示したグラフである。 異なる長さの候補窓セットについて、後続の異常特徴の原因である特徴と、異常特徴によって影響を受けた特徴との両方を示したグラフである。

以下の開示では、集積回路チップ上の実装に適した監視アーキテクチャを説明する。この集積回路チップは、ＳｏＣまたはマルチチップモジュール（ＭＣＭ）であってよい。

図１および図２は、例示的なシステムアーキテクチャおよび該システムアーキテクチャ内の部品の概略図である。これらの図面は、機能ブロックに関する構造を表している。当該技術分野でよく知られている機能を実行するための一部の機能ブロックは、これらの図面からはところどころで省かれている。図３および図６は、監視回路によって測定された統計データを分析する方法を描写するフローチャートである。各フローチャートは、そのフローチャートの方法が実行できる順序を表している。しかしながら、これらのフローチャートは、説明された方法が描写された順序で実行されることに限定することを意図したものではない。本方法のステップは、フローチャートに描写された順序に代わる順序で実行されてもよい。

図１は、ＳｏＣ１００のための例示的な監視ネットワークの一般的な構造を示す。監視回路１０１は、システム回路１０２を監視するように配置される。例えば、安全上またはセキュリティ上の問題に関連するコアデバイスの不適切な動作を検出する目的のためになどである。

図２は、ＳｏＣインターコネクト２０３を介して接続されたコアデバイス２０１，２０２を含む例示的なシステム回路を示す。これらのコアデバイス２０１ａ，２０１ｂ，２０１ｃは、マスタデバイスである。コアデバイス２０２ａ，２０２ｂ，２０２ｃは、スレーブデバイスである。図２上でマスタデバイスおよびスレーブデバイスのナンバリング１，２，…Ｎによって示されているように、任意の数のコアデバイスをシステム回路内に好適に統合することができる。ＳｏＣインターコネクト２０３は、ＳｏＣのための通信バックボーンを形成し、これを介してマスタデバイスおよびスレーブデバイスが相互に通信する。これらの通信は、双方向である。

マスタデバイスは、ネットワーク内で読み出し／書き込み要求などのトラフィックを開始するものである。マスタデバイスの例には、ＤＳＰ（デジタル信号プロセッサ）、ビデオプロセッサ、アプリケーションプロセッサ、ＣＰＵ（中央演算処理装置）、ＧＰＵ（グラフィックプロセッサユニット）などのプロセッサがある。任意のプログラマブルプロセッサが、マスタデバイスであってもよい。マスタデバイスの他の例には、１つの場所から別の場所にデータを移動するための従来のＤＭＡなどのＤＭＡ（直接メモリアクセス）機能を有するもの、ＤＭＡ機能を有する自律型コプロセッサ（暗号化エンジンなど）、およびＤＭＡ機能を有する周辺機器（イーサネットコントローラなど）がある。

スレーブデバイスは、マスタデバイスのコマンドに応答するデバイスである。スレーブデバイスの例には、オンチップメモリ、オフチップメモリ（ＤＲＡＭなど）用のメモリコントローラ、周辺ユニットなどがある。

ＳｏＣインターコネクト２０３のトポロジーは、ＳｏＣに依存する。例えば、システム回路の周囲で通信を伝送するために、以下のタイプのネットワーク、すなわち、バスネットワーク、リングネットワーク、ツリーネットワーク、またはメッシュネットワークなどの任意の１つまたはそれらの組み合わせを含むことができる。

監視回路１０１は、監視インターコネクト２０５を介してコミュニケータ２０６に接続された監視ユニット２０４ａ，２０４ｂを含んでいる。

任意の数の監視ユニットを監視回路内に統合することができる。各監視ユニットは、マスタデバイスとスレーブデバイスとの間の通信リンクに接続されている。この接続は、例えば、マスタデバイスとＳｏＣインターコネクトとの間のインターフェースにおいて、マスタデバイスとＳｏＣインターコネクトとの間であってもよい。またこの接続は、例えば、スレーブデバイスとＳｏＣインターコネクトとの間のインターフェースにおいて、ＳｏＣインターコネクトとスレーブデバイスとの間であってもよい。各監視ユニットは、単一の通信リンクに接続されてもよい。代替的に、監視回路１０１のうちの１つまたは複数の監視ユニットが、複数の通信リンクに接続されてもよい。監視ユニット２０４は、監視される通信リンク上の通信を監視することによって、コアデバイスの動作を監視する。任意選択的に、監視ユニットは、それらが監視されているコアデバイスの動作を操作することが可能であってもよい。

コミュニケータ２０６は、オフチップのエンティティと通信するためのインターフェースであってよい。例えば、監視回路１０１は、コミュニケータ２０６を介してオフチップの分析器と通信することができる。コミュニケータ２０６は、付加的または代替的に、オンチップの他のエンティティと通信するように構成されてもよい。例えば、監視回路１０１は、コミュニケータ２０６を介してオンチップの分析器と通信することができる。図２は１つのコミュニケータ２０６を示しているが、任意の数のコミュニケータをＳｏＣ上に統合することができる。実装されるコミュニケータは、行われるべき接続のタイプに依存して選択される。例示的なコミュニケータには、ＪＴＡＧ、パラレルトレース入力／出力、およびオーロラベースの高速シリアルインターフェース、ならびにＵＳＢ、イーサネット、ＲＳ２３２、ＰＣＩｅおよびＣＡＮなどのシステムインターフェースの再利用が含まれる。

監視インターコネクト２０５のトポロジーは、監視回路の周囲で通信を伝送するための以下のタイプのネットワーク、すなわち、バスネットワーク、リングネットワーク、ツリーネットワーク、またはメッシュネットワークのうちの任意の１つまたはそれらの組み合わせを含むことができる。監視ユニット２０４とコミュニケータ２０６との間の通信リンクは、双方向である。

上記で説明したように、図２の監視ユニット２０４は、マスタデバイス２０１とスレーブデバイス２０２との間の通信を監視する。これらの監視ユニットは、監視する通信から統計値を収集することができる。収集される統計値およびこれが行われる時間窓は、構成可能である。例えば、各監視ユニット２０４は、特定の通信パラメータを監視するように監視ユニットに命令するオンチップまたはオフチップ分析器から構成命令を受信することができる。分析器は、パラメータが監視される時間窓の窓長さを指定することもできる。また分析器は、収集したデータがいつ分析器に報告されるべきかを指定することもできる。典型的には、分析器は、収集されたデータが定期的に報告されるように要求する。

したがって、監視ユニット２０４は、その接続された部品（マスタデバイス２０１またはスレーブデバイス２０２）の通信を、一連の監視される時間窓にわたって監視するように構成されてよい。監視される各時間窓の窓長さは、上記で説明したように、分析器によって指定されてもよい。監視される時間窓は、非重複的であってよい。例えば、監視される時間窓は、連続的であってもよい。代替的に、監視される時間窓は、重複的であってもよい。

システム回路の１つまたは複数の部品を観察する監視ユニットによって生成される可能性のあるデータの例には、以下のものが含まれる。
－トレースデータ。生成されたトレースデータは、監視ユニットによって観察されたデータのコピーである可能性がある。例えば、ＣＰＵによって実行される命令シーケンスのコピー、またはバス上のトランザクションのセット。
－照合データ。監視ユニットは、特定のイベントの発生についてシステム回路を監視するように構成されてもよい。特定のイベントの識別に基づいて、監視ユニットは照合データを生成する。監視ユニットは、この照合データを分析器にすぐに出力してもよい。
－カウンタデータ。監視ユニットは、１つまたは複数のカウンタを含むことができる。各カウンタは、特定のイベントの発生をカウントするように構成されている。カウンタのカウント値は、周期的に解析器に出力されてもよい。

監視ユニットによって生成された生データは、一連の時間窓の各窓について測定された特徴のセットに適切に変換される。測定された各特徴は、各窓についての値を有する。

測定された特徴の例には、以下のものが含まれる。
－バスから捕捉された集約帯域幅。これは、読み取り動作用の集約帯域幅と、書き込み動作用の集約帯域幅とに別に分割されてもよい。
－バスから捕捉された読み取り動作からの最大待ち時間、最小待ち時間、および／または平均待ち時間。
－アドレス照合イベントの数。換言すれば、選択されたメモリ領域へのアクセスの数である。
－ソフトウェア実行トレースからの、それぞれ別個のスレッドにおける：（ｉ）スレッド内で費やされた集約時間、および／または（ｉｉ）最小、最大、および／または平均のスレッド間隔時間、および／または（ｉｉｉ）スレッドスケジュールイベントの数、任意選択的に、どのスレッドから引き継いだかが特定される。
－ソフトウェア実行トレースからの、割り込みの数、および／または割り込みハンドラーで費やされた最小、最大、および／または平均の時間。
－ＣＰＵ命令トレースからの、実行された命令の数、任意選択的に、分岐を含み得る命令クラスにグループ化される。

測定された特徴への生データの変換は、当業者に周知の任意の方法によって行われてもよい。この変換は、オンチップの監視回路１０１によって実行されてもよい。代替的に、この変換は、オンチップまたはオフチップであってよい分析器によって実行されてもよい。監視ユニット２０４以外のソースから得られたデータは、測定された特徴の生成において監視ユニットにより生成された生データと組み合わせて使用されてもよい。測定された特徴が集約される時間窓は、１ｍｓ～１０００ｍｓまでの長さを有し得る。測定された特徴が集約される時間窓は、１０ｍｓ～１００ｍｓまでの長さを有し得る。

次いで、一連の時間窓内で測定された特徴が、異常であるこれらの測定された特徴のいずれかを識別する異常検出方法に入力されてもよい。この異常検出方法は、分析器によって実行される可能性がある。しかしながら、代替的に、この異常検出方法は、監視回路１０１によって実行されてもよい。

第１の例では、異常検出は、既知の良好なシーケンスからトレーニングされたモデルを用いて実行される。この例では、モデルは、測定された特徴が異常ではないことがわかっている一連の時間窓の特性を捕捉する。モデルの構築には、各特徴についての特徴分布の構築が含まれる。例えば、分布の構築のためにカーネル密度推定器（ＫＤＥ）が使用されてもよい。ＫＤＥは、フラットなゼロラインで開始され、一連の時間窓の各窓からの各特徴の値に対して小さなガウスカーネルが付加される。各特徴値は、分布に対して同量だけ寄与する。次いで、最終値がスケーリングされてもよい。この結果は、通常の特性を表す特徴の特定の値の可能性を示す特徴分布である。したがって、このモデルは、これらの特徴の通常の特性を表す特徴分布のセットを含む。

次いで、後続のシーケンスは、モデルに対して比較することができる。後続のシーケンスは、測定された特徴が異常であるか異常ではないかがわかっていない一連の時間窓を含む。後続のシーケンスは、後続のシーケンスの個々の窓をモデルと比較することによって、モデルと比較されてもよい。このケースでは、個々の窓内の特徴の値に対応するモデル特徴分布の値が決定される。分布の値は、その特徴値が通常の特性である可能性が低いことを示すならば、その特徴は、個々の窓内で異常であると決定される。例えば、分布の値が、閾値を下回っているならば、その特徴は、個々の窓内で異常であると決定される。閾値は、異なる特徴について異なっていてもよい。

これらの異常特徴は、電気信号としてユーザーに出力される（例えば、画面上の視覚信号として）。２つ以上の異常特徴が識別された場合、これらは出力信号においてランク付けされてもよい。異常特徴は、それらの値が閾値を下回る順でランク付けされてもよく、その場合、閾値を最も下回っている異常特徴は最初にランク付けされ、閾値に最も近いところでそれを下回っている異常特徴は最後にランク付けされる。

後続のシーケンスは、最初に、後続のシーケンスの各特徴についての特徴分布を構築することによってモデルと比較されてもよい。例えば、このモデルの生成に関しては、上記で説明したようにＫＤＥが各特徴分布の生成のために使用されてもよい。その場合、モデルの特徴分布と、各特徴についての後続のシーケンスの特徴分布との間の差分が取得される。ある特徴について、これらの２つの特徴分布の間の平均差分が閾値よりも大きい場合、後続のシーケンスにおけるその特徴に異常が含まれていることが決定される。

これらの異常特徴は、電気信号としてユーザーに出力される（例えば、画面上の視覚信号として）。２つ以上の異常特徴が識別された場合、これらは出力信号においてランク付けされてもよい。異常特徴は、モデル特徴分布と後続のシーケンス特徴分布との間の平均差分の順にランク付けされてもよく、その場合、平均差分が最大の異常特徴は最初にランク付けされ、平均差分が最小の異常特徴は最後にランク付けされる。

第２の例では、異常検出は、測定された特徴が異常ではないことがわかっている一連の時間窓の特性を利用することなく実行される。異常検出は、測定された特徴の一連の時間窓を含むシーケンス上で実行される。これらの測定された特徴は、異常であるか異常ではないかがわかっていない。この例は、シーケンスの各特徴についての特徴分布を構築することを含む。これは、第１の例に関して上記で説明したように、ＫＤＥを使用して実行することができる。各特徴についての特徴分布における最低値は、潜在的な異常として識別される。これらの潜在的に異常特徴は、電気信号としてユーザーに出力される（例えば、画面上の視覚信号として）。ユーザーは、識別された特徴を異常ではないと拒否するか、識別された特徴を異常として受け入れることができる。ユーザーは、他の特徴に手動で異常としてのフラグを立てることもできる。

出力された異常特徴は、異常窓にグループ化されてもよい。これらの異常窓は、すべての特徴にわたってそれらの可能性の順にランク付けされてもよく、その場合、すべての特徴にわたって正常な特性を表す可能性が最も低い異常窓は最初にランク付けされ、すべての特徴にわたって正常な特性を表す可能性が最も高い異常窓は最後にランク付けされる。

好適には、選択された異常検出方法の複数の反復が実行され、各反復は異なる時間窓長さを使用する。例えば、１０ｍｓ～１００ｍｓまでの時間窓長さの範囲が反復的に利用されてもよい。これは、特定の窓長さ内でさらに容易に観察される一時的な特性から結果として異常を識別可能にさせることができる。各反復内では、時間窓は、非重複的であってよい。例えば、時間窓は、連続的であってもよい。代替的に、時間窓は、重複的であってもよい。

次に、図３を参照して、ＳｏＣ上の部品のアクティビティにおける異常特徴の原因を識別するための方法を説明する。これらの異常特徴は、異常検出方法（上記で説明した方法の１つなど）を使用して識別されている。図３を参照して説明する本方法は、プロセッサにおいて実行される。好適には、このプロセッサは、分析器に配置されている。分析器は、ＳｏＣ１００上にあってよい。代替的に、分析器は、オフチップ部品であってもよい。プロセッサは、代替的に、ＳｏＣの監視回路１０１に配置されてもよい。

プロセッサは、測定された特徴のシーケンスを入力として受信する。プロセッサは、また、入力として、それらの中で少なくとも１つの異常特徴を有するものとして識別された１つまたは複数の時間窓を受信する。異常特徴自体は、任意選択的に識別されてもよい。プロセッサは、これらの入力を、異常窓に先行する時間窓における異常特徴の考えられる原因を探索するために使用する。

ステップ３０１では、プロセッサは、異常特徴の原因を探索するための候補窓セットｊを選択する。各異常窓について、プロセッサは、候補窓セットｊに追加する１つまたは複数の窓を選択する。各異常窓について、候補窓セットｊに追加する窓は、異常窓と、測定された特徴のシーケンスにおける異常窓に先行する窓セットとから選択される。図４は、測定された特徴のシーケンス例を示している。異常窓は、４０１でラベル付けされている。この異常窓について、プロセッサが候補窓セットｊに追加する窓が、４０２でラベル付けされた窓から選択される。この窓セット４０２は、（ｉ）異常窓４０４と、（ｉｉ）遠位早期窓４０５とによって境界付けられている。遠位早期窓は、異常特徴についての原因が検索されるべき最も早期の窓である。図示を容易にするために、１０個の窓のみが、異常窓４０１に先行して示されている。実際には、窓セット４０２は、１０００個までの窓を含むことができる。例えば、窓セット４０２は、１００個の窓を含むことができる。異常窓４０１に対する候補窓セットｊに追加された窓Ｃｊは、４０３でラベル付けされている。候補窓セットｊに追加された窓Ｃｊの長さは設定可能である。窓Ｃｊの長さは、単一の窓のみであってもよい。代替的に、窓Ｃｊの長さは、２つ以上の窓を含むことができる。窓Ｃｊの長さは、１０個までの窓を含むことができる。図４の例では、窓Ｃｊの長さは、３つの窓、すなわち窓４，５および６を含むものとして示されている。プロセッサは、測定された特徴のシーケンスにおける各異常窓について、候補窓セットｊに追加する窓Ｃｊを選択する。例えば、この反復では、プロセッサは、各異常窓について候補窓セットｊに３つの窓を追加することができ、これらの３つの窓は、異常窓から４～６つの窓を遡った連続する窓である。

ステップ３０１に続いて、プロセッサは、ステップ３０２に移動する。ステップ３０２では、測定された特徴ｉについて、プロセッサは、候補窓セットｊについて当該測定された特徴ｉの第１の特徴確率分布ＰＤ１を計算する。

ステップ３０３では、プロセッサは、測定された各特徴ｉについて、候補窓セットｊ内ではなく、シーケンス内の窓について当該測定された特徴ｉの第２の特徴確率分布ＰＤ２を計算する。この第２の特徴確率分布ＰＤ２は、候補窓セットｊ内に含まれないすべての窓を含む窓セット４０２について計算されてもよい。

ステップ３０２および３０３は、同時に実行されてもよい。代替的に、ステップ３０２は、図３に示されるように、ステップ３０３に先行することができる。代替的に、ステップ３０３は、ステップ３０２に先行することができる。

第１および第２の特徴確率分布は、プロセッサによって、測定された特徴のシーケンスの識別された窓に上記で説明したＫＤＥ法を適用して計算されてもよい。代替的に、第１および第２の特徴確率分布は、プロセッサによって、測定された特徴のシーケンスの識別された窓にガウス混合モデルを適合させることによって計算されてもよい。異常窓より前に、さらなる異常が識別される窓は僅かな数しかないものと思われる。ガウス混合モデルは、ＫＤＥモデルよりも単純な分布を生成し、これは、より少ないデータ点でより効果的であるため、本明細書では優先させてもよい。代替的に、当該技術分野で公知の異なるモデルが、第１および第２の特徴確率分布の生成のために使用されてもよい。

ステップ３０２および３０３において、第１および第２の特徴確率分布が計算されたならば、プロセッサは、これらの２つの分布をステップ３０４において比較する。分布間の大きな差分は、その特徴が、異常窓内で観察された異常に対する原因または誘因であることを示す。したがって、プロセッサは、第１および第２の特徴確率分布が閾値Ｖｔを超えて異なっているかどうかを決定する。ステップ３０４において、第１および第２の特徴確率分布ＰＤ１およびＰＤ２が、閾値Ｖｔを超えて異なっている場合、プロセッサは、ステップ３０５に移動し、ここで、候補窓セットｊ内の特徴ｉを、異常窓内の異常特徴の原因として識別する。ステップ３０４において、第１および第２の特徴確率分布ＰＤ１およびＰＤ２が閾値Ｖｔ未満で異なっている場合、プロセッサは、候補窓セットｊ内の特徴ｉを異常窓内の異常特徴の原因として識別しない。

第１および第２の特徴確率分布が、閾値を超えて異なっているかどうかを評価するために、プロセッサは、２つの確率分布の間の差分測定値を決定することができる。この差分測定値は、単一の値である。当該単一の値は、確率分布間の平均差分を表すことができる。換言すれば、２つの分布内の各特徴値において観察された特徴の数の間の平均差分である。代替的に、当該単一の値は、確率分布間のすべての差分を表すことができる。換言すれば、２つの分布内の各特徴値において観察された特徴の数の間のすべての差分である。差分測定値は、当技術分野で公知の任意の方法によって計算されてもよい。次いで、この差分測定値｜ＰＤ１－ＰＤ２｜は、ステップ３０４において閾値Ｖｔと比較される。

次いで、プロセッサは、ステップ３０６に進む。このステップ３０６では、プロセッサは、候補窓セットｊに関して、図３の方法がまだ適用されていない任意のさらなる測定された特徴が存在するかどうかを決定する。さらなる測定された特徴が存在するならば、プロセッサは、ステップ３０７に移動し、そこで次の測定された特徴が選択される。次いで、プロセッサは、候補窓セットｊの次の測定された特徴について、ステップ３０２～３０６を繰り返す。ステップ３０６において、プロセッサは、さらなる測定された特徴が存在しないことを決定した場合、ステップ３０８に移動する。

ステップ３０８では、プロセッサは、図３の方法がまだ適用されていない任意のさらなる候補窓セットが存在するかどうかを決定する。次の候補窓セットｊ＋１は、候補窓セットｊと重複していてもよい。例えば、次の候補窓セットｊ＋１については、各異常窓について、プロセッサは、候補窓セットｊに追加するために選択した窓に、候補窓セットｊ＋１を追加するために、異なる窓を選択することができる。候補窓セットｊと同様に、各異常窓について、候補窓セットｊ＋１に追加された窓は、異常窓と、測定された特徴のシーケンス内で異常窓に先行する窓セットとから選択される。図４を参照すると、プロセッサが異常窓４０１について候補窓セットｊ＋１に追加する窓Ｃｊ＋１は、４０８でラベル付けされ、専ら窓５，６および７を含む。この例では、候補窓セットｊ＋１の窓５および６が、候補窓セットｊと重複している。代替的に、次の候補窓セットｊ＋１は、候補窓セットｊと重複しないが、それと隣接していてもよい。例えば、図４を参照すると、プロセッサが異常窓４０１について候補窓セットｊ＋１に追加する窓Ｃｊ＋１は、４０９でラベル付けされ、窓７，８および９を含む。この例では、候補窓セットｊ＋１の窓と、異常窓４０１に関して選択された候補窓セットｊとの重複は存在しない。一度反復が遠位早期窓４０５に到達すると、さらなる候補窓セットは存在しない。

ステップ３０８において、さらなる候補窓セットが存在することが決定されると、プロセッサは、ステップ３０９に移動し、そこで、次の候補窓セットが選択される。次いで、プロセッサは、次の候補窓セットについて、ステップ３０２～３０８を繰り返す。ステップ３０８において、さらなる候補窓セットが存在しないことが決定された場合、プロセッサは、ステップ３１０に移動し、そこで、異常窓の異常特徴の識別された原因（もしあれば）を出力する。

ステップ３１０では、異常特徴の原因は、電気信号としてユーザーに出力されてもよい（例えば、分析器の画面上の視覚信号として）。例えば、図５に示されるようなグラフが画面に出力されてもよい。図５のグラフは、複数のプロットを示している。各プロットは、（ｘ軸上で）異常窓から時間的に遡った窓の数に対してプロットされた、（ｙ軸上で）測定された特徴についての第１の特徴分布と第２の特徴分布との間のスケーリングされた差分測定値である。時間的に遡った窓の数は、異常窓に最も近い候補窓セットの窓として捉えてもよい。例えば、図４を見ると、候補窓セットｊについての第１の特徴確率分布と第２の特徴確率分布との間のスケーリングされた差分測定値は、ｘ軸上で時間的に３つ遡った窓にマークされることになる。

差分測定値は、異なって測定された特徴間で一貫性がない。例えば、累積時間は、メモリ飽和度よりも一貫してさらに可変であってもよい。図５は、すべての測定された特徴の差異測定値を１つのグラフにプロットしているため、差分測定値は、比較できるようにスケーリングされている。したがって、差分測定値は、異なって測定された特徴についての相対的な測定値を提供する。例えば、差分測定値は、時間にわたるそれらの差分のパーセンタイルによってスケーリングされてもよい。例えば、差分測定値は、５０パーセンタイルによってスケーリングされてもよい。

異常窓からオフセットされた時間にわたってスケーリングされた差分測定値をプロットすることにより、異常特徴の原因である測定された特徴は、ユーザーに迅速に明らかになる。時間的に遡った特定の窓数で測定された特徴についてのスケーリングの大きな差分は、時間的に遡った当該窓数における当該測定された特徴において原因が発生する可能性が高いことを示す。

図５のグラフは、ソフトウェアスレッドスイッチングデータに対して実行された図３の方法を示している。第１および第２の特徴確率分布は、それぞれガウス混合モデル（ＧＭＭ）を使用して生成されたものである。候補窓セットは、単一の窓を有する。相対ＧＭＭ分布差分は、差分測定値として使用されている。グラフは、異常窓に時間的に近いｒｔスレッドが異常特徴の原因であることを示唆している。これは、最大および最小のｒｔ時間の測定された差分が、他の特徴の測定された差分よりも０～１の窓範囲で大幅に大きいことによって示される。

図３を参照して説明された方法に対応する方法は、測定された特徴のシーケンスにおける異常窓の後の窓に適用されてもよい。この方法は、図６に示されており、これは、異常窓内の異常特徴によって影響を受けた後続の測定された特徴を識別するために使用することができる。図６の方法は、図３の方法を実行するのと同じプロセッサで実行される。

図３のように、図６の方法について、プロセッサは、測定された特徴のシーケンス、およびそれらの中に少なくとも１つの異常特徴を有するものとして識別された１つまたは複数の時間窓を入力として受信する。プロセッサは、これらの入力を、異常特徴によって影響を受けた、異常窓の後の後続の時間窓における後続の特徴を探索するために使用する。

ステップ６０１では、プロセッサは、異常特徴によって影響を受けた測定された特徴を探索するための後続の候補窓セットｋを選択する。各異常窓について、プロセッサは、後続の候補窓セットｋに追加する１つまたは複数の窓を選択する。各異常窓について、後続の候補窓セットｋに追加する窓は、異常窓と、測定された特徴のシーケンスにおける異常窓に続く窓セットとから選択される。図７は、測定された特徴のシーケンス例を示している。異常窓は、４０１でラベル付けされている。この異常窓について、プロセッサが後続の候補窓セットｊに追加する窓は、７０１でラベル付けされた窓から選択される。この窓セット７０１は、（ｉ）異常窓７０２と、（ｉｉ）遠位後期窓７０３とによって境界付けられている。遠位後期窓７０３は、異常特徴の影響が探索されるべき最新の窓である。図示を容易にするために、１０個の窓のみが、異常窓４０１の後に示されている。実際には、窓セット７０１は、１０００個までの窓を含むことができる。例えば、窓セット７０１は、１００個の窓を含むことができる。異常窓４０１に対する後続の候補窓セットｋに追加された窓Ｃｋは、７０４でラベル付けされている。後続の候補窓セットｋに追加された窓Ｃｋの長さは、構成可能である。窓Ｃｋの長さは、単一の窓のみであってもよい。代替的に、窓Ｃｋの長さは、２つ以上の窓を含むことができる。窓Ｃｋの長さは、１０個までの窓を含むことができる。図７の例では、窓Ｃｋの長さは、３つの窓、すなわち窓５，６および７を含むものとして示されている。プロセッサは、測定された特徴のシーケンスにおける各異常窓について、後続の候補窓セットｋに追加する窓Ｃｋを選択する。例えば、この反復では、プロセッサは、各異常窓について候補窓セットｋに３つの窓を追加することができ、これらの３つの窓は、異常窓から５～７つの窓を進んだ連続する窓である。

ステップ６０１に続いて、プロセッサは、ステップ６０２に移動する。ステップ６０２では、測定された特徴Ｉについて、プロセッサは、後続の候補窓セットｋについて当該測定された特徴Ｉの第３の特徴確率分布ＰＤ３を計算する。

ステップ６０３では、プロセッサは、測定された各特徴Ｉについて、後続の候補窓セットｋ内ではなく、シーケンス内の窓について当該測定された特徴Ｉの第４の特徴確率分布ＰＤ４を計算する。この第４の特徴確率分布ＰＤ４は、後続の候補窓セットｋ７０４内に含まれないすべての窓を含む窓セット７０１について計算されてもよい。

ステップ６０２および６０３は、同時に実行されてもよい。代替的に、ステップ６０２は、図３に示されるようにステップ６０３に先行することができる。代替的に、ステップ６０３は、ステップ６０２に先行することができる。

第３および第４の特徴確率分布は、第１および第２の特徴確率分布に関して上記で説明した任意の方法を使用してプロセッサによって計算されてもよい。

ステップ６０２および６０３において、第３および第４の特徴確率分布が計算されたならば、プロセッサは、これらの２つの分布をステップ６０４において比較する。分布間の大きな差分は、その特徴が、異常窓内で観察された異常によって影響を受けたことを示す。したがって、プロセッサは、第３および第４の特徴確率分布が閾値Ｖｔ’を超えて異なっているかどうかを決定する。ステップ６０４において、第３および第４の特徴確率分布ＰＤ３およびＰＤ４が、閾値Ｖｔ’を超えて異なっている場合、プロセッサは、ステップ６０５に移動し、ここで、後続の候補窓セットｋ内の特徴Ｉを、異常窓内の異常特徴によって影響を受けたものとして識別する。ステップ６０４において、第３および第４の特徴確率分布ＰＤ３およびＰＤ４が閾値Ｖｔ’未満で異なっている場合、プロセッサは、後続の候補窓セットｋ内の特徴Ｉを異常窓内の異常特徴によって影響を受けたものとして識別しない。

第３および第４の特徴確率分布が、閾値を超えて異なっているかどうかを評価するために、プロセッサは、２つの確率分布の間の差分測定値を決定することができる。この差分測定値は、図３の第１および第２の特徴確率分布に関連して上記で説明したように計算されてもよい。

次いで、プロセッサは、ステップ６０６に進む。このステップ６０６では、プロセッサは、後続の候補窓セットｋに関して、図６の方法がまだ適用されていない任意のさらなる測定された特徴が存在するかどうかを決定する。さらなる測定された特徴が存在するならば、プロセッサは、ステップ６０７に移動し、そこで次の測定された特徴が選択される。次いで、プロセッサは、後続の候補窓セットｋの次の測定された特徴について、ステップ６０２～６０６を繰り返す。ステップ６０６において、プロセッサは、さらなる測定された特徴が存在しないことを決定した場合、ステップ６０８に移動する。

ステップ６０８では、プロセッサは、図６の方法がまだ適用されていない任意のさらなる後続の候補窓セットが存在するかどうかを決定する。次の後続の候補窓セットｋ＋１は、後続の候補窓セットｋと重複していてもよい。例えば、次の候補窓セットｋ＋１については、各異常窓について、プロセッサは、後続の候補窓セットｋに追加するために選択した窓に、後続の候補窓セットｋ＋１を追加するために、異なる窓を選択することができる。後続の候補窓セットｋと同様に、各異常窓について、後続の候補窓セットｋ＋１に追加された窓は、異常窓と、測定された特徴のシーケンス内で異常窓の後の窓セットとから選択される。図７を参照すると、プロセッサが異常窓４０１について後続の候補窓セットｋ＋１に追加する窓Ｃｋ＋１は、７０７でラベル付けされ、専ら窓６、７、および８を含む。この例では、後続の候補窓セットｋ＋１の窓６および７が、後続の候補窓セットｋと重複している。代替的に、次の後続の候補窓セットｋ＋１は、後続の候補窓セットｋと重複しないが、それと隣接していてもよい。例えば、図７を参照すると、プロセッサが異常窓４０１について後続の候補窓セットｋ＋１に追加する窓Ｃｋ＋１は、７０８でラベル付けされ、窓８，９および１０を含む。この例では、後続の候補窓セットｋ＋１の窓と、異常窓４０１に関して選択された後続の候補窓セットｋとの重複は存在しない。一度反復が遠位後期窓７０３に到達すると、さらなる後続の候補窓セットは存在しない。

ステップ６０８において、さらなる後続の候補窓セットが存在することが決定されると、プロセッサは、ステップ６０９に移動し、そこで、次の後続の候補窓セットが選択される。次いで、プロセッサは、次の後続の候補窓セットについて、ステップ６０２～６０８を繰り返す。ステップ６０８において、さらなる後続の候補窓セットが存在しないことが決定された場合、プロセッサは、ステップ６１０に移動し、そこで、異常窓の異常特徴によって影響を受けたものとして識別された測定された特徴を出力する。

ステップ６１０では、影響を受けた測定された特徴は、電気信号としてユーザーに出力されてもよい（例えば、分析器の画面上の視覚信号として）。例えば、図５に対応するグラフが出力されてもよく、これは、（ｘ軸上で）異常窓から時間的に進んだ窓の数に対してプロットされた、（ｙ軸上で）測定された特徴についての第３の特徴分布と第４の特徴分布との間のスケーリングされた差分測定値を示している。時間的に進んだ窓の数は、異常窓に最も近い後続の候補窓セットの窓として捉えてもよい。例えば、図７を見ると、後続の候補窓セットｋについての第３の特徴確率分布と第４の特徴確率分布との間のスケーリングされた差分測定値は、ｘ軸上で時間的に４つ進んだ窓にマークされることになる。差分測定値は、図３および図５を参照して説明したのと同じやり方でスケーリングされてもよい。

図８は、図５のグラフを生成するために使用され測定された特徴の同じシーケンスである、測定された特徴の同じシーケンスに対して実行された図３および図６を参照して説明された両方の方法の結果を示すグラフである。これらの方法は、上述したように、別個に実行された可能性がある。代替的に、これらの方法は、異常窓の前後両方の窓を含む図３の候補窓セットを用いて、単一の方法として一緒に実行された可能性もある。図８のグラフにおいて、測定された特徴ｉは、測定された特徴Ｉと同じ特徴タイプである。候補窓セットｊの長さは、後続の候補窓セットｋの長さと同じである。図５と同様に、特徴確率分布は、すべてガウス混合モデルを使用して生成され、（後続の）候補窓セットは単一の窓を有する。図５と同様に、図８のグラフは、異常窓に時間的に近いｒｔスレッドが異常特徴の原因であることを示唆するものであり、これも、異常窓に続くｒｔスレッドが異常特徴によって影響を受けていることを示唆するものである。これは、最小のｒｔ時間の測定された差分が、他の特徴の測定された差分よりも－１～１の窓範囲において大幅に大きいことによって示されている。

図５および図８の両方は、単一の窓のみを有する（後続の）候補窓セットを使用して、図３および図６を参照して説明した方法を実行するプロセッサに関して生成されたものである。（後続の）候補窓セットにおける窓の数は、１より大きくてよい。これは、エラーが発生した正確な時点に対するこれらの方法の感度を低くする場合がある。図８の生成のために実装された方法は、２、３、５、および１０の窓長さの（後続の）候補窓セットで繰り返され、これらの結果は、それぞれ図９ａ、図９ｂ、図９ｃ、および図９ｄに示されている。これらの図面は、ｒｔスレッドが、２の窓長さの（後続の）候補窓セットに関して、原因および影響を受けた特徴として容易に識別可能であることを示す。ｒｔスレッドおよび３および５の窓長さの（後続の）候補窓セットに関して、原因および影響を受けた特徴として識別可能であるが、図９ｄの１０の窓長さの（後続の）候補窓セットを用いた場合には、（後続の）候補窓セットの特徴確率分布は、ｒｔスレッドを原因および影響を受けた特徴として識別させるためには、（後続の）候補窓セット外の窓の特徴確率分布と類似しすぎである。

図２に示されているようなＩＣチップ上の監視回路は、膨大な量の監視データを生成することができる。本明細書で説明する方法は、システム回路から測定された異常特徴の原因、およびこの異常特徴によって影響を受けた後続の特徴を識別するためにそのデータを分析する手法を提供するものである。これらの方法は、システム回路がその機能を実行し続けるときにリアルタイムで実施することができる。代替的に、これらの方法は、後でオフラインで実施することができる。

異常検出は、金融、商業、ビジネス、産業、および工学の市場における幅広い分野に適用可能である。本明細書に記載された方法の例示的な使用は、不正検出または侵入検出などのセキュリティ監視、安全監視、センサなどの産業用デバイスの予防的保守管理、および性能監視のためのものである。

図１および図２に示されたＳｏＣの各部品は、専用のハードウェアに実装されてもよい。代替的に、図１および図２に示されたＳｏＣの部品は、ソフトウェアに実装されてもよい。一部の部品は、ソフトウェアに実装され、一方、他の部品は専用のハードウェアに実装されてもよい。

説明したＳｏＣは、好適には、コンピューティングベースのデバイス内に組み込まれる。コンピューティングベースのデバイスは、電子デバイスであってもよい。好適には、コンピューティングベースのデバイスは、本明細書に記載された方法を実施するためにデバイスの動作を制御するコンピュータ実行可能命令を処理するための１つ以上のプロセッサを含む。コンピュータ実行可能命令は、メモリなどの任意のコンピュータ可読媒体を使用して提供することができる。本明細書に記載された方法は、有形の記録媒体上の機械可読形態のソフトウェアによって実行されてよい。ソフトウェアは、本明細書に記載された方法を実施するために、コンピューティングベースデバイスで提供され得る。

上記の説明では、システム回路および監視回路が同じＳｏＣ上に含まれているものとして説明している。代替的な実装では、システム回路および監視回路は、ＭＣＭの２つ以上の集積回路チップにまたがって含まれている。ＭＣＭでは、集積回路チップは、典型的にはインターポーザー基板上に積層されるかまたは隣接して配置される。一部のシステム回路が、ＭＣＭの１つの集積回路チップ上に配置され、他のシステム回路は、ＭＣＭの異なる集積回路チップ上に配置されてもよい。同様に、監視回路は、ＭＣＭの複数の集積回路チップにわたって分散させてもよい。したがって、ＳｏＣの文脈での上述した方法および装置は、ＭＣＭの文脈にも適用される。

これにより出願人は、単独で、本明細書に記載された個々の各特徴および２つ以上のそのような特徴の任意の組み合わせを、そのような特徴もしくはそれらの組み合わせが、本明細書に開示された任意の問題を解決するかどうかにかかわらず、また請求の範囲に限定されることなく、そのような特徴もしくは組み合わせが、当業者に共通の一般的な知識に照らして本明細書全体に基づき実行できるような範囲で開示する。出願人は、本発明の態様が、任意のそのような個々の特徴もしくはそれらの組み合わせからなり得ることを示す。以上の説明から、当業者には、発明の範囲内で様々な変更を行ってよいことは明らかであろう。

Claims (19)

1. 集積回路（ＩＣ）チップ上のシステム回路から測定された異常特徴の原因を識別する、コンピュータによって実行される方法であって、前記集積回路（ＩＣ）チップは、前記システム回路と、一連の窓の各窓内で前記システム回路の特徴を測定することによって前記システム回路を監視するための監視回路とを含み、
   前記方法は、
   （ｉ）前記異常特徴を含む異常窓より前の窓セットから、前記異常特徴の原因を探索するための候補窓セットを識別するステップと、
   （ｉｉ）前記システム回路の測定された特徴の各々について、
   （ａ）前記候補窓セットについて当該測定された特徴の第１の特徴確率分布を計算するステップと、
   （ｂ）前記候補窓セットにない窓について当該測定された特徴の第２の特徴確率分布を計算するステップと、
   （ｃ）前記第１の特徴確率分布および前記第２の特徴確率分布を比較するステップと、
   （ｄ）前記第１の特徴確率分布および前記第２の特徴確率分布が閾値を超えて異なっている場合、前記候補窓セットの時間枠内で測定された特徴を、前記異常特徴の原因として識別するステップと、
   を含むステップと、
   （ｉｉｉ）前記異常窓より前の窓セットからさらなる候補窓セットについて前記ステップ（ｉ）および前記ステップ（ｉｉ）を反復するステップと、
   （ｉｖ）前記異常特徴の原因として識別された前記ステップ（ｉｉ）（ｄ）の前記測定された特徴を示す信号を出力するステップと、
   を含む、方法。
2. 前記ステップ（ｉｉ）（ｃ）は、前記第１の特徴確率分布と前記第２の特徴確率分布との間の差分測定値を決定するステップを含み、
   前記ステップ（ｉｉ）（ｄ）は、前記差分測定値が前記閾値よりも大きい場合、前記候補窓セットの時間枠内で測定された特徴が、前記異常特徴の原因であることを識別するステップを含む、
   請求項１記載の方法。
3. 前記差分測定値は、前記反復の前記第１の特徴確率分布と前記第２の特徴確率分布との間の時間にわたる差分のパーセンタイルによってスケーリングされている、請求項２記載の方法。
4. 前記異常窓より前の前記窓セットは、（ｉ）前記異常窓と、（ｉｉ）遠位早期窓とによって境界付けられている、請求項１から３までのいずれか１項記載の方法。
5. 前記ステップ（ｉｉ）（ｂ）は、前記候補窓セットと前記異常窓との間の窓セットについて当該測定された特徴の第２の特徴確率分布を計算するステップを含む、請求項４記載の方法。
6. 前記候補窓セットは、１０未満の窓を含む、請求項１から５までのいずれか１項記載の方法。
7. 前記候補窓セットは、単一の窓のみを含む、請求項６記載の方法。
8. 前記第１の特徴確率分布および前記第２の特徴確率分布は、前記ステップ（ｉｉ）（ａ）および（ｂ）において、識別された窓について測定された特徴にガウスモデルを適合させることによって計算される、請求項１から７までのいずれか１項記載の方法。
9. 請求項１から８までのいずれか１項記載の方法であって、異常特徴によって影響を受けた測定された特徴を識別するステップをさらに含み、前記影響を受けた測定された特徴は、異常窓に後続する窓内に存在しており、
   前記方法は、
   （ｖ）前記異常窓に後続する窓セットから、異常特徴の影響を探索するための後続の候補窓セットを識別するステップと、
   （ｖｉ）前記システム回路の前記測定された特徴の各々について、
   （ａ）前記後続の候補窓セットについて当該測定された特徴の第３の特徴確率分布を計算するステップと、
   （ｂ）後続の候補窓セット内に含まれない後続の窓について当該測定された特徴の第４の特徴確率分布を計算するステップと、
   （ｃ）前記第３の特徴確率分布および前記第４の特徴確率分布を比較するステップと、
   （ｄ）前記第３の特徴確率分布および前記第４の特徴確率分布がさらなる閾値を超えて異なっている場合、前記後続の候補窓セットの時間枠内で測定された特徴を、前記異常特徴によって影響を受けたものとして識別するステップと、
   を含むステップと、
   （ｖｉｉ）前記異常窓に後続する窓セットからさらなる後続の候補窓セットについて前記ステップ（ｖ）および前記ステップ（ｖｉ）を反復するステップと、
   （ｖｉｉｉ）前記異常特徴によって影響を受けたものとして識別された前記ステップ（ｖｉ）（ｄ）の前記測定された特徴を示す信号を出力するステップと、
   を含む、方法。
10. 前記ステップ（ｖｉ）（ｃ）は、前記第３の特徴確率分布と前記第４の特徴確率分布との間のさらなる差分測定値を決定するステップを含み、
    前記ステップ（ｖｉ）（ｄ）は、前記さらなる差分測定値がさらなる閾値よりも大きい場合、前記後続の候補窓セットの時間枠内で測定された特徴が、前記異常特徴によって影響を受けたことを識別するステップを含む、
    請求項９記載の方法。
11. 前記さらなる差分測定値は、前記第３の特徴確率分布と前記第４の特徴確率分布との間の時間にわたるスケーリングされた差分である、請求項１０記載の方法。
12. 前記異常窓に後続する窓セットは、（ｉ）前記異常窓と、（ｉｉ）遠位後期窓とによって境界付けられている、請求項９から１１までのいずれか１項記載の方法。
13. 前記ステップ（ｖｉ）（ｂ）は、前記後続の候補窓セットと前記異常窓との間の窓セットについて当該測定された特徴の第４の特徴確率分布を計算するステップを含む、請求項１２記載の方法。
14. 前記後続の候補窓セットは、１０未満の窓を含むことができる、請求項９から１３までのいずれか１項記載の方法。
15. 前記後続の候補窓セットは、単一の窓のみを含む、請求項１４記載の方法。
16. 前記第３の特徴確率分布および前記第４の特徴確率分布は、前記ステップ（ｖｉ）（ａ）および（ｂ）において、識別された窓について測定された特徴にガウスモデルを適合させることによって計算される、請求項９から１５までのいずれか１項記載の方法。
17. 前記測定された特徴は、前記システム回路の部品によって出力されたデータから監視回路によって生成されたトレースデータから導出されるものを含む、請求項１から１６までのいずれか１項記載の方法。
18. 前記測定された特徴は、前記システム回路の部品に入力したデータまたは前記部品から出力されたデータから前記監視回路によって識別された照合イベントから導出されるものを含む、請求項１から１７までのいずれか１項記載の方法。
19. 前記測定された特徴は、前記システム回路の部品から特定のアイテムが観察されるたびにカウントするように構成された前記監視回路のカウンタから導出されるものを含む、請求項１から１８までのいずれか１項記載の方法。

Images