JPH1091450A

JPH1091450A - 推論処理方法

Info

Publication number: JPH1091450A
Application number: JP8240253A
Authority: JP
Inventors: Masaji Muranaka; 正次村中; Masaaki Naoi; 昌明直井
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 1996-09-11
Filing date: 1996-09-11
Publication date: 1998-04-10

Abstract

(57)【要約】【課題】確率の高い推論結果を得るための大量な知識
を駆使した推論処理を短時間で実施できない。【解決手段】知識ベースを用いて推論を行い結論を導
出する推論処理方法において、知識ベース内の各知識
に、予め設定された複数の分類項目のそれぞれにおける
各知識の項目情報に対応付けられた識別子を付与し、予
めそれぞれ設定された分類項目の優先順および識別子の
優先順に、各知識を再配列し、この再配列して得られた
知識ベースを用いて推論することを特徴とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、知識ベースを用い
て推論処理を行い、診断対象に対する結論を導出する推
論処理技術に係り、特に、ネットワーク管理における故
障箇所の特定作業や影響範囲の推定作業など、実時間で
の処理を必要とするシステムに適用するのに好適な推論
処理方法に関するものである。

【０００２】

【従来の技術】高度化し、かつ複雑化したネットワーク
の障害管理などにおいて、故障発生時に即座に対応する
ためには、ネットワーク全体、多種の個別ネットワー
ク、ネットワークインタフェース等に関して多くの知識
や技術が要求され、これらを満足するためには、熟練し
た多くの保守者が必要となり、膨大なコストがかかる。
このようなネットワークの障害管理業務などを自動化す
るためには、知識処理の導入が有効である。

【０００３】従来、知識処理を適用したシステムとし
て、エキスパートシステムがある。このエキスパートシ
ステムは、専門家の知識を集約しておき、それを利用す
ることにより、専門家でなくとも同様な処理を実施でき
るようにするものである。エキスパートシステムにおけ
る推論処理技術には、ルールベース推論（ＲＢＲ：Rule
-Based Reasoning）と事例ベース推論（ＣＢＲ：Case-B
ased Reasoning）、およびモデルベース推論（ＭＢＲ：
Model-Based Reasoning）がある。

【０００４】ルールベース推論は、専門家のノウハウに
基づき「ＩＦ ”Ａ” ＴＨＥＮ”Ｂ”」形式で表現さ
れた知識を使用して、現象として表れた”Ａ”を手がか
りに最終的な結論を導き出していく技術である。事例ベ
ース推論は、事例として過去の問題解決手法を蓄積して
いるもので、問題解決の際に、現状（現在、現われてい
る現象）に近い過去の事例を探索し、その事例における
解決方法を改善し、新しい問題に適応させて結論を導き
出していく技術である。モデルベース推論は、対象シス
テムの正常な動作シーケンスを元に、不具合が出た場合
のシーケンス結果を逐次知識として蓄積しておき、問題
となる現象が生じた場合、当該する知識から不具合箇所
を推定していく技術である。

【０００５】しかし、ルールベース推論で有効な結論を
得るためには、大量のルール知識が必要となり、知識の
大量化に伴い、処理時間も増大することとなる。また、
事例ルール知識では、診断の対象に適合した事例が存在
する場合に信頼性の高い結論が得られるので、多くの診
断対象に対応するためには多くの事例を必要とし、事例
としての知識の集積に多くの時間を要する。このことか
ら、事例ベース推論の対応可能な診断対象が限られてし
まう。さらに、モデルベース推論は、診断対象に対して
正確なモデル化が可能な項目に対しては有効であるが、
複雑な診断対象に対してはモデル化が困難となり、対象
範囲が限られる。

【０００６】このように、各推論技術には、対象範囲に
制限が出るため結論の信頼性が低くなったり、各々の知
識量の増加に伴い処理時間が増大してしまう。そのた
め、即時処理が要求される分野での適用が難しい。ま
た、正解率も知識の内容や各推論技術により異なってく
るため、例えば、個々の推論を独立に動作させた状態で
得られた結論に対しては、どの結論が一番信頼性の高い
ものかの判断ができない。

【０００７】ネットワーク管理における故障箇所の特定
作業や影響範囲の推定作業などでは、実時間での処理を
必要とする。このような作業を行うシステムに、上述の
知識ベースを用いた推論処理を適応する技術を考えた場
合、相反する処理が要求される。すなわち、知識処理に
おいては、確率の高い結論を得るためには、大量な知識
を駆使して推論処理を実施しなければならず、結論を得
るまでに多くの時間を要することとなる。そのため、障
害処理等の実時間での処理を必要とするシステムについ
ては、確率の高い回答を推論することと、リアルタイム
で回答を算出するという相反する処理が要求される。こ
のような要求に、従来の知識処理技術では、対応できな
い。

【０００８】また、推論結果の正解率は、知識の内容や
推論手法に応じて変動し、最適解を探索するのが難しい
状況にある。例えば、事例ベース推論は、事例に基づい
て処理を実施するので、障害にマッチした事例が存在す
る場合には確率の高い推論結果が得られるが、障害にマ
ッチした事例が存在しない場合には確率の高い推論結果
が得られない。すなわち、過去の事例が非常に大量に蓄
積された状態であれば確率の高い推論結果が得られる
が、システム導入時の事例が少ない場合には、確率の高
い推論結果を期待することは難しい。

【０００９】また、ルールベース推論では、個々のルー
ルの組合せ等により最適解を探索するので、必ずしも、
外部条件をルールの中で絞り切れない。このことから、
確率の高い推論結果を得ることが難しい場合が多い。さ
らに、モデルベース推論では、推論を実施しようとする
系が、知識として蓄積している系と同一の場合には、確
率の高い推論結果が得られるが、系がマッチしない場合
には、必ずしも、確率の高い推論結果が得られる訳では
ない。

【００１０】

【発明が解決しようとする課題】解決しようとする問題
点は、従来の技術では、確率の高い推論結果を得るため
には、大量な知識を駆使して推論処理を実施しなければ
ならず、結論を得るまでに多くの時間を要してしまう点
である。本発明の目的は、これら従来技術の課題を解決
し、推論処理の高速化と正解率の向上を同時に図ること
が可能な推論処理方法を提供することである。

【００１１】

【課題を解決するための手段】上記目的を達成するた
め、本発明の推論処理方法は、（１）知識ベースを用い
て推論を行い結論を導出する推論処理方法において、知
識ベース内の各知識に、予め設定された複数の分類項目
のそれぞれにおける各知識の項目情報に対応付けられた
識別子を付与し、予めそれぞれ設定された分類項目の優
先順および識別子の優先順に、各知識を再配列し、この
再配列して得られた知識ベースを用いて推論することを
特徴とする。また、（２）上記（１）に記載の推論処理
方法において、分類項目および識別子として、各知識が
ルールベース推論、事例ベース推論、モデルベース推論
の各推論のいずれに使用されるものかを示す分類項目お
よび識別子を少なくとも設定し、この設定した分類項目
を最優先順として各推論で用いていた各知識ベースをま
とめて再配列し、この再配列して得られた知識ベースを
用いて各推論を行なうことを特徴とする。また、（３）
上記（２）に記載の推論処理方法において、再配列した
知識ベースを用いた各推論のそれぞれを、平行して行う
ことを特徴とする。また、（４）上記（２）もしくは
（３）のいずれかに記載の推論処理方法において、各推
論のそれぞれによる、再配列した知識ベースを用いた推
論で得られた各結論の確信度に、各推論に対応して予め
設定されている重み付けを行うことを特徴とする。ま
た、（５）知識ベースを用いて推論を行い結論を導出す
る推論処理方法において、推論として、ルールベース推
論と事例ベース推論、およびモデルベース推論の各推論
を用い、この各推論のそれぞれで得られた各結論の確信
度に、各推論に対応して予め設定されている重み付けを
行うことを特徴とする。また、（６）上記（２）から
（５）のいずれかに記載の推論処理方法において、各推
論の他に、この各推論と平行して、事例ベース推論を行
った後にこの事例ベース推論で導出した結論を対象にモ
デルベース推論を行うことを特徴とする。また、（７）
上記（２）から（６）のいずれかに記載の推論処理方法
において、各推論の他に、この各推論と平行して、事例
ベース推論を行った後にこの事例ベース推論で導出した
結論を対象にルールベース推論を行うことを特徴とす
る。

【００１２】

【発明の実施の形態】ネットワークの障害管理を例に、
本発明の実施の形態を説明する。ネットワークの障害管
理においては、複雑で、大量なデータから、確信度の高
い結論を、短時間で算出する必要があるため、複数の推
論処理（ルールベース推論／ＲＢＲ、事例ベース推論／
ＣＢＲ、モデルベース推論／ＭＢＲ）を導入して、知識
処理の複合化を図ることが有効である。一般に、知識処
理の複合化の種類としては以下のものがある。（い）知識の複合（ろ）推論手法の複合（は）異種推論による結論の複合

【００１３】本実施例では、上述の３つを融合させて推
論処理を行うものとする。（い）の知識の複合は、異な
る知識ベースの統合、例えば、ルール知識と事例知識を
統合して処理するものがある。しかし、ネットワーク障
害管理においては、異種の知識ベースを同一のフォーマ
ットに記述することが困難であり、仮に異種の知識ベー
スを用いて処理したとしても効率化があまり期待できな
い。そこで、本実施例では、識別子による知識の複合化
を行う。

【００１４】（ろ）の推論手法の複合では、まずルール
ベース推論を適用して近似解を解き、その回答が例外と
して登録してある事例ベース推論に類似している場合
に、事例ベース推論を適用して結論を得る従来技術があ
る。しかし、ネットワーク障害管理の分野では、事例知
識ベースに実例が保存されているので、まず、事例ベー
ス推論を主体に行い、その後、ルールベース推論やモデ
ルベース推論で処理を補うこととする。

【００１５】（は）の結論の複合では、推論処理の結論
に対して、ある重み付けを行い、結論の確信度の再配列
を行なうもので、いわゆるクロスロード手法が提案され
ている。この手法は、複数の推論を融合させる際に、処
理が非常にシンプルであると共に、複数の結論の優先付
けに有効である。そこで、本実施例では、これを（ろ）
の手法と組合せて使用する。これらの３種を融合させる
処理手順を、以下、説明する。

【００１６】まず、（い）の知識の複合に関して説明す
る。本実施例では、システムが保有する知識に対応付け
て複数の識別子を設定し、これらの複数の識別子に優先
順位を付与し、付与した識別子の優先順位に基づき、保
有した知識を再配列して、推論に用いる知識ベースを再
構成する。ここで、システムが保有する知識に対応付け
て複数の識別子を設定するのは、知識に対して、複数の
分野についての識別を行うためのもので、これにより、
知識の複数分野でのランク付けが可能となる。

【００１７】また、複数の識別子に優先順位を付与する
のは、複数に分類した知識の分野ごとに、処理のための
優先順位を表すためのものであり、使用者の要求条件に
より設定することができる。各識別子の内容は、知識に
対して、当該分野での分類を示すもので当該分野での個
々の知識を幾つかのランクに分類することができる。こ
のように、識別子に用いて、システムが保有する知識
を、分野別かつ優先順に、さらに、処理すべき内容ごと
に再配列することは、推論処理機構が参照する優先順に
知識を並び替えることとなる。

【００１８】以下、ネットワークの障害管理を具体的な
例にして、知識の複合化に関して説明する。ネットワー
クの障害管理などに係る推論処理において、信頼性の高
い近似解を高速に算出するためには、管理業務に適した
知識の構造を検討する必要がある。例えば、故障処理に
関しては、業務フロー毎に知識内容が異なった内容であ
ることや、障害の重大さに対応して即時に結論を導出す
る必要があること、また、故障発生頻度の高い内容につ
いては即時対応すること、ユーザ要望対応により必要な
範囲で処理を実施すること、および、処理時間を効率化
することなどを考慮して、知識ベースの内容を、以下の
視点で分類する。

【００１９】（Ａ）障害管理業務（Ｂ）想定される障害の重要度（Ｃ）頻発する障害（Ｄ）ユーザ要望としての対処レベル（Ｅ）機能レベル分割そして、このような各視点ごとに、データベース内での
検索を容易とするために、識別子を付与する。

【００２０】この識別子により、推論処理を実行する際
に必要とする知識のみを選択できると共に、重要度順に
処理を実行でき、単純なアルゴリズムで、信頼性の高い
結論を短時間に算出することができる。また、大局的視
点から始めて、詳細探索するといった機能レベル毎の障
害探索処理も容易に実行できる。図１において、このよ
うな知識の分類手順を、また、図２，３において、知識
の分類例を示す。

【００２１】図１は、本発明の推論処理方法に係る知識
の分類手順例を示すフローチャートである。図１（ａ）
は、識別子を知識に付与するための処理を示す。まず、
推論種別ごとに分類管理するために、知識ごとに、ルー
ルベース、事例ベース推論、モデルベース推論の、どの
推論処理で使用するものかを示す識別子を付与（設定）
し、次に、各推論種別内で分野別に分類するための識別
子を設定し、さらに、分類した各分野内でさらに分類す
るための識別子の設定を行い（ステップ１０１）、そし
て、各分野の優先順位、ならびに、分野内での優先順位
を設定する（ステップ１０２）。

【００２２】このようにして、図１（ａ）の処理で付与
された識別子を持つ知識を、図１（ｂ）に示すように、
データベースやファイルに入力してネットワーク障害管
理システムに取り込む（ステップ１０３）。そして、入
力した知識を、付与された識別子の優先順位に従って、
再配列する（ステップ１０４）。

【００２３】図２は、図１（ａ）における処理で知識が
入力された知識ベースの構成例を示す説明図であり、図
３は、図２の知識ベースが図１（ｂ）における処理で再
配列された知識ベースの構成例を示す説明図である。図
２に示すように、本例では、知識内容１の各項目（「知
識１〜１２，・・・」）別に、対象業務（図中、障害管
理分野と記載）３、重要度４、利用回数５、切分けレベ
ル６、機能レベル７、および、推論種別８の６つの識別
子２が、分類項目として対応付けられ、それぞれの識別
子により、「知識１〜１２，・・・」が分類されてい
る。

【００２４】また、各分類項目ごとの優先度は、「推論
種別８」、「対象業務３」、「切分けレベル６」、「機
能レベル７」、「重要度４」、「利用回数５」の順に設
定されている。そして、「対象業務３」と「重要度４」
では５つのランク、「利用回数５」では３つのランク、
「切分けレベル６」では３つのレベル、「機能レベル
７」では３つのレベルに、それぞれ優先順位が設定され
ている。この結果、図２に示す知識データベースは、図
１の処理により、図３に示す知識データベースに再構築
される。

【００２５】このように、知識を、分野別および優先順
位に従って配列することにより、推論処理時には、優先
度の高い知識からのアクセスが可能となり、処理が高速
化される。図４は、図３における知識を用いた推論処理
の手順を示すフローチャートである。識別子を付与した
知識を用いて推論処理の実施に当たって、まず、識別子
に基づき、推論に必要な知識を知識データから探索して
入力し（ステップ４０１）、入力した知識に対応して、
逐次推論処理を行う（ステップ４０２）。この推論処理
の結果を中間解として逐次出力を実施しながら（ステッ
プ４０４）、処理すべき知識情報が無くなるまで処理を
継続していく（ステップ４０３）。

【００２６】さらに、本実施例では、推論処理の高精度
化を図るために、このようにして再配列した知識ベース
を用いた推論の複合化を行う。以下、上述の（ろ）の推
論の複合化について説明する。本実施例においては、ル
ールベース推論と事例ベース推論およびモデルベース推
論の各手法を有機的に結合させて高精度な結論を導きだ
すために、各推論の動作の順序を制御する。

【００２７】ルールベース推論は、問題に対してルール
知識を利用して結論を推論するものであり、専門家の知
識を集約しておくことで、より精度の高い結論を導くこ
とができる。また、推論のためのアルゴリズムも種々提
案されている。しかし、必ずしも、外部条件をルールの
中で絞り切れないことから、確率の高い推論結果を得る
ことが難しい場合も多い。事例ベース推論は、過去の故
障事例を検索して、類似の事例から結論を推定するもの
であり、障害にマッチした事例が存在する場合は、確率
の高い推論結果が得られる。しかし、障害にマッチした
事例が存在しない場合は、確率の高い推論結果が得られ
ない。

【００２８】モデルベース推論は、診断対象の構造や構
成要素の動作を記述したモデルを与えて、そのモデルか
ら予測される動作と、実際に観測されている動作の違い
から、診断対象の故障箇所を推論するものであり、推論
を実施しようとする系が、知識として蓄積している系と
同一の場合に、確率の高い推論結果が得られる。しか
し、系がマッチしないと、必ずしも、確率の高い推論結
果を得ることはできない。

【００２９】そこで、各推論機構の動作の順序を制御す
ることにより、上述の３種類の推論の使用、および、使
用順序を制御する。これにより、推論の組合せが可能と
なり、各種の推論の利点を組合せた形での推論処理が可
能となる。尚、上述したように、ネットワーク障害管理
の分野では、事例知識ベースに実例が保存されているの
で、本実施例では、まず、事例ベース推論を主体に行
い、ルールベース推論やモデルベース推論で処理を補
う。

【００３０】図５は、本発明の推論処理方法に係る推論
の複合化の手順例を示すフローチャートである。まず、
実施する推論手順を選択する（ステップ５０１）。本例
では、ルールベース推論（図中、ＲＢＲと記載）と事例
ベース推論（図中、ＣＢＲと記載）およびモデルベース
推論（図中、ＭＢＲと記載）を個別に実施する手順（ス
テップ５０２，５０３，５０４）と、事例ベース推論に
より一次的な推論を実施し、次に、ルールベース推論を
適用して結論を導出する（ステップ５０５，５０６）も
のと、事例ベース推論で診断対象を限定して、その後
に、モデルベース推論を実施して結論を導出する（ステ
ップ５０７，５０８）もの、以上５種類の手順を示して
いる。

【００３１】ここで、複数の手順（ステップ５０２〜５
０４のそれぞれの手順と、ステップ５０５，５０６から
なる手順、および、ステップ５０７，５０８からなる手
順）を、さらに組合せて選択することも可能である。そ
の際は、複数の推論が平行して処理を実施する。このよ
うにして、選択された手順に従い、各推論処理を実施
し、結論を導出する。この結果、確信度の高い複数の結
論が導出される。

【００３２】本実施例では、これらの結論に対して、さ
らに、上述の（は）の異種推論による結論の複合を行な
う。すなわち、ステップ５０１で選択し、結論を導出す
るために使用した推論の種別を検出し、導出された結論
が、どのような推論を経由して得られたものかを情報と
して保持しておく。そして、結論の確信度に、各推論ご
とに予め決められた重みを付け、使用した推論に対応し
て確信度を再設定する。このことにより、推論の種類に
よって差異のある結論の信頼性に、客観的な値を持たせ
ることができる。

【００３３】このように、使用した推論手順ごとに予め
定められた重み付け関数を用いて、結論の確信度の再計
算を行う（ステップ５０９）。そして、この再計算によ
って得られた結論を、確信度の高い順に出力して（ステ
ップ５１０）、処理を終了する。このようにして、診断
対象に対して、さらに、信頼性の高い結論を得ることが
できる。

【００３４】以上、図１〜図５を用いて説明したよう
に、本実施例の推論処理方法では、まず、知識ベースの
利用に先立ち、複合知識から、上述した識別子により、
知識を分類、整理する。次に、故障の事象に近い事例ベ
ース推論を実施し、その結論を参照して、ルールベース
推論で故障候補を検証する。または、事例ベース推論で
探索空間を縮小した部分にモデルベース推論を実施す
る。さらに、事例ベース推論とルールベース推論、およ
びモデルベース推論が、個別に実施される場合の結論と
合わせて、クロスロードアルゴリズムを適用して、事例
ベース推論、ルールベース推論、モデルベース推論の順
に重み付けを行い、結論の順序を整理する。そして、最
終的に、確信度の高い順に結論を再配列する。

【００３５】このように、知識ベースを処理すべき順番
を予め設定しておくことから、処理の初めに、より信頼
性の高い推論結果を算出することが可能となり、保守者
に対して一次回答として、より信頼性の高い結論を示す
ことができる。また、既存の推論手段を自由に組合せて
処理を実施することから、高速処理や即時処理に対応で
き、各種の推論の利点の組合せによる処理が可能とな
り、診断対象への要求条件に適合した処理ができる。ま
た、複数の推論手段に対して共通的な重み付けを行うこ
とで、結論の順序付けが可能となり、保守者に対して信
頼性の高い情報を提供することができ、保守者は、より
高度な診断が可能となる。

【００３６】尚、本発明は、図１〜図５を用いて説明し
た実施例に限定されるものではなく、その要旨を逸脱し
ない範囲において種々変更可能である。例えば、本発明
では、ネットワーク障害管理システムでの適用を例に説
明しているが、他のシステムへの適用も可能である。ま
た、図２，３においては、各分類項目の識別子として名
称等を用いているが、コード番号を用いることでも良
い。

【００３７】

【発明の効果】本発明によれば、確率の高い推論結果を
得るための大量な知識を駆使した推論処理を短時間で実
施でき、推論処理の高速化と正解率の向上といった相反
する処理の要求に対応でき、ネットワークにおける障害
処理等、確率の高い回答をリアルタイムで算出すること
が要求されるシステムに適応することが可能である。

【図面の簡単な説明】

【図１】本発明の推論処理方法に係る知識の分類手順例
を示すフローチャートである。

【図２】図１（ａ）における処理で知識が入力された知
識ベースの構成例を示す説明図である。

【図３】図２の知識ベースが図１（ｂ）における処理で
再配列された知識ベースの構成例を示す説明図である。

【図４】図３における知識を用いた推論処理の手順を示
すフローチャートである。

【図５】本発明の推論処理方法に係る推論の複合化の手
順例を示すフローチャートである。

【符号の説明】

１：知識内容、２：識別子、３：対象業務（障害管理分
野）、４：重要度、５：利用回数、６：切分けレベル、
７：機能レベル、８：推論種別。

Claims

【特許請求の範囲】

【請求項１】知識ベースを用いて推論を行い結論を導
出する推論処理方法において、上記知識ベース内の各知
識に、予め設定された複数の分類項目のそれぞれにおけ
る各知識の項目情報に対応付けられた識別子を付与し、
予めそれぞれ設定された上記分類項目の優先順および上
記識別子の優先順に、上記各知識を再配列し、該再配列
して得られた知識ベースを用いて推論することを特徴と
する推論処理方法。
【請求項２】請求項１に記載の推論処理方法におい
て、上記分類項目および識別子として、上記各知識がル
ールベース推論、事例ベース推論、モデルベース推論の
各推論のいずれに使用されるものかを示す分類項目およ
び識別子を少なくとも設定し、該設定した分類項目を最
優先順として上記各推論で用いていた各知識ベースをま
とめて再配列し、該再配列して得られた知識ベースを用
いて上記各推論を行なうことを特徴とする推論処理方
法。
【請求項３】請求項２に記載の推論処理方法におい
て、上記再配列した知識ベースを用いた上記各推論のそ
れぞれを、平行して行うことを特徴とする推論処理方
法。
【請求項４】請求項２、もしくは、請求項３のいずれ
かに記載の推論処理方法において、上記各推論のそれぞ
れによる上記再配列した知識ベースを用いた推論で得ら
れた各結論の確信度に、上記各推論に対応して予め設定
されている重み付けを行うことを特徴とする推論処理方
法。
【請求項５】知識ベースを用いて推論を行い結論を導
出する推論処理方法において、上記推論として、ルール
ベース推論と事例ベース推論、およびモデルベース推論
の各推論を用い、該各推論のそれぞれで得られた各結論
の確信度に、上記各推論に対応して予め設定されている
重み付けを行うことを特徴とする推論処理方法。
【請求項６】請求項２から請求項５のいずれかに記載
の推論処理方法において、上記各推論の他に、該各推論
と平行して、事例ベース推論を行った後に該事例ベース
推論で導出した結論を対象にモデルベース推論を行うこ
とを特徴とする推論処理方法。
【請求項７】請求項２から請求項６のいずれかに記載
の推論処理方法において、上記各推論の他に、該各推論
と平行して、事例ベース推論を行った後に該事例ベース
推論で導出した結論を対象にルールベース推論を行うこ
とを特徴とする推論処理方法。