JPH113227A - ネットワークの障害原因推論方法 - Google Patents

ネットワークの障害原因推論方法

Info

Publication number
JPH113227A
JPH113227A JP9155497A JP15549797A JPH113227A JP H113227 A JPH113227 A JP H113227A JP 9155497 A JP9155497 A JP 9155497A JP 15549797 A JP15549797 A JP 15549797A JP H113227 A JPH113227 A JP H113227A
Authority
JP
Japan
Prior art keywords
failure
cause
fault
symptoms
symptom
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.)
Pending
Application number
JP9155497A
Other languages
English (en)
Inventor
Noriaki Kuwabara
教彰 桑原
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.)
Sumitomo Electric Industries Ltd
Original Assignee
Sumitomo Electric Industries Ltd
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 Sumitomo Electric Industries Ltd filed Critical Sumitomo Electric Industries Ltd
Priority to JP9155497A priority Critical patent/JPH113227A/ja
Publication of JPH113227A publication Critical patent/JPH113227A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Maintenance And Management Of Digital Transmission (AREA)

Abstract

(57)【要約】 【課題】ネットワークに接続されたノード又はリンクに
実際に発生した、原因の分かっている障害の症状に基づ
いて、学習させることにより、障害の伝播モデルをより
正確なものに修正していく。 【解決手段】いずれかの障害の原因に対する各障害の症
状S1 ,S2 ,‥‥,Sn の発生の有無のデータを時間
を追って収集し、各障害の症状の間で相互相関係数を計
算し、ある障害の症状Sa と相関の高い他の障害の症状
とを因果関係付け、前記の因果関係に基づいて、当該障
害の原因に対する障害の伝播モデルを修正していくこと
によって、障害原因の推論の精度を高めていく。

Description

【発明の詳細な説明】
【0001】
【発明の属する技術分野】本発明は、ネットワークに接
続されたノード又はリンクに発生している障害原因の推
論方法に関するものである。
【0002】
【従来の技術】ネットワークの障害時に多数発生する障
害の症状を入力として、その障害の原因を特定するため
の方法が知られている(USパテント5,528,516 号公報
参照)。この方法では、ネットワーク機器をノードとし
てモデル化し、あるノードにおける障害がそのノードに
関係のあるノードに伝播するときのルールを、具体的な
ネットワークの構成において記述する。すなわち、ある
障害の症状が現れることを1digit で、現れないことを
0digit で表現すると、その構成において観測される複
数の症状に基づいて、0,1パターンを求め、障害の原
因を対応付ける。このように観測された症状を列、障害
の原因を行に配置することによって、0,1からなるマ
トリクスを構成することができる。これをSPマトリク
ス (Symptom Problem Matrix) という。このSPマトリ
クスを使用して、実際に発生した障害の症状のパターン
を入力すれば、効率よく障害の原因を知ることができ
る。
【0003】例えば、障害の原因にP1,2,3 の3つ
があり、障害の症状としてS1,2,3,4 があるとす
る。そして、以下のような伝播モデルが記述されている
とする。 P1 →S1 ,P2 →S2 ,P3 →S3 ,S1 →S3 SPマトリクスは次のようになる。
【0004】
【表1】
【0005】前記マトリクスから得られる、各障害の原
因に対応する障害の症状のパターンを、「シグニチャ」
という。すなわち、P1 のシグニチャは(1,0,1,
0)、P2 のシグニチャは(0,1,0,0)、P3
シグニチャは(0,0,1,0)である。一般に、障害
の原因Pj のシグニチャを(Skj)(k=1,2,3,
‥‥,n;nは障害の症状の数)と書く。
【0006】いま、S=(Sk )(k=1,2,3,‥
‥,n)という障害の症状のベクトル(「シンプトンセ
ット」いう)が入力されたとする。前記シグニチャとシ
ンプトンセットとの間の距離dを、例えば d(Pj ,S)=Σ|Skj−Sk |,k=1,2,3,
‥‥,n で定義する。入力されたシンプトンセットがS=(0,
1,1,1)であったとすると、 d(P1 ,S)=3 d(P2 ,S)=2 d(P3 ,S)=2 となる。この距離dの最も近いものを障害の原因と推論
する。前記の例では、P 1 はSから最も離れており、P
1 は障害の原因の候補から外されるが、P2 とP 3 はS
から等距離であることから、P2 とP3 のどちらを障害
の原因とするか特定できない。
【0007】さらに、より具体的な例に基づいて説明す
る。図1に示すような、ローカルエリアネットワーク
(LAN)を介して、データベースクライアント(DB
クライアント)がデータベースサーバ(DBサーバ)を
利用するケースを考える。このケースを図2に示すよう
に、階層モデル化する。図2では、DBクライアント
は、左側に示されるように、「DBクライアント」、
「TCPノード」、「IPノード」、「Ether LAN ノー
ド」というノードの集合で表される。DBサーバは、右
側に示されるように、「DBサーバ」、「TCPノー
ド」、「IPノード」、「Ether LAN ノード」というノ
ードの集合で表される。また、LANを介して接続され
ていることを示すため、それぞれの階層で「TCPリン
ク」、「IPリンク」、「Ether LAN リンク」というコ
ネクションが成立している。
【0008】このモデルに対して障害の症状と、障害の
原因とを対応付ける。例えば、DBクライアントの応答
が非常に遅い (Client Slow)と感じたとする。この原因
として、DBサーバが過負荷である (Server Slow)とい
った原因が考えられる。このようにして1つのルールが
記述される。先行技術に係る方法では、このような原因
が、障害の発生したノードからそのノードに関係のある
ノード、あるいはリンクに波及するときのルールも記述
する。例えば、次のようなルールがある。
【0009】(1) 障害の原因として、TCPリンクがLo
w Throughputならば、それとconnect-toの関係にあるT
CPノードにLow Throughputが発生する。TCPノード
がLow Throughputならば、それとlayered-overの関係に
あるDBクライアントにClient Slow が発生する。 (2) 障害の原因として、イーサLAN リンクがMuch Colli
sion ならば、それとconnect-toの関係にあるイーサLA
N ノードにMuch Collisionが発生する。イーサLAN ノー
ドがMuch Collisionならば、それとconnect-toの関係に
あるTCPノードにRetry Many Times(再送多発)が発
生する。TCPノードがRetry Many Timesならば、それ
とlayered-overの関係にあるDBクライアントにClient
Slow が発生する。
【0010】そこで、SPマトリクスとして、次のよう
なものができる。
【0011】
【表2】
【0012】障害管理ソフトウェアでは、実際に観測さ
れた各障害の症状を0,1パターンで表し、前記障害の
原因Pj のシグニチャと比較し、最も近似するシグニチ
ャに対応する障害原因Pj を観測された障害の原因と推
論する。
【0013】
【発明が解決しようとする課題】前記先行技術におい
て、DBクライアントの応答が非常に遅い (Client Slo
w)と感じ、同時に、「TCPノードのDisconnect」、
「TCPリンクのDisconnect」を観測したとする。この
障害の原因を後に解析した結果、「DBサーバのServer
Down 」が真の原因であったとする。
【0014】しかし、〔表2〕では、これらの障害の症
状のパターンに最も近い障害の原因として、DBサーバ
の過負荷 (Server Slow)がヒットする。このため、推論
結果は、DBサーバのServer Slow となり、障害の推論
に失敗する。この失敗の原因は、伝播モデルの記述ミス
あるいは記述漏れであると考えられる。すなわち、障害
原因を正確に特定するためには、ネットワークの構成を
正確にモデル化し、また障害の伝播モデルも正確に記述
することが要求される。
【0015】しかし、一般にネットワークの構成を正確
にモデル化することは困難である。また、障害の伝播モ
デルについても、多種多様なネットワークノード又はリ
ンクで発生するあらゆる障害を網羅し、それらの間の因
果関係を細大漏らさず記述することは不可能である。そ
こで、本発明は、実際に発生した、原因の分かっている
障害の症状に基づいて、学習させることにより、障害の
伝播モデルをより正確なものに修正していくことができ
るネットワークの障害原因推論方法を実現することを目
的とする。
【0016】
【課題を解決するための手段】本発明のネットワークの
障害原因推論方法は、ネットワークに接続されたノード
又はリンクに発生した障害原因を推論する方法であっ
て、いずれかの障害の原因に対する各障害の症状の発生
の有無のデータを時間を追って収集し、各障害の症状の
間で相互相関を計算し、ある障害の症状と相関の高い他
の障害の症状とを因果関係付け、前記の因果関係に基づ
いて、当該障害の原因に対する障害の伝播モデルを修正
していくことによって、障害原因の推論の精度を高めて
いく方法である(請求項1)。
【0017】前記の構成によれば、いままで因果関係が
なかったと思われていた障害の症状の間であっても、障
害の原因に対する各障害の症状の発生の有無のデータを
時間を追って収集し、所定の演算処理をすることによっ
て、各障害の症状の間での因果関係を付けることができ
る。そして、この学習された因果関係に基づいて、当該
障害の原因に対する障害の伝播モデルを、より正確なも
のに修正していくことができる。
【0018】前記因果関係付ける手順において、相互相
関係数をしきい値と比較し、しきい値よりも高い相互相
関係数を持つ障害の症状の間に因果関係があるとする
(請求項2)。しきい値の設定は通常行う手法である
が、このしきい値をいかに選ぶかが、重要となってく
る。1つの方法は、正しい障害の原因が導けなかった過
去の失敗事例を検証して、正解が導けるようになるまで
前記しきい値を下げていく方法である(請求項3)。し
きい値を下げていくほど、いままで無関係と思われてい
た障害の症状の間に因果関係が見いだされるからであ
る。
【0019】また、前記しきい値を下げていくことによ
り、過去の成功事例が不正解になった場合は、当該しき
い値を下げる以前の値に戻すことが好ましい(請求項
4)。しきい値を下げ過ぎると、意味のない因果関係、
誤った因果関係が多く検出され、障害原因を推論する精
度は、かえって低下するからである。
【0020】
【発明の実施の形態】以下、本発明の実施の形態を、添
付図面を参照しながら詳細に説明する。図3は、本発明
の障害原因推論方法を実施する障害原因推論装置の構成
を示すブロック図である。本障害原因推論装置1は、ネ
ットワークからの障害の症状を通知する既存のネットワ
ーク管理ソフトウェア21とのインターフェイスである
汎用管理サービス部2、汎用管理サービス部2を通して
通知される障害の症状をイベントデータベースに保持す
るためのイベントデータベース部3、イベントデータベ
ース部3に格納される障害の症状を利用して障害原因を
推論する障害管理部4、及びネットワークの構成情報を
保持するための構成管理部5を含み、さらに、イベント
データベース部3、障害管理部4、構成管理部5を制御
するためのジョブ制御部6と、処理の結果をユーザに提
示するためのモニタ8並びにユーザインターフェイス
(I/F)部7を含んでいる。
【0021】前記障害管理部4は、伝播モデルを用いて
推論した過去の事例を保持する推論事例管理部41、障
害の伝播モデルを用いて障害の推論を行い、また検出さ
れた障害の因果関係の評価を行うための伝播モデル部4
2、そして、障害の症状間の相関を計算し、障害の症状
間の因果関係を検出するイベント解析部43からなる。
【0022】前記推論事例管理部41は、過去に推論し
た事例に対して、オペレータから障害原因の正解、不正
解の指摘を受ける。不正解の場合には、そのときの正解
の障害原因をオペレータから入力してもらい、それを保
持している。本発明では、以下のような手順で障害の症
状の因果関係の検出を行う。ユーザが関与する手順は、
以下の(1)から(3)までの手順であり、障害管理部4が自
動的に実行する手順は、以下の(4)から(8)までの手順で
ある。
【0023】(1)ユーザは、ユーザI/F部7を通し
て、ジョブ制御部6に対し過去の推論事例を検索し、不
正解であったものから、重大な誤りであると考えられる
ものを選択する。 (2)ユーザは、その事例に関係するネットワークノード
又はリンクに関する伝播モデルに誤り、あるいは記述漏
れがあると考える。
【0024】(3)ユーザは、ユーザI/F部を通し、ジ
ョブ制御部6に対して、イベント解析部43にそれらネ
ットワーク機器のノード、あるいはリンクで発生するす
べての障害の症状を障害の症状別に時間を追って観測す
るように要求する。この場合、発生している障害の原因
j が分かっていなければならない。そこで、ユーザ
が、ネットワークのメンテナンスの時間を利用して、故
意に障害を発生させて障害の症状を取得してもよいし、
偶然発生した障害については、事後的にその原因を詳し
く探究して、データ入力してもよい。
【0025】(4)発生した障害の症状は、ネットワーク
管理ソフトウェア21から、まず汎用管理サービス部2
に送られて、イベントデータベース部3に保持可能な形
式に変換された上でイベントデータベースに蓄えられ
る。 (5)イベント解析部43は、イベントデータベース部3
から該当する障害の原因Pj に対応するさまざまな障害
の症状S1j,S2j,‥‥を収集する。障害の症状S1j
2j,‥‥は、前述したように、当該障害の症状が現れ
たときを1,当該障害の症状が現れなかったときを0と
した、0又は1からなる時間関数である。以下、時間変
化を考慮するとき、障害の症状をS1j(t) ,S2j(t) ,
‥‥と書く。以下、障害の原因を表す添え字jは省略す
る。 (6)イベント解析部43は、十分な時間にわたって障害
の症状が記録されると、障害の症状間の正規化された相
互相関係数を計算する。
【0026】この正規化された相互相関係数とは、2つ
の障害の症状の関係の度合いを表す尺度である。2つの
障害の症状Sa (t) と、Sb (t) を考える。これらの正
規化された相関係数Cabを、 Cab=∫Sa (t) Sb (t) dt/SQRT〔∫Sa 2 (t) dt∫
b 2 (t) dt〕 で定義する。分母で正規化しているので、2つの障害の
症状Sa (t) ,Sb (t)が全く同一のパターン(Sa (t)
=Sb (t) for all time )であればCab=1であ
る。一般に、0≦Cab≦1の範囲にある。また、Cab
baである。正規化相関係数Cabを行列で表現すると、
次の〔表3〕のようになる。
【0027】
【表3】
【0028】(7)前記の行列のある障害の症状Sa の断
面に着目し、その断面上の正規化相関係数Ca1,Ca2
a3,‥‥,Canに適当なしきい値を設定し、そのしき
い値よりも高い相互相関値を示す障害の症状間に因果関
係があると判断する。図4は、障害の症状Sa の断面上
の正規化相関係数Ca1,Ca2,Ca3,‥‥,Canを、横
軸に障害の症状S1 ,S2 ,S3 ,‥‥,Sn をとって
グラフで表したもので、しきい値をTで表している。
【0029】(8)イベント解析部43は、障害の症状S
1 ,S2 ,S3 ,‥‥,Sn のうち、しきい値Tを越え
る正規化相関係数を探し、その正規化相関係数に対応す
る障害の症状を選定する。そして、イベント解析部43
は、伝播モデル部42が現在保持しているSPマトリク
スの障害の原因Pj に対応する障害の症状のパターン、
すなわち「シグニチャ」を、前記障害の症状間の因果関
係に基づいて、修正する。この修正は次のようにして行
う。
【0030】現在保持しているSPマトリクスの上で、
ある障害の原因Pj のシグニチャを(Skj)とする。い
ま、障害の原因Pj について、障害の症状Sajと、障害
の症状Sbj間で新たに因果関係があると判断されたとす
る。すると、現在保持しているSPマトリクスの上での
シグニチャの要素Sajが0でSbjが1ならば、Sajを1
にする。Sajが1でSbjが0ならば、Sbjを1にする。
【0031】〔表2〕に基づいて具体的に説明する。前
記障害の症状間の因果関係の判断により、「DBサーバ
がServer Down 」と「TCPノードのDisconnect」の因
果関係があると判断され、さらに、「TCPノードのDi
sconnect」「TCPリンクのDisconnect」との因果関係
があると判断され、さらに「TCPリンクのDisconnec
t」と「DBクライアントのClient Slow 」との因果関
係があると判断されたとする。
【0032】すると、障害の原因「DBサーバがServer
Down 」に対応する障害の症状のパターンの「TCPノ
ードのDisconnect」「TCPリンクのDisconnect」「D
BクライアントのClient Slow 」の欄は、すべて0から
1に変えられる。このようにして新しい伝播モデルが見
いだされ、見いだされた伝播モデルに基づきSPマトリ
クスが修正される。
【0033】修正された新しいSPマトリクスを〔表
4〕に示す。
【0034】
【表4】
【0035】以上の処理で、因果関係検出のためのしき
い値の設定は重要である。しきい値の設定が高過ぎると
因果関係の検出は難しくなり、逆に設定が低過ぎると意
味のない因果関係、誤った因果関係が多く検出されるこ
とになる。そこで、伝播モデル部42は、以下のような
伝播モデルの評価を行い、その結果に応じてしきい値T
を変更する。
【0036】(9)伝播モデル部42は、推論事例管理部
41に対して、(1)で入力された重大な誤りであると考
えられる事例を参照する。推論事例管理部41は、過去
の障害原因の推論事例に対して推論に用いた障害のシグ
ニチャを保持しているとともに、推論に失敗した事例に
ついても、ユーザからその正解を入力してもらい、それ
を保持している。
【0037】(10)伝播モデル部42は、(8)で得た新し
い伝播モデルを用いて、過去の失敗事例について正解が
導けるかどうかを評価する。例えば、DBクライアント
の応答が非常に遅い (Client Slow)と感じ、同時に、
「TCPノードのDisconnect」、「TCPリンクのDisc
onnect」を観測したとすれば、〔表4〕によれば、「D
BサーバのServer Down 」がヒットするので、正解が導
けたことになる。
【0038】伝播モデル部42は、過去の失敗事例につ
いての正解が出ない場合は、しきい値Tを下げて、より
多くの因果関係が検出できるようにする。さらに、伝播
モデル部42は、推論事例管理部41に対して、過去の
正解事例(数が多いときは無作為抽出する)について、
(8)の伝播モデルを用いて、依然として正解が維持でき
るか評価する。
【0039】過去の正解事例についての評価結果が悪い
場合は、しきい値Tを上げて、検出される因果関係の数
が少なくなるようにしきい値Tを設定し、(6)から(8)ま
での処理を再度実行する。 (11)伝播モデル部42は、(1)で入力された重大な誤り
であると考えられる事例がほぼ正解となったと判断され
る時点で処理を終了し、そのときの伝播モデルを確定
し、以後この伝播モデルを使用して推論を行う。
【0040】なお、過去の正解事例について不正解が導
かれたときにも処理を終了し、その評価の1つ前の時点
のしきい値Tに基づいて使用した伝播モデルを確定し、
以後この伝播モデルを使用して推論を行う。
【0041】
【発明の効果】以上のように本発明のネットワークの障
害原因推論方法によれば、障害の原因に対する各障害の
症状の発生の有無のデータを時間を追って収集し、所定
の演算処理をすることによって、各障害の症状の間での
因果関係を付けることができ、この因果関係に基づい
て、当該障害の原因に対する障害の伝播モデルを、より
正確なものに修正していくことができる。
【図面の簡単な説明】
【図1】ネットワークの障害原因推論方法を実施する前
提となるネットワークの構成例を示す図である。
【図2】前記図1のネットワークを階層モデル化した図
である。
【図3】本発明の障害原因推論方法を実施する障害原因
推論装置の構成を示すブロック図である。
【図4】障害の症状Sa の断面上の正規化相関係数
a1,Ca2,Ca3,‥‥,Canの値を縦軸に、障害の症
状S1 ,S2 ,S3 ,‥‥,Sn を横軸にとって表した
グラフである。
【符号の説明】
1 障害原因推論装置 2 汎用管理サービス部 3 イベントデータベース部 4 障害管理部 5 構成管理部 6 ジョブ制御部 7 ユーザインターフェイス(I/F)部 8 モニタ 21 ネットワーク管理ソフトウェア 41 推論事例管理部 42 伝播モデル部 43 イベント解析部

Claims (4)

    【特許請求の範囲】
  1. 【請求項1】ネットワークに接続されたノード又はリン
    クに発生した障害原因を推論する方法であって、いずれ
    かの障害の原因に対する各障害の症状の発生の有無のデ
    ータを時間を追って収集し、各障害の症状の間で相互相
    関を計算し、ある障害の症状と相関の高い他の障害の症
    状とを因果関係付け、前記の因果関係に基づいて、当該
    障害の原因に対する障害の伝播モデルを修正していくこ
    とによって、障害原因の推論の精度を高めていくことを
    特徴とするネットワークの障害原因推論方法。
  2. 【請求項2】ある障害の症状と相関の高い他の障害の症
    状とを因果関係付ける手順において、相互相関係数をし
    きい値と比較し、しきい値よりも高い相互相関係数を持
    つ障害の症状の間に因果関係があるとする請求項1記載
    のネットワークの障害原因推論方法。
  3. 【請求項3】過去の失敗事例について正解が導けるよう
    になったかどうかを評価し、正解が導けない場合は、正
    解が導けるようになるまで前記しきい値を下げていくこ
    とを特徴とする請求項2記載のネットワークの障害原因
    推論方法。
  4. 【請求項4】前記しきい値を下げていくことにより、過
    去の成功事例について不正解になった場合は、当該しき
    い値を下げる以前の値に戻すことを特徴とする請求項3
    記載のネットワークの障害原因推論方法。
JP9155497A 1997-06-12 1997-06-12 ネットワークの障害原因推論方法 Pending JPH113227A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP9155497A JPH113227A (ja) 1997-06-12 1997-06-12 ネットワークの障害原因推論方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP9155497A JPH113227A (ja) 1997-06-12 1997-06-12 ネットワークの障害原因推論方法

Publications (1)

Publication Number Publication Date
JPH113227A true JPH113227A (ja) 1999-01-06

Family

ID=15607351

Family Applications (1)

Application Number Title Priority Date Filing Date
JP9155497A Pending JPH113227A (ja) 1997-06-12 1997-06-12 ネットワークの障害原因推論方法

Country Status (1)

Country Link
JP (1) JPH113227A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008003866A (ja) * 2006-06-22 2008-01-10 Omron Corp 因果構造獲得装置、因果構造獲得方法、因果構造獲得プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008003866A (ja) * 2006-06-22 2008-01-10 Omron Corp 因果構造獲得装置、因果構造獲得方法、因果構造獲得プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体

Similar Documents

Publication Publication Date Title
WO2022068645A1 (zh) 数据库故障发现方法、装置、电子设备及存储介质
US20230401143A1 (en) Intelligent services for application dependency discovery, reporting, and management tool
US20220129276A1 (en) Dependency analyzer in application dependency discovery, reporting, and management tool
CN101859274B (zh) 一种进行模糊测试的方法及系统
US20040103181A1 (en) System and method for managing the performance of a computer system based on operational characteristics of the system components
US20080148180A1 (en) Detecting Anomalies in Server Behavior
EP0784267B1 (en) An efficient data-driven theory revision system
US7996723B2 (en) Continuous, automated discovery of bugs in released software
CN108170566A (zh) 产品故障信息处理方法、系统、设备和协同工作平台
CA2101926A1 (en) Hierarchical distributed knowledge based machine initiated maintenance system
WO2022134911A1 (zh) 诊断方法、装置、终端及存储介质
WO2000068795A1 (en) Adaptive and generalized status monitor
TW202004771A (zh) 控制方法以及醫學系統
Nourani et al. Investigating the importance of first impressions and explainable ai with interactive video analysis
WO2014173258A1 (zh) 响应计划的可靠性分析方法及装置
CN116594801A (zh) 一种大数据云计算的故障分析系统
JP3579834B2 (ja) 管理可能なネットワークにおける事前対策オンライン診断
JPH113227A (ja) ネットワークの障害原因推論方法
JPH09205429A (ja) ネットワーク故障診断装置及び故障予測装置並びにその診断及び予測方法
JP6954379B2 (ja) 異常箇所特定装置、異常箇所特定方法及びプログラム
Ghanbari et al. Semantic-driven model composition for accurate anomaly diagnosis
CN116541728A (zh) 一种基于密度聚类的故障诊断方法及装置
Odintsova et al. Multi-fault diagnosis in dynamic systems
JP4668117B2 (ja) ネットワーク管理システムおよび方法
TW584894B (en) System and method for determining causes causing abnormality of semiconductor equipment