JPWO2012029500A1 - 運用管理装置、運用管理方法、及びプログラム - Google Patents
運用管理装置、運用管理方法、及びプログラム Download PDFInfo
- Publication number
- JPWO2012029500A1 JPWO2012029500A1 JP2012531769A JP2012531769A JPWO2012029500A1 JP WO2012029500 A1 JPWO2012029500 A1 JP WO2012029500A1 JP 2012531769 A JP2012531769 A JP 2012531769A JP 2012531769 A JP2012531769 A JP 2012531769A JP WO2012029500 A1 JPWO2012029500 A1 JP WO2012029500A1
- Authority
- JP
- Japan
- Prior art keywords
- model
- specific
- correlation
- period
- operation management
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
- G06F2201/81—Threshold
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Debugging And Monitoring (AREA)
Abstract
システム特性に対するモデル化期間の情報が無くても、システム分析を行う日等の特定期間毎に、分析に適した相関モデルを生成する。相関モデル生成部１０２は、性能情報記憶部１１１に記憶された異なる種別の性能値間の相関関係を表す相関モデル１２２を、所定期間において複数生成する。モデル設定部１０３は、相関モデル生成部１０２により生成された複数の相関モデル１２２の中から、所定期間における性能情報に対する相関モデル１２２の適合度をもとに、当該適合度が最も高い相関モデル１２２を基本モデルとし、かつ、当該基本モデル以外の相関モデル１２２から少なくとも１以上の特定モデルを選択し、基本モデル及び特定モデルのそれぞれについて障害検出に利用する期間を設定する。
Description
本発明は、運用管理装置、運用管理方法、及びプログラムに関し、特に、システム性能の時系列情報を用いて、システムのモデル化を行う運用管理装置、運用管理方法、及びプログラムに関する。
システム性能の時系列情報を用いて、システムのモデル化を行い、生成されたモデルを用いてそのシステムの障害を検出する運用管理システムの一例が特許文献１に記載されている。
特許文献１記載の運用管理システムは、システムの複数の性能種別の性能情報の時系列情報をもとに、複数の性能種目の性能情報間の組み合わせのそれぞれに対して相関関数を算出することにより、複数の相関関数を含む相関モデルを生成する。そして、運用管理システムは、生成された相関モデルを用いて、性能情報の実測値に対して相関関係が破壊されているかどうかを判定し、相関破壊の発生数をもとにシステムの異常を検出する。
特許文献１記載の運用管理システムにおいて相関モデルを生成する場合、所定の期間の性能情報の時系列情報が入力され、その期間の時系列情報をもとに相関関係が抽出される。
ところで、多くのシステムでは、システムを運用する時間帯によって、処理するサーバの台数や実行されるアプリケーションなどが切り替わるため、システムの特性も切り替わり、それに応じて性能情報間の相関関係も変化する。このため、相関モデルを生成するために用いられる時系列情報の期間（モデル化期間）は、システムの特性が切り替わるタイミング間で適切に設定される必要がある。さらに、システムの分析を行う場合、分析を行う時間帯のシステム特性に応じた相関モデルを用いる必要がある。
例えば、勘定システムは、日中はオンライントランザクションの処理を行い、夜間はバッチ処理を行うというように、日中と夜間で処理の種類が切り替わる。このような勘定システムに対しては、日中と夜間のそれぞれの性能情報系列をもとに、それぞれの相関モデルを作成し、日中と夜間でシステム分析に使用する相関モデルを切り替える必要がある。
このように、システム特性に応じたモデル化、及び、分析を行うためには、システムが有する複数のシステム特性のそれぞれに対するモデル化期間の情報が必要となる。
このようなモデル化期間の情報は、例えば、システムについての十分な知識を持った管理者が把握しており、この管理者が、相関モデルを生成するためのモデル化期間を設定する。
しかしながら、例えば、システムについての十分な知識を持った管理者がいないなどの理由で、このようなモデル化期間の情報が得られず、誤ったモデル化期間で相関モデルが生成され、その相関モデルを用いてシステム分析を行った場合、時間帯によって性能情報間の相関関係が変化するため、システムが正常に動作しているにもかかわらず、システムの異常が誤って（誤報として）検出される。
また、相関モデルのモデル化期間とは異なるシステム特性の時間帯に、その相関モデルを用いてシステム分析を行った場合も、その時間帯における性能情報間の相関関係がモデル化期間とは異なるため、同様に、システムの異常が誤って（誤報として）検出される。
例えば、上述の勘定システムに対して、日中の性能情報系列をもとに生成された相関モデルを夜間のシステム分析に使用した場合、システムに成り立つ相関関係の変化のため、バッチ処理が正常に実施されていても、システムの異常（誤報）が管理者に報告される。
このように、システムが有する複数のシステム特性のそれぞれに対するモデル化期間の情報が得られない場合、不正確なモデルが生成される、或いは、システム分析を行う時間帯に対して、不適切なモデルが用いられる可能性がある。このため、分析精度の低下や、システム分析における障害の見逃し、障害の誤報が発生する可能性がある。
なお関連技術として、特許文献２には、監視対象の性能情報とモデルデータとの相関係数を算出し、相関が高い性能情報については相関係数だけを保存する稼働情報管理システムが開示されている。
特許文献１記載の運用管理システムは、システムの複数の性能種別の性能情報の時系列情報をもとに、複数の性能種目の性能情報間の組み合わせのそれぞれに対して相関関数を算出することにより、複数の相関関数を含む相関モデルを生成する。そして、運用管理システムは、生成された相関モデルを用いて、性能情報の実測値に対して相関関係が破壊されているかどうかを判定し、相関破壊の発生数をもとにシステムの異常を検出する。
特許文献１記載の運用管理システムにおいて相関モデルを生成する場合、所定の期間の性能情報の時系列情報が入力され、その期間の時系列情報をもとに相関関係が抽出される。
ところで、多くのシステムでは、システムを運用する時間帯によって、処理するサーバの台数や実行されるアプリケーションなどが切り替わるため、システムの特性も切り替わり、それに応じて性能情報間の相関関係も変化する。このため、相関モデルを生成するために用いられる時系列情報の期間（モデル化期間）は、システムの特性が切り替わるタイミング間で適切に設定される必要がある。さらに、システムの分析を行う場合、分析を行う時間帯のシステム特性に応じた相関モデルを用いる必要がある。
例えば、勘定システムは、日中はオンライントランザクションの処理を行い、夜間はバッチ処理を行うというように、日中と夜間で処理の種類が切り替わる。このような勘定システムに対しては、日中と夜間のそれぞれの性能情報系列をもとに、それぞれの相関モデルを作成し、日中と夜間でシステム分析に使用する相関モデルを切り替える必要がある。
このように、システム特性に応じたモデル化、及び、分析を行うためには、システムが有する複数のシステム特性のそれぞれに対するモデル化期間の情報が必要となる。
このようなモデル化期間の情報は、例えば、システムについての十分な知識を持った管理者が把握しており、この管理者が、相関モデルを生成するためのモデル化期間を設定する。
しかしながら、例えば、システムについての十分な知識を持った管理者がいないなどの理由で、このようなモデル化期間の情報が得られず、誤ったモデル化期間で相関モデルが生成され、その相関モデルを用いてシステム分析を行った場合、時間帯によって性能情報間の相関関係が変化するため、システムが正常に動作しているにもかかわらず、システムの異常が誤って（誤報として）検出される。
また、相関モデルのモデル化期間とは異なるシステム特性の時間帯に、その相関モデルを用いてシステム分析を行った場合も、その時間帯における性能情報間の相関関係がモデル化期間とは異なるため、同様に、システムの異常が誤って（誤報として）検出される。
例えば、上述の勘定システムに対して、日中の性能情報系列をもとに生成された相関モデルを夜間のシステム分析に使用した場合、システムに成り立つ相関関係の変化のため、バッチ処理が正常に実施されていても、システムの異常（誤報）が管理者に報告される。
このように、システムが有する複数のシステム特性のそれぞれに対するモデル化期間の情報が得られない場合、不正確なモデルが生成される、或いは、システム分析を行う時間帯に対して、不適切なモデルが用いられる可能性がある。このため、分析精度の低下や、システム分析における障害の見逃し、障害の誤報が発生する可能性がある。
なお関連技術として、特許文献２には、監視対象の性能情報とモデルデータとの相関係数を算出し、相関が高い性能情報については相関係数だけを保存する稼働情報管理システムが開示されている。
上述の特許文献１に記載されたモデリング技術のように、システム性能の時系列情報をもとにシステム分析のための相関モデルを生成する場合、システムが有する複数のシステム特性のそれぞれに対するモデル化期間の情報が必要になるという問題があった。
本発明の目的は、上述の課題を解決し、システム特性に対するモデル化期間の情報が無くても、システム分析を行う日等の特定期間毎に、分析に適した相関モデルを生成する運用管理装置、運用管理方法、及びプログラムを提供することである。
本発明の目的は、上述の課題を解決し、システム特性に対するモデル化期間の情報が無くても、システム分析を行う日等の特定期間毎に、分析に適した相関モデルを生成する運用管理装置、運用管理方法、及びプログラムを提供することである。
本発明の一態様における運用管理装置は、システムにおける複数種別の性能値を含む性能情報を時系列に記憶する性能情報記憶手段と、前記性能情報記憶手段に記憶された異なる前記種別の性能値間の相関関係を含む相関モデルを、所定期間において複数生成する相関モデル生成手段と、前記相関モデル生成手段により生成された複数の前記相関モデルの中から、前記所定期間における前記性能情報に対する前記相関モデルの適合度をもとに、当該適合度が最も高い前記相関モデルを基本モデルとし、かつ、当該基本モデル以外の前記相関モデルから少なくとも１以上の特定モデルを選択し、前記基本モデル及び前記特定モデルのそれぞれについて障害検出に利用する期間を設定するモデル設定手段と、を含む。
本発明の一態様における運用管理方法は、システムにおける複数種別の性能値を含む性能情報を時系列に記憶し、異なる前記種別の性能値間の相関関係を含む相関モデルを、所定期間において複数生成し、複数の前記相関モデルの中から、前記所定期間における前記性能情報に対する前記相関モデルの適合度をもとに、当該適合度が最も高い前記相関モデルを基本モデルとし、かつ、当該基本モデル以外の前記相関モデルから少なくとも１以上の特定モデルを選択し、前記基本モデル及び前記特定モデルのそれぞれについて障害検出に利用する期間を設定する。
本発明の一態様におけるコンピュータ読み取り可能な記録媒体は、コンピュータに、システムにおける複数種別の性能値を含む性能情報を時系列に記憶し、異なる前記種別の性能値間の相関関係を含む相関モデルを、所定期間において複数生成し、複数の前記相関モデルの中から、前記所定期間における前記性能情報に対する前記相関モデルの適合度をもとに、当該適合度が最も高い前記相関モデルを基本モデルとし、かつ、当該基本モデル以外の前記相関モデルから少なくとも１以上の特定モデルを選択し、前記基本モデル及び前記特定モデルのそれぞれについて障害検出に利用する期間を設定する処理を実行させる運用管理用プログラムを格納する。
本発明の一態様における運用管理方法は、システムにおける複数種別の性能値を含む性能情報を時系列に記憶し、異なる前記種別の性能値間の相関関係を含む相関モデルを、所定期間において複数生成し、複数の前記相関モデルの中から、前記所定期間における前記性能情報に対する前記相関モデルの適合度をもとに、当該適合度が最も高い前記相関モデルを基本モデルとし、かつ、当該基本モデル以外の前記相関モデルから少なくとも１以上の特定モデルを選択し、前記基本モデル及び前記特定モデルのそれぞれについて障害検出に利用する期間を設定する。
本発明の一態様におけるコンピュータ読み取り可能な記録媒体は、コンピュータに、システムにおける複数種別の性能値を含む性能情報を時系列に記憶し、異なる前記種別の性能値間の相関関係を含む相関モデルを、所定期間において複数生成し、複数の前記相関モデルの中から、前記所定期間における前記性能情報に対する前記相関モデルの適合度をもとに、当該適合度が最も高い前記相関モデルを基本モデルとし、かつ、当該基本モデル以外の前記相関モデルから少なくとも１以上の特定モデルを選択し、前記基本モデル及び前記特定モデルのそれぞれについて障害検出に利用する期間を設定する処理を実行させる運用管理用プログラムを格納する。
本発明の効果は、システム特性に対するモデル化期間の情報が無くても、システム分析を行う日等の特定期間毎に、分析に適した相関モデルを生成できることである。
（第一の実施の形態）
次に、本発明の第一の実施の形態について説明する。
はじめに、本発明の第一の実施の形態の構成について説明する。図２は、本発明の第一の実施の形態における運用管理装置を適用した運用管理システムの構成を示すブロック図である。
図２を参照すると、本発明の第一の実施の形態における運用管理システムは、運用管理装置（監視制御装置）１００、被監視装置２００（２００ａ、２００ｂ）、及び、監視端末３００を含む。
ここで、運用管理装置１００は、監視対象である被監視装置２００から収集した性能情報をもとに、被監視装置２００についての相関モデル１２２を生成し、生成した相関モデル１２２を用いて、被監視装置２００についての障害検出を行う。
被監視装置２００は、ＷｅｂサーバやＤａｔａｂａｓｅサーバ等、運用管理装置１００がモデル化し、監視対象とする装置（システム）である。
監視端末３００は、管理者等が、運用管理装置１００に対して、被監視装置２００についての相関モデル１２２の生成、障害検出を指示するための端末である。
運用管理装置１００は、情報収集部１０１、相関モデル生成部１０２、モデル設定部１０３、スケジュール生成部１０４、異常検出部１０５、性能情報記憶部１１１、相関モデル記憶部１１２、モデル情報記憶部１１３、及びスケジュール候補情報記憶部１１４を含む。
ここで、情報収集部１０１は、被監視装置２００から、当該被監視装置２００の性能情報の時系列変化を示す性能系列情報１２１を収集する。また、性能情報記憶部１１１は、情報収集部１０１が収集した性能系列情報１２１を記憶する。ここで、性能系列情報１２１は、性能情報として、被監視装置２００において一定間隔で測定された、ＣＰＵ使用率、メモリ使用量、Ｄｉｓｋアクセス回数等の性能種目の値（性能値）を含む。
ここで、被監視装置２００と性能種目の組み合わせを、性能情報における性能種別（または、単に種別）とする。
図４は、本発明の第一の実施の形態における性能系列情報１２１の例を示す図である。図４の例では、性能系列情報１２１は、被監視装置２００ａのＣＰＵ使用率、被監視装置２００ｂのＤｉｓｋアクセス回数、及び、被監視装置２００ｂのＣＰＵ使用率を性能種別として含む。
相関モデル生成部１０２は、性能系列情報１２１を参照し、性能系列情報１２１に含まれるそれぞれの日について、相関モデル１２２を生成する。ここで、相関モデル生成部１０２は、性能系列情報１２１に含まれる日のそれぞれにおいて、任意の２つの性能種別の性能値間の相関関数を算出し、各性能種別の組み合わせについての相関関数を含む相関モデル１２２を生成する。また、相関モデル記憶部１１２は、相関モデル生成部１０２が生成した相関モデル１２２を記憶する。
ここで、相関関数は、１つの性能種別の性能値の時系列から他の性能種別の性能値の時系列を予測する変換関数であり、特許文献１に示されるように、上述の任意の２つの性能種別の性能値の時系列に対するシステム同定処理によって算出される。
図７は、本発明の第一の実施の形態における相関モデル１２２の例を示す図である。図７の例では、日毎に、相関モデル１２２が生成される。それぞれの相関モデル１２２では、ＷｅｂサーバのＣＰＵ使用率、ＤａｔａｂａｓｅサーバのＤｉｓｋアクセス回数、及び、ＤａｔａｂａｓｅサーバのＣＰＵ使用率の３つの性能種別の中の、２つの性能種別の性能値間の組み合わせについて相関関数が算出されている。また、相関関数としては、ｙ＝Ａｘのような変換関数が用いられている。
なお、本発明の第一の実施の形態においては、相関モデル１２２を生成する時間的な単位（以下、特定期間とする）をカレンダー上の１日としたが、特定期間は、カレンダー上の週や月としてもよい。また、特定期間は、日、週、月のような周期的な期間でなく、管理者等により予め設定された特定の時間帯でもよい。
モデル設定部１０３は、相関モデル生成部１０２により生成された複数の相関モデル１２２の中から、性能系列情報１２１の所定の期間における性能情報に適合する基本モデルと、性能系列情報１２１の所定の期間のうちの特定の日における性能情報に適合する特定モデルを抽出し、基本モデルと特定モデルとのそれぞれについて、システム分析（障害検出）に適用する適用日を決定する。
ここで、本発明の第一の実施の形態においては、相関モデル１２２が性能情報に適合するかどうかを相関モデル１２２の性能情報に対する適合度をもとに決定する。
また、モデル設定部１０３は、所定の期間における適合度が最も高い相関モデル１２２を基本モデルとして選択し、所定の期間における適合度が低い相関モデル１２２から順に所定数の相関モデル１２２を特定モデルとして選択する。そして、モデル設定部１０３は、所定の期間に含まれる日の中で、特定モデルの適合度が基本モデル及び他の特定モデルの適合度より高い日を、その特定モデルの適用日とする。
これにより、通常時は、所定の期間の全体にわたり適合度が高い基本モデルを利用して障害の検出を行い、システムの特性が通常時とは異なる特定の日は、基本モデルよりも適合度が高いモデルを利用して障害の検出を行うことができるため、所定の期間の全体にわたって単一のモデルを利用する場合に比べて、このような特定の日に障害が誤って検出される（誤報の）頻度を低減することができる。
なお、本発明の第一の実施の形態においては、適合度は、性能情報に対して相関モデル１２２を適用したときの相関破壊率により決定されるものとする。ここで、相関破壊率が小さいほど、適合度は高いものとする。
モデル情報記憶部１１３は、モデル設定部１０３により抽出された、基本モデル、及び、特定モデルのモデル名とそれらの適用日を示すモデル情報１２３を記憶する。
図９は、本発明の第一の実施の形態におけるモデル情報１２３の例を示す図である。モデル情報１２３は、モデル名、モデル種別、適用日、及び、適用スケジュールを含む。ここで、モデル名は、相関モデル１２２を識別するための識別子を示す。モデル種別は、その相関モデル１２２が、基本モデル、または、特定モデルのいずれかであるかを示す。適用日、及び、適用スケジュールは、それらのモデルの適用日、及び、適用スケジュールを示す。
スケジュール候補情報記憶部１１４は、基本モデル、及び、特定モデルの適用日（基本モデル、及び、特定モデルを適用する特定期間）をカレンダー上の属性（時間的な属性）により分類するための分類ルールのリストであるスケジュール候補情報１２４を記憶する。
図１１は、本発明の第一の実施の形態におけるスケジュール候補情報１２４の例を示す図である。図１１の例では、スケジュール候補情報１２４には、分類ルールとして、“月曜日”、“日曜日”等の所定の曜日、“５の倍数の日”、“毎月最後の平日”等の毎月の所定の日、“３月２０日”等の毎年の所定の月日が設定されている。これらの分類ルールには、監視対象のシステムのシステム特性に影響のある特定の日を分類できるような、ルールが設定される。
スケジュール生成部１０４は、モデル設定部１０３により決定された特定モデルの適用日とスケジュール候補情報１２４とをもとに、特定モデルの適用スケジュールを決定する。
異常検出部１０５は、性能系列情報１２１に含まれる性能情報に対して、モデル設定部１０３により決定された基本モデルまたは特定モデルを、その適用日または適用スケジュールに従って適用し、当該性能情報とそれらのモデルにより予測された性能情報とを対比することにより、システムの障害分析を行い、その結果を監視端末３００へ出力する。
なお、運用管理装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）とプログラムを記憶した記憶媒体を含み、プログラムに基づく制御によって動作するコンピュータであってもよい。また、性能情報記憶部１１１、相関モデル記憶部１１２、モデル情報記憶部１１３、及びスケジュール候補情報記憶部１１４は、それぞれ個別の記憶媒体でも、１つの記憶媒体によって構成されてもよい。
次に、本発明の第一の実施の形態における運用管理装置１００の動作について説明する。
図３は、本発明の第一の実施の形態における運用管理装置１００を適用した運用管理システムの例を示す図である。図３の例では、被監視装置２００ａがＷｅｂサーバ、被監視装置２００ｂがＤａｔａｂａｓｅサーバである。
被監視装置２００ａと被監視装置２００ｂ上では、監視制御エージェントがそれぞれ動作し、性能情報を５分間隔で取得し、定期的に運用管理装置（監視制御装置）１００の情報収集部１０１へ送信する。そして、運用管理装置１００の性能情報記憶部１１１には、図４に示すような性能系列情報１２１が記憶されている。
ここで、平日は、ＷｅｂサーバとＤａｔａｂａｓｅサーバとが、ファイアウォールを介したクライアントからのアクセスに対して、オンライントランザクションを実行する。また、休日は、クライアントからのアクセスはファイアウォールで遮断され、Ｗｅｂサーバ及びＤａｔａｂａｓｅのそれぞれが、例えば、バックアップや集計等のバッチ処理を行う。このため、図４の性能系列情報１２１において、例えば、平日である６月１日（火曜日）と休日である６月６日（日曜日）とでは、性能情報の傾向が異なる。
図５は、本発明の第一の実施の形態における運用管理装置１００の全体的な処理を示すフローチャートである。
はじめに、運用管理装置１００は、監視端末３００から、モデルの生成要求を受信する（ステップＳ１０１）。ここで、監視端末３００は、性能系列情報１２１の性能情報のうちのモデルを生成するために使用する性能情報の期間（所定の期間）、及び生成する特定モデルの数（所定のモデル数）を指定する。
例えば、監視端末３００は、モデルを生成するために使用する性能情報の期間を６月１日から３０日、生成する特定モデルの数を１と指定する。
相関モデル生成部１０２は、性能情報記憶部１１１の性能系列情報１２１を参照し、性能系列情報１２１に含まれる指定された期間のそれぞれの日（特定期間）の性能情報をもとに、それぞれの日についての相関モデル１２２を生成し、相関モデル記憶部１１２に保存する（ステップＳ１０２）（相関モデル生成処理）。
例えば、相関モデル生成部１０２は、図４の性能系列情報１２１の６月１日から３０日の各日について、０時０分から２３時５５分の性能情報を用いて、図７に示すような相関モデル１２２を生成し、相関モデル記憶部１１２に保存する。ここで、各日の相関モデル１２２のモデル名を、Ｍ１、Ｍ２、…、Ｍ３０とする。
図７において、モデル名Ｍ１の相関モデル１２２は、上述のような、平日にオンライントランザクションを実行する場合の相関モデル１２２の例である。また、モデル名Ｍ６の相関モデル１２２は、休日にバッチ処理を実行する場合の相関モデル１２２の例である。
次に、モデル設定部１０３は、相関モデル記憶部１１２の相関モデル１２２の中から、基本モデルと特定モデルとを抽出し、それらの適用日を決定する（ステップＳ１０３）（モデル抽出処理）。
図６は、本発明の第一の実施の形態における運用管理装置１００のモデル抽出処理（ステップＳ１０３の詳細）を示すフローチャートである。
モデル設定部１０３は、ステップＳ１０２で抽出された相関モデル１２２のそれぞれについて、性能情報記憶部１１１の性能系列情報１２１に含まれる、指定された期間の性能情報をもとに、指定された期間における相関モデル１２２の平均相関破壊率を算出する（ステップＳ２０１）。
ここで、モデル設定部１０３は、例えば、特許文献１と同様の方法で、相関破壊率を算出する。
すなわち、モデル設定部１０３は、性能系列情報１２１に含まれる２つの性能種別のうちの１つの性能種別の性能値に、相関モデル１２２に含まれる相関関数を適用して、他の性能種別の予測性能値を算出し、当該他の性能種別の性能値と算出した予測性能値とを比較して予測誤差を算出する。モデル設定部１０３は、算出した予測誤差が、管理者等により予め設定されている値（所定の値）を超えている場合、相関破壊として検出する。
そして、モデル設定部１０３は、相関モデル１２２に含まれる全ての相関関数（相関関係）について、相関破壊の有無を検出し、相関モデル１２２に含まれる全ての相関関係の数に対する相関破壊の数をもとに、相関破壊率を算出する。
さらに、モデル設定部１０３は、算出された相関破壊率の指定された期間での平均値を算出することにより、指定された期間の平均相関破壊率を算出する。
次に、モデル設定部１０３は、ステップＳ１０２で抽出された相関モデル１２２の中から、指定された期間の平均相関破壊率が最小となる相関モデル１２２（指定された期間の平均の適合度が最も高い相関モデル１２２）を基本モデルとして抽出する（ステップＳ２０２）。
モデル設定部１０３は、基本モデルとして抽出された相関モデル１２２のモデル名をモデル情報記憶部１１３のモデル情報１２３に登録する（ステップＳ２０３）。
モデル設定部１０３は、基本モデルの適用日に、指定された期間の全ての日を設定する（ステップＳ２０４）。
図８は、本発明の第一の実施の形態における平均相関破壊率の算出結果を示す図である。ここで、例えば、モデル名Ｍ１の相関モデル１２２の６月１日〜３０日の平均相関破壊率１０％が、全ての相関モデル１２２（モデル名Ｍ１〜Ｍ３０）の中で最小であった場合、モデル設定部１０３は、モデル名Ｍ１の相関モデル１２２を基本モデルとして抽出し、図９のようにモデル情報１２３に登録する。モデル設定部１０３は、基本モデルに対する適用日に、６月１日〜３０日の各日を設定する。
次に、モデル設定部１０３は、ステップＳ１０２で抽出された相関モデル１２２のうち、基本モデル、及び、特定モデルとして抽出されていない相関モデル１２２の中から、指定された期間の平均相関破壊率が最大となる相関モデル１２２（指定された期間の平均の適合度が最も低い相関モデル１２２）を特定モデルとして抽出する（ステップＳ２０５）。
モデル設定部１０３は、特定モデルとして抽出された相関モデル１２２のモデル名をモデル情報記憶部１１３のモデル情報１２３に登録する（ステップＳ２０６）。
次に、モデル設定部１０３は、抽出された基本モデルと特定モデルのそれぞれについて、性能情報記憶部１１１の性能系列情報１２１に含まれる、指定された期間含まれるそれぞれの日の性能情報をもとに、それぞれの日における平均相関破壊率を算出する。そして、モデル設定部１０３は、指定された期間に含まれる日のうち、ステップＳ２０５で抽出された特定モデルのある１日の平均相関破壊率が、基本モデル、及び、他の特定モデルのその日の平均相関破壊率よりも小さい日（特定モデルのある１日の平均の適合度が、基本モデル、及び、他の特定モデルのその日の平均の適合度よりも高い日）を、その特定モデルの適用日と決定する（ステップ２０７）。
ここで、分析モデル抽出部１０３は、上述の方法で算出された相関破壊率の各日での平均値を算出することにより、各日の平均相関破壊率を算出する。
モデル設定部１０３は、決定した特定モデルの適用日をモデル情報１２３に設定し、その日を、基本モデル、及び、他の特定モデルに設定されている適用日から削除する（ステップＳ２０８）。
モデル設定部１０３は、ステップＳ２０５〜Ｓ２０８を、指定された数の特定モデルが抽出されるまで繰り返す（ステップＳ２０９）。
例えば、図８において、モデル名Ｍ６の相関モデル１２２の６月１日〜３０日の平均相関破壊率４０％が、抽出されていない相関モデル１２２（モデル名Ｍ２〜Ｍ３０）の中で最大であった場合、モデル設定部１０３は、モデル名Ｍ６の相関モデル１２２を特定モデルとして抽出し、図９のようにモデル情報１２３に登録する。
そして、モデル名Ｍ６の相関モデル１２２の６月６日、６月１３日、６月２０日、６月２７日の平均相関破壊率が、基本モデルの平均相関破壊率よりも小さい場合、モデル設定部１０３は、これらの日をモデル名Ｍ６の特定モデルの適用日として、図９のようにモデル情報１２３に設定する。さらに、モデル設定部１０３は、図９のように、これらの日を基本モデルの適用日（６月１日〜３０日）から削除する。
この結果、モデル情報１２３には、図９のように、基本モデル（モデル名Ｍ１）及び特定モデル（モデル名Ｍ６）とそれぞれの適用日が設定される。
これにより、異常検出部１０５は、モデルを生成するために使用した期間の性能情報について、モデル情報１２３に設定された基本モデル及び特定モデルをそれぞれの適用日に適用し、システムの障害分析を行うことができる。
次に、スケジュール生成部１０４は、特定モデルの適用日とスケジュール候補情報１２４とをもとに、特定モデルの適用スケジュールを決定する（ステップＳ１０４）（スケジュール生成処理）。
図１０は、本発明の第一の実施の形態における運用管理装置１００のスケジュール生成処理（ステップＳ１０４の詳細）を示すフローチャートである。
ここでは、図１１のようなスケジュール候補情報１２４が、スケジュール候補情報記憶部１１４に記憶されている。
スケジュール生成部１０４は、モデル情報記憶部１１３のモデル情報１２３を参照し、特定モデルの１つとその適用日を取得する（ステップＳ３０１）。
スケジュール生成部１０４は、スケジュール候補情報記憶部１１４のスケジュール候補情報１２４を参照し、特定モデルの適用日とスケジュール候補情報１２４に含まれる分類ルールのそれぞれとの一致度を算出し、算出した一致度が最大となる分類ルールを抽出する（ステップＳ３０２）。
ここで、スケジュール生成部１０４は、例えば、次のような式により、一致度を算出する。
一致度＝ｎ（｜Ａ∩Ｂ｜）／ｎ（｜Ａ∪Ｂ｜）
ここで、Ａは、特定モデルの適用日の集合、Ｂは、指定された期間における分類ルールに対応する日の集合、ｎ（）は、（）内の集合に含まれる要素の数を示す。
スケジュール生成部１０４は、抽出した分類ルールを、特定モデルの適用スケジュールとしてモデル情報記憶部１１３のモデル情報１２３に設定する（ステップＳ３０３）。
スケジュール生成部１０４は、ステップＳ１０３にて抽出された、全ての特定モデルについて、ステップＳ３０２、Ｓ３０３を繰り返す（ステップＳ３０４）。
図１２は、本発明の第一の実施の形態における、一致度の算出結果の例を示す図である。
例えば、スケジュール生成部１０４は、図９のモデル情報１２３に含まれるモデル名Ｍ６の特定モデルについて、この特定モデルの適用日（６月６日、６月１３日、６月２０日、６月２７日）と図１１のスケジュール候補情報１２４に含まれる分類ルールのそれぞれ（ルール番号１、２、…）との一致度を算出する。
この場合、図１２に示すように、特定モデルの適用日とルール番号７の分類ルール“日曜日”との一致度は１．０となる。また、特定モデルの適用日とルール番号８の分類ルール“土曜日と日曜日”との一致度は０．５となる。スケジュール生成部１０４は、一致度が最大となる分類ルール“日曜日”を抽出し、図９のように、この特定モデルの適用スケジュールとして設定する。
この結果、モデル情報１２３には、図９のように、基本モデル（モデル名Ｍ１）及び特定モデル（モデル名Ｍ６）とそれぞれの適用スケジュールが設定される。
これにより、異常検出部１０５は、新たに取得した性能情報のように、モデルを生成するために使用した期間以外の性能情報に対して、モデル情報１２３に設定された基本モデル及び特定モデルをそれぞれの適用スケジュールで適用し、システムの障害分析を行うことができる。
なお、異常検出部１０５は、モデル情報１２３における特定モデルの適用スケジュールが障害分析を行う日時に合致するかどうかを検査し、合致する場合は、その特定モデルを適用し、合致しない場合は、基本モデルを適用する。
例えば、新たに取得した７月４日（日曜日）の性能情報の障害分析を行う場合、異常検出部１０５は、図９のモデル情報１２３を参照し、適用スケジュールが日曜日である特定モデル（モデル名Ｍ６）を用いて、システムの障害分析を行う。また、新たに取得した７月５日（月曜日）の性能情報の障害分析を行う場合、異常検出部１０５は、基本モデル（モデル名Ｍ１）を用いて、システムの障害分析を行う。
これにより、障害分析を行う日のシステム特性に合わないモデルを用いることによる誤報の発生を防ぎ、安定した障害分析を行うことができる。
以上により、本発明の第一の実施の形態の動作が完了する。
次に、本発明の第一の実施の形態の特徴的な構成を説明する。図１は、本発明の第一の実施の形態の特徴的な構成を示すブロック図である。
図１を参照すると、運用管理装置１００は、性能情報記憶部１１１、相関モデル生成部１０２、及び、モデル設定部１０３を含む。
ここで、性能情報記憶部１１１は、システムにおける複数の性能情報をそれぞれ時系列に記憶する。
相関モデル生成部１０２は、性能情報記憶部１１１に記憶された異なる種別の性能値間の相関関係を表す相関モデル１２２を、所定期間において複数生成する。
モデル設定部１０３は、相関モデル生成部１０２により生成された複数の相関モデル１２２の中から、所定期間における性能情報に対する相関モデル１２２の適合度をもとに、当該適合度が最も高い相関モデル１２２を基本モデルとし、かつ、当該基本モデル以外の相関モデル１２２から少なくとも１以上の特定モデルを選択し、基本モデル及び特定モデルのそれぞれについて障害検出に利用する期間を設定する。
本発明の第一の実施の形態によれば、システム特性に対するモデル化期間の情報が無くても、システム分析を行う日等の特定期間毎に、障害分析に適した相関モデルを生成できる。
その理由は、モデル設定部１０３が、相関モデル生成部１０２により生成された複数の相関モデル１２２の中から、所定期間における性能情報に対する相関モデル１２２の適合度をもとに、当該適合度が最も高い相関モデル１２２を基本モデルとし、かつ、当該基本モデル以外の相関モデル１２２から少なくとも１以上の特定モデルを選択し、基本モデル及び特定モデルのそれぞれについて障害検出に利用する期間を設定するためである。
また、本発明の第一の実施の形態によれば、新たに取得される性能情報に対しても、システム分析を行う日等の特定期間毎に、障害分析に適した相関モデルを用いて、システム分析を行うことができる。
その理由は、スケジュール生成部１０４が、特定モデルを適用する特定期間のそれぞれがスケジュール候補情報１２４の分類ルールと一致する数をもとに、当該特定モデルを適用する特定期間と分類ルールとの一致度を算出し、当該一致度が最大となる分類ルールをもとに、特定モデルを適用する適用スケジュールを生成するためである。
また、本発明の第一の実施の形態によれば、システム特性等のシステム固有の情報を持たない管理者であっても、安定したシステム分析を行うことができる。
その理由は、スケジュール生成部１０４が、基本モデル、及び、特定モデルがそれぞれ適した特定期間に適用されるような適用スケジュールを生成することにより、システム特性に合わないモデルの適用により、システムの異常が誤って検出されることが無くなるためである。
（第二の実施の形態）
次に、本発明の第二の実施の形態について説明する。
本発明の第一の実施形態では、相関モデル生成部１０２が日毎（特定期間毎）に相関モデル１２２を生成し、モデル設定部１０３が相関モデル１２２の中から、性能情報に適合する基本モデル及び特定モデルとその適用日や適用スケジュールを決定している。
しかしながら、実際のシステムにおいては、１日（特定期間）のうちの特定の時間帯だけシステムの特性が切り替わることがある。その場合、モデル設定部１０３によって出力された基本モデルまたは特定モデルを、それらの適用日や適用スケジュールに従って適用しても、その特定の時間帯に誤報が発生する可能性がある。
このような問題に対応するため、本発明の第二の実施の形態においては、運用管理装置１００は、モデル設定部１０３によって出力された基本モデルまたは特定モデルに対して、特定の時間帯に適用するための例外モデルを生成する。
次に、本発明の第二の実施の形態の構成について説明する。図１３は、本発明の第二の実施の形態における運用管理システムの構成を示すブロック図である。
図１３を参照すると、本発明の第二の実施の形態における運用管理システムの運用管理装置１００は、本発明の第一の実施の形態における運用管理装置１００の構成に加えて、例外モデル生成部１０６を含む。
例外モデル生成部１０６は、基本モデル、または、特定モデルを、その適用日に適用した場合に、その適用日の中で、そのモデルが適合しない特定の時間帯を抽出し、抽出した特定の時間帯について、例外モデルを生成する。
図１６は、本発明の第二の実施の形態におけるモデル情報１２３の例を示す図である。モデル情報１２３は、モデル名、モデル種別、適用日、適用スケジュール、及び、適用時刻を含む。ここで、モデル種別は、その相関モデル１２２が、基本モデル、特定モデル、例外モデルのいずれかであるかを示す。適用時刻は、それらのモデルの適用時刻を示す。
次に、本発明の第二の実施の形態における運用管理装置１００の動作について説明する。
本発明の第二の実施の形態における、運用管理装置１００の相関モデル生成処理、モデル抽出処理、及び、スケジュール生成処理は、本発明の第一の実施の形態と同様となる。
次に、本発明の第二の実施の形態における、運用管理装置１００の例外モデル生成処理について説明する。図１４は、本発明の第二の実施の形態における運用管理装置１００の例外モデル生成処理を示すフローチャートである。
ここでは、本発明の第二の実施の形態におけるスケジュール生成処理の結果、図９のようなモデル情報１２３が、モデル情報記憶部１１３に記憶されている。
例外モデル生成部１０６は、モデル情報記憶部１１３のモデル情報１２３を参照し、基本モデルまたは特定モデルの１つとその適用日を取得する（ステップＳ４０１）。
例外モデル生成部１０６は、取得した適用日の中から、任意の２日を抽出する（ステップＳ４０２）。
例えば、例外モデル生成部１０６は、図９のモデル情報１２３を参照し、基本モデル（モデル名Ｍ１）とその適用日を取得し、取得した適用日の中から、６月１日と２日を抽出する。
例外モデル生成部１０６は、性能情報記憶部１１１の性能系列情報１２１を参照し、性能系列情報１２１に含まれる、ステップＳ４０２で抽出した適用日のそれぞれの性能情報に、ステップＳ４０１で取得した基本モデルまたは特定モデルを適用し、基本モデルまたは特定モデルの相関破壊率を算出する（ステップＳ４０３）。
図１５は、本発明の第二の実施の形態における、相関破壊率の検出結果の例を示す図である。
例えば、例外モデル生成部１０６は、６月１日と２日の性能情報に、基本モデル（モデル名Ｍ１）を適用し、相関破壊率を検出し、図１５のような検出結果を取得する。
例外モデル生成部１０６は、ステップＳ４０２において抽出されたそれぞれの適用日について、相関破壊率が、管理者等により予め設定されている閾値（所定の閾値）を超えている時間帯（適合度が所定の閾値未満となる時間帯）を検出する（ステップＳ４０４）。この閾値には、例えば、異常検出部１０５が、システム障害を検出する相関破壊率の閾値が設定される。
例外分析モデル生成部１０６は、それぞれの適用日について検出された時間帯で、共通の時間帯を、例外モデルを生成するための例外時間帯として抽出する（ステップＳ４０５）。
例えば、例外モデル生成部１０６は、６月１日に相関破壊率が閾値を超えている時間帯と６月２日に相関破壊率が閾値を超えている時間帯とで、共通の時間帯である、６時００分から８時００分を例外時間帯として抽出する。
例外モデル生成部１０６は、性能系列情報１２１に含まれる、ステップＳ４０２で抽出した適用日のそれぞれにおける、例外時間帯の性能情報をもとに、相関モデル１２２を生成し、相関モデル記憶部１１２に保存する（ステップＳ４０６）。
例えば、例外モデル生成部１０６は、６月１日と２日の６時００分から８時００分の性能情報をもとに、モデル名Ｍ１．１の相関モデル１２２を生成し、相関モデル記憶部１１２に保存する。
例外モデル生成部１０６は、生成した相関モデル１２２のモデル名を、ステップＳ４０１で取得した基本モデルまたは特定モデルに対する例外モデルとしてモデル情報記憶部１１３のモデル情報１２３に登録する（ステップＳ４０７）。
例外モデル生成部１０６は、ステップＳ４０５で抽出した例外時間帯を、その例外モデルの適用時刻としてモデル情報１２３に設定する（ステップＳ４０８）。
例えば、例外モデル生成部１０６は、モデル名Ｍ１．１の相関モデル１２２を、図１６のようにモデル情報１２３に登録する。そして、例外モデル生成部１０６は、６時００分から８時００分を、モデル名Ｍ１．１の例外モデルの適用時刻として、図１６のようにモデル情報１２３に登録する。
この結果、モデル情報１２３には、図１６のように、基本モデル（モデル名Ｍ１）と、例外モデル（モデル名Ｍ１．１）及びその適用時刻と、が設定される。
これにより、異常検出部１０５は、モデル情報１２３に設定された基本モデル及び特定モデルをそれぞれの適用スケジュールに従って適用する場合に、適用時刻に示される特定の時間帯だけ、例外モデルを適用し、システムの障害分析を行うことができる。
なお、異常検出部１０５は、モデル情報１２３における基本モデル、または、特定モデルを適用する場合に、適用するモデルに例外モデルがあるかどうかを検査する。異常検出部１０５は、例外モデルがある場合、その例外モデルの適用時刻が分析を行う時刻に合致するかどうかを検査し、合致する場合は、その例外モデルを適用し、合致しない場合は、その例外モデルに対する基本モデル、または、特定モデルを適用する。
例えば、新たに取得した７月１日（木曜日）の７：００に性能情報の障害分析を行う場合、異常検出部１０５は、図１６のモデル情報１２３を参照し、基本モデル（モデル名Ｍ１）に対する例外モデル（モデル名Ｍ１．１）を用いて、システムの障害分析を行う。
これにより、障害分析を行う特定の時間帯に、システム特性に合わない分析モデルを用いることによる誤報の発生を防ぎ、安定した障害分析を行うことができる。
以上により、本発明の第二の実施の形態の動作が完了する。
なお、本発明の第二の実施の形態においては、ステップＳ４０２において、基本モデルまたは特定モデルの適用日の中から任意の２日を抽出し、相関破壊率が閾値を超える共通の時間帯を例外時間帯として抽出している。しかしながら、例外時間帯を抽出するための適用日の数は、当該モデルの適用日の数を超えない、１以上の他の数としてもよい。ここで、抽出する適用日の数が１日の場合、その日において相関破壊率が閾値を超える時間帯を例外時間帯とする。
本発明の第二の実施の形態によれば、特定期間のうちのシステムの特性が異なる時間帯でも、分析に適した相関モデルを用いて、システム分析を行うことができる。
その理由は、例外モデル生成部１０６が、基本モデルまたは特定モデルを適用する複数の特定期間において、当該基本モデルまたは当該特定モデルの適合度が所定の閾値未満となる時間帯を例外時間帯として抽出し、その例外時間帯の性能情報をもとに相関モデル１２２を生成し、例外モデルとして出力するためである。
以上、実施形態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。
例えば、本発明の実施の形態においては、相関モデル１２２が性能情報に適合するかどうかを判定するための適合度は、相関破壊率により決定されるものとした。しかしながら、適合度は、相関モデル１２２が性能情報に適合するかどうかを判定できるものであれば、どのような基準により決定されてもよい。
例えば、モデル設定部１０３、及び、例外モデル生成部１０６は、適合度を、相関破壊の数により決定してもよい。この場合、モデル設定部１０３、及び、例外モデル生成部１０６は、ステップＳ２０１に記載した方法により相関破壊の数を算出する。そして、モデル設定部１０３は、ステップＳ２０２における基本モデルの抽出、ステップＳ２０５における特定モデルの抽出、ステップＳ２０７における特定モデルの適用日の決定において、相関破壊率の代わりに、相関破壊の数を用いる。同様に、例外モデル生成部１０６は、ステップＳ４０４におけるモデルが適合しない時間帯の検出において、相関破壊率の代わりに、相関破壊の数を用いる。
同様に、モデル設定部１０３、及び、例外モデル生成部１０６は、適合度を、相関モデル１２２による予測誤差により決定してもよい。この場合、モデル設定部１０３、及び、例外モデル生成部１０６は、ステップＳ２０１に記載した方法により予測誤差を算出し、相関モデル１２２に含まれる相関間数についての予測誤差の合計値を算出する。そして、モデル設定部１０３、及び、例外モデル生成部１０６は、上述の各ステップにおいて、相関破壊率の代わりに、予測誤差の合計値を用いる。
この出願は、２０１０年９月１日に出願された日本出願特願２０１０−１９５７６１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。
次に、本発明の第一の実施の形態について説明する。
はじめに、本発明の第一の実施の形態の構成について説明する。図２は、本発明の第一の実施の形態における運用管理装置を適用した運用管理システムの構成を示すブロック図である。
図２を参照すると、本発明の第一の実施の形態における運用管理システムは、運用管理装置（監視制御装置）１００、被監視装置２００（２００ａ、２００ｂ）、及び、監視端末３００を含む。
ここで、運用管理装置１００は、監視対象である被監視装置２００から収集した性能情報をもとに、被監視装置２００についての相関モデル１２２を生成し、生成した相関モデル１２２を用いて、被監視装置２００についての障害検出を行う。
被監視装置２００は、ＷｅｂサーバやＤａｔａｂａｓｅサーバ等、運用管理装置１００がモデル化し、監視対象とする装置（システム）である。
監視端末３００は、管理者等が、運用管理装置１００に対して、被監視装置２００についての相関モデル１２２の生成、障害検出を指示するための端末である。
運用管理装置１００は、情報収集部１０１、相関モデル生成部１０２、モデル設定部１０３、スケジュール生成部１０４、異常検出部１０５、性能情報記憶部１１１、相関モデル記憶部１１２、モデル情報記憶部１１３、及びスケジュール候補情報記憶部１１４を含む。
ここで、情報収集部１０１は、被監視装置２００から、当該被監視装置２００の性能情報の時系列変化を示す性能系列情報１２１を収集する。また、性能情報記憶部１１１は、情報収集部１０１が収集した性能系列情報１２１を記憶する。ここで、性能系列情報１２１は、性能情報として、被監視装置２００において一定間隔で測定された、ＣＰＵ使用率、メモリ使用量、Ｄｉｓｋアクセス回数等の性能種目の値（性能値）を含む。
ここで、被監視装置２００と性能種目の組み合わせを、性能情報における性能種別（または、単に種別）とする。
図４は、本発明の第一の実施の形態における性能系列情報１２１の例を示す図である。図４の例では、性能系列情報１２１は、被監視装置２００ａのＣＰＵ使用率、被監視装置２００ｂのＤｉｓｋアクセス回数、及び、被監視装置２００ｂのＣＰＵ使用率を性能種別として含む。
相関モデル生成部１０２は、性能系列情報１２１を参照し、性能系列情報１２１に含まれるそれぞれの日について、相関モデル１２２を生成する。ここで、相関モデル生成部１０２は、性能系列情報１２１に含まれる日のそれぞれにおいて、任意の２つの性能種別の性能値間の相関関数を算出し、各性能種別の組み合わせについての相関関数を含む相関モデル１２２を生成する。また、相関モデル記憶部１１２は、相関モデル生成部１０２が生成した相関モデル１２２を記憶する。
ここで、相関関数は、１つの性能種別の性能値の時系列から他の性能種別の性能値の時系列を予測する変換関数であり、特許文献１に示されるように、上述の任意の２つの性能種別の性能値の時系列に対するシステム同定処理によって算出される。
図７は、本発明の第一の実施の形態における相関モデル１２２の例を示す図である。図７の例では、日毎に、相関モデル１２２が生成される。それぞれの相関モデル１２２では、ＷｅｂサーバのＣＰＵ使用率、ＤａｔａｂａｓｅサーバのＤｉｓｋアクセス回数、及び、ＤａｔａｂａｓｅサーバのＣＰＵ使用率の３つの性能種別の中の、２つの性能種別の性能値間の組み合わせについて相関関数が算出されている。また、相関関数としては、ｙ＝Ａｘのような変換関数が用いられている。
なお、本発明の第一の実施の形態においては、相関モデル１２２を生成する時間的な単位（以下、特定期間とする）をカレンダー上の１日としたが、特定期間は、カレンダー上の週や月としてもよい。また、特定期間は、日、週、月のような周期的な期間でなく、管理者等により予め設定された特定の時間帯でもよい。
モデル設定部１０３は、相関モデル生成部１０２により生成された複数の相関モデル１２２の中から、性能系列情報１２１の所定の期間における性能情報に適合する基本モデルと、性能系列情報１２１の所定の期間のうちの特定の日における性能情報に適合する特定モデルを抽出し、基本モデルと特定モデルとのそれぞれについて、システム分析（障害検出）に適用する適用日を決定する。
ここで、本発明の第一の実施の形態においては、相関モデル１２２が性能情報に適合するかどうかを相関モデル１２２の性能情報に対する適合度をもとに決定する。
また、モデル設定部１０３は、所定の期間における適合度が最も高い相関モデル１２２を基本モデルとして選択し、所定の期間における適合度が低い相関モデル１２２から順に所定数の相関モデル１２２を特定モデルとして選択する。そして、モデル設定部１０３は、所定の期間に含まれる日の中で、特定モデルの適合度が基本モデル及び他の特定モデルの適合度より高い日を、その特定モデルの適用日とする。
これにより、通常時は、所定の期間の全体にわたり適合度が高い基本モデルを利用して障害の検出を行い、システムの特性が通常時とは異なる特定の日は、基本モデルよりも適合度が高いモデルを利用して障害の検出を行うことができるため、所定の期間の全体にわたって単一のモデルを利用する場合に比べて、このような特定の日に障害が誤って検出される（誤報の）頻度を低減することができる。
なお、本発明の第一の実施の形態においては、適合度は、性能情報に対して相関モデル１２２を適用したときの相関破壊率により決定されるものとする。ここで、相関破壊率が小さいほど、適合度は高いものとする。
モデル情報記憶部１１３は、モデル設定部１０３により抽出された、基本モデル、及び、特定モデルのモデル名とそれらの適用日を示すモデル情報１２３を記憶する。
図９は、本発明の第一の実施の形態におけるモデル情報１２３の例を示す図である。モデル情報１２３は、モデル名、モデル種別、適用日、及び、適用スケジュールを含む。ここで、モデル名は、相関モデル１２２を識別するための識別子を示す。モデル種別は、その相関モデル１２２が、基本モデル、または、特定モデルのいずれかであるかを示す。適用日、及び、適用スケジュールは、それらのモデルの適用日、及び、適用スケジュールを示す。
スケジュール候補情報記憶部１１４は、基本モデル、及び、特定モデルの適用日（基本モデル、及び、特定モデルを適用する特定期間）をカレンダー上の属性（時間的な属性）により分類するための分類ルールのリストであるスケジュール候補情報１２４を記憶する。
図１１は、本発明の第一の実施の形態におけるスケジュール候補情報１２４の例を示す図である。図１１の例では、スケジュール候補情報１２４には、分類ルールとして、“月曜日”、“日曜日”等の所定の曜日、“５の倍数の日”、“毎月最後の平日”等の毎月の所定の日、“３月２０日”等の毎年の所定の月日が設定されている。これらの分類ルールには、監視対象のシステムのシステム特性に影響のある特定の日を分類できるような、ルールが設定される。
スケジュール生成部１０４は、モデル設定部１０３により決定された特定モデルの適用日とスケジュール候補情報１２４とをもとに、特定モデルの適用スケジュールを決定する。
異常検出部１０５は、性能系列情報１２１に含まれる性能情報に対して、モデル設定部１０３により決定された基本モデルまたは特定モデルを、その適用日または適用スケジュールに従って適用し、当該性能情報とそれらのモデルにより予測された性能情報とを対比することにより、システムの障害分析を行い、その結果を監視端末３００へ出力する。
なお、運用管理装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）とプログラムを記憶した記憶媒体を含み、プログラムに基づく制御によって動作するコンピュータであってもよい。また、性能情報記憶部１１１、相関モデル記憶部１１２、モデル情報記憶部１１３、及びスケジュール候補情報記憶部１１４は、それぞれ個別の記憶媒体でも、１つの記憶媒体によって構成されてもよい。
次に、本発明の第一の実施の形態における運用管理装置１００の動作について説明する。
図３は、本発明の第一の実施の形態における運用管理装置１００を適用した運用管理システムの例を示す図である。図３の例では、被監視装置２００ａがＷｅｂサーバ、被監視装置２００ｂがＤａｔａｂａｓｅサーバである。
被監視装置２００ａと被監視装置２００ｂ上では、監視制御エージェントがそれぞれ動作し、性能情報を５分間隔で取得し、定期的に運用管理装置（監視制御装置）１００の情報収集部１０１へ送信する。そして、運用管理装置１００の性能情報記憶部１１１には、図４に示すような性能系列情報１２１が記憶されている。
ここで、平日は、ＷｅｂサーバとＤａｔａｂａｓｅサーバとが、ファイアウォールを介したクライアントからのアクセスに対して、オンライントランザクションを実行する。また、休日は、クライアントからのアクセスはファイアウォールで遮断され、Ｗｅｂサーバ及びＤａｔａｂａｓｅのそれぞれが、例えば、バックアップや集計等のバッチ処理を行う。このため、図４の性能系列情報１２１において、例えば、平日である６月１日（火曜日）と休日である６月６日（日曜日）とでは、性能情報の傾向が異なる。
図５は、本発明の第一の実施の形態における運用管理装置１００の全体的な処理を示すフローチャートである。
はじめに、運用管理装置１００は、監視端末３００から、モデルの生成要求を受信する（ステップＳ１０１）。ここで、監視端末３００は、性能系列情報１２１の性能情報のうちのモデルを生成するために使用する性能情報の期間（所定の期間）、及び生成する特定モデルの数（所定のモデル数）を指定する。
例えば、監視端末３００は、モデルを生成するために使用する性能情報の期間を６月１日から３０日、生成する特定モデルの数を１と指定する。
相関モデル生成部１０２は、性能情報記憶部１１１の性能系列情報１２１を参照し、性能系列情報１２１に含まれる指定された期間のそれぞれの日（特定期間）の性能情報をもとに、それぞれの日についての相関モデル１２２を生成し、相関モデル記憶部１１２に保存する（ステップＳ１０２）（相関モデル生成処理）。
例えば、相関モデル生成部１０２は、図４の性能系列情報１２１の６月１日から３０日の各日について、０時０分から２３時５５分の性能情報を用いて、図７に示すような相関モデル１２２を生成し、相関モデル記憶部１１２に保存する。ここで、各日の相関モデル１２２のモデル名を、Ｍ１、Ｍ２、…、Ｍ３０とする。
図７において、モデル名Ｍ１の相関モデル１２２は、上述のような、平日にオンライントランザクションを実行する場合の相関モデル１２２の例である。また、モデル名Ｍ６の相関モデル１２２は、休日にバッチ処理を実行する場合の相関モデル１２２の例である。
次に、モデル設定部１０３は、相関モデル記憶部１１２の相関モデル１２２の中から、基本モデルと特定モデルとを抽出し、それらの適用日を決定する（ステップＳ１０３）（モデル抽出処理）。
図６は、本発明の第一の実施の形態における運用管理装置１００のモデル抽出処理（ステップＳ１０３の詳細）を示すフローチャートである。
モデル設定部１０３は、ステップＳ１０２で抽出された相関モデル１２２のそれぞれについて、性能情報記憶部１１１の性能系列情報１２１に含まれる、指定された期間の性能情報をもとに、指定された期間における相関モデル１２２の平均相関破壊率を算出する（ステップＳ２０１）。
ここで、モデル設定部１０３は、例えば、特許文献１と同様の方法で、相関破壊率を算出する。
すなわち、モデル設定部１０３は、性能系列情報１２１に含まれる２つの性能種別のうちの１つの性能種別の性能値に、相関モデル１２２に含まれる相関関数を適用して、他の性能種別の予測性能値を算出し、当該他の性能種別の性能値と算出した予測性能値とを比較して予測誤差を算出する。モデル設定部１０３は、算出した予測誤差が、管理者等により予め設定されている値（所定の値）を超えている場合、相関破壊として検出する。
そして、モデル設定部１０３は、相関モデル１２２に含まれる全ての相関関数（相関関係）について、相関破壊の有無を検出し、相関モデル１２２に含まれる全ての相関関係の数に対する相関破壊の数をもとに、相関破壊率を算出する。
さらに、モデル設定部１０３は、算出された相関破壊率の指定された期間での平均値を算出することにより、指定された期間の平均相関破壊率を算出する。
次に、モデル設定部１０３は、ステップＳ１０２で抽出された相関モデル１２２の中から、指定された期間の平均相関破壊率が最小となる相関モデル１２２（指定された期間の平均の適合度が最も高い相関モデル１２２）を基本モデルとして抽出する（ステップＳ２０２）。
モデル設定部１０３は、基本モデルとして抽出された相関モデル１２２のモデル名をモデル情報記憶部１１３のモデル情報１２３に登録する（ステップＳ２０３）。
モデル設定部１０３は、基本モデルの適用日に、指定された期間の全ての日を設定する（ステップＳ２０４）。
図８は、本発明の第一の実施の形態における平均相関破壊率の算出結果を示す図である。ここで、例えば、モデル名Ｍ１の相関モデル１２２の６月１日〜３０日の平均相関破壊率１０％が、全ての相関モデル１２２（モデル名Ｍ１〜Ｍ３０）の中で最小であった場合、モデル設定部１０３は、モデル名Ｍ１の相関モデル１２２を基本モデルとして抽出し、図９のようにモデル情報１２３に登録する。モデル設定部１０３は、基本モデルに対する適用日に、６月１日〜３０日の各日を設定する。
次に、モデル設定部１０３は、ステップＳ１０２で抽出された相関モデル１２２のうち、基本モデル、及び、特定モデルとして抽出されていない相関モデル１２２の中から、指定された期間の平均相関破壊率が最大となる相関モデル１２２（指定された期間の平均の適合度が最も低い相関モデル１２２）を特定モデルとして抽出する（ステップＳ２０５）。
モデル設定部１０３は、特定モデルとして抽出された相関モデル１２２のモデル名をモデル情報記憶部１１３のモデル情報１２３に登録する（ステップＳ２０６）。
次に、モデル設定部１０３は、抽出された基本モデルと特定モデルのそれぞれについて、性能情報記憶部１１１の性能系列情報１２１に含まれる、指定された期間含まれるそれぞれの日の性能情報をもとに、それぞれの日における平均相関破壊率を算出する。そして、モデル設定部１０３は、指定された期間に含まれる日のうち、ステップＳ２０５で抽出された特定モデルのある１日の平均相関破壊率が、基本モデル、及び、他の特定モデルのその日の平均相関破壊率よりも小さい日（特定モデルのある１日の平均の適合度が、基本モデル、及び、他の特定モデルのその日の平均の適合度よりも高い日）を、その特定モデルの適用日と決定する（ステップ２０７）。
ここで、分析モデル抽出部１０３は、上述の方法で算出された相関破壊率の各日での平均値を算出することにより、各日の平均相関破壊率を算出する。
モデル設定部１０３は、決定した特定モデルの適用日をモデル情報１２３に設定し、その日を、基本モデル、及び、他の特定モデルに設定されている適用日から削除する（ステップＳ２０８）。
モデル設定部１０３は、ステップＳ２０５〜Ｓ２０８を、指定された数の特定モデルが抽出されるまで繰り返す（ステップＳ２０９）。
例えば、図８において、モデル名Ｍ６の相関モデル１２２の６月１日〜３０日の平均相関破壊率４０％が、抽出されていない相関モデル１２２（モデル名Ｍ２〜Ｍ３０）の中で最大であった場合、モデル設定部１０３は、モデル名Ｍ６の相関モデル１２２を特定モデルとして抽出し、図９のようにモデル情報１２３に登録する。
そして、モデル名Ｍ６の相関モデル１２２の６月６日、６月１３日、６月２０日、６月２７日の平均相関破壊率が、基本モデルの平均相関破壊率よりも小さい場合、モデル設定部１０３は、これらの日をモデル名Ｍ６の特定モデルの適用日として、図９のようにモデル情報１２３に設定する。さらに、モデル設定部１０３は、図９のように、これらの日を基本モデルの適用日（６月１日〜３０日）から削除する。
この結果、モデル情報１２３には、図９のように、基本モデル（モデル名Ｍ１）及び特定モデル（モデル名Ｍ６）とそれぞれの適用日が設定される。
これにより、異常検出部１０５は、モデルを生成するために使用した期間の性能情報について、モデル情報１２３に設定された基本モデル及び特定モデルをそれぞれの適用日に適用し、システムの障害分析を行うことができる。
次に、スケジュール生成部１０４は、特定モデルの適用日とスケジュール候補情報１２４とをもとに、特定モデルの適用スケジュールを決定する（ステップＳ１０４）（スケジュール生成処理）。
図１０は、本発明の第一の実施の形態における運用管理装置１００のスケジュール生成処理（ステップＳ１０４の詳細）を示すフローチャートである。
ここでは、図１１のようなスケジュール候補情報１２４が、スケジュール候補情報記憶部１１４に記憶されている。
スケジュール生成部１０４は、モデル情報記憶部１１３のモデル情報１２３を参照し、特定モデルの１つとその適用日を取得する（ステップＳ３０１）。
スケジュール生成部１０４は、スケジュール候補情報記憶部１１４のスケジュール候補情報１２４を参照し、特定モデルの適用日とスケジュール候補情報１２４に含まれる分類ルールのそれぞれとの一致度を算出し、算出した一致度が最大となる分類ルールを抽出する（ステップＳ３０２）。
ここで、スケジュール生成部１０４は、例えば、次のような式により、一致度を算出する。
一致度＝ｎ（｜Ａ∩Ｂ｜）／ｎ（｜Ａ∪Ｂ｜）
ここで、Ａは、特定モデルの適用日の集合、Ｂは、指定された期間における分類ルールに対応する日の集合、ｎ（）は、（）内の集合に含まれる要素の数を示す。
スケジュール生成部１０４は、抽出した分類ルールを、特定モデルの適用スケジュールとしてモデル情報記憶部１１３のモデル情報１２３に設定する（ステップＳ３０３）。
スケジュール生成部１０４は、ステップＳ１０３にて抽出された、全ての特定モデルについて、ステップＳ３０２、Ｓ３０３を繰り返す（ステップＳ３０４）。
図１２は、本発明の第一の実施の形態における、一致度の算出結果の例を示す図である。
例えば、スケジュール生成部１０４は、図９のモデル情報１２３に含まれるモデル名Ｍ６の特定モデルについて、この特定モデルの適用日（６月６日、６月１３日、６月２０日、６月２７日）と図１１のスケジュール候補情報１２４に含まれる分類ルールのそれぞれ（ルール番号１、２、…）との一致度を算出する。
この場合、図１２に示すように、特定モデルの適用日とルール番号７の分類ルール“日曜日”との一致度は１．０となる。また、特定モデルの適用日とルール番号８の分類ルール“土曜日と日曜日”との一致度は０．５となる。スケジュール生成部１０４は、一致度が最大となる分類ルール“日曜日”を抽出し、図９のように、この特定モデルの適用スケジュールとして設定する。
この結果、モデル情報１２３には、図９のように、基本モデル（モデル名Ｍ１）及び特定モデル（モデル名Ｍ６）とそれぞれの適用スケジュールが設定される。
これにより、異常検出部１０５は、新たに取得した性能情報のように、モデルを生成するために使用した期間以外の性能情報に対して、モデル情報１２３に設定された基本モデル及び特定モデルをそれぞれの適用スケジュールで適用し、システムの障害分析を行うことができる。
なお、異常検出部１０５は、モデル情報１２３における特定モデルの適用スケジュールが障害分析を行う日時に合致するかどうかを検査し、合致する場合は、その特定モデルを適用し、合致しない場合は、基本モデルを適用する。
例えば、新たに取得した７月４日（日曜日）の性能情報の障害分析を行う場合、異常検出部１０５は、図９のモデル情報１２３を参照し、適用スケジュールが日曜日である特定モデル（モデル名Ｍ６）を用いて、システムの障害分析を行う。また、新たに取得した７月５日（月曜日）の性能情報の障害分析を行う場合、異常検出部１０５は、基本モデル（モデル名Ｍ１）を用いて、システムの障害分析を行う。
これにより、障害分析を行う日のシステム特性に合わないモデルを用いることによる誤報の発生を防ぎ、安定した障害分析を行うことができる。
以上により、本発明の第一の実施の形態の動作が完了する。
次に、本発明の第一の実施の形態の特徴的な構成を説明する。図１は、本発明の第一の実施の形態の特徴的な構成を示すブロック図である。
図１を参照すると、運用管理装置１００は、性能情報記憶部１１１、相関モデル生成部１０２、及び、モデル設定部１０３を含む。
ここで、性能情報記憶部１１１は、システムにおける複数の性能情報をそれぞれ時系列に記憶する。
相関モデル生成部１０２は、性能情報記憶部１１１に記憶された異なる種別の性能値間の相関関係を表す相関モデル１２２を、所定期間において複数生成する。
モデル設定部１０３は、相関モデル生成部１０２により生成された複数の相関モデル１２２の中から、所定期間における性能情報に対する相関モデル１２２の適合度をもとに、当該適合度が最も高い相関モデル１２２を基本モデルとし、かつ、当該基本モデル以外の相関モデル１２２から少なくとも１以上の特定モデルを選択し、基本モデル及び特定モデルのそれぞれについて障害検出に利用する期間を設定する。
本発明の第一の実施の形態によれば、システム特性に対するモデル化期間の情報が無くても、システム分析を行う日等の特定期間毎に、障害分析に適した相関モデルを生成できる。
その理由は、モデル設定部１０３が、相関モデル生成部１０２により生成された複数の相関モデル１２２の中から、所定期間における性能情報に対する相関モデル１２２の適合度をもとに、当該適合度が最も高い相関モデル１２２を基本モデルとし、かつ、当該基本モデル以外の相関モデル１２２から少なくとも１以上の特定モデルを選択し、基本モデル及び特定モデルのそれぞれについて障害検出に利用する期間を設定するためである。
また、本発明の第一の実施の形態によれば、新たに取得される性能情報に対しても、システム分析を行う日等の特定期間毎に、障害分析に適した相関モデルを用いて、システム分析を行うことができる。
その理由は、スケジュール生成部１０４が、特定モデルを適用する特定期間のそれぞれがスケジュール候補情報１２４の分類ルールと一致する数をもとに、当該特定モデルを適用する特定期間と分類ルールとの一致度を算出し、当該一致度が最大となる分類ルールをもとに、特定モデルを適用する適用スケジュールを生成するためである。
また、本発明の第一の実施の形態によれば、システム特性等のシステム固有の情報を持たない管理者であっても、安定したシステム分析を行うことができる。
その理由は、スケジュール生成部１０４が、基本モデル、及び、特定モデルがそれぞれ適した特定期間に適用されるような適用スケジュールを生成することにより、システム特性に合わないモデルの適用により、システムの異常が誤って検出されることが無くなるためである。
（第二の実施の形態）
次に、本発明の第二の実施の形態について説明する。
本発明の第一の実施形態では、相関モデル生成部１０２が日毎（特定期間毎）に相関モデル１２２を生成し、モデル設定部１０３が相関モデル１２２の中から、性能情報に適合する基本モデル及び特定モデルとその適用日や適用スケジュールを決定している。
しかしながら、実際のシステムにおいては、１日（特定期間）のうちの特定の時間帯だけシステムの特性が切り替わることがある。その場合、モデル設定部１０３によって出力された基本モデルまたは特定モデルを、それらの適用日や適用スケジュールに従って適用しても、その特定の時間帯に誤報が発生する可能性がある。
このような問題に対応するため、本発明の第二の実施の形態においては、運用管理装置１００は、モデル設定部１０３によって出力された基本モデルまたは特定モデルに対して、特定の時間帯に適用するための例外モデルを生成する。
次に、本発明の第二の実施の形態の構成について説明する。図１３は、本発明の第二の実施の形態における運用管理システムの構成を示すブロック図である。
図１３を参照すると、本発明の第二の実施の形態における運用管理システムの運用管理装置１００は、本発明の第一の実施の形態における運用管理装置１００の構成に加えて、例外モデル生成部１０６を含む。
例外モデル生成部１０６は、基本モデル、または、特定モデルを、その適用日に適用した場合に、その適用日の中で、そのモデルが適合しない特定の時間帯を抽出し、抽出した特定の時間帯について、例外モデルを生成する。
図１６は、本発明の第二の実施の形態におけるモデル情報１２３の例を示す図である。モデル情報１２３は、モデル名、モデル種別、適用日、適用スケジュール、及び、適用時刻を含む。ここで、モデル種別は、その相関モデル１２２が、基本モデル、特定モデル、例外モデルのいずれかであるかを示す。適用時刻は、それらのモデルの適用時刻を示す。
次に、本発明の第二の実施の形態における運用管理装置１００の動作について説明する。
本発明の第二の実施の形態における、運用管理装置１００の相関モデル生成処理、モデル抽出処理、及び、スケジュール生成処理は、本発明の第一の実施の形態と同様となる。
次に、本発明の第二の実施の形態における、運用管理装置１００の例外モデル生成処理について説明する。図１４は、本発明の第二の実施の形態における運用管理装置１００の例外モデル生成処理を示すフローチャートである。
ここでは、本発明の第二の実施の形態におけるスケジュール生成処理の結果、図９のようなモデル情報１２３が、モデル情報記憶部１１３に記憶されている。
例外モデル生成部１０６は、モデル情報記憶部１１３のモデル情報１２３を参照し、基本モデルまたは特定モデルの１つとその適用日を取得する（ステップＳ４０１）。
例外モデル生成部１０６は、取得した適用日の中から、任意の２日を抽出する（ステップＳ４０２）。
例えば、例外モデル生成部１０６は、図９のモデル情報１２３を参照し、基本モデル（モデル名Ｍ１）とその適用日を取得し、取得した適用日の中から、６月１日と２日を抽出する。
例外モデル生成部１０６は、性能情報記憶部１１１の性能系列情報１２１を参照し、性能系列情報１２１に含まれる、ステップＳ４０２で抽出した適用日のそれぞれの性能情報に、ステップＳ４０１で取得した基本モデルまたは特定モデルを適用し、基本モデルまたは特定モデルの相関破壊率を算出する（ステップＳ４０３）。
図１５は、本発明の第二の実施の形態における、相関破壊率の検出結果の例を示す図である。
例えば、例外モデル生成部１０６は、６月１日と２日の性能情報に、基本モデル（モデル名Ｍ１）を適用し、相関破壊率を検出し、図１５のような検出結果を取得する。
例外モデル生成部１０６は、ステップＳ４０２において抽出されたそれぞれの適用日について、相関破壊率が、管理者等により予め設定されている閾値（所定の閾値）を超えている時間帯（適合度が所定の閾値未満となる時間帯）を検出する（ステップＳ４０４）。この閾値には、例えば、異常検出部１０５が、システム障害を検出する相関破壊率の閾値が設定される。
例外分析モデル生成部１０６は、それぞれの適用日について検出された時間帯で、共通の時間帯を、例外モデルを生成するための例外時間帯として抽出する（ステップＳ４０５）。
例えば、例外モデル生成部１０６は、６月１日に相関破壊率が閾値を超えている時間帯と６月２日に相関破壊率が閾値を超えている時間帯とで、共通の時間帯である、６時００分から８時００分を例外時間帯として抽出する。
例外モデル生成部１０６は、性能系列情報１２１に含まれる、ステップＳ４０２で抽出した適用日のそれぞれにおける、例外時間帯の性能情報をもとに、相関モデル１２２を生成し、相関モデル記憶部１１２に保存する（ステップＳ４０６）。
例えば、例外モデル生成部１０６は、６月１日と２日の６時００分から８時００分の性能情報をもとに、モデル名Ｍ１．１の相関モデル１２２を生成し、相関モデル記憶部１１２に保存する。
例外モデル生成部１０６は、生成した相関モデル１２２のモデル名を、ステップＳ４０１で取得した基本モデルまたは特定モデルに対する例外モデルとしてモデル情報記憶部１１３のモデル情報１２３に登録する（ステップＳ４０７）。
例外モデル生成部１０６は、ステップＳ４０５で抽出した例外時間帯を、その例外モデルの適用時刻としてモデル情報１２３に設定する（ステップＳ４０８）。
例えば、例外モデル生成部１０６は、モデル名Ｍ１．１の相関モデル１２２を、図１６のようにモデル情報１２３に登録する。そして、例外モデル生成部１０６は、６時００分から８時００分を、モデル名Ｍ１．１の例外モデルの適用時刻として、図１６のようにモデル情報１２３に登録する。
この結果、モデル情報１２３には、図１６のように、基本モデル（モデル名Ｍ１）と、例外モデル（モデル名Ｍ１．１）及びその適用時刻と、が設定される。
これにより、異常検出部１０５は、モデル情報１２３に設定された基本モデル及び特定モデルをそれぞれの適用スケジュールに従って適用する場合に、適用時刻に示される特定の時間帯だけ、例外モデルを適用し、システムの障害分析を行うことができる。
なお、異常検出部１０５は、モデル情報１２３における基本モデル、または、特定モデルを適用する場合に、適用するモデルに例外モデルがあるかどうかを検査する。異常検出部１０５は、例外モデルがある場合、その例外モデルの適用時刻が分析を行う時刻に合致するかどうかを検査し、合致する場合は、その例外モデルを適用し、合致しない場合は、その例外モデルに対する基本モデル、または、特定モデルを適用する。
例えば、新たに取得した７月１日（木曜日）の７：００に性能情報の障害分析を行う場合、異常検出部１０５は、図１６のモデル情報１２３を参照し、基本モデル（モデル名Ｍ１）に対する例外モデル（モデル名Ｍ１．１）を用いて、システムの障害分析を行う。
これにより、障害分析を行う特定の時間帯に、システム特性に合わない分析モデルを用いることによる誤報の発生を防ぎ、安定した障害分析を行うことができる。
以上により、本発明の第二の実施の形態の動作が完了する。
なお、本発明の第二の実施の形態においては、ステップＳ４０２において、基本モデルまたは特定モデルの適用日の中から任意の２日を抽出し、相関破壊率が閾値を超える共通の時間帯を例外時間帯として抽出している。しかしながら、例外時間帯を抽出するための適用日の数は、当該モデルの適用日の数を超えない、１以上の他の数としてもよい。ここで、抽出する適用日の数が１日の場合、その日において相関破壊率が閾値を超える時間帯を例外時間帯とする。
本発明の第二の実施の形態によれば、特定期間のうちのシステムの特性が異なる時間帯でも、分析に適した相関モデルを用いて、システム分析を行うことができる。
その理由は、例外モデル生成部１０６が、基本モデルまたは特定モデルを適用する複数の特定期間において、当該基本モデルまたは当該特定モデルの適合度が所定の閾値未満となる時間帯を例外時間帯として抽出し、その例外時間帯の性能情報をもとに相関モデル１２２を生成し、例外モデルとして出力するためである。
以上、実施形態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。
例えば、本発明の実施の形態においては、相関モデル１２２が性能情報に適合するかどうかを判定するための適合度は、相関破壊率により決定されるものとした。しかしながら、適合度は、相関モデル１２２が性能情報に適合するかどうかを判定できるものであれば、どのような基準により決定されてもよい。
例えば、モデル設定部１０３、及び、例外モデル生成部１０６は、適合度を、相関破壊の数により決定してもよい。この場合、モデル設定部１０３、及び、例外モデル生成部１０６は、ステップＳ２０１に記載した方法により相関破壊の数を算出する。そして、モデル設定部１０３は、ステップＳ２０２における基本モデルの抽出、ステップＳ２０５における特定モデルの抽出、ステップＳ２０７における特定モデルの適用日の決定において、相関破壊率の代わりに、相関破壊の数を用いる。同様に、例外モデル生成部１０６は、ステップＳ４０４におけるモデルが適合しない時間帯の検出において、相関破壊率の代わりに、相関破壊の数を用いる。
同様に、モデル設定部１０３、及び、例外モデル生成部１０６は、適合度を、相関モデル１２２による予測誤差により決定してもよい。この場合、モデル設定部１０３、及び、例外モデル生成部１０６は、ステップＳ２０１に記載した方法により予測誤差を算出し、相関モデル１２２に含まれる相関間数についての予測誤差の合計値を算出する。そして、モデル設定部１０３、及び、例外モデル生成部１０６は、上述の各ステップにおいて、相関破壊率の代わりに、予測誤差の合計値を用いる。
この出願は、２０１０年９月１日に出願された日本出願特願２０１０−１９５７６１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。
本発明は、システムの性能情報を管理する運用管理システムに適用できる。
１００ 運用管理装置
１０１ 情報収集部
１０２ 相関モデル生成部
１０３ モデル設定部
１０４ スケジュール生成部
１０５ 異常検出部
１０６ 例外モデル生成部
１１１ 性能情報記憶部
１１２ 相関モデル記憶部
１１３ モデル情報記憶部
１１４ スケジュール候補情報記憶部
１２１ 性能系列情報
１２２ 相関モデル
１２３ モデル情報
１２４ スケジュール候補情報
２００ 被監視装置
３００ 監視端末
１０１ 情報収集部
１０２ 相関モデル生成部
１０３ モデル設定部
１０４ スケジュール生成部
１０５ 異常検出部
１０６ 例外モデル生成部
１１１ 性能情報記憶部
１１２ 相関モデル記憶部
１１３ モデル情報記憶部
１１４ スケジュール候補情報記憶部
１２１ 性能系列情報
１２２ 相関モデル
１２３ モデル情報
１２４ スケジュール候補情報
２００ 被監視装置
３００ 監視端末
Claims (27)
- システムにおける複数種別の性能値を含む性能情報を時系列に記憶する性能情報記憶手段と、
前記性能情報記憶手段に記憶された異なる前記種別の性能値間の相関関係を含む相関モデルを、所定期間において複数生成する相関モデル生成手段と、
前記相関モデル生成手段により生成された複数の前記相関モデルの中から、前記所定期間における前記性能情報に対する前記相関モデルの適合度をもとに、当該適合度が最も高い前記相関モデルを基本モデルとし、かつ、当該基本モデル以外の前記相関モデルから少なくとも１以上の特定モデルを選択し、前記基本モデル及び前記特定モデルのそれぞれについて障害検出に利用する期間を設定するモデル設定手段と、
を含む運用管理装置。 - 前記所定期間は複数の特定期間の集合から成り、前記相関モデル生成手段は、前記特定期間ごとに、当該特定期間の前記性能情報をもとに前記相関モデルを生成する
請求項１に記載の運用管理装置。 - 前記相関モデルの前記性能情報に対する前記適合度は、前記性能情報に当該相関モデルを適用することにより得られる前記相関関係の破壊率、相関破壊の数、及び、前記相関モデルからの誤差のうちの少なくとも１つをもとに算出される
請求項２に記載の運用管理装置。 - 前記モデル設定手段は、前記所定期間における前記適合度の低い前記相関モデルから順に１以上の所定数の前記相関モデルを前記特定モデルとして選択する
請求項２または３に記載の運用管理装置。 - 前記モデル設定手段は、前記特定期間ごとの前記基本モデル及び前記特定モデルの前記適合度をそれぞれ算出し、前記特定期間における前記特定モデルの前記適合度が当該特定期間における前記基本モデル及び他の前記特定モデルの適合度よりも高い場合、当該特定期間を当該特定モデルを利用する期間に設定し、前記複数の特定期間の集合から前記特定モデルを利用する期間を除外した前記特定期間を、前記基本モデルを利用する期間に設定する
請求項２乃至４のいずれかに記載の運用管理装置。 - さらに、
前記基本モデル、及び、前記特定モデルを利用する前記特定期間を分類するための分類ルールを含むスケジュール候補情報を記憶するスケジュール候補情報記憶手段と、
前記特定モデルのそれぞれについて、当該特定モデルを利用する前記特定期間のそれぞれが前記スケジュール候補情報に含まれる分類ルールのそれぞれと一致する数をもとに、当該特定モデルを利用する前記特定期間と前記分類ルールとの一致度を算出し、当該一致度が最大となる前記分類ルールをもとに、当該特定モデルを利用する期間を設定するスケジュール生成手段と、
を含む請求項５に記載の運用管理装置。 - さらに、
前記基本モデルまたは前記特定モデルを利用する前記特定期間において、当該基本モデルまたは当該特定モデルの前記適合度が所定の閾値未満となる時間帯である例外時間帯を抽出し、
当該特定期間の当該例外時間帯における前記性能情報をもとに、当該例外時間帯の前記相関モデルを前記基本モデルまたは前記特定モデルに対する例外モデルとして生成し、当該例外時間帯を当該例外モデルを利用する時間帯として設定する例外モデル生成手段
を含む請求項５または６に記載の運用管理装置。 - 前記例外モデル生成手段は、前記基本モデルまたは前記特定モデルを利用する複数の前記特定期間のそれぞれにおいて、当該基本モデルまたは当該特定モデルの前記適合度が前記所定の閾値未満となる時間帯を抽出し、抽出されたそれぞれの時間帯で共通の時間帯を前記例外時間帯として抽出し、
当該複数の前記特定期間の当該例外時間帯における前記性能情報をもとに、当該例外時間帯の前記相関モデルを生成する
請求項７に記載の運用管理装置。 - 前記適合度は前記相関関係の破壊率をもとに算出され、
前記相関関係の破壊率は、
前記性能情報記憶手段に記憶された前記複数種別のうちの第１の種別の性能値に、前記相関モデルに含まれる相関関数を適用して、前記複数種別のうちの第２の種別の性能値に関する予測性能値を算出し、当該第２の種別の性能値と当該予測性能値をもとに予測誤差を算出し、当該予測誤差が所定の値を超えている相関破壊を検出することにより得られる、当該相関破壊の数をもとに算出される
請求項３に記載の運用管理装置。 - システムにおける複数種別の性能値を含む性能情報を時系列に記憶し、
異なる前記種別の性能値間の相関関係を含む相関モデルを、所定期間において複数生成し、
複数の前記相関モデルの中から、前記所定期間における前記性能情報に対する前記相関モデルの適合度をもとに、当該適合度が最も高い前記相関モデルを基本モデルとし、かつ、当該基本モデル以外の前記相関モデルから少なくとも１以上の特定モデルを選択し、前記基本モデル及び前記特定モデルのそれぞれについて障害検出に利用する期間を設定する
運用管理方法。 - 前記所定期間は複数の特定期間の集合から成り、
前記相関モデルを生成する場合、前記特定期間ごとに、当該特定期間の前記性能情報をもとに前記相関モデルを生成する
請求項１０に記載の運用管理方法。 - 前記相関モデルの前記性能情報に対する前記適合度は、前記性能情報に当該相関モデルを適用することにより得られる前記相関関係の破壊率、相関破壊の数、及び、前記相関モデルからの誤差のうちの少なくとも１つをもとに算出される
請求項１１に記載の運用管理方法。 - 前記特定モデルを選択する場合、前記所定期間における前記適合度の低い前記相関モデルから順に１以上の所定数の前記相関モデルを前記特定モデルとして選択する
請求項１１または１２に記載の運用管理方法。 - 前記基本モデル及び前記特定モデルを利用する期間を設定する場合、前記特定期間ごとの前記基本モデル及び前記特定モデルの前記適合度をそれぞれ算出し、前記特定期間における前記特定モデルの前記適合度が当該特定期間における前記基本モデル及び他の前記特定モデルの適合度よりも高い場合、当該特定期間を当該特定モデルを利用する期間に設定し、前記複数の特定期間の集合から前記特定モデルを利用する期間を除外した前記特定期間を、前記基本モデルを利用する期間に設定する
請求項１１乃至１３のいずれかに記載の運用管理方法。 - さらに、
前記基本モデル、及び、前記特定モデルを利用する前記特定期間を分類するための分類ルールを含むスケジュール候補情報を記憶し、
前記特定モデルのそれぞれについて、当該特定モデルを利用する前記特定期間のそれぞれが前記スケジュール候補情報に含まれる分類ルールのそれぞれと一致する数をもとに、当該特定モデルを利用する前記特定期間と前記分類ルールとの一致度を算出し、当該一致度が最大となる前記分類ルールをもとに、当該特定モデルを利用する期間を設定する
請求項１４に記載の運用管理方法。 - さらに、
前記基本モデルまたは前記特定モデルを利用する前記特定期間において、当該基本モデルまたは当該特定モデルの前記適合度が所定の閾値未満となる時間帯である例外時間帯を抽出し、
当該特定期間の当該例外時間帯における前記性能情報をもとに、当該例外時間帯の前記相関モデルを、前記基本モデルまたは前記特定モデルに対する例外モデルとして生成し、当該例外時間帯を当該例外モデルを利用する時間帯として設定する
請求項１４または１５に記載の運用管理方法。 - 前記例外モデルを生成する場合、前記基本モデルまたは前記特定モデルを利用する複数の前記特定期間のそれぞれにおいて、当該基本モデルまたは当該特定モデルの前記適合度が前記所定の閾値未満となる時間帯を抽出し、抽出されたそれぞれの時間帯で共通の時間帯を前記例外時間帯として抽出し、
当該複数の前記特定期間の当該例外時間帯における前記性能情報をもとに、当該例外時間帯の前記相関モデルを生成する
請求項１６に記載の運用管理方法。 - 前記適合度は前記相関関係の破壊率をもとに算出され、
前記相関関係の破壊率は、
前記性能情報記憶手段に記憶された前記複数種別のうちの第１の種別の性能値に、前記相関モデルに含まれる相関関数を適用して、前記複数種別のうちの第２の種別の性能値に関する予測性能値を算出し、当該第２の種別の性能値と当該予測性能値をもとに予測誤差を算出し、当該予測誤差が所定の値を超えている相関破壊を検出することにより得られる、当該相関破壊の数をもとに算出される
請求項１２に記載の運用管理方法。 - コンピュータに、
システムにおける複数種別の性能値を含む性能情報を時系列に記憶し、
異なる前記種別の性能値間の相関関係を含む相関モデルを、所定期間において複数生成し、
複数の前記相関モデルの中から、前記所定期間における前記性能情報に対する前記相関モデルの適合度をもとに、当該適合度が最も高い前記相関モデルを基本モデルとし、かつ、当該基本モデル以外の前記相関モデルから少なくとも１以上の特定モデルを選択し、前記基本モデル及び前記特定モデルのそれぞれについて障害検出に利用する期間を設定する
処理を実行させる運用管理用プログラムを格納するコンピュータ読み取り可能な記録媒体。 - 前記所定期間は複数の特定期間の集合から成り、
前記相関モデルを生成する場合、前記特定期間ごとに、当該特定期間の前記性能情報をもとに前記相関モデルを生成する
請求項１９に記載の前記運用管理用プログラムを格納する記録媒体。 - 前記相関モデルの前記性能情報に対する前記適合度は、前記性能情報に当該相関モデルを適用することにより得られる前記相関関係の破壊率、相関破壊の数、及び、前記相関モデルからの誤差のうちの少なくとも１つをもとに算出される
請求項２０に記載の前記運用管理用プログラムを格納する記録媒体。 - 前記特定モデルを選択する場合、前記所定期間における前記適合度の低い前記相関モデルから順に１以上の所定数の前記相関モデルを前記特定モデルとして選択する
請求項２０または２１に記載の前記運用管理用プログラムを格納する記録媒体。 - 前記基本モデル及び前記特定モデルを利用する期間を設定する場合、前記特定期間ごとの前記基本モデル及び前記特定モデルの前記適合度をそれぞれ算出し、前記特定期間における前記特定モデルの前記適合度が当該特定期間における前記基本モデル及び他の前記特定モデルの適合度よりも高い場合、当該特定期間を当該特定モデルを利用する期間に設定し、前記複数の特定期間の集合から前記特定モデルを利用する期間を除外した前記特定期間を、前記基本モデルを利用する期間に設定する
請求項２０乃至２２のいずれかに記載の前記運用管理用プログラムを格納する記録媒体。 - さらに、
前記基本モデル、及び、前記特定モデルを利用する前記特定期間を分類するための分類ルールを含むスケジュール候補情報を記憶し、
前記特定モデルのそれぞれについて、当該特定モデルを利用する前記特定期間のそれぞれが前記スケジュール候補情報に含まれる分類ルールのそれぞれと一致する数をもとに、当該特定モデルを利用する前記特定期間と前記分類ルールとの一致度を算出し、当該一致度が最大となる前記分類ルールをもとに、当該特定モデルを利用する期間を設定する
請求項２３に記載の前記運用管理用プログラムを格納する記録媒体。 - さらに、
前記基本モデルまたは前記特定モデルを利用する前記特定期間において、当該基本モデルまたは当該特定モデルの前記適合度が所定の閾値未満となる時間帯である例外時間帯を抽出し、
当該特定期間の当該例外時間帯における前記性能情報をもとに、当該例外時間帯の前記相関モデルを、前記基本モデルまたは前記特定モデルに対する例外モデルとして生成し、当該例外時間帯を当該例外モデルを利用する時間帯として設定する
請求項２３または２４に記載の前記運用管理用プログラムを格納する記録媒体。 - 前記例外モデルを生成する場合、前記基本モデルまたは前記特定モデルを利用する複数の前記特定期間のそれぞれにおいて、当該基本モデルまたは当該特定モデルの前記適合度が前記所定の閾値未満となる時間帯を抽出し、抽出されたそれぞれの時間帯で共通の時間帯を前記例外時間帯として抽出し、
当該複数の前記特定期間の当該例外時間帯における前記性能情報をもとに、当該例外時間帯の前記相関モデルを生成する
請求項２５に記載の前記運用管理用プログラムを格納する記録媒体。 - 前記適合度は前記相関関係の破壊率をもとに算出され、
前記相関関係の破壊率は、
前記性能情報記憶手段に記憶された前記複数種別ののうちの第１の種別の性能値に、前記相関モデルに含まれる相関関数を適用して、前記複数種別のうちの第２の種別の性能値に関する予測性能値を算出し、当該第２の種別の性能値と当該予測性能値をもとに予測誤差を算出し、当該予測誤差が所定の値を超えている相関破壊を検出することにより得られる、当該相関破壊の数をもとに算出される
請求項２１に記載の前記運用管理用プログラムを格納する記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012531769A JP5387779B2 (ja) | 2010-09-01 | 2011-08-02 | 運用管理装置、運用管理方法、及びプログラム |
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2010195761 | 2010-09-01 | ||
| JP2010195761 | 2010-09-01 | ||
| JP2012531769A JP5387779B2 (ja) | 2010-09-01 | 2011-08-02 | 運用管理装置、運用管理方法、及びプログラム |
| PCT/JP2011/068007 WO2012029500A1 (ja) | 2010-09-01 | 2011-08-02 | 運用管理装置、運用管理方法、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2012029500A1 true JPWO2012029500A1 (ja) | 2013-10-28 |
| JP5387779B2 JP5387779B2 (ja) | 2014-01-15 |
Family
ID=45772605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012531769A Active JP5387779B2 (ja) | 2010-09-01 | 2011-08-02 | 運用管理装置、運用管理方法、及びプログラム |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US9600391B2 (ja) |
| EP (1) | EP2613263B1 (ja) |
| JP (1) | JP5387779B2 (ja) |
| CN (1) | CN103154904B (ja) |
| WO (1) | WO2012029500A1 (ja) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2528792A (en) * | 2013-05-16 | 2016-02-03 | Hitachi Ltd | Detection device, detection method, and recording medium |
| US10157113B2 (en) | 2014-05-16 | 2018-12-18 | Nec Corporation | Information processing device, analysis method, and recording medium |
| EP3190519B1 (en) * | 2014-09-03 | 2022-04-06 | Nec Corporation | Monitoring device and monitoring method thereof, monitoring system, and recording medium in which computer program is stored |
| JP6187704B2 (ja) * | 2014-09-11 | 2017-08-30 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
| WO2016143337A1 (ja) | 2015-03-11 | 2016-09-15 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、記録媒体 |
| JP6451483B2 (ja) | 2015-05-11 | 2019-01-16 | 富士通株式会社 | 予兆検知プログラム、装置、及び方法 |
| JP6636883B2 (ja) | 2016-09-06 | 2020-01-29 | 株式会社東芝 | 評価装置、評価方法、および評価プログラム |
| KR101995112B1 (ko) | 2017-06-14 | 2019-09-30 | 에스케이 주식회사 | 장비신뢰지수에 기초한 Lot 리스크 스코어 기반의 동적 Lot 계측 제어방법 및 시스템 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6704691B2 (en) * | 2001-07-18 | 2004-03-09 | Promos Technologies, Inc. | Method and system for in-line monitoring process performance using measurable equipment signals |
| US7457732B2 (en) * | 2001-08-17 | 2008-11-25 | General Electric Company | System and method for measuring quality of baseline modeling techniques |
| US7280988B2 (en) * | 2001-12-19 | 2007-10-09 | Netuitive, Inc. | Method and system for analyzing and predicting the performance of computer network using time series measurements |
| US7444263B2 (en) * | 2002-07-01 | 2008-10-28 | Opnet Technologies, Inc. | Performance metric collection and automated analysis |
| JP2005018689A (ja) * | 2003-06-30 | 2005-01-20 | Web Intelligence Lab:Kk | データマイニング方法 |
| JP4980581B2 (ja) * | 2004-04-16 | 2012-07-18 | 新日鉄ソリューションズ株式会社 | 性能監視装置、性能監視方法及びプログラム |
| JP4756675B2 (ja) * | 2004-07-08 | 2011-08-24 | インターナショナル・ビジネス・マシーンズ・コーポレーション | コンピュータ資源のキャパシティを予測するためのシステム、方法およびプログラム |
| US7246043B2 (en) | 2005-06-30 | 2007-07-17 | Oracle International Corporation | Graphical display and correlation of severity scores of system metrics |
| ATE515739T1 (de) | 2006-08-25 | 2011-07-15 | Accenture Global Services Ltd | Visualisierung von daten für diagnose- rechnersysteme |
| JP2008108154A (ja) | 2006-10-27 | 2008-05-08 | Hitachi Ltd | 稼働性能情報の管理システム |
| US8175863B1 (en) * | 2008-02-13 | 2012-05-08 | Quest Software, Inc. | Systems and methods for analyzing performance of virtual environments |
| JP4872944B2 (ja) | 2008-02-25 | 2012-02-08 | 日本電気株式会社 | 運用管理装置、運用管理システム、情報処理方法、及び運用管理プログラム |
| JP5620647B2 (ja) | 2009-01-30 | 2014-11-05 | ハウス食品グループ本社株式会社 | 眠気覚まし用組成物 |
| JP5428372B2 (ja) * | 2009-02-12 | 2014-02-26 | 日本電気株式会社 | 運用管理装置および運用管理方法ならびにそのプログラム |
-
2011
- 2011-08-02 CN CN201180048941.7A patent/CN103154904B/zh active Active
- 2011-08-02 WO PCT/JP2011/068007 patent/WO2012029500A1/ja active Application Filing
- 2011-08-02 US US13/381,013 patent/US9600391B2/en active Active
- 2011-08-02 JP JP2012531769A patent/JP5387779B2/ja active Active
- 2011-08-02 EP EP11821518.5A patent/EP2613263B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN103154904A (zh) | 2013-06-12 |
| US20120191442A1 (en) | 2012-07-26 |
| EP2613263B1 (en) | 2020-01-08 |
| JP5387779B2 (ja) | 2014-01-15 |
| EP2613263A1 (en) | 2013-07-10 |
| EP2613263A4 (en) | 2015-08-12 |
| CN103154904B (zh) | 2015-09-02 |
| US9600391B2 (en) | 2017-03-21 |
| WO2012029500A1 (ja) | 2012-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5387779B2 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
| JP6716297B2 (ja) | 予測信頼性マイニングのためのシステム及び方法 | |
| JP6354755B2 (ja) | システム分析装置、システム分析方法、及びシステム分析プログラム | |
| EP2490126B1 (en) | System operation management device, system operation management method, and program storage medium | |
| JP5874936B2 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
| US20160378583A1 (en) | Management computer and method for evaluating performance threshold value | |
| TW201802626A (zh) | 異常資料的重要度判定裝置以及異常資料的重要度判定方法 | |
| JP2017126363A (ja) | 運用管理装置、運用管理方法、及びプログラム | |
| CN103392176B (zh) | 用于预测网络事件泛滥的装置和方法 | |
| US20180039895A1 (en) | Data predicting method and apparatus | |
| JP6413537B2 (ja) | 障害予兆通報装置および予兆通報方法、予兆通報プログラム | |
| JP6521096B2 (ja) | 表示方法、表示装置、および、プログラム | |
| JP5768983B2 (ja) | 契約違反予測システム、契約違反予測方法および契約違反予測プログラム | |
| US10430268B2 (en) | Operations management system, operations management method and program thereof | |
| JP2008165352A (ja) | 定期点検データ分析装置およびその方法 | |
| JP5634599B2 (ja) | データ処理システム、データ処理方法、及び、プログラム | |
| JP6777142B2 (ja) | システム分析装置、システム分析方法、及び、プログラム | |
| JPWO2018073955A1 (ja) | システム分析方法、システム分析装置、および、プログラム | |
| JP7355108B2 (ja) | 予測方法、予測装置、記録媒体 | |
| JP2022165669A (ja) | 異常検出装置、異常検出方法、および異常検出プログラム | |
| JP2024003329A (ja) | 異常検知装置、異常検知方法、及び異常検知プログラム | |
| WO2020169807A1 (en) | Improved computer-implemented event forecasting and information provision | |
| CN117974098A (zh) | 基于维护时间的维护方案生成方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130820 |
|
| 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: 20130910 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130923 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5387779 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |