JPWO2012086444A1 - 監視データ分析装置、監視データ分析方法および監視データ分析プログラム - Google Patents
監視データ分析装置、監視データ分析方法および監視データ分析プログラム Download PDFInfo
- Publication number
- JPWO2012086444A1 JPWO2012086444A1 JP2012549724A JP2012549724A JPWO2012086444A1 JP WO2012086444 A1 JPWO2012086444 A1 JP WO2012086444A1 JP 2012549724 A JP2012549724 A JP 2012549724A JP 2012549724 A JP2012549724 A JP 2012549724A JP WO2012086444 A1 JPWO2012086444 A1 JP WO2012086444A1
- Authority
- JP
- Japan
- Prior art keywords
- data
- regression model
- monitoring
- group
- data item
- 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
- G06F11/3409—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
- 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
- G06F11/3452—Performance evaluation by statistical analysis
-
- 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
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3485—Performance evaluation by tracing or monitoring for I/O devices
-
- 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
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- 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
-
- 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
- G06F2201/88—Monitoring involving counting
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
Abstract
監視対象システムの性能値が利用パターンごとに大きく相違する場合であっても、性能値の予測精度を向上させる。性能管理の対象となる監視対象システムにおける監視データを含むログデータを複数のグループに分類し、当該グループごとに生成した回帰モデルを、それぞれの回帰モデルに対応するグループに属するログデータ、および性能検査の対象となるログデータである検査対象ログデータを用いて合成することで、回帰モデルを再計算する回帰モデル再計算部14を、備える。
Description
本発明は、監視データ分析装置、監視データ分析方法および監視データ分析プログラムに関する。
システムの性能管理を行う場合に、監視対象システムにおける過去の監視データを回帰分析して回帰モデルを求め、この回帰モデルを用いてシステムの性能値を予測する技術がある。例えば、下記特許文献1には、WWWサイトの性能監視装置に関する技術が開示されている。
ところで、システムの中には、例えば昼間は閲覧処理等のデータ検索による利用が多く、夜間はバッチ処理等のデータ更新による利用が多いなどのように、複数の利用パターンを有するものがある。このようなシステムにおいて、例えば読出しや書込み等の操作要求数に対するディスクの利用率を、性能値として予測する場合、従来の性能管理手法では、全ての利用パターンにおける監視データを用いて回帰モデルを生成し、予測することになる。しかしながら、ディスクの利用率は利用パターンによって大きく相違するため、従来の手法では、回帰モデルに基づく予測値と実際の値との間に生ずる誤差が大きくなり、性能値の予測精度が低下してしまう。
本発明は、上述した課題を解決するためになされたものであり、監視対象システムの性能値が利用パターンごとに大きく相違する場合であっても、性能値の予測精度を向上させることができる監視データ分析装置、監視データ分析方法および監視データ分析プログラムを提供することを目的とする。
本発明の監視データ分析装置は、性能管理の対象となる監視対象システムにおける監視データを含むログデータが複数のグループに分類されて、当該グループごとに生成された回帰モデルを、それぞれの前記回帰モデルに対応する前記グループに属する前記ログデータ、および性能検査の対象となる前記ログデータである検査対象ログデータを用いて合成することで、前記回帰モデルを再計算する回帰モデル再計算部を、備える。
本発明の監視データ分析方法は、性能管理の対象となる監視対象システムにおける監視データを含むログデータが複数のグループに分類されて、当該グループごとに生成された回帰モデルを、それぞれの前記回帰モデルに対応する前記グループに属する前記ログデータ、および性能検査の対象となる前記ログデータである検査対象ログデータを用いて合成することで、前記回帰モデルを再計算する回帰モデル再計算ステップを、含む。
本発明の監視データ分析プログラムは、上記監視データ分析方法に含まれるステップをコンピュータに実行させる。
本発明によれば、監視対象システムの性能値が利用パターンごとに大きく相違する場合であっても、性能値の予測精度を向上させることができる。
以下、添付図面を参照して、本発明に係る監視データ分析装置、監視データ分析方法および監視データ分析プログラムの好適な実施形態について説明する。本発明に係る監視データ分析装置は、性能管理の対象となる監視対象システムにおける監視データを分析する装置である。
[第1実施形態]
まず、第1実施形態における監視データ分析装置の構成について説明する。
まず、第1実施形態における監視データ分析装置の構成について説明する。
監視データ分析装置は、物理的には、例えば、CPU(Central Processing Unit)と、記憶装置と、入出力インターフェースとを含んで構成される。記憶装置には、例えば、CPUで処理されるプログラムやデータを記憶するROM(Read Only Memory)やHDD(Hard Disk Drive)、主として制御処理のための各種作業領域として使用されるRAM(Random Access Memory)等の要素が含まれる。これらの要素は、互いにバスを介して接続されている。CPUが、ROMに記憶されたプログラムを実行し、入出力インターフェースを介して受信されるメッセージや、RAMに展開されるデータを処理することで、後述する監視データ分析装置における各部の機能を実現することができる。
図1に示すように、監視データ分析装置1は、機能的には、例えば、特徴データ項目抽出部13と、回帰モデル再計算部14と、性能値算出部15とを有する。また、各部が参照するファイルとして、ログデータを蓄積するログデータファイル21と、回帰モデルを格納する回帰モデルファイル22とを備える。ログデータは、監視対象システムにおける監視データを時系列に記録したデータである。回帰モデルは、利用パターンごとのグループに分類した各ログデータを回帰分析することで生成される。利用パターンとしては、例えばデータ検索型(読出し型)や、データ更新型(書込み型)が該当する。本実施形態では、予め上記回帰分析が行われ、複数の回帰モデルが回帰モデルファイル22に格納されていることとする。
図2を参照して、ログデータファイル21のデータ構成について説明する。ログデータファイル21は、データ項目として、例えば、時刻区分項目、ディスク利用率項目、リクエスト数項目、書込回数項目、読出回数項目および平均データ長項目を有する。ログデータファイル21は、時刻区分項目ごとに一件のレコード(以下、「ログレコード」という。)を生成する。
時刻区分項目は、ログレコードの各データが属する時間帯を識別する区分情報を格納する。ディスク利用率項目は、監視対象システムにおけるディスク(例えばHDD)の利用率を格納する。本実施形態では、監視対象システムの資源利用率として、ディスク利用率を用いて説明するが、資源利用率をディスク利用率に限定するものではない。資源利用率には、監視対象システムの構成要素の利用状況を示すデータを用いることができる。具体的には、上記ディスク利用率の他に、例えば、CPUの利用率や、メモリ(例えばRAM)の利用率、ネットワークの利用率等が該当する。
リクエスト数項目は、監視対象システムが受信したリクエストの件数を格納する。なお、リクエストの件数であることには限定されず、例えば、リクエストの到着率を用いてもよい。
書込回数項目は、監視対象システムのディスクにデータを書き込んだ回数を格納する。読出回数項目は、監視対象システムのディスクからデータを読み出した回数を格納する。平均データ長項目は、対象時間帯に受信した各リクエストのデータ長の対象時間帯での平均値を格納する。
図1に示す特徴データ項目抽出部13は、ログデータに含まれるデータ項目の中から、回帰モデルの説明変数(リクエスト数λ)と関連があるデータ項目を、特徴データ項目として抽出する。
特徴データ項目抽出部13は、回帰分析時に分類されたグループごとに、そのグループを形成するログデータに含まれる各データ項目について、各データ項目の説明変数への依存度を算出する。特徴データ項目抽出部13は、上記依存度が所定閾値よりも高いデータ項目を、特徴データ項目として抽出する。
各データ項目の説明変数への依存度は、例えば、以下のように算出することができる。
特徴データ項目抽出部13は、下記式(1)に示すように、回帰分析時に分類された全グループXを対象にして、ログデータのデータ項目ajごとに、そのデータ項目ajの値x.ajを回帰モデルの説明変数の値(リクエスト数)x.λで除算した値の分散dj(以下、「グループ全体での分散dj」という。)を算出する。
特徴データ項目抽出部13は、下記式(2)に示すように、回帰分析時に分類された各グループXiを対象にして、各グループXiに属するログデータのデータ項目ajごとに、データ項目ajの値x.ajを回帰モデルの説明変数の値(リクエスト数)x.λで除算した値の分散djiを、グループXiごとに算出する。
特徴データ項目抽出部13は、下記式(3)に示すように、グループXiごとに算出した各データ項目ajの分散djiを全グループXで集計することで、各グループXiでの分散djiのグループ全体における合計dj’(以下、「各グループでの分散の総和dj’」という。)を算出する。
特徴データ項目抽出部13は、各グループでの分散の総和dj’をグループ全体での分散djで除算した値が所定閾値kよりも小さい場合(dj’/dj < k)に、その条件を満たすデータ項目ajは説明変数への依存度が高いと判定し、そのデータ項目ajを特徴データ項目として抽出する。
図3に、データ項目aj別に(dj’/dj)の値を棒グラフで表した図を示す。図3では、各データ項目ajを横軸に配置し、(dj’/dj)の値を縦軸に示す。また、閾値kを0.3に設定している。この場合に、(dj’/dj)の値が0.3よりも小さいデータ項目は、“書込回数項目”と“読出回数項目”とである。したがって、“書込回数項目”と“読出回数項目”とが、特徴データ項目として抽出される。
図1に示す回帰モデル再計算部14は、回帰モデルファイル22に格納された複数の回帰モデルを、特徴データ項目抽出部13により抽出された特徴データ項目を参照して合成することで、監視対象システムの性能検査をするときに用いる回帰モデルを算出(再計算)する。
なお、予め特徴データ項目が判明している場合には、特徴データ項目抽出部13により抽出された特徴データ項目を参照する代わりに、判明しているデータ項目を利用することもできる。例えば、Webシステムでは、データベースへの書き込みが有る場合と無い場合とでは、処理性能が大きく異なることが知られている。したがって、このような場合には、“書込回数項目”と“読出回数項目”とが特徴データ項目になることが予め判明していることになる。
具体的に、回帰モデル再計算部14は、説明変数に対する各特徴データ項目の値の割合をグループごとに算出し、この算出した割合を用いて各グループの回帰モデルを合成することで、各特徴データ項目に関する回帰モデルである特徴データ項目別回帰モデルを算出する。回帰モデル再計算部14は、算出した各特徴データ項目別回帰モデルを、監視対象システムでの性能検査の対象となるログデータ(以下、「検査対象ログデータ」という。)に含まれる各特徴データ項目の値の出現率に応じて合成することで、回帰モデルを算出する。
特徴データ項目別回帰モデルは、例えば、以下のように算出する。
最初に、分類したグループ数をmとし、抽出した特徴データ項目数をnとした場合に、回帰モデル再計算部14は、m行n列の行列Aを生成する。この行列Aの各要素(i、j)には、特徴データ項目ajの値を説明変数(リクエスト数λ)で除算した値のグループXiでの平均値が配列される。
例えば、図4に示すように、分類したグループが“グループ1”と“グループ2”との2グループであり、抽出した特徴データ項目が“書込回数項目”と“読出回数項目”との2データ項目である場合には、行列Aは2行×2列の行列となる。図4に示す各データ欄には、各特徴データ項目の値をリクエスト数λで除算した値の各グループでの平均値が格納されている。つまり、この各データ欄の値が、行列Aの各要素(i、j)となる。この場合の行列Aは、以下のように表される。
続いて、回帰モデル再計算部14は、行列Aの疑似逆行列A+を算出する。疑似逆行列を算出する手法は、例えば、下記参考文献1に記載されている手法を用いることができる。
[参考文献1]
D.A.ハーヴィル著、「統計のための行列代数 下 (2)」、20章ムーア_ベンローズ形逆行列、シュプリンガー・ジャパン(株)
D.A.ハーヴィル著、「統計のための行列代数 下 (2)」、20章ムーア_ベンローズ形逆行列、シュプリンガー・ジャパン(株)
続いて、回帰モデル再計算部14は、ある特徴データ項目ajの値を“1”とし、その他の特徴データ項目の値を“0”とした場合の回帰モデルhaj(λ)を、下記式(4)を用いて算出することで、特徴データ項目別回帰モデルを算出する。下記式(4)のfi(λ)は、回帰モデル生成部12により生成されたグループXiの回帰モデルである。
ここで、図4に示す“グループ1”の回帰モデルが、“f1(λ)=0.0041λ+0.0951”であり、“グループ2”の回帰モデルが、“f2(λ)=0.0019λ+0.1188”であると仮定する。この場合に、“書込回数項目a1”の特徴データ項目別回帰モデルは、上記式(4)を用いて“ha1(λ)=1.2(0.0041λ+0.0951)−0.2(0.0019λ+0.1188)”と算出される。また、“読出回数項目a2”の特徴データ項目別回帰モデルは、上記式(4)を用いて“ha2(λ)=−0.3(0.0041λ+0.0951)+1.3(0.0019λ+0.1188)”と算出される。
次に、特徴データ項目別回帰モデルを用いて回帰モデルを再計算する際の手順を以下に述べる。
最初に、回帰モデル再計算部14は、検査対象ログデータに含まれる各特徴データ項目ajの値を説明変数(リクエスト数λ)で除算した値の検査対象ログデータでの平均値bjを算出する。
続いて、回帰モデル再計算部14は、下記式(5)を用いて回帰モデルf(λ)を生成する。つまり、既存の複数の回帰モデルを利用して、検査対象ログデータに基づいて性能検査をするときに用いる回帰モデルを再計算する。
ここで、検査対象ログデータが、図5に示すログデータであると仮定する。この場合、特徴データ項目である“書込回数項目a1”の値をリクエスト数λで除算した値の平均値b1は、90/100=0.9となる。また、特徴データ項目である“読出回数項目a2”の値をリクエスト数λで除算した値の平均値b2は、10/100=0.1となる。
したがって、図5に示す検査対象ログデータに基づいて性能検査をするときに用いる回帰モデルは、上記式(5)より、“f(λ)=0.9ha1(λ)+0.1ha2(λ)”となる。
図1に示す性能値算出部15は、回帰モデル再計算部14により再計算された回帰モデルf(λ)を用いて、リクエスト数λに対応するディスク利用率ρを算出する。これにより、検査対象ログデータに基づく性能値を算出することができる。
ここで、例えば、再計算された回帰モデルが“f(λ)=0.9ha1(λ)+0.1ha2(λ)”であり、書込回数項目a1の特徴データ項目別回帰モデルが“ha1(λ)=1.2(0.0041λ+0.0951)−0.2(0.0019λ+0.1188)”であり、読出回数項目a2の特徴データ項目別回帰モデルが“ha2(λ)=−0.3(0.0041λ+0.0951)+1.3(0.0019λ+0.1188)”である場合に、想定するリクエスト数λが“400”に設定されたときのディスク利用率ρを求めてみる。
この場合、ディスク利用率ρは、ρ=f(400)=0.9ha1(400)+0.1ha2(400)=1.77と求まる。つまり、この例では、ディスク利用率ρが1を超えることになる。したがって、この場合、管理者は、ディスク資源を増強する等の処置を講ずることになる。
次に、第1実施形態における監視データ分析装置の動作について説明する。図6を参照して、回帰モデルを用いてディスク利用率を算出する際の動作について説明する。
最初に、特徴データ項目抽出部13が、後述する特徴データ項目抽出処理を実行する(ステップS101)。続いて、回帰モデル再計算部14が、後述する回帰モデル再計算処理を実行する(ステップS102)。続いて、性能値算出部15は、回帰モデル再計算部14により再計算された回帰モデルf(λ)を用いて、想定するリクエスト数に対応するディスク利用率を算出する(ステップS103)。想定するリクエスト数は、管理者が監視データ分析装置に任意に設定することができる。
図7を参照して、上記ステップS101で実行される特徴データ項目抽出処理について説明する。
以下に説明するステップS201〜ステップS204までの各処理は、ログデータに含まれる全てのデータ項目ajを対象にして、データ項目ajごとに順次ループして実行する。
最初に、特徴データ項目抽出部13は、上記式(1)を用い、回帰分析時に分類された全グループXのログデータを対象にして、対象データ項目ajの値をリクエスト数λで除算した値の分散djを算出する(ステップS201)。
続いて、特徴データ項目抽出部13は、上記式(2)を用い、各グループXiのログデータを対象にして、対象データ項目ajの値をリクエスト数λで除算した値の分散djiを、グループXiごとに求め、さらに、上記式(3)を用い、分散djiのグループ全体での総和dj’を算出する(ステップS202)。
続いて、特徴データ項目抽出部13は、上記ステップS202で算出した総和dj’を、上記ステップS201で算出した分散djで除算した値が、閾値kよりも小さいか否かを判定する(ステップS203)。この判定がNOである場合(ステップS203;NO)には、処理をステップS204の後段に移行する。
一方、上記ステップS203の判定で、上記(dj’/dj)の値が閾値kよりも小さいと判定された場合(ステップS203;YES)に、特徴データ項目抽出部13は、対象データ項目ajを特徴データ項目として抽出する(ステップS204)。
図8を参照して、上記ステップS102で実行される回帰モデル再計算処理について説明する。
最初に、回帰モデル再計算部14は、上記ステップS101で抽出された各特徴データ項目ajの値を説明変数(リクエスト数λ)で除算した値のグループXiでの平均値を行列の要素とし、グループ数m行×特徴データ項目数n列の行列Aを生成する(ステップS301)。
続いて、回帰モデル再計算部14は、行列Aの疑似逆行列A+を算出する(ステップS302)。
続いて、回帰モデル再計算部14は、上記式(4)を用い、特徴データ項目別回帰モデルhaj(λ)を算出する(ステップS303)。
続いて、回帰モデル再計算部14は、検査対象ログデータに含まれる各特徴データ項目ajの値をリクエスト数λで除算した値の検査対象ログデータでの平均値bjを算出する(ステップS304)。
続いて、回帰モデル再計算部14は、上記ステップS303で算出した特徴データ項目別回帰モデルhaj(λ)と、上記ステップS304で算出した平均値bjとを、上記式(5)に代入して回帰モデルf(λ)を算出することで、検査対象ログデータ用の回帰モデルf(λ)を生成(再計算)する(ステップS305)。
上述したように、第1実施形態の監視データ分析装置によれば、検査対象ログデータに含まれる各特徴データ項目の値の割合に応じて、既存の複数の回帰モデルを合成し、新たな回帰モデルを生成(再計算)することができる。これにより、想定する利用パターンに適応させた回帰モデルを生成し、この回帰モデルを用いてディスク利用率等の資源利用率を予測することができる。それゆえに、ディスク利用率等の資源利用率が利用パターンごとに大きく相違する場合であっても、資源利用率の予測精度を向上させることができる。また、この資源利用率に応じて的確な処置を講ずることが可能となる。
なお、上述した第1実施形態における特徴データ項目抽出部13は、各データ項目の説明変数への依存度を用いて特徴データ項目を抽出しているが、特徴データ項目を抽出する方法は、これに限定されない。例えば、以下のような抽出方法を用いることができる。
特徴データ項目抽出部13は、回帰分析時に分類されたグループXiごとに、そのグループを形成するログデータに含まれる各データ項目ajについて、各データ項目ajと説明変数(リクエスト数λ)との間の相関係数のグループXiでの平均値を算出する。特徴データ項目抽出部13は、算出した上記平均値が所定閾値k’以上となるデータ項目ajを、特徴データ項目として抽出する。
各データ項目ajと説明変数との間の相関係数の平均値は、例えば、以下の手順で算出することができる。
上記式(6)のp(k).ajはグループXiに属するk番目のログレコードのデータ項目ajの値であり、p(k).λはグループXiに属するk番目のログレコードのリクエスト数項目の値であり、mはグループ数である。
続いて、特徴データ項目抽出部13は、グループXiごとの相関係数rjiを全グループXで集計した値を、グループ数mで除算することで、各データ項目ajと説明変数との間の相関係数の平均値rjを算出する。
続いて、特徴データ項目抽出部13は、|rj|が閾値k’以上となるデータ項目ajを、特徴データ項目として抽出する。
また、上述した第1実施形態では、特徴データ項目抽出部13によって特徴データ項目を抽出しているが、これに限定されない。例えば、特徴データ項目が明らかである場合には、管理者が予め特徴データ項目をメモリに登録する等して設定してもよい。この場合には、特徴データ項目抽出部13を不要にすることができる。特徴データ項目抽出部13を不要とした場合、回帰モデル再計算部14は、上記メモリを参照して特徴データ項目の値を取得すればよい。
また、上述した第1実施形態では、性能値算出部15を、特徴データ項目抽出部13および回帰モデル再計算部14と同一の装置内に設けているが、性能値算出部15を外部の装置に設けることとしてもよい。
[第2実施形態]
本発明の第2実施形態について説明する。まず、第2実施形態における監視データ分析装置の構成について説明する。
本発明の第2実施形態について説明する。まず、第2実施形態における監視データ分析装置の構成について説明する。
図9に示すように、第2実施形態の監視データ分析装置は、上述した第1実施形態の監視データ分析装置(図1参照)が有する各種機能に加え、データ分類部11、回帰モデル生成部12および異常判定部16をさらに有する点で第1実施形態の監視データ分析装置と異なる。それ以外の構成については、第1実施形態の監視データ分析装置と同様であるため、各構成要素には同一の符合を付し、その説明は省略する。以下においては、主に第1実施形態との相違点について説明する。
データ分類部11は、ログデータファイル21に格納されたログデータを、利用パターン(例えばデータ検索型やデータ更新型)ごとのグループに分類する。
利用パターンごとのグループに分類する手法として、例えば、最短距離法、最長距離法、群平均法、ウォード方等の公知のクラスタリング手法を用いることができる。
クラスタリング手法を用いてログデータを複数のグループに分類する際の手順の一例を、以下に述べる。本実施形態では、グループに分類する際の特性として、リクエスト数λに対するディスク利用率ρの特性を用いる。
最初に、ログデータをログレコード単位に、図10に示す座標平面上に配置する。図10の横軸はリクエスト数λを示し、縦軸はディスク利用率ρを示す。
続いて、上記クラスタリング手法を用い、リクエスト数λに対するディスク利用率ρの特性に基づいて、座標平面上に配置した各データを順次まとめていく。ここでは、最終的に、図10に示す第1グループG1と第2グループG2とに分類される。この場合、第1グループG1には、データ更新型の利用パターンに属するログデータが分類され、第2グループG2には、データ検索型の利用パターンに属するログデータが分類される。
図9に示す回帰モデル生成部12は、分類されたグループごとにログデータの回帰分析を実行し、回帰モデルを生成する。回帰モデルを生成する手法としては、例えば、下記参考文献2に記載されている手法を用いることができる。
[参考文献2]
長畑秀和著、「多変量解析へのステップ」、2章回帰分析、共立出版
長畑秀和著、「多変量解析へのステップ」、2章回帰分析、共立出版
具体的に、回帰モデル生成部12は、例えば、回帰分析の目的変数としてディスク利用率ρを用い、回帰分析の説明変数としてリクエスト数λを用いて回帰分析を行う。例えば、図10に示すログデータを回帰分析した場合に、第1グループG1に属するログデータの回帰モデルM1として下記式(7)で表される回帰モデルが生成され、第2グループG2に属するログデータの回帰モデルM2として、下記式(8)で表される回帰モデルが生成される。
回帰モデルM1:f1(λ)=ρ=0.0041λ+0.0951 … 式(7)
回帰モデルM2:f2(λ)=ρ=0.0019λ+0.1188 … 式(8)
回帰モデルM2:f2(λ)=ρ=0.0019λ+0.1188 … 式(8)
回帰モデル生成部12は、生成した回帰モデルM1および回帰モデルM2を回帰モデルファイル22に格納する。
図9に示す異常判定部16は、検査対象ログデータのログレコードごとに、リクエスト数項目の値λ’を回帰モデルf(λ)に代入して得られる値f(λ’)と、ディスク利用率項目の値ρ’との差(|f(λ’)−ρ’|)が所定の閾値よりも大きいか否かを判定する。異常判定部16は、|f(λ’)−ρ’|が所定の閾値よりも大きい場合に、監視対象システムに異常が有ると判定する。
具体的に、監視対象システムにおける異常の有無は、以下のように判定することができる。
異常判定部16は、回帰モデル再計算部14により再計算された回帰モデルf(λ)の目的変数(ディスク利用率ρ)に関して、分散V(ρ)を求め、その標準偏差(√V)を算出する。異常判定部16は、|f(λ’)−ρ’|を算出し、この値を標準偏差(√V)で除算した値が、閾値aよりも大きい場合に、監視対象システムに異常が有ると判定する。閾値aの値は任意に設定することができる。言い替えると、異常判定部16は、|f(λ’)−ρ’|の値が、標準偏差(√V)に対してどの程度の隔たりを有するのかを基準にして異常の有無を判定する。
上記分散V(ρ)は、例えば、下記式(9)から導出される下記式(10)を計算することで求めることができる。下記式(9)の回帰モデルf(λ)は、上記式(4)および式(5)から導出することができ、下記式(10)の分散V(ρ)は、下記式(9)から導出することができる。
上記式(10)のV(ρj)は、グループXiごとに算出される回帰モデルの目的変数(ディスク利用率ρ)に関する分散である。ρjは、グループXiにおける目的変数の分布を示す確率変数である。
次に、第2実施形態における監視データ分析装置の動作について説明する。ここで、回帰モデルを用いてディスク利用率を算出する際の動作については、上述した第1実施形態における監視データ分析装置の動作(図6〜図8参照)と同様であるため、その説明を省略する。
まず、図11を参照して、ログデータを複数のグループに分類し、グループごとに回帰モデルを生成する際の動作について説明する。
最初に、データ分類部11は、ログデータファイル21に格納されたログデータをクラスタリングし、複数のグループに分類する(ステップS401)。
続いて、回帰モデル生成部12は、分類されたグループごとにログデータの回帰分析を実行し、回帰モデルを生成する(ステップS402)。
なお、生成した回帰モデルは、後述するように、例えば、ディスク利用率等の資源利用率を算出する際や、監視対象システムの異常を判定する際等に用いることができる。
次に、図12を参照して、監視対象システムの異常判定処理について説明する。この異常判定処理は、上述した図6のステップS102が実行された後に実行する。異常判定処理は、図6のステップS103と並行して実行してもよいし、ステップS103の前または後に実行してもよい。
最初に、異常判定部16は、回帰モデル再計算部14により再計算された再計算回帰モデルf(λ)を参照して、目的変数(ディスク利用率ρ)に関する標準偏差(√V)を算出する(ステップS501)。
以下に説明するステップS502〜ステップS503までの各処理は、検査対象ログデータに含まれる全てのログレコードを対象にして、ログレコードごとに順次ループして実行する。
続いて、異常判定部16は、検査対象ログデータのリクエスト数項目の値λ’を、再計算回帰モデルf(λ)に代入して得られる値f(λ’)と、検査対象ログデータのディスク利用率項目の値ρ’との差を求め、この差を、上記ステップS501で算出した標準偏差(√V)で除算した値を算出する(ステップS502)。
続いて、異常判定部16は、上記ステップS502で算出した値が、閾値aよりも大きいか否かを判定する(ステップS503)。この判定がNOである場合(ステップS503;NO)には、処理を後段に移行する。
一方、上記ステップS503の判定で、上記ステップS502で算出した値が閾値aよりも大きいと判定された場合(ステップS503;YES)に、異常判定部16は、監視対象システムに異常が有ると判定し、管理者に異常を通知する(ステップS504)。管理者に異常を通知する手法としては、例えば、その旨のメッセージを出力する手法や、警告音を出力する手法等が該当する。
上述したように、第2実施形態における監視データ分析装置によれば、第1実施形態の監視データ分析装置による効果に加え、ログデータを、データ更新型やデータ検索型等の利用パターンに応じたグループに分類することができ、分類したグループごとに回帰モデルを生成することができる。これにより、ディスク利用率等の資源利用率が利用パターンごとに大きく相違する場合であっても、それぞれの利用パターンに応じた回帰モデルをそれぞれ生成することが可能となる。したがって、監視対象システムが複数の利用パターンを有する場合であっても、回帰モデルを用いて予測する際の誤差を低減することができる。
また、想定する利用パターンに適応させた回帰モデルとの差に基づいて監視対象システムの異常を発見することができるため、異常発見の精度を向上さることが可能となる。
[各実施形態の変形例]
上述した各実施形態は、単なる例示に過ぎず、各実施形態に明示していない種々の変形や技術の適用を排除するものではない。すなわち、本発明は、その趣旨を逸脱しない範囲で様々な形態に変形して実施することができる。
上述した各実施形態は、単なる例示に過ぎず、各実施形態に明示していない種々の変形や技術の適用を排除するものではない。すなわち、本発明は、その趣旨を逸脱しない範囲で様々な形態に変形して実施することができる。
例えば、上述した各実施形態では一つの監視データ分析装置で本発明を実施しているが、本発明は複数の装置で実施することもできる。この場合には、上述した各実施形態における監視データ分析装置が有する各機能を複数の装置に分散し、これら複数の装置群を上述した各実施形態における監視データ分析装置と同様に機能させればよい。
また、上記の各実施形態の一部または全部は、以下の付記のようにも記載され得るが、本発明を以下に限定するものではない。
(付記1) 性能管理の対象となる監視対象システムにおける監視データを含むログデータが複数のグループに分類されて、当該グループごとに生成された回帰モデルを、それぞれの前記回帰モデルに対応する前記グループに属する前記ログデータ、および性能検査の対象となる前記ログデータである検査対象ログデータを用いて合成することで、前記回帰モデルを再計算する回帰モデル再計算部を、備えることを特徴とする監視データ分析装置。
(付記2) 前記ログデータを蓄積するデータ蓄積部と、前記ログデータに含まれる前記監視対象システムの構成要素の利用状況を示す利用状況データの特性に基づいて、前記ログデータを前記グループに分類するデータ分類部と、前記グループごとに前記ログデータの回帰分析を実行して前記回帰モデルを生成する回帰モデル生成部と、さらに備えることを特徴とする付記1記載の監視データ分析装置。
(付記3) 前記ログデータに含まれるデータ項目の中から、前記回帰モデルの説明変数と関連がある前記データ項目を特徴データ項目として抽出する特徴データ項目抽出部を、さらに備えることを特徴とする付記1記載の監視データ分析装置。
(付記4) 前記特徴データ抽出部は、前記グループごとに、当該グループを形成するデータの各データ項目における前記説明変数への依存度を算出し、当該算出した前記依存度が所定閾値よりも高いデータ項目を、前記特徴データ項目として抽出する、ことを特徴とする付記3記載の監視データ分析装置。
(付記5) 前記特徴データ抽出部は、前記グループごとに、当該グループを形成するデータの各データ項目における前記説明変数との間の相関係数を算出し、当該算出した各前記相関係数の平均値が所定閾値よりも大きいデータ項目を、前記特徴データ項目として抽出する、ことを特徴とする付記3記載の監視データ分析装置。
(付記6) 前記回帰モデル再計算部は、前記説明変数に対する各前記特徴データ項目の値の割合を前記グループごとに算出し、当該算出した前記割合を用いて各前記グループの前記回帰モデルを合成することで、各前記特徴データ項目に関する前記回帰モデルである特徴データ項目別回帰モデルを算出し、当該算出した各前記特徴データ項目別回帰モデルを、前記検査対象ログデータに含まれる前記特徴データ項目の値の出現率に応じて合成することで、前記回帰モデルを再計算する、ことを特徴とする付記3〜5のいずれかに記載の監視データ分析装置。
(付記7) 前記回帰モデル再計算部により再計算された前記回帰モデルを用いて、当該回帰モデルの目的変数である性能値を算出する性能値算出部を、さらに備えることを特徴とする付記1〜6のいずれかに記載の監視データ分析装置。
(付記8) 前記検査対象ログデータに含まれる前記回帰モデルの説明変数に対応するデータ項目の値を前記回帰モデル再計算部により再計算された回帰モデルに代入して得られる値と、前記検査対象ログデータに含まれる前記回帰モデルの目的変数に対応するデータ項目の値との差に基づいて、前記監視対象システムにおける異常の有無を判定する異常判定部を、さらに備える、ことを特徴とする付記1〜6のいずれかに記載の監視データ分析装置。
(付記9) 性能管理の対象となる監視対象システムにおける監視データを含むログデータが複数のグループに分類されて、当該グループごとに生成された回帰モデルを、それぞれの前記回帰モデルに対応する前記グループに属する前記ログデータ、および性能検査の対象となる前記ログデータである検査対象ログデータを用いて合成することで、前記回帰モデルを再計算する回帰モデル再計算ステップを、含むことを特徴とする監視データ分析方法。
(付記10) 付記9に記載のステップをコンピュータに実行させるための監視データ分析プログラム。
この出願は、2010年12月24日に出願された日本出願特願2010−288529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。
本発明に係る監視データ分析装置、監視データ分析方法および監視データ分析プログラムは、監視対象システムの性能値が利用パターンごとに大きく相違する場合であっても、性能値の予測精度を向上させることに適している。
1…監視データ分析装置、11…データ分類部、12…回帰モデル生成部、13…特徴データ項目抽出部、14…回帰モデル再計算部、15…性能値算出部、16…異常判定部、21…ログデータファイル、22…回帰モデルファイル。
Claims (10)
- 性能管理の対象となる監視対象システムにおける監視データを含むログデータが複数のグループに分類されて、当該グループごとに生成された回帰モデルを、それぞれの前記回帰モデルに対応する前記グループに属する前記ログデータ、および性能検査の対象となる前記ログデータである検査対象ログデータを用いて合成することで、前記回帰モデルを再計算する回帰モデル再計算部を、備えることを特徴とする監視データ分析装置。
- 前記ログデータを蓄積するデータ蓄積部と、
前記ログデータに含まれる前記監視対象システムの構成要素の利用状況を示す利用状況データの特性に基づいて、前記ログデータを前記グループに分類するデータ分類部と、
前記グループごとに前記ログデータの回帰分析を実行して前記回帰モデルを生成する回帰モデル生成部と、
さらに備えることを特徴とする請求項1記載の監視データ分析装置。 - 前記ログデータに含まれるデータ項目の中から、前記回帰モデルの説明変数と関連がある前記データ項目を特徴データ項目として抽出する特徴データ項目抽出部を、
さらに備えることを特徴とする請求項1記載の監視データ分析装置。 - 前記特徴データ抽出部は、前記グループごとに、当該グループを形成するデータの各データ項目における前記説明変数への依存度を算出し、当該算出した前記依存度が所定閾値よりも高いデータ項目を、前記特徴データ項目として抽出する、
ことを特徴とする請求項3記載の監視データ分析装置。 - 前記特徴データ抽出部は、前記グループごとに、当該グループを形成するデータの各データ項目における前記説明変数との間の相関係数を算出し、当該算出した各前記相関係数の平均値が所定閾値よりも大きいデータ項目を、前記特徴データ項目として抽出する、
ことを特徴とする請求項3記載の監視データ分析装置。 - 前記回帰モデル再計算部は、前記説明変数に対する各前記特徴データ項目の値の割合を前記グループごとに算出し、当該算出した前記割合を用いて各前記グループの前記回帰モデルを合成することで、各前記特徴データ項目に関する前記回帰モデルである特徴データ項目別回帰モデルを算出し、当該算出した各前記特徴データ項目別回帰モデルを、前記検査対象ログデータに含まれる前記特徴データ項目の値の出現率に応じて合成することで、前記回帰モデルを再計算する、
ことを特徴とする請求項3〜5のいずれか1項に記載の監視データ分析装置。 - 前記回帰モデル再計算部により再計算された前記回帰モデルを用いて、当該回帰モデルの目的変数である性能値を算出する性能値算出部を、
さらに備えることを特徴とする請求項1〜6のいずれか1項に記載の監視データ分析装置。 - 前記検査対象ログデータに含まれる前記回帰モデルの説明変数に対応するデータ項目の値を前記回帰モデル再計算部により再計算された回帰モデルに代入して得られる値と、前記検査対象ログデータに含まれる前記回帰モデルの目的変数に対応するデータ項目の値との差に基づいて、前記監視対象システムにおける異常の有無を判定する異常判定部を、
さらに備えることを特徴とする請求項1〜6のいずれか1項に記載の監視データ分析装置。 - 性能管理の対象となる監視対象システムにおける監視データを含むログデータが複数のグループに分類されて、当該グループごとに生成された回帰モデルを、それぞれの前記回帰モデルに対応する前記グループに属する前記ログデータ、および性能検査の対象となる前記ログデータである検査対象ログデータを用いて合成することで、前記回帰モデルを再計算する回帰モデル再計算ステップを、含むことを特徴とする監視データ分析方法。
- 請求項9に記載のステップをコンピュータに実行させるための監視データ分析プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012549724A JP5871193B2 (ja) | 2010-12-24 | 2011-12-12 | 監視データ分析装置、監視データ分析方法および監視データ分析プログラム |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010288529 | 2010-12-24 | ||
JP2010288529 | 2010-12-24 | ||
PCT/JP2011/078714 WO2012086444A1 (ja) | 2010-12-24 | 2011-12-12 | 監視データ分析装置、監視データ分析方法および監視データ分析プログラム |
JP2012549724A JP5871193B2 (ja) | 2010-12-24 | 2011-12-12 | 監視データ分析装置、監視データ分析方法および監視データ分析プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2012086444A1 true JPWO2012086444A1 (ja) | 2014-05-22 |
JP5871193B2 JP5871193B2 (ja) | 2016-03-01 |
Family
ID=46313723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012549724A Active JP5871193B2 (ja) | 2010-12-24 | 2011-12-12 | 監視データ分析装置、監視データ分析方法および監視データ分析プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US9465713B2 (ja) |
JP (1) | JP5871193B2 (ja) |
WO (1) | WO2012086444A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851324A (zh) * | 2019-10-25 | 2020-02-28 | 泰康保险集团股份有限公司 | 基于日志的巡检处理方法、装置以及电子设备、存储介质 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008043082A2 (en) | 2006-10-05 | 2008-04-10 | Splunk Inc. | Time series search engine |
JP5848597B2 (ja) * | 2011-12-21 | 2016-01-27 | 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International Business Machines Corporation | Cmdbを利用したソフトウェア構成値の最適化方法、装置、システムおよびプログラム |
US10019496B2 (en) | 2013-04-30 | 2018-07-10 | Splunk Inc. | Processing of performance data and log data from an information technology environment by using diverse data stores |
US9015716B2 (en) | 2013-04-30 | 2015-04-21 | Splunk Inc. | Proactive monitoring tree with node pinning for concurrent node comparisons |
US9185007B2 (en) | 2013-04-30 | 2015-11-10 | Splunk Inc. | Proactive monitoring tree with severity state sorting |
US8904389B2 (en) | 2013-04-30 | 2014-12-02 | Splunk Inc. | Determining performance states of components in a virtual machine environment based on performance states of related subcomponents |
US10225136B2 (en) | 2013-04-30 | 2019-03-05 | Splunk Inc. | Processing of log data and performance data obtained via an application programming interface (API) |
US9142049B2 (en) | 2013-04-30 | 2015-09-22 | Splunk Inc. | Proactive monitoring tree providing distribution stream chart with branch overlay |
US8972992B2 (en) | 2013-04-30 | 2015-03-03 | Splunk Inc. | Proactive monitoring tree with state distribution ring |
US9495187B2 (en) | 2013-04-30 | 2016-11-15 | Splunk, Inc. | Interactive, top-down presentation of the architecture and performance of a hypervisor environment |
US10346357B2 (en) | 2013-04-30 | 2019-07-09 | Splunk Inc. | Processing of performance data and structure data from an information technology environment |
US10614132B2 (en) | 2013-04-30 | 2020-04-07 | Splunk Inc. | GUI-triggered processing of performance data and log data from an information technology environment |
US10353957B2 (en) | 2013-04-30 | 2019-07-16 | Splunk Inc. | Processing of performance data and raw log data from an information technology environment |
US10318541B2 (en) * | 2013-04-30 | 2019-06-11 | Splunk Inc. | Correlating log data with performance measurements having a specified relationship to a threshold value |
US10997191B2 (en) | 2013-04-30 | 2021-05-04 | Splunk Inc. | Query-triggered processing of performance data and log data from an information technology environment |
KR101768438B1 (ko) * | 2013-10-30 | 2017-08-16 | 삼성에스디에스 주식회사 | 데이터 분류 장치 및 방법과 이를 이용한 데이터 수집 시스템 |
US20170103148A1 (en) * | 2014-03-27 | 2017-04-13 | Nec Corporation | System-analyzing device, analysis-model generation method, system analysis method, and system-analyzing program |
US10248462B2 (en) | 2014-03-28 | 2019-04-02 | Nec Corporation | Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program |
US9921930B2 (en) * | 2015-03-04 | 2018-03-20 | International Business Machines Corporation | Using values of multiple metadata parameters for a target data record set population to generate a corresponding test data record set population |
JP2016212547A (ja) | 2015-05-01 | 2016-12-15 | 富士通株式会社 | 情報提供プログラム、情報提供装置、及び情報提供方法 |
US10361943B2 (en) * | 2017-02-06 | 2019-07-23 | Ca, Inc. | Methods providing performance management using a proxy baseline and related systems and computer program products |
WO2019138560A1 (ja) * | 2018-01-12 | 2019-07-18 | 株式会社Jtb総合研究所 | 情報処理装置、情報処理プログラムおよび情報処理システム |
DE112018007597B4 (de) | 2018-06-18 | 2022-06-09 | Mitsubishi Electric Corporation | Diagnosevorrichtung, Diagnoseverfahren und Programm |
US11928160B2 (en) * | 2019-06-17 | 2024-03-12 | Nippon Telegraph And Telephone Corporation | Classification device, classification method, and classification program |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0765168A (ja) * | 1993-08-31 | 1995-03-10 | Hitachi Ltd | 関数近似装置及び方法 |
JP2002268922A (ja) | 2001-03-09 | 2002-09-20 | Ntt Data Corp | Wwwサイトの性能監視装置 |
JP2003263342A (ja) | 2002-03-07 | 2003-09-19 | Telecommunication Advancement Organization Of Japan | 情報処理装置の監視装置および監視方法並びにそのプログラム |
JP2004086897A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | モデル構築方法およびモデル構築システム |
JP4180638B2 (ja) | 2004-10-28 | 2008-11-12 | 富士通株式会社 | 分析方法及び装置 |
US7917240B2 (en) * | 2006-09-29 | 2011-03-29 | Fisher-Rosemount Systems, Inc. | Univariate method for monitoring and analysis of multivariate data |
US8032341B2 (en) * | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Modeling a process using a composite model comprising a plurality of regression models |
US8086596B2 (en) * | 2008-05-15 | 2011-12-27 | International Business Machines Corporation | Healthcheck of information technology infrastructure based on log data |
US8903757B2 (en) * | 2008-12-12 | 2014-12-02 | Appnomic Systems Private Limited | Proactive information technology infrastructure management |
JP5108116B2 (ja) * | 2009-01-14 | 2012-12-26 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
JP5297272B2 (ja) * | 2009-06-11 | 2013-09-25 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
JP5431235B2 (ja) | 2009-08-28 | 2014-03-05 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
-
2011
- 2011-12-12 JP JP2012549724A patent/JP5871193B2/ja active Active
- 2011-12-12 WO PCT/JP2011/078714 patent/WO2012086444A1/ja active Application Filing
- 2011-12-12 US US13/824,539 patent/US9465713B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851324A (zh) * | 2019-10-25 | 2020-02-28 | 泰康保险集团股份有限公司 | 基于日志的巡检处理方法、装置以及电子设备、存储介质 |
CN110851324B (zh) * | 2019-10-25 | 2023-03-21 | 泰康保险集团股份有限公司 | 基于日志的巡检处理方法、装置以及电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US9465713B2 (en) | 2016-10-11 |
JP5871193B2 (ja) | 2016-03-01 |
US20130191107A1 (en) | 2013-07-25 |
WO2012086444A1 (ja) | 2012-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5871193B2 (ja) | 監視データ分析装置、監視データ分析方法および監視データ分析プログラム | |
JP5871192B2 (ja) | 監視データ分析装置、監視データ分析方法および監視データ分析プログラム | |
US10216558B1 (en) | Predicting drive failures | |
JP5418408B2 (ja) | シミュレーションパラメータ校正方法、装置及びプログラム | |
US8949677B1 (en) | Detecting anomalies in time series data | |
CN107122327B (zh) | 一种利用训练数据训练模型的方法和训练系统 | |
CN104021264A (zh) | 一种缺陷预测方法及装置 | |
JP6079243B2 (ja) | 障害分析支援装置、障害分析支援方法、及びプログラム | |
JP2013175108A (ja) | クラスタリング装置及びクラスタリングプログラム | |
US11804283B2 (en) | Predicting molecular properties of molecular variants using residue-specific molecular structural features | |
US20190064789A1 (en) | System analyzing device, system analyzing method, and computer-readable recording medium | |
CN104182268A (zh) | 仿真系统及其方法和包括所述仿真系统的计算机系统 | |
JP5758335B2 (ja) | システム疲労度評価装置およびその方法 | |
JP5600693B2 (ja) | クラスタリング装置及び方法及びプログラム | |
JP5668425B2 (ja) | 障害検知装置、情報処理方法、およびプログラム | |
Wei et al. | An incremental algorithm for clustering spatial data streams: exploring temporal locality | |
US10671644B1 (en) | Adaptive column set composition | |
JP2013171412A (ja) | ファイル管理装置、ファイル管理システム、ファイル管理方法およびファイル管理プログラム | |
JP6697082B2 (ja) | 需要予測方法、需要予測システム及びそのプログラム | |
JP5600694B2 (ja) | クラスタリング装置及び方法及びプログラム | |
WO2009081696A1 (ja) | データ解析装置、データ解析方法、およびプログラム | |
US20230119568A1 (en) | Pattern detection and prediction using time series data | |
CN116738216B (zh) | 预警大数据的关联处理方法和装置 | |
Streicher et al. | Eigenvector analysis for the ranking of control loop importance | |
JP5582017B2 (ja) | 相図生成プログラム,相図生成システムおよび相図生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20141107 |
|
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: 20151218 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20151231 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5871193 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |