WO2012086444A1 - 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 PDF

Info

Publication number
WO2012086444A1
WO2012086444A1 PCT/JP2011/078714 JP2011078714W WO2012086444A1 WO 2012086444 A1 WO2012086444 A1 WO 2012086444A1 JP 2011078714 W JP2011078714 W JP 2011078714W WO 2012086444 A1 WO2012086444 A1 WO 2012086444A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
regression model
monitoring
group
data item
Prior art date
Application number
PCT/JP2011/078714
Other languages
English (en)
French (fr)
Inventor
敏夫 登内
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US13/824,539 priority Critical patent/US9465713B2/en
Priority to JP2012549724A priority patent/JP5871193B2/ja
Publication of WO2012086444A1 publication Critical patent/WO2012086444A1/ja

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

Definitions

  • the present invention relates to a monitoring data analysis device, a monitoring data analysis method, and a monitoring data analysis program.
  • Patent Document 1 discloses a technique related to a performance monitoring apparatus for a WWW site.
  • some systems have a plurality of usage patterns, such as being frequently used by data retrieval such as browsing processing in the daytime and frequently used by data updating such as batch processing at night.
  • the conventional performance management method when predicting the disk usage rate for the number of operation requests such as reading and writing as performance values, the conventional performance management method generates a regression model using monitoring data in all usage patterns. And predict.
  • the disk usage rate varies greatly depending on the usage pattern, in the conventional method, an error between the predicted value based on the regression model and the actual value increases, and the prediction accuracy of the performance value decreases. .
  • An object of the present invention is to provide a data analysis device, a monitoring data analysis method, and a monitoring data analysis program.
  • the monitoring data analysis apparatus includes a regression model generated by classifying log data including monitoring data in a monitoring target system that is a target of performance management into a plurality of groups.
  • a regression model recalculation unit that recalculates the regression model by combining the log data belonging to the group corresponding to and the inspection target log data that is the log data to be subjected to performance inspection. .
  • log data including monitoring data in a monitoring target system that is a target of performance management is classified into a plurality of groups, and regression models generated for the respective groups are converted into the regression models.
  • the monitoring data analysis program of the present invention causes a computer to execute the steps included in the monitoring data analysis method.
  • the prediction accuracy of the performance value can be improved.
  • FIG. 1st embodiment It is the figure which illustrated the composition of the monitoring data analysis device in a 1st embodiment. It is a figure which illustrates the data structure of a log data file. It is a graph which illustrates a characteristic data item. 3 is a diagram illustrating elements of a matrix A. FIG. It is a figure which shows an example of test object log data. It is a flowchart for demonstrating the operation
  • a monitoring data analysis apparatus is an apparatus that analyzes monitoring data in a monitoring target system that is a target of performance management.
  • the monitoring data analysis device physically includes, for example, a CPU (Central Processing Unit), a storage device, and an input / output interface.
  • the storage device includes, for example, a ROM (Read Only Memory) and HDD (Hard Disk Drive) for storing programs and data processed by the CPU, and a RAM (Random Access Memory) mainly used as various work areas for control processing. ) Etc. are included. These elements are connected to each other via a bus.
  • the CPU executes the program stored in the ROM and processes the message received via the input / output interface and the data expanded in the RAM, thereby realizing the functions of the respective units in the monitoring data analysis device described later. be able to.
  • the monitoring data analysis device 1 functionally includes, for example, a feature data item extraction unit 13, a regression model recalculation unit 14, and a performance value calculation unit 15.
  • the log data file 21 for accumulating log data and the regression model file 22 for storing the regression model are provided as files referred to by each unit.
  • the log data is data in which monitoring data in the monitoring target system is recorded in time series.
  • the regression model is generated by performing regression analysis on each log data classified into groups for each usage pattern.
  • the usage pattern for example, a data search type (reading type) or a data update type (writing type) is applicable.
  • the regression analysis is performed in advance, and a plurality of regression models are stored in the regression model file 22.
  • the data structure of the log data file 21 will be described with reference to FIG.
  • the log data file 21 includes, for example, a time division item, a disk usage rate item, a request count item, a write count item, a read count item, and an average data length item as data items.
  • the log data file 21 generates one record (hereinafter referred to as “log record”) for each time division item.
  • the time classification item stores classification information for identifying the time zone to which each data of the log record belongs.
  • the disk usage rate item stores the usage rate of a disk (for example, HDD) in the monitored system.
  • the disk usage rate is used as the resource usage rate of the monitoring target system.
  • the resource usage rate is not limited to the disk usage rate.
  • data indicating the utilization status of the components of the monitoring target system can be used.
  • a CPU utilization rate for example, a memory (for example, RAM) utilization rate, a network utilization rate, and the like are applicable.
  • the number of requests field stores the number of requests received by the monitored system.
  • the number of requests is not limited, and for example, the arrival rate of requests may be used.
  • the write count item stores the number of times data has been written to the monitored system disk.
  • the read count item stores the number of times data is read from the disk of the monitoring target system.
  • the average data length item stores the average value of the data length of each request received in the target time zone in the target time zone.
  • the feature data item extraction unit 13 calculates, for each group classified at the time of regression analysis, the dependence of each data item on the explanatory variable for each data item included in the log data forming the group.
  • the feature data item extraction unit 13 extracts data items whose dependency is higher than a predetermined threshold as feature data items.
  • the feature data item extraction unit 13 targets all groups X classified at the time of regression analysis, and for each data item a j of the log data, the value x of the data item a j .
  • a j is the value of the explanatory variable of the regression model (number of requests) x.
  • a variance d j of the value divided by ⁇ (hereinafter referred to as “variance d j in the entire group”) is calculated.
  • Feature data item extraction section 13 as shown in the following formula (2), and each group X i classified during regression analysis target, for each data item a j log data belonging to each group X i, data Value of item a j x.
  • a j is the value of the explanatory variable of the regression model (number of requests) x.
  • the variance d ji of the value divided by ⁇ is calculated for each group X i .
  • Feature data item extraction section 13 as shown in the following formula (3), the dispersion d ji of each data item a j calculated for each group X i by aggregated in all groups X, for each group X i A total d j ′ of the variance d ji in the entire group (hereinafter referred to as “total variance d j ′ in each group”) is calculated.
  • Feature data item extraction section 13 the 'case where the value obtained by dividing the dispersion d j of the entire group is smaller than the predetermined threshold value k (d j' sum d j of the dispersion / d j ⁇ k) in each group,
  • the data item a j that satisfies the condition is determined to have a high dependency on the explanatory variable, and the data item a j is extracted as a feature data item.
  • FIG. 3 shows a bar graph representing the value of (d j ′ / d j ) for each data item a j .
  • each data item a j is arranged on the horizontal axis, and the value of (d j ′ / d j ) is shown on the vertical axis.
  • the threshold value k is set to 0.3.
  • the data items whose (d j ′ / d j ) value is smaller than 0.3 are “write count item” and “read count item”. Therefore, the “write count item” and the “read count item” are extracted as feature data items.
  • the regression model recalculation unit 14 shown in FIG. 1 synthesizes a plurality of regression models stored in the regression model file 22 with reference to the feature data items extracted by the feature data item extraction unit 13, thereby Calculate (recalculate) a regression model to be used when checking system performance.
  • the known data item can be used instead of referring to the feature data item extracted by the feature data item extraction unit 13.
  • the “write count item” and the “read count item” are characteristic data items.
  • the regression model recalculation unit 14 calculates the ratio of the value of each feature data item with respect to the explanatory variable for each group, and synthesizes the regression model of each group using the calculated ratio.
  • a regression model for each feature data item which is a regression model for the data item, is calculated.
  • the regression model recalculation unit 14 uses each calculated feature data item regression model for each feature data included in log data (hereinafter referred to as “test target log data”) to be subjected to performance inspection in the monitoring target system.
  • a regression model is calculated by combining them according to the appearance rate of the item values.
  • the characteristic data item regression model is calculated as follows, for example.
  • the regression model recalculation unit 14 when the number of classified groups is m and the number of extracted feature data items is n, the regression model recalculation unit 14 generates a matrix A having m rows and n columns. In each element (i, j) of the matrix A, an average value in the group X i of values obtained by dividing the value of the feature data item a j by the explanatory variable (number of requests ⁇ ) is arranged.
  • the classified groups are two groups, “group 1” and “group 2”, and the extracted feature data items are “write count item” and “read count item”.
  • the matrix A is a 2 ⁇ 2 matrix.
  • Each data column shown in FIG. 4 stores an average value in each group of values obtained by dividing the value of each feature data item by the number of requests ⁇ . That is, the value of each data column becomes each element (i, j) of the matrix A.
  • the matrix A in this case is expressed as follows.
  • the regression model recalculation unit 14 calculates a pseudo inverse matrix A + of the matrix A.
  • a technique for calculating the pseudo inverse matrix for example, a technique described in Reference Document 1 below can be used.
  • the regression model recalculation unit 14 sets the regression model h aj ( ⁇ ) when the value of a certain feature data item a j is “1” and the value of another feature data item is “0” as follows:
  • F i ( ⁇ ) in the following formula (4) is a regression model of the group X i generated by the regression model generation unit 12.
  • the regression model recalculation unit 14 calculates the average value b j in the inspection target log data of the value obtained by dividing the value of each feature data item a j included in the inspection target log data by the explanatory variable (number of requests ⁇ ). calculate.
  • the regression model recalculation unit 14 generates a regression model f ( ⁇ ) using the following equation (5). That is, the regression model used when performing a performance test based on the inspection target log data is recalculated using a plurality of existing regression models.
  • the inspection target log data is the log data shown in FIG.
  • the feature data item extraction unit 13 executes a feature data item extraction process to be described later (step S101).
  • the regression model recalculation unit 14 executes a regression model recalculation process described later (step S102).
  • the performance value calculation unit 15 calculates the disk usage rate corresponding to the assumed number of requests using the regression model f ( ⁇ ) recalculated by the regression model recalculation unit 14 (step S103).
  • the assumed number of requests can be arbitrarily set by the administrator in the monitoring data analyzer.
  • step S101 With reference to FIG. 7, the feature data item extraction process executed in step S101 will be described.
  • step S201 to step S204 described below is executed in a loop for each data item aj in order for all data items aj included in the log data.
  • the feature data item extraction unit 13 uses the above formula (1) to divide the value of the target data item a j by the number of requests ⁇ for the log data of all groups X classified at the time of regression analysis.
  • a value variance dj is calculated (step S201).
  • the feature data item extraction unit 13 using the above equation (2), the log data of each group X i in the subject, the dispersion d ji of a value obtained by dividing the value of the target data item a j in the request number ⁇ Is calculated for each group X i , and the total d j ′ for the entire group of variance d ji is calculated using the above equation (3) (step S202).
  • the feature data item extraction unit 13 determines whether or not a value obtained by dividing the sum d j ′ calculated in step S202 by the variance d j calculated in step S201 is smaller than a threshold value k ( Step S203). If this determination is NO (step S203; NO), the process proceeds to the subsequent stage of step S204.
  • step S203 determines that the value of (d j ′ / d j ) is smaller than the threshold value k (step S203; YES).
  • step S102 the regression model recalculation process executed in step S102 will be described.
  • the regression model recalculation unit 14 calculates the average value in the group X i of the values obtained by dividing the value of each feature data item a j extracted in step S101 by the explanatory variable (number of requests ⁇ ). Then, a matrix A having m rows ⁇ groups of feature data items is generated (step S301).
  • the regression model recalculation unit 14 calculates a pseudo inverse matrix A + of the matrix A (step S302).
  • the regression model recalculation unit 14 calculates a regression model h aj ( ⁇ ) for each feature data item using the above equation (4) (step S303).
  • the regression model recalculation unit 14 calculates an average value b j in the inspection target log data of a value obtained by dividing the value of each feature data item a j included in the inspection target log data by the number of requests ⁇ (step S1). S304).
  • the regression model recalculation unit 14 substitutes the feature data item-specific regression model h aj ( ⁇ ) calculated in step S303 and the average value b j calculated in step S304 into the equation (5).
  • the regression model f ( ⁇ ) for the inspection target log data is generated (recalculated) (step S305).
  • a plurality of existing regression models are synthesized according to the ratio of the value of each feature data item included in the inspection target log data, and a new regression is performed.
  • a model can be generated (recalculated).
  • a regression model adapted to the assumed usage pattern can be generated, and the resource usage rate such as the disk usage rate can be predicted using this regression model. Therefore, even when the resource usage rate such as the disk usage rate is greatly different for each usage pattern, the prediction accuracy of the resource usage rate can be improved.
  • the feature data item extraction unit 13 in the first embodiment described above extracts feature data items using the dependence of each data item on the explanatory variable. It is not limited to. For example, the following extraction method can be used.
  • the feature data item extraction unit 13 For each group X i classified at the time of regression analysis, the feature data item extraction unit 13 for each data item a j included in the log data forming the group, each data item a j and explanatory variable (number of requests ⁇ ) It calculates an average value of a group X i of the correlation coefficient between. The feature data item extraction unit 13 extracts a data item a j whose calculated average value is equal to or greater than a predetermined threshold k ′ as a feature data item.
  • the average value of the correlation coefficient between each data item a j and the explanatory variable can be calculated by the following procedure, for example.
  • the feature data item extraction unit 13 calculates the correlation coefficient r ji between each data item a j and the explanatory variable (number of requests ⁇ ) for each group X i using the following equation (6). .
  • a j is the value of the data item a j of the k-th log record belonging to the group X i
  • ⁇ is the value of the request number item of the k-th log record belonging to the group X i
  • m is the number of groups.
  • the feature data item extraction unit 13 divides the correlation coefficient r ji for each group X i by all the groups X by the number of groups m, so that each data item a j and the explanatory variable are divided.
  • the average value r j of the correlation coefficient is calculated.
  • the feature data item extraction unit 13 extracts a data item a j in which
  • the feature data item extraction unit 13 extracts the feature data item, but the present invention is not limited to this.
  • the administrator may set the feature data item in advance in the memory. In this case, the feature data item extraction unit 13 can be omitted.
  • the regression model recalculation unit 14 may acquire the value of the feature data item with reference to the memory.
  • the performance value calculation unit 15 is provided in the same device as the feature data item extraction unit 13 and the regression model recalculation unit 14, but the performance value calculation unit 15 is provided in an external device. It is good also as providing in.
  • the monitoring data analysis device of the second embodiment includes a data classification unit 11 and a regression model generation unit in addition to the various functions of the monitoring data analysis device (see FIG. 1) of the first embodiment described above. 12 and the abnormality determination unit 16 are different from the monitoring data analyzer of the first embodiment. Since other configurations are the same as those of the monitoring data analysis apparatus of the first embodiment, the same reference numerals are given to the respective components, and the description thereof is omitted. In the following, differences from the first embodiment will be mainly described.
  • the data classification unit 11 classifies the log data stored in the log data file 21 into groups for each usage pattern (for example, data search type or data update type).
  • a known clustering method such as a shortest distance method, a longest distance method, a group average method, or a ward method can be used.
  • the characteristic of the disk usage rate ⁇ with respect to the number of requests ⁇ is used as a characteristic for classification into groups.
  • log data is placed on the coordinate plane shown in FIG. 10 in units of log records.
  • the horizontal axis in FIG. 10 indicates the number of requests ⁇ , and the vertical axis indicates the disk usage rate ⁇ .
  • the data arranged on the coordinate plane are sequentially collected based on the characteristics of the disk usage rate ⁇ with respect to the number of requests ⁇ .
  • it is finally classified into a first group G1 and a second group G2 shown in FIG.
  • log data belonging to the data update type usage pattern is classified into the first group G1
  • log data belonging to the data search type usage pattern is classified into the second group G2.
  • the regression model generation unit 12 shown in FIG. 9 performs a regression analysis of log data for each classified group to generate a regression model.
  • a method for generating a regression model for example, the method described in Reference Document 2 below can be used.
  • the regression model generation unit 12 performs a regression analysis using the disk usage rate ⁇ as an objective variable for regression analysis and the number of requests ⁇ as an explanatory variable for regression analysis.
  • a regression model represented by the following equation (7) is generated as the regression model M1 of the log data belonging to the first group G1, and the log belonging to the second group G2
  • a regression model represented by the following equation (8) is generated.
  • the regression model generation unit 12 stores the generated regression model M1 and regression model M2 in the regression model file 22.
  • the abnormality determination unit 16 illustrated in FIG. 9 uses the value f ( ⁇ ′) obtained by substituting the value ⁇ ′ of the request number item into the regression model f ( ⁇ ) for each log record of the inspection target log data, and the disk usage. It is determined whether or not the difference (
  • the presence or absence of an abnormality in the monitored system can be determined as follows.
  • the abnormality determination unit 16 obtains the variance V ( ⁇ ) with respect to the objective variable (disk utilization rate ⁇ ) of the regression model f ( ⁇ ) recalculated by the regression model recalculation unit 14, and calculates the standard deviation ( ⁇ V). calculate.
  • the abnormality determination unit 16 calculates
  • the value of the threshold value a can be set arbitrarily. In other words, the abnormality determination unit 16 determines the presence or absence of abnormality based on how far the value of
  • the variance V ( ⁇ ) can be obtained, for example, by calculating the following formula (10) derived from the following formula (9).
  • the regression model f ( ⁇ ) in the following equation (9) can be derived from the above equations (4) and (5), and the variance V ( ⁇ ) in the following equation (10) can be derived from the following equation (9). Can be derived.
  • V ( ⁇ j ) in the above equation (10) is a variance related to the objective variable (disk utilization rate ⁇ ) of the regression model calculated for each group X i .
  • ⁇ j is a random variable indicating the distribution of the objective variable in the group X i .
  • the operation of the monitoring data analyzer in the second embodiment will be described.
  • the operation when calculating the disk usage rate using the regression model is the same as the operation of the monitoring data analyzer in the first embodiment described above (see FIGS. 6 to 8). Omitted.
  • the data classification unit 11 clusters the log data stored in the log data file 21 and classifies the log data into a plurality of groups (step S401).
  • the regression model generation unit 12 performs a regression analysis of the log data for each classified group, and generates a regression model (step S402).
  • the generated regression model can be used, for example, when calculating a resource usage rate such as a disk usage rate or determining an abnormality of the monitoring target system, as will be described later.
  • the abnormality determination process is executed after step S102 of FIG. 6 described above is executed.
  • the abnormality determination process may be executed in parallel with step S103 of FIG. 6, or may be executed before or after step S103.
  • the abnormality determining unit 16 refers to the recalculated regression model f ( ⁇ ) recalculated by the regression model recalculating unit 14, and calculates the standard deviation ( ⁇ V) regarding the objective variable (disk utilization rate ⁇ ). (Step S501).
  • step S502 to step S503 described below is executed by sequentially looping for each log record for all log records included in the inspection target log data.
  • the abnormality determination unit 16 substitutes the value ⁇ ′ of the request count item of the inspection target log data into the recalculation regression model f ( ⁇ ) and the value f ( ⁇ ′) of the inspection target log data.
  • a difference from the value ⁇ ′ of the disk usage rate item is obtained, and a value obtained by dividing the difference by the standard deviation ( ⁇ V) calculated in step S501 is calculated (step S502).
  • the abnormality determination unit 16 determines whether or not the value calculated in step S502 is greater than the threshold value a (step S503). If this determination is NO (step S503; NO), the process proceeds to the subsequent stage.
  • step S503 when it is determined in step S503 that the value calculated in step S502 is greater than the threshold value a (step S503; YES), the abnormality determination unit 16 determines that there is an abnormality in the monitored system. Then, the administrator is notified of the abnormality (step S504).
  • a method for notifying an administrator of abnormality for example, a method for outputting a message to that effect, a method for outputting a warning sound, or the like is applicable.
  • the log data is in accordance with the usage pattern such as the data update type and the data search type. It can be classified into groups, and a regression model can be generated for each classified group. As a result, even when the resource usage rate such as the disk usage rate is greatly different for each usage pattern, it is possible to generate regression models corresponding to the usage patterns. Therefore, even when the monitoring target system has a plurality of usage patterns, errors in prediction using the regression model can be reduced.
  • the abnormality of the monitored system can be found based on the difference from the regression model adapted to the assumed usage pattern, it is possible to improve the accuracy of finding the abnormality.
  • the present invention is implemented by a single monitoring data analysis apparatus, but the present invention can also be implemented by a plurality of apparatuses.
  • the functions of the monitoring data analysis device in each of the above-described embodiments are distributed to a plurality of devices, and the plurality of device groups function in the same manner as the monitoring data analysis device in each of the above-described embodiments. Good.
  • Log data including monitoring data in the monitoring target system that is the target of performance management is classified into a plurality of groups, and regression models generated for each group are represented by the groups corresponding to the regression models. And a regression model recalculation unit that recalculates the regression model by combining the log data belonging to and the inspection target log data that is the log data to be subjected to performance inspection.
  • Monitoring data analysis device Log data including monitoring data in the monitoring target system that is the target of performance management is classified into a plurality of groups, and regression models generated for each group are represented by the groups corresponding to the regression models.
  • a regression model recalculation unit that recalculates the regression model by combining the log data belonging to and the inspection target log data that is the log data to be subjected to performance inspection. Monitoring data analysis device.
  • the log data is classified into the groups based on the characteristics of the data storage unit that stores the log data and the usage data indicating the usage status of the components of the monitored system included in the log data.
  • the monitoring data analysis apparatus further comprising: a data classification unit that performs a regression analysis of the log data for each group to generate the regression model.
  • the said feature data extraction part calculates the dependence to the said explanatory variable in each data item of the data which forms the said group for every said group, and the said calculated said dependence is higher than a predetermined threshold value
  • the monitoring data analysis apparatus according to appendix 3, wherein a data item is extracted as the feature data item.
  • the said feature data extraction part calculates the correlation coefficient between the said explanatory variables in each data item of the data which forms the said group for every said group, and each said calculated correlation coefficient of each said correlation coefficient
  • the monitoring data analysis apparatus according to supplementary note 3, wherein a data item having an average value larger than a predetermined threshold is extracted as the feature data item.
  • the said regression model recalculation part calculates the ratio of the value of each said characteristic data item with respect to the said explanatory variable for every said group, and synthesize
  • a regression model for each feature data item which is the regression model for each of the feature data items, and each of the calculated regression models for each feature data item is included in the inspection target log data. 6.
  • the monitoring data analysis apparatus according to any one of appendices 3 to 5, wherein the regression model is recalculated by synthesizing according to the appearance rate of the value of.
  • the performance value calculation part which calculates the performance value which is the objective variable of the said regression model using the said regression model recalculated by the said regression model recalculation part is further provided, The additional remark 1 characterized by the above-mentioned. 7.
  • the monitoring data analyzer according to any one of items 6 to 6.
  • the apparatus further comprises an abnormality determination unit that determines whether there is an abnormality in the monitoring target system based on a difference from a value of a data item corresponding to the objective variable of the regression model included in the target log data.
  • the monitoring data analyzer according to any one of appendices 1 to 6.
  • Log data including monitoring data in the monitoring target system that is the target of performance management is classified into a plurality of groups, and the regression models generated for each group are classified into the groups corresponding to the regression models.
  • a regression model recalculation step of recalculating the regression model by synthesizing using the log data belonging to and the inspection target log data which is the log data to be performance-tested Monitoring data analysis method.
  • Appendix 10 A monitoring data analysis program for causing a computer to execute the steps described in Appendix 9.
  • the monitoring data analysis apparatus, the monitoring data analysis method, and the monitoring data analysis program according to the present invention improve the prediction accuracy of the performance value even when the performance value of the monitoring target system is greatly different for each usage pattern. Is suitable.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (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

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
　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。
特開２００２－２６８９２２号公報
　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。
第１実施形態における監視データ分析装置の構成を例示した図である。 ログデータファイルのデータ構成を例示する図である。 特徴データ項目を例示するグラフである。 行列Ａの要素を例示する図である。 検査対象ログデータの一例を示す図である。 第１実施形態における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を説明するためのフローチャートである。 図６に示す特徴データ項目抽出処理の手順を説明するためのフローチャートである。 図６に示す回帰モデル再計算処理の手順を説明するためのフローチャートである。 第２実施形態における監視データ分析装置の構成を例示した図である。 回帰モデルを例示する図である。 第２実施形態におけるログデータを複数のグループに分類してグループごとに回帰モデルを生成する際の動作を説明するためのフローチャートである。 第２実施形態における監視対象システムの異常判定処理の手順を説明するためのフローチャートである。
　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。
　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。
Figure JPOXMLDOC01-appb-M000001
　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。
Figure JPOXMLDOC01-appb-M000002
　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。
Figure JPOXMLDOC01-appb-M000003
　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。
Figure JPOXMLDOC01-appb-M000004
　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）
　例えば、上記例示した行列Ａの疑似逆行列Ａ＋は、以下のように表される。
Figure JPOXMLDOC01-appb-M000005
　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。
Figure JPOXMLDOC01-appb-M000006
　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。
Figure JPOXMLDOC01-appb-M000007
　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。
　最初に、特徴データ項目抽出部１３は、下記式（６）を用い、グループＸｉごとに、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ｒｊｉを算出する。
Figure JPOXMLDOC01-appb-M000008
　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。
　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
　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。
Figure JPOXMLDOC01-appb-M000009
　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。
　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)

  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。
  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請求項１記載の監視データ分析装置。
  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請求項１記載の監視データ分析装置。
  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、
    　ことを特徴とする請求項３記載の監視データ分析装置。
  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、
    　ことを特徴とする請求項３記載の監視データ分析装置。
  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。
  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。
  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。
  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。
  10. 　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。
PCT/JP2011/078714 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 WO2012086444A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US13/824,539 US9465713B2 (en) 2010-12-24 2011-12-12 Monitoring data analyzing apparatus, monitoring data analyzing method, and monitoring data analyzing program
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 (2)

Application Number Priority Date Filing Date Title
JP2010288529 2010-12-24
JP2010-288529 2010-12-24

Publications (1)

Publication Number Publication Date
WO2012086444A1 true WO2012086444A1 (ja) 2012-06-28

Family

ID=46313723

Family Applications (1)

Application Number Title Priority Date Filing Date
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

Country Status (3)

Country Link
US (1) US9465713B2 (ja)
JP (1) JP5871193B2 (ja)
WO (1) WO2012086444A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015146100A1 (ja) * 2014-03-28 2015-10-01 日本電気株式会社 負荷推定システム、情報処理装置、負荷推定方法、及び、プログラムを記憶する記憶媒体
EP3093760A1 (en) 2015-05-01 2016-11-16 Fujitsu Limited Device and method
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

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831214B (zh) 2006-10-05 2017-05-10 斯普兰克公司 时间序列搜索引擎
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
US9015716B2 (en) 2013-04-30 2015-04-21 Splunk Inc. Proactive monitoring tree with node pinning for concurrent node comparisons
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
US10346357B2 (en) 2013-04-30 2019-07-09 Splunk Inc. Processing of performance data and structure 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
US8972992B2 (en) 2013-04-30 2015-03-03 Splunk Inc. Proactive monitoring tree with state distribution ring
US10614132B2 (en) 2013-04-30 2020-04-07 Splunk Inc. GUI-triggered processing of performance data and log data from an information technology environment
US9142049B2 (en) 2013-04-30 2015-09-22 Splunk Inc. Proactive monitoring tree providing distribution stream chart with branch overlay
US9185007B2 (en) 2013-04-30 2015-11-10 Splunk Inc. Proactive monitoring tree with severity state sorting
US10997191B2 (en) 2013-04-30 2021-05-04 Splunk Inc. Query-triggered processing of performance data and log data from an information technology environment
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
US9495187B2 (en) 2013-04-30 2016-11-15 Splunk, Inc. Interactive, top-down presentation of the architecture and performance of a hypervisor 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
US10225136B2 (en) 2013-04-30 2019-03-05 Splunk Inc. Processing of log data and performance data obtained via an application programming interface (API)
KR101768438B1 (ko) * 2013-10-30 2017-08-16 삼성에스디에스 주식회사 데이터 분류 장치 및 방법과 이를 이용한 데이터 수집 시스템
WO2015145500A1 (ja) * 2014-03-27 2015-10-01 日本電気株式会社 システム分析装置、分析モデル生成方法、システム分析方法およびシステム分析プログラム
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
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
DE112018007597B4 (de) 2018-06-18 2022-06-09 Mitsubishi Electric Corporation Diagnosevorrichtung, Diagnoseverfahren und Programm
WO2020173023A1 (en) * 2019-02-27 2020-09-03 Huawei Technologies Co., Ltd. Artificial intelligent enhanced data sampling
JP7207537B2 (ja) * 2019-06-17 2023-01-18 日本電信電話株式会社 分類装置、分類方法及び分類プログラム
CN112711739B (zh) * 2019-10-25 2024-05-28 腾讯科技（深圳）有限公司 一种数据处理方法、装置及服务器、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

Citations (5)

* Cited by examiner, † Cited by third party
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
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
WO2006046297A1 (ja) * 2004-10-28 2006-05-04 Fujitsu Limited 分析方法及び装置
US20090287744A1 (en) * 2008-05-15 2009-11-19 International Business Machines Corporation Apparatus, system and method for healthcheck of information technology infrastructure based on log data

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002268922A (ja) 2001-03-09 2002-09-20 Ntt Data Corp Ｗｗｗサイトの性能監視装置
US8014880B2 (en) * 2006-09-29 2011-09-06 Fisher-Rosemount Systems, Inc. On-line multivariate analysis in a distributed process control system
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
US8903757B2 (en) * 2008-12-12 2014-12-02 Appnomic Systems Private Limited Proactive information technology infrastructure management
WO2010082322A1 (ja) * 2009-01-14 2010-07-22 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
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
WO2006046297A1 (ja) * 2004-10-28 2006-05-04 Fujitsu Limited 分析方法及び装置
US20090287744A1 (en) * 2008-05-15 2009-11-19 International Business Machines Corporation Apparatus, system and method for healthcheck of information technology infrastructure based on log data

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015146100A1 (ja) * 2014-03-28 2015-10-01 日本電気株式会社 負荷推定システム、情報処理装置、負荷推定方法、及び、プログラムを記憶する記憶媒体
JPWO2015146100A1 (ja) * 2014-03-28 2017-04-13 日本電気株式会社 負荷推定システム、情報処理装置、負荷推定方法、及び、コンピュータ・プログラム
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
EP3093760A1 (en) 2015-05-01 2016-11-16 Fujitsu Limited Device and method
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
JPWO2019138560A1 (ja) * 2018-01-12 2020-12-17 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

Also Published As

Publication number Publication date
JP5871193B2 (ja) 2016-03-01
JPWO2012086444A1 (ja) 2014-05-22
US9465713B2 (en) 2016-10-11
US20130191107A1 (en) 2013-07-25

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
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
CN107003928B (zh) 性能异常诊断
CN104021264A (zh) 一种缺陷预测方法及装置
JP2008165352A (ja) 定期点検データ分析装置およびその方法
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
US20200143904A1 (en) Predicting molecular properties of molecular variants using residue-specific molecular structural features
US20140350900A1 (en) Simulation system and method thereof and computing system including the simulation system
JP5758335B2 (ja) システム疲労度評価装置およびその方法
WO2015146100A1 (ja) 負荷推定システム、情報処理装置、負荷推定方法、及び、プログラムを記憶する記憶媒体
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
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
JP5135803B2 (ja) 最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法
US9922109B1 (en) Adaptive column set composition
JP5600694B2 (ja) クラスタリング装置及び方法及びプログラム
CN114974462A (zh) 缓蚀效率预测模型的训练方法、装置、设备及存储介质
JP2009157655A (ja) データ解析装置、データ解析方法、およびプログラム
WO2019060314A1 (en) APPARATUS AND METHOD FOR INTRODUCING PROBABILITY AND UNCERTAINTY IN CLASSIFICATION OF DATA NOT SUPERVISED BY GROUPING, THROUGH CLASSIFICATION STATISTICS
CN116541252B (zh) 一种机房故障日志数据处理方法及装置
CN116738216B (zh) 预警大数据的关联处理方法和装置
Li et al. An Improved SSI Approach for Structural Modal Identification
US20240143666A1 (en) Smart metric clustering
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
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11851079

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 13824539

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2012549724

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 11851079

Country of ref document: EP

Kind code of ref document: A1