WO2015174063A1 - 情報処理装置、分析方法、及び、記録媒体 - Google Patents

情報処理装置、分析方法、及び、記録媒体 Download PDF

Info

Publication number
WO2015174063A1
WO2015174063A1 PCT/JP2015/002365 JP2015002365W WO2015174063A1 WO 2015174063 A1 WO2015174063 A1 WO 2015174063A1 JP 2015002365 W JP2015002365 W JP 2015002365W WO 2015174063 A1 WO2015174063 A1 WO 2015174063A1
Authority
WO
WIPO (PCT)
Prior art keywords
correlation
time series
model
learning
reliability
Prior art date
Application number
PCT/JP2015/002365
Other languages
English (en)
French (fr)
Inventor
直生 吉永
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 JP2016519107A priority Critical patent/JPWO2015174063A1/ja
Priority to EP15792714.6A priority patent/EP3144815A4/en
Priority to US15/128,531 priority patent/US10157113B2/en
Publication of WO2015174063A1 publication Critical patent/WO2015174063A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Definitions

  • the present invention relates to an information processing apparatus, an analysis method, and a recording medium, and more particularly, to an information processing apparatus, an analysis method, and a recording medium that perform system analysis using a correlation.
  • Patent Document 1 An example of an operation management system that performs system modeling based on the correlation between time series of system performance and determines factors such as system failures and abnormalities using the generated model is disclosed in Patent Document 1. ing.
  • the operation management system described in Patent Literature 1 is based on a time series of measured values of a plurality of metrics when the system is normal (learning period), and represents a correlation between each pair of the plurality of metrics. Determine the function. Then, the operation management system generates a correlation model of the system by selecting the correlation according to the weight calculated based on the error of the correlation function. Furthermore, the operation management system detects the destruction of the correlation (correlation destruction) using the generated correlation model, and determines the failure factor of the system based on the correlation destruction.
  • the technique for analyzing the state of the system based on correlation destruction is called invariant relation analysis.
  • a correlation function that predicts the value of metric y based on the value of metric u is used. Then, using the time series at the time of model generation, the difference between the actually measured value of metric y and the predicted value by the correlation function, that is, the prediction error is calculated. Further, based on the calculated prediction error, a prediction error threshold allowed at the time of monitoring is set. If the prediction error during monitoring exceeds a threshold (correlation destruction is detected), it is determined that an abnormality has occurred in the system.
  • Patent Document 2 discloses a facility state monitoring method for detecting a system abnormality using a time series of system performance.
  • an operation pattern label is given to a time-series signal output from the equipment at regular intervals, and a normal model is constructed for each label.
  • an operation pattern label is assigned to the detection target period, and abnormality detection is performed using a normal model having the same or similar label.
  • Patent Document 3 in an operation management system that performs invariant relationship analysis, based on the degree of fitness for performance information for a predetermined period, from a plurality of correlation models generated for the predetermined period, A method for extracting a basic model and a specific model is disclosed.
  • An object of the present invention is to provide an information processing apparatus, an analysis method, and a recording medium that can solve the above-described problems, improve anomaly detection capability in invariant relationship analysis, and reduce erroneous anomaly reports. is there.
  • a system analysis apparatus includes: a correlation model generation unit that generates a correlation model including a correlation between metrics based on a time series of learning periods of a plurality of metrics in the system; Learning reliability calculation means for calculating the learning reliability of the correlation based on the time-series behavior of the learning period of each of the metrics related to the correlation included.
  • An analysis method generates a correlation model including a correlation between metrics based on a time series of learning periods of a plurality of metrics in the system, and relates to the correlation included in the correlation model.
  • the learning reliability of the correlation is calculated based on the time-series behavior of the learning period of each metric.
  • the computer-readable recording medium generates a correlation model including a correlation between metrics based on a time series of learning periods of a plurality of metrics in the system.
  • a program for executing processing for calculating the learning reliability of the correlation is stored based on the time-series behavior of each of the metrics related to the correlation included in the learning period.
  • the effect of the present invention is that in the invariant relationship analysis, the abnormality detection capability can be improved and erroneous abnormality reports can be reduced.
  • step S200 shows the detail of the correlation change analysis process (step S200) in the 1st Embodiment of this invention. It is a figure which shows the example of the format of the single time series model in the 1st Embodiment of this invention. It is a figure which shows the example of the time series of performance information in the 1st Embodiment of this invention. 10 is a graph showing metrics A and B in the time series of FIG. 9. 10 is a graph showing metrics C and D in the time series of FIG. 9. It is a figure which shows the example of calculation of learning reliability in the 1st Embodiment of this invention. It is a figure which shows the other example of calculation of the learning reliability in the 1st Embodiment of this invention.
  • FIG. 2 is a block diagram showing a configuration of the system analysis apparatus 100 according to the first embodiment of the present invention.
  • the system analysis apparatus 100 is an embodiment of the information processing apparatus of the present invention.
  • the system analysis apparatus 100 is connected to the monitored system 500 via a network or the like.
  • the monitored system 500 is a system that provides an information communication service such as a WEB service or a business service, or a system such as a plant or a power generation facility.
  • the monitored system 500 outputs a time series of measured values of system performance.
  • the monitored system 500 measures the measured values of the performance values of a plurality of types at regular intervals and transmits them to the system analyzer 100.
  • the performance value items for example, CPU (Central Processing Unit) usage rate, memory usage rate, disk access frequency, and the like, usage rates and usage amounts of computer resources and network resources are used.
  • the performance value item power, voltage, current, temperature, pressure, or the like measured by various sensors may be used.
  • the type of performance value is defined as a metric (performance index), and a set of multiple metric values measured at the same time is defined as performance information.
  • Metric values are represented by integers or decimals.
  • a metric corresponds to an “element” that is a generation target of a correlation model in Patent Document 1.
  • the system analysis apparatus 100 generates a correlation model of the monitored system 500 based on the time series of performance information collected from the monitored system 500, and analyzes the state of the monitored system 500 using the generated correlation model. To do.
  • the system analysis apparatus 100 includes a performance information collection unit 110, a performance information storage unit 120, a correlation model generation unit 130, a learning reliability calculation unit 140, a correlation model storage unit 150, a correlation change analysis unit 160, an analysis setting storage unit 170, and The failure analysis unit 180 is included.
  • the performance information collection unit 110 collects a time series of performance information from the monitored system 500.
  • the performance information storage unit 120 stores a time series of performance information collected by the performance information collection unit 110 during the learning period.
  • the correlation model generation unit 130 generates a correlation model of the monitored system 500 based on the time series of the performance information in the learning period, as in Patent Document 1.
  • the correlation model includes the correlation of each pair of multiple metrics.
  • the correlation is represented by a correlation function (or conversion function) between metrics.
  • the correlation function is a function that predicts the value of the other metric (output metric) from the value of one metric (input metric) of the pair of metrics.
  • the correlation model generation unit 130 calculates the parameters of the correlation function for each metric pair using the time series of performance information in the learning period stored in the performance information collection unit 110.
  • the parameters of the correlation function are determined by the system identification process for the time series of metrics, as in Patent Document 1.
  • the correlation model generation unit 130 generates a correlation model by repeating these processes for all pairs of metrics.
  • the correlation model generation unit 130 may calculate a weight according to the prediction error of the correlation function and give it to the correlation, as in Patent Document 1.
  • the correlation model generation unit 130 may select the correlation according to the weight.
  • the learning reliability calculation unit 140 calculates the learning reliability of the correlation included in the correlation model using the time series of performance information stored in the performance information collection unit 110 during the learning period.
  • the learning reliability indicates whether the correlation is learning the relationship between metrics.
  • the correlation when the time series of each learning period of the metric related to the correlation shows a specific behavior (behavior), the correlation sufficiently learns the relationship between the actual metrics. It is assumed that the learning reliability is low.
  • the specific behavior includes, for example, a time series of metrics indicating a constant value, indicating one of two values, or indicating a linear change.
  • the correlation change analysis when the value of the metric decreases or when the increase / decrease is repeated, there is a high possibility that even a normal behavior is determined to be abnormal (an erroneous abnormality report is output).
  • a time series model (single time series model) showing the above specific behavior is generated based on the time series in the learning period of each metric related to the correlation. Then, the learning reliability is calculated based on the suitability of the single time series model with respect to the time series in the learning period of each metric.
  • the learning reliability is calculated so as to be low when the fitness is high and to be high when the fitness is low according to the fitness.
  • the fitness is calculated using the prediction error of the single time series model with respect to the time series in the learning period of each metric.
  • the learning reliability is calculated to be low when the prediction error is small (high fitness) and high when the prediction error is large (low fitness) according to the prediction error of the single time series model. Is done.
  • the correlation model storage unit 150 adds the learning reliability calculated by the learning reliability calculation unit 140 to each correlation of the correlation model generated by the correlation model generation unit 130 and stores the correlation.
  • Correlation change analysis unit 160 acquires a correlation model to which learning reliability is added from correlation model storage unit 150, and extracts a correlation whose learning reliability is equal to or higher than a predetermined threshold.
  • the correlation change analysis unit 160 may further extract the correlation by the weight.
  • the correlation change analysis unit 160 calculates a correlation function prediction error for each extracted correlation by using a time series of performance information in a period (monitoring period) to be subjected to correlation change analysis. Detects whether there is destruction.
  • the analysis setting storage unit 170 stores an analysis setting indicating a method and conditions for the failure analysis unit 180 to perform failure analysis. For example, in the analysis setting, conditions relating to the number and rate of correlation destruction, etc., for which the failure analysis unit 180 notifies abnormality (issues a warning) are set.
  • the failure analysis unit 180 performs failure analysis according to the analysis setting.
  • FIG. 3 is a block diagram showing a configuration of the learning reliability calculation unit 140 in the first embodiment of the present invention.
  • the learning reliability calculation unit 140 includes a time series model storage unit 141, a time series model generation unit 142, a prediction error calculation unit 143, and a reliability calculation unit 144.
  • the time series model storage unit 141 stores the format of a single time series model.
  • the single time series model is a time series model for modeling the time series of each metric.
  • a time series model is used that exhibits a behavior that is judged to have a low correlation learning reliability.
  • FIG. 8 is a diagram showing an example of the format of a single time series model in the first embodiment of the present invention.
  • a constant value model, a binary model, and a straight line model are set as the format of the single time series model.
  • X (i) is the value of metric X at time i.
  • a, b, and c are parameters.
  • the time series model generation unit 142 determines parameters of a single time series model of each format stored in the time series model storage unit 141 based on the time series in the learning period of each metric (generates a single time series model). ) The parameters of the single time series model are determined by, for example, the system identification process for the time series of metrics.
  • the prediction error calculation unit 143 calculates the prediction error due to the single time series model as the suitability of the single time series model with respect to the time series of the learning period of each metric.
  • the prediction error is calculated, for example, by the root mean square of the difference between the predicted value obtained by applying the time series in the learning period to the single time series model and the actual measurement value.
  • the reliability calculation unit 144 calculates the learning reliability of the correlation.
  • the reliability calculation unit 144 is configured such that the higher the fitness of the single time series model generated for each metric related to the correlation is (the prediction error is smaller), the lower the learning reliability of the correlation is. Determine learning confidence.
  • the reliability calculation unit 144 extracts the smallest prediction error among the prediction errors of a plurality of single time series models calculated for each metric related to the correlation. And the reliability calculation part 144 calculates the sum total of the prediction error extracted about each metric which concerns on correlation as the learning reliability of the said correlation.
  • the prediction error of the single time series model is used as the suitability of the single time series model, but the degree of fit of the single time series model with respect to the time series of the learning period is expressed. If it is possible, other than the prediction error may be used.
  • the single time series model is a constant value model or a binary model
  • the number of times that these constant values or values other than the binary value are shown may be used as the fitness.
  • a method for calculating the fitness of the single time series model may be given to the format of each single time series model stored in the time series model storage unit 141.
  • system analysis apparatus 100 may be a computer that includes a CPU and a storage medium that stores a program and that operates under control based on the program. Further, the performance information storage unit 120, the correlation model storage unit 150, and the analysis setting storage unit 170 may be configured as individual storage media or a single storage medium.
  • FIG. 4 is a block diagram showing a configuration of the system analysis apparatus 100 realized by a computer according to the first embodiment of the present invention.
  • the system analysis apparatus 100 includes a CPU 101, a storage unit (storage medium) 102 such as a hard disk and a memory, a communication unit 103 that performs data communication with other devices, an input unit 104 such as a keyboard, and an output unit 105 such as a display. Including.
  • the CPU 101 executes a computer program for realizing the functions of the performance information collection unit 110, the correlation model generation unit 130, the learning reliability calculation unit 140, the correlation change analysis unit 160, and the failure analysis unit 180.
  • the storage unit 102 stores data of the performance information storage unit 120, the correlation model storage unit 150, and the analysis setting storage unit 170.
  • the communication unit 103 receives a time series of performance information from the monitored device 500.
  • the input unit 104 receives input of various threshold values and analysis settings from a user or the like.
  • the output unit 105 outputs the result of failure analysis to the user or the like.
  • each component of the system analysis apparatus 100 shown in FIG. 2 may be an independent logic circuit.
  • FIG. 5 is a flowchart showing the overall processing of the system analysis apparatus 100 in the first embodiment of the present invention.
  • the system analysis apparatus 100 generates a correlation model (step S100). Then, the system analysis device 100 performs correlation change analysis (invariant relationship analysis) using the generated correlation model (step S200).
  • FIG. 6 is a flowchart showing details of the correlation model generation process (step S100) in the first embodiment of the present invention.
  • Y (i) a * X (i) + b (a and b are parameters and i is a time) is used as a form of a correlation function representing a correlation between metrics X and Y.
  • the performance information collection unit 110 collects a time series of performance information during the learning period from the monitored system 500 (step S101).
  • the performance information collection unit 110 stores the collected time series of performance information in the performance information storage unit 120.
  • FIG. 9 is a diagram showing an example of time series of performance information in the first exemplary embodiment of the present invention.
  • the performance information collection unit 110 collects and stores the time series of metrics A, B, C, and D as the time series of performance information as shown in FIG.
  • the correlation model generation unit 130 selects one metric pair from the performance information stored in the performance information collection unit 110 (step S102).
  • the correlation model generation unit 130 calculates a correlation function for the selected metric pair using the time series of the learning period (step S103).
  • FIG. 10 is a graph showing metrics A and B in the time series of FIG.
  • the learning reliability calculation unit 140 calculates the learning reliability of the correlation (Step S104).
  • the time series model generation unit 142 of the learning reliability calculation unit 140 has a single time series model of each format stored in the time series model storage unit 141 for the time series of the learning period of each metric related to the correlation. Is generated.
  • the prediction error calculation unit 143 calculates a prediction error of each single time series model with respect to the time series of the learning period.
  • the reliability calculation unit 144 extracts the smallest prediction error among the prediction errors of the single time series model calculated for each metric.
  • the reliability calculation part 144 calculates the sum total of the prediction error extracted about each metric as the learning reliability of the said correlation.
  • FIG. 12 is a diagram illustrating an example of calculating the learning reliability according to the first embodiment of this invention.
  • the learning reliability calculation unit 140 generates a single time series model for each of the metrics A and B in the time series of FIG. 9 as shown in FIG. 12, and totals the prediction errors (minimum values) of the single time series model. Then, the learning reliability “0” of the correlation between the metrics A and B is calculated.
  • the learning reliability calculation unit 140 gives the learning reliability to the correlation and stores it in the correlation model storage unit 150 (step S105).
  • FIG. 14 is a diagram showing an example of a correlation model in the first embodiment of the present invention.
  • the learning reliability calculation unit 140 assigns and stores the learning reliability to the correlation between the metrics A and B as shown in FIG.
  • steps S102 to S105 are repeated for all metric pairs (step S106).
  • FIG. 11 is a graph showing metrics C and D in the time series of FIG.
  • FIG. 13 is a diagram illustrating another calculation example of the learning reliability according to the first embodiment of this invention.
  • the learning reliability calculation unit 140 generates a single time series model for each of the metrics C and D in the time series of FIG. 9, as shown in FIG. 13, and the learning reliability “2. 474 "is calculated.
  • the learning reliability calculation unit 140 assigns the learning reliability to the correlation between the metrics C and D as shown in FIG.
  • FIG. 7 is a flowchart showing details of the correlation change analysis process (step S200) in the first embodiment of the present invention.
  • the correlation change analysis unit 160 acquires a correlation model to which learning reliability is added from the correlation model storage unit 150 (step S201).
  • the correlation change analysis unit 160 extracts a correlation whose learning reliability is equal to or higher than a predetermined reliability threshold value from the correlation model (step S202).
  • the correlation change analysis unit 160 extracts a correlation between metrics C and D having a learning reliability of “2.474” from the correlation model of FIG. To do.
  • the correlation between metrics A and B is not extracted.
  • Correlation change analysis unit 160 selects one of the correlations extracted in step S202 (step S203).
  • the correlation change analysis unit 160 calculates a prediction error with respect to the time series of the performance information monitoring period collected by the performance information collection unit 110 for the selected correlation (step S204).
  • the correlation change analysis unit 160 determines that correlation destruction has been detected (step S206), and calculates a correlation destruction abnormality score (step S207).
  • the correlation change analysis unit 160 repeats the processing of steps S203 to S207 for all the correlations extracted in step S202 (step S208).
  • the correlation change analysis unit 160 detects the presence or absence of correlation destruction using the time series of the monitoring period for the correlation between the metrics C and D extracted in step S202.
  • the failure analysis unit 180 performs failure analysis according to the analysis settings stored in the analysis setting storage unit 170 (step S209).
  • the failure analysis unit 180 outputs details of the detected correlation destruction and the result of failure analysis to the user or the like.
  • FIG. 1 is a block diagram showing a characteristic configuration of the first embodiment of the present invention.
  • the system analysis apparatus 100 includes a correlation model generation unit 130 and a learning reliability calculation unit 140.
  • the correlation model generation unit 130 generates a correlation model including a correlation between metrics based on a time series of learning periods of a plurality of metrics in the system.
  • the learning reliability calculation unit 140 calculates the learning reliability of the correlation based on the time-series behavior of each metric related to the correlation included in the correlation model.
  • the learning reliability calculation unit 140 calculates the learning reliability of the correlation based on the time-series behavior of each learning period of the metric related to the correlation included in the correlation model. . Thereby, an invariant relationship analysis can be performed using a correlation with high learning reliability.
  • an invariant relationship analysis can be performed by selecting an appropriate correlation from a plurality of correlations included in the correlation model of the system. This is because the learning reliability calculation unit 140 calculates the learning reliability for each correlation included in the correlation model.
  • the time series of performance information is divided in the time direction, and the learning reliability is calculated based on the divided time series. Different from form.
  • the time series model generation unit 142 of the learning reliability calculation unit 140 divides the time series of each metric related to the correlation in the learning period in the time direction (first division). ), A single time series model is generated for each divided section by the first division.
  • the sum of the prediction errors of the single time series model is minimized from a combination of all possible divisions and the single time series model generated for each divided time series. This is done by selecting such a combination. For example, when a straight line model is used as the single time series model, and the time series of the metric shows a monotone increase and a monotone decrease, the time series is an interval showing the monotone increase and the monotone decrease. Divided.
  • FIG. 15 is a diagram showing a time-series division example in the second embodiment of the present invention.
  • the time series model generation unit 142 converts the time series of the metric C in the time series of FIG. 9 from time 1 to 6 (division interval c1), time 7 to 12 (division interval c2), as shown in FIG. And it divides
  • the time series model generation unit 142 converts the time series of the metric D from time 1 to 8 (division interval d1), time 9 to 12 (division interval d2), and time 13 to 20 (division interval d3). Divide into three.
  • FIG. 16 is a diagram illustrating a generation example of a single time series model according to the second embodiment of the present invention.
  • the time series model generation unit 142 generates a single time series model for each of the metrics C and D for each divided section (c1, c2, c3, d1, d2, d3) as shown in FIG.
  • an upper limit may be set for the number of time-series divisions.
  • the prediction error calculation unit 143 further divides the divided section by the first division so that the time series of both metrics is divided at the time at which the time series of either metric is divided (the second division). Split).
  • the prediction error calculation unit 143 converts the time series of the metrics C and D from time 1 to 6 (division interval cd1), time 7 to 8 (division interval cd2), time 9 to 12 ( It is divided into four divided sections cd3) and times 13 to 20 (divided sections cd4).
  • the prediction error calculation unit 143 assigns a combination of single time series models for each divided section by the second division, and calculates a prediction error of the assigned single time series model.
  • the reliability calculation part 144 calculates the sum total of the prediction error calculated for every division
  • FIG. 17 is a diagram showing a calculation example of learning reliability in the second embodiment of the present invention.
  • the prediction error calculation unit 143 allocates a combination of single time series models for each divided section (cd1, cd2, cd3, cd4), and calculates a prediction error of the single time series model.
  • the reliability calculation unit 144 calculates the learning reliability “0.165928” of the correlation between the metrics C and D by summing up the prediction errors for each divided section.
  • the learning reliability calculation unit 140 gives the learning reliability to the correlation and stores it in the correlation model storage unit 150.
  • FIG. 18 is a diagram showing an example of a correlation model in the second embodiment of the present invention.
  • the reliability calculation unit 144 assigns a learning reliability to the correlation between the metrics C and D as shown in FIG.
  • the second division was performed so that the time series of both metrics were divided. Then, the learning reliability was calculated by summing the prediction errors calculated for each divided section in which the second division was performed.
  • the present invention is not limited to this.
  • the second division may be omitted, and the learning reliability may be calculated by adding the prediction errors calculated for each divided section in which the first division is performed.
  • the learning reliability can be calculated even when the time-series behavior of the metric in the learning period conforms to a single time-series model that varies with time.
  • the reason is that the learning reliability calculation unit 140 divides the time series of each learning period of the metric related to the correlation in the time direction, and based on the suitability of the single time series model for each of the divided time series. This is because the learning reliability is calculated.
  • the learning reliability is based on the degree of adaptation of the single time series model to the time series of the learning period and the degree of adaptation of the single time series model to the time series of the monitoring period. Is different from the first embodiment of the present invention in that it is calculated.
  • FIG. 19 is a block diagram illustrating a configuration of the system analysis apparatus 100 according to the third embodiment of the present invention.
  • the learning reliability calculation unit 140 of the system analysis apparatus 100 includes a learning reliability model generation unit 190 and a learning reliability determination unit 195.
  • the learning reliability model generation unit 190 generates a learning reliability model of the correlation included in the correlation model, using the time series of performance information stored in the performance information collection unit 110 during the learning period.
  • the learning reliability model indicates a method of determining the learning reliability based on a time series of performance information in the monitoring period.
  • the correlation is sufficient for the relationship between the metrics in the monitoring period. Assume that learning is performed and the learning reliability of the correlation is high.
  • the correlation model storage unit 150 adds the learning reliability model generated by the learning reliability model generation unit 190 to each correlation of the correlation model generated by the correlation model generation unit 130 and stores the correlation.
  • the learning reliability determination unit 195 determines the learning reliability using the time series of performance information in the monitoring period and the learning reliability model.
  • FIG. 20 is a block diagram showing a configuration of the learning reliability model generation unit 190 in the third embodiment of the present invention.
  • the learning reliability model generation unit 190 includes a time series model storage unit 191, a time series model generation unit 192, and a reliability model generation unit 193.
  • the time series model storage unit 191 stores the format of a single time series model.
  • the time series model generation unit 192 determines the parameters of the single time series model of each format stored in the time series model storage unit 191 based on the time series in the learning period of each metric (generates a single time series model) )
  • the reliability model generation unit 193 generates the above-described learning reliability model based on the suitability of the single time series model generated by the time series model generation unit 192 with respect to the time series in the learning period.
  • FIG. 21 is a block diagram showing a configuration of the learning reliability determination unit 195 in the third embodiment of the present invention.
  • the learning reliability determination unit 195 includes a time series model storage unit 196, a time series model generation unit 197, and a reliability determination unit 198.
  • the time series model storage unit 196 stores the format of a single time series model.
  • the time series model storage unit 196 may store the same format as the time series model storage unit 191 as a single time series model format, or may store a different format.
  • the time series model generation unit 197 determines parameters of a single time series model of each format stored in the time series model storage unit 196 based on the time series in the monitoring period of each metric (generates a single time series model) )
  • the time series model generation unit 197 may generate a single time series model by the same method as the time series model generation unit 192, or may generate a single time series model by a different method.
  • the reliability determination unit 198 determines the learning reliability using the suitability of the single time series model generated by the time series model generation unit 197 with respect to the time series in the monitoring period and the learning reliability model.
  • FIG. 22 is a flowchart showing details of the correlation model generation process (step S100) in the third embodiment of the present invention.
  • processing from when the performance information collection unit 110 collects the time series of performance information until the correlation model generation unit 130 calculates the correlation function is the first embodiment of the present invention. The same as (Steps S101 to S103).
  • the learning reliability model generation unit 190 generates a learning reliability model for the correlation (step S114).
  • the time series model generation unit 192 of the learning reliability model generation unit 190 has a single time series of each format stored in the time series model storage unit 191 for the time series of the learning period of each metric related to the correlation. Generate a model.
  • the reliability model generation unit 193 calculates a prediction error for the time series of the learning period of each generated single time series model, and generates a learning reliability model for a single time series model with a small prediction error (high fitness). To do.
  • FIG. 24 is a diagram showing an example of a correlation model in the third embodiment of the present invention.
  • the learning reliability model generation unit 190 generates a single time series model as shown in FIG. 12 for each of the metrics A and B in the time series of FIG. And the learning reliability model production
  • the learning reliability model generation unit 190 assigns a learning reliability model to the correlation and stores it in the correlation model storage unit 150 (step S115).
  • the learning reliability model generation unit 190 assigns and stores a learning reliability model to the correlation between metrics A and B as shown in FIG.
  • steps S112 to S115 are repeated for all metric pairs (step S116).
  • FIG. 23 is a flowchart showing details of the correlation change analysis process (step S200) in the third embodiment of the present invention.
  • the correlation change analysis unit 160 acquires a correlation model to which a learning reliability model is added from the correlation model storage unit 150 (step S211).
  • the learning reliability determination unit 195 selects one of the correlations included in the correlation model (step S212).
  • the learning reliability determination unit 195 determines the learning reliability of the selected correlation (step S213).
  • the time series model generation unit 197 of the learning reliability determination unit 195 has a single time series model of each format stored in the time series model storage unit 196 for the time series of the monitoring period of each metric related to the correlation. Is generated.
  • the reliability determination unit 198 calculates a prediction error for the time series of the monitoring period of each generated single time series model.
  • the reliability determination unit 198 determines the learning reliability using the prediction error of each single time series model and the learning reliability model given to the correlation.
  • the reliability determination unit 198 calculates the learning reliability for the correlation between the metrics A and B using the learning reliability model in FIG.
  • the reliability determination unit 198 sets “1” to the learning reliability according to the learning reliability model. Set.
  • the reliability determination unit 198 sets “0.5” as the learning reliability. In cases other than the above, the reliability determination unit 198 sets “0” as the learning reliability.
  • the correlation change analysis unit 160 detects correlation destruction as in the first embodiment (steps S204 to S207) of the present invention. This is performed (steps S215 to S218). Then, the processes in steps S212 to S218 are repeated for all correlations included in the correlation model (step S219).
  • the failure analysis unit 180 performs failure analysis (step S220) as in the first embodiment (step S209) of the present invention.
  • the learning reliability can be calculated more accurately than in the first embodiment of the present invention.
  • the reason for this is that the learning reliability calculation unit 140 determines the degree of adaptation of the single time series model to the time series of the learning period and the degree of adaptation of the single time series model to the time series of the monitoring period for each of the metrics related to the correlation. This is for calculating the learning reliability based on the above.
  • the correlation is represented by a correlation function between metrics, but the correlation may be represented by a correlation coefficient between metrics.
  • the correlation model generation unit 130 detects a correlation for a pair of metrics whose correlation coefficient in the learning period is equal to or greater than a predetermined threshold.
  • the learning reliability calculation unit 140 calculates the learning reliability of the detected correlation. Then, for example, for a correlation whose learning reliability is equal to or higher than a predetermined threshold, the correlation change analysis unit 160 determines that an abnormality has occurred in the system when the correlation coefficient in the monitoring period is less than the predetermined threshold.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Debugging And Monitoring (AREA)

Abstract

　不変関係分析における異常検知能力を向上し、誤った異常報告を低減する。　システム分析装置（１００）は、相関モデル生成部（１３０）、及び、学習信頼度算出部（１４０）を含む。相関モデル生成部（１３０）は、システムにおける複数のメトリックの学習期間の時系列をもとに、メトリック間の相関関係を含む相関モデルを生成する。学習信頼度算出部（１４０）は、相関モデルに含まれる相関関係に係るメトリックの各々の学習期間の時系列の振る舞いをもとに、当該相関関係の学習信頼度を算出する。

Description

情報処理装置、分析方法、及び、記録媒体
　本発明は、情報処理装置、分析方法、及び、記録媒体に関し、特に、相関関係を用いてシステムの分析を行う情報処理装置、分析方法、及び、記録媒体に関する。
　システム性能の時系列間の相関性に基づいてシステムのモデル化を行い、生成されたモデルを用いてシステムの障害や異常等の要因を判定する運用管理システムの一例が、特許文献１に開示されている。
　特許文献１に記載されている運用管理システムは、システムの正常時（学習期間）における複数のメトリックの実測値の時系列をもとに、複数のメトリックの内の各ペアの相関関係を表す相関関数を決定する。そして、運用管理システムは、相関関数の誤差をもとに算出される重みに応じて相関関係を選択することにより、システムの相関モデルを生成する。さらに、運用管理システムは、生成された相関モデルを用いて、相関関係の破壊（相関破壊）を検出し、相関破壊をもとにシステムの障害要因を判定する。このように、相関破壊をもとにシステムの状態を分析する技術は、不変関係分析と呼ばれる。
　不変関係分析においては、例えば、メトリックｙ、ｕのペアに関して、メトリックｕの値をもとにメトリックｙの値を予測する相関関数が用いられる。そして、モデル生成時の時系列を用いて、メトリックｙの実測値と相関関数による予測値との差、つまり予測誤差が算出される。さらに、算出された予測誤差をもとに、監視時に許容される予測誤差の閾値が設定される。監視時の予測誤差が閾値を超えた（相関破壊が検出された）場合、システムにおいて異常が発生したと判断される。
　また、関連技術として、特許文献２には、システム性能の時系列を用いて、システムの異常を検知する設備状態監視方法が開示されている。特許文献２に記載されている設備状態監視方法は、設備の出力する時系列信号に、一定期間ごとに運転パターンラベルを付与し、ラベルごとに正常モデルを構築する。異常検知を行う場合は、検知対象期間に運転パターンラベルを付与し、同じまたは状態の近いラベルを持つ正常モデルを使って異常検知を行う。
　また、他の関連技術として、特許文献３には、不変関係分析を行う運用管理システムにおいて、所定期間に生成された複数の相関モデルから、当該所定期間の性能情報に対する適合度をもとに、基本モデル、特定モデルを抽出する方法が開示されている。
特許第４８７２９４４号公報 国際公開第２０１３／０３０９８４号 国際公開第２０１２／０２９５００号
　上述の特許文献１に記載されている技術では、不変関係分析において、異常検知能力が低下、もしくは、誤った異常報告が出力される可能性がある。その理由は、相関関係に係るメトリックの学習期間における時系列が、メトリック間の関係の学習を十分に行うことのできないような時系列であっても、当該相関関係の重みが大きく（相関関数の予測誤差が小さく）なる可能性があるためである。例えば、相関関係に係るメトリックの時系列の値が全く変化しない、一度だけしか変化しない、もしくは直線状に増加する場合でも、相関関係の重みは大きくなる可能性がある。不変関係分析において、このような学習が不十分な相関関係が選択された場合、異常検知能力の低下や誤った異常報告が発生する。
　本発明の目的は、上述した課題を解決し、不変関係分析において、異常検知能力を向上し、かつ、誤った異常報告を低減できる情報処理装置、分析方法、及び、記録媒体を提供することである。
　本発明の一態様におけるシステム分析装置は、システムにおける複数のメトリックの学習期間の時系列をもとに、メトリック間の相関関係を含む相関モデルを生成する、相関モデル生成手段と、前記相関モデルに含まれる前記相関関係に係るメトリックの各々の前記学習期間の時系列の振る舞いをもとに、当該相関関係の学習信頼度を算出する、学習信頼度算出手段と、を備える。
　本発明の一態様における分析方法は、システムにおける複数のメトリックの学習期間の時系列をもとに、メトリック間の相関関係を含む相関モデルを生成し、前記相関モデルに含まれる前記相関関係に係るメトリックの各々の前記学習期間の時系列の振る舞いをもとに、当該相関関係の学習信頼度を算出する。
　本発明の一態様におけるコンピュータが読み取り可能な記録媒体は、コンピュータに、システムにおける複数のメトリックの学習期間の時系列をもとに、メトリック間の相関関係を含む相関モデルを生成し、前記相関モデルに含まれる前記相関関係に係るメトリックの各々の前記学習期間の時系列の振る舞いをもとに、当該相関関係の学習信頼度を算出する、処理を実行させるプログラムを格納する。
　本発明の効果は、不変関係分析において、異常検知能力を向上し、かつ、誤った異常報告を低減できることである。
本発明の第１の実施の形態の特徴的な構成を示すブロック図である。 本発明の第１の実施の形態における、システム分析装置１００の構成を示すブロック図である。 本発明の第１の実施の形態における、学習信頼度算出部１４０の構成を示すブロック図である。 本発明の第１の実施の形態における、コンピュータにより実現されたシステム分析装置１００の構成を示すブロック図である。 本発明の第１の実施の形態における、システム分析装置１００の全体的な処理を示すフローチャートである。 本発明の第１の実施の形態における、相関モデル生成処理（ステップＳ１００）の詳細を示すフローチャートである。 本発明の第１の実施の形態における、相関変化分析処理（ステップＳ２００）の詳細を示すフローチャートである。 本発明の第１の実施の形態における、単一時系列モデルの形式の例を示す図である。 本発明の第１の実施の形態における、性能情報の時系列の例を示す図である。 図９の時系列におけるメトリックＡ、Ｂを示すグラフである。 図９の時系列におけるメトリックＣ、Ｄを示すグラフである。 本発明の第１の実施の形態における、学習信頼度の算出例を示す図である。 本発明の第１の実施の形態における、学習信頼度の他の算出例を示す図である。 本発明の第１の実施の形態における、相関モデルの例を示す図である。 本発明の第２の実施の形態における、時系列の分割例を示す図である。 本発明の第２の実施の形態における、単一時系列モデルの生成例を示す図である。 本発明の第２の実施の形態における、学習信頼度の算出例を示す図である。 本発明の第２の実施の形態における、相関モデルの例を示す図である。 本発明の第３の実施の形態における、システム分析装置１００の構成を示すブロック図である。 本発明の第３の実施の形態における、学習信頼度モデル生成部１９０の構成を示すブロック図である。 本発明の第３の実施の形態における、学習信頼度決定部１９５の構成を示すブロック図である。 本発明の第３の実施の形態における、相関モデル生成処理（ステップＳ１００）の詳細を示すフローチャートである。 本発明の第３の実施の形態における、相関変化分析処理（ステップＳ２００）の詳細を示すフローチャートである。 本発明の第３の実施の形態における、相関モデルの例を示す図である。
　（第１の実施の形態）
　本発明の第１の実施の形態について説明する。
　はじめに、本発明の第１の実施の形態の構成について説明する。図２は、本発明の第１の実施の形態における、システム分析装置１００の構成を示すブロック図である。システム分析装置１００は、本発明の情報処理装置の一実施形態である。
　図２を参照すると、本発明の第１の実施の形態におけるシステム分析装置１００は、被監視システム５００とネットワーク等により接続される。被監視システム５００は、例えばＷＥＢサービスや業務サービスといった情報通信サービスを提供するシステムや、プラントや発電設備などのシステムである。被監視システム５００は、システム性能の実測値の時系列を出力する。
　被監視システム５００は、複数種目の性能値の実測値を一定間隔ごとに計測し、システム分析装置１００へ送信する。ここで、性能値の種目として、例えば、ＣＰＵ（Central Processing Unit）使用率、メモリ使用率、ディスクアクセス頻度等、コンピュータリソースやネットワークリソースの使用率、使用量等が用いられる。また、性能値の種目として、各種センサにより測定される電力、電圧、電流、温度、圧力等が用いられてもよい。
　ここで、性能値の種目をメトリック（性能指標）と定義し、同一時刻に計測された複数のメトリックの値の組を性能情報と定義する。メトリックの値は、整数や小数により表される。また、メトリックは、特許文献１における相関モデルの生成対象である「要素」に相当する。
　システム分析装置１００は、被監視システム５００から収集した性能情報の時系列をもとに、被監視システム５００の相関モデルを生成し、生成した相関モデルを用いて、被監視システム５００の状態を分析する。
　システム分析装置１００は、性能情報収集部１１０、性能情報記憶部１２０、相関モデル生成部１３０、学習信頼度算出部１４０、相関モデル記憶部１５０、相関変化分析部１６０、分析設定記憶部１７０、及び、障害分析部１８０を含む。
　性能情報収集部１１０は、被監視システム５００から、性能情報の時系列を収集する。
　性能情報記憶部１２０は、性能情報収集部１１０が収集した、学習期間における性能情報の時系列を記憶する。
　相関モデル生成部１３０は、特許文献１と同様に、学習期間における性能情報の時系列をもとに、被監視システム５００の相関モデルを生成する。
　相関モデルは、複数のメトリックの内の各ペアの相関関係を含む。ここで、相関関係は、メトリック間の相関関数（または、変換関数）によって表される。相関関数は、メトリックのペアの内の一方のメトリック（入力メトリック）の値から、他方のメトリック（出力メトリック）の値を予測する関数である。
　相関モデル生成部１３０は、性能情報収集部１１０に記憶された学習期間における性能情報の時系列を用いて、各メトリックのペアについて、相関関数のパラメータを算出する。相関関数のパラメータは、特許文献１と同様に、メトリックの時系列に対するシステム同定処理によって決定される。相関モデル生成部１３０は、これらの処理を全てのメトリックのペアに対して繰り返すことにより、相関モデルを生成する。相関モデル生成部１３０は、特許文献１と同様に、相関関数の予測誤差に応じた重みを算出し、相関関係に付与してもよい。また、相関モデル生成部１３０は、重みに応じて相関関係を選別してもよい。
　学習信頼度算出部１４０は、性能情報収集部１１０に記憶された、学習期間における性能情報の時系列を用いて、相関モデルに含まれる相関関係の学習信頼度を算出する。ここで、学習信頼度は、相関関係がメトリック間の関係を学習しているかどうかを示す。
　本発明の実施の形態においては、相関関係に係るメトリックの各々の学習期間の時系列が、特定の振る舞い（挙動）を示した場合、当該相関関係は実際のメトリック間の関係を十分学習しておらず、学習信頼度が低いと仮定する。ここで、特定の振る舞いとは、例えば、メトリックの時系列が一定値を示す、二つの値のいずれかを示す、あるいは、直線的な変化を示す等である。
　例えば、相関関係に係るメトリックの学習期間の時系列が直線的に増加した場合、当該相関関係は、その場合のメトリック間の関係しか学習できていない。したがって、相関変化分析において、当該メトリックの値が減少する場合や増減を繰り返す場合、正常な挙動であっても異常と判定される（誤った異常報告が出力される）可能性が高くなる。
　そこで、本発明の実施の形態においては、相関関係に係る各メトリックの学習期間における時系列をもとに、上述の特定の振る舞いを示す時系列モデル（単一時系列モデル）を生成する。そして、各メトリックの学習期間における時系列に対する、単一時系列モデルの適合度をもとに、学習信頼度を算出する。ここで、学習信頼度は、適合度に応じて、適合度が高い場合は低く、適合度が低い場合は高くなるように算出される。
　また、本発明の実施の形態においては、適合度を、各メトリックの学習期間における時系列に対する、単一時系列モデルの予測誤差を用いて算出する。この場合、学習信頼度は、単一時系列モデルの予測誤差に応じて、予測誤差が小さい（適合度が高い）場合は低く、予測誤差が大きい（適合度が低い）場合は高くなるように算出される。
　相関モデル記憶部１５０は、相関モデル生成部１３０により生成された相関モデルの各相関関係に、学習信頼度算出部１４０により算出された学習信頼度を付加して記憶する。
　相関変化分析部１６０は、相関モデル記憶部１５０から学習信頼度が付加された相関モデルを取得し、学習信頼度が所定の閾値以上の相関関係を抽出する。ここで、相関モデルに重みが付与されている場合、相関変化分析部１６０は、さらに、重みによって相関関係を抽出してもよい。そして、相関変化分析部１６０は、抽出した各相関関係について、相関変化分析の対象となる期間（監視期間）における性能情報の時系列を用いて、相関関数の予測誤差を算出することにより、相関破壊の有無の検出を行う。
　分析設定記憶部１７０は、障害分析部１８０が障害分析を行う方法や条件を示す分析設定を記憶する。例えば、分析設定には、障害分析部１８０が異常を通知する（警告を発する）、相関破壊の数や割合等に係る条件が設定される。
　障害分析部１８０は、分析設定に従って障害分析を行う。
　図３は、本発明の第１の実施の形態における、学習信頼度算出部１４０の構成を示すブロック図である。
　図３を参照すると、学習信頼度算出部１４０は、時系列モデル記憶部１４１、時系列モデル生成部１４２、予測誤差算出部１４３、及び、信頼度算出部１４４を含む。
　時系列モデル記憶部１４１は、単一時系列モデルの形式を記憶する。単一時系列モデルは、各メトリックの時系列をモデル化するための時系列モデルである。単一時系列モデルには、相関関係の学習信頼度が低いと判断される振る舞いを示す時系列モデルが用いられる。
　図８は、本発明の第１の実施の形態における、単一時系列モデルの形式の例を示す図である。図８の例では、単一時系列モデルの形式として、一定値モデル、二値モデル、及び、直線モデルが設定されている。図８において、Ｘ（ｉ）は、時刻ｉにおけるメトリックＸの値である。また、ａ、ｂ、ｃはパラメータである。
　時系列モデル生成部１４２は、各メトリックの学習期間における時系列をもとに、時系列モデル記憶部１４１に記憶されている各形式の単一時系列モデルのパラメータを決定（単一時系列モデルを生成）する。単一時系列モデルのパラメータは、例えば、メトリックの時系列に対するシステム同定処理によって決定される。
　予測誤差算出部１４３は、各メトリックの学習期間の時系列に対する、単一時系列モデルの適合度として、当該単一時系列モデルによる予測誤差を算出する。予測誤差は、例えば、単一時系列モデルに学習期間における時系列を適用することにより得られる予測値と実測値との差の二乗平均により算出される。
　信頼度算出部１４４は、相関関係の学習信頼度を算出する。ここで、信頼度算出部１４４は、相関関係に係る各メトリックについて生成された単一時系列モデルの適合度が高い（予測誤差が小さい）ほど、当該相関関係の学習信頼度が低くなるように、学習信頼度を決定する。
　例えば、信頼度算出部１４４は、相関関係に係る各メトリックについて算出されている複数の単一時系列モデルの予測誤差の内、最も小さい予測誤差を抽出する。そして、信頼度算出部１４４は、相関関係に係る各メトリックについて抽出された予測誤差の合計を、当該相関関係の学習信頼度として算出する。
　なお、本発明の第１の実施の形態では、単一時系列モデルの適合度として、単一時系列モデルの予測誤差を用いたが、学習期間の時系列に対する単一時系列モデルの適合度合いを表すことができれば、予測誤差以外を用いてもよい。例えば、単一時系列モデルが一定値モデルや二値モデルの場合、これらの一定値や二値以外の値を示した回数を、適合度として用いてもよい。この場合、時系列モデル記憶部１４１に記憶される各単一時系列モデルの形式に、当該単一時系列モデルの適合度の算出方法が付与されていてもよい。
　なお、システム分析装置１００は、ＣＰＵとプログラムを記憶した記憶媒体を含み、プログラムに基づく制御によって動作するコンピュータであってもよい。また、性能情報記憶部１２０、相関モデル記憶部１５０、及び、分析設定記憶部１７０は、それぞれ個別の記憶媒体でも、１つの記憶媒体によって構成されてもよい。
　図４は、本発明の第１の実施の形態における、コンピュータにより実現されたシステム分析装置１００の構成を示すブロック図である。システム分析装置１００は、ＣＰＵ１０１、ハードディスクやメモリ等の記憶手段（記憶媒体）１０２、他の装置等とデータ通信を行う通信手段１０３、キーボード等の入力手段１０４、及び、ディスプレイ等の出力手段１０５を含む。
　ＣＰＵ１０１は、性能情報収集部１１０、相関モデル生成部１３０、学習信頼度算出部１４０、相関変化分析部１６０、及び、障害分析部１８０の機能を実現するためのコンピュータプログラムを実行する。記憶手段１０２は、性能情報記憶部１２０、相関モデル記憶部１５０、及び、分析設定記憶部１７０のデータを記憶する。通信手段１０３は、被監視装置５００から、性能情報の時系列を受信する。入力手段１０４は、ユーザ等から、各種閾値や分析設定の入力を受け付ける。出力手段１０５は、ユーザ等へ障害分析の結果を出力する。
　また、図２に示されたシステム分析装置１００の各構成要素は、独立した論理回路でもよい。
　次に、本発明の第１の実施の形態における、システム分析装置１００の動作について説明する。
　図５は、本発明の第１の実施の形態における、システム分析装置１００の全体的な処理を示すフローチャートである。
　はじめに、システム分析装置１００は、相関モデルを生成する（ステップＳ１００）。そして、システム分析装置１００は、生成された相関モデルを用いて、相関変化分析（不変関係分析）を行う（ステップＳ２００）。
　図６は、本発明の第１の実施の形態における、相関モデル生成処理（ステップＳ１００）の詳細を示すフローチャートである。
　ここでは、メトリックＸ、Ｙ間の相関関係を表す相関関数の形式として、Ｙ（ｉ）＝ａ＊Ｘ（ｉ）＋ｂ（ａ、ｂはパラメータ、ｉは時刻）を用いると仮定する。
　はじめに、性能情報収集部１１０は、被監視システム５００から、学習期間における性能情報の時系列を収集する（ステップＳ１０１）。性能情報収集部１１０は、収集した性能情報の時系列を、性能情報記憶部１２０に保存する。
　図９は、本発明の第１の実施の形態における、性能情報の時系列の例を示す図である。
　例えば、性能情報収集部１１０は、図９のように、性能情報の時系列として、メトリックＡ、Ｂ、Ｃ、Ｄの時系列を収集し、保存する。
　相関モデル生成部１３０は、性能情報収集部１１０に記憶された性能情報から、メトリックのペアを一つ選択する（ステップＳ１０２）。相関モデル生成部１３０は、選択したメトリックのペアについて、学習期間の時系列を用いて、相関関数を算出する（ステップＳ１０３）。
　図１０は、図９の時系列におけるメトリックＡ、Ｂを示すグラフである。
　例えば、相関モデル生成部１３０は、図９の時系列における時系列におけるメトリックＡ、Ｂ間の相関関数を、最小二乗法により、Ｂ（ｉ）＝１．２＊Ａ（ｉ）のように算出する。
　学習信頼度算出部１４０は、相関関係の学習信頼度を算出する（ステップＳ１０４）。ここで、学習信頼度算出部１４０の時系列モデル生成部１４２は、相関関係に係る各メトリックの学習期間の時系列について、時系列モデル記憶部１４１に記憶されている各形式の単一時系列モデルを生成する。予測誤差算出部１４３は、各単一時系列モデルの、学習期間の時系列に対する予測誤差を算出する。信頼度算出部１４４は、各メトリックについて算出されている単一時系列モデルの予測誤差の内、最も小さい予測誤差を抽出する。そして、信頼度算出部１４４は、各メトリックについて抽出された予測誤差の合計を、当該相関関係の学習信頼度として算出する。
　図１２は、本発明の第１の実施の形態における、学習信頼度の算出例を示す図である。
　例えば、学習信頼度算出部１４０は、図９の時系列におけるメトリックＡ、Ｂの各々について、図１２のように単一時系列モデルを生成し、単一時系列モデルの予測誤差（最小値）を合計して、メトリックＡ、Ｂ間の相関関係の学習信頼度「０」を算出する。
　学習信頼度算出部１４０は、相関関係に学習信頼度を付与し、相関モデル記憶部１５０に保存する（ステップＳ１０５）。
　図１４は、本発明の第１の実施の形態における、相関モデルの例を示す図である。
　例えば、学習信頼度算出部１４０は、図１４のように、メトリックＡ、Ｂ間の相関関係に学習信頼度を付与して、保存する。
　以降、全てのメトリックのペアについて、ステップＳ１０２～Ｓ１０５の処理が繰り返される（ステップＳ１０６）。
　図１１は、図９の時系列におけるメトリックＣ、Ｄを示すグラフである。
　例えば、相関モデル生成部１３０は、図９の時系列におけるメトリックＣ、Ｄ間の相関関数を、Ｄ（ｉ）＝１．４４５４＊Ｃ（ｉ）－０．３３３５のように算出する。
　図１３は、本発明の第１の実施の形態における、学習信頼度の他の算出例を示す図である。
　学習信頼度算出部１４０は、図９の時系列におけるメトリックＣ、Ｄの各々について、図１３のように単一時系列モデルを生成し、メトリックＣ、Ｄ間の相関関係の学習信頼度「２．４７４」を算出する。
　学習信頼度算出部１４０は、図１４のように、メトリックＣ、Ｄ間の相関関係に学習信頼度を付与して、保存する。
　図７は、本発明の第１の実施の形態における、相関変化分析処理（ステップＳ２００）の詳細を示すフローチャートである。
　はじめに、相関変化分析部１６０は、相関モデル記憶部１５０から、学習信頼度が付加された相関モデルを取得する（ステップＳ２０１）。相関変化分析部１６０は、相関モデルから、学習信頼度が所定の信頼度閾値以上の相関関係を抽出する（ステップＳ２０２）。
　例えば、信頼度閾値が「０．１」の場合、相関変化分析部１６０は、図１４の相関モデルから、学習信頼度が「２．４７４」である、メトリックＣ、Ｄ間の相関関係を抽出する。メトリックＡ、Ｂ間の相関関係は抽出されない。
　相関変化分析部１６０は、ステップＳ２０２で抽出された相関関係の内の一つを選択する（ステップＳ２０３）。
　相関変化分析部１６０は、選択した相関関係について、性能情報収集部１１０により取集された性能情報の監視期間の時系列に対して、予測誤差を算出する（ステップＳ２０４）。
　予測誤差が所定の誤差閾値以上の場合（ステップＳ２０５／Ｙ）、相関変化分析部１６０は、相関破壊が検出されたと判定し（ステップＳ２０６）、相関破壊の異常スコアを算出する（ステップＳ２０７）。
　相関変化分析部１６０は、ステップＳ２０２で抽出された全ての相関関係について、ステップＳ２０３～Ｓ２０７の処理を繰り返す（ステップＳ２０８）。
　例えば、相関変化分析部１６０は、ステップＳ２０２で抽出されたメトリックＣ、Ｄ間の相関関係について、監視期間の時系列を用いて、相関破壊の有無の検出を行う。
　最後に、障害分析部１８０は、分析設定記憶部１７０に記憶された分析設定に従って障害分析を行う（ステップＳ２０９）。障害分析部１８０は、検出された相関破壊の詳細や障害分析の結果を、ユーザ等に出力する。
　以上により、本発明の第１の実施の形態の動作が完了する。
　次に、本発明の第１の実施の形態の特徴的な構成を説明する。図１は、本発明の第１の実施の形態の特徴的な構成を示すブロック図である。
　図１を参照すると、システム分析装置１００は、相関モデル生成部１３０、及び、学習信頼度算出部１４０を含む。相関モデル生成部１３０は、システムにおける複数のメトリックの学習期間の時系列をもとに、メトリック間の相関関係を含む相関モデルを生成する。学習信頼度算出部１４０は、相関モデルに含まれる相関関係に係るメトリックの各々の学習期間の時系列の振る舞いをもとに、当該相関関係の学習信頼度を算出する。
　本発明の第１の実施の形態によれば、不変関係分析において、異常検知能力を向上し、かつ、誤った異常報告を低減できる。その理由は、学習信頼度算出部１４０が、相関モデルに含まれる相関関係に係るメトリックの各々の学習期間の時系列の振る舞いをもとに、当該相関関係の学習信頼度を算出するためである。これにより、学習信頼度の高い相関関係を用いて、不変関係分析を行うことができる。
　また、上述の特許文献２に記載されている技術のように、ラベルに基づいてモデルを選択する方法では、検知対象期間に応じたシステムのモデルを選択することは可能である。しかしながら、ラベルはシステムに対して付与されるため、不変関係分析で用いられる相関モデルのように、モデルにシステムに係る複数の相関関係が含まれる場合、適切な相関関係を選択することができない。
　本発明の第１の実施の形態によれば、システムの相関モデルに含まれる複数の相関関係から、適切な相関関係を選択して、不変関係分析を行うことができる。その理由は、学習信頼度算出部１４０が、相関モデルに含まれる相関関係ごとに学習信頼度を算出するためである。
　（第２の実施の形態）
　次に、本発明の第２の実施の形態について説明する。
　本発明の第２の実施の形態においては、性能情報の時系列を時間方向で分割し、分割された時系列をもとに学習信頼度を算出する点において、本発明の第１の実施の形態と異なる。
　本発明の第２の実施の形態においては、学習信頼度算出部１４０の時系列モデル生成部１４２は、学習期間における相関関係に係る各メトリックの時系列を時間方向で分割し（第１の分割）、第１の分割による分割区間ごとに単一時系列モデルを生成する。
　ここで、第１の分割は、例えば、全ての可能な分割と分割された時系列ごとに生成した単一時系列モデルとの組合せの中から、単一時系列モデルの予測誤差の合計が最小になるような組合せを選択することにより行われる。例えば、単一時系列モデルとして直線モデルが用いられる場合であって、メトリックの時系列が、単調増加、及び、単調減少を示す場合は、時系列が当該単調増加、及び、単調減少を示す区間で分割される。
　図１５は、本発明の第２の実施の形態における、時系列の分割例を示す図である。
　例えば、時系列モデル生成部１４２は、図９の時系列におけるメトリックＣの時系列を、図１５に示すように、時刻１から６（分割区間ｃ１）、時刻７から１２（分割区間ｃ２）、及び、時刻１３から２０（分割区間ｃ３）の３つに分割する。同様に、時系列モデル生成部１４２は、メトリックＤの時系列を、時刻１から８（分割区間ｄ１）、時刻９から１２（分割区間ｄ２）、及び、時刻１３から２０（分割区間ｄ３）の３つに分割する。
　図１６は、本発明の第２の実施の形態における、単一時系列モデルの生成例を示す図である。
　時系列モデル生成部１４２は、メトリックＣ、Ｄの各々について、分割区間（ｃ１、ｃ２、ｃ３、ｄ１、ｄ２、ｄ３）ごとに、図１６のように、単一時系列モデルを生成する。
　なお、時系列の分割数には上限が設定されていてもよい。
　予測誤差算出部１４３は、第１の分割による分割区間を、さらに、いずれかのメトリックの時系列が分割される時刻で、双方のメトリックの時系列が分割されるように分割する（第２の分割）。
　例えば、予測誤差算出部１４３は、メトリックＣ、Ｄの時系列を、図１５に示すように、時刻１から６（分割区間ｃｄ１）、時刻７から８（分割区間ｃｄ２）、時刻９から１２（分割区間ｃｄ３）、及び、時刻１３から２０（分割区間ｃｄ４）の４つに分割する。
　予測誤差算出部１４３は、第２の分割による分割区間ごとに単一時系列モデルの組合せを割り当て、割り当てられた単一時系列モデルの予測誤差を算出する。そして、信頼度算出部１４４は、分割区間ごとに算出された予測誤差の合計を、相関関係の学習信頼度として算出する。
　図１７は、本発明の第２の実施の形態における、学習信頼度の算出例を示す図である。
　例えば、予測誤差算出部１４３は、図１７のように、分割区間（ｃｄ１、ｃｄ２、ｃｄ３、ｃｄ４）ごとに、単一時系列モデルの組合せを割り当て、単一時系列モデルの予測誤差を算出する。信頼度算出部１４４は、分割区間ごとの予測誤差を合計して、メトリックＣ、Ｄの相関関係の学習信頼度「０．１６５９２８」を算出する。
　学習信頼度算出部１４０は、相関関係に学習信頼度を付与し、相関モデル記憶部１５０に保存する。
　図１８は、本発明の第２の実施の形態における、相関モデルの例を示す図である。
　例えば、信頼度算出部１４４は、図１８のように、メトリックＣ、Ｄ間の相関関係に学習信頼度を付与して、保存する。
　なお、本発明の第２の実施の形態においては、相関関係に係る各メトリックの時系列に対して第１の分割を行った後で、いずれかのメトリックの時系列が分割される時刻で、双方のメトリックの時系列が分割されるように第２の分割を行った。そして、第２の分割が行われた分割区間ごとに算出した予測誤差を合計して学習信頼度を算出した。しかしながら、これに限らず、例えば、第２の分割を省略し、第１の分割が行われた分割区間ごとに算出した予測誤差を合計して学習信頼度を算出してもよい。
　本発明の第２の実施の形態によれば、学習期間におけるメトリックの時系列の振る舞いが、時間によって、異なる単一時系列モデルに適合する場合でも、学習信頼度を算出できる。その理由は、学習信頼度算出部１４０が、相関関係に係るメトリックの各々の学習期間の時系列を時間方向で分割し、分割された時系列の各々に対する単一時系列モデルの適合度合いをもとに、学習信頼度を算出するためである。
　（第３の実施の形態）
　次に、本発明の第３の実施の形態について説明する。
　本発明の第３の実施の形態においては、学習期間の時系列に対する単一時系列モデルの適合度合いと、監視期間の時系列に対する当該単一時系列モデルの適合度合いとをもとに、学習信頼度を算出する点において、本発明の第１の実施の形態と異なる。
　はじめに、本発明の第３の実施の形態の構成について説明する。図１９は、本発明の第３の実施の形態における、システム分析装置１００の構成を示すブロック図である。
　図１９を参照すると、本発明の第３の実施の形態におけるシステム分析装置１００の学習信頼度算出部１４０は、学習信頼度モデル生成部１９０、及び、学習信頼度決定部１９５を含む。
　学習信頼度モデル生成部１９０は、性能情報収集部１１０に記憶された、学習期間における性能情報の時系列を用いて、相関モデルに含まれる相関関係の学習信頼度モデルを生成する。ここで、学習信頼度モデルは、監視期間における性能情報の時系列をもとに、学習信頼度を決定する方法を示す。
　本発明の第３の実施の形態においては、さらに、相関関係に係るメトリックの時系列が、学習期間と監視期間とで同じ振る舞いを示した場合、相関関係は監視期間のメトリック間の関係を十分学習しており、相関関係の学習信頼度が高いと仮定する。
　そこで、本発明の第３の実施の形態では、学習期間の時系列に対する適合度が高い単一時系列モデルと同形式の単一時系列モデルの、監視期間の時系列に対する適合度が高い場合は、学習信頼度を高くするような、学習信頼度モデルを生成する。
　相関モデル記憶部１５０は、相関モデル生成部１３０により生成された相関モデルの各相関関係に、学習信頼度モデル生成部１９０により生成された学習信頼度モデルを付加して記憶する。
　学習信頼度決定部１９５は、監視期間における性能情報の時系列と学習信頼度モデルとを用いて学習信頼度を決定する。
　図２０は、本発明の第３の実施の形態における、学習信頼度モデル生成部１９０の構成を示すブロック図である。
　図２０を参照すると、学習信頼度モデル生成部１９０は、時系列モデル記憶部１９１、時系列モデル生成部１９２、及び、信頼度モデル生成部１９３を含む。
　時系列モデル記憶部１９１は、単一時系列モデルの形式を記憶する。
　時系列モデル生成部１９２は、各メトリックの学習期間における時系列をもとに、時系列モデル記憶部１９１に記憶されている各形式の単一時系列モデルのパラメータを決定（単一時系列モデルを生成）する。
　信頼度モデル生成部１９３は、時系列モデル生成部１９２により生成された単一時系列モデルの、学習期間における時系列に対する適合度をもとに、上述の学習信頼度モデルを生成する。
　図２１は、本発明の第３の実施の形態における、学習信頼度決定部１９５の構成を示すブロック図である。
　図２１を参照すると、学習信頼度決定部１９５は、時系列モデル記憶部１９６、時系列モデル生成部１９７、及び、信頼度決定部１９８を含む。
　時系列モデル記憶部１９６は、単一時系列モデルの形式を記憶する。時系列モデル記憶部１９６は、単一時系列モデルの形式として、時系列モデル記憶部１９１と同じ形式を記憶していてもよいし、異なる形式を記憶していてもよい。
　時系列モデル生成部１９７は、各メトリックの監視期間における時系列をもとに、時系列モデル記憶部１９６に記憶されている各形式の単一時系列モデルのパラメータを決定（単一時系列モデルを生成）する。時系列モデル生成部１９７は、時系列モデル生成部１９２と同様の方法で単一時系列モデルを生成してもよいし、異なる方法で単一時系列モデルを生成してもよい。
　信頼度決定部１９８は、時系列モデル生成部１９７により生成された単一時系列モデルの、監視期間における時系列に対する適合度と、学習信頼度モデルとを用いて、学習信頼度を決定する。
　次に、本発明の第３の実施の形態におけるシステム分析装置１００の動作について説明する。
　図２２は、本発明の第３の実施の形態における、相関モデル生成処理（ステップＳ１００）の詳細を示すフローチャートである。
　ここで、性能情報収集部１１０が性能情報の時系列を収集してから相関モデル生成部１３０が相関関数を算出するまでの処理（ステップＳ１１１～Ｓ１１３）は、本発明の第１の実施の形態（ステップＳ１０１～Ｓ１０３）と同様である。
　学習信頼度モデル生成部１９０は、相関関係の学習信頼度モデルを生成する（ステップＳ１１４）。ここで、学習信頼度モデル生成部１９０の時系列モデル生成部１９２は、相関関係に係る各メトリックの学習期間の時系列について、時系列モデル記憶部１９１に記憶されている各形式の単一時系列モデルを生成する。信頼度モデル生成部１９３は、生成した各単一時系列モデルの学習期間の時系列に対する予測誤差を算出し、予測誤差の小さい（適合度の高い）単一時系列モデルについて、学習信頼度モデルを生成する。
　図２４は、本発明の第３の実施の形態における、相関モデルの例を示す図である。
　例えば、学習信頼度モデル生成部１９０は、図９の時系列におけるメトリックＡ、Ｂの各々について、図１２のように単一時系列モデルを生成する。そして、学習信頼度モデル生成部１９０は、予測誤差が小さい（０である）直線モデルについて、図２４のような学習信頼度モデルを生成する。
　学習信頼度モデル生成部１９０は、相関関係に学習信頼度モデルを付与し、相関モデル記憶部１５０に保存する（ステップＳ１１５）。
　例えば、学習信頼度モデル生成部１９０は、図２４のように、メトリックＡ、Ｂ間の相関関係に学習信頼度モデルを付与して、保存する。
　以降、全てのメトリックのペアについて、ステップＳ１１２～Ｓ１１５の処理が繰り返される（ステップＳ１１６）。
　図２３は、本発明の第３の実施の形態における、相関変化分析処理（ステップＳ２００）の詳細を示すフローチャートである。
　はじめに、相関変化分析部１６０は、相関モデル記憶部１５０から、学習信頼度モデルが付加された相関モデルを取得する（ステップＳ２１１）。学習信頼度決定部１９５は、相関モデルに含まれる相関関係の内の一つを選択する（ステップＳ２１２）。
　学習信頼度決定部１９５は、選択した相関関係の学習信頼度を決定する（ステップＳ２１３）。ここで、学習信頼度決定部１９５の時系列モデル生成部１９７は、相関関係に係る各メトリックの監視期間の時系列について、時系列モデル記憶部１９６に記憶されている各形式の単一時系列モデルを生成する。信頼度決定部１９８は、生成した各単一時系列モデルの監視期間の時系列に対する予測誤差を算出する。信頼度決定部１９８は、各単一時系列モデルの予測誤差と相関関係に付与された学習信頼度モデルとを用いて、学習信頼度を決定する。
　例えば、信頼度決定部１９８は、メトリックＡ、Ｂ間の相関関係について、図２４の学習信頼度モデルを用いて、学習信頼度を算出する。ここで、メトリックＡ、Ｂの双方に対して、監視期間の時系列に対する直線モデルの予測誤差が０の場合、信頼度決定部１９８は、学習信頼度モデルに従って、学習信頼度に「１」を設定する。また、メトリックＡ、Ｂのいずれかに対して、監視期間の時系列に対する直線モデルの予測誤差が０の場合、信頼度決定部１９８は、学習信頼度に「０．５」を設定する。上記以外の場合、信頼度決定部１９８は、学習信頼度に「０」を設定する。
　学習信頼度が所定の信頼度閾値以上の場合（ステップＳ２１４／Ｙ）、相関変化分析部１６０は、本発明の第１の実施の形態（ステップＳ２０４～Ｓ２０７）と同様に、相関破壊の検出を行う（ステップＳ２１５～Ｓ２１８）。そして、相関モデルに含まれる全ての相関関係について、ステップＳ２１２～Ｓ２１８の処理が繰り返される（ステップＳ２１９）。
　最後に、障害分析部１８０は、本発明の第１の実施の形態（ステップＳ２０９）と同様に、障害分析を行う（ステップＳ２２０）。
　以上により、本発明の第３の実施の形態の動作が完了する。
　本発明の第３の実施の形態によれば、本発明の第１の実施の形態に比べて、より正確に学習信頼度を算出できる。その理由は、学習信頼度算出部１４０が、相関関係に係るメトリックの各々の、学習期間の時系列に対する単一時系列モデルの適合度合いと、監視期間の時系列に対する当該単一時系列モデルの適合度合いとをもとに、学習信頼度を算出するためである。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　例えば、本発明の実施の形態においては、相関関係をメトリック間の相関関数によって表したが、相関関係をメトリック間の相関係数で表してもよい。この場合、相関モデル生成部１３０は、例えば、学習期間における相関係数が所定の閾値以上であるメトリックのペアについて、相関関係を検出する。学習信頼度算出部１４０は、検出された相関関係の学習信頼度を算出する。そして、相関変化分析部１６０は、例えば、学習信頼度が所定の閾値以上の相関関係について、監視期間における相関係数が所定の閾値未満の場合、システムにおいて異常が発生したと判断する。
　この出願は、２０１４年５月１６日に出願された日本出願特願２０１４－１０１９４８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。
　１００　　システム分析装置
　１０１　　ＣＰＵ
　１０２　　記憶手段
　１０３　　通信手段
　１０４　　入力手段
　１０５　　出力手段
　１１０　　性能情報収集部
　１２０　　性能情報記憶部
　１３０　　相関モデル生成部
　１４０　　学習信頼度算出部
　１４１　　時系列モデル記憶部
　１４２　　時系列モデル生成部
　１４３　　予測誤差算出部
　１４４　　信頼度算出部
　１５０　　相関モデル記憶部
　１６０　　相関変化分析部
　１７０　　分析設定記憶部
　１８０　　障害分析部
　１９０　　学習信頼度モデル生成部
　１９１　　時系列モデル記憶部
　１９２　　時系列モデル生成部
　１９３　　信頼度モデル生成部
　１９５　　学習信頼度決定部
　１９６　　時系列モデル記憶部
　１９７　　時系列モデル生成部
　１９８　　信頼度決定部
　５００　　被監視システム

Claims (10)

  1. 　システムにおける複数のメトリックの学習期間の時系列をもとに、メトリック間の相関関係を含む相関モデルを生成する、相関モデル生成手段と、
    　前記相関モデルに含まれる前記相関関係に係るメトリックの各々の前記学習期間の時系列の振る舞いをもとに、当該相関関係の学習信頼度を算出する、学習信頼度算出手段と、
    　を備えた、システム分析装置。
  2. 　前記学習信頼度算出手段は、前記相関関係に係るメトリックの各々の前記学習期間の時系列に対する所定形式の時系列モデルの適合度合いをもとに、当該相関関係の前記学習信頼度を算出する、
    　請求項１に記載のシステム分析装置。
  3. 　前記適合度合いは、前記メトリックの前記学習期間の時系列に対して生成された前記所定形式の時系列モデルによる、当該学習期間の時系列に対する予測誤差をもとに算出される、
    　請求項２に記載のシステム分析装置。
  4. 　前記学習信頼度算出手段は、前記相関関係に係るメトリックの各々について算出された、１以上の前記所定形式の時系列モデルによる予測誤差の内の、最小の予測誤差の合計値を、当該相関関係の前記学習信頼度として算出する、
    　請求項３に記載のシステム分析装置。
  5. 　前記学習信頼度算出手段は、前記相関関係に係るメトリックの各々の前記学習期間の時系列を時間方向で分割し、分割された時系列の各々に対する前記所定形式の時系列モデルの適合度合いをもとに、前記学習信頼度を算出する、
    　請求項２に記載のシステム分析装置。
  6. 　前記学習信頼度算出手段は、前記相関関係に係るメトリックの各々の、前記学習期間の時系列に対する前記所定形式の時系列モデルの適合度合いと、監視期間の時系列に対する当該所定形式の時系列モデルの適合度合いとをもとに、前記学習信頼度を算出する、
    　請求項２に記載のシステム分析装置。
  7. 　前記所定形式の時系列モデルは、時系列が一定値を示すモデル、二つの値のいずれかを示すモデル、及び、直線的な変化を示すモデルの内のいずれかである、
    　請求項２乃至６のいずれかに記載のシステム分析装置。
  8. 　さらに、前記学習信頼度が所定の信頼度閾値以上の前記相関関係を用いて、当該相関関係に係るメトリック間の相関破壊を検出する、相関変化分析手段を備えた、
    　請求項１乃至７のいずれかに記載のシステム分析装置。
  9. 　システムにおける複数のメトリックの学習期間の時系列をもとに、メトリック間の相関関係を含む相関モデルを生成し、
    　前記相関モデルに含まれる前記相関関係に係るメトリックの各々の前記学習期間の時系列の振る舞いをもとに、当該相関関係の学習信頼度を算出する、
    　分析方法。
  10. 　コンピュータに、
    　システムにおける複数のメトリックの学習期間の時系列をもとに、メトリック間の相関関係を含む相関モデルを生成し、
    　前記相関モデルに含まれる前記相関関係に係るメトリックの各々の前記学習期間の時系列の振る舞いをもとに、当該相関関係の学習信頼度を算出する、
    　処理を実行させるプログラムを格納する、コンピュータが読み取り可能な記録媒体。
PCT/JP2015/002365 2014-05-16 2015-05-11 情報処理装置、分析方法、及び、記録媒体 WO2015174063A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2016519107A JPWO2015174063A1 (ja) 2014-05-16 2015-05-11 情報処理装置、分析方法、及び、記録媒体
EP15792714.6A EP3144815A4 (en) 2014-05-16 2015-05-11 Information processing device, analysis method, and recording medium
US15/128,531 US10157113B2 (en) 2014-05-16 2015-05-11 Information processing device, analysis method, and recording medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014101948 2014-05-16
JP2014-101948 2014-05-16

Publications (1)

Publication Number Publication Date
WO2015174063A1 true WO2015174063A1 (ja) 2015-11-19

Family

ID=54479613

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/002365 WO2015174063A1 (ja) 2014-05-16 2015-05-11 情報処理装置、分析方法、及び、記録媒体

Country Status (4)

Country Link
US (1) US10157113B2 (ja)
EP (1) EP3144815A4 (ja)
JP (1) JPWO2015174063A1 (ja)
WO (1) WO2015174063A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10649874B2 (en) * 2015-12-30 2020-05-12 Teradata Us, Inc. Long-duration time series operational analytics
CN109145595A (zh) * 2018-07-31 2019-01-04 顺丰科技有限公司 一种用户异常行为检测系统、方法、设备及存储介质
FR3098937B1 (fr) * 2019-07-15 2021-10-08 Bull Sas Procédé d’analyse de consommation de ressource d’une infrastructure informatique, alerte et dimensionnement

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011155621A1 (ja) * 2010-06-07 2011-12-15 日本電気株式会社 障害検出装置、障害検出方法およびプログラム記録媒体
WO2013111560A1 (ja) * 2012-01-23 2013-08-01 日本電気株式会社 運用管理装置、運用管理方法、及びプログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080243912A1 (en) * 2007-03-28 2008-10-02 British Telecommunctions Public Limited Company Method of providing business intelligence
JP4872944B2 (ja) 2008-02-25 2012-02-08 日本電気株式会社 運用管理装置、運用管理システム、情報処理方法、及び運用管理プログラム
CN102713862B (zh) * 2010-02-15 2015-12-02 日本电气株式会社 故障原因提取装置、故障原因提取方法和程序记录介质
WO2012029500A1 (ja) 2010-09-01 2012-03-08 日本電気株式会社 運用管理装置、運用管理方法、及びプログラム
US10360527B2 (en) * 2010-11-10 2019-07-23 International Business Machines Corporation Casual modeling of multi-dimensional hierarchical metric cubes
JP5473977B2 (ja) * 2011-04-14 2014-04-16 キヤノン株式会社 撮像装置およびカメラシステム
US9659250B2 (en) 2011-08-31 2017-05-23 Hitachi Power Solutions Co., Ltd. Facility state monitoring method and device for same
US9197511B2 (en) * 2012-10-12 2015-11-24 Adobe Systems Incorporated Anomaly detection in network-site metrics using predictive modeling
US20150046060A1 (en) * 2013-08-12 2015-02-12 Mitsubishi Electric Research Laboratories, Inc. Method and System for Adjusting Vehicle Settings
US20170076209A1 (en) * 2015-09-14 2017-03-16 Wellaware Holdings, Inc. Managing Performance of Systems at Industrial Sites

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011155621A1 (ja) * 2010-06-07 2011-12-15 日本電気株式会社 障害検出装置、障害検出方法およびプログラム記録媒体
WO2013111560A1 (ja) * 2012-01-23 2013-08-01 日本電気株式会社 運用管理装置、運用管理方法、及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3144815A4 *

Also Published As

Publication number Publication date
US20170139794A1 (en) 2017-05-18
EP3144815A4 (en) 2018-01-17
JPWO2015174063A1 (ja) 2017-04-20
US10157113B2 (en) 2018-12-18
EP3144815A1 (en) 2017-03-22

Similar Documents

Publication Publication Date Title
JP6394726B2 (ja) 運用管理装置、運用管理方法、及びプログラム
JP6354755B2 (ja) システム分析装置、システム分析方法、及びシステム分析プログラム
JP5910727B2 (ja) 運用管理装置、運用管理方法、及び、プログラム
JP6183450B2 (ja) システム分析装置、及び、システム分析方法
JP6658540B2 (ja) システム分析装置、システム分析方法およびプログラム
JP6183449B2 (ja) システム分析装置、及び、システム分析方法
JP6708203B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
JP6489235B2 (ja) システム分析方法、システム分析装置、および、プログラム
WO2018073960A1 (ja) 表示方法、表示装置、および、プログラム
EP2958023B1 (en) System analysis device and system analysis method
WO2015174063A1 (ja) 情報処理装置、分析方法、及び、記録媒体
JP6973445B2 (ja) 表示方法、表示装置、および、プログラム

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: 15792714

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016519107

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15128531

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

REEP Request for entry into the european phase

Ref document number: 2015792714

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2015792714

Country of ref document: EP