JP6183450B2 - システム分析装置、及び、システム分析方法 - Google Patents
システム分析装置、及び、システム分析方法 Download PDFInfo
- Publication number
- JP6183450B2 JP6183450B2 JP2015502762A JP2015502762A JP6183450B2 JP 6183450 B2 JP6183450 B2 JP 6183450B2 JP 2015502762 A JP2015502762 A JP 2015502762A JP 2015502762 A JP2015502762 A JP 2015502762A JP 6183450 B2 JP6183450 B2 JP 6183450B2
- Authority
- JP
- Japan
- Prior art keywords
- correlation function
- correlation
- metric
- pair
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/006—Identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0751—Error or fault detection not based on redundancy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
Description
本発明は、システム分析装置、及び、システム分析方法に関する。
システム性能の時系列情報を用いて、システムのモデル化を行い、生成されたモデルを用いてそのシステムの障害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に記載されている。
特許文献1に記載の運用管理システムは、システムの複数のメトリックの計測値をもとに、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ことにより、システムの相関モデルを生成する。そして、この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。
なお、関連技術として、特許文献2には、プロセスの複数点の物理量が基準点から変化した場合に、点間の相関関係をもとに、障害点を判定する方法が開示されている。
特許文献1の不変関係分析においては、メトリックy、uのペアに対して、メトリックyを予測する相関関数f(y,u)が決定される。ここで、相関関数f(y,u)により予測されるメトリックyを目的メトリック、他方のメトリックuを非目的メトリックと呼ぶ。相関関数f(y,u)は、例えば、予測精度(フィットネス)の値が最大となるように、決定される。
しかしながら、予測精度をもとに相関関数f(y,u)を決定しても、非目的メトリックや目的メトリックの異常が目的メトリックの予測値に与える影響が小さく、異常の検出能力が低い相関関数f(y,u)が生成される場合がある。
図9は、異常の検出能力が低い相関関数の例を示す図である。図9の例では、相関関数が自己回帰モデルに近く、非目的メトリックuの異常が目的メトリックyの予測値に与える影響が小さい。このため、ケース2のように、非目的メトリックuに異常が発生しても、予測誤差が閾値を超えず、相関破壊が発生しないため、メトリックuの異常を検出できないことがある。
図10は、異常の検出能力が低い相関関数の他の例を示す図である。図10の例では、相関関数における目的メトリックyの過去の時系列の加減算の結果、目的メトリックyの異常が目的メトリックyの予測値に与える影響が小さい。このため、ケース2のように、目的メトリックyに異常が発生しても、予測誤差が閾値を超えず、相関破壊が発生しないため、メトリックyの異常を検出できないことがある。
本発明の目的は、上述の課題を解決し、不変関係分析において、異常の検出能力が高い相関モデルを生成できるシステム分析装置、及び、システム分析方法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、システムにおけるメトリックのペアの相関関係を表す相関関数の候補を複数記憶する、相関関数記憶手段と、前記複数の相関関数の候補の中から、相関関数に係るメトリックの異常時の相関破壊の発生しやすさを示す検出感度をもとに、一つの相関関数を、前記メトリックのペアの相関関数として抽出する、相関関数抽出手段と、を備える。
本発明の一態様におけるシステム分析方法は、システムにおけるメトリックのペアの相関関係を表す相関関数の候補を複数記憶し、前記複数の相関関数の候補の中から、相関関数に係るメトリックの異常時の相関破壊の発生しやすさを示す検出感度をもとに、一つの相関関数を、前記メトリックのペアの相関関数として抽出する。
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、システムにおけるメトリックのペアの相関関係を表す相関関数の候補を複数記憶し、前記複数の相関関数の候補の中から、相関関数に係るメトリックの異常時の相関破壊の発生しやすさを示す検出感度をもとに、一つの相関関数を、前記メトリックのペアの相関関数として抽出する、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、異常の検出能力が高い相関モデルを生成できることである。
ここでは、IT(Information Technology)システムの不変関係分析を例に、実施の形態を説明する。
(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。
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。
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、1以上の被監視装置200を含む被監視システムと接続される。被監視装置200は、各種サーバ装置やネットワーク装置等、ITシステムを構成する装置である。
被監視装置200は、被監視装置200の複数種目の性能値の実測データ(計測値)を一定間隔毎に計測し、システム分析装置100へ送信する。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や使用量が用いられる。
ここで、被監視装置200と性能値の種目の組をメトリック(性能指標)とし、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する。メトリックは、整数や小数の数値より表される。ここで、各性能値は正規化されていることが望ましい。正規化の方法としては、例えば、平均が0、分散が1になるよう変換する方法や、最大値が1、最小値が−1となるように変換する方法がある。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、被監視装置200から収集した性能情報をもとに、被監視装置200の相関モデル122を生成し、生成した相関モデル122を用いて検出された相関破壊をもとに、被監視装置200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101、相関モデル生成部102、相関破壊検出部103、異常要因抽出部104、性能情報記憶部111、相関モデル記憶部112、及び、相関破壊記憶部113を含む。
性能情報収集部101は、被監視装置200から性能情報を収集する。
性能情報記憶部111は、性能情報収集部101が収集した性能情報の時系列変化を、性能系列情報として記憶する。
相関モデル生成部102は、性能系列情報をもとに、被監視システムの相関モデル122を生成する。ここで、相関モデル122は、メトリックの各ペア(対)の相関関係を表す相関関数(または、予測式)を含む。
相関モデル生成部102は、相関関数生成部1021、相関関数記憶部1022、及び、相関関数抽出部1023を含む。
相関関数生成部1021は、メトリックの各ペアについて、複数の相関関数を生成する。相関関数は、メトリックのペアの内の一方の値を、ペアの両方の時系列、または、他方の時系列から予測する関数である。以下、メトリックのペアの内、相関関数により予測されるメトリックを目的メトリック、他方のメトリックを非目的メトリックと呼ぶ。
相関関数生成部1021は、特許文献1の運用管理装置と同様に、所定のモデル化期間の性能情報に対するシステム同定処理により、メトリックy(t)、u(t)のペアに対して、数1式のように相関関数f(y,u)を決定する。ここで、メトリックy(t)、u(t)が、それぞれ、目的メトリック、非目的メトリックである。an(n=1〜N)、bm(m=0〜M)は、それぞれ、y(t−n)、u(t−K−m)に乗じられる係数である。
相関関数生成部1021は、メトリックの各ペアについて、例えば、数1式におけるパラメータN、K、Mの所定の複数の組み合わせに対して、相関関数を生成する。
相関関数記憶部1022は、相関関数生成部1021が生成した相関関数を、相関モデル122に設定する相関関数の候補として記憶する。
図4は、本発明の第1の実施の形態における、相関関数の抽出例を示す図である。図4の例では、メトリックA、Bのペアに対して、パラメータK、Mの組み合わせが異なる、メトリックAを目的メトリックとする相関関数f1(A,B)、f2(A,B)、f3(A,B)が生成されている。また、メトリックBを目的メトリックとする相関関数f4(B,A)、f5(B,A)、f6(B,A)が生成されている。なお、図4の例では、簡単のため、相関関数において非目的メトリックに乗じられる係数bmのみが示され、目的メトリックに乗じられる係数anは省略されている。
相関関数抽出部1023は、メトリックの各ペアに対する複数の相関関数の候補の中から、相関モデル122に設定する相関関数を抽出する。
ここで、相関関数抽出部1023は、相関関数の検出感度が他の相関関数に比べて大きい相関関数を抽出する。検出感度は、相関関数に係るメトリックの異常の予測値への影響の大きさ、すなわち、メトリックの異常時の相関関係における相関破壊の発生しやすさを示す。
ここで、本発明の第1の実施の形態における、検出感度の算出方法について説明する。
相関関係が上述の数1式のような相関関数で表される場合、メトリックのペアの内のいずれかに係る物理的な故障が発生すると、相関関数の目的メトリックの予測値の予測誤差は、正または負のいずれかの方向に大きくなる傾向がある。この場合、メトリックの異常時の相関関係における相関破壊の発生しやすさは、当該相関関係を表す相関関数の係数の和で近似的に表すことができる。
ただし、相関関数の係数の和が大きい相関関数を選択すれば、相関破壊が発生しやすい相関関数を抽出できるが、予測誤差が大きい相関関数が抽出される可能性がある。そこで、本発明の第1の実施の形態では、相関関数の係数の和を予測誤差の大きさで規格化した値を検出感度と定義する。
例えば、メトリックy、uのペアに対して、数1式の相関関数f(y,u)が定義されている場合、検出感度は以下のように算出される。目的メトリックyに対する検出感度Syは、数2式のように、相関関数f(y,u)における目的メトリックyに乗じる係数の和を予測誤差の大きさで除することにより算出される。また、非目的メトリックuに対する検出感度Suは、数3式のように、相関関数f(y,u)におけるメトリックuに乗じる係数の和を予測誤差の大きさで除することにより算出される。
ここで、PEは、相関関数f(y,u)による予測誤差の大きさを示す。PEの値は、例えば、相関関数生成部1021により、モデル化期間の性能情報に対する予測誤差の最大値や、標準偏差をもとに決定される。
例えば、図4において、相関関数f2(A,B)の非目的メトリックBに対する検出感度は、非目的メトリックBに乗じられる係数b0(=0)、b1(=1.46)、b2(=1.23)、b3(=0)、及び、予測誤差の大きさPE(=39)を用いて、数3式により0.069と算出される。
なお、目的メトリックyに対する検出感度Syと非目的メトリックuに対する検出感度Suには相関がある。このため、検出感度Sy、Suのいずれを用いても、目的メトリックyまたは非目的メトリックuの異常時に相関破壊が発生しやすい相関関数を抽出できる。しかしながら、本発明の第1の実施の形態においては、図9で示した、相関関数が自己回帰モデルに近い問題の低減により効果的な、非目的メトリックuに対する検出感度Suを用いて相関関数を抽出する。
相関関数抽出部1023は、抽出した相関関数を、相関モデル122に設定する。
図5は、本発明の第1の実施の形態における、相関モデル122の例を示す図である。図5において、相関モデル122は、ノードと矢印を含むグラフで示される。ここで、各ノードはメトリックを示し、メトリック間の矢印は相関関係を示す。また、矢印の先のメトリックが、目的メトリックに対応する。
図5の相関モデル122では、装置識別子A〜Dの被監視装置200の各々に1つのメトリック(以下、メトリックA〜Dとする)が存在し、メトリックA〜Dの内のペア毎に、相関関数が定義されている。
相関モデル記憶部112は、相関モデル生成部102が生成した相関モデル122を記憶する。
相関破壊検出部103は、新たに入力された性能情報について、相関モデル122に含まれる相関関係の相関破壊を検出する。
ここで、相関破壊検出部103は、特許文献1の運用管理装置と同様に、メトリックの各ペア(対)について、相関破壊を検出する。相関破壊検出部103は、メトリックの計測値を相関関数に入力して得られた目的メトリックの予測値と、当該目的メトリックの計測値との差分(予測誤差)が所定の閾値以上の場合、当該ペアの相関関係の相関破壊として検出する。
相関破壊記憶部113は、相関破壊が検出された相関関係を示す相関破壊情報を記憶する。
異常要因抽出部104は、相関破壊情報をもとに、異常が発生したメトリック(異常要因メトリック)の候補を抽出する。ここで、異常要因抽出部104は、例えば、特許文献1の運用管理装置と同様に、各メトリックにおける相関破壊の数や割合をもとに、異常要因メトリックの候補を抽出する。
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111、相関関数記憶部1022、相関モデル記憶部112、及び、相関破壊記憶部113は、それぞれ個別の記憶媒体でも、1つの記憶媒体によって構成されてもよい。
次に、本発明の第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3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の動作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の性能情報収集部101は、被監視装置200から性能情報を収集し、性能情報記憶部111に保存する(ステップS101)。
例えば、性能情報収集部101は、メトリックA〜Dの性能情報を収集する。
相関モデル生成部102の相関関数生成部1021は、性能情報記憶部111の性能系列情報を参照し、メトリックのペアを1つ選択する(ステップS102)。
相関関数生成部1021は、管理者等により指定された所定のモデル化期間の性能情報をもとに、メトリックの各ペアについて複数の相関関数を生成する(ステップS103)。相関関数生成部1021は、生成した相関関数を、相関関数記憶部1022に保存する。
例えば、相関関数抽出部1023は、メトリックA、Bのペアについて、図4のように、相関関数f1(A,B)、f2(A,B)、f3(A,B)、f4(B,A)、f5(B,A)、f6(B,A)を生成する。
相関関数抽出部1023は、相関関数生成部1021が生成した複数の相関関数のそれぞれについて、数3式により、非目的メトリックに対する検出感度を算出する。そして、相関関数抽出部1023は、算出した検出感度が他の相関関数より大きい相関関数を、相関モデル122に設定する相関関数として抽出する(ステップS104)。
例えば、相関関数抽出部1023は、メトリックA、Bのペアの各相関関数について、図4のように、非目的メトリックに対する検出感度を算出する。そして、相関関数抽出部1023は、図4のように、非目的メトリックに対する検出感度が最大(=0.069)の相関関数f2(A,B)を、相関モデル122に設定する相関関数として抽出する。
相関関数抽出部1023は、メトリックの全てのペアについて、ステップS102からの処理を繰り返す(ステップS105)。
相関関数抽出部1023は、抽出した相関関数を、相関モデル122に設定する。
例えば、相関関数抽出部1023は、図5のように、メトリックA〜Dの内の各ペアについて、相関関数を抽出する。
相関破壊検出部103は、性能情報収集部101により新たに収集された性能情報を用いて、相関モデル122に含まれる相関関係の相関破壊を検出し、相関破壊情報を生成する(ステップS106)。相関破壊検出部103は、相関破壊情報を相関破壊記憶部113に保存する。
異常要因抽出部104は、相関破壊情報をもとに、異常要因メトリックの候補を抽出する(ステップS107)。
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、相関関数記憶部1022、及び、相関関数抽出部1023を含む。
相関関数記憶部1022は、システムにおけるメトリックのペアの相関関係を表す相関関数の候補を複数記憶する。
相関関数抽出部1023は、複数の相関関数の候補の中から、相関関数に係るメトリックの異常時の相関破壊の発生しやすさを示す検出感度をもとに、一つの相関関数を、メトリックのペアの相関関数として抽出する。
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、異常の検出能力が高い相関モデルを生成できる。その理由は、相関関数抽出部1023が、複数の相関関数の候補の中から、相関関数に係るメトリックの異常時の相関破壊の発生しやすさを示す検出感度をもとに、一つの相関関数を、メトリックのペアの相関関数として抽出するためである。
(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。
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、相関関数抽出部1023が、相関関数の検出感度に加えて、予測精度(フィットネス)を用いて相関関数を抽出する点において、本発明の第1の実施の形態と異なる。
本発明の第2の実施の形態におけるシステム分析装置100の構成は、本発明の第1の実施の形態(図2)と同様となる。
相関関数抽出部1023は、相関関数の検出感度、及び、予測精度を用いて相関関数を抽出する。ここで、相関関数の予測精度は、例えば、相関関数生成部1021により、数4式により算出される。
次に、本発明の第2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。
本発明の第2の実施の形態の動作は、相関関数抽出部1023による相関関数の抽出処理(図3のステップS104)を除いて、本発明の第1の実施の形態と同様となる。
図6、図7、図8は、本発明の第2の実施の形態における、相関関数の抽出例を示す図である。図6、図7、図8では、各相関関数について算出された予測精度が追加されている。
図6は、予測精度が閾値以上の相関関数を抽出する場合の例である。
この場合、ステップS104において、相関関数抽出部1023は、相関関数生成部1021が生成した複数の相関関数から、予測精度が所定の閾値以上の相関関数を抽出し、抽出した相関関数について、非目的メトリックに対する検出感度を算出する。そして、相関関数抽出部1023は、抽出された相関関数の中から、非目的メトリックに対する検出感度が他の相関関数より大きい相関関数を、相関モデル122に設定する相関関数として抽出する。
例えば、予測精度の閾値が0.7の場合、相関関数抽出部1023は、図6のように、予測精度が0.7以上の相関関数f1(A,B)、f2(A,B)、f3(A,B)、f4(B,A)を抽出する。そして、相関関数抽出部1023は、非目的メトリックに対する検出感度が最大(=0.069)の相関関数f2(A,B)を、相関モデル122に設定する相関関数として抽出する。
図7は、目的メトリックが異なる相関関数のペアから、予測精度を用いて相関関数を抽出する場合の例である。
この場合、ステップS104において、相関関数抽出部1023は、メトリックのペアの各メトリックについて、当該メトリックを目的メトリックとする相関関数から、予測精度が他の相関関数より大きい相関関数を抽出する。そして、相関関数抽出部1023は、抽出された相関関数の内、非目的メトリックに対する検出感度が大きい方の相関関数を、相関モデル122に設定する相関関数として抽出する。
例えば、図7のように、相関関数抽出部1023は、メトリックAを目的メトリックとする相関関数から、予測精度が最大(=0.79)の相関関数f2(A,B)を抽出する。また、相関関数抽出部1023は、メトリックBを目的メトリックとする相関関数から、予測精度が最大(=0.81)の相関関数f4(B,A)を抽出する。そして、相関関数抽出部1023は、非目的メトリックに対する検出感度が大きい(=0.069)相関関数f2(A,B)を、相関モデル122に設定する相関関数として抽出する。
図8は、目的メトリックが異なる相関関数のペアから、予測精度を用いて相関関数を抽出する場合の他の例である。
この場合、ステップS104において、相関関数抽出部1023は、メトリックのペアの各メトリックについて、当該メトリックを目的メトリックとする相関関数から、非目的メトリックに対する検出感度が他の相関関数より大きい相関関数を抽出する。そして、相関関数抽出部1023は、抽出された相関関数の内、予測精度が大きい方の相関関数を、相関モデル122に設定する相関関数として抽出する。
例えば、図8のように、相関関数抽出部1023は、メトリックAを目的メトリックとする相関関数から、非目的メトリックに対する検出感度が最大(=0.069)の相関関数f2(A,B)を抽出する。また、相関関数抽出部1023は、メトリックBを目的メトリックとする相関関数から、非目的メトリックに対する検出感度が最大(=0.025)の相関関数f4(B,A)を抽出する。そして、相関関数抽出部1023は、予測精度が大きい(=0.81)相関関数f4(B,A)を、相関モデル122に設定する相関関数として抽出する。
また、相関関数抽出部1023は、上記の方法を組み合わせた方法により相関関数を抽出してもよい。例えば、相関関数抽出部1023は、図6の方法と同様にして抽出された、予測精度が所定の閾値以上の相関関数に対して、図8の方法を適用して、相関関数を抽出してもよい。
以上により、本発明の第2の実施の形態の動作が完了する。
本発明の第2の実施の形態によれば、異常の検出能力が高く、かつ、予測精度の高い相関モデルを生成できる。その理由は、相関関数抽出部1023が、相関関数の検出感度に加えて、予測精度を用いて相関関数を抽出するためである。
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では、相関関数のメトリックに対する検出感度を数2式、数3式により算出しているが、メトリックに乗じる係数に応じて大きい値が得られれば、検出感度を他の方法により決定してもよい。例えば、相関関数抽出部1023は、メトリックに乗じる係数とメトリックの計測値を用いて、検出感度を決定してもよい。また、相関関数抽出部1023は、一対のメトリックのペアに対して、それぞれが、非目的メトリック、目的メトリックによって変化する定数を用いて、検出感度を決定してもよい。また、メトリックの異常時の相関破壊の発生しやすさを示すことができれば、係数を用いる以外の方法で、検出感度を決定してもよい。
また、本発明の実施の形態では、非目的メトリックに対する検出感度を用いて相関関数を抽出しているが、目的メトリックに対する検出感度用いて相関関数を抽出してもよい。また、非目的メトリックに対する検出感度と目的メトリックに対する検出感度の二乗和を用いる等、両方の検出感度用いて相関関数を抽出してもよい。また、検出感度と予測精度の二乗和を用いるなど、異なる指標を組み合わせた指標によって、相関関数を抽出してもよい。
また、本発明の実施の形態では、一対のメトリックのペアに対して1つの相関関数を抽出しているが、ペアの内の各メトリックを目的メトリックとする相関関数を抽出してもよい。すなわち、一対のメトリックのペアに対して2つの相関関数を抽出してもよい。
また、本発明の実施の形態では、一対のメトリックのペアに対して相関関数があるものとして説明したが、予測精度や検出感度の閾値に基づいて、相関関係の有無を判断してもよい。この場合、相関関係がないと判断されたメトリックのペアについては、相関関数の抽出は行わない、または、相関破壊の検出や異常要因の候補の抽出を行わないようにしてもよい。
また、本発明の実施の形態では、被監視システムを、サーバ装置やネットワーク装置等を被監視装置200として含むITシステムとした。しかしながら、被監視システムの相関モデルを生成し、相関破壊により異常要因を判定できれば、被監視システムは他のシステムでもよい。例えば、被監視システムは、プラントシステム、構造物、輸送機器等であってもよい。この場合、システム分析装置100は、例えば、各種センサの値をメトリックとして相関モデル122を生成し、相関破壊の検出、異常要因の候補の抽出を行う。
この出願は、2013年2月26日に出願された日本出願特願2013−035785を基礎とする優先権を主張し、その開示の全てをここに取り込む。
本発明は、相関モデル上で検出された相関破壊によりシステムの異常や障害の要因を判定する、不変関係分析に適用できる。
100 システム分析装置
101 性能情報収集部
102 相関モデル生成部
1021 相関関数生成部
1022 相関関数記憶部
1023 相関関数抽出部
103 相関破壊検出部
104 異常要因抽出部
111 性能情報記憶部
112 相関モデル記憶部
113 相関破壊記憶部
122 相関モデル
200 被監視装置
101 性能情報収集部
102 相関モデル生成部
1021 相関関数生成部
1022 相関関数記憶部
1023 相関関数抽出部
103 相関破壊検出部
104 異常要因抽出部
111 性能情報記憶部
112 相関モデル記憶部
113 相関破壊記憶部
122 相関モデル
200 被監視装置
Claims (18)
- システムにおけるメトリックのペアの相関関係を表す相関関数の候補を複数記憶する、相関関数記憶手段と、
前記複数の相関関数の候補の中から、相関関数に係るメトリックの異常時の相関破壊の発生しやすさを示す検出感度をもとに、一つの相関関数を、前記メトリックのペアの相関関数として抽出する、相関関数抽出手段と、
を備えるシステム分析装置。 - 相関関数抽出手段は、前記複数の相関関数の候補の中から、前記検出感度が他の相関関数に比べて大きい相関関数を、前記メトリックのペアの相関関数として抽出する、
請求項1に記載のシステム分析装置。 - 前記メトリックのペアの相関関数は、当該メトリックのペアの一方のメトリックの値を当該ペアの両方の時系列、または、当該ペアの他方の時系列から予測する関数であり、
前記相関関数に係るメトリックに対する当該相関関数の検出感度は、当該相関関数において当該メトリックに乗じる係数に応じて大きくなるように決定される、
請求項1または2に記載のシステム分析装置。 - 前記相関関数に係るメトリックに対する当該相関関数の検出感度は、さらに、当該相関関数の予測誤差に応じて小さくなるように決定される、
請求項3に記載のシステム分析装置。 - 前記相関関数抽出手段は、前記複数の相関関数の候補の中の予測精度が所定値以上の相関関数の中から、前記相関関数を抽出する、
請求項1乃至4のいずれかに記載のシステム分析装置。 - さらに、
前記抽出された前記メトリックのペアの相関関数を用いて、当該メトリックのペアの相関関係における相関破壊を検出する相関破壊検出手段と、
前記相関破壊が検出された相関関係をもとに、異常要因の候補のメトリックを抽出する、異常要因抽出手段と、を備える
請求項1乃至5のいずれかに記載のシステム分析装置。 - システムにおけるメトリックのペアの相関関係を表す相関関数の候補を複数記憶し、
前記複数の相関関数の候補の中から、相関関数に係るメトリックの異常時の相関破壊の発生しやすさを示す検出感度をもとに、一つの相関関数を、前記メトリックのペアの相関関数として抽出する、
システム分析方法。 - 前記メトリックのペアの相関関数を抽出する場合、前記複数の相関関数の候補の中から、前記検出感度が他の相関関数に比べて大きい相関関数を、前記メトリックのペアの相関関数として抽出する、
請求項7に記載のシステム分析方法。 - 前記メトリックのペアの相関関数は、当該メトリックのペアの一方のメトリックの値を当該ペアの両方の時系列、または、当該ペアの他方の時系列から予測する関数であり、
前記相関関数に係るメトリックに対する当該相関関数の検出感度は、当該相関関数において当該メトリックに乗じる係数に応じて大きくなるように決定される、
請求項7または8に記載のシステム分析方法。 - 前記相関関数に係るメトリックに対する当該相関関数の検出感度は、さらに、当該相関関数の予測誤差に応じて小さくなるように決定される、
請求項9に記載のシステム分析方法。 - 前記メトリックのペアの相関関数を抽出する場合、前記複数の相関関数の候補の中の予測精度が所定値以上の相関関数の中から、前記相関関数を抽出する、
請求項7乃至10のいずれかに記載のシステム分析方法。 - さらに、
前記抽出された前記メトリックのペアの相関関数を用いて、当該メトリックのペアの相関関係における相関破壊を検出し、
前記相関破壊が検出された相関関係をもとに、異常要因の候補のメトリックを抽出する、
請求項7乃至11のいずれかに記載のシステム分析方法。 - コンピュータに、
システムにおけるメトリックのペアの相関関係を表す相関関数の候補を複数記憶し、
前記複数の相関関数の候補の中から、相関関数に係るメトリックの異常時の相関破壊の発生しやすさを示す検出感度をもとに、一つの相関関数を、前記メトリックのペアの相関関数として抽出する、
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。 - 前記メトリックのペアの相関関数を抽出する場合、前記複数の相関関数の候補の中から、前記検出感度が他の相関関数に比べて大きい相関関数を、前記メトリックのペアの相関関数として抽出する、
請求項13に記載の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。 - 前記メトリックのペアの相関関数は、当該メトリックのペアの一方のメトリックの値を当該ペアの両方の時系列、または、当該ペアの他方の時系列から予測する関数であり、
前記相関関数に係るメトリックに対する当該相関関数の検出感度は、当該相関関数において当該メトリックに乗じる係数に応じて大きくなるように決定される、
請求項13または14に記載の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。 - 前記相関関数に係るメトリックに対する当該相関関数の検出感度は、さらに、当該相関関数の予測誤差に応じて小さくなるように決定される、
請求項15に記載の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。 - 前記メトリックのペアの相関関数を抽出する場合、前記複数の相関関数の候補の中の予測精度が所定値以上の相関関数の中から、前記相関関数を抽出する、
請求項13乃至16のいずれかに記載の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。 - さらに、
前記抽出された前記メトリックのペアの相関関数を用いて、当該メトリックのペアの相関関係における相関破壊を検出し、
前記相関破壊が検出された相関関係をもとに、異常要因の候補のメトリックを抽出する、
請求項13乃至17のいずれかに記載の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。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013035785 | 2013-02-26 | ||
JP2013035785 | 2013-02-26 | ||
PCT/JP2014/000950 WO2014132612A1 (ja) | 2013-02-26 | 2014-02-24 | システム分析装置、及び、システム分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2014132612A1 JPWO2014132612A1 (ja) | 2017-02-02 |
JP6183450B2 true JP6183450B2 (ja) | 2017-08-23 |
Family
ID=51427891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015502762A Active JP6183450B2 (ja) | 2013-02-26 | 2014-02-24 | システム分析装置、及び、システム分析方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10346758B2 (ja) |
EP (1) | EP2963553B1 (ja) |
JP (1) | JP6183450B2 (ja) |
WO (1) | WO2014132612A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10719577B2 (en) | 2014-12-05 | 2020-07-21 | Nec Corporation | System analyzing device, system analyzing method and storage medium |
JP6164311B1 (ja) * | 2016-01-21 | 2017-07-19 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
US11055300B2 (en) | 2016-09-26 | 2021-07-06 | Splunk Inc. | Real-time search techniques |
JP7135969B2 (ja) * | 2019-03-27 | 2022-09-13 | 富士通株式会社 | 情報処理方法及び情報処理装置 |
JP7358791B2 (ja) | 2019-06-11 | 2023-10-11 | 中国電力株式会社 | プラント監視システムおよびプラント監視方法 |
US11474892B2 (en) | 2020-12-03 | 2022-10-18 | International Business Machines Corporation | Graph-based log sequence anomaly detection and problem diagnosis |
US11995562B2 (en) | 2020-12-03 | 2024-05-28 | International Business Machines Corporation | Integrating documentation knowledge with log mining for system diagnosis |
US11513930B2 (en) | 2020-12-03 | 2022-11-29 | International Business Machines Corporation | Log-based status modeling and problem diagnosis for distributed applications |
US11243835B1 (en) | 2020-12-03 | 2022-02-08 | International Business Machines Corporation | Message-based problem diagnosis and root cause analysis |
US11797538B2 (en) | 2020-12-03 | 2023-10-24 | International Business Machines Corporation | Message correlation extraction for mainframe operation |
US11403326B2 (en) | 2020-12-03 | 2022-08-02 | International Business Machines Corporation | Message-based event grouping for a computing operation |
US11599404B2 (en) | 2020-12-03 | 2023-03-07 | International Business Machines Corporation | Correlation-based multi-source problem diagnosis |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6351936A (ja) | 1986-08-22 | 1988-03-05 | Hisayoshi Matsuyama | プロセスの異常診断方法 |
JP3515300B2 (ja) | 1996-12-20 | 2004-04-05 | 株式会社日立製作所 | プラント状態予測装置 |
JP4239932B2 (ja) | 2004-08-27 | 2009-03-18 | 株式会社日立製作所 | 生産管理システム |
JP2006135412A (ja) * | 2004-11-02 | 2006-05-25 | Tokyo Gas Co Ltd | 遠隔監視システム |
US8463899B2 (en) * | 2005-07-29 | 2013-06-11 | Bmc Software, Inc. | System, method and computer program product for optimized root cause analysis |
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 |
US9195563B2 (en) * | 2011-03-30 | 2015-11-24 | Bmc Software, Inc. | Use of metrics selected based on lag correlation to provide leading indicators of service performance degradation |
US9218570B2 (en) * | 2013-05-29 | 2015-12-22 | International Business Machines Corporation | Determining an anomalous state of a system at a future point in time |
-
2014
- 2014-02-24 US US14/767,667 patent/US10346758B2/en active Active
- 2014-02-24 JP JP2015502762A patent/JP6183450B2/ja active Active
- 2014-02-24 WO PCT/JP2014/000950 patent/WO2014132612A1/ja active Application Filing
- 2014-02-24 EP EP14756788.7A patent/EP2963553B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP2963553A1 (en) | 2016-01-06 |
EP2963553B1 (en) | 2020-12-09 |
WO2014132612A1 (ja) | 2014-09-04 |
JPWO2014132612A1 (ja) | 2017-02-02 |
EP2963553A4 (en) | 2016-07-27 |
US20150379417A1 (en) | 2015-12-31 |
US10346758B2 (en) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6183450B2 (ja) | システム分析装置、及び、システム分析方法 | |
JP6394726B2 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
JP6183449B2 (ja) | システム分析装置、及び、システム分析方法 | |
US9658916B2 (en) | System analysis device, system analysis method and system analysis program | |
JP5874936B2 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
JP6312630B2 (ja) | 時系列データ内の異常を検出する方法 | |
JP6196196B2 (ja) | ログ間因果推定装置、システム異常検知装置、ログ分析システム、及びログ分析方法 | |
JP5267748B2 (ja) | 運用管理システム、運用管理方法、及びプログラム | |
JP5971395B2 (ja) | システム分析装置、及び、システム分析方法 | |
WO2018198267A1 (ja) | 因果関係学習方法、プログラム、装置および異常分析システム | |
US10157113B2 (en) | Information processing device, analysis method, and recording medium | |
JP6627258B2 (ja) | システムモデル生成支援装置、システムモデル生成支援方法、及び、プログラム | |
JPWO2018142694A1 (ja) | 特徴量生成装置、特徴量生成方法及びプログラム | |
WO2015182072A1 (ja) | 因果構造推定システム、因果構造推定方法およびプログラム記録媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170116 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170627 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170710 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6183450 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |