JP6555061B2 - クラスタリングプログラム、クラスタリング方法、および情報処理装置 - Google Patents
クラスタリングプログラム、クラスタリング方法、および情報処理装置 Download PDFInfo
- Publication number
- JP6555061B2 JP6555061B2 JP2015195976A JP2015195976A JP6555061B2 JP 6555061 B2 JP6555061 B2 JP 6555061B2 JP 2015195976 A JP2015195976 A JP 2015195976A JP 2015195976 A JP2015195976 A JP 2015195976A JP 6555061 B2 JP6555061 B2 JP 6555061B2
- Authority
- JP
- Japan
- Prior art keywords
- correlation
- cluster
- similarity
- items
- unit
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
Description
コンピュータは、管理対象のシステムの状態を示す複数の項目の値の、複数の単位期間内での時間変化を示す情報に基づいて、複数の単位期間それぞれについて、複数の項目間の値の時間変化の相関を示す相関情報を生成する。次にコンピュータは、複数の単位期間それぞれの複数の相関情報の間の類似度を算出する。そしてコンピュータは、算出した類似度に基づいて複数の相関情報をクラスタリングする。
〔第1の実施の形態〕
まず第1の実施の形態について説明する。第1の実施の形態では、情報処理装置が、システムの複数の項目間の値の時間変化の相関関係に基づいて、単位期間ごとに、システムの状態を示す相関情報を生成する。そして、情報処理装置は、複数の相関情報のクラスタリングを行う。このとき、「システムの状態」と「クラスタ」を同一視することができ、生成される相関情報がどのクラスタに属するかにより、システムの状態変化を適格に監視することができる。
なお、新たな相関情報を追加しても代表和と代表積が変化しないクラスタが存在しない場合もある。この場合、演算部12は、例えば、新たな相関情報を追加した後の代表和と代表積との類似度が閾値以上となるクラスタを検出し、検出したクラスタに新たな相関情報を帰属させる。
次に第2の実施の形態について説明する。
図2は、第2の実施の形態のシステム構成例を示す図である。システム30は、ネットワーク20を介して観測装置100に接続されている。システム30は、サーバ、ストレージ装置、ネットワーク機器などの装置を含むICTシステムである。観測装置100は、システム30から動作状態を示す情報を取得し、取得した情報に基づいて、システム30の動作を監視する。
図4は、観測装置の機能を示すブロック図である。観測装置100は、動作情報収集部110、動作ログ記憶部120、統計量生成部130、事前学習部140、学習結果記憶部150、オンライン識別部160、定常性判定部170、および可視化部180を有する。
図5は、動作ログ記憶部に格納されている動作ログの一例を示す図である。動作ログ記憶部120には、複数の動作ログ121,122,・・・が格納されている。
図6は、事前学習モードでの動作状態解析処理を示す図である。まず、統計量生成部130が、動作ログ121,122,・・・に基づいて統計量生成処理を実行し、多次元統計量(SDR)41,42,・・・を生成する。1つのSDRは、特定の単位期間の動作ログに基づいて生成される。性能項目がN個(Nは2以上の整数)の場合、SDRは、N行N列の行列(相関行列)で表すことができる。行列内の各要素は、2つの性能項目間の相関関係の有無を表している。相関行列内の要素を、一列に並べ、SDRをベクトルで表すこともできる。生成された複数のSDR41,42,・・・は、それぞれ、対応する単位期間内でのシステム30の動作状態を表している。
図7は、統計量生成処理の一例を示すフローチャートである。以下、図7に示す処理をステップ番号に沿って説明する。
[ステップS102]統計量生成部130は、システム30に含まれる各装置の単位期間内の動作を示す動作ログに基づいて、単位期間内でのシステム30の各性能項目の時間変化を算出する。例えば統計量生成部130は、性能項目ごとに、システム30内の複数の装置それぞれの動作ログに示される数値(時系列データ)の時刻ごとの平均を採り、平均値の時間変化とする。
図8は、SDRの生成例を示す図である。N個の性能項目があるとき、2つずつの組み合わせごとの相関係数が算出され、相関行列51が生成される。例えば、性能項目M1と性能項目M2との相関係数が、相関行列51の第1行・第2列の要素および第2行・第1列の要素として設定されている。
次に、事前学習処理について詳細に説明する。
図9は、事前学習処理の一例を示すフローチャートである。以下、図9に示す処理をステップ番号に沿って説明する。
[ステップS112]事前学習部140は、集合Sに属するSDR間の類似度を計算する。類似度としては、例えばジャッカード(Jaccard)係数を用いることができる。ジャッカード係数を類似度とする場合、任意のx,y∈Sに対して、類似度J(x,y)は以下の式で定義される。
J(x,y)=Bit(x∩y)/Bit(x∪y) ・・・(1)
Bit()関数は、「1」のビット数を数える関数である。「x∩y」は、xのSDRのベクトルとyのSDRのベクトルとの要素ごとの論理積である。例えばx=(1,0,0,1)、y=(0,1,0,1)のとき、「x∩y=(0,0,0,1)」となる。「x∪y」は、xのSDRのベクトルとyのSDRのベクトルとの要素ごとの論理和である。例えばx=(1,0,0,1)、y=(0,1,0,1)のとき、「x∪y=(1,1,0,1)」となる。類似度の値が大きいほど、比較された2つのSDR(SDRペア)が類似していることを示す。
x,y∈S,x〜y ⇔ J(x,y)≧th ・・・(2)
[ステップS114]事前学習部140は、集合Sに属するSDRのうち、類似関係にある相手を最も多く有するSDRを、中心核S1*に決定する。
Sim(S1*)={∀Si∈S|J(S1*,Si)≧th} ・・・(3)
類似集合Sim(S1*)内の要素の順序は、類似度による降順である。すなわち、類似集合Sim(S1*)の要素の先頭は、中心核S1*である。類似集合Sim(S1*)に含まれる要素数をm(mは1以上の整数)すると、類似集合Sim(S1*)は、以下のように表すことができる。
Sim(S1*)={s1=S1*,s2,・・・,sm} ・・・(4)
事前学習部140は、類似集合Sim(S1*)に含まれるSDRのうち、互いに類似関係を有するSDRの集合により、クラスタCを生成する。互いに類似関係を有するSDRの数がk(kは1以上の整数)のとき、クラスタCは以下の式で表される。
C={s1,s2,・・・,sk} ・・・(5)
ここで、クラスタC内の任意の2つのSDRをsi,sjとしたとき、常に類似度J(si,sj)≧thが満足する。
[ステップS117]事前学習部140は、集合Sが空集合になったか否かを判断する。集合Sが空集合であれば、処理がステップS118に進められる。集合Sに少なくとも1つのSDRが含まれていれば、処理がステップS114に進められる。
図10は、発生確率の算出例を示す図である。例えば事前学習部140は、1日の時間帯ごとのシステム30の状態を示すクラスタIDを、クラスタID管理表61に設定する。クラスタID管理表61には、1日をK個の時間帯に分割して得られる時間帯の終了する時刻に対応付けて、各日における該当時間帯内でのシステム30の状態を示すクラスタIDが設定されている。事前学習部140は、観測期間内の各日の時刻T1に設定されたクラスタIDを抽出し、各クラスタIDの出現頻度(出現した回数)を計数する。これにより、時刻T1におけるクラスタIDの頻度分布が得られる。
図12は、学習結果の一例を示す図である。学習結果151には、例えば発生確率情報151a、遷移確率行列151b、およびクラスタ情報151cが含まれる。発生確率情報151aには、時刻ごとに、該当時刻におけるクラスタIDごとの発生確率が設定される。
[ステップS131]定常性判定部170は、事前学習期間Ltrainを2分割する。定常性判定部170は、2分割で得られた分割期間を、LA,LBとする。
[ステップS136]定常性判定部170は、P−定常性が存在すると判断する。
[ステップS138]定常性判定部170は、3つの期間から2つずつの組(3通り)を生成し、組となった2つの期間の遷移確率行列の間に、有意な差が存在するか否かを検定する。
[ステップS136]定常性判定部170は、T−定常性が存在すると判断すると判断し、処理を終了する。
図14は、稼働診断モードでの動作状態解析処理を示す図である。稼働診断モードでは、システム30からリアルタイム方式により、動作ログ121a,122a,・・・が収集される。そして動作ログ121a,122a,・・・を取得するごとに、統計量生成部130により、SDR41a,42a,・・・が生成される。
次に、オンライン識別処理について詳細に説明する。
[ステップS201]オンライン識別部160は、クラスタを1つ選択する。
Ctrain={C1,C2,・・・,Cn} ・・・(6)
各クラスタ∀Ciについての代表和Si:+と代表積Si:Xとを、以下のように定義する。
∀Ci∈Ctrain,∀Sk∈Ci,Si:+=∪kSk,Si:X=∩kSk ・・・(7)
代表和は、クラスタ内のSDRの要素ごとのビット値の論理和である。すなわち代表和は、いずれか1つのSDRにおいて「1」の要素については「1」、すべてのSDRにおいて「0」の要素は「0」としたベクトルである。代表積は、クラスタ内のSDRの要素ごとのビット値の論理積である。すなわち代表積は、クラスタ内のすべてのSDRにおいて「1」の要素については「1」、いずれか1つのSDRにおいて「0」の要素は「0」としたベクトルである。
Sx∈Ci ⇔ ∃Ci∈Ctrain,(Sx⊂Si:+)&(Sx⊃Si:X) ・・・(8)
式(8)において、「Sx⊂Si:+」は、新たなSDRのベクトルにおいて「1」となっている要素は、クラスタCiの代表和においても「1」となっていることを示す。「Sx⊃Si:X」は、クラスタCiの代表積で「1」となっている要素は、新たなSDRのベクトルにおいても「1」となっていることを示す。新たなSDRが「Sx⊂Si:+」と「Sx⊃Si:X」との両方を満たす場合、そのSDRはクラスタCiに属するものと判断できる。このような計算により、ビットベクトルの比較を2回行うだけで、新たなSDRがどのクラスタに属するのかを判定できる。
J((Si:+∪Sx),(Si:X∩Sx))≧th ・・・(9)
新たなSDRに対して、式(8)を満たさなくても式(9)を満たすクラスタCiがあれば、新たなSDRはそのクラスタCiに属していると判断できる。
Cn+1={Sx} ・・・(10)
[ステップS208]オンライン識別部160は、新たに生成したクラスタに基づいて、発生確率情報と遷移確率行列とを拡張する。具体的にはオンライン識別部208は、発生確率情報151a(図12参照)に対して、クラスタIDの欄を1つ増やす。またオンライン識別部160は、遷移確率行列151b(図12参照)に対して、遷移元クラスタIDの列を1つ追加し、遷移先クラスタIDの行を1つ追加する。
なお、この月の最終営業日の午前中のシステム異常が発生したことがわかっている。そして、システム異常が発生した日のSDRは、可視化画面70中に黒丸75で表示されている。また可視化画面70では、時間によるSDRの遷移が矢印76で表示されている。
1)階層的クラスタリング:距離行列(コーフェン行列)を用いて、クラスタリング結果を樹形図で表示。
2)非階層的クラスタリング(k-means法など):クラスタ数を指定して距離尺度や類似度が最小になるよう分類。
3)モデルに基づくクラスタリング(混合分布法など):確率分布のモデルに基づく。
||xi−Vj||2 ・・・(11)
ほかには、ユークリッド距離(3次元空間の通常の距離を高次元に拡張)等を使って距離を計算することもできる。このようなクラスタリング手法には、以下の課題がある。
A)最適なクラスタ分割を求めるためには、生成するクラスタ数を様々に変えて、結果を考察する必要がある。
B)アルゴリズムは固定だが、どの要素から処理し始めるかで、結果が変わってくる(初期値依存性を持つ)。
C)クラスタリング手法ごとに、固定の距離尺度または類似度が採用されるが、v=(1/0,1/0,・・・,1/0)のようなベクトルで類似性をジャッカード係数で測ると、同一クラスタ間の中でも類似性の低いものも散見される。
D)元々の集合に要素が追加されることを想定していない(静的な手法)。すなわち、新しい要素を加えて、再度クラスタリングするしか方法がない。そのときには、新しい要素を加える前のクラスタリング結果は保障されない。
A)アルゴリズムに対する独立変数が類似度閾値で、クラスタ分割数は従属変数となる。つまり最適なクラスタ数は後から決定される。
B)静的類似度クラスタリングは、初期値依存性を持たない(もっとも類似度閾値を超える仲間を持つ要素からクラスタリングを開始するため)。
C)類似度閾値を与えているため、類似度の高いもの同士がクラスタリングされる。
D)動的類似度クラスタリングにより、静的類似度クラスタリングの結果の上に、新しい要素を分類し、もしふさわしいものがなければ、新クラスタを生成しそこに位置付けるため、既存クラスタを解体させることなく動的にクラスタリングできる。
<<1.ジャッカード係数(第2の実施の形態で採用)>>
ジャッカード係数は、集合XとYの共通要素数(|X∩Y|)を少なくとも1方にある要素の総数(|X∪Y|)で割ったものである。ジャッカード係数を集合で表すと、以下の式で表される。
・sim=|X∩Y|/|X∪Y| ・・・(12)
ジャッカード係数をベクトルの計算で求めることもできる。例えばX∪Yの要素をz1,z2,・・・,znとして、ベクトルx=(x1,x2,・・・,xn)を、xi=1(if zi∈X),xi=0(otherwise)として定める。ベクトルyも同様に定めると、ジャッカード係数は以下のように表すことができる。
・sim=x・y/(Σxi+Σyi−x・y) ・・・(13)
ここでx・yは、ベクトルxとベクトルyとの内積である。
<<2.ダイス係数>>
ダイス係数は、集合XとYの共通要素数を各集合の要素数の平均で割ったものである。ダイス係数を集合で表すと,以下の式で表される。
・sim=(2×|X∩Y|)/(|X|+|Y|) ・・・(14)
ダイス係数をベクトルの計算で求める場合、以下の式で求められる。
・sim=(2×x・y)/(Σxi+Σyi) ・・・(15)
<<3.シンプソン係数>>
シンプソン係数は、集合XとYの共通要素数を、各集合の要素数の最小値で割ったものである。シンプソン係数を、集合で表すと以下の式で表される。
・sim=|X∩Y|/min(|X|,|Y|) ・・・(16)
min(|X|,|Y|)は、括弧内の値のうちの小さい方の値を示す。シンプソン係数をベクトルの計算で求める場合、以下の式で求められる。
・sim=x・y/min(Σxi,Σyi) ・・・(17)
<<コサイン類似度>>
コサイン類似度は、ベクトルx,yのなす角θの余弦cosθである。コサイン類似度は、ベクトルの向きの近さを類似性の指標としたものである。コサイン類似度は、以下の式で表される。
・sim=x・y/(|x|×|y|) ・・・(18)
なお|x|、|y|は、ベクトルx、yの長さ(ノルム)である。
<<ピアソンの相関係数>>
ピアソンの相関係数は、2つの確率変数の相関関係である。ピアソンの相関係数も類似度の尺度として使うことができる。xとyを2つの変数と考え、次元ごとの値の組(xi,yi)(i=1,2,・・・,n)の相関係数として算出する。ピアソンの相関係数が「1」であれば、完全に一致していることを示す。ピアソンの相関係数が「0」であれば、無相関であることを示す。ピアソンの相関係数が「−1」であれば、完全に不一致であることを示す。
<<偏差パターン類似度>>
ピアソンの相関係数では、各ベクトルの次元要素の値の平均からの偏差ベクトルを考えたが、偏差パターン類似度では、全ベクトルの平均ベクトルからの偏差ベクトルを使う。
x,yの偏差ベクトルをv=x−m=(x1−m1,x2−m2,・・・,xn−mn),w=y−m=(y1−m1,y2−m2,・・・,yn−mn)とする。そのとき偏差パターン類似度は、sim=vとwのコサイン類似度=v・w/(|v|×|w|)で表される。
これは、距離の近さで類似性を図るものである。SDRをx=(x1,x2,・・・,xN)とする(N次元のベクトル空間)。このとき、「長さ」の概念の拡張である「ノルム」を以下のように定義する。
1.||v||=0⇔v=0 ・・・(19)
2.||av||=|a|||v|| ・・・(20)
3.||u+v||≦||u||+||v|| ・・・(21)
ノルムが定義できると、2点間の距離d(x,y)=||x−y||が定義できる。これらはノルムの定義から、距離の公理を満たすことが証明できる。つまり、ノルムの定義が異なれば、異なる距離(=類似度)が定義できることになる。
p次平均ノルム(ミンコフスキー・ノルムとも呼ぶ)
Lp=(|x1−y1|p+|x2−y2|p+…+|xN−yN|p)(1/p) ・・(22)
(pは正の定数)
・p=1のとき、このノルムから生成される距離はマンハッタン距離と呼ばれる。
・p=2のとき、このノルムから生成される距離はユークリッド距離と呼ばれる。
・p=∞のとき、このノルムは最大値ノルムと一致し、チェビシェフ距離と呼ばれる。最大値ノルムは、以下の式で表される。
Lmax=max(|x1|,|x2|,・・・,|xN|) ・・・(23)
maxは引数の最大値を返す関数である。
2a,2b,・・・ 相関情報
3a,3b,3c,3d クラスタ
10 情報処理装置
11 記憶部
11a,11b,・・・ 時系列データ
12 演算部
Claims (6)
- コンピュータに、
管理対象のシステムの状態を示す複数の項目の値の、複数の単位期間内での時間変化を示す情報に基づいて、前記複数の単位期間それぞれについて、前記複数の項目から2つの項目を選択した項目対ごとに、単位期間内での値の時間変化の相関係数を算出し、該相関係数の絶対値が閾値以上のとき、該項目対の間の相関を示す値を「1」とし、該相関係数の絶対値が閾値未満のとき、該項目対の間の相関を示す値を「0」とし、複数の項目対それぞれの相関を示す値を要素とする行列を、前記複数の項目間の値の時間変化の相関を示す相関情報として生成し、
類似度算出対象の2つの相関情報それぞれの行列内の対応する要素の論理和が「1」となる要素数と、該2つの行列内の対応する要素の論理積が「1」となる要素数との比率に応じて、該2つの相関情報間の類似度を算出することで、前記複数の単位期間それぞれの複数の相関情報の間の類似度を算出し、
算出した前記類似度に基づいて前記複数の相関情報をクラスタリングする、
処理を実行させるクラスタリングプログラム。 - コンピュータに、
管理対象のシステムの状態を示す複数の項目の値の、複数の単位期間内での時間変化を示す情報に基づいて、前記複数の単位期間それぞれについて、前記複数の項目から2つの項目を選択した項目対ごとに、単位期間内での値の時間変化の相関係数を算出し、該相関係数の絶対値が閾値以上のとき、該項目対の間の相関を示す値を「1」とし、該相関係数の絶対値が閾値未満のとき、該項目対の間の相関を示す値を「0」とし、複数の項目対それぞれの相関を示す値を要素とする行列を、前記複数の項目間の値の時間変化の相関を示す相関情報として生成し、
前記複数の単位期間それぞれの複数の相関情報の間の類似度を算出し、
算出した前記類似度に基づいて前記複数の相関情報をクラスタリングし、
クラスタリングにより生成された複数のクラスタそれぞれについて、クラスタに属する1以上の相関情報の行列における対応する要素間の論理和を採った代表和と、該クラスタに属する1以上の相関情報の行列における対応する要素間の論理積を採った代表積とを算出し、
新たな単位期間内での前記複数の項目に対応する値の時間変化に基づいて、前記複数の項目間の相関を示す新たな相関情報を生成し、
前記複数のクラスタのうち、前記新たな相関情報を追加しても代表和と代表積が変化しないクラスタを検出し、検出した該クラスタに前記新たな相関情報を帰属させる、
処理を実行させるクラスタリングプログラム。 - 前記新たな相関情報を追加しても代表和と代表積が変化しないクラスタが存在しない場合は、前記新たな相関情報を追加した後の代表和と代表積との類似度が閾値以上となるクラスタを検出し、検出した該クラスタに前記新たな相関情報を帰属させる、
請求項2記載のクラスタリングプログラム。 - 前記新たな相関情報を帰属させるクラスタが存在しない場合、新たなクラスタを生成し、前記新たな相関情報を該新たなクラスタに帰属させる、
請求項2または3記載のクラスタリングプログラム。 - コンピュータが、
管理対象のシステムの状態を示す複数の項目の値の、複数の単位期間内での時間変化を示す情報に基づいて、前記複数の単位期間それぞれについて、前記複数の項目から2つの項目を選択した項目対ごとに、単位期間内での値の時間変化の相関係数を算出し、該相関係数の絶対値が閾値以上のとき、該項目対の間の相関を示す値を「1」とし、該相関係数の絶対値が閾値未満のとき、該項目対の間の相関を示す値を「0」とし、複数の項目対それぞれの相関を示す値を要素とする行列を、前記複数の項目間の値の時間変化の相関を示す相関情報として生成し、
類似度算出対象の2つの相関情報それぞれの行列内の対応する要素の論理和が「1」となる要素数と、該2つの行列内の対応する要素の論理積が「1」となる要素数との比率に応じて、該2つの相関情報間の類似度を算出することで、前記複数の単位期間それぞれの複数の相関情報の間の類似度を算出し、
算出した前記類似度に基づいて前記複数の相関情報をクラスタリングする、
クラスタリング方法。 - 管理対象のシステムの状態を示す複数の項目の値の、複数の単位期間内での時間変化を示す情報を記憶する記憶部と、
前記複数の項目の値の、複数の単位期間内での時間変化に基づいて、前記複数の単位期間それぞれについて、前記複数の項目から2つの項目を選択した項目対ごとに、単位期間内での値の時間変化の相関係数を算出し、該相関係数の絶対値が閾値以上のとき、該項目対の間の相関を示す値を「1」とし、該相関係数の絶対値が閾値未満のとき、該項目対の間の相関を示す値を「0」とし、複数の項目対それぞれの相関を示す値を要素とする行列を、前記複数の項目間の値の時間変化の相関を示す相関情報として生成し、類似度算出対象の2つの相関情報それぞれの行列内の対応する要素の論理和が「1」となる要素数と、該2つの行列内の対応する要素の論理積が「1」となる要素数との比率に応じて、該2つの相関情報間の類似度を算出することで、前記複数の単位期間それぞれの複数の相関情報の間の類似度を算出し、算出した前記類似度に基づいて前記複数の相関情報をクラスタリングする演算部と、
を有する情報処理装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015195976A JP6555061B2 (ja) | 2015-10-01 | 2015-10-01 | クラスタリングプログラム、クラスタリング方法、および情報処理装置 |
US15/278,761 US10572512B2 (en) | 2015-10-01 | 2016-09-28 | Detection method and information processing device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015195976A JP6555061B2 (ja) | 2015-10-01 | 2015-10-01 | クラスタリングプログラム、クラスタリング方法、および情報処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017068748A JP2017068748A (ja) | 2017-04-06 |
JP6555061B2 true JP6555061B2 (ja) | 2019-08-07 |
Family
ID=58447971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015195976A Expired - Fee Related JP6555061B2 (ja) | 2015-10-01 | 2015-10-01 | クラスタリングプログラム、クラスタリング方法、および情報処理装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10572512B2 (ja) |
JP (1) | JP6555061B2 (ja) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11037330B2 (en) | 2017-04-08 | 2021-06-15 | Intel Corporation | Low rank matrix compression |
CN109002441A (zh) * | 2017-06-06 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 应用名称相似度的确定方法、异常应用检测方法及*** |
JP6939906B2 (ja) * | 2018-01-22 | 2021-09-22 | 日本電気株式会社 | 異常検知装置 |
WO2019180778A1 (ja) * | 2018-03-19 | 2019-09-26 | 日本電気株式会社 | 情報処理装置、情報処理方法及び記録媒体 |
JP6906477B2 (ja) | 2018-05-22 | 2021-07-21 | 株式会社日立製作所 | データ処理装置およびデータ処理方法 |
US10922204B2 (en) * | 2018-06-13 | 2021-02-16 | Ca, Inc. | Efficient behavioral analysis of time series data |
JP6797295B2 (ja) * | 2018-06-15 | 2020-12-09 | 三菱電機株式会社 | 診断装置、診断方法及びプログラム |
US11048727B2 (en) * | 2018-09-10 | 2021-06-29 | Ciena Corporation | Systems and methods for automated feature selection and pattern discovery of multi-variate time-series |
US10997009B2 (en) * | 2018-12-10 | 2021-05-04 | Vmware, Inc. | Methods and systems that detect and classify incidents and anomalous behavior using metric-data observations |
JP7310137B2 (ja) * | 2018-12-28 | 2023-07-19 | 株式会社Gsユアサ | データ処理装置、データ処理方法、及びコンピュータプログラム |
US10958585B2 (en) | 2018-12-31 | 2021-03-23 | Juniper Networks, Inc. | Methods and apparatus for facilitating fault detection and/or predictive fault detection |
US11138059B2 (en) * | 2019-09-25 | 2021-10-05 | Juniper Networks, Inc. | Log analysis in vector space |
JPWO2021079472A1 (ja) * | 2019-10-24 | 2021-04-29 | ||
WO2021178594A1 (en) | 2020-03-05 | 2021-09-10 | Siemens Healthcare Diagnostics Inc. | An approach for analysis of logs from a complex physical equipment |
JP7392845B2 (ja) * | 2020-05-25 | 2023-12-06 | 日本電信電話株式会社 | 非定常変動検知装置、非定常変動検知方法及びプログラム |
JP7473845B2 (ja) | 2020-11-18 | 2024-04-24 | 日本電信電話株式会社 | 試験対象抽出装置、試験対象抽出方法、及び試験対象抽出プログラム |
EP4080364A1 (en) * | 2021-04-23 | 2022-10-26 | Aptiv Technologies Limited | Method and device for detecting dysfunction of vehicle embedded computer |
WO2023112382A1 (ja) * | 2021-12-15 | 2023-06-22 | パナソニックIpマネジメント株式会社 | 分析支援方法、分析支援装置、およびプログラム |
WO2023209799A1 (ja) * | 2022-04-26 | 2023-11-02 | 日本電信電話株式会社 | 変化点スコア算出装置、変化点スコア算出方法、及びプログラム |
CN115225455B (zh) * | 2022-06-15 | 2024-07-05 | 中国电信股份有限公司 | 异常设备检测方法及装置、电子设备、存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6735550B1 (en) * | 2001-01-16 | 2004-05-11 | University Corporation For Atmospheric Research | Feature classification for time series data |
US7917333B2 (en) * | 2008-08-20 | 2011-03-29 | Caterpillar Inc. | Virtual sensor network (VSN) based control system and method |
JP5301310B2 (ja) * | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JPWO2011046228A1 (ja) * | 2009-10-15 | 2013-03-07 | 日本電気株式会社 | システム運用管理装置、システム運用管理方法、及びプログラム記憶媒体 |
JP2011086171A (ja) * | 2009-10-16 | 2011-04-28 | Toshiba Corp | 処理種別選択プログラム及び装置 |
WO2012067031A1 (ja) * | 2010-11-17 | 2012-05-24 | 日本電気株式会社 | 違反予兆条件設定支援システム、違反予兆条件設定支援方法および違反予兆条件設定支援プログラム |
TWI515522B (zh) | 2010-12-28 | 2016-01-01 | 萬國商業機器公司 | 測定系統情況的方法、電腦程式及電腦 |
EP2681496B1 (en) | 2011-03-02 | 2019-03-06 | Carrier Corporation | Spm fault detection and diagnostics algorithm |
US9075713B2 (en) | 2012-05-24 | 2015-07-07 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting anomalies in multivariate time series data |
JP6066825B2 (ja) * | 2013-05-17 | 2017-01-25 | 株式会社日立製作所 | データ分析装置及び保健事業支援方法 |
JP6003810B2 (ja) * | 2013-06-04 | 2016-10-05 | 株式会社デンソー | 車両用基準値生成装置 |
JP5979185B2 (ja) * | 2014-07-16 | 2016-08-24 | 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 |
-
2015
- 2015-10-01 JP JP2015195976A patent/JP6555061B2/ja not_active Expired - Fee Related
-
2016
- 2016-09-28 US US15/278,761 patent/US10572512B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
US10572512B2 (en) | 2020-02-25 |
US20170097980A1 (en) | 2017-04-06 |
JP2017068748A (ja) | 2017-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6555061B2 (ja) | クラスタリングプログラム、クラスタリング方法、および情報処理装置 | |
JP6652699B2 (ja) | アノマリ評価プログラム、アノマリ評価方法、および情報処理装置 | |
US10216558B1 (en) | Predicting drive failures | |
US9921937B2 (en) | Behavior clustering analysis and alerting system for computer applications | |
US10452458B2 (en) | Computer performance prediction using search technologies | |
US20150205691A1 (en) | Event prediction using historical time series observations of a computer application | |
US9870294B2 (en) | Visualization of behavior clustering of computer applications | |
US11080126B2 (en) | Apparatus and method for monitoring computer system | |
JP2007207173A (ja) | 性能分析プログラム、性能分析方法、および性能分析装置 | |
US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
JP2006507558A (ja) | 階層的視覚化を介しての多次元データのビューイング | |
Liu et al. | Objective-oriented optimal sensor allocation strategy for process monitoring and diagnosis by multivariate analysis in a Bayesian network | |
US10019681B2 (en) | Multidimensional recursive learning process and system used to discover complex dyadic or multiple counterparty relationships | |
JP2018163622A (ja) | 製造不良原因の探索支援方法及び情報処理装置 | |
JP2020035039A (ja) | 更新支援装置、更新支援方法およびプログラム | |
EP3097494A1 (en) | Computer performance prediction using search technologies | |
CN115705501A (zh) | 机器学习数据处理管道的超参数空间优化 | |
JPWO2017203672A1 (ja) | アイテム推奨方法、アイテム推奨プログラムおよびアイテム推奨装置 | |
Zeydan et al. | Cloud 2 HDD: large-scale HDD data analysis on cloud for cloud datacenters | |
CN115427986A (zh) | 用于从大容量、高速流式数据动态生成预测分析的算法学习引擎 | |
CN110874601B (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
US10372719B2 (en) | Episode mining device, method and non-transitory computer readable medium of the same | |
JP2020154512A (ja) | 文分類装置、文分類方法及び文分類プログラム | |
KR102179290B1 (ko) | 워크로드 데이터에 대한 이상징후 판별 방법 | |
JP2023036469A (ja) | 外れ値検出装置及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180608 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190207 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190319 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190516 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20190516 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20190516 |
|
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: 20190611 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190624 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6555061 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |