JP7514405B1 - 異常判定システム、異常判定方法、及びプログラム - Google Patents
異常判定システム、異常判定方法、及びプログラム Download PDFInfo
- Publication number
- JP7514405B1 JP7514405B1 JP2023577279A JP2023577279A JP7514405B1 JP 7514405 B1 JP7514405 B1 JP 7514405B1 JP 2023577279 A JP2023577279 A JP 2023577279A JP 2023577279 A JP2023577279 A JP 2023577279A JP 7514405 B1 JP7514405 B1 JP 7514405B1
- Authority
- JP
- Japan
- Prior art keywords
- abnormality determination
- service
- abnormality
- index
- anomaly
- 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
- 230000005856 abnormality Effects 0.000 title claims description 541
- 238000000034 method Methods 0.000 title claims description 50
- 238000012423 maintenance Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 17
- 238000012986 modification Methods 0.000 description 47
- 230000004048 modification Effects 0.000 description 47
- 238000010586 diagram Methods 0.000 description 26
- 238000013500 data storage Methods 0.000 description 24
- 238000012545 processing Methods 0.000 description 19
- 238000001514 detection method Methods 0.000 description 16
- 238000010801 machine learning Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- MKYBYDHXWVHEJW-UHFFFAOYSA-N N-[1-oxo-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propan-2-yl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(C(C)NC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 MKYBYDHXWVHEJW-UHFFFAOYSA-N 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- YIWGJFPJRAEKMK-UHFFFAOYSA-N 1-(2H-benzotriazol-5-yl)-3-methyl-8-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carbonyl]-1,3,8-triazaspiro[4.5]decane-2,4-dione Chemical compound CN1C(=O)N(c2ccc3n[nH]nc3c2)C2(CCN(CC2)C(=O)c2cnc(NCc3cccc(OC(F)(F)F)c3)nc2)C1=O YIWGJFPJRAEKMK-UHFFFAOYSA-N 0.000 description 4
- YLZOPXRUQYQQID-UHFFFAOYSA-N 3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)-1-[4-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]piperazin-1-yl]propan-1-one Chemical class N1N=NC=2CN(CCC=21)CCC(=O)N1CCN(CC1)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F YLZOPXRUQYQQID-UHFFFAOYSA-N 0.000 description 4
- VZSRBBMJRBPUNF-UHFFFAOYSA-N 2-(2,3-dihydro-1H-inden-2-ylamino)-N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]pyrimidine-5-carboxamide Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C(=O)NCCC(N1CC2=C(CC1)NN=N2)=O VZSRBBMJRBPUNF-UHFFFAOYSA-N 0.000 description 3
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 3
- FHKPLLOSJHHKNU-INIZCTEOSA-N [(3S)-3-[8-(1-ethyl-5-methylpyrazol-4-yl)-9-methylpurin-6-yl]oxypyrrolidin-1-yl]-(oxan-4-yl)methanone Chemical class C(C)N1N=CC(=C1C)C=1N(C2=NC=NC(=C2N=1)O[C@@H]1CN(CC1)C(=O)C1CCOCC1)C FHKPLLOSJHHKNU-INIZCTEOSA-N 0.000 description 3
- JAWMENYCRQKKJY-UHFFFAOYSA-N [3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-ylmethyl)-1-oxa-2,8-diazaspiro[4.5]dec-2-en-8-yl]-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]methanone Chemical compound N1N=NC=2CN(CCC=21)CC1=NOC2(C1)CCN(CC2)C(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F JAWMENYCRQKKJY-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- DEXFNLNNUZKHNO-UHFFFAOYSA-N 6-[3-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]piperidin-1-yl]-3-oxopropyl]-3H-1,3-benzoxazol-2-one Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C1CCN(CC1)C(CCC1=CC2=C(NC(O2)=O)C=C1)=O DEXFNLNNUZKHNO-UHFFFAOYSA-N 0.000 description 1
- NIPNSKYNPDTRPC-UHFFFAOYSA-N N-[2-oxo-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 NIPNSKYNPDTRPC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Debugging And Monitoring (AREA)
Abstract
Description
本開示に係る異常判定システムの実施形態の一例である第1実施形態を説明する。
図1は、異常判定システムの全体構成の一例を示す図である。例えば、異常判定システム1は、インターネット又はLAN等のネットワークNに接続可能である。ネットワークNには、サービス提供システム2も接続可能である。ネットワークNには、他のシステム又は端末が接続可能であってもよい。図1は、異常判定システム1及びサービス提供システム2がネットワークNを介して接続される例について説明しているが、異常判定システム1がサービス提供システム2に含まれてもよい。このとき、異常判定システム1の管理者権限は、サービス提供システム2の管理者権限に含まれる。
例えば、サービス提供システム2は、少なくとも1つのサービスをユーザに提供する。第1実施形態では、第1サービス、第2サービス、及び第3サービスといった3つのサービスを例に挙げるが、サービス提供システム2は、1つのサービス、2つのサービス、又は4つ以上のサービスをユーザに提供してもよい。第1サーバ30は、第1サービスのサーバコンピュータである。第2サーバ40は、第2サービスのサーバコンピュータである。第3サーバ50は、第3サービスのサーバコンピュータである。
図4は、第1実施形態の異常判定システム1で実現される機能の一例を示す図である。
異常判定サーバ10は、データ記憶部100、指標取得部101、及び異常判定部102を含む。データ記憶部100は、記憶部12により実現される。指標取得部101及び異常判定部102は、制御部11により実現される。
データ記憶部100は、異常判定に必要なデータを記憶する。例えば、データ記憶部100は、業績指標データベースDB1を記憶する。
指標取得部101は、所定のサービスを提供するためのサービス提供システム1における異常の発生に関する異常判定で利用可能な指標を取得する。この指標は、異常判定の際に参照される情報である。例えば、異常判定基準と比較される情報が指標に相当する。第1実施形態では、指標の一例として業績指標を説明する。指標取得部101は、業績指標取得部101Aを含む。業績指標以外の他の指標が利用されない場合には、業績指標取得部101Aを上位概念化した指標取得部101が存在しなくてもよい。
異常判定部102は、指標取得部101により取得された指標に基づいて、サービス提供システム1における異常判定を実行する。第1実施形態では、この指標として業績指標が利用されるので、異常判定部102は、業績指標取得部101Aにより取得された業績指標に基づいて、サービス提供システム1における異常判定を実行する。第1実施形態では、異常判定基準を利用した異常判定を例に挙げるが、異常判定の実行方法は、第1実施形態の例に限られない。後述の変形例のように、異常判定基準ではなく、機械学習の手法が利用されてもよい。
例えば、管理者端末20は、データ記憶部200、操作受付部201、及び表示制御部202を含む。データ記憶部200は、記憶部22を主として実現される。操作受付部201及び表示制御部202は、制御部21を主として実現される。
データ記憶部200は、管理者の業務に必要なデータを記憶する。例えば、データ記憶部200は、管理者画面SCを表示するために必要なデータを記憶する。データ記憶部200は、管理者の業務に必要なメンテナンスツールを記憶してもよい。メンテナンスツール自体は、公知のツールであってよく、例えば、ハードウェア及びソフトウェアの少なくとも一方の状態を監視可能なツールであればよい。
操作受付部201は、管理者による各種操作を受け付ける。例えば、操作受付部201は、管理者画面SCに対する操作を受け付ける。
表示制御部202は、各種画面を表示部25に表示させる。例えば、表示制御部202は、管理者画面SCを表示部25に表示させる。表示制御部202は、管理者がボタンB1~B4の何れかを選択した場合に、第1サーバ30、第2サーバ40、第3サーバ50、及び共通サーバ60のうちの何れかの状態を表示部25に表示させる。
図6は、第1実施形態の異常判定システム1で実行される処理の一例を示す図である。制御部11,21が、それぞれ記憶部12,22に記憶されたプログラムを実行することによって、図6の処理が実行される。図6のように、異常判定サーバ10は、単位時間である1分が経過したか否かを判定する(S100)。S100では、異常判定サーバ10は、前回の異常判定から1分が経過したか否かを判定する。1分が経過したと判定されない場合(S100:N)、再びS100の処理に戻る。
次に、異常判定システム1の別実施形態である第2実施形態を説明する。例えば、サービス提供システム2では、特定の時期にキャンペーンが開催されることがある。キャンペーンの開催中は、サービスの利用が増加し、キャンペーンが開催されていない他の時期である通常の時期とは異なる利用状況になることがある。そこで、キャンペーンの開催時期と、通常の時期と、で異常判定基準を異ならせることによって、異常判定の柔軟性を高めるようにしてもよい。
図8は、第2実施形態の異常判定システム1で実現される機能の一例を示す図である。例えば、異常判定サーバ10は、データ記憶部100、指標取得部101、異常判定部102、及び予定データ取得部103を含む。データ記憶部100,指標取得部101、及び異常判定部102については、第1実施形態と異なる点について説明する。予定データ取得部103は、制御部11により実現される。なお、管理者端末20で実現される機能は、第1実施形態と同様であってよい。
第2実施形態のデータ記憶部100は、第1実施形態で説明した業績指標データベースDB1に加えて、予定データベースDB2と、異常判定基準データベースDB3と、を記憶する。
第2実施形態では、指標取得部101が、第1実施形態で説明した業績指標を取得する場合を説明するが、指標取得部101は、業績指標以外の他の指標を取得してもよい。第2実施形態で業績指標と記載した箇所は、他の指標に読み替えることができる。例えば、指標取得部101は、ハードウェアに関する指標であるハードウェア指標と、ソフトウェアに関するソフトウェア指標と、の少なくとも一方を取得してもよい。第1実施形態で説明したゴールデンシグナルメトリクスは、ハードウェア指標及びソフトウェア指標の一例である。ハードウェア指標及びソフトウェア指標は、ベンチマークテスト又はメンテナンスツールで利用されているプログラムに基づいて取得されてもよい。
予定データ取得部103は、サービスの予定に関する予定データを取得する。例えば、予定データ取得部103は、予定データベースDB2を参照し、予定データを取得する。予定データが予定データベースDB2以外の他のデータベースに格納されている場合には、予定データ取得部103は、当該他のデータベースを参照し、予定データを取得すればよい。異常判定サーバ10以外の他のコンピュータ又は情報記憶媒体に予定データが記憶されている場合には、予定データ取得部103は、当該他のコンピュータ又は情報記憶媒体から、予定データを取得すればよい。
第2実施形態の異常判定部102は、業績指標と、予定データと、に基づいて、異常判定を実行する。第2実施形態では、予定データがキャンペーン時期を示すので、異常判定部102は、業績指標と、予定データが示すキャンペーン時期と、に基づいて、異常判定を実行する。例えば、異常判定部102は、キャンペーン時期に基づいて、異常判定基準を決定する。異常判定部102は、キャンペーン時期が訪れたか否かを判定する。
図11は、第2実施形態の異常判定システム1で実行される処理の一例を示す図である。制御部11,21が、それぞれ記憶部12,22に記憶されたプログラムを実行することによって、図11の処理が実行される。図11のように、S200~S202の処理は、それぞれS100~S102の処理と同様である。
本開示は、以上に説明した第1実施形態及び第2実施形態に限定されるものではない。本開示の趣旨を逸脱しない範囲で、適宜変更可能である。
まず、第1実施形態に関する変形例を説明する。
例えば、図2のように、サービス提供システム1は、個々のサービスに特有の構成と、複数のサービスにまたがる構成と、を含むことがある。この場合、ある特定のサービスの業績指標だけが減っていれば、このサービスに特有の構成に異常が発生している可能性がある。一方で、複数のサービス全体の業績指標が減っていれば、複数のサービスにまたがる構成に異常が発生している可能性がある。そこで、個々のサービスの業績指標だけではなく、複数のサービスの全体の業績指標を考慮して、異常判定が実行されてもよい。
例えば、異常判定部102は、異常判定の対象となるサービスごとに、当該サービスの業績指標と、他のサービスの業績指標と、の関係に基づいて、異常判定を実行してもよい。即ち、個々のサービスの業績指標と、複数のサービス全体の業績指標と、の関係(変形例1-1で説明した関係)ではなく、個々のサービスの業績指標同士の関係を考慮して、異常判定を実行してもよい。
例えば、第1実施形態で説明したように、サービス提供システム2が複数のサービスの各々をユーザに提供する場合には、異常判定部102は、複数のサービスの各々の業績指標が、異常判定基準を満たすか否かを判定してもよい。この場合、複数のサービスのうち、異常が発生したサービスを特定するために、業績指標の種類が役立つことがある。
例えば、第1実施形態では、業績指標に基づいて、異常判定が実行される場合を説明した。異常判定では、業績指標以外の他の指標も考慮されてもよい。変形例1-4では、他の指標の一例として、ハードウェア指標を説明する。他の指標は、ハードウェア指標に限られず、第1実施形態で説明したソフトウェア指標であてもよい。
例えば、変形例1-4で説明したように、異常判定部102は、業績指標が所定の業績指標基準を満たすか否かを判定してもよい。異常判定部102は、ハードウェア指標が所定のハードウェア指標基準を満たすか否かを判定してもよい。この場合に、異常判定部102は、ハードウェア指標基準が満たされて、かつ、業績指標基準が満たされないと判定された場合には、ハードウェア指標基準及び業績指標基準の両方が満たされた場合よりも、異常に関する度合が低くなるように、異常判定を実行してもよい。
例えば、業績指標は、現時点における異常判定だけではなく、将来における異常判定に利用できることがある。変形例1-6では、第1実施形態で説明した第1サービス(電子商取引サービス)を例に挙げる。第1サービスにおけるキャンペーンの開催中は、より多くのユーザが第1サービスを利用するので、業績指標が高くなることがある。業績指標が高くなると、サービス提供システム2の負荷が高まることがある。ただし、業績指標が高くなった後に、サービス提供システム2の負荷が直ちに高くなるとは限らない。
例えば、第1実施形態では、業績指標と比較する閾値を含む異常判定基準が異常判定で利用される場合を例に挙げたが、異常判定は、第1実施形態の例に限られない。異常判定部102は、業績指標と、訓練用の業績指標と異常の発生との関係が学習された学習モデルと、に基づいて、異常判定を実行してもよい。学習モデルは、機械学習の手法を利用して学生されたモデルである。
例えば、変形例1-7で説明した学習モデルは、個々のサービスごとに用意されていてもよいが、複数のサービスの各々の業績指標が総合的に学習されていてもよい。変形例1-8の学習モデルには、複数のサービスの各々の訓練用の業績指標と、異常の発生と、の関係が学習されている。訓練データのデータ構造自体は、変形例1-7と同様であるが、訓練データの入力部分は、ある1つのサービスの訓練用の業績指標ではなく、複数のサービスの各々の訓練用の業績指標である。
例えば、サービス提供システム2が段階的にリニューアルすることがある。この場合、相対的に古いサービス提供システム2である旧システムと、相対的に新しいサービス提供システム2である新システムと、が共存することがある。旧システム及び新システムは、サービスを提供するために利用されるハードウェア及びソフトウェアの少なくとも一方が互いに異なる。この場合、新システムの異常判定が、旧システムの業績指標に基づいて実行されてもよい。
例えば、第1実施形態では、業績指標の一例として、決済指標を説明した。業績指標は、サービスの何らかの業績を表す情報であればよく、決済指標に限られない。例えば、業績指標取得部101Aは、業績指標として、電子商取引サービスにおける取引に関する取引指標を取得する。取引は、電子商取引サービスの利用である。例えば、商品又はコンテンツの購入である。取引指標は、購入数、購入額、購入額の合計、買い物かごに追加された商品、買い物かごからのドロップ数、ブックマークに追加された商品、又はこれらの組み合わせである。
例えば、業績指標取得部101Aは、業績指標として、サービスのメンバーシップに関するメンバーシップ指標を取得してもよい。メンバーシップ指標は、サービスの会員に関する指標である。例えば、メンバーシップ指標は、会員数、会員数の変化量、退会数、退会数の変化量、又はこれらの組み合わせである。
次に、第2実施形態に関する変形例を説明する。
例えば、第2実施形態では、予定データがキャンペーン時期を示す場合を説明したが、予定データは、サービス提供システム1における何らかの予定を示せばよく、キャンペーン時期に限られない。変形例2-1では、予定データが、サービスに関するメンテナンスが行われるメンテナンス時期を示す場合を例に挙げる。
例えば、変形例2-1では、メンテナンス時期に基づいて、異常判定を実行するか否かが決定される場合を説明したが、メンテナンス時期を利用した異常判定は、変形例2-1の例に限られない。変形例2-2の異常判定部102は、予定データに基づいて、異常判定に関する異常判定基準を決定する。異常判定部102は、当該決定された異常判定基準と、指標と、に基づいて、異常判定を実行する。
例えば、変形例2-2のように異常判定基準が動的に決定される場合に、異常判定部102は、予定データに関する条件と、当該条件が満たされた場合の異常判定基準と、の関係に基づいて、異常判定基準を決定してもよい。この関係は、異常判定基準データベースDB3に定められているものとする。予定データに関する条件とは、予定データに含まれる情報に基づいて判定される条件である。
例えば、変形例2-3では、異常判定基準データベースDB3を利用して異常判定基準を決定する場合を説明したが、異常判定基準の決定方法は、変形例2-3で説明した例に限られない。異常判定部102は、予定データと、訓練用の予定データと異常判定基準との関係が学習された学習モデルと、に基づいて、異常判定基準を決定してもよい。この学習モデルは、変形例1-7で説明した学習モデルとは異なる。
例えば、変形例2-5の学習モデルには、過去の実績に基づく関係が学習されていてもよい。過去の実績に基づく関係とは、過去における実際の業績指標と、その時に最適と思われる異常判定基準と、の関係である。例えば、変形例2-5の訓練データは、過去の実績に基づいて、管理者により手動で作成される。変形例2-5の訓練データも、公知のツールを利用して自動的に作成されてもよい。
例えば、第1実施形態の変形例1-7と、第2実施形態と、を組み合わせて、異常判定部102は、業績指標と、訓練用の指標と異常の発生に関する異常判定結果との関係が学習された学習モデルと、に基づいて、異常判定を実行してもよい。この処理は、変形例1-7で説明した通りである。
例えば、変形例2-6の学習モデルには、変形例2-5の学習モデルと同様、過去の実績に基づく関係が学習されていてもよい。過去の実績に基づく関係とは、過去における実際の業績指標と、その時に異常が発生していたか否かと、の関係である。例えば、変形例2-6の訓練データは、過去の実績に基づいて、管理者により手動で作成される。変形例2-6の訓練データも、公知のツールを利用して自動的に作成されてもよい。
例えば、第2実施形態では、第1サービスのキャンペーンを例に挙げたが、予定データ取得部103は、複数のサービスの各々の予定を取得してもよい。変形例2-8では、予定データベースDB2に、複数のサービスの各々の予定を示す予定データが格納されているものとする。個々の予定データについては、第2実施形態で説明した通りである。
例えば、第1実施形態の変形例1-1と、第2実施形態と、を組み合わせて、異常判定部102は、異常判定の対象となるサービスごとに、当該サービスの業績指標及び予定と、複数のサービス全体の業績指標及び予定と、の関係に基づいて、異常判定を実行してもよい。複数のサービス全体の業績指標については、変形例1-1で説明した通りである。複数のサービス全体の予定とは、複数のサービスにまたがる予定である。
例えば、第1実施形態の変形例1-2と、第2実施形態と、を組み合わせて、異常判定部102は、異常判定の対象となるサービスごとに、当該サービスの業績指標及び予定と、他のサービスの業績指標及び予定と、の関係に基づいて、異常判定を実行してもよい。他のサービスの業績指標については、変形例1-2で説明した通りである。例えば、実施形態の例であれば、第2サービスと第3サービスがともにフィンテック系のサービスなので、異常判定部102は、第2サービスの予定と、第3サービスの予定と、に基づいて、第2サービスの異常判定基準を決定する。異常判定部102は、第2サービスの業績指標と、第3サービスの業績指標と、が当該決定された第2サービスの異常判定基準を満たすか否かを判定することによって、第2サービスの異常判定を実行してもよい。
例えば、上記変形例を組み合わせてもよい。
Claims (18)
- 所定のサービスを提供するためのサービス提供システムにおける異常の発生に関する異常判定で利用可能な指標を取得する指標取得部と、
前記サービスの予定に関する予定データを取得する予定データ取得部と、
前記予定データに関する条件と、当該条件が満たされた場合の前記異常判定に関する異常判定基準と、の関係に基づいて、前記異常判定基準を決定し、当該決定された異常判定基準と、前記指標と、に基づいて、前記異常判定を実行する異常判定部と、
を含む異常判定システム。 - 所定のサービスを提供するためのサービス提供システムにおける異常の発生に関する異常判定で利用可能な指標を取得する指標取得部と、
前記サービスの予定に関する予定データを取得する予定データ取得部と、
前記予定データと、訓練用の前記予定データと前記異常判定に関する異常判定基準との関係が学習された学習モデルと、に基づいて、前記異常判定基準を決定し、当該決定された異常判定基準と、前記指標と、に基づいて、前記異常判定を実行する異常判定部と、
を含む異常判定システム。 - 所定のサービスを提供するためのサービス提供システムにおける異常の発生に関する異常判定で利用可能な指標を取得する指標取得部と、
前記サービスの予定に関する予定データを取得する予定データ取得部と、
前記指標と、訓練用の前記指標と前記異常の発生に関する異常判定結果との関係が学習された学習モデルと、に基づいて、前記異常判定を実行する異常判定部であって、前記予定データに基づいて、前記異常判定を実行するか否かを決定する異常判定部と、
を含む異常判定システム。 - 複数のサービスを提供するためのサービス提供システムにおける前記複数のサービスの各々の異常の発生に関する異常判定で利用可能な指標を取得する指標取得部と、
前記複数のサービスの各々の予定に関する予定データを取得する予定データ取得部と、
前記複数のサービスの各々の前記予定データに基づいて、前記複数のサービスのうちの少なくとも1つの前記異常判定に関する異常判定基準を決定し、当該決定された異常判定基準と、前記複数のサービスの各々の前記指標と、に基づいて、前記異常判定を実行する異常判定部と、
を含む異常判定システム。 - 前記予定データは、前記サービスに関するキャンペーンが開催されるキャンペーン時期を示し、
前記異常判定部は、前記指標と、前記予定データが示す前記キャンペーン時期と、に基づいて、前記異常判定を実行する、
請求項1~4の何れかに記載の異常判定システム。 - 前記予定データは、前記サービスに関するメンテナンスが行われるメンテナンス時期を示し、
前記異常判定部は、前記指標と、前記予定データが示す前記メンテナンス時期と、に基づいて、前記異常判定を実行する、
請求項1~4の何れかに記載の異常判定システム。 - 前記異常判定部は、過去の実績に基づく前記関係が学習された前記学習モデルに基づいて、前記異常判定基準を決定する、
請求項2に記載の異常判定システム。 - 前記異常判定部は、過去の実績に基づく前記関係が学習された前記学習モデルに基づいて、前記異常判定を実行する、
請求項3に記載の異常判定システム。 - 前記異常判定部は、前記異常判定の対象となる前記サービスごとに、当該サービスの前記指標及び前記予定と、前記複数のサービス全体の前記指標及び前記予定と、の関係に基づいて、前記異常判定を実行する、
請求項4に記載の異常判定システム。 - 前記異常判定部は、前記異常判定の対象となる前記サービスごとに、当該サービスの前記指標及び前記予定と、他の前記サービスの前記指標及び前記予定と、の関係に基づいて、前記異常判定を実行する、
請求項4に記載の異常判定システム。 - コンピュータが、
所定のサービスを提供するためのサービス提供システムにおける異常の発生に関する異常判定で利用可能な指標を取得する指標取得ステップと、
前記サービスの予定に関する予定データを取得する予定データ取得ステップと、
前記予定データに関する条件と、当該条件が満たされた場合の前記異常判定に関する異常判定基準と、の関係に基づいて、前記異常判定基準を決定し、当該決定された異常判定基準と、前記指標と、に基づいて、前記異常判定を実行する異常判定ステップと、
を実行する異常判定方法。 - コンピュータが、
所定のサービスを提供するためのサービス提供システムにおける異常の発生に関する異常判定で利用可能な指標を取得する指標取得ステップと、
前記サービスの予定に関する予定データを取得する予定データ取得ステップと、
前記予定データと、訓練用の前記予定データと前記異常判定に関する異常判定基準との関係が学習された学習モデルと、に基づいて、前記異常判定基準を決定し、当該決定された異常判定基準と、前記指標と、に基づいて、前記異常判定を実行する異常判定ステップと、
を実行する異常判定方法。 - コンピュータが、
所定のサービスを提供するためのサービス提供システムにおける異常の発生に関する異常判定で利用可能な指標を取得する指標取得ステップと、
前記サービスの予定に関する予定データを取得する予定データ取得ステップと、
前記指標と、訓練用の前記指標と前記異常の発生に関する異常判定結果との関係が学習された学習モデルと、に基づいて、前記異常判定を実行する異常判定ステップであって、前記予定データに基づいて、前記異常判定を実行するか否かを決定する異常判定ステップと、
を実行する異常判定方法。 - コンピュータが、
複数のサービスを提供するためのサービス提供システムにおける前記複数のサービスの各々の異常の発生に関する異常判定で利用可能な指標を取得する指標取得ステップと、
前記複数のサービスの各々の予定に関する予定データを取得する予定データ取得ステップと、
前記複数のサービスの各々の前記予定データに基づいて、前記複数のサービスのうちの少なくとも1つの前記異常判定に関する異常判定基準を決定し、当該決定された異常判定基準と、前記複数のサービスの各々の前記指標と、に基づいて、前記異常判定を実行する異常判定ステップと、
を実行する異常判定方法。 - 所定のサービスを提供するためのサービス提供システムにおける異常の発生に関する異常判定で利用可能な指標を取得する指標取得部、
前記サービスの予定に関する予定データを取得する予定データ取得部、
前記予定データに関する条件と、当該条件が満たされた場合の前記異常判定に関する異常判定基準と、の関係に基づいて、前記異常判定基準を決定し、当該決定された異常判定基準と、前記指標と、に基づいて、前記異常判定を実行する異常判定部、
としてコンピュータを機能させるためのプログラム。 - 所定のサービスを提供するためのサービス提供システムにおける異常の発生に関する異常判定で利用可能な指標を取得する指標取得部と、
前記サービスの予定に関する予定データを取得する予定データ取得部と、
前記予定データと、訓練用の前記予定データと前記異常判定に関する異常判定基準との関係が学習された学習モデルと、に基づいて、前記異常判定基準を決定し、当該決定された異常判定基準と、前記指標と、に基づいて、前記異常判定を実行する異常判定部と、
としてコンピュータを機能させるためのプログラム。 - 所定のサービスを提供するためのサービス提供システムにおける異常の発生に関する異常判定で利用可能な指標を取得する指標取得部、
前記サービスの予定に関する予定データを取得する予定データ取得部、
前記指標と、訓練用の前記指標と前記異常の発生に関する異常判定結果との関係が学習された学習モデルと、に基づいて、前記異常判定を実行する異常判定部であって、前記予定データに基づいて、前記異常判定を実行するか否かを決定する異常判定部、
としてコンピュータを機能させるためのプログラム。 - 複数のサービスを提供するためのサービス提供システムにおける前記複数のサービスの各々の異常の発生に関する異常判定で利用可能な指標を取得する指標取得部と、
前記複数のサービスの各々の予定に関する予定データを取得する予定データ取得部と、
前記複数のサービスの各々の前記予定データに基づいて、前記複数のサービスのうちの少なくとも1つの前記異常判定に関する異常判定基準を決定し、当該決定された異常判定基準と、前記複数のサービスの各々の前記指標と、に基づいて、前記異常判定を実行する異常判定部、
としてコンピュータを機能させるためのプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2023/002139 WO2024157362A1 (ja) | 2023-01-24 | 異常判定システム、異常判定方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP7514405B1 true JP7514405B1 (ja) | 2024-07-10 |
Family
ID=91802731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023577279A Active JP7514405B1 (ja) | 2023-01-24 | 2023-01-24 | 異常判定システム、異常判定方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7514405B1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010001966A1 (ja) | 2008-07-03 | 2010-01-07 | 日本電気株式会社 | 時系列データ処理装置およびその方法とプログラム |
JP2017033275A (ja) | 2015-07-31 | 2017-02-09 | ヤフー株式会社 | 集計装置、集計方法、及び集計プログラム |
JP2021135541A (ja) | 2020-02-21 | 2021-09-13 | 株式会社日立製作所 | モデル生成装置、モデル生成方法、及びモデル生成プログラム |
JP2022144204A (ja) | 2021-03-18 | 2022-10-03 | 株式会社Pignus | 情報処理装置 |
-
2023
- 2023-01-24 JP JP2023577279A patent/JP7514405B1/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010001966A1 (ja) | 2008-07-03 | 2010-01-07 | 日本電気株式会社 | 時系列データ処理装置およびその方法とプログラム |
JP2017033275A (ja) | 2015-07-31 | 2017-02-09 | ヤフー株式会社 | 集計装置、集計方法、及び集計プログラム |
JP2021135541A (ja) | 2020-02-21 | 2021-09-13 | 株式会社日立製作所 | モデル生成装置、モデル生成方法、及びモデル生成プログラム |
JP2022144204A (ja) | 2021-03-18 | 2022-10-03 | 株式会社Pignus | 情報処理装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101674089B1 (ko) | 온라인 시스템에서 사용자 행위에 대한 맞춤형 예측자 | |
US9183518B2 (en) | Methods and systems for scheduling a predicted fault service call | |
US11379833B2 (en) | Systems and methods of generating, validating, approving, recording, and utilizing digital data assets in a blockchain platform using a transactional proof of work | |
US11436647B1 (en) | Entity scoring calibration | |
Ala et al. | An efficient healthcare chain design for resolving the patient scheduling problem: queuing theory and MILP-ASA optimization approach | |
CN113409005A (zh) | 项目管理方法、***、计算机设备和存储介质 | |
US20180197166A1 (en) | System and method for using user rating in real-world data observation campaign | |
US11368419B2 (en) | Systems and methods for rapid electronic messaging testing and positional impact assessment in a prospect electronic messaging series | |
CN112163154B (zh) | 数据处理方法、装置、设备及存储介质 | |
EP1845486A1 (en) | Recording customer satisfaction with service staff performance | |
JP7514405B1 (ja) | 異常判定システム、異常判定方法、及びプログラム | |
JP7498874B1 (ja) | 異常判定システム、異常判定方法、及びプログラム | |
WO2024157362A1 (ja) | 異常判定システム、異常判定方法、及びプログラム | |
WO2024157361A1 (ja) | 異常判定システム、異常判定方法、及びプログラム | |
JP2020170433A (ja) | 経済的な豊かさと精神的な豊かさの両立を支援するシステム及び方法 | |
US11750465B2 (en) | Message management system for adjusting a transmission of a scheduled message | |
KR102463250B1 (ko) | 운영관리 솔루션 시스템 및 빅데이터 분석 방법 | |
JP6861881B1 (ja) | 通知装置、通知方法及び通知プログラム | |
US20220308934A1 (en) | Prediction system, prediction method, and program | |
US11392972B2 (en) | Electronic device for providing product sale managing information and method thereof | |
JP6856908B1 (ja) | 見守り支援方法、情報処理装置、見守り支援システム及びコンピュータプログラム | |
US20240103960A1 (en) | Operational intelligence platform | |
JP7404120B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
JP7494135B2 (ja) | 保守運用サーバ及び保守運用システム | |
JP2023140373A (ja) | プラン通知装置及びプラン通知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231213 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231213 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20231213 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240305 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240424 |
|
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: 20240618 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240628 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7514405 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |