特開 2022-178092 サーバ負荷予測装置、サーバ負荷予測方法及びサーバ負荷予測プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022178092

(43)【公開日】2022-12-02

(54)【発明の名称】サーバ負荷予測装置、サーバ負荷予測方法及びサーバ負荷予測プログラム

(51)【国際特許分類】

   G06F 9/50 20060101AFI20221125BHJP

   G06Q 10/04 20120101ALI20221125BHJP

【ＦＩ】

G06F9/50 120Z

G06Q10/04

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2021084628

(22)【出願日】2021-05-19

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＹｏｕＴｕｂｅ

(71)【出願人】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】100103894

【弁理士】

【氏名又は名称】家入 健

(72)【発明者】

【氏名】松岡 伶音

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049AA04

(57)【要約】

【課題】サーバ装置の負荷を高精度で予測することができるサーバ負荷予測装置、サーバ負荷予測方法及びサーバ負荷予測プログラムを提供する。
【解決手段】サーバ負荷予測装置１００は、インフルエンサーを含む監視対象者がウェブ上に提供したコンテンツを監視し、コンテンツの動画再生数、コンテンツのリツイート数及びコンテンツに対するコメントの少なくともいずれかを取得するコンテンツ監視部１１０と、単位時間当たりの動画再生数及び単位時間当たりのリツイート数に応じたビュースコアＶｉｅｗｓ、並びに、コメントにおける所定のワードの割合に応じたワードスコアＷｏｒｄｓ、を含む評価関数ＳＣＯＲＥを算出するデータ解析部１２０と、評価関数ＳＣＯＲＥに基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置２００の負荷の予測値を予測するサーバ負荷予測部１３０と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

インフルエンサーを含む監視対象者がウェブ上に提供したコンテンツを監視し、前記コンテンツの動画再生数、前記コンテンツのリツイート数及び前記コンテンツに対するコメントの少なくともいずれかを取得するコンテンツ監視部と、
単位時間当たりの前記動画再生数及び前記単位時間当たりの前記リツイート数に応じたビュースコア、並びに、前記コメントにおける所定のワードの割合に応じたワードスコア、を含む評価関数を算出するデータ解析部と、
前記評価関数に基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置の負荷の予測値を予測するサーバ負荷予測部と、
を備えたサーバ負荷予測装置。

【請求項2】

前記評価関数をＳＣＯＲＥとし、前記ビュースコアをＶｉｅｗｓとし、前記ワードスコアをＷｏｒｄｓとし、第１係数を０≦α≦１のαとし、第２係数を０≦β≦１のβとした場合に、前記データ解析部は、前記評価関数を下記（Ａ）式により算出する、
ＳＣＯＲＥ＝α×Ｖｉｅｗｓ＋β×Ｗｏｒｄｓ （Ａ）
請求項１に記載のサーバ負荷予測装置。

【請求項3】

前記動画再生数及び前記リツイート数と、前記ビュースコアとの対応関係、並びに、前記所定のワードの割合と、前記ワードスコアとの対応関係を記憶したデータ記憶部をさらに備え、
前記データ解析部は、前記データ記憶部に記憶された前記ビュースコア及び前記ワードスコアを用いて、前記評価関数を算出する、
請求項２に記載のサーバ負荷予測装置。

【請求項4】

前記評価関数と、前記予測値との対応関係を記憶したサーバ負荷予測記憶部をさらに備え、
前記サーバ負荷予測部は、前記サーバ負荷予測記憶部に記憶された前記対応関係を用いて、前記予測値を予測する、
請求項２または３に記載のサーバ負荷予測装置。

【請求項5】

前記インフルエンサーの前記コンテンツ、前記第１係数及び前記第２係数を記憶した監視対象者記憶部をさらに備え、
前記コンテンツ監視部は、前記監視対象者記憶部に記憶した前記コンテンツを監視し、
前記データ解析部は、前記監視対象者記憶部に記憶された前記第１係数及び前記第２係数を用いて、前記評価関数を算出する、
請求項２～４のいずれか１項に記載のサーバ負荷予測装置。

【請求項6】

前記サーバ負荷予測部が予測した前記予測値と、実際の負荷との誤差から、前記第１係数及び前記第２係数を学習する学習部をさらに備え、
前記学習部は、前記監視対象者記憶部に記憶された前記第１係数及び前記第２係数を更新する、
請求項５に記載のサーバ負荷予測装置。

【請求項7】

前記サーバ負荷予測部が予測した前記予測値に基づいて、前記サーバ装置にスケールを変更する命令を行うスケーリング命令部をさらに備えた、
請求項１～６のいずれか１項に記載のサーバ負荷予測装置。

【請求項8】

前記インフルエンサーは、前記商品または前記サービスに関する前記コンテンツを提供する、
請求項１～７のいずれか１項に記載のサーバ負荷予測装置。

【請求項9】

インフルエンサーを含む監視対象者がウェブ上に提供したコンテンツを監視させ、前記コンテンツの動画再生数、前記コンテンツのリツイート数及び前記コンテンツに対するコメントの少なくともいずれかを取得させるコンテンツ監視ステップと、
単位時間当たりの前記動画再生数及び前記単位時間当たりの前記リツイート数に応じたビュースコア、並びに、前記コメントにおける所定のワードの割合に応じたワードスコア、を含む評価関数を算出させるデータ解析ステップと、
前記評価関数に基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置の負荷の予測値を予測させるサーバ負荷予測ステップと、
を備えたサーバ負荷予測方法。

【請求項10】

インフルエンサーを含む監視対象者がウェブ上に提供したコンテンツを監視させ、前記コンテンツの動画再生数、前記コンテンツのリツイート数及び前記コンテンツに対するコメントの少なくともいずれかを取得させるコンテンツ監視手順と、
単位時間当たりの前記動画再生数及び前記単位時間当たりの前記リツイート数に応じたビュースコア、並びに、前記コメントにおける所定のワードの割合に応じたワードスコア、を含む評価関数を算出させるデータ解析手順と、
前記評価関数に基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置の負荷の予測値を予測させるサーバ負荷予測手順と、
をコンピュータに実行させるサーバ負荷予測プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、サーバ負荷予測装置、サーバ負荷予測方法及びサーバ負荷予測プログラムに関する。

【背景技術】

【0002】

近年では、Ｙｏｕｔｕｂｅ、Ｔｗｉｔｔｅｒ、Ｉｎｓｔａｇｒａｍ等において、登録者が非常に多く、発言やつぶやきが世の中に影響を与えるインフルエンサーが数多く存在する。このようなインフルエンサーに自社の商品を紹介させるインフルエンサーマーケティングというものがある。課題の１つとして、インフルエンサーにより情報発信された商品により、自社のサーバにどの程度のサーバ負荷が起こるかリアルタイム予測が難しいことがあげられる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１９－２１５６３７号公報

【特許文献2】特開２０１９－１６８９２０号公報

【特許文献3】特開２０１９－０２８５３８号公報

【特許文献4】特開２０１８－０２５９４４号公報

【特許文献5】特開２０１７－１５１８２５号公報

【特許文献6】特開２０１６－０５８００５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

例えば、検索エンジンの急上昇ワードや無作為の人の短文投稿サイトに投稿される文字列の監視によりスケーリングを行う方法がある。しかし、このような方法では、突発的なサーバ負荷に対応することが困難である。

【0005】

検索エンジンやツイッター等による急上昇ワードなどのトレンド機能は、ある一定のアクセス数が見込めるまで判定されない。このラグにより、スケーリングするタイミングが遅くなり、既に高負荷状態となってしまう可能性がある。

【0006】

また、インフルエンサーマーケティングでは、動画やツイートに紹介する商品のＵＲＬが直接貼ってあるため、ワードを用いて検索しない可能性が大きく、検索エンジンで判定することは現実的ではない。

【0007】

商品紹介などによる突発的なリクエストに対するリソース制御方法がなく、インフルエンサーの特徴を考慮したリソース制御方法が必要である。

【0008】

本開示の目的は、このような課題を解決するためになされたものであり、サーバ装置の負荷を高精度で予測することができるサーバ負荷予測装置、サーバ負荷予測方法及びサーバ負荷予測プログラムを提供することにある。

【課題を解決するための手段】

【0009】

一実施の形態に係るサーバ負荷予測装置は、インフルエンサーを含む監視対象者がウェブ上に提供したコンテンツを監視し、前記コンテンツの動画再生数、前記コンテンツのリツイート数及び前記コンテンツに対するコメントの少なくともいずれかを取得するコンテンツ監視部と、単位時間当たりの前記動画再生数及び前記単位時間当たりの前記リツイート数に応じたビュースコア、並びに、前記コメントにおける所定のワードの割合に応じたワードスコア、を含む評価関数を算出するデータ解析部と、前記評価関数に基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置の負荷の予測値を予測するサーバ負荷予測部と、を備える。

【0010】

一実施の形態に係るサーバ負荷予測方法は、インフルエンサーを含む監視対象者がウェブ上に提供したコンテンツを監視させ、前記コンテンツの動画再生数、前記コンテンツのリツイート数及び前記コンテンツに対するコメントの少なくともいずれかを取得させるコンテンツ監視ステップと、単位時間当たりの前記動画再生数及び前記単位時間当たりの前記リツイート数に応じたビュースコア、並びに、前記コメントにおける所定のワードの割合に応じたワードスコア、を含む評価関数を算出させるデータ解析ステップと、前記評価関数に基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置の負荷の予測値を予測させるサーバ負荷予測ステップと、を備える。

【0011】

一実施の形態に係るサーバ負荷予測プログラムは、インフルエンサーを含む監視対象者がウェブ上に提供したコンテンツを監視させ、前記コンテンツの動画再生数、前記コンテンツのリツイート数及び前記コンテンツに対するコメントの少なくともいずれかを取得させるコンテンツ監視手順と、単位時間当たりの前記動画再生数及び前記単位時間当たりの前記リツイート数に応じたビュースコア、並びに、前記コメントにおける所定のワードの割合に応じたワードスコア、を含む評価関数を算出させるデータ解析手順と、前記評価関数に基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置の負荷の予測値を予測させるサーバ負荷予測手順と、をコンピュータに実行させる。

【発明の効果】

【0012】

本開示によれば、サーバ装置の負荷を高精度で予測することができるサーバ負荷予測装置、サーバ負荷予測方法及びサーバ負荷予測プログラムを提供することができる。

【図面の簡単な説明】

【0013】

【図1】実施形態に係るサーバ負荷予測装置を例示したブロック図である。

【図2】実施形態に係るサーバ負荷予測装置を用いたサーバ負荷予測方法を例示したフローチャート図である。

【図3】実施形態１に係るサーバ負荷予測装置を例示したブロック図である。

【図4】実施形態１に係るサーバ負荷予測装置を用いたサーバ負荷予測方法を例示したフローチャート図である。

【発明を実施するための形態】

【0014】

以下、実施形態について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。

【0015】

（実施形態の概要）
まず、実施形態の概要を説明する。図１は、実施形態に係るサーバ負荷予測装置を例示したブロック図である。図１に示すように、サーバ負荷予測装置１００は、コンテンツ監視部１１０、データ解析部１２０及びサーバ負荷予測部１３０を備えている。コンテンツ監視部１１０、データ解析部１２０及びサーバ負荷予測部１３０は、それぞれ、コンテンツ監視手段、データ解析手段及びサーバ負荷予測手段としての機能を有している。

【0016】

コンテンツ監視部１１０は、監視対象者がウェブ上に提供したコンテンツを監視する。監視対象者は、インフルエンサーを含む。コンテンツは、Ｙｏｕｔｕｂｅ、Ｔｗｉｔｔｅｒ、Ｉｎｓｔａｇｒａｍ等の投稿サイト及び配信サイト等を含む。よって、インフルエンサー等の監視対象者は、商品またはサービスに関するコンテンツを提供する。そして、コンテンツ監視部１１０は、コンテンツの動画再生数、コンテンツのリツイート数及びコンテンツに対するコメントの少なくともいずれかを取得する。

【0017】

データ解析部１２０は、単位時間当たりの動画再生数及び単位時間当たりのリツイート数に応じたビュースコアを算出する。また、データ解析部１２０は、コメントにおける所定のワードの割合に応じたワードスコアを算出する。ビュースコア及びワードスコアをまとめて評価関数と呼ぶ。よって、評価関数は、ビュースコア及びワードスコアを含む。

【0018】

サーバ負荷予測部１３０は、算出された評価関数に基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置の負荷を予測する。

【0019】

図２は、実施形態に係るサーバ負荷予測装置１００を用いたサーバ負荷予測方法を例示したフローチャート図である。図２に示すように、サーバ負荷予測方法は、コンテンツ監視ステップ（ステップＳ１０）、データ解析ステップ（ステップＳ２０）及びサーバ負荷予測ステップ（ステップＳ３０）を備えている。

【0020】

ステップＳ１０に示すように、コンテンツ監視ステップにおいて、インフルエンサーを含む監視対象者がウェブ上に提供したコンテンツを監視させる。そして、コンテンツの動画再生数、コンテンツのリツイート数及びコンテンツに対するコメントの少なくともいずれかを取得させる。

【0021】

次に、ステップＳ２０に示すように、データ解析ステップにおいて、単位時間当たりの動画再生数及び単位時間当たりのリツイート数に応じたビュースコアを算出させる。また、コメントにおける所定のワードの割合に応じたワードスコアを算出させる。このようにして、ビュースコア及びワードスコアを含む評価関数を算出させる。

【0022】

次に、ステップＳ３０に示すように、サーバ負荷予測ステップにおいて、算出した評価関数に基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置の負荷を予測させる。

【0023】

上記サーバ負荷予測方法をプログラムにしてコンピュータに実行させてもよい。本実施形態によれば、サーバ装置の負荷を高精度で予測することができる。

【0024】

（実施形態１）
次に、サーバ負荷予測装置１００及びサーバ負荷予測方法をより詳細に説明する。図３は、実施形態１に係るサーバ負荷予測装置１００を例示したブロック図である。図３に示すように、サーバ負荷予測装置１００は、サーバ装置２００と、無線又は有線の通信回線を介して情報伝達可能状態で接続されている。例えば、サーバ負荷予測装置１００は、インターネットを介してサーバ装置２００に接続されている。例えば、サーバ装置２００は、クラウド上またはオンプレミス上のものである。サーバ装置２００は、商品またはサービスの情報をウェブ上で提供する。サーバ装置２００は、リソースとなる処理装置２２０及びリソースを調整するリソース調整部２１０を備えている。また、サーバ負荷予測装置１００は、インターネットを介して、インフルエンサー等の監視対象者のコンテンツ３００を監視する。監視対象者がコンテンツ３００をウェブ上で提供するウェブサーバ装置は、サーバ装置２００と異なる。

【0025】

サーバ負荷予測装置１００は、コンテンツ監視部１１０、データ解析部１２０、サーバ負荷予測部１３０の他、スケーリング命令部１４０、学習部１５０をさらに備えている。また、サーバ負荷予測装置１００は、監視対象者記憶部１１１、商品記憶部１１２、データ記憶部１２１、サーバ負荷予測記憶部１３１、リソース情報監視部１４１、及び、履歴記憶部１５１をさらに備えてもよい。

【0026】

スケーリング命令部１４０、学習部１５０、監視対象者記憶部１１１、商品記憶部１１２、データ記憶部１２１、サーバ負荷予測記憶部１３１、リソース情報監視部１４１、及び、履歴記憶部１５１は、それぞれ、スケーリング命令手段、学習手段、監視対象者記憶手段、商品記憶手段、データ記憶手段、サーバ負荷予測記憶手段、リソース情報監視手段、及び、履歴記憶手段としての機能を有している。

【0027】

サーバ負荷予測装置１００は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、マイコン等を備えたコンピュータでもよい。サーバ負荷予測装置１００は、制御処理及び演算処理等を行う演算装置としての機能を有する。

【0028】

サーバ負荷予測装置１００は、図示しない記憶部及びインタフェース部を有してもよい。記憶部は、例えば、メモリ又はハードディスク等の記憶装置を有してもよい。記憶装置は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）又はＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等である。記憶部は、制御プログラム及び演算プログラム等を記憶するための機能を有する。また、記憶部は、処理データ等を一時的に記憶するための機能を有する。インタフェース部は、例えばユーザインタフェース（Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）である。インタフェース部は、キーボード、タッチパネル又はマウス等の入力装置と、ディスプレイ又はスピーカ等の出力装置とを有する。インタフェース部は、ユーザ（オペレータ等）によるデータの入力の操作を受け付け、ユーザに対して情報を出力する。

【0029】

サーバ負荷予測装置１００の各構成要素は、例えば、プログラムを実行させることによって実現できる。より具体的には、各構成要素は、記憶部に格納されたプログラムを実行することによって実現され得る。また、必要なプログラムを任意の不揮発性記録媒体に記録しておき、必要に応じてインストールすることで、各構成要素を実現するようにしてもよい。また、各構成要素は、プログラムによるソフトウェアで実現することに限ることなく、ハードウェア、ファームウェア、及びソフトウェアのうちのいずれかの組み合わせ等により実現してもよい。

【0030】

コンテンツ監視部１１０は、インフルエンサー等の監視対象者の情報を監視対象者記憶部１１１から取得する。監視対象者記憶部１１１は、監視対象者の情報を記憶する。表１は、実施形態１に係るサーバ負荷予測装置１００の監視対象者記憶部１１１が記憶する情報を例示した表である。

【0031】

【表1】

【0032】

表１に示すように、監視対象者記憶部１１１は、監視対象者、登録者数、コンテンツ３００、係数α及び係数βを記憶する。監視対象者は、例えば、インフルエンサーＡである。インフルエンサーＡのコンテンツ３００の登録者数は、９００万人である。また、インフルエンサーＡのコンテンツ３００は、Ｙｏｕｔｕｂｅである。例えば、インフルエンサーＡは、商品またはサービスに関するコンテンツを提供する。インフルエンサーＡの係数α及び係数βは、それぞれ、０．３及び０．７である。係数α及び係数βは、後述する。

【0033】

コンテンツ監視部１１０は、監視対象者記憶部１１１に記憶したコンテンツ３００を監視する。コンテンツ監視部１１０は、ネットワークを介して、監視対象者がウェブ上に提供したコンテンツ３００を監視する。コンテンツ監視部１１０は、コンテンツ３００の動画再生数、コンテンツ３００のリツイート数、及び、コンテンツ３００に対するコメントを取得する。また、コンテンツ監視部１１０は、監視対象者のコンテンツ３００の監視を指定した時間間隔で行う。例えば、コンテンツ監視部１１０は、４００秒間隔で、上述したコンテンツ３００の動画再生数等の取得を行う。なお、コンテンツ監視部１１０がコンテンツ３００を監視することにより取得する情報は、動画再生数、リツイート数及びコンテンツに限らない。また、取得する時間間隔は、４００秒間隔に限らない。

【0034】

また、コンテンツ監視部１１０は、商品またはサービスの情報を商品記憶部１１２から取得する。商品記憶部１１２は、商品またはサービスの情報を記憶する。

【0035】

データ解析部１２０は、コンテンツ３００の単位時間当たりの動画再生数、及び、コンテンツ３００の単位時間当たりのリツイート数を算出する。

【0036】

また、データ解析部１２０は、コンテンツ３００に対するコメント欄の興味及び関心の割合を算出する。コメント欄の興味及び関心の割合の算出方法としては、例えば、ベイズ分類が一手法として挙げられる。ベイズ分類は、ある文章をいくつかのクラスに分類する分類器である。例えば、データ解析部１２０は、コメントの興味及び関心のある・なしに分類するときに、ベイズ分類を使用する。事前に学習データを学習させておくことが好ましい。例えば、データ解析部１２０は、「この商品Ａを使ってみたい」というコメントを、興味及び関心ありに分類する。一方、データ解析部１２０は、「このコメントにグッド押して」というコメントを、興味及び関心なしに分類する。このようにして、コンテンツ３００に対するコメントを学習させる。つまり、「商品Ａ」、「使ってみたい」等の所定のワードがコメントにある場合に、興味及び関心があると分類する。反対に、コンテンツ３００に関係ないワードの場合には、興味及び関心が低いと分類する。このように、各ワードに特徴量を持たせて分類する。このようにして、データ解析部１２０は、コメント全体に対する単位時間当たりの所定のワードの割合を算出する。

【0037】

また、データ解析部１２０は、評価関数ＳＣＯＲＥを算出する。評価関数ＳＣＯＲＥは、単位時間当たりの動画再生数及び単位時間当たりのリツイート数に応じたビュースコアＶｉｅｗｓ、並びに、コメントにおける所定のワードの割合に応じたワードスコアＷｏｒｄｓを含む。

【0038】

表２は、実施形態１に係るサーバ負荷予測装置１００のデータ記憶部１２１が記憶するビュースコアＶｉｅｗｓ及びワードスコアＷｏｒｄｓを例示した表である。

【0039】

【表2】

【0040】

表２に示すように、データ記憶部１２１は、単位時間当たりの動画再生数及び単位時間当たりのリツイート数と、ビュースコアＶｉｅｗｓとの対応関係、並びに、所定の関心ワードの割合と、ワードスコアＷｏｒｄｓとの対応関係を記憶する。ビュースコアＶｉｅｗｓは、単位時間（秒）当たりの動画再生回数が、１～５０の場合、５１～１００の場合、１０１～１５０の場合及び１５１より大きい場合に、それぞれ、１０、１１～３０、３１～６０及び６１～１００のスコアをとる。リツイート数の場合も同様である。ワードスコアＷｏｒｄｓは、関心ワードの割合が、０．０１～０．１の場合、０．１１～０．４の場合、０．４１～０．７の場合及び０．７より大きい場合に、それぞれ、１０、２０～３０、４０～７０及び７１～１００のスコアをとる。

【0041】

データ解析部１２０は、データ記憶部１２１に記憶されたビュースコアＶｉｅｗｓ及びワードスコアＷｏｒｄｓを用いて、評価関数ＳＣＯＲＥを算出する。また、データ解析部１２０は、監視対象者記憶部１１１に記憶された係数α及び係数βを用いて、評価関数ＳＣＯＲＥを算出する。データ解析部１２０は、評価関数ＳＣＯＲＥを、下記の（１）式により算出する。ここで、評価関数ＳＣＯＲＥをＣＯＲＥとし、ビュースコアＶｉｅｗｓをＶｉｅｗｓとし、ワードスコアＷｏｒｄｓをＷｏｒｄｓとし、係数αを０≦α≦１とし、係数βを０≦β≦１とする。

【0042】

ＳＣＯＲＥ＝α×Ｖｉｅｗｓ＋β×Ｗｏｒｄｓ （１）

【0043】

表３は、実施形態１に係るサーバ負荷予測装置１００のデータ記憶部１２１が記憶した監視回数、経過時間（秒）、再生回数（回）及び関心ワードの割合を例示した表である。

【0044】

【表3】

【0045】

表３に示すように、監視回数が１回の場合には、経過時間（秒）、再生回数（回）及び関心ワードの割合は、例えば、４００、１００００及び０．３である。また、監視回数が２回の場合には、経過時間（秒）、再生回数（回）及び関心ワードの割合は、例えば、３００、５００００及び０．５である。例えば、表３における監視回数が１回の場合には、単位時間当たりの再生回数が２５回であるから、表２より、ビュースコアＶｉｅｗｓ＝１０となる。また、関心ワードの割合が０．３であるから、表２より、ワードスコアＷｏｒｄｓ＝３０となる。よって、表１の係数α及び係数βを用いると、表３における監視回数１回の場合の評価関数ＳＣＯＲＥの値は、ＳＣＯＲＥ＝０．３×１０＋０．７×３０＝２４となる。なお、最初の監視の場合には、経過時間は、コンテンツが発信されてからの時間とする。

【0046】

サーバ負荷予測部１３０は、評価関数ＳＣＯＲＥに基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置２００の負荷の予測値を予測する。例えば、サーバ負荷予測部１３０は、算出された評価関数ＳＣＯＲＥと、サーバ負荷予測記憶部１３１に記憶された予測値と、を比較することにより、サーバ装置２００の負荷を予測する。

【0047】

表４は、実施形態１に係るサーバ負荷予測装置１００において、サーバ負荷予測記憶部１３１に記憶された予測値を例示した表である。

【0048】

【表4】

【0049】

表４に示すように、サーバ負荷予測記憶部１３１は、評価関数ＳＣＯＲＥと、予測値との対応関係を記憶する。例えば、評価関数ＳＣＯＲＥの値が、０～２０の場合、２１～８０の場合、８１～１１０の場合、１１１～１４０の場合及び１４１以上の場合には、予測値１は、１００、１２０、１８０、２４０及び３００であり、予測値２は、４０、１００、１６０、２２０及び２６０である。

【0050】

サーバ負荷予測部１３０は、サーバ負荷予測記憶部１３１に記憶された対応関係を用いて、予測値を予測する。例えば、上述した評価関数ＳＣＯＲＥの値が２４の場合には、サーバ負荷予測部１３０は、サーバ装置の負荷の予測値を１２０％と予測する。

【0051】

リソース情報監視部１４１は、現在のサーバ装置２００のリソースとなる処理装置２２０の構成とサーバ装置２００の負荷を監視する。

【0052】

スケーリング命令部１４０は、サーバ負荷予測部１３０が予測した予測値に基づいて、サーバ装置２００に対して、スケールを変更する命令を送信する。例えば、予測値が１２０％の場合には、スケーリング命令部１４０は、サーバ装置２００のリソース調整部２１０に対して、現状のリソースよりも２０％以上、スケールアップするような命令を送信する。

【0053】

具体的には、予測値により、１２０％の負荷が見込まれる場合には、スケーリング命令部１４０は、サーバ装置２００のリソース調整部２１０に対して、３ＧＨｚだったＣＰＵを３．６ＧＨｚにスケールアップする等の垂直スケールまたは水平スケールを変更させる命令を送信する。

【0054】

ここでいう、垂直スケールは、ＣＰＵやメモリ等の、サーバ装置２００の性能を向上させるスケールアップ、及び、サーバ装置２００の性能を落とすスケールダウンを総称する。よって、垂直スケールは、サーバ装置２００そのもののパフォーマンスを操作する技術のことである。一方、水平スケールは、クラウドリソース等を利用するときに使われ、処理を負荷分散する等の目的で、処理装置２２０の台数を増やすスケールアウト、及び、コストを抑える等の目的で、処理装置２２０の台数を減らすスケールインを総称する。よって、水平スケールは、一台一台が高性能ではなくても、大量の処理装置２２０で同じＷｅｂサービスを動作させ処理性能を上げることである。

【0055】

リソース情報監視部１４１は、スケーリング命令部１４０がスケールを変更する命令を出して、サーバ装置２００の構成を変更した後で、クラウドまたはオンプレミス等の現在のサーバ装置２００の構成（各処理装置２２０のメトリクスや台数など）を取得する。

【0056】

学習部１５０は、サーバ負荷予測部１３０が予測した予測値と、実際の負荷との誤差から、係数α及び係数βを学習する。そして、学習部１５０は、監視対象者記憶部１１１に記憶された係数α及び係数βを更新する。具体的には、学習部１５０は、指定した時間間隔内で、予測したサーバ装置２００の負荷と、実際のサーバ装置２００の負荷との間の誤差を学習する。そして、学習部１５０は、学習した誤差から、係数α及びβの値を更新させる。これは、監視対象者の特徴により、サーバ装置２００の負荷が異なるため、監視対象者の特徴を取り入れて、サーバ装置２００の負荷を予測するためである。

【0057】

例えば、監視対象のインフルエンサーによっては、再生回数が多いが、興味を示していない閲覧者が多い場合がある。この場合には、サーバ装置２００の負荷は小さい。このように、サーバ装置２００の負荷が予測よりも小さい場合には、係数βに重みをつける。

【0058】

また、関心を示しているコメントは多く、再生回数も多いが、サーバ負荷が予測よりも小さい場合がある。このような特徴のあるインフルエンサーの場合には、係数α及び係数βの重みをともに小さくする。

【0059】

例えば、上述したサーバ装置２００の負荷の予測値は、１２０％である。しかしながら、実際の結果が、９０％であった場合には、係数α及び係数βを更新する。例えば、現在の係数が、係数α＝０．４及び係数β＝０．６であるとする。そして、Ｖｉｅｗｓ＝１０及びＷｏｒｄｓ＝３０の値から、コメントの興味及び関心の重みが高すぎると判断する。よって、係数α＝０．４及び係数β＝０．６を、係数α＝０．６及び係数β＝０．４に変更する。これにより、サーバ装置２００の負荷の予測子値は、０．６×１０＋０．４×３０＝１８となる。よって、予測値は、１００％まで減少させることができる。また、このような学習部１５０の学習結果を、監視対象者記憶部１１１に記憶された係数α及び係数βに反映させてもよい。学習部１５０は学習した結果を履歴記憶部１５１に記憶させる。

【0060】

履歴記憶部１５１は、サーバ負荷予測部１３０が予測した予測値、実際の負荷、予測値と実際の負荷との誤差、学習部１５０が学習した結果、そのときの係数α及び係数β等を含む各パラメータのこれまでの履歴を記憶する。学習部１５０が係数α及び係数βを更新する際には、学習部１５０は、履歴記憶部１５１に記憶された予測部、実際の負荷、誤差、そのときの係数α及び係数βを参照して、適切な係数α及び係数βに変更する。

【0061】

次に、サーバ負荷予測装置の動作を説明する。図４は、実施形態１に係るサーバ負荷予測装置１００を用いたサーバ負荷予測方法を例示したフローチャート図である。図４に示すように、サーバ負荷予測方法は、監視対象者記憶ステップ（ステップＳ５）、コンテンツ監視ステップ（ステップＳ１０）、データ記憶ステップ（ステップＳ１５）、データ解析ステップ（ステップＳ２０）、サーバ負荷予測記憶ステップ（ステップＳ２５）、サーバ負荷予測ステップ（ステップＳ３０）、スケーリングステップ（ステップＳ３５）、学習ステップ（ステップＳ４０）を備えている。

【0062】

なお、各ステップの順番は、これに限らない。例えば、スケーリングステップ（ステップＳ３５）及び学習ステップ（ステップＳ４０）は、サーバ負荷予測ステップ（ステップＳ３０）の後であれば、どちらが先でもよいし、同時でもよい。また、サーバ負荷予測記憶ステップ（ステップＳ２５）は、サーバ負荷予測ステップ（ステップＳ３０）よりも前であれば、データ記憶ステップ（ステップＳ１５）よりも先でもよいし、同時でもよい。

【0063】

ステップＳ５に示すように、監視対象者記憶ステップにおいて、インフルエンサーを含む監視対象者のコンテンツ３００、登録者数、係数α及び係数β等を監視対象者記憶部１１１に記憶させる。

【0064】

次に、ステップＳ１０に示すように、コンテンツ監視ステップにおいて、監視対象者がウェブ上に提供したコンテンツ３００を監視させる。ここで、コンテンツ３００は、監視対象者記憶部１１１に記憶されたコンテンツ３００である。また、コンテンツ３００の動画再生数、コンテンツ３００のリツイート数及びコンテンツ３００に対するコメントを取得させる。

【0065】

次に、ステップＳ１５に示すように、データ記憶ステップにおいて、動画再生数及びリツイート数と、ビュースコアとの対応関係、並びに、所定のワードの割合と、ワードスコアとの対応関係をデータ記憶部１２１に記憶させる。

【0066】

次に、ステップＳ２０に示すように、データ解析ステップにおいて、単位時間当たりの動画再生数及び単位時間当たりのリツイート数に応じたビュースコアＶｉｅｗｓ、並びに、コメントにおける所定のワードの割合に応じたワードスコアＷｏｒｄｓ、を含む評価関数ＳＣＯＲＥを算出させる。例えば、評価関数ＳＣＯＲＥを上述した（１）式により算出させる。なお、データ解析ステップにおいて、データ記憶部１２１に記憶されたビュースコアＶｉｅｗｓ及びワードスコアＷｏｒｄｓを用いて、評価関数ＳＣＯＲＥを算出させてもよい。また、データ解析ステップにおいて、監視対象者記憶部１１１に記憶された係数α及び係数βを用いて、評価関数ＳＣＯＲＥを算出させてもよい。

【0067】

次に、ステップＳ２５に示すように、サーバ負荷予測記憶ステップにおいて、評価関数ＳＣＯＲＥと、予測値との対応関係をサーバ負荷予測記憶部１３１に記憶させる。

【0068】

次に、ステップＳ３０に示すように、サーバ負荷予測ステップにおいて、評価関数ＳＣＯＲＥに基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置２００の負荷の予測値を予測させる。サーバ負荷予測ステップにおいて、サーバ負荷予測記憶部１３１に記憶された評価関数ＳＣＯＲＥと、予測値との対応関係を用いて、サーバ装置２００の負荷の予測値を予測させてもよい。

【0069】

次に、ステップＳ３５に示すように、スケーリングステップにおいて、予測された予測値に基づいて、サーバ装置２００にスケールを変更させる命令を行わせる。例えば、予測値が１２０％の場合には、サーバ装置２００のリソース調整部２１０に対して、現状のリソースよりも２０％以上、スケールアップするように命令を送信する。

【0070】

次に、ステップＳ４０に示すように、学習ステップにおいて、予測された予測値と、実際の負荷との誤差から、係数α及び係数βを学習させる。そして、監視対象者記憶部１１１に記憶された係数α及び係数βを更新させる。このようにして、サーバ装置２００の負荷を予測することができる。

【0071】

次に、本実施形態の効果を説明する。本実施形態のサーバ負荷予測装置１００は、突発的なリクエストの要因となるインフルエンサー等の監視対象者のコンテンツ３００を監視する。よって、リアルタイムに急激に変化するサーバ装置２００の負荷を高精度で予測することができる。

【0072】

また、動画の再生数やリツイートの数、コメントの関心を利用した評価関数ＳＣＯＲＥを用いることで、インフルエンサー等の特徴に合わせたサーバ装置２００の負荷を予測することができる。さらに、インフルエンサー等の特徴に合わせて、評価関数ＳＣＯＲＥの算出に用いる係数α及び係数βを学習させるので、サーバ装置２００の予測の精度を向上させることができる。

【0073】

（実施形態２）
次に、実施形態２に係るサーバ負荷予測装置を説明する。本実施形態のサーバ負荷予測装置は、予測困難なサーバ装置２００の負荷にも応用することができる。例えば、実施形態１では、インフルエンサーマーケティングを背景にしたので、対象監視者が決められている。しかしながら、本実施形態のサーバ負荷予測装置は、世の中で、自社の商品またはサービスと関連のあるインフルエンサー全てのコンテンツを定期的に監視しておく。これにより、自社の関与しないところで、商品等が紹介されることによる自社のサーバ装置２００のアクセス負荷及びサーバ装置２００のダウンに対応することができる。

【0074】

また、他の用途として、世の中のインフルエンサーを監視し、評価関数ＳＣＯＲＥの値により、自社の商品またはサービスと相性のいいインフルエンサーを見つけることに応用することができる。これは、評価関数ＳＣＯＲＥの値が、インフルエンサーの商品ＰＲの影響力（購買につながるかなど）を示していることを利用している。例えば、自社の紹介したい商品等と関連のある商品を対象とし、それをＰＲしている複数のインフルエンサーのコンテンツを監視する。具体的には、コンテンツ監視部１１０は、複数のインフルエンサーのコンテンツを監視し、データ解析部１２０は、各インフルエンサーの評価関数を算出する。そして、それぞれの評価関数ＳＣＯＲＥを算出した結果、評価関数ＳＣＯＲＥの値が高いインフルエンサーを見つけることで、どのインフルエンサーが自社の商品等をＰＲするのに効果的かを判断することができる。

【0075】

なお、本発明は上記実施形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、実施形態１及び２の各構成を組み合わせた実施形態も、技術的思想の範囲に含まれる。

【0076】

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

【0077】

（付記１）
インフルエンサーを含む監視対象者がウェブ上に提供したコンテンツを監視させ、前記コンテンツの動画再生数、前記コンテンツのリツイート数及び前記コンテンツに対するコメントの少なくともいずれかを取得させるコンテンツ監視ステップと、
単位時間当たりの前記動画再生数及び前記単位時間当たりの前記リツイート数に応じたビュースコア、並びに、前記コメントにおける所定のワードの割合に応じたワードスコア、を含む評価関数を算出させるデータ解析ステップと、
前記評価関数に基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置の負荷の予測値を予測させるサーバ負荷予測ステップと、
を備えたサーバ負荷予測方法。
（付記２）
前記データ解析ステップにおいて、
前記評価関数をＳＣＯＲＥとし、前記ビュースコアをＶｉｅｗｓとし、前記ワードスコアをＷｏｒｄｓとし、第１係数を０≦α≦１のαとし、第２係数を０≦β≦１のβとした場合に、前記評価関数を下記（Ａ）式により算出させる、
ＳＣＯＲＥ＝α×Ｖｉｅｗｓ＋β×Ｗｏｒｄｓ （Ａ）
付記１に記載のサーバ負荷予測方法。
（付記３）
前記動画再生数及び前記リツイート数と、前記ビュースコアとの対応関係、並びに、前記所定のワードの割合と、前記ワードスコアとの対応関係をデータ記憶部に記憶させるデータ記憶ステップをさらに備え、
前記データ解析ステップにおいて、
前記データ記憶部に記憶された前記ビュースコア及び前記ワードスコアを用いて、前記評価関数を算出させる、
付記２に記載のサーバ負荷予測方法。
（付記４）
前記評価関数と、前記予測値との対応関係をサーバ負荷予測記憶部に記憶させるサーバ負荷予測記憶ステップをさらに備え、
前記サーバ負荷予測ステップにおいて、
前記サーバ負荷予測記憶部に記憶された前記対応関係を用いて、前記予測値を予測させる、
付記２または３に記載のサーバ負荷予測方法。
（付記５）
前記インフルエンサーの前記コンテンツ、前記第１係数及び前記第２係数を監視対象者記憶部に記憶させる監視対象者記憶ステップをさらに備え、
前記コンテンツ監視ステップにおいて、
前記監視対象者記憶部に記憶された前記コンテンツを監視させ、
前記データ解析ステップにおいて、
前記監視対象者記憶部に記憶された前記第１係数及び前記第２係数を用いて、前記評価関数を算出させる、
付記２～４のいずれか１項に記載のサーバ負荷予測方法。
（付記６）
前記サーバ負荷予測ステップにおいて予測された前記予測値と、実際の負荷との誤差から、前記第１係数及び前記第２係数を学習させる学習ステップをさらに備え、
前記学習ステップにおいて、
前記監視対象者記憶部に記憶された前記第１係数及び前記第２係数を更新させる、
付記５に記載のサーバ負荷予測方法。
（付記７）
前記サーバ負荷予測ステップにおいて予測された前記予測値に基づいて、前記サーバ装置にスケールを変更させる命令を行わせるスケーリング命令ステップをさらに備えた、
付記１～６のいずれか１項に記載のサーバ負荷予測方法。
（付記８）
前記インフルエンサーは、前記商品または前記サービスに関する前記コンテンツを提供する、
付記１～７のいずれか１項に記載のサーバ負荷予測方法。
（付記９）
前記コンテンツ監視ステップにおいて、
複数の前記インフルエンサーの前記コンテンツを監視させ、
前記データ解析ステップにおいて、
各インフルエンサーの前記評価関数を算出させる、
付記１～８のいずれか１項に記載のサーバ負荷予測方法。
（付記１０）
前記監視対象者が前記コンテンツを前記ウェブ上で提供するウェブサーバ装置は、前記商品または前記サービスの情報を前記ウェブ上で提供する前記サーバ装置と異なる、
付記１～９のいずれか１項に記載のサーバ負荷予測方法。
（付記１１）
インフルエンサーを含む監視対象者がウェブ上に提供したコンテンツを監視させ、前記コンテンツの動画再生数、前記コンテンツのリツイート数及び前記コンテンツに対するコメントの少なくともいずれかを取得させるコンテンツ監視手順と、
単位時間当たりの前記動画再生数及び前記単位時間当たりの前記リツイート数に応じたビュースコア、並びに、前記コメントにおける所定のワードの割合に応じたワードスコア、を含む評価関数を算出させるデータ解析手順と、
前記評価関数に基づいて、商品またはサービスの情報をウェブ上で提供するサーバ装置の負荷の予測値を予測させるサーバ負荷予測手順と、
をコンピュータに実行させるサーバ負荷予測プログラム。
（付記１２）
前記データ解析手順において、
前記評価関数をＳＣＯＲＥとし、前記ビュースコアをＶｉｅｗｓとし、前記ワードスコアをＷｏｒｄｓとし、第１係数を０≦α≦１のαとし、第２係数を０≦β≦１のβとした場合に、前記評価関数を下記（Ａ）式により算出させる、
ＳＣＯＲＥ＝α×Ｖｉｅｗｓ＋β×Ｗｏｒｄｓ （Ａ）
ことをコンピュータに実行させる、
付記１１に記載のサーバ負荷予測プログラム。
（付記１３）
前記動画再生数及び前記リツイート数と、前記ビュースコアとの対応関係、並びに、前記所定のワードの割合と、前記ワードスコアとの対応関係をデータ記憶部に記憶させるデータ記憶手順をさらに備え、
前記データ解析手順において、
前記データ記憶部に記憶された前記ビュースコア及び前記ワードスコアを用いて、前記評価関数を算出させる、
ことをコンピュータに実行させる、
付記１２に記載のサーバ負荷予測プログラム。
（付記１４）
前記評価関数と、前記予測値との対応関係をサーバ負荷予測記憶部に記憶させるサーバ負荷予測記憶手順をさらに備え、
前記サーバ負荷予測手順において、
前記サーバ負荷予測記憶部に記憶された前記対応関係を用いて、前記予測値を予測させる、
ことをコンピュータに実行させる、
付記１２または１３に記載のサーバ負荷予測プログラム。
（付記１５）
前記インフルエンサーの前記コンテンツ、前記第１係数及び前記第２係数を監視対象者記憶部に記憶させる監視対象者記憶手順をさらに備え、
前記コンテンツ監視手順において、
前記監視対象者記憶部に記憶された前記コンテンツを監視させ、
前記データ解析手順において、
前記監視対象者記憶部に記憶された前記第１係数及び前記第２係数を用いて、前記評価関数を算出させる、
ことをコンピュータに実行させる、
付記１２～１４のいずれか１項に記載のサーバ負荷予測プログラム。
（付記１６）
前記サーバ負荷予測手順において予測された前記予測値と、実際の負荷との誤差から、前記第１係数及び前記第２係数を学習させる学習手順をさらに備え、
前記学習手順において、
前記監視対象者記憶部に記憶された前記第１係数及び前記第２係数を更新させる、
ことをコンピュータに実行させる、
付記１５に記載のサーバ負荷予測プログラム。
（付記１７）
前記サーバ負荷予測手順において予測された前記予測値に基づいて、前記サーバ装置にスケールを変更させる命令を行わせるスケーリング命令手順をさらにコンピュータに実行させる、
付記１１～１６のいずれか１項に記載のサーバ負荷予測プログラム。
（付記１８）
前記インフルエンサーは、前記商品または前記サービスに関する前記コンテンツを提供する、
付記１１～１７のいずれか１項に記載のサーバ負荷予測プログラム。
（付記１９）
前記コンテンツ監視手順において、
複数の前記インフルエンサーの前記コンテンツを監視させ、
前記データ解析手順において、
各インフルエンサーの前記評価関数を算出させる、
ことをコンピュータに実行させる、
付記１１～１８のいずれか１項に記載のサーバ負荷予測プログラム。
（付記２０）
前記監視対象者が前記コンテンツを前記ウェブ上で提供するウェブサーバ装置は、前記商品または前記サービスの情報を前記ウェブ上で提供する前記サーバ装置と異なる、
付記１１～１９のいずれか１項に記載のサーバ負荷予測プログラム。

【0078】

プログラムは、コンピュータに読み込まれた場合に、実施形態で説明された１又はそれ以上の機能をコンピュータに行わせるための命令群（又はソフトウェアコード）を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disc（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、またはその他の形式の伝搬信号を含む。

【符号の説明】

【0079】

１００ サーバ負荷予測装置
１１０ コンテンツ監視部
１１１ 監視対象者記憶部
１１２ 商品記憶部
１２０ データ解析部
１２１ データ記憶部
１３０ サーバ負荷予測部
１３１ サーバ負荷予測記憶部
１４０ スケーリング命令部
１４１ リソース情報監視部
１５０ 学習部
１５１ 履歴記憶部
２００ サーバ装置
２１０ リソース調整部
２２０ 処理装置
３００ コンテンツ

【図1】

【図2】

【図3】

【図4】