(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】P2023136144
(43)【公開日】2023-09-29
(54)【発明の名称】情報提供システム、情報提供方法およびプログラム
(51)【国際特許分類】
G06F 11/07 20060101AFI20230922BHJP
G06F 11/34 20060101ALI20230922BHJP
G06F 16/908 20190101ALI20230922BHJP
【ＦＩ】
G06F11/07 151
G06F11/34 176
G06F16/908
【審査請求】有
【請求項の数】16
【出願形態】ＯＬ
(21)【出願番号】P 2022041608
(22)【出願日】2022-03-16
(71)【出願人】
【識別番号】000227205
【氏名又は名称】ＮＥＣプラットフォームズ株式会社
(74)【代理人】
【識別番号】100106909
【弁理士】
【氏名又は名称】棚井 澄雄
(74)【代理人】
【識別番号】100134544
【弁理士】
【氏名又は名称】森 隆一郎
(74)【代理人】
【識別番号】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100162868
【弁理士】
【氏名又は名称】伊藤 英輔
(72)【発明者】
【氏名】戸成 健
(72)【発明者】
【氏名】鈴木 亮
【テーマコード（参考）】
5B042
5B175
【Ｆターム（参考）】
5B042JJ29
5B042MA08
5B042MA11
5B042MA14
5B175DA10
5B175FA01
5B175FB03
5B175HA01
(57)【要約】
【課題】ある事象について参考にする過去の事象を検索する際、時間的な情報も含めて事象を検索できるようにする。
【解決手段】情報提供システムが、情報機器システムが生成したログデータを取得するログ取得手段と、前記ログデータの特徴量を抽出する特徴抽出手段と、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出する検出手段と、得られた情報を出力する出力手段と、を備える。
【選択図】図１
【解決手段】情報提供システムが、情報機器システムが生成したログデータを取得するログ取得手段と、前記ログデータの特徴量を抽出する特徴抽出手段と、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出する検出手段と、得られた情報を出力する出力手段と、を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
情報機器システムが生成したログデータを取得するログ取得手段と、
前記ログデータの特徴量を抽出する特徴抽出手段と、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出する検出手段と、
得られた情報を出力する出力手段と、
を備える情報提供システム。
前記ログデータの特徴量を抽出する特徴抽出手段と、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出する検出手段と、
得られた情報を出力する出力手段と、
を備える情報提供システム。
【請求項2】
前記特徴抽出手段は、前記ログデータの特徴量としてＴＦ－ＩＤＦベクトルを算出し、
前記検出手段は、前記ログデータの特徴量としてのＴＦ－ＩＤＦベクトルと、前記履歴情報に含まれる情報の特徴量として示されるＴＦ－ＩＤＦベクトルとの類似度に基づいて、前記履歴情報から情報を検出する、
請求項１に記載の情報提供システム。
前記検出手段は、前記ログデータの特徴量としてのＴＦ－ＩＤＦベクトルと、前記履歴情報に含まれる情報の特徴量として示されるＴＦ－ＩＤＦベクトルとの類似度に基づいて、前記履歴情報から情報を検出する、
請求項１に記載の情報提供システム。
【請求項3】
前記特徴抽出手段は、前記情報機器システムの障害発生の所定時間前から障害発生時までのログデータの特徴量を抽出する、
請求項１または請求項２に記載の情報提供システム。
請求項１または請求項２に記載の情報提供システム。
【請求項4】
前記検出手段は、前記特徴量に基づいて、前記情報機器システムの障害の被疑部品を推定する、
請求項１から３の何れか一項に記載の情報提供システム。
請求項１から３の何れか一項に記載の情報提供システム。
【請求項5】
過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加える前処理手段と、
前記学習データの各ログから抽出される特徴量のクラス分類を学習するモデル生成手段と、
をさらに備える、請求項１から４の何れか一項に記載の情報提供システム。
前記学習データの各ログから抽出される特徴量のクラス分類を学習するモデル生成手段と、
をさらに備える、請求項１から４の何れか一項に記載の情報提供システム。
【請求項6】
クラス分類のための学習データに含まれる障害ログの特徴ベクトルに、正常系のログの特徴ベクトルの逆ベクトルを加算する学習データ特徴抽出手段と、
前記正常系のログの特徴ベクトルの逆ベクトルを加算された障害ログの特徴ベクトルを用いて前記クラス分類の学習を行うモデル生成手段と、
をさらに備える、請求項１から４の何れか一項に記載の情報提供システム。
前記正常系のログの特徴ベクトルの逆ベクトルを加算された障害ログの特徴ベクトルを用いて前記クラス分類の学習を行うモデル生成手段と、
をさらに備える、請求項１から４の何れか一項に記載の情報提供システム。
【請求項7】
ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習するモデル生成手段をさらに備え、
前記検出手段は、前記モデルに基づいて、障害発生の予兆を検知する、
請求項１から４の何れか一項記載の情報提供システム。
前記検出手段は、前記モデルに基づいて、障害発生の予兆を検知する、
請求項１から４の何れか一項記載の情報提供システム。
【請求項8】
情報機器システムの障害発生事象に対する参考事象の、障害発生事象と特徴量の類似度とを示す情報を出力する出力手段
を備える情報提供システム。
を備える情報提供システム。
【請求項9】
情報機器システムが生成したログデータを取得し、
前記ログデータの特徴量を抽出し、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、
得られた情報を出力する、
ことを含む情報提供方法。
前記ログデータの特徴量を抽出し、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、
得られた情報を出力する、
ことを含む情報提供方法。
【請求項10】
コンピュータに、情報機器システムが生成したログデータを取得することと、
前記ログデータの特徴量を抽出することと、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出することと、
得られた情報を出力することと、
を実行させるためのプログラム。
前記ログデータの特徴量を抽出することと、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出することと、
得られた情報を出力することと、
を実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報提供システム、情報提供方法およびプログラムに関する。
【背景技術】
【0002】
情報機器システムの保守作業を支援する技術が提案されている。
例えば、特許文献１に記載の障害対応支援システムは、障害メールサーバからの障害メッセージに基づいて、類似する過去の障害対応から対応内容の候補を抽出することで、対応内容を取得する。
例えば、特許文献１に記載の障害対応支援システムは、障害メールサーバからの障害メッセージに基づいて、類似する過去の障害対応から対応内容の候補を抽出することで、対応内容を取得する。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１８－１３６６５６号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
ある事象について参考にする過去の事象を検索する際、時間的な情報も含めて事象を検索できれば、より適切な事象を検出できることが期待される。
【0005】
本発明の目的の一例は、上述の課題を解決することのできる情報提供システム、情報提供方法およびプログラムを提供することである。
【課題を解決するための手段】
【0006】
本発明の第１の態様によれば、情報提供システムは、情報機器システムが生成したログデータを取得するログ取得手段と、前記ログデータの特徴量を抽出する特徴抽出手段と、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出する検出手段と、得られた情報を出力する出力手段と、を備える。
【0007】
本発明の第２の態様によれば、情報提供方法は、情報機器システムが生成したログデータを取得し、前記ログデータの特徴量を抽出し、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、得られた情報を出力する、ことを含む。
【0008】
本発明の第３の態様によれば、プログラムは、コンピュータに、情報機器システムが生成したログデータを取得することと、前記ログデータの特徴量を抽出することと、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出することと、得られた情報を出力することと、を実行させるためのプログラムである。
【発明の効果】
【0009】
本発明によれば、ある事象について参考にする過去の事象を検索する際、時間的な情報も含めて事象を検索することができる。
【図面の簡単な説明】
【0010】
【図1】実施形態に係る保守管理システムの構成の例を示す図である。
【図2】実施形態に係る学習部がログのクラス分類を学習する処理手順の例を示す図である。
【図3】実施形態に係る前処理部が共通前処理を行う処理手順の例を示す図である。
【図4】実施形態に係る特徴抽出部が、障害ログから正常系の影響を排除または軽減する処理の手順の例を示す図である。
【図5】実施形態に係る情報機器システムで障害が発生した際に保守管理システムが類似事象をリコメンドする処理の手順の例を示す図である。
【図6】実施形態に係るコサイン類似度を使用したリコメンドの出力の第１の例を示す図である。
【図7】実施形態に係るコサイン類似度を使用したリコメンドの出力の第２の例を示す図である。
【図8】実施形態に係るコサイン類似度を使用したリコメンドの出力の第３の例を示す図である。
【図9】実施形態に係る情報提供システムの構成の例を示す図である。
【図10】実施形態に係る情報提供システムの構成の、もう１つの例を示す図である。
【図11】実施形態に係る情報提供方法における処理の手順の例を示す図である。
【図12】少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
【発明を実施するための形態】
【0011】
以下、本発明の実施形態を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
【0012】
図１は、実施形態に係る保守管理システムの構成の例を示す図である。図１に示す構成で、保守管理システム１０は、学習部１００と、リコメンド部２００と、応対部門システム３００と、応対履歴記憶部４００とを備える。学習部１００は、ログ情報記憶部１１０と、前処理部１２０と、特徴抽出部１３０と、モデル生成部１４０と、モデル記憶部１５０とを備える。リコメンド部２００は、ログ取得部２１０と、前処理部２２０と、特徴抽出部２３０と、分析部２４０と、分析結果出力部２５０とを備える。
【0013】
また、図１には、保守作業端末装置４０と、Ｎ個（Ｎは正の整数）の情報機器システム２０とが示されている。情報機器システム２０は、ログ情報記憶部２１を備える。情報機器システム２０は、例えば保守サービス提供対象顧客のシステムなど、障害発生時に保守管理システム１０による情報提供の対象となるシステムである。
【0014】
情報機器システム２０を区別する場合、情報機器システム２０－１、・・・、情報機器システム２０－Ｎと記載する。情報機器システム２０が記憶するログ情報記憶部２１を区別する場合、情報機器システム２０－１、・・・、情報機器システム２０－Ｎに応じてログ情報記憶部２１－１、・・・、２１－Ｎと表記する。
保守作業端末装置４０は、保守作業者が使用する端末装置である。保守作業端末装置４０は、例えば、情報機器システムからログ等の情報を取得して保守管理システム１０へ転送するために用いられる。
保守作業端末装置４０は、保守作業者が使用する端末装置である。保守作業端末装置４０は、例えば、情報機器システムからログ等の情報を取得して保守管理システム１０へ転送するために用いられる。
【0015】
保守管理システム１０は、障害受付やログ情報などの保守情報を収集する。また、保守管理システム１０は、障害発生時に類似事象の情報を選択し提供する。情報を選択し提供することをリコメンドとも称する。
保守管理システム１０は、情報提供システムの例に該当する。
保守管理システム１０は、情報提供システムの例に該当する。
【0016】
学習部１００は、過去事象を学習し、学習結果を記録する。
ログ情報記憶部１１０は、過去の障害ログを記憶する。特に、ログ情報記憶部１１０は、過去の障害ログと、障害ログのクラス分類の正解を示す目標ラベルとが紐付けられた学習データを記憶する。ここでいう障害ログは、障害発生時を含む時間帯で記録されたログである。
なお、保守管理システム１０の構成は、物理的なサーバを用いる構成に限定されない。保守管理システム１０が、クラウド上の仮想サーバを用いて構成されていてもよい。
ログ情報記憶部１１０は、過去の障害ログを記憶する。特に、ログ情報記憶部１１０は、過去の障害ログと、障害ログのクラス分類の正解を示す目標ラベルとが紐付けられた学習データを記憶する。ここでいう障害ログは、障害発生時を含む時間帯で記録されたログである。
なお、保守管理システム１０の構成は、物理的なサーバを用いる構成に限定されない。保守管理システム１０が、クラウド上の仮想サーバを用いて構成されていてもよい。
【0017】
前処理部１２０は、タイムスタンプ付きのログをボキャブラリーに分解するなど、特徴抽出の前処理を行う。ここでいうボキャブラリーは、単語または文節など文を構成する部品である。
また、前処理部１２０は、ログ情報記憶部が記憶する学習データについて、目標ラベルに示されるクラスのうちデータの個数（そのクラスに分類される障害ログの個数）が少ないクラスの有無を判定する。データの個数が少ない（例えば、所定の個数以下の）クラスがあると判定した場合、前処理部１２０は、そのクラスに分類されるデータ（目標ラベル付き障害ログ）を、ログの採取時間帯を変更してコピーし、学習データに加える。
前処理部１２０は、前処理手段の例に該当する。
また、前処理部１２０は、ログ情報記憶部が記憶する学習データについて、目標ラベルに示されるクラスのうちデータの個数（そのクラスに分類される障害ログの個数）が少ないクラスの有無を判定する。データの個数が少ない（例えば、所定の個数以下の）クラスがあると判定した場合、前処理部１２０は、そのクラスに分類されるデータ（目標ラベル付き障害ログ）を、ログの採取時間帯を変更してコピーし、学習データに加える。
前処理部１２０は、前処理手段の例に該当する。
【0018】
特徴抽出部１３０は、ログごとのボキャブラリーをＴＦ－ＩＤＦ（Term Frequency - Inverse Document Frequency）ベクトル化するなど、ログに対する特徴抽出を行う。
特に、特徴抽出部１３０は、障害ログのＴＦ－ＩＤＦベクトル（特徴ベクトル）に、正常系ログのＴＦ－ＩＤＦベクトルの逆ベクトルを加算する。ここでいう正常系は、正常な状態または動作である。正常系は、正常時の状態または動作であってもよいが、障害発生時であっても正常状態または正常動作を抽出したものであってもよい。正常系のログは、正常時のログであってもよいが、障害発生時のログから正常状態または正常動作によるログメッセージを抽出したものであってもよい。
特徴抽出部１３０は、学習データ特徴抽出手段の例に該当する。
特徴ベクトルは、ＴＦ－ＩＤＦベクトルに限定されるものではなく、ＢＥＲＴ（Bidirectional Encoder Representations from Transformers）など文章をベクトル化できるものなら他の手法でもかまわない。
特に、特徴抽出部１３０は、障害ログのＴＦ－ＩＤＦベクトル（特徴ベクトル）に、正常系ログのＴＦ－ＩＤＦベクトルの逆ベクトルを加算する。ここでいう正常系は、正常な状態または動作である。正常系は、正常時の状態または動作であってもよいが、障害発生時であっても正常状態または正常動作を抽出したものであってもよい。正常系のログは、正常時のログであってもよいが、障害発生時のログから正常状態または正常動作によるログメッセージを抽出したものであってもよい。
特徴抽出部１３０は、学習データ特徴抽出手段の例に該当する。
特徴ベクトルは、ＴＦ－ＩＤＦベクトルに限定されるものではなく、ＢＥＲＴ（Bidirectional Encoder Representations from Transformers）など文章をベクトル化できるものなら他の手法でもかまわない。
【0019】
モデル生成部１４０は、ＴＦ－ＩＤＦベクトルなどの特徴量の、目標ラベルによる障害のクラス分類を学習する。特徴量のクラス分類は、その特徴量の抽出元のログのクラス分類、または、そのログの記録の際に発生した障害のクラス分類と捉えることもできる。
目標ラベルとして、例えば、障害事象（障害の種類）または被疑部品、あるいはこれらの組み合わせを用いることができる。
モデル生成部１４０は、モデル生成手段の例に該当する。
モデル記憶部１５０は、特徴量のクラス分類の学習結果として得られたモデルを記憶する。
目標ラベルとして、例えば、障害事象（障害の種類）または被疑部品、あるいはこれらの組み合わせを用いることができる。
モデル生成部１４０は、モデル生成手段の例に該当する。
モデル記憶部１５０は、特徴量のクラス分類の学習結果として得られたモデルを記憶する。
【0020】
リコメンド部２００は、情報機器システム２０で障害が発生した場合に障害ログを取得し、過去の類似事象をリコメンドする。
ログ取得部２１０は、情報機器システム２０で障害が発生した場合にログを取得する。情報機器システム２０で障害が発生した場合、障害が発生した情報機器システム２０内のログ情報記憶部２１へ障害ログが格納される。ログ取得部２１０は、この障害ログを取得する。
ログ取得部２１０は、ログ取得手段の例に該当する。
ログ取得部２１０は、情報機器システム２０で障害が発生した場合にログを取得する。情報機器システム２０で障害が発生した場合、障害が発生した情報機器システム２０内のログ情報記憶部２１へ障害ログが格納される。ログ取得部２１０は、この障害ログを取得する。
ログ取得部２１０は、ログ取得手段の例に該当する。
【0021】
情報機器システム２０からログ取得部２１０へのログの伝送方法は特定の方法に限定されない。例えば、保守作業者が情報機器システム２０の保守作業を行い、保守作業端末装置４０または外付けの記録媒体を用いてログを採取し、保守作業端末装置４０または外付けの記録媒体をログ取得部２１０へ持ち運ぶようにしてもよい。あるいは、情報機器システム２０が、通信回線を用いて応対部門システム３００にログを自動送信するようにしてもよい。あるいは、自動または人手によってメール添付などで送付されたログが、ログ取得部２１０に入力されるようにしてもよい。
【0022】
前処理部２２０は、ログ取得部２１０が取得したログに対して、前処理部１２０と同様の前処理を行う。
特徴抽出部２３０は、前処理部２２０が前処理を行ったログに対して、特徴抽出部１３０の場合と同様の特徴抽出を行う。特徴抽出部２３０は、ログごとにボキャブラリーをＴＦ－ＩＤＦベクトル化する。
特徴抽出部２３０は、特徴抽出手段の例に該当する。
特徴抽出部２３０は、前処理部２２０が前処理を行ったログに対して、特徴抽出部１３０の場合と同様の特徴抽出を行う。特徴抽出部２３０は、ログごとにボキャブラリーをＴＦ－ＩＤＦベクトル化する。
特徴抽出部２３０は、特徴抽出手段の例に該当する。
【0023】
分析部２４０は、特徴抽出部２３０が算出したＴＦ－ＩＤＦベクトルに基づいて、情報機器システム２０に関する履歴情報から、障害発生事象の類似事象を検出する。具体的には、分析部２４０は、情報機器システム２０の過去のログデータから算出されたＴＦ－ＩＤＦベクトルと、特徴抽出部２３０が算出したＴＦ－ＩＤＦベクトルとのコサイン類似度に基づいて類似事象を検出し、検出した類似事象の情報を取得する。
【0024】
また、分析部２４０は、モデル記憶部１５０からモデルをロードし、ＴＦ－ＩＤＦベクトルをモデルに入力して、障害事象または被疑部品、あるいはこれらの組み合わせを推定する。
分析部２４０は、検出手段の例に該当する。
分析結果出力部２５０は、類似事象の情報を出力（提供）する。
分析結果出力部２５０は、出力手段の例に該当する。
分析部２４０は、検出手段の例に該当する。
分析結果出力部２５０は、類似事象の情報を出力（提供）する。
分析結果出力部２５０は、出力手段の例に該当する。
【0025】
応対部門システム３００は、コールセンターなどのオペレータや障害対応ＷｅｂシステムなどにおけるＣｈａｔｂｏｔなどの自動会話プログラムなどを指す。
応対履歴記憶部４００は、保守作業者が応対した障害に対する障害発生時刻、発生事象、障害発生装置、障害部品、処置内容などを記憶する。
応対履歴記憶部４００は、保守作業者が応対した障害に対する障害発生時刻、発生事象、障害発生装置、障害部品、処置内容などを記憶する。
【0026】
リコメンド結果に類似度の低い事象しかリコメンドできていない場合、または、類似度上位数個で選択した事象が障害発生事象と異なる場合、保守管理システム１０が、人手によるログ解析と再学習要求を提案するようにしてもよい。保守管理システム１０は、再学習を要求されたログに対して、障害対応結果から正解の発生事象区分、障害部品区分のラベルを付けて学習データに加え、学習を再度行い、データベースとクラス分類モデルを更新する。
【0027】
図２は、学習部１００がログのクラス分類を学習する処理手順の例を示す図である。図２の処理の前に、ログ情報記憶部１１０が、過去に発生した障害のログ情報を蓄積しておく。学習部１００は、蓄積された障害ログを用いて、図２の処理による学習を実施する。
図２の処理で、学習部１００は、ログ情報記憶部１１０から学習用として過去に発生した障害ログを取り出し、前処理部１２０に引き渡す（ステップＳ１０１）。
図２の処理で、学習部１００は、ログ情報記憶部１１０から学習用として過去に発生した障害ログを取り出し、前処理部１２０に引き渡す（ステップＳ１０１）。
【0028】
前処理部１２０は、学習時および障害発生時に共通の前処理を行う（ステップＳ１０２）。この前処理を共通前処理とも称する。
共通前処理の後、前処理部１２０は、希少事象の有無を判定する（ステップＳ２０２）。具体的には、前処理部１２０は、学習データに対する目標ラベルを確認する。目標ラベルとして、障害事象または被疑部品、あるいはこれらの組み合わせを用いることができる。目標ラベルは、学習データとしての障害ログに、正解（教師データ）として紐付けられているものとする。
目標ラベルに対して学習データ数が一定数以下の事象を希少事象とし、前処理部１２０は、希少事象が存在するかを判断する。
共通前処理の後、前処理部１２０は、希少事象の有無を判定する（ステップＳ２０２）。具体的には、前処理部１２０は、学習データに対する目標ラベルを確認する。目標ラベルとして、障害事象または被疑部品、あるいはこれらの組み合わせを用いることができる。目標ラベルは、学習データとしての障害ログに、正解（教師データ）として紐付けられているものとする。
目標ラベルに対して学習データ数が一定数以下の事象を希少事象とし、前処理部１２０は、希少事象が存在するかを判断する。
【0029】
希少事象が存在すると判定した場合（ステップＳ２０２：ＹＥＳ）、前処理部１２０は、希少事象の学習データを取得する（ステップＳ１１１）。
そして、前処理部１２０は、取得した希少事象の学習データについて、障害発生からどれくらい前までのログデータを切り出すかを決める所定時間を変更する（ステップＳ１１２）。
ステップＳ１１２の後、処理がステップＳ１０２へ戻る。
そして、前処理部１２０は、取得した希少事象の学習データについて、障害発生からどれくらい前までのログデータを切り出すかを決める所定時間を変更する（ステップＳ１１２）。
ステップＳ１１２の後、処理がステップＳ１０２へ戻る。
【0030】
この場合、学習部１００は、新たに取得したデータについて、ステップＳ１１２で決定した指定時間のログデータをステップＳ１０２で切り出す。学習部１００は、切り出し後のデータを、希少事象と判定された元のデータとは別の前処理済みデータとして扱う。学習部１００は、希少事象が存在しなくなるまで、ステップＳ１０３、Ｓ１１１、Ｓ１１２、Ｓ１０２のループを繰り返す。
【0031】
一方、ステップＳ２０２で、希少事象が存在しないと前処理部１２０が判定した場合（ステップＳ２０２：ＮＯ）、特徴抽出部１３０は、各学習データに対してＴＦ－ＩＤＦベクトルを計算する（ステップＳ１２１）。
そして、特徴抽出部１３０は、正常系の影響を排除または軽減する処理を行う（ステップＳ１２２）。
特徴抽出部１３０は、正常系の影響を排除または軽減したＴＦ－ＩＤＦベクトルをモデル記憶部１５０に記憶させる（ステップＳ１２３）。
そして、特徴抽出部１３０は、正常系の影響を排除または軽減する処理を行う（ステップＳ１２２）。
特徴抽出部１３０は、正常系の影響を排除または軽減したＴＦ－ＩＤＦベクトルをモデル記憶部１５０に記憶させる（ステップＳ１２３）。
【0032】
次に、モデル生成部１４０は、ＴＦ－ＩＤＦベクトルを特徴量とし、障害事象または被疑部品、あるいはこれらの組み合わせを目標ラベルとしてクラス分類の学習を実施する（ステップＳ１２４）。ここでのクラス分類モデルは、特定のものに限定されない。例えば、モデル生成部１４０が、サポートベクターマシン（Support Vector Machine；ＳＶＭ）、または、深層学習（Deep Learning）を用いるようにしてもよいが、これに限定されない。
モデル生成部１４０は、学習で得られたクラス分類モデルをモデル記憶部１５０に記憶させる（ステップＳ１２５）。
ステップＳ１２５の後、学習部１００は、図２の処理を終了する。
モデル生成部１４０は、学習で得られたクラス分類モデルをモデル記憶部１５０に記憶させる（ステップＳ１２５）。
ステップＳ１２５の後、学習部１００は、図２の処理を終了する。
【0033】
図３は、前処理部１２０が共通前処理を行う処理手順の例を示す図である。前処理部１２０は、図２のステップＳ１０２で図３の処理を行う。
図３の処理で、前処理部１２０は、ログデータから、障害発生時刻の所定時間前から障害発生時刻までのログを取り出す（ステップＳ２０１）。
図３の処理で、前処理部１２０は、ログデータから、障害発生時刻の所定時間前から障害発生時刻までのログを取り出す（ステップＳ２０１）。
【0034】
そして前処理部１２０は、ログをボキャブラリーに分割する（ステップＳ２０２）。前処理部１２０がログをボキャブラリーに分割する方法は、特定の方法に限定されない。ここでは、前処理部１２０が形態素解析を行う場合を例に説明する。他にも、タイムスタンプ以外のログメッセージをトークンに分割し、クラスタリングアルゴリズムを適用して分類する方法などが考えられる。
ステップＳ２０２の後、前処理部１２０は、図３の処理を終了する。
ステップＳ２０２の後、前処理部１２０は、図３の処理を終了する。
【0035】
図４は、特徴抽出部１３０が、障害ログから正常系の影響を排除または軽減する処理の手順の例を示す図である。特徴抽出部１３０は、図２のステップＳ１２２で図４の処理を行う。
図４の処理で、特徴抽出部１３０は、ログ情報記憶部１１０から正常系のログを取得する（ステップＳ３０１）。
図４の処理で、特徴抽出部１３０は、ログ情報記憶部１１０から正常系のログを取得する（ステップＳ３０１）。
【0036】
そして、特徴抽出部１３０は、取得した正常系ログに対して、共通前処理を実施する（ステップＳ３０２）。ステップＳ３０２は、ステップＳ１０２と同様であり、特徴抽出部１３０は、ステップＳ３０２で図３の処理を行う。この場合、上記の図３の処理の説明で、前処理部１２０を特徴抽出部１３０と読み替える。
【0037】
次に、特徴抽出部１３０は、前処理が完了した正常系のログに対してＴＦ－ＩＤＦベクトルを計算する（ステップＳ３０３）。
そして、特徴抽出部１３０は、正常系の影響を排除または軽減したい障害ログのＴＦ－ＩＤＦベクトルに正常系ログのＴＦ－ＩＤＦベクトルの逆ベクトルを加算する（ステップＳ３０４）。
ステップＳ３０４の後、特徴抽出部１３０は、図４の処理を終了する。
そして、特徴抽出部１３０は、正常系の影響を排除または軽減したい障害ログのＴＦ－ＩＤＦベクトルに正常系ログのＴＦ－ＩＤＦベクトルの逆ベクトルを加算する（ステップＳ３０４）。
ステップＳ３０４の後、特徴抽出部１３０は、図４の処理を終了する。
【0038】
図５は、情報機器システム２０で障害が発生した際に保守管理システム１０が類似事象をリコメンドする処理の手順の例を示す図である。
図５の処理で、ログ取得部２１０は、情報機器システム２０の障害ログを取得する（ステップＳ４０１）。情報機器システム２０での障害発生を契機にログ情報記憶部２１に障害ログが格納される。ログ取得部２１０は、この障害ログを取得する。上記のように、情報機器システム２０からログ取得部２１０へのログの伝送方法は特定の方法に限定されない。
図５の処理で、ログ取得部２１０は、情報機器システム２０の障害ログを取得する（ステップＳ４０１）。情報機器システム２０での障害発生を契機にログ情報記憶部２１に障害ログが格納される。ログ取得部２１０は、この障害ログを取得する。上記のように、情報機器システム２０からログ取得部２１０へのログの伝送方法は特定の方法に限定されない。
【0039】
次に、前処理部２２０は、共通前処理を行う（ステップＳ４０２）。ステップＳ４０２は、ステップＳ１０２と同様であり、前処理部２２０は、ステップＳ４０２で図３の処理を行う。この場合、上記の図３の処理の説明で、前処理部１２０を前処理部２２０と読み替える。
【0040】
また、リコメンド部２００は、モデル記憶部１５０からＴＦ－ＩＤＦベクトルをロードしておく（ステップＳ４０３）。
次に、特徴抽出部２３０は、障害ログのＴＦ－ＩＤＦベクトル計算を実行する（ステップＳ４０４）。
次に、特徴抽出部２３０は、障害ログのＴＦ－ＩＤＦベクトル計算を実行する（ステップＳ４０４）。
【0041】
そして、特徴抽出部２３０は、正常系の影響を排除または軽減する処理を行う（ステップＳ４０５）。ステップＳ４０５は、ステップＳ１２２と同様であり、特徴抽出部２３０は、ステップＳ４０５で図４の処理を行う。この場合、上記の図４の処理の説明で、特徴抽出部１３０を特徴抽出部２３０と読み替える。
【0042】
次に、分析部２４０は、正常系の影響を排除または軽減された障害ログのＴＦ－ＩＤＦベクトルと、ステップＳ４０３でロードされた学習ＴＦ－ＩＤＦとの類似度を計算する（ステップＳＳ４０６）。ここでの類似度は、特定のものに限定されない。例えば、分析部２４０が、類似度としてユークリッドノルムまたはコサイン類似度（Cosine Similarity）を計算するようにしてもよいが、これらに限定されない。
【0043】
次に、分析部２４０は、モデル記憶部１５０からクラス分類モデルをロードする（ステップＳ４０７）。
そして、分析部２４０は、障害ログのＴＦ－ＩＤＦベクトルをクラス分類モデルに入力してクラス分類を実施する（ステップＳ４０８）。
そして、分析部２４０は、障害ログのＴＦ－ＩＤＦベクトルをクラス分類モデルに入力してクラス分類を実施する（ステップＳ４０８）。
【0044】
分析結果出力部２５０は、ステップＳ４０６で得られた類似度上位の過去事象、ステップＳ４０８で得られたクラス分類結果、および、直接ログ確認の必要性を示すメッセージをリコメンドとしてまとめ、生成したリコメンドを出力する（ステップＳ４０９）。
ステップＳ４０９の後、リコメンド部２００は、図５の処理を終了する。
ステップＳ４０９の後、リコメンド部２００は、図５の処理を終了する。
【0045】
図６は、コサイン類似度を使用したリコメンドの出力の第１の例を示す図である。図６は、保守管理システム１０が、障害発生事象と同一事象を高い類似度でリコメンドできている場合の例を示す。具体的には、保守管理システム１０がリコメンドしている事象は何れも、障害発生事象と同じ「ディスク障害」となっている。また、保守管理システム１０がリコメンドしている事象と障害発生事象とのコサイン類似度は、０．８９から０．９２の範囲と比較的高い類似度となっている。
【0046】
保守管理システム１０が、図６に例示されるリコメンドの出力に、それぞれの事象の保守業務日誌のリンクを張るなど、各事象の関連書類を紐付けて保守作業者に提示するようにしてもよい。保守作業者は、関連書類を参照して、障害発生事象への対応の参考にすることができる。
【0047】
図７は、コサイン類似度を使用したリコメンドの出力の第２の例を示す図である。図７は、保守管理システム１０が、障害発生事象と同一事象をリコメンドできているが、類似度が低い場合の例を示す。図６の場合と同様、図７でも保守管理システム１０は、障害発生事象と同じ「ディスク障害」をリコメンドしている。一方、保守管理システム１０がリコメンドしている事象のコサイン類似度は、０．３０から０．４２の範囲と比較的低い類似度になっている。
【0048】
このような場合、保守管理システム１０が、人手によるログ解析と再学習要求を提案するようにしてもよい。再学習要求を受けた保守管理システム１０は、目標ラベルとなっている障害事象または被疑部品、あるいはこれらの組み合わせを確認し、新たにラベルを付け学習データに加えて再学習を実施する。保守管理システム１０は、例えば、図２に示す処理手順にて再学習を実施する。
【0049】
図８は、コサイン類似度を使用したリコメンドの出力の第３の例を示す図である。図８は、保守管理システム１０が、障害発生事象と異なる事象をリコメンドしている場合の例を示す。図８の例では、保守管理システム１０がリコメンドしている事象は「ディスク障害」、「経路障害」および「電圧異常」となっている。
【0050】
このように、リコメンドする事象がバラバラになっている場合、保守管理システム１０は、障害発生事象と異なる事象をリコメンドしていると判定することができる。
図８の例のように、保守管理システム１０が、障害発生事象と異なる事象をリコメンドしている場合も、図７の例の場合と同様、保守管理システム１０が、人手によるログ解析と再学習要求を提案するようにしてもよい。
図８の例のように、保守管理システム１０が、障害発生事象と異なる事象をリコメンドしている場合も、図７の例の場合と同様、保守管理システム１０が、人手によるログ解析と再学習要求を提案するようにしてもよい。
【0051】
保守管理システム１０が、障害発生時刻の所定時間前から障害発生時刻までのログをさらに時間分割して、時間毎のログ同士の順序性、または、シーケンスの類似度もリコメンドするようにしてもよい。例えば、保守管理システム１０が、障害発生３０分前から障害発生時刻までのログを取り出し、さらに１分間隔で３０個のログに分割する。これにより、保守管理システム１０が、タイムスタンプ付き操作ログにおける操作誤り（操作漏れ、順序誤り）についてもリコメンドできると期待される。
【0052】
保守管理システム１０が、障害発生時の情報提供に加えて、あるいは代えて、障害の予兆検知を行うようにしてもよい。例えば、ｔを時刻とし、Δｔを時間幅として、時間区間１はｔからｔ－Δｔまで、時間区間２はｔ－Δｔからｔ－２Δまで、時間区間３はｔ－２Δｔからｔ－３Δｔまで、…と時間区間を設定する。
【0053】
保守管理システム１０は、学習用の障害ログを時間区間ごとに分割し、それぞれのログと区間に対して、上述した方法で学習を行う。例えば、特徴抽出部１３０が、学習用の障害ログが分割された時間区間ごとに、その時間区間における特徴量を抽出しておく。特徴抽出部１３０は、障害ごと（障害の種類ごと）、かつ、時間区間ごとに、特徴量を抽出しておく。そして、モデル生成部は、障害ごと、かつ、時間区間ごとに、モデルに入力される特徴量が、その障害、かつ、その時間区間のクラスに分類される尤度（特徴量の類似度）を算出するモデルを、学習にて生成し、モデル記憶部１５０に記憶させておく。ここでの時間区間ごとは、障害発生までの予測時間に対応付けることができる。
【0054】
そして、保守管理システム１０は、新規のログに対して上述した方法と同様の方法で類似度を算出し、どの障害のどの区間と類似度が高いか判定する。例えば、特徴抽出部２３０は、ログ取得部２１０が取得したログのうち、特徴抽出部１３０の場合と同じ時間幅の直近分（ログでの最新の時刻から時間幅分）の特徴量を算出する。分析部２４０は、特徴抽出部２３０が算出した類似度をモデルに入力し、クラス分類の尤度（特徴量の類似度）が最も高いクラス（障害かつ時間区間）の尤度を算出する。算出した尤度が所定の閾値以上に大きい場合、分析部２４０は、そのクラス（尤度がもっとも高いクラス）の障害が、そのクラスの時間区間が示す時間経過後に発生する予兆を検出したと判定する。
【0055】
これにより保守管理システム１０は、特定の部品が故障する何分前や何日前と類似しているかをリコメンドすることができ、保守管理システム１０のリコメンドを、障害予兆のリコメンドとしても使用できる。
あるいは、学習部１００が、複数の時間区間分のログに基づいて、障害の予兆検知を行うようにしてもよい。例えば、モデル生成部１４０が、複数の時間区間分の特徴量の入力を受けるモデルを生成するようにしてもよい。
あるいは、学習部１００が、複数の時間区間分のログに基づいて、障害の予兆検知を行うようにしてもよい。例えば、モデル生成部１４０が、複数の時間区間分の特徴量の入力を受けるモデルを生成するようにしてもよい。
【0056】
情報機器システム２０によっては、セキュリティ等の関係でログを持ち出せないことが考えられる。このような場合、保守管理システム１０が学習したクラス分類モデルとリコメンド部２００とをお客さまサイトに設置するようにしてもよい。これにより、ログを持ち出せない環境下においても、保守管理システム１０へログを伝送する場合と同様のリコメンドを実現できる。
【0057】
保守管理システム１０は、例えば、情報処理システム、情報処理機器、ソフトウェア、あるいは、それらの構成要素の保守運用におけるインシデント・障害の被疑、障害予兆の特定・解析支援に用いることができる。
また、保守管理システム１０は、情報機器システムの障害に対するリコメンドに限らず、タイムスタンプ付きのログを取得できるいろいろなものを対象とすることがでる。例えば、保守管理システム１０が、ある時間幅の間に表れた症状を電子カルテなどから読み取り、その症状から推定される重大な症状、および、発症が予想される時期を示す情報を出力するようにしてもよい。さらに例えば、保守管理システム１０が、肩こり、言葉が出ない、めまいなどの症状を電子カルテから読み取って、「脳梗塞を発症する３日前の症状と類似しています」といったメッセージを医師に提示するようにしてもよい。
また、保守管理システム１０は、情報機器システムの障害に対するリコメンドに限らず、タイムスタンプ付きのログを取得できるいろいろなものを対象とすることがでる。例えば、保守管理システム１０が、ある時間幅の間に表れた症状を電子カルテなどから読み取り、その症状から推定される重大な症状、および、発症が予想される時期を示す情報を出力するようにしてもよい。さらに例えば、保守管理システム１０が、肩こり、言葉が出ない、めまいなどの症状を電子カルテから読み取って、「脳梗塞を発症する３日前の症状と類似しています」といったメッセージを医師に提示するようにしてもよい。
【0058】
以上のように、ログ取得部２１０は、情報機器システム２０が生成したログデータを取得する。特徴抽出部２３０は、ログデータの特徴量を抽出する。分析部２４０は、情報機器システム２０に関する履歴情報から、特徴量に基づいて情報を検出する。分析結果出力部２５０は、得られた情報を出力する。
【0059】
保守管理システム１０によれば、情報機器システム２０のログデータを用いて事象を検索することで、ログが記録されている時間分の情報を用いて事象を検索することができる。保守管理システム１０によれば、このように、ある事象について参考にする過去の事象を検索する際、時間的な情報も含めて事象を検索することができる。
【0060】
また、保守管理システム１０によれば、ログデータを使用することで主観や表記ゆれなどを排除することができ、リコメンド精度を向上させることができる。
また、保守管理システム１０では、障害発生時から所定時間前までの時間幅のログデータを用いている。これにより一つの装置で過去に複数回障害が発生している場合に一度のログ採取で障害回数分の学習データを採取でき、学習データ収集を効率化させることができる。
また、保守管理システム１０では、障害発生時から所定時間前までの時間幅のログデータを用いている。これにより一つの装置で過去に複数回障害が発生している場合に一度のログ採取で障害回数分の学習データを採取でき、学習データ収集を効率化させることができる。
【0061】
保守管理システム１０によれば、情報処理システム、情報処理装置、ソフトウェア、あるいは、それらの構成要素における保守管理・インシデント管理において、応対履歴から障害被疑の解析支援をすることができる。
【0062】
また、保守管理システム１０の機能を実行可能な環境があれば、どのような情報処理システム、情報処理装置、ソフトウェアにおいても情報を提供することができる。例えば、セキュリティ等の関係でログを持ち出せないような環境でも、その環境内で保守管理システム１０の機能を実行して情報を提供することができる。
【0063】
また、保守管理システム１０によれば、障害解析に限らず、インシデント発生前に異常と判定したものをインシデントの予兆として扱うことができ、障害発生前に対処を促すことができる。
また、保守管理システム１０では、特徴抽出部１３０がログの特徴量を抽出した後は、ログ情報記憶部１１０が記憶するログ情報を削除することができる。保守管理システム１０によれば、この点で、保持する情報量を削減することもできる。
また、保守管理システム１０では、特徴抽出部１３０がログの特徴量を抽出した後は、ログ情報記憶部１１０が記憶するログ情報を削除することができる。保守管理システム１０によれば、この点で、保持する情報量を削減することもできる。
【0064】
また、特徴抽出部２３０は、ログデータの特徴量としてＴＦ－ＩＤＦベクトルを算出する。分析部２４０は、ログデータの特徴量としてのＴＦ－ＩＤＦベクトルと、履歴情報に含まれる情報の特徴量として示されるＴＦ－ＩＤＦベクトルとの類似度に基づいて、履歴情報から情報を検出する。
【0065】
これにより、保守管理システム１０では、ログにおける単語などボキャブラリーの個数ないし頻度に基づいて類似度を算出することができ、ログ内でのボキャブラリーの位置の違いの類似度への影響を除外することができる。保守管理システム１０によれば、この点で、障害事象の類似度を高精度に判定できると期待される。
【0066】
また、特徴抽出部２３０は、情報機器システム２０の障害発生の所定時間前から障害発生時までのログデータの特徴量を抽出する。
保守管理システム１０によれば、ログのすべてを用いるのではなく、障害発生時から所定時間前までの時間幅のログデータを用いることで、障害が発生する前の予兆が特徴量に現れ易いことが期待される。保守管理システム１０によれば、この点で、リコメンド精度を向上させることができる。
保守管理システム１０によれば、ログのすべてを用いるのではなく、障害発生時から所定時間前までの時間幅のログデータを用いることで、障害が発生する前の予兆が特徴量に現れ易いことが期待される。保守管理システム１０によれば、この点で、リコメンド精度を向上させることができる。
【0067】
また、分析部２４０は、特徴量に基づいて、情報機器システム２０の障害の被疑部品を推定する。
これにより、保守管理システム１０では、ＴＦ－ＩＤＦベクトルの類似度だけでなく、障害の被疑部品の情報も用いて参考の事象を検索することができ、この点で、より高精度なリコメンドを実施することができる。
これにより、保守管理システム１０では、ＴＦ－ＩＤＦベクトルの類似度だけでなく、障害の被疑部品の情報も用いて参考の事象を検索することができ、この点で、より高精度なリコメンドを実施することができる。
【0068】
また、分析部２４０は、特徴量に基づいて、情報機器システム２０の障害発生事象を推定する。
これにより、保守管理システム１０では、ＴＦ－ＩＤＦベクトルの類似度だけでなく、障害発生事象の情報も用いて参考の事象を検索することができ、この点で、より高精度なリコメンドを実施することができる。
これにより、保守管理システム１０では、ＴＦ－ＩＤＦベクトルの類似度だけでなく、障害発生事象の情報も用いて参考の事象を検索することができ、この点で、より高精度なリコメンドを実施することができる。
【0069】
また、前処理部１２０は、過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加える。モデル生成部１４０は、学習データの各ログから抽出される特徴量のクラス分類を学習する。
保守管理システム１０によれば、クラス分類の学習の際に、希少事象のデータを、ログの時間幅を変えて複数用意する点で、単純にデータをコピーする場合と比較してデータの揺らぎが生じる点で、より精度よく学習を行えることが期待される。
保守管理システム１０によれば、クラス分類の学習の際に、希少事象のデータを、ログの時間幅を変えて複数用意する点で、単純にデータをコピーする場合と比較してデータの揺らぎが生じる点で、より精度よく学習を行えることが期待される。
【0070】
また、特徴抽出部１３９は、クラス分類のための学習データに含まれる障害ログの特徴ベクトルに、正常系のログの特徴ベクトルの逆ベクトルを加算する。モデル生成部１４０は、正常系のログの特徴ベクトルの逆ベクトルを加算された障害ログの特徴ベクトルを用いてクラス分類の学習を行う。
保守管理システム１０によれば、正常系のログの特徴ベクトルの逆ベクトルを障害ログの特徴ベクトルに加算することで正常系ログ記載の影響を排除または軽減することができ、この点で、リコメンド精度を向上させることができる。
保守管理システム１０によれば、正常系のログの特徴ベクトルの逆ベクトルを障害ログの特徴ベクトルに加算することで正常系ログ記載の影響を排除または軽減することができ、この点で、リコメンド精度を向上させることができる。
【0071】
また、分析結果出力部２５０は、情報機器システム２０の障害発生事象に対する参考事象の、障害発生事象と特徴量の類似度とを示す情報を出力する。
これにより、保守作業者など情報を参照する者は、情報を提示される事象と保守対象の障害発生事象との類似の程度を確認することができる。
これにより、保守作業者など情報を参照する者は、情報を提示される事象と保守対象の障害発生事象との類似の程度を確認することができる。
【0072】
以上のことから、保守管理システム１０によれば、過去の応対履歴によるインシデント・障害の被疑／発生原因／対処を高い精度で特定・リコメンドでき、障害予兆を高い精度で特定・リコメンドできる。
【0073】
図９は、実施形態に係る情報提供システムの構成の例を示す図である。図９に示す構成で、情報提供システム６１０は、ログ取得部６１１と、特徴抽出部６１２と、検出部６１３と、出力部６１４とを備える。
かかる構成で、ログ取得部６１１は、情報機器システムが生成したログデータを取得する。特徴抽出部６１２は、ログデータの特徴量を抽出する。検出部６１３は、情報機器システムに関する履歴情報から、特徴量に基づいて情報を検出する。出力部６１４は、得られた情報を出力する。
かかる構成で、ログ取得部６１１は、情報機器システムが生成したログデータを取得する。特徴抽出部６１２は、ログデータの特徴量を抽出する。検出部６１３は、情報機器システムに関する履歴情報から、特徴量に基づいて情報を検出する。出力部６１４は、得られた情報を出力する。
【0074】
ログ取得部６１１は、ログ取得手段の例に該当する。特徴抽出部６１２は、特徴抽出手段の例に該当する。検出部６１３は、検出手段の例に該当する。出力部６１４は、出力手段の例に該当する。
【0075】
情報提供システム６１０によれば、情報機器システムのログデータを用いて事象を検索することで、ログが記録されている時間分の情報を用いて事象を検索することができる。情報提供システム６１０によれば、このように、ある事象について参考にする過去の事象を検索する際、時間的な情報も含めて事象を検索することができる。
【0076】
また、情報提供システム６１０によれば、ログデータを使用することで主観や表記ゆれなどを排除することができ、リコメンド精度を向上させることができる。
また、情報提供システム６１０では、障害発生時から所定時間前までの時間幅のログデータを用いている。これにより一つの装置で過去に複数回障害が発生している場合に一度のログ採取で障害回数分の学習データを採取でき、学習データ収集を効率化させることができる。
また、情報提供システム６１０では、障害発生時から所定時間前までの時間幅のログデータを用いている。これにより一つの装置で過去に複数回障害が発生している場合に一度のログ採取で障害回数分の学習データを採取でき、学習データ収集を効率化させることができる。
【0077】
図１０は、実施形態に係る情報提供システムの構成の、もう１つの例を示す図である。図１０に示す構成で、情報提供システム６２０は、出力部６２１を備える。
かかる構成で、出力部６２１は、情報機器システムの障害発生事象に対する参考事象の、障害発生事象と特徴量の類似度とを示す情報を出力する。
出力部６２１は、出力手段の例に該当する。
かかる構成で、出力部６２１は、情報機器システムの障害発生事象に対する参考事象の、障害発生事象と特徴量の類似度とを示す情報を出力する。
出力部６２１は、出力手段の例に該当する。
【0078】
情報提供システム６２０によれば、保守作業者など情報を参照する者は、情報を提示される事象と保守対象の障害発生事象との類似の程度を確認することができる。
【0079】
図１１は、実施形態に係る情報提供方法における処理の手順の例を示す図である。図１１に示す情報提供方法は、ログを取得すること（ステップＳ６１１）と、特徴を抽出すること（ステップＳ６１２）と、情報を検出すること（ステップＳ６１３）と、情報を出力すること（ステップＳ６１４）とを含む。
ログを取得すること（ステップＳ６１１）では、情報機器システムが生成したログデータを取得する。特徴を抽出すること（ステップＳ６１２）では、取得したログデータの特徴量を抽出する。情報を検出すること（ステップＳ６１３）では、情報機器システムに関する履歴情報から、特徴量に基づいて情報を検出する。情報を出力すること（ステップＳ６１４）では、得られた情報を出力する。
ログを取得すること（ステップＳ６１１）では、情報機器システムが生成したログデータを取得する。特徴を抽出すること（ステップＳ６１２）では、取得したログデータの特徴量を抽出する。情報を検出すること（ステップＳ６１３）では、情報機器システムに関する履歴情報から、特徴量に基づいて情報を検出する。情報を出力すること（ステップＳ６１４）では、得られた情報を出力する。
【0080】
図１１に示す情報提供方法によれば、情報機器システムのログデータを用いて事象を検索することで、ログが記録されている時間分の情報を用いて事象を検索することができる。図１１に示す情報提供方法によれば、このように、ある事象について参考にする過去の事象を検索する際、時間的な情報も含めて事象を検索することができる。
【0081】
また、図１１に示す情報提供方法によれば、ログデータを使用することで主観や表記ゆれなどを排除することができ、リコメンド精度を向上させることができる。
また、図１１に示す情報提供方法では、障害発生時から所定時間前までの時間幅のログデータを用いている。これにより一つの装置で過去に複数回障害が発生している場合に一度のログ採取で障害回数分の学習データを採取でき、学習データ収集を効率化させることができる。
また、図１１に示す情報提供方法では、障害発生時から所定時間前までの時間幅のログデータを用いている。これにより一つの装置で過去に複数回障害が発生している場合に一度のログ採取で障害回数分の学習データを採取でき、学習データ収集を効率化させることができる。
【0082】
図１２は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
図１６に示す構成で、コンピュータ７００は、ＣＰＵ７１０と、主記憶装置７２０と、補助記憶装置７３０と、インタフェース７４０と、不揮発性記録媒体７５０とを備える。
図１６に示す構成で、コンピュータ７００は、ＣＰＵ７１０と、主記憶装置７２０と、補助記憶装置７３０と、インタフェース７４０と、不揮発性記録媒体７５０とを備える。
【0083】
上記の保守管理システム１０、情報提供システム６１０、および、情報提供システム６２０の機能のうち何れか１つ以上またはその一部が、コンピュータ７００に実装されてもよい。その場合、上述した各処理部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ７１０は、プログラムに従って、上述した各記憶部に対応する記憶領域を主記憶装置７２０に確保する。各装置と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。また、インタフェース７４０は、不揮発性記録媒体７５０用のポートを有し、不揮発性記録媒体７５０からの情報の読出、および、不揮発性記録媒体７５０への情報の書込を行う。
【0084】
保守管理システム１０がコンピュータ７００に実装される場合、保守管理システム１０の各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0085】
また、ＣＰＵ７１０は、プログラムに従って、保守管理システム１０が処理を行うための記憶領域を主記憶装置７２０に確保する。保守管理システム１０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。保守管理システム１０とユーザとのインタラクションは、インタフェース７４０が表示装置および入力デバイスを備え、ＣＰＵ７１０の制御に従って各種画像の表示を行い、ユーザ操作を受け付けることで実行される。
【0086】
情報提供システム６１０がコンピュータ７００に実装される場合、情報提供システム６１０の各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0087】
また、ＣＰＵ７１０は、プログラムに従って、情報提供システム６１０が処理を行うための記憶領域を主記憶装置７２０に確保する。情報提供システム６１０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。情報提供システム６１０とユーザとのインタラクションは、インタフェース７４０が表示装置および入力デバイスを備え、ＣＰＵ７１０の制御に従って各種画像の表示を行い、ユーザ操作を受け付けることで実行される。
【0088】
情報提供システム６２０がコンピュータ７００に実装される場合、情報提供システム６２０の各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0089】
また、ＣＰＵ７１０は、プログラムに従って、情報提供システム６２０が処理を行うための記憶領域を主記憶装置７２０に確保する。情報提供システム６２０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。情報提供システム６２０とユーザとのインタラクションは、インタフェース７４０が表示装置および入力デバイスを備え、ＣＰＵ７１０の制御に従って各種画像の表示を行い、ユーザ操作を受け付けることで実行される。
【0090】
上述したプログラムのうち何れか１つ以上が不揮発性記録媒体７５０に記録されていてもよい。この場合、インタフェース７４０が不揮発性記録媒体７５０からプログラムを読み出すようにしてもよい。そして、ＣＰＵ７１０が、インタフェース７４０が読み出したプログラムを直接実行するか、あるいは、主記憶装置７２０または補助記憶装置７３０に一旦保存して実行するようにしてもよい。
【0091】
なお、保守管理システム１０、情報提供システム６１０、および、情報提供システム６２０が行う処理の全部または一部を実行するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
【0092】
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
【0093】
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。
【0094】
（付記１）
情報機器システムが生成したログデータを取得するログ取得手段と、
前記ログデータの特徴量を抽出する特徴抽出手段と、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出する検出手段と、
得られた情報を出力する出力手段と、
を備える情報提供システム。
情報機器システムが生成したログデータを取得するログ取得手段と、
前記ログデータの特徴量を抽出する特徴抽出手段と、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出する検出手段と、
得られた情報を出力する出力手段と、
を備える情報提供システム。
【0095】
（付記２）
前記特徴抽出手段は、前記ログデータの特徴量としてＴＦ－ＩＤＦベクトルを算出し、
前記検出手段は、前記ログデータの特徴量としてのＴＦ－ＩＤＦベクトルと、前記履歴情報に含まれる情報の特徴量として示されるＴＦ－ＩＤＦベクトルとの類似度に基づいて、前記履歴情報から情報を検出する、
付記１に記載の情報提供システム。
前記特徴抽出手段は、前記ログデータの特徴量としてＴＦ－ＩＤＦベクトルを算出し、
前記検出手段は、前記ログデータの特徴量としてのＴＦ－ＩＤＦベクトルと、前記履歴情報に含まれる情報の特徴量として示されるＴＦ－ＩＤＦベクトルとの類似度に基づいて、前記履歴情報から情報を検出する、
付記１に記載の情報提供システム。
【0096】
（付記３）
前記特徴抽出手段は、前記情報機器システムの障害発生の所定時間前から障害発生時までのログデータの特徴量を抽出する、
付記１または付記２に記載の情報提供システム。
前記特徴抽出手段は、前記情報機器システムの障害発生の所定時間前から障害発生時までのログデータの特徴量を抽出する、
付記１または付記２に記載の情報提供システム。
【0097】
（付記４）
前記検出手段は、前記特徴量に基づいて、前記情報機器システムの障害の被疑部品を推定する、
付記１から３の何れか一つに記載の情報提供システム。
前記検出手段は、前記特徴量に基づいて、前記情報機器システムの障害の被疑部品を推定する、
付記１から３の何れか一つに記載の情報提供システム。
【0098】
（付記５）
前記検出手段は、前記特徴量に基づいて、前記情報機器システムの障害発生事象を推定する、
付記１から４の何れか一つに記載の情報提供システム。
前記検出手段は、前記特徴量に基づいて、前記情報機器システムの障害発生事象を推定する、
付記１から４の何れか一つに記載の情報提供システム。
【0099】
（付記６）
過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加える前処理手段と、
前記学習データの各ログから抽出される特徴量のクラス分類を学習するモデル生成手段と、
をさらに備える、付記１から５の何れか一つに記載の情報提供システム。
過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加える前処理手段と、
前記学習データの各ログから抽出される特徴量のクラス分類を学習するモデル生成手段と、
をさらに備える、付記１から５の何れか一つに記載の情報提供システム。
【0100】
（付記７）
クラス分類のための学習データに含まれる障害ログの特徴ベクトルに、正常系のログの特徴ベクトルの逆ベクトルを加算する学習データ特徴抽出手段と、
前記正常系のログの特徴ベクトルの逆ベクトルを加算された障害ログの特徴ベクトルを用いて前記クラス分類の学習を行うモデル生成手段と、
をさらに備える、付記１から５の何れか一つに記載の情報提供システム。
クラス分類のための学習データに含まれる障害ログの特徴ベクトルに、正常系のログの特徴ベクトルの逆ベクトルを加算する学習データ特徴抽出手段と、
前記正常系のログの特徴ベクトルの逆ベクトルを加算された障害ログの特徴ベクトルを用いて前記クラス分類の学習を行うモデル生成手段と、
をさらに備える、付記１から５の何れか一つに記載の情報提供システム。
【0101】
（付記８）
ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習するモデル生成手段をさらに備え、
前記検出手段は、前記モデルに基づいて、障害発生の予兆を検知する、
付記１から５の何れか一つ記載の情報提供システム。
ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習するモデル生成手段をさらに備え、
前記検出手段は、前記モデルに基づいて、障害発生の予兆を検知する、
付記１から５の何れか一つ記載の情報提供システム。
【0102】
（付記９）
情報機器システムの障害発生事象に対する参考事象の、障害発生事象と特徴量の類似度とを示す情報を出力する出力手段
を備える情報提供システム。
情報機器システムの障害発生事象に対する参考事象の、障害発生事象と特徴量の類似度とを示す情報を出力する出力手段
を備える情報提供システム。
【0103】
（付記１０）
情報機器システムが生成したログデータを取得し、
前記ログデータの特徴量を抽出し、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、
得られた情報を出力する、
ことを含む情報提供方法。
情報機器システムが生成したログデータを取得し、
前記ログデータの特徴量を抽出し、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、
得られた情報を出力する、
ことを含む情報提供方法。
【0104】
（付記１１）
コンピュータに、情報機器システムが生成したログデータを取得することと、
前記ログデータの特徴量を抽出することと、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出することと、
得られた情報を出力することと、
を実行させるためのプログラム。
コンピュータに、情報機器システムが生成したログデータを取得することと、
前記ログデータの特徴量を抽出することと、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出することと、
得られた情報を出力することと、
を実行させるためのプログラム。
【符号の説明】
【0105】
１０ 保守管理システム
１００ 学習部
１１０ ログ情報記憶部
１２０、２２０ 前処理部
１３０、２３０ 特徴抽出部
１４０ モデル生成部
１５０ モデル記憶部
２１０ ログ取得部
２４０ 分析部
２５０ 分析結果出力部
３００ 応対部門システム
４００ 応対履歴記憶部
１００ 学習部
１１０ ログ情報記憶部
１２０、２２０ 前処理部
１３０、２３０ 特徴抽出部
１４０ モデル生成部
１５０ モデル記憶部
２１０ ログ取得部
２４０ 分析部
２５０ 分析結果出力部
３００ 応対部門システム
４００ 応対履歴記憶部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【手続補正書】
【提出日】2023-07-18
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加える前処理手段と、
前記学習データの各ログから抽出される特徴量のクラス分類を学習するモデル生成手段と、
情報機器システムが生成したログデータを取得するログ取得手段と、
前記ログデータの特徴量を抽出する特徴抽出手段と、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出する検出手段と、
得られた情報を出力する出力手段と、
を備える情報提供システム。
前記学習データの各ログから抽出される特徴量のクラス分類を学習するモデル生成手段と、
情報機器システムが生成したログデータを取得するログ取得手段と、
前記ログデータの特徴量を抽出する特徴抽出手段と、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出する検出手段と、
得られた情報を出力する出力手段と、
を備える情報提供システム。
【請求項2】
前記特徴抽出手段は、前記ログデータの特徴量としてＴＦ－ＩＤＦベクトルを算出し、 前記検出手段は、前記ログデータの特徴量としてのＴＦ－ＩＤＦベクトルと、前記履歴情報に含まれる情報の特徴量として示されるＴＦ－ＩＤＦベクトルとの類似度に基づいて、前記履歴情報から情報を検出する、
請求項１に記載の情報提供システム。
請求項１に記載の情報提供システム。
【請求項3】
前記特徴抽出手段は、前記情報機器システムの障害発生の所定時間前から障害発生時までのログデータの特徴量を抽出する、
請求項１または請求項２に記載の情報提供システム。
請求項１または請求項２に記載の情報提供システム。
【請求項4】
前記検出手段は、前記特徴量に基づいて、前記情報機器システムの障害の被疑部品を推定する、
請求項１から３の何れか一項に記載の情報提供システム。
請求項１から３の何れか一項に記載の情報提供システム。
【請求項5】
クラス分類のための学習データに含まれる障害ログの特徴ベクトルに、正常系のログの特徴ベクトルの逆ベクトルを加算する学習データ特徴抽出手段
をさらに備え、
前記モデル生成手段は、前記正常系のログの特徴ベクトルの逆ベクトルを加算された障害ログの特徴ベクトルを用いて前記クラス分類の学習を行う、
請求項１から４の何れか一項に記載の情報提供システム。
をさらに備え、
前記モデル生成手段は、前記正常系のログの特徴ベクトルの逆ベクトルを加算された障害ログの特徴ベクトルを用いて前記クラス分類の学習を行う、
請求項１から４の何れか一項に記載の情報提供システム。
【請求項6】
前記モデル生成手段は、ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習し、
前記検出手段は、前記モデルに基づいて、障害発生の予兆を検知する、
請求項１から５の何れか一項記載の情報提供システム。
前記検出手段は、前記モデルに基づいて、障害発生の予兆を検知する、
請求項１から５の何れか一項記載の情報提供システム。
【請求項7】
過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加え、
前記学習データの各ログから抽出される特徴量のクラス分類を学習し、
情報機器システムが生成したログデータを取得し、
前記ログデータの特徴量を抽出し、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、
得られた情報を出力する、
ことを含む情報提供方法。
前記学習データの各ログから抽出される特徴量のクラス分類を学習し、
情報機器システムが生成したログデータを取得し、
前記ログデータの特徴量を抽出し、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、
得られた情報を出力する、
ことを含む情報提供方法。
【請求項8】
コンピュータに、
過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加えることと、
前記学習データの各ログから抽出される特徴量のクラス分類を学習することと、
情報機器システムが生成したログデータを取得することと、
前記ログデータの特徴量を抽出することと、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出することと、
得られた情報を出力することと、
を実行させるためのプログラム。
過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加えることと、
前記学習データの各ログから抽出される特徴量のクラス分類を学習することと、
情報機器システムが生成したログデータを取得することと、
前記ログデータの特徴量を抽出することと、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出することと、
得られた情報を出力することと、
を実行させるためのプログラム。
【請求項9】
ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習するモデル生成手段と、
情報機器システムが生成したログデータを取得するログ取得手段と、
前記ログデータの特徴量を抽出する特徴抽出手段と、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知する検出手段と、
得られた情報を出力する出力手段と、
を備える情報提供システム。
情報機器システムが生成したログデータを取得するログ取得手段と、
前記ログデータの特徴量を抽出する特徴抽出手段と、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知する検出手段と、
得られた情報を出力する出力手段と、
を備える情報提供システム。
【請求項10】
前記特徴抽出手段は、前記ログデータの特徴量としてＴＦ－ＩＤＦベクトルを算出し、 前記検出手段は、前記ログデータの特徴量としてのＴＦ－ＩＤＦベクトルと、前記履歴情報に含まれる情報の特徴量として示されるＴＦ－ＩＤＦベクトルとの類似度に基づいて、前記履歴情報から情報を検出する、
請求項９に記載の情報提供システム。
請求項９に記載の情報提供システム。
【請求項11】
前記特徴抽出手段は、前記情報機器システムの障害発生の所定時間前から障害発生時までのログデータの特徴量を抽出する、
請求項９または請求項１０に記載の情報提供システム。
請求項９または請求項１０に記載の情報提供システム。
【請求項12】
前記検出手段は、前記特徴量に基づいて、前記情報機器システムの障害の被疑部品を推定する、
請求項９から１１の何れか一項に記載の情報提供システム。
請求項９から１１の何れか一項に記載の情報提供システム。
【請求項13】
過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加える前処理手段
をさらに備え、
前記モデル生成手段は、前記学習データの各ログから抽出される特徴量のクラス分類を学習する、
請求項９から１２の何れか一項に記載の情報提供システム。
をさらに備え、
前記モデル生成手段は、前記学習データの各ログから抽出される特徴量のクラス分類を学習する、
請求項９から１２の何れか一項に記載の情報提供システム。
【請求項14】
クラス分類のための学習データに含まれる障害ログの特徴ベクトルに、正常系のログの特徴ベクトルの逆ベクトルを加算する学習データ特徴抽出手段
をさらに備え、
前記モデル生成手段は、前記正常系のログの特徴ベクトルの逆ベクトルを加算された障害ログの特徴ベクトルを用いて前記クラス分類の学習を行う、
請求項９から１３の何れか一項に記載の情報提供システム。
をさらに備え、
前記モデル生成手段は、前記正常系のログの特徴ベクトルの逆ベクトルを加算された障害ログの特徴ベクトルを用いて前記クラス分類の学習を行う、
請求項９から１３の何れか一項に記載の情報提供システム。
【請求項15】
ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習し、
情報機器システムが生成したログデータを取得し、
前記ログデータの特徴量を抽出し、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知し、
得られた情報を出力する、
ことを含む情報提供方法。
情報機器システムが生成したログデータを取得し、
前記ログデータの特徴量を抽出し、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知し、
得られた情報を出力する、
ことを含む情報提供方法。
【請求項16】
コンピュータに、
ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習することと、
情報機器システムが生成したログデータを取得することと、
前記ログデータの特徴量を抽出することと、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知することと、
得られた情報を出力することと、
を実行させるためのプログラム。
ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習することと、
情報機器システムが生成したログデータを取得することと、
前記ログデータの特徴量を抽出することと、
情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知することと、
得られた情報を出力することと、
を実行させるためのプログラム。
【手続補正2】
【補正対象書類名】明細書
【補正対象項目名】０００６
【補正方法】変更
【補正の内容】
【0006】
本発明の第１の態様によれば、情報提供システムは、過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加える前処理手段と、前記学習データの各ログから抽出される特徴量のクラス分類を学習するモデル生成手段と、情報機器システムが生成したログデータを取得するログ取得手段と、前記ログデータの特徴量を抽出する特徴抽出手段と、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出する検出手段と、得られた情報を出力する出力手段と、を備える。
本発明の第２の態様によれば、情報提供システムは、ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習するモデル生成手段と、情報機器システムが生成したログデータを取得するログ取得手段と、前記ログデータの特徴量を抽出する特徴抽出手段と、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知する検出手段と、得られた情報を出力する出力手段と、を備える。
本発明の第２の態様によれば、情報提供システムは、ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習するモデル生成手段と、情報機器システムが生成したログデータを取得するログ取得手段と、前記ログデータの特徴量を抽出する特徴抽出手段と、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知する検出手段と、得られた情報を出力する出力手段と、を備える。
【手続補正3】
【補正対象書類名】明細書
【補正対象項目名】０００７
【補正方法】変更
【補正の内容】
【0007】
本発明の第３の態様によれば、情報提供方法は、過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加え、前記学習データの各ログから抽出される特徴量のクラス分類を学習し、情報機器システムが生成したログデータを取得し、前記ログデータの特徴量を抽出し、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、得られた情報を出力する、ことを含む。
本発明の第４の態様によれば、情報提供方法は、ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習し、情報機器システムが生成したログデータを取得し、前記ログデータの特徴量を抽出し、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知し、得られた情報を出力する、ことを含む。
本発明の第４の態様によれば、情報提供方法は、ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習し、情報機器システムが生成したログデータを取得し、前記ログデータの特徴量を抽出し、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知し、得られた情報を出力する、ことを含む。
【手続補正4】
【補正対象書類名】明細書
【補正対象項目名】０００８
【補正方法】変更
【補正の内容】
【0008】
本発明の第５の態様によれば、プログラムは、コンピュータに、過去の障害ログとクラス分類における正解クラスとが紐付けられた学習データについて、前記クラス分類におけるクラスのうちデータの個数が所定の条件よりも少ないクラスがあると判定した場合、そのクラスに分類されるデータを、ログの採取時間帯を変更してコピーし、学習データに加えることと、前記学習データの各ログから抽出される特徴量のクラス分類を学習することと、情報機器システムが生成したログデータを取得することと、前記ログデータの特徴量を抽出することと、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出することと、得られた情報を出力することと、を実行させるためのプログラムである。
本発明の第６の態様によれば、プログラムは、コンピュータに、ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習することと、情報機器システムが生成したログデータを取得することと、前記ログデータの特徴量を抽出することと、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知することと、得られた情報を出力することと、を実行させるためのプログラムである。
本発明の第６の態様によれば、プログラムは、コンピュータに、ログを障害の種類ごと、かつ、障害発生までの時間を分割した時間区間ごとにクラス分類する尤度を算出するモデルを学習することと、情報機器システムが生成したログデータを取得することと、前記ログデータの特徴量を抽出することと、情報機器システムに関する履歴情報から、前記特徴量に基づいて情報を検出し、前記モデルに基づいて、障害発生の予兆を検知することと、得られた情報を出力することと、を実行させるためのプログラムである。