(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】P2023170715
(43)【公開日】2023-12-01
(54)【発明の名称】システム分析装置及びシステム分析方法
(51)【国際特許分類】
G06Q 10/00 20230101AFI20231124BHJP
G06Q 90/00 20060101ALI20231124BHJP
G06Q 50/10 20120101ALI20231124BHJP
【ＦＩ】
G06Q10/00
G06Q90/00
G06Q50/10
【審査請求】有
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2022082667
(22)【出願日】2022-05-19
(71)【出願人】
【識別番号】000005108
【氏名又は名称】株式会社日立製作所
(74)【代理人】
【識別番号】110001689
【氏名又は名称】青稜弁理士法人
(72)【発明者】
【氏名】手塚 聖貴
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049AA20
5L049CC20
5L049DD01
(57)【要約】
【課題】稼働データの異常の発生要因を特定可能なレポートを自動で作成できるシステム分析装置及びシステム分析方法を提供する。
【解決手段】システム分析装置は、事象判定モデルを使用して、分析対象期間の分析対象システムの稼働データから分析対象期間の事象発生パラメータの時系列データを取得し、稼働データ及び事象発生パラメータの時系列データを分析する。システム分析装置は、稼働データの特異点に関する情報を含む特異点データ、及び、事象発生パラメータの時系列データの異常特異点に関する情報を含む事象特異点データを取得する。システム分析装置は、特異点データ及び事象特異点データに基づいて、異常の発生要因を示す情報を含むレポートを自動作成する。
【選択図】図２
【解決手段】システム分析装置は、事象判定モデルを使用して、分析対象期間の分析対象システムの稼働データから分析対象期間の事象発生パラメータの時系列データを取得し、稼働データ及び事象発生パラメータの時系列データを分析する。システム分析装置は、稼働データの特異点に関する情報を含む特異点データ、及び、事象発生パラメータの時系列データの異常特異点に関する情報を含む事象特異点データを取得する。システム分析装置は、特異点データ及び事象特異点データに基づいて、異常の発生要因を示す情報を含むレポートを自動作成する。
【選択図】図２
【特許請求の範囲】
【請求項1】
分析対象システムから稼働データを取得し前記稼働データを分析する情報処理装置を備えたシステム分析装置であって、
前記情報処理装置は、
前記稼働データから事象毎に、前記稼働データを入力すると前記事象の発生する可能性の程度を示すパラメータである事象発生パラメータを出力する事象判定モデルが格納された記憶装置を含み、
前記情報処理装置は、
複数の前記事象判定モデルのそれぞれを使用して、分析対象期間の複数の前記稼働データを含む稼働データ群から前記分析対象期間の事象発生パラメータの時系列データを取得し、
前記稼働データ群及び前記事象発生パラメータの時系列データを分析することにより、
前記分析対象期間中に前記稼働データに発生した異常を示す特異点に関する情報を含む特異点データと、
前記分析対象期間中に前記事象発生パラメータの時系列データに発生した、前記事象が発生していること又は将来的に前記事象が発生する可能性があることを示す事象特異点に関する情報を含む事象特異点データと、
を取得し、
前記特異点データ及び前記事象特異点データに基づいて、前記稼働データに発生した前記異常を示す情報、及び、前記異常の要因を示す情報を含むレポートを自動作成する、
ように構成された、
システム分析装置。
前記情報処理装置は、
前記稼働データから事象毎に、前記稼働データを入力すると前記事象の発生する可能性の程度を示すパラメータである事象発生パラメータを出力する事象判定モデルが格納された記憶装置を含み、
前記情報処理装置は、
複数の前記事象判定モデルのそれぞれを使用して、分析対象期間の複数の前記稼働データを含む稼働データ群から前記分析対象期間の事象発生パラメータの時系列データを取得し、
前記稼働データ群及び前記事象発生パラメータの時系列データを分析することにより、
前記分析対象期間中に前記稼働データに発生した異常を示す特異点に関する情報を含む特異点データと、
前記分析対象期間中に前記事象発生パラメータの時系列データに発生した、前記事象が発生していること又は将来的に前記事象が発生する可能性があることを示す事象特異点に関する情報を含む事象特異点データと、
を取得し、
前記特異点データ及び前記事象特異点データに基づいて、前記稼働データに発生した前記異常を示す情報、及び、前記異常の要因を示す情報を含むレポートを自動作成する、
ように構成された、
システム分析装置。
【請求項2】
請求項１に記載のシステム分析装置であって、
前記情報処理装置は、
前記異常の要因を示す情報として、発生している前記事象、将来的に発生する前記事象を示す情報及び発生した可能性のある事象の少なくとも一つを前記レポートに含める、
ように構成された、
システム分析装置。
前記情報処理装置は、
前記異常の要因を示す情報として、発生している前記事象、将来的に発生する前記事象を示す情報及び発生した可能性のある事象の少なくとも一つを前記レポートに含める、
ように構成された、
システム分析装置。
【請求項3】
請求項１に記載のシステム分析装置であって、
前記情報処理装置は、
前記異常を示す情報として、前記稼働データの過去の傾向からの逸脱又は過去の傾向からの将来的な逸脱の発生を示す情報を前記レポートに含める、
ように構成された、
システム分析装置。
前記情報処理装置は、
前記異常を示す情報として、前記稼働データの過去の傾向からの逸脱又は過去の傾向からの将来的な逸脱の発生を示す情報を前記レポートに含める、
ように構成された、
システム分析装置。
【請求項4】
請求項３に記載のシステム分析装置において、
前記事象は、前記分析対象システムにおいて生じる事象、前記分析対象システムが提供するサービスにおいて生じる事象及び前記分析対象システムが提供するサービスに関連する事象の少なくとも一つである、
システム分析装置。
前記事象は、前記分析対象システムにおいて生じる事象、前記分析対象システムが提供するサービスにおいて生じる事象及び前記分析対象システムが提供するサービスに関連する事象の少なくとも一つである、
システム分析装置。
【請求項5】
請求項１に記載のシステム分析装置において、
前記情報処理装置は、
前記分析対象システムから前記稼働データ及び前記事象の発生情報を収集し、収集した前記稼働データ及び前記事象の発生情報を用いて、前記事象判定モデルを生成し、前記記憶装置に格納する、
ように構成された、
システム分析装置。
前記情報処理装置は、
前記分析対象システムから前記稼働データ及び前記事象の発生情報を収集し、収集した前記稼働データ及び前記事象の発生情報を用いて、前記事象判定モデルを生成し、前記記憶装置に格納する、
ように構成された、
システム分析装置。
【請求項6】
請求項５に記載のシステム分析装置において、
前記情報処理装置は、
前記事象毎に前記事象判定モデルを生成するように構成され、
前記情報処理装置は、
前記稼働データを分析することにより、前記特異点データを取得し、
一つの前記事象について前記事象判定モデルを作成するときに、前記一つの事象についての事象の発生情報に基づいて、前記一つの事象の発生期間を特定し、
特定した前記一つの事象の前記発生期間に前記特異点が存在している特定の稼働データ種の前記稼働データを、前記一つの事象についての前記事象判定モデルを作成するときに用いる事象発生時の教師データとし、
前記一つの事象が発生していない期間の前記特定の稼働データ種の前記稼働データを、前記一つの事象についての前記事象判定モデルを作成するときに用いる事象非発生時の教師データとして、
前記事象発生時の教師データ及び前記事象非発生時の教師データを用いて、前記一つの事象についての前記事象判定モデルを生成する、
ように構成された、
システム分析装置。
前記情報処理装置は、
前記事象毎に前記事象判定モデルを生成するように構成され、
前記情報処理装置は、
前記稼働データを分析することにより、前記特異点データを取得し、
一つの前記事象について前記事象判定モデルを作成するときに、前記一つの事象についての事象の発生情報に基づいて、前記一つの事象の発生期間を特定し、
特定した前記一つの事象の前記発生期間に前記特異点が存在している特定の稼働データ種の前記稼働データを、前記一つの事象についての前記事象判定モデルを作成するときに用いる事象発生時の教師データとし、
前記一つの事象が発生していない期間の前記特定の稼働データ種の前記稼働データを、前記一つの事象についての前記事象判定モデルを作成するときに用いる事象非発生時の教師データとして、
前記事象発生時の教師データ及び前記事象非発生時の教師データを用いて、前記一つの事象についての前記事象判定モデルを生成する、
ように構成された、
システム分析装置。
【請求項7】
請求項６に記載のシステム分析装置において、
前記情報処理装置は、
前記特定の稼働データ種の前記稼働データが属するスケジュールパターンを取得し、
同一スケジュールパターンに属する前記特定の稼働データ種の稼働データを、前記事象発生時の教師データ及び前記事象非発生時の教師データとして用いる、
ように構成された、
システム分析装置。
前記情報処理装置は、
前記特定の稼働データ種の前記稼働データが属するスケジュールパターンを取得し、
同一スケジュールパターンに属する前記特定の稼働データ種の稼働データを、前記事象発生時の教師データ及び前記事象非発生時の教師データとして用いる、
ように構成された、
システム分析装置。
【請求項8】
請求項１に記載のシステム分析装置において、
前記異常の要因を示す情報を含む異常コメントを生成するためのコメントテンプレートが格納された記憶装置を備え、
前記情報処理装置は、
前記特異点データ及び前記事象特異点データに基づく情報を、前記コメントテンプレートに適用することによって、前記異常コメントを生成し、前記異常コメントを前記レポートに含める、
ように構成された、
システム分析装置。
前記異常の要因を示す情報を含む異常コメントを生成するためのコメントテンプレートが格納された記憶装置を備え、
前記情報処理装置は、
前記特異点データ及び前記事象特異点データに基づく情報を、前記コメントテンプレートに適用することによって、前記異常コメントを生成し、前記異常コメントを前記レポートに含める、
ように構成された、
システム分析装置。
【請求項9】
請求項１に記載のシステム分析装置において、
前記情報処理装置は、
前記分析対象期間の前記稼働データ群のうちの前記事象に関係する特定の稼働データに基づいて、前記事象発生パラメータを算出する、
ように構成された、
システム分析装置。
前記情報処理装置は、
前記分析対象期間の前記稼働データ群のうちの前記事象に関係する特定の稼働データに基づいて、前記事象発生パラメータを算出する、
ように構成された、
システム分析装置。
【請求項10】
請求項１に記載のシステム分析装置において、
前記情報処理装置は、
前記分析対象期間の前記稼働データ群から前記事象に関係する特定の稼働データを抽出し、前記事象判定モデルを用いて、抽出した前記特定の稼働データから前記事象発生パラメータを算出する、
ように構成された、
システム分析装置。
前記情報処理装置は、
前記分析対象期間の前記稼働データ群から前記事象に関係する特定の稼働データを抽出し、前記事象判定モデルを用いて、抽出した前記特定の稼働データから前記事象発生パラメータを算出する、
ように構成された、
システム分析装置。
【請求項11】
請求項１に記載のシステム分析装置において、
前記情報処理装置は、
前記特異点データとして、特異点が存在している稼働データの種類を示す情報、特異点として検出された稼働データの数値、特異点が検出された日付時刻を示す情報、特異点の種別を示す情報を取得し、
前記事象特異点データとして、事象の種類を示す情報、事象特異点が検出された日付時刻を示す情報、事象特異点の種別を示す情報を取得する、
ように構成された、
システム分析装置。
前記情報処理装置は、
前記特異点データとして、特異点が存在している稼働データの種類を示す情報、特異点として検出された稼働データの数値、特異点が検出された日付時刻を示す情報、特異点の種別を示す情報を取得し、
前記事象特異点データとして、事象の種類を示す情報、事象特異点が検出された日付時刻を示す情報、事象特異点の種別を示す情報を取得する、
ように構成された、
システム分析装置。
【請求項12】
分析対象システムから稼働データを取得し前記稼働データを分析する情報処理装置を用いたシステム分析方法であって、
前記情報処理装置は、
前記稼働データから事象毎に、前記稼働データを入力すると前記事象の発生する可能性の程度を示すパラメータである事象発生パラメータを出力する事象判定モデルが格納された記憶装置を含み、
前記情報処理装置によって、
複数の前記事象判定モデルのそれぞれを使用して、分析対象期間の複数の前記稼働データを含む稼働データ群から前記分析対象期間の事象発生パラメータの時系列データを取得し、
前記稼働データ群及び前記事象発生パラメータの時系列データを分析することにより、
前記分析対象期間中に前記稼働データに発生した異常を示す特異点に関する情報を含む特異点データと、
前記分析対象期間中に前記事象発生パラメータの時系列データに発生した、前記事象が発生していること又は将来的に前記事象が発生する可能性があることを示す事象特異点に関する情報を含む事象特異点データと、
を取得し、
前記特異点データ及び前記事象特異点データに基づいて、前記稼働データに発生した前記異常を示す情報、及び、前記異常の要因を示す情報を含むレポートを自動作成する、
システム分析方法。
前記情報処理装置は、
前記稼働データから事象毎に、前記稼働データを入力すると前記事象の発生する可能性の程度を示すパラメータである事象発生パラメータを出力する事象判定モデルが格納された記憶装置を含み、
前記情報処理装置によって、
複数の前記事象判定モデルのそれぞれを使用して、分析対象期間の複数の前記稼働データを含む稼働データ群から前記分析対象期間の事象発生パラメータの時系列データを取得し、
前記稼働データ群及び前記事象発生パラメータの時系列データを分析することにより、
前記分析対象期間中に前記稼働データに発生した異常を示す特異点に関する情報を含む特異点データと、
前記分析対象期間中に前記事象発生パラメータの時系列データに発生した、前記事象が発生していること又は将来的に前記事象が発生する可能性があることを示す事象特異点に関する情報を含む事象特異点データと、
を取得し、
前記特異点データ及び前記事象特異点データに基づいて、前記稼働データに発生した前記異常を示す情報、及び、前記異常の要因を示す情報を含むレポートを自動作成する、
システム分析方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、システム分析装置及びシステム分析方法に関する。
【背景技術】
【0002】
情報システムでは、規模の拡大化及び複雑化が進み、情報システムについての月次レポート作成の負担が増加している。そこで、情報システムの稼働データを分析し、月次の稼働状況のレポートを自動で作成することが行われている。
【0003】
例えば、現状の機能（以下、「従来技術」と呼ぶ。）では、ＡＩを利用して、傾向監視、閾値監視及び将来予測が行われる。傾向監視は、稼働データが過去の傾向から外れているか否かを監視する。閾値監視は、稼働データが閾値を超えているか否かを監視する。将来予測は、稼働データが将来閾値を超えてしまう可能性を予測する。
【0004】
従来技術は、傾向監視、閾値監視及び将来予測の結果に基づいて、レポートを自動作成する。レポートから、稼働データが過去の傾向から外れている、稼働データが閾値を超えている、稼働データが将来閾値を超えてしまう可能性がある等、稼働データに異常（特異点）が生じている事実を把握することができる。
【0005】
なお、本発明に関連する公知技術(以下、「関連公知技術」と呼ぶ。)として、以下に述べる特許文献１乃至特許文献３が存在する。
【0006】
特許文献１は、ＡＩを利用した機械設備の異常の予兆診断技術を開示する。この異常の予兆診断技術は、異常予兆の診断対象となるセンサデータ（機械設備に設置されたセンサによって取得されたデータ）について、機械設備が正常に稼働しているときに取得したセンサデータを学習データとして用いて事例モデルを作成し、事例モデルが出力する診断対象のセンサデータの乖離度の大きさを示す異常度の大きさを異常の予兆の診断に用いる。
【0007】
特許文献２は、ＡＩを利用しないで、目的変数データ及び説明変数データを含むデータを分析対象として、説明変数データから目的変数データに影響を与えるイベントのパターンを抽出するデータ解析システムを開示する。
【0008】
特許文献３は、ある分析目的についての分析方法に関し、実事象データ及び分析結果データに基づき、分析方法の分析性能を算出するデータ分析システムを開示する。
【先行技術文献】
【特許文献】
【0009】
【特許文献1】特許第４８３２６０９号公報
【特許文献2】国際公開第２０１７／１６８５２４号
【特許文献3】特開２０１９－１０５９５３号公報
【発明の概要】
【発明が解決しようとする課題】
【0010】
レポートから、稼働データに異常（特異点）が生じている事実のみではなく、異常の発生要因が把握可能（特定可能）になれば、レポートの有用性を向上できる。
【0011】
しかし、従来技術は、異常の発生要因を特定することができず、異常の発生要因を特定可能なレポートを自動作成できない。更に、従来技術は、関連公知技術を適用しても、異常の発生要因を特定することができない。
【0012】
例えば、特許文献１の技術は、分析対象データから異常の予兆（異常の事実）を特定する技術であり、異常の発生要因を特定できない。特許文献２の技術は、分析対象のデータの目的変数データに関し、説明変数データから抽出される相関性の高いイベントパターンを特定する技術であり、異常の発生要因を特定できない。特許文献３の技術は、実事象データを用いてデータを分析することにより、分析方法の分析性能を算出する技術であり異常の発生要因を特定することができない。従って、従来技術は、関連公知技術を適用しても、異常の発生要因を特定することができない。
【0013】
よって、従来技術では、ユーザ（例えばレポート管理者）は、異常の発生要因を手動で調査・特定し、レポートに反映する作業を実施する必要があり、この作業に多大な負担がかかっている。
【0014】
本発明は上記課題を解決するためになされた。即ち、本発明の目的の一つは、稼働データの異常の発生要因を特定可能なレポートを自動で作成できるシステム分析装置及びシステム分析方法を提供することにある。
【課題を解決するための手段】
【0015】
上記課題を解決するために、本発明のシステム分析装置は、分析対象システムから稼働データを取得し前記稼働データを分析する情報処理装置を備えたシステム分析装置であって、前記情報処理装置は、前記稼働データから事象毎に、前記稼働データを入力すると前記事象の発生する可能性の程度を示すパラメータである事象発生パラメータを出力する事象判定モデルが格納された記憶装置を含み、前記情報処理装置は、複数の前記事象判定モデルのそれぞれを使用して、分析対象期間の複数の前記稼働データを含む稼働データ群から前記分析対象期間の事象発生パラメータの時系列データを取得し、前記稼働データ群及び前記事象発生パラメータの時系列データを分析することにより、前記分析対象期間中に前記稼働データに発生した異常を示す特異点に関する情報を含む特異点データと、前記分析対象期間中に前記事象発生パラメータの時系列データに発生した、前記事象が発生していること又は将来的に前記事象が発生する可能性があることを示す事象特異点に関する情報を含む事象特異点データと、を取得し、前記特異点データ及び前記事象特異点データに基づいて、前記稼働データに発生した前記異常を示す情報、及び、前記異常の要因を示す情報を含むレポートを自動作成する、ように構成されている。
【0016】
本発明のシステム分析方法は、分析対象システムから稼働データを取得し前記稼働データを分析する情報処理装置を用い、前記情報処理装置は、前記稼働データから事象毎に、前記稼働データを入力すると前記事象の発生する可能性の程度を示すパラメータである事象発生パラメータを出力する事象判定モデルが格納された記憶装置を含み、前記情報処理装置によって、複数の前記事象判定モデルのそれぞれを使用して、分析対象期間の複数の前記稼働データを含む稼働データ群から前記分析対象期間の事象発生パラメータの時系列データを取得し、前記稼働データ群及び前記事象発生パラメータの時系列データを分析することにより、前記分析対象期間中に前記稼働データに発生した異常を示す特異点に関する情報を含む特異点データと、前記分析対象期間中に前記事象発生パラメータの時系列データに発生した、前記事象が発生していること又は将来的に前記事象が発生する可能性があることを示す事象特異点に関する情報を含む事象特異点データと、を取得し、前記特異点データ及び前記事象特異点データに基づいて、前記稼働データに発生した前記異常を示す情報、及び、前記異常の要因を示す情報を含むレポートを自動作成する。
【発明の効果】
【0017】
本発明によれば、稼働データの異常の発生要因を特定可能なレポートを自動で作成できる。
【図面の簡単な説明】
【0018】
【発明を実施するための形態】
【0019】
<<実施形態>>
以下、本発明の実施形態について図面を参照しながら説明する。
以下、本発明の実施形態について図面を参照しながら説明する。
【0020】
なお、以下の説明では、「テーブル」等の表現にて各種情報を説明することがあるが、各種情報は、これら以外のデータ構造で表現されてもよい。更に、識別情報について説明する際、「ＩＤ」、「名称」、「識別情報」等の表現を用いるが、これらについてはお互いに置換が可能である。更に、以下の説明では、機能ブロックを主語として処理を説明する場合があるが、処理の主語が、機能ブロックに代えて、ＣＰＵとされてもよい。
【0021】
＜構成＞
図１は本発明の実施形態に係るシステム分析装置１００を含むシステムの構成図である。図１に示すように、システムは、システム分析装置１００と、分析対象システム２００と、を含む。システム分析装置１００と分析対象システム２００とは、ネットワークＮＷ１を介して、互いに通信可能に接続されている。分析対象システム２００は、図示しないネットワークを介して接続された複数のサーバを含む。分析対象システム２００の一例は、電子決済サービスを提供するＩＴシステムである。
図１は本発明の実施形態に係るシステム分析装置１００を含むシステムの構成図である。図１に示すように、システムは、システム分析装置１００と、分析対象システム２００と、を含む。システム分析装置１００と分析対象システム２００とは、ネットワークＮＷ１を介して、互いに通信可能に接続されている。分析対象システム２００は、図示しないネットワークを介して接続された複数のサーバを含む。分析対象システム２００の一例は、電子決済サービスを提供するＩＴシステムである。
【0022】
図２はシステム分析装置１００の構成例を示す概略構成図である。図２に示すように、システム分析装置１００は、データの読み出し及び書き込み可能な不揮発性の記憶装置１１０と、メモリ１２０（例えば、ＲＡＭ）と、ＣＰＵ１３０と、入出力インタフェース１４０と、ネットワークインタフェース１５０と、ディスプレイ１６０とを含む。ＣＰＵ１３０、記憶装置１１０、メモリ１２０、入出力インタフェース１４０、ネットワークインタフェース１５０及びバス１６０を含む装置は、便宜上、「情報処理装置」とも称呼される。情報処理装置は、複数の情報処理装置やクラウド上に構築される仮想的な情報処理装置であってもよい。
【0023】
記憶装置１１０は、プログラム１１１、第１データベース１１２、第２データベース１１６及び第３データベース１１８を保持（記憶、格納）している。プログラム１１１は、データ収集部１１１ａ、データ加工部１１１ｂ、事象判定モデル生成部１１１ｃ、システム稼働分析部１１１ｄ及びレポート作成部１１１ｇを含む。システム稼働分析部１１１ｄは、特異点検出部１１１ｅ及び事象発生パラメータ生成部１１１ｆを含む。
【0024】
ＣＰＵ１３０は、記憶装置１１０に格納されたプログラム１１１をメモリ１２０にロードする。ＣＰＵ１３０は、メモリ１２０にロードされたプログラム１１１を実行することによって、データ収集部１１１ａ、データ加工部１１１ｂ、事象判定モデル生成部１１１ｃ、システム稼働分析部１１１ｄ及びレポート作成部１１１ｇの各種機能を実現する。
【0025】
第１データベース１１２は、システム稼働情報１１３、事象情報１１４及びスケジュールパターン１１５を含む。
【0026】
第２データベース１１６は、事象毎に作成された複数の事象判定モデル１１７を含む。
【0027】
第３データベース１１８は、テンプレートコメント１１９を含む。
【0028】
メモリ１２０には、上述したようにＣＰＵ１３０が実行するプログラム１１１がロードされ、ＣＰＵ１３０がプログラム１１１を実行する際に使用するデータが一時的に記憶される。
【0029】
入出力インタフェース１４０は、キーボード及びマウス等の操作デバイス並びにディスプレイ１６０等を接続するためのインタフェースである。ネットワークインタフェース１５０は、システム分析装置１００をネットワークＮＷ１に接続するためのインタフェースである。なお、ディスプレイ１６０は、システム分析装置１００に含まれていなくてもよい。ディスプレイ１６０は、便宜上、「表示装置」とも称呼される場合がある。
【0030】
図３は第１データベース１１２に格納されたシステム稼働情報１１３の一例を説明するための図である。システム稼働情報１１３は、分析対象システム２００に関する、サーバ、ネットワーク等のインフラのメトリクスデータ、アプリケーションのメトリクスデータ、アプリケーションの性能データ等の稼働データを含む複数の稼働情報１１３ｄを含む。
【0031】
稼働情報１１３ｄは、互いに対応付けられた情報であるＩＤと、稼働データＩＤと、稼働データの種類と、検出期間と、検出期間の稼働データ（稼働データの時系列データ）とを含む。ＩＤは、稼働データの収集対象を識別するための識別情報である。稼働データＩＤは、稼働データを識別するための識別情報である。稼働データの種類は、稼働データの種類を示す情報（名称）である。検出期間は、稼働情報１１３ｄの稼働データの検出期間を示す情報である。稼働データは、検出期間における稼働データの種類が示す稼働データの時系列データである。
【0032】
稼働情報１１３ｄに含まれる稼働データの具体例としては、例えば、サーバＩＤに対応するサーバ（ホストマシン）のＣＰＵ使用率、メモリ消費量、ディスク容量、Request per Term、Transaction、Disk I/O等のメトリクスデータの時系列データ等が挙げられる。
【0033】
図４は事象情報１１４の一例を説明するための図である。事象情報１１４は、複数の事象データ１１４ｄを含む。事象データ１１４ｄは、互いに対応付けられた情報である事象ＩＤと、事象の名称と、事象発生時刻（日付時刻）とを含む。事象ＩＤは、事象データを識別するための識別情報である。事象の名称は、事象の種類を示す名称である。事象発生時刻は事象の種類が示す事象が発生している日付時刻（期間）を示す情報である。
【0034】
事象は、「イベント」とも称呼され、システムにおいて生じる事象、システムが提供するサービスにおいて生じる事象、システムが提供するサービスに関連する事象（例えば、サービスの範囲外のサービスに関連する事象）等が含まれる。事象データ１１４ｄは、システム分析装置１００が備える図示しないプログラムとしての事象管理モジュールにより作成される。事象データ１１４ｄは、分析対象システム２００が保持する事象に関するスケジュール情報、システム分析装置１００に入力される事象に関するスケジュール情報に基づいて作成される。
【0035】
事象の例としては、ニュースリリース、キャンペーン、サービス、イベント、一般的なニュース、関係サービスのトラブル及びダウン情報等が挙げられる。
【0036】
例えば、分析対象システム２００が、電子決済サービスを提供するＩＴシステムである場合、事象（イベント）としては、電子決済サービス範囲内のイベント、サービス範囲外のイベント等が挙げられる。電子決済サービスのサービス範囲内のイベントの例としては、例えば、ニュースリリース、Ｗｅｂキャンペーン、店頭キャンペーン、サービス、イベント等が挙げられる。サービス範囲外のイベントの例としては、例えば、電子決済サービスを利用可能なＥＣサイトのダウン及びトラブル、人気商材の発売、ニュースへの掲載、ＳＮＳでの広告効果等が挙げられる。
【0037】
スケジュールパターン１１５としては、平日、週末、混雑時間帯、及び、期末等、分析対象システム２００の稼働パターンを意味のある時間で区切ったものである。スケジュールパターン１１５は、データ収集部１１１ａによって収集されるシステム稼働スケジュール情報及び業務スケジュールに基づいて生成してもよい。スケジュール情報としては、例えば、システム稼働スケジュール情報、業務スケジュール等が挙げられる。システム稼働スケジュールとしては、例えば、分析対象システム２００に対するビジネストランザクションやリクエストには、日時的、曜日的及び年次的な周期性があり、それらのスケジュール等が挙げられる。より具体的には、システム稼働スケジュールとしては、例えば、ビジネストランザクションやリクエストが、週末に増加、休日（前）に増加、営業時間に安定、「朝方、昼休憩時、及び夜間に増加」、給料日に増加、及び、毎年特定のイベント日（クリスマス前など）に増加等を示すスゲジュール情報が挙げられる。業務スケジュールとしては、例えば、ＤＢのバックアップなどの定期メンテナンス業務のスケジュール、期首及び期末のスケジュール、セキュリティアップのスケジュール、夜間バッチのスケジュール、予定表情報（例えば、店頭のキャンペーン実施業務のスケジュール、関連サービスのトラブル対応のスケジュール）等が挙げられる。
【0038】
事象判定モデル１１７は、例えば、ある分析対象期間の稼働データ群を入力として、その分析対象期間の事象が発生する（発生している）可能性の程度を示すパラメータ（以下、「事象発生パラメータ」と称呼される。）の時系列データを出力とする演算モデルである。演算モデルのより具体的な例は、例えば、ある対象期間の稼働データ群を入力すると、その対象期間の事象発生パラメータの時系列データを出力する演算モデル（ＮＮ（Neural Network））である。事象判定モデル１１７は、複数の事象のそれぞれについて作成されている。
【0039】
図５はテンプレートコメント１１９の一例を説明するための図である。図５に示すように、テンプレートコメント１１９は、複数のコメントデータ１１９ｄを含む。コメントデータ１１９ｄは、コメントＩＤと、テンプレート文とを含む。コメントＩＤは、コメントデータ１１９ｄを識別するための識別情報である。テンプレート文は、変数（例えば、Ｘｎ、Ｙｎ、Ｚｎ（ｎは任意の整数）などの変数）を含む定型の文章（コメント）を含む。
【0040】
＜システム分析装置１００の作動の概要＞
システム分析装置１００は、分析対象システム２００から、分析対象システム２００に関するシステム稼働情報１１３、事象情報１１４及びスケジュールパターン１１５（スケジュール情報）を収集し、事象毎の事象判定モデル１１７を生成する。
システム分析装置１００は、分析対象システム２００から、分析対象システム２００に関するシステム稼働情報１１３、事象情報１１４及びスケジュールパターン１１５（スケジュール情報）を収集し、事象毎の事象判定モデル１１７を生成する。
【0041】
システム分析装置１００は、レポート作成するときの分析対象期間のシステム稼働情報１１３から抽出した稼働情報１１３ｄ群の稼働データ群を分析してレポートを作成する。具体的に述べると、事象判定モデル１１７を用いて、稼働データ群から事象判定モデル１１７が判定対象としている事象の事象発生パラメータを算出する。
【0042】
システム分析装置１００は、事象発生パラメータを分析することにより、事象についての特異点データ（以下、「事象特異点データ」と称呼される。）を算出する。事象特異点データは、事象発生パラメータの時系列データに、事象が発生していること又は将来的に事象発生する可能性（リスク）があることを示す特異なパラメータ値（以下、「事象特異点」と称呼される。）に関する情報を含むデータである。なお、事象特異点データの詳細については、後述する。
【0043】
更に、システム分析装置１００は、稼働データ群を分析することにより、稼働データについての特異点データを算出する。なお、特異点データは、分析対象期間の稼働データにおいて、過去の傾向からの逸脱又は将来的なリスク（稼働データの過去の傾向からの将来の逸脱）があることを示す特異なデータ（以下、「特異点」と称呼される。）に関する情報を含む。なお、特異点データの詳細については、後述する。
【0044】
システム分析装置１００は、特異点データ及び事象特異点データ、並びに、テンプレートコメント１１９から抽出した（選択）したコメントデータ１１９ｄを用いて、分析結果を示す情報（異常の発生要因を示す情報）を含むレポートを作成する。これにより、システム分析装置１００は、稼働データの異常の発生要因を特定可能なレポートを自動で作成できる。
【0045】
（事象判定モデルの生成の概要）
図６Ａは事象判定モデル１１７の生成の概要を説明するためのブロック図である。図６Ａに示すように、データ収集部１１１ａは、逐次、分析対象システム２００からシステム稼働情報１１３及び事象情報１１４及びスケジュール情報を取得し、システム稼働情報１１３、事象情報１１４及びスケジュール情報に基づくスケジュールパターン１１５を第１データベース１１２に格納する。
図６Ａは事象判定モデル１１７の生成の概要を説明するためのブロック図である。図６Ａに示すように、データ収集部１１１ａは、逐次、分析対象システム２００からシステム稼働情報１１３及び事象情報１１４及びスケジュール情報を取得し、システム稼働情報１１３、事象情報１１４及びスケジュール情報に基づくスケジュールパターン１１５を第１データベース１１２に格納する。
【0046】
データ加工部１１１ｂは、第１データベース１１２からシステム稼働情報１１３及び事象情報１１４を取得し、事象判定モデル１１７の生成に必要なデータである学習用データセットＤｓ１を作成する。
【0047】
学習用データセットＤｓ１は、例えば、以下に述べる情報を含む。
・事象が発生している期間に特異点が発生していた稼働データ（事象発生時の教師データ。）。なお、事象が発生している期間に特異点が発生していた稼働データは、事象に関係している稼働データと考えることができるので、これを事象発生時の教師データとする。
・事象が発生していない期間であって、特異点が発生していなかった期間の事象発生時の教師データの稼働データ種に対応する稼働データ（事象非発生時の教師データ。）。
・事象が発生している期間に特異点が発生していた稼働データ（事象発生時の教師データ。）。なお、事象が発生している期間に特異点が発生していた稼働データは、事象に関係している稼働データと考えることができるので、これを事象発生時の教師データとする。
・事象が発生していない期間であって、特異点が発生していなかった期間の事象発生時の教師データの稼働データ種に対応する稼働データ（事象非発生時の教師データ。）。
【0048】
なお、本例では、事象判定モデル１１７が出力する事象判定パラメータの精度をより向上するために、スケジュールパターン１１５が同一の稼働データを、事象発生時の教師データ及び事象非発生時の教師データとして用いるが、後述の変形例で説明するように、スケジュールパターン１１５が同一ではない稼働データを事象発生時の教師データ及び事象非発生時の教師データとして用いてもよい。
【0049】
データ加工部１１１ｂは、学習用データセットＤｓ１を、事象判定モデル生成部１１１ｃに出力する。事象判定モデル生成部１１１ｃは、学習用データセットＤｓ１を用いて、機械学習（例えば、ディープラーニング）を行うことにより、事象毎の事象判定モデル１１７を作成する。
【0050】
事象判定モデル生成部１１１ｃは、作成した事象判定モデル１１７を第２データベース１１６に格納する。
【0051】
なお、このような事象判定モデル１１７は、周知のＶＱＣ（Vector Quantization Clustering（ベクトル量子化クラスタリング））を利用して、作成できる。即ち、簡単に説明すると、事象非発生時の稼働データ及び事象発生時の稼働データを教師データとして用いて、機械学習により、事象非発生時の稼働データを含み、事象発生時の稼働データを含まないクラスタ半径ｒ１を持つクラスタを作成し、入力された稼働データをクラスタ領域にプロットした際の、クラスタの中心からの距離ｒ２を計算し出力する事象判定モデル１１７を作成する。
【0052】
作成された事象判定モデル１１７は、稼働データ群が入力されると、事象に関係する稼働データに最も近いクラスタを探索し、見つけたクラスタと稼働データとの間の距離（距離ｒ２）を計算する。クラスタとの距離が大きいほど、事象が発生している可能性が高いことを示し、クラスタとの距離が小さいほど、事象が発生している可能性が低いことを示す。事象判定モデル１１７は、この距離に基づいて計算された事象発生パラメータを出力する。図６Ｂは、ある分析対象期間の事象発生パラメータを示すグラフの一例を示す。このグラフでは、横軸が時刻であり、縦軸が事象発生パラメータの大きさを示す。上述したように、事象発生パラメータが大きいほど、事象が発生している可能性が高くなることを示す。
【0053】
（レポート作成の概要）
図７はレポート作成の概要を説明するためのブロック図である。図７に示すように、システム稼働分析部１１１ｄは、分析対象期間のシステム稼働情報１１３（稼働情報１１３ｄ群）を取得する。
図７はレポート作成の概要を説明するためのブロック図である。図７に示すように、システム稼働分析部１１１ｄは、分析対象期間のシステム稼働情報１１３（稼働情報１１３ｄ群）を取得する。
【0054】
システム稼働分析部１１１ｄの特異点検出部１１１ｅは、分析対象期間の稼働情報１１３ｄ群の稼働データを周知のＶＱＣを利用したＡＩ分析処理により分析することによって、特異点データＤ１１を取得する。
【0055】
簡単にその説明を述べると、特異点検出部１１１ｅは、事前のＡＩ学習により、正常な稼働データを、類似したデータの集まりであるクラスタに分類する。特異点検出部１１１ｅは、分析対象期間の稼働データに最も近いクラスタを探索し、見つけたクラスタと稼働データとの間の距離を計算する。距離が小さいほど正常である可能性が高い（異常である可能性が低い）ことを示し、距離が大きいほど正常である可能性が低い（異常である可能性が高い）ことを示す。特異点検出部１１１ｅは、このように計算された距離、その他必要な情報及びアルゴリズムを利用して、特異点データＤ１１を取得する。
【0056】
特異点データＤ１１は、上述したように、分析対象期間の稼働データにおいて、過去の傾向からの逸脱又は将来的なリスク（稼働データの過去の傾向からの将来の逸脱）があることを示す特異点に関する情報を含むデータである。
【0057】
特異点データＤ１１は、例えば、以下に述べる情報を含む。
・特異点が存在している稼働データの種類（種類群）を示す識別情報
・特異点として検出された稼働データの数値
・特異点が検出された時刻（日付時刻）を示す情報
・特異点の種別を示す情報
・特異点が存在している稼働データの種類（種類群）を示す識別情報
・特異点として検出された稼働データの数値
・特異点が検出された時刻（日付時刻）を示す情報
・特異点の種別を示す情報
【0058】
特異点の種別を示す情報は、例えば、以下に述べる情報である。
・過去の傾向と比較して高い（通常時より高い）
・過去の傾向と比較して低い（通常時より低い）
・ユーザが指定した閾値より低い
・ユーザが指定した閾値より低い
・将来数値が上昇して閾値を超えるリスクあり
・将来数値が上昇して閾値を下回るリスクあり
・過去の傾向と比較して高い（通常時より高い）
・過去の傾向と比較して低い（通常時より低い）
・ユーザが指定した閾値より低い
・ユーザが指定した閾値より低い
・将来数値が上昇して閾値を超えるリスクあり
・将来数値が上昇して閾値を下回るリスクあり
【0059】
特異点検出部１１１ｅは、特異点データＤ１１をレポート作成部１１１ｇに出力する。
【0060】
事象発生パラメータ生成部１１１ｆは、第２データベース１１６から事象判定モデル１１７を取得する。事象発生パラメータ生成部１１１ｆは、稼働データ群を事象判定モデル１１７に入力し、事象判定モデル１１７に事象発生パラメータを出力させることによって、事象毎の分析対象期間の事象発生パラメータの時系列データＤ１２を算出する。即ち、事象発生パラメータ生成部１１１ｆは、複数の事象判定モデル１１７のそれぞれが出力する複数の事象のそれぞれに関する事象発生パラメータの時系列データＤ１２（分析対象期間の事象発生パラメータの時系列データＤ１２）のセットを取得する。
【0061】
更に、事象発生パラメータ生成部１１１ｆは、分析対象期間の事象発生パラメータの時系列データＤ１２を分析することにより、事象特異点データＤ１３を取得する。
【0062】
事象特異点データＤ１３は、事象発生パラメータの時系列データＤ１２において、事象が発生していること又は将来的に事象が発生する（可能性がある）ことを示す事象特異点に関する情報を含むデータである。事象特異点データＤ１３は、例えば、以下に述べる情報を含む。
・事象の種類を示す情報
・事象特異点が検出された時刻（日付時刻）を示す情報
・事象特異点の種別を示す情報
・事象の種類を示す情報
・事象特異点が検出された時刻（日付時刻）を示す情報
・事象特異点の種別を示す情報
【0063】
事象特異点の種別を示す情報は、例えば、以下に述べる情報を含む。
・事象が発生している可能性が高い
・事象が発生している可能性が低い
・事象が将来発生する可能性が高い
・事象が将来発生する可能性が低い
事象発生パラメータ生成部１１１ｆは、事象発生パラメータを分析することにより、事象特異点データＤ１３を計算する。
・事象が発生している可能性が高い
・事象が発生している可能性が低い
・事象が将来発生する可能性が高い
・事象が将来発生する可能性が低い
事象発生パラメータ生成部１１１ｆは、事象発生パラメータを分析することにより、事象特異点データＤ１３を計算する。
【0064】
簡単にその説明を述べると、事象発生パラメータ生成部１１１ｆは、事前のＡＩ学習により、事象非発生時の事象発生パラメータを、類似したデータの集まりであるクラスタに分類する。事象発生パラメータ生成部１１１ｆは、分析対象期間の事象発生パラメータに最も近いクラスタを探索し、見つけたクラスタと事象発生パラメータとの間の距離を計算する。距離が小さいほど事象が発生している可能性が低いことを示し、距離が大きいほど事象が発生している可能性が高いことを示す。事象発生パラメータ生成部１１１ｆは、このように計算された距離、その他必要な情報及びアルゴリズムを利用して、事象特異点データＤ１３を取得する。事象発生パラメータ生成部１１１ｆは、事象特異点データＤ１３をレポート作成部１１１ｇに出力する。
【0065】
レポート作成部１１１ｇは、特異点データＤ１１及び事象特異点データＤ１３に基づいて、その他適宜必要な情報を用いて、レポートを作成する。
【0066】
ここで、分析対象期間の稼働データに特異点が発生している場合において、同一の分析対象期間の事象発生パラメータに事象特異点が発生している場合、その稼働データの特異点は、その事象特異点が要因として発生したと推定できる。
【0067】
従って、レポート作成部１１１ｇは、これを利用して、稼働データの異常の要因を示す情報を含めたレポートを作成する。即ち、レポート作成部１１１ｇは、分析対象期間の稼働データに異常（特異点）が発生している場合、同一の分析対象期間の事象特異点の事象特異点データＤ１３に基づいて、特異点の要因を示す情報（例えば、事象の種類を示す情報、事象特異点が検出された時刻（日付時刻）を示す情報、事象特異点の種別を示す情報）を含めたレポートを作成する。
【0068】
具体的に述べると、レポート作成部１１１ｇは、第３データベース１１８からテンプレートコメント１１９を取得する。レポート作成部１１１ｇは、稼働データの特異点に関する情報及びその特異点の要因となる事象特異点に関する情報に基づいて、テンプレートコメント１１９のコメントデータ１１９ｄの中から適切なコメントデータ１１９ｄを選択する。
【0069】
例えば、レポート作成部１１１ｇは、コメントＩＤと特異点の要因となる事象特異点に関する情報（例えば、事象の種類を示す情報及び事情の種別を示す情報）と稼働データの特異点に関する情報（例えば、特異点が存在している稼働データの種類（種類群）を示す識別情報及び特異点の種別を示す情報）とが対応付けられた図示されない管理テーブルを有している。レポート作成部１１１ｇは、この管理テーブルを参照して、特異点に関する情報及び事象特異点に関する情報に対応するコメントデータ１１９ｄを選択する。
【0070】
レポート作成部１１１ｇは、稼働データの特異点に関する情報及びその特異点の要因となる事象特異点に関する情報から必要な情報を抽出し、抽出した情報を、選択したコメントデータ１１９ｄの変数に代入する。これにより、レポート作成部１１１ｇは、稼働データの特異点（異常）の要因を含むコメント文（異常コメント）を作成する。レポート作成部１１１ｇは、作成したコメント文、及び、その他レポートの作成に必要な情報を用いて、作成したコメント文（異常コメント）を含めたレポートを作成する。レポート作成部１１１ｇは、レポートを出力する。レポートは、例えば、ディスプレイ１６０に出力され表示される。レポートは、システム分析装置１００からネットワークＮＷ１等を介して、図示しない端末に出力され、端末が備えるディスプレイに表示されてもよい。
【0071】
なお、分析対象期間の稼働データに異常（特異点）が発生している場合において、同一の分析対象期間の事象特異点が存在しない場合もある。この場合、レポート作成部１１１ｇは、異常の発生要因がわからなかったことを示す情報を含めたレポートを作成してもよい。
【0072】
以上がシステム分析装置１００の作動の概要である。
【0073】
＜具体的作動＞
（事象判定モデル生成処理）
図８は事象判定モデル生成部１１１ｃが実行する事象判定モデル生成処理の処理フローを示すフローチャートである。なお、図８に示すフローチャートは、ある事象Ａについての事象判定モデル１１７を生成する場合の処理フローを示すフローチャートである。事象判定モデル生成部１１１ｃは、事象Ａについての事象判定モデル１１７を生成する場合と同様に、事象Ａ以外の他の複数の事象のそれぞれについての事象判定モデル１１７を生成する。
（事象判定モデル生成処理）
図８は事象判定モデル生成部１１１ｃが実行する事象判定モデル生成処理の処理フローを示すフローチャートである。なお、図８に示すフローチャートは、ある事象Ａについての事象判定モデル１１７を生成する場合の処理フローを示すフローチャートである。事象判定モデル生成部１１１ｃは、事象Ａについての事象判定モデル１１７を生成する場合と同様に、事象Ａ以外の他の複数の事象のそれぞれについての事象判定モデル１１７を生成する。
【0074】
事象判定モデル生成部１１１ｃは、図８のステップ８００から処理を開始して以下に述べるステップ８０５乃至ステップ８３５の処理を順に実行した後、ステップ８９５に進んで本処理フローを一旦終了する。
【0075】
ステップ８０５：事象判定モデル生成部１１１ｃは、第１データベース１１２からある一つの事象Ａの事象発生期間を含む事象データ１１４ｄを取得する。
【0076】
ステップ８１０：事象判定モデル生成部１１１ｃは、システム稼働分析部１１１ｄから以下に述べるデータを取得する。
・事象発生期間内の特異点データ
・事象発生期間のスケジュールパターン（本例では、パターンＡ）
・事象発生期間内の特異点データ
・事象発生期間のスケジュールパターン（本例では、パターンＡ）
【0077】
なお、スケジュールパターンは、上述したように、平日、週末、混雑時間帯、期末などの分析対象システム２００の稼働パターンを意味のある期間で区切ったものである。本例において、例えば、平日及び週末の何れかと、混雑時間帯及び通常時間帯何れかとの組み合わせである。パターンＡは、例えば、平日、且つ、混雑時間帯である。
【0078】
なお、特異点データは、特異点検出部１１１ｅが稼働データに対して上述したＡＩ分析処理を行うことにより取得される。
【0079】
ステップ８１５：事象判定モデル生成部１１１ｃは、第１データベース１１２に格納されているシステム稼働情報１１３（数ある複数の稼働情報１１３ｄ群）の中から、事象Ａの事象発生期間内に特異点データが発生していた稼働データ種（例えば、メトリクスＡ）の稼働データを抽出する。事象判定モデル生成部１１１ｃは、抽出した稼働データから、事象Ａの事象発生期間のメトリクスＡの稼働データ（事象発生期間のメトリクスＡの時系列データ）を抽出し、抽出した事象発生期間のメトリクスＡの時系列データを教師データ（事象発生時の教師データ）とする。なお、教師データとして抽出される稼働データは、複数種の稼働データであってもよい。例えば、仮に事象発生期間内に特異点データが発生していた稼働データが、メトリクスＡの稼働データ及びメトリクスＢの稼働データである場合、事象発生期間のメトリクスＡの稼働データ及び事象発生期間のメトリクスＢの稼働データが、事象発生時の教師データとして抽出される。
【0080】
ステップ８２０：事象判定モデル生成部１１１ｃは、システム稼働分析部１１１ｄから以下の条件に合致する稼働データを取得する。即ち、事象判定モデル生成部１１１ｃは、システム稼働分析部１１１ｄから過去に特異点が存在しなかったパターンＡの期間の稼働データ群を取得する（抽出する。）。
【0081】
ステップ８２５：事象判定モデル生成部１１１ｃは、ステップ８２０にて取得した（抽出した）稼働データ群のうち、メトリクスＡに該当する稼働データを、教師データ（事象非発生時の教師データ）とする。
【0082】
ステップ８３０：事象判定モデル生成部１１１ｃは、事象発生時の教師データと、事象非発生時の教師データとをＡＩで分析し、演算モデルが事象発生時に数値が高くなり、事象非発生時に数値が低くでるような事象発生パラメータを出力するように学習を実行する。
【0083】
ステップ８３５：事象判定モデル生成部１１１ｃは、学習の結果得られた演算モデルを、事象Ａについての事象判定モデル１１７として、第２データベース１１６に格納する。
【0084】
（レポート作成処理）
図９はレポート作成部１１１ｇが実行するレポート作成処理の処理フローを示すフローチャートである。レポート作成部１１１ｇは、図９のステップ９００から処理を開始し、以下に述べるステップ９０５乃至ステップ９３５の処理を順に実行した後、ステップ９９５に進んで本処理フローを一旦終了する。
図９はレポート作成部１１１ｇが実行するレポート作成処理の処理フローを示すフローチャートである。レポート作成部１１１ｇは、図９のステップ９００から処理を開始し、以下に述べるステップ９０５乃至ステップ９３５の処理を順に実行した後、ステップ９９５に進んで本処理フローを一旦終了する。
【0085】
ステップ９０５：レポート作成部１１１ｇは、第１データベース１１２から、分析対象期間の稼働情報１１３ｄ群を収集する。
【0086】
ステップ９１０：レポート作成部１１１ｇは、第２データベース１１６から、全ての事象判定モデル１１７を取得する。
【0087】
ステップ９１５：レポート作成部１１１ｇは、事象発生パラメータ生成部１１１ｆに図１０のフローチャートにより示される後述の事象発生パラメータ算出処理を実行させることにより、各事象判定モデル１１７に分析対象期間の稼働情報１１３ｄ群の稼働データ群を投入し、事象判定モデル１１７毎に、事象発生パラメータの時系列データを算出する。なお、事象発生パラメータ算出処理の詳細は、後述する。
【0088】
ステップ９２０：レポート作成部１１１ｇは、分析対象期間の稼働データ及びステップ９１５で算出した事象発生パラメータの時系列データを用いて、システム稼働分析を行うことにより、以下の情報を取得する。
・特異点データ
・事象特異点データ
・特異点データ
・事象特異点データ
【0089】
具体的に述べると、レポート作成部１１１ｇは、特異点検出部１１１ｅに図１１のフローチャートにより示される後述の特異点データ算出処理（特異点分析処理）を実行させることにより、特異点データを算出する。なお、特異点分析処理の詳細は、後述する。
【0090】
更に、レポート作成部１１１ｇは、事象発生パラメータの時系列データを分析することにより、事象特異点データを取得する。
【0091】
ステップ９２５：レポート作成部１１１ｇは、特異点データ及び事象特異点データに基づいて、第３データベース１１８からテンプレートコメント１１９（コメントデータ１１９ｄ）を取得する。
【0092】
ステップ９３０：レポート作成部１１１ｇは、上述したように、ステップ９２０で取得した特異点データ及び事象特異点データをテンプレートコメント（コメントデータ１１９ｄ）にマッピング（適用する）ことにより、異常コメントを作成する。
【0093】
ステップ９３５：レポート作成部１１１ｇは、分析対象期間の稼働データ、各事象に対する事象発生パラメータ及び異常コメントを集約してレポートを作成する。
【0094】
（事象発生パラメータ算出処理）
図１０は事象発生パラメータ生成部１１１ｆが実行する上述の事象発生パラメータ算出処理の処理フローを示すフローチャートである。事象発生パラメータ生成部１１１ｆは、図１０のステップ１０００から処理を開始して、以下に述べるステップ１００５乃至ステップ１０２０の処理を順に実行した後、ステップ１０９５に進んで本処理フローを一旦終了する。
図１０は事象発生パラメータ生成部１１１ｆが実行する上述の事象発生パラメータ算出処理の処理フローを示すフローチャートである。事象発生パラメータ生成部１１１ｆは、図１０のステップ１０００から処理を開始して、以下に述べるステップ１００５乃至ステップ１０２０の処理を順に実行した後、ステップ１０９５に進んで本処理フローを一旦終了する。
【0095】
ステップ１００５：事象発生パラメータ生成部１１１ｆは、稼働情報１１３ｄ群を取得する。
【0096】
ステップ１０１０：事象発生パラメータ生成部１１１ｆは、図示しない事象判定モデル管理テーブルを参照して、数ある稼働情報１１３ｄ群の稼働データ群から、事象判定に必要なある事象に関係する稼働データ種の稼働データを抽出する。なお、事象判定モデル管理テーブルには、各事象判定モデルについて、事象判定モデル１１７を識別するための事象判定モデルＩＤと、事象の名称と、事情判定に用いる（必要な）稼働データの種類と、が互いに対応づけられて格納されている。
【0097】
ステップ１０１５：事象発生パラメータ生成部１１１ｆは、抽出した稼働データをＡＩにより分析する。即ち、事象発生パラメータ生成部１１１ｆは、抽出した稼働データを事象判定モデルに入力する。
【0098】
ステップ１０２０：事象発生パラメータ生成部１１１ｆは、事象判定モデル１１７によって、分析対象期間の事象発生パラメータの時系列データを算出する。
【0099】
（特異点データ算出処理）
図１１は、特異点検出部１１１ｅが実行する上述の特異点データ算出処理の処理フローを示すフローチャートである。特異点検出部１１１ｅは、図１１のステップ１１００から処理を開始して以下に述べるステップ１１０５乃至ステップ１１１５の処理を順に実行した後、ステップ１１９５に進んで本処理フローを一旦終了する。
図１１は、特異点検出部１１１ｅが実行する上述の特異点データ算出処理の処理フローを示すフローチャートである。特異点検出部１１１ｅは、図１１のステップ１１００から処理を開始して以下に述べるステップ１１０５乃至ステップ１１１５の処理を順に実行した後、ステップ１１９５に進んで本処理フローを一旦終了する。
【0100】
ステップ１１０５：特異点検出部１１１ｅは、分析対象期間の稼働データ群を取得する。
【0101】
ステップ１１１０：特異点検出部１１１ｅは、ＡＩ分析処理を実行することにより、分析対象期間の稼働データ群について、特異点が生じている稼働データが存在するか否かを判定する。即ち、稼働データに、過去の傾向からの逸脱、将来的なリスク（稼働データの過去の傾向からの将来の逸脱）があるかことを示す特異点が生じているか否かを判定する
ステップ１１１５：特異点検出部１１１ｅは、ステップ１１１０のＡＩ分析処理により、特異点が生じていると判定した場合、特異点データを作成する。
ステップ１１１５：特異点検出部１１１ｅは、ステップ１１１０のＡＩ分析処理により、特異点が生じていると判定した場合、特異点データを作成する。
【0102】
図１２は、レポート作成部１１１ｇによって作成されたレポートＲＰ１をディスプレイ１６０に表示した画面の一例を示す。
【0103】
画面ＧＭ１は、レポートＲＰ１を含む。レポートＲＰ１は、分析結果を示すグラフ１２０１と、異常コメント１２０２とを含む。グラフ１２０１は、ＡＩ分析により想定される稼働データの数値範囲（過去の傾向に基づく通常の数値範囲）、異常判定基準となる閾値を示す線と、稼働データの変化を示す線とを含む。異常コメント１２０２は、ステップ９３０にて作成した下記の異常コメントである。
・２０２２年１月２９日１０時からの１時間。想定を上回るＲｅｑｕｅｓｔ ｐｅｒ Ｔｅｒｍが発生しています。弊社のシステムに関係するキャンペーンの実施が影響している可能性があります。
・２０２２年１月２９日１０時からの１時間。想定を上回るＲｅｑｕｅｓｔ ｐｅｒ Ｔｅｒｍが発生しています。弊社のシステムに関係するキャンペーンの実施が影響している可能性があります。
【0104】
この異常コメント１２０２は、稼働データの異常を示す情報として、異常が発生した日付時刻及び発生時間を示す情報（２０２２年１月２９日１０時からの１時間）、稼働データの過去の傾向からの逸脱を示す情報（想定を上回るＲｅｑｕｅｓｔ ｐｅｒ Ｔｅｒｍが発生しています）を含む。更に、この異常コメント１２０２は、稼働データに発生した異常の要因を示す情報として、発生している事象を示す情報（弊社のシステムに関係するキャンペーンの実施が影響している可能性があります）を含む。このような異常コメント１２０２がレポートＲＰ１に含まれることにより、これを見たユーザは、容易に稼働データの異常の要因を把握することができる。
【0105】
なお、異常コメントの他の例としては、以下に説明する異常コメントの他の例が挙げられる。異常コメントの他の例は、稼働データ群を分析することにより取得された特異点データ及び事象特異点データに基づいて、テンプレートコメント１１９を使用して作成することができる。
【0106】
異常コメントの他の例は、稼働データに発生した異常を示す情報として、稼働データの過去の傾向からの逸脱、稼働データの過去の傾向からの将来の逸脱を示す情報等を含み、稼働データに発生した異常の要因を示す情報として、発生している事象を示す情報、将来的に発生する事象を示す情報、発生した可能性のある事象等を含む。
【0107】
例えば、稼働データの過去の傾向からの逸脱を示す情報及び発生している事象を示す情報を含む異常コメントの例としては、下記が挙げられる。
・２０２２年８月６日２１時からの１時間。想定を下回るＤｉｓｋ Ｉ／Ｏの増加と使用メモリ量の増加とページフォールトが発生しています。物理メモリの増加によるスラッシングが発生している可能性があります。
・２０２３年１０月３日１０時からの１時間。想定を上回る弊社ＷｅｂサイトのＲｅｑｕｅｓｔ ｐｅｒ Ｔｅｒｍが発生しています。弊社のシステムに関係するキャンペーンの実施が影響している可能性があります。
・２０２４年３月２４日１３時からの１時間。想定を下回るビジネストランザクションが発生しています。弊社のシステムに関係する事象は見当たりませんでした。関係サービスにトラブルがあった可能性があります。２０２３年１０月５日１４時からの１時間、同様の現象が見られました。
・２０２３年１０月５日１４時からの１時間。想定を上回るＲｅｑｕｅｓｔ ｐｅｒ Ｔｅｒｍが発生しています。弊社のシステムに関係する事象は見当たりませんでした。第三者機関の広告が影響している可能性があります。
・２０２２年８月６日２１時からの１時間。想定を下回るＤｉｓｋ Ｉ／Ｏの増加と使用メモリ量の増加とページフォールトが発生しています。物理メモリの増加によるスラッシングが発生している可能性があります。
・２０２３年１０月３日１０時からの１時間。想定を上回る弊社ＷｅｂサイトのＲｅｑｕｅｓｔ ｐｅｒ Ｔｅｒｍが発生しています。弊社のシステムに関係するキャンペーンの実施が影響している可能性があります。
・２０２４年３月２４日１３時からの１時間。想定を下回るビジネストランザクションが発生しています。弊社のシステムに関係する事象は見当たりませんでした。関係サービスにトラブルがあった可能性があります。２０２３年１０月５日１４時からの１時間、同様の現象が見られました。
・２０２３年１０月５日１４時からの１時間。想定を上回るＲｅｑｕｅｓｔ ｐｅｒ Ｔｅｒｍが発生しています。弊社のシステムに関係する事象は見当たりませんでした。第三者機関の広告が影響している可能性があります。
【0108】
例えば、稼働データの過去の傾向からの将来的な逸脱を示す情報及び発生している事象を示す情報を含む異常コメントの例としては、下記が挙げられる。
・２０２２年８月６日２１時に発生した物理メモリの増加によるスラッシングが再発生する可能性が増加傾向にあります。１ヶ月後に発生する可能性があります。
・２０２２年８月６日２１時に発生した物理メモリの増加によるスラッシングが再発生する可能性が増加傾向にあります。１ヶ月後に発生する可能性があります。
【0109】
例えば、稼働データの過去の傾向からの逸脱を示す情報及び発生した可能性のある事象を示す情報含む異常コメントの例としては、下記が挙げられる。
・２０２３年１０月５日１４時からの１時間。想定を下回るビジネストランザクションが発生しています。弊社のシステムに関係する事象は見当たりませんでした。関係サービスにトラブルがあった可能性があります。
・２０２３年１０月５日１４時からの１時間。想定を上回るビジネストランザクションが発生しています。弊社のシステムに関係する事象は見当たりませんでした。商品の発売日など、購買意欲を向上させる事象が発生した可能性があります。
・２０２３年１０月５日１４時からの１時間。想定を下回るビジネストランザクションが発生しています。弊社のシステムに関係する事象は見当たりませんでした。関係サービスにトラブルがあった可能性があります。
・２０２３年１０月５日１４時からの１時間。想定を上回るビジネストランザクションが発生しています。弊社のシステムに関係する事象は見当たりませんでした。商品の発売日など、購買意欲を向上させる事象が発生した可能性があります。
【0110】
＜効果＞
以上説明したように、本発明の実施形態に係るシステム分析装置１００は、稼働データの異常の発生要因を特定可能なレポートを自動で作成できる。システム分析装置１００は、稼働データを分析することにより、稼働データの異常の特定（検知）のみではなく、異常の要因（原因）までも自動的に特定し、異常の要因を示す情報を含めたレポートを自動で作成できる。
以上説明したように、本発明の実施形態に係るシステム分析装置１００は、稼働データの異常の発生要因を特定可能なレポートを自動で作成できる。システム分析装置１００は、稼働データを分析することにより、稼働データの異常の特定（検知）のみではなく、異常の要因（原因）までも自動的に特定し、異常の要因を示す情報を含めたレポートを自動で作成できる。
【0111】
更に、システム分析装置１００は、異常の発生要因として特定したい事象についての事象判定モデル１１７を生成しさえすれば、それを利用して異常の発生要因としての事象を特定できる。従って、システム分析装置１００は、異常の発生要因として特定したい事象に制限はなく様々な事象を異常の発生要因として特定できるので、質のよいレポートを作成できる。
【0112】
更に、システム分析装置１００は、学習により事象判定モデルの精度を向上できるので、精度の高いレポートを作成できる。
【0113】
更に、従来では、稼働データに異常（特異点）が生じていることがわかった場合に、経験者が、特異点が生じている稼働データ及びこれに関連するデータを見て（詳細に分析して）、その原因を特定する必要があり、異常の原因を含めたレポートの作成に、非常に手間がかかってしまっていた。一方、システム分析装置１００は、異常の原因までも特定したレポートを自動的に作成できるので、異常の原因を特定したレポート作成について属人性を排除できる。従って、システム分析装置１００は、今後人手不足が予想される中、サステナブルなレポート作成手法を提供する価値がある装置として、利用されることができる。
【0114】
<<変形例>>
本発明は上記実施形態に限定されることなく、本発明の範囲内において種々の変形例を採用することができる。
本発明は上記実施形態に限定されることなく、本発明の範囲内において種々の変形例を採用することができる。
【0115】
例えば、上記実施形態において、稼働データ群から事象判定モデル１１７が対象とする事象に関係する稼働データを抽出し、事象判定モデル１１７に入力して、事象発生パラメータを計算するようにしたが、次のように事象発生パラメータが計算されるようにしてもよい。即ち、稼働データ群が事象判定モデル１１７に入力され、その事象判定モデル１１７の中で対象とする事象に関係する稼働データが抽出され、抽出された事象に関係する稼働データに基づく事象発生パラメータが計算されるようにしてもよい。
【0116】
例えば、上記実施形態において、スケジュールパターン１１５が同一ではない稼働データが、事象発生時の教師データ及び事象非発生時の教師データとして使用されてもよい。
【0117】
例えば、上記実施形態において、外部から入力された事象判定モデル１１７が第２データベース１１６に格納されるようにしてもよい。
【符号の説明】
【0118】
１００…システム分析装置、２００…分析対象システム、１１０…記憶装置、１１１…プログラム、１１１ａ…データ収集部、１１１ｂ…データ加工部、１１１ｃ…事象判定モデル生成部、１１１ｄ…システム稼働分析部、１１１ｅ…特異点検出部、１１１ｆ…事象発生パラメータ生成部、１１１ｇ…レポート作成部、１１２…第１データベース、１１３…システム稼働情報、１１４…事象情報、１１５…スケジュールパターン、１１６…第２データベース、１１７…事象判定モデル、１１８…第３データベース、１１９…テンプレートコメント、１２０…メモリ、１３０…ＣＰＵ、１４０…入出力インタフェース、１５０…ネットワークインタフェース、１６０…ディスプレイ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6A】
【図6B】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】