知財求人 - 知財ポータルサイト「IP Force」
(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】P2023079086
(43)【公開日】2023-06-07
(54)【発明の名称】モデル管理システム、方法、およびプログラム
(51)【国際特許分類】
G06F 8/60 20180101AFI20230531BHJP
【ＦＩ】
G06F8/60
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2021192520
(22)【出願日】2021-11-26
(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】110000279
【氏名又は名称】弁理士法人ウィルフォート国際特許事務所
(72)【発明者】
【氏名】水野 和彦
(72)【発明者】
【氏名】坂田 匡通
(72)【発明者】
【氏名】石井 陽介
【テーマコード（参考）】
5B376
【Ｆターム（参考）】
5B376AA07
5B376AA14
5B376AA32
5B376AB12
5B376BA16
5B376BC09
(57)【要約】
【課題】アプリケーションを構成するソフトウェアの処理性能を評価するための予測モデルを効率よく管理することを可能にする。
【解決手段】アプリケーションを構成するソフトウェアのデプロイ先における処理性能を予測する予測モデルを管理するモデル管理システムが、同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶するモデル管理テーブルと、前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶するデータ管理テーブルと、予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出する構成比較部と、前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとするモデル作成部と、を有する。
【選択図】図４
【解決手段】アプリケーションを構成するソフトウェアのデプロイ先における処理性能を予測する予測モデルを管理するモデル管理システムが、同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶するモデル管理テーブルと、前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶するデータ管理テーブルと、予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出する構成比較部と、前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとするモデル作成部と、を有する。
【選択図】図４
【特許請求の範囲】
【請求項1】
アプリケーションを構成するソフトウェアのデプロイ先における処理性能を予測する予測モデルを管理するモデル管理システムであって、
同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶するモデル管理テーブルと、
前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶するデータ管理テーブルと、
予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出する構成比較部と、
前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとするモデル作成部と、
を有するモデル管理システム。
同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶するモデル管理テーブルと、
前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶するデータ管理テーブルと、
予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出する構成比較部と、
前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとするモデル作成部と、
を有するモデル管理システム。
【請求項2】
前記第１共通モデルが作成されたときに該共通モデルによって処理性能の予測が行われたソフトウェアのデプロイ先はオンプレミスのコンピュータであり、
前記対象ソフトウェアのデプロイ先はパブリッククラウドのコンピュータである、
請求項１に記載のモデル管理システム。
前記対象ソフトウェアのデプロイ先はパブリッククラウドのコンピュータである、
請求項１に記載のモデル管理システム。
【請求項3】
前記予測モデルは、演算処理に供されるリソースのリソース量に関する説明変数に基づいて、前記演算処理の処理性能を表す目的変数を算出する回帰式である、
請求項２に記載のモデル管理システム。
請求項２に記載のモデル管理システム。
【請求項4】
前記構成比較部は、前記第１構成情報に含まれるリソース量の範囲が前記第２構成情報に含まれるリソース量の取り得る範囲よりも広い場合、前記第１構成情報を、前記第２構成情報に含まれるリソース量の範囲に制限し、前記第２構成情報と、前記制限された第１構成情報との差分を抽出し、
前記モデル作成部は、前記制限された第１構成情報と、前記第１構成情報を制限して抽出された差分とに基づいて前記第２共通モデルを作成する、請求項３に記載のモデル管理システム。
前記モデル作成部は、前記制限された第１構成情報と、前記第１構成情報を制限して抽出された差分とに基づいて前記第２共通モデルを作成する、請求項３に記載のモデル管理システム。
【請求項5】
前記パブリッククラウドのコンピュータは、前記オンプレミスのコンピュータでは提供されない固有のコンピューティングサービスである固有サービスを提供し、前記固有サービスを利用して前記パブリッククラウドに前記対象ソフトウェアをデプロイする場合、
前記モデル作成部は、前記対象ソフトウェアと同じ種類のソフトウェアのオンプレミスのコンピュータでの処理性能の予測に利用可能な第１共通モデルに基づいて、前記対象ソフトウェアのパプリッククラウドのコンピュータで前記固有サービスを利用しての処理性能の予測に利用可能な第２共通モデルを作成する、
請求項２に記載のモデル管理システム。
前記モデル作成部は、前記対象ソフトウェアと同じ種類のソフトウェアのオンプレミスのコンピュータでの処理性能の予測に利用可能な第１共通モデルに基づいて、前記対象ソフトウェアのパプリッククラウドのコンピュータで前記固有サービスを利用しての処理性能の予測に利用可能な第２共通モデルを作成する、
請求項２に記載のモデル管理システム。
【請求項6】
前記モデル作成部により作成された共通モデルを含む予測モデルと該予測モデルにより処理性能の予測が行われるソフトウェアとを対応付けて管理するモデル管理部と、
前記モデル管理部により管理されている中に、同種の複数のソフトウェアの処理性能の予測に異なる予測モデルが用いられていれば前記複数の予測モデルが作成されたときのデータを再学習して新たな予測モデルを作成し、該新たな予測モデルにより前記複数のソフトウェアの処理性能が正しく予測されるのであれば、該新たな予測モデルを前記複数のソフトウェアに対する共通モデルとするモデル更新部と、
を更に有する、
請求項１に記載のモデル管理システム。
前記モデル管理部により管理されている中に、同種の複数のソフトウェアの処理性能の予測に異なる予測モデルが用いられていれば前記複数の予測モデルが作成されたときのデータを再学習して新たな予測モデルを作成し、該新たな予測モデルにより前記複数のソフトウェアの処理性能が正しく予測されるのであれば、該新たな予測モデルを前記複数のソフトウェアに対する共通モデルとするモデル更新部と、
を更に有する、
請求項１に記載のモデル管理システム。
【請求項7】
前記モデル更新部は、前記モデル管理部により管理されている中に、同種かつデプロイ先の構成が同じである複数のソフトウェアの処理性能の予測に異なる共通モデルが用いられていれば、いずれか１つの共通モデルを前記複数のソフトウェアに対する共通モデルとする、
請求項６に記載のモデル管理システム。
請求項６に記載のモデル管理システム。
【請求項8】
前記共通モデルが作成されたとき該共通モデルによって処理性能の予測が行われたソフトウェアのデプロイ先はパブリッククラウドのコンピュータであり、
前記対象ソフトウェアのデプロイ先はオンプレミスのコンピュータである、
請求項１に記載のモデル管理システム。
前記対象ソフトウェアのデプロイ先はオンプレミスのコンピュータである、
請求項１に記載のモデル管理システム。
【請求項9】
アプリケーションを構成するソフトウェアのデプロイ先における処理性能を予測する予測モデルを管理するためのモデル管理方法であって、
同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶し、
前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶し、
予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出し、
前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとする、
ことをコンピュータが実行するモデル管理方法。
同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶し、
前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶し、
予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出し、
前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとする、
ことをコンピュータが実行するモデル管理方法。
【請求項10】
アプリケーションを構成するソフトウェアのデプロイ先における処理性能を予測する予測モデルを管理するためのモデル管理プログラムであって、
同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶し、
前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶し、
予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出し、
前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとする、
ことをコンピュータに実行させるためのモデル管理プログラム。
同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶し、
前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶し、
予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出し、
前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとする、
ことをコンピュータに実行させるためのモデル管理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、アプリケーションを構成するソフトウェアに適用する予測モデルを管理する技術に関する。
【背景技術】
【0002】
アプリケーションにより実現されるＩＴインフラの提供方法として、マルチクラウドあるいはハイブリッドクラウドと呼ばれる提供方法がある。マルチクラウドあるいはハイブリッドクラウドでは、クラウド環境を含む複数の環境のサイトが組み合わせて利用される。アプリケーションを１つ以上のソフトウェアで構成し、アプリケーションあるいは各ソフトウェアが適切なサイトに配置される。その際、パブリッククラウド、プライベートクラウド、オンプレミスなど種別の異なるサイトが組み合わされる場合もある。
【0003】
例えば、検索系のアプリケーションを、ウェブサーバを実現するソフトウェアと、データベースを管理するＳＱＬサーバを実現するソフトウェアとで構成し、そのアプリケーションあるいは各ソフトウェアをオンプレミスあるいはパブリッククラウドにデプロイするといった構成が考えられる。更に、データベースに蓄積されるＩｏＴデータを収集するデータ収集アプリケーションをエッジにデプロイするといった構成が考えられる。
【0004】
アプリケーションが要求される処理性能（以下「要求処理性能」ともいう）を満たすためには各ソフトウェアもそれぞれの要求処理性能を満たす必要がある。処理性能は、例えば実行時間およびスループットなどにより示される。処理性能は、アプリケーションのデプロイ先の環境により変化する。アプリケーションを含む情報処理インフラを整備し管理する管理者（以下「ＩＴインフラ管理者」ともいう）は、アプリケーションの各ソフトウェアを、それぞれの要求処理性能を満たす適切な環境のサイトにデプロイする。例えば、各ソフトウェアに好適なリソース量のコンテナを用意し、各ソフトウェアをそのコンテナにデプロイする。ここでいうリソース量は例えばＣＰＵコア数やメモリ量などである。
【0005】
コンテナにより得られる処理性能はそのコンテナに与えられたリソース量により変化する。したがって、ＩＴインフラ管理者は、リソース量をパラメータとしてコンテナが発揮する処理性能を予測し、ソフトウェアのデプロイ先とコンテナのリソース量とを決定する。ＩＴインフラ管理者は、リソース量を入力パラメータとし処理性能の予測値を算出する予測モデル（以下単に「モデル」ともいう）を作成し、その予測に利用する。予測モデルは、例えば、マシンラーニングやディープラーニングにより得られるものであってもよいし、回帰式などであってもよい。モデルは、各サイトで利用可能なリソースの構成を示す構成情報と、当該サイトで過去にソフトウェアが実行されたときのリソースの稼働状態を示す稼働情報とに基づいて、アプリケーションのデプロイ先およびアプリケーションの種類に応じて個々に作成される。
【0006】
特許文献１には、クエリが、パブリッククラウドのリソースにおいて利用可能なデータであるか、プライペートクラウドのリソースにおいて利用可能なデータであるか判断し、判断結果に応じてクエリの処理にパブリッククラウドのモデルを利用するか、あるいはプライベートクラウドのモデルを利用するかを選択する技術が開示されている。
【先行技術文献】
【特許文献】
【0007】
【特許文献1】米国特許公開ＵＳ２０１９／０３７７８９７号明細書
【発明の概要】
【発明が解決しようとする課題】
【0008】
時間が経つとサイトの環境に変化が生じ、モデルの予測精度が低下することがある。そのため予測精度を高く保つようにモデルを管理するためには必要に応じてモデルを更新することが要求される。モデルを更新するには、新たなメトリクス情報や学習データなどを準備あるいは収集する必要があり、工数やコストがかかる。
【0009】
アプリケーションの個数や各アプリケーションの規模が増大すればアプリケーションを構成するソフトウェアの個数も増加し、それに伴って、ソフトウェアに適用されるモデルの個数も増大する。モデルの個数が増大すると、それらモデルを更新するのに要する工数やコストも増大することとなる。
【0010】
本開示のひとつの目的は、アプリケーションを構成するソフトウェアの処理性能を評価するための予測モデルを効率よく管理することを可能にする技術を提供することである。
【課題を解決するための手段】
【0011】
本開示のひとつの態様によるモデル管理システムは、アプリケーションを構成するソフトウェアのデプロイ先における処理性能を予測する予測モデルを管理するモデル管理システムであって、同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶するモデル管理テーブルと、前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶するデータ管理テーブルと、予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出する構成比較部と、前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとするモデル作成部と、を有する。
【発明の効果】
【0012】
本開示のひとつの態様によれば、アプリケーションを構成するソフトウェアの処理性能を評価するための予測モデルを効率よく管理することができる。
【図面の簡単な説明】
【0013】
【図1】第１の実施の形態によるハイブリッドクラウドの構成例を示すブロック図である。
【図2】第１の実施の形態によるオンプレシステムの内部構成例を示すブロック図である。
【図3】第１の実施の形態によるパブクラシステムの内部構成例を示すブロック図である。
【図4】第１の実施の形態による管理システムの内部構成例を示すブロック図である。
【図5】第１の実施の形態による稼働構成情報管理テーブルの構成例を示す図である。
【図6】第１の実施の形態によるアプリカタログ管理テーブルの構成例を示す図である。
【図7】第１の実施の形態によるモデル管理テーブルの構成例を示す図である。
【図8】第１の実施の形態によるデータ管理テーブルの構成例を示す図である。
【図9】第１の実施の形態によるモデル更新テーブルの構成例を示す図である。
【図10】第１の実施の形態による共通モデル作成履歴管理テーブルの構成例を示す図である。
【図11】第１の実施の形態による操作用ポータルの画面構成例を示す図である。
【図12】第１の実施の形態おいて想定する予測モデルの概要を説明するための図である。
【図13】第１の実施の形態おいて想定するアプリケーションの概要を説明するための図である。
【図14】第１の実施の形態による予測モデルの共通化に関する処理の概要を説明するための図である。
【図15】第１の実施の形態による予測モデルの共通化に関する処理の一連の流れを説明するためのフローチャートである。
【図16】第１の実施の形態による共通モデルの初期登録処理を説明するためのフローチャートである。
【図17】第１の実施の形態によるアプリに適用するモデル作成処理を説明するためのフローチャートである。
【図18】第２の実施の形態によるモデルの共通化処理の概要を説明するための図である。
【図19】第２の実施の形態によるモデル管理テーブルの構成例を示す図である。
【図20】第２の実施の形態による操作用ポータルの画面構成例を示す図である。
【図21】第２の実施の形態による予測モデルの共通化処理の一連の流れを説明するためのフローチャートである。
【図22】第２の実施の形態によるモデル登録処理を説明するためのフローチャートである。
【図23】第２の実施の形態によるモデル統廃合処理を説明するためのフローチャートである。
【発明を実施するための形態】
【0014】
以下、本発明の実施形態について図面を参照して説明する。
【0015】
（第１の実施の形態）
【0016】
図１は、第１の実施の形態によるハイブリッドクラウドの構成例を示すブロック図である。
【0017】
図１を参照すると、ハイブリッドクラウド環境１１０には、エッジシステム１０１、オンプレミスシステム１０２、パブリッククラウドシステム１０３、および管理システム１０４が含まれている。以下、オンプレミスシステム１０２をオンプレシステム１０２と呼ぶ場合があり、パブリッククラウドシステム１０３をパブクラシステム１０３と呼ぶ場合がある。
【0018】
ハイブリッドクラウド環境１１０は、クラウド環境を含む複数の環境のサイトのコンピュータシステムが組み合わされたコンピューティング環境である。本実施形態では、エッジシステム１０１、オンプレシステム１０２、およびパブクラシステム１０３が組み合わされている。エッジシステム１０１は、ユーザあるいはデバイスに近い場所に配置されたコンピュータシステムである。オンプレシステム１０２は、ユーザが自身が管理しているコンピュータシステムである。パブクラシステム１０３は、パブリッククラウド上で提供されるコンピュータシステムである。
【0019】
エッジシステム１０１、オンプレシステム１０２、およびパブクラシステム１０３は、共通する基本構成として、通信装置１０５、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）１０６、物理サーバ１０７、ＳＡＮ（Ｓｔｏｒａｇｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）１０８、ストレージ装置１０９を含んで構成される。通信装置１０５は、物理サーバ１０７がＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）１００経由で外部と通信することを可能にする装置である。物理サーバ１０７は、ＬＡＮ１０６経由で通信装置１０５と接続されている。また、物理サーバ１０７は、ＳＡＮ１０８経由でストレージ装置１０９と接続されている。物理サーバ１０７は、ソフトウェアの処理を実行するコンピュータであり、処理に伴い、ストレージ装置１０９にデータを記録したり、ストレージ装置１０９からデータを取得したりする。
【0020】
管理システム１０４は、ハイブリッドクラウド環境１１０、そこに実装された各アプリケーション、各アプリケーションを構成するソフトウェアを管理するコンピュータシステムである。アプリケーションは１つ以上のソフトウェアで構成されている。管理システム１０４は、どの環境下に実装されていてもよい。
【0021】
なお、ここでは、エッジシステム１０１、オンプレシステム１０２、およびパブクラシステム１０３がそれぞれ１つずつである構成が示されているが、そのいずれもが複数であってもよい。
【0022】
図２は、第１の実施の形態によるオンプレシステム１０２の内部構成例を示すブロック図である。
【0023】
図２を参照すると、オンプレシステム１０２において、物理サーバ１０７は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２００、チップセット２０１、物理ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）２０２、ＨＢＡ（Ｈｏｓｔ Ｂｕｓ Ａｄａｐｔｅｒ）２０３、およびメモリ２０４を有する。メモリ２０４に配置されたＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）２０６上で、アプリケーション２０７がデプロイされるコンテナ２０５が提供される。
【0024】
ＣＰＵ ２００は、メモリ２０４からアプリケーション２０７（以下「アプリ２０７」ともいう）を読み出し、その処理を実行するプロセッサである。チップセット２０１は、物理サーバ１０７内の各装置を相互に接続するブリッジ回路である。物理ＮＩＣ ２０２は、ＬＡＮ１０６への物理接続を可能にするインタフェースカードである。ＨＢＡ ２０３は、ＳＡＮ１０８経由によるストレージ装置１０９との通信を実現するための物理接続を提供するインタフェースカードである。
【0025】
ストレージ装置１０９は、ストレージコントローラ２０８および物理ボリューム２０９を有している。物理ボリューム２０９は、ハードディスクなどの記憶デバイスにより提供される物理的な記憶領域である。ストレージ装置１０９には複数の記憶デバイスが搭載されており、ストレージコントローラ２０８がそれら複数の記憶デバイスの物理的な記憶領域を統合して論理的な記憶領域として提供する。
【0026】
なお、エッジシステム１０１も図２に示したオンプレシステム１０２と同等の内部構成を有している。エッジシステム１０１は主に、工場などのＩｏＴデータの取得および格納などの用途で用いられる。
【0027】
図３は、第１の実施の形態によるパブクラシステム１０３の内部構成例を示すブロック図である。
【0028】
図３を参照すると、パブクラシステム１０３は、ＯＳ ２０６上にマネージドサービス３０１が配置されている点でオンプレシステム１０２と異なる。マネージドサービス３０１は、パブリッククラウドの環境上でクラウド事業者が提供する固有サービスを実現するソフトウェアである。
【0029】
ユーザは、このマネージドサービス３０１を自身のアプリケーションあるいはその一部として利用することができる。
【0030】
図４は、第１の実施の形態による管理システム１０４の内部構成例を示すブロック図である。
【0031】
図４を参照すると、管理システム１０４は、ＯＳ ２０６上で動作するソフトウェアとして、操作用ポータル４０１、情報取得部４０２、アプリデプロイ部４０４、モデル更新部４０６、およびモデル管理部４０８が配置されている。情報取得部４０２は稼働構成情報管理テーブル４０３を備えている。アプリデプロイ部４０４はアプリカタログ管理テーブル４０５を備えている。モデル更新部４０６はモデル更新テーブル４０７を備えている。モデル管理部４０８は内部ソフトウェアとしてモデル作成部４０９と構成比較部４１０とを含み、モデル管理テーブル４１１、データ管理テーブル４１２、および共通モデル作成履歴管理テーブル４１３を備えている。
【0032】
操作用ポータル４０１は、アプリケーションを構成するソフトウェアの共通モデルを作成したり更新したりするための操作画面を提供する。
【0033】
情報取得部４０２は、ハイブリッドクラウド環境の各サイト（オンプレ、パブクラ、エッジ）においてソフトウェアに提供されている物理的あるいは論理的なコンピュータのリソース量を示す構成情報と、コンピュータの稼働を示す稼働情報とを取得し、稼働構成情報管理テーブル４０３に登録する。ハイブリッドクラウド環境のサイトとして、オンプレミスシステム、パブリッククラウドシステム、エッジシステム等がある。
【0034】
稼働構成情報管理テーブル４０３は、各サイトで稼働するアプリケーションのソフトウェアに割り当てられたリソース量を示す構成情報と、ソフトウェアの実行によるＣＰＵ利用率などの稼働情報と、アプリケーションの処理時間と課金情報を含む処理性能と登録されるテーブルである。
【0035】
構成情報は、ソフトウェアに割り当てられたリソースの構成を示す情報であり、ソフトウェアをサイトにデプロイするときに利用するマニフェストファイル等に設定されたデプロイ構成情報から取得することができる。稼働情報は、ソフトウェアに割り当てられたリソースの稼働の程度を示す情報であり、例えば、ＯＳＳ（Ｏｐｅｎ Ｓｏｕｒｃｅ Ｓｏｆｔｗａｒｅ）ツールを利用して取得することができる。処理時間は、所定の処理を実行するのに要する時間を示す情報である。処理時間は、コンテナ間の通信をフックして算出することにしてもよいし、あるいは、入力に対して結果が返ってくるまでの時間を計測することにしてもよい。課金情報は、リソースの利用に対して課される金額を示す情報である。金額は、リソース量に対する価格を示す料金体系を事前に取得しておき、利用されたリソース量と料金体系とから算出することにしてもよい。
【0036】
アプリデプロイ部４０４は、各サイトにアプリケーション２０７またはソフトウェアをデプロイする。コンテナ上にアプリケーションまたはソフトウェアをデプロイする場合に、デプロイ構成の設定情報となるマニフェストファイルを作成し、例えば汎用ツールを利用して自動的にデプロイを行ってもよい。なお、アプリケーション２０７あるいはソフトウェアのデプロイ先は、コンテナに限らず、仮想マシンあるいはサーバ（物理サーバおよびマネージドサービスで提供されるサーバを含む）でもよい。
【0037】
アプリカタログ管理テーブル４０５は、マニフェストファイル、デプロイツール、イメージ格納先を登録するテーブルである。アプリカタログ管理テーブル４０５は、事前にテンプレートを作成しておき、予測モデルによる予測結果に基づく決定によって更新することにしてもよい。
【0038】
モデル更新部４０６は、必要に応じて共通モデルの更新を行う。例えば、モデル作成部４０９によって登録された共通モデルの学習に利用した稼働情報および構成情報と、各サイトにおける稼働情報および構成情報とを取得し、それぞれの情報に変化があるか確認する。モデル更新部４０６は、それぞれの情報に変化がある場合、各サイトにおける稼働情報と構成情報に基づく再学習により共通モデルを更新し、新たな共通モデルをモデル更新テーブル４０７に登録する。
【0039】
モデル更新テーブル４０７は、共通モデルを含む予測モデルに関する各種情報を格納するテーブルである。例えば、モデル更新テーブル４０７には、予測モデルの入力情報、出力情報、学習に利用する稼働情報および構成情報がソフトウェア毎に登録される。また、モデル更新テーブル４０７では、共通化フラグで、モデルの共通化の有無を確認することができる。共通化フラグが１は、再学習による共通化された共通モデルを示す。共通化フラグが０は、新規に登録されどこにも適用されていない予測モデルをを示す。
【0040】
モデル管理部４０８は、アプリケーション２０７に適用する共通モデルを作成して適用し、管理を行う。
【0041】
モデル作成部４０９は、構成比較部４１０の結果に基づいて、アプリケーション２０７を構成するソフトウェアに適用する共通モデルの再学習を行って作成し、モデル管理テーブルに４１１登録する。また、モデル作成部４０９は、再学習した内容を共通モデル作成履歴管理テーブル４１３に登録する。モデル作成部４０９は、共通モデルの再学習において、構成比較部４１０による処理の結果である差分がリソースに関するものであれば、共通モデルが作成されたときに学習に用いた情報（学習データ）を取得し、当該学習データを絞り込むことで対応する。当該学習データを絞り込むというのは、上述した構成比較部４１０による処理の結果に応じた制御である。また、構成比較部４１０による処理の結果である差分がマネージドサービス３０１に関するものであれば、モデル作成部４０９は、オンプレミスシステム１０２での共通モデルとその共通モデルの作成履歴とに基づいて対応する。
【0042】
構成比較部４１０は、アプリケーション２０７がデプロイされているサイト（オンプレミスシステム１０２、パブリッククラウドシステム１０３、エッジシステム１０１）の構成情報と、共通モデルが作成されたときに利用されたサイトの構成情報とを比較し、構成情報の差分を抽出する。
【0043】
モデル管理テーブル４１１は、予測モデルの入力情報、出力情報、学習に利用する稼働情報および構成情報を利用アプリの１つ以上のソフトウェア毎に登録し、管理するためのテーブルである。また、モデル管理テーブル４１１では、共通化フラグにより、予測モデルが共通化されているか否かが示される。共通化フラグが１であれば、再学習による共通化モデルが登録されており、共通化フラグが０であれば、新規に予測モデルを登録した状態（どこにも適用されていないモデル)を示す。
【0044】
データ管理テーブル４１２は、共通モデルを学習する際に利用した構成情報や稼働情報を登録し、管理するためのテーブルである。
【0045】
共通モデル作成履歴管理テーブル４１３は、ソフトウェアのデプロイ先に応じた共通モデルの再学習、新規作成、更新などの履歴を登録し、管理するためのテーブルである。
【0046】
以下、各テーブルの構成と各部の処理の詳細について順次説明する。
【0047】
図５は、第１の実施の形態による稼働構成情報管理テーブル４０３の構成例を示す図である。稼働構成情報管理テーブル４０３には、各サイトにデプロイされている各アプリケーション２０７の各ソフトウェアについて構成および稼働状態に関する情報が記録される。構成はソフトウェアがデプロイされたときに定まった情報である。稼働状態は変化する可能性のある情報であり、最新の値が格納される。
【0048】
図５を参照すると、稼働構成情報管理テーブル４０３には、取得日時５００、対象サイト名５０１、利用アプリ名５０２、利用ソフト名５０３、構成情報５０４、稼働情報５０９、および処理性能５１４が対応づけて記録される。
【0049】
取得日時５００は、情報が取得された日時を示す。対象サイト名５０１は、対象とするサイトのサイト名を示す。利用アプリ名５０２は、サイトにデプロイされているアプリケーション２０７の名称を示す。利用ソフト名５０３は、当該アプリケーション２０７を構成する各ソフトウェアの名称を示す。構成情報５０４は、当該ソフトウェアがデプロイされているコンテナの構成を示す情報であり、当該コンテナのコンテナＩＤ ５０５、ＣＰＵコア数５０６、メモリ容量５０７、およびデータ容量５０８を含む。稼働情報５０９は、当該コンテナにおける当該ソフトウェアの稼働状態を示す情報であり、ＣＰＵ使用率５１０、メモリ利用率５１１、データ利用率５１２、およびＩＯビジー率５１３を含む。処理性能５１４は、当該コンテナにおける当該ソフトウェアの処理性能を示す情報であり、平均処理時間５１５と課金（コスト）５１６を含む。
【0050】
図６は、第１の実施の形態によるアプリカタログ管理テーブル４０５の構成例を示す図である。アプリカタログ管理テーブル４０５には、各アプリケーション２０７の各ソフトウェアについてサイトに導入するためのカタログ情報が登録されている。
【0051】
図６を参照すると、アプリカタログ管理テーブル４０５には、各アプリケーション２０７について、アプリＩＤ６００、利用アプリ名６０１、利用ソフト名６０２、導入サイト名６０３、デプロイツール名６０４、マニフェストＩＤ ６０５、イメージファイルＩＤ ６０６、およびイメージ格納先６０７が対応づけて記録されている。
【0052】
アプリＩＤ ６００は、アプリケーション２０７の識別情報である。利用アプリ名６０１は、当該アプリケーション２０７の名称を示す。利用ソフト名６０２は、当該ソフトウェアの名称を示す。導入サイト名６０３は、当該ソフトウェアが導入されるサイトのサイト名を示す。デプロイツール名６０４は、当該ソフトウェアを当該サイトにデプロイするためのデプロイツールの名称を示す。マニフェストＩＤ ６０５は、当該ソフトウェアと当該サイトにデプロイする場合のマニフェストファイルの識別情報である。イメージファイルＩＤ ６０６は、当該ソフトウェアを当該サイトにデプロイした場合に利用されるイメージファイルの識別情報である。イメージ格納先６０７は、当該ソフトウェアを当該サイトにデプロイした場合に利用されるイメージファイルの格納場所を示す。
【0053】
図７は、第１の実施の形態によるモデル管理テーブル４１１の構成例を示す図である。モデル管理テーブル４１１には、共通化モデルを含む予測モデルのそれぞれについての情報が記録されている。
【0054】
図７を参照すると、モデル管理テーブル４１１には、登録日時７００、モデル名７０１、共通化フラグ７０２、利用アプリ名７０３、利用ソフト名７０４、入力情報７０５、出力情報７０９、およびモデル作成データＩＤ ７１２が対応づけて記録される。
【0055】
登録日時７００は、当該予測モデルが登録された日時を示す。モデル名７０１は、当該予測モデルの名称を示す。共通化フラグ７０２は、当該予測モデルが共通モデルであるか否かを示すフラグである。利用アプリ名７０３は、当該予測モデルが適用されるアプリケーション２０７の名称を示す。利用ソフト名７０４は、当該予測モデルが適用されるソフトウェアの名称を示す。入力情報７０５は、当該予測モデルへ説明変数として入力される情報であり、ＣＰＵコア数７０６、メモリ容量７０７、およびアプリ固有パラメータ７０８を含む。なお、アプリ固有パラメータとは、アプリケーション２０７の入力データ数などの入力情報を表し、また、複数の入力情報が想定される。出力情報７０９は、当該予測モデルから目的変数として出力される情報であり、処理時間７１０およびコスト（料金）７１１を含む。モデル作成データＩＤ ７１２は、当該予測モデルが作成されたときに用いられたデータの識別情報であり、稼働情報７１３および構成情報７１４を含む。
【0056】
図８は、第１の実施の形態によるデータ管理テーブル４１２の構成例を示す図である。データ管理テーブル４１２には、各サイトにデプロイされた各ソフトウェアの構成情報および稼働情報に関する管理情報が記録されている。
【0057】
図８を参照すると、データ管理テーブル４１２には、取得日時８００、対象サイト名８０１、利用アプリ名８０２、利用ソフト名８０３、構成情報８０４、および稼働情報８０８が対応づけて記録されている。
【0058】
取得日時８００は、当該情報が取得された日時を示す。対象サイト名８０１、利用アプリ名８０２、および利用ソフト名８０３は、当該情報の対象であるサイト、アプリケーション２０７、およびソフトウェアのそれぞれの名称を示す。構成情報８０４は、構成情報に関する管理情報であり、データ格納先８０５、データＩＤ ８０６、およびデータ名８０７を含む。稼働情報８０８は、稼働情報に関する管理情報であり、データ格納先８０９、データＩＤ ８１０、およびデータ名８１１を含む。
【0059】
図９は、第１の実施の形態によるモデル更新テーブル４０７の構成例を示す図である。モデル更新テーブル４０７は、更新された予測モデルのそれぞれについての情報が記録されている。図９を参照すると、モデル更新テーブル４０７の構成は図７に示したモデル管理テーブル４１１と同じ構成である。
【0060】
図１０は、第１の実施の形態による共通モデル作成履歴管理テーブル４１３の構成例を示す図である。共通モデル作成履歴管理テーブル４１３には、作成された各共通モデルに関する情報が登録されている。
【0061】
図１０を参照すると、共通モデル作成履歴管理テーブル４１３には、各共通モデルについて、利用アプリ名１０００、利用ソフト名１００１、登録日時１００２、デプロイ先１００３、モデル名１００４、作成更新内容ＩＤ １００５、詳細情報１００６、およびモデル作成データＩＤ １００７が記録されている。
【0062】
利用アプリ名１０００は、当該共通モデルが適用されているアプリケーション２０７の名称を示す。利用ソフト名１００１は、当該共通モデルが適用されているソフトウェアの名称を示す。登録日時１００２は、当該共通モデルが登録された日時を示す。デプロイ先１００３は、当該共通モデルが適用されるソフトウェアがデプロイされたサイトを示す。モデル名１００４は、当該共通モデルの名称を示す。作成更新内容ＩＤ １００５は、当該共通モデルの作成あるいは更新に関する情報であり、例えば、０であれば「新規モデル作成」であることを示し、１であれば「リソースを変更し再学習したモデル」であることを示し、２であれば「モデルを再学習（更新）」であることを示す。詳細情報１００６、当該共通モデルの作成更新内容の詳細情報である。モデル作成データＩＤ １００７は、当該予測モデルが作成されたときに用いられたデータの識別情報あり、稼働情報１００８および構成情報１００９のそれぞれの識別情報を含む。
【0063】
図１１は、第１の実施の形態による操作用ポータル４０１の画面構成例を示す図である。本管理システム１０４は、操作用ポータル４０１によって、端末１１１を操作する操作者（ＩＴインフラ管理者）に対して各種のユーザインタフースを提供する。図１１に示した画面１１００はその一例である。画面１１００は、操作者が所望のアプリケーションを所望のサイトにデプロイするための画面である。画面１１００には、選択可能なアプリケーションの一覧と、選択可能なサイトの一覧と、実行ボタンと、キャンセルボタンとが表示されている。あるアプリケーションとあるサイトを選択した状態で実行ボタンをクリックすると、そのデプロイに関するメッセージ画面をポップアップ表示する。メッセージ画面に対して操作者がＹｅｓボタンをクリックすると、実際にデプロイが実行される。
【0064】
操作用ポータル４０１は、これ以外にも様々な処理に伴って様々な画面を表示する。例えば、予測モデルを用いたソフトウェアの処理性能の予測を実行の指示を受け付け、その結果を提示する画面を表示してもよい。
【0065】
図１２は、第１の実施の形態おいて想定する予測モデルの概要を説明するための図である。図１２には、メモリ量を固定した場合のＣＰＵコア数とレスポンスタイムとの関係を表すグラフと、ＣＰＵコア数を固定した場合のメモリ量とレスポンスタイムとの関係を表すグラフが示されている。
【0066】
本実施の形態では、ソフトウェアのデプロイ先となるコンテナに割り当てられるＣＰＵコア数やメモリ量といったリソース量と、ソフトウェア処理のレスポンスタイムといった処理性能との間には線形の相関があると想定する。したがって、図１２に示すように、メモリ量を固定値とするとＣＰＵコア数とレスポンスタイムとの関係は直線で近似でき、また、ＣＰＵコア数を固定値とするとメモリ量とレスポンスタイムとの関係は直線で近似できる。リソース量を含む構成情報を説明変数とし処理性能を目的変数とする線形回帰式を学習によって決定することにより予測モデルが生成される。
【0067】
図１３は、第１の実施の形態おいて想定するアプリケーション２０７の概要を説明するための図である。
【0068】
本実施の形態では、アプリケーション２０７が一例として検索系アプリケーションであるとし、その検索系アプリケーションを、Ｗｅｂ Ｓｅｒｖｅｒのソフトウェアと、ＳＱＬ Ｓｅｒｖｅｒのソフトウェアとで構成することを想定している。そのような構成のアプリケーション２０７のデプロイ構成としては、Ｗｅｂ ＳｅｒｖｅｒとＳＱＬ Ｓｅｒｖｅｒを両方ともオンプレミスシステム１０２に構築したコンテナにデプロイすることができる。また、Ｗｅｂ Ｓｅｒｖｅｒのソフトウェアをパブクラシステム１０３で提供されるコンテナ上にデプロイし、パブリッククラウド事業者が提供するマネージドサービス３０１をＳＱＬ Ｓｅｒｖｅｒのソフトウェアとして利用することもできる。
【0069】
どのようなデプロイ構成を採用するかを決定する際に予測モデルを使ってソフトウェアの処理性能を予測し、適切な環境（サイト）と適切なリソース量を決めていくことができる。
【0070】
図１４は、第１の実施の形態による予測モデルの共通化に関する処理の概要を説明するための図である。図１４の概念図１４００には、検索系アプリＡＰＰ＃３をパブクラシステム１０３にデプロイしようとするときに、既にオンプレミスシステム１０２にデプロイされている検索系アプリＡＰＰ＃２をデプロイしたときに作成され、共通モデルとして登録されている予測モデルを使って、検索系アプリＡＰＰ＃３のデプロイ先の候補であるパブクラシステム１０３での処理性能を予測し、予測結果を基に適切なリソース量を決定した上で実際にデプロイするまでの一連の処理の流れが（１）から（７）により概念的に示されている。
（１）構成比較部４１０が、既にデプロイされているアプリケーション２０７およびこれからデプロイしようとしているアプリケーション２０７の情報を取得する。
（２）構成比較部４１０は、これからデプロイしようとしているアプリケーション２０７と同種の既にデプロイされているアプリケーション２０７に適用されている共通モデルの情報を取得する。
（３）構成比較部４１０は、これからデプロイしようとしているアプリケーション２０７と既にデプロイされている同種のアプリケーション２０７との構成情報の差分を抽出する。
（４）モデル作成部４０９は、構成情報の差分を考慮したデータを学習することによってパブクラシステム１０３向けの共通モデルを作成する。
（５）モデル作成部４０９は、作成した共通モデルをモデル管理テーブル４１１に登録する。
（６）アプリデプロイ部４０４は、その共通モデルを用いて、検索系アプリＡＰＰ＃３のパブクラシステム１０３上での処理性能を予測する。
（７）アプリデプロイ部４０４は、予測結果を基に必要なリソース量を算出し、そのリソース量を確保したコンテナにＡＰＰ＃３の各ソフトウェアをデプロイする。
（１）構成比較部４１０が、既にデプロイされているアプリケーション２０７およびこれからデプロイしようとしているアプリケーション２０７の情報を取得する。
（２）構成比較部４１０は、これからデプロイしようとしているアプリケーション２０７と同種の既にデプロイされているアプリケーション２０７に適用されている共通モデルの情報を取得する。
（３）構成比較部４１０は、これからデプロイしようとしているアプリケーション２０７と既にデプロイされている同種のアプリケーション２０７との構成情報の差分を抽出する。
（４）モデル作成部４０９は、構成情報の差分を考慮したデータを学習することによってパブクラシステム１０３向けの共通モデルを作成する。
（５）モデル作成部４０９は、作成した共通モデルをモデル管理テーブル４１１に登録する。
（６）アプリデプロイ部４０４は、その共通モデルを用いて、検索系アプリＡＰＰ＃３のパブクラシステム１０３上での処理性能を予測する。
（７）アプリデプロイ部４０４は、予測結果を基に必要なリソース量を算出し、そのリソース量を確保したコンテナにＡＰＰ＃３の各ソフトウェアをデプロイする。
【0071】
これら一連の処理を以下により詳しく説明する。
【0072】
図１５は、第１の実施の形態による予測モデルの共通化に関する処理の一連の流れを説明するためのフローチャートである。
【0073】
ステップ１５００にて、情報取得部４０２が定期的に各サイトの稼働情報と構成情報を取得し、稼働構成情報管理テーブル４０３を更新する。
【0074】
新たに利用しようとするアプリ２０７のデプロイを実行する旨の指示があると（ステップ１０５１のＹｅｓ）、ステップ１５０２にて、モデル管理部４０８は、アプリ２０７を構成するソフトウェアがモデル管理テーブル４１１に登録済であるか否か判定する。アプリ２０７を構成するソフトウェアがモデル管理テーブル４１１に登録済でなければ、管理システム１０４は、ステップ１５０３にて、共通モデルの初期登録処理を実行する。共通モデルの初期登録処理は、新たな共通モデルを初期登録する処理である。共通モデルの初期登録処理の詳細は図１６を用いて後述する。
【0075】
続いて、ステップ１５０４にて、アプリデプロイ部４０４は、モデル管理部４０８からアプリ２０７の共通モデルを取得し、アプリ２０７に共通モデルを適用することでアプリ２０７に割り当てるリソース量を算出し、当該リソース量をデプロイ構成の設定情報となるマニフェストファイル（以下、デプロイ構成情報ともいう）に更新し、利用アプリ２０７のデプロイを実施して処理を終了する。当該デプロイ構成情報には、アプリケーションの構成情報とそのアプリケーションのソフトウェアがどのサイトにデプロイされ、そのソフトウェアにどの予測モデルが適用されるかを示す情報が含まれていても良い。
【0076】
ステップ１５０２にて、アプリ２０７を構成するソフトウェアがモデル管理テーブル４１１に登録済であれば、ステップ１５０５にて、モデル管理部４０８は、アプリデプロイ部４０４から利用対象のアプリ２０７のデプロイ先に合わせたデプロイ構成情報を取得する。利用対象のアプリ２０７のデプロイ先に合わせたデプロイ構成情報とは、利用対象のアプリ２０７をこれからデプロイする予定のサイトをデプロイ先とするデプロイ構成情報である。このデプロイ構成情報には、これからデプロイしようとしているアプリ２０７の構成情報が含まれている。
【0077】
次に、ステップ１５０６にて、モデル管理部４０８は、利用対象のアプリ２０７の共通モデルを作成した際の構成情報をモデル管理テーブル４１１から取得する。
【0078】
更に、モデル管理部４０８は、ステップ１５０７にて、構成比較部４１０によって、ステップ１５０６で取得した共通モデルの構成情報と、ステップ１５０４で取得したデプロイ構成情報に含まれる構成情報との差分を抽出し、ステップ１５０８にて、それらの構成情報に差分があるか否か判定する。
【0079】
それら構成情報に差分があれば（ステップ１５０８のＹｅｓ）、モデル管理部４０８は、ステップ１５０９にて、アプリ２０７に適用するモデル作成処理を実行する。アプリ２０７に適用するモデル作成処理とは、アプリ２０７を構成するソフトウェアの処理性能を予測するのに用いる予測モデルを作成する処理である。アプリ２０７に適用するモデル作成処理の詳細は図１７を用いて後述する。
【0080】
ステップ１５０８にて２つの構成情報に差分がなかったとき（ステップ１５０８のＮｏ）と、ステップ１５０９の処理を終えたときとに、アプリデプロイ部４０４は、ステップ１５１０にて、モデル管理部４０８から利用対象のアプリ２０７の共通モデルを取得し、利用対象のアプリ２０７に共通モデルを適用することでアプリ２０７に割り当てるリソース量を算出し、当該リソース量をデプロイ構成情報に更新する。
【0081】
さらに、アプリデプロイ部４０４は、利用対象のアプリ２０７のデプロイを実施して処理を終了する。
【0082】
【0083】
ステップ１６００にて、アプリデプロイ部４０４は、初期登録対象のアプリ２０７をオンプレシステム１０２にデプロイする。
【0084】
アプリ２０７をデプロイしようとしているサイトはパブクラシステム１０３であるが、この段階ではまずはオンプレシステム１０２にデプロイする。
【0085】
次に、ステップ１６０１にて、モデル作成部４０９は、オンプレシステム１０２上の初期登録対象のアプリ２０７をテストとして実行し、テスト実行により得られたテスト実行結果を示すデータを所定の場所に格納する。そのデータの管理情報をデータ管理テーブル４１２に登録する。テスト実行は、例えば、ＣＰＵコア数およびメモリ量といったリソース量を変更しながら処理時間といった処理性能を測定するというものである。
【0086】
次に、ステップ１６０２にて、モデル作成部４０９は、テスト実行結果を学習データとして学習を行い、初期登録対象のアプリ２０７の共通モデルを作成し、モデル管理テーブル４１１に登録する。ここでいう共通モデルは一例として回帰式である。更に、ステップ１６０３にて、モデル作成部４０９は、作成した当該共通モデルの内容を共通モデル作成履歴管理テーブル４１３に登録する。
【0087】
【0088】
ステップ１７００にて、モデル作成部４０９は、モデル管理テーブル４１２から、アプリ２０７を構成するソフトウェアに適用されている共通モデルを取得する。続いて、ステップ１７０１にて、モデル作成部４０９は、取得した当該共通モデルを学習したときに利用した情報をデータ管理テーブル４１２から取得する。
【0089】
次に、ステップ１７０２て、モデル作成部４０９は、デプロイしようとするアプリ２０７がパブクラシステム１０３においてマネージドサービス３０１を利用するか否か判定する。マネージドサービス３０１を利用するか否かは、例えば操作用ポータル４０１から操作者に判断の入力を得てもよい。マネージドサービス３０１を利用しないと判定された場合（ステップ１７０２のＮｏ）には、ステップ１７０３にて、モデル作成部４０９は、ステップ１５０７で抽出された構成情報の差分を加味した構成情報を用いた学習によって予測モデルを作成し、その予測モデルを共通モデルとする。
【0090】
構成情報の差分を加味した構成情報を用いた学習は特に限定されないが、構成情報に含まれるリソース量の差異を所定の換算式によって処理性能に反映させるものであってもよい。例えば、ＣＰＵコア数が２倍になれば処理時間は１／２になるという想定による換算を行ってもよい。また、例えば、ソフトウェアをオンプレシステム１０２にデプロイするときに作成された共通モデルを基に、パブクラシステム１０３にそのマネージドサービス３０１を利用してデプロイする場合の処理性能を予測するための共通モデルを作成するときには、例えば、オンプレシステム１０２におけるリソース量と、パブクラシステム１０３のマネージドサービス３０１におけるリソース量とを所定の換算式によって換算して学習に用いることにしてもよい。
【0091】
また、既存の共通モデルを作成したときに学習に用いた構成情報においてリソース量の範囲が、新たな共通モデルを適用するソフトウェアのデプロイ先でのリソース量の取り得る範囲よりも広い場合に、既存の共通モデルを作成したときの構成情報を、新たな共通モデルを適用するソフトウェアのデプロイ先でのリソース量の取り得る範囲に制限して学習に用いることにしてもよい。既存の共通モデルを作成したときの構成情報から、リソース量の値が新たなソフトウェアのデプロイ先におけるリソース量の取り得る範囲内の構成情報のみに絞り込み、絞り込まれた構成情報を学習に用いることにしてもよい。ここでは、モデル作成部４０９は、ステップ１５０７で抽出された構成情報の差分に相当するリソース量の違いを考慮して学習に利用した情報を絞り込み、絞り込んだ当該情報によって再学習を行い、作成された予測モデルを共通モデルとするものとする。
【0092】
ステップ１７０２でマネージドサービス３０１を利用すると判定された場合（ステップ１７０２のＹｅｓ）には、ステップ１７０４にて、モデル作成部４０９は、モデル管理テーブル４１１からアプリ２０７を構成するソフトウェアに対応付けられている共通モデルを取得する。
【0093】
次に、ステップ１７０５にて、モデル作成部４０９は、共通モデル作成履歴管理テーブル４１３における当該共通モデルの作成履歴を参照し、ステップ１７０４で抽出された共通モデルの利用頻度を算出する。
【0094】
続いて、ステップ１７０６にて、モデル作成部４０９は、ステップ１７０４で抽出された共通モデルの中から利用頻度に基づいていずれかを選択し、選択した共通モデルの情報を取得し、取得した情報を再学習することによって予測モデルを作成し、作成した予測モデルを、これからデプロイしようとしているアプリ２０７におけるマネージドサービス３０１向けの共通モデルを作成する。なお、利用頻度に基づいて共通モデルを選択するのは、ここでは、マネージドサービス３０１を利用するソフトウェアに適用する共通モデルがまだ存在していないため、他の環境（オンプレシステム１０２）にデプロイされているソフトウェアに適用される共通モデルの中から利用頻度の高いものを用いることにするというものである。また、共通モデルの利用頻度を、その共通モデルが適用されているソフトウェアのデプロイ先がどこか、またはリソース量の変化時の対応として利用されたのか等によって重み付けしてもよい。また、マネージドサービス３０１向けの共通モデルとは、マネージドサービス３０１の処理性能を予測するための予測モデルであり、かつそれが共通モデルとされているものをいう。
【0095】
ステップ１７０３の処理を実行した後、またはステップ１７０６の処理を実行した後、ステップ１７０７にて、モデル作成部４０９は、作成した当該共通モデルをモデル管理テーブル４１１に登録し、再学習に利用した情報をデータ管理テーブル４１２に登録する。更に、ステップ１７０８にて、モデル作成部４０９は、作成した当該共通モデルの内容を共通モデル作成履歴管理テーブル４１３に登録する。
【0096】
（第２の実施の形態）
【0097】
第２の実施の形態は、管理システム１０４が共通モデルの統廃合と更新とを行う点で第１の実施の形態とは異なる。第２の実施の形態におけるハイブリッドクラウドの構成は図１に示した第１の実施の形態のものと同様である。また、第２の実施の形態によるエッジシステム１０１、オンプレシステム１０２、およびパブクラシステム１０３は、図２または図３に示したものと同様である。更に、第２の実施の形態による管理システム１０４は、基本的な構成については図４に示した第１の実施の形態のものと同様であり、実行する処理が異なっている。以下、主に第２の実施の形態における第１の実施の形態と異なる部分について説明する。
【0098】
図１８は、第２の実施の形態によるモデルの共通化処理の概要を説明するための図である。図１８の概念図１９００には、オンプレシステム１０２およびパブクラシステム１０３にデプロイされている検索系アプリＡＰＰ＃２～４に適用される共通モデルについて、複数の共通モデルを１つにまとめる統廃合の処理と、各共通モデルを新しい情報によって学習して更新する更新の処理とを含む一連の処理の流れが（１）から（９）により概念的に示されている。
（１）情報取得部４０２が各サイトに導入されているアプリ２０７の稼働情報と構成情報を収集する。
（２）モデル管理部４０８が情報取得部４０２から各サイトのアプリ情報（稼働情報と構成情報）を取得する。
（３）モデル管理部４０８は、別サイトに導入されたアプリ２０７が新たに登録されていれば、その稼働情報と構成情報を抽出する。更に、モデル管理部４０８は、そのアプリケーションのソフトウェアに既存の共通モデルを適用できる場合、その既存の共通モデルを適用する。例えば、同種のソフトウェアに既存の共通モデルが適用されていれば、新たなソフトウェアに既存の共通モデルを適用できる。モデル管理部４０８は、新たなソフトウェアに既存の共通モデルが適用できない場合には、新たに学習を行って予測モデルを生成し、その予測モデルにより十分な予測結果が得れらることを確認の上、共通モデルとする。
（４）モデル更新部４０６も各サイトのアプリ情報を取得している。
（５）モデル更新部４０６は、操作用ポータルへの操作入力によって共通化指示が与えられる。
（６）モデル更新部４０６は、モデル管理部４０８から既存の共通モデルを含む各予測モデルのモデル情報を取得する。モデル情報には当該予測モデルが適用されているソフトウェアの情報が含まれている。
（７）モデル更新部４０６は、モデル情報を基に、適用する対象のソフトウェアに共通モデルを適用することができる予測モデルを抽出し、共通モデルへの統廃合を実施する。共通モデルへの統廃合というのは、元はある予測モデルが適用されていたソフトウェアに共通モデルを適用することにし、元の予測モデルを廃止することである。また、モデル更新部４０６は、モデル情報を基に稼働情報または構成情報が変化しているアプリ２０７のソフトウェアを抽出し、そのソフトウェアに適用されている予測モデルを更新する。
（８）モデル更新部４０６は、モデル管理部４０８に共通モデルを更新したことを通知する。
（９）モデル管理部４０８は、通知を基に更新された共通モデルを登録する。
（１）情報取得部４０２が各サイトに導入されているアプリ２０７の稼働情報と構成情報を収集する。
（２）モデル管理部４０８が情報取得部４０２から各サイトのアプリ情報（稼働情報と構成情報）を取得する。
（３）モデル管理部４０８は、別サイトに導入されたアプリ２０７が新たに登録されていれば、その稼働情報と構成情報を抽出する。更に、モデル管理部４０８は、そのアプリケーションのソフトウェアに既存の共通モデルを適用できる場合、その既存の共通モデルを適用する。例えば、同種のソフトウェアに既存の共通モデルが適用されていれば、新たなソフトウェアに既存の共通モデルを適用できる。モデル管理部４０８は、新たなソフトウェアに既存の共通モデルが適用できない場合には、新たに学習を行って予測モデルを生成し、その予測モデルにより十分な予測結果が得れらることを確認の上、共通モデルとする。
（４）モデル更新部４０６も各サイトのアプリ情報を取得している。
（５）モデル更新部４０６は、操作用ポータルへの操作入力によって共通化指示が与えられる。
（６）モデル更新部４０６は、モデル管理部４０８から既存の共通モデルを含む各予測モデルのモデル情報を取得する。モデル情報には当該予測モデルが適用されているソフトウェアの情報が含まれている。
（７）モデル更新部４０６は、モデル情報を基に、適用する対象のソフトウェアに共通モデルを適用することができる予測モデルを抽出し、共通モデルへの統廃合を実施する。共通モデルへの統廃合というのは、元はある予測モデルが適用されていたソフトウェアに共通モデルを適用することにし、元の予測モデルを廃止することである。また、モデル更新部４０６は、モデル情報を基に稼働情報または構成情報が変化しているアプリ２０７のソフトウェアを抽出し、そのソフトウェアに適用されている予測モデルを更新する。
（８）モデル更新部４０６は、モデル管理部４０８に共通モデルを更新したことを通知する。
（９）モデル管理部４０８は、通知を基に更新された共通モデルを登録する。
【0099】
これら一連の処理を以下により詳しく説明する。
【0100】
図１９は、第２の実施の形態によるモデル管理テーブル４１１の構成例を示す図である。図１９を参照すると、第２の実施の形態におけるモデル管理テーブル４１１は、図７に示した第１の実施の形態におけるモデル管理テーブル４１１とは、予測モデルに対してポリシー２０００が登録されている点で異なる。ポリシー２０００は、予測モデルの共通化に関するポリシーであり、予測モデルを適用可能なソフトウェアおよび環境を規定する情報である。ポリシー２０００には、同種アプリ２００１、稼働情報２００２、および構成情報の一致２００３が含まれている。同種アプリ２００１は、当該予測モデルが適用できるためには、対応づけられたアプリケーションと同種のアプリケーションを構成するソフトウェアである必要があるか否かを示す情報である。稼働情報２００２は、稼働情報２００２は、当該予測モデルが適用できるためには、対応づけられたアプリケーションとの稼働情報の差異がどの程度までである必要があるかを示す情報である。構成情報の一致２００３は、当該予測モデルが適用できるためには、対応づけられたアプリケーションと構成が一致している必要があるか否かを示す情報である。
【0101】
図２０は、第２の実施の形態による操作用ポータル４０１の画面構成例を示す図である。操作用ポータルの画面２１００は、予測モデルの共通化処理を実行する操作を受け付ける画面である。画面２１００には、予測モデルの一覧の表示と、アプリ２０７の一覧の表示と、実行ボタンと、登録ボタンと、メッセージ表示領域とが含まれている。予測モデルの一覧の表示からは、共通化処理の対象とする予測モデルを個々に選択することができる。アプリ２０７の一覧の表示からは、共通化処理の対象とする予測モデルとして、適用されるアプリ２０７およびソフトウェアに関する条件に該当する予測モデルを一括で選択することができる。実行ボタンをクリックすると、予測モデルの共通化処理が実行される。登録ボタンをクリックすると、予測モデルの共通化処理の結果が登録される。メッセージ表示領域には、操作の受け付けや処理の実行などに伴って操作者へのメッセージが表示される。
【0102】
図２１は、第２の実施の形態による予測モデルの共通化処理の一連の流れを説明するためのフローチャートである。
【0103】
操作用ポータル４０１にて共通化の実行を指示する操作が受け付けられるまで、管理システム１０４はステップ２２００から２２０４の処理を定期的に繰り返し実行する。ステップ２２００では、情報取得部４０２は定期的に各サイトの稼働情報と構成情報を取得し、取得した情報によって稼働構成情報管理テーブル４０３を更新する。ステップ２２０１では、情報取得部４０２は、更新した稼働構成情報管理テーブル４０３をモデル管理部４０８に送信する。ステップ２２０２では、モデル管理部４０８は、情報取得部４０２から稼働構成情報管理テーブル４０３を受信し、その稼働構成情報管理テーブル４０３から各サイトのアプリ２０７に関する情報を抽出する。ステップ２２０３では、モデル管理部４０８は、別サイトに新たに導入されたアプリ２０７を抽出し、別サイトに新たに導入されたアプリ２０７があれば、そのアプリ２０７についてモデル登録処理を実施する。モデル登録処理は、適用する予測モデルが登録されていないソフトウェアに対して適用する予測モデルを登録する処理である。モデル登録処理の詳細は図２２を参照して後述する。
【0104】
ステップ２２０４では、管理システム１０４は、操作用ポータル４０１にて予測モデルの共通化処理を実行する旨の指示が受け付けられたか否か判定する。指示が受け付けられていなければ（ステップ２２０４のＮｏ）、管理システム１０４はステップ２２００に戻って処理を繰り返す。
【0105】
操作用ポータル４０１にて予測モデルの共通化処理を実行する旨の指示が受け付けられると（ステップ２２０４のＹｅｓ）、ステップ２２０５にて、モデル更新部４０６は、モデル管理部４０８からモデル管理テーブル４１１とデータ管理テーブル４１２を取得し、情報取得部４０２から稼働構成情報管理テーブル４０３を取得する。
【0106】
次に、ステップ２２０６にて、モデル更新部４０６は、モデル管理テーブル４１１に登録された各モデル情報を基にモデル統廃合処理を実施する。モデル統廃合処理は、異なる予測モデルが適用されているが同一の共通モデルを適用できる複数のソフトウェアがある場合に、それらのソフトウェアに適用する共通モデルを１つに統合する処理である。モデル統合処理の詳細は図２３を参照して後述する。
【0107】
次に、ステップ２２０７にて、モデル更新部４０６は、モデル統廃合処理の結果をモデル更新テーブル４０７に登録すると共に、モデル管理部４０８と操作用ポータル４０１に通知する。操作用ポータル４０１では、モデル統廃合処理の結果を操作者に提示する画面が表示される。また、ステップ２２０８にて、モデル管理部４０８は、モデル更新部４０６から通知されたモデル統廃合処理の結果に基づいてモデル管理テーブル４１１を更新して一連の処理を終了する。
【0108】
【0109】
ステップ２３０１は、図２１におけるステップ２２０１から２２０２に対応する処理である。ステップ２３０１にて、モデル管理部４０８は、情報取得部４０２から受信した稼働構成情報管理テーブル４０３から各サイトのアプリ２０７に関する情報の抽出、および、別サイトに導入されたアプリ２０７の抽出を実施する。
【0110】
モデル管理部４０８は、ステップ２３０２にて、抽出されたアプリ２０７の情報がモデル管理テーブル４１１に登録されているか否か確認し、ステップ２３０３にて、アプリ２０７の情報がモデル管理テーブル４１１に登録されているか否か判定する。抽出されたアプリ２０７がモデル管理テーブル４１１に登録されていればモデル登録処理は終了する。
【0111】
ステップ２３０３でアプリ２０７の情報がモデル管理テーブル４１１に登録されていないと判定されたら、ステップ２３０４にて、モデル管理部４０８は、稼働構成情報管理テーブル４０３から登録されていない当該アプリケーション（以下「利用アプリ」ともいう）を構成するソフトウェア（以下「利用ソフト」ともいう）に関する情報を抽出する。
【0112】
更に、モデル管理部４０８は、ステップ２３０５にて、登録されていない利用アプリを構成する利用ソフトと同種のソフトウェア（以下「同種ソフト」ともいう）に適用する予測モデルがモデル管理テーブル４１１に登録されているか否か確認し、ステップ２３０６にて、同種ソフトに適用する予測モデルがモデル管理テーブル４１１に登録されているか否か判定する。なお、ここでは同種のソフトウェアに適用する予測モデルを対象とする例を示したが、他の例として、ポリシー２０００を満たすソフトウェアに適用する予測モデルを対象としてもよい。
【0113】
同種ソフトに適用する予測モデルがモデル管理テーブル４１１に登録されていれば、モデル管理部４０８は、ステップ２３０７にて、利用ソフトの稼働情報と構成情報をデータ管理テーブル４１２から取得する。更に、ステップ２３０８にて、モデル管理部４０８は、同種ソフトに適用する予測モデルを作成したとき情報を示すモデル作成データＩＤ ７１２をモデル管理テーブル４１１から取得し、当該ＩＤに該当する稼働情報および構成情報をデータ管理テーブル４１２から取得する。
【0114】
次に、ステップ２３０９にて、モデル管理部４０８は、ステップ２３０７およびステップ２３０８のそれぞれで取得した稼働情報および構成情報を合成して再学習を行い新たな予測モデルを作成する。ここで作成される新たな予測モデルは、利用ソフトと同種ソフトの両方に適用されうるものとなる。そこで、モデル管理部４０８は、その新たな予測モデルを適用することによって利用ソフトと同種ソフトのいずれも所望の情報が取得できることを確認する。所望の情報とは、予測モデルによる処理性能の適切な予測結果である。例えば、所望の情報は、必要なリソース量の適切な予測値である。
【0115】
ステップ２３１０にて、モデル管理部４０８は、利用ソフトと同種ソフトと共通モデルの統廃合が可能か否か判定する。ステップ２３０９にて作成した予測モデルによって利用ソフトと同種ソフトについて所望の情報が得られる場合には統廃合が可能であると判断し、その予測モデルによって利用ソフトと同種ソフトの一方あるいは両方について所望の情報が得られない場合には統廃合が可能ではないと判断する。
【0116】
統廃合が可能と判断されれば（ステップ２３１０のＹｅｓ）、モデル管理部４０８は、ステップ２３１２にて、利用ソフトに対して同種モデルと同じ新たな共通モデルを適用することをモデル管理テーブル４１１に登録する。一方、統廃合が不可能と判断されれば（ステップ２３１０のＮｏ）、モデル管理部４０８は、ステップ２３１１にて、利用ソフトに対する予測モデルを新たに作成し、モデル管理テーブル４１１に登録する。
【0117】
図２３は、第２の実施の形態によるモデル統廃合処理を説明するためのフローチャートである。モデル統廃合処理は、操作用ポータル４０１にて受け付けられた指示により、共通モデルを統廃合する処理である。本処理は図２１におけるステップ２２０６の処理の詳細である。
【0118】
ステップ２４０１にて、モデル更新部４０６は、ステップ２２０５にて取得したモデル管理テーブル４１１からモデル名７０１、利用アプリ名７０３、利用ソフト名７０４、および共通化フラグ７０２を抽出する。
【0119】
ステップ２４０２にて、モデル更新部４０６は、ステップ２４０１にて抽出した情報を基に、互いに同種のソフトウェアを探索し、見つかった同種のソフトウェアに共通モデルが適用されているか否かを確認する。ステップ２４０３にて、モデル更新部４０６は、同種のソフトウェアに共通モデルが適用されているか否かを判定する。
【0120】
互いに同種のソフトウェアに共通モデルが適用されていなければ（ステップ２４０３のＮｏ）、モデル更新部４０６は、ステップ２４０４にて、モデル管理テーブル４１１から、それら互いに同種のソフトウェアのそれぞれに適用する予測モデルを作成したときに用いられたモデル作成データＩＤ ７１２を取得し、当該ＩＤのそれぞれにマッチする構成情報８０４および稼働情報８０８をデータ管理テーブル４１２から取得し、統合する。
【0121】
次に、ステップ２４０５にて、モデル更新部４０６は、ステップ２４０４で統合された構成情報８０４および稼働情報８０８を学習することにより、それらのソフトウェアに適用しうる予測モデルを作成する。更に、ここで作成された予測モデルをそれらソフトウェアに適用してみて適切な予測結果が得られることを確認する。例えば、適切な予測結果は、必要なリソース量の適切な予測値である。
【0122】
そして、ステップ２４０６にて、モデル更新部４０６は、予測モデルの統廃合が可能か否か判定する。ステップ２４０５にて作成した予測モデルによって互いに同種のソフトウェアについて適切な予測結果が得られる場合には統廃合が可能であると判断し、その予測モデルによって互いに同種のソフトウェアいずれかについて適切な予測結果が得られない場合には統廃合が可能ではないと判断する。予測モデルの統廃合が可能でないと判断されたら（ステップ２４０６のＮｏ）、モデル更新部４０６は、それら互いに同種のソフトウェアに適用する予測モデルを統廃合することなく処理を終了する。
【0123】
ステップ２４０３にて、互いに同種のソフトウェアに共通モデルが適用されていれば（ステップ２４０３のＹｅｓ）、モデル更新部４０６は、ステップ２４０７にて、モデル更新テーブル４０７に登録されていないソフトウェアに対して、同種のソフトウェアに適用されている共通モデルを適用するように、モデル更新テーブル４０７に登録する。
【0124】
ステップ２４０８にて、モデル更新部４０６は、稼働構成情報管理テーブル４０３から、それら互いに同種のソフトウェアのそれぞれの構成情報を取得する。
【0125】
ステップ２４０９にて、モデル更新部４０６は、同種のソフトウェアでありかつ構成が同様であるが、適用される予測モデルが異なるソフトウェアを抽出し、それらのソフトウェアに適用される予測モデルが共通モデルであるか否かをモデル管理テーブル４１１の共通化フラグ７０２を参照して確認する。
【0126】
ステップ２４１０にて、モデル更新部４０６は、予測モデルの統廃合が可能か否か判定する。ステップ２４０９にて、同種のソフトウェアでありかつ構成が同様のソフトウェアに対して同じ共通モデルが適用されていなければ、それらのソフトウェアに適用する予測モデルを統廃合することが可能と判断する。その場合は、それらソフトウェアのいずれか適用されている共通モデルを、それらソフトウェアに適用することにより、予測モデルの統廃合が可能である。一方、同種のソフトウェアでありかつ構成が同様のソフトウェアに対して既に同じ共通モデルが適用されていれば、それらのソフトウェアに適用する予測モデルを統廃合することは可能でないと判断する。予測モデルの統廃合が可能でないと判断されたら（ステップ２４１０のＮｏ）、モデル更新部４０６は、それらのソフトウェアに適用する予測モデルを統廃合することなく処理を終了する。
【0127】
ステップ２４０６で予測モデルの統廃合が可能と判断された場合（ステップ２４０６のＹｅｓ）と、ステップ２４１０で予測モデルの統廃合が可能と判断された場合（ステップ２４１０のＹｅｓ）には、モデル更新部４０６は、ステップ２４１１にて、予測モデルを統廃合した結果をモデル更新テーブル４０７に登録するとともに、モデル更新テーブル４０７に新たな情報が登録された旨をモデル管理部４０８に通知する。ステップ２４１２にて、モデル管理部４０８は、モデル更新テーブル４０７に基づいてモデル管理テーブル４１１を更新する。
【0128】
以上説明した実施形態には以下に示す事項が含まれる。ただし、上記実施形態に含まれる事項が以下に示すものに限定されることはない。
【0129】
（事項１）
アプリケーションを構成するソフトウェアのデプロイ先における処理性能を予測する予測モデルを管理するモデル管理システムであって、
同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶するモデル管理テーブルと、
前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶するデータ管理テーブルと、
予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出する構成比較部と、
前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとするモデル作成部と、
を有するモデル管理システム。
アプリケーションを構成するソフトウェアのデプロイ先における処理性能を予測する予測モデルを管理するモデル管理システムであって、
同じ種類のソフトウェアの処理性能の予測に共通的に利用可能な予測モデルである第１共通モデルを記憶するモデル管理テーブルと、
前記第１共通モデルが作成されたときに学習に用いられた、ソフトウェアのデプロイ先の構成を示す第１構成情報を記憶するデータ管理テーブルと、
予測の対象である対象ソフトウェアのデプロイ先の構成を示す第２構成情報と、前記第１構成情報との差分を抽出する構成比較部と、
前記第１構成情報に対して前記差分を加味した構成情報を用いた学習により予測モデルを作成し、該予測モデルを新たな共通モデルである第２共通モデルとするモデル作成部と、
を有するモデル管理システム。
【0130】
このように、同種のソフトウェアの処理性能の予測に共通的に利用可能な共通モデルを予め用意し、その共通モデルが作成されたときのデプロイ先と対象ソフトウェアのデプロイ先との構成の差分を加味して新たな共通モデルを作成する。そのため、予測モデルの共通化と差分を加味した好適な学習により、ソフトウェアの処理性能を評価するための予測モデルを効率よく管理することができる。
【0131】
（事項２）
事項１に記載のモデル管理システムにおいて、
前記第１共通モデルが作成されたときに該共通モデルによって処理性能の予測が行われたソフトウェアのデプロイ先はオンプレミスのコンピュータであり、
前記対象ソフトウェアのデプロイ先はパブリッククラウドのコンピュータである。
事項１に記載のモデル管理システムにおいて、
前記第１共通モデルが作成されたときに該共通モデルによって処理性能の予測が行われたソフトウェアのデプロイ先はオンプレミスのコンピュータであり、
前記対象ソフトウェアのデプロイ先はパブリッククラウドのコンピュータである。
【0132】
（事項３）
事項２に記載のモデル管理システムにおいて、
前記予測モデルは、演算処理に供されるリソースのリソース量に関する説明変数に基づいて、前記演算処理の処理性能を表す目的変数を算出する回帰式である。
事項２に記載のモデル管理システムにおいて、
前記予測モデルは、演算処理に供されるリソースのリソース量に関する説明変数に基づいて、前記演算処理の処理性能を表す目的変数を算出する回帰式である。
【0133】
これにより、回帰式により処理性能を予測するので、予測結果の根拠が明確であり、また学習データが十分でない領域の予測も可能である。
【0134】
（事項４）
事項３に記載のモデル管理システムにおいて、
前記構成比較部は、前記第１構成情報に含まれるリソース量の範囲が前記第２構成情報に含まれるリソース量の取り得る範囲よりも広い場合、前記第１構成情報を、前記第２構成情報に含まれるリソース量の範囲に制限し、前記第２構成情報と、前記制限された第１構成情報との差分を抽出し、
前記モデル作成部は、前記制限された第１構成情報と、前記第１構成情報を制限して抽出された差分とに基づいて前記第２共通モデルを作成する。
事項３に記載のモデル管理システムにおいて、
前記構成比較部は、前記第１構成情報に含まれるリソース量の範囲が前記第２構成情報に含まれるリソース量の取り得る範囲よりも広い場合、前記第１構成情報を、前記第２構成情報に含まれるリソース量の範囲に制限し、前記第２構成情報と、前記制限された第１構成情報との差分を抽出し、
前記モデル作成部は、前記制限された第１構成情報と、前記第１構成情報を制限して抽出された差分とに基づいて前記第２共通モデルを作成する。
【0135】
これによれば、学習データを必要な範囲に絞り込んで学習を行うことにより、必要な範囲で高い予測精度が得られる共通モデルを作成することができる。
【0136】
（事項５）
事項２に記載のモデル管理システムにおいて、
前記パブリッククラウドのコンピュータは、前記オンプレミスのコンピュータでは提供されない固有のコンピューティングサービスである固有サービスを提供し、前記固有サービスを利用して前記パブリッククラウドに前記対象ソフトウェアをデプロイする場合、
前記モデル作成部は、前記対象ソフトウェアと同じ種類のソフトウェアのオンプレミスのコンピュータでの処理性能の予測に利用可能な第１共通モデルに基づいて、前記対象ソフトウェアのパプリッククラウドのコンピュータで前記固有サービスを利用しての処理性能の予測に利用可能な第２共通モデルを作成する。
事項２に記載のモデル管理システムにおいて、
前記パブリッククラウドのコンピュータは、前記オンプレミスのコンピュータでは提供されない固有のコンピューティングサービスである固有サービスを提供し、前記固有サービスを利用して前記パブリッククラウドに前記対象ソフトウェアをデプロイする場合、
前記モデル作成部は、前記対象ソフトウェアと同じ種類のソフトウェアのオンプレミスのコンピュータでの処理性能の予測に利用可能な第１共通モデルに基づいて、前記対象ソフトウェアのパプリッククラウドのコンピュータで前記固有サービスを利用しての処理性能の予測に利用可能な第２共通モデルを作成する。
【0137】
これにより、パブリッククラウドの固有サービスを利用して対象ソフトウェアをデプロイする場合にもその共通モデルを、オンプレミスの共通モデルを元に作成することができる。
【0138】
（事項６）
事項１に記載のモデル管理システムにおいて、
前記モデル作成部により作成された共通モデルを含む予測モデルと該予測モデルにより処理性能の予測が行われるソフトウェアとを対応付けて管理するモデル管理部と、
前記モデル管理部により管理されている中に、同種の複数のソフトウェアの処理性能の予測に異なる複数の予測モデルが用いられていれば前記複数の予測モデルが作成されたときのデータを再学習して新たな予測モデルを作成し、該新たな予測モデルにより前記複数のソフトウェアの処理性能が正しく予測されるのであれば、該新たな予測モデルを前記複数のソフトウェアに対する共通モデルとするモデル更新部と、
を更に有する。
事項１に記載のモデル管理システムにおいて、
前記モデル作成部により作成された共通モデルを含む予測モデルと該予測モデルにより処理性能の予測が行われるソフトウェアとを対応付けて管理するモデル管理部と、
前記モデル管理部により管理されている中に、同種の複数のソフトウェアの処理性能の予測に異なる複数の予測モデルが用いられていれば前記複数の予測モデルが作成されたときのデータを再学習して新たな予測モデルを作成し、該新たな予測モデルにより前記複数のソフトウェアの処理性能が正しく予測されるのであれば、該新たな予測モデルを前記複数のソフトウェアに対する共通モデルとするモデル更新部と、
を更に有する。
【0139】
これにより、共通モデルを統廃合することにより予測モデルの管理を容易にすることができる。
【0140】
（事項７）
事項６に記載のモデル管理システムにおいて、
前記モデル更新部は、前記モデル管理部により管理されている中に、同種かつデプロイ先の構成が同じである複数のソフトウェアの処理性能の予測に異なる共通モデルが用いられていれば、いずれか１つの共通モデルを前記複数のソフトウェアに対する共通モデルとする。
事項６に記載のモデル管理システムにおいて、
前記モデル更新部は、前記モデル管理部により管理されている中に、同種かつデプロイ先の構成が同じである複数のソフトウェアの処理性能の予測に異なる共通モデルが用いられていれば、いずれか１つの共通モデルを前記複数のソフトウェアに対する共通モデルとする。
【0141】
これにより、共通モデルを統廃合することにより予測モデルの管理を容易にすることができる。
【0142】
（事項８）
事項１に記載のモデル管理システムにおいて、
前記共通モデルが作成されたとき該共通モデルによって処理性能の予測が行われたソフトウェアのデプロイ先はパブリッククラウドのコンピュータであり、
前記対象ソフトウェアのデプロイ先はオンプレミスのコンピュータである。
上述した本発明の実施形態は、本発明の説明のための例示であり、本発明の範囲をそれらの実施形態にのみ限定する趣旨ではない。当業者は、本発明の範囲を逸脱することなしに、他の様々な態様で本発明を実施することができる。
事項１に記載のモデル管理システムにおいて、
前記共通モデルが作成されたとき該共通モデルによって処理性能の予測が行われたソフトウェアのデプロイ先はパブリッククラウドのコンピュータであり、
前記対象ソフトウェアのデプロイ先はオンプレミスのコンピュータである。
上述した本発明の実施形態は、本発明の説明のための例示であり、本発明の範囲をそれらの実施形態にのみ限定する趣旨ではない。当業者は、本発明の範囲を逸脱することなしに、他の様々な態様で本発明を実施することができる。
【符号の説明】
【0143】
１０１…エッジシステム、１０２…オンプレミスシステム、１０３…パブリッククラウドシステム、１０４…管理システム、１０５…通信装置、１０６…ＬＡＮ、１０７…物理サーバ、１０８…ＳＡＮ、１０９…ストレージ装置、１１０…ハイブリッドクラウド環境、２００…ＣＰＵ、２０１…チップセット、２０２…物理ＮＩＣ、２０３…ＨＢＡ、２０４…メモリ、２０５…コンテナ、２０６…ＯＳ、２０７…アプリケーション、２０８…ストレージコントローラ、２０９…物理ボリューム、３０１…マネージドサービス、４０１…操作用ポータル、４０２…情報取得部、４０３…稼働構成情報管理テーブル、４０４…アプリデプロイ部、４０５…アプリカタログ管理テーブル、４０６…モデル更新部、４０７…モデル更新テーブル、４０８…モデル管理部、４０９…モデル作成部、４１０…構成比較部、４１１…モデル管理テーブル、４１２…データ管理テーブル、４１３…共通モデル作成履歴管理テーブル、５００…取得日時、５０１…対象サイト名、５０２…利用アプリ名、５０３…利用ソフト名、５０４…構成情報、５０５…コンテナＩＤ、５０６…ＣＰＵコア数、５０７…メモリ容量、５０８…データ容量、５０９…稼働情報、５１０…ＣＰＵ使用率、５１１…メモリ利用率、５１２…データ利用率、５１３…ＩＯビジー率、５１４…処理性能、５１５…平均処理時間、５１６…課金、６００…アプリＩＤ、６０１…利用アプリ名、６０２…利用ソフト名、６０３…導入サイト名、６０４…デプロイツール名、６０５…マニフェストＩＤ、６０６…イメージファイルＩＤ、６０７…イメージ格納先、７００…登録日時、７０１…モデル名、７０２…共通化フラグ、７０３…利用アプリ名、７０４…利用ソフト名、７０５…入力情報、７０６…ＣＰＵコア数、７０７…メモリ容量、７０８…アプリ固有パラメータ、７０９…出力情報、７１０…処理時間、７１２…モデル作成データＩＤ、７１３…稼働情報、７１４…構成情報、８００…取得日時、８０１…対象サイト名、８０２…利用アプリ名、８０３…利用ソフト名、８０４…構成情報、８０５…データ格納先、８０６…データＩＤ、８０７…データ名、８０８…稼働情報、８０９…データ格納先、８１０…データＩＤ、８１１…データ名、１０００…利用アプリ名、１００１…利用ソフト名、１００２…登録日時、１００３…デプロイ先、１００４…モデル名、１００５…作成更新内容ＩＤ、１００６…詳細情報、１００７…モデル作成データＩＤ、１００８…稼働情報、１００９…構成情報、１１００…画面、１４００…概念図、１９００…概念図、２０００…ポリシー、２００１…同種アプリ、２００２…稼働情報、２００３…構成情報の一致、２１００…画面
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】