特開2024-86626インクリメンタル重心クラスタリングのための方法およびシステム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024086626
(43)【公開日】2024-06-27
(54)【発明の名称】インクリメンタル重心クラスタリングのための方法およびシステム
(51)【国際特許分類】
G06F 18/23211 20230101AFI20240620BHJP
G06N 20/00 20190101ALI20240620BHJP
【ＦＩ】
G06F18/23211
G06N20/00
【審査請求】未請求
【請求項の数】19
【出願形態】ＯＬ
(21)【出願番号】P 2023206683
(22)【出願日】2023-12-07
(31)【優先権主張番号】18/083,102
(32)【優先日】2022-12-16
(33)【優先権主張国・地域又は機関】US
(71)【出願人】
【識別番号】500043574
【氏名又は名称】ブラックベリー リミテッド
【氏名又は名称原語表記】ＢｌａｃｋＢｅｒｒｙ Ｌｉｍｉｔｅｄ
【住所又は居所原語表記】２２００ Ｕｎｉｖｅｒｓｉｔｙ Ａｖｅｎｕｅ Ｅａｓｔ， Ｗａｔｅｒｌｏｏ ＯＮ Ｎ２Ｋ ０Ａ７， Ｃａｎａｄａ
(74)【代理人】
【識別番号】100107489
【弁理士】
【氏名又は名称】大塩 竹志
(72)【発明者】
【氏名】スティーブン ジョン ヘンケル
(57)【要約】 （修正有）
【課題】インクリメンタル重心クラスタリングのための方法およびシステムを提供する。
【解決手段】アノマリー検出のためのコンピューティングデバイスにおける方法であって、コンピューティングデバイスにおいて、複数のデータポイントに対するフルバッチモデルを格納することを含む。複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、格納することは、複数のデータポイントを格納することなしに、複数のクラスタに関する情報を格納するためのテーブルを含む。方法はまた、新規のデータポイントをハードウェアセンサから受信することと、新規のデータポイントがフルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、アノマリーに基づいて、アクションを実施することと、を含む。
【選択図】図１２
【解決手段】アノマリー検出のためのコンピューティングデバイスにおける方法であって、コンピューティングデバイスにおいて、複数のデータポイントに対するフルバッチモデルを格納することを含む。複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、格納することは、複数のデータポイントを格納することなしに、複数のクラスタに関する情報を格納するためのテーブルを含む。方法はまた、新規のデータポイントをハードウェアセンサから受信することと、新規のデータポイントがフルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、アノマリーに基づいて、アクションを実施することと、を含む。
【選択図】図１２
【特許請求の範囲】
【請求項1】
アノマリー検出のためのコンピューティングデバイスにおける方法であって、前記方法は、
前記コンピューティングデバイスにおいて、複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、
前記アノマリーに基づいて、アクションを実施することと
を含む、方法。
前記コンピューティングデバイスにおいて、複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、
前記アノマリーに基づいて、アクションを実施することと
を含む、方法。
【請求項2】
前記コンピューティングデバイスは、
データポイントを選択することと、
前記データポイントがクラスタの中心までの平均距離の閾値内に入ることを決定することと、
前記データポイントを前記クラスタに追加することと、
データポイントトレーニングセット内の後続のデータポイントに対して前記決定することおよび追加することを反復的に実施することと
により、前記フルバッチモデルを作成する、請求項１に記載の方法。
データポイントを選択することと、
前記データポイントがクラスタの中心までの平均距離の閾値内に入ることを決定することと、
前記データポイントを前記クラスタに追加することと、
データポイントトレーニングセット内の後続のデータポイントに対して前記決定することおよび追加することを反復的に実施することと
により、前記フルバッチモデルを作成する、請求項１に記載の方法。
【請求項3】
前記データポイントを前記クラスタに追加することは、
前記クラスタ内のデータポイントの数を示すインデックスをインクリメントすることと、
前記データポイントに対する情報を前記クラスタに対する特徴の合計に追加することと、
前記クラスタの重心をアップデートすることと、
前記クラスタ内のポイント間の近似距離を含む値をアップデートすることと
を含む、請求項２に記載の方法。
前記クラスタ内のデータポイントの数を示すインデックスをインクリメントすることと、
前記データポイントに対する情報を前記クラスタに対する特徴の合計に追加することと、
前記クラスタの重心をアップデートすることと、
前記クラスタ内のポイント間の近似距離を含む値をアップデートすることと
を含む、請求項２に記載の方法。
【請求項4】
第２のデータポイントが前記クラスタの前記中心までの前記平均距離の前記閾値内に入らないことを決定することと、
前記データポイントに対する新規のクラスタを作成することと
をさらに含む、請求項２に記載の方法。
前記データポイントに対する新規のクラスタを作成することと
をさらに含む、請求項２に記載の方法。
【請求項5】
前記アノマリー検出システム内のクラスタの数が関数を超えていることを決定することと、
前記アノマリー検出システムから前記クラスタ内に単一のデータポイントを有する全てのクラスタを除去することと、
前記閾値をより高い値にアップデートすることと
をさらに含む、請求項４に記載の方法。
前記アノマリー検出システムから前記クラスタ内に単一のデータポイントを有する全てのクラスタを除去することと、
前記閾値をより高い値にアップデートすることと
をさらに含む、請求項４に記載の方法。
【請求項6】
前記関数は、処理されるデータポイントの総数を下回る平方根の関数である、請求項５に記載の方法。
【請求項7】
前記コンピューティングデバイスは、各クラスタに関するインクリメンタル情報のみを格納する、請求項１に記載の方法。
【請求項8】
前記アクションは、
アラートを提供することと、
前記コンピューティングデバイスと関連付けられたデバイスを自動的に制御することと
のうちの少なくとも１つを含む、請求項１に記載の方法。
アラートを提供することと、
前記コンピューティングデバイスと関連付けられたデバイスを自動的に制御することと
のうちの少なくとも１つを含む、請求項１に記載の方法。
【請求項9】
前記コンピューティングデバイスは、ＩｏＴ（ｉｎｔｅｒｎｅｔ ｏｆ ｔｈｉｎｇｓ）システム内のエッジデバイスである、請求項１に記載の方法。
【請求項10】
アノマリー検出のためのコンピューティングデバイスであって、前記コンピューティングデバイスは、
プロセッサと、
通信サブシステムと
を備え、
前記コンピューティングデバイスは、
複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、
前記アノマリーに基づいて、アクションを実施することと
を行うように構成されている、コンピューティングデバイス。
プロセッサと、
通信サブシステムと
を備え、
前記コンピューティングデバイスは、
複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、
前記アノマリーに基づいて、アクションを実施することと
を行うように構成されている、コンピューティングデバイス。
【請求項11】
前記コンピューティングデバイスは、
データポイントを選択することと、
前記データポイントがクラスタの中心までの平均距離の閾値内に入ることを決定することと、
前記データポイントを前記クラスタに追加することと、
トレーニングデータポイントセット内の後続のデータポイントに対して前記決定することおよび追加することを反復的に実施することと
により、前記フルバッチモデルを作成するように構成されている、請求項１０に記載のコンピューティングデバイス。
データポイントを選択することと、
前記データポイントがクラスタの中心までの平均距離の閾値内に入ることを決定することと、
前記データポイントを前記クラスタに追加することと、
トレーニングデータポイントセット内の後続のデータポイントに対して前記決定することおよび追加することを反復的に実施することと
により、前記フルバッチモデルを作成するように構成されている、請求項１０に記載のコンピューティングデバイス。
【請求項12】
前記コンピューティングデバイスは、
前記クラスタ内のデータポイントの数を示すインデックスをインクリメントすることと、
前記データポイントに対する情報を前記クラスタに対する特徴の合計に追加することと、
前記クラスタの重心をアップデートすることと、
前記クラスタ内のポイント間の近似距離を含む値をアップデートすることと
により、前記データポイントを前記クラスタに追加するように構成されている、請求項１１に記載のコンピューティングデバイス。
前記クラスタ内のデータポイントの数を示すインデックスをインクリメントすることと、
前記データポイントに対する情報を前記クラスタに対する特徴の合計に追加することと、
前記クラスタの重心をアップデートすることと、
前記クラスタ内のポイント間の近似距離を含む値をアップデートすることと
により、前記データポイントを前記クラスタに追加するように構成されている、請求項１１に記載のコンピューティングデバイス。
【請求項13】
前記コンピューティングデバイスは、
第２のデータポイントが前記クラスタの前記中心までの前記平均距離の前記閾値内に入らないことを決定することと、
前記データポイントに対する新規のクラスタを作成することと
を行うようにさらに構成されている、請求項１１に記載のコンピューティングデバイス。
第２のデータポイントが前記クラスタの前記中心までの前記平均距離の前記閾値内に入らないことを決定することと、
前記データポイントに対する新規のクラスタを作成することと
を行うようにさらに構成されている、請求項１１に記載のコンピューティングデバイス。
【請求項14】
前記コンピューティングデバイスは、
アノマリー検出のための内部のクラスタの数が関数を超えていることを決定することと、
前記クラスタ内に単一のデータポイントを有する全てのクラスタを除去することと、
前記閾値をより高い値にアップデートすることと
を行うようにさらに構成されている、請求項１３に記載のコンピューティングデバイス。
アノマリー検出のための内部のクラスタの数が関数を超えていることを決定することと、
前記クラスタ内に単一のデータポイントを有する全てのクラスタを除去することと、
前記閾値をより高い値にアップデートすることと
を行うようにさらに構成されている、請求項１３に記載のコンピューティングデバイス。
【請求項15】
前記関数は、処理されるデータポイントの総数を下回る平方根の関数である、請求項１４に記載のコンピューティングデバイス。
【請求項16】
前記コンピューティングデバイスは、各クラスタに関するインクリメンタル情報のみを格納する、請求項１０に記載のコンピューティングデバイス。
【請求項17】
前記アクションは、
アラートを提供することと、
前記コンピューティングデバイスと関連付けられたデバイスを自動的に制御することと
のうちの少なくとも１つを含む、請求項１０に記載のコンピューティングデバイス。
アラートを提供することと、
前記コンピューティングデバイスと関連付けられたデバイスを自動的に制御することと
のうちの少なくとも１つを含む、請求項１０に記載のコンピューティングデバイス。
【請求項18】
前記コンピューティングデバイスは、ＩｏＴシステム内のエッジデバイスである、請求項１０に記載のコンピューティングデバイス。
【請求項19】
アノマリー検出のための命令コードを格納するためのコンピュータ格納媒体であって、前記命令コードは、コンピューティングデバイス上のプロセッサによって実行されると、前記コンピューティングデバイスに、
複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと
前記アノマリーに基づいて、アクションを実施することと
を行わせる、コンピュータ格納媒体。
複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと
前記アノマリーに基づいて、アクションを実施することと
を行わせる、コンピュータ格納媒体。
【発明の詳細な説明】
【技術分野】
【0001】
（開示の分野）
本開示は、アノマリー検出システムに関し、特に、アノマリー検出システムのための機械学習に関する。
本開示は、アノマリー検出システムに関し、特に、アノマリー検出システムのための機械学習に関する。
【背景技術】
【0002】
アノマリー検出は、それによってデータセット内の外れ値が識別され得るプロセスである。これは、例えば分散システム等の複雑なソフトウェアシステム内で役割を果たし、利益の中でもとりわけ、システムに対する脅威が検出されること、エラーの根本原因が識別されること、システムの健全性の監視、データのクリーニング等を可能にする。
【0003】
伝統的に、アノマリー検出システムは、手動的に構築されてきた。これは、相当なドメインの知見と、遭遇する可能性のある問題に関する先見の明とを伴うものであった。さらに、そのようなシステムは、スタティックである傾向があり、これは、システムに対する脅威が発展し得るときに望ましくない。
【0004】
これに関し、最近では、機械学習アルゴリズムが、そのようなアノマリー検出システムを作成するために使用されるようになっている。そのような機械学習アルゴリズムは、概して、大きなデータセットを取り扱うことが可能であり、経時的に適応可能であり得、手動的な作成よりもより良好に機能し得るシステムを作成する。そのような機械学習アルゴリズムの例は、とりわけ、Ｏｎｅ Ｃｌａｓｓ ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍｅｔｈｏｄ）、ランダムフォレスト、局所外れ値因子法等を含む。
【0005】
しかしながら、そのような機械学習アルゴリズムは、処理およびメモリ要件の両方の観点で相当なオーバーヘッドを有する。それ故、これらのアルゴリズムは、分散システム内に実装されるためには実用的ではなく、そのようなシステムのエッジ上の処理モジュールは、そのようなアルゴリズムを効果的に実行するために必要なメモリまたは処理パワーを有していない可能性がある。
【発明の概要】
【課題を解決するための手段】
【0006】
本発明は、例えば、以下の項目を提供する。
（項目１）
アノマリー検出のためのコンピューティングデバイスにおける方法であって、前記方法は、
前記コンピューティングデバイスにおいて、複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、
前記アノマリーに基づいて、アクションを実施することと
を含む、方法。
（項目２）
前記コンピューティングデバイスは、
データポイントを選択することと、
前記データポイントがクラスタの中心までの平均距離の閾値内に入ることを決定することと、
前記データポイントを前記クラスタに追加することと、
データポイントトレーニングセット内の後続のデータポイントに対して前記決定することおよび追加することを反復的に実施することと
により、前記フルバッチモデルを作成する、上記項目に記載の方法。
（項目３）
前記データポイントを前記クラスタに追加することは、
前記クラスタ内のデータポイントの数を示すインデックスをインクリメントすることと、
前記データポイントに対する情報を前記クラスタに対する特徴の合計に追加することと、
前記クラスタの重心をアップデートすることと、
前記クラスタ内のポイント間の近似距離を含む値をアップデートすることと
を含む、上記項目のいずれか１項に記載の方法。
（項目４）
第２のデータポイントが前記クラスタの前記中心までの前記平均距離の前記閾値内に入らないことを決定することと、
前記データポイントに対する新規のクラスタを作成することと
をさらに含む、上記項目のいずれか１項に記載の方法。
（項目５）
前記アノマリー検出システム内のクラスタの数が関数を超えていることを決定することと、
前記アノマリー検出システムから前記クラスタ内に単一のデータポイントを有する全てのクラスタを除去することと、
前記閾値をより高い値にアップデートすることと
をさらに含む、上記項目のいずれか１項に記載の方法。
（項目６）
前記関数は、処理されるデータポイントの総数を下回る平方根の関数である、上記項目のいずれか１項に記載の方法。
（項目７）
前記コンピューティングデバイスは、各クラスタに関するインクリメンタル情報のみを格納する、上記項目のいずれか１項に記載の方法。
（項目８）
前記アクションは、
アラートを提供することと、
前記コンピューティングデバイスと関連付けられたデバイスを自動的に制御することと
のうちの少なくとも１つを含む、上記項目のいずれか１項に記載の方法。
（項目９）
前記コンピューティングデバイスは、ＩｏＴ（ｉｎｔｅｒｎｅｔ ｏｆ ｔｈｉｎｇｓ）システム内のエッジデバイスである、上記項目のいずれか１項に記載の方法。
（項目１０）
アノマリー検出のためのコンピューティングデバイスであって、前記コンピューティングデバイスは、
プロセッサと、
通信サブシステムと
を備え、
前記コンピューティングデバイスは、
複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、
前記アノマリーに基づいて、アクションを実施することと
を行うように構成されている、コンピューティングデバイス。
（項目１１）
前記コンピューティングデバイスは、
データポイントを選択することと、
前記データポイントがクラスタの中心までの平均距離の閾値内に入ることを決定することと、
前記データポイントを前記クラスタに追加することと、
トレーニングデータポイントセット内の後続のデータポイントに対して前記決定することおよび追加することを反復的に実施することと
により、前記フルバッチモデルを作成するように構成されている、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１２）
前記コンピューティングデバイスは、
前記クラスタ内のデータポイントの数を示すインデックスをインクリメントすることと、
前記データポイントに対する情報を前記クラスタに対する特徴の合計に追加することと、
前記クラスタの重心をアップデートすることと、
前記クラスタ内のポイント間の近似距離を含む値をアップデートすることと
により、前記データポイントを前記クラスタに追加するように構成されている、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１３）
前記コンピューティングデバイスは、
第２のデータポイントが前記クラスタの前記中心までの前記平均距離の前記閾値内に入らないことを決定することと、
前記データポイントに対する新規のクラスタを作成することと
を行うようにさらに構成されている、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１４）
前記コンピューティングデバイスは、
アノマリー検出のための内部のクラスタの数が関数を超えていることを決定することと、
前記クラスタ内に単一のデータポイントを有する全てのクラスタを除去することと、
前記閾値をより高い値にアップデートすることと
を行うようにさらに構成されている、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１５）
前記関数は、処理されるデータポイントの総数を下回る平方根の関数である、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１６）
前記コンピューティングデバイスは、各クラスタに関するインクリメンタル情報のみを格納する、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１７）
前記アクションは、
アラートを提供することと、
前記コンピューティングデバイスと関連付けられたデバイスを自動的に制御することと
のうちの少なくとも１つを含む、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１８）
前記コンピューティングデバイスは、ＩｏＴシステム内のエッジデバイスである、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１９）
アノマリー検出のための命令コードを格納するためのコンピュータ格納媒体であって、前記命令コードは、コンピューティングデバイス上のプロセッサによって実行されると、前記コンピューティングデバイスに、
複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと
前記アノマリーに基づいて、アクションを実施することと
を行わせる、コンピュータ格納媒体。
（摘要）
アノマリー検出のためのコンピューティングデバイスにおける方法であって、前記方法は、前記コンピューティングデバイスにおいて、複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、新規のデータポイントをハードウェアセンサから受信することと、前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、前記アノマリーに基づいて、アクションを実施することとを含む。
（項目１）
アノマリー検出のためのコンピューティングデバイスにおける方法であって、前記方法は、
前記コンピューティングデバイスにおいて、複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、
前記アノマリーに基づいて、アクションを実施することと
を含む、方法。
（項目２）
前記コンピューティングデバイスは、
データポイントを選択することと、
前記データポイントがクラスタの中心までの平均距離の閾値内に入ることを決定することと、
前記データポイントを前記クラスタに追加することと、
データポイントトレーニングセット内の後続のデータポイントに対して前記決定することおよび追加することを反復的に実施することと
により、前記フルバッチモデルを作成する、上記項目に記載の方法。
（項目３）
前記データポイントを前記クラスタに追加することは、
前記クラスタ内のデータポイントの数を示すインデックスをインクリメントすることと、
前記データポイントに対する情報を前記クラスタに対する特徴の合計に追加することと、
前記クラスタの重心をアップデートすることと、
前記クラスタ内のポイント間の近似距離を含む値をアップデートすることと
を含む、上記項目のいずれか１項に記載の方法。
（項目４）
第２のデータポイントが前記クラスタの前記中心までの前記平均距離の前記閾値内に入らないことを決定することと、
前記データポイントに対する新規のクラスタを作成することと
をさらに含む、上記項目のいずれか１項に記載の方法。
（項目５）
前記アノマリー検出システム内のクラスタの数が関数を超えていることを決定することと、
前記アノマリー検出システムから前記クラスタ内に単一のデータポイントを有する全てのクラスタを除去することと、
前記閾値をより高い値にアップデートすることと
をさらに含む、上記項目のいずれか１項に記載の方法。
（項目６）
前記関数は、処理されるデータポイントの総数を下回る平方根の関数である、上記項目のいずれか１項に記載の方法。
（項目７）
前記コンピューティングデバイスは、各クラスタに関するインクリメンタル情報のみを格納する、上記項目のいずれか１項に記載の方法。
（項目８）
前記アクションは、
アラートを提供することと、
前記コンピューティングデバイスと関連付けられたデバイスを自動的に制御することと
のうちの少なくとも１つを含む、上記項目のいずれか１項に記載の方法。
（項目９）
前記コンピューティングデバイスは、ＩｏＴ（ｉｎｔｅｒｎｅｔ ｏｆ ｔｈｉｎｇｓ）システム内のエッジデバイスである、上記項目のいずれか１項に記載の方法。
（項目１０）
アノマリー検出のためのコンピューティングデバイスであって、前記コンピューティングデバイスは、
プロセッサと、
通信サブシステムと
を備え、
前記コンピューティングデバイスは、
複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、
前記アノマリーに基づいて、アクションを実施することと
を行うように構成されている、コンピューティングデバイス。
（項目１１）
前記コンピューティングデバイスは、
データポイントを選択することと、
前記データポイントがクラスタの中心までの平均距離の閾値内に入ることを決定することと、
前記データポイントを前記クラスタに追加することと、
トレーニングデータポイントセット内の後続のデータポイントに対して前記決定することおよび追加することを反復的に実施することと
により、前記フルバッチモデルを作成するように構成されている、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１２）
前記コンピューティングデバイスは、
前記クラスタ内のデータポイントの数を示すインデックスをインクリメントすることと、
前記データポイントに対する情報を前記クラスタに対する特徴の合計に追加することと、
前記クラスタの重心をアップデートすることと、
前記クラスタ内のポイント間の近似距離を含む値をアップデートすることと
により、前記データポイントを前記クラスタに追加するように構成されている、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１３）
前記コンピューティングデバイスは、
第２のデータポイントが前記クラスタの前記中心までの前記平均距離の前記閾値内に入らないことを決定することと、
前記データポイントに対する新規のクラスタを作成することと
を行うようにさらに構成されている、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１４）
前記コンピューティングデバイスは、
アノマリー検出のための内部のクラスタの数が関数を超えていることを決定することと、
前記クラスタ内に単一のデータポイントを有する全てのクラスタを除去することと、
前記閾値をより高い値にアップデートすることと
を行うようにさらに構成されている、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１５）
前記関数は、処理されるデータポイントの総数を下回る平方根の関数である、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１６）
前記コンピューティングデバイスは、各クラスタに関するインクリメンタル情報のみを格納する、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１７）
前記アクションは、
アラートを提供することと、
前記コンピューティングデバイスと関連付けられたデバイスを自動的に制御することと
のうちの少なくとも１つを含む、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１８）
前記コンピューティングデバイスは、ＩｏＴシステム内のエッジデバイスである、上記項目のいずれか１項に記載のコンピューティングデバイス。
（項目１９）
アノマリー検出のための命令コードを格納するためのコンピュータ格納媒体であって、前記命令コードは、コンピューティングデバイス上のプロセッサによって実行されると、前記コンピューティングデバイスに、
複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、
新規のデータポイントをハードウェアセンサから受信することと、
前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと
前記アノマリーに基づいて、アクションを実施することと
を行わせる、コンピュータ格納媒体。
（摘要）
アノマリー検出のためのコンピューティングデバイスにおける方法であって、前記方法は、前記コンピューティングデバイスにおいて、複数のデータポイントに対するフルバッチモデルを格納することであって、前記複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、前記格納することは、前記複数のデータポイントを格納することなしに、前記複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、新規のデータポイントをハードウェアセンサから受信することと、前記新規のデータポイントが前記フルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、前記アノマリーに基づいて、アクションを実施することとを含む。
【図面の簡単な説明】
【0007】
本開示は、図面を参照することでより良く理解され得る。
【0008】
【0009】
【0010】
【0011】
【0012】
【0013】
【0014】
【0015】
【0016】
【0017】
【0018】
【0019】
【0020】
【発明を実施するための形態】
【0021】
（図面の詳細な説明）
本開示は、アノマリー検出のためのコンピューティングデバイスにおける方法を提供し、方法は、コンピューティングデバイスにおいて、複数のデータポイントに対するフルバッチモデルを格納することであって、複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、格納することは、複数のデータポイントを格納することなしに、複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、新規のデータポイントをハードウェアセンサから受信することと、新規のデータポイントがフルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、アノマリーに基づいて、アクションを実施することとを含む。
本開示は、アノマリー検出のためのコンピューティングデバイスにおける方法を提供し、方法は、コンピューティングデバイスにおいて、複数のデータポイントに対するフルバッチモデルを格納することであって、複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、格納することは、複数のデータポイントを格納することなしに、複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、新規のデータポイントをハードウェアセンサから受信することと、新規のデータポイントがフルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、アノマリーに基づいて、アクションを実施することとを含む。
【0022】
本開示は、アノマリー検出のためのコンピューティングデバイスをさらに提供し、コンピューティングデバイスは、プロセッサと、通信サブシステムとをさらに提供し、コンピューティングデバイスは、複数のデータポイントに対するフルバッチモデルを格納することであって、複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、格納することは、複数のデータポイントを格納することなしに、複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、新規のデータポイントをハードウェアセンサから受信することと、新規のデータポイントがフルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、アノマリーに基づいてアクションを実施することとを行うように構成されている。
【0023】
本開示は、アノマリー検出のための命令コードを格納するためのコンピュータ格納媒体をさらに提供し、命令コードは、コンピューティングデバイス上のプロセッサによって実行されると、コンピューティングデバイスに、複数のデータポイントに対するフルバッチモデルを格納することであって、複数のデータポイントの各々は、複数のクラスタのうちの１つに関連付けられており、格納することは、複数のデータポイントを格納することなしに、複数のクラスタに関する情報を格納するためのテーブルを含む、ことと、新規のデータポイントをハードウェアセンサから受信することと、新規のデータポイントがフルバッチモデルの外にあることを決定し、これにより、アノマリーを検出することと、アノマリーに基づいて、アクションを実施することとを行わせる。
【0024】
本開示は、ＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）デバイスに関する。例えば、そのようなデバイスは、自動車システムを含み得る。しかしながら、本明細書中に記載される方法およびシステムは、その他のシステム内でも等しく使用され得る。したがって、本開示の技術は、任意の特定のシステムに限定されるものではない。
【0025】
いくつかの場合、ソフトウェアプログラムは、例えばインターネット等のパブリックネットワークに接続されるかまたはパブリックネットワークを介してアクセス可能なシステム内で実行され得る。悪意のある行為者は、ネットワーク接続されたソフトウェアプログラムの挙動に影響を与えるために、様々な悪用技術を使用し得る。その他の場合、システムに対するアクセスを有する悪意のある行為者は、ソフトウェアの挙動に影響を与えるために、悪意のあるコードをシステムソフトウェアに挿入し得る。
【0026】
特に、ＩｏＴデバイスの普及が進むにつれて、攻撃者が非道な目的のために標的とし得る脅威サーフェスも増加し続けている。保護ベースのメカニズムは、侵入の開始を防ぎ得るが、そのような方法が失敗した場合、エンドポイント上のアノマリー性挙動を検出し、エンドポイント、ビジネス、またはユーザを被害から保護するためのアクションを促す方法を有することが有益であり得る。
【0027】
例えば、現代の車両は、１億行を超えるソフトウェアコードを有し得る。車両内のソフトウェアが成長するにつれて、攻撃サーフェスも成長し、このことは、そのようなソフトウェアを攻撃に対して脆弱にする。ソフトウェアの各粗末に構成された部分が、攻撃者によって悪用され得る潜在的な脆弱性を表している。
【0028】
ハッカーをシステムに近づけないために使用される「キャッスルウォール」は、不十分であり得るか、または経時的に悪意のある行為者によって迂回され得る。システムは、いくつかの場合、侵害されたデバイスを検出することが可能でないことがあり得る。
【0029】
これに関し、アノマリーを検出するために、システム内のデータ（例えば、ログ等）を分析し得る方法およびシステムが提供される。そのようなシステムは、データアノマリーを見出すために、機械学習を使用し得る。
【0030】
さらに、例えばそのような車両等のエッジシステム上で、メモリ、通信、および処理における限定が存在し得る。例えば、ＩｏＴデバイスは、典型的には、ハードドライブ空間を最適化せず、このことは、データを格納するための性能が限定され得ることを意味している。さらに、ＩｏＴデバイスは、しばしば、限定された処理パワーを有し、全てのＩｏＴデバイスが、常時クラウドに容易に接続することが可能ではないことがあり得る。
【0031】
ログの分析に関する問題を引き起こし得るさらなる因子は、ＩｏＴデバイスが様々な挙動を有し得ることである。特に、ユーザがどのようにＩｏＴデバイスを使用するか、またはそれがシステム内でどのように構成されるかに依存して、通常の挙動は、類似したＩｏＴデバイス間で異なって見え得る。
【0032】
本明細書中で使用されとき、エッジデバイスおよびＩｏＴデバイスは、同義的に使用される。
【0033】
現在のアノマリー検出システムは、「フルバッチモデル」アルゴリズムを使用し得る。そのようなモデルは、全てのデータに対して一度にトレーニングする必要があるアノマリー検出システムを参照し、例は、とりわけ、Ｏｎｅ Ｃｌａｓｓ ＳＶＭ、分離フォレスト（Ｉｓｏｌａｔｉｏｎ Ｆｏｒｅｓｔ）、局所外れ値因子（Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ）を含み得る。そのようなモデルは、全ての良性データが処理のために格納されることを必要とする。これに関し、相当な量の格納空間が、エッジＩｏＴデバイスにおいて必要とされ得、これは、存在しない可能性がある。
【0034】
特に、図１に対する参照がなされ、本図は、エッジトレーニング１０２、エッジ再トレーニング１０４、およびエッジ推論１０６の間に必要とされるステップを示しており、フルバッチモデルは、エッジデバイス上に配置される。
【0035】
図１の例は、例示的なエッジデバイスとして車両内インフォテインメントシステム（ＩＶＩ）１１０を使用する。しかしながら、そのようなデバイスは、例証目的のために提供されているに過ぎず、本開示は、車両内インフォテインメントシステムに限定されない。
【0036】
ＩＶＩ１１０は、システムログ１１２を作成し、システムログから、特徴１１４を工作する。
【0037】
そのような特徴は、ブロック１１６において、特徴ベクトルに変換される。このことは、エッジトレーニング１０２、エッジ再トレーニング１０４、およびエッジ推論１０６の全てに対して起こる。
【0038】
エッジトレーニング１０２およびエッジ再トレーニング１０４に対し、エッジデバイスは、ブロック１２０において、ベクトルを格納する必要がある。このことは、最終的に集合体上でクラスタ化するために行われる。エッジデバイスに対し、エッジデバイス上にベクトルを格納する必要性は、所望のディスクアロケーションが過度に小さい場合、実行不可能な解決策につながり得る。このことは、モデルが再トレーニングされる必要がある場合に、悪化し得る。例えば、新規のソフトウェアアップデートがエッジデバイスに提供され、新規のアプリケーションがインストールされる場合、因子の中でもとりわけ、格納問題が追加される。
【0039】
格納されたベクトルから、ブロック１２２において、モデルがトレーニングされる。モデルは、全ての利用可能な良性データに対してトレーニングされる必要があり得る。いくつかのフルバッチモデル（例えば、Ｏｎｅ Ｃｌａｓｓ ＳＶＭ等）では、このことは、長時間かかり得、トレーニングのために多くのリソースを要し得る。いくつかの場合、モデルは、失敗なしに全体のデータセットをトレーニングすることが可能ではないことがあり得る。その他のモデル（例えば、分離フォレスト等）は、このことに悩まされない可能性があるが、それらは典型的には、ｏｎｅ ｃｌａｓｓ ＳＶＭと比較して有効性に悩まされる。
【0040】
ブロック１２２におけるトレーニングから、フルバッチモデル１３０が作成され得る。エッジ再トレーニング１０４に対し、再トレーニングされたモデル１４０が、アップデートされたフルバッチモデル１３０を作成するために使用され得る。
【0041】
フルバッチモデル１３０は、その後、ブロック１５０に示されている推論の間に使用され得、その後、これは、出力１５２を生成し得る。
【0042】
フルバッチモデルは、典型的に、モデルをインクリメンタルにトレーニングし得ないが、その代わりに、ゼロから開始する必要があり得、このことは、エッジデバイスが有し得るものよりも多くのリソースを要し得る。
【0043】
したがって、図１の実施形態に従うと、主要な問題のうちの１つは、エッジデバイスの空間の限定である。これに関し、格納および処理がクラウド解決策に移行された場合、代替的なアプローチが可能であり得る。ここで図２に対する参照がなされる。
【0044】
特に、エッジデバイスは、分析されるべきログデータの一定のストリームをクラウドサーバまたはサービスに送信し得るが、このことは、エッジデバイスからの通信チャネルを圧倒し得、それ故、実装するためには過度に高価になる。
【0045】
図２の場合では、４つのプロセスが示されており、特に、エッジデバイス上で起こるエッジ収集２０２、クラウド内で起こるクラウドトレーニング２０４、エッジデバイス上で起こるエッジ再収集２０６、およびエッジデバイス上で起こるエッジ推論２０８（クラウドからの入力を伴う）が示されている。
【0046】
図１の実施形態と同様に、エッジデバイスＩＶＩ１１０は、システムログ１１２を作成し、システムログから、特徴１１４を工作する。
【0047】
そのような特徴は、ブロック１１６において、特徴ベクトルに変換される。このことは、エッジ収集２０２、エッジ再収集２０６、およびエッジ推論２０８の全てに対して起こる。
【0048】
エッジ収集２０２およびエッジ再収集２０６に対し、エッジデバイスは、ブロック２１０において、クラウド格納のためにベクトルをクラウドに提供する。
【0049】
格納されたベクトルから、ブロック２１２において、モデルがトレーニングされる。さらに、ブロック２１２におけるトレーニングから、フルバッチモデル２２０がクラウドにおいて作成され得る。
【0050】
フルバッチモデル２２０は、その後、ブロック１５０に示されている推論の間に使用され得、その後、これは、出力１５２を生成し得る。
【0051】
図２の実施形態は、エッジデバイスにおいて過度に多くのデータを格納するという問題を修正するが、このことは、クラウドと相互作用するコストとの引き換えであり得る。特に、エッジデバイスは、毎秒数千の記録を生成することが可能であり得る。因子の中でもとりわけ、いくつかのフィルタリング、集約が適用され得、このことは、エンドポイント毎に相当な量の帯域幅をもたらし得る。そのような通信コストは、データを伝送すると予想されるエンドポイントの数によってさらに膨らみ得る。
【0052】
さらに、エッジ再収集２０６の間の再トレーニングに対し、より多くのデータがクラウドに送信される必要があり、上記と同じ問題を有している。
【0053】
それ故、トレーニングおよび再トレーニングの両方に対し、トレーニングのために必要とされるデータの量を考えると、クラウド内のトレーニングに対するコストは法外なものとなり得る。
【0054】
さらに、いったんモデルがトレーニングされると、モデルは、推論のためにエンドポイントにデータを返送する必要があり、このことは、データを重くし、かつ推論のための遅延時間も増加させ得、いくつかの場合、潜在的に、推論に対するアクションを取ることを過度に遅くし得る。特に、クラウドとの通信は、各往復に対して遅延を追加し、クラウドへのインターネット接続性とクラウドからのインターネット接続性とを有するコンポーネントをさらに必要とする。攻撃者がエンドポイントをオフラインにすることが可能な場合、アノマリー検出機能は機能しなくなり得る。
【0055】
上記に基づいて、エッジデバイスに対する別のアプローチは、いったんトレーニングが完了すると、フルバッチモデルをエッジに移行させることである。ここで図３に対する参照がなされる。
【0056】
図３の場合では、４つのプロセスが示されており、特に、エッジデバイス上で起こるエッジ収集３０２、クラウド内で起こるクラウドトレーニング３０４、エッジデバイス上で起こるエッジ再収集３０６、およびエッジデバイス上で起こるエッジ推論３０８が示されている。
【0057】
図１および２の実施形態と同様に、エッジデバイスＩＶＩ１１０上で、システムログ１１２を作成し、システムログから、特徴１１４を工作する。
【0058】
そのような特徴は、ブロック１１６において、特徴ベクトルに変換される。このことは、エッジ収集３０２、エッジ再収集３０６、およびエッジ推論３０８の全てに対して起こる。
【0059】
エッジ収集３０２およびエッジ再収集３０６に対し、エッジデバイスは、ブロック２１０において、クラウド格納のためにベクトルをクラウドに提供する。
【0060】
格納されたベクトルから、ブロック２１２において、モデルがトレーニングされる。さらに、ブロック２１２におけるトレーニングから、フルバッチモデル２２０がクラウドにおいて作成され得る。
【0061】
フルバッチモデル２２０は、その後、ブロック３１０で示されるように、エッジに展開され得、その後、これは、ブロック３３０に示されている推論の間に使用され得るフルバッチモデル３２０を作成し得、その後、これは、出力３３２を生成し得る。
【0062】
図３の実施形態は、推論の間に、インターネット接続性をオフにすることによってアノマリー検出メカニズムを停止させる性能を低減させるが、このアプローチには懸念とするエリアが依然として存在する。特に、エンドポイントからクラウドに相当な量のデータを送信するという問題が存在し、このことは、通信機能性およびコストの観点で法外になり得る。さらに、再トレーニングは、図２の実施形態と同じ問題に悩まされる。終了トレーニングも、全てのフルバッチモデルに対して同じ限定に直面する。
【0063】
したがって、本開示は、複雑なシステム上でのアノマリー検出のためのインクリメンタル重心クラスタリング方法およびシステムを提供する。
【0064】
車両ソフトウェアシステム
【0065】
本開示のインクリメンタル重心クラスタリング方法およびシステムは、任意のコンピューティングシステム（例えば、ＩｏＴシステム等）上で使用され得るが、一実施形態において、それは、車両システム内で使用され得る。しかしながら、本開示は、車両システムに限定されず、車両システムは、本明細書中では、例証目的のために提供されているに過ぎない。
【0066】
ここで図４に対する参照がなされ、本図は、例示的な車両システムを示している。
【0067】
図４の実施形態において、車両４００は、コンピューティングシステムおよび通信システムを装備され得る。コンピューティングシステムの一部は、ドメイン４１０を含み得、これは、ログデータを作成するアプリケーションを有し得る。さらに、車両４００上のコンピューティングシステムの一部は、下記に記載されるように、アノマリー検出を実施する。
【0068】
図４の例において、車両４００は、通信システムを利用して、図４においてｅＮＢ４２０として示されているセルラー基地局と通信する。基地局は、コアネットワーク４３０と通信し得、その後、これは、ネットワーク４３２を通してクラウドサービスプロバイダ４４０に通信を転送し得る。ネットワーク４３２は、例えば、ワイドエリアネットワーク（例えば、インターネット等）であり得る。
【0069】
その他の実施形態において、コアネットワーク４３０ではなく、特定のセルラー通信プロトコルまたは無線通信プロトコルに関連付けられた任意の技術が使用され得る。
【0070】
いくつかの実施形態において、クラウドサービス４４０は、ドメインに対する処理を提供し得るか、またはドメイン内で使用される情報を提供し得る。
【0071】
さらに、車両ではなく、デバイス４６０が、アノマリー検出のために使用され得る。デバイス４６０は、任意のコンピューティングデバイスであり得、オプションの中でもとりわけ、ＩｏＴデバイス、モバイルデバイス、医療用機器、車両、または車両に関連付けられた機器等を含み得る。デバイス４６０は、様々な有線技術または無線技術（限定されるものではないが、オプションの中でもとりわけ、イーサネット（登録商標）、ファイバ、セルラー、Ｗｉ－Ｆｉ、衛星等）を利用して、ネットワーク４３２を通して通信し得る。
【0072】
図４の実施形態において、車両４００上のドメイン４１０およびデバイス４５０は、いくつかの場合、エッジデバイスとして考えられ得、限定された格納および／または処理を有する。
【0073】
インクリメンタル重心クラスタリング
【0074】
上述のように、エッジデバイス上の既存の機械学習モデルの使用は、非実用的である。特に、既存の機械学習アノマリー検出アルゴリズムを利用して、ログまたはテーブル形式データを分析するとき、主要な問題は、そのようなアルゴリズムに対して必要とされる情報を格納するための十分な空間が存在しないこと、フルバッチモデルを作成するために十分な処理が存在しないこと、および／または全てのデータをクラウドに提供するために十分な通信性能が存在しないことである。さらに、データは前もって必要とされ、インクリメンタルにアップデートすることは困難である。
【0075】
これに関し、インクリメンタル重心クラスタリングのためのアルゴリズムが本明細書中に記載される。下記に詳細に記載されるように、第１のデータポイントは、クラスタを作成するために使用され得、その後、後続のポイントが分析され得、そのクラスタ内の全てのポイントの相互間の平均距離の閾値距離内にそれらが存在するかどうかを決定し得る。そうである場合、新規のデータポイントがクラスタに追加され、クラスタの形状は、新規の追加に基づいて調整され得る。そうではない場合、新規のクラスタが形成される。
【0076】
さらに、いくつかの実施形態において、クラスタの数は、推論時間が過大にならないように、処理されるポイントの数に比例するように限定され得る。この場合、小さなクラスタ（例えば、典型的には外れ値であるサイズ１のもの等）が、所望の最大クラスタプロポーション閾値が超過された場合に、機会を見て除去され得る。これが起こると、閾値は、新規クラスタがより少なく作成されることを助長するために、閾値調整因子によって増加され得る。
【0077】
いったんモデルがトレーニングされると、既存のクラスタの閾値距離内で予測されるものは全て、良性として考えられ、そうではない場合、アノマリー性として考えられる。
【0078】
インクリメンタル重心クラスタリングモデルにおいて、格納されるデータは、最大で処理されるポイントの数の平方根の関数であるクラスタのみである、または、各クラスタは、アルゴリズムが機能するための全ての情報を含む単一のベクトルを含有する。
【0079】
さらに、インクリメンタル重心クラスタリングは、インクリメンタルである。クラスタリングを実施するために全てのデータを必要とするのとは対照的に、インクリメンタル重心クラスタリングは、一度に１つのデータポイントをクラスタリングし得る。
【0080】
下記に記載されるように、そのようなアルゴリズムの有効性は、その他の機械学習アルゴリズムと比較してテストされ、テストされた最良のフルバッチアルゴリズムに近いか、またはより良好であることが見出された。
【0081】
ここで図５に対する参照がなされる。図５の実施形態は、クラスタに関する情報を格納するためのデータ構造の例を示している。しかしながら、図５の例は、そのような情報を格納するための１つのオプションに過ぎない。例示的なデータ構造内に格納される情報は、クラスタに対して格納され得る情報のタイプの例証である。
【0082】
図５の例において、複数のクラスタを有するシステムは、テーブル内に表され得、そこでは、各行は、１つのクラスタに関する情報を有する。情報は、それに対して情報が処理される特定の次元または特徴に対するクラスタの重心に関するデータを含み得る。図５の例において、「ｎ」の次元または特徴が処理され、したがって、列１～ｎは、その特定の次元または特徴に対するクラスタに対する重心に関するデータを含む。集合的に、これらの列は、図５において列５１０として示されている。
【0083】
次のｎ列は、クラスタに属する全てのポイントにわたる全ての特徴の合計を提供する値を格納する。特に、下記により詳細に記載されるように、列５２０として表される列ｎ＋１～２ｎは、分析される次元または特徴の各々に対し、クラスタに対して特徴の合計を累積的に提供する。
【0084】
列５３０は、クラスタ内のポイントの数を提供する。換言すると、そのクラスタ内で分析されており格納されているデータポイントの数は、列５３０によって表される。
【0085】
列５４０は、クラスタ内のポイント間の近似の合計距離を提供する。換言すると、データポイント間の距離測定は、新規のデータポイントがクラスタに追加された際に、アップデートされ得る。
【0086】
【0087】
特に、図６のプロセスは、ブロック６１０から開始し、ブロック６１２に進み、そこでは、データポイントが選択される。当業者によって理解され得るように、データポイント選択は、オプションの中でもとりわけ、上記の図１～３に記載されているように、ログファイル内のラインを使用すること、データが作成された際にデータを処理すること、特徴ベクトルを使用することを伴い得る。いくつかの場合、データポイントは、センサ（例えば、車両センサ、または車両からのセンサのグループ）からのデータを表す。いくつかの場合、データポイントは、センサ、電子制御ユニット（ＥＣＵ）、または処理されるべきその他のコンピューティングユニットから直接的に受信され得る。いくつかの場合、センサまたはＥＣＵからのデータは、ログファイル内に格納され得、事前に何らかの処理が実施され得る。その他のオプションも可能である。
【0088】
ブロック６１２から、プロセスはブロック６２０に進み、そこでは、ブロック６１２からの選択されたデータポイントが、インクリメンタル重心クラスタリングアルゴリズムに対する第１のデータポイントであるかどうかを決定するためのチェックがなされる。はいの場合、プロセスはブロック６３０に進み、そこでは、データポイントは、新規のクラスタに割り当てられる。特に、図５における列５１０に対する値は、アルゴリズムに渡されるデータポイントに対して分析されているｎ個の特徴または次元に対応する。
【0089】
さらに、列５２０は、処理されているデータポイントのｎ個の特徴に対応する値でポピュレートされる。これは、次元内の特徴の合計が１つのデータポイントのみを有し得、したがって、合計が元の値となるからである。
【0090】
行５３０は、１の値を割り当てられ、単一のデータポイントを示している。
【0091】
列５４０は、０の値を割り当てられ、現在のところクラスタ内のデータポイント間で距離が存在しないことを示している。特に、１つのデータポイントのみが存在するので、データポイント間の距離は０である。
【0092】
図６を再び参照すると、ブロック６３０から、プロセスはブロック６３２に進み、そこでは、新規のクラスタがシステムのためのテーブルに追加される。
【0093】
逆に、ブロック６２０から、データポイントがシステムのための第１のデータポイントではない場合、プロセスはブロック６４０に進み、そこでは、データポイントがシステム内の任意の既存のクラスタのクラスタ中心までの平均距離の閾値内にあるかどうかを決定するためのチェックがなされる。
【0094】
クラスタ中心までの平均距離は、０から開始する。クラスタを構築することを開始するために、大域的変数（本明細書中では、「クラスタ距離」として参照される）が使用され得、これは、新規のポイントから最も近いクラスタまでの距離を監視する。第１のデータポイントを過ぎた各反復で、新規のデータポイントと最も近いクラスタとの間の距離が、０から開始して、この変数に追加される。
【0095】
第２の変数（本明細書中では「カウント」として参照される）は、システムに対してセーブされるデータポイントの総数を示し得る。
【0096】
ブロック６４０におけるチェックは、「閾値距離」に、「クラスタ距離」を「カウント」で割った値を乗じる。このように、「クラスタ距離」を「カウント」で割ったものは、最も近いクラスタまでの各ポイントの平均距離を表すことを意図される。これは、有用であり、なぜなら、「閾値距離」のハイパーパラメータに対する良好な選択を前もって決定することは困難であり得、クラスタが経時的により密になったりより密にならなかったりする場合、条件はよりフレキシブルになり得るからである。
【0097】
そのような大域的変数は、いくつかの場合、全てのトレーニングに対して使用され得る。その他の場合、大域的変数は、クラスタがその中に十分なポイントを有するまで、使用され得る。このことの後、ブロック６４０におけるチェックは、その後、「閾値距離」に、列５４０の値を列５３０におけるカウントで割った値を乗じる。特に、列５４０の値を列５３０の値で割ったものは、そのクラスタ中心までの各ポイントの平均距離を表すことを意図される。
【0098】
換言すると、ブロック６４０におけるチェックは、データポイントがそれらの最も近いクラスタまでのポイントの平均距離の平均距離の閾値距離内にあるかどうかを見出す。
【0099】
いくつかの場合、閾値距離は、システムに割り当てられる値であり得、これは、下記に記載されるように、いくつかの場合においては調整され得る。さらに、いくつかの実施形態において、使用されている距離は、ユークリッド距離である。
【0100】
ブロック６４０において、データポイントがクラスタ中心までの平均距離の閾値内にないことが決定された場合、プロセスはブロック６３０に進み、そこでは、データポイントは、新規のクラスタに割り当てられ、その後、ブロック６３２に進み、そこでは、新規のクラスタがシステムに追加される。
【0101】
逆に、ブロック６４０において、データポイントがクラスタ中心までの平均距離の閾値内にあることが決定された場合、プロセスはブロック６４２に進み、そこでは、データポイントは最も近いクラスタにマッピングされる。特に、マッピングは、図７の実施形態にしたがって行われ得る。
【0102】
図７を参照すると、プロセスはブロック７１０において開始し、ブロック７２０に進み、そこでは、クラスタにマッピングされる新規のデータポイントに対する値が計算され、列５２０の特徴の合計に追加される。この新規の合計は、その後、列５２０に格納される。
【0103】
プロセスは、次に、ブロック７３０に進み、そこでは、列５３０における値は、１だけインクリメントされ、クラスタが現在、追加的データポイントを有していることを示している。
【0104】
プロセスは次にブロック７４０に進み、そこでは、ブロック７２０において格納された特徴値の合計が、ブロック７３０において格納されたデータポイントの総数で割られる。これらの値は、その後、重心値として列５１０に格納される。
【0105】
プロセスは、その後、ブロック７５０に進み、そこでは、新規のデータポイントの距離値が、以前のクラスタ中心に追加される。これらの値は、その後、ブロック７３０において格納されたデータポイントの総数で割られ、その後、クラスタ中心までの全てのポイントの間の平均距離に対する近似を作成するために平均化され、これはその後、列５４０に格納され得る。
【0106】
図６を再び参照すると、クラスタを表す列は、それ故、ブロック６４２において新規のデータポイントでアップデートされ得る。
【0107】
ブロック６３２から、新規のクラスタが追加されている場合、１つのオプションの実施形態では、データポイントの総数と比較したときに、最大クラスタカウントが予め決定された閾値を超えるかどうかを見るために、チェックがなされ得る。特に、最大クラスタプロポーションを示す機械学習インクリメンタル重心クラスタリングアルゴリズムに対するハイパーパラメータが設定され得る。一実施形態において、クラスタの総数が処理されている総ポイントを下回る平方根の関数を超える場合、ブロック６５０におけるチェックは真となる。
【0108】
ブロック６５０から、チェックが真である場合、プロセスはブロック６５２に進み、そこでは、クラスタの数が低減され得る。いくつかの場合、クラスタの数は、サイズ１の全てのクラスタを除去することによって低減され得る（なぜなら、これらは外れ値を示すからである）。
【0109】
さらに、サイズ１を有するクラスタの数の将来的な成長を軽減するために、閾値距離を取り扱うハイパーパラメータは、増加され得る。特に、ブロック６４０におけるチェックのために使用される閾値距離は、データポイントがより長距離においてクラスタ内に配置されることを可能にするために、一定量だけ増加され得る。
【0110】
閾値の増加は、いくつかの場合、例えば閾値調整ハイパーパラメータとして指定された予め設定された因子によるものであり得る。いくつかの場合、増加は、増加の列挙されたリストに基づき得る。いくつかの場合、増加は、データセットのサイズまたは処理されているデータポイントの数の何らかの関数に基づき得る。サイズの増加のためのその他のオプションも可能である。
【0111】
最大クラスタプロポーションを超えていない場合、ブロック６４２、６５２、またはブロック６５０から、プロセスはブロック６６０に進み、そこでは、より多くの処理されているデータポイントが存在するかどうかを決定するためのチェックがなされる。はいの場合、プロセスはブロック６６２に進み、そこでは、次のデータポイントが選択され、プロセスはその後、ブロック６４０に戻るように進む。
【0112】
逆に、分析するためのさらなるデータポイントが存在しない場合、プロセスはブロック６７０に進み、終了する。
【0113】
したがって、図６のプロセスは、インクリメンタル重心クラスタリングアルゴリズムのためのトレーニングステップを示している。いったんトレーニングが完了すると、推論の間、データポイントが分析され得、それがモデル内の既存のクラスタのうちの任意のものの距離閾値内にある場合、クラスタに属することが見出され得る。この場合、データポイントは、良性と考えられ得る。逆に、データポイントがクラスタに属しない場合、それはアノマリー性と考えられ得る。
【0114】
図６および７のプロセスを利用すると、ディスク使用に関し、ディスクにセーブする必要があるコンポーネントはインクリメンタルモデルのみであり、インクリメンタル重心クラスタリングのためのその他のデータは格納される必要がない。
【0115】
さらに、インクリメンタル重心クラスタリングモデルは、一度に１つの記録を処理し得、そのピークリソース要件を実行可能な限り低く保ち得る。
【0116】
さらに、図６および７の実施形態は、全てのトレーニングおよび推論はエッジデバイス上で起こるので、クラウド接続性を必要としない。
【0117】
さらに、別個のモデルが、各エッジデバイスに対してトレーニングされ得る。
【0118】
例えば、図８を参照すると、３つのプロセスが示されており、エッジトレーニング８０２、エッジ再トレーニング８０４、およびエッジ推論８０６として参照されており、これらの全ては、エッジデバイスにおいて起こる。
【0119】
図８の例は、例示的なエッジデバイスとして、車両内インフォテインメントシステム（ＩＶＩ）１１０を使用する。しかしながら、そのようなデバイスは、例証目的のために提供されているに過ぎず、本開示は、車両内インフォテインメントシステムに限定されない。
【0120】
ＩＶＩ１１０は、システムログ１１２を作成し、システムログから、特徴１１４を工作する。
【0121】
そのような特徴は、ブロック１１６において、特徴ベクトルに変換される。このことは、エッジトレーニング８０２、エッジ再トレーニング８０４、およびエッジ推論８０６の全てに対して起こる。
【0122】
各記録は、その後、インクリメンタルに処理されるので、図１に示されている格納は必要とされない。その代わりに、特徴ベクトル１１６は、ブロック８１０に示されているようにモデルをトレーニングするために、または、ブロック８３０に示されているようにモデルをアップデートするために使用される。トレーニングまたはアップデートされたモデルは、フルバッチモデル８２０のために（図５のテーブルとして）格納され得る。
【0123】
フルバッチモデル８２０は、その後、ブロック８４０に示されているように推論の間に使用され得、これはその後、出力８４２を生成し得る。
【0124】
したがって、図８の実施形態にしたがって、フルバッチモデルの限定は軽減される。
【0125】
さらに、エンドポイントが非常に類似した良性の挙動を有している可能性が高い場合、インクリメンタルモデルは、デバイスにフェデレートされ、モデルのアップデートが、そのエンドポイントの任意の挙動をテーラリングするために適用され得る。モデルとして、さらなるカンマは、ゼロからトレーニングする必要がなく、それらは、観察される任意の新規の挙動で既存のモデルをアップデートし得る。
【0126】
テスト
【0127】
テストのために、図９の実施形態に示されているように、図６のプロセスは、３次元の特徴を有する８個のクラスタを有するデータセットに対して使用された。特に、図９の実施形態は、８個のクラスタをグレースケールで示しており、グラフ９１０、グラフ９２０、グラフ９３０は、３つの軸のうちの１つに沿った回転を伴って示されている同じ８個のクラスタである。
【0128】
テストケースにおいて、部分的に参照番号９４０で示されているクラスタ（クラスタ内のポイントは、「ｘ」で示されている）は、アノマリー性挙動として指定され、残りの７個のクラスタは、良性挙動として指定された。したがって、図６のプロセスは、良性挙動に対するトレーニングモデルとして実行された。
【0129】
推論プロセスは、その後、残りのデータポイントに対して実行された。この場合、図１０のグラフが作成され、グラフ１０１０、１０２０、および１０３０は、異なる次元の軸のうちの１つに沿って回転された同じクラスタを示している。特に、図１０において見られるように、多くのオーバーラップしているクラスタは、良性のアクティビティをカバーしているが、視覚的に、「ｘ」のシンボルで示され、一般的に参照番号１０４０で指定されているアノマリー性の挙動は、ほとんど触れられていない。
【0130】
プロセスは、図１１に関して示されているもののように、混同行列に基づいて評価され得る。特に、図１１に見られるように、行列は、予測結果と実際の結果とを比較している。データポイントに対する予測値と実際の値との両方が、データポイントが良性であることである場合、これは、真陽性１１１０として分類される。
【0131】
予測が、データポイントがアノマリー性であることであるが、データポイントに対する実際の値が、データポイントが良性であることである場合、これは、偽陰性１１２０として分類される。
【0132】
予測が、データポイントが良性であることであるが、データポイントに対する実際の値が、データポイントがアノマリー性であることである場合、これは、偽陽性１１３０として分類される。
【0133】
データポイントに対する予測値および実際の値の両方が、データポイントがアノマリー性であることである場合、これは、真陰性１１４０として分類される。
【0134】
図１１の混同行列に基づいて、システムのゴールは、真陽性１１１０および真陰性１１４０の値を最大化し、その一方で偽陰性１１２０および偽陽性１１３０を最小化することである。
【0135】
【0136】
それ故、表１から、良性データポイントに対する精度は、９９．２％であり、アノマリー性データポイントに対する精度は、９３．３％であった。
【0137】
さらに、テストの再現率、特に、全陽性のうち何パーセントが陽性と予測されるかは、良性データポイントに対しては９９．５％であり、アノマリー性データポイントに対しては９０．９％である。
【0138】
テストのＦ１スコアは、偽陽性および偽陰性の両方を考慮し、精度および再現率の調和平均である。これは、以下の式１のように表され得る。
【化1】
【0139】
良性データポイントに対するＦ１スコアは、９９．３であり、アノマリー性データポイントに対しては９２．３である。
【0140】
したがって、テストの一般的な精度は、９８．８％であり、調和Ｆ１スコアは、９５．７であり、分類有効性が高かったことを示す。
【0141】
それ故、モデルは、限定された格納および／処理を有するコンピューティングデバイス上で、高い有効性で使用され得る。必要とされる格納は、複数のクラスタに対するテーブルに関するもののみである。特に、格納されるデータは、最大で処理されたポイントの数の平方根の関数であるクラスタのみである、または、各クラスタは、プロセスが機能するための全ての情報を含む単一のベクトルを含有する。
【0142】
クラスタプロポーションが閾値を超えたときにクラスタの数を減らすことによって、そしてその後、使用される距離閾値のサイズを増加させることによって、処理が支援され得る。これは、アルゴリズムのパラメータをチューニングすることをさらに支援する。
【0143】
プロセスは、インクリメンタルであり、クラスタリングを実施するために全てのデータを必要とはしない。特に、方法は、一度の１つのデータポイントをクラスタリングし得る。
【0144】
比較
【0145】
テストにおいて、本開示のインクリメンタル重心クラスタリングの有効性は、テストされるフルバッチアルゴリズムの最良に近いか、またはそれよりも良好であることが見出された。
【0146】
特に、上述のものに対するさらなるテストにおいて、インクリメンタル重心クラスタリングモデルは、Ｏｎｅ Ｃｌａｓｓ ＳＶＭモデルに対してテストされた。同じトレーニングデータ、検証データ、およびテストデータが使用された。トレーニングデータは、各モデルをトレーニングするために使用された。検証データは、アノマリー検出の適切な分離をもたらしたハイパーパラメータの最良の選択を見出すために使用され、テストデータは、結果を比較するために使用された。
【0147】
Ｏｎｅ ｃｌａｓｓ ＳＶＭモデルに対し、以下のハイパーパラメータがチューニングされた。
【表2】
【0148】
インクリメンタル重心クラスタリングに対し、以下のハイパーパラメータがチューニングされた。
【表3】
【0149】
ハイパーパラメータを変動させて複数回テストを実行したところ、ガンマを‘ｓｃａｌｅ’に設定し、トレランスは「取るに足らない」であったとし、Ｎｕを０．００１に設定したＲＢＦカーネルに対し、Ｏｎｅ Ｃｌａｓｓ ＳＶＭに対するデータセットに対して最高の性能が見出された。ハイパーパラメータのこの設定に対し、以下の混同行列が見出された。
【表4】
【0150】
上記から、良性データに対する精度は、９６．６であり、アノマリー性データに対する精度は、８５．７であった。良性データに対する再現率は、９９．１であり、アノマリー性データに対する再現率は、６０．０であった。良性データに対するＦ１スコアは、９７．９であり、アノマリー性データに対するＦ１スコアは、７０．６であった。
【0151】
全体として、Ｏｎｅ Ｃｌａｓｓ ＳＶＭに対する精度は、９６．０であり、調和Ｆ１は８２．０であり、曲線下面積（ＡＵＣ）は、７９．６であった。
【0152】
同様に、ハイパーパラメータを変動させてテストを複数回実施したところ、閾値が過度に低く（０．３）、クラスタプロポーションが過度に高い（＞０．８）場合、モデルは悪化した。このモデルに対し、以下の混同行列が見出された。
【表5】
【0153】
上記から、良性データに対する予測は、９８．６であり、アノマリー性データに対する予測は、９２．６であった。良性データに対する再現率は、９９．４であり、アノマリー性データに対する再現率は、８３．３であった。良性データに対するＦ１スコアは、９９．０であり、アノマリー性データに対するＦ１スコアは、８７．７であった。
【0154】
全体として、インクリメンタル重心クラスタリングの精度は、９８．１であり、調和Ｆ１は９３．０であり、ＡＵＣは９１．４６であった。
【0155】
これらの結果に基づくと、インクリメンタル重心クラスタリングモデルをチューニングした後、適合がＯｎｅ Ｃｌａｓｓ ＳＶＭよりもより正確になった。さらに、インクリメンタル重心クラスタリングは、Ｏｎｅ Ｃｌａｓｓ ＳＶＭモデルよりもより迅速に実行することが見出された。
【0156】
アノマリー検出の使用
【0157】
実際には、アノマリー検出の使用は、エッジデバイス、サーバ、クラウド、および／またはその他のコンピューティングデバイスのいずれかで様々なアクションを実施するために行われ得る。特に、ここで図１２に対する参照がなされる。
【0158】
図１２の実施形態は、ブロック１２１０において開始し、ブロック１２１２に進み、そこでは、アノマリー検出が実施される。この場合、実施されるアノマリー検出は、上述された図６および７の実施形態において作成されるフルバッチモデルを使用し得る。新規のデータポイントが、その後、例えばログファイルから受信され、これは、ハードウェアセンサからの入力に基づいて作成され得るか、または、いくつかの場合においては、ソフトウェアプロセッサに基づいて作成され得る。
【0159】
新規のデータポイントは、ポイントがフルバッチモデル内の任意の既存のクラスタから距離閾値にあるかどうかを決定することにより、それがフルバッチモデルに入るかどうかを決定するためにチェックされ得る。はいの場合、データポイントは、良性データポイントであると考えられる。いいえの場合、データポイントは、アノマリー性データポイントであると考えられる。このことは、オプションの中でもとりわけ、ログファイルコンテンツに基づいて、データポイントが作成されるたびに繰り返される。
【0160】
いったんアノマリー検出が実施されると（または、それが連続的な分析を実施するシステム内で実施されると）、プロセスはブロック１２２０に進み、そこでは、何らかのアノマリーが処理されているデータ内で見出されたかどうかを決定するためのチェックがなされる。いいえの場合、プロセスはブロック１２１２に進み、アノマリー検出を実施することを継続し得る。
【0161】
逆に、アノマリーがブロック１２２０において見出された場合、プロセスはブロック１２３０に進み得、そこでは、アクションが実施され得る。実施されるアクションは、エッジデバイスが展開されるアプリケーションのタイプに特有であり得る。例えば、車両システムにおいて、アノマリーが検出された場合、１つの可能性のあるアクションは、車両のドライバにアラートを提供することであり得る。例えば、アラートは、オプションの中でもとりわけ、インフォテイメントシステム上、車両のダッシュボード上のメッセージ、ドライバへのオーディオアラート、ステアリングホイールに対するハプティックフィードバックを含み得る。アラートは、オプションの中でもとりわけ、ドライバが車両を整備すべき、車両を停めて運転をやめるべき、製造業者またはディーラーに連絡すべき、システムをリセットすべき等を示し得る。
【0162】
その他の場合、アクションは、ドライバではなく、第三者に対するアラートであり得る。そのようなアラートは、オプションの中でもとりわけ、車両の製造業者、ディーラー、フリートオペレータ、企業ＩＴ部門等に送信され得る。アラートは、そのような情報の中でもとりわけ、アノマリーを引き起こしたデータ、アノマリーの周辺のコンテキスト、その他の車両センサ読み取り値等を含み得る。このことは、第三者が、車両に関する決定（例えば、そのようなアクションの中でもとりわけ、車両を整備させるべきかどうか、車両を道路から除去するかどうか、車両上のソフトウェアをリセットするかどうか、ソフトウェアアップデートが車両にプッシュされるべきかどうか等）を行うことを可能にする。
【0163】
いくつかの場合、アクションは、車両自体がアクションを自動的に行うことを伴い得る。例えば、そのようなアクションの中でもとりわけ、車両は、車両が自律機能性を有している場合に停まり得、車両はいくつかの場合においてアノマリー性センサ読み取り値を無視し得、車両はいくつかの場合において速度が限定され得る。
【0164】
非車両シチュエーションに対し、アクションは同様に、アノマリー性データ検出に基づいて、ユーザ、第三者にアラートすること、または、エッジデバイス上の何らかの機能性を実施することを含み得る。
【0165】
いくつかの場合、アクションは、モデルを再トレーニングすることにおいて、新規のデータポイントを使用するためのものであり得る。
【0166】
本開示は、アノマリーの検出に基づいて実施され得る任意の特定のアクションに限定されることを意図されるものではなく、上記の例は、例証のみのために提供されている。
【0167】
コンピューティングデバイス
【0168】
上記のドメイン、ネットワーク要素、ＩｏＴまたはエッジデバイス、クラウドサービス、ノード、およびその他のコンピューティングプラットフォームは、任意のコンピューティングデバイスを使用して実装され得る。コンピューティングデバイスの１つの簡略図が、図１３に関して示されている。図１３のコンピューティングデバイスは、任意の固定コンピューティングデバイスまたはモバイルコンピューティングデバイスであり得る。
【0169】
図１３において、デバイス１３１０は、プロセッサ１３２０および通信サブシステム１３３０を含み、プロセッサ１３２０および通信サブシステム１３３０は、上述された実施形態の方法を実施するために協働する。通信サブシステム１３３０は、デバイス１３１０がその他のデバイスまたはネットワーク要素と通信することを可能にし、実施される通信のタイプに基づいて変動し得る。さらに、通信サブシステム１３３０は、複数の通信技術（任意の有線または無線通信技術を含む）を含み得る。
【0170】
プロセッサ１３２０は、プログラム可能論理を実行するように構成され、これは、データとともにデバイス１３１０上に格納され得、図１３の例ではメモリ１３３２として示されている。メモリ１３３２は、命令コードを格納する任意の有形、非一過性のコンピュータ読み取り可能な格納媒体であり得、上記命令は、プロセッサ１３２０によって実行されると、デバイス１３１０に、本開示の方法を実施させる。コンピュータ読み取り可能な格納媒体は、例えば光学（例えば、ＣＤ、ＤＶＤ等）、磁気（例えば、テープ）、フラッシュドライブ、ハードドライブ、または当該技術分野において公知のその他のメモリ等の有形または一過性／非一過性の媒体であり得る。
【0171】
代替的に、またはメモリ１３３２に加えて、デバイス１３１０は、例えば通信サブシステム１３３０を通して、外部格納媒体からデータまたはプログラム可能論理にアクセスし得る。
【0172】
図１３の例において、１つ以上のセンサ１３４０は、コンピューティングデバイスと関連付けられ得る。しかしながら、これは、オプションであり、いくつかの場合、コンピューティングデバイス１３１０は、センサとは関連付けられていない可能性がある。
【0173】
デバイス１３１０の様々な要素間の通信は、１つの実施形態では、内部バス１３６０を通したものであり得る。しかしながら、その他の形式の通信も可能である。
【0174】
本明細書中に記載されている実施形態は、本願の技術の要素に対応する要素を有している構造、システム、方法の例である。本明細書の記載は、当業者が本願の技術の要素に同様に対応する代替的な要素を有する実施形態を構成および使用することを可能にし得る。本願の技術の意図された範囲は、それ故、本明細書に記載された本願の技術とは異ならないその他の構造、システムまたは方法を含み、本明細書に記載された本願の技術からの非実質的な差異を有するその他の構造、システムまたは方法をさらに含む。
【0175】
動作は、特定の順序で図面に描写されているが、これは、所望の結果を達成するために、そのような動作が示されている特定の順序または連続的順序で実施されるべきであること、または、全ての例証されている動作が実施されるべきであることを必要としているとして理解されるべきではない。或る状況において、マルチタスク処理および並列処理が、採用され得る。さらに、上述された実装における様々なシステムコンポーネントの分離は、全ての実装においてそのような分離を必要としているとして理解されるべきではなく、記載されたプログラムコンポーネントおよびシステムは、概して、単一のソフトウェア製品内に一緒に統合され得るか、または、複数のソフトウェア製品にパッケージ化され得ることが理解されるべきである。
【0176】
また、離散的または分離的であるとして様々な実装において記載され、例証された技術、システム、サブシステム、および方法は、その他のシステム、モジュール、技術、または方法と組み合わされ得るか、または統合され得る。相互に結合されるかまたは直接的に結合されるかまたは通信するとして示されるかまたは議論されたその他のアイテムは、電気的、機械的、またはその他に関わらず、いくつかのインターフェース、デバイス、または中間コンポーネントを通して間接的に結合され得るかまたは通信し得る。その他の変更、置換、および代替は、当業者によって確かめられることができ、構成され得る。
【0177】
上記の詳細な記載は、様々な実装に適用されるものとして本開示の基本的な新規な特徴を示し、記載し、指摘してきたが、例証されたシステムの形式および詳細における様々な省略、置換、および変更が、当業者によってなされ得ることが理解され得る。加えて、方法ステップの順序は、それらが特許請求の範囲内に現れる順序によって示唆されてはいない。
【0178】
メッセージが電子デバイスに送信される／電子デバイスから送信されるとき、そのような動作は、即時的なものまたはサーバから直接的なものではない可能性がある。それらは、本明細書に記載されるデバイス／方法／システムをサポートするサーバまたはその他のコンピューティングシステムインフラストラクチャから、同期的または非同期的に送達され得る。上述のステップは、全体的または部分的に、デバイス／インフラストラクチャに対する／デバイス／インフラストラクチャからの同期的／非同期的通信を含み得る。さらに、電子デバイスからの通信は、ネットワーク上の１つ以上のエンドポイントに対するものであり得る。これらのエンドポイントは、例えばサーバ、分散コンピューティングシステム、ストリームプロセッサ等によってサービス提供され得る。また、コンテンツ配信ネットワーク（ＣＤＮ）は、電子デバイスに通信を提供し得る。例えば、典型的なサーバ応答とは異なり、サーバは、コンテンツ配信ネットワーク（ＣＤＮ）に対するデータを提供するかまたは示し得、例えば電子デバイスの後続のアクティビティ等の後の時間における電子デバイスによるダウンロードを待機し得る。それ故、データは、サーバから直接的に送信され得るか、または、システムの一部として、またはシステムとは別個に、その他のインフラストラクチャ（例えば、分散インフラストラクチャまたはＣＤＮ等）から送信され得る。
【0179】
典型的には、格納媒体は、半導体メモリデバイス（例えば、ダイナミックまたはスタティックランダムアクセスメモリ（ＤＲＡＭまたはＳＲＡＭ）、消去可能およびプログラム可能リードオンリーメモリ（ＥＰＲＯＭ）、電気的消去可能およびプログラム可能リードオンリーメモリ（ＥＥＰＲＯＭ）、およびフラッシュメモリ等）、磁気ディスク（例えば、固定ディスク、フロッピー（登録商標）ディスク、リムーバブルディスク等）、テープを含む別の磁気媒体、光学媒体（例えば、コンパクトディスク（ＣＤ）またはデジタルビデオディスク（ＤＶＤ）等）、または別のタイプの格納デバイスのうちの任意のまたはいくつかの組み合わせを含み得る。上述された命令は、１つのコンピュータ読み取り可能または機械読み取り可能な格納媒体上に提供され得、または、代替的に、複数のノードを有している可能性がある大きなシステム内に分散された複数のコンピュータ読み取り可能または機械読み取り可能な格納媒体上に提供され得る。そのようなコンピュータ読み取り可能または機械読み取り可能な格納媒体または複数のコンピュータ読み取り可能または機械読み取り可能な格納媒体は、品物（または製品）の一部であると考えられる。品物または製品は、任意の製造された単一のコンポーネントまたは複数のコンポーネントを参照し得る。格納媒体または複数の格納媒体は、機械読み取り可能な命令を実行する機械内に配置され得るか、または、そこから機械読み取り可能な命令が実行のためにネットワークにわたってダウンロードされ得る遠隔サイトに配置され得る。
【0180】
上述の記載では、多数の詳細が本明細書中に開示された対象の理解を提供するために述べられている。しかしながら、実装は、これらの詳細のうちのいくつかを伴わずに実践され得る。その他の実装は、上述された詳細からの改変またはバリエーションを含み得る。添付の特許請求の範囲は、そのような改変およびバリエーションをカバーすることが意図されている。
【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】
