特許 7644653 管理装置および管理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2025-03-04

(45)【発行日】2025-03-12

(54)【発明の名称】管理装置および管理方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20250305BHJP

   G06F 11/34 20060101ALI20250305BHJP

【ＦＩ】

G06N20/00

G06F11/34 138

【請求項の数】 12

(21)【出願番号】P 2021073660

(22)【出願日】2021-04-23

(65)【公開番号】P2022167692

(43)【公開日】2022-11-04

【審査請求日】2024-03-07

(73)【特許権者】

【識別番号】524132520

【氏名又は名称】日立ヴァンタラ株式会社

(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】河野 泰隆

【審査官】佐藤 直樹

(56)【参考文献】

【文献】特開２０１９－０７９１２０（ＪＰ，Ａ）

【文献】特開２０２０－１２９３１４（ＪＰ，Ａ）

【文献】特開２０１７－０１６６３２（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

Ｇ０６Ｆ １１／３４

(57)【特許請求の範囲】

【請求項1】

プロセッサと記憶装置を有し、前記プロセッサが前記記憶装置に格納されたソフトウェアプログラムを実行することにより実現される、管理対象から取得される監視データを推論するための機械学習モデルを生成する機械学習モデル生成部と、前記機械学習モデルを用いて推論処理を行う推論処理部と、前記推論処理の結果を用いて前記管理対象を管理する管理部と、前記機械学習モデルの再学習の要否を判定する再学習要否判定部と、を備える管理装置であって、
前記管理部は、
前記管理対象に対する管理操作が前記管理対象に与える影響を定義した操作影響情報と、前記管理対象に対して実行された管理操作を記録した管理操作ログと、前記管理対象に対して実行されることが計画または推測される管理操作を示す管理操作スケジュールと、を備え、
前記管理対象から取得された監視データである実測監視データと、前記推論処理部により前記監視データを予測する推論処理の結果である予測監視データと、の差が所定の閾値を超えるか否か判定し、
前記再学習要否判定部は、
前記差が前記閾値を超えたら前記差を有意差とし、前記操作影響情報と、前記管理操作ログと、前記管理操作スケジュールと、に基づいて、前記有意差が一時的なものか継続するものか否か判定し、
前記有意差が継続するものと判定したら、前記機械学習モデルの再学習を実行すべきと判定する、
管理装置。

【請求項2】

請求項１に記載の管理装置であって、
前記管理対象は、１または複数の計算機を備える計算機システムであり、
前記操作影響情報は、前記１または複数の計算機の間でやりとりされるデータ入出力への影響を定義した情報を含み、
前記再学習要否判定部は、
前記管理対象に対して実行された管理操作が、前記１または複数の計算機の間でやりとりされるデータ入出力を増加あるいは減少させるか否かを判定し、
前記管理操作が前記データ入出力を増加あるいは減少させると判定した場合は、前記有意差が継続するものであると判定する、
管理装置。

【請求項3】

請求項１に記載の管理装置であって、
前記管理対象は、１または複数の計算機を備える計算機システムであり、
前記操作影響情報は、前記１または複数の計算機の間でやりとりされるデータ入出力の処理負荷に対する影響の情報を含み、
前記再学習要否判定部は、
前記管理対象に対して実行された管理操作が、前記１または複数の計算機の間でやりとりされるデータ入出力により前記計算機にかかる処理負荷を変化させるか否かを判定し、
前記管理操作が前記処理負荷を変化させると判定した場合は、前記有意差が継続するものであると判定する、
管理装置。

【請求項4】

請求項１に記載の管理装置であって、
前記管理対象は、１または複数の計算機を備える計算機システムであり、
前記操作影響情報は、管理操作の種別と該種別の管理操作が前記１または複数の計算機に対してデータ入出力を発生させるものであるか否かとを対応付ける情報を含み、
前記再学習要否判定部は、
前記管理操作ログに基づき、前記管理対象に対して実行された管理操作が前記１または複数の計算機に対してデータ入出力を発生させる種別であるか否か判定し、
前記管理操作が前記データ入出力を発生させる種別であった場合には、前記スケジュールに基づいて、前記管理操作が継続して実行されるものであるか否かを判定し、
前記管理操作が継続して実行されるものであると判定した場合は、前記有意差が継続するものであると判定する、
管理装置。

【請求項5】

請求項１に記載の管理装置であって、
前記再学習要否判定部は、
前記機械学習モデルの再学習を実行すべきと判定した場合に、前記管理操作スケジュールに基づいて、前記管理対象への管理操作の実行が予定されているか否か判定し、
前記管理操作の実行が予定されていれば、前記機械学習モデルの再学習を、前記管理操作の実行が完了するまで実行させない、
管理装置。

【請求項6】

請求項５に記載の管理装置であって、
前記再学習要否判定部は、
前記予定されていた管理操作が実行された後に前記管理対象から実測監視データを管理操作後実測監視データとして取得し、該管理操作後実測監視データと、前記有意差が発生する前に取得された実測監視データである有意差発生前実測監視データとの差が所定の閾値を超えているか否か判定し、前記差が前記閾値を超えていなければ、前記機械学習モデルの再学習を実行しない、
管理装置。

【請求項7】

請求項１に記載の管理装置であって、
前記管理部は、
前記管理対象に対する管理操作が実行されたら、前記管理操作の完了後に前記管理対象に生じる変化を監視し、
前記管理対象に生じた変化に基づいて、前記操作影響情報を更新する、
管理装置。

【請求項8】

請求項１に記載の管理装置であって、
前記管理部は、
前記管理操作ログに基づいて、前記管理対象に対して周期的に実行される管理操作を周期管理操作として特定し、
前記管理操作ログに基づいて、前記周期管理操作の将来の実行時刻を予測し、
前記周期管理操作と前記将来の実行時刻とを前記管理操作スケジュールに登録する、
管理装置。

【請求項9】

請求項１に記載の管理装置であって、
前記管理部は、前記再学習要否判定部が前記機械学習モデルの再学習を実行すべきと判定したら、前記管理対象から取得した監視データのうち、前記有意差を継続して発生させる原因である管理操作が完了した時刻より後に取得された監視データを、前記機械学習モデルの再学習に学習データとして用いる、
管理装置。

【請求項10】

請求項１に記載の管理装置であって、
前記再学習要否判定部は、前記機械学習モデルを再学習すべきと判定したら、前記継続する有意差の原因である第１の管理操作と異なる第２の管理操作が、前記機械学習モデルの再学習に用いる学習データが取得された時間内に実行されていたら、前記学習データから前記第２の管理操作の影響を除外するように補正して前記再学習に用いる、
管理装置。

【請求項11】

請求項１に記載の管理装置であって、
前記再学習要否判定部が前記機械学習モデルを再学習すべきと判定したら、前記操作影響情報と前記管理操作ログと前記管理操作スケジュールと、に基づいて、前記有意差が継続して発生すると判定した根拠に関する情報を表示する表示部を更に備える、
管理装置。

【請求項12】

プロセッサと記憶装置を有し、前記プロセッサが前記記憶装置に格納されたソフトウェアプログラムを実行することにより実現される、管理対象から取得される監視データを推論するための機械学習モデルを生成する機械学習モデル生成部と、前記機械学習モデルを用いて推論処理を行う推論処理部と、前記推論処理の結果を用いて前記管理対象を管理する管理部と、前記機械学習モデルの再学習の要否を判定する再学習要否判定部と、を備えるコンピュータが実行する管理方法であって、
前記管理部が、
前記管理対象に対する管理操作が前記管理対象に与える影響を定義した操作影響情報と、前記管理対象に対して実行された管理操作を記録した管理操作ログと、前記管理対象に対して実行されることが計画または推測される管理操作を示す管理操作スケジュールと、を記録し、
前記管理対象から取得された監視データである実測監視データと、前記推論処理部により前記監視データを予測する推論処理の結果である予測監視データと、の差が所定の閾値を超えるか否か判定し、
前記再学習要否判定部が、
前記差が前記閾値を超えたら前記差を有意差とし、前記操作影響情報と、前記管理操作ログと、前記管理操作スケジュールと、に基づいて、前記有意差が一時的なものか継続するものか否か判定し、
前記有意差が継続するものと判定したら、前記機械学習モデルの再学習を実行すべきと判定する、
管理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、機械学習を活用するシステムを運用管理するための技術に関する。

【背景技術】

【0002】

近年、機械学習（ＭＬ： Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）を活用するシステムの運用を通じて、ＭＬモデルの品質を継続的に維持または改善する仕掛けやサービスが求められている。これに関連する技術として、特許文献１に開示された技術がある。

【0003】

特許文献１には、モデルの精度を継続的に評価した結果に基づいてコンセプトドリフトの有無を判定し、コンセプトドリフトが発生していると判定した場合にモデルを再学習する方法が開示されている。

【先行技術文献】

【特許文献】

【0004】

【文献】米国公開特許公報ＵＳ２０１６０３７１６０１Ａ１

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１で開示されているＭＬモデルの再学習方法は、コンセプトドリフトの発生原因を考慮していないため、必ずしも適切な再学習とならない可能性があった。例えば、（１）不要な再学習により不要なコストがかかる、（２）再学習によって却って精度が低下する、（３）再学習するタイミングが必ずしも適切ではなく不要なコストがかかる、といった可能性がある。

【0006】

ここではＭＬを活用したＩＴインフラストラクチャの管理を具体例として課題を説明する。例えば、あるデータストレージ装置が記憶領域（以下、プールと呼ぶ）を備え、そこから切り出した記憶領域（以下、ボリュームと呼ぶ）を計算機に割り当て、計算機が当該ボリュームに対してデータのＩ／Ｏ（Ｉｎｐｕｔ／Ｏｕｔｐｕｔ）を行う構成を考える。このとき、プールの過去の性能データ（例えばＢｕｓｙ Ｒａｔｅなど）をＭＬにより学習し、その将来値を予測するＭＬモデルがあるとする。このＭＬモデルに対して特許文献１の再学習方法を適用すると、ＭＬモデルの品質劣化が検出された場合に当該モデルを再学習することができる。

【0007】

しかし、特許文献１で開示されているＭＬモデルの再学習方法では、コンセプトドリフトが計算機からのＩ／Ｏの傾向変化によって生じたものか、あるいはボリュームやプールに対する管理操作によって生じたものか、といった区別をすることができない。

【0008】

例えば、計算機からボリュームに対するＩ／Ｏは全く変化がなく、当該ボリュームに対して実行されたデータコピー操作によってプールの性能負荷が増大したことでコンセプトドリフトが検知されるというケースが考えられる。当該データコピー操作が手動で行われた単発の操作であった場合、この性能負荷の増大は継続的なものではないため、ＭＬモデルを再学習すべきではない。しかし特許文献１で開示されているＭＬモデルの再学習方法では、この区別がつかないため再学習を実行してしまい、その結果、前述の（１）（２）の事象が発生する。

【0009】

さらに別の例を用いて課題を説明する。ここでは、例えば前述のプールから第２のボリュームを切り出し、第２の計算機に割り当てるという管理操作を行ったとする。これにより、当該プールに新たに第２の計算機からのＩ／Ｏが流入することになることで、コンセプトドリフトが検知されるというケースが考えられる。このとき、特許文献１で開示されているＭＬモデルの再学習方法では、ＭＬモデルの再学習が行われる。一方、ＭＬモデルによる性能予測値と、その後に観測された性能実測値との間に一定以上の大きさの乖離（すなわち性能異常）が認められた場合に、ＩＴ管理ソフトまたはＩＴ管理者が当該性能異常を解消するための管理操作を行うケースが考えられる。例えば、当該プールの性能負荷を下げ、他のプールとの性能負荷を均衡させるために、プールから切り出された一部のボリュームを別のプールに移行する操作を行うことがある。ＩＴ管理ソフトまたはＩＴ管理者が当該操作を行うとプールの性能負荷が下がるため、再学習したＭＬモデルによるプール性能予測の精度が再び低下することが考えられる。これにより、特許文献１で開示されているＭＬモデルの再学習方法では、もう一度ＭＬモデルの再学習が行われてしまい、前述の（３）の事象となる。

【0010】

本開示のひとつの目的は、機械学習モデルの適切な再学習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】

本開示に含まれるひとつの態様による管理装置は、プロセッサと記憶装置を有し、プロセッサが記憶装置に格納されたソフトウェアプログラムを実行することにより実現される、管理対象から取得される監視データを推論するための機械学習モデルを生成する機械学習モデル生成部と、機械学習モデルを用いて推論処理を行う推論処理部と、推論処理の結果を用いて管理対象を管理する管理部と、機械学習モデルの再学習の要否を判定する再学習要否判定部と、を備える。管理部は、管理対象に対する管理操作が管理対象に与える影響を定義した操作影響情報と、管理対象に対して実行された管理操作を記録した管理操作ログと、管理対象に対して実行されることが計画または推測される管理操作を示す管理操作スケジュールと、を備え、管理対象から取得された監視データである実測監視データと、推論処理部により監視データを予測する推論処理の結果である予測監視データと、の差が所定の閾値を超えるか否か判定し、再学習要否判定部は、差が閾値を超えたら差を有意差とし、操作影響情報と、管理操作ログと、管理操作スケジュールと、に基づいて、有意差が一時的なものか継続するものか判定し、有意差が継続するものと判定したら、機械学習モデルの再学習を実行すべきと判定する。

【発明の効果】

【0012】

本開示のひとつの態様によれば、機械学習モデルの適切な再学習が可能になる。

【図面の簡単な説明】

【0013】

【図1】計算機システムの構成を示すブロック図である。

【図2】管理計算機の構成例を示すブロック図である。

【図3】管理対象テーブルの一例を示す図である。

【図4】構成情報テーブルの一例を示す図である。

【図5】管理操作テーブルの一例を示す図である。

【図6】操作影響テーブルの一例を示す図である。

【図7】ＩＴ管理プログラムにより実行される監視処理の処理手順の一例を示すフローチャートである。

【図8】再学習要否判定プログラムにより実行される再学習要否判定処理の処理手順の一例を示すフローチャートである。

【図9】学習プログラムにより実行される再学習処理の処理手順の一例を示すフローチャートである。

【図10】再学習データの補正の様子を示す概念図である。

【図11】再学習要否の判定結果を表示するための画面の一例を示す図である。

【図12】再学習要否の判定結果を表示するための画面の別の例を示す図である。

【図13】再学習要否の判定結果を表示するための画面の別の例を示す図である。

【図14】再学習要否の判定結果を表示するための画面の別の例を示す図である。

【発明を実施するための形態】

【0014】

以下、幾つかの実施形態を、図面を参照して説明する。なお、以下に説明する実施形態は特許請求の範囲にかかる発明を限定するものではなく、また実施形態の中で説明されている諸要素及びその組み合わせの全てが発明の解決手段に必須であるとは限らない。これらの図面において、複数の図を通じて同一の符号は同一の構成要素を示している。なお、以後の説明では「ａａａテーブル」等の表現にて本発明の情報を説明するが、これら情報はテーブル等のデータ構造以外で表現されていてもよい。そのため、データ構造に依存しないことを示すために「ａａａテーブル」等について「ａａａ情報」と呼ぶことがある。さらに、各情報の内容を説明する際に、「識別情報」、「識別子」、「名称」、「ＩＤ」という表現を用いるが、これらについてはお互いに置換が可能である。

【0015】

以後の説明では「プログラム」を主語として説明を行う場合があるが、プログラムはプロセッサによって実行されることで定められた処理をメモリ及び通信ポート（通信デバイス、管理Ｉ／Ｆ、データＩ／Ｆ）を用いながら行うため、プロセッサを主語とした説明としてもよい。また、プログラムを主語として開示された処理はサーバ等の計算機、情報処理装置が行う処理としてもよい。また、プログラムの一部または全ては専用ハードウェアによって実現されてもよい。また、各種プログラムはプログラム配布サーバや、計算機が読み取り可能な記憶メディアによって各計算機にインストールされてもよい。

【0016】

以後、計算機システムを管理し、本発明の表示用情報を表示する一つ以上の計算機の集合を管理システムと呼ぶことがある。管理計算機が表示用情報を表示する場合は管理計算機が管理システムである。また、管理計算機と表示用計算機との組み合わせも管理システムである。また、管理処理の高速化や高信頼化のために複数の計算機で管理計算機と同等の処理を実現してもよく、この場合は当該複数の計算機（表示を表示用計算機が行う場合は表示用計算機も含め）が管理システムである。

【0017】

＜＜実施形態＞＞

【0018】

図１は、本実施形態における計算機システムの構成を示すブロック図である。計算機システム１００は、複数の計算環境から構成される。図１には、計算環境１０００及び計算環境２０００により構成されている計算機システム１００が例示されている。図１には、管理対象である計算環境１０００が２つ存在する構成が例示されているが、これに限定されることはない。計算環境１０００は１つ以上存在すれば良い。計算環境１０００と計算環境２０００はそれぞれ地理的に異なる場所に設置されてもよい。

【0019】

計算環境１０００は、計算機３０００、ストレージ装置４０００、データネットワーク７０００及び管理ネットワーク８０００を備えて構成される。ストレージ装置４０００は専用のハードウェアを備えた装置であっても良いし、計算機３０００が備えるプロセッサによって実行されるプログラムとして実装されても良い。計算機３０００及びストレージ装置４０００は物理装置、仮想装置、コンテナ、マネージドサービスなどどのような形態で提供されるものであっても良い。計算機３０００およびストレージ装置４０００が備える各機能は、機能ごとにマイクロサービスとして異なる装置上で実行されても良い。計算機３０００同士、ストレージ装置４０００同士、計算機３０００とストレージ装置４０００は、データネットワーク７０００を介して互いに接続される。計算機３０００とストレージ装置４０００は、管理ネットワーク８０００を介して計算環境２０００の管理計算機５０００及びデータストア６０００と接続されている。図１の例では、２つの計算環境１０００は同一の構成を有しているが、この例に限定されることはない。他の例として、２つの計算環境１０００がそれぞれ異なる構成を備えても良い。さらに、計算環境１０００及び計算環境２０００は異なる所有者によって所有されても良い。その場合、計算環境２０００の所有者が計算環境１０００の所有者に対して、計算環境２０００が備える計算リソースや機能をクラウドサービスのような形態で利用させても良い。

【0020】

計算環境２０００は、管理計算機５０００、データストア６０００及び管理ネットワーク８０００を備えて構成される。管理計算機５０００及びデータストア６０００は物理装置、仮想装置、コンテナ、マネージドサービスなどどのような形態で提供されるものであっても良い。管理計算機５０００及びデータストア６０００が備える各機能が、機能ごとにマイクロサービスとして異なる装置上で実行されるものであっても良い。管理計算機５０００とデータストア６０００は、管理ネットワーク８０００を介して互いに接続されている。

【0021】

計算環境１０００と計算環境２０００とは、広域ネットワーク９０００を介して互いに接続されている。すなわち、計算環境１０００の管理ネットワーク８０００と、計算環境２０００の管理ネットワーク８０００とは、広域ネットワーク９０００を介して通信可能である。したがって、計算環境２０００の管理計算機５０００は、計算環境１０００の計算機３０００及びストレージ装置４０００を、管理ネットワーク８０００を介して管理可能である。また、計算環境１０００の計算機３０００及びストレージ装置４０００の監視データ（メトリクスデータとも呼ぶ）を、管理ネットワーク８０００を介してデータストア６０００に保存可能である。メトリクスデータには、例えば、計算機３０００及びストレージ装置４０００の性能データ、計算リソースの容量データ、稼働状態などのデータがあるが、これに限定しない。本実施形態においては、計算機３０００及びストレージ装置４０００が備えるプロセッサによって実行されるプログラムが、計算機３０００及びストレージ装置４０００のメトリクスデータをデータストア６０００に送信することで、メトリクスデータをデータストア６０００に保存するが、これに限定しない。例えば、計算環境１０００の管理ネットワーク８０００に接続された計算機３０００及びストレージ装置４０００とは別の計算機によって、計算機３０００及びストレージ装置４０００からメトリクスデータを収集してデータストア６０００に送信するプログラムが実行されても良い。また、例えば管理計算機５０００が管理ネットワーク８０００を介して計算機３０００及びストレージ装置４０００のメトリクスデータを収集してデータストア６０００に格納しても良い。

【0022】

なお、計算機システム１００に計算環境２０００が存在せず、管理計算機５０００及びデータストア６０００が計算環境１０００の内部に存在する構成であっても良い。さらに、計算機システム１００に広域ネットワーク９０００が存在せず、計算環境１０００が１つのみ存在し、管理計算機５０００及びデータストア６０００がその計算環境１０００の内部に存在する構成であっても良い。広域ネットワーク９０００は例えばインターネットであっても良いし、専用線であっても良い。また、広域ネットワーク９０００は仮想プライベートネットワークであっても良い。

【0023】

図２は、本実施形態における管理計算機５０００の構成例を示すブロック図である。管理計算機５０００は、計算環境１０００の計算機３０００及びストレージ装置４０００を管理するための計算機である。管理計算機５０００は、プロセッサ５１００、メモリ５２００、記憶装置５３００、管理ネットワークインタフェース５４００及びＩ／Ｏ（Ｉｎｐｕｔ／Ｏｕｔｐｕｔ）デバイス５５００を備えている。これらの構成要素は互いにバスを介して接続されている。

【0024】

管理ネットワークインタフェース５４００は、管理ネットワーク８０００との接続に用いるネットワークインタフェースである。

【0025】

記憶装置５３００は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）などから構成される。本実施形態では、記憶装置５３００には、学習データ５３１０、ＭＬモデル５３２０及び推論結果データ５３３０が格納されている。また、ＩＴ管理プログラム５２１０、学習プログラム５２６０、推論プログラム５２７０及び再学習要否判定プログラム５２８０は記憶装置５３００に格納されており、プロセッサ５１００によってメモリ５２００上に読み出されて実行される。

【0026】

メモリ５２００は、例えば半導体メモリから構成される。本実施形態では、メモリ５２００には、ＩＴ管理プログラム５２１０、学習プログラム５２６０、推論プログラム５２７０及び再学習要否判定プログラム５２８０、管理対象テーブル５２２０、構成情報テーブル５２３０、管理操作テーブル５２４０及び操作影響テーブル５２５０が格納される。なお、管理対象テーブル５２２０、構成情報テーブル５２３０、管理操作テーブル５２４０及び操作影響テーブル５２５０を記憶装置５３００に格納することでデータを永続化しても良い。

【0027】

学習プログラム５２６０は、データストア６０００に格納された計算機３０００及びストレージ装置４０００から取得されたメトリクスデータから作成した学習データ５３１０を用いて、メトリクスデータの将来値を予測するＭＬモデル５３２０を生成するプログラムである。例えばＲａｎｄｏｍ Ｆｏｒｅｓｔなどの公知のアルゴリズムを用いて学習プログラム５２６０を実装することができる。ただし、これに限らず他のアルゴリズムを学習プログラム５２６０に用いても良い。また、メトリクスデータの将来値の予測は一般に回帰問題として知られるが、学習プログラム５２６０が生成するＭＬモデルは回帰問題を扱うものであってよい。ただし、これに限らず別の問題を扱うＭＬモデルであっても良い。

【0028】

推論プログラム５２７０は、ＭＬモデル５３２０を用いて推論を実行し、推論結果データ５３３０を生成するプログラムである。ここでいう推論は、計算機３０００及びストレージ装置４０００のメトリクスデータの将来値の予測である。本実施形態では、推論プログラム５２７０は、プロセッサ５１００によって定期的に実行されるものとする。ただし、これに限らず、推論プログラム５２７０が他のタイミングで実行されても良い。

【0029】

ＩＴ管理プログラム５２１０は、計算環境１０００の計算機３０００及びストレージ装置４０００を管理するプログラムである。本実施形態では、ＩＴ管理プログラム５２１０は、推論プログラム５２７０が生成した推論結果データ５３３０と、データストア６０００に格納された計算機３０００及びストレージ装置４０００のメトリクスデータと、を比較することで、計算機３０００またはストレージ装置４０００の性能異常を判別する機能を備える。ここでいう性能異常は、実測値が予測と異なる値を示すことである。なお、本実施形態では、ＩＴ管理プログラム５２１０の管理対象は、計算機３０００及びストレージ装置４０００であるが、これに限らず他の管理対象を管理しても良い。ＩＴ管理プログラム５２１０の詳細は後述する。

【0030】

管理対象テーブル５２２０は、ＩＴ管理プログラム５２１０の管理対象である計算機３０００及びストレージ装置４０００の情報を格納するテーブルである。当該テーブルの詳細は後述する。

【0031】

構成情報テーブル５２３０は、計算機３０００及びストレージ装置４０００の構成情報を格納するテーブルである。当該テーブルの詳細は後述する。

【0032】

管理操作テーブル５２４０は、ＩＴ管理プログラム５２１０によって計算機３０００及びストレージ装置４０００に対して実行された管理操作のログ及び、今後実行される予定の管理操作のスケジュールの情報を格納するテーブルである。

【0033】

管理操作テーブル５２４０に格納される情報は、ＩＴ管理者がＩＴ管理プログラム５２１０を用いて実行した管理操作のログ及び登録した管理操作のスケジュールに限らない。他のログやスケジュールを管理操作テーブル５２４０に格納しても良い。例えば、ＩＴ管理プログラム５２１０が、管理操作の実行ルールを備え、ＩＴ管理者の操作によらず、実行ルールに従って、計算機３０００及びストレージ装置４０００のメトリクスデータの変化をトリガーとして、特定の管理操作を実行する場合に、その管理操作のログおよび／またはスケジュールを管理操作テーブル５２４０に登録しても良い。当該テーブルの詳細は後述する。

【0034】

操作影響テーブル５２５０は、ＩＴ管理プログラム５２１０によって計算機３０００及びストレージ装置４０００に対して実行される管理操作が、計算機３０００及びストレージ装置４０００に対してどのような影響を与えるかを示す情報を格納するテーブルである。当該テーブルの詳細は後述する。

【0035】

再学習要否判定プログラム５２８０は、ＩＴ管理プログラム５２１０によって、ＭＬモデル５３２０の性能異常が検出された場合に、ＭＬモデル５３２０の再学習を行う必要があるか否かを判定するプログラムである。当該プログラムの詳細は後述する。

【0036】

記憶装置５３００やメモリ５２００には、他に、計算機３０００及びストレージ装置４０００の管理を行うための一般的なプログラムやテーブルが格納されていても良い。例えばメモリ５２００に、ユーザの認証情報（ユーザ名、パスワード、アクセス権限など）を保持するテーブルが格納されていても良い。

【0037】

図３は、本実施形態における管理対象テーブル５２２０の一例を示す図である。管理対象テーブル５２２０は、ＩＴ管理プログラム５２１０が管理する対象の計算機３０００及びストレージ装置４０００の情報を格納するテーブルである。管理対象テーブル５２２０は、機器ＩＤ欄５２２１、コンポーネントＩＤ欄５２２２、及びＭＬモデルＩＤ欄５２２３を備えて構成される。

【0038】

機器ＩＤ欄５２２１には、計算機３０００及びストレージ装置４０００にそれぞれ付与された識別子である機器ＩＤが格納される。コンポーネントＩＤ欄５２２２には、計算機３０００及びストレージ装置４０００が備えるコンポーネントにそれぞれ付与された識別子であるコンポーネントＩＤが格納される。ＭＬモデルＩＤ欄５２２３には、ＭＬモデルにそれぞれ付与された識別子であるＭＬモデルＩＤが格納される。

【0039】

図３に示した例では、例えば５２２０－１で示されるレコードには、機器ＩＤ「Ｓｔｏｒａｇｅ－０１」で示されるストレージ装置４０００がコンポーネントＩＤ「Ｐｒｏｃｅｓｓｏｒ－０１」で示されるコンポーネント（ここではプロセッサ）を備え、当該プロセッサのメトリクスデータの将来値を予測するために、ＭＬモデルＩＤ「Ｐｒｏｃｅｓｓｏｒ－Ｍｏｄｅｌ－０１」で示されるＭＬモデルが用いられることが示されている。本実施形態では、機器ＩＤとコンポーネントＩＤの対に対してＭＬモデルＩＤで識別されるＭＬモデルが１つ割り当てられているが、これに限られることはない。他の例として、機器ＩＤとコンポーネントＩＤの対に対して複数のＭＬモデルを割り当てても良い。また、同一のＭＬモデルを、機器ＩＤとコンポーネントＩＤの複数の対に対して割り当てても良い。

【0040】

図４は、本実施形態における構成情報テーブル５２３０の一例を示す図である。構成情報テーブル５２３０は、管理対象である計算機３０００及びストレージ装置４０００の構成を示す情報を格納するテーブルである。構成情報テーブル５２３０は、機器ＩＤ欄５２３１、プールＩＤ欄５２３２、ボリュームＩＤ欄５２３３、プロセッサＩＤ欄５２３４、キャッシュＩＤ欄５２３５、ポートＩＤ欄５２３６、ホストＩＤ欄５２３７、コピー先ボリュームＩＤ欄５２３８、及びコピー状態５２３９を備えて構成される。

【0041】

機器ＩＤ欄５２３１には、ストレージ装置４０００にそれぞれ付与された識別子である機器ＩＤが格納される。プールＩＤ欄５２３２には、ストレージ装置４０００が備える記憶領域プールにそれぞれ付与された識別子であるプールＩＤが格納される。ボリュームＩＤ欄５２３３には、ストレージ装置４０００が備える記憶領域プールから切り出されたボリュームにそれぞれ付与された識別子であるボリュームＩＤが格納される。プロセッサＩＤ欄５２３４には、ストレージ装置４０００が備えるプロセッサにそれぞれ付与された識別子であるプロセッサＩＤが格納される。キャッシュＩＤ欄５２３５には、ストレージ装置４０００が備えるキャッシュ領域にそれぞれ付与された識別子であるキャッシュＩＤが格納される。ポートＩＤ欄５２３６には、ストレージ装置４０００が備えるデータＩ／Ｏのためのネットワークポートにそれぞれ付与された識別子であるポートＩＤが格納される。ホストＩＤ欄５２３７には、ストレージ装置４０００が備えるボリュームを割り当てられた計算機３０００にそれぞれ付与された識別子であるホストＩＤが格納される。コピー先ボリュームＩＤ欄５２３８には、ストレージ装置４０００が備えるボリュームのデータコピー先ボリュームにそれぞれ付与された識別子であるコピー先ボリュームＩＤが格納される。

【0042】

本実施形態では、コピー先ボリュームＩＤは、データコピー先の機器ＩＤとボリュームＩＤとをドット記号で連結した形式である。すなわち、コピー先ボリュームＩＤ５２３８の機器ＩＤの部分が機器ＩＤ５２３１と同一のストレージ装置４０００を示す場合は、同一ストレージ装置内でのデータコピーすなわちローカルコピーが行われることを示す。コピー先ボリュームＩＤ５２３８の機器ＩＤの部分が、機器ＩＤ５２３１とは別のストレージ装置４０００を示す場合は、ストレージ装置間でのデータコピーすなわちリモートコピーが行われることを示す。

【0043】

コピー状態５２３９には、ストレージ装置４０００が備えるボリュームのデータコピーの状態が格納される。

【0044】

図４には、コピー状態５２３９に「ｓｐｌｉｔ」と「ｓｙｎｃ」という２種類の状態が例示されている。ここでは「ｓｐｌｉｔ」状態は、ボリュームＩＤ５２３３で示されるボリュームからコピー先ボリュームＩＤ５２３８で示されるボリュームへのデータコピーが停止している状態を示す。したがって、コピー状態が「ｓｐｌｉｔ」の場合、ボリュームＩＤ５２３３で示されるボリュームに対してホストＩＤ５２３７で示される計算機３０００からデータの書き込みがあっても、当該データはコピー先ボリュームＩＤ５２３８で示されるボリュームにはコピーされない。一方、「ｓｙｎｃ」状態は、ボリュームＩＤ５２３３で示されるボリュームからコピー先ボリュームＩＤ５２３８で示されるボリュームへのデータコピーが継続している状態を示す。したがって、コピー状態が「ｓｙｎｃ」の場合、ボリュームＩＤ５２３３で示されるボリュームに対してホストＩＤ５２３７で示される計算機３０００からデータの書き込みがあると、当該データはコピー先ボリュームＩＤ５２３８で示されるボリュームにコピーされる。コピー状態５２３９に格納するコピー状態は例示した「ｓｐｌｉｔ」と「ｓｙｎｃ」だけに限られず、他の状態がコピー状態５２３９に格納されても良い。

【0045】

ホストＩＤ５２３７で示される計算機３０００からのデータの書き込みに対して、コピー先ボリュームＩＤ５２３８で示されるボリュームへの当該データのコピーは、同期的に行われても良いし、非同期的に行われても良い。データコピーを同期的に行う場合、ホストＩＤ５２３７で示される計算機３０００からボリュームＩＤ５２３３で示されるボリュームに対してデータの書き込みが行われると、ストレージ装置４０００は当該データをコピー先ボリュームＩＤ５２３８で示されるボリュームにコピーする処理が完了してから、ホストＩＤ５２３７で示される計算機３０００に対して書き込みが完了したことを応答する。一方、データコピーを非同期的に行う場合、ホストＩＤ５２３７で示される計算機３０００からボリュームＩＤ５２３３で示されるボリュームに対してデータの書き込みが行われると、ストレージ装置４０００は、ホストＩＤ５２３７で示される計算機３０００に対して書き込みの完了を応答してから、当該データをコピー先ボリュームＩＤ５２３８で示されるボリュームにコピーする処理を行う。

【0046】

図４に示した例では、例えば５２３０－１で示されるレコードは、機器ＩＤ「Ｓｔｏｒａｇｅ－０１」で示されるストレージ装置４０００が、プールＩＤ「Ｐｏｏｌ－０１」で示される記憶領域プールを備え、当該プールからボリュームＩＤ「Ｖｏｌ－０１」で示されるボリュームが切り出されており、当該ボリュームに対するＩ／Ｏ処理をプロセッサＩＤ「Ｐｒｏｃｅｓｓｏｒ－０１」で示されるプロセッサが処理し、当該ボリュームにはキャッシュＩＤ「Ｃａｃｈｅ－０１」で示されるキャッシュ領域が割り当てられており、当該ボリュームはポートＩＤ「Ｐｏｒｔ－０１」で示されるポートを介してホストＩＤ「Ｈｏｓｔ－０１」で示される計算機３０００に割り当てられており、当該ボリュームのデータはコピー先ボリュームＩＤ「Ｓｔｏｒａｇｅ－０１．Ｖｏｌ－０２」で示されるボリュームにコピーされ、当該ボリュームのデータコピーの状態は「ｓｐｌｉｔ」状態であることを示している。

【0047】

構成情報テーブル５２３０には、図４に示した情報に限らず、計算機３０００及びストレージ装置４０００の構成に関する他の情報を格納しても良い。構成情報テーブル５２３０に、例えばボリュームのデータコピーに関するコピーの種別、例えばフルコピーやスナップショットなどを更に格納しても良い。

【0048】

図５は、本実施形態における管理操作テーブル５２４０の一例を示す図である。管理操作テーブル５２４０は、ＩＴ管理プログラム５２１０によって計算機３０００及びストレージ装置４０００に対して実行された管理操作のログ及び、今後実行される予定の管理操作のスケジュールの情報を格納するテーブルである。管理操作のログを以下管理操作ログと呼ぶ場合がある。また、管理操作のスケジュールを管理操作スケジュールと呼ぶ場合がある。管理操作テーブル５２４０は、管理操作ＩＤ欄５２４１、管理操作欄５２４２、操作対象ＩＤ欄５２４３、実行状態欄５２４４、及び実行日時欄５２４５を備えて構成される。

【0049】

管理操作ＩＤ欄５２４１には、管理操作の種別にそれぞれ付与された識別子である管理操作ＩＤが格納される。管理操作欄５２４２には、管理操作の名称が格納される。操作対象ＩＤ欄５２４３には、管理操作の実行対象にそれぞれ付与された識別子である操作対象ＩＤが格納される。本実施形態では、操作対象ＩＤは、管理操作の実行対象である機器及びコンポーネントを示す機器ＩＤ及びコンポーネントＩＤをドット記号で連結した形式である。実行状態欄５２４４には、管理操作の実行状態が格納される。実行日時欄５２４５には、管理操作の実行日時が格納される。

【0050】

本実施形態では、実行状態５２４４には「Ｃｏｍｐｌｅｔｅｄ」「Ｓｃｈｅｄｕｌｅｄ」「Ｅｘｐｅｃｔｅｄ」のいずれかの状態が格納される。ここでは「Ｃｏｍｐｌｅｔｅｄ」状態は、当該管理操作が実行日時５２４５で示される日時を以って完了したことを示す。したがって、実行状態欄５２４４に「Ｃｏｍｐｌｅｔｅｄ」が格納されているレコードは、管理操作ログである。「Ｓｃｈｅｄｕｌｅｄ」状態は、当該管理操作が実行日時５２４５で示される日時に実行されるというスケジュールを示す。したがって、実行状態欄５２４４に「Ｓｃｈｅｄｕｌｅｄ」が格納されているレコードは、管理操作スケジュールである。「Ｅｘｐｅｃｔｅｄ」状態は、当該管理操作が実行日時５２４５で示される日時に実行されると推測されることを示す。これは、ＩＴ管理者やＩＴ管理プログラム５２１０によって明示的に管理操作のスケジュールが登録されてはいないが、過去の管理操作の実行周期から当該管理操作が当該日時に実行されると推測されることを示している。「Ｅｘｐｅｃｔｅｄ」状態のレコードは、ＩＴ管理プログラム５２１０により生成される。ＩＴ管理プログラム５２１０は、管理操作テーブル５２４０を定期的に監視し、管理操作５２４２と操作対象ＩＤ５２４３によって実行状態が「Ｃｏｍｐｌｅｔｅｄ」となった管理操作を管理操作の名称および操作対象ＩＤによりグルーピングし、グルーピングされた管理操作の実行日時５２４５に周期性があるか否かを判定し、周期性があれば、その周期性に従って管理操作が実行されると推測し、「Ｅｘｐｅｃｔｅｄ」状態のレコードを生成する。本実施形態では、実行状態が「Ｅｘｐｅｃｔｅｄ」のレコードは、実行状態が「Ｓｃｈｅｄｕｌｅｄ」のレコードと同様に、管理操作スケジュールの一種として扱う。

【0051】

図５に示した例では、例えば５２４０－１で示されるレコードは、管理操作ＩＤ「Ｔａｓｋ－０１」で示される管理操作が、管理操作５２４２及び操作対象ＩＤ５２４３で示される通り、「Ｓｔｏｒａｇｅ－０１．Ｖｏｌ－０１」で示されるボリュームから「Ｓｔｏｒａｇｅ－０１．Ｖｏｌ－０２」で示されるボリュームへのデータコピーの管理操作である。また、実行状態５２４４及び実行日時５２４５で示される通り、当該管理操作は「２０２１／０２／０１ ００：００：００」の日時を以って実行が完了している。

【0052】

図６は、本実施形態における操作影響テーブル５２５０の一例を示す図である。操作影響テーブル５２５０は、ＩＴ管理プログラム５２１０によって計算機３０００及びストレージ装置４０００に対して実行される管理操作が、計算機３０００及びストレージ装置４０００に対して与える影響に関する情報を格納するテーブルである。操作影響テーブル５２５０は、管理操作欄５２５１、ホストＩ／Ｏ変化欄５２５２、ホストＩ／Ｏ処理負荷変化欄５２５３、及びＩ／Ｏ発生欄５２５４を備えて構成される。

【0053】

管理操作欄５２５１には、管理操作の名称が格納される。ホストＩ／Ｏ変化欄５２５２には、管理操作がホストＩ／Ｏを変化させるか否かを示す情報が格納される。ここでいうホストＩ／Ｏは、計算機３０００からボリュームに対するＩ／Ｏである。また、ここでいうホストＩ／Ｏの変化とは、ホストＩ／Ｏの量的な変化すなわち増減のことである。ホストＩ／Ｏ処理負荷変化欄５２５３には、管理操作がホストＩ／Ｏを処理するための処理負荷を変化すなわち増減させるか否かを示す情報が格納される。以下、ホストＩ／Ｏを処理するための処理負荷をホストＩ／Ｏ処理負荷と呼ぶ場合がある。Ｉ／Ｏ発生欄５２５４は、管理操作がＩ／Ｏを発生させるか否かを示す情報が格納される。

【0054】

図６に示した例では、例えば５２５０－１で示されるレコードには、「データコピー」の管理操作は、ホストＩ／Ｏを変化させず、コピー状態が「ｓｙｎｃ」であればホストＩ／Ｏ処理負荷を変化させ、コピー状態が「ｓｙｎｃ」でなければホストＩ／Ｏ処理負荷を変化させず、管理操作自体がＩ／Ｏを発生させることが示されている。また、例えば５２５０－７で示されるレコードには、「ボリューム割り当て」の管理操作は、ホストＩ／Ｏを変化させ、ホストＩ／Ｏ処理負荷を変化させず、管理操作自体がＩ／Ｏを発生させないことを示している。

【0055】

本実施形態では、操作影響テーブル５２５０に格納される各情報は予め定義されるものとする。ただし、これに限らず、他の方法で各情報を定義しても良い。例えば、ＩＴ管理プログラム５２１０が計算機３０００及びストレージ装置４０００に対して管理操作を実行した後に計算機３０００及びストレージ装置４０００のＩ／Ｏの変化を監視し、観測された変化に基づいて操作影響テーブル５２５０の情報を記録あるいは更新しても良い。

【0056】

図７は、ＩＴ管理プログラム５２１０により実行される監視処理の処理手順の一例を示すフローチャートである。ＩＴ管理プログラム５２１０は図７に示す手順に従って、計算機３０００及びストレージ装置４０００の監視を行う。特にＩＴ管理プログラム５２１０は図７に示す手順に従って、推論プログラム５２７０が生成した推論結果データ５３３０と、データストア６０００に格納された計算機３０００及びストレージ装置４０００のメトリクスデータと、を比較することで性能異常を判別する。

【0057】

ステップ１００１０にて本処理が開始される。なお、本処理は、ＩＴ管理プログラム５２１０が定期的に開始するものとするが、これに限らず他の方法で開始されても良い。

【0058】

ステップ１００２０にて、ＩＴ管理プログラム５２１０が管理対象テーブル５２２０を参照し、管理対象の一覧を取得する。

【0059】

ステップ１００３０にて、ＩＴ管理プログラム５２１０がデータストア６０００から、管理対象のメトリクスデータを取得する。

【0060】

ステップ１００４０にて、ＩＴ管理プログラム５２１０が推論結果データ５３３０を参照し、管理対象に対する推論結果を取得する。本実施形態においては、管理対象に対する推論結果とは、当該管理対象のメトリクスデータの将来の予測値である。

【0061】

ステップ１００５０にて、ＩＴ管理プログラム５２１０はステップ１００３０で取得した管理対象のメトリクスデータと、ステップ１００４０で取得した推論結果と、を比較する。ここで、ステップ１００４０で取得した推論結果と、ステップ１００３０で取得したメトリクスデータの関係は、管理対象のメトリクスデータの予測値と、それに対する正解（実測値）という関係である。

【0062】

ステップ１００６０にて、ＩＴ管理プログラム５２１０はステップ１００３０で取得した管理対象のメトリクスデータと、ステップ１００４０で取得した推論結果と、の間に所定の閾値よりも大きな乖離があるか否かを判定する。閾値よりも大きな乖離があると判定された場合は、処理はステップ１００７０に遷移する。閾値よりも大きな乖離があると判定されなかった場合は、処理はステップ１００９０に遷移する。ここで、閾値よりも大きな乖離があるということは、メトリクスデータの予測値と大きく異なる実測値が観測されたことを意味しており、性能異常が発生している可能性を示している。また、ＭＬモデルの精度の観点からは、予測値と大きく異なる実測値が観測されたことはＭＬモデルの精度が劣化したことを示している。したがって、コンセプトドリフトが発生している可能性を示している。

【0063】

なお、本実施形態では、このようにコンセプトドリフトの検出をＭＬモデルの精度に基づいて行うが、コンセプトドリフトの検出方法はこれに限られず、他の方法を用いてコンセプトドリフトを検出しても良い。例えば、ＭＬモデルの学習に用いたメトリクスデータの統計的特徴量と、ステップ１００３０で取得した最近のメトリクスデータの統計的特徴量と、を比較し、それらの統計的特徴量の間に閾値より大きな乖離があった場合にコンセプトドリフトが発生していると判定しても良い。

【0064】

ステップ１００７０にて、ＩＴ管理プログラム５２１０は該当の管理対象に対して性能異常を回復するための対処としての管理操作を計画する。本実施形態では、ＩＴ管理プログラム５２１０が管理操作の実行ルールを備え、計算機３０００及びストレージ装置４０００の性能異常を回復するための特定の管理操作の実行スケジュールを管理操作テーブル５２４０に登録する。

【0065】

ここで１つの例を用いて、ステップ１００３０の処理とステップ１００７０の処理と、を説明する。図４の５２３０－７で示されるレコードは、「Ｓｔｏｒａｇｅ－０２」で示されるストレージ装置４０００が、「Ｐｏｏｌ－０１」で示される記憶領域プールを備え、当該プールから「Ｖｏｌ－０１」で示されるボリュームが切り出されており、当該ボリュームは、「Ｈｏｓｔ－１０」で示される計算機３０００に割り当てられていることを示している。ここで、図５のレコード５２４０－４に示すように、「Ｓｔｏｒａｇｅ－０２．Ｐｏｏｌ－０１．Ｖｏｌ－０２」で示されるボリュームを、「Ｈｏｓｔ－１１」で示される計算機３０００に割り当てる管理操作が行われたとする。これにより、図４のレコード５２３０－８に示すように、「Ｓｔｏｒａｇｅ－０２」で示されるストレージ装置４０００が備える「Ｐｏｏｌ－０１」で示される記憶領域プールから、「Ｖｏｌ－０２」で示されるボリュームが切り出され、当該ボリュームは、「Ｈｏｓｔ－１１」で示される計算機３０００に割り当てられる。当該管理操作の実行前は「Ｓｔｏｒａｇｅ－０２」で示されるストレージ装置４０００が備える、「Ｐｏｏｌ－０１」で示される記憶領域プールには、「Ｈｏｓｔ－１０」で示される計算機３０００からのデータＩ／Ｏのみが流入していた。これに対し、当該管理操作を実行した結果、当該プールには新たに「Ｈｏｓｔ－１１」で示される計算機３０００からのデータＩ／Ｏも流入することになる。

【0066】

ここでＩＴ管理プログラム５２１０が、図７に示す管理処理を実行したとする。また、ここで、管理対象が「Ｓｔｏｒａｇｅ－０２」で示されるストレージ装置４０００が「Ｐｏｏｌ－０１」で示される記憶領域プールであるとする。前述の通り、ステップ１００６０にて、ＩＴ管理プログラム５２１０は、ステップ１００３０で取得した管理対象すなわち「Ｓｔｏｒａｇｅ－０２」で示されるストレージ装置４０００が「Ｐｏｏｌ－０１」で示される記憶領域プールのメトリクスデータと、ステップ１００４０で取得した推論結果と、の間に閾値よりも大きな乖離があるか否かを判定する。ここで、ステップ１００４０で取得した推論結果は、「Ｈｏｓｔ－１０」で示される計算機３０００からのデータＩ／Ｏのみが当該プールに流入していた過去のデータで学習されたＭＬモデルによって、当該プールのメトリクスデータの将来値を予測した推論結果である。これに対し、ステップ１００３０で取得したメトリクスデータは、当該プールに対して「Ｈｏｓｔ－１０」で示される計算機３０００及び「Ｈｏｓｔ－１１」で示される計算機３０００からのデータＩ／Ｏが流入している現在の状態のメトリクスデータである。「Ｈｏｓｔ－１１」で示される計算機３０００から当該プールに対して十分なデータＩ／Ｏが流入しているとすると、ＩＴ管理プログラム５２１０は推論結果とメトリクスデータとの間に閾値よりも大きな乖離がある、すなわち、当該プールに性能異常があると判定する。

【0067】

この判定結果を受けて、ＩＴ管理プログラム５２１０はステップ１００７０にて、当該プールの性能異常を回復するための対処となる管理操作を計画し、当該管理操作の実行スケジュールを管理操作テーブル５２４０に登録する。

【0068】

図５の５２４０－６で示されるレコードは、ＩＴ管理プログラム５２１０が該当プールの性能異常を回復するために登録した管理操作を示している。この管理操作は、「Ｓｔｏｒａｇｅ－０２．Ｐｏｏｌ－０１．Ｖｏｌ－０２」で示されるボリュームを、「Ｓｔｏｒａｇｅ－０２．Ｐｏｏｌ－０２」で示されるプールに移行する管理操作である。この管理操作を実行することにより、「Ｓｔｏｒａｇｅ－０２．Ｐｏｏｌ－０１．Ｖｏｌ－０２」で示されるボリュームの記憶領域の提供元が、「Ｓｔｏｒａｇｅ－０２．Ｐｏｏｌ－０１」で示されるプールから、「Ｓｔｏｒａｇｅ－０２．Ｐｏｏｌ－０２」で示されるプールに変更される。その結果、「Ｓｔｏｒａｇｅ－０２．Ｐｏｏｌ－０１」で示されるプールには「Ｈｏｓｔ－１０」で示される計算機３０００からのデータＩ／Ｏのみが流入するようになり、「Ｈｏｓｔ－１１」で示される計算機３０００からのデータＩ／Ｏは「Ｓｔｏｒａｇｅ－０２．Ｐｏｏｌ－０２」で示されるプールに流入するようになる。これにより、「Ｓｔｏｒａｇｅ－０２．Ｐｏｏｌ－０１」で示されるプールの性能異常が回復される。以上が具体例を用いたステップ１００７０及びステップ１００８０の説明である。

【0069】

図７に戻り、ステップ１００８０にて、ＩＴ管理プログラム５２１０は再学習要否判定プログラム５２８０の再学習要否判定処理を呼び出す。当該処理の詳細は後述する。

【0070】

ステップ１００９０にて、ＩＴ管理プログラム５２１０はステップ１００２０で取得した管理対象の一覧の中に未チェックの管理対象があるか否かを判定する。未チェックの管理対象が存在すると判定された場合は、処理はステップ１００３０に遷移する。未チェックの管理対象が存在すると判定されなかった場合は、処理はステップ１０１００に遷移し、終了する。

【0071】

図８は、再学習要否判定プログラム５２８０により実行される再学習要否判定処理の処理手順を示すフローチャートである。再学習要否判定プログラム５２８０は、図８に示す手順に従って、特定の管理対象を監視するためのＭＬモデルの再学習が必要か否かの判定を行う。

【0072】

ステップ２００１０にて本処理が開始される。なお、本処理は、ＩＴ管理プログラム５２１０が、図７に示す監視処理を行う際に、ステップ１００８０にて本処理を呼び出すことにより開始するものとするが、これに限らず他の方法で開始されても良い。本実施形態では、ＩＴ管理プログラム５２１０がステップ１００６０で閾値よりも大きな乖離があると判定した管理対象の識別子、例えば「Ｓｔｏｒａｇｅ－０２．Ｐｏｏｌ－０１」などの識別子を再学習要否判定プログラム５２８０に渡して本処理を呼び出すものとする。

【0073】

ステップ２００２０にて、再学習要否判定プログラム５２８０は、管理操作テーブル５２４０を参照し、呼び出された際に渡された識別子に該当する管理対象に対する管理操作ログと管理操作スケジュールとを取得する。具体的には、再学習要否判定プログラム５２８０は、管理操作テーブル５２４０の中から、操作対象ＩＤ欄５２４３に該当の管理対象の識別子を含むレコードを抽出する。抽出されたレコードのうち、実行状態欄５２４４に「Ｃｏｍｐｌｅｔｅｄ」が格納されているレコードは管理操作ログである。実行状態欄５２４４に「Ｓｃｈｅｄｕｌｅｄ」または「Ｅｘｐｅｃｔｅｄ」が格納されているレコードは管理操作スケジュールである。

【0074】

ステップ２００３０にて、再学習要否判定プログラム５２８０は、該当の管理対象に対して管理操作が行われたか否かを判定する。具体的には、ステップ２００２０で抽出した管理操作ログが１つ以上存在していれば、管理操作が行われたと判定する。管理操作が行われたと判定された場合は、処理はステップ２００４０に遷移する。管理操作が行われたと判定されなかった場合は、処理はステップ２０１００に遷移する。

【0075】

ステップ２００４０にて、再学習要否判定プログラム５２８０は操作影響テーブル５２５０を参照し、該当の管理操作による影響の情報を取得する。具体的には、再学習要否判定プログラム５２８０は、ステップ２００２０で抽出した管理操作ログの管理操作欄５２４２と、操作影響テーブル５２５０の管理操作欄５２５１と、を一致判定し、操作影響テーブル５２５０にける一致が得られたレコードから、該当の管理操作による影響の情報を取得する。

【0076】

ステップ２００５０にて、再学習要否判定プログラム５２８０は、ステップ２００４０で取得した管理操作による影響の情報を参照し、ホストＩ／Ｏ変化欄５２５２が「Ｔｒｕｅ」であるか否かを判定する。ホストＩ／Ｏ変化欄５２５２が「Ｔｒｕｅ」であると判定された場合、処理はステップ２０１００に遷移する。ホストＩ／Ｏ変化欄５２５２が「Ｔｒｕｅ」であると判定されなかった場合、処理はステップ２００６０に遷移する。

【0077】

ステップ２００６０にて、再学習要否判定プログラム５２８０は、ステップ２００４０で取得した管理操作による影響の情報を参照し、ホストＩ／Ｏ処理負荷変化欄５２５３が「Ｔｒｕｅ」であるか否かを判定する。ホストＩ／Ｏ処理負荷変化欄５２５３が「Ｔｒｕｅ」であると判定された場合、処理はステップ２０１００に遷移する。ホストＩ／Ｏ処理負荷変化欄５２５３が「Ｔｒｕｅ」であると判定されなかった場合、処理はステップ２００７０に遷移する。

【0078】

ステップ２００７０にて、再学習要否判定プログラム５２８０は、ステップ２００４０で取得した管理操作による影響の情報を参照し、Ｉ／Ｏ発生欄５２５４が「Ｔｒｕｅ」であるか否かを判定する。Ｉ／Ｏ発生欄５２５４が「Ｔｒｕｅ」であると判定された場合、処理はステップ２００８０に遷移する。Ｉ／Ｏ発生欄５２５４が「Ｔｒｕｅ」であると判定されなかった場合、処理はステップ２００９０に遷移する。

【0079】

ステップ２００８０にて、再学習要否判定プログラム５２８０は、当該管理操作がスケジュール実行されるか否かを判定する。具体的には、ステップ２００２０で抽出した管理操作スケジュールの中に、該当の管理操作と同一の管理操作であり且つ、同一の管理対象を持つスケジュールが１つ以上存在していれば、当該管理操作がスケジュール実行されると判定する。当該管理操作がスケジュール実行されると判定された場合は、処理はステップ２０１００に遷移する。当該管理操作がスケジュール実行されると判定されなかった場合は、処理はステップ２００９０に遷移する。

【0080】

ステップ２００９０にて、再学習要否判定プログラム５２８０は、当該管理対象を監視するためのＭＬモデルの再学習は不要と判定する。本ステップの実行後、処理はステップ２０１４０に遷移し、終了する。

【0081】

ステップ２０１００にて、再学習要否判定プログラム５２８０は、当該管理対象を監視するためのＭＬモデルの再学習が必要と判定する。

【0082】

ステップ２０１１０にて、再学習要否判定プログラム５２８０は、当該管理対象について、管理操作が行われる予定があるか否かを判定する。具体的には、ステップ２００２０で抽出した管理操作スケジュールが１つ以上存在していれば、管理操作が行われる予定があると判定する。管理操作が行われる予定があると判定された場合は、処理はステップ２０１２０に遷移する。管理操作が行われる予定があると判定されなかった場合は、処理はステップ２０１３０に遷移する。

【0083】

ステップ２０１２０にて、再学習要否判定プログラム５２８０は、当該管理対象に対して行われることが予定されていた管理操作が完了した後に、当該管理対象を監視するためのＭＬモデルの再学習を実行するようにスケジュールする。

【0084】

ステップ２０１３０にて、再学習要否判定プログラム５２８０は、学習プログラム５２６０の再学習処理を呼び出す。当該処理の詳細は後述する。本ステップの実行後、処理はステップ２０１４０に遷移し、終了する。

【0085】

図９は、学習プログラム５２６０により実行される再学習処理の処理手順の一例を示すフローチャートである。学習プログラム５２６０は、図９に示す手順に従って、ＭＬモデルの再学習を行う。

【0086】

ステップ３００１０にて本処理が開始される。なお、本処理は、再学習要否判定プログラム５２８０が、図８に示す再学習要否判定処理を行う際に、ステップ２０１３０にて本処理を呼び出すことにより開始するものとする。ただし、これに限らず、本処理が他の方法で開始されても良い。

【0087】

本実施形態では、再学習要否判定プログラム５２８０がステップ２０１００にて再学習が必要と判定したＭＬモデルの識別子と、ステップ２００３０で管理操作が行われたか否かの判定結果と、ステップ２０１２０で管理操作の完了後に再学習を実行するようにスケジュールしたか否かの情報と、ＩＴ管理プログラム５２１０が図７に示す監視処理フローのステップ１００６０で閾値より大きな乖離があると判定した時刻とが、本処理を呼び出す際に学習プログラム５２６０に渡されるものとする。

【0088】

ステップ３００２０にて、学習プログラム５２６０は、再学習要否判定プログラム５２８０がステップ２００３０で管理操作が行われたと判定したか否かを判定する。管理操作が行われたと判定された場合は、処理はステップ３００５０に遷移する。管理操作が行われたと判定されなかった場合は、処理はステップ３００３０に遷移する。

【0089】

ステップ３００３０にて、学習プログラム５２６０は、ＩＴ管理プログラム５２１０が図７に示す監視処理フローのステップ１００６０で閾値より大きな乖離があると判定した時刻以降のメトリクスデータを再学習データに選定する。

【0090】

ステップ３００４０にて、学習プログラム５２６０は、ステップ３００３０で選定した再学習データを用いて該当ＭＬモデルの再学習を実行する。本ステップの実行後、処理はステップ３０１３０に遷移し、終了する。

【0091】

ステップ３００５０にて、学習プログラム５２６０は、再学習要否判定プログラム５２８０が図８に示す再学習要否判定処理のステップ２０１２０で管理操作の完了後に再学習を実行するようにスケジュールしたか否かを判定する。管理操作の完了後に再学習を実行するようにスケジュールしたと判定された場合は、処理はステップ３００６０に遷移する。管理操作の完了後に再学習を実行するようにスケジュールしたと判定されなかった場合は、処理はステップ３０１００に遷移する。

【0092】

ステップ３００６０にて、学習プログラム５２６０は、スケジュールされた管理操作の実行が完了するのを待つ。

【0093】

ステップ３００７０にて、学習プログラム５２６０は、ＩＴ管理プログラム５２１０が図７に示す監視処理フローのステップ１００６０で閾値より大きな乖離があると判定した時刻以前のメトリクスデータの傾向と、現在のメトリクスデータの傾向と、を比較する。メトリクスデータの傾向を比較する方法は特に限定されないが、例えば、当該両データの統計的特徴量を比較することにしてもよい。

【0094】

ステップ３００８０にて、学習プログラム５２６０は、当該両データの傾向に閾値よりも大きな差があるか否かを判定する。当該両データの傾向に閾値よりも大きな差があると判定された場合は、処理はステップ３０１００に遷移する。当該両データの傾向に閾値よりも大きな差があると判定されなかった場合は、処理はステップ３００９０に遷移する。

【0095】

ステップ３００９０にて、学習プログラム５２６０は、当該ＭＬモデルの再学習は不要と判定する。これは、当該ＭＬモデルの監視対象である管理対象に対して管理操作が行われた結果、当該ＭＬモデルに発生したコンセプトドリフトが解消したため、再学習が不要となったケースに対応する処理である。現在のメトリクスデータの傾向が、ＩＴ管理プログラム５２１０が図７に示す監視処理フローのステップ１００６０で閾値より大きな乖離があると判定した時刻以前のメトリクスデータの傾向に近い傾向に戻っている。本ステップの実行後、処理はステップ３０１３０に遷移し、終了する。

【0096】

ステップ３０１００にて、学習プログラム５２６０は、ステップ３００６０で実行が完了するのを待った管理操作が実行された時刻よりも後のメトリクスデータを再学習データに選定する。

【0097】

ステップ３０１１０にて、学習プログラム５２６０は、再学習データの期間内に再学習不要と判定された別の管理操作が含まれるか否かを判定する。再学習データの期間内に再学習不要と判定された別の管理操作が含まれると判定された場合は、処理はステップ３０１２０に遷移する。再学習データの期間内に再学習不要と判定された別の管理操作が含まれると判定されなかった場合は、処理はステップ３００４０に遷移する。

【0098】

ステップ３０１２０にて、学習プログラム５２６０は当該別の管理操作の実行期間の再学習データを補正する。

【0099】

ここで１つの例を用いて、ステップ３０１１０の処理とステップ３０１２０の処理とを説明する。図１０は、再学習データの補正の様子を示す概念図である。図１０の計算環境２００では、「Ｐｏｏｌ－１」で示される記憶容量プールから「Ｖｏｌ－１」で示されるボリュームが切り出され、「Ｈｏｓｔ－１」で示される計算機３０００に割り当てられている。「ＭＬモデル－１」で示されるＭＬモデルは、当該プールの性能の将来値を予測するＭＬモデルである。

【0100】

グラフ２１０は、当該プールの性能（Ｂｕｓｙ Ｒａｔｅ）の一例を示している。グラフ２１０には、当該プールの性能の実測値に加えて、当該ＭＬモデルが予測した将来値も図示されている。実線のグラフが予実差が小さいときの実測値を示し、破線のグラフが予実差が大きいときの実測値を示している。点線のグラフは予実差が大きいときの予測値を示している。

【0101】

ここで、「ｔ０」で示される時刻に、「Ｖｏｌ－１」で示されるボリュームから別のボリュームに対してデータコピーが開始されたとする。グラフ２１０には、この操作を実行したことにより、当該プールの性能として予測値から大きく乖離した実測値が観測された様子、すなわちコンセプトドリフトが発生した様子が示されている。なお、本例において、当該データコピーは単発で実行されたものであり、このとき「ＭＬモデル－１」で示されるＭＬモデルは再学習すべきではないと判定されるものとする。

【0102】

次に「ｔ１」で示される時刻に、「Ｐｏｏｌ－１」で示される記憶容量プールから、「Ｖｏｌ－２」で示されるボリュームが切り出され、「Ｈｏｓｔ－２」で示される計算機３０００に割り当てられたとする。これにより「Ｐｏｏｌ－１」で示される記憶容量プールには、「Ｈｏｓｔ－２」で示される計算機３０００からのデータＩ／Ｏが継続的に入るようになる。このことも当該プールの性能について、予測値と実測値を乖離させる一因となる。なお、本例において当該ボリューム割り当てはホストＩ／Ｏを変化させる操作である。そのため、このとき「ＭＬモデル－１」で示されるＭＬモデルは再学習すべきと判定されるものとする。

【0103】

次に「ｔ２」で示される時刻に、「ｔ０」で示される時刻に開始されたデータコピーが終了する。

【0104】

前述の通り、学習プログラム５２６０は、図９に示す再学習処理のステップ３０１１０にて、再学習データの期間内に再学習は不要と判定された別の管理操作が含まれるか否かを判定する。本例において、再学習データの期間は、「ｔ１」で示される時刻以降のデータである。しかし、本例において、「ｔ１」で示される時刻から「ｔ２」で示される時刻の間は、再学習は不要と判定された別の管理操作、すなわちデータコピーが行われている。したがって、学習プログラム５２６０は、再学習処理のステップ３０１１０にて、再学習データの期間内に再学習不要と判定された別の管理操作が含まれると判定する。

【0105】

続いて、学習プログラム５２６０は、ステップ３０１２０にて、当該別の管理操作の実行期間の再学習データを補正する。本例では、「ｔ１」で示される時刻から「ｔ２」で示される時刻までの再学習データが補正の対象である。

【0106】

図１０の図表２２０は再学習データの補正方法の一例を示している。図表２２０にて、時刻２２１は、「ｔ１」で示される時刻から「ｔ２」で示される時刻までの間の単位時間ごとの時刻を示している。Ｐｏｏｌ－１ Ｂｕｓｙ Ｒａｔｅ予実差２２２は、各時刻における、「Ｐｏｏｌ－１」で示される記憶容量プールの性能であるＢｕｓｙ Ｒａｔｅの予測値と実測値との差分を示している。

【0107】

Ｐｏｏｌ－１ ＩＯＰＳ（Ｈｏｓｔ由来）２２３は、「Ｐｏｏｌ－１」で示される記憶容量プールに対して発行されたＩＯＰＳ（Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｐｅｒ Ｓｅｃｏｎｄ）のうち、「Ｈｏｓｔ－１」または「Ｈｏｓｔ－２」で示される計算機３０００から発行されたＩＯＰＳを示している。ここでは単位時間に発行されたＩＯＰＳの平均値や最大値を利用しても良い。Ｐｏｏｌ－１ ＩＯＰＳ（コピー由来）２２４は、「Ｐｏｏｌ－１」で示される記憶容量プールに対して発行されたＩＯＰＳのうち、データコピーによって発行されたＩＯＰＳを示している。

【0108】

Ｐｏｏｌ－１ Ｂｕｓｙ Ｒａｔｅ（補正）２２５は、Ｐｏｏｌ－１ Ｂｕｓｙ Ｒａｔｅ予実差２２２を補正した後のＢｕｓｙ Ｒａｔｅを示している。ここではデータの補正は、Ｐｏｏｌ－１ Ｂｕｓｙ Ｒａｔｅ予実差２２２の値に、Ｐｏｏｌ－１ ＩＯＰＳ（Ｈｏｓｔ由来）２２３で示されるＩＯＰＳとＰｏｏｌ－１ ＩＯＰＳ（コピー由来）２２４で示されるＩＯＰＳの合計値におけるＰｏｏｌ－１ ＩＯＰＳ（Ｈｏｓｔ由来）２２３で示されるＩＯＰＳの割合を乗算することで行う例を示している。例えば、２２０－１で示されるレコードでは、時刻「ｔ１－１」におけるＰｏｏｌ－１ Ｂｕｓｙ Ｒａｔｅ予実差の値は１０である。これにＩＯＰＳの合計値２０００におけるＰｏｏｌ－１ ＩＯＰＳ（Ｈｏｓｔ由来）の値１０００の割合、すなわち、１０００／（１０００＋１０００）を乗算することで、Ｐｏｏｌ－１ Ｂｕｓｙ Ｒａｔｅ（補正）の値を５と算出している。なお、データ補正の方法はこれに限らず他の方法で補正を行っても良い。例えば、ストレージ装置４０００の性能シミュレータなどを用いて、ホストから発行されたＩ／Ｏのメトリクスデータから記憶容量プールのＢｕｓｙ Ｒａｔｅを見積もり、その見積もり値を補正データとして利用しても良い。ホストから発行されたＩ／Ｏのメトリクスデータは、Ｒｅａｄ ＩＯＰＳ， Ｗｒｉｔｅ ＩＯＰＳ， Ｒｅａｄ Ｔｒａｎｓｆｅｒ Ｒａｔｅ， Ｗｒｉｔｅ Ｔｒａｎｓｆｅｒ Ｒａｔｅなどである。

【0109】

図１１は、再学習要否の判定結果を表示するための画面の一例を示す図である。図１１には、再学習要否判定プログラム５２８０が図８に示す再学習要否判定処理を実行した後に表示される再学習要否の判定結果の画面の一例が示されている。

【0110】

再学習要否判定結果の表示画面例５２８０Ａは、管理対象表示欄５２８０Ａ１、性能グラフ表示欄５２８０Ａ２、管理操作による影響表示欄５２８０Ａ３、性能異常に対する対処表示欄５２８０Ａ４、再学習要否判定結果表示欄５２８０Ａ５、ＯＫボタン５２８０Ａ６、及び再学習実行ボタン５２８０Ａ７を備えて構成される。

【0111】

管理対象表示欄５２８０Ａ１には、ＩＴ管理プログラム５２１０によって管理されている対象の機器およびコンポーネントの識別子が表示される。

【0112】

性能グラフ表示欄５２８０Ａ２には、当該管理対象の性能値ｇグラフとして表示される。ここでは、当該管理対象の性能値の実測値と、当該管理対象に割り当てられたＭＬモデルが算出した予測値とが表示される。ここで表示されるデータは、ＩＴ管理プログラム５２１０が図７に示す監視処理を行った際に、ステップ１００３０で取得したメトリクスデータとステップ１００４０で取得した推論結果である。

【0113】

管理操作による影響表示欄５２８０Ａ３には、当該管理対象についてコンセプトドリフトの原因となった管理操作と、当該管理操作による影響と、当該管理操作のスケジュールの有無とが表示される。ここで表示される情報は、再学習要否判定プログラム５２８０が、図８に示す再学習要否判定処理を行った際にステップ２００４０で取得した管理操作による影響の情報と、ステップ２００２０で取得した管理操作ログおよび管理操作スケジュールとである。

【0114】

性能異常に対する対処表示欄５２８０Ａ４には、当該管理対象において発生した性能異常に対する対処として実行することが予定されている管理操作と、その実行予定日時とが表示される。ここで表示される情報は、ＩＴ管理プログラム５２１０が、図７に示す監視処理を行った際に、ステップ１００７０で計画した対処の情報である。

【0115】

再学習要否判定結果表示欄５２８０Ａ５には、再学習要否の判定結果の説明が表示される。ここで表示される情報は、再学習要否判定プログラム５２８０が、図８に示す再学習要否判定処理を行った際に、ステップ２００３０、ステップ２００５０、ステップ２００６０、ステップ２００７０、及びステップ２００８０の各ステップにおいて、どの分岐を通過したかに応じて選択された、予め用意された説明文である。

【0116】

ＯＫボタン５２８０Ａ６は、再学習要否判定結果の表示画面を閉じるためのボタンである。

【0117】

再学習実行ボタン５２８０Ａ７は、当該ＭＬモデルの再学習を実行するためのボタンである。ユーザが当該ボタンを押下すると、学習プログラム５２６０は、図９に示す再学習処理を実行する。なお、この場合は、当該再学習処理のうちステップ３００３０及びステップ３００４０のみを実行しても良い。これによりユーザは、再学習要否判定プログラム５２８０の判定結果によらず、再学習を実行することができる。

【0118】

図１１に示す例では、管理対象表示欄５２８０Ａ１に示すように、「Ｓｔｏｒａｇｅ－０１」で示されるストレージ装置４０００が備える「Ｐｏｏｌ－０１」で示される記憶容量プールについて、当該プールに割り当てられたＭＬモデルの再学習要否の判定結果が示されている。性能グラフ表示欄５２８０Ａ２には、当該プールの性能を示すＢｕｓｙ Ｒａｔｅの予測値に対し、閾値よりも大きな差を持った実測値が観測された様子が示されている。また、管理操作による影響表示欄５２８０Ａ３には、この予実差に表された性能異常の発生原因となった管理操作として、「Ｖｏｌ－０１」で示されるボリュームに対するデータコピーの操作が示されている。それにより、「Ｉ／Ｏ発生」の影響があったことが示されている。また、当該データコピー操作はスケジュール実行されるものではないことが示されている。この場合、図８に示す再学習要否判定処理によれば、ステップ２００３０の判定結果は「ＹＥＳ」、ステップ２００５０の判定結果は「ＮＯ」、ステップ２００６０の判定結果は「ＮＯ」、ステップ２００７０の判定結果は「ＹＥＳ」、ステップ２００８０の判定結果は「ＮＯ」となり、再学習は不要と判定される。性能異常に対する対処表示欄５２８０Ａ４には、この予実差に対する対処として、管理操作が予定されていないことが示されている。再学習要否判定結果表示欄５２８０Ａ５には、この予実差が管理操作による一時的な性能への影響によって発生したと再学習要否判定プログラム５２８０が判定したため、ＭＬモデルの再学習を実行しないという判定結果が示されている。

【0119】

図１２、図１３及び図１４は、再学習要否の判定結果を表示するための画面の別の例を示す図である。図１２、図１３及び図１４における表示画面の構成は図１１に示した表示画面例５２８０Ａと同様である。ここでは主に、図１２、図１３及び図１４について図１１との差分について説明する。

【0120】

図１２では、管理操作による影響表示欄５２８０Ｂ３にて、当該データコピー操作がスケジュール実行されることが示されている。この場合、図８に示す再学習要否判定処理において、ステップ２００３０の判定結果は「ＹＥＳ」、ステップ２００５０の判定結果は「ＮＯ」、ステップ２００６０の判定結果は「ＮＯ」、ステップ２００７０の判定結果は「ＹＥＳ」、ステップ２００８０の判定結果は「ＹＥＳ」となり、再学習が必要と判定される。このため再学習要否判定結果表示欄５２８０Ｂ５には、この予実差に表された性能異常がデータコピーなどの管理操作による性能影響によって発生し、且つ当該管理操作がスケジュール実行されるため、ＭＬモデルの再学習を実行すると再学習要否判定プログラム５２８０が判定したという判定結果を示している。

【0121】

図１３では、管理対象表示欄５２８０Ｃ１に示すように、「Ｓｔｏｒａｇｅ－０２」で示されるストレージ装置４０００が備える、「Ｐｏｏｌ－０１」で示される記憶容量プールについて、当該プールに割り当てられたＭＬモデルの再学習要否の判定結果が示されている。管理操作による影響表示欄５２８０Ｃ３には、当該プールで観測された予実差に表された性能異常の原因が、「Ｈｏｓｔ－１１」で示される計算機３０００に「Ｖｏｌ－０２」で示されるボリュームを割り当てたことであり、それにより「ホストＩ／Ｏ変化」という影響があったことが示されている。この場合、図８に示す再学習要否判定処理において、ステップ２００３０の判定結果は「ＹＥＳ」、ステップ２００５０の判定結果は「ＹＥＳ」となり、再学習が必要と判定される。性能異常に対する対処表示欄５２８０Ｃ４には、この予実差に対する対処として、「Ｖｏｌ－０２」で示されるボリュームの記憶容量の提供元を、「Ｐｏｏｌ－０２」で示される記憶容量プールに移行する管理操作が「２０２１／０２／０２ ００：３０：００」で示される時刻に実行される予定であることが示されている。この場合、図８の再学習要否判定処理において、ステップ２０１１０の判定結果が「ＹＥＳ」となり、当該管理操作の完了後に再学習を実行するようにスケジュールされる。このため再学習要否判定結果表示欄５２８０Ｃ５には、再学習要否判定プログラム５２８０が、この予実差に表された性能異常が管理操作であるボリューム割り当てによる性能影響によって発生したと判定し、且つ性能異常に対する対処としてボリューム移行が予定されていることから、当該対処の実行後にＭＬモデルの再学習を実行すると判定したという判定結果が示されている。

【0122】

図１４では図１３と同様に、管理対象表示欄５２８０Ｄ１に示すように、「Ｓｔｏｒａｇｅ－０２」で示されるストレージ装置４０００が備える、「Ｐｏｏｌ－０１」で示される記憶容量プールについて、当該プールに割り当てられたＭＬモデルの再学習要否の判定結果が示されている。管理操作による影響表示欄５２８０Ｄ３には、当該プールで観測された予実差に表された性能異常の原因となった管理操作が存在しないことが示されている。この場合、図８に示す再学習要否判定処理において、ステップ２００３０の判定結果は「ＮＯ」となり、再学習が必要と判定される。性能異常に対する対処表示欄５２８０Ｄ４には、この予実差に表された性能異常に対する対処として、「Ｖｏｌ－０２」で示されるボリュームの記憶容量の提供元を、「Ｐｏｏｌ－０２」で示される記憶容量プールに移行する管理操作が「２０２１／０２／０２ ００：３０：００」で示される時刻に実行される予定であることが示されている。この場合、図８に再学習要否判定処理によれば、ステップ２０１１０の判定結果が「ＹＥＳ」となり、当該管理操作の完了後に再学習を実行するようにスケジュールされる。このため再学習要否判定結果表示欄５２８０Ｄ５には、再学習要否判定プログラム５２８０が、この予実差に表された性能異常がホストである計算機３０００からのＩ／Ｏが変化したことによって発生したと判定し、且つ性能異常に対する対処としてボリューム移行が予定されていることから、当該対処の実行後にＭＬモデルの再学習を実行すると判定したという判定結果が示されている。

【0123】

以上説明したように、本実施形態の計算機システム１００では、管理計算機５０００が、管理対象である計算機３０００及びストレージ装置４０００のメトリクスデータを監視し、ＭＬモデルが算出したメトリクスデータの将来値の予測結果と、メトリクスデータの実測値との間に閾値より大きな乖離すなわちコンセプトドリフトがあるか否かを判定する。さらに管理計算機５０００は、コンセプトドリフトがあると判定した場合、管理対象に対して管理操作が与える影響を定義したテーブルと、計算機３０００及びストレージ装置４０００に対して実行された管理操作のログと、今後実行される予定の管理操作のスケジュールと、に基づいてＭＬモデルの再学習の要否を判定する。そして、管理計算機５０００は、ＭＬモデルの再学習が必要と判定した場合、当該ＭＬモデルを用いて監視する管理対象に対して管理操作の実行が予定されているか否かを判定し、管理操作の実行が予定されている場合には、当該管理操作の完了後にＭＬモデルの再学習を行うようにスケジュールする。ＭＬモデルの再学習の実行に際し、管理計算機５０００は、適切な再学習データを選定し、ＭＬモデルの再学習を実行する。

【0124】

従って、本実施形態の管理計算機５０００によれば、コンセプトドリフトの発生原因となった管理操作と、当該管理操作が管理対象に対して与える影響と、当該管理対象に対して実行が予定されている管理操作と、に応じて適切にＭＬモデルの再学習要否を判定することができるため、ＭＬモデルの不要な再学習を避けると共に、再学習を実行するタイミングを適性化する方法を実現できる。

【0125】

なお、本実施形態ではＭＬを活用するシステムの一例としてＩＴ運用管理システムを用いて説明したが、本願発明の適用対象はＩＴ運用管理システムに限らず、別の適用対象であっても良い。

【0126】

また、本実施形態には以下に示す事項が含まれている。ただし、本実施形態に含まれる事項が以下に示すものだけに限定されることはない。

【0127】

（事項１）
プロセッサと記憶装置を有し、前記プロセッサが前記記憶装置に格納されたソフトウェアプログラムを実行することにより実現される、管理対象から取得される監視データを推論するための機械学習モデルを生成する機械学習モデル生成部と、前記機械学習モデルを用いて推論処理を行う推論処理部と、前記推論処理の結果を用いて前記管理対象を管理する管理部と、前記機械学習モデルの再学習の要否を判定する再学習要否判定部と、を備える管理装置であって、
前記管理部は、
前記管理対象に対する管理操作が前記管理対象に与える影響を定義した操作影響情報と、前記管理対象に対して実行された管理操作を記録した管理操作ログと、前記管理対象に対して実行されることが計画または推測される管理操作を示す管理操作スケジュールと、を備え、
前記管理対象から取得された監視データである実測監視データと、前記推論処理部により前記監視データを予測する推論処理の結果である予測監視データと、の差が所定の閾値を超えるか否か判定し、
前記再学習要否判定部は、
前記差が前記閾値を超えたら前記差を有意差とし、前記操作影響情報と、前記管理操作ログと、前記管理操作スケジュールと、に基づいて、前記有意差が一時的なものか継続するものか否か判定し、
前記有意差が継続するものと判定したら、前記機械学習モデルの再学習を実行すべきと判定する、
管理装置。
これによれば、実測監視データと予測監視データとに有意差が生じたときに、その有意差が一時的な管理操作によるものか継続的に発生するものかを判定し、継続的に発生するものである場合に機械学習モデルの再学習を行うべきと判定するので、機械学習モデルの適切な再学習が可能になる。

【0128】

（事項２）
事項１に記載の管理装置であって、
前記管理対象は、１または複数の計算機を備える計算機システムであり、
前記操作影響情報は、前記１または複数の計算機の間でやりとりされるデータ入出力への影響を定義した情報を含み、
前記再学習要否判定部は、
前記管理対象に対して実行された管理操作が、前記１または複数の計算機の間でやりとりされるデータ入出力を増加あるいは減少させるか否かを判定し、
前記管理操作が前記データ入出力を増加あるいは減少させると判定した場合は、前記有意差が継続するものであると判定する、
管理装置。
これによれば、計算機システムにおける管理操作によるデータ入出力への影響を考慮して、機械学習モデルの再学習の要否を判定するので、計算機システムに関する推論処理を行うための機械学習モデルの適切な再学習が可能になる。

【0129】

（事項３）
事項１に記載の管理装置であって、
前記管理対象は、１または複数の計算機を備える計算機システムであり、
前記操作影響情報は、前記１または複数の計算機の間でやりとりされるデータ入出力の処理負荷に対する影響の情報を含み、
前記再学習要否判定部は、
前記管理対象に対して実行された管理操作が、前記１または複数の計算機の間でやりとりされるデータ入出力により前記計算機にかかる処理負荷を変化させるか否かを判定し、
前記管理操作が前記処理負荷を変化させると判定した場合は、前記有意差が継続するものであると判定する、
管理装置
これによれば、計算機システムにおける管理操作によるデータ入出力による計算機へかかる処理負荷への影響を考慮して、機械学習モデルの再学習の要否を判定するので、計算機システムに関する推定処理を行うための機械学習モデルの適切な再学習が可能になる。

【0130】

（事項４）
事項１に記載の管理装置であって、
前記管理対象は、１または複数の計算機を備える計算機システムであり、
前記操作影響情報は、管理操作の種別と該種別の管理操作が前記１または複数の計算機に対してデータ入出力を発生させるものであるか否かとを対応付ける情報を含み、
前記再学習要否判定部は、
前記管理操作ログに基づき、前記管理対象に対して実行された管理操作が前記１または複数の計算機に対してデータ入出力を発生させる種別であるか否か判定し、
前記管理操作が前記データ入出力を発生させる種別であった場合には、前記スケジュールに基づいて、前記管理操作が継続して実行されるものであるか否かを判定し、
前記管理操作が継続して実行されるものであると判定した場合は、前記有意差が継続するものであると判定する、
管理装置。
これによれば、計算機システムにおける管理操作によるデータ入出力による計算機へかかる処理負荷への影響を考慮して、機械学習モデルの再学習の要否を判定するので、計算機システムに関する推定処理を行うための機械学習モデルの適切な再学習が可能になる。

【0131】

（事項５）
事項１に記載の管理装置であって、
前記再学習要否判定部は、
前記機械学習モデルの再学習を実行すべきと判定した場合に、前記管理操作スケジュールに基づいて、前記管理対象への管理操作の実行が予定されているか否か判定し、
前記管理操作の実行が予定されていれば、前記機械学習モデルの再学習を、前記管理操作の実行が完了するまで実行させない、
管理装置。
これによれば、機械学習モデルの再学習を行うときに管理操作が予定されていればその管理操作が完了した後に再学習を行うので、管理操作による再学習後の機械学習モデルへの影響を低減することができる。

【0132】

（事項６）
事項５に記載の管理装置であって、
前記再学習要否判定部は、
前記予定されていた管理操作が実行された後に前記管理対象から実測監視データを管理操作後実測監視データとして取得し、該管理操作後実測監視データと、前記有意差が発生する前に取得された実測監視データである有意差発生前実測監視データとの差が所定の閾値を超えているか否か判定し、前記差が前記閾値を超えていなければ、前記機械学習モデルの再学習を実行しない、
管理装置。
これによれば、機械学習モデルの再学習を行うときに管理操作が予定されていればその管理操作が完了した後に再学習を行うので、例えば有意差を解消するための管理操作により有意差が解消したような場合に不要な再学習を抑制することができる。

【0133】

（事項７）
事項１に記載の管理装置であって、
前記管理部は、
前記管理対象に対する管理操作が実行されたら、前記管理操作の完了後に前記管理対象に生じる変化を監視し、
前記管理対象に生じた変化に基づいて、前記操作影響情報を更新する、
管理装置。
これによれば、操作影響情報を実際に起こる状況に合わせて更新することができる。

【0134】

（事項８）
事項１に記載の管理装置であって、
前記管理部は、
前記管理操作ログに基づいて、前記管理対象に対して周期的に実行される管理操作を周期管理操作として特定し、
前記管理操作ログに基づいて、前記周期管理操作の将来の実行時刻を予測し、
前記周期管理操作と前記将来の実行時刻とを前記管理操作スケジュールに登録する、
管理装置。
これによれば、周期的に実行されている管理操作を管理操作スケジュールに反映するので、有意差が継続的なものかどうかの判定をより正しく行うことが可能になる。

【0135】

（事項９）
事項１に記載の管理装置であって、
前記管理部は、前記再学習要否判定部が前記機械学習モデルの再学習を実行すべきと判定したら、前記管理対象から取得した監視データのうち、前記有意差を継続して発生させる原因である管理操作が完了した時刻より後に取得された監視データを、前記機械学習モデルの再学習に学習データとして用いる、
管理装置。
これによれば、機械学習モデルを再学習すべきと判定したときの有意差の原因となった管理操作が完了した後の監視データを学習データとするので、有意差が生じた後の新しい状態を反映した機械学習モデルを生成することが可能となる。

【0136】

（事項１０）
事項１に記載の管理装置であって、
前記再学習要否判定部は、前記機械学習モデルを再学習すべきと判定したら、前記継続する有意差の原因である第１の管理操作と異なる第２の管理操作が、前記機械学習モデルの再学習に用いる学習データが取得された時間内に実行されていたら、前記学習データから前記第２の管理操作の影響を除外するように補正して前記再学習に用いる、
管理装置。
これによれば、学習データから他の管理操作の影響を除外するので、継続的な状態を反映した機械学習モデルを生成することができる。

【0137】

（事項１１）
事項１に記載の管理装置であって、
前記再学習要否判定部が前記機械学習モデルを再学習すべきと判定したら、前記操作影響情報と前記管理操作ログと前記管理操作スケジュールと、に基づいて、前記有意差が継続して発生すると判定した根拠に関する情報を表示する表示部を更に備える、
管理装置。
これによれば、再学習すると判定した根拠に関する情報を表示するので、再学習となった根拠を容易に知ることができる。

【0138】

（事項１２）
プロセッサと記憶装置を有し、前記プロセッサが前記記憶装置に格納されたソフトウェアプログラムを実行することにより実現される、管理対象から取得される監視データを推論するための機械学習モデルを生成する機械学習モデル生成部と、前記機械学習モデルを用いて推論処理を行う推論処理部と、前記推論処理の結果を用いて前記管理対象を管理する管理部と、前記機械学習モデルの再学習の要否を判定する再学習要否判定部と、を備えるコンピュータが実行する管理方法であって、
前記管理部が、
前記管理対象に対する管理操作が前記管理対象に与える影響を定義した操作影響情報と、前記管理対象に対して実行された管理操作を記録した管理操作ログと、前記管理対象に対して実行されることが計画または推測される管理操作を示す管理操作スケジュールと、を記録し、
前記管理対象から取得された監視データである実測監視データと、前記推論処理部により前記監視データを予測する推論処理の結果である予測監視データと、の差が所定の閾値を超えるか否か判定し、
前記再学習要否判定部が、
前記差が前記閾値を超えたら前記差を有意差とし、前記操作影響情報と、前記管理操作ログと、前記管理操作スケジュールと、に基づいて、前記有意差が一時的なものか継続するものか否か判定し、
前記有意差が継続するものと判定したら、前記機械学習モデルの再学習を実行すべきと判定する、
管理方法。

【産業上の利用可能性】

【0139】

本開示に含まれるひとつの態様による装置および方法は、機械学習を活用するシステムの運用を通じて継続的に品質を維持し改善するシステム運用管理装置に適用して好適なものである。

【符号の説明】

【0140】

１００…計算機システム、２００…計算環境、１０００…計算環境、２０００…計算環境、３０００…計算機、４０００…ストレージ装置、５０００…管理計算機、５１００…プロセッサ、５２００…メモリ、５２１０…ＩＴ管理プログラム、５２２０…管理対象テーブル、５２３０…構成情報テーブル、５２４０…管理操作テーブル、５２５０…操作影響テーブル、５２６０…学習プログラム、５２７０…推論プログラム、５２８０…再学習要否判定プログラム、５３００…記憶装置、５３１０…学習データ、５３２０…ＭＬモデル、５３３０…推論結果データ、５４００…管理ネットワークインタフェース、５５００…Ｉ／Ｏデバイス、６０００…データストア、７０００…データネットワーク、８０００…管理ネットワーク、９０００…広域ネットワーク

【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】