ES2568052T3 - Procedimiento y sistema para la evaluación de valores medidos registrados de un sistema - Google Patents

Procedimiento y sistema para la evaluación de valores medidos registrados de un sistema Download PDF

Info

Publication number
ES2568052T3
ES2568052T3 ES13186464.7T ES13186464T ES2568052T3 ES 2568052 T3 ES2568052 T3 ES 2568052T3 ES 13186464 T ES13186464 T ES 13186464T ES 2568052 T3 ES2568052 T3 ES 2568052T3
Authority
ES
Spain
Prior art keywords
values
measured values
punctuation
measured
learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES13186464.7T
Other languages
English (en)
Inventor
Bernhard LÖHLEIN
Mehran Roshandel
Hamed Ketabdar
Martin Schüssler
Tajik Shahin
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deutsche Telekom AG
Original Assignee
Deutsche Telekom AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Deutsche Telekom AG filed Critical Deutsche Telekom AG
Application granted granted Critical
Publication of ES2568052T3 publication Critical patent/ES2568052T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0721—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment within a central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Debugging And Monitoring (AREA)
  • Machine Translation (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)

Abstract

Procedimiento para evaluar valores medidos registrados de un sistema S, el cual se puede encontrar en un estado libre de errores o afectado con errores, presentando el sistema S al menos una red de comunicación, un componente de red de un sistema de comunicación o un servicio de una red de comunicación, con las siguientes etapas, en el siguiente orden: a) formar un conjunto V de valores medidos v no marcados del sistema S; b) formar un conjunto de aprendizaje modificado V' con valores medidos v' para un sistema de aprendizaje L mediante (i) eliminación o (ii) ponderaciones o (iii) eliminación y ponderaciones de valores medidos del conjunto V utilizando un método basado en el azar; c) formar un modelo M para la evaluación de valores medidos del sistema S mediante el sistema de aprendizaje L a partir del conjunto de aprendizaje modificado V'; y d) evaluar los valores medidos del sistema S mediante un sistema de evaluación B utilizando el modelo M. en el que en la etapa b) en (i) eliminación o (ii) ponderaciones o (iii) eliminación y ponderaciones de valores medidos v del conjunto V es eliminado al menos un vecino próximo del valor medido v.

Description

5
10
15
20
25
30
35
40
45
50
55
60
DESCRIPCION
Procedimiento y sistema para la evaluacion de valores medidos registrados de un sistema
La presente invencion se refiere a un procedimiento y a un sistema para la evaluacion de valores medidos registrados de un sistema S, el cual puede encontrarse en un estado libre de errores o afectado con errores. El sistema presenta en este caso al menos una red de comunicacion, un componente de red de un sistema de comunicacion y/o un servicio de una red de comunicacion.
En el campo del reconocimiento de valores medidos anomalos o no normales, los llamados valores atlpicos, el estado de la tecnica presenta diferentes procedimientos para encontrar valores medidos anomalos o no normales. La localization de valores medidos no normales se designa asimismo como "detection de valores excepcionales" o como reconocimiento de valores atlpicos, o tambien como "deteccion de anomallas".
Asl, por ejemplo en [1] se describe la aplicacion del reconocimiento de valores atlpicos como una de las etapas principales en el campo de la minerla de datos. Asimismo, en [1] se presta especial atencion a la robustez de la estimation empleada y son mostradas diferentes posibilidades para el reconocimiento de valores atlpicos basadas en mediciones de distancia, procedimientos de conglomerados, asl como procedimientos espaciales.
En [2] se analiza la importancia del reconocimiento de valores atlpicos como un problema importante para diferentes campos de aplicacion, asl como disciplinas cientlficas.
Los procedimientos relativos al tema del reconocimiento de valores atlpicos conocidos por el estado de la tecnica se diferencian en primer lugar por los supuestos y condiciones previas subyacentes. Algunos procedimientos necesitan para el reconocimiento de valores atlpicos las distribuciones subyacentes y sus parametros, con los que un sistema S genera los valores medidos. Ademas, hay procedimientos que mediante un "algoritmo de probabilidad local de valores atlpicos" (LoOP, [3]) calculan un valor de probabilidad en relation con un "algoritmo de factor local de valores atlpicos" (LOF, [4]) o algoritmos analogos.
Ademas, por [5] es conocido un procedimiento para, a partir de valores de puntuacion como salida de una funcion de puntuacion arbitraria para el reconocimiento de valores atlpicos, obtener una transformation en valores de probabilidad, es decir, valores en un intervalo de [0, 1]. Este valor de probabilidad indica la probabilidad de que un valor medido de un conjunto V sea un valor atlpico con respecto al conjunto del valores medidos subyacentes. Las probabilidades son utilizadas con el fin de crear una lista de valores atlpicos altamente probables.
La publication [6] se refiere a un sistema y a un procedimiento para el filtrado de datos para reducir el sesgo funcional y la llnea de tendencia de valores atlpicos.
En los procedimientos convencionales para el reconocimiento de valores atlpicos son empleados habitualmente valores umbral o valores llmite. Asl, puede determinarse que por encima o por debajo de tal valor umbral o valor llmite un valor medido puede ser considerado como valor atlpico, o como valor medido normal.
Desfavorable en el uso de de valores umbral es que tales valores umbral la mayorla de las veces tienen que ser determinados con ensayos y evaluaciones costosos. Tambien los valores medidos del conjunto V, que tienen desviaciones muy grandes respecto a la mayorla de los valores medidos, pero que pertenecen a un estado normal del sistema S, son filtrados por el uso de un valor umbral, sin que estos de acuerdo con una probabilidad asignada pudieran ser incluidos en un conjunto de aprendizaje para la determination del estado de un sistema.
Referencias
[1] Irad Ben-Gal."Outlier detection", en: Maimon O. y Rockach L. (Eds.), "Data Mining and Knowledge Discovery Handbook: A Complete Guide for Practitioners and Researchers” Kluwer Academic Publishers, 2005.
[2] Varun Chandola, Arindam Banerjee, Vipin Kumar."Outlier Detection: A Survey", 2007
(
http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.108.8502)
[3] Hans-Peter Kriegel, P. Kroger, E. Schubert, A. Zimek."LoOP: Local Outlier Probabilities", en las actas de la 18a “ACM Conference on Information and Knowledge Management” (Conferencia ACM de Information y Gestion del Conocimiento) (CIKM), 2009 (
http://www.dbs.ifi.lmu.de/Publikationen/Papers/ LoOP1649.pdf).
[4] M.M. Breunig, Hans-Peter Kriegel, R.T. Ng, J. Sander."LOF: Identifying Density-based Local Outliers” en aCm SIGMOD Record. Nr. 29, 2000, (
http://www.dbs.ifi.lmu.de/Publikationen/Papers/LOF.pdf)
[5] Hans-Peter Kriegel, Peer Kroger, Erich Schubert, Arthur Zimek."Interpreting and Unifying Outlier Scores",
en Actas de la 11a Conferencia Internacional de Minerla de Datos de Siam, 2011,
(
http://siam.omnibooksonline.com/2011datamining/data/papers/018.pdf).
[6] US 2013/046727 A1
5
10
15
20
25
30
35
40
45
50
55
60
65
La invencion tiene el objeto de proporcionar un procedimiento y un sistema para la evaluacion de valores medidos registrados de un sistema S que puede encontrarse en un estado libre de errores/normal o afectado con errores/no normal.
Este objeto se lleva a cabo con las caracteristicas de las reivindicaciones independientes. Las reivindicaciones dependientes se refieren a formas de realizacion preferidas segun la invencion.
La invencion parte asi de la idea basica de que un sistema de aprendizaje L preferentemente mecanico o estadistico puede evaluar de forma automatizada valores medidos a partir de valores medidos V no marcados de un sistema S que se va a monitorizar. Los valores medidos no normales pueden representar un indicio de que el sistema S se encuentra en un estado afectado con errores. No marcado significa que para el valor medido no existe informacion acerca de en que estado - libre de errores/afectado con errores -se ha encontrado el sistema S en el momento del registro del valor medido.
Se proporciona un procedimiento aleatorizado/basado en el azar que antes de la aplicacion de un sistema de aprendizaje a partir de un conjunto de aprendizaje V de valores medidos elimina aquellos que con una alta probabilidad proceden de un estado afectado con errores de un sistema S. Se evita de esta forma que tales valores medidos afecten negativamente al proceso de aprendizaje del sistema de aprendizaje L, hasta el punto de que el modelo entrenado M en la evaluacion de nuevos valores medidos futuros W evalue como normal un estado afectado con errores del sistema S. Por otro lado, se tiene en cuenta la observacion de que tales valores son precisamente valiosos para el proceso de aprendizaje de un sistema de aprendizaje y si es posible no deberian ser eliminados (por completo). La invencion tiene en cuenta asi que pueden existir valores medidos en V que en realidad adopten un valor excepcional en comparacion con los otros valores medidos en V, pero sin embargo no fueron determinados en un estado afectado con errores del sistema S y, por tanto, deben ser considerados como normales.
La invencion se refiere a un procedimiento para la evaluacion de valores medidos registrados de un sistema S que puede encontrarse en un estado libre de errores/normal o afectado con errores/no normal, presentando el sistema S al menos una red de comunicacion, un componente de red de un sistema de comunicacion y/o un servicio de una red de comunicacion, con las siguientes etapas, preferiblemente en el siguiente orden: a) formar un conjunto V de valores medidos v no marcados del sistema S; b) formar un conjunto de aprendizaje modificado V' con los valores medidos v' para un sistema de aprendizaje L mediante eliminacion y/o ponderaciones de valores medidos a partir del conjunto V utilizando un metodo basado en el azar; c) formar un modelo M para la evaluacion de valores medidos del sistema S por el sistema de aprendizaje L a partir del conjunto de aprendizaje modificado V'; y d) evaluar los valores medidos del sistema S mediante un sistema de evaluacion B utilizando el modelo M.
El sistema S puede ser un sistema con dos estados de sistema - libre de errores/normal y afectado con errores/no normal. Pero el procedimiento se puede aplicar tambien a otros sistemas S que tengan otros estados de sistema, por ejemplo varios estados de sistema.
Sobre los valores medidos v no marcados del sistema S segun la invencion no tienen por que tenerse necesariamente informaciones fiables de si el respectivo valor medido fue medido en un momento en que el sistema S se encontraba en un estado afectado con errores o libre de errores. Los valores medidos son registrados asi en el sistema de medicion S y pueden representar indicadores sobre el estado del sistema. Para el caso de que existan diferentes tipos de valores medidos, tambien pueden ser asignadas al valor medido correspondiente indicaciones sobre el tipo del valor medido. Para el caso de que en cuanto a los valores medidos se trate de series temporales pueden ser anadidas adicionalmente al conjunto V indicaciones sobre el momento de la medicion para los valores medidos v individuales.
De acuerdo con una forma de realizacion segun la invencion, la etapa b) presenta las siguientes etapas, preferiblemente en el siguiente orden, b1) formar un conjunto de valores de puntuacion Q con valores de puntuacion q a partir del conjunto V mediante al menos una funcion de puntuacion F: V ® Q, v A F(v)=q; b2) formar un conjunto de probabilidades P con probabilidades p a partir del conjunto de valores de puntuacion Q mediante al menos una funcion de transformacion T: Q ® P,q A T(q) = T(F(v)) = p; b3) formar el conjunto de aprendizaje modificado V' de valores medidos, en el que los valores medidos v e V con una probabilidad correspondiente de 1-p, con p=T(F(v)) son incluidos en el conjunto de aprendizaje modificado V' y/o en el que los valores medidos v e V reciben una ponderacion correspondientes mediante al menos una funcion de ponderacion G.
La funcion de puntuacion F puede formar a partir del conjunto de aprendizaje V un valor de puntuacion para cada valor medido individual del conjunto V o de un subconjunto de valores medidos - por ejemplo en el caso de valores medidos de diferentes tipos en un instante o para una cierta instancia. Aqui, el valor de puntuacion puede ser un numero real sin limitation de generalidad. Un valor de puntuacion bajo puede ser asociado, por ejemplo, con un valor medido libre de errores y un valor de puntuacion alto con un valor medido afectado con errores.
La funcion de transformacion T puede asignar a un valor de puntuacion, por ejemplo un numero real, un valor de probabilidad, por ejemplo un numero real en el intervalo [0, 1]. Asi, por ejemplo, un valor medido v con T(v) = 0 con
5
10
15
20
25
30
35
40
45
50
55
60
una probabilidad 0 no puede ser eliminado del conjunto V, es decir ser trasferido o permanecer con seguridad en un conjunto de aprendizaje modificado V'. Por el contrario, un valor medido v con T(v) = 1 puede por ejemplo ser eliminado del conjunto V con una probabilidad 1, es decir no ser transferido o permanecer en un conjunto de aprendizaje V'.
La funcion de ponderacion G puede calcular una ponderacion para cada probabilidad p de un valor medido v, que esta determinada por T. La ponderacion del valor medido v correspondiente puede representar as! un valor con el que debe ser ponderado el valor medido v en el proceso de aprendizaje/en la inclusion en V'. Asl, los valores medidos con una alta ponderacion pueden tener una mayor influencia sobre el modelo M. La funcion de ponderacion puede aqul ser definida por G(p) = 1-p.
Las funciones F, T y G pueden ser definidas tanto para valores medidos individuales v, como para un conjunto de valores medidos V.
De acuerdo con otra forma de realizacion segun la invention, el procedimiento comprende ademas la etapa de: determinar si el sistema S se encuentra en un estado libre de errores o en un estado afectado con errores.
Tambien, para otro conjunto W de valores medidos w no marcados del sistema S, por ejemplo en un instante posterior, se puede determinar si el sistema S en el momento respectivo se encuentra en un estado libre de errores o afectado con errores. Esta determination puede realizarse por el modelo de aprendizaje M entrenado o por el sistema de evaluation B.
De acuerdo con otra forma de realizacion segun la invencion, la funcion de puntuacion F puede representar un sistema de aprendizaje L' independiente, preferiblemente mecanico y el sistema de evaluacion B' con salida de un valor de puntuacion. Tambien la funcion de puntuacion F puede estar formada teniendo en cuenta los k vecinos proximos y/o el factor de intervalo intercuartllico y/o el factor local de valor atlpico. Ademas, la funcion de la puntuacion F, para cada valor medido v del conjunto V, puede determinar la distancia al vecino mas proximo, es decir, la distancia minima d(v) del valor medido v y dividirla por la distancia promedio m de todos los valores medidos v de V, de manera que F: V® Q, v A F(v) = d(v)/m = q. La funcion de transformation T puede tambien ser una funcion constantemente creciente, preferiblemente con 0 < T(x) < 1 para todo x e R, de forma particularmente preferida ser una distribution normal, una distribucion de Weibull, una distribution beta, o una distribution constantemente uniforme. La funcion de ponderacion G se puede definir como G(p) = 1-p = 1-T(F(v)).
La funcion constantemente creciente de la funcion de transformacion T puede tener preferentemente la propiedad 0 < T(x) < 1 para todo x e R con T (-~) > 0 y T(+¥ < 1.
Para la funcion de puntuacion F tambien pueden utilizarse algoritmos que pueden operar sin el conocimiento de la distribucion subyacente de los valores medidos. La funcion de puntuacion F tambien puede presentar un algoritmo de factor local de valores atlpicos o un algoritmo de probabilidad local de valores atlpicos.
De acuerdo con otra forma de realizacion segun la invencion, las etapas b1) a b3) pueden ser ejecutadas varias veces iterativamente una tras otra.
Mediante la ejecucion iterativa una tras otra de las etapas b1) a b3) pueden ser empleadas varias veces sucesivas la funcion de puntuacion F, la funcion de transformacion T y la elimination aleatoria de valores medidos de V o las ponderaciones de valores medidos de V.
De acuerdo con otra forma de realizacion segun la invencion, el conjunto V en la etapa a) puede ser dividido en subconjuntos V_1,...,V_N con N e N y en la etapa b) pueden ser formados subconjuntos modificados V_1’,...V_N’ con N' e N el conjunto de aprendizaje V' puede formarse a partir de los subconjuntos modificados V_1',...V_N'.
Por consiguiente, tambien en b1) pueden ser formados a partir de los subconjuntos V_1,...,V_N los conjuntos correspondientes de valores de puntuacion Q_1,...,Q_N con N e N mediante al menos una funcion de puntuacion F. Ademas, en b2) pueden ser formados a partir de los correspondientes conjuntos de valores de puntuacion Q_1,...,Q_N conjuntos de probabilidades correspondientes P_1,...,P_N con N e N mediante al menos una funcion de transformacion T.
De acuerdo con otra forma de realizacion segun la invencion, en la etapa b) durante la eliminacion y/o ponderaciones de valores medidos v del conjunto V puede ser eliminado tambien al menos un vecino proximo al valor medido v. La eliminacion del vecino proximo al valor medido v puede realizarse de acuerdo con criterios basados en el valor y/o temporales. Asl, por ejemplo, puede ser eliminado un vecino proximo que tenga un valor comparable al valor medido v o que se produzca muy cerca del valor medido v. Tambien por ejemplo, el vecino proximo se puede seleccionar de manera que se encuentre proximo en el tiempo al valor medido. Asl, el vecino
5
10
15
20
25
30
35
40
45
50
55
60
65
proximo puede haber sido registrado, por ejemplo, simultaneamente o dentro de un ilmite de tiempo antes o despues del propio valor medido a ser eliminado.
De acuerdo con otra forma de realizacion segun la invention, pueden ser seleccionados los valores medidos del grupo que comprenden: utilization de una unidad de calculo, usuario y espacio libre de almacenamiento, utilization y estado de los canales de entrada y salida, numero de paquetes libres de errores o afectados con errores, longitud de colas de transmision, solicitudes de servicio libres de errores o afectadas con errores, tiempo de procesamiento de una solicitud de servicio.
La invencion se refiere tambien a un sistema para la evaluation de valores medidos registrados de un sistema S, el cual puede encontrase en un estado libre de errores o afectado con errores, presentado el sistema S al menos una red de comunicacion, un componente de red de un sistema de comunicacion y/o un servicio de una red de comunicacion, con: un dispositivo para formar un conjunto V de valores medidos v no marcados del sistema S; un dispositivo para formar un conjunto de aprendizaje modificado V' con valores medidos v' para un sistema de aprendizaje L mediante la elimination y/o ponderaciones de valores medidos del conjunto V utilizando un metodo basado en el azar; un sistema de aprendizaje L adecuado para formar un modelo M para la evaluacion de valores medidos del sistema S a partir del conjunto de aprendizaje modificado V'; y un sistema de evaluacion B adecuado para evaluar los valores medidos del sistema S utilizando el modelo M.
De acuerdo con otra forma de realizacion segun la invencion, el dispositivo para formar un conjunto de aprendizaje modificado V' puede presentar: un dispositivo para formar un conjunto de valores de puntuacion Q con valores de puntuacion q a partir del conjunto V por al menos una funcion de puntuacion F: V ^Q, v A F(v)= q; un dispositivo para formar un conjunto de probabilidades P con probabilidades p a partir del conjunto de valores de puntuacion Q mediante al menos una funcion de transformation T: Q ^P, q A T(q) = T(F(v)) = p.
El dispositivo para formar el conjunto de aprendizaje modificado V' puede ser adecuado para formar el conjunto de aprendizaje modificado V' de valores medidos por la inclusion en el conjunto de aprendizaje modificado V' de los valores medidos v e V con una probabilidad correspondiente de 1-p, donde p = T(F(v)). Tambien, el dispositivo para formar el conjunto de aprendizaje modificado V' puede ser adecuado para formar el conjunto de aprendizaje modificado V' a partir de valores medidos mediante la ponderacion de los valores medidos v e V por al menos una funcion de ponderacion G.
De acuerdo con otra forma de realizacion segun la invencion, el sistema para la evaluacion de valores medidos registrados de un sistema S puede presentar ademas un dispositivo para determinar si el sistema S se encuentra en un estado libre de errores o afectado con errores.
De acuerdo con otra forma de realizacion segun la invencion, el dispositivo para la formation de un conjunto de valores de puntuacion Q puede ser adecuado para formar varias veces el conjunto de valores de puntuacion Q. Tambien, el dispositivo para formar un conjunto de probabilidades P puede ser adecuado para formar varias veces el conjunto de probabilidades. Ademas, el dispositivo para formar el conjunto de aprendizaje modificado V' puede ser adecuado para formar varias veces el conjunto de aprendizaje modificado V'.
De acuerdo con otra forma de realizacion segun la invencion, el dispositivo para formar un conjunto V de valores medidos v no marcados del sistema S puede ser adecuado para dividir el conjunto V en subconjuntos V_1,...,V _N con N e N. Tambien el dispositivo para la formacion de un conjunto de aprendizaje modificado V' puede ser apropiado para formar subconjuntos modificados V_1', ...,V_N' con N' e N y construir el conjunto de aprendizaje V' a partir de los subconjuntos modificados V_1',...,V_N'.
De acuerdo con otra forma de realizacion segun la invencion, el dispositivo para formar un conjunto de aprendizaje modificado V' puede ser adecuado para en la eliminacion y/o ponderaciones de valores medidos v del conjunto V eliminar tambien al menos un vecino proximo al valor medido v.
La presente invencion proporciona un procedimiento para evaluar valores medidos registrados de un sistema S que no requiere el uso de valores umbral y en su lugar utiliza un procedimiento aleatorizado/basado en el azar. Mediante el uso de un procedimiento aleatorizado/basado en el azar no tiene que ser determinado ningun valor umbral por el usuario con ensayos y evaluaciones costosos y tampoco valores medidos del conjunto V que tengan desviaciones muy grandes respecto a la mayorla de los valores medidos, pero que pertenecen a un estado normal del sistema S, tienen posibilidad alguna - de acuerdo con la probabilidad asignada- de ser incluidos en el conjunto de aprendizaje de valores medidos. En los procedimientos con valores umbral este objetivo es diflcil o imposible de alcanzar. El procedimiento segun la invencion no requiere ningun conocimiento acerca de las distribuciones subyacentes de los valores medidos; sin embargo en caso de que se tenga este conocimiento total o parcialmente, este puede ser utilizado en la seleccion de la(s) funcion(es) de puntuacion F y funciones de transformacion T. En contraste con los procedimientos del estado de la tecnica, en la presente invencion por el procedimiento aleatorizado se emplean las probabilidades calculadas con la funcion T para formar el conjunto de aprendizaje de forma aleatorizada; asimismo puede ser importante no solo el conjunto de aprendizaje actual V, sino ademas el posible comportamiento de los
5
10
15
20
25
30
35
40
45
50
55
60
65
valores medidos del sistema S. Los valores de probabilidad calculados no (solo) se utilizan con el fin de crear una lista de valores atipicos, sino que se utilizan en un procedimiento aleatorizado para determinar un conjunto de aprendizaje reducido V' a partir del conjunto de aprendizaje V original.
La invencion se explica en mas detalle a continuacion con referencia a ejemplos y dibujos.
Muestran:
Figura 1, una representacion esquematica de un procedimiento para evaluar valores medidos registrados de un sistema S de acuerdo con un procedimiento convencional del estado de la tecnica,
Figura 2, una representacion esquematica de una forma de realizacion preferida de un procedimiento para evaluar valores medidos registrados de un sistema de acuerdo con la presente invencion,
Figura 3, una representacion esquematica de una forma de realizacion preferida de un sistema para evaluar valores medidos registrados de un sistema S de acuerdo con la presente invencion, y
Figura 4, una representacion esquematica de una distribucion de Weibull utilizada como funcion de transferencia de un ejemplo de realizacion preferido de un procedimiento para evaluar valores medidos registrados de un sistema segun la presente invencion.
La Figura 1 muestra una representacion esquematica de un procedimiento convencional para evaluar valores medidos registrados de un sistema S de acuerdo con el estado de la tecnica.
En un sistema S, por ejemplo una red, es registrado un conjunto V de valores medidos v. Este conjunto V servira como conjunto de aprendizaje para un sistema de aprendizaje L. Los valores medidos v del conjunto V estan sin marcar, es decir, no se puede hacer ninguna afirmacion de si los valores medidos v estan afectados con errores o no, es decir, de si el sistema S en el registro de los valores medidos se encuentra o no en un estado afectado con errores.
El sistema de aprendizaje L evalua, con ayuda de un valor umbral fijado, el conjunto de valores de medicion V o los valores medidos v. En el presente caso, los valores medidos v que se situan por debajo del valor umbral son eliminados del conjunto de aprendizaje y ya no son tenidos en cuenta. El conjunto de aprendizaje V' asi determinado, que tiene solo los valores de medicion v por encima del valor umbral, es utilizado por el sistema de aprendizaje L para formar un modelo M. El modelo M es asi una representacion del sistema S libre de errores con respecto a los valores medidos entrenados. Con el modelo M debe realizarse ahora una afirmacion para futuros nuevos valores de medicion w en cuanto a si el sistema S se encuentra en un estado con errores o afectado con errores.
Para ello, utilizando el modelo M es formado un sistema de evaluation B. A continuacion, los valores medidos w que van a ser evaluados del nuevo conjunto de valores medidos W son conducidos al sistema de evaluacion B. Luego, el sistema de evaluacion B realiza la evaluacion de los valores medidos w del conjunto de valores medidos W teniendo en cuenta el modelo M formado y hace una afirmacion de si los valores medidos w estan afectados con errores o no y, por tanto, de si el sistema S se encuentra en un estado afectado con errores o no.
La Figura 2 muestra una representacion esquematica de una forma de realizacion preferida de un procedimiento para evaluar valores medidos registrados de un sistema S de acuerdo con la presente invencion. En esta forma de realizacion preferida son registrados de nuevo valores medidos v en un sistema S y reunidos para formar un conjunto de valores medidos V, que esta concebido como conjunto de aprendizaje. Ahora se aplica a los valores medidos v una funcion de puntuacion F y de esta manera se forma un conjunto de valores de puntuacion Q con valores de puntuacion q. A continuacion se aplica a este conjunto de valores de puntuacion Q una funcion de transformation T y se forma asi un conjunto de probabilidades P con probabilidades p. Por una selection aleatorizada es formado a continuacion el conjunto de aprendizaje modificado V' de valores medidos. En este caso son incluidos en el conjunto de aprendizaje modificado V' los valores medidos v con una probabilidad correspondiente de 1-p. Los valores medidos v pueden recibir tambien (o solo) una ponderacion correspondiente mediante una funcion de ponderacion apropiada G y, en consecuencia, son incluidos en el conjunto de aprendizaje modificado V' todos los valores medidos v e V con ponderaciones correspondientes.
A continuacion, el sistema de aprendizaje L utilizando el conjunto de aprendizaje V' forma un modelo M adecuado, siendo el modelo M de nuevo una representacion del sistema S libre de errores.
Usando el modelo M se forma a continuacion un sistema de evaluacion B. Al sistema de evaluacion B son proporcionados nuevos valores medidos registrados w e W del sistema y el sistema de evaluacion evalua si los nuevos valores medidos w e W estan afectados con errores o son normales y en consecuencia si el sistema S se encuentra en un estado afectado con errores o en un estado normal.
La Figura 3 muestra una representacion esquematica de una forma de realizacion preferida de un sistema para evaluar valores medidos registrados de un sistema S de acuerdo con la presente invencion. El sistema 100 para la evaluacion de valores medidos registrados de un sistema S tiene un dispositivo 110 para la formation de un
5
10
15
20
25
30
35
40
45
50
55
60
65
conjunto V de valores medidos v no marcados del sistema S, un dispositivo 120 para formar un conjunto de aprendizaje modificado V', un sistema de aprendizaje L 130, un sistema de evaluacion B 140, as! como un dispositivo 150 para determinar si el sistema S se encuentra en un estado con errores o afectado con errores.
El dispositivo 110 recibe del sistema S valores medidos v registrados y a partir de estos valores medidos registrados forma un conjunto V de valores medidos v no marcados. A continuacion se forma en el dispositivo 120 un conjunto de aprendizaje modificado V' con valores medidos v' como sigue:
En el dispositivo 121, mediante una funcion de puntuacion F se forma a partir del conjunto V con los valores medidos v un conjunto de valores de puntuacion Q con los valores de puntuacion q. A continuacion en el dispositivo 121 por medio de una funcion de transformacion T a partir del conjunto de valores de puntuacion Q con los valores de puntuacion q se forma un conjunto de probabilidades P con probabilidades p. Posteriormente, en el dispositivo 120 los valores medidos v con una probabilidad correspondiente de 1-p, con p = T(F(v)) son incluidos en el conjunto de aprendizaje modificado V'. Por tanto, se crea un conjunto de aprendizaje modificado V' por tratamiento aleatorizado/basado en el azar del conjunto V registrado originalmente.
A continuacion el conjunto de aprendizaje modificado V' es empleado en el sistema de aprendizaje L 130 para formar un modelo M para el sistema S. El modelo M constituye as! una representacion del sistema S libre de errores.
Con ayuda de este modelo M se evalua posteriormente en el sistema de evaluacion B 140, si los valores medidos w a evaluar de un nuevo conjunto de valores medidos W del sistema estan afectados con errores o no. El conjunto de valores medidos W con los valores medidos w a ser evaluados puede igualmente ser formado o registrado por el dispositivo 110. A continuacion, en un dispositivo 150 se determina basandose en la evaluacion de los valores medidos w, si el sistema S se encuentra en un estado libre de errores o afectado con errores. Los resultados as! determinados de si los valores medidos w estan afectados con errores o no, o de si el sistema S se encuentra en un estado afectado con errores o libre de errores pueden, por tanto, seguir siendo procesados posteriormente por ejemplo en otro sistema.
La Figura 4 muestra una representacion esquematica de una distribucion de Weibull utilizada como funcion de transferencia de un ejemplo de realizacion preferido de un procedimiento para evaluar valores medidos registrados de un sistema de acuerdo con la presente invention. En el ejemplo de realizacion descrito aqul de acuerdo con la presente invencion son medidos a continuacion seis valores para una determinada magnitud (tipo) en el sistema S y son utilizados posteriormente como entrada para sistema de aprendizaje L. El conjunto de valores medidos V de los valores medidos v es: V = (101, 102, 1, 100, 103, 105).
El tercer valor medido v = 1 es un valor atlpico en la serie de valores medidos. Sin embargo, el sistema de aprendizaje L no tiene informaciones sobre si en cuanto al valor atlpico se trata de un valor medido afectado con errores o libre de errores y de si este valor atlpico fue medido en un estado del sistema S afectado con errores o libre de errores.
Si ahora el sistema de aprendizaje L para un conjunto de aprendizaje V como modelo M formara el mlnimo y el maximo de los valores medidos de V, entonces resultarla:
- con el valor medido v = 1: Mlnimo = 1, Maximo = 105
- sin el valor medido v = 1: Mlnimo = 100, maximo = 105
Si ahora se tomara el mlnimo y maximo como modelo M para la description del sistema libre de errores, entonces en el presente caso, dependiendo de si el valor medido 1 fuera anadido o no, resultarlan dos realizaciones completamente diferentes. En el caso de mlnimo = 1 y maximo = 105, el intervalo de aceptacion para los nuevos valores medidos es mayor que en el caso de mlnimo = 100 y maximo = 105.
En el primer caso serlan aceptados como normales mas valores medidos que en el segundo caso.
Por tanto, en lugar de ello en el presente ejemplo segun invencion se toma como funcion de puntuacion F(v) la funcion que para cada valor medido v de V forma la distancia al valor medido de V mas proximo y divide esta por la distancia media m de todos los valores medidos de V.
Se designa por d(v) la distancia minima del valor medido v con respecto a todos los otros valores medidos. Por tanto, resulta:
- d(101) = 1
- d(102) = 1
- d(1) = 99
- d(100) = 1
5
10
15
20
25
30
35
40
45
50
55
60
65
- d(103) = 1
- d(105) = 2
Por tanto, la distancia media m es entonces:
- m = (1 + 1+ 99 + 1 + 1 + 2)/6 = 105/6 = 17, 5
Con la funcion de puntuacion F pueden ahora calcularse los valores de puntuacion para los valores medidos de V:
- F(101) = 1/17,5 » 0,057
- F(102) = 1/17,5 »0,057
- F(1) = 99/17,5 » 5,65
- F(100) = 1/17,5 » 0,057
- F(103) = 1/17,5 » 0,057
- F(105) = 2/17,5 » 0,11
Segun la invencion despues estos valores de puntuacion son transformados en probabilidades con una funcion de transferencia T. En el ejemplo de realizacion de acuerdo con la invencion se emplea como funcion de transferencia la distribucion de Weibull con el parametro k = 2, el llamado parametro de forma, y A = 2, el llamado parametro de escala.
La distribucion de Weibull T se define como sigue:
- x < 0: T(x; k, lambda) = 0
- x > 0: T(x; k, lambda) = (k/lambda) (x/lambda)A(k- 1) exp (-(x/lambda)Ak) donde “A” es la potenciacion y exp( ) la funcion exponencial.
La Figura 3 muestra la distribucion de Weibull segun la invencion con estos parametros.
Los valores de puntuacion transformados con T resultan ser:
- F(101) = 1/17,5 » 0,057, T (0,057) = 0,00081
- F(102) = 1/17,5 » 0,057, T(0,057) = 0,00081
- F(1) = 99/17,5 » 5,65, T(5,65) = 0,9996
- F(100) = 1/17,5 » 0,057, T(0,057) = 0,00081
- F(103) = 1/17,5 » 0.057, T(0,057) = 0,00081
- F(105) = 2/17,5 » 0,11, T(0,057) = 0,0030
Los valores medidos individuales son eliminados o mantenidos ahora de forma aleatoria en base al valor de probabilidad calculado a partir del conjunto de aprendizaje V.
Por tanto, se mantienen en V los valores medidos 101, 102, 100, 103, 105 con mayor probabilidad y se elimina el valor medido 1. El conjunto de aprendizaje modificado V' incluye, por tanto, con alta probabilidad los siguientes valores medidos:
- V '= (101, 102, 100, 103, 105).
A continuacion se forma un modelo M adecuado utilizando el conjunto de aprendizaje V' y utilizando el modelo M se forma posteriormente un sistema de evaluation B.
Al sistema de evaluacion B pueden ser proporcionados a continuacion nuevos valores medidos w e W registrados del sistema y el sistema de evaluacion puede evaluar si los nuevos valores medidos w e W estan afectados con errores o son normales y correspondientemente si el sistema S se encuentra en un estado afectado con errores o en un estado normal.
Aunque la invencion ha sido representada y descrita en detalle por medio de las figuras y de la description correspondiente, esta representation y esta descripcion detallada deben entenderse como ilustrativas y a modo de ejemplo y no como que limitan la invencion. Se entiende que los expertos pueden hacer cambios y modificaciones sin apartarse del alcance de las siguientes reivindicaciones. En particular, la invencion incluye igualmente formas de realizacion con cualquier combination de las caracterlsticas que son mencionadas o mostradas anteriormente o a continuacion para diversas formas de realizacion.
La invencion comprende igualmente caracterlsticas individuales en las figuras aunque se muestren all! en relation con otras caracterlsticas y/o no sean mencionadas anteriormente o a continuacion. Tambien comprende las
alternativas de formas de realizacion explicadas en las figuras y la descripcion y alternativas individuales cuyas caracterlsticas pueden ser deducidas del contenido de la invencion o de los contenidos dados a conocer. La invencion comprende formas de realizacion que incluyen exclusivamente las caracterlsticas descritas en las reivindicaciones o en los ejemplos de realizacion, as! como tambien aquellas que comprenden las otras 5 caracterlsticas adicionales.

Claims (19)

  1. 5
    10
    15
    20
    25
    30
    35
    40
    45
    50
    55
    60
    65
    REIVINDICACIONES
    1. Procedimiento para evaluar valores medidos registrados de un sistema S, el cual se puede encontrar en un estado libre de errores o afectado con errores, presentando el sistema S al menos una red de comunicacion, un componente de red de un sistema de comunicacion o un servicio de una red de comunicacion, con las siguientes etapas, en el siguiente orden:
    a) formar un conjunto V de valores medidos v no marcados del sistema S;
    b) formar un conjunto de aprendizaje modificado V' con valores medidos v' para un sistema de aprendizaje L mediante (i) eliminacion o (ii) ponderaciones o (iii) eliminacion y ponderaciones de valores medidos del conjunto V utilizando un metodo basado en el azar;
    c) formar un modelo M para la evaluacion de valores medidos del sistema S mediante el sistema de aprendizaje L a partir del conjunto de aprendizaje modificado V'; y
    d) evaluar los valores medidos del sistema S mediante un sistema de evaluacion B utilizando el modelo M.
    en el que en la etapa b) en (i) eliminacion o (ii) ponderaciones o (iii) eliminacion y ponderaciones de valores medidos v del conjunto V es eliminado al menos un vecino proximo del valor medido v.
  2. 2. Procedimiento segun la reivindicacion 1, en el que la etapa b) presenta las siguientes etapas:
    b1) formar un conjunto de valores de puntuacion Q con valores de puntuacion q del conjunto V mediante al menos una funcion de puntuacion F: V ^ Q, v A F(v) = q;
    b2) formar un conjunto de probabilidades P con probabilidades p a partir del conjunto de valores de
    puntuacion Q mediante al menos una funcion de transformation T: Q ^ P, q A T(q) = T(F(v)) = p;
    b3) formar el conjunto de aprendizaje modificado V' de valores medidos, en el que son incluidos en el conjunto de aprendizaje modificado V' los valores medidos v e V con una probabilidad correspondiente de 1p, con p = T(F(v))
    o en el que los valores medidos v e V reciben una ponderacion correspondiente mediante al menos una funcion de ponderacion G.
  3. 3. Procedimiento segun la reivindicacion 1, en el que la etapa b) presenta las siguientes etapas:
    b1) formar un conjunto de valores de puntuacion Q con valores de puntuacion q del conjunto V mediante al menos una funcion de puntuacion F: V ^ Q, v A F(v) = q;
    b2) formar un conjunto de probabilidades P con probabilidades p a partir del conjunto de valores de
    puntuacion Q mediante al menos una funcion de transformacion T: Q ^ P, q A T(q) = T(F(v)) = p;
    b3) formar el conjunto de aprendizaje modificado V' de valores medidos, en el que son incluidos en el conjunto de aprendizaje modificado V' los valores medidos v e V con una probabilidad correspondiente de 1p, con p = T(F(v))
    y en el que los valores medidos de v e V reciben una ponderacion correspondiente mediante al menos una funcion de ponderacion G.
  4. 4. Procedimiento segun la reivindicacion 2 o 3, en el que el procedimiento presenta las etapas b1) a b3) en el orden mencionado.
  5. 5. Procedimiento segun una de las reivindicaciones 2 a 4, en el que la funcion de puntuacion F puede representar un sistema de aprendizaje independiente L' y un sistema de evaluacion B' con salida de un valor de puntuacion.
  6. 6. Procedimiento segun la reivindicacion 5, en el que la funcion de puntuacion F puede representar un sistema de aprendizaje mecanico independiente L' y un sistema de evaluacion B' con salida de un valor de puntuacion.
  7. 7. Procedimiento segun una de las reivindicaciones 2 a 6, en el que la funcion de puntuacion F esta formada teniendo en cuenta los k vecinos proximos al valor medido v.
  8. 8. Procedimiento segun una de las reivindicaciones 2 a 7, en el que la funcion de transformacion T es una funcion constantemente creciente.
  9. 9. Procedimiento segun la reivindicacion 8, en el que la funcion de transformacion T es una funcion constantemente creciente con 0 < T(x) < 1 para todo x e R.
  10. 10. Procedimiento segun la reivindicacion 8 o 9, en el que la funcion de transformacion T es una distribution normal, una distribucion de Weibull, una distribucion Beta, o una distribucion constantemente uniforme.
    5
    10
    15
    20
    25
    30
    35
    40
    45
    50
    55
    60
  11. 11. Procedimiento segun una de las reivindicaciones 2 a 10, en el que la funcion de ponderacion G se define como G(p) = 1-p = 1-T(F(v)).
  12. 12. Procedimiento segun una de las reivindicaciones 2 a 11, en el que las etapas b1) a b3) son realizadas iterativamente varias veces de forma sucesiva.
  13. 13. Procedimiento segun una de las reivindicaciones precedentes, en el que el conjunto V en la etapa a) es dividido en subconjuntos V_1,...,V_N con N e N y en el que en la etapa b) son formados subconjuntos modificados V_1', ...,V_N' con N' e N y el conjunto de aprendizaje V' esta compuesto por los subconjuntos modificados V_1', ..., V_N'.
  14. 14. Procedimiento segun una de las reivindicaciones precedentes, en el que son seleccionados valores medidos del grupo, que comprende: utilizacion de una unidad de calculo, usuario y espacio libre de almacenamiento libre, utilizacion y estado de canales de entrada y salida, numero de paquetes libres de errores o afectados con errores, longitudes de colas de transmision, solicitudes de servicio libres de errores o afectadas con errores, tiempo de procesamiento de una solicitud de servicio.
  15. 15. Sistema para la evaluacion de valores medidos registrados de un sistema S, el cual puede encontrarse en un estado libre de errores o afectado con errores, presentando el sistema S al menos una red de comunicacion, un componente de red de un sistema de comunicacion o un servicio de una red de comunicacion, con:
    un dispositivo para la formation de un conjunto V de valores medidos v no marcados del sistema S; un dispositivo para formar un conjunto de aprendizaje modificado V' con valores medidos v' para un sistema de aprendizaje L mediante (i) elimination o (ii) ponderaciones o (iii) elimination y ponderaciones de valores medidos a partir del conjunto V utilizando un metodo basado en el azar;
    en el que el sistema de aprendizaje L es adecuado para formar un modelo M para la evaluacion de valores medidos del sistema S a partir del conjunto de aprendizaje modificado V'; y
    en el que el sistema de evaluacion B es adecuado para la evaluacion de valores medidos del sistema S utilizando el modelo M, en el que el dispositivo para formar un conjunto de aprendizaje modificado V' es adecuado para en (i) eliminacion o (ii) ponderaciones o (iii) eliminacion o ponderaciones de valores medidos v del conjunto V eliminar al menos un vecino proximo al valor medido v.
  16. 16. Sistema segun la reivindicacion 15, en el que el dispositivo para formar un conjunto de aprendizaje modificado V' presenta:
    un dispositivo para la formacion de un conjunto de valores de puntuacion Q con valores de puntuacion q a partir del conjunto V mediante al menos una funcion de puntuacion F: V ^ Q, v A F(v) = q; un dispositivo para formar un conjunto de probabilidades P con probabilidades p a partir del conjunto de valores de puntuacion Q mediante al menos una funcion de transformation T: Q ^ P, q A T (q) = T(F(v)) = p; y en el que el dispositivo para formar el conjunto de aprendizaje modificado V' es adecuado para formar el conjunto de aprendizaje modificado V' de valores medidos mediante la inclusion en el conjunto de aprendizaje modificado V' de los valores medidos v e V con una probabilidad correspondiente de 1-p, con p = T(F(v)) o por ponderacion de los valores medidos v e V mediante al menos una funcion de ponderacion G.
  17. 17. Sistema segun la reivindicacion 16, en el que el dispositivo para formar un conjunto de aprendizaje modificado V' presenta:
    un dispositivo para la formacion de un conjunto de valores de puntuacion Q con valores de puntuacion q a partir del conjunto V mediante al menos una funcion de puntuacion F: V ^ Q, v A F (v) = q; un dispositivo para la formacion de un conjunto de probabilidades P con probabilidades p a partir del conjunto de valores de puntuacion Q mediante al menos una funcion de transformacion F: Q ^ P, q A T (q) = T(F(v))
    = p, y
    en el que el dispositivo para formar el conjunto de aprendizaje modificado V' es adecuado para formar el conjunto de aprendizaje modificado V' de valores medidos por inclusion en el conjunto de aprendizaje modificado V' de los valores medidos v e V con una probabilidad correspondiente de 1-p, con p= T(F(v)) y por ponderacion de los valores medidos v e V mediante al menos una funcion de ponderacion G.
  18. 18. Sistema segun una de las reivindicaciones 15 a 17, en el que el dispositivo para la formacion de un conjunto de valores de puntuacion Q es adecuado para formar varias veces el conjunto de valores de puntuacion Q y en el que el dispositivo para la formacion de un conjunto de probabilidades P es adecuado para formar varias veces el conjunto de probabilidades, y en el que el dispositivo para formar el conjunto de aprendizaje modificado V' es adecuado para formar varias veces el conjunto de aprendizaje modificado V'.
  19. 19. Sistema segun una de las reivindicaciones 15 a 18, en el que el dispositivo para formar un conjunto V de valores medidos no marcados v del sistema S es adecuado para dividir el conjunto V en subconjuntos V_1, ..., V_N con N e
    N y en el que el dispositivo para formar un conjunto de aprendizaje modificado V' es adecuado para formar subconjuntos modificados V_1', ..., V_N' con N' e N y construir el conjunto de aprendizaje V' por los subconjuntos modificados V_1', ..., V_N'.
    5 20. Sistema segun una de las reivindicaciones anteriores, en el que son seleccionados valores medidos del grupo
    que comprende: utilizacion de una unidad de calculo, usuario y el espacio libre de almacenamiento, utilizacion y estado de los canales de entrada y salida, numero de paquetes libres de errores o afectados con errores, longitud de colas de transmision, solicitudes de servicio libres de errores o afectadas con errores, tiempo de procesamiento de una solicitud de servicio.
    10
ES13186464.7T 2013-09-27 2013-09-27 Procedimiento y sistema para la evaluación de valores medidos registrados de un sistema Active ES2568052T3 (es)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP13186464.7A EP2854045B1 (de) 2013-09-27 2013-09-27 Verfahren und System zum Bewerten von erhobenen Messwerten eines Systems

Publications (1)

Publication Number Publication Date
ES2568052T3 true ES2568052T3 (es) 2016-04-27

Family

ID=49303764

Family Applications (1)

Application Number Title Priority Date Filing Date
ES13186464.7T Active ES2568052T3 (es) 2013-09-27 2013-09-27 Procedimiento y sistema para la evaluación de valores medidos registrados de un sistema

Country Status (7)

Country Link
US (1) US20160239753A1 (es)
EP (1) EP2854045B1 (es)
JP (1) JP6200076B2 (es)
KR (1) KR101733708B1 (es)
CN (1) CN105765563B (es)
ES (1) ES2568052T3 (es)
WO (1) WO2015043823A1 (es)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268979B (zh) * 2018-02-01 2021-11-19 北京科技大学 一种基于演化模糊关联规则的中厚板质量预测方法
US11132403B2 (en) 2019-09-06 2021-09-28 Digital Asset Capital, Inc. Graph-manipulation based domain-specific execution environment
US10990879B2 (en) 2019-09-06 2021-04-27 Digital Asset Capital, Inc. Graph expansion and outcome determination for graph-defined program states
US12339904B2 (en) 2019-09-06 2025-06-24 Digital Asset Capital, Inc Dimensional reduction of categorized directed graphs
JP7310673B2 (ja) 2020-03-23 2023-07-19 横河電機株式会社 データ管理システム、データ管理方法、および、データ管理プログラム
WO2022014916A1 (ko) * 2020-07-15 2022-01-20 한양대학교 에리카산학협력단 패킷전송 결정 장치 및 패킷전송 스케줄 결정 방법
US11429798B2 (en) * 2020-08-10 2022-08-30 Innolux Corporation Wireless tag location system and method thereof
JP7380654B2 (ja) * 2021-07-15 2023-11-15 株式会社豊田中央研究所 評価装置、評価システム、評価方法及びそのプログラム
KR20250103986A (ko) * 2023-12-29 2025-07-08 주식회사 퀀텀솔루션 적응형 머신 러닝 기반 이상 감지 기능을 갖춘 해양 관측 장비 모니터링 시스템 및 방법

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3832281B2 (ja) * 2001-06-27 2006-10-11 日本電気株式会社 外れ値ルール生成装置と外れ値検出装置、その外れ値ルール生成方法と外れ値検出方法及びそのプログラム
JP2005181928A (ja) * 2003-12-24 2005-07-07 Fuji Xerox Co Ltd 機械学習システム及び機械学習方法、並びにコンピュータ・プログラム
IL161217A (en) * 2004-04-01 2013-03-24 Cvidya 2010 Ltd Detection of outliers in communication networks
JP5186278B2 (ja) * 2008-05-14 2013-04-17 アズビル株式会社 外れ値検出方法、外れ値検出装置およびプログラム
JP5832644B2 (ja) * 2011-06-03 2015-12-16 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 殊にガスタービンまたは風力タービンのような技術システムのデータドリブンモデルを計算機支援で形成する方法
US9069725B2 (en) * 2011-08-19 2015-06-30 Hartford Steam Boiler Inspection & Insurance Company Dynamic outlier bias reduction system and method
US9659250B2 (en) * 2011-08-31 2017-05-23 Hitachi Power Solutions Co., Ltd. Facility state monitoring method and device for same
CN102436542B (zh) * 2011-09-22 2015-11-04 河南中医学院 一种基于格拉布斯规则和矩阵实验室语言的药学测试数据中异常值的剔除方法
US9349103B2 (en) * 2012-01-09 2016-05-24 DecisionQ Corporation Application of machine learned Bayesian networks to detection of anomalies in complex systems

Also Published As

Publication number Publication date
JP6200076B2 (ja) 2017-09-20
JP2016537702A (ja) 2016-12-01
KR20160058891A (ko) 2016-05-25
CN105765563B (zh) 2018-06-12
WO2015043823A1 (de) 2015-04-02
KR101733708B1 (ko) 2017-05-10
EP2854045B1 (de) 2016-04-06
EP2854045A1 (de) 2015-04-01
US20160239753A1 (en) 2016-08-18
CN105765563A (zh) 2016-07-13

Similar Documents

Publication Publication Date Title
ES2568052T3 (es) Procedimiento y sistema para la evaluación de valores medidos registrados de un sistema
CN102725611B (zh) 对公用监控系统的分级结构的鲁棒的自动确定的方法
Nakao et al. Distributionally robust partially observable Markov decision process with moment-based ambiguity
CN103365748A (zh) 用于资源放置的计算和协调中的管理域集成的系统和方法
Wang et al. Dynamic community detection based on network structural perturbation and topological similarity
JPWO2013111560A1 (ja) 運用管理装置、運用管理方法、及びプログラム
Chong et al. Imputation of missing values in building sensor data
Blavatskyy Which decision theory?
CN103620625A (zh) 信息处理装置、信息处理方法、记录介质、以及程序
Ammoura et al. On an MCS-based inconsistency measure
Ritchie et al. Phylogenetic diversity metrics from molecular phylogenies: modelling expected degree of error under realistic rate variation
Steinley et al. A note on the expected value of the Rand index
CN110362569A (zh) 数据表的校验方法及装置、电子设备、存储介质
CN103477293B (zh) 反映下级构成要素的状态的成套设备的健康指数测量方法
Chen et al. A probe into dynamic measures for h-core and h-tail
Murray-Watters et al. What is going on inside the arrows? Discovering the hidden springs in causal models
CN110462539A (zh) 信息处理装置、信息处理方法以及程序
Zhong et al. Fully sequential ranking and selection procedures with PAC guarantee
Smith et al. Optimal sensor placement in power grids: Power domination, set covering, and the neighborhoods of zero forcing forts
Bhanot Synthetic data generation and evaluation for fairness
Agapito et al. Parallel network analysis and communities detection (PANC) pipeline for the analysis and visualization of covid-19 data
Tao et al. Island models for stochastic problem of transportation project selection and scheduling
Tripathi et al. Missing values imputation in food consumption: An analytical study
CN105653734A (zh) 一种不确定性复杂事件的处理系统及方法
CN120256266B (zh) 集群的健康状态评估方法、装置、设备、介质及程序产品