JP6572795B2 - 解析装置及び解析プログラム - Google Patents

Description

本発明は、サーバの性能監視に関する。

仮想化技術の発展に伴って登場したクラウドサービスは、現在非常に幅広い分野で利用されている。一方で、クラウドサービスを提供する仮想化基盤システムは、近年、大規模化及び複雑化してきており、システム異常や障害などのトラブルへの対応も難しくなってきている。

図１は、クラウド基板システム及び分析装置の例を説明する図である。クラウド基板システム１０００は、複数の共有スイッチ１１００と複数の共有サーバ１２００を含む。複数の共有サーバ１２００は、共有スイッチ１１００を経由して互いに通信可能である。複数の共有サーバ１２００は、計算機資源を共有することで、１つのクラウド基板システムを実現する。

具体的には、複数の共有サーバ１２００は、協同でホストＯｐｅｒａｔｉｏｎ Ｓｙｓｔｅｍ（ＯＳ）２００１を動作させる。ホストＯＳ２００１は、複数の共有サーバの基本的な管理や制御のための機能や、搭載されるソフトウェアが共通して利用する基本的な機能などを実装した、システム全体を管理するソフトウェアである。なお、複数の共有サーバ１２００が複数のホストＯＳ２００１を動作させてもよい。

ホストＯＳ２００１上では、ハイパーバイザ２００２が動作する。ハイパーバイザ２００２は、コンピュータの仮想化技術のひとつである仮想マシン（ＶＭ：Ｖｉｒｔｕａｌ Ｍａｃｈｉｎｅ）を実現するための制御プログラムである。ハイパーバイザ２００２上では、複数の仮想マシン２００３（例えば、仮想マシン２００３ａ〜２００３ｃ）が動作する。

クラウド基板システムに係るサービスとして、仮想マシン２００３ａ〜２００３ｃの各々がユーザに対して提供される。ユーザは、自身が利用可能な仮想マシン２００３上で何らかのアプリケーション２００４ａ〜２００４ｃを動作させることができる。

このようなクラウド基板システム１０００において、ユーザは、自身が利用可能な仮想マシン２００３のアプリケーション性能情報（以下、アプリ性能情報と記載する）を取得することができる。アプリ性能情報は、クラウド上で動作するアプリケーションの性能を表現する時系列データである。アプリ性能情報は、例えば、Ｗｅｂアクセスのレスポンスタイムやスループット、データベースクエリのレスポンスタイムやスループット、データ処理の処理時間やスループットなどの時系列データである。

該クラウド基板システム１０００のシステム性能情報は、分析装置３０００に送られる。システム性能情報は、クラウド基盤システムから取得可能なシステム性能や負荷状況を表現する時系列データである。システム性能情報は、例えば、サーバのＣｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＣＰＵ）使用率や仮想ＣＰＵ使用率、ネットワークスループットや仮想Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ（ＮＩＣ）スループットなどである。管理者は、分析装置３０００に収集されたシステム性能情報を用いて、クラウド基板システム１０００の性能管理をする。なお、ユーザは、自身が利用可能な仮想マシン２００３のシステム性能情報を、一部取得可能である。

システムトラブルが発生すると、管理者は、分析装置３０００に収集されたログ情報、統計情報、構成情報、システム性能情報などを分析し、トラブルの要因推定と修復を迅速に行う。大規模なクラウド基板システムでは、ログ情報、統計情報、構成情報、システム性能情報など全ての情報を人手で分析することは困難である。特に仮想化システムにおけるトラブル要因は幅広いレイヤ（アプリケーション２００４、仮想マシン２００３、ハイパーバイザ２００２、ホストＯＳ２００１、共有サーバ１２００、共有スイッチ１１０などのレイヤ）で発生する可能性がある。その一方で、レイヤごとに管理者が異なる場合も多いため、トラブル対応が難しい。

情報通信サービスを提供するシステムの性能劣化を検知するシステムが知られている。該システムは、種目の異なる性能情報間の相関係数を表す相関関数を生成し、取得された性能情報を相関関数に提供し、相関関係が維持されているか否かを分析することで、性能劣化を検知する（例えば、特許文献１を参照）。

２つのデータの間で対応関係にあるカラムを抽出する際に、相関ルールを用いる技術が知られている（例えば、特許文献２を参照）。

被清算物の品質に関する目的変数と、被清算物の生産に関する説明変数とについて、目的変数に影響を与える説明変数を簡単かつ確実に特定する分析システムが知られている（例えば、特許文献３を参照）。

仮想マシンの資源情報を使用する装置が知られている。仮想マシン配置装置は、資源使用量の予測可能性を判定し、予測可能な仮想マシンに対して、予測した資源使用量の時系列パターンとあらゆる種類の資源使用量を同時に平準化する（例えば、特許文献４を参照）。

多値データで表現された基本画像を、循環誤差拡散法を適用して二値化することにより、その基本画像の二値化によって発生するノイズを抑える方法が知られている（例えば、特許文献５を参照）。

特開２０１４−２３８８５２号公報 特開２０１２−３８０６６号公報 特開２００６−３１８２６３号公報 特開２０１５−１５２９８４号公報 特開平１０−２３３９２３号公報

図１のクラウド基板システム１０００では、アプリケーション２００４のレイヤは、ユーザにより管理される。一方、仮想マシン２００３、ハイパーバイザ２００２、ホストＯＳ２００１、共有サーバ１２００、共有スイッチ１１００などのレイヤは、管理者によって管理される。

あるユーザが使用しているアプリケーション２００４で、アプリケーションの処理速度が遅くなるなどの性能劣化が発生した場合、管理者は、性能劣化の報告をユーザから受ける。クラウド基板システムでは、共有サーバ１２００の計算機資源を該アプリケーションと競合して他の仮想マシンが使用する。そのため、管理者は、例えば、アプリケーションの性能劣化の要因となっている仮想マシンを、分析装置３０００に収集されたログ情報、統計情報、構成情報、システム性能情報などを分析することで推定する。

管理者は、仮想マシンを推定するために、まず、アプリケーションのアプリ性能情報をユーザから受け取る。管理者は、分析装置３０００を用いて該アプリ性能情報と相関のある仮想マシンの性能情報を推定する。これにより、ユーザが使用しているアプリケーションの性能劣化の要因となっている仮想マシンを推定することができる。

ここで、仮想マシンの性能情報と該アプリ性能情報との相関関係が一時的な時間帯に限られている場合、分析装置３０００は、性能劣化の要因である仮想マシンを推定できないことが有りうる。そのため、仮想マシンの性能情報と該アプリ性能情報との相関関係が一時的な時間帯に限られている場合、性能劣化の要因である仮想マシンをどの程度推定することができるかを示す推定性能が低下してしまう。

本発明は１つの側面において、仮想マシンの性能情報と該アプリ性能情報との相関関係が一時的な時間帯に限られている場合でも、性能劣化の要因の候補である仮想マシンの性能情報を抽出することを目的とする。

分析装置は、アプリケーションの性能情報と仮想マシンの性能情報を分析する。分析装置は、記憶部、二値変換部、計算部、抽出部を備える。二値変換部は、前記アプリケーションの性能情報の時刻毎の値を、第１の閾値に基づいて二値データに変換し、且つ、前記仮想マシンの性能情報の時刻毎の値を第２の閾値として二値データに変換する。計算部は、二値データに変換されたアプリケーションの性能情報と、前記第２の閾値毎に二値データに変換された性能情報に基づいて信頼度と支持度を計算する。抽出部は、前記信頼度と前記支持度に基づいて、前記分析対象である１種のアプリケーションの性能劣化の要因となっている仮想マシンの性能情報である種類を抽出する。

本発明によれば、仮想マシンの性能情報と該アプリ性能情報との相関関係が一時的な時間帯に限られている場合でも、性能劣化の要因の候補である仮想マシンの性能情報を高い推定性能で抽出することができる。

クラウド基板システム及び分析装置の例を説明する図である。 相関関係が一時的な時間帯に限られているアプリ性能情報とＶＭ性能情報の例を説明する図である。 本実施形態に係るクラウド基板システム及び分析装置の例を説明する図である。 相関係数判定部の除外処理の例を説明する図である。 アプリ性能情報の二値変換処理の例を説明する図である。 ＶＭ性能情報の二値変換処理の例を説明する図である。 ＶＭ性能情報の二値変換処理の例を説明する図である。 信頼度と支持度の計算方法の例を説明する図である。 抽出部の処理の例を説明する図である。 アプリ性能情報テーブルとＶＭ性能情報テーブルの例を説明する図である。 相関係数計算部の処理の例を説明する図である。 相関係数計算部の処理の例を説明する図である。 相関係数の計算結果の例を説明する図である。 相関判定情報テーブルの例を説明する図である。 二値変換したアプリ性能情報の例を説明する図である。 二値変換したＶＭ性能情報の例を説明する図である。 相関ルールの計算結果の例を説明する図である。 抽出部の抽出処理の例を説明する図である。 抽出部の抽出処理の例を説明する図である。 入出力部の出力画面の例を説明する図である。 分析装置のハードウェア構成の例を説明する図である。 分析装置の処理の例を説明するフローチャートである。 分析装置の処理の例を説明するフローチャートである。 二値変換に係る処理の例を説明するフローチャートである。

クラウド基板システムが提供する複数の仮想マシンは、クラウドサービス基板の持つ計算機資源を共有して使用する。仮想マシン同士で計算機資源の競合が発生すると、仮想マシン上で動作するアプリケーションの遅延（性能劣化）を引き起こすことがある。このような性能劣化が発生したときに、管理者は、例えば、応答時間やスループットなどのアプリ性能情報をユーザから受け取る。管理者は、分析装置３０００に受け取ったアプリ性能情報を登録する。分析装置３０００は、該アプリ性能情報と仮想ＣＰＵ使用率や仮想ＮＩＣスループットなどの仮想マシンの性能情報の間の相関関係を抽出し、資源競合を発生させた仮想マシンを推定する。以下、仮想マシンの性能情報を、ＶＭ性能情報と称す。

しかし、ＶＭ性能情報と該アプリ性能情報との相関関係が一時的な時間帯に限られている場合に、相関係数を用いてＶＭ性能情報と該アプリ性能情報との相関関係を評価すると、性能劣化の要因である仮想マシンを推定できないことがある。

一般的に、システムの性能情報と機能（アプリケーション）の性能情報の時系列データを比較し、相関関係にあれば、機能（アプリケーション）が異常の要因であると特定できるが、この評価方法だと、ある程度相関のある時間が継続する必要がある。一時的な相関が検出された場合は、異常の要因として認識されない場合がある。すべての異常に連続的な相関があるわけではないため、機能（アプリケーション）の異常を認識できない場合がある。そのため、再現率が低くなってしまう。

図２は、相関関係が一時的な時間帯に限られているアプリ性能情報とＶＭ性能情報の例を説明する図である。図２は、同じ時間帯におけるアプリ性能情報２０１とＶＭ性能情報２０２との相関関係を図示したものである。

アプリ性能情報２０１は、アプリケーションのレスポンスタイムを表す。該アプリ性能情報２０１は、横軸が時間軸（秒）、縦軸（左側のメモリ）がレスポンスタイム（秒）で表される。アプリ性能情報２０１は、レスポンスタイムが遅い（縦軸の値が大きい）ほど、該アプリケーションの動作が遅くなっている（性能劣化している）ことを示す。例えば、横軸の１６秒から後では、レスポンスタイムの１秒を超える時間が増えており、該アプリケーションの性能が劣化している。

ＶＭ性能情報２０２は、仮想マシンに設定されている仮想ＮＩＣのスループットを表す。ＶＭ性能情報２０２は、横軸が時間軸（秒）、縦軸（右側のメモリ）が該仮想ＮＩＣの通信に用いられるパケット数で表される。ＶＭ性能情報２０２は、パケット数が大きいほど、仮想ＮＩＣの負荷が高いことを示す。例えば、横軸の２７秒程度から、パケット数が増えており、仮想ＮＩＣの負荷が上がっている。

ここで、ＶＭ性能情報２０２の仮想ＮＩＣを持つ仮想マシンが、アプリ性能情報２０１のアプリケーションの処理に影響を与えていると仮定する。何らかの理由で仮想ＮＩＣのパケット数が増えると（例えば、横軸の２７秒目〜３２秒目）、該仮想マシンと該アプリケーションが共有する資源がボトルネックとなりアプリケーションの処理が遅延する。横軸の２７秒目〜３２秒目では、アプリ性能情報２０１とＶＭ性能情報２０２はどちらも値が増大しており、相関が高い。

アプリ性能情報２０１は、横軸の１７秒〜２０秒や、２２秒〜２６秒の間にも、レスポンスタイムが遅くなっており、性能劣化が発生している。一方、横軸の１７秒〜２０秒や、２２秒〜２６秒の間、ＶＭ性能情報２０２のパケット数は増えていない。従って、横軸の１７秒〜２０秒や、２２秒〜２６秒の間の性能劣化は、該仮想マシンではない他の要因により発生している。横軸の１７秒〜２０秒や、２２秒〜２６秒の間、アプリ性能情報２０１とＶＭ性能情報２０２には相関がない。

このように、ＶＭ性能情報と該アプリ性能情報との相関関係が一時的な時間帯に限られている場合に、相関係数を用いてＶＭ性能情報と該アプリ性能情報との相関関係を評価すると、性能劣化の要因である仮想マシンを推定できないことがある。

そこで本発明は、相関係数を用いた評価に加えて、データマイニングの分野で利用されるアソシエーション分析の信頼度と支持度（以下、信頼度と支持度を纏めて相関ルールと称す）を用いて相関関係を評価する。これにより、本発明では、仮想マシンの性能情報と該アプリ性能情報との相関関係が一時的な時間帯に限られている場合であっても、性能劣化の要因である仮想マシンを高い推定性能で推定することができる。

本発明において、推定性能は、具体的には、再現率（リコール）である。再現率は、下式で表される。
再現率＝（推定することができた要因仮想マシン数）/（実際に要因となっている仮想マシンの数）
再現率は、要因となる仮想マシンをどの程度推定できるかを表す値であり、実際に要因となっている仮想マシンの数のうち、推定することができた仮想マシンの数の割合で表される。

図３は、本実施形態に係るクラウド基板システム及び分析装置の例を説明する図である。クラウド基板システム１０００は、複数の共有スイッチ１１００と複数の共有サーバ１２００を含む。複数の共有サーバ１２００は、共有スイッチ１１００を経由して互いに通信可能である。複数の共有サーバ１２００は、計算機資源を共有することで、１つのクラウド基板システムを実現する。図３に示す複数の共有サーバ１２００は、図３の共有サーバ１２００と同様に、ホストＯＳ２００１、ハイパーバイザ２００２、複数の仮想マシン２００３、アプリケーション２００４を動作させる。

図３のクラウド基板システム１０００のシステム性能情報は、分析装置３０００に送られる。システム性能情報は、例えば、サーバのＣＰＵ使用率や仮想ＣＰＵ使用率、ネットワークスループットや仮想ＮＩＣスループットなどの時系列データである。以下、システム性能情報のうち、仮想ＣＰＵ使用率や仮想ＮＩＣスループットなどの仮想マシンに関する性能情報は、ＶＭ性能情報である。送受信部３８００は、クラウド基板システム１０００側から送られたＶＭ性能情報を受信する。記憶部３９００は、送受信部３８００が受信したＶＭ性能情報を記憶する。

あるアプリケーションでアプリケーションの処理速度が遅くなるなどの性能劣化が発生し、管理者が、性能劣化の要因である仮想マシンを推定するために、該アプリケーションのアプリ性能情報をユーザから受け取ったと仮定する。管理者は、分析装置３０００と通信可能な端末などから該アプリ性能情報を、分析装置３０００に送信する。送受信部３８００は、性能劣化が発生したアプリケーションのアプリ性能情報を受信する。記憶部３９００は、送受信部３８００が受信したアプリ性能情報を記憶する。

分析対象となるアプリ性能情報が分析装置３０００内に記憶されると、分析装置３０００を用いた、性能劣化の要因である仮想マシンを推定する処理を開始できる。以下に、分析装置３０００の性能劣化の要因である仮想マシンを推定する処理を順番に説明する。

（Ａ１）管理者は、入出力部３７００を用いて、複数種類あるアプリ性能情報の中から、分析対象として１種を選択し、分析装置３０００に性能劣化の要因である仮想マシンを推定する処理を開始させる。

記憶部３９００に記憶されている複数種類のＶＭ性能情報の種類ごとに、分析装置３０００は、以下の処理を繰り返し実行する。

（Ａ２）相関係数計算部３１００は、ＶＭ性能情報（１種類）と、アプリ性能情報（１種類）との相関係数を算出する。

（Ａ３）相関係数判定部３２００は、算出した相関係数が所定の無相関判定閾値以下（例えば、０．３以下）であるか否かを判定する。算出した相関係数が所定の無相関判定閾値以下（例えば、０．３以下）である場合、該ＶＭ性能情報の種類を分析対象から除外する。算出した相関係数のＶＭ性能情報の種類が除外される場合、別の種類のＶＭ性能情報について処理を（Ａ２）から繰り返す。

（Ａ４）相関係数判定部３２００は、算出した相関係数が所定の相関判定閾値（例えば、０．８以上）よりも大きい相関係数を持つか否かを判定する。

（Ａ４．１）算出した相関係数が所定の相関判定閾値（例えば、０．８以上）よりも大きい相関係数を持つ場合、分析装置３０００は、（Ａ１１）の処理を実行する。

（Ａ４．２）算出した相関係数が所定の相関判定閾値（例えば、０．８以上）よりも小さい相関係数を持つ場合、分析装置３０００は、（Ａ５）から処理を実行する。

（Ａ５）二値変換部３３００は、アプリ性能情報を、アプリ二値変換閾値に基づいて二値データに変換する（詳しくは、図５で説明）。この処理は、複数回実行されなくてよい。

（Ａ６）二値変換部３３００は、ＶＭ性能情報におけるある時間のデータ「ｘ」を閾値として選択し、選択したＶＭ性能情報を二値データに変換する（詳しくは、図６Ａと図６Ｂで説明）。

（Ａ７）相関ルール計算部３４００は、データマイニングの分野で用いられるアソシエーション分析で用いられる信頼度と支持度（相関ルール）を算出する（詳しくは、図７で説明）。

（Ａ８）分析装置３０００は、ＶＭ性能情報における全ての時間を閾値「ｘ」とした（Ａ６）と（Ａ７）の処理を繰り返し実行する。

（Ａ９）相関ルール判定部３５００は、算出された信頼度が所定の閾値以上（例えば、０．８以上）である「ｘ」の中から、支持度が最大となる閾値「Ｘ」（複数の閾値ｘのうち、支持度が最大となる閾値をＸと記載する）を判定する。

（Ａ１０）二値変換部３３００は、ＶＭ性能情報の支持度が最大である閾値「Ｘ」を用いて、各ＶＭ性能情報を二値データに変換する（詳しくは、図６Ａと図６Ｂで説明）。

（Ａ１１）抽出部３６００は、（Ａ４．１）の処理で、算出した相関係数が所定の相関判定閾値（例えば、０．８以上）よりも大きい相関係数であると判定した場合、現在分析しているＶＭ性能情報の種類を抽出する。ここで抽出されるＶＭ性能情報が、性能劣化と候補となるＶＭ性能情報である。

（Ａ１２）抽出部３６００は、支持度（相関ルール）が所定の閾値よりも大きいＶＭ性能情報を抽出する（詳しくは、図８で説明）。ここで抽出されるＶＭ性能情報が、性能劣化と候補となるＶＭ性能情報である。

（Ａ１３）分析装置３０００は、ＶＭ性能情報の種類毎に、（Ａ２）〜（Ａ１２）の処理を繰り返し実行する。

（Ａ１４）入出力部３７００は、モニタに抽出部３６００で抽出されたＶＭ性能情報を表示する。管理者は、表示されたＶＭ性能情報から、性能劣化の要因である仮想マシンを推定できる。

本発明は、相関係数を用いた評価に加えて、データマイニングの分野で利用されるアソシエーション分析の信頼度と支持度を用いて相関関係を評価する。これにより、本発明では、ＶＭ性能情報と該アプリ性能情報との相関関係が一時的な時間帯に限られている場合であっても、性能劣化の要因である仮想マシンとして推定できる。

図４は、相関係数判定部の除外処理の例を説明する図である。図４は、（Ａ２）と（Ａ３）の処理の例を説明する図である。相関係数計算部３１００は、複数種類のＶＭ性能情報の各種と、１種のアプリ性能情報との相関係数を算出する（（Ａ２）の処理）。図４は、１種のアプリ性能情報に対応する各ＶＭ性能情報３０１ａ〜３０１ｎの相関係数を示す。

図４では、アプリ性能情報に対応するＶＭ性能情報３０１ａの相関係数は、「０．２７４」である。アプリ性能情報に対応するＶＭ性能情報３０１ｂの相関係数は、「０．２１６」である。アプリ性能情報に対応するＶＭ性能情報３０１ｃの相関係数は、「０．３１６」である。アプリ性能情報に対応するＶＭ性能情報３０１ｎの相関係数は、「０．５２９」である。

（Ａ３）の処理において、相関係数判定部３２００が、所定の無相関判定閾値以下（例えば、０．３以下）の相関係数を持つＶＭ性能情報の種類を、分析対象から除外する。これにより、図４の例では、ＶＭ性能情報３０１ａ、ＶＭ性能情報３０１ｂの相関係数が、無相関判定閾値以下であるため、以降の処理から除外される。

図５は、アプリ性能情報の二値変換処理の例を説明する図である。図５に示すアプリ性能情報２０１ａは、例えば、アプリケーションのレスポンスタイムである。アプリ性能情報２０１ａは、横軸の時間軸と、縦軸のレスポンスタイムで表される。図５のアプリ性能情報２０１ａは、図２のアプリ性能情報２０１と同一のものである。

二値変換部３３００には、アプリ二値変換閾値が設定される。アプリ二値変換閾値は、例えば、管理者によって設定される。アプリ二値変換閾値は、例えば、管理者がアプリ性能情報２０１ａ（レスポンスタイム）の値が明らかに正常値から外れたとみなせる値を定義し、設定されてもよい。また、過去の統計値から、管理者がアプリ二値変換閾値を設定してもよい。

二値変換部３３００は、アプリ性能情報２０１ａ（レスポンスタイム）において、アプリ二値変換閾値を超える時間帯のデータを「１」に変換し、アプリ二値変換閾値以下の時間帯のデータを「０」に変換する。なお、二値は、０や１以外の値でもよい。

図５のアプリ性能情報２０１ｂは、アプリ性能情報２０１ａを二値変換した後の例である。アプリ性能情報２０１ａのレスポンスタイム、横軸の１８秒と、２４秒以降がアプリ二値変換閾値を超えている。そのため、アプリ性能情報２０１ｂでは、横軸の１８秒と、２４秒以降が１の値を持ち、それ以外の時間帯は０の値を持っている。

このように二値変換部３３００は、アソシエーション分析に用いるため、アプリ性能情報を二値変換する。

図６Ａと図６Ｂは、ＶＭ性能情報の二値変換処理の例を説明する図である。図６ＡのＶＭ性能情報２０２は、図２のＶＭ性能情報２０２と同一のものである。ＶＭ性能情報２０２´は、ＶＭ性能情報２０２の時間と該時間に送受信されるパケット数を例示したものである。

二値変換部３３００は、選択したＶＭ性能情報におけるある時間のデータ「ｘ」を閾値として選択し、選択したＶＭ性能情報を二値データに変換する。二値変換部３３００は、例えば、1秒目の「１１８５１８７４．８」を閾値「ｘ」として選択し、該閾値を用いてＶＭ性能情報を二値変換する。相関ルール計算部３４００は、アプリ性能情報とＶＭ性能情報の二値変換された値を用いて、信頼度と支持度（相関ルール）を算出する。

その後、二値変換部３３００は、例えば、２秒目〜３２秒目の閾値「ｘ」を選択し順次、ＶＭ性能情報を二値変換する。図６Ａの例では、二値変換に用いられる閾値「ｘ」が３２個と、信頼度と支持度とが３２個ずつ算出される。相関ルール判定部３５００は、算出された３２個の信頼度のうち所定の閾値以上（例えば、０．８以上）である閾値の中で、支持度が最大である閾値「Ｘ」を判定する。なお、この支持度が最大となる閾値「Ｘ」は、ＶＭ性能情報の種類毎に判定される。

図６Ｂは、ＶＭ性能情報２０２と、ＶＭ性能情報２０２が二値変換されたＶＭ性能情報２０２ｂを示す。具体的には、二値変換部３３００は、（Ａ６）の処理と（Ａ１０）の処理でＶＭ性能情報２０２を二値変換する。

二値変換部３３００は、（Ａ６）の処理において、１種のＶＭ性能情報に対して複数個（全時間）のデータ「ｘ」を閾値とした二値データ変換を行う。そのため、図６Ａのように３２個の閾値がある１種のＶＭ性能情報に対して、二値変換部３３００は、３２回の二値変換を実行する。

その後、相関ルール判定部３５００は、算出された３２個の信頼度のうち所定の閾値以上（例えば、０．８以上）である閾値の中から、支持度が最大である閾値「Ｘ」を判定する。すると、二値変換部３３００は、二値変換部３３００は、ＶＭ性能情報の種類毎の支持度が最大である閾値「Ｘ」を用いて、各ＶＭ性能情報を二値データに変換する（（Ａ１０）の処理）。

二値変換部３３００は、ＶＭ性能情報２０２において、閾値「Ｘ」を超える時間帯のデータを「１」に変換し、閾値「Ｘ」以下の時間帯のデータを「０」に変換する。なお、二値は、０や１以外の値でもよい。

このように二値変換部３３００は、アソシエーション分析に用いるため、ＶＭ性能情報を二値変換する。

図７は、信頼度と支持度の計算方法の例を説明する図である。図７は、二値変換された図５のアプリ性能情報２０１ｂと図６ＢのＶＭ性能情報２０２ｂの例を示す。相関ルール計算部３４００は、アプリ性能情報２０１ｂとＶＭ性能情報２０２ｂを用いて信頼度と支持度を計算する。信頼度と支持の計算式は、アソシエーション分析に基づく。アソシエーション分析は、「Agrawal, Rakesh, Tomasz Imielinski, and Arun Swami. Mining Association Rules Between Sets of Items in Large Database. In Proc. Of the 1993 ACM SIGMOD International Conference on Management of Data, 1993」で詳しく説明されている。

信頼度は、下式で表される。
信頼度（Ｂ⇒Ａ）＝（Ａ＝１且つＢ＝１の時間帯数）/（Ｂ＝１の時間帯数）

アプリ性能情報２０１ａの値が１である時間帯は、１８秒、２４秒〜３２秒の間の１０点である。ＶＭ性能情報２０２ｂの値が１である時間帯数は、２７〜３２秒の間の６点である。更に、アプリ性能情報２０１ａとＶＭ性能情報２０２ｂの値が１である時間帯は、２７〜３２秒の間の６点である。すると、信頼度（ｃｏｎｆｉｄｅｎｃｅ）の分母は６で、分子は６となる。アプリ性能情報２０１ａとＶＭ性能情報２０２ｂの信頼度（ｃｏｎｆｉｄｅｎｃｅ）は、１となる。

支持度は、下式で表される。
支持度（Ｂ⇒Ａ）＝（Ａ＝１且つＢ＝１の時間帯数）/（Ａ＝１の時間帯数）

アプリ性能情報２０１ａとＶＭ性能情報２０２ｂの値が１である時間帯は、２７〜３２秒の間の６点である。アプリ性能情報２０１ａの値が１である時間帯は、１８秒、２４秒〜３２秒の間の１０点である。すると、支持度の分母は１０で、分子は６となる。アプリ性能情報２０１ａとＶＭ性能情報２０２ｂの支持度（ｓｕｐｐｏｒｔ）は、０．６となる。

このように、一時的な相関関係を持つアプリ性能情報とＶＭ性能情報でも、アソシエーション分析における信頼度は高い値となる。

図８は、抽出部の処理の例を説明する図である。図８は、（Ａ１１）の処理の例を説明する図である。図８は、１種のアプリ性能情報に対応する各ＶＭ性能情報３０２ａ〜３０２ｎの相関係数を示す。

図８では、アプリ性能情報に対応するＶＭ性能情報３０２ａの相関係数は、「０．３１６」である。アプリ性能情報に対応するＶＭ性能情報３０２ｂの相関係数は、「０．２１６」である。アプリ性能情報に対応するＶＭ性能情報３０２ｃの相関係数は、「０．８２６」である。アプリ性能情報に対応するＶＭ性能情報３０２ｎの相関係数は、「０．９０１」である。

（Ａ１１）の処理において、抽出部３６００は、所定の相関判定閾値（例えば、０．８以上）よりも大きい相関係数を持つＶＭ性能情報の種類を、性能劣化の要因のある仮想マシンの候補として抽出する。図８の例では、性能劣化の要因のある仮想マシンの候補としてＶＭ性能情報３０２ｃ、ＶＭ性能情報３０２ｎなどが抽出される。

なお、所定の相関判定閾値（例えば、０．８以上）よりも大きい相関係数を持つＶＭ性能情報の種類に対しては、（Ａ６）〜（Ａ１０）の処理が実行されない。そのため、分析装置３０００の計算量を軽減することができる。なお、（Ａ１１）の処理で、抽出されたＶＭ性能情報の種類は、性能劣化の要因である仮想マシンの可能性が高いものとして、要因とである仮想マシンの候補として抽出する。

図９は、アプリ性能情報テーブルとＶＭ性能情報テーブルの例を説明する図である。アプリ性能情報は、図９のアプリ性能情報テーブル５００１の例のように、記憶部３９００に記憶される。アプリ性能情報テーブル５００１は、時刻と、値の項目を備える。時刻は、アプリ性能情報を取得した時間である。該値は、時刻に対応したアプリ性能情報の種類に係る数値である。

ＶＭ性能情報は、図９のＶＭ性能情報テーブル５００２の例のように、記憶部３９００に記憶される。ＶＭ性能情報テーブル５００２は、ＶＭ名、性能情報名、時刻、値の項目を備える。ＶＭ名は、ＶＭ性能情報を取得した仮想マシンを識別する識別情報で表される。性能情報名は、ＶＭ性能情報の種別を表す情報である。時刻は、ＶＭ性能情報を取得した時間である。該値は、時刻に対応したＶＭ性能情報の種類に係る数値である。

図１０Ａと図１０Ｂは、相関係数計算部の処理の例を説明する図である。図１０Ａに記載の表６０００は、アプリ性能情報とＶＭ性能情報とを表し、横軸は時間軸であり、縦軸はアプリ性能情報とＶＭ性能情報の値である。

ここで、アプリ性能情報とＶＭ性能情報のタイムスタンプは、揃っていないことが考えられる。タイムスタンプが揃っていない場合、同じ時刻のアプリ性能情報とＶＭ性能情報の相関係数を計算できない。そのため、本実施形態に係る相関係数計算部３１００は、所定の時間の範囲を時間ユニットと設定し、該時間ユニットに含まれるアプリ性能情報とＶＭ性能情報の相関係数を計算する。

ここで、同じ時間ユニット内にＶＭ性能情報の値が複数個ある場合、該複数個の値の平均値が、該時間ユニットに対応する値となる。また、同じ時間ユニット内にアプリ性能情報の値が２つある場合、２つの値の平均値が、該時間ユニットの値となる。

相関係数計算部３１００は、アプリ性能情報とＶＭ性能情報から、時間ユニット毎のアプリ性能情報とＶＭ性能情報を備えたデータペア情報６１００（図１０Ｂ）を作成する。データペア情報は、時間ユニット、アプリ性能情報、ＶＭ性能情報の項目を備える。時間ユニットは、所定の時間の範囲をｔ_１〜ｔ_１２などと区切った各単位を示す情報で表される。アプリ性能情報は、該時間ユニット内のアプリケーションの性能情報の種類に係る値、又はその平均値である。ＶＭ性能情報は、該時間ユニット内の仮想マシン性能情報の種類に係る値、又はその平均値である。

このように、ＶＭ性能情報及びアプリ性能情報の値を時間ユニット単位で区切ることで、ＶＭ性能情報とアプリ性能情報のタイムスタンプにズレがあった場合でも、相関係数計算部３１００は、ＶＭ性能情報とアプリ性能情報の相関係数を計算できる。

図１１は、相関係数の計算結果テーブルの例を説明する図である。相関係数計算部３１００は、アプリ性能情報（１種）に対応するＶＭ性能情報の相関係数の値を計算する（（Ａ２）の処理）。相関係数の結果情報６２００は、アプリ性能情報（１種）に対応するＶＭ性能情報の相関係数の値の例である。相関係数の結果情報６２００は、ＶＭ名、性能情報名、相関係数の項目を備える。

ＶＭ名は、ＶＭ性能情報を取得した仮想マシンを識別する識別情報で表される。性能情報名は、仮想マシン内の性能情報の種類を表す情報である。相関係数は、アプリ性能情報（１種）に対応するＶＭ性能情報の相関係数の値である。

図１２は、相関判定情報テーブルの例を説明する図である。相関判定情報テーブル６３００は、記憶部３９００に記憶される、相関判定閾値と無相関判定閾値の例である。相関判定閾値は、（Ａ４）の処理において相関係数判定部３２００により用いられる。相関係数判定部３２００は、該相関判定閾値よりも相関係数が大きいＶＭ性能情報を、（Ａ６）〜（Ａ１０）の処理から除外する。更に、相関判定閾値は、（Ａ１１）の処理において抽出部３６００により用いられる。これにより、該相関判定閾値よりも相関係数が大きいＶＭ性能情報を、アプリケーションの性能劣化の要因である仮想マシンの候補として抽出される。

無相関判定閾値は、（Ａ３）の処理において、相関係数判定部３２００により用いられる。該無相関判定閾値よりも相関係数が小さいＶＭ性能情報は、以降の処理から除外される。

図１３は、二値変換したアプリ性能情報の例を説明する図である。図１３に示すアプリ性能情報６１００ａの例は、図１０Ｂのデータペア情報６１００内のアプリ性能情報側を表している。二値変換部３３００は、１種のアプリ性能情報を、アプリ二値変換閾値に基づいて二値データに変換する。

二値アプリ性能情報テーブル６４００は、図１３に示すアプリ性能情報６１００ａの値を二値変換した情報である。二値アプリ性能情報テーブル６４００は、時間ユニットと、二値アプリ性能情報の項目を備える。この処理は、（Ａ５）で実行される処理である。二値変換されたアプリ性能情報は、アソシエーション分析に用いられる。

図１４は、二値変換したＶＭ性能情報の例を説明する図である。図１４のＶＭ性能情報テーブル５００２ａは、図９のＶＭ性能情報テーブル５００２が、相関係数計算部３１００により、各ＶＭ性能情報の値が時間ユニット単位に変換された後のテーブルである。図１４のＶＭ性能情報テーブル５００２ａは、時間ユニット、ＶＭ名、性能情報名、値の項目を備える。ＶＭ名、性能情報名、値の項目は、図９のＶＭ性能情報テーブル５００２の項目と同一のものである。

二値変換部３３００は、ＶＭ性能情報テーブル５００２ａを、ＶＭ二値変換閾値に基づいて二値データに変換し、ＶＭ性能情報テーブル５００２ｂを生成する。ＶＭ二値変換閾値は、（Ａ６）の処理では、選択したＶＭ性能情報におけるある時間のデータ「ｘ」である。ＶＭ二値変換閾値は、（Ａ１０）の処理では、ＶＭ性能情報毎の支持度が最大である「Ｘ」である。二値変換されたＶＭ性能情報は、アソシエーション分析に用いられる。

図１５は、相関ルールの計算結果の例を説明する図である。相関ルール計算部３４００は、（Ａ７）の処理において、図１３の二値アプリ性能情報テーブル６４００と、図１４のＶＭ性能情報テーブル５００２ｂとを用いて信頼度と支持度（相関ルール）を算出する。

相関ルール計算部３４００は、信頼度と支持度（相関ルール）を算出した後、計算結果テーブル６５００を生成する。記憶部３９００は、計算結果テーブル６５００を記憶する。計算結果テーブル６５００は、ＶＭ名、性能情報名、信頼度、支持度の項目を備える。なお、相関ルール計算部３４００は、時間ユニット内に閾値として選択できるＶＭ性能情報の値がない場合、信頼度及び支持度に空白（又は０）などを設定する。

図１６Ａ及び図１６Ｂは、抽出部の抽出処理の例を説明する図である。抽出部３６００は、（Ａ１１）の処理において、所定の相関判定閾値（例えば、０．８以上）よりも大きい相関係数を持つＶＭ性能情報を抽出する。更に、（Ａ１２）の処理において、抽出部３６００は、信頼度（例えば０．８以上）、支持度（例えば０．２以上）が所定の閾値よりも大きいＶＭ性能情報を抽出する。

すると、抽出部３６００は、図１１の相関係数の結果情報６２００から、相関判定閾値以上のＶＭ性能情報６２００ａを抽出する。更に、抽出部３６００は、図１５の計算結果テーブル６５００から信頼度０．８以上で支持度が０．２以上であるＶＭ性能情報６５００ａを抽出する。

抽出部３６００は、ＶＭ性能情報６２００ａとＶＭ性能情報６５００ａとに基づいて、仮想マシンごとの相関係数の総和を算出する。要因候補ＶＭは、アプリケーションの性能劣化の要因として抽出された仮想マシン名で表される。その後、抽出部３６００は、仮想マシンごとの相関係数の総和に基づいて、各仮想マシンに優先度（高、中、低）を割り当てる。優先度は、仮想マシンがアプリケーションの性能劣化の要因である可能性が高いか否かを示す。

図１７は、入出力部の出力画面の例を説明する図である。入出力部３７００は、モニタに抽出部３６００で抽出されたＶＭ性能情報を表示する。モニタに表示される要因候補ＶＭ７００１の枠には、選択ボタン、ＶＭ名、優先度が表示される。ＶＭ名は、仮想マシンを識別する識別情報である。優先度は、抽出部３６００が仮想マシンの相関係数の総和に基づいて割当てた仮想マシンがアプリケーションの性能劣化の要因である可能性が高いか否かを示す。

管理者は、要因候補ＶＭ７００１の枠の選択ボタンから、１つの仮想マシンを選択する。すると、仮想マシンメトリック７００２の枠に、選択された仮想マシンに対応するメトリック名、支持度、選択ボタンが表示される。仮想マシンメトリック７００２の枠に表示されるメトリック名及び支持度は、抽出部３６００に抽出されたＶＭ性能情報６５００ａに基づく。

管理者は、仮想マシンメトリック７００２の枠内の選択ボタンをクリックし、１つのメトリックを選択する。すると、分析対象のアプリ性能情報と選択したメトリックのＶＭ性能情報を含むグラフ７００３がモニタに表示される。管理者は、モニタに表示される要因候補ＶＭ７００１、仮想マシンメトリック７００２、グラフ７００３を用いることで、抽出されたＶＭ性能情報などから、アプリケーションの性能劣化の要因である仮想マシンを推定できる。

図１８は、分析装置のハードウェア構成の例を説明する図である。分析装置３０００は、プロセッサ１１、メモリ１２、バス１５、外部記憶装置１６、ネットワーク接続装置１９を備える。さらにオプションとして、分析装置３０００は、入力装置１３、出力装置１４、媒体駆動装置１７を備えてもよい。分析装置３０００は、例えば、コンピュータなどで実現されることがある。

プロセッサ１１は、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＣＰＵ）を含む任意の処理回路とすることができる。プロセッサ１１は、相関係数計算部３１００、相関係数判定部３２００、二値変換部３３００、相関ルール計算部３４００、相関ルール判定部３５００、抽出部３６００として動作する。なお、プロセッサ１１は、例えば、外部記憶装置１６に記憶されたプログラムを実行することができる。メモリ１２は、記憶部３９００として動作する。さらに、メモリ１２は、プロセッサ１１の動作により得られたデータや、プロセッサ１１の処理に用いられるデータも、適宜、記憶する。ネットワーク接続装置１９は、送受信部３８００として動作し、他の装置との通信に使用される。

入力装置１３は、例えば、ボタン、キーボード、マウス等として実現され、出力装置１４は、ディスプレイなどとして実現される。入力装置１３と出力装置１４は、入出力部３７００として動作する。バス１５は、プロセッサ１１、メモリ１２、入力装置１３、出力装置１４、外部記憶装置１６、媒体駆動装置１７、ネットワーク接続装置１９の間を相互にデータの受け渡しが行えるように接続する。外部記憶装置１６は、プログラムやデータなどを格納し、格納している情報を、適宜、プロセッサ１１などに提供する。媒体駆動装置１７は、メモリ１２や外部記憶装置１６のデータを可搬記憶媒体１８に出力することができ、また、可搬記憶媒体１８からプログラムやデータ等を読み出すことができる。ここで、可搬記憶媒体１８は、フロッピイディスク、Ｍａｇｎｅｔ−Ｏｐｔｉｃａｌ（ＭＯ）ディスク、Ｃｏｍｐａｃｔ Ｄｓｉｃ Ｒｅｃｏｒｄａｂｅ（ＣＤ−Ｒ）やＤｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅｃｏｒｄａｂｌｅ（ＤＶＤ−Ｒ）を含む、持ち運びが可能な任意の記憶媒体とすることができる。

図１９Ａ及び図１９Ｂは、分析装置の処理の例を説明するフローチャートである。図１９のフローチャートの処理は、ＶＭ性能情報の種類毎に実行される。相関係数計算部３１００は、ＶＭ性能情報（１種類）と、アプリ性能情報（１種類）との相関係数を算出する（ステップＳ１０１）。相関係数判定部３２００は、算出した相関係数が所定の無相関判定閾値以下（例えば、０．３以下）であるか否かを判定する（ステップＳ１０２）。算出した相関係数が所定の無相関判定閾値以下（例えば、０．３以下）である場合（ステップＳ１０２でＮＯ）、相関係数判定部３２００は、該ＶＭ性能情報の種類を分析対象から除外する（ステップＳ１０３）。分析装置３０００は、このＶＭ性能情報（１種）に対する分析処理を終了する。

相関係数判定部３２００は、算出した相関係数が所定の相関判定閾値（例えば、０．８以上）よりも大きい相関係数を持つか否かを判定する（ステップＳ１０４）。算出した相関係数が所定の相関判定閾値（例えば、０．８以上）よりも大きい相関係数を持つ場合（ステップＳ１０４でＹＥＳ）、抽出部３６００は、現在分析しているＶＭ性能情報の種類を、性能劣化の要因の候補であるＶＭ性能情報として抽出する（ステップＳ１０５）。分析装置３０００は、このＶＭ性能情報（１種）に対する分析処理を終了する。

算出した相関係数が所定の相関判定閾値（例えば、０．８以上）よりも小さい相関係数を持つ場合（ステップＳ１０４でＮＯ）、二値変換部３３００は、アプリ性能情報を、アプリ二値変換閾値に基づいて二値データに変換する（ステップＳ１０６）。なお、一度アプリ性能情報の二値データが求められている場合、他の種類のＶＭ性能情報におけるステップＳ１０６の処理はスキップされる。

分析装置３０００は、ＶＭ性能情報の二値変換及び相関ルールなどの算出を実行する（ステップＳ１０７）。ステップＳ１０７の処理は、図２０で詳細に説明する。

抽出部３６００は、有効な相関ルールがあるか否かを判定する（ステップＳ１０８）。有効な相関ルールがない場合（ステップＳ１０８でＮＯ）、相関係数判定部３２００は、該ＶＭ性能情報の種類を分析対象から除外する（ステップＳ１０９）。分析装置３０００は、このＶＭ性能情報（１種）に対する分析処理を終了する。有効な相関ルールがある場合（ステップＳ１０８でＹＥＳ）、抽出部３６００は、該有効な相関ルールの支持度が支持度閾値よりも大きいか否かを判定する（ステップ１１０）。支持度が支持度閾値よりも大きくない場合（ステップＳ１１０でＮＯ）、分析装置３０００は、ステップＳ１０９の処理を実行する。支持度が支持度閾値よりも大きい場合（ステップＳ１１０でＹＥＳ）、抽出部３６００は、現在分析しているＶＭ性能情報の種類を、性能劣化の要因の候補であるＶＭ性能情報として抽出する（ステップＳ１１１）。分析装置３０００は、このＶＭ性能情報（１種）に対する分析処理を終了する。

図２０は、二値変換に係る処理の例を説明するフローチャートである。図２０のフローチャートは、具体的には、図１９ＢのステップＳ１０７の処理である。ステップＳ１０７の処理が始まると、初期値として最大支持度を表すＳ_ｍａｘには０が設定され、最大閾値Ｘを表すＸにも０（ｎｕｌｌ）が設定される。

二値変換部３３００は、ＶＭ性能情報におけるある時間のデータ「ｘ」を閾値として選択する（ステップＳ２０１）。二値変換部３３００は、閾値「ｘ」を用いてＶＭ性能情報を二値データに変換する（ステップＳ２０２）。相関ルール計算部３４００は、二値データのアプリ性能情報と二値データのＶＭ性能情報を用いて信頼度と支持度（相関ルール）を算出する（ステップＳ２０３）。

相関ルール判定部３５００は、算出された信頼度が所定の閾値以上（例えば、０．８以上）であり、且つ、算出された支持度Ｓが、現在の最大支持度を表すＳ_ｍａｘよりも大きい場合、最大支持度を表すＳ_ｍａｘに算出された支持度Ｓを設定する（ステップＳ２０４）。併せて、相関ルール判定部３５００は、支持度が最大となる閾値「Ｘ」に閾値「ｘ」を設定する。

二値変換部３３００は、未だ閾値「ｘ」として用いていない時刻のデータがあるか否かを判定する（ステップＳ２０５）。未だ閾値「ｘ」として用いていない時刻のデータがある場合（ステップＳ２０５でＹＥＳ）、二値変換部３３００は、処理をステップＳ２０１から繰り返す。

未だ閾値「ｘ」として用いていない時刻のデータがない場合（ステップＳ２０５でＮＯ）、相関ルール判定部３５００は、支持度が最大となる閾値「Ｘ」が存在するか否かを判定する（ステップＳ２０６）。支持度が最大となる閾値「Ｘ」が存在しない場合（ステップＳ２０６でＮＯ）、該ＶＭ性能情報の種類を分析対象から除外する（ステップＳ２０７）。分析装置３０００は、このＶＭ性能情報（１種）に対する分析処理を終了する。

支持度が最大となる閾値「Ｘ」が存在する場合（ステップＳ２０６でＹＥＳ）、二値変換部３３００は、ＶＭ性能情報の支持度が最大である閾値「Ｘ」を用いて、各ＶＭ性能情報を二値データに変換する（ステップＳ２０８）。相関ルール計算部３４００は、二値データのアプリ性能情報と二値データのＶＭ性能情報を用いて信頼度と支持度（相関ルール）を算出する（ステップＳ２０９）。分析装置３０００は、図１９ＢのステップＳ１０７の処理を終了する。

１０００ クラウド基板システム
１１００ 共有スイッチ
１２００ 共有サーバ
２００１ ホストＯＳ
２００２ ハイパーバイザ
２００３、２００３ａ〜２００３ｃ 仮想マシン
２００４、２００４ａ〜２００４ｃ アプリケーション
３０００ 分析装置
３１００ 相関係数算出部
３２００ 相関係数判定部
３３００ 二値変換部
３４００ 相関ルール計算部
３５００ 相関ルール判定部
３６００ 抽出部
３７００ 入出力部
３８００ 送受信部
３９００ 記憶部

Claims (12)

1. アプリケーションの性能情報と仮想マシンの性能情報を分析する分析装置において、
   記憶部と、
   前記アプリケーションの性能情報の値を、第１の閾値に基づいて二値データに変換し、且つ、前記仮想マシンの性能情報の時刻毎の値を第２の閾値として二値データに変換する二値変換部と、
   二値データに変換されたアプリケーションの性能情報と、前記第２の閾値毎に二値データに変換された性能情報に基づいて信頼度と支持度を計算する計算部と、
   前記信頼度と前記支持度に基づいて、前記分析対象である１種のアプリケーションの処理遅延の要因となっている仮想マシンの性能情報である種類を抽出する抽出部と、
   を備えることを特徴とする分析装置。
2. 前記抽出部は、
   前記信頼度が所定の値以上で、前記支持度が相対的に大きい仮想マシンの性能情報を抽出する
   ことを特徴とする請求項１に記載の分析装置。
3. 更に、前記アプリケーションの性能情報と、前記仮想マシンの性能情報の相関係数を計算する相関係数計算部を備え、
   前記抽出部は、前記アプリケーションの性能情報と相関係数の高い前記仮想マシンの性能情報を抽出する
   ことを特徴とする請求項２に記載の分析装置。
4. 前記二値変換部は、
   前記相関係数が低い前記仮想マシンの性能情報を変換対象から除外する
   ことを特徴とする請求項３に記載の分析装置。
5. アプリケーションの性能情報と仮想マシンの性能情報を分析する情報処理装置に実行させる分析プログラムであって、
   前記アプリケーションの性能情報の値を、第１の閾値に基づいて二値データに変換し、且つ、前記仮想マシンの性能情報の時刻毎の値を第２の閾値として二値データに変換し、
   二値データに変換されたアプリケーションの性能情報と、前記第２の閾値毎に二値データに変換された性能情報に基づいて信頼度と支持度を計算し、
   前記信頼度と前記支持度に基づいて、前記分析対象である１種のアプリケーションの処理遅延の要因となっている仮想マシンの性能情報である種類を抽出する、処理を前記情報処理装置に実行させる
   ことを特徴とする分析プログラム。
6. 前記信頼度が所定の値以上で、前記支持度が相対的に大きい仮想マシンの性能情報を抽出する、
   ことを特徴とする請求項５に記載の分析プログラム。
7. 前記アプリケーションの性能情報と、前記仮想マシンの性能情報の相関係数を計算し、
   前記アプリケーションの性能情報と相関係数の高い前記仮想マシンの性能情報を抽出する、
   ことを特徴とする請求項６に記載の分析プログラム。
8. 前記相関係数が低い前記仮想マシンの性能情報を変換対象から除外する
   ことを特徴とする請求項７に記載の分析プログラム。
9. アプリケーションの性能情報と仮想マシンの性能情報を分析する分析方法であって、
   前記アプリケーションの性能情報の値を、第１の閾値に基づいて二値データに変換し、且つ、前記仮想マシンの性能情報の時刻毎の値を第２の閾値として二値データに変換し、
   二値データに変換されたアプリケーションの性能情報と、前記第２の閾値毎に二値データに変換された性能情報に基づいて信頼度と支持度を計算し、
   前記信頼度と前記支持度に基づいて、前記分析対象である１種のアプリケーションの処理遅延の要因となっている仮想マシンの性能情報である種類を抽出する、
   ことを特徴とする分析方法。
10. 前記信頼度が所定の値以上で、前記支持度が相対的に大きい仮想マシンの性能情報を抽出する、
    ことを特徴とする請求項９に記載の分析方法。
11. 前記アプリケーションの性能情報と、前記仮想マシンの性能情報の相関係数を計算し、
    前記アプリケーションの性能情報と相関係数の高い前記仮想マシンの性能情報を抽出する、
    ことを特徴とする請求項１０に記載の分析方法。
12. 前記相関係数が低い前記仮想マシンの性能情報を変換対象から除外する
    ことを特徴とする請求項１１に記載の分析方法。