Machbaseが発信する技術情報のコラムをご覧いただけます

Machbase Neoで鉄道APUのテレメトリを可視化。ロールアップ、説明可能な健全性スコア、根拠を示すEvidence APIで、状態診断の過程を追跡します。

概要 IoT（Internet of Things）は、多数の機器がネットワークを通じてデータをやり取りし、処理する仕組みです。センサー、アクチュエーター、移動端末など、一般的なデスクトップやノートPCとは異なるさまざまな機器が含まれます。 これらの機器が生み出すデータを収集・加工・分析し、情報として活用することで、新たな価値を生み出せます。 ただし、IoTデータには独特の性質があります。 多数の場所から大量のデータが発生するため、従来のデータ処理基盤では扱いきれない場合があります。 本稿では、IoTデータの種類と特徴を整理し、その処理で克服すべき課題を紹介します。 IoTデータの種類と特徴 IoTという考え方は、初期にはRFIDを活用する仕組みと強く結び付いていました。ICTの発展に伴い、対象となるデータはさらに広がっています。 RFIDをはじめ、どのようなデータがあるのかを見ていきましょう。 RFID（Radio Frequency Identification） RFIDは、電波を使ってタグに記録した情報を読み書きする技術です。タグは機器な

概要 前回の「時系列の深層異常検知（1）」では、時系列データの特徴と異常の種類を紹介しました。今回は、異常検知が難しい理由と、さまざまな検知方法を解説します。 なぜ異常検知は難しいのか AIは、画像認識、自動運転、音声認識、音声合成など多くの分野で進歩してきました。代表例が画像分類です。画像を入力し、その種類を判別します。ImageNet Large Scale Visual Recognition Challenge（ILSVRC）［1］では、大規模な画像データを使って1,000種類を分類する課題が設定され、その後の画像認識研究を大きく進めました。 一方、異常検知は、特有の複雑さによって実用化が難しい場面があります。Ruffらのレビュー［2］を踏まえ、ここでは主な課題を3つ紹介します。 数え切れない異常パターン 異常とは、普段とは異なる状態を意味します。正常なパターン以外には、多様な状態が考えられます。正常なパターンが限られていても、異常の現れ方は数多くあり、多変量時系列では変数間の組み合わせによってさらに複雑になります。 過去に一度も観測され

概要 製造管理、スマートファクトリー、予知保全などでは、AIやIoTを使う研究と実用化が進んでいます。中でも異常検知（Anomaly Detection）は、データの分析を通じて、通常とは異なる状態を見つける重要な技術です。 Machbaseは時系列データベースを専門とし、大量データの高速な収集・検索に取り組んできました。その基盤技術は、異常検知に必要なデータの保存・処理にも役立ちます。 本稿では、ディープラーニングによる異常検知を考えるための基礎として、時系列データの特徴と異常の種類を紹介します。 時系列データ まずはデータそのものを見てみましょう。時系列データとは、時間順に並んだ観測値の列です。一定間隔で観測されたデータを例に、2つの観点から特徴を確認します。 時系列分解（Time Series Decomposition） 時系列は、季節成分（Seasonality）、トレンド（Trend）、残差（Remainder）に分けて考えられます。季節成分は一定の周期で繰り返すパターン、トレンドは全体的な増加・減少の傾向です。それらで説明できない不

概要 時系列データベースの違いに関心がある方に向けて、MachbaseとInfluxDBのアーキテクチャを比較します。 本稿執筆時点では、3〜4年前のバージョンによる性能比較はあり、当時のテストではMachbaseが高い性能を示しました。しかし、その後は両製品とも変化しており、最新条件での比較資料はまだ用意していません。過去の結果は参考として捉えてください。本稿の技術説明も、当時扱っていた構成を対象とします。 Machbaseについて Machbaseは、時系列センサーデータの高速な取り込み、検索、集計を目指して開発されたDBMSです。 Raspberry Piなどのエッジ機器、一般的な単一サーバー、複数サーバーのクラスターに対応します。 時系列センサーデータとマシンログの処理に特化した機能とアーキテクチャを備えています。 InfluxDBについて InfluxDBはInfluxDataが開発する時系列DBMSで、オープンソース版が提供されています。 時系列データ処理で広く知られる製品の一つです。クラスター機能の提供範囲は、製品の世代やエディショ

フロントエンドの技術選定 Webベースのフロントエンドを設計・開発することは、複雑で難しい仕事です。同時に、ユーザーが直接触れるインターフェースを担う重要な領域でもあります。そのため、開発組織がUIの基盤を選ぶ際には、メンバーの知識、製品の要件、組織文化、個人の特性、会社の方針など、多くの要素が関わります。 UI開発の基盤を決めることは、単純な選択ではありません。明確な理由がないまま採用される場合もありますが、多くは組織の目標や要件を慎重に評価した結果です。 3年間のVue.js活用を振り返る Machbaseの開発チームは、本稿執筆までの3年間、フロントエンドの主な基盤としてVue.jsを使ってきました。特にエッジコンピューティングを基盤とするクラウド製品CEMSのUIでは中心的な役割を担っており、多くの開発者が設計・実装を通じて学び、使い慣れていました。 Vue.jsで開発したCEMSの画面 しかし、新しいデータベース製品Machbase Neoを約1年かけて開発する中で、Vue.jsが今の要件に最適なのかを改めて考えるようになりました。 M

概要 Machbase Neoは、Machbaseの時系列データベースを基盤に、使いやすさを追求したオールインワンのソリューションです。 Machbase Neoの詳細は公式ドキュメントをご覧ください。 Neoには、文書を作成できるWorksheet機能があります。静的な説明文だけでなく、SQLなどをその場で実行して結果を文書内に表示できるため、操作しながら内容を理解できます。 作成したWorksheetを共有すれば、Neoの使い方やノウハウをユーザー同士で交換することもできます。 Machbase NeoのWorksheet起動メニュー Worksheetの記述言語：Markdown Worksheetの説明文にはMarkdownを使います。Markdownは、プレーンテキストに簡単な記号を加えて見出しやリストなどの構造を表す軽量マークアップ言語です。少し学ぶだけで、書式のある文書を作成できます。 GitHub、Notion、Discordなどのサービスで利用されており、多くのテキストエディターで作成・編集できます。 画像やファイルそのものをM

概要 本稿では、MachbaseとMongoDBのアーキテクチャの違いを確認し、時系列センサーデータの処理性能を比較します。センサーデータ処理システムを開発するとき、使い慣れたDBMSを選びたくなるものです。しかし、データの特性を考慮せずに選ぶと、予想していなかった処理上の課題に直面することがあります。 Machbaseについて Machbaseは、時系列センサーデータの高速な取り込み、検索、集計を目的として開発されたDBMSです。Raspberry Piなどのエッジ機器、一般的な単一サーバー、複数サーバーのクラスターに対応し、センサーデータとマシンログに特化した機能とアーキテクチャを備えています。詳しい構造は後ほど説明します。 MongoDBについて MongoDBはドキュメント指向のデータベースエンジンです。柔軟な構造のデータをJSONに近い形で保存・取得できるため、Web分野で便利に利用されています。半導体製造では設備からXML形式のデータが生成されることもあり、柔軟なデータ表現を扱いやすいという理由で採用される場合があります。本稿では、そ

はじめに 前回はInfluxDB 1.8.1とMachbaseを比較しました。今回は、当時Linuxのパッケージ管理ツールで標準的に導入されていた1.8系から対象を広げ、Machbase 6.1とInfluxDBのオープンソース版2.7を比較します。 Machbase Machbaseは、時系列センサーデータの高速な取り込み、検索、集計を目的として設計されたDBMSです。 Raspberry Piのようなエッジ機器、一般的な単一サーバー、複数サーバーのクラスターに対応しています。時系列センサーデータやマシンログを処理するための専用機能とアーキテクチャを備えています。 InfluxDB InfluxDBはInfluxDataが開発する時系列DBMSで、オープンソース版が提供されています。時系列データ処理で広く利用されている製品の一つです。クラスター機能の提供範囲はエディションによって異なります。 InfluxDBの詳細は公式ドキュメントをご覧ください。 テスト テスト環境 今回のテストには、次の環境を使用しました。 CPU：AMD EPYC 774