Lifecycle Analysis は、「観測されたデータ」と「解析可能なデータ」を分離することで、再現性と信頼性の高いライフサイクル解析を実現します。
Lifecycle Analysis は、時系列の観測データからライフサイクル（存在期間）を抽出し、統計解析を行う Python ライブラリです。
当初は Firewall の接続イベント解析を目的として開発しましたが、設計を汎用化することで、さまざまな時系列データへ適用できるライブラリを目指しています。
ライフサイクル解析では、観測されたすべてのデータが解析に適しているとは限りません。
例えば、
- 観測開始以前から存在していたデータ
- 観測終了後も継続しているデータ
- 状態遷移が破綻しているデータ
は、観測はできていても、ライフサイクル全体を正しく表しているとは限りません。
Lifecycle Analysis は、
「観測されたデータ」と「解析可能なデータ」は異なる
という考え方を基本設計としています。
そのため、
Observed Events
│
▼
Lifecycle
（観測された事実）
│
▼
AnalysisData
（解析可能なデータ）
│
▼
LifecycleAnalyzer
という構成を採用し、信頼できるライフサイクルのみを統計解析の対象とします。
Lifecycle Analysis は、以下のようなデータに利用できます。
- Firewall / VPN 接続ログ
- ユーザーログイン・ログアウト履歴
- IoT センサーデータ
- システム稼働状況
- 生産設備の稼働ログ
- サービス利用履歴
- その他、時系列イベントデータ全般
GitHub からインストール
git clone https://github.com/Tetsuya1126/lifecycle-analysis.git
cd lifecycle-analysis
pip install -e .以下はログインイベントからライフサイクルを生成し、 統計情報を取得する最小構成の例です。
LifecycleAnalysis は内部で LifecycleBuilder・AnalysisBuilder・LifecycleAnalyzer を統合した高レベルAPIです。
import pandas as pd
import numpy as np
from lifecycle import (
LifecycleAnalysis,
)
def create_event(N=100):
rng = np.random.default_rng(42)
return pd.DataFrame(
{
"datetime": pd.Timestamp("2026-01-01")
+ pd.to_timedelta(
np.sort(rng.integers(0, 86400, size=N)),
unit="s",
),
"object": rng.choice(
[
f"192.168.2.{i}" for i in range(1, 256)
],
size=N,
),
"event": rng.choice(
[
"INVALID_SNI",
"ASSURED",
],
size=N,
p=[0.7,0.3],
),
}
)
events = create_event()
analysis = LifecycleAnalysis(
df = events,
event = "INVALID_SNI",
trusted = True,
ip_col = "object"
)
print(events.head())
print()
print(analysis.summary().head()) python3 ./quick_start.py
datetime object event
0 2026-01-01 01:03:04 192.168.2.213 ASSURED
1 2026-01-01 01:31:53 192.168.2.51 INVALID_SNI
2 2026-01-01 01:37:48 192.168.2.206 INVALID_SNI
3 2026-01-01 01:49:56 192.168.2.2 ASSURED
4 2026-01-01 02:03:45 192.168.2.204 ASSURED
duration active_duration samples segments segment_count coverage_ratio ... duplicate orphan good started_before ended_after complete
192.168.2.104 0 days 00:04:24 1.0 1 1 1 1.0 ... False False True False False True
192.168.2.105 0 days 00:08:48 1.0 2 2 2 1.0 ... False False True False False True
192.168.2.107 0 days 00:04:24 1.0 1 1 1 1.0 ... False False True False False True
192.168.2.111 0 days 00:04:24 1.0 1 1 1 1.0 ... False False True False False True
192.168.2.112 0 days 00:04:24 1.0 1 1 1 1.0 ... False False True False False True
[5 rows x 15 columns]
入力は 時系列イベント を表す pandas.DataFrame を想定しています。
最低限、以下のような情報を持つデータを扱います。
| 列 | 内容 |
|---|---|
| datetime | イベント発生時刻 (datetime形式) |
| ip | 対象（IP・ユーザー・設備など） |
| event | イベント種別 |
例
datetime ip event
0 2026-01-01 10:00 host01 login
1 2026-01-01 10:10 host01 logout
2 2026-01-01 10:30 host02 login
データ形式は固定ではありません。
LifecycleBuilder が必要とする情報を指定することで、さまざまなイベントデータへ適用できます。
ライブラリは責務ごとに分離されています。
| コンポーネント | 役割 |
|---|---|
| LifecycleBuilder | イベントから Lifecycle を生成 |
| Lifecycle | 観測された事実を保持 |
| AnalysisBuilder | 解析可能なデータを生成 |
| AnalysisData | 解析用データを保持 |
| LifecycleAnalyzer | 統計解析を行う |
各コンポーネントは単一責務となるよう設計されています。
ライフサイクルは、Presence（存在情報）を基準として段階的に構築されます。
Raw Events
│
▼
+----------------------+
| LifecycleBuilder |
+----------------------+
│
▼
+----------------------+
| Lifecycle |
| ・Presence |
| ・Transition |
| ・State |
| ・Observation |
| ・Sample Interval |
+----------------------+
│
▼
+----------------------+
| AnalysisBuilder |
+----------------------+
│
▼
+----------------------+
| AnalysisData |
| ・Name |
| ・Raw State |
| ・Sample Interval |
| ・Quality |
| ・Analysis Filter |
| ・Activity |
| -Lifetime |
| -Boundary |
| -Segment_length |
+----------------------+
│
▼
+----------------------+
| LifecycleAnalyzer |
+----------------------+
│
▼
Summary / Statistics
これらの処理は、可能な限り NumPy / pandas のベクトル演算によって実装されています。
解析時には、
- Observation（観測品質）
- Quality（状態遷移品質）
の両方を考慮して解析対象を決定します。
Observation
(観測データ)
↓
Trusted Mask
(観測境界を除外)
↓
Quality Mask
(異常状態を除外)
↓
Analysis Mask
analysis_mask = (
observation.trusted_mask
&
quality.good
)これにより、
- 観測開始以前から存在していたライフサイクル
- 観測終了後まで継続しているライフサイクル
- 状態遷移が異常なライフサイクル
を解析対象から除外し、信頼できるライフサイクルのみを統計解析します。
Lifecycle Analysis は、大規模な時系列データを対象として設計されています。
主な設計方針
- NumPy / pandas によるベクトル演算
- Python のループを最小限に抑制
- Immutable データモデル
slots=Trueによるメモリ使用量の削減- 再現性の高い解析
詳細な設計資料は docs/ にまとめています。
docs/
├── README_calc_bit_vector.md
├── README_detail.md
├── README_files.md
└── README_models.md
設計資料では、
- 設計思想
- データフロー
- Lifecycle モデル
- AnalysisData モデル
- BIT 行列演算
- Observation Mask
- Quality Mask
- Boundary Analysis
について詳しく説明しています。
- Lifecycle Builder
- Analysis Builder
- Lifecycle Analyzer (core features)
- Lifecycle Comparison (core features)
- Additional statistical methods
- Collection Analysis
- Survival Analysis
- Visualization
- Polars Backend
MIT License