メインコンテンツへスキップ

SplunkにCSVデータ投入【ガイド】備忘録いろいろ



    📄 SplunkにCSVデータ投入【ガイド】

    CSVファイルでテストデータを作成&投入!


    📌 全体の流れ

    ┌─────────────────────────────────────────┐
    │  方法1: CSVをLookupとして使う(簡単)     │
    │  ・データをアップロード                   │
    │  ・検索時にinputlookupで読み込み          │
    │  ・インデックス不要                       │
    │                                         │
    │  方法2: CSVをインデックスに投入(本格)   │
    │  ・CSVファイルをアップロード              │
    │  ・Data Inputsで設定                     │
    │  ・インデックスに永続保存                 │
    └─────────────────────────────────────────┘
    

    🎯 方法1: CSVをLookupとして使う【最速・推奨】

    STEP 1: CSVファイルの作成

    サンプル1: 路線図風データ

    ファイル名: train_data.csv

    timestamp,passengers,line,hour,status
    2026-01-22 09:00:00,1200,千代田線,9,normal
    2026-01-22 09:30:00,1350,千代田線,9,normal
    2026-01-22 10:00:00,1420,日比谷線,10,busy
    2026-01-22 10:30:00,1580,日比谷線,10,busy
    2026-01-22 11:00:00,1650,銀座線,11,busy
    2026-01-22 11:30:00,1820,銀座線,11,very_busy
    2026-01-22 12:00:00,1950,丸ノ内線,12,very_busy
    2026-01-22 12:30:00,1100,東西線,12,normal
    2026-01-22 13:00:00,1250,東西線,13,normal
    2026-01-22 13:30:00,1380,千代田線,13,busy
    2026-01-22 14:00:00,1540,日比谷線,14,busy
    2026-01-22 14:30:00,1720,銀座線,14,very_busy
    2026-01-22 15:00:00,1890,銀座線,15,very_busy
    2026-01-22 15:30:00,2050,丸ノ内線,15,critical
    2026-01-22 16:00:00,1450,東西線,16,busy
    2026-01-22 16:30:00,1280,半蔵門線,16,normal
    2026-01-22 17:00:00,1150,半蔵門線,17,normal
    2026-01-22 17:30:00,980,副都心線,17,normal
    2026-01-22 18:00:00,850,副都心線,18,low
    

    サンプル2: サーバーメトリクス

    ファイル名: server_metrics.csv

    timestamp,host,cpu_usage,memory_usage,disk_usage,network_in,network_out,status
    2026-01-22 08:00:00,server-1,45,67,52,35,22,normal
    2026-01-22 08:30:00,server-1,52,71,52,42,28,normal
    2026-01-22 09:00:00,server-1,68,76,52,58,38,warning
    2026-01-22 09:30:00,server-1,75,82,53,65,45,warning
    2026-01-22 10:00:00,server-1,82,85,53,72,51,critical
    2026-01-22 10:30:00,server-1,78,81,53,68,47,warning
    2026-01-22 11:00:00,server-1,65,75,54,54,36,normal
    2026-01-22 08:00:00,server-2,38,62,48,28,18,normal
    2026-01-22 08:30:00,server-2,42,65,48,32,21,normal
    2026-01-22 09:00:00,server-2,55,70,48,45,30,normal
    2026-01-22 09:30:00,server-2,62,74,49,52,35,warning
    2026-01-22 10:00:00,server-2,88,92,49,78,55,critical
    2026-01-22 10:30:00,server-2,85,88,49,75,52,critical
    2026-01-22 11:00:00,server-2,71,79,50,61,42,warning
    

    サンプル3: Webアクセスログ

    ファイル名: web_access.csv

    timestamp,ip,method,url,status,response_time,user_agent
    2026-01-22 09:00:00,192.168.1.10,GET,/,200,120,Chrome
    2026-01-22 09:00:15,192.168.1.15,GET,/products,200,250,Safari
    2026-01-22 09:00:30,192.168.1.20,POST,/cart,200,180,Firefox
    2026-01-22 09:00:45,192.168.1.25,GET,/checkout,200,350,Chrome
    2026-01-22 09:01:00,192.168.1.30,GET,/user/profile,200,150,Safari
    2026-01-22 09:01:15,192.168.1.35,GET,/api/search,200,420,Chrome
    2026-01-22 09:01:30,192.168.1.40,GET,/products/123,404,80,Firefox
    2026-01-22 09:01:45,192.168.1.45,POST,/api/order,500,1200,Chrome
    2026-01-22 09:02:00,192.168.1.50,GET,/images/logo.png,200,45,Safari
    2026-01-22 09:02:15,192.168.1.55,GET,/contact,200,190,Chrome
    

    STEP 2: CSVファイルのアップロード

    Settings画面を開く
    ┌─────────────────────────────────────┐
    │  Splunk トップ画面                   │
    │  ⚙️  Settings  ← クリック            │
    └─────────────────────────────────────┘
    
    Lookupsページへ
    ┌─────────────────────────────────────┐
    │  KNOWLEDGE                          │
    │    ・Lookups                        │
    │      → Lookup table files  ← クリック│
    └─────────────────────────────────────┘
    
    新しいLookupをアップロード
    ┌─────────────────────────────────────┐
    │  [ + New Lookup Table File ]        │
    │           ↑                         │
    │         クリック                     │
    └─────────────────────────────────────┘
    
    ファイルをアップロード
    ┌─────────────────────────────────────┐
    │  Destination app:                   │
    │  [Search & Reporting ▼]            │
    │                                     │
    │  Upload a file:                     │
    │  [ ファイルを選択 ]                  │
    │     ↑                               │
    │  train_data.csv を選択               │
    │                                     │
    │  Destination filename:              │
    │  [train_data.csv_______]            │
    │                                     │
    │  [ Save ]  ← クリック                │
    └─────────────────────────────────────┘
    

    完了メッセージ:

    ✅ Lookup table file "train_data.csv" uploaded successfully.
    

    STEP 3: CSVデータを使った検索

    基本の読み込み

    | inputlookup train_data.csv
    

    結果:

    timestamp            passengers  line        hour  status
    2026-01-22 09:00:00  1200       千代田線     9     normal
    2026-01-22 09:30:00  1350       千代田線     9     normal
    2026-01-22 10:00:00  1420       日比谷線     10    busy
    ...
    

    時系列グラフ化

    | inputlookup train_data.csv
    | eval _time=strptime(timestamp, "%Y-%m-%d %H:%M:%S")
    | timechart span=30m avg(passengers) as 乗客数
    | eval 丸ノ内線=2000
    | eval 銀座線=1800
    | eval 日比谷線=1600
    | eval 千代田線=1400
    | eval 東西線=1200
    | eval 半蔵門線=1000
    | eval 副都心線=800
    

    各行の説明:

    | inputlookup train_data.csv
    ↑ アップロードしたCSVを読み込む
    
    | eval _time=strptime(timestamp, "%Y-%m-%d %H:%M:%S")
    ↑ timestamp列を_time(Splunkの時刻フィールド)に変換
      strptime = 文字列を時刻に変換する関数
    
    | timechart span=30m avg(passengers) as 乗客数
    ↑ 30分間隔で乗客数の平均を計算してグラフ化
    
    | eval 丸ノ内線=2000
    ↑ 固定値2000の基準線を追加(以降同様)
    

    複数基準線+色分け

    | inputlookup train_data.csv
    | eval _time=strptime(timestamp, "%Y-%m-%d %H:%M:%S")
    | timechart span=30m avg(passengers) as 乗客数
    
    # 7本の路線基準線
    | eval 丸ノ内線=2000
    | eval 銀座線=1800
    | eval 日比谷線=1600
    | eval 千代田線=1400
    | eval 東西線=1200
    | eval 半蔵門線=1000
    | eval 副都心線=800
    
    # 状態別の基準線(色が変わる)
    | eval 通常基準=if(乗客数<1000, 1000, null())
    | eval 混雑基準=if(乗客数>=1000 AND 乗客数<1500, 1000, null())
    | eval 警告基準=if(乗客数>=1500, 1000, null())
    

    UI色設定:

    Configuration > Series
    ┌──────────────────────────────────────┐
    │  乗客数      : #000000  (黒) Width: 2  │
    │  丸ノ内線    : #E60012  (赤) Width: 4  │
    │  銀座線      : #FF9500  (橙) Width: 4  │
    │  日比谷線    : #B5B5AC  (灰) Width: 4  │
    │  千代田線    : #00BB85  (緑) Width: 4  │
    │  東西線      : #009BBF  (水) Width: 4  │
    │  半蔵門線    : #8F76D6  (紫) Width: 4  │
    │  副都心線    : #9C5E31  (茶) Width: 4  │
    │  通常基準    : #00FF00  (緑) Width: 3  │
    │  混雑基準    : #FFA500  (橙) Width: 3  │
    │  警告基準    : #FF0000  (赤) Width: 3  │
    └──────────────────────────────────────┘
    

    🎯 方法2: 大量データCSVの生成【SPLで作成】

    路線図風の大量データ(200行)

    | makeresults count=200
    | streamstats count as event_id
    | eval timestamp=strftime(relative_time(now(), "-" + (event_id*30) + "m"), "%Y-%m-%d %H:%M:%S")
    | eval 時刻=tonumber(strftime(relative_time(now(), "-" + (event_id*30) + "m"), "%H"))
    
    # 乗客数(正弦波パターン)
    | eval passengers=1200 + (sin(event_id/10)*300) + (random()%200-100)
    
    # 路線割り当て
    | eval line=case(
        passengers>=1800, "丸ノ内線",
        passengers>=1600, "銀座線",
        passengers>=1400, "日比谷線",
        passengers>=1200, "千代田線",
        passengers>=1000, "東西線",
        passengers>=800, "半蔵門線",
        true(), "副都心線"
    )
    
    # 混雑状況
    | eval status=case(
        passengers>=1800, "critical",
        passengers>=1500, "very_busy",
        passengers>=1200, "busy",
        passengers>=900, "normal",
        true(), "low"
    )
    
    # CSV形式で出力
    | table timestamp passengers line 時刻 status
    | outputcsv train_data_200.csv
    

    実行方法:

    1. 上記クエリを実行

    2. 結果が表示されたら、画面右上の Export ボタンをクリック

    3. CSV を選択

    4. ダウンロードされたファイルを保存


    📊 実践的なCSVテンプレート集

    テンプレート1: 1週間の路線データ(詳細版)

    Excelやテキストエディタで作成:

    timestamp,passengers,line,hour,day_of_week,status,temperature
    2026-01-20 08:00:00,1200,千代田線,8,Monday,normal,15
    2026-01-20 08:30:00,1450,千代田線,8,Monday,busy,16
    2026-01-20 09:00:00,1680,日比谷線,9,Monday,busy,17
    2026-01-20 09:30:00,1850,銀座線,9,Monday,very_busy,18
    2026-01-20 10:00:00,2020,丸ノ内線,10,Monday,critical,19
    2026-01-20 10:30:00,1750,銀座線,10,Monday,very_busy,20
    2026-01-20 11:00:00,1520,日比谷線,11,Monday,busy,21
    2026-01-20 11:30:00,1350,千代田線,11,Monday,busy,21
    2026-01-20 12:00:00,1100,東西線,12,Monday,normal,22
    2026-01-20 12:30:00,950,半蔵門線,12,Monday,normal,22
    2026-01-20 13:00:00,1200,千代田線,13,Monday,normal,22
    2026-01-20 13:30:00,1420,日比谷線,13,Monday,busy,22
    2026-01-20 14:00:00,1580,銀座線,14,Monday,busy,22
    2026-01-20 14:30:00,1720,銀座線,14,Monday,very_busy,21
    2026-01-20 15:00:00,1890,丸ノ内線,15,Monday,very_busy,20
    2026-01-20 15:30:00,2050,丸ノ内線,15,Monday,critical,20
    2026-01-20 16:00:00,1850,銀座線,16,Monday,very_busy,19
    2026-01-20 16:30:00,1680,日比谷線,16,Monday,busy,18
    2026-01-20 17:00:00,1450,千代田線,17,Monday,busy,17
    2026-01-20 17:30:00,1250,東西線,17,Monday,normal,17
    2026-01-20 18:00:00,1100,半蔵門線,18,Monday,normal,16
    2026-01-20 18:30:00,950,副都心線,18,Monday,normal,15
    2026-01-20 19:00:00,820,副都心線,19,Monday,low,15
    

    テンプレート2: 複数サーバー監視データ

    timestamp,host,cpu,memory,disk,network_in,network_out,processes,load_avg
    2026-01-22 08:00:00,server-1,45,67,52,35,22,120,2.1
    2026-01-22 08:00:00,server-2,38,62,48,28,18,115,1.8
    2026-01-22 08:00:00,server-3,52,71,55,42,28,125,2.4
    2026-01-22 08:05:00,server-1,52,71,52,42,28,125,2.3
    2026-01-22 08:05:00,server-2,42,65,48,32,21,118,1.9
    2026-01-22 08:05:00,server-3,58,74,55,48,32,128,2.6
    2026-01-22 08:10:00,server-1,68,76,52,58,38,132,2.8
    2026-01-22 08:10:00,server-2,55,70,48,45,30,122,2.2
    2026-01-22 08:10:00,server-3,72,82,55,62,42,135,3.1
    

    検索クエリ:

    | inputlookup server_metrics.csv
    | eval _time=strptime(timestamp, "%Y-%m-%d %H:%M:%S")
    | timechart span=5m avg(cpu) as CPU平均 by host
    | eval 通常レベル=50
    | eval 警告レベル=70
    | eval 危険レベル=85
    

    テンプレート3: トランザクションデータ

    timestamp,transaction_id,user_id,amount,currency,payment_method,status,response_time
    2026-01-22 09:00:00,TXN1001,user123,15000,JPY,credit_card,success,120
    2026-01-22 09:00:15,TXN1002,user456,28000,JPY,bank_transfer,success,250
    2026-01-22 09:00:30,TXN1003,user789,5500,JPY,e-wallet,success,95
    2026-01-22 09:00:45,TXN1004,user234,42000,JPY,credit_card,failed,1200
    2026-01-22 09:01:00,TXN1005,user567,19500,JPY,credit_card,success,135
    2026-01-22 09:01:15,TXN1006,user890,33000,JPY,bank_transfer,success,280
    2026-01-22 09:01:30,TXN1007,user345,8200,JPY,e-wallet,success,110
    2026-01-22 09:01:45,TXN1008,user678,55000,JPY,credit_card,success,165
    

    検索クエリ:

    | inputlookup transactions.csv
    | eval _time=strptime(timestamp, "%Y-%m-%d %H:%M:%S")
    | timechart span=1h sum(amount) as 売上金額 count as 取引件数
    | eval 目標売上=100000
    | eval 最低売上=50000
    

    🎨 ExcelでCSVを作成する方法

    STEP 1: Excelでテンプレート作成

    A列: timestamp          B列: passengers  C列: line       D列: status
    2026-01-22 09:00:00    1200            千代田線         normal
    2026-01-22 09:30:00    1350            千代田線         normal
    2026-01-22 10:00:00    1420            日比谷線         busy
    ...
    

    STEP 2: 数式で大量データ生成

    A2セル(timestamp):

    =TEXT(NOW()-ROW()/48,"yyyy-mm-dd hh:mm:ss")
    

    B2セル(passengers):

    =1200+SIN(ROW()/10)*300+RANDBETWEEN(-100,100)
    

    C2セル(line):

    =IF(B2>=1800,"丸ノ内線",IF(B2>=1600,"銀座線",IF(B2>=1400,"日比谷線",IF(B2>=1200,"千代田線","東西線"))))
    

    D2セル(status):

    =IF(B2>=1800,"critical",IF(B2>=1500,"very_busy",IF(B2>=1200,"busy","normal")))
    

    STEP 3: 数式を下にコピー

    1. A2:D2を選択
    2. 右下の■(フィルハンドル)をダブルクリック
    3. または、200行目までドラッグ
    

    STEP 4: CSV形式で保存

    ファイル > 名前を付けて保存
    ┌─────────────────────────────────────┐
    │  ファイル名: [train_data______.csv] │
    │                                     │
    │  ファイルの種類:                     │
    │  [CSV UTF-8 (コンマ区切り) ▼]       │
    │           ↑                         │
    │       これを選択                     │
    │                                     │
    │  [ 保存 ]                           │
    └─────────────────────────────────────┘
    

    🔄 CSVを定期的に更新する方法

    Python スクリプトで自動生成

    import csv
    import random
    import math
    from datetime import datetime, timedelta
    
    # CSVファイル作成
    with open('train_data.csv', 'w', newline='', encoding='utf-8') as f:
        writer = csv.writer(f)
        
        # ヘッダー
        writer.writerow(['timestamp', 'passengers', 'line', 'hour', 'status'])
        
        # データ生成(200行)
        now = datetime.now()
        for i in range(200):
            timestamp = now - timedelta(minutes=i*30)
            passengers = 1200 + int(math.sin(i/10) * 300) + random.randint(-100, 100)
            
            # 路線割り当て
            if passengers >= 1800:
                line = "丸ノ内線"
            elif passengers >= 1600:
                line = "銀座線"
            elif passengers >= 1400:
                line = "日比谷線"
            elif passengers >= 1200:
                line = "千代田線"
            else:
                line = "東西線"
            
            # 状態
            if passengers >= 1800:
                status = "critical"
            elif passengers >= 1500:
                status = "very_busy"
            elif passengers >= 1200:
                status = "busy"
            else:
                status = "normal"
            
            hour = timestamp.hour
            
            writer.writerow([
                timestamp.strftime('%Y-%m-%d %H:%M:%S'),
                passengers,
                line,
                hour,
                status
            ])
    
    print("✅ train_data.csv 作成完了!")
    

    実行方法:

    python generate_csv.py
    

    💡 CSVデータ活用のベストプラクティス

    ✅ ヘッダー行は必須

    timestamp,value,status    ← ヘッダー行
    2026-01-22 09:00:00,100,OK
    

    ✅ 日付フォーマットを統一

    推奨: 2026-01-22 09:00:00
    避ける: 1/22/2026 9:00 AM
    

    ✅ 数値にカンマを入れない

    ✅ 正しい: 15000
    ❌ 間違い: 15,000
    

    ✅ 文字列に改行を入れない

    ✅ 正しい: "説明文です"
    ❌ 間違い: "説明文
              です"
    

    📋 すぐ使える!完成版CSVファイル

    完成版1: 路線図用(20行サンプル)

    timestamp,passengers,line,hour,status
    2026-01-22 08:00:00,1050,半蔵門線,8,normal
    2026-01-22 08:30:00,1180,千代田線,8,normal
    2026-01-22 09:00:00,1320,千代田線,9,busy
    2026-01-22 09:30:00,1480,日比谷線,9,busy
    2026-01-22 10:00:00,1620,日比谷線,10,busy
    2026-01-22 10:30:00,1780,銀座線,10,very_busy
    2026-01-22 11:00:00,1920,銀座線,11,very_busy
    2026-01-22 11:30:00,2080,丸ノ内線,11,critical
    2026-01-22 12:00:00,1850,銀座線,12,very_busy
    2026-01-22 12:30:00,1650,日比谷線,12,busy
    2026-01-22 13:00:00,1480,日比谷線,13,busy
    2026-01-22 13:30:00,1320,千代田線,13,busy
    2026-01-22 14:00:00,1180,千代田線,14,normal
    2026-01-22 14:30:00,1050,東西線,14,normal
    2026-01-22 15:00:00,950,東西線,15,normal
    2026-01-22 15:30:00,880,半蔵門線,15,normal
    2026-01-22 16:00:00,820,半蔵門線,16,low
    2026-01-22 16:30:00,780,副都心線,16,low
    2026-01-22 17:00:00,750,副都心線,17,low
    2026-01-22 17:30:00,730,副都心線,17,low
    

    使い方:

    1. 上記をコピー

    2. メモ帳に貼り付け

    3. train_data.csv として保存(UTF-8形式)

    4. Splunkにアップロード


    📄 路線図風以外のCSVテストデータ【実用版】

    シンプルで使いやすいデータパターン


    🎯 パターン1: サーバー監視データ【推奨】

    シンプルなCPU監視データ

    ファイル名: server_data.csv

    timestamp,server,cpu_usage,memory_usage,disk_usage
    2026-01-22 08:00:00,web-01,35,55,45
    2026-01-22 08:30:00,web-01,42,58,45
    2026-01-22 09:00:00,web-01,58,64,46
    2026-01-22 09:30:00,web-01,67,71,46
    2026-01-22 10:00:00,web-01,75,78,47
    2026-01-22 10:30:00,web-01,82,84,47
    2026-01-22 11:00:00,web-01,88,89,48
    2026-01-22 11:30:00,web-01,92,91,48
    2026-01-22 12:00:00,web-01,78,82,49
    2026-01-22 12:30:00,web-01,65,75,49
    2026-01-22 13:00:00,web-01,58,68,50
    2026-01-22 13:30:00,web-01,52,63,50
    2026-01-22 14:00:00,web-01,48,60,51
    2026-01-22 14:30:00,web-01,45,58,51
    2026-01-22 15:00:00,web-01,42,56,52
    2026-01-22 15:30:00,web-01,38,54,52
    2026-01-22 16:00:00,web-01,35,52,53
    2026-01-22 16:30:00,web-01,32,50,53
    2026-01-22 17:00:00,web-01,30,48,54
    2026-01-22 17:30:00,web-01,28,46,54
    

    Splunk検索クエリ

    | inputlookup server_data.csv
    | eval _time=strptime(timestamp, "%Y-%m-%d %H:%M:%S")
    | timechart span=30m avg(cpu_usage) as CPU使用率
    
    # 横線(基準線)
    | eval 正常レベル=50
    | eval 注意レベル=70
    | eval 警告レベル=85
    | eval 危険レベル=95
    

    グラフイメージ:

    ┌────────────────────────────────────────┐
    │  100│                                  │
    │   95│━━━━━━━━━━━━━━━━━━ 🔴 危険       │
    │   85│━━━━━━━━━━━━━━━━━━ 🟠 警告       │
    │      │        ╱╲                       │
    │   70│━━━━━━╱━━╲━━━━━━━━ 🟡 注意       │
    │      │      ╱    ╲                     │
    │   50│━━━━╱━━━━━━╲━━━━━━ 🟢 正常       │
    │      │  ╱          ╲                   │
    │      └─────────────────────────→       │
    │       8時  10時  12時  14時  16時      │
    └────────────────────────────────────────┘
    

    🎯 パターン2: 売上データ【ビジネス用】

    日次売上データ

    ファイル名: sales_data.csv

    date,sales_amount,order_count,avg_order_value
    2026-01-01,85000,42,2024
    2026-01-02,92000,48,1917
    2026-01-03,78000,38,2053
    2026-01-04,95000,51,1863
    2026-01-05,88000,44,2000
    2026-01-06,102000,56,1821
    2026-01-07,115000,62,1855
    2026-01-08,98000,52,1885
    2026-01-09,105000,58,1810
    2026-01-10,112000,61,1836
    2026-01-11,95000,49,1939
    2026-01-12,88000,45,1956
    2026-01-13,92000,47,1957
    2026-01-14,108000,59,1831
    2026-01-15,118000,64,1844
    2026-01-16,105000,57,1842
    2026-01-17,98000,53,1849
    2026-01-18,102000,55,1855
    2026-01-19,95000,50,1900
    2026-01-20,90000,46,1957
    

    Splunk検索クエリ

    | inputlookup sales_data.csv
    | eval _time=strptime(date, "%Y-%m-%d")
    | timechart span=1d avg(sales_amount) as 売上金額
    
    # 横線(目標値)
    | eval 目標売上=100000
    | eval 予算=80000
    | eval 最低ライン=60000
    | eval ストレッチ目標=120000
    

    グラフイメージ:

    ┌────────────────────────────────────────┐
    │ 120k│━━━━━━━━━━━━━━━━━━ 🌟 ストレッチ  │
    │      │        ╱╲╱╲                     │
    │ 100k│━━━━━━╱━━━━╲━━━━━━ 🎯 目標       │
    │      │    ╱        ╲  ╱╲             │
    │  80k│━━╱━━━━━━━━━━╲╱━━╲━ 💰 予算       │
    │      │╱                  ╲            │
    │  60k│━━━━━━━━━━━━━━━━━━ ⚠️ 最低       │
    │      └─────────────────────────→       │
    │       1/1   1/7   1/14   1/20          │
    └────────────────────────────────────────┘
    

    🎯 パターン3: 温度センサーデータ【IoT用】

    工場の温度監視

    ファイル名: temperature_data.csv

    timestamp,sensor_id,temperature,humidity,pressure
    2026-01-22 08:00:00,sensor-A,22.5,55,1013
    2026-01-22 08:15:00,sensor-A,23.2,56,1013
    2026-01-22 08:30:00,sensor-A,24.1,57,1012
    2026-01-22 08:45:00,sensor-A,25.3,58,1012
    2026-01-22 09:00:00,sensor-A,26.8,60,1011
    2026-01-22 09:15:00,sensor-A,28.2,62,1011
    2026-01-22 09:30:00,sensor-A,29.5,64,1010
    2026-01-22 09:45:00,sensor-A,30.8,66,1010
    2026-01-22 10:00:00,sensor-A,31.2,67,1009
    2026-01-22 10:15:00,sensor-A,30.5,66,1009
    2026-01-22 10:30:00,sensor-A,29.8,65,1010
    2026-01-22 10:45:00,sensor-A,28.9,63,1010
    2026-01-22 11:00:00,sensor-A,27.5,61,1011
    2026-01-22 11:15:00,sensor-A,26.2,59,1011
    2026-01-22 11:30:00,sensor-A,25.1,58,1012
    2026-01-22 11:45:00,sensor-A,24.3,57,1012
    2026-01-22 12:00:00,sensor-A,23.8,56,1013
    2026-01-22 12:15:00,sensor-A,23.2,55,1013
    2026-01-22 12:30:00,sensor-A,22.9,55,1013
    2026-01-22 12:45:00,sensor-A,22.5,54,1014
    

    Splunk検索クエリ

    | inputlookup temperature_data.csv
    | eval _time=strptime(timestamp, "%Y-%m-%d %H:%M:%S")
    | timechart span=15m avg(temperature) as 温度
    
    # 横線(温度基準)
    | eval 最適温度上限=28
    | eval 最適温度下限=20
    | eval 警告上限=32
    | eval 警告下限=18
    

    グラフイメージ:

    ┌────────────────────────────────────────┐
    │  32°│━━━━━━━━━━━━━━━━━━ 🔴 警告上限   │
    │      │        ╱╲                       │
    │  28°│━━━━━━╱━━╲━━━━━━━━ 🟡 最適上限   │
    │      │    ╱      ╲                     │
    │  24°│  ╱          ╲  ╱╲              │
    │      │╱              ╱  ╲             │
    │  20°│━━━━━━━━━━━━━━━━━━ 🟡 最適下限   │
    │  18°│━━━━━━━━━━━━━━━━━━ 🔴 警告下限   │
    │      └─────────────────────────→       │
    └────────────────────────────────────────┘
    

    🎯 パターン4: 応答時間データ【パフォーマンス監視】

    APIレスポンスタイム

    ファイル名: response_data.csv

    timestamp,endpoint,response_time,status_code,request_count
    2026-01-22 08:00:00,/api/users,120,200,45
    2026-01-22 08:30:00,/api/users,135,200,52
    2026-01-22 09:00:00,/api/users,158,200,68
    2026-01-22 09:30:00,/api/users,185,200,78
    2026-01-22 10:00:00,/api/users,220,200,92
    2026-01-22 10:30:00,/api/users,268,200,105
    2026-01-22 11:00:00,/api/users,315,200,118
    2026-01-22 11:30:00,/api/users,358,200,125
    2026-01-22 12:00:00,/api/users,285,200,98
    2026-01-22 12:30:00,/api/users,235,200,82
    2026-01-22 13:00:00,/api/users,198,200,71
    2026-01-22 13:30:00,/api/users,165,200,63
    2026-01-22 14:00:00,/api/users,142,200,55
    2026-01-22 14:30:00,/api/users,128,200,48
    2026-01-22 15:00:00,/api/users,115,200,42
    2026-01-22 15:30:00,/api/users,105,200,38
    2026-01-22 16:00:00,/api/users,98,200,35
    2026-01-22 16:30:00,/api/users,92,200,32
    2026-01-22 17:00:00,/api/users,88,200,30
    2026-01-22 17:30:00,/api/users,85,200,28
    

    Splunk検索クエリ

    | inputlookup response_data.csv
    | eval _time=strptime(timestamp, "%Y-%m-%d %H:%M:%S")
    | timechart span=30m avg(response_time) as レスポンスタイム
    
    # 横線(SLA基準)
    | eval 優秀=100
    | eval 良好=200
    | eval 許容=300
    | eval 改善必要=400
    

    グラフイメージ:

    ┌────────────────────────────────────────┐
    │ 400ms│━━━━━━━━━━━━━━━━━━ 🔴 改善必要   │
    │      │        ╱╲                       │
    │ 300ms│━━━━━━╱━━╲━━━━━━━━ 🟡 許容       │
    │      │    ╱      ╲                     │
    │ 200ms│━━╱━━━━━━━━╲━━━━━━ 🟢 良好       │
    │      │╱              ╲                 │
    │ 100ms│━━━━━━━━━━━━━━━╲━━ ⭐ 優秀       │
    │      └─────────────────────────→       │
    └────────────────────────────────────────┘
    

    🎯 パターン5: 在庫データ【物流用】

    商品在庫推移

    ファイル名: inventory_data.csv

    date,product_id,stock_quantity,reorder_point,max_stock
    2026-01-01,PROD-001,150,50,200
    2026-01-02,PROD-001,142,50,200
    2026-01-03,PROD-001,135,50,200
    2026-01-04,PROD-001,128,50,200
    2026-01-05,PROD-001,118,50,200
    2026-01-06,PROD-001,105,50,200
    2026-01-07,PROD-001,92,50,200
    2026-01-08,PROD-001,78,50,200
    2026-01-09,PROD-001,65,50,200
    2026-01-10,PROD-001,52,50,200
    2026-01-11,PROD-001,180,50,200
    2026-01-12,PROD-001,168,50,200
    2026-01-13,PROD-001,155,50,200
    2026-01-14,PROD-001,142,50,200
    2026-01-15,PROD-001,128,50,200
    2026-01-16,PROD-001,115,50,200
    2026-01-17,PROD-001,98,50,200
    2026-01-18,PROD-001,82,50,200
    2026-01-19,PROD-001,68,50,200
    2026-01-20,PROD-001,55,50,200
    

    Splunk検索クエリ

    | inputlookup inventory_data.csv
    | eval _time=strptime(date, "%Y-%m-%d")
    | timechart span=1d avg(stock_quantity) as 在庫数
    
    # 横線(在庫管理基準)
    | eval 最大在庫=200
    | eval 安全在庫=100
    | eval 発注点=50
    | eval 最低在庫=20
    

    グラフイメージ:

    ┌────────────────────────────────────────┐
    │  200│━━━━━━━━━━━━━━━━━━ 🔵 最大在庫   │
    │      │  ╲                             │
    │  150│    ╲   ╱╲                       │
    │      │      ╲╱  ╲                     │
    │  100│━━━━━━━━━━╲━━━━━━━ 🟢 安全在庫   │
    │      │            ╲  ╱╲              │
    │   50│━━━━━━━━━━━━╲╱━━╲━ 🟡 発注点     │
    │      │                  ╲             │
    │   20│━━━━━━━━━━━━━━━━━━ 🔴 最低在庫   │
    │      └─────────────────────────→       │
    └────────────────────────────────────────┘
    

    📊 Excel数式で簡単生成

    Excelテンプレート(サーバー監視用)

    A列: timestamp
    B列: cpu_usage
    C列: memory_usage
    
    A2: =TEXT(NOW()-ROW()/48,"yyyy-mm-dd hh:mm:ss")
    B2: =50+SIN(ROW()/5)*30+RANDBETWEEN(-5,5)
    C2: =60+SIN(ROW()/5)*20+RANDBETWEEN(-3,3)
    

    手順:

    1. A1, B1, C1にヘッダー入力(timestamp, cpu_usage, memory_usage)

    2. A2, B2, C2に上記数式を入力

    3. 3セルを選択して下にドラッグ(100行くらい)

    4. CSV形式で保存


    🎨 色設定の推奨パターン

    監視系データ用カラー

    データ線:     #000000  (黒)   - Width: 2, Solid
    正常レベル:   #00FF00  (緑)   - Width: 3, Dashed
    注意レベル:   #FFFF00  (黄)   - Width: 3, Dashed
    警告レベル:   #FFA500  (橙)   - Width: 3, Dashed
    危険レベル:   #FF0000  (赤)   - Width: 4, Dashed
    

    ビジネス系データ用カラー

    実績線:         #0066CC  (青)   - Width: 2, Solid
    最低ライン:     #FF0000  (赤)   - Width: 3, Dashed
    予算:           #FFA500  (橙)   - Width: 3, Dashed
    目標:           #FFD700  (金)   - Width: 4, Dashed
    ストレッチ目標: #9400D3  (紫)   - Width: 3, Dashed
    

    💾 すぐ使えるコピペ用CSV

    完成版: シンプル監視データ(20行)

    timestamp,cpu,memory,disk
    2026-01-22 08:00:00,35,55,45
    2026-01-22 08:30:00,42,58,46
    2026-01-22 09:00:00,58,64,47
    2026-01-22 09:30:00,67,71,48
    2026-01-22 10:00:00,75,78,49
    2026-01-22 10:30:00,82,84,50
    2026-01-22 11:00:00,88,89,51
    2026-01-22 11:30:00,92,91,52
    2026-01-22 12:00:00,78,82,53
    2026-01-22 12:30:00,65,75,54
    2026-01-22 13:00:00,58,68,55
    2026-01-22 13:30:00,52,63,56
    2026-01-22 14:00:00,48,60,57
    2026-01-22 14:30:00,45,58,58
    2026-01-22 15:00:00,42,56,59
    2026-01-22 15:30:00,38,54,60
    2026-01-22 16:00:00,35,52,61
    2026-01-22 16:30:00,32,50,62
    2026-01-22 17:00:00,30,48,63
    2026-01-22 17:30:00,28,46,64
    

    SPLクエリ:

    | inputlookup simple_data.csv
    | eval _time=strptime(timestamp, "%Y-%m-%d %H:%M:%S")
    | timechart span=30m avg(cpu) as CPU使用率
    | eval レベル1=50
    | eval レベル2=70
    | eval レベル3=85
    | eval レベル4=95
    


    あなたへのおすすめ