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:
上記クエリを実行
結果が表示されたら、画面右上の Export ボタンをクリック
CSV を選択
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:
上記をコピー
メモ帳に貼り付け
train_data.csv として保存(UTF-8形式)
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:
A1, B1, C1にヘッダー入力(timestamp, cpu_usage, memory_usage)
A2, B2, C2に上記数式を入力
3セルを選択して下にドラッグ(100行くらい)
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