• Ecology and Resilient Infrastructure
• /
• 제9권3호
• /
• pp.163-173
• /
• 2022

기후변화는 종의 생물계절 및 지리적 분포 변화에 많은 영향을 미치는 핵심 요인으로 생태 분야에서는 취약성 평가를 위해 생물의 생리적 특성과 가장 관련이 높은 생태기후지수 (BioClimatic predictor, 이하 BioClim)를 사용하고 있다. 그러나, Shared Socio-economic Pathways (SSPs) 시나리오에 대한 GCM별 미래 기간 기후평균값 이외에 BioClim 값들은 제공되지 않고 있다. 본 연구는 농촌진흥청에서 생산한 1 km 해상도의 SSPs 시나리오 상세화 자료를 이용하여 국내 여건에 적합한 BioClim 자료를 생산하고, 해당 자료를 기반으로 종 분포모형을 적용하여 주로 남부 및 경상북도, 강원도 및 습한 지역에서 생육 환경이 적합한 고로쇠나무의 기준년대 (1981 - 2010년) 및 미래년도 (2011 - 2100년)에 대해 30년 단위로 적합 서식지 분포를 예측했다. 전국자연환경조사자료를 통해 총 819개 지점에서 고로쇠나무 출현 자료를 수집했다. MaxEnt 모형의 성능을 높이기 위해 모형의 매개 변수 (LQH-1.5)를 최적화하고 상세화된 Biolicm 7개 지수와 지형지수 5개를 MaxEnt 모델에 적용했다. 국내 고로쇠나무 분포는 배수, 연 강수량 (Bio12), 경사가 크게 기여하는 것으로 나타났다. 적습하고 비옥한 토양을 선호하는 생육 특성이 반영된 결과로 기후 요인의 영향은 크지 않았다. 이에 따라 기준년도에 고로쇠나무의 높은 수준 적합 서식지는 우리나라 면적의 3.41%, 근미래 (2011 - 2040년) 및 먼미래 (2071 - 2100년)에서 SSP1-2.6은 0.01%, 0.02%를 차지하여 점차 감소하였으나, SSP5-8.5에서는 각각 0.01%, 0.72%로 오히려 기준년도 대비 근미래에는 감소되다가 먼미래로 갈수록 점차 증가하는 경향을 보였다. 본 연구는 기후변화에 보다 적응이 수월한 식생의 미래 분포 양상을 확인한 연구로 기후변화 적응 종이 미래 산림 복원 등에 활용 가능한 기초 연구로 의의가 있다.

• 지구물리와물리탐사
• /
• 제25권4호
• /
• pp.167-176
• /
• 2022

심지층 특성화 기술 확보에 필요한 자체 기기 개발의 일환으로 철재 케이싱이 설치된 시추공에도 적용가능한 공곡검층기 K-DEV를 설계하고 500 m 깊이 용 시작품을 개발하였다. K-DEV는 디지털 출력을 제공하고 이미 성능이 입증된 센서들을 장착하며, 기존에 국내에서 사용하는 윈치시스템과 호환성을 갖추도록 설계되었다. K-DEV 시작품은 외경 48.3 mm 비자성 스테인레스강 하우징을 채용했으며 실험실 내에서 20 MPa까지의 방수 시험, 그리고 1 km 깊이 시추공에 삽입하여 내구성 시험을 거쳤다. 시작품을 이용해 600 m 깊이까지의 하향 및 상향 연속 검층을 수행하여 작동의 안정성 및 자료의 반복성을 확인하였다. 철재 케이싱이 설치되어 있는 시추공내에서 방위각 결정에 필수적인 자이로 센서로 K-DEV 시작품에서는 고정밀도 MEMS 자이로스코프를 채택하였다. 여기에 가속도계 자료와 각속도 자료를 융합하고 무향 칼만 필터링(Unscented Kalman Filtering)을 통해 최적화 함으로써 정확한 궤적 추적을 수행하는 알고리듬을 고안하였다. 시험 시추공에서 K-DEV 시작품과 상업적 기기와의 비교 검층을 통해 서로 매우 근접한 결과를 얻었다. 특히, MEMS 자이로 센서의 시간에 따른 drift에 의한 오차 누적 문제는 검층 전 후에 정두에서 동일한 방향으로 위치한 정지 상태에서 측정한 자료로부터 각속도를 보정함으로써 해소될 수 있으며, 철재 케이싱이 설치된 시추공에서의 공곡검층이 나공 상태에서의 결과와 거의 동일한 궤적 추정 결과를 제공함을 확인할 수 있었다. 이러한 시작품 적용 결과로서 K-DEV 개발의 방법론, 시작품의 안정성 및 자료의 신뢰성을 확보하였다고 판단된다.

• Nuclear Medicine and Molecular Imaging
• /
• 제41권3호
• /
• pp.234-240
• /
• 2007

목적: 본 연구에서는 컴프턴 카메라의 투사데이터를 재구성하기 위하여 부분집합 개수에 비례하여 고속화된 수렴속도를 보이는 통계학적 영상재구성 방법인 OSEM 알고리즘을 적용하였다. 또한 연산시간 및 퍼센트 오차 측면에서 컴프턴 투사데이터의 부분집합 구성 시 여러 구분방법에 대한 비교연구를 수행함으로써 컴프턴 투사데이터의 최적화된 OSEM 알고리즘을 제안하고자 하였다. 대상 및 방법: 산란부와 흡수부로 구성된 컴프턴 카메라의 투사데이터를 재구성하기 위하여 단순역투사, 기댓값 최대화 방법과 OSEM 알고리즘을 구현하였다. 그리고 OSEM의 경우 컴프턴 투사데이터는 산란부 및 흡수부의 검출위치 및 산란각에 따라 부분 집합으로 구분하였다. EM 알고리즘은 64번의 반복연산을 수행하였으며 OSEM은 16개의 부분집합에 대해 4번의 반복연산을 수행하였다. 각 재구성 방법과 부분집합 구분방법에 대한 정량적 성능평가를 위하여 계산 시간과 퍼센트 오차를 측정하였다. 결과: SBP 방법에 비해 모든 통계학적 영상재구성 방법의 결과들이 보다 정확하였다. 64번 반복연산을 수행한 EM 알고리즘에 비해 4번의 반복연산과 16개의 부분집합을 가지는 모든 OSEM 알고리즘은 유사한 퍼센트 오차를 나타내면서 14배 빠른 수렴속도를 보였다. OSEM의 경우, 부분집합의 구분방법에 따라 연산속도와 재구성된 영상의 정확도 면에서는 거의 차이가 없었다. 결론: 본 연구의 실험 결과를 통하여 핵의학 영상 분야에서 사용하는 OSEM 알고리즘이 컴프턴 카메라에 대한 재구성 알고리즘으로 유용함을 확인하였으며 OS-EM 방법은 EM에 비해 유사한 결과영상을 재구성하면서 14배 빠른 수렴속도를 보이며 컴프턴 투사데이터를 부분집합으로 구분 시 검출위치와 산란각을 모두 이용하는 것이 가장 효율적인 것으로 간주된다.NIS와 EGFP의 이중 리포터 유전자를 가지고 있는 HepG2 세포주가 성공적으로 만들어졌다. 세포의 약 50% 정도가 형광 현미경 아래에서 관찰되었다. NIS 유전자의 발현은 역전사효소 중합효소 연쇄반응 실험을 통해서 확인하였고, NIS가 발현된 세포의 방사능옥소 섭취량은 대조군에 비하여 약 9배 정도 높게 나타났다. 방사능옥소 유출량 실험에서는 약 9분에 반 정도의 옥소가 유출되는 것이 확인되었다. 구축된 세포주를 이식한 후 획득한 형광 영상, 감마카메라과 소동물용 PET 영상에서는 반대쪽의 대조군 세포를 이식한 것에 비하여 뚜렷한 형광신호가 보였고, 더 높은 방사능옥소 섭취가 확인되었다. 결론: NIS와 EGFP의 이중 리포터 유전자를 가지는 간암 세포주가 성공적으로 구축되었고, 소동물에서 두 유전자를 각각 치료용 리포터 유전자와 영상 리포터 유전자로의 사용이 가능할 것이라고 생각된다.타내는 중요한 효소로 인정되고 있으며, 조직의 손상, 발암, 염증, 성인병 및 노화 등과 같은 여러 가지 유해 작용을 일으킨다. 정상군에 비해 대조군은 1.74배 수치가 증가되었으며, RCM투여군의 대조군과 비교 시 57.4% 감소되는 효과를 볼 수 있었다. 본 연구는 LPS로부터 유도된 산화적 스트레스에 대한 복분자의 선투여 후 예방효과를 알아보았다. 생약재의 일종인 복분자의 경우 LPS로 유도된 산화적 스트레스 억제 및 지질대사로부터의 개선 효과가 있는 것으로 판단되며 지질과산화에 대해서 강한 억제 활성을 나타내는 것을 알 수 있었다. 이러한 결과로 복분자는 생활 습관병의 예방과 개선에 유효한 것으로 사료되었으며, 지질대사와 과산화지표의 검증을 통해 기능성 식품소재로 활용될 수 있음을 보여주었다.로서 역시 CTV 치료계획에서 적게 조사되었다(p=0.005). 기존의 ICRU 치료계획은

• 대한핵의학회지
• /
• 제32권6호
• /
• pp.490-496
• /
• 1998

목적: 본 연구의 목적은 MELAS 증후군과 미토콘드리아 근육병의 뇌 SPECT 소견을 알아보고 SPECT 소견과 자기공명영상 소견을 비교 분석하여 MELAS증후군의 특징적인 영상 소견을 찾아보고자 하였고 MELAS 증후군에 있어서 뇌 SPECT의 역할을 평가해 보고자 하였다. 대상 및 방법: 뇌졸중 유사 증상이나 경련 또는 발달 지연을 주소로 하였고, 혈청 또는 뇌척수액의 lactic acid치가 상승되어 있는 1세에서 25세의 5명의 환자를 대상으로 하였고 남녀비는 4:1이었다. 모든 환자에서 Tc-99m ECD를 이용한 뇌혈류 단일광전자방출 전산화 단층촬영술(SPECT)와 자기공명영상을 시행하여 영상 소견을 분석하였다. 결과: 자기공명영상에서는 주로 두정엽(4/5)과 후두엽(4/5), 그리고 기저핵(1/5)에 백질과 회백질에 증가된 T2 신호강도를 나타내었는데, 특정한 혈관 영역에는 부합하지 않는 병변의 분포양상을 보였다. SPECT상에서는 자기공명영상에서 이상소견을 보인 모든 부위에서 관류 저하를 보였으며 추가적으로 두정엽(1예), 측두엽(1예), 전두엽(1예), 기저핵(1예)와 시상(2예)에서도 감소된 Tc-99m ECD의 섭취를 나타내어서, 자기공명영상과 SPECT에서 이상 소견을 보인 수를 비교하면 자기공명영상에서 나타난 해부학적인 이상소견보다 SPECT에서 보인 관류 저하가 더 광범위하였다. 결론: MELAS 증후군의 SPECT에서는 특정한 혈관 영역에는 부합하지 않는 두정엽과 후두엽, 기저핵, 시상, 측두엽등의 관류저하를 보여 주었는데, 본 연구의 여러 제한점으로 인하여 MELAS 증후군에서만 나타나는 특징적인 소견이라고 할 수는 없었다. 자기공명영상에서 상응하는 이상 소견이 없이 SPECT에서만 관류 저하를 보이는 경우의 중요성은 좀 더 많은 수의환자를 대상으로 한 연구를 통해 평가되어져야 할 것으로 생각한다. 나타내었다.속도를 향상시킬 수 있었다. 정상인의 뇌영상에 대해 위치 정합을 실시한 결과 평균 거리 오차는 2mm 이하였다. 가중정규화 방법을 사용하였을 때 합성된 영상의 정성적인 식별 명확도가 향상하였다. 결론: 견실한 PET 영상 경계점 추출과 거리지도를 이용한 계산 속도의 향상을 통해 뇌 PET과 MR 영상 합성기법의 성능을 개선할 수 있었으며 이를 이용하며 개발한 영상정합 프로그램은 임상 환경에서 유용하게 사용될 수 있을 것이다.은 환자군을 대상으로 한 추가 연구가 필요한 것으로 판단된다.07% ID/g 이하로 매우 낮았다. 결론: 이실험에서 표지한 Re-188 황 교질은 표지효율과 안정성이 높고 임상적으로 방사선 활액막 절제술 등에 사용할 수 있을 것으로 생각한다.}I$] 또는 [$^{131}I$]OMIMT는 종양의 아미노산 대사 영상제제로 이용될 수 있으며 앞으로 이에 대한 임상연구가 필요할 것으로 생각되었다.>$R_A,\;R_v$의 결과간에 좋은 상관관계를 가졌다. 따라서 이러한 약역학 컴퓨터시뮬레이션이 SPECT 영상을 이용한 도파민 운반체 또는 수용체 정량분석을 최적화하는데 매우 유용할 것으로 생각된다.TEX>-CIT SPECT는 파킨슨병의 조기진단 및 진행 추적에 임상적으로 유용할 것으로 판단된다., SCC 4예, AC 1예)였으며, 11예 중 9예(81.8%)에서 방사선학적 검사결과와 Tc-99m MIBI섭취율의 변화가 일치하였다. 결론적으로, Tc-99m MIBI SPECT는 폐암병소의 국소화 및 방사선치료 효과의 판정에 어느정도 유용하리라 사료되었다.냈고 4명에서는 low CBD obstruction을 나타내었으며 후에 CBD stone, CBD carcinoma, gall bladder Ca.의 porta hepatis 전이 및 clonorchis worms의 cluster에

• 지능정보연구
• /
• 제23권2호
• /
• pp.107-122
• /
• 2017

주식시장의 주가 수익률에 나타나는 변동성은 투자 위험의 척도로서 재무관리의 이론적 모형에서뿐만 아니라 포트폴리오 최적화, 증권의 가격 평가 및 위험관리 등 투자 실무 영역에서도 매우 중요한 역할을 하고 있다. 변동성은 주가 수익률이 평균을 중심으로 얼마나 큰 폭의 움직임을 보이는가를 판단하는 지표로서 보통 수익률의 표준편차로 측정한다. 관찰 가능한 표준편차는 과거의 주가 움직임에서 측정되는 역사적 변동성(historical volatility)이다. 역사적 변동성이 미래의 주가 수익률의 변동성을 예측하려면 변동성이 시간 불변적(time-invariant)이어야 한다. 그러나 대부분의 변동성 연구들은 변동성이 시간 가변적(time-variant)임을 보여주고 있다. 이에 따라 시간 가변적 변동성을 예측하기 위한 여러 계량 모형들이 제안되었다. Engle(1982)은 변동성의 시간 가변적 특성을 잘 반영하는 변동성 모형인 Autoregressive Conditional Heteroscedasticity(ARCH)를 제안하였으며, Bollerslev(1986) 등은 일반화된 ARCH(GARCH) 모형으로 발전시켰다. GARCH 모형의 실증 분석 연구들은 실제 증권 수익률에 나타나는 두터운 꼬리 분포 특성과 변동성의 군집현상(clustering)을 잘 설명하고 있다. 일반적으로 GARCH 모형의 모수는 가우스분포로부터 추출된 자료에서 최적의 성과를 보이는 로그우도함수에 대한 최우도추정법에 의하여 추정되고 있다. 그러나 1987년 소위 블랙먼데이 이후 주식 시장은 점점 더 복잡해지고 시장 변수들이 많은 잡음(noise)을 띠게 됨에 따라 변수의 분포에 대한 엄격한 가정을 요구하는 최우도추정법의 대안으로 인공지능모형에 대한 관심이 커지고 있다. 본 연구에서는 주식 시장의 주가 수익률에 나타나는 변동성의 예측 모형인 GARCH 모형의 모수추정방법으로 지능형 시스템인 Support Vector Regression 방법을 제안한다. SVR은 Vapnik에 의해 제안된 Support Vector Machines와 같은 원리를 회귀분석으로 확장한 모형으로서 Vapnik의 e-insensitive loss function을 이용하여 비선형 회귀식의 추정이 가능해졌다. SVM을 이용한 회귀식 SVR은 두터운 꼬리 분포를 보이는 주식시장의 변동성과 같은 관찰치에서도 우수한 추정 성능을 보인다. 2차 손실함수를 사용하는 기존의 최소자승법은 부최적해로서 추정 오차가 확대될 수 있다. Vapnik의 손실함수에서는 입실론 범위내의 예측 오차는 무시하고 큰 예측 오차만 손실로 처리하기 때문에 구조적 위험의 최소화를 추구하게 된다. 금융 시계열 자료를 분석한 많은 연구들은 SVR의 우수성을 보여주고 있다. 본 연구에서는 주가 변동성의 분석 대상으로서 KOSPI 200 주가지수를 사용한다. KOSPI 200 주가지수는 한국거래소에 상장된 우량주 중 거래가 활발하고 업종을 대표하는 200 종목으로 구성된 업종 대표주들의 포트폴리오이다. 분석 기간은 2010년부터 2015년까지의 6년 동안이며, 거래일의 일별 주가지수 종가 자료를 사용하였고 수익률 계산은 주가지수의 로그 차분값으로 정의하였다. KOSPI 200 주가지수의 일별 수익률 자료의 실증분석을 통해 기존의 Maximum Likelihood Estimation 방법과 본 논문이 제안하는 지능형 변동성 예측 모형의 예측성과를 비교하였다. 주가지수 수익률의 일별 자료 중 학습구간에서 대칭 GARCH 모형과 E-GARCH, GJR-GARCH와 같은 비대칭 GARCH 모형에 대하여 모수를 추정하고, 검증 구간 데이터에서 변동성 예측의 성과를 비교하였다. 전체 분석기간 1,487일 중 학습 기간은 1,187일, 검증 기간은 300일 이다. MLE 추정 방법의 실증분석 결과는 기존의 많은 연구들과 비슷한 결과를 보여주고 있다. 잔차의 분포는 정규분포보다는 Student t분포의 경우 더 우수한 모형 추정 성과를 보여주고 있어, 주가 수익률의 비정규성이 잘 반영되고 있다고 할 수 있다. MSE 기준으로, SVR 추정의 변동성 예측에서는 polynomial 커널함수를 제외하고 linear, radial 커널함수에서 MLE 보다 우수한 예측 성과를 보여주었다. DA 지표에서는 radial 커널함수를 사용한 SVR 기반의 지능형 GARCH 모형이 가장 우수한 변동성의 변화 방향에 대한 방향성 예측력을 보여주었다. 추정된 지능형 변동성 모형을 이용하여 예측된 주식 시장의 변동성 정보가 경제적 의미를 갖는지를 검토하기 위하여 지능형 변동성 거래 전략을 도출하였다. 지능형 변동성 거래 전략 IVTS의 진입규칙은 내일의 변동성이 증가할 것으로 예측되면 변동성을 매수하고 반대로 변동성의 감소가 예상되면 변동성을 매도하는 전략이다. 만약 변동성의 변화 방향이 전일과 동일하다면 기존의 변동성 매수/매도 포지션을 유지한다. 전체적으로 SVR 기반의 GARCH 모형의 투자 성과가 MLE 기반의 GARCH 모형의 투자 성과보다 높게 나타나고 있다. E-GARCH, GJR-GARCH 모형의 경우는 MLE 기반의 GARCH 모형을 이용한 IVTS 전략은 손실이 나지만 SVR 기반의 GARCH 모형을 이용한 IVTS 전략은 수익으로 나타나고 있다. SVR 커널함수에서는 선형 커널함수가 더 좋은 투자 성과를 보여주고 있다. 선형 커널함수의 경우 투자 수익률이 +526.4%를 기록하고 있다. SVR 기반의 GARCH 모형을 이용하는 IVTS 전략의 경우 승률도 51.88%부터 59.7% 사이로 높게 나타나고 있다. 옵션을 이용하는 변동성 매도전략은 방향성 거래전략과 달리 하락할 것으로 예측된 변동성의 예측 방향이 틀려 변동성이 소폭 상승하거나 변동성이 하락하지 않고 제자리에 있더라도 옵션의 시간가치 요인 때문에 전체적으로 수익이 실현될 수도 있다. 정확한 변동성의 예측은 자산의 가격 결정뿐만 아니라 실제 투자에서도 높은 수익률을 얻을 수 있기 때문에 다양한 형태의 인공신경망을 활용하여 더 나은 예측성과를 보이는 변동성 예측 모형을 개발한다면 주식시장의 투자자들에게 좋은 투자 정보를 제공하게 될 것이다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.