• 한국해양학회지:바다
• /
• 제5권2호
• /
• pp.105-118
• /
• 2000

반폐쇄형의 함평만 입구를 가로지르는 두 개의 정점(H1, H2)에서 1999년 8월 12-13일 대조기에 각각 한 조석주기동안 물리적 특성과 부유퇴적물의 농도변화에 대한 정선관측을 실시하였다. 수온과 염분의 조석변화는 각각 26.0-27.9$^{\circ}C$, 30.9-31.5 범위에서 창조시 저온과 고염분의 외해수 그리고 낙조시 고온과 저염분의 연안수 특성을 보이며, 복사열이 강한 여름철임에도 불구하고 강한 조류의 혼합작용으로 인해 수괴의 수직적 혼합이 잘 이루어지고 있다. 부유퇴적물의 농도는 표층에서 낮고 저층으로 향하면서 높아지며 수층별로 뚜렷한 차이를 보이고 있다. 불량한 분급도를 보이는 부유퇴적물은 대부분 극세립- 세립실트(>40%)로 구성되어 있는 가운데, 점토 크기 이하(<4 ${\mu}m$)의 세립자들은 에너지가 약한 정조시에 상호간의 결합을 통해 입자 덩어리를 형성하고 있다. 조석별 평균유속의 세기는 남서쪽 정점 H1의 경우 낙조류가 창조류에 비해 수층에 따라 23-59${\%}$ 우세한 반면, 정점 H2에서는 오히려 창조류가낙조류에 비해 27-37${\%}$ 우세한 비대칭성을 보이고 있다. 이에 따른 각 정점에서 계산된 잔여유속은 정점 H1에서 아주 큰 값(-10${\sim}$-20 cm $s^{-1}$)으로 외해쪽으로 향하고 있는 반면, 정점 H2에서는 내만쪽으로 향하는 미약한 흐름(<5 cm $s^{-1}$)이 존재한다. 한편, 부유퇴적물의 농도변화는 남서쪽(H1)에서 낙조시에 비해 창조류를 따라 외해로부터 유입되는 양이 많고, 정점 H2에서는 창조시에 비해 낙조류를 따라 외해로 유출되는 양이 훨씬 높게 나타나고 있다. 잔여유속과 부유퇴적물의 농도를 고려한 부유퇴적물의 순이동률($f_{s}$)은 모든 정점에서 수층에 따라 -1.7 ${\sim}$-15.6${\times}$$10^{-3}$ kg $m^{-2}$ $s^{-1}$ 속도로 일관되게 외해쪽으로 향하고 있으며, 북동쪽에서 보다 빠른 이동률을 보이고 있다. 부유퇴적물의 순이동량($\c{Q}_{s}$)은 정점 H1과 H2에서 각각 0.37${\times}$$10^{3}$, 0.21${\times}$$10^{3}$ kg $m^{-1}$의 양이 여름철 대조기 한 조석주기동안에 외해로 빠져나가고 있는 것으로 나타났다. 함평만 입구에서 여름철임에도 불구하고 부유퇴적물이 외해쪽으로 이동되고 있는 것은 내만에 발달되어 있는 조간대의 침식을 의미하는 것으로서, 지금까지 서해안 조간대에서 보고되고 있는 일반적인 여름철 퇴적현상과는 상이한 결과를 나타내고 있다.

• 지능정보연구
• /
• 제18권3호
• /
• pp.79-96
• /
• 2012

기술의 발전과 융합이 빠르게 이루어지고 있는 오늘날 유망기술을 어떻게 파악하여, 다양한 후보군들 중에서 최적의 R&D 대상을 어떻게 선정할 것인가에 대한 문제는 주요한 경영의사결정문제 중 하나로 부상하고 있다. 본 연구에서는 이러한 R&D 기술 선정 의사결정을 지원할 수 있는 새로운 지능형 의사결정지원시스템을 제안한다. 본 연구의 의사결정지원시스템은 크게 3가지 모듈로 구성되는데, 우선 첫 번째 모듈인 '기술가치 평가' 모듈에서는 기업이 관심을 갖고 있는 분야의 특허들을 분석하여 유망기술 파악에 요구되는 다양한 차원의 기술가치 평가지수 값들을 산출하는 작업이 이루어진다. 이를 통해, 현재 시점에서의 각 기술의 가치가 다양한 차원에서 평가가 이루어지고 나면, 두 번째 모듈인 '미래기술가치 예측' 모듈에서 이들의 시간 흐름에 따른 변화를 학습한 인공지능 모형을 토대로 각 후보기술들이 미래 시점에 어떤 가치지수값을 갖게 될 것인지 예측값을 산출하게 된다. 마지막 세 번째 모듈인 '최적 R&D 대상기술 선정 지원' 모듈에서는 앞서 두 번째 모듈에서 산출된 각 차원별 예상 가치지수값들을 적절히 가중합하여 기술의 종합적인 미래가치 예측값을 산출하여 의사결정자에게 제공하는 기능을 수행한다. 이를 통해 의사결정자가 자사에 적합한 최적의 R&D 대상기술을 선정할 수 있도록 하였다. 본 연구에서는 제안된 시스템의 적용 가능성을 검증하기 위해, 10년치 특허데이터에 인공신경망 기법을 적용하여 실제 기술가치 예측모형을 구축해 보고, 그 효과를 살펴본다.

• 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.