• 과학기술학연구
• /
• 제5권1호
• /
• pp.55-92
• /
• 2005

한국에서 중요한 과학적 개념의 형성과 그 사회적 유통에 기여하는 것은 미국과 유럽, 그리고 일본에서 형성, 성숙, 정립된 후에 한국으로 유입되고 수용되는 과학 지식과 한국 사회가 근대화의 과정에 형성한 제도이다. 유전적 정보라는 개념도 이러한 맥락에서 예외일 수는 없다. 유전적 정보 개념은 고전적 유전학의 틀에서 이해되는 유전, 또는 계승성의 개념에서 인간유전체 연구사업의 와중에서 등장하여 성숙한 유전체학과 생물정보학에 의해 확대 심화된 것이다. 본 연구는 서구적 개념 및 지식 생산 구조를 모델로 하는 개념적, 과학지식적, 제도적 통합성을 기준으로 한국에서 유전적 정보의 생산 구조가 어떻게 형성되어 있는가에 대한 것이다. 한국에서 1980년대 중반에 나타났던 유전공학 담론은 한국에서 분자생물학의 발달은 촉진시켰지만, 생화학-생화학교실과 같은 균형성이 없이 유전공학-유전학교실의 불균형성이 존재하게되었다. 주로 의과대학의 (인간)유전학과 혹은 유전학교실의 수와 질에 있어서의 부족함 때문에 생명과학 전체에 미치는 영향력에서도 크게 성공하지 못했고, 통합적, 거시적 발전을 이루지 못한 것으로 보인다. 유전학의 발전적 재구성이라고 할 수 있는 유전체학은 한국에서는 유럽, 미국, 일본의 인간유전체연구사업의 발전 궤적의 '기초단계' 혹은 '제 1기' 형태에는 거의 인프라, 투자, 연구개발이 없었고 기능유전체학과 단백체학을 중심으로 하는 '성숙단계' 혹은 '제 2기' 형태를 주축으로 하여 한국의 연구개발이 진행되고 있다. 유전체학과 같이 발달한 생물정보학에는 내적 구조에 이미 정보학과 연결되는 논리와 내용을 가지고 있는데, 한국에서는 정보기술(IT)의 아류 정도로 보는 편협하고 왜곡된 시각이 주도적인 가운데 시작된 것으로 보인다. 결과적으로 한국 생물정보학은 유전학 및 생명과학과의 통합적인 면에서는 결함을 노출하고 있다. 이러한 유전적 정보의 생산 구조가 가지는 문제점으로 인하여 한국에서 유전적 정보는 기초가 부실한 편이며 파편화된 유형으로 생산되어 나올 개연성을 가진다. 개념적, 제도적인 파편화의 사례는 개인식별의 유전학이 기존의 유전공학-유전학교실 체제로 흡수되지 못하고 의과대학 법의학교실에서 전문성과 연구실천을 확보한 것에서도 확인된다. 유전적 정보의 생산 구조에 영향을 미치는 환경은 한국의 생명공학과 시민사회운동으로 존재한다.

• 한국산학기술학회논문지
• /
• 제19권11호
• /
• pp.574-582
• /
• 2018

철도, 자동차, 항공 등의 시스템에서는 시스템의 고장이 사고로 이어져 심각한 인명피해와 경제적 손실로 직결되는 경우가 많기 때문에 시스템 안전의 확보가 매우 중요하다. 기존 연구들에서는 구성품 수준의 정보를 활용해서 고장 분석 및 안전조치를 도출하고 이를 통해 고장이 발생했을 때 피해를 경감시키기 위한 안전설계가 주로 수행되었다. 그러나 기능안전 개념에 의한 설계는 위험원 식별 및 평가 그리고 안전기능을 생성한 후 안전 설계를 통해 안전 목표를 달성하고자 하는 것이다. 따라서 시스템의 기능수준에서 고장의 현재 빈도를 수용 가능한 목표수준으로 빈도를 낮출 수 있는 안전기능을 결정하고 이를 설계에 반영하기 위한 방법에 대한 연구가 필요하다. 이를 달성하기 위하여 본 연구에서는 먼저 시스템모델링 언어인 SysML을 활용하여 안전기능 들에 대해 고장빈도를 반영하기 위한 고장 모델링 방법을 연구하였다. 그리고 나서 생성된 SysML 고장모델 대안들의 시뮬레이션을 통해 각 안전기능 들이 달성할 수 있는 고장빈도의 감축능력을 평가해서 안전목표를 충족하는 대안을 결정하는 방법을 제시하였다. 사례 연구로서 대표적인 안전중시 시스템인 철도신호시스템에 적용하여 유용성을 확인하였다. 철도신호시스템의 안전기능 형태의 설계 대안들에 대해 안전 목표를 충족하는 지를 M&S를 통해 비교평가 하였다. 본 연구의 결과는 시스템의 개념설계 단계에서부터 적용 가능한 방법으로 안전기능을 수행하기 위한 다양한 설계대안 들 중에서 적절한 것을 선택함으로써 안전 목표를 충족하는 시스템의 안전 설계에 유용하게 활용될 수 있을 것이다.

• 경영정보학연구
• /
• 제18권2호
• /
• pp.59-77
• /
• 2016

전자상거래 시장에서는 점차 다양한 추천기법들이 적용되고 있으나, 고객 관점에서 이에 대한 사용의도를 비교 분석한 연구는 매우 드물다. 본 연구는, 온라인 쇼핑몰에서 널리 활용되고 있는 베스트셀러 추천, MD(Merchandiser)추천, 내용기반 추천, 협업필터링 추천, 그리고 지인추천 등의 다섯 가지 추천기법들에 대한 고객의 사용의도를, 전자제품군 구매 시와 의류군 구매 시에 대해서 비교 분석하였다. 이와 더불어, 어떠한 요소들이 고객의 추천서비스 사용의도에 영향을 미치는지에 대한 연구를 수행하였다. 이를 위해, 추천서비스 사용경험이 있는 전자상거래 사용자 총 220명을 대상으로 설문조사를 수행한 후, 분산분석(ANOVA), 회귀분석 등을 사용하여 데이터 분석을 수행하였다. 본 연구결과, 추천기법에 따른 고객의 추천서비스 사용의도에는 통계적으로 유의한 차이가 있으며, 특히 전자제품군 구매 시에는 베스트셀러 추천기법이, 의류군 구매 시에는 내용기반의 추천기법이 가장 선호되는 것으로 나타났다. 또한, 고객의 인물특성, 성격요인, 구매성향, 구매하려는 제품에 대한 인식 및 추천서비스에 대한 인식 등이 추천서비스 사용의도에 영향을 미치는 것으로 나타났으나, 세부적인 영향요소들은 추천기법별로 상이하게 도출되었다. 이러한 연구는 기업들에게 제품군 및 개인의 성향에 적합한 기법을 채택하여 추천서비스를 수행할 수 있도록 하는 가이드라인(guideline)을 제시해 줄 수 있을 것으로 기대된다.

• 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.