• 한국가정과교육학회지
• /
• 제31권4호
• /
• pp.149-161
• /
• 2019

현재 우리는 지금까지 아무도 예측하지 못할 정도의 인공지능의 발달과 빠른 기술혁신에 따른 4차 산업혁명시대로의 변화시점에 있다. 본 연구는 '4차 산업혁명시대로의 변화에 따라 가정과교육은 어떤 역할을 수행해야 하는가?'의 문제의식에서 출발하였으며, 구체적으로 4차 산업혁명시대의 특징과 교육의 방향에 따른 가정과교육의 역할에 초점을 맞추어 연구를 진행하였다. 4차 산업혁명의 특징은 인공지능(AI), 클라우드 컴퓨팅(Cloud Computing), 사물인터넷(IoT), 빅 데이터(Big Data), O2O(Online to Offline) 등으로, 일상생활뿐만 아니라 사회체제와 과학기술, 그리고 직업의 구조에 급격한 변화를 가져올 것이다. 그 과정에서 비인간화되어가는 현상, 로봇과 인공지능의 발전에 따른 인간의 도덕성과 윤리적인 면에 문제를 줄 수 있기 때문에, 4차 산업혁명 시대 교육의 방향은 미래 공동체를 위해 함께하는 인성과 시민의식을 갖춘 미래 인재를 양성하는 방향으로 총체적인 변화가 모색되어져야 한다. 또한 초지능, 초연결 사회로의 변화를 가져올 4차 산업혁명이 교육에 주는 시사점은 인간이 인간으로서의 가치를 스스로 내면화하도록 교육의 역할이 강조되어져야 한다는 것이다. 인성교육은 교육과정의 통합 속에서 개념이 정립되고 보편타당한 내면화된 의식으로 자리 잡아야 하며 구체적인 실천적 전략들이 마련되어져야 한다. 결론적으로 4차 산업혁명시대 가정과교육의 역할은 다음과 같다. 첫째, 4차 산업혁명시대 가정과교육은 인간의 본성인 인성교육의 중추적 역할을 담당하여야 한다. 인성교육을 주도적으로 담당해야 한다는 것이다. 또한 4차 산업혁명시대 가정과교육은 인간의 다양한 삶의 본질적인 개선에 선도적 역할을 담당하여야 한다. 4차 산업혁명은 인간의 정신적, 육체적 활동뿐만 아니라, 인간의 정체성도 바뀌어 갈 것이다. 3차 산업혁명 이후의 사회에서는 산재해 있는 지식을 얼마나 신속하고 정확하게 습득할 수 있느냐가 중요했다면 4차 산업혁명의 지능정보화사회에서는 빠른 변화 속에서 인간의 본성을 지키기 위해 지식을 어떻게 활용할 것인지를 배우는 것이 요구된다. 이렇듯 4차 산업혁명은 우리 삶을 형성하는 시스템에 영향을 끼침으로써 가족과 조직, 공동체를 긍정적으로 이끌어갈 수 있는 방향성을 모색하게 되는데 가정과교육이 이러한 역할을 선도적으로 담당해야 한다.

• 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.