• 예술인문사회 융합 멀티미디어 논문지
• /
• 제7권3호
• /
• pp.371-381
• /
• 2017

본 논문에서는 인간 움직임에 관한 이론들 중 현대무용 이론가인 루돌프 폰 라반(Rudolf von Laban)의 움직임 분석(Laban Movement Analysis)을 중심으로 추상 애니메이션의 제작 방법론을 소개한다. 라반의 이론은 다양한 인간의 움직임들을 묘사하고 시각화하고 해석하고 문서화하기 위한 도구와 언어를 모두 포함하며 그 중 공간조화이론인 코레우틱스(Choreutics)는 고대로부터 정의된 자연의 보편적인 패턴과 자연의 일부인 인간의 보편적 디자인에 기반하고 있다. 라반은 근본적으로 움직임의 공간을 이원론적 방식으로 정의하였는데 외형적으로는 점, 선, 면, 다각형, 그리고 선형, 비선형 움직임과 같은 기하학과 모션 프리미티브의 관점에서의 객관적이고 과학적인 정의를 통해 컴퓨터 그래픽스에서 인간의 움직임을 생성하기 위한 구체적인 기반을 제공하였다. 또 한편으로는 움직임의 내적인 의도와 관련하여 나타나는 역동적 운동성의 미묘한 특징들을 이해할 수 있는 시스템을 제공하였다. 라반의 해석은 다양한 시각적 분석방식을 통해 조형예술과 컴퓨터 아트 양쪽 분야에서 활용될 수 있는 잠재적인 가치를 지니고 있다. 본 연구는 움직임에 대한 신체적, 심리적 분석에서 영감을 얻었으며 추상 애니메이션을 제작하기 위해 컴퓨터 알고리즘을 개발하였다. "코레오그래피(Choreography)"라고 명명된 일련의 컴퓨터 애니메이션 작품들은 문화체육관광부와 한국공예·디자인문화진흥원이 주최·주관한 "2015 공예트렌드페어(Craft Trend Fair)"의 주제관 <손에 담긴 미래>와 2016년 주영한국문화원의 "움직임을 만드는 사물(Make Your Movements: Korean Contemporary Objects)"등 다수의 전시에 소개되었다. 본 논문에서는 라반의 움직임에 관한 표현을 기초로 추상적 조형요소들의 움직임을 제작하기 위한 아이디어와 방법들을 설명한다.

• 대한토목학회논문집
• /
• 제29권5A호
• /
• pp.467-475
• /
• 2009

기존의 연구들은 댐퍼만에 의한 부가감쇠비의 Universal Curve만을 제공하였기 때문에 실무에서는 케이블의 구조감쇠 및 공기역학적감쇠와 같은 자체감쇠를 독립적으로 고려하곤 한다. 즉, 케이블에 발생하는 자체감쇠비와 댐퍼에 의해 부여되는 Universal Curve로부터 얻은 부가감쇠비를 산술적으로 합하여 케이블-댐퍼 시스템의 전체감쇠비를 결정해 왔다. 하지만 이러한 선형조합 접근법은 이론적인 근거가 미약하며 관련된 연구도 찾아볼 수 없는 실정이므로 이에 관한 유효성을 검증해 볼 필요가 있다. 이것을 위해 본 연구에서는 자체감쇠를 고려한 전체감쇠비 해석법을 개발하여 정해를 제시하고 이것을 기존의 선형조합 접근법에 의해 얻어진 전체감쇠비와 비교하여 선형조합 접근법의 유효성 여부를 검증하였다. 본 연구의 결과에 의하면, 강성은 작고 최적감쇠계수와 비슷한 감쇠계수를 갖는 댐퍼가 지점에서 가깝게 설치되어 있으며, 케이블의 진동이 저차 모드 위주로 발생하고 케이블의 자체감쇠가 크지 않은 일반적인 풍환경에서는 기존의 연구그룹에서 제시하는 연구결과나 선형조합 접근법을 적용하는 것에 무리가 따르지 않는다. 하지만 외부댐퍼나 예기치 못한 고차 진동모드의 발생, 강성이 큰 댐퍼가 사용되는 경우에는 본 연구를 적용하는 것이 바람직한 것으로 나타났다. 본 연구는 케이블의 자체감쇠를 고려한 전체감쇠비의 정해를 제시하고 이것을 토대로 선형조합 접근법에 대한 적용근거를 제시하였다는 점에서 의미를 찾을 수 있다. 차후 본 연구를 발전시켜 공기역학적감쇠에 대응하는 최적감쇠계수를 실시간으로 제시할 수 있게 된다면 MR(Magneto-rheological) 댐퍼와 같은 준능동 댐퍼의 케이블-댐퍼 시스템 제어의 중요한 알고리즘이 될 것으로 기대된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2022년도 학술발표회
• /
• pp.42-42
• /
• 2022

지금까지도 유역에서의 녹조 모니터링은 현장채수를 통한 점 단위 모니터링에 크게 의존하고 있어 기후, 유속, 수온조건 등에 따라 수체에 광범위하게 발생하는 녹조를 효율적으로 모니터링하고 대응하기에는 어려운 점들이 있어왔다. 또한, 그동안 제한된 관측 데이터로 인해 현장 측정된 실측 데이터 보다는 녹조와 관련이 높은 NDVI, FGAI, SEI 등의 파생적인 지수를 산정하여 원격탐사자료와 매핑하는 방식의 분석연구 등이 선행되었다. 본 연구는 녹조의 모니터링시 정확도와 효율성을 향상을 목표로 하여, 우선은 녹조 측정장비를 활용, 7000개 이상의 녹조 관측 데이터를 확보하였으며, 이를 바탕으로 동기간의 고해상도 위성 자료와 실측자료를 매핑하기 위해 다양한Machine Learning기법을 적용함으로써 그 효과성을 검토하고자 하였다. 연구대상지는 낙동강 내성천 상류에 위치한 영주댐 유역으로서 데이터 수집단계에서는 면단위 현장(in-situ) 관측을 위해 2020년 2~9월까지 4회에 걸쳐 7291개의 녹조를 측정하고, 동일 시간 및 공간의 Sentinel-2자료 중 Band 1~12까지 총 13개(Band 8은 8과 8A로 2개)의 분광특성자료를 추출하였다. 다음으로 Machine Learning 분석기법의 적용을 위해 algae_monitoring Python library를 구축하였다. 개발된 library는 1) Training Set과 Test Set의 구분을 위한 Data 준비단계, 2) Random Forest, Gradient Boosting Regression, XGBoosting 알고리즘 중 선택하여 적용할 수 있는 모델적용단계, 3) 모델적용결과를 확인하는 Performance test단계(R², MSE, MAE, RMSE, NSE, KGE 등), 4) 모델결과의 Visualization단계, 5) 선정된 모델을 활용 위성자료를 녹조값으로 변환하는 적용단계로 구분하여 영주댐뿐만 아니라 다양한 유역에 범용적으로 적용할 수 있도록 구성하였다. 본 연구의 사례에서는 Sentinel-2위성의 12개 밴드, 기상자료(대기온도, 구름비율) 총 14개자료를 활용하여 Machine Learning기법 중 Random Forest를 적용하였을 경우에, 전반적으로 가장 높은 적합도를 나타내었으며, 적용결과 Test Set을 기준으로 NSE(Nash Sutcliffe Efficiency)가 0.96(Training Set의 경우에는 0.99) 수준의 성능을 나타내어, 광역적인 위성자료와 충분히 확보된 현장실측 자료간의 데이터 학습을 통해서 조류 모니터링 분석의 효율성이 획기적으로 증대될 수 있음을 확인하였다.

• Radiation Oncology Journal
• /
• 제16권1호
• /
• pp.71-79
• /
• 1998

목적 : 비 상업용 3차원 컴퓨터치료계획시스템인 Plunc의 구축 사례를 소개하고 이의 임상적용 가능성에 대하여 검증하고자 한다. 대상 및 방법 : 미국 North Carolina 대학에서 개발된 3차원 치료계획시스템인 Plunc의 소스코드를 제공받아, PC용 Unix인 Linux 환경의 Pentium Pro 200MHz(128MB RAM, Millennium VGA)에서 설치하였다. 본과의 6MV 광자선(Siemens MXE 6740)에 대한 출력인자, 최대산란비, 최대산란인자, 쐐기의 모양 및 감쇄인자 등의 빔데이터를 입력한 후, 일반적인 치료조건인 loom 깊이의 회전중심점에서의 심부선량백분율, 선량측면도, oblique 입사빔 및 공기간격 하에서의 선량계산 결과를 물팬톰에서의 측정치와 비교, 분석하였다. 결과 : Plunc는 원래 CT 영상데이터를 이용한 모의치료기로써 개발되어, 빔 설계가 매우 편리하도록 사용자 인터페이스가 구성되어 있으며, BEV, DRR 및 영상합성 등의 기능을 갖추고 있다. 선량계산은 10초 정도가 소요되는 3차원 선량분포나 선량체적히스토그람을 제외하고는 거의 실시간으로 실행되었다. Plunc에 의한 선량 계산 값을 측정값과 비교한 결과, 심부선량백분율의 경우, 선량증가영역을 제외하고는 $1\%$이내에서 일치하였다. 또한, 선량측면도의 경우, $5\%$가량의 선량감소를 나타내는 치료영역 크기 밖의 저선량 영역을 제외하고는 $2\%$ 이내에서 일치하였다. Oblique 입사 빔의 경우, 빔 중심축을 포함하는 평면상의 선량분포가 선량이 $30\%$ 이하인 영역을 제외하고는 비교적 잘 일치하였다. 공기간격을 통과한 빔에 대한 선량측면도의 비교 결과, 중심 축에서의 선량 값에 대해 $5\%$의 오차를 보였다. 결론 : Plunc의 광자선량계산의 정밀도는 일반적인 치료조건하에서 약 $2-5\%$ 내외의 오차로써, 측정치에 대한 보정에 근거한 알고리즘을 사용하는 일반 치료계획시스템과 비슷한 수준이라 사료된다. 현재로서는 전자선에 대한 선량계산이 불가능하기 때문에 완전한 형태의 치료계획시스템이 되기 위해서는 향후, 전자선에 대한 계산모듈의 개발과 광자선 선량계산 또한 보다 정밀한 선량계산이 가능한 컨벌루션 방법과 같은 3차원 선량계산모듈의 개발도 필요하다. Plunc는 상업용 3차원 치료계획 시스템의 사용이 현실적으로 어려운 여건의 병원에서 2차원 치료계획시스템과 상호 보완적으로 사용한다면 2차원 치료계획시스템이 갖는 많은 제약을 극복할 수 있을 것으로 사료된다.

• 경영과정보연구
• /
• 제39권3호
• /
• pp.1-16
• /
• 2020

현재 운영되고 있는 관세신고납부제도는 납세의무자가 세액 산정을 스스로하고 그 세액을 본인 책임으로 납부하도록 하는 제도이다. 다시 말해, 관세법상 신고 납부제도는 납세액을 정확히 계산해서 납부할 의무와 책임이 온전히 납세의무자에게 무한정으로 부과하는 것을 원칙으로 하고 있다. 따라서, 만일 납세의무자가 그 의무와 책임을 제대로 행하지 못했을 경우에는 부족한 만큼의 세액 추징과 그에 대한 제제로 가산세를 부과하고 있다. 이러한 이유로 세액 산정의 기본이 되는 품목분류는 관세평가와 함께 가장 어려운 부분이며 잘못 분류하게 되면 기업에게도 큰 리스크가 될 수도 있다. 이러한 이유로 관세전문가인 관세사에게 상당한 수수료를 지불하면서 수입신고를 위탁하여 처리하고 있는 실정이다. 이에 본 연구에서는 수입신고 시 신고하려는 품목이 어떤 것인지 HS 코드 분류를 하여 수입신고 시 기재해야 할 HS 코드를 추천해 주는데 목적이 있다. HS 코드 분류를 위해 관세청 품목분류 결정 사례를 바탕으로 사례에 첨부된 이미지를 활용하여 HS 코드 분류를 하였다. 이미지 분류를 위해 이미지 인식에 많이 사용되는 딥러닝 알고리즘인 CNN을 사용하였는데, 세부적으로 CNN 모델 중 VggNet(Vgg16, Vgg19), ResNet50, Inception-V3 모델을 사용하였다. 분류 정확도를 높이기 위해 3개의 dataset을 만들어 실험을 진행하였다. Dataset 1은 HS 코드 이미지가 가장 많은 5종을 선정하였고 Dataset 2와 Dataset 3은 HS 코드 2단위 중 가장 데이터 샘플의 수가 많은 87류를 대상으로 하였으며, 이 중 샘플 수가 많은 5종으로 분류 범위를 좁혀 분석하였다. 이 중 dataset 3로 학습시켜 HS 코드 분류를 수행하였을 때 Vgg16 모델에서 분류 정확도가 73.12%로 가장 높았다. 본 연구는 HS 코드 이미지를 이용해 딥러닝에 기반한 HS 코드 분류를 최초로 시도하였다는 점에서 의의가 있다. 또한, 수출입 업무를 하고 있는 기업이나 개인사업자들이 본 연구에서 제안한 모델을 참조하여 활용할 수 있다면 수출입 신고 시 HS 코드 작성에 도움될 것으로 기대된다.

• 대한원격탐사학회지
• /
• 제36권5_1호
• /
• pp.847-860
• /
• 2020

2-pass DInSAR (Differential Interferometric SAR) 기법을 이용한 DEM 생성 방법은 SAR 영상쌍 간의 정합, 간섭도 생성, 위상 unwrapping, DEM오차 계산, 좌표계 변환 등 복잡한 단계가 필요하다. 이러한 각 단계별 자료처리 정확도는 최종적으로 생성되는 DEM의 성능에 영향을 미치게 된다. 본 연구에서는 TanDEM-X bistatic SAR 영상의 2-pass DInSAR 기법 기반 DEM 생성 방법에 대한 성능 향상을 위한 개선된 방법을 개발하였다. 개발된 DEM 생성 방법은 unwrapped 위상 내의 DEM 오차와 좌표계 변환 시 발생할 수 있는 DEM오차를 현저히 줄일 수 있는 방법이다. 개발된 알고리즘의 성능 분석은 GPS 측량으로부터 생성한 지상기준점(Ground Control Point, GCP)을 이용하여 기존의 방법과 새로 제안된 알고리즘 적용 결과의 수직정확도(Root Mean Square Error, RMSE)를 비교하여 수행하였다. 실제 unwrapped 위상 및 좌표계변환 오차에 대한 보정을 수행하지 않고 생성한 DInSAR 기반 DEM의 고도 오차는 수직정확도는 39.617 m로 관측되었고, 제안한 방법을 통하여 생성한 DEM의 수직정확도는 2.346 m로 향상됨을 확인할 수 있었다. 제안하는 2-pass DInSAR 기법을 통해 reference로 사용한 SRTM 30 m DEM(수직정확도 5.567 m)에 DInSAR로 관측한 SRTM DEM 오차를 보상하여 최종적으로 공간해상도는 약 5배, 수직 정확도는 약 2.4배 향상된 DEM을 생성할 수 있었다. 또한, 제안한 방법을 통하여 생성한 DEM의 공간해상도를 SRTM 30 m DEM과 TanDEM-X 90 m DEM과 일치시키고 수직정확도를 비교한 결과 각각 약 1.7배 및 1.6배 향상되어 제안하는 2-pass DInSAR 기반 DEM 생성 방법으로 보다 정확한 DEM 생성이 가능함을 확인할 수 있었다. 빈번한 형태학적 변화를 갖는 지역에 대한 DEM의 지속적인 업데이트를 위하여 본 연구에서 도출한 방법을 이용한다면 저비용으로 빠른 시간 내에 효과적으로 DEM을 갱신할 수 있을 것이다.

• 한국음향학회지
• /
• 제20권4호
• /
• pp.35-41
• /
• 2001

본 논문에서는 선형 판별분석 (LDA: Linear Discriminant Analysis)과 공통벡터 추출방법을 이용한 음성인식방법을 제안하였다. 음성신호는 화자의 성별, 나이, 출생지, 주위 잡음, 정신적 상태, 발성기관의 구조 등과 같은 다양한 정보를 포함하고 있다. 이로 인해 같은 음성신호라 할지라도 서로 다른 화자가 발성하게 되면 서로 다른 특성을 보이게 된다. 음성신호의 이러한 성질은 같은 음성군 (class)에 포함된 공통된 특성벡터를 추출하는 일을 상당히 어렵게 한다. 음성신호에서 공통된 특징 벡터를 추출하는 방법은 KLT (Karhunen-Loeve Transformation)와 같이 선형 대수적인 접근방법이 많이 사용되어지고 있으나, 본 논문에서는 M. Bilginer et al.이 제안한 공통벡터 추출 방법을 사용하였다. M. Bilginer et al.이 제안한 방법은 주어진 훈련 음성신호들에 대하여 최적의 공통 벡터를 추출하여 주면서 공통벡터 추출에 사용된 훈련 데이터에 대해서는 100%의 인식결과를 보여준다. 그러나 공통벡터 추출을 위한 훈련 음성신호의 수를 무한히 늘릴 수 없다는 점과 공통벡터들간의 구별정보 (discriminant information)가 정의되지 않았다는 단점이 있다. 본 논문에서는 단어그룹간 (class) 구별정보를 추출된 공통벡터와 결합해 단어간의 오인식률 (error rate)을 감소시킬 수 있는 방법과 공통벡터 추출방법에 적합한 파라미터 가공 방법을 제안하였다. 공통벡터 추출방법은 음성신호의 시간 축 정규화 방법과 벡터의 차원 크기에 따라 인식시간과 인식률에 영향을 받는다. 따라서 부적절한 시간 축 정렬과 너무 큰 벡터의 차원 수는 인식률 저하 등과 같이 알고리즘의 효율성을 떨어뜨린다. 본 논문에서 제안한 방법을 사용하여 실험한 결과 알고리즘의 효율성이 증가되었으며, 기존방법보다 약 2％정도의 향상된 인식률을 얻을 수 있었다.낮추는 효과를 나타내었다.다. 이상의 결과를 통하여 추출 온도와 용매 농도에 따른 수율의 차이가 있었으며 free radical 소거 활성에서는 종자 에탄을 추출물이 과피 에탄올 추출물 보다 145배 이상의 현저히 높은 활성을 나타내었다.을 나타내었다.'Lian(연)' : repeatability, continuance, plenty and intercommunicate, 2. 'Lian(연)'-'Lian(염)': integrity, 3. 'He (하)'-'He(화)' : peace, harmony and combination, 4. 'He(하)'-'He(하)' : clear river, 5.'He(하)'-'He(하)' ; all work goes well. When the Chinese use lotus patterns in lucky omen patterns, same pronunciation and pitch of Chinese language more prominent than natural properties or the image of Buddhism. I guess that it cause praying individual's peace and happiness more serious than philosophical meaning or symbol that base in Buddhism for ordinary people.ML., -9.00~12.49 and -19.81~19.81%, respectively). Therefore, it is concluded that the two formulations are bioequivalent for both the extent and the rate of absorption after single dose administration.ation.ion.ion.ation.ion.n. fibrosis, collagen bundle) was

• 농업생명과학연구
• /
• 제53권6호
• /
• pp.23-33
• /
• 2019

본 연구는 우리나라의 전체 국유림에 대한 경영이력 및 경영계획정보가 구축되어 있는 국유림경영정보시스템이 관련 법령(국유림경영계획 작성 및 운영요령)의 변경에 따라, 개정 전에는 평균 흉고직경값만 입력하도록 구축되어 있으나 개정 후에는 평균 흉고직경, 최저·최고 흉고직경값으로 표기하는 것으로 변경되었다. 이와 관련하여 기 구축되어 있는 모든 흉고직경값을 최저·최고 흉고직경값으로 변환할 수 있는 추정 알고리즘이 필요하다. 따라서 본 연구는 국유림경영정보시스템에 포함되어 있는 12개 주요 수종에 대한 최저·최고 흉고직경을 자동으로 표기할 수 있는 추정식을 개발하기 위해 수행하였다. 최저·최고 흉고직경 추정식을 개발하기 위하여 제5~6차(2006~2015년) 국가산림자원조사(National Forest Inventory, NFI)의 6,858개 고정표본점 자료를 이용하였다. 최저·최고 흉고직경 추정식 도출을 위하여 흉고직경, 임령, 수고의 3가지 생장변수를 이용한 흉고직경-임령, 흉고직경-수고의 2가지 추정모형을 적용하였다. 본 연구에서 가장 적합한 최저·최고 흉고직경 추정모형은 흉고직경과 수고 변수를 이용한 추정식 Dmin=a+bD+cH, Dmax=a+bD+cH으로 나타났으며, 12개의 주요 수종의 최소 최대 흉고직경 추정식을 개발하였다.

• 지능정보연구
• /
• 제24권2호
• /
• pp.85-109
• /
• 2018

추천시스템은 사용자의 과거 구매행동을 통해 향후 구매할 것이라고 예상되는 제품을 자동으로 검색하여 추천해준다. 특히 전자상거래 기업의 상품추천시스템은 일대일 마케팅의 대표적 실현수단으로 가치가 있다. 하지만, 전통적인 추천시스템, 특히 학계 및 산업계에서 가장 널리 사용되고 있는 전통적인 협업필터링 기법은 단일차원의 '종합 평점'만을 고려하여 추천결과를 생성하도록 설계되어 있어, 사용자들의 정확한 니즈를 이해하고 대응하는데 근본적인 한계가 있다. 최근에는 전자 상거래 기업들도 고객들로부터 보다 다각화된, 다기준 방식으로 피드백을 받고 있다. 특히 다기준 평점은 정량적으로 입력되는 정보이므로 상대적으로 분석 및 처리가 용이하다는 장점이 있다. 그러나 다기준 평점 역시 사전에 정해진 기준에 대해서만 사용자의 피드백이 이루어지기 때문에, 보다 상세하게 사용자의 의견을 이해하여 추천에 반영하는 데에는 한계가 있다. 이에 본 연구는 다기준 평점 정보와 선택적 협업필터링의 서로 다른 접근방법을 통해 도출된 추천결과를 종합하여, 최종적으로 추천 대상리스트를 산출할 수 있는 하이브리드 기술을 제안한다. 본 연구에서 제안한 연구모형의 유용성을 검증하기 위해, 식음료점(식당, 카페 등)에 대한 실제 이용자를 대상으로 온라인 설문을 통해 종합 평점과 다기준 평점을 수집하였으며, 데이터를 학습용과 검증용으로 구분하여 학습시키고 성과를 평가하였다. 이 기법은 결합 함수 기반 접근법과 사용자마다 구매의사결정의 체계가 다르다는 전제하에, 사용자들을 유형화하고, 유형에 따라 정보원을 선택적으로 활용하는 협업필터링 알고리즘을 활용했다. 실험결과, 제안 알고리즘을 통한 추천 방법이 단일 차원을 고려하는 전통적인 협업필터링과 비교해 더 우수한 예측정확도를 나타냄을 확인했다. 아울러, 본 연구가 제안하는 다기준 평점과 선택적 협업필터링 알고리즘을 종합하여 추천하는 방법이, 단순히 다기준 평점을 고려했을 때 보다 통계적으로 유의한 수준의 정확도의 개선이 이루어짐을 확인할 수 있었다.

• 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.