• 한국항만경제학회지
• /
• 제37권1호
• /
• pp.159-178
• /
• 2021

본 연구는 뉴스 빅데이터 분석 서비스 빅카인즈(BIGKinds)를 활용하여 1991년부터 2020년까지 30년간의 86,611건의 뉴스기사를 통해 항만이슈변화를 분석하였다. 분석방법은 빅카인즈(BIGKinds)의 키워드분석, 워드클라우드, 관계도분석을 수행하였다. 지난 30년간의 이슈변화를 살펴본 분석결과를 정리하면 다음과 같다. 첫째, 1기(1991년~2000년)에서는 부산항, 인천항, 광양항 등 항만 자체적 측면에서 항만경쟁력을 강화하는데 초점이 맞춰졌다. 2기(2001년~2010년)에는 항만을 개별적으로 관리하는 노력에서 발전되어 항만을 보다 전문적이고 체계적으로 관리하기 위해 부산항만공사(2004년 설립), 인천항만공사(2005년 설립), 울산항만공사(2007년 설립) 등 항만공사를 중심으로 항만을 특화시키고 관리하고자 하는 움직임이 활발히 이루어졌다. 3기(2011년~2020년)에서는 미래형 항만을 위해 준비하는 기간으로 친환경·스마트항만이 주요 이슈였다. 항만에서 발생하는 미세먼지와 오염물질을 줄이려는 노력이 심화되었으며, 항만자동화 및 디지털화를 통해 스마트항만을 구축하려는 시도가 높아졌다. 마지막으로 2020년은 코로나19라는 전 세계의 예기치 못한 변수로 인해 항만분야에도 큰 타격을 준 한해였다. 좀 더 미시적으로 코로나19사태가 항만분야에 어떻게 영향을 미치는지를 살펴보기 위해 2019년과 2020년의 이슈변화를 살펴보았다. 코로나19 이후 항만산업을 포함한 해운업은 미래형 항만으로 발전시켜 나가는 흐름과 더불어 포스트코로나시대를 준비해야하는 어느 때보다 역동적인 변화가 나타나는 시기로 나타났다. 본 연구는 항만관련 뉴스기사를 중심으로 이슈변화의 시사점을 도출한 연구로서, 연구결과를 기반으로 향후 여러 국가의 항만이슈들을 비교 분석하고 항만의 경쟁력과 지속가능한 발전전략을 제시하는 등 심층적인 연구가 이루어진다면 항만연구분야에 학문적 성장이 한걸음 더 이루어질 것으로 보인다.

• 공연문화연구
• /
• 제36호
• /
• pp.751-781
• /
• 2018

월정사 탑돌이는 광복 이후 재현된 첫 번째 불교민속놀이로 불교문화로서의 대표성과 역사성을 지닌 주요 무형문화재이다. 월정사 탑돌이는 한국 고유의 전통성과 강원도의 정체성이 내재된 불교민속유산이라는 점에서 지정 가치가 크다. 전국 사찰에서 탑돌이가 시연되고 있지만 무형문화재 지정을 기반으로 체계적인 전승이 이루어지고 있는 경우는 월정사 탑돌이가 유일하다. 월정사 탑돌이의 문화재 내재적 가치에 주목해야 할 이유이다. 탑돌이는 부처님, 탑에 대한 예경방식의 총체적 표현물이다. 월정사 탑돌이의 원형은 추정하기 어려우나, 월정사의 역사성으로 보아 고구려 계통의 놀이와 신라 복회(福會)에 닿아 있다. 고구려벽화의 달, 오대산 화엄사상경 배경과 팔각구층탑의 본질의 측면에서 우요삼잡의 예법에 부합한다. 탑돌이 때 처음에는 범종, 고(鼓), 운판, 목어의 사법악기(四法樂器)만 쓰이다가 후에 삼현육각(三弦六角)이 합쳐지고, "보렴"과 "백팔정진가"을 부른 것을 보면 처음에는 순수한 불교의식이던 것이 차츰 민속화해서 민중 속에 전파된 것을 알 수 있다. 월정사 탑돌이의 전형은 회향의례의 환희심을 체험하는 우요삼잡의 풀이와 관련된다. 절에서 대재(大齎)가 있으면 신도들은 공양을 올린다. 이때에 염불, 범음(梵音), 범패(梵唄)가 따르며, 재가 끝나면 신도는 승려와 함께 불탑을 돌면서 부처님의 공덕을 빌고, 또 저마다의 기원을 빈다. 일신의 왕생극락은 물론 국태민안을 빌어 태평성대를 누리고자 하였다. 큰 재일수록 많은 신도들이 모이며 따라서 탑돌이도 성황을 이루었다. 법음(法音)에 맞춰 제각기 소원을 외면서 탑을 도는 모습은 엄숙하였다. 월정사 탑돌이의 변형과 융합에 대한 발상은 전형 곧 문화재 지정의 취지 유지와 정체성 차원을 살리되 전승의 공연화를 위한 계승적 전략이 필요하다. 한국탑돌이는 4월 초팔일과 중추절인 한가위 날에는 탑돌이가 있었다. 탑돌이의 공연성은 스님이 염주를 들고 탑을 돌면서 부처의 큰 뜻과 공덕을 노래하면 사찰 신도들이 그 뒤를 따라 등을 밝혀 들고 탑을 돌면서 극락왕생을 기원하는 회향형(回向型) 불교민속놀이에 있다. 공연성 활성화는 신행 보유자 전승교육, 전문가 자문의 다차원 접근, 원형 재현의 담론 등을 단계적으로 보강하여야 한다.

• 지능정보연구
• /
• 제27권1호
• /
• pp.47-64
• /
• 2021

전 세계적으로 퍼진 코로나 19 상황은 우리의 일상생활의 많은 부분에 영향을 끼쳤을 뿐만 아니라, 경제·사회 등 많은 부분에 걸쳐 막대한 영향력을 미치고 있다. 확진자와 사망자 수가 증가함에 따라 의료진과 대중은 불안, 우울, 스트레스 등 심리적인 문제를 겪고 있다고 한다. 장기적인 부정적인 감정은 사람들의 면역력을 감소시키고 신체적인 균형을 파괴할 수도 있으므로 코로나 19로 인한 심리적인 상태를 이해하는 것이 필수적인 상황이다. 본 연구에서는 코로나 19 감정과 관련된 뉴스 데이터를 수집하여, 텍스트 마이닝을 통해 키워드를 분류하고, 키워드 사이의 의미 네트워크 분석을 통해 단어들의 관계를 시각화하였다. 코로나 감정과 관련된 기사의 키워드에 나타난 단어들의 빈도수를 확인하고 이를 워드 클라우드로 분석하였다. 키워드 빈도 분석 결과 코로나 19 감정과 관련하여 '중국', '불안', '상황', '마음', '사회', '건강'과 같은 단어의 빈도가 높게 나타난 것을 확인할 수 있었다. 각 데이터 간 연결 중심성을 분석한 결과 키워드 중심성 네트워크에서 가장 중심적인 핵심어는 '심리'와 '코로나 19', '블루', '불안'이라는 단어가 높은 연결 중심성을 가지는 것을 확인할 수 있었다. 기사의 헤드라인에 나타난 주요 핵심어 사이의 동시 출현 빈도 네트워크를 그래프로 시각화한 결과, '코로나-블루' 쌍이 가장 굵게 표시되었고, '코로나-감정', '코로나-불안' 쌍이 비교적 굵은 선으로 표시된 것을 알 수 있었다. 코로나와 관련된 '블루'는 우울증을 의미하는 단어로, 코로나와 우울증은 이제 관심을 가져야 할 키워드임을 확인할 수 있었다. 본 연구에서는 장기화한 코로나 19 상황에서 신체적인 방역뿐만 아니라 심리적인 방역에도 힘써야 할 이 시기에 보건 정책담당자가 빠르고 복잡한 의사결정 과정에 도움이 되고자 미디어 뉴스를 모니터링 함으로써, 더욱더 쉬운 소셜 미디어 네트워크 분석 방법을 제시하고자 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.