• 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.

• 한국토양비료학회지
• /
• 제1권1호
• /
• pp.89-115
• /
• 1968

영양조건(營養條件)으로서 가리(加里)가 대사과정(代謝過程)의 활성화(活性化) 내지조정자(乃至調整者)라는 견지(見地)에서 가리공급수준과(加里供給水準) 생태적조정조건(生態的調整條件)이라고 볼 수 있는 온도주기성(溫度週期性)이 고구마 생육(生育)과 몇 가지 동위원소(同位元素) 동태(動態)에 미치는 영향(影響)을 살피었다. 역경배양하(礫耕培養下) 저수준가리구(低水準加里區)(3m.e/l)는 생장(生長)을 현저(顯著)히 억제(抑制)할 뿐 아니라 말기(末期)에는 대리(待異)한 생장점(生長點) 위조현상(萎凋現象) 등을 나타나게 하였다. 고수준가리구(高水準加里區)(14m.e/l) 특히 암기저온구(暗期低溫區)는 현저(顯著)한 초장(草丈), 마디수(數), 생체중증대(生體重增大)를 가져오고 질소효과와 비슷한 영양생장촉진생육상(營養生長促進生育相)을 나타냈으나 함유질소(含有窒素)를 분석(分析)한 결과 저수준가리구(低水準加里區)가 평균(平均) 2.86~3.23% 고수준가리구(高水準加里區)가 2.91~3.41%로서 큰 차이(差異)를 나타낸 것으로 볼 수 없다. 따라서 고수준가리구(高水準加里區)의 영양생장촉진형(營養生長促進型) 유도(誘導) 특히 초장촉진(草丈促進)은 가리(加里)가 질소흡수(窒素吸收)를 촉진(促進)한데 연유(然由)한 것이 아니라 가리자체(加里自體)의 효과로 보인다. 저수준가리구(低水準加里區)에서는 괴근형성(塊根形成)이 불능(不能)하였지만 고수준가리구(高水準加里區)에서는 영양생장촉진생육상(營養生長促進生育相)에 수반하며 질소효과와는 달리 후기(後期)에는 괴근형성(塊根形成)도 왕성(旺盛)하였다. 고수준가리구중(高水準加里區中)에서도 암기저온구(暗期低溫區)에서는 더욱 영양생장촉진경향(營養生長促進傾向)이 원저(願著)하고 암기고온구(暗期高溫區)에서는 지상부대지하부비(地上部對地下部比), 또는 괴근비(塊根比)가 월등(越等)하여 원래(元來)의 온도주기성(溫度週期性)의 효과가 고수준가리(高水準加里)에 의(依)하며 변화(變化)된 것으로 보인다. 인(燐)-32 가리(加里)-42의 개체당(個體當) 흡수(吸收) 및 흡수율(吸收率)은 고수준(高水準) 가리구(加里區)에서 현저(顯著)하고 특(特)히 괴근형성기(塊根形成期) 및 괴근생성(塊根生成)이 가장 왕성(旺盛)한 구(區)에서 증대(增大)되고 있나 p-32보다 k-42동태(動態)가 이점(點)에 관하여 더 활발(活潑)한 것을 볼 수 있다. 저수준가리구(低水準加里區)에서는 P-32, K-42의 지상부(地上部)로의 이동(移動)이 억제(抑制)되고 고수준가리구(高水準加里區)에서는 촉진(促進)되고 있다. 즉 가리(加里)가 인(燐)-32와 가리(加里)-42의 지상부전이(地上部轉移) 특(特)히 생장점(生長點)으로의 전이(轉移)에 밀접(密接)한 관계(關係)를 가지고 있다. 가리함량(加里含量)은 고수준가리구(高水準加里區)에서 높고 근신장기(根伸長期)보다 괴근형성기(塊根形成期)에 감에 따라 증가(增加)되고 있지만 인산함량(燐酸含量)은 별차이(別差異)가 없고 나토리움함량(含量)은 가리(加里)와 대조적(對照的)으로 정반대(正反對)의 경향(傾向)을 나타내고 있다. 가리(加里)는 온도주기성(溫度週期性)의 관여하(關與下) 고구마생장(生長)에 지리(持異)한 효과를 나타내고 또 P-32, K-42이동(移動)등 기본적(基本的) 대사과정(代謝過程)에 관여(關與)하기 때문에 공급량(供給量)이나 조건(條件)에 따라서 다양적효과를 가질 수 있는 영양요소(營養要素)라고 본다. 본연구(本硏究)를 지도(指導)하신 조백현원자력위원(趙伯顯原子力委員)과 협조(協調)하여주신 국제원자력기구(國際原子力機構) 및 가리연구회(加里硏究會)에 심사(深謝)한다.

• 대한방사선기술학회지:방사선기술과학
• /
• 제31권1호
• /
• pp.17-23
• /
• 2008

목적 : 골밀도검사의 중요한 부분을 차지하고 있는 검사장비 및 검사자의 정밀도와 정확도는 환경에 따라 차이가 있기 때문에 질 관리가 체계적으로 이루어져야 한다. 골밀도 검사장비의 노화 및 잦은 고장에 의하여 장비의 교체 및 추가 구입으로 인하여, 추적검사를 하는 환자들의 호환성에 문제가 있다. 따라서 장비 교체 및 증설 후 동일한 장비처럼 호환하여 시용해도 환자의 임상적인 골밀도 변화를 정확하고 정밀하게 반영할수 있는지 알아보고자 한다. 재료 및 방법 : 장비 정밀도는 GE Lunar Prodigy Advance 2 대의 장비 (P1, P2)와 HOLOGIC Spine Phantom(HSP)을 이용하여 각 장비에서 20 번씩 스캔하여 팬텀을 이용한 정밀도 데이터를 획득하였고 (Group 1), 여성 120명 (평균나이 48.78, $20{\sim}60$세)을 대상으로 각 장비에서 15명씩, 같은 환자가 두 번 촬영을 하여 각 검사자의 정밀도를 측정했다(Group 2), 또한 검사자의 정밀도는 팬텀(ASP)을 이용하여 매일 아침마다 질 관리 시행후 얻은은 데이터를 기준으로, 각각의 장비에서 HSP를 이용하여 각 장비에서 20번씩 스캔 후 데�歷� 획득하여 검사자정밀도 및교차 보정 데이터를 산출하였고(Group 3), 여성 120명(평균나이 48.78, $20{\sim}60$세)의 동일 환자를 대상으로 한 장비에서 한 번씩 교차로 측정하여 검사자 정밀도 및 교차보정 데이터를 산추라였다(Group 4). 결과 : Daily Q.C Data는 $0.996\;g/cm^2$, 변동계수(%CV) 0.08로 안정된 장비로서 Group 1에서 Mean${\pm}$SD 및 %CV값은 ALP(P1: $1.064{\pm}0.002\;g/cm^2$, $%CV=0.190\;g/cm^2$, P2: $1.061{\pm}0.003\;g/cm^2$, %CV=0.192). Group 2에서 Mean${\pm}$SD 및 %CV값은 P1: $1.187{\pm}0.002\;g/cm^2$, $%CV=0.164\;g/cm^2$, P2: $1.198{\pm}0.002\;g/cm^2$, %CV=0.163, Group 3에서의 Mean${\pm}$2SD 및 %CV는 P1 - (spine: $0.001{\pm}0.03\;g/cm^2$, %CV=0.94, Femur: $0.001{\pm}0.019\;g/cm^2$, %CV=0.96), P2 - (spine: $0.002{\pm}0.018\;g/cm^2$, %CV=0.55, Femur: $0.001{\pm}0.013\;g/cm^2$, %CV=0.48), Group 4에서 Mean${\pm}$2SD 및 %CV는, r값은 spine: $0.006{\pm}0.024\;g/cm^2$, %CV=0.86, r=0.995, Femur: $0{\pm}0.014\;g/cm^2$, %CV=0.54, r=0.998이였다. 결론 : HOLOGIC Spine Phantom과 LUNAR ASP %CV는 ISCD에서 규정한 정상오차 범위인 ${\pm}2%$안에 모두 포함되었고 BMD가 비교적 일정한 값을 유지하면 측정되어 뛰어난 재현성을 보였다. 하지만 Phantom은 환자의 체중이나 체지방 조성의 변화 등 임상적인 부분을 반영하는 데는 한계성을 갖고 있어 mis-calibration을 check하는데 유용할 것으로 판단된다. Group 3과 Group 4의 결과에서 환자를 하나의 장비로 두 번 측정한 값을 보았을 때와 두 대의 장비를 교차하여 측정한 값 모두 2SD값 이내에 포함되었고 선형회귀분석(Regression Analysis) r값이 0.99 이상으로 높은 정밀도와 상관도를 나타냄으로써 두 장비를 호환하여 추적검사를 시행하여도 영향이 없었다. 신뢰있는 BMD 산출을 위해서는 정기적으로 장비 및 검사자의 기능테스트와 이에 대한 적절한 교정행위가 이루어져야 할 것이다.