• 미술자료
• /
• 제101권
• /
• pp.12-46
• /
• 2022

1467년에 완성된 원각사13층석탑은 한국 역사상 최후의 호불군주에 의한 최후의 도성불탑이다. 필자는 세조가 즉위 10년을 맞이하여 도성(都城) 중심부에 13층석탑을 세우고 탑에 석가사리(釋迦舍利)와 함께 '신역원각경(新譯圓覺經)'을 봉안한 뜻을 세조의 관점에 입각하여 살펴보았다. 머리말에 이어 제II장에서는 13층탑의 경전적 배경을 다각도로 고찰하였다. 특히 필자는 13층탑 건립의 직접적인 소의경전으로서 『대반열반경후분(大般涅槃經後分)』을 최초로 발굴하고, 이 경전이 7세기 후반 중부 자바에서 번역되고 동아시아에 유통된 사실을 추적하였다. 아울러 13층탑의 기원으로서 이른바 카니시카양식의 탑을 주목하고 동아시아와 한국에서의 13층탑 조성 사례를 개관하였다. 그리고 불교문헌을 탐색하여 '13층'이 깨달음[Buddha]으로 나아가는 수행 단계를 상징함을 입증하였다. 확실히 '13'은 불교도에게는 매우 특별하면서도 신성한 숫자라 할 수 있다. 이어서 제III장에서는 세조의 원각사13층탑 건립의 불교적 정치적 함의를 탐색하였다. 불교적 함의와 관련해서는, 세조가 중국에서 직접 구입하여 조선에 최초로 유통시킨 『번역명의집(翻譯名義集)』과, 그가 최초의 한글 번역에 직접 개입한 『원각경(圓覺經)』에 주목하였다. 『번역명의집』은 14세기에 출현한 일종의 불교용어집인데, 세조는 원각사탑을 창건할 무렵 이 문헌을 통하여 13층탑의 소의경전인 『대반열반경후분』을 알았을 것으로 추론하였다. 한편 세조는 대장경 전체를 상징하는 단일경전으로 '신역 원각경'을 원각사탑에 봉안하였는데, 이것이 바로 그가 최초의 한글 번역에 깊이 관여한 『원각경언해』였다. 아울러 『원각경언해』의 저본은 지금까지 알려진 것과 달리 종밀(宗密)의 『원각경략소(圓覺經略疏)』임을 밝혔다. 원각사탑 건립의 정치적 함의와 관련해서는, 조선 초 왕실의 능사(陵寺)(또는 진전사원(眞殿寺院))에 세워진 석탑-경천사13층석탑(敬天寺13層石塔), 개경사석탑(開慶寺石塔), 연경사석탑(衍慶寺石塔), 신륵사다층석탑(神勒寺多層石塔)-들을 비교 검토하였다. 그 결과 세조가 자신의 왕위계승에 정당성을 부여하기 위하여 정치적 상징으로서 원각사13층석탑을 건립하였다는 결론에 도달하였다. 본고에서 필자는 13층탑으로서의 원각사탑의 의미체계를 온전히 파악하고자 하였다. 이러한 시도는 여말선초 정점에 달한 불탑 문화를 이해할 뿐 아니라, 카니시카대탑에서 기원하고 『대반열반경후분』에 근거하는 동아시아의 13층탑을 연구하는 데 한국적 연구모델로서 기여하리라 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.