• Childhood Kidney Diseases
• /
• 제10권1호
• /
• pp.8-17
• /
• 2006

목적 : 생체 외 당뇨병 상태로서 고농도의 당을 포함하는 배양액과 후기당화합물을 적용하여 세포배양하고 이때에 나타나는 병리적 변화, 즉, 세포외 기질의 변화와 형태학적 변화와 함께 투과성(여과율)의 변화를 살펴보았고 동시에 당뇨병성 신증에서의 단백뇨의 기전을 설명하고자 하였다. 방법 : 후기당화합물의 준비를 위해 50mg/mL BSA(Fraction V, Sigma)와 pretense inhibitor를 포함한 PBS(pH 7.4)에 glucose-6-phosphate를 섞어 0.2 M의 용액을 만들었다. BSA를 대조군으로 하였으며, 후기당화합물과 BSA를 $5{\mu}g/cm^2$ surface area의 농도가 되도록 붓고 다음과 같은 비교 대상의 culture dishes를 만들었다(B5; BSA만 첨가 - 5 mM, B30; BSA만 첨가 - 30mM, A5; 후기당화합물만 첨가 - 5 mM, A30; 후기당화합물만 첨가 - 30 mM, A/B 25: osmotic control - 25 mM mannitol). 이틀 배양 후와 일 주 배양 후 각각의 culture dishes에 있는 heparan sulfate proteoglycan (HSPG)양을 ELISA를 이용하여 측정하고 B5를 대준군으로 하여 각각 비교하였다. 각각의 colture dishes에 있는 사구체 상피세포를 scanning EM(Hitachi S-570, Japan)을 이용하여 형태학적 관찰을 하였다. Cellulose semi-permeable membrane을 이용하여 각각의 culture dishes에서 두 시간 동안 apical chamber를 통해 여과되는 BSA양을 sandwich ELISA method로 측정하여 투과성에 대한 분석을 하였다. 결과 : 이틀 동안 배양 후 측정한 대조군을 포함한 다섯 culture dishes의 HSPG양은 통계학적 차이는 없었다. 일 주 배양 후에 이틀 동안 배양한 B5 dish에 비해서 일 주 배양한 A30 dish를 제외한 일 주 배양한 모든 dishes에서 10% 이상의 HSPG양의 증가를 보였다(P<0.05) 일 주 배양한 B5 dish에 비해선 일 주 배양한 A30과 B30 dish에서 각각 HSPG양이 각각 77.8%와 95.3%로 감소하였고(P>0.05), osmotic control group(A/B 25)에선 통계적으로 유의한 차이를 보이지 않았다(P>0.05). 후기당화합물이 첨가된 경우에 SEM상 분리된 세포사이이음(intercellular junction)과 융합된 미세융모를 관찰할 수 있었다. BSA의 투과성은 일 주 배양 후 A30 dish에서만 일 주 배양 후 B5 dish에 비해 19% 증가하는 소견을 보였으나 통계적인 유의성은 없었다(P>0.05). 결론 : 사구체 상피세포의 HSPG 형성의 감소에 고농도의 당과 후기당화합물은 서로 부가적인 역할을 하고 후기당화합물이 더 큰 역할을 함을 알 수 있다. HSPG 감소 소견과 더불어 SEM상 장기간 고혈당을 유지하면 사구체 여과기전에서 size-selective와 charge-selective 장벽에 결함을 유발할 수 있으며 당뇨병에서의 단백뇨의 기전 중 하나로 생각된다.

• 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.