KR100818493B1 - Method for analyzing and predicting error generated in broadcasting system and apparatus therefor - Google Patents

Method for analyzing and predicting error generated in broadcasting system and apparatus therefor Download PDF

Info

Publication number
KR100818493B1
KR100818493B1 KR1020060094309A KR20060094309A KR100818493B1 KR 100818493 B1 KR100818493 B1 KR 100818493B1 KR 1020060094309 A KR1020060094309 A KR 1020060094309A KR 20060094309 A KR20060094309 A KR 20060094309A KR 100818493 B1 KR100818493 B1 KR 100818493B1
Authority
KR
South Korea
Prior art keywords
failure
function
broadcasting system
prediction model
predicting
Prior art date
Application number
KR1020060094309A
Other languages
Korean (ko)
Inventor
오덕원
은원철
박헌주
신승호
Original Assignee
티유미디어 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 티유미디어 주식회사 filed Critical 티유미디어 주식회사
Priority to KR1020060094309A priority Critical patent/KR100818493B1/en
Priority to PCT/KR2007/004671 priority patent/WO2008038975A1/en
Application granted granted Critical
Publication of KR100818493B1 publication Critical patent/KR100818493B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/24—Testing correct operation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L2001/0092—Error control systems characterised by the topology of the transmission link
    • H04L2001/0093—Point-to-multipoint

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

A method and an apparatus for analyzing and predicting an error generated in a broadcasting system are provided to analyze the error periodically generated in the broadcasting system and predict the generation date of the error in the future, thereby previously preventing the error. A method for analyzing and predicting an error generated in a broadcasting system comprises the following steps of: defining the types of errors generated in the broadcasting system(S200); analyzing defined error data(S210); extracting error factors from the analyzed error data to derive a prediction model function(S220); completing the prediction model function through a gene algorithm using the error data generated during a predetermined period on the basis of the derived prediction model function(S230); and predicting a specific type of an error generated in the broadcasting system through the completed prediction model function(S240).

Description

방송시스템에서 발생되는 장애를 분석하고 예측하는 방법 및 장치{Method for analyzing and predicting error generated in broadcasting system and apparatus therefor}Method for analyzing and predicting error generated in broadcasting system and apparatus therefor}

도 1은 본 발명의 바람직한 일 실시예에 따른 방송시스템에서 발생되는 장애를 분석하고 예측하는 장치를 간략히 나타내는 도면이다.1 is a diagram schematically illustrating an apparatus for analyzing and predicting a failure occurring in a broadcasting system according to an exemplary embodiment of the present invention.

도 2는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법을 나타내는 흐름도이다.2 is a flowchart illustrating a method of analyzing and predicting a failure occurring in a broadcasting system.

<도면의 주요 부분에 대한 부호의 설명><Explanation of symbols for the main parts of the drawings>

S210: 장애데이터 분석단계 S220: 함수도출단계S210: Analysis of fault data step S220: Function derivation step

S230: 함수완성단계 S240: 테스트 예측단계S230: function completion step S240: test prediction step

S250: 보정값 산출단계 S260: 함수 보정단계S250: Compensation value calculation step S260: Function correction step

S270: 예측단계S270: Prediction Step

본 발명은 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법 및 장치에 관한 것으로, 방송시스템에서 주기적으로 발생하는 장애를 분석하고, 향후 장애 의 발생 일자를 예측함으로써 사전에 장애를 방지할 수 있도록 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for analyzing and predicting a failure occurring in a broadcasting system. The present invention relates to analyzing a failure occurring periodically in a broadcasting system and predicting a failure date in the future to prevent failure in advance. The present invention relates to a method and apparatus for analyzing and predicting an obstacle occurring in a broadcasting system.

먼저, 유전자 알고리즘은 1975년 John Holland에 의하여 제안된 것으로, 생물학적 진화 현상을 모델화하여 전역적인 탐색을 통하여 최적화 문제 등을 해결할 수 있는 탐색 방법 중의 하나이다. 유전자 알고리즘은 평가 함수(적합도 함수), 유전 연산자 그리고 문제의 해를 표현하는 염색체로 구성되며, 염색체를 점진적으로 개선시켜 나감으로써 최적의 해를 얻게 된다.First, the genetic algorithm, proposed by John Holland in 1975, is one of the search methods that can solve the optimization problem through global search by modeling biological evolution phenomenon. Genetic algorithms consist of an evaluation function (a fitness function), a genetic operator, and a chromosome representing the solution of the problem, and the optimal solution is obtained by gradually improving the chromosome.

유전자 알고리즘은 방대한 공간의 탐색을 가능하게 하고 앞서 만들어진 해들의 특징을 효율적으로 이용할 수 있지만, 지역 최적점으로의 접근 속도는 일반적으로 느리다. 정도의 차이는 있지만 교차와 변이 연산이 임의적으로 이루어지기 때문이다. 이를 보완하기 위해 교차와 변이로 만들어진 해에 지역 최적화 알고리즘을 적용하는데, 이것을 혼합형 유전자 알고리즘(Hybrid Genetic Algorithm)이라고 한다. 이렇게 하면 교차/변이를 통해 해를 지역 최적점 근처에 갖다 놓으면 지역 최적화 알고리즘이 지역 최적점으로 안내한다.Genetic algorithms allow for exploration of vast spaces and efficiently utilize the features of the solutions created earlier, but access to local optimals is generally slow. Although there is a difference in degree, the intersection and the shift operation are performed arbitrarily. To compensate for this, we apply regional optimization algorithms to solutions made of intersections and mutations, which are called hybrid genetic algorithms. This places the solution near the local optimal through cross / variation and the regional optimization algorithm guides the local optimal.

유전자 알고리즘에는 명시적으로 지역 최적화 알고리즘을 사용하는 경우도 있고, 교차 연산 같은 곳에서 지역 최적화와 유사한 작업을 포함시키는 경우도 있는데, 이들도 넓은 의미에서 혼합형 유전자 알고리즘이다. 대표적인 예로는 TSP(Traveling Salesman Problem)를 위한 간선조합 교차를 들 수 있다. 혼합형 유전자 알고리즘은 유전자 알고리즘의 미세 조정 능력을 향상시키고 수렴시간을 단축시키는 장점이 있지만, 미세 조정에 이용되는 지역 최적화 알고리즘의 공간 탐색 스타일에 큰 영향을 받는다.Genetic algorithms may explicitly use local optimization algorithms, or they may include tasks similar to regional optimization in places such as cross-computation, which in the broad sense are hybrid genetic algorithms. A representative example is the intersection of edges for the Traveling Salesman Problem (TSP). Hybrid genetic algorithms have the advantage of improving the fine tuning capability of the genetic algorithm and reducing the convergence time, but are strongly influenced by the spatial search style of the regional optimization algorithm used for fine tuning.

상기와 같은 유전자 알고리즘을 영상처리에 이용한 경우에, 유전자 알고리즘은 특징 추출단계에서 첫번째 단계로 배경으로부터 추출하고자 하는 영상을 탐색하는데 사용된다. 전체 영상에서 특정한 몇 개의 포인터들을 생성하여 이를 초기 개체군(Population)으로 한다. 초기 개체군 값들은 적합도(Fitness) 함수에 의하여 추정된다. 이후 선택(Selection) 연산에 의하여 몇 개의 우성 인자가 선택되고, 이 값들은 교배 연산(Crossover)과 돌연변이 연산(Mutation)에 의하여 새로운 개체군을 생성하고 적합도 함수에 의하여 다시 평가를 수행하며, 이와 같은 과정을 계속 수행하여 최적의 적합도 값을 갖는 개체군을 선택하여 영상에서의 특징 추출에 이용한다.When such a genetic algorithm is used for image processing, the genetic algorithm is used to search for an image to be extracted from the background as the first step in the feature extraction step. Several specific pointers are generated from the entire image and are referred to as an initial population. Initial population values are estimated by the fitness function. After that, several dominant factors are selected by selection operation, and these values are generated by crossover and mutation and new populations are evaluated by the fitness function. Is continued to select the population having the optimal goodness-of-fit value and use it for feature extraction from the image.

한편, 종래의 예측 방법 모델로는 회귀분석방정식과 같은 예측 모델 함수를 통계모형으로 사용하였으나, 이러한 분석은 데이터의 무작위성 또는 변동이 심할 때 예측의 신뢰성이 현저히 저하된다는 문제점이 있다.On the other hand, in the conventional prediction method model, a prediction model function such as a regression analysis equation is used as a statistical model, but this analysis has a problem that the reliability of the prediction is significantly lowered when the randomness or variation of the data is severe.

또한, 종래의 회귀분석방정식을 이용한 예측모델은 시간의 흐름 및 장애 인자의 변동에 따른 가중치를 예측 모델 함수에 적용하기 어려우므로 항상 고정된 예측 모델 함수만을 사용해야 한다는 문제점이 있었다.In addition, the conventional prediction model using the regression analysis equation has a problem that it is difficult to apply the weight according to the flow of time and the change of the obstacle factor to the prediction model function, so that only a fixed prediction model function should be used at all times.

또한, 고정된 회귀분석방정식 하나만으로는 다양한 방송시스템에 적용하기 어려우며 적응적인 보편성을 제공하기 힘든 단점이 있다.In addition, only one fixed regression equation is difficult to apply to various broadcasting systems, and it is difficult to provide adaptive universality.

상기와 같은 문제점을 해결하기 위해 본 발명은 유전자 알고리즘을 이용한 예측 모델 함수를 통해 방송시스템에서 주기적으로 발생하는 장애를 분석하고, 향후 장애의 발생 일자를 예측함으로써 사전에 장애를 방지할 수 있도록 하는 장애를 분석하고 예측하는 방법 및 장치를 제공하는 것을 그 목적으로 한다.In order to solve the above problems, the present invention analyzes the failures occurring periodically in the broadcasting system through the prediction model function using the genetic algorithm, and prevents the failures in advance by predicting the occurrence date of the future failures. It is an object of the present invention to provide a method and an apparatus for analyzing and predicting the number of times.

본 발명의 다른 목적은 예측 모델 함수로 사용되는 다중회귀방정식의 장애 인자 가중치값을 유전자 알고리즘을 통해 찾음으로써 장애 예측에 대한 신뢰도를 향상시키는 장애를 분석하고 예측하는 방법 및 장치를 제공하는 것이다.Another object of the present invention is to provide a method and apparatus for analyzing and predicting disorders that improve reliability of disorder prediction by finding disorder factor weight values of multiple regression equations used as prediction model functions through genetic algorithms.

본 발명의 다른 목적으로는 다양한 시스템 환경에 맞는 장애 인자 도출 및 가변적인 예측 모델 함수를 도출함으로써 적응형 예측 방법 및 장치를 제공하는 것이다.Another object of the present invention is to provide an adaptive prediction method and apparatus by deriving obstacle factors suitable for various system environments and deriving variable prediction model functions.

상술한 목적들을 달성하기 위하여, 본 발명의 일 측면에 따른 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법은, 상기 방송시스템에서 발생되는 장애에 대한 장애데이터를 분석하는 장애데이터 분석단계와; 상기 장애데이터 분석단계에서 분석된 장애데이터로부터 장애인자를 추출하여 예측 모델의 함수를 도출하는 함수도출단계와; 상기 함수도출단계에서 도출된 예측 모델 함수를 기반으로 하여 소정의 기간 동안에 발생되는 장애데이터를 이용한 유전자 알고리즘을 통해 예측 모델 함수를 완성하는 함수완성단계; 및 상기 함수완성단계와 예측 검증 단계에서 완성된 예측 모델 함수를 통해 방송시스템에서 발생되는 특정 유형의 장애를 예측하는 예측단계를 포함하여 이루어지는 것을 특징으로 한다.In order to achieve the above object, a method for analyzing and predicting a failure occurring in the broadcast system according to an aspect of the present invention, the fault data analysis step of analyzing the failure data for the failure generated in the broadcast system; A function derivation step of extracting a handicapped person from the disability data analyzed in the disability data analysis step and deriving a function of a predictive model; A function completion step of completing a prediction model function by using a genetic algorithm using disability data generated during a predetermined period based on the prediction model function derived in the function derivation step; And a prediction step of predicting a specific type of failure generated in the broadcasting system through the prediction model function completed in the function completion step and the prediction verification step.

또한, 본 발명의 다른 측면에 따른 방송시스템에서 발생되는 장애를 분석하 고 예측하는 방법은, 상기 방송시스템에서 일정기간 발생한 장애 데이터를 바탕으로 장애 유형을 정의하는 장애 유형 정의 단계와, 상기 장애 유형 정의 단계에서 장애데이터를 분석하는 장애데이터 분석단계와; 상기 장애데이터 분석단계에서 분석된 장애데이터로부터 장애인자를 추출하여 예측 모델의 기본함수를 도출하는 함수도출단계와; 상기 함수도출단계에서 도출된 예측 모델 기본함수를 기반으로 하여 소정의 기간 동안에 발생되는 장애데이터를 이용한 유전자 알고리즘을 통해 예측 모델 함수를 완성하는 함수완성단계와; 상기 함수완성단계에서 완성된 예측 모델 함수를 통해 일정기간 동안 방송시스템에서 발생되는 특정 유형의 장애를 대상으로 예측을 검증하는 예측 검증 단계와; 상기 테스트 예측단계에서 일정기간 테스트로 예측된 결과값과 실제 발생된 장애 데이터를 비교하여 보정값을 산출하는 보정값 산출단계; 상기 보정값 산출단계에서 산출된 보정값을 상기 예측 모델 함수에 적용하여 예측 모델 함수를 보정하는 함수보정단계; 및 상기 함수보정단계에서 보정된 예측 모델 함수를 통해 일정기간 동안 방송시스템에서 발생되는 특정 유형의 장애를 최종적으로 예측하는 예측단계를 포함하여 이루어지는 것을 특징으로 한다.In addition, a method for analyzing and predicting a failure occurring in a broadcast system according to another aspect of the present invention includes a fault type defining step of defining a failure type based on failure data generated for a predetermined time in the broadcast system, and the failure type. A fault data analyzing step of analyzing the fault data in the defining step; A function derivation step of extracting a handicapped person from the disability data analyzed in the disability data analysis step and deriving a basic function of a prediction model; A function completion step of completing a prediction model function through a genetic algorithm using disability data generated during a predetermined period based on the prediction model basic function derived in the function derivation step; A prediction verification step of verifying a prediction for a specific type of disorder generated in a broadcasting system for a predetermined period of time through the prediction model function completed in the function completion step; A correction value calculating step of calculating a correction value by comparing the result value predicted by the test for a predetermined period of time in the test prediction step with the failure data actually generated; A function correction step of correcting a prediction model function by applying the correction value calculated in the correction value calculating step to the prediction model function; And a prediction step of finally predicting a specific type of failure occurring in the broadcasting system for a predetermined period of time through the prediction model function corrected in the function correction step.

또한, 본 발명의 또 다른 측면에 따른 방송시스템에서 발생되는 장애를 분석하고 예측하는 장치는, 상기 방송시스템에서 일정기간 동안 발생되는 장애 데이터를 바탕으로 장애 유형을 정의하는 장애 유형 정의 모듈과, 상기 장애 유형 정의 모듈에서 정의된 장애 유형의 장애데이터를 분석하여 장애인자를 추출하는 장애인자 추출모듈과; 상기 장애인자 추출모듈에서 추출된 장애인자로부터 예측 모델의 기본함수를 도출하고, 상기 도출된 기본함수로부터 유전자 알고리즘을 통해 예측 모델 함수를 완성하는 예측 모델 함수모듈과; 상기 예측 모델 함수모듈에서 완성된 예측 모델 함수를 통해 장애의 발생 예측 확률을 검증하고, 함수보정모듈에서 보정된 예측 모델함수를 통해 방송시스템에서 발생되는 특정 유형의 장애를 예측하는 예측모듈과; 상기 예측모듈에서 테스트로 예측된 장애 예측 결과값과 실제 발생된 장애 데이터를 비교하여 그 차를 보정하는 보정값을 산출하는 보정값 산출모듈; 및 상기 보정값 산출모듈에서 산출된 보정값을 상기 예측 모델 함수에 적용하여 예측 모델 함수를 보정하는 함수보정모듈을 포함하여 이루어지는 것을 특징으로 한다.In addition, an apparatus for analyzing and predicting a failure occurring in a broadcasting system according to another aspect of the present invention includes a failure type definition module for defining a failure type based on failure data generated for a predetermined period of time in the broadcasting system; A handicapped person extraction module for extracting a handicapped person by analyzing handicapped data of the handicapped type defined in the handicapped type definition module; A prediction model function module for deriving a basic function of a predictive model from the handicapped person extracted by the handicapped person and completing a predictive model function through a genetic algorithm from the derived basic function; A prediction module verifying a prediction probability of occurrence of a failure through the prediction model function completed in the prediction model function module, and predicting a specific type of failure generated in the broadcasting system through the prediction model function corrected by the function correction module; A correction value calculation module for comparing a failure prediction result value predicted by a test in the prediction module with failure data actually generated and calculating a correction value for correcting the difference; And a function correction module for correcting the prediction model function by applying the correction value calculated by the correction value calculation module to the prediction model function.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 바람직한 일 실시예에 따른 방송시스템에서 발생되는 장애를 분석하고 예측하는 장치를 간략히 나타내는 도면이다.1 is a diagram schematically illustrating an apparatus for analyzing and predicting a failure occurring in a broadcasting system according to an exemplary embodiment of the present invention.

본 발명의 일 실시예에 따른 방송시스템에서 발생되는 장애를 분석하고 예측하는 장치는 장애 유형 정의 모듈(000), 장애인자 추출모듈(110), 예측 모델 함수모듈(120), 예측 검증모듈(130), 보정값 산출모듈(140) 및 함수보정모듈(150)을 포함한다.An apparatus for analyzing and predicting a failure generated in a broadcasting system according to an embodiment of the present invention includes a failure type definition module (000), a disabled person extraction module (110), a prediction model function module (120), and a prediction verification module (130). ), A correction value calculating module 140 and a function correction module 150.

장애유형 정의모듈(000)은 방송시스템에서 일정기간 동안 발생되는 다양한 장애에 대한 유형을 정의한다. 이때, 장애 유형은 하나의 장애를 대상으로 유형을 정의할 수 도 있고, 여러 개의 장애를 결합하여 유형을 정의할 수 있다.The failure type definition module (000) defines types of various failures that occur for a certain period of time in a broadcasting system. In this case, the failure type may define a type for a single failure, or may define a type by combining several failures.

장애인자 추출모듈(110)은 장애유형 정의모듈에서 정의된 장애유형의 장애데이터를 분석하여 장애인자를 추출한다. 이때, 주기적으로 수집된 장애원인의 분석 을 통해 통계적으로 비중이 높은 장애원인 요소가 장애데이터로부터 장애인자로 추출된다.The handicapped person extraction module 110 extracts a handicapped person by analyzing the handicap type data defined in the handicap type definition module. At this time, through the analysis of the cause of the disorder collected periodically, the cause of the statistically significant cause of disability is extracted from the disability data.

또한, 장애인자는 장애가 발생되었던 시간대별, 일자별, 발생 빈도별 주기를 포함하며, 방송 장비의 장애 원인 로그 발생 패턴이나 CPU, Memory, Network 과부하와 같은 시스템 사용량이 포함 될 수 도 있다. 장애 인자는 장애 유형 정의에 따라 고정되지 않고 변하게 된다. 여러 가지 장애 인자 중 기여도가 낮은 장애 인자는 예측 모델 함수에서 제외함으로써 예측 모델 함수를 간소화하고 계산량을 감소시키도록 하는 것이 바람직하다.In addition, the disabled includes the period of time, date, frequency of occurrence of the failure, and may include the log pattern of the failure cause of the broadcast equipment or system usage such as CPU, memory, network overload. The disorder factor is not fixed and changes according to the disorder type definition. Among the various obstacles, it is desirable to exclude the low contribution factor from the prediction model function to simplify the prediction model function and reduce the calculation amount.

예측 모델 함수모듈(120)은 장애인자 추출모듈에서 추출된 장애인자로부터 예측 모델의 기본함수를 도출하고, 도출된 기본함수로부터 유전자 알고리즘을 통해 예측 모델 함수를 완성한다.The prediction model function module 120 derives a basic function of the prediction model from the handicapped person extracted by the handicapped person extraction module, and completes the prediction model function through the genetic algorithm from the derived basic function.

상기 예측 모델의 기본함수로는 다음과 같은 다중회귀방정식을 사용한다. P(T+1)=E0+E1X1+E2X2(t)+E3X3(t)+....+EnXn(t)+e(t) (이때, P는 장애율, t는 시점, X2-Xn는 장애인자, E1-En은 가중치, e(t)는 보정값을 각각 나타낸다).As a basic function of the prediction model, the following multiple regression equation is used. P (T + 1) = E 0 + E 1 X 1 + E 2 X 2 (t) + E 3 X 3 (t) + .... + E n X n (t) + e (t) where Where P is the disability rate, t is the time point, X 2 -X n is disabled, E 1 -E n is the weight, and e (t) is the correction value).

이때, 가중치값 E1-En은 유전자 알고리즘에 의하여 최적의 가중치로 도출되는 것이 바람직하다. 유전자 알고리즘을 이용하여 가중치 값을 도출하는 과정은 시간에 따라 장애의 발생 패턴이 변할 수 있기 때문에 최적의 가중치 값도 같이 변해야 하기 때문이다. 시간 흐름 및 장애 발생 패턴의 적응형 모델 함수 완성을 위해서는 유전자 알고리즘을 이용하는 것이 바람직하다.At this time, the weight value E 1 -E n is preferably derived by the optimal weight by the genetic algorithm. The process of deriving the weight value using the genetic algorithm is because the occurrence pattern of the disorder may change over time, so the optimal weight value must also change. Genetic algorithms are preferred for the completion of adaptive model functions of time flow and failure pattern.

예측모듈(130)은 예측 모델 함수모듈(120)에서 완성된 예측 모델 함수를 이용하여 방송시스템에서 발생되는 특정 장애 유형의 장애 발생을 테스트로 예측하여 보정값 산출모듈(140)에 그 예측한 결과값을 제공하며, 함수보정모듈(150)에서 보정된 예측 모델 함수를 이용하여 일정기간 동안의 특정 유형의 장애를 최종적으로 측정 및 검증한다.The prediction module 130 predicts a failure occurrence of a specific failure type generated in the broadcasting system by using the prediction model function completed in the prediction model function module 120 as a test and then calculates the result in the correction value calculation module 140. Value, and finally measures and verifies a specific type of failure over a period of time using the predictive model function corrected in the function correction module 150.

보정값 산출모듈(140)은 예측모듈(130)에서 일정기간 동안 발생되는 장애를 테스트로 예측한 결과값과 실제 발생된 장애 데이터를 비교하여 그 차를 보정하는 보정값을 산출한다.The correction value calculating module 140 compares the result of the failure predicted by the prediction module 130 for a predetermined period with a test result and the failure data actually generated to calculate a correction value for correcting the difference.

함수보정모듈(150)은 보정값 산출모듈에서 산출된 보정값을 예측 모델 함수에 적용하여 예측 모델 함수를 보정하고, 보정된 예측 모델 함수를 예측모듈(130)에 제공한다.The function correction module 150 corrects the prediction model function by applying the correction value calculated by the correction value calculation module to the prediction model function, and provides the corrected prediction model function to the prediction module 130.

이하, 본 발명의 다른 측면의 일 실시예에 따른 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법을 설명하는데, 도 2는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법을 나타내는 흐름도이다.Hereinafter, a method for analyzing and predicting a failure occurring in a broadcasting system according to an embodiment of the present invention will be described. FIG. 2 is a flowchart illustrating a method for analyzing and predicting a failure occurring in a broadcasting system.

본 발명의 일 실시예에 따른 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법은 장애유형 정의 단계(000), 장애데이터 분석단계(S210), 함수도출단계(S220), 함수완성단계(S230), 테스트 예측단계(S240), 보정값 산출단계(S250), 함수 보정단계(S260) 및 예측단계(S270)를 포함한다.A method for analyzing and predicting a failure occurring in a broadcasting system according to an embodiment of the present invention includes a failure type definition step (000), a failure data analysis step (S210), a function derivation step (S220), and a function completion step (S230). , A test prediction step S240, a correction value calculation step S250, a function correction step S260, and a prediction step S270.

장애유형 정의단계(000)에서는, 방송시스템에서 일정기간(예를 들면, 6개월(1월~6월) 동안 발생되었던 다양한 장애를 대상으로 장애 유형을 정의한다. 이 때, 장애 유형은 하나의 장애를 대상으로 유형을 정의할 수 도 있고, 여러 개의 장애를 결합하여 유형을 정의할 수 있다.In the step of defining a failure type (000), a failure type is defined for various failures that have occurred in a broadcasting system for a period of time (for example, six months (January to June). Types can be defined for failures, or a combination of several failures can be used to define types.

분석단계(S210)에서는, 장애 유형 단계에서 정의된 장애유형의 장애 데이터를 분석한다. 이때, 주기적으로 수집된 장애원인의 분석을 통해 통계적으로 비중이 높은 장애원인 요소가 장애데이터로부터 장애인자로 추출되도록 하는 것이 바람직하다.In the analysis step (S210), the failure data of the failure type defined in the failure type step is analyzed. At this time, it is desirable to make the statistically significant disability cause factor extracted from the disability data as disability through analysis of the disability causes collected periodically.

특히, 장애인자의 추출은 상황에 따라 적응적으로 변하게 되며, 장애에 직접적으로 원인이 되는 인자만을 장애인자로 추출하며, 기여도가 낮은 인자는 제거함으로써 예측 모델식을 간소화 시킬 수 있다.In particular, the extraction of the disabled can be adaptively changed according to the situation, and only the factors directly causing the disorder can be extracted as the disabled, and the low-contribution factors can be removed to simplify the prediction model.

함수도출단계(S220)에서는, 장애데이터 분석단계에서(S210) 분석된 장애데이터로부터 장애인자를 추출하여 예측 모델의 기본함수를 도출한다. 특히, 장애인자는 장애가 발생되는 시간대별, 일자별, 발생 빈도별 주기를 기본적으로 사용하는 것이 바람직하며, 추가로 방송 장비의 장애 원인 로그 발생 패턴이나 CPU, Memory, Network 과부하와 같은 시스템 사용량을 포함할 수 있다.In the function derivation step (S220), the handicapped person is extracted from the disability data analyzed in the disability data analysis step (S210) to derive the basic function of the prediction model. In particular, it is desirable for the disabled to use the period of time, date and frequency of occurrence of the failure by default, and can additionally include system usage factors such as failure cause log generation pattern of the broadcasting equipment or CPU, memory, network overload. have.

이때, 예측 모델의 기본함수로 아래와 같은 다중회귀방정식을 이용하는 것이 바람직하며, P(T+1)=E0+E1X1+E2X2(t)+E3X3(t)+....+EnXn(t)+e(t)로 표현된다(이때, P는 장애율, t는 시점, X2-Xn는 장애인자, E1-En은 가중치, e(t)는 보정값을 각각 나타낸다).In this case, it is preferable to use the multiple regression equation as the basic function of the prediction model, and P (T + 1) = E 0 + E 1 X 1 + E 2 X 2 (t) + E 3 X 3 (t) + ... is expressed as: + E n X n (t) + e (t), where P is the disability rate, t is the time point, X 2 -X n is disabled, E 1 -E n is the weight, e ( t) represents correction values, respectively).

특히, 가중치값 E1-En은 유전자 알고리즘에 의하여 최적의 가중치로 도출되 는 것이 바람직하다. 또한, 유전자 알고리즘을 이용하여 가중치 값을 도출하는 과정은 시간에 따라 장애의 발생 패턴이 변할 수 있기 때문에 최적의 가중치 값도 같이 변해야 하기 때문이다. 시간 흐름 및 장애 발생 패턴의 적응형 모델 함수 완성을 위해서는 유전자 알고리즘을 이용하는 것이 바람직하다.In particular, it is preferable that the weight values E 1 -E n are derived as optimal weights by a genetic algorithm. In addition, the process of deriving the weight value using the genetic algorithm is because the occurrence pattern of the disorder may change over time, so the optimal weight value should also change together. Genetic algorithms are preferred for the completion of adaptive model functions of time flow and failure pattern.

함수완성단계(S230)에서는, 함수도출단계(S220)에서 도출된 예측 모델 기본함수를 기반으로 하여 소정의 기간(예를들면, 다음 5개월(7월-11월)) 동안에 발생되는 장애데이터를 이용한 유전자 알고리즘을 통해 예측 모델 함수를 완성한다.In the function completion step (S230), based on the prediction model basic function derived in the function derivation step (S220), fault data generated for a predetermined period (for example, the next five months (July-November)) The genetic algorithm is used to complete the predictive model function.

테스트 예측 검증단계(S240)에서는, 함수완성단계(S230)에서 완성된 예측 모델 함수를 적용하여 과거의 일정기간(예를 들면, 다음 1개월(12월)) 동안 발생되었던 장애를 테스트로 예측하여 모델식을 검증한다. In the test prediction verification step (S240), by applying the prediction model function completed in the function completion step (S230) by predicting a failure that occurred in the past for a certain period (for example, the next one month (December)) by a test Validate the model expression.

보정값 산출단계(S250)에서는 상기 테스트 예측단계(S240)에서 일정기간 동안 테스트로 예측된 결과값과 실제 그 기간 동안 발생된 장애 데이터를 비교하여 보정값을 산출한다.In the correction value calculating step (S250), the correction value is calculated by comparing the result value predicted by the test for a predetermined period in the test prediction step (S240) with the failure data generated during the actual period.

함수보정단계(S260)에서는, 보정값 산출단계에서 산출된 보정값을 상기 예측 모델 함수에 적용하여 예측 모델 함수를 보정한다.In the function correction step S260, the prediction model function is corrected by applying the correction value calculated in the correction value calculation step to the prediction model function.

예측단계(S270)에서는, 함수보정단계(S260)에서 보정된 예측 모델 함수를 통해 방송시스템에서 발생되는 특정 유형의 장애를 최종적으로 예측한다.In the prediction step (S270), through the prediction model function corrected in the function correction step (S260) to finally predict a specific type of failure generated in the broadcast system.

본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것 이며 한정적인 것이 아닌 것으로서 이해해야만 한다.Those skilled in the art to which the present invention pertains will understand that the present invention can be implemented in other specific forms without changing the technical spirit or essential features. Therefore, the above-described embodiments are to be understood as illustrative in all respects and not as restrictive.

상술한 바와 같이, 본 발명에 의한 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법 및 장치는, 방송시스템에서 주기적으로 발생하는 장애를 분석하고, 향후 장애의 발생 일자를 예측함으로써 사전에 장애를 방지할 수 있도록 한다.As described above, the method and apparatus for analyzing and predicting a failure occurring in the broadcasting system according to the present invention prevents the failure in advance by analyzing a failure occurring periodically in the broadcasting system and predicting a future occurrence date of the failure. Do it.

또한, 종래의 수동적인 송출 감시 기능에서 벗어나, 장애 예측 방법론을 제시함으로써 미리 시스템의 장애를 인지하여 안정적인 송출환경을 유지하도록 한다.In addition, by deviating from the conventional passive transmission monitoring function, by suggesting a failure prediction methodology, it is possible to recognize the failure of the system in advance to maintain a stable transmission environment.

또한, 다중회귀방정식에서 장애 인자 가중치값을 유전자 알고리즘을 통해 찾음으로써 장애 예측에 대한 신뢰도를 향상시키고, 다양한 방송시스템 환경에 적합한 맞춤형 예측 모델을 완성시킬 수 있으며, 시간의 흐름 및 장애 발생 패턴의 변동에 따른 적응형 예측 모델을 완성시킬 수 있다.In addition, it is possible to improve the reliability of failure prediction by finding the obstacle factor weight value through the genetic algorithm in the multiple regression equations, and to create a customized prediction model suitable for various broadcasting system environments. It is possible to complete the adaptive prediction model according to.

Claims (16)

방송시스템에서 발생되는 장애를 분석하고 예측하는 방법에 있어서,In the method for analyzing and predicting a failure occurring in a broadcasting system, 상기 방송시스템에서 발생되는 장애에 대한 장애 유형을 정의하는 장애유형 정의 단계;A failure type definition step of defining a failure type for a failure occurring in the broadcasting system; 상기 장애 유형 정의 단계에서 정의된 장애데이터를 분석하는 장애데이터 분석단계;A fault data analysis step of analyzing fault data defined in the fault type definition step; 상기 장애데이터 분석단계에서 분석된 장애데이터로부터 장애인자를 추출하여 예측 모델의 함수를 도출하는 함수도출단계;A function derivation step of deriving a function of a predictive model by extracting a handicapped person from the disability data analyzed in the disability data analysis step; 상기 함수도출단계에서 도출된 예측 모델 함수를 기반으로 하여 소정의 기간 동안에 발생되는 장애데이터를 이용한 유전자 알고리즘을 통해 예측 모델 함수를 완성하는 함수완성단계; 및A function completion step of completing a prediction model function by using a genetic algorithm using disability data generated during a predetermined period based on the prediction model function derived in the function derivation step; And 상기 함수완성단계에서 완성된 예측 모델 함수를 통해 방송시스템에서 발생되는 특정 유형의 장애를 예측하는 예측단계를 포함하여 이루어지는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.And a prediction step of predicting a specific type of failure occurring in the broadcasting system through the prediction model function completed in the function completion step. 제1항에 있어서,The method of claim 1, 주기적으로 수집된 장애원인의 분석을 통해 예정된 레벨로 설정되는 장애원인 요소가 장애데이터로부터 장애인자로 추출되는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.A method for analyzing and predicting a failure occurring in a broadcasting system, characterized in that the cause of failure is set to a predetermined level through analysis of the cause of failure collected periodically. 제2항에 있어서,The method of claim 2, 상기 장애인자는 장애가 발생되는 시간대별, 일자별, 발생 빈도별 주기 및 장애 원인 로그의 발생 패턴, CPU, 메모리(Memory), 네트워크(Network) 과부하의 발생 빈도에 따라 추출되는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.The handicapped is generated in a broadcasting system, characterized in that it is extracted according to the occurrence time of the failure time, date, frequency of occurrence frequency and occurrence pattern of the cause log, CPU, memory, network overload frequency How to analyze and predict potential disorders. 제1항에 있어서,The method of claim 1, 상기 예측 모델의 함수는 다중회귀방정식을 포함하여 이루어지는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.And a function of the prediction model comprises a multiple regression equation. 제4항에 있어서,The method of claim 4, wherein 상기 다중회귀방정식은,The multiple regression equation is, P(T+1)=E0+E1X1+E2X2(t)+E3X3(t)+....+EnXn(t)+e(t)이며,P (T + 1) = E 0 + E 1 X 1 + E 2 X 2 (t) + E 3 X 3 (t) + .... + E n X n (t) + e (t), 여기서, P는 장애율, t는 시점, X2-Xn는 장애인자, E1-En은 가중치, e(t)는 보정값인 것을 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.Where P is the failure rate, t is the time point, X 2 -X n is the disabled, E 1 -E n is the weight, e (t) is a correction value analyzes and predicts the failure generated in the broadcasting system How to. 제5항에 있어서,The method of claim 5, 상기 가중치값(E1-En)은 유전자 알고리즘에 의하여 최적의 가중치로 도출되는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.The weight value (E 1 -E n ) is a method for analyzing and predicting a failure occurring in a broadcast system, characterized in that the optimal weight is derived by a genetic algorithm. 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법에 있어서,In the method for analyzing and predicting a failure occurring in a broadcasting system, 상기 방송시스템에서 일정기간 동안 발생되는 장애에 대한 장애 유형을 정의하는 장애유형 정의 단계;A failure type definition step of defining a failure type for a failure occurring for a certain period of time in the broadcasting system; 상기 장애 유형 정의 단계에서 정의된 장애데이터를 분석하는 장애데이터 분석단계;A fault data analysis step of analyzing fault data defined in the fault type definition step; 상기 장애데이터 분석단계에서 분석된 장애데이터로부터 장애인자를 추출하여 예측 모델의 기본함수를 도출하는 함수도출단계;A function derivation step of extracting a handicapped person from the disability data analyzed in the disability data analysis step and deriving a basic function of a prediction model; 상기 함수도출단계에서 도출된 예측 모델 기본함수를 기반으로 하여 소정의 기간 동안에 발생되는 장애데이터를 이용한 유전자 알고리즘을 통해 예측 모델 함수를 완성하는 함수완성단계;A function completion step of completing a prediction model function through a genetic algorithm using disability data generated during a predetermined period based on the prediction model basic function derived in the function derivation step; 상기 함수완성단계에서 완성된 예측 모델 함수를 통해 일정기간 동안 방송시스템에서 발생되는 특정 유형의 장애를 테스트로 예측하는 테스트 예측 검증 단계;A test prediction verification step of predicting, by a test, a specific type of failure generated in a broadcasting system through a prediction model function completed in the function completion step; 상기 테스트 예측 검증단계에서 일정기간 테스트로 예측된 결과값과 실제 발생된 장애 데이터를 비교하여 보정값을 산출하는 보정값 산출단계; A correction value calculating step of calculating a correction value by comparing the result value predicted by the test for a predetermined period of time in the test prediction verification step with the actually generated failure data; 상기 보정값 산출단계에서 산출된 보정값을 상기 예측 모델 함수에 적용하여 예측 모델 함수를 보정하는 함수보정단계; 및A function correction step of correcting a prediction model function by applying the correction value calculated in the correction value calculating step to the prediction model function; And 상기 함수보정단계에서 보정된 예측 모델 함수를 통해 일정기간 동안 방송시스템에서 발생되는 특정 유형의 장애를 최종적으로 예측하는 예측단계를 포함하여 이루어지는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.Analyzing and predicting the failures occurring in the broadcasting system comprising a prediction step of finally predicting a specific type of failure generated in the broadcasting system for a period of time through the prediction model function corrected in the function correction step Way. 제7항에 있어서,The method of claim 7, wherein 주기적으로 수집된 장애원인의 분석을 통해 예정된 레벨로 설정되는 장애원인 요소가 장애데이터로부터 장애인자로 추출되는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.A method for analyzing and predicting a failure occurring in a broadcasting system, characterized in that the cause of failure is set to a predetermined level through analysis of the cause of failure collected periodically. 제8항에 있어서,The method of claim 8, 상기 장애인자는 장애가 발생되는 시간대별, 일자별, 발생 빈도별 주기 및 장애 원인 로그의 발생 패턴, CPU, 메모리(Memory), 네트워크(Network) 과부하의 발생 빈도에 따라 추출되는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.The handicapped is generated in a broadcasting system, characterized in that it is extracted according to the occurrence time of the failure time, date, frequency of occurrence frequency and occurrence pattern of the cause log, CPU, memory, network overload frequency How to analyze and predict potential disorders. 제7항에 있어서,The method of claim 7, wherein 상기 예측 모델의 함수는,The function of the prediction model is 다중회귀방정식 P(T+1)을 포함하며,  Includes multiple regression equation P (T + 1), P(T+1)=E0+E1X1+E2X2(t)+E3X3(t)+....+EnXn(t)+e(t)P (T + 1) = E 0 + E 1 X 1 + E 2 X 2 (t) + E 3 X 3 (t) + .... + E n X n (t) + e (t) 여기서, P는 장애율, t는 시점, X2-Xn는 장애인자, E1-En은 가중치, e(t)는 보정값인 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.Where P is a failure rate, t is a time point, X 2 -X n is a disabled person, E 1 -E n is a weight, e (t) is a correction value for analyzing and predicting a failure occurring in a broadcasting system Way. 제10항에 있어서,The method of claim 10, 상기 가중치값(E1-En)은 유전자 알고리즘에 의하여 최적의 가중치로 도출되는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법.The weight value (E 1 -E n ) is a method for analyzing and predicting a failure occurring in a broadcast system, characterized in that the optimal weight is derived by a genetic algorithm. 방송시스템에서 발생되는 장애를 분석하고 예측하는 장치에 있어서,In the device for analyzing and predicting the failure occurring in the broadcast system, 상기 방송시스템에서 일정기간 동안 발생되는 장애에 대한 장애데이터를 분석하여 장애인자를 추출하는 장애인자 추출모듈과;A handicapped person extraction module for extracting a handicapped person by analyzing handicapped data of a handicap generated for a certain period of time in the broadcasting system; 상기 장애인자 추출모듈에서 추출된 장애인자로부터 예측 모델의 기본함수를 도출하고, 상기 도출된 기본함수로부터 유전자 알고리즘을 통해 예측 모델 함수를 완성하는 예측 모델 함수모듈과; A prediction model function module for deriving a basic function of a predictive model from the handicapped person extracted by the handicapped person and completing a predictive model function through a genetic algorithm from the derived basic function; 상기 예측 모델 함수모듈에서 완성된 예측 모델 함수를 통해 장애를 테스트로 예측하고, 함수보정모듈에서 보정된 예측 모델함수를 통해 방송시스템에서 발생되는 특정 유형의 장애를 예측하는 예측모듈과;A prediction module for predicting a failure by a test through a prediction model function completed in the prediction model function module, and predicting a specific type of failure generated in a broadcasting system through a prediction model function corrected by a function correction module; 상기 예측모듈에서 테스트로 예측된 장애 예측 결과값과 실제 발생된 장애 데이터를 비교하여 그 차를 보정하는 보정값을 산출하는 보정값 산출모듈; 및A correction value calculation module for comparing a failure prediction result value predicted by a test in the prediction module with failure data actually generated and calculating a correction value for correcting the difference; And 상기 보정값 산출모듈에서 산출된 보정값을 상기 예측 모델 함수에 적용하여 예측 모델 함수를 보정하는 함수보정모듈을 포함하여 이루어지는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 장치.And a function correction module for correcting a prediction model function by applying the correction value calculated by the correction value calculation module to the prediction model function. 제12항에 있어서,The method of claim 12, 주기적으로 수집된 장애원인의 분석을 통해 예정된 레벨로 설정되는 장애원인 요소가 장애데이터로부터 장애인자로 추출되는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 장치.Apparatus for analyzing and predicting faults occurring in a broadcasting system, characterized in that the cause of the failure cause factors are set to a predetermined level through the analysis of the cause of the failure collected periodically is extracted from the fault data. 제13항에 있어서,The method of claim 13, 상기 장애인자는 장애가 발생되는 시간대별, 일자별, 발생 빈도별 주기에 따라 추출되는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 장치.The handicapped is an apparatus for analyzing and predicting a failure occurring in a broadcasting system, characterized in that extracted by the period of time, date, frequency of occurrence of the disorder occurs. 제12항 내지 제14항 중 어느 하나의 항에 있어서,The method according to any one of claims 12 to 14, 상기 예측 모델의 기본함수는,The basic function of the prediction model is 다중회귀방정식 P(T+1)을 포함하며,Includes multiple regression equation P (T + 1), P(T+1)=E0+E1X1+E2X2(t)+E3X3(t)+....+EnXn(t)+e(t)P (T + 1) = E 0 + E 1 X 1 + E 2 X 2 (t) + E 3 X 3 (t) + .... + E n X n (t) + e (t) 여기서, P는 장애율, t는 시점, X2-Xn는 장애인자, E1-En은 가중치, e(t)는 보정값인 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 장치.Where P is a failure rate, t is a time point, X 2 -X n is a disabled person, E 1 -E n is a weight, e (t) is a correction value for analyzing and predicting a failure occurring in a broadcasting system Device. 제15항에 있어서,The method of claim 15, 상기 가중치값 E1-En은 유전자 알고리즘에 의하여 최적의 가중치로 도출되는 것을 특징으로 하는 방송시스템에서 발생되는 장애를 분석하고 예측하는 장치.The weight value E 1 -E n is an apparatus for analyzing and predicting a failure occurring in a broadcast system, characterized in that the optimal weight is derived by a genetic algorithm.
KR1020060094309A 2006-09-27 2006-09-27 Method for analyzing and predicting error generated in broadcasting system and apparatus therefor KR100818493B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020060094309A KR100818493B1 (en) 2006-09-27 2006-09-27 Method for analyzing and predicting error generated in broadcasting system and apparatus therefor
PCT/KR2007/004671 WO2008038975A1 (en) 2006-09-27 2007-09-21 Method for analyzing and predicting error generated in broadcasting system and apparatus therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060094309A KR100818493B1 (en) 2006-09-27 2006-09-27 Method for analyzing and predicting error generated in broadcasting system and apparatus therefor

Publications (1)

Publication Number Publication Date
KR100818493B1 true KR100818493B1 (en) 2008-04-01

Family

ID=39230359

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060094309A KR100818493B1 (en) 2006-09-27 2006-09-27 Method for analyzing and predicting error generated in broadcasting system and apparatus therefor

Country Status (2)

Country Link
KR (1) KR100818493B1 (en)
WO (1) WO2008038975A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101538758B1 (en) * 2014-05-19 2015-07-27 주식회사 디리아 Apparatus for forecasting disruption and method thereof in IT system

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105444923B (en) * 2015-11-18 2017-12-29 浙江工业大学 Mechanical thermometric instrument error prediction method based on genetic algorithm optimization least square method supporting vector machine

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002262260A (en) 2001-02-26 2002-09-13 Sanyo Electric Co Ltd Data broadcast transmission/reception system, error management method and data broadcast receiver
KR20040018781A (en) * 2002-08-27 2004-03-04 하나로통신 주식회사 Coaxial Cable Network Fault Inference Method in CATV Internet Service

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030046633A1 (en) * 2001-08-28 2003-03-06 Jutzi Curtis E. Data error correction based on reported factors and predicted data interference factors
JP2003134064A (en) * 2001-10-26 2003-05-09 Hitachi Ltd Digital broadcast complementing method and digital broadcast reception system
US6915027B2 (en) * 2002-04-17 2005-07-05 Koninklijke Philips Electronics N.V. Method and an apparatus to speed the video system optimization using genetic algorithms and memory storage

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002262260A (en) 2001-02-26 2002-09-13 Sanyo Electric Co Ltd Data broadcast transmission/reception system, error management method and data broadcast receiver
KR20040018781A (en) * 2002-08-27 2004-03-04 하나로통신 주식회사 Coaxial Cable Network Fault Inference Method in CATV Internet Service

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101538758B1 (en) * 2014-05-19 2015-07-27 주식회사 디리아 Apparatus for forecasting disruption and method thereof in IT system

Also Published As

Publication number Publication date
WO2008038975A1 (en) 2008-04-03

Similar Documents

Publication Publication Date Title
CN107231436B (en) Method and device for scheduling service
CN107844848B (en) Regional pedestrian flow prediction method and system
US9697471B2 (en) Device and method for managing plant model
Zhao et al. Assessing the safety and reliability of autonomous vehicles from road testing
CN112069726A (en) Risk analysis and evaluation method and device based on Bayesian network
KR101432436B1 (en) Apparatus and method for prediction of influent flow rate and influent components using nearest neighbor method
CN111325416A (en) Method and device for predicting user loss of taxi calling platform
CN109889391B (en) Network short-time flow prediction method based on combined model
JP7481902B2 (en) Management computer, management program, and management method
Xu et al. Software reliability growth model with partial differential equation for various debugging processes
US8037365B2 (en) System and method for automated and adaptive threshold setting to separately control false positive and false negative performance prediction errors
KR101741248B1 (en) Method and apparatus for estimating causality among variables
KR100818493B1 (en) Method for analyzing and predicting error generated in broadcasting system and apparatus therefor
Madanat et al. Selectivity bias in modeling highway pavement maintenance effectiveness
Jiang et al. Hybrid perimeter control with real-time partitions in heterogeneous urban networks: An integration of deep learning and MPC
Aljahdali et al. Software reliability prediction using multi-objective genetic algorithm
JP5133941B2 (en) Network management system, network management method, and program therefor
CN112330054A (en) Dynamic traveler problem solving method, system and storage medium based on decision tree
JP6877956B2 (en) Demand forecasting device and demand forecasting method
CN110069692B (en) Resource updating time prediction method and system for open source information acquisition
CN116132337B (en) Interface flow anomaly detection method based on service grid technology
US11494654B2 (en) Method for machine failure prediction using memory depth values
Smirnov Intelligent decision support system for the control of complex technical systems
Kirschenmann et al. Decision dependent stochastic processes
CN111210361B (en) Power communication network routing planning method based on reliability prediction and particle swarm optimization

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20120312

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20130128

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee