KR102087959B1 - 통신망의 인공지능 운용 시스템 및 이의 동작 방법 - Google Patents

통신망의 인공지능 운용 시스템 및 이의 동작 방법 Download PDF

Info

Publication number
KR102087959B1
KR102087959B1 KR1020180027629A KR20180027629A KR102087959B1 KR 102087959 B1 KR102087959 B1 KR 102087959B1 KR 1020180027629 A KR1020180027629 A KR 1020180027629A KR 20180027629 A KR20180027629 A KR 20180027629A KR 102087959 B1 KR102087959 B1 KR 102087959B1
Authority
KR
South Korea
Prior art keywords
model
learning
unit
communication network
data
Prior art date
Application number
KR1020180027629A
Other languages
English (en)
Other versions
KR20190001501A (ko
Inventor
이동준
백성복
성종규
오준석
이종필
Original Assignee
주식회사 케이티
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 주식회사 케이티 filed Critical 주식회사 케이티
Publication of KR20190001501A publication Critical patent/KR20190001501A/ko
Application granted granted Critical
Publication of KR102087959B1 publication Critical patent/KR102087959B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/02—Standardisation; Integration
    • H04L41/024—Standardisation; Integration using relational databases for representation of network management data, e.g. managing via structured query language [SQL]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

통신망 인공지능 운용 시스템으로서, 학습 데이터를 기초로 적어도 하나의 운용 업무 모델을 학습시키는 학습부, 그리고 통신망 장비들의 상태 정보와 관리 정보를 포함하는 통신망 데이터를 수집하고, 통신망 데이터로부터 운용 업무 모델의 입력 계층이나 출력 계층에 입력되는 학습 데이터를 생성하는 통신망 데이터 관리부를 포함한다. 운용 업무 모델은 복수의 단위 학습 모델들 그리고 적어도 하나의 결합 모델 중 적어도 하나를 포함하고, 결합 모델은 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들로 구성된 학습 모델이다.

Description

통신망의 인공지능 운용 시스템 및 이의 동작 방법{ARTIFICIAL INTELLIGENCE OPERATIONS SYSTEM OF TELECOMMUNICATION NETWORK, AND OPERATING METHOD THEREOF}
본 발명은 통신망의 인공지능 운용 시스템에 관한 것이다.
최근 인공지능에 대한 관심과 연구가 활발히 진행되고 있다. 특히 컴퓨팅 파워의 놀라운 발전과 딥러닝 기술의 출현으로 인공지능 기술의 정확도가 획기적으로 개선됨에 따라 다양한 분야에서 인공지능 기술을 활용하고자 하는 연구가 활발하게 진행되고 있다.
일반적으로 통신망 운용 업무는 운용 전문가의 노하우를 전산 절차로 정의하거나 룰기반의 전문가 시스템으로 구현되어 자동화되고 있다. 특히 기계학습 기반 인공지능 구현 기술이 발전함에 따라 통신망 운용 분야에도 이를 적용하려는 시도들이 있다. 하지만, 통신망 운용 업무는 복잡하고 다양하여 업무별로 독립적인 기계학습하는 것이 쉽지 않고, 연관된 통신 장비들과 연관된 업무들의 상관 관계를 반영하는 것도 쉽지 않으며, 실시간으로 생성되는 다양한 종류의 데이터를 분류하고 분석해야 하는 부담도 있다.
따라서, 통신망 운용 업무에 적합한 학습 데이터 수집 및 학습 모델 생성 방법이 요구된다.
본 발명이 해결하고자 하는 과제는 수집한 통신망 데이터를 기초로 통신망 운용 업무 학습을 위한 학습 데이터를 생성하고, 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들을 결합한 운용 업무 모델을 학습 데이터로 학습할 수 있는 통신망의 인공지능 운용 시스템 및 이의 동작 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 학습된 운용 업무 모델을 기초로 실시간 수집된 통신망 데이터로부터 통신망 상태 정보 및/또는 해결 정보를 포함하는 운용 정보를 출력하는 통신망의 인공지능 운용 시스템 및 이의 동작 방법을 제공하는 것이다.
한 실시예에 따른 통신망 인공지능 운용 시스템으로서, 학습 데이터를 기초로 적어도 하나의 운용 업무 모델을 학습시키는 학습부, 그리고 통신망 장비들의 상태 정보와 관리 정보를 포함하는 통신망 데이터를 수집하고, 상기 통신망 데이터로부터 상기 운용 업무 모델의 입력 계층이나 출력 계층에 입력되는 상기 학습 데이터를 생성하는 통신망 데이터 관리부를 포함한다. 상기 운용 업무 모델은 복수의 단위 학습 모델들 그리고 적어도 하나의 결합 모델 중 적어도 하나를 포함하고, 상기 결합 모델은 상기 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들로 구성된 학습 모델이다.
상기 통신망 데이터 관리부는 상기 통신망 데이터의 연관 관계 정보를 기초로 상기 학습 데이터를 생성할 수 있다.
상기 복수의 단위 학습 모델들을 구성하는 각 단위 학습 모델은 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 그리고 군집화 학습 모델 중 어느 하나의 학습 모델일 수 있다.
상기 학습부는 상기 운용 업무 모델의 학습 알고리즘이나 변수 항목의 설정을 위한 사용자 인터페이스 화면을 제공하고, 상기 사용자 인터페이스 화면에서 입력된 정보에 따라 상기 운용 업무 모델의 설정을 조정한 후, 상기 학습 데이터를 이용하여 상기 운용 업무 모델을 학습시킬 수 있다.
상기 변수 항목은 입력 계층 항목, 은닉 계층의 수, 출력 계층 항목, 학습 반복 회수, 초기값, 이웃의 수, 주성분의 수, 군집의 수, 군집의 중심 초기값, 그리고 학습 중지 조건 중 적어도 하나를 포함할 수 있다. 상기 변수 항목은 상기 운용 업무 모델의 학습 알고리즘에 따라 가변될 수 있다.
상기 통신망 인공지능 운용 시스템은 상기 학습부에서 학습된 운용 업무 모델을 선택하고, 상기 학습된 운용 업무 모델로 실시간 통신망 데이터로부터 생성된 쿼리 데이터를 입력하여 상기 학습된 운용 업무 모델이 제공하는 운용 정보를 출력하는 통신망 운용부를 더 포함할 수 있다.
상기 통신망 운용부는 상기 학습부에서 학습된 적어도 하나의 운용 업무 모델을 표시하는 사용자 인터페이스 화면을 제공하고, 상기 사용자 인터페이스 화면에서 특정 운용 업무 모델이 선택되면, 상기 특정 운용 업무 모델로 상기 쿼리 데이터를 입력할 수 있다.
다른 실시예에 따른 통신망 인공지능 운용 시스템의 동작 방법으로서, 사용자 인터페이스 화면에서 학습 대상에 관련된 운용 업무 모델 제어 정보를 입력받는 단계, 상기 운용 업무 모델 제어 정보에 해당하는 학습 데이터를 획득하는 단계, 상기 운용 업무 모델 제어 정보에 해당하는 운용 업무 모델을 생성하는 단계, 그리고 상기 운용 업무 모델을 상기 학습 데이터로 학습시키는 단계를 포함한다. 상기 운용 업무 모델 제어 정보는 상기 운용 업무 모델을 구성하는 학습 모델의 학습 알고리즘, 그리고 해당 학습 모델의 변수 항목을 포함한다.
상기 운용 업무 모델은 복수의 단위 학습 모델들 중 어느 하나의 단위 학습 모델이거나, 상기 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들이 결합된 결합 모델일 수 있다.
상기 복수의 단위 학습 모델들을 구성하는 각 단위 학습 모델은 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 그리고 군집화 학습 모델 중 어느 하나의 학습 모델일 수 있다.
상기 운용 업무 모델을 생성하는 단계는 상기 운용 업무 모델 제어 정보에 상기 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들의 정보가 포함된 경우, 선택된 단위 학습 모델들을 순차적으로 연결하여 상기 결합 모델을 생성할 수 있다.
상기 변수 항목은 입력 계층 항목, 은닉 계층의 수, 출력 계층 항목, 학습 반복 회수, 초기값, 이웃의 수, 주성분의 수, 군집의 수, 군집의 중심 초기값, 그리고 학습 중지 조건 중 적어도 하나를 포함할 수 있다. 상기 변수 항목은 상기 운용 업무 모델의 학습 알고리즘에 따라 가변될 수 있다.
또 다른 실시예에 따른 통신망 인공지능 운용 시스템의 동작 방법으로서, 실시간 통신망 데이터로부터 생성된 쿼리 데이터를 입력받는 단계, 학습된 운용 업무 모델에 상기 쿼리 데이터를 입력하는 단계, 그리고 상기 운용 업무 모델에서 출력된 통신망 장비의 운용 정보를 사용자 인터페이스 화면에 표시하는 단계를 포함한다. 상기 운용 업무 모델은 복수의 단위 학습 모델들 그리고 적어도 하나의 결합 모델 중 적어도 하나를 포함한다. 상기 결합 모델은 상기 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들로 구성된 학습 모델이다. 상기 복수의 단위 학습 모델들을 구성하는 각 단위 학습 모델은 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 그리고 군집화 학습 모델 중 어느 하나의 학습 모델이다.
상기 운용 정보는 고장 유무, 고장 원인 분류, 트래픽 예측, 증설 규모 예측, 장애 예측, 비정상 호 탐지, 부하 분산 중 적어도 하나를 포함하고, 각 운용 업무 모델에서 출력되는 운용 정보는 해당 운용 업무 모델을 구성하는 단위 학습 모델 및 학습 데이터에 의해 결정될 수 있다.
상기 학습 데이터는 통신망 장비들의 상태 정보와 관리 정보를 포함하는 통신망 데이터로부터 생성될 수 있다.
본 발명에 따르면, 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 군집화 학습 모델 등의 단위 학습 모델을 제공하고, 운용 업무의 복잡도에 따라 단일한 단위 학습 모델 또는 복수의 단위 학습 모델들을 결합한 결합 모델을 운용 업무 모델로 사용할 수 있다. 특히, 본 발명에 따르면, 추가적인 운용 업무 발생 시 구비된 단위 학습 모델들을 결합하여 저비용으로 신속하게 다양한 운용 업무 모델을 만들 수 있다. 본 발명에 따르면, 복잡하고 다양한 통신망 운용 업무를 자동화할 수 있다.
도 1은 실시예에 따른 통신망 인공지능 운용 시스템의 구성도이다.
도 2는 한 실시예에 따른 통신망 데이터 관리부의 구성도이다.
도 3은 한 실시예에 따른 운용 업무 모델 학습부의 동작 방법의 흐름도이다.
도 4는 다른 실시예에 따른 운용 업무 모델 학습부의 동작 방법의 흐름도이다.
도 5는 한 실시예에 따른 운용부의 동작 방법의 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 실시예에 따른 통신망 인공지능 운용 시스템의 구성도이다.
도 1을 참고하면, 통신망 인공지능 운용 시스템(100)은 운용 업무 모델들을 학습 데이터로 학습시킨다. 운용 업무 모델은 복수의 단위 학습 모델들(예를 들면, 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 군집화 학습 모델) 각각으로 구성되거나, 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들을 결합한 결합 모델로 구성될 수 있다. 각 운용 업무 모델은 입력값으로부터 지정된 운용 정보를 출력하도록 학습되고, 컴퓨터 판독 가능한 저장매체에 저장되어 프로세서에 의해 동작하는 소프트웨어 프로그램으로 구현된다. 각 운용 업무 모델에서 출력되는 운용 정보는 운용자 또는 다른 네트워크 장치에게 제공되는 정보로서, 고장 유무(고장 판단), 고장 원인 분류, 트래픽 예측, 장비 증설 규모 예측, 장애 예측, 비정상 호(Fraud call) 탐지, 부하 분산 중 적어도 하나를 포함할 수 있는데, 출력되는 운용 정보는 다양하게 설정될 수 있다. 학습된 운용 업무 모델은 입력된 실시간 통신망 데이터에 관련된 운용 정보를 출력한다.
통신망 인공지능 운용 시스템(100)은 통신망 데이터 관리부(110), 그리고 운용 업무 모델 학습부(130)를 포함한다. 통신망 인공지능 운용 시스템(100)은 학습된 운용 업무 모델을 이용하여 실시간으로 수집한 통신망 데이터로부터 해당 운용 업무 모델에서 학습된 운용 정보를 획득하는 통신망 운용부(150)를 포함한다. 통신망 데이터 관리부(110), 운용 업무 모델 학습부(130), 통신망 운용부(150) 각각은 운용자가 해당 장치를 제어하고, 운용자에게 출력 정보를 표시하는 인터페이스 화면을 제공할 수 있다. 또는 통신망 인공지능 운용 시스템(100)은 통신망 데이터 관리부(110), 운용 업무 모델 학습부(130), 통신망 운용부(150)와 연동하는 운용자 서버(미도시)를 통해, 해당 장치의 사용자 인터페이스 화면을 운용자에게 제공할 수 있다.
통신망 데이터 관리부(110)는 통신망 장비들 및 망관리시스템(Network Management System, NMS)으로부터 통신망 장비들의 상태 정보와 관리 정보를 포함하는 통신망 데이터를 수집한다. 통신망 장비의 상태 정보는 예를 들면, 경보, 성능/품질, 트래픽, 각종 로그(syslog), 호(call) 정보, 비정상 호 시도 이력, 트래픽 과부하 정보 등의 히스토리를 포함할 수 있다. 통신망 장비의 관리 정보는 예를 들면, 고장 원인 및 조치내역, 고장 신고 정보, 공사 정보, 그리고 운용자 처리 정보 등의 히스토리를 포함할 수 있다.
통신망 데이터 관리부(110)는 데이터 제공 시스템의 데이터 제공 방법에 따라 해당 연동 방식(데이터베이스 연동, 실시간 메시징, 파일 전송 등)에 맞는 모듈을 구비하고 있다. 예를 들어, 통신망 데이터 관리부(110)는 데이터 제공 시스템이 관계형 데이터베이스(Relational Database, RDB)로 데이터를 보유하고 DB를 가져가도록 허용하는 경우, RDB 연동 모듈을 통해 통신망 데이터를 수집한다.
통신망 데이터 관리부(110)는 수집한 통신망 데이터를 분산 파일 형태로 저장 및 관리한다.
통신망 데이터 관리부(110)에서 수집된 통신망 데이터는 운용 업무 모델 학습부(130)에서 요구되는 학습 데이터로 가공될 수 있다. 또한 통신망 데이터 관리부(110)에서 수집된 실시간 통신망 데이터는 통신망 운용부(150)로 운용 정보 출력을 요청(질의)하기 위한 쿼리 데이터로 가공될 수 있다. 쿼리 데이터는 운용 업무 모델의 입력값으로 사용되어 운용 정보 출력에 사용된다.
통신망 데이터 관리부(110)는 통신망 데이터로부터 운용 업무 모델의 입력 계층 및 출력 계층에 입력되는 학습 데이터를 생성한다. 이때, 통신망 데이터 관리부(110)는 수집된 통신망 데이터의 연관 관계 정보를 기초로 통신망 데이터 사이의 연관 관계를 분석하여 학습 데이터를 생성한다. 통신망 데이터 관리부(110)는 연관/상관관계 분석 툴(R, Spark)을 이용하여 연관/상관관계가 있는 데이터를 찾아 연관/상관관계가 있는 데이터들로 학습 데이터를 생성한다. 통신망 데이터 사이의 연관 관계는 발생 시간대, 발생 국소(발생 위치), 발생 장치, 물리 시설 연결 링크, 논리 회선 등을 기초로 추출될 수 있다.
운용 업무 모델 학습부(130)는 학습 데이터를 기초로 운용 업무 모델을 학습시킨다. 운용 업무 모델 학습부(130)는 통신망 데이터 관리부(110)로부터 입력받은 학습 데이터를 각 운용 업무 모델의 학습에 적합하도록 길이 조정, 문자 추가/삭제, 데이터 맵핑 등의 전처리한 후, 전처리한 학습 데이터로 운용 업무 모델을 학습시킨다.
운용 업무 모델 학습부(130)는 복수의 운용 업무 모델을 포함할 수 있다. 각 운용 업무 모델은 각 단위 학습 모델로 구성되거나, 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들을 결합한 결합 모델로 구성될 수 있다. 여기서, 단위 학습 모델은 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 군집화 학습 모델일 수 있다. 결합 모델은 복잡한 운용 업무 해결을 위해 선택된 복수의 단위 학습 모델들이 순차적으로 결합된 모델로서, 선행 단위 학습 모델의 출력값이 후행 단위 학습 모델의 입력 계층으로 입력되도록 결합된 학습 모델일 수 있다. 각 운용 업무 모델에서 출력되는 운용 정보는 고장 유무(고장 판단), 고장 원인 분류, 트래픽 예측, 증설 규모 예측, 장애 예측, 비정상 호(Fraud call) 탐지, 부하 분산 중 적어도 하나를 포함할 수 있고, 운용 정보는 다양하게 설정될 수 있다.
분류 학습 모델은 멀티레이어 퍼셉트론, 컨볼루션 신경망(Convolutional Neural Network, CNN), 서포트 벡터 머신(Support Vector Machine, SVM) 알고리즘 등을 포함할 수 있다. 분류 학습 모델은 이진 분류 및 다중 분류를 수행할 수 있도록 입력 계층 항목, 은닉 계층의 수, 출력 계층 항목, 학습 반복 회수 및 초기값 설정 등의 변수 항목을 운용 업무에 따라 조정할 수 있도록 구성된다. 분류 학습 모델은 예를 들면, 고장 판단 및/또는 고장원인 분류를 포함하는 운용 정보를 출력하는 고장판단기 및/또는 고장원인 분류기로 동작하도록 학습될 수 있다.
회귀 학습 모델은 순환 신경망(Recurrent Neural Network, RNN), 로지스틱 회귀(Logistic Regression) 알고리즘 등을 포함할 수 있다. 회귀 학습 모델은 추세 예측이나 미래의 값을 예측할 수 있도록 입력 계층 항목, 은닉 계층의 수, 미래 구간 수, 출력 계층 항목 수, 학습 반복 회수 및 초기값 설정 등의 변수 항목을 운용 업무에 따라 조정할 수 있도록 구성된다. 회귀 학습 모델은 예를 들면, 트래픽 예측 및/또는 장비 증설 규모 예측을 포함하는 운용 정보를 출력하는 트래픽 예측기 및/또는 시설 증설규모 예측기로 동작하도록 학습될 수 있다.
비정상 탐지 학습 모델은 K-최근접 이웃(K-nearest neighbors) 알고리즘, 주성분분석(Principal Component Analysis) 알고리즘 등을 포함할 수 있다. 비정상 탐지 학습 모델은 비정상적인 데이터를 식별하여 제시할 수 있도록 입력 계층 항목, 이웃의 수, 주성분의 수, 출력값의 범위, 학습 반복 회수 및 초기값 설정 등의 변수 항목을 운용 업무에 따라 조정할 수 있도록 구성된다. 비정상 탐지 학습 모델은 예를 들면, 장애 예측 및/또는 비정상 호 탐지를 포함하는 운용 정보를 출력하는 장애 예측기 및/또는 비정상 호 탐지기로 동작하도록 학습될 수 있다.
군집화 학습 모델은 K-평균(K-means) 알고리즘, 가우시안 혼합 모델(Gaussian Mixture Model, GMM) 알고리즘 등을 포함할 수 있다. 군집화 학습 모델은 다수의 그룹을 구분해 낼 수 있도록 군집의 수, 군집의 중심 초기값, 학습 중지 조건 등의 변수 항목을 운용 업무에 따라 조정할 수 있도록 구성된다. 군집화 학습 모델은 예를 들면, 부하 분산을 포함하는 운용 정보를 출력하는 부하 분산기로 동작하도록 학습될 수 있다.
운용 업무 모델 학습부(130)는 각 운용 업무 모델의 성능을 검증한 후, 검증된 운용 업무 모델을 통신망 운용부(150)에서 사용할 수 있도록 할 수 있다. 검증용 고장판단기와 고장원인 분류기를 통해 분류 학습 모델 및 이의 학습 데이터를 검증할 수 있다. 검증용 트래픽 예측기와 시설 증설규모 예측기를 통해 회귀 학습 모델 및 이의 학습 데이터를 검증할 수 있다. 검증용 장애 예측기와 비정상 호 탐지기를 통해 비정상 탐지 학습 모델 및 이의 학습 데이터를 검증할 수 있다. 검증용 부하 분산기를 통해 군집화 학습 모델 및 이의 학습 데이터를 검증할 수 있다. 운용 업무 모델 학습부(130)는 각 운용 업무 모델이 통신망 운용 업무에 적합한지와 성능을 검증하기 위한 시범 서비스로, 분류 분야 응용 서비스(고장판단기, 고장원인 분류기), 회귀 분야 응용 서비스(트래픽 예측기, 시설증설 규모 예측기), 비정상 탐지 분야 응용 서비스(비정상 호 탐지기), 군집화 분야 응용 서비스(부하 분산기)를 포함하는 응용 서비스 계층을 구비하고 있다.
한편, 운용 업무 모델 학습부(130)는 운용자가 복수의 단위 학습 모델들 중 적어도 하나의 단위 학습 모델을 선택하여 결합 모델을 생성할 수 있는 인터페이스 화면을 제공할 수 있다. 운용 업무 모델 학습부(130)는 각 운용 업무 모델이 복수의 학습 알고리즘들을 제공하는 경우, 학습 알고리즘을 선택할 수 있는 인터페이스 화면을 제공할 수 있다. 또한, 운용 업무 모델 학습부(130)는 각 운용 업무 모델의 입력 계층 항목 및 출력 계층 항목을 조정할 수 있는 인터페이스 화면을 제공할 수 있다.
운용 업무 모델 학습부(130)는 운용 업무 모델을 학습 데이터로 반복적으로 학습시킨 학습 결과를 운용자에게 제공할 수 있다. 학습 결과는 학습 횟수, 학습율, 학습 데이터, 출력값 등을 포함할 수 있다.
통신망 운용부(150)는 통신망 데이터 관리부(110)로부터 실시간 통신망 데이터로부터 생성된 쿼리 데이터를 입력받는다. 또는 통신망 운용부(150)는 지정된 운용 업무 모델의 입력 계층 항목에 맞게 실시간 통신망 데이터를 가공한 후, 가공한 실시간 통신망 데이터를 운용 업무 모델에 입력하여 출력되는 실시간 운용 정보를 획득할 수 있다. 설명에서는, 통신망 데이터 관리부(110)가 실시간 통신망 데이터로부터, 입력할 운용 업무 모델의 입력 계층 항목에 맞는 쿼리 데이터를 생성하고, 이를 통신망 운용부(150)에 제공하는 것으로 가정한다.
통신망 운용부(150)는 운용자가 운용 업무 모델을 선택하고, 실시간 통신망 데이터를 입력하거나 지정할 수 있는 인터페이스 화면을 제공할 수 있다. 통신망 운용부(150)는 운용 업무 모델에서 출력되는 실시간 운용 정보를 운용자가 이해하기 쉬운 그래프, 챠트, 수치, 테이블 등의 시각적 형태로 표시할 수 있다.
도 2는 한 실시예에 따른 통신망 데이터 관리부의 구성도이다.
도 2를 참고하면, 통신망 데이터 관리부(110)는 통신망 데이터 수집부(111), 통신망 데이터 저장부(113), 통신망 데이터 분석부(115), 학습 데이터 생성부(117)를 포함한다. 통신망 데이터 관리부(110)는 쿼리 데이터 생성부(119)를 더 포함할 수 있다. 쿼리 데이터는 실시간 통신망 데이터를 운용 업무 모델의 입력 계층 항목에 맞게 생성한 입력 데이터로서, 통신망 운용부(150)에게 실시간 통신망 데이터에 관련된 운용 정보를 질의하기 위해 통신망 운용부(150)로 입력된다.
통신망 데이터 수집부(111)는 통신망 장비들 및 망관리시스템으로부터 통신망 장비들의 상태 정보와 관리 정보를 포함하는 통신망 데이터를 수집한다. 통신망 데이터 수집부(111)는 히스토리 데이터를 수집하는 로그데이터 수집기를 통해, 경보, 성능/품질, 트래픽, 각종 로그(syslog), 호(call) 정보, 비정상 호 시도 이력, 트래픽 과부하 정보 등의 통신망 장비의 상태 정보, 그리고 고장 원인 및 조치내역, 고장 신고 정보, 공사 정보, 그리고 운용자 처리 정보 등의 통신망 장비의 관리 정보를 수집할 수 있다. 통신망 데이터 수집부(111)는 RDB 데이터 수집기를 통해, 관계형 데이터베이스와 연동하여 연관 관계 정보를 수집한다.
통신망 데이터 수집부(111)는 실시간 데이터 수집기를 통해, 운용 정보 획득을 위한 실시간 통신망 데이터를 수집한다. 통신망 데이터 수집부(111)는 수집된 데이터의 안정적 전달을 위해 분산 메시징 처리할 수 있다.
통신망 데이터 저장부(113)는 수집된 데이터를 다수의 범용 컴퓨터에 분산 파일 형태로 저장 및 관리한다.
통신망 데이터 분석부(115)는 통신망 데이터 저장부(113)에 저장된 통신망 데이터의 연관 관계를 일괄 분석하여 연관 관계가 있는 통신망 데이터를 그룹핑한다. 예를 들어 통신장비 장애 경보의 경우, 발생장비, 발생시간, 공사/작업 여부, 성능저하 이력 등을 분석하여 고객사유 발생 경보, 공사/작업 사유 발생 경보, 성능저하로 인해 발생한 경보 등으로 그룹핑하고, 그 결과 학습 데이터로 사용할지 여부를 결정할 수 있다. 통신망 데이터 분석부(115)는 인메모리 분산처리기와 인메모리 쿼리기를 이용하여 일괄 분석할 수 있다. 또한, 통신망 데이터 분석부(115)는 스트리밍 데이터 분석기를 통해 통신망 데이터 발생 시점의 실시간 데이터 분석을 한다. 즉, 통신망 데이터 분석부(115)는 실시간으로 수집되는 스트리밍 데이터의 지연을 최소화하여 분석하여 제공하는 스트리밍 데이터 분석기를 구비하고, 이를 통해 네트워크 장애가 발생된 직후 실시간으로 경보, 성능 데이터를 수집하여 제공할 수 있다.
학습 데이터 생성부(117)는 수집된 통신망 데이터의 발생 시간대, 발생 국소(발생 위치), 발생 장치, 물리 시설 연결 링크, 논리 회선 등의 연관 관계 정보를 기초로 통신망 데이터 사이의 연관 관계를 분석하여 학습 데이터를 생성한다. 대상 운용 업무에 따라 학습 데이터는 달라질 수 있다. 통신망 데이터들 간의 연관성을 따져서 관련이 있는 항목들을 모으는 작업을 진행할 수 있는 데이터 및 툴에 의해 연관성 있는 학습 데이터가 생성된다. 예를 들어 고장여부를 파악하기 위해 경보데이터(경보발생시간, 경보발생 장치, 경보발생 위치, 경보항목, 경보 등급 등), 공사정보(공사시간, 공사 대상장치, 대상장치와 연결된 링크, 회선명 등), 회선정보(회선명, 회선을 구성하는 장치, 회선이 연결된 장치의 포트/인터페이스 번호 등) 간의 관계를 따져서 공사를 하지 않는 장비이며, 동일 회선에 연결된 각각의 장비에서 관련된 경보가 발생하는 경우를 뽑아 연관 데이터로 추출한 후, 각 장치와 관련된 정보들을 결합하여 학습 데이터를 생성.할 수 있다. 학습 데이터 생성부(117)는 운용 업무 모델 학습부(130)로 학습 데이터를 제공한다. 이때, 학습 데이터 생성부(117)는 각 운용 업무 모델의 학습에서 요구되는 통신망 데이터를 이용하여 각 운용 업무 모델의 학습 데이터를 생성한다. 각 운용 업무 모델의 입력 계층 항목 및 출력 계층 항목이 학습 데이터로 구성된다.
쿼리 데이터 생성부(119)는 실시간으로 수집된 통신망 데이터를 입력받고, 지정된 운용 업무 모델의 입력 계층 항목에 맞게 실시간 통신망 데이터를 가공하여 쿼리 데이터를 생성한다. 쿼리 데이터 생성부(119)는 통신망 운용부(150)로 쿼리 데이터를 제공하여 운용 정보 출력을 요청한다.
도 3은 한 실시예에 따른 운용 업무 모델 학습부의 동작 방법의 흐름도이다.
도 3을 참고하면, 운용 업무 모델 학습부(130)는 운용자로부터 학습 대상에 관련된 운용 업무 모델 제어 정보를 입력받는다(S110). 운용 업무 모델 제어 정보는 학습 대상인 운용 업무 모델을 구성하는 적어도 하나의 단위 학습 모델(예를 들면, 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 군집화 학습 모델), 선택된 단위 학습 모델의 학습 알고리즘, 선택된 단위 학습 모델의 변수 항목(예를 들면, 입력 계층 항목, 은닉 계층의 수, 출력 계층 항목, 학습 반복 회수 및 초기값 설정 등) 등을 포함할 수 있다. 운용 업무 모델은 하나의 단위 학습 모델이거나 복수의 단위 학습 모델들이 결합된 결합 모델일 수 있다.
운용 업무 모델 학습부(130)는 운용 업무 모델 제어 정보에 해당하는 학습 데이터를 획득한다(S120). 운용 업무 모델 학습부(130)는 통신망 데이터 관리부(110)로 운용 업무 모델 제어 정보에 해당하는 학습 데이터를 요청할 수 있다. 또는 운용 업무 모델 학습부(130)는 통신망 데이터 관리부(110)로부터 각 단위 학습 모델의 학습을 위한 단위 학습 모델별 초기 학습 데이터를 수신하고, 운용 업무 모델 제어 정보를 기초로 단위 학습 모델별 초기 학습 데이터를 생성하여 운용 업무 모델용 최종 학습 데이터를 만들 수 있다. 운용 업무 모델 학습부(130)는 입력받은 학습 데이터를 운용 업무 모델의 학습을 위해 길이 조정, 문자 추가/삭제, 데이터 맵핑 등의 전처리할 수 있다.
운용 업무 모델 학습부(130)는 운용 업무 모델 제어 정보를 기초로 운용 업무 모델을 생성하고, 운용 업무 모델을 학습 데이터로 학습시킨다(S130).
도 4는 다른 실시예에 따른 운용 업무 모델 학습부의 동작 방법의 흐름도이다.
도 4를 참고하면, 운용 업무 모델 학습부(130)는 각 단위 학습 모델(예를 들면, 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 군집화 학습 모델)의 학습 알고리즘 및/또는 변수 항목을 입력받는다(S210).
운용 업무 모델 학습부(130)는 입력받은 학습 알고리즘 및/또는 변수 항목으로 각 단위 학습 모델의 설정을 조정한다(S220).
운용 업무 모델 학습부(130)는 각 단위 학습 모델을 해당 단위 학습 모델의 학습 데이터로 학습시킨다(S230).
이후, 운용 업무 모델 학습부(130)는 복수의 단위 학습 모델들을 결합한 운용 업무 모델 생성을 요청받는다(S240). 운용자는 운용 업무의 필요에 따라 다수의 단위 학습 모델들 결합하여 좀 더 복잡한 운용 업무의 해결을 위한 학습 모델을 구성할 수 있다. 이를 위해, 각 단위 학습 모델의 출력이 다른 단위 학습 모델의 입력으로 결합 가능한 프레임워크로 구성된다. 또는 복수의 단위 학습 모델들의 출력이 다른 단위 학습 모델의 입력으로 제공될 수 있도록 유연하게 결합 가능한 프레임워크로 구성될 수 있다.
운용 업무 모델 학습부(130)는 선택된 단위 학습 모델들의 입력과 출력을 순차적으로 결합하여 운용 업무 모델을 생성한다(S250).
운용 업무 모델 학습부(130)는 운용 업무 모델을 학습 데이터로 최종 학습시킨다(S260).
도 5는 한 실시예에 따른 운용부의 동작 방법의 흐름도이다.
도 5를 참고하면, 통신망 운용부(150)는 실시간 통신망 데이터로부터 생성된 쿼리 데이터를 입력받는다(S310). 통신망 운용부(150)는 통신망 데이터 관리부(110)에 운용 업무 모델 또는 이의 입력 계층 항목을 전송하여 쿼리 데이터를 요청하거나, 통신망 데이터 관리부(110)로부터 수신한 실시간 통신망 데이터를 운용 업무 모델의 입력 계층 항목에 맞게 쿼리 데이터를 생성할 수 있다.
통신망 운용부(150)는 학습된 운용 업무 모델에 쿼리 데이터를 입력한다(S320). 이때, 학습된 운용 업무 모델이 복수인 경우, 통신망 운용부(150)는 운용 업무 모델들 각각으로 쿼리 데이터를 입력할 수 있다.
통신망 운용부(150)는 운용 업무 모델에서 출력된 운용 정보를 사용자 인터페이스 화면에 표시한다(S330). 예를 들어, 통신망 운용부(150)는 고장 판단 및 고장원인 분류를 출력하도록 학습된 분류 학습 모델로부터 실시간 통신망 데이터에 관련된 장비의 고장 판단 및 고장원인 분류 결과를 획득할 수 있다. 통신망 운용부(150)는 트래픽 예측 및 장비 증설 규모 예측을 출력하도록 학습된 회귀 학습 모델로부터 실시간 통신망 데이터에 관련된 장비의 트래픽 예측 및 장비 증설 규모 예측 결과를 획득할 수 있다. 통신망 운용부(150)는 장애 예측 및 비정상 호 탐지를 출력하도록 학습된 비정상 탐지 학습 모델로부터 실시간 통신망 데이터에 관련된 장비의 장애 예측 및 비정상 호 탐지 결과를 획득할 수 있다. 통신망 운용부(150)는 부하 분산을 출력하도록 학습된 군집화 학습 모델로부터 실시간 통신망 데이터에 관련된 장비의 부하 분산 결과를 획득할 수 있다.
이와 같이, 본 발명에 따르면, 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 군집화 학습 모델 등의 단위 학습 모델을 제공하고, 운용 업무의 복잡도에 따라 단일한 단위 학습 모델 또는 복수의 단위 학습 모델들을 결합한 결합 모델을 운용 업무 모델로 사용할 수 있다. 특히, 본 발명에 따르면, 추가적인 운용 업무 발생 시 구비된 단위 학습 모델들을 결합하여 저비용으로 신속하게 다양한 운용 업무 모델을 만들 수 있다. 본 발명에 따르면, 복잡하고 다양한 통신망 운용 업무를 자동화할 수 있다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (15)

  1. 통신망 인공지능 운용 시스템으로서,
    운용 업무 모델의 학습 알고리즘과 변수 항목의 설정을 위한 사용자 인터페이스 화면을 제공하고, 상기 사용자 인터페이스 화면에서 입력된 정보에 따라 상기 운용 업무 모델의 설정을 조정한 후, 학습 데이터를 기초로 상기 운용 업무 모델을 학습시키는 학습부,
    통신망 장비들의 상태 정보와 관리 정보를 포함하는 통신망 데이터를 수집하고, 상기 통신망 데이터 사이의 연관 관계 정보를 기초로 상기 통신망 데이터로부터 상기 운용 업무 모델의 입력 계층이나 출력 계층에 입력되는 상기 학습 데이터를 생성하는 통신망 데이터 관리부, 그리고
    상기 학습부에서 학습된 운용 업무 모델을 선택하고, 상기 학습된 운용 업무 모델로 실시간 통신망 데이터로부터 생성된 쿼리 데이터를 입력하여 상기 학습된 운용 업무 모델이 제공하는 운용 정보를 출력하는 통신망 운용부를 포함하고,
    상기 운용 업무 모델은 복수의 단위 학습 모델들 그리고 적어도 하나의 결합 모델 중 적어도 하나를 포함하고, 상기 결합 모델은 상기 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들로 구성된 학습 모델인, 통신망 인공지능 운용 시스템.
  2. 제1항에서,
    상기 통신망 데이터 사이 연관 관계는 각 통신망 데이터의 발생 시간대, 각 통신망 데이터의 발생 위치, 각 통신망 데이터의 발생 장치, 각 통신망 데이터의 발생 장치와 연결된 링크나 회선을 기초로 추출되고,
    상기 운용 정보는 고장 유무, 고장 원인 분류, 트래픽 예측, 증설 규모 예측, 장애 예측, 비정상 호 탐지, 부하 분산 중 적어도 하나를 포함하고,
    각 운용 업무 모델에서 출력되는 운용 정보는 해당 운용 업무 모델을 구성하는 단위 학습 모델 및 학습 데이터에 의해 결정되는, 통신망 인공지능 운용 시스템.
  3. 제1항에서,
    상기 복수의 단위 학습 모델들을 구성하는 각 단위 학습 모델은 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 그리고 군집화 학습 모델 중 어느 하나의 학습 모델인, 통신망 인공지능 운용 시스템.
  4. 삭제
  5. 제1항에서,
    상기 변수 항목은 입력 계층 항목, 은닉 계층의 수, 출력 계층 항목, 학습 반복 회수, 초기값, 이웃의 수, 주성분의 수, 군집의 수, 군집의 중심 초기값, 그리고 학습 중지 조건 중 적어도 하나를 포함하고,
    상기 변수 항목은 상기 운용 업무 모델의 학습 알고리즘에 따라 가변되는, 통신망 인공지능 운용 시스템.
  6. 삭제
  7. 제1항에서,
    상기 통신망 운용부는
    상기 학습부에서 학습된 적어도 하나의 운용 업무 모델을 표시하는 사용자 인터페이스 화면을 제공하고, 상기 사용자 인터페이스 화면에서 특정 운용 업무 모델이 선택되면, 상기 특정 운용 업무 모델로 상기 쿼리 데이터를 입력하는, 통신망 인공지능 운용 시스템.
  8. 통신망 인공지능 운용 시스템의 동작 방법으로서,
    운용 업무 모델의 학습 알고리즘과 변수 항목의 설정을 위한 사용자 인터페이스 화면을 제공하고, 상기 사용자 인터페이스 화면에서 상기 운용 업무 모델을 구성하는 학습 모델의 학습 알고리즘, 그리고 해당 학습 모델의 변수 항목을 포함하는 운용 업무 모델 제어 정보를 입력받는 단계,
    통신망 장비들의 상태 정보와 관리 정보를 포함하는 통신망 데이터를 수집하고, 상기 통신망 데이터 사이의 연관 관계 정보를 기초로 상기 통신망 데이터로부터 상기 운용 업무 모델 제어 정보에 해당하는 학습 데이터를 생성하는 단계,
    상기 운용 업무 모델 제어 정보에 해당하는 운용 업무 모델을 생성하는 단계,
    상기 운용 업무 모델을 상기 학습 데이터로 학습시키는 단계, 그리고
    학습된 상기 운용 업무 모델로 실시간 통신망 데이터로부터 생성된 쿼리 데이터를 입력하여 상기 학습된 운용 업무 모델이 제공하는 운용 정보를 출력하는 단계를 포함하고,
    상기 운용 업무 모델은
    복수의 단위 학습 모델들 중 어느 하나의 단위 학습 모델이거나, 상기 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들이 결합된 결합 모델인, 동작 방법.
  9. 제8항에서,
    상기 통신망 데이터 사이 연관 관계는 각 통신망 데이터의 발생 시간대, 각 통신망 데이터의 발생 위치, 각 통신망 데이터의 발생 장치, 각 통신망 데이터의 발생 장치와 연결된 링크나 회선을 기초로 추출되고,
    상기 운용 정보는 고장 유무, 고장 원인 분류, 트래픽 예측, 증설 규모 예측, 장애 예측, 비정상 호 탐지, 부하 분산 중 적어도 하나를 포함하고,
    각 운용 업무 모델에서 출력되는 운용 정보는 해당 운용 업무 모델을 구성하는 단위 학습 모델 및 학습 데이터에 의해 결정되는, 동작 방법.
  10. 제8항에서,
    상기 복수의 단위 학습 모델들을 구성하는 각 단위 학습 모델은 분류 학습 모델, 회귀 학습 모델, 비정상 탐지 학습 모델, 그리고 군집화 학습 모델 중 어느 하나의 학습 모델인, 동작 방법.
  11. 제8항에서,
    상기 운용 업무 모델을 생성하는 단계는
    상기 운용 업무 모델 제어 정보에 상기 복수의 단위 학습 모델들 중에서 선택된 단위 학습 모델들의 정보가 포함된 경우, 선택된 단위 학습 모델들을 순차적으로 연결하여 상기 결합 모델을 생성하는, 동작 방법.
  12. 제8항에서,
    상기 변수 항목은 입력 계층 항목, 은닉 계층의 수, 출력 계층 항목, 학습 반복 회수, 초기값, 이웃의 수, 주성분의 수, 군집의 수, 군집의 중심 초기값, 그리고 학습 중지 조건 중 적어도 하나를 포함하고,
    상기 변수 항목은 상기 운용 업무 모델의 학습 알고리즘에 따라 가변되는, 동작 방법.
  13. 삭제
  14. 삭제
  15. 삭제
KR1020180027629A 2017-06-26 2018-03-08 통신망의 인공지능 운용 시스템 및 이의 동작 방법 KR102087959B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20170080509 2017-06-26
KR1020170080509 2017-06-26

Publications (2)

Publication Number Publication Date
KR20190001501A KR20190001501A (ko) 2019-01-04
KR102087959B1 true KR102087959B1 (ko) 2020-03-11

Family

ID=65018016

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180027629A KR102087959B1 (ko) 2017-06-26 2018-03-08 통신망의 인공지능 운용 시스템 및 이의 동작 방법

Country Status (1)

Country Link
KR (1) KR102087959B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022065541A1 (ko) * 2020-09-23 2022-03-31 주식회사 지니테크 기계 학습에 기반한 장애호 검출 시스템 및 그 제어방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102367861B1 (ko) * 2019-08-30 2022-02-25 주식회사 케이티 자가학습에 기초하여 네트워크 장비에 대한 장애를 판단하는 장치, 방법 및 컴퓨터 프로그램
KR102436192B1 (ko) * 2020-09-04 2022-08-25 (주)에이티비스 디지털 방송신호 송출 시의 스트림 자동 절체 모니터링 및 제어 장치
KR102516187B1 (ko) * 2020-11-18 2023-03-30 (주)글루시스 시스템 장애 예측 방법 및 시스템
KR102266114B1 (ko) * 2021-01-06 2021-06-17 주식회사 휴라 전파 측정 시스템에서 인공지능 기술을 이용하여 주파수 이용률을 결정하기 위한 방법 및 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150193693A1 (en) * 2014-01-06 2015-07-09 Cisco Technology, Inc. Learning model selection in a distributed network

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150193693A1 (en) * 2014-01-06 2015-07-09 Cisco Technology, Inc. Learning model selection in a distributed network

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
김근영 외. 기계학습을 활용한 5G통신 동향, 한국전자통신연구원. 2016년*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022065541A1 (ko) * 2020-09-23 2022-03-31 주식회사 지니테크 기계 학습에 기반한 장애호 검출 시스템 및 그 제어방법

Also Published As

Publication number Publication date
KR20190001501A (ko) 2019-01-04

Similar Documents

Publication Publication Date Title
KR102087959B1 (ko) 통신망의 인공지능 운용 시스템 및 이의 동작 방법
US20210034994A1 (en) Computer-based systems configured for detecting, classifying, and visualizing events in large-scale, multivariate and multidimensional datasets and methods of use thereof
US11595415B2 (en) Root cause analysis in multivariate unsupervised anomaly detection
US10423647B2 (en) Descriptive datacenter state comparison
US10261851B2 (en) Anomaly detection using circumstance-specific detectors
KR102118670B1 (ko) Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법
CN106844138A (zh) 运维报警系统及方法
EP3648433B1 (en) System and method of training behavior labeling model
CN110287316A (zh) 一种告警分类方法、装置、电子设备及存储介质
US20210081501A1 (en) System and method for automated insight curation and alerting
CN110798440B (zh) 异常用户检测方法、装置、系统及计算机存储介质
CN113313280B (zh) 云平台的巡检方法、电子设备及非易失性存储介质
US20230316078A1 (en) Model training method and apparatus, device, storage medium and program product
CN116300564A (zh) 一种支持跨地域跨集群混合基础设施自动化监控运维平台
KR102534396B1 (ko) 인공지능(Artificial Intelligence, AI) 알고리즘 수행 방법, 인공지능 알고리즘 수행 장치 및 인공지능 알고리즘 수행하는 소프트웨어를 저장하는 저장매체
CN114676021A (zh) 作业日志监控方法、装置、计算机设备和存储介质
JP2022132078A (ja) 機械学習モデル更新方法、コンピュータプログラムおよび管理装置
CN113254781A (zh) 推荐系统中的模型确定方法、装置、电子设备和存储介质
CN113656452A (zh) 调用链指标异常的检测方法、装置、电子设备及存储介质
Streiffer et al. Learning to simplify distributed systems management
US9229898B2 (en) Causation isolation using a configuration item metric identified based on event classification
Castro et al. Exploring Logic Scoring of Preference for DoS Attack Detection in Microservice Applications
CN112836770B (zh) Kpi异常定位分析方法及系统
Teggi et al. AIOPs based Predictive Alerting for System Stability in IT Environment
US20230385279A1 (en) Dynamic classification and optimization of computing resource utilization

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