KR101027242B1 - 공정 제어 네트워크에서의 장애 예측 방법 및 장치 - Google Patents

공정 제어 네트워크에서의 장애 예측 방법 및 장치 Download PDF

Info

Publication number
KR101027242B1
KR101027242B1 KR1020080133944A KR20080133944A KR101027242B1 KR 101027242 B1 KR101027242 B1 KR 101027242B1 KR 1020080133944 A KR1020080133944 A KR 1020080133944A KR 20080133944 A KR20080133944 A KR 20080133944A KR 101027242 B1 KR101027242 B1 KR 101027242B1
Authority
KR
South Korea
Prior art keywords
failure
disability
occurrence
information
probability
Prior art date
Application number
KR1020080133944A
Other languages
English (en)
Other versions
KR20100075292A (ko
Inventor
홍원기
황화원
이장진
노홍선
원영준
Original Assignee
포항공과대학교 산학협력단
주식회사 포스코
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 포항공과대학교 산학협력단, 주식회사 포스코 filed Critical 포항공과대학교 산학협력단
Priority to KR1020080133944A priority Critical patent/KR101027242B1/ko
Publication of KR20100075292A publication Critical patent/KR20100075292A/ko
Application granted granted Critical
Publication of KR101027242B1 publication Critical patent/KR101027242B1/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
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/064—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving time analysis
    • 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
    • H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of 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
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0695—Management of faults, events, alarms or notifications the faulty arrangement being the maintenance, administration or management system

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

본 발명은 공정 제어 네트워크에서의 장애 예측 방법 및 장치에 관한 것으로서, 수집한 패킷을 이용하여 발생되는 장애 여부를 판단하고 장애 정보를 기록하는 단계; 상기 기록된 장애 정보를 바탕으로 장애 표현식을 구성하고, 상기 장애 표현식을 바탕으로 상기 기록된 장애 정보가 실제 발생한 장애인지 여부를 판단하는 단계; 실제 발생한 장애인 경우, 상기 장애 표현식을 장애 발생 시간을 기준으로 분류하여 장애 발생 시간별 패턴을 기록하는 단계; 및 2-파라미터 와이블 분포 모델 기반의 장애 예측을 위한 확률값을 도출하는 단계를 포함한다.
공정, 제어, 네트워크, 장애, 예측

Description

공정 제어 네트워크에서의 장애 예측 방법 및 장치{Method and Apparatus for Predicting Error in Process Control Network}
본 발명은 공정 제어 네트워크에서의 장애 예측 방법 및 시스템에 관한 것으로, 더욱 상세하게는 Ethernet/IP 기반의 공정 제어 네트워크에서 측정 시간 동안 탐지되는 장애를 판단하고, 장애별 실제 발생 주기 측정을 통하여 앞으로 발생 가능한 동일한 장애의 발생 확률을 예측하기 위한 공정 제어 네트워크에서의 장애 예측 방법 및 시스템에 관한 것이다.
Ethernet/IP를 기반으로 하는 공정 제어 네트워크는 공정 프로세스와 제어되는 장비 간의 통신을 지원한다. 공정 제어 네트워크에서 발생하는 통신 장애는 정확한 시간별 이벤트에 영향을 받는 공정 프로세스에 지연을 발생시키기도 하며, 심지어 전체 공정의 중단을 초래하기도 한다.
현재, 발생하는 통신 장애에 대한 대처는 수동적이며, 단순 반복적인 경험에 치우친 잣대로 장애를 판단하여 처리하고 있다. 이는 장애 발생 후의 사후 처리이므로 공정에 차질을 유발하며, 경험에 의한 단순 장애 대처 방법은 비효율적일 수 밖에 없다.
따라서, 공정 제어 네트워크에서 발생하는 통신 장애를 효과적으로 처리하기 위한 능동적인 대처 방안이 요구되고 있다.
본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로서, 공정 제어 네트워크에서 동일한 장애가 발생할 확률을 예측하기 위한 공정 제어 네트워크에서의 장애 예측 방법 및 장치를 제공하는 데 그 목적이 있다.
이와 같은 목적을 달성하기 위한 본 발명은, 수집한 패킷을 이용하여 장애 여부를 판단하고 장애 정보를 기록하는 장애 정보 제공 모듈; 및 상기 장애 정보를 이용하여 동일한 장애의 발생 확률을 예측하는 장애 예측 모듈을 포함하는 공정 제어 네트워크에서의 장애 예측 장치를 제공한다.
본 발명은, 수집한 패킷을 이용하여 발생되는 장애 여부를 판단하고 장애 정보를 기록하는 단계; 상기 기록된 장애 정보를 바탕으로 장애 표현식을 구성하고, 상기 장애 표현식을 바탕으로 상기 기록된 장애 정보가 실제 발생한 장애인지 여부를 판단하는 단계; 실제 발생한 장애인 경우, 상기 장애 표현식을 장애 발생 시간을 기준으로 분류하여 장애 발생 시간별 패턴을 기록하는 단계; 및 2-파라미터 와이블 분포 모델 기반의 장애 예측을 위한 확률값을 도출하는 단계를 포함하는 공정 제어 네트워크에서의 장애 예측 방법을 제공한다.
이상에서 설명한 바와 같이 본 발명에 의하면, 공정 제어 네트워크에서 측정 시간 동안 탐지되는 장애를 판단하고, 장애별 실제 발생 주기 측정을 통하여 앞으 로 발생 가능한 동일한 장애의 발생 확률을 예측함으로써, 공정 제어 네트워크에서 발생하는 통신 장애를 효과적으로 처리할 수 있고, 전체 공정의 효율을 향상시키는 효과가 있다.
이하, 본 발명의 일실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
실시예
도 1은 본 발명의 일실시예에 따른 공정 제어 네트워크에서의 장애 예측 장치를 나타낸 블럭 구성도이다.
도 1을 참조하면, 본 발명에 따른 장애 예측 장치(100)는 크게 실시간 처리 주기로 패킷을 수집하고, 장애 여부를 판단하여 결과값을 기록하는 장애 정보 제공 모듈(110)과 사용자에 의해 설정된 비실시간 처리 주기로 장애 정보 제공 모듈(110)의 결과값을 이용하여 동일한 장애의 발생 확률을 예측하는 장애 예측 모듈(120)로 나누어진다.
본 발명에 따른 장애 정보 제공 모듈(110)은 공정 제어 네트워크에서 발생하는 패킷을 수집하는 패킷 수신부(112) 및 패킷 미러링, 탭 방식 등의 패킷 분석을 통하여 발생되는 장애 여부를 판단하고, 장애의 종류와 단위 측정시간대별 장애 발생 시간 등을 포함하는 장애 정보를 기록하는 장애 판단부(114) 등을 포함한다.
장애 판단부(114)는 공정 제어 네트워크에서 특화된 장애 유형을 가지고 있으며, 기존의 일반적인 네트워크 장애 판단 장치로의 대체도 가능하다. 여기서, 특화된 장애 유형이란 일반적인 공정 제어 네트워크에서 자주 발생하는 장애들, 예컨대 비정상적인 프레임, 불완전한 패킷, 에러 발생 등을 의미한다.
본 발명에 따른 장애 예측 모듈(120)은 장애 표현부(122), 장애 패턴 수집/분석부(124), 장애 예측부(126) 및 관리자 피드백 제공부(128) 등을 포함한다.
장애 표현부(122)는 장애 판단부(114)에 기록된 장애 정보를 바탕으로 장애 표현식을 구성한다. 본 발명의 장애 표현식에 대한 자세한 설명은 도 2에서 후술하기로 한다.
관리자 피드백 제공부(128)는 장애 표현부(122)에서 구성된 장애 표현식을 바탕으로 기록된 장애 정보가 실제 발생한 장애인지 여부를 판단하여 "예" 또는 "아니오"로 표현한다.
장애 패턴 수집/분석부(124)는 장애 표현식을 장애 발생 시간을 기준으로 분류하여 장애 발생 시간별 패턴을 기록한다. 이때, 장애 패턴 수집/분석부(124)는 관리자 피드백 논리값이 "예"인 경우에만 장애 표현식을 대상으로 도 3과 같이 장애 x, y, z별로 모니터링 시작 시간부터 모니터링 종료 시간까지 발생한 장애 발생 시간 시리즈의 형태로 패턴을 기록한다. 도 3에서 동일한 길이의 화살표는 동일한 장애가 발생한 시간을 의미한다.
장애 예측부(126)는 수학식 1 내지 수학식 4에 의해 2-파라미터 와이블 분포(Two-parameter Weibull Distribution) 모델 기반의 장애 예측을 위한 확률값을 도출한다.
수학식 1은 2-파라미터 와이블 분포 모델의 수학적 정의를 설명한 것으로서, 단위 시간별로 동일한 작업을 반복할 때 총 작업 수에 비례한 작업이 실패할 확률을 계산하는 데 사용하는 모델링 방법이다.
Figure 112008089028605-pat00001
여기서, t는 시간, η는 동일한 장애가 발생하는 주기(Scale Parameter), β는 동일한 장애가 발생하는 빈도수(Shape Parameter)를 나타내고, f(t)>0, t>0, η>0이다.
수학식 2는 누적 분산 함수(Cumulative Distribution Function: CDF)값을 나타내며, 이는 동일한 작업이 실패할 확률을 누적값으로 보여준다.
Figure 112008089028605-pat00002
또한, 본 발명에서는 실제 측정한 장애와 장애가 발생한 주기값을 이용하여, 작업은 장애 유형, 실패할 확률은 장애 발생 확률로 대입하여 예측 모델을 수립한다. 이를 바탕으로 시간의 흐름에 따라 네트워크가 실패할 확률 즉, 장애가 발생할 확률은 수학식 3에 의해 표현되며, 네트워크가 안정적일 확률은 수학식 4에 의해 표현된다.
Failure(t)=f(t)/F(t)
Reliability(t)=1-F(t)
도 2는 본 발명의 일실시예에 따른 장애 표현식을 나타낸 도면이다.
도 2를 참조하면, 장애 표현식은 양방향 플로우 정보(210), 초 또는 설정 단위 시간별 장애 발생 시간(220), 장애 유형(230) 및 실제 공정 제어 네트워크 관리자에 의해 입력되는 관리자 피드백 논리값(240) 등을 포함한다.
양방향 플로우 정보(210)는 패킷의 집합체로서, 기존의 네트워크에서 단방향 개념인 발신 IP 주소, 수신 IP 주소, 송신 포트 번호, 수신 포트 번호 및 프로토콜 정보 등을 포함한다. 여기서, 양방향 플로우 정보(210)는 발/수신 양방향 모두에 해당되는 패킷의 집합체로서, 발신 하드웨어 주소인 송신 MAC 주소, 수신 하드웨어 주소인 수신 MAC 주소 등을 더 포함할 수도 있다.
장애 유형(230)은 공정 제어 네트워크에 특화된 장애 유형을 기본으로 하고 있으며, 상황에 따라 추가될 수 있다.
관리자 피드백 논리값(240)은 실제 관리자에 의한 판단 내역을 시스템에 적용하기 위한 논리값으로서, 장애 판단부(114)의 오류값을 수정하는 데 사용된다.
도 4는 본 발명의 일실시예에 따른 장애 예측부(126)의 내부 프로세스를 나타낸 도면이다.
도 4를 참조하면, 장애 예측부(126)의 입력값으로 장애 유형과 장애 유형별 발생 시간 로그 데이터의 두 가지 값을 이용하고, 이를 바탕으로 2-파라미터 와이블 분포 모델에 의해(410) 시간대별 동일 장애의 발생 확률값을 획득(420)함으로써, 장애의 예측이 가능하다. 자세하게는, 장애 유형과 장애 유형별 발생 시간 로그 데이터의 두 가지 값은 실제 측정된 시간대의 제한된 시간 대역의 발생 내역을 커버하며, 이를 바탕으로 모니터링 시작 시간대부터 무한 시간대까지의 장애 발생 확률의 표현이 가능하다.
도 5는 본 발명의 일실시예에 따른 공정 제어 네트워크에서의 장애 예측 방법을 나타낸 흐름도이다.
도 5를 참조하면, 공정 제어 네트워크에서 발생하는 패킷을 수집하고(S510), 패킷 미러링, 탭 방식 등의 패킷 분석을 통하여 발생되는 장애 여부를 판단하며(S520), 장애의 종류와 단위 측정시간대별 장애 발생 시간 등을 포함하는 장애 정보를 기록한다(S530).
이어서, 기록된 장애 정보를 바탕으로 장애 표현식을 구성하고(S540), 장애 표현식을 바탕으로 기록된 장애 정보가 실제 발생한 장애인지 여부를 판단한다(S550). 여기서, 실제 발생한 장애가 아닌 경우, 장애 예측 장치(100)의 오류값을 수정한다(S552).
단계 S550에서 실제 발생한 장애인 경우, 장애 표현식을 장애 발생 시간을 기준으로 분류하여 장애 발생 시간별 패턴을 기록한다(S560). 자세하게는, 장애 x, y, z별로 모니터링 시작 시간부터 모니터링 종료 시간까지 발생한 장애 발생 시간 시리즈의 형태로 패턴을 기록한다.
끝으로, 수학식 1 내지 4에 의해 2-파라미터 와이블 분포(Two-parameter Weibull Distribution) 모델 기반의 장애 예측을 위한 확률값을 도출한다(S570).
도 6은 본 발명에서의 장애 예측을 통한 특정 장애의 발생 확률의 예를 나타낸 그래프이다.
도 6은 TCP 윈도의 사이즈 에러의 발생 확률을 나타낸 그래프로서, (a)는 네트워크에서 동일한 장애가 발생할 확률을 나타낸 그래프이고, (b)는 네트워크가 안정적일 확률을 나타낸 그래프이다. (b)에서 곡선 그래프(610)는 본 발명에 따른 예측값을 나타내고, 다수의 데이터 포인트들로 이루어진 직선 그래프(620)는 실제 실측값을 나타낸다. 예측된 값을 바탕으로 분석하였을 때 최초 측정시부터 약 24 시간 후부터 동일한 장애가 발생할 가능성은 10.95 %, 48 시간 후에는 26.54 %, 약 일주일 후에는 83.53 %의 확률로 장애가 발생할 수 있음을 나타낸다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
도 1은 본 발명의 일실시예에 따른 공정 제어 네트워크에서의 장애 예측 장치를 나타낸 블럭 구성도,
도 2는 본 발명의 일실시예에 따른 장애 표현식을 나타낸 도면,
도 3은 장애별로 모니터링 시작 시간부터 모니터링 종료 시간까지 발생한 장애 발생 시간 시리즈의 형태로 나타낸 도면,
도 4는 본 발명의 일실시예에 따른 장애 예측부(126)의 내부 프로세스를 나타낸 도면,
도 5는 본 발명의 일실시예에 따른 공정 제어 네트워크에서의 장애 예측 방법을 나타낸 흐름도, 그리고
도 6은 본 발명에서의 장애 예측을 통한 특정 장애의 발생 확률의 예를 나타낸 그래프이다.
< 도면의 주요 부분에 대한 부호의 설명 >
110: 장애 정보 제공 모듈 112: 패킷 수신부
114: 장애 판단부 120: 장애 예측부
122: 장애 표현부 124: 장애 패턴 수집/분석부
126: 장애 예측부 128: 관리자 피드백 제공부

Claims (9)

  1. 수집한 패킷을 이용하여 장애 여부를 판단하고 장애 정보를 기록하는 장애 정보 제공 모듈; 및
    상기 장애 정보를 이용하여 동일한 장애의 발생 확률을 예측하는 장애 예측 모듈 - 상기 장애 예측 모듈은, 상기 장애 정보를 바탕으로 장애 표현식을 구성하는 장애 표현부; 상기 장애 표현식을 바탕으로 상기 기록된 장애 정보가 실제 발생한 장애인지 여부를 판단하여 "예" 또는 "아니오"로 표현하는 관리자 피드백 제공부; 상기 장애 표현식을 장애 발생 시간을 기준으로 분류하여 장애 발생 시간별 패턴을 기록하는 장애 패턴 수집/분석부; 및 2-파라미터 와이블 분포(Two-parameter Weibull Distribution) 모델 기반의 장애 예측을 위한 확률값을 도출하는 장애 예측부;를 포함하며, 상기 관리자 피드백 제공부는 상기 장애 예측부의 결과에 대하여 상기 기록된 장애 정보가 실제 발생한 장애인지 여부에 대한 판단 정보를 피드백으로 상기 장애 패턴 수집/분석부에 제공함 -;
    을 포함하는 공정 제어 네트워크에서의 장애 예측 장치.
  2. 제1항에 있어서, 상기 장애 정보 제공 모듈은,
    상기 공정 제어 네트워크에서 발생하는 상기 패킷을 수집하는 패킷 수신부; 및
    패킷 분석을 통하여 발생되는 장애 여부를 판단하고, 상기 장애 정보를 기록하는 장애 판단부;
    를 포함하는 것을 특징으로 하는 공정 제어 네트워크에서의 장애 예측 장치.
  3. 삭제
  4. 제1항에 있어서,
    상기 장애 패턴 수집/분석부는 상기 관리자 피드백 제공부에서 "예"로 판단한 경우에만 상기 장애 표현식을 대상으로 장애별로 모니터링 시작 시간부터 모니터링 종료 시간까지 발생한 장애 발생 시간 시리즈의 형태로 패턴을 기록하는 것을 특징으로 하는 공정 제어 네트워크에서의 장애 예측 장치.
  5. 제1항에 있어서,
    상기 장애 표현식은 양방향 플로우 정보, 장애 발생 시간, 장애 유형 및 관리자에 의한 판단 내역을 시스템에 적용하기 위한 논리값인 관리자 피드백 논리값 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 공정 제어 네트워크에서의 장애 예측 장치.
  6. 수집한 패킷을 이용하여 발생되는 장애 여부를 판단하고 장애 정보를 기록하는 단계;
    상기 기록된 장애 정보를 바탕으로 장애 표현식을 구성하고, 상기 장애 표현식을 바탕으로 상기 기록된 장애 정보가 실제 발생한 장애인지 여부를 판단하는 단계;
    실제 발생한 장애인 경우, 상기 장애 표현식을 장애 발생 시간을 기준으로 분류하여 장애 발생 시간별 패턴을 기록하는 단계;
    2-파라미터 와이블 분포 모델 기반의 장애 예측을 위한 확률값을 도출하는 단계; 및
    실제 발생한 장애가 아닌 경우 피드백의 형태로 오류값을 수정하는 단계;
    를 포함하는 공정 제어 네트워크에서의 장애 예측 방법.
  7. 삭제
  8. 제6항에 있어서, 확률값을 도출하는 단계는,
    상기 2-파라미터 와이블 분포 모델에 기반하여, 단위 시간별로 동일한 장애 유형이 발생할 확률을 계산하는 단계;
    동일한 장애 유형이 발생할 확률을 누적하는 단계; 및
    동일한 장애 유형이 발생할 확률을 누적된 확률값으로 나누어서 장애가 발생할 확률을 예측하는 단계;
    를 포함하는 것을 특징으로 하는 공정 제어 네트워크에서의 장애 예측 방법.
  9. 제8항에 있어서,
    상기 동일한 장애 유형이 발생할 확률을 계산하는 단계는,
    수학식
    Figure 112008089028605-pat00003
    에 의해 계산되고, t는 시간, η는 동일한 장애가 발생하는 주기(Scale Parameter), β는 동일한 장애가 발생하는 빈도수(Shape Parameter)를 나타내고, f(t)>0, t>0, η>0인 것을 특징으로 하는 공정 제어 네트워크에서의 장애 예측 방법.
KR1020080133944A 2008-12-24 2008-12-24 공정 제어 네트워크에서의 장애 예측 방법 및 장치 KR101027242B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020080133944A KR101027242B1 (ko) 2008-12-24 2008-12-24 공정 제어 네트워크에서의 장애 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080133944A KR101027242B1 (ko) 2008-12-24 2008-12-24 공정 제어 네트워크에서의 장애 예측 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20100075292A KR20100075292A (ko) 2010-07-02
KR101027242B1 true KR101027242B1 (ko) 2011-04-07

Family

ID=42637678

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080133944A KR101027242B1 (ko) 2008-12-24 2008-12-24 공정 제어 네트워크에서의 장애 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101027242B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101533056B1 (ko) * 2014-06-25 2015-07-01 (주)넷텐션 안정성 향상을 위한 사용자 데이터그램 프로토콜 네트워킹 방법
KR102262385B1 (ko) * 2019-10-15 2021-06-08 한국전력공사 디지털 변전소를 위한 고신뢰 저비용 차세대 네트워크 시스템
KR20220099256A (ko) * 2021-01-06 2022-07-13 삼성전자주식회사 웨이퍼 불량 특성별 분포 출력 장치 및 이의 동작 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR960035312A (ko) * 1995-03-29 1996-10-24 경주현 고장 진단용 전문가 시스템 및 고장진단방법
KR20030028054A (ko) * 2001-09-27 2003-04-08 (주) 엘지텔레콤 신경망을 이용한 기지국 장애예측 장치 및 그 방법
KR20060093524A (ko) * 2005-02-22 2006-08-25 주식회사 어니언소프트웨어 Ｉｔ 서비스의 품질개선을 위한 ｉｔ 서비스 관리 방법
JP2007124057A (ja) 2005-10-25 2007-05-17 Ntt Communications Kk ネットワーク障害部位特定装置および方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR960035312A (ko) * 1995-03-29 1996-10-24 경주현 고장 진단용 전문가 시스템 및 고장진단방법
KR20030028054A (ko) * 2001-09-27 2003-04-08 (주) 엘지텔레콤 신경망을 이용한 기지국 장애예측 장치 및 그 방법
KR20060093524A (ko) * 2005-02-22 2006-08-25 주식회사 어니언소프트웨어 Ｉｔ 서비스의 품질개선을 위한 ｉｔ 서비스 관리 방법
JP2007124057A (ja) 2005-10-25 2007-05-17 Ntt Communications Kk ネットワーク障害部位特定装置および方法

Also Published As

Publication number Publication date
KR20100075292A (ko) 2010-07-02

Similar Documents

Publication Publication Date Title
KR102418969B1 (ko) 딥러닝 기반 통신망 장비의 장애 예측 시스템 및 방법
US9386030B2 (en) System and method for correlating historical attacks with diverse indicators to generate indicator profiles for detecting and predicting future network attacks
CN102957579B (zh) 一种网络异常流量监测方法及装置
Ciocarlie et al. Detecting anomalies in cellular networks using an ensemble method
US20150195154A1 (en) Creating a Knowledge Base for Alarm Management in a Communications Network
WO2017067615A1 (en) Method and system for supporting detection of irregularities in a network
Chhabra et al. Distributed spatial anomaly detection
CN109120463B (zh) 流量预测方法及装置
CN105325023A (zh) 用于小区异常检测的方法和网络设备
US11777824B2 (en) Anomaly detection method and apparatus
Kakadia et al. Quantitative approaches for optimization of user experience based on network resilience for wireless service provider networks
CN107517205B (zh) 基于概率的智能变电站网络异常流量检测模型构建方法
CN104639368A (zh) 通信网络设备的故障处理方法及装置
EP2589181A1 (en) Method and apparatus for analysis of the operation of a communication system using events
EP3923517A1 (en) System and method for predicting and handling short-term overflow
JP2018147172A (ja) 異常検知装置、異常検知方法及びプログラム
US20210359899A1 (en) Managing Event Data in a Network
CN118041581A (zh) 基于人工智能的网络安全态势预测方法及系统
KR101027242B1 (ko) 공정 제어 네트워크에서의 장애 예측 방법 및 장치
KR102624950B1 (ko) 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템
CN112532615B (zh) 一种智能电网蠕虫检测方法
US20190268788A1 (en) Proactive wireless traffic capture for network assurance
CN114785617B (zh) 一种5g网络应用层异常检测方法及系统
CN115016976B (zh) 一种根因定位方法、装置、设备及存储介质
WO2019111866A1 (ja) 分析装置、通信システム、データ処理方法、及び非一時的なコンピュータ可読媒体

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
FPAY Annual fee payment
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20150310

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20160328

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20170329

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20180328

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20190329

Year of fee payment: 9