KR102118670B1 - Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 - Google Patents

Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 Download PDF

Info

Publication number
KR102118670B1
KR102118670B1 KR1020180027453A KR20180027453A KR102118670B1 KR 102118670 B1 KR102118670 B1 KR 102118670B1 KR 1020180027453 A KR1020180027453 A KR 1020180027453A KR 20180027453 A KR20180027453 A KR 20180027453A KR 102118670 B1 KR102118670 B1 KR 102118670B1
Authority
KR
South Korea
Prior art keywords
data
learning model
ict infrastructure
ict
training data
Prior art date
Application number
KR1020180027453A
Other languages
English (en)
Other versions
KR20180108446A (ko
Inventor
한상진
이종훈
김윤상
Original Assignee
(주)모아데이타
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 (주)모아데이타 filed Critical (주)모아데이타
Publication of KR20180108446A publication Critical patent/KR20180108446A/ko
Application granted granted Critical
Publication of KR102118670B1 publication Critical patent/KR102118670B1/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
    • 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
    • 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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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
    • H04L43/04—Processing captured monitoring data, e.g. for logfile generation
    • H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

본 발명의 일 측면에 따른 인공 신경망을 이용한 기계 학습 방법에 기반하여 ICT 인프라의 이상 또는 장애 발생을 예측하는ICT 인프라 관리 시스템은 ICT 인프라 관리 프로그램이 저장된 메모리, 데이터 입출력을 수행하는 데이터 입출력 모듈 및 프로세서를 포함한다. 이때, ICT 인프라 관리 프로그램은 상기 프로세서에 의하여 구동되어, 상기 ICT 인프라로부터 전송되는 각종 데이터로부터 장애 모니터링 모듈, 로그분류 처리 모듈 및 이벤트 처리 모듈을 이용하여 각각 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터를 수집하고, 상기 각 훈련 데이터에 기초하여 비지도 학습 방식에 따라 ICT 인프라의 이상 상태를 학습한 이상 검출 학습 모델 및 지도 학습 방식에 따라 ICT 인프라의 이상 및 장애 상태를 학습한 이상 및 장애 학습 모델을 생성하고, 실시간으로 수집되는 입력 데이터를 상기 이상 검출 학습 모델 및 상기 이상 및 장애 학습 모델에 입력하여, ICT 인프라의 이상 증상 예측과 ICT 인프라의 장애 예측을 수행하는 것이다.

Description

ICT 인프라 관리 시스템 및 이를 이용한 ICT 인프라 관리 방법{SYSTEM AND METHOD FOR MANAGEMENT OF ICT INFRA}
본 발명은 인공 신경망을 이용한 기계 학습 방법에 기반하여 ICT(Information and Communication Technology) 시스템의 이상 또는 장애 발생을 예측하는ICT 인프라 관리 시스템과 관리 방법에 관한 것이다.
최근 다양한 종류와 방대한 양의 데이터들이 생성되고 있고, 이러한 데이터를 효율적으로 처리하기 위하여 ICT 인프라가 고도화되고 있다. 이러한 ICT 인프라는 그 안정성을 유지하기 위하여 다양한 형태의 시스템 모니터링 기법을 사용하고 있는데, 예를 들면SMS(시스템 모니터링 시스템), NMS(네트워크 모니터링 시스템), TMS(트래픽 모니터링 시스템), DBMS(DB 모니터링 시스템) 등 과 같은 영역별 전문 모니터링 기술을 이용하고 있다. 이러한 각각의 시스템 모니터링 기술은 미리 설정된 성능지표를 수치적으로 산출하고 이를 임계치와 비교한 후 알람을 통보하는 형태로 구현되는 것이 일반적이다.
도 1은 통상적인 시스템 모니터링 기술의 시계열 분석 기술을 도시한 예시도이다.
도시된 바와 같이, 통상적인 시스템 모니터링 장치는 데이터 수집 모듈과 데이터 분석 모듈을 포함하며, 데이터 수집 모듈은 여러 모니터링 대상 장치로부터 데이터를 수집하고, 이를 전처리하여 훈련 데이터를 생성한 후 데이터 분석 모듈로 전달한다. 이와 같이 수집된 데이터는 최근 빅데이터등으로 정의되기도 한다. 데이터 분석 모듈은 빅데이터 기술과 연계한 시계열 분석 및 추론 분석 기술들을 활용하여 이상 증상을 예측한다. 예를 들면, 훈련 데이터를 기반으로 모니터링하고자 하는 성능지표를 수치적으로 산출하고 이를 동적 임계치와 비교하여, 이상 증상 발생 여부를 예측하는 것이다. 이때, 데이터 분석 모듈은 각 서비스를 구성하는 시스템 들간의 상관관계를 분석하여 상호 영향도를 산출하고 이를 이용하여 이상 증상을 예측하기도 한다. 이러한 종래의 방식들은 미리 정의된 성능지표에 한정된 분석으로 인해 다각적인 장애원인의 파악이 불가능하며, 단지 시스템의 성능한계에 대한 분석만 가능하므로, 성능 관련 외 다른 장애 요인에 대한 분석 및 예측이 제한된다. 현재 상당수의 기업에서 ICT 인프라는 핵심 자산 중에 하나로 효율적이고, 단순한 시스템 관리를 위해 많은 비용을 투자하고 있다. 이러한 노력에도 불구하고 ICT 인프라 시스템의 장애로 인해 많은 피해가 발생하고 있으므로, 이를 해결하기 위해서는 ICT 인프라에 대한 종합적인 분석을 수행할 수 있는 관리 시스템의 개발이 요구된다.
대한민국 등록특허 제 10-1793723 호(발명의 명칭: 온라인 서비스 행동패턴 분석 및 시스템 장애 예측 시스템 및 방법)
본 발명의 일 실시예는 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 인공 신경망을 이용한 기계 학습 방법에 기반하여 ICT시스템의 이상 또는 장애 발생을 예측하는ICT 인프라 관리 시스템을 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 측면에 따른 인공 신경망을 이용한 기계 학습 방법에 기반하여 ICT(Information and Communication Technology) 인프라의 이상 또는 장애 발생을 예측하는ICT 인프라 관리 시스템은 ICT 인프라 관리 프로그램이 저장된 메모리, 데이터 입출력을 수행하는 데이터 입출력 모듈 및 프로세서를 포함한다. 이때, ICT 인프라 관리 프로그램은 상기 프로세서에 의하여 구동되어, 상기 ICT 인프라로부터 전송되는 각종 데이터로부터 장애 모니터링 모듈, 로그분류 처리 모듈 및 이벤트 처리 모듈을 이용하여 각각 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터를 수집하고, 상기 각 훈련 데이터에 기초하여 비지도 학습 방식에 따라 ICT 인프라의 이상 상태를 학습한 이상 검출 학습 모델 및 지도 학습 방식에 따라 ICT 인프라의 이상 및 장애 상태를 학습한 이상 및 장애 학습 모델을 생성하고, 실시간으로 수집되는 입력 데이터를 상기 이상 검출 학습 모델 및 상기 이상 및 장애 학습 모델에 입력하여, ICT 인프라의 이상 증상 예측과 ICT 인프라의 장애 예측을 수행하는 것이다.
본 발명의 다른 측면에 따른 인공 신경망을 이용한 기계 학습 방법에 기반하여 ICT(Information and Communication Technology) 인프라의 이상 또는 장애 발생을 예측하는ICT 인프라 관리 방법은, 상기 ICT 인프라로부터 전송되는 각종 데이터로부터 장애 모니터링 모듈, 로그분류 처리 모듈 및 이벤트 처리 모듈을 이용하여 각각 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터를 수집하는 단계; 상기 각 훈련 데이터에 기초하여 비지도 학습 방식에 따라 ICT 인프라의 이상 상태를 학습한 이상 검출 학습 모델을 생성하는 단계; 상기 각 훈련 데이터에 기초하여 지도 학습 방식에 따라 ICT 인프라의 이상 및 장애 상태를 학습한 이상 및 장애 학습 모델을 생성하는 단계; 실시간으로 수집되는 입력 데이터를 상기 이상 검출 학습 모델 및 상기 이상 및 장애 학습 모델에 입력하여, ICT 인프라의 이상 증상 예측과 ICT 인프라의 장애 예측을 수행하는 단계를 포함한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 기계 학습을 수행하여 생성하는 학습 모델을 이용하여 ICT 인프라의 이상 검출이나 이상 증상 예측을 수행하기 때문에, ICT 인프라 시스템의 성능 측정 뿐만 아니라 향후 ICT 인프라 시스템에서 발생할 수 있는 각종 장애 현상을 예측할 수 있다.
도 1은 통상적인 시스템 모니터링 기술의 시계열 분석 기술을 도시한 예시도이다.
도 2는 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 ICT 인프라 관리 프로그램의 내부 구성을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 학습 모델 생성 및 결과 예측 과정을 설명하기 위한 도면이다
도 5는 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 이상 검출 학습 모델을 생성하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 이상 및 장애 학습 모델을 생성하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 이상 증상 예측 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 장애 예측과정을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 ICT 인프라 관리 방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 본 발명을 명확하게 설명하기 위해 도면에서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한, 도면을 참고하여 설명하면서, 같은 명칭으로 나타낸 구성일지라도 도면에 따라 도면 번호가 달라질 수 있고, 도면 번호는 설명의 편의를 위해 기재된 것에 불과하고 해당 도면 번호에 의해 각 구성의 개념, 특징, 기능 또는 효과가 제한 해석되는 것은 아니다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 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 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 ‘부(部)’ 또는 ‘모듈’이란, 하드웨어 또는 소프트웨어에 의해 실현되는 유닛(unit), 양방을 이용하여 실현되는 유닛을 포함하며, 하나의 유닛이 둘 이상의 하드웨어를 이용하여 실현되어도 되고, 둘 이상의 유닛이 하나의 하드웨어에 의해 실현되어도 된다.
도 2는 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템을 도시한 도면이다.
도 2에 도시한 바와 같이, ICT 인프라 관리 시스템(100)은 입출력 인터페이스(110), 메모리(120), 프로세서(130), 데이터베이스(140) 및 디스플레이(150)를 포함한다.
입출력 인터페이스(110)는 통신 모듈을 통해 데이터를 수신 또는 송신하는 기능을 수행하며, ICT 인프라에 포함된 각종 모니터링 대상 장치와 통신할 수 있다. 예를 들면, ICT 인프라에 포함된 각종 서버, 스토리지 장치, 네트워크 장비, 보안 장비 등 다양한 종류의 장치들이 모니터링 대상 장치가 될 수 있다. 입출력 인터페이스 (110)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
메모리(120)에는 ICT 인프라 관리 프로그램이 저장된다. 해당 프로그램은 프로세서에 의하여 구동되어, ICT 인프라로부터 전송되는 각종 데이터로부터 장애 모니터링 모듈, 데이터 수집 모듈, 로그분류 처리 모듈 및 이벤트 처리 모듈을 이용하여 각각 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터를 수집하고, 각 데이터에 기초하여 비지도 학습 방식에 따라 시스템의 이상 상태를 학습한 이상 검출 학습 모델 및 지도 학습 방식에 따라 시스템의 이상 및 장애 상태를 학습한 이상 및 장애 학습 모델을 생성한다. 그리고, 실시간으로 수집되는 입력 데이터를 상기 이상 검출 학습 모델 및 상기 이상 및 장애 학습 모델에 입력하여, 시스템의 이상 증상 예측과 시스템의 장애 예측을 수행한다.
이러한 메모리(120)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 또는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치를 통칭하는 것이다..
프로세서(130)는 메모리(120)에 저장된 ICT 인프라 관리 프로그램을 수행한다.
도 3은 본 발명의 일 실시예에 따른 ICT 인프라 관리 프로그램의 내부 구성을 도시한 도면이다.
ICT 인프라 관리 프로그램(300)은 장애 모니터링 모듈(310), 데이터 수집 모듈(320), 로그 분류 처리 모듈(330), 이벤트 처리 모듈(340), 기계학습 처리 모듈(350), 시각화 모듈(360)을 포함한다.
장애 모니터링 모듈(310)은 입출력 인터페이스(110)를 통해 수집되는 모니터링 대상 장치에 대한 세션 상태 정보를 주기적으로 모니터링하고, 장애 발생 여부를 판단한다. 특히, 핑(ping), 포트(port) 응답시간, 에이전트(agent) 등을 통해 세션 상태 정보를 주기적으로 모니터링 하고 이후 설명할 이벤트 처리 모듈(340)과 연동하여 모니터링 대상 장치의 장애 발생 여부를 판단할 수 있다. 한편, 장애 모니터링 모듈(310)은 모니터링 결과에 따라 장애 훈련 데이터를 생성하여 기계 학습 처리 모듈(350)로 전송한다. 장애 훈련 데이터는 장애가 발생한 대상 장치의 식별 번호, 장애의 종류, 장애 발생 시점 등에 대한 정보를 포함할 수 있다. 예를 들어, 장애가 발생한 시점을 T라고 할 때, 장애 훈련 데이터는 장애 발생 시점 보다 미리 설정된 시간 만큼 앞선 시간부터 T 까지의 시간(T-size ~ T)까지의 데이터로서 설정될 수 있으며, 장애가 발생하기 전 전조현상을 학습하는데 활용된다. 이때, 미리 설정된 시간은 20분 정도로 설정될 수 있으나, 이는 예시에 해당하는 것으로 사용자의 선택에 따라 변경가능하다.
데이터 수집 모듈(320)은 입출력 인터페이스(110)를 통해 모니터링 대상 장치로부터 성능지표와 로그 데이터 등을 수집한다. 예를 들어, 에이전트(agent), SNMP(simple network management protocol), Syslog 등 다양한 방식을 이용하여 성능지표나 로그 데이터를 수집할 수 있다. 데이터 수집 모듈(320)은 모니터링 결과에 따라 성능 훈련 데이터를 생성하여 기계 학습 처리 모듈(350)로 전송한다. 성능 훈련 데이터는 대상 장치의 성능 지표에 대한 정보와 로그 정보등을 포함할 수 있다.
로그 분류 처리 모듈(330)은 데이터 수집 모듈(320)을 통해 수집된 로그 데이터를 분석하여 장애 로그를 분류한다. 이때, 로그 분류 처리 모듈(330)은 딥러닝과 같은 기계 학습 기법을 활용하여 의미 해석을 기반으로 장애 로그를 분류할 수 있다. 특히, 시스템 장애의 원인이된 원인 로그를 식별하여 분류하며, 분류된 로그의 분포를 수치화하여 딥러닝 분석에 활용할 수 있다. 로그 분류 처리 모듈(330)은 이와 같은 과정을 통해 로그 훈련 데이터를 생성하여 기계 학습 처리 모듈(350)로 전송한다. 로그 훈련 데이터는 장애 발생이 그 원인이 된 로그에 대한 정보를 포함할 수 있다.
이벤트 처리 모듈(340)은 입출력 인터페이스(110)를 통해 수집된 정보를 기초로 각종 알람 발생이나 장애 발생 등의 이벤트 발생을 처리하고, 그에 따른 알람 코드 또는 장애 코드와 같은 이벤트 코드 데이터를 생성하여 기계 학습 처리 모듈(350)로 전송한다.
이와 같이 수집된 각종 훈련 데이터들은 데이터 가공 처리 후 데이터베이스(140)에 저장될 수 있다.
기계 학습 처리 모듈(350)은 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터를 수집하고, 이를 기초로 이상 검출 학습 모델과 이상 및 장애 학습 모델을 각각 생성한다. 그리고, 각각의 학습 모델을 활용하여 시스템의 이상 증상 예측과 시스템의 장애 예측을 수행한다. 구체적인 동작에 대해서는 추후 설명하기로 한다.
시각화 모듈(360)은 기계 학습 처리 모듈(350)의 출력 결과를 사용자 인터페이스를 통해 각종 그래프나 다이어그램을 활용하여 출력할 수 있다. 사용자는 ICT 인프라 관리 시스템의 디스플레이(150)를 통해 이를 확인할 수 있다.
도 4는 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 학습 모델 생성 및 결과 예측 과정을 설명하기 위한 도면이고, 도 5는 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 이상 검출 학습 모델을 생성하는 과정을 설명하기 위한 도면이고, 도 6은 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 이상 및 장애 학습 모델을 생성하는 과정을 설명하기 위한 도면이다.
앞서 설명한 바와 같이, 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터, 이벤트 코드 데이터 등을 활용하여 이상 검출 학습 모델(410)과 이상 및 장애 학습 모델(420)이 각각 생성된다. 그리고, 실시간으로 입력되는 입력 데이터를 각각의 학습 모델에 적용하여, 이상 증상을 예측(430)하고, 시스템/서비스의 장애 발생을 예측(440)할 수 있다.
기계 학습 처리 모듈(350)은 ICT 인프라 시스템의 정상 운영 중에 수집한 각각의 훈련 데이터와 현재 시점에서 수집된 입력 데이터의 변화량을 수치화하여 이상 검출(anomaly detection) 학습 모델을 생성한다. 예를 들어, 도 5에 도시된 바와 같이, 대상 시스템에 대하여 수집된 정상 상태의 데이터에 비하여, 그 변화량이 크게 변화하는 파라미터의 경우 이상 현상으로 특정하고 이상 검출을 수행하도록 학습 모델을 생성할 수 있다. 이 경우, 이상 상태를 미리 알려주지 않는 비지도 학습을 통해 이상 검출 학습 모델을 생성한다. 한편, 도 5에서 x축은 CPU 사용률, 메모리 사용률 등 90여가지에 이르는 학습항목을 나타내고, Y 축은 변화량을 나타낸다. 이때, Y 축은 0에 가까울수록 변화량이 작다는 의미이며, 양수는 정상시보다 더 많이 증가되었다는 것, 음수는 정상시보다 더 많이 감소되었다는 것을 나타낸다.
또한, 기계 학습 처리 모듈(350)은 인공 신경망 학습 모델의 생성을 통해 이상 및 장애 학습 모델을 생성할 수 있다. 도 6에 도시된 바와 같이, 미리 설정된 기간 동안 수집된 복수의 훈련 데이터들(예를 들면, D, D+1)을 각각 N개(N은 자연수)의 구간 단위로 분할하고, 이를 N개의 인공 신경망 학습 모델에 각각 병렬 입력하여, 인공 신경망 학습 모델을 통해 각각 출력 데이터를 생성하도록 한다. 이때, 미리 설정된 개수의 서로 인접한 기간의 훈련 데이터들 중 동일 구간의 데이터들 및 해당 구간에서 발생한 장애를 나타내는 장애 코드 데이터를 동일한 인공 신경망 학습 모델에 입력되도록 한다. 또한, 입력에 대하여 동일 구간 이후에 연결되는 구간의 데이터들 및 해당 구간에서 발생한 장애 코드 데이터가 각 인공 신경망 학습 모델의 출력으로 출력될 수 있도록 인공 신경망 학습 모델을 구성하는 각종 가중치 등의 파라미터를 각각 설정한다. 예를 들면, 첫째날(D)의 훈련 데이터 중 첫번째 구간 데이터, 둘째날(D+1)의 훈련 데이터 중 첫번째 구간 데이터 및 해당 구간에서 발생한 장애를 나타내는 장애 코드 데이터를 해당 구간을 담당하는 인공 신경망 학습 모델에 입력되도록 한다. 그리고, 해당 인공 신경망 학습 모델의 출력으로서, 첫째날(D)의 훈련 데이터 중 두번째 구간 데이터, 둘째날(D+1)의 훈련 데이터 중 두번째 구간 데이터 및 해당 구간에서 발생한 장애를 나타내는 장애 코드 데이터가 출력되도록 해당 구간을 담당하는 인공 신경망 학습 모델의 파라미터를 각각 설정한다.
이와 같이 각 인공 신경망 학습 모델에 대하여 입력 데이터와 출력 데이터를 지정하고, 과거 시점에서의 장애 발생 정보를 알려주는 장애 코드 데이터를 함께 입력하는 형태로 지도 학습을 수행하여 인공 신경망 학습 모델이 생성되도록 한다.
먼저, 데이터 입출력 모듈(110)을 통해 입력된 영상 데이터에 입력 합성곱 레이어(310)를 통해 제 1 합성곱(Convolution) 연산을 수행하여 학습 하는 과정이 수행된다. 입력 합성곱 레이어(310)는 망막에서 처리되는 동작을 모사하고 있으며, 입력 레이어를 통해 입력되는 영상 데이터에 대하여 합성곱 연산, 정규화 연산 및 활성화 함수 적용등을 수행한다.
다시 도 4를 참조하면, 이상 검출 학습 모델과 이상 및 장애 학습 모델을 이용하여 실시간으로 입력되는 데이터에 대하여 이상 증상을 예측하거나, 시스템/서비스 장애 발생을 예측할 수 있다.
도 7은 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 이상 증상 예측 과정을 설명하기 위한 도면이다.
도시된 바와 같이, 입력 데이터를 앞서 생성한 이상 검출 학습 모델(410)에 입력하여 시스템의 이상 증상 예측을 수행하는 과정에서, 이상 검출 학습 모델(410)을 기초로 인공 신경망 학습 모델을 생성하고, 시스템의 장애 예측 결과(440)를 상기 인공 신경망 학습 모델의 입력으로 전달하여 종합지표 변화량과 항목별 변화량 등을 산출하는 형태로 이상 증상 예측 데이터를 생성할 수 있다.
도 8은 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 장애 예측과정을 설명하기 위한 도면이다.
앞서 도 6을 통해 설명한 학습 모델 생성 과정과 마찬가지로, 실시간으로 입력되는 입력 데이터를 N개의 구간 단위로 분할하고, 이를 N개의 인공 신경망 학습 모델에 각각 입력하고, 인공 신경망 학습 모델을 통해 출력된 장애 코드 데이터를 기반으로 장애 예측을 수행할 수 있다. 이때, 동일한 출력값이 출력되지 않는다면 가장 유사한 값을 기초로 장애 코드 데이터를 예측할 수 있다.
한편, 이와 같이 예측된 시스템의 장애 예측 결과는 앞서 설명한 이상 증상 예측 데이터 생성과정에 사용될 수 있다.
도 9는 본 발명의 일 실시예에 따른 ICT 인프라 관리 시스템의 ICT 인프라 관리 방법을 설명하기 위한 순서도이다.
먼저, ICT 인프라로부터 전송되는 각종 데이터로부터 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터 등 각종 훈련 데이터를 수집한다(S910). 이를 위하여, ICT 관리 프로그램에 포함된 장애 모니터링 모듈, 로그분류 처리 모듈 및 이벤트 처리 모듈을 각각 활용하도록 한다.
다음으로, 수집된 훈련 데이터에 기초하여 비지도 학습 방식에 따라 ICT 인프라의 이상 상태를 학습한 이상 검출 학습 모델을 생성한다(S920). 앞서 도 5를 통해 설명한 바와 같이, ICT 인프라의 정상 운영 중에 수집한 각각의 훈련 데이터와 현재 시점에서 수집된 입력 데이터의 변화량을 수치화하여 이상 검출 학습 모델을 생성할 수 있다.
다음으로, 수집된 훈련 데이터에 기초하여 지도 학습 방식에 따라 ICT 인프라의 이상 및 장애 상태를 학습한 이상 및 장애 학습 모델을 생성한다(S930). 앞서 도 6을 통해 설명한 바와 같이, 미리 설정된 기간 동안 수집된 복수의 훈련 데이터들을 각각 N개(N은 자연수)의 구간 단위로 분할하고, 이를 N개의 인공 신경망 학습 모델에 각각 병렬 입력하여, 인공 신경망 학습 모델을 통해 각각 출력 데이터를 생성되도록 인공 신경망 학습 모델을 생성한다.
이때, 상기 단계(S920, S930)는 각각 순서를 바꾸어 수행되거나 서로 병렬적으로 수행될 수 있다.
다음으로, 실시간으로 수집되는 입력 데이터를 상기 이상 검출 학습 모델 및 상기 이상 및 장애 학습 모델에 입력하여, ICT 인프라의 이상 증상 예측과 ICT 인프라의 장애 예측을 수행한다(S940). 앞서 생성한 각각의 이상 검출 학습 모델과 이상 및 장애 학습 모델에 입력 데이터를 입력하게 되면, 실시간으로 ICT 인프라의 이상 증상 예측과 ICT 인프라의 장애 예측을 수행할 수 있다.
이상에서 설명한 본 발명의 실시예에 따른 ICT 인프라 관리 시스템 및 이를 통한 ICT 인프라 관리 방법은, 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 이러한 기록 매체는 컴퓨터 판독 가능 매체를 포함하며, 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함하며, 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 조사 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
또한, 본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수도 있다.
본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: ICT 관리 시스템 110: 입출력 인터페이스
120: 메모리 130: 프로세서
140: 데이터베이스 150: 디스플레이

Claims (12)

  1. 인공 신경망을 이용한 기계 학습 방법에 기반하여 ICT(Information and Communication Technology) 인프라의 이상 또는 장애 발생을 예측하는ICT 인프라 관리 시스템에 있어서,
    ICT 인프라 관리 프로그램이 저장된 메모리,
    데이터 입출력을 수행하는 데이터 입출력 모듈 및
    프로세서를 포함하되,
    상기 ICT 인프라 관리 프로그램은 상기 프로세서에 의하여 구동되어, 상기 ICT 인프라로부터 전송되는 각종 데이터로부터 장애 모니터링 모듈, 로그분류 처리 모듈 및 이벤트 처리 모듈을 이용하여 각각 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터를 수집하고, 상기 수집된 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터에 기초하여 비지도 학습 방식에 따라 ICT 인프라의 이상 상태를 학습한 이상 검출 학습 모델 및 지도 학습 방식에 따라 ICT 인프라의 이상 및 장애 상태를 학습한 이상 및 장애 학습 모델을 생성하고, 실시간으로 수집되는 입력 데이터를 상기 이상 검출 학습 모델 및 상기 이상 및 장애 학습 모델에 입력하여, ICT 인프라의 이상 증상 예측과 ICT 인프라의 장애 예측을 수행하는 것이되,
    상기 ICT 인프라 관리 프로그램은 상기 프로세서에 의하여 구동되어 상기 비지도 학습 방식에 따라 이상 검출 학습 모델을 생성하는 과정에서, 상기 ICT 인프라의 정상 운영 중에 수집한 각각의 훈련 데이터와 현재 시점에서 수집된 입력 데이터의 변화량을 수치화하여 이상 검출 학습 모델을 생성하는 것이고,
    상기 ICT 인프라 관리 프로그램은 상기 프로세서에 의하여 구동되어 상기 이상 및 장애 학습 모델을 생성하는 과정에서,
    미리 설정된 기간 동안 수집된 복수의 훈련 데이터들을 각각 N개(N은 자연수)의 구간 단위로 분할하고, 이를 N개의 인공 신경망 학습 모델에 각각 병렬 입력하여, 상기 인공 신경망 학습 모델을 통해 각각 출력 데이터를 생성하도록 하되,
    미리 설정된 개수의 서로 인접한 기간의 훈련 데이터들 중 동일 구간에 위치한 데이터들 및 해당 구간에서 발생한 장애를 나타내는 장애 코드 데이터를 동일한 인공 신경망 학습 모델에 입력되도록 하고,
    상기 입력에 대하여 상기 동일 구간 이후에 연결되는 구간에 위치한 데이터들 및 해당 구간에서 발생한 장애 코드 데이터가 상기 인공 신경망 학습 모델의 출력으로 출력될 수 있도록 상기 인공 신경망 학습 모델의 파라미터를 각각 설정하는 것이되,
    제 I 기간(I는 자연수)의 훈련 데이터 중 제 J 구간 데이터(J는 N보다 작거나 같은 자연수), 제 I+1 기간의 훈련 데이터 중 제 J 구간 데이터 및 해당 구간에서 발생한 장애를 나타내는 장애 코드 데이터를 J 번째 인공 신경망 학습 모델에 입력되도록 하고, 상기 J 번째 인공 신경망 학습 모델의 출력으로서 제 I 기간의 훈련 데이터 중 제 J+1 구간 데이터, 제 I+1 기간의 훈련 데이터 중 제 J+1 구간 데이터 및 해당 구간에서 발생한 장애를 나타내는 장애 코드 데이터가 출력되도록 상기 인공 신경망 학습 모델의 파라미터를 각각 설정하는 것인 ICT 인프라 관리 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 ICT 인프라 관리 프로그램은 상기 프로세서에 의하여 구동되어 상기 입력 데이터를 상기 이상 검출 학습 모델에 입력하여 ICT 인프라의 이상 증상 예측을 수행하는 과정에서, 상기 이상 검출 학습 모델을 기초로 인공 신경망 학습 모델을 생성하고, 상기 ICT 인프라의 장애 예측 결과를 상기 인공 신경망 학습 모델의 입력으로 전달하여 변화량을 산출하는 것인 ICT 인프라 관리 시스템.
  4. 삭제
  5. 삭제
  6. 제 1 항에 있어서,
    상기 ICT 인프라 관리 프로그램은 상기 프로세서에 의하여 구동되어 상기 입력 데이터를 상기 이상 및 장애 학습 모델에 입력하여 ICT 인프라의 장애 예측을 수행하는 과정에서,
    상기 입력 데이터를 N개의 구간 단위로 분할하고, 이를 상기 N개의 인공 신경망 학습 모델에 각각 입력하고, 상기 인공 신경망 학습 모델을 통해 출력된 장애 코드 데이터를 기반으로 장애 예측을 수행하는 것인 ICT 인프라 관리 시스템.
  7. ICT 인프라 관리 시스템이 인공 신경망을 이용한 기계 학습 방법에 기반하여 ICT(Information and Communication Technology) 인프라의 이상 또는 장애 발생을 예측하는ICT 인프라 관리 방법에 있어서,
    상기 ICT 인프라로부터 전송되는 각종 데이터로부터 장애 모니터링 모듈, 로그분류 처리 모듈 및 이벤트 처리 모듈을 이용하여 각각 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터를 수집하는 단계;
    상기 수집된 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터에 기초하여 비지도 학습 방식에 따라 ICT 인프라의 이상 상태를 학습한 이상 검출 학습 모델을 생성하는 단계;
    상기 수집된 장애 훈련 데이터, 성능 훈련 데이터, 로그 훈련 데이터 및 이벤트 코드 데이터에 기초하여 지도 학습 방식에 따라 ICT 인프라의 이상 및 장애 상태를 학습한 이상 및 장애 학습 모델을 생성하는 단계;
    실시간으로 수집되는 입력 데이터를 상기 이상 검출 학습 모델 및 상기 이상 및 장애 학습 모델에 입력하여, ICT 인프라의 이상 증상 예측과 ICT 인프라의 장애 예측을 수행하는 단계를 포함하되,
    상기 비지도 학습 방식에 따라 이상 검출 학습 모델을 생성하는 단계는,
    상기 ICT 인프라의 정상 운영 중에 수집한 각각의 훈련 데이터와 현재 시점에서 수집된 입력 데이터의 변화량을 수치화하여 이상 검출 학습 모델을 생성하는 것이고,
    상기 이상 및 장애 학습 모델을 생성하는 단계는,
    미리 설정된 기간 동안 수집된 복수의 훈련 데이터들을 각각 N개(N은 자연수)의 구간 단위로 분할하고, 이를 N개의 인공 신경망 학습 모델에 각각 병렬 입력하여, 상기 인공 신경망 학습 모델을 통해 각각 출력 데이터를 생성하도록 하되,
    미리 설정된 개수의 서로 인접한 기간의 훈련 데이터들 중 동일 구간에 위치한 데이터들 및 해당 구간에서 발생한 장애를 나타내는 장애 코드 데이터를 동일한 인공 신경망 학습 모델에 입력되도록 하고,
    상기 입력에 대하여 상기 동일 구간 이후에 연결되는 구간에 위치한 데이터들 및 해당 구간에서 발생한 장애 코드 데이터가 상기 인공 신경망 학습 모델의 출력으로 출력될 수 있도록 상기 인공 신경망 학습 모델의 파라미터를 각각 설정하는 것이되,
    제 I 기간(I는 자연수)의 훈련 데이터 중 제 J 구간 데이터(J는 N보다 작거나 같은 자연수), 제 I+1 기간의 훈련 데이터 중 제 J 구간 데이터 및 해당 구간에서 발생한 장애를 나타내는 장애 코드 데이터를 J 번째 인공 신경망 학습 모델에 입력되도록 하고, 상기 J 번째 인공 신경망 학습 모델의 출력으로서 제 I 기간의 훈련 데이터 중 제 J+1 구간 데이터, 제 I+1 기간의 훈련 데이터 중 제 J+1 구간 데이터 및 해당 구간에서 발생한 장애를 나타내는 장애 코드 데이터가 출력되도록 상기 인공 신경망 학습 모델의 파라미터를 각각 설정하는 것인 ICT 인프라 관리 방법.
  8. 삭제
  9. 삭제
  10. 삭제
  11. 제 7 항에 있어서,
    상기 ICT 인프라의 이상 증상 예측과 ICT 인프라의 장애 예측을 수행하는 단계는,
    상기 입력 데이터를 N개의 구간 단위로 분할하고, 이를 상기 N개의 인공 신경망 학습 모델에 각각 입력하고, 상기 인공 신경망 학습 모델을 통해 출력된 장애 코드 데이터를 기반으로 장애 예측을 수행하는 것인 ICT 인프라 관리 방법.
  12. 제 7 항에 있어서,
    상기 ICT 인프라의 이상 증상 예측과 ICT 인프라의 장애 예측을 수행하는 단계는,
    상기 이상 검출 학습 모델을 기초로 인공 신경망 학습 모델을 생성하고, 상기 ICT 인프라 관리 시스템의 장애 예측 결과를 상기 인공 신경망 학습 모델의 입력으로 전달하여 변화량을 산출하는 것인 ICT 인프라 관리 방법.
KR1020180027453A 2017-03-23 2018-03-08 Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 KR102118670B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20170036720 2017-03-23
KR1020170036720 2017-03-23

Publications (2)

Publication Number Publication Date
KR20180108446A KR20180108446A (ko) 2018-10-04
KR102118670B1 true KR102118670B1 (ko) 2020-06-04

Family

ID=63863446

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180027453A KR102118670B1 (ko) 2017-03-23 2018-03-08 Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법

Country Status (1)

Country Link
KR (1) KR102118670B1 (ko)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102158100B1 (ko) * 2019-03-08 2020-09-22 (주)엔키아 이상 감지를 이용한 모니터링 자동화 방법 및 장치
KR102136863B1 (ko) * 2019-05-02 2020-07-22 국방과학연구소 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법
KR102068715B1 (ko) * 2019-06-05 2020-01-21 (주)위세아이텍 변수 중요도에 따른 가중치가 적용된 변수를 이용한 이상값 탐지 장치 및 방법
KR102367861B1 (ko) * 2019-08-30 2022-02-25 주식회사 케이티 자가학습에 기초하여 네트워크 장비에 대한 장애를 판단하는 장치, 방법 및 컴퓨터 프로그램
KR102256199B1 (ko) * 2019-12-31 2021-05-26 주식회사 코드빌 네트워크 토폴로지 자동 구성 방법
KR102407730B1 (ko) * 2020-06-10 2022-06-16 한국전자통신연구원 복수개의 머신 러닝 학습 모델을 이용한 이상 상황 탐지 방법 및 이를 위한 장치
CN111984499B (zh) * 2020-08-04 2024-05-28 中国建设银行股份有限公司 一种大数据集群的故障检测方法和装置
KR102244142B1 (ko) * 2020-09-29 2021-04-23 (주)시큐레이어 인공지능 기반으로 서비스를 식별 및 제어하고 장애를 탐지하는 기법을 사용한 능동 장애 복구 방법 및 장치
KR102362582B1 (ko) * 2020-12-31 2022-02-15 렉스소프트 주식회사 통계 데이터 전처리 방법, 서버 및 컴퓨터 판독가능매체
KR102509374B1 (ko) * 2021-08-12 2023-03-15 (주)와치텍 언어학적 분석 기법을 이용한 it 인프라 장애 학습 및 분석 시스템
KR102624950B1 (ko) * 2021-08-30 2024-01-15 주식회사 아이티언 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템
KR102391510B1 (ko) * 2021-11-15 2022-04-27 (주)테온 인공지능 기반 it 인프라 장비의 사전 장애 예측 방법, 장치 및 시스템
KR102509381B1 (ko) * 2022-07-28 2023-03-14 (주)와치텍 머신러닝 로그 분석 기반의 smart 로그병합 및 추이예측 시각화 시스템
KR102656707B1 (ko) * 2023-11-06 2024-04-11 우암전자 주식회사 하드웨어 자동 감지 및 분석을 통한 하드웨어 모니터링 서비스를 제공하는 서버, 시스템, 방법 및 프로그램

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101476522B1 (ko) * 2012-12-31 2014-12-24 주식회사 포스코아이씨티 에너지 발전량 예측 시스템
KR20160132698A (ko) * 2015-05-11 2016-11-21 삼성에스디에스 주식회사 지능형 시스템 진단 장치 및 방법
KR101601034B1 (ko) * 2015-12-08 2016-03-08 국민대학교산학협력단 Dtg 빅데이터 처리 및 분석 시스템
KR101793723B1 (ko) 2017-04-25 2017-11-06 주식회사 디리아 온라인 서비스 행동패턴 분석 및 시스템 장애 예측 시스템 및 방법

Also Published As

Publication number Publication date
KR20180108446A (ko) 2018-10-04

Similar Documents

Publication Publication Date Title
KR102118670B1 (ko) Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법
Jiang et al. Performance supervised plant-wide process monitoring in industry 4.0: A roadmap
KR101984730B1 (ko) 서버 장애 자동 예측 시스템 및 자동 예측 방법
US10878327B2 (en) Detecting root cause for transaction degradation using causal bayesian networks
US11675687B2 (en) Application state prediction using component state
Gonzalez et al. Root cause analysis of network failures using machine learning and summarization techniques
Tan et al. On predictability of system anomalies in real world
US20080167842A1 (en) Method and system for detecting, analyzing and subsequently recognizing abnormal events
Kavulya et al. Failure diagnosis of complex systems
EP3663919B1 (en) System and method of automated fault correction in a network environment
KR20190021560A (ko) 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
Tang et al. An integrated framework for optimizing automatic monitoring systems in large IT infrastructures
KR20230030542A (ko) 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법
Marvasti et al. An anomaly event correlation engine: Identifying root causes, bottlenecks, and black swans in IT environments
CN113196311A (zh) 用于识别和预测机器的异常感测行为模式的系统和方法
US20220237509A1 (en) Machine learning traceback-enabled decision rationales as models for explainability
Song et al. Autonomous selection of the fault classification models for diagnosing microservice applications
Gupta et al. Collaborative creation with customers for predictive maintenance solutions on hitachi iot platform
JP7062505B2 (ja) 設備管理支援システム
Merkt Predictive models for maintenance optimization: an analytical literature survey of industrial maintenance strategies
Molan et al. An explainable model for fault detection in HPC systems
Harutyunyan et al. Challenges and Experiences in Designing Interpretable KPI-diagnostics for Cloud Applications
Novilla et al. The use of fuzzy logic for online monitoring of manufacturing machine: An intelligent system
Streiffer et al. Learning to simplify distributed systems management
Chakraborty et al. ESRO: Experience Assisted Service Reliability against Outages

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
X701 Decision to grant (after re-examination)