KR102229966B1 - 인공지능 기반 전산 장비 관리 시스템 - Google Patents

인공지능 기반 전산 장비 관리 시스템 Download PDF

Info

Publication number
KR102229966B1
KR102229966B1 KR1020200121182A KR20200121182A KR102229966B1 KR 102229966 B1 KR102229966 B1 KR 102229966B1 KR 1020200121182 A KR1020200121182 A KR 1020200121182A KR 20200121182 A KR20200121182 A KR 20200121182A KR 102229966 B1 KR102229966 B1 KR 102229966B1
Authority
KR
South Korea
Prior art keywords
humidity
signal
server
temperature
server rack
Prior art date
Application number
KR1020200121182A
Other languages
English (en)
Inventor
문형조
Original Assignee
문형조
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 문형조 filed Critical 문형조
Priority to KR1020200121182A priority Critical patent/KR102229966B1/ko
Application granted granted Critical
Publication of KR102229966B1 publication Critical patent/KR102229966B1/ko

Links

Images

Classifications

    • HELECTRICITY
    • H05ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05KPRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00Constructional details common to different types of electric apparatus
    • H05K7/20Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20709Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
    • H05K7/20836Thermal management, e.g. server temperature control
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H05ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05KPRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00Constructional details common to different types of electric apparatus
    • H05K7/20Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20709Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
    • H05K7/20718Forced ventilation of a gaseous coolant
    • HELECTRICITY
    • H05ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05KPRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00Constructional details common to different types of electric apparatus
    • H05K7/20Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20709Modifications to facilitate cooling, ventilating, or heating for server racks or cabinets; for data centers, e.g. 19-inch computer racks
    • H05K7/208Liquid cooling with phase change

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Thermal Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

인공지능 기반 전산 장비 관리 시스템이 개시된다. 인공지능 기반 전산 장비 관리 시스템에 있어서, 서버랙 내에 미리 정해진 이상 감지 분류 기준에 해당하는 변화가 발생하면, 이상 감지 신호를 생성해 통합 서버에 전송하는 이상 감지 센서; 서버랙 내의 온도 변화를 감지하고, 서버랙 내의 온도가 미리 정해진 임계 온도 범위를 벗어나면 해당 온도를 포함한 온도 데이터를 통합 서버에 전송하는 열 감지 센서; 서버랙 내의 습도 변화를 감지하고, 서버랙 내의 습도가 미리 정해진 임계 습도 범위를 벗어나면 해당 습도를 포함한 습도 데이터를 통합 서버에 전송하는 습기 감지 센서; 이상 감지 센서, 열 감지 센서 및 습기 감지 센서를 통해 전송 받은 이상 감지 신호, 온도 데이터 및 습도 데이터에 기초하여, 내부의 인공지능을 제어해 항온 신호, 항습 신호, 정지 신호 및 이상 신호를 생성 및 전송하는 통합 서버; 통합 서버로부터 전송 받은 항온 신호에 기초하여, 서버랙 내 온도를 임계 온도 범위가 되도록 조절 수행하는 항온 조절 장치; 통합 서버로부터 전송 받은 항습 신호에 기초하여, 서버랙 내 습도를 임계 습도 범위가 되도록 조절 수행하는 항습 조절 장치; 외부 전력 공급원으로부터 공급받은 전력을 서버랙 내에 공급하는 장치로서, 통합 서버의 정지 신호에 기초하여 서버랙 내의 전원을 전체 또는 부분적으로 차단하는 기능을 수행하는 전원 공급 장치; 내장된 사용자 인식 장치의 인식 결과에 따라 서버랙의 도어 열림 기능을 수행하며, 통합 서버로부터 전송 받은 정지 신호에 기초하여 잠금 장치; 통합 서버가 송수신한 신호 및 값들을 저장하고, 통합 서버 내의 인공지능이 이용하는 모든 데이터를 보관하기 위한 데이터베이스; 통합 서버의 이상 신호 생성에 기초하여, 이상 신호를 전송 받는 제조사 단말; 통합 서버로부터 항온 신호, 항습 신호, 정지 신호 및 이상 신호를 전송 받는 사용자 단말; 및 통합 서버, 제조사 단말 및 사용자 단말의 신호들을 송수신하기 위한 유선 및 무선 인터넷을 포함한 통신망을 포함하고, 온도 데이터 및 습도 데이터는 해당 온도 및 해당 습도를 포함하고, 해당 온도 및 해당 습도의 발생 3시간 전의 온도 및 습도로부터 임계 온도 범위 및 임계 습도 범위 내로 온도 및 습도가 내려간 후 1시간 뒤까지의 모든 온도 및 습도 값을 포함하고, 이상 감지 신호는 이상 감지 분류 기준에 해당하는 이상이 발생한 위치 및 이상에 대해 센싱한 결과값을 포함할 수 있다.

Description

인공지능 기반 전산 장비 관리 시스템{SYSTEM OF MANAGEMENT FOR COMPUTERIZED EQUIPMENT BASED ON ARTIFICIAL INTELLIGENCE}
아래 실시예들은 인공지능을 기반으로 전산 장비를 관리하는 시스템에 관한 것이다.
서버랙에 있어서, 항온 및 항습을 통한 서버의 안전 장비 관리는 매우 중요하다. 다만, 현재 서버랙의 항온 및 항습은 자동으로 구성된 장치들에 의해 특별한 명령 없이 수행되거나, 설계된 몇 개의 알고리즘을 통해 구현될 뿐이다. 또한, 서버랙의 동작 구현에 있어서 소모되는 전력의 소비가 심하며, 개별적인 추가적 이상 사태에 대해 대처할 수 있는 자동 시스템의 구조가 미비한 상황이다. 따라서 서버랙의 항온 및 항습 동작을 인공지능을 통해 개별적인 상황에 맞게 수행되도록 하고, 전력 소비를 최소화할 수 있으며, 추가적인 이상 사태에 대해 자동으로 대비할 수 있는 시스템의 연구가 요구된다.
대한민국 공개특허공보 KR10-0997045 대한민국 공개특허공보 KR10-1468873 대한민국 등록특허공보 KR10-1816060 대한민국 공개특허공보 KR10-2034552
실시예들은 인공지능을 기반으로 개별적인 상황에 특화된 항온 및 항습 동작을 수행하고자 한다.
실시예들은 전력 및 물자 공급의 재활용을 통해 필요한 전력 및 물자의 소비를 최소화하고자 한다.
실시예들은 서버랙에 발생할 수 있는 이상 사태에 대한 등급별 프로토콜을 구현하여, 인공지능을 기반으로 등급별 상황에 최적화된 대처를 수행하고자 한다.
일실시예에 따른 인공지능 기반 전산 장비 관리 시스템에 있어서, 서버랙 내에 미리 정해진 이상 감지 분류 기준에 해당하는 변화가 발생하면, 이상 감지 신호를 생성해 통합 서버에 전송하는 이상 감지 센서; 상기 서버랙 내의 온도 변화를 감지하고, 상기 서버랙 내의 온도가 미리 정해진 임계 온도 범위를 벗어나면 해당 온도를 포함한 온도 데이터를 상기 통합 서버에 전송하는 열 감지 센서; 상기 서버랙 내의 습도 변화를 감지하고, 상기 서버랙 내의 습도가 미리 정해진 임계 습도 범위를 벗어나면 해당 습도를 포함한 습도 데이터를 상기 통합 서버에 전송하는 습기 감지 센서; 상기 이상 감지 센서, 상기 열 감지 센서 및 상기 습기 감지 센서를 통해 전송 받은 상기 이상 감지 신호, 상기 온도 데이터 및 상기 습도 데이터에 기초하여, 내부의 인공지능을 제어해 항온 신호, 항습 신호, 정지 신호 및 이상 신호를 생성 및 전송하는 상기 통합 서버; 상기 통합 서버로부터 전송 받은 상기 항온 신호에 기초하여, 상기 서버랙 내 온도를 상기 임계 온도 범위가 되도록 조절 수행하는 항온 조절 장치; 상기 통합 서버로부터 전송 받은 상기 항습 신호에 기초하여, 상기 서버랙 내 습도를 상기 임계 습도 범위가 되도록 조절 수행하는 항습 조절 장치; 외부 전력 공급원으로부터 공급받은 전력을 상기 서버랙 내에 공급하는 장치로서, 상기 통합 서버의 상기 정지 신호에 기초하여 상기 서버랙 내의 전원을 전체 또는 부분적으로 차단하는 기능을 수행하는 전원 공급 장치; 내장된 사용자 인식 장치의 인식 결과에 따라 상기 서버랙의 도어 열림 기능을 수행하며, 상기 통합 서버로부터 전송 받은 상기 정지 신호에 기초하여 잠금 장치; 상기 통합 서버가 송수신한 신호 및 값들을 저장하고, 상기 통합 서버 내의 인공지능이 이용하는 모든 데이터를 보관하기 위한 데이터베이스; 상기 통합 서버의 상기 이상 신호 생성에 기초하여, 이상 신호를 전송 받는 제조사 단말; 상기 통합 서버로부터 상기 항온 신호, 상기 항습 신호, 상기 정지 신호 및 상기 이상 신호를 전송 받는 사용자 단말; 및 상기 통합 서버, 상기 제조사 단말 및 상기 사용자 단말의 신호들을 송수신하기 위한 유선 및 무선 인터넷을 포함한 통신망을 포함하고, 상기 온도 데이터 및 상기 습도 데이터는 상기 해당 온도 및 상기 해당 습도를 포함하고, 상기 해당 온도 및 상기 해당 습도의 발생 3시간 전의 온도 및 습도로부터 상기 임계 온도 범위 및 상기 임계 습도 범위 내로 온도 및 습도가 내려간 후 1시간 뒤까지의 모든 온도 및 습도 값을 포함하고, 상기 이상 감지 신호는 상기 이상 감지 분류 기준에 해당하는 이상이 발생한 위치 및 상기 이상에 대해 센싱한 결과값을 포함할 수 있다.
일실시예에 따르면, 상기 항온 조절 장치는 상기 서버랙 내부의 공기를 흡입하는 흡입기; 상기 흡입기를 통해 흡입한 공기를 냉각시키기 위한 냉매장치; 상기 흡입기를 통해 흡입한 공기를 가열하기 위한 난방장치; 상기 냉매장치 및 상기 난방장치를 통해 온도가 조절된 공기를 상기 서버랙 내부로 다시 배출하는 배출기; 및 상기 배출기를 통해 배출된 공기를 상기 서버랙 내부에서 순환시키기 위한 순환기들을 포함하고, 상기 항온 신호에 기초하여, 상기 냉매장치 및 상기 난방장치 중 어느 하나를 제어해 조절 동작을 수행하고, 상기 항온 신호의 수신이 끊어짐과 동시에 동작을 자동으로 종료하고, 상기 항습 조절 장치는 상기 서버랙 내부의 수증기를 응축해 물을 생성하는 응축기; 상기 응축기를 통해 생성된 물을 상기 냉매장치에 자동으로 공급하는 배수관; 및 상기 항온 조절 장치에서 발생한 열을 전력으로 전환하는 재생형 발전기를 포함하고, 상기 응축기는 상기 재생형 발전기 및 상기 전원 공급 장치를 통해 제공된 전력을 전원으로 사용하고, 수증기를 응축해 만든 물을 상기 배수관을 통해 상기 냉매장치에 제공해 상기 냉매장치의 냉각수를 보충할 수 있다.
일실시예에 따르면, 상기 통합 서버는 상기 열 감지 센서로부터 전송 받은 이상 감지 신호에 기초하여, 제1 입력을 생성하고, 상기 제1 입력을 내장된 제1 인공 신경망에 입력하고, 상기 제1 인공 신경망의 출력인 제1 출력을 획득하고, 상기 제1 출력에 기초하여, 상기 이상 신호를 획득하고, 상기 이상 신호 및 상기 온도 데이터에 기초하여, 제2 입력을 생성하고, 상기 제2 입력을 내장된 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 출력인 제2 출력을 획득하고, 상기 제2 출력에 기초하여, 상기 항온 신호를 획득하고, 상기 이상 신호 및 상기 습도 데이터에 기초하여, 제3 입력을 생성하고, 상기 제3 입력을 내장된 제3 인공 신경망에 입력하고, 상기 제3 인공 신경망의 출력인 제3 출력을 획득하고, 상기 제3 출력에 기초하여, 상기 항습 신호를 획득하고, 상기 항온 신호 및 상기 항습 신호에 기초하여, 제4 입력을 생성하고, 상기 제4 입력을 내장된 제4 인공 신경망에 입력하고, 상기 제4 인공 신경망의 출력인 제4 출력을 획득하고, 상기 제4 출력에 기초하여, 상기 정지 신호를 획득할 수 있다.
일실시예에 따르면, 상기 이상 신호는 이상 감지 분류 코드-상기 이상 감지 분류 코드는 화재, 수해, 먼지 축적, 이상 움직임 및 이상 압력에 대해 대응하는 코드를 포함함- 및 이에 대응하는 수준값을 포함하고, 상기 수준값은 1등급, 2등급, 3등급 및 4등급의 총 4개의 등급으로 분류되고, 상기 1등급은 상기 이상 감지 분류 코드 중 화재 및 수해에 해당하는 이상의 정도가 상기 임계 온도 범위 및 상기 임계 습도 범위를 벗어나나 한계 온도 범위 1종 및 한계 습도 범위 1종을 벗어나지 않는 경우, 상기 먼지 축적이 임계 축적 범위 내인 경우에 해당하고, 상기 2등급은 상기 이상 감지 분류 코드 중 화재 및 수해에 해당하는 이상의 정도가 상기 한계 온도 범위 1종 및 상계 한계 습도 범위 1종을 벗어나나 한계 온도 범위 2종 및 한계 습도 범위 2종을 벗어나지 않는 경우, 상기 먼지 축적이 임계 축적 범위를 벗어나나 한계 축적 범위 내인 경우에 해당하고, 상기 3등급은 상기 이상 감지 분류 코드 중 화재 및 수해에 해당하는 이상의 정도가 상기 한계 온도 범위 2종 및 상계 습도 범위 2종을 벗어나는 경우, 상기 먼지 축적이 상기 한계 축적 범위를 벗어나는 경우, 상기 이상 움직임 및 상기 이상 압력이 발생한 경우에 해당하고, 상기 4등급은 상기 통합 서버의 신호 반응이 없는 경우에 해당할 수 있다.
일실시예에 따르면, 상기 이상 신호의 상기 수준값이 1등급인 경우, 상기 통합 서버가 상기 항온 신호 및 상기 항습 신호의 값을 조절해 상기 항온 조절 장치 및 상기 항습 조절 장치를 제어하고, 상기 이상 신호의 상기 수준값이 2등급인 경우, 상기 통합 서버가 상기 정지 신호의 값을 조절해 상기 전원 공급 장치의 부분적인 전력 공급을 차단하고, 상기 항온 신호 및 상기 항습 신호의 값을 조절해 상기 항온 조절 장치 및 상기 항습 조절 장치를 제어하고, 상기 이상 신호의 상기 수준값이 3등급인 경우, 상기 통합 서버가 상기 정지 신호의 값을 조절해 상기 전원 공급 장치의 전체 전력 공급을 차단하고, 상기 잠금 장치를 제어해 상기 서버랙의 도어를 열고, 상기 수준값이 4등급에 해당하는 경우, 상기 전원 공급 장치가 자동으로 전체 전력 공급을 차단하고, 상기 잠금 장치가 자동으로 상기 서버랙의 도어를 열고, 상기 제조사 단말 및 상기 사용자 단말이 제조사의 담당자 및 사용자에게 이 사실을 알리기 위한 동작을 수행할 수 있다.
실시예들은 인공지능을 기반으로 개별적인 상황에 특화된 항온 및 항습 동작을 수행할 수 있다.
실시예들은 전력 및 물자 공급의 재활용을 통해 필요한 전력 및 물자의 소비를 최소화할 수 있다.
실시예들은 서버랙에 발생할 수 있는 이상 사태에 대한 등급별 프로토콜을 구현하여, 인공지능을 기반으로 등급별 상황에 최적화된 대처를 수행할 수 있다.
도 1은 일실시예에 따른 인공지능 기반 전산 장비 관리 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 항온 조절 장치 및 항습 조절 장치를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 통합 서버의 인공 신경망을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 이상 감지 분류 코드 및 수준값을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 수준값의 등급별 제어 방법을 설명하기 위한 도면이다.
도 6은 일실시예 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용 시 또는 동작 시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일실시예에 따른 인공지능 기반 전산 장비 관리 시스템을 설명하기 위한 도면이다.
일실시예에 따른 인공지능 기반 전산 장비 관리 시스템은 서버랙 내에 미리 정해진 이상 감지 분류 기준에 해당하는 변화가 발생하면, 이상 감지 신호를 생성해 통합 서버(100)에 전송하는 이상 감지 센서(101); 서버랙 내의 온도 변화를 감지하고, 서버랙 내의 온도가 미리 정해진 임계 온도 범위를 벗어나면 해당 온도를 포함한 온도 데이터를 통합 서버(100)에 전송하는 열 감지 센서(102); 서버랙 내의 습도 변화를 감지하고, 서버랙 내의 습도가 미리 정해진 임계 습도 범위를 벗어나면 해당 습도를 포함한 습도 데이터를 통합 서버(100)에 전송하는 습기 감지 센서(103); 열 감지 센서(102) 및 습기 감지 센서(103)를 통해 전송 받은 이상 감지 신호, 온도 데이터 및 습도 데이터에 기초하여, 내부의 인공지능을 제어해 항온 신호, 항습 신호, 정지 신호 및 이상 신호를 생성 및 전송하는 통합 서버(100); 통합 서버(100)로부터 전송 받은 항온 신호에 기초하여, 서버랙 내 온도를 임계 온도 범위가 되도록 조절 수행하는 항온 조절 장치(104); 통합 서버(100)로부터 전송 받은 항습 신호에 기초하여, 서버랙 내 습도를 임계 습도 범위가 되도록 조절 수행하는 항습 조절 장치(105); 외부 전력 공급원으로부터 공급받은 전력을 서버랙 내에 공급하는 장치로서, 통합 서버(100)의 정지 신호에 기초하여 서버랙 내의 전원을 전체 또는 부분적으로 차단하는 기능을 수행하는 전원 공급 장치(106); 내장된 사용자 인식 장치의 인식 결과에 따라 서버랙의 도어 열림 기능을 수행하며, 통합 서버(100)로부터 전송 받은 정지 신호에 기초하여 잠금 장치(107); 통합 서버(100)가 송수신한 신호 및 값들을 저장하고, 통합 서버(100) 내의 인공지능이 이용하는 모든 데이터를 보관하기 위한 데이터베이스(108); 통합 서버(100)의 이상 신호 생성에 기초하여, 이상 신호를 전송 받는 제조사 단말(109); 통합 서버(100)로부터 항온 신호, 항습 신호, 정지 신호 및 이상 신호를 전송 받는 사용자 단말(110); 및 통합 서버(100), 제조사 단말(109) 및 사용자 단말(110)의 신호들을 송수신하기 위한 유선 및 무선 인터넷을 포함한 통신망(111)을 포함할 수 있다.
일실시예에 따른 인공지능 기반 전산 장비 관리 시스템은 서버 및 단말을 포함할 수 있다. 서버 및 단말은 네트워크에 연결되어 유무선 통신을 통해 데이터를 교환할 수 있다. 인공지능 기반 전산 장비 관리 시스템을 위한 서버는 통합 서버(100)일 수 있다. 서버는 서버랙의 온도, 습도 및 이상이 발생하는 경우, 관련한 센서의 동작 결과를 수집하고 이로부터 인공지능을 이용하여 분석할 수 있다. 서버는 인공지능을 통해 항온 조절 장치(104), 항습 조절 장치(105), 잠금 장치(107) 및 전원 공급 장치(106)를 제어 할 수 있다.
서버는 서버를 이용하여 서비스를 제공하는 자 또는 단체가 보유한 자체 서버일 수도 있고; 클라우드 서버일 수도 있고; 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 서버는 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 서버는 제조사 단말(109) 및 사용자 단말(110)과 유무선으로 통신하도록 구성될 수 있다.
서버는 제조사 단말(109) 및 사용자 단말(110)과 통신하며, 이상 감지 센서(101), 열 감지 센서(102) 및 습기 감지 센서(103)로부터 획득한 센싱 결과를 분석해 이에 대한 반응으로서의 신호들을 생성하기 위한 동작들을 수행할 수 있다. 따라서, 서버를 통해 제공되는 서비스는 서버랙을 이용하고, 서버랙에 대한 관리가 자동으로 수행되며, 서버랙의 이상 발생 유무를 신속히 전송 받아 이에 대해 대처하고자 하는 개인 및 단체에게 적합할 수 있다.
일실시예에 따른 단말은 제조사 단말(109) 및 사용자 단말(110) 중 어느 하나일 수 있다. 단말은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 단말은 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 단말은 서버와 유무선으로 통신하도록 구성될 수 있다.
단말은 서버와 연동된 어플리케이션이 설치되거나, 서버와 연동된 웹페이지에 연결될 수 있다. 단말은 웹페이지 또는 어플리케이션을 통해, 서버로 서버가 연산을 통해 전송한 각종 신호들을 수신할 수 있으며, 이에 대해 원격 신호를 전송해 서버에서 제어할 수 있는 동작을 수동으로 조작할 수 있다. 단말의 제조사는 단말 및 서버랙을 제조한 제조사에 해당할 수 있으며, 사용자는 서버랙을 이용해 서버를 관리하고자 하는 회사 또는 개인이 될 수 있으나, 직업에 특별한 제약은 없다. 서버의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
이하에서, 서버의 동작을 중심으로 실시예가 기술되나, 실시예들은 통신의 주체나 양상에 의해 제한되지 않고 다양한 응용예가 채용될 수 있다.
일실시예에 따른 이상 감지 센서(101)는 운동, 소리, 압력, 열, 빛을 비롯한 물리적인 양과 변화를 감지하는 기구이나, 이에 국한하지 않는다. 이상 감지 센서(101)에는 카메라가 함께 포함될 수 있는데, 이 때의 카메라는 물리적인 양과 그 변화의 발생 위치를 확인하는 용도로 사용될 수 있다. 이상 감지 센서(101)를 통해 받아들여진 물리적인 양과 그 변화 및 위치는 센서를 통해 수치화된 정보로 변환될 수 있으며, 이 수치화된 정보를 이상 감지 신호에 포함할 수 있다. 예를 들어, 잠금 장치(107)의 변화 없이 움직임이 감지될 경우, 이상 감지 센서(101)는 해당 움직임을 이상 움직임으로 분류하고 해당 움직임의 발생 위치, 움직임 궤적을 포함한 값들을 수치화된 값으로 변환하고, 이를 이상 감지 신호에 포함할 수 있다. 이상 감지 신호는 통합 서버(100)로 전송되어, 인공 지능을 통해 이상 신호를 생성하기 위한 데이터로 사용될 수 있다.
일실시예에 따른 열 감지 센서(102)는 열 감지에 최적화된 장비로서, 서버랙 내부의 온도 변화를 실시간으로 감시하는 데에 사용될 수 있다. 열 감지 센서(102)를 통해 감지된 서버랙 내부의 온도 변화는 해당 온도 변화가 발생한 시점의 온도를 포함하면서, 해당 온도 변화 이전의 3시간 동안의 데이터 및 이후로 변화하는 온도 변화값들을 모두 포함해 온도 데이터로 생성해 통합 서버(100)에 전송할 수 있다. 이에 따라 온도 데이터는 해당 온도 변화가 발생한 시점부터 실시간으로 데이터가 누적될 수 있다. 이러한 과정은 서버랙 내의 온도가 미리 정해진 임계 온도 범위 내로 들어온 뒤로부터 1시간 뒤까지의 모든 온도값을 포함할 수 있다. 예를 들어, 임계 온도 범위가 30~40℃인 서버랙 내의 온도가 급격히 상승해 42℃가 된 경우, 열 감지 센서(102)는 해당 온도 발생 3시간 이전 시점의 온도 값들을 포함한 온도 데이터를 생성해 통합 서버(100)에 전송할 수 있다. 이와 동시에, 실시간 모니터링을 지속하면서, 서버랙 내부의 온도가 임계 온도 범위인 30~40℃가 될 때까지 온도 데이터를 갱신할 수 있다. 만약, 항온 조절 장치(104)의 작동으로 서버랙 내부의 온도가 40℃이하로 낮아지면, 이로부터 1시간 동안 모니터링하면서 발생한 온도 변화값을 지속적으로 온도 데이터에 갱신할 수 있다. 이 경우 항온 조절 장치(104)는 온도 데이터를 기준으로 서버랙 내부의 온도가 임계 범위를 벗어나지 않는 선에서 가능한 냉각될 수 있도록 내부의 온도를 조절할 수 있다. 만약 서버랙 내부의 온도가 30℃ 이하로 내려가면, 열 감지 센서(102) 및 항온 조절 장치(104)는 이와 반대의 동작을 수행할 수 있다.
일실시예에 따른 습기 감지 센서(103)는 습기 감지에 최적화된 장비로서, 서버랙 내부의 습도 변화를 실시간으로 감시하는 데에 사용될 수 있다. 습기 감지 센서(103)를 통해 감지된 서버랙 내부의 습도 변화는 해당 습도 변화가 발생한 시점의 습도를 포함하면서, 해당 습도 변화 이전의 3시간 동안의 데이터 및 이후로 변화하는 습도 변화값들을 모두 포함해 습도 데이터로 생성해 통합 서버(100)에 전송할 수 있다. 이에 따라 습도 데이터는 해당 습도 변화가 발생한 시점부터 실시간으로 데이터가 누적될 수 있다. 이러한 과정은 서버랙 내의 습도가 미리 정해진 임계 습도 범위 내로 들어온 뒤로부터 1시간 뒤까지의 모든 습도값을 포함할 수 있다. 예를 들어, 임계 습도 범위가 20~40%인 서버랙 내의 습도가 급격히 상승해 45%가 된 경우, 습기 감지 센서(103)는 해당 습도 발생 3시간 이전 시점의 습도 값들을 포함한 습도 데이터를 생성해 통합 서버(100)에 전송할 수 있다. 이와 동시에, 실시간 모니터링을 지속하면서, 서버랙 내부의 습도가 임계 습도 범위인 20~40%가 될 때까지 습도 데이터를 갱신할 수 있다. 만약, 항습 조절 장치(105)의 작동으로 서버랙 내부의 습도가 40%이하로 낮아지면, 이로부터 1시간 동안 모니터링하면서 발생한 습도 변화값을 지속적으로 습도 데이터에 갱신할 수 있다. 이 경우 항습 조절 장치(105)는 습도 데이터를 기준으로 서버랙 내부의 습도가 임계 범위를 벗어나지 않는 선에서 가능한 건조될 수 있도록 내부의 습도를 조절할 수 있다. 만약 서버랙 내부의 습도가 20% 이하로 내려가면, 습기 감지 센서(103) 및 항습 조절 장치(105)는 이와 반대의 동작을 수행할 수 있다.
일실시예에 따른, 통합 서버(100)는 이상 감지 센서(101), 상기 열 감지 센서(102), 상기 습기 감지 센서(103)를 통해 전송 받은 이상 감지 신호, 온도 데이터 및 습도 데이터에 기초하여, 서버랙 내부의 온도 변화, 습도 변화를 일으키거나 제조사 단말(109) 및 사용자 단말(110)로 전송하기 위한 항온 신호, 항습 신호, 정지 신호 및 이상 신호를 생성 및 획득할 수 있다. 이러한 과정은 인공지능(인공 신경망)을 통해 이뤄질 수 있으며, 인공지능을 통한 신호들의 획득에 대한 자세한 설명은 도 3을 참조하여 후술한다.
일실시예에 따른, 항온 조절 장치(104) 및 항습 조절 장치(105)는 각각 항온 신호 및 항습 신호에 기초하여 항온 조절 및 항습 조절을 수행할 수 있는 장치이다. 항온 조절 및 항습 조절은 미리 사용자에 의해 정해진 임계 온도 범위 및 임계 습도 범위로 서버랙 내부의 온도와 습도를 유지하는 과정으로 정의될 수 있으나, 이에 국한하지 않는다. 항온 조절 장치(104) 및 항습 조절 장치(105)에 대한 자세한 설명은 도 2를 참조하여 후술한다.
일실시예에 따른 전원 공급 장치(106)는 외부의 전력 공급원으로부터 서버랙 내부에 전력을 공급하기 위한 장치로서, 서버랙 내부의 상황을 고려한 통합 서버(100)의 정지 신호에 기초하여, 서버랙 내의 전원을 전체 또는 부분적으로 차단할 수 있다. 서버랙 내의 전원에 대한 부분적인 차단은 이상이 발생한 부분의 전원을 차단함으로써, 해당 부위를 제외한 나머지 동작이 원상태의 동작과 동일하게 작동할 것으로 예상될 때 이뤄지는 동작일 수 있으나, 이에 국한하지 않는다. 따라서 통합 서버(100)가 제공하는 정지 신호에는 서버랙 내의 전원을 전체 또는 부분적으로 차단하기 위한 정보뿐만 아니라 해당 이상이 발생한 부위의 위치 정보가 포함될 수 있다.
일실시예에 따른 잠금 장치(107)는 사용자 인식 장치를 내장하고 있으며, 사용자는 이 사용자 인식 장치를 통해 본인 인식을 수행한 이후에만 서버랙의 도어를 열 수 있다. 잠금 장치(107)는 사용자 인식 장치를 통한 사용자 인식, 제조사 단말(109) 및 사용자 단말(110)의 수동 신호에 따라 도어의 열림 동작을 수행할 수 있으며, 이외에도 통합 서버(100)의 정지 신호에 대한 반응으로서 서버랙의 도어 열림 기능을 수행할 수 있고, 이 외에는 열림 기능을 수행하지 않을 수 있으나, 이에 국한하지 않는다.
일실시예에 따른 데이터베이스(108)는 통합 서버(100)가 송수신한 모든 신호 및 값들을 저장할 수 있는데, 여기에는 이상 감지 신호, 온도 데이터, 습도 데이터, 항온 신호, 항습 신호, 이상 신호 및 정지 신호가 포함될 수 있으나, 이에 국한하지 않는다. 또한 데이터베이스(108)는 통합 서버(100)에 내장된 인공 신경망이 사용할 데이터들을 보관하는 저장소로서의 역할을 수행할 수 있다. 인공 신경망이 사용할 데이터의 예시로는 인공 신경망을 위한 학습 데이터, 인공 신경망의 수행과 관련해 빅데이터로부터 추출한 데이터들을 포함할 수 있으나, 이에 국한하지 않는다.
일실시예에 따른 제조사 단말(109)은 서버랙을 제조한 제조사에서 보유한 단말로서, 서버랙의 동작에 이상이 발생할 경우 이상 신호 및 정지 신호를 수신해 이에 대한 해결법을 시행하거나, 서버랙의 동작 과정을 실시간 모니터링하기 위한 용도로 사용될 수 있다. 제조사 단말(109)은 서버랙 내부의 사용자에 의해 설계된 서버의 내용에 대한 접근은 불가능하도록 설계될 수 있으며, 단지 서버랙의 동작에 대한 정보만을 수신하도록 설계될 수 있으나, 이에 국한하지 않는다. 제조사 단말(109)은 통합 서버(100)로부터 이상 신호를 수신할 수 있으나, 통합 서버(100)의 작동이 정지한 경우 신호 수신 거부에 따른 자동 알림 기능을 수행해 사용자에게 이러한 사실을 알릴 수 있다.
일실시예에 따른 사용자 단말(110)은 서버랙을 사용하는 사용자의 단말로서, 그 종류에 따라 서버랙의 동작에 대한 정보 이외에도 자신이 보유한 서버랙 내부의 서버들의 상호작용에 따른 정보에 이르기까지 많은 정보들을 수신할 수 있으나, 이에 국한하지 않는다. 사용자 단말(110)은 통합 서버(100)로부터 항온 신호, 항습 신호, 정지 신호 및 이상 신호를 수신할 수 있으나, 통합 서버(100)의 작동이 정지한 경우 신호 수신 거부에 따른 자동 알림 기능을 수행해 사용자에게 이러한 사실을 알릴 수 있다. 제조사 단말(109) 및 사용자 단말(110)이 해당 신호를 수신하는 경우와 관련한 자세한 설명은 도 5를 참조하여 후술한다.
일실시예에 따른 통신망(111)은 유선 및 무선 인터넷을 이용하며, 통합 서버(100)와 사용자 단말(110) 및 제조사 단말(109)을 연결하고, 신호들을 송수신하는 데에 사용될 수 있다. 이 때에 사용되는 통신망(111)의 규격에는 일정한 제한이 없으며, 제조사에 따라 상이한 통신망(111)이 설치될 수 있다.
일실시예에 따른 통합 서버는 인공지능을 기반으로 개별적인 상황에 특화된 항온 및 항습 동작을 수행할 수 있다.
도 2는 일실시예에 따른 항온 조절 장치 및 항습 조절 장치를 설명하기 위한 도면이다.
일실시예에 따른 항온 조절 장치는 서버랙 내부의 공기를 흡입하는 흡입기(201); 흡입기(201)를 통해 흡입한 공기를 냉각시키기 위한 냉매장치(203); 흡입기(201)를 통해 흡입한 공기를 가열하기 위한 난방장치(204); 냉매장치(203) 및 난방장치(204)를 통해 온도가 조절된 공기를 서버랙 내부로 다시 배출하는 배출기(202); 및 배출기(202)를 통해 배출된 공기를 서버랙 내부에서 순환시키기 위한 순환기(205)들을 포함할 수 있다.
일실시예에 따른 흡입기(201)는 서버랙 내부의 공기를 흡입할 수 있는 장치로서 배출기(202)와는 반대 방향으로 공기를 이동시키는 동작을 수행할 수 있다. 항온 조절 장치는 통합 서버로부터 전송 받은 항온 신호에 기초하여, 제일 먼저 흡입기(201)의 동작을 수행할 수 있다. 흡입기(201)는 서버랙 내부의 공기를 배출시키는 작용을 통해 일차적으로 서버랙 내부의 온도를 임계 범위 온도에 가깝게 이동시키는 동작을 수행할 수 있다. 흡입기(201)를 통해 들어온 공기는 냉매장치(203) 또는 난방장치(204)를 통해 냉각 또는 가열될 수 있다.
일실시예에 따른 냉매장치(203) 및 난방장치(204)는 흡입기(201)를 통해 전해진 서버랙 내부의 공기를 항온 신호에 기초하여, 냉각 또는 가열하는 동작을 수행할 수 있다. 항온 조절 장치는 통합 서버로부터 전송 받은 항온 신호에 기초하여, 냉매장치(203) 또는 난방장치(204) 중 어느 하나의 동작만을 제어할 수 있는데, 둘이 함께 작동하는 경우는 없으며, 만약 두 장치가 함께 동작하는 경우 이는 항온 조절 장치의 고장으로 분석되어 통합 서버에 전송될 수 있다. 통합 서버는 항온 조절 장치의 고장을 접수하면, 이를 추가적인 이상 신호로 생성하여 제조사 단말 및 사용자 단말에 전송할 수 있다. 항온 조절 장치는 통합 서버의 항온 신호의 전송이 끊어짐과 동시에 동작을 정지하도록 설계될 수 있으나, 이에 국한하지 않는다.
일실시예에 따른 배출기(202)는 흡입기(201)와 반대되는 방향으로 공기를 이동시키는 장치로서, 냉매장치(203) 및 난방장치(204)의 동작을 통해 온도 변화된 공기를 다시 서버랙 내부로 주입하는 기능을 수행할 수 있다. 배출기(202)의 동작은 흡입기(201), 냉매장치(203) 및 난방장치(204)의 동작과 마찬가지로 통합 서버의 항온 신호에 기초하며, 항온 신호의 전송이 끊어짐과 동시에 동작을 정지하도록 설계될 수 있으나, 이에 국한하지 않는다.
일실시예에 따른 순환기(205)들은 서버랙 내부에 포함된 장치로서, 서버랙 내부의 공기를 순환시키는 장치일 수 있다. 순환기(205)들의 동작은 서버랙 내부의 온도를 항온 상태로 유지하기 위한 기본 장치로서 사용될 수 있으며, 배출기(202)를 통해 배출된 공기를 다시 서버랙 내부 전체에 고르게 이동하도록 하기 위해 사용될 수 있다.
일실시예에 따른 항습 조절 장치는 서버랙 내부의 수증기를 응축해 물을 생성하는 응축기(206); 응축기(206)를 통해 생성된 물을 냉매장치(203)에 자동으로 공급하는 배수관(207); 및 항온 조절 장치에서 발생한 열을 전력으로 전환하는 재생형 발전기(208)를 포함할 수 있다.
일실시예에 따른 응축기(206)는 서버랙 내부의 수증기를 흡입할 수 있으며, 응축 인자를 포함하고 있어, 수증기가 응축 인자를 중심으로 응축되어 물이 생성될 수 있도록 할 수 있다. 일반적인 응축 인자는 냉매로 사용되는 재료들로서, 이를 통해 응축기(206)를 통해 응축된 물을 배수관(207)을 통해 냉매장치(203)에 제공할 수 있다. 배수관(207)을 통해 제공된 물은 냉매장치(203)를 위한 냉각수로 사용될 수 있다.
일실시예에 따른 배수관(207)은 응축기(206)와 냉매장치(203)를 연결하기 위한 관으로 산화도가 낮은 금속 및 합금으로 제조될 수 있으며, 물의 이동에 최적화된 장비일 수 있다. 배수관(207)은 일체형 또는 조립형으로 구성될 수 있으며, 서버랙의 크기에 맞게 소형으로 제작될 수 있다.
일실시예에 따른 재생형 발전기(208)는 항온 조절 장치의 온도 변화를 위한 동작에서 발생하는 열을 이용하여 전력을 생성하기 위한 장치로서, 해당 재생형 발전기(208)의 동작을 통해 발생한 전력은 항습 조절 장치의 응축기(206) 동작을 위해 사용될 수 있다. 재생형 발전기(208)를 통해 발전된 전력의 양은 비교적 적은 양이기 때문에 항온 조절 장치보다 작동량이 적은 항습 조절 장치를 위해 사용되도록 설계될 수 있으며, 반대로 항온 조절 장치의 동작이 더 많은 까닭에 이로부터 발생하는 열을 전력으로 활용하기에 최적화된 구조일 수 있다. 더불어 경우에 따라 재생형 발전기(208)를 통해 제공되는 전력은 긴급 상황이 전원 공급 장치에 전원을 공급하기 위한 전력으로도 사용될 수 있으나, 이에 국한하지 않는다.
일실시예에 따른 통합 서버는 전력 및 물자 공급의 재활용을 통해 필요한 전력 및 물자의 소비를 최소화할 수 있다.
도 3은 일실시예에 따른 통합 서버의 인공 신경망을 설명하기 위한 도면이다.
일실시예에 따른 인공지능 기반 전산 장비 관리 시스템의 통합 서버에는 인공 신경망의 사용될 수 있다. 이하에서, 인공 신경망의 동작을 통한 항온 항습 작용, 이상 감지 및 동작 정지에 대한 다양한 실시예들이 채용될 수 있다.
일실시예에 따르면, 통합 서버는 서버랙의 이상 감지 센서로부터 전송 받은 이상 감지 신호(301)에 기초하여, 제1 입력을 생성할 수 있다. 제1 입력은 이상 감지 신호(301)를 전처리한 벡터일 수 있다. 제1 입력은 제1 인공 신경망(310)의 입력층 노드에 대응하는 입력값일 수 있다. 통합 서버는 제1 입력을 제1 인공 신경망(310)에 입력한 결과로 제1 출력을 획득할 수 있다. 제1 출력은 이상 감지 분류 코드 및 수준값을 포함한 이상 신호(302)를 포함할 수 있다. 제1 출력은 제1 인공 신경망(310)의 출력층 노드에 대응할 수 있다.
제1 인공 신경망(310)은 은닉층과 출력층을 가질 수 있다. 제1 인공 신경망(310)에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제1 인공 신경망(310)의 출력층 노드는 총 5개로 할 수 있으나, 이에 국한하지 않는다. 5개의 출력은 각각 이상 감지 분류 코드에 해당하는 각각의 결과들과 이에 대응하는 수준값들을 포함할 수 있다. 각각의 값들은 1, 2 또는 3일 수 있다.
학습 장치는 제1 인공 신경망(310)을 제1 레이블들을 통해 학습할 수 있다. 학습 장치는 통합 서버와 동일할 수 있으나, 이에 국한하지 않는다. 제1 레이블들은 이상 감지 센서를 통해 감지될 수 있는 상황들에 대한 10만 개의 서로 다른 데이터들과 이에 대한 제조사의 분석을 통해 정해진 이상 신호(302)들의 값을 포함할 수 있다. 제1 인공 신경망(310)은 제1 레이블드 트레이닝 입력들을 입력해 얻은 제1 레이블드 트레이닝 출력들을 제1 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제1 인공 신경망(310)의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제1 인공 신경망(310)을 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일실시예에 따른, 이상 신호(302)는 이상의 종류에 따라 5가지의 이상 감지 분류 코드를 가질 수 있으며, 각각에 대응하는 3단계로 분류되는 수준값을 가질 수 있다. 분류의 예외가 되는 경우는 4단계가 될 수 있으며, 이러한 경우는 통합 서버의 동작 정지 상황으로서 제조사 단말 및 사용자 단말에 의해 자동으로 생성될 수 있다. 이상 신호(302) 및 이상 신호(302)로부터 파생되는 동작에 대한 설명은 도 4 및 도 5를 참조하여 자세히 후술한다.
일실시예에 따르면, 통합 서버는 제1 출력으로부터 획득한 이상 신호(302)와 열 감지 센서로부터 전송 받은 온도 데이터(303)에 기초하여, 제2 입력을 생성할 수 있다. 제2 입력은 이상 신호(302) 및 온도 데이터(303)를 전처리한 벡터일 수 있다. 제2 입력은 제2 인공 신경망(320)의 입력층 노드에 대응하는 입력값일 수 있다. 통합 서버는 제2 입력을 제2 인공 신경망(320)에 입력한 결과로 제2 출력을 획득할 수 있다. 제2 출력은 항온 조절 장치를 조절하기 위한 항온 신호(305)를 포함할 수 있다. 제2 출력은 제2 인공 신경망(320)의 출력층 노드에 대응할 수 있다.
제2 인공 신경망(320)은 은닉층과 출력층을 가질 수 있다. 제2 인공 신경망(320)에는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 50개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 인공 신경망(320)의 출력층 노드는 총 3개로 할 수 있으나, 이에 국한하지 않는다. 3개의 출력은 각각 항온 조절 장치의 작동을 위한 냉매장치 및 난방장치의 선택, 항온 조절의 강도 등을 포함하는 코드를 구성할 수 있으나, 이에 국한하지 않는다.
학습 장치는 제2 인공 신경망(320)을 제2 레이블들을 통해 학습할 수 있다. 학습 장치는 통합 서버와 동일할 수 있으나, 이에 국한하지 않는다. 제2 레이블들은 이상 신호(302) 및 온도 데이터(303)를 포함한 1만 개의 조합들에 대하여 제조사가 입력한 프로토콜에 따른 항온 조절 장치의 동작을 포함한 항온 신호(305)들을 포함할 수 있다. 제2 인공 신경망(320)은 제2 레이블드 트레이닝 입력들을 입력해 얻은 제2 레이블드 트레이닝 출력들을 제2 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제2 인공 신경망(320)의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제2 인공 신경망(320)을 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일실시예에 따른 항온 신호(305)는 항온 장치의 동작을 위한 신호로서, 항온 조절 장치에서 냉매장치 및 난방장치의 선택과 각각의 장치들의 동작 강도, 흡입기, 배출기 및 순환기들의 동작 강도 등을 포함할 수 있다.
일실시예에 따르면, 통합 서버는 제1 출력으로부터 획득한 이상 신호(302)와 습기 감지 센서로부터 전송 받은 습도 데이터(304)에 기초하여, 제3 입력을 생성할 수 있다. 제3 입력은 이상 신호(302) 및 습도 데이터(304)를 전처리한 벡터일 수 있다. 제3 입력은 제3 인공 신경망(330)의 입력층 노드에 대응하는 입력값일 수 있다. 통합 서버는 제3 입력을 제3 인공 신경망(330)에 입력한 결과로 제3 출력을 획득할 수 있다. 제3 출력은 항습 조절 장치를 조절하기 위한 항습 신호(306)를 포함할 수 있다. 제3 출력은 제3 인공 신경망(330)의 출력층 노드에 대응할 수 있다.
제3 인공 신경망(330)은 은닉층과 출력층을 가질 수 있다. 제3 인공 신경망(330)에는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 50개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제3 인공 신경망(330)의 출력층 노드는 총 3개로 할 수 있으나, 이에 국한하지 않는다. 3개의 출력은 각각 항습 조절 장치의 작동을 위한 응축기의 동작 및 재생형 발전기의 전력 공급 등을 포함하는 코드를 구성할 수 있으나, 이에 국한하지 않는다.
학습 장치는 제3 인공 신경망(330)을 제3 레이블들을 통해 학습할 수 있다. 학습 장치는 통합 서버와 동일할 수 있으나, 이에 국한하지 않는다. 제3 레이블들은 이상 신호(302) 및 습도 데이터(304)를 포함한 1만 개의 조합들에 대하여 제조사가 입력한 프로토콜에 따른 항습 조절 장치의 동작을 포함한 항습 신호(306)들을 포함할 수 있다. 제3 인공 신경망(330)은 제3 레이블드 트레이닝 입력들을 입력해 얻은 제3 레이블드 트레이닝 출력들을 제3 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제3 인공 신경망(330)의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제3 인공 신경망(330)을 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일실시예에 따른 항습 신호(306)는 항습 장치의 동작을 위한 신호로서, 항습 조절 장치에서 응축기의 동작 강도, 재생형 발전기의 동작을 통해 얻은 전력의 공급, 전원 공급 장치로부터의 전력 공급량 등을 포함할 수 있다.
일실시예에 따르면, 통합 서버는 제2 출력 및 제3 출력으로부터 획득한 항온 신호(305) 및 항습 신호(306)에 기초하여, 제4 입력을 생성할 수 있다. 제4 입력은 항온 신호(305) 및 항습 신호(306)를 전처리한 벡터일 수 있다. 제4 입력은 제4 인공 신경망(340)의 입력층 노드에 대응하는 입력값일 수 있다. 통합 서버는 제4 입력을 제4 인공 신경망(340)에 입력한 결과로 제4 출력을 획득할 수 있다. 제4 출력은 항온 신호(305) 및 항습 신호(306)를 통해서만 통제될 수 없는 상황을 위한 정지 신호(307)를 포함할 수 있다. 제4 출력은 제4 인공 신경망(340)의 출력층 노드에 대응할 수 있다.
제4 인공 신경망(340)은 은닉층과 출력층을 가질 수 있다. 제4 인공 신경망(340)에는 일반적으로 은닉층이 7개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제4 인공 신경망(340)의 출력층 노드는 총 10개로 할 수 있으나, 이에 국한하지 않는다. 10개의 출력은 정지 신호(307)를 통해 전원 공급 장치의 전력을 전체 또는 부분 차단하고, 잠금 장치의 도어 열림 동작을 수행하기 위한 값들을 포함하는 코드를 구성할 수 있으나, 이에 국한하지 않는다.
학습 장치는 제4 인공 신경망(340)을 제4 레이블들을 통해 학습할 수 있다. 학습 장치는 통합 서버와 동일할 수 있으나, 이에 국한하지 않는다. 제4 레이블들은 미리 가정된 이상 상황 및 이에 대응하는 이상 신호(302)와, 이로부터 생성된 항온 신호(305) 및 항습 신호(306)에 대하여 제조사에서 전원 공급 장치 및 잠금 장치에 대한 정지 프로토콜을 수행하도록 하는 정지 신호(307)들을 포함할 수 있다. 제4 인공 신경망(340)은 제4 레이블드 트레이닝 입력들을 입력해 얻은 제4 레이블드 트레이닝 출력들을 제4 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제4 인공 신경망(340)의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제4 인공 신경망(340)을 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일실시예에 따른 정지 신호(307)는 전원 공급 장치의 전력 공급에 대하여, 전체 또는 부분적으로 전력 공급을 차단하도록 하는 신호 정보를 포함할 수 있고, 또한 잠금 장치의 도어 열림 동작을 수행하기 위한 신호 정보를 포함할 수 있다. 생성된 정지 신호(307)는 생성과 동시에 사용자 단말에 전송될 수 있다.
도 4 및 도 5는 일실시예에 따른 이상 감지 분류 코드 및 수준값과 수준값에 따른 등급별 제어 방법을 설명하기 위한 도면이다.
일실시예에 따른 이상 신호는 이상 감지 분류 코드(401) 및 이에 대응하는 수준값(402)을 포함할 수 있다. 이상 감지 분류 코드(401)는 화재, 수해, 먼지 축적, 이상 움직임 및 이상 압력에 대한 내용을 포함할 수 있다. 이상 감지 분류 코드(401)에 포함된 화재는 한계 온도 범위 1종, 한계 온도 범위 2종을 포함할 수 있다. 한계 온도 범위 1종은 임계 온도 범위를 넘어선 온도 상승을 포함하나, 항온 조절 장치(505)의 작동에 따라 임계 온도 범위 이내로 조절될 수 있다고 판단되는 온도 변화의 범위로 정의될 수 있다. 한계 온도 범위 2종은 해당 온도 변화가 한계 온도 범위 1종을 넘어선 경우로서, 단순히 항온 조절 장치(505)의 동작만으로 온도 조절이 불가능해, 해당 이상이 감지된 장비의 전력을 차단한 후 항온 조절 장치(505)의 동작을 통한 항온 조절이 이뤄질 수 있는 온도 변화의 범위로 정의될 수 있다. 이상 감지 분류 코드(401)에 포함된 수해는 한계 습도 범위 1종, 한계 습도 범위 2종을 포함할 수 있다. 한계 습도 범위 1종은 임계 습도 범위를 넘어선 습도 상승을 포함하나, 항습 조절 장치(506)의 작동에 따라 임계 습도 범위 이내로 조절될 수 있다고 판단되는 습도 변화의 범위로 정의될 수 있다. 한계 습도 범위 2종은 해당 습도 변화가 한계 습도 범위 1종을 넘어선 경우로서, 단순히 항습 조절 장치(506)의 동작만으로 습도 조절이 불가능해, 해당 이상이 감지된 장비의 전력을 차단한 후 항습 조절 장치(506)의 동작을 통한 항습 조절이 이뤄질 수 있는 습도 변화의 범위로 정의될 수 있다. 이상 감지 분류 코드(401)에 포함된 먼지 축적은 서버랙 내부에 먼지가 축적된 부위 및 그 정도를 나타낸 값으로 임계 축적 범위 및 한계 축적 범위를 포함할 수 있다. 임계 축적 범위는 항온 조절 장치(505)의 순환기들의 작동을 통해 먼지가 제거될 수 있는 경우에 해당하며, 한계 축적 범위는 순환기들의 작동만으로는 제거될 수 없는 먼지의 상태로 이 상태 이상의 먼지가 축적될 경우, 해당 기기의 고장을 유발할 수 있을 것으로 판단되어 해당 부위의 전력 공급을 차단하는 것이 바람직한 상태를 의미할 수 있다. 이상 감지 분류 코드(401)의 이상 움직임은 잠금 장치(508)의 도어 열림 동작이 수행되지 않았음에도 불구하고, 나타난 움직임에 대한 결과로서, 해당 움직임이 동물이나 곤충, 벌레 및 사물에 의한 경우 서버랙 내부 기기의 고장을 유발할 수 있을 것으로 판단되는 경우에 해당할 수 있다. 이상 감지 분류 코드(401)의 이상 압력은 폭발이나 가스 누출에 의한 압력 변화로서, 미리 지정된 범위를 벗어난 압력 값에 대하여 이상 압력으로 분류하고, 폭발 사고를 예방하기 위하여 전원 공급 장치(507)의 전력을 차단하는 동작이 수행될 수 있는 경우에 해당한다.
일실시예에 따른 수준값(402)은 통합 서버(500)를 통항 이상 신호 내의 각각의 이상 분류 감지 코드에 대응하는 1, 2 및 3등급(503)의 총 세 가지 등급과 이 외에 통합 서버(500)의 동작 이상에 따른 4등급(504)으로 구분되며, 이에 따라 총 4개의 등급을 포함할 수 있다.
일실시예에 따른 1등급(501)은 이상 감지 분류 코드(401) 중 화재 및 수해에 해당하는 이상의 정도가 임계 온도 범위 및 임계 습도 범위를 벗어나나 한계 온도 범위 1종 및 한계 습도 범위 1종을 벗어나지 않는 경우, 먼지 축적이 임계 축적 범위 내인 경우에 해당할 수 있다. 예를 들어, 서버랙 내부의 온도가 임계 온도 범위를 벗어나나 한계 온도 범위 1종을 벗어나지 않고, 습도가 임계 온도 범위를 벗어나지 않으며, 먼지 축적이 임계 축적 범위 내인 경우에 해당할지라도, 이는 1등급(501)에 해당할 수 있다. 이는 화재, 수해 및 먼지 축적 중 어느 하나라도 해당 범위를 벗어날 경우 이를 기준으로 하여 안전 관리를 하기 위한 보호적 조치가 필요하기 때문일 수 있다.
이상 신호의 수준값(402)이 1등급(501)인 경우, 통합 서버(500)는 이상 신호의 값을 바탕으로 제2 인공 신경망 및 제3 인공 신경망을 통해 항온 신호 및 항습 신호의 값을 조절해 항온 조절 장치(505) 및 항습 조절 장치(506)를 제어할 수 있다. 이상 신호, 항온 신호 및 항습 신호에 따라 이에 해당하는 경우 제조사 단말 및 사용자 단말은 해당 신호를 수신하여 이에 대응하기 위한 동작을 수행할 수 있다. 일반적인 경우 1등급(501)에 해당하면, 제조사 및 사용자는 이에 대한 서버랙의 동작을 지켜보고 다음 행동 양식을 결정할 수 있다.
일실시예에 따른 2등급(502)은 이상 감지 분류 코드(401) 중 화재 및 수해에 해당하는 이상의 정도가 한계 온도 범위 1종 및 상계 한계 습도 범위 1종을 벗어나나 한계 온도 범위 2종 및 한계 습도 범위 2종을 벗어나지 않는 경우, 먼지 축적이 임계 축적 범위를 벗어나나 한계 축적 범위 내인 경우에 해당할 수 있다. 예를 들어, 서버랙 내부의 온도가 한계 온도 범위 1종을 벗어나나 한계 온도 범위 2종을 벗어나지 않고, 습도가 임계 온도 범위를 벗어나지 않으며, 먼지 축적이 임계 축적 범위 내인 경우에 해당할지라도, 이는 2등급(502)에 해당할 수 있다. 이는 화재, 수해 및 먼지 축적 중 어느 하나라도 해당 범위를 벗어날 경우 이를 기준으로 하여 안전 관리를 하기 위한 보호적 조치가 필요하기 때문일 수 있다.
이상 신호의 수준값(402)이 2등급(502)인 경우, 통합 서버(500)가 정지 신호의 값을 조절해 전원 공급 장치(507)의 부분적인 전력 공급을 차단하고, 항온 신호 및 항습 신호의 값을 조절해 항온 조절 장치(505) 및 항습 조절 장치(506)를 제어할 수 있다. 이상 신호의 수준값(402)이 2등급(502)이 되면, 통합 서버(500)는 단순히 항온 조절 장치(505) 및 항습 조절 장치(506)만으로 서버랙의 온도 변화, 습도 변화 및 먼지 제거가 불가능하다고 판단하여, 이로부터 발생할 위험을 해소하기 위해 부분적인 전력 차단을 수행할 수 있다. 이상 신호, 항온 신호, 항습 신호 및 정지 신호의 발생에 따라 이에 해당하는 경우 제조사 단말 및 사용자 단말은 해당 신호를 수신하여 이에 대응하기 위한 동작을 수행할 수 있다. 일반적인 경우 2등급(502)에 해당하면, 사용자는 서버랙을 수동으로 직접 점검하고, 제조사는 사용자의 수리 요청이 있을 때까지 대기할 수 있다.
일실시예에 따른 3등급(503)은 이상 감지 분류 코드(401) 중 화재 및 수해에 해당하는 이상의 정도가 한계 온도 범위 2종 및 상계 습도 범위 2종을 벗어나는 경우, 먼지 축적이 한계 축적 범위를 벗어나는 경우, 이상 움직임 및 이상 압력이 발생한 경우에 해당할 수 있다. 예를 들어, 서버랙 내부의 온도가 한계 온도 범위 2종을 벗어나는 경우, 그 외의 습도가 임계 온도 범위를 벗어나지 않고, 먼지 축적이 임계 축적 범위 내이며, 이상 움직임이나 이상 압력이 발생하지 않은 경우에 해당할지라도, 이는 3등급(503)에 해당할 수 있다. 이는 화재, 수해, 먼지 축적, 이상 움직임 및 이상 압력 중 어느 하나라도 3등급(503)에 해당할 경우 이를 기준으로 하여 안전 관리를 하기 위한 보호적 조치가 필요하기 때문일 수 있다.
이상 신호의 수준값(402)이 3등급(503)인 경우, 통합 서버(500)는 정지 신호의 값을 조절해 전원 공급 장치(507)의 전체 전력 공급을 차단하고, 잠금 장치(508)를 제어해 서버랙의 도어를 열 수 있다. 이상 신호의 수준값(402)이 3등급(503)이 되면, 통합 서버(500)는 일부 전력 차단만으로 해당 사태를 진정시킬 수 없다고 판단하여, 이를 해소하기 위해서 사용자 및 제조사의 조치가 필요하기 때문에 모든 전력 공급을 차단하고, 도어를 열어 사용자 및 제조사의 조치가 있을 때까지 모든 동작을 정지할 수 있다. 이상 신호, 항온 신호, 항습 신호 및 정지 신호의 발생에 따라 이에 해당하는 경우 제조사 단말 및 사용자 단말은 해당 신호를 수신하여 이에 대응하기 위한 동작을 수행할 수 있다. 일반적인 경우 2등급(502)에 해당하면, 사용자는 서버랙 내의 장치들을 보존하기 위해 즉각 조치를 취할 수 있으며, 제조사는 사용자의 수리 요청이 없더라도 즉각 출동하여 서버랙의 수리 및 대응 조치를 수행할 수 있다.
일실시예에 따른 4등급(504)은 통합 서버(500)의 신호 반응이 없는 경우에 해당 할 수 있다. 통합 서버(500)가 스스로 1, 2 및 3등급(503)의 판단을 수행하거나, 그 외의 동작을 적절히 수행할 수 없다고 판단되는 모든 경우가 4등급(504)에 해당할 수 있다.
이상 신호의 수준값(402)이 4등급(504)에 해당하는 경우, 전원 공급 장치(507)가 자동으로 전체 전력 공급을 차단하고, 잠금 장치(508)가 자동으로 서버랙의 도어를 열고, 제조사 단말 및 사용자 단말이 제조사의 담당자 및 사용자에게 이 사실을 알리기 위한 동작을 수행할 수 있다. 이상 신호의 수준값(402)이 4등급(504)이 되면, 사용자 및 제조사는 이에 대한 정보를 통합 서버(500)로부터 받을 수 없기 때문에, 이 경우 제조사 단말 및 사용자 단말은 자동으로 이에 대한 신호를 생성해 사용자 및 제조사에 전달할 수 있다. 전원 공급 장치(507) 및 잠금 장치(508)는 기본적으로 통합 서버(500)의 지시가 없는 경우 전력 공급을 차단하고, 도어를 여는 동작을 수행하도록 구성되어 있을 수 있다. 제조사 및 사용자는 4등급(504)에 해당하는 신호가 발생하면, 즉각적으로 통합 서버(500)의 점검을 위한 조치를 취할 수 있다.
일실시예에 따른 통합 서버는 서버랙에 발생할 수 있는 이상 사태에 대한 등급별 프로토콜을 구현하여, 인공지능을 기반으로 등급별 상황에 최적화된 대처를 수행할 수 있다.
도 6은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(601)는 프로세서(602) 및 메모리(603)를 포함한다. 프로세서(602)는 도 1 내지 도 5를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 5를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 구체적으로, 장치(601)는 서버, 사용자 단말, 또는 인공 신경망 학습 장치 등일 수 있다. 장치(601)를 이용하는 자 또는 단체는 도 1 내지 도 5를 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(603)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(603)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(602)는 프로그램을 실행하고, 장치(601)를 제어할 수 있다. 프로세서(602)에 의하여 실행되는 프로그램의 코드는 메모리(603)에 저장될 수 있다. 장치(601)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(601)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(603)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(602)는 메모리(603)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(601)와 학습된 인공 신경망을 이용하는 장치(601)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

  1. 인공지능 기반 전산 장비 관리 시스템에 있어서,
    서버랙 내에 미리 정해진 이상 감지 분류 기준에 해당하는 변화가 발생하면, 이상 감지 신호를 생성해 통합 서버에 전송하는 이상 감지 센서;
    상기 서버랙 내의 온도 변화를 감지하고, 상기 서버랙 내의 온도가 미리 정해진 임계 온도 범위를 벗어나면 해당 온도를 포함한 온도 데이터를 상기 통합 서버에 전송하는 열 감지 센서;
    상기 서버랙 내의 습도 변화를 감지하고, 상기 서버랙 내의 습도가 미리 정해진 임계 습도 범위를 벗어나면 해당 습도를 포함한 습도 데이터를 상기 통합 서버에 전송하는 습기 감지 센서;
    상기 이상 감지 센서, 상기 열 감지 센서 및 상기 습기 감지 센서를 통해 전송 받은 상기 이상 감지 신호, 상기 온도 데이터 및 상기 습도 데이터에 기초하여, 내부의 인공지능을 제어해 항온 신호, 항습 신호, 정지 신호 및 이상 신호를 생성 및 전송하는 상기 통합 서버;
    상기 통합 서버로부터 전송 받은 상기 항온 신호에 기초하여, 상기 서버랙 내 온도를 상기 임계 온도 범위가 되도록 조절 수행하는 항온 조절 장치;
    상기 통합 서버로부터 전송 받은 상기 항습 신호에 기초하여, 상기 서버랙 내 습도를 상기 임계 습도 범위가 되도록 조절 수행하는 항습 조절 장치;
    외부 전력 공급원으로부터 공급받은 전력을 상기 서버랙 내에 공급하는 장치로서, 상기 통합 서버의 상기 정지 신호에 기초하여 상기 서버랙 내의 전원을 전체 또는 부분적으로 차단하는 기능을 수행하는 전원 공급 장치;
    내장된 사용자 인식 장치의 인식 결과에 따라 상기 서버랙의 도어 열림 기능을 수행하며, 상기 통합 서버로부터 전송 받은 상기 정지 신호에 기초하여 상기 서버랙의 도어 열림 기능을 수행하는 잠금 장치;
    상기 통합 서버가 송수신한 신호 및 값들을 저장하고, 상기 통합 서버 내의 인공지능이 이용하는 모든 데이터를 보관하기 위한 데이터베이스;
    상기 통합 서버의 상기 이상 신호 생성에 기초하여, 이상 신호를 전송 받는 제조사 단말;
    상기 통합 서버로부터 상기 항온 신호, 상기 항습 신호, 상기 정지 신호 및 상기 이상 신호를 전송 받는 사용자 단말; 및
    상기 통합 서버, 상기 제조사 단말 및 상기 사용자 단말의 신호들을 송수신하기 위한 유선 및 무선 인터넷을 포함한 통신망
    을 포함하고,
    상기 온도 데이터 및 상기 습도 데이터는
    상기 해당 온도 및 상기 해당 습도를 포함하고,
    상기 해당 온도 및 상기 해당 습도의 발생 3시간 전의 온도 및 습도로부터 상기 임계 온도 범위 및 상기 임계 습도 범위 내로 온도 및 습도가 내려간 후 1시간 뒤까지의 모든 온도 및 습도 값을 포함하고,
    상기 이상 감지 신호는
    상기 이상 감지 분류 기준에 해당하는 이상이 발생한 위치 및 상기 이상에 대해 센싱한 결과값을 포함하는
    인공지능 기반 전산 장비 관리 시스템.
  2. 제1 항에 있어서,
    상기 항온 조절 장치는
    상기 서버랙 내부의 공기를 흡입하는 흡입기;
    상기 흡입기를 통해 흡입한 공기를 냉각시키기 위한 냉매장치;
    상기 흡입기를 통해 흡입한 공기를 가열하기 위한 난방장치;
    상기 냉매장치 및 상기 난방장치를 통해 온도가 조절된 공기를 상기 서버랙 내부로 다시 배출하는 배출기; 및
    상기 배출기를 통해 배출된 공기를 상기 서버랙 내부에서 순환시키기 위한 순환기들
    을 포함하고,
    상기 항온 신호에 기초하여, 상기 냉매장치 및 상기 난방장치 중 어느 하나를 제어해 조절 동작을 수행하고,
    상기 항온 신호의 수신이 끊어짐과 동시에 동작을 자동으로 종료하고,
    상기 항습 조절 장치는
    상기 서버랙 내부의 수증기를 응축해 물을 생성하는 응축기;
    상기 응축기를 통해 생성된 물을 상기 냉매장치에 자동으로 공급하는 배수관; 및
    상기 항온 조절 장치에서 발생한 열을 전력으로 전환하는 재생형 발전기
    를 포함하고,
    상기 응축기는
    상기 재생형 발전기 및 상기 전원 공급 장치를 통해 제공된 전력을 전원으로 사용하고,
    수증기를 응축해 만든 물을 상기 배수관을 통해 상기 냉매장치에 제공해 상기 냉매장치의 냉각수를 보충하는
    인공지능 기반 전산 장비 관리 시스템.
  3. 제1 항에 있어서,
    상기 통합 서버는
    상기 열 감지 센서로부터 전송 받은 이상 감지 신호에 기초하여, 제1 입력을 생성하고,
    상기 제1 입력을 내장된 제1 인공 신경망에 입력하고,
    상기 제1 인공 신경망의 출력인 제1 출력을 획득하고,
    상기 제1 출력에 기초하여, 상기 이상 신호를 획득하고,
    상기 이상 신호 및 상기 온도 데이터에 기초하여, 제2 입력을 생성하고,
    상기 제2 입력을 내장된 제2 인공 신경망에 입력하고,
    상기 제2 인공 신경망의 출력인 제2 출력을 획득하고,
    상기 제2 출력에 기초하여, 상기 항온 신호를 획득하고,
    상기 이상 신호 및 상기 습도 데이터에 기초하여, 제3 입력을 생성하고,
    상기 제3 입력을 내장된 제3 인공 신경망에 입력하고,
    상기 제3 인공 신경망의 출력인 제3 출력을 획득하고,
    상기 제3 출력에 기초하여, 상기 항습 신호를 획득하고,
    상기 항온 신호 및 상기 항습 신호에 기초하여, 제4 입력을 생성하고,
    상기 제4 입력을 내장된 제4 인공 신경망에 입력하고,
    상기 제4 인공 신경망의 출력인 제4 출력을 획득하고,
    상기 제4 출력에 기초하여, 상기 정지 신호를 획득하는
    인공지능 기반 전산 장비 관리 시스템.

KR1020200121182A 2020-09-21 2020-09-21 인공지능 기반 전산 장비 관리 시스템 KR102229966B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200121182A KR102229966B1 (ko) 2020-09-21 2020-09-21 인공지능 기반 전산 장비 관리 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200121182A KR102229966B1 (ko) 2020-09-21 2020-09-21 인공지능 기반 전산 장비 관리 시스템

Publications (1)

Publication Number Publication Date
KR102229966B1 true KR102229966B1 (ko) 2021-03-18

Family

ID=75232146

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200121182A KR102229966B1 (ko) 2020-09-21 2020-09-21 인공지능 기반 전산 장비 관리 시스템

Country Status (1)

Country Link
KR (1) KR102229966B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102334034B1 (ko) * 2021-06-16 2021-12-02 대한민국 서버 이상 진단 감시 장치
CN116878590A (zh) * 2023-09-06 2023-10-13 山东远联信息科技有限公司 一种数智化服务协同运营管理系统
KR20240130975A (ko) 2023-02-23 2024-08-30 동명대학교산학협력단 전산 장비 통합 유지 보수 관리 방법

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100997045B1 (ko) 2010-10-13 2010-11-29 에스피산업기술주식회사 서버랙
KR101468873B1 (ko) 2014-08-07 2014-12-05 주식회사 씨엔씨알 서버랙의 항온장치
KR20150025828A (ko) * 2013-08-30 2015-03-11 (주) 아이커머 데이터센터의 지능형 통합운용 시스템 및 그 방법
KR101816060B1 (ko) 2016-09-12 2018-01-08 주식회사 씨엔씨알 서버랙
KR102005188B1 (ko) * 2018-04-30 2019-07-29 타이아(주) 실시간 위치 추적 및 gis를 이용한 인공지능 기반 산업현장 안전관리 시스템, 그리고 산업현장 안전관리 방법
KR101998863B1 (ko) * 2018-08-13 2019-10-01 주식회사 에이디엠 네트워크 장비의 통신장애관리와 유지관리를 위한 시스템
KR102034552B1 (ko) 2017-12-22 2019-10-21 주식회사 씨엔씨알 서버랙의 비상 보호장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100997045B1 (ko) 2010-10-13 2010-11-29 에스피산업기술주식회사 서버랙
KR20150025828A (ko) * 2013-08-30 2015-03-11 (주) 아이커머 데이터센터의 지능형 통합운용 시스템 및 그 방법
KR101468873B1 (ko) 2014-08-07 2014-12-05 주식회사 씨엔씨알 서버랙의 항온장치
KR101816060B1 (ko) 2016-09-12 2018-01-08 주식회사 씨엔씨알 서버랙
KR102034552B1 (ko) 2017-12-22 2019-10-21 주식회사 씨엔씨알 서버랙의 비상 보호장치
KR102005188B1 (ko) * 2018-04-30 2019-07-29 타이아(주) 실시간 위치 추적 및 gis를 이용한 인공지능 기반 산업현장 안전관리 시스템, 그리고 산업현장 안전관리 방법
KR101998863B1 (ko) * 2018-08-13 2019-10-01 주식회사 에이디엠 네트워크 장비의 통신장애관리와 유지관리를 위한 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102334034B1 (ko) * 2021-06-16 2021-12-02 대한민국 서버 이상 진단 감시 장치
KR20240130975A (ko) 2023-02-23 2024-08-30 동명대학교산학협력단 전산 장비 통합 유지 보수 관리 방법
CN116878590A (zh) * 2023-09-06 2023-10-13 山东远联信息科技有限公司 一种数智化服务协同运营管理系统
CN116878590B (zh) * 2023-09-06 2023-11-21 山东远联信息科技有限公司 一种数智化服务协同运营管理系统

Similar Documents

Publication Publication Date Title
KR102229966B1 (ko) 인공지능 기반 전산 장비 관리 시스템
US11774922B2 (en) Building management system with artificial intelligence for unified agent based control of building subsystems
US11372382B2 (en) Building management system with augmented deep learning using combined regression and artificial neural network modeling
Yan et al. A sensor fault detection strategy for air handling units using cluster analysis
Bezerra et al. An evolving approach to unsupervised and real-time fault detection in industrial processes
US20200067969A1 (en) Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system
KR102234555B1 (ko) 무인 매장 운영을 위한 방범 및 보안 관리 방법, 장치 및 시스템
US20200097651A1 (en) Systems and methods to achieve robustness and security in medical devices
US20210185085A1 (en) Non-intrusive replay attack detection system
Yang et al. Optimum operating performance based online fault-tolerant control strategy for sensor faults in air conditioning systems
Koh et al. Quiver: Using control perturbations to increase the observability of sensor data in smart buildings
CN117320236B (zh) 无人机的照明控制方法及系统
Kordestani et al. An adaptive passive fault tolerant control system for a steam turbine using a PCA based inverse neural network control strategy
CN117092918A (zh) 一种基于云边协同的燃气传感智能控制方法
Reppa et al. A distributed virtual sensor scheme for smart buildings based on adaptive approximation
CN117369349B (zh) 一种远程监测智能机器人的管理系统
KR102205565B1 (ko) 전산 장비 무선 온습도 관리 시스템
Jones Fault detection and diagnostics of an HVAC sub-system using adaptive resonance theory neural networks
Chinde et al. Comparative evaluation of control-oriented zone temperature prediction modeling strategies in buildings
Andonovski et al. Evolving fuzzy model for fault detection and fault identification of dynamic processes
KR102205566B1 (ko) 전산 장비 유지 보수를 위한 이상 감지 시스템
US11725838B2 (en) Environmental control system for reduced power consumption through utilization of wake-up radios
Yuwono et al. Automatic feature selection using multiobjective cluster optimization for fault detection in a heating ventilation and air conditioning system
KR20210073928A (ko) 에너지 절감 가열 장치 및 이의 동작 방법
Zabidi et al. Non-Linear Autoregressive with Exogenous Input (Narx) Chiller Plant Prediction Model

Legal Events

Date Code Title Description
GRNT Written decision to grant