KR102307948B1 - 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법 - Google Patents

학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법 Download PDF

Info

Publication number
KR102307948B1
KR102307948B1 KR1020200037381A KR20200037381A KR102307948B1 KR 102307948 B1 KR102307948 B1 KR 102307948B1 KR 1020200037381 A KR1020200037381 A KR 1020200037381A KR 20200037381 A KR20200037381 A KR 20200037381A KR 102307948 B1 KR102307948 B1 KR 102307948B1
Authority
KR
South Korea
Prior art keywords
learning
response
transaction
server
pattern
Prior art date
Application number
KR1020200037381A
Other languages
English (en)
Inventor
이병우
김성조
Original Assignee
주식회사 와탭랩스
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 와탭랩스 filed Critical 주식회사 와탭랩스
Priority to KR1020200037381A priority Critical patent/KR102307948B1/ko
Application granted granted Critical
Publication of KR102307948B1 publication Critical patent/KR102307948B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G06F11/0757—Error or fault detection not based on redundancy by exceeding limits by exceeding a time limit, i.e. time-out, e.g. watchdogs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/28—Error detection; Error correction; Monitoring by checking the correct order of processing
    • H04L67/16—

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

본 발명에 따른 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법은, 트랜잭션을 분포도 형태로 보여주는 응답분포도를 응답패턴을 딥러닝 기술로 분석하여 트랜잭션을 분석함으로써, 전체 트랜잭션의 영향도를 분석할 수 있고, 어플리케이션의 성능 장애를 추적하여 효과적으로 이상을 감지할 수 있으며, 응답 분포 패턴에 대한 분석으로 사람이 인지하지 못한 어플리케이션 시스템의 장애를 감지하고 경고할 수 있는 효과가 있다.

Description

학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법{Transaction Observation System by Deep Learning and controlling method}
본 발명은 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법에 관한 것으로, 사용자의 요청에 의해 발생하는 트랜잭션에 대하여 학습기반으로 응답 패턴을 분석하여 트랜잭션을 추적하고 비정상적인 패턴에 대하여 경고하는 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법에 관한 것이다.
클라이언트(또는 사용자)로부터 어떤 서비스를 처리해달라는 요청을 받아 서비스를 처리하는 서버인, WAS(Web Application Server)는 웹 어플리케이션을 수행할 수 있는 환경을 제공해주는 서버로서다양한 언어로 구현된다. 웹 어플리케이션은 웹에서 어떤 목적을 처리하기 위해 만들어진 프로그램을 말한다.
사용자는 브라우저나 모바일을 통해 애플리케이션 서비스를 요청한다. 그 요청(REQUEST)은 네트워크를 통해 서버에 도착하고 서버는 그 요청(REQUEST)을 처리할 모듈에 전달한다. 이때 모듈은 서비스(SERVICE)모듈이라고 할 수 있다. 서비스모듈은 클라이언트의 요청(REQUEST)에 응답하기 위해 미리 정해진 일련의 로직을 수행하게 되는데 개별 수행되는 동작이 트랜잭션(TRANSACTION)이다.
예를 들어 사용자가 웹에 접속하여 웹페이지에 마우스를 클릭하는 등 요청을 명령하면, 그에 대한 응답으로 열람하던 웹페이지가 갱신되거나 다른 웹페이지로 이동하는 등의 작업이 처리되는 것이 하나의 트랜잭션이다.
이러한 웹 어플리케이션 서버(WAS)는 서버로서 다수의 클라이언트의 요청에 대하여 적절히 서비스가 되고 있는지 실시간으로 모니터링이 되고, 분석을 위해 모니터링 자료가 기록되고 축적된다.
웹 어플리케이션 서버(WAS)는 하나의 트랜잭션 단위로 서비스를 처리하기 때문에, 트랜잭션을 중심으로 모니터링이 되고 분석된다.
이때, 웹 어플리케이션 서버(WAS)에 의해 처리되는 트랜잭션 중, 일정시간 이상 많은 시간이 소요되거나 에러가 발생하는 트랜잭션이 존재하는 경우, 트랜잭션을 분석하여 어플리케이션 서버의 문제점을 개선할 수 있다.
어플리케이션의 성능 문제를 분석하기 위해서는 개별 트랜잭션의 수행 이력을 분석하는 방법이 많이 사용되고 있다.
그러나 어플리케이션의 성능문제의 경우 개별 트랜잭션의 분석으로 문제를 인지하거나 원인을 파악할 수 없는 문제가 있다.
따라서 보다 용이하게 트랜잭션의 응답에 대하여 트랜잭션 수행 과정에서의 이상을 감지하는 방안이 모색되어야 한다.
대한민국 등록특허 10-0920414호 (2009.10.07. 공고)
본 발명이 해결하고자 하는 과제는, 트랜잭션을 관찰하고 이상을 감지하여 경고하는 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법을 제공하는데 있다.
본 발명은 응답패턴을 분석하여 트랜잭션의 이상을 감지하고 어플리케이션의 성능장애를 추적하는데 그 목적이 있다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위한 본 발명의 일 실시예에 따른 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법은 트랜잭션을 분포도 형태로 보여주는 응답분포도를 이용하여 전체 트랜잭션의 영향도를 분석하는 것을 특징으로 한다.
본 발명은 전체 트랜잭션의 영향도를 같이 분석함으로써 어플리케이션의 성능 장애를 추적하는 것을 특징으로 한다.
본 발명은, 응답분포도의 패턴을 분석하여, 웹 어플리케이션 서버의 상기 트랜잭션 처리 과정에서의 문제, 시간지연, 타임아웃, 자원 부족, 순간적인 락 발생, 폭주, 과부하에 따른 이상을 감지하는 것을 특징으로 한다.
본 발명의 학습 기반의 트랜잭션 관찰 시스템은, 서비스를 요청하는 단말; 네트워크를 통해 상기 단말로부터 수신되는 상기 요청을 처리하는 서버; 상기 서버로부터 수신되는 상기 요청에 대응하여 어플리케이션을 실행하여 트랜잭션을 처리하고, 상기 요청에 대한 응답을 생성하는 웹 어플리케이션 서버; 상기 웹 어플리케이션의 트랜잭션에 대한 응답을 분석하여 트랜잭션의 응답분포도로부터 응답패턴을 학습하고, 비정상적인 응답패턴을 추출하여 이상을 감지하는 학습서버; 를 포함하고, 상기 서버는 상기 학습서버에 의해 감지되는 이상에 대하여 상기 단말로 이상에 대한 경고를 전송하는 것을 특징으로 한다.
또한, 상기 서버는 트랜잭션의 응답을 소정시간 단위로 구분하여 상기 응답분포도를 생성하여 상기 학습서버로 전송할 수 있다.
또한, 상기 서버는 트랜잭션의 종료시간을 X축으로 하고, 트랜잭션의 응답시간을 Y축으로 구간단위로 단위셀을 구성하고, 각 단위셀을 트랜잭션의 밀도에 따라 색상을 상이하게 표시하는 상기 응답분포도를 생성할 수 있다.
또한, 상기 학습서버는 CNN 딥러닝 알고리즘에 따라 응답패턴을 분석하여 학습할 수 있다.
또한, 상기 학습서버는 기초 모델링 데이터를 바탕으로 트랜잭션의 응답에 대한 패턴을 분석하고, 학습을 통해 응답패턴 분석을 위한 모델링 데이터를 추가할 수 있다.
또한, 상기 학습서버는 소정시간 단위로 상기 응답분포도로부터 응답패턴을 분석할 수 있다.
또한, 상기 학습서버는 상기 응답분포도의 패턴을 분석하여, 상기 웹 어플리케이션 서버의 트랜잭션 처리 과정에서의 문제, 시간지연, 타임아웃, 자원 부족, 순간적인 락 발생, 폭주, 과부하에 따른 이상을 감지할 수 있다.
또한, 상기 학습서버는 상기 응답분포도로부터 일부 트랜잭션의 지연으로 인한 이상을 감지할 수 있다.
또한, 상기 학습서버는 상기 응답분포도로부터 물결형태의 패턴 또는 물체가 흩날리는 형상의 플라잉패턴을 추출하여 트랜잭션 응답패턴의 이상을 감지할 수 있다.
또한, 상기 학습서버는 상기 플라잉패턴을 통해 상기 웹 어플리케이션 서버 또는 그 연계서버의 자원 부족에 따른 이상을 판단할 수 있다.
또한, 상기 학습서버는 상기 응답분포도로부터 세로줄 형상의 버티컬패턴을 추출하여 트랜잭션 응답패턴의 이상을 감지할 수 있다.
또한, 상기 학습서버는 상기 버티컬패턴을 통해 상기 웹 어플리케이션 서버의 순간적인 락 발생으로 인하여 복수의 트랜잭션이 동일시점에 종료하는 이상을 감지할 수 있다.
또한, 상기 학습서버는 상기 응답분포도로부터 가로줄 형상의 호리즌탈패턴을 추출하여 트랜잭션 응답패턴의 이상을 감지할 수 있다.
또한, 상기 학습서버는 상기 호리즌탈패턴을 통해, 복수의 트랜잭션에서 트랜잭션 수행 중에 타임아웃이 발생하는 이상을 감지할 수 있다.
또한, 상기 학습서버는 상기 응답분포도로부터 트랜잭션이 일시적으로 밀집되는 오버로드패턴을 추출하여 트랜잭션 응답패턴의 이상을 감지할 수 있다.
또한, 상기 학습서버는 상기 오버로드패턴을 통해, 상기 웹 어플리케이션 서버의 과부하로 인한 이상을 감지할 수 있다.
또한, 상기 학습서버는 상기 응답분포도로부터 트랜잭션이 전체적으로 분포되어 밀집되는 폭주패턴을 추출하여 트랜잭션 응답패턴의 이상을 감지할 수 있다.
또한, 상기 학습서버는 상기 폭주패턴을 통해, 상기 웹 어플리케이션 서버의 폭주로 인한 이상을 감지할 수 있다.
또한, 상기 서버는 이상감지 시, 프로젝트명, 코드명, 이상패턴의 종류에 대한 정보와, 응답패턴에 대한 데이터가 포함된 경고를 상기 단말로 전송할 수 있다.
한편, 본 발명의 학습 기반 트랜잭션 시스템의 제어방법은 단말의 서비스 요청에 따라 웹 어플리케이션 서버가 상기 응답에 따른 어플리케이션을 실행하여 트랜잭션을 처리하는 단계; 상기 웹 어플리케이션 서버가 트랜잭션을 완료하고 상기 요청에 대한 응답을 생성하는 단계; 학습서버가 상기 응답을 분석하고, 트랜잭션의 응답분포도로부터 응답패턴을 학습하는 단계; 상기 학습서버가 학습데이터를 바탕으로 비정상적인 응답패턴을 추출하여 이상을 감지하는 단계; 및 서버가 상기 이상에 대한 경고를 상기 단말로 전송하는 단계; 를 포함한다.
본 발명의 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법은 응답 분포 패턴을 딥러닝 기술로 분석하여 트랜잭션을 분석하여 효과적으로 이상을 감지할 수 있다.
본 발명은 트랜잭션을 분포도 형태로 보여주는 차트를 이용하여 전체 트랜잭션의 영향도를 같이 분석함으로써 어플리케이션의 성능 장애를 효과적으로 추적할 수 있다.
본 발명은 응답 분포 패턴에 대한 분석으로 사람이 인지하지 못한 어플리케이션 시스템의 장애를 감지하고 경고할 수 있다.
도 1 은 본 발명에 따른 학습 기반의 트랜잭션 관찰 시스템의 모니터링 및 트랜잭션 실행에 따른 시스템구성이 간략하게 도시된 구성도이다.
도 2 는 본 발명에 따른 학습 기반의 트랜잭션 관찰 시스템의 구성이 도시된 도이다.
도 3 은 본 발명의 트랜잭션에 대한 응답패턴의 학습과정을 설명하는데 참조되는 도이다.
도 4 는 본 발명의 일 실시예에 따른 학습 기반의 트랜잭션 관찰 시스템의 트랜잭션 응답 분포가 도시된 도이다.
도 5 는 본 발명의 학습 기반의 트랜잭션 관찰 시스템의 응답패턴의 제 1 실시예가 도시된 도이다.
도 6 은 본 발명의 학습 기반의 트랜잭션 관찰 시스템의 응답패턴의 제 2 실시예가 도시된 도이다.
도 7 은 본 발명의 학습 기반의 트랜잭션 관찰 시스템의 응답패턴의 제 3 실시예가 도시된 도이다.
도 8 은 본 발명의 학습 기반의 트랜잭션 관찰 시스템의 응답패턴의 제 4 실시예가 도시된 도이다.
도 9 는 본 발명의 학습 기반의 트랜잭션 관찰 시스템의 응답패턴의 제 5 실시예가 도시된 도이다.
도 10 는 본 발명의 일 실시예에 따른 학습 기반의 트랜잭션 관찰 시스템의 이상감지에 따른 경고방법을 설명하는데 참조되는 도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. 본 발명의 제어구성은 적어도 하나의 프로세서로 구성될 수 있다.
도 1 은 본 발명에 따른 학습 기반의 트랜잭션 관찰 시스템의 모니터링 및 트랜잭션 실행에 따른 시스템구성이 간략하게 도시된 구성도이다.
도 1에 도시된 바와 같이, 네트워크(8)를 통해 연결되는 복수의 단말(2)(3)은, 사용자(1)의 서비스 요청(4)에 따라 네트워크(8)에 연결된 서버(5)에 접속하여 서비스 요청을 전달하고, 서버(5)로부터 그에 대한 응답을 수신하여 화면에 표시한다.
이때, 서버(5)는 사용자(1)의 서비스 요청(4)에 대응하여, 어플리케이션을 수행할 필요가 있을 경우, 웹 어플리케이션 서버(WAS)(6)에 요청된 서비스에 대한 트랜잭션 처리를 요청한다.
본 발명의 트랜잭션 모니터링 서버(7)는 웹 어플리케이션 서버(6)의 트랜잭션을 모니터링하여 분석한다. 트랜잭션 모니터링 서버(7)는 트랜잭션에 대한 데이터를 저장하는 데이터베이스(DB)를 포함한다.
서버(5)는 HTML 문서나 이미지 등 HTTL 프로토콜을 이용하여 콘텐츠를 사용자(1)의 단말(2,3)의 웹브라우저 또는 어플리케이션에 제공하고, 웹 어플리케이션 서버(WAS)(6)는 서버 단에서 어플리케이션을 동작할 수 있는 서버로서 기능을 한다.
서버(5)와 웹 어플리케이션 서버(WAS)(6)는 하나의 시스템으로 구현될 수도 있고, 별도의 서버로서 독립되어 구현될 수 있으며, 또한, 웹 어플리케이션 서버(6)는 서비스에 따라 세분화되어 복수의 서버로 구현될 수 있다.
웹 어플리케이션 서버(WAS)(6)는 객체지향 프로그래밍을 기본 개념으로 하는 자바 프로그램으로 구축되며, 표준화된 규격에 의하여 JVM이 설치된 곳이면 어느 곳이나 실행될 수 있다.
웹 어플리케이션 서버(6)에서, 프로그램 단위 모듈들은 하나의 메소드로 구현되고, 메소드들은 클래스로 모아져 개체(object)로서 다루어진다. 따라서 이하에서 프로그램 단위모듈은 하나의 클래스 또는 하나의 메소드를 의미하고, 반대로 하나의 클래스 또는 메소드는 프로그램 단위모듈을 지칭한다.
사용자(1)의 서비스 요청(4)에 따른 특정 서비스를 웹 상에서 처리하는 자바 어플리케이션은 통상 URL로 표기되며, URL 등으로 표기되는 자바 어플리케이션을 자바 서비스라고 부르기로 하고, 그 이름을 자바 서비스명이라고 하기로 한다. 자바 서비스는 상기와 같은 URL 이름을 가지는 자바 어플리케이션 외에도 이를 지원하기 위한 데몬 등의 어플리케이션들도 포함하는 포괄적인 의미로 사용될 수 있다. 즉, 자바 서비스는 특정한 목적을 수행하기 위하여 자바 클래스로 구성하여 만들어진 하나의 자바 프로그램으로 볼 수 있다.
트랜잭션은 하나의 사용자 요구사항을 처리하기 위한 전체 프로세스를 의미하는 것이므로, 하나의 트랜잭션은 하나 이상의 자바 서비스를 이용하여 처리될 수도 있다. 한편, 자바에서 연속되어 처리되는 하나의 프로세스 제어를 쓰레드(Thread)라 부르기도 한다.
웹 어플리케이션 서버(6)는 서비스 요청에 따라, 자바 서비스를 수행할 때, 다수의 쓰레드(Thread)를 생성시켜 동시에 여러 작업을 수행함으로써 목적하는 서비스를 처리한다.
트랜잭션 모니터링 서버(7)는 웹 어플리케이션 서버(6)에서 수행되는 트랜잭션에 대한 프로파일링 기록을 쓰레드(Tread) 단위로도 기록하여 트랜잭션에 대한 프로파일을 생성한다.
트랜잭션 모니터링 서버(7)는 웹 어플리케이션 서버(6)와 별도로 구비되는 것으로 도시하였으나, 웹 어플리케이션 서버(6) 내에 구축될 수 있음을 명시한다.
또한, 트랜잭션 모니터링 서버(7)는 웹 어플리케이션 서버(6)를 모니터링하는 것을 예로 하여 설명하나, 웹 어플리케이션 서버 외에도, 별도의 독립적인 장치의 자바 어플리케이션 실행 또는 자바 프로세스를 모니터링 할 수 있다.
도 2 는 본 발명에 따른 학습 기반의 트랜잭션 관찰 시스템의 구성이 도시된 도이다.
도 2에 도시된 바와 같이, 학습 기반의 트랜잭션 관찰 시스템은, 단말(2)(3)(11)은, 사용자(1)의 요청에 따라 네트워크(8)에 연결된 서버(5)(13)에 접속하여 서비스 요청을 전달한다. 서버(5)(13)는 웹 어플리케이션 서버(6)(14)에 요청을 전송하고, 웹 어플리케이션 서버(6)(14)는 요청을 처리하고 그에 대한 응답을 생성하여 서버(13)로 전송한다.
이때, 서버(5)(13)는 어플리케이션의 응답에 대한 히트맵(16, Hit-Map)을 생성하여 학습서버(17)로 전송한다. 학습서버(17)는 딥러닝 기반으로 응답에 대한 패턴을 분석하고, 학습한다(18).
학습서버(17)는 예를 들어, CNN(convolutional neural network)을 이용하여 응답패턴을 분석하고 학습할 수 있다. CNN(convolutional neural network)은 데이터에서 직접 학습하고 패턴을 사용하여 이미지를 분류하는 방법으로, 이미지를 인식하기 위해 패턴을 찾는데 유용한 기술이다. 여기서, 학습서버는 CNN 외에 다양한 딥러닝 알고리즘을 적용하여 응답패턴을 학습할 수 있음을 명시한다.
학습서버(17)는 응답패턴의 분석결과를 바탕으로 이상을 감지하고, 이상이 감지되면 그에 대한 경고(15)를 서버(5)(13)로 전송한다. 학습서버(17)는 경우에 따라 서버(5)(13)에 포함될 수 있다.
서버(5)(13)는 웹 어플리케이션 서버(6)(14)의 응답을 사용자의 단말(11)로 전송함을 물론 이상이 감지된 응답패턴에 대응하는 경고(12)를 전송한다. 이때 응답은 HML페이지, 파일, XML페이지, JSON 등으로 구현될 수 있다.
단말(11)은 수신된 응답을 표시하거나 그에 대한 동작을 수행한다. 또한, 단말은 경고(12)가 수신되면, 경고에 따른 알림을 메시지, 경고음 등으로 출력한다.
도 3 은 본 발명의 트랜잭션에 대한 응답패턴의 학습과정을 설명하는데 참조되는 도이다.
도 3에 도시된 바와 같이, 사용자(1)의 서비스 요청(4)에 따라, 서버(5)(13)는 트랜잭션을 수행한다.
트랜잭션은 앞서 설명한 바와 같이 요청된 서비스를 수행하는 전체 프로세스를 의미하는 것으로, 하나 이상의 자바 서비스를 실행하여 요청된 서비스를 수행한다. 트랜잭션은 하나의 쓰레드에 의해 처리되고, 쓰레드는 요청된 서비스에 대응하는 복수의 컴포넌트를 호출하여 그에 대한 응답을 수신함으로써 요청된 서비스에 대한 응답을 생성한다.
서버(5)(13)는 요청(4)에 대한 웹 어플리케이션 서버(6)(14)의 응답을 학습서버(17)로 전송한다.
서버(13)는 트랜잭션의 응답을 구간별 분포도로 구성한 히트맵데이터(S24)를 생성하여 학습서버(17)로 전송한다. 히트맵데이터는 트랜잭션의 응답을 시간 단위로 묶어서 응답분포도를 형성한 것이다.
학습서버(17)는 상기 히트맵데이터를 학습데이터로 삼고, 이 학습데이터를 라벨링하여 분류(S21)한다. 학습서버(17)는 학습 전에 초기 라벨링 데이터를 획득하고, 초기 라벨링 데이터를 바탕으로 학습과정에서 추가되는 학습데이터를 반복하여 라벨링하고 분류한다. 여기서, 초기 라벨링 데이터를 얻기 위한 방법으로, 기존 라벨링 데이터 또는 기존 학습데이터를 딥러닝 기술로 분석하여 자동으로 라벨링하거나, 개발자의 경험을 바탕으로 수동으로 라벨링할 수 있다.
학습서버(17)는 트랜잭션에 대한 응답을 알고리즘을 이용하여 학습(S22)을 진행한다.
학습서버(17)는 학습데이터와 응답에 대한 히트맵데이터(S24)를 바탕으로 응답패턴을 모델링(S23)한다.
학습서버(17)는 히트맵데이터의 응답분포도를 약 5분 단위로 이미지를 조회하여 딥러닝 알고리즘을 이용하여 패턴을 분석할 수 있다.
학습서버(17)는 응답패턴에 대한 모델링데이터를 저장하고, 이후 입력되는 응답에 대하여 모델링데이터를 기준으로 응답패턴을 분석한다. 학습서버(17)는 새로운 응답에 대하여 학습을 반복하고, 새로운 응답패턴에 대하여 모델링하는 것을 반복하여 수행한다.
학습서버(17)는 기 획득된 모델링데이터를 바탕으로 응답패턴을 분석하여 응답패턴이 모델링데이터의 패턴과 유사한 경우 이상을 예측(S25)할 수 있다.
학습서버(17)는 모델링데이터를 바탕으로, 응답의 지연, 과부하로 인한 오버로드, 서버의 자원(리소스)부족으로 인한 이상, 트랜잭션이 일정시간 내에 완료되지 못해 타임 아웃되는 에러에 대하여 비정상적인 상황으로, 이상을 감지한다.
학습서버(17)는 학습결과에 따라 응답패턴의 분석결과(S26)를 서버로 전송한다. 학습서버(17)는 감지된 이상에 대하여 경고를 생성하여 서버(13)로 전송한다. 경우에 따라 학습서버(17)는 이상감지에 따른 원본데이터를 경고와 함께 전송할 수 있다.
서버(13)는 트랜잭션에 대한 응답을 단말(11)로 전송하며, 또한 응답 이상에 대한 경고를 전송한다. 서버는 응답 이상에 대한 원본데이터를 경고와 함께 단말로 전송할 수 있다.
그에 따라 단말(11)은 응답을 표시하고, 발생된 이상에 대한 경고를 표시하고, 사용자는 응답은 물론 응답이상을 인식하게 된다.
도 4 는 본 발명의 일 실시예에 따른 학습 기반의 트랜잭션 관찰 시스템의 트랜잭션 응답 분포가 도시된 도이다.
도 4에 도시된 바와 같이, 서버(13)는 트랜잭션에 대한 응답을 시간 단위로 분포도를 생성할 수 있다. 응답분포도는 히트맵데이터로 저장된다.
응답분포도는 트랜잭션의 종료시간을 X축으로 하고, 트랜잭션의 응답시간(트랜잭션 완료까지의 소요시간)을 Y축으로 하여 구성된다.
여기서, 응답분포도는 각각의 트랜잭션을 시간과 종료시간을 바탕으로 하나의 점으로 나타내는 방법을 고려할 수 있다. 하지만, 이렇게 개별 트랜잭션을 점으로만 표시하는 경우, 점들이 산발적으로 흩어진 분포 또는 특정 영역에 치우진 분포 등으로만 표현되어, 전체적인 이미지 분석이 어려우며, 그에 따라 어플리케이션의 성능장애가 어떠한 이유로 발생한 것인지 분석하기 어려운 단점이 있다.
따라서, 이를 개선하기 위해, 본 발명의 응답분포도는 응답시간을 소정시간 단위로 구간을 나누어 단위셀로 트랜잭션을 표시할 수 있다. 응답분포도는 상기 소정시간을 가령 5초 단위로 구간을 구분할 수 있다. 즉, 5초 단위의 구간 내에 종료되는 트랜잭션은 해당 구간으로 표시되며, 구간 내의 트랜잭션의 수는 밀도로 표시된다.
또한, 응답분포도는 구간별로 들어오는 트랜잭션의 종료를 색상으로 표시한다. 응답분포도는, 정상 트랜잭션을 청색계열로 표시하고, 에러 트랜잭션은 적색 계열로 표시한다.
또한, 응답분포도는 소정 시간대에 기록된 트랜잭션 밀도가 높을수록, 즉 구간 내의 트랜잭션의 수가 많을 수록, 짙은 색상, 예를 들어 하늘색에서 청색으로, 노란색에서 적색으로, 상이한 색상으로 표시한다. 하나의 단위셀의 색상이 짙은 색일 수록 해당 시간의 구간에 종료된 트랜잭션의 수가 많음을 나타낼 수 있다. 응답분포도에서 오렌지 색상의 셀과 적색 셀은 에러 트랜잭션을 나타내는 것이며, 에러로 트랜잭션이 종료된 것을 의미하며, 응답분포도에서 오렌지색상의 셀보다 적색 셀에 많은 수의 트랜잭션이 분포함을 의미한다.
한편, 트랜잭션의 응답분포도는 복수의 서버에서 처리될 수 있다.
학습서버(17)는 트랜잭션 에러 여부를 판단하기 보다는, 응답에 대한 이상을 판단한다. 학습서버(17)는 에러 트랜잭션 또한 응답이 완료된 것이므로, 트랜잭션이 완료된 것으로 판단한다.
학습서버(17)는 트랜잭션을 웹 어플리케이션 서버(6)(14)에서 처리하여 응답하기 까지의 처리과정에 따른 문제, 시간지연, 타임아웃, 과부하를 이상으로 판단한다.
응답분포도는 아래로 치우친 분포가 만들어 지는 것이 일반적이나. 서버의 성능에 따른 처리시간, 트랜잭션이 특정 시간대에 밀집하여 병목현상이 발생하거나 과부하가 발생하는 경우, 비정상적인 패턴을 형성하게 된다.
학습서버(17)는 히트맵데이터의 응답분포도로로부터 패턴을 추출하여 이러한 비정상적인 패턴을 판단하여 경고를 출력한다.
예를 들어 학습서버(17)는 응답분포도에서, 일부 트랜잭션만 지연되는 경우, 응답분포도에 가로가인 또는 세로라인이 발생하는 경우, 순간적인 과부하가 발생하는 경우, 응답분포도의 패턴을 통해 이상을 감지할 수 있다. 학습서버(17)는 이러한 이상에 대하여 학습하여 모델링함으로써, 유사한 패턴의 이상에 대하여 용이하게 감지할 수 있다.
학습서버(17)는 응답분포도를 모니터링 함으로 어플리케이션의 트랜잭션 처리과정에서 이상현상을 판단하고 그에 대한 경고를 생성할 수 있다. 또한, 학습서버(17)는 이상에 대한 응답패턴을 모델링하여, 이후의 응답에 대하여 빠르게 분석하여 이상을 감지할 수 있다.
도 5 는 본 발명의 학습 기반의 트랜잭션 관찰 시스템의 응답패턴의 제 1 실시예가 도시된 도이다.
도 5의 (a) 내지 도 5의 (f)에 도시된 바와 같이, 학습서버(17)는 히트맵데이터의 응답분포도의 형태를 통해 트랜잭션의 응답패턴에 대한 이상을 판단한다.
학습서버는 응답분포도에서, 물결(wave)형태, 또는 먼지가 바람에 날리는 것과 같은 형상으로 패턴이 나타나는 경우, 응답 이상으로 판단한다.
학습서버는 트랜잭션 응답에 대한 분포가 일정 라인으로 물결형태를 나타내는 경우는 물론 트랜잭션의 응답에 대한 분포가 면을 형성하면서 물결 형태로 나타나는 경우에도 이상으로 판단한다.
학습서버(17)는 이러한 물결형태의 응답패턴을 플라잉(Flying) 패턴으로 구분하여 이상으로 판단할 수 있다.
플라잉패턴은 트랜잭션을 처리하는 웹 어플리케이션 서버 또는 그 연계서버의 자원(리소스)이 부족한 경우, 서버가 100% 자원을 사용하고 있는 경우에 발생할 수 있다.
도 6 은 본 발명의 학습 기반의 트랜잭션 관찰 시스템의 응답패턴의 제 2 실시예가 도시된 도이다.
도 6의 (a) 내지 도 6의 (f)에 도시된 바와 같이, 학습서버(17)는 응답분포도에서 특정시간에 응답이 세로줄을 형성하는 경우 트랜잭션의 응답 이상으로 판단한다.
학습서버(17)는 도 6의 (a)와 같이 하나의 세로줄이 형성된 경우, 도 6의 (b), (c)와 같이 복수의 시간에 대에 복수의 세로줄이 형성되는 경우 응답 이상으로 판단한다.
또한, 학습서버(17)는 도 6의 (d)과 같이, 복수의 시간대에 연결되어 세로줄이 형성되는 경우, 도 6의 (e)와 같이 연속된 시간에 세로줄이 형성된 경우 응답이상으로 판단한다.
학습서버(17)는 도 6의 (f)와 같이 복수의 시간에 세로줄이 형성되고, 동시에 가로줄이 형성되는 경우 복수의 원인에 의한 이상으로 판단할 수 있다.
학습서버(17)는 특정시간, 복수의 시간에 세로줄의 형태로 응답분포가 나타나는 경우 버티컬(Vertical)패턴으로 구분하여 이상으로 판단한다.
버티컬패턴은 트랜잭션을 처리하는 웹 어플리케이션 서버에서 순간적인 락(lock)이 발생하여 여러 개의 트랜잭션이 동일시점에 종료되는 경우 발생할 수 있다.
도 7 은 본 발명의 학습 기반의 트랜잭션 관찰 시스템의 응답패턴의 제 3 실시예가 도시된 도이다.
도 7의 (a), (b), (c)와 같이, 학습서버(17)는 응답분포도에서 일시적으로 트랜잭션이 밀집되어 나타나는 경우 오버로드(Overloaded) 패턴으로 구분하여 트랜잭션의 응답 이상으로 판단한다.
오버로드패턴은 트랜잭션을 처리하는 웹 어플리케이션 서버에 일시적인 과부하가 발생하는 경우 발생할 수 있다. 오버로드패턴은 일시적인 과부하로 인하여 트랜잭션이 밀집되는 경우 발생할 수 있다.
도 8 은 본 발명의 학습 기반의 트랜잭션 관찰 시스템의 응답패턴의 제 4 실시예가 도시된 도이다.
도 8의 (a) 내지 도 8의 (f)에 도시된 바와 같이, 학습서버(17)는 응답분포도에서 가로줄이 형성되는 경우 트랜잭션의 응답 이상으로 판단한다.
도 8의 (b), (d), (e)와 같이 Y축에 대하여 동일한 값에 일정하여 트랜잭션이 분포하여 가로줄을 형성하는 경우, 도 8의 (a), (c), f)와 같이 복수의 Y값에 대하여 트랜잭션이 분포하기는 하나, 일정 구간 동안 가로줄을 형성하는 경우 응답 이상으로 판단한다.
학습서버(17)는 응답분포도에서 응답완료시간에 대하여 가로줄을 형성하는 경우 호리즌탈(Horizontal) 패턴으로 구분하여 이상으로 판단한다.
호리즌탈패턴은 트랜잭션을 처리하는 웹 어플리케이션 서버에서, 트랜잭션이 수행되다가 타임아웃 에러가 발생하는 경우, 발생할 수 있다. 특히 트랜잭션을 처리하는 웹 어플리케이션 서버에서, 트랜잭션 수행 중에 타임아웃 에러가 복수의 트랜잭션에서 발생하는 경우 특정 시간에 응답분포도에서 가로줄이 형성될 수 있다.
도 9 은 본 발명의 학습 기반의 트랜잭션 관찰 시스템의 응답패턴의 제 5 실시예가 도시된 도이다.
도 9의 (a) 내지 도 9의 (c)에 도시된 바와 같이, 학습서버(17)는 응답분포도에서 전체적으로 트랜잭션이 꽉 찬 형태를 나타나는 경우 트랜잭션의 응답 이상으로 판단한다.
학습서버(17)는 응답분포가 전체적으로 나타나는 경우, 폭주(Flood)패턴으로 구분하여 이상으로 판단한다.
폭주패턴은 트랜잭션을 처리하는 웹 어플리케이션 서버의 폭주가 발생하는 경우 발생할 수 있다. 폭주패턴은 폭주로 인하여 전체적인 시간에 대하여 트랜잭션이 꽉 차는 경우 발생할 수 있다.
학습서버(17)는 이와 같이, 플라잉패턴, 버티컬패턴, 오버로드패턴, 호리즌탈패턴, 폭주 패턴에 대하여 트랜잭션의 응답이상을 판단하고, 새로운 이상이 감지되거나 잘못된 판단이 있는 경우 학습을 통해 응답패턴에 대한 데이터를 추가하여 동일한 이상을 판단할 수 있도록 한다.
도 10 은 본 발명의 일 실시예에 따른 학습 기반의 트랜잭션 관찰 시스템의 이상감지에 따른 경고방법을 설명하는데 참조되는 도이다.
서버(13)는 학습서버(17)에 의해 트랜잭션의 응답패턴에 이상이 발생한 경우 경고를 수신한다. 서버(13)는 수신되는 경고에 대하여, 도 10에 도시된 바와 같이, 단말(11)로 경고를 전송할 수 있다.
서버(13)는 프로젝트명, 코드명 이상패턴의 종류에 대한 정보와, 응답패턴에 대한 데이터를 단말로 전송한다. 서버(13)는 응답패턴의 이상을 확인할 수 있도록 응답분포도의 원본데이터를 경고와 함께 전송할 수 있다.
서버(13)는 경고를 문자메시지(SMS, MMS, LMS), 이메일, 인스턴트메시지, 소설네트워크서비스 중 적어도 하나를 통해 단말로 전송할 수 있다.
그에 따라 단말(11)은 트랜잭션의 응답이상에 대하여 프로젝트명, 코드명 이상패턴의 종류에 대한 정보와, 응답패턴에 대한 데이터를 수신하여 표시한다. 단말(11)은 응답패턴의 이상이 나타나는 응답분포도를 수신하여 표시할 수 있다.
본 발명은 독립적인 하드웨어 장치 형태로 구현될 수 있으며, 적어도 하나 이상의 프로세서(processor)로서 마이크로 프로세서나 범용 컴퓨터 시스템과 같은 다른 하드웨어 장치에 포함된 형태로 구동될 수 있다.
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.
1: 사용자 2, 3, 11: 단말
4: 서비스 요청 5, 13: 서버
6, 14: 웹 어플리케이션 서버(WAS) 7: 트랜잭션 모니터링 서버
8: 네트워크 17: 학습서버

Claims (23)

  1. 서비스를 요청하는 단말;
    네트워크를 통해 상기 단말로부터 수신되는 상기 요청을 처리하는 서버;
    상기 서버로부터 수신되는 상기 요청에 대응하여 어플리케이션을 실행하여 트랜잭션을 처리하고, 상기 요청에 대한 응답을 생성하는 웹 어플리케이션 서버;
    상기 웹 어플리케이션의 트랜잭션에 대한 응답을 분석하여 트랜잭션의 응답분포도로부터 응답패턴을 학습하고, 비정상적인 응답패턴을 추출하여 이상을 감지하는 학습서버; 를 포함하고,
    상기 서버는 트랜잭션의 종료시간을 X축으로 하고 트랜잭션의 응답시간을 Y축으로 하며 구간단위로 단위셀을 구성하여, 각 단위셀의 정상 트랜잭션과 에러 트랜잭션의 색상을 상이하게 표시하고, 트랜잭션의 밀도에 따라 색상이 상이하게 표시된 상기 응답분포도를 생성하고, 상기 학습서버에 의해 감지되는 이상에 대하여 상기 단말로 이상에 대한 경고를 전송하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  2. 제 1 항에 있어서,
    상기 서버는 트랜잭션의 응답을 소정시간 단위로 구분하여 상기 응답분포도를 생성하여 상기 학습서버로 전송하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 학습서버는 CNN 딥러닝 알고리즘에 따라 상기 응답분포도의 패턴을 분석하여 학습하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  5. 제 1 항에 있어서,
    상기 학습서버는 기초 모델링 데이터를 바탕으로 상기 응답분포도의 패턴을 분석하고, 학습을 통해 상기 응답분포도의 패턴을 분석하기 위한 모델링데이터를 추가하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  6. 제 1 항에 있어서,
    상기 학습서버는 소정시간 단위로 상기 응답분포도로부터 응답패턴을 분석하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  7. 제 1 항에 있어서,
    상기 학습서버는 상기 응답분포도의 패턴을 분석하여, 상기 웹 어플리케이션 서버의 트랜잭션 처리 과정에서의 문제, 시간지연, 타임아웃, 자원 부족, 순간적인 락 발생, 폭주, 과부하에 따른 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  8. 제 1 항에 있어서,
    상기 학습서버는 상기 응답분포도로부터 일부 트랜잭션의 지연으로 인한 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  9. 제 1 항에 있어서,
    상기 학습서버는 상기 응답분포도로부터 물결형태의 패턴 또는 물체가 흩날리는 형상의 플라잉패턴을 추출하여 트랜잭션 응답패턴의 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  10. 제 9 항에 있어서,
    상기 학습서버는 상기 플라잉패턴을 통해 상기 웹 어플리케이션 서버 또는 그 연계서버의 자원 부족에 따른 이상을 판단하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  11. 제 1 항에 있어서,
    상기 학습서버는 상기 응답분포도로부터 세로줄 형상의 버티컬패턴을 추출하여 트랜잭션 응답패턴의 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  12. 제 11 항에 있어서,
    상기 학습서버는 상기 버티컬패턴을 통해 상기 웹 어플리케이션 서버의 순간적인 락 발생으로 인하여 복수의 트랜잭션이 동일시점에 종료하는 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  13. 제 1 항에 있어서,
    상기 학습서버는 상기 응답분포도로부터 가로줄 형상의 호리즌탈패턴을 추출하여 트랜잭션 응답패턴의 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  14. 제 13 항에 있어서,
    상기 학습서버는 상기 호리즌탈패턴을 통해, 복수의 트랜잭션에서 트랜잭션 수행 중에 타임아웃이 발생하는 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  15. 제 1 항에 있어서,
    상기 학습서버는 상기 응답분포도로부터 트랜잭션이 일시적으로 밀집되는 오버로드패턴을 추출하여 트랜잭션 응답패턴의 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  16. 제 15 항에 있어서,
    상기 학습서버는 상기 오버로드패턴을 통해, 상기 웹 어플리케이션 서버의 일시적인 과부하로 인한 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  17. 제 1 항에 있어서,
    상기 학습서버는 상기 응답분포도로부터 트랜잭션이 전체적으로 분포되어 밀집되는 폭주패턴을 추출하여 트랜잭션 응답패턴의 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  18. 제 17 항에 있어서,
    상기 학습서버는 상기 폭주패턴을 통해, 상기 웹 어플리케이션 서버의 폭주로 인한 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  19. 제 1 항에 있어서,
    상기 서버는 이상감지 시, 프로젝트명, 코드명, 이상패턴의 종류에 대한 정보와, 응답패턴에 대한 데이터가 포함된 경고를 상기 단말로 전송하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템.
  20. 단말의 서비스 요청에 따라 웹 어플리케이션 서버가 상기 요청에 따른 어플리케이션을 실행하여 트랜잭션을 처리하는 단계;
    상기 웹 어플리케이션 서버가 트랜잭션을 완료하고 상기 요청에 대한 응답을 생성하는 단계;
    학습서버가 상기 응답을 분석하는 단계;
    서버가, 트랜잭션의 종료시간을 X축으로 하고 트랜잭션의 응답시간을 Y축으로 하며 구간단위로 단위셀을 구성하여, 각 단위셀의 정상 트랜잭션과 에러 트랜잭션의 색상을 상이하게 표시하고, 트랜잭션의 밀도에 따라 색상이 상이하게 표시된 응답분포도를 생성하는 단계;
    상기 학습서버가, 트랜잭션의 상기 응답분포도로부터 응답패턴을 학습하는 단계;
    상기 학습서버가 학습데이터를 바탕으로 비정상적인 응답패턴을 추출하여 이상을 감지하는 단계; 및
    상기 서버가 상기 이상에 대한 경고를 상기 단말로 전송하는 단계; 를 포함하는 학습 기반의 트랜잭션 관찰 시스템의 제어방법.
  21. 제 20 항에 있어서,
    상기 이상을 감지하는 단계는, 상기 응답분포도의 패턴을 분석하여, 상기 웹 어플리케이션 서버의 트랜잭션 처리 과정에서의 문제, 시간지연, 타임아웃, 자원 부족, 순간적인 락 발생, 폭주, 과부하에 따른 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템의 제어방법.
  22. 제 20 항에 있어서,
    상기 이상을 감지하는 단계는, 상기 응답분포도로부터 플라잉패턴, 버티컬패턴, 호리즌탈패턴, 오버로드패턴, 폭주 패턴을 추출하여 상기 웹 어플리케이션 서버의 트랜잭션 처리에 따른 이상을 감지하는 것을 특징으로 하는 학습 기반의 트랜잭션 관찰 시스템의 제어방법.
  23. 제 20 항에 있어서,
    상기 서버가, 상기 응답을 생성한 후, 상기 응답분포도를 생성하여 상기 학습서버로 전송하는 단계를 더 포함하는 학습 기반의 트랜잭션 관찰 시스템의 제어방법.
KR1020200037381A 2020-03-27 2020-03-27 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법 KR102307948B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200037381A KR102307948B1 (ko) 2020-03-27 2020-03-27 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200037381A KR102307948B1 (ko) 2020-03-27 2020-03-27 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법

Publications (1)

Publication Number Publication Date
KR102307948B1 true KR102307948B1 (ko) 2021-10-05

Family

ID=78077545

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200037381A KR102307948B1 (ko) 2020-03-27 2020-03-27 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법

Country Status (1)

Country Link
KR (1) KR102307948B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102499005B1 (ko) * 2022-10-05 2023-02-16 (주)제니퍼소프트 트랜잭션 응답 분포도의 패턴 인식 방법시스템 및 이를 이용한 패턴 인식 시스템방법
KR102509380B1 (ko) * 2022-05-04 2023-03-14 (주)와치텍 머신러닝을 통한 어플리케이션 트랜잭션 학습 및 실시간 장애 예측과 해결을 위한 방법
KR102549981B1 (ko) * 2022-12-27 2023-06-30 브레인즈컴퍼니 주식회사 원격 서비스 응답 블로킹 대기 상태의 트랜잭션 제어 시스템 및 방법
KR102556788B1 (ko) * 2023-06-01 2023-07-20 (주)와치텍 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11110360A (ja) * 1997-09-30 1999-04-23 Hitachi Software Eng Co Ltd トランザクション分配方法およびシステムおよびトランザクション分配処理用記録媒体
KR100920414B1 (ko) 2008-05-30 2009-10-07 (주)제니퍼소프트 트랜잭션의 지정된 수행지점에서 자바 스택을 스냅샷하는자바 프로세스 모니터링 시스템 및 그 방법
JP2015197917A (ja) * 2014-03-31 2015-11-09 三菱電機株式会社 離散製造プロセスにおいて異常を検出する方法
WO2019064370A1 (ja) * 2017-09-27 2019-04-04 日本電気株式会社 ログ分析システム、ログ分析方法、ログ分析プログラム、及び記憶媒体

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11110360A (ja) * 1997-09-30 1999-04-23 Hitachi Software Eng Co Ltd トランザクション分配方法およびシステムおよびトランザクション分配処理用記録媒体
KR100920414B1 (ko) 2008-05-30 2009-10-07 (주)제니퍼소프트 트랜잭션의 지정된 수행지점에서 자바 스택을 스냅샷하는자바 프로세스 모니터링 시스템 및 그 방법
JP2015197917A (ja) * 2014-03-31 2015-11-09 三菱電機株式会社 離散製造プロセスにおいて異常を検出する方法
WO2019064370A1 (ja) * 2017-09-27 2019-04-04 日本電気株式会社 ログ分析システム、ログ分析方法、ログ分析プログラム、及び記憶媒体

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102509380B1 (ko) * 2022-05-04 2023-03-14 (주)와치텍 머신러닝을 통한 어플리케이션 트랜잭션 학습 및 실시간 장애 예측과 해결을 위한 방법
KR102499005B1 (ko) * 2022-10-05 2023-02-16 (주)제니퍼소프트 트랜잭션 응답 분포도의 패턴 인식 방법시스템 및 이를 이용한 패턴 인식 시스템방법
KR102549981B1 (ko) * 2022-12-27 2023-06-30 브레인즈컴퍼니 주식회사 원격 서비스 응답 블로킹 대기 상태의 트랜잭션 제어 시스템 및 방법
KR102556788B1 (ko) * 2023-06-01 2023-07-20 (주)와치텍 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법

Similar Documents

Publication Publication Date Title
KR102307948B1 (ko) 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법
US11657309B2 (en) Behavior analysis and visualization for a computer infrastructure
US9413597B2 (en) Method and system for providing aggregated network alarms
CN101206569B (zh) 用于动态识别促使服务劣化的组件的方法和系统
CN102449567B (zh) 作为用于装备健康状况监视服务的基础的云计算
US11457029B2 (en) Log analysis based on user activity volume
EP2487860A1 (en) Method and system for improving security threats detection in communication networks
US20060200373A1 (en) Facilitating Root Cause Analysis for Abnormal Behavior of Systems in a Networked Environment
US20220066906A1 (en) Application state prediction using component state
KR102087959B1 (ko) 통신망의 인공지능 운용 시스템 및 이의 동작 방법
KR20180108446A (ko) Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법
KR20190021560A (ko) 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
CN113328872A (zh) 故障修复方法、装置和存储介质
EP3285169A2 (en) System status visualization method and system status visualization device
CN112380089A (zh) 一种数据中心监控预警方法及系统
CN114358106A (zh) 系统异常检测方法、装置、计算机程序产品及电子设备
CN113313280B (zh) 云平台的巡检方法、电子设备及非易失性存储介质
CN110968479B (zh) 一种针对应用程序的业务级全链路监控方法及服务器
US11501116B1 (en) Quality prediction using process data
CN116975938B (zh) 一种产品制造过程中的传感器数据处理方法
Cucinotta et al. Behavioral analysis for virtualized network functions: A som-based approach
KR20190081691A (ko) 머신러닝 알고리즘을 이용한 공정 이상 감지 시스템 및 그 방법
CN111901156A (zh) 一种监控故障的方法及装置
KR102462101B1 (ko) 인공지능을 기반으로 한 웹 사이트 분석 시스템 및 그 방법
JP2021162892A (ja) 評価装置、評価方法及び記憶媒体

Legal Events

Date Code Title Description
GRNT Written decision to grant