KR102338425B1

KR102338425B1 - 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법, 장치 및 시스템

Info

Publication number: KR102338425B1
Application number: KR1020210128277A
Authority: KR
Inventors: 김동일; 이건우; 최인범
Original assignee: (주)제너럴데이타; 김동일; 이건우; 최인범
Priority date: 2021-09-28
Filing date: 2021-09-28
Publication date: 2021-12-10

Abstract

일실시예에 따르면, 제1 모니터링 대상 서버에 설치된 에이전트에 의해 수행되는, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하는 방법에 있어서, 상기 제1 모니터링 대상 서버에서 사용 중인 애플리케이션에 대한 사용 정보를 상기 제1 모니터링 대상 서버 내의 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 모니터링이 필요한 모니터링 대상 애플리케이션을 분류하는 단계; 모니터링 대상 애플리케이션으로 제1 애플리케이션이 분류되면, 상기 제1 애플리케이션의 식별 정보를 추출하여, 상기 제1 모니터링 대상 서버와 연결된 중앙 서버로 전송하는 단계; 상기 중앙 서버를 통해, 상기 제1 모니터링 대상 서버의 사용 중인 애플리케이션으로 상기 제1 애플리케이션이 등록되어 있는 것으로 확인되면, 상기 중앙 서버로부터 상기 제1 애플리케이션에 대한 설정값을 수신하는 단계; 상기 제1 애플리케이션의 설정값을 이용하여, 상기 제1 애플리케이션의 설정 파일을 갱신하는 단계; 및 상기 제1 모니터링 대상 서버에서 상기 제1 애플리케이션이 정상적으로 구동되는 경우, 상기 제1 애플리케이션에 대한 모니터링 정보를 상기 중앙 서버로 전송하는 단계를 포함하는, 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법이 제공된다.

Description

인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR AUTOMATICALLY SETTING UP AND MONITORING APPLICATION OF MONITORING TARGET SERVER BASED ON ARTIFICIAL INTELLIGENCE}

아래 실시예들은 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하기 위한 기술에 관한 것이다.

일반적으로 IT(Information Technology) 분야에서 모니터링 서비스는 고객의 정보 기술 자원에 대한 운영 및 관리를 제공하는 서비스를 의미한다. 이러한 모니터링 서비스는 클라우드(Cloud) 기술에 대한 수요가 증가함에 따라 네트워크 상의 장치와 애플리케이션에 대해서도 운영 및 관리 서비스를 제공하고 있다.

SNMP(Simple Network Management Protocol)는 네트워크 상의 장치로부터 정보를 수집 및 관리하고, 설정 사항을 수정하여 장치의 동작을 변경하는데 사용되는 인터넷 표준 프로토콜이다. 이러한 SNMP는 MIB(Management Information Base)에서 관리 중인 시스템의 상태와 설정을 원격으로 관리할 수 있도록 지원하므로, 네트워크 관 리에서 널리 사용되고 있다. 이때, 각각의 시스템은 에이전트(Agent)라는 이름의 소프트웨어 구성 요소를 실행하여 SNMP를 통해 정보를 전달하게 된다.

그러나 SNMP는 시스템에 대한 개별 설정이 복잡하며, 버전별로 MIB 코드가 달라지는 문제점이 있다. 따라서 네트워크를 통해 시스템의 설정을 변경하기 위해서는 각각의 시스템에 개별적으로 접속하여, 해당 시스템의 환경에 따라 개별적으로 시스템을 설정해야만 했다. 특히, 상세 모니터링을 위한 MIB 코드는 소스 컴파일로 설치되어야 하므로, 관리자가 관련 설정 사항에 대한 전문 지식을 알아야만 했다.

이러한 문제점을 해결하기 위해 일반적으로 모니터링 서비스 업체에서는 자체적으로 개발한 에이전트를 이용하고 있다. 그러나 이러한 에이전트는 설정 정보가 모니터링 서비스 업체의 서버와 연동되어 자동으로 설정되지 않아, 각각 수동으로 설정되어야만 했다. 따라서 관리자가 모니터링하고자 하는 서버에 에이전트를 개별적으로 설치하면서 수동으로 설정해야만 했다.

그러나 이러한 수동 설정 구조는 모니터링 및 보안 환경에 능동적으로 대응하기가 어렵다. 수동 설정 구조는 모니터링 대상 서버, 모니터링 대상 애플리케이션, 또는 로그 대상이 많아질수록 모니터링 서비스 구성 시간에 오랜 시간이 소요되므로, 유지 관리에 매우 비효율적이다. 따라서 모니터링 서비스 업체에서는 복수의 서버를 포함하는 클라우드 서비스와 같은 분산 환경에서 보다 상세한 모니터링 서비스를 제공할 수 없었다.

이처럼 기존의 모니터링 서비스 구조는 신속한 대응이 불가능하며, 투입되는 인력 비용과 기간으로 인해 모니터링 서비스 도입 금액이 매우 높은 문제점이 있었다. 또한, 분산 환경에서 상세 모니터링 항목이 많아질수록 기존의 모니터링 서비스 구조로는 설정 항목이 많아질 수밖에 없었다. 따라서 투입되는 인건비의 증가와 구성 기간으로 인해 모니터링 서비스 업체의 수익 구조상 제대로 된 서비스가 불가능한 실정이었다

따라서, 모니터링 서비스를 자동으로 설정하여 제공하고자 하는 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.

한국등록특허 제10-1874418호

일실시예에 따르면, 제1 모니터링 대상 서버에서 사용 중인 애플리케이션에 대한 사용 정보를 제1 모니터링 대상 서버 내의 제1 인공 신경망에 적용하여, 제1 인공 신경망의 출력을 기초로, 모니터링이 필요한 모니터링 대상 애플리케이션을 분류하고, 모니터링 대상 애플리케이션으로 제1 애플리케이션이 분류되면, 제1 애플리케이션의 식별 정보를 추출하여, 제1 모니터링 대상 서버와 연결된 중앙 서버로 전송하고, 중앙 서버를 통해, 제1 모니터링 대상 서버의 사용 중인 애플리케이션으로 제1 애플리케이션이 등록되어 있는 것으로 확인되면, 중앙 서버로부터 제1 애플리케이션에 대한 설정값을 수신하고, 제1 애플리케이션의 설정값을 이용하여, 제1 애플리케이션의 설정 파일을 갱신하고, 제1 모니터링 대상 서버에서 제1 애플리케이션이 정상적으로 구동되는 경우, 제1 애플리케이션에 대한 모니터링 정보를 중앙 서버로 전송하는, 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.

또한, 일실시예에 따르면, 상기 중앙 서버와 연결된 복수의 모니터링 대상 서버 중 어느 하나인 제1 모니터링 대상 서버를 통해, 모니터링이 필요한 모니터링 대상 애플리케이션으로 제1 애플리케이션이 분류되면, 제1 모니터링 대상 서버로부터 제1 애플리케이션에 대한 식별 정보를 수신하고, 제1 애플리케이션의 식별 정보를 이용하여, 제1 모니터링 대상 서버의 사용 중인 애플리케이션 리스트에 제1 애플리케이션이 등록되어 있는지 여부를 확인하고, 애플리케이션 리스트에 제1 애플리케이션이 등록되어 있는 것으로 확인되면, 제1 애플리케이션에 대한 설정값을 추출하여, 제1 모니터링 대상 서버로 전송하고, 제1 애플리케이션의 설정값을 이용하여 제1 애플리케이션의 설정 파일이 갱신된 후, 제1 모니터링 대상 서버에서 제1 애플리케이션이 정상적으로 구동되는 경우, 제1 모니터링 대상 서버로부터 제1 애플리케이션에 대한 모니터링 정보를 수신하고, 제1 애플리케이션에 대한 모니터링 정보를 중앙 서버 내의 제2 인공 신경망에 적용하여, 제2 인공 신경망의 출력을 기초로, 제1 애플리케이션에 대한 정상 작동 여부를 검출하는, 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

또한, 일실시예에 따르면, 중앙 서버에 의해 수행되는, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하는 방법에 있어서, 상기 중앙 서버와 연결된 복수의 모니터링 대상 서버 중 어느 하나인 제1 모니터링 대상 서버를 통해, 모니터링이 필요한 모니터링 대상 애플리케이션으로 제1 애플리케이션이 분류되면, 상기 제1 모니터링 대상 서버로부터 상기 제1 애플리케이션에 대한 식별 정보를 수신하는 단계; 상기 제1 애플리케이션의 식별 정보를 이용하여, 상기 제1 모니터링 대상 서버의 사용 중인 애플리케이션 리스트에 상기 제1 애플리케이션이 등록되어 있는지 여부를 확인하는 단계; 상기 애플리케이션 리스트에 상기 제1 애플리케이션이 등록되어 있는 것으로 확인되면, 상기 제1 애플리케이션에 대한 설정값을 추출하여, 상기 제1 모니터링 대상 서버로 전송하는 단계; 상기 제1 애플리케이션의 설정값을 이용하여 상기 제1 애플리케이션의 설정 파일이 갱신된 후, 상기 제1 모니터링 대상 서버에서 상기 제1 애플리케이션이 정상적으로 구동되는 경우, 상기 제1 모니터링 대상 서버로부터 상기 제1 애플리케이션에 대한 모니터링 정보를 수신하는 단계; 및 상기 제1 애플리케이션에 대한 모니터링 정보를 상기 중앙 서버 내의 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 애플리케이션에 대한 정상 작동 여부를 검출하는 단계를 포함하는, 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법이 제공된다.

또한, 일실시예에 따르면, 중앙 서버 및 복수의 모니터링 대상 서버를 포함하는 시스템에 의해 수행되는, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하는 방법에 있어서, 상기 복수의 모니터링 대상 서버 중 어느 하나인 제1 모니터링 대상 서버가, 상기 제1 모니터링 대상 서버에서 사용 중인 애플리케이션에 대한 사용 정보를 상기 제1 모니터링 대상 서버 내의 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 모니터링이 필요한 모니터링 대상 애플리케이션을 분류하는 단계; 상기 제1 모니터링 대상 서버가, 모니터링 대상 애플리케이션으로 제1 애플리케이션이 분류되면, 상기 제1 애플리케이션의 식별 정보를 추출하여, 상기 중앙 서버로 전송하는 단계; 상기 중앙 서버가, 상기 제1 애플리케이션의 식별 정보를 기초로, 상기 제1 모니터링 대상 서버의 사용 중인 애플리케이션 리스트에 상기 제1 애플리케이션이 등록되어 있는지 여부를 확인하는 단계; 상기 중앙 서버가, 상기 애플리케이션 리스트에 상기 제1 애플리케이션이 등록되어 있는 것으로 확인되면, 상기 제1 애플리케이션에 대한 설정값을 추출하여, 상기 제1 모니터링 대상 서버로 전송하는 단계; 상기 제1 모니터링 대상 서버가, 상기 제1 애플리케이션의 설정값을 이용하여, 상기 제1 애플리케이션의 설정 파일을 갱신하는 단계; 상기 제1 모니터링 대상 서버가, 상기 제1 모니터링 대상 서버에서 상기 제1 애플리케이션이 정상적으로 구동되는 경우, 상기 제1 애플리케이션에 대한 모니터링 정보를 상기 중앙 서버로 전송하는 단계; 및 상기 중앙 서버가, 상기 제1 애플리케이션에 대한 모니터링 정보를 상기 중앙 서버 내의 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 애플리케이션에 대한 정상 작동 여부를 검출하는 단계를 포함하는, 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법이 제공된다.

상기 제1 인공 신경망의 출력을 기초로, 모니터링이 필요한 모니터링 대상 애플리케이션을 분류하는 단계는, 상기 제1 모니터링 대상 서버에서 사용 중인 애플리케이션에 대한 사용 정보를 기초로, 상기 제1 애플리케이션의 프로세스 명칭, 리소스 사용량 및 네트워크 포트의 접속량에 대한 정보를 확인하여, 제1 입력 신호를 생성하는 단계; 상기 제1 입력 신호를 상기 제1 인공 신경망에 입력하고, 상기 제1 입력 신호의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계; 상기 제1 출력 신호를 기초로, 상기 제1 애플리케이션의 프로그램 유형, 버전, 벤더 명칭 및 설정 파일의 위치를 확인하여, 상기 제1 애플리케이션을 모니터링 대상 애플리케이션 또는 모니터링 미대상 애플리케이션으로 분류하는 단계; 및 상기 제1 애플리케이션이 모니터링 대상 애플리케이션으로 분류된 경우, 상기 제1 모니터링 대상 서버의 운영체제를 확인하고, 상기 제1 모니터링 대상 서버의 운영체제에 설정된 디폴트 프로그램 리스트에 상기 제1 애플리케이션이 포함되어 있는 경우, 상기 제1 애플리케이션을 모니터링 미대상 애플리케이션으로 최종 분류하는 단계를 포함할 수 있다.

상기 제2 인공 신경망의 출력을 기초로, 상기 제1 애플리케이션에 대한 정상 작동 여부를 검출하는 단계는, 상기 제1 애플리케이션에 대한 모니터링 정보를 기초로, 상기 제1 애플리케이션의 프로세스 명칭, 리소스 사용량 및 네트워크 포트의 접속량에 대한 정보를 확인하여, 제2 입력 신호를 생성하는 단계; 상기 제2 입력 신호를 상기 제2 인공 신경망에 입력하고, 상기 제2 입력 신호의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하는 단계; 상기 제2 출력 신호를 기초로, 상기 제1 애플리케이션의 정상 작동 여부를 검출하는 단계; 상기 제1 애플리케이션의 정상 작동 여부가 비정상으로 검출되면, 상기 제1 애플리케이션의 리소스 사용량 및 네트워크 포트의 접속량을 기초로, 상기 제1 애플리케이션의 통계 데이터를 생성하는 단계; 상기 통계 데이터를 통해 확인된 상기 제1 애플리케이션의 통계량이 미리 설정된 제1 기준치 보다 작은지 여부를 확인하는 단계; 상기 제1 애플리케이션의 통계량이 상기 제1 기준치 보다 작은 것으로 확인되면, 상기 제1 모니터링 대상 서버의 상태를 일시적인 장애가 있는 상태로 판단하는 단계; 상기 제1 애플리케이션의 통계량이 상기 제1 기준치 보다 큰 것으로 확인되면, 상기 통계량이 미리 설정된 제2 기준치 보다 작은지 여부를 확인하는 단계; 상기 제1 애플리케이션의 통계량이 상기 제2 기준치 보다 작은 것으로 확인되면, 상기 제1 모니터링 대상 서버의 상태를 과부하 상태로 판단하는 단계; 및 상기 제1 애플리케이션의 통계량이 상기 제2 기준치 보다 큰 것으로 확인되면, 상기 제1 모니터링 대상 서버의 상태를 공격을 받고 있는 상태로 판단하는 단계를 포함할 수 있다.

상기 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법은, 상기 제1 모니터링 대상 서버에 설치되어 있는 애플리케이션들을 제1 그룹으로 분류하는 단계; 상기 제1 모니터링 대상 서버의 운영체제가 다른 환경으로 전환되면, 상기 제1 모니터링 대상 서버의 메모리에서 사용 가능한 공간인 잔여 공간을 확인하는 단계; 상기 잔여 공간이 미리 설정된 제1 기준 용량 보다 큰 것으로 확인되면, 상기 제1 그룹으로 분류된 애플리케이션들이 상기 제1 모니터링 대상 서버에 설치되도록 제어하는 단계; 상기 잔여 공간이 상기 제1 기준 용량 보다 작지만 미리 설정된 제2 기준 용량 보다 큰 것으로 확인되면, 상기 제1 그룹으로 분류된 애플리케이션들 중 미리 설정된 기준 기간 동안 상기 제1 모니터링 대상 서버에서 사용된 애플리케이션들만 상기 제1 모니터링 대상 서버에 설치되도록 제어하는 단계; 및 상기 잔여 공간이 상기 제2 기준 용량 보다 작은 것으로 확인되면, 상기 제1 그룹으로 분류된 애플리케이션들 중 상기 기준 기간 동안 상기 제1 모니터링 대상 서버에서 미리 설정된 기준 횟수 이상으로 사용된 애플리케이션들만 상기 제1 모니터링 대상 서버에 설치되도록 제어하는 단계를 더 포함할 수 있다.

일실시예에 따르면, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행함으로써, 모니터링 서비스를 자동으로 설정하여 제공할 수 있는 효과가 있다.

한편, 실시예들에 따른 효과들은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 일실시예에 따른 제1 모니터링 대상 서버에 설치된 에이전트에 의해 수행되는, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 중앙 서버에 의해 수행되는, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 제1 인공 신경망을 통해 모니터링 대상 애플리케이션을 분류하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제2 인공 신경망을 통해 애플리케이션의 정상 작동 여부를 검출하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 모니터링 대상 서버 메모리의 잔여 공간에 따라 애플리케이션을 설치하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.
도 8은 일실시예에 따른 제2 인공 신경망의 학습을 설명하기 위한 도면이다.
도 9는 일실시예에 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.

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.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 일실시예에 따른 시스템의 구성을 개략적으로 나타낸 도면이다.

도 1을 참조하면, 일실시예에 따른 시스템은 복수의 모니터링 대상 서버(100) 및 중앙 서버(200)를 포함할 수 있다. 도 1에 도시된 바와 같이, 일실시예에 따른 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법은 복수의 모니터링 대상 서버(100) 및 중앙 서버(200)를 포함하는 시스템에서 수행될 수 있다. 여기서, 시스템은 복수의 단독 서버 또는 클라우드 서버가 운영되는 분산 환경으로 구현될 수 있다.

복수의 모니터링 대상 서버(100)은 제1 모니터링 대상 서버(110), 제2 모니터링 대상 서버(120) 등을 포함할 수 있으며, 복수의 모니터링 대상 서버(100) 각각은 모니터링 대상 애플리케이션이 실행되는 서버일 수 있다.

복수의 모니터링 대상 서버(100) 각각은 네트워크를 통해 중앙 서버(200)와 데이터를 송수신하여, 복수의 모니터링 대상 서버(100) 각각에 설치된 모니터링 대상 애플리케이션을 검색할 수 있다. 또한, 중앙 서버(200)의 요청에 따라 시스템 또는 모니터링 대상 애플리케이션의 설정을 변경할 수 있다.

복수의 모니터링 대상 서버(100) 각각에는 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법이 구현된 명령어를 포함하는 에이전트가 설치될 수 있다. 따라서, 복수의 모니터링 대상 서버(100) 각각은 중앙 서버(200)로부터 검색 요청을 수신하는 경우, 에이전트를 통해 모니터링 대상 애플리케이션을 검색할 수 있다. 또한, 복수의 모니터링 대상 서버(100) 각각은 시스템 데이터(CPU, 메모리, 디스크, 디스크 입/출력, 및 네트워크 트래픽)와 시스템 로그 데이터를 생성할 수 있다.

중앙 서버(200)는 복수의 모니터링 대상 서버(100)와 복수의 모니터링 대상 서버(100) 각각에서 실행되는 모니터링 대상 애플리케이션에 대한 모니터링 서비스를 제공할 수 있다. 중앙 서버(200)는 네트워크를 통해 복수의 모니터링 대상 서버(100)와 데이터를 송수신하여 복수의 모니터링 대상 서버(100) 각각에서 실행되는 모니터링 대상 애플리케이션에 대한 검색을 요청하고, 복수의 모니터링 대상 서버(100) 별로 모니터링 대상 애플리케이션을 등록할 수 있다.

중앙 서버(200)는 복수의 모니터링 대상 서버(100) 별로 등록된 모니터링 대상 애플리케이션에 대한 식별 정보를 이용하여, 모니터링 대상 애플리케이션의 사용을 제어할 수 있다. 또한, 중앙 서버(200)는 복수의 모니터링 대상 서버(100)의 시스템을 모니터링하여 제어할 수 있다.

중앙 서버(200)에는 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법이 구현된 명령어를 포함하는 에이전트가 설치될 수 있다. 따라서, 사용자는 중앙 서버(200)의 에이전트를 통해 복수의 모니터링 대상 서버(100)를 모니터링하거나, 복수의 모니터링 대상 서버(100) 각각에서 실행되는 모니터링 대상 애플리케이션을 통합적으로 모니터링할 수 있다.

즉, 중앙 서버(200)는 복수의 모니터링 대상 서버(100) 각각에서 실행되는 모니터링 대상 애플리케이션을 일괄적으로 검색하고 등록할 수 있으며, 복수의 모니터링 대상 서버(100)를 포함하는 분산 환경 내에서 통합적인 모니터링 서비스를 제공할 수 있다.

일실시예에 따르면, 네트워크는, 광역 통신망(Wide Area Network; WAN) 및 근거리 통신망(Local Area Network; LAN), 및 개인 통신망(Personal Area Network; PAN)을 포함할 수 있으며, 이동 통신망(Mobile Radio Communication Network)을 포함할 수 있다. 이때, 복수의 모니터링 대상 서버(100)와 중앙 서버(200) 간에 네트워크를 통해 송수신되는 데이터는 암호화될 수 있다.

일실시예에 따르면, 복수의 모니터링 대상 서버(100) 및 중앙 서버(200)를 포함하는 시스템은 모니터링 서비스를 제공하는데 있어, 딥러닝을 기반으로 최적의 모니터링 환경을 만들어줄 수 있다. 이때, 모니터링 대상은 프로그램과 같은 애플리케이션으로, 애플리케이션의 종류는 웹 서버, 데이터베이스 등으로 다양하게 구분될 수 있다.

시스템은 인공지능 모델을 통해 모니터링 대상 애플리케이션을 분류할 수 있으며, 분류할 때, 웹 서버, 데이터베이스, 버전, 벤더 등을 분류할 수 있다.

구체적으로, 제1 모니터링 대상 서버(110)에 설치된 에이전트가 인공지능을 통해 애플리케이션을 확인하고, 분류 모델을 이용하여, 모니터링 대상 애플리케이션에 대한 검색을 자동으로 수행할 수 있다.

이후, 제1 모니터링 대상 서버(110)에 설치된 에이전트가 중앙 서버(200)로 애플리케이션의 확인을 위한 식별 정보를 전송할 수 있으며, OS 커널을 통해 애플리케이션 파일의 위치와 설정 파일을 역추적할 수 있다. 이때, 중앙 서버(200)는 설정 파일에 대한 정보의 일치 여부를 판단할 수 있다.

이후, 중앙 서버(200)가 제1 모니터링 대상 서버(110)에 설치된 에이전트로 모니터링 대상 애플리케이션에 대한 설정값을 전송할 수 있다. 여기서, 설정값은 제1 모니터링 대상 서버(110)가 모니터링 대상 애플리케이션과 연동하기 위한 설정값을 의미할 수 있다.

이후, 제1 모니터링 대상 서버(110)에 설치된 에이전트가 모니터링 대상 애플리케이션의 설정값에 따라 설정을 진행할 수 있다.

이후, 모니터링 대상 애플리케이션이 정상 구동되면, 제1 모니터링 대상 서버(110)에 설치된 에이전트가 모니터링 대상 애플리케이션에 대한 모니터링 정보를 중앙 서버(200)로 전송할 수 있다. 여기서, 모니터링 정보는 리소스 사용량, CPU 사용량, 메모리 사용량, 클래스 별 사용량, 네트워크 포트의 접속량 등에 대한 정보를 포함할 수 있다.

도 2는 일실시예에 따른 제1 모니터링 대상 서버에 설치된 에이전트에 의해 수행되는, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하는 과정을 설명하기 위한 순서도이다.

도 2에 도시된 모든 과정은 제1 모니터링 대상 서버(110)에 설치된 에이전트를 통해 수행될 수 있으나, 이에 제한되지 않으며, 제1 모니터링 대상 서버(110) 자체적으로 도 2에 도시된 모든 과정을 수행할 수도 있다.

도 2를 참조하면, 먼저, S201 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 모니터링 대상 서버(110)에서 사용 중인 애플리케이션에 대한 사용 정보를 획득할 수 있다. 여기서, 애플리케이션에 대한 사용 정보는 애플리케이션의 프로세스 명칭, 애플리케이션의 프로세스 네트워크 포트, 리소스 사용량 요청 키워드, 애플리케이션 서비스 명칭, 및 애플리케이션 벤더 명칭 중 적어도 어느 하나를 포함할 수 있으며, 리소스 사용량, 네트워크 포트의 접속량에 대한 정보를 더 포함할 수 있다. 이러한 애플리케이션에 대한 사용 정보는 모니터링 대상 애플리케이션을 분류하기 위한 정보로 사용될 수 있다. 이때, 리소스는, CPU 사용량 또는 메모리 사용량을 포함할 수 있다. 그러나 이에 한정되는 것은 아니며, 리소스는, 사용자의 요청에 따라 다른 시스템 리소스 사용량을 포함할 수도 있다.

프로세스는 제1 모니터링 대상 서버(110)에서 실행 중인 애플리케이션일 수 있다. 이하에서 용어 ‘애플리케이션’은 제1 모니터링 대상 서버(110)에서 실행 중인 ‘프로세스’를 포함하는 의미로 사용될 수 있다.

예를 들어, 제1 모니터링 대상 서버(110)에서 제1 애플리케이션 및 제2 애플리케이션이 실행되고 있는 경우, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션에 대한 사용 정보 및 제2 애플리케이션에 대한 사용 정보를 각각 획득할 수 있다.

S202 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 애플리케이션에 대한 사용 정보를 제1 인공 신경망에 적용할 수 있다.

일실시예에 따르면, 제1 인공 신경망은 애플리케이션에 대한 사용 정보를 입력 받은 후, 모니터링 대상 애플리케이션에 대한 분류 결과를 출력하는 알고리즘일 수 있다. 제1 인공 신경망에 대한 자세한 설명은 도 4를 참조하여 후술하기로 한다.

S203 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 인공 신경망의 출력을 기초로, 모니터링이 필요한 모니터링 대상 애플리케이션을 분류할 수 있다.

예를 들어, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션에 대한 사용 정보를 제1 인공 신경망에 적용하여, 제1 인공 신경망의 출력을 확인한 결과, 출력값이 “0”으로 확인되면, 제1 애플리케이션을 모니터링이 필요한 모니터링 대상 애플리케이션으로 분류할 수 있다.

또한, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제2 애플리케이션에 대한 사용 정보를 제1 인공 신경망에 적용하여, 제1 인공 신경망의 출력을 확인한 결과, 출력값이 “1”로 확인되면, 제2 애플리케이션을 모니터링이 필요하지 않은 모니터링 미대상 애플리케이션으로 분류할 수 있다.

제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 모니터링 대상 서버(110)에서 사용 중인 애플리케이션이 복수인 경우, 애플리케이션 별로 사용 정보를 각각 제1 인공 신경망에 적용함으로써, 애플리케이션 별로 모니터링 대상 애플리케이션인지 아닌지 분류할 수 있다.

제1 인공 신경망은 애플리케이션에 대한 사용 정보를 통해, 모니터링 대상 애플리케이션인지 분석하도록 학습될 수 있다. 제1 인공 신경망은 도 7을 참조하여 후술되는 방법을 통해 학습될 수 있다.

S204 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 모니터링 대상 애플리케이션으로 제1 애플리케이션이 분류되면, 제1 애플리케이션의 식별 정보를 추출하여, 제1 모니터링 대상 서버(110)와 연결된 중앙 서버(200)로 전송할 수 있다. 여기서, 식별 정보는 애플리케이션의 식별 및 모니터링에 사용되는 정보일 수 있다. 즉, 식별 정보는 애플리케이션이 설치된 모니터링 대상 서버의 시스템 정보와 애플리케이션의 상태 및 설정에 대한 정보를 포함할 수 있다. 따라서, 중앙 서버(200)는 제1 애플리케이션의 식별 정보를 이용하여, 제1 애플리케이션의 상태를 확인하거나 설정을 제어할 수 있다.

구체적으로, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션의 명칭, 제1 애플리케이션을 실행한 사용자, 제1 애플리케이션의 커맨드 라인(Command line), 제1 애플리케이션의 타입(포크(Fork) 또는 스레드(Thread) 여부), 제1 애플리케이션이 실행 중인 파일 정보, 제1 애플리케이션의 프로토콜 타입(TCP 또는 UDP 여부), 및 제1 애플리케이션의 네트워크 포트 중 적어도 어느 하나를 확인하여, 제1 애플케이션의 식별 정보를 추출할 수 있다.

특히, 식별 정보는 제1 애플리케이션의 타입에 따라 상이할 수 있으며, 이는, 애플리케이션의 타입에 따라 확인해야 하는 상태 및 변경할 수 있는 설정이 서로 다르기 때문이다. 따라서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션의 타입에 따라 식별 정보를 추출할 수 있다. 예를 들어, 제1 애플리케이션의 타입이 포크에 해당한다면, 포크 타입의 애플리케이션을 식별 및 모니터링하기 위한 식별 정보를 추출할 수 있다. 반대로, 제1 애플리케이션의 타입이 스레드에 해당한다면, 스레드 타입의 애플리케이션을 식별 및 모니터링하기 위한 식별 정보를 추출할 수 있다

보다 구체적으로, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 모니터링 대상 서버(110)의 OS 커널을 조회하여 제1 애플리케이션의 프로세스의 부모 프로세스를 추적하고, 부모 프로세스의 PID(Process identifier) 및 PPID(Parent Process ID)로 제1 애플리케이션의 타입을 탐지할 수 있다. 제1 모니터링 대상 서버(110)에서 실행되는 제1 애플리케이션은 표준 구조로서 스탠다드 프로세스(Standard Process), 멀티 포크 프로세스(Multi Fork Process), 또는 스레드 (Thread) 구조를 가지기 때문에 OS 커널에서 애플리케이션의 구조를 역추적하면 제1 애플리케이션의 타입을 탐지할 수 있다.

특히, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션의 프로세스 네트워크 포트의 패킷을 분석하여 제1 애플리케이션이 웹 서비스에 해당하는지 여부를 자동으로 판단할 수 있다. 제1 모니터링 대상 서버(110)에 설치된 에이전트는 헤더 정보를 이용하여 애플리케이션의 프로세스 네트워크의 포트를 통해 송수신되는 패킷을 분석하면, 제1 애플리케이션이 웹 서비스에 해당하는지 여부를 판단할 수 있다. 이때, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 추적된 애플리케이션의 프로세스 네트워크 포트를 통해 송수신되는 패킷을 분석할 수 있다. 따라서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션이 웹 서비스에 해당하는 경우, 웹 서비스 모니터링을 위한 제1 애플리케이션의 식별 정보를 추출할 수 있다.

또한, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션의 프로세스 명칭을 이용하여 제1 애플리케이션이 데이터베이스 서비스에 해당하는지 여부를 자동으로 판단할 수 있다. 데이터베이스 서비스에 해당하는 애플리케이션의 프로세스 명칭이 미리 정해진 규칙에 따라 정해지는 경우, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 미리 정해진 규칙을 이용하여 제1 애플리케이션이 데이터베이스 서비스에 해당하는지 여부를 자동으로 판단할 수 있다. 또는, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 애플리케이션의 프로세스 명칭에 따른 데이터베이스 서비스 여부가 저장된 데이터베이스 모듈을 조회하여 제1 애플리케이션이 데이터베이스 서비스에 해당하는지 여부를 자동으로 판단할 수 있다. 따라서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션이 데이터베이스 서비스에 해당하는 경우, 데이터베이스 서비스 모니터링을 위한 제1 애플리케이션의 식별 정보를 추출할 수 있다.

이후, 중앙 서버(200)는 제1 애플리케이션의 식별 정보를 이용하여, 제1 모니터링 대상 서버(110)의 사용 중인 애플리케이션으로 제1 애플리케이션이 등록되어 있는지 여부를 확인할 수 있다.

중앙 서버(200)는 제1 애플리케이션이 제1 모니터링 대상 서버(110)의 사용 중인 애플리케이션으로 등록되어 있지 않은 것으로 확인되면, 제1 애플리케이션의 식별 정보를 통해, 제1 애플리케이션을 제1 모니터링 대상 서버(110)의 사용 중인 애플리케이션으로 등록하여, 제1 애플리케이션의 식별 정보를 데이터베이스 모듈에 저장할 수 있다. 이러한 데이터베이스 모듈은, 중앙 서버(200)에 포함될 수 있다. 그러나 실시예에 따라서 데이터베이스 모듈은, 별도의 서버에 포함될 수도 있다.

중앙 서버(200)는 데이터베이스 모듈에 모니터링 대상 서버 별로 모니터링 대상 서버에서 사용 중인 애플리케이션이 식별 정보를 저장하여, 모니터링 대상 서버 별로 사용 중인 애플리케이션을 등록할 수 있다.

중앙 서버(200)는 제1 모니터링 대상 서버(110)로부터 수신된 제1 애플리케이션의 식별 정보를 이용하여, 데이터베이스 모듈에 저장된 제1 애플리케이션의 식별 정보를 조회하고, 조회한 제1 애플리케이션의 식별 정보를 통해 제1 애플리케이션에 대한 설정값을 획득하여, 제1 애플리케이션이 설치된 제1 모니터링 대상 서버(110)로 전송할 수 있다. 여기서, 제1 애플리케이션의 식별 정보는 제1 모니터링 대상 서버(110)에서 사용 중인 애플리케이션과 매칭되어 중앙 서버(200)에 등록되므로, 중앙 서버(200)는 제1 모니터링 대상 서버(110)에서 사용 중인 애플리케이션 중에서 제1 애플리케이션의 식별 정보를 확인하고, 제1 애플리케이션의 식별 정보와 연동되어 저장되어 있는 제1 애플리케이션의 설정값을 획득할 수 있다. 여기서, 제1 애플리케이션의 설정값은 사용자로부터 사전에 입력받아 등록될 수 있다.

S205 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 중앙 서버(200)를 통해, 제1 모니터링 대상 서버(110)의 사용 중인 애플리케이션으로 제1 애플리케이션이 등록되어 있는 것으로 확인되면, 중앙 서버(200)로부터 제1 애플리케이션에 대한 설정값을 수신할 수 있다.

제1 모니터링 대상 서버(110)에 설치된 에이전트는 중앙 서버(200)로부터 수신된 제1 애플리케이션의 설정값을 제1 모니터링 대상 서버(110)의 메모리에 저장하고, 메모리에 저장한 저장값을 중앙 서버(200)로 전송할 수 있다. 즉, 제1 모니터링 대상 서버(110)는 제1 모니터링 대상 서버(110)에서 실행 중인 제1 애플리케이션에 대한 설정값을 제1 모니터링 대상 서버(110)의 메모리에 직접 상주시킬 수 있다. 따라서, 제1 모니터링 대상 서버(110)는 설정값을 제1 모니터링 대상 서버(110)의 메모리에 저장하므로, 설정값을 저장하기 위한 별도의 설정 파일을 생성하지 않는다. 따라서 사용자가 별도로 설정 파일을 수정하는 과정 없이도, 중앙 서버(200)는 제1 모니터링 대상 서버(110)에서 사용 중인 애플리케이션을 자동적으로 제어할 수 있다.

S206 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션의 설정값을 이용하여, 제1 애플리케이션의 설정 파일을 갱신할 수 있다.

제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션의 설정 파일을 갱신하여 메모리에 저장한 저장값을 중앙 서버(200)로 송신할 수 있다. 즉, 설정값은 사용자로부터 입력받은 애플리케이션의 식별 정보에 대한 입력값(Input value)에 해당하며, 저장값은 제1 모니터링 대상 서버(110)에서 실행 중인 애플리케이션에 적용된 출력값(Output value)에 해당할 수 있다.

중앙 서버(200)는 제1 모니터링 대상 서버(110)로부터 수신된 저장값을 이용하여, 애플리케이션의 식별 정보를 업데이트 할 수 있다. 이때, 저장값이 아닌 설정값을 저장하게 되면, 제1 모니터링 대상 서버(110)의 메모리에 저장된 저장값과 일치하지 않아 애플리케이션을 모니터링 하는데 오류가 발생할 수 있다.

예를 들어, 제1 애플리케이션의 식별 정보 중 하나의 변수에 대한 값이 ‘A’이고, 사용자가 그 변수에 대한 설정값으로 ‘B’를 입력했다고 가정한다. 이때, 설정값 ‘B’를 제1 모니터링 대상 서버(110)에 송신하는 도중 네트워크 오류로 인해 실제 제1 모니터링 대상 서버(110)의 메모리에 저장된 설정 파일에 변경하고자 하는 설정값 ‘B’가 저장되지 못하는 경우가 발생할 수 있다. 즉, 실제 제1 모니터링 대상 서버(110)의 메모리에 저장된 설정 파일에는 ‘B’가 아닌 ‘A’가 저장되어 있다면, 설정값 ‘B’와 설정 파일에 저장되어 있는 저장값 ‘A’가 서로 일치하지 않을 수 있다. 다시 말해, 중앙 서버(200)는 실제 설정 파일에 저장된 저장값을 이용하여 애플리케이션의 식별 정보를 업데이트할 수 있으며, 중앙 서버(200)에 업데이트 되는 식별 정보는 저장값을 기준으로 할 수 있다. 즉, 중앙 서버(200)에 업데이트 되는 식별 정보는 실제 제1 모니터링 대상 서버(110)에서 설정 파일이 변경된 경우에만 업데이트 될 수 있다.

S207 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 갱신된 제1 애플리케이션의 설정 파일을 통해, 제1 애플리케이션이 정상적으로 구동되고 있는지 여부를 확인할 수 있다.

S207 단계에서 제1 애플리케이션이 정상적으로 구동되고 있지 않은 것으로 확인되면, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션에 대한 설정값의 변경 요청을 중앙 서버(200)로 전송할 수 있으며, S205 단계로 되돌아가, 중앙 서버(200)로부터 제1 애플리케이션에 대한 설정값을 다시 수신할 수 있다. 이때, 중앙 서버(200)는 제1 애플리케이션의 설정값을 새로 생성하여, 제1 모니터링 대상 서버(110)로 전송할 수 있다.

S207 단계에서 제1 애플리케이션이 정상적으로 구동되고 있는 것으로 확인되면, S208 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션에 대한 모니터링 정보를 중앙 서버(200)로 전송할 수 있다. 여기서, 모니터링 정보는 리소스 사용량, CPU 사용량, 메모리 사용량, 클래스 별 사용량, 네트워크 포트의 접속량 등에 대한 정보를 포함할 수 있다.

도 3은 일실시예에 따른 중앙 서버에 의해 수행되는, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하는 과정을 설명하기 위한 순서도이다.

도 3에 도시된 모든 과정은 중앙 서버(200)를 통해 수행될 수 있으나, 이에 제한되지 않으며, 중앙 서버(200)에 설치된 에이전트를 통해 도 3에 도시된 모든 과정이 수행될 수도 있다.

도 3을 참조하면, 먼저, S301 단계에서, 중앙 서버(200)는 제1 모니터링 대상 서버(110)로부터 제1 애플리케이션에 대한 식별 정보를 수신할 수 있다. 이를 위해, 제1 모니터링 대상 서버(110)는 모니터링이 필요한 모니터링 대상 애플리케이션으로 제1 애플리케이션을 분류한 후, 제1 애플리케이션에 대한 식별 정보를 획득하여, 중앙 서버(200)로 전송할 수 있다.

S302 단계에서, 중앙 서버(200)는 제1 애플리케이션의 식별 정보를 이용하여, 제1 모니터링 대상 서버(110)의 사용 중인 애플리케이션 리스트에 제1 애플리케이션이 등록되어 있는지 여부를 확인할 수 있다.

S302 단계에서 제1 모니터링 대상 서버(110)의 사용 중인 애플리케이션 리스트에 제1 애플리케이션이 등록되어 있지 않은 것으로 확인되면, S303 단계에서, 중앙 서버(200)는 제1 애플리케이션의 식별 정보를 통해, 제1 애플리케이션을 제1 모니터링 대상 서버(110)의 사용 중인 애플리케이션으로 등록하여, 제1 애플리케이션의 식별 정보를 데이터베이스 모듈에 저장할 수 있다. 이때, 제1 애플리케이션이 제1 모니터링 대상 서버(110)의 사용 중인 애플리케이션으로 등록되면, 제1 모니터링 대상 서버(110)의 사용 중인 애플리케이션 리스트에 제1 애플리케이션이 등록될 수 있다.

S302 단계에서 제1 모니터링 대상 서버(110)의 사용 중인 애플리케이션 리스트에 제1 애플리케이션이 등록되어 있는 것으로 확인되면, S304 단계에서, 중앙 서버(200)는 제1 애플리케이션에 대한 설정값을 추출하여, 제1 모니터링 대상 서버(110)로 전송할 수 있다.

즉, 중앙 서버(200)는 제1 모니터링 대상 서버(110)로부터 수신된 제1 애플리케이션의 식별 정보를 이용하여, 데이터베이스 모듈에 저장된 제1 애플리케이션의 식별 정보를 조회하고, 조회한 제1 애플리케이션의 식별 정보를 통해 제1 애플리케이션에 대한 설정값을 획득하여, 제1 애플리케이션이 설치된 제1 모니터링 대상 서버(110)로 제1 애플리케이션에 대한 설정값을 전송할 수 있다.

S305 단계에서, 중앙 서버(200)는 제1 애플리케이션의 설정값을 이용하여 제1 애플리케이션의 설정 파일이 갱신된 후, 제1 모니터링 대상 서버(110)에서 제1 애플리케이션이 정상적으로 구동되는지 여부를 확인할 수 있다. 이때, 제1 모니터링 대상 서버(110)는 제1 모니터링 대상 서버(110)에서 제1 애플리케이션이 정상적으로 구동되는 것이 확인되면, 제1 애플리케이션에 대한 정상 구동 신호를 중앙 서버(200)로 전송할 수 있으며, 중앙 서버(200)는 미리 설정된 기간 내에 제1 애플리케이션에 대한 정상 구동 신호가 수신되면, 제1 애플리케이션이 정상적으로 구동되는 것으로 확인할 수 있다.

S305 단계에서 제1 애플리케이션이 정상적으로 구동되지 않은 것으로 확인되면, S304 단계로 되돌아가, 중앙 서버(200)는 제1 애플리케이션에 대한 설정값을 다시 추출하여, 제1 모니터링 대상 서버(110)로 다시 전송할 수 있다. 이때, 중앙 서버(200)는 제1 애플리케이션의 설정값에 대한 변경을 사용자에게 요청하여, 사용자로부터 새로 입력받은 설정값을 제1 모니터링 대상 서버(110)로 전송할 수 있다.

S305 단계에서 제1 애플리케이션이 정상적으로 구동되고 있는 것으로 확인되면, S306 단계에서, 중앙 서버(200)는 제1 모니터링 대상 서버(110)로부터 제1 애플리케이션에 대한 모니터링 정보를 수신할 수 있다.

S307 단계에서, 중앙 서버(200)는 제1 애플리케이션에 대한 모니터링 정보를 제2 인공 신경망에 적용할 수 있다.

일실시예에 따르면, 제2 인공 신경망은 애플리케이션에 대한 모니터링 정보를 입력 받은 후, 애플리케이션의 정상 작동 여부에 대한 검출 결과를 출력하는 알고리즘일 수 있다. 제2 인공 신경망에 대한 자세한 설명은 도 5를 참조하여 후술하기로 한다.

S308 단계에서, 중앙 서버(200)는 제2 인공 신경망의 출력을 기초로, 제1 애플리케이션에 대한 정상 작동 여부를 검출할 수 있다.

예를 들어, 중앙 서버(200)는 제1 애플리케이션에 대한 모니터링 정보를 제1 인공 신경망에 적용하여, 제1 인공 신경망의 출력을 확인한 결과, 출력값이 “0”으로 확인되면, 제1 애플리케이션이 정상 작동하는 것으로 검출하고, 출력값이 “1”로 확인되면, 제1 애플리케이션이 비정상 작동하는 것으로 검출할 수 있다.

제2 인공 신경망은 애플리케이션에 대한 모니터링 정보를 통해, 애플리케이션이 정상으로 작동하는지 분석하도록 학습될 수 있다. 제2 인공 신경망은 도 8을 참조하여 후술되는 방법을 통해 학습될 수 있다.

도 4는 일실시예에 따른 제1 인공 신경망을 통해 모니터링 대상 애플리케이션을 분류하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 모니터링 대상 서버(110)에서 사용 중인 애플리케이션에 대한 사용 정보를 기초로, 제1 입력 신호를 생성할 수 있다.

예를 들어, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 모니터링 대상 서버(110)에서 제1 애플리케이션이 사용 중인 경우, 제1 애플리케이션에 대한 사용 정보를 기초로, 제1 입력 신호를 생성할 수 있다. 이때, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션에 대한 사용 정보를 기초로, 제1 애플리케이션의 프로세스 명칭, 리소스 사용량 및 네트워크 포트의 접속량에 대한 정보를 확인하여, 제1 입력 신호를 생성할 수 있다.

S402 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 입력 신호를 제1 인공 신경망에 입력할 수 있다.

일실시예에 따르면, 제1 인공 신경망은 애플리케이션의 프로세스 명칭, 리소스 사용량 및 네트워크 포트의 접속량에 대한 정보를 포함하는 애플리케이션에 대한 사용 정보를 입력으로 받아, 애플리케이션의 프로그램 유형, 버전, 벤더 명칭 및 설정 파일의 위치에 대한 정보를 출력하는 알고리즘일 수 있다.

S403 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 입력 신호의 입력에 대한 결과에 기초하여, 제1 인공 신경망으로부터 제1 출력 신호를 획득할 수 있다.

S404 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 출력 신호를 기초로, 제1 애플리케이션을 모니터링 대상 애플리케이션 또는 미대상 애플리케이션으로 분류할 수 있다. 이때, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 출력 신호를 기초로, 제1 애플리케이션의 프로그램 유형, 버전, 벤더 명칭 및 설정 파일의 위치를 확인할 수 있으며, 이를 통해, 제1 애플리케이션이 모니터링 대상 애플리케이션인지 또는 미대상 애플리케이션인지 분류할 수 있다.

S405 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션이 모니터링 대상 애플리케이션으로 분류되었는지 여부를 확인할 수 있다.

S405 단계에서 제1 애플리케이션이 모니터링 대상 애플리케이션으로 분류되지 않은 것으로 확인되면, S410 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션을 모니터링 미대상 애플리케이션으로 최종 분류할 수 있다.

S405 단계에서 제1 애플리케이션이 모니터링 대상 애플리케이션으로 분류된 것이 확인되면, S406 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 모니터링 대상 서버(110)의 운영체제를 확인할 수 있다.

S407 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 모니터링 대상 서버(110)의 운영체제에 설정된 디폴트 프로그램 리스트를 확인할 수 있다.

S408 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 디폴트 프로그램 리스트에 제1 애플리케이션이 포함되어 있는지 여부를 확인할 수 있다.

S408 단계에서 디폴트 프로그램 리스트에 제1 애플리케이션이 포함되어 있지 않은 것으로 확인되면, S409 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션을 모니터링 대상 애플리케이션으로 최종 분류할 수 있다.

S408 단계에서 디폴트 프로그램 리스트에 제1 애플리케이션이 포함되어 있는 것으로 확인되면, S410 단계에서, 제1 모니터링 대상 서버(110)에 설치된 에이전트는 제1 애플리케이션을 모니터링 미대상 애플리케이션으로 최종 분류할 수 있다. 즉, 제1 모니터링 대상 서버(110)의 운영체제 별로 설정되어 있는 디폴트 프로그램은 모니터링 대상 애플리케이션에서 배제시키기 위해, 상술한 바와 같이, 예외 처리를 수행할 수 있다.

도 5는 일실시예에 따른 제2 인공 신경망을 통해 애플리케이션의 정상 작동 여부를 검출하는 과정을 설명하기 위한 순서도이다.

도 5를 참조하면, 먼저, S501 단계에서, 중앙 서버(200)는 제1 모니터링 대상 서버(110)로부터 제1 애플리케이션에 대한 모니터링 정보를 수신할 수 있다.

S502 단계에서, 중앙 서버(200)는 제1 애플리케이션에 대한 모니터링 정보를 기초로, 제2 입력 신호를 생성할 수 있다. 이때, 중앙 서버(200)는 제1 애플리케이션에 대한 모니터링 정보를 기초로, 상기 제1 애플리케이션의 프로세스 명칭, 리소스 사용량 및 네트워크 포트의 접속량에 대한 정보를 확인하여, 제2 입력 신호를 생성할 수 있다.

S503 단계에서, 중앙 서버(200)는 제2 입력 신호를 제2 인공 신경망에 입력할 수 있다.

일실시예에 따르면, 제2 인공 신경망은 애플리케이션에 대한 모니터링 정보를 입력으로 받아, 애플리케이션의 정상 작동 여부(정상 또는 비정상), 공격을 받고 있는 상태인지 여부(공격 또는 아님), 과부하 상태인지 여부(과부하 또는 아님) 등에 대한 정보를 출력하는 알고리즘일 수 있다.

S504 단계에서, 중앙 서버(200)는 제2 입력 신호의 입력에 대한 결과에 기초하여, 제2 인공 신경망으로부터 제2 출력 신호를 획득할 수 있다.

S505 단계에서, 중앙 서버(200)는 제2 출력 신호를 기초로, 제1 애플리케이션의 정상 작동 여부를 검출할 수 있다. 이때, 중앙 서버(200)는 제2 출력 신호를 기초로, 제1 애플리케이션의 정상 작동 여부 뿐만 아니라, 공격을 받고 있는 상태인지 여부와 과부하 상태인지 여부까지 검출할 수도 있다.

S506 단계에서, 중앙 서버(200)는 제1 애플리케이션의 정상 작동 여부에 대한 검출 결과를 통해, 제1 애플리케이션이 정상으로 작동하고 있는지 여부를 확인할 수 있다.

S506 단계에서 제1 애플리케이션이 정상 작동 여부가 정상으로 검출되면, S501 단계로 되돌아가, 중앙 서버(200)는 제1 모니터링 대상 서버(110)로부터 제1 애플리케이션에 대한 모니터링 정보를 다시 수신할 수 있다.

S506 단계에서 제1 애플리케이션의 정상 작동 여부가 비정상으로 검출되면, S507 단계에서, 중앙 서버(200)는 제1 애플리케이션의 리소스 사용량 및 네트워크 포트의 접속량을 기초로, 제1 애플리케이션의 통계 데이터를 생성할 수 있다. 이때, 중앙 서버(200)는 제1 애플리케이션의 리소스 사용량 및 네트워크 포트의 접속량을 합산한 값으로, 통계량을 산출할 수 있으며, 통계량에 대한 정보를 통계 데이터로 생성할 수 있다.

이하에서는 통계 데이터를 가지고 임계치 초과 여부를 판단하여, 공격을 받고 있는 상태인지와 과부하 상태인지에 대한 결과를 도출하는 과정을 설명하기로 한다.

S508 단계에서, 중앙 서버(200)는 통계 데이터를 통해 확인된 제1 애플리케이션의 통계량이 제1 기준치 보다 작은지 여부를 확인할 수 있다. 여기서, 제1 기준치는 실시예에 따라 상이하게 설정될 수 있다.

S508 단계에서 제1 애플리케이션이 통계량이 제1 기준치 보다 작은 것으로 확인되면, S510 단계에서, 중앙 서버(200)는 제1 모니터링 대상 서버(110)의 상태를 일시적인 장애가 있는 상태로 판단할 수 있다.

S508 단계에서 제1 애플리케이션이 통계량이 제1 기준치 보다 큰 것으로 확인되면, S509 단계에서, 중앙 서버(200)는 통계 데이터를 통해 확인된 제1 애플리케이션의 통계량이 제2 기준치 보다 작은지 여부를 확인할 수 있다. 여기서, 제2 기준치는 제1 기준치 보다 큰 값으로 설정될 수 있다.

S509 단계에서 제1 애플리케이션이 통계량이 제2 기준치 보다 작은 것으로 확인되면, S511 단계에서, 중앙 서버(200)는 제1 모니터링 대상 서버(110)의 상태를 과부하 상태로 판단할 수 있다.

S509 단계에서 제1 애플리케이션이 통계량이 제2 기준치 보다 큰 것으로 확인되면, S512 단계에서, 중앙 서버(200)는 제1 모니터링 대상 서버(110)의 상태를 공격을 받고 있는 상태로 판단할 수 있다.

도 6은 일실시예에 따른 모니터링 대상 서버 메모리의 잔여 공간에 따라 애플리케이션을 설치하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 중앙 서버(200)는 제1 모니터링 대상 서버(110)에 설치되어 있는 애플리케이션들을 제1 그룹으로 분류할 수 있다.

S602 단계에서, 중앙 서버(200)는 제1 모니터링 대상 서버(110)의 운영체제가 다른 환경으로 전환되면, 예를 들어, 제1 운영체제의 환경에서 제2 운영체제의 환경으로 전환되면, 제1 모니터링 대상 서버(110)의 메모리에서 사용 가능한 공간인 잔여 공간을 확인할 수 있다. 이때, 제1 모니터링 대상 서버(110)는 제1 운영체제의 환경에서 제2 운영체제의 환경으로 전환됨에 따라, 제1 운영체제의 환경에서 사용했던 애플리케이션들이 전부 삭제되고, 제2 운영체제를 운영하는데 필요한 필수적인 프로그램들만 설치되어 있는 상태이다.

S603 단계에서, 중앙 서버(200)는 S602 단계에서 확인된 잔여 공간이 제1 기준 용량 보다 큰지 여부를 확인할 수 있다. 여기서, 제1 기준 용량은 실시예에 따라 상이하게 설정될 수 있다.

S603 단계에서 잔여 공간이 제1 기준 용량 보다 큰 것으로 확인되면, S604 단계에서, 중앙 서버(200)는 제1 그룹으로 분류된 애플리케이션들이 제1 모니터링 대상 서버(110)에 전부 설치되도록 제어할 수 있다.

예를 들어, 제1 애플리케이션, 제2 애플리케이션 및 제3 애플리케이션이 제1 그룹으로 분류되어 있는 경우, 중앙 서버(200)는 잔여 공간이 제1 기준 용량 보다 큰 것으로 확인되면, 제1 애플리케이션, 제2 애플리케이션 및 제3 애플리케이션이 제1 모니터링 대상 서버(110)에 설치되도록 제어할 수 있다.

S603 단계에서 잔여 공간이 제1 기준 용량 보다 작은 것으로 확인되면, S604 단계에서, 중앙 서버(200)는 S602 단계에서 확인된 잔여 공간이 제2 기준 용량 보다 큰지 여부를 확인할 수 있다. 여기서, 제2 기준 용량은 제1 기준 용량 보다 작은 값으로 설정될 수 있다.

S604 단계에서 잔여 공간이 제2 기준 용량 보다 큰 것으로 확인되면, S606 단계에서, 중앙 서버(200)는 제1 그룹으로 분류된 애플리케이션들 중 기준 기간 동안 제1 모니터링 대상 서버(110)에서 실행된 애플리케이션만 제1 모니터링 대상 서버(110)에 설치되도록 제어할 수 있다. 여기서, 기준 기간은 실시예에 따라 상이하게 설정될 수 있다.

예를 들어, 제1 애플리케이션, 제2 애플리케이션 및 제3 애플리케이션이 제1 그룹으로 분류되어 있고, 기준 기간은 일주일로 설정되어 있고, 제1 애플리케이션의 최근 실행일은 3일 전이고, 제2 애플리케이션의 최근 실행일은 5일 전이고, 제3 애플리케이션의 최근 실행일은 10일 전인 경우, 중앙 서버(200)는 잔여 공간이 제1 기준 용량 보다 작지만 제2 기준 용량 보다 큰 것으로 확인되면, 최근 실행일이 일주일 이내인 제1 애플리케이션 및 제2 애플리케이션만 제1 모니터링 대상 서버(110)에 설치되도록 제어하고, 최근 실행일이 일주일이 지난 제3 애플리케이션이 제1 모니터링 대상 서버(110)에 설치되지 않도록 제어할 수 있다.

S604 단계에서 잔여 공간이 제2 기준 용량 보다 작은 것으로 확인되면, S607 단계에서, 중앙 서버(200)는 제1 그룹으로 분류된 애플리케이션들 중 기준 기간 동안 제1 모니터링 대상 서버(110)에서 기준 횟수 이상으로 실행된 애플리케이션만 제1 모니터링 대상 서버(110)에 설치되도록 제어할 수 있다. 여기서, 기준 기간 및 기준 횟수는 실시예에 따라 상이하게 설정될 수 있다.

예를 들어, 제1 애플리케이션, 제2 애플리케이션 및 제3 애플리케이션이 제1 그룹으로 분류되어 있고, 기준 기간은 일주일로 설정되어 있고, 기준 횟수는 5회로 설정되어 있고, 일주일 동안 제1 애플리케이션의 실행 횟수는 10회이고, 일주일 동안 제2 애플리케이션의 실행 횟수는 6회이고, 일주일 동안 제3 애플리케이션의 실행 횟수는 3회인 경우, 중앙 서버(200)는 잔여 공간이 제2 기준 용량 보다 작은 것으로 확인되면, 일주일 동안 5회 이상으로 실행된 제1 애플리케이션 및 제2 애플리케이션만 제1 모니터링 대상 서버(110)에 설치되도록 제어하고, 일주일 동안 5회 미만으로 실행된 제3 애플리케이션이 제1 모니터링 대상 서버(110)에 설치되지 않도록 제어할 수 있다.

도 7은 일실시예에 따른 제1 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제1 인공 신경망은 애플리케이션에 대한 사용 정보를 입력 받은 후, 모니터링 대상 애플리케이션에 대한 분류 결과를 출력하는 알고리즘일 수 있다. 제1 인공 신경망의 학습이 이루어지는 장치는 학습된 제1 인공 신경망을 이용하여 모니터링 대상 애플리케이션인지 분석하는 제1 모니터링 대상 서버(110)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제1 인공 신경망이 학습되는 과정을 설명한다.

먼저, S701 단계에서, 제1 모니터링 대상 서버(110)는 애플리케이션에 대한 사용 정보를 기초로 입력을 생성할 수 있다.

구체적으로, 제1 모니터링 대상 서버(110)는 애플리케이션에 대한 사용 정보를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 애플리케이션에 대한 사용 정보를 제1 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S702 단계에서, 제1 모니터링 대상 서버(110)는 제1 인공 신경망에 입력을 적용할 수 있다. 제1 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제1 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제1 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 애플리케이션에 대한 사용 정보를 통해 확인된 리소스 사용량 및 네트워크 포트의 접속량이 많은 경우, 애플리케이션을 모니터링 대상 애플리케이션으로 분류하면 보상값이 높아질 수 있으며, 제2 보상은 애플리케이션에 대한 사용 정보를 통해 확인된 리소스 사용량 및 네트워크 포트의 접속량이 적은 경우, 애플리케이션을 모니터링 미대상 애플리케이션으로 분류하면 보상값이 높아질 수 있다.

S703 단계에서, 제1 모니터링 대상 서버(110)는 제1 인공 신경망으로부터 출력을 획득할 수 있다. 제1 인공 신경망의 출력은 모니터링 대상 애플리케이션인지 여부에 대한 분류 결과이다.

제1 인공 신경망은 애플리케이션에 대한 사용 정보를 통해, 애플리케이션에 대한 모니터링이 필요한 것인지 분석하여, 모니터링 대상 애플리케이션인지 여부에 대한 분류 결과를 출력할 수 있다.

S704 단계에서, 제1 모니터링 대상 서버(110)는 제1 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.

구체적으로, 제1 모니터링 대상 서버(110)는 애플리케이션에 대한 사용 정보를 통해 확인된 리소스 사용량 및 네트워크 포트의 접속량이 많은 경우, 애플리케이션을 모니터링 대상 애플리케이션으로 분류하면 제1 보상을 많이 수여하고, 애플리케이션에 대한 사용 정보를 통해 확인된 리소스 사용량 및 네트워크 포트의 접속량이 적은 경우, 애플리케이션을 모니터링 미대상 애플리케이션으로 분류하면 제2 보상을 많이 수여할 수 있다.

S705 단계에서, 제1 모니터링 대상 서버(110)는 평가를 기초로 제1 인공 신경망을 갱신할 수 있다.

구체적으로, 제1 모니터링 대상 서버(110)는 제1 인공 신경망이 애플리케이션에 대한 사용 정보를 통해 모니터링 대상 애플리케이션인지 여부를 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제1 인공 신경망을 갱신할 수 있다.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.

제1 모니터링 대상 서버(110)는 상기와 같은 제1 인공 신경망의 학습 과정을 반복함으로써, 제1 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 제1 모니터링 대상 서버(110)는 애플리케이션에 대한 사용 정보를 통해, 모니터링 대상 애플리케이션인지에 대한 분류 결과를 출력하는 제1 인공 신경망을 학습시킬 수 있다.

즉, 제1 모니터링 대상 서버(110)는 애플리케이션에 대한 사용 정보를 통해 모니터링 대상 애플리케이션인지에 대해 분석할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공 신경망을 학습시킬 수 있다.

도 8은 일실시예에 따른 제2 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 제2 인공 신경망은 애플리케이션에 대한 모니터링 정보를 입력 받은 후, 애플리케이션의 정상 작동 여부에 대한 검출 결과를 출력하는 알고리즘일 수 있다. 제2 인공 신경망의 학습이 이루어지는 장치는 학습된 제2 인공 신경망을 이용하여 애플리케이션의 정상 작동 여부를 분석하는 중앙 서버(200)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 제2 인공 신경망이 학습되는 과정을 설명한다.

먼저, S801 단계에서, 중앙 서버(200)는 애플리케이션에 대한 모니터링 정보를 기초로 입력을 생성할 수 있다.

구체적으로, 중앙 서버(200)는 애플리케이션에 대한 모니터링 정보를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 애플리케이션에 대한 모니터링 정보를 제2 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.

S802 단계에서, 중앙 서버(200)는 제2 인공 신경망에 입력을 적용할 수 있다. 제2 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 제2 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.

강화 학습에 따라 학습되는 제2 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 보상은 애플리케이션에 대한 모니터링 정보를 통해 확인된 리소스 사용량 및 네트워크 포트의 접속량이 기준 범위 내에 있을수록 애플리케이션의 정상 작동 여부를 정상으로 검출하면 보상값이 높아질 수 있으며, 제2 보상은 애플리케이션에 대한 모니터링 정보를 통해 확인된 리소스 사용량 및 네트워크 포트의 접속량이 기준 범위를 벗어날수록 애플리케이션의 정상 작동 여부를 비정상으로 검출하면 보상값이 높아질 수 있다.

S803 단계에서, 중앙 서버(200)는 제2 인공 신경망으로부터 출력을 획득할 수 있다. 제2 인공 신경망의 출력은 애플리케이션의 정상 작동 여부에 대한 검출 결과이다.

제2 인공 신경망은 애플리케이션에 대한 모니터링 정보를 통해, 애플리케이션이 정상으로 작동하고 있는지 분석하여, 애플리케이션의 정상 작동 여부에 대한 검출 결과를 출력할 수 있다.

S804 단계에서, 중앙 서버(200)는 제2 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다. 이때, 출력의 평가는 제1 보상, 제2 보상 등으로 나뉠 수 있다.

구체적으로, 중앙 서버(200)는 애플리케이션에 대한 모니터링 정보를 통해 확인된 리소스 사용량 및 네트워크 포트의 접속량이 기준 범위 내에 있을수록 애플리케이션의 정상 작동 여부를 정상으로 검출하면 제1 보상을 많이 수여하고, 애플리케이션에 대한 모니터링 정보를 통해 확인된 리소스 사용량 및 네트워크 포트의 접속량이 기준 범위를 벗어날수록 애플리케이션의 정상 작동 여부를 비정상으로 검출하면 제2 보상을 많이 수여할 수 있다.

S805 단계에서, 중앙 서버(200)는 평가를 기초로 제2 인공 신경망을 갱신할 수 있다.

구체적으로, 중앙 서버(200)는 제2 인공 신경망이 애플리케이션에 대한 모니터링 정보를 통해 애플리케이션의 정상 작동 여부를 분석하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 제2 인공 신경망을 갱신할 수 있다.

중앙 서버(200)는 상기와 같은 제2 인공 신경망의 학습 과정을 반복함으로써, 제2 인공 신경망을 점진적으로 갱신시킬 수 있다. 이를 통해, 중앙 서버(200)는 애플리케이션에 대한 모니터링 정보를 통해, 애플리케이션의 정상 작동 여부에 대한 검출 결과를 출력하는 제2 인공 신경망을 학습시킬 수 있다.

즉, 중앙 서버(200)는 애플리케이션에 대한 모니터링 정보를 통해 애플리케이션의 정상 작동 여부에 대해 분석할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제2 인공 신경망을 학습시킬 수 있다.

일실시예에 따르면, 중앙 서버(200)는 제1 모니터링 대상 서버(110)의 메모리에 저장되어 있는 파일 중 통신 인프라의 설계가 필요한 제1 공간의 평면도를 획득할 수 있다. 이때, 제1 공간의 평면도는 사용자의 요청으로 제1 모니터링 대상 서버(110)의 메모리에 저장될 수 있다. 여기서, 제1 공간은 통신 인프라의 설계가 필요한 공간으로, 통신 인프라는 전산 장비, 통신 장비 등을 포함할 수 있으며, 전산 장비는 통신 기능을 갖춘 연산 장비로, 통신 장비를 통해 외부 기기와 통신을 수행하는 장비이고, 통신 장비는 전산 장비와 외부 기기 간에 유무선 통신을 통해 연결되도록 처리하는 장비이다.

중앙 서버(200)는 제1 공간에 전산 장비, 통신 장비 등을 실제로 배치하기 전에, 어떠한 방식으로 장비들을 제1 공간에 배치할 것인지에 대한 구조를 설계할 수 있으며, 설계된 구조에 따라 배치된 장비들의 위치를 표시하여, 사용자에게 장비 배치에 대해 추천하는 서비스를 제공할 수 있다.

일실시예에 따르면, 제1 공간의 평면도에는 제1 공간에 배치될 전산 장비들의 표시되어 있다. 예를 들어, 제1 공간은 제1 구역 및 제2 구역으로 구분되어 있고, 제1 구역에는 제1 전산 장비 및 제2 전산 장비의 위치가 표시되어 있고, 제3 구역에는 제3 전산 장비의 위치가 표시되어 있을 수 있다.

구체적으로, 중앙 서버(200)는 사용자 단말로 복수의 공간 리스트를 제공할 수 있으며, 복수의 공간 리스트에서 제1 공간이 선택되면, 제1 공간의 평면도가 사용자 단말의 화면에 디스플레이 되도록 처리할 수 있다. 이를 위해, 중앙 서버(200)는 복수의 공간 별로 각각의 평면도를 데이터베이스에 저장하여 관리할 수 있다.

이후, 중앙 서버(200)는 사용자 단말의 화면에 표시된 제1 공간의 평면도 상에서, 제1 공간에 배치될 전산 장비들의 위치가 각각 설정되면, 사용자 단말로부터 제1 공간에 배치될 전산 장비들이 표시되어 있는 제1 공간의 평면도를 획득할 수 있다.

중앙 서버(200)는 제1 공간에 배치될 전산 장비들이 제1 공간의 평면도에 표시되어 있는지 여부를 확인할 수 있다.

제1 공간의 평면도에 전산 장비들이 표시되어 있지 않은 것으로 확인되면, 중앙 서버(200)는 제1 공간에 배치될 전산 장비들의 위치 설정이 필요한 것을 알려주는 알림 메시지를 전송할 수 있으며, 중앙 서버(200)는 제1 공간의 평면도를 다시 수신할 수 있다.

제1 공간에 배치될 전산 장비들이 평면도에 표시되어 있는 것으로 확인되면, 중앙 서버(200)는 제1 공간의 평면도를 미리 학습된 인공 신경망에 적용할 수 있다.

일실시예에 따르면, 인공 신경망은 전산 장비들의 배치 위치가 표시되어 있는 평면도를 입력 받은 후, 전산 장비들의 배치 위치에 따라 통신 장비들의 배치 위치를 출력하는 알고리즘일 수 있다.

중앙 서버(200)는 인공 신경망의 출력을 기초로, 제1 공간에서 통신 장비들이 배치될 위치를 선정할 수 있다.

일실시예에 따르면, 인공 신경망은 제1 공간에 배치될 통신 장비들이 통신 배선 상에 위치되도록 배치하여, 통신 배선 상에 배치된 통신 장비들의 위치를 출력하도록 학습될 수 있다. 이를 위해, 인공 신경망은 제1 공간의 평면도에 통신 배선이 표시되어 있는 경우, 통신 장비들이 통신 배선 상에 배치되도록 통신 장비들의 배치 위치를 출력할 수 있다.

또한, 인공 신경망은 제1 공간에 배치될 통신 장비들이 제1 공간의 구역 별로 위치하도록 배치하여, 구역 별로 배치된 통신 장비들의 위치를 출력하도록 학습될 수 있다. 이를 위해, 인공 신경망은 제1 공간이 복수의 구역으로 구분되어 있는 경우, 통신 장비들이 구역 별로 배치되도록 통신 장비들의 배치 위치를 출력할 수 있다.

또한, 인공 신경망은 제1 공간에 배치될 통신 장비들이 제1 공간에 배치될 전산 장비와 인접하게 위치하도록 배치하여, 전산 장비와 인접하게 배치된 통신 장비들의 위치를 출력하도록 학습될 수 있다. 이를 위해, 인공 신경망은 제1 공간의 평면도에 복수의 전산 장비들에 대한 위치가 표시되어 있는 경우, 통신 장비들이 전산 장비들과 인접하게 배치되도록 통신 장비들의 배치 위치를 출력할 수 있다.

또한, 인공 신경망은 제1 공간에 배치될 통신 장비들이 차지하는 면적과 사용자 동선이 차지하는 면적을 비교하여, 서로 중복되는 면적이 최소화되도록 배치하여, 통신 장비들과 사용자 동선이 중복되지 않도록 배치된 통신 장비들의 위치를 출력하도록 학습될 수 있다. 이를 위해, 인공 신경망은 제1 공간의 평면도에 사용자 동선이 표시되어 있는 경우, 통신 장비들이 사용자 동선과 겹치지 않도록 통신 장비들의 배치 위치를 출력할 수 있다.

중앙 서버(200)는 제1 공간에서 통신 장비들이 배치될 위치를 기초로, 평면도에 통신 장비들을 표시하여, 평면도를 수정할 수 있다.

제1 공간의 평면도에 제1 전산 장비, 제2 전산 장비 및 제3 전산 장비의 위치가 표시되어 있는 경우, 중앙 서버(200)는 제1 전산 장비, 제2 전산 장비 및 제3 전산 장비의 위치를 기초로, 제1 통신 장비 및 제2 통신 장비가 배치될 위치를 선정할 수 있으며, 제1 공간의 평면도에 제1 통신 장비 및 제2 통신 장비를 표시하여, 제1 공간의 평면도를 수정할 수 있다.

중앙 서버(200)는 수정된 평면도를 사용자 단말로 전송할 수 있다.

즉, 중앙 서버(200)는 전산 장비들의 위치만 표시되어 있는 제1 공간의 평면도를 사용자 단말로부터 수신한 후, 중앙 서버(200)는 통신 장비들의 위치를 추가로 표시하여 수정된 제1 공간의 평면도를 사용자 단말로 전송할 수 있다.

중앙 서버(200)는 사용자 단말로부터 수신된 제1 공간의 평면도를 확인한 결과, 제1 공간이 제1 구역 및 제2 구역으로 구분되어 있는 경우, 제1 공간의 평면도를 기초로, 제1 구역에 배치되어 있는 전산 장비들을 확인할 수 있다. 이때, 제1 구역에 배치되어 있는 전산 장비들은 사용자 선택으로 설정될 수 있다.

중앙 서버(200)는 제1 구역에 배치되어 있는 전산 장비들의 수를 제1 장비수로 산출할 수 있다.

중앙 서버(200)는 사용자 단말로부터 수신된 제1 공간의 평면도를 확인한 결과, 제1 공간이 제1 구역 및 제2 구역으로 구분되어 있는 경우, 제1 공간의 평면도를 기초로, 제2 구역에 배치되어 있는 전산 장비들을 확인할 수 있다. 이때, 제2 구역에 배치되어 있는 전산 장비들은 사용자 선택으로 설정될 수 있다.

중앙 서버(200)는 제2 구역에 배치되어 있는 전산 장비들의 수를 제2 장비수로 산출할 수 있다.

중앙 서버(200)는 제1 장비수 및 제2 장비수를 합산하여 제3 장비수를 산출할 수 있다. 즉 중앙 서버(200)는 제1 공간이 제1 구역 및 제2 구역으로 구분되어 있는 경우, 제1 공간에 배치되어 있는 전산 장비들의 수를 제3 장비수로 산출할 수 있다.

중앙 서버(200)는 제3 장비수가 기준값 보다 큰지 여부를 확인할 수 있다. 여기서, 기준값은 실시예에 따라 상이하게 설정될 수 있다.

제3 장비수가 기준값 보다 큰 것으로 확인되면, 중앙 서버(200)는 제1 공간에서 통신 장비들이 배치될 위치를 기초로, 제1 구역에 제1 통신 장비를 표시하고, 제2 구역에 제2 통신 장비들을 표시하여, 제1 공간의 평면도를 수정할 수 있다.

즉, 제3 장비수가 기준값 보다 큰 경우, 제1 공간의 평면도 상에서, 제1 구역에 제1 통신 장비가 표시되고, 제2 구역에 제2 통신 장비가 표시되어, 구역 별로 통신 장비들이 배치될 수 있다.

한편, 제3 장비수가 기준값 보다 작은 것으로 확인되면, 중앙 서버(200)는 제1 장비수가 제2 장비수 보다 큰지 여부를 확인할 수 있다.

제1 장비수가 제2 장비수 보다 큰 것으로 확인되면, 중앙 서버(200)는 제1 공간에서 통신 장비들이 배치될 위치를 기초로, 제1 구역에만 제1 통신 장비를 표시하고, 제2 구역에는 제2 통신 장비를 표시하지 않도록 하여, 제1 공간의 평면도를 수정할 수 있다.

제2 장비수가 제1 장비수 보다 큰 것으로 확인되면, 중앙 서버(200)는 제1 공간에서 통신 장비들이 배치될 위치를 기초로, 제2 구역에만 제2 통신 장비를 표시하고, 제1 구역에는 제1 통신 장비를 표시하지 않도록 하여, 제1 공간의 평면도를 수정할 수 있다.

즉, 제3 장비수가 기준값 보다 작은 경우, 제1 공간의 평면도 상에서, 제1 구역 및 제2 구역 중 어느 하나의 구역에만 통신 장비가 표시되어, 제1 공간에는 하나의 통신 장비만 배치될 수 있다.

도 9는 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(900)는 프로세서(901) 및 메모리(902)를 포함한다. 프로세서(901)는 도 1 내지 도 8을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 8을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 구체적으로, 장치(900)는 서버, 사용자 단말, 또는 인공 신경망 학습 장치 등일 수 있다. 장치(900)를 이용하는 자 또는 단체는 도 1 내지 도 8을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(902)는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(902)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(901)는 프로그램을 실행하고, 장치(900)를 제어할 수 있다. 프로세서(901)에 의하여 실행되는 프로그램의 코드는 메모리(902)에 저장될 수 있다. 장치(900)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(900)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(902)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(901)는 메모리(902)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(900)와 학습된 인공 신경망을 이용하는 장치(900)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

제1 모니터링 대상 서버에 설치된 에이전트에 의해 수행되는, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하는 방법에 있어서,
상기 제1 모니터링 대상 서버에서 사용 중인 애플리케이션에 대한 사용 정보를 상기 제1 모니터링 대상 서버 내의 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 모니터링이 필요한 모니터링 대상 애플리케이션을 분류하는 단계;
모니터링 대상 애플리케이션으로 제1 애플리케이션이 분류되면, 상기 제1 애플리케이션의 식별 정보를 추출하여, 상기 제1 모니터링 대상 서버와 연결된 중앙 서버로 전송하는 단계;
상기 중앙 서버를 통해, 상기 제1 모니터링 대상 서버의 사용 중인 애플리케이션으로 상기 제1 애플리케이션이 등록되어 있는 것으로 확인되면, 상기 중앙 서버로부터 상기 제1 애플리케이션에 대한 설정값을 수신하는 단계;
상기 제1 애플리케이션의 설정값을 이용하여, 상기 제1 애플리케이션의 설정 파일을 갱신하는 단계; 및
상기 제1 모니터링 대상 서버에서 상기 제1 애플리케이션이 정상적으로 구동되는 경우, 상기 제1 애플리케이션에 대한 모니터링 정보를 상기 중앙 서버로 전송하는 단계를 포함하는,
인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법.
중앙 서버에 의해 수행되는, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하는 방법에 있어서,
상기 중앙 서버와 연결된 복수의 모니터링 대상 서버 중 어느 하나인 제1 모니터링 대상 서버를 통해, 모니터링이 필요한 모니터링 대상 애플리케이션으로 제1 애플리케이션이 분류되면, 상기 제1 모니터링 대상 서버로부터 상기 제1 애플리케이션에 대한 식별 정보를 수신하는 단계;
상기 제1 애플리케이션의 식별 정보를 이용하여, 상기 제1 모니터링 대상 서버의 사용 중인 애플리케이션 리스트에 상기 제1 애플리케이션이 등록되어 있는지 여부를 확인하는 단계;
상기 애플리케이션 리스트에 상기 제1 애플리케이션이 등록되어 있는 것으로 확인되면, 상기 제1 애플리케이션에 대한 설정값을 추출하여, 상기 제1 모니터링 대상 서버로 전송하는 단계;
상기 제1 애플리케이션의 설정값을 이용하여 상기 제1 애플리케이션의 설정 파일이 갱신된 후, 상기 제1 모니터링 대상 서버에서 상기 제1 애플리케이션이 정상적으로 구동되는 경우, 상기 제1 모니터링 대상 서버로부터 상기 제1 애플리케이션에 대한 모니터링 정보를 수신하는 단계; 및
상기 제1 애플리케이션에 대한 모니터링 정보를 상기 중앙 서버 내의 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 애플리케이션에 대한 정상 작동 여부를 검출하는 단계를 포함하는,
인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법.
중앙 서버 및 복수의 모니터링 대상 서버를 포함하는 시스템에 의해 수행되는, 인공지능 기반으로 모니터링 대상 서버의 애플리케이션을 자동으로 설정하고 모니터링을 수행하는 방법에 있어서,
상기 복수의 모니터링 대상 서버 중 어느 하나인 제1 모니터링 대상 서버가, 상기 제1 모니터링 대상 서버에서 사용 중인 애플리케이션에 대한 사용 정보를 상기 제1 모니터링 대상 서버 내의 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 모니터링이 필요한 모니터링 대상 애플리케이션을 분류하는 단계;
상기 제1 모니터링 대상 서버가, 모니터링 대상 애플리케이션으로 제1 애플리케이션이 분류되면, 상기 제1 애플리케이션의 식별 정보를 추출하여, 상기 중앙 서버로 전송하는 단계;
상기 중앙 서버가, 상기 제1 애플리케이션의 식별 정보를 기초로, 상기 제1 모니터링 대상 서버의 사용 중인 애플리케이션 리스트에 상기 제1 애플리케이션이 등록되어 있는지 여부를 확인하는 단계;
상기 중앙 서버가, 상기 애플리케이션 리스트에 상기 제1 애플리케이션이 등록되어 있는 것으로 확인되면, 상기 제1 애플리케이션에 대한 설정값을 추출하여, 상기 제1 모니터링 대상 서버로 전송하는 단계;
상기 제1 모니터링 대상 서버가, 상기 제1 애플리케이션의 설정값을 이용하여, 상기 제1 애플리케이션의 설정 파일을 갱신하는 단계;
상기 제1 모니터링 대상 서버가, 상기 제1 모니터링 대상 서버에서 상기 제1 애플리케이션이 정상적으로 구동되는 경우, 상기 제1 애플리케이션에 대한 모니터링 정보를 상기 중앙 서버로 전송하는 단계; 및
상기 중앙 서버가, 상기 제1 애플리케이션에 대한 모니터링 정보를 상기 중앙 서버 내의 제2 인공 신경망에 적용하여, 상기 제2 인공 신경망의 출력을 기초로, 상기 제1 애플리케이션에 대한 정상 작동 여부를 검출하는 단계를 포함하는,
인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법.
제1항 및 제3항 중 어느 한 항에 있어서,
상기 제1 인공 신경망의 출력을 기초로, 모니터링이 필요한 모니터링 대상 애플리케이션을 분류하는 단계는,
상기 제1 모니터링 대상 서버에서 사용 중인 애플리케이션에 대한 사용 정보를 기초로, 상기 제1 애플리케이션의 프로세스 명칭, 리소스 사용량 및 네트워크 포트의 접속량에 대한 정보를 확인하여, 제1 입력 신호를 생성하는 단계;
상기 제1 입력 신호를 상기 제1 인공 신경망에 입력하고, 상기 제1 입력 신호의 입력에 대한 결과에 기초하여, 제1 출력 신호를 획득하는 단계;
상기 제1 출력 신호를 기초로, 상기 제1 애플리케이션의 프로그램 유형, 버전, 벤더 명칭 및 설정 파일의 위치를 확인하여, 상기 제1 애플리케이션을 모니터링 대상 애플리케이션 또는 모니터링 미대상 애플리케이션으로 분류하는 단계; 및
상기 제1 애플리케이션이 모니터링 대상 애플리케이션으로 분류된 경우, 상기 제1 모니터링 대상 서버의 운영체제를 확인하고, 상기 제1 모니터링 대상 서버의 운영체제에 설정된 디폴트 프로그램 리스트에 상기 제1 애플리케이션이 포함되어 있는 경우, 상기 제1 애플리케이션을 모니터링 미대상 애플리케이션으로 최종 분류하는 단계를 포함하는,
인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법.
제2항 및 제3항 중 어느 한 항에 있어서,
상기 제2 인공 신경망의 출력을 기초로, 상기 제1 애플리케이션에 대한 정상 작동 여부를 검출하는 단계는,
상기 제1 애플리케이션에 대한 모니터링 정보를 기초로, 상기 제1 애플리케이션의 프로세스 명칭, 리소스 사용량 및 네트워크 포트의 접속량에 대한 정보를 확인하여, 제2 입력 신호를 생성하는 단계;
상기 제2 입력 신호를 상기 제2 인공 신경망에 입력하고, 상기 제2 입력 신호의 입력에 대한 결과에 기초하여, 제2 출력 신호를 획득하는 단계;
상기 제2 출력 신호를 기초로, 상기 제1 애플리케이션의 정상 작동 여부를 검출하는 단계;
상기 제1 애플리케이션의 정상 작동 여부가 비정상으로 검출되면, 상기 제1 애플리케이션의 리소스 사용량 및 네트워크 포트의 접속량을 기초로, 상기 제1 애플리케이션의 통계 데이터를 생성하는 단계;
상기 통계 데이터를 통해 확인된 상기 제1 애플리케이션의 통계량이 미리 설정된 제1 기준치 보다 작은지 여부를 확인하는 단계;
상기 제1 애플리케이션의 통계량이 상기 제1 기준치 보다 작은 것으로 확인되면, 상기 제1 모니터링 대상 서버의 상태를 일시적인 장애가 있는 상태로 판단하는 단계;
상기 제1 애플리케이션의 통계량이 상기 제1 기준치 보다 큰 것으로 확인되면, 상기 통계량이 미리 설정된 제2 기준치 보다 작은지 여부를 확인하는 단계;
상기 제1 애플리케이션의 통계량이 상기 제2 기준치 보다 작은 것으로 확인되면, 상기 제1 모니터링 대상 서버의 상태를 과부하 상태로 판단하는 단계; 및
상기 제1 애플리케이션의 통계량이 상기 제2 기준치 보다 큰 것으로 확인되면, 상기 제1 모니터링 대상 서버의 상태를 공격을 받고 있는 상태로 판단하는 단계를 포함하는,
인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법.