KR102391510B1

KR102391510B1 - 인공지능 기반 it 인프라 장비의 사전 장애 예측 방법, 장치 및 시스템

Info

Publication number: KR102391510B1
Application number: KR1020210156695A
Authority: KR
Inventors: 이승준
Original assignee: (주)테온
Priority date: 2021-11-15
Filing date: 2021-11-15
Publication date: 2022-04-27

Abstract

일실시예에 따르면, 장치에 의해 수행되는, 인공지능 기반 IT 인프라 장비의 사전 장애 예측 방법에 있어서, 제1 업체에 제1 전산 장비가 설치되어 있는 경우, 상기 제1 전산 장비의 상태를 확인하기 위해, 미리 정해진 기간 마다 상기 제1 전산 장비의 성능을 평가한 평가 정보를 획득하는 단계; 제1 시점에 상기 제1 전산 장비의 성능을 평가한 제1 평가 정보가 획득되면, 상기 제1 평가 정보를 기반으로, 상기 제1 시점에 대한 상기 제1 전산 장비의 성능을 나타내는 제1 성능 지표를 산출하는 단계; 상기 제1 시점 이후의 제2 시점에 상기 제1 전산 장비의 성능을 평가한 제2 평가 정보가 획득되면, 상기 제2 평가 정보를 기반으로, 상기 제2 시점에 대한 상기 제1 전산 장비의 성능을 나타내는 제2 성능 지표를 산출하는 단계; 상기 제1 성능 지표 및 상기 제2 성능 지표를 비교하여, 상기 제1 시점부터 상기 제2 시점까지 상기 제1 전산 장비에 대한 성능 변동 추세를 나타내는 제1 성능 변동 추세를 분석하는 단계; 및 상기 제1 성능 변동 추세에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 전산 장비에 장애가 발생할 수 있는 확률인 제1 확률값을 예측하는 단계를 포함하는, 인공지능 기반 IT 인프라 장비의 사전 장애 예측 방법이 제공된다.

Description

인공지능 기반 IT 인프라 장비의 사전 장애 예측 방법, 장치 및 시스템 {METHOD, DEVICE AND SYSTEM FOR PREDICTING FAILURE IN ADVANCE OF IT INFRASTRUCTURE EQUIPMENT BASED ON ARTIFICIAL INTELLIGENCE}

아래 실시예들은 인공지능을 기반으로 IT 인프라 장비의 장애를 사전에 예측하기 위한 기술에 관한 것이다.

스마트폰과 인터넷의 보급으로, 전통적인 유통기업이나 제조업들도 디지털 전환으로 새로운 성장 기회를 찾고 있다.

기업의 디지털 포메이션을 위한 첫걸음은 기업의 데이터를 생성하고 활용하며 안전하게 지키는 것이며, 이러한 데이터를 통해 서비스하거나 프로그램을 실행시키기 위한 역할을 하며, 기업의 동맥과 같은 것이 IT 인프라이다.

이러한 IT 인프라의 장애 발생은 민감한 상황이며, 장애 발생 후에 조치하기보다는 장애를 예측하여 사전에 조치할 수 있어야 한다.

종래의 장애를 예측하는 방법은 이전에 운영되었던 현황을 기준으로 시스템의 부하량을 측정하고, 이를 현재 동작시점에서의 부하량과 비교하여 예상되는 부하량보다 많을 경우 시스템에 장애가 발생한 것으로 예측하는 단편적인 방법이 이용되었다.

이에 따라, 기존의 장애 예측방법 보다 정확도를 개선하여, IT 인프라의 장애 발생을 사전에 예측할 수 있는 새로운 솔루션의 개발이 요구가 증대되고 있어, 이와 관련된 기술에 대한 연구가 요구된다.

한국등록특허 제10-2149930호 한국등록특허 제10-2068622호 한국등록특허 제10-1892516호 한국등록특허 제10-2063171호

일실시예에 따르면, 제1 업체에 제1 전산 장비가 설치되어 있는 경우, 제1 전산 장비의 상태를 확인하기 위해, 미리 정해진 기간 마다 제1 전산 장비의 성능을 평가한 평가 정보를 획득하고, 제1 시점에 제1 전산 장비의 성능을 평가한 제1 평가 정보가 획득되면, 제1 평가 정보를 기반으로, 제1 시점에 대한 제1 전산 장비의 성능을 나타내는 제1 성능 지표를 산출하고, 제1 시점 이후의 제2 시점에 제1 전산 장비의 성능을 평가한 제2 평가 정보가 획득되면, 제2 평가 정보를 기반으로, 제2 시점에 대한 제1 전산 장비의 성능을 나타내는 제2 성능 지표를 산출하고, 제1 성능 지표 및 제2 성능 지표를 비교하여, 제1 시점부터 제2 시점까지 제1 전산 장비에 대한 성능 변동 추세를 나타내는 제1 성능 변동 추세를 분석하고, 제1 성능 변동 추세에 대한 분석 결과를 제1 인공 신경망에 적용하여, 제1 인공 신경망의 출력을 기초로, 제1 전산 장비에 장애가 발생할 수 있는 확률인 제1 확률값을 예측하는, 인공지능 기반 IT 인프라 장비의 사전 장애 예측 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.

상기 인공지능 기반 IT 인프라 장비의 사전 장애 예측 방법은, 상기 제1 확률값이 미리 설정된 제1 기준값 보다 작은지 여부를 확인하는 단계; 상기 제1 확률값이 상기 제1 기준값 보다 작은 것으로 확인되면, 상기 제1 전산 장비에 이상 징후가 없는 것으로 판단하고, 상기 제1 전산 장비의 상태를 정상 상태로 분류하는 단계; 상기 제1 확률값이 상기 제1 기준값 보다 큰 것으로 확인되면, 상기 제1 전산 장비에 이상 징후가 있는 것으로 판단하는 단계; 상기 제1 전산 장비에 이상 징후가 있는 것으로 판단되면, 상기 제1 확률값이 미리 설정된 제2 기준값 보다 작은지 여부를 확인하는 단계; 상기 제1 확률값이 상기 제2 기준값 보다 작은 것으로 확인되면, 상기 제1 전산 장비의 상태를 주의 상태로 분류하는 단계; 상기 제1 확률값이 상기 제2 기준값 보다 큰 것으로 확인되면, 상기 제1 확률값이 미리 설정된 제3 기준값 보다 작은지 여부를 확인하는 단계; 상기 제1 확률값이 상기 제3 기준값 보다 작은 것으로 확인되면, 상기 제1 전산 장비의 상태를 경계 상태로 분류하는 단계; 및 상기 제1 확률값이 상기 제3 기준값 보다 큰 것으로 확인되면, 상기 제1 전산 장비의 상태를 심각 상태로 분류하는 단계를 더 포함할 수 있다.

상기 인공지능 기반 IT 인프라 장비의 사전 장애 예측 방법은, 상기 제1 전산 장비의 상태가 주의 상태로 분류되면, 상기 제1 업체의 직원인 제1 사용자를 확인하고, 상기 제1 전산 장비를 주의해서 사용해야 하는 것을 알려주는 알림 메시지를 제1 사용자 단말로 전송하는 단계; 상기 제1 전산 장비의 상태가 경계 상태로 분류되면, 상기 제1 전산 장비에 점검이 필요한 것을 알려주는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계; 상기 제1 사용자 단말로부터 상기 제1 전산 장비에 대한 점검 요청이 수신되면, 상기 제1 전산 장비를 원격으로 점검하기 위한 제1 엔지니어를 선정하고, 원격 점검을 요청하는 알림 메시지를 제1 엔지니어 단말로 전송하는 단계; 상기 제1 전산 장비의 상태가 심각 상태로 분류되면, 상기 제1 전산 장비에 수리가 필요한 것을 알려주는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계; 및 상기 제1 사용자 단말로부터 상기 제1 전산 장비에 대한 수리 요청이 수신되면, 상기 제1 전산 장비를 방문하여 수리하기 위한 제2 엔지니어를 선정하고, 방문 수리를 요청하는 알림 메시지를 제2 엔지니어 단말로 전송하는 단계를 더 포함할 수 있다.

일실시예에 따르면, 전산 장비에 발생할 것으로 예측되는 장애를 사전에 탐지하여, 실제로 장애가 발생하기 전에 이를 해결할 수 있는 사전 이상 징후 예측 서비스를 제공함으로써, 전산 장비를 안전하게 사용할 수 있게 관리하여, 전산 장비의 장애로 인한 사용 중단을 방지할 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 인공지능을 기반으로 IT 인프라 장비의 사전 장애를 예측하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 장애 발생 확률에 따라 전산 장비의 상태를 분류하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 전산 장비의 상태에 따라 대응 방안을 제공하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 제2 전산 장비의 확률값을 예측하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 복수의 전산 장비의 상태를 분류하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.
도 8은 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 통신망을 통해 서로 통신 가능한 복수의 전산 장비(100) 및 장치(200)를 포함할 수 있다.

먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.

복수의 전산 장비(100) 각각은 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 외부 서버와 연결되어 통신을 수행할 수 있는 다양한 형태의 장치로 구현될 수도 있다.

이하에서는 설명의 편의상 시스템에 포함된 복수의 전산 장비를 제1 전산 장비(110) 및 제2 전산 장비(120)로 한정하여 설명하지만, 이에 제한되지 않으며, 더 많은 전산 장비가 시스템에 포함될 수 있는 것은 물론이다.

장치(200)는 장치(200)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(200)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 장치(200)는 복수의 전산 장비(100)와 유무선으로 통신하도록 구성될 수 있다.

한편, 설명의 편의를 위해 도 1에서는 복수의 전산 장비 중 제1 전산 장비(110) 및 제2 전산 장비(120)만을 도시하였으나, 전산 장비들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(200)의 처리 용량이 허용하는 한, 전산 장비들의 수는 특별한 제한이 없다.

일실시예에 따르면, 시스템은 사전 장애 예측 시스템으로 구현될 수 있다. 예를 들어, 시스템은 인공지능을 통해 사전에 장애를 감지하고 예측할 수 있는 사전 장애 예측 시스템으로 구현될 수 있다.

즉, 시스템은 고객사에 설치되어 있는 전산 장비들에 장애가 실제로 발생하기 전에, 전산 장비에 발생할 것으로 예측되는 장애를 사전에 탐지하고, 실제로 장애가 발생하기 전에 이를 해결할 수 있는 서비스를 제공할 수 있다.

이를 통해, 시스템은 사전 이상 징후 예측 서비스를 제공함으로써, 전산 장비를 안전하게 사용할 수 있게 관리하여, 전산 장비의 장애로 인한 사용 중단을 방지할 수 있다.

도 2는 일실시예에 따른 인공지능을 기반으로 IT 인프라 장비의 사전 장애를 예측하는 과정을 설명하기 위한 순서도이다.

먼저, 제1 업체에 제1 전산 장비(110)가 설치되어 있는 경우, 장치(200)는 제1 전산 장비(110)의 상태를 확인하기 위해, 미리 정해진 기간 마다 제1 전산 장비(110)의 성능을 평가한 평가 정보를 획득할 수 있다. 여기서, 평가 정보는 전산 장비의 현재 성능을 평가한 정보로, 출력 속도, 주기억 장치의 액세스 시간, 데이터 전송 속도, 연산 속도 등을 종합적으로 평가한 결과를 포함할 수 있으며, 전산 장비의 작업 처리 능력에 대한 수치도 포함할 수 있다. 이를 위해, 제1 전산 장비(110)는 자체적으로 미리 정해진 기간 마다 자신의 성능을 평가하여 평가 정보를 생성할 수 있으며, 장치(200)는 제1 전산 장비(110)에서 평가 정보가 생성되면, 제1 전산 장비(110)로부터 평가 정보를 획득할 수 있다.

도 2를 참조하면, S201 단계에서, 장치(200)는 제1 시점에 제1 전산 장비(110)의 성능을 평가한 평가 정보를 제1 평가 정보로 획득할 수 있다. 즉, 제1 전산 장비(110)는 제1 시점에 자신의 성능을 평가한 제1 평가 정보를 생성할 수 있으며, 장치(200)는 제1 전산 장비(110)에서 제1 평가 정보가 생성되면, 제1 전산 장비(110)로부터 제1 평가 정보를 획득할 수 있다.

S202 단계에서, 장치(200)는 제1 평가 정보를 기반으로, 제1 시점에 대한 제1 전산 장비(110)의 성능을 나타내는 제1 성능 지표를 산출할 수 있다. 여기서, 제1 성능 지표는 제1 시점에 제1 전산 장비(110)의 성능이 어느 정도인지를 나타내는 수치이다.

구체적으로, 장치(200)는 제1 평가 정보를 통해, 제1 시점에 제1 전산 장비(110)의 출력 속도, 주기억 장치의 액세스 시간, 데이터 전송 속도 및 연산 속도를 확인하고, 출력 속도, 주기억 장치의 액세스 시간, 데이터 전송 속도 및 연산 속도에 대한 항목 별로 설정된 기준에 따라 점수를 부여한 후, 항목 별로 부여된 점수를 합산한 값으로 제1 성능 지표를 산출할 수 있다.

S203 단계에서, 장치(200)는 제2 시점에 제1 전산 장비(110)의 성능을 평가한 평가 정보를 제2 평가 정보로 획득할 수 있다. 여기서, 제2 시점은 제1 시점 이후의 시점이다. 즉, 제1 전산 장비(110)는 미리 정해진 기간 마다 자신의 성능을 평가하여 평가 정보를 생성하고 있으므로, 제1 시점에 자신의 성능을 평가한 제1 평가 정보를 생성한 후, 제1 시점으로부터 미리 정해진 기간이 지나면, 제2 시점에 자신의 성능을 평가한 제2 평가 정보를 생성할 수 있으며, 장치(200)는 제1 전산 장비(110)에서 제2 평가 정보가 생성되면, 제1 전산 장비(110)로부터 제2 평가 정보를 획득할 수 있다.

S204 단계에서, 장치(200)는 제2 평가 정보를 기반으로, 제2 시점에 대한 제1 전산 장비(110)의 성능을 나타내는 제2 성능 지표를 산출할 수 있다. 여기서, 제2 성능 지표는 제2 시점에 제1 전산 장비(110)의 성능이 어느 정도인지를 나타내는 수치이다.

구체적으로, 장치(200)는 제2 평가 정보를 통해, 제2 시점에 제1 전산 장비(110)의 출력 속도, 주기억 장치의 액세스 시간, 데이터 전송 속도 및 연산 속도를 확인하고, 출력 속도, 주기억 장치의 액세스 시간, 데이터 전송 속도 및 연산 속도에 대한 항목 별로 설정된 기준에 따라 점수를 부여한 후, 항목 별로 부여된 점수를 합산한 값으로 제2 성능 지표를 산출할 수 있다.

S205 단계에서, 장치(200)는 제1 성능 지표 및 제2 성능 지표를 비교하여, 제1 시점부터 제2 시점까지 제1 전산 장비(110)에 대한 성능 변동 추세를 나타내는 제1 성능 변동 추세를 분석할 수 있다.

구체적으로, 장치(200)는 제1 성능 지표 및 제2 성능 지표를 비교하여, 제1 전산 장비(110)의 성능이 증가 또는 감소되었는지 여부를 확인할 수 있으며, 이를 통해, 제1 전산 장비(110)의 성능이 제1 시점부터 제2 시점까지 얼마나 변동되었는지 추세를 나타내는 제1 성능 변동 추세를 분석할 수 있다.

예를 들어, 제1 성능 지표는 90으로 산출되어 있고, 제2 성능 지표는 85로 산출되어 있는 경우, 장치(200)는 제1 성능 지표 및 제2 성능 지표를 비교한 결과, 90에서 85로 성능 지표가 변경되었으므로, 제1 시점부터 제2 시점까지 제1 전산 장비(110)의 성능이 5만큼 감소된 것으로, 제1 성능 변동 추세를 분석할 수 있다.

S206 단계에서, 장치(200)는 제1 성능 변동 추세에 대한 분석 결과를 미리 학습된 제1 인공 신경망에 적용할 수 있다. 여기서, 제1 인공 신경망은 성능 변동 추세에 대한 분석 결과를 입력 받은 후, 전산 장비에 장애가 발생할 수 있는 확률을 출력하는 알고리즘일 수 있다. 예를 들어, 제1 성능 변동 추세에 대한 분석 결과가 5만큼 감소한 경우, 제1 인공 신경망은 -5를 입력으로 받아, 전산 장비에 장애가 발생할 수 있는 확률을 출력할 수 있다. 제1 인공 신경망은 도 7을 참조하여 후술되는 방법을 통해 학습될 수 있다.

S207 단계에서, 장치(200)는 제1 인공 신경망의 출력을 기초로, 제1 전산 장비(110)에 장애가 발생할 수 있는 확률인 제1 확률값을 예측할 수 있다.

일실시예에 따르면, 제1 인공 신경망은 성능 변동 추세에 대한 분석 결과를 통해, 전산 장비에 장애가 발생할 확률이 얼마나 되는지 분석하도록 학습될 수 있다. 이를 통해, 제1 인공 신경망은 전산 장비의 성능이 얼마나 변경되는지를 고려하여, 전산 장비에 장애가 발생할 확률이 얼마나 되는지 분석하여 출력할 수 있다.

도 3은 일실시예에 따른 장애 발생 확률에 따라 전산 장비의 상태를 분류하는 과정을 설명하기 위한 순서도이다.

도 3을 참조하면, 먼저, S301 단계에서, 장치(200)는 제1 인공 신경망의 출력을 기초로, 제1 전산 장비(110)에 장애가 발생할 수 있는 확률인 제1 확률값을 예측할 수 있다.

S302 단계에서, 장치(200)는 제1 확률값이 제1 기준값 보다 작은지 여부를 확인할 수 있다. 여기서, 제1 기준값은 실시예에 따라 상이하게 설정될 수 있다.

S302 단계에서 제1 확률값이 제1 기준값 보다 작은 것으로 확인되면, S303 단계에서, 장치(200)는 제1 전산 장비(110)에 이상 징후가 없는 것으로 판단할 수 있다.

제1 전산 장비(110)에 이상 징후가 없는 것으로 판단되면, S307 단계에서, 장치(200)는 제1 전산 장비(110)의 상태를 정상 상태로 분류할 수 있다.

S302 단계에서 제1 확률값이 제1 기준값 보다 큰 것으로 확인되면, S304 단계에서, 장치(200)는 제1 전산 장비(110)에 이상 징후가 있는 것으로 판단할 수 있다.

제1 전산 장비(110)에 이상 징후가 있는 것으로 판단되면, S305 단계에서, 장치(200)는 제1 확률값이 제2 기준값 보다 작은지 여부를 확인할 수 있다. 여기서, 제2 기준값은 제1 기준값 보다 큰 값으로 설정될 수 있다.

S305 단계에서 제1 확률값이 제2 기준값 보다 작은 것으로 확인되면, S308 단계에서, 장치(200)는 제1 전산 장비(110)의 상태를 주의 상태로 분류할 수 있다.

S305 단계에서 제1 확률값이 제2 기준값 보다 큰 것으로 확인되면, S306 단계에서, 제1 확률값이 제3 기준값 보다 작은지 여부를 확인할 수 있다. 여기서, 제3 기준값은 제2 기준값 보다 큰 값으로 설정될 수 있다.

S306 단계에서 제1 확률값이 제3 기준값 보다 작은 것으로 확인되면, S309 단계에서, 장치(200)는 제1 전산 장비(110)의 상태를 경계 상태로 분류할 수 있다.

S306 단계에서 제1 확률값이 제3 기준값 보다 큰 것으로 확인되면, S310 단계에서, 장치(200)는 제1 전산 장비(110)의 상태를 심각 상태로 분류할 수 있다.

도 4는 일실시예에 따른 전산 장비의 상태에 따라 대응 방안을 제공하는 과정을 설명하기 위한 순서도이다.

도 4를 참조하면, 먼저, S401 단계에서, 장치(200)는 미리 정해진 기간 마다 제1 전산 장비(110)의 성능을 평가한 평가 정보를 획득하면, 획득된 평가 정보를 기반으로, 제1 전산 장비(110)에 장애가 발생할 수 있는 확률인 제1 확률값을 예측할 수 있다.

예를 들어, 장치(200)는 제1 시점에 제1 전산 장비(110)의 성능을 평가한 제1 평가 정보를 획득하고, 미리 정해진 기간 이후, 제2 시점에 제1 전산 장비(110)의 성능을 평가한 제2 평가 정보를 획득할 수 있으며, 제1 평가 정보 및 제2 평가 정보를 기반으로, 제1 전산 장비(110)에 장애가 발생할 수 있는 확률인 제1 확률값을 예측할 수 있다.

S402 단계에서, 장치(200)는 제1 확률값을 이용하여 제1 전산 장비(110)의 상태를 분류할 수 있다. 이때, 장치(200)는 제1 전산 장비(110)의 상태를 정상, 주의, 경계 및 심각 중 어느 하나의 상태로 분류할 수 있다.

S403 단계에서, 장치(200)는 제1 전산 장비(110)의 상태가 정상 상태로 분류되었는지 여부를 확인할 수 있다.

S403 단계에서 제1 전산 장비(110)의 상태가 정상 상태로 분류된 것으로 확인되면, S401 단계로 되돌아가, 장치(200)는 제1 전산 장비(110)에 장애가 발생할 수 있는 확률인 제1 확률값을 다시 예측할 수 있다.

예를 들어, 장치(200)는 제1 시점에 제1 전산 장비(110)의 성능을 평가한 제1 평가 정보를 획득하고, 제1 시점으로부터 미리 정해진 기간 이후, 제2 시점에 제1 전산 장비(110)의 성능을 평가한 제2 평가 정보를 획득할 수 있으며, 제1 평가 정보 및 제2 평가 정보를 기반으로, 제1 시점부터 제2 시점까지 제1 전산 장비(110)에 장애가 발생할 수 있는 확률인 제1 확률값을 예측한 후, 제1 확률값을 이용하여 제1 전산 장비(110)의 상태를 분류한 결과, 제1 전산 장비(110)의 상태가 정상 상태로 분류된 경우, 제2 시점으로부터 미리 정해진 기간 이후, 제3 시점에 제1 전산 장비(110)의 성능을 평가한 제3 평가 정보를 획득할 수 있으며, 제2 평가 정보 및 제3 평가 정보를 기반으로, 제2 시점부터 제3 시점까지 제1 전산 장비(110)에 장애가 발생할 수 있는 확률인 제1 확률값을 예측할 수 있다.

S403 단계에서 제1 전산 장비(110)의 상태가 정상 상태로 분류되지 않은 것으로 확인되면, S404 단계에서, 장치(200)는 제1 전산 장비(110)의 상태가 주의 상태로 분류되었는지 여부를 확인할 수 있다.

S404 단계에서 제1 전산 장비(110)의 상태가 주의 상태로 분류된 것으로 확인되면, S406 단계에서, 장치(200)는 제1 전산 장비(110)를 주의해서 사용해야 하는 것을 알려주는 알림 메시지를 제1 사용자 단말로 전송할 수 있다.

일실시예에 따르면, 장치(200)는 알림 메시지를 제1 사용자 단말로 전송하기 위해, 제1 전산 장비(110)가 설치되어 있는 제1 업체를 확인하고, 제1 업체의 직원으로 등록되어 있는 제1 사용자와 제1 사용자의 연락처를 확인한 후, 제1 사용자의 연락처를 이용하여 알림 메시지를 제1 사용자 단말로 전송할 수 있다.

S406 단계 이후, S401 단계로 되돌아가, 장치(200)는 제1 전산 장비(110)에 장애가 발생할 수 있는 확률인 제1 확률값을 다시 예측할 수 있다.

S404 단계에서 제1 전산 장비(110)의 상태가 주의 상태로 분류되지 않은 것으로 확인되면, S405 단계에서, 장치(200)는 제1 전산 장비(110)의 상태가 경계 상태로 분류되었는지 여부를 확인할 수 있다.

S405 단계에서 제1 전산 장비(110)의 상태가 경계 상태로 분류된 것으로 확인되면, S407 단계에서, 장치(200)는 제1 전산 장비(110)에 점검이 필요한 것을 알려주는 알림 메시지를 제1 사용자 단말로 전송할 수 있다. 여기서, 점검은 원격으로 진행되는 점검을 의미할 수 있다.

S405 단계에서 제1 전산 장비(110)의 상태가 경계 상태로 분류되지 않은 것으로 확인되면, 제1 전산 장비(110)의 상태가 심각 상태로 분류된 것으로 확인될 수 있으며, 제1 전산 장비(110)의 상태가 심각 상태로 분류된 것으로 확인되면, S408 단계에서, 장치(200)는 제1 전산 장비(110)에 수리가 필요한 것을 알려주는 알림 메시지를 제1 사용자 단말로 전송할 수 있다. 여기서, 수리는 방문하여 진행되는 수리를 의미할 수 있다.

제1 전산 장비(110)에 점검이 필요한 것을 알려주는 알림 메시지를 제1 사용자 단말로 전송한 이후, S409 단계에서, 장치(200)는 제1 사용자 단말로부터 제1 전산 장비(110)에 대한 점검 요청을 수신할 수 있다.

제1 사용자 단말로부터 제1 전산 장비(110)에 대한 점검 요청이 수신되면, S411 단계에서, 장치(200)는 제1 전산 장비(110)를 원격으로 점검하기 위한 제1 엔지니어를 선정할 수 있다.

제1 엔지니어가 선정되면, S413 단계에서, 장치(200)는 원격 점검을 요청하는 알림 메시지를 제1 엔지니어 단말로 전송할 수 있다.

한편, 제1 전산 장비(110)에 수리가 필요한 것을 알려주는 알림 메시지를 제1 사용자 단말로 전송한 이후, S410 단계에서, 장치(200)는 제1 사용자 단말로부터 제1 전산 장비(110)에 대한 수리 요청을 수신할 수 있다.

제1 사용자 단말로부터 제1 전산 장비(110)에 대한 수리 요청이 수신되면, S412 단계에서, 장치(200)는 제1 전산 장비(110)를 방문하여 수리하기 위한 제2 엔지니어를 선정할 수 있다.

제2 엔지니어가 선정되면, S414 단계에서, 장치(200)는 방문 수리를 요청하는 알림 메시지를 제2 엔지니어 단말로 전송할 수 있다.

도 5는 일실시예에 따른 제2 전산 장비의 확률값을 예측하는 과정을 설명하기 위한 순서도이다.

먼저, 제1 업체에 제2 전산 장비(120)도 설치되어 있는 경우, 장치(200)는 제2 전산 장비(120)의 상태를 확인하기 위해, 미리 정해진 기간 마다 제2 전산 장비(120)의 성능을 평가한 평가 정보를 획득할 수 있다. 여기서, 제2 전산 장비(120)는 제1 전산 장비(110)와 연계하여 함께 사용되는 장비로, 제1 업체에는 제1 전산 장비(110)와 제2 전산 장비(120)가 같이 설치되어 있다.

도 5를 참조하면, S501 단계에서, 장치(200)는 제1 시점에 제2 전산 장비(120)의 성능을 평가한 평가 정보를 제3 평가 정보로 획득할 수 있다. 즉, 제2 전산 장비(120)는 제1 시점에 자신의 성능을 평가한 제3 평가 정보를 생성할 수 있으며, 장치(200)는 제2 전산 장비(120)에서 제3 평가 정보가 생성되면, 제2 전산 장비(120)로부터 제3 평가 정보를 획득할 수 있다.

S502 단계에서, 장치(200)는 제3 평가 정보를 기반으로, 제1 시점에 대한 제2 전산 장비(120)의 성능을 나타내는 제3 성능 지표를 산출할 수 있다. 여기서, 제3 성능 지표는 제1 시점에 제2 전산 장비(120)의 성능이 어느 정도인지를 나타내는 수치이다.

S503 단계에서, 장치(200)는 제2 시점에 제2 전산 장비(120)의 성능을 평가한 평가 정보를 제4 평가 정보로 획득할 수 있다. 즉, 제2 전산 장비(120)는 미리 정해진 기간 마다 자신의 성능을 평가하여 평가 정보를 생성하고 있으므로, 제1 시점에 자신의 성능을 평가한 제3 평가 정보를 생성한 후, 제1 시점으로부터 미리 정해진 기간이 지나면, 제2 시점에 자신의 성능을 평가한 제4 평가 정보를 생성할 수 있으며, 장치(200)는 제2 전산 장비(120)에서 제4 평가 정보가 생성되면, 제2 전산 장비(120)로부터 제4 평가 정보를 획득할 수 있다.

S504 단계에서, 장치(200)는 제4 평가 정보를 기반으로, 제2 시점에 대한 제2 전산 장비(120)의 성능을 나타내는 제4 성능 지표를 산출할 수 있다. 여기서, 제4 성능 지표는 제2 시점에 제2 전산 장비(120)의 성능이 어느 정도인지를 나타내는 수치이다.

S505 단계에서, 장치(200)는 제3 성능 지표 및 제4 성능 지표를 비교하여, 제1 시점부터 제2 시점까지 제2 전산 장비(120)에 대한 성능 변동 추세를 나타내는 제2 성능 변동 추세를 분석할 수 있다.

S506 단계에서, 장치(200)는 제2 성능 변동 추세에 대한 분석 결과를 미리 학습된 제1 인공 신경망에 적용할 수 있다.

S507 단계에서, 장치(200)는 제1 인공 신경망의 출력을 기초로, 제2 전산 장비(120)에 장애가 발생할 수 있는 확률인 제2 확률값을 예측할 수 있다.

도 6은 일실시예에 따른 복수의 전산 장비의 상태를 분류하는 과정을 설명하기 위한 순서도이다.

도 6을 참조하면, 먼저, S601 단계에서, 장치(200)는 제1 인공 신경망의 출력을 기초로, 제1 확률값 및 제2 확률값을 예측할 수 있다. 즉, 장치(200)는 제1 업체에 제1 전산 장비(110)와 제2 전산 장비(120)가 같이 설치되어 있는 경우, 제1 전산 장비(110)에 장애가 발생할 수 있는 확률인 제1 확률값과 제2 전산 장비(120)에 장애가 발생할 수 있는 확률인 제2 확률값을 각각 예측할 수 있다.

S602 단계에서, 장치(200)는 제1 확률값 및 제2 확률값의 평균값을 제3 확률값으로 산출할 수 있다.

S603 단계에서, 장치(200)는 제3 확률값이 제1 기준값 보다 작은지 여부를 확인할 수 있다.

S603 단계에서 제3 확률값이 제1 기준값 보다 작은 것으로 확인되면, S604 단계에서, 장치(200)는 제1 전산 장비(110) 및 제2 전산 장비(120)에 이상 징후가 없는 것으로 판단할 수 있다.

제1 전산 장비(110) 및 제2 전산 장비(120)에 이상 징후가 없는 것으로 판단되면, S608 단계에서, 장치(200)는 제1 전산 장비(110) 및 제2 전산 장비(120)의 상태를 정상 상태로 분류할 수 있다.

S603 단계에서 제3 확률값이 제1 기준값 보다 큰 것으로 확인되면, S605 단계에서, 장치(200)는 제1 전산 장비(110) 및 제2 전산 장비(120)에 이상 징후가 있는 것으로 판단할 수 있다.

제1 전산 장비(110) 및 제2 전산 장비(120)에 이상 징후가 있는 것으로 판단되면, S606 단계에서, 장치(200)는 제3 확률값이 제2 기준값 보다 작은지 여부를 확인할 수 있다.

S606 단계에서 제3 확률값이 제2 기준값 보다 작은 것으로 확인되면, S609 단계에서, 장치(200)는 제1 전산 장비(110) 및 제2 전산 장비(120)의 상태를 주의 상태로 분류할 수 있다.

S606 단계에서 제3 확률값이 제2 기준값 보다 큰 것으로 확인되면, S607 단계에서, 제3 확률값이 제3 기준값 보다 작은지 여부를 확인할 수 있다.

S607 단계에서 제3 확률값이 제3 기준값 보다 작은 것으로 확인되면, S610 단계에서, 장치(200)는 제1 전산 장비(110) 및 제2 전산 장비(120)의 상태를 경계 상태로 분류할 수 있다.

S607 단계에서 제3 확률값이 제3 기준값 보다 큰 것으로 확인되면, S611 단계에서, 장치(200)는 제1 전산 장비(110) 및 제2 전산 장비(120)의 상태를 심각 상태로 분류할 수 있다.

일실시예에 따르면, 장치(200)는 제1 사용자 단말로부터 통신 인프라의 설계가 필요한 제1 공간의 평면도를 수신할 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.

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

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

장치(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, 장치(200)는 제1 공간에 배치될 전산 장비들의 위치 설정이 필요한 것을 알려주는 알림 메시지를 전송할 수 있으며, 장치(200)는 제1 공간의 평면도를 다시 수신할 수 있다.

제1 공간에 배치될 전산 장비들이 평면도에 표시되어 있는 것으로 확인되면, 장치(200)는 제1 공간의 평면도를 미리 학습된 제2 인공 신경망에 적용할 수 있다.

일실시예에 따르면, 제2 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. 제2 인공 신경망은 도 7을 참조하여 후술되는 방법을 통해 학습될 수 있다.

장치(200)는 제2 인공 신경망의 출력을 기초로, 제1 공간에서 통신 장비들이 배치될 위치를 선정할 수 있다.

일실시예에 따르면, 제2 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, 제2 인공 신경망은 제1 공간의 평면도에 통신 배선이 표시되어 있는 경우, 통신 장비들이 통신 배선 상에 배치되도록 통신 장비들의 배치 위치를 출력할 수 있다.

또한, 제2 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, 제2 인공 신경망은 제1 공간이 복수의 구역으로 구분되어 있는 경우, 통신 장비들이 구역 별로 배치되도록 통신 장비들의 배치 위치를 출력할 수 있다.

또한, 제2 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, 제2 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, 제2 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, 제2 인공 신경망은 제1 공간의 평면도에 사용자 동선이 표시되어 있는 경우, 통신 장비들이 사용자 동선과 겹치지 않도록 통신 장비들의 배치 위치를 출력할 수 있다.

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

예를 들어, 제1 공간의 평면도에 제1 전산 장비, 제2 전산 장비 및 제3 전산 장비의 위치가 표시되어 있는 경우, 장치(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.

이후, 장치(200)는 수정된 평면도를 제1 사용자 단말로 전송할 수 있다.

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

일실시예에 따르면, 장치(200)는 제1 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.

이후, 장치(200)는 제1 구역에 배치되어 있는 전산 장비들의 수를 제1 장비수로 산출할 수 있다.

장치(200)는 제1 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.

이후, 장치(200)는 제2 구역에 배치되어 있는 전산 장비들의 수를 제2 장비수로 산출할 수 있다.

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

이후, 장치(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, 장치(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, 장치(200)는 제1 장비수가 제2 장비수 보다 큰지 여부를 확인할 수 있다.

제1 장비수가 제2 장비수 보다 큰 것으로 확인되면, 장치(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, 장치(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 7은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 도면이다.

일실시예에 따르면, 인공 신경망은 제1 인공 신경망 및 제2 인공 신경망 중 어느 하나일 수 있다. 여기서, 제1 인공 신경망은 성능 변동 추세에 대한 분석 결과를 입력 받은 후, 전산 장비에 장애가 발생할 수 있는 확률을 출력하는 알고리즘이고, 제2 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.

인공 신경망의 학습이 이루어지는 학습 장치는 인공지능 기반 IT 인프라 장비의 사전 장애 예측 방법을 제공하는 장치(200)와 동일한 장치일 수도 있고, 별개의 장치일 수도 있다. 이하에서는 인공 신경망이 학습되는 과정을 설명한다.

먼저, S701 단계에서, 장치(200)는 인공 신경망에 입력할 입력을 생성할 수 있다. 이때, 장치(200)는 제1 인공 신경망에 입력하기 위해, 전산 장비의 성능 변동 추세에 대한 분석 결과를 기초로 입력을 생성할 수 있고, 제2 인공 신경망에 입력하기 위해, 전산 장비들이 배치 위치가 표시되어 있는 공간의 평면도에 대한 데이터를 기초로 입력을 생성할 수 있다.

구체적으로, 장치(200)는 전산 장비의 성능 변동 추세에 대한 분석 결과에 대해 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 성능 변동 추세에 대한 분석 결과를 제1 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 제1 인공 신경망의 입력을 생성할 수 있다.

또한, 장치(200)는 평면도 데이터의 확장자 형식을 통일하고, 축적을 일치시키고, 해상도를 통일하고, 색상 정보에서 필요한 최소의 색상만을 남기는 등의 전처리를 수행하고, 전처리가 수행된 평면도 데이터를 제2 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 제2 인공 신경망의 입력을 생성할 수 있다.

S702 단계에서, 장치(200)는 인공 신경망에 입력을 적용할 수 있다. 이때, 장치(200)는 제1 인공 신경망의 입력을 생성한 경우, 제1 인공 신경망에 입력을 적용하고, 제2 인공 신경망의 입력을 생성한 경우, 제2 인공 신경망에 입력을 적용할 수 있다.

인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 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 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 제1 인공 신경망은 제1 보상 및 제2 보상을 통해 갱신 및 최적화되고, 제2 인공 신경망은 제3 보상, 제4 보상, 제5 보상 및 제6 보상을 통해 갱신 및 최적화될 수 있다.

예를 들어, 제1 보상은 전산 장비의 성능이 증가할수록 전산 장비에 장애가 발생할 수 있는 확률이 낮은 것으로 분석하면 보상값이 높아질 수 있으며, 제2 보상은 전산 장비의 성능이 감소할수록 전산 장비에 장애가 발생할 수 있는 확률이 높은 것으로 분석하면 보상값이 높아질 수 있다.

또한, 제3 보상은 제1 공간에 배치될 통신 장비들이 통신 배선 상에 위치할수록 높아질 수 있으며, 제4 보상은 제1 공간에 배치될 통신 장비들이 제1 공간의 구역 별로 위치할수록 높아질 수 있으며, 제5 보상은 제1 공간에 배치될 통신 장비들이 제1 공간에 배치될 전산 장비와 인접하게 위치할수록 높아질 수 있으며, 제6 보상은 제1 공간에 배치될 통신 장비들이 차지하는 면적과 사용자 동선이 차지하는 면적을 비교하여, 서로 중복되는 면적이 최소화될수록 높아질 수 있다.

S703 단계에서, 장치(200)는 인공 신경망으로부터 출력을 획득할 수 있다.

제1 인공 신경망의 출력은, 전산 장비에 장애가 발생할 수 있는 확률에 대한 정보일 수 있다. 이때, 제1 인공 신경망은 전산 장비의 성능 변동 추세에 대한 분석 결과를 통해 전산 장비에 장애가 발생할 수 있는 확률을 분석하여, 전산 장비의 장애 발생 확률에 대한 정보를 출력할 수 있다.

제2 인공 신경망의 출력은, 제1 공간에서 통신 장비들이 배치될 위치일 수 있다. 이때, 인공 신경망은 통신 장비들이 통신 배선 상에 위치하고, 통신 장비들이 구역 별로 위치하고, 통신 장비들이 전산 장비와 인접하게 위치하고, 통신 장비들이 차지하는 면적과 사용자 동선이 차지하는 면적이 겹치지 않도록 하여, 최적화된 통신 장비들의 배치 위치를 출력할 수 있다.

S704 단계에서, 장치(200)는 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다.

제1 인공 신경망의 출력에 대한 평가는 제1 보상 및 제2 보상으로 나뉠 수 있다. 장치(200)는 전산 장비의 성능이 증가할수록 전산 장비에 장애가 발생할 수 있는 확률이 낮은 것으로 분석하면 제1 보상을 많이 수여하고, 전산 장비의 성능이 감소할수록 전산 장비에 장애가 발생할 수 있는 확률이 높은 것으로 분석하면 제2 보상을 많이 수여할 수 있다.

제2 인공 신경망의 출력에 대한 평가는 제3 보상, 제4 보상, 제5 보상 및 제6 보상으로 나뉠 수 있다. 장치(200)는 제1 공간에 배치될 통신 장비들이 통신 배선 상에 위치할수록 제3 보상을 많이 수여하고, 제1 공간에 배치될 통신 장비들이 제1 공간의 구역 별로 위치할수록 제4 보상을 많이 수여하고, 제1 공간에 배치될 통신 장비들이 제1 공간에 배치될 전산 장비와 인접하게 위치할수록 제5 보상을 많이 수여하고, 제1 공간에 배치될 통신 장비들이 차지하는 면적과 사용자 동선이 차지하는 면적을 비교하여, 서로 중복되는 면적이 최소화될수록 제6 보상을 많이 수여할 수 있다.

S705 단계에서, 장치(200)는 평가를 기초로 인공 신경망을 갱신할 수 있다.

장치(200)는 제1 인공 신경망이, 전산 장비에 장애가 발생할 수 있는 확률을 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.

예를 들어, 장치(200)는 제1 전산 장비(110)에 장애가 발생할 수 있는 확률에 대해 문제가 없는 경우, 장애 발생 확률의 분석에 대해 문제가 없음을 나타내는 정보를 포함하는 제1 학습 데이터를 생성하고, 제1 학습 데이터를 제1 인공 신경망에 적용하여, 제1 전산 장비(110)와 유사한 성능 변동 추세를 나타내는 전산 장비들이 제1 전산 장비(110)와 유사한 장애 발생 확률을 가지도록, 제1 인공 신경망을 학습시키는 과정을 통해, 제1 인공 신경망을 갱신할 수 있다.

장치(200)는 제2 인공 신경망이, 통신 장비들이 통신 배선 상에 배치되고, 통신 장비들이 구역 별로 배치되고, 통신 장비들이 전산 장비와 인접하게 배치되고, 통신 장비들이 사용자 동선과 겹치지 않게 배치되도록 통신 장비들의 배치 위치를 설정하는 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.

예를 들어, 장치(200)는 제1 공간에 배치될 제1 통신 장비를 통신 배선 상에 배치한 것에 대해 문제가 없는 경우, 통신 배선 상에 배치한 제1 통신 장비에 대해 문제가 없음을 나타내는 정보를 포함하는 제2 학습 데이터를 생성하고, 제2 학습 데이터를 제2 인공 신경망에 적용하여, 제1 통신 장비와 유사한 특성을 가지는 통신 장비들이 통신 배선 상에 배치되도록, 제2 인공 신경망을 학습시키는 과정을 통해, 제2 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.

장치(200)는 상기와 같은 인공 신경망의 학습 과정을 반복함으로써, 인공 신경망을 점진적으로 갱신시킬 수 있다.

구체적으로, 장치(200)는 IT 인프라 장비의 사전 장애를 예측하는데 있어, 전산 장비에 대한 성능 변동 추세를 고려하여, 전산 장비에 장애가 발생할 수 있는 확률을 출력하는 제1 인공 신경망을 학습시킬 수 있다.

즉, 장치(200)는 전산 장비의 성능 변동 추세에 대한 분석 결과를 통해, 전산 장비에 장애가 발생할 수 있는 확률을 분석할 때, 제1 보상, 제2 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제1 인공 신경망을 학습시킬 수 있다.

또한, 장치(200)는 정보통신 인프라 시공을 수행하기 위해 구조를 설계하는데 있어, 통신 장비들의 배치 위치를 최적화하여 정하는 목적에 부합하게, 제1 공간에서 통신 장비들의 배치 위치를 출력하는 제2 인공 신경망을 학습시킬 수 있다.

즉, 장치(200)는 통신 장비들의 배치 위치를 최적화하여 설정할 때, 제3 보상, 제4 보상, 제5 보상, 제6 보상 등을 통한 강화 학습을 반영하여, 분석 기준을 조정함으로써, 제2 인공 신경망을 학습시킬 수 있다.

도 8은 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(200)는 프로세서(210) 및 메모리(220))를 포함한다. 프로세서(210)는 도 1 내지 도 7을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 7을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 장치(200)를 이용하는 자 또는 단체는 도 1 내지 도 7을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.

메모리(220))는 전술된 방법들과 관련된 정보를 저장하거나 후술되는 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(220))는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(210)는 프로그램을 실행하고, 장치(200)를 제어할 수 있다. 프로세서(210)에 의하여 실행되는 프로그램의 코드는 메모리(220))에 저장될 수 있다. 장치(200)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(200)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(220))는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(210)는 메모리(220))에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(200)와 학습된 인공 신경망을 이용하는 장치(200)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

장치에 의해 수행되는, 인공지능 기반 IT 인프라 장비의 사전 장애 예측 방법에 있어서,
제1 업체에 제1 전산 장비가 설치되어 있는 경우, 상기 제1 전산 장비의 상태를 확인하기 위해, 미리 정해진 기간 마다 상기 제1 전산 장비의 성능을 평가한 평가 정보를 획득하는 단계;
제1 시점에 상기 제1 전산 장비의 성능을 평가한 제1 평가 정보가 획득되면, 상기 제1 평가 정보를 기반으로, 상기 제1 시점에 대한 상기 제1 전산 장비의 성능을 나타내는 제1 성능 지표를 산출하는 단계;
상기 제1 시점 이후의 제2 시점에 상기 제1 전산 장비의 성능을 평가한 제2 평가 정보가 획득되면, 상기 제2 평가 정보를 기반으로, 상기 제2 시점에 대한 상기 제1 전산 장비의 성능을 나타내는 제2 성능 지표를 산출하는 단계;
상기 제1 성능 지표 및 상기 제2 성능 지표를 비교하여, 상기 제1 시점부터 상기 제2 시점까지 상기 제1 전산 장비에 대한 성능 변동 추세를 나타내는 제1 성능 변동 추세를 분석하는 단계;
상기 제1 성능 변동 추세에 대한 분석 결과를 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제1 전산 장비에 장애가 발생할 수 있는 확률인 제1 확률값을 예측하는 단계;
상기 제1 확률값이 미리 설정된 제1 기준값 보다 작은지 여부를 확인하는 단계;
상기 제1 확률값이 상기 제1 기준값 보다 작은 것으로 확인되면, 상기 제1 전산 장비에 이상 징후가 없는 것으로 판단하고, 상기 제1 전산 장비의 상태를 정상 상태로 분류하는 단계;
상기 제1 확률값이 상기 제1 기준값 보다 큰 것으로 확인되면, 상기 제1 전산 장비에 이상 징후가 있는 것으로 판단하는 단계;
상기 제1 전산 장비에 이상 징후가 있는 것으로 판단되면, 상기 제1 확률값이 미리 설정된 제2 기준값 보다 작은지 여부를 확인하는 단계;
상기 제1 확률값이 상기 제2 기준값 보다 작은 것으로 확인되면, 상기 제1 전산 장비의 상태를 주의 상태로 분류하는 단계;
상기 제1 확률값이 상기 제2 기준값 보다 큰 것으로 확인되면, 상기 제1 확률값이 미리 설정된 제3 기준값 보다 작은지 여부를 확인하는 단계;
상기 제1 확률값이 상기 제3 기준값 보다 작은 것으로 확인되면, 상기 제1 전산 장비의 상태를 경계 상태로 분류하는 단계;
상기 제1 확률값이 상기 제3 기준값 보다 큰 것으로 확인되면, 상기 제1 전산 장비의 상태를 심각 상태로 분류하는 단계;
상기 제1 업체에 상기 제1 전산 장비와 연계하여 사용되는 제2 전산 장비가 설치되어 있는 경우, 미리 정해진 기간 마다 상기 제2 전산 장비의 상태를 확인하기 위해, 상기 제2 전산 장비의 성능을 평가한 평가 정보를 획득하는 단계;
상기 제1 시점에 상기 제2 전산 장비의 성능을 평가한 제3 평가 정보가 획득되면, 상기 제3 평가 정보를 기반으로, 상기 제1 시점에 대한 상기 제2 전산 장비의 성능을 나타내는 제3 성능 지표를 산출하는 단계;
상기 제2 시점에 상기 제2 전산 장비의 성능을 평가한 제4 평가 정보가 획득되면, 상기 제4 평가 정보를 기반으로, 상기 제2 시점에 대한 상기 제2 전산 장비의 성능을 나타내는 제4 성능 지표를 산출하는 단계;
상기 제3 성능 지표 및 상기 제4 성능 지표를 비교하여, 상기 제1 시점부터 상기 제2 시점까지 상기 제2 전산 장비에 대한 성능 변동 추세를 나타내는 제2 성능 변동 추세를 분석하는 단계;
상기 제2 성능 변동 추세에 대한 분석 결과를 상기 제1 인공 신경망에 적용하여, 상기 제1 인공 신경망의 출력을 기초로, 상기 제2 전산 장비에 장애가 발생할 수 있는 확률인 제2 확률값을 예측하는 단계;
상기 제1 확률값 및 상기 제2 확률값의 평균값을 제3 확률값으로 산출하는 단계;
상기 제3 확률값이 상기 제1 기준값 보다 작은지 여부를 확인하는 단계;
상기 제3 확률값이 상기 제1 기준값 보다 작은 것으로 확인되면, 상기 제1 전산 장비 및 상기 제2 전산 장비에 이상 징후가 없는 것으로 판단하고, 상기 제1 전산 장비 및 상기 제2 전산 장비의 상태를 정상 상태로 분류하는 단계;
상기 제3 확률값이 상기 제1 기준값 보다 큰 것으로 확인되면, 상기 제1 전산 장비 및 상기 제2 전산 장비에 이상 징후가 있는 것으로 판단하는 단계;
상기 제1 전산 장비 및 상기 제2 전산 장비에 이상 징후가 있는 것으로 판단되면, 상기 제3 확률값이 상기 제2 기준값 보다 작은지 여부를 확인하는 단계;
상기 제3 확률값이 상기 제2 기준값 보다 작은 것으로 확인되면, 상기 제1 전산 장비 및 상기 제2 전산 장비의 상태를 주의 상태로 분류하는 단계;
상기 제3 확률값이 상기 제2 기준값 보다 큰 것으로 확인되면, 상기 제3 확률값이 상기 제3 기준값 보다 작은지 여부를 확인하는 단계;
상기 제3 확률값이 상기 제3 기준값 보다 작은 것으로 확인되면, 상기 제1 전산 장비 및 상기 제2 전산 장비의 상태를 경계 상태로 분류하는 단계; 및
상기 제3 확률값이 상기 제3 기준값 보다 큰 것으로 확인되면, 상기 제1 전산 장비 및 상기 제2 전산 장비의 상태를 심각 상태로 분류하는 단계를 포함하는,
인공지능 기반 IT 인프라 장비의 사전 장애 예측 방법.
삭제
제1항에 있어서,
상기 제1 전산 장비의 상태가 주의 상태로 분류되면, 상기 제1 업체의 직원인 제1 사용자를 확인하고, 상기 제1 전산 장비를 주의해서 사용해야 하는 것을 알려주는 알림 메시지를 제1 사용자 단말로 전송하는 단계;
상기 제1 전산 장비의 상태가 경계 상태로 분류되면, 상기 제1 전산 장비에 점검이 필요한 것을 알려주는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계;
상기 제1 사용자 단말로부터 상기 제1 전산 장비에 대한 점검 요청이 수신되면, 상기 제1 전산 장비를 원격으로 점검하기 위한 제1 엔지니어를 선정하고, 원격 점검을 요청하는 알림 메시지를 제1 엔지니어 단말로 전송하는 단계;
상기 제1 전산 장비의 상태가 심각 상태로 분류되면, 상기 제1 전산 장비에 수리가 필요한 것을 알려주는 알림 메시지를 상기 제1 사용자 단말로 전송하는 단계; 및
상기 제1 사용자 단말로부터 상기 제1 전산 장비에 대한 수리 요청이 수신되면, 상기 제1 전산 장비를 방문하여 수리하기 위한 제2 엔지니어를 선정하고, 방문 수리를 요청하는 알림 메시지를 제2 엔지니어 단말로 전송하는 단계를 더 포함하는,
인공지능 기반 IT 인프라 장비의 사전 장애 예측 방법.