KR102570245B1 - AI-based autonomous control method and system for IT infrastructure - Google Patents
AI-based autonomous control method and system for IT infrastructure Download PDFInfo
- Publication number
- KR102570245B1 KR102570245B1 KR1020220134539A KR20220134539A KR102570245B1 KR 102570245 B1 KR102570245 B1 KR 102570245B1 KR 1020220134539 A KR1020220134539 A KR 1020220134539A KR 20220134539 A KR20220134539 A KR 20220134539A KR 102570245 B1 KR102570245 B1 KR 102570245B1
- Authority
- KR
- South Korea
- Prior art keywords
- information infrastructure
- policy
- data
- state data
- infrastructure
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Abstract
AI 기반 정보 인프라 자율제어 방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 정보 인프라 자율제어 방법은, 정보 인프라의 목표 선호도를 설정하고, 설정된 목표 선호도를 낼 수 있는 정보 인프라의 상태 데이터를 탐색하며, 탐색된 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론한다. 이에 의해, AI 기반 정보 인프라 자율제어를 통해 관리자의 목표 선호도 설정만으로 정보 인프라의 정책이 자동으로 변경되어 그에 따라 설정/제어되어, 관리자가 직관적이면서도 간편한 방법으로 정보 인프라를 관리할 수 있게 된다.An AI-based information infrastructure autonomous control method and system are provided. An information infrastructure self-control method according to an embodiment of the present invention sets a target preference of the information infrastructure, searches state data of the information infrastructure capable of generating the set target preference, and analyzes the searched state data to determine the policy of the information infrastructure. Infer data. As a result, through AI-based autonomous control of the information infrastructure, the policy of the information infrastructure is automatically changed only by setting the manager's target preference, and is set/controlled accordingly, enabling the manager to manage the information infrastructure in an intuitive and simple way.
Description
본 발명은 정보 인프라 제어 기술에 관한 것으로, 더욱 상세하게는 AI(Artificial Intelligence) 기반으로 정보 인프라를 자율제어하는 방법 및 시스템에 관한 것이다.The present invention relates to information infrastructure control technology, and more particularly, to a method and system for autonomously controlling an information infrastructure based on AI (Artificial Intelligence).
IoT(Internet of Things, 사물인터넷) 정보 인프라는 IoT 디바이스, 네트워크, 플랫폼, 서버가 상호 연결되어 있는 복잡한 구조이다. 구조의 복잡성으로 인해 IoT 정보 인프라에 대한 제어는 어려울 수 밖에 없다.The Internet of Things (IoT) information infrastructure is a complex structure in which IoT devices, networks, platforms, and servers are interconnected. Due to the complexity of the structure, it is difficult to control the IoT information infrastructure.
현재의 인프라 제어는 인프라를 구성하는 장비들에 대한 상태를 모니터링하고 모니터링 결과를 기초로 각 장비들의 동작을 개별적으로 제어하는 것이 일반적이며, 인프라 전체에 대한 통합적인 제어로 접근하는 것은 드믈다.In current infrastructure control, it is common to monitor the status of equipment constituting the infrastructure and individually control the operation of each equipment based on the monitoring results, but it is rare to approach the integrated control of the entire infrastructure.
이는 관리자가 정보 인프라를 이해하고 관리하며 제어하는 것을 어렵게 한다. 이에 관리자가 직관적이면서 간편한 방법으로 정보 인프라를 제어할 수 있도록 하기 위한 방안이 필요하다.This makes it difficult for administrators to understand, manage and control the information infrastructure. Therefore, there is a need for a plan to enable administrators to control information infrastructure in an intuitive and simple way.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 관리자가 직관적이면서도 간편한 방법으로 정보 인프라를 제어할 수 있도록 하기 위한 방안으로, AI 기반 정보 인프라 자율제어 방법 및 시스템을 제공함에 있다.The present invention has been made to solve the above problems, and an object of the present invention is to provide an AI-based information infrastructure self-control method and system as a method for enabling administrators to control information infrastructure in an intuitive and simple way. is in providing
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 정보 인프라 자율제어 방법은, 정보 인프라의 목표 선호도를 설정하는 단계; 설정된 목표 선호도를 낼 수 있는 정보 인프라의 상태 데이터를 탐색하는 단계; 탐색된 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하는 단계;를 포함한다.In order to achieve the above object, a method for self-controlling an information infrastructure according to an embodiment of the present invention includes setting a target preference for an information infrastructure; Searching for state data of an information infrastructure capable of generating a set target preference; Analyzing the searched state data to infer policy data of the information infrastructure; includes.
목표 선호도는, 다수의 항목들에 대한 점수들로 구성되고, 설정 단계는, 사용자로부터 각 항목들에 대한 점수들을 입력받아 목표 선호도를 설정할 수 있다.The target preference is composed of scores for a plurality of items, and in the setting step, the target preference may be set by receiving scores for each item from the user.
목표 선호도는, 다수의 항목들에 대한 점수들로 구성되고, 설정 단계는, 사용자로부터 정보 인프라의 상태들을 입력받아 입력된 상태들을 기초로 각 항목들에 대한 점수들을 산정하여 목표 선호도를 설정할 수 있다.The target preference is composed of scores for a plurality of items, and in the setting step, the target preference may be set by receiving information infrastructure states from the user and calculating scores for each item based on the input states. .
항목들은, 정보 인프라의 성능, 비용, 보안, 안정, 생존 중 적어도 하나를 포함할 수 있다.The items may include at least one of information infrastructure performance, cost, security, stability, and survival.
탐색 단계는, 유전 알고리즘(Genetic Algorithm)을 통해, 정보 인프라의 상태 데이터를 목표 선호도를 낼 수 있는 상태 데이터로 최적화할 수 있다.In the search step, through a genetic algorithm, state data of the information infrastructure may be optimized into state data capable of generating target preferences.
정보 인프라는, IoT 디바이스, 네트워크, 플랫폼 및 서버 중 적어도 하나를 포함할 수 있다.The information infrastructure may include at least one of IoT devices, networks, platforms, and servers.
상태 데이터는, 정보 인프라를 구성하는 IoT 디바이스, 네트워크, 플랫폼 각각의 상태를 나타내는 데이터를 포함할 수 있다.The state data may include data indicating the state of each IoT device, network, and platform constituting the information infrastructure.
추론 단계는, 탐색된 상태 데이터를 정책 추론 모델에 입력하여 정책 데이터를 추론하고, 정책 추론 모델은, 입력되는 정보 인프라의 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하도록 학습된 인공지능 모델일 수 있다.In the inference step, policy data is inferred by inputting the discovered state data to a policy inference model, and the policy inference model is an artificial intelligence model trained to infer policy data of the information infrastructure by analyzing the input state data of the information infrastructure. can
정책 추론 모델은, 정책 데이터 및 정책 데이터에 따라 제어되는 정보 인프라를 운용하는 과정에서 수집되는 상태 데이터를 학습 데이터 셋으로 학습될 수 있다.The policy inference model may learn policy data and state data collected in the process of operating an information infrastructure controlled according to the policy data as a learning data set.
본 발명의 다른 실시예에 따른 정보 인프라 자율제어 시스템은, 정보 인프라의 목표 선호도를 설정하고, 설정된 목표 선호도를 낼 수 있는 정보 인프라의 상태 데이터를 탐색하며, 탐색된 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하는 프로세서; 및 프로세서에 필요한 저장공간을 제공하는 저장부;를 포함한다.An information infrastructure autonomous control system according to another embodiment of the present invention sets a target preference of the information infrastructure, searches state data of the information infrastructure capable of generating the set target preference, and analyzes the searched state data to determine the quality of the information infrastructure. a processor to infer policy data; and a storage unit providing storage space required for the processor.
본 발명의 또 다른 실시예에 따른 정보 인프라 자율제어 방법은, 목표 선호도를 낼 수 있는 정보 인프라의 상태 데이터를 탐색하는 단계; 탐색된 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하는 단계; 및 추론된 정책 데이터에 따라 정보 인프라를 제어하는 단계;를 포함한다.An information infrastructure self-control method according to another embodiment of the present invention includes the steps of searching state data of an information infrastructure capable of generating a target preference; inferring policy data of information infrastructure by analyzing the searched state data; and controlling the information infrastructure according to the inferred policy data.
본 발명의 또 다른 실시예에 따른 정보 인프라 자율제어 시스템은, 목표 선호도를 낼 수 있는 정보 인프라의 상태 데이터를 탐색하고, 탐색된 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하며, 추론된 정책 데이터에 따라 정보 인프라를 제어하는 프로세서; 및 프로세서에 필요한 저장공간을 제공하는 저장부;를 포함한다.An information infrastructure self-control system according to another embodiment of the present invention searches state data of an information infrastructure capable of generating target preferences, analyzes the searched state data, infers policy data of the information infrastructure, and infers the inferred policy a processor that controls the information infrastructure according to the data; and a storage unit providing storage space required for the processor.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, AI 기반 정보 인프라 자율제어를 통해 관리자의 목표 선호도 설정만으로 정보 인프라의 정책이 자동으로 변경되어 그에 따라 설정/제어되어, 관리자가 직관적이면서도 간편한 방법으로 정보 인프라를 관리할 수 있게 된다.As described above, according to the embodiments of the present invention, the policy of the information infrastructure is automatically changed only by setting the manager's target preference through AI-based autonomous control of the information infrastructure and set / controlled accordingly, so that the manager can use an intuitive and simple method to manage the information infrastructure.
도 1은 본 발명의 일 실시예에 따른 AI 기반 정보 인프라 자율제어 방법의 설명에 제공되는 도면,
도 2는 정보 인프라의 선호도를 예시한 도면,
도 3은 상태 데이터 탐색 과정의 설명에 제공되는 도면,
도 4는 정책 데이터 추론 과정의 설명에 제공되는 도면,
도 5는 본 발명의 다른 실시예에 따른 AI 기반 정보 인프라 자율제어 시스템의 블럭도이다.1 is a diagram provided for explanation of an AI-based information infrastructure autonomous control method according to an embodiment of the present invention;
2 is a diagram illustrating preferences of information infrastructure;
3 is a diagram provided to explain a state data search process;
4 is a diagram provided to explain a policy data reasoning process;
5 is a block diagram of an AI-based information infrastructure autonomous control system according to another embodiment of the present invention.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.Hereinafter, the present invention will be described in more detail with reference to the drawings.
본 발명의 실시예에서는 AI 기반 정보 인프라 자율제어 방법을 제시한다. 정보 인프라는 IoT 디바이스, 네트워크(게이트웨이, 스위치, 라우터 등), 플랫폼 및 서버 등으로 구성된다.An embodiment of the present invention proposes an AI-based information infrastructure autonomous control method. Information infrastructure consists of IoT devices, networks (gateways, switches, routers, etc.), platforms, and servers.
본 발명의 실시예는 정보 인프라 제어의 편의를 위한 기술로, 관리자가 정보 인프라에 대한 목표 선호도만 설정하면, 시스템이 정보 인프라에 대한 정책(Policy)을 자율적으로 제어하는 방법이다.An embodiment of the present invention is a technology for the convenience of information infrastructure control, and is a method in which a system autonomously controls a policy for an information infrastructure when an administrator sets only a target preference for the information infrastructure.
즉 관리자가 정보 인프라의 현재 선호도를 목표 선호도로 변경할 것을 요청하는 것만으로, 정보 인프라의 정책이 자동으로 변경되어 그에 따라 설정/제어되는 것이다.That is, just by requesting that the administrator change the current preference of the information infrastructure to the target preference, the policy of the information infrastructure is automatically changed and set/controlled accordingly.
1. AI 기반 정보 인프라 자율제어 방법.1. AI-based information infrastructure autonomous control method.
도 1은 본 발명의 일 실시예에 따른 AI 기반 정보 인프라 자율제어 방법의 설명에 제공되는 도면이다.1 is a diagram provided to explain a method for autonomous control of an AI-based information infrastructure according to an embodiment of the present invention.
정보 인프라 자율제어을 위해, 먼저 정보 인프라의 목표 선호도를 설정한다(S110). 선호도는 도 2에 도시된 바와 같이 정보 인프라의 다양한 항목들에 대한 점수들로 구성된다. 도 2에서 항목들로 제시된 성능, 비용, 보안, 안정, 생존 등은 예시적인 것으로 항목에 대해서는 추가, 변경, 배제 등이 가능하다.For self-control of the information infrastructure, first, a target preference of the information infrastructure is set (S110). As shown in FIG. 2, preference is composed of scores for various items of information infrastructure. Performance, cost, security, stability, survival, etc. presented as items in FIG. 2 are examples, and items may be added, changed, or excluded.
다음 S110단계에서 설정된 목표 선호도를 낼 수 있는 정보 인프라의 상태 데이터를 탐색한다(S120). 상태 데이터는 정보 인프라를 구성하는 IoT 디바이스, 네트워크, 플랫폼 각각의 상태를 나타내는 데이터들을 말한다.State data of the information infrastructure capable of generating the target preference set in the next step S110 is searched (S120). Status data refers to data representing the status of each IoT device, network, and platform constituting the information infrastructure.
이후 S120단계에서 탐색된 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론한다(S130). 정책 데이터는 정보 인프라를 구성하는 IoT 디바이스, 네트워크, 플랫폼 각각을 설정/제어하기 위한 정책들을 말한다.Then, the policy data of the information infrastructure is inferred by analyzing the state data found in step S120 (S130). Policy data refers to policies for setting/controlling each IoT device, network, and platform constituting the information infrastructure.
네트워크에 대한 정책 데이터를 예시하면, 대역폭 제어, 트래픽 분산 부하, 모드, 서브넷 암호화 제어, 모니터링 제어 등에 대한 데이터 등이다. 또한 IoT 디바이스에 대한 정책 데이터를 예시하면, Sensing/Reporting 주기, 전력 소모 제어, 자동 업데이트 제어, 보안 레벨 제어 등이다.Examples of policy data for the network include data for bandwidth control, traffic distribution load, mode, subnet encryption control, monitoring control, and the like. In addition, examples of policy data for IoT devices include sensing/reporting cycles, power consumption control, automatic update control, and security level control.
그리고 S130단계에서 추론된 정책 데이터에 따라 정보 인프라를 제어한다(S140). 이에 의해 정보 인프라의 선호도는 S110단계에서 설정한 목표 선호도로 변경될 것이다.Then, the information infrastructure is controlled according to the policy data deduced in step S130 (S140). As a result, the preference of the information infrastructure will be changed to the target preference set in step S110.
2. 목표 선호도 설정2. Set target preferences
이하에서는 정보 인프라의 목표 선호도 설정 과정(S110)에 대해 상세히 설명한다. 목표 선호도 설정은 다음 2가지 방법에 의해 가능하다.Hereinafter, the process of setting the target preference of the information infrastructure (S110) will be described in detail. Setting target preference is possible in the following two ways.
첫 번째 방법은 인프라 관리자가 목표 선호도의 각 항목들(성능, 비용, 보안, 안정, 생존)에 대한 점수들을 직접 입력하도록 하는 것이다. 이 경우 S110단계에서의 목표 선호도는 사용자가 입력한 대로 설정하면 된다.The first method is to have the infrastructure manager directly input scores for each item of target preference (performance, cost, security, stability, survival). In this case, the target preference in step S110 may be set as input by the user.
두 번째 방법은 인프라 관리자가 정보 인프라의 상태들을 입력하면, 입력된 상태들을 기초로 각 항목들에 대한 점수들을 산정하여 목표 선호도를 설정하는 것이다.A second method is to set target preferences by calculating scores for each item based on the input states when the infrastructure manager inputs states of the information infrastructure.
이를 위해서는 인프라 관리자가 입력한 상태들로부터 각 항목들에 대한 점수들을 산정하는 선호도 모델(함수)이 정의 되어야 한다. 선호도 모델의 예시들을 아래에 제시하였다.To this end, a preference model (function) that calculates scores for each item from the states input by the infrastructure manager must be defined. Examples of preference models are presented below.
성능 항목을 위한 선호도 모델 : 네트워크 속도(bps)와 서버의 CPU 사용율로부터 성능을 산정Preference model for performance items: Calculate performance from network speed (bps) and server CPU usage
비용 항목을 위한 선호도 모델 : 정보 인프라의 전체 장비에서 전력 사용량과 전체 장비 온도로부터 비용을 산정Preference model for cost items: Calculate cost from power consumption and overall equipment temperature across all equipment in the information infrastructure
제시된 선호도 모델은 예시적인 것으로, 필요에 따라 원하는 모델을 설계하는 것이 가능하다.The presented preference model is an example, and it is possible to design a desired model as needed.
3. 상태 데이터 탐색3. Explore health data
이하에서는 목표 선호도를 낼 수 있는 정보 인프라의 상태 데이터를 탐색하는 과정에 대해, 도 3을 참조하여 상세히 설명한다. 도 3은 상태 데이터 탐색 과정의 설명에 제공되는 도면이다.Hereinafter, a process of searching for state data of an information infrastructure capable of generating a target preference will be described in detail with reference to FIG. 3 . 3 is a diagram provided to explain a state data search process.
도시된 바와 같이, 상태 데이터 탐색은 유전 알고리즘(Genetic Algorithm)을 이용하여 정보 인프라의 현재 상태 데이터를 목표 선호도를 낼 수 있는 상태 데이터로 최적화하는 과정이다.As shown, state data search is a process of optimizing current state data of an information infrastructure into state data capable of generating target preferences using a genetic algorithm.
이를 위해 먼저 정보 인프라 운용 DB로부터 정보 인프라의 상태 데이터를 획득하여야 한다. 획득하는 상태 데이터는 정보 인프라를 구성하는 IoT 디바이스, 네트워크, 플랫폼 각각의 상태를 나타내는 데이터들이다.To this end, the state data of the information infrastructure must first be acquired from the information infrastructure operation DB. Acquired state data is data representing the state of each IoT device, network, and platform constituting the information infrastructure.
다음 획득된 상태 데이터를 초기 유전자로 하여 다수의 상태 데이터들을 생성하여 각 상태 데이터들에 대한 선호도들을 계산한 다음, 목표 선호도와 유사도가 높은 일부 상태 데이터들을 선택하고 변조하여 다음 세대의 유전자들을 생성한다. 상태 데이터 변조에는 교차(Crossover), 변이(Mutation), 대치(Replace) 연산 등이 적용된다.Then, using the acquired state data as the initial gene, a plurality of state data are generated to calculate the preferences for each state data, and then some state data having a high similarity to the target preference are selected and modulated to generate genes of the next generation. . Crossover, Mutation, and Replace operations are applied to state data modulation.
이후 선택된 상태 데이터들과 다음 세대 유전자들에 해당하는 상태 데이터들에 대해 선호도들을 계산한 다음, 목표 선호도와 유사도가 높은 일부 상태 데이터들을 선택하여 다음 세대의 유전자들을 생성하는 과정을 반복한다.Thereafter, preferences are calculated for the selected state data and state data corresponding to genes of the next generation, and then a process of generating genes of the next generation by selecting some state data having a high similarity to the target preference is repeated.
목표 선호도에 수렴하는 상태 데이터, 즉 목표 선호도와 차이가 정해진 설정치 미만의 선호도를 보이는 상태 데이터가 생성되었다면 위 절차는 종료되고, 이 상태 데이터는 탐색된 최적 상태 데이터로 사용된다.If state data that converges to the target preference, that is, state data showing a preference difference less than a set value is generated, the above procedure is terminated, and this state data is used as the searched optimal state data.
한편 선호도는 다수의 항목들로 구성되므로, 위 과정에서 목표 선호도에 수렴하는 상태 데이터를 탐색하는 것은 목표 선호도에 포함된 다수의 항목들에 수렴하는 상태 데이터를 탐색하는 동시 최적화(Multi-objective optimization) 과정에 해당한다. 즉 다수 항목들에 대한 점수들과 목표 선호도의 항목 점수들 간의 차들의 합이 최소가 되는 상태 데이터를 탐색하여 최적 상태 데이터로 사용하는 것이다.On the other hand, since preference is composed of multiple items, searching for state data that converges to the target preference in the above process is a simultaneous optimization that searches for state data that converges to a plurality of items included in the target preference (Multi-objective optimization). corresponds to the process. That is, state data in which the sum of differences between scores for multiple items and item scores of target preference is minimized is searched for and used as optimal state data.
4. 정책 데이터 추론4. Policy Data Inference
이하에서는 탐색된 최적 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하는 과정에 대해, 도 4를 참조하여 상세히 설명한다. 도 4는 정책 데이터 추론 과정의 설명에 제공되는 도면이다.Hereinafter, a process of inferring policy data of an information infrastructure by analyzing the searched optimal state data will be described in detail with reference to FIG. 4 . 4 is a diagram provided to explain a policy data reasoning process.
정책 데이터 추론은 정책 추론 모델에 의해 수행된다. 정책 추론 모델은 입력되는 정보 인프라의 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하는 인공지능 모델이다. 따라서 정책 데이터 추론을 위해서는 정책 추론 모델의 학습이 선행되어져야 한다.Policy data inference is performed by a policy inference model. The policy inference model is an artificial intelligence model that infers the policy data of the information infrastructure by analyzing the input state data of the information infrastructure. Therefore, in order to infer policy data, learning of the policy inference model must be preceded.
도 4의 좌측에는 정책 추론 모델의 학습 방법이 도시되어 있다. 정책 추론 모델의 학습 데이터 셋은 정보 인프라의 상태 데이터와 정책 데이터이다. 즉 정책 추론 모델에 정보 인프라의 상태 데이터를 입력하여 추론한 정책 데이터와 학습 데이터 셋의 정책 데이터(Gound Truth) 간의 손실이 최소화 되는 방향으로 정책 추론 모델이 학습된다.The learning method of the policy inference model is shown on the left side of FIG. 4 . The training data set of the policy inference model is state data and policy data of the information infrastructure. That is, the policy inference model is learned in a direction that minimizes the loss between the policy data inferred by inputting the state data of the information infrastructure to the policy inference model and the policy data (Gound Truth) of the training data set.
학습 데이터 셋을 구성하는 정보 인프라의 상태 데이터와 정책 데이터는, 정보 인프라 운용 과정에서 수집가능하다. 즉, '정보 인프라의 정책 데이터'와 '이 정책 데이터에 따라 제어되는 정보 인프라를 운용하는 과정에서 수집되는 상태 데이터'를 수집하여 정책 추론 모델에 대한 지도 학습되며, 강화 학습도 가능하다.State data and policy data of the information infrastructure constituting the learning data set can be collected during the operation of the information infrastructure. In other words, by collecting 'policy data of information infrastructure' and 'status data collected in the process of operating information infrastructure controlled by this policy data', supervised learning for the policy inference model is possible, and reinforcement learning is also possible.
도 4의 우측에는 정책 추론 모델의 추론 방법이 도시되어 있다. 도시된 바와 같이 정책 추론 모델은 S120단계에서 탐색된 상태 데이터를 입력받아 분석하여 추론한 정책 데이터를 출력한다.The right side of FIG. 4 shows an inference method of a policy inference model. As shown, the policy reasoning model outputs the inferred policy data by receiving and analyzing state data found in step S120.
5. 정보 인프라 제어5. Information Infrastructure Control
정보 인프라는 정책 추론 모델에 의해 추론된 정책 데이터에 따라 제어된다. 정책 추론 모델에서 출력되는 정책 데이터는 정보 인프라가 목표 선호도를 낼 수 있도록 하여 주는 정책 데이터이다.The information infrastructure is controlled according to the policy data inferred by the policy inference model. Policy data output from the policy inference model is policy data that enables the information infrastructure to generate target preferences.
따라서 정책 추론 모델에 의해 추론된 정책 데이터에 따라 정보 인프라를 제어하면, 정책 인프라의 선호도는 인프라 관리자에 의해 설정된 목표 선호도로 변경될 수 있게 된다.Therefore, if the information infrastructure is controlled according to the policy data inferred by the policy inference model, the preference of the policy infrastructure can be changed to the target preference set by the infrastructure manager.
6. AI 기반 정보 인프라 자율제어 시스템6. AI-based information infrastructure autonomous control system
도 5는 본 발명의 다른 실시예에 따른 AI 기반 정보 인프라 자율제어 시스템의 블럭도이다. 본 발명의 실시예에 따른 정보 인프라 자율제어 시스템은, 통신부(210), 출력부(220), 프로세서(230), 입력부(240) 및 저장부(250)를 포함하여 구성되는 컴퓨팅 시스템으로 구현할 수 있다.5 is a block diagram of an AI-based information infrastructure autonomous control system according to another embodiment of the present invention. The information infrastructure autonomous control system according to an embodiment of the present invention may be implemented as a computing system including a communication unit 210, an output unit 220, a processor 230, an input unit 240, and a storage unit 250. there is.
통신부(210)는 외부 기기와 통신하고 외부 네트워크에 액세스하기 위한 통신 수단이고, 출력부(220)는 프로세서(230)의 실행 결과를 표시하는 출력 수단이며, 입력부(240)는 인프라 관리자의 설정/명령을 입력받아 프로세서(230)로 전달하여 주는 입력 수단이다.The communication unit 210 is a communication unit for communicating with an external device and accessing an external network, the output unit 220 is an output unit for displaying an execution result of the processor 230, and the input unit 240 is an infrastructure manager setting/ It is an input unit that receives a command and transfers it to the processor 230 .
프로세서(230)는 전술한 도 1에 도시된 AI 기반 정보 인프라 자율제어 방법을 수행하여, 정보 인프라를 설정/제어한다. 저장부(250)는 프로세서(230)가 기능하고 동작함에 있어 필요한 저장 공간을 제공한다.The processor 230 sets/controls the information infrastructure by performing the AI-based information infrastructure autonomous control method shown in FIG. 1 described above. The storage unit 250 provides a necessary storage space for the processor 230 to function and operate.
7. 변형예7. Variations
지금까지 AI 기반 정보 인프라 자율제어 방법 및 시스템에 대해 바람직한 실시예들을 들어 상세히 설명하였다.So far, preferred embodiments of the AI-based information infrastructure autonomous control method and system have been described in detail.
위 실시에에서는 AI 기반 정보 인프라 자율제어를 통해 관리자의 목표 선호도 설정만으로 정보 인프라의 정책이 자동으로 변경되어 그에 따라 설정/제어하는 기술을 제시하였다. 이에 의해, 인프라 관리자는 직관적이면서도 간편한 방법으로 정보 인프라를 관리할 수 있게 된다.In the above embodiment, the information infrastructure policy is automatically changed only by setting the manager's target preference through AI-based information infrastructure self-control, and a technology to set/control accordingly is presented. As a result, the infrastructure manager can manage the information infrastructure in an intuitive and simple way.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.Meanwhile, it goes without saying that the technical spirit of the present invention can also be applied to a computer-readable recording medium containing a computer program for performing the functions of the apparatus and method according to the present embodiment. In addition, technical ideas according to various embodiments of the present invention may be implemented in the form of computer readable codes recorded on a computer readable recording medium. The computer-readable recording medium may be any data storage device that can be read by a computer and store data. For example, the computer-readable recording medium may be ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical disk, hard disk drive, and the like. In addition, computer readable codes or programs stored on a computer readable recording medium may be transmitted through a network connected between computers.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.In addition, although the preferred embodiments of the present invention have been shown and described above, the present invention is not limited to the specific embodiments described above, and the technical field to which the present invention belongs without departing from the gist of the present invention claimed in the claims. Of course, various modifications are possible by those skilled in the art, and these modifications should not be individually understood from the technical spirit or perspective of the present invention.
정보 인프라
목표 선호도
상태 데이터
정책 데이터
정책 추론 모델information infrastructure
target preference
state data
policy data
policy inference model
Claims (12)
정보 인프라 자율제어 시스템이, 설정된 목표 선호도를 낼 수 있는 정보 인프라의 상태 데이터를 탐색하는 단계;
정보 인프라 자율제어 시스템이, 탐색된 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하는 단계;를 포함하고,
추론 단계는,
탐색 단계에서 탐색된 상태 데이터를 정책 추론 모델에 입력하여 정책 데이터를 추론하고,
정책 추론 모델은,
입력되는 정보 인프라의 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하도록 학습된 인공지능 모델인 것을 특징으로 하는 정보 인프라 자율제어 방법.
setting, by the information infrastructure autonomous control system, a target preference of the information infrastructure;
Searching, by the information infrastructure self-control system, state data of the information infrastructure capable of generating the set target preference;
The information infrastructure self-control system analyzes the searched state data to infer policy data of the information infrastructure;
The inference step is
Inferring policy data by entering the state data discovered in the discovery step into the policy inference model;
The policy inference model is
An information infrastructure autonomous control method, characterized in that it is an artificial intelligence model learned to infer policy data of the information infrastructure by analyzing input state data of the information infrastructure.
목표 선호도는,
다수의 항목들에 대한 점수들로 구성되고,
설정 단계는,
사용자로부터 각 항목들에 대한 점수들을 입력받아 목표 선호도를 설정하는 것을 특징으로 하는 정보 인프라 자율제어 방법.
The method of claim 1,
target preference,
It consists of scores on a number of items,
The setting step is
An information infrastructure self-control method comprising receiving scores for each item from a user and setting target preferences.
목표 선호도는,
다수의 항목들에 대한 점수들로 구성되고,
설정 단계는,
사용자로부터 정보 인프라의 상태들을 입력받아 입력된 상태들을 기초로 각 항목들에 대한 점수들을 산정하여 목표 선호도를 설정하는 것을 특징으로 하는 정보 인프라 자율제어 방법.
The method of claim 1,
target preference,
It consists of scores on a number of items,
The setting step is
An information infrastructure self-control method characterized by receiving information infrastructure states from a user and setting target preferences by calculating scores for each item based on the input states.
항목들은,
정보 인프라의 성능, 비용, 보안, 안정, 생존 중 적어도 하나를 포함하는 것을 특징으로 하는 정보 인프라 자율제어 방법.
According to claim 2 or claim 3,
items,
An information infrastructure autonomous control method comprising at least one of performance, cost, security, stability, and survival of the information infrastructure.
탐색 단계는,
유전 알고리즘(Genetic Algorithm)을 통해, 정보 인프라의 상태 데이터를 목표 선호도를 낼 수 있는 상태 데이터로 최적화하는 것을 특징으로 하는 정보 인프라 자율제어 방법.
The method of claim 1,
The exploration phase is
An information infrastructure self-control method characterized by optimizing the state data of the information infrastructure into state data capable of generating target preferences through a genetic algorithm.
정보 인프라는,
IoT 디바이스, 네트워크, 플랫폼 및 서버 중 적어도 하나를 포함하는 것을 특징으로 하는 정보 인프라 자율제어 방법.
The method of claim 5,
information infrastructure,
An information infrastructure autonomous control method comprising at least one of an IoT device, a network, a platform and a server.
상태 데이터는,
정보 인프라를 구성하는 IoT 디바이스, 네트워크, 플랫폼 각각의 상태를 나타내는 데이터를 포함하는 것을 특징으로 하는 정보 인프라 자율제어 방법.
The method of claim 6,
state data,
An information infrastructure autonomous control method comprising data indicating the status of each IoT device, network, and platform constituting the information infrastructure.
정책 추론 모델은,
정책 데이터 및 정책 데이터에 따라 제어되는 정보 인프라를 운용하는 과정에서 수집되는 상태 데이터를 학습 데이터 셋으로 학습되는 것을 특징으로 하는 정보 인프라 자율제어 방법.
The method of claim 1,
The policy inference model is
An information infrastructure self-control method characterized by learning policy data and state data collected in the process of operating an information infrastructure controlled according to the policy data as a learning data set.
프로세서에 필요한 저장공간을 제공하는 저장부;를 포함하고,
프로세서는,
탐색된 상태 데이터를 정책 추론 모델에 입력하여 정책 데이터를 추론하고,
정책 추론 모델은,
입력되는 정보 인프라의 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하도록 학습된 인공지능 모델인 것을 특징으로 하는 정보 인프라 자율제어 시스템.
a processor that sets a target preference of the information infrastructure, searches state data of the information infrastructure capable of generating the set target preference, and analyzes the searched state data to infer policy data of the information infrastructure; and
A storage unit providing storage space required for the processor; includes,
the processor,
Inferring policy data by inputting the discovered state data to the policy inference model;
The policy inference model is
An information infrastructure autonomous control system, characterized in that it is an artificial intelligence model learned to infer policy data of the information infrastructure by analyzing input state data of the information infrastructure.
정보 인프라 자율제어 시스템이, 탐색된 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하는 단계; 및
정보 인프라 자율제어 시스템이, 추론된 정책 데이터에 따라 정보 인프라를 제어하는 단계;를 포함하고,
추론 단계는,
탐색 단계에서 탐색된 상태 데이터를 정책 추론 모델에 입력하여 정책 데이터를 추론하고,
정책 추론 모델은,
입력되는 정보 인프라의 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하도록 학습된 인공지능 모델인 것을 특징으로 하는 정보 인프라 자율제어 방법.
Searching, by the information infrastructure autonomous control system, state data of the information infrastructure capable of generating a target preference;
inferring, by the information infrastructure autonomous control system, policy data of the information infrastructure by analyzing the searched state data; and
Controlling, by the information infrastructure self-control system, the information infrastructure according to the inferred policy data;
The inference step is
Inferring policy data by entering the state data discovered in the discovery step into the policy inference model;
The policy inference model is
An information infrastructure self-control method characterized in that it is an artificial intelligence model learned to infer policy data of the information infrastructure by analyzing input state data of the information infrastructure.
프로세서에 필요한 저장공간을 제공하는 저장부;를 포함하고,
프로세서는,
탐색된 상태 데이터를 정책 추론 모델에 입력하여 정책 데이터를 추론하고,
정책 추론 모델은,
입력되는 정보 인프라의 상태 데이터를 분석하여 정보 인프라의 정책 데이터를 추론하도록 학습된 인공지능 모델인 것을 특징으로 하는 정보 인프라 자율제어 시스템.
A processor that searches state data of information infrastructure capable of generating target preferences, analyzes the searched state data, infers policy data of the information infrastructure, and controls the information infrastructure according to the inferred policy data; and
A storage unit providing storage space required for the processor; includes,
the processor,
Inferring policy data by inputting the discovered state data to the policy inference model;
The policy inference model is
An information infrastructure autonomous control system, characterized in that it is an artificial intelligence model learned to infer policy data of the information infrastructure by analyzing input state data of the information infrastructure.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220134539A KR102570245B1 (en) | 2022-10-19 | 2022-10-19 | AI-based autonomous control method and system for IT infrastructure |
| PCT/KR2022/021274 WO2024085313A1 (en) | 2022-10-19 | 2022-12-26 | Artificial intelligence-based method and system for autonomous control of information infrastructure |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220134539A KR102570245B1 (en) | 2022-10-19 | 2022-10-19 | AI-based autonomous control method and system for IT infrastructure |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102570245B1 true KR102570245B1 (en) | 2023-08-24 |
Family
ID=87841288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220134539A KR102570245B1 (en) | 2022-10-19 | 2022-10-19 | AI-based autonomous control method and system for IT infrastructure |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102570245B1 (en) |
| WO (1) | WO2024085313A1 (en) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110003753A (en) * | 2009-07-06 | 2011-01-13 | 중앙대학교 산학협력단 | Apparatus and method for estimating construction cost based on genetic algorithm |
| KR102187327B1 (en) * | 2020-05-21 | 2020-12-04 | 에스텍아이앤씨(주) | Dynamic management and control system for a building electric demand based on automated machine learning scheme |
| KR20220031231A (en) * | 2020-09-04 | 2022-03-11 | 한국생산기술연구원 | Design method of two vane pump for wastewater using machine learning and two vane pump its designed method |
| KR20220063045A (en) * | 2020-11-09 | 2022-05-17 | 주식회사 케이티 | Apparatus, method and computer program for deciding energy operation policy of target building |
| KR20220082220A (en) * | 2020-12-10 | 2022-06-17 | 한국전자기술연구원 | Hyper Parameter Optimization Method in Lightweight Artificial Intelligence System Using Genetic Algorithm |
| KR102430988B1 (en) * | 2022-02-10 | 2022-08-11 | (주)제너럴데이타 | Method, device and system for controlling policy setting of host firewall based on artificial intelligence |
-
2022
- 2022-10-19 KR KR1020220134539A patent/KR102570245B1/en active IP Right Grant
- 2022-12-26 WO PCT/KR2022/021274 patent/WO2024085313A1/en unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110003753A (en) * | 2009-07-06 | 2011-01-13 | 중앙대학교 산학협력단 | Apparatus and method for estimating construction cost based on genetic algorithm |
| KR102187327B1 (en) * | 2020-05-21 | 2020-12-04 | 에스텍아이앤씨(주) | Dynamic management and control system for a building electric demand based on automated machine learning scheme |
| KR20220031231A (en) * | 2020-09-04 | 2022-03-11 | 한국생산기술연구원 | Design method of two vane pump for wastewater using machine learning and two vane pump its designed method |
| KR20220063045A (en) * | 2020-11-09 | 2022-05-17 | 주식회사 케이티 | Apparatus, method and computer program for deciding energy operation policy of target building |
| KR20220082220A (en) * | 2020-12-10 | 2022-06-17 | 한국전자기술연구원 | Hyper Parameter Optimization Method in Lightweight Artificial Intelligence System Using Genetic Algorithm |
| KR102430988B1 (en) * | 2022-02-10 | 2022-08-11 | (주)제너럴데이타 | Method, device and system for controlling policy setting of host firewall based on artificial intelligence |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024085313A1 (en) | 2024-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8214474B2 (en) | Autonomic computing system with model transfer | |
| CN111669291B (en) | Virtualized network service function chain deployment method based on deep reinforcement learning | |
| US20090307747A1 (en) | System To Establish Trust Between Policy Systems And Users | |
| US20130212578A1 (en) | Optimizing traffic load in a communications network | |
| US20220156574A1 (en) | Methods and systems for remote training of a machine learning model | |
| JP7168753B2 (en) | Profiling and application monitoring for edge devices based on headroom | |
| Huang et al. | Intelligent traffic control for QoS optimization in hybrid SDNs | |
| US20190317814A1 (en) | Resource management of resource-controlled system | |
| CN110247795A (en) | A kind of cloud net resource service chain method of combination and system based on intention | |
| Cui et al. | Differential evolution algorithm with dichotomy-based parameter space compression | |
| CN116662010A (en) | Dynamic resource allocation method and system based on distributed system environment | |
| KR102570245B1 (en) | AI-based autonomous control method and system for IT infrastructure | |
| CN111935025A (en) | Control method, device, equipment and medium for TCP transmission performance | |
| Aghasi et al. | A decentralized adaptation of model-free Q-learning for thermal-aware energy-efficient virtual machine placement in cloud data centers | |
| Masoumzadeh et al. | A cooperative multi agent learning approach to manage physical host nodes for dynamic consolidation of virtual machines | |
| Wei et al. | GRL-PS: Graph embedding-based DRL approach for adaptive path selection | |
| CN112380006A (en) | Data center resource allocation method and device | |
| Dandachi et al. | A robust monte-carlo-based deep learning strategy for virtual network embedding | |
| Zeng et al. | Approximate solutions of interactive dynamic influence diagrams using model clustering | |
| Gholamrezaei et al. | Learning‐based multi‐constraint resilient controller placement and assignment in software‐defined networks using covering graph | |
| Costa Filho et al. | An adaptive replica placement approach for distributed key‐value stores | |
| Reichhuber et al. | Active Reinforcement Learning--A Roadmap Towards Curious Classifier Systems for Self-Adaptation | |
| Su et al. | Cognitive virtual network topology reconfiguration method based on traffic prediction and link importance | |
| CN110519664A (en) | The configuration method and device of transceiver in software definition optical-fiber network | |
| Alkhalaf et al. | A Novel Method for Routing Optimization in Software-Defined Networks. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |