KR102613365B1 - 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법 - Google Patents
인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법 Download PDFInfo
- Publication number
- KR102613365B1 KR102613365B1 KR1020210176148A KR20210176148A KR102613365B1 KR 102613365 B1 KR102613365 B1 KR 102613365B1 KR 1020210176148 A KR1020210176148 A KR 1020210176148A KR 20210176148 A KR20210176148 A KR 20210176148A KR 102613365 B1 KR102613365 B1 KR 102613365B1
- Authority
- KR
- South Korea
- Prior art keywords
- service server
- cloud service
- learning code
- type
- learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45591—Monitoring or debugging support
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법에 관한 것으로, 상기 장치는 사용자 학습코드를 수신하는 학습코드 수신부; 학습코드 모집단에 있는 샘플 학습코드의 사전 분석을 통해 구축된 학습코드 유형 모델을 기초로 상기 사용자 학습코드의 유형을 판단하는 학습코드 유형 판단부; 상기 사용자 학습코드의 유형에 맞는 리소스 구성을 결정하고 상기 리소스 구성을 가지는 클라우드 서비스 서버를 후보 클라우드 서비스 서버로 결정하는 후보 클라우드 서비스 서버 결정부; 및 상기 클라우드 서비스 서버의 서비스 과부하 가능성을 결정하여 상기 서비스 과부하 가능성이 특정 기준 이하인 경우에는 상기 후보 서비스 클라우드 서버를 최종 서비스 클라우드 서버로 결정하는 클라우드 서비스 서버 결정부;를 포함한다.
Description
본 발명은 클라우드 자원 활용 기술에 관한 것으로, 보다 상세하게는 인공지능을 활용하여 사용자의 학습코드를 클라우드 상에서 실행하기 위한 최적의 리소스를 구성할 수 있는 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법에 관한 것이다.
최근 딥러닝 알고리즘은 다양한 분야에서 우수한 성능을 보이며 인공지능의 응용 사례를 넓히고 있다. 딥러닝 모델의 학습은 단시간에 많은 컴퓨팅 자원을 필요로 하기 때문에 주로 클라우드 환경 하에서 학습 작업이 이루어지고 있다.
하지만, 클라우드 컴퓨팅 서비스를 통해서 제공되는 자원의 종류가 너무 많은 탓에 사용자들은 다양한 서비스를 활용하여 최적의 딥러닝 학습 환경을 구축하는데 큰 어려움을 겪고 있다. 클라우드 인스턴스들 간의 가격 역시 큰 차이를 보이기에 성능 및 비용 측면에서 최적의 효율을 보이는 인스턴스를 선택하여 학습 작업을 진행하는 것은 매우 중요하면서도 어려운 일이다.
한편, 딥러닝(인공지능) 플랫폼은 인공지능 기술들, 예를 들어 영상처리, 음성인식, 자연어처리 등을 이용하여 필요에 의해서 사용자가 사용이 가능하게 해주는 제품이나 서비스를 개발하기 위한 도구를 의미할 수 있다. 최근 구현되고 있는 인공지능의 핵심 기술들은 다양한 분야로 응용 가능한 범용적인 특성을 갖고 있으며, 인공지능은 딥러닝 플랫폼의 핵심 기술에 해당할 수 있다.
본 발명의 일 실시예는 인공지능을 활용하여 사용자의 학습코드를 클라우드 상에서 실행하기 위한 최적의 리소스를 구성할 수 있는 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법을 제공하고자 한다.
실시예들 중에서, 인공지능 기반 클라우드 서비스 서버 결정 장치는 사용자 학습코드를 수신하는 학습코드 수신부; 학습코드 모집단에 있는 샘플 학습코드의 사전 분석을 통해 구축된 학습코드 유형 모델을 기초로 상기 사용자 학습코드의 유형을 판단하는 학습코드 유형 판단부; 상기 사용자 학습코드의 유형에 맞는 리소스 구성을 결정하고 상기 리소스 구성을 가지는 클라우드 서비스 서버를 후보 클라우드 서비스 서버로 결정하는 후보 클라우드 서비스 서버 결정부; 및 상기 클라우드 서비스 서버의 서비스 과부하 가능성을 결정하여 상기 서비스 과부하 가능성이 특정 기준 이하인 경우에는 상기 후보 서비스 클라우드 서버를 최종 서비스 클라우드 서버로 결정하는 클라우드 서비스 서버 결정부;를 포함한다.
상기 학습코드 유형 판단부는 상기 샘플 학습코드의 인공지능 연산 특징을 분석하여 CPU 집중 연산 유형, GPU 집중 연산 유형, 메모리 집중 연산 유형 및 가속기 집중 연산 유형 중 어느 하나를 상기 사용자 학습코드의 유형으로서 결정할 수 있다.
상기 학습코드 유형 판단부는 상기 샘플 학습코드의 인공지능 연산 동안 소정의 시간 간격(time interval)마다 예측된 CPU, GPU, 메모리 및 가속기 중 적어도 하나의 사용량을 기초로 상기 인공지능 연산 특징을 결정할 수 있다.
상기 후보 클라우드 서비스 서버 결정부는 상기 사용자 학습코드의 유형을 기초로 최적의 리소스 조합을 결정할 수 있다.
상기 후보 클라우드 서비스 서버 결정부는 상기 최적의 리소스 조합에서 가장 중요한 리소스 순대로 상기 리소스 구성을 가중화 시킬 수 있다.
상기 후보 클라우드 서비스 서버 결정부는 상기 가중화된 리소스 구성을 기초로 상기 후보 클라우드 서비스 서버를 결정할 수 있다.
상기 클라우드 서비스 서버 결정부는 상기 클라우드 서비스 서버의 로드 변화 추세를 예측하여 상기 서비스 과부하 가능성을 결정하고, 상기 최종 서비스 클라우드 서버에 대해 상기 리소스 구성을 미리 예약할 수 있다.
실시예들 중에서, 인공지능 기반 클라우드 서비스 서버 결정 방법은 사용자 학습코드를 수신하는 단계; 학습코드 모집단에 있는 샘플 학습코드의 사전 분석을 통해 구축된 학습코드 유형 모델을 기초로 상기 사용자 학습코드의 유형을 판단하는 단계; 상기 사용자 학습코드의 유형에 맞는 리소스 구성을 결정하고 상기 리소스 구성을 가지는 클라우드 서비스 서버를 후보 클라우드 서비스 서버로 결정하는 단계; 및 상기 클라우드 서비스 서버의 서비스 과부하 가능성을 결정하여 상기 서비스 과부하 가능성이 특정 기준 이하인 경우에는 상기 후보 서비스 클라우드 서버를 최종 서비스 클라우드 서버로 결정하는 단계;를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법은 인공지능을 활용하여 사용자의 학습코드를 클라우드 상에서 실행하기 위한 최적의 리소스를 구성할 수 있다.
본 발명의 일 실시예에 따른 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법은 사용자 학습코드의 유형에 맞는 리소스 구성을 기초로 각 클라우드 서비스 서버 상에서의 로드 변화를 예측하여 사용자 학습코드의 실행에 최적화된 클라우드 서비스 서버를 결정할 수 있다.
도 1은 본 발명에 따른 클라우드 서비스 서버 결정 시스템을 설명하는 도면이다.
도 2는 도 1의 클라우드 서비스 서버 결정 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 클라우드 서비스 서버 결정 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 인공지능 기반 클라우드 서비스 서버 결정 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 학습코드의 유형 판단 과정을 설명하는 도면이다.
도 6은 사용자 학습코드의 유형에 따라 최종 클라우드 서비스 서버를 결정하는 과정을 설명하는 도면이다.
도 2는 도 1의 클라우드 서비스 서버 결정 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 클라우드 서비스 서버 결정 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 인공지능 기반 클라우드 서비스 서버 결정 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 학습코드의 유형 판단 과정을 설명하는 도면이다.
도 6은 사용자 학습코드의 유형에 따라 최종 클라우드 서비스 서버를 결정하는 과정을 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 클라우드 서비스 서버 결정 시스템을 설명하는 도면이다.
도 1을 참조하면, 클라우드 서비스 서버 결정 시스템(100)은 사용자 단말(110), 클라우드 서비스 서버 결정 장치(130), 클라우드 서비스 서버(150) 및 데이터베이스(170)를 포함할 수 있다.
사용자 단말(110)은 클라우드 서비스를 이용할 수 있는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 클라우드 서비스 서버 결정 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 클라우드 서비스 서버 결정 장치(130)와 동시에 연결될 수 있다. 또한, 사용자 단말(110)은 클라우드 서비스 서버(150)와 직접 연결될 수 있으며, 클라우드 서비스 이용을 위한 전용 프로그램 또는 애플리케이션을 설치하여 실행시킬 수 있다.
클라우드 서비스 서버 결정 장치(130)는 클라우드 컴퓨팅 환경에서 사용자 학습코드를 기반으로 하는 딥러닝 관련 작업 시 최적의 환경을 구성하도록 리소스의 효율적 관리를 수행하는 시스템, 또는 이에 해당하는 서버로 구현될 수 있다. 클라우드 서비스 서버 결정 장치(130)는 사용자 단말(110)과 네트워크를 통해 연결될 수 있고 관련 데이터를 주고받을 수 있다.
또한, 클라우드 서비스 서버 결정 장치(130)는 적어도 하나의 외부 시스템과 연동하여 동작할 수 있다. 예를 들어, 외부 시스템은 클라우드 서비스를 위한 클라우드 서비스 서버(150), 딥러닝 학습을 위한 인공지능 서버, 서비스 결제를 위한 결제 서버 또는 사용자 인증을 위한 인증 서버 등을 포함할 수 있다.
일 실시예에서, 클라우드 서비스 서버 결정 장치(130)는 데이터베이스(170)와 연동하여 클라우드 컴퓨팅 환경에서 딥러닝 작업을 위해 작성된 사용자 학습코드의 유형을 결정하고 결정된 하나의 학습코드의 유형을 기초로 최적의 리소스 구성을 결정하며 서비스 과부하 가능성에 기초하여 클라우드 서비스 서버(150)를 결정하기 위해 필요한 데이터를 저장할 수 있다. 또한, 클라우드 서비스 서버 결정 장치(130)는 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대해서는 도 2에서 보다 자세히 설명한다.
클라우드 서비스 서버(150)는 클라우드 서비스를 제공하는 서버에 해당할 수 있다. 클라우드 서비스 서버(150)는 사용자 환경에 적합한 다양한 클라우드 리소스를 제공할 수 있으며, 클라우드 리소스들의 조합을 다양한 인스턴스로 구현하여 제공할 수 있다. 이를 위해, 클라우드 서비스 서버(150)는 복수의 자원풀(resource pool)들과 연결되어 구현될 수 있다. 클라우드 서비스 서버(150)는 클라우드 서비스 서버 결정 장치(130)와 네트워크를 통해 연결될 수 있으며, 사용자 단말(110)과도 직접 연결될 수 있다. 클라우드 서비스 서버(150)는 클라우드 서비스 서버 결정 장치(130)에서 수행되는 딥러닝 학습을 위한 다양한 클라우드 인스턴스들을 제공할 수 있으며, 일 실시예에서 클라우드 서비스 서버(150)는 딥러닝 플랫폼을 제공하는 서버의 역할을 수행할 수 있다. 다른 실시예에서, 클라우드 서비스 서버(150)는 복수개로 구현될 수 있으며, 이 경우 각 클라우드 서비스 서버(150)는 클라우드 서비스 서버 결정 장치(130)와 독립적으로 연결될 수 있다.
데이터베이스(170)는 클라우드 서비스 서버 결정 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 데이터베이스(170)는 딥러닝 알고리즘 및 이에 관한 사용자 학습코드에 관한 정보를 저장할 수 있고, 학습코드 유형에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 인공지능 기반 클라우드 서비스 서버 결정 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
도 2는 도 1의 클라우드 서비스 서버 결정 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 클라우드 서비스 서버 결정 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.
프로세서(210)는 클라우드 서비스 서버 결정 장치(130)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 클라우드 서비스 서버 결정 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 클라우드 서비스 서버 결정 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 클라우드 서비스 서버 결정 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 클라우드 서비스 서버 결정 장치(130)는 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.
도 3은 도 1의 클라우드 서비스 서버 결정 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 클라우드 서비스 서버 결정 장치(130)는 학습코드 수신부(310), 학습코드 유형 판단부(330), 후보 클라우드 서비스 서버 결정부(350), 클라우드 서비스 서버 결정부(370) 및 제어부(390)를 포함할 수 있다.
학습코드 수신부(310)는 사용자 학습코드를 수신할 수 있다. 여기에서, 사용자 학습코드는 소정의 딥러닝 알고리즘을 구현한 딥러닝 학습코드로서 사용자에 의해 직접 생성되거나 입력된 학습코드에 해당할 수 있다. 즉, 사용자 학습코드의 실행을 통해 딥러닝 알고리즘이 구현된 결과 소정의 테스트 데이터셋에 관한 학습 동작이 수행될 수 있으며, 학습 과정에 대한 모니터링을 통해 딥러닝 학습에 관한 다양한 성능 메트릭(metric)이 측정될 수 있다. 또한, 사용자 학습코드는 소정의 프로그래밍 언어에 따라 작성될 수 있으며, 딥러닝 알고리즘의 특성이나 딥러닝 학습 방식에 따라 복수의 코드 섹션들을 포함할 수 있다. 예를 들어, 코드 섹션은 사용자 학습코드의 연산 구간, 함수 구간 및 반복 구간 등에 해당할 수 있다.
또한, 학습코드 수신부(310)는 사용자 단말(110)과 연동하여 사용자 학습코드의 수신을 위한 전용 인터페이스를 제공할 수 있으며, 사용자 단말(110)로부터 수신된 사용자 학습코드를 데이터베이스(170)에 저장하여 보관할 수 있다.
또한, 학습코드 수신부(310)는 사용자 학습코드를 수신하여 소정의 전처리 동작을 수행할 수 있다. 예를 들어, 학습코드 수신부(310)는 사용자 학습코드를 소정의 크기 이내로 제한하거나, 다수의 부분 학습코드들로 분할하는 등의 전처리 동작들을 선택적으로 수행할 수 있다. 또한, 학습코드 수신부(310)는 메타데이터 추출모듈을 포함할 수 있고, 메타데이터 추출모듈을 통해 사용자 학습코드로부터 메타데이터를 추출할 수 있다. 예를 들어, 추출된 메타데이터는 학습코드의 컴파일 시간, 빌드 시간, 프로그래밍 언어 및 바이너리 정보 등을 포함할 수 있다.
학습코드 유형 판단부(330)는 학습코드 모집단에 있는 샘플 학습코드의 사전 분석을 통해 구축된 학습코드 유형 모델을 기초로 사용자 학습코드의 유형을 판단할 수 있다. 여기에서, 학습코드 유형 모델은 학습코드를 입력으로 수신하여 해당 학습코드의 유형을 출력으로 생성하도록 구축된 딥러닝 모델에 해당할 수 있다. 학습코드 유형 모델은 샘플 학습코드에 관한 데이터셋에 해당하는 학습코드 모집단을 기초로 사전 학습을 통해 구축될 수 있으며, 학습코드의 유형 정보는 사전에 정의되어 활용될 수 있다.
예를 들어, 학습코드의 유형 정보는 학습코드의 실행에 의해 구현되는 딥러닝 알고리즘의 인공지능 연산 특징을 유형화하여 정의될 수 있으며, 인공지능 연산 특징은 딥러닝 알고리즘의 특성 메트릭들에 관한 조합으로 표현될 수 있다. 즉, 학습코드 유형 모델은 샘플 학습코드의 메타데이터에서 추출되는 학습코드 파라미터와 딥러닝 알고리즘의 인공지능 연산 특징들 간의 상관관계를 학습한 결과로서 구축될 수 있으며, 학습코드 유형 판단부(330)는 학습코드 유형 모델을 이용하여 사용자 학습코드에 대응되는 유형 정보를 결정할 수 있다.
일 실시예에서, 학습코드 유형 판단부(330)는 샘플 학습코드의 인공지능 연산 특징을 분석하여 CPU 집중 연산 유형, GPU 집중 연산 유형, 메모리 집중 연산 유형 및 가속기 집중 연산 유형 중 어느 하나를 사용자 학습코드의 유형으로서 결정할 수 있다. 보다 구체적으로, CPU 집중 연산 유형은 샘플 학습코드의 실행에 의해 구현되는 인공지능 연산이 GPU 보다는 CPU를 주로 활용하여 수행되는 것에 적합한 유형에 해당할 수 있고, GPU 집중 연산 유형은 해당 인공지능 연산이 GPU를 주로 활용하여 수행되는 것에 적합한 유형에 해당할 수 있으며, 메모리 집중 연산 유형은 해당 인공지능 연산의 수행 과정에서 연산 자원보다는 메모리를 주요 자원으로 활용하여 수행되는 것에 적합한 유형에 해당할 수 있다.
또한, 가속기 집중 연산 유형은 사용자 학습코드의 실행에 관한 동작이 클라우드 환경에서 데이터 처리의 향상을 위한 가속기를 주로 활용하여 수행되는 것에 적합한 유형에 해당할 수 있다. 여기에서, 가속기는 하드웨어 및 소프트웨어 기반의 가속기를 포함할 수 있으며, 특히 사용자 학습코드의 실행으로 구현되는 딥러닝 알고리즘의 학습을 향상시키는데 활용될 수 있다. 예를 들어, 가속기는 TPU(Tensor Processing Unit), NPU(Neural Processing Unit), FPGA(Field Programmable Gate Array) 등을 포함할 수 있으며, 딥러닝 학습 과정에서 전력 요구량을 줄임으로써 비용(cost)을 감소시키거나 또는 연산 처리 능력을 높임으로써 성능(latency)을 개선시킬 수 있다. 한편, 학습코드 유형 판단부(330)는 사용자 학습코드의 유형으로서 대표적인 유형들을 추가로 정의하여 선택적으로 활용할 수 있음은 물론이다.
일 실시예에서, 학습코드 유형 판단부(330)는 샘플 학습코드의 인공지능 연산 동안 소정의 시간 간격(time interval)마다 예측된 CPU, GPU, 메모리 및 가속기 중 적어도 하나의 사용량을 기초로 인공지능 연산 특징을 결정할 수 있다. 학습코드의 실행에 의해 구현되는 딥러닝 알고리즘의 인공지능 연산 특징은 연산 과정에 사용되는 리소스들의 특성 메트릭에 관한 조합으로 표현될 수 있다. 이때, 특성 메트릭들에는 CPU, GPU, 메모리 및 가속기의 사용량(usage)에 관한 통계적 메트릭(예를 들어, 평균, 메디안, 분산, 표준편차 등)이 포함될 수 있으며, 필요에 따라 각 리소스에 관한 비용(cost) 및 시간(latency), 그리고 각 리소스들 사이의 사용 비율(use ratio) 등의 메트릭들이 포함될 수 있다. 학습코드 유형 판단부(330)는 특성 메트릭을 조합하여 인공지능 연산 특징을 정의하고 각 샘플 학습코드의 사전 분석을 통해 인공지능 연산 특징에 관한 학습 데이터를 수집할 수 있으며, 학습 데이터들은 학습코드 유형 모델의 구축 과정에서 활용될 수 있다.
후보 클라우드 서비스 서버 결정부(350)는 사용자 학습코드의 유형에 맞는 리소스 구성을 결정하고 리소스 구성을 가지는 클라우드 서비스 서버(150)를 후보 클라우드 서비스 서버로 결정할 수 있다. 즉, 후보 클라우드 서비스 서버는 사용자 학습코드의 실행을 처리하는데 요구되는 리소스 구성을 제공 가능한 클라우드 서비스 서버(150)에 해당할 수 있다. 후보 클라우드 서비스 서버 결정부(350)는 사용자 학습코드의 유형에 적합한 최적의 리소스 구성을 결정할 수 있고, 현재 시점을 기준으로 해당 리소스 구성을 제공할 수 있는 클라우드 서비스 서버(150)들을 선별할 수 있다. 이후 단계에서는 후보 클라우드 서비스 서버들 중에서 가장 적합한 서버가 선정되어 최종적으로 사용자 학습코드의 실행에 따른 딥러닝 학습이 수행될 수 있다.
일 실시예에서, 후보 클라우드 서비스 서버 결정부(350)는 사용자 학습코드의 유형을 기초로 최적의 리소스 조합을 결정할 수 있다. 이때, 리소스 조합에는 CPU, GPU, 메모리, 가속기 및 네트워크 중 적어도 하나가 포함될 수 있다. 이를 위해, 후보 클라우드 서비스 서버 결정부(350)는 학습코드의 유형에 관한 리소스 활용맵을 이용할 수 있다. 여기에서, 리소스 활용맵은 사용자 학습코드의 유형에 따른 리소스 구성 정보를 정의하는 리소스 구성 템플릿에 해당할 수 있다. 즉, 후보 클라우드 서비스 서버 결정부(350)는 리소스 활용맵 상에서 사용자 학습코드의 유형에 매칭되는 적어도 하나의 자원 구성 리스트를 결정할 수 있으며, 자원 구성 리스트에 포함된 각 리소스에 대한 구성 정보에 따라 리소스 조합을 결정할 수 있다.
일 실시예에서, 후보 클라우드 서비스 서버 결정부(350)는 최적의 리소스 조합에서 가장 중요한 리소스 순대로 리소스 구성을 가중화 시킬 수 있다. 보다 구체적으로, 후보 클라우드 서비스 서버 결정부(350)는 각 클라우드 서비스 서버(150)의 현재 상태를 기준으로 리소스 간의 우선순위를 독립적으로 결정할 수 있다. 이후, 후보 클라우드 서비스 서버 결정부(350)는 최적의 리소스 조합에 대해 각 클라우드 서비스 서버(150)를 기준으로 리소스 간의 우선순위를 적용하여 리소스 구성을 가중화 함으로써 리소스 조합을 갱신할 수 있다.
예를 들어, 최적의 리소스 조합이 {A:50, B:30, C:20}(여기에서, A, B 및 C는 리소스이고, 각 수치는 조합 비율에 해당함)이고, 제1 클라우드 서비스 서버에 대해 리소스 간의 우선순위가 B, C, A순으로 결정된 경우, 후보 클라우드 서비스 서버 결정부(350)는 리소스 B에 대해 조합 비율을 10 증가시키고, 리소스 A에 대해 조합 비율을 10 감소시킬 수 있다. 결과적으로, 최적의 리소스 조합은 제1 클라우드 서비스 서버에 대해 {A:40, B:40, C:20}으로 갱신될 수 있다. 만약 제2 클라우드 서비스 서버에 대해 리소스 간의 우선순위가 C, B, A순으로 결정된 경우 후보 클라우드 서비스 서버 결정부(350)는 리소스 C에 대해 조합 비율을 10 증가시키고, 리소스 A에 대해 조합 비율을 10 감소시킬 수 있다. 결과적으로, 최적의 리소스 조합은 제2 클라우드 서비스 서버에 대해 {A:40, B:30, C:30}으로 갱신될 수 있다.
일 실시예에서, 후보 클라우드 서비스 서버 결정부(350)는 가중화된 리소스 구성을 기초로 후보 클라우드 서비스 서버를 결정할 수 있다. 후보 클라우드 서비스 서버 결정부(350)는 최적의 리소스 조합을 기초로 각 서버의 상태에 따라 가중화된 리소스 구성을 각 클라우드 서비스 서버(150)의 가용 자원과 비교할 수 있고, 가중화된 리소스 구성을 제공할 수 있는 클라우드 서비스 서버(150)를 후보 클라우드 서비스 서버로서 결정할 수 있다.
클라우드 서비스 서버 결정부(370)는 클라우드 서비스 서버(150)의 서비스 과부하 가능성을 결정하여 서비스 과부하 가능성이 특정 기준 이하인 경우에는 후보 서비스 클라우드 서버를 최종 클라우드 서비스 서버로 결정할 수 있다. 여기에서, 서비스 과부하 가능성은 클라우드 서비스를 제공함에 있어 현재 제공 가능한 수준을 초과할 가능성에 해당할 수 있다. 즉, 클라우드 서비스 서버 결정부(370)는 향후 클라우드 서비스를 제공함에 있어 해당 클라우드 서비스 서버의 능력이 충분한지를 고려하여 최종 클라우드 서비스 서버를 결정할 수 있다. 클라우드 서비스 서버 결정부(370)는 클라우드 서비스 서버(150)의 현재 자원 사용율, 가용 자원 정보, 그리고 자원 예약 정보를 기초로 서비스 과부하 가능성을 산출할 수 있고, 기 설정된 특정 기준 이하의 조건을 충족하는 경우 최종 클라우드 서비스 서버로 결정할 수 있다.
일 실시예에서, 클라우드 서비스 서버 결정부(370)는 클라우드 서비스 서버(150)의 로드 변화 추세를 예측하여 서비스 과부하 가능성을 결정하고, 최종 서비스 클라우드 서버에 대해 리소스 구성을 미리 예약(reservation)할 수 있다. 예를 들어, 클라우드 서비스 서버 결정부(370)는 클라우드 서비스 서버(150)의 연산 부하(computation load)에 관한 변화 추세를 예측할 수 있고, 현재 시점을 기준으로 클라우드 서비스의 추가 제공에 따른 연산 부하의 변화를 예측할 수 있다. 이때, 클라우드 서비스 서버 결정부(370)는 다양한 성능 메트릭 중 적어도 하나를 이용하여 로드 변화 추세를 예측할 수 있다. 클라우드 서비스 서버 결정부(370)는 로드 변화 추세에 따른 예측 결과를 기초로 최종 클라우드 서비스 서버를 결정할 수 있으며, 최종 클라우드 서비스 서버를 통해 사용자 학습코드의 유형에 맞는 리소스 구성을 사전에 예약할 수 있다.
제어부(390)는 클라우드 서비스 서버 결정 장치(130)의 전체적인 동작을 제어하고, 학습코드 수신부(310), 학습코드 유형 판단부(330), 후보 클라우드 서비스 서버 결정부(350) 및 클라우드 서비스 서버 결정부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 인공지능 기반 클라우드 서비스 서버 결정 방법을 설명하는 순서도이다.
도 4를 참조하면, 클라우드 서비스 서버 결정 장치(130)는 학습코드 수신부(310)를 통해 사용자 학습코드를 수신할 수 있다(단계 S410). 클라우드 서비스 서버 결정 장치(130)는 학습코드 유형 판단부(330)를 통해 학습코드 모집단에 있는 샘플 학습코드의 사전 분석을 통해 구축된 학습코드 유형 모델을 기초로 사용자 학습코드의 유형을 판단할 수 있다(단계 S430).
또한, 클라우드 서비스 서버 결정 장치(130)는 후보 클라우드 서비스 서버 결정부(350)를 통해 사용자 학습코드의 유형에 맞는 리소스 구성을 결정하고 리소스 구성을 가지는 클라우드 서비스 서버(150)를 후보 클라우드 서비스 서버로 결정할 수 있다(단계 S450).
또한, 클라우드 서비스 서버 결정 장치(130)는 클라우드 서비스 서버 결정부(370)를 통해 클라우드 서비스 서버(150)의 서비스 과부하 가능성을 결정하여 서비스 과부하 가능성이 특정 기준 이하인 경우에는 후보 서비스 클라우드 서버를 최종 클라우드 서비스 서버로 결정할 수 있다(단계 S470).
도 5는 본 발명에 따른 학습코드의 유형 판단 과정을 설명하는 도면이다.
도 5를 참조하면, 클라우드 서비스 서버 결정 장치(130)는 학습코드 유형 판단부(330)를 통해 학습코드 유형 모델을 기초로 사용자 학습코드(550)의 유형을 판단할 수 있다. 이때, 학습코드(550)의 유형은 학습코드의 실행을 통해 구현되는 딥러닝 알고리즘(530)의 인공지능 연산 특징을 기초로 결정될 수 있다. 예를 들어, 클라우드 서비스 서버 결정 장치(130)는 사용자 학습코드(550)의 인공지능 연산 특징을 분석하여 CPU 집중 연산 유형, GPU 집중 연산 유형, 메모리 집중 연산 유형 및 가속기 집중 연산 유형 중 어느 하나를 사용자 학습코드(550)의 유형으로서 결정할 수 있다. 도 5에서, 사용자 학습코드 (a)의 경우 CPU 집중 연산 유형으로 분류될 수 있고, (b)의 경우 GPU 집중 연산 유형으로 분류될 수 있다. 또한, (c)의 경우 메모리 집중 연산 유형으로 분류될 수 있고, (d)의 경우 가속기 집중 연산 유형으로 분류될 수 있다. 이때, 사용자 학습코드(550)의 유형은 클라우드의 자원풀(510)에 의해 관리하는 리소스들 중 특정 유형의 리소스에 따라 인공지능 연산 성능이 결정될 수 있음을 나타낼 수 있다.
도 6은 사용자 학습코드의 유형에 따라 최종 클라우드 서비스 서버를 결정하는 과정을 설명하는 도면이다.
도 6을 참조하면, 클라우드 서비스 서버 결정 장치(130)는 학습코드 유형 판단부(330)를 통해 학습코드의 유형에 관한 데이터를 사전에 구축할 수 있다. 이때, 학습코드의 유형에 대한 데이터는 사전(dictionary) 형태로 구축될 수 있으며, 클라우드 서비스 서버 결정 장치(130)는 사전 내에서 가장 매칭도 높은 데이터를 선택함으로써 해당 유형에 관한 결정 동작을 수행할 수 있다.
또한, 클라우드 서비스 서버 결정 장치(130)는 사용자 학습코드(610)를 수신하면 기 정의된 복수의 학습코드의 유형들(630) 중에서 하나를 결정할 수 있고, 결정된 사용자 학습코드의 유형에 가장 적합한 리소스 구성을 결정할 수 있다. 이후, 클라우드 서비스 서버 결정 장치(130)는 결정된 리소스 구성을 기초로 후보 클라우드 서비스 서버들(650) 각각의 서비스 과부하 가능성을 예측할 수 있다. 이때, 서비스 과부하 가능성은 다양한 방법으로 예측될 수 있으며, 예를 들어 서버의 리소스 사용 메트릭에 관한 변화를 기준값과 비교하는 방법이 사용될 수 있다.
또한, 클라우드 서비스 서버 결정 장치(130)는 후보 클라우드 서비스 서버들(650) 중에서 서비스 과부하 가능성이 기준값보다 낮은 서버를 최종 클라우드 서비스 서버로 결정할 수 있다. 이후, 클라우드 서비스 서버 결정 장치(130)는 최종 클라우드 서비스 서버와 연동하여 사용자 학습코드(610)의 실행을 위한 클라우드 환경을 구성할 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 클라우드 서비스 서버 결정 시스템
110: 사용자 단말 130: 클라우드 서비스 서버 결정 장치
150: 클라우드 서비스 서버 170: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 학습코드 수신부 330: 학습코드 유형 판단부
350: 후보 클라우드 서비스 서버 결정부
370: 클라우드 서비스 서버 결정부
390: 제어부
110: 사용자 단말 130: 클라우드 서비스 서버 결정 장치
150: 클라우드 서비스 서버 170: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 학습코드 수신부 330: 학습코드 유형 판단부
350: 후보 클라우드 서비스 서버 결정부
370: 클라우드 서비스 서버 결정부
390: 제어부
Claims (8)
- 사용자 학습코드를 수신하는 학습코드 수신부;
학습코드 모집단에 있는 샘플 학습코드의 사전 분석을 통해 구축된 학습코드 유형 모델을 기초로 상기 사용자 학습코드의 유형을 판단하는 학습코드 유형 판단부;
상기 사용자 학습코드의 유형에 맞는 리소스 구성을 결정하고 상기 리소스 구성을 가지는 클라우드 서비스 서버를 후보 클라우드 서비스 서버로 결정하는 후보 클라우드 서비스 서버 결정부; 및
상기 클라우드 서비스 서버의 서비스 과부하 가능성을 결정하여 상기 서비스 과부하 가능성이 특정 기준 이하인 경우에는 상기 후보 클라우드 서비스 서버를 최종 클라우드 서비스 서버로 결정하는 클라우드 서비스 서버 결정부;를 포함하는 인공지능 기반 클라우드 서비스 서버 결정 장치.
- 제1항에 있어서, 상기 학습코드 유형 판단부는
상기 샘플 학습코드의 인공지능 연산 특징을 분석하여 CPU 집중 연산 유형, GPU 집중 연산 유형, 메모리 집중 연산 유형 및 가속기 집중 연산 유형 중 어느 하나를 상기 사용자 학습코드의 유형으로서 결정하는 것을 특징으로 하는 인공지능 기반 클라우드 서비스 서버 결정 장치.
- 제2항에 있어서, 상기 학습코드 유형 판단부는
상기 샘플 학습코드의 인공지능 연산 동안 소정의 시간 간격(time interval)마다 예측된 CPU, GPU, 메모리 및 가속기 중 적어도 하나의 사용량을 기초로 상기 인공지능 연산 특징을 결정하는 것을 특징으로 하는 인공지능 기반 클라우드 서비스 서버 결정 장치.
- 제1항에 있어서, 상기 후보 클라우드 서비스 서버 결정부는
상기 사용자 학습코드의 유형을 기초로 최적의 리소스 조합을 결정하는 것을 특징으로 하는 인공지능 기반 클라우드 서비스 서버 결정 장치.
- 제4항에 있어서, 상기 후보 클라우드 서비스 서버 결정부는
상기 최적의 리소스 조합에서 가장 중요한 리소스 순대로 상기 리소스 구성을 가중화 시키는 것을 특징으로 하는 인공지능 기반 클라우드 서비스 서버 결정 장치.
- 제5항에 있어서, 상기 후보 클라우드 서비스 서버 결정부는
상기 가중화된 리소스 구성을 기초로 상기 후보 클라우드 서비스 서버를 결정하는 것을 특징으로 하는 인공지능 기반 클라우드 서비스 서버 결정 장치.
- 제1항에 있어서, 상기 클라우드 서비스 서버 결정부는
상기 클라우드 서비스 서버의 로드 변화 추세를 예측하여 상기 서비스 과부하 가능성을 결정하고, 상기 최종 클라우드 서비스 서버에 대해 상기 리소스 구성을 미리 예약하는 것을 특징으로 하는 인공지능 기반 클라우드 서비스 서버 결정 장치.
- 사용자 학습코드를 수신하는 단계;
학습코드 모집단에 있는 샘플 학습코드의 사전 분석을 통해 구축된 학습코드 유형 모델을 기초로 상기 사용자 학습코드의 유형을 판단하는 단계;
상기 사용자 학습코드의 유형에 맞는 리소스 구성을 결정하고 상기 리소스 구성을 가지는 클라우드 서비스 서버를 후보 클라우드 서비스 서버로 결정하는 단계; 및
상기 클라우드 서비스 서버의 서비스 과부하 가능성을 결정하여 상기 서비스 과부하 가능성이 특정 기준 이하인 경우에는 상기 후보 클라우드 서비스 서버를 최종 서비스 클라우드 서버로 결정하는 단계;를 포함하는 인공지능 기반 클라우드 서비스 서버 결정 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210176148A KR102613365B1 (ko) | 2021-12-09 | 2021-12-09 | 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210176148A KR102613365B1 (ko) | 2021-12-09 | 2021-12-09 | 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230087315A KR20230087315A (ko) | 2023-06-16 |
| KR102613365B1 true KR102613365B1 (ko) | 2023-12-13 |
Family
ID=86948311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210176148A KR102613365B1 (ko) | 2021-12-09 | 2021-12-09 | 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102613365B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117201502B (zh) * | 2023-09-12 | 2024-02-20 | 广州云硕科技发展有限公司 | 基于人工智能的智能云服务器接入方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018503897A (ja) | 2014-12-29 | 2018-02-08 | 株式会社Ｎｔｔドコモ | クラウドシステムにおけるリソース管理 |
| KR102247629B1 (ko) | 2019-12-17 | 2021-05-04 | 부산대학교 산학협력단 | 기계 학습 기반의 클라우드 가상머신 자원의 최적화 장치 및 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9781205B2 (en) * | 2011-09-12 | 2017-10-03 | Microsoft Technology Licensing, Llc | Coordination engine for cloud selection |
| KR20170078012A (ko) | 2015-12-29 | 2017-07-07 | 전자부품연구원 | 클라우드 자원 모니터링 및 예측을 통한 자원 할당 최적화 방법 및 시스템 |
| KR102062037B1 (ko) * | 2018-05-16 | 2020-01-03 | 국민대학교산학협력단 | 클라우드 기반의 배치 서비스 제공 장치 및 방법 |
-
2021
- 2021-12-09 KR KR1020210176148A patent/KR102613365B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018503897A (ja) | 2014-12-29 | 2018-02-08 | 株式会社Ｎｔｔドコモ | クラウドシステムにおけるリソース管理 |
| KR102247629B1 (ko) | 2019-12-17 | 2021-05-04 | 부산대학교 산학협력단 | 기계 학습 기반의 클라우드 가상머신 자원의 최적화 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230087315A (ko) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807515B (zh) | 模型生成方法和装置 | |
| CN110852421A (zh) | 模型生成方法和装置 | |
| CN108509325B (zh) | 系统超时时间的动态确定方法与装置 | |
| KR102337070B1 (ko) | 이상 데이터 자동 검출 및 자동 라벨링 기술을 이용한 학습 데이터베이스 구축 방법 및 시스템 | |
| US9852390B2 (en) | Methods and systems for intelligent evolutionary optimization of workflows using big data infrastructure | |
| KR102613367B1 (ko) | 딥러닝 모델 서빙 최적화를 위한 모델 자동 경량화 방법 및 장치, 이를 이용한 클라우드 추론 서비스 제공 방법 | |
| KR102167747B1 (ko) | 사용자 이용 패턴을 신경망 알고리즘으로 분석하여 다음 어플리케이션을 예측하는 모바일 디바이스 메모리 관리 장치 및 방법 | |
| CN111340221A (zh) | 神经网络结构的采样方法和装置 | |
| CN110046279B (zh) | 视频文件特征的预测方法、介质、装置和计算设备 | |
| CN114580263A (zh) | 基于知识图谱的信息系统故障预测方法及相关设备 | |
| KR102293791B1 (ko) | 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 | |
| US11640306B2 (en) | Computational configuration and multi-layer cluster analysis | |
| KR102613365B1 (ko) | 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법 | |
| US20240129567A1 (en) | Hub device, multi-device system including the hub device and plurality of devices, and operating method of the hub device and multi-device system | |
| Dogani et al. | Multivariate workload and resource prediction in cloud computing using CNN and GRU by attention mechanism | |
| CN111209930B (zh) | 一种生成授信策略的方法、装置和电子设备 | |
| CN111190967B (zh) | 用户多维度数据处理方法、装置及电子设备 | |
| CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
| Kim et al. | Smartphone analysis and optimization based on user activity recognition | |
| CN110602207A (zh) | 基于离网预测推送信息的方法、装置、服务器和存储介质 | |
| US20200410367A1 (en) | Scalable Predictive Analytic System | |
| KR20230087308A (ko) | 인공지능 기반 리소스 활용패턴예측을 통한 클라우드 학습장치 및 방법 | |
| KR20230087316A (ko) | 인공지능 기반 클라우드 서비스 서버 결정 장치 및 방법 | |
| KR20230087309A (ko) | 학습 클라우드 유형 기반의 인공지능 클라우드 학습장치 및 방법 | |
| KR102135719B1 (ko) | 부품 관리 장치 및 이의 동작 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |