KR102627063B1 - Apparatus for predicting ai based error vulerable element in information infra - Google Patents

Apparatus for predicting ai based error vulerable element in information infra Download PDF

Info

Publication number
KR102627063B1
KR102627063B1 KR1020210188941A KR20210188941A KR102627063B1 KR 102627063 B1 KR102627063 B1 KR 102627063B1 KR 1020210188941 A KR1020210188941 A KR 1020210188941A KR 20210188941 A KR20210188941 A KR 20210188941A KR 102627063 B1 KR102627063 B1 KR 102627063B1
Authority
KR
South Korea
Prior art keywords
error
node
feature data
traffic
data
Prior art date
Application number
KR1020210188941A
Other languages
Korean (ko)
Other versions
KR20230099509A (en
Inventor
김재한
이성기
Original Assignee
(주)하몬소프트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)하몬소프트 filed Critical (주)하몬소프트
Priority to KR1020210188941A priority Critical patent/KR102627063B1/en
Publication of KR20230099509A publication Critical patent/KR20230099509A/en
Application granted granted Critical
Publication of KR102627063B1 publication Critical patent/KR102627063B1/en

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/02—Capturing of monitoring data
    • H04L43/026—Capturing of monitoring data using flow identification
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/06—Generation of reports
    • H04L43/067—Generation of reports using time frame reporting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0823—Errors, e.g. transmission errors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1433—Vulnerability analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치는 정보인프라를 구성하는 노드의 트래픽 데이터 및 트래픽 플로우를 포함하는 상태정보를 수집하는 트래픽 수집부, 상기 노드의 상태정보를 수집 및 분석하여 특징 데이터를 추출하고 상기 특징 데이터에 관한 클러스터링을 수행하여 클러스터 중심 좌표를 결정하며 상기 클러스터 중심 좌표를 기초로 상기 노드의 특성을 결정하는 노드 특성 결정부, 상기 노드의 특성을 기초로 분류된 오류 학습 네트워크에 상기 트래픽 데이터 및 트래픽 플로우를 제공하여 상기 노드에 대한 오류 특성의 결정 및 오류 종류의 예측을 수행하는 오류예측부 및 상기 오류 특성 및 오류 종류를 기초로 상기 노드에 대한 사전 오류 검증을 수행하는 자율제어부를 포함한다.The artificial intelligence-based error vulnerability factor prediction device in information infrastructure includes a traffic collection unit that collects status information including traffic data and traffic flows of nodes constituting the information infrastructure, and characteristic data by collecting and analyzing the status information of the nodes. A node characteristic determination unit that extracts and performs clustering on the feature data to determine cluster center coordinates and determines characteristics of the node based on the cluster center coordinates; an error learning network classified based on the characteristics of the node; An error prediction unit that provides traffic data and traffic flow to determine error characteristics and predict error types for the node, and an autonomous control unit that performs preliminary error verification for the node based on the error characteristics and error types. Includes.

Description

정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치{APPARATUS FOR PREDICTING AI BASED ERROR VULERABLE ELEMENT IN INFORMATION INFRA}Artificial intelligence-based error vulnerability factor prediction device in information infrastructure {APPARATUS FOR PREDICTING AI BASED ERROR VULERABLE ELEMENT IN INFORMATION INFRA}

본 발명은 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치에 관한 것으로, 보다 상세하게는 노드의 특징 데이터에 관한 클러스터링을 수행하여 노드의 특성을 결정하며 노드의 특성을 기초로 분류된 오류 학습 네트워크에 트래픽 데이터 및 트래픽 플로우를 제공하여 노드에 대한 오류 특성의 결정 및 오류 종류의 예측을 수행하는 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치에 관한 것이다.The present invention relates to an artificial intelligence-based error vulnerability factor prediction device in information infrastructure. More specifically, it determines the characteristics of the node by performing clustering on the characteristic data of the node, and an error learning network classified based on the characteristics of the node. This relates to an artificial intelligence-based error vulnerability factor prediction device in information infrastructure that provides traffic data and traffic flows to determine error characteristics for nodes and predict error types.

정보인프라는 정보통신망으로 구축된 컴퓨팅 장치의 집합체로서, 정보통신망의 핵심은 광케이블망을 주축으로 영상과 음성 · 문자 등 멀티미디어 정보를 쌍방향으로 오갈 수 있다는 것이다. 일반 사진은 물론 비디오와 오디오 정보도 실시간으로 전송할 수 있으며, 영상전화나 원격의료, 원격화상회의 등도 가능하다.Information infrastructure is a collection of computing devices built on an information and communications network. The core of the information and communications network is that it allows the two-way exchange of multimedia information such as video, voice, and text based on an optical cable network. General photos as well as video and audio information can be transmitted in real time, and video calls, telemedicine, and remote video conferencing are also possible.

한국등록특허 제10-2340834호(2021.12.14)는 장치에 의해 수행되는, 인공지능을 기반으로 정보통신 인프라 시공을 수행하기 위해 구조를 설계하는 방법에 있어서, 사용자 단말로부터 통신 인프라의 설계가 필요한 제1 공간의 평면도를 수신하는 단계; 상기 제1 공간에 배치될 전산 장비들이 상기 평면도에 표시되어 있는 것으로 확인되면, 상기 평면도를 인공 신경망에 적용하여, 상기 인공 신경망의 출력을 기초로, 상기 제1 공간에서 통신 장비들이 배치될 위치를 선정하는 단계; 상기 제1 공간에서 통신 장비들이 배치될 위치를 기초로, 상기 평면도에 상기 통신 장비들을 표시하여, 상기 평면도를 수정하는 단계; 및 상기 수정된 평면도를 상기 사용자 단말로 전송하는 단계를 포함하는, 인공지능을 기반으로 정보통신 인프라 시공을 수행하기 위한 구조 설계 방법이 제공된다.Korean Patent No. 10-2340834 (2021.12.14) is a method of designing a structure to perform information and communication infrastructure construction based on artificial intelligence performed by a device, requiring design of communication infrastructure from user terminals. Receiving a floor plan of a first space; When it is confirmed that the computing equipment to be placed in the first space is indicated on the floor plan, the floor plan is applied to an artificial neural network to determine where the communication equipment will be placed in the first space based on the output of the artificial neural network. selection step; Modifying the floor plan by displaying the communication equipment on the floor plan based on positions where the communication equipment will be placed in the first space; A structural design method for performing information and communication infrastructure construction based on artificial intelligence is provided, including the step of transmitting the modified floor plan to the user terminal.

한국등록특허 제10-2340834호(2021.12.14)Korean Patent No. 10-2340834 (2021.12.14)

본 발명의 일 실시예는 노드의 특징 데이터에 관한 클러스터링을 수행하여 노드의 특성을 결정하며 노드의 특성을 기초로 분류된 오류 학습 네트워크에 트래픽 데이터 및 트래픽 플로우를 제공하여 노드에 대한 오류 특성의 결정 및 오류 종류의 예측을 수행하는 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치를 제공하고자 한다.One embodiment of the present invention determines the characteristics of the node by performing clustering on the characteristic data of the node, and determines the error characteristics of the node by providing traffic data and traffic flows to an error learning network classified based on the characteristics of the node. We aim to provide an artificial intelligence-based error vulnerability factor prediction device in information infrastructure that predicts error types.

본 발명의 일 실시예는 트래픽 데이터 및 트래픽 플로우에 대한 다차원 분석을 수행하여 각 차원의 정도를 산출하고 각 차원의 정도를 특징 벡터로 생성하여 특징 데이터를 결정하는 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치를 제공하고자 한다.One embodiment of the present invention performs multidimensional analysis on traffic data and traffic flows to calculate the degree of each dimension and generates the degree of each dimension as a feature vector to determine feature data based on artificial intelligence-based error vulnerability. We would like to provide a factor prediction device.

본 발명의 일 실시예에 따른 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치는 정보인프라를 구성하는 노드의 트래픽 데이터 및 트래픽 플로우를 포함하는 상태정보를 수집하는 트래픽 수집부, 상기 노드의 상태정보를 수집 및 분석하여 특징 데이터를 추출하고 상기 특징 데이터에 관한 클러스터링을 수행하여 클러스터 중심 좌표를 결정하며 상기 클러스터 중심 좌표를 기초로 상기 노드의 특성을 결정하는 노드 특성 결정부, 상기 노드의 특성을 기초로 분류된 오류 학습 네트워크에 상기 트래픽 데이터 및 트래픽 플로우를 제공하여 상기 노드에 대한 오류 특성의 결정 및 오류 종류의 예측을 수행하는 오류예측부 및 상기 오류 특성 및 오류 종류를 기초로 상기 노드에 대한 사전 오류 검증을 수행하는 자율제어부를 포함한다.An artificial intelligence-based error vulnerability factor prediction device in information infrastructure according to an embodiment of the present invention includes a traffic collection unit that collects status information including traffic data and traffic flows of nodes constituting the information infrastructure, and status information of the nodes. A node characteristic determination unit that collects and analyzes to extract feature data, performs clustering on the feature data to determine cluster center coordinates, and determines characteristics of the node based on the cluster center coordinates, based on the characteristics of the node An error prediction unit that provides the traffic data and traffic flow to an error learning network classified as an error prediction unit to determine error characteristics and predict error types for the node, and a dictionary for the node based on the error characteristics and error types. It includes an autonomous control unit that performs error verification.

상기 노드 특성 결정부는 상기 트래픽 데이터 및 트래픽 플로우에 대한 다차원 분석을 수행하여 각 차원의 정도를 산출하고 각 차원의 정도를 특징 벡터로 생성하여 상기 특징 데이터를 결정하며, 상기 다차원 분석은 정규화된 전송빈도, 전송주기, 전송량, 발산정도 및 수렴정도에 관한 분석을 포함할 수 있다. 상기 노드 특성 결정부는 상기 특징 데이터를 단위 시간당 분석하여 기준 편차 이상인 특징 데이터를 제외한 일반 특징 데이터를 클러스터링 하여 상기 클러스터 중심 좌표를 산출할 수 있다.The node characteristic determination unit performs multidimensional analysis on the traffic data and traffic flow to calculate the degree of each dimension and generates the degree of each dimension as a feature vector to determine the feature data. The multidimensional analysis determines the normalized transmission frequency. , may include analysis of transmission period, transmission amount, degree of divergence, and degree of convergence. The node characteristic determination unit may analyze the feature data per unit time, cluster general feature data excluding feature data with a standard deviation or more, and calculate the cluster center coordinates.

상기 오류예측부는 상기 오류 학습 네트워크가 상기 특징 데이터에 대한 편향성을 분석하고 상기 클러스터 중심 좌표 및 상기 편향성의 크기(magnitude)를 기초로 상기 오류 특성의 결정 및 오류 종류의 예측을 수행하도록 할 수 있다. 상기 오류예측부는 상기 오류 학습 네트워크가 상기 특징 데이터의 시계열 분석을 통해 편향 방향성을 추가적으로 분석하도록 하여 상기 오류 특성의 결정 및 오류 종류의 예측을 정교화 할 수 있다.The error prediction unit may enable the error learning network to analyze bias for the feature data and determine the error characteristics and predict the type of error based on the cluster center coordinates and the magnitude of the bias. The error prediction unit may refine the determination of the error characteristics and prediction of the error type by allowing the error learning network to additionally analyze the bias direction through time series analysis of the feature data.

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.The disclosed technology can have the following effects. However, since it does not mean that a specific embodiment must include all of the following effects or only the following effects, the scope of rights of the disclosed technology should not be understood as being limited thereby.

본 발명의 일 실시예에 따른 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치는 노드의 특징 데이터에 관한 클러스터링을 수행하여 노드의 특성을 결정하며 노드의 특성을 기초로 분류된 오류 학습 네트워크에 트래픽 데이터 및 트래픽 플로우를 제공하여 노드에 대한 오류 특성의 결정 및 오류 종류의 예측을 수행할 수 있다.The artificial intelligence-based error vulnerability factor prediction device in the information infrastructure according to an embodiment of the present invention determines the characteristics of the node by performing clustering on the characteristic data of the node, and sends traffic to the error learning network classified based on the characteristics of the node. By providing data and traffic flows, it is possible to determine error characteristics for nodes and predict error types.

본 발명의 일 실시예에 따른 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치는 트래픽 데이터 및 트래픽 플로우에 대한 다차원 분석을 수행하여 각 차원의 정도를 산출하고 각 차원의 정도를 특징 벡터로 생성하여 특징 데이터를 결정할 수 있다.The artificial intelligence-based error vulnerability factor prediction device in information infrastructure according to an embodiment of the present invention performs multidimensional analysis on traffic data and traffic flows to calculate the degree of each dimension and generates the degree of each dimension as a feature vector. Feature data can be determined.

도 1은 본 발명의 일 실시예에 따른 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 시스템을 도시한 도면이다.
도 2는 도 1의 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 구성을 설명하는 도면이다.
도 3은 도 1의 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치의 기능적 구성을 설명하는 도면이다.
도 4는 도 1의 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치의 기능 구성을 설명하는 흐름도이다.Figure 1 is a diagram illustrating an artificial intelligence-based error vulnerability factor prediction system in information infrastructure according to an embodiment of the present invention.
FIG. 2 is a diagram illustrating the configuration of artificial intelligence-based error vulnerability factor prediction in the information infrastructure of FIG. 1.
FIG. 3 is a diagram illustrating the functional configuration of an artificial intelligence-based error vulnerability factor prediction device in the information infrastructure of FIG. 1.
Figure 4 is a flowchart explaining the functional configuration of the artificial intelligence-based error vulnerability factor prediction device in the information infrastructure of Figure 1.

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.Since the description of the present invention is only an example for structural or functional explanation, the scope of the present invention should not be construed as limited by the examples described in the text. In other words, since the embodiments can be modified in various ways and can have various forms, the scope of rights of the present invention should be understood to include equivalents that can realize the technical idea. In addition, the purpose or effect presented in the present invention does not mean that a specific embodiment must include all or only such effects, so the scope of the present invention should not be understood as limited thereby.

한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.Meanwhile, the meaning of the terms described in this application should be understood as follows.

"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.Terms such as “first” and “second” are used to distinguish one component from another component, and the scope of rights should not be limited by these terms. For example, a first component may be named a second component, and similarly, the second component may also be named a first component.

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.When a component is referred to as being “connected” to another component, it should be understood that it may be directly connected to the other component, but that other components may exist in between. On the other hand, when a component is referred to as being “directly connected” to another component, it should be understood that there are no other components in between. Meanwhile, other expressions that describe the relationship between components, such as "between" and "immediately between" or "neighboring" and "directly neighboring" should be interpreted similarly.

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.Singular expressions should be understood to include plural expressions unless the context clearly indicates otherwise, and terms such as “comprise” or “have” refer to implemented features, numbers, steps, operations, components, parts, or them. It is intended to specify the existence of a combination, and should be understood as not excluding in advance the possibility of the presence or addition of one or more other features, numbers, steps, operations, components, parts, or combinations thereof.

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.For each step, identification codes (e.g., a, b, c, etc.) are used for convenience of explanation. The identification codes do not explain the order of each step, and each step clearly follows a specific order in context. Unless specified, events may occur differently from the specified order. That is, each step may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the opposite order.

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.All terms used herein, unless otherwise defined, have the same meaning as commonly understood by a person of ordinary skill in the field to which the present invention pertains. Terms defined in commonly used dictionaries should be interpreted as consistent with the meaning they have in the context of the related technology, and cannot be interpreted as having an ideal or excessively formal meaning unless clearly defined in the present application.

도 1은 본 발명의 일 실시예에 따른 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 시스템을 도시한 도면이다. Figure 1 is a diagram illustrating an artificial intelligence-based error vulnerability factor prediction system in information infrastructure according to an embodiment of the present invention.

도 1을 참조하면, 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 시스템(100)은 정보인프라(110), 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치(130) 및 정보인프라 데이터베이스(150)를 포함할 수 있다.Referring to FIG. 1, the artificial intelligence-based error vulnerable factor prediction system 100 in the information infrastructure includes the information infrastructure 110, the artificial intelligence-based error vulnerable factor prediction device 130 in the information infrastructure, and the information infrastructure database 150. may include.

정보인프라(110)는 네트워크 노드(이하, 단순하게 노드로도 표현함)로 구축되고 상호 간에 데이터를 송수신하는 컴퓨팅 장치로 구현될 수 있다. 일 실시예에서, 정보인프라(110)는 사물인터넷 기반의 센서에 해당할 수 있고, 센서는 특정 내용을 감지하여 상태정보를 생성할 수 있다. 예를 들어, 온도 센서는 대상객체에 대한 온도를 감지할 수 있고, 온도 데이터를 포함하는 상태정보를 생성할 수 있다.The information infrastructure 110 is built with network nodes (hereinafter simply referred to as nodes) and may be implemented as computing devices that transmit and receive data between them. In one embodiment, the information infrastructure 110 may correspond to an IoT-based sensor, and the sensor may detect specific content and generate status information. For example, a temperature sensor can detect the temperature of a target object and generate status information including temperature data.

일 실시예에서, 정보인프라(110)를 구성하는 각 네트워크 노드는 스마트폰, 노트북 또는 휴대용 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 웨어러블 등 다양한 디바이스로도 구현될 수 있다. 정보인프라(110)는 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치(130)와 네트워크를 통해 연결될 수 있으며, 네트워크 노드는 전용 프로그램 또는 어플리케이션을 설치하여 실행할 수 있다.In one embodiment, each network node constituting the information infrastructure 110 may be implemented as a smartphone, laptop, or portable computer, but is not necessarily limited thereto, and may also be implemented as a variety of devices such as wearables. The information infrastructure 110 can be connected to the artificial intelligence-based error vulnerability factor prediction device 130 through a network, and the network node can install and run a dedicated program or application.

정보인프라(110)에서 인공지능 기반의 오류 취약 요인 예측 장치(130)는 네트워크 노드의 상태정보를 수집 및 분석하여 특징 데이터를 추출하고 특징 데이터에 관한 클러스터링을 수행하여 클러스터 중심 좌표를 결정한다. 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치(130)는 클러스터 중심 좌표를 기초로 네트워크 노드의 특성을 결정하고 노드의 특성을 기초로 분류된 오류 학습 네트워크에 트래픽 데이터 및 트래픽 플로우를 제공하여 네트워크 노드에 대한 오류 특성의 결정 및 오류 종류의 예측을 수행한다.In the information infrastructure 110, the artificial intelligence-based error vulnerability factor prediction device 130 collects and analyzes the status information of network nodes to extract feature data and performs clustering on the feature data to determine cluster center coordinates. In information infrastructure, the artificial intelligence-based error vulnerability factor prediction device 130 determines the characteristics of network nodes based on the cluster center coordinates and provides traffic data and traffic flows to the error learning network classified based on the characteristics of the nodes to maintain the network Determine error characteristics for nodes and predict error types.

정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치(130)는 정보인프라(110)와 유선 네트워크 또는 블루투스, WiFi 등과 같은 무선 네트워크로 연결될 수 있고, 네트워크를 통해 정보인프라(110)와 데이터를 송수신할 수 있다.The artificial intelligence-based error vulnerability factor prediction device 130 in the information infrastructure can be connected to the information infrastructure 110 through a wired network or a wireless network such as Bluetooth or WiFi, and can transmit and receive data with the information infrastructure 110 through the network. You can.

정보인프라 데이터베이스(150)는 정보인프라(110)의 상태정보를 저장할 수 있고, 네트워크 노드별로 상태정보 및 특징 데이터를 저장할 수 있다. 또한, 정보인프라 데이터베이스(150)는 네트워크 노드별로 실제로 발생하였던 오류 내용을 저장할 수 있고, 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치(130)는 주기적으로 오류 내용을 분석하여 정보인프라(110)의 전체 특성을 결정할 수 있다.The information infrastructure database 150 can store status information of the information infrastructure 110, and can store status information and characteristic data for each network node. In addition, the information infrastructure database 150 can store the contents of errors that actually occurred for each network node, and the artificial intelligence-based error vulnerability factor prediction device 130 in the information infrastructure periodically analyzes the error contents to determine the information infrastructure 110. The overall characteristics of can be determined.

도 2는 도 1의 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치 구성을 설명하는 도면이다.FIG. 2 is a diagram illustrating the configuration of an artificial intelligence-based error vulnerability factor prediction device in the information infrastructure of FIG. 1.

도 2를 참조하면, 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함할 수 있다.Referring to FIG. 2, the artificial intelligence-based error vulnerability factor prediction device 130 in the information infrastructure may include a processor 210, a memory 230, a user input/output unit 250, and a network input/output unit 270. .

프로세서(210)는 본 발명의 실시예에 따른 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 프로시저를 실행할 수 있고, 이러한 과정에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄 할 수 있다. 프로세서(210)는 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 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 모바일 앱 광고의 광고정보 공유 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.The processor 210 can execute an artificial intelligence-based error vulnerability factor prediction procedure in the information infrastructure according to an embodiment of the present invention, and manage the memory 230 that is read or written in this process. ) can schedule the synchronization time between volatile memory and non-volatile memory. The processor 210 can control the overall operation of the artificial intelligence-based error vulnerability factor prediction device 130 in the information infrastructure, and is electrically connected to the memory 230, the user input/output unit 250, and the network input/output unit 270. They can be connected to control the data flow between them. The processor 210 may be implemented as a CPU (Central Processing Unit) of the advertising information sharing device 130 for mobile app advertising.

메모리(230)는 SSD(Solid State Disk) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 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. 또한, 메모리(230)는 전기적으로 연결된 프로세서(210)에 의해 실행됨으로써 본 발명에 따른 학습 데이터베이스 구축 방법을 실행하는 명령들의 집합을 저장할 수 있다.The memory 230 is implemented as a non-volatile memory such as a solid state disk (SSD) or a hard disk drive (HDD) and is used to store all data required for the artificial intelligence-based error vulnerability factor prediction device 130 in the information infrastructure. It may include an auxiliary memory, and may include a main memory implemented as volatile memory such as RAM (Random Access Memory). Additionally, the memory 230 can store a set of instructions for executing the learning database construction method according to the present invention by being executed by the electrically connected processor 210.

사용자 입출력부(250)은 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함하고, 예를 들어, 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치 스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)은 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 모바일 앱 광고의 광고정보 공유 장치(130)는 독립적인 서버로서 수행될 수 있다.The user input/output unit 250 includes an environment for receiving user input and an environment for outputting specific information to the user, and includes an input adapter such as, for example, a touch pad, a touch screen, an on-screen keyboard, or a pointing device. It may include an output device including a device and an adapter such as a monitor or touch screen. In one embodiment, the user input/output unit 250 may correspond to a computing device connected through a remote connection, and in such case, the advertisement information sharing device 130 for mobile app advertisement may be performed as an independent server.

네트워크 입출력부(270)은 네트워크를 통해 정보인프라(110)과 연결되기 위한 통신 환경을 제공하고, 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. 또한, 네트워크 입출력부(270)는 학습 데이터의 무선 전송을 위해 WiFi, 블루투스 등의 근거리 통신 기능이나 4G 이상의 무선 통신 기능을 제공하도록 구현될 수 있다.The network input/output unit 270 provides a communication environment for connection to the information infrastructure 110 through a network, for example, LAN (Local Area Network), MAN (Metropolitan Area Network), WAN (Wide Area Network), and It may include an adapter for communication such as VAN (Value Added Network). Additionally, the network input/output unit 270 may be implemented to provide short-range communication functions such as WiFi and Bluetooth or wireless communication functions of 4G or higher for wireless transmission of learning data.

도 3은 도 1의 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치의 기능적 구성을 설명하는 도면이다.FIG. 3 is a diagram illustrating the functional configuration of an artificial intelligence-based error vulnerability factor prediction device in the information infrastructure of FIG. 1.

도 3을 참조하면, 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치(130)는 트래픽 수집부(310), 노드 특성 결정부(320), 오류 예측부(330), 자율제어부(340) 및 제어부(350)를 포함할 수 있다.Referring to FIG. 3, the artificial intelligence-based error vulnerability factor prediction device 130 in information infrastructure includes a traffic collection unit 310, a node characteristic determination unit 320, an error prediction unit 330, an autonomous control unit 340, and It may include a control unit 350.

트래픽 수집부(310)는 정보인프라(110)를 구성하는 노드의 트래픽 데이터 및 트래픽 플로우를 포함하는 상태정보를 수집한다. 정보인프라(110)는 적어도 하나의 네트워크 노드로 구성될 수 있고, 네트워크 노드는 사물인터넷 센서 또는 컴퓨터 단말과 같은 유무선 네트워크 가능한 컴퓨팅 장치에 해당할 수 있다.The traffic collection unit 310 collects status information including traffic data and traffic flows of nodes constituting the information infrastructure 110. The information infrastructure 110 may be composed of at least one network node, and the network node may correspond to a computing device capable of wired or wireless networks, such as an Internet of Things sensor or a computer terminal.

노드 특성 결정부(320)는 네트워크 노드의 상태정보를 수집 및 분석하여 특징 데이터를 추출한다. 보다 구체적으로, 노드 특성 결정부(320)는 정보인프라(110)(즉, 네트워크 노드)의 상태정보에 대한 다차원 분석을 수행하여 각 차원의 정도를 산출한다. 일 실시예에서, 정보인프라(110)의 상태정보는 적어도 하나의 네트워크 노드 각각에 관해 분석될 수 있고, 다른 일 실시예에서, 정보인프라(110)의 상태정보는 적어도 하나의 네트워크 노드 중 적어도 일부에 관해 종합적으로 분석될 수 있다.The node characteristic determination unit 320 collects and analyzes status information of network nodes and extracts characteristic data. More specifically, the node characteristic determination unit 320 performs multidimensional analysis on the status information of the information infrastructure 110 (i.e., network node) to calculate the degree of each dimension. In one embodiment, the status information of the information infrastructure 110 may be analyzed for each of at least one network node, and in another embodiment, the status information of the information infrastructure 110 may be analyzed for at least some of the at least one network node. can be comprehensively analyzed.

노드 특성 결정부(320)는 각 차원의 정도를 특징 벡터로 생성하여 특징 데이터를 결정할 수 있다. 여기에서, 특징 벡터는 각 차원의 값들에 대한 요약 정보로 표현될 수 있고, 예를 들어, 정규화된 특징 데이터에 해당할 수 있다. 다차원 분석은 정규화된 전송빈도, 전송주기, 전송량, 발산정도 및 수렴정도에 관한 분석을 포함할 수 있다. 여기에서, 발산정도는 시간의 경과에 따라 소스 네트워크 노드의 출력이 얼마만큼 다수의 목적지 네트워크 노드들로 전송되는지 여부를 나타낸 것을 의미하고, 수렴정도는 시간의 경과에 따라 소스 네트워크 노드의 출력이 얼마만큼 하나의 목적지 네트워크 노드들로 전송되는지 여부를 나타낸 것을 의미한다. 즉, 발산정도 및 수렴정도는 시간의 경과를 반영한 것으로서, 목적지 네트워크 노드의 다양성 및 특정 목적지 네트워크 노드의 수렴성을 반영하기 위함이다.The node characteristic determination unit 320 may determine feature data by generating the degree of each dimension as a feature vector. Here, the feature vector may be expressed as summary information about the values of each dimension and, for example, may correspond to normalized feature data. Multidimensional analysis may include analysis of normalized transmission frequency, transmission period, transmission amount, degree of divergence, and degree of convergence. Here, the degree of divergence refers to how much the output of the source network node is transmitted to multiple destination network nodes over time, and the degree of convergence refers to how much the output of the source network node is transmitted over time. This means that it indicates whether it is transmitted to a single destination network node. In other words, the degree of divergence and degree of convergence reflect the passage of time, and are intended to reflect the diversity of destination network nodes and the convergence of specific destination network nodes.

노드 특성 결정부(320)는 특징 데이터에 관한 클러스터링을 수행하여 클러스터 중심 좌표를 결정하고, 클러스터 중심 좌표를 기초로 노드의 특성을 결정할 수 있다.The node characteristic determination unit 320 may perform clustering on feature data to determine cluster center coordinates and determine node characteristics based on the cluster center coordinates.

일 실시예에서, 노드 특성 결정부(320)는 특징 벡터를 기초로 특징 데이터를 클러스터링 할 수 있다. 노드 특성 결정부(320)는 클러스터링 과정에서 특징 데이터를 단위 시간당 분석하여 기준 편차 이상인 특징 데이터를 제외한 일반 특징 데이터를 클러스터링할 수 있다. 이는 일시적인 예외 상황을 필터링 하기 위한 것으로, 모델링의 오류를 방지하기 위함이다. 여기에서, 단위 시간은 관리자에 의해 설정될 수 있고, 정보인프라(110)의 전송빈도, 전송주기, 전송량을 기초로 결정될 수 있다. 노드 특성 결정부(320)는 클러스터 중심 좌표를 기초로 노드에 대한 비지도학습 기반의 모델링을 수행하여 노드의 특성을 결정할 수 있다.In one embodiment, the node characteristic determination unit 320 may cluster feature data based on feature vectors. The node characteristic determination unit 320 may analyze feature data per unit time during the clustering process and cluster general feature data excluding feature data with a standard deviation or more. This is to filter out temporary exception situations and prevent modeling errors. Here, the unit time can be set by the administrator and determined based on the transmission frequency, transmission cycle, and transmission amount of the information infrastructure 110. The node characteristic determination unit 320 may determine the characteristics of the node by performing unsupervised learning-based modeling on the node based on the cluster center coordinates.

오류 예측부(330)는 노드의 특성을 기초로 분류된 오류 학습 네트워크에 트래픽 데이터 및 트래픽 플로우를 제공하여 노드에 대한 오류 특성의 결정 및 오류 종류의 예측을 수행한다.The error prediction unit 330 provides traffic data and traffic flows to an error learning network classified based on the characteristics of the node to determine error characteristics for the node and predict the type of error.

여기에서, 오류 학습 네트워크는 사전에 클러스터 중심 좌표, 편향성의 크기 및 편향 방향성을 기초로 학습되어 있는 인공지능 신경망으로 구현될 수 있고, 클러스터 중심 좌표는 정보인프라(110)의 특성을 나타내는 지표에 해당할 수 있고, 편향성의 크기 및 편향 방향성은 정보인프라(110)의 특성에 따른 오류 가능성을 나타내는 지표에 해당할 수 있다.Here, the error learning network can be implemented as an artificial intelligence neural network that has been learned in advance based on the cluster center coordinates, the size of the bias, and the bias direction, and the cluster center coordinates correspond to an indicator representing the characteristics of the information infrastructure 110. It can be done, and the size and direction of bias may correspond to indicators indicating the possibility of error according to the characteristics of the information infrastructure 110.

오류 예측부(330)는 오류 학습 네트워크를 이용하여 특징 데이터에 대한 편향성을 분석하고, 클러스터 중심 좌표 및 편향성의 크기(magnitude)를 기초로 오류 특성의 결정 및 오류 종류의 예측을 수행한다.The error prediction unit 330 analyzes bias in feature data using an error learning network, and determines error characteristics and predicts error types based on the cluster center coordinates and the magnitude of bias.

오류 예측부(330)는 클러스터 중심 좌표를 기준으로 어느 쪽 방향에 상대적으로 다수의 일반 특징 데이터가 분포하고 있는지에 관한 편향성을 결정할 수 있다. 편상성은 클러스터 중심 좌표가 일반 특징 데이터의 평균 좌표에 해당하지만 멀리 떨어진 소수의 일반 특징 데이터와 가까이 있는 다수의 일반 특징 데이터 간의 분포를 반영하기 위한 지표에 해당할 수 있다.The error prediction unit 330 may determine the bias in which direction the majority of general feature data is distributed relative to the cluster center coordinates. Although the cluster center coordinate corresponds to the average coordinate of the general feature data, locality may correspond to an indicator to reflect the distribution between a small number of general feature data that are far away and a large number of general feature data that are nearby.

일 실시예에서, 오류 예측부(330)는 일반 특징 데이터의 시계열 분석을 통해 편향 방향성을 추가적으로 분석하여 모델링에 반영할 수 있다. 여기에서, 일반 특징 데이터의 시계열 분석은 시간의 경과에 따라 편향의 방향 및 크기를 나타내는 것으로, 예를 들어, 편향 방향성은 방향과 크기를 가지는 일련의 벡터들로 구현될 수 있다.In one embodiment, the error prediction unit 330 may additionally analyze the bias direction through time series analysis of general feature data and reflect it in modeling. Here, time series analysis of general feature data indicates the direction and size of bias over time. For example, the directionality of bias can be implemented as a series of vectors with direction and size.

즉, 오류 예측부(330)는 노드의 특성을 기초로 분류된 오류 학습 네트워크에 트래픽 데이터 및 트래픽 플로우를 제공하여 노드에 대한 오류 특성의 결정 및 오류 종류의 예측을 수행할 수 있다.That is, the error prediction unit 330 may provide traffic data and traffic flows to an error learning network classified based on the characteristics of the node to determine the error characteristics of the node and predict the type of error.

한편, 오류 예측부(330)는 오류 특성 테이블을 기초로 오류 특성에 따른 오류 종류 및 오류 가능성을 결정하여 오류를 예측할 수 있다. 여기에서, 오류 특성 테이블은 클러스터 중심 좌표로 인덱스되어 있는 데이터베이스에 해당할 수 있다.Meanwhile, the error prediction unit 330 can predict errors by determining the error type and error possibility according to error characteristics based on the error characteristic table. Here, the error characteristic table may correspond to a database indexed by cluster center coordinates.

자율제어부(340)는 오류 예측부(330)에 의해 예측된 오류를 기초로 노드에 대한 사전 오류 검증을 수행한다. 즉, 자율제어부(340)는 정보인프라(110)(즉, 노드)의 오류 가능성이 특정 기준 이상인 경우에는 오류의 발생 이전에 정보인프라(110)의 각 네트워크 노드를 점검할 수 있다.The autonomous control unit 340 performs preliminary error verification on the node based on the error predicted by the error prediction unit 330. That is, if the possibility of an error in the information infrastructure 110 (i.e., a node) is greater than a certain standard, the autonomous control unit 340 can check each network node of the information infrastructure 110 before an error occurs.

일 실시예에서, 자율제어부(340)는 정보인프라(110)의 오류 특성을 감안하여 해당 내용을 중심으로 점검할 수 있다. 예를 들어, 자율제어부(340)는 정보인프라(110)의 오류 특성이 센서의 오작동에 해당하는 경우에는 센서의 정상작동 여부를 체크할 수 있다.In one embodiment, the autonomous control unit 340 may check the information infrastructure 110 based on the error characteristics of the information infrastructure 110. For example, if the error characteristics of the information infrastructure 110 correspond to a malfunction of a sensor, the autonomous control unit 340 may check whether the sensor is operating normally.

제어부(350)는 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치(130)의 전체적인 동작을 제어하고, 정보인프라 데이터 처리부(310), 정보인프라 모델링부(320), 오류 예측부(330) 및 자율제어부(340) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.The control unit 350 controls the overall operation of the artificial intelligence-based error vulnerability factor prediction device 130 in the information infrastructure, and includes the information infrastructure data processing unit 310, the information infrastructure modeling unit 320, the error prediction unit 330, and Control flow or data flow between the autonomous control units 340 can be managed.

도 4는 도 1의 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치의 기능 구성을 설명하는 흐름도이다.Figure 4 is a flowchart explaining the functional configuration of the artificial intelligence-based error vulnerability factor prediction device in the information infrastructure of Figure 1.

도 4에서, 트래픽 수집부(310)는 정보인프라를 구성하는 노드의 트래픽 데이터 및 트래픽 플로우를 포함하는 상태정보를 수집한다(단계 S410). 노드 특성 결정부(320)는 노드의 상태정보를 수집 및 분석하여 특징 데이터를 추출하고 특징 데이터에 관한 클러스터링을 수행하여 클러스터 중심 좌표를 결정하며 클러스터 중심 좌표를 기초로 노드의 특성을 결정한다(단계 S420).In Figure 4, the traffic collection unit 310 collects status information including traffic data and traffic flows of nodes constituting the information infrastructure (step S410). The node characteristics determination unit 320 collects and analyzes the status information of the node, extracts characteristic data, performs clustering on the characteristic data to determine the cluster center coordinates, and determines the characteristics of the node based on the cluster center coordinates (step S420).

오류예측부(330)는 노드의 특성을 기초로 분류된 오류 학습 네트워크에 트래픽 데이터 및 트래픽 플로우를 제공하여 노드에 대한 오류 특성의 결정 및 오류 종류의 예측을 수행한다(단계 S430). 자율제어부(340)는 오류 특성 및 오류 종류를 기초로 상기 노드에 대한 사전 오류 검증을 수행한다(단계 S440).The error prediction unit 330 provides traffic data and traffic flows to an error learning network classified based on the characteristics of the node to determine the error characteristics of the node and predict the type of error (step S430). The autonomous control unit 340 performs preliminary error verification for the node based on error characteristics and error types (step S440).

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.Although the present invention has been described above with reference to preferred embodiments, those skilled in the art may make various modifications and changes to the present invention without departing from the spirit and scope of the present invention as set forth in the claims below. You will understand that you can do it.

100 : 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 시스템
130 : 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치
310 : 트래픽 수집부
320 : 노드 특성 결정부
330 : 오류예측부
340 : 자율제어부
350 : 제어부100: Artificial intelligence-based error vulnerability factor prediction system in information infrastructure
130: Artificial intelligence-based error vulnerability factor prediction device in information infrastructure
310: Traffic collection unit
320: Node characteristic determination unit
330: Error prediction unit
340: autonomous control unit
350: control unit

Claims (5)

정보인프라를 구성하는 노드의 트래픽 데이터 및 트래픽 플로우를 포함하는 상태정보를 수집하는 트래픽 수집부;
상기 노드의 상태정보를 수집 및 분석하여 특징 데이터를 추출하고 상기 특징 데이터에 관한 클러스터링을 수행하여 클러스터 중심 좌표를 결정하며 상기 클러스터 중심 좌표를 기초로 상기 노드의 특성을 결정하는 노드 특성 결정부;
상기 노드의 특성을 기초로 분류된 오류 학습 네트워크에 상기 트래픽 데이터 및 트래픽 플로우를 제공하여 상기 노드에 대한 오류 특성의 결정 및 오류 종류의 예측을 수행하고, 상기 오류 학습 네트워크가 상기 클러스터 중심 좌표를 기준으로 어느 쪽 방향에 상대적으로 다수의 일반 특징 데이터가 분포하고 있는지에 관한 편향성을 상기 특징 데이터에 대해 분석하고 상기 클러스터 중심 좌표 및 상기 편향성의 크기(magnitude)를 기초로 상기 오류 특성의 결정 및 오류 종류의 예측을 수행하도록 하며, 상기 오류 학습 네트워크가 상기 특징 데이터의 시계열 분석을 통해 편향 방향성을 추가적으로 분석하도록 하여 상기 오류 특성의 결정 및 오류 종류의 예측을 정교화 하는 오류예측부; 및
상기 오류 특성 및 오류 종류를 기초로 상기 노드에 대한 사전 오류 검증을 수행하는 자율제어부를 포함하는 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치.
A traffic collection unit that collects status information including traffic data and traffic flows of nodes constituting the information infrastructure;
a node characteristic determination unit that collects and analyzes state information of the node to extract feature data, performs clustering on the feature data to determine cluster center coordinates, and determines characteristics of the node based on the cluster center coordinates;
The traffic data and traffic flow are provided to an error learning network classified based on the characteristics of the node to determine error characteristics and predict error types for the node, and the error learning network is based on the cluster center coordinates. Analyzing the bias in which direction a relatively large number of general feature data is distributed on the feature data, determining the error characteristics and error type based on the cluster center coordinates and the magnitude of the bias An error prediction unit that performs prediction and allows the error learning network to further analyze bias direction through time series analysis of the feature data to refine the determination of the error characteristics and prediction of the error type; and
An artificial intelligence-based error vulnerability factor prediction device in an information infrastructure including an autonomous control unit that performs preliminary error verification for the node based on the error characteristics and error type.
 제1항에 있어서, 상기 노드 특성 결정부는
상기 트래픽 데이터 및 트래픽 플로우에 대한 다차원 분석을 수행하여 각 차원의 정도를 산출하고 각 차원의 정도를 특징 벡터로 생성하여 상기 특징 데이터를 결정하며, 상기 다차원 분석은 정규화된 전송빈도, 전송주기, 전송량, 발산정도 및 수렴정도에 관한 분석을 포함하는 것을 특징으로 하는 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치.
The method of claim 1, wherein the node characteristic determination unit
Multidimensional analysis is performed on the traffic data and traffic flow to calculate the degree of each dimension, and the degree of each dimension is generated as a feature vector to determine the feature data. The multidimensional analysis determines the normalized transmission frequency, transmission period, and transmission amount. , An artificial intelligence-based error vulnerability factor prediction device in information infrastructure, characterized by including analysis of the degree of divergence and degree of convergence.
 제2항에 있어서, 상기 노드 특성 결정부는
상기 특징 데이터를 단위 시간당 분석하여 기준 편차 이상인 특징 데이터를 제외한 일반 특징 데이터를 클러스터링 하여 상기 클러스터 중심 좌표를 산출하는 것을 특징으로 하는 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치.
The method of claim 2, wherein the node characteristic determination unit
An artificial intelligence-based error vulnerability factor prediction device in information infrastructure, characterized in that the feature data is analyzed per unit time, the general feature data excluding feature data with a standard deviation is clustered, and the cluster center coordinates are calculated.
 삭제delete 삭제delete
KR1020210188941A 2021-12-27 2021-12-27 Apparatus for predicting ai based error vulerable element in information infra KR102627063B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210188941A KR102627063B1 (en) 2021-12-27 2021-12-27 Apparatus for predicting ai based error vulerable element in information infra

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210188941A KR102627063B1 (en) 2021-12-27 2021-12-27 Apparatus for predicting ai based error vulerable element in information infra

Publications (2)

Publication Number Publication Date
KR20230099509A KR20230099509A (en) 2023-07-04
KR102627063B1 true KR102627063B1 (en) 2024-01-23

Family

ID=87156015

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210188941A KR102627063B1 (en) 2021-12-27 2021-12-27 Apparatus for predicting ai based error vulerable element in information infra

Country Status (1)

Country Link
KR (1) KR102627063B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013236182A (en) * 2012-05-07 2013-11-21 Fuji Xerox Co Ltd Communication management system and program

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102418969B1 (en) * 2017-04-27 2022-07-11 주식회사 케이티 System and method for predicting communication apparatuses failure based on deep learning
KR102340834B1 (en) 2021-07-15 2021-12-20 주식회사 빛가람시스템 Method, device and system for designing structure to carry out constriction of information and communication infrastructure based on artificial intelligence

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013236182A (en) * 2012-05-07 2013-11-21 Fuji Xerox Co Ltd Communication management system and program

Also Published As

Publication number Publication date
KR20230099509A (en) 2023-07-04

Similar Documents

Publication Publication Date Title
US10754764B2 (en) Validation sets for machine learning algorithms
US10095552B2 (en) Automated transfer of objects among federated areas
US10331495B2 (en) Generation of directed acyclic graphs from task routines
CN108280367B (en) Data operation authority management method and device, computing equipment and storage medium
WO2023048747A1 (en) Systems, apparatus, articles of manufacture, and methods for cross training and collaborative artificial intelligence for proactive data management and analytics
US9811391B1 (en) Load balancing and conflict processing in workflow with task dependencies
US11194940B2 (en) Optimization under disallowed combinations
US20220253335A1 (en) Automated virtual machine resource management in container-supported many task computing
USRE47593E1 (en) Reliability estimator for ad hoc applications
US10642610B2 (en) Scalable cloud-based time series analysis
US11125655B2 (en) Tool for optimal supersaturated designs
CN109614318A (en) Automated testing method, device, electronic equipment and computer-readable medium
CN112508199B (en) Feature selection method and device for cross-feature federal learning and related equipment
US10803214B1 (en) Tool for design and analysis of grouped supersaturated designs
JP2024536241A (en) Techniques for input classification and response using generative neural networks.
US9774508B1 (en) Communication generation using sparse indicators and sensor data
JP2017527929A (en) Utilizing semi-supervised machine learning for policy self-adjustment in computer infrastructure management
US9811552B1 (en) Detecting and bucketing sparse indicators for communication generation
US10853130B1 (en) Load balancing and conflict processing in workflow with task dependencies
US9811439B1 (en) Functional testing of code modifications for read processing systems
Wang et al. Concept drift-based runtime reliability anomaly detection for edge services adaptation
US11113064B2 (en) Automated concurrency and repetition with minimal syntax
CN111209930B (en) Method and device for generating trust policy and electronic equipment
KR102627063B1 (en) Apparatus for predicting ai based error vulerable element in information infra
WO2020252925A1 (en) Method and apparatus for searching user feature group for optimized user feature, electronic device, and computer nonvolatile readable storage medium

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant