KR20080087571A - 상황 예측 시스템 및 그 방법 - Google Patents

Abstract

상황 예측 시스템 및 그 방법이 개시된다. 본 발명의 실시예에 따르면, 컴퓨팅 시스템의 자가 치유를 위하여 컴퓨팅 시스템의 동작 중에 발생하는 에러 상황에 대한 예측을 수행하는 상황 예측 시스템에 있어서, 컴퓨팅 시스템으로부터 모델 선택 정보를 취합하고, 취합된 모델 선택 정보에 따라 복수개의 상황 예측 모델 중 어느 하나 이상의 상황 예측 모델을 선택하는 예측 모델 선택부-여기서, 모델 선택 정보는 컴퓨팅 시스템의 동작 상황에 따른 시스템 상태 정보, 시스템 이력 정보 및 시스템 요청 정보 중 일부 또는 전부를 포함함-; 및 예측 모델 선택부에 의해 선택된 상황 예측 모델을 실행하여 에러 상황에 대한 예측 결과를 출력하는 예측 모델 실행부를 포함하는 상황 예측 시스템이 제공된다. 본 발명에 의하면, 복수개의 예측 모델 중 어느 하나 또는 하나 이상의 예측 모델을 선택함으로써 다양한 컴퓨팅 시스템에 범용적으로 적용될 수 있고, 컴퓨팅 시스템에 발생한 오류, 문제들을 사전에 예측하여 미리 대처함으로써 시스템 관리(치유)의 효율성을 극대화할 수 있는 효과가 있다.

컴퓨팅 시스템, 차가 치유, 상황 예측, 예측 모델, 모니터링.

Description

상황 예측 시스템 및 그 방법{Context prediction system and method thereof}

도 1은 본 발명의 일 실시예에 따른 상황 예측 시스템의 구조를 간략히 나타낸 도면.

도 2는 본 발명의 상황 예측 시스템에 있어서 시스템 모니터링부에 의해 모니터링되는 상태 정보의 일 예를 나타낸 도면.

도 3은 본 발명의 상황 예측 시스템에 이용되는 상황 예측 모델의 일 예인 ID3 알고리즘에 의해 생성된 결정 트리(decision tree)를 예시한 도면.

도 4는 본 발명의 상황 예측 시스템에 이용되는 상황 예측 모델의 다른 일 예인 퍼지 로직(Fuzzy Logic)을 설명하기 위한 도면.

도 5는 본 발명의 상황 예측 시스템에 이용되는 상황 예측 모델인 퍼지 로직에 대한 실제 구현예를 나타낸 도면.

도 6은 도 5에 도시된 퍼지 로직에 대한 실제 구현예에 따른 예측 결과를 예시한 도면.

도 7은 본 발명의 상황 예측 시스템에 이용되는 상황 예측 모델의 또 다른 일 예인 퍼지 뉴럴 네트워크(Fuzzy Neural Network)를 설명하기 위한 도면.

도 8은 본 발명의 상황 예측 시스템에 이용되는 상황 예측 모델의 또 다른 일 예인 베이지안 네트워크(Bayesian Network)를 설명하기 위한 도면.

도 9는 본 발명의 상황 예측 시스템을 적용한 경우의 시간에 따른 에러 발생율을 보여주기 위한 비교 그래프.

도 10은 본 발명의 상황 예측 시스템을 적용한 경우의 예측 시간을 보여주기 위한 비교 그래프.

도 11은 본 발명의 상황 예측 시스템에 있어서의 상황 예측 모델별 시스템 부하를 보여주기 위한 비교 그래프.

<도면의 주요부분에 대한 부호의 설명>

110 : 시스템 모니터링부 120 : 레벨 평가부

130 : 예측 모델 선택부 140 : 예측 모델 실행부

150 : 예측 모델 갱신부

본 발명은 컴퓨팅 시스템의 자가 관리(Self-management) 또는 자가 치유(Self-healing)에 관한 것으로서, 보다 상세하게는 복수개의 예측 모델 중 어느 하나 또는 하나 이상의 예측 모델을 선택하여 컴퓨팅 시스템의 동작 상황에 대한 상황 예측을 수행하는 상황 예측 시스템 및 그 방법에 관한 것이다.

오늘날의 유비쿼터스(Ubiquitous) 환경에서 개발되고 있는 컴퓨팅 장치 또는 시스템은 그 규모가 매우 커짐에 따라 보다 고수준의 관리 자동화에 대한 요구가 증가하고 있다. 이에 따라 컴퓨팅 시스템의 관리는 전통적인 관리자 중심의 중앙 관리 방식에서 시스템 스스로가 자신의 상황 정보를 분석 및 진단하여 이에 대응할 수 있는 자가 관리 또는 자가 치유 중심의 자율 컴퓨팅 방식으로 진화하고 있다. 이러한 자가 치유 능력을 갖는 시스템을 구현하기 위해서는 시스템의 진단 및 치유 과정에 앞서, 컴퓨팅 시스템 내에서 오류 또는 문제를 일으킨 해당 컴포넌트(component)를 발견해내는 과정이 필수적으로 선행되어야 한다.

그러나 종래 기술에 의하면, 오류 또는 문제가 발생한 이후에 이를 분석하고 대처하는 사후 복구를 중심으로 한 자가 치유 방식을 채용하고 있어서, 뒤늦은 복구로 인한 시스템 관리의 비효율성이 증가하는 문제점이 있다. 그리고 이와 같은 사후 복구를 중심으로 한 자가 치유 방식은 긴박한 상황에 대한 즉각적인 대처 능력이 부족하며, 많은 치유 시간이 소비되는 문제점이 있다.

따라서, 이러한 문제들을 해결하기 위해서는 시스템 스스로가 동작 환경을 인식하고, 컴퓨팅 시스템에 발생할 수 있는 오류, 문제들에 대하여 미리 예측하여 대처할 수 있는 사전 예측 시스템 또는 사전 예측 방법이 요구된다. 그러나 기존에 연구되고 있거나 제시되고 있는 사전 예측 시스템은 한정된 어플리케이션 프로그램(예를 들어, 자사에서 개발한 또는 개발중인 특정 어플리케이션 프로그램)을 대상으로 한 것이어서(즉, vender-dependent한 것이어서), 컴퓨팅 시스템 전반에 범 용적으로 이용하기에는 한계가 있다. 아울러, 기존에 연구되고 있거나 제시되고 있는 사전 예측 시스템은 한정된 요소(예를 들어, 특정 어플리케이션 프로그램에서 생성되는 로그 파일만)에 의해 예측되며, 상황 예측을 위하여 특정의 예측 모델 하나만을 사용하였기 때문에 그 예측 성능이 떨어지는 문제점이 있다.

따라서, 본 발명은 다양한 컴퓨팅 시스템에 범용적으로 적용될 수 있는 상황 예측 시스템 및 그 방법을 제공하기 위한 것이다.

또한, 본 발명은 컴퓨팅 시스템에 발생한 오류, 문제들을 사전에 예측하여 미리 대처함으로써 시스템 관리(치유)의 효율성을 극대화할 수 있는 상황 예측 시스템 및 그 방법을 제공하기 위한 것이다.

또한, 본 발명은 컴퓨팅 시스템에 발생한 오류, 문제들에 대한 치유 시간을 크게 줄이고, 긴박한 상황에 대한 즉각적인 대처가 가능한 상황 예측 시스템 및 그 방법을 제공하기 위한 것이다.

또한, 본 발명은 ID3, 퍼지 추론, 퍼지 뉴럴 네트워크, 베이지안 네트워크 등과 같은 복수개의 상황 예측 모델을 선택적으로 또는 복합적으로 적용함으로써, 보다 정확한 상황 예측이 가능한 상황 예측 시스템 및 그 방법을 제공하기 위한 것이다.

또한, 본 발명은 휴대폰, PMP 등의 휴대 단말을 이용한 유비쿼터스(Ubiquitous) 컴퓨팅 환경에서도 시스템 성능, 자원 사용량에 영향을 주지 않고 적용 가능한 상황 예측 시스템 및 그 방법을 제공하기 위한 것이다.

본 발명의 이외의 목적들은 하기의 설명을 통해 쉽게 이해될 수 있을 것이다.

본 발명의 일 측면에 따르면, 컴퓨팅 시스템의 자가 치유를 위하여 상기 컴퓨팅 시스템의 동작 중에 발생하는 에러 상황에 대한 예측을 수행하는 상황 예측 시스템에 있어서, 상기 컴퓨팅 시스템으로부터 모델 선택 정보를 취합하고, 상기 취합된 모델 선택 정보에 따라 복수개의 상황 예측 모델 중 어느 하나 이상의 상황 예측 모델을 선택하는 예측 모델 선택부-여기서, 상기 모델 선택 정보는 상기 컴퓨팅 시스템의 동작 상황에 따른 시스템 상태 정보, 시스템 이력 정보 및 시스템 요청 정보 중 일부 또는 전부를 포함함-; 및 상기 예측 모델 선택부에 의해 선택된 상황 예측 모델을 실행하여 상기 에러 상황에 대한 예측 결과를 출력하는 예측 모델 실행부를 포함하는 상황 예측 시스템이 제공될 수 있다.

또한, 본 발명의 상황 예측 시스템은 상기 컴퓨팅 시스템의 동작 상황에 따른 자원 사용 레벨을 평가하는 레벨 평가부를 더 포함할 수 있다. 이때, 상기 시스템 상태 정보는 상기 레벨 평가부에 의해 평가된 상기 자원 사용 레벨에 관한 정보를 포함할 수 있다.

여기서, 상기 레벨 평가부에 의해 평가되는 상기 자원 사용 레벨은 미리 설정된 분류 기준에 따라 2개 이상의 레벨로 분류될 수 있고, 상기 미리 설정된 분류 기준은 상기 컴퓨팅 시스템의 동작 상황에 따른 자원 사용률 및 자원 사용 빈도 중 어느 하나 이상의 값에 비례하여 설정될 수 있다.

또한, 본 발명의 상황 예측 시스템은 상기 컴퓨팅 시스템의 자원 동작 상황에 대한 상태 정보를 모니터링하는 시스템 모니터링부를 더 포함할 수 있다. 여기서, 상기 시스템 모니터링부에 의해 모니터링되는 상기 자원 동작 상황에 대한 상태 정보는 상기 자원 사용률 및 상기 자원 사용 빈도에 관한 정보 중 어느 하나 이상의 정보를 포함할 수 있다.

또한, 상기 시스템 모니터링부는 상기 컴퓨팅 시스템의 프로그램 동작 상황에 대한 상태 정보를 더 모니터링하되, 상기 시스템 상태 정보는 상기 시스템 모니터링부에 의해 모니터링된 상기 프로그램 동작 상황에 대한 상태 정보를 포함할 수 있다. 여기서, 상기 시스템 모니터링부에 의해 모니터링되는 상기 프로그램 동작 상황에 대한 상태 정보는 로그 파일 정보일 수 있다.

또한, 본 발명의 상황 예측 시스템은 상기 시스템 모니터링부에 의해 모니터링된 상태 정보 중 미리 설정된 기준에 따른 불필요한 상태 정보를 제거하는 필터부를 더 포함할 수 있다. 여기서, 상기 필터부에 의해 제거되는 상기 미리 설정된 기준에 따른 상기 불필요한 상태 정보는 상기 시스템 모니터링부에 의해 중복되어 모니터링된 동일 동작 상황에 대한 동일 상태 정보일 수 있다.

또한, 본 발명의 상황 예측 시스템에 이용되는 상기 복수개의 상황 예측 모델은 ID3, 퍼지 로직, 퍼지 뉴럴 네트워크, 베이지안 네트워크 중 어느 2개 이상일 수 있다. 본 발명의 상황 예측 시스템은 이러한 상기 복수개의 상황 예측 모델을 저장하는 저장부를 더 포함할 수 있다.

여기서, 상기 예측 모델 실행부에 의해 출력되는 상기 예측 결과는 미리 설정된 우선 순위에 따른 에러 수준별로 분류되어 출력될 수 있다.

또한, 본 발명의 상황 예측 시스템은 상기 예측 모델 실행부로부터 출력된 상기 예측 결과에 따라 상기 복수개의 상황 예측 모델 중 어느 하나 이상의 상황 예측 모델을 갱신하는 예측 모델 갱신부를 더 포함할 수 있다. 이때, 상기 예측 모델 갱신부에 의해 갱신되는 상기 어느 하나 이상의 상황 예측 모델은 상기 예측 모델 선택부에 의해 선택된 상황 예측 모델을 포함할 수 있다.

본 발명의 다른 측면에 따르면, 컴퓨팅 시스템의 자가 치유를 위하여 상황 예측 시스템이 상기 컴퓨팅 시스템의 동작 중에 발생하는 에러 상황에 대한 예측을 수행하는 상황 예측 방법에 있어서, (a) 상기 컴퓨팅 시스템으로부터 모델 선택 정보를 취합하는 단계-여기서, 상기 모델 선택 정보는 상기 컴퓨팅 시스템의 동작 상황에 따른 시스템 상태 정보, 시스템 이력 정보 및 시스템 요청 정보 중 일부 또는 전부를 포함함-; (b) 상기 취합된 모델 선택 정보에 따라 복수개의 상황 예측 모델 중 어느 하나 이상의 상황 예측 모델을 선택하는 단계; 및 (c) 상기 선택된 상황 예측 모델을 실행하여 상기 에러 상황에 대한 예측 결과를 출력하는 단계를 포함하는 상황 예측 방법이 제공될 수 있다.

또한, 본 발명의 상황 예측 방법은 (d) 상기 컴퓨팅 시스템의 동작 상황에 따른 자원 사용 레벨을 평가하는 단계를 더 포함할 수 있다. 이때, 상기 단계 (a)의 상기 시스템 상태 정보는 상기 평가된 자원 사용 레벨에 관한 정보를 포함할 수 있다.

여기서, 상기 단계 (d)에서 평가되는 상기 자원 사용 레벨은 미리 설정된 분류 기준에 따라 2개 이상의 레벨로 분류될 수 있고, 상기 미리 설정된 분류 기준은 상기 컴퓨팅 시스템의 동작 상황에 따른 자원 사용률 및 자원 사용 빈도 중 어느 하나 이상의 값에 비례하여 설정될 수 있다.

또한, 본 발명의 상황 예측 방법은 상기 단계 (d) 이전에, (e) 상기 컴퓨팅 시스템의 자원 동작 상황에 대한 상태 정보를 모니터링하는 단계를 더 포함할 수 있다. 여기서, 상기 모니터링되는 상기 자원 동작 상황에 대한 상태 정보는 상기 자원 사용률 및 상기 자원 사용 빈도에 관한 정보 중 어느 하나 이상의 정보를 포함할 수 있다.

또한, 본 발명의 상황 예측 방법은 상기 단계 (e) 이후에, (f) 상기 모니터링된 상태 정보 중 미리 설정된 기준에 따른 불필요한 상태 정보를 제거하는 단계를 더 포함할 수 있다. 이때, 상기 미리 설정된 기준에 따른 상기 불필요한 상태 정보는 중복되어 모니터링된 동일 동작 상황에 대한 동일 상태 정보일 수 있다.

여기서, 본 발명의 상황 예측 방법에 이용되는 상기 복수개의 상황 예측 모델은 ID3, 퍼지 로직, 퍼지 뉴럴 네트워크, 베이지안 네트워크 중 어느 2개 이상일 수 있다.

또한, 본 발명의 상황 예측 방법은 상기 단계 (a) 이전에, (g) 상기 복수개의 상황 예측 모델을 저장하는 단계를 더 포함할 수 있다.

여기서, 상기 단계 (c)의 상기 예측 결과는 미리 설정된 우선 순위에 따른 에러 수준별로 분류되어 출력될 수 있다.

또한, 본 발명의 상황 예측 방법은 상기 단계 (c) 이후에, (h) 상기 출력된 예측 결과에 따라 상기 복수개의 상황 예측 모델 중 어느 하나 이상의 상황 예측 모델을 갱신하는 단계를 더 포함할 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 상황 예측 시스템 및 그 방법을 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 그리고 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징 들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

도 1은 본 발명의 일 실시예에 따른 상황 예측 시스템의 구조를 간략히 나타낸 도면이다.

도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다. 따라서, 본 명세서를 통해 설명되는 각 구성부들의 존재 여부는 기능적으로 해석되어져야 할 것이며, 이러한 이유로 본 발명의 상황 예측 시스템에 따른 구성부들의 구성은 본 발명의 목적을 달성할 수 있는 한도 내에서 도 1과는 상이해질 수 있음을 명확히 밝혀둔다. 또한, 본 발명의 상황 예측 시스템은 독자적으로 존재할 수도 있지만, 컴퓨팅 시스템의 자가 관리 또는 자가 치유를 위한 자가 치유 시스템(Self-healing system)의 일부로서 존재할 수도 있다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 상황 예측 시스템(Context prediction system)은 컴퓨팅 시스템의 자가 치유(Self-healing)를 위하여 컴퓨팅 시스템의 동작 중에 발생하는 에러 상황에 대한 사전 예측을 수행하기 위하여, 시스템 모니터링부(110), 레벨 평가부(120), 예측 모델 선택부(130), 예측 모델 실행부(140) 및 예측 모델 갱신부(150)를 포함할 수 있다. 또한, 본 발명의 상황 예측 시스템은 위에 기재한 구성부 이외에도 에러 상황에 대한 예측을 돕거나 보조하는 다른 구성부(예를 들어, 도 1에 도시한 히스토리 DB(135), 알고리즘 저장소(145), 도 1을 통해 미도시한 필터부 등)를 더 포함하거나 또는 이러한 다른 구성부와 상호 연결(또는 접속)될 수 있다. 각 구성부들이 수행하는 구체적 기능 또는 역할을 설명하면 다음과 같다.

시스템 모니터링부(110)는 컴퓨팅 시스템의 개별 동작 상황에 대한 각각의 상태 정보를 모니터링하는 기능을 수행한다. 여기서, 컴퓨팅 시스템의 개별 동작 상황은 컴퓨팅 시스템에서 동작 중인 각종 자원의 동작 상황 및 컴퓨팅 시스템에서 동작 중인 각종 프로그램의 동작 상황의 일부 또는 전부를 의미한다. 또한 본 명세서에 있어서, 컴퓨팅 시스템의 각종 자원(resource)은 CPU, 메모리 등의 시스템 자 원은 물론 네트워크 자원 등을 포함하는 컴퓨팅 시스템 상의 일체의 자원을 지칭하며, 컴퓨팅 시스템의 각종 프로그램은 일반적인 응용 프로그램(어플리케이션 프로그램)은 물론 시스템 프로그램, 운영 체제(OS) 등을 포함한다. 이때, 시스템 모니터링부(110)에 의한 모니터링은 실시간(일정 시간 간격을 두고 순차적으로 모니터링하는 경우를 포함함)으로 이루어질 수 있으며, 이러한 모니터링 결과는 레벨 평가부(120)(혹은 예측 모델 선택부(130))로 전달(입력)될 수 있다. 이러한 시스템 모니터링부(110)에 의해 모니터링되는 상태 정보에 대한 구체적 예에 대해서는 이하 도 2를 통해 후술하기로 한다.

레벨 평가부(120)는 컴퓨팅 시스템의 동작 상황에 따른 자원 사용 레벨을 평가하는 기능을 수행한다. 이러한 자원 사용 레벨의 평가를 위하여 레벨 평가부(120)는 시스템 모니터링부(110)로부터 자원 사용률, 자원 사용 빈도 등과 같은 자원 사용에 관한 상태 정보를 전달(입력) 받을 수 있다. 이때, 레벨 평가부(120)에 의한 자원 사용 레벨의 평가에는 아래의 수학식 1과 같은 미리 설정된 분류 기준(또는 소속 함수)이 이용될 수 있다.

[수학식 1]

여기서, 'Resource utilization'은 자원 사용량에 대한 값으로서, 가용 자원 에 대한 할당(사용)자원의 백분율 값(Percentage value)을 나타낸다. 그리고 'Duration degree'는 자원에 대한 사용률(또는 사용량, 이하 이와 같음)이 시간대별로 급격히 변동되는 경우에 발생할 수 있는 부정확한 레벨 평가를 미연에 방지하기 위하여, 자원이 위의 사용률을 유사하게 유지하는 시간의 길이에 따라 0에서 1사이의 값(정도)을 부여한 것이다. 이와 같이'Resource utilization'과'Duration degree'를 곱한 값은 다시 100으로 나뉨으로써 자원 사용 레벨은 0에서 1사이의 값으로 표준화(Normalization)되어 출력되게 되는 것이다. 다만, 위의 수학식 1은 자원 사용 레벨을 결정하기 위한 일 기준에 불과하며, 이와는 다른 다양한 분류 기준이 존재할 수 있음은 자명하다. 예를 들어, 미리 설정되는 분류 기준은 컴퓨팅 시스템의 동작 상황에 따른 자원 사용률 및 자원 사용 빈도 중 어느 하나 이상의 값에 비례하도록 설정될 수 있다. 컴퓨팅 시스템의 동작 상황에 따른 자원 사용률 또는 자원 사용 빈도가 크다는 것은 그만큼 시스템 부하가 많이 발생하여 에러를 일으킬 확률이 증가할 수 있기 때문이다.

즉, 레벨 평가부(120)는 이러한 분류 기준을 이용하여 컴퓨팅 시스템의 동작 상황에 따른 자원 사용 레벨을 분류할 수 있으며, 이때 분류되는 레벨은 2개 이상(예를 들어, 후술할 도 4 내지 도 8과 같이 ML, L, N, H, MH의 5개 레벨)일 수 있다. 이러한 분류 기준 또는 레벨화에 관한 기준 정보는 도 1의 레벨 스펙(125)과 같은 별도의 저장 장치에 저장될 수도 있고, 레벨 평가부(120) 내에 저장되어 있을 수도 있다.이와 같이 평가된(분류된) 자원 사용 레벨에 관한 정보는 예측 모델 선택부(130)로 전달(입력)될 수 있다.

또한 이때, 레벨 평가부(120)는 시스템 모니터링부(110)에 의해 모니터링된 자원의 동작 상황에 대한 상태 정보(예를 들어, 자원 사용률에 관한 정보) 전부를 상술한 분류 기준에 따라 레벨화(레벨 평가)할 수도 있지만, 그 일부에 대해서만 레벨 평가를 할 수도 있다. 이를 위하여 본 발명의 상황 예측 시스템에는 소정의 필터부(미도시)가 더 포함될 수 있다. 예를 들어, 필터부는 시스템 모니터링부(110)에 의해 모니터링된 상태 정보들 중 미리 설정된 기준에 따라 본 발명의 상황(특히, 에러 상황) 예측에 불필요한 상태 정보를 제거(여과)한 후, 제거되지 않은 상태 정보만을 레벨 평가부(120)(혹은 예측 모델 선택부(130))로 전달할 수 있다. 여기서, 필터부에 의해 제거되는 미리 설정된 기준에 따른 불필요한 상태 정보는 시스템 모니터링부(110)에 의해 중복되어 모니터링된 동일 동작 상황에 대한 동일 상태 정보일 수 있다. 즉, 동일 동작 상황에 의한 동일 상태 정보임에도 불구하고, 시스템 모니터링부(110)에 의한 실시간 모니터링으로 말미암아 중복되어 모니터링된 상태 정보라면 이를 제거하는 것이 본 발명의 상황 예측 시스템에 따른 예측 시간을 짧게 하고, 시스템 부하를 줄이는 방법일 것이기 때문이다. 다만, 동일 동작 상황에 대한 동일 상태 정보라 하더라도 시스템의 위급성, 해당 상황의 지속성 등의 판단을 위하여 제거되지 말아야 할 경우가 존재할 수 있으므로, 소정의 시간 간격을 두고 제거되도록 설정될 수도 있음은 물론이다. 이러한 필터부는 별도로 구비될 수도 있지만, 시스템 모니터링부(110) 또는 레벨 평가부(120) 내에 합체되어 구비될 수도 있다.

예측 모델 선택부(130)는 컴퓨팅 시스템의 동작 중에 발생하는 에러 상황의 예측에 실제 적용할 상황 예측 모델을 선택하기 위하여, 먼저 컴퓨팅 시스템으로부터 상황 예측 모델의 선택에 필요한 모델 선택 정보를 취합한다. 그후, 예측 모델 선택부(130)는 취합한 모델 선택 정보를 이용하여 복수개의 상황 예측 모델 중 어느 하나(또는 어느 하나 이상)의 상황 예측 모델을 선택한다.

여기서, 예측 모델 선택부(130)에 의해 취합되는 모델 선택 정보는 컴퓨팅 시스템의 동작 상황(또는 동작 환경)에 따른 시스템 상태 정보, 시스템 이력 정보 및 시스템 요청 정보 중 일부 또는 전부를 포함할 수 있으며, 이러한 모델 선택 정보는 본 발명의 상황 예측 시스템에 있어 발생 가능한 에러 상황의 예측에 실제 적용될 상황 예측 모델의 선택을 위한 소정의 근거 자료로서 이용된다. 또한 여기서, 시스템 상태 정보는 현재 동작 중인 컴퓨팅 시스템에 있어서 시스템의 상황, 상태를 나타내는 모든 정보를 포함하며, 예를 들어 프로그램의 동작 중에 생성되는 로그 파일 정보, 동작 자원에 따른 자원 사용 정보(자원 사용 레벨에 관한 정보를 포함함), 컴퓨팅 시스템에서 환경 설정된 시스템 파라미터 정보 등일 수 있다. 이러한 시스템 상태 정보는 예측 모델 선택부(130)에 의해 직접 수집됨으로써 취합될 수도 있지만, 상술한 시스템 모니터링부(110) 또는 레벨 평가부(120)로부터 전달됨으로써 취합될 수도 있다. 또한, 시스템 이력(履歷) 정보는 컴퓨팅 시스템의 현재 동작 상황 이전에 발생하였던 동작 상황(즉, 과거 동작 상황)들에 의해 축적된(학습된) 일종의 히스토리 데이터 혹은 학습 데이터를 의미한다. 자원 사용률의 경우를 예를 들면, 시스템 자원의 사용률이 어느 임계치 이상일 때에는 에러일 확률이 높다는 등의 정보가 바로 그것이다. 이러한 시스템 이력 정보는 도 1의 히스토리 DB(135)와 같은 별도의 저장 장치에 저장될 수 있으며, 향후의 컴퓨팅 시스템의 동작 상황에 따라 지속적으로 갱신될 수 있다. 또한, 시스템 요청 정보는 해당 컴퓨팅 시스템이 실제로 사용되고 있는 시스템 사용 환경(예를 들어, 적용되는 분야, 시스템의 성능, 사양, 시스템의 복잡도, 신뢰도 등)에 따라 요구되는 다양한 요구 사항에 관한 정보를 컴퓨팅 시스템에 반영한 것으로서, 이러한 시스템 요청 정보는 컴퓨팅 시스템의 개발자, 관리자 또는 사용자에 의해 미리 설정되거나 또는 추후 설정(또는 재설정)될 수 있다.

또한, 예측 모델 선택부(130)에 의해 선택의 대상이 되는 복수개의 상황 예측 모델로는 ID3, 퍼지 로직, 퍼지 뉴럴 네트워크, 베이지안 네트워크 등이 이용될 수 있다. 다만, 본 발명의 상황 예측 시스템에 이용되는 복수개의 상황 예측 모델은 위에 제시된 4가지에 한정되는 것은 아니며, 이외에도 다양한 상황 예측 방법이 특별한 제한없이 본 발명에 이용될 수 있음은 물론이다. 이는 본 발명이 상술한 바와 같이 모델 선택 정보(즉, 시스템 상태 정보, 시스템 이력 정보 및 시스템 요청 정보 중 일부 또는 전부)를 취합하고, 취합한 모델 선택 정보를 근거로 최적(또는 호적)의 상황 예측 모델을 선택하여 적용하려는 데 그 핵심을 두고 있기 때문이다. 예를 들어, 빠른 예측 속도가 최우선의 모델 선택 근거가 된다면, 복수개의 상황 예측 모델로서 어떠한 것이 사용되는지와 관계없이 그 중 예측 속도가 가장 빠른 모델을 선택하면 되는 것이다. 또한 이때, 예측 모델 선택부(130)에 의한 상황 예측 모델의 선택은 예측 속도, 시간 등의 측면에서 복수개의 상황 예측 모델 중 어느 하나만을 선택하는 것이 바람직하지만, 컴퓨팅 시스템의 사용 환경에 따라 예측 속도, 시간에 비해 그 예측의 신뢰도 등이 보다 우선시되는 경우에는 하나 이상의 상황 예측 모델의 선택도 가능함은 물론이다. 이러한 복수개의 상황 예측 모델은 개발자, 관리자, 사용자 등에 의해 미리 설정(예를 들어, 컴퓨팅 시스템의 구축시에 설정)되거나 또는 추후 설정(또는 재설정)될 수도 있으며, 후술할 예측 모델 갱신부(150)에 의해 자동으로 갱신될 수도 있다. 또한, 복수개의 상황 예측 모델은 도 1의 알고리즘 저장소(145)와 같은 별도의 저장 장치에 저장될 수 있다.

이때, 본 명세서를 통해 제시되는 4개의 상황 예측 모델(ID3, 퍼지 로직, 퍼지 뉴럴 네트워크, 베이지안 네트워크)에 대한 상세한 설명은 도 3 내지 도 8을 통해 후술하기로 하며, 다만 위 4개의 상황 예측 모델에 대한 각각의 일반적인 특징을 아래의 표 1을 통해 간단히 비교 정리한다. 이때, 아래의 표 1 또는 후술할 도 3 내지 도 8을 통해 설명되는 각 상황 예측 모델에 따른 특징, 장점, 단점들은 상술한 예측 모델 선택부(130)를 통한 상황 예측 모델의 선택에 필요한 모델 선택 정보(특히, 시스템 요청 정보)로서의 근거 자료로 이용될 수도 있다.

	ID3	퍼지 로직	퍼지 뉴럴 네트워크	베이지안 네트워크
특징	히스토리 정보를 근거로 생성된 결정 트리를 이용하여 예측을 수행	자원 사용 레벨을 이용한 추론 결과로부터 예측을 수행	퍼지 로직에 뉴럴 네트워크를 결합하여 가중치의 합으로부터 예측을 수행	인과 추론 및 진단 추론을 사용하여 조건부 확률을 기반으로 예측을 수행
장점	짧은 시간 내에 정확한 예측을 수행함	애매모호한 상황에 대해서 인간과 같은 추론이 가능함	자동 튜닝을 지원함므로써 학습 효과를 볼 수 있음	예측 결과로부터 원인을 추론하는 백트래킹을 지원함
단점	결정 트리로 정해져 있는 범위 내에서만 예측이 가능함	개발자의 개입 요소가 많으며, 추론 규칙을 생성하는데 비효율적임	정확한 예측 결과가 나오기까지 학습 시간이 오래 걸릴 수 있고, 구현이 어려움	베이지안 네트워크 자체 구성이 잘못되었을때, 그 수정이 어려움
예측 속도	67 ms	1000 ms	원하는 데이터의 복잡성에 따라 다름	67 ~ 1000 ms

[표 1] 상황 예측 모델에 대한 비교

예측 모델 실행부(140)는 상술한 예측 모델 선택부(130)에 의해 선택된 상황 예측 모델을 실행하여 컴퓨팅 시스템의 동작 상황에 따라 발생할 수 있는 에러 상황에 대한 예측 결과를 출력한다. 이때, 예측 모델 실행부(140)에 의해 출력되는 예측 결과는 미리 설정된 우선 순위에 따른 에러 수준별로 분류될 수 있다. 예를 들어, 예측 결과는 후술할 도 8과 같이 예측될 에러 상황의 긴급도 및 중요도 등을 고려한 우선 순위에 따라 총 4 단계(Emergency, Error, Warn, Normal 순)로 분류될 수 있다. 다만, 이러한 분류 단계(에러 수준) 중 Normal은 엄밀한 의미에서 에러 상황이 아닌 정상 동작에 해당하는 것이지만, 편의상 위와 같이 분류하였다.

예측 모델 갱신부(150)는 예측 모델 실행부(140)로부터 출력된 예측 결과에 따라 본 발명의 상황 예측 시스템에 이용되는 복수개의 상황 예측 모델 중 어느 하나 이상의 모델을 갱신한다. 여기서, 예측 모델 갱신부(150)에 의해 갱신되는 상황 예측 모델에는 예측 모델 선택부(130)에 의해 선택되어 본 발명의 상황 예측에 실제로 이용된 상황 예측 모델이 포함되는 것이 바람직하다. 이때, 예측 모델 갱신부(150)에 의해 갱신되는 것들로는 예를 들어 ID3 알고리즘에서의 결정 트리의 생성에 이용되는 히스토리 정보(즉, 시스템 이력 정보), 퍼지 로직에서의 추론 규칙, 퍼지 뉴럴 네트워크에서의 가중치, 베이지안 네트워크에서의 조건부 확률값 등이 있을 수 있다. 이와 같은 예측 모델 갱신부(150)에 의한 상황 예측 모델의 갱신 과정을 통하여 본 발명의 상황 예측 시스템은 향후의 에러 상황의 예측에 있어서 보다 향상된(정확한) 예측 결과를 출력할 수 있게 된다.

또한, 상술한 본 발명의 상황 예측 시스템에 의하면, ID3, 퍼지 추론, 퍼지 뉴럴 네트워크, 베이지안 네트워크 등과 같은 복수개의 상황 예측 모델을 선택적으로 또는 복합적으로 적용함으로써 컴퓨팅 시스템의 다양한 사용 환경 및 동작 환경에서도 범용적으로 적용할 수 있는 최적의 상황 예측 모델을 찾아낼 수 있으며, 컴퓨팅 시스템에 발생한 오류, 문제들을 사전에 예측하여 미리 대처함으로써 시스템 관리(치유)의 효율성을 극대화할 수 있는 이점이 있다.

또한, 이상에서는 본 발명에 따른 상황 예측 시스템에 대하여 설명하였지만, 그 구체적인 설명으로부터 당업자라면 본 발명의 상황 예측 시스템이 컴퓨팅 시스템의 자가 치유를 위하여 동작 중인 컴퓨팅 시스템에 발생하는 에러 상황의 예측을 수행하는 상황 예측 방법(또는 이러한 상황 예측 방법이 기록된 기록 매체)에 관한 발명도 쉽게 도출해낼 수 있을 것임은 물론이다.

도 2는 본 발명의 상황 예측 시스템에 있어서 시스템 모니터링부에 의해 모니터링되는 상태 정보의 일 예를 나타낸 도면이다. 여기서, 도 2는 컴퓨팅 시스템의 개별 동작 상황 중 하나로서 어플리케이션 프로그램인 아파치(Apache)를 동작(실행)시킨 경우의 모니터링 결과를 예시한 것이다.

도 2를 참조하면, 시스템 모니터링부(110)에 의해 모니터링되는 상태 정보로는 테이블의 첫번째 줄을 통해 예시되어 있는 바와 같이 CPU, 메모리(본 테이블의 RAM 참조), 네트워크(본 테이블의 Network Latency 참조) 등의 자원 사용 정보, 해당 어플리케이션 프로그램에 따라 컴퓨팅 시스템을 통해 환경 설정된 시스템 파라미터 정보(본 테이블의 Parameter 참조), 해당 어플리케이션 프로그램에서 생성되 는 로그 파일 정보(본 테이블의 LogPath 참조) 등이 포함될 수 있다. 테이블의 두번째 줄을 참조하여 보다 구체적으로 설명하면, 해당 어플리케이션 프로그램으로부터 로그 파일이 생성됨에 따라 이와 함께 CPU 및 메모리의 사용률은 각각 81%, 64%이고, 네트워크 자원의 지연 시간은 3.2초이며, 해당 어플리케이션 프로그램에 접속한 실시간 접속자 수는 최대 150명 중 121명에 이르며, 해당 어플리케이션 프로그램을 통해 전송가능한 파일의 크기는 2.7MB 임을 나타내는 상태 정보들이 모니터링되고 있는 것이다. 다만, 도 2의 테이블을 통해 제시되고 있는 상태 정보는 시스템 모니터링부(110)에 의해 모니터링되는 상태 정보의 일 예에 불과하며, 이외에도 다양한 상태 정보들이 더 포함될 수 있음은 물론이다. 예를 들어, 도 2의 테이블에는 CPU, 메모리 등에 대한 상태 정보로서 자원 사용률만을 제시하고 있지만, 시스템 모니터링부(110)에 의해 모니터링되는 자원 동작 상황에 대한 상태 정보는 자원 사용률 및 자원 사용 빈도에 관한 정보 중 어느 하나 이상의 정보를 포함할 수도 있다.

이하, 도 3 내지 도 8을 참조하여 본 발명의 상황 예측 시스템에 이용되는 다양한 상황 예측 모델들을 상세히 설명한다. 다만, 이하에서는 상황 예측 모델들에 관한 설명의 편의상 상태 정보로서 CPU, RAM, Network(혹은 Bandwidth로 표현됨, 이는 네트워크 자원의 대역폭을 의미함)의 3가지 자원에 의한 자원 사용량 정보만을 이용한 경우만을 예시하여 설명하기로 한다. 또한, 이하에서 설명할 ID3 알고리즘, 퍼지 로직, 퍼지 뉴럴 네트워크, 베이지안 네트워크는 일반적인 상황 추론 기법에 해당하는바, 그 일반 이론에 관한 구체적인 설명은 생략하기로 한다.

먼저, 도 3은 본 발명의 상황 예측 시스템에 이용되는 상황 예측 모델의 일 예인 ID3 알고리즘을 설명하기 위한 도면이다.

ID3 알고리즘은 컴퓨팅 시스템의 히스토리 정보(historical data)를 근거로 하여 생성시킨 결정 트리(decision tree)를 이용하여 새로운 데이터(특히, 미래의 데이터)를 추론해낼 수 있는 알고리즘으로서, 이를 이용하면 컴퓨팅 시스템에 발생 가능한 에러 상황의 사전 예측이 가능해질 수 있다. 이러한 ID3 알고리즘에 따른 결정 트리의 일 예가 도 3에 도시되고 있다. 도 3을 통해 볼 수 있듯이, ID3 알고리즘에 따라 생성된 결정 트리는 if-then 규칙의 집합(set)으로 표현되고 있으며, 네트워크 자원, 램(RAM) 자원, CPU 자원의 사용량에 따라 에러 상황에 대한 예측 결과가 위급 상황(Emergency)으로부터 정상 상황(Normal)까지 총 4개의 등급으로 구분되어 출력(추론)될 수 있도록 구성되어 있다.

이와 같은 ID3 알고리즘은 비교적 정확한 결과를 출력하면서도 빠른 계산이 가능하기 때문에 예를 들어 은행의 웹 서버와 같이 에러 상황에 대한 신속한 예측(처리)을 필요로 하는 컴퓨팅 시스템의 경우에 그 이점이 크다. 다만, ID3 알고리즘은 생성된 결정 트리가 얼마나 정교(정확)한가에 따라 그 예측 결과의 신뢰도가 좌우될 수 있으며, 결정 트리로 정해져 있는 범위 내에서만 예측(추론)이 가능하기 때문에 이러한 결정 트리를 만들기 위한 히스토리 정보 또는 초기 학습 데이터의 양이 풍부한 경우에 적용하기 적합한 상황 예측 모델이라 할 수 있다.

도 4는 본 발명의 상황 예측 시스템에 이용되는 상황 예측 모델의 다른 일 예인 퍼지 로직(Fuzzy Logic)을 설명하기 위한 도면이고, 도 5는 본 발명의 상황 예측 시스템에 이용되는 상황 예측 모델인 퍼지 로직에 대한 실제 구현예를 나타낸 도면이며, 도 6은 도 5에 도시된 퍼지 로직에 대한 실제 구현예에 따른 예측 결과를 예시한 도면이다.

퍼지 로직(혹은 퍼지 추론)은 입력된 정보로부터 그에 따른 상태 또는 상황에 대한 진부(眞否) 판단 또는 경계 판단을 명확하게 하기 어려운(즉, 애매모호한) 경우, 일종의 확률적 분포 범위 내에서 해당 상황에 대한 근사적 평가를 내리는 추론 기법으로서, 이를 이용하면 컴퓨팅 시스템에 발생 가능한 에러 상황의 사전 예측이 가능해질 수 있다. 이러한 퍼지 로직은 본 발명의 상황 예측 모델의 하나로서 다음과 같이 이용될 수 있다. 예를 들어, 본 발명의 상황 예측 시스템에 있어서 자원 사용 레벨이 총 5개의 레벨(ML(MaxLow), L(Low), N(Normal), H(High), MH(MaxHigh))로 분류되고, 자원의 상태 정보로서 CPU, RAM, Bandwidth의 3개의 자원 사용 정보가 이용되는 경우를 가정하면, 이에 따라 퍼지 로직을 통해 만들어낼 수 있는 추론 규칙은 총 125개(즉, CPU의 레벨수(5개) × RAM의 레벨수(5개) × Bandwidth의 레벨수(5개))가 된다(도 5 하단의 RULE 0 부터 RULE 124 참조). 이때, 위와 같은 자원 사용 레벨에 관한 분류를 위한 분류 기준(즉, 소속 함수) 및 그로부터 만들어지는 추론 규칙은 개발자, 관리자 또는 사용자에 의해 미리 설정될 수 있다(물론, 재설정되거나 갱신될 수도 있다). 예를 들어, 이러한 추론 규칙은 도 5 하단의 RULE 0에서와 같이 CPU의 레벨이 MH이고, RAM의 레벨이 N이며, Bandwidth의 레벨이 N인 경우 컴퓨팅 시스템의 동작 상황은 Warn(경고)이라는 잠정적(확률적) 추론식으로 설정될 수 있다.

여기서, 도 5의 CPU, RAM, Bandwidth 별로 각각의 레벨마다 정의된 3개의 좌표(예를 들어 CPU의 ML 레벨의 경우, (0, 1) (15, 1) (30,0))는 도 4 및 도 6에 도시된 각각의 삼각형(또는 일부 사다리꼴)을 구성하는 3개의 꼭지점과 대응되며, 이는 각 자원별로 각각의 레벨에 해당되는 확률적 분포 범위를 표현(추론)한 것이다. 퍼지 로직은 이러한 소속 함수 및 추론 규칙를 적용하여 도 4에서와 같은 방법으로 해당 상황에 대한 확률적 분포 범위에 따른 추론 결과를 출력할 수 있다. 즉, 퍼지 로직은 각 자원별로 자원의 사용 상태에 관한 최소값을 출력하고, 이에 대한 중복 범위를 구하는 방법으로 해당 상황에 대한 추론(예측)을 수행할 수 있다.

이러한 퍼지 로직은 특정 상황에 대한 명확한 진부 판단이 어려운 경우, 비선형적인 정보를 처리하여야 하는 경우 등에 적용하기에 적합한 상황 예측 모델이나, 소속 함수 또는 추론 규칙을 생성함에 있어 개발자, 관리자 또는 사용자의 자의적 판단이 개입될 소지가 크므로 추론 규칙의 생성이 간단하지 않은 경우(예를 들어, 컴퓨팅 시스템의 복잡도가 높은 경우) 등에는 예측 결과가 부정확해질 수도 있다.

도 7은 본 발명의 상황 예측 시스템에 이용되는 상황 예측 모델의 또 다른 일 예인 퍼지 뉴럴 네트워크(Fuzzy Neural Network)를 설명하기 위한 도면이다.

퍼지 뉴럴 네트워크는 일반적인 퍼지 추론 방식에 뉴럴 네트워크가 가지는 학습 능력을 결합한 추론 기법이다. 여기서, 뉴럴 네트워크는 인간 두뇌의 신경 세포를 모델링(즉, 각각의 연결 노드(node)들로 구현됨)하여 지능을 구현하고자 하는 추론 기법이다. 뉴럴 네트워크는 병행적으로 상호 작용하는 여러개의 계산 요소로 구성되며, 각 계산 요소는 가중치의 합(weighted sum)과 같은 단순한 계산만을 수행한다. 또한, 학습 데이터를 통하여 가중치를 학습 또는 갱신할 수 있으므로, 시간이 지남에 따라서 그 추론 결과(예측 결과)에 대한 정확성이 증가하게 된다. 이처럼 퍼지 추론과 뉴럴 네트워크를 결합한 퍼지 뉴럴 네트워크는 추론 규칙을 자동으로 식별할 수 있으며, 역 전파 알고리즘(Back-propagation algorithm)을 통해 연결 가중치를 수정함으로써 소속함수를 튜닝(tunning)할 수 있다. 도 7을 참조하여 퍼지 뉴럴 네트워크를 설명하면 다음과 같다. 도 7의 단계 (a) 및 (b)는 각각 상술한 퍼지 로직에서의 소속 함수에 의한 레벨 분류 단계 및 추론 규칙 생성 단계와 동일하다. 도 7의 단계 (c), (d) 및 (e)는 뉴럴 네트워크가 구현된 것으로서, 추론 규칙에 대한 잠정적인 추론 결과는 각각의 뉴런으로 전달되고(도 7의 단계 (c) 참조), 각 뉴런은 가중치 노드와 일대일로 연결되며(도 7의 단계 (d) 참조), 최종 단계에서는 각 가중치 노드의 값을 합산(도 7의 단계 (e) 참조)함으로써 예측 결과를 출력하게 된다. 이때, 퍼지 뉴럴 네트워크는 역전파 알고리즘을 이용하여 가중치 노드에 따른 가중치를 조금씩 변화시켜 가면서 상술한 단계들(도 7의 단계 (a) 내지 단계 (e))을 반복적으로 수행함으로써 상황 예측의 정확도를 높이게 된다.

이러한 퍼지 뉴럴 네트워크는 개발자 또는 관리자가 시스템에 관여할 수 있는 시간이 부족한 경우, 퍼지 로직만으로는 정확한 예측을 수행할 수 없는 경우(예 를 들어, 추론 규칙이 개수가 시스템의 상황, 상태를 정확히 이해하기에 충분하지 않은 경우) 등에 적용하기에 적합한 상황 예측 모델이다. 그러나 퍼지 뉴럴 네트워크는 반복 및 학습 과정을 거치는 이유로 정확한 예측 결과가 나오기까지 보다 많은 시간이 걸리며, 그 구현도 어려운 면이 있으므로 신속한 상황 예측 등이 요구되는 컴퓨팅 시스템의 경우에는 적합하지 않을 수도 있다.

도 8은 본 발명의 상황 예측 시스템에 이용되는 상황 예측 모델의 또 다른 일 예인 베이지안 네트워크(Bayesian Network)를 설명하기 위한 도면이다.

베이지안 네트워크는 불확실한 조건하에서 부분적인(즉, 각 에러 수준별로) 신뢰도를 추론하기 위한 추론 기법으로서, 조건부 독립을 확률이 부여된 방향성 비순환 그래프(Direct Acyclic Graph)로 표시한 것이다. 그래프의 각각의 노드들은 신뢰도를 나타내며, 각 노드들에 따른 신뢰도는 확률론의 규칙에 따라서 조합되고 조종된다. 도 8을 통해 볼 수 있듯이, 사용되는 모든 파라미터들은 완전하게 연결되어야 한다. 이러한 베이지안 네트워크에 의하면 인과 추론(Causual inference) 및 진단 추론(Diagnostic inference)이 모두 가능하다. 여기서, 인과 추론은 주원진 원인 변수(상태 정보)로부터 이에 따른 결과를 추론하는 것을 의미하며, 진단 추론은 주어진 결과(예측 결과)로부터 이러한 결과의 원인이된 원인 변수(상태 정보)를 추론하는 것을 의미(즉, 백트랙킹(Back tracking))한다.

이하, 베이지안 네트워크에 의한 인과 추론 및 진단 추론을 다음의 간단한 예를 들어 설명하기로 한다. 이에 대한 설명에 앞서, CPU 및 RAM의 특정 레벨에 따 른 신뢰도는 아래의 수학식 2와 같고, 특정 에러 수준에 따른 신뢰도는 아래의 표 2와 같다고 가정한다.

[수학식 2]

P(CPU_MH) = 0.9, P(RAM_H) = 0.6

[표 2]

CPU_MH	RAM_H	Emergency
T	T	0.95
T	F	0.8
F	T	0.4
F	F	0.1

먼저, 인과 추론에 의하여 CPU의 레벨이 MH일 때, 컴퓨팅 시스템이 Emergency 상황에 있을 확률을 조건부 확률 규칙에 따라 계산하면 아래의 수학식 3과 같다.

[수학식 3]

P(Emerg = true | CPU_MH = true)

= P(Emerg = true, RAM_H = true | CPU_MH = true)

+ P(Emerg = true, RAM_H = false | CPU_MH = true)

= P(Emerg = true | RAM_H = true, CPU_MH = true)

× P(RAM_H = true | CPU_MH = true)

+ P(Emerg = true | RAM_H = false, CPU_MH = true)

× P(RAM_H = false | CPU_MH = true)

= (0.95 × 0.6) + (0.8 × 0.4) = 0.89

다음으로, 진단 추론에 의하여 컴퓨팅 시스템이 Emergency 상황에 있을 경우, CPU의 레벨이 MH일 확률은 아래의 수학식 4 및 수학식 5를 이용하여 계산할 수 있다. 이에 앞서, 상술한 인과 추론에 의한 방법에 의해 P(Emergency = true | CPU_MH = false)는 0.28이 된다.

[수학식 4]

P(CPU_MH = true | Emerg = true)

= P(Emerg = true | CPU_MH = true) × P(CPU_MH = true) / P(Emerg = true)

= 0.801 / P(Emerg = true)

[수학식 5]

P(CPU_MH = false | Emerg = true)

= P(Emerg = true | CPU_MH = false) × P(CPU_MH = false) / P(Emerg = true)

= 0.028 / P(Emerg = true)

이때, 수학식 4 및 수학식 5의 합은 1이 되어야 하므로, P(Emerg = true) = 0.829가 되며, 이를 다시 수학식 4에 대입하면 컴퓨팅 시스템이 Emergency 상황에 있을 경우, CPU의 레벨이 MH일 확률은 0.97(즉, 97%)이 됨을 알 수 있다.

이와 같이 베이지안 네트워크는 에러 상황의 예측(인과 추론)은 물론, 에러 상황에 대한 예측 결과로부터 그 원인이 된 대상까지도 역으로 추론(진단 추론)해낼 수 있는 이점이 있다. 따라서, 베이지안 네트워크는 백트랙킹에 의한 원인을 추론해낼 필요가 있거나 또는 시스템의 모든 상황에 대한 신뢰도(확률) 정보가 필요한 경우에 적용하기 적합한 상황 예측 모델이다. 그러나 베이지안 네트워크를 구성하는 각 노드들에 대한 신뢰도가 잘못 설정된 경우에는 상황 예측의 정확성을 기대할 수 없을 수도 있다.

이하, 도 9 내지 도 11를 참조하여 본 발명의 상황 예측 시스템의 성능을 간략히 비교 설명하기로 한다.

먼저, 도 9는 본 발명의 상황 예측 시스템을 적용한 경우의 시간에 따른 에러 발생율을 보여주기 위한 비교 그래프이다. 도 9를 참조하면, 종래의 상황 예측 시스템 및 ID3 알고리즘만을 채용한 상황 예측 시스템의 경우에 비해, 본 발명의 상황 예측 시스템은 컴퓨팅 시스템이 운영되고 있는 시간대별로 발생되는 에러율이 감소되고 있음을 알 수 있다. 또한, 도 10은 본 발명의 상황 예측 시스템을 적용한 경우의 예측 시간을 보여주기 위한 비교 그래프이다. 도 10을 참조하면, ID3 알고리즘만을 채용한 상황 예측 시스템의 경우에 비해, 본 발명의 상황 예측 시스템은 에러 상황에 대한 예측 시간이 크게 단축되고 있음을 알 수 있다.

여기서, 도 9 및 도 10의 그래프를 통해 특히 주목할 점은 ID3 알고리즘을 채용한 상황 예측 시스템의 경우에도 운영 초기의 시간대에서는 본 발명의 상황 예측 시스템과 비슷한 에러 발생율 및 예측 시간(속도)을 나타내고 있지만, 시간이 흐름에 따라서 또는 에러의 발생수가 증가함에 따라서 본 발명에 비해 에러 발생율 및 예측 시간이 보다 많이 증가한다는 것이다. 이는 본 발명의 상황 예측 시스템의 경우 상술한 모델 선택 정보에 의해 컴퓨팅 시스템이 운영되고 있는 사용 환경, 동작 환경 등에 따른 제반 특성을 고려(반영)할 수 있음은 물론, 이에 따라 복수개의 상황 예측 모델 중 최적화된 어느 하나의 상황 예측 모델을 선택하여 에러 상황에 대한 예측을 수행할 수 있었기 때문이라고 할 수 있다.

또한, 도 11은 본 발명의 상황 예측 시스템에 있어서의 상황 예측 모델별 시스템 부하를 보여주기 위한 비교 그래프이다. 도 11을 참조하여 히스토리 정보의 증가에 따른 각 상황 예측 모델별 시스템 부하를 살펴보면, ID3 알고리즘이 시스템 부하의 측면에서는 가장 우수하다는 것을 알 수 있다. 그러나 퍼지 뉴럴 네트워크의 경우에는 개발자 등에 의해 생성된 네트워크로부터 진화하는 네트워크 모델을 학습하기 때문에 히스토리 정보에 의존하지 않고 있으며, 이러한 학습 기능(예를 들어, 자동 튜닝 등)때문에 다른 상황 예측 모델보다 시스템 부하가 크게 증가함을 또한 알 수 있다.

또한, 별도의 도면을 통하여 도시하지는 않았지만, 초기 히스토리 정보가 대략 100개 이하일 때에는 ID3 알고리즘의 경우 시스템 부하 측면에서 우수한 특성을 보임에도 불구하고 결정 트리를 생성하기 위한 히스토리 정보가 부족함으로 인해 상황 예측의 정확성이 떨어지는 것을 확인할 수 있었다. 이와 같이 초기 히스토리 정보가 대략 100개 이하일 때에는 상황 예측의 정확성, 예측 시간, 시스템 부하 측면을 종합적으로 고려하였을 경우 퍼지 로직이 가장 효율적이었으며, 히스토리 정 보가 300 ~ 500개 이상을 넘어감에 따라 ID3가 가장 효율적이라는 것을 확인하였다. 다만, 이러한 상황 예측 모델별 성능 비교는 동일 조건에 의한 컴퓨팅 시스템에 있어서의 단순 비교에 불과할 뿐이며, 컴퓨팅 시스템의 적용되는 환경, 특성 등에 따라 그 결과는 달라질 수 있음은 물론이다.

상술한 바와 같이, 본 발명에 따른 상황 예측 시스템 및 그 방법에 의하면, 다양한 컴퓨팅 시스템에 범용적으로 적용될 수 있고, 컴퓨팅 시스템에 발생한 오류, 문제들을 사전에 예측하여 미리 대처함으로써 시스템 관리(치유)의 효율성을 극대화할 수 있는 효과가 있다.

또한, 본 발명은 컴퓨팅 시스템에 발생한 오류, 문제들에 대한 치유 시간을 크게 줄이고, 긴박한 상황에 대한 즉각적인 대처가 가능한 효과가 있다.

또한, 본 발명은 ID3, 퍼지 추론, 퍼지 뉴럴 네트워크, 베이지안 네트워크 등과 같은 복수개의 상황 예측 모델을 선택적으로 또는 복합적으로 적용함으로써, 보다 정확한 상황 예측이 가능한 효과가 있다.

또한, 본 발명은 휴대폰, PMP 등의 휴대 단말을 이용한 유비쿼터스(Ubiquitous) 컴퓨팅 환경에서도 시스템 성능, 자원 사용량에 영향을 주지 않고 적용 가능한 효과가 있다.

이상에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.

Claims (26)

1. 컴퓨팅 시스템의 자가 치유를 위하여 상기 컴퓨팅 시스템의 동작 중에 발생하는 에러 상황에 대한 예측을 수행하는 상황 예측 시스템에 있어서,

   상기 컴퓨팅 시스템으로부터 모델 선택 정보를 취합하고, 상기 취합된 모델 선택 정보에 따라 복수개의 상황 예측 모델 중 어느 하나 이상의 상황 예측 모델을 선택하는 예측 모델 선택부-여기서, 상기 모델 선택 정보는 상기 컴퓨팅 시스템의 동작 상황에 따른 시스템 상태 정보, 시스템 이력 정보 및 시스템 요청 정보 중 일부 또는 전부를 포함함-; 및

   상기 예측 모델 선택부에 의해 선택된 상황 예측 모델을 실행하여 상기 에러 상황에 대한 예측 결과를 출력하는 예측 모델 실행부를 포함하는 상황 예측 시스템.
2. 제1항에 있어서,

   상기 컴퓨팅 시스템의 동작 상황에 따른 자원 사용 레벨을 평가하는 레벨 평가부를 더 포함하되,

   상기 시스템 상태 정보는 상기 레벨 평가부에 의해 평가된 상기 자원 사용 레벨에 관한 정보를 포함하는 것을 특징으로 하는 상황 예측 시스템.
3. 제2항에 있어서,

   상기 레벨 평가부에 의해 평가되는 상기 자원 사용 레벨은 미리 설정된 분류 기준에 따라 2개 이상의 레벨로 분류되는 것을 특징으로 하는 상황 예측 시스템.
4. 제3항에 있어서,

   상기 미리 설정된 분류 기준은 상기 컴퓨팅 시스템의 동작 상황에 따른 자원 사용률 및 자원 사용 빈도 중 어느 하나 이상의 값에 비례하여 설정되는 것을 특징으로 하는 상황 예측 시스템.
5. 제4항에 있어서,

   상기 컴퓨팅 시스템의 자원 동작 상황에 대한 상태 정보를 모니터링하는 시스템 모니터링부를 더 포함하는 것을 특징으로 하는 상황 예측 시스템.
6. 제5항에 있어서,

   상기 시스템 모니터링부에 의해 모니터링되는 상기 자원 동작 상황에 대한 상태 정보는 상기 자원 사용률 및 상기 자원 사용 빈도에 관한 정보 중 어느 하나 이상의 정보를 포함하는 것을 특징으로 하는 상황 예측 시스템.
7. 제5항에 있어서,

   상기 시스템 모니터링부는 상기 컴퓨팅 시스템의 프로그램 동작 상황에 대한 상태 정보를 더 모니터링하되,

   상기 시스템 상태 정보는 상기 시스템 모니터링부에 의해 모니터링된 상기 프로그램 동작 상황에 대한 상태 정보를 포함하는 것을 특징으로 하는 상황 예측 시스템.
8. 제7항에 있어서,

   상기 시스템 모니터링부에 의해 모니터링되는 상기 프로그램 동작 상황에 대한 상태 정보는 로그 파일 정보인 것을 특징으로 하는 상황 예측 시스템.
9. 제5항 또는 제7항에 있어서,

   상기 시스템 모니터링부에 의해 모니터링된 상태 정보 중 미리 설정된 기준에 따른 불필요한 상태 정보를 제거하는 필터부를 더 포함하는 것을 특징으로 하는 상황 예측 시스템.
10. 제9항에 있어서,

    상기 필터부에 의해 제거되는 상기 미리 설정된 기준에 따른 상기 불필요한 상태 정보는 상기 시스템 모니터링부에 의해 중복되어 모니터링된 동일 동작 상황에 대한 동일 상태 정보인 것을 특징으로 하는 상황 예측 시스템.
11. 제1항에 있어서,

    상기 복수개의 상황 예측 모델은 ID3, 퍼지 로직, 퍼지 뉴럴 네트워크, 베이지안 네트워크 중 어느 2개 이상인 것을 특징으로 하는 상황 예측 시스템.
12. 제1항에 있어서,

    상기 복수개의 상황 예측 모델을 저장하는 저장부를 더 포함하는 것을 특징으로 하는 상황 예측 시스템.
13. 제1항에 있어서,

    상기 예측 결과는 미리 설정된 우선 순위에 따른 에러 수준별로 분류되어 출 력되는 것을 특징으로 하는 상황 예측 시스템.
14. 제1항에 있어서,

    상기 예측 모델 실행부로부터 출력된 상기 예측 결과에 따라 상기 복수개의 상황 예측 모델 중 어느 하나 이상의 상황 예측 모델을 갱신하는 예측 모델 갱신부를 더 포함하는 것을 특징으로 하는 상황 예측 시스템.
15. 제14항에 있어서,

    상기 예측 모델 갱신부에 의해 갱신되는 상기 어느 하나 이상의 상황 예측 모델은 상기 예측 모델 선택부에 의해 선택된 상황 예측 모델을 포함하는 것을 특징으로 하는 상황 예측 시스템.
16. 컴퓨팅 시스템의 자가 치유를 위하여 상황 예측 시스템이 상기 컴퓨팅 시스템의 동작 중에 발생하는 에러 상황에 대한 예측을 수행하는 상황 예측 방법에 있어서,

    (a) 상기 컴퓨팅 시스템으로부터 모델 선택 정보를 취합하는 단계-여기서, 상기 모델 선택 정보는 상기 컴퓨팅 시스템의 동작 상황에 따른 시스템 상태 정보, 시스템 이력 정보 및 시스템 요청 정보 중 일부 또는 전부를 포함함-;

    (b) 상기 취합된 모델 선택 정보에 따라 복수개의 상황 예측 모델 중 어느 하나 이상의 상황 예측 모델을 선택하는 단계; 및

    (c) 상기 선택된 상황 예측 모델을 실행하여 상기 에러 상황에 대한 예측 결과를 출력하는 단계를 포함하는 상황 예측 방법.
17. 제16항에 있어서,

    (d) 상기 컴퓨팅 시스템의 동작 상황에 따른 자원 사용 레벨을 평가하는 단계를 더 포함하되,

    상기 단계 (a)의 상기 시스템 상태 정보는 상기 평가된 자원 사용 레벨에 관한 정보를 포함하는 것을 특징으로 하는 상황 예측 방법.
18. 제17항에 있어서,

    상기 단계 (d)에서 평가되는 상기 자원 사용 레벨은 미리 설정된 분류 기준에 따라 2개 이상의 레벨로 분류되는 것을 특징으로 하는 상황 예측 방법.
19. 제18항에 있어서,

    상기 미리 설정된 분류 기준은 상기 컴퓨팅 시스템의 동작 상황에 따른 자원 사용률 및 자원 사용 빈도 중 어느 하나 이상의 값에 비례하여 설정되는 것을 특징으로 하는 상황 예측 방법.
20. 제19항에 있어서,

    상기 단계 (d) 이전에,

    (e) 상기 컴퓨팅 시스템의 자원 동작 상황에 대한 상태 정보를 모니터링하는 단계를 더 포함하되,

    상기 모니터링되는 상기 자원 동작 상황에 대한 상태 정보는 상기 자원 사용률 및 상기 자원 사용 빈도에 관한 정보 중 어느 하나 이상의 정보를 포함하는 것을 특징으로 하는 상황 예측 방법.
21. 제20항에 있어서,

    상기 단계 (e) 이후에,

    (f) 상기 모니터링된 상태 정보 중 미리 설정된 기준에 따른 불필요한 상태 정보를 제거하는 단계를 더 포함하는 것을 특징으로 하는 상황 예측 방법.
22. 제21항에 있어서,

    상기 미리 설정된 기준에 따른 상기 불필요한 상태 정보는 중복되어 모니터링된 동일 동작 상황에 대한 동일 상태 정보인 것을 특징으로 하는 상황 예측 방법.
23. 제16항에 있어서,

    상기 복수개의 상황 예측 모델은 ID3, 퍼지 로직, 퍼지 뉴럴 네트워크, 베이지안 네트워크 중 어느 2개 이상인 것을 특징으로 하는 상황 예측 방법.
24. 제16항에 있어서,

    상기 단계 (a) 이전에,

    (g) 상기 복수개의 상황 예측 모델을 저장하는 단계를 더 포함하는 것을 특징으로 하는 상황 예측 방법.
25. 제16항에 있어서,

    상기 단계 (c)의 상기 예측 결과는 미리 설정된 우선 순위에 따른 에러 수준별로 분류되어 출력되는 것을 특징으로 하는 상황 예측 방법.
26. 제16항에 있어서,

    상기 단계 (c) 이후에,

    (h) 상기 출력된 예측 결과에 따라 상기 복수개의 상황 예측 모델 중 어느 하나 이상의 상황 예측 모델을 갱신하는 단계를 더 포함하는 것을 특징으로 하는 상황 예측 방법.

Images