KR20150027277A - 빅 데이터 분석 시스템 - Google Patents

빅 데이터 분석 시스템 Download PDF

Info

Publication number
KR20150027277A
KR20150027277A KR20157002448A KR20157002448A KR20150027277A KR 20150027277 A KR20150027277 A KR 20150027277A KR 20157002448 A KR20157002448 A KR 20157002448A KR 20157002448 A KR20157002448 A KR 20157002448A KR 20150027277 A KR20150027277 A KR 20150027277A
Authority
KR
South Korea
Prior art keywords
data
real
memory
time data
additional
Prior art date
Application number
KR20157002448A
Other languages
English (en)
Inventor
스코트 왓슨
자미니 사만타래이
존 스코빌
제임스 모인
Original Assignee
어플라이드 머티어리얼스, 인코포레이티드
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 어플라이드 머티어리얼스, 인코포레이티드 filed Critical 어플라이드 머티어리얼스, 인코포레이티드
Publication of KR20150027277A publication Critical patent/KR20150027277A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

빅 데이터 분석 시스템은 제조 설비와 연관된 복수의 제조 파라미터들을 획득한다. 빅 데이터 분석 시스템은 메모리-상주 저장소에 저장하기 위해 복수의 제조 파라미터들에 기초하여 복수의 데이터 소스들로부터 제 1 실시간 데이터를 식별한다. 복수의 데이터 소스들은 제조 설비와 연관된다. 빅 데이터 분석 시스템은 분산형 저장소에 저장하기 위해 복수의 제조 파라미터들에 기초하여 복수의 데이터 소스들로부터 제 2 실시간 데이터를 식별한다.

Description

빅 데이터 분석 시스템{BIG DATA ANALYTICS SYSTEM}
본 발명의 구현예들은 분석 시스템에 관한 것으로, 더 구체적으로, 빅 데이터 분석 시스템에 관한 것이다.
시스템들의 효율적인 작동을 지원하기 위해 더 많은 데이터가 수집됨에 따라 데이터 수집 레이트들(rates)이 증가한다. 제조 설비(공장) 자동화의 진보들, 더 엄격한 프로세스 공차들, 개선된 툴 성능들 및 처리량(yield)을 개선하려는 요구가, 부가적인 데이터들이 수집되는 것으로 이어질 수 있다.
데이터가 더 빠른 레이트로 수집되게 하고, 이에 의해 더 많은 양의 데이터가 수집되게 하는, 증가하는 웨이퍼 사이즈들에 기인하여, 제조 설비들에서 데이터 수집 레이트들이 증가할 수 있다. 진보된 툴 플랫폼들은 이러한 진보된 기술들을 위해 요구될 센서들의 개수의 증가를 요구할 수 있다. 부가적으로, 기술 노드들이(technology nodes) 짧아짐에 따라, 장비 고정 식별자들(equipment constant identifiers)(ECIDs) 및 수집 이벤트 식별자들(CEIDs)이 증가할 수 있다. 게다가, 많은 제조 설비들은 로트 크기들(lot sizes)을 감소시키고 있고(예를 들어, 사이클 시간을 개선하기 위해), 그리고 더 작은 로트 크기들은 더 작은 로트 크기들을 관리하기 위해 부가적인 트랜잭션 데이터(transactional data)를 요구할 수 있다.
몇몇 종래의 해결책들은 통계적 프로세스 제어 방법론을 사용하여 데이터를 수집하고 제조 프로세스의 품질을 모니터링하려고 시도한다. 게다가, 종래의 해결책들은 데이터가 향후 필요할 수 있는 경우에 데이터를 프로세싱하지 않고 대부분의 데이터를 데이터 저장소(storage)로 이동시킨다. 다른 종래의 해결책들은 관계형 데이터베이스 관리 시스템(RDBMS) 기술들을 포함할 수 있다. 그러나, 이러한 종래의 해결책들은 복잡한 데이터 분석을 지원하기 위해 실시간으로 데이터의 대형 세트들을 프로세싱할 수 없다.
본 발명은 예로써 도시되고, 제한으로써 도시된 것이 아니며, 첨부된 도면들의 도면들에서 같은 참조 부호들은 같은 엘리먼트들을 나타낸다. 본 발명에서 일(영문 표기로 "an" 또는 "one") 구현예에 대한 상이한 참조들은 반드시 동일한 구현예에 대한 것이 아니고, 그러한 참조들이 적어도 하나를 의미한다는 것이 주목되어야 한다.
도 1은 빅 데이터 분석 모듈을 사용하는 빅 데이터 분석 시스템을 도시하는 블럭도이다.
도 2는 빅 데이터 분석 모듈의 일 구현예의 블럭도이다.
도 3은 다양한 구현예들에 따라, 빅 데이터 분석 모듈에 의해 사용되는 규칙에 대한 그래픽 스키마(graphical schema)를 위한 데이터를 포함하는 예시적인 그래픽 사용자 인터페이스를 도시한다.
도 4는 제조 설비에서 빅 데이터를 분석하기 위한 방법의 일 구현예를 도시한다.
도 5는 제조 설비에서 빅 데이터 분석을 사용하는 일 구현예를 도시한다.
도 6은 예시적인 컴퓨터 시스템을 도시한다.
제조 설비에서 수집된 데이터는 반도체 제조 산업에서 원하는 처리량 개선, 사이클 시간 및 비용 절감을 달성하는데 사용될 수 있다. 그러나, 제조 설비로부터 수집된 데이터의 양이 증가하면서, 제조 설비의 문제를 해결하는 것과 같이, 데이터를 효과적으로 사용하는 것이 어려울 수 있다. 제조 설비 작동들은 물질들 및 툴들의 처리량들을 개선하도록 그리고 데이터의 수집 및 분석을 통해 패턴들 및 데이터 경향들을 발견하도록 프로세스들의 최적화를 위해 노력할 수 있고, 처리량 개선은 실시간으로 생성되고 수집된 대량의 데이터의 효과적인 사용을 요구할 수 있다. 수집된 데이터는 제조 설비에서 문제들이 발생하기 전에 문제들을 예측하고 해결하는데 사용될 수 있다. 예측 기술은 이탈들(excursions)이 발생하기 전에 툴 이탈들의 지표들(indicators)을 검출하기 위해서, 처리량 이탈들을 예측하여 인-라인(in-line) 해결을 허용하기 위해서, 개선된 스케줄링을 위해 로트 도착 시간들을 예측하기 위해서, 생산성 개선들을 제공하기 위해서 등등으로 데이터를 분석하는데 사용될 수 있다.
제조 설비에서 수집된 데이터의 증가되는 양을 저장하고 프로세싱하는 것은 공장 자동화의 온-라인(on-line) 트랜잭션 프로세싱(OLTP) 요구사항들에 영향을 줄 수 있다(impact). 게다가, 증가하는 양의 데이터는 분석되어야 하고, 이는 엔지니어링 직원의 증가를 요구할 수 있다. 부가적으로, 극한의 트랜잭션 프로세싱(XTP) 데이터 프로세싱은 예측-기반 분석, 의사결정 트리 분석, 자동화된 시뮬레이션들, 및 주문형(on-demand) 시뮬레이션들을 수행하기 위해 제조 설비에 의해 지원되어야 할 수 있다.
제조 설비들에 의해 수집된 대량의 데이터를 프로세싱하기 위해서, 빅 데이터 분석 시스템이, 제조 설비의 사용자에게 관련되고(relevant) 중요한 데이터를 정의하는, 제조 설비와 연관된 제조 파라미터들을 획득할 수 있다. 빅 데이터 분석 시스템은 제조 파라미터들을 충족시키는 실시간 제조 데이터를 식별함으로써 더 관련된 실시간 제조 데이터를 식별할 수 있다. 빅 데이터 분석 시스템은 메모리-상주(resident) 저장소에 더 관련된 실시간 데이터를 저장할 수 있다. 빅 데이터 분석 시스템은 제조 파라미터들을 충족시키지 않는 실시간 제조 데이터를 식별함으로써, 덜 관련된 제조 실시간 데이터를 식별할 수 있다. 빅 데이터 분석 시스템은 덜 관련된 실시간 데이터를 분산형(distributed) 저장소에 저장할 수 있다. 메모리-상주 저장소는 메모리에 있을 수 있고, 따라서 신속하게 액세스 가능하다. 분산형 저장소는 메모리에 있을 수 없고 그러므로 덜 용이하게 액세스 가능하다. 더 관련된 실시간 데이터를 메모리-상주 데이터 저장소에 저장함으로써, 빅 데이터 분석 시스템은 관련된 실시간 데이터의 프로세싱(온-라인 트랜잭션 프로세싱, 극한의 트랜잭션 프로세싱, 등)을 효율적이고 효과적으로 수행할 수 있다. 게다가, 더 관련된 실시간 데이터를 메모리-상주 데이터 저장소에 저장하고 덜 관련된 실시간 데이터를 분산형 저장소에 저장함으로써, 빅 데이터 분석 시스템은 더 관련된 데이터의 프로세싱에 영향을 주지 않고 그리고 엔지니어링 직원의 증가를 요구하지 않고 대량의 데이터를 저장하고 프로세싱할 수 있다.
도 1은 빅 데이터 분석을 구현하는 제조 설비(100)의 블럭도이다. 제조 설비(100)는 예를 들어, 그리고 비제한적으로, 반도체 제조 설비를 포함할 수 있다. 간결함과 단순함을 위해, 제조 설비(100)는 하나 또는 그 초과의 데이터 소스들(103), 빅 데이터 분석 시스템(105), 및 예를 들어, 네트워크(120)를 통해 통신하는 분산형 저장소(119)를 포함할 수 있다. 네트워크(120)는 근거리 통신망(LAN), 무선 네트워크, 모바일 통신 네트워크, 인터넷과 같은 원거리 통신망(WAN), 또는 유사한 통신 시스템일 수 있다.
데이터 소스들(103)은 제조 데이터 소스들일 수 있다. 데이터 소스들(103)의 예들은 전자 디바이스들의 제조를 위한 툴들, 제조 실행 시스템(MES), 물질 취급 시스템(material handling system; MHS), SEMI 장비 통신 표준/일반 장비 모델(SECS/GEM) 툴들, 전자 설계 자동화(EDA) 시스템, 등을 포함할 수 있다.
데이터 소스들(103) 및 빅 데이터 분석 시스템(105)은 임의의 유형의 컴퓨팅 디바이스에 의해 개별적으로 호스팅될(hosted) 수 있고, 이러한 컴퓨팅 디바이스는 서버 컴퓨터들, 게이트웨이 컴퓨터들, 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 태블릿 컴퓨터, 노트북 컴퓨터, PDA(개인용 휴대 단말기), 모바일 통신 디바이스들, 휴대폰들, 스마트폰들, 휴대용(hand-held) 컴퓨터들, 또는 유사한 컴퓨팅 디바이스를 포함한다. 대안적으로, 빅 데이터 분석 시스템(105) 및 데이터 소스들(103)의 임의의 결합이 단일 컴퓨팅 디바이스 상에 호스팅될 수 있고, 이러한 단일 컴퓨팅 디바이스는 서버 컴퓨터들, 게이트웨이 컴퓨터들, 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 모바일 통신 디바이스들, 휴대폰들, 스마트폰들, 휴대용 컴퓨터들, 또는 유사한 컴퓨팅 디바이스를 포함한다.
분산형 저장소(119)는 메모리들, 테입들(tapes) 또는 디스크들(disks)과 같은 하나 또는 그 초과의 기록 가능한 영구 저장소 디바이스들(writable persistent storage devices)을 포함할 수 있다. 분산형 저장소(119) 및 빅 데이터 분석 시스템(105)의 각각이 도 1에서 단일의, 이종(disparate) 컴포넌트들로서 도시되지만, 이러한 컴포넌트들은 함께 단일 디바이스에서 구현되거나, 또는 함께 작동하는 다수의 상이한 디바이스들의 다양한 결합들로 네트워킹될 수 있다. 디바이스들의 예들은 서버들, 메인프레임 컴퓨터들, 네트워킹된 컴퓨터들, 프로세스-기반 디바이스들, 및 유사한 유형의 시스템들 및 디바이스들을 포함할 수 있지만 이에 제한되지는 않는다. 분산형 저장소(119)는 분산형 데이터베이스와 같은, 다수의 데이터 시스템들에 걸쳐 분산된 저장소일 수 있다.
제조 시스템(100)의 작동 동안에, 빅 데이터 분석 시스템(105)은 데이터 소스들(103) 중 하나 또는 그 초과의 데이터 소스들로부터 수집될 실시간 데이터를 수신할 수 있다. 상기 논의된 바와 같이, 실시간으로 수신되는 데이터의 양은 많고, 데이터의 프로세싱에 영향을 줄 수 있다.
본 발명의 양태들은 종래의 시스템들의 상기 결점을 해결한다(address). 특히, 일 실시예에서, 빅 데이터 분석 시스템(105)은, 제조 시스템(100)과 연관된 규칙들에 기초하여, 메모리-상주 저장소에 저장될 수 있는 실시간 데이터와, 분산형 저장소에 저장될 수 있는 실시간 데이터를 식별하고, 이에 의해 데이터의 프로세싱은 영향받지 않는다. 일 실시예에서, 빅 데이터 분석 시스템(105)은 프로세싱 모듈(107), 빅 데이터 분석 모듈(109), 및 메모리(111)를 포함할 수 있다.
빅 데이터 분석 모듈(109)은 제조 시스템(100)에 대한 하나 또는 그 초과의 규칙들을 수집하기 위해 사용자 인터페이스를 제공할 수 있다. 제조 시스템(100)에 대한 규칙들은 제조 시스템(100)에서 관련된 데이터를 정의할 수 있다. 규칙들은 사용자(예를 들어, 시스템 엔지니어, 프로세스 엔지니어, 산업 엔지니어, 시스템 관리자, 등)에 의해 정의될 수 있다. 규칙들은 규칙들(115)에 저장될 수 있다.
빅 데이터 분석 모듈(109)은 하나 또는 그 초과의 데이터 소스들(103)로부터 실시간 데이터 스트림을 수신할 수 있다. 실시간 데이터 스트림은 빅 데이터 분석 시스템(105)에 의해서 수집될 데이터를 포함한다. 빅 데이터 분석 모듈(109)은 메모리(111)의 저장소(113)에 저장하기 위해서 데이터 소스들(103)로부터의 실시간 데이터를 식별할 수 있고, 메모리(111)는 빅 데이터 분석 시스템(105) 내에 상주한다. 빅 데이터 분석 모듈(109)은 분산형 저장소(119)에 저장하기 위해서 실시간 데이터로서 규칙들(115)의 하나 또는 그 초과의 규칙들을 만족시키지 않는 실시간 데이터를 식별할 수 있다. 빅 데이터 분석 모듈(109)은 메모리(111)의 저장소(113)에 저장하기 위해서 실시간 데이터로서 규칙들(115)의 하나 또는 그 초과의 규칙들을 만족시키는 실시간 데이터를 식별할 수 있다. 몇몇 실시예들에서, 빅 데이터 분석 모듈(109)은, 실시간 데이터 그 자체를 저장하는 대신, 규칙들(115)의 하나 또는 그 초과의 규칙들을 만족시키는 실시간 데이터의 그래픽 표현(representation)을 저장소(113)에 저장할 수 있다. 빅 데이터 분석 모듈(109)은 프로세싱 모듈(107)에 의한 프로세싱에 적합한 스키마로 메모리(111)의 저장소(113)에 데이터를 저장할 수 있다. 프로세싱에 적합한 스키마로 저장된 데이터의 예는 도 3에 관하여 이하에서 설명된다.
일 실시예에서, 빅 데이터 분석 모듈(109)은 메모리(111)의 저장소(113)의 데이터에 분석을 적용하고 적용된 분석에 기초하여 메모리(111)의 저장소(113)의 데이터를 업데이트한다. 대안적인 실시예에서, 빅 데이터 분석 모듈(109)은 분석 어플리케이션을 위해 제조 시스템(100)의 외부의 서버(도시되지 않음)에 데이터를 제공한다.
빅 데이터 분석 모듈(109)은 데이터 소스들(103)과 연관된 실시간 데이터 스트림에 규칙들(115)을 지속적으로 적용할 수 있다. 규칙들이 업데이트되거나 또는 새로운 규칙들이 부가되기 때문에(예를 들어, 사용자에 의해서), 빅 데이터 분석 모듈(109)은 업데이트된 규칙들 및/또는 새로운 규칙들을 저장소(113)에 저장된 데이터에 적용할 수 있다. 게다가, 규칙들이 업데이트되거나 또는 새로운 규칙들이 부가되기 때문에, 빅 데이터 분석 모듈(109)은 분산형 저장소(119)의 데이터가 프로세싱되고 그리고/또는 분석되어야 하는지를(예를 들어, 이벤트가 규칙들에 기초하여 트리거링(triggered)되는지, 등) 결정하기 위해서 분산형 저장소(119)의 데이터에 규칙들을 적용할 수 있다.
프로세싱 모듈(107)은 메모리(111)의 저장소(113)의 데이터의 프로세싱을 수행할 수 있다. 예를 들어, 프로세싱 모듈(107)은 프로세싱, 예컨대 데이터의 비공유 대량 병렬(shared nothing massive parallel) 프로세싱, 맵-리듀스(map-reduce) 프로세싱, 온-라인 트랜잭션 프로세싱, 극한 트랜잭션 프로세싱, 등을 수행할 수 있다. 프로세싱 모듈(107)은 프로세싱의 결과들을 저장소(113), 분산형 저장소(119), 등과 같은 저장소에 저장할 수 있다.
도 2는 빅 데이터 분석 모듈(200)의 일 구현예의 블럭도이다. 일 구현예에서, 빅 데이터 분석 모듈(200)은 도 1의 빅 데이터 분석 모듈(109)과 동일할 수 있다. 빅 데이터 분석 모듈(200)은 규칙 분석 서브-모듈(205), 데이터 취합(aggregation) 서브-모듈(210), 데이터 크롤러(crawler) 서브-모듈(215), 및 사용자 인터페이스(UI) 서브-모듈(220)을 포함할 수 있다.
빅 데이터 분석 모듈(200)은 데이터 저장부들(stores)(250 및 260)에 커플링될 수 있다.
데이터 저장부(250)는 메모리에 상주하는 데이터 저장부일 수 있다. 데이터 저장부(250)는 인-메모리 비-분산형 캐쉬, 인-메모리 분산형 캐쉬, 인-메모리 그래프 데이터베이스, 등을 포함할 수 있다. 데이터 저장부(250)는 온-라인 트랜잭션 프로세싱 정제된(refined) 데이터베이스, 온-라인 분석 정제된 데이터베이스, 등과 같은 인-메모리 데이터베이스를 더 포함할 수 있다. 몇몇 실시예들에서, 데이터 저장부(250)는 또한, 디스크 상에 데이터를 지속시키는(persist) 인-메모리 데이터베이스와 같은 영구(persistent) 저장소이다. 영구 저장소 유닛은 로컬 저장소 유닛 또는 원격 저장소 유닛일 수 있다. 영구 저장소 유닛들은 자기 저장소 유닛, 광학 저장소 유닛, 솔리드 스테이트(solid state) 저장소 유닛, 전자 저장소 유닛(주 메모리) 또는 유사한 저장소 유닛일 수 있다. 영구 저장소 유닛들은 모놀리식(monolithic) 디바이스 또는 분산형 세트(set)의 디바이스들일 수 있다. 본원에서 사용된 바와 같은 '세트'라는 용어는 임의의 양의 정수의 아이템들을 지칭한다. 데이터 저장부(250)는 규칙들(251), 규칙들과 연관된 실시간 데이터(253), 및 히스토리 데이터(historical data; 255)를 포함할 수 있다.
데이터 저장부(260)는 분산형 데이터베이스와 같이, 영구 저장소 유닛일 수 있다. 영구 저장소 유닛은 로컬 저장소 유닛 또는 원격 저장소 유닛일 수 있다. 영구 저장소 유닛들은 자기 저장소 유닛, 광학 저장소 유닛, 솔리드 스테이트 저장소 유닛, 전자 저장소 유닛(주 메모리) 또는 유사한 저장소 유닛일 수 있다. 영구 저장소 유닛들은 모놀리식 디바이스 또는 분산형 세트의 디바이스들일 수 있다. 본원에서 사용된 바와 같은 '세트'라는 용어는 임의의 양의 정수의 아이템들을 지칭한다.
제조 설비를 위한 하나 또는 그 초과의 규칙들은 규칙들(251)에서 정의될 수 있다. 규칙들(251)은 미리-정의될 수 있고 그리고/또는 사용자(예를 들어, 시스템 엔지니어, 프로세스 엔지니어, 산업 엔지니어, 시스템 관리자, 등) 정의될 수 있다. 규칙들(251)은 제조 설비에서의 공통 고장 모드들(common failure modes)을 식별하고 해결하기 위해 제조 설비로부터 수집되는 데이터를 정의할 수 있다. 일 실시예에서, 규칙들(251)은 방정식 형태이다. 대안적인 실시예에서, 규칙들(251)은 그래픽 형태이다. 히스토리 데이터(255)는 규칙들(251)에서 식별된, 특정 제조 프로세스와 연관된 모든 데이터를 포함할 수 있다.
데이터 저장부(260)는 나머지 제조 데이터(261)를 저장할 수 있다. 나머지 제조 데이터(261)는 규칙들(251) 중 어느것과도 연관되지 않는, 제조 설비로부터의 데이터를 포함할 수 있다. 나머지 제조 데이터(261)는 제조 설비의 툴들, 시스템들, 자동화 소프트웨어, 등에 의해서 제공될 수 있다.
규칙 분석 모듈(205)은 제조 설비와 연관된 규칙(251)을 획득할 수 있다. 사용자는 제조 파라미터들을 그래프 형태, 방정식 형태, 등으로 제공할 수 있다. 규칙 분석 서브-모듈(205)은 규칙들(251)과 연관된 하나 또는 그 초과의 제조 파라미터들을 결정하기 위해서 규칙들을 분석할 수 있다.
데이터 취합 서브-모듈(210)은 규칙들과 연관된 실시간 데이터(253)를 메모리-상주 데이터 저장부(250)에 저장하기 위한, 제조 데이터 소스들(도시되지 않음)로부터의 실시간 데이터와, 나머지 제조 데이터(261)를 분산형 데이터 저장부(260)에 저장하기 위한, 제조 데이터 소스들로부터의 실시간 데이터를 식별할 수 있다. 데이터 취합 서브-모듈(210)은 규칙들(251) 중 하나 또는 그 초과의 규칙들을 제조 데이터 소스들로부터의 실시간 데이터 스트림에 적용함으로써 제조 데이터 소스들로부터의 실시간 데이터를 식별할 수 있다. 데이터 취합 서브-모듈(210)은 규칙들과 연관된 실시간 데이터(253)에서 하나 또는 그 초과의 규칙들(251)을 만족시키는 실시간 데이터를 메모리 상주 데이터 저장부(250)에 저장할 수 있다. 몇몇 실시예들에서, 데이터 취합 서브-모듈(210)은 실시간 데이터 그 자체를 저장하는 대신, 하나 또는 그 초과의 규칙들(251)을 만족시키는 실시간 데이터의 그래픽 표현을 저장할 수 있다. 하나 또는 그 초과의 규칙들(251)을 만족시키는 실시간 데이터의 그래픽 표현을 생성하는 하나의 방법은 도 4에 관하여 이하에서 설명된다. 데이터 취합 서브-모듈(210)은 하나 또는 그 초과의 규칙들(251)을 만족시키지 않는 실시간 데이터를 분산형 데이터 저장부(260)에서 나머지 제조 데이터(261)에 저장할 수 있다.
데이터 크롤러 서브-모듈(215)은 규칙들과 연관된 실시간 데이터(253)에 복합(complex) 분석을 적용하고 적용된 복합 분석에 기초하여 규칙들과 연관된 실시간 데이터(253)를 업데이트할 수 있다. 일 실시예에서, 데이터 크롤러 서브-모듈(215)은 규칙들과 연관된 실시간 데이터(253)에 하나 또는 그 초과의 배치(batch) 프로세스들을 적용함으로써 복합 분석을 적용한다. 대안적인 실시예에서, 데이터 크롤러 서브-모듈(215)은 규칙들과 연관된 실시간 데이터(253)를 비즈니스 프로세스 관리(BPM) 시스템(도시되지 않음)에 제공하고 BPM 시스템으로부터 결과들을 수신함으로써 복합 분석을 적용한다. 데이터 크롤러 서브-모듈(215)은 이벤트에 의해 요구되는 부가적인 데이터를 획득하기 위해서 히스토리 데이터(255)를 사용할 수 있다.
데이터 크롤러 서브-모듈(215)은, 제조 데이터 소스들로부터의 실시간 데이터 스트림의 데이터에 기초하여, 규칙들(251)의 규칙과 연관된 제조 프로세스가 완료되었다는 것을 결정할 수 있다. 규칙들(251)의 규칙과 연관된 제조 프로세스가 완료되었다는 것을 결정 시에, 데이터 크롤러 서브-모듈은, 메모리 상주 데이터 저장부(250)에 있는 규칙들과 연관된 실시간 데이터(253)와 같이, 완료된 제조 프로세스와 연관된 모든 데이터를 메모리-상주 저장소에 저장할 수 있다.
몇몇 실시예들에서, 데이터 크롤러 서브-모듈(215)은 규칙들(251)에서 부가적인 규칙들을 획득하고, 부가적인 이벤트와 연관된 데이터에 대해 데이터 저장부(250) 및 데이터 저장부(260)를 검색함으로써 부가적인 제조 파라미터들에 기초하여 부가적인 이벤트가 발생했는지를 결정한다. 부가적인 이벤트가 발생했다고 데이터 크롤러 서브-모듈(215)이 결정하면, 데이터 크롤러 서브-모듈(215)은 이벤트의 발생을 데이터 취합 서브-모듈(210)에 알릴 수 있고 그에 의해 데이터 취합 서브-모듈(210)은, 이벤트의 발생과 연관된 임의의 실시간 데이터를 규칙들과 연관된 실시간 데이터(253)에 저장할 수 있다.
데이터 크롤러 서브-모듈(215)은 제조 설비에서 발생된 이벤트가 실시간 데이터 스트림과 연관되었는지를 결정하기 위해서 빅 데이터 분석을 사용할 수 있고 이벤트와 연관된 데이터를 획득할 수 있다. 데이터 크롤러 서브-모듈(215)은 이벤트가 발생되었는지를 규칙들(251)에 기초하여 결정할 수 있고 그리고, 데이터가 메모리 상주 데이터 저장부(250)에 저장되어 있다면 메모리 상주 데이터 저장부(250)로부터, 또는 데이터가 메모리 상주 데이터 저장부(250)에 저장되어 있지 않다면 분산형 저장소(260)로부터 이벤트와 연관된 데이터를 얻을 수 있다.
사용자 인터페이스(UI) 서브-모듈(220)은 제조 설비와 연관된 규칙들을 획득하기 위해 사용자 인터페이스(202)를 제공할 수 있다. 사용자 인터페이스(202)를 통해서 제조 설비와 연관된 하나 또는 그 초과의 규칙들을 수신 시에, 사용자-인터페이스 서브-모듈(220)은, 데이터 저장부(250)에 있는 규칙들(251)과 같이, 규칙들이 데이터 저장소에 저장되게 할 수 있다. 사용자 인터페이스(202)는 그래픽 사용자 인터페이스(GUI)일 수 있다.
도 3은 다양한 구현예들에 따라 제조 설비와 연관된 데이터의 예시적인 그래픽 표현(300)을 도시한다. 그래픽 표현(300)은 사용자-정의된 규칙에 기초하여 제조 설비로부터의 데이터를 사용해 생성될 수 있다. 그래픽 표현을 사용하여 제조 설비로부터의 데이터를 저장함으로써, 제조 설비로부터의 데이터는 데이터가 대안적인 형태로 저장되는 경우보다 더 효율적으로 프로세싱될 수 있다. 그래픽 표현(300)은 그래프 노드들 및 그래프 트랜지션들(transitions)을 포함할 수 있다. 그래프 노드들은 규칙에 의해 요구되는 변수들과 연관된 데이터일 수 있고 그래프 트랜지션들은 규칙에 의해 요구되는 조건들과 연관된 데이터일 수 있다. 빅 데이터 분석 모듈은 빅 데이터를 분석하여 규칙에 의해 요구되는 변수들 및 조건들을 충족시키는 실시간 데이터를 식별할 수 있고 식별된 실시간 데이터에 기초하여 그래픽 표현(300)을 생성할 수 있다. 예를 들어, 그래픽 표현(300)은 제조 설비의 데이터가 수집되도록 노드(315) "툴-A" 의 조건(310) "거리" 내에 노드(305) "로트-A(Lot-A)" 가 있는 것을 요구하는 사용자-정의된 규칙과 연관될 수 있다. 이러한 예에서, 실시간 데이터가 수집될 때, 빅 데이터 분석 모듈은 실시간 데이터를 분석하여 노드(305) "로트-A" 가 노드(315) "툴-A" 의 조건(310) "거리" 내에 있는지를 결정할 수 있다. 노드(305) "로트-A" 가 노드(315) "툴-A" 의 조건(310) "거리" 내에 있으면, 제조 설비의, "툴-A" 및 "로트-A" 와 연관된 데이터는 빅 데이터 분석 모듈에 의해 식별될 수 있고 식별된 데이터 및 규칙에 기초하여 그래픽 표현(300)이 생성될 수 있다. 예를 들어, 노드(305) "로트-A" 는 "로트-A" 가 노드(315) "툴-A" 의 조건(310) "거리" 내에 있을 때, "로트-A" 와 연관된 데이터를 포함할 수 있다. 빅 데이터 분석 모듈은 규칙 및 수집된 데이터에 기초하여 그래픽 표현(300)을 생성할 수 있다. 빅 데이터를 분석하고 분석된 빅 데이터에 기초하여 그래픽 표현을 생성하는 것을 위한 일 구현예는 도 4와 관련하여 이하에서 더 상세하게 설명된다.
도 4는 빅 데이터를 분석하기 위한 방법(400)의 구현예의 흐름도이다. 방법(400)은 하드웨어(예를 들어, 회로망, 전용 로직, 프로그래밍 가능한 로직, 마이크로코드, 등), 소프트웨어(예를 들어, 프로세싱 디바이스에서 실행되는 명령들), 또는 이들의 결합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 일 구현예에서, 방법(400)은 도 1의 빅 데이터 분석 시스템(105)의 빅 데이터 분석 모듈(109)에 의해 수행된다.
블럭(405)에서, 프로세싱 로직은 제조 설비와 연관된 제조 파라미터들을 획득한다. 제조 설비와 연관된 제조 파라미터들은 하나 또는 그 초과의 규칙들, 분석, 등에 기초할 수 있다. 일 실시예에서, 제조 파라미터들은 사용자에 의해 정의된다. 예를 들어, 제조 파라미터들은 "툴 A 의 거리 X 내에 있는 로트 A"와 같이 사용자에 의해 정의되고 규칙에 포함된다. 일 실시예에서, 프로세싱 로직은 사용자 인터페이스를 통해 사용자로부터 제조 파라미터들을 수신함으로써 제조 파라미터들을 획득한다. 사용자는 제조 파라미터들을 그래프 형태, 방정식 형태, 등으로 제공할 수 있다. 대안적인 실시예에서, 프로세싱 로직은 제조 파라미터들을 메모리, 등으로부터 획득한다. 대안적인 실시예에서, 프로세싱 로직은 제조 파라미터들을 사용자로부터, 메모리로부터, 프로세싱 로직에 커플링된 데이터 저장부로부터, 등으로부터 요청함으로써 제조 파라미터들을 획득한다.
블럭(410)에서, 프로세싱 로직은 메모리-상주 저장소에 저장하기 위해 제조 데이터 소스들로부터 제 1 실시간 데이터를 식별한다. 제조 데이터 소스들은 제조 툴들, 제조 실행 시스템(MES) 자동화 소프트웨어, 물질 취급 시스템(MHS) 자동화 소프트웨어, SEMI 장비 통신 표준/일반 장비 모델(SECS/GEM) 툴들, 전자 설계 자동화(EDA) 데이터, 등을 포함할 수 있다. 일 실시예에서, 프로세싱 로직은 제조 데이터 소스들에서 발생하는 데이터 및 이벤트들을 포함하는, 제조 데이터 소스들로부터의 실시간 데이터 스트림을 수신한다. 일 실시예에서, 장비 어댑터는 제조 툴들로부터 모든 이벤트들 및 데이터를 수집하고 이벤트들 및 데이터를 실시간 데이터 스트림으로서 전송한다.
프로세싱 로직은 제조 데이터 소스들로부터의 실시간 데이터 스트림에 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터를 적용함으로써, 실시간 데이터 스트림의 데이터가 제조 파라미터들을 만족시키는지를 결정함으로써, 그리고 제조 파라미터들과 매칭되는 실시간 데이터 스트림의 부분을 제 1 실시간 데이터로서 식별함으로써, 제조 데이터 소스들로부터 제 1 실시간 데이터를 식별할 수 있다. 제조 파라미터들을 만족시킴으로써, 제 1 실시간 데이터는 사용자에게 중요하거나 관련있을 수 있는 데이터이고, 제조 설비에서 공통 고장 모드들을 식별하고 해결하는데 필요할 수 있는 데이터이다. 프로세싱 로직은 실시간 데이터 스트림에 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터를 적용할 수 있고, 실시간 데이터 스트림의 데이터가 제조 파라미터들과 매칭되는지를 결정하기 위해 실시간 데이터 스트림의 데이터를 비교할 수 있다. 제조 파라미터들과 매칭되는 데이터는 제 1 실시간 데이터로서 식별된다. 예를 들어, 제조 파라미터들이 로트 A 및 툴 A 를 포함하면, 그리고 실시간 데이터 스트림의 부분이 로트 A 가 현재 툴 A 에 있다는 데이터를 포함하면, 프로세싱 로직은 로트 A 및 툴 A 를 포함하는 실시간 데이터 스트림의 부분이 제조 파라미터들과 매칭된다고 결정하고 이러한 데이터를 제 1 실시간 데이터로서 식별할 것이다.
제 1 실시간 데이터를 식별 시에, 프로세싱 로직은 제 1 실시간 데이터를 또는 제 1 실시간 데이터의 그래픽 표현을 메모리-상주 저장소 － 본원에서 작동 저장소(operational storage)로서 또한 지칭됨 － 에 저장한다. 메모리-상주 저장소의 데이터는 극한의 트랜잭션 프로세싱을 위해 프로세싱되고 사용될 수 있다. 일 실시예에서, 메모리-상주 저장소는 메모리 캐쉬이다. 대안적인 실시예에서, 메모리-상주 저장소는 인-메모리 데이터베이스(예를 들어, 그래프 데이터베이스, 등)이다. 다른 대안적인 실시예에서, 메모리-상주 저장소는 인-메모리 캐쉬 및 하나 또는 그 초과의 인-메모리 데이터베이스들을 포함한다. 그러한 일 실시예에서, 프로세싱 로직은 제 1 실시간 데이터 또는 제 1 실시간 데이터의 그래픽 표현을 메모리 캐쉬에 저장하고, 메모리 캐쉬는 제 1 실시간 데이터 또는 제 1 실시간 데이터의 그래픽 표현이 인-메모리 데이터베이스들 중 하나 또는 그 초과의 인-메모리 데이터베이스에 기록되게 할 수 있다(예를 들어, 데이터가 메모리 캐쉬로부터 축출될 때(evicted), 연속-기록 작동(write-through operation) 동안에, 등). 대안적인 그러한 실시예에서, 프로세싱 로직은 제 1 실시간 데이터 또는 제 1 실시간 데이터의 그래픽 표현을 메모리 캐쉬 및 하나 또는 그 초과의 인-메모리 데이터베이스들에 동시에 저장한다. 메모리-상주 저장소는 제조 설비에 의해 신속하게 액세싱될 수 있다.
제 1 실시간 데이터의 그래픽 표현을 저장하기에 앞서서, 프로세싱 로직은 제 1 실시간 데이터의 그래픽 표현(예를 들어, 그래프 객체(graph object))을 생성한다. 이러한 실시예에서, 프로세싱 로직은 제 1 실시간 데이터의 그래픽 표현을 메모리-상주 저장소에 저장할 수 있고 그리고 제 1 실시간 데이터를 제조 설비에 액세스 가능한 하나 또는 그 초과의 분산형 데이터베이스들과 같은 분산형 저장소에 저장할 수 있다. 제 1 실시간 데이터의 그래픽 표현은 제조 파라미터들에 기초하여 생성될 수 있다. 그래픽 표현은 데이터의 비공유 대량 병렬 프로세싱, 데이터의 맵-리듀스 프로세싱, 등에 적합할 수 있다. 일 실시예에서, 그래픽 표현은, 노드들 및 트랜지션 브랜치들(branches)을 포함하는, 데이터의 트리 표현이다. 프로세싱 로직은, 변수인 각각의 제조 파라미터에 대해 노드를 그래픽 표현으로 생성함으로써, 조건인 각각의 제조 파라미터에 대해 트랜지션 브랜치를 그래픽 표현으로 생성함으로써, 그리고 노드들과 브랜치들을 제조 파라미터들 사이의 관계에 기초하여 연결시킴으로써, 제 1 실시간 데이터의 그래픽 표현을 생성할 수 있다. 예를 들어, 제조 파라미터들이, 로트 A 가 툴 A 의 미리 정의된 거리 내에 있을 때 데이터 수집을 요구하는 규칙에 기초한다면, 제조 파라미터들은 로트 A, 미리 정의된 거리, 및 툴 A 를 포함할 수 있다. 이러한 예에서, 로트 A 및 툴 A 는 규칙들에 의해서 사용되는 제조 파라미터들이고 "미리 정의된 거리 내" 는 조건인 제조 파라미터이다. 따라서, 이러한 예에서, 규칙에 의해 정의된 제조 파라미터들의 그래픽 표현은, 조건 "미리 정의된 거리 내" 에 대한, 툴 A 에 대한 노드(도 3의 참조 부호 315)로 이어지는 브랜치 트랜지션(도 3의 참조 부호 310)을 갖는, 로트 A 에 대한 노드(도 3의 참조 부호 305)를 포함할 것이다.
일 실시예에서, 제 1 실시간 데이터를 식별 시에, 프로세싱 로직은 제 1 실시간 데이터에 복합 분석을 적용할 수 있고(예를 들어, 배치 프로세스들을 사용하여, 등) 메모리-상주 저장소를 분석된 제 1 실시간 데이터로 업데이트할 수 있다. 이러한 실시예에서, 프로세싱 로직은 분석된 제 1 실시간 데이터를 비즈니스 프로세스 관리(BPM) 시스템(예를 들어, 서버)에 더 제공할 수 있다. BPM 시스템은 분석된 제 1 실시간 데이터를 프로세싱할 수 있다. 프로세싱 로직은 제 1 실시간 데이터의 프로세싱의 결과들을 BPM 시스템으로부터 수신할 수 있고 프로세싱된 데이터를 메모리-상주 저장소에 저장할 수 있다.
일 실시예에서, 제조 설비가 프로세스를 완료했다는 것(예를 들어, 제조 설비의 웨이퍼 로트가 생산을 완료했다는 것, 등)을 제 1 실시간 데이터가 나타내면, 프로세싱 로직은 프로세스와 연관된 모든 데이터를 메모리-상주 저장소에 저장할 수 있다. 프로세싱 로직은 이벤트 조건 동작(event condition action; ECA)이 만족되는 것에 기초하여 제조 설비가 프로세스를 완료하였음을 제 1 실시간 데이터가 나타내는 것을 결정할 수 있다. 예를 들어, 프로세싱 로직은 프로세스가 완료되었을 때 트리거링(trigger)하는 또는 만족되는 이벤트를 생성한다.
일 실시예에서, 프로세싱 로직은 부가적인 제조 파라미터들을 획득할 수 있고, 부가적인 이벤트가 발생했는지를 부가적인 제조 파라미터들에 기초하여 결정할 수 있다. 예를 들어, 부가적인 제조 파라미터들은 부가적인 사용자-정의된 규칙, 예측 규칙, 분석 규칙, 등에 포함된다. 부가적인 제조 파라미터들을 획득 시에, 프로세싱 로직은 부가적인 제조 파라미터들에 대해 메모리 상주 저장소를 검색함으로써 부가적인 이벤트가 발생되었는지를 결정할 수 있다. 메모리-상주 저장소가 부가적인 제조 파라미터들을 포함하면, 프로세싱 로직은 검색에 기초하여 부가적인 제조 파라미터들이 만족되는지를 결정할 수 있다. 메모리-상주 저장소가 저장소의 하나 초과의 레벨을 포함하면(예를 들어, 저장소의 제 1 레벨은 메모리 캐쉬이고, 저장소의 제 2 레벨은 인-메모리 데이터베이스이다, 등), 프로세싱 로직은 저장소의 제 1 레벨을 먼저 검색하고, 저장소의 제 1 레벨에 부가적인 제조 파라미터들이 없다면, 저장소의 제 2 레벨을 검색하는 등을 할 수 있다. 메모리-상주 저장소가 부가적인 제조 파라미터들을 포함하지 않으면, 프로세싱 로직은 부가적인 제조 파라미터들에 대해서 분산형 저장소를 검색할 수 있다. 예를 들어, 부가적인 제조 파라미터들이, 로트 A 가 단계 1 과의 레시피를 갖는 것을 요구하는 규칙에 대한 것이면, 프로세싱 로직은 로트 A 및 로트 A 와 단계 1 에 대한 레시피를 포함하는 데이터에 대해 메모리-상주 저장소를 검색할 수 있다. 이러한 예에서, 프로세싱 로직이, 로트 A 및 로트 A 와 단계 1 에 대한 레시피를 포함하는 데이터를 찾지 못하면, 프로세싱 로직은 로트 A 및 로트 A 와 단계 1 에 대한 레시피를 포함하는 데이터에 대해 분산형 저장소를 검색할 수 있다.
블럭(415)에서, 프로세싱 로직은 분산형 저장소에 저장하기 위해 제조 데이터 소스들로부터 제 2 실시간 데이터를 식별한다. 프로세싱 로직은 제조 데이터 소스들로부터 제 2 실시간 데이터를, 실시간 데이터 스트림에서 제조 파라미터들을 만족시키지 않는 데이터로서 식별할 수 있다. 제 2 실시간 데이터가 제조 파라미터들을 만족시키지 않기 때문에, 제 2 실시간 데이터는 사용자에게 중요하지 않거나 관련되지 않을 수 있는 데이터이고, 제조 설비의 공통 고장 모드들을 식별하고 해결하는데 필요하지 않을 수 있는 데이터이다. 그러나, 데이터는 추후의 사용 및/또는 프로세싱을 위해서 여전히 수집되고 저장될 수 있다. 예를 들어, 제조 파라미터들이 로트 A 및 툴 A 를 포함하고 실시간 데이터 스트림의 부분이 로트 A 가 현재 툴 B 에 있다는 데이터를 포함하면, 프로세싱 로직은, 로트 A 가 현재 툴 B 에 있다는 데이터를 포함하는 실시간 데이터 스트림의 부분이 제조 파라미터들을 만족시키지 않는다고 결정하고 이 데이터를 제 2 실시간 데이터로서 식별할 것이다.
제 2 실시간 데이터를 식별 시에, 프로세싱 로직은 제 2 실시간 데이터를 분산형 저장소 － 본원에서 참조 저장소(referential storage)로서 또한 지칭됨 － 에 저장할 수 있다. 분산형 저장소의 데이터는 히스토리 데이터로서 저장될 수 있고 제조 설비에 의해서 사용되거나 프로세싱될 수 있거나, 또는 제조 설비에 의해서 사용되지 않거나 프로세싱되지 않을 수 있다. 분산형 저장소는 하나 또는 그 초과의 분산형 데이터베이스들 또는 다른 분산형 저장소를 포함하여 대량의 데이터를 저장할 수 있다.
도 5는 빅 데이터 분석을 사용하기 위한 방법(500)의 구현예의 흐름도이다. 방법(500)은 하드웨어(예를 들어, 회로망, 전용 로직, 프로그래밍 가능한 로직, 마이크로코드, 등), 소프트웨어(예를 들어, 프로세싱 디바이스에서 실행되는 명령들), 또는 이들의 결합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 일 구현예에서, 방법(500)은 도 1의 빅 데이터 분석 시스템(105)의 빅 데이터 분석 모듈(109)에 의해 수행된다.
블럭(505)에서, 프로세싱 로직은 이벤트가 제조 설비에서 발생하는지를 결정한다. 이벤트는 하나 또는 그 초과의 조건들을 포함하는 규칙에 기초할 수 있다. 규칙의 조건들의 각각이 제조 설비에서 발생하면, 규칙이 만족되고, 이는 이벤트가 제조 설비에서 발생되었음을 의미한다. 이벤트는 고장, 특정 툴 내로의 로트 이동, 프로세스를 완료한 로트, 등일 수 있다. 프로세싱 로직은 규칙에서 정의된 조건들의 각각이 제조 설비에서 발생되었는지 또는 제조 설비에 의해서 만족되었는지를 결정함으로써 이벤트가 발생되었는지를 결정할 수 있다. 규칙에 의해 정의된 각각의 조건이 발생되거나 만족되었다면, 프로세싱 로직은 이벤트가 발생되었다고 결정할 수 있다. 예를 들어, 이벤트는 조건들(X, Y, 및 Z)이 제조 설비에서 발생하는 것을 요구하는 규칙에 의해 정의된 고장 모드에 기초한다. 이러한 예에서, 조건들(X, Y, 및 Z)이 제조 설비에서 발생하면, 규칙이 만족되고 이벤트는 제조 설비에서 발생되었다고 결정된다. 이러한 예에서, 프로세싱 로직이, 규칙이 만족되지 않았다(예를 들어 조건들(X, Y, 및 Z) 중 하나 또는 그 초과의 조건들이 만족되지 않음)고 결정하면, 프로세싱 로직은 이벤트가 발생되지 않았다고 결정할 것이다. 프로세싱 로직이, 규칙이 만족되지 않았고 그러므로 규칙과 연관된 이벤트가 발생되지 않았다고 결정하면, 방법(500)은 이벤트가 발생하는 것을 계속 기다린다. 프로세싱 로직이, 규칙이 만족되고 그러므로 이벤트가 발생되었다고 결정하면, 방법(500)은 블럭(510)으로 진행한다.
블럭(510)에서, 프로세싱 로직은 메모리-상주 저장소로부터 제 1 실시간 데이터의 서브세트(subset)를 획득한다. 제 1 실시간 데이터의 서브세트는 이벤트가 발생하게 했던 조건들과 연관된, 제 1 실시간 데이터로부터의 데이터를 포함할 수 있다. 몇몇 실시예들에서, 제 1 실시간 데이터의 서브세트는 제 1 실시간 데이터의 부분의 그래픽 표현이다. 몇몇 실시예들에서, 제 1 실시간 데이터의 서브세트는 제 1 실시간 데이터의 하나 또는 그 초과의 분석들로부터의 결과들, 제 1 실시간 데이터의 프로세싱으로부터의 결과들, 등을 포함한다. 예를 들어, 제 1 실시간 데이터는 발생된 이벤트 및 조건들(A, B, C, X, Y, 및 Z)과 연관된 데이터의 그래픽 표현들을 포함할 수 있는데, 이는 조건들(X, Y, 및 Z)이 만족되었기 때문이다. 이러한 예에서, 프로세싱 로직은 조건들(X, Y, 및 Z)과 연관된 데이터의 그래픽 표현을 제 1 실시간 데이터의 서브세트로서 획득한다. 메모리-상주 저장소에 액세싱 함으로써, 메모리-상주 저장소로부터 데이터를 요청함으로써, 등에 의해서 프로세싱 로직은 메모리-상주 저장소로부터 제 1 실시간 데이터의 서브세트를 획득할 수 있다.
블럭(515)에서, 프로세싱 로직은 부가적인 데이터가 이벤트를 분석하는데 필요한지를 결정한다. 일 실시예에서, 히스토리 데이터가 이벤트에 대해 필요한지를 결정함으로써, 프로세싱 로직은 부가적인 데이터가 필요한지를 결정한다. 프로세싱 로직은, 이벤트와 연관된 규칙을 분석하고 규칙에 기초하여 부가적인 데이터가 필요한지를 결정함으로써, 히스토리 데이터가 이벤트에 대해 필요한지를 결정할 수 있다. 예를 들어, 조건들(X, Y, 및 Z)이 로트 A 에 대해 충족되었기 때문에 이벤트가 트리거링되지만, 이벤트와 연관된 규칙은 또한, 로트 A 가 1주일 전에 제조 프로세스를 시작했을 때의 제조 설비의 상태에 대한 정보를 요구한다. 이러한 예에서, 프로세싱 로직은 일주일 전의 제조 설비의 상태에 대한 히스토리 정보가 요구되었다고 결정할 것이다. 일 실시예에서, 프로세싱 로직은, 이벤트가 발생하게 하는 데이터가 메모리-상주 저장소의 제 1 레벨에 있지 않는지를 결정함으로써 부가적인 데이터가 필요한지를 결정한다. 메모리-상주 저장소의 제 1 레벨은 인-메모리 캐쉬일 수 있다. 예를 들어, 조건들(X, Y, 및 Z)이 충족되었기 때문에 이벤트가 발생하지만, 조건(Y)과 연관된 데이터가 인-메모리 캐쉬에 없으면, 프로세싱 로직은 이벤트를 분석하는데 부가적인 데이터가 필요하다고 결정한다. 일 실시예에서, 프로세싱 로직은, 이벤트가 발생하게 하는 데이터가 메모리-상주 저장소에 있지 않은지를 결정함으로써 부가적인 데이터가 필요한지를 결정한다. 이벤트를 분석하는데 부가적인 데이터가 필요하지 않다고 결정 시에, 방법(500)이 종료된다. 이벤트를 분석하는데 부가적인 데이터가 필요하다고 결정 시에, 방법(500)은 블럭(520)으로 진행한다.
블럭(520)에서, 프로세싱 로직은 이벤트를 분석하기 위해 부가적인 데이터를 획득한다. 이벤트에 대해서 히스토리 데이터가 필요하기 때문에 부가적인 데이터가 필요하다고 프로세싱 로직이 결정하면, 프로세싱 로직은 이벤트에 대한 히스토리 데이터를 메모리-상주 저장소로부터 획득할 수 있다. 몇몇 실시예들에서, 히스토리 데이터는 메모리-상주 저장소로부터 획득된 실시간 데이터와 결합된다. 부가적인 데이터가 메모리-상주 저장소의 제 1 레벨에 있지 않기 때문에 부가적인 데이터가 필요하다고 프로세싱 로직이 결정하면, 프로세싱 로직은 부가적인 데이터를 메모리-상주 저장소의 제 2 레벨, 예컨대 인-메모리 그래프 데이터베이스, 인-메모리 분산형 데이터베이스, 등으로부터 획득할 수 있다. 이벤트가 발생하게 하는 데이터가 메모리-상주 저장소에 있지 않기 때문에 부가적인 데이터가 필요하다고 프로세싱 로직이 결정하면, 프로세싱 로직은 제조 설비에 액세스 가능한 분산형 데이터베이스와 같이, 분산형 또는 참조 저장소로부터 부가적인 데이터를 획득할 수 있다.
도 6은 예시적인 컴퓨팅 디바이스(600)를 도시하는 블럭도이다. 일 구현예에서, 컴퓨팅 디바이스는 도 1의 빅 데이터 분석 모듈(109)을 호스팅하는 컴퓨팅 디바이스에 대응한다. 컴퓨팅 디바이스(600)는 본원에서 논의된 방법론들 중 임의의 하나 또는 그 초과의 방법론을 기계가 수행하게 하기 위한 명령들의 세트를 포함한다. 대안적인 구현예들에서, 기계는 LAN, 인트라넷, 엑스트라넷, 또는 인터넷으로 다른 기계들에 연결될 수 있다(예를 들어 네트워킹될 수 있다). 기계는 클라이언트-서버 네트워크 환경에서 서버 기계의 역할(capacity)로 작동할 수 있다. 기계는 개인용 컴퓨터(PC), 셋-탑 박스(STB), 서버, 네트워크 라우터, 스위치 또는 브릿지, 또는 기계에 의해서 취해질 동작들을 명시하는 (순차적인 또는 그와 다른) 명령들의 세트를 실행할 수 있는 임의의 기계일 수 있다. 또한, 오직 단일 기계만이 도시되어 있지만, "기계"라는 용어는 또한, 본원에서 논의된 방법론들 중 임의의 하나 또는 그 초과의 방법론을 수행하기 위해 개별적으로 또는 공동으로 명령들의 세트(또는 다수의 세트들)를 실행하는 기계들의 임의의 집합을 포함하는 것으로 이해되어야 한다.
예시적인 컴퓨터 디바이스(600)는 프로세싱 시스템(프로세싱 디바이스)(602), 주 메모리(604)(예를 들어, 리드-온리 메모리(ROM), 플래시 메모리, 동기식 DRAM(SDRAM)과 같은 동적 랜덤 액세스 메모리(DRAM), 등), 정적 메모리(606)(예를 들어, 플래시 메모리, 정적 랜덤 액세스 메모리(SRAM), 등), 및 데이터 저장소 디바이스(618)를 포함하고, 이들은 버스(608)를 통해 서로 통신한다.
프로세싱 디바이스(602)는 마이크로프로세서, 중앙 처리 유닛, 등과 같은 하나 또는 그 초과의 범용 프로세싱 디바이스들을 의미한다. 더 구체적으로, 프로세싱 디바이스(602)는 복합 명령 세트 컴퓨팅(CISC) 마이크로프로세서, 축소 명령 세트 컴퓨팅(RISC) 마이크로프로세서, 초장 명령어(VLIW) 마이크로프로세서, 또는 다른 명령 세트들을 구현하는 프로세서 또는 명령 세트들의 결합을 구현하는 프로세서들일 수 있다. 프로세싱 디바이스(602)는 또한, 주문형 반도체(ASIC), 필드 프로그래밍 가능한 게이트 어레이(FPGA), 디지털 신호 프로세서(DSP), 네트워크 프로세서, 등과 같은 하나 또는 그 초과의 특수-목적 프로세싱 디바이스들일 수 있다. 프로세싱 디바이스(602)는 본원에서 논의된 동작들 및 단계들을 수행하기 위해 빅 데이터 분석 모듈(200)을 실행하도록 구성된다.
컴퓨팅 디바이스(600)는 네트워크 인터페이스 디바이스(608)를 더 포함할 수 있다. 컴퓨팅 디바이스(600)는 또한, 비디오 디스플레이 유닛(610)(예를 들어, 액정 디스플레이(LCD) 또는 음극선관(CRT)), 영숫자 입력 디바이스(612)(예를 들어, 키보드), 커서 제어 디바이스(614)(예를 들어, 마우스), 및 신호 발생 디바이스(616)(예를 들어, 스피커)를 포함할 수 있다.
데이터 저장소 디바이스(618)는 컴퓨터-판독 가능 저장소 매체(628)를 포함할 수 있고, 본원에서 설명된 방법론들 또는 기능들 중 임의의 하나 또는 그 초과의 것을 실시하는 명령들(빅 데이터 분석 모듈(200)의 명령들)의 하나 또는 그 초과의 세트들이 상기 매체에 저장된다. 빅 데이터 분석 모듈(200)은 또한, 컴퓨팅 디바이스(600)에 의한 빅 데이터 분석 모듈의 실행 동안에, 완전히 또는 적어도 부분적으로, 주 메모리(604) 내에 및/또는 프로세싱 디바이스(602) 내에 위치할 수 있고, 주 메모리(604) 및 프로세싱 디바이스(602)는 또한 컴퓨터-판독 가능한 매체들을 구성한다. 빅 데이터 분석 모듈(200)은 네트워크 인터페이스 디바이스(608)에 의해 네트워크(620)를 통해 더 전송되거나 수신될 수 있다.
컴퓨터-판독 가능한 저장소 매체(628)가 단일 매체이도록 예시적인 구현예에 도시되었지만, "컴퓨터-판독 가능한 저장소 매체"라는 용어는 명령들의 하나 또는 그 초과의 세트들을 저장하는 단일 매체 또는 다수의 매체들(예를 들어, 중앙 집중형(centralized) 또는 분산형 데이터베이스, 및/또는 연관된 캐쉬들 및 서버들)을 포함하는 것으로 이해되어야 한다. "컴퓨터-판독 가능한 저장소 매체"라는 용어는 또한, 기계에 의한 실행을 위해서 명령들의 세트를 저장, 인코딩(encoding) 또는 보유(carrying)할 수 있고, 그리고 본 발명의 방법론들 중 임의의 하나 또는 그 초과의 방법론을 기계가 수행하게 하는 임의의 매체를 포함하는 것으로 이해되어야 한다. 따라서 "컴퓨터-판독 가능한 저장소 매체"라는 용어는 솔리드-스테이트 메모리들, 광학 매체들, 및 자기 매체들을 포함하는 것으로 이해되어야 하지만, 이에 제한되지는 않는다.
상기 설명에서, 많은 세부 사항들이 설명된다. 그러나, 본 발명의 구현예들이 이러한 특정 세부 사항들 없이 실천될 수 있다는 것이, 본 발명의 이득을 취하는 당업자에게 자명할 것이다. 몇몇 경우들에서, 잘-공지된 구조들 및 디바이스들이, 설명을 불명료하게 하는 것을 피하기 위해, 상세하게 도시되는 대신 블럭도 형태로 도시된다.
상세한 설명의 몇몇 부분들은 컴퓨터 메모리 내의 데이터 비트들(bits)에 대한 작동들의 심볼 표현들 및 알고리즘들 측면에서 표현된다. 이러한 알고리즘의 설명들 및 표현들은, 데이터 프로세싱 기술분야의 업자들이 그 기술 분야의 다른 당업자들에게 가장 효과적으로 자신들의 작업의 내용(substance)을 전달하기 위해 사용되는 수단이다. 알고리즘은 여기서, 그리고 일반적으로, 원하는 결과로 이어지는 단계들의 자기-모순 없는(self-consistent) 시퀀스일 것으로 생각된다. 단계들은 물리적인 양들의 물리적 조작들(physical manipulations)을 요구하는 것들이다. 보통, 필수적인 것은 아니지만, 이러한 양들은 저장되고, 이송되고, 결합되고, 비교되고, 그리고 그와 다르게 조작될 수 있는 전기 또는 자기 신호들의 형태를 취한다. 주로 일반적인 용법의 이유들로, 이러한 신호들을 비트들, 값들, 엘리먼트들, 심볼들, 문자들(characters), 용어들, 숫자들, 등으로서 지칭하는 것이 종종 편리하다고 증명되었다.
그러나, 이러한 용어들 및 유사한 용어들 모두는 적절한 물리적 양들과 연관되어야 하고 그리고 그러한 양들에 적용된 단지 편리한 라벨들이라는 것을 명심해야 한다. 상기 논의로부터 명백한 것과 같이 구체적으로 다르게 언급되지 않는 한, 명세서 전체에 걸쳐, "결정하는", "부가하는", "제공하는" 등과 같은 용어들을 사용하는 논의들은 컴퓨팅 디바이스 또는 유사한 전자 컴퓨팅 디바이스의 프로세스들 및 동작들을 지칭하는 것으로 이해되고, 컴퓨팅 디바이스는 컴퓨터 시스템의 레지스터들 및 메모리들 내의 물리적(예를 들어, 전자적) 양들로서 표현된 데이터를 컴퓨터 시스템 메모리들 또는 레지스터들 또는 다른 그러한 정보 저장소 디바이스들 내의 물리적 양들로서 유사하게 표현된 다른 데이터로 조작 및 변환시킨다.
본 발명의 구현예들은 또한, 본원에서 작동들을 수행하기 위한 장치에 관한 것이다. 이러한 장치는 요구되는 목적들을 위해 특별히 구성될 수 있거나, 또는 장치는 컴퓨터에 저장된 컴퓨터 프로그램에 의해서 선택적으로 작동되거나 재구성되는 범용 컴퓨터를 포함할 수 있다. 그러한 컴퓨터 프로그램은, 비제한적으로, 광학 디스크들, CD-ROM들, 및 광-자기 디스크들을 포함하는 임의의 유형의 디스크, 리드-온리 메모리들(ROM들), 랜덤 액세스 메모리들(RAM들), EPROM들, EEPROM들, 자기 또는 광학 카드들, 또는 전자 명령들을 저장하기에 적합한 임의의 유형의 매체들과 같은, 컴퓨터 판독 가능한 저장 매체에 저장될 수 있다.
상기 설명은 예시적인 것으로 의도된 것이고, 제한적인 것으로 의도되지 않았음이 이해되어야 한다. 상기 설명을 읽고 이해할 때, 많은 다른 구현예들이 당업자에게 자명할 것이다. 그러므로, 본 발명의 범위는 첨부된 청구항들을 참고하여, 그러한 청구항들이 권리를 갖는 등가물들의 전체 범위와 함께, 결정되어야 한다.

Claims (15)

  1. 방법으로서,
    제조 설비와 연관된 복수의 제조 파라미터들을 획득하는 단계;
    메모리-상주 저장소에 저장하기 위해서 제 1 실시간 데이터를 상기 복수의 제조 파라미터들에 기초하여 복수의 데이터 소스들로부터, 프로세싱 디바이스를 포함하는 컴퓨팅 시스템에 의해서, 식별하는 단계 － 상기 복수의 데이터 소스들은 상기 제조 설비와 연관됨 －; 및
    분산형 저장소에 저장하기 위해서 제 2 실시간 데이터를 상기 복수의 제조 파라미터들에 기초하여 상기 복수의 데이터 소스들로부터, 상기 컴퓨팅 시스템에 의해서, 식별하는 단계를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 복수의 제조 파라미터들이 이벤트와 연관되고,
    상기 이벤트의 발생 시에 상기 제 1 실시간 데이터의 서브세트를 상기 메모리-상주 저장소로부터 획득하는 단계;
    상기 이벤트를 분석하는데 부가적인 데이터가 필요한지를 결정하는 단계; 및
    상기 이벤트를 분석하는데 부가적인 데이터가 필요하다고 결정 시에, 상기 부가적인 데이터를 획득하는 단계 － 상기 부가적인 데이터가 상기 메모리-상주 저장소에 저장되어 있으면 상기 메모리-상주 저장소로부터 상기 부가적인 데이터가 획득되고, 상기 부가적인 데이터가 상기 메모리-상주 저장소에 저장되어 있지 않으면 상기 분산형 저장소로부터 상기 부가적인 데이터가 획득됨 － 를 더 포함하는,
    방법.
  3. 제 1 항에 있어서,
    상기 복수의 제조 파라미터들에 기초하여 상기 제 1 실시간 데이터에 대한 그래픽 표현을 생성하는 단계; 및
    상기 제 1 실시간 데이터에 대한 상기 그래픽 표현을 상기 메모리-상주 저장소에 저장하는 단계를 더 포함하는,
    방법.
  4. 제 1 항에 있어서,
    상기 메모리-상주 저장소에 저장하기 위해 상기 제 1 실시간 데이터를 식별하는 단계는,
    상기 복수의 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터를 상기 복수의 데이터 소스들 중 적어도 하나의 데이터 소스로부터의 실시간 데이터 스트림에 적용하는 단계;
    상기 실시간 데이터 스트림의 부분이 상기 복수의 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터와 매칭하는지를 결정하는 단계; 및
    상기 실시간 데이터 스트림의 부분이 상기 복수의 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터와 매칭하는 것으로 결정 시에 상기 실시간 데이터 스트림의 부분을 상기 제 1 실시간 데이터로서 선택하는 단계를 포함하는,
    방법.
  5. 제 1 항에 있어서,
    부가적인 이벤트가 발생했는지를, 상기 부가적인 이벤트와 연관된 복수의 부가적인 제조 파라미터들에 대한 상기 메모리-상주 저장소의 검색에 기초하여 결정하는 단계; 및
    상기 메모리-상주 저장소의 검색에 기초하여 상기 부가적인 이벤트가 발생하지 않았다고 결정하면, 상기 부가적인 이벤트가 발생했는지를, 상기 부가적인 이벤트와 연관된 상기 복수의 부가적인 제조 파라미터들에 대한 상기 분산형 저장소의 검색에 기초하여 결정하는 단계를 더 포함하는,
    방법.
  6. 프로세싱 디바이스에 의해 실행되었을 때, 상기 프로세싱 디바이스가 작동들을 수행하게 하는 명령들을 갖는 비-일시적(non-transitory) 컴퓨터-판독 가능한 저장소 매체로서, 상기 작동들은:
    제조 설비와 연관된 복수의 제조 파라미터들을 획득하는 단계;
    메모리-상주 저장소에 저장하기 위해서 제 1 실시간 데이터를 상기 복수의 제조 파라미터들에 기초하여 복수의 데이터 소스들로부터, 상기 프로세싱 디바이스에 의해서, 식별하는 단계 － 상기 복수의 데이터 소스들은 상기 제조 설비와 연관됨 －; 및
    분산형 저장소에 저장하기 위해서 제 2 실시간 데이터를 상기 복수의 제조 파라미터들에 기초하여 상기 복수의 데이터 소스들로부터, 상기 프로세싱 디바이스에 의해서, 식별하는 단계를 포함하는,
    비-일시적 컴퓨터-판독 가능한 저장소 매체.
  7. 제 6 항에 있어서,
    상기 복수의 제조 파라미터들이 이벤트와 연관되고,
    상기 프로세싱 디바이스는 작동들을 수행하며, 상기 작동들은:
    상기 이벤트의 발생 시에 상기 메모리-상주 저장소로부터 상기 제 1 실시간 데이터의 서브세트를 획득하는 단계;
    상기 이벤트를 분석하는데 부가적인 데이터가 필요한지를 결정하는 단계; 및
    상기 이벤트를 분석하는데 상기 부가적인 데이터가 필요하다고 결정 시에 상기 부가적인 데이터를 획득하는 단계 － 상기 부가적인 데이터가 상기 메모리-상주 저장소에 저장되어 있으면, 상기 메모리-상주 저장소로부터 상기 부가적인 데이터가 획득되고, 상기 부가적인 데이터가 상기 메모리-상주 저장소에 저장되어 있지 않으면, 상기 분산형 저장소로부터 상기 부가적인 데이터가 획득됨 － 를 더 포함하는,
    비-일시적 컴퓨터-판독 가능한 저장소 매체.
  8. 제 6 항에 있어서,
    상기 프로세싱 디바이스는 작동들을 수행하며, 상기 작동들은:
    상기 복수의 제조 파라미터들에 기초하여 상기 제 1 실시간 데이터에 대한 그래픽 표현을 생성하는 단계; 및
    상기 제 1 실시간 데이터에 대한 그래픽 표현을 상기 메모리-상주 저장소에 저장하는 단계를 더 포함하는,
    비-일시적 컴퓨터-판독 가능한 저장소 매체.
  9. 제 6 항에 있어서,
    상기 메모리-상주 저장소에 저장하기 위해 상기 제 1 실시간 데이터를 식별하도록,
    상기 프로세싱 디바이스는 작동들을 수행하며, 상기 작동들은:
    상기 복수의 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터를 상기 복수의 데이터 소스들 중 적어도 하나의 데이터 소스로부터의 실시간 데이터 스트림에 적용하는 단계;
    상기 실시간 데이터 스트림의 부분이 상기 복수의 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터와 매칭하는지를 결정하는 단계; 및
    상기 실시간 데이터 스트림의 부분이 상기 복수의 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터와 매칭하는 것으로 결정 시에 상기 실시간 데이터 스트림의 부분을 상기 제 1 실시간 데이터로서 선택하는 단계를 더 포함하는,
    비-일시적 컴퓨터-판독 가능한 저장소 매체.
  10. 제 6 항에 있어서,
    상기 프로세싱 디바이스는 작동들을 수행하며, 상기 작동들은:
    부가적인 이벤트가 발생했는지를, 상기 부가적인 이벤트와 연관된 복수의 부가적인 제조 파라미터들에 대한 상기 메모리-상주 저장소의 검색에 기초하여 결정하는 단계; 및
    상기 메모리-상주 저장소의 검색에 기초하여 상기 부가적인 이벤트가 발생하지 않았다고 결정 시에, 상기 부가적인 이벤트가 발생했는지를, 상기 부가적인 이벤트와 연관된 상기 복수의 부가적인 제조 파라미터들에 대한 상기 분산형 저장소의 검색에 기초하여 결정하는 단계를 더 포함하는,
    비-일시적 컴퓨터-판독 가능한 저장소 매체.
  11. 시스템으로서,
    메모리; 및
    상기 메모리에 커플링된 프로세싱 디바이스를 포함하고,
    상기 프로세싱 디바이스는:
    제조 설비와 연관된 복수의 제조 파라미터들을 획득하고;
    메모리-상주 저장소에 저장하기 위해서 상기 복수의 제조 파라미터들에 기초하여 복수의 데이터 소스들로부터 제 1 실시간 데이터를 식별하며 － 상기 복수의 데이터 소스들은 상기 제조 설비와 연관됨 － ; 그리고
    분산형 저장소에 저장하기 위해서 상기 복수의 제조 파라미터들에 기초하여 상기 복수의 데이터 소스들로부터 제 2 실시간 데이터를 식별하는,
    시스템.
  12. 제 11 항에 있어서,
    상기 복수의 제조 파라미터들이 이벤트와 연관되고,
    상기 프로세싱 디바이스는 추가로:
    상기 이벤트의 발생 시에 상기 메모리-상주 저장소로부터 상기 제 1 실시간 데이터의 서브세트를 획득하고;
    상기 이벤트를 분석하는데 부가적인 데이터가 필요한지를 결정하며; 그리고
    상기 이벤트를 분석하는데 상기 부가적인 데이터가 필요하다고 결정 시에 상기 부가적인 데이터를 획득하는 － 상기 부가적인 데이터가 상기 메모리-상주 저장소에 저장되어 있으면, 상기 부가적인 데이터는 상기 메모리-상주 저장소로부터 획득되고, 상기 부가적인 데이터가 상기 메모리-상주 저장소에 저장되어 있지 않으면, 상기 부가적인 데이터는 상기 분산형 저장소로부터 획득됨 －,
    시스템.
  13. 제 11 항에 있어서,
    상기 프로세싱 디바이스는 추가로:
    상기 복수의 제조 파라미터들에 기초하여 상기 제 1 실시간 데이터에 대한 그래픽 표현을 생성하고; 그리고
    상기 제 1 실시간 데이터에 대한 그래픽 표현을 상기 메모리-상주 저장소에 저장하는,
    시스템.
  14. 제 11 항에 있어서,
    메모리-상주 저장소에 저장하기 위해 상기 제 1 실시간 데이터를 식별하고,
    상기 프로세싱 디바이스는 추가로:
    상기 복수의 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터를 상기 복수의 데이터 소스들 중 적어도 하나의 데이터 소스로부터의 실시간 데이터 스트림에 적용하고;
    상기 실시간 데이터 스트림의 부분이 상기 복수의 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터와 매칭하는지를 결정하며; 그리고
    상기 실시간 데이터 스트림의 부분이 상기 복수의 제조 파라미터들 중 하나 또는 그 초과의 제조 파라미터와 매칭하는 것으로 결정 시에 상기 실시간 데이터 스트림의 부분을 제 1 실시간 데이터로서 선택하는,
    시스템.
  15. 제 11 항에 있어서,
    상기 프로세싱 디바이스는 추가로:
    부가적인 이벤트가 발생했는지를, 상기 부가적인 이벤트와 연관된 복수의 부가적인 제조 파라미터들에 대한 상기 메모리-상주 저장소의 검색에 기초하여 결정하고; 그리고
    상기 메모리-상주 저장소의 검색에 기초하여 상기 부가적인 이벤트가 발생하지 않았다고 결정 시에, 상기 부가적인 이벤트가 발생했는지를, 상기 부가적인 이벤트와 연관된 상기 복수의 부가적인 제조 파라미터들에 대한 상기 분산형 저장소의 검색에 기초하여 결정하는,
    시스템.
KR20157002448A 2012-06-29 2013-06-28 빅 데이터 분석 시스템 KR20150027277A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201261666667P 2012-06-29 2012-06-29
US61/666,667 2012-06-29
US13/929,615 US20140006338A1 (en) 2012-06-29 2013-06-27 Big data analytics system
US13/929,615 2013-06-27
PCT/US2013/048679 WO2014005073A1 (en) 2012-06-29 2013-06-28 Big data analytics system

Publications (1)

Publication Number Publication Date
KR20150027277A true KR20150027277A (ko) 2015-03-11

Family

ID=49779215

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20157002448A KR20150027277A (ko) 2012-06-29 2013-06-28 빅 데이터 분석 시스템

Country Status (4)

Country Link
US (1) US20140006338A1 (ko)
KR (1) KR20150027277A (ko)
TW (1) TWI623838B (ko)
WO (1) WO2014005073A1 (ko)

Families Citing this family (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9594823B2 (en) * 2012-08-22 2017-03-14 Bitvore Corp. Data relationships storage platform
US10649449B2 (en) 2013-03-04 2020-05-12 Fisher-Rosemount Systems, Inc. Distributed industrial performance monitoring and analytics
US10678225B2 (en) 2013-03-04 2020-06-09 Fisher-Rosemount Systems, Inc. Data analytic services for distributed industrial performance monitoring
US10223327B2 (en) 2013-03-14 2019-03-05 Fisher-Rosemount Systems, Inc. Collecting and delivering data to a big data machine in a process control system
US10909137B2 (en) 2014-10-06 2021-02-02 Fisher-Rosemount Systems, Inc. Streaming data for analytics in process control systems
US9804588B2 (en) 2014-03-14 2017-10-31 Fisher-Rosemount Systems, Inc. Determining associations and alignments of process elements and measurements in a process
US9823626B2 (en) 2014-10-06 2017-11-21 Fisher-Rosemount Systems, Inc. Regional big data in process control systems
US10866952B2 (en) 2013-03-04 2020-12-15 Fisher-Rosemount Systems, Inc. Source-independent queries in distributed industrial system
US10386827B2 (en) 2013-03-04 2019-08-20 Fisher-Rosemount Systems, Inc. Distributed industrial performance monitoring and analytics platform
US9558220B2 (en) 2013-03-04 2017-01-31 Fisher-Rosemount Systems, Inc. Big data in process control systems
US10649424B2 (en) * 2013-03-04 2020-05-12 Fisher-Rosemount Systems, Inc. Distributed industrial performance monitoring and analytics
US9665088B2 (en) 2014-01-31 2017-05-30 Fisher-Rosemount Systems, Inc. Managing big data in process control systems
US10282676B2 (en) * 2014-10-06 2019-05-07 Fisher-Rosemount Systems, Inc. Automatic signal processing-based learning in a process plant
US9397836B2 (en) 2014-08-11 2016-07-19 Fisher-Rosemount Systems, Inc. Securing devices to process control systems
DE112014001381T5 (de) 2013-03-15 2016-03-03 Fisher-Rosemount Systems, Inc. Emerson Process Management Datenmodellierungsstudio
US10133243B2 (en) 2013-03-15 2018-11-20 Fisher-Rosemount Systems, Inc. Method and apparatus for seamless state transfer between user interface devices in a mobile control room
US10120372B2 (en) * 2013-08-01 2018-11-06 Applied Materials, Inc. Event processing based system for manufacturing yield improvement
US10284619B2 (en) * 2014-01-22 2019-05-07 Telefonaktiebolaget Lm Ericsson (Publ) Method for scalable distributed network traffic analytics in telco
JP6784595B2 (ja) * 2014-03-14 2020-11-11 フィッシャー−ローズマウント システムズ，インコーポレイテッド プロセス制御システムにおける分散ビッグデータ、プロセス制御デバイス、分散ビッグデータの支援方法、プロセス制御デバイス
US11546230B2 (en) 2014-09-19 2023-01-03 Impetus Technologies, Inc. Real time streaming analytics platform
US10168691B2 (en) 2014-10-06 2019-01-01 Fisher-Rosemount Systems, Inc. Data pipeline for process control system analytics
US10046457B2 (en) 2014-10-31 2018-08-14 General Electric Company System and method for the creation and utilization of multi-agent dynamic situational awareness models
US10884891B2 (en) 2014-12-11 2021-01-05 Micro Focus Llc Interactive detection of system anomalies
US10360520B2 (en) 2015-01-06 2019-07-23 International Business Machines Corporation Operational data rationalization
WO2016114433A1 (ko) * 2015-01-16 2016-07-21 주식회사 솔트룩스 비정형 데이터 처리 시스템 및 방법
KR101981075B1 (ko) 2015-03-31 2019-05-22 가부시키가이샤 프론테오 데이터 분석 시스템, 데이터 분석 방법, 데이터 분석 프로그램, 및 기록매체
US11461368B2 (en) 2015-06-23 2022-10-04 Micro Focus Llc Recommending analytic tasks based on similarity of datasets
WO2017027003A1 (en) 2015-08-10 2017-02-16 Hewlett Packard Enterprise Development Lp Evaluating system behaviour
US10643181B2 (en) * 2015-08-18 2020-05-05 Satish Ayyaswami System and method for a big data analytics enterprise framework
US9934395B2 (en) 2015-09-11 2018-04-03 International Business Machines Corporation Enabling secure big data analytics in the cloud
TWI607331B (zh) 2015-09-23 2017-12-01 財團法人工業技術研究院 資料分析方法與裝置
US10503483B2 (en) 2016-02-12 2019-12-10 Fisher-Rosemount Systems, Inc. Rule builder in a process control network
US11526771B2 (en) 2016-04-08 2022-12-13 Bank Of America Corporation Big data based predictive graph generation system
US10754867B2 (en) 2016-04-08 2020-08-25 Bank Of America Corporation Big data based predictive graph generation system
US10067817B2 (en) 2016-05-25 2018-09-04 International Business Machines Corporation Equipment failure risk detection and prediction in industrial process
US11423082B2 (en) 2016-06-29 2022-08-23 Intel Corporation Methods and apparatus for subgraph matching in big data analysis
US10419269B2 (en) 2017-02-21 2019-09-17 Entit Software Llc Anomaly detection
TWI649660B (zh) * 2017-05-05 2019-02-01 張漢威 資料分析系統及其分析方法
US10579943B2 (en) 2017-10-30 2020-03-03 Accenture Global Solutions Limited Engineering data analytics platforms using machine learning
CN109634786A (zh) * 2018-11-27 2019-04-16 佛山科学技术学院 一种用于智能制造的大数据处理方法及装置
US10997187B2 (en) 2019-02-22 2021-05-04 General Electric Company Knowledge-driven federated big data query and analytics platform
US10963518B2 (en) 2019-02-22 2021-03-30 General Electric Company Knowledge-driven federated big data query and analytics platform
JP7176455B2 (ja) * 2019-03-28 2022-11-22 オムロン株式会社 監視システム、設定装置および監視方法
EP4315874A1 (en) * 2021-03-30 2024-02-07 Jio Platforms Limited System and method of data receiver framework

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1146702A3 (de) * 2000-04-10 2006-03-01 Siemens Aktiengesellschaft Kommunikationsvorrichtung und Kommunikationssystem zum integrierten Übertragen von ersten Daten mit Echtzeitanforderung und zweiten Daten ohne Echtzeitanforderung
US6868310B2 (en) * 2001-04-06 2005-03-15 Eni Technology, Inc. Predictive failure scheme for industrial thin films processing power delivery system
EP1298527A1 (en) * 2001-09-28 2003-04-02 Sony International (Europe) GmbH A system for automatically creating a context information providing configuration
US7330954B2 (en) * 2002-04-18 2008-02-12 Intel Corporation Storing information in one of at least two storage devices based on a storage parameter and an attribute of the storage devices
CN100407215C (zh) * 2002-09-30 2008-07-30 东京毅力科创株式会社 用于监视和控制半导体生产过程的方法和装置
US20050096774A1 (en) * 2003-10-31 2005-05-05 Bayoumi Deia S. System and method for integrating transactional and real-time manufacturing data
JP2008514015A (ja) * 2004-09-17 2008-05-01 エム ケー エス インストルメンツ インコーポレーテッド 半導体プロセスの多変量制御
US7801635B2 (en) * 2007-01-30 2010-09-21 Tokyo Electron Limited Real-time parameter tuning for etch processes
US8266090B2 (en) * 2007-08-31 2012-09-11 Fair Isaac Corporation Color-coded visual comparison of decision logic
EP2093678A1 (en) * 2008-02-21 2009-08-26 British Telecmmunications public limited campany Data network
US8165986B2 (en) * 2008-12-09 2012-04-24 Schlumberger Technology Corporation Method and system for real time production management and reservoir characterization
US8352427B2 (en) * 2010-07-30 2013-01-08 Sap Ag System integration architecture
US8732159B2 (en) * 2011-12-22 2014-05-20 Sap Ag Generic outer join across database borders

Also Published As

Publication number Publication date
TWI623838B (zh) 2018-05-11
TW201403353A (zh) 2014-01-16
WO2014005073A1 (en) 2014-01-03
US20140006338A1 (en) 2014-01-02

Similar Documents

Publication Publication Date Title
KR20150027277A (ko) 빅 데이터 분석 시스템
Moyne et al. Big data capabilities applied to semiconductor manufacturing advanced process control
US20200153896A1 (en) Automated server workload management using machine learning
Nasar et al. Suitability of influxdb database for iot applications
US10409650B2 (en) Efficient access scheduling for super scaled stream processing systems
US20210073234A1 (en) Joining multiple events in data streaming analytics systems
US11410061B2 (en) Dynamic anomaly reporting
US10120372B2 (en) Event processing based system for manufacturing yield improvement
US20140236515A1 (en) Cloud-based architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
US20210390013A1 (en) Alerting system having a network of stateful transformation nodes
US9915932B2 (en) System and method for equipment monitoring using a group candidate baseline and probabilistic model
US20160170821A1 (en) Performance assessment
KR102043928B1 (ko) 시간­기반의 장비 센서 데이터 및 재료­기반의 계측 통계적 프로세스 제어 데이터의 양­방향적 연관 및 그래픽적 획득
Ku A study on prediction model of equipment failure through analysis of big data based on RHadoop
US11750692B2 (en) Connection pool anomaly detection mechanism
Cai et al. mrMoulder: A recommendation-based adaptive parameter tuning approach for big data processing platform
US20210406148A1 (en) Anomaly detection and root cause analysis in a multi-tenant environment
CN113918438A (zh) 服务器异常的检测方法、装置、服务器及存储介质
Moyne et al. Big data emergence in semiconductor manufacturing advanced process control
CN114916237A (zh) 用于缺陷分析的计算机实现的方法、评估缺陷出现的可能性的计算机实现的方法、用于缺陷分析的设备、计算机程序产品和智能缺陷分析系统
CN115438056A (zh) 一种数据获取方法、装置、设备以及存储介质
US11755394B2 (en) Systems, methods, and apparatuses for tenant migration between instances in a cloud based computing environment
US11636067B2 (en) Performance measurement mechanism
US20200410394A1 (en) Predicting future actions during visual data cleaning
Lee et al. On a hadoop-based analytics service system

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination