KR20150056258A - 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진 및 처리 방법 - Google Patents

생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진 및 처리 방법 Download PDF

Info

Publication number
KR20150056258A
KR20150056258A KR1020130139024A KR20130139024A KR20150056258A KR 20150056258 A KR20150056258 A KR 20150056258A KR 1020130139024 A KR1020130139024 A KR 1020130139024A KR 20130139024 A KR20130139024 A KR 20130139024A KR 20150056258 A KR20150056258 A KR 20150056258A
Authority
KR
South Korea
Prior art keywords
data
unstructured
processing
engine
types
Prior art date
Application number
KR1020130139024A
Other languages
English (en)
Inventor
강현섭
유철민
허길행
Original Assignee
(주)가이온
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)가이온 filed Critical (주)가이온
Priority to KR1020130139024A priority Critical patent/KR20150056258A/ko
Publication of KR20150056258A publication Critical patent/KR20150056258A/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
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models

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)
  • Computing Systems (AREA)
  • General Factory Administration (AREA)

Abstract

본 발명은 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진 및 처리 방법에 관한 것으로, 보다 상세하게는 공정관리시스템에서 정형의 빅데이터뿐만 아니라 비정형의 빅데이터도 처리할 수 있는 기술에 관한 것이다.
이를 위해, 본 발명에 따른 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진은 데이터 수신부, 데이터 저장부 및 데이터 처리부를 포함한다. 상기 데이터 수신부는 외부로부터 실시간으로 복수 타입의 데이터를 수신한다. 상기 데이터 저장부는 상기 수신된 복수 타입의 데이터로부터 생산과 관련된 정형 및 비정형 데이터를 추출하여 저장한다. 상기 데이터 처리부는 상기 저장된 정형 및 비정형 데이터를 분산 처리한다.
본 발명에 의하면, 외부로부터 수신된 여러 타입의 데이터로부터 생산과 관련된 정형 및 비정형의 빅데이터를 추출하여 분산 저장 및 처리함에 따라 생산성이 향상될 수 있는 효과가 있다.

Description

생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진 및 처리 방법 {ENGINE FOR ENHANCING PRODUCTIVITY OF FIXED FORM AND NON-FIXED FORM BIGDATA METHOD THEREOF}
본 발명은 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진 및 처리 방법에 관한 것으로, 보다 상세하게는 공정관리시스템에서 정형의 빅데이터뿐만 아니라 비정형의 빅데이터도 처리할 수 있는 기술에 관한 것이다.
빅데이터(BigData)는 초대용량의 데이터 양(volume), 다양한 형태(variety), 빠른 생성 속도(velocity)라는 뜻에서 3V라고도 불리며, 여기에 네 번째 특징으로 가치(value)를 더해 4V라고 정의하기도 한다. 빅데이터에서 가치(value)가 중요 특징으로 등장한 것은 엄청난 규모뿐만 아니라 빅데이터의 대부분은 비정형적인 텍스트와 이미지 등으로 이루어져 있고, 이러한 데이터들은 시간이 지나면서 매우 빠르게 전파하며 변함에 따라 그 전체를 파악하고 일정한 패턴을 발견하기가 어렵게 되면서 가치 창출의 중요성이 강조되었기 때문이다.
빅데이터는 다양한 분야에 존재할 수 있는데, 웹로그(web logs), RFID, 센서 네트워크, 소셜 네트워크, 소셜 데이터, 인터넷 텍스트와 문서, 인터넷 검색 인덱싱(internet search indexing), 천문학, 기상한, 유전체학, 생물지구화학(biogeochemistry), 생물학, 군사 감시, 의료 기록, 사진 기록, 비디오 기록, 및 전자상거래, 공정관리시스템(MES: Manufacturing Execution System) 등이 그 예이다.
MES와 관련하여 한국공개특허 제2008-0016514호 "제조공정 관리 시스템"에서는 제조공정 관리 시스템에 사용되고 있는 운영 컴퓨터의 제조공정 데이터 입력 기능을 제조공정 데이터 송수신 장치로 대체함으로써, 제조 공장에서 사용되고 있는 제조공정 관리 시스템의 개발 비용을 줄일 수 있으며, 비용에 구애받지 않고 더 많은 공정을 세분화하여 제조공정 관리를 통한 제품 불량률을 줄일 수 있는 기술을 개시하고 있다.
한편, 기존 MES는 공정 진행 정보 감시 및 제어, 설비의 감시 및 제어, 품질 정보 관리 및 제어, 실적 정보 집계, 창고 운영 관리, 제품 관리, 자재 투입 관리, 인력 관리, 공무 관리 등 생산 현장에서 발생할 수 있는 모든 빅데이터를 통합 관리한다.
기존 분석 방식의 문제점을 살펴보면, 공정 단계와 테스트 단계의 정보가 따로 관리돼, 테스트 단계에서 제품 오류를 찾아도 어떤 공정 과정에서 문제가 발생했는지 확인하는데 곤란을 겪으며 제조 공정 전반의 수많은 데이터를 수집/분석하기 위한 많은 시스템을 구축/운영하고 있으나 각각의 분석시스템이 분산되어 있어 불량 발생 시 정확한 원인 파악에 한계가 있다. 이처럼 생산현장에서 필요한 빅데이터를 수집하거나 저장 및 처리 기술에 한계가 있기 때문에 소수의 Sample을 추출하여 불량률을 파악하는 것이 전부이다.
또한, 정형의 빅데이터만을 활용하여 관리하므로, 실제 MES에 전반에 걸쳐서 발생하는 많은 데이터가 손실되며, 이로 인해 실시간 장애진단 및 모니터링, 장애 예측 등은 할 수 없고, 장애 이벤트가 발생 한 후속 조치를 취하는 형태의 생산 공정관리 형태로 생산성이 떨어진다. 따라서 정형의 빅데이터뿐만 아니라 비정형의 빅데이터도 처리할 수 있는 기술이 필요하다.
한국공개특허 제2008-0016514호 "제조공정 관리 시스템"
본 발명은 공정관리시스템에서 정형의 빅데이터뿐만 아니라 비정형의 빅데이터도 처리하여 생산성 향상을 시키는 것을 목적으로 한다.
이러한 목적을 달성하기 위하여 본 발명에 따른 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진은 데이터 수신부, 데이터 저장부 및 데이터 처리부를 포함한다. 상기 데이터 수신부는 외부로부터 실시간으로 복수 타입의 데이터를 수신한다. 상기 데이터 저장부는 상기 수신된 복수 타입의 데이터로부터 생산과 관련된 정형 및 비정형 데이터를 추출하여 저장한다. 상기 데이터 처리부는 상기 저장된 정형 및 비정형 데이터를 분산 처리한다.
이상에서 설명한 바와 같이 본 발명에 의하면, 외부로부터 수신된 여러 타입의 데이터로부터 생산과 관련된 정형 및 비정형의 빅데이터를 추출하여 분산 저장 및 처리함에 따라 생산성이 향상될 수 있는 효과가 있다.
도 1은 본 발명의 일실시예에 따른 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진의 개략적인 구성을 나타낸 도면이다.
도 2는 도 1의 세부 구성을 나타낸 도면이다.
도 3은 본 발명의 일실시예에 따른 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 처리 방법의 개략적인 흐름을 나타낸 도면이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략하기로 한다. 또한 본 발명의 실시예들을 설명함에 있어 구체적인 수치는 실시예에 불과하며, 설명의 편의와 이해를 위하여 실제와는 달리 과장된 수치가 제시되었을 수 있다.
<시스템에 대한 설명>
도 1은 본 발명의 일실시예에 따른 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진의 개략적인 구성을 나타낸 도면이고, 도 2는 도 1의 세부 구성을 나타낸 도면이다.
도 1, 2를 참조하면, 본 발명에 따른 정형 및 비정형의 빅데이터 엔진(100)은 데이터 수신부(110), 데이터 저장부(120) 및 데이터 처리부(130)를 포함한다.
데이터 수신부(110)는 외부로부터 실시간으로 복수 타입의 데이터를 수신한다. 상기 복수 타입의 데이터는 생산 공장에서 나오는 다양한 데이터로, 생산 설비 데이터나 센서 데이터, IT 데이터, CCTV 데이터 등의 비정형 데이터 및 고객 데이터, 구매내역 데이터, AS/파트구매 데이터 등의 정형 데이터를 의미한다.
데이터 저장부(120)는 상기 수신된 복수 타입의 데이터로부터 생산과 관련된 정형 및 비정형 데이터를 추출하여 저장하며, 이를 위해 데이터 추출부(121) 및 데이터베이스(122)를 포함한다.
데이터 추출부(121)는 상기 복수 타입의 데이터를 가공하여 생산과 관련된 정형 및 비정형 데이터를 추출하는 하는 역할로, ETL(Extraction, Transformation, Load)을 의미한다. 상기 ETL이란 데이터 웨어하우스(DW, Data Warehouse) 구축 시 데이터를 운영 시스템에서 추출하여 가공(변환, 정제)한 후 데이터 웨어하우스에 적재하는 모든 과정을 말한다.
데이터베이스(122)는 상기 추출된 정형 및 비정형 데이터를 저장하며, 이때 하둡 분산 파일 시스템(HDFS: Hadoop Distributed File System)에 분산 저장시키는 것을 특징으로 한다.
데이터 처리부(130)는 상기 저장된 정형 및 비정형 데이터를 맵리듀스(MapReduce) 방식으로 분산 처리한다. 즉, 데이터 처리부(130)는 하둡 분산 파일 시스템으로부터 작업 데이터를 읽어와 맵리듀스를 수행한다.
일반적으로 하둡은 너치(Nutch)의 분산처리를 지원하기 위한 빅데이터 처리 방식 중 하나로, 수백 기가바이트~테라바이트 혹은 페타바이트 크기의 데이터를 처리할 수 있는 어플리케이션을 제작하고 운영할 수 있는 기반을 제공해 주는 데이터 처리 플랫폼이다. 하둡이 처리하는 데이터의 크기가 통상 최소 수백 기가바이트 수준이기 때문에 데이터는 하나의 컴퓨터에 저장되는 것이 아니라 여러 개의 블록으로 나누어져 여러 개의 컴퓨터에 분산 저장된다. 따라서 하둡은 입력되는 데이터를 나누어 처리할 수 있도록 하는 HDFS을 포함하며, 분산 저장된 데이터들은 대용량 데이터를 클러스터 환경에서 병렬 처리하기 위해 개발된 맵리듀스 과정에 의해 처리된다.
맵리듀스는 대용량 데이터의 저장과 병렬처리 능력을 제공하기 위한 클라우드 컴퓨팅 환경에서 분산 처리기술로, 대규모 데이터를 병렬 처리하여 분산 계산하는 프레임워크로서, 데이터마이닝, genomic computation등에 다양하게 응용될 수 있다. 이때, 하둡은 맵리듀스를 위해 암호화된 데이터를 소정 단위로 나눠 블록들을 생성하고, 상기 블록들을 분석할 수도 있다.
전술한 바와 같이, 외부로부터 수신된 여러 타입의 데이터로부터 생산과 관련된 정형 및 비정형의 빅데이터를 추출하여 분산 저장 및 처리함에 따라 생산성이 향상될 수 있는 효과가 있다.
<방법에 대한 설명>
본 발명의 일실시예에 따른 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 처리 방법에 대해서 도 3에 도시된 흐름도를 참조하여 설명하되, 편의상 순서를 붙여 설명한다.
1. 복수 타입의 데이터를 수신하는 단계<S310>
데이터 수신부(110)는 외부로부터 실시간으로 복수 타입의 데이터를 수신한다. 상기 복수 타입의 데이터는 생산 공장에서 나오는 다양한 데이터로, 생산 설비 데이터나 센서 데이터, IT 데이터, CCTV 데이터 등의 비정형 데이터 및 고객 데이터, 구매내역 데이터, AS/파트구매 데이터 등의 정형 데이터를 의미한다.
2. 정형 및 비정형 데이터를 추출하여 저장하는 단계<S320>
데이터 저장부(120)는 상기 수신된 복수 타입의 데이터로부터 생산과 관련된 정형 및 비정형 데이터를 추출하여 저장하며, 이를 위해 데이터 추출부(121) 및 데이터베이스(122)를 포함한다.
데이터 추출부(121)는 상기 복수 타입의 데이터를 가공하여 생산과 관련된 정형 및 비정형 데이터를 추출하는 하는 역할로, ETL(Extraction, Transformation, Load)을 의미한다. 상기 ETL이란 데이터 웨어하우스(DW, Data Warehouse) 구축 시 데이터를 운영 시스템에서 추출하여 가공(변환, 정제)한 후 데이터 웨어하우스에 적재하는 모든 과정을 말한다.
데이터베이스(122)는 상기 추출된 정형 및 비정형 데이터를 저장하며, 이때 하둡 분산 파일 시스템(HDFS: Hadoop Distributed File System)에 분산 저장시키는 것을 특징으로 한다.
3. 정형 및 비정형 데이터를 분산 처리하는 단계
데이터 처리부(130)는 상기 저장된 정형 및 비정형 데이터를 맵리듀스(MapReduce) 방식으로 분산 처리한다. 즉, 데이터 처리부(130)는 하둡 분산 파일 시스템으로부터 작업 데이터를 읽어와 맵리듀스를 수행한다.
일반적으로 하둡은 너치(Nutch)의 분산처리를 지원하기 위한 빅데이터 처리 방식 중 하나로, 수백 기가바이트~테라바이트 혹은 페타바이트 크기의 데이터를 처리할 수 있는 어플리케이션을 제작하고 운영할 수 있는 기반을 제공해 주는 데이터 처리 플랫폼이다. 하둡이 처리하는 데이터의 크기가 통상 최소 수백 기가바이트 수준이기 때문에 데이터는 하나의 컴퓨터에 저장되는 것이 아니라 여러 개의 블록으로 나누어져 여러 개의 컴퓨터에 분산 저장된다. 따라서 하둡은 입력되는 데이터를 나누어 처리할 수 있도록 하는 HDFS을 포함하며, 분산 저장된 데이터들은 대용량 데이터를 클러스터 환경에서 병렬 처리하기 위해 개발된 맵리듀스 과정에 의해 처리된다.
맵리듀스는 대용량 데이터의 저장과 병렬처리 능력을 제공하기 위한 클라우드 컴퓨팅 환경에서 분산 처리기술로, 대규모 데이터를 병렬 처리하여 분산 계산하는 프레임워크로서, 데이터마이닝, genomic computation등에 다양하게 응용될 수 있다. 이때, 하둡은 맵리듀스를 위해 암호화된 데이터를 소정 단위로 나눠 블록들을 생성하고, 상기 블록들을 분석할 수도 있다.
전술한 바와 같이, 외부로부터 수신된 여러 타입의 데이터로부터 생산과 관련된 정형 및 비정형의 빅데이터를 추출하여 분산 저장 및 처리함에 따라 생산성이 향상될 수 있는 효과가 있다.
본 발명의 일실시예에 따른 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 처리 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진

Claims (9)

  1. 외부로부터 실시간으로 복수 타입의 데이터를 수신하는 데이터 수신부;
    상기 수신된 복수 타입의 데이터로부터 생산과 관련된 정형 및 비정형 데이터를 추출하여 저장하는 데이터 저장부; 및
    상기 저장된 정형 및 비정형 데이터를 분산 처리하는 데이터 처리부
    를 포함하는 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진.
  2. 제1항에 있어서,
    상기 데이터 저장부는,
    상기 복수 타입의 데이터를 가공하여 생산과 관련된 정형 및 비정형 데이터를 추출하는 데이터 추출부; 및
    상기 추출된 정형 및 비정형 데이터를 저장하는 데이터베이스
    를 포함하는 것을 특징으로 하는 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진.
  3. 제1항에 있어서,
    상기 데이터 저장부는,
    상기 추출된 정형 및 비정형 데이터를 하둡 분산파일 시스템(HDFS: Hadoop Distributed File System)에 분산 저장시키는
    것을 특징으로 하는 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진.
  4. 제1항에 있어서,
    상기 데이터 처리부는,
    상기 저장된 정형 및 비정형 데이터를 맵리듀스(MapReduce) 방식으로 처리하는
    것을 특징으로 하는 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진.
  5. (a) 외부로부터 실시간으로 복수 타입의 데이터를 수신하는 단계;
    (b) 상기 수신된 복수 타입의 데이터로부터 생산과 관련된 정형 및 비정형 데이터를 추출하여 저장하는 단계; 및
    (c) 상기 저장된 정형 및 비정형 데이터를 분산 처리하는 단계
    를 포함하는 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 처리 방법.
  6. 제5항에 있어서,
    상기 (b)단계에서는,
    상기 복수 타입의 데이터를 가공하여 생산과 관련된 정형 및 비정형 데이터를 추출하는 단계; 및
    상기 추출된 정형 및 비정형 데이터를 저장하는 단계
    를 포함하는 것을 특징으로 하는 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 처리 방법.
  7. 제5항에 있어서,
    상기 (b)단계에서는,
    상기 추출된 정형 및 비정형 데이터를 하둡 분산파일 시스템(HDFS: Hadoop Distributed File System)에 분산 저장시키는
    것을 특징으로 하는 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 처리 방법.
  8. 제5항에 있어서,
    상기 (c)단계에서는,
    상기 저장된 정형 및 비정형 데이터를 맵리듀스(MapReduce) 방식으로 처리하는
    것을 특징으로 하는 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 처리 방법.
  9. 제5항 내지 제8항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록매체.
KR1020130139024A 2013-11-15 2013-11-15 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진 및 처리 방법 KR20150056258A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130139024A KR20150056258A (ko) 2013-11-15 2013-11-15 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진 및 처리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130139024A KR20150056258A (ko) 2013-11-15 2013-11-15 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진 및 처리 방법

Publications (1)

Publication Number Publication Date
KR20150056258A true KR20150056258A (ko) 2015-05-26

Family

ID=53391609

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130139024A KR20150056258A (ko) 2013-11-15 2013-11-15 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진 및 처리 방법

Country Status (1)

Country Link
KR (1) KR20150056258A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170089161A (ko) * 2016-01-26 2017-08-03 한화테크윈 주식회사 표면 실장의 장착점 추출 방법
KR20170110796A (ko) * 2016-03-24 2017-10-12 동국대학교 산학협력단 병렬 처리 기법을 이용한 사물인터넷 데이터 기반 프로세스 이상 현상 진단 방법 및 그 장치
KR20190130949A (ko) * 2018-05-15 2019-11-25 농업회사법인 렛츠팜 주식회사 빅데이터를 이용한 농생명 기반 플랫폼 시스템
KR20210060829A (ko) * 2019-11-19 2021-05-27 주식회사 피씨엔 빅데이터 플랫폼 관리 방법 및 장치
KR20210060830A (ko) * 2019-11-19 2021-05-27 주식회사 피씨엔 빅데이터 지능형 수집 방법 및 장치
KR102482378B1 (ko) * 2021-11-15 2022-12-29 가온플랫폼 주식회사 빅데이터 분석 및 진단 플랫폼 제공 시스템 및 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170089161A (ko) * 2016-01-26 2017-08-03 한화테크윈 주식회사 표면 실장의 장착점 추출 방법
KR20170110796A (ko) * 2016-03-24 2017-10-12 동국대학교 산학협력단 병렬 처리 기법을 이용한 사물인터넷 데이터 기반 프로세스 이상 현상 진단 방법 및 그 장치
KR20190130949A (ko) * 2018-05-15 2019-11-25 농업회사법인 렛츠팜 주식회사 빅데이터를 이용한 농생명 기반 플랫폼 시스템
KR20210060829A (ko) * 2019-11-19 2021-05-27 주식회사 피씨엔 빅데이터 플랫폼 관리 방법 및 장치
KR20210060830A (ko) * 2019-11-19 2021-05-27 주식회사 피씨엔 빅데이터 지능형 수집 방법 및 장치
KR102482378B1 (ko) * 2021-11-15 2022-12-29 가온플랫폼 주식회사 빅데이터 분석 및 진단 플랫폼 제공 시스템 및 방법

Similar Documents

Publication Publication Date Title
US10372723B2 (en) Efficient query processing using histograms in a columnar database
Campos et al. A big data analytical architecture for the Asset Management
US11314764B2 (en) Automated scalable contextual data collection and extraction system
US20150256475A1 (en) Systems and methods for designing an optimized infrastructure for executing computing processes
KR20150056258A (ko) 생산성을 향상시킬 수 있는 정형 및 비정형의 빅데이터 엔진 및 처리 방법
US10705935B2 (en) Generating job alert
US11204935B2 (en) Similarity analyses in analytics workflows
KR20150056266A (ko) 공장 운영 관리용 정형 및 비정형의 빅데이터 엔진 및 처리 방법
Patwardhan et al. A survey on predictive maintenance through big data
US20170124490A1 (en) Inclusion of time series geospatial markers in analyses employing an advanced cyber-decision platform
CN113965389B (zh) 一种基于防火墙日志的网络安全管理方法、设备及介质
US10853883B2 (en) Cybersecurity profile generated using a simulation engine
US9679609B2 (en) Systems and methods for cataloguing audio-visual data
US20180130077A1 (en) Automated selection and processing of financial models
Punn et al. Testing big data application
CN115470190A (zh) 一种多存储池数据分类存储方法、系统与电子设备
US9928302B2 (en) Merging data analysis paths
Tazeen et al. A Survey on Some Big Data Applications Tools and Technologies
Blamey et al. Rapid development of cloud-native intelligent data pipelines for scientific data streams using the HASTE Toolkit
Dhivya Big Data Analytics: A Review and Tools Comparison
Meenakshi et al. A Study on Understanding Big Data: Capture, Create, Analysis, Applications and Issues
CN116521379A (zh) 一种gpu数据分析系统、电子设备和存储介质
Gorostegui Gabiria A big data analytical architecture for the Asset Management
Patel et al. Video and Image Processing Library using Computer Vision Techniques for Hadoop HDFS and MapReduce
KR20150056261A (ko) 생산 장애에 대한 분석용 어플리케이션 및 분석 방법

Legal Events

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