KR20180020334A - 통신 시스템에서 장애 예측 장치 및 방법 - Google Patents

통신 시스템에서 장애 예측 장치 및 방법 Download PDF

Info

Publication number
KR20180020334A
KR20180020334A KR1020160104062A KR20160104062A KR20180020334A KR 20180020334 A KR20180020334 A KR 20180020334A KR 1020160104062 A KR1020160104062 A KR 1020160104062A KR 20160104062 A KR20160104062 A KR 20160104062A KR 20180020334 A KR20180020334 A KR 20180020334A
Authority
KR
South Korea
Prior art keywords
predicted
pattern
image
data
time series
Prior art date
Application number
KR1020160104062A
Other languages
English (en)
Other versions
KR101878320B1 (ko
Inventor
유찬호
Original Assignee
(주) 네오위드넷
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) 네오위드넷 filed Critical (주) 네오위드넷
Priority to KR1020160104062A priority Critical patent/KR101878320B1/ko
Publication of KR20180020334A publication Critical patent/KR20180020334A/ko
Application granted granted Critical
Publication of KR101878320B1 publication Critical patent/KR101878320B1/ko

Links

Images

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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • 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
    • H04L41/06—Management of faults, events, alarms or notifications
    • 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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Computer And Data Communications (AREA)

Abstract

본 발명은 통신 시스템에서 장애 예측 장치 및 방법에 관한 것이다. 그 방법은 예측하고자 하는 리소스 데이터를 수신하여, 수신된 리소스 데이터 또는 시스템의 CPU, 메모리 사용량의 데이터를 불러오는 제 1 과정; 예측하고자 하는 리소스, CPU, 메모리 사용량의 데이터를 현 시점에서 과거 시계열 데이터를 블록단위로 이미지화하고 이미지화된 시계열 자료의 반복된 패턴을 시간 블록을 구분하고 시계열의 패턴에 따른 단위 시간을 지정하고, 단위시간 간격으로 이미지 블록으로 분리, 순서화한 후 발생할 이미지를 다음 이미지 블록으로 새롭게 생성하여 목표 시계열 데이터로 전환하여 이미 패턴을 예측하는 제 2 과정; 예측하고자 하는 시계열 데이터 자료로 입력된 리소스, CPU, 메모리 사용량의 데이터의 검출된 지표들의 현재부터 과거 데이터를 기초하여 예측을 위한 현재부터 과거까지의 검출된 과거데이터를 이용하여 미래의 예측값을 추정하고 미래의 지표 벡터를 예측하는 제 3 과정; 이미지 패턴 생성부에서 새롭게 생성되어 목표 시계열 데이터로 전환된 이미지 블록의 예측값과 지표 벡터 생성부에서 현재부터 과거 데이터를 기초로 예측된 지표 벡터의 예측값을 연결하여 실 목표 예측값을 예측하는 제 4 과정; 및 통합부에 의해 예측된 실 목표 예측값에 대해 시간에 따라 검출된 지표값과 목표값을 현재 시계열 지표로 미래의 목표값이 추정되도록 보정하는 제 5 과정;을 포함하여 구성된다.
이에 의해, 이미지화된 시계열 자료의 반복적인 패턴이 주기적인 시간에 따라 변화하는 유형이 향후에도 같은 방향성을 유지될 것이라는 가정하고 현 시점에서의 좌표값에 영향을 받는 가정을 결합하여 시계열 특징인 계절형 특성과 같은 패턴 인식을 통해 시계열 패턴, 현재 시점에서 리소스 변화를 감지, 분석하여 장애를 쉽고 정확하게 예측할 수 있다.

Description

통신 시스템에서 장애 예측 장치 및 방법{Apparatus for forecasting disruption of communication system and that of method}
본 발명은 통신 시스템에서 장애 예측 장치 및 방법에 관한 것으로, 보다 구체적으로는, 시스템에서 검출되는 지표에 의해 영향을 받는 성능 리소스의 지표를 통해 TPS, MEM, CPU의 성능을 추정하고, 같은 지표의 값은 시간에 따라 발생하는 영향을 시간에 따라 검출된 지표값과 예측하고자 하는 리소스의 목표값을 Training data로 하여 Learning Algorithm A에 적용하여 현재 시계열 지표로 미래의 목표값을 추정하여 장애 유형, 장애 패턴을 예측하는 통신 시스템에서 장애 예측 장치 및 방법에 관한 것이다.
또한, 본 발명은 이미지화된 시계열 자료의 반복적 패턴을 시간 블록으로 구분하고, 이미지 블록으로 분리하여 시계열 자료를 이미지화하고 예측을 위한 검출된 리소스 지표에 대해 지표 벡터에 의해 예측한 후, 예측된 값을 통합하여 목표값으로 예측함으로써 장애 예측, 패턴 관점에 따라 다양한 운영 정보를 종합적으로 이용하여 시스템의 장애을 좀 더 빨리, 쉽고 정확하게 예측할 수 있는 통신 시스템에서 장애 예측 장치 및 방법에 관한 것이다.
IT 시스템에서 장애가 민감한 상황이며, 따라서 장애 발생 후에 조치하기보다는 장애를 예측하여 사전에 조치할 수 있어야 한다.
종래의 장애를 예측하는 방법으로는, 이전에 운영되었던 현황을 기준으로 시스템의 부하량을 측정하고 이를 현재 동작시점에서의 부하량과 비교하여 예상되는 부하량보다 많을 경우 시스템의 장애가 예측되는 단편적인 방법에 그쳤다.
상기와 같은 시스템의 장애 예측 방법은 임계치가 학습 되면서 향상되기는 하나 좀 더 정확한 장애 예측 알고리즘이 필요하였다.
특정지표 값들로 목표 값을 예측하며 지표 및 목표 값이 시계열 데이터로 구성되어 목표값을 예측하는 모델로 대개 RNN과 LSTM으로 구분되어 사용되는데, 각각 모델에서 시계열 데이터 상에서 장기 의존적 문제에 대한 처리 방법이 상이하다.
첨부된 도 1에 제시된 바와 같이 RNN 방식의 시계열 데이터 예측 모델은 이론적으로, 순환 신경망은 그런 “장기 의존성”을 다룰 수 있다. 즉, 순차적 입력값에 따라 일련의 시간 흐름에 따른 매개 변수를 선택하여 단계적으로 진행하는 것으로서 사람은 매개변수들을 신중히 골라 순환 신경망이 이런 쉬운 문제들을 풀도록 만들 수 있도록 구성된 것으로 이에 따른 문제는 Hochreiter (1991) [독일인]와 Bengio, 외 (1994)에 의해 깊이 연구되었고, 상기 RNN 방식은 "장기 의존성" 문제 해결할 수 있는 근본적 이유를 발견하였다.
또한, 도 2에 도시된 바와 같이 LSTM 방식의 시계열 데이터 예측 모델은 LSTM서 반복되는 모듈 하나는 네 개의 상호작용하는 층을 포함하는데, 신경망 층, 요소별 연산, 벡터 전달, 연관, 복사층으로 구분된다.
각 화살표는 한 노드 출력에서 다른 노드의 입력으로 전체 벡터 하나를 전달하고, 합쳐지는 화살표들은 연관(concatenate)을 표시하고, 갈라지는 화살표는 그 내용이 복사되어 다른 곳으로 보내짐을 표시한다. LSTM의 핵심은 셀 상태(cell state), 즉, 다이어그램의 위쪽을 통과해 지나는 수평선이다.
셀 상태는 일종의 컨베이어 벨트로서, 셀 상태는 약간의 가벼운 선형 상호작용만 일으키며 전체 수평선을 그냥 똑바로 지나가며, 정보는 바뀌지 않은 채 그냥 흘러간다.
즉, 인공지능 알고리즘에서 가장 보편적으로 활용되고 있는 Deep Learining 기술은 인공신경망( Neural network) 기술로서, 인공신경망 중 과거 데이터를 해석할 수 있는 RNN 기술이 개발되었으며, RNN이 과거로 갈수록 데이터가 희석되는 것을 방지하기 위해 LSTM 방법이 개발되었으나 이 LSTM 역시 1000~ 2000 스템 이후 데이터에 대한 고려가 쉽지 않으며, 특히 시계열 특징인 계절형 특성과 같은 패턴을 인식하는 기능이 부족한 것이 현실이다.
따라서, 본 발명에서 시계열 특성인 패턴과 또한 현재 시점에서의 리소스 변화를 감지하여 분석하는데 영향을 줄 수 있도록 확정된 Pattern-convolutional LSTM을 제안하고자 한다.
1. 장애 발생에 대한 손실 예측 방법 및 서버(Losses due to failure prediction method and server)(특허등록번호 제10-1401630) 2. 공정 제어 네트워크에서의 장애 예측 방법 및 장치(Method and Apparatus for Predicting Error in Process Control Network)(특허등록번호 제10-1027242호) 3. 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법 및 장치(Method for analyzing and predicting error generated in broadcasting system and apparatus therefor)(특허등록번호 제10-0818493호)
본 발명은 상기의 문제점을 해결하기 위한 것으로, 본 발명은 이미지화된 시계열 자료의 반복적인 패턴이 주기적인 시간에 따라 변화하는 유형이 향후에도 같은 방향성을 유지될 것이라는 가정하고 현 시점에서의 좌표값에 영향을 받는 가정을 결합하여 시계열 특징인 계절형 특성과 같은 패턴 인식을 통해 시계열 패턴, 현재 시점에서 리소스 변화를 감지, 분석하여 장애 패턴을 예측하는 통신 시스템에서 장애 예측 장치 및 방법을 제공하기 위한 것이다.
또한, 본 발명은 이미지화된 시계열 자료의 반복적 패턴을 시간 블록으로 구분하고, 이미지 블록으로 분리하여 시계열 자료를 이미지화하고 예측을 위한 검출된 리소스 지표에 대해 지표 벡터에 의해 예측한 후, 예측된 값을 통합하여 목표값으로 예측함으로써 장애 예측, 패턴 관점에 따라 다양한 운영 정보를 종합적으로 이용하여 시스템의 장애을 좀 더 빨리, 쉽고 정확하게 예측할 수 있는 통신 시스템에서 장애 예측 장치 및 방법을 제공하기 위한 것이다.
그러나 본 발명의 목적들은 상기에 언급된 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위해 본 발명의 실시예에 따른 통신 시스템에서 장애 예측 장치는 예측하고자 하는 시계열 데이터 자료로 입력된 리소스의 반복적 패턴을 시간 블록으로 구분, 분리하고 순서화한 후, 다음 발생할 이미지를 새로운 블록으로 생성하여 목표 시계열 데이터로 전환한 후, 검출된 지표 벡터의 현재부터 과거 데이터를 기초로 추정, 예측하여 두 예측값을 통합하여 목표값을 예측하여 장애여부를 판단하도록 장애 예측 장치의 제반적인 동작을 제어하는 제어부, 예측하고자 하는 시계열 데이터 자료로 입력된 리소스 또는 시스템의 CPU, 메모리 사용량의 데이터를 현 시점에서 과거 시계열 데이터를 블록단위로 이미지화하고 이미지화된 시계열 자료의 반복된 패턴을 시간 블록을 구분하고 시계열의 패턴에 따른 단위 시간을 지정하고 단위시간 간격으로 이미지 블록으로 분리, 순서화한 후 발생할 이미지를 다음 이미지 블록으로 새롭게 생성하여 목표 시계열 데이터로 전환하는 이미지 패턴 생성부, 예측하고자 하는 시계열 데이터 자료로 입력된 리소스 또는 시스템의 CPU, 메모리 사용량의 데이터의 검출된 지표들의 현재부터 과거 데이터를 기초하여 예측을 위한 현재부터 과거까지의 검출된 과거데이터를 이용하여 미래의 예측값을 추정하고 같은 형태로 미래의 지표 벡터를 예측하는 지표 벡터 생성부, 상기 이미지 패턴 생성부에서 새롭게 생성되어 목표 시계열 데이터로 전환된 이미지 블록의 예측값과 상기 지표 벡터 생성부에서 현재부터 과거 데이터를 기초로 예측된 지표 벡터의 예측값을 연결하여 실 목표 예측값으로 예측하는 통합부 및 상기 통합부를 통해 예측된 실 목표 예측값에 대해 현재 시계열 지표로 미래의 목표값이 추정되도록 하는 보정부를 포함하여 구성되는 것을 특징으로 한다.
또한, 본 발명의 실시예에 따른 통신 시스템에서 장애 예측 장치의 상기 이미지 패턴 생성부는 패턴구간(w) 내에 예측하고자 하는 구간에 존재 여부를 확인하고 만약 해당 패턴구간에 존재하면 이미지 생성된 패턴을 이용하여 예측한 패턴을 이미지 배열로 전환하고 t+n번째 예측값을 조회하여 해당 예측값을 출력하거나, 만약 패턴구간(w) 내에 예측하고자 하는 구간에 존재하지 않으면 신규 유입된 목표값으로 이미지 패턴을 생성하고 새로 생성된 패턴을 포함한 최근 패턴 벡터를 이용하여 다음 패턴을 예측하여 생성 패턴으로 이용되도록 전송하고 이를 예측한 패턴을 이미지 배열로 전환하고 t+n번째 예측값을 조회하여 해당 예측값을 출력하고, 상기 지표 벡터 생성부는 예측 구간(t+n)과 예측지표(X0 ~ Xt)에 대해 지표 벡터를 예측할 경우, 지표 벡터 생성부(140)에 기 예측된 Xt +i+1 추가 및 Xi -1 삭제 정보가 입력되면 정의구간(0 ~ t)의 예측 변수 벡터 X0+i ~ Xt +i를 준비하고 LSTM으로 예측값 Yt +i+1 예측값을 생성한 후, 생성된 예측 범위가 최대 범위(n)에 이르면 예측을 종료하고, 최대범위에 이르지 못하면 LSTM으로 예측 변수 Xt +i+1 예측값을 생성하여 첫 정의구간으로 반복하여 예측값을 생성하도록 구성되는 것을 특징으로 한다.
또한, 본 발명의 다른 실시예에 따른 통신 시스템에서 장애 예측 방법은 예측하고자 하는 리소스 데이터를 수신하여, 수신된 리소스 데이터 또는 시스템의 CPU, 메모리 사용량의 데이터를 불러오는 제 1 과정; 예측하고자 하는 리소스, CPU, 메모리 사용량의 데이터를 현 시점에서 과거 시계열 데이터를 블록단위로 이미지화하고 이미지화된 시계열 자료의 반복된 패턴을 시간 블록을 구분하고 시계열의 패턴에 따른 단위 시간을 지정하고, 단위시간 간격으로 이미지 블록으로 분리, 순서화한 후 발생할 이미지를 다음 이미지 블록으로 새롭게 생성하여 목표 시계열 데이터로 전환하여 이미 패턴을 예측하는 제 2 과정; 예측하고자 하는 시계열 데이터 자료로 입력된 리소스, CPU, 메모리 사용량의 데이터의 검출된 지표들의 현재부터 과거 데이터를 기초하여 예측을 위한 현재부터 과거까지의 검출된 과거데이터를 이용하여 미래의 예측값을 추정하고 미래의 지표 벡터를 예측하는 제 3 과정; 이미지 패턴 생성부에서 새롭게 생성되어 목표 시계열 데이터로 전환된 이미지 블록의 예측값과 지표 벡터 생성부에서 현재부터 과거 데이터를 기초로 예측된 지표 벡터의 예측값을 연결하여 실 목표 예측값을 예측하는 제 4 과정; 및 통합부에 의해 예측된 실 목표 예측값에 대해 시간에 따라 검출된 지표값과 목표값을 현재 시계열 지표로 미래의 목표값이 추정되도록 보정하는 제 5 과정;을 포함하여 구성되는 것을 특징으로 한다.
또한, 본 발명의 다른 실시예에 따른 통신 시스템에서 장애 예측 방법은 상기 제 2 과정은 TPS, CPU, 메모리 사용량의 리소스 데이터에 대해 현 시점에서 과거 시계열 데이터 자료를 그래프처럼 이미지화 단계; 이미지화된 시계열 자료의 반복적 패턴을 시간 블록으로 구분하여 시계열의 패턴의 단위 시간을 찾고, 시계열 이미지를 단위 시간 간격으로 이미지 블록으로 분리하고 순서화하는 단계; 이미지 블록화한 후 다음 발생할 이미지를 convolutional LSTM으로 예측하여 새로운 이미지 블록을 생성하는 단계; 및 새롭게 생성된 이미지를 다시 목표 시계열 데이터로 전환하는 단계를 더 포함하여 구성되는 것을 특징으로 한다.
본 발명의 실시예에 따른 통신 시스템에서 장애 예측 장치 및 방법은 이미지화된 시계열 자료의 반복적 패턴을 시간 블록으로 구분하고, 이미지 블록으로 분리하여 시계열 자료를 이미지화하고 예측을 위한 검출된 리소스 지표에 대해 지표 벡터에 의해 예측한 후, 예측된 값을 통합하여 목표값으로 예측함으로써 장애 예측, 패턴 관점에 따라 다양한 운영 정보를 종합적으로 이용하여 시스템의 장애을 좀 더 빨리, 쉽고 정확하게 예측할 수 있는 효과를 제공한다.
또한, 본 발명에 따른 통신 시스템에서 장애 예측 장치 및 방법은 이미지화된 시계열 자료의 반복적인 패턴이 주기적인 시간에 따라 변화하는 유형이 향후에도 같은 방향성을 유지될 것이라는 가정하고 현 시점에서의 좌표값에 영향을 받는 가정을 결합하여 시계열 특징인 계절형 특성과 같은 패턴 인식을 통해 시계열 패턴, 현재 시점에서 리소스 변화를 감지, 분석하여 장애를 쉽고 정확하게 예측할 수 있다.
또한, 본 발명에 따른 통신 시스템에서 장애 예측 장치 및 방법은 시스템에서 검출되는 지표에 의해 영향을 받는 성능 리소스의 지표를 통해 TPS, MEM, CPU의 성능을 추정하고, 같은 지표의 값은 시간에 따라 발생하는 영향을 시간에 따라 검출된 지표값과 예측하고자 하는 리소스의 목표값을 Training data로 하여 Learning Algorithm A에 적용하여 현재 시계열 지표로 미래의 목표값을 추정하여 장애 유형, 장애 패턴을 예측함으로서 장치의 사용상 편리성을 극대화할 수 있다.
또한, 본 발명에 따른 통신 시스템에서 장애 예측 장치 및 방법은 패턴성향이 강한 목표값 및 지표값의 시계열 데이터를 예측하기 위해 시계열 패턴을 해석하고 과거 지표들로 목표값 예측 영향을 적용한 LSTM(Long Short Term Memory)방법을 통해 과거 데이터 해석의 희석을 방지하고 패턴 인식을 통해 현재 시점에서 리소스 변화를 감지, 분석하여 효율적인 장애 패턴을 예측할 수 있다.
도 1은 종래의 RNN 방식의 시계열 데이터 예측 모델
도 2는 종래의 LSTM 방식의 시계열 데이터 예측 모델
도 3은 통상의 Learning Algorithm의 시계열 지표 목표값 추정절차를 도시한 상태도
도 4는 본 발명에 따른 통신 시스템에서 장애 예측 장치의 블록도
도 5는 도 4의 통신 시스템에서 장애 예측 장치의 개략적인 구성도
도 6은 본 발명에 따른 통신 시스템에서 장애 예측 방법을 도시한 흐름도
도 7은 본 발명에 따른 Pattern-convolution LSTM의 진행상태를 도시한 상태도
도 8은 도 7의 이미지 패턴 생성부의 리소스 시계열 그래프를 도시한 상태도
도 9는 도 6의 통신 시스템에서 장애 예측 방법 중 이미지 패턴 생성부의 절차를 도시한 흐름도
도 10은 도 6의 통신 시스템에서 장애 예측 방법 중 지표 벡터 생성부의 절차를 도시한 흐름도
도 11은 도 6의 통신 시스템에서 장애 예측 장치 중 보정부의 절차를 도시한 절차도
이하, 본 발명의 바람직한 실시 예의 상세한 설명은 첨부된 도면들을 참조하여 설명할 것이다. 하기에서 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
일반적으로 통신 시스템의 경우 시스템의 리소스 성능을 나타내는 지표인 TPS(transaction per second), 메모리, CPU의 리소스 사용하여 시계열 데이터로 표현될 수 있는데, 상기 성능 리소스는, 시스템에서 검출되는 지표(NewProcesses, DiskWrittenBlocks, eth0_trans_pkts, o_recv_pkts, SwapOutCounter 등)에 의해 영향을 받으며 이 지표들로 향 후 TPS, MEM, CPU의 성능을 추정할 수 있다.
또한, 위와 같은 지표의 값은 시간에 따라 영향을 받으며 시간에 따라 검출된 지표값과 목표값(예측하고자 하는 리소스)을 Training data로 하여 Learning Algorithm A에 적용하여 현재 시계열 지표로 미래의 목표값을 추정하게 된다.
첨부된 도 3에 도시된 Learning Algorithm은 X1은 특정시점 t1에서의 시스템 지표들의 매트릭스이며 y1는 t1에서의 리소스 사용률 의미한다.
따라서, X1 ~ Xn 연속된 t1 ~ tn에서 검출된 지표 데이터다.
Learning Algorithm은 RNN, LSTM이며 고적으로 ML(Multivariate linear regression)있다.
상기와 같은 시간에 따른 패턴을 유지하는 경향이 컴퓨터, 서버 등의 통신 시스템 리소스를 통해 사용율을 예측하는 것에 제한 있는데, 본 발명의 통신 시스템에서 장애 예측 장치는 주기적인 패턴이 시간에 따라 변화하는 유형이 향후에도 같은 방향성을 유지될 것이라는 가정과 또한 현 시점에서의 지표값에 영향을 받는다는 가정을 결합하여 시스템의 장애 예측 방법을 하게 된다.
도 4는 본 발명에 따른 통신 시스템에서 장애 예측 장치의 블록도이고, 도 5는 본 발명의 통신 시스템에서 장애 예측 장치의 개략적인 구성도를 나타내는데, 본 발명의 통신 시스템의 장애 예측 장치(100)는 크게 제어부(110), 입력부(120), 이미지 패턴 생성부(130), 지표 벡터 생성부(140), 통합부(150) 및 보정부(160)를 포함하여 구성된다.
이하, 첨부된 도 4 내지 도 5를 참조하여 본 발명에 따른 통신 시스템의 장애 예측 장치(100)의 세부구성 및 동작을 살펴보면, 우선 상기 제어부(110)는 예측하고자 하는 시계열 데이터 자료로 입력된 리소스의 반복적 패턴을 시간 블록으로 구분, 분리하고 순서화한 후, 다음 발생할 이미지를 새로운 블록으로 생성하여 목표 시계열 데이터로 전환한 후, 검출된 지표 벡터의 현재부터 과거 데이터를 기초로 추정, 예측하여 두 예측값을 통합하여 목표값을 예측하여 장애 여부를 판단하도록 장애 예측 장치(100)의 제반적인 동작을 제어한다.
상기 입력부(120)는 통신 시스템의 장애 예측을 위해 통신 시스템을 통해 예측하고자 하는 리소스 데이터를 수신하여 저장부에 저장하여 이미지 패턴, 지표 벡터 데이터를 기초로 추정, 예측이 제공되도록 필요 리소스 데이터를 제공한다.
상기 이미지 패턴 생성부(130)는 상기 제어부(110)의 제어신호에 반응하여 입력부(120)을 통해 수신된 예측하고자 하는 시계열 데이터 자료로 입력된 리소스 또는 시스템의 CPU, 메모리 사용량의 데이터를 현 시점에서 과거 시계열 데이터를 블록단위로 이미지화하고 이미지화된 시계열 자료의 반복된 패턴을 시간 블록을 구분하고 시계열의 패턴에 따른 단위 시간을 지정하고 단위시간 간격으로 이미지 블록으로 분리, 순서화한 후 발생할 이미지를 다음 이미지 블록으로 새롭게 생성하여 목표 시계열 데이터로 전환한다.
보다 세부적으로 상기 이미지 패턴 생성부(130)는 패턴구간(w) 내에 예측하고자 하는 구간에 존재 여부를 확인하고 만약 해당 패턴구간에 존재하면 이미지 생성된 패턴을 이용하여 예측한 패턴을 이미지 배열로 전환하고 t+n번째 예측값을 조회하여 해당 예측값을 출력하거나, 만약 패턴구간(w) 내에 예측하고자 하는 구간에 존재하지 않으면 신규 유입된 목표값으로 이미지 패턴을 생성하고 새로 생성된 패턴을 포함한 최근 패턴 벡터를 이용하여 다음 패턴을 예측하여 생성 패턴으로 이용되도록 전송하고 이를 예측한 패턴을 이미지 배열로 전환하고 t+n번째 예측값을 조회하여 해당 예측값을 출력하여 이미지 패턴을 생성한다.
상기 지표 벡터 생성부(140)는 상기 제어부(110)의 제어신호에 반응하여 예측하고자 하는 시계열 데이터 자료로 입력된 리소스 또는 시스템의 CPU, 메모리 사용량의 데이터의 검출된 지표들의 현재부터 과거 데이터를 기초하여 예측한다.
상기 지표 벡터 생성부(140)는 예측을 위한 현재부터 과거까지의 검출된 과거데이터를 이용하여 미래의 예측값을 추정하고 같은 형태로 미래의 지표 벡터를 예측한다.
즉, 상기 지표 벡터 생성부(140)는 예측 구간(t+n)과 예측지표(X0 ~ Xt)에 대해 지표 벡터를 예측할 경우, 지표 벡터 생성부(140)에 기 예측된 Xt +i+1 추가 및 Xi -1 삭제 정보가 입력되면 정의구간(0 ~ t)의 예측 변수 벡터 X0+i ~ Xt +i를 준비하고 LSTM으로 예측값 Yt +i+1 예측값을 생성한 후, 생성된 예측 범위가 최대 범위(n)에 이르면 예측을 종료하고, 최대범위에 이르지 못하면 LSTM으로 예측 변수 Xt +i+1 예측값을 생성하여 첫 정의구간으로 반복하여 예측값을 생성하여 지표 벡터를 생성하게 된다.
상기 통합부(150)는 상기 제어부(110)의 제어신호에 따라 상기 이미지 패턴 생성부(130)에서 새롭게 생성되어 목표 시계열 데이터로 전환된 이미지 블록의 예측값과 상기 지표 벡터 생성부(140)에서 현재부터 과거 데이터를 기초로 예측된 지표 벡터의 예측값을 연결하여 실 목표 예측값으로 예측한다.
상기 보정부(160)는 상기 제어부(110)의 제어신호에 의해 상기 통합부(150)를 통해 예측된 실 목표 예측값에 대해 현재 시계열 지표로 미래의 목표값이 추정되도록 보정한다.
즉, 상기 보정부(160)는 시간에 따라 검출된 지표값과 목표값을 Traing data로 하여 Learning Algorithm A에 적용하여 현재 시계열 지표로 미래의 목표값이 추정되도록 보정되도록 한다.
도 6은 본 발명에 따른 통신 시스템에서 장애 예측 방법을 도시한 흐름도이고, 도 7은 본 발명에 따른 Pattern-convolution LSTM의 진행상태를 도시한 상태도이며, 도 8은 도 7의 이미지 패턴 생성부의 리소스 시계열 그래프를 도시한 상태도이고, 도 9는 도 6의 통신 시스템에서 장애 예측 방법 중 이미지 패턴 생성부의 절차를 도시한 흐름도이며, 도 10은 도 6의 통신 시스템에서 장애 예측 방법 중 지표 벡터 생성부의 절차를 도시한 흐름도이고, 도 11은 도 6의 통신 시스템에서 장애 예측 장치 중 보정부의 절차를 도시한 절차도를 나타낸다.
이하, 첨부된 도 4 내지 도 11을 참조하여 본 발명에 따른 통신 시스템에서 장애 예측 방법 및 세부절차를 살펴보면, 먼저, 상기 통신 시스템의 장애 예측을 위해 통신 시스템을 통해 예측하고자 하는 리소스 데이터를 수신하여, 수신된 리소스 데이터 또는 시스템의 CPU, 메모리 사용량의 데이터를 불러 온다.(S100 단계)
이후, 상기 이미지 패턴 생성부(130)는 예측하고자 하는 리소스, CPU, 메모리 사용량의 데이터를 현 시점에서 과거 시계열 데이터를 블록단위로 이미지화하고 이미지화된 시계열 자료의 반복된 패턴을 시간 블록을 구분하고 시계열의 패턴에 따른 단위 시간을 지정하고 단위시간 간격으로 이미지 블록으로 분리, 순서화한 후 발생할 이미지를 다음 이미지 블록으로 새롭게 생성하여 목표 시계열 데이터로 전환하여 이미 패턴을 예측한다.(S200 단계)
첨부된 도 8에 도시된 바와 같이 이미지 패턴 생성부(130)는 예측하고자 하는 서버의 리소스, 예를 들면 WAS에서의 TPS(transaction per second) 또는 CPU, 메모리 사용량 등에 대한 현 시점에서 과거 시계열 데이터 자료를 그래프처럼 이미지화 하고, 이미지화된 시계열 자료의 반복적 패턴을 시간 블록으로 구분하여 시계열의 패턴을 가장 잘 설명하는 w단위 시간을 찾고, 시계열 이미지를 단위 시간 w간격으로 이미지 블록으로 분리하고 순서화 한다.
이후, 이미지 블록화한 후 다음 발생할 이미지를 convolutional LSTM으로 예측하여 새로운 이미지 블록(It+w+1~t+1)을 생성한다.
Figure pat00001
새롭게 생성된 이미지를 다시 목표 시계열 데이터로 전환한다.
Figure pat00002

상기에 의해 생성된 새로운 이미지 블록은 첨부된 도 7에서 도시된 바와 같이 상기 이미지 패턴 생성부(130)에 예측된 이미지 패턴이 LSTM 상에 이미지 블록으로 분리, 순서화된 상태를 확인할 수 있다.
보다 상세하게 상기 이미지 패턴 생성부(130)는 첨부된 도 9에서 제시된 바와 같이 패턴구간(w) 내에 예측하고자 하는 구간에 존재 여부를 확인하고 만약 해당 패턴구간에 존재하면 이미지 생성된 패턴을 이용하여 예측한 패턴을 이미지 배열로 전환하고 t+n번째 예측값을 조회하여 해당 예측값을 출력하게 된다.
만약 패턴구간(w) 내에 예측하고자 하는 구간에 존재하지 않으면 신규 유임된 목표값으로 이미지 패턴을 생성하고 새로 생성된 패턴을 포함한 최근 패턴 벡터를 이용하여 다음 패턴을 예측하여 생성 패턴으로 이용되도록 전송하고 이를 예측한 패턴을 이미지 배열로 전환하고 t+n번째 예측값을 조회하여 해당 예측값을 출력하게 된다.
이후, 상기 지표 벡터 생성부(140)는 예측하고자 하는 시계열 데이터 자료로 입력된 리소스, CPU, 메모리 사용량의 데이터의 검출된 지표들의 현재부터 과거 데이터를 기초하여 예측을 위한 현재부터 과거까지의 검출된 과거데이터를 이용하여 미래의 예측값을 추정하고 같은 형태로 미래의 지표 벡터를 예측한다.(S300 단계)
상기 지표 벡터 생성부(140)는 예측하고자 하는 서버의 리소스(TPS, CPU, 메모리 사용량) 등은 검출된 지표들의 현재부터 과거 자료에 의해 예측을 하게 되는데, 현 시점에서 지표들의 값을 X라 가정하고 시점 i에서 검출된 자료들의 값을 Xi 한다.
즉, 현재 시점 t에서 검출된 Xt 부터 t-n에서 검출된 Xt-n 까지의 과거 데이터를 이용하여 Xt+1의 값을 추정하고 같은 형태로 Xt+w 까지 예측한다
Figure pat00003

보다 상세하게 상기 지표 벡터 생성부(140)는 첨부된 도 10에서 제시된 바와 같이 예측 구간(t+n)과 예측지표(X0 ~ Xt)에 대해 지표 벡터를 예측할 경우, 지표 벡터 생성부(140)에 기 예측된 Xt +i+1 추가 및 Xi -1 삭제 정보가 입력되면 정의구간(0 ~ t)의 예측 변수 벡터 X0+i ~ Xt +i를 준비하고 LSTM으로 예측값 Yt +i+1 예측값을 생성한 후, 생성된 예측 범위가 최대 범위(n)에 이르면 예측을 종료하고, 최대범위에 이르지 못하면 LSTM으로 예측 변수 Xt +i+1 예측값을 생성하여 첫 정의구간으로 반복하여 예측값을 생성한다.
상기에 의해 생성된 벡터 지표는 첨부된 도 7에서 도시된 바와 같이 상기 지표 벡터 생성부(140)에 예측된 지표 벡터가 LSTM 상에 상태를 확인할 수 있다.
이후, 상기 통합부(150)는 상기 이미지 패턴 생성부(130)에서 새롭게 생성되어 목표 시계열 데이터로 전환된 이미지 블록의 예측값과 상기 지표 벡터 생성부(140)에서 현재부터 과거 데이터를 기초로 예측된 지표 벡터의 예측값을 연결하여 실 목표 예측값으로 예측한다.(S400 단계)
즉, 상기 통합부(150)는 두 예측값인 이미지 패턴에서 획득한
Figure pat00004
과 시계열 지표 벡터 예측을 Neural Network으로 연결하여 그 예측 결과를 실 목표 예측값으로 한다.
Figure pat00005
상기에 의해 상기 통합부(150)에 통합된 목표값은 첨부된 도 7에서 도시된 바와 같이 LSTM 상에 상태를 확인할 수 있다.
상기 절차에 의해 예측된 목표값에 대해 상기 보정부(160)를 통해 예측된 실 목표 예측값에 대해 현재 시계열 지표로 미래의 목표값이 추정되도록 보정한다.(S500 단계)
한편, 상기 이미지 패턴 생성, 지표 벡터 생성 및 통합은 각각 별도 LSTM 및 MLP(MultiLayer Perceptron) Learning method에 따라 진행된다.
이상과 같이, 본 명세서와 도면에는 본 발명의 바람직한 실시 예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
100 : 장애 예측 장치
110 : 제어부
120 : 입력부
130 : 이미지 패턴 생성부
140 : 지표 벡터 생성부
150 : 통합부
160 : 보정부

Claims (4)

  1. 예측하고자 하는 시계열 데이터 자료로 입력된 리소스의 반복적 패턴을 시간 블록으로 구분, 분리하고 순서화한 후, 다음 발생할 이미지를 새로운 블록으로 생성하여 목표 시계열 데이터로 전환한 후, 검출된 지표 벡터의 현재부터 과거 데이터를 기초로 추정, 예측하여 두 예측값을 통합하여 목표값을 예측하여 장애여부를 판단하도록 장애 예측 장치의 제반적인 동작을 제어하는 제어부(110),
    예측하고자 하는 시계열 데이터 자료로 입력된 리소스 또는 시스템의 CPU, 메모리 사용량의 데이터를 현 시점에서 과거 시계열 데이터를 블록단위로 이미지화하고 이미지화된 시계열 자료의 반복된 패턴을 시간 블록을 구분하고 시계열의 패턴에 따른 단위 시간을 지정하고 단위시간 간격으로 이미지 블록으로 분리, 순서화한 후 발생할 이미지를 다음 이미지 블록으로 새롭게 생성하여 목표 시계열 데이터로 전환하는 이미지 패턴 생성부(130),
    상기 제어부(110)의 제어신호에 반응하여 예측하고자 하는 시계열 데이터 자료로 입력된 리소스 또는 시스템의 CPU, 메모리 사용량의 데이터의 검출된 지표들의 현재부터 과거 데이터를 기초하여 예측을 위한 현재부터 과거까지의 검출된 과거데이터를 이용하여 미래의 예측값을 추정하고 같은 형태로 미래의 지표 벡터를 예측하는 지표 벡터 생성부(140),
    상기 이미지 패턴 생성부(130)에서 새롭게 생성되어 목표 시계열 데이터로 전환된 이미지 블록의 예측값과 상기 지표 벡터 생성부(140)에서 현재부터 과거 데이터를 기초로 예측된 지표 벡터의 예측값을 연결하여 실 목표 예측값으로 예측하는 통합부(150) 및
    상기 제어부(110)의 제어신호에 의해 상기 통합부(150)를 통해 예측된 실 목표 예측값에 대해 현재 시계열 지표로 미래의 목표값이 추정되도록 하는 보정부(160)을 포함하여 구성되는 것을 특징으로 하는 통신 시스템에서 장애 예측 장치.
  2. 제 1 항에 있어서,
    상기 이미지 패턴 생성부(130)는 패턴구간(w) 내에 예측하고자 하는 구간에 존재 여부를 확인하고 만약 해당 패턴구간에 존재하면 이미지 생성된 패턴을 이용하여 예측한 패턴을 이미지 배열로 전환하고 t+n번째 예측값을 조회하여 해당 예측값을 출력하거나, 만약 패턴구간(w) 내에 예측하고자 하는 구간에 존재하지 않으면 신규 유입된 목표값으로 이미지 패턴을 생성하고 새로 생성된 패턴을 포함한 최근 패턴 벡터를 이용하여 다음 패턴을 예측하여 생성 패턴으로 이용되도록 전송하고 이를 예측한 패턴을 이미지 배열로 전환하고 t+n번째 예측값을 조회하여 해당 예측값을 출력하고,
    상기 지표 벡터 생성부(140)는 예측 구간(t+n)과 예측지표(X0 ~ Xt)에 대해 지표 벡터를 예측할 경우, 지표 벡터 생성부(140)에 기 예측된 Xt +i+1 추가 및 Xi -1 삭제 정보가 입력되면 정의구간(0 ~ t)의 예측 변수 벡터 X0+i ~ Xt +i를 준비하고 LSTM으로 예측값 Yt +i+1 예측값을 생성한 후, 생성된 예측 범위가 최대 범위(n)에 이르면 예측을 종료하고, 최대범위에 이르지 못하면 LSTM으로 예측 변수 Xt +i+1 예측값을 생성하여 첫 정의구간으로 반복하여 예측값을 생성하도록 구성되는 것을 특징으로 하는 통신 시스템에서 장애 예측 장치.
  3. 예측하고자 하는 리소스 데이터를 수신하여, 수신된 리소스 데이터 또는 시스템의 CPU, 메모리 사용량의 데이터를 불러오는 제 1 과정;
    예측하고자 하는 리소스, CPU, 메모리 사용량의 데이터를 현 시점에서 과거 시계열 데이터를 블록단위로 이미지화하고 이미지화된 시계열 자료의 반복된 패턴을 시간 블록을 구분하고 시계열의 패턴에 따른 단위 시간을 지정하고, 단위시간 간격으로 이미지 블록으로 분리, 순서화한 후 발생할 이미지를 다음 이미지 블록으로 새롭게 생성하여 목표 시계열 데이터로 전환하여 이미 패턴을 예측하는 제 2 과정;
    예측하고자 하는 시계열 데이터 자료로 입력된 리소스, CPU, 메모리 사용량의 데이터의 검출된 지표들의 현재부터 과거 데이터를 기초하여 예측을 위한 현재부터 과거까지의 검출된 과거데이터를 이용하여 미래의 예측값을 추정하고 미래의 지표 벡터를 예측하는 제 3 과정;
    이미지 패턴 생성부에서 새롭게 생성되어 목표 시계열 데이터로 전환된 이미지 블록의 예측값과 지표 벡터 생성부에서 현재부터 과거 데이터를 기초로 예측된 지표 벡터의 예측값을 연결하여 실 목표 예측값을 예측하는 제 4 과정; 및
    통합부에 의해 예측된 실 목표 예측값에 대해 시간에 따라 검출된 지표값과 목표값을 현재 시계열 지표로 미래의 목표값이 추정되도록 보정하는 제 5 과정;을 포함하여 구성되는 것을 특징으로 하는 통신 시스템에서 장애 예측 방법.
  4. 제 3 항에 있어서,
    상기 제 2 과정은
    TPS(transaction per second),CPU, 메모리 사용량의 리소스 데이터에 대해 현 시점에서 과거 시계열 데이터 자료를 그래프처럼 이미지화 단계;
    이미지화된 시계열 자료의 반복적 패턴을 시간 블록으로 구분하여 시계열의 패턴의 단위 시간을 찾고, 시계열 이미지를 단위 시간 간격으로 이미지 블록으로 분리하고 순서화하는 단계;
    이미지 블록화한 후 다음 발생할 이미지를 convolutional LSTM으로 예측하여 새로운 이미지 블록을 생성하는 단계; 및
    새롭게 생성된 이미지를 다시 목표 시계열 데이터로 전환하는 단계를 더 포함하여 구성되는 것을 특징으로 하는 통신 시스템에서 장애 예측 방법.
KR1020160104062A 2016-08-17 2016-08-17 통신 시스템에서 장애 예측 장치 및 방법 KR101878320B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160104062A KR101878320B1 (ko) 2016-08-17 2016-08-17 통신 시스템에서 장애 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160104062A KR101878320B1 (ko) 2016-08-17 2016-08-17 통신 시스템에서 장애 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20180020334A true KR20180020334A (ko) 2018-02-28
KR101878320B1 KR101878320B1 (ko) 2018-07-17

Family

ID=61401054

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160104062A KR101878320B1 (ko) 2016-08-17 2016-08-17 통신 시스템에서 장애 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101878320B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102068622B1 (ko) * 2019-03-14 2020-01-21 차수정 이기종 네트워크 보안시스템을 위한 빅데이타 분석기반의 지능형 장애예측 시스템
KR20200063943A (ko) * 2018-11-23 2020-06-05 포항공과대학교 산학협력단 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0176850B1 (ko) * 1995-10-26 1999-05-15 구자홍 계층적 지능형 예측장치
US7124055B2 (en) * 2000-09-25 2006-10-17 Group 1 Software, Inc. Time series analysis and forecasting program
KR101538758B1 (ko) * 2014-05-19 2015-07-27 주식회사 디리아 정보 통신 시스템에서의 장애 예측 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0176850B1 (ko) * 1995-10-26 1999-05-15 구자홍 계층적 지능형 예측장치
US7124055B2 (en) * 2000-09-25 2006-10-17 Group 1 Software, Inc. Time series analysis and forecasting program
KR101538758B1 (ko) * 2014-05-19 2015-07-27 주식회사 디리아 정보 통신 시스템에서의 장애 예측 장치 및 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
1. 장애 발생에 대한 손실 예측 방법 및 서버(Losses due to failure prediction method and server)(특허등록번호 제10-1401630)
2. 공정 제어 네트워크에서의 장애 예측 방법 및 장치(Method and Apparatus for Predicting Error in Process Control Network)(특허등록번호 제10-1027242호)
3. 방송시스템에서 발생되는 장애를 분석하고 예측하는 방법 및 장치(Method for analyzing and predicting error generated in broadcasting system and apparatus therefor)(특허등록번호 제10-0818493호)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200063943A (ko) * 2018-11-23 2020-06-05 포항공과대학교 산학협력단 기계학습을 적용한 가상 네트워크 기능 자원의 수요 예측 방법
KR102068622B1 (ko) * 2019-03-14 2020-01-21 차수정 이기종 네트워크 보안시스템을 위한 빅데이타 분석기반의 지능형 장애예측 시스템

Also Published As

Publication number Publication date
KR101878320B1 (ko) 2018-07-17

Similar Documents

Publication Publication Date Title
JP2020017952A (ja) 警告するための方法と装置
JP6609050B2 (ja) 時間的因果グラフにおける異常フュージョン
KR101876051B1 (ko) 기계 학습 시스템 및 그의 사용자 제어 패턴 학습 방법
Le Nguyen et al. Deep convolutional LSTM network-based traffic matrix prediction with partial information
Ding Stabilization of linear systems over networks with bounded packet loss and its use in model predictive control
CN113037577B (zh) 网络流量预测方法、装置和计算机可读存储介质
US10965542B2 (en) Management apparatus, management method and non-transitory computer-readable storage medium for storing management program
KR20180130925A (ko) 머신 러닝을 위한 학습 이미지를 자동 생성하는 인공 지능 장치 및 그의 제어 방법
KR102038703B1 (ko) 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템
US20220156574A1 (en) Methods and systems for remote training of a machine learning model
CN112416602B (zh) 一种分布式数据流资源弹性伸缩增强插件及增强方法
JP2020123269A (ja) 演算装置
KR101878320B1 (ko) 통신 시스템에서 장애 예측 장치 및 방법
WO2017033443A1 (ja) 渋滞予測システム、渋滞予測方法、及び、記録媒体
JP2021184139A (ja) 管理計算機、管理プログラム、及び管理方法
CN109918280B (zh) 一种伺服系统的健康管理方法和装置
WO2021210353A1 (ja) 故障予兆システム
RU2450335C1 (ru) Способ распределенного контроля и адаптивного управления многоуровневой системой и устройство для его осуществления
CN116909712A (zh) 基于机器学习的智能任务调度系统及其方法
EP4235507A1 (en) Automatically quantifying an uncertainty of a prediction provided by a trained regression model
JP6945029B2 (ja) スパースセンサ測定値を用いる機器の予測保守システム
CN106533730B (zh) Hadoop集群组件指标的采集方法及装置
Otoshi et al. Flexible updating of attractors in virtual network topology control with bayesian attractor model
JP2018147103A (ja) モデル学習装置、制御量算出装置、及びプログラム
CN111095868A (zh) 软件定义网络中的数据流量管理

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant