KR20180120558A - 딥러닝 기반 통신망 장비의 장애 예측 시스템 및 방법 - Google Patents
딥러닝 기반 통신망 장비의 장애 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR20180120558A KR20180120558A KR1020170138621A KR20170138621A KR20180120558A KR 20180120558 A KR20180120558 A KR 20180120558A KR 1020170138621 A KR1020170138621 A KR 1020170138621A KR 20170138621 A KR20170138621 A KR 20170138621A KR 20180120558 A KR20180120558 A KR 20180120558A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- failure
- equipment
- information
- flow
- Prior art date
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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/026—Capturing of monitoring data using flow identification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
Abstract
유무선 통신망을 구성하는 장비들의 장애를 예측하는 시스템으로서, 통신망 장비들을 통해 전송되는 신호 및 데이터 트래픽의 메시지 패킷들을 플로우 단위로 그룹핑하고, 그룹핑된 패킷들로부터 장애 예측 모델에서 요구되는 정규화 항목들의 값을 추출하여 플로우 단위의 정규화 데이터를 생성하는 데이터 전처리부, 상기 데이터 전처리부에서 생성한 정규화 데이터를 기초로 상기 장애 예측 모델을 위한 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 상기 장애 예측 모델을 학습시키는 학습부, 그리고 상기 학습부에서 학습된 상기 장애 예측 모델을 이용하여 예측용 데이터에 관계된 통신망 장비의 장애 정보를 획득하는 장애 예측부를 포함한다. 정규화 항목들은 해당 플로우의 시간 정보, 해당 플로우의 발신 장비와착신 장비 정보, 해당 플로우에서 전송된 메시지 정보, 그리고 해당 플로우에서 전송된 메시지에 대한 응답 정보 중에서 선택된 항목들을 포함한다.
Description
본 발명은 통신망 장비의 장애 예측에 관한 것이다.
최근 인공지능에 대한 관심과 연구가 활발히 진행되고 있다. 특히 컴퓨팅 파워의 놀라운 발전과 딥러닝 기술의 출현으로 인공지능 기술의 정확도가 획기적으로 개선됨에 따라 다양한 분야에서 인공지능 기술을 활용하고자 하는 연구가 활발하게 진행되고 있다.
스마트폰으로 대표되는 모바일 혁명은 우리 생활에 커다란 변화를 가져오고 있는데, 이는 광대역 모바일 네트워크와 모바일 네트워크의 트래픽을 집선하고 라우팅하는 코어망이 안정적으로 구축 운용되고 있어야 가능하다. 유무선망에서 장애가 발생하면 스마트폰이나 pc에서 인터넷을 사용할 수 없으므로 커다란 불편을 초래한다.
유무선 통신망은 다양하고 많은 장비들이 구축 운용되고 있어서 장애 포인트들이 많다. 한 장비에서 장애가 발생하면 다른 장비로 파급되어 전체 서비스에 커다란 영향을 미칠 수 있다. 통신망 사업자는 망에서 장애가 발생하지 않도록 첨단 운용관리시스템 구축에 많은 투자를 하고 숙련된 운영자를 양성하기 위해 많은 노력을 기울이고 있다. 그러나 유무선 통신망은 수많은 장비들에서 배출되는 신호/트래픽 데이터가 하루에도 수 테라바이트(Tera Byte)에 이를 정도로 방대하다. 아무리 숙련된 운용자라도 방대한 데이터를 실시간 분석하여 장애를 예측하는 것은 불가능하다.
현재 기술은 망 장비들에서 제공하는 데이터를 가공하여 시간에 따른 추이를 분석하고 그래프로 보여 줌으로써 운용자의 장애 예측 판단을 지원하는 수준이기 때문에 예측의 정확도가 많이 떨어지는 단점이 있다. 또한 여러 요인들이 복합적으로 연관된 장애 예측은 숙련된 운용자라도 매우 어렵다.
본 발명이 해결하고자 하는 과제는 유무선 통신망에서 전송되는 신호 및 데이터 트래픽의 플로우 정보, 유무선 통신망을 구성하는 통신망 장비들의 상태 정보, 그리고 고객의 고장 신고 정보를 포함하는 각종 망 데이터를 수집하고, 수집한 망 데이터를 장애 예측 모델에서 요구되는 항목들로 정규화하는 시스템 및 방법을 제공하는 것입니다.
그리고 본 발명이 해결하고자 하는 과제는 정규화된 데이터를 이용하여 장애 예측 모델의 학습 데이터를 생성하고, 학습 데이터를 이용해 장애 예측 모델을 학습시킨 후, 학습된 장애 예측 모델을 기초로 통신망 장비의 장애를 예측하는 시스템 및 방법을 제공하는 것이다.
한 실시예에 따른 유무선 통신망을 구성하는 장비들의 장애를 예측하는 시스템으로서, 통신망 장비들을 통해 전송되는 신호 및 데이터 트래픽의 메시지 패킷들을 플로우 단위로 그룹핑하고, 그룹핑된 패킷들로부터 장애 예측 모델에서 요구되는 정규화 항목들의 값을 추출하여 플로우 단위의 정규화 데이터를 생성하는 데이터 전처리부, 상기 데이터 전처리부에서 생성한 정규화 데이터를 기초로 상기 장애 예측 모델을 위한 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 상기 장애 예측 모델을 학습시키는 학습부, 그리고 상기 학습부에서 학습된 상기 장애 예측 모델을 이용하여 예측용 데이터에 관계된 통신망 장비의 장애 정보를 획득하는 장애 예측부를 포함한다. 상기 정규화 항목들은 해당 플로우의 시간 정보, 해당 플로우의 발신 장비와착신 장비 정보, 해당 플로우에서 전송된 메시지 정보, 그리고 해당 플로우에서 전송된 메시지에 대한 응답 정보 중에서 선택된 항목들을 포함한다.
상기 데이터 전처리부는 상기 플로우 단위의 정규화 데이터를 발신 장비와 착신 장비 쌍을 기준으로 일정 시간 단위로 누적하여 장비쌍별 플로우 정보를 생성하고, 상기 발신 장비와 상기 착신 장비 중 적어도 하나의 상태 정보, 그리고 상기 발신 장비와 상기 착신 장비 중 적어도 하나에 관련된 고객 고장 신고 정보를 상기 장비쌍별 플로우 정보에 통합하여 장비쌍 단위의 정규화 데이터를 생성할 수 있다. 상기 상태 정보와 상기 고객 고장 신고 정보 중에서 상기 장애 예측 모델에서 요구되는 정규화 항목들에 따라 해당 값이 추출될 수 있다.
상기 상태 정보 중 해당 장비에서 발생한 에러 로그 수가 상기 장애 예측 모델에서 요구되는 정규화 항목이고, 상기 고객 고장 신고 정보 중에서 고객 고장 신고 건수가 상기 장애 예측 모델에서 요구되는 정규화 항목일 수 있다.
상기 학습부는 상기 정규화 데이터 중 적어도 일부 정규화 항목에 해당하는 데이터를 상기 장애 예측 모델의 입력 데이터로 추출하고, 상기 입력 데이터로부터 예측하고자 하는 적어도 하나의 장애 정보를 출력 데이터로 설정하여 상기 학습 데이터를 생성할 수 있다.
상기 출력 데이터는 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나의 장애 등급 정보를 포함할 수 있다.
상기 출력 데이터는 상기 입력 데이터에 대응된 시점보다 일정 시간 이후에, 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에서 장애 사전 징후 데이터가 임계치를 초과하는지를 나타내는 값을 포함할 수 있다.
상기 장애 사전 징후 데이터는 상기 입력 데이터에 관계된 발신 장비와 착신 장비에서 전송된 메시지의 전송 실패 건수, 전송된 메시지에 대한 응답 정보, 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에서 발생한 에러 로그 수, 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에 관련된 고객 고장 신고 건수 중 적어도 하나를 포함할 수 있다.
상기 학습 데이터가 순환 신경망 기반 장애 예측 모델의 학습에 사용되는 경우, 상기 출력 데이터는 상기 입력 데이터에 대응된 시점의 다음 주기에서 상기 순환 신경망 기반 장애 예측 모델에 입력되는 입력 데이터 중에서 선택될 수 있다.
상기 출력 데이터는 복수의 다음 주기들 각각의 입력 데이터 중에서 선택될 수 있다.
상기 학습부는 상기 장애 예측 모델에서 요구되는 정규화 항목들로 정규화된 테스트 데이터를 학습 중인 상기 장애 예측 모델로 입력하고, 상기 장애 예측 모델에서 출력된 결과값의 정확도를 평가하며, 상기 정확도가 목표값에 미치지 못하면, 상기 장애 예측 모델의 파라미터들을 재설정하여 학습을 계속할 수 있다.
상기 장애 예측부는 상기 장애 예측 모델에서 출력된 장애 정보를 기초로, 상기 예측용 데이터에 관계된 통신망 장비의 장애 여부를 판단하고, 기준에 따라 상기 예측용 데이터에 관계된 통신망 장비에 대한 장애 알람을 출력할 수 있다.
상기 장애 예측부는 상기 학습부에서 서로 다른 학습 데이터로 학습된 복수의 장애 예측 모델들각각에서 상기 예측용 데이터에 대한 장애 정보들을 획득하고, 획득한 장애 정보들을 기준에 따라 종합하여 상기 예측용 데이터에 관계된 통신망 장비의 장애 여부를 판단할 수 있다.
다른 실시예에 따라 장애 예측 시스템이 유무선 통신망을 구성하는 장비들의 장애를 예측하는 방법으로서, 통신망 장비들을 통해 전송되는 신호 및 데이터 트래픽의 메시지 패킷들을 플로우 단위로 그룹핑하고, 그룹핑된 패킷들로부터 컨볼루션 신경망 기반 장애 예측 모델의 입력 노드들에 해당하는 정규화 항목들의 값을 추출하여 정규화 데이터를 생성하는 단계, 상기 정규화 데이터를 기초로 상기 입력 노드들에 입력되는 입력 데이터를 결정하는 단계, 그리고 상기 장애 예측 모델에서 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나의 장애 등급 정보를 예측하도록 상기 장애 예측 모델을 학습시키는 단계를 포함한다. 상기 정규화 항목들은 해당 플로우의 시간 정보, 해당 플로우의 발신 장비와착신 장비 식별 정보, 해당 플로우에서 전송된 메시지 정보, 그리고 해당 플로우에서 전송된 메시지에 대한 응답 정보 중에서 선택된 항목들을 포함할 수 있다.
상기 정규화 데이터를 생성하는 단계는 해당 플로우를 전송하는 발신 장비와 착신 장비 중 적어도 하나의 상태 정보, 그리고 해당 플로우를 전송하는 발신 장비와 착신 장비 중 적어도 하나에 관련된 고객 고장 신고 정보에 해당하는 정규화 항목들을 더 포함하는 상기 정규화 데이터를 생성할 수 있다.
또 다른 실시예에 따라 장애 예측 시스템이 유무선 통신망을 구성하는 장비들의 장애를 예측하는 방법으로서, 통신망 장비들을 통해 전송되는 신호 및 데이터 트래픽의 메시지 패킷들을 플로우 단위로 그룹핑하고, 그룹핑된 패킷들로부터 컨볼루션 신경망 기반 장애 예측 모델의 입력 노드들에 해당하는 정규화 항목들의 값을 추출하여 정규화 데이터를 생성하는 단계, 상기 정규화 데이터를 기초로 상기 입력 노드들에 입력되는 입력 데이터를 결정하는 단계, 그리고 상기 입력 데이터에 대응된 시점보다 일정 시간 이후에, 상기 장애 예측 모델에서 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에서 장애 사전 징후 데이터가 임계치를 초과하는지를 예측하도록 상기 장애 예측 모델을 학습시키는 단계를 포함한다. 상기 정규화 항목들은 해당 플로우의 시간 정보, 해당 플로우의 발신 장비와착신 장비 식별 정보, 해당 플로우에서 전송된 메시지 정보, 그리고 해당 플로우에서 전송된 메시지에 대한 응답 정보 중에서 선택된 항목들을 포함할 수 있다.
상기 장애 사전 징후 데이터는 상기 입력 데이터에 관계된 발신 장비와 착신 장비에서 전송된 메시지의 전송 실패 건수, 전송된 메시지에 대한 응답 정보, 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에서 발생한 에러 로그 수, 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에 관련된 고객 고장 신고 건수 중 적어도 하나를 포함할 수 있다.
또 따른 실시예에 따른 장애 예측 시스템이 유무선 통신망을 구성하는 장비들의 장애를 예측하는 방법으로서, 통신망 장비들을 통해 전송되는 신호 및 데이터 트래픽의 메시지 패킷들을 플로우 단위로 그룹핑하고, 그룹핑된 패킷들로부터 순환 신경망 기반 장애 예측 모델의 입력 노드들에 해당하는 정규화 항목들의 값을 추출하여 정규화 데이터를 생성하는 단계, 상기 정규화 데이터를 기초로 상기 입력 노드들에 입력되는 입력 데이터를 결정하고, 현재 주기의 다음 주기에서 상기 장애 예측 모델에 입력되는 입력 데이터 중 적어도 일부 항목을 상기 현재 주기의 출력 데이터로 결정하여 학습 데이터를 생성하는 단계, 그리고 상기 학습 데이터를 이용하여 상기 장애 예측 모델을 학습시키는 단계를 포함한다. 상기 정규화 항목들은 해당 플로우의 시간 정보, 해당 플로우의 발신 장비와착신 장비 식별 정보, 해당 플로우에서 전송된 메시지 정보, 그리고 해당 플로우에서 전송된 메시지에 대한 응답 정보 중에서 선택된 항목들을 포함할 수 있다.
상기 현재 주기의 출력 데이터는 복수의 다음 주기들 각각의 입력 데이터 중에서 선택될 수 있다.
상기 정규화 데이터를 생성하는 단계는 해당 플로우를 전송하는 발신 장비와 착신 장비 중 적어도 하나의 상태 정보, 그리고 해당 플로우를 전송하는 발신 장비와 착신 장비 중 적어도 하나에 관련된 고객 고장 신고 정보에 해당하는 정규화 항목들을 더 포함할 수 있다.
상기 출력 데이터는 상기 메시지 정보에 포함된 메시지 전송 실패 건수, 그리고 상기 상태 정보에 포함된 발신 장비와 착신 장비 중 적어도 하나의 에러 로그 수 중 적어도 하나에 해당하는 항목으로 결정될 수 있다.
실시예에 따르면 학습된 장애 예측 모델을 기초로 통신망 장비에 관련된 데이터로부터 해당 통신망 장비의 장애를 정확히 예측할 수 있다. 실시예에 따르면 학습된 장애 예측 모델을 기초로 장비들 간의 상호 연관관계에 의해 발생하는 장애까지 예측할 수 있어서 장애 예측의 정확도를 획기적으로 개선할 수 있다. 실시예에 따르면 통신망 장비에서 발생한 알람/오류 정보뿐 아니라 고객으로부터 수집한 고장 신고를 포함하는 학습 데이터를 사용하여 장애 예측 모델을 학습시키므로 고객에게 미치는 장애 수준을 예측할 수 있다.
실시예에 따르면 유무선 통신망을 구성하는 장비들의 제조사, 기종, 버전 등이 상이하더라도 통신망 장비에 관련된 데이터를 동일한 포맷으로 정규화하여 학습 데이터를 생성할 수 있다.
도 1은 실시예에 따른 통신망 장비의 장애 예측 시스템의 구성도이다.
도 2는 실시예에 따른 신호 및 데이터 트래픽의 패킷들을 플로우 단위로 정규화한 플로우 정보의 예시이다.
도 3은 실시예에 따른 발신/착신 장비쌍을 기준으로 정규화한 데이터의 예시이다.
도 4는 실시예에 따른 컨볼루션 신경망 기반 장애 예측 모델의 예시이다.
도 5부터 도 7 각각은 실시예에 따른 장애 예측 모델의 학습 데이터 예시이다.
도 8은 일정 시간 이후 장애 사전 징후 데이터의 임계치 초과 여부를 예측하는 장애 예측 모델을 도식적으로 설명하는 도면이다.
도 9는 한 실시예에 따른 순환 신경망 기반 장애 예측 모델을 기초로 복수의 다음 주기들의 장애 사전 징후 데이터를 예측하는 방법을 설명하는 도면이다.
도 10은 한 실시예에 따른 장애 예측 모델을 학습시키는 방법의 흐름도이다.
도 11은 한 실시예에 따른 장애 예측 모델을 기초로 장애를 예측하는 방법의 흐름도이다.
도 2는 실시예에 따른 신호 및 데이터 트래픽의 패킷들을 플로우 단위로 정규화한 플로우 정보의 예시이다.
도 3은 실시예에 따른 발신/착신 장비쌍을 기준으로 정규화한 데이터의 예시이다.
도 4는 실시예에 따른 컨볼루션 신경망 기반 장애 예측 모델의 예시이다.
도 5부터 도 7 각각은 실시예에 따른 장애 예측 모델의 학습 데이터 예시이다.
도 8은 일정 시간 이후 장애 사전 징후 데이터의 임계치 초과 여부를 예측하는 장애 예측 모델을 도식적으로 설명하는 도면이다.
도 9는 한 실시예에 따른 순환 신경망 기반 장애 예측 모델을 기초로 복수의 다음 주기들의 장애 사전 징후 데이터를 예측하는 방법을 설명하는 도면이다.
도 10은 한 실시예에 따른 장애 예측 모델을 학습시키는 방법의 흐름도이다.
도 11은 한 실시예에 따른 장애 예측 모델을 기초로 장애를 예측하는 방법의 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 실시예에 따른 통신망 장비의 장애 예측 시스템의 구성도이고, 도 2는 실시예에 따른 신호 및 데이터 트래픽의 패킷들을 플로우 단위로 정규화한 플로우 정보의 예시이고, 도 3은 실시예에 따른 발신/착신 장비쌍을 기준으로 정규화한 데이터의 예시이고, 도 4는 실시예에 따른 컨볼루션 신경망 기반 장애 예측 모델의 예시이며, 도 5부터 도 7 각각은 실시예에 따른 장애 예측 모델의 학습 데이터 예시이다.
도 1을 참고하면, 장애 예측 시스템(100)은 통신망 장비 관련 데이터 수집부(간단히, "데이터 수집부"라고 한다)(110), 데이터 전처리부(130), 그리고 적어도 하나의 장애 예측 모델을 학습시키는 학습부(150)를 포함한다. 장애 예측 시스템(100)은 학습부(150)에서 생성된 적어도 하나의 장애 예측 모델을 이용하여 통신망 장비의 장애를 예측(추론)하는 장애 예측부(170)를 포함한다. 장애 예측 시스템(100)은 장애 원인 및 대응 방법을 저장하는 지식 데이터베이스(190)를 더 포함할 수 있다. 장애 예측 시스템(100)은 학습 모드에서 학습부(150)를 구동하여 데이터 전처리부(130)에서 정규화된 데이터를 기초로 적어도 하나의 장애 예측 모델을 학습시킬 수 있다. 장애 예측 시스템(100)은 운용 모드에서 장애 예측부(170)를 구동하여, 학습된 적어도 하나의 장애 예측 모델로 예측용 데이터를 입력하여 예측용 데이터에 관계된 통신망 장치에 대한 장애 정보를 획득할 수 있다. 예측용 데이터는 데이터 전처리부(130) 또는 장애 예측부(170)에서 정규화될 수 있다. 다른 실시예에 따르면, 학습부(150)와 장애 예측부(170)는 분리될 수 있으나, 본 발명에서는 동일한 시스템에 구현된 것으로 가정한다.
본 발명에서 "정규화"는 장애 예측 모델에서 입력 계층의 입력 노드들 또는 출력 계층의 출력 노드들에 할당(입력)되는 항목들에 대한 값을 생성하는 작업을 의미한다. 정규화된 데이터 또는 정규화 데이터는 장애 예측 모델에서 요구되는 항목들에 대한 값을 포함하는 데이터를 의미한다. 데이터 포맷 또는 정규화 포맷은 장애 예측 모델에서 요구되는 항목들의 조합을 의미한다.
데이터 수집부(110)는 장애 예측 모델을 학습시키기 위한 원시 데이터(raw data) 또는 장애 예측 모델로 장애를 예측하기 위한 원시 데이터를 수집한다. 구체적으로 데이터 수집부(110)는유무선 통신망에서 전송되는 신호 및 데이터 트래픽의 메시지 패킷들을 수집하고, 유무선 통신망을 구성하는 통신망 장비들의 상태 정보, 그리고 고객으로부터 접수된 고장 신고 정보를 더 수집할 수 있다. 앞으로, 유무선 통신망에서 전송되는 신호 및 데이터 트래픽의 메시지 패킷들, 통신망 장비들의 상태 정보, 그리고 고장 신고 정보를 "망 데이터"라고 부르는데, 망 데이터는 필요에 따라 통신망 장비들의 상태 정보나 고장 신고 정보가 포함되지 않을 수 있다. 망 데이터는 학습 데이터 생성을 위해 수집되는 학습용 망 데이터와, 실제 장애 예측을 위해 수집되는 예측용 망 데이터로 구분될 수 있다.
신호 및 데이터 트래픽의 패킷들은 통신망 장비들을 연결하는 경로에서 패킷들을 수집하는 수집기들로부터 획득할 수 있다. 여기서, 신호는 단말/가입자인증, IP 할당 망접속 인증, 위치이동, 베어러 생성/변경/삭제 등과 같이, 인증/설정 등을 위해 전송되는 메시지를 포함한다. 데이터 트래픽은 단말과 콘텐츠 서버 사이에서 TCP, UDP, HTTP 등으로 전송되고, 인터넷 브라우징 서비스, 소셜 미디어 서비스 등 각종 어플리케이션 사용으로 전송되는 메시지를 의미한다. 통신망 장비들의 상태 정보는 컴퓨팅 자원(예를 들면, CPU, 메모리, 디스크 등) 정보, 로그 정보(예를 들면, Syslog, error log 등), 알람 정보 등을 포함한다. 로그 정보(예를 들면, Syslog, error log 등)로부터 에러(Error)로 판단하기로 설정된 에러 로그 수가 계산될 수 있다.
컴퓨팅 자원 정보는 컴퓨팅 자원의 상태를 알 수 있는 다양한 정보를 포함하는데, 예를 들면, 사용량, 사용율, 부하 등을 나타낼 수 있다. 데이터 수집부(110)는 통신망 장비들의 상태 정보를 획득할 수 있는 장치들과 연결되는데. 예를 들면, 각 통신망 장비에 직접 연결되거나, 통신망 장비 관리 장치(예를 들면, Element Management System, EMS)에 연결되거나, 통신망 장비 관리 장치에 연결된 네트워크 관리 장치(Network Management System, NMS)에 연결될 수 있다.
데이터 수집부(110)는 고장 신고 접수 장치로부터 고장 신고 정보를 획득할 수 있다. 고장 신고 정보는 신고 시각, 고객명, 신고접수번호, 단말기종, 고장 서비스 종류 등을 포함할 수 있다. 고장 신고 정보로부터 해당 고장 신고에 연관된 통신망 장비가 추출될 수 있다.
데이터 전처리부(130)는 데이터 수집부(110)에서 수집된 신호 및 데이터 트래픽의 패킷들로부터 장애 예측 모델 학습에 사용되는 항목들에 해당하는 값을 추출하여 정규화 데이터를 생성한다.
먼저, 데이터 전처리부(130)는 수집된 패킷들을 플로우 단위로 그룹핑하고, 그룹핑된 패킷들을 정규화 항목으로 정규화하여 플로우 정보를 생성한다. 플로우 정보는 표 1과 같은 정규화 항목으로 구성될 수 있다. 장애 예측 모델에서 요구되는 정규화 항목은 상위 항목일 수 있고, 상위 항목을 구체화한 하위 항목일 수 있다.
| 플로우 정보 | 상위 항목 | 하위 상목/예시 |
| 플로우 시간 정보 | 플로우 시작 날짜 및 시작 시각 | |
| 플로우 종료 날짜 및 종료 시각 | ||
| 플로우 전송 장비 식별 정보 |
발신 장비 식별자 및 IP 주소 | |
| 착신 장비 식별자 및 IP 주소 | ||
| 플로우에서 전송된 메시지 정보 |
전송 메시지 종류(신호/데이터), 메시지명, 응답 요청 성공/실패 여부 |
|
| 플로우에서의 응답 정보 | 전송 메시지에 대한 응답 지연(delay), 응답 지터(jitter) |
표 1에서, 플로우 시간 정보는 플로우를 시간 단위로 분류 및 누적하기 위한정보로서, 플로우 시작 날짜 및 시작 시각, 플로우 종료 날짜 및 종료 시각을 포함할 수 있다.
플로우 전송 장비 식별 정보는 발신 장비와 착신 장비가 구분될 수 있고, 각장비 식별자(장비명)과 IP 주소로 구성될 수 있다. IP주소는 장비별로 디폴트로 1개가 부여되나, 동일 장비에 다수의 IP 주소가 부여되는 경우, IP 주소별로 구분하여 플로우 정보를 생성할 수 있다. 만약 통신망 장비가 식별자(장비명)만으로 구분되는 경우라면 식별자와 IP 주소 중 어느 하나로 장비 식별 정보를 구성할 수 있다.
플로우에서 전송된 메시지 정보는 전송 메시지 종류(신호/데이터), 메시지명, 응답 요청 성공/실패 여부 등을 포함할 수 있다. 메시지명은 신호 또는 데이터 종류별로 실제로 사용되는 메시지명을 나타내고, 응답 요청 성공/실패 여부는 메시지 전송에 대한 응답을 수신한 것인지를 나타낸다. 응답 요청 성공/실패 여부를 기초로 일정 시간 동안의 메시지 전송 시도, 전송 성공, 전송 실패 등의 수를 계산할 수 있다.
플로우에서의 응답 정보는 전송 메시지에 대한 응답 지연, 응답 지터를 포함할 수 있다.
도 2를 참고하면, 수집된 패킷들은 플로우 단위의 플로우 정보로 정규화된다. 예를 들면, 수집된 패킷들은 플로우#1부터 플로우#17로 그룹핑되고, 그룹핑된 패킷들을 통해 해당 플로우 정보가 추출된다. 예를 들어 플로우#1은 단말#1에서 1월1일 12시에 생성(전송 시작)하여 12시 1분 20초에 종료된 플로우로서, 패킷은 장비A에서 발신하여 장비B로 착신되며, 플로우에서 전송된 메시지 종류는 Sig#1인 신호이로서 요청 성공(1)했고, 응답 지연은 0.01ms이고, 응답 지터는 0.2라고 정규화된다.
수집된 패킷들을 플로우 단위로 정규화하여 플로우 정보를 생성하는 방법은 정규화 항목에 따라 달라질 수 있다. 표 1과 같은 항목으로 수집된 패킷들을 정규화하는 경우, 데이터 전처리부(130)는 패킷들에 포함된 식별 정보(예를 들면, 5튜플, 메시지 식별자 등)를 기초로, 패킷들을 플로우 단위로 분류한다. 또는 데이터 전처리부(130)는 패킷들에 포함된 식별 정보를 기초로 수집한 패킷들을 단말별로 분류한 후, 단말별로 분류된 패킷들 등을 플로우 단위로 분류할 수도 있다.
데이터 전처리부(130)는 단일 플로우로 분류된 패킷들 중에서 가장 빠른 타임스탬프를 추출하여 해당 플로우의 시작 시각으로 저장하고, 가장 늦은 타임스탬프를 추출하여 해당 플로우의 종료 시각으로 저장한다.
데이터 전처리부(130)는 플로우의 최초 메시지 전송 장비를 확인하여 해당 플로우의 발신 장비로 결정하고, 최초 메시지를 수신하는 장비를 해당 플로우의 착신 장비로 결정한다. 데이터 전처리부(130)는 플로우의 장비 정보에 발신/착신 장비명과 발신/착신장비 IP 주소를 저장한다.
데이터 전처리부(130)는 플로우에서 전송된 메시지 정보(신호/데이터, 메시지명, 요청 성공 여부), 플로우에서의 응답 정보를 저장한다.
도 3을 참고하면, 데이터 전처리부(130)는 플로우 단위로 정규화된 플로우 정보를 발신 장비와 착신 장비 쌍을 기준으로 일정 시간 단위(예를 들면 1분, 5분, 10분, 1시간 등)로 누적하여 장비쌍별 플로우 정보를 생성한다.
그리고, 데이터 전처리부(130)는 표 2와 같이, 장비쌍별 플로우 정보에, 일정 시간 동안 누적된 통신망 장비들의 상태 정보와 통신망 고객 고장 신고 정보에 관련된 통신망 장비를 통합하여 장비쌍 단위로 정규화된 정규화 데이터를 생성한다. 여기서, 장비 상태 정보는 일정 시간 단위 동안 발신 장비와 착신 장비에서 발생한 에러 로그 수일 수 있고, 발신 장비와 착신 장비가 구분되어 카운트될 수 있다. 고객 고장 신고 정보는 일정 시간 단위 동안 누적된 고객 고장 신고 건수일 수 있고, 고객 고장 신고 정보로부터 관련된 발신 장비와 착신 장비가 추출될 수 있다.
| 발신 장비와 착신 장비 쌍에 대한 정규화 데이터 | ||
| 일정 시간 동안의 플로우 정보 (발신 장비 식별자 및 IP 주소, 착신 장비 식별자 및 IP 주소, 메시지 종류(신호/데이터), 메시지명, 메시지 전송 시도/성공/실패 건 수, 응답 지연, 응답 지터) |
일정 시간 동안의 에러 로그 수 | 일정 시간 동안의 고객 고장 신고 건수 |
응답 지연과 응답 지터는 일정 시간 동안 생성된 플로우 정보들의 대푯값으로서, 예를 들면, 평균 또는 최고값일 수 있다.
이렇게 정규화된 항목으로 통합된 플로우 정보, 통신망 장비들의 상태 정보와 고객 고장 신고 정보가 학습 데이터로 사용된다. 일정 시간 단위는 장애 예측에 사용할 주기로서, 예를 들면 1분, 5분, 10분, 1시간 등으로 필요에 따라 조정될 수 있다.
학습부(150)는 데이터 전처리부(130)에서 생성한 장비쌍 단위의 정규화 데이터를 기초로 장애 예측 모델에 사용할 학습 데이터를 생성한다. 학습부(150)는 학습 데이터를 기초로 해당 장애 예측 모델을 학습 시킨다. 장애 예측 모델에 따라 학습 데이터는 다양하게 구성될 수 있다.
도 4를 참고하면, 컨볼루션 신경망(Convolutional Neural Network, CNN)으로 장비 장애 발생 여부를 예측하는 장애 예측 모델을 구현하는 경우, 표 3과 같은 항목의 입력 데이터 및 출력 데이터로 학습 데이터를 생성할 수 있다. 출력 데이터는 해당 입력 데이터를 구성하는 장비쌍에서의 실제 장애 발생 여부(장애 등급)를 나타내는데, 장애 등급에 따라 출력값이 구분될 수 있다. 이때, 출력 데이터는 네트워크 관리 장치(NMS)로부터 수집한 장비별 장애 등급 정보를 사용할 수 있다.
입력 데이터에 포함된 항목들은 컨볼루션 신경망의 입력 계층을 구성하는 노드에 할당되고, 출력 데이터에 포함된 값은 컨볼루션 신경망의 출력 계층을 구성하는 노드에 할당될 수 있다. CNN으로 장비 장애 발생 여부를 예측하는 장애 예측 모델의 학습 데이터의 예시는 도 5와 같다.
| CNN으로 장비 장애 발생 여부를 예측하는 장애 예측 모델의 학습 데이터 |
입력 데이터 | 시간 정보 |
| 발신 장비 식별자 및 IP주소 | ||
| 착신 장비 식별자 및 IP주소 | ||
| 메시지 종류 | ||
| 메시지명 | ||
| 메시지 전송 시도 건수 | ||
| 메시지 전송 실패 건수 | ||
| 응답 지연 | ||
| 응답 지터 | ||
| 발신 장비 및 착신 장비의 에러 로그 수 | ||
| 고객 고장 신고 건수 | ||
| 출력 데이터 (장비 장애 발생 여부) |
0: 정상 1: 1단계 장애(Minor) 2: 2단계 장애(Major) 3: 3단계 장애(critical) |
컨볼루션 신경망으로 일정 시간 이후 지정된 장애 사전 징후 데이터의 임계치 초과 여부를 예측하는 장애 예측 모델을 구현하는 경우, 표 4와 같은 항목의 입력 데이터 및 출력 데이터로 학습 데이터를 생성할 수 있다.
장애 사전 징후 데이터의 임계치 초과 여부를 예측하는 장애 예측 모델은 현재 시점에서 일정 시간(예를 들면, 30분, 1시간 등) 이후 또는 현재 시점 이후 일정 시간 동안에 장애 사전 징후 데이터가 임계치를 넘을 것인지 예측하는 모델이다. 여기서 장애 사전 징후 데이터는 다양하게 설정될 수 있는데, 예를 들면, 메시지 전송 실패 건수, 응답 지연 속도, 응답 지터, 장비의 에러 로그 수, 고객 고장 신고 건수 중에서 적어도 하나 선택될 수 있다. 임계치는 예측 시간대와 동일한 과거 시간대의 일정 기간(예를 들면, 6주, 12주 등) 동안의 평균값, 중간값, 최대/최소값 등을 기준으로 산출될 수 있고, 또는 특정값으로 고정될 수 있다. 출력 데이터는 해당 입력 데이터를 구성하는 장비쌍에서 실제로 일정 시간 이후 또는 일정 시간 동안 장애 사전 징후 데이터가 임계치를 초과했는지 나타내는데, 임계치 이하인 경우 "0"이고, 초과한 경우는 "1"으로 구분될 수 있다.
만약, 장애 사전 징후 데이터가 메시지 전송 실패 건수이고, 예측 구간인 일정 시간이 30분이라면, 표 4와 같은 항목의 입력 데이터 및 출력 데이터로 학습 데이터를 생성할 수 있다. 출력 데이터는 현재 시점에서 앞으로 30분 이내에 메시지 전송 실패 건수가 임계치를 초과하였는지를 나타낸다. CNN으로 30분 이내 장애 사전 징후 데이터의 임계치 초과 여부를 예측하는 장애 예측 모델의 학습 데이터의 예시는 도 6과 같다. 예를 들면, 12시45분의 실패 임계치가 "8"인 경우, 12시45분으로부터 30분 이내인 12시50분부터 13시15분까지의 메시지 전송 실패 건수를 확인하는데, 13시15분의 실패 건수가 12시45분의 실패 임계치 "8"이상이므로, 12시45분의 출력 데이터 값은 "1"이된다. 12시50분 및 12시55분 역시, 실패 임계치가 "8"이고, 30분 이내에 메시지 전송 실패 건수가 "9"인 13시15분이 포함되므로, 12시50분 및 12시55분 각각의 출력 데이터 값도 "1"이 된다. 13시00분은 30분 이내에 메시지 전송 실패 건수가 "9"인 13시15분이 포함되긴 하나, 13시00분의 실패 임계치가 "10"이므로, 13시00분의 출력 데이터 값은 "0"이 된다.
| CNN으로 일정 시간 이후 장애 사전 징후 데이터의 임계치 초과 여부를 예측하는 장애 예측 모델의 학습 데이터 | 입력 데이터 | 시간 정보 |
| 발신 장비 식별자 및 IP주소 | ||
| 착신 장비 식별자 및 IP주소 | ||
| 메시지 종류 | ||
| 메시지명 | ||
| 메시지 전송 시도 건수 | ||
| 메시지 전송 실패 건수 | ||
| 응담 지연 | ||
| 응답 지터 | ||
| 발신 장비 및 착신 장비의 에러 로그 수 | ||
| 고객 고장 신고 건수 | ||
| 출력 데이터 (일정 시간 이후 장애 사전 징후 데이터의 임계치 초과 여부) |
0: 임계치 이하 1: 임계치 초과 |
순환 신경망(Recurrent Neural Network, RNN)으로 다음 주기의 지정된 장애 사전 징후 데이터를 예측하는 장애 예측 모델을 구현하는 경우, 표 5와 같은 항목의 입력 데이터 및 출력 데이터로 학습 데이터를 생성할 수 있다. 순환 신경망은 현재 주기의 출력 데이터가 다음 주기의 입력 데이터로 사용되는 모델이므로, 학습 데이터의 출력 데이터는 다음 주기에서 입력 데이터로 사용되는 장애 사전 징후 데이터를 가져와 생성한다. 예를 들면, 전체 입력 데이터 중에서 장애 발생과 강한 상관관계를 가지는 메시지 전송 실패 건수, 발신 장비 및 착신 장비의 에러 로그 수를 출력 데이터로 사용할 수 있으나, 당연히 다른 입력 데이터가 사용될 수 있다. RNN으로 다음 주기(예를 들면, 10분 후)의 지정된 장애 사전 징후 데이터를 예측하는 장애 예측 모델의 학습 데이터의 예시는 도 7과 같다.
추가적으로, RNN 기반 장애 예측 모델은 현재 주기(m)의 다음 주기의 장애 사전 징후 데이터를 출력 데이터로 학습하는데, 여기서 다음 주기는 현재로부터 예측하고자 하는 주기에 따라 달라 진다. 즉, RNN 기반 장애 예측 모델은 현재 주기(m)의 바로 다음 주기(m+1) 뿐만 아니라, 현재 주기(m)로부터 n 주기 이후의 주기(m+n)를 예측하도록 학습할 수 있고, 단일 주기뿐만 아니라 복수의 다음 주기들(m, m+1, m+2, .., m+n)을 동시에 예측하도록 학습할 수 있다. 학습부(150)는 테스트 데이터를 학습된 RNN 기반 장애 예측 모델에 입력하고, 예측되는 출력 데이터의 정확도를 평가한다. 학습부(150)는 정확도가 목표값에 미치지 못하면, 현재 순환 신경망 기반 장애 예측 모델의 파라미터들을 재설정하면서 학습을 반복하고, 정확도가 목표값에 이르면 학습된 RNN 기반 장애 예측 모델을 장애 예측에 사용한다.
| RNN으로 다음 주기의 지정된 장애 사전 징후 데이터를 예측하는 장애 예측 모델의 학습 데이터 |
입력 데이터 | 시간 정보 |
| 발신 장비 식별자 및 IP주소 | ||
| 착신 장비 식별자 및 IP주소 | ||
| 메시지 종류 | ||
| 메시지명 | ||
| 메시지 전송 시도 건수 | ||
| 메시지 전송 실패 건수 | ||
| 응담 지연 | ||
| 응답 지터 | ||
| 발신 장비 및 착신 장비의 에러 로그 수 | ||
| 고객 고장 신고 건수 | ||
| 출력 데이터 (다음 주기의 입력 데이터) |
예를 들면, 다음 주기의 메시지 전송 실패 건수 및 발신 장비 및 착신 장비의 에러 로그 수 |
장애 예측부(170)는 학습부(150)에서 생성된 적어도 하나의 장애 예측 모델로, 정규화된 예측용 데이터를 입력하여 장애 예측 모델이 출력한 통신망 장비의 장애 정보를 획득한다. 장애 예측부(170)는 적어도 하나의 장애 예측 모델이 출력한 통신망 장비의 장애 정보를 기초로 통신망 장비의 장애를 예측한다. 만약, 장애 예측부(170)가 복수의 장애 예측 모델들로부터 특정 통신망 장비의 장애 정보를 획득하는 경우, 복수의 장애 예측 모델들의 결과값(장애 정보)을 통합하여 장애를 예측할 수 있고, 장애 예측 모델별 가중치를 조정하여 판단할 수 있다.
이때, 장애 예측부(170)는, 데이터 전처리부(130)가 수집한 망 데이터들을 정규화한 것과 동일하게, 예측을 위해 수집한 망 데이터를 정규화한 예측용 데이터를 장애 예측 모델에 입력한다. 예측용 데이터는 예측 시점(현재 시점)에 획득한 유무선 통신망에서 전송되는 신호 및 데이터 트래픽의 메시지 패킷들, 통신망 장비들의 상태 정보, 그리고 고객으로부터 접수된 고장 신고 정보를 기초로, 장애 예측 모델의 입력 데이터 항목과 동일한 포맷으로 생성된다.
장애 예측 모델이 장비 장애 발생 여부를 예측하는 장애 예측 모델인 경우, 장애 예측부(170)는 장비 장애 발생 여부를 나타내는 값(예를 들면, 표 3의 0, 1, 2, 3 중 어느 하나)을 획득할 수 있다.
장애 예측 모델이 일정 시간(예를 들면, 30분) 이후 장애 사전 징후 데이터(예를 들면, 메시지 전송 실패 건수)의 임계치 초과 여부를 예측하는 장애 예측 모델인 경우, 장애 예측부(170)는 30분 후에 메시지 전송 실패 건수가 임계치를 초과할지를 나타내는 값(예를 들면, 표 4의 0, 1 중 어느 하나)를 획득할 수 있다.
장애 예측 모델이 다음 주기(예를 들면, 10분 후)의 지정된 장애 사전 징후 데이터(예를 들면, 메시지 전송 실패 건수 및 발신 장비 및 착신 장비의 에러 로그 수)를 예측하는 장애 예측 모델인 경우, 장애 예측부(170)는 10분 후에 발생할 것으로 예측되는 메시지 전송 실패 건수 및 발신 장비 및 착신 장비의 에러 로그 수를 획득할 수 있다.
다른 실시예에 따르면, 장애 예측부(170)는 신경망 기반 장애 예측 모델에 통계 기반 장애 예측 모델을 통합하여 장애를 예측할 수 있다.
통계 기반 장애 예측 모델을 통해 장애를 예측하기 위해, 장애 예측부(170)는 통신망 장비 기준으로 해당 장비에서 송수신 되는 메시지별 메시지 발생 수, 실패 수/비율, 응답 지연 등을 설정된 기간(예를 들면, 6주, 12주 등) 동안의 동일 요일, 동일 시간, 동일 분대의 평균값, 중간값, 최대/최소값 등을 기준으로 동적인 임계치를 산출한다. 그리고, 장애 예측부(170)는 현재 시간대의 메시지 발생 수, 실패 수/비율, 응답 지연과 비교하여 임계치를 대비 일정 비율 이상으로 증가 또는 감소하는 경우 변동폭에 의한 장애 예측 지수 가중치를 부여할 수 있다. 또한, 장애 예측부(170)는 통신망 장비 기준으로 임계치를 초과하여 발생한 이벤트의 합계를 카운트하여 합계 카운트 범위별로 발생 카운트, 누적 카운트, 연속 발생 카운트 범위별 장애 지수 등급을 부여할 수 있다. 최종적으로, 장애 예측부(170)는 발생 카운트, 누적 카운트, 연속 발생 카운트 각각에 대해 항목별 가중치를 곱한 후 그 합을 구하여 통계 기반 장애 예측 지수를 산출할 수 있다. 각 항목별 가중치는 시스템에서 자동 생성되거나 운용자에 의해 설정될 수 있다.
지식 데이터베이스(190)는 장애의 원인 및 대응방법을 관리하고, 장애 예측부(170)로 예측된 장애의 원인 및 대응방법을 제공할 수 있다. 지식 데이터베이스(190)는 장애의 원인 및 대응방법을 각종 통신망 장치로부터 수집하여 저장하거나, 운용자에 의해 입력될 수 있다.
도 8은 일정 시간 이후 장애 사전 징후 데이터의 임계치 초과 여부를 예측하는 장애 예측 모델을 도식적으로 설명하는 도면이다.
도 8을 참고하면, 일정 시간 이후에 장애 사전 징후 데이터의 임계치 초과 여부를 예측하도록 학습된 장애 예측 모델은, 현재 시점에서 예측용 데이터를 입력받으면, 일정 시간 이후에 예측용 데이터에 관련된 장비쌍에서 장애 사전 징후 데이터의 임계치를 초과할 것인지 추론한다.
이러한 장애 예측 모델은 실험 결과, 최고 98%, 평균 94%의 예측 정확도를 나타내는데, 이는 기존의 통계적인 시계열 예측 및 타신경망에서의 장애 예측 정확도보다 높은 정확도이다.
도 9는 한 실시예에 따른 순환 신경망 기반 장애 예측 모델을 기초로 복수의 다음 주기들의 장애 사전 징후 데이터를 예측하는 방법을 설명하는 도면이다.
도 9를 참고하면, RNN 기반 장애 예측 모델은 현재 주기(m)의 바로 다음 주기(m+1) 뿐만 아니라, 현재 주기(m)로부터 n 주기 이후의 주기(m+n)를 예측하도록 학습할 수 있고, 단일 주기뿐만 아니라 복수의 다음 주기들(m, m+1, m+2, .., m+n)을 동시에 예측하도록 학습할 수 있다.
학습부(150)는 순환 신경망(RNN)의 종류인 LSTM(Long Short-Term Memory) Seq2Seq(Sequence to Sequence) 알고리즘을 사용하여 복수의 다음 주기들(m, m+1, m+2, .., m+n)을 동시에 예측하도록 학습할 수 있다.
도 10은 한 실시예에 따른 장애 예측 모델을 학습시키는 방법의 흐름도이다.
도 10을 참고하면, 학습부(150)는 학습용 망 데이터를 발신/착신 장비쌍으로 정규화한 데이터를 기초로 학습 데이터를 생성한다(S110). 학습용 망 데이터는 유무선 통신망에서 전송되는 신호 및 데이터 트래픽의 메시지 패킷들, 통신망 장비들의 상태 정보, 그리고 고장 신고 정보를 포함한다. 발신/착신 장비쌍을 기준으로 정규화한 데이터는 도 3과 같이, 발신/착신 장비쌍을 기준으로 플로우 정보, 장비 상태 정보, 고객 고장 신고 정보를 통합하여 정규화한 데이터이다. 정규화 데이터는 장애 예측 모델에서 입력 계층의 입력 노드들 또는 출력 계층의 출력 노드들에 할당될 수 있는 적어도 하나의 항목에 대한 값을 포함하는 데이터를 의미한다.
장애 예측 모델에서 예측하고자 하는 결과값에 따라 학습 데이터의 출력 데이터가 다양하게 결정된다. 예를 들면, 각 장애 예측 모델의 학습 데이터 중 입력 데이터는 일정 시간 단위(주기)로 정규화한 발신/착신 장비쌍 기준의 플로우 정보(발신/착신 장비 정보, 전송 메시지 종류 및 메시지명, 메시지 전송 시도/성공/실패 건 수, 응답 지연, 응답 지터), 발신 장비 및 착신 장비의 에러 로그 수, 고객 고장 신고 건수 중 적어도 일부를 포함할 수 있다. 그리고, 컨볼루션 신경망으로 장비 장애 발생 여부를 예측하는 장애 예측 모델은 표 3과 같이, 장비 장애 발생 여부를 정규화한 값(0, 1, 2, 3 등)을 출력 데이터로 사용할 수 있다. 컨볼루션 신경망으로 일정 시간 이후 지정된 장애 사전 징후 데이터의 임계치 초과 여부를 예측하는 장애 예측 모델은 표 4와 같이, 일정 시간 이후 장애 사전 징후 데이터의 임계치 초과 여부를 정규화한 값(0, 1)을 출력 데이터로 사용할 수 있다. 순환 신경망으로 다음 주기의 지정된 장애 사전 징후 데이터를 예측하는 장애 예측 모델은 표 5와 같이, 입력 데이터보다 다음 주기의 장애 사전 징후 데이터(예를 들면, 학습 메시지 전송 실패 건수, 발신 장비 및 착신 장비의 에러 로그 수)를 출력 데이터로 사용할 수 있다.
학습부(150)는 학습 데이터를 이용하여 해당 장애 예측 모델을 학습시킨다(S120).
학습부(150)는 정규화한 테스트 데이터를 학습 중인 장애 예측 모델로 입력하고, 장애 예측 모델에서 출력된 결과값의 정확도를 평가한다(S130).
학습부(150)는 정확도가 목표값에 미치지 못하면, 현재 장애 예측 모델의 파라미터들을 재설정하면서 학습을 반복한다(S140).
학습부(150)는 정확도가 목표값에 이르면 학습 중인 장애 예측 모델을 장애 예측에 사용한다(S150).
도 11은 한 실시예에 따른 장애 예측 모델을 기초로 장애를 예측하는 방법의 흐름도이다.
도 11을 참고하면, 장애 예측부(170)는 예측용 망 데이터를 발신/착신 장비쌍으로 정규화한 예측용 데이터를 입력받는다(S210). 예측용 망 데이터는 장애 예측을 하기 위해 실시간으로 수집되는 원시 데이터(raw data)로서, 학습용 망 데이터와 유사하게 수집될 수 있다. 예측용 망 데이터는 유무선 통신망에서 전송되는 신호 및 데이터 트래픽의 메시지 패킷들, 통신망 장비들의 상태 정보, 그리고 고장 신고 정보를 포함한다. 예측용 데이터는 예측용 망 데이터를 발신/착신 장비쌍으로 정규화한 데이터로서, 도 3의 학습 데이터 항목에 대응하도록, 발신/착신 장비쌍을 기준으로 플로우 정보, 장비 상태 정보, 고객 고장 신고 정보를 통합하여 정규화한 데이터이다.
장애 예측부(170)는 발신/착신 장비쌍으로 정규화한 예측용 데이터를 적어도 하나의 장애 예측 모델에 입력한다(S220).
장애 예측부(170)는 적어도 하나의 장애 예측 모델에서 출력된 결과값(장애정보)을 획득한다(S230).
장애 예측부(170)는 결과값(장애 정보)을 기초로, 입력한 예측용 데이터에 해당하는 발신/착신 장비쌍의 장애 여부를 판단한다(S240). 장애 예측부(170)는 장애 예측 모델별로 결과값에 대한 기준값을 설정하여 장애 여부를 판단할 수 있다. 또는 장애 예측부(170)는 예측용 데이터를 복수의 장애 예측 모델에 입력하여 복수의 결과값을 획득하는 경우, 복수의 결과값을 종합적으로 판단하여 장애를 예측하는 기준을 설정할 수 있다.
장애 예측부(170)는 장애 여부 판단을 기초로, 입력한 예측용 데이터에 해당하는 발신/착신 장비쌍에 대한 장애 알람을 출력한다(S250). 장애 예측부(170)는 입력한 예측용 데이터에 해당하는 발신/착신 장비쌍에 대한 장애가 예측되지 않는 경우, 장애가 예측되지 않음을 보고/기록하고, 새로 입력된 예측용 데이터에 대한 장애 예측을 반복한다.
장애 예측부(170)는 지식 데이터베이스(190)에서, 장애 알람에 해당하는 장애 원인 및 대응 방법을 획득하여, 대응 방법에 따라 조치를 한다(S260).
한편, 장애 예측 모델은 특정한 발신/착신 장비쌍이나 특정한 통신망 장치에 관련된 예측용 데이터만을 전용으로 처리하도록 설정될 수 있다. 또는 장애 예측 모델은 예측용 망 데이터로부터 정규화된 예측용 데이터를 임의로 입력받고, 예측용 데이터에 관련된 발신/착신 장비쌍이나 통신망 장치의 장애를 예측하도록 설정될 수 있다.
이와 같이, 실시예에 따르면 학습된 장애 예측 모델을 기초로 통신망 장비에 관련된 데이터로부터 해당 통신망 장비의 장애를 정확히 예측할 수 있다. 실시예에 따르면 학습된 장애 예측 모델을 기초로 장비들 간의 상호 연관관계에 의해 발생하는 장애까지 예측할 수 있어서 장애 예측의 정확도를 획기적으로 개선할 수 있다. 실시예에 따르면 통신망 장비에서 발생한 알람/오류 정보뿐 아니라 고객으로부터 수집한 고장 신고를 포함하는 학습 데이터를 사용하여 장애 예측 모델을 학습시키므로 고객에게 미치는 장애 수준을 예측할 수 있다.
실시예에 따르면 유무선 통신망을 구성하는 장비들의 제조사, 기종, 버전 등이 상이하더라도 통신망 장비에 관련된 데이터를 동일한 포맷으로 정규화하여 학습 데이터를 생성할 수 있다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
Claims (20)
- 유무선 통신망을 구성하는 장비들의 장애를 예측하는 시스템으로서,
통신망 장비들을 통해 전송되는 신호 및 데이터 트래픽의 메시지 패킷들을 플로우 단위로 그룹핑하고, 그룹핑된 패킷들로부터 장애 예측 모델에서 요구되는 정규화 항목들의 값을 추출하여 플로우 단위의 정규화 데이터를 생성하는 데이터 전처리부,
상기 데이터 전처리부에서 생성한 정규화 데이터를 기초로 상기 장애 예측 모델을 위한 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 상기 장애 예측 모델을 학습시키는 학습부, 그리고
상기 학습부에서 학습된 상기 장애 예측 모델을 이용하여 예측용 데이터에 관계된 통신망 장비의 장애 정보를 획득하는 장애 예측부를 포함하고,
상기 정규화 항목들은 해당 플로우의 시간 정보, 해당 플로우의 발신 장비와착신 장비 정보, 해당 플로우에서 전송된 메시지 정보, 그리고 해당 플로우에서 전송된 메시지에 대한 응답 정보 중에서 선택된 항목들을 포함하는, 장애 예측 시스템. - 제1항에서,
상기 데이터 전처리부는
상기 플로우 단위의 정규화 데이터를 발신 장비와 착신 장비 쌍을 기준으로 일정 시간 단위로 누적하여 장비쌍별 플로우 정보를 생성하고, 상기 발신 장비와 상기 착신 장비 중 적어도 하나의 상태 정보, 그리고 상기 발신 장비와 상기 착신 장비 중 적어도 하나에 관련된 고객 고장 신고 정보를 상기 장비쌍별 플로우 정보에 통합하여 장비쌍 단위의 정규화 데이터를 생성하고,
상기 상태 정보와 상기 고객 고장 신고 정보 중에서 상기 장애 예측 모델에서 요구되는 정규화 항목들에 따라 해당 값이 추출되는, 장애 예측 시스템. - 제2항에서,
상기 상태 정보 중 해당 장비에서 발생한 에러 로그 수가 상기 장애 예측 모델에서 요구되는 정규화 항목이고,
상기 고객 고장 신고 정보 중에서 고객 고장 신고 건수가 상기 장애 예측 모델에서 요구되는 정규화 항목인, 장애 예측 시스템. - 제1항에서,
상기 학습부는
상기 정규화 데이터 중 적어도 일부 정규화 항목에 해당하는 데이터를 상기 장애 예측 모델의 입력 데이터로 추출하고, 상기 입력 데이터로부터 예측하고자 하는 적어도 하나의 장애 정보를 출력 데이터로 설정하여 상기 학습 데이터를 생성하는, 장애 예측 시스템. - 제4항에서,
상기 출력 데이터는 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나의 장애 등급 정보를 포함하는 장애 예측 시스템. - 제4항에서,
상기 출력 데이터는 상기 입력 데이터에 대응된 시점보다 일정 시간 이후 또는 상기 입력 데이터에 대응된 시점 이후 일정 시간 동안에, 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에서 장애 사전 징후 데이터가 임계치를 초과하는지를 나타내는 값을 포함하는, 장애 예측 시스템. - 제6항에서,
상기 장애 사전 징후 데이터는
상기 입력 데이터에 관계된 발신 장비와 착신 장비에서 전송된 메시지의 전송 실패 건수, 전송된 메시지에 대한 응답 정보, 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에서 발생한 에러 로그 수, 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에 관련된 고객 고장 신고 건수 중 적어도 하나를 포함하는 장애 예측 시스템. - 제4항에서,
상기 학습 데이터가 순환 신경망 기반 장애 예측 모델의 학습에 사용되는 경우,
상기 출력 데이터는 상기 입력 데이터에 대응된 시점의 다음 주기에서 상기 순환 신경망 기반 장애 예측 모델에 입력되는 입력 데이터 중에서 선택되는, 장애 예측 시스템. - 제8항에서,
상기 출력 데이터는 복수의 다음 주기들 각각의 입력 데이터 중에서 선택되는, 장애 예측 시스템. - 제1항에서,
상기 학습부는
상기 장애 예측 모델에서 요구되는 정규화 항목들로 정규화된 테스트 데이터를 학습 중인 상기 장애 예측 모델로 입력하고, 상기 장애 예측 모델에서 출력된 결과값의 정확도를 평가하며, 상기 정확도가 목표값에 미치지 못하면, 상기 장애 예측 모델의 파라미터들을 재설정하여 학습을 계속하는, 장애 예측 시스템. - 제1항에서,
상기 장애 예측부는
상기 장애 예측 모델에서 출력된 장애 정보를 기초로, 상기 예측용 데이터에 관계된 통신망 장비의 장애 여부를 판단하고, 기준에 따라 상기 예측용 데이터에 관계된 통신망 장비에 대한 장애 알람을 출력하는, 장애 예측 시스템. - 제11항에서,
상기 장애 예측부는
상기 학습부에서 서로 다른 학습 데이터로 학습된 복수의 장애 예측 모델들각각에서 상기 예측용 데이터에 대한 장애 정보들을 획득하고, 획득한 장애 정보들을 기준에 따라 종합하여 상기 예측용 데이터에 관계된 통신망 장비의 장애 여부를 판단하는, 장애 예측 시스템. - 장애 예측 시스템이 유무선 통신망을 구성하는 장비들의 장애를 예측하는 방법으로서,
통신망 장비들을 통해 전송되는 신호 및 데이터 트래픽의 메시지 패킷들을 플로우 단위로 그룹핑하고, 그룹핑된 패킷들로부터 컨볼루션 신경망 기반 장애 예측 모델의 입력 노드들에 해당하는 정규화 항목들의 값을 추출하여 정규화 데이터를 생성하는 단계,
상기 정규화 데이터를 기초로 상기 입력 노드들에 입력되는 입력 데이터를 결정하는 단계, 그리고
상기 장애 예측 모델에서 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나의 장애 등급 정보를 예측하도록 상기 장애 예측 모델을 학습시키는 단계를 포함하고,
상기 정규화 항목들은 해당 플로우의 시간 정보, 해당 플로우의 발신 장비와착신 장비 식별 정보, 해당 플로우에서 전송된 메시지 정보, 그리고 해당 플로우에서 전송된 메시지에 대한 응답 정보 중에서 선택된 항목들을 포함하는 장애 예측 방법. - 제13항에서,
상기 정규화 데이터를 생성하는 단계는
해당 플로우를 전송하는 발신 장비와 착신 장비 중 적어도 하나의 상태 정보, 그리고 해당 플로우를 전송하는 발신 장비와 착신 장비 중 적어도 하나에 관련된 고객 고장 신고 정보에 해당하는 정규화 항목들을 더 포함하는 상기 정규화 데이터를 생성하는, 장애 예측 방법. - 장애 예측 시스템이 유무선 통신망을 구성하는 장비들의 장애를 예측하는 방법으로서,
통신망 장비들을 통해 전송되는 신호 및 데이터 트래픽의 메시지 패킷들을 플로우 단위로 그룹핑하고, 그룹핑된 패킷들로부터 컨볼루션 신경망 기반 장애 예측 모델의 입력 노드들에 해당하는 정규화 항목들의 값을 추출하여 정규화 데이터를 생성하는 단계,
상기 정규화 데이터를 기초로 상기 입력 노드들에 입력되는 입력 데이터를 결정하는 단계, 그리고
상기 입력 데이터에 대응된 시점보다 일정 시간 이후 또는 상기 입력 데이터에 대응된 시점 이후 일정 시간 동안에, 상기 장애 예측 모델에서 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에서 장애 사전 징후 데이터가 임계치를 초과하는지를 예측하도록 상기 장애 예측 모델을 학습시키는 단계를 포함하고,
상기 정규화 항목들은 해당 플로우의 시간 정보, 해당 플로우의 발신 장비와착신 장비 식별 정보, 해당 플로우에서 전송된 메시지 정보, 그리고 해당 플로우에서 전송된 메시지에 대한 응답 정보 중에서 선택된 항목들을 포함하는 장애 예측 방법. - 제15항에서,
상기 장애 사전 징후 데이터는
상기 입력 데이터에 관계된 발신 장비와 착신 장비에서 전송된 메시지의 전송 실패 건수, 전송된 메시지에 대한 응답 정보, 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에서 발생한 에러 로그 수, 상기 입력 데이터에 관계된 발신 장비와 착신 장비 중 적어도 하나에 관련된 고객 고장 신고 건수 중 적어도 하나를 포함하는, 장애 예측 시스템. - 장애 예측 시스템이 유무선 통신망을 구성하는 장비들의 장애를 예측하는 방법으로서,
통신망 장비들을 통해 전송되는 신호 및 데이터 트래픽의 메시지 패킷들을 플로우 단위로 그룹핑하고, 그룹핑된 패킷들로부터 순환 신경망 기반 장애 예측 모델의 입력 노드들에 해당하는 정규화 항목들의 값을 추출하여 정규화 데이터를 생성하는 단계,
상기 정규화 데이터를 기초로 상기 입력 노드들에 입력되는 입력 데이터를 결정하고, 현재 주기의 다음 주기에서 상기 장애 예측 모델에 입력되는 입력 데이터 중 적어도 일부 항목을 상기 현재 주기의 출력 데이터로 결정하여 학습 데이터를 생성하는 단계, 그리고
상기 학습 데이터를 이용하여 상기 장애 예측 모델을 학습시키는 단계를 포함하고,
상기 정규화 항목들은 해당 플로우의 시간 정보, 해당 플로우의 발신 장비와착신 장비 식별 정보, 해당 플로우에서 전송된 메시지 정보, 그리고 해당 플로우에서 전송된 메시지에 대한 응답 정보 중에서 선택된 항목들을 포함하는 장애 예측 방법. - 제17항에서,
상기 현재 주기의 출력 데이터는 복수의 다음 주기들 각각의 입력 데이터 중에서 선택되는, 장애 예측 방법. - 제17항에서,
상기 정규화 데이터를 생성하는 단계는
해당 플로우를 전송하는 발신 장비와 착신 장비 중 적어도 하나의 상태 정보, 그리고 해당 플로우를 전송하는 발신 장비와 착신 장비 중 적어도 하나에 관련된 고객 고장 신고 정보에 해당하는 정규화 항목들을 더 포함하는, 장애 예측 방법. - 제19항에서,
상기 출력 데이터는
상기 메시지 정보에 포함된 메시지 전송 실패 건수, 그리고 상기 상태 정보에 포함된 발신 장비와 착신 장비 중 적어도 하나의 에러 로그 수 중 적어도 하나에 해당하는 항목으로 결정되는, 장애 예측 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20170054648 | 2017-04-27 | ||
| KR1020170054648 | 2017-04-27 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180120558A true KR20180120558A (ko) | 2018-11-06 |
| KR102418969B1 KR102418969B1 (ko) | 2022-07-11 |
Family
ID=64329689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170138621A KR102418969B1 (ko) | 2017-04-27 | 2017-10-24 | 딥러닝 기반 통신망 장비의 장애 예측 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102418969B1 (ko) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102011689B1 (ko) * | 2019-03-06 | 2019-08-19 | 주식회사 위엠비 | 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램 |
| KR102041545B1 (ko) * | 2019-03-13 | 2019-11-06 | 주식회사 위엠비 | 딥러닝 모델을 이용한 이벤트 예측 기반의 이벤트 모니터링 방법, 이벤트 모니터링 시스템 및 컴퓨터 프로그램 |
| KR20200095219A (ko) * | 2019-01-31 | 2020-08-10 | (주)에이알씨엔에스 | 딥 러닝을 이용한 네트워크 공격 탐지 시스템 |
| KR102293044B1 (ko) | 2020-10-20 | 2021-08-25 | 주식회사 지케스 | 융합관리 플랫폼인 아이씨밤의 트래픽 성능 오탐방지 및 장애예측 장치 |
| KR20210157302A (ko) * | 2020-06-19 | 2021-12-28 | (주)브릭 | 워크플로우 기반의 자동 예측 모델링 방법 및 그를 위한 장치 |
| KR102363432B1 (ko) * | 2020-09-22 | 2022-02-16 | (주) 지니테크 | 기계 학습에 기반한 장애호 검출 시스템 및 그 제어방법 |
| KR20220067758A (ko) * | 2020-11-18 | 2022-05-25 | (주) 글루시스 | 시스템 장애 예측 방법 및 시스템 |
| KR20220106335A (ko) * | 2021-01-22 | 2022-07-29 | 아주대학교산학협력단 | 산업용 제어 시스템 환경에서 통신의 비정상상태를 탐지하는 방법 및 장치 |
| CN115208745A (zh) * | 2021-04-14 | 2022-10-18 | 中移(上海)信息通信科技有限公司 | 一种电力系统故障定位方法、装置及故障定位设备 |
| KR20230009632A (ko) | 2021-07-09 | 2023-01-17 | 주식회사 케이티 | 무선 신호 기반 통신의 장애를 검출하는 서버, 방법 및 컴퓨터 프로그램 |
| KR102509381B1 (ko) * | 2022-07-28 | 2023-03-14 | (주)와치텍 | 머신러닝 로그 분석 기반의 smart 로그병합 및 추이예측 시각화 시스템 |
| KR20230099509A (ko) * | 2021-12-27 | 2023-07-04 | (주)하몬소프트 | 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치 |
| US11709474B2 (en) | 2020-02-04 | 2023-07-25 | Electronics And Telecommunications Research Institute | Method and apparatus for detecting abnormality of manufacturing facility |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101538758B1 (ko) * | 2014-05-19 | 2015-07-27 | 주식회사 디리아 | 정보 통신 시스템에서의 장애 예측 장치 및 방법 |
| KR20170032610A (ko) * | 2015-09-15 | 2017-03-23 | 에스케이 주식회사 | 임계값 자동 설정에 의한 시스템 자동 모니터링 방법 및 이를 적용한 모니터링 시스템 |
-
2017
- 2017-10-24 KR KR1020170138621A patent/KR102418969B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101538758B1 (ko) * | 2014-05-19 | 2015-07-27 | 주식회사 디리아 | 정보 통신 시스템에서의 장애 예측 장치 및 방법 |
| KR20170032610A (ko) * | 2015-09-15 | 2017-03-23 | 에스케이 주식회사 | 임계값 자동 설정에 의한 시스템 자동 모니터링 방법 및 이를 적용한 모니터링 시스템 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200095219A (ko) * | 2019-01-31 | 2020-08-10 | (주)에이알씨엔에스 | 딥 러닝을 이용한 네트워크 공격 탐지 시스템 |
| KR102011689B1 (ko) * | 2019-03-06 | 2019-08-19 | 주식회사 위엠비 | 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램 |
| KR102041545B1 (ko) * | 2019-03-13 | 2019-11-06 | 주식회사 위엠비 | 딥러닝 모델을 이용한 이벤트 예측 기반의 이벤트 모니터링 방법, 이벤트 모니터링 시스템 및 컴퓨터 프로그램 |
| US11709474B2 (en) | 2020-02-04 | 2023-07-25 | Electronics And Telecommunications Research Institute | Method and apparatus for detecting abnormality of manufacturing facility |
| KR20210157302A (ko) * | 2020-06-19 | 2021-12-28 | (주)브릭 | 워크플로우 기반의 자동 예측 모델링 방법 및 그를 위한 장치 |
| KR102363432B1 (ko) * | 2020-09-22 | 2022-02-16 | (주) 지니테크 | 기계 학습에 기반한 장애호 검출 시스템 및 그 제어방법 |
| KR102293044B1 (ko) | 2020-10-20 | 2021-08-25 | 주식회사 지케스 | 융합관리 플랫폼인 아이씨밤의 트래픽 성능 오탐방지 및 장애예측 장치 |
| KR20220067758A (ko) * | 2020-11-18 | 2022-05-25 | (주) 글루시스 | 시스템 장애 예측 방법 및 시스템 |
| KR20220106335A (ko) * | 2021-01-22 | 2022-07-29 | 아주대학교산학협력단 | 산업용 제어 시스템 환경에서 통신의 비정상상태를 탐지하는 방법 및 장치 |
| CN115208745A (zh) * | 2021-04-14 | 2022-10-18 | 中移(上海)信息通信科技有限公司 | 一种电力系统故障定位方法、装置及故障定位设备 |
| KR20230009632A (ko) | 2021-07-09 | 2023-01-17 | 주식회사 케이티 | 무선 신호 기반 통신의 장애를 검출하는 서버, 방법 및 컴퓨터 프로그램 |
| KR20230099509A (ko) * | 2021-12-27 | 2023-07-04 | (주)하몬소프트 | 정보인프라에서 인공지능 기반의 오류 취약 요인 예측 장치 |
| KR102509381B1 (ko) * | 2022-07-28 | 2023-03-14 | (주)와치텍 | 머신러닝 로그 분석 기반의 smart 로그병합 및 추이예측 시각화 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102418969B1 (ko) | 2022-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20180120558A (ko) | 딥러닝 기반 통신망 장비의 장애 예측 시스템 및 방법 | |
| US20220210176A1 (en) | Systems and methods to detect abnormal behavior in networks | |
| US20150195154A1 (en) | Creating a Knowledge Base for Alarm Management in a Communications Network | |
| JP5666685B2 (ja) | 障害解析装置、そのシステム、およびその方法 | |
| US9774506B2 (en) | Method and apparatus for analysis of the operation of a communication system using events | |
| JP6097889B2 (ja) | 監視システム、監視装置、および検査装置 | |
| CN103220173B (zh) | 一种报警监控方法及监控系统 | |
| US20070168505A1 (en) | Performance monitoring in a network | |
| CN107872457B (zh) | 一种基于网络流量预测进行网络操作的方法及系统 | |
| US20220124517A1 (en) | Anomaly detection method and device, terminal and storage medium | |
| US20080186876A1 (en) | Method for classifying applications and detecting network abnormality by statistical information of packets and apparatus therefor | |
| CN112291107B (zh) | 网络分析程序、网络分析装置以及网络分析方法 | |
| US8826296B2 (en) | Method of supervising a plurality of units in a communications network | |
| Janabi et al. | Convolutional neural network based algorithm for early warning proactive system security in software defined networks | |
| CN110929896A (zh) | 一种系统设备的安全分析方法及装置 | |
| Gurbani et al. | Detecting and predicting outages in mobile networks with log data | |
| US11381471B2 (en) | System and method for predicting and handling short-term overflow | |
| KR20180130295A (ko) | 통신망의 장애를 예측하는 장치 및 방법 | |
| CN109963292B (zh) | 投诉预测的方法、装置、电子设备和存储介质 | |
| WO2018103825A1 (en) | System and method for low memory and low traffic overhead heavy-hitter detection | |
| WO2017059904A1 (en) | Anomaly detection in a data packet access network | |
| CN115333915A (zh) | 一种面向异构主机的网络管控系统 | |
| KR100812946B1 (ko) | 이동 통신망에서의 서비스 품질 관리 시스템 및 방법 | |
| Peng et al. | Anomaly detection based on multiple streams clustering for train real-time ethernet | |
| Vinh et al. | An Efficient Lightweight Anomaly Detection for 5G Core Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |