KR20190047809A - Ict 장비 관리 시스템 및 방법 - Google Patents

Abstract

본 발명은 디바이스 정보를 저장하는 분산 데이터 저장부, 상기 디바이스의 장애 및 성능과 관련된 운용 데이터를 저장하는 운용 로그 수집부, 상기 운용 데이터를 머신 러닝 로직을 이용하여 학습하는 운용 품질 학습부, 상기 학습을 통하여 심각도(Severity) 및 품질 저하 원인 값을 산출하는 운용 품질 예측부, 및 대개체 대상이 되는 품질 저하 장비의 조회 조건을 저장하는 품질저하 프로파일 관리 블록을 포함하는 품질 저하 장비 추출부를 포함한다.
본 발명은 대량의 이벤트로 나타나는 ICT 운용 정보를 기반으로, 성능 저하의 징후를 사전에 자동으로 감지하여, 문제가 발생할 수 있는 장비를 추출함으로써, 성능저하 발생 요인을 사전에 차단하여 지속적으로 안정적인 서비스를 제공할 수 있게 한다.

Description

ICT 장비 관리 시스템 및 방법{ICT EQUIPMENT MANAGEMENT SYSTEM AND METHOD THERE OF}

본 발명은 ICT 장비의 관리 시스템 및 방법에 관한 것으로, 보다 구체적으로는 대규모 네트워크를 운영하는 망사업자 또는 기업에서 내외부 서비스 제공을 위한 네트워크, 서버, 전원 설비 등 ICT 장비의 안정적인 운용을 위하여, 품질 저하에 영향을 미칠 수 있는 장비를 사전에 추출하여, 최적의 시점에 장비를 대개체 하는 서비스를 제공하는 시스템 및 방법에 관한 것이다.

현재 네트워크를 판매하는 통신사업자들을 포함하여, 대부분 기업에서는 전용회선, 서버, 스위치, 라우터, UPS 전원, 각종 컨트롤러 장비 등 다양한 ICT (Information & Communication Technology)장비를 사용하고 있다.

일부 기업들에서는 이들 장비들을 임대하기도 하지만, 아직까지는 대부분의 기업들이 자사의 장비를 구매를 통하여 구축하고 있다. 이에 회사를 운영하는데 있어, ICT 구매와 운용에 많은 비용이 소요되어, 기업에서는 어떻게 하면 적정한 규모를 적시에 구매하여, 이를 안정적이고 효율적으로 운용할 수 있는 방안에 대해 연구하고 있다.

종래의 운용관리 시스템은, 네트워크 및 서버의 운용관리를 위해 FCAPS(Fault, Configuration, Account, Performance, Security) 도메인의 관리 기능을 구비하여 네트워크 장비 및 회선을 모니터링하는 시스템으로, 네트워크 장비나 회선의 경보 및 고장을 감시 모니터링하는 장애관리부, 장비나 회선의 물리/논리적인 컨피그(Config) 및 운용상태 정보를 모니터링하는 구성관리부, 과금 정보의 수집/저장/제어 어카운트 관리부, 장비/회선의 성능/트래픽/품질에 대한 모니터링 및 통계관리를 담당하는 성능관리부, 보안/안전/기밀 관리 등의 모너터링하는 보안관리부, 프로토콜로는SNMP(Simple Network Management), ICMP, Netconf, Netflow, RMON 등 표준 프로토콜 및 자체 프로토콜을 사용하는 구성으로 이루어져 있었다.

이러한 종래의 시스템은 모두 사후 조치를 위한 방법으로, 이상 징후나 사전 감지를 통한 선 조치에는 적절히 대처할 수 없는 측면이 있었다. 또한, 트래픽 이용률, CPU, Memory 이용률에 대한 TCA(Threshold Crossing Alert)에 의한 이상 징후 감지 방법은 특정한 값에 의한 부하가 정상범위를 벗어날 경우 이를 이벤트화 하여 감지하는 방법인데, 다양한 원인으로 다양한 증상이 나타나는 장비의 이상 유무에 정확히 동작하는 임계값이 존재할 수가 없기 때문에 항상 긍정 오류(False Positive)가 너무 많을 수 밖에 없어 정확도가 현저히 떨어지는 문제점이 있었다.

종래의 운용관리 시스템 하에서는 사전에 장애 및 품질저하를 예측이 어려워, 이에 대한 원인을 사전에 제거할 수도 없고, 결국 전체 서비스의 안정성을 보장할 수 없게 된다.

즉, 종래의 자원 관리 시스템에서는 장비의 재원과 관련된 내용을 관리할 수 있지만, 장비의 성능저하를 사전에 감지 하여 수많은 장비들 중에서 지속적으로 품질 저하를 일으키는 장비를 사전에 추출하여 장비를 업그레이드 하거나 대개체를 준비할 수는 없다.

본 발명은 상기 문제점을 해결하기 위한 것으로서, 대규모 네트워크를 운영하는 망사업자 또는 기업에서 ICT 장비를 안정적으로 관리할 수 있도록, 사전에, 업그레이드 및 대개체의 대상이 되는 장비를 추출하는 ICT 장비의 관리 시스템 및 방법을 제공하는데 있다.

상기 기술적 과제를 해결하기 위하여 본 발명은 품질 저하 장비 관리 장치를 개시하여 디바이스 정보를 저장하는 분산 데이터 저장부, 상기 디바이스의 장애 및 성능과 관련된 운용 데이터를 저장하는 운용 로그 수집부, 상기 운용 데이터를 머신 러닝 로직을 이용하여 학습하는 운용 품질 학습부, 상기 학습을 통하여 심각도(Severity) 및 품질 저하 원인 값을 산출하는 운용 품질 예측부, 및 대개체 대상이 되는 품질 저하 장비의 조회 조건을 저장하는 품질저하 프로파일 관리 블록을 포함하는 품질 저하 장비 추출부를 포함한다.

또한 상기 운용 로그 수집부에 저장되는 운용데이터는 디바이스의 장애 이벤트, 임계 값 초과 경고(Thresholds Crossing Alert, TCA) 이벤트 및 시스템 로그 정보를 포함하는 것을 특징으로 한다.

또한 상기 운용 품질 학습부는 머신러닝을 수행하는 머신러닝 처리블록, 상기 머신러닝 처리블록이 학습할 수 있도록 데이터 타입을 변환하는 전처리 기능블록을 포함하는 것을 특징으로 한다.

또한 상기 품질 저하 장비의 조회 조건은 장비 도입일, 품질 이벤트 임계치, 장애 이벤트 임계치, 성능 이벤트 임계치, 운용 VoC(Voice of Customer) 이벤트 임계치, 시스템 로그(SYSLOG) 이벤트 임계치, 심각도(Severity) 및 서비스 등급에서 선택되는 어느 하나 이상을 포함하는 조건인 것을 특징으로 한다.

또한 품질 저하 장비와 연관 장비들의 장애 및 품질 상관도를 평가하는 품질 영향도 분석 블록, 상기 품질저하 장비의 리소스 사용에 대한 예측을 수행하는 성능 예측 블록, 추천된 대개체 장비로 보완할 때 예상되는 품질 영향도를 계산하는 대개체 시뮬레이터 블록을 포함하는 ICT 설계모듈을 더 포함하는 것을 특징으로 한다.

또한 상기 품질 영향도 분석 블록은 장비의 리소스 이용 현황을 예측하여, 대개체 대상 장비의 추천모델을 추출하고, 대개체 시점을 예측하는 과정을 수행하는 것을 특징으로 한다.

또한 상기 대개체 대상 장비의 추천모을의 추출은 GUI(Graphical User Interface])로 표시되는 것을 특징으로 한다.

본 발명의 실시예에 따르면, 대량의 이벤트로 나타나는 ICT 운용 정보를 기반으로, 성능 저하의 징후를 사전에 자동으로 감지하여, 문제가 발생할 수 있는 장비를 추출함으로써, 성능저하 발생 요인을 사전에 차단하여 지속적으로 안정적인 서비스를 제공할 수 있게 한다.

또한 장애 및 품질저하의 요인이 되는 장비를 자동으로 파악하여 제공함으로서, 대개체 시점과 규모를 파악할 수 있게하고, 이를 통해 지속적으로 안정적인 서비스를 제공할 수 있도록 한다.

그리고 ICT 서비스와 관련된 장애를 사전에 방지하며, 이와 관련된 네트워크 운용비를 절감하고, 업무 효율성을 향상시킬 수 있다. 이는 네트워크 기반의 대규모 ICT 장비를 운용하는 회사들만이 아니라, 이들을 대상으로 서비스를 제공하고 운용대행을 수행하고 있는 통신망 사업자들에게 도움이 될 수 있다.

다만, 본 발명의 실시 예들에 따른 ICT 장비의 관리 시스템 및 방법이 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 본 발명에 따른 ICT 장비의 관리 시스템의 전체 구성도이다.
도 2는 본 발명에 따른 지능형 운용환경 예측 모듈(1000)의 세부 구성을 도시한 블록도이다.
도 3은 본 발명에 따른 운용 로그 수집부(200)의 세부 구성을 도시한 블록도이다.
도 4는 본 발명에 따른 운용 품질 학습부(300)의 세부 구성을 도시한 블록도이다.
도 5는 본 발명에 따른 운용 품질 예측부(400)의 세부 구성을 도시한 블록도이다.
도 6은 본 발명에 따른 품질저하 장비 추출부(500)의 세부 구성을 도시한 블록도이다.
도 7은 본 발명에 따른 ICT 설계모듈(2000)의 세부 구성을 도시한 블록도이다.
도 8은 본 발명에 따른 대개체 대상 장비를 자동으로 추출하는 방법을 도시한 흐름도이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 이하에서는 특정 실시예들을 첨부된 도면을 기초로 상세히 설명하고자 한다.

이하의 실시예는 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.

본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시 예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.

또한, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되는 것은 아니며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

이하에서는, 본 발명에 따른 ICT 장비 관리 시스템 및 방법의 예시적인 실시 형태들을 첨부된 도면을 참조하여 상세히 설명한다.

도 1은 본 발명에 따른 ICT 장비의 관리 시스템의 전체 구성도이다.

본 발명은 기업의 ICT 환경에서, 운용관리 시스템(또는 네트워크 관리 시스템)(Network Management System, NMS)과 연동하여 통계정보를 생성하며, 머신러닝 알고리즘을 활용하여 운용환경의 상태를 감지하여, 각 장비가 서비스 품질에 미치는 심각도(Severity)와 원인을 예측하며, 품질 저하 장비를 자동으로 추출하여 제공함으로서, 사전에 업그레이드 및 대개체를 할 수 있도록 하여 서비스 품질을 유지할 수 있는 시스템 및 방법에 관한 것이다.

본 발명에 따른 ICT 장비관리 시스템은 지능형 운용환경 예측 모듈(1000), ICT 설계 모듈(2000), 운용관리 시스템(NMS)(3000)을 포함한다.

운용관리 시스템(NMS)(3000)은 ICT 장비의 구성, 장애, 성능, 트래픽을 모니터링한다. 지능형 운용환경 예측모듈(1000)은 상기 운용관리 시스템(3000)이 모니터링한 운용정보에 기초하여 성능 저하 장비를 예측하고 추출한다. ICT 설계모듈(2000)은 상기 지능형 운용환경 예측모듈(1000)이 예측한 예측정보를 통해 업그레이드 또는 대개체를 추천한다. 한편, 업그레이드 또는 대개체 장비의 시연은 GUI(Graphical User Interface])로 시연(또는 표시)될 수 있다.

본 발명은, 운용관리 시스템(NMS)(3000)과 연동하는 지능형 운용 환경 예측 모듈(1000)을 통해 지능형 운용환경 지원 시스템을 제공할 수 있다. 상기 운용환경 자원 시스템은 품질 저하를 유발하는 장비를 자동으로 추출한 후, 업그레이드나 대개체를 진행할 수 있는 시스템으로, 사전에 장애 및 품질저하를 방지할 수 있다.

도 2는 본 발명에 따른 지능형 운용환경 예측 모듈(1000)의 세부 구성을 도시한 블록도이다.

지능형 운용환경 예측 모듈(1000)은 분산데이터 저장소(100), 운용 로그 수집부(200), 운용 품질 학습부(300), 운용 품질 예측부(400), 품질 저하 장비 추출부(500)를 포함한다.

분산데이터 저장소(100)는 데이터 베이스 또는 하둡분산 파일시스템(Hadoop Distributed File System)기반의 데이터를 저장하는 역할을 수행한다. 상기 분산데이터 저장소(100)는 대용량 데이터들을 배치성(일정량의 데이터를 모아 한번에 처리하는 방식) 또는 실시간으로 처리할 수 있는 성능이 요구되므로, 이를 고려한 설계가 필요하다.

분산데이터 저장소(100)는 장비별 인벤토리 정보, 장비별 장애정보, 장비별 성능정보, 장비별 시스템 로그(syslog) 정보, 학습 정보, 운용 품질 예측 정보등을 저장한다.

장비별 인벤토리 정보는 각 NMS와 연동하여 운용하고 있는 모든 장비에 대한 설비(Facility) 정보이다. 상기 설비정보는 장비의 고유 ID, 장비의 도입 연월일, 장비가 설치된 장소, 관리자, 연락처, 제조사, IOS 버전 등의 정보일 수 있다.

장비별 장애정보는 각 NMS와 연동하여 주기적으로 수집된 장애 정보일 수 있다.

장비별 성능정보는 각 NMS와 연동하여 주기적으로 수집된 성능 정보일 수 있다.

시스템 로그 정보는 각 NMS와 연동하여 장애가 발생한 장비의 시스템 로그(syslog) 정보일 수 있다.

학습정보는 운용 품질 학습부(300)에서 머신러닝을 통하여, 분석된 학습결과 정보일 수 있다.

운용 품질 예측 결과 정보는 운용 품질 예측부(400)에서 주기적으로 분석하는 시스템에서 판단한 결과 정보일 수 있다.

추가적으로 운용 품질 학습 모듈에서 사용할 학습에 필요한 조건등을 저장할 수 있다. 운용 로그 수집부(200), 운용 품질 학습부(300), 운용 품질 예측부(400), 품질 저하 장비 추출부(500)는 이하에서 도면을 참조하여 상세히 설명한다.

도 3은 본 발명에 따른 운용 로그 수집부(200)의 세부 구성을 도시한 블록도이다.

운용 로그 수집부(200)는 관리자가 인지할 수 없는 수많은 장애 및 성능 저하와 관련된 데이터를 장치와 각종 관리시스템으로부터 수집 및 버퍼링하고 이를 가공하여 데이터베이스에 저장하는 역할을 수행한다.

운용 로그 수집부(200)는 연동 블록(210), 장애 이벤트 관리 블록(220), 성능 TCA 관리 블록(230), SYS 로그 관리 블록(240), 배치 데이터 처리(250), 통계 관리 블록(260)을 포함한다.

연동 블록(210)은 IPNMS, 전송NMS, 서버관리시스템 등 운용관리 시스템들과의 연동을 담당한다.

연동되는 IP 장비는 라우터, L2/L3/L4스위치, 보안장비가 될 수 있으며, 전송 장비는 다중 서비스 지원 플랫폼(Multi-Service Provisional Platform, MSPP), PTN(Packet Transport Network) 장비, 광 전송망(Optical Transport Netwrok, OTN) 장비일 수 있다.

또한 서버 및 전원은 인증 서버, 과금 서버, 웹서버, 캐시 서버, DHCP(Dynamic Host Configuration Protocol), DNS(Domain Name System]), UTM(Unified Threat Management)등 일 수 있다.

장애 이벤트 관리 블록(220)은 각 NMS와 연동하여 분석 주기별로 장애 이벤트를 수집한다. 장애 이벤트는 물리적을 포트가 분리되는 포트 다운(port down) 또는 링크간 연결이 끊어지는 링크다운(link down)등이 될 수 있다.

성능 TCA(Thresholds Crossing Alert) 관리 블록(230)은 각 NMS와 연동하여 분석 주기별로 성능 TCA 이벤트를 수집한다. TCA 이벤트는 CPU 과부하, 메모리 이용량 과다, 디스크 고갈, 주요 프로세스 Exception 과다등에 의해 카운트 될 수 있다.

SYS 로그 관리 블록(240)은 각 NMS와 연동하여 분석 주기별로 장애 이벤트가 발생한 장비에 대한 시스템 로그(syslog) 정보를 연동하여 수집한다.

배치 데이터 처리 블록(250)은 특정한 조건을 주고, 이에 대한 머신 러닝의 결과를 조회하는 것을 목적으로 한다. 배치 데이터 처리블록(250)은 데이터를 학습하고, 이에 대한 결과를 저장하는 기능 처리부를 포함한다.

통계 관리 블록(260)은 시스템 기능 블록과 운용자 조회를 위한 통계 데이터를 생성하는 기능 블록이다. 통계 관리 블록(260)은 일(日), 주(週) 또는 월(月) 별로 통계 데이터를 생성한다.

운용로그 수집부(200)이 저장하는 값은, 로그를 수집하는데 소요된 시간, 각 ICT 장비의 ID, 장비 Type, 장애 발생 횟수(count), 성능 TCA 횟수(count), 장애원인 코드, 품질 TCA 원인, SYSLOG 이벤트 수, SYSLOG 값일 수 있다.

도 4는 본 발명에 따른 운용 품질 학습부(300)의 세부 구성을 도시한 블록도이다.

운용 품질 학습부(300)는 전처리 기능 블록(310), 머신러닝 처리블록(320) 및 머신러닝 환경관리 블록(330)을 포함한다.

전처리 기능 블록(310)은 수집된 운용 데이터를 기반으로 데이터 타입을 변환하는 기능을 수행한다. 구체적으로 머신러닝 처리 블록(320)에서 사용할 수 있도록 데이터의 타입을 변환하고, 데이터를 전달하는 블록이다.

일 실시예로서, 머신러닝을 위하여, 저장 및 처리하는 데이터 포멧은 아래와 표 1과 같은 포멧일 수 있다.

[표 1]

여기서 품질 이벤트 값은 장애 이벤트 횟수와 성능 TCA 이벤트 횟수, SYSLOG 이벤트 횟수를 합한 것이다.

품질저하 원인 코드에　해당되는　값은　해당되는 데이터 포맷을 분석하여　얻어진 결과치로， 장비에 관한 값, 포트에 관한 값, 제어부, 장비운용 OS, 설정 오류등을 고려할 수 있다.

서비스 심각도(Severity)값은 하나의 품질 이벤트 세트가 서비스에 미치는　영향을 1~5 레벨로 정의한 값이다. 일 실시예로서 상기 심각도 수치는 최소 1에서 최대 5의 범위로 설정될 수 있는데, 1은 Monitoring, 2는 Warning, 3은 Minor, 4는 Major, 5는 Critical 을 의미할 수 있다.

머신러닝 처리 블록(320)은 CNN(Convolutional Neural Networks), RNN(Recurrent Neural Network) 등 머신 러닝 로직을 구비 하여 데이터를 학습하는 모듈이다. 머신 러닝 로직은 현재 사용되는 모든 알고리즘이 사용 가능하다.

머신러닝 처리 블록(320)은 전처리 기능블록(310)에서 정제된 값들을 이용하여, 심각도(Severity)를 예측하고, 이를 자동으로 처리할 수 있도록 실제로 데이터를 머신러닝으로 학습하는 기능 모듈이라 할 수 있다.

학습은 학습에 필요한 조건 등을 데이터 저장소에서 읽어 수행된다. 이때, 학습에 사용되는 머신러닝 알고리즘(CNN, RNN, 에포크(epoch) 등이 사용될 수 있다. 학습비율은 학습 데이터 70%, 검정 데이터 30% 등을 기본으로 할 수 있으며, 상기 비율은 조정될 수 있다.

머신러닝 환경관리 블록(330)은 실시간 운용 데이터에 기반하여, 사전에 학습되어 있는 결과값으로 머신 러닝 처리부(320)와 통신을 하여, 입력과 결과값을 관리하는 기능 처리부이다.

머신러닝 환경관리 블록(330)은 학습된 데이터를 기준으로 운용되는 데이터 수집 처리부로부터 주기적으로 데이터를 전달받아, 심각도(Severity)를 자동으로 처리하여 값을 저장한다.

또한 동작 중인 학습 알고리즘의 운용 환경과 학습 데이터 정의 등을 운용 시간과 함께 저장하여, 새로운 머신 러닝이 동작하는 경우, 상기 정보를 로드하여 사용하거나, 결과 데이터를 분석할 때 참조 할 수 있도록 하는 학습 프로파일 관리 기능을 수행한다.

도 5는 본 발명에 따른 운용 품질 예측부(400)의 세부 구성을 도시한 블록도이다.

운용 품질 예측부(400)는 운용로그 수집부(200)에 의해 저장되어 있는 데이터로 정기적인 운용을 위한 데이터를 생성하는 모듈이다. 운용 품질 예측부(400)는 전처리 기능 블록(410), 머신러닝 환경관리 블록(420)을 포함한다.

주기적으로 저장되어 있는 운용 로그 데이터를 읽어(예를 들어, 일 1회, 00시 정각) 전처리 기능 블록(410)을 통해, 앞서 표 1 과 같은 형식으로 처리하고, 운용 품질 학습부(300)에서 머신 러닝을 만들어진 알고리즘의 룰에 의해 심각도(Severity) 및 품질 저하 원인 값을 구하여 저장한다. 심각도는 인공지능 알고리즘에 의하여, 유사도를 기준으로 가장 관련성이 높은 값이 시스템에서 자동으로 생성된다.

이때, 머신 러닝의 동작은 운용 품질 학습부(300)의 머신러닝 처리 블록(320)에서 학습의 결과로 생성된 프로파일을 그대로 적용한다.

운용품질 예측부(400)는 운용품질 학습부(300)과 비교하여 머신러닝 환경관리 블록(330)을 제외하고는 동일한 기능 동작을 수행한다. 다만, 앞서 운용품질 학습부(300)에서는 학습을 통한 룰을 만들기 위해 데이터를 사용했다면, 운용 품질 예측부(400)는 실제로 운용하는 데이터를 가공하는 역할을 수행한다.

도 6은 본 발명에 따른 품질저하 장비 추출부(500)의 세부 구성을 도시한 블록도이다.

품질저하 장비 추출부(500)는 시스템의 주요 동작인 대개체 대상 장비를 자동으로 추출하는 기능을 수행한다. 품질저하 장비 추출부(500)는 품질저하 프로파일 관리 블록(510) 및 품질저하 장비 추출 기능블록(520)을 포함한다.

품질저하 프로파일 관리 블록(510)은 대개체 대상이 되는 품질 저하 장비의 조회 조건을 저장 관리하는 기능 블록이다.

예를 들어, 네트워크 크기가 중급인 회사에서 서버 장비 중에서 최소 3년 이상된 장비 중에서, 서비스 등급 3으로 주요 서비스를 제공하는 서버이며, 사용자 1000명 / 동시 사용자 50명 이상으로 도입된 지 5년인 장비가 한달 동안 200회의 장애를 발생하고, 성능 TCA를 500회 발생하고, 관련된 Syslog 를 2000건, 운용 VoC를 20회로 Severity 3 이상 품질 저하 알람을 100회 발생한 장비에 대해, 운용에 있어 심각한 문제가 있다고 평가되어 시스템에서 장비의 업그레이드나 대개체가 필요하다고 추출될 수 있다.

이 때, 기준이 되는 관련 프로파일 정보는 하기 표 2와 같을 수 있다.

[표 2]

상기의 프로파일 항목은 전체를 한꺼번에 적용 또는 개별 칼럼별로 적용 등 다양한 조합으로 사용이 가능하다. 전체에 대한 적용을 디폴트 적용이라고 생각할 수 있으며, 운용 GUI 화면에서 임의기간 조회, 적용 임계치 항목을 별도로 설정하여 기능 동작할 수도 있다.

장비 도입일은 노후화 장비로 인식하는 장비의 도입 기준일을 의미한다. 조회 시 현재일 기준으로 3년 또는 5년을 역산하여 날짜로 계산하여 입력한다.

품질 이벤트 일별 임계치는 일별 품질 이벤트 수에 대한 디폴트 임계치를 의미한다.

장애 이벤트 임계치는 주기별(예를 들어, 디폴트 1 시간)로 수집되는 장비별 운용 데이터에서 해당 기간동안 발생한 장애 이벤트 임계치를 의미한다.

성능 이벤트 임계치는 품질 저하 장비로 판단되는 수집 주기별 장비의 성능 이벤트(CPU, MM, DISK 이용율 등)에 대한 임계치를 의미한다.

운용 VoC(Voice of Customer) 수 임계치는 해당 장비에 접수되는 고객불만사항에 대한 임계치를 의미한다.

SYSLOG 이벤트 임계치는 주기별 연동되어 수집되는 장비별 SYSLOG 데이터에서 "사전에 품질에 관련된 항목이라고 판별된 SYSLOG"의 횟수(count)에 대한 임계치를 의미한다.

적용품질 심각도(Severity)는 장비별 장애, 성능. SYSLOG 등의 운용 통계 정보 원시 데이터(Raw data)에서 기준이 되는 심각도(Severity) 임계치를 의미한다.

서비스 등급은 장비와 관련된 서비스 등급의 임계치를 의미한다. 이를 설정하여 장비가 시험용/대기 장비 등 또는 사용자 수가 적은 서비스 등급이 낮은 장비를 제외할 수 있다.

품질 저하 지속 임계치는 품질 저하 장비로 판단하는 품질 저하 일별 횟 수(count) (예를 들어, 일일 24회)에 대한 임계치를 의미한다.

품질저하 장비 추출 기능블록(520)은 머신 러닝에 의한 품질 저하 장비의 예측을 통해, 그 결과 값을 러닝 과정에서 저장된 데이터에 기반하여 확률로 나타내는 기능을 수행하는 모듈이다.

표 1에 제시된 장비는 (2015-05-DaeJeon-SVR100, 90%)와 같이 결과가 도출될 수 있는데, 예를 들어, 사용자가 장비 추출 기준을 ⅰ) 장비 추출기준을 Severity 3이상, ⅱ) 서비스 등급 3이상, ⅲ) 품질저하 지속 임계치 20 이상, ⅳ) 장애 이벤트 임계치 10 이상과 같은 기준으로 설정하였을 때, 상기 설정기준을 90 % 만족하는 장비라면 90 %로 산출되고, 기준을 모두 만족하면 100 %로 산출된다.

품질저하 장비 추출 기능블록(520)에서는 업그레이드 및 대개체의 대상이 되는 장비의 리스트를 데이터 베이스(DB)에서 조회하여, "품질 저하 프로파일"을 기준으로 관련된 장비를 추출하는 기능을 담당한다.

월/연간/특정 기간별로 조회하는 경우, 조회되는 결과는 하기와 같을 수 있다.

1. 서비스 품질 저하 장비 수 / 전체 장비 수

2. 조회기간, 장비명, 장비 타입, 심각도(Severity), 장비 도입일, 기간 동안 품질저하 이벤트 수, 누적 이벤트 수, 연간 교체 대상 등록 횟수, 품질 저하 원인, 도입연월일 등이 조회될 수 있다.

추가적으로 해당 장비의 포트 수, 제공 서비스, 서비스 중요도, 클라이언트 수, 품질 저하 지속 횟수(count)가 조회될 수 있다.

상기 조회된 결과는 주기적으로 장애 및 성능 문제로 인하여, 서비스 품질 저하에 영향을 미치는 장비로 판단되어, 노후화된 장비로 자동으로 추출된다. 이는 장비의 이용률 및 서비스의 중요도 등을 고려하여 결정된다.

도 7은 본 발명에 따른 ICT 설계모듈(2000)의 세부 구성을 도시한 블록도이다.

ICT 설계모듈(2000)은 추출한 품질 저하 장비를 언제, 어떤 장비로 교체할지 판단하는 블록이다. 즉, ICT 설계모듈(2000)은 장비의 대개체 시점 및 규모를 추천하는 모듈로, 품질 영향도 분석 블록(600), 성능 예측 블록(700), 대개체 시뮬레이터 블록(800) 및 업그레이드 시뮬레이터 블록(900)을 포함한다.

품질 영향도 분석 블록(600)은 지능형 운용 환경 예측부에서 자동으로 추출된 품질 저하 장비(대개체 대상 장비)를 대상으로 연관 장비들의 장애와 품질 상관도를 계산한다. 품질 상관도의 수치가 큰 장비는 다수의 장비에 영향을 미치는 장비로, 이러한 장비의 품질저하는 네트워크 운용 및 서비스 제공에 있어 심각한 영향을 미칠 수 있는 것으로 판단된다.

또한 품질 영향도 분석 블록(600)은 해당 장비의 리소스 이용 현황을 예측하여, 해당 리소스가 완전히 고갈되는 시점을 머신러닝 알고리즘을 통해 예측하고, 대개체 추천모델이 되는 장비를 추출한다.

성능 TCA가 높게 측정되는 장비는, 현재 서비스 자체에는 문제가 없지만, 이 현상이 동일하게 진행이 된다면, 장단기적으로 서비스 장애가 일어날 수 있음을 내포하고 있다. 이들 성능 지표 항목에서의 과부하 및 리소스 문제가 품질저하로 이어지고, 이후 해당 리소스의 고갈은 장애로 이어질 수 있다.

품질 영향도 분석 블록(600)은 이러한 항목의 리소스 이용 현황을 예측하여, 해당 리소스가 완전히 고갈되는 시점을 머신러닝 알고리즘으로 예측하여, 장비 대개체 시점을 지정할 수 있다.

한편, 품질저하 장비의 대개체 추천 장비를 추출 시, 품질저하 장비의 모델과 제공 서비스(웹, DB, 데몬 서버, 개발 서버 등), 규모(대기업, 중견기업, 소기업, 벤처), 해당 업계(통신 서비스, 제조, ICT, 식료, 섬유, 목재, 임업, 자동차, 철강 등), 서비스 이용 고객 수(전체, 동시 이용)를 고려한다.

성능 예측 블록(700)은 대개체의 대상이 되는 품질저하 장비의 CPU, MM, DISK 등 리소스 사용 추이에 대한 예측을 수행하는 블록이다.

대개체 시뮬레이터 블록(800)은 추천된 대개체 장비로 리소스 성능을 보완하였을 때, 예상되는 품질 영향도를 계산하는 블록이다.

업그레이드 시뮬레이터 블록(900)은 추천된 업그레이드 장비로 대개를 진행하여 리소스 성능을 보완하였을 때, 예상되는 품질 영향도를 계산하는 블록이다.

도 8은 본 발명에 따른 대개체 대상 장비를 자동으로 추출하는 방법을 도시한 흐름도이다.

S10 단계는 필요시 관리자가 운용 품질 학습부(300)에 모든 ICT 장비의 학습 프로파일을 설정하고 갱신하는 단계이다. 운용 품질 학습 모듈에서 사용하는 학습에 관련된 조건, 즉 각종 파라미터 등을 설정하거나 업데이트 하는 과정, 예를 들어, 머신 러닝 학습 주기, 관련 데이터 용량, 학습과 검증의 비율 등을 결정한다.

S20 단계는 운용 프로파일을 설정하고 갱신하는 단계로, 필요시 관리자가 운용 로그 수집부(200)에서 사용하는 각종 프로파일을 설정하거나 업데이트한다. 예를 들어, 각 NMS 에서 데이터를 연동하는 주기, 통계 데이터를 생성하는 배치 작업을 하는 시간 및 주기 등을 설정하거나 업데이트 할 수 있다.

S30 단계는 관리자가 품질저하 장비 추출부(500)에서 사용하는 각종 프로파일을 설정하거나 업데이트 하는 단계이다.

S40 단계는 장애, 성능, syslog 데이터를 수집하는 단계로, 운용로그 수집부(200)에서 각 NMS에 연동하여 각종 운용로그를 수집한다.

S50 단계는 학습 프로파일을 로드하는 단계로, 시스템에서 운용품질 학습부(300)에서 사용하는 학습에 관련된 설정값을 데이터베이스에서 읽어 메모리에 로드한다.

S51 단계는 품질저하 장비 추출 프로파일을 로드하고 갱신하는 단계로, 시스템에서 품질저하 장비 추출부(500)에서 사용하는 프로파일을 데이터베이스에서 읽어 메모리에 로드한다.

S60 단계는 운용 로그 수집부(200)에서 각 NMS(3000)로부터 연동하여 가져온 데이터를 하둡과 같은 분산 데이터 저장부(100)에 임시로 저장하는 단계이다.

S70 단계는 운용 품질 학습부(300)에서 설정된 주기에 따라 학습 데이터를 분산 데이터 저장부(100)에서 읽어오는 단계이다.

S80 단계는 학습한 데이터를 로딩하는 단계로, 분산 데이터 저장부(100)에서 읽어온 학습 데이터를, 머신러닝 알고리즘 수행 프로세스에 로딩하는 과정이다.

S90 단계는 수집 데이터를 전처리 하는 단계이다.

S100 단계는 머신 러닝의 학습 결과를 운용 품질 예측부(400)에 전달하는 단계이다. 운용 품질 예측부(400)는 학습 결과로 전달된 각종 파라미터와 머신러닝 알고리즘을 그대로 적용하는 머신러닝 운용 모델이라고 할 수 있다.

S110 단계는 운용 품질 예측 모듈을 설정하는 단계로, 학습의 결과를 운용품질 예측부(400)에 반영한다.

S120 단계는 운용품질 예측부(400)에서 운용 품질 예측을 위하여 필요한 데이터를 분산 데이터 저장부(100)에서 데이터를 읽어오는 단계이다. 즉, 운용 프로파일에 따라 필요한 데이터를 주기적으로 로딩한다.

S130 단계는 S120 단계에서 읽어온 데이터의 전처리를 수행하는 단계이다. 읽어온 데이터를 "운용 품질 학습부(300)"와 동일하게 데이터의 전처리 과정을 수행한다.

S140 단계는 운용 품질 예측 프로세스 수행 후, 그 결과를 다시 분산 데이터 저장부(100)에 저장하는 단계이다.

S150 단계는 설정된 조건에 의한 각종 통계 데이터를 생성하는 단계이다. 시/일/주/월 별로 통계를 생성할 수 있다.

S160 단계는 품잘저하 장비 추출부(500)에서 사용하는 데이터를 운용프로파일에 따라 주기적으로 로딩하는 단계이다.

S170 단계는 품질 저하 장비 추출 알고리즘을 동작하여 품질 저하 장비를 추출하는 단계이다.

S180 단계는 해당 추출 결과를 저장하는 단계이다.

S190 단계는 조회 조건에 따른 품질 저하 장비 리스트 및 세부 내역을 조회하는 단계이다.

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 기재된 실시예는 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의해서 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

1000 : 지능형 운용환경 예측모듈
100 : 분산 데이터 저장부
200 : 운용 로그 수집부
210 : 연동블록 220 : 장애 이벤트 관리 블록
230 : 성능 TCA 관리 블록 240 : SYS 로그 관리 블록
250 : 배치 데이터 처리 블록
260 : 통계 관리 블록
300 : 운용 품질 학습부
310 ; 전처리 기능 블록 320 : 머신 러닝 처리 블록
330 : 머신 러닝 환경관리 블록
400 : 운용 품질 예측부
410 : 전처리 기능 블록 420 : 머신 러닝 처리 블록
500 : 품질 저하 장비 추출부
2000 : ICT 설계모듈
600 : 품질 영향도 분석 모듈
700 : 성능 예측 모듈
800 : 대개체 시뮬레이터 모듈
900 : 업그레이드 시뮬레이터 모듈
3000 : 운용관리 시스템(NMS)

Claims (7)

1. 디바이스 정보를 저장하는 분산 데이터 저장부;
   상기 디바이스의 장애 및 성능과 관련된 운용 데이터를 저장하는 운용 로그 수집부;
   상기 운용 데이터를 머신 러닝 로직을 이용하여 학습하는 운용 품질 학습부;
   상기 학습을 통하여 심각도(Severity) 및 품질 저하 원인 값을 산출하는 운용 품질 예측부; 및
   대개체 대상이 되는 품질 저하 장비의 조회 조건을 저장하는 품질저하 프로파일 관리 블록을 포함하는 품질 저하 장비 추출부;
   를 포함하는 품질 저하 장비 관리 장치.
   
2. 제1항에 있어서,
   상기 운용 로그 수집부에 저장되는 운용데이터는 디바이스의 장애 이벤트, 임계 값 초과 경고(Thresholds Crossing Alert, TCA) 이벤트 및 시스템 로그 정보를 포함하는 것을 특징으로 하는 품질 저하 장비 관리 장치.
   
3. 제1항에 있어서,
   상기 운용 품질 학습부는 머신러닝을 수행하는 머신러닝 처리블록, 상기 머신러닝 처리블록이 학습할 수 있도록 데이터 타입을 변환하는 전처리 기능블록을 포함하는 것을 특징으로 하는 품질 저하 장비 관리 장치.
   
4. 제1항에 있어서,
   상기 품질 저하 장비의 조회 조건은 장비 도입일, 품질 이벤트 임계치, 장애 이벤트 임계치, 성능 이벤트 임계치, 운용 VoC(Voice of Customer) 이벤트 임계치, 시스템 로그(SYSLOG) 이벤트 임계치, 심각도(Severity) 및 서비스 등급에서 선택되는 어느 하나 이상을 포함하는 조건인 것을 특징으로 하는 품질 저하 관리 장치.
   
5. 제1항에 있어서,
   품질 저하 장비와 연관 장비들의 장애 및 품질 상관도를 평가하는 품질 영향도 분석 블록;
   상기 품질저하 장비의 리소스 사용에 대한 예측을 수행하는 성능 예측 블록; 및
   추천된 대개체 장비로 보완할 때 예상되는 품질 영향도를 계산하는 대개체 시뮬레이터 블록;
   을 포함하는 ICT 설계모듈을 더 포함하는 것을 특징으로 하는 품질 저하 관리 장치.
   
6. 제5항에 있어서,
   상기 품질 영향도 분석 블록은 장비의 리소스 이용 현황을 예측하여, 대개체 대상 장비의 추천모델을 추출하고, 대개체 시점을 예측하는 과정을 수행하는 것을 특징으로 하는 품질 저하 관리 장치.
   
7. 제6항에 있어서,
   상기 대개체 대상 장비의 추천모을의 추출은 GUI(Graphical User Interface])로 표시되는 것을 특징으로 하는 품질 저하 관리 장치.

Images