KR20230014919A - System and method of abnormality symptom prediction for interconnected system - Google Patents

System and method of abnormality symptom prediction for interconnected system Download PDF

Info

Publication number
KR20230014919A
KR20230014919A KR1020210095861A KR20210095861A KR20230014919A KR 20230014919 A KR20230014919 A KR 20230014919A KR 1020210095861 A KR1020210095861 A KR 1020210095861A KR 20210095861 A KR20210095861 A KR 20210095861A KR 20230014919 A KR20230014919 A KR 20230014919A
Authority
KR
South Korea
Prior art keywords
throughput
linked
linkage
data
anomaly
Prior art date
Application number
KR1020210095861A
Other languages
Korean (ko)
Inventor
김중식
이상민
윤정식
김현웅
채운효
유용학
Original Assignee
주식회사 인젠트
대한민국(기획재정부장관)
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 주식회사 인젠트, 대한민국(기획재정부장관) filed Critical 주식회사 인젠트
Priority to KR1020210095861A priority Critical patent/KR20230014919A/en
Publication of KR20230014919A publication Critical patent/KR20230014919A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • 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
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The present invention relates to an anomaly symptom prediction system and method of a linkage system. The system includes: a database configured to store historical linkage throughput data of linkage systems; and an anomaly symptom prediction device configured to learn data stored in the database through an artificial neural network model, predict linkage throughput of the linkage system using the learned model, and predict the anomaly of the linkage system based on the predicted linkage throughput.

Description

연계 시스템의 이상 징후 예측 시스템 및 방법{SYSTEM AND METHOD OF ABNORMALITY SYMPTOM PREDICTION FOR INTERCONNECTED SYSTEM}Anomaly symptom prediction system and method of linkage system {SYSTEM AND METHOD OF ABNORMALITY SYMPTOM PREDICTION FOR INTERCONNECTED SYSTEM}

본 발명은 연계 시스템의 이상 징후 예측 시스템 및 방법에 관한 것으로, 보다 상세하게는 머신러닝을 이용하여 연계 시스템의 데이터 연계 처리량을 예측하고, 예측 결과에 따른 대응이 수행될 수 있도록 하는 연계 시스템의 이상 징후 예측 시스템 및 방법에 관한 것이다.The present invention relates to a system and method for predicting anomalies in a linked system, and more particularly, to an abnormality in a linked system that predicts data linkage throughput of a linked system using machine learning and responds according to the prediction result. It relates to a symptom prediction system and method.

기존의 정부 업무를 정보통신 기술을 활용하여 사이버 공간을 통해 제공하는 형태의 전자 정부 개념이 대두됨에 따라 정부 내에서 복수의 기관들 사이에 업무 자료, 행정 문서 등을 공유하고 각 기관의 서버들 사이에 데이터를 연계하는 연계 솔루션이 도입되어 사용되고 있다.As the concept of e-government, which provides existing government services through cyberspace using information and communication technology, has emerged, business data and administrative documents are shared between multiple institutions within the government and between the servers of each institution. A linkage solution linking data has been introduced and used.

이러한 연계 솔루션은 일반적으로 업무를 처리하는 기관의 업무 처리 서버와 관련 기관의 기관 서버 사이에 데이터를 연계시키는 방식으로 구현되며, 다수의 기관 서버에서 전송되는 데이터를 업무 처리 서버가 수신하는 형태의 트랜잭션이 지속적으로 이루어진다.This connection solution is generally implemented in a way of linking data between the business processing server of the institution that handles the business and the institution server of the related institution, and a transaction in which the business processing server receives data transmitted from multiple institution servers. this is done continuously

또한 연계 솔루션은 기업에서의 데이터 연계, 어플리케이션의 데이터 연계 등에서도 활용되며, 업무(작업)을 처리하는 서버가 다른 서버 또는 장치로부터 데이터를 수신한다는 점에서 동작 방식이 공통된다.Linkage solutions are also used for linking data in companies and linking application data, and have a common operating method in that a server processing a task (work) receives data from another server or device.

그런데, 이러한 트랜잭션의 처리를 위한 리소스가 물리적 또는 소프트웨어적으로 한정되어 있으므로, 특정 업무 처리를 위한 트랜잭션이 과도하게 집중될 경우 서버의 과부하로 시스템 다운, 접속 불량 등의 장애가 발생할 수 있다.However, since the resources for processing these transactions are physically or software limited, when transactions for specific tasks are excessively concentrated, failures such as system down and connection failure may occur due to server overload.

즉, 데이터나 어플리케이션의 연계는 그 업무 처리의 특성상 업무마다 시기별로 트랜잭션의 발생빈도에 차이가 많으며, 이는 연계 시스템의 많은 부하와 장애의 주요 원인이 되고 있다.In other words, the linkage between data and applications has a large difference in the frequency of occurrence of transactions for each task and time period due to the nature of the task process, which is a major cause of many loads and failures in the linkage system.

기존에는 연계 처리가 수행되는 현황 정도를 관리자가 파악하여 이러한 시스템의 이상 발생을 판단하거나, 실제 이상 발생 시 사후에 대처를 수행하는 것에 그치고 있었다는 문제점이 있다.In the past, there is a problem in that the manager grasps the status of the linkage processing to determine the occurrence of an abnormality in the system or to perform post-event measures in the event of an actual abnormality.

한편 본 발명의 배경기술은 대한민국 공개특허 10-2020-0104522호(2020.09.04)에 개시되어 있다. Meanwhile, the background art of the present invention is disclosed in Korean Patent Publication No. 10-2020-0104522 (2020.09.04).

본 발명은 상기와 같은 종래 연계 시스템의 문제점을 해결하기 위한 것으로, 연계 시스템의 이상 징후를 사전에 예측하고, 예측 결과에 따른 대응을 수행할 수 있도록 하는 연계 시스템의 이상 징후 예측 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention is to solve the problems of the conventional linked system as described above, and provides a system and method for predicting anomalies of a linked system that can predict abnormal symptoms of the linked system in advance and respond according to the prediction result. But it has a purpose.

본 발명에 따른 연계 시스템의 이상 징후 예측 시스템은 연계 시스템의 과거의 연계 처리량 데이터를 저장하도록 구성된 데이터베이스; 및 상기 데이터베이스에 저장된 데이터를 인공신경망 모델을 통해 학습하고, 학습된 모델을 이용하여 상기 연계 시스템의 연계 처리량을 예측하며, 예측된 연계 처리량에 기초하여 상기 연계 시스템의 이상 징후를 예측하도록 구성된 이상 징후 예측 장치를 포함하는 것을 특징으로 한다.An anomaly symptom prediction system of an association system according to the present invention includes a database configured to store past association throughput data of an association system; and anomalies configured to learn data stored in the database through an artificial neural network model, predict linkage throughput of the linkage system using the learned model, and predict abnormalities of the linkage system based on the predicted linkage throughput. Characterized in that it includes a prediction device.

본 발명에서 상기 이상 징후 예측 장치는, 상기 과거의 연계 처리량 데이터에서 특징을 추출하여 학습을 위한 데이터로 변환하되, 미리 설정된 시간 간격에 따라 연계 처리량을 집합화하여 연계 처리량 값을 산출하고, 집합화된 연계 처리량 값의 날짜 정보를 특징 정보로 추출하는 것을 특징으로 한다.In the present invention, the anomaly symptom prediction device extracts features from the past linked throughput data and converts them into data for learning, calculates linked throughput values by aggregating linked throughputs according to preset time intervals, and aggregates It is characterized in that the date information of the associated throughput value is extracted as feature information.

본 발명에서 상기 이상 징후 예측 장치는, 상기 날짜 정보로, 공휴일 여부, 공휴일로부터의 간격, 요일 정보, 주 정보, 및 월초 또는 월말 여부 중 적어도 하나 이상을 추출하는 것을 특징으로 한다.In the present invention, the abnormal symptom predicting apparatus is characterized in that at least one or more of the date information is extracted from whether there is a holiday, interval from a holiday, day of the week information, week information, and whether the beginning of the month or the end of the month.

본 발명에서 상기 이상 징후 예측 장치는, 학습을 위한 데이터 변환 시, 각각의 연계 처리량 값에 대한 사인값 또는 코사인값을 추가로 반영하는 것을 특징으로 한다.In the present invention, the anomaly symptom prediction apparatus is characterized in that, when converting data for learning, a sine value or cosine value for each associated throughput value is additionally reflected.

본 발명에서 상기 인공신경망 모델은 CNN(Convolutional Neural Network) 기반 모델인 것을 특징으로 한다.In the present invention, the artificial neural network model is characterized in that it is a Convolutional Neural Network (CNN)-based model.

본 발명에서 상기 이상 징후 예측 장치는, 각각의 연계 처리량 값과 추출된 특징 정보를 벡터의 형태로 상기 인공신경망 모델에 입력하되, 일정 기간의 데이터를 매트릭스 형태로 구성하여 한번에 학습시키는 것을 특징으로 한다.In the present invention, the anomaly symptom prediction device inputs each associated throughput value and the extracted feature information in the form of a vector to the artificial neural network model, and configures the data for a certain period in a matrix form and trains it at once. .

본 발명에서 상기 이상 징후 예측 장치는 예측된 연계 처리량에 맞춰 연계 처리를 할 수 있도록 시스템이 자동으로 연계 시스템의 리소스를 조정하는 것을 특징으로 한다.In the present invention, the apparatus for predicting anomalies is characterized in that the system automatically adjusts the resources of the associated system so that the associated processing can be performed according to the predicted associated throughput.

본 발명에 따른 연계 시스템의 이상 징후 예측 방법은 연계 시스템의 과거의 연계 처리량 데이터를 인공신경망 모델을 통해 학습하여 학습 모델을 생성하는 단계; 상기 학습 모델을 이용하여 미래의 연계 처리량을 예측하는 단계; 상기 예측된 연계 처리량에 기초하여 상기 연계 시스템의 리소스를 조정하는 단계; 및 상기 예측된 연계 처리량과 실제 연계 처리량 사이의 편차에 근거하여 상기 연계 시스템의 이상 징후를 예측하는 단계를 포함하는 것을 특징으로 한다.A method for predicting anomalies in a linkage system according to the present invention includes the steps of learning past linkage throughput data of a linkage system through an artificial neural network model to create a learning model; predicting future linkage throughput using the learning model; adjusting resources of the associated system based on the predicted associated throughput; and estimating an abnormal symptom of the cooperative system based on a deviation between the predicted cooperative throughput and the actual cooperative throughput.

본 발명에 따른 연계 시스템의 이상 징후 예측 시스템 및 방법은 인공신경망 모델을 이용하여 과거의 연계 데이터를 학습하여 미래의 연계 처리량을 예측하고, 예측된 연계 처리량에 기초하여 연계 시스템의 이상 징후를 예측할 수 있도록 함으로써, 연계 시스템의 장애, 오류 등을 사전에 방지할 수 있도록 하는 효과가 있다.A system and method for predicting anomalies of an association system according to the present invention can predict future association throughput by learning past association data using an artificial neural network model, and predict anomalies of the association system based on the predicted association throughput. By doing so, there is an effect of preventing failures, errors, etc. of the linkage system in advance.

또한 본 발명에 따른 연계 시스템의 이상 징후 예측 시스템 및 방법은 예측된 연계 처리량에 기초하여 연계 시스템의 리소스를 조정함으로써, 연계 시스템의 자원관리의 효율을 향상시키고, 연계 시스템의 장애, 오류 등을 사전에 방지할 수 있도록 하는 효과가 있다.In addition, the system and method for predicting anomalies of the linked system according to the present invention adjusts the resources of the linked system based on the predicted linked throughput, thereby improving the efficiency of resource management of the linked system and preventing failures and errors of the linked system in advance. has the effect of preventing

도 1은 본 발명의 일 실시예에 따른 연계 시스템의 이상 징후 예측 시스템이 활용되는 시스템의 구성을 나타낸 예시도이다.
도 2는 본 발명의 일 실시예에 따른 연계 시스템의 이상 징후 예측 시스템의 구성을 나타낸 블록구성도이다.
도 3은 본 발명의 일 실시예에 따른 연계 시스템의 이상 징후 예측 방법을 설명하기 위한 흐름도이다.1 is an exemplary view showing the configuration of a system in which an anomaly symptom prediction system of a linkage system according to an embodiment of the present invention is utilized.
2 is a block diagram showing the configuration of an anomaly symptom prediction system of a linkage system according to an embodiment of the present invention.
3 is a flowchart illustrating a method for predicting anomalies in a linkage system according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명에 따른 연계 시스템의 이상 징후 예측 시스템의 실시예를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로, 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Hereinafter, an embodiment of an anomaly symptom prediction system of a linkage system according to the present invention will be described with reference to the accompanying drawings. In this process, the thickness of lines or the size of components shown in the drawings may be exaggerated for clarity and convenience of explanation. In addition, terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to the intention or custom of a user or operator. Therefore, definitions of these terms will have to be made based on the content throughout this specification.

도 1에 도시된 것과 같이, 본 발명의 일 실시예에 따른 연계 시스템의 이상 징후 예측 시스템(100)은 기존의 연계 시스템에 결합되어 연계 처리량(예: 트랜잭션의 수, 처리되는 데이터양)을 모니터링 하도록 구성될 수 있다.As shown in FIG. 1, the anomaly symptom prediction system 100 of the linkage system according to an embodiment of the present invention is combined with an existing linkage system to monitor linkage throughput (eg, number of transactions, amount of data processed). can be configured to

기존의 연계 시스템은 업무(작업)을 처리하는 업무 처리 서버(200)와 업무 처리 서버(300)에 연계된 기관 서버(300)들로 구성될 수 있다. 본 발명의 다양한 실시예에서 기관 서버(300)는 서버와 유사한 컴퓨팅 장치, 예를 들어, PC, 스마트폰 등으로 대체될 수 있다.An existing connection system may be composed of a business processing server 200 that processes a business (job) and an agency server 300 linked to the business processing server 300 . In various embodiments of the present invention, the institution server 300 may be replaced with a server-like computing device, for example, a PC, a smart phone, or the like.

도 2에 도시된 것과 같이, 본 발명의 실시예에 따른 연계 시스템의 이상 징후 예측 시스템(100)은 이상 징후 예측 장치(110), 데이터베이스(120) 및 사용자 기기(130)로 구성될 수 있다.As shown in FIG. 2 , an anomaly symptom prediction system 100 of a linked system according to an embodiment of the present invention may include an anomaly symptom prediction device 110 , a database 120 and a user device 130 .

데이터베이스(120)는 과거의 연계 처리량 데이터를 저장하도록 구성될 수 있다.Database 120 may be configured to store historical associated throughput data.

이상 징후 예측 장치(110)는 데이터베이스(120)에 저장된 과거의 연계 처리량 데이터에 기초하여 연계 처리량을 예측하고, 예측된 연계 처리량에 기초하여 연계 시스템의 이상 징후를 예측하도록 구성될 수 있다.The anomaly symptom prediction device 110 may be configured to predict an associated throughput based on past associated throughput data stored in the database 120 and to predict abnormal symptoms of an associated system based on the predicted associated throughput.

이러한 이상 징후 예측 장치(110)는 하나 이상의 프로세서, 프로세서에 결합된 메모리를 포함하고, 메모리는 프로세서로 하여금 후술할 이상 징후 예측 장치(110)의 각 단계의 동작을 수행하도록 하는 명령들을 포함할 수 있다. 이러한 이상 징후 예측 장치(110)는 네트워크 기능을 갖는 서버 등의 형태로 구현될 수도 있다.The apparatus for predicting anomalies 110 may include one or more processors and a memory coupled to the processors, and the memory may include instructions for causing the processor to perform operations of each step of the apparatus for predicting anomalies 110 to be described later. there is. The anomaly symptom prediction device 110 may be implemented in the form of a server having a network function.

사용자 기기(130)는 이상 징후 예측 장치(110)로부터 정보를 전달받아 예측된 연계 처리량, 모니터링 되고 있는 현재 연계 처리량, 이상 징후 발생 여부 등을 디스플레이 하도록 구성될 수 있다.The user device 130 may be configured to receive information from the anomaly symptom prediction device 110 and display the predicted linked throughput, the current linked throughput being monitored, whether abnormal symptoms have occurred, and the like.

이상 징후 예측 장치(110)는 인공지능(AI) 기계 학습을 이용하여 과거의 연계 처리량 데이터를 학습하여, 연계 처리량을 예측하도록 구성될 수 있다.The anomaly symptom prediction device 110 may be configured to predict the associated throughput by learning past associated throughput data using artificial intelligence (AI) machine learning.

이후에 설명되는 본 발명의 실시예에서 연계 처리량은 트랜잭션의 수이나, 다른 실시예에서 연계 처리량을 나타낼 수 있는 다른 지표(예: 전달되는 데이터의 양)가 채용될 수 있다.In an embodiment of the present invention described later, the associated throughput is the number of transactions, but in other embodiments, other indicators (eg, the amount of transmitted data) that can represent the associated throughput may be employed.

이상 징후 예측 장치(110)는 업무 처리 서버(200)로 전달되는 데이터를 미리 설정된 기준에 따라 구분하여 그룹화하며, 개별 그룹별로 연계 처리량을 예측하도록 구성될 수 있다. 이때 그룹화는 업무 처리 서버(200)에서 처리되는 작업의 종류 등에 따라 관리자에 의해 미리 구분될 수 있으며, 각각의 그룹별로 아이디 등이 할당되어 연계되는 데이터가 어떠한 그룹에 속하는지 파악할 수 있도록 구현될 수 있다.The anomaly symptom prediction device 110 may be configured to classify and group data transmitted to the business processing server 200 according to preset criteria, and predict the associated throughput for each individual group. At this time, the grouping may be classified in advance by the manager according to the type of work processed by the work processing server 200, and an ID or the like is assigned to each group so that the linked data can be identified to which group it belongs. there is.

이러한 그룹별 연계 데이터는 해당 작업의 종류에 따라 특정 요일, 또는 특정 일자에 관련된 연계 처리량이 변동될 수 있으며, 예를 들어, 근로소득 원천징수와 관련된 데이터의 경우 매년의 연초에 연계 처리량이 급증될 수 있다.Linked data for each group may fluctuate in linkage processing amount related to a specific day or a specific date depending on the type of work. there is.

따라서, 이상 징후 예측 장치(110)는 과거의 연계 처리량의 추세를 학습하여 현재 또는 미래의 연계 처리량을 예측하도록 구성될 수 있다.Accordingly, the anomaly symptom prediction device 110 may be configured to predict a current or future associated throughput by learning a trend of past associated throughput.

이상 징후 예측 장치(110)는 데이터베이스(120)에 저장되어 있는 과거의 연계 처리량 데이터를 가공하여 특징을 추출함으로써 학습에 적합한 데이터로 변환할 수 있으며, 그 구체적인 방식은 다음과 같다.The anomaly symptom prediction device 110 may process past linked throughput data stored in the database 120 and extract features to convert the data into data suitable for learning, and the specific method is as follows.

먼저, 연계 처리량은 미리 설정된 시간 간격에 따라 집합화될 수 있다. 예를 들어, 1시간 간격으로 연계 처리량이 집합화되는 경우 1시간 동안의 연계 처리량이 하나의 값으로 산출될 수 있다.First, the associated throughput may be aggregated according to a preset time interval. For example, when the linked throughput is aggregated at 1-hour intervals, the linked throughput for 1 hour may be calculated as one value.

시계열적인 연계 처리량 데이터를 분석하기 위해, 집합화된 연계 처리량 값의 날짜 정보가 분석을 위해 활용될 수 있다.In order to analyze time-series linked throughput data, date information of aggregated linked throughput values may be utilized for analysis.

먼저 해당 값의 연도, 일자, 시간(해당 시간 간격을 대표하는 대표 시각)이 분석을 위한 레이블로 활용될 수 있다.First, the year, date, and time (representative time representing the corresponding time interval) of the value can be used as a label for analysis.

업무와 관련된 연계 데이터의 특성을 고려하여 해당 일자가 공휴일(토요일, 일요일)인지 여부 또는 공휴일로부터의 간격(즉, 공휴일과의 일자 차이)이 분석을 위한 레이블로 활용될 수 있다.Considering the characteristics of work-related linked data, whether the corresponding date is a holiday (Saturday or Sunday) or the interval from the holiday (ie, the date difference from the holiday) can be used as a label for analysis.

또한 무슨 요일인지에 대한 정보(요일 정보), 몇번째 주에 포함되어 있는지에 대한 정보(주 정보), 월초 또는 월말 여부 등이 분석을 위한 레이블로 더 활용될 수 있다.In addition, information about what day of the week it is (day information), information about what week it is included in (week information), whether it is the beginning of the month or the end of the month, etc. can be further utilized as labels for analysis.

이에 더해 연계 처리량 값에 대한 사인값 또는 코사인값이 추가로 반영되어 연계 처리량의 추세를 원만하게 조절할 수 있다. 이때 사용자의 선택에 따라 사인값 또는 코사인값을 연계 처리량 값에 가감하는 방식으로 사인값 또는 코사인값을 추가로 반영할 수 있다.In addition, a sine value or a cosine value for the associated throughput value is additionally reflected, so that the trend of the associated throughput can be smoothly adjusted. In this case, the sine value or the cosine value may be additionally reflected in a method of adding or subtracting the sine value or the cosine value to the associated throughput value according to the user's selection.

집합화된 연계 처리량 값은 시계열적 데이터이므로, 연계 처리량 값과 그 레이블들을 벡터의 형태로 인공신경망에 입력하되, 일정 기간(예: 10일)의 데이터를 한번에 학습시키는 형태로 매트릭스를 구성하면 이미지와 같은 형태로 데이터를 인공신경망에 입력시킬 수 있다.Since the aggregated linkage throughput value is time-series data, entering the linkage throughput value and its labels in the form of a vector into the artificial neural network, but constructing a matrix in the form of learning data for a certain period of time (e.g., 10 days) at once will result in an image Data can be input to the artificial neural network in the form of

이때 각 시간 간격별 연계 처리량 값 및 그 레이블이 하나의 벡터를 형성할 수도 있으나, 복수의 시간 간격에 해당되는 데이터가 하나의 벡터(예: 1일 동안의 데이터)를 형성하도록 구현될 수도 있다.In this case, the associated throughput value for each time interval and its label may form one vector, but data corresponding to a plurality of time intervals may form one vector (eg, data for one day).

이러한 인공신경망 학습을 위해 CNN(Convolutional Neural Network) 모델이 활용될 수 있다.A Convolutional Neural Network (CNN) model may be used to learn such an artificial neural network.

이상 징후 예측 장치(110)에서 학습된 인공신경망 모델은 예측하고자 하는 시간 간격에 대한 정보, 예를 들어, 연도, 일자, 시간 정보를 입력하면 해당 시간에 대한 연계 처리량 예측값을 출력하도록 구성될 수 있다. 여기서 연도와 일자 정보를 입력하면, 이상 징후 예측 장치(110)가 공휴일인지 여부 또는 공휴일로부터의 간격, 요일 정보, 주 정보, 월초 또는 월말 여부 등을 파악할 수 있으므로, 필요한 정보를 학습된 인공신경망 모델에 입력하여 예측값을 도출할 수 있다.The artificial neural network model trained in the anomaly symptom prediction device 110 may be configured to output an associated throughput prediction value for that time when information about a time interval to be predicted, for example, year, date, and time information is input. . If year and date information is entered here, the anomaly symptom prediction device 110 can determine whether it is a holiday or an interval from a holiday, day information, week information, whether it is the beginning of the month or the end of the month, etc. You can derive a predicted value by entering in .

이상 징후 예측 장치(110)는 이러한 방식을 통해 현재 또는 미래의 연계 처리량을 예측하고, 예측된 현재의 연계 처리량과 모니터링되는 실제 연계 처리량 사이의 편차에 근거하여 연계 시스템의 이상 징후를 예측할 수 있다. 즉, 이상 징후 예측 장치(110)는 예측된 현재의 연계 처리량과 모니터링되는 실제 연계 처리량 사이의 편차가 기준값 이상인 경우에 연계 시스템에 이상 징후가 존재하는 것으로 판단하여 사용자 기기(130)로 해당 정보를 전송할 수 있다.The symptom predicting device 110 may predict current or future linked throughput through this method, and predict abnormal symptoms of the linked system based on a deviation between the predicted current linked throughput and the actual linked throughput being monitored. That is, the abnormal symptom prediction device 110 determines that an abnormal symptom exists in the associated system when the deviation between the predicted current coordinated throughput and the actual coordinated throughput being monitored is equal to or greater than the reference value, and transmits the corresponding information to the user device 130. can transmit

또한 이상 징후 예측 장치(110)는 예측된 미래의 연계 처리량에 기초하여 연계 시스템의 리소스를 조정할 수 있다. 즉, 예측된 연계 처리량이 많을수록 연계 시스템의 하드웨어적 또는 소프트웨어적인 처리 용량(리소스)을 많이 할당하여 업무 처리 서버(200)의 자원 관리를 최적화할 수 있다. 또한 예측된 연계 처리량이 연계 시스템의 처리량을 초과하지 않도록 하여 처리 오류, 접속 장애 등의 발생을 사전에 방지할 수 있다. In addition, the anomaly symptom prediction device 110 may adjust resources of an association system based on a predicted future association throughput. That is, as the predicted linked processing amount increases, resource management of the work processing server 200 may be optimized by allocating a larger hardware or software processing capacity (resource) of the linked system. In addition, the occurrence of processing errors and connection failures can be prevented in advance by preventing the predicted connection throughput from exceeding the throughput of the connection system.

도 3은 본 발명의 일 실시예에 따른 연계 시스템의 이상 징후 예측 방법을 설명하기 위한 흐름도이다.3 is a flowchart illustrating a method for predicting anomalies in a linkage system according to an embodiment of the present invention.

도 3에 도시된 것과 같이, 이상 징후 예측 장치는 과거의 연계 처리량 데이터를 학습하여 학습 모델을 생성한다(S100). 이상 징후 예측 장치는 인공지능(AI) 기계 학습을 이용하여 과거의 연계 처리량 데이터를 학습하여, 연계 처리량을 예측할 수 있으며, 예를 들어, CNN(Convolutional Neural Network) 기반의 모델에 연계 처리량 데이터를 학습시켜 학습 모델을 생성할 수 있다.As shown in FIG. 3 , the anomaly symptom prediction device learns past linked throughput data to create a learning model (S100). The anomaly prediction device can predict the associated throughput by learning past associated throughput data using artificial intelligence (AI) machine learning. to create a learning model.

구체적인 모델의 학습 방식은 전술한 연계 시스템의 이상 징후 예측 장치의 동작과 동일한 방식으로 수행될 수 있다.The specific model learning method may be performed in the same way as the operation of the anomaly symptom predicting device of the linkage system described above.

이어서 이상 징후 예측 장치는 상기 단계(S100)에서 학습된 모델을 이용하여 미래의 연계 처리량을 예측한다(S200). 학습된 인공신경망 모델은 예측하고자 하는 시간 간격에 대한 정보를 입력하면 해당 시간에 대한 연계 처리량 예측값을 출력하도록 구성될 수 있으므로, 예측하고자 하는 시간 간격에 대한 정보를 입력하여 미래의 연계 처리량을 예측할 수 있다.Next, the anomaly symptom prediction device predicts future linkage throughput using the model learned in step S100 (S200). Since the trained artificial neural network model can be configured to output the predicted value of associated throughput for that time when information on the time interval to be predicted is input, future associated throughput can be predicted by inputting information on the time interval to be predicted. there is.

이후 이상 징후 예측 장치는 예측된 결과를 사용자 기기로 전달한다(S300). 즉, 사용자 기기(130)를 통해 관련 정보를 제시하여 연계 시스템의 관리자가 적절한 대응 등을 수행할 수 있도록 하는 것이 가능하다.Then, the abnormal symptom prediction device delivers the predicted result to the user device (S300). That is, it is possible to present related information through the user device 130 so that the administrator of the linked system can take appropriate action.

이후 이상 징후 예측 장치는 상기 단계(S200)에서 예측된 연계 처리량에 기초하여 연계 시스템의 리소스를 조정한다(S400). 즉, 예측된 연계 처리량에 따라 연계 시스템의 리소스를 조정하여 최적의 자원 관리 및 장애 발생을 방지할 수 있도록 한다.Thereafter, the apparatus for predicting anomalies adjusts resources of an associated system based on the associated throughput estimated in step S200 (S400). That is, the resource of the linkage system is adjusted according to the predicted linkage throughput so that optimal resource management and failure occurrence can be prevented.

이후 이상 징후 예측 장치는 리소스 자동 조정 결과를 사용자 기기로 전달한다(S500). 즉, 사용자 기기(130)를 통해 관련 정보를 제시하여 연계 시스템의 관리자가 이를 확인하고, 대응을 수행하는 등의 작업을 할 수 있도록 하는 것이 가능하다.Then, the anomaly symptom prediction device transmits the result of automatic resource adjustment to the user device (S500). That is, it is possible to present related information through the user device 130 so that the administrator of the linked system can check it and perform tasks such as performing a response.

또한 이상 징후 예측 장치는 상기 단계(S200)에서 예측된 연계 처리량과 실제 연계 처리량의 분석 결과를 재학습하며, 분석 결과를 사용자에게 전달한다. 즉, 예측된 연계 처리량과 실제 연계 처리량 사이에 많은 편차가 존재한다면, 연계 처리량을 예측하기 위한 학습 모델에 추가 반영될 요소, 오류 등이 존재할 수 있으므로, 이상 징후 예측 장치를 이를 재학습하여 모델의 성능을 유지할 수 있다.In addition, the apparatus for predicting anomalies re-learns the analysis result of the linked throughput predicted in step S200 and the actual linked throughput, and delivers the analysis result to the user. That is, if there is a large deviation between the predicted linked throughput and the actual linked throughput, there may be elements and errors that will be additionally reflected in the learning model for predicting linked throughput. performance can be maintained.

한편 본 발명의 전술한 각 단계의 기능은 프로그램으로 구현되어 컴퓨터 판독 가능한 기록매체에 저장되는 형태로 구현될 수도 있다.Meanwhile, the functions of each step described above of the present invention may be implemented as a program and stored in a computer-readable recording medium.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.The present invention has been described with reference to the embodiments shown in the drawings, but this is only exemplary, and those skilled in the art can make various modifications and equivalent other embodiments. will understand Therefore, the technical protection scope of the present invention should be determined by the claims below.

100: 연계 시스템의 이상 징후 예측 시스템
110: 이상 징후 예측 장치
120: 데이터베이스
130: 사용자 기기
200: 업무 처리 서버
300: 기관 서버100: anomaly symptom prediction system of linkage system
110: anomaly prediction device
120: database
130: user device
200: business processing server
300: institutional server

Claims (8)

연계 시스템의 과거의 연계 처리량 데이터를 저장하도록 구성된 데이터베이스; 및
상기 데이터베이스에 저장된 데이터를 인공신경망 모델을 통해 학습하고, 학습된 모델을 이용하여 상기 연계 시스템의 연계 처리량을 예측하며, 예측된 연계 처리량에 기초하여 상기 연계 시스템의 이상 징후를 예측하도록 구성된 이상 징후 예측 장치를 포함하는 연계 시스템의 이상 징후 예측 시스템.
a database configured to store past associated throughput data of the associated system; and
Abnormal symptom prediction configured to learn data stored in the database through an artificial neural network model, predict linkage throughput of the linkage system using the learned model, and predict abnormalities of the linkage system based on the predicted linkage throughput. An anomaly symptom prediction system of a linkage system including a device.
 제1항에 있어서,
상기 이상 징후 예측 장치는, 상기 과거의 연계 처리량 데이터에서 특징을 추출하여 학습을 위한 데이터로 변환하되, 미리 설정된 시간 간격에 따라 연계 처리량을 집합화하여 연계 처리량 값을 산출하고, 집합화된 연계 처리량 값의 날짜 정보를 특징 정보로 추출하는 것을 특징으로 하는 연계 시스템의 이상 징후 예측 시스템.
According to claim 1,
The anomaly symptom prediction device extracts features from the past linked throughput data and converts them into data for learning, calculates a linked throughput value by aggregating linked throughput according to a preset time interval, and calculates the linked throughput value An anomaly symptom prediction system of a linked system, characterized in that the date information of the value is extracted as feature information.
 제2항에 있어서,
상기 이상 징후 예측 장치는, 상기 날짜 정보로, 공휴일 여부, 공휴일로부터의 간격, 요일 정보, 주 정보, 및 월초 또는 월말 여부 중 적어도 하나 이상을 추출하는 것을 특징으로 하는 연계 시스템의 이상 징후 예측 시스템.
According to claim 2,
Wherein the abnormal symptom prediction device extracts, from the date information, at least one of whether there is a public holiday, an interval from a public holiday, day of the week information, week information, and whether the beginning of the month or the end of the month is extracted.
 제2항에 있어서,
상기 이상 징후 예측 장치는, 학습을 위한 데이터 변환 시, 각각의 연계 처리량 값에 대한 사인값 또는 코사인값을 추가로 반영하는 것을 특징으로 하는 연계 시스템의 이상 징후 예측 시스템.
According to claim 2,
The anomaly symptom prediction system of a linked system, characterized in that the abnormal symptom prediction device additionally reflects a sine value or a cosine value for each linked throughput value when converting data for learning.
 제2항에 있어서,
상기 인공신경망 모델은 CNN(Convolutional Neural Network) 기반 모델인 것을 특징으로 하는 연계 시스템의 이상 징후 예측 시스템.
According to claim 2,
The artificial neural network model is a convolutional neural network (CNN)-based model.
 제5항에 있어서,
상기 이상 징후 예측 장치는, 각각의 연계 처리량 값과 추출된 특징 정보를 벡터의 형태로 상기 인공신경망 모델에 입력하되, 일정 기간의 데이터를 매트릭스 형태로 구성하여 한번에 학습시키는 것을 특징으로 하는 연계 시스템의 이상 징후 예측 시스템.
According to claim 5,
The anomaly symptom prediction device inputs each linked throughput value and the extracted feature information in the form of a vector to the artificial neural network model, configures the data for a certain period in a matrix form and learns it at once. Anomaly prediction system.
 제1항에 있어서,
상기 이상 징후 예측 장치는, 예측된 연계 처리량에 따라 상기 연계 시스템의 리소스를 조정하는 것을 특징으로 하는 연계 시스템의 이상 징후 예측 시스템.
According to claim 1,
The anomaly symptom prediction system of the linked system, characterized in that the abnormal symptom prediction device adjusts the resources of the linked system according to the predicted linked throughput.
 연계 시스템의 과거의 연계 처리량 데이터를 인공신경망 모델을 통해 학습하여 학습 모델을 생성하는 단계;
상기 학습 모델을 이용하여 미래의 연계 처리량을 예측하는 단계;
상기 예측된 연계 처리량에 기초하여 상기 연계 시스템의 리소스를 조정하는 단계; 및
상기 예측된 연계 처리량과 실제 연계 처리량 사이의 편차에 근거하여 상기 연계 시스템의 이상 징후를 예측하는 단계를 포함하는 연계 시스템의 이상 징후 예측 방법.Creating a learning model by learning the past linkage throughput data of the linkage system through an artificial neural network model;
predicting future linkage throughput using the learning model;
adjusting resources of the associated system based on the predicted associated throughput; and
and estimating abnormal symptoms of the linked system based on a deviation between the predicted linked throughput and the actual linked throughput.
KR1020210095861A 2021-07-21 2021-07-21 System and method of abnormality symptom prediction for interconnected system KR20230014919A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210095861A KR20230014919A (en) 2021-07-21 2021-07-21 System and method of abnormality symptom prediction for interconnected system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210095861A KR20230014919A (en) 2021-07-21 2021-07-21 System and method of abnormality symptom prediction for interconnected system

Publications (1)

Publication Number Publication Date
KR20230014919A true KR20230014919A (en) 2023-01-31

Family

ID=85109053

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210095861A KR20230014919A (en) 2021-07-21 2021-07-21 System and method of abnormality symptom prediction for interconnected system

Country Status (1)

Country Link
KR (1) KR20230014919A (en)

Similar Documents

Publication Publication Date Title
US20190378073A1 (en) Business-Aware Intelligent Incident and Change Management
US20200067789A1 (en) Systems and methods for distributed systemic anticipatory industrial asset intelligence
US11693650B2 (en) Intelligent software agent to facilitate software development and operations
WO2018234741A1 (en) Systems and methods for distributed systemic anticipatory industrial asset intelligence
Adu-Amankwa et al. A predictive maintenance cost model for CNC SMEs in the era of industry 4.0
US20070203871A1 (en) Method and apparatus for reward-based learning of improved systems management policies
US8214327B2 (en) Optimization and staging method and system
US11436473B2 (en) System and method for detecting anomalies utilizing a plurality of neural network models
Shah et al. A methodology to measure and monitor level of operational effectiveness of a CSOC
US20210326184A1 (en) Dynamically allocated cloud worker management system and method therefor
Jain et al. Vacation model for Markov machine repair problem with two heterogeneous unreliable servers and threshold recovery
WO2023197453A1 (en) Fault diagnosis method and apparatus, device, and storage medium
Brochado et al. A data-driven model with minimal information for bottleneck detection-application at Bosch thermotechnology
KR102188987B1 (en) Operation method of cloud computing system for zero client device using cloud server having device for managing server and local server
CN112819372A (en) Unified supervision submission platform system and equipment
KR20230014919A (en) System and method of abnormality symptom prediction for interconnected system
US20180232656A1 (en) Data Processing System with Machine Learning Engine to Provide System Disruption Detection and Predictive Impact and Mitigation Functions
CN114265891A (en) Intelligent workshop system and method based on multi-source data fusion and storage medium
JP7359608B2 (en) Information presentation device, information presentation method, and information presentation system
Levitin et al. Performance distribution of a fault-tolerant system in the presence of failure correlation
US20190312840A1 (en) Automatic tunneler in a communication network of an industrial process facility
CN117114858B (en) Collocation realization method of calculation checking formula based on averator expression
CN113010590B (en) Unified supervision reporting method and system
US20240020291A1 (en) System and method for data quality framework and structure
US20220206486A1 (en) Method and system for predictive maintenance of a machinery asset

Legal Events

Date Code Title Description
E902 Notification of reason for refusal