KR20230024747A - 이기종 네트워크 장비들을 위한 장애 경보 분류 장치 및 방법 - Google Patents
이기종 네트워크 장비들을 위한 장애 경보 분류 장치 및 방법 Download PDFInfo
- Publication number
- KR20230024747A KR20230024747A KR1020210106871A KR20210106871A KR20230024747A KR 20230024747 A KR20230024747 A KR 20230024747A KR 1020210106871 A KR1020210106871 A KR 1020210106871A KR 20210106871 A KR20210106871 A KR 20210106871A KR 20230024747 A KR20230024747 A KR 20230024747A
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- failure alert
- alert message
- real
- keywords
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 22
- 239000013598 vector Substances 0.000 claims abstract description 132
- 238000013145 classification model Methods 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 239000000284 extract Substances 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 40
- 238000004891 communication Methods 0.000 claims description 23
- 230000014509 gene expression Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 6
- 238000006467 substitution reaction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 2
- 206010019909 Hernia Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000009349 indirect transmission Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
- H04L41/0627—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time by acting on the notification or alarm source
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- H04L41/02—Standardisation; Integration
- H04L41/024—Standardisation; Integration using relational databases for representation of network management data, e.g. managing via structured query language [SQL]
-
- 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
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
- H04L41/0613—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time based on the type or category of the network elements
-
- 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
- H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of notifications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
장애 경보 분류 장치는 이기종 네트워크 장비들에 관련된 복수의 장애 경보 메시지들을 수집하고, 각 장애 경보 메시지에서 특징 벡터를 구성하는 키워드를 추출하며, 각 장애 경보 메시지에서 추출된 키워드 조합을 기초로 해당 장애 경보 메시지의 특징 벡터를 생성하는 전처리 모듈 그리고 각 장애 경보 메시지의 특징 벡터와 해당 장애 경보 메시지에 레이블링된 장애 경보 클래스를 포함하는 학습 데이터를 이용하여, 장애 분류 모델을 학습시키는 학습 모듈을 포함한다.
Description
본 개시는 장애 경보 분류 기술에 관한 것이다.
유무선 통신망은 다양하고 많은 장비들이 구축 운용되고 있어서 장애 포인트들이 많다. 이에 통신망 사업자는 통신망에서 장애가 발생하지 않도록 첨단 운용관리시스템 구축에 많은 투자를 하고 숙련된 운영자를 양성하기 위해 많은 노력을 기울이고 있다. 하지만, 표준화되지 않은 이기종 장비별 서로 다른 장애 경보 메시지의 형식으로 인해 장애 경보의 분류에 어려움이 있다.
이를 개선하기 위해 모든 장애 경보 메시지들 각각에 대한 정규화 표현을 일대일로 정의한 정규화 표현 테이블을 구축하고, 이를 이용하여 장애 경보 메시지를 분류하였으나, 정규화 표현 테이블에 존재하지 않는 장애 경보 메시지가 발생하는 경우에는 장애 경보를 분류하기 어렵다.
이에 따라 신규 장비를 수용하거나, 신규 장애 경보 메시지를 추가하고자 할 때마다 정규화 표현 테이블을 업데이트해야 하며, 모든 장애 경보 메시지들에 대한 정규화 표현 테이블을 매번 참조하여 정규화해야 하므로, 정규화를 위한 연산이 비효율적이다. 또한, 정규화 표현 테이블이 업데이트될 때마다 반복하여 시스템에 재배포해야 되는데, 보안성의 이유로 폐쇄망을 자체적으로 구축하여 사용하는 경우, 잦은 패키지 배포는 잦은 방문을 통한 유지 보수가 제공되어야 해야 하는 번거로움이 있다. 그러므로, 정규화 표현 테이블을 이용하지 않고도 이기종 네트워크 장비들에서 발생하는 다양한 종류의 장애 경보 메시지를 정확하게 분류하는 기술이 요구된다.
본 개시는 이기종 네트워크 장비들을 위한 장애 경보 분류 장치 및 방법을 제공하는 것이다.
구체적으로 본 개시는, 이기종 네트워크 장비들의 장애 경보 메시지들을 정규화하고, 정규화된 장애 경보 메시지에서 추출된 키워드 조합을 기초로 특징 벡터를 생성하며, 특징 벡터를 장애 경보 클래스로 분류하는 장애 분류 모델을 이용하여 장애 경보 메시지를 분류하는 장치 및 방법을 제공하는 것이다.
한 실시예에 따른 장애 경보 분류 장치로서, 이기종 네트워크 장비들에 관련된 복수의 장애 경보 메시지들을 수집하고, 각 장애 경보 메시지에서 적어도 하나의 키워드를 추출하며, 각 장애 경보 메시지에서 추출된 키워드 조합을 기초로 해당 장애 경보 메시지의 특징 벡터를 생성하는 전처리 모듈 그리고 각 장애 경보 메시지의 특징 벡터를 해당 장애 경보 메시지의 장애 경보 클래스로 분류하도록 장애 분류 모델을 학습시키는 학습 모듈을 포함한다.
상기 전처리 모듈은, 임의 장애 경보 메시지에서 소문자와 대문자가 혼용되어 있는 경우, 소문자를 대문자로 치환하거나 대문자를 소문자로 치환한 후, 상기 임의 장애 경보 메시지에 포함된 키워드들을 추출할 수 있다.
상기 전처리 모듈은, 임의 장애 경보 메시지에서 문자가 아닌 기호 또는 공백을 구분자로 정의하고, 상기 구분자에 기초하여 상기 임의 장애 경보 메시지에 포함된 키워드들을 추출할 수 있다.
상기 특징 벡터는 벡터 키워드들의 유무를 나타내는 핫벡터이고, 상기 벡터 키워드들은 상기 이기종 네트워크 장비들의 장애 경보 메시지들에 포함된 복수의 키워드들로 구성될 수 있다.
상기 장애 경보 클래스는 통신망 장애의 유형 및/또는 원인을 나타내는 클래스일 수 있다.
상기 전처리 모듈은 임의 네트워크 장비에 관계된 실시간 장애 경보 메시지를 수신하고, 상기 실시간 장애 경보 메시지에서 상기 벡터 키워드들에 매칭된 키워드를 추출하여, 상기 실시간 장애 경보 메시지의 특징 벡터를 생성하고, 상기 실시간 장애 경보 메시지의 특징 벡터를, 학습된 상기 장애 분류 모델에 입력하여, 상기 실시간 장애 경보 메시지의 장애 경보 클래스를 획득하는 분류 모듈을 더 포함할 수 있다.
상기 전처리 모듈은 상기 실시간 장애 경보 메시지에서 추출한 키워드를 기초로, 상기 실시간 장애 경보 메시지를 상기 벡터 키워드들의 유무를 나타내는 핫벡터로 표현할 수 있다.
다른 실시예에 따라 적어도 하나의 프로세서에 의해 동작하는 장애 경보 분류 장치의 동작 방법으로서, 이기종 네트워크 장비들의 장애 경보 메시지들을 정규화 규칙에 따라 정규화하고, 각 정규화된 장애 경보 메시지에 포함된 적어도 하나의 키워드를 추출하는 단계, 각 정규화된 장애 경보 메시지에서 추출된 키워드 조합을 기초로 해당 장애 경보 메시지의 특징 벡터를 생성하는 단계, 그리고 각 장애 경보 메시지의 특징 벡터에 대해 레이블링된 장애 경보 클래스를 분류하도록 장애 분류 모델을 학습시키는 단계를 포함한다.
상기 적어도 하나의 키워드를 추출하는 단계는, 임의 장애 경보 메시지에서 소문자와 대문자가 혼용되어 있는 경우, 상기 정규화 규칙에 따라 하나의 문자 형태를 가지도록 치환하고, 상기 정규화 규칙에 정의된 구분자에 기초하여 상기 임의 장애 경보 메시지에서 적어도 하나의 키워드를 추출할 수 있다.
상기 특징 벡터는 벡터 키워드들의 유무를 나타내는 핫벡터이고, 상기 벡터 키워드들은 상기 이기종 네트워크 장비들의 장애 경보 메시지들에 포함된 복수의 키워드들로 구성될 수 있다.
학습된 상기 장애 분류 모델을 이용하여 임의 네트워크 장비의 실시간 장애 경보 메시지에 대한 장애 경보 클래스를 획득하는 단계를 더 포함한다. 상기 실시간 장애 경보 메시지에 대한 장애 경보 클래스를 획득하는 단계는 기 실시간 장애 경보 메시지에서 상기 벡터 키워드들에 매칭된 키워드를 추출하여, 상기 실시간 장애 경보 메시지의 특징 벡터로 생성하고, 상기 실시간 장애 경보 메시지의 특징 벡터를, 학습된 상기 장애 분류 모델에 입력하여, 상기 실시간 장애 경보 메시지의 장애 경보 클래스를 획득할 수 있다.
상기 동작 방법은 상기 장애 경보 클래스는 상기 이기종 네트워크 장비들에서 발생하는 통신망 장애의 유형 및/또는 원인을 나타내는 클래스일 수 있다.
또 다른 실시예에 따라 적어도 하나의 프로세서에 의해 동작하는 장애 경보 분류 장치의 동작 방법으로서, 이기종 네트워크 장비들 중 임의 네트워크 장비에 관계된 장애 경보 메시지를 실시간으로 수신하는 단계, 정규화 규칙에 따라 실시간 장애 경보 메시지를 정규화하고, 정규화된 실시간 장애 경보 메시지에 포함된 적어도 하나의 키워드를 추출하는 단계, 상기 정규화된 장애 경보 메시지에서 추출된 키워드 조합을 기초로 특징 벡터를 생성하는 단계, 그리고 상기 실시간 장애 경보 메시지의 특징 벡터를, 학습된 장애 분류 모델에 입력하여, 상기 실시간 장애 경보 메시지의 장애 경보 클래스를 획득하는 단계를 포함한다. 상기 특징 벡터는 벡터 키워드들의 유무를 나타내는 핫벡터이고, 상기 벡터 키워드들은 상기 이기종 네트워크 장비들의 장애 경보 메시지들에 포함된 복수의 키워드들로 구성될 수 있다.
상기 적어도 하나의 키워드를 추출하는 단계는, 임의 장애 경보 메시지에서 소문자와 대문자가 혼용되어 있는 경우, 상기 정규화 규칙에 따라 하나의 문자 형태를 가지도록 치환하고, 상기 정규화 규칙에 정의된 구분자에 기초하여 상기 임의 장애 경보 메시지에서 적어도 하나의 키워드를 추출할 수 있다.
상기 장애 분류 모델은 학습용 장애 경보 메시지의 특징 벡터에 대해 레이블링된 장애 경보 클래스를 분류는 태스크를 학습한 분류 모델일 수 있다.
본 개시에 따르면, 장애 경보 메시지에 대한 정규화 표현을 일대일로 정의한 정규화 표현 테이블을 구축할 필요 없이, 장애 경보 메시지에 포함된 키워드 조합을 기초로 장애 경보 메시지를 정확히 분류할 수 있고, 신규 장애 경보 메시지에서 포함된 일부 키워드만으로도 최선(best-effort)의 분류 결과를 제공할 수 있다.
본 개시에 따르면, 유무선 통신망을 구성하는 장비들의 제조사, 기종, 버전 등이 변경되거나 추가되어 장애 경보 메시지 포맷이나 표현이 달라지더라도, 장애 경보 메시지에 포함된 키워드 조합을 기초로 장애 경보 메시지를 분류할 수 있다.
본 개시에 따르면, 이기종 네트워크 장비별로 장애 경보 메시지에 대한 분류 및 대응을 할 필요 없이, 다양한 이기종 네트워크 장비들의 장애 경보 메시지를 통합적으로 분류할 수 있으므로, 기존의 장애 경보 분류 방법에 비해 인력 및 장비 등의 리소스를 줄일 수 있다.
도 1은 한 실시예에 따른 장애 분류 모델 기반 장애 경보 분류 장치를 설명하는 도면이다.
도 2는 한 실시예에 따른 장애 경보 분류 장치의 구성도이다.
도 3은 한 실시예에 따른 장애 분류 모델을 나타낸 예시도이다.
도 4는 한 실시예에 따른 장애 분류 모델을 학습시키는 방법에 대한 흐름도이다.
도 5는 한 실시예에 따른 장애 분류 모델을 기초로 장애 경보 메시지를 분류하는 방법의 나타내는 흐름도이다.
도 2는 한 실시예에 따른 장애 경보 분류 장치의 구성도이다.
도 3은 한 실시예에 따른 장애 분류 모델을 나타낸 예시도이다.
도 4는 한 실시예에 따른 장애 분류 모델을 학습시키는 방법에 대한 흐름도이다.
도 5는 한 실시예에 따른 장애 분류 모델을 기초로 장애 경보 메시지를 분류하는 방법의 나타내는 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서에서, 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. 네트워크를 구성하는 장치들은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
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.
본 명세서에서 "전송 또는 제공"은 직접적인 전송 또는 제공하는 것뿐만 아니라 다른 장치를 통해 또는 우회 경로를 이용하여 간접적으로 전송 또는 제공도 포함할 수 있다.
본 명세서에서 단수로 기재된 표현은 "하나" 또는 "단일" 등의 명시적인 표현을 사용하지 않은 이상, 단수 또는 복수로 해석될 수 있다.
본 명세서에서, 제1, 제2 등과 같이 서수를 포함하는 용어들은 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 명세서에서 도면을 참고하여 설명한 흐름도에서, 동작 순서는 변경될 수 있고, 여러 동작들이 병합되거나, 어느 동작이 분할될 수 있고, 특정 동작은 수행되지 않을 수 있다.
도 1은 한 실시예에 따른 장애 분류 모델 기반 장애 경보 분류 장치를 설명하는 도면이고, 도 2는 한 실시예에 따른 장애 경보 분류 장치의 구성도이다.
도 1을 참고하면, 장애 경보 분류 장치(100)는 다양한 이기종 네트워크 장비들에 관련된 장애 경보 메시지들을 입력받는다. 장애 경보 분류 장치(100)는 유무선 통신망을 구성하는 네트워크 장비, 또는 네트워크 장비들을 관리하는 전용 관리 장치(예를 들면, 전용 EMS(Element Management System))로부터, 네트워크 장비에서 직접 발생한 장애 경보 메시지 또는 네트워크 장비에 관련하여 발생된 장애 경보 메시지를 획득할 수 있다.
장애 경보 분류 장치(100)는 인공지능 기반의 장애 분류 모델(200)을 이용하여 실시간으로 발생한 네트워크 장비의 장애 경보 메시지에 대한 장애 경보 클래스를 분류할 수 있다.
여기서, 장애 분류 모델(200)은 장애 경보 메시지에서 추출된 키워드 조합을 기초로 생성된 특징 벡터를 입력받고, 특징 벡터를 장애 경보 메시지에 레이블링된 장애 경보 클래스로 분류하는 태스크를 학습한 모델이다. 장애 분류 모델(200)은 심층신경망(Deep Neural Network, DNN)으로 구현될 수 있으나 이에 한정하는 것은 아니다. 특징 벡터는 벡터 키워드들의 유무를 나타내는 핫벡터일 수 있고, 벡터 키워드들은 이기종 네트워크 장비들의 장애 경보 메시지들에 포함된 복수의 키워드들로 구성될 수 있으며, 충분히 많은 수의 키워드들로 구성될 수 있다.
한편, 이기종 네트워크 장비들에 관련된 장애 경보 메시지들은 제조사, 기종, 버전 등에 따라 장애 경보 메시지 포맷이나 표현이 다양하다. 예를 들면, 표 1과 같이, 전원 이상이라는 동일한 장애 유형에 대해서, 장애 경보 메시지는 장비별로 전혀 상이하게 발생되고, 유니트 탈장이나 백업 오류와 같은 장애 유형에 대해서도 장애 경보 메시지가 상이함을 알 수 있다. 즉, 동일한 장애 유형이라고 하더라도 서로 다른 키워드를 사용하거나 구분자를 사용하고 있다. 이처럼, 이기종 네트워크 장비들에 관련된 장애 경보 메시지가 표준화되어 있지 않아서, 이기종 네트워크 장비들에 관한 장애 경보를 통합적으로 분류하는 것이 쉽지 않다.
| 장애 유형 | 장애 경보 메시지 예시 |
| 전원 이상 | “Power Failure”, “POWER_SHUTDOWN”, “PSU-FAIL” 등 |
| 유니트 탈장 | “Improper Removal”, “Manual (Management) Removal”, “UNIT_OUT”, “UNIT-REM” 등 |
| 백업 오류 | “BACKUP_MISMATCH”, “Database Backup Failure” 등 |
장애 경보 메시지의 비표준화를 해결하기 위해 종래에는 표 2와 같이 모든 장애 경보 메시지들 각각에 대한 정규화 표현을 일대일로 정의한 정규화 표현 테이블을 구축하고, 이를 이용하여 장애 경보 메시지를 분류하였다. 하지만, 정규화 표현 테이블에 존재하지 않는 장애 경보 메시지가 발생하는 경우에는 장애 경보를 분류하기 어려운 단점이 있고, 모든 장애 경보 메시지들에 대한 정규화 표현 테이블을 매번 참조하여 정규화해야 하므로, 정규화를 위한 연산이 비효율적이다.
| 장애 경보 메시지 | 정규화 표현 |
| Power Failure | PWR_FAIL |
| POWER_SHUTDOWN | PWR_FAIL |
| PSU-FAIL | PWR_FAIL |
| Improper Removal | UNIT_OUT |
| Manual (Management) Removal | UNIT_OUT |
| UNIT_OUT | UNIT_OUT |
| UNIT-REM | UNIT_OUT |
반면, 장애 경보 분류 장치(100)는 고정된 정규화 표현 테이블 대신에, 장애 경보 메시지의 특징 벡터를 학습한 장애 분류 모델(200)을 이용하여, 장애 경보 메시지에 대한 장애 분류 클래스를 획득할 수 있다.
장애 경보 분류 장치(100)는 표 3과 같이, 이기종 네트워크 장비들의 장애 경보 메시지들에서 발견되는 복수의 키워드들로 구성되는 핫벡터를 특징 벡터로 정의할 수 있다. 특징 벡터를 구성하는 복수의 키워드들을 벡터 키워드들이라고 부를 수 있고, 각 벡터 키워드가 특징 벡터의 독립적 차원으로 설정될 수 있으며, 매칭되지 않은 키워드 유무를 나타내는 NULL이 차원으로 설정될 수 있다. NULL 차원은 매칭되지 않는 키워드가 하나 이상이 있는 경우, 1로 할당되도록 정의될 수 있다. 이때, 특징 벡터는 실질적으로 동일한 의미를 가지는 서로 다른 키워드들이 근접하게 위치하도록 정의될 수 있다. 예를 들어, FAIL, FAILURE 등의 키워드들이 알파벳 순서에 따라 근접한 차원으로 정의될 수 있다.
| 특징 벡터(핫벡터) | ||||||||
| 장애 경보 메시지의 키워드 조합 | NULL | … | FAIL | FAILURE | POWER | PSU | SHUTDOWN | … |
| POWER,FAILURE | 0 | … | 0 | 1 | 1 | 0 | 0 | … |
| POWER, SHUTDOWN | 0 | … | 0 | 0 | 1 | 0 | 1 | … |
| PSU,FAIL | 0 | … | 1 | 0 | 0 | 1 | 0 | … |
| POWER,OFF | 1 | … | 0 | 0 | 1 | 0 | 0 | … |
장애 경보 분류 장치(100)는 장애 경보 메시지에 포함된 키워드들을 추출하고, 추출한 키워드 조합에 특정 벡터 키워드가 있으면, 특정 벡터 키워드의 차원을 1로 할당하고, 키워드 조합에 포함된 키워드 중에서 매칭되는 벡터 키워드가 없는 경우, NULL 차원을 1로 할당하는 방식으로 특징 벡터를 생성할 수 있다.
표 3을 참고하면, 특징 벡터가 NULL, …, FAIL, FAILURE, POWER, PSU, SHUTDOWN,…의 벡터 키워드들로 구성되는 경우, “POWER”와 “FAILURE”의 키워드 조합을 포함하는 장애 경보 메시지는 특징 벡터 0…01100…으로 변환되고, “POWER”와 “SHUTDOWN”의 키워드 조합을 포함하는 장애 경보 메시지는 특징 벡터 0…00101…으로 변환되고, “PSU” 및 “FAIL”의 키워드 조합을 포함하는 장애 경보 메시지는 특징 벡터 0…10010…으로 변환될 수 있다. 한편, “POWER” 및 “OFF”의 키워드 조합을 포함하는 장애 경보 메시지는 “OFF”에 매칭되는 벡터 키워드가 없으므로, NULL 차원의 값이 1인 특징 벡터 1…00100…으로 변환될 수 있다. 이처럼, 정의된 벡터 키워드를 포함하지 않은 장애 경보 메시지 “POWER OFF”라고 하더라도, 일부 키워드인 “POWER”만으로도 특징 벡터를 생성할 수 있으므로, 장애 분류 모델(200)을 통해 일부 키워드로 생성된 특징 벡터에 대한 최선(best-effort)의 분류 결과를 획득하는 것이 가능하다.
도 2를 참고하면, 장애 경보 분류 장치(100)는 입력된 장애 경보 메시지를 정규화하여 특징 벡터로 변환하는 전처리 모듈(110), 전처리 모듈(110)에서 출력된 학습용 장애 경보 메시지들의 특징 벡터들을 이용하여 장애 분류 모델(200)을 학습시키는 학습 모듈(120) 그리고 학습된 장애 분류 모델(200)을 이용하여 전처리 모듈(110)에서 출력된 실시간 장애 경보 메시지의 특징 벡터에 대한 장애 경보 클래스를 획득하는 분류 모듈(130)을 포함한다.
본 개시에서, 장애 경보 분류 장치(100)가 전처리 모듈(110), 학습 모듈(120) 그리고 분류 모듈(130)을 포함하는 것으로 설명하나, 반드시 이들을 모두 포함할 필요 없이 다양하게 설계 변경될 수 있다. 예를 들어, 장애 경보 분류 장치(100)는 학습 모듈(120)을 포함할 필요 없이, 전처리 모듈(110), 분류 모듈(130), 그리고 학습된 장애 분류 모델(200)로 구성될 수 있다. 장애 경보 분류 장치(100)는 전처리 모듈(110) 및 원격의 장애 분류 모델(200)와 연동하는 분류 모듈(130)을 포함할 수 있다. 또는 서버에 전처리 모듈(110), 분류 모듈(130), 그리고 학습된 장애 분류 모델(200)을 구축하고, 로컬 장치가 실시간 장애 경보 메지시를 서버로 전송하고, 이에 대한 장애 경보 클래스를 응답받을 수 있다.
설명을 위해, 전처리 모듈(110), 학습 모듈(120) 그리고 분류 모듈(130)로 명명하여 부르나, 이들은 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치일 수 있다. 여기서, 전처리 모듈(110), 학습 모듈(120) 그리고 분류 모듈(130)은 하나의 컴퓨팅 장치에 구현되거나, 별도의 컴퓨팅 장치에 분산 구현될 수 있다. 별도의 컴퓨팅 장치에 분산 구현된 경우, 전처리 모듈(110), 학습 모듈(120) 그리고 분류 모듈(130)은 통신 인터페이스를 통해 서로 통신할 수 있다. 그리고 컴퓨팅 장치는 본 개시를 수행하도록 작성된 소프트웨어 프로그램을 실행할 수 있는 장치이면 충분하고, 예를 들면, 서버, 랩탑 컴퓨터 등일 수 있다.
전처리 모듈(110)은 장애 경보 메시지를 정규화 규칙에 따라 정규화하고, 정규화된 장애 경보 메시지에 포함된 키워드들을 추출한다. 정규화 규칙은 대소문자 치환 규칙, 구분자 정의 규칙 등을 포함할 수 있다.
예를 들어, 전처리 모듈(110)은 소문자를 대문자로 치환하거나 이의 반대로 변환하는 대소문자 치환 규칙에 따라, 대소문자가 혼용되어 있는 장애 경보 메시지를 대문자로 치환하거나 소문자로 치환할 수 있다.
전처리 모듈(110)은 문자가 아닌 기호 또는 공백을 구분자로 정의한 구분자 정의 규칙에 따라, 언더바(_), 하이픈(-), 괄호 열림, 괄호 닫힘, 공백 등이 포함된 장애 경보 메시지에서 키워드간 구분자를 인식하고, 구분자로 구분된 키워드들을 추출할 수 있다. 예를 들어, 전처리 모듈(110)은 장애 경보 메시지 “ETHER_Link_DOWN(LOS)”를 수신하면, 대소문자 치환 규칙에 따라 ETHER_LINK_DOWN(LOS)”로 치환한다. 그리고, 전처리 모듈(110)은 구분자 정의 규칙에 따라 언더바(_), 괄호 열림 및 괄호 닫힘을 구분자로 인식하여, 구분자로 구분된 키워드들인 “ETHER”, “LINK”, “DOWN”, “LOS”를 추출할 수 있다.
전처리 모듈(110)은 정규화된 장애 경보 메시지에서 추출된 키워드 조합을 기초로 특징 벡터를 생성한다. 여기서, 특징 벡터는 벡터 키워드들의 유무를 나타내는 핫벡터일 수 있고, 벡터 키워드들은 이기종 네트워크 장비들의 장애 경보 메시지들에 포함된 복수의 키워드들로 구성될 수 있다. 전처리 모듈(110)은 정규회된 장애 경보 메시지에서 추출된 키워드 조합(예를 들면, “POWER”와 “FAIL”)에 특징 벡터를 구성하는 특정 벡터 키워드가 있으면, 특정 벡터 키워드의 차원을 1로 할당하고, 키워드 조합에 포함된 키워드 중에서 매칭되는 벡터 키워드가 없는 경우, NULL 차원을 1로 할당하는 방식으로 특징 벡터를 생성할 수 있다.
학습 모듈(120)은 전처리 모듈(110)에서 출력된 학습용 장애 경보 메시지들의 특징 벡터들을, 장애 경보 메시지에 레이블링된 장애 경보 클래스로 분류하도록 장애 분류 모델(200)을 학습시킨다. 학습 모듈(120)은 별도의 레이블링 정보 데이터베이스에 저장된 장애 경보 메시지의 장애 경보 클래스를 참조할 수 있고, 또는 전처리 모듈(110)로부터 특징 벡터와 장애 경보 클래스로 구성된 학습 데이터를 입력받을 수 있다.
여기서, 장애 경보 클래스는 통신망 장애의 유형 및/또는 원인을 나타내는 분류 클래스로서, 장애 경보 메시지 또는 특징 벡터에 레이블링될 수 있다. 한편, 장애 경보 메시지의 정규화 표현 테이블이 구축된 경우, 정규화 표현 테이블을 참고하여, 장애 경보 메시지 또는 특징 벡터에 장애 경보 클래스가 레이블링될 수 있다.
장애 경보 클래스는 표 4와 같이 통신망 장애를 유형에 따라 분류하는 클래스일 수 있고 이를 구분하기 위한 레이블이 부여될 수 있다. 장애 경보 클래스는 표 5와 같이, 통신망 장애를 원인에 따라 분류하는 클래스일 수 있고, 이를 구분하기 위한 레이블이 부여될 수 있다. 또는, 장애 경보 클래스는 장애의 유형 및 원인을 분류하는 클래스일 수 있고, 통신망 장애 감시 목적에 기초하여 새로운 장애 경보 클래스가 추가될 수 있다.
| 클래스 | 설명 |
| 0 | 노드 장애 |
| 1 | 선로 장애 |
| 2 | 유니트 장애 |
| 3 | 장치 장애 |
| 4 | 전원 장애 |
| 5 | 클럭 장애 |
| 6 | 통신 장애 |
| 7 | 회선 장애 |
| 8 | 기타 장애 |
| 클래스 | 설명 | 클래스 | 설명 |
| 0 | 고속부 링크 이상 | 8 | 저속부 링크 이상 |
| 1 | 광포트 이상 | 9 | 전원부 이상 |
| 2 | 내부 하드웨어 통신 이상 | 10 | 접속 이상 |
| 3 | 링크 광레벨 이상 | 11 | 제어부 이상 |
| 4 | 링크 성능 이상 | 12 | 시스템 초기화 |
| 5 | 링크 이상 | 13 | 클럭부 이상 |
| 6 | 온도 이상 | 14 | 팬 이상 |
| 7 | 유니트 초기화 | 15 | 하드웨어 유니트 이상 |
한편, 학습 모듈(120)은 통신망 장애 감시 목적에 따라, 복수의 장애 분류 모델들을 학습시킬 수 있다. 예를 들면, 학습 모듈(120)은 통신망 장애 유형을 분류하는 제1 장애 분류 모델과 통신망 장애 원인을 분류하는 제2 장애 분류 모델을 별도로 학습시킬 수 있는데, 이를 구분하지 않고 설명한다.
학습 모듈(120)이 장애 분류 모델(200)을 학습시키는 방법은 다양할 수 있다. 예를 들면, 학습 모듈(120)은 장애 분류 모델(200)이 레이블링된 장애 분류 클래스를 가장 높은 확률값으로 예측하도록 지도 학습시킬 수 있다. 학습 모듈(120)은 장애 분류 모델(200)의 분류 정확도를 산출하고, 해당 정확도가 목표값 미만인 경우, 장애 분류 모델(200)의 파라미터들을 재설정하면서 학습을 반복할 수 있다. 학습 모듈(120)은 장애 분류 모델(200)의 분류 정확도가 목표값에 이르면 학습을 완료할 수 있다.
분류 모듈(130)은 전처리 모듈(110)에서 출력된 실시간 장애 경보 메시지의 특징 벡터를 입력받고, 학습된 장애 분류 모델(200)을 이용하여 실시간 장애 경보 메시지의 특징 벡터에 대한 장애 경보 클래스를 획득한다. 실시간 장애 경보 메시지의 특징 벡터는, 정규화된 장애 경보 메시지에 포함된 키워드 조합을 기초로 생성되는 핫벡터일 수 있다.
분류 모듈(130)은 실시간 장애 경보 메시지의 장애 경보 클래스를, 실시간 장애 경보 메시지가 발생된 네트워크 장비의 관리 단말에 제공할 수 있다.
이처럼, 장애 분류 모델(200)이 장애 경보 메시지에 포함된 키워드 조합을 기초로 생성된 특징 벡터에 대한 장애 경보 클래스를 예측하므로, 네트워크 장비들이 추가, 삭제, 변경되거나, 장애 경보 메시지 포맷이나 표현이 달라지더라도, 새로운 장애 경보 메시지에서 키워드들을 추출할 수 있다면 장애 경보 클래스를 예측할 수 있다.
도 3은 한 실시예에 따른 장애 분류 모델을 나타낸 예시도이다.
도 3을 참고하면, 장애 분류 모델(200)은 심층 신경망(DNN) 기반의 인공지능 모델로서, 다양한 분류 모델로 구현될 수 있고, 분류 모델에 적합한 방식으로 학습될 수 있다.
예를 들면, 장애 분류 모델(200)은 입력층에서 장애 경보 메시지에 기초하여 생성된 특징 벡터(핫벡터)를 입력받고, 은닉층에서 추출한 특징을 기초로 출력층에서 장애 경보 클래스를 출력할 수 있다. 이때, 출력층은 소프트맥스 함수를 통해 가장 큰 확률 값을 가지는 장애 경보 클래스를 출력할 수 있다.
장애 분류 모델(200)은 학습용 장애 경보 메시지들의 특징 벡터들의 장애 경보 클래스를 예측하고, 정답값인 장애 경보 클래스와의 오차를 피드백하여 은닉층의 가중치를 업데이트하면서, 학습을 반복할 수 있다.
도 4는 한 실시예에 따른 장애 분류 모델을 학습시키는 방법에 대한 흐름도이다.
도 4를 참고하면, 장애 경보 분류 장치(100)는 이기종 네트워크 장비들에 관련된 복수의 장애 경보 메시지들을 수집한다(S110).
장애 경보 분류 장치(100)는 정규화 규칙에 따라 각 장애 경보 메시지를 정규화하고, 정규화된 장애 경보 메시지에 포함된 키워드들을 추출한다(S120). 정규화 규칙은 대소문자 치환 규칙, 구분자 정의 규칙 등을 포함할 수 있다. 장애 경보 분류 장치(100)는 대소문자 치환 규칙에 따라, 대소문자가 혼용되어 있는 장애 경보 메시지를 대문자로 치환하거나 소문자로 치환할 수 있다. 장애 경보 분류 장치(100)는 구분자 정의 규칙에 따라, 언더바(_), 하이픈(-), 괄호 열림, 괄호 닫힘, 공백 등이 포함된 장애 경보 메시지에서 키워드간 구분자를 인식하고, 구분자로 구분된 키워드들을 추출할 수 있다.
장애 경보 분류 장치(100)는 정규화된 장애 경보 메시지에서 추출된 키워드 조합을 기초로 특징 벡터를 생성한다(S130). 특징 벡터는 벡터 키워드들의 유무를 나타내는 표 3과 같은 핫벡터일 수 있고, 각 벡터 키워드가 특징 벡터의 독립적 차원으로 설정될 수 있으며, 매칭되지 않은 키워드 유무를 나타내는 NULL이 차원으로 설정될 수 있다. 벡터 키워드들은 이기종 네트워크 장비들의 장애 경보 메시지들에 포함된 복수의 키워드들로 구성될 수 있으며, 충분히 많은 수의 키워드들로 구성될 수 있다.
장애 경보 분류 장치(100)는 장애 경보 메시지들의 특징 벡터들을, 장애 경보 메시지에 레이블링된 장애 경보 클래스로 분류하도록 장애 분류 모델(200)을 학습시킨다(S140). 장애 경보 클래스는 통신망 장애의 유형 및/또는 원인을 나타내는 분류 클래스로서, 장애 경보 메시지 또는 특징 벡터에 레이블링될 수 있다.
장애 경보 분류 장치(100)는 장애 분류 모델(200)의 분류 정확도가 목표값에 이르면 학습을 완료한다(S150).
도 5는 한 실시예에 따른 장애 분류 모델을 기초로 장애 경보 메시지를 분류하는 방법의 나타내는 흐름도이다.
도 5를 참고하면, 장애 경보 분류 장치(100)는 이기종 네트워크 장비들 중 임의 네트워크 장비에 관계된 장애 경보 메시지를 실시간으로 수신한다(S210). 장애 경보 분류 장치(100)는 이기종 네트워크 장비들에서 동시에 발생하는 장애 경보 메시지들을 실시간으로 수신할 수 있다.
장애 경보 분류 장치(100)는 정규화 규칙에 따라 실시간 장애 경보 메시지를 정규화하고, 정규화된 실시간 장애 경보 메시지에 포함된 키워드들을 추출한다(S220). 정규화 규칙은 대소문자 치환 규칙, 구분자 정의 규칙 등을 포함할 수 있고, 장애 분류 모델(200)을 위한 학습용 장애 경보 메시지들의 정규화 규칙과 동일할 수 있다. 장애 경보 분류 장치(100)는 대소문자 치환 규칙에 따라, 대소문자가 혼용되어 있는 장애 경보 메시지를 대문자로 치환하거나 소문자로 치환할 수 있다. 장애 경보 분류 장치(100)는 구분자 정의 규칙에 따라, 언더바(_), 하이픈(-), 괄호 열림, 괄호 닫힘, 공백 등이 포함된 장애 경보 메시지에서 키워드간 구분자를 인식하고, 구분자로 구분된 키워드들을 추출할 수 있다.
장애 경보 분류 장치(100)는 정규화된 실시간 장애 경보 메시지에서 추출된 키워드 조합을 기초로, 장애 분류 모델(200)의 입력을 위한 특징 벡터를 생성한다(S230). 특징 벡터는 벡터 키워드들의 유무를 나타내는 표 3과 같은 핫벡터일 수 있고, 각 벡터 키워드가 특징 벡터의 독립적 차원으로 설정될 수 있으며, 매칭되지 않은 키워드 유무를 나타내는 NULL이 차원으로 설정될 수 있다.
장애 경보 분류 장치(100)는 실시간 장애 경보 메시지의 특징 벡터를 학습된 장애 분류 모델(200)에 입력하여, 실시간 장애 경보 메시지의 장애 경보 클래스를 획득한다(S240).
장애 경보 분류 장치(100)는 실시간 장애 경보 메시지의 장애 경보 클래스를, 실시간 장애 경보 메시지가 발생된 네트워크 장비의 관리 단말에 제공한다(S250). 장애 경보 분류 장치(100)는 별도의 데이터베이스에서 장애 경보 클래스의 대응 방법을 획득하고, 해당 대응 방법에 따라 장애 경보 클래스에 대한 조치를 수행할 수 있다. 장애 경보 클래스는 통신망 장애를 유형에 따라 분류하는 클래스이거나, 통신망 장애를 원인에 따라 분류하는 클래스일 수 있다.
이와 같이, 본 개시에 따르면, 장애 경보 메시지에 대한 정규화 표현을 일대일로 정의한 정규화 표현 테이블을 구축할 필요 없이, 장애 경보 메시지에 포함된 키워드 조합을 기초로 장애 경보 메시지를 정확히 분류할 수 있고, 신규 장애 경보 메시지에서 포함된 일부 키워드만으로도 최선(best-effort)의 분류 결과를 제공할 수 있다.
본 개시에 따르면, 유무선 통신망을 구성하는 장비들의 제조사, 기종, 버전 등이 변경되거나 추가되어 장애 경보 메시지 포맷이나 표현이 달라지더라도, 장애 경보 메시지에 포함된 키워드 조합을 기초로 장애 경보 메시지를 분류할 수 있다.
본 개시에 따르면, 이기종 네트워크 장비별로 장애 경보 메시지에 대한 분류 및 대응을 할 필요 없이, 다양한 이기종 네트워크 장비들의 장애 경보 메시지를 통합적으로 분류할 수 있으므로, 기존의 장애 경보 분류 방법에 비해 인력 및 장비 등의 리소스를 줄일 수 있다.
이상에서 설명한 본 개시의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 개시의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속하는 것이다.
Claims (15)
- 이기종 네트워크 장비들에 관련된 복수의 장애 경보 메시지들을 수집하고, 각 장애 경보 메시지에서 적어도 하나의 키워드를 추출하며, 각 장애 경보 메시지에서 추출된 키워드 조합을 기초로 해당 장애 경보 메시지의 특징 벡터를 생성하는 전처리 모듈 그리고
각 장애 경보 메시지의 특징 벡터를 해당 장애 경보 메시지의 장애 경보 클래스로 분류하도록 장애 분류 모델을 학습시키는 학습 모듈
을 포함하는 장애 경보 분류 장치. - 제1항에서,
상기 전처리 모듈은,
임의 장애 경보 메시지에서 소문자와 대문자가 혼용되어 있는 경우, 소문자를 대문자로 치환하거나 대문자를 소문자로 치환한 후, 상기 임의 장애 경보 메시지에 포함된 키워드들을 추출하는, 장애 경보 분류 장치. - 제1항에서,
상기 전처리 모듈은,
임의 장애 경보 메시지에서 문자가 아닌 기호 또는 공백을 구분자로 정의하고, 상기 구분자에 기초하여 상기 임의 장애 경보 메시지에 포함된 키워드들을 추출하는, 장애 경보 분류 장치. - 제1항에서,
상기 특징 벡터는 벡터 키워드들의 유무를 나타내는 핫벡터이고,
상기 벡터 키워드들은 상기 이기종 네트워크 장비들의 장애 경보 메시지들에 포함된 복수의 키워드들로 구성되는, 장애 경보 분류 장치. - 제1항에서,
상기 장애 경보 클래스는 통신망 장애의 유형 및/또는 원인을 나타내는 클래스인, 장애 경보 분류 장치. - 제1항에서,
상기 전처리 모듈은
임의 네트워크 장비에 관계된 실시간 장애 경보 메시지를 수신하고, 상기 실시간 장애 경보 메시지에서 상기 벡터 키워드들에 매칭된 키워드를 추출하여, 상기 실시간 장애 경보 메시지의 특징 벡터를 생성하고,
상기 실시간 장애 경보 메시지의 특징 벡터를, 학습된 상기 장애 분류 모델에 입력하여, 상기 실시간 장애 경보 메시지의 장애 경보 클래스를 획득하는 분류 모듈을 더 포함하는 장애 경보 분류 장치. - 제1항에서,
상기 전처리 모듈은
상기 실시간 장애 경보 메시지에서 추출한 키워드를 기초로, 상기 실시간 장애 경보 메시지를 상기 벡터 키워드들의 유무를 나타내는 핫벡터로 표현하는, 장애 경보 분류 장치. - 적어도 하나의 프로세서에 의해 동작하는 장애 경보 분류 장치의 동작 방법으로서,
이기종 네트워크 장비들의 장애 경보 메시지들을 정규화 규칙에 따라 정규화하고, 각 정규화된 장애 경보 메시지에 포함된 적어도 하나의 키워드를 추출하는 단계,
각 정규화된 장애 경보 메시지에서 추출된 키워드 조합을 기초로 해당 장애 경보 메시지의 특징 벡터를 생성하는 단계, 그리고
각 장애 경보 메시지의 특징 벡터에 대해 레이블링된 장애 경보 클래스를 분류하도록 장애 분류 모델을 학습시키는 단계
를 포함하는 동작 방법. - 제8항에서,
상기 적어도 하나의 키워드를 추출하는 단계는,
임의 장애 경보 메시지에서 소문자와 대문자가 혼용되어 있는 경우, 상기 정규화 규칙에 따라 하나의 문자 형태를 가지도록 치환하고, 상기 정규화 규칙에 정의된 구분자에 기초하여 상기 임의 장애 경보 메시지에서 적어도 하나의 키워드를 추출하는, 동작 방법. - 제8항에서,
상기 특징 벡터는 벡터 키워드들의 유무를 나타내는 핫벡터이고,
상기 벡터 키워드들은 상기 이기종 네트워크 장비들의 장애 경보 메시지들에 포함된 복수의 키워드들로 구성되는, 동작 방법. - 제8항에서,
학습된 상기 장애 분류 모델을 이용하여 임의 네트워크 장비의 실시간 장애 경보 메시지에 대한 장애 경보 클래스를 획득하는 단계를 더 포함하고,
상기 실시간 장애 경보 메시지에 대한 장애 경보 클래스를 획득하는 단계는
상기 실시간 장애 경보 메시지에서 상기 벡터 키워드들에 매칭된 키워드를 추출하여, 상기 실시간 장애 경보 메시지의 특징 벡터로 생성하고, 상기 실시간 장애 경보 메시지의 특징 벡터를, 학습된 상기 장애 분류 모델에 입력하여, 상기 실시간 장애 경보 메시지의 장애 경보 클래스를 획득하는, 동작 방법. - 제8항에서,
상기 장애 경보 클래스는 상기 이기종 네트워크 장비들에서 발생하는 통신망 장애의 유형 및/또는 원인을 나타내는 클래스인, 동작 방법. - 적어도 하나의 프로세서에 의해 동작하는 장애 경보 분류 장치의 동작 방법으로서,
이기종 네트워크 장비들 중 임의 네트워크 장비에 관계된 장애 경보 메시지를 실시간으로 수신하는 단계,
정규화 규칙에 따라 실시간 장애 경보 메시지를 정규화하고, 정규화된 실시간 장애 경보 메시지에 포함된 적어도 하나의 키워드를 추출하는 단계,
상기 정규화된 장애 경보 메시지에서 추출된 키워드 조합을 기초로 특징 벡터를 생성하는 단계, 그리고
상기 실시간 장애 경보 메시지의 특징 벡터를, 학습된 장애 분류 모델에 입력하여, 상기 실시간 장애 경보 메시지의 장애 경보 클래스를 획득하는 단계를 포함하고,
상기 특징 벡터는 벡터 키워드들의 유무를 나타내는 핫벡터이고,
상기 벡터 키워드들은 상기 이기종 네트워크 장비들의 장애 경보 메시지들에 포함된 복수의 키워드들로 구성되는, 동작 방법. - 제13항에서,
상기 적어도 하나의 키워드를 추출하는 단계는,
임의 장애 경보 메시지에서 소문자와 대문자가 혼용되어 있는 경우, 상기 정규화 규칙에 따라 하나의 문자 형태를 가지도록 치환하고, 상기 정규화 규칙에 정의된 구분자에 기초하여 상기 임의 장애 경보 메시지에서 적어도 하나의 키워드를 추출하는, 동작 방법. - 제13항에서,
상기 장애 분류 모델은
학습용 장애 경보 메시지의 특징 벡터에 대해 레이블링된 장애 경보 클래스를 분류는 태스크를 학습한 분류 모델인, 동작 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210106871A KR102691044B1 (ko) | 2021-08-12 | 2021-08-12 | 이기종 네트워크 장비들을 위한 장애 경보 분류 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210106871A KR102691044B1 (ko) | 2021-08-12 | 2021-08-12 | 이기종 네트워크 장비들을 위한 장애 경보 분류 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230024747A true KR20230024747A (ko) | 2023-02-21 |
| KR102691044B1 KR102691044B1 (ko) | 2024-07-31 |
Family
ID=85328282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210106871A KR102691044B1 (ko) | 2021-08-12 | 2021-08-12 | 이기종 네트워크 장비들을 위한 장애 경보 분류 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102691044B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102577019B1 (ko) * | 2023-03-17 | 2023-09-11 | (주)지에스티 | Ict 융합 기술을 이용한 장애 진단 솔루션 시스템 |
| CN118250093A (zh) * | 2024-05-27 | 2024-06-25 | 国网浙江省电力有限公司杭州市富阳区供电公司 | 一种横向威胁感知方法、装置、设备、介质及产品 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130025800A (ko) * | 2011-09-02 | 2013-03-12 | 김상현 | 대표값 치환을 이용한 데이터 보호 방법 및 장치 |
| KR101892516B1 (ko) * | 2017-03-29 | 2018-10-04 | 주식회사 한국정보시스템 | 이기종 네트워크의 장애예측 방법, 장치 및 프로그램 |
| KR20200009939A (ko) * | 2018-07-20 | 2020-01-30 | 주식회사 케이티 | 장애 경보를 이용하여 장애 도메인을 판단하는 장치 및 방법 |
| KR20210086220A (ko) * | 2019-12-31 | 2021-07-08 | 아주대학교산학협력단 | 비정상 트래픽 패턴의 탐지 방법 및 장치 |
-
2021
- 2021-08-12 KR KR1020210106871A patent/KR102691044B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130025800A (ko) * | 2011-09-02 | 2013-03-12 | 김상현 | 대표값 치환을 이용한 데이터 보호 방법 및 장치 |
| KR101892516B1 (ko) * | 2017-03-29 | 2018-10-04 | 주식회사 한국정보시스템 | 이기종 네트워크의 장애예측 방법, 장치 및 프로그램 |
| KR20200009939A (ko) * | 2018-07-20 | 2020-01-30 | 주식회사 케이티 | 장애 경보를 이용하여 장애 도메인을 판단하는 장치 및 방법 |
| KR20210086220A (ko) * | 2019-12-31 | 2021-07-08 | 아주대학교산학협력단 | 비정상 트래픽 패턴의 탐지 방법 및 장치 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102577019B1 (ko) * | 2023-03-17 | 2023-09-11 | (주)지에스티 | Ict 융합 기술을 이용한 장애 진단 솔루션 시스템 |
| CN118250093A (zh) * | 2024-05-27 | 2024-06-25 | 国网浙江省电力有限公司杭州市富阳区供电公司 | 一种横向威胁感知方法、装置、设备、介质及产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102691044B1 (ko) | 2024-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10795753B2 (en) | Log-based computer failure diagnosis | |
| US11210145B2 (en) | Systems and methods to manage application program interface communications | |
| US10187415B2 (en) | Cognitive information security using a behavioral recognition system | |
| US11294744B2 (en) | Ensemble risk assessment method for networked devices | |
| JP6643211B2 (ja) | 異常検知システム及び異常検知方法 | |
| KR102691044B1 (ko) | 이기종 네트워크 장비들을 위한 장애 경보 분류 장치 및 방법 | |
| CN113255333A (zh) | 用于神经语言行为识别系统的感知联想记忆 | |
| US10594546B1 (en) | Method, apparatus and article of manufacture for categorizing computerized messages into categories | |
| CN107111609B (zh) | 用于神经语言行为识别系统的词法分析器 | |
| US20210027167A1 (en) | Model structure extraction for analyzing unstructured text data | |
| US11822578B2 (en) | Matching machine generated data entries to pattern clusters | |
| AU2020200629A1 (en) | Method and system for reducing incident alerts | |
| US20180240022A1 (en) | System and method for predictive oid field identification | |
| US11182267B2 (en) | Methods and systems to determine baseline event-type distributions of event sources and detect changes in behavior of event sources | |
| CN114996936A (zh) | 设备运维方法、设备运维装置、设备运维设备及存储介质 | |
| Wang et al. | Nlp-based cross-layer 5g vulnerabilities detection via fuzzing generated run-time profiling | |
| WO2018228667A1 (en) | Automatic feature selection in machine learning | |
| CN115544202A (zh) | 告警处理方法、装置及存储介质 | |
| WO2022171308A1 (en) | Methods, apparatus and machine-readable mediums relating to machine learning models | |
| US11994939B2 (en) | Systems and methods for generating remedy recommendations for power and performance issues within semiconductor software and hardware | |
| KR102519749B1 (ko) | 인공지능 기반의 기술정보 관리 방법, 시스템 및 장치 | |
| US20240330365A1 (en) | System and method using a large language model (llm) and/or regular expressions for feature extractions from unstructured or semi-structured data to generate ontological graph | |
| KR20240102324A (ko) | 인공지능에 기초하여 네트워크 근원 장애를 분석하는 방법 및 장치 | |
| Touma et al. | A practical approach for applying Machine Learning in the detection and classification of network devices used in building management | |
| CN118567936A (zh) | 用于生成日志的方法、电子设备以及计算机程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |