KR102527933B1 - 동적 임계치를 기반으로 데이터를 실시간 모니터링하는 데이터 관리 장치 및 방법 - Google Patents
동적 임계치를 기반으로 데이터를 실시간 모니터링하는 데이터 관리 장치 및 방법 Download PDFInfo
- Publication number
- KR102527933B1 KR102527933B1 KR1020220143488A KR20220143488A KR102527933B1 KR 102527933 B1 KR102527933 B1 KR 102527933B1 KR 1020220143488 A KR1020220143488 A KR 1020220143488A KR 20220143488 A KR20220143488 A KR 20220143488A KR 102527933 B1 KR102527933 B1 KR 102527933B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- value
- threshold
- values
- output
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 32
- 238000012545 processing Methods 0.000 description 20
- 238000013473 artificial intelligence Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013523 data management Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
- G06F11/3075—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting the data filtering being achieved in order to maintain consistency among the monitored data, e.g. ensuring that the monitored data belong to the same timeframe, to the same system or component
-
- 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
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
- G06F2201/805—Real-time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
- G06F2201/81—Threshold
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Debugging And Monitoring (AREA)
- Computer Hardware Design (AREA)
Abstract
실시예들은 동적 임계치 기반 실시간 데이터 모니터링 방법을 제공한다. 본 발명의 실시예에 따른 데이터 모니터링 방법은, 사용자 전자장치로부터 적어도 하나의 데이터를 상기 데이터의 종류에 따라 개별적으로 미리 설정된 주기마다 수신하여 데이터값을 생성하고, 상기 데이터값을 포함하는 데이터 세트를 생성하는 단계; 상기 데이터 세트의 상기 데이터값을 상기 데이터값에 대응하는 임계값과 각각 비교하고 비교 결과를 출력하는 단계; 상기 비교 결과를 기초로 상기 사용자 전자장치에 알림 신호를 송신하는 단계;를 포함하되, 상기 데이터값은, 제1 시기 내지 제n 시기에 각각 수신된 제1 내지 제n 데이터값을 포함하고, 상기 제n 시기는 제n-1 시기에 후속하고, n은 2 이상의 자연수이고, 상기 임계값은, 상기 제1 내지 제n 데이터값 각각에 대응하는 제1 내지 제n 임계값을 포함할 수 있다.
Description
본 발명의 실시예들은 데이터를 모니터링하는 장치 및 방법에 관한 것으로, 보다 구체적으로는 동적 임계치 분석 기법을 기반으로 시간의 흐름에 따라 데이터의 변화를 추적하여 이상 데이터 발생 시 알림 신호를 송신하는 장치 및 방법에 관한 것이다.
최근 IoT, 클라우드, 인공지능, 빅데이터 등과 같은 ICT 기술기반 서비스가 빠르게 증가함에 따라, 고용량 데이터를 실시간으로 처리하기 위한 클라우드 기반의 고성능 컴퓨팅 자원 활용이 증가하고 있다.
이와 더불어 클라우드 서버 등과의 연결을 통한 빅데이터(Big data) 처리 기술 등이 IoT 기술에 결합된 IoE (Internet of Everything) 기술도 대두되고 있다. 이에 따라, 여러 전자 장치에서 생성되는 다양한 데이터를 모니터링하고 관리하는 기술의 필요성 또한 증가하고 있다.
그러나, 종래의 데이터 모니터링 장치 및 방법은 고정된 임계치를 기준으로 측정된 데이터가 임계치에 도달하였는지 여부만을 모니터링할 뿐이어서, 데이터가 생성되는 네트워크 환경의 변화에 따라 적절한 피드백을 제공하지 못하는 단점이 있다.
실시예들은, 상기한 문제점을 해결하기 위한 데이터 모니터링 장치 및 방법으로서, 데이터 모니터링에 관한 누적 데이터를 반영하여 임계치를 조정하는 장치 및 방법을 제공한다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 발명의 일 실시예에 따른 데이터 모니터링 방법은, 적어도 하나의 데이터를 상기 데이터의 종류에 따라 개별적으로 미리 설정된 주기마다 수신하여 데이터값을 생성하고, 상기 데이터값들의 집합인 데이터 세트를 생성하는 단계; 상기 데이터 세트의 상기 데이터값을 상기 데이터값에 대응하는 임계값과 각각 비교하고 비교 결과를 출력하는 단계; 상기 비교 결과를 기초로 사용자 전자장치에 알림 신호를 송신하는 단계;를 포함하되, 상기 데이터값은, 제n 시기에 수신된 제n 데이터값을 포함하고, n은 자연수이고, 상기 제n 시기는 제n-1 시기에 후속하고, 상기 임계값은, 상기 제n 데이터값에 대응하는 제n 임계값을 포함하고, 상기 제n 임계값은, 제1 임계값 내지 제n-1 임계값 중 적어도 하나에 의해 결정될 수 있다.
[수학식]
상기 제n 임계값은, 상기 [수학식]에 의해 산출되고, 상기 [수학식]에서, vT(n)는 제n 임계값, D(n)는 제n 데이터값, n는 데이터가 수신된 시기를 의미하는 2 이상의 자연수, c는 보정 계수를 의미할 수 있다.
상기 제n 임계값은, 상기 데이터 세트에 포함된 데이터값들 중 제1 시기 내지 상기 제n-1 시기에 수신된 데이터값들에 의해 결정될 수 있다.
상기 제n 임계값은, 상기 제1 시기 내지 상기 제n-1 시기에 수신된 데이터값들 중 최댓값, 상기 제1 시기 내지 상기 제n-1 시기에 수신된 데이터값들 중 최솟값, 및 상기 제1 시기 내지 상기 제n-1 시기에 수신된 데이터값들의 표준편차를 기초로 산출될 수 있다.
프로세서에 의해 상기 제n 임계값을 보정하는 단계;를 더 포함하고, 상기 프로세서는, 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 다층 신경망; 및 상기 제1 시기 내지 상기 제n-1 시기에 수신된 데이터값을 입력값으로 하고 상기 제n 임계값을 출력값으로 하는 학습 데이터를 사용하여 상기 다층 신경망을 지도학습시켜 상기 학습 데이터를 기초로 최적화된 하이퍼파라미터(hyperparameter)를 산출하는 학습 엔진;을 포함하고, 상기 입력 레이어는, 상기 제1 시기 내지 상기 제n-1 시기에 수신된 데이터값을 입력받고, 상기 하나 이상의 히든 레이어는, 상기 입력 레이어의 출력값 각각에 대하여 가중치를 곱하고, 바이어스를 더하여 출력하고, 상기 출력 레이어는, 상기 히든 레이어의 출력값을 입력받아 활성화 함수를 이용하여 출력 벡터를 출력하고, 상기 다층 신경망은 상기 출력 레이어에 연결된 손실함수 레이어를 포함하고, 상기 출력 벡터는 상기 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 피드백 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 다층 신경망의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 수 있다.
본 발명의 실시예들에 따른 데이터 모니터링 방법은, 서버에서 수신되는 데이터의 변화에 따라 비교 기준이 되는 임계값을 실시간으로 변경하여 데이터를 모니터링할 수 있다. 이에 따라, 보다 정확하게 이상 동작이 발생하였음을 알리는 알림 신호를 생성할 수 있고, 네트워크 환경의 변화에 따라 적절한 피드백을 제공할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 본 발명의 일 실시예에 따른 서버 및 사용자 전자장치가 연결된 네트워크 환경을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 서버의 구조를 설명하기 위한 블록도이다.
도 3은 서버의 프로세서에서 구현되는 인공지능 모듈을 설명하기 위한 블록도이다.
도 4는 도 3의 다층 신경망의 구조를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 데이터 모니터링 방법을 설명하기 위한 흐름도이다.
도 6은 서버가 수신하는 데이터값들을 나타내는 그래프이다.
도 7은 서버가 수신하는 데이터값들을 나타내는 그래프이다.
도 1은 본 발명의 일 실시예에 따른 서버 및 사용자 전자장치가 연결된 네트워크 환경을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 서버의 구조를 설명하기 위한 블록도이다.
도 3은 서버의 프로세서에서 구현되는 인공지능 모듈을 설명하기 위한 블록도이다.
도 4는 도 3의 다층 신경망의 구조를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 데이터 모니터링 방법을 설명하기 위한 흐름도이다.
도 6은 서버가 수신하는 데이터값들을 나타내는 그래프이다.
도 7은 서버가 수신하는 데이터값들을 나타내는 그래프이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"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. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 본 발명의 일 실시예에 따른 서버 및 사용자 전자장치가 연결된 네트워크 환경을 개략적으로 도시한 도면이다. 도 2는 본 발명의 일 실시예에 따른 서버의 구조를 설명하기 위한 블록도이다.
도 1을 참조하면, 네트워크 환경에서 복수의 사용자 전자장치(200)는 네트워크를 통하여 서버(100)와 통신할 수 있다. 네트워크 환경에서 서버(100)는 근거리 무선 통신 네트워크를 통하여 복수의 사용자 전자장치(200)와 통신하거나, 또는 원거리 무선 통신 네트워크를 통하여 복수의 사용자 전자장치(200) 중 적어도 하나와 통신할 수 있다. 서버(100)는 서버(100)에 연결된 복수의 사용자 전자장치(200)를 관리할 수 있다. 서버(100)는 전자장치(200)로부터 데이터를 수신하고, 수신한 데이터를 처리하고, 처리한 데이터를 저장할 수 있다.
서버(100)는 서버(100)에 연결된 복수의 사용자 전자장치(200) 각각에 대해 데이터 관리프로그램을 제공할 수 있다. 데이터 관리프로그램은, Manager, Agent, Viewer 의 3-Tier 로 구성될 수 있다. Agent는 데이터 수집을 담당할 수 있다. Manager는 성능과 Event 감지를 위해 데이터를 수집하여 저장할 수 있다. 또한 Manager는 각 항목별 데이터에 대응하는 임계값들을 저장할 수 있다. Manager는 각 항목별 데이터들을 이에 대응하는 임계값과 비교하고, 이상 동작이 감지되는 경우 사용자에게 알림 신호를 전달할 수 있다. Viewer는 사용자가 각각의 데이터를 조회하여 그래프 및 차트를 확인할 수 있도록 데이터를 도식화하여 출력해줄 수 있다. 데이터 관리프로그램은 서버(100)의 메모리에 소프트웨어로서 저장될 수 있다. 데이터 관리프로그램은 사용자 전자장치의 하나 이상의 리소스들을 제어하기 위한 운영 체제, 미들웨어, 또는 운영 체제에서 실행 가능한 어플리케이션을 포함할 수 있다.
복수의 사용자 전자장치(200)는 사용자의 조작에 의해 다양한 데이터를 생성할 수 있다. 이를 위해, 사용자 전자장치는 입력 모듈, 프로세서, 및 통신 모듈을 포함할 수 있다. 사용자 전자장치의 프로세서는, 예를 들면, 소프트웨어를 실행하여 프로세서에 연결된 사용자 전자장치의 적어도 하나의 다른 구성요소를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 입력 모듈은, 사용자 전자장치의 구성요소에 사용될 명령 또는 데이터를 사용자 전자장치의 외부(예를 들면, 사용자)로부터 수신할 수 있다. 입력 모듈은, 예를 들면, 마이크, 마우스, 키보드, 키(예를 들면, 버튼), 또는 디지털 펜(예를 들면, 스타일러스 펜)을 포함할 수 있다. 다만 이는 예시적인 것이고 본 발명의 실시예는 이에 제한되지 않는다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 서버(100)는 프로세서(110), 메모리(120), 데이터 관리부(130), 및 알림 생성부(140)를 포함할 수 있다.
프로세서(110)는 적어도 하나의 데이터를 데이터의 종류에 따라 개별적으로 미리 설정된 주기마다 수신하여 데이터값을 생성하고, 데이터값들의 집합인 데이터 세트를 생성할 수 있다.
프로세서(110)가 복수의 사용자 전자장치(200)로부터 수신하는 데이터는 Performance, Process, Log, Filesystem, Ping, PortScan 중 적어도 하나에 대한 데이터를 포함할 수 있다.
프로세서(110)는 각각의 데이터를 미리 설정된 주기마다 복수의 사용자 전자장치(200)로부터 수신할 수 있다. 각 시기에 수신된 데이터는 실수 값을 갖는 '데이터값'으로 수신될 수 있다.
프로세서(110)가 수신하는 데이터값은 복수의 시기에 수신된 복수의 데이터값을 포함할 수 있다. 복수의 데이터값은 제1 데이터값, 제2 데이터값, 제3 데이터값, ??, 제n 데이터값을 포함할 수 있다. 여기서, n은 자연수이고, 제n 시기는 제n-1 시기에 후속하는 시기일 수 있다.
프로세서(110)는 데이터값들을 기초로 안전 범위를 산출할 수 있다. 여기서, 안전 범위란, 서버(100)가 수신하는 특정 데이터에 대해, 데이터값이 분포할 수 있는 정상 범위를 의미할 수 있다. 즉, 서버(100)가 사용자 전자장치(200)로부터 수신하는 데이터값이 안전 범위 내에 속하는 경우, 서버(100)의 프로세서(110)는 사용자 전자장치(200)에 오류가 발생하지 않은 것으로 판단할 수 있다.
프로세서(110)는 데이터 세트의 데이터값을 데이터값에 대응하는 임계값과 각각 비교하고, 비교 결과를 출력할 수 있다. 여기서, 임계값이란, 서버(100)가 사용자 전자장치(200)로부터 수신한 데이터값들이 정상 범위에 있는 것인지 판단하기 위해 기준이 되는 값일 수 있다.
프로세서(110)는 데이터 세트에 포함된 데이터값들 중 제1 시기에 수신된 데이터값 내지 제n-1 시기에 수신된 데이터값들을 기초로 제n 임계값을 산출할 수 있다. 또는, 프로세서(110)는 제1 임계값 내지 제n-1 임계값 중 적어도 하나를 기초로 제n 임계값을 산출할 수 있다.
그 밖에 프로세서(110)는 다른 구성요소로부터 수신된 명령 또는 데이터를 휘발성 메모리에 저장하고, 휘발성 메모리에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다. 일 실시예에서, 프로세서(110)는 메인 프로세서(예를 들면, 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(예를 들면, 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 센서 허브 프로세서)를 포함할 수 있다. 예를 들어, 서버(100)가 메인 프로세서 및 보조 프로세서를 포함하는 경우, 보조 프로세서는 메인 프로세서보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서는 메인 프로세서와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서는, 예를 들면, 메인 프로세서가 인액티브 상태에 있는 동안 메인 프로세서를 대신하여, 또는 메인 프로세서가 액티브 상태에 있는 동안 메인 프로세서와 함께, 서버(100)의 구성요소들 중 적어도 하나의 구성요소와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시예에서, 보조 프로세서는 기능적으로 관련 있는 다른 구성요소의 일부로서 구현될 수 있다.
일 실시예에서, 보조 프로세서가 신경망 처리 장치인 경우, 보조 프로세서는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 서버(100) 자체에서 수행될 수 있고, 별도의 서버를 통해 수행될 수도 있다.
학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(120)는 복수의 사용자 전자장치(200)로부터 수신한 데이터 및 데이터값들을 저장할 수 있다. 또한 메모리(120)는 프로세서(110)가 데이터값들을 기초로 생성한 적어도 하나의 임계값들을 저장할 수 있다. 메모리(120)는 프로세서(110)가 데이터값들을 기초로 생성한 안전 범위 경계값을 저장할 수 있다.
그 밖에 메모리(120)는, 서버(100)의 적어도 하나의 구성요소에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(120)는, 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다.
데이터 관리부(130)는 프로세서(110)에 의해 복수의 사용자 전자장치(200)로부터 수신한 데이터값들을 기초로 데이터 세트를 생성할 수 있다. 데이터 세트는 고유의 데이터 종류에 대한 정보를 포함할 수 있다. 복수의 사용자 전자장치(200) 각각으로부터 수신된 데이터는 다양할 수 있다. 데이터는 적어도 하나의 분류기준에 따라 분류될 수 있다. 데이터 관리부(130)는 메모리(120)에 저장된 데이터들을 기초로 데이터베이스를 구축할 수 있다. 데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 서버(100)의 저장공간에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터베이스 관리 프로그램을 이용하여, 프로세서(110) 또는 데이터 관리부(130)의 제어 신호에 응답하여, 데이터베이스 내에 저장된 하나 이상의 임계값 중 어느 하나를 선택할 수 있다. 구체적으로, 데이터베이스는 데이터 관리부(130)의 제어에 기초하여 데이터베이스에 저장된 하나 이상의 임계값을 선택하여 출력할 수 있다.
알림 생성부(140)는 서버(100)에 수신된 데이터값이 허용 범위를 벗어나는 경우(예를 들면, 데이터값에 대응하는 임계값을 초과하는 경우, 또는 임계값 미만인 경우 등) 알림 신호를 생성할 수 있다. 알림 생성부(140)가 생성하는 알림의 종류는 다양할 수 있다. 예를 들면, 알림 생성부(140)는 데이터값이 허용 범위를 벗어나는 경우, 사용자 전자장치(200)의 디스플레이에 경고 메시지를 출력하도록 사용자 전자장치(200)를 제어할 수 있다.
통신 모듈(150)은 서버(100)와 외부 전자 장치 간의 유선 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(150)은 프로세서(110)와 독립적으로 운영되고, 유선 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에서, 통신 모듈(150)은 무선 통신 모듈 또는 유선 통신 모듈을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 네트워크를 통하여 서버(100)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소로 통합되거나, 또는 서로 별도의 복수의 구성요소들로 구현될 수 있다.
무선 통신 모듈은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역을 지원할 수 있다. 무선 통신 모듈은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈은 서버(100), 외부 전자 장치 또는 네트워크 시스템에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시예에서, 무선 통신 모듈은 eMBB 실현을 위한 Peak data rate, mMTC 실현을 위한 손실 Coverage 또는 URLLC 실현을 위한 U-plane latency를 지원할 수 있다.
안테나 모듈(160)은 신호 또는 전력을 외부 전자 장치로 송신하거나 외부로부터 수신할 수 있다. 일 실시예에서, 안테나 모듈(160)은 서브스트레이트 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에서, 안테나 모듈(160)은 복수의 안테나들을 포함할 수 있다. 이 경우, 네트워크와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(150)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(150)과 외부 전자 장치 간에 송신되거나 수신될 수 있다.
일 실시예에서, 명령 또는 데이터는 네트워크에 연결된 서버(100)와 사용자 전자장치(200)간에 송신 또는 수신될 수 있다. 서버(100)는 사용자 전자장치(200)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시예에서, 서버(100)에서 실행되는 동작들의 전부 또는 일부는 사용자 전자장치(200)에서 실행될 수 있다.
예를 들면, 서버(100)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 서버(100)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 서버(100)로 전달할 수 있다. 서버(100)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 서버(100)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다.
서버(100)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신할 수 있다. 서버(100)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
서버(100)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(100)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(100)는, 전술한 서버 프로그램 이외에도, 서버(100) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 한다)를 포함하는 넓은 개념으로 이해되어야 할 것이다.
도 3은 서버의 프로세서에서 구현되는 인공지능 모듈을 설명하기 위한 블록도이다. 도 4는 도 3의 다층 신경망의 구조를 설명하기 위한 도면이다.
도 3을 참조하면, 프로세서(110)는 다층 신경망(111), 학습 엔진(112)을 포함할 수 있다.
학습 엔진(112)은 복수의 학습 데이터를 사용하여 다층 신경망(111)을 미리 지도학습시킬 수 있다. 다층 신경망(Multilayer Neural Network)은 많은 수의 인공 뉴런(또는, 노드)들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 예측 모델이다.
학습 엔진(112)은, 다층 신경망(111)이 학습 데이터를 기초로 컨텐츠 선택 신호를 정확하게 생성할 수 있도록, 서버(100)가 수신하는 데이터값을 입력값으로 하고, 프로세서(110)에 의해 산출되는 임계값을 출력값으로 하는 학습 데이터를 사용하여 다층 신경망(111)을 지도학습시킬 수 있다. 데이터값과 임계값에 대해서는 후술한다.
이때, 지도학습이란, 입력값과 그에 따른 출력값이 있는 데이터를 학습 데이터로 이용하여 주어진 입력값에 따른 출력값을 찾는 학습을 의미하며, 정답을 알고 있는 상태에서 이루어지는 학습을 의미한다. 지도 학습에서 주어지는 입력값과 출력값 세트를 학습 데이터(Training Data)라고 한다.
도 6을 참조하면, 다층 신경망(111)은 입력 레이어(111_a), 하나 이상의 히든 레이어(111_b), 및 출력 레이어(111_c)을 포함할 수 있다.
일 실시예에서, 다층 신경망(111)은, 입력값을 입력받고 제1 특징 벡터의 성분 개수에 상응하는 노드들을 갖는 입력 레이어(111_a), 입력 레이어(111_a)의 출력값 각각에 대하여 가중치를 곱하고, 바이어스(bias)를 더하여 출력하는 제1 히든 레이어, 및 제1 히든 레이어의 출력값 각각에 대하여 가중치를 곱하고, 바이어스를 더하여 출력하는 제2 히든 레이어, 및 제2 히든 레이어의 출력값 각각에 대하여 가중치를 곱하고, 그 결과를 활성화 함수를 이용하여 출력하는 출력 레이어(output layer)(111_c)를 포함할 수 있다. 비록 도 6에서는 2개의 히든 레이어만이 도시되었으나, 하나 이상의 히든 레이어(111_b)은, 제1 히든 레이어, 제2 히든 레이어 외에 더 많은 수의 히든 레이어를 포함할 수 있다.
예를 들어, 활성화 함수는 Softmax 함수일 수 있으나, 본 발명의 실시예는 이에 제한되는 것은 아니고, 활성화 함수는 LeRU 함수 등 다른 다양한 함수일 수 있다. 가중치와 바이어스는 지도학습에 의해 지속적으로 갱신될 수 있다.
구체적으로, 출력 벡터는 출력 레이어(111_c)에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 다층 신경망(111)의 파라미터는 손실값이 작아지는 방향으로 지도학습될 수 있다.
예를 들어, 손실함수 레이어는 [수학식 1]을 따라 손실 값을 계산할 수 있다. [수학식 1]에서, N은 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.
또는, 손실함수 레이어는 [수학식 2]를 따라 손실 값을 계산할 수 있다. [수학식 2]에서, n은 클래스 별 학습 데이터의 수, y와 j는 클래스를 나타내는 식별자, C는 상수값, M은 클래스의 개수, x_y는 학습 데이터가 클래스 y에 속할 확률값, x_j는 학습 데이터가 클래스 j에 속할 확률값, L은 손실값을 의미할 수 있다.
이를 위해, 프로세서(110)는 인공지능 기계학습 모델을 포함할 수 있다. 서버(100)가 하드웨어로 구현되는 경우, 프로세서(110)는 기계학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 기계학습 모델은 인공지능 기계 학습을 통해 생성될 수 있다.
기계 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
프로세서(110)는 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스에 탑재될 수 있다. 예를 들어, 프로세서(110)는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 디바이스에 탑재될 수도 있다.
이 경우, 프로세서(110)는 하나의 디바이스에 탑재될 수도 있으며, 또는 별개의 디바이스에 탑재될 수도 있다. 한편, 프로세서(110)의 학습 모델은 소프트웨어 모듈로 구현될 수 있다. 학습 모델이 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 어플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 어플리케이션에 의해 제공될 수 있다.
도 5는 본 발명의 일 실시예에 따른 데이터 모니터링 방법을 설명하기 위한 흐름도이다. 도 6은 서버가 수신하는 데이터값들을 나타내는 그래프이다. 도 7은 서버가 수신하는 데이터값들을 나타내는 그래프이다.
도 5를 참조하면, 먼저 S510 단계에서, 프로세서(110)는 적어도 하나의 데이터를 데이터의 종류에 따라 개별적으로 미리 설정된 주기마다 수신하여 데이터값을 생성하고, 데이터값들의 집합인 데이터 세트를 생성한다.
서버(100)에서 복수의 사용자 전자장치(200)로부터 수신하는 데이터는 다양할 수 있다. 서버(100)가 복수의 사용자 전자장치(200)로부터 수신하는 데이터는 Performance, Process, Log, Filesystem, Ping, PortScan 중 적어도 하나를 포함할 수 있다. 서버(100)는 각각의 데이터를 미리 설정된 주기마다 복수의 사용자 전자장치(200)로부터 수신할 수 있다. 이 경우, 주기는 데이터의 종류에 따라 상이할 수 있다. 예를 들면, 'Performance' 데이터의 경우 수신 주기는 60초일 수 있다. 'Process' 데이터의 경우 수신 주기는 20초일 수 있다. 'Filesystem' 데이터의 경우 수신 주기는 60초일 수 있다. 각 시기에 수신된 데이터는 실수(real number) 값을 갖는 '데이터값'으로 수신될 수 있다. 이 경우 각각의 데이터값의 파라미터는 데이터의 종류에 따라 상이할 수 있다.
데이터값은 제n 시기에 수신된 제n 데이터값을 포함할 수 있다. 즉, 데이터값은, 제1 시기에 수신된 제1 데이터값, 제2 시기에 수신된 제2 데이터값, 제3 시기에 수신된 제3 데이터값, ??, 제n-1 시기에 수신된 제n-1 데이터값, 제n 시기에 수신된 제n 데이터값을 포함할 수 있다. 여기서, n은 자연수이고, 제n 시기는 제n-1 시기에 후속하는 시기일 수 있다. 데이터 관리부(130)는 수신한 데이터값들을 기초로 데이터 세트를 생성할 수 있다. 데이터 세트는 고유의 데이터 종류에 대한 정보를 포함할 수 있다.
도 6은 특정 데이터에 대해, 시간의 흐름에 따라 서버(100)에서 수신한 데이터값들을 나타낸다. 도 6에 도시된 데이터의 수신 주기는 T이다. 도 6을 참조하면, 제1 시기(t축의 1) 내지 제5 시기(t축의 5)에 수신된 데이터값들의 크기는 각각 다를 수 있다. 제1 시기(1) 내지 제5 시기(5)에 수신된 데이터값의 최댓값은 제3 시기(3)에 수신한 데이터값(D(3))이고, 제1 시기(1) 내지 제5 시기(5)에 수신된 데이터값의 최솟값은 제2 시기(2)에 수신한 데이터값(D(2))이다.
일 실시예에서, 프로세서(110)는 데이터값들을 기초로 안전 범위를 산출할 수 있다. 여기서, 안전 범위란, 서버(100)가 수신하는 특정 데이터에 대해, 데이터값이 분포할 수 있는 정상 범위를 의미할 수 있다. 즉, 서버(100)가 사용자 전자장치(200)로부터 수신하는 데이터값이 안전 범위 내에 속하는 경우, 서버(100)의 프로세서(110)는 사용자 전자장치(200)에 오류가 발생하지 않은 것으로 판단할 수 있다. 다만, 이는 예시적인 것이고, 서버(100)의 프로세서(110)는 다양한 데이터들을 더 분석하여, 분석 결과를 기초로 사용자 전자장치(200)에 오류가 발생하였는지 판단할 수 있다.
일 실시예에서, 안전 범위는 특정 시간 구간에서 수신된 데이터값들의 최댓값과 최솟값을 기초로 산출될 수 있다. 구체적으로, 안전 범위는, 특정 시간 구간에서 수신된 데이터값들의 최댓값에 특정 시간 구간에서 수신된 데이터값들의 표준편차를 더한 값과, 특정 시간 구간에서 수신된 데이터값들의 최솟값에 특정 시간 구간에서 수신된 데이터값들의 표준편차를 뺀 값을 기준으로 산출될 수 있다.
예를 들면, 안전 범위는 제2 시기(2)에 수신한 데이터값(D(2))과 제3 시기()에 수신한 데이터값(D(3))을 기초로 산출될 수 있다. 이 경우, 안전 범위는, 제2 시기(2)에 수신한 데이터값에서 제1 시기(1) 내지 제5 시기(5)에 수신한 데이터값의 표준편차를 뺀 값부터, 제3 시기(3)에 수신한 데이터값에서 제1 시기(1) 내지 제5 시기(5)에 수신한 데이터값의 표준편차를 더한 값까지의 범위로서 산출될 수 있다.
S520 단계에서, 프로세서(110)는 데이터 세트의 데이터값을 데이터값에 대응하는 임계값과 각각 비교하고, 비교 결과를 출력한다.
여기서, 임계값이란, 서버(100)가 사용자 전자장치(200)로부터 수신한 데이터값들이 정상 범위에 있는 것인지 판단하기 위해 기준이 되는 값일 수 있다.
임계값(v_T)은, 제1 데이터값에 대응하는 제1 임계값, 제2 데이터값에 대응하는 제2 임계값, 제3 데이터값에 대응하는 제3 임계값, ??, 제n-1 데이터값에 대응하는 제n-1 임계값, 제n 데이터값에 대응하는 제n 임계값을 포함할 수 있다. 이 경우, 프로세서(110)는 제1 데이터값을 제1 임계값과 비교하여 비교 결과를 출력할 수 있다. 또한, 프로세서(110)는 제2 데이터값을 제2 임계값과 비교하여 비교 결과를 출력할 수 있다. 마찬가지로 프로세서(110)는 제n 데이터값을 제n 임계값과 비교하여 비교 결과를 출력할 수 있다.
일 실시예에서, 제n 임계값은, 데이터 세트에 포함된 데이터값들 중 제1 시기에 수신된 제1 데이터값(D(1)) 내지 제n-1 시기에 수신된 제n-1 데이터값(D(n-1))들에 의해 결정될 수 있다. 구체적으로, 프로세서(110)는 제n 임계값을 도 6을 참조하여 전술한 안전 범위의 최댓값에 보정계수를 더한 값으로 산출할 수 있다.
다른 실시예에서, 제n 임계값은 제1 임계값 내지 제n-1 임계값 중 적어도 하나에 의해 결정될 수 있다. 구체적으로, 제n 임계값은 제1 임계값 내지 제n-1 임계값을 기초로 결정될 수 있다. 도 7을 참조하면, 프로세서(110)는 제1 임계값 및 제2 임계값을 기초로 제3 임계값을 결정하고, 제1 임계값 내지 제3 임계값을 기초로 제4 임계값을 결정할 수 있다. 즉, 프로세서(110)는 특정 시간 구간 동안 산출되었던 임계값을 기초로, 특정 시간 구간 이후 시기에 서버(100)가 수신하는 데이터값에 대응하는 임계값을 산출할 수 있다.
프로세서(110)는 [수학식 3]을 이용하여 제n 임계값을 산출할 수 있다.
[수학식 3]에서, vT(n)는 제n 임계값, D(n)는 제n 데이터값, n는 데이터가 수신된 시기를 의미하는 2 이상의 자연수, c는 보정 계수를 의미할 수 있다.
[수학식 3]을 통해, 프로세서(110)는 제n 시기 이전, 즉 제1 내지 제n-1 시기에 수신된 제1 내지 제n-1 데이터값들의 크기를 기초로 임계값의 크기를 조절할 수 있다. 이에 따라, 도 7에 도시된 바와 같이, 특정 시기(도 7의 제6 시기(6))에 크기가 큰 데이터값(도 7의 제6 데이터값D(6))이 수신되는 경우, 이를 반영하여 임계값을 상향 조정할 수 있다.
S530 단계에서, 프로세서(110)는 비교 결과를 기초로 사용자 전자장치에 알림 신호를 송신할 수 있다.
전술한 바와 같이, 본 발명의 모니터링 방법은, 서버에서 수신되는 데이터의 변화에 따라 비교 기준이 되는 임계값을 실시간으로 변경하여 데이터를 모니터링할 수 있다. 이에 따라, 보다 정확하게 이상 동작이 발생하였음을 알리는 알림 신호를 생성할 수 있고, 네트워크 환경의 변화에 따라 적절한 피드백을 제공할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (5)
- 사용자 전자장치로부터 적어도 하나의 데이터를 상기 데이터의 종류에 따라 개별적으로 미리 설정된 주기마다 수신하여 데이터값을 생성하고, 상기 데이터값을 포함하는 데이터 세트를 생성하는 단계;
상기 데이터 세트의 상기 데이터값을 상기 데이터값에 대응하는 임계값과 각각 비교하고 비교 결과를 출력하는 단계;
상기 비교 결과를 기초로 상기 사용자 전자장치에 알림 신호를 송신하는 단계;를 포함하되,
상기 데이터값은, 제1 시기 내지 제n 시기에 각각 수신된 제1 내지 제n 데이터값을 포함하고, 상기 제n 시기는 제n-1 시기에 후속하고, n은 2 이상의 자연수이고,
상기 임계값은, 상기 제1 내지 제n 데이터값 각각에 대응하는 제1 내지 제n 임계값을 포함하고,
[수학식]
상기 제n 임계값은, 상기 [수학식]에 의해 산출되고, 상기 [수학식]에서, vT(n)는 제n 임계값, D(n)는 제n 데이터값, n는 데이터가 수신된 시기를 의미하는 2 이상의 자연수, c는 보정 계수를 의미하는,
동적 임계치 기반 실시간 데이터 모니터링 방법. - 제1항에 있어서,
상기 제n 임계값은, 상기 제1 내지 제n-1 임계값에 의해 결정되는,
동적 임계치 기반 실시간 데이터 모니터링 방법. - 제1항에 있어서,
상기 제n 임계값은, 상기 데이터 세트에 포함된 데이터값들 중 상기 제1 내지 제n-1 데이터값에 의해 결정되는,
동적 임계치 기반 실시간 데이터 모니터링 방법. - 제3항에 있어서,
상기 제n 임계값은, 상기 제1 내지 제n-1 데이터값의 최댓값, 상기 제1 내지 제n-1 데이터값의 최솟값, 및 상기 제1 내지 제n-1 데이터값의 표준편차를 기초로 산출되는,
동적 임계치 기반 실시간 데이터 모니터링 방법. - 제4항에 있어서,
프로세서에 의해 상기 제n 임계값을 보정하는 단계;를 더 포함하고,
상기 프로세서는, 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 다층 신경망; 및 상기 제1 내지 제n-1 데이터값을 입력값으로 하고 상기 제n 임계값을 출력값으로 하는 학습 데이터를 사용하여 상기 다층 신경망을 지도학습시켜 상기 학습 데이터를 기초로 최적화된 하이퍼파라미터(hyperparameter)를 산출하는 학습 엔진;을 포함하고,
상기 입력 레이어는, 상기 제1 내지 제n-1 데이터값을 입력받고, 상기 하나 이상의 히든 레이어는, 상기 입력 레이어의 출력값 각각에 대하여 가중치를 곱하고, 바이어스를 더하여 출력하고, 상기 출력 레이어는, 상기 히든 레이어의 출력값을 입력받아 활성화 함수를 이용하여 출력 벡터를 출력하고,
상기 다층 신경망은 상기 출력 레이어에 연결된 손실함수 레이어를 포함하고, 상기 출력 벡터는 상기 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 피드백 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 다층 신경망의 파라미터는 상기 손실값이 작아지는 방향으로 학습되는,
동적 임계치 기반 실시간 데이터 모니터링 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220143488A KR102527933B1 (ko) | 2022-11-01 | 2022-11-01 | 동적 임계치를 기반으로 데이터를 실시간 모니터링하는 데이터 관리 장치 및 방법 |
| KR1020230054876A KR20240062082A (ko) | 2022-11-01 | 2023-04-26 | 실시간 데이터 모니터링 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220143488A KR102527933B1 (ko) | 2022-11-01 | 2022-11-01 | 동적 임계치를 기반으로 데이터를 실시간 모니터링하는 데이터 관리 장치 및 방법 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230054876A Division KR20240062082A (ko) | 2022-11-01 | 2023-04-26 | 실시간 데이터 모니터링 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102527933B1 true KR102527933B1 (ko) | 2023-04-28 |
Family
ID=86143470
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220143488A KR102527933B1 (ko) | 2022-11-01 | 2022-11-01 | 동적 임계치를 기반으로 데이터를 실시간 모니터링하는 데이터 관리 장치 및 방법 |
| KR1020230054876A KR20240062082A (ko) | 2022-11-01 | 2023-04-26 | 실시간 데이터 모니터링 장치 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230054876A KR20240062082A (ko) | 2022-11-01 | 2023-04-26 | 실시간 데이터 모니터링 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102527933B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200129457A (ko) * | 2019-05-08 | 2020-11-18 | 삼성전자주식회사 | 학습을 수행하는 뉴럴 네트워크 시스템, 그것의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법 |
| KR102320706B1 (ko) * | 2020-11-30 | 2021-11-02 | (주)비스텔리젼스 | 설비 모니터링 시스템의 모델 임계값 설정 방법 |
| KR20220020553A (ko) * | 2020-08-12 | 2022-02-21 | 숭실대학교산학협력단 | 멀티 클라우드 환경에서 애플리케이션 성능 모니터링 방법 및 장치 |
| KR102432284B1 (ko) * | 2021-07-28 | 2022-08-12 | 인프라닉스 아메리카 코퍼레이션 | It관리대상의 이벤트 알람이나 장애 문제를 실시간 자동으로 조치하는 시스템 및 그 운용방법 |
-
2022
- 2022-11-01 KR KR1020220143488A patent/KR102527933B1/ko active IP Right Grant
-
2023
- 2023-04-26 KR KR1020230054876A patent/KR20240062082A/ko unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200129457A (ko) * | 2019-05-08 | 2020-11-18 | 삼성전자주식회사 | 학습을 수행하는 뉴럴 네트워크 시스템, 그것의 학습 방법 및 뉴럴 네트워크 프로세서의 전이 학습 방법 |
| KR20220020553A (ko) * | 2020-08-12 | 2022-02-21 | 숭실대학교산학협력단 | 멀티 클라우드 환경에서 애플리케이션 성능 모니터링 방법 및 장치 |
| KR102320706B1 (ko) * | 2020-11-30 | 2021-11-02 | (주)비스텔리젼스 | 설비 모니터링 시스템의 모델 임계값 설정 방법 |
| KR102432284B1 (ko) * | 2021-07-28 | 2022-08-12 | 인프라닉스 아메리카 코퍼레이션 | It관리대상의 이벤트 알람이나 장애 문제를 실시간 자동으로 조치하는 시스템 및 그 운용방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20240062082A (ko) | 2024-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11128684B2 (en) | Method and apparatus for scheduling service | |
| Huong et al. | Detecting cyberattacks using anomaly detection in industrial control systems: A federated learning approach | |
| US10338993B1 (en) | Analysis of failures in combinatorial test suite | |
| US10082774B2 (en) | Advanced control systems for machines | |
| US11784931B2 (en) | Network burst load evacuation method for edge servers | |
| US10776721B1 (en) | Accelerating configuration of machine-learning models | |
| CN112579194A (zh) | 基于时延和事务吞吐量的区块链共识任务卸载方法及装置 | |
| Chen et al. | Dynamic task software caching-assisted computation offloading for multi-access edge computing | |
| KR20190001501A (ko) | 통신망의 인공지능 운용 시스템 및 이의 동작 방법 | |
| US11513925B2 (en) | Artificial intelligence-based redundancy management framework | |
| WO2022235414A1 (en) | Generating confidence scores for machine learning model predictions | |
| Saguil et al. | A layer-partitioning approach for faster execution of neural network-based embedded applications in edge networks | |
| CN113326132A (zh) | 一种信息调节方法、设备及存储介质 | |
| Song et al. | Adaptive and collaborative edge inference in task stream with latency constraint | |
| Wu et al. | Intelligent and survivable resource slicing for 6G-oriented UAV-assisted edge computing networks | |
| KR102527933B1 (ko) | 동적 임계치를 기반으로 데이터를 실시간 모니터링하는 데이터 관리 장치 및 방법 | |
| Albalawi et al. | Load balancing based on many-objective particle swarm optimization algorithm with support vector regression in fog computing | |
| KR20220073600A (ko) | 최적 파라미터 결정 방법 및 시스템 | |
| KR102511225B1 (ko) | 인공지능 추론모델을 경량화하는 방법 및 시스템 | |
| US11748138B2 (en) | Systems and methods for computing a success probability of a session launch using stochastic automata | |
| Song et al. | Latency minimization for mobile edge computing enhanced proximity detection in road networks | |
| Al‐Najjar et al. | Scheduling of workflow jobs based on twostep clustering and lowest job weight | |
| Dasari et al. | Distributed computation offloading framework for the tactical edge | |
| Khan et al. | An expert system for hybrid edge to cloud computational offloading in heterogeneous MEC–MCC environments | |
| Zhang et al. | Weighted Bayesian Runtime Monitor: A Novel QoS Monitoring Approach Sensitive to Environmental Factors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |