KR102556788B1 - 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법 - Google Patents

다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법 Download PDF

Info

Publication number
KR102556788B1
KR102556788B1 KR1020230070789A KR20230070789A KR102556788B1 KR 102556788 B1 KR102556788 B1 KR 102556788B1 KR 1020230070789 A KR1020230070789 A KR 1020230070789A KR 20230070789 A KR20230070789 A KR 20230070789A KR 102556788 B1 KR102556788 B1 KR 102556788B1
Authority
KR
South Korea
Prior art keywords
instance
performance
agent
information
unit
Prior art date
Application number
KR1020230070789A
Other languages
English (en)
Inventor
박권재
Original Assignee
(주)와치텍
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 (주)와치텍 filed Critical (주)와치텍
Priority to KR1020230070789A priority Critical patent/KR102556788B1/ko
Application granted granted Critical
Publication of KR102556788B1 publication Critical patent/KR102556788B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/301—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is a virtual computing platform, e.g. logically partitioned systems
    • 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
    • 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
    • G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • G06F9/54—Interprogram communication
    • G06F9/541—Interprogram communication via adapters, e.g. between incompatible applications
    • 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
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45562—Creating, deleting, cloning virtual machine instances
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45591—Monitoring or debugging support
    • 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
    • G06F2201/875—Monitoring of systems including the internet

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법이 개시된다. 본 바람의 바람직한 실시 예에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법은 PaaS 환경에 설치된 애플리케이션에 상주하며 개별 인스턴스에 대한 성능정보를 관제하고, 인스턴스의 생성 및 삭제를 감지하는 에이전트를 제어하는 에이전트관리부와 상기 에이전트관리부에서 수집된 애플리케이션 구성정보와 성능정보를 관리하고 시각화하는 애플리케이션매니저부와 수집된 데이터를 기반으로 애플리케이션의 성능을 분석하고, 분석정보를 통해 이벤트 및 장애 발생을 관리하는 데이터분석부와 상기 애플리케이션매니저부와 데이터분석부에서 분석 및 시각화한 데이터를 웹브라우저를 통해 사용자에게 제공하는 웹서버부를 포함할 수 있다.

Description

다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법{Machine learning method for performance monitoring and events for multiple web applications}
본 발명은 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법에 관한 것으로, 보다 상세하게는 PaaS 환경에 설치된 애플리케이션들에 상주하며 인스턴스 생성 및 삭제에 대응해 에이전트를 설치, 삭제하고 설치된 에이전트를 통해 인스턴스의 구성 및 성능정보를 수집하여 실시간 성능정보를 시각화해 제공하고, 수집된 애플리케이션의 성능정보를 머신러닝 기반으로 분석 및 학습하고, 이를 빅데이터 모델로 구성해 이후 수집되는 성능정보와의 분석 및 비교를 통해 장애이벤트 발생에 대한 기조를 사전 예측해 사용자에게 제시하는 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법에 관한 것이다.
인프라 구성의 흐름이 온프레미스에서 클라우드 형태로 옮겨는 추세이며, 이러한 클라우드 플랫폼에서의 애플리케이션 서비스는 시스템 사용율에 따라 운영을 위한 인스턴스에 대한 자동화된 규모 변경이 이루어 진다. 기존 웹 애플리케이션 모니터링 시스템은 WAS의 인스턴스를 대상으로 성능을 수집하는데 그쳐 인스턴스의 변화와 전체 웹서비스 운영의 흐름을 파악하는데는 부족함이 있다. 때문에, 인스턴스의 설치 및 삭제에 대응하고, 웹서비스의 성능의 전체적인 흐름과 사전에 장애 발생을 예측에 사용자가 대비할 수 있도록 제공할 수 있는 기술이 필요한 실정이다.
본 발명이 해결하고자 하는 과제는 인프라 운영이 자유로운 클라우드 환경에서 다양한 웹애플리케이션의 인스턴스의 성능정보와 대상 인스턴스의 오토스케일링에 따라 반응할 수 있는 자동화된 성능모니터링 방안을 제안하는 것이다.
또한 학습된 인스턴스의 성능정보를 바탕으로 웹서비스 장애 발생 전 예측할 수 있도록 장애 예측 정보를 사용자에게 제공하는 것이다.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일 실시 예에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법은 PaaS 환경에 설치된 애플리케이션에 상주하며 개별 인스턴스에 대한 성능정보를 관제하고, 인스턴스의 생성 및 삭제를 감지하는 에이전트를 제어하는 에이전트관리부와; 상기 에이전트관리부에서 수집된 애플리케이션 구성정보와 성능정보를 관리하고 시각화하는 애플리케이션매니저부와; 수집된 데이터를 기반으로 애플리케이션의 성능을 분석하고, 분석정보를 통해 이벤트 및 장애 발생을 관리하는 데이터분석부와; 상기 애플리케이션매니저부와 데이터분석부에서 분석 및 시각화한 데이터를 웹브라우저를 통해 사용자에게 제공하는 웹서버부;를 포함할 수 있다.
또한 상기 기술적 과제를 달성하기 위한 본 발명의 다른 실시 예에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법에 있어 상기 에이전트관리부는 관제환경에 설치된 각 애플리케이션 하위에 있는 인스턴스에 에이전트를 상주시켜 애플리케이션과 인스턴스의 구성 및 성능정보를 수집하여 상기 애플리케이션매니저부에 전달하고, 애플리케이션 하위 인스턴스가 생성되는 경우 해당 인스턴스에 ID를 부여하고 인스턴스와 연동된 에이전트를 동일한 ID로 추가해 구성 및 성능정보를 수집하고, 설치된 관제 인스턴스와 매시간 N회(N은 1 이상의 자연수) 이상의 통신이 연결되지 않은 경우 인스턴스가 삭제된 것으로 판단해 해당 인스턴스와 연관된 에이전트를 삭제하는 것;을 포함할 수 있다.
또한 상기 기술적 과제를 달성하기 위한 본 발명의 다른 실시 예에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법에 있어 상기 에이전트관리부에서 관제대상 인스턴스와 에이전트를 관리(설치~삭제)하는 방법은, 상기 에이전트관리부에서 관제 환경의 애플리케이션 내 인스턴스 생성여부를 판단하는 단계와; 인스턴스 생성 감지 시 해당 인스턴스에 관리ID를 부여하는 단계(ID는 중복되지 않음)와; 관리ID와 동일한 ID가 설정된 에이전트를 설치하는 단계와; 설치된 에이전트를 통해 관제 인스턴스의 성능 및 구성정보를 수집하는 단계와; 인스턴스와 에이전트가 매 시간 지정 횟수(1 이상의 자연수) 이상의 연결이 완료되지 않은 경우, 관제대상 인스턴스가 삭제된 것으로 판단하는 단계와; 인스턴스가 삭제된 것으로 판단되는 경우, 연동된 에이전트를 삭제하고 해당 ID로 수집한 정보를 별개 항목으로 분류 및 저장하는 단계;를 포함할 수 있다.
또한 상기 기술적 과제를 달성하기 위한 본 발명의 다른 실시 예에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법에 있어 상기 애플리케이션매니저부는, 상기 에이전트관리부에서 수집한 성능정보를 관제환경-각 애플리케이션-해당 인스턴스 순으로 구분하고 인스턴스에서 발생한 트랜잭션 성능정보에 sub_key를 부여하고 실시간으로 수집되는 트랜잭션을 시각화해 사용자에게 제공하며, 상기 데이터분석부에서 sub_key별 분석한 정보를 사용자가 지정한 항목에 따라 시각화 가공하여 제공할 수 있다.
또한 상기 기술적 과제를 달성하기 위한 본 발명의 다른 실시 예에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법에 있어 상기 애플리케이션 매니저부는, 상기 에이전트관리부로부터 수집한 성능정보를 관리ID별로 구분해 시스템 시간 기준 운영되는 인스턴스의 성능정보는 활성화 데이터베이스로, 삭제된 인스턴스의 성능정보는 말소 데이터베이스로 분류하여 저장;할 수 있다.
또한 상기 기술적 과제를 달성하기 위한 본 발명의 다른 실시 예에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법에 있어 상기 데이터분석부는, 상기 애플리케이션매니저부에서 분류한 인스턴스의 성능정보를 가져와, 인스턴스별 수집된 정보를 수집항목별로 분석해 실시간 결과값이 임계치를 초과한 경우 이벤트를 발생시켜 관리자에게 통보하고, 이벤트발생 시점 기준 이전 N시간(N은 0 이상의 자연수)의 성능 및 구성정보를 데이터모델로 구성하고, 구성된 데이터모델들을 학습해 장애발생 시점을 예측;할 수 있다.
또한 상기 기술적 과제를 달성하기 위한 본 발명의 또 다른 실시 예에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법에 있어 상기 데이터분석부는, 데이터모델의 이벤트 발생 시점을 기준으로 이전 N시간(N은 0 이상의 자연수)의 성능 데이터의 흐름을 학습하고, 각 데이터모델을 하나의 일괄데이터모델로 병합하여 성능데이터 추이의 평균치, 최대치, 최소치를 계산해 이벤트 발생 전의 성능흐름을 발생예측모델로 생성해 예측모델의 흐름과 N%(N은 1 이상의 자연수) 이상 유사한 성능흐름 발생 시 사용자에게 제공할 수 있다.
본 발명에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법은 다음과 같은 효과가 있다.
본 발명은 PaaS 환경에서 이루어진 애플리케이션의 인스턴스 인, 아웃에 따른 자동화된 성능정보 관제를 제공할 수있다.
본 발명은 애플리케이션 이벤트 학습을 통한 성능분석으로 장애 발생 전 사전 예측할 수 있는 장점이 있다.
도 1은 본 발명의 바람직한 실시 예에 따른 머신러닝을 통한 PaaS 환경에서의 애플리케이션 다중 모니터링 및장애예측을 위한 방법을 나타내는 블록도
도 2는 도 1의 에이전트관리부에서 인스턴스와 에이전트를 관리하는 방법을 나타내는 흐름도
도 3은 도 1의 애플리케이션매니저부의 시각화 예시를 나타내는 도면
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다.
이하에서는 본 발명의 바람직한 실시 예들에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법을 상세히 설명하기로 한다. 참고로 본 발명을 설명함에 있어서 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 본 발명의 바람직한 실시 예에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법을 나타내는 블록도이다.
도 1에서 도시된 바와 같이, 본 발명의 일 실시 예에 따른 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법은 PaaS 환경에 설치된 애플리케이션에 상주하며 개별 인스턴스에 대한 성능정보를 관제하고, 인스턴스의 생성 및 삭제를 감지하는 에이전트를 제어하는 에이전트관리부(100)와; 상기 에이전트관리부(100)에서 수집된 애플리케이션 구성정보와 성능정보를 관리하고 시각화하는 애플리케이션매니저부(200)와; 수집된 데이터를 기반으로 애플리케이션의 성능을 분석하고, 분석정보를 통해 이벤트 및 장애 발생을 관리하는 데이터분석부(300)와; 상기 애플리케이션매니저부(200)와 데이터분석부(300)에서 분석 및 시각화한 데이터를 웹브라우저를 통해 사용자에게 제공하는 웹서버부(400);를 포함;할 수 있다.
상기 에이전트관리부(100)는 관제환경에 설치된 각 애플리케이션 하위에 있는 인스턴스에 에이전트를 상주시켜 애플리케이션과 인스턴스의 구성 및 성능정보를 수집하여 상기 애플리케이션매니저부(200);에 전달하고, 애플리케이션 하위 인스턴스가 생성되는 경우 해당 인스턴스에 ID를 부여하고 인스턴스와 연동된 에이전트를 동일한 ID로 추가해 구성 및 성능정보를 수집하고, 설치된 관제 인스턴스와 매시간 N회(N은 1 이상의 자연수) 이상의 통신이 연결되지 않은 경우 인스턴스가 삭제된 것으로 판단해 해당 인스턴스와 연관된 에이전트를 삭제하는 것;을 포함;할 수 있다.
상기 애플리케이션매니저부(200)는, 상기 에이전트관리부(100);에서 수집한 성능정보를 관제환경-각 애플리케이션-해당 인스턴스 순으로 구분하고 인스턴스에서 발생한 트랜잭션 성능정보에 sub_key를 부여하고 실시간으로 수집되는 트랜잭션을 시각화해 사용자에게 제공하며, 상기 데이터분석부에서 sub_key별 분석한 정보를 사용자가 지정한 항목에 따라 시각화 가공하여 제공;할 수 있다.
상기 애플리케이션매니저부(200)는, 상기 에이전트관리부(100);로부터 수집한 성능정보를 관리ID별로 구분해 시스템 시간 기준 운영되는 인스턴스의 성능정보는 활성화 데이터베이스로, 삭제된 인스턴스의 성능정보는 말소 데이터베이스로 분류하여 저장;할 수 있다.
상기 데이터분석부(300)는, 상기 애플리케이션매니저부(200)에서 분류한 인스턴스의 성능정보를 가져와, 인스턴스별 수집된 정보를 수집항목별로 분석해 실시간 결과값이 임계치를 초과한 경우 이벤트를 발생시켜 관리자에게 통보하고, 이벤트발생 시점 기준 이전 N시간(N은 0 이상의 자연수)의 성능 및 구성정보를 데이터모델로 구성하고, 구성된 데이터모델들을 학습해 장애발생 시점을 예측;할 수 있다.
상기 데이터분석부(300)는, 데이터모델의 이벤트 발생 시점을 기준으로 이전 N시간(N은 0 이상의 자연수)의 성능 데이터의 흐름을 학습하고, 각 데이터모델을 하나의 일괄데이터모델로 병합하여 성능데이터 추이의 평균치, 최대치, 최소치를 계산해 이벤트 발생 전의 성능흐름을 발생예측모델로 생성해 예측모델의 흐름과 N%(N은 1 이상의 자연수) 이상 유사한 성능흐름 발생 시 사용자에게 제공;할 수 있다.
도 2는 도 1의 에이전트관리부(100)에서 인스턴스와 에이전트를 관리하는 방법을 나타내는 흐름도이다.
도 2에서 도시된 바와 같이, 상기 에이전트관리부(100)에서 관제대상 인스턴스와 에이전트를 관리(설치~삭제)하는 방법은, 상기 에이전트관리부(100)에서 관제 환경의 애플리케이션 내 인스턴스 생성여부를 판단하는 단계와; 인스턴스 생성 감지 시 해당 인스턴스에 관리ID를 부여하는 단계(ID는 중복되지 않음)와; 관리ID와 동일한 ID가 설정된 에이전트를 설치하는 단계와; 설치된 에이전트를 통해 관제 인스턴스의 성능 및 구성정보를 수집하는 단계와; 인스턴스와 에이전트가 매 시간 지정 횟수(1 이상의 자연수) 이상의 연결이 완료되지 않은 경우, 관제대상 인스턴스가 삭제된 것으로 판단하는 단계와; 인스턴스가 삭제된 것으로 판단되는 경우, 연동된 에이전트를 삭제하고 해당 ID로 수집한 정보를 별개 항목으로 분류 및 저장하는 단계;를 포함할 수 있다.
도 3은 도 1의 애플리케이션매니저(200)의 시각화 예시를 나타내는 도면이다.
이상 첨부된 도면을 참조하여 본 발명의 실시 예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등개념으로부터 도출되는 모든 변경 또는 변형된 형태 가 본 발명의 범위에 포함되는 것으로 해석하여야 한다.
100: 에이전트 관리부
101: 에이전트
200: 애플리케이션매니저부
300: 데이터분석부
400: 웹서버부

Claims (7)

  1. PaaS 환경에 설치된 애플리케이션에 상주하며 개별 인스턴스에 대한 성능정보를 관제하고, 인스턴스의 생성 및 삭제를 감지하는 에이전트를 제어하는 에이전트관리부;
    상기 에이전트관리부에서 수집된 애플리케이션 구성정보와 성능정보를 관리하고 시각화하는 애플리케이션매니저부;
    수집된 데이터를 기반으로 애플리케이션의 성능을 분석하고, 분석정보를 통해 이벤트 및 장애 발생을 관리하는 데이터분석부;
    상기 애플리케이션매니저부와 데이터분석부에서 분석 및 시각화한 데이터를 웹브라우저를 통해 사용자에게 제공하는 웹서버부;를 포함하는 것을 특징으로 하는 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법
  2. 제 1항에 있어서,
    상기 에이전트관리부는 관제환경에 설치된 각 애플리케이션 하위에 있는 인스턴스에 에이전트를 상주시켜 애플리케이션과 인스턴스의 구성 및 성능정보를 수집하여 상기 애플리케이션매니저부에 전달하고, 애플리케이션 하위 인스턴스가 생성되는 경우 해당 인스턴스에 ID를 부여하고 인스턴스와 연동된 에이전트를 동일한 ID로 추가해 구성 및 성능정보를 수집하고, 설치된 관제 인스턴스와 매시간 N회(N은 1 이상의 자연수) 이상의 통신이 연결되지 않은 경우 인스턴스가 삭제된 것으로 판단해 해당 인스턴스와 연관된 에이전트를 삭제하는 것;을 특징으로 하는 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법
  3. 제 2항에 있어서,
    상기 에이전트관리부에서 관제대상 인스턴스와 에이전트를 관리(설치~삭제)하는 방법에 있어서,
    상기 에이전트관리부에서 관제 환경의 애플리케이션 내 인스턴스 생성여부를 판단하는 단계;
    인스턴스 생성 감지 시 해당 인스턴스에 관리ID를 부여하는 단계(ID는 중복되지 않음);
    관리ID와 동일한 ID가 설정된 에이전트를 설치하는 단계;
    설치된 에이전트를 통해 관제 인스턴스의 성능 및 구성정보를 수집하는 단계;
    인스턴스와 에이전트가 매 시간 지정 횟수(1 이상의 자연수) 이상의 연결이 완료되지 않은 경우, 관제대상 인스턴스가 삭제된 것으로 판단하는 단계;
    인스턴스가 삭제된 것으로 판단되는 경우, 연동된 에이전트를 삭제하고 해당 ID로 수집한 정보를 별개 항목으로 분류 및 저장하는 단계;를 포함하는 것을 특징으로 하는 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법
  4. 제 1항에 있어서,
    상기 애플리케이션매니저부는, 상기 에이전트관리부에서 수집한 성능정보를 관제환경-각 애플리케이션-해당 인스턴스 순으로 구분하고 인스턴스에서 발생한 트랜잭션 성능정보에 sub_key를 부여하고 실시간으로 수집되는 트랜잭션을 시각화해 사용자에게 제공하며, 상기 데이터분석부에서 sub_key별 분석한 정보를 사용자가 지정한 항목에 따라 시각화 가공하여 제공하는 것;을 특징으로 하는 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법
  5. 제 4항에 있어서,
    상기 애플리케이션 매니저부는, 상기 에이전트관리부로부터 수집한 성능정보를 관리ID별로 구분해 시스템 시간 기준 운영되는 인스턴스의 성능정보는 활성화 데이터베이스로, 삭제된 인스턴스의 성능정보는 말소 데이터베이스로 분류하여 저장하는 것;을 특징으로 하는 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법
  6. 제 1항에 있어서,
    상기 데이터분석부는, 상기 애플리케이션매니저부에서 분류한 인스턴스의 성능정보를 가져와, 인스턴스별 수집된 정보를 수집항목별로 분석해 실시간 결과값이 임계치를 초과한 경우 이벤트를 발생시켜 관리자에게 통보하고, 이벤트발생 시점 기준 이전 N시간(N은 0 이상의 자연수)의 성능 및 구성정보를 데이터모델로 구성하고, 구성된 데이터모델들을 학습해 장애발생 시점을 예측하는 것;을 특징으로 하는 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법
  7. 제 6항에 있어서,
    상기 데이터분석부는, 데이터모델의 이벤트 발생 시점을 기준으로 이전 N시간(N은 0 이상의 자연수)의 성능 데이터의 흐름을 학습하고, 각 데이터모델을 하나의 일괄데이터모델로 병합하여 성능데이터 추이의 평균치, 최대치, 최소치를 계산해 이벤트 발생 전의 성능흐름을 발생예측모델로 생성해 예측모델의 흐름과 N%(N은 1 이상의 자연수) 이상 유사한 성능흐름 발생 시 사용자에게 제공하는 것;을 특징으로 하는 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법

KR1020230070789A 2023-06-01 2023-06-01 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법 KR102556788B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230070789A KR102556788B1 (ko) 2023-06-01 2023-06-01 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230070789A KR102556788B1 (ko) 2023-06-01 2023-06-01 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법

Publications (1)

Publication Number Publication Date
KR102556788B1 true KR102556788B1 (ko) 2023-07-20

Family

ID=87426210

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230070789A KR102556788B1 (ko) 2023-06-01 2023-06-01 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법

Country Status (1)

Country Link
KR (1) KR102556788B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080044508A (ko) * 2006-11-16 2008-05-21 삼성에스디에스 주식회사 통계적인 분석을 이용한 성능장애 관리시스템 및 그 방법
KR100906440B1 (ko) * 2008-05-07 2009-07-09 주식회사 엑셈 웹 어플리케이션 서버 트랜잭션과 데이터 베이스 관리시스템 세션의 연계를 통한 웹 어플리케이션 성능 모니터링장치 및 그 방법
KR102307948B1 (ko) * 2020-03-27 2021-10-05 주식회사 와탭랩스 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법
KR20220055151A (ko) * 2020-10-26 2022-05-03 삼성에스디에스 주식회사 식별 아이디 생성 방법, 그리고 이를 구현하기 위한 장치
KR102509380B1 (ko) * 2022-05-04 2023-03-14 (주)와치텍 머신러닝을 통한 어플리케이션 트랜잭션 학습 및 실시간 장애 예측과 해결을 위한 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080044508A (ko) * 2006-11-16 2008-05-21 삼성에스디에스 주식회사 통계적인 분석을 이용한 성능장애 관리시스템 및 그 방법
KR100906440B1 (ko) * 2008-05-07 2009-07-09 주식회사 엑셈 웹 어플리케이션 서버 트랜잭션과 데이터 베이스 관리시스템 세션의 연계를 통한 웹 어플리케이션 성능 모니터링장치 및 그 방법
KR102307948B1 (ko) * 2020-03-27 2021-10-05 주식회사 와탭랩스 학습 기반의 트랜잭션 관찰 시스템 및 그 제어방법
KR20220055151A (ko) * 2020-10-26 2022-05-03 삼성에스디에스 주식회사 식별 아이디 생성 방법, 그리고 이를 구현하기 위한 장치
KR102509380B1 (ko) * 2022-05-04 2023-03-14 (주)와치텍 머신러닝을 통한 어플리케이션 트랜잭션 학습 및 실시간 장애 예측과 해결을 위한 방법

Similar Documents

Publication Publication Date Title
US6327550B1 (en) Method and apparatus for system state monitoring using pattern recognition and neural networks
CN102449603B (zh) 服务器管理程序、管理服务器以及虚拟服务器配置方法
JP6025753B2 (ja) パフォーマンス・メトリックを監視するためのコンピュータによって実施される方法、コンピュータ可読記憶媒体、およびシステム
CN108092836A (zh) 一种服务器的监控方法及装置
KR102432284B1 (ko) It관리대상의 이벤트 알람이나 장애 문제를 실시간 자동으로 조치하는 시스템 및 그 운용방법
KR102041545B1 (ko) 딥러닝 모델을 이용한 이벤트 예측 기반의 이벤트 모니터링 방법, 이벤트 모니터링 시스템 및 컴퓨터 프로그램
Gujrati et al. A meta-learning failure predictor for blue gene/l systems
CN108092813A (zh) 数据中心综合管理***服务器硬件管理框架及实现方法
US20200174462A1 (en) Method and system for elimination of fault conditions in a technical installation
EP3499374B1 (en) An adaptive system and a method for application error prediction and management
Samir et al. A controller architecture for anomaly detection, root cause analysis and self-adaptation for cluster architectures
CN117692345B (zh) 一种基于人工智能的it运营方法及***
KR102079916B1 (ko) 과금 기간 내 누진 요율 및 시간대별 소비 전력 패턴을 고려한 가전 기기의 효율적 사용 알림 시스템 및 방법
CN117453137A (zh) 云化智能运维***数据管理***
KR20210147594A (ko) 에너지 데이터 수집 및 관리에 최적화 기능을 제공하는 엣지 컴퓨팅 장치의 통신시스템 및 데이터베이스 운영방법
KR20230062761A (ko) 시스템 장애 통합관리방법
CN106899436A (zh) 一种云平台故障预测诊断***
CN116895046B (zh) 基于虚拟化的异常运维数据处理方法
KR102556788B1 (ko) 다중 웹애플리케이션에 대한 성능 모니터링 및 이벤트 사전 예측을 위한 머신러닝 학습 방법
US10511489B2 (en) Storage operational management service providing apparatus, storage operational management service providing method, and storage operational management system
KR101770066B1 (ko) 분산시스템에서 애플리케이션 호출 로그를 이용한 비즈니스 트랜잭션의 실시간 추적 및 분석 방법, 그리고 그 시스템
KR20220060871A (ko) 데이터 센터용 인공지능 통합 자원 관리 시스템
KR102509380B1 (ko) 머신러닝을 통한 어플리케이션 트랜잭션 학습 및 실시간 장애 예측과 해결을 위한 방법
KR100496958B1 (ko) 시스템 장애 통합관리방법
JP7038629B2 (ja) 機器状態監視装置及びプログラム

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant