KR102624950B1 - 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템 - Google Patents

시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템 Download PDF

Info

Publication number
KR102624950B1
KR102624950B1 KR1020210114944A KR20210114944A KR102624950B1 KR 102624950 B1 KR102624950 B1 KR 102624950B1 KR 1020210114944 A KR1020210114944 A KR 1020210114944A KR 20210114944 A KR20210114944 A KR 20210114944A KR 102624950 B1 KR102624950 B1 KR 102624950B1
Authority
KR
South Korea
Prior art keywords
period
abnormal
data
values
value
Prior art date
Application number
KR1020210114944A
Other languages
English (en)
Other versions
KR20230032286A (ko
Inventor
정현철
Original Assignee
주식회사 아이티언
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 아이티언 filed Critical 주식회사 아이티언
Priority to KR1020210114944A priority Critical patent/KR102624950B1/ko
Publication of KR20230032286A publication Critical patent/KR20230032286A/ko
Application granted granted Critical
Publication of KR102624950B1 publication Critical patent/KR102624950B1/ko

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/06—Generation of reports
    • H04L43/065—Generation of reports related to network devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/06—Generation of reports
    • H04L43/067—Generation of reports using time frame reporting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0823—Errors, e.g. transmission errors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/50—Testing arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

본 발명은 점검대상인 네트워크 장비의 트래픽 이상 수치 검출 시, 주기성을 갖는 이상 수치들인 주기-이상치를 사전에 미리 설정함과 동시에 기 설정된 주기-이상치의 주기에 해당하는 구간에 한해서만 이상 수치 발생 여부를 분석하며, 발생된 이상 수치를 적절하게 보정하도록 구성됨으로써 이상 수치 검출로 인한 불필요한 연산처리, 시간 및 비용을 절감시킬 수 있을 뿐만 아니라 예지정비 예측의 정확성 및 신뢰도를 극대화시킬 수 있는 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템에 관한 것이다.

Description

시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템{System for detecting abnormal value with periodicity using time-series data}
본 발명은 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템에 관한 것으로서, 상세하게로는 점검대상인 네트워크 장비의 트래픽 이상 수치 검출 시, 주기성을 갖는 이상 수치들인 주기-이상치를 사전에 미리 설정함과 동시에 기 설정된 주기-이상치의 주기에 해당하는 구간에 한해서만 이상 수치 발생 여부를 분석하며, 발생된 이상 수치를 적절하게 보정하도록 구성됨으로써 이상 수치 검출로 인한 불필요한 연산처리, 시간 및 비용을 절감시킬 수 있을 뿐만 아니라 예지정비 예측의 정확성 및 신뢰도를 극대화시킬 수 있는 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템에 관한 것이다.
최근 들어, 통신 인프라가 확장되고 IT(Information Technology) 기술이 고도화됨에 따라, 네트워크 장비의 보급률 및 사용량이 기하급수적으로 증가하였다. 특히 대부분의 사무 환경에서 정보 인프라 구축을 위해 네트워크를 다수 형성하고 있고, 라우터, 스위치 등과 같은 다양한 네트워크 장비들이 증가하였다.
이러한 네트워크 장비는 악성코드, 해킹, 내부 모듈 고장 등의 다양한 이유로 인해 이상 수치의 트래픽이 발생하는 현상이 빈번하게 발생한다.
이에 따라 네트워크 장비의 이상 수치를 검출 및 분석하여 네트워크 장비의 장애 및 에러를 예측하기 위한 트래픽 점검 시스템에 대한 다양한 연구가 진행되고 있다.
이러한 네트워크 장비의 예지 정비 시스템의 대표적인 방법으로는, 네트워크 장비로 패킷(Http request)을 송신한 후, 응답 패킷(Http response)을 수신 받으면, 해당 네트워크 장비의 트래픽을 분석하여 이상 수치를 검출하는 방식이 널리 사용되고 있다.
일반적으로, 네트워크 장비는 트래픽 점검 시, 별다른 이벤트가 없는 상황임에도 불구하고, 주기적으로 이상 수치의 트래픽(이하 주기-이상치라고 명칭하기로 함)이 검출되는 현상이 빈번하게 발생한다.
이때 이상 수치라고 함은 트래픽 값이 일시적으로 급격하게 증가하거나 급격하게 낮아지거나 또는 진동이 이루어지는 데이터를 의미한다.
이러한 주기-이상치는 네트워크 장비에서 주기마다 특수한 연산처리(Job)가 이루어지는 것이 원인이 될 수 있으나, 아직 주기-이상치에 대한 원인이 무엇인지를 정확하게 파악하지는 못하고 있는 실정이다.
한편, 최근 들어, 네트워크 장비의 정상적인 트래픽 값들을 활용 및 학습화하여, AI 모델을 생성한 후, 생성된 AI모델을 이용하여 예지정비를 예측하는 예지정비 시스템에 대한 연구가 다양하게 이루어지고 있다. 이때 주기-이상치의 값들은 AI 모델의 우수성 및 품질을 저하시키기 때문에 AI 모델 학습 시, 주기-이상치 값들을 검출한 후, 정상적인 값으로 보정해야하는 전처리 작업이 필수적으로 요구되고 있다.
그러나 아직까지 주기-이상치를 별도로 검출 및 보정하도록 하는 기술 및 방법에 대한 연구는 매우 미흡한 실정이고, 이에 따라 예지정비 예측의 정확성 및 정밀도가 떨어지는 문제점이 발생한다.
국내등록특허 제10-1074064호(발명의 명칭 : 네트워크 트래픽 모니터링 방법 및 장치)에는 트래픽 수집 주기보다 짧은 시간인 단축 주기로 하여 트래픽을 수집하되, 트래픽 이상이 있는 장비 및 인터페이스를 검출하며, 종래보다 시간이 짧은 단축 주기로 트래픽을 수집하고 검사하여도 검사 장비에 부하를 가중시키지 않는 네트워크 트래픽 모니터링 방법 및 장치가 개시되어 있으나, 상기 네트워크 트래픽 모니터링 방법 및 장치에는 이상 수치이면서 주기적인 특성을 갖는 주기-이상치를 별도로 검출함과 동시에 검출된 주기-이상치를 자동 보정하도록 하는 기술 및 방법이 전혀 기재되어 있지 않기 때문에 주기-이상치의 검출로 인해 모니터링의 효율성 및 정확성이 현저히 떨어지는 문제점을 갖는다.
또한 본 출원은 '경기도' 부처의 '경기도경제과학진흥원' 연구관리전문기관에서 지원하는 '2020 경기도 기술개발사업'의 연구사업명과 '인공지능을 활용한 네트워크 장비 예지정비 시스템 개발'의 연구과제명, 'P20200136'의 과제고유번호를 기반으로 출원되었다.
본 발명은 이러한 문제를 해결하기 위한 것으로, 본 발명의 해결과제는 점검대상인 네트워크 장비의 트래픽 이상 수치 검출 시, 주기성을 갖는 이상 수치들인 주기-이상치를 사전에 미리 설정함과 동시에 기 설정된 주기-이상치의 주기에 해당하는 구간에 한해서만 이상 수치 발생 여부를 분석하며, 발생된 이상 수치를 적절하게 보정하도록 구성됨으로써 이상 수치 검출로 인한 불필요한 연산처리, 시간 및 비용을 절감시킬 수 있을 뿐만 아니라 예지정비 예측의 정확성 및 신뢰도를 극대화시킬 수 있는 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템을 제공하기 위한 것이다.
또한 본 발명의 다른 해결과제는 테스트 관리서버가 주기-이상치 설정 시, 기준시간(t), 주기(T), 최적 주기-편차(△T)를 검출한 후, 이들을 매칭시켜 주기-이상치 기준정보를 생성함과 동시에 수집데이터 모니터링 시, 주기-이상치 기준정보에 대응하는 구간에 한해서만 이상 수치 발생 여부를 판별하도록 구성됨으로써 이상 수치를 검출하기 위한 연산처리량, 비용 및 시간을 더욱 절감시킬 수 있는 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템을 제공하기 위한 것이다.
또한 본 발명의 또 다른 해결과제는 테스트 관리서버가 이상 수치 검출 시, 자동으로 이상 수치를 적절한 트래픽 값으로 보정하여 저장함과 동시에 예지정비를 예측하는 예측 알고리즘이 보정된 데이터들을 활용하여 학습하도록 구성됨으로써 예지정비 예측의 정확성 및 신뢰도를 높일 수 있는 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템을 제공하기 위한 것이다.
상기 과제를 해결하기 위한 본 발명의 해결수단은 점검대상인 네트워크 장비와, 상기 네트워크 장비로부터 트래픽 값을 수집하는 테스트 관리서버를 포함하는 이상 수치 검출 시스템에 있어서: 상기 테스트 관리서버는 데이터베이스부; 상기 네트워크 장비로부터 트래픽 값을 수집하는 데이터 수집부; 기 설정된 설정주기(T2) 마다 실행되며, 상기 설정주기(T2) 동안 수집된 수집데이터를 시계열 데이터로 변환한 후, 임계치 이상으로 트래픽 값이 증가 또는 감소할 때, 이를 이상 수치로 판별하되, 판별된 이상 수치들 중 주기적인 특성을 갖는 이상 수치가 검출될 때, 동일 주기(T)를 갖는 이상 수치들을 주기-이상치로 설정하며, 설정된 주기-이상치의 이상 수치들 중 가장 마지막 발생된 이상 수치의 중간값인 기준시간(t)과 이상 수치들의 주기(T)를 매칭시켜 주기-이상치 기준정보를 생성한 후, 상기 데이터베이스부에 저장하는 주기-이상치 설정부; 상기 데이터 수집부에 의해 수집된 수집데이터를 시계열 데이터로 변환하여 모니터링 하는 모니터링부; 상기 모니터링부의 상기 시계열 데이터에서, 상기 데이터베이스부에 저장된 주기-이상치 기준정보의 기준시간(t) 및 주기(T)에 대응하는 구간에 한해서만, 이상 수치가 발생하였는지를 판단하는 이상 수치 판별부; 상기 이상 수치 판별부에 의해 이상 수치가 검출될 때 실행되며, 검출된 이상 수치의 트래픽 값을 해당 이상 수치의 전후 구간의 트래픽 값의 평균값으로 보정하는 이상 수치 보정부를 포함하는 것이다.
또한 본 발명에서 상기 주기-이상치 설정부는 상기 설정주기(T2) 동안, 상기 데이터 수집부에 의해 수집된 수집데이터를 상기 데이터베이스부로부터 추출하는 수집데이터 추출모듈; 상기 수집데이터 추출모듈에 의해 추출된 수집데이터를 타임라인에 따라 정렬하여, 시계열 데이터로 변환 및 정렬하는 시계열 데이터 변환모듈; 상기 시계열 데이터 변환모듈에 의해 변환된 시계열 데이터의 트래픽 값들을 분석하여, 이상 수치를 검출하는 이상 수치 검출모듈; 상기 이상 수치 검출모듈에 의해 검출된 이상 수치들의 시간정보를 활용하여, 이상 수치들 중 주기적인 특성을 갖는 이상 수치들인 주기-이상치가 존재하는지를 판단하는 주기성 여부 판단모듈; 상기 주기성 여부 판단모듈에 의해 주기-이상치가 존재한다고 판단될 때 실행되며, 검출된 주기-이상치의 이상 수치들 중 가장 마지막으로 검출된 이상 수치의 중간지점을 기준시간(t)으로 설정하는 기준시간 설정모듈; 상기 주기성 여부 판단모듈에 의해 주기-이상치가 존재한다고 판단될 때 실행되며, 인접한 주기-이상치의 이상 수치간의 시간차들을 산출한 후, 산출된 시간차들의 평균값을 해당 주기-이상치의 주기(T)로 설정하는 주기 설정모듈; 상기 기준시간 설정모듈 및 상기 주기 설정모듈에 의해 설정된 기준시간(t) 및 주기(T)를 매칭시켜 주기-이상치 기준정보를 생성하는 주기-이상치 기준정보 생성모듈을 포함하는 것이 바람직하다.
또한 본 발명에서 상기 주기-이상치 설정부는 상기 주기성 여부 판단모듈에 의해 주기-이상치가 존재한다고 판단될 때 실행되며, 주기-이상치의 각 이상 수치에, 기준시간(t)을 기준으로 주기(T)를 적용할 때, 각 이상 수치의 중간값을 기준으로 해당 이상 수치가 발생된 시점까지의 시간차들을 산출한 후, 산출된 시간차들 중 최대값을 최적 주기편차(△T)로 설정하는 최적 주기편차 설정모듈을 더 포함하고, 상기 이상 수치 판별부는 상기 주기-이상치 설정부에 의해 생성된 주기-이상치 기준정보의 기준시간(t), 주기(T) 및 최적 주기편차(△T)에 대응하는 구간에 한해서 이상 수치가 발생하였는지 여부를 판단하는 것이 바람직하다.
또한 본 발명에서 상기 테스트 관리서버는 인공지능 학습부와, AI 기반 예지정비부를 더 포함하고, 상기 인공지능 학습부는 기 설정된 학습주기(T1) 마다 실행되며, 상기 데이터 수집부에 의해 수집된 수집데이터에서 상기 이상 수치 보정부에 의해 보정된 값들로 대체된 수집데이터를 보정데이터라고 할 때, 상기 학습주기(T1) 동안 수집된 보정데이터와 예지정비 예측데이터를 활용하여, 수집된 보정데이터와 예지정비 예측데이터의 상관관계를 학습할 수 있는 학습데이터를 생성하고 생성된 학습데이터를 활용하여 보정데이터와 예지정비 예측데이터 간의 상관관계에 대한 파라미터 값들의 집합인 추출 모델을 도출하여 예측 알고리즘을 학습하고, 상기 AI 기반 예지정비부는 기 설정된 예측주기(T3) 마다 실행되며, 상기 예측주기(T3) 동안 수집된 보정데이터들을 추출한 후, 추출된 보정데이터들을 상기 예측 알고리즘의 입력데이터로 하여, 예지정비 예측데이터를 출력하는 것이 바람직하다.
상기 과제와 해결수단을 갖는 본 발명에 따르면 점검대상인 네트워크 장비의 트래픽 이상 수치 검출 시, 주기성을 갖는 이상 수치들인 주기-이상치를 사전에 미리 설정함과 동시에 기 설정된 주기-이상치의 주기에 해당하는 구간에 한해서만 이상 수치 발생 여부를 분석하며, 발생된 이상 수치를 적절하게 보정하도록 구성됨으로써 이상 수치 검출로 인한 불필요한 연산처리, 시간 및 비용을 절감시킬 수 있을 뿐만 아니라 예지정비 예측의 정확성 및 신뢰도를 극대화시킬 수 있게 된다.
또한 본 발명에 의하면 테스트 관리서버가 주기-이상치 설정 시, 기준시간(t), 주기(T), 최적 주기-편차(△T)를 검출한 후, 이들을 매칭시켜 주기-이상치 기준정보를 생성함과 동시에 수집데이터 모니터링 시, 주기-이상치 기준정보에 대응하는 구간에 한해서만 이상 수치 발생 여부를 판별하도록 구성됨으로써 이상 수치를 검출하기 위한 연산처리량, 비용 및 시간을 더욱 절감시킬 수 있다.
또한 본 발명에 의하면 테스트 관리서버가 이상 수치 검출 시, 자동으로 이상 수치를 적절한 트래픽 값으로 보정하여 저장함과 동시에 예지정비를 예측하는 예측 알고리즘이 보정된 데이터들을 활용하여 학습하도록 구성됨으로써 예지정비 예측의 정확성 및 신뢰도를 높일 수 있다.
도 1은 본 발명의 일실시예인 주기성을 갖는 이상 수치 검출 시스템을 나타내는 구성도이다.
도 2는 도 1의 테스트 관리서버를 나타내는 블록도이다.
도 3은 도 2의 모니터링부에 의해 수집된 트래픽 값이 시계열 데이터로 정렬된 차트를 나타내는 예시도이다.
도 4는 도 2의 본 발명에 활용되는 주기-이상치 기준정보를 설명하기 위한 예시도이다.
도 5는 도 2의 주기-이상치 설정부를 나타내는 블록도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일실시예를 설명한다.
도 1은 본 발명의 일실시예인 주기성을 갖는 이상 수치 검출 시스템을 나타내는 구성도이다.
본 발명의 주기성을 갖는 이상 수치 검출 시스템(1)은 점검대상인 네트워크 장비의 트래픽 이상 수치 검출 시, 주기성을 갖는 이상 수치들인 주기-이상치를 사전에 미리 설정함과 동시에 기 설정된 주기-이상치의 주기에 해당하는 구간에 한해서만 이상 수치 발생 여부를 분석하며, 발생된 이상 수치를 적절하게 보정하도록 구성됨으로써 이상 수치 검출로 인한 불필요한 연산처리, 시간 및 비용을 절감시킬 수 있을 뿐만 아니라 예지정비 예측의 정확성 및 신뢰도를 극대화시킬 수 있는 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템에 관한 것이다.
또한 본 발명의 주기성을 갖는 이상 수치 검출 시스템(1)은 도 1에 도시된 바와 같이, 점검대상인 네트워크 장비(5)와, 점검대상인 네트워크 장비(9)로부터 수집된 트래픽 값의 이상 수치 발생 여부를 검출함과 동시에 이를 보정하여 저장하며 저장된 보정데이터를 활용하여 생성된 AI모델을 통해 해당 네트워크 장비(5)의 예지정비 예측데이터를 출력하는 테스트 관리서버(3)와, 테스트 관리서버(3)에 접속하여 예측데이터 결과를 요청 및 제공받는 클라이언트(7)들과, 테스트 관리서버(3), 네트워크 장비(5) 및 클라이언트(7)들 사이의 데이터 이동경로를 제공하는 통신망(미도시)으로 이루어진다.
통신망은 테스트 관리서버(3), 네트워크 장비(5) 및 클라이언트(7)들 사이의 데이터 통신을 지원하며, 상세하게로는 광역 통신망(WAN) 등의 유무선 네트워크-망 등으로 구성될 수 있다.
네트워크 장비(9)는 네트워크 기반의 통신을 수행하는 노드를 의미하고, 통상의 게이트웨이(Gateway), 스위치 등의 네트워크 요소를 포함한다.
클라이언트(7)들은 통신망과의 접속을 지원하는 디지털 디바이스이며, 상세하게로는 스마트폰(Smart phone), 노트북(Notebook), 태블릿-PC(Tablet-PC) 등으로 구성될 수 있다.
이때 도면에는 도시되지 않았으나, 클라이언트(5)는 통신모듈, 메모리, 모니터, 제어모듈 등으로 구성된다.
또한 클라이언트(7)에는 테스트 관리서버(3)와 연동하여 테스트 관리서버(3)로 정보를 요청하거나 또는 요청에 따른 응답데이터를 전시하며 각종 GUI(Graphic User Interface)들을 구비한 응용 프로그램이 설치될 수 있다.
도 2는 도 1의 테스트 관리서버를 나타내는 블록도이다.
도 2의 테스트 관리서버(3)는 점검대상인 네트워크 장비(5)로부터 수집된 트래픽 값들을 분석하여 주기-이상치를 미리 설정함과 동시에 수집데이터 저장 시, 주기-이상치에 대응하는 구간에 한해서만 이상 수치를 판별하여 이를 보정하여 저장하며, 예지정비 예측데이터를 출력하는 예측 알고리즘의 학습 시, 보정된 값들을 활용하여 학습을 수행한다.
또한 테스트 관리서버(3)는 도 2에 도시된 바와 같이, 제어부(30)와, 데이터베이스부(31), 통신 인터페이스부(32), 인공지능 학습부(33), 패킷 송출부(34), 데이터 수집부(35), 모니터링부(36), 이상 수치 검출부(37), 이상 수치 보정부(38), 주기-이상치 설정부(39), AI 기반 예지정비부(40)로 이루어진다.
제어부(30)는 테스트 관리서버(3)의 O.S(Operating system)이며, 제어대상(31), (32), (33), (34), (35), (36), (37), (38), (39), (40)들을 관리 및 제어한다.
또한 제어부(30)는 관리자(User)의 요청에 따라, 해당 네트워크 장비(5)의 테스트가 개시되면, 패킷 송출부(35), 데이터 수집부(36) 및 모니터링부(37)를 실행시킨다.
또한 제어부(30)는 데이터 수집부(35)에 의해 수집된 수집데이터를 데이터베이스부(31)에 저장한다. 이때 수집데이터는 네트워크 장비(5)의 트래픽 값으로 이루어진다.
또한 제어부(30)는 기 설정된 학습주기(T1) 마다 인공지능 학습부(33)를 실행시킨다.
또한 제어부(30)는 기 설정된 설정주기(T2) 마다 주기-이상치 설정부(39)를 실행시키며, 주기-이상치 설정부(39)에 의해 설정된 주기-이상치의 기준정보를 데이터베이스부(31)에 저장한다.
또한 제어부(30)는 기 설정된 예측주기(T3) 마다 AI 기반 예지정비부(40)를 실행시킨다.
데이터베이스부(31)에는 점검대상인 네트워크 장비(5)의 네트워크 구성정보가 저장된다.
또한 데이터베이스부(31)에는 인공지능 학습부(33)에 의해 학습된 예측 알고리즘이 저장된다.
또한 데이터베이스부(31)에는 데이터 수집부(35)에 의해 수집된 데이터가 저장된다.
또한 데이터베이스부(31)에는 이상 수치 보정부(38)에 의해 이상 수치가 보정된 수집데이터(이하 보정데이터라고 함)가 저장된다.
또한 데이터베이스부(31)에는 주기-이상치 설정부(34)에 의해 설정된 이상 수치의 기준정보가 저장된다.
통신 인터페이스부(32)는 점검대상인 네트워크 장비(5) 및 클라이언트(7)들과 데이터를 송수신한다.
인공지능 학습부(33)는 제어부(30)의 제어에 따라, 기 설정된 학습주기(T1) 마다 실행되며, AI기반 예지정비부(40)에서 활용되는 예측 알고리즘을 학습한다.
이때 예측 알고리즘은 이상 수치가 보정된 수집데이터인 보정데이터를 입력데이터로 하여, 해당 네트워크 장비(5)의 예지정비 예측데이터를 출력하기 위한 머신러닝 알고리즘이다.
또한 인공지능 학습부(33)는 보정데이터와, 예지정비 예측데이터를 활용하여, 보정데이터와 예지정비 예측데이터의 상관관계를 학습할 수 있는 학습데이터를 생성하고, 생성된 학습데이터를 활용하여 보정데이터와 예지정비 예측데이터 간의 상관관계에 대한 파라미터 값들의 집합인 추출 모델을 도출한다.
패킷 송출부(34)는 관리자(User)의 요청에 따라, 특정 네트워크 장비(5)에 대한 점검이 개시될 때 실행되며, 해당 네트워크 장비(5)로 패킷(Http request)을 송출한다.
데이터 수집부(35)는 패킷 송출부(34)에 의해 패킷을 수신 받은 네트워크 장비(5)의 트래픽 값을 수집한다.
도 3은 도 2의 모니터링부에 의해 수집된 트래픽 값이 시계열 데이터로 정렬된 차트를 나타내는 예시도이다.
모니터링부(36)는 데이터 수집부(35)에 의해 수집된 트래픽 값을 타임라인에 따라 정렬하여, 도 3의 시계열 데이터(910)를 생성한다.
이때 시계열 데이터(910)에는 도 3에 도시된 바와 같이, 주기성을 가지면서 이상 수치를 갖는 주기-이상치(911)가 검출될 수 있다. 이때 주기-이상치(911)는 동일한 주기를 갖는 이상 수치들을 의미한다.
도 4는 도 2의 본 발명에 활용되는 주기-이상치 기준정보를 설명하기 위한 예시도이다.
이상 수치 판별부(37)는 주기-이상치 설정부(39)에 의해 설정된 주기-이상치 기준정보를 데이터베이스부(31)로부터 추출한다.
이때 주기-이상치 기준정보는 도 4에 도시된 바와 같이, 1)주기-이상치(911)의 이상 수치들이 반복되는 시간차인 주기(T)와, 2)주기-이상치(911)의 이상 수치들 중 가장 마지막에 발생된 이상 수치의 발생 시간인 기준시간(t3)과, 3)주기-편차(△T) 정보를 포함한다.
즉 본 발명의 이상 수치 판별부(37)는 모니터링부(36)에 의해 생성된 트래픽의 시계열 데이터를 모니터링 할 때, 모든 구간을 대상으로 이상 수치를 검출하는 것이 아니라, 주기-이상치 기준정보에 포함된 기준시간(t)과, 주기(T), 주기-편차(△T)에 대응하는 구간에 대해서만 이상 수치가 발생하였는지를 판단한다.
이때 이상 수치라고 함은 트래픽 값이 일시적으로 급격하게 증가하거나 급격하게 낮아지거나 또는 진동이 이루어지는 데이터를 의미한다.
다시 말하면, 본 발명은 모든 구간에 대하여 이상 수치 여부를 판단하는 것이 아니라, 주기-이상치 설정부(39)에 의해 설정된 구간에 한해서만 이상 수치를 관찰함으로써 이상 수지를 검출하기 위한 연산처리량, 시간 및 비용소모를 현저히 절감시킬 수 있다.
또한 제어부(30)는 이상 수치 판별부(37)에서 이상 수치가 검출되었다고 판단되면, 이상 수치 보정부(38)를 실행시킨다.
이상 수치 보정부(38)는 이상 수치 판별부(37)에서 이상 수치가 검출되었다고 판단될 때 실행된다.
또한 이상 수치 보정부(38)는 이상 수치가 검출된 구간의 전후 정상적인 트래픽 값들을 추출한 후, 추출된 트래픽 값들의 평균값을 산출한다.
또한 이상 수치 보정부(38)는 해당 이상 수치의 트래픽 값들을 산출된 평균값으로 대체하는 방식으로 이상 수치의 트래픽 값을 보정한다.
이때 수집데이터의 정상 트래픽 값들과, 이상 수치의 트래픽 값을 보정한 트래픽 값들을 포함하는 데이터를 보정데이터라고 명칭하기로 하고, 보정데이터는 제어부(30)의 제어에 따라 데이터베이스부(31)에 저장된다.
도 5는 도 2의 주기-이상치 설정부를 나타내는 블록도이다.
주기-이상치 설정부(39)는 제어부의 제어에 따라, 기 설정된 설정주기(T2) 마다 실행된다.
또한 주기-이상치 설정부(39)는 도 5에 도시된 바와 같이, 수집데이터 추출모듈(391)과, 시계열 데이터 변환모듈(392), 이상 수치 검출모듈(393), 주기성 여부 판단모듈(394), 기준시간 설정모듈(395), 주기 설정모듈(396), 최적 주기편차 설정모듈(397), 주기-이상치 기준정보 생성모듈(398)로 이루어진다.
수집데이터 추출모듈(391)은 현재 시점으로부터 설정주기(T2) 동안, 데이터 수집부(35)에 의해 수집된 수집데이터를 데이터베이스부(31)로부터 추출한다.
이때 수집데이터는 네트워크 장비(5)의 트래픽 값이며, 상세하게로는 이상 수치 보정부(38)에 의해 이상 수치의 트래픽 값 보정이 이루어지지 않은 상태의 로우값들을 의미한다.
시계열 데이터 변환모듈(392)은 수집데이터 추출모듈(391)에 의해 추출된 수집데이터를 타임라인에 따라 정렬하여, 시계열 데이터로 변환 및 정렬한다.
이상 수치 검출모듈(393)은 시계열 데이터 변환모듈(392)에 의해 변환된 시계열 데이터의 트래픽 값들을 분석하여, 이상 수치를 검출한다.
이때 이상 수치는 트래픽 값이 일시적으로 급격하게 증가하거나 급격하게 낮아지거나 또는 진동이 이루어지는 데이터를 의미한다.
주기성 여부 판단모듈(394)은 이상 수치 검출모듈(393)에 의해 검출된 이상 수치들의 시간정보를 활용하여, 이상 수치들 중 주기적인 특성을 갖는 이상 수치들이 존재하는지를 판단한다.
이때 주기성 여부 판단모듈(394)은 검출된 이상 수치들 중 주기성을 갖는 이상 수치들이 존재하지 않는다고 판단하면, 별도의 동작을 수행하지 않되, 검출된 이상 수치들 중 주기성을 갖는 이상 수치들이 존재하면, 기준시간 설정모듈(395), 주기 설정모듈(396) 및 최적 주기편차 설정모듈(397)을 실행시킨다.
이때 주기-이상치는 동일한 주기(T)를 갖는 이상 수치들을 의미한다.
기준시간 설정모듈(395)은 주기성 여부 판단모듈(394)에 의해 검출된 주기-이상치의 이상 수치들 중 가장 마지막으로 검출된 이상 수치의 중간지점을 기준시간(t)으로 설정한다.
주기 설정모듈(395)은 인접한 주기-이상치 간의 시간차들을 산출한 후, 산출된 시간차들의 평균값을 해당 주기-이상치의 주기(T)로 설정한다.
최적 주기편차 설정모듈(397)은 주기-이상치의 각 이상 수치에, 기준시간(t)을 기준으로 주기(T)를 적용할 때, 각 이상 수치의 중간값을 기준으로 해당 이상 수치가 발생된 시점까지의 시간차들을 산출한 후, 산출된 시간차들 중 최대값을 최적 주기편차(△T)로 설정한다.
주기-이상치 기준정보 생성모듈(398)은 기준시간 설정모듈(395), 주기 설정모듈(396) 및 최적 주기편차 설정모듈(397)에 의해 설정된 기준시간(t), 주기(T) 및 최적 주기편차(△T)를 매칭시켜 주기-이상치 기준정보를 생성한다.
이때 주기-이상치 기준정보 생성모듈(398)에 의해 생성된 주기-이상치 기준정보는 제어부(30)의 제어에 따라 데이터베이스부(31)에 저장된다.
다시 도 2로 돌아가서, AI 기반 예지정비부(40)를 살펴보면, AI 기반 예지정비부(40)는 제어부(30)의 제어에 따라 기 설정된 예측주기(T3) 마다 실행된다.
또한 AI 기반 예지정비부(40)는 예측주기(T3) 동안 수집된 보정데이터들을 추출한 후, 추출된 보정데이터들을 인공지능 학습부(33)에 의해 학습된 예측 알고리즘의 입력데이터로 하여, 예지정비 예측데이터를 출력한다.
이와 같이 본 발명의 일실시예인 주기성을 갖는 이상 수치 검출 시스템(1)은 점검대상인 네트워크 장비의 트래픽 이상 수치 검출 시, 주기성을 갖는 이상 수치들인 주기-이상치를 사전에 미리 설정함과 동시에 기 설정된 주기-이상치의 주기에 해당하는 구간에 한해서만 이상 수치 발생 여부를 분석하며, 발생된 이상 수치를 적절하게 보정하도록 구성됨으로써 이상 수치 검출로 인한 불필요한 연산처리, 시간 및 비용을 절감시킬 수 있을 뿐만 아니라 예지 정비의 정확성 및 정밀도를 극대화시킬 수 있게 된다.
또한 본 발명의 주기성을 갖는 이상 수치 검출 시스템(1)은 테스트 관리서버가 주기-이상치 설정 시, 기준시간(t), 주기(T), 최적 주기-편차(△T)를 검출한 후, 이들을 매칭시켜 주기-이상치 기준정보를 생성함과 동시에 수집데이터 모니터링 시, 주기-이상치 기준정보에 대응하는 구간에 한해서만 이상 수치 발생 여부를 판별하도록 구성됨으로써 이상 수치를 검출하기 위한 연산처리량, 비용 및 시간을 더욱 절감시킬 수 있다.
또한 본 발명의 주기성을 갖는 이상 수치 검출 시스템(1)은 테스트 관리서버가 이상 수치 검출 시, 자동으로 이상 수치를 적절한 트래픽 값으로 보정하여 저장함과 동시에 예지정비를 예측하는 예측 알고리즘이 보정된 데이터들을 활용하여 학습하도록 구성됨으로써 예지정비 예측의 정확성 및 신뢰도를 높일 수 있다.
1:주기성을 갖는 이상 수치 검출 시스템
3:테스트 관리서버 5:네트워크 장비
7:클라이언트 30:제어부
31:데이터베이스부 32:통신 인터페이스부
33:인공지능 학습부 34:패킷 송출부
35:데이터 수집부 36:모니터링부
37:이상 수치 판별부 38:이상 수치 보정부
39:주기-이상치 설정부 40:AI 기반 예지정비부
391:수집데이터 추출모듈 392:시계열 데이터 변환모듈
393:이상 수치 검출모듈 394:주기성 여부 판단모듈
395:기준시간 설정모듈 396:주기 설정모듈
397:최적 주기편차 설정모듈 398:주기-이상치 기준정보 생성모듈

Claims (4)

  1. 점검대상인 네트워크 장비와, 상기 네트워크 장비로부터 트래픽 값을 수집하는 테스트 관리서버를 포함하는 이상 수치 검출 시스템에 있어서:
    상기 테스트 관리서버는
    데이터베이스부;
    상기 네트워크 장비로부터 트래픽 값을 수집하는 데이터 수집부;
    기 설정된 설정주기(T2) 마다 실행되며, 상기 설정주기(T2) 동안 수집된 수집데이터를 시계열 데이터로 변환한 후, 임계치 이상으로 트래픽 값이 증가 또는 감소할 때, 이를 이상 수치로 판별하되, 판별된 이상 수치들 중 주기적인 특성을 갖는 이상 수치가 검출될 때, 동일 주기(T)를 갖는 이상 수치들을 주기-이상치로 설정하며, 설정된 주기-이상치의 이상 수치들 중 가장 마지막 발생된 이상 수치의 중간값인 기준시간(t)과 이상 수치들의 주기(T)를 매칭시켜 주기-이상치 기준정보를 생성한 후, 상기 데이터베이스부에 저장하는 주기-이상치 설정부;
    상기 데이터 수집부에 의해 수집된 수집데이터를 시계열 데이터로 변환하여 모니터링 하는 모니터링부;
    상기 모니터링부의 상기 시계열 데이터에서, 상기 데이터베이스부에 저장된 주기-이상치 기준정보의 기준시간(t) 및 주기(T)에 대응하는 구간에 한해서만, 이상 수치가 발생하였는지를 판단하는 이상 수치 판별부;
    상기 이상 수치 판별부에 의해 이상 수치가 검출될 때 실행되며, 검출된 이상 수치의 트래픽 값을 해당 이상 수치의 전후 구간의 트래픽 값의 평균값으로 보정하는 이상 수치 보정부를 포함하는 것을 특징으로 하는 이상 수치 검출 시스템.
  2. 제1항에 있어서, 상기 주기-이상치 설정부는
    상기 설정주기(T2) 동안, 상기 데이터 수집부에 의해 수집된 수집데이터를 상기 데이터베이스부로부터 추출하는 수집데이터 추출모듈;
    상기 수집데이터 추출모듈에 의해 추출된 수집데이터를 타임라인에 따라 정렬하여, 시계열 데이터로 변환 및 정렬하는 시계열 데이터 변환모듈;
    상기 시계열 데이터 변환모듈에 의해 변환된 시계열 데이터의 트래픽 값들을 분석하여, 이상 수치를 검출하는 이상 수치 검출모듈;
    상기 이상 수치 검출모듈에 의해 검출된 이상 수치들의 시간정보를 활용하여, 이상 수치들 중 주기적인 특성을 갖는 이상 수치들인 주기-이상치가 존재하는지를 판단하는 주기성 여부 판단모듈;
    상기 주기성 여부 판단모듈에 의해 주기-이상치가 존재한다고 판단될 때 실행되며, 검출된 주기-이상치의 이상 수치들 중 가장 마지막으로 검출된 이상 수치의 중간지점을 기준시간(t)으로 설정하는 기준시간 설정모듈;
    상기 주기성 여부 판단모듈에 의해 주기-이상치가 존재한다고 판단될 때 실행되며, 인접한 주기-이상치의 이상 수치간의 시간차들을 산출한 후, 산출된 시간차들의 평균값을 해당 주기-이상치의 주기(T)로 설정하는 주기 설정모듈;
    상기 기준시간 설정모듈 및 상기 주기 설정모듈에 의해 설정된 기준시간(t) 및 주기(T)를 매칭시켜 주기-이상치 기준정보를 생성하는 주기-이상치 기준정보 생성모듈을 포함하는 것을 특징으로 하는 이상 수치 검출 시스템.
  3. 제2항에 있어서, 상기 주기-이상치 설정부는
    상기 주기성 여부 판단모듈에 의해 주기-이상치가 존재한다고 판단될 때 실행되며, 주기-이상치의 각 이상 수치에, 기준시간(t)을 기준으로 주기(T)를 적용할 때, 각 이상 수치의 중간값을 기준으로 해당 이상 수치가 발생된 시점까지의 시간차들을 산출한 후, 산출된 시간차들 중 최대값을 최적 주기편차(△T)로 설정하는 최적 주기편차 설정모듈을 더 포함하고,
    상기 이상 수치 판별부는
    상기 주기-이상치 설정부에 의해 생성된 주기-이상치 기준정보의 기준시간(t), 주기(T) 및 최적 주기편차(△T)에 대응하는 구간에 한해서 이상 수치가 발생하였는지 여부를 판단하는 것을 특징으로 하는 이상 수치 검출 시스템.
  4. 제3항에 있어서, 상기 테스트 관리서버는 인공지능 학습부와, AI 기반 예지정비부를 더 포함하고,
    상기 인공지능 학습부는
    기 설정된 학습주기(T1) 마다 실행되며, 상기 데이터 수집부에 의해 수집된 수집데이터에서 상기 이상 수치 보정부에 의해 보정된 값들로 대체된 수집데이터를 보정데이터라고 할 때, 상기 학습주기(T1) 동안 수집된 보정데이터와 예지정비 예측데이터를 활용하여, 수집된 보정데이터와 예지정비 예측데이터의 상관관계를 학습할 수 있는 학습데이터를 생성하고 생성된 학습데이터를 활용하여 보정데이터와 예지정비 예측데이터 간의 상관관계에 대한 파라미터 값들의 집합인 추출 모델을 도출하여 예측 알고리즘을 학습하고,
    상기 AI 기반 예지정비부는
    기 설정된 예측주기(T3) 마다 실행되며, 상기 예측주기(T3) 동안 수집된 보정데이터들을 추출한 후, 추출된 보정데이터들을 상기 예측 알고리즘의 입력데이터로 하여, 예지정비 예측데이터를 출력하는 것을 특징으로 하는 이상 수치 검출 시스템.
KR1020210114944A 2021-08-30 2021-08-30 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템 KR102624950B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210114944A KR102624950B1 (ko) 2021-08-30 2021-08-30 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210114944A KR102624950B1 (ko) 2021-08-30 2021-08-30 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템

Publications (2)

Publication Number Publication Date
KR20230032286A KR20230032286A (ko) 2023-03-07
KR102624950B1 true KR102624950B1 (ko) 2024-01-15

Family

ID=85512912

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210114944A KR102624950B1 (ko) 2021-08-30 2021-08-30 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템

Country Status (1)

Country Link
KR (1) KR102624950B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023064173A (ja) * 2021-10-26 2023-05-11 富士通株式会社 データ処理装置、データ処理方法、及びデータ処理プログラム
CN116989897B (zh) * 2023-09-26 2023-12-22 山东聚亨源环保科技有限公司 一种低功耗的可车载式危废库远程异常监测***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102418892B1 (ko) * 2015-06-15 2022-07-11 한국전자통신연구원 신뢰구간에 기반한 에너지 절감 방법 및 이를 이용한 장치
KR102118670B1 (ko) * 2017-03-23 2020-06-04 (주)모아데이타 Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법
KR20190096706A (ko) * 2018-02-09 2019-08-20 주식회사 케이티 서비스 연관성 추적을 통한 시스템 이상 징후 모니터링 방법 및 시스템

Also Published As

Publication number Publication date
KR20230032286A (ko) 2023-03-07

Similar Documents

Publication Publication Date Title
US11138056B2 (en) System and method for unsupervised prediction of machine failures
CN107409064B (zh) 用于支持网络中不规则检测的方法和***
KR102624950B1 (ko) 시계열 데이터를 이용한 주기성을 갖는 이상 수치 검출 시스템
US11243524B2 (en) System and method for unsupervised root cause analysis of machine failures
CN107707431A (zh) 一种面向云平台的数据安全监测方法及***
CN111212038B (zh) 基于大数据人工智能的开放数据api网关***
US10444121B2 (en) Fault detection using event-based predictive models
EP1738470B1 (en) Apparatus and method for improving reliability of collected sensor data over a network
Nováczki An improved anomaly detection and diagnosis framework for mobile network operators
CN105325023A (zh) 用于小区异常检测的方法和网络设备
CN110995468A (zh) 待分析***的***故障处理方法、装置、设备和存储介质
WO2013072232A1 (en) Method to manage performance in multi-tier applications
US20220321436A1 (en) Method and apparatus for managing prediction of network anomalies
WO2009110329A1 (ja) 障害分析装置、障害分析方法および記録媒体
KR20190096706A (ko) 서비스 연관성 추적을 통한 시스템 이상 징후 모니터링 방법 및 시스템
US20190265088A1 (en) System analysis method, system analysis apparatus, and program
US20190164067A1 (en) Method and device for monitoring a process of generating metric data for predicting anomalies
CN117131457B (zh) 基于ai模型的电力大数据采集处理方法及***
KR102561675B1 (ko) 생산현장 가동 설비 상태 모니터링을 통한 고장진단 및 예측 시스템
CN112966785B (zh) 一种智能化星座状态识别方法和***
Breitgand et al. Efficient control of false negative and false positive errors with separate adaptive thresholds
KR20100075292A (ko) 공정 제어 네트워크에서의 장애 예측 방법 및 장치
Malefaki et al. Modeling software rejuvenation on a redundant system using Monte Carlo simulation
Warriach et al. Fault-prevention in smart environments for dependable applications
CN110232482B (zh) 基于神经网络的设备管理方法及装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant