• Journal of Nutrition and Health
• /
• 제14권2호
• /
• pp.97-104
• /
• 1981

Bacillus natto 및 Bacillus subtilis균(菌)을 이용(利用)한 청국장메주 제조(製造)와 재래식방법(在來式方法)에 의(依)한 청국장메주 발효과정중(醱酵過程中)의 성분(成分)과 효소력(酵素力)을 비교검토(比較檢討)한 결과(結果)는 다음과 같다. 1) 발효초기(醱酵初期)의 품온(品溫)이 $50{\sim}55^{\circ}C$였으나 12시간후(時間後)에 B. natto와 B. subtilis구(區)는 $48{\sim}52^{\circ}C$였고 재래식구(在來式區)는 $40^{\circ}C$였다. 72시간경(時間頃)에는 $41{\sim}48^{\circ}C$로 시험구(試驗區)에 따라서 품온(品溫)의 저하(低下)가 심하였다. 2) ethyl alcohol과 환원당(還元糖)은 12시간경(時間頃)에 최대치(最大値)을 나타핀후에 감소(減少)하는 경향이었으며 시험구간(試驗區間)외 차이(差異)는 거이 없었다. 3) pH는 시험구(試驗區) 모두 발효(醱酵) 12시간(時間)까지는 6.0이던 것이 72시간경(時間頃)에는 8.2이상(以上)으로 나타났고 적정산도(滴定酸度)는 발효초기(醱酵初期)에 최대치(最大値)를 나타였다. 4) 아미노실소(室素)와 수용성실소함량(水溶性室素含量)은 결시적(經時的)으로 증가(增加)하는 경향(傾向)으로서 B. natto구(區), 재래식구(在來式區), B. subtilis구(區)의 순(順)으로 높았다. 5) Amylase와 protease의 활성(活性)은 경시적(經時的)으로 불규칙적(不規則的)인 변화(變化)를 보였고 시험구간(試驗區間)의 차이(差異)가 없었으나 효소활성(酵素活性)은 대체(大體)로 미약(微弱)하였다. 본(本) 실험(實驗)에저 B.natto구(區)가 청국장매주 제조(製造) 균주(菌株)로서 성분(成分)과 관능면(官能面)에서 우수(優秀)하였다.0일이었다.환경적응성이 낮은 경향이었다.은 모두 경운 유 ㆍ무에 관계없이 시비수준이 높을수록 높은 경향을 보였고, 10일에 최고수준을 보인 후 완만한 감소를 나타냈으며, $K^{+}$, $Ca^{2+}$에 비해 $Mg^{2+}$이 보다 낮은 함량을 보였다.989년산 일반계를 10분도와 12분도로 도정하였을 때 도정도에 따른 밥맛의 차이는 없었다.X>$CoO_x$는 $Co_3O_4$로 존재하고, 반응 전의 경우에는 이와는 다른 chemical state를 보여주었다. XRD 및 XPS 결과를 바탕으로, 촉매표면에 존재하는 $Co_3O_4$의 외부표면이 $Co_2TiO_4$와 $CoTiO_3$ 같은 $CoTiO_x$로 encapsulation되어 있는 모델구조를 제안할 수 있고, 이는 반응시간의 함수로 나타나는 촉매활성에 있어서 전이영역의 존재를 잘 설명할 수 있을 뿐만 아니라, XRD와 XPS에서 얻어진 촉매의 물리화학적인 특성을 잘 반영할 수 있다. 나타냈고, 골격근과 눈 조직에서 피루브산에 대한 LDH의 친화력이 상당히 크므로 LDH가 혐기적 조건에서 효율적으로 기능을 하는 것으로 사료된다.5) and "Cleanliness of clothes ＆ features" (p ＜0.05) of VIP ward were significantly higher than those of a general ward.tive to apply.아울러 고려(考慮)해야 한다. 이것은 고무기술자(技術者)가 당면(當面)해야할 과제(課題)에 속(屬)하며 바람직 한것은 본장(本章)의 내용(內容)이 여러 상황하(狀況下)에서 당면(當面)한 문제(問題)에 대(對)해 어떻게 대처(對處)해 야 할지를 모르는 여러 기술자(技術者)들에게

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.