• 헤리티지:역사와 과학
• /
• 제42권1호
• /
• pp.122-142
• /
• 2009

본 연구는 노거수 관리개선을 위하여 국내외의 외과수술 제반 이론을 살펴보고 국내 외과수술의 현 실태를 대상 수목의 수술부위 해체 조사와 전문가 집단의 인식조사를 실시하여 그 개선 방안을 제안하는 과정을 통해, 다음과 같은 결론을 도출할 수 있었다. 첫째, 조사 대상 수목 67주를 수령, 생육 상태, 주변 환경 등과 상관관계 분석 결과, 이들은 위치별 특성과 상처크기별 특성은 상호 상관관계가 밀접한 것으로 분석되었으나, 충전물별 재료 등에는 상관관계가 적은 것으로 나타났다. 둘째, 환부의 크기는 $0.09m^2$ 이하의 가지 절단부위에서 빈도가 가장 높았고, 위치별(부위별) 공동의 크기는 근주부후로 출발되는 "뿌리+줄기"에서 가장 크게 나타났다. 상관관계 분석 결과에서도, 건전도가 낮은 상위 그룹에서도 동일한 결과가 도출되었다. 셋째, 근주(根株)부후에서 발생된 큰 공동이나 노출뿌리에 충전물(특히 우레탄)을 채우거나 표면처리를 하는 경우 문제가 심각하였다. 공동부 충전으로 인한 잇점은 크지 않은 것으로 분석되었다. 넷째, 현재 주로 사용하고 있는 충전물의 표면처리(인공수피)는 주로"에폭시+부직포+코르크"를 이용하고 있으나, 유연성이 없어 목질부와의 접합부에서 틈이 자주 발생하고 표면이 갈라지는 등 문제가 발생하고 있었다. 다섯째, 수술부위 외부 상태와의 상관관계 평가에서 목질부와의 밀착, 표면상태, 유합조직 형성 등과 내부 조사 결과와 매우 높은 상관관계를 가지고 있었다. 여섯째, 노거수의 관리 잘못으로 수세에 가장 큰 영향을 미치는 것은 복토였으며, 잘못된 가지치기는 지상부 상처의 근원이 되고 있음을 파악할 수 있었다. 가지치기에서 작은 가지는 표준방법으로 잘랐을 경우 유합조직의 형성이 활발하여 상처가 쉽게 회복되지만 심재가 있는 큰 가지는 방어능력이 없어 부후균의 침입을 받게 되는 경우가 많다. 일곱째, 노거수 관련업무 처리횟수에 영향을 미치는 변수들을'노거수 관리자 및 관련업체의 의식개혁이 필요', '노거수에 가장 많은 피해가 발생되는 부위는 특정부위와 상관없다.', '노거수의 가장 중요한 가치는 생물학적 가치', '노거수 외과수술 결과, 문제점 발생원인은 약제 사용 부적절이다.', '새로운 기법의 개발 및 시도로 인한 수술기법의 다양', '노거수에 가장 많은 피해가 발생되는 부위는 가지이다.', '노거수 관리자 및 관련업체의 의식개혁이 필요', '노거수 관련업무 처리시 문제가 되는 것은 업무분장 모호성 및 중복성이다.'등 8개의 변수들이 나타났다. 설문 조사결과, 수술 및 제도 개선 부분에서 가장 높은 빈도수를 보인 항목은 노거수 관리 현황 등의 파악을 통한 관리 정보체계의 확립, 수목외과수술의 처치법 표준화, 업체와 기관사이의 정보의 공유 활성화, 전문인력에 의한 모니터링, 정기적 교육프로그램의 개발이 중요하게 나타났으며, 행정조직의 개선, 산학협력, 수술시기의 부적절성, 외과수술 건의 안정적 수요에 대한 불안감, 전문인력의 부족 등이 문제점으로 분석되었다. 여덟째, 개선 방안으로는 제도적인 측면에 있어서 노거수 관리 및 보존에 관한 법과 조직의 정비를 들 수 있다. 특히. 노거수 관리에 있어서 외부 용역 등을 통하여 적시에 행함으로써 노거수 생육 상태의 건전도를 유지할 수 있다. 또한 보존 관련법의 연계성을 확보할 수 있도록 다른 법의 개정이나 제정 시 문화재 보호를 위한 조항의 삽입을 적극 추진해야 한다. 본 연구는 지정 노거수의 실태 조사를 통해 개선 방안을 마련하는 연구로, 보다 많은 개체조사를 통한 실태 조사 결과를 토대로 개선 방안을 도출하는 것에 대한 한계점과 제도적 개선 방안 도출을 위한 통계적 자료에 의한 근거 제시가 미약했다는 미진함을 남기고 있다. 이는 연구자의 후속연구를 통해 보완될 수 있을 것이다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.57-73
• /
• 2021

ICT 인프라의 이상탐지를 통한 유지보수와 장애 예방이 중요해지고 있다. 장애 예방을 위해서 이상탐지에 대한 관심이 높아지고 있으며, 지금까지의 다양한 이상탐지 기법 중 최근 연구들에서는 딥러닝을 활용하고 있으며 오토인코더를 활용한 모델을 제안하고 있다. 이는 오토인코더가 다차원 다변량에 대해서도 효과적으로 처리가 가능하다는 것이다. 한편 학습 시에는 많은 컴퓨터 자원이 소모되지만 추론과정에서는 연산을 빠르게 수행할 수 있어 실시간 스트리밍 서비스가 가능하다. 본 연구에서는 기존 연구들과 달리 오토인코더에 2가지 요소를 가미하여 이상탐지의 성능을 높이고자 하였다. 먼저 다차원 데이터가 가지고 있는 속성별 특징을 최대한 부각하여 활용하기 위해 멀티모달 개념을 적용한 멀티모달 오토인코더를 적용하였다. CPU, Memory, network 등 서로 연관이 있는 지표들을 묶어 5개의 모달로 구성하여 학습 성능을 높이고자 하였다. 또한, 시계열 데이터의 특징을 데이터의 차원을 늘리지 않고 효과적으로 학습하기 위하여 조건부 오토인코더(conditional autoencoder) 구조를 활용하는 조건부 멀티모달 오토인코더(Conditional Multimodal Autoencoder, CMAE)를 제안하였다. 제안한 CAME 모델은 비교 실험을 통해 검증했으며, 기존 연구들에서 많이 활용된 오토인코더와 비교하여 AUC, Accuracy, Precision, Recall, F1-score의 성능 평가를 진행한 결과 유니모달 오토인코더(UAE)와 멀티모달 오토인코더(Multimodal Autoencoder, MAE)의 성능을 상회하는 결과를 얻어 이상탐지에 있어 효과적이라는 것을 확인하였다.

• 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.