• 한국응용과학기술학회지
• /
• 제35권4호
• /
• pp.1108-1119
• /
• 2018

대기오염에 대한 관심은 국내 외에서 점진적으로 상승하고 있으며, 자동차 및 연료 연구자들은 청정(친환경 대체연료) 연료와 연료품질 향상 등을 위해 새로운 엔진 설계, 혁신적인 후 처리 시스템 등의 많은 접근을 통하여 차량 배출가스와 온실가스를 감소시키려고 노력하고 있다. 이러한 연구들은 주로 차량의 배출가스 (규제 및 미규제물질, PM 입자 배출 등)와 온실가스의 두 가지 이슈로 진행되고 있다. 자동차의 배출가스는 환경오염과 인체에 악영향을 주는 많은 문제를 일으키고 있다. 이러한 배출가스를 줄이기 위하여 각국에서는 배출가스 시험모드를 새로 만들어 규제하고 있다. 2007 년부터 UN ECE의 WP.29 포럼에서 배출가스 인증을 위한 전 세계의 조화된 light-duty 차량 시험 절차 (WLTP)가 개발되었다. 이 시험 절차는 유럽과 동시에 국내 light-duty 디젤 차량에도 적용되어졌다. Light-duty 차량의 대기오염 물질 배출량은 거리 당 무게로 규제되어 있어 주행주기가 결과에 영향을 미칠 수 있다. 차량의 배출가스는 주행 및 환경조건, 주행습관 등에 따라 크게 달라진다. 극단적인 외기온도는 배출가스를 증가시키는데, 이것은 더 많은 연료가 실내를 가열하거나 냉각해야하기 때문이다. 또한 높은 주행속도는 증가된 항력을 극복하기 위해 필요한 에너지로 인해 배출가스 량을 증가시킨다. 일반적으로 상승하는 차량속도와 비교할 때, 급격한 차량가속도도 배출가스를 증가시킨다. 부가적인 장치 (에어컨 또는 히터)와 도로경사 또한 배출가스를 증가시킨다. 본 연구에서는 3대의 light-duty 차량을 가지고 light-duty 차량의 배출가스 규제에 사용되는 WLTP, NEDC 및 FTP-75로 시험을 하였으며, 배출가스가 다른 주행 사이클에 의해 얼마나 많은 영향을 받을 수 있는지를 측정하였다. 배출 가스는 통계적으로 의미있는 차이를 보이지 않았다. 최대 배출 가스는 주로 냉각 된 엔진 조건에 의해 야기되는 WLTP의 저속 단계에서 발견된다. 냉각 된 엔진 상태에서 배출가스의 양은 시험 차량과 크게 다르다. 이는 WLTP 구동 사이클에 대처하기 위해 다른 기술적 솔루션이 필요하다는 것을 의미한다.

• 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.