• 한국전통조경학회지
• /
• 제32권1호
• /
• pp.107-119
• /
• 2014

제주시 성읍민속마을을 대상으로 관속식물상 및 귀화식물의 현황을 조사하고, 여타 민속마을과 제주도 전역에 분포하는 귀화식물의 분포양상 및 발생특성과 비교 고찰함으로써 이곳의 귀화식물의 관리방안을 모색할 목적으로 시도된 본 연구의 결론은 다음과 같다. 성읍민속마을의 관속식물상은 93과 260속 298종 44변종 12품종으로 총 354분류군이 확인되었으며, 이 중 귀화식물은 22과 46속 53종 2변종의 총 55분류군으로 이는 제주도 전역에서 확인된 총 254분류군의 21.7%에 해당된다. 이에 따른 성읍민속마을의 귀화율은 15.5%로서 이는 경북 안동의 하회마을, 경주의 양동마을, 성주의 한개마을, 강원 고성의 왕곡마을 그리고 충남 아산의 외암마을에 비해 월등히 높은 수치였다. 마을내 발생한 귀화식물 중 분포지가 제주도에 한정되어 있는 것은 양장구채, 국화잎아욱, 애기달맞이꽃, 긴잎달맞이꽃, 솔잎미나리, 자주풀솜나물, 선풀솜나물, 큰참새피, 등심붓꽃 등 9분류군으로, 귀화식물의 이입 관문이자 선구 발생지로서의 특성을 살린 적절한 관리전략이 필요한 것으로 판단된다. 한편 본 연구를 통해 제주도 기준목록에는 포함되지 않았던 까락빕새귀 리, 삼, 눈개불알풀 등 3분류군이 성읍민속마을에서 처음으로 확인되었다. 단위문화재 정원내 발생한 귀화식물은 총 20분류군으로 이 중 유럽점나도나물의 출현율이 62.5%로 가장 높았으며, 미국자리공 선개불알풀 망초 방가지똥 큰방가지똥(37.5%)도 비교적 높게 나타났는데 이는 제주도뿐만 아니라 대부분의 민속마을과 레크레이션공간의 공통된 특성으로 보인다. 한편 경관관리적 취급이 요망되는 식물군락은 유채를 비롯하여 귀화식물인 코스모스, 토끼풀, 잔개자리, 긴잎달맞이꽃, 애기달맞이꽃, 서양벌노랑이, 호밀풀, 양장구채, 서양금혼초, 미국질경이, 큰이삭풀, 유럽점나도 나물 등으로 분석되었다. 성읍민속마을의 단기적 귀화식물 관리방안으로는 경관농업적 차원에서 식재되고 있는 코스모스와 유채의 임내 침투 현황과 개화 후 활용 방안의 모색이 필요하다. 환경부가 지정한 생태계교란야생식물인 돼지풀과 서양금혼초는 우선적으로 제거하고, 재발에 대비한 추가 발생과 확산과 팽창을 염두에 둔 모니터링의 실시를 제안한다. 특히 서양금혼초는 서식밀도 파악 및 제근 등 물리적인 방제방안이 강구되어야 할 것이다. 또한 시각적으로 녹시율이 높은 정의읍성 외벽에 자생하는 방가지똥, 약모밀, 주홍서나물, 개망초, 자주광대나물의 제거가 시급하다. 이와 함께 폐 공가에 귀화식물의 분포와 우점도가 높음에 따라 공가에 대한 보존관리 및 민박 활용방안 등을 강구해야 할 것이다.

• 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.