• 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.

• 핵의학기술
• /
• 제16권1호
• /
• pp.17-26
• /
• 2012

[목적] 본 연구는 화학적으로 안정된 $^{99m}Tc$-HMPAO (d, l-hexamethylpropylene amine oxime) 방사성 의약품을 사용한 환자 가운데 뇌조직 추출률이 떨어져 영상의 질이 저하되었던 환자를 대상으로 $^{99m}Tc$-HMPAO 방사성 의약품 외의 요인으로 뇌조직 추출률에 변화가 일어나는 요인을 알아보고자 한다. [대상 및 방법] 2010년 1월부터 2010년 12월까지 대뇌경색(Cerebral infarction, CI)에 의한 $^{99m}Tc$-HMPAO 뇌혈류 SPECT 검사를 시행한 환자 272명 가운데 뇌조직 추출률이 떨어졌던 환자 23명(연령 $55.3{\pm}9$세, 남 21명, 여 3명)을 대상으로 하였다. 대상환자는 정상 뇌조직 추출률을 보인 환자와 검사를 동시에 진행하여 같은 $^{99m}Tc$-HMPAO 방사성의약품을 사용함으로써 화학적 안전성을 확인하였다. 대상환자의 연령, 성별, 혈압, 당뇨 수치, 검사 시 사용 약물, 검사시 환자상태, 과거 검사 시 CT/MRI 조영제 부작용 이력, 과거 SPECT 검사를 시행한 환자의 전과 후 검사 영상을 비교하여 뇌조직 추출률에 영향을 미치는 요인과의 상관관계를 분석하였다. [결과] 다중선형회귀분석(Multiple Linear Regression)의 결과, 성별 및 전, 후 검사 영상을 제외한 6가지 사항에서는 특이한 상관관계를 발견할 수 없었다($p$>0.05). 남성 91.3%, 여성 8.7%로 남성이 여성보다 뇌조직 추출률이 떨어졌다고 보인다. 비모수 검증을 이용한 전과 후 검사 영상에서는 유의미한 차이를 나타내지 않았다($p$>0.05). 결과적으로 전과 후 검사 영상에서 비슷한 뇌조직 추출률을 나타냈으며 환자 개인에 따라 뇌조직 추출률에 변화가 있음을 확인하였다. [결론] 화학적으로 안정된 $^{99m}Tc$-HMPAO 방사성 의약품의 사용도 환자의 개인적인 특성 및 체질에 따라서 뇌조직 추출률이 떨어지는 유의한 요인임을 확인하였다. 앞선 $^{99m}Tc$-HMPAO 뇌혈류 SPECT 관련 논문을 참고할 때 뇌혈관 질환 중 측부 순환로에 의한 요인이 추측되지만, 환자에 따라 뇌조직 추출률이 떨어지는 정확한 요인은 알 수 없었다. 그러나 $^{99m}Tc$-HMPAO SPECT 검사가 뇌질환에 따른 경과 추적에 유용한 검사이며 추적 검사 시 뇌조직 추출률이 떨어지는 환자에 대한 정보를 검사에 반영하여 정확한 검사와 판독에 도움을 줄 것으로 생각한다.