• Journal of Preventive Medicine and Public Health
• /
• 제24권2호
• /
• pp.232-242
• /
• 1991

가정내 아동구타 발생현황과 그 관련요인을 조사하기 위하여 1990년 5월 1일부터 10일까지 대구시내 2개 국민학교(중상류 밀집지역 학교 519명, 저소득층 결집지역 학교 504명)와 경북도내 농.어촌 각 1개교(120명 및 112명)의 4, 5학년(대구시내 학교에서는 각학년마다 5개 학급씩 무작위 추출, 농.어촌 학교에서는 전원) 아동 1,255명을 대상으로 설문조사하였다. 조사직전의 한달(1990년 4월 1일$\sim$30일)동안 매맞은 아동은 918명(73.1%), 매맞지 않은 아동은 337명(26.9%)이었으며 매맞은 아동중 심하게 매맞은 아동(발로 차는 정도 이상으로 한달에 2회이상 맞은 경우)이 57명(6.9%), 중등도(심한 정도 이외의 모든 매)로 매맞은 아동이 831명(66.2%)이었다. 매맞은 비율과 정도는 도시의 두학교간과 도시와 농.어촌간에 뚜렷한 차이가 없었다. 매맞은 이유는 부모말을 듣지 않아서(61.9%), 말썽을 부려서(34.9%), 공부를 못해서(33.3%)가 가장 많았으나 심하게 매맞은 아동 가운데는 잘못한 일이 없는데 때리는 사람의 화풀이로(16.1%) 또는 이유를 모르고 맞았다(5.7%)는 아동도 있었다. 매맞은 후에는 대부분 아동이 잘못을 뉘우치고 잘못하지 않겠다고 했으나(65%), 심하게 매맞은 경우에 집을 나가버리고 싶다가 20.7%, 죽고 싶었다고 한 아동이 9.2%나 되었다. 매맞은 결과로 멍이 들은 경우가 매맞은 아동의 52.7%로 가장 높았으나 골절(2.5%), 살이 찢어진 경우(1.5%)도 있었고 의식을 잃고 쓰러진 아동(0.2%)도 있었다. 심리적 행동상의 장애로는 심하게 매맞은 아동의 31%가 공부하기 싫다, 살기 싫다 17.2%, 집에 가기 싫다 13.8%로 매맞지 않은 아동에 비해 높은 호소율을 보여 아동구타에 따른 신체적 손상 뿐 아니라 정신적 후유증 또한 심각한 것으로 나타났다. 매맞은 을과 통계적으로 유의한 관련성을 나타낸 요인은 아파트(6.6%)나 단독주택(6.2%)에 사는 아동보다 상가건물(14.0%)에 사는 아동이 심하게 매맞은 율이 높았고(P=0.018) 자기집(6.3%)에서 사는 아동보다 세들어 사는 아동(8.4%)이 심하게 매맞은 율이 높았다(p=0.05). 부모가 맞벌이 하는 아동(9.1%)과 부모 모두 직업이 없는 아동(20.7%)이 심한 매를 맞은 율이 아버지(5.1%)나 어머니(4.5%)만 직업이 있는 아동보다 높았다(p=0.006). 가족 중 질병을 앓는 가족이 있는 아동(80.8%)이 질병을 앓는 가족이 없는 아동(71.4%)보다 매맞은 율이 높았고(p=0.001), 부모사이에 다투는 빈도가 높을수록 구타발생률이 높았다(p=0.000). 아버지의 직업이 전문직일 때 매를 맞지 않은 비율(39.4%)이 전체(26.9%)에 비해 유의하게 높았다(p=0.01).

• 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.