• 지능정보연구
• /
• 제21권2호
• /
• pp.151-171
• /
• 2015

본 연구는 최근 가장 큰 이슈로 떠오르는 "사물인터넷(IoT: Internet of Things)"의 개념과 국내 외 IoT 시장에 대한 현황을 고찰하였으며, IoT 시대의 도래로 인해 유발되는 패러다임 전환 발생에 따른 기업측면의 적절한 대응방안에 대한 해결책을 도출하였다. 따라서 본 연구는 티핑포인트(Tipping point)에 있는 IoT 경쟁 시대에 적절하게 대응하기 위한 기업의 경영전략을 '패러다임 전환(paradigm shift)'이라는 시각을 통해 대응 방안을 제시하였다. 특히, 과거의 경영 패러다임과 IoT 시대의 경영 패러다임을 비교 분석하여 i)지식 및 학습 주도 경영, ii)기술 및 혁신 중심 경영, iii)수요 창출 경영, iv)글로벌 협업 경영으로 새롭게 패러다임 전환(Paradigm Shift)이 발생할 것으로 예측 및 제안하였고, 이러한 패러다임의 전환에 대응하기 위한 기업측면의 경영전략 프로세스 모델을 구축하기 위해 Gartner가 제시한 'RTE Cyclone model'을 활용하였다. '실시간 기업(RTE)' 이라는 개념은 급변하는 IoT 시대에 기업측면의 경영 전략 프로세스로 활용가치가 있다고 판단되며, 본 연구에서 적절히 응용하여 'IoT-RTE Cyclone model'을 제안하였다. 특히, 제안한 모델은 기업의 민첩성을 강조하고 IT 및 IoT 기술을 통한 실시간 모니터링, 분석, 실행을 기본으로 하며, 기업의 경영 프로세스 각 부문을 통합시켜 기업의 전반적인 서비스를 지원하기 때문에 빠르게 변화하는 IoT 시대에서 영위하는 기업측면에서의 효과적인 대응전략으로 활용할 수 있다.

• 대한원격탐사학회지
• /
• 제27권2호
• /
• pp.191-201
• /
• 2011

본 연구에서는 다편파 레이더 산란계 자동 측정시스템 이용하여 콩 생육변화를 관측하고 레이더 시스템에서 얻어진 후방산란계수과 콩 생육인자들과의 관계분석을 통하여 콩 생육추정 가능성을 모색하고자 하였다. 2010년도 농촌진흥청 국립식량과학원 연구지역에 다편파 레이더 산란계 관측시스템 (L, C, X-밴드 안테나, 네트워크분석기, RF switch, 입사각 $40^{\circ}$)을 구축하고 콩 파종시기에서 수확기까지 10분단위로 콩 생육변화를 자동 측정하였다. 모든 안테나 밴드, 편파에서 콩 생육초기 (6월초~7월 중순)에는 VV-편파가 HH-, HV-편파보다 후방산란계수가 높게 나타났고, 그 이후 HH-편파와 다른 편파들 간의 cross-over 현상이 일어났는데 그 시기는 L-밴드가 7월 20일 (DOY 200), C-, X-밴드의 경우에는 7월 30일 (DOY 210)로 밴드에 따라 차이를 보였다. 모든 밴드 및 편파에서 9월 29일 (DOY 271)까지 후방산란계수가 증가하다가 그 이후 감소하였고 특히 종실비대기 (DOY 277, R6) 이후 감소폭이 크게 나타났는데 이 현상은 콩 생육인자 (초장, 엽면적지수, 건물중 등)변화와 일치하였다. 밴드에 따른 후방산란계수와 콩 생육인자들과의 관계를 분석한 결과 L-밴드 HH-편파에서 LAI ($r=0.93^{***}$), 초장 ($r=0.95^{***}$), 건물중 ($r=0.94^{***}$), 꼬투리중 ($r=0.92^{***}$)등 콩 생육인자들과의 상관계수가 가장 높게 나타났고 이에 비해 X-밴드 편파에서는 콩 생육인자들과의 상관계수가 상대적으로 낮게 나타났다. 후방산란계수 (L-밴드 HH-편파)를 이용하여 콩 생육인자 추정을 위한 회귀식을 작성하였다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2015년도 학술발표회
• /
• pp.237-237
• /
• 2015

The district of Marlborough has had more than its share of river management projects over the past 150 years, each one uniquely affecting the geomorphology and flood hazard of the Wairau Plains. A major early project was to block the Opawa distributary channel at Conders Bend. The Opawa distributary channel took a third and more of Wairau River floodwaters and was a major increasing threat to Blenheim. The blocking of the Opawa required the Wairau and Lower Wairau rivers to carry greater flood flows more often. Consequently the Lower Wairau River was breaking out of its stopbanks approximately every seven years. The idea of diverting flood waters at Tuamarina by providing a direct diversion to the sea through the beach ridges was conceptualised back around the 1920s however, limits on resources and machinery meant the mission of excavating this diversion didn't become feasible until the 1960s. In 1964 a 10 m wide pilot channel was cut from the sea to Tuamarina with an initial capacity of $700m^3/s$. It was expected that floods would eventually scour this 'Wairau Diversion' to its design channel width of 150 m. This did take many more years than initially thought but after approximately 50 years with a little mechanical assistance the Wairau Diversion reached an adequate capacity. Using the power of the river to erode the channel out to its design width and depth was a brilliant idea that saved many thousands of dollars in construction costs and it is somewhat ironic that it is that very same concept that is now being used to deal with the aggradation problem that the Wairau Diversion has caused. The introduction of the Wairau Diversion did provide some flood relief to the lower reaches of the river but unfortunately as the Diversion channel was eroding and enlarging the Lower Wairau River was aggrading and reducing in capacity due to its inability to pass its sediment load with reduced flood flows. It is estimated that approximately $2,000,000m^3$ of sediment was deposited on the bed of the Lower Wairau River in the time between the Diversion's introduction in 1964 and 2010, raising the Lower Wairau's bed upwards of 1.5m in some locations. A numerical morphological model (MIKE-11 ST) was used to assess a number of options which led to the decision and resource consent to construct an erodible (fuse plug) bank at the head of the Wairau Diversion to divert more frequent scouring-flows ($+400m^3/s$)down the Lower Wairau River. Full control gates were ruled out on the grounds of expense. The initial construction of the erodible bank followed in late 2009 with the bank's level at the fuse location set to overtop and begin washing out at a combined Wairau flow of $1,400m^3/s$ which avoids berm flooding in the Lower Wairau. In the three years since the erodible bank was first constructed the Wairau River has sustained 14 events with recorded flows at Tuamarina above $1,000m^3/s$ and three of events in excess of $2,500m^3/s$. These freshes and floods have resulted in washout and rebuild of the erodible bank eight times with a combined rebuild expenditure of $80,000. Marlborough District Council's Rivers & Drainage Department maintains a regular monitoring program for the bed of the Lower Wairau River, which consists of recurrently surveying a series of standard cross sections and estimating the mean bed level (MBL) at each section as well as an overall MBL change over time. A survey was carried out just prior to the installation of the erodible bank and another survey was carried out earlier this year. The results from this latest survey show for the first time since construction of the Wairau Diversion the Lower Wairau River is enlarging. It is estimated that the entire bed of the Lower Wairau has eroded down by an overall average of 60 mm since the introduction of the erodible bank which equates to a total volume of $260,000m^3$. At a cost of $$0.30/m^3$ this represents excellent value compared to mechanical dredging which would likely be in excess of $$10/m^3$. This confirms that the idea of using the river to enlarge the channel is again working for the Wairau River system and that in time nature's "excavator" will provide a channel capacity that will continue to meet design requirements.

• 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.