• 한국전통조경학회지
• /
• 제38권4호
• /
• pp.58-67
• /
• 2020

본 연구는 서울시 가로수의 역사적 가치를 지닌 수종 선정을 위한 기초연구로써 고문헌에 기록된 가로수 역사와 수종을 고찰하였다. 또한 다양한 수종 대안을 위해 전통조경수목을 고찰한 결과는 다음과 같다. 우리나라 가로수 역사는 고구려 양원왕(陽原王) 2년(546), 고려 명종 27년(1197) 등에 가로수로 추정되는 기록이 남아있으나 사료적 명료성은 부족한 것으로 판단하였다. 조선 초 세종 23년(1441)에는 국가의 역로(驛路)에 표목(標木)으로 가로수를 심은 것이 확인되며, 표목으로 식재된 가로수는 느릅나무와 버드나무가 확인된다. 조선 초 가로수제도의 시행은 단종 1년(1453) 기록으로 알 수 있으며 큰길 좌우로 소나무, 잣나무, 배나무, 밤나무, 회화나무, 버드나무 등이 식재되었고, 세조 5년(1459)에는 길가에 뽕나무를 심었다. 영조 연간에 그려진 정선의 『압구정』이나 『진헌마정색도』에는 가로수가 열식되어 있으며 이는 왕들의 행차, 한양 출입의 주요 도로, 마장(馬場)의 장소성, 수해에 따른 도로 보호와 표식 등의 복합적인 요인이 고찰되었다. 정조 연간에는 왕의 능 행차에 연관되어 소나무, 전나무, 버드나무 등의 가로수를 열식한 사례가 두드러지며, 이는 왕이 지나는 연도(輦道)와 해당 능역을 성역화하려는 가로수 식재기법으로 보았다. 개항 이후 고종 32년(1895)에는 국가에서 도로 좌우에 가로수를 심을 것을 장려하였고, 근대적 가로수 식재개념이 도입되었다. 당시 한양의 가로수는 사시나무가 속성수로써 주요하게 식재되었다. 서울시 가로수로 활용 가능한 고문헌 출현 교목은 삼국시대 17분류군, 고려시대 31분류군, 조선시대 55분류군이 추출되었으며, 16분류군은 삼국시대, 고려시대, 조선시대 모두에서 중복적으로 3회 출현한 수목으로 역사적 가치가 상대적으로 우수한 것으로 정리할 수 있다. 일제강점기에는 외래수종이 유입되고 법제가 변화하면서 가로수제도의 현대적 수용이 이루어졌다. 1936년 경성부 권역의 확대에 따른 가로수 6개년 식수계획(1934-1940)이 시행될 당시 경성의 10대 가로수 수종은 '모니리페라'로 불린 현재 미루나무의 아종, 이태리포플러, 사시나무, 은백양 등의 포플러류가 1~4순위로 가장 많이 식재되었으며 수양버들, 아까시나무, 버즘나무, 양버즘나무, 은행나무, 네군도단풍이 5~10순위로 나타났다. 1930년대 중후반부터 버즘나무와 양버즘나무가 새로운 가로수로 소개되며 대규모 식재되기 시작하였고, 1942년부터는 피마잠의 장점이 있는 가죽나무를 가로수로 권장하기도 하였다. 해방 이후 1957년 가로수 수종은 양버즘나무, 은행나무, 이태리포플러, 가죽나무, 미루나무, 수양버들 순으로 나타나 일제강점기 수종들의 순위변화를 보였으며, 양버즘나무와 은행나무의 비중이 높은 점에서 당시의 식재 경향이 현재까지도 영향을 주고 있는 것으로 나타났다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.87-109
• /
• 2020

현재 육상에서는 유무선 통신의 발전으로 다양한 IT 서비스를 제공받고 있다. 이러한 변화는 육상을 넘어서서 해상에서 항해 중인 선박에서도 다양한 IT 서비스가 제공되어야 하며 육상에서 이용하는 것과 마찬가지로 양방향 디지털 데이터 전송, Web, App 등과 같은 다양한 IT 서비스들의 제공에 대한 요구가 증가될 것으로 예상하고 있다. 하지만 이러한 초고속 정보통신망은 AP(Access Point)와 기지국과 같은 고정된 기반 구조를 바탕으로 네트워크를 구성하는 지상에서는 쉽게 사용할 수 있는 반면 해상에서는 고정된 기반 구조를 이용하여 네트워크를 구성할 수 없다. 그래서 전송 거리가 긴 라디오 통신망 기반의 음성 위주의 통신 서비스를 사용하고 있다. 이러한 라디오 통신망은 낮은 전송 속도로 인해 매우 기본적인 정보만을 제공할 수 있었으며, 효율적인 서비스 제공에 어려움이 있다. 이를 해결하기 위해서 디지털 데이터 상호교환을 위한 추가적인 주파수가 할당되었으며 이 주파수를 사용하여 활용할 수 있는 선박 애드 혹 네트워크인 SANET(ship ad-hoc network)이 제안되었다. SANET은 높은 설치비용과 사용료의 위성 통신을 대신하여 해상에서 IP 기반으로 선박에 다양한 IT 서비스를 제공할 수 있도록 개발되었다. SANET에서는 육상 기지국과 선박의 연결성이 중요하다. 이러한 연결성을 갖기 위해서는 선박은 자신의 IP 주소를 할당 받아 네트워크의 구성원이 되어야 한다. 본 논문에서는 선박 스스로 자신의 IP 주소를 할당 받을 수 있는 SANET-CC(Ship Ad-hoc Network-Cell Connection) 프로토콜을 제안한다. SANET-CC는 중복되지 않는 다수의 IP 주소들을 육상기지국에서 선박들에 이어지는 트리 형태로 네트워크 전반에 전파한다. 선박은 IP 주소를 할당할 수 있는 육상 기지국 또는 나누어진 구역의 M-Ship(Mother Ship)들과 간단한 요청(Request) 및 응답(Response) 메시지 교환을 통해 자신의 IP 주소를 할당한다. 따라서 SANET-CC는 IP 충돌 방지(Duplicate Address Detection) 과정과 선박의 이동에 의해 발생하는 네트워크의 분리나 통합에 따른 처리 과정을 완전히 배제할 수 있다. 본 논문에서는 SANET-CC의 SANET 적용가능성을 검증하기 위해서 다양한 조건의 시뮬레이션을 수행하였으며 기존 연구와 비교 분석을 진행하였다.

• 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.