• 지능정보연구
• /
• 제26권1호
• /
• pp.1-21
• /
• 2020

인공지능 기술의 급속한 발전과 함께 빅데이터의 상당 부분을 차지하는 비정형 텍스트 데이터로부터 의미있는 정보를 추출하기 위한 다양한 연구들이 활발히 진행되고 있다. 비즈니스 인텔리전스 분야에서도 새로운 시장기회를 발굴하거나 기술사업화 주체의 합리적 의사결정을 돕기 위한 많은 연구들이 이뤄져 왔다. 본 연구에서는 기업의 성공적인 사업 추진을 위해 핵심적인 정보 중의 하나인 시장규모 정보를 도출함에 있어 기존에 제공되던 범위보다 세부적인 수준의 제품군별 시장규모 추정이 가능하고 자동화된 방법론을 제안하고자 한다. 이를 위해 신경망 기반의 시멘틱 단어 임베딩 모델인 Word2Vec 알고리즘을 적용하여 개별 기업의 생산제품에 대한 텍스트 데이터를 벡터 공간으로 임베딩하고, 제품명 간 코사인 거리(유사도)를 계산함으로써 특정한 제품명과 유사한 제품들을 추출한 뒤, 이들의 매출액 정보를 연산하여 자동으로 해당 제품군의 시장규모를 산출하는 알고리즘을 구현하였다. 실험 데이터로서 통계청의 경제총조사 마이크로데이터(약 34만 5천 건)를 이용하여 제품명 텍스트 데이터를 벡터화 하고, 한국표준산업분류 해설서의 산업분류 색인어를 기준으로 활용하여 코사인 거리 기반으로 유사한 제품명을 추출하였다. 이후 개별 기업의 제품 데이터에 연결된 매출액 정보를 기초로 추출된 제품들의 매출액을 합산함으로써 11,654개의 상세한 제품군별 시장규모를 추정하였다. 성능 검증을 위해 실제 집계된 통계청의 품목별 시장규모 수치와 비교한 결과 피어슨 상관계수가 0.513 수준으로 나타났다. 본 연구에서 제시한 모형은 의미 기반 임베딩 모델의 정확성 향상 및 제품군 추출 방식의 개선이 필요하나, 표본조사 또는 다수의 가정을 기반으로 하는 전통적인 시장규모 추정 방법의 한계를 뛰어넘어 텍스트 마이닝 및 기계학습 기법을 최초로 적용하여 시장규모 추정 방식을 지능화하였다는 점, 시장규모 산출범위를 사용 목적에 따라 쉽고 빠르게 조절할 수 있다는 점, 이를 통해 다양한 분야에서 수요가 높은 세부적인 제품군별 시장정보 도출이 가능하여 실무적인 활용성이 높다는 점에서 의의가 있다.

• 한국토양비료학회지
• /
• 제21권4호
• /
• pp.386-408
• /
• 1988

본(本) 연구(硏究)는 배추를 대상(對象)으로 1986년(年)부터 1986년(年)까지 6년간 Lysimeter시험(試驗)과 포장시험(圃場試驗)을 통하여 기상자료(氣象資料)로 부터 생육시기별(生育時期別) 증발산량(蒸發散量)과 수량(收量)을 추정(推定)하는 모형(模型)을 개발(開發)할 목적(目的)으로 실시(實施)하였다. Lysimeter 시험(試驗)에서는 잠재증발산량(潛在蒸發散量)과 최대증발산량(最大蒸發散量)을 측정(測定)하였고, 관개포장시험(灌漑圃場試驗)에서는 시기별(時期別) 토양수분(土壤水分)을 측정(測定)하여 실증발산량(實蒸發散量)을 계산(計算)하고 수량(收量)을 조사(調査)하였다. 시험(試驗)을 통(通)하여 얻어진 성적(成績)과 기상자료(氣象資料)의 상호관계(相互關係)를 다각적(多角的)으로 비교(比較)하여 증발산량(蒸發散量)과 수량추정모형(收量推定模型)을 설정(設定)하고 검정(檢定)한 결과(結果)는 다음과 같다. 1. 잠재증발산(潛在蒸發散)의 5년간(年間) 측정치(測定値)의 평균치(平均値)는 4월초순(月初旬) 2.38mm/day 에서 시일(時日)이 경과(經過)함에 따라 점점(漸漸) 증가(增加)되어 6월중순(月中旬)에 3.98로 최고치(最高値)를 보이고 다시 감소(減少)되어 11월중순(月中旬)에는 1.06으로 떨어졌다. 기존(旣存) 공식(公式)에 의한 잠재증발산추정치(潛在蒸發散推定値)는 실측치(實測値)에 비(比)하여 Penman법(法), Radiation법(法), Blaney-Criddle법(法)은 과다(過多)하게 추정(推定)되고, Pan evaporation법(法)은 과소(過少)하게 추정(推定)되는 경향을 보였다. 추정치(推定値)와 실측치간(實測値間)에는 전체적(全體的)으로 보아 고도(高度)의 유의(有意)한 상관(相關)이 있었으나, Blaney-Criddle법(法)은 7, 8월(月)에 상관(相關)이 없다는 것이 특이(特異)하였다. 2. 기상요인중(氣象要因中) 잠재증발산량실측치(潛在蒸發散量實測値)와 유의(有意)한 상관(相關)이 있는 것은 기온(氣溫), 대기포차(大氣飽差), 일조시수(日照時數), 일사량(日射量), Pan증발량(蒸發量)이었으며, 이들 요인(要因)을 고려(考慮)한 다중회귀식(多重回歸式)은 PET산정식(算定式)으로 활용(活用)이 가능(可能)하였다. 잠재증발산량(潛在蒸發散量) 추정모형(推定模型)으로서는 Pan 증발량(蒸發量)(Eo)을 사용(使用)한 회귀식(回歸式)이 가장 간편(簡便)하고 정확(正確)하였다. PET= 0.712 + 0.705 Eo 3. 잠재증발산량(潛在蒸發散量)에 대한 최대증발량(最大蒸發量)(ETm)의 비(比)로 정의(定義)된 작물계수(作物係數)(Kc)는 배추생육초기(生育初期)에 0.5~0.7 범위(範圍)이었으며, 생육중기(生育中期)부터는 0.9~1.2범위(範圍)로 유지(維持)되었다. 작물계수(作物係數)는 생육진도(生育進度)(G ; 0~1.0)의 2차함수(次函數)로부터 추정(推定)할 수 있었다. 봄배추 : $$Kc=0.598+0.959G-0.501G^2$$ 가을배추 : $$Kc=0.402+1.887G-1.432G^2$$ 4. 최대증발산량(最大蒸發散量)에 대(對)한 실증발산량(實蒸發散量)의 비(比)로 정의(定義)된 토양수분계수(土壤水分係數)(Kf)는 근권(根圈)의 유효수분률(有效水分率)(f)이 임계치(臨界値)(fp)이상(以上)에서는 1.0 수준(水準)으로 유지(維持)되다가 그 이하(以下) 에서는 f에 따라 직선적(直線的)으로 감소(減少)되었다. Kc와 f와의 관계(關係)에 있어서 fp와 직선함수(直線函數)의 기울기는 재배시기(栽培時期)와 PET에 따라 각각 다르게 나타났다. Kf=1.0, if $$f{\geq}fp$$ $$Kf=a+b{\cdot}f$$, if f＜fp 5. 층위별(層位別) 토양수분함량(土壤水分含量)으로부더 근권(根圈)의 물보유량변화(保有量變化)(${\Delta}S$) 계산(計算)에 있어서 모관수(毛管水)의 상승(上昇)과 배수량(排水量)은 무시(無視)할 정도(程度)로 적었다. 침투량(浸透量)(I)이 있을때 표토(表土) 5cm에 보유(保有)되었다가 증발(蒸發)되어 버리는 물량(量)(Es)은 실증발산(實蒸發散) 추정한형(推定漢型)에서 별도로 고여(考濾)되어야 하며, Es는 근권(根圈)의 유효수분율(有效水分率)로부터 추정(推定)된 표사(表士) 5cm에서 증발가능(蒸發可能)한 최대(最大) 물량(Esm)과 I을 비교(比較)하여 결정(決定)할 수 있었다. Es = I if I < Esm Es = Esm if < Esm 380 6. 실증발산최(實蒸發散最)(ETa) 추정모형(推定模型)은 물수지식(收支式)에 근거(根據)하여, 모관수(毛管水)의 상하이동양(上下移動量)은 무시(無視)하고 잠재증발산양(潛在蒸發散量)(PET), Kc, Kf, Es를 고려(考慮)하여 아래식(式)으로 설정(設定)되었다. $$ETa=PET{\cdot}Kc{\cdot}Kf+Es$$ 7.배추의 상대수양(相對收量)(Y/Ym) 추정모형(推定模型)은 재배기간중(栽培期間中)의 ETa의 대수함수(對數函數)의 형태(形態)로 설정(設定)되었다. $$Y/Ym=a+b{\cdot}{\ell}n(ETa)$$ 봄배추 : a=0.07, b =0.73 가을배추 : a=0.37, b =0.66 8. 설정(設定)된 모형(模型)에 의해 추정(推定)된 실증발산양(實蒸發散量)과 상대수양(相對收量)을 실측치(實測値)와 비교(比較)하여 본 결과(結果), 실증발산추정치(實蒸發散推定値)의 평균편차(平均偏差)는 봄배추에서는 0.29mm/day, 가을배추에서는 0.19mm/day이었으며, 상대수양추정치(相對收量推定値)의 평균편차(平均偏差)는 봄배추에서는 0.14, 가을배추에서는 0.09이었다. 9. 모형설정(模型設定)이 완료(完了)된 이후(以後) 별도(別途)로 3작기(作期)에 대(對)한 실측치(實測値)와 추정치간(推定値間)의 편차(偏差)도 모형설정기간(模型設定期間)의 것보다 오히려 더 적게 나오는 경향(傾向)을 보였다. 따라서 본추정모형(本推定模型)은 실제(實際) 활용가치(活用價値)가 있다고 판단(判斷)된다.

• 환경영향평가
• /
• 제27권2호
• /
• pp.203-214
• /
• 2018

본 연구는 국내에 서식하는 뉴트리아의 집중분포지역과 잠재적인 서식가능지역을 예측하여 효과적인 관리방향 설정에 유용한 자료를 제공하고자 하였다. 뉴트리아의 전국 분포 자료를 토대로 CVh(가능도 교차타당성)값을 띠폭(bandwidth)에 적용하여 분포밀도를 분석한 결과, 부산광역시, 대구광역시, 경상남도 소재 11개 시 군, 경상북도 소재 1개 군 등 낙동강수계에 위치한 14개 행정구역 내에서 우선적인 제거가 필요한 집중분포지역이 확인되었다. MaxEnt 모델을 이용한 잠재적인 서식가능지역 예측에서는 낙동강 중 하류 일대와 섬진강 하류, 가화천 일대에서 출현 가능성이 나타났다. 모형의 변수별 기여도는 고도, 건조한 달의 강수량, 가장 추운달의 최저온도, 수계로부터의 거리 순으로 높은 기여도를 보였으며, 출현확률과의 관계를 살펴보면, 고도 34m 이하의 저지대, 가장 추운달의 최저온도가 $-5.7^{\circ}C$이상 $-0.6^{\circ}C$ 이하인 지역, 가장 건조한 달의 강수량이 15-30mm, 수계로부터 1,373m 이하인 지역에서 임계값보다 높은 출현확률을 보였다. 뉴트리아의 생태적 특성과 본 연구결과를 종합하면, 고도, 물과의 접근성 및 이용성, 겨울철 낮은 기온이 뉴트리아의 정착과 확산에 영향을 주는 주요 요인으로 판단되므로 향후 서식가능지역의 검출과 확산 예측 모델링에 있어 중요한 변수로 검토될 수 있다. 뉴트리아와 같은 침입외래생물의 집중분포지역과 관리대상지역을 구분하고 그에 적합한 관리전략을 수립하여 관리현장에 적용하는 것은 영구적인 제어 목적의 관리에 있어 필수적인 사항이다. 본 연구에서 제시된 결과는 우선관리대상지역의 신속한 관리와 확산가능지역에 대한 사전 예방적 관리 등 전략적인 관리의 실행에 있어 유용한 자료로 활용될 수 있다.

• 한국식품과학회지
• /
• 제9권2호
• /
• pp.123-130
• /
• 1977

동방유량(東邦流糧)에서 공급(供給)받은 저변성(低變成) 탈지대두박(脫脂大豆粕)을 0.02N NaOH액(液)으로 추출(抽出)하여 Soy Protein Isolate (SPI)의 수율(收率)을 증류수나 염용액(鹽溶液)으로 추출(抽出)할때 보다 높이는 과정(過程)(84 % 수율(收率))을 확립(確立)하였으며 제조(製造)된 SPI는 92.1 %의 단백질(蛋白質)을 함유(含有)하였다. SPI를 $70^{\circ}C$에서 moisture heat를 하면 80분간(分間)에 5 %의 변성(變性)이 일어났으나 $95^{\circ}C$에서는 20분(分) 처리(處理)에 의(依)하여 95 %의 변성(變性)이 일어났다. SPI의 alkali 현탄액 (dope solution)은 SPI의 농도(濃度) 15 %, NaOH 농도(濃度) 0.6 %일때 7분(分)만에 60 poises를 나타내고 계속 안정(安定)된 점도(粘度)를 유지하였다. NaOH의 농도(濃度)가 0.9 %일 때는 시간(時間)이 경과(經過)함에 따라 점도(粘度)는 증가(增加)하였다가 감소(減少)하는 경향(傾向)을 보였다. syringe needle (dia. 0.3 mm)로서 모의(模擬) 실험(實驗) 결과(結果) 점도(粘度)가 $28^{\circ}C$에서 60 Poises일때 가장 적합한 단백질섬유(蛋白質纖維)의 texture를 보여주었다. 가열(加熱)에 의(依)한 SPI의 gelation은 8 %이상(以上)의 SPI농도(濃度)일 때 gel이 형성(形成)되기 시작하였으며 $100^{\circ}C$까지 안정(安定)한 gel을 형성(形成)하였고 SPI의 농도(濃度)가 12 %일때 $120^{\circ}C$에서 30분(分) 가열(加熱)에 의(依)하여 20,000 Poises의 좋은 점도(粘度)를 가졌으나 $120^{\circ}C$이상에서는 gel의 continuity가 떨어져 과립상(果粒上)의 gel이 생성(生成)되었다. SPI의 유화력(乳化力)은 pH가 8.7, NaCl의 농도(濃度)가 2 %일때 가장 큰 유화력(乳化力)을 나타냈다. milk casein과 비교(比較) 실험(實驗) 결과(結果) 유화력(乳化力)은 약간 낮았으나 염(鹽)이 존재(存在)하는 경우는 근사한 유화력(乳化力)을 보였다. 그러나 SPI의 foaming capacity는 foaming stability 면(面)에서 egg albumin이나 milk casein과 비교(比較)하여 양호(良好)한 결과(結果)를 보여주었다.

• 한국응용곤충학회지
• /
• 제53권4호
• /
• pp.449-456
• /
• 2014

양배추가루진딧물[Brevicoryne brassicae (Linnaeus)]의 생명표를 작성하고자 다채(Brassica campestris var. narinosa)를 기주로 7개 온도(15, 18, 21, 24, 27, 30, $33{\pm}1^{\circ}C$, $65{\pm}5%$ RH, 16L : 8D)에서 온도발육 실험을 수행하였다. $24^{\circ}C$에서 온도별 사망률은 어린약충기간($1^{st}{\sim}2^{nd}$)에서 18%였고, 노숙약충기간($3^{rd}{\sim}4^{th}$)에서는 0%였다. $18^{\circ}C$에서 어린약충의 발육기간은 8.4일이었고, 온도가 증가 할수록 발육기간은 짧아졌으며 노숙약충은 6.7일이었다. 선형회귀분석을 이용한 전체약충의 발육영점온도는 $7.8^{\circ}C$였고, 유효적산온도는 120.1일도였다. 성충의 수명과 산자수는 모든 약충이 사망한 $15^{\circ}C$와 $33^{\circ}C$를 제외하고 5개 온도에서 조사하였다. 성충수명은 $21^{\circ}C$에서 14.9일이었고, $24^{\circ}C$에서 58.5개의 산자를 생산하였다. 생명표에서 순증가율($R_o$)은 $24^{\circ}C$에서 47.5였으며, 내적자연증가율($r_m$)과 기간증가율(${\lambda}$)은 $27^{\circ}C$에서 각각 0.36, 1.43이었다. 배수기간($D_t$)은 $27^{\circ}C$에서 1.95d이었고, 평균세대기간(T)은 $30^{\circ}C$에서 7.43d이었다.

• 한국농림기상학회지
• /
• 제18권4호
• /
• pp.208-220
• /
• 2016

본 연구는 매년 발생하고 있는 산불, 산사태 등의 산림 재해방지를 위해 호남과 제주의 산악지역을 대상으로 최적의 산악기상관측망 입지를 선정하는 연구를 수행하였다. 먼저 적정위치 선정을 위해 고려해야 하는 항목들을 공간자료화한 후 공간 분석을 통해서 후보지를 선정하고 현장 조사를 통해 정량적 평가를 수행함으로써 최종적인 적정위치를 선정하였다. 공간자료는 과거 10년간의 산불발생 정보와 과거 7년간의 산사태위험등급 정보, 산림청의 국사경계도, 국유지의 임도와 등산로 그리고 기상청의 자동기상관측소(AWS)와 산림청의 산악기상관측소 위치정보, 30m 해상도의 수치표고모델(DEM)을 사용하였다. 공간분석은 산불과 산사태의 1-2등급의 위험지에 대한 추출 및 중첩 분석, 산림청 국유지 내에 100m 버퍼를 준 임도와 등산로의 접근성 분석, 기상관측소의 2.5km 버퍼를 준 중복성 분석, 산악기상관측 입지 환경 조성을 위한 고도 200m 이상의 지형특성 분석을 통해 종합적인 중첩분석을 수행하였다. 공간분석 결과, 총 159개의 중첩 폴리곤이 추출되었고 구글어스 등을 활용하여 능선과 정상부에 총 64개의 적정위치 후보지를 선정하였다. 선정된 후보지는 기상관측환경, 접근성, 통신 및 전력공급 환경, 기상관측소의 중복성에 대한 정량적인 현장 평가를 통해서 총점이 70점 이상인 지점을 '적합'으로 판정하여 고득점 순으로 산악기상관측망의 적정위치 26개소를 선정하였다. 따라서 적정위치 선정 기법에 의해 구축된 산악기상관측망의 기상정보는 향후 산불, 산사태 등과 같은 산림재해위험 예측력의 향상과 산림 복잡 지형에 대한 미기상 연구에 활용이 가능할 것으로 판단된다.

• 한국산림과학회지
• /
• 제110권4호
• /
• pp.504-515
• /
• 2021

세뿔투구꽃의 서식에 영향을 미치는 환경인자들과의 관계를 규명하기 위해 MexEnt 모형을 구동하여 21개의 환경인자를 평가한 결과 0.6 이상의 유의성 있는 AUC값을 가지고 있는 14개의 환경인자는 임령, 임목축적, 임분밀도, 고도, 지형, 지형습도지수, 일사량, 토성, 1월 평균기온, 4월 평균기온, 연평균 기온, 1월 평균 강수량, 8월 평균 강수량, 연평균 강수량이었다. 주요 14개 설명 인자들의 반응 곡선에 의하면 백운산 내 세뿔투구꽃은 해발고도가 600 m 이하의 낮은 지대로 내려갈수록 서식에 적합하다는 결과를 보이고 있었으며, 경사가 서식지에 미치는 영향은 낮았다. 임분 밀도는 밀, 지형은 계곡과 가까운 지역을 선호하였으며, 방위는 북동쪽에 대한 분포 비중이 높았다. 영급은 5영급을 기준으로 낮을수록 출현 확률이 높게 나타났다. 본 연구 지역의 세뿔투구꽃이 선호하는 일사량은 1.2 MJ/m²이며, 지형습도지수 값은 4.5를 기준으로 값이 낮아질수록 출현 확률이 낮아지고 기준 값이 높아질수록 출현 확률이 높아지는 양의 관계가 성립되었는데 임계수치는 7.5였다. 토양환경 분석결과 점토에서 사질양토로 갈수록 세뿔투구꽂의 존재확률이 증가하고 있었고 1월 평균기온이 -4.4℃~-2.5℃, 4월 평균기온이 8.8℃~10.0℃, 연평균 기온은 9.6℃~11.0℃인 지역을 서식에 적합한 주요 서식지로 분류할 수 있었다. 세뿔투구꽃은 연평균 강수량이 1,670~1,720 mm지역으로 8월 평균 강수량이 350 mm 이상 되는 지역에서부터 출현하기 시작했으며, 390 mm까지는 일정 부분 강수량이 높아질수록 선호하는 서식지로서의 가치를 가지고 있는 것으로 분석되었다. 분포적 의미를 갖는 결과 값이 75% 이상인 잠재서식지의 면적은 202 ha로 백운산 연구 대상지의 1.8%였다.

• 벤처창업연구
• /
• 제16권2호
• /
• pp.51-78
• /
• 2021

'스케일업(scale-up)'은 '스타트업(startup)'에 이어 기업 현장이나 정책 현장에서 모두에서 중요한 주제로 다루어지고 있다. 특히 산업계와 정책 분야에서는 범용적으로 사용되는 용어임에도 불구하고, 학술적인 측면에서는 이에 대한 '개념 정의' 조차도 이루어지지 못했다. 학술적인 측면에서의 '기업 성장(firm growth)'과 경영 현장에서의 '비즈니스 성장(business growth)'은 서로 다른 이해를 갖고 있는 실정이다(Achtenhagen et al., 2010). 기업의 성장과 관련한 그간의 관련 연구는 Penrose(1959)의 '자원의 결합체(bundle)로서의 기업'과 '관리자의 역할론' 관점에서 크게 벗어나지 못하고 있다. 경제학 이론 및 배경을 기초로 주로 성장 요인 및 패턴을 살피는 차원에서의 연구가 주류를 이루고 있다. 기업의 경영현장에서 관심을 갖는 '스케일업' 맥락의 연구, 즉 상대적으로 성장의 속도와 지속성-일정기간의 '매출액 연평균 성장률'-관점의 연구는 활발히 이루어지지 못하였다. 기업의 초기 단계에는 매출액 규모가 작기 때문에 연간 단위 매출액 성장률은 상대적으로 높은 특성을 지닌다. 그러나, 한국 기준 '중견기업'으로 분류되기 시작하는 연간 매출액 1천억원 이상 수준이 되면 기업의 성장률은 이전과 같이 높은 수준을 보이기 쉽지 않다. 본 연구의 표본이 되는 최근 3년간의 연평균 매출액 성장률이 15% 이상 되는 '고성장 기업' 5천개 중 매출액 1억 달러 이상 기업은 6.7%인 333개에 한정된다. 그만큼 일정한 기업 규모 이상의 수준에서 지속적인 '고성장'을 보인다는 것은 쉽지 않다. 본 연구는, 기업/산업 미디어인 'Inc.'의 '2020 고성장(fastest-growing) 기업 5,000' 리스트 중 연간 매출액 1억 달러(원화 약 1천2백 억원) 이상 기업 333개를 대상으로, 1) 고성장 기업군(최근 3년-2016~19년- CAGR 15%~39.9%), 2) 초고성장 기업군(40.0%~99.9%), 3) 슈퍼 고성장 기업군(100% 이상)으로 구분 짓고, 각 성장속도 군 별 특성을 심층적으로 분석해 보았다. 또한, 기업의 매출액 성장률과 개별 기업의 전략 선택(시장 지향성, 본원적 전략, 성장 전략, 선도 전략), 산업 및 시장 환경, 기업의 업력 간의 상호관계를 양적 탐색을 통해 규명하였다. 따라서 본 연구결과를 토대로 개별 기업의 측면에서는 성장전략의 경로와 요인을 조합하여 구성하는 '초고성장 모델(Hyper-Growing Model)'을 참고할 수 있도록 하고, 정책적인 측면에서는 기업의 성장을 촉진하기 위해 어떤 요소나 환경을 '최적 유효 조합'의 형태로 다루어야 하는지 그 참고를 제공하고자 한다. 그리고 학술적인 측면에서는 21세기 기업환경에서 '스케일업 이론' 및 '기업 성장 이론'을 후속적으로 연구 하는데 그 기초 참고를 제공하고자 한다.

• 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.

• 한국안광학회지
• /
• 제7권2호
• /
• pp.181-187
• /
• 2002

수정체는 조절력의 변화에 의해서 곡률이 변화한다. 조절력은 탄성체인 수정체에 힘을 수직으로 주는 경우 정점 방향으로 길이가 늘어난다. 힘을 받는 수정체는 밀도 분포와 형태가 후면에 치우쳐있어, 후면 방향의 수평 힘 보다 전면 방향의 수평 힘이 더 크다. 그러므로 후면 방향 보다 전면 방향의 두께가 더 많아 늘어난다. 그러나 조절력이 일정 값 보다 커지기 시작하면 전면에서는 팽창률이 한계에 도달하다. 이 때 전면 방향의 수평 힘 보다 후면 방향의 수평 힘이 더 커지게 되어, 전면 방향 보다 후면 방향의 두께가 더 많아 늘어난다. 전면과 후면의 두께변화 차이는 조절력에 대해 2차 곡선(${\Delta}=B_1D+B_2D^2$)을 이룬다. 조절력에 따른 전면과 후면의 두께(${\Delta}t_a$, ${\Delta}t_p$) 차이 변화 곡선은 다음과 같이 표현된다. $${\Delta}t_a=t_a-t_{ao}=t_{max}+t_0{\exp}(-A/B)-t_{ao}$$ $${\Delta}t_p=t_p-t_{po}=t_{min}+t_0{\exp}(A/B)-t_{po}$$ 인간의 수정체에서 구한 각각의 Parameter값은 전면에서 $t_{min}=1.1.06$, $t_0=-0.33$, B=9.32, 후면에서 $t_{max}=1.97$, $t_0=0.10$ B=7.96 등을 얻었다. 조절력에 따른 수정체의 전면과 후면에서 정점 곡률 안정의 변화는 다음과 같다. $$R=R_0+R_1{\exp}(D/k)$$ 수정체에서 구한 각각의 Parameter 값은 전면에서 $R_{min}=5.55$, $R_1=6.87$, k=4.65, 후면에서 $R_{max}=-68.6$, $R_1=76.7$, k=308.5 등을 얻었다.