• 한국응용과학기술학회지
• /
• 제40권3호
• /
• pp.534-546
• /
• 2023

본 연구에서는 시엽의 기능성 화장품 소재로서의 활용 가능성을 평가하기 위해 항산화와 인간섬유아세포인 CCD-986sk 세포에서의 항주름 효과를 알아보았다. 전자공여능 측정, ABTS⁺ radical 소거능 측정을 통해 항산화 활성을 확인한 결과, 시엽은 1,000 ㎍/ml 농도에서 대조군인 ascorbic acid와 농도 의존적으로 유사한 항산화 활성을 보였다. Elastase 저해 활성 측정, Collagenase 저해 활성 측정을 통해 항주름 효과를 확인한 결과, 시엽은 1,000 ㎍/ml 농도에서 대조군인 epigallocatechin gallate와 농도 의존적으로 유사한 항주름 효과를 나타내었다. UVB로 유도된 CCD-986sk 세포 내 pro-collagen type I의 합성률과 MMP-1의 저해률을 측정한 결과 대조군인 EGCG는 20 ㎍/ml에서 90.2%, 시엽은 30 ㎍/ml에서 88.5%의 pro-collagen 합성률을 보였다. 또한 EGCG 20 ㎍/ml와 시엽 30 ㎍/ml에서 각각 33.0%, 40.8%의 MMP-1 저해율을 확인하였다. Western blot을 통하여 시엽의 pro-collagen type I과 MMP-1의 단백질 발현량을 측정한 결과 UVB 단독군 대비 시엽을 함께 처리했을 때 pro-collagen type I의 단백질 발현량이 증가하고 MMP-1의 단백질 발현량이 감소하는 것을 확인하였다. 위 실험결과에 따라 시엽이 UVB 자극에 의한 광노화를 예방하고 항산화, 항주름 효과가 있음을 확인하여 화장품의 천연물 소재로서의 이용이 기대된다.

• 생물환경조절학회지
• /
• 제32권4호
• /
• pp.416-422
• /
• 2023

본 연구는 겨울과 봄철의 CO₂ 시비 토마토 온실에서 낮과 밤의 온도 변화에 따른 CO₂ 농도 변화를 구명하고 계산된 CO₂ 공급량을 비교하고자 수행하였다. 온실 내 CO₂ 농도는 2022년과 2023년의 겨울철 실험 온실에서 생육단계가 LAI 2.0인 대표적인 날들 중 누적광량 차이로 인한 평균 온도가 다른 날을 선정하여 분석하였다. 평균 온도 18℃ 이상의 경우(고온, HT), CO₂ 공급 시간대(10:00-13:00) 이후 13, 14, 15, 16시에 각각 31.7, 26.8, 23.8, 22.4℃일 때 CO₂ 농도는 459, 299, 275, 239µmol·mol^-1이었고 평균 온도 18℃ 이하의 경우(저온, LT), 22.0, 18.9, 15.0, 13.7℃일 때 각각 500, 368, 366, 364µmol·mol^-1으로 HT에서 CO₂ 감소량이 LT보다 유의적으로 높았다. 야간 CO₂ 농도는 HT의 경우 오후 6시(346µmol·mol^-1) 부터 서서히 증가되어 오전 3시(454µmol·mol^-1)에 가장 높았으며 9시간 동안 약 100µmol·mol^-1이 증가되어 시간당 약 11µmol·mol^-1이 증가되었고(토마토 240개체, 엽면적 330m²), LT에서는 그 증가폭이 낮았다. 봄철 CO₂ 시비 온실에서 CO₂ 시비 개시 직전(오전 7:30)에 측정된 CO₂ 농도는 야간온도가 15℃ 이상의 경우(HT)는 15℃ 이하의 경우(LT)보다 3-4배 높은 것으로 나타났으며 그날의 계산된 공급 CO₂ 시비량도 HT에서 적었다. 본 연구결과에서 야간 CO₂ 농도는 재배 시기에 따른 온도의 영향을 받으며, 야간에 증가된 CO₂는 광합성 작용의 주요 공급원이 된다는 것을 알 수 있었다. 이를 고려한 CO₂ 공급 모델식 개발이 필요한 것으로 판단된다.

• 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.