메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
이준호 (숭실대학교) 박재표 (숭실대학교)
저널정보
한국산학기술학회 한국산학기술학회 논문지 한국산학기술학회논문지 제25권 제1호
발행연도
2024.1
수록면
773 - 779 (7page)
DOI
10.5762/KAIS.2024.25.1.773

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
본 논문에서는 게임 서비스 장애를 예측하기 위해 서버의 메트릭 로그 데이터를 사용하여 머신러닝 모델을 구축하고 최적화하는 과정을 기술했다. 특정 게임에서 실제 운용 중인 334대의 서버 중 크기가 큰 로그 29개를 활용했고 장애 중에서 비교적 횟수가 많은 동시 접속 하락을 활용했다. 평균 10억 건 이상의 레코드를 갖고 있는 1년 치의 메트릭 로그를 클라우드 서비스에 적재했고 이 중 126개의 메트릭을 선별했다. 장애 빈도가 낮은 관계로 장애 시간 기준 1시간~3시간 전과 1일~3일 전 데이터를 추출하여 머신러닝 원본 데이터 세트를 생성했다. 분류 분석 알고리즘을 이용한 머신러닝 수행 결과, 날짜 기반 데이터 세트의 성능이 가장 잘 나왔다. 그 중에 의사 결정 트리 알고리즘과 랜덤 포레스트는 0.98 이상의 예측 성능이 나왔다. 메트릭 4개와 서버 2대를 선별해 머신러닝했을 때 의사 결정 트리 알고리즘과 랜덤 포레스트 모두 1.0의 성능이 나왔고 장애 미 탐지 오류 건수는 0건이 나왔다. 과거 연구와 달리 프로그래밍 방식으로 선택한 126개의 메트릭 중 높은 성능을 갖는 예상치 못한 메트릭을 발견할 수 있었고 이 메트릭을 활용함으로써 서버 수와 관계없는 높은 예측 성능을 달성할 수 있었다. 이 연구를 통해 특정 시점의 데이터 추출이 장애 예측에 유용한 점과 프로그램적 접근을 통해 메트릭을 선별하고 머신러닝 후에 메트릭의 중요도를 재평가하는 방식이 장애 탐지 모델 구축에 효과적임을 확인할 수 있었다.
#Failure Detection #Server Logs #Machine Learning #Decision Tree Algorithm #Random Forest

목차

요약
Abstract
1. 개요
2. 관련 연구
3. 지능형 장애 탐지 모델 구축
4. 결론
References

참고문헌 (15)

참고문헌 신청
J. H. Lee, An Intelligent Failure Detection Model Using Metric Logs and Machine Learning in a Cloud Environment, Master’s thesis, Soongsil University, 2022. google schola S. Choi & S. G. Woo, “Definition, Utilization, and Trends of Big Data”, Journal of Korea Information Processing Society Review, v.19, no.2, pp.10-19, 2012. google schola J. H. Jeong, Start Hadoop Programming, p,760, Wikibooks, 2016. DOI: https://doi.org/10.979.115839/0389 google schola Galit Shmueli & Jo Jae-hee, Data Mining for Business Intelligence, p.480, E&B Plus, 2012. DOI: https://doi.org/10.978.8994246/222 google schola Peter Bruce & Andrew Bruce, Practical Statistics for Data Scientist, p.380, Hanbit Media, 2018. DOI: https://doi.org/10.979.116224/9321 google schola

이 논문의 저자 정보

이 논문과 함께 이용한 논문

Incremental and Automated Mock Generation using Execution Logs for the Abstraction of Embedded Software Modules
최윤자 Journal of KIISE 2022 .12
자연어 처리 기반 멀티 소스 이벤트 로그의 보안 심각도 다중 클래스 분류
서양진 정보보호학회논문지 2022 .10
보안로그 빅데이터 분석 효율성 향상을 위한 방화벽 로그 데이터 표준 포맷 제안
배춘석 ,  고승철 정보보호학회논문지 2020 .02
로그 분석 처리율 향상을 위한 맵리듀스 기반 분할 빅데이터 분석 기법
이협건 ,  김영운 ,  박지용 외 1명 한국정보전자통신기술학회 논문지 2018 .10

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-24-02-089351551