지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 노재춘
- 발행연도
- 2019
- 저작권
- 세종대학교 논문은 저작권에 의해 보호받습니다.
이용수10
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
수많은 서비스들이 컴퓨터 시스템을 통해 제공됨에 따라 시스템의 신뢰성 및 가용성이 중요해졌다. 이에 시스템 장애를 예측하여 이를 사전에 방지하는 것이 주요 과제가 되었다. 때문에 여러 연구에서 복잡한 시스템의 가용성을 보장하기 위해, 가장 많은 피해 비용을 초래하는 시스템 구성 자원의 장애를 예측하고자 하였다. 이를 위해 기존 연구에서는 시스템 지식을 기반으로 최적의 데이터 가공 및 예측 알고리즘을 적용하여 높은 예측률의 모델을 얻고자 하였다. 하지만, 최적의 모델을 얻기 위해서는 반복적인 데이터 분석 및 가공, 예측 모델 최적화 및 비교가 필요하였고 해당 과정은 경험적 지식에 의존하여 수동적으로 수행되었다. 때문에 최적화된 예측 모델을 얻기 위해 많은 시간과 작업이 필요하였다. 이는 제조사별로 다른 모델을 생성해야 하는 HDD와 같은 시스템 자원 예측을 어렵게 한다.
본 논문에서는 최적화된 예측 모델을 얻기 위한 과정을 전략적으로 자동화하여 이러한 비용을 최소화하는 프레임워크를 구현하였다. 이를 위해 기존 연구에서 장애와 높은 연관성이 검증된 데이터를 수집하는 모니터링 시스템과 자동화된 기계 학습을 적용하여 대부분의 과정을 자동화하였다. 또한, 생성된 모델을 기반으로 실시간 장애 예측이 가능하도록 하였다.
본 논문에서는 최적화된 예측 모델을 얻기 위한 과정을 전략적으로 자동화하여 이러한 비용을 최소화하는 프레임워크를 구현하였다. 이를 위해 기존 연구에서 장애와 높은 연관성이 검증된 데이터를 수집하는 모니터링 시스템과 자동화된 기계 학습을 적용하여 대부분의 과정을 자동화하였다. 또한, 생성된 모델을 기반으로 실시간 장애 예측이 가능하도록 하였다.
목차
제1장 서론 1제2장 배경 개념 31. 시스템 장애 예측이란? 32. 시스템 모니터링 113. 기계 학습 자동화 134. 기계 학습 알고리즘 18제3장 관련 연구 201. 장애 예측으로 인한 피해 202. 시스템 별 장애 예측 213. 장애 예측을 위한 특징 공학 234. 장애 데이터 생성 24제4장 프레임워크 설계 251. 프레임워크 구조 및 동작 252. 수집되는 시스템 상태 데이터 323. 모델 최적화 및 선택 알고리즘 35제5장 HDD 장애 예측 성능 측정 381. 학습 및 검증 데이터 382. 장애 예측 모델 성능 측정 40제6장 결론 44참고 문헌 45Abstract 48
최근 본 자료
댓글(0)
0