표제지
요약
목차
제1장 서론 10
1.1. 연구의 배경 및 목적 10
1.2. 연구의 내용 및 범위 11
제2장 관련연구 15
2.1. 서버 성능 관리를 위한 장애 예측 시스템 15
2.2. 규칙기반 웹 서버 장애 진단 추론 기법 16
2.3. INBANCA기법을 이용한 웹서버 장애 진단 및 복구기법 16
2.4. 클래스형 VOD서버에서 장애 복구의 설계 및 구현 17
2.5. 적용사례 20
제3장 서버 장애 예측의 기반정보 구축 22
3.1. 서버 정보 구축 22
3.2. 기반정보 구축 25
3.2.1. 학습데이터 생성 25
3.2.2. 성능지표 및 임계치 30
제4장 서버 장애 예측 31
4.1. DNN의 개념 및 구조 31
4.2. 데이터 가시화 40
4.2.1. 데이터의 가시화 방법 40
4.2.2. 초기 데이터의 가시화 코드 41
제5장 실험결과 54
제6장 결론 및 향후 연구 59
참고문헌 61
부록 A. 딥러닝 소스 코드(데이터 처리) 62
ABSTRACT 68
표 1-1. 연구내용 및 자료수집을 위한 활동 11
표 3-1. 최초 Process Operating Check Sheet 정보 26
표 3-2. 최초 Server System Check Sheet 정보 27
표 3-3. 성능지표 및 임계치 30
그림 1-1. 기존 장애 조치 시스템 12
그림 1-2. 서버운용 및 개선된 장애 조치 시스템 12
그림 1-3. 서버 운영의 개념도 13
그림 1-4. 서버 관리 시스템(SMS) 아키텍츠 14
그림 2-1. SERVER MONITORING 및 PROCESS 관리 18
그림 2-2. LINUX 서버 네트워크/프로세스 관리 TOOL 19
그림 2-3. 사례 적용 중인 소프트웨어 및 하드웨어 운영 20
그림 3-1. 서버 모니터링, TOPAS 22
그림 3-2. 서버 topas 모니터링 학습데이터 정보 23
그림 3-3. Server Process 시계열 데이터 24
그림 3-4. 학습 DATA SHEET 정보 25
그림 4-1. 얕은 신경망과 깊은 신경망 31
그림 4-2. Data DNN 구조 32
그림 4-3. 다층 퍼셉트론 DNN 구조의 예제 33
그림 4-4. 다층 퍼셉트론 간략화한 구조 35
그림 4-5. Data DNN 블록도 40
그림 4-6. 초기데이터의 가시화 코드1 41
그림 4-7. 초기데이터의 가시화 코드2 44
그림 4-8. Data의 병합 46
그림 4-9. 실제 Data의 병합 모습 50
그림 4-10. Join 형식을 이용한 수평병합 51
그림 4-11. 여러 가지 학습데이터 장애 예측 52
그림 5-1. 학습 데이터 DEEP LEARNING 55
그림 5-2. 학습 데이터 DEEP LEARNING 결과 57
그림 6-1. 서버 장애 예측/처리 시스템 설계 60