금융정보시스템은 국가나 사회의 중요한 인프라로서 실효성 있는 장애관리를 위해서는 장애요인변수의 선택이 매우 중요하다. 본 연구에서는 A사의 3년 간 금융정보시스템에서 발생한 장애를 조사 분석하였다. 조사 분석 결과, 거래량, KOSDAQ 지수의 등락, 공시건수 등 9개의 변수가 채택되어, 이 장애요인 변수들이 실제 장애를 유발한다는 가설을 세우고, 실제 발생한 장애와의 상관관계를 분석하였다. 분석 결과, 거래량, 주문/체결건수, 변경업무, 나스닥 지수의 등락이 유효한 장애요인 변수로서 채택되었다. 따라서 본 연구에서는 이 변수들을 금융정보시스템의 장애관리를 위한 장애모델변수로서 장애예측 모델에 활용할 수 있도록 제안한다.
금융정보시스템은 국가나 사회의 중요한 인프라로서 실효성 있는 장애관리를 위해서는 장애요인변수의 선택이 매우 중요하다. 본 연구에서는 A사의 3년 간 금융정보시스템에서 발생한 장애를 조사 분석하였다. 조사 분석 결과, 거래량, KOSDAQ 지수의 등락, 공시건수 등 9개의 변수가 채택되어, 이 장애요인 변수들이 실제 장애를 유발한다는 가설을 세우고, 실제 발생한 장애와의 상관관계를 분석하였다. 분석 결과, 거래량, 주문/체결건수, 변경업무, 나스닥 지수의 등락이 유효한 장애요인 변수로서 채택되었다. 따라서 본 연구에서는 이 변수들을 금융정보시스템의 장애관리를 위한 장애모델변수로서 장애예측 모델에 활용할 수 있도록 제안한다.
Finance Information System is critical national infrastructure. Therefore it is important to select variables of defect causal factor for the system defect management effectively. We research and analyze detected errors in A Company's Finance Information System for three years. In the result of rese...
Finance Information System is critical national infrastructure. Therefore it is important to select variables of defect causal factor for the system defect management effectively. We research and analyze detected errors in A Company's Finance Information System for three years. In the result of research and analysis, we have selected 9 variables of defect factor: the trading volume, the fluctuation of KOSDAQ index, and the number of public announcements, etc. Then we have assumed that these variables affect real system errors and analyzed correlation between the hypothesis and the detected system errors. After analyzing, we have extracted the trading volume, the number of orders and fills, changing tasks, and the fluctuations of NASDAQ index as valid variables of defect factor. These variables are proposed for failure prediction model as the variables to manage defects in the finance information system afterward.
Finance Information System is critical national infrastructure. Therefore it is important to select variables of defect causal factor for the system defect management effectively. We research and analyze detected errors in A Company's Finance Information System for three years. In the result of research and analysis, we have selected 9 variables of defect factor: the trading volume, the fluctuation of KOSDAQ index, and the number of public announcements, etc. Then we have assumed that these variables affect real system errors and analyzed correlation between the hypothesis and the detected system errors. After analyzing, we have extracted the trading volume, the number of orders and fills, changing tasks, and the fluctuations of NASDAQ index as valid variables of defect factor. These variables are proposed for failure prediction model as the variables to manage defects in the finance information system afterward.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 금융정보시스템에 대한 장애예측이나 예보를 통한 예방적 조치가 더욱 중요하며, 이를 위해서는 장애를 사전에 인지할 수 있는 요인변수의 선택이 매우 중요하다. 본 연구의 궁극적인 목표는 장애를 포함한 과거 장애 데이터를 기반으로 위험관리를 위한 개념적 장애예방모델을 설계함으로써 장애로 인한 위험을 예방 혹은 미리 대비함으로 장애로 인한 손실을 최소화하는 것이다.
가설 설정
귀무 가설 : H0:ρ = 0, 즉, 모집단상관계수 ρ는 상관관계가 없다는 귀무 가설에서 ρ > 0일 때 t > tn-2,1-α이어야 한다.
제안 방법
본 연구의 종속변수인 금융정보시스템의 장애는 첫째, 단위척도인 장애발생 빈도수와 둘째, 장애의 영향 정도(Severity of Impact)를 상대적으로 나타내는 순위척도로서 장애영향 정도를 가중치로 나타내었다(Table 5). 가중치는 AHP(Analytic Hierarchy Process)를 이용한 전문가 설문을 실시하여 그 가운데 일치 계수(Rate)가 0.1 이하로 일관성이 검증된 46명의 설문 결과를 사용하였다.
Graves[7]는 시간이 지남에 따라 소프트웨어 코드도 노화(Aging)하거나 부식(Decay)된다고 정의한다. 노화의 정도는 일정 기간에 Code에 존재하는 Fault의 수를 Count함으로써 측정한다. Gunther A.
이러한 요인들이 정보시스템의 장애와 연관성이 있는 지를 검증하는 것은 금융정보시스템의 안정적 운용에 매우 중요하다. 따라서 이러한 장애요인 변수들과 장애의 발생빈도, 그리고 장애로 인한 영향 정도에 대한 상관관계를 분석하고 검증하였다. 분석 대상이 된 요인 변수들은 1) 거래량 2) 지수의 등락 3) 공시건수 4) 주문/체결 건수 5) 변경업무건수 6) 원 달러 환율7) 나스닥 지수등락 8)유가등락 9) 경제신문의 뉴스건수 등이다.
대상 데이터
본 연구를 위하여 2008년부터 2010년 까지 3년 동안 금융업계의 IT 전문회사인 A사의 장애 데이터와 기록들을 수집하였다. 수집된 장애 데이터는 유가증권시장, 코스닥시장, 지수선물시장과 옵션시장 등 4개 시장시스템과 가격 정보를 처리하는 시세 정보 시스템, 계정 계 시스템과 업무 계 시스템, 그리고 부대설비 등을 포함한 기반시설에서 발생한 장애 데이터들이다.
본 연구를 위하여 2008년부터 2010년 까지 3년 동안 금융업계의 IT 전문회사인 A사의 장애 데이터와 기록들을 수집하였다. 수집된 장애 데이터는 유가증권시장, 코스닥시장, 지수선물시장과 옵션시장 등 4개 시장시스템과 가격 정보를 처리하는 시세 정보 시스템, 계정 계 시스템과 업무 계 시스템, 그리고 부대설비 등을 포함한 기반시설에서 발생한 장애 데이터들이다. 또한 거래량, 지수, 주문/체결 건수, 공시건수, 환율, 나스닥 지수, 유가, 매경 뉴스 건수 등 시장과 관련된 자료는 시장운영을 담당하고 있는 K사를 통하여 수집하였고 데이터의 상관도 분석은 SPSS 12를 이용하였다.
금융업계에서는 정보시스템이 소프트웨어 개발 상의 결함이나 시스템 결함 외에 다른 외부적 요인들에 의하여 영향을 받는 것으로 알려져 있다. 이러한 장애요인 변수의 채택을 위하여 업계에 근무한 경력 5년 이상의 전문가 48명을 대상으로 설문조사를 실시하여 상위 50%내에 속한 요인 9개의 변수를 채택하였다. 선택된 장애요인 변수는 거래량, 주문/체결 건수, 지수의 등락 정도, 변경 업무 건수, 다우 지수, 원 달러 환율, 유가 등이며, 이들 요인들은 모두 수집이 가능한 정보들이다.
데이터처리
수집된 장애 데이터는 유가증권시장, 코스닥시장, 지수선물시장과 옵션시장 등 4개 시장시스템과 가격 정보를 처리하는 시세 정보 시스템, 계정 계 시스템과 업무 계 시스템, 그리고 부대설비 등을 포함한 기반시설에서 발생한 장애 데이터들이다. 또한 거래량, 지수, 주문/체결 건수, 공시건수, 환율, 나스닥 지수, 유가, 매경 뉴스 건수 등 시장과 관련된 자료는 시장운영을 담당하고 있는 K사를 통하여 수집하였고 데이터의 상관도 분석은 SPSS 12를 이용하였다. 상관분석을 위한 상관계수는 SPSS에서 제공하는 Pearson의 상관계수이다.
이론/모형
장애에 대한 정의는 정보시스템 운영지침[5]과 IEEE의 정의[6]를 준용하였다. 이 기준에 따른 장애의 종류로는 첫째, 결함(Defect)으로 결과물이 불완전하거나 결핍된 것으로, 요구 또는 규격을 만족시키지 못하여 대체되어야 할 필요가 있는 것을 의미한다.
성능/효과
가설 H1-2에서 거래량과 영향 정도의 상관계수를 구하면, 선물시장, 유가증권시장, 코스닥시장, 그리고 옵션시장의 거래량과 영향 정도의 상관계수는 유의확률이 각각 p=0.195, 0.039, 0.001, 0.111에서 r=0.221, 0.345, 0.550, 0.270이다. 유의확률 95%를 기준으로 하므로 유가증권시장과 코스닥시장의 거래량은 유의확률 95%에서 귀무 가설을 기각할 수 있다.
이는 지수등락에 대한 가설 H2가 장애와는 상관관계가 없는 것으로 나타난 것과 관련이 있을 것으로 추측되나, 정확한 원인에 대해서는 추가적인 연구가 필요하다. 검증 결과 거래량, 주문체결건수, 변경업무 건수, 나스닥 지수의 등락이 금융정보시스템의 장애에 영향을 끼치는 장애요인변수임을 확인할 수 있다. 이 요인들은 장애개념모델의 요인변수로 사용될 수 있으며, 추후 장애예측모델에도 활용될 수 있다.
또한 기존의 선행 연구들은 정보시스템의 하드웨어나 소프트웨어에 개발 당시부터 내재되어 있는 장애를 예측하거나 장애발생확률을 모델화하는 연구였으나, 본 연구에서는 하드웨어나 소프트웨어를 포함한 금융정보시스템의 특성요인 변수를 추출하여 장애에 관련한 상관관계를 분석하고 연구하여 가설검증을 통하여 상관관계가 있음을 증명하였다. 그 결과 첫째, 거래량은 장애의 빈도수와 영향 정도에 모두 상관관계가 있는 것으로 밝혀져, 거래량이 많을수록 장애의 가능성이 증가하는 것이 증명되었고, 둘째, 주문/체결 건수와 변경업무 건수는 장애의 영향 정도와 상관관계가 있음을 증명하였다. 특히 일반적으로 생각하는 것과는 달리 주문/체결 건수가 변경업무 건수보다 높은 상관관계를 보이는데 이는 금융정보시스템의 위험관리를 위하여 주문/체결 건수에 대한 모니터링이 필요함을 나타낸다.
이러한 연구들은 대부분이 소프트웨어 자체가 품고 있는 결함에 초점을 맞추고 있다. 그러나 본 연구에서는 관점을 달리하여 정보시스템의 장애발생에 영향을 주는 것으로 예상되는 요인을 선택하였고, 이를 가설 검증을 통하여 일부 요인들이 정보시스템의 장애와 상관관계가 있음을 증명하였다. 이러한 장애요인 변수들은 추후 장애예측을 위한 종합적인 모델 설정 시 기존의 장애유발 요인과는 다른 요인으로서 활용될 수 있으므로 장애예측의 정확도를 높이는데 기여한다.
국가적으로나 사회적으로 Business Critical한 금융정보시스템의 효과적인 위험관리를 위해서는 요인변수의 측정이 가장 중요한 요소이다. 금융정보시스템의 요인변수로 거래량, 지수등락, 공시건수, 주문/체결 건수, 변경업무건수, 환율, 나스닥 지수, 유가, 그리고 뉴스건수를 선택하여 상관분석과 가설검증을 실시하였으며, 그 결과, 거래량, 주문/체결 건수, 변경업무 건수는 장애의 빈도 수나 영향 정도와 정(+)의 상관관계가, 나스닥 지수의 등락은 장애의 빈도 수와 부(-)의 상관관계가 있음이 밝혀졌다. 그러므로 이 요인변수들은 금융정보시스템의 장애개념모델을 위한 지표로 활용될 수 있다.
셋째, 실패(Failure)는 고객의 불편을 초래하였거나 불만을 야기한 장애이다. 넷째, 고장(Fault)은 실패보다 심각한 것으로 고객에게 직접적인 손실을 입힌 경우와 시장의 중단을 초래한 경우로 나눌 수 있다.
그러므로 이 요인변수들은 금융정보시스템의 장애개념모델을 위한 지표로 활용될 수 있다. 또한 기존의 선행 연구들은 정보시스템의 하드웨어나 소프트웨어에 개발 당시부터 내재되어 있는 장애를 예측하거나 장애발생확률을 모델화하는 연구였으나, 본 연구에서는 하드웨어나 소프트웨어를 포함한 금융정보시스템의 특성요인 변수를 추출하여 장애에 관련한 상관관계를 분석하고 연구하여 가설검증을 통하여 상관관계가 있음을 증명하였다. 그 결과 첫째, 거래량은 장애의 빈도수와 영향 정도에 모두 상관관계가 있는 것으로 밝혀져, 거래량이 많을수록 장애의 가능성이 증가하는 것이 증명되었고, 둘째, 주문/체결 건수와 변경업무 건수는 장애의 영향 정도와 상관관계가 있음을 증명하였다.
본 연구의 종속변수인 금융정보시스템의 장애는 첫째, 단위척도인 장애발생 빈도수와 둘째, 장애의 영향 정도(Severity of Impact)를 상대적으로 나타내는 순위척도로서 장애영향 정도를 가중치로 나타내었다(Table 5). 가중치는 AHP(Analytic Hierarchy Process)를 이용한 전문가 설문을 실시하여 그 가운데 일치 계수(Rate)가 0.
후속연구
검증 결과 거래량, 주문체결건수, 변경업무 건수, 나스닥 지수의 등락이 금융정보시스템의 장애에 영향을 끼치는 장애요인변수임을 확인할 수 있다. 이 요인들은 장애개념모델의 요인변수로 사용될 수 있으며, 추후 장애예측모델에도 활용될 수 있다.
또한 나스닥 지수 등락의 경우, 가설에서는 정(+)의 관계가 있다고 가정하였으나, 결과는 반대로 부(-)의 관계로 나타났다. 이는 지수등락에 대한 가설 H2가 장애와는 상관관계가 없는 것으로 나타난 것과 관련이 있을 것으로 추측되나, 정확한 원인에 대해서는 추가적인 연구가 필요하다. 검증 결과 거래량, 주문체결건수, 변경업무 건수, 나스닥 지수의 등락이 금융정보시스템의 장애에 영향을 끼치는 장애요인변수임을 확인할 수 있다.
향후 연구과제로 금융정보시스템에 치명적인 위험을 유발할 수 있는 대외적 요인들인 정치·사회·경제적 사건·사고의 영향력에 관한 연구가 필요하며, 이를 기존의 결함 추출 방법과 장애예측연구와 결합하여 범 국가적인 장애예측모델과 장애 대책 매뉴얼을 구축하여 금융정보시스템의 효과적인 위험관리에 대처하여야 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
현 금융정보시스템의 한계점은?
금융정보시스템은 국가적으로나 사회적으로 매우 중요한 인프라임에도 불구하고 효과적인 장애관리가 이루지지 않으므로, 그로 인한 손실이 매우 막대하다[1]. 금융업계의 경우, 금융 위험(Risk)에 대한 연구는 매우 활발하게 진행되고 있으나[2], 금융정보시스템의 위험에 대한 관리는 사후처리에 집중되어 있고[3], 특히 소프트웨어는 그 특성 상 사전점검이 어려워 프로세스 품질확보나 테스트의 강화를 통한 가동 전 결함 추출에 주력한다. 따라서 금융정보시스템에 대한 장애예측이나 예보를 통한 예방적 조치가 더욱 중요하며, 이를 위해서는 장애를 사전에 인지할 수 있는 요인변수의 선택이 매우 중요하다.
소프트웨어에 내재되어 장애로 이어질 수 있는 결함을 예측하고자 하는 전통적인 방법은?
소프트웨어에 내재되어 장애로 이어질 수 있는 결함을 예측하고자 하는 전통적인 방법은 Fig. 1과 같이 Static Measure에 의한 추정방법이다. 그러나 이 모델들은 장애를 분석하고 최소화하고자 하는 의사결정에 도움이 되지 않는다[7].
IEEE에 따른 장애는 어떤 종류가 있는가?
장애에 대한 정의는 정보시스템 운영지침[5]과 IEEE의 정의[6]를 준용하였다. 이 기준에 따른 장애의 종류로는 첫째, 결함(Defect)으로 결과물이 불완전하거나 결핍된 것으로, 요구 또는 규격을 만족시키지 못하여 대체되어야 할 필요가 있는 것을 의미한다. 즉, 정보시스템에 대한 포괄적인 비정상(Anomaly)을 결함 혹은 장애라 한다. 둘째, 문제(Problem)는 실패나 고장으로 발현되지는 않았으나, 시간의 경과나 조건의 충족 여부에 따라 실패나 고장으로 발전할 수 있는 장애를 의미한다. 셋째, 실패(Failure)는 고객의 불편을 초래하였거나 불만을 야기한 장애이다. 넷째, 고장(Fault)은 실패보다 심각한 것으로 고객에게 직접적인 손실을 입힌 경우와 시장의 중단을 초래한 경우로 나눌 수 있다.
참고문헌 (18)
National IT Industry Promotion Agency (NIPA), SW Engineering White Book, NIPA, 2011, pp.5-6.
H.S. Park, "Recent Domestic Bank's Risk Management and Future Works", The Bank of Korea, Finance Systems Review, Vol.7, pp.85-95, 2002.
T.H. Kang, S.Y. Rhew, "A Proposal for Improvement and Current Situation of Risk Management of Financial Information System", Information Systems Review, Vol.14, No.2, pp.103-115, 2012.
Telecom munication Technology Association(TTA), Information System Management Guides, TTA, 2007.
IEEE, IEEE Std 1044-2009, Standard Classification for Software Anomalies, IEEE, 2009.
Todd L. Graves, Alan F. Karr, J.S. Marron, Harvey Siy, "Predicting Fault Incidence Using Software Change History", IEEE Transactions on Software Engineering, Vol.26, No.7, July, 2000.
Allen P. Nikora, John C. Munson, "Developing Fault Predictors for Evolving Software Systems", Proceedings of the 9th International Metrics Symposium(METRICS'03), IEEE, 2003.
Martin Neil, Norman Fenton, "Improved Software Defect Prediction", Agena Ltd and Queen Mary, University of London, 2004.
Jean Jacques Gras, "End-to-End Defect Modeling", IEEE Software Published by the IEEE Computer Society, 2004
A. Gunes Kore, Hongfang Lie, "Building Effective Defect-Prediction Models in Practice", University of Maryland, Baltimore County, 2005.
Yuming Zhou, "Empirical Analysis of Object-Oriented Design Metrics for Predicting High and Low Severity Faults", IEEE Transactions on Software Engineering, Vol.32, No.10, Oct., 2006.
Pietro Abate, Roberto Di Cosmo, "Predicting Upgrade Failure Using Dependency Analysis", IEEE, 2011.
Tracy Hall, Sarah Beecham, David Bowes, David Gray, Steve Counsell, "Systematic Literature Review on Fault Prediction Performance in Software Engineering", IEEE Transactions of Software Engineering, 2011.
Gunther A. Hoffman, Felix Salfner, Miroslaw Malek, "Advanced Failure Prediction in Complex Software Systems", Humbolt Univ, Berlin, Dep of Computer Science, Computer Architecture and Communication Group, 10099 Berlin, Germany, April, 2004.
Bibi S., Tsounakas G., Stamelos I., Vlahavas I., "Software Defect Prediction Using Regression via Classification", IEEE, 2006.
Ahmed E. Hassan, "Predicting Faults Using the Complexity of Code Changes", Software Analysis and Intelligence Lab. School of Computing, Queen's Univ, Canada. IEEE, 2009.
Le Truong Giang, Dongwon Kang, Doo-Hwan Bae, "Software Fault Prediction Models for Web Applications", KAIST, Daejeon, Korea, 2010 34th Annual IEEE Computer Software and Applications Conference Workshops
※ AI-Helper는 부적절한 답변을 할 수 있습니다.