[논문]Recurrent Neural Network를 활용한 서비스 이벤트 관계 분석에 관한 연구

전우성; 박영석; 최정일

doi:10.9716/kits.2018.17.4.075

Abstract ▼ AI-Helper

Enterprises need to monitor systems for reliable IT service operations to quickly detect and respond to events affecting the service, thereby preventing failures. Events in non-critical systems can be seen as a precursor to critical system incidents. Therefore, event relationship analysis in the ope...

Enterprises need to monitor systems for reliable IT service operations to quickly detect and respond to events affecting the service, thereby preventing failures. Events in non-critical systems can be seen as a precursor to critical system incidents. Therefore, event relationship analysis in the operation of IT services can proactively recognize and prevent faults by identifying non-critical events and their relationships with incidents. This study used the Recurrent Neural Network and Long Short Term Memory techniques to create a model to analyze event relationships in a system and to verify which models are suitable for analyzing event relationships. Verification has shown that both models are capable of analyzing event relationships and that RNN models are more suitable than LSTM models. Based on the pattern of events occurring, this model is expected to support the prediction of the next occurrence of events and help identify the root cause of incidents to help prevent failures and improve the quality of IT services.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구는 특정 서비스에서 발생된 이벤트의 선후 관계를 분석하여 이벤트 간의 관계를 파악한다. Recurrent Neural Network(RNN)은 입력으로 순차적인 데이터를 사용하는 인공 신경망 기법의 하나로써 입력데이터의 전후 관계가 출력데이터에 관련이 있을 때 높은 정확도를 보장하는 기법이다.
본 연구에서는 RNN과 LSTM 기법을 적용하여 시스템에서 순차적으로 발생하는 이벤트를 분석하는 기법을 제시한다. 이 연구를 통하여 쉽게 이벤트 간의 관계를 분석하고, 인시던트를 예측하여 시스템 운영의 효율화와 품질 향상을 지원할 것이다.
현재 시스템에서 발생한 이벤트를 대상으로 RNN, LSTM 기반의 이벤트 관계 분석을 수행한 연구는 전무한 상태이다. 본 연구에서는 신경망 기법인 RNN 알고리즘이 가지고 있는 특성을 활용하여 IT서비스에 실제 발생된 이벤트의 관계를 분석하여 RNN을 통한 이벤트 분석의 유효성에 대해 검증한다.
기존의 연구에서는 대부분 상관관계 분석기법을 제시하였고, RNN, LSTM을 활용하여 실제 이벤트의 관계를 분석한 연구는 전무하다. 본 연구에서는 실증적으로 이벤트의 관계를 분석하여 중요한 사고(critical incident)가 발생했을 때, 해당 이벤트의 원인이 되는 이벤트를 분석하는 모델을 생성하였다. 특정 서비스의 시스템에서 발생된 이벤트에 대하여 RNN, LSTM 기법을 활용하여 관계분석을 실시하였다.

제안 방법

모델 생성을 위해 먼저 시스템에서 발생한 이벤트를 숫자로 변환한다. 변환된 이벤트를 시간 순서에 따라 입력값으로 나열하였고, 해당 이벤트의 다음에 발생될 이벤트를 출력 값으로 나열하였다.
대상 데이터의 80%인 46,124건을 학습데이터를 활용하였고, 나머지 20%인 11,532건을 테스트 데이터로 활용하였다. 신경망 기법은 RNN과 LSTM을 사용하였으며, 히든 레이어(Hidden Layer), 학습 횟수가 모델의 정확도에 미치는 영향을 파악하기 위해 히든 레이어를 2레이어와 4레이어로 나누어 모델을 생성하였고 Epoch는 200회 400회로 각각 진행하였다. Learning rate는 0.
입력값으로 특정 시점에 발생된 이벤트를, 출력값으로 다음에 발생될 이벤트를 입력하여 데이터를 구성하였다. 이렇게 모델은 이벤트 발생 목록이 입력으로 주어졌을 때, 해당 이벤트 목록이 과거에 발생되고, 학습됐던 패턴과 일치할 경우, 그 다음에 발생될 이벤트를 예측하게 된다.

대상 데이터

대상 데이터의 80%인 46,124건을 학습데이터를 활용하였고, 나머지 20%인 11,532건을 테스트 데이터로 활용하였다. 신경망 기법은 RNN과 LSTM을 사용하였으며, 히든 레이어(Hidden Layer), 학습 횟수가 모델의 정확도에 미치는 영향을 파악하기 위해 히든 레이어를 2레이어와 4레이어로 나누어 모델을 생성하였고 Epoch는 200회 400회로 각각 진행하였다.
실험을 위한 이벤트 데이터는 A사의 서버 약 877대에서 2018년 3월 1일부터 2018년 3월 31일까지 발생한 이벤트 데이터를 사용하였다. 해당 기간 동안 발생된 총 이벤트는 123,272건으로, 이 데이터중 운영자의 최적화되지 않은 임계치 사용으로 인하여 발생된 일일 발생건수 1,000건 이상의 이벤트에 대해서는 실험 결과의 정확도를 높이기 위하여 제거하고 57,656건의 이벤트를 대상으로 실험을 실시하였다.
실험을 위한 이벤트 데이터는 A사의 서버 약 877대에서 2018년 3월 1일부터 2018년 3월 31일까지 발생한 이벤트 데이터를 사용하였다. 해당 기간 동안 발생된 총 이벤트는 123,272건으로, 이 데이터중 운영자의 최적화되지 않은 임계치 사용으로 인하여 발생된 일일 발생건수 1,000건 이상의 이벤트에 대해서는 실험 결과의 정확도를 높이기 위하여 제거하고 57,656건의 이벤트를 대상으로 실험을 실시하였다.

데이터처리

테스트는 각각의 생성된 모델에 테스트 데이터 11,532건을 발생 순서에 따라 모델에 입력하여, 출력된 데이터의 발생확률이 높은 10개의 이벤트 중 실제 다음에 발생된 이벤트가 있는지 여부를 판단하여 관계 분석수를 산출하였고, 분석률은 분석수를 전체 테스트 데이터 수 11,532를 나누어 산정하였다.
본 연구에서는 실증적으로 이벤트의 관계를 분석하여 중요한 사고(critical incident)가 발생했을 때, 해당 이벤트의 원인이 되는 이벤트를 분석하는 모델을 생성하였다. 특정 서비스의 시스템에서 발생된 이벤트에 대하여 RNN, LSTM 기법을 활용하여 관계분석을 실시하였다.

이론/모형

Recurrent Neural Network(RNN)은 입력으로 순차적인 데이터를 사용하는 인공 신경망 기법의 하나로써 입력데이터의 전후 관계가 출력데이터에 관련이 있을 때 높은 정확도를 보장하는 기법이다. RNN 의 장기 의존성 문제를 해결하기 위해 Long Short Term Memory(LSTM) 기법을 활용할 수 있다.
xlarge 는 1개의 Tesla K80 GPU, vCPU 4core, 61GB의 메모리를 제공한다. 분석 모델 생성을 위한 프레임워크는 구글의 TensorFlow를 사용하였다. TensorFlow는 머신러닝 알고리즘을 실행하기 위한 라이브러리로 GPU 등의 분산 시스템에서 동작이 가능하다.

성능/효과

테스트 결과는 신경망 기법과 히든 레이어 수에는 영향을 받지만, Epoch는 200회 이상의 경우 분석률에 크게 영향을 미치지 않는 것으로 확인되었다. 또한 히든 레이어 수가 4개로 설정된 경우 2개일 경우보다 4% 가량 분석률이 낮아지는 것으로 확인되었다. 최종 분석률은 LSTM 2레이어 모델이 가장 낮은 loss 를 가지고 있음에도 불구하고, RNN 2레이어 모델이 가장 높은 관계 분석률을 보여주는 것으로 확인되었다.
모델 생성결과는 결과는 2레이어 400 Epoch의 LSTM이 Loss값 2.685로 가장 낮은 Loss를 제공하는 것으로 확인되었다. 모델 생성 결과는 [Table 1]과 같다.
연구결과는 학습 시 Loss는 LSTM 2레이어 모델이 좋은 것으로 확인됐지만, 테스트 결과는 RNN 2레이어 모델이 높은 관계 분석률을 보여주는 것으로 확인되었다. 이는 LSTM이 학습데이터에 대한 과적합(Overfitting)으로 발생한 것으로 사료된다.
또한 히든 레이어 수가 4개로 설정된 경우 2개일 경우보다 4% 가량 분석률이 낮아지는 것으로 확인되었다. 최종 분석률은 LSTM 2레이어 모델이 가장 낮은 loss 를 가지고 있음에도 불구하고, RNN 2레이어 모델이 가장 높은 관계 분석률을 보여주는 것으로 확인되었다.
[Table 2]은 RNN, LSTM 모델을 기반으로 테스트를 한 수행 결과를 나타낸다. 테스트 결과는 신경망 기법과 히든 레이어 수에는 영향을 받지만, Epoch는 200회 이상의 경우 분석률에 크게 영향을 미치지 않는 것으로 확인되었다. 또한 히든 레이어 수가 4개로 설정된 경우 2개일 경우보다 4% 가량 분석률이 낮아지는 것으로 확인되었다.

후속연구

본 연구에서는 RNN과 LSTM 기법을 적용하여 시스템에서 순차적으로 발생하는 이벤트를 분석하는 기법을 제시한다. 이 연구를 통하여 쉽게 이벤트 간의 관계를 분석하고, 인시던트를 예측하여 시스템 운영의 효율화와 품질 향상을 지원할 것이다.
또한 입력으로 사용된 이벤트 목록의 출력으로 중요한 사고가 발생하였다면 입력으로 사용된 이벤트 목록이 중요한 사고를 야기한다고 볼 수 있다. 이벤트 목록에 해당하는 이벤트들을 사전에 조치하여 중요한 사고가 발생하지 않도록 조치하고 장애를 사전에 예방하여 IT서비스의 품질을 향상시키는데 기여할 것으로 기대된다.
이벤트간의 발생 시간차를 입력으로 구성할 경우 분석률이 향상될 것으로 판단된다. 이와 함께 추가적인 파라미터 조정을 통해 분석률이 개선될 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기업에서 IT 운영의 실패는 무엇에 영향을 미치는가?	기업에서 IT 운영의 실패는 기업의 신뢰도와 매출에 지대한 영향을 미친다. 기업은 안정적인 IT 서비스 운영을 위해 시스템을 모니터링하여 서비스의 정상여부를 지속적으로 점검하고, 장애 예방을 위해 장애의 근본원인을 파악하여 장애가 발생하기 전 사전에 조치하는 것을 필요로 한다.
	RNN 의 장기 의존성 문제를 해결하기 위해 어떤 기법을 활용할 수 있는가?	Recurrent Neural Network(RNN)은 입력으로 순차적인 데이터를 사용하는 인공 신경망 기법의 하나로써 입력데이터의 전후 관계가 출력데이터에 관련이 있을 때 높은 정확도를 보장하는 기법이다. RNN 의 장기 의존성 문제를 해결하기 위해 Long Short Term Memory(LSTM) 기법을 활용할 수 있다.
	RNN이 선후 관계를 가진 데이터를 처리할 때 유용하게 사용되는 이유는?	인공 신경망 기법은 입력한 데이터를 신경망 노드와 활성화 함수의 가중치 통해 계산하고, 인공 신경망의 결과 값과 실제 정답의 차이를 비교하여 가중치를 조절하는 기법이다. RNN은 신경망의 결과 값이 다음 입력 값과 순환적으로 연결되어 새로운 입력 값이 이전의 출력 값에 관계를 맺게 된다. 이러한 구조로 인하여 선후 관계를 가진 데이터를 처리할 때 유용하게 사용할 수 있다(Gulli and Pal, 2017).

참고문헌 (15)

Bouloutas, A.T., S. Calo, and A. Finkel, "Alarm Correlation and Fault Identification in Communication Networks", In IEEE Transactions on Communications, Communications, Vol.42, No.234, 1994, 523-533.

상세보기
Bychkov, I., G. Oparin, A. Novopashin, and I. Sidorov, "Agent-Based Approach to Monitoring and Control of Distributed Computing Environment", In Malyshkin V.(eds) Parallel Computing Technologies, PaCT 2015, Lecture Notes in Computer Science, Vol.9251, Springer, Cham, 2015, 253-257.
Cheng, L., B.F. van Dongen, and W.M.P. van der Aalst, "Efficient Event Correlation over Distributed Systems", In 2017 17th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGRID), 14-17 May 2017, 1-10.
Gardner, R.D. and D.A. Harle, "Methods and Systems for Alarm Correlation", In Global Telecommunications Conference, GLOBECOM '96.' Communications : The Key to Global Prosperity, Vol.1, 18-28 November 1996, 136-140.
Grati, R., K. Boukadi, and H. Ben-Abdallah, "Overview of IaaS Monitoring Tools", In 2015 IEEE/ACS 12th International Conference of Computer Systems and Applications (AICCSA), 2015, 1-7.
Gulli, A. and S. Pal, Deep Learning with Keras : Implement Neural Networks with Keras on Theano and Tensor Flow, Packt Publishing, 2017.
Jakobson, G. and M. Weissman, "Alarm Correlation", IEEE Network, Vol.7, No.6, 1993, 52-59.

상세보기
Kim, H.S. and S.A. Park, "An Empirical Study on Contract Model for IT Outsourcing Application Operation", Journal of Information Technology Services, Vol.16, No.2, 2017, 45-60.
Kliger, S., S. Yemini, Y. Yemini, D. Ohsie, and S. Stolfo, "A Coding Approach to Event Correlation", In : Sethi A.S., Raynaud Y., Faure-Vincent F.(eds) Integrated Network Management IV. IM 1995, The International Federation for Information Processing, Springer, Boston, MA, 1995, 266-277.
Lee, S., K. Levanti, and H.S. Kim, "Network Monitoring : Present and Future", Computer Networks, Vol.65, No.2, 2014, 84-98.

상세보기
Meera, A. and S. Swamynathan, "Agent based Resource Monitoring System in IaaS Cloud Environment", Procedia Technology, Vol. 10, 2013, 200-207.

상세보기
Renita, J. and N.E. Elizabeth, "Network's Server Monitoring and Analysis Using Nagios", In 2017 International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET), 2017, 1904-1909.
Salah, S., G. Macia-Fernandez, and J.E. Diaz-Verdejo, "A Model-based Survey of Aert Correlation Techniques", Computer Networks, Vol.57, No.5, 2013, 1289-1317.

상세보기
Steinberg, R.A., ITIL Service Operation, 2011, The Stationery Office.
Tso, F.P., S. Jouet, and D.P. Pezaros, "Network and Server Resource Management Strategies for Data Centre Infrastructures : A Survey", Computer Networks, Vol.106, 2016, 209-225.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

Recurrent Neural Network를 활용한 서비스 이벤트 관계 분석에 관한 연구
The Study of Service Event Relation Analysis Using Recurrent Neural Network 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Recurrent Neural Network를 활용한 서비스 이벤트 관계 분석에 관한 연구 The Study of Service Event Relation Analysis Using Recurrent Neural Network 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (6) 모든 표/그림 보기

표/그림 (6) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

최정일 (43)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Recurrent Neural Network를 활용한 서비스 이벤트 관계 분석에 관한 연구
The Study of Service Event Relation Analysis Using Recurrent Neural Network 원문보기

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper