선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 Elastic Stack 기술을 사용하여 시뮬레이션 결과 데이터의 수집에서부터 분석 및 가시화과정을 지원하는 시뮬레이션 분석 환경을 제안한다. Elastic Stack은 서버 로그 분석과정을 위해 제안된 기술로, 서버에 축적된 대용량의 로그 데이터를 수집 및 분석하기 위해 파이프라인 프로그램(Logstash), 데이터 수집 및 검색 엔진(Elasticsearch), 그리고 분석 프로그램(Kibana)을 제공한다.
- 본 논문에서는 물리적으로 떨어진 다양한 자원 상에서 수행되고 있는 시뮬레이션의 결과들을 중앙의 분석 서버로 자동 전송하고, 전송된 데이터들을 일괄적으로 관리하여 일련의 처리 및 분석 작업이 쉽게 적용될 수 있도록 지원하며, 다양한 가시화를 제공하는 서비스를 연결하여 분석 결과를 게시하는 과정을 손쉽게 구성할 수 있도록 Elastic Stack 기술을 활용하고자 한다.
- 상기한 요구사항을 수용하기 위해서는 대용량의 입력 및 출력 데이터를 효과적으로 관리 및 처리하고, 컴퓨팅 복잡도에 따라 가용한 자원을 효과적으로 하나의 pool로 구성할 수 있는 기술이 필요하다. 본 논문에서는 이러한 요구사항들을 해결하고자 최근 등장한 Elastic Stack 기술을 도입하여 시뮬레이션 분석 환경을 구성하고자 한다.
제안 방법
- 은퇴 인구의 경우 은퇴 인구들의 모임에 배정하여 각 연령대에 맞춰 인구의 통근통학지를 배치하도록 하였다. 가구와 같은 경우 앞서 언급하였던 주택인구총조사 상에 나오는 가족id를 통해 가구를 배치하였다.
- 감염자들의 감염 기간은 임의로 3~7일 사이의 난수로 지정하며, 감염 기간이 지난 후에는 회복 상태로 바뀌도록 지정하였다.
- 공간모델은 각 연령대에 맞는 통근통학지를 지정하고자 개개인의 연령대에 맞게 통근통학지를 임의로 배정하였다. 예를 들어 미취학 아동이면 집 혹은 보육원으로 지정하였고, 취학 아동의 경우 각 구역의 학교로 배정하였다.
- 구현된 시뮬레이션에서는 낮 기간과 밤 기간으로 구분하여 전염병 확산 과정을 모의한다.
- 본 논문에서는 시뮬레이션 분석 과정에서의 복잡성을 줄이기 위해 시뮬레이션을 수행하는 자원, 결과 값을 수집 및 관리하는 자원, 관리된 데이터를 분석하는 자원을 분리하여 연동할 수 있도록 하는 Elastic Stack 기반의 시뮬레이션 결과 분석 환경을 구성하였다. 또한, 구성된 결과 분석 환경의 유용함을 입증하기 위해 전염병 확산 시뮬레이션을 이용하여 시뮬레이션을 수행하고 제안된 분석 환경을 통해 시뮬레이션의 결과 데이터를 수집하고, 분석하며, 가시화하는 일련의 분석 및 가시화 과정을 수행하였다. 또한 시뮬레이션 수행부터 수집, 분석, 가시화의 일련의 과정을 simulation instance들에서는 시뮬레이션을 담당하고 결과 값을 전송하도록 하였으며 analyzer server에서는 전달된 결과 값에 대한 분석을 수행하였다.
- 본 논문에서는 시뮬레이션 분석 과정에서의 복잡성을 줄이기 위해 시뮬레이션을 수행하는 자원, 결과 값을 수집 및 관리하는 자원, 관리된 데이터를 분석하는 자원을 분리하여 연동할 수 있도록 하는 Elastic Stack 기반의 시뮬레이션 결과 분석 환경을 구성하였다. 또한, 구성된 결과 분석 환경의 유용함을 입증하기 위해 전염병 확산 시뮬레이션을 이용하여 시뮬레이션을 수행하고 제안된 분석 환경을 통해 시뮬레이션의 결과 데이터를 수집하고, 분석하며, 가시화하는 일련의 분석 및 가시화 과정을 수행하였다.
- 시뮬레이션 프로그램과 LogStash를 연동하는 방법은 결과 데이터를 파일로 저장하여 연동하는 방법과 TCP 프로토콜을 사용하여 결과 데이터를 전송하는 방법 등 여러 방법이 가능하다. 본 실험에서는 TCP 프로토콜을 사용하여 결과 데이터를 실시간으로 전송하는 방법으로 시뮬레이션 프로그램과 LogStash를 연동하여 JSON 형식의 데이터를 전송한다.
- 본 장에서는 시뮬레이션 수행 및 결과 분석과 관련한 새로운 요구사항 및 기존연구를 살펴보고, 본 논문에서 제안하는 시뮬레이션 분석 환경에 사용되는 기술들을 소개한다.
- 본 장에서는 제안된 시뮬레이션 결과 분석 환경의 효율성을 보이기 위해 전염병 확산 시뮬레이션 예제를 구성하였다. 제작된 시뮬레이션은 전염병 확산 시뮬레이션의 대표적 구현물인 FluTE 모델을 참조하여 구현하였다.
- Simulator는 전체 동기화를 수행한 이후 각각의 PersonAgent들은 이 신호를 받아 시뮬레이션을 수행한다. 시뮬레이션 수행 과정에서 Place와 Borough, TaxiData로부터 감염 관련 변수들의 정보를 제공받아 감염 여부를 결정하고 PersonAgent 자신의 상태를 업데이트한다. 이후 Simulator가 시뮬레이션이 끝났음을 알리기 전까지 계속해서 동기화와 전염병 확산 및 회복 과정을 시뮬레이션 한다.
- 시뮬레이션은 총 3대의 컴퓨터에 나누어 수행한 환경과 단일 환경에서의 성능을 파악하기 위해 1대의 컴퓨터를 추가로 사용하여 단일 환경을 구성한 환경으로 나뉘어 수행된다. 분석은 두 환경에서의 결과 데이터를 받아 오고, 분석하고 가시화하는 1대의 Analyzer Server로 이루어진다.
- 로 수행하였다. 시뮬레이션을 수행하기 전에 백신 접종자와 감염자를 임의의 확률로 지정하였다. 추가로 질병 모델에서 사람들의 이동률을 현실과 가깝게 하기 위해 서울 콜택시 사용 비율[12]을 입력받아 전염 과정 모델링시 감염 확률에 반영하도록 하였다.
- 동일 통근통학지 내의 감염 확인은 감염자 비율과 연령대별 감염 확률을 취합하여 계산하고, 이를 통해 감염자를 결정한다. 이동에 따른 감염 비율은 동일 구 내의 감염자 비율과 콜택시 호출 비율을 취합하여 감염자가 존재하는 구 내에서 콜택시 호출 비율이 높다면 감염에 취약하도록 지정하였다. 밤 기간에는 각 사람들이 모두 집으로 돌아간 후 가족 구성원 내에서의 감염 비율을 통해 감염자를 결정하게 된다.
- 시뮬레이션 수행 과정에서 Place와 Borough, TaxiData로부터 감염 관련 변수들의 정보를 제공받아 감염 여부를 결정하고 PersonAgent 자신의 상태를 업데이트한다. 이후 Simulator가 시뮬레이션이 끝났음을 알리기 전까지 계속해서 동기화와 전염병 확산 및 회복 과정을 시뮬레이션 한다.
- 질병 모델은 감염 민감(Susceptible), 잠복(Exposed), 감염(Infectious), 회복(Recovered) 상태로 구성하는 SEIR 모델의 형태[11]로 수행하였다. 시뮬레이션을 수행하기 전에 백신 접종자와 감염자를 임의의 확률로 지정하였다.
- 시뮬레이션을 수행하기 전에 백신 접종자와 감염자를 임의의 확률로 지정하였다. 추가로 질병 모델에서 사람들의 이동률을 현실과 가깝게 하기 위해 서울 콜택시 사용 비율[12]을 입력받아 전염 과정 모델링시 감염 확률에 반영하도록 하였다.
대상 데이터
- 정의된 데이터 포맷을 사용하기 위한 입력 데이터로 본 실험에서는 주택인구총조사 마이크로데이터 2%의 서울 부분[10]을 사용하였다. 마이크로 데이터에서의 사용 부분은 가족id, 연령대, 거주지이다.
- 시뮬레이션 결과의 검증을 위해 26013년부터 2017년까지 주요 감염병 발생 양상을 비교하였다. Fig.
- 마찬가지로 건강 상태 또한 시뮬레이션이 시작될 때 연령대별로 임의로 지정하여 여러 시뮬레이션 상황에 대비하였다. 정의된 데이터 포맷을 사용하기 위한 입력 데이터로 본 실험에서는 주택인구총조사 마이크로데이터 2%의 서울 부분[10]을 사용하였다. 마이크로 데이터에서의 사용 부분은 가족id, 연령대, 거주지이다.
데이터처리
- 또한, 구성된 결과 분석 환경의 유용함을 입증하기 위해 전염병 확산 시뮬레이션을 이용하여 시뮬레이션을 수행하고 제안된 분석 환경을 통해 시뮬레이션의 결과 데이터를 수집하고, 분석하며, 가시화하는 일련의 분석 및 가시화 과정을 수행하였다. 또한 시뮬레이션 수행부터 수집, 분석, 가시화의 일련의 과정을 simulation instance들에서는 시뮬레이션을 담당하고 결과 값을 전송하도록 하였으며 analyzer server에서는 전달된 결과 값에 대한 분석을 수행하였다. 실험의 과정을 통해 네트워크를 통해 연동된 시뮬레이션 분석 환경을 사용하여 시뮬레이션의 결과 값을 수집하고 이를 분석하여 가시화하는 것이 가능함을 입증하였다.
이론/모형
- 의 Class Diagram은 각 모델을 구성하는 클래스들 및 클래스간 관계를 도식화 한 것이다. 모든 클래스는 JADE(Java Agent-based DEvelopment Framework)[13]에서 제공하는 API를 이용하여 구현되었다. PersonAgent는 시뮬레이션에서의 인구모델, Place는 공간 모델, Infection은 질병 모델을 담고 있다.
- 본 장에서는 제안된 시뮬레이션 결과 분석 환경의 효율성을 보이기 위해 전염병 확산 시뮬레이션 예제를 구성하였다. 제작된 시뮬레이션은 전염병 확산 시뮬레이션의 대표적 구현물인 FluTE 모델을 참조하여 구현하였다.
성능/효과
- 또한, 성능 향상에 있어서 Table. 2.의 결과를 통해 알 수 있듯이, 구현된 시스템의 경우 3개의 인스턴스에서 시뮬레이션을 나누어 수행하였기에 개별 시뮬레이션의 수행 시간은 단일 환경에서의 수행 시간보다 많으나 전체 시뮬레이션들의 수행 시간을 확인하였을 경우 단일 환경에서 시뮬레이션을 수행하고 이를 분석하는 것에 비해 시뮬레이션 수행의 시간을 단축할 수 있음을 확인하였다.
- Simulation Instance들에는 시뮬레이션 프로그램과 Logstash가 설치되어 시뮬레이션 수행과 동시에 시뮬레이션에서 결과를 전송하는 역할을 수행하였고, Analyzer Server에서는 결과 데이터를 받아와 Elasticsearch와 Kibana를 통해 사용자에게 시뮬레이션의 결과를 보여주는 역할을 수행하였다.
- 결과를 통해 새로운 전염병이 등장할 경우 1차로 있는 감염 민감 상태와 그 이후의 잠복기에서 감염까지, 그리고 마지막으로 회복기에 들어가는 기간과 마지막으로 안정적인 상태에 접근한 안정기까지 4구간으로 나눌 수 있다는 것을 확인하였다. 지도를 통해 보았을 경우 한 구역에 전염병이 오래 퍼지다 다른 구역까지 퍼져가는 것을 확인하였다.
- 즉, 본 실험 결과와 같이 초기에 전염병 감염자가 미미한 감염 민감의 구간에서부터 잠복기, 급격한 확산의 시기, 감염의 수가 급격하게 떨어지는 시점과 안정기에 들어서는 과정까지의 네 단계가 유사하게 흐른다. 두 결과 자료의 비교를 통해 구현된 전염병 시뮬레이션의 결과에 대해 낮은 수준의 검증이 가능하다.
- 두 번째 요구사항으로는 공공 데이터를 활용하거나 시뮬레이션의 규모가 확대됨에 따라 시뮬레이션 수행 시간을 단축하기 위한 요구사항들이 등장하였다. 시뮬레이션 수행 시간을 단축하기 위해 시뮬레이션 모델의 각 요소를 분산하여 수행[5]하거나, 병렬로 시뮬레이션을 수행[6]하는 연구가 진행되었다.
- Elasticsearch와 DBMS를 연동하여 수집기들을 통해 들어온 데이터를 DBMS에 저장하는 것이 가능하다. 또한 RESTful API와 JSON을 지원하기에 사용자가 여러 언어 중 자신에 맞는 언어를 선택하여 검색을 수행하는 것이 가능하다.
- 또한 제안된 결과 분석 환경상에서 전염병 예제가 오류 없이 실행 및 분석되는 과정을 시연함으로써, 물리적으로 분산되어 있는 Simulation Instance들의 결과 데이터를 Analyzer Server로 모두 전송하여 결과에 대한 분석을 수행 할 수 있으며, 웹을 통해 결과 값을 가시화할 수 있음을 확인하였다. 즉, 기존의 분산 시뮬레이션과 웹 서버형 시뮬레이션 분석 시스템[14]의 장점을 충족하여 하나의 통합 환경을 구성하고 이를 서비스 형태로 제공하는 것이 가능함을 확인하였다.
- 또한 시뮬레이션 수행부터 수집, 분석, 가시화의 일련의 과정을 simulation instance들에서는 시뮬레이션을 담당하고 결과 값을 전송하도록 하였으며 analyzer server에서는 전달된 결과 값에 대한 분석을 수행하였다. 실험의 과정을 통해 네트워크를 통해 연동된 시뮬레이션 분석 환경을 사용하여 시뮬레이션의 결과 값을 수집하고 이를 분석하여 가시화하는 것이 가능함을 입증하였다. 본 연구의 향후 과제는 다음과 같다.
- 또한 제안된 결과 분석 환경상에서 전염병 예제가 오류 없이 실행 및 분석되는 과정을 시연함으로써, 물리적으로 분산되어 있는 Simulation Instance들의 결과 데이터를 Analyzer Server로 모두 전송하여 결과에 대한 분석을 수행 할 수 있으며, 웹을 통해 결과 값을 가시화할 수 있음을 확인하였다. 즉, 기존의 분산 시뮬레이션과 웹 서버형 시뮬레이션 분석 시스템[14]의 장점을 충족하여 하나의 통합 환경을 구성하고 이를 서비스 형태로 제공하는 것이 가능함을 확인하였다. 또한, 성능 향상에 있어서 Table.
- 결과를 통해 새로운 전염병이 등장할 경우 1차로 있는 감염 민감 상태와 그 이후의 잠복기에서 감염까지, 그리고 마지막으로 회복기에 들어가는 기간과 마지막으로 안정적인 상태에 접근한 안정기까지 4구간으로 나눌 수 있다는 것을 확인하였다. 지도를 통해 보았을 경우 한 구역에 전염병이 오래 퍼지다 다른 구역까지 퍼져가는 것을 확인하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.