[논문]그래프 데이터베이스 기반 AMI 네트워크 장애 분석

정우철; 전문석; 최도현

doi:10.22156/cs4smb.2020.10.07.041

그래프 데이터베이스 기반 AMI 네트워크 장애 분석
AMI Network Failure Analysis based on Graph Database 원문보기

융합정보논문지 = Journal of Convergence for Information Technology, v.10 no.7, 2020년, pp.41 - 48

정우철 (숭실대학교 컴퓨터학과) , 전문석 (숭실대학교 컴퓨터학과) , 최도현 (숭실대학교 컴퓨터학과)

초록
AI-Helper

최근 전국 각 지역 AMI(Advanced Metering Infrastructure) 원격검침 시스템의 보급사업이 활성화되고 있으며, 전력수요 관리를 위한 양방향 통신 및 보안 요금제 기능 등 다양한 계량 기능을 제공하고 있다. 현재 AMI 시스템은 새로운 내부 IoT 장비 및 네트워크 규모의 증가로 인해 기존 RDB(Relational Database) 기반 장애 분석이 어렵다. 본 연구는 기존 RDB 데이터를 활용하는 새로운 GDB(Graph Database)기반 장애 분석 방법을 제안한다. 내부 임계치와 상태 값 등 누적된 데이터를 통해 새로운 장애 패턴의 상관관계를 분석한다. GDB 기반 시뮬레이션 결과 RDB에서 분석이 어려웠던 새로운 장애 패턴을 예측할 수 있음을 확인하였다.

Abstract ▼ AI-Helper

Recently, the spreading business of AMI (Advanced Metering Infrastructure) remote metering systems in various regions of the country has been activated, and it provides various metering functions such as two-way communication and security plan functions for power demand management. Current AMI system is difficult to analyze based on the existing RDB(Relational Database) due to the increase in the size of new internal IoT devices and networks. This study proposes a new GDB(Graph Database) based failure analysis method that utilizes existing RDB data. It analyzes the correlation of new failure patterns through accumulated data such as internal thresholds and status values. As a result of GDB-based simulation, it was confirmed that RDB can predict to a new obstacle pattern that was difficult to analyze.

주제어

표/그림 (19)

그림 Fig. 1. KEPCO KDN Power IoT Gateway(Example)
그림 Fig. 2. Standard (LwM2M) IoT sensor(Example)
그림 Fig. 3. Next-generation DCU configuration diagram (for AMI gateway)
그림 Fig. 4. Connection Status Metering Problem(Example)
그림 Fig. 5. GDB-based meter reading structure
그림 Fig. 6. AMI meter Reading System(Setting)
그림 Fig. 7. Lowest Common Ancestor Analysis
표 Table 1. Examples of disability diagnosis analysis
표 Table 2. Gdb-based internal Schema
그림 Fig. 8. Probability Statistics Analysis
그림 Fig. 9. Classification of Failure types by Class
그림 Fig. 10. Lowest Common Ancestor Analysis(ab=1)
그림 Fig. 11. Data Group Layer(Visualization)
표 Table 3. RDB-based DCU state Table(Example)
그림 Fig. 12. Code Classification of fault Paths(Example)
그림 Fig. 13. Signal data Analysis(Distribution Prediction)
그림 Fig. 14. Clustering Patterns of Failure(Example)
그림 Fig. 15. Similar pattern Search Results(Example)
표 Table 4. DCU threshold Settings and fault Conditions

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 AMI의 네트워크 환경에서 효율적인 장애 원인을 분석할 수 있는 GDB 기반 검침 기술을 제안한다. 본 논문의 구성은 다음과 같다.
본 연구는 AMI 검침 시스템을 위한 새로운 GDB 기반 장애 분석 방법에 관해 설명했다. 기존 RDB를 기반으로 통계 분석뿐만 아니라 장애 패턴을 추출/예측할 수 있다.

가설 설정

Fig 6은 AMI 검침 시스템의 환경설정 예를 나타낸다. 실제 1:100 크기 비율 모델링을 가정한다. 가상의 FEP 검침 서버는 약 25개 이상의 DCU와 150개의 PLC 모뎀 및 최하위 IoT 장비 1,500개로 구성했다.

제안 방법

15분, 30분 주기로 장애 정보를 수집하는 임의에 정보를 생성한다. 1700 노드에서 10%에 장애 실패율을 고려하였고, 42시간 30분 동안의 130,000 테이블을 기록/저장하였다.
본 논문의 구성은 다음과 같다. 2장 관련 연구에서 AMI 검침 시스템과 기존 RDB 기반 장애 진단방법에 대한 문제점을 분석한다. 3장 제안하는 GDB 기반 AMI 장애진단 방법을 설명한다.
AMI 검침 시스템은 리눅스 서버 기반 PostgreSQL,시각화 엔진 모듈, 검색 및 처리에 사이퍼(Cypher) 질의언어를 사용했다. AMI 시스템의 모델 객체들을 연결하고 정의된 속성들의 값을 설정했으며, 축소된 약 1:100 가상 환경설정으로 한 개 DCU에 6개의 PLC 모뎀과 10개(Random)의 IoT 장비로 구성된다.
Fig 13와 같이 모뎀으로부터 전송된 신호(signal) 데이터를 분석하여 임계치(3σ rule) 설정 이후 가변(시간) 데이터의 분포를 예측한다. DCU 23 확인 결과 발열로 인한 메모리 고장 원인을 확인하였다. 추가 신호 분석 이후 PLC선의 노후화로 잡신호(Bps 문제 발생)를 확인하여 수리를 완료했다.
GDB 기반 검침 구조는 실제 물리 환경을 고려하여 그래프모델링(Graph Data Modeling)을 수행한다.
기존 RDB 기반 시간대별 시그널(Signal) 데이터를 기록하고, 확률통계 기반으로 장애를 분석한다. GDB 기반 장애 분석은 RDB 데이터와 함께 상관관계 및 상호영향 분석을 수행하고, 누적된 데이터는 이후 장애예측 분석을 수행할 방법을 제공한다.
GDB 기반으로 가장 다발적 장애가 발생한 지점에 대해 질의하고, 최소공통조상 알고리즘(Lowest Common Ancestor)을 통해 각 정점의 공통 조상을 추출한다. 장애가 발생한 장비들로부터 각 노드 경로와 경로값을 추출할 수 있다.
Fig 7은 네트워크 노드의 최소공통조상 분석 방법을 나타낸다. 기존 RDB 기반 시간대별 시그널(Signal) 데이터를 기록하고, 확률통계 기반으로 장애를 분석한다. GDB 기반 장애 분석은 RDB 데이터와 함께 상관관계 및 상호영향 분석을 수행하고, 누적된 데이터는 이후 장애예측 분석을 수행할 방법을 제공한다.
본 논문에서 제안하는 GDB 기반 검침 시스템은 기존에 있는 다양한 RDB 데이터를 활용하면서, 상관관계 분석뿐만 아니라 장애를 예측하는 방법들을 제공한다. 검침 시스템 및 내부 데이터 구조를 살펴보고, 장애 분석 방법에 사용된 핵심 알고리즘을 설명한다.
장애 발생 시에 검침 기사는 실제 장애 지역으로 출동한 후 핵심 정보수집 장치인 DCU 장비를 통해 각 PLC 연결 및 상태정보를 검사한다. 문제는 동시다발적으로 발생하는 장애에 대해 24시간 인력을 운용하는 방법은 분명 한계가 있다.
Fig 10은 DCU의 각 노드에서 최소공통조상 분석을 수행과정 예를 나타낸다. 특정 노드에서 abnormal이 1인 노드를 탐색하고, 해당 경로의 상위 DCU의 공통 조상 노드를 탐색한다.

대상 데이터

실제 1:100 크기 비율 모델링을 가정한다. 가상의 FEP 검침 서버는 약 25개 이상의 DCU와 150개의 PLC 모뎀 및 최하위 IoT 장비 1,500개로 구성했다. 15분, 30분 주기로 장애 정보를 수집하는 임의에 정보를 생성한다.

데이터처리

LCS를 통해 추출된 다중 경로는 FEP 서버로부터 설정된 임계치를 기준으로 평균 및 표준편차(3σ rule, t-test)를 재분석한다.

이론/모형

AMI 검침 시스템은 리눅스 서버 기반 PostgreSQL,시각화 엔진 모듈, 검색 및 처리에 사이퍼(Cypher) 질의언어를 사용했다. AMI 시스템의 모델 객체들을 연결하고 정의된 속성들의 값을 설정했으며, 축소된 약 1:100 가상 환경설정으로 한 개 DCU에 6개의 PLC 모뎀과 10개(Random)의 IoT 장비로 구성된다.
유사성 패턴 분석을 통해 계층분류 알고리즘(Similarity)으로 정상 데이터와 장애 데이터를 미리 분류하여 예측한다.

성능/효과

6개월 내 장애PatternA가 14번이 발생했고, 지역 내 Pattern A가 발생하는 지역 현지 정밀히 조사한 결과이다. 유사 패턴 정밀검사 결과 PLC 노후화와 함께 전기차의 HPGP형 PLC 네트워크와 같은 유사 네트워크의 간섭에 대한 장애를 고려해야 한다는 결론을 얻었다.

후속연구

AMI 시스템 전용으로 개발된 차세대 DCU(Data Concentration Unit) 장치의 도입으로 전체 시스템의 보안과 네트워크 안정성이 중요 핵심기술로 요구되고 있다[3]. AMI 전용 모뎀에는 보안을 위해 국정원 암호 모듈검증(KCMVP)을 적용 예정이다[4,5]. 그러나 IoT 장비나 중계 네트워크 장애 등 네트워크 안전성 문제는 과금 누락 및 정보수집 문제 등 기술적으로 아직 해결되어야 할 문제가 많다[6,7].
앞으로 AMI 분야에서 인공지능 기반 알고리즘을 위해 1차 데이터 가공 및 다양한 패턴 추출/학습 연구들이 개선될 것으로 예상한다. 본 연구는 학습 없이 예측을 수행하는 비지도 학습단계의 머신러닝(Machine Learning) 적용하여 새로운 연구를 진행할 계획이다.
인공지능 기반 딥러닝 알고리즘은 특정 결과를 예측하는데 최적화되어 있다. 앞으로 AMI 분야에서 인공지능 기반 알고리즘을 위해 1차 데이터 가공 및 다양한 패턴 추출/학습 연구들이 개선될 것으로 예상한다. 본 연구는 학습 없이 예측을 수행하는 비지도 학습단계의 머신러닝(Machine Learning) 적용하여 새로운 연구를 진행할 계획이다.

참고문헌 (15)

H. Y. Kim & S. T. Kim. (2013). Technical Trends of AMI and HEMS for Smart Grid Implementation. Electronics and Telecommunications Trends, 28(2), 11-19. DOI : 10.22648/ETRI.2013.J.280202
Y. J. Myeong. (n.d.). The core infrastructure for the smart grid AMI implementation. KEPCO KDN(Online). https://www.kdn.com
B. Y. Park. (2019). AMI 2.0 and Next Generation Powerline Communication IoT-PLC. Institute of Information & communications Technology Planning & Evaluation, https://www.iitp.kr
Y. K. Lee & J. N. Kim. (2017). Smart meter security through AMI threat analysis. The Journal of Korean Institute of Communications and Information Sciences, 34(10), 24-30.
S. M. Jeong & C. T. Park. (2018). A Study on the Development of the Remote Metering System for Distribution Power by applying KCMVP Security Function, The Korean Institute of Electrical Engineers Conference, 283-284.
Y. I. Kim, S. J. Park, Y. J. Kim, N. J. Jung, M. S. Choi & B. S. Park. (2016). Development of AMI NMS (network management system) using SNMP for network monitoring of meter reading devices, KEPCO Journal on Electric Power and Energy, 2(2), 259-268. DOI : 10.18770/KEPCO.2016.02.02.259

원문보기 상세보기
KEPCO KEPRI. (2017). Study of Real-time Monitoring and Fault Analysis Technology of AMI Communication Network, Technical Report.
KEPCO KDN. (n.d.). Advanced Metering Infrastructure. KEPCO KDN(Online). https://www.kdn.com
M. S. Choi. S. K. Kang & J. C. Yoon. (2016). Design of Advanced Metering Infrastructure System for Internet of Thing, In Proceedings of KIIT Conference, 107-111.
H. O. Lee et el. (2016). Research on IoT Standards in Power and Energy, The Journal of Korean Institute of Communications and Information Sciences, 33(12), 12-21.
J. H. Jung, J. H. Lee & J. O. Lee. (2018). A Metering Method for AMI Communication Shadow Areas. The Korean Institute of Electrical Engineers Confrence, 15-16.
Vassilev et el. (2014). Cryptographic Module Validation Program (CMVP) (No. ITL Bulletin November 2014). National Institute of Standards and Technology.
KEPCO KDN. (n.d.). AMI Gateway. KEPCO KDN(Online). https://www.kdn.com
Y. M. Jeong. (2019). Comparison of PLC Specifications Focusing on IoT PLC, The Institute of Electronics and Information Engineers Conference, 528-530.
J. H. Jung & H. G. Seoc. (2018). An Efficient Method for Meter Data Collection in AMI System, The Journal of Korean Institute of Communications and Information Sciences, 43(8), 1311-1320. DOI : 10.7840/kics.2018.43.8.1311

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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