| 1 |
1
병목이 발생한 노드의 하드웨어 정보, 병목을 일으킨 작업의 작업 환경 설정 정보 및 병목을 일으킨 태스크의 I/O 정보 중 적어도 하나를 기초로 병목-특성 연관 규칙을 마이닝(mining)하고 학습(learning)하는 학습부; 및학습된 병목-특성 연관 규칙을 기초로 데이터를 분산 처리하고 있는 다수의 노드 중에서 병목 노드를 검출하고 병목 원인을 분석하는 병목 원인 분석부; 를 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 장치
|
| 2 |
2
제1항에 있어서,상기 데이터 분산 처리 시스템은 맵리듀스를 기반으로 하는 데이터 분산 처리 시스템의 병목 현상 분석 장치
|
| 3 |
3
제1항에 있어서,상기 하드웨어 정보는, CPU 속도, CPU 개수, 메모리 용량, 디스크 용량 및 네트워크 속도 중 적어도 하나를 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 장치
|
| 4 |
4
제1항에 있어서,상기 작업 환경 설정 정보는, 입력 데이터 크기, 인-메모리 버퍼 크기, I/O 버퍼 크기, 맵 태스크 크기, 노드 당 맵 슬롯의 갯수, 맵 태스크의 개수, 리듀스 태스크의 개수 및 실행 시간 중 적어도 하나를 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 장치
|
| 5 |
5
제1항에 있어서,상기 I/O 정보는, I/O 이벤트의 개수, 읽기/쓰기 이벤트의 개수, 모든 이벤트가 요청하는 총 바이트 수, 이벤트 당 평균 바이트 수, 연속하는 이벤트가 요청하는 섹터 넘버의 평균차, 최초 I/O 요청 및 마지막 I/O 요청 간의 경과 시간, 모든 이벤트의 평균/최소/최대 완료 시간, 읽기 이벤트의 평균/최소/최대 완료 시간 및 쓰기 이벤트의 평균/최소/최대 완료 시간 중 적어도 하나를 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 장치
|
| 6 |
6
제1항에 있어서,상기 학습부는, 나이브 베이시안(Naㅿve Bayesian), 인공 신경망(Artificial neural network), 결정 트리(Decision tree), 가우시안 과정 회귀(Gaussian process regression), K 근접 이웃(k-nearest neighbor), SVM(Support vector machines)를 포함하는 기계 학습 알고리즘을 이용하여 병목-특성 연관 규칙을 학습하는 데이터 분산 처리 시스템의 병목 현상 분석 장치
|
| 7 |
7
제1항에 있어서,데이터를 분산 처리하고 있는 각 노드의 하드웨어 정보, 작업 환경 설정 정보 및 I/O 정보를 수집하는 정보 수집부; 를 더 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 장치
|
| 8 |
8
제7항에 있어서,수집된 정보를 바탕으로 상기 다수의 노드 중에서 병목이 발생할 가능성이 있는 위험 노드를 검출하는 위험 노드 검출부; 를 더 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 장치
|
| 9 |
9
병목이 발생한 노드의 하드웨어 정보, 병목을 일으킨 작업의 작업 환경 설정 정보 및 병목을 일으킨 태스크의 I/O 정보 중 적어도 하나를 기초로 병목-특성 연관 규칙을 마이닝(mining)하고 학습(learning)하는 단계; 및학습된 병목-특성 연관 규칙을 기초로 데이터를 분산 처리하고 있는 다수의 노드 중에서 병목 노드를 검출하고 병목 원인을 분석하는 단계; 를 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 방법
|
| 10 |
10
제9항에 있어서,상기 데이터 분산 처리 시스템은 맵리듀스를 기반으로 하는 데이터 분산 처리 시스템의 병목 현상 분석 방법
|
| 11 |
11
제9항에 있어서,상기 하드웨어 정보는, CPU 속도, CPU 개수, 메모리 용량, 디스크 용량 및 네트워크 속도 중 적어도 하나를 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 방법
|
| 12 |
12
제9항에 있어서,상기 작업 환경 설정 정보는, 입력 데이터 크기, 인-메모리 버퍼 크기, I/O 버퍼 크기, 맵 태스크 크기, 노드 당 맵 슬롯의 갯수, 맵 태스크의 개수, 리듀스 태스크의 개수 및 실행 시간 중 적어도 하나를 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 방법
|
| 13 |
13
제9항에 있어서,상기 I/O 정보는, I/O 이벤트의 개수, 읽기/쓰기 이벤트의 개수, 모든 이벤트가 요청하는 총 바이트 수, 이벤트 당 평균 바이트 수, 연속하는 이벤트가 요청하는 섹터 넘버의 평균차, 최초 I/O 요청 및 마지막 I/O 요청 간의 경과 시간, 모든 이벤트의 평균/최소/최대 완료 시간, 읽기 이벤트의 평균/최소/최대 완료 시간 및 쓰기 이벤트의 평균/최소/최대 완료 시간 중 적어도 하나를 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 방법
|
| 14 |
14
제9항에 있어서,상기 학습하는 단계는, 나이브 베이시안(Naㅿve Bayesian), 인공 신경망(Artificial neural network), 결정 트리(Decision tree), 가우시안 과정 회귀(Gaussian process regression), K 근접 이웃(k-nearest neighbor), SVM(Support vector machines)를 포함하는 기계 학습 알고리즘을 이용하여 병목-특성 연관 규칙을 학습하는 데이터 분산 처리 시스템의 병목 현상 분석 방법
|
| 15 |
15
제9항에 있어서,데이터를 분산 처리하고 있는 각 노드의 하드웨어 정보, 작업 환경 설정 정보 및 I/O 정보를 수집하는 단계; 를 더 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 방법
|
| 16 |
16
제15항에 있어서,수집된 정보를 바탕으로 상기 다수의 노드 중에서 병목이 발생할 가능성이 있는 위험 노드를 검출하는 단계; 를 더 포함하는 데이터 분산 처리 시스템의 병목 현상 분석 방법
|
