1 |
1
물리적 자원 및 가상화 자원을 포함하는 ICT(Information and Communications Technologies) 지능형 인프라 운용 시스템에서 발생되는 측정 데이터 및 이벤트 데이터를 수집하는 과정과,상기 수집된 측정 데이터 및 이벤트 데이터에 대하여 장애 다중상관분석 또는 고장 다중상관분석을 수행하여 결과 보고서를 구성 및 제공하는 과정과,상기 결과 보고서를 사전 고장 예측모델(PFP; Pre Failure Prediction)에 적용하여 인프라 및 시설물의 장애 또는 고장을 사전 예측하는 과정을 포함하는 지능형 인프라 운용 관리 방법
|
2 |
2
제1항에 있어서,상기 사전 고장 예측모델은,통계기반 또는 인공지능 기반으로 구축된 모델인 것을 특징으로 하는 지능형 인프라 운용 관리 방법
|
3 |
3
제1항에 있어서,상기 사전 고장 예측모델은,평활법, 일변량(uinivariate) 정상과정 시계열 AR모델, MA모델, ARMA(auto-regressive moving average) 예측모델, 비정상 과정 시계열 ARIMA(auto-regressive integrated moving average) 모델, 계절시계열 모델, 비정상적 계절 시계열 모델, 다중 계절(Multiplicated Seasonal) ARIMA 모델, ARMAX(Autoregressive-Moving-average model with exogenous inputs model) 시계열 회귀 모델, 공간 시계열 STARMA(Space Time Autoregressive Moving Average) 모델, 칼만 필터(Kalman Filter) 방법에 의한 상태공간 모델, 변동성 모델, 다변량 시계열(Multivariate Time Series) 기반의 VAR(Vector Autoregression) 모델, 및 VMA(Vector Moving Average) 모델, VARMA(Vector Auto-regressive Moving average) 모델 중 적어도 하나에 기초하여 구성되는 것을 특징으로 하는 지능형 인프라 운용 관리 방법
|
4 |
4
제3항에 있어서,상기 일변량(uinivariate) 정상과정 시계열 ARMA 모델 예측모델은,AR(Auto-Regressive)(AR(p)) 모델, MA(Moving Average) 모델, (MA(q))모델, 및 ARMA (p,q) 모델 중 적어도 하나에 기초하여 구성되는 것을 특징으로 하는 지능형 인프라 운용 관리 방법
|
5 |
5
제4항에 있어서,상기 ARMA 모델은,ACF(Auto Correlation Function), PACF(Partial Auto Correlation Function), 및 IACF(lnvere Auto Correlation Function) 중 적어도 하나에 기초하여 구성되는 것을 특징으로 하는 지능형 인프라 운용 관리 방법
|
6 |
6
제1항에 있어서,상기결과 보고서는,장애(fault) 또는 고장(failure)에 대한 사전 예측 분석을 수행한 결과 데이터 및 상기 결과 데이터를 시각화하여 구성한 그래픽 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 지능형 인프라 운용 관리 방법
|
7 |
7
제1항에 있어서,상기 장애는,현재 지능형 인프라 운용 시스템의 운영은 가능하며, 향후 정상 운영이 아닌 비정상적인 고장 상태로 진행될 가능성이 존재하는 상태인 것을 특징으로 하는 지능형 인프라 운용 관리 방법
|
8 |
8
제7항에 있어서,상기 고장은,현재 상기 지능형 인프라 운용 시스템에 구비되는 적어도 하나의 구성부의 동작이 불가능하여 상기 지능형 인프라 운용 시스템의 운영이 불가능한 상태인 것을 특징으로 하는 지능형 인프라 운용 관리 방법
|
9 |
9
제8항에 있어서,상기 이벤트 데이터는, 상기 장애를 나타내는 장애 이벤트 데이터 및 상기 고장을 나타내는 고장 이벤트 데이터를 포함하는 것을 특징으로 하는 지능형 인프라 운용 관리 방법
|
10 |
10
제6항에 있어서,상기 인프라 및 시설물의 장애 또는 고장을 사전 예측하는 과정은,상기 장애 다중상관분석의 결과의 데이터 특성에 기초하여, 복수 개의 상기 사전 장애/고장 예측모델 중, 적어도 하나의 상기 사전 장애/고장 예측모델을 선택하는 과정과,상기 선택된 사전 장애/고장 예측모델의 모수(Parameter)를 추정하는 과정과,상기 추정된 모수를 사용하여, 상기 선택된 사전 장애/고장 예측모델의 적합성을 검정하는 과정과, 상기 선택된 사전 장애/고장 예측모델의 가정을 검토하는 과정과, 상기 선택된 사전 장애/고장 예측모델을 최적모형으로 결정하고, 상기 선택된 사전 장애/고장 예측모델을 통해 출력되는 결과를 제공하는 과정을 포함하는 것을 특징으로 하는 지능형 인프라 운용 관리 방법
|
11 |
11
지능형 인프라 운용 시스템에 있어서,물리적 자원 및 가상화 자원을 포함하는 ICT(Information and Communications Technologies) 상기 지능형 인프라 운용 시스템에서 발생되는 측정 데이터 및 이벤트 데이터를 수집하는 DMMP(Data Movement Management Platform) 처리부와,상기 DMMP 처리부에서 수집된 측정 데이터 및 이벤트 데이터에 대하여 장애 다중상관분석 또는 고장 다중상관분석을 수행하여 결과 보고서를 구성 및 제공하고, 상기 결과 보고서를 사전 고장 예측모델(PFP; Pre Failure Prediction)에 적용하여 인프라 및 시설물의 장애 또는 고장을 사전 예측하는 DCAP(Data Collection Analytics Platform) 처리부를 포함하는 지능형 인프라 운용 관리 시스템
|
12 |
12
제11항에 있어서,상기 DCAP 처리부는,물리적 자원 및 가상화 자원의 운용 중에 발생하는 빅-데이터를 수집 및 분석하는 IMS(Infrastructure Monitoring System) 처리부와,스트림 데이터 또는 배치 파일 데이터를 수집하는 수집 프레임워크(Collection Framework) 처리부와,상기 장애 다중상관분석 또는 고장 다중상관분석을 수행하는 분석 프레임워크(Analytics Framework) 처리부를 포함하는 지능형 인프라 운용 관리 시스템
|
13 |
13
제12항에 있어서,상기 분석 프레임워크 처리부는,진단 분석(DA; Diagnosis Analysis), 임계치 도달 분석(TCA; Threshold Crossing Analysis), 상관성 분석(CA; Correlation analysis), RCA(Root Cause Analytic), 및 PFP(Pre-Failure Prediction) 중, 적어도 하나를 처리하는 것을 특징으로 하는 지능형 인프라 운용 관리 시스템
|
14 |
14
제13항에 있어서,상기 분석 프레임워크 처리부는,통계적 모델을 사용하여 최적으로 분석한 예측 통계량 또는 모델판정 통계량을 포함하는 상기 결과 보고서를 구성하는 것을 특징으로 하는 지능형 인프라 운용 관리 시스템
|
15 |
15
제14항에 있어서,상기 결과 보고서는,장애(fault) 또는 고장(failure)에 대한 사전 예측 분석을 수행한 결과 데이터 및 상기 결과 데이터를 시각화하여 구성한 그래픽 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 지능형 인프라 운용 관리 시스템
|
16 |
16
제11항에 있어서,상기 사전 고장 예측모델은,평활법, 일변량(uinivariate) 정상과정 시계열 AR모델, MA모델, ARMA(auto-regressive moving average) 예측모델, 비정상 과정 시계열 ARIMA(auto-regressive integrated moving average) 모델, 계절시계열 모델, 비정상적 계절 시계열 모델, 다중 계절(Multiplicated Seasonal) ARIMA 모델, ARMAX(Autoregressive-Moving-average model with exogenous inputs model) 시계열 회귀 모델, 공간 시계열 STARMA(Space Time Autoregressive Moving Average) 모델, 칼만 필터(Kalman Filter) 방법에 의한 상태공간 모델, 변동성 모델, 다변량 시계열(Multivariate Time Series) 기반의 VAR(Vector Autoregression) 모델, 및 VMA(Vector Moving Average) 모델, VARMA(Vector Auto-regressive Moving average) 모델 중 적어도 하나에 기초하여 구성되는 것을 특징으로 하는 지능형 인프라 운용 관리 시스템
|
17 |
17
제16항에 있어서,상기 일변량(uinivariate) 정상과정 시계열 ARMA 모델 예측모델은,AR(Auto-Regressive)(AR(p)) 모델, MA(Moving Average) 모델, 및 ARMA 모델 중 적어도 하나에 기초하여 구성되는 것을 특징으로 하는 지능형 인프라 운용 관리 시스템
|
18 |
18
제17항에 있어서,상기 ARMA 모델은,ACF(Auto Correlation Function), PACF(Partial Auto Correlation Function), 및 IACF(lnvere Auto Correlation Function) 중 적어도 하나에 기초하여 구성되는 것을 특징으로 하는 지능형 인프라 운용 관리 시스템
|