| 1 |
1
정상 상태의 NFV(network function virtualization) 환경에서 구동되는 VNF(virtual network functions)의 상태 정보를 획득하는 정보 획득부; 상기 상태 정보 중 제1 시점에서 VNF의 제1 상태 정보와 상기 제1 시점의 다음 제2 시점에서 VNF의 제2 상태 정보를 특정하고, 비지도 학습 알고리즘을 기초로 상기 제1 상태 정보 및 상기 제2 상태 정보 간의 상관 관계를 학습한 예측 모델을 생성하는 모델링부;사용자 NFV 환경에서 구동되고 있는 VNF의 실제 상태 정보를 수집하는 상태 정보 수집부; 및상기 실제 상태 정보 중 현 시점 이전에 획득된 실제 상태 정보를 상기 예측 모델에 입력하여 출력되는 현 시점의 예측 상태 정보와, 상기 실제 상태 정보 중 현 시점의 실제 상태 정보 간의 오차가 소정 임계값 이상이 되면 상기 사용자 NFV 환경을 이상 상태로 탐지하는 탐지부를 포함하는, VNF 이상 탐지 장치
|
| 2 |
2
제1항에 있어서,상기 VNF의 상태 정보는, VNF를 구성하는 자원에 대한 성능 또는 자원의 동작 상태를 나타내는 지표값으로 구성된, VNF 이상 탐지 장치
|
| 3 |
3
제2항에 있어서,상기 모델링부는, 4초 이상 10초 이하의 간격으로 주기를 나누어, 동일한 주기 내에서 획득된 상기 자원의 지표값들을 기초로 상기 제1 상태 정보 및 상기 제2 상태 정보를 특정하는 데이터 전처리 동작을 수행하는, VNF 이상 탐지 장치
|
| 4 |
4
제2항에 있어서,상기 모델링부는, 상기 자원의 지표값을 백분위로 정규화한 값을 기초로 상기 제1 상태 정보 및 상기 제2 상태 정보를 특정하는 데이터 정규화 동작을 수행하는, VNF 이상 탐지 장치
|
| 5 |
5
제2항에 있어서,상기 모델링부는, 상기 자원의 지표 중 학습에 사용할 일부 지표를 결정하여 상기 일부 지표가 가지는 특징값을 기초로 상태 정보를 구성하는 특징값 선택 동작을 수행하는,VNF 이상 탐지 장치
|
| 6 |
6
제1항에 있어서,상기 모델링부는, LSTM(Long Short-Term Memory) 알고리즘을 기초로 손실 함수 (x는 제2 상태 정보, x'는 학습중인 모델의 가중치에 의해 제1 상태 정보로부터 출력된 예측 상태 정보)가 최소화되는 방향으로 상기 예측 모델의 가중치를 학습시키는, VNF 이상 탐지 장치
|
| 7 |
7
제1항에 있어서,상기 모델링부는, 상기 예측 모델이 제2 상태 정보를 예측하도록 하기 입력될 제1 상태 정보에 대한 슬라이딩 윈도우(sliding window)의 크기를 18개로 설정하는, VNF 이상 탐지 장치
|
| 8 |
8
제1항에 있어서,상기 모델링부는, 상기 예측 모델이 제2 상태 정보를 예측하도록 하기 위해 입력될 제1 상태 정보에 대한 슬라이딩 윈도우(sliding window)의 크기를 각기 다르게 설정한 복수의 예측 모델을 생성하고, 상기 탐지부는, 상기 복수의 예측 모델 각각에 의해 탐지된 정상 상태 또는 이상 상태의 결과 중 이상 상태라고 판단된 결과가 기 설정된 개수 이상인 경우 상기 사용자 NFV 환경을 이상 상태로 탐지하는, VNF 이상 탐지 장치
|
| 9 |
9
제1항에 있어서,상기 탐지부는, SWA(Sliding Window Aggregation) 또는 EMM(Exponential Moving Model) 알고리즘을 기초로 상기 임계값을 결정하는, VNF 이상 탐지 장치
|
| 10 |
10
VNF 이상 탐지 장치가 수행하는 VNF 이상 탐지 방법에 있어서,정상 상태의 NFV(network function virtualization) 환경에서 구동되는 VNF(virtual network functions)의 상태 정보를 획득하는 단계;상기 상태 정보 중 제1 시점에서 VNF의 제1 상태 정보와 상기 제1 시점의 다음 제2 시점에서 VNF의 제2 상태 정보를 특정하고, 비지도 학습 알고리즘을 기초로 상기 제1 상태 정보 및 상기 제2 상태 정보 간의 상관 관계를 학습한 예측 모델을 생성하는 단계;사용자 NFV 환경에서 구동되고 있는 VNF의 실제 상태 정보를 수집하는 단계; 및상기 실제 상태 정보 중 현 시점 이전에 획득된 실제 상태 정보를 상기 예측 모델에 입력하여 출력되는 현 시점의 예측 상태 정보와, 상기 실제 상태 정보 중 현 시점의 실제 상태 정보 간의 오차가 기 설정된 값 이상이 되면 상기 사용자 NFV 환경을 이상 상태로 탐지하는 단계를 포함하는, VNF 이상 탐지 방법
|
| 11 |
11
컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,정상 상태의 NFV(network function virtualization) 환경에서 구동되는 VNF(virtual network functions)의 상태 정보를 획득하는 단계;상기 상태 정보 중 제1 시점에서 VNF의 제1 상태 정보와 상기 제1 시점의 다음 제2 시점에서 VNF의 제2 상태 정보를 특정하고, 비지도 학습 알고리즘을 기초로 상기 제1 상태 정보 및 상기 제2 상태 정보 간의 상관 관계를 학습한 예측 모델을 생성하는 단계;사용자 NFV 환경에서 구동되고 있는 VNF의 실제 상태 정보를 수집하는 단계; 및상기 실제 상태 정보 중 현 시점 이전에 획득된 실제 상태 정보를 상기 예측 모델에 입력하여 출력되는 현 시점의 예측 상태 정보와, 상기 실제 상태 정보 중 현 시점의 실제 상태 정보 간의 오차가 기 설정된 값 이상이 되면 상기 사용자 NFV 환경을 이상 상태로 탐지하는 단계를 포함하는, VNF 이상 탐지 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체
|
| 12 |
12
컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,정상 상태의 NFV(network function virtualization) 환경에서 구동되는 VNF(virtual network functions)의 상태 정보를 획득하는 단계;상기 상태 정보 중 제1 시점에서 VNF의 제1 상태 정보와 상기 제1 시점의 다음 제2 시점에서 VNF의 제2 상태 정보를 특정하고, 비지도 학습 알고리즘을 기초로 상기 제1 상태 정보 및 상기 제2 상태 정보 간의 상관 관계를 학습한 예측 모델을 생성하는 단계;사용자 NFV 환경에서 구동되고 있는 VNF의 실제 상태 정보를 수집하는 단계; 및상기 실제 상태 정보 중 현 시점 이전에 획득된 실제 상태 정보를 상기 예측 모델에 입력하여 출력되는 현 시점의 예측 상태 정보와, 상기 실제 상태 정보 중 현 시점의 실제 상태 정보 간의 오차가 기 설정된 값 이상이 되면 상기 사용자 NFV 환경을 이상 상태로 탐지하는 단계를 포함하는, VNF 이상 탐지 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 프로그램
|
