| 1 |
1
데이터 센터 내 서비스별 네트워크 자원을 예측하는 컴퓨팅 장치에서 수행되는 방법으로서, 트래픽을 입력받은 단계; 입력된 트래픽을 서비스 별로 분류하고, 특정 서비스 트래픽을 소정의 길이를 가진 시계열 데이터 벡터로 변환하는 단계; 상기 시계열 데이터 벡터를 LSTM 셀 기반 순환 신경망 층의 입력값으로 입력하는 단계; 상기 LSTM 셀 기반 순환 신경망 층의 출력값을 구하여, 완전 연결층의 입력값으로 입력하는 단계; 상기 완전 연결층의 출력값을 구하여, 상기 출력값을 트래픽 예측값으로 설정하는 단계를 포함하는 서비스별 시계열 트래픽 예측 방법
|
| 2 |
2
제1항에 있어서,상기 LSTM 셀 기반 순환 신경망 층의 출력값을 구하는 단계는상기 시계열 데이터 벡터 중 제1 시계열 벡터를 입력받아, 입력 게이트, 망각 게이트 및 출력 게이트를 차례로 통과시켜 제1 은닉(hidden)값을 구하는 단계; 제1 은닉값을 입력으로 하여 k번째 은닉값을 구하는 단계 - k는 1보다 큰 정수임 -; 상기 k번째 은닉값을 입력으로 하여 k+1번째 은닉값을 구하는 단계를 전체 시계열 데이터에 대해 모두 수행하는 단계; 를 포함하는 서비스별 시계열 트래픽 예측 방법
|
| 3 |
3
제2항에 있어서,상기 완전 연결층의 출력값을 구하는 단계는 모든 은닉값을 완전 연결 층에 입력하여 선형 연산을 수행한 결과값을 구하는 단계;를 포함하는 서비스별 시계열 트래픽 예측 방법
|
| 4 |
4
제1항에 있어서, 상기 LSTM 셀 기반 순환 신경망 층의 출력값을 구하는 단계는상기 시계열 데이터 벡터에 대해 최소-최대 정규화를 수행하는 단계를 더 포함하는 서비스별 시계열 트래픽 예측 방법
|
| 5 |
5
제1항에 있어서, 손실 함수(Loss function)는 실제 값과의 평균 제곱근 편차(Root Mean Square Error, RMSE)를 사용하며, 이를 최적화하기 위해 아담 최적화 방법(Adam Optimization)을 사용하는 서비스별 시계열 트래픽 예측 방법
|
| 6 |
6
제1항에 있어서, 하이퍼 파라미터(Hyper parameter)는 서비스 별로 차등 적용하는 단계 - 상기 하이퍼 파라미터는 정규화 방법, 손실 함수, 에폭(Epoch), 학습율(Learning Rate)를 포함함 -를 더 포함하는 서비스별 시계열 트래픽 예측 방법
|
| 7 |
7
제1항에 있어서,상기 망각 게이트는 입력된 시계열 벡터 중 일부를 삭제하도록 구성되는 서비스별 시계열 트래픽 예측 방법
|
| 8 |
8
하나 이상의 컴퓨터 판독가능 명령어를 저장한 컴퓨터 판독가능 기록매체로서, 상기 하나 이상의 컴퓨터 판독가능 명령어는, 컴퓨터에 의해 실행될 경우, 상기 컴퓨터로 하여금 제1항 내지 제7항 중 어느 하나의 방법을 수행하도록 하는, 컴퓨터 판독가능 기록 매체
|
