SYMPHONY A.I. 특징

가상머신
워크로드
학습

  • 딥 러닝 기법을 활용한 가상머신 워크로드 학습
  • 고객사 환경에 맞춤화 된 커스터마이징 학습
  • 시계열 데이터를 학습을 위한 LSTM, CNN 기법활용

가상머신
워크로드
예측

  • 클러스터링 예측을 통한 워크로드 패턴 특징 및 학습시간 단축
  • t-SNE 기법을 활용한 시계열 데이터 패턴 클러스터링

가상머신
통합 및
재배치

  • 메타 휴리스틱 알고리즘을 활용한 최적 배치안 도출
  • 재배치를 통한 장애 사전 대응 활성화
  • 마이그레이션을 통한 서버 유휴 전환, 운영비용 절감

이상
징후
파악

  • 관리자 기반의 이상징후 판별기를 통한 탐지 모형
  • 워크로드의 이상징후를 탐지하여 알림 및 리포트 제공
  • 자연어 처리 기법을 통한 이상징후 원인 분류

가상머신 워크로드 학습

· 딥 러닝 기법을 활용한 가상머신 워크로드 학습
· 고객사 환경에 맞춤화 된 커스터마이징 학습
· 시계열 데이터를 학습을 위한 LSTM, CNN 기법활용

가상머신 워크로드 예측

· 클러스터링 예측을 통한 워크로드 패턴 특징 및 학습시간 단축
· t-SNE 기법을 활용한 시계열 데이터 패턴 클러스터링

가상머신 통합 및 재배치

· 메타 휴리스틱 알고리즘을 활용한 최적 배치안 도출
· 재배치를 통한 장애 사전 대응 활성화
· 마이그레이션을 통한 서버 유휴 전환, 운영비용 절감

이상징후 파악

· 관리자 기반의 이상징후 판별기를 통한 탐지 모형
· 워크로드의 이상징후를 탐지하여 알림 및 리포트 제공
· 자연어 처리 기법을 통한 이상징후 원인 분류


보다 효율적인 데이터센터 – 가상머신 통합 기법(Virtual Machine Consolidation)

조사에 따르면, 데이터센터에 있는 서버들의 자원 활용률은 15~20% 수준에 불과하다고 합니다. SYMPHONY A.I.는 자원의 사용량을 예측하고, 최적화 알고리즘을 활용하여 클라우드 자원의 최적 배치를 지원합니다. 이는 시스템 가동률을 향상시키고, 안정성을 보장함과 동시에 어플리케이션이 최상의 성능으로 작동되도록 함으로써 운영 효율성을 극대화하는데 기여합니다.


보다 효율적인 데이터센터 – 가상머신 통합 기법(Virtual Machine Consolidation)

조사에 따르면, 데이터센터에 있는 서버들의 자원 활용률은 15~20% 수준에 불과하다고 합니다. SYMPHONY A.I.는 자원의 사용량을 예측하고, 최적화 알고리즘을 활용하여 클라우드 자원의 최적 배치를 지원합니다. 이는 시스템 가동률을 향상시키고, 안정성을 보장함과 동시에 어플리케이션이 최상의 성능으로 작동되도록 함으로써 운영 효율성을 극대화하는데 기여합니다.


빅 데이터 분석과 인공지능을 활용한 클라우드 자원 사용량 예측

빅 데이터 분석과 인공지능은 뗄래야 뗄 수 없는 관계입니다. 데이터센터에 있는 수 많은 서버와 가상머신들은 자원을 사용하면서, 방대한 양의 데이터를 축적시킵니다. 빅 데이터 분석을 통해 고객사의 클라우드 환경을 파악하고, 이를 토대로 인공지능 기반의 예측 모델을 커스터마이징 합니다. Large Scale 환경에 적합한 클러스터링 예측 기법을 통해 자원 사용량 예측은 효율적으로 이루어집니다.


빅 데이터 분석과 인공지능을 활용한 클라우드 자원 사용량 예측

빅 데이터 분석과 인공지능은 뗄래야 뗄 수 없는 관계입니다. 데이터센터에 있는 수 많은 서버와 가상머신들은 자원을 사용하면서, 방대한 양의 데이터를 축적시킵니다. 빅 데이터 분석을 통해 고객사의 클라우드 환경을 파악하고, 이를 토대로 인공지능 기반의 예측 모델을 커스터마이징 합니다. Large Scale 환경에 적합한 클러스터링 예측 기법을 통해 자원 사용량 예측은 효율적으로 이루어집니다.


이상징후 탐지(Anomaly Detection)를 통해 장애를 사전에 대응

큰 사고는 경미한 사고들이 반복되는 과정 속에서 발생한다는 통계적 법칙이 있습니다(Heinrich’s Law). 서버의 장애가 발생하기 전에도 평소와 다른 패턴들이 발생하곤 합니다. SYMPHONY A.I.는 서버의 로그를 분석하고, 이상징후를 탐지하여, 관리자가 장애를 사전에 조치를 취할 수 있도록 권장해 줍니다. 발빠른 사후 대처가 목적이었던 기존의 모니터링 시스템은 심층적인 분석을 통해 사전 대응이 가능하도록 변해나가야 합니다.


이상징후 탐지(Anomaly Detection)를 통해 장애를 사전에 대응

큰 사고는 경미한 사고들이 반복되는 과정 속에서 발생한다는 통계적 법칙이 있습니다(Heinrich’s Law). 서버의 장애가 발생하기 전에도 평소와 다른 패턴들이 발생하곤 합니다. SYMPHONY A.I.는 서버의 로그를 분석하고, 이상징후를 탐지하여, 관리자가 장애를 사전에 조치를 취할 수 있도록 권장해 줍니다. 발빠른 사후 대처가 목적이었던 기존의 모니터링 시스템은 심층적인 분석을 통해 사전 대응이 가능하도록 변해나가야 합니다.


데이터센터 최적 운영을 위한 클라우드 자원 최적배치

SYMPHONY A.I.는 빅데이터 분석을 통해 데이터센터의 특성을 파악하고, 인공지능을 활용한 워크로드 예측을 통해 클라우드 자원의 최적 운영을 제안합니다. 자원의 패턴을 파악하고, 클러스터링 기법을 통해 효율적으로 관리함으로써 복잡한 관리포인트를 효과적으로 관리할 수 있게됩니다.


데이터센터 최적 운영을 위한 클라우드 자원 최적배치

SYMPHONY A.I.는 빅데이터 분석을 통해 데이터센터의 특성을 파악하고, 인공지능을 활용한 워크로드 예측을 통해 클라우드 자원의 최적 운영을 제안합니다. 자원의 패턴을 파악하고, 클러스터링 기법을 통해 효율적으로 관리함으로써 복잡한 관리포인트를 효과적으로 관리할 수 있게됩니다.


SYMPHONY A.I. GUI 화면

워크로드 분석 및 예측 기능
딥 러닝 기반의 알고리즘으로 워크로드 패턴을 분석하고, 학습하여 향후 자원의 사용량을 예측합니다.

클라우드 자원 최적조합 기능
향후 자원의 사용량을 기반으로 클라우드 자원의 최적 배치안을 휴리스틱 알고리즘으로 빠르고 효과적으로 도출합니다.

통계량 분석 기능
클라우드 자원의 사용량, 추세를 분석하고, 이를 기반으로 클러스터링하여 효율적으로 관리할 수 있습니다.

이상징후 예측 분석 기능
클라우드 자원의 이상징후를 분석하여 장애를 최소화하고 클라우드 시스템의 안정된 서비스 수준 보장합니다.