깊은 신경망을 통한 셋톱박스 치명오류 예측
Set-top Box Critical Error Detection Based on Deep Learning
- 주제어 (키워드) 딥러닝 , 셋톱박스 , 셋탑박스 , 오류 , 예측
- 발행기관 서강대학교 정보통신대학원
- 지도교수 김승욱
- 발행년도 2023
- 학위수여년월 2023. 8
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000076532
- UCI I804:11029-000000076532
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
본 연구의 목적은 셋톱박스에서 발생하는 치명오류를 예측하는 것이다. 고객이 불만을 제기하기 전에 오류를 감지하고 미리 조치할 수 있다면, 고객이 체감하는 품질은 더욱 향상될 것이다. 본 논문에서 예측이란, 102개의 독립변수로써 2개의 종속변수를 분류하는 것이다. 독립변수는 네트워크 및 셋톱박스에서 발생한 에러코드들의 집계이다. 예측하고자 하는 오류는 “치명오류”로써 장애가 발생한 경우이다. 장애 발생 여부는 고객의 불만 인입 여부로 간주하였다. 이에 따라 종속변수는 불만 없음, 불만 인입으로 구성되어 있다. 최종 예측 모델은 6개의 전연결층으로 이뤄진 깊은 신경망 형태이다. 65,000개의 시험 데이터셋에 대한 정확도는 최대 0.7835를 기록했다. F1 점수는 0.7438을 기록했다. 본 논문의 특징은 전연결층에서 잔차 연결 구조(Residual Connection)의 성능을 알아본 것이다. 최적의 예측 모델을 도출하는 과정에서 일반적 구조와 잔차 연결 구조 간 성능을 비교하였다. 일반적 구조는 4개의 전연결층으로 이뤄진 것이다. 잔차 연결 구조는 6개의 전연결층으로 이뤄져있다. 다만, 처음 들어온 데이터를 두 개 레이어 이후의 값에 더하는 잔차 연결이 포함되어 있다. 두 모델은 학습 과정에서 뚜렷한 차이가 없었다. 그러나 테스트 데이터셋에 대한 정확도 기준으로, 잔차 연결 구조가 일반 구조에 비해 약 5%P 앞선 성능을 보였다.
more