Core Concepts
異常検知モデルの性能を維持するためには、定期的な更新が必要である。ただし、更新の頻度や方法によって、モデルの性能に大きな影響が出る。
Abstract
本研究では、異常検知モデルの維持管理手法について分析している。
まず、代表的な異常検知モデルの性能を、オペレーショナルデータを用いて評価した。その結果、より複雑なモデル(LSTM-AE、SR-CNN)が単純なモデル(FFT、PCI、SR)に比べて高い性能を示すことがわかった。ただし、SR-CNNのパフォーマンスは評価対象の時系列長に大きく依存することが明らかになった。
次に、モデルを定期的に更新する手法について検討した。LSTM-AEは、スライディングウィンドウ方式の更新で最も高い性能を示したが、SR、SR-CNNはフルヒストリー方式の更新で良好な結果が得られた。これは、モデルの特性によって最適な更新手法が異なることを示唆している。
最後に、概念ドリフト検出器を用いた更新手法(インフォームド更新)と定期的な更新手法(ブラインド更新)を比較した。その結果、ブラインド更新の方が全体的に高い性能を示すことがわかった。ただし、インフォームド更新でも静的モデルに比べて性能が向上することが確認された。
以上の結果から、AIOpsプラクティショナーは、異常検知モデルの維持管理において、モデルの特性に応じて適切な更新手法を選択する必要があることが示唆された。また、概念ドリフト検出器の活用は、自動化された維持管理に向けた一歩となる可能性がある。
Stats
異常検知モデルの性能は、評価対象の時系列長によって大きく変動する可能性がある。
LSTM-AEは、スライディングウィンドウ方式の更新で最も高い性能を示した。
SR、SR-CNNはフルヒストリー方式の更新で良好な結果が得られた。
ブラインド更新の方が、インフォームド更新よりも全体的に高い性能を示した。
Quotes
"異常検知モデルの性能を維持するためには、定期的な更新が必要である。"
"モデルの特性によって最適な更新手法が異なる。"
"概念ドリフト検出器の活用は、自動化された維持管理に向けた一歩となる可能性がある。"