Core Concepts
운영 데이터의 지속적인 변화로 인해 배포된 이상치 탐지 모델의 성능이 저하되므로, 정기적인 모델 업데이트가 필요하다.
Abstract
이 연구는 AIOps 솔루션의 이상치 탐지 모델 유지보수 기법을 분석했다. 주요 내용은 다음과 같다:
최신 이상치 탐지 모델의 운영 데이터에 대한 성능을 평가했다. 모델 성능은 테스트 데이터 크기에 따라 크게 달라지는 것으로 나타났다.
모델 업데이트 기법(전체 기록 vs 슬라이딩 윈도우)이 모델 성능에 미치는 영향을 분석했다. 시계열 데이터에 기반한 모델(LSTM-AE)은 슬라이딩 윈도우 기법이 더 효과적이었지만, 주파수 영역 변환을 사용하는 모델(SR, SR-CNN)은 전체 기록 기법이 더 효과적이었다.
개념 drift 탐지기를 활용한 모델 업데이트(informed 업데이트)와 정기적 업데이트(blind 업데이트)를 비교했다. Blind 업데이트가 informed 업데이트보다 전반적으로 더 나은 성능을 보였다.
이 연구 결과를 통해 AIOps 실무자들은 운영 데이터 특성에 맞는 적절한 모델 유지보수 기법을 선택할 수 있다.
Stats
운영 데이터의 지속적인 변화로 인해 배포된 이상치 탐지 모델의 성능이 저하된다.
운영 데이터의 변화 속도는 시계열 데이터의 특성에 따라 다르다.
운영 데이터의 변화 탐지를 통해 모델을 업데이트하는 것이 정기적인 업데이트보다 효과적이지 않다.
Quotes
"운영 데이터는 지속적으로 변화하므로, 배포된 이상치 탐지 모델의 성능을 유지하기 위해서는 지속적인 모델 업데이트가 필요하다."
"모델 업데이트 기법은 사용된 이상치 탐지 모델의 특성에 따라 달리 적용되어야 한다."
"운영 데이터의 변화 탐지를 통한 모델 업데이트는 정기적인 업데이트보다 효과적이지 않다."