核心概念
온라인 기계 학습 기반 이상 탐지 기법(OML-AD)은 개념 drift가 있는 시계열 데이터에서 기존 배치 학습 모델보다 더 정확하고 효율적인 성능을 보인다.
摘要
이 연구에서는 온라인 기계 학습 기반 이상 탐지 기법(OML-AD)을 제안한다. OML-AD는 시계열 데이터의 정상 동작을 온라인 SARIMA 모델로 학습하고, 예측 오차를 이용하여 이상치를 탐지한다.
실험 결과, OML-AD는 개념 drift가 있는 시계열 데이터에서 기존 배치 학습 모델인 SARIMA와 Prophet 대비 더 나은 예측 정확도와 이상 탐지 성능을 보였다. 또한 OML-AD는 CPU 및 메모리 사용량이 적어 더 효율적이었다.
OML-AD의 핵심 특징은 다음과 같다:
- 온라인 학습을 통해 개념 drift에 효과적으로 대응
- 예측 오차 기반 이상 탐지로 정확도 향상
- 온라인 학습 알고리즘의 효율성으로 자원 사용 최소화
이러한 장점으로 OML-AD는 실시간 모니터링 및 고장 탐지 등의 산업 현장에서 유용하게 활용될 수 있다.
統計資料
시드니 기온 데이터:
예측 오차의 최대값은 387.5487
예측 오차의 평균은 16.3098
멜버른 기온 데이터:
예측 오차의 최대값은 404.8067
예측 오차의 평균은 17.0762
로브 기온 데이터:
예측 오차의 최대값은 397.8834
예측 오차의 평균은 18.0550
CPU 사용률 데이터:
예측 오차의 최대값은 470.6927
예측 오차의 평균은 10.0246
引述
"온라인 기계 학습 기반 이상 탐지 기법(OML-AD)은 개념 drift가 있는 시계열 데이터에서 기존 배치 학습 모델보다 더 정확하고 효율적인 성능을 보인다."
"OML-AD의 핵심 특징은 온라인 학습을 통해 개념 drift에 효과적으로 대응하고, 예측 오차 기반 이상 탐지로 정확도를 향상시키며, 온라인 학습 알고리즘의 효율성으로 자원 사용을 최소화하는 것이다."