다시 말하지만 메트릭 접근 방식에서와 같이 관찰값(예제의 날짜)을 여러 가지 방법으로 예측할 수 있으며 변칙 임계값을 선택해야 합니다. 메트릭 접근 법과 동일한 방법을 사용했습니다: 예를 들어 “256”의 인스턴스를 “512”로 변경해야하는 것이 분명하도록 명명 된 상수를 사용하는 것이 훨씬 낫습니다. 이것은 타임계의 변칙 검색 절차에 대한 첫 번째 벤치마크입니다. NAB는 제어되고 반복 가능한 환경을 통해 실시간 변칙 탐지 절차를 평가하는 것을 목표로 하는 오픈 소스 프레임워크입니다. NAB 데이터 코퍼스는 58개의 실제 데이터 집합으로 구성되며, 여기서 변칙 창에 레이블이 지정됩니다. 각 파일은 2,000~22,000개의 타임스탬프로 구성되며 5분 간격으로 집계된 데이터가 있습니다. 그것은 365,551 포인트의 전체를 가지고있다. 이러한 데이터 집합은 합성 및 실제: 마르쿠스 골드스타인과 우치다 세이치가 자신의 작품에서 [5] 제안, 어떻게 평가는 변칙 탐지 접근 에 대해 수행되어야한다. 그러나 평가 방법론은 테이블 형식 데이터와 함께 작동하는 방법을 지향합니다. 이 예제에서는 “goals_per_session”과 같은 지표를 분석하기 위해 통계적 접근 방식을 적용합니다. 이 표시기는 더 인기있는 채널을 통해 정규 분포에 가깝고, 따라서, 하나, 예를 들어, 이상값을 결정하기 위해 수분 간 거리를 사용할 수 있습니다. 이제 계절 하이브리드 ESD 테스트를 사용하여 이상 검색을 수행합니다. 이 기법은 데이터를 계열로 매핑하고 계절성 패턴을 따르지 않는 데이터를 지적하면서 계절성을 캡처합니다.
변칙 탐지() 함수는 데이터에서 이상 징후를 찾습니다. 기본적으로 데이터의 10% 이상이 이상일 수 있다는 점을 염두에 두고 모든 피크를 좁힐 수 있습니다(기본적으로). 또한 데이터의 max_anoms 매개 변수를 변경하여 이 수를 줄일 수도 있습니다. 방향 매개 변수를 사용하여 식별할 이상 항목의 종류를 지정할 수도 있습니다. 여기서는 식별할 양수 방향 이상만 지정합니다. 즉, 데이터의 급격한 하락은 고려되지 않습니다. 감독된 변칙 탐지. 학습 및 테스트 데이터 집합에 데이터가 레이블이 지정되는 설정입니다. 간단한 분류기 훈련을 받을 수 있고 적용할 수 있는 경우 이 경우는 대부분의 경우 매우 불균형한 클래스를 제외한 전통적인 패턴 인식과 유사합니다.
모든 분류 접근 방식이 이 작업에 적합한 것은 아닙니다. 예를 들어 일부 유형의 의사 결정 트리는 불균형 데이터를 잘 처리할 수 없습니다. 지원 벡터 머신(SVM) 또는 ANN(인공 신경망)은 더 나은 성능을 발휘해야 합니다. 그러나 이 설정은 모든 이상 징후와 레이블 데이터를 올바르게 알아야 하기 때문에 관련이 없습니다. 많은 경우에 이상은 사전에 알려지지 않거나 시험 단계 도중 참신으로 생길 수 있습니다. 비즈니스가 크고 복잡할수록 더 많은 지표와 측정치가 있습니다. 어느 날 당신은 당신의 눈으로 그들을 추적하는 것은 불가능하다는 것을 이해합니다. 측정항목 및/또는 측정기준수를 줄이면 비즈니스의 모든 측면을 추적하거나 집계된 데이터(예: 차원 제외)를 분석하여 이상 현상을 실질적으로 완화하거나 숨길 수 있습니다.
이러한 상황에서는 실제 발생 후 이상 징후를 감지하지 못하거나 상당한 시간 차이가 있을 수 있습니다. 따라서 우리는 가능한 한 빨리 이벤트에 대해 배우고, 그 원인을 파악하고, 그것에 대해 무엇을 해야하는지 이해하기 위해 즉시 반응해야합니다. 이를 위해 변칙 탐지 시스템을 사용하여 비정상적인 값을 식별하고, 해당 이벤트를 중앙에서 수집하고, 인간의 능력이 허용하는 것보다 훨씬 많은 수의 메트릭 및 차원을 모니터링할 수 있습니다.
