알고리즘¶
Metatron Anomaly는 머신러닝 알고리즘을 활용하여 시계열 데이터의 비정상 수치에 대해 알람을 발생시킵니다. 이러한 이상치 탐지 알고리즘은 학습 시 비정상 sample을 활용하는지 여부에 따라 두 가지로 나누어 집니다.
Supervised Anomaly Detection: 정상/비정상 여부가 존재하는 학습 데이터 셋을 사용해서 이상치를 검출하는 지도학습 알고리즘. 정확도가 높으나 비정상 sample 취득에 시간과 비용 소모.
Unsupervised Anomaly Detection: 대부분의 데이터가 정상 sample이라는 가정으로, 데이터 셋에 비정상 여부가 존재하지 않더라도 이상치를 검출할 수 있는 비지도학습 알고리즘.
Metatron Anomaly는 일반적인 정상/비정상 데이터 label이 없는 모든 시계열 데이터에서도 이상 탐지가 가능하도록 Unsupervised 알고리즘 학습을 기본으로 제공합니다.
Metatron Anomaly에서는 이러한 알고리즘들을 관리하고 신규 알고리즘을 추가할 수 있는 알고리즘 매니저기능을 제공합니다. 알고리즘 매니저는 다음 세 페이지로 이루어집니다.
알고리즘 리스트¶
Anomaly Detection 하위 메뉴 중 Algorithm 탭으로 들어가면 모델 학습에 사용 가능한 알고리즘을 리스트에서 확인할 수 있습니다.
기본적으로 Metatron Anomaly는 아래의 7가지 통계 알고리즘들을 시스템에 내장하고 있습니다.
Seasonal Median Model
Statistical Mean Model
Regression Forecast Model
Naive Forecast Model
Simple Exponential Smoothing Forecast Model
Triple Exponential Smoothing Forecast Model
Long Triple Exponential Smoothing Forecast Model
신규 알고리즘 생성¶
알고리즘 페이지 우측 상단의 + Algorithm 버튼을 클릭하면 신규 알고리즘을 추가할 수 있습니다.
신규로 생성할 알고리즘의 이름, 설명을 입력합니다. 알고리즘 생성에 기본적으로 사용 가능한 작업 환경은 Jupyter Notebook이며, Python 언어를 사용할 수 있습니다.
알고리즘 상세¶
신규 알고리즘을 생성하면 상세 페이지로 이동합니다. 구분에는 사용자가 직접 생성한 알고리즘이면 확장, 시스템에 기본 구현된 알고리즘이면 기본으로 표시됩니다.
Notebook 옆의 
를 누르면 신규 알고리즘을 구현할 수 있는 Jupyter Notebook 환경으로 이동합니다. 기본 템플릿으로 linear regression 알고리즘이 구현되어 있으며, 사용자가 적절히 변형하여 신규 알고리즘을 구현할 수 있습니다.
구현된 알고리즘을 테스트하여 시스템에 적합한지 확인하여야 합니다. 하단의 Test 버튼을 누르면 구현된 알고리즘이 시스템에 적합한지 내부적으로 테스트를 진행합니다. Status에 그 결과가 나타납니다. 테스트 결과는 한번도 테스트한 적이 없으면 N/A, 실패하면 Fail, 성공하면 Available로 기록됩니다.
