예측 모델을 사용하여 데이터에서 MetricBase 예외 탐지

MetricBase 모델 매개변수를 결정하기 위해 시계열 데이터의 대표적인 샘플을 학습시켜 모델을 생성합니다. 학습 프로세스는 정상 데이터와 예외 데이터를 구별하기 위해 데이터에 가장 적합한 모델 매개변수를 결정합니다.

MetricBase 는 다음 모델 유형을 지원합니다.

• 확률적 지수 가중 이동 평균 (PEWMA), 확률 계수를 사용하여 데이터 변화에 어떻게 반응하는지 결정하는 이동 평균 알고리즘
• ARIMA(Autoregressive Integrated Moving Average): 이전 오류와 값을 고려한 이동 평균 알고리즘입니다.
• STL(황토)을 사용한 계절 추세 분해, 시계열 데이터를 계절 및 추세 구성요소로 분해하는 계절 알고리즘
• 홀트-윈터스(Holt-Winters, HW), 추세와 계절 성분을 분해하여 수준을 결정하는 계절 알고리즘

주:

MetricBase 모델 클래스 목록에서 선택할 Find Best Fit Model 때 가장 적합한 모델 유형을 선택합니다.

데이터에서 모델을 교육한 후에는 새 데이터가 교육된 데이터와 크게 다를 때 플로우를 트리거할 수 있습니다.