끊임없이 확장되는 클라우드 컴퓨팅 세계에서 리소스 사용 및 비용에 대한 감독을 유지하는 것은 미로를 탐색하는 것과 같습니다.혼합 신호와 상충되는 정보는 선의의 노력을 금세 매우 힘들게 만듭니다.청구 및 클라우드 리소스의 이상은 예산 초과에서 구조적 비효율성에 이르기까지 중요한 문제를 나타낼 수 있으며 이상 탐지는 적절하게 구축된 경우 도움이 될 수 있습니다.AI/ML이 가능성 있는 솔루션이자 유행어이지만 OpsNow는 진정한 ML 모델을 구현했으며 이는 일상적인 작업 부하에 집중하는 동안 백그라운드에서 클라우드 이상을 제어하는 ​​가장 좋고 신뢰할 수 있는 방법이라고 믿습니다.

이상 탐지의 목적

클라우드 환경에서 이상 탐지는 표준에서 벗어나는 불규칙한 패턴을 표시하도록 설계된 조기 경보 시스템 역할을 합니다. 이러한 패턴은 데이터 트래픽 급증, 악성 맬웨어 또는 무단 배포, 잘못된 구성으로 인한 예상치 못한 비용 급증 등 무엇이든 나타낼 수 있습니다. 목표는 이러한 이상 탐지뿐만 아니라 오탐지를 최소화하고 진짜 위협만 경고를 트리거할 정도로 정확하게 탐지하는 것입니다.

‍

견고한 디자인으로 제작된 견고한 모델

우리의 이상치 모델의 핵심은 ARIMA와 ETS라는 두 가지 정교한 예측 알고리즘입니다.ARIMA(AutoRegressive Integrated Moving Average) 모델은 데이터의 자기상관을 설명하는 것을 목표로 합니다.

이 모델은 과거 값과 오차를 조합하여 시계열의 미래 지점을 예측함으로써 이를 수행합니다.이 모델은 3가지 부분으로 구성됩니다. 변수를 자체 지연 값으로 회귀시키는 AR 항, 차이의 정도를 설명하는 I(integrated) 항, 관측치와 잔차 오차 간의 종속성을 사용하는 MA 항입니다.

ARIMA 모델을 적절히 구성하면 광범위한 시계열 패턴을 강력하게 발견할 수 있습니다 .ETS(Error, Trend, Seasonality의 약자)는 시계열을 기본 구성 요소로 모델링하여 오류, 추세, 계절성 등을 강조합니다. ETS는 오류를 덧셈 또는 곱셈으로, 추세를 지수, 선형 또는 감쇠로, 계절을 덧셈 또는 곱셈으로 모델링할 수 있는 유연성을 제공합니다. 전체 ETS 모델에는 다양한 실제 시계열 속성을 설명하는 30개 이상의 모델 변형이 포함됩니다.

ETS 모델은 데이터 세트에 가장 잘 맞는 패턴을 감지하여 시계열 예측을 자동화된 학습 프로세스로 간소화합니다. 이러한 알고리즘은 클라우드 패턴의 지속적인 변화를 반영하여 매일 새로운 데이터로 학습됩니다. 이 매일 새로 고침 주기는 모델을 현실과 동조하게 유지하며, 오래된 데이터와 관련된 위험으로부터 보호하는 중요한 기능입니다.

‍

‍

OpsNow ML 기반 이상 탐지가 획기적인 기술인 이유

1. Daily Training Regimen:
‍매일 쓸모없어지는 모델과 달리 OpsNow는 진화합니다. 매일 새로운 데이터로 훈련함으로써 엔진은 우위를 유지하며, 알림이 최신 성장 데이터를 기반으로 하고 오래된 추정치를 기반으로 하지 않도록 합니다.

‍

2. Principal Component Regression (PCR)
PCR을 사용하는 것이 OpsNow의 차별화 요소입니다. PCR은 주성분 분석을 사용하여 노이즈를 걸러내고 이상 현상의 근본 원인을 식별합니다. 문제를 발견할 뿐만 아니라 이해하는 방법입니다.

‍

3. Detailed Analysis
디테일은 세부 사항에 있으며 OpsNow는 세부 사항에서 번창합니다. 서비스, 지역 및 인스턴스 유형별로 데이터를 분류함으로써, 우리는 모든 것에 맞는 단일 크기의 함정을 피하고, 일반 모델이 따라올 수 없는 맞춤형 통찰력을 제공합니다.

‍

4. Karhunen-Loeve Transformation

PCA가 제 역할을 다한 후, 우리의 Karhunen-Loeve 변환이 개입합니다. 이 알고리즘은 PCA 데이터를 재구성하여 이상치의 실제 근원을 밝힙니다. 이는 더 일반적인 도구가 팀을 이끌었을 모든 레드 헤링을 우회하여 바로 문제로 이어지는 지도를 갖는 것과 같습니다.

‍

거짓 양성 최소화

균형 잡기 균형 잡기 이상 탐지에서 가장 큰 과제 중 하나는 거짓 양성을 제거하는 것입니다. ARIMA, ETS, PCR의 공동의 힘을 활용하여 우리 모델은 섬세한 균형을 이룹니다. 실제 이상과 데이터의 작은 오류를 구별하도록 미세 조정되어 팀이 불필요한 화재 훈련을 하지 않아도 됩니다. 수년간 CloudOps 도메인에 종사해 온 우리는 모든 사람이 신뢰할 수 있는 이상 탐지 시스템을 갖는 것이 얼마나 중요한지 잘 알고 있습니다.

‍

비용 절감을 정확히 파악

비정상 탐지 프로세스가 비용 관리 모델의 일부로 구현되면 기업은 예상치 못한 사용의 허니팟을 찾아 절감할 수 있습니다. 프로젝트 후 남은 활성 인스턴스, 잘못 구성된 환경(샤딩을 기본값으로 둔 적이 있나요?) 및 심지어 잘못 입력된 인스턴스 크기는 모두 월별 청구서에 상당한 부정적인 영향을 미칠 수 있습니다. 활성 개발 환경에서는 이러한 모든 문제가 매일 발생하며 알림과 프로세스를 제자리에 두면 궁극적으로 비용을 낮추고 잘 관리할 수 있습니다.

‍

결론

세분화된 ML로 클라우드 사용을 모니터링하고 불규칙성에 대해 신속하게 경고함으로써 OpsNow는 예산 규율을 유지하는 데 중요한 역할을 합니다. 우리는 수년간의 경험을 바탕으로 툴링을 구축하고 OpsNow에서 출시하여 기업에 이상 관리에 대한 사전 예방적 접근 방식을 제공했습니다. 그 결과, 복잡한 문제를 해결하고 비용 초과를 방지하는 데 사용되는 ML 기술이 의도적으로 사용되었습니다. OpsNow 이상 감지는 단순한 도구가 아니라 리소스가 효율적이고 경제적으로 활용되도록 보장하는 클라우드 감시 장치이므로 귀하와 귀하의 팀은 모든 것을 올바른 방향으로 유지할 수 있습니다.‍

FinOps를 정리하고 OpsNow를 사용해 보세요. 조금 더 도움이 필요하신가요? OpsNow와 약속 없는 무료 2시간 상담을 예약하세요.

‍