시계열 이상 탐지를 '정상 패턴과 낯선 패턴을 구분하는' 문제로 정의하고, 규칙 기반·전통 머신러닝·딥러닝의 장단점을 비교하며 현실적 선택지를 좁혀 간다. 비정상 표본이 희소한 제약에서 정상 데이터만으로 복원을 학습하는 비지도 접근을 채택하고, Transformer에 실운영용 개선을 더해 설명 가능한 서비스로 완성하는 과정을 따라간다.
핵심 포인트- 규칙 기반은 미정의 장애를 놓치고 전통 통계는 대규모에서 한계, 이상 데이터 희소로 지도 학습이 정상만 예측하는 문제 → Autoencoder로 정상 복원을 학습하고 재구성 오차가 임계값을 넘으면 이상으로 판정하는 비지도 표현 학습 선택
- 결측·오측정 보정과 정규화 후 복원, 입력-출력 차이를 anomaly score로 threshold와 비교하는 파이프라인, spike·trend·contextual anomaly를 구분하고 MLP·RNN 대비 장기 의존성·병렬성이 강한 Transformer의 self-attention을 중심 모델로 채택
- 운영 시계열의 분포 변화에 대응해 정규화를 모델에 포함(적응형 정규화)하고, 연·월·일·시간을 timestamp positional encoding으로 만들어 주기성·휴일을 학습, 사용자별 anomaly 분포에는 동적 thresholding
- 예측값·신뢰 구간을 함께 보여 설명 가능하게 하고 단변량·다변량 모드와 지표별 영향도로 대응 우선순위 제공, 내부 비용 이상 탐지에선 메신저 알림·시각화로 실제 비용과 score를 연결
왜 읽나로그·지표·비용 같은 시계열을 자동 감시해야 하는 엔지니어에게, 라벨 없는 데이터로 Transformer 이상 탐지 모델을 실서비스까지 끌고 간 설계·개선 기록.