표제지
목차
국문초록 9
ABSTRACT 11
제1장 서론 13
1.1. 연구배경 및 목적 13
1.2. 연구 내용 14
1.3. 논문의 구성 14
제2장 관련 연구 15
2.1. 시계열 예측 기법 15
2.1.1. 통계 기반의 시계열 예측 15
2.1.2. Recurrent Neural Network 17
2.1.3. Long Short-Term Memory 18
2.1.4. Gated Recurrent Unit 19
2.1.5. Transformer 21
2.2. 시계열 이상치 탐지 기법 23
2.2.1. Isolation forest 23
2.2.2. Robust Random Cut Forest 25
제3장 클라우드 시스템 장애 예측 기법 28
3.1. 개요 28
3.2. 제안 기법의 구성 29
3.2.1. 메트릭 데이터 30
3.2.2. 시계열 예측 모델 31
3.2.3. 이상치 탐지 모델 34
3.3. 제안 기법의 동작절차 35
제4장 성능평가 37
4.1. 실험 환경 및 데이터셋 37
4.1.1. 실험 환경 37
4.1.2. 데이터셋 38
4.2. 성능평가 지표 39
4.2.1. 시계열 예측을 위한 성능평가 지표 39
4.2.2. 이상치 탐지를 위한 성능평가 지표 40
4.3. 구현 및 분석 41
4.3.1. 시계열 예측 결과 41
4.3.2. 예측 결과 대한 이상치 탐지 46
제5장 결론 49
참고문헌 51
[표 2-1] Isolation Forest 이상치 점수 수식의 변수 24
[표 3-1] 시계열 예측 모델 수식 변수 29
[표 3-2] 클라우드 시스템의 성능 메트릭 데이터 30
[표 3-3] 클라우드 시스템에서 수집한 시계열 데이터의 특성 31
[표 3-4] 예측 모델의 입출력 크기 설정 32
[표 3-5] RRCF의 주요 파라미터 34
[표 4-1] 제안하는 장애 예측 시스템의 주요 환경 37
[표 4-2] realAWSCloudwatch 데이터셋 구성 38
[표 4-3] w=72일 때 각 모델의 예측 정확도 분석 결과 41
[표 4-4] k=1일 때 각 모델의 예측 정확도 분석 결과 43
[표 4-5] k=3일 때 각 모델의 예측 정확도 분석 결과 44
[표 4-6] RRCF 주요 파라미터 변화에 따른 F1 Score 47
[표 4-7] RRCF의 파라미터 설정 48
[표 4-8] 제안 기법의 성능 평가 결과 48
[그림 2-1] 시계열 데이터 패턴의 네 가지 예시 16
[그림 2-2] RNN 네트워크의 구조 17
[그림 2-3] LSTM 네트워크의 구조 18
[그림 2-4] GRU 네트워크의 구조 20
[그림 2-5] Transformer 네트워크의 구조 22
[그림 2-6] Isolation forest의 구조 24
[그림 2-7] Isolation forest의 결과 26
[그림 2-8] RRCF의 결과 26
[그림 3-1] 너비 w의 슬라이딩 윈도우와 미래 시점 k 예측 28
[그림 3-2] 장애 예측 기법의 전체 구성 29
[그림 3-3] 시계열 예측 의사코드 33
[그림 3-4] 예측 시계열의 이상치 탐지 의사코드 35
[그림 3-5] 제안 기법의 동작 절차 35
[그림 4-1] Transformer 모델 예측 결과 (k=1) 42
[그림 4-2] Transformer 모델 예측 결과 (k=16) 42
[그림 4-3] RNN 모델 예측 결과 (w=24) 43
[그림 4-4] LSTM 모델 예측 결과 (w=24) 44
[그림 4-5] Transformer 모델 예측 결과 (k=3, w=24) 45
[그림 4-6] LSTM 모델 예측 결과 (k=3, w=24) 45
[그림 4-7] GRU 모델 예측 결과 (k=3, w=96) 46