책 이미지
책 정보
· 분류 : 국내도서 > 컴퓨터/모바일 > 프로그래밍 개발/방법론 > 웹 서비스/웹 프로그래밍
· ISBN : 9791161754390
· 쪽수 : 340쪽
책 소개
목차
1장. IT 분야의 머신러닝
__역사적인 도전 극복
____데이터 과잉
____자동 이상 탐지 시대의 도래
__작동 원리
____특이하다는 것의 정의
____일반적인 학습과 비지도 학습
______확률 모델
______모델 학습
______추세 제거
______비정상 점수 매김
__효과적 운영
____작업
____ML 노드
____버킷화
____데이터피드
__인덱스 지원
____.ml-state
____.ml-notifications
____.ml-anomalies-*
__오케스트레이션
__요약
2장. 머신러닝용 일래스틱 스택 설치
__일래스틱 스택 설치
____소프트웨어 다운로드
____일래스틱서치 설치
____키바나 설치
____플래티넘 기능 활성화
__일래스틱 ML 기능의 안내
____분석할 데이터 수집
____키바나에서의 ML 작업 타입
______데이터 비주얼라이저
______단일 메트릭 작업
______멀티메트릭 작업
______Population 작업
______Advanced 작업
____API를 통한 ML 제어
__요약
3장. 이벤트 변경 탐지
__정상적인 발생률을 이해하는 방법
__카운트 함수 탐구
____카운트 요약 정보
____카운트 분할
____기타 카운팅 함수
______non-zero 카운트
______distinct 카운트
__모집단 분석에서 카운팅
__드물게 발생하는 것을 탐지
__범주화를 통한 메시지 기반 로그 카운팅
____ML에 의해 범주화될 수 있는 메시지 유형
____범주화 과정
____범주 카운팅
____하나로 통합
____범주화를 사용하지 않을 경우
__요약
4장. IT 운영 분석과 근본 원인 분석
__전체 애플리케이션의 가시성
____KPI의 중요성과 한계
____KPI를 넘어서
__데이터 구성
____효과적인 데이터 분할
______ML 작업에 대한 사용자 정의 쿼리
______데이터 처리 시 강화
____문맥 정보 활용
______분할된 분석
______통계적 영향 요인
__근본 원인을 분석하고자 모든 정보를 함께 가져오기
____장애 시나리오
____시각적 상관관계와 분할된 영향 요인
____요약
5장. 일래스틱 머신러닝을 사용한 분석
__현장에서의 보안
____데이터 규모와 다양성
____공격 형태
__위협 사냥 아키텍처
____레이어 기반 처리
____위협 인텔리전스
__조사 분석
____손상 수준 평가
__요약
6장. ML 분석에 따른 얼러팅
__결과 표현
__결과 인덱스
____버킷 결과
____레코드 결과
____영향 요인 결과
__키바나에서 머신러닝 UI의 알람
____키바나 ML UI의 기본 와치 해부
__수동으로 ML 알람 생성
__요약
7장. 키바나 대시보드에서 일래스틱 ML 데이터 사용
__키바나의 시각화 옵션
____시각화 예제
____타임라이온
____시계열 비주얼 빌더
__이상 탐지 분석용 데이터 준비
____데이터셋
____데이터 수집
____이상 탐지 작업 생성
______글로벌 트래픽 분석 작업
______요청한 호스트의 HTTP 응답 코드 프로파일링
______호스트별 트래픽 분석
__시각화 구성
____인덱스 패턴 설정
____TSVB에서 ML 데이터 사용
____상관관계 히트 맵 생성
____타임라이온에서 ML 데이터 사용
____대시보드 구성
__요약
8장. 키바나 캔버스와 함께 일래스틱 ML 사용
__캔버스 소개
____캔버스란?
____캔버스 표현식
__일래스틱 ML 캔버스 슬라이드 만들기
____데이터 준비
____캔버스 데이터 테이블에서의 이상
____새로운 SQL 통합 사용
__요약
9장. 예측
__예측과 예언
__예측 사용 사례
__예측: 운영 이론
__단일 시계열 예측
____데이터셋 준비
____예측용 ML 작업 생성
__예측 결과
__다중 시계열 예측
__요약
10장. ML 팁과 트릭
__작업 그룹
__분할과 비분할 작업의 영향 요인
__스크립트 필드에 ML 사용
__단방향 함수를 사용하는 이점
__기간 무시하기
____다가오는 (알려진) 시간의 창 무시
______달력 이벤트 생성
______원하는 기간을 무시하도록 데이터피드 중지와 시작
____사후에 예기치 못한 타임 창 무시
______작업을 복제하고 히스토리 데이터를 다시 실행
______모델 스냅숏 되돌리기
__사용 사례를 과도하게 엔지니어링하지 말자
__ML 작업 처리량에 대한 고려 사항
__맞춤형 규칙을 활용한 하향식 알람
__ML 배포 크기 산정
__요약