[논문 리뷰] A Survey of Time Series Anomaly Detection Methods in the AIOps Domain

Zhenyu Zhong, Qiliang Fan외 7명|arXiv (Cornell University)|2023. 08. 01.

Anomaly Detection Techniques and Applications인용 수 10

한 줄 요약

A comprehensive survey of univariate and multivariate time series anomaly detection methods in the AIOps domain, with taxonomy, datasets, evaluation metrics, and future directions.

ABSTRACT

Internet-based services have seen remarkable success, generating vast amounts of monitored key performance indicators (KPIs) as univariate or multivariate time series. Monitoring and analyzing these time series are crucial for researchers, service operators, and on-call engineers to detect outliers or anomalies indicating service failures or significant events. Numerous advanced anomaly detection methods have emerged to address availability and performance issues. This review offers a comprehensive overview of time series anomaly detection in Artificial Intelligence for IT operations (AIOps), which uses AI capabilities to automate and optimize operational workflows. Additionally, it explores future directions for real-world and next-generation time-series anomaly detection based on recent advancements.

연구 동기 및 목표

• AIOps 도메인에서 시계열 이상 탐지 방법의 특징과 범주를 요약한다.
• AIOps에서 UTS 및 MTS 데이터에 맞춘 이상 탐지 기법의 분류 체계를 제안한다.
• AIOps 이상 탐지에 사용되는 데이터셋, 벤치마크 및 평가 지표를 조사한다.
• 데이터 규모, 노이즈, 라벨링 작업, 불균형, 컨셉 드리프트 등 AIOps의 도전과제를 강조한다.
• AIOps의 현장 배치 및 차세대 방법에 대한 향후 방향을 제시한다.

제안 방법

• 데이터베이스 선택, 설문 조사 검색, 문헌 검색에 걸친 임의적 문헌 고찰 방법론을 채택한다.
• 기존 이상 탐지 방법의 특성을 추출하여 분류 체계를 개발한다.
• UTS 방법을 고전적, 지도학습, 부분지도학습, 비지도학습 범주로 분류한다.
• AIOps의 데이터 소스, 입력 데이터 유형, 이상 유형, 문제 정의, 주요 도전과제를 검토한다.
• 데이터셋, 소프트웨어, 평가 지표에 대한 논의와 가능한 경우 링크를 제공한다.

실험 결과

연구 질문

• RQ1 RQ1: 각 이상 탐지 방법을 정의하는 중요한 특징은 무엇이며 어떻게 분류될 수 있는가?
• RQ2 RQ2: 기존 기법은 AIOps 시계열 이상 탐지의 도전과제를 어떻게 다루고 있으며 그 기여는 무엇인가?
• RQ3 RQ3: AIOps 시계열 이상 탐지에 사용 가능한 오픈 소스 데이터세트와 평가 지표가 무엇이며 공개 소프트웨어 패키지가 있는가?

주요 결과

• AIOps 도메인에서 시계열 이상 탐지 방법의 구조화된 분류 체계를 제공한다.
• 데이터 소스(시스템 관련, 사용자 인지, 서비스 성능)와 입력 유형(UTS 및 MTS)을 방법 설계의 중심으로 식별한다.
• 주요 도전과제로 고차원성, 노이즈, 라벨링 오버헤드, 데이터 불균형, 잦은 변화로 인한 패턴 드리프트를 개요화한다.
• 재현성을 지원하기 위해 공개 데이터셋, 벤치마크, 소프트웨어 링크를 요약한다.
• AIOps에서 이상 탐지 방법을 평가하는 데 일반적으로 사용되는 평가 지표를 다룬다.
• 현실 세계 배치 및 차세대 접근법을 위한 향후 연구 방향을 제시한다.