ELK로 머신러닝의 예측 생성하기

원문 : https://www.elastic.co/guide/en/machine-learning/7.13/ml-gs-forecasts.html

데이터에서 이상 행동을 감지하는것에 더하여 머신러닝 기능을 미래 행동을 예측하는데도 사용할 수 있습니다.

키바나에서 예측을 생성하려면,

1. Single Metric Viewer 에서 잡 결과(예로, low_request_rate 잡)를 봅니다.
   이 뷰를 찾으려면, Anomaly Detection 페이지의 Actions 컬럼에 있는 링크를 따라가면 됩니다.

2. Forecast 클릭하세요.

   

3. 예측 기간을 지정합니다.
   이 값은 처리된 마지막 레코드 이후로 추정거리를 가리킵니다.
   시간 단위를 사용해야합니다.
   예제에서 기간은 1주 (1w1) 입니다.

   

4. Single Metric Viewer 에서 예측을 봅니다.

   

   차트의 노란선은 예측되는 데이터 값을 표현합니다.
   노란색 음영영역은 예측의 신뢰도를 나타내기도 하는 예측값의 범위를 표현합니다.
   더 많은 미래를 예측하기 때문에 범위는 일반적으로 시간에 따라 증가됩니다. (즉, 신뢰수준이 감소된다는 것 입니다)
   신뢰도가 너무 낮아지면 예측은 중단됩니다.

5. 선택적 : 실제 데이터와 예측을 비교하기

   

   잡이 더 많은 데이터를 처리하면, 다시 Forecast 버튼을 클릭할 수 있고 실제 데이터와 겹쳐서 예측의 하나를 선택하여 볼 수 있습니다.
   차트는 실제 데이터 값, 예상 값의 범위, 이상치, 예측 데이터 값, 예측의 범위를 포함합니다.
   실제와 예측 데이터의 조합을 통해 머신러닝 기능이 얼마나 데이터의 미래행동을 잘 추정했는지 보여줍니다.

   키바나 샘플 데이터에 대해 이 비교를 생성하려면, 작업을 생성할 때 데이터의 하위집합만 사용하세요.
   예로, 이상탐지 잡 생성하기 스텝을 따르되 다른 잡 ID 접두어를 추가하고 Use full kibana_sample_data_logs data 옵션을 해제하세요.
   샘플데이터를 통해 날짜를 종료날짜로 선택하세요.
   기본적으로 해당 날짜에 도달하면 데이터피드는 중지되고 이상탐지 잡은 닫히게 됩니다.
   예측을 생성하세요.
   그런다음 데이터피드를 다시 시작하여 나머지 데이터를 처리하고 여기에 결과의 유형을 생성할 수 있습니다.

   Tips

   키바나 샘플데이터 셋은 데이터세트를 추가한 시점과 연관된 타임스탬프가 있습니다.
   그러나, 이러한 날짜 중 일부는 미래의 날짜입니다.
   따라서, 튜토리얼의 목적을 위해 데이터 피드를 다시 시작할 때 No end time(실시간 검색) 옵션을 사용하지 마세요.
   모든 데이터를 즉시 처리할 수 있도록 적절한 종료 시간을 지정하세요.

이제 샘플 데이터로 예측을 생성하는게 얼마나 쉬운지 살펴보았으므로, 자체 데이터에서 어떤 유형의 이벤트를 예측할 수 있는지 고려해보세요.
예측에 관련된 더 많은 정보와 아이디어 및 한계점 목록은 미래 예측하기를 참고하세요.