알고리즘

원문 보기 위키 갱신 2026.10.05

알고리즘 (Algorithms)

알고리즘 함수는 머신러닝 기반으로 메트릭의 이상 징후를 탐지하거나, 이상치를 강조하거나, 미래 값을 예측해 주는 함수예요. 메트릭의 예상 동작 범위를 그래프에 함께 그려서 문제를 빠르게 포착하고 싶을 때 유용합니다.

출처: 문서

함수	설명	예시
`anomalies()`	과거를 기반으로 시리즈의 예상 동작을 보여 주는 회색 밴드를 메트릭 위에 오버레이합니다.	`anomalies(<METRIC_NAME>{*}, '<ALGORITHM>', <BOUNDS>)`

anomalies() 함수에는 두 가지 파라미터가 있어요:

ALGORITHM: 이상을 탐지하는 데 사용하는 방법론입니다.
BOUNDS: 회색 밴드의 너비입니다. bounds는 알고리즘의 표준 편차로 해석할 수 있으며, 값 2나 3이면 대부분의 "정상" 포인트를 포함하기에 충분히 커야 합니다.

참고: 주간 또는 일간 계절성(seasonality)을 사용하는 agile 또는 robust 이상 탐지 알고리즘을 사용한다면, API와 UI를 모두 사용해 로컬 시간대를 반영하도록 이상 탐지 모니터를 업데이트할 수 있어요.

다음은 2분짜리 영상 가이드입니다:

계절성 (Seasonality): 기본적으로 robust와 agile 알고리즘은 주간 계절성(weekly seasonality)을 사용하며, 이는 기준선(baseline)을 계산하기 위해 3주간의 과거 데이터가 필요합니다.

자세한 내용은 이상 탐지 모니터(Anomaly Monitor) 페이지를 참고하세요.

함수	설명	예시
`outliers()`	이상치 시리즈를 강조합니다.	`outliers(<METRIC_NAME>{*}, '<ALGORITHM>', <TOLERANCE>, <PERCENTAGE>)`

outliers() 함수에는 세 가지 파라미터가 있어요:

ALGORITHM: 사용할 이상치 알고리즘입니다.
TOLERANCE: 이상치 알고리즘의 허용 오차(tolerance)입니다.
PERCENTAGE: 시리즈를 이상치로 표시하는 데 필요한 이상치 포인트의 백분율입니다 (MAD와 scaledMAD 알고리즘에서만 사용 가능).

자세한 내용은 이상치 모니터(Outlier Monitor) 페이지를 참고하세요.

함수	설명	예시
`forecast()`	메트릭이 미래에 어디로 향하는지 예측합니다.	`forecast(<METRIC_NAME>{*}, '<ALGORITHM>', <DEVIATIONS>)`

forecast() 함수에는 두 가지 파라미터가 있어요:

ALGORITHM: 사용할 예측 알고리즘입니다 - linear 또는 seasonal을 선택하세요. 이 알고리즘에 대한 자세한 내용은 예측 알고리즘(Forecast Algorithms) 섹션을 참고하세요.
DEVIATIONS: 예측값 범위의 너비입니다. 값 1이나 2면 대부분의 "정상" 포인트를 정확하게 예측하기에 충분히 커야 합니다.

사용할 수 있는 다른 함수들을 확인해 보세요: