| 000 | 00000cam c2200205 c 4500 | |
| 001 | 000046048911 | |
| 005 | 20210105174738 | |
| 007 | ta | |
| 008 | 200923s2020 ulka 001c kor | |
| 020 | ▼a 9791161754390 ▼g 93000 | |
| 035 | ▼a (KERIS)BIB000015648647 | |
| 040 | ▼a 222001 ▼c 222001 ▼d 211009 | |
| 041 | 1 | ▼a kor ▼h eng |
| 082 | 0 4 | ▼a 006.312 ▼2 23 |
| 085 | ▼a 006.312 ▼2 DDCK | |
| 090 | ▼a 006.312 ▼b 2020z4 | |
| 100 | 1 | ▼a Collier, Rich |
| 245 | 1 0 | ▼a 일래스틱 스택을 이용한 머신러닝 : ▼b 분산 검색과 분석 플랫폼으로 하는 이상 징후 감지와 예측 / ▼d 리치 콜리어, ▼e 바할딘 아자르미 지음 ; ▼e 이재익, ▼e 최중연 옮김 |
| 246 | 1 9 | ▼a Machine learning with the elastic stack |
| 260 | ▼a 서울 : ▼b 에이콘출판사, ▼c 2020 | |
| 300 | ▼a 339 p. : ▼b 삽화 ; ▼c 24 cm | |
| 500 | ▼a 색인수록 | |
| 700 | 1 | ▼a Azarmi, Bahaaldine, ▼e 저 |
| 700 | 1 | ▼a 이재익, ▼e 역 |
| 700 | 1 | ▼a 최중연, ▼e 역 |
| 900 | 1 0 | ▼a 콜리어, 리치, ▼e 저 |
| 900 | 1 0 | ▼a 아자르미, 바할딘, ▼e 저 |
소장정보
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 중앙도서관/제2자료실(3층)/ | 청구기호 006.312 2020z4 | 등록번호 111841366 | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
| No. 2 | 소장처 세종학술정보원/과학기술실/ | 청구기호 006.312 2020z4 | 등록번호 151351185 | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 중앙도서관/제2자료실(3층)/ | 청구기호 006.312 2020z4 | 등록번호 111841366 | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
| No. | 소장처 | 청구기호 | 등록번호 | 도서상태 | 반납예정일 | 예약 | 서비스 |
|---|---|---|---|---|---|---|---|
| No. 1 | 소장처 세종학술정보원/과학기술실/ | 청구기호 006.312 2020z4 | 등록번호 151351185 | 도서상태 대출가능 | 반납예정일 | 예약 | 서비스 |
컨텐츠정보
책소개
일래스틱 스택을 활용하면 로깅, 메트릭, 성능 분석 데이터를 통합해 관리할 수 있으며, 머신러닝을 적용해서 비용 효율적으로 시스템을 모니터링하고 분석할 수 있다. 이 책은 운영 분석, 근본 원인 분석, 보안 분석에 일래스틱 스택을 활용하거나 새로 적용하려는 사용자가 일래스틱 스택의 머신러닝 기능을 빠르게 활용할 수 있도록 시스템 설치부터 다양한 시나리오에서의 활용 방법까지 설명한다.
일래스틱 스택을 활용하면 로깅, 메트릭, 성능 분석 데이터를 통합해 관리할 수 있으며, 머신러닝을 적용해서 비용 효율적으로 시스템을 모니터링하고 분석할 수 있다.
이 책은 운영 분석, 근본 원인 분석, 보안 분석에 일래스틱 스택을 활용하거나 새로 적용하려는 사용자가 일래스틱 스택의 머신러닝 기능을 빠르게 활용할 수 있도록 시스템 설치부터 다양한 시나리오에서의 활용 방법까지 설명한다.
하루하루 늘어가는 시스템의 문제에 빠르게 대응하고, 수동 작업을 자동화하려는 많은 개발자와 운영자의 시간을 절약하고 핵심 작업에 집중하는 데 도움될 것이다.
★ 이 책에서 다루는 내용 ★
■ 머신러닝 기능을 사용하기 위한 일래스틱 스택 설치
■ 다양한 이상 징후 유형을 감지할 때 일래스틱 머신러닝을 사용하는 방법
■ IT 운영과 보안 분석에 효과적인 이상 징후 탐지 방법 적용
■ 일래스틱 머신러닝 결과를 사용자 정의 뷰, 대시보드, 사전 예방적 얼러팅에 활용
■ 생성된 잡을 결합해 다양한 인프라스트럭처의 이상 징후 상관관계
■ 일래스틱 머신러닝을 최대한 활용하기 위한 다양한 팁과 트릭
★ 이 책의 대상 독자 ★
ML 전문가나 맞춤형 개발에 의존하지 않고 일래스틱서치 내의 머신 데이터에 대한 추가적인 통찰력을 얻고자 하는 IT 전문가를 위한 책이다. 자동화된 고급 이상 탐지와 예측을 통해 수동 데이터 분석을 강화하고자 하는 사람에게 매우 유용할 것이다. 이 책을 최대한 활용하려면 일래스틱 스택을 다뤄본 경험이 도움이 될 것이다.
★ 이 책의 구성 ★
1장, 'IT 분야의 머신러닝'에서는 IT와 보안 운영에서 수동 데이터 분석의 역사적 도전 과제를 소개하고 기본 배경을 설명한다. 또한 내부에서 일어나는 작업을 본질적으로 이해하는 데 도움이 되도록 일래스틱 ML의 운영 이론의 포괄적인 개요를 제공한다.
2장, '머신러닝용 일래스틱 스택 설치'에서는 일래스틱서치, 키바나, 메트릭비트, ML 기능의 활성화에 대해 포괄적이고 자세한 설치 절차를 안내한다. 또한 ML 분석 작업의 기본 기법을 소개하고자 메트릭비트 데이터로 실행한 데이터 분석의 몇 가지 작업 사례를 제공한다.
3장, '이벤트 변경 탐지'에서는 유효 로그 파일 분석의 핵심인 수치 기반 분석 기법을 자세히 설명한다.
4장, 'IT 운영 분석과 근본 원인 분석'에서는 이질적인 데이터 소스에서 온 데이터를 상관된 뷰로 전체적으로 검사하고 분석하는 데 일래스틱 ML을 활용하는 방식이 기존 방식과 비교해 분석가를 어떻게 돕는지 설명한다.
5장, '일래스틱 머신러닝을 사용한 보안 분석'에서는 오늘날 사이버 적들이 제기하는 지능적이고 영구적인 위협을 탐지하고 해결하는 것에 이상 탐지와 행동 분석이 어떻게 보안 전문가를 돕는 필수 기능이 됐는지 알려준다. 일래스틱 ML이 행동 이상 징후를 탐지하는 접근 방식은 보안 기반 머신 데이터에 일래스틱 스택을 사용하는 분석가들의 전략에 완벽하게 들어맞는다.
6장, 'ML 분석에 따른 얼러팅'에서는 일래스틱 얼러팅의 사전 통지 기능을 ML로 발견한 통찰력과 통합해 이상 탐지를 훨씬 더 실용적으로 만드는 몇 가지 기법을 설명한다.
7장, '키바나 대시보드에서 일래스틱 ML 데이터 사용'에서는 ML에서 수집한 정보로 기존 키바나 대시보드 시각화를 강화하는 방법을 설명한다.
8장, '키바나 캔버스와 함께 일래스틱 ML 사용'에서는 ML의 실시간 데이터 분석을 통해 픽셀 단위까지 완벽한 실시간 보고서를 작성하는 방법을 다룬다.
9장, '예측'에서는 일래스틱 ML의 정교한 시계열 모델을 이상 탐지를 넘어서 사용할 수 있는 방법을 설명한다. 예측 기능은 용량을 계획하는 것과 같은 사용 사례를 지원할 수 있도록 향후 추세와 행동을 추정할 수 있게 한다.
10장, 'ML 팁과 트릭'에서는 다른 장에서는 잘 맞지 않는 다양하고 실용적인 조언을 담고 있다. 이 유용한 내용은 일래스틱 ML을 최대한 활용할 수 있게 돕는다.
정보제공 :
저자소개
바할딘 아자미(지은이)
일래스틱의 솔루션 아키텍트다. 사용자 행동 및 소셜 분석에 중점을 둔 마케팅 데이터 플랫폼인 리치 파이브(Reach Five)를 공동 설립했다. 또한 탈렌드(Talend)와 오라클(Oracle) 같은 다양한 소프트웨어 공급업체에 근무하면서 솔루션 아키텍트와 아키텍트 직책을 맡았다. 일래스틱 스택을 사용한 머신러닝 이전에 『키바나 5.0 배우기Learning Kibana 5.0』(에이콘, 2017), 『Scalable Big Data Architecture, Talend for Big Data』(Apress, 2015)를 포함한 책을 저술했다. 파리에 기반을 두고 있으며 폴리텍 파리에서 컴퓨터 과학 석사 학위를 받았다.
리치 콜리어(지은이)
일래스틱의 솔루션 아키텍트다. 프리러트(Prelert) 인수로 일래스틱 팀에 합류해 소프트웨어, 하드웨어, 서비스 기반 솔루션을 위한 솔루션 설계자 및 사전 판매 시스템 엔지니어로서 20년 이상의 경험을 가지고 있다. 빅데이터 분석, 머신러닝, 이상 탐지, 위협 탐지, 보안 운영, 애플리케이션 성능 관리, 웹 애플리케이션, 컨텍 센터 기술을 포함한다. 메사추세츠주 보스턴에 거주하고 있다.
최중연(옮긴이)
로그, 메트릭, 트레이스를 통합 제공하는 사내 모니터링 시스템을 개발하고 있으며, 다양한 유형의 모니터링 데이터를 저장하고 검색하는 기술과 다양한 데이터 소스로부터 서비스의 이상을 감지하고 제공하는 시스템에 관심이 많다. 번역서로는 에이콘출판사에서 펴낸 『일래스틱 스택을 이용한 머신러닝』(2020), 『Kafka Streams in Action』(2019), 『일래스틱서치 쿡북 3/e』(2019), 『키바나 5.0 배우기』(2017), 『Elasticsearch in Action』(2016) 등이 있다.
이재익(옮긴이)
네이버에서 사내 로그 시스템과 일래스틱서치 클러스터 서비스를 개발 및 운영하고 있다. 최근에는 분산 시스템 디버깅과 머신 러닝을 데브옵스(DevOps) 시스템에 활용하는 방법에 관심이 많다. 여가에는 가족들과 캠핑을 하거나 독서를 즐긴다. 공역서로는 에이콘출판사에서 펴낸 『ElasticSearch in Action』(2016), 『일래스틱서치 모니터링』(2017), 『키바나 5.0 배우기』(2017), 『일래스틱서치 쿡북 3/e』(2019)이 있다.
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
