docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,148 @@
|
||||
---
|
||||
id: wiki-2026-0508-anomaly-detection
|
||||
title: Anomaly Detection
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Outlier Detection, Novelty Detection, 이상 탐지]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [security, ml, monitoring, observability]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: applied
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: scikit-learn/PyOD/Prometheus
|
||||
---
|
||||
|
||||
# Anomaly Detection
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 normal 의 boundary 를 학습하고 그 밖을 flag 한다."**. Anomaly detection 은 fraud, intrusion, equipment failure, log spike 등을 unsupervised 로 발견하는 매 core observability/security primitive. 2026 의 standard 는 Isolation Forest + LSTM-AE + transformer-based time-series (PatchTST, TimesNet).
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 Anomaly Type 3가지
|
||||
- **Point anomaly**: 매 single observation 이 outlier — credit card 단일 거래.
|
||||
- **Contextual anomaly**: 매 context 에서만 anomaly — 여름의 영하 온도.
|
||||
- **Collective anomaly**: 매 group 으로만 anomaly — DDoS 의 packet sequence.
|
||||
|
||||
### 매 Algorithm Family
|
||||
- **Statistical**: z-score, MAD, Grubbs, EWMA — 매 univariate baseline.
|
||||
- **Distance-based**: kNN, LOF — 매 density 차이로 detect.
|
||||
- **Tree-based**: Isolation Forest, Extended IF — 매 high-dim 잘 작동.
|
||||
- **Reconstruction**: Autoencoder, VAE — 매 reconstruction error = anomaly score.
|
||||
- **Time-series DL**: LSTM-AE, Transformer (PatchTST 2024, TimesNet) — 매 SOTA 2026.
|
||||
- **One-class**: One-Class SVM, Deep SVDD — 매 normal-only training.
|
||||
|
||||
### 매 응용
|
||||
1. **Fraud detection**: payment, account takeover.
|
||||
2. **Intrusion detection (IDS)**: network traffic anomaly.
|
||||
3. **Predictive maintenance**: vibration sensor, temp.
|
||||
4. **APM**: latency/error rate spike — Datadog Watchdog, New Relic.
|
||||
5. **Log anomaly**: unseen log template — DeepLog, LogBERT.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Isolation Forest baseline
|
||||
```python
|
||||
from sklearn.ensemble import IsolationForest
|
||||
import numpy as np
|
||||
|
||||
# 매 contamination = expected anomaly fraction
|
||||
clf = IsolationForest(contamination=0.01, n_estimators=200, random_state=42)
|
||||
clf.fit(X_train)
|
||||
scores = -clf.score_samples(X_test) # 매 high score = more anomalous
|
||||
preds = clf.predict(X_test) # -1=anomaly, 1=normal
|
||||
```
|
||||
|
||||
### LOF for density anomaly
|
||||
```python
|
||||
from sklearn.neighbors import LocalOutlierFactor
|
||||
lof = LocalOutlierFactor(n_neighbors=20, contamination=0.01, novelty=True)
|
||||
lof.fit(X_train)
|
||||
anomaly_score = -lof.score_samples(X_test)
|
||||
```
|
||||
|
||||
### Autoencoder reconstruction error (PyTorch)
|
||||
```python
|
||||
import torch.nn as nn
|
||||
class AE(nn.Module):
|
||||
def __init__(self, d=64):
|
||||
super().__init__()
|
||||
self.enc = nn.Sequential(nn.Linear(d,32), nn.ReLU(), nn.Linear(32,8))
|
||||
self.dec = nn.Sequential(nn.Linear(8,32), nn.ReLU(), nn.Linear(32,d))
|
||||
def forward(self, x): return self.dec(self.enc(x))
|
||||
|
||||
# 매 train on normal only — anomaly = high reconstruction error
|
||||
recon = model(x)
|
||||
score = ((x - recon) ** 2).mean(dim=1)
|
||||
```
|
||||
|
||||
### EWMA streaming detector
|
||||
```python
|
||||
class EWMA:
|
||||
def __init__(self, alpha=0.1, k=3.0):
|
||||
self.alpha, self.k = alpha, k
|
||||
self.mu = self.var = None
|
||||
def step(self, x):
|
||||
if self.mu is None: self.mu, self.var = x, 1.0; return False
|
||||
z = abs(x - self.mu) / (self.var ** 0.5 + 1e-9)
|
||||
self.mu = self.alpha * x + (1 - self.alpha) * self.mu
|
||||
self.var = self.alpha * (x - self.mu)**2 + (1 - self.alpha) * self.var
|
||||
return z > self.k
|
||||
```
|
||||
|
||||
### PyOD ensemble
|
||||
```python
|
||||
from pyod.models.iforest import IForest
|
||||
from pyod.models.lof import LOF
|
||||
from pyod.models.combination import average
|
||||
|
||||
scores = np.column_stack([
|
||||
IForest().fit(X).decision_function(X),
|
||||
LOF().fit(X).decision_function(X),
|
||||
])
|
||||
ensemble_score = average(scores)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Algorithm |
|
||||
|---|---|
|
||||
| Tabular, low-dim | Isolation Forest |
|
||||
| Tabular, density 중요 | LOF |
|
||||
| Time-series univariate | EWMA / Prophet |
|
||||
| Time-series multivariate | LSTM-AE / PatchTST |
|
||||
| Image | PaDiM / PatchCore |
|
||||
| Log sequence | LogBERT / DeepLog |
|
||||
|
||||
**기본값**: 매 Isolation Forest baseline → 부족시 deep model.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Statistics & Data Analysis]]
|
||||
- 변형: [[Inferential-Statistics]]
|
||||
- 응용: [[Malware-Analysis]] · [[Deepfake-Detection]] · [[Logging_and_Error_Handling]]
|
||||
- Adjacent: [[경고 피로 (Alert Fatigue)]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: log template 추출, anomaly explanation generation, false-positive triage.
|
||||
**언제 X**: 매 high-frequency stream 의 inner-loop scoring (use specialized model).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Threshold hard-coding**: 매 environment drift 시 무용지물 — adaptive threshold 사용.
|
||||
- **Class imbalance 무시**: 매 anomaly 0.1% 일 때 accuracy 99.9% 무의미 — PR-AUC.
|
||||
- **Train on contaminated data**: 매 anomaly 가 train set 에 섞이면 mask 됨.
|
||||
- **Alert fatigue**: 매 raw score 그대로 alert 면 dev 가 무시.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified: Liu et al. 2008 (Isolation Forest); PyOD docs; Nie et al. 2023 (PatchTST).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — algorithm taxonomy + PyOD/AE patterns |
|
||||
Reference in New Issue
Block a user