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.

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

★ 지은이의 말 ★

데이터 분석, 수동 차트 작성, 임곗값 지정, 알림은 수십 년 동안 IT 및 보안 운영의 고유한 영역이었다. 정교한 머신러닝 알고리즘과 기술이 등장하기 전까지 사전 예방적 통찰력, 문제 감지, 근본 원인 분석은 분석가들에게 많은 부담이 됐다 현대 애플리케이션과 인프라의 복잡성과 규모가 기하급수적으로 증가하면서 도움이 필요한 상황인 것은 분명하다. 일래스틱 머신러닝은 시계열 머신 데이터와 관련된 이상 감지와 예측 사용 사례를 위한 효과적이고 사용하기 쉬운 솔루션이다. 이 책은 독자가 데이터 과학을 잘 알지123 못하더라도 고급 분석 기술과 운영에 능숙해질 수 있도록 도와줄 것이다.

★ 옮긴이의 말 ★

IT 회사들의 서비스를 구성하는 스택이 점점 복잡해지고 데이터가 늘어나면서 시스템의 문제를 빠르게 감지하고 원인을 분석하는 작업은 점점 어려워지고 있다.
일반적으로 로깅 분석, 메트릭 분석, 성능 분석을 위해 개별 도구나 통합 도구를 도입해 시스템 운영에 활용하고 있지만 이러한 도구를 유지하고 관리하는 작업도 만만치 않다. 더구나 시스템의 복잡도와 규모가 서비스의 성공에 비례해 증가하기 때문에 좋은 도구가 준비돼 있더라도 단순히 모니터링 데이터를 쌓아 분석하는 기존 방식으로는 규모, 정확도, 대응 속도 면에서 한계가 있다. 이런 한계를 극복하고자 최근에는 데브옵스(DevOps)를 넘어 에이아이옵스(AIOps)를 표방하는 도구들이 유행처럼 출시되고 있다.
일래스틱 스택을 활용하면 로깅, 메트릭, 성능 분석 데이터를 통합해 관리할 수 있을 뿐 아니라 머신러닝을 적용해 비용 효율적으로 시스템을 모니터링하고 분석할 수 있다.
이 책은 운영 분석, 근본 원인 분석, 보안 분석 등에 기존 일래스틱 스택을 활용하고 있거나 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 절약해 핵심 작업에 집중하는 데 도움이 되길 바란다.