Welke benaderingen voor anomaliedetectie in productie-metrics van de service?

Voor het detecteren van anomalieën in de productie-gegevens van de service worden verschillende benaderingen toegepast:

1. Statistische methoden:

   • Eenvoudige drempelwaarden.
   • Voortschrijdende gemiddelden en controlekaarten.
   • Z-score voor het identificeren van uitschieters.

2. Modellen op basis van tijdreeksen:

   • ARIMA, SARIMA voor voorspellingen en afwijkingsdetectie.
   • Exponentiële smoothing.

3. Machine learning:

   • Clustering (bijvoorbeeld DBSCAN) om ongebruikelijke punten te identificeren.
   • Modellen gebaseerd op autoencoders voor het detecteren van anomalieën in complexe gegevens.
   • Isolation Forest, een algoritme dat speciaal is ontworpen voor het detecteren van anomalieën.

4. Online detectors:

   • Algoritmen die in realtime werken, zoals Twitter's AnomalyDetection of Facebook's Prophet met anomaliedetectie.

5. Gecoördineerde benaderingen:

   • Gebruik van meerdere methoden om de nauwkeurigheid te verbeteren en valse positieven te verminderen.

De keuze van de aanpak hangt af van de aard van de metrics, de hoeveelheid gegevens, de snelheidseisen en de beschikbare middelen.