재학습과 튜닝

재학습은 현재 대시보드와 데이터 소스를 기준으로 새 Sentinel 모델 후보를 만드는 작업입니다. Tuning 영역에서는 재학습에 사용할 기본값을 조정합니다.

재학습 실행

버튼	설명
Sentinel Analytics 모델 생성	모델이 없을 때 첫 모델을 만들고 첫 학습을 시작합니다.
첫 학습 실행	모델은 있지만 아직 버전이 없을 때 첫 학습을 실행합니다.
실행 생성	현재 tuning 값을 기준으로 새 재학습을 실행합니다.
새로고침	모델, 버전, 학습 상태를 다시 불러옵니다.

학습 실행이 대기 중 또는 실행 중이면 Tuning 영역에서 진행 상태를 확인합니다. 대기 중인 실행은 취소할 수 있고, 이미 실행 중인 학습은 완료될 때까지 기다립니다.

Tuning 값

Tuning 값은 유효한 입력이 되면 자동 저장됩니다.

필드	설명	추천 시작값
재학습 주기	마지막 실행 후 며칠마다 재학습할지 정합니다.	일반 운영은 14일, 변화가 잦으면 7일, 안정적이면 30일
윈도우 기간	학습 데이터로 사용할 과거 기간입니다.	최소 14일, 주간 패턴이 중요하면 14~28일
오염 비율(contamination)	학습 시 이상치로 간주할 비율입니다. 높을수록 민감해질 수 있지만 오탐이 늘 수 있습니다.	처음에는 0.10.2, 장애나 배포 영향이 잦으면 0.20.3
트리 수	모델을 구성하는 트리 개수입니다. 크면 점수가 안정될 수 있지만 학습 시간이 늘어납니다.	일반 운영은 150, 빠른 확인은 100, 큰 데이터는 200

추천 시작값

상황	재학습 주기	윈도우 기간	오염 비율	트리 수
일반 운영	14일	14일	0.2	150
변화가 잦은 서비스	7일	14일	0.2~0.3	150~200
안정적인 서비스	30일	28~30일	0.05~0.1	100~150

추천값은 첫 설정을 위한 기준입니다. 재학습 후 정상 구간이 자주 이상으로 표시되거나 실제 이상을 놓치면 결과를 보며 조금씩 조정합니다.

오염 비율 계산 팁

오염 비율(contamination)은 학습 기간 안에서 이상으로 볼 시간이 얼마나 되는지 추정한 값입니다.

오염 비율 = 예상 이상 시간 / 전체 학습 시간

예를 들어 윈도우 기간이 14일이고 장애, 배포 영향, 비정상 트래픽을 합쳐 12시간 정도라고 보면 12 / (14 * 24) = 0.036입니다. 이 경우 처음 값은 0.05로 시작합니다.

14일 중 하루 정도가 이상 구간이었다고 보면 1 / 14 = 0.07입니다. 이 경우 처음 값은 0.1로 시작합니다.

오염 비율은 정확한 정답이 아니라 민감도를 정하는 시작점입니다. 정상 구간이 자주 이상으로 표시되면 값을 낮추고, 실제 이상을 놓치면 값을 조금 올립니다.

조정 방향

결과	조정 방법
정상 구간이 자주 이상으로 표시됨	오염 비율을 낮추거나 윈도우 기간을 늘립니다.
실제 이상을 자주 놓침	오염 비율을 조금 올리거나 최근 패턴이 더 반영되도록 재학습 주기를 줄입니다.
학습이 오래 걸림	트리 수를 낮추거나 윈도우 기간을 줄입니다.
결과가 재학습마다 많이 흔들림	트리 수를 늘리거나 윈도우 기간을 늘립니다.

실행 전 확인

실행 생성 또는 첫 학습 실행을 누르면 저장 대기 중인 tuning 값이 먼저 저장된 뒤 학습 실행이 생성됩니다. 값이 비어 있거나 잘못되면 학습 실행은 생성되지 않습니다.

학습이 완료되면 모델 버전 목록에 새 후보 버전이 표시됩니다. 후보 버전의 품질과 소스 커버리지를 확인한 뒤 운영에 반영할지 결정합니다.