Prophet 모델 및 VAR(Vector Autoregressive Model) 기반의 장애예측 시스템

Abstract

이 논문은 효과적인 장애 예측 시스템의 구현을 목표로, 현대적인 시계열 데이터 분석 기법 중에 Prophet모델과 Vector Autoregressive Model (VAR)을 중심으로 하는 방법론을 제시한다. 이 두 모델은 본 논문에서 제안하는 장애 예측 시스템의 핵심 구성 요소로, 서로를 보완하며 작용하여 더욱 강력한 예측 성능을 발휘한다. 본 논문에서는 Grid Search기법을 활용하여 Prophet의 Hyper-Parameter를 체계적으로 튜닝하고 최적화하였다. 이를 통해 Prophet 모델의 성능을 극대화하고, 이 모델을 통해 얻은 예측 데이터를 VAR 모델의 종속 변수로 추가하여 VAR 모델의 학습을 보다 효과적으로 진행할 수 있었다. 이러한 모델링 작업은 2023년 04월 07일부터 2023년 04월 26일까지의 Zabbix 리소스 데이터와 Log4J 로그 데이터를 활용했다. 이 데이터들은 실제 시스템에서 발생하는 다양한 리소스 사용량과 로그 기록을 포함하고 있어, 현실적인 시스템 장애 예측에 필요한 다양한 요소를 반영하고 있다. 본 연구의 핵심 방법론은 실제 의료 시스템에서 발생하는 로그 및 리소스를 바탕으로 데이터를 구조화하고, 이를 통해 Prophet모델의 Hyper-Parameter를 튜닝하고 VAR 모델을 학습하는 것이다. 이 과정을 통해 시스템의 오차 및 예측 차트에 대한 변동성 지표를 정확하게 확인하고, 이를 바탕으로 보다 정확한 장애 예측 시스템을 구현하는 방법을 실험했다. 이러한 복합적인 모델링 접근법을 통해 단일 모델만을 활용한 경우보다 RMSE (Root Mean Squared Error) 수치가 약 50% 이상 향상되는 결과를 보여주고 있다. 이 결과는 본 논문의 방법론이 장애 예측에 있어서 더욱 효과적이며, 이를 통해 기존의 장애 예측 시스템을 크게 개선할 수 있다. |This study presents a methodology centered around the Prophet model and the Vector Autoregressive Model (VAR), which are modern time series data analysis techniques, with the objective of implementing an effective fault prediction system. These two models, as the core components of the fault prediction system proposed in this paper, complement each other and work together to demonstrate enhanced prediction performance. In this paper, we systematically tuned and optimized the Hyper-Parameters of the Prophet model using the Grid Search technique. This maximized the performance of the Prophet model and made it possible to add the predicted data obtained through this model as dependent variables in the VAR model, thereby effectively facilitating the learning of the VAR model. The modeling work utilized Zabbix resource data and Log4J log data from April 7, 2023, to April 26, 2023. These data include various resource usage and log records generated in the actual system, reflecting the various factors necessary for realistic system failure prediction. The core methodology of this study involves structuring data based on logs and resources occurring in actual medical systems, tuning the Hyper-Parameters of the Prophet model through this, and learning the VAR model. Through this process, we accurately confirmed the volatility indicators for the system's error and prediction charts, and experimented with a method to implement a more accurate fault prediction system based on this. This complex modeling approach showed that the RMSE (Root Mean Squared Error) score improved by more than 50% compared to when only a single model was utilized. This result demonstrates that the methodology of this paper is more effective in fault prediction, and it can significantly improve the existing fault prediction system.