실시간 스트리밍 환경에서의 시계열 이상치 탐지는 시스템 장애를 조기에 예방하고 운영 리스크를 완화하기 위해 중요하며, 이상치 탐지 연구에는 계절성과 자기상관을 반영할 수 있는 SARIMA 모형이 널리 활용된다. 그러나 기존 SARIMA는 MLE 기반 점추정에 의존하므로 파라미터 불확실성과 예측분포의 변동성을 충분히 반영하지 못해 이상치 판단의 신뢰도와 강건성에 한계가 있다. 베이지안 SARIMA는 이러한 한계를 보완할 수 있으나, 칼만필터의 예측오차 분해 기반 우도를 활용한 전통적 MCMC 추론은 스트리밍 환경에서 데이터 규모가 커질수록 계산 부담이 급격히 증가한다. 본 연구는 이를 해결하기 위해 칼만필터 기반 우도 및 기울기 계산 과정에 Gibbs 샘플링과 확률적 경사 MCMC를 결합한 SGMCMC-KF를 제안하고, 스트리밍 배치 단위로 온라인 사후추론과 예측을 수행하는 이상치 탐지 프레임워크를 제시한다. Apache Kafka 기반 스트리밍 파이프라인에서 잔차 기반 임계값 규칙과 결합하여 다양한 SGMCMC-KF 알고리즘의 탐지 성능을 비교한 결과, SGLD-KF 방법이 MLE 기반 SARIMA 대비 더 안정적인 이상치 탐지 성능을 보였으며, 특히 랑주뱅 노이즈를 통한 확률적 탐색이 스트리밍 환경에서 이상치 민감도 및 강건성 향상에 기여함을 확인하였다.
Hong et al. (Thu,) studied this question.