자동 경보 그룹화

  • 릴리스 버전: Australia
  • 업데이트 날짜 2026년 03월 12일
  • 소요 시간: 2분

    • 자동 경보 그룹화는 기록 데이터를 사용하여 유사한 경보를 자동으로 그룹으로 구성하는 프로세스입니다. 이러한 경보는 서버 오류 또는 네트워크 중단과 같은 시스템 문제일 수 있습니다. 관련 경보를 함께 그룹화하면 팀이 패턴을 신속하게 식별하고, 반복되는 문제를 관리하고, 너무 많은 개별 경보로 인한 노이즈를 줄이는 데 도움이 됩니다.

    도시의 교통 시스템을 모니터링하고 있다고 상상해 보십시오. 사고, 교통 체증, 도로 폐쇄 등 많은 알림을 받게 됩니다. 자동 경보 그룹화는 패턴을 기반으로 이러한 경보를 구성하는 스마트 도우미처럼 작동하므로 관련 문제를 함께 보고 보다 효율적으로 대응할 수 있습니다. 이러한 자동 경보 그룹은 다음 내에 서비스 운영 작업 공간표시됩니다고속 목록.

    이 그룹화를 활성화하는 방법

    경보 상관 관계에 머신 러닝 기반 자동화를 사용하려면 ML 기반 자동화 상관 관계 사용 (sa_analytics.specific_patterns_enabled) 속성을 예로 설정합니다.

    Domain Support - Domain Extensions Installer가 활성화되면 sa_analytics.agg.learner_domain_level 속성에 정의된 도메인 수준을 기반으로 경보 집계 패턴이 생성됩니다. 기본적으로 이 도메인 수준은 도메인 계층 구조의 두 번째 수준에 해당하는 2로 설정됩니다. 예를 들어 회사에서 수준 1은 회사 자체를 나타내고 수준 2는 회사 내의 부서 또는 팀을 나타낼 수 있습니다. 경보는 부서나 팀별로 정렬하는 것과 같이 이 두 번째 수준을 기준으로 그룹화됩니다. 자세한 내용은 도메인 분리 및 이벤트 관리.

    작동 방식

    자동 경보 그룹화는 머신 러닝(ML) 및 기록 데이터를 사용하여 경보 간의 패턴을 식별합니다. 문제 유형, 영향을 받는 시스템, CI 또는 유사한 기간 내에 여러 번 발생한 메트릭과 같은 패턴 식별자라고 하는 특정 특성을 조사하여 경보가 관련되는지 확인합니다. 경보 집계 학습자는 알고리즘을 사용하여 패턴을 기반으로 경보를 그룹화합니다. 특히 패턴 기반 알고리즘과 확률적 방법을 사용하여 수신 경보를 분석하고 관련 경보를 식별합니다.

    출퇴근 시간에 특정 교차로에서 사고가 자주 발생한다는 사실을 알아차리는 것과 같다고 생각하십시오. 시스템은 특정 식별자(예: 위치 또는 문제 유형)를 기반으로 유사한 경보(예: 같은 지점에서 반복되는 교통 체증)를 그룹화합니다. 시스템은 다음과 같은 주요 단계에 따라 경보를 효과적으로 그룹화합니다.
    • 기록 데이터 분석: 시스템은 과거 경보를 연구하여 패턴과 관계를 학습합니다.
    • 머신 러닝 적용: ML 알고리즘은 이전 경보 데이터를 분석하여 경보 간의 패턴과 관계를 식별합니다. 이를 통해 시스템은 과거 인시던트로부터 학습하고 시간이 지남에 따라 유사한 경보를 그룹화하는 기능을 개선할 수 있습니다.
    • 유사한 경보 그룹화: 패턴이 일치하는 경보는 자동으로 함께 그룹화됩니다.
    도시의 교통 시스템을 관리하고 있는데 다음과 같은 여러 알림을 받았다고 상상해 보십시오.
    • 오전 8:00: 메인 스트리트에서 사고
    • 오전 8시 05분: 메인 스트리트 근처 교통 체증
    • 오전 8시 10분: 메인 스트리트 도로 폐쇄
    자동 경보 그룹화는 이러한 경보를 분석하고 패턴을 인식하여 스마트 도우미처럼 작동합니다. 모두 메인 스트리트와 관련이 있으며 동일한 사고에서 비롯되었을 가능성이 높기 때문에 함께 그룹화합니다. 이렇게 하면 각 경고를 개별적으로 해결하는 대신 더 큰 그림을 빠르게 확인하고 근본 원인(사고)을 해결하는 데 집중할 수 있습니다.

    혜택

    • 반복되는 문제 찾기: 패턴(예: 서버 지속적으로 과열됨)을 신속하게 파악합니다.
    • 시간 절약: 개별 경보 대신 관련 경보 그룹을 처리합니다.
    • 응답 개선: 흩어져 있는 문제를 처리하기보다는 근본 원인을 해결하는 데 집중합니다.