이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
데이터 분석 수업에서 시계열 데이터의 이상 탐지를 실습하는 과제를 진행했습니다. 서버 메트릭 샘플 데이터를 가지고 평균과 표준편차 기반으로 이상값을 찾아내는 방식을 적용해보았습니다. 단순 임계값으로는 정상 범위 내의 급격한 변화를 잡아내기 어렵다는 점을 실습에서 직접 확인했습니다. 이동 평균을 사용하여 추세를 제거한 후 탐지율이 높아지는 것을 보면서, 데이터의 계절성과 추세를 먼저 파악해야 이상 탐지가 의미가 있다는 것을 배웠습니다.
단순 임계값만으로는 정상 범위 내의 급격한 변화를 잡기 어렵다는 점을 실습에서 직접 확인했습니다.
개인 프로젝트 서버 로그를 가지고 이상 접속 패턴을 찾는 스크립트를 직접 만들어봤습니다. 특정 시간 안에 같은 IP에서 접속이 반복되면 알림을 보내는 방식이었는데, 처음 설정한 임계값이 너무 낮아서 정상 접속도 이상으로 분류됐습니다. 실제 로그를 보면서 정상 패턴의 범위를 파악하고 나서 임계값을 조정했어요.
이상 탐지의 임계값은 실제 데이터를 보고 맞춰야 한다는 걸 그때 배웠습니다. 아직 본격적인 알고리즘 적용 경험은 없지만, 기본 원리는 이해한 상태입니다. 이상 탐지의 임계값은 실제 데이터를 보고 맞춰야 한다는 걸 그때 배웠어요. 정상 패턴의 범위를 먼저 파악하지 않으면 탐지 기준이 실제 환경과 맞지 않아 오탐이 많아집니다.
보안 스터디에서 시계열 이상 탐지를 활용한 침해 탐지 케이스를 분석했습니다. 네트워크 트래픽 패턴에서 평소와 다른 대역폭 급증이 발생했을 때 어떻게 감지하는지 흐름을 배웠어요. 흥미로웠던 건, 같은 급증이어도 공격인지 정상 이벤트인지는 다른 지표와 같이 봐야 한다는 점이었습니다. 단일 지표만으로 판단하면 오탐이 많아진다는 걸 케이스에서 봤어요.
다중 지표 조합으로 이상을 판단하는 방식이 더 정확하다는 걸 그때 이해했습니다. 다중 지표 조합으로 이상을 판단하는 방식이 더 정확하다는 걸 케이스 분석에서 이해했어요. 단일 지표만으로는 공격과 정상 이벤트를 구분하기 어렵다는 점이 이상 탐지 설계의 핵심이었습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 토스 인프라/클라우드 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.