DOPモニタリングとロギング
ECサイトのオーダー処理サービスは毎週金〜日曜日にレスポンスタイムが平日の3倍になる季節性のトラフィックパターンがあります。現在の静的CloudWatchアラーム（閾値：平均レスポンス500ms超で発報）は、週末の正常なトラフィック増加でも大量の誤検知を発生させており、運用チームがアラート疲れに陥っています。誤検知を最小化しながら本物の性能劣化を検出するための最善策はどれですか？
Aアラーム閾値を週末ピーク値の1500msに変更し、平日は500msに戻すLambdaスケジューラーを設定する
Lambdaスケジューラーで閾値を手動切り替えする方法は、週末以外にも変動するトラフィックパターンには対応しきれず、管理コストが高くなります。
BCloudWatch Anomaly Detectionを使用して過去のメトリクスからMLモデルを構築し、動的バンドの上限を超えた場合に発報する異常検知アラームを設定する
✓ 正解
CloudWatch Anomaly DetectionはMLを使って時間帯・曜日・季節性を学習した動的閾値バンドを自動構築します。週末のトラフィック増加は学習済みパターンとして認識されるため誤検知が激減し、同一曜日・時間帯の過去値と比較して真の異常のみを検出できます。
CCloudWatch Composite Alarmを使用して、レスポンスタイムアラームとエラーレートアラームの両方がALARMのときのみ通知するよう設定する
Composite Alarmで誤検知を部分的に削減できますが、週末パターンの自動学習は行わないため、週末の正常なトラフィック増加によるアラートを根本的に解決できません。
Dカスタムメトリクスとして同時接続数で正規化したレスポンスタイム（ms/conn）を計算してCloudWatchに送信し、そのメトリクスにアラームを設定する
カスタムメトリクスは同時接続数の取得に追加実装が必要で管理コストが高くなります。また、接続数の増加とレスポンスタイムの悪化が必ずしも線形でないため、指標として不完全な場合があります。
解説
CloudWatch Anomaly DetectionはMLを使って時間帯・曜日・季節性を学習した動的閾値バンドを自動構築します。週末のトラフィック増加は学習済みパターンとして認識されるため誤検知が激減し、同一曜日・時間帯の過去値と比較して真の異常のみを検出できます。
選択肢Aの Lambdaスケジューラーで閾値を手動切り替えする方法は、週末以外にも変動するトラフィックパターンには対応しきれず、管理コストが高くなります。
選択肢Cの Composite Alarmで誤検知を部分的に削減できますが、週末パターンの自動学習は行わないため、週末の正常なトラフィック増加によるアラートを根本的に解決できません。
選択肢Dの カスタムメトリクスは同時接続数の取得に追加実装が必要で管理コストが高くなります。また、接続数の増加とレスポンスタイムの悪化が必ずしも線形でないため、指標として不完全な場合があります。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでDOPを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →