datadog·2018년 11월 1일원문

Datadog 로그 관리로 신뢰도 향상 (새 탭에서 열림)

Datadog은 비밀번호 재설정과 같은 중요 이메일의 전송 신뢰성과 가시성을 확보하기 위해 Amazon SES와 자사의 로그 관리 솔루션을 결합한 서버less 모니터링 시스템을 구축했습니다. 기존 Amazon SES와 CloudWatch만으로는 특정 수신자의 이메일 수신 여부 등을 실시간으로 파악하고 대응하기에 한계가 있었으나, 이 파이프라인을 통해 지원팀이 즉각적으로 문제를 진단할 수 있게 되었습니다. 결과적으로 최소한의 유지보수로 운영 효율성을 높이면서도 전송 프로세스 전반에 대한 높은 수준의 관측성을 확보했습니다. **Amazon SES 이벤트 추출 및 파이프라인 구성** * **이벤트 트리거 설정**: Amazon SES의 'Configuration Sets'를 사용하여 이메일 전송 과정에서 발생하는 bounce, click, complaint, delivery, open, reject, send 등 모든 주요 이벤트를 추적합니다. * **서버리스 아키텍처**: SES에서 발생한 이벤트는 Amazon SNS(Simple Notification Service)로 게시되며, 이는 다시 AWS Lambda 함수를 실행시키는 트리거가 됩니다. * **데이터 전달**: Lambda 함수는 수신된 이메일 이벤트를 Datadog Log Management로 전달합니다. 이 과정에서 Terraform을 사용하여 SNS 토픽 생성, SES 이벤트 대상 지정, IAM 역할 및 Lambda 함수 구성을 코드 기반(IaC)으로 관리합니다. * **안전한 인증**: 프로덕션 환경에서는 Datadog API Key를 암호화하여 보안을 강화할 것을 권장합니다. **Datadog에서의 데이터 가시성 및 인덱싱** * **자동 파싱**: AWS에서 Datadog으로 전송된 로그는 JSON 형식으로 전달되어 Datadog의 기존 통합 파이프라인을 통해 자동으로 처리됩니다. * **패싯(Facet) 활용**: 이메일 이벤트 유형(event type)이나 제목(subject)과 같은 주요 파라미터를 '패싯'으로 변환하여, 지원팀이 특정 이메일 로그를 단 한 번의 클릭으로 쉽게 검색하고 필터링할 수 있게 구성합니다. * **로그 기반 모니터링**: 인덱싱된 데이터를 바탕으로 대시보드를 구성하거나, 특정 이벤트(예: 높은 바운스율) 발생 시 알림을 받을 수 있도록 모니터를 설정할 수 있습니다. **실용적인 결론 및 제언** Amazon SES와 같은 관리형 서비스와 중앙 집중식 로그 분석 도구를 연동하면 이메일 인프라를 직접 운영하는 부담을 줄이면서도 운영 복잡성을 해결할 수 있습니다. 특히 비밀번호 재설정과 같이 성공률이 중요한 서비스의 경우, 단순히 '전송됨' 상태를 확인하는 것을 넘어 전체 파이프라인에 대한 실시간 알림 시스템을 구축하는 것이 고객 지원의 품질을 높이는 핵심적인 방법입니다.

데이터베이스 설계datadog로그 관리AWS+4

datadog·2018년 11월 1일·2분 읽기큐레이션 요약

Datadog 로그 관리를

Datadog이 Gartner의 2026년 Observability Platforms 매직 쿼드런트에서 ‘Leader’로 선정되었다는 내용이 핵심입니다. 다만 제공된 텍스트에는 본문보다 Datadog 제품 메뉴와 링크 목록이 대부분 포함되어 있어, 선정 근거와 기술적 세부 내용은 확인할 수 없습니다. ### Gartner 매직 쿼드런트 선정 - Datadog은 Gartner의 **Observability Platforms** 부문에서 Leader로 소개됩니다. - 관련 자료 링크는 2026년 Gartner 평가 보고서로 연결됩니다. - 제공된 내용만으로는 평가 기준, 경쟁사 비교, Datadog의 구체적인 점수는 알 수 없습니다. ### Datadog의 관측성 제품 범위 - **인프라 모니터링** - 메트릭, 컨테이너, Kubernetes 오토스케일링 - 네트워크, 서버리스, GPU, 스토리지 및 클라우드 비용 모니터링 - **애플리케이션 모니터링** - APM, 서비스 모니터링, 연속 프로파일링 - 동적 계측과 AI 에이전트 관측성 - **로그 및 데이터 관리** - Log Management - 민감 데이터 검색, 감사 추적, Observability Pipelines - 데이터베이스·데이터 스트림·데이터 품질 모니터링 - **디지털 경험** - 브라우저·모바일 RUM - 세션 리플레이, 신세틱 모니터링, 오류 추적 - **서비스 관리** - 이벤트 관리, SLO, 인시던트 대응 - 워크플로 자동화, 서비스 카탈로그, Watchdog - **AI 기능** - Bits AI 에이전트와 조사 기능 - AI 통합, MCP 서버, GPU 모니터링 ### 로그 관리와 신뢰성 - 링크 목록에는 **“Improving trust with Datadog Log Management”**라는 엔지니어링 글이 포함되어 있습니다. - 그러나 해당 글의 본문은 제공되지 않아 다음과 같은 세부 사항은 요약할 수 없습니다. - 로그 수집 및 저장 구조 - 데이터 무결성·신뢰성 개선 방식 - 파이프라인 처리와 보안 기능 - 성능 또는 비용 개선 결과 제공된 자료만 기준으로 하면, Datadog은 인프라·애플리케이션·로그·보안·사용자 경험·AI를 하나의 플랫폼으로 통합하는 전략을 강조하고 있습니다. 정확한 기술적 결론을 얻으려면 Gartner 보고서나 연결된 엔지니어링 글의 본문이 추가로 필요합니다.

원문 읽기(새 탭에서 열림)

쿠버네티스datadog옵저버빌리티애플리케이션 성능 모니터링+3

datadog·2018년 8월 13일·2분 읽기큐레이션 요약

Kafka-Kit 소개: Kafka

Datadog이 Gartner의 ‘Observability Platforms’ 매직 쿼드런트에서 리더로 선정됐다는 홍보 문구와 관련 링크가 제시되어 있습니다. 그러나 제공된 내용 대부분은 Datadog 웹사이트의 내비게이션 메뉴이며, 선정 근거·평가 기준·기술적 분석 같은 본문은 포함되어 있지 않습니다. 따라서 이 자료만으로는 실제 블로그 글의 주장이나 결론을 구체적으로 요약하기 어렵습니다. ### Gartner 매직 쿼드런트 리더 선정 - 제목과 링크를 통해 Datadog이 Gartner의 Observability Platforms 부문에서 ‘Leader’로 평가됐음을 알립니다. - 다만 다음과 같은 핵심 정보는 제공되지 않았습니다. - 평가 대상 플랫폼과 비교 업체 - Gartner의 평가 기준 - Datadog의 실행력 및 비전 점수 - 리더로 선정된 구체적인 이유 - 보고서의 한계나 Gartner의 공식 면책 문구 ### Datadog의 관측성 제품 구성 제공된 메뉴는 Datadog이 단일 모니터링 도구가 아니라 여러 운영 영역을 포괄하는 플랫폼임을 보여줍니다. - **인프라** - 인프라·컨테이너·네트워크 모니터링 - 메트릭, 서버리스, GPU, 클라우드 비용 관리 - Kubernetes 오토스케일링 및 스토리지 관리 - **애플리케이션** - APM, 서비스 모니터링, 지속적 프로파일링 - 동적 계측 및 AI 에이전트 관측성 - **데이터와 로그** - 데이터베이스·데이터 스트림 모니터링 - 로그 관리, 민감 데이터 탐지, 감사 추적 - 관측성 파이프라인 - **보안** - 클라우드 보안, SIEM, 취약점 관리 - 코드·구성·런타임 보안 - 워크로드 및 애플리케이션/API 보호 - **디지털 경험** - 브라우저·모바일 RUM - 세션 리플레이, 신세틱 모니터링, 오류 추적 - **소프트웨어 공급망과 서비스 관리** - CI 가시성, 테스트 최적화, 코드 커버리지 - 인시던트 대응, SLO, 이벤트 관리, 워크플로 자동화 - **AI** - AI 에이전트 관측성, GPU 모니터링 - AI 에이전트, 조사, 보안 분석 기능 ### Kafka Kit 관련 링크 - 메뉴 상단에는 “scaling Kafka를 위한 Kafka Kit 도구 소개”라는 엔지니어링 블로그 링크가 포함되어 있습니다. - 하지만 Kafka Kit의 구성 요소, 확장 방식, 운영 문제 해결 방법 등 본문 내용은 제공되지 않았습니다. - 따라서 해당 글이 Gartner 선정 글과 직접 관련이 있는지, 별도의 링크가 단순히 페이지에 포함된 것인지는 판단할 수 없습니다. 실제 기술적 요약이 필요하다면 Gartner 평가 보고서 또는 블로그 본문 전체를 제공해야 합니다. 현재 자료만으로는 Datadog이 폭넓은 관측성·보안·개발 운영 기능을 제공하며 Gartner 리더 선정을 홍보한다는 정도만 확인할 수 있습니다.

원문 읽기(새 탭에서 열림)

쿠버네티스datadog옵저버빌리티애플리케이션 성능 모니터링+4

datadog·2018년 8월 13일원문

Kafka-Kit 소개: Kafka 확장을 위한 도구들 (새 탭에서 열림)

데이터독(Datadog)은 매일 수조 개의 데이터 포인트를 처리하기 위해 대규모 카프카(Kafka) 클러스터를 운영하며, 이 과정에서 발생하는 대규모 데이터 이동과 스케일링 문제를 해결하기 위해 **'Kafka-Kit'**을 개발하여 공개했습니다. 이 툴킷은 기존 카프카 표준 도구들의 제약을 넘어 파티션 재배치, 장애 브로커 교체, 저장 용량 기반의 리밸런싱 등을 자동화하고 최적화합니다. 결과적으로 데이터독은 복잡한 카프카 운영 업무를 보다 안정적이고 예측 가능한 방식으로 관리할 수 있게 되었습니다. ### Kafka-Kit의 구성과 목적 * **핵심 도구:** `topicmappr`와 `autothrottle`이라는 두 가지 주요 도구로 구성됩니다. * **주요 기능:** 브로커와 파티션 간의 매핑 관리, 장애 브로커 발생 시 자동 교체, 저장 용량 기반의 파티션 리밸런싱, 복제 속도 자동 제한(Throttling) 기능을 제공합니다. * **개발 배경:** 시스템이 커짐에 따라 데이터 이동 빈도와 크기가 기하급수적으로 늘어나는데, 카프카 기본 도구만으로는 고도의 운영 유연성을 확보하기 어렵다는 점을 해결하기 위해 구축되었습니다. ### 효율적인 데이터 배치를 위한 topicmappr * **결정론적 출력:** 동일한 입력에 대해 항상 동일한 파티션 맵을 생성하여 운영의 예측 가능성을 높입니다. * **최소 이동 브로커 교체:** 브로커 교체 시 전체 맵을 새로 짜는 대신, 문제가 생긴 브로커의 빈자리만 채우는 방식으로 데이터 이동을 최소화합니다. 기본적으로 ISR(In-Sync Replicas) 상태가 정상인 파티션은 건드리지 않습니다. * **랙(Rack) 및 저장 공간 인지:** 카프카의 `broker.rack` 태그와 주키퍼(ZooKeeper) 메타데이터를 활용하여 물리적 위치와 저장 용량(Bin-packing)을 고려한 안전한 배치를 수행합니다. * **복제 계수(RF) 조정:** 운영 중인 토픽의 복제 계수를 실시간으로 쉽고 빠르게 변경할 수 있습니다. * **실행 요약 제공:** 파티션 맵을 실제로 적용하기 전, 브로커 분포 변화와 예상 결과를 요약하여 사용자에게 미리 보여줍니다. ### 파티션 배치 전략: Count 전략 * **리더십 최적화:** 브로커 간의 리더 파티션 분포를 극대화하고, 각 브로커가 보유하는 파티션 수를 균등하게 유지합니다. * **균등한 데이터 흐름:** 모든 파티션에서 일정한 데이터 흐름이 예상될 때 유용하며, 메트릭 데이터 없이도 빠르게 맵을 생성할 수 있습니다. * **브로커 관계 다양화:** 단순히 파티션 수만 맞추는 것이 아니라, 특정 브로커들끼리만 복제본을 공유하는 '클러스터링' 현상을 방지하기 위해 브로커 간의 복제 관계를 최대한 분산시킵니다. ### 기술적 구현 및 운영 이점 * `topicmappr`는 Go 언어로 작성되어 실행 파일 형태로 어디서든 쉽게 구동할 수 있으며, 주키퍼 클러스터와 통신하여 실시간 메타데이터를 확인합니다. * 지정된 모든 브로커의 활성 상태를 검증하고, 파티션 맵을 생성하기에 충분한 브로커가 있는지 사전에 체크하여 운영 실수를 방지합니다. * 표준 `kafka-reassign-partitions.sh`와 호환되는 입력 파일을 생성하므로 기존 워크플로우에 쉽게 통합할 수 있습니다. 대규모 카프카 환경에서 데이터 불균형이나 브로커 장애 대응으로 고민하고 있다면, 단순한 파티션 분산을 넘어 저장 용량과 물리적 인프라 구조를 모두 고려하는 Kafka-Kit 도입을 검토해 볼 가치가 있습니다.

데이터베이스 설계Apache Kafkazookeeperkafka-kit+4

datadog·2018년 4월 24일원문

Datadog APM을 사용하여 Homebrew 성능 개선 (새 탭에서 열림)

이 글은 Datadog의 소프트웨어 엔지니어링 인턴인 Andrew Robert McBurney가 오픈 소스 프로젝트인 Homebrew의 `brew linkage` 명령어 성능을 개선한 과정을 다룹니다. Datadog의 APM 도구와 플레임 그래프를 활용해 병목 지점을 정확히 파악했으며, 캐싱 메커니즘을 도입하여 패키지 검사 속도를 획기적으로 향상시켰습니다. 결과적으로 106개 패키지 처리 시간을 11.5초에서 182밀리초로 단축하며 프로젝트의 요구 성능을 성공적으로 충족했습니다. ### APM을 활용한 성능 병목 지점 탐색 * Datadog의 `ddtrace` 젬(gem)을 사용해 Homebrew의 루비 코드를 인스트루먼테이션(instrumentation)하여 실행 데이터를 수집했습니다. * 수집된 데이터를 플레임 그래프로 시각화하여 분석한 결과, `LinkageChecker::check_dylibs` 함수가 전체 실행 시간의 대부분을 차지하는 병목 지점임을 확인했습니다. * 이 함수는 패키지의 동적 라이브러리 링크를 확인하고 이를 시스템 라이브러리, 깨진 링크, 선언되지 않은 의존성 등으로 분류하는 복잡한 작업을 수행합니다. ### 멀티스레딩의 한계와 캐싱 전략 도입 * 초기에는 루비의 `Thread` 프리미티티브를 이용한 멀티스레딩으로 성능 개선을 시도했으나, 루비의 **GIL(Global Interpreter Lock)** 제한으로 인해 기대했던 성능 향상을 얻지 못했습니다. * 대안으로 SQLite3를 이용한 온디스크(on-disk) 캐싱 메커니즘을 설계하여, 한 번 계산된 연결성 정보를 영구 저장하고 재사용하도록 했습니다. * SQLite3 기반 캐싱 도입 후, `boost` 라이브러리 검사 시간이 1.01초에서 1.38밀리초로 줄어드는 등 전체적인 명령 처리 속도가 비약적으로 개선되었습니다. ### 의존성을 고려한 PStore 기반 최종 최적화 * Homebrew 유지관리자의 피드백을 반영하여, 외부 의존성인 SQLite3 젬 대신 루비 표준 라이브러리인 **PStore**로 캐싱 구현을 교체했습니다. * PStore는 루비 객체를 파일에 영구적으로 저장하는 해시 기반의 메커니즘으로, 추가적인 외부 라이브러리 설치 없이도 SQLite3와 유사한 성능 이점을 제공합니다. * 이 과정을 통해 대규모 오픈 소스 프로젝트에서는 성능 최적화만큼이나 의존성 관리와 표준 라이브러리 활용이 중요하다는 점을 입증했습니다. ### 실용적인 결론 성능 최적화 시 직관에 의존하기보다 APM과 같은 도구를 사용하여 데이터 기반으로 병목을 찾는 것이 중요합니다. 특히 루비 환경에서는 GIL로 인해 병렬 처리가 제한적일 수 있으므로, 연산량이 많은 작업은 캐싱을 통해 중복 계산을 피하는 것이 가장 효과적인 전략이 될 수 있습니다. 또한, 오픈 소스 기여 시에는 프로젝트의 경량성을 유지하기 위해 가급적 표준 라이브러리(예: PStore)를 활용하는 것을 권장합니다.

datadog애플리케이션 성능 모니터링성능 최적화caching+4

datadog·2018년 4월 24일·2분 읽기큐레이션 요약

Datadog APM을 사용하여 Home

Datadog은 자사가 Gartner®의 ‘Observability Platforms’ 매직 쿼드런트에서 Leader로 선정되었다고 소개합니다. 그러나 제공된 내용에는 평가 근거, 경쟁사 비교, 제품 분석 등 본문이 포함되지 않고 Datadog 웹사이트의 제품 메뉴와 링크가 대부분입니다. 따라서 글의 구체적인 주장과 결론은 제한적으로만 요약할 수 있습니다. ### Gartner 매직 쿼드런트 선정 - 글의 제목은 Datadog이 관측성 플랫폼 분야에서 Gartner의 Leader로 평가받았다는 내용입니다. - 다만 제공된 텍스트에는 다음 정보가 없습니다. - Gartner의 평가 기준 - Datadog의 강점과 약점 - 시장 내 경쟁사와의 비교 - 평가 시점과 구체적인 순위 - 따라서 ‘Leader’ 선정은 Datadog의 홍보성 핵심 메시지로 확인되지만, 객관적인 평가 내용까지 검증할 수는 없습니다. ### Datadog의 인프라 및 애플리케이션 관측성 - 인프라 영역에서는 인프라 모니터링, 메트릭, 컨테이너, Kubernetes 오토스케일링, 네트워크, 서버리스 등을 제공합니다. - 애플리케이션 영역에서는 다음 기능을 포함합니다. - APM(Application Performance Monitoring) - 서비스 모니터링 - 지속적 프로파일링 - 동적 계측 - AI 에이전트 관측성 - 데이터베이스, 데이터 스트림, 작업 실행 및 데이터 품질 모니터링도 별도 제품군으로 구성되어 있습니다. ### 로그와 보안 기능 - 로그 관리, 민감 데이터 탐지, 감사 추적, 관측성 파이프라인 기능을 제공합니다. - 보안 플랫폼에는 다음 영역이 포함됩니다. - 코드 및 구성 보안 - 취약점 관리 - 클라우드 보안과 SIEM - 워크로드 보호 - 애플리케이션·API 보호 - 비밀정보 스캔 - 다만 해당 기능들이 Gartner 평가에 어떻게 반영되었는지는 제공된 본문에서 설명되지 않습니다. ### 디지털 경험과 소프트웨어 전달 - 브라우저·모바일 RUM, 세션 리플레이, 합성 모니터링, 오류 추적 등을 통해 사용자 경험을 관찰할 수 있습니다. - CI Visibility, 테스트 최적화, 지속적 테스트, 코드 커버리지, 기능 플래그 등 소프트웨어 전달 과정도 지원합니다. - 서비스 카탈로그, SLO, 인시던트 대응, 이벤트 관리, 워크플로 자동화 같은 서비스 관리 기능도 포함되어 있습니다. ### AI 기반 운영 기능 - Datadog은 AI 에이전트 관측성, GPU 모니터링, AI 통합, Bits AI 에이전트와 조사 기능 등을 제품군으로 제시합니다. - 하지만 제공된 내용에는 AI 기능의 실제 동작 방식, 정확도, 적용 사례 또는 Gartner 평가와의 연관성이 설명되어 있지 않습니다. 실제 평가 결과를 정확히 이해하려면 Gartner 원문 보고서나 글의 본문 전체가 추가로 필요합니다. 현재 제공된 자료만으로는 “Datadog이 Leader로 선정되었다는 발표와 광범위한 제품군 소개” 정도만 확인할 수 있습니다.

원문 읽기(새 탭에서 열림)

쿠버네티스datadog옵저버빌리티애플리케이션 성능 모니터링+4

datadog·2018년 4월 16일·2분 읽기큐레이션 요약

Cgo와 Python | Dat

Datadog은 Gartner의 2026년 Observability Platforms 매직 쿼드런트에서 ‘Leader’로 선정되었다고 소개합니다. 제공된 내용은 이 평가 결과를 알리는 페이지 제목과 Datadog 제품 메뉴 중심으로 구성되어 있어, 구체적인 평가 기준이나 경쟁사 비교, 선정 근거는 확인할 수 없습니다. ### Gartner 매직 쿼드런트 리더 선정 - Datadog이 Gartner® Magic Quadrant™ for Observability Platforms 2026에서 Leader로 분류되었다는 내용입니다. - 링크는 Gartner 보고서 또는 관련 리소스 다운로드 페이지로 연결됩니다. - 본문 원문이 제공되지 않아 Gartner가 평가한 실행 능력, 비전 완성도, 점수 등의 세부 내용은 알 수 없습니다. ### 통합 옵저버빌리티 플랫폼 제공된 제품 목록에 따르면 Datadog은 다음 영역을 하나의 플랫폼에서 제공하는 전략을 강조합니다. - **인프라 모니터링** - 메트릭, 컨테이너, Kubernetes 오토스케일링 - 네트워크, 서버리스, GPU, 스토리지 및 클라우드 비용 모니터링 - **애플리케이션 성능 관리** - APM, 서비스 모니터링, 코드 프로파일링 - 동적 계측과 AI 에이전트 관측성 - **로그 및 데이터 관측성** - 로그 관리, 데이터베이스 모니터링 - 데이터 스트림, 데이터 품질, 작업 모니터링 - 민감 데이터 탐지와 옵저버빌리티 파이프라인 - **디지털 경험** - 브라우저·모바일 RUM - 세션 리플레이, 합성 모니터링, 오류 추적 - 제품 분석과 모바일 앱 테스트 ### 보안과 소프트웨어 운영 범위 확장 - 코드 보안, SAST, IAST, 소프트웨어 구성 분석을 제공합니다. - 클라우드 보안, 취약점 관리, CSPM, CIEM, Cloud SIEM 등을 포함합니다. - CI 가시성, 테스트 최적화, 코드 커버리지, 기능 플래그 등 소프트웨어 전달 과정도 관측 대상에 포함합니다. - 이벤트 관리, SLO, 인시던트 대응, 서비스 카탈로그, 워크플로 자동화로 운영 관리까지 확장합니다. ### AI 기반 운영 지원 - Bits AI Agents, Bits Chat, Bits Investigation 등 AI 기능을 제공합니다. - AI 에이전트의 동작을 관찰하는 Agent Observability와 AI 인프라의 GPU 모니터링을 함께 제공합니다. - MCP Server, 에이전트 디렉터리, 에이전트 빌더 등을 통해 AI 도구와 Datadog 데이터를 연결하려는 방향을 보여줍니다. 실무적으로는 ‘Leader’ 선정 자체보다 Gartner 보고서 원문에서 평가 기준과 제한 사항을 확인하는 것이 중요합니다. Datadog 도입을 검토한다면 인프라·로그·APM·보안 데이터를 통합해야 하는지, 그리고 사용량 기반 비용과 데이터 보존 정책이 조직 요구에 맞는지 함께 비교하는 것이 좋습니다.

원문 읽기(새 탭에서 열림)

쿠버네티스datadog옵저버빌리티애플리케이션 성능 모니터링+3

datadog·2018년 4월 16일원문

Cgo와 파이썬 (새 탭에서 열림)

Go 애플리케이션에 CPython 인터프리터를 내장하면 기존의 풍부한 Python 라이브러리를 재사용하거나 런타임에 코드를 동적으로 확장할 수 있는 강력한 유연성을 얻을 수 있습니다. Datadog은 에이전트의 핵심 로직을 Go로 전환하면서도 기존의 Python 기반 체크 로직을 유지하기 위해 이 방식을 채택했으며, 이를 통해 전체 프로그램을 다시 컴파일하지 않고도 커스텀 체크를 실행할 수 있는 구조를 완성했습니다. 결과적으로 `cgo`와 인터프리터 추상화 레이어를 활용하면 Go의 성능과 Python의 유연성을 동시에 확보하는 것이 가능합니다. ## Python을 Go에 내장해야 하는 이유 * **점진적 포팅:** 기존 Python 프로젝트를 Go로 옮길 때 모든 기능을 한 번에 재구현할 필요 없이, 부분적으로 기능을 이전하며 안정성을 유지할 수 있습니다. * **기존 라이브러리 재사용:** 새로운 언어로 다시 작성하기 까다로운 방대한 Python 라이브러리나 기존 소프트웨어 자산을 그대로 가져와 사용할 수 있습니다. * **동적 확장성:** 런타임에 외부 Python 스크립트를 로드하고 실행할 수 있어, 애플리케이션을 다시 컴파일하거나 배포하지 않고도 기능을 추가하거나 수정할 수 있습니다. * **Datadog의 사례:** 사용자가 직접 작성한 커스텀 체크 로직을 에이전트 재빌드 없이 즉시 실행하기 위해 이 기술을 핵심적으로 활용합니다. ## cgo를 이용한 언어 간 인터페이스(FFI) 구현 * **cgo의 역할:** CPython 인터프리터는 C로 작성되었으며 C API를 제공하기 때문에, Go에서 이를 호출하기 위해서는 외래 함수 인터페이스(FFI)인 `cgo`를 반드시 사용해야 합니다. * **프리앰블(Preamble) 활용:** `import "C"` 바로 위에 주석으로 C 코드를 작성하는 프리앰블 형식을 통해 `#include <Python.h>`와 같은 헤더 파일을 포함하고 C 함수에 접근합니다. * **빌드 프로세스:** `go build` 시 `cgo` 도구는 내부적으로 C와 Go 모듈을 생성하며, 각각의 컴파일러를 호출한 뒤 최종적으로 링커를 통해 하나의 바이너리로 합칩니다. * **환경 설정:** `#cgo pkg-config: python-2.7` 지시자를 사용하면 시스템의 `pkg-config`를 통해 컴파일 및 링크에 필요한 플래그를 자동으로 가져와 빌드 과정을 간소화할 수 있습니다. ## 인터프리터 제어와 go-python 라이브러리 * **인터프리터 생명주기:** Go 프로그램 내에서 Python 코드를 실행하려면 `Py_Initialize()`로 인터프리터를 시작하고, 작업이 끝나면 `Py_Finalize()`로 자원을 해제해야 합니다. * **추상화 레이어:** 직접적인 `cgo` 호출은 코드가 복잡해질 수 있으므로, Datadog은 `go-python`과 같은 래퍼 라이브러리를 사용하여 더 Go다운(idiomatic) 방식으로 Python API를 다룹니다. * **모듈 로드 및 실행:** `PyImport_ImportModule`로 디스크의 Python 파일을 가져오고, `GetAttrString`으로 특정 함수를 찾아 `Call` 메서드로 실행하는 일련의 과정을 Go 코드로 구현할 수 있습니다. * **기술적 세부사항:** Python 함수에 인자가 없더라도 C API 수준에서는 빈 튜플(`PyTuple_New(0)`)과 빈 딕셔너리(`PyDict_New()`)를 명시적으로 전달해야 하는 등의 규칙을 준수해야 합니다. Go의 정적 타입 시스템과 고성능 환경을 유지하면서도 Python의 생태계를 활용하고 싶다면 CPython 임베딩은 매우 실무적인 선택지입니다. 특히 `go-python`과 같은 라이브러리를 통해 `cgo`의 복잡성을 걷어내면 유지보수가 용이한 확장형 아키텍처를 구축할 수 있습니다.

데이터베이스 설계PythonGodatadog-agent+4

datadog·2018년 3월 23일원문

제품 디자이너가 설명형 저널리즘에서 배울 수 있는 것 (새 탭에서 열림)

뛰어난 제품 디자이너가 되기 위해서는 단순히 화면을 그리는 능력을 넘어, 복잡한 정보를 명확하게 전달하는 '해설 저널리즘(Explanatory Journalism)'의 원칙을 배워야 합니다. 최신 정보의 홍수 속에서 중요한 맥락을 놓치지 않고, 파편화된 이해관계자들의 요구사항을 하나의 논리로 엮어내는 '설명자'로서의 역량이 디자인의 성패를 결정합니다. 결국 체계적인 기록과 맥락의 통합을 통해 디자인 결정의 근거를 단단히 구축하는 것이 더 나은 디자이너로 성장하는 핵심입니다. **신규성보다 중요성 우선하기** * 뉴스 피드가 끊임없이 최신 정보를 쏟아내듯, 디자이너도 매일 접하는 고객 문의나 회의록 등 최신 피드백에 매몰되기 쉽습니다. * 최신 정보가 반드시 가장 중요한 정보는 아니며, 산재한 피드백을 한곳에 모아 전체적인 관점에서 가중치를 부여해야 합니다. * 가장 가치 있는 고객의 목소리나 반복되는 요청 사항을 식별하여 데이터에 기반한 우선순위를 설정하는 체계가 필요합니다. **맥락 붕괴 방지와 맞춤형 설명** * '맥락 붕괴(Context Collapse)'는 다양한 배경을 가진 청중이 하나의 메시지를 각기 다른 맥락으로 받아들일 때 발생합니다. * 제품 디자인 과정에는 고객 지원팀, 영업팀, 디자인 연구원, 경영진 등 서로 다른 목표를 가진 이해관계자들이 개입합니다. * 디자이너는 단순히 시안을 보여주는 것에 그치지 않고, 각 그룹이 제공한 맥락이 솔루션에 어떻게 반영되었는지(혹은 왜 반영되지 않았는지) 대상에 맞춰 적절히 프레임화하여 설명해야 합니다. **기록을 통한 확장과 축소의 프로세스** * 디자인 프로세스는 연구 데이터를 수집하는 '확장' 단계와 이를 요약하는 '축소' 단계로 나뉩니다. * 디지털 환경은 지면의 제약이 없으므로, 조사 내용과 데이터, 선례들을 상세하게 기록하는 '페이퍼 트레일(Papertrail)'을 구축해야 합니다. * 철저하게 조직된 기록이 뒷받침될 때 비로소 핵심을 찌르는 간결한 요약이 가능해지며, 필요할 때마다 상세한 근거로 연결되는 논리적 구조를 만들 수 있습니다. 디자이너는 사용자 경험(UX)과 기능의 접점을 책임지는 사람으로서, 자신의 결정을 증명할 수 있는 '기록의 기준'을 스스로 세워야 합니다. 인터뷰 노트 하나부터 체계적으로 문서화하고 이를 팀 내 공유 자산으로 활용한다면, 비즈니스 로직에 집중하는 기획자(PM)와 협업하며 제품의 완성도를 높이는 강력한 무기를 갖게 될 것입니다.

사용자 경험프로덕트 디자인interaction-designsocial-media+4

datadog·2018년 3월 23일원문

프로덕트 디자이너 (새 탭에서 열림)

훌륭한 제품 디자이너가 되기 위해서는 단순히 결과물을 만드는 것을 넘어, 디자인의 배경과 맥락을 효과적으로 전달하는 '설명가'의 역량이 필요합니다. 이는 단편적인 사실 보도를 넘어 복잡한 사건의 맥락을 짚어주는 '해설 저널리즘(Explanatory Journalism)'과 맥을 같이 하며, 디자이너는 파편화된 정보를 통합하여 이해관계자들에게 올바른 맥락을 제공해야 합니다. 결과적으로 철저한 기록을 통해 구축한 '페이퍼 트레일(Papertrail)'은 디자인 의사결정의 강력한 근거가 되며 팀 전체의 이해도를 높이는 핵심 자산이 됩니다. ## 최신 정보보다 중요한 가치에 집중하기 * 뉴스 피드나 소셜 미디어처럼 실시간으로 쏟아지는 정보(CS 티켓, 회의록, 고객 통화 등)는 '최신성'을 이유로 판단력을 흐리게 만들 수 있습니다. * 디자이너는 이러한 파편화된 피드백을 한데 모으고 출처를 명확히 함으로써, 단순한 최신 요청이 아닌 비즈니스 가치가 높은 '중요한 문제'를 식별해야 합니다. * 다수의 사용자가 공통으로 요청하는 사항을 수치화하고 우선순위를 정하는 과정을 통해, 근거 없는 편향에 빠지지 않고 객관적인 의사결정을 내릴 수 있습니다. ## 맥락의 붕괴(Context Collapse) 방지 * '맥락의 붕괴'는 소셜 미디어처럼 다양한 청중이 하나의 메시지를 각기 다른 맥락으로 받아들일 때 발생하며, 이는 기업 내 협업 과정에서도 빈번하게 나타납니다. * 고객 지원 팀의 티켓, 영업 팀의 요구사항, 연구원의 인터뷰 노트, 경영진의 목표 등 서로 다른 맥락의 정보들을 한곳에 수집하고 통합하는 작업이 선행되어야 합니다. * 디자인 리뷰 시 단순히 결과물만 보여주는 것이 아니라, 수집된 다양한 요구사항들이 최종 솔루션에 어떻게 반영되었는지 각 이해관계자의 언어와 맥락에 맞춰 설명해야 합니다. ## 페이퍼 트레일(Papertrail)을 통한 정보의 확장과 수축 * 디자인 프로세스는 방대한 리서치와 데이터를 수집하는 '확장' 단계와 이를 핵심 요구사항으로 정제하는 '수축' 단계로 나뉩니다. * 인터뷰 기록, 리서치 테마 등을 문서화한 '페이퍼 트레일'을 구축하면 문제 정의가 명확해질 뿐만 아니라, 솔루션의 제약 조건을 설정하는 데 큰 도움이 됩니다. * 풍부한 배경 자료를 스스로 잘 이해하고 있을 때 비로소 타인을 위한 간결하고 효과적인 요약이 가능해지며, 필요시 상세 근거로 바로 연결할 수 있는 신뢰성을 확보하게 됩니다. ## 제품 디자이너와 PM의 역할 협업 * 제품 디자이너는 워크플로우, 인터랙션 디자인, 기능의 세부적인 사용성(Usability)에 집중하여 맥락을 구축해야 합니다. * 이는 제품 관리자(PM)가 수익 모델, 개발 비용, 비즈니스 우선순위 등 사업적 측면에 집중할 수 있도록 돕는 역할을 합니다. * 사용자 경험(UX)의 소유권을 가진 디자이너라면 리서치부터 사후 관리까지 모든 과정의 '맥락'을 관리하는 책임감을 가져야 합니다. 성공적인 디자인을 위해서는 리서치 단계에서부터 인터뷰 대상자의 배경, 핵심 인사이트, 후속 조치 등을 꼼꼼히 기록하는 습관을 들여야 합니다. 이러한 '기록의 흔적'은 본인뿐만 아니라 팀원들에게도 디자인 결정의 타당성을 증명하는 가장 강력한 도구가 될 것입니다.

데이터베이스 설계프로덕트 디자인usability-testingdesign-research+4

datadog·2017년 9월 20일원문

안전하고(사용하기 편리한) 멀티 AWS 계정 IAM 설정 (새 탭에서 열림)

다수의 AWS 계정을 운영하는 방식은 관리 복잡성을 증가시키지만, 네트워크, API, 컴퓨팅 자원 차원에서 자연스러운 보안 경계를 제공한다는 강력한 이점이 있습니다. 본 글은 중앙 집중화된 단일 계정에서 IAM 사용자를 관리하고, 필요할 때마다 MFA 인증을 거쳐 타 계정의 역할을 수행(Assume Role)하는 보안 패턴을 제안합니다. 이를 통해 사용자 권한 오남용을 방지하고 보안 사고 발생 시 피해 범위(Blast Radius)를 최소화하는 실무적인 다중 계정 관리 체계를 구축할 수 있습니다. ## 다중 AWS 계정 체계의 보안적 이점 계정 분리는 운영 부담을 늘리지만, 보안 측면에서는 다음과 같은 격리 효과를 제공합니다. * **네트워크 수준의 격리:** VPC 피어링을 명시적으로 설정하지 않는 한, 계정 간 네트워크는 완전히 분리됩니다. * **API 수준의 격리:** 특정 계정이 침해되더라도 역할 위임(Role Delegation)이 설정되어 있지 않다면 타 계정의 자원에 접근할 수 없습니다. * **컴퓨팅 및 비용 관리:** 비정상적인 자원 사용(예: 비트코인 채굴 등) 발생 시 계정별 결제 알림이나 CloudTrail 모니터링을 통해 즉각적인 탐지가 가능하며, 계정별 지출 한도를 설정하여 피해를 제한할 수 있습니다. ## 중앙 집중식 IAM 사용자 관리 효율적인 관리를 위해 IAM 사용자는 단 하나의 '메인 계정'에만 존재해야 합니다. * **관리의 추적성:** 입사나 퇴사 시 한 곳에서만 권한을 조정하면 되므로 관리 실수를 줄이고 암호 복잡성 정책 등을 일관되게 적용할 수 있습니다. * **비인가 사용자 탐지:** 메인 계정 외의 다른 계정에서 IAM 사용자가 생성되는 것을 모니터링하여 보안 위협을 실시간으로 감지할 수 있습니다. * **SSO 대비 MFA의 정교함:** 일반적인 SSO(Single Sign-On) 대신 개별 IAM 사용자를 유지하는 이유는 특정 작업 수행 시마다 MFA를 강제하는 등 더 세밀한 보안 제어가 가능하기 때문입니다. ## 최소 권한 원칙과 권한 상승 메커니즘 기본적으로 모든 사용자는 매우 제한적인 권한만을 가지며, 필요 시에만 권한을 높이는 'sudo' 방식을 사용합니다. * **제한된 초기 권한:** 사용자는 자신의 비밀번호 변경, API 키 관리, MFA 기기 등록 등 셀프 서비스 기능 외에는 어떤 자원에도 접근할 수 없는 상태로 시작합니다. 이는 자격 증명이 유출되더라도 공격자가 할 수 있는 일을 극도로 제한합니다. * **역할 전환(Assume Role):** 실제 업무 수행을 위해서는 `sts:AssumeRole` API를 호출하여 타 계정의 역할을 일시적으로 획득해야 합니다. * **세션 수명 제한:** 역할 전환을 통해 발급받은 임시 자격 증명은 기본적으로 1시간의 짧은 수명(TTL)을 가지므로, 자격 증명이 노출되더라도 악용될 수 있는 시간적 창구가 좁습니다. ## MFA 기반의 강력한 보안 통제 모든 권한 상승 과정에는 다요소 인증(MFA)이 필수적으로 결합되어야 합니다. * **MFA 강제화:** 사용자가 특정 역할을 수행하기 위해서는 반드시 활성화된 MFA 기기를 통해 인증을 완료해야만 `sts:AssumeRole` 호출이 성공하도록 설계합니다. * **비용 기반 보안:** MFA는 공격자의 침입 비용을 높이는 역할을 하며, API 키만 탈취한 공격자가 읽기 권한 이상의 동작을 수행하는 것을 효과적으로 차단합니다. ## 직무 기반의 역할 분리 사용자의 활동 영역에 따라 역할을 그룹화하여 관리 효율성을 높입니다. * **도메인별 역할 구성:** 네트워크 및 DNS 관리를 위한 VPC 역할, 컴퓨팅 자원 관리를 위한 EC2 역할, 데이터 저장을 위한 S3 역할 등으로 구분하여 권한을 할당합니다. * **확장성 고려:** 이 모델은 현재 IAM 그룹의 제한 사항을 고려할 때 최대 10개 정도의 계정을 운영하는 환경에 가장 적합하며, 특히 개발 환경보다는 강력한 통제가 필요한 운영(Production) 환경에 최적화되어 있습니다. **결론적으로,** 보안성을 극대화하려면 사용자를 한 곳에서 관리하되 실제 작업은 MFA 인증을 거친 임시 역할을 통해 수행하게 해야 합니다. 이러한 방식은 초기 설정에 노력이 필요하지만, 계정이 늘어남에 따라 발생할 수 있는 보안 사각지대를 없애고 인프라 전체의 가시성을 확보하는 가장 확실한 방법입니다.

AWSapi-securityiammfa+4

datadog·2017년 9월 20일·2분 읽기큐레이션 요약

보안성과 사용성을

Datadog은 자사가 Gartner®의 2026년 Observability Platforms 매직 쿼드런트에서 ‘Leader’로 선정됐다고 소개합니다. 제공된 내용은 이 발표 문구와 Datadog 제품 탐색 메뉴 중심이며, 선정 근거·평가 기준·경쟁사 비교 등 보고서 본문은 포함되어 있지 않습니다. ### Gartner 매직 쿼드런트 선정 발표 - Datadog은 Gartner의 Observability Platforms 부문에서 리더로 평가받았다고 주장합니다. - 링크 제목은 “Datadog named a Leader in the Gartner Magic Quadrant for Observability Platforms”입니다. - 다만 제공된 텍스트만으로는 Gartner가 어떤 실행 역량이나 비전 완성도를 근거로 평가했는지 확인할 수 없습니다. - 따라서 해당 내용은 Datadog의 발표 요약으로 이해해야 하며, 공식 Gartner 보고서의 원문 검토가 필요합니다. ### Datadog의 관측성 제품 범위 - **인프라 모니터링** - 호스트 맵, 메트릭, 컨테이너 및 Kubernetes 모니터링 - 네트워크, 서버리스, GPU, 스토리지, 클라우드 비용 관리 - **애플리케이션 모니터링** - APM, 범용 서비스 모니터링, 지속적 프로파일링 - 동적 계측과 AI 에이전트 관측성 - **로그 및 데이터 관측성** - 로그 관리, 민감 데이터 탐지, 감사 추적 - Observability Pipelines, 데이터베이스·데이터 스트림·작업 모니터링 - **디지털 경험** - 브라우저·모바일 RUM, 세션 리플레이 - 신세틱 모니터링, 오류 추적, 제품 분석 및 실험 - **서비스 관리** - 이벤트 관리, 인시던트 대응, SLO, 서비스 카탈로그 - 워크플로 자동화, 케이스 관리, Watchdog 기반 이상 탐지 - **보안과 소프트웨어 제공** - 클라우드 보안, SIEM, 취약점 및 코드 보안 - CI 가시성, 테스트 최적화, 코드 커버리지, 기능 플래그 - **AI 기능** - Bits AI 에이전트, 조사·보안 분석 기능, MCP 서버 - GPU 모니터링과 AI 에이전트 관측성 ### 플랫폼 통합 전략 - Datadog은 인프라, 애플리케이션, 로그, 보안, 사용자 경험, CI/CD를 하나의 플랫폼에서 제공하는 전략을 내세웁니다. - 대시보드, 알림, 노트북, 접근 제어, 거버넌스 콘솔 등을 통해 여러 운영 데이터를 통합하려는 구조입니다. - 제품 목록상 단순 모니터링을 넘어 인시던트 대응, 자동화, 보안 분석, AI 기반 조사까지 범위를 확장하고 있습니다. 실제로 도입을 검토한다면 ‘Leader’라는 등급만으로 판단하기보다 공식 Gartner 보고서의 평가 기준, 가격 구조, 데이터 보존 비용, 기존 클라우드·보안 도구와의 통합성, 팀의 운영 방식에 맞는지를 함께 비교하는 것이 좋습니다.

원문 읽기(새 탭에서 열림)

쿠버네티스datadog옵저버빌리티애플리케이션 성능 모니터링+2

datadog·2017년 9월 6일·2분 읽기큐레이션 요약

머신러닝을 위한

제공된 내용에는 Datadog 웹사이트의 메뉴와 “Gartner® Observability Platforms 매직 쿼드런트의 리더 선정” 홍보 문구만 포함되어 있습니다. 링크의 실제 본문인 **「Robust Statistical Distances for Machine Learning」** 내용은 누락되어 있어, 통계적 거리의 정의·알고리즘·실험 결과를 정확히 요약할 수 없습니다. ### 제공된 페이지에서 확인되는 내용 - Datadog이 관측성 플랫폼 분야에서 Gartner 매직 쿼드런트의 리더로 선정되었다는 홍보 문구가 표시됩니다. - Datadog은 다음과 같은 제품 영역을 제공하는 플랫폼으로 소개됩니다. - 인프라 모니터링: 메트릭, 컨테이너, Kubernetes, 네트워크, 서버리스, GPU 등 - 애플리케이션: APM, 프로파일링, 동적 계측 등 - 로그 및 데이터: 로그 관리, 데이터베이스 모니터링, 데이터 품질 관리 등 - 보안: 클라우드 보안, SIEM, 취약점 관리, 코드 보안 등 - 디지털 경험: RUM, 세션 리플레이, 합성 모니터링, 오류 추적 등 - 소프트웨어 제공 및 서비스 관리: CI 가시성, SLO, 인시던트 대응, 워크플로 자동화 등 - AI: AI 에이전트 관측성, GPU 모니터링, AI 기반 조사 및 자동화 등 ### 링크된 글의 주제 - 링크 주소와 제목상 글은 머신러닝에서 사용하는 **통계적 거리(statistical distance)** 를 다루는 기술 글입니다. - 다만 제공된 본문에는 다음과 같은 세부 정보가 없습니다. - 어떤 통계적 거리 방법을 설명하는지 - 이상치나 분포 변화에 어떻게 강건성을 확보하는지 - 수식과 알고리즘 - 성능 비교 및 실험 결과 - Datadog 제품이나 실제 모니터링 사례와의 연결 방식 정확한 요약을 위해서는 링크 페이지의 본문을 복사해 제공하거나, 본문이 포함된 원문을 다시 보내야 합니다.

원문 읽기(새 탭에서 열림)

쿠버네티스datadog옵저버빌리티애플리케이션 성능 모니터링+4

datadog·2017년 9월 6일원문

머신러닝을 위한 강건한 통계적 거리 측정법 (새 탭에서 열림)

통계적 거리(Statistical Distance)는 두 데이터 분포 간의 유사성을 정량화하는 도구로, 이상 탐지 및 머신러닝 모델의 성능 평가에서 핵심적인 역할을 합니다. 이 글은 Kolmogorov-Smirnov, Earth Mover's Distance, Cramér-von Mises 거리의 정의와 작동 방식을 비교하며, 데이터의 특성에 따라 적절한 거리 측정법을 선택해야 한다고 강조합니다. 단순히 통계적 가설을 검정하는 것을 넘어 분포 간의 물리적·수학적 거리를 측정함으로써 데이터 세트 간의 미묘한 차이를 효과적으로 포착할 수 있습니다. **시각적 분석과 Q-Q 플롯을 통한 분포 비교** * 히스토그램을 통해 데이터의 평균, 분산, 최소/최대값 등 경험적 분포의 특징을 직관적으로 파악할 수 있습니다. * Q-Q(Quantile-Quantile) 플롯은 두 데이터를 정렬하여 서로 대응시킨 뒤 평면에 표시하는 방식으로, 점들이 직선에 가까울수록 두 분포가 유사함을 의미합니다. * 시각적 분석은 훌륭한 휴리스틱(Heuristic) 도구이지만, 정밀한 비교를 위해서는 정량적인 '거리' 개념이 필요합니다. **국소적 변화에 민감한 Kolmogorov-Smirnov(KS) 거리** * 두 데이터 세트의 경험적 누적 분포 함수(CDF) 사이에서 발생하는 '최대 절대 편차'를 거리로 정의합니다. * 값이 0과 1 사이로 제한되어 있어, 두 분포가 이미 충분히 멀리 떨어져 있는 경우에는 평균 차이가 더 벌어져도 거리 값이 크게 변하지 않는 한계가 있습니다. * 거리의 4대 공리(비음수성, 동일성, 대칭성, 삼각 부등식)를 만족하는 엄밀한 메트릭(Metric)입니다. * 분포의 전체적인 이동보다는 특정 지점에서의 급격한 차이(국소적 변형)에 매우 민감하게 반응합니다. **데이터의 이동량을 측정하는 Earth Mover's Distance(EMD)** * 제1 와서스타인(Wasserstein) 거리로도 알려져 있으며, 하나의 분포를 다른 분포로 옮기기 위해 필요한 최소 작업량(데이터의 양 × 이동 거리)으로 정의됩니다. * 시각적으로는 두 CDF 곡선 사이의 전체 면적과 같으며, 데이터의 꼬리(tail) 부분에 있는 정보까지 효과적으로 반영합니다. * KS 거리와 달리 값의 범위에 제한이 없으므로, 두 분포의 평균이 멀어질수록 거리가 선형적으로 증가하여 차이를 명확히 드러냅니다. **균형 잡힌 지표로서의 Cramér-von Mises(CM) 거리** * 두 CDF 간 차이의 제곱을 합산(적분)하여 계산하며, EMD가 L1 노름(Norm)과 유사하다면 CM은 L2 노름과 유사한 성격을 가집니다. * 두 분포의 평균이 멀어질 때 거리가 제곱근 함수 형태로 증가하여, KS와 EMD 사이의 중간적인 특성을 보입니다. * 국소적 변형을 감지하는 능력(KS의 장점)과 전체적인 분포 흐름을 반영하는 능력(EMD의 장점) 사이에서 적절한 절충안을 제공합니다. **실무적 권장 사항** 분포의 미세한 국소 변형이나 특정 구간의 이탈을 감지해야 하는 이상 탐지 작업에는 **KS 거리**가 유리합니다. 반면, 분포가 전반적으로 얼마나 이동했는지 또는 데이터의 꼬리 영역이 얼마나 다른지 파악해야 한다면 **EMD**가 더 적합합니다. **CM 거리**는 국소적 변화에 너무 예민하지 않으면서도 전반적인 차이를 측정하고 싶을 때 유용한 대안이 됩니다.

data-visualizationanomaly-detectionstatistical-distanceskolmogorov-smirnov+3

datadog·2017년 8월 23일·1분 읽기큐레이션 요약

Vagrant와 Terraform을 통한

제공된 내용에는 본문이 아니라 Datadog 웹사이트의 제품·기능导航 목록과 “Vagrant와 Terraform으로 지원 확장” 링크만 포함되어 있습니다. 따라서 글의 핵심 주장, 기술적 구현 방식, 결론을 정확히 요약할 수 없습니다. ### 확인 가능한 정보 - 링크 제목: **Vagrant와 Terraform을 활용한 지원 확장** - 관련 제품 범주: - 인프라 모니터링 - 애플리케이션 성능 모니터링(APM) - 로그 관리 - 보안 - CI/CD 및 서비스 관리 - AI 기반 관측성 - 별도로 Datadog이 Gartner의 Observability Platforms 매직 쿼드런트에서 Leader로 선정되었다는 홍보 문구가 포함되어 있습니다. 본문 원문이나 링크의 실제 글 내용을 제공해 주시면 요청하신 형식에 맞춰 정확하게 요약하겠습니다.

원문 읽기(새 탭에서 열림)

쿠버네티스datadog옵저버빌리티인프라 모니터링+2