• 목록

다변량 센서 시계열 이상탐지에서는 정상 구간 데이터로 학습한 예측 모델을 통해 후속 시점의 센서값을 예측하고, 예측값과 관측값의 차이를 이상 점수로 활용하는 접근이 널리 사용된다. 본 연구의 기반 모델인 센서 상관관계 기반 그래프 합성곱 신경망(Graph Convolutional Network, GCN) 예측모형은 시간지연 상호상관(Time-Lagged Cross-Correlation, TLCC)으로 구성한 센서 간 관계를 그래프 인접행렬로 반영하여 예측 기반 이상탐지 모델의 구조적 표현력을 높이고자 하였다. 이에 본 연구는 예측 잔차와 센서 관계 그래프 상태 변화를 결합한 다변량 시계열 이상탐지 프레임워크를 제안한다. 제안 방법은 정상 학습 구간에서 TLCC를 이용해 센서 간 선형 시차 관계를 구성하고, 거리상관(distance correlation, dCor)을 이용해 비선형 의존 관계를 함께 반영한다. 이후 각 평가 윈도우에서 정상 기준 관계 그래프와의 차이를 그래프 상태 점수(graph-state score)로 정량화하고, 예측 모델에서 산출한 예측 잔차 점수(forecast residual score)와 함께 최종 이상 여부 판정에 활용한다. 성능 평가는 adjusted F1-score를 사용하였으며, 이는 연속 이상 구간의 탐지 여부를 반영하도록 보정한 구간 기반 F1-score이다. MSL, SMAP, SMD 공개 데이터셋을 대상으로 한 실험에서 제안 프레임워크의 최종 adjusted F1-score는 각각 0.9299, 0.7988, 0.9421로 나타났다. 특히 SMAP과 SMD에서는 센서 간 관계 그래프의 상태 변화가 예측 잔차 기반 이상탐지를 보완하는 해석 가능한 이상 신호로 활용될 수 있음을 확인하였다.