정보과학회논문지 (Journal of KIISE)
Current Result Document :
| 한글제목(Korean Title) |
원소들의 발생 순서와 시간 간격을 모두 고려하는 효과적인 이상 시퀀스 탐지 기법 |
| 영문제목(English Title) |
An Effective Detection Method of Anomalous Sequences Considering the Occurrence Order and Time Interval of the Elements |
| 저자(Author) |
이주연
이기용
Jooyeon Lee
Ki Yong Lee
이주연
이기용
Jooyeon Lee
Ki Yong Lee
|
| 원문수록처(Citation) |
VOL 48 NO. 04 PP. 0469 ~ 0478 (2021. 04) |
한글내용
(Korean Abstract) |
최근 다양한 응용에서 시간의 흐름에 따라 관측된 원소들로 구성된 시퀀스 데이터가 활발하게 생성되고 있다. 주어진 시퀀스들 중에서 이상(anomalous) 시퀀스를 탐지하는 기법들은 활발히 연구되어 왔으나 이들 대부분은 주로 원소들의 발생 순서들만을 고려한다. 본 논문에서는 원소들의 발생 순서뿐만이 아니라 원소들 사이의 시간 간격까지 고려한 효과적인 이상 시퀀스 탐지 기법을 제안한다. 이를 위해 제안 방법은 두 개의 오토인코더를 결합한 모델을 사용한다. 첫 번째는 LSTM 오토인코더로서 원소들의 발생 순서에 대한 특징을 학습하며, 두 번째는 그래프 오토인코더로서 원소들 간 시간 간격에 대한 특징을 학습한다. 학습이 완료되면 각 시퀀스를 학습된 모델에 입력하여 모델이 복원한 원소들의 발생 순서 및 원소들 간의 시간 간격이 원 시퀀스와 차이가 큰 시퀀스를 이상 시퀀스로 판단한다. 본 논문에서는 가상 데이터를 사용한 다양한 실험을 통해 제안 방법이 RNN 오토인코더로 학습하는 방법 및 단일 LSTM 오토인코더만을 사용하는 방법 그리고 딥러닝을 사용하지 않는 방법보다 효과적으로 이상 시퀀스를 탐지함을 확인하였다.
|
영문내용
(English Abstract) |
Recently, a rapid generation of sequence data consisting of elements in various applications has been witnessed over time. Although various methods for detecting anomalous sequences among the given sequences have been actively studied, most of them mainly consider only the occurrence order of the elements. In this paper, we propose an effective anomalous sequence detection method considering not only the occurrence order of the elements but also the time interval between the elements. Apparently, the proposed method uses a model that combines two autoencoders. The first is an LSTM autoencoder, which learns the features of the occurrence order of elements, and the second is a graph autoencoder, which learns the features of the time interval between the elements. After completion of the training, each sequence is input to the trained model and reconstructed by the trained model. If the occurrence order and time interval of elements in the reconstructed sequence greatly differ from those in the original sequence, the corresponding sequence is determined as an anomalous sequence. Through various experiments using synthetic data, we confirmed that the proposed method can detect anomalous sequences more effectively than the method that uses an RNN autoencoder to learn the occurrence order of the elements, the methods that use a single LSTM autoencoder and the method that doesn't use deep learning model.
|
| 키워드(Keyword) |
이상 시퀀스 탐지
LSTM 오토인코더
그래프 오토인코더
데이터 마이닝
anomalous sequence detection
LSTM autoencoder
graph autoencoder
data mining
이상 시퀀스 탐지
LSTM 오토인코더
그래프 오토인코더
데이터 마이닝
anomalous sequence detection
LSTM autoencoder
graph autoencoder
data mining
|
| 파일첨부 |
PDF 다운로드
|
