Current Result Document :
| 한글제목(Korean Title) |
센서별 시간지연 교차 상관관계를 적용한 GCN 기반의 시계열 데이터 이상 탐지 |
| 영문제목(English Title) |
GCN-based Time series data Anomaly Detection with Sensor-specific TLCC |
| 저자(Author) |
Kangwoo Lee
Sungwon Jung
이강우
정성원
|
| 원문수록처(Citation) |
VOL 49 NO. 02 PP. 0098 ~ 0100 (2022. 12) |
한글내용
(Korean Abstract) |
네트워크 관리/보안, 산업현장 등에서는 각 센서가 수집하는 시계열 데이터를 통해 장비를 모니터링을 한다. 따라서 효율적인 시계열 데이터 이상 탐지를 통해 조기에 장비 이상을 탐지하는 것은 더 큰 피해를 방지하고 생산성 향상에 기여할 수 있기 때문에 해당 분야에서는 매우 중요한 과제이다. 최근 딥러닝이 발전하며 시계열 데이터 이상 탐지에 대한 연구가 활발히 진행되고 있지만, 다음과 같은 제약사항들이 있다. 첫째, 다른 센서와의 상관관계를 분석하지 않고 각 센서의 이상 유무만을 분석하기 때문에 불필요한 허위 알람이 발생한다. 둘째, 센서별 상관관계를 분석하기 위해 완전 그래프로 모델링하고 GAT(Graph Attention Networks)를 적용하였으나, 이 방식은 정확한 상관관계를 반영할 수 없고, 불필요한 연산의 증가로 굉장히 많은 분석시간이 소요된다. 본 논문에서는 이 문제를 해결하기 위해 SC-GCNAD(Sensor-specific Correlation GCN Anomaly Detection)를 제안한다. SC-GCNAD는 상기의 제약사항들을 해결하기 위해 시계열 데이터의 특징을 반영한 TLCC(Time Lagged Cross Correlation)를 적용하여 정확한 센서별 상관관계를 분석하고, 상관관계 표현력이 뛰어난 GCN(Graph Convolutional Networks)을 활용한다. 그 결과 핵심적인 상관관계만 반영한 그래프 구조로 변환하여 분석시간을 단축하며, 이후 GRU와 Forecasting 모델을 통해 시계열 데이터 내 이상치를 탐지한다. SC-GCNAD는 기존 모델 대비 F1-Score는 최대 6.37% 향상하고, 분석시간은 최대 86.72% 단축한다. |
영문내용
(English Abstract) |
|
| 키워드(Keyword) |
|
| 파일첨부 |
PDF 다운로드
|
