초록
고차원 시계열 데이터(예: 센서 데이터)를 다룰 때, 시스템 고장이나 공격과 같은 비정상 이벤트를 어떻게 탐지할 수 있을까? 더욱 도전적인 질문은, 센서 간 복잡한 관계를 효과적으로 포착하고, 이러한 관계에서 벗어난 비정상 현상을 탐지하며 그 원인을 설명할 수 있는 방법은 무엇인가 하는 것이다. 최근 딥러닝 기법들이 고차원 데이터셋에서의 이상 탐지 성능을 향상시키는 데 기여했지만, 기존 방법들은 변수 간 기존 관계 구조를 명시적으로 학습하지 않거나, 이를 활용해 시계열의 예상 동작을 예측하지 못하는 한계를 지닌다. 본 연구에서는 구조 학습 기법과 그래프 신경망(Graph Neural Networks, GNN)을 결합함으로써 변수 간 관계 구조를 효과적으로 학습하고, 주목(attention) 가중치를 활용해 탐지된 이상 현상에 대한 설명 가능성을 제공한다. 실제 센서 데이터셋 두 개(정답 이상 데이터가 제공됨)에 대한 실험 결과, 제안하는 방법은 기준 대비 더 정확하게 이상을 탐지하고, 센서 간 상관관계를 정확히 포착할 뿐만 아니라, 사용자가 탐지된 이상의 근본 원인을 추론할 수 있도록 한다.