확률적 순환 신경망을 통한 다변량 시계열에 대한 강건한 이상 탐지

서버 기계, 우주선, 엔진 등 산업 장비(즉, 엔티티)는 일반적으로 다변량 시계열을 통해 모니터링되며, 이러한 장비의 서비스 품질 관리에 있어 이상 탐지가 핵심적인 역할을 한다. 그러나 다변량 시계열은 복잡한 시간적 종속성과 확률적 특성을 지니고 있어, 이상 탐지가 여전히 큰 도전 과제로 남아 있다. 본 논문은 다양한 장비에 대해 우수한 안정성과 성능을 보이는 다변량 시계열 이상 탐지를 위한 확률적 순환 신경망인 OmniAnomaly을 제안한다. 이 모델의 핵심 아이디어는 확률적 변수 연결과 평면 정규화 흐름(Planar Normalizing Flow)과 같은 핵심 기법을 통해 다변량 시계열의 강건한 표현(representation)을 학습하고, 이를 바탕으로 정상 패턴을 포착하며, 학습된 표현을 이용해 입력 데이터를 재구성하고, 재구성 확률을 기반으로 이상 여부를 판단하는 것이다. 또한, 감지된 엔티티의 이상에 대해 OmniAnomaly은 구성 요소인 단변량 시계열들의 재구성 확률을 기반으로 해석 가능성을 제공할 수 있다. 평가 실험은 항공우주 분야에서의 두 개의 공개 데이터셋과 인터넷 기업으로부터 수집 및 공개한 새로운 서버 기계 데이터셋을 활용하여 수행되었다. OmniAnomaly은 실제 3개의 데이터셋에서 전반적인 F1-Score 0.86을 달성하여, 가장 우수한 기준 대조 방법보다 0.09 높은 성능을 보였다. 또한, OmniAnomaly의 해석 정확도는 최대 0.89에 달했다.