SKADA | 통신 Core 장비에 대한 이상 징후 감지 (7)

AutoEncoder 모델을 활용한 이상 징후 감지

오토인코더

• 오토인코더

  • 대표적인 비지도 딥러닝 모델

  • 데이터에 인코딩 된 표현을 학습한 다음 후 학습 된 인코딩 표현에서 입력 데이터를 가능한 가깝게 생성하는 것을 목표

    

• 오토인코더 구성

  • 인코더 : 데이터를 저차원의 공간으로 축소하는, 입력을 내부 표현으로 변환
  • 디코더 : 축소된 데이터를 다시 입력 데이터의 차원으로 복원, 내부 표현을 출력으로 변환

• 오토인코더에서 접근 방식

  • 입력과 동일한 출력 값이 나오도록 둘의 차이를 줄이면서 학습

  • 손실함수로 MSE(mean-squared error), MAE(mean-average error) 등을 사용

  • 학습하는 과정 속에서 Latent variable은 핵심적인 특성을 학습

    

오토인코더를 활용한 이상 징후 감지

• 이상 징후 감지 순서

  1. 훈련과 테스트 데이터 설정

  2. 데이터 표준화 : 데이터가 표준정규분포의 속성을 갖도록 피처를 재조정 하는 것

  3. 데이터 윈도우 생성

     • 고정된 길이의 데이터를 연속 적으로 넣어서 모델을 학습 시켜야 함

     • 즉, 연속된 시계열에 대해 동일한 타임스탬프를 가지는 윈도우를 기반으로 일련의 예측을 수행

     • 예) 8일치 데이터에 대해 타임스탬프를 4일로 설정 기본 (8,1) 형태의 데이터를 윈도우를 적용하여 (5,4,1) 로 변경

       

  4. 모델 설정

  5. 임계 값에 대한 이상치 판단

     • 정상 데이터 : 입력과 동일한 데이터가 나오게 되어 차이가 없음
     • 비정상 데이터 : 비정상 부분이 노이즈로 인식되어 차입력과 차이가 커지게 됨