Real-world systems detect anomalies, such as failures, by finding anomalous patterns in multivariate time series system data collected during monitoring. Efficient anomaly detection requires information about the relation structure between data sources, such as sensors in a cyber physical system from which each time series of system data is collected, but this is generally difficult to know. To solve this problem, previous studies have tried to learn this relation structure from normal system data and represent it in the form of a graph. However, in this process, they only consider whether there is a relation between data sources, but not the type of relation. In this paper, we propose a graph structure learning that reflects the type of relations and an anomaly detection model based on it to solve this problem. The experiments show that considering the type of relations in the graph structure learning improves the anomaly detection performance.
현실 세계의 시스템들은 고장 등 이상 상황의 탐지를 위해 시스템을 모니터링하여 다변량 시계열 데이터를 수집하고 있다. 효율적인 탐지를 위해서는 시스템 데이터의 각 시계열이 수집된 데이터 소스 간 형성된 관계 구조를 고려해야 하는데, 이런 관계 구조의 예로 가상 물리 시스템의 센서 간 관계 구조를 들 수 있다. 그런 데 일반적으로 이에 관한 정보는 알려지지 않아, 선행 연구에서는 정상 시스템 데이터에서 이 관계 구조를 학습하고 그래프 형태로 나타내는 그래프 구조 학습을 진행한다. 그러나 이러한 과정에서 데이터 소스인 센서 간 관계 유무만을 고려할 뿐 관계의 유형까지는 고려하지 않았다. 본 논문에서는 이 문제를 해결하기 위해 관계의 유형까지도 반영하는 그래프 구조 학습과 이에 기반하는 이상 탐지 모델을 제안하며, 실험을 통해 그래프 구조 학습에 관계 유형을 고려하는 것이 이상 탐지 성능을 향상함을 보인다.
