면역 기억에서 영감을 받은 모티프 탐지 알고리즘

본 논문은 시간 시계열 데이터에서 반복되는 패턴, 즉 모티프를 자동으로 탐지하는 새로운 알고리즘인 Motif Tracking Algorithm(MTA)를 제안한다. 기존 연구들은 대부분 사전에 모티프의 길이와 형태를 가정하거나, DNA 서열·주식 가격 등 특정 도메인에 특화된 방법을 사용해 왔다. 저자들은 이러한 제한을 극복하고자 인간 면역 시스템, 특히 면역 기억 이론에 기반한 인공 면역 시스템(AIS)을 차용하였다. 먼저, 논문은 시계열 T 를 1차 차분 후 평균값을 이용한 Piecewise Aggregate Approximation(PAA) 방식으로 심볼 시퀀스로 변환한다. 이때 사용자는 심볼 알파벳 크기 a 와 슬라이딩 윈도우 길이 s 를 지정한다. 변환된 심볼 매트릭스 S 는 각 구간을 하나의 ‘단어’로 취급한다. MTA의 핵심 구성 요소는 ‘트래커’이다. 트래커는 길이 1 의 심볼 문자열을 갖는 개체이며, 초기 집단은 알파벳 a 개의 서로 다른 심볼을 각각 하나씩 포함한다. 트래커는 매 반복(iteration)마다 S 에 있는 모든 단어와 문자열 비교를 수행한다. 문자열 비교는 완전 일치 여부만을 판단하며, 일치 시 트래커의 매치 카운트를 증가시킨다. 매치 카운트가 2 이상이면 해당 트래커는 ‘잠재 모티프 후보’로 간주되고, 프로리피레이션 단계에서 길이 w 만큼 확장된다. 확장 과정에서 돌연변이 연산을 적용해 새로운 심볼을 삽입하거나 교체함으로써 탐색 다양성을 확보한다. 잠재 모티프 후보는 ‘모티프 후보 행렬 M’에 저장된다. M에 포함된 각 후보는 여러 트래커가 동일 심볼 시퀀스를 매칭한 결과이며, 최종 검증 단계에서는 유클리드 거리 ED(C₁,C₂) 가 사전 정의된 임계값 r 이하인 경우에만 진정한 모티프라고 판단한다. 또한, 인접 구간에서 동일 심볼이 반복되는 ‘트리비얼 매치’를 방지하기 위해 연속적인 트리비얼 매치 수를 제한하고, 매칭되지 않은 트래커는 정규화 단계에서 제거한다. 알고리즘 흐름은 다음과 같다. (1) 시계열 → 심볼 변환, (2) 초기 트래커 집단 생성, (3) 트래커‑모티프 매칭 및 매치 카운트 업데이트, (4) 매치 카운트 기반 트래커 선택·프로리피레이션·돌연변이, (5) 후보 모티프 집합 M 구성, (6) 거리 기반 최종 검증, (7) 발견된 모티프 저장. 트래커 집단이 소멸하거나 사전 정의된 반복 횟수에 도달하면 알고리즘이 종료된다. 실험은 두 개의 산업용 데이터셋(하나는 제조 공정의 센서 데이터, 다른 하나는 전력 소비 로그)에서 수행되었다. 두 데이터 모두 사전 지식 없이 가변 길이 모티프를 포함하고 있었으며, 기존 방법(예: Keogh의 probabilistic motif detection, VizTree)에서는 사전 정의된 길이 혹은 패턴 형태가 필요했다. MTA는 각각 12개와 9개의 의미 있는 모티프를 찾아냈으며, 이들 모티프는 도메인 전문가가 검증한 결과 공정 이상 탐지와 에너지 절감 전략 수립에 직접 활용될 수 있었다. 논문은 MTA의 장점을 다음과 같이 정리한다. 첫째, 데이터와 모티프에 대한 사전 가정이 전혀 필요 없으며, 완전 자동화된 탐색이 가능하다. 둘째, 심볼릭 압축을 통해 계산 복잡도를 크게 낮추어 대규모 시계열에도 확장 가능하다. 셋째, 면역 메커니즘을 모방한 증식·돌연변이 과정이 탐색 공간을 효과적으로 탐색한다. 그러나 한계점도 존재한다. 파라미터 a, s, r 의 선택이 결과에 큰 영향을 미치며, 현재는 사용자가 경험적으로 설정한다. 또한, 유클리드 거리 기반 매칭은 비선형 변형이나 잡음에 취약할 수 있다. 향후 연구에서는 파라미터 자동 튜닝, DTW와 같은 강건한 거리 척도 도입, 그리고 다중 차원 시계열에 대한 확장 등을 제안한다. 결론적으로, MTA는 면역 기억 이론을 성공적으로 시계열 모티프 탐지에 적용한 최초의 시도이며, 데이터 독립적이고 확장 가능한 패턴 탐지 프레임워크로서 학계와 산업 현장 모두에 유용한 도구가 될 것으로 기대된다.