와이파이 센서 네트워크 데이터 이상 탐지 및 보정을 위한 ARIMA 기반 예측 알고리즘

초록

본 논문은 무선 센서 네트워크(WSN)에서 수집된 데이터의 이상치를 ARIMA 모델을 이용해 자동으로 탐지하고, 예측값으로 대체함으로써 데이터 정합성을 확보하는 방법을 제안한다. 센서 노드별 모델 학습과, 싱크에서의 집계 데이터 이상 탐지 두 가지 절차를 설계하고, Crossbow IRIS Mote 실험을 통해 정확도와 실효성을 검증하였다.

상세 분석

본 연구는 WSN 환경에서 데이터 품질 관리가 필수적이라는 전제 하에, 시계열 예측 기법인 ARIMA(Autoregressive Integrated Moving Average)를 적용한 새로운 이상 탐지·보정 프레임워크를 제시한다. 먼저 각 센서 노드에서 수집된 과거 데이터를 통계적으로 전처리하여 정상성(stationarity)을 확보한다. 차분(differencing) 과정을 통해 트렌드와 계절성을 제거하고, ACF와 PACF 그래프를 기반으로 AR(p)와 MA(q) 차수를 결정한다. 이때 BIC와 AIC 기준을 동시에 활용해 과적합을 방지한다. 모델 파라미터가 확정되면, 실시간으로 들어오는 측정값과 1‑step ahead 예측값을 비교하여 사전 정의된 임계값(예: 3σ)을 초과하면 이상치로 판정한다. 판정된 이상치는 해당 시점의 예측값으로 대체함으로써 데이터 연속성을 유지한다.

두 번째 단계는 싱크 노드에서 수행되는 집계 데이터 이상 탐지이다. 여러 센서 노드의 예측값과 실제값을 가중 평균하여 전체 네트워크 수준의 기대값을 산출하고, 이를 기반으로 집계된 데이터 스트림에 대한 다변량 ARIMA 모델을 구축한다. 여기서는 공분산 행렬을 이용해 다중 센서 간 상관관계를 반영함으로써 개별 노드에서 발생한 작은 오차가 전체 시스템에 미치는 영향을 최소화한다. 또한, 이상 탐지 후 보정 과정에서는 Kalman Filter와 결합해 예측 오차를 동적으로 보정함으로써 모델의 적응성을 높인다.

연산 복잡도 측면에서 ARIMA 모델 학습은 O(p·q) 수준이며, 실시간 예측은 O(p+q) 연산만 필요하므로 제한된 메모리와 CPU 자원을 가진 저전력 센서 노드에서도 충분히 구현 가능하다. 논문에서는 모델 파라미터를 주기적으로 재학습하는 온라인 학습 전략을 제안했으며, 이는 환경 변화(예: 온도 급변, 배터리 전압 저하)에도 모델이 지속적으로 적응하도록 한다.

실험에서는 Crossbow IRIS Mote 기반 20개의 센서 노드가 2주간 수집한 온·습도 데이터를 활용하였다. 데이터셋에 인위적으로 삽입한 5% 수준의 이상치에 대해 제안 방법은 평균 절대 오차(MAE) 0.12°C, 평균 제곱근 오차(RMSE) 0.18°C를 기록했으며, 기존 단순 이동 평균(MA) 기반 방법에 비해 45% 이상의 정확도 향상을 보였다. 또한, 보정 후 데이터는 원본 데이터와의 상관계수가 0.98에 달해, 후속 애플리케이션(예: 이상 감지, 예측 유지보수)에서 신뢰성을 크게 높였다.

한계점으로는 ARIMA 모델이 비선형 변동이나 급격한 이벤트(예: 센서 고장, 외부 충격)에는 민감하게 반응하지 못한다는 점을 들 수 있다. 이를 보완하기 위해 향후 연구에서는 LSTM·GRU와 같은 딥러닝 기반 시계열 모델과의 하이브리드 구조를 탐색하고, 에너지 효율성을 고려한 모델 경량화 기법을 추가로 개발할 계획이다.