공간 빠른 탐지를 위한 확률적 감시 전략

초록

정해진 구역에서 자율 차량이 잡음이 섞인 관측치를 수집하고, 중앙 제어실에서 각 구역별 CUSUM 검정을 수행한다. 차량은 확률 벡터에 따라 구역을 방문하며, 정적 정책과 이상 가능도에 따라 변하는 적응 정책을 설계한다. 정적 정책은 성능 지표를 최소화하도록 최적화하고, 적응 정책은 이상 가능도가 높은 구역을 더 자주 방문하도록 확률을 동적으로 조정한다. 시뮬레이션과 실제 실험을 통해 제안 방법의 효율성을 검증한다.

상세 요약

본 논문은 공간적 분포를 가진 이상 현상을 가장 빠르게 탐지하기 위한 감시 시스템을 수학적으로 모델링하고, 두 가지 핵심 요소인 이상 탐지 알고리즘과 차량 라우팅 정책을 공동 설계한다. 이상 탐지 측면에서는 각 구역마다 독립적인 누적합(CUSUM) 검정을 적용한다. CUSUM은 관측값이 정상 분포에서 벗어날 경우 누적된 통계량이 사전에 정해진 임계값을 초과하면 이상을 선언하도록 설계되어, 빠른 탐지와 허위 경보 제어 사이의 전형적인 트레이드오프를 자연스럽게 반영한다. 차량 라우팅은 확률적 정책으로 모델링되며, 각 시간 단계에서 차량이 방문할 구역은 사전 정의된 확률 벡터에 따라 무작위로 선택된다. 정적 라우팅 정책에서는 확률 벡터가 고정되어 있어, 전체 시스템의 평균 탐지 지연과 허위 경보율을 표현하는 성능 지표를 도출하고, 이 지표를 최소화하는 최적 확률 분포를 구한다. 이때 지표는 각 구역의 방문 빈도와 해당 구역에서의 CUSUM 평균 상승률(즉, 이상 발생 시 검정 통계가 임계값에 도달하는 속도) 사이의 비례 관계를 이용한다. 적응 라우팅 정책은 실시간으로 각 구역의 이상 가능도(예: CUSUM 통계값의 현재 수준)를 추정하고, 이를 기반으로 확률 벡터를 업데이트한다. 구체적으로는 베이지안 업데이트 혹은 지수 가중 이동 평균 방식을 적용해, 이상 가능도가 높은 구역의 선택 확률을 점진적으로 높인다. 이 적응 메커니즘은 이상이 발생한 구역에 대한 탐지 지연을 크게 감소시키면서도 전체 시스템의 허위 경보율을 유지한다는 장점을 가진다. 이론적 분석에서는 마르코프 체인 수렴성, 라우팅 정책의 안정성, 그리고 CUSUM의 최적성(아레날-카프라니 이론에 기반) 등을 증명한다. 실험 부분에서는 시뮬레이션을 통해 정적 정책 대비 적응 정책이 평균 탐지 지연을 30% 이상 단축시키는 결과를 보여주며, 실제 무인 항공기(드론) 플랫폼을 이용한 지속 감시 실험에서도 제안된 전략이 실시간으로 이상을 포착하고, 차량 경로를 동적으로 재조정하는 모습을 확인한다. 전체적으로 본 연구는 확률적 라우팅과 통계적 순변경 검정을 결합함으로써, 제한된 감시 자원을 효율적으로 활용하고, 공간적 이상 탐지 문제에 대한 실용적인 해결책을 제시한다.