그래프 신경망 기반 RSSI 이상 탐지: 경량 모델로 정확도 향상

초록

본 논문은 무선 링크의 RSSI 시계열 데이터를 마코프 전이 필드(MTF)로 그래프화한 뒤, 그래프 어텐션 네트워크(GAT)를 활용해 각 시점별 이상 여부를 분류하는 방법을 제안한다. 제안 모델은 기존 이미지 변환 기반 딥러닝 대비 약 171배 적은 파라미터로 비슷한 F1 점수를 달성하며, 이상 발생 위치와 지속 시간을 정확히 파악할 수 있다.

상세 분석

이 연구는 IoT 환경에서 발생하는 링크 레이어 이상을 실시간으로 탐지하고 위치를 식별하는 데 초점을 맞춘다. 기존의 머신러닝·딥러닝 기반 방법들은 전체 링크가 이상인지 여부만을 판단하거나, 일정 윈도우 내에서만 탐지해 정확한 시점 파악이 어려웠다. 저자들은 이러한 한계를 극복하기 위해 두 가지 핵심 기술을 도입한다. 첫째, 시계열 데이터를 그래프 형태로 변환한다. 구체적으로, RSSI 값들을 300개의 구간(빈)으로 양자화하고, 각 구간 간 전이 확률을 계산해 마코프 전이 필드(MTF) 행렬을 만든다. 이 행렬은 노드(시간 스텝) 간 가중치(edge weight)로 해석되어, 시간적 연속성뿐 아니라 값의 유사성까지 동시에 보존한다. 둘째, 변환된 그래프에 그래프 어텐션 네트워크(GAT)를 적용한다. GAT는 각 노드의 특징에 대해 자기‑어텐션을 수행함으로써, 중요한 이웃 노드에 더 큰 가중치를 부여한다. 저자들은 3개의 GAT 레이어와 128 차원의 선형 스킵 연결을 조합한 경량 아키텍처를 설계했으며, 첫 두 레이어는 4개의 어텐션 헤드, 마지막 레이어는 6개의 헤드를 사용해 표현력을 확보했다. 파라미터 수는 약 0.6 M개에 불과해 기존 이미지‑기반 모델(수십 M개)보다 171배 적다.

학습 단계에서는 10‑fold stratified shuffle split을 적용해 80 %를 학습, 20 %를 테스트 데이터로 사용했으며, 클래스 불균형을 완화하기 위해 역비율 가중치를 적용했다. 평가 지표는 정밀도, 재현율, F1‑score이며, 특히 이진 분류에서 제안 모델은 RP 기반 모델에 비해 F1‑score가 0.05 낮지만, GADF 기반 모델보다 0.03 높은 성능을 보였다. 다중 클래스(네 종류의 이상)에서는 모든 기존 모델을 능가했으며, 이는 각 시점별 라벨링이 가능해 이상 유형을 추론할 수 있기 때문이다.

또한, 실험에 사용된 Rutgers WiFi 데이터셋은 29개의 노드에서 5가지 잡음 레벨로 수집된 RSSI 시계열이며, 저자들은 논문