가변 차원 시계열 이상 탐지를 위한 스케치 기반 커널 상관 이미지

초록

SMKC는 센서 수가 변동하고 새로운 변수들이 등장하는 실시간 모니터링 환경을 위해, 변수 식별자를 해시하여 고정 길이 시퀀스로 변환하고, 이 시퀀스의 시간적·미분적 관계를 커널 이미지 형태로 표현한다. 로그 거리 채널이 주요 신호이며, 무학습 kNN 기반 탐지기조차도 강력한 성능을 보인다.

상세 분석

본 논문은 가변 카디널리티(multivariate) 시계열에서 기존 모델이 갖는 “채널 고정” 가정을 깨뜨리는 새로운 파이프라인을 제안한다. 첫 단계에서는 signed feature hashing을 이용해 변수 식별자를 해시 버킷에 매핑하고, 값 스트림과 존재(마스크) 스트림을 각각 부호화한다. 해시 결과는 2 × m 차원의 고정 폭 상태 시퀀스 g₁:L 로 결합·정규화되며, 여기서 m은 해시 버킷 수(기본값 128)이다. 이 과정은 변수 순서와 개수에 무관하며, 훈련 시 보지 못한 새로운 변수도 동일한 해시 함수에 의해 자동으로 포함된다.

두 번째 단계에서는 g 시퀀스와 그 1차 차분 Δg, 절대 차분 |Δg| 를 각각 L × L 크기의 유사도·거리 행렬로 변환한다. 코사인 유사도는 방향성을 강조하고, 로그 거리 채널은 ‖z_i‑z_j‖² 를 median‑based bandwidth σ 로 정규화한 뒤 log(1+·) 로 압축해 크기 변동을 강건하게 포착한다. 최종적으로 6개의 채널(Cos(g), Cos(Δg), Cos(|Δg|), LogDist(g), LogDist(Δg), LogDist(|Δg|))을 쌓아 6 × L × L 형태의 하이브리드 이미지(SMKC 이미지)를 만든다. 실험에서는 로그 거리 채널이 주된 구분 신호임을 확인했으며, 코사인만 사용하면 성능이 급격히 저하된다.

학습 기반 탐지는 마스크된 커널 재구성(MAE‑like)과 교사‑학생 모멘텀 디스틸레이션을 결합한 두 목표를 사용한다. 그러나 가장 흥미로운 결과는, SMKC 이미지를 평탄화한 뒤 Johnson‑Lindenstrauss 랜덤 프로젝션(256 차원)과 k‑Nearest‑Neighbor( K=20 )만으로도 완전 학습된 베이스라인과 경쟁하는 성능을 얻었다는 점이다. 이는 표현 자체가 강력함을 의미하며, 리소스가 제한된 현장에서는 “학습‑프리” 탐지기로 바로 활용 가능함을 시사한다.

또한 O(L² d) 비용을 완화하기 위해 band‑feature(대각선 근처 w개만 사용)와 anchor‑feature(선택된 r개의 기준 시점과 비교) 두 가지 선형‑시간 변형을 제안한다. 특히 bandfeat(w=8)은 전체 이미지 대비 16배 가량 연산량을 줄이면서 AU‑PRC를 0.578 로 향상시켰다.

요약하면, SMKC는 (1) 변수 해시를 통한 고정‑크기 시퀀스 변환, (2) 파생 시퀀스 기반 로그‑거리·코사인 커널 이미지 구축, (3) 학습‑프리 혹은 경량 학습 모델 적용이라는 세 축으로 가변‑카디널리티 시계열 이상 탐지 문제를 효과적으로 해결한다.