측정 오류와 메커니즘 변이를 구분하는 인과 기반 이상 탐지

초록

본 논문은 이상치가 측정 오류에 의한 것인지, 인과 메커니즘 변화에 의한 것인지를 구별하기 위한 인과 모델을 제안한다. 잠재 변수와 관측 변수에 대한 하드 개입으로 이상을 모델링하고, 구조적 식별 가능성을 증명한 뒤, 최대우도 추정 기반 알고리즘을 개발하여 루트 원인 위치와 유형을 동시에 식별한다. 실험 결과는 기존 최첨단 방법과 동등한 루트 원인 탐지 성능을 보이며, 이상 유형 분류 정확도와 DAG 미지 상황에서도 강인함을 입증한다.

상세 분석

이 논문은 기존 이상 탐지·루트 원인 분석(RCA) 연구가 측정 오류와 메커니즘 변이를 동일시하거나 구분하지 못한다는 점을 지적하고, 두 현상을 인과 그래프 상에서 서로 다른 개입으로 명시적으로 모델링한다는 점에서 혁신적이다. 저자는 잠재 변수 (X^{})와 관측 변수 (X)를 각각 “진실”과 “측정값”으로 구분하고, 메커니즘 이상은 (X^{})에 대한 하드 개입((Z_j=1)), 측정 이상은 (X)에 대한 하드 개입((W_j=1))으로 정의한다. 이러한 설계는 개입이 부모‑자식 관계에 미치는 영향을 다르게 만들며, 메커니즘 이상은 하위 노드까지 분포를 변형시키는 반면, 측정 이상은 해당 변수 자체만 교체되어 하위에 영향을 주지 않는다.

이론적 기여는 두 가지이다. 첫째, 무한 표본 한계에서 관측된 조건부 독립(CI) 구조만을 이용해 실제 개입 할당 (A=(Z,W))이 구조적으로 식별 가능함을 정리한다(정리 3.4). 여기서 관측 등가성(Observational equivalence) 개념을 도입해, 같은 CI 구조를 초래하는 서로 다른 개입 조합을 구분하고, SMS(희소 메커니즘 변이) 가정에 의해 추가적인 확률적 선호를 부여한다. 둘째, 실제 데이터에서는 CI 검정이 비현실적이므로, 잠재 개입 변수를 베르누이 사전으로 두고 전체 데이터의 로그우도를 최대화하는 MLE 프레임워크를 제시한다. 이때 측정 이상에 대한 적분은 몬테카를로 샘플링으로 근사한다.

알고리즘은 먼저 비이상 데이터로부터 “청정” 조건부 밀도 (\hat p)를 학습하고, 각 샘플에 대해 가능한 ((Z,W)) 조합의 로그우도를 계산한다. 가장 높은 우도를 갖는 조합을 해당 샘플의 이상 유형 및 루트 원인으로 할당한다. 이 과정에서 독립적인 베르누이 사전은 SMS 가정을 구현해 희소성을 촉진한다. 실험에서는 합성 DAG와 실제 센서·시계열 데이터셋을 사용해 (i) 루트 원인 위치 정확도, (ii) 이상 유형(측정 vs 메커니즘) 분류 정확도, (iii) DAG 구조를 모를 때의 강인성을 평가한다. 결과는 기존 RCA 방법과 동등하거나 우수한 성능을 보이며, 특히 측정 오류와 메커니즘 변이를 정확히 구분하는 능력이 크게 향상되었다는 점이 강조된다.

이 연구는 인과 그래프를 기반으로 이상을 “잠재 구조 개입”과 “관측값 개입”으로 명확히 구분함으로써, 실제 운영 시스템에서 오류 원인 파악과 빠른 복구에 실질적인 가치를 제공한다. 또한, 구조적 식별 가능성 증명과 실용적인 MLE 구현을 결합한 점이 향후 인과 기반 이상 탐지 연구에 중요한 이정표가 될 것으로 기대된다.