시간 지연 시스템에서 이상치 원인 분석 인과적 근원 규명 방법

초록

본 논문은 지연 효과와 기억을 갖는 에너지 시스템 등 시간 의존적 환경에서 발생하는 이상치(피크)를 인과적 관점에서 근원 분석하는 방법을 제안한다. 기존 인과적 루트‑원인 분석(CRCA)을 시간‑지연 그래프에 적용하기 위해 두 가지 트렁케이션 방식을 도입하고, 이를 공장 에너지 관리 시뮬레이션에 적용해 성능을 검증한다. 충분한 시차를 고려하면 원인 변수를 시간·특성 축에서 정확히 식별할 수 있음을 보인다.

상세 분석

이 연구는 인과적 구조 모델(SCM) 기반의 루트‑원인 분석(CRCA)을 시간‑지연 시스템에 확장한다는 점에서 학술적·실용적 의의가 크다. 먼저 저자는 무한히 확장되는 시간‑지연 의존 그래프를 유한한 최대 시차 L 로 제한하고, 이를 두 단계의 트렁케이션으로 처리한다. 첫 번째는 “트렁케이션된 L‑모델”로, 시차 L 이하의 메커니즘은 그대로 유지하고, L 초과의 부모 노드들을 조건부 고정한다. 두 번째는 “비트렁케이션 L‑모델”로, 초과 부모 노드들의 함수 형태를 근사하여 전체 메커니즘을 재구성한다. 두 접근법은 인과 메커니즘 보존 여부와 근사 오차 측면에서 상호 보완적이다.

방법론적 핵심은 이상치 점수 g(·)에 대한 정보 이론적 보정(IT‑Score)와 Shapley 값을 활용한 기여도 분해이다. 관측된 노이즈와 부모 값을 이용해 구조 방정식을 역으로 풀어 노이즈를 추정하고, 특정 노드의 노이즈를 정상 분포로 대체했을 때 이상치 발생 확률이 어떻게 변하는지를 q_t(I) 로 정의한다. 이후 C_t(u|I) 를 로그 비율로 계산하고, 모든 부분집합 I 에 대해 평균을 취해 Shapley 값 ϕ_t(u) 를 얻는다. 이 과정은 각 시차·특성 조합에 대한 인과적 기여도를 정량화하므로, 원인 식별이 시간 축과 변수 축을 동시에 제공한다.

계산 복잡도는 L‑times unfolding 으로 인해 (L·n)! 에 비례해 급격히 증가하지만, 저자는 노이즈 독립성 가정을 활용해 메모리 요구량을 L 에 독립적으로 유지한다. 실제 구현에서는 기존 CRCA 코드를 최소 수정해 각 시차별 함수 f_i 를 학습하고, 샘플링 기반 q_t 추정에 적용하였다.

실험에서는 공장 에너지 관리 시뮬레이션(DGP)을 설계해 전력 피크(1500 kW 초과)를 이상치로 정의하고, 온도 급증, 냉각 전력 급증, 냉각 스케일 변동 등 세 가지 인위적 원인 주입 시나리오를 테스트했다. 결과는 충분히 큰 L(예: L ≥ 5)에서 두 트렁케이션 방식 모두 원인 변수를 정확히 식별했으며, 비트렁케이션 모델은 메커니즘 근사 오차에도 불구하고 노이즈 기여도 추정에 큰 영향을 주지 않음을 보여준다. 또한, 시차가 짧은 변수(배터리 제어 등)는 빠르게 원인으로 도출되는 반면, 긴 시차를 갖는 온도·냉각 변수는 더 큰 L 이 필요함을 확인했다.

이 논문은 인과적 근원 분석을 시간‑지연 시스템에 적용하는 체계적 프레임워크를 제공함으로써, 에너지 관리뿐 아니라 제조, 의료, 기후 등 다양한 분야에서 복합적인 시계열 이상치를 해석하는 데 유용한 도구가 될 수 있다.