시계열 이상 탐지를 위한 컨텍스트·시즌 LSTM

초록

본 논문은 단변량 시계열(UTS)에서 발생하는 미세한 점 이상과 서서히 상승하는 구간 이상을 효과적으로 탐지하기 위해, 잡음 분해와 주기·컨텍스트 정보를 동시에 학습하는 이중‑브랜치 LSTM 모델인 CS‑LSTM을 제안한다. 시간‑도메인과 주파수‑도메인 표현을 결합해 계절성 변화를 동적으로 포착하고, 마스크된 확률 손실을 통해 정상 패턴만을 학습함으로써 기존 방법들을 능가하는 성능을 입증한다.

상세 분석

CS‑LSTM은 기존 재구성 기반·예측 기반 방법이 놓치기 쉬운 “작은 점 이상”과 “천천히 상승하는 구간 이상”을 해결하기 위해 세 가지 핵심 설계를 도입한다. 첫째, 잡음 분해 전략을 통해 시계열을 Trend + Season + Noise 구조로 분리하고, 웨이블릿 기반의 소프트‑쓰레시홀드 기법으로 Noise만을 제거한다. 이는 라벨이 없는 상황에서도 정상 패턴을 보다 정확히 학습하도록 돕는다. 둘째, 모델은 두 개의 병렬 LSTM 브랜치를 갖는다. S‑LSTM 브랜치는 푸리에 변환 후 얻은 주파수‑도메인 특성을 입력으로 받아 장기적인 계절성(Periodicity)과 그 진화를 모델링한다. C‑LSTM 브랜치는 정규화된 원시 시계열을 사용해 짧은 윈도우 내 로컬 트렌드와 변동성을 포착한다. 두 브랜치의 출력은 가중합으로 결합되어 미래 값을 예측한다. 셋째, 학습 단계에서는 마스크된 부정 로그우도(Negative Log‑Likelihood) 손실을 적용한다. 정상 구간에만 마스크를 두어 손실을 계산함으로써, 이상치가 포함된 구간이 모델을 왜곡하는 것을 방지한다. 이상 탐지는 예측값과 실제값의 차이가 사전에 정의된 정상 범위를 초과하는지 여부로 판단한다. 실험에서는 Numenta Anomaly Benchmark(NAB), Yahoo, 그리고 실서비스 로그 등 5개 공개 데이터셋에서 F1 점수와 탐지 지연 시간에서 기존 최첨단 방법(FCV‑AE, KAN‑AD, TF‑AD 등)을 지속적으로 앞선다. 특히, 40 % 이상의 추론 속도 향상을 달성해 실시간 모니터링에 적합함을 보였다. 전반적으로 CS‑LSTM은 주기성 변동을 동적으로 모델링하고 로컬 트렌드를 보완함으로써, 단변량 시계열에서 미세 이상을 탐지하는 데 필요한 두 축(시간‑도메인·주파수‑도메인)을 효과적으로 결합한 점이 가장 큰 강점이다. 다만, 파라미터 선택(예: 웨이블릿 레벨 L, 윈도우 크기)과 계절성 없는 데이터에 대한 일반화 성능은 추가 연구가 필요하다.