센서 기반 사물인터넷(IoT) 시스템은 데이터 스트림으로부터 사건을 감지하고 사건 처리(event processing)를 통해 적절한 조치를 수행한다. 사건 처리의 핵심인 사건 규칙(event rules)은 통상적으로 도메인 전문가가 수동으로 정의한다. 그러나 IoT 시스템의 런타임 동안 라벨이 없는 모든 사건에 대해 전문가가 규칙을 수동 설정하는 데에는 한계가 있다. 따라서 라벨이 없는 사건에 대한 규칙 생성을 지원하는 방법이 필요하다. 본 연구는 기존 사건 처리에 두 단계를 추가함으로써 이 문제를 다룬다. 첫 번째 단계는 데이터 스트림으로부터 라벨이 없는 사건을 탐지하는 것이다. IoT 시스템의 특성을 고려하여, 우리는 다변량 시계열 데이터로부터 다양한 시간 규모의 사건을 탐지할 수 있는 이상 탐지(anomaly detection) 기법의 확장인 Multi-Temporal-Scale Sampling(MulTemS)을 제안한다. 두 번째 단계는 유사한 사건들 간의 클러스터를 형성하는 것이다. 우리는 특징(feature) 추출을 통해 클러스터 수를 예측하고 도메인 중립적인 클러스터링을 수행하는 Feature-based Clustering Number prediction and Clustering(FeatCNC)을 제안한다. 실험을 통해 MulTemS가 여러 시간 규모에 해당하는 사건을 효과적으로 탐지할 수 있음을, 그리고 FeatCNC가 다양한 도메인 전반에서 사건을 안정적으로 클러스터링할 수 있음을 보여준다. 또한 이 두 단계를 통합하면 사건의 특성을 포착하는 더 나은 클러스터 형성이 이루어짐을 검증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.