스마트워치와 스마트 팩토리와 같은 시계열 데이터 저장 기술이 보편화됨에 따라, 우리는 집합적으로 대량의 시계열 데이터를 축적하고 있다. 이러한 시계열 데이터의 축적과 함께, 사이버 침입 탐지(Cyber-Intrusion Detection), 사기 탐지(Fraud Detection), 소셜 네트워크 이상 탐지(Social Networks Anomaly Detection), 산업 이상 탐지(Industrial Anomaly Detection)와 같은 비정상 패턴을 탐지하는 시계열 이상 탐지 기술의 중요성이 부각되고 있다. 과거에는 시계열 이상 탐지 알고리즘이 주로 단변량(univariate) 데이터를 처리하는 데 집중되어 왔다. 그러나 기술의 발전과 함께 시계열 데이터는 복잡해졌으며, 이에 대응하는 딥러닝 기반 시계열 이상 탐지 기술이 활발히 개발되고 있다. 현재 대부분의 산업에서는 시계열 이상을 탐지하기 위해 딥러닝 알고리즘에 의존하고 있다. 본 논문에서는 시계열 도메인의 세 가지 경우에 적용할 수 있는 다중-포인트 LSTM의 앙상블을 기반으로 한 이상 탐지 알고리즘을 제안한다. 우리는 세 단계로 구성된 이상 탐지 모델을 제안한다. 첫 번째 단계는 모델 선택 단계로, 사용자 지정 범위 내에서 모델을 학습하고 그중에서 가장 적합한 모델들을 자동으로 선택한다. 다음 단계에서는 앞서 선택된 모델들의 앙상블 기법을 스태킹하여 M개의 LSTM으로부터 수집된 출력 벡터를 완성한다. 마지막 단계에서는 두 번째 단계의 출력 벡터를 이용하여 최종적으로 이상을 탐지한다. 우리는 제안된 모델의 성능을 다른 최신 시계열 탐지 딥러닝 모델들과 비교하는 실험을 세 개의 실제 데이터셋을 사용하여 수행하였다. 본 방법은 세 가지 데이터셋에서 우수한 정확도, 효율적인 실행 시간, 그리고 양호한 F1 점수를 보였으나, LSTM 앙상블을 학습하는 데에는 자연스럽게 더 많은 시간이 요구된다.

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