대규모 모바일 네트워크의 무감독 이상 탐지를 위한 확장 가능한 컨텍스트 인식 그래프Attention
요약
본 논문은 대규모 모바일 네트워크 환경에서 발생하는 이상 징후를 탐지하기 위한 'C-MTAD-GAT'라는 새로운 무감독(unsupervised) 이상 탐지 프레임워크를 제안합니다. 이 모델은 시간적 및 특징별 그래프 어텐션 메커니즘을 결합하고, 컨텍스트 조건부 처리를 통해 복잡한 네트워크 요소들의 고차원 KPI 시계열 데이터를 효과적으로 분석합니다. 실험 결과, C-MTAD-GAT는 기존의 베이스라인 대비 높은 성능을 보였으며, 실제 모바일 네트워크 운영 환경에서도 실행 가능하고 도메인 간 확장성이 입증되었습니다.
핵심 포인트
- 대규모 모바일 네트워크의 복잡한 KPI 시계열 데이터에서 이상 징후 탐지는 라벨링 비용 때문에 감독적 접근법이 어렵습니다.
- 제안된 C-MTAD-GAT는 시간적 및 특징별 그래프 어텐션을 결합하여 여러 이종 네트워크 요소에 걸쳐 단일 공유 모델로 작동합니다.
- 모델은 컨텍스트 조건부 처리와 두 개의 디코더를 사용하여 요소별, 특징별 이상 점수를 생성하고 무감독으로 보정된 임계값을 통해 알람을 발생시킵니다.
- 실제 TELCO 데이터셋 및 국가 규모의 모바일 네트워크 운영 환경에 적용하여 높은 성능과 도메인 간 확장성을 입증했습니다.
모바일 네트워크 운영자는 무선 액세스 네트워크와 패킷 코어를 가로지르는 수천 개의 이종 네트워크 요소를 모니터링해야 하며, 각 요소는 고차원 KPI 시계열을 노출합니다. 사고 라벨링의 규모와 비용은 감독적 접근법을 비현실적으로 만들고, 컨텍스트 변화와 비정상성에 견고한 무감독 이상 탐지를 유도합니다. 우리는 대규모 네트워크 요소 집단에 걸쳐 단일 공유 모델로 작동하도록 설계된 extbf{C-MTAD-GAT} ( extit{Context-aware Multivariate Time-series Anomaly Detection with Graph Attention}) 이라는 이상 탐지 프레임워크를 제안합니다. 이 모델은 시간적 및 특징별 그래프Attention을 결합하고, 경량 정적 및 동적 컨텍스트 조건부 처리와 재구성 및 다단계 예측을 위한 두 헤드 디코더를 사용합니다. 이 모델은 요소별, 특징별 이상 점수를 생성하며, 검증 잔차로부터 완전히 무감독으로 보정된 임계값을 통해 알람으로 변환합니다. DC-VAE 와 함께 출시된 TELCO 데이터셋
{garcia2023onemodel} 에서 C-MTAD-GAT 은 이전 그래프Attention 및 VAE 기반 베이스라인보다 이벤트 수준 소속도와 점별 F1 을 개선하고, 더 적은 알람을 생성합니다. 우리는 이제 동일한 시스템을 모바일 네트워크 운영자에서 배포된 국가 규모의 무선 액세스 및 진화 패킷 코어 제어 평면 카운터 데이터에 적용합니다. 운영자 피드백은 알람이 실행 가능하며 일상 모니터링을 지원함을 나타내며, 라벨링된 사고에 의존하지 않고 도메인 간 확장성을 보여줍니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기