0. Abstract
- IoT 데이터에 이상 감지 기술을 적용할 때 마주칠 수 있는 도전에 대한 배경을 제공하며, 문헌에서 가져온 IoT 이상 감지의 응용 예를 들어 설명합니다.
- 우리는 IoT에만 국한되지 않고 다양한 분야에서 개발된 다양한 접근 방법을 논의합니다
- 이상 감지 분야에서 현재 직면하고 있는 도전을 요약하고, 향후 잠재적인 연구 기회를 식별하는 데 중점
I. Introduction
- 현재 많은 이상 감지 방법은 이러한 시스템을 활성화하고 생성된 데이터를 추출하고 해석하는 데 상당한 인간 상호작용을 필요로 합니다.
- 전문가가 시스템 상태를 나타내는 작은 데이터 부분을 보고 수동으로 관심 있는 추세와 패턴을 식별하는 것이 상대적으로 쉽습니다.
- 하지만 시스템이 작더라도 이러한 추세를 수동으로 식별하기 어려울 수 있습니다. 그러나 연결된 장치의 수가 증가함에 따라 이 데이터 분석의 복잡성도 증가하므로, 전문가들이 관찰한 가장 중요한 사건만 조사할 수 있도록 자동화된 접근 방법을 개발하는 데 관심이 있습니다.
II. Defining Anomaly
- IoT 데이터의 특성
- IoT 시스템에 의해 캡처된 데이터의 대부분은 특정 시스템의 평소 운영 특성을 나타내는 "정상"으로 간주될 수 있습니다.
- 시스템의 정상적인 운영 개념은 다양한 이유로 시간이 지남에 따라 변경될 수 있습니다.
- IoT 배치에 의해 생성된 데이터는 모니터링되는 시스템을 지배하는 실제 프로세스의 일부만을 나타냅니다.
A. 포인트 이상(Point Anomaly)
- 매우 짧은 시간(몇 가지 관찰만으로) 내에 이전의 정상 상태로 돌아간다는 것
- 통계적 잡음을 나타낼 수도 있고, 결함 있는 감지 장비에 의해 생성될 수도 있으며, 시스템 운영자에게 관심이 있는 중요한 단기 이벤트를 나타낼 수도 있습니다.
B. 맥락적 이상(Contextual Anomalies)
- 시계열 내에서 예상된 패턴과 다른 관찰이나 시퀀스입니다.
- 그러나 단독으로 취급될 경우 그 신호에 대해 예상되는 값 범위 내에 있을 수 있습니다.
C. 집단적 또는 패턴 이상(Collective or Pattern Anomalies)
- 집단적 이상[6] 또는 패턴 이상[7]은 데이터의 나머지 부분과 관련하여 이상한 관찰들의 모음입니다. 집단적 이상 내의 개별 관찰은 이상적일 수도, 아닐 수도 있지만, 그들이 한 그룹으로 나타날 때 의심을 불러일으킵니다(Fig. 3).
III. Applications for IoT
A. Industrial IoT and Industry 4.0
- 이상 감지는 엔진 기반 기계에서 센서 읽기에 사용되며, 여기서 간단한 기계 학습 접근 방식을 사용하여 1분 해상도의 다양한 매개변수를 기반으로 정상적인 동작을 모델링합니다[12].
- 이 모델들은 수신된 데이터가 학습된 정상 영역을 벗어날 때 특정 고장 모드를 식별하는 데 사용됩니다.
- 이 예에서, 저자들은 많은 추적 데이터 스트림 중 어떤 것이 특정 고장 모드와 가장 관련이 있는지 정의하기 위해 전문가 지식을 사용합니다. 히스토그램을 사용하여 이 감소된 변수 조합 간의 관계를 분석하여 탐지 알고리즘을 안내하는 데 도움이 됩니다. 이 맞춤형 접근 방식은 탐지된 이상 유형을 명확하게 하고 각 방법에 대해 모든 가능한 데이터 스트림을 사용하는 것에 비해 계산 복잡성을 줄입니다.
B. Smart Energy
- 스마트 미터
- 다양한 시간 간격으로 전력 사용을 모니터링하고 이러한 값을 네트워크 운영자에게 자동으로 보고할 수 있습니다. 이는 고객과 컨트롤러 모두에게 유용한 정보를 제공하며, 고객이 자신의 행동을 조정할 수 있는 기회를 제공하는 동시에 전력 회사에서 수동 또는 추정 미터 읽기 요구를 줄입니다.
- 전력 사용의 거의 실시간 모니터링의 한 가지 장점은 에너지 공급업체가 고객이 정전을 알려주는 것에 의존하는 대신 지역 배전망에서 발생하는 고장을 식별할 수 있는 능력입니다[16]. 그들의 접근 방식은 개별적 또는 지역적 수준에서 고장을 식별하고 탐지된 이상의 위치를 파악하는 데 도움이 되는 다수 고객으로부터의 데이터 융합을 사용합니다. 여러 단위가 비슷한 시간에 유사한 문제를 모두 보고한다면, 고장의 위치를 식별하고 어떤 유형의 고장이 발생했는지 추정할 수 있습니다.
- 전력선 통신 신호를 사용하여 배전망에서 전기 고장, 손상된 케이블, 예기치 않은 임피던스 변화와 같은 고장을 식별하고 위치를 파악
- 첫 번째는 시간이 지남에 따라 고장을 감지하고 추적하며,
- 두 번째는 네트워크 토폴로지에 대한 정보를 사용하여 첫 번째 알고리즘에 의해 식별된 고장을 위치시킵니다.
- 마이크로-싱크로페이저 유닛
- 기록된 값은 전통적인 빅데이터 분석 기술을 사용하여 전력망에서의 고장 및 실패 감지 및 위치 파악에 유용함이 입증되었습니다.
- [18]에서는 설치된 각 유닛에서의 샘플링 주파수(초당 약 120회 읽기)가 배치될 수 있는 자동화된 탐지 프로세스에 대한 상당한 계산적 도전을 제기
C. Smart City and Buildings