ABSTRACT
- 시계열 이상 감지의 중요성: 웹 시스템은 실시간으로 이상을 감시하고 식별하기 위해 시계열 데이터에 의존합니다. 이는 시스템의 진단과 복구 절차를 시작하는 데 중요한 역할을 합니다.
- VAE의 인기와 한계: 변이형 오토인코더(VAE)는 우수한 노이즈 제거 능력으로 인해 이상 감지 분야에서 인기를 얻었습니다. 그러나 VAE 기반 방법은 장기간의 이질적 패턴과 단기간 trend를 동시에 포착하는 데 어려움을 겪습니다.
- FCVAE의 제안: 이러한 도전을 극복하기 위해, 단변량 시계열 데이터를 위한 주파수 강화 조건부 변이형 오토인코더(FCVAE)라는 새로운 비지도 학습 이상 감지 방법을 제안합니다.
- 혁신적 접근 방식: FCVAE는 조건부 변이형 오토인코더의 조건에 전역 및 지역 주파수 특성을 동시에 통합함으로써 정상 데이터의 재구성 정확도를 크게 향상시킵니다.
- 대상 주목 메커니즘: 신중하게 설계된 대상 주목 메커니즘을 통해 모델이 주파수 도메인에서 가장 유용한 정보를 선택하고 더 나은 단기간 추세 구축을 가능하게 합니다.
- 성능 평가: FCVAE는 공개 데이터셋과 대규모 클라우드 시스템에서 평가되었으며, 최신 방법들을 능가하는 성능을 보여주었습니다. 이는 FCVAE의 실질적 적용 가능성을 확인시켜 줍니다.
⇒ 단변량 위함
⇒ VAE 기반 방법은 장기간의 이질적 패턴과 단기간 trend를 동시에 포착하는 데 어려움
제안하는 것
단변량 시계열 데이터를 위한 주파수 강화 조건부 변이형 오토인코더(FCVAE)