다변량 시계열 이상탐지 및 원인 분석을 위한 공정 구조지식 계층적 하이퍼 그래프 모델 = A Process Structural Knowledge-Based Hierarchical HyperGraph Architecture for Multivariate Time-Series Anomaly Detection and Root Cause Analysis

다국어 초록 (Multilingual Abstract)

In real industrial processes, data are continuously collected from various sensors and actuators, such as flow meters, pressure sensors, pumps, and valves. Although the data collected from each sensor may appear to be independent, they are structurally related within the process. When an abnormal situation occurs, sensor values do not change independently; instead, they form interrelated change patterns according to the process stage to which each sensor belongs and the physical flow between process units. Therefore, effective anomaly detection in industrial processes requires not only the temporal pattern of each individual sensor but also the underlying process structure.
In this study, a process structural knowledge-based hierarchical hypergraph architecture is proposed to mimic the structure of real industrial processes. The proposed model performs multivariate time-series anomaly detection by hierarchically modeling both sensor-level and process-level representations. First, multi-scale one-dimensional convolution is applied to each sensor time-series window to extract temporal change patterns, and process topology information is injected into sensor embeddings to reflect the positional information of each sensor within the process flow. Then, a process-knowledge is used to aggregate information from sensors that belong to the same process or are structurally related, thereby generating sensor-level representations. Next, the sensor-to-process membership relationship is defined in the form of a hypergraph, and sensor representations belonging to the same process are aggregated into process-level representations. In addition, a directed process flow graph is used to generate process-level representations that reflect upstream and downstream process contexts. Finally, the process-level context is redistributed back to the sensor level, and anomaly scores are computed based on the reconstruction error of sensor representations that incorporate process context.
Furthermore, this study uses the process structural knowledge graph to trace abnormal causes. The attack point information provided by the dataset is defined as a proxy label for the root cause sensor, and root cause candidates are traced using the process knowledge graph, upstream tracing based on process flow, and sensor state changes.
The performance of the proposed model was evaluated using industrial control system datasets. Experimental results show that the proposed model achieved competitive anomaly detection performance compared with baselines, indicating that hierarchical modeling with process structural knowledge can contribute to improved multivariate time-series anomaly detection. In addition, the root cause candidate tracing results show that process structural knowledge can be used to trace not only the sensors where anomalies are observed but also possible causes of abnormal events. These results suggest that incorporating process structural knowledge into industrial multivariate time-series anomaly detection can improve both detection performance and traceability

목차 (Table of Contents)

• I. 서론 1
• 1. 연구 배경 1
• 1.1 산업 공정 이상 탐지와 원인 분석의 중요성 1
• 1.2 산업 공정 다변량 시계열의 관계적 특성 2
• 1.3 다변량 시계열 이상 탐지 방법의 발전 4
• 1.4 다변량 시계열 이상 탐지 연구 문헌 조사 5
• 2. 연구 필요성 9
• 2.1 공정 구조를 반영한 계층적 이상 탐지 모델의 필요성 9
• 2.2 공정 구조 지식 기반 이상 원인 분석 및 RCA의 필요성 10
• 3. 연구 목표 및 기여 12
• 3.1 연구 목표 12
• 3.1.1 세부 목표 12
• 3.2 연구의 기여 12
• II. 제안 모델 15
• 1. 전체 아키텍처 개요 15
• 2. 공정 구조지식 사전 그래프 정의 18
• 2.1 센서 그래프 정의 18
• 2.2 센서-공정 하이퍼그래프 정의 19
• 2.3 공정 흐름 그래프 정의 20
• 3. 센서 수준 계층（Sensor-Level Layer） 20
• 3.1 Multi-Scale 1D Convolution Encoder 20
• 3.2 공정 위상정보 기반 센서 임베딩 보강 21
• 3.3 공정 구조지식 기반 Sensor GAT 22
• 4. 공정 수준 계층（Process-Level Layer） 23
• 4.1 센서-공정 하이퍼그래프 정의 23
• 4.2 하이퍼그래프 기반 센서-공정 집계 25
• 4.3 하이퍼그래프 집계의 행렬 표현 26
• 4.4 방향성 공정 흐름 그래프 기반 프로세스 노드 문맥 인코딩 27
• 5. Hierarchical Integration 28
• 5.1 프로세스 노드 문맥의 센서 수준 재분배 28
• 5.2 Sensor-wise Gate 기반 공정 문맥 주입 29
• 5.3 임베딩 복원 기반 이상 점수 산출 29
• 5.4 손실 함수 설계 30
• 6. 공정 구조지식 기반 원인 후보 분석 및 추적 32
• 6.1 기존 원인 분석 방법의 한계와 구조적 접근의 필요성 32
• 6.2 원인 후보 평가를 위한 기준 라벨 정의 33
• 6.3 원인 후보 추적을 위한 원인–영향 사전 그래프 구성 34
• 6.4 이상 구간별 센서 및 공정 이상 증거 집계 36
• 6.5 공정 흐름 기반 상류 원인 후보 역추적 36
• 6.6 상태 변화 및 사전지식 기반 원인 후보 순위화 37
• 6.7 원인 후보 추적 결과의 해석 및 활용 38
• III. 실험 및 평가 40
• 1. 실험 설정 40
• 1.1 평가 데이터셋 40
• 1.2 공통 실험 설정 40
• 2. 이상탐지 평가 42
• 2.1 이상탐지 평가 목적 42
• 2.2 이상탐지 평가 프로토콜 42
• 2.3 Baseline 모델 42
• 2.4 SWaT 데이터셋 이상탐지 결과 43
• 2.5 WADI 데이터셋 이상탐지 결과 43
• 2.6 추가 공정 데이터셋에 대한 일반화 성능 분석 44
• 2.7 Loss 가중치에 따른 모델 성능 분석 47
• 2.8 Ablation Study 49
• 2.9 윈도우 및 다중 커널 구성 민감도 분석 50
• 2.9.1 실험 설정 50
• 2.9.2 결과 분석 51
• 2.10 이상탐지 결과 분석 53
• 3. RCA 평가 55
• 3.1 RCA 평가 목적 55
• 3.2 RCA Label 정의 55
• 3.3 RCA 평가 지표 56
• 3.4 RCA 결과 57
• 3.5 RCA 결과 분석 58
• IV. 결론 및 향후 연구 59
• 1. 결론 59
• 2. 향후 연구 61
• V. References 63