[논문 리뷰] A Method for Detecting Abnormal Data of Network Nodes Based on Convolutional Neural Network

Yihao Zang, Xianhao Shen외 1명|arXiv (Cornell University)|2021. 06. 28.

Anomaly Detection Techniques and Applications참고 문헌 3인용 수 4

한 줄 요약

이 논문은 정규화된 데이터를 회색조 이미지로 변환하여 입력으로 사용하는 컨볼루션 신경망(CNN) 기반 방법을 제안한다. 이 방법은 데이터 특성들을 자동으로 학습함으로써 탐지 정확도와 신뢰성을 향상시키며, 실험적 검증에서 전통적인 임계값 기반 방법보다 뛰어난 성능을 보인다.

ABSTRACT

Abnormal data detection is an important step to ensure the accuracy and reliability of node data in wireless sensor networks. In this paper, a data classification method based on convolutional neural network is proposed to solve the problem of data anomaly detection in wireless sensor networks. First, Normal data and abnormal data generated after injection fault are normalized and mapped to gray image as input data of the convolutional neural network. Then, based on the classical convolution neural network, three new convolutional neural network models are designed by designing the parameters of the convolutional layer and the fully connected layer. This model solves the problem that the performance of traditional detection algorithm is easily affected by relevant threshold through self-learning data characteristics of convolution layer. The experimental results show that this method has better detection performance and higher reliability.

연구 동기 및 목표

• 고장 또는 이면적인 원인으로 인한 신뢰할 수 없는 데이터 탐지 문제를 해결하기 위해.
• 매개변수 설정과 환경 변화에 민감한 전통적인 임계값 기반 탐지 방법의 한계를 극복하기 위해.
• 정상 및 비정상 데이터로부터 내재된 패턴을 학습하는 데이터 기반 접근법을 개발하여 강력한 이상 탐지 기능을 확보하기 위해.
• 네트워크 기반 센서 시스템에서 데이터 무결성 검증의 신뢰성과 정확도를 향상시키기 위해.

제안 방법

• 정상 및 비정상 데이터는 정규화되고 회색조 이미지로 매핑되어 컨볼루션 신경망의 입력으로 사용된다.
• 컨볼루션 및 완전 연결층의 매개변수를 조정하여 세 가지 맞춤형 CNN 아키텍처를 설계하여 특징 추출을 최적화한다.
• 컨볼루션층의 계층적 특징 학습 능력을 활용하여 사전 정의된 임계값에 의존하지 않고도 복잡한 데이터 패턴을 자동으로 캡처한다.
• 이미지로 표현된 데이터를 기반으로 엔드 투 엔드로 모델을 훈련시켜 입력을 정상 또는 비정상으로 분류한다.
• 클래식한 CNN 프레임워크를 기반으로 하지만 센서 데이터 표현에 맞게 조정된 초매개변수를 적용하여 수정된 아키텍처를 사용한다.
• 이 방법은 데이터 특성의 자가 학습 기능을 제공하여 수동 임계값 조정에 대한 의존도를 감소시킨다.

실험 결과

연구 질문

• RQ1 고정 임계값에 의존하지 않고도 CNN 기반 접근법이 무선 센서 네트워크에서 이상 데이터를 효과적으로 탐지할 수 있는가?
• RQ2 센서 데이터의 이미지 기반 표현 방식이 기존 방법에 비해 이상 탐지 성능을 어떻게 향상시키는가?
• RQ3 맞춤형 CNN 아키텍처 설계가 센서 데이터 응용 분야에서 탐지 정확도와 강건성에 어떤 영향을 미치는가?
• RQ4 모델이 다양한 유형의 센서 데이터 고장 주입에 대해 얼마나 일반화될 수 있는가?
• RQ5 CNN의 자가 학습 기능이 동적인 네트워크 환경에서 탐지 신뢰성을 어떻게 향상시키는가?

주요 결과

• 이상 데이터 패턴을 학습할 수 있는 능력 덕분에 제안된 방법은 기존의 임계값 기반 알고리즘보다 더 높은 탐지 정확도를 달성한다.
• 다양한 고장 주입 시나리오에서 비정상 데이터 식별에 있어 모델의 신뢰성이 향상됨을 입증하였다.
• 회색조 이미지 표현 방식이 효과적인 분류를 위해 센서 데이터의 구조적 특징을 효과적으로 유지한다.
• 주어진 데이터셋에서 맞춤형 CNN 아키텍처가 표준 모델보다 탐지 성능 측면에서 뛰어난 성능을 보였다.
• 매개변수 조정에 대한 민감도가 감소하여 실세계 구현에서 강건성이 향상됨을 확인하였다.
• 실험 결과는 다양한 조건에서 정상 및 비정상 데이터를 구분하는 데서 모델의 뛰어난 성능을 확인하였다.