[논문 리뷰] Root Cause Identification for Collective Anomalies in Time Series given an Acyclic Summary Causal Graph with Loops

Karim ASSAAD, Imad Ez-zejjari외 1명|arXiv (Cornell University)|2023. 03. 07.

Time Series Analysis and Forecasting인용 수 4

한 줄 요약

이 논문은 다변량 시계열에서 집합적 이상 현상의 원인을 규명하기 위해 순환 구조를 가진 개괄적 인과 그래프(ASCGL)와 관측 데이터를 사용하는 EasyRCA를 제안한다. d-분리 기법을 활용해 문제를 독립적인 부분 문제로 분해하고, 그래프 기반 추론과 새로운 조정 집합을 통한 직접 효과 비교를 융합하여, 시뮬레이션된 데이터와 실제 IT 모니터링 데이터에서 높은 F1 점수(최대 1.0)를 달성한다.

ABSTRACT

This paper presents an approach for identifying the root causes of collective anomalies given observational time series and an acyclic summary causal graph which depicts an abstraction of causal relations present in a dynamic system at its normal regime. The paper first shows how the problem of root cause identification can be divided into many independent subproblems by grouping related anomalies using d-separation. Further, it shows how, under this setting, some root causes can be found directly from the graph and from the time of appearance of anomalies. Finally, it shows, how the rest of the root causes can be found by comparing direct effects in the normal and in the anomalous regime. To this end, an adjustment set for identifying direct effects is introduced. Extensive experiments conducted on both simulated and real-world datasets demonstrate the effectiveness of the proposed method.

연구 동기 및 목표

• 이상 데이터가 부족하고 인과 발견이 비현실적인 다변량 시계열에서 원인 규명 문제를 해결한다.
• 대규모 이상 데이터가 필요하고 시간 압박 상황에서 전문가 검증이 필요한 기존 인과 발견 방법의 한계를 극복한다.
• 동적 시스템의 정상 상태를 반영하는 사전 검증된 순환 구조를 가진 개괄적 인과 그래프(ASCGL)를 활용한다.
• 인과 발견 과정 없이도 관측 시계열 데이터와 인과 구조를 활용해 확장성 있고 효율적인 원인 규명 방법을 개발한다.
• 구조적 추론과 직접 효과의 통계적 비교를 융합하여 원인 규명의 정밀도와 재현율을 균형 있게 확보한다.

제안 방법

• d-분리를 활용해 관련 이상 현상을 독립적인 부분 문제로 그룹화하여 모듈식 원인 분석을 가능하게 한다.
• 가능한 한도에서 ASCGL와 이상 현상 발생 시점을 직접 활용해 원인을 규명한다.
• 남은 원인에 대해서는 정상 상태와 이상 상태 간의 직접 효과를 새로운 조정 집합을 통해 비교하여 규명한다.
• 일관성과 인과의 충분성 가정 하에 구조적 인과 모델(스캐터 모델, SCM)을 사용해 문제를 수리적으로 정의한다.
• 메서드의 강건성과 성능 평가를 위해 시뮬레이션에서 구조적 및 파rametric 간섭을 적용한다.
• 창시된 인과 그래프를 중간 추상화로 활용해, 시간적 의존성을 반영하기 위해 자기 순환을 허용하는 비순환 구조의 요약 인과 그래프를 유도한다.

실험 결과

연구 질문

• RQ1 개괄적 인과 그래프에서 d-분리를 활용해 집합적 이상 원인 규명 문제를 독립적인 부분 문제로 분해할 수 있는가?
• RQ2 그래프 구조와 이상 현상 발생 시점만으로 얼마나 정확하게 원인을 규명할 수 있는가?
• RQ3 제안된 조정 집합이 구조적 및 파arametric 간섭 상황에서 직접 효과를 규명함으로써 원인 규명에 얼마나 효과적인가?
• RQ4 실제 IT 모니터링 데이터에서 지식 기반 진단 결과가 있는 상황에서 이 방법의 성능은 어떠한가?
• RQ5 최신 기술 대비 원인 규명에서 임의의 양성과 임의의 음성 간의 상호 보완적 관계는 어떠한가?

주요 결과

• EasyRCA는 이상 크기가 2000인 시뮬레이션 데이터에서 F1 점수 1.0을 기록하여 구조적 간섭 상황에서 완벽한 성능을 입증했다.
• EasyRCA ∗ 역시 동일한 데이터에서 F1 점수 1.0을 기록하여 ASCGL의 미세한 오류에 대해 뛰어난 강건성을 보였다.
• 파arametric 간섭 상황에서 EasyRCA와 EasyRCA ∗는 WhyMDC, MicroCause, CloudRanger를 모두 앞서며 더 두드러진 성능 격차를 보였다.
• 실제 IT 모니터링 데이터에서 EasyRCA는 PMDB와 ESB를 정확히 원인으로 규명하여 전문가 진단 결과와 일치했으며, MicroCause와 CloudRanger를 능가했다.
• 이 방법은 가장 우수한 임의의 양성과 임의의 음성 간의 상호 보완적 관계를 확보했으며, PMDB는 원인 정점으로, RTMB와 ESB는 구조적 간섭으로 규명되었다.
• WhyMDC와 MicroCause는 원인 정점을 규명할 수 있었지만, EasyRCA만큼 효과적으로 구조적 간섭을 규명하지 못했다.