[논문 리뷰] Real-Time Adaptive Anomaly Detection in Industrial IoT Environments

Mahsa Raeiszadeh, Amin Ebrahimzadeh외 3명|arXiv (Cornell University)|2026. 01. 06.

Data Stream Mining Techniques인용 수 0

한 줄 요약

이 논문은 다차원 IIoT 스트림에서 다중 소스 예측, PCA 기반 차원 축소, 그리고 개념 드리프트를 처리하기 위한 Real-Time Optimized Adaptive Windowing을 활용하는 실시간의 드리프트 적응형 이상 탐지 방법 SAPDAD를 제시한다.

ABSTRACT

To ensure reliability and service availability, next-generation networks are expected to rely on automated anomaly detection systems powered by advanced machine learning methods with the capability of handling multi-dimensional data. Such multi-dimensional, heterogeneous data occurs mostly in today's industrial Internet of Things (IIoT), where real-time detection of anomalies is critical to prevent impending failures and resolve them in a timely manner. However, existing anomaly detection methods often fall short of effectively coping with the complexity and dynamism of multi-dimensional data streams in IIoT. In this paper, we propose an adaptive method for detecting anomalies in IIoT streaming data utilizing a multi-source prediction model and concept drift adaptation. The proposed anomaly detection algorithm merges a prediction model into a novel drift adaptation method resulting in accurate and efficient anomaly detection that exhibits improved scalability. Our trace-driven evaluations indicate that the proposed method outperforms the state-of-the-art anomaly detection methods by achieving up to an 89.71% accuracy (in terms of Area under the Curve (AUC)) while meeting the given efficiency and scalability requirements.

연구 동기 및 목표

• 동적이고 고차원의 IIoT 환경에서 신뢰할 수 있는 실시간 이상 탐지를 촉진한다.
• 역량 확장성과 효율성을 유지하면서 개념 드리프트를 처리하는 아키텍처를 개발한다.
• 스트리밍 데이터의 탐지 정확도를 향상시키기 위해 다중 소스 예측과 드리프트 적응을 통합한다.
• 차원 축소와 특성 간 상관관계를 활용하여 성능과 확장성을 향상시킨다.

제안 방법

• 미래 시퀀스의 시계열 예측을 위한 LSTM 기반 다중 소스 예측 모듈을 사용한다.
• 유전 알고리즘을 도입하여 예측 모델 파라미터를 최적화한다.
• Real-Time Optimized Adaptive Windowing (RealTimeOAW)를 도입하여 드리프트 탐지 및 모델 업데이트를 수행한다.
• PCA 기반 차원 축소를 적용하여 특징 간 상관관계를 활용하고 계산을 감소시킨다.
• 예측기에 공급하기 전에 정제, 정규화, 상관관계 분석, TSA 기반 계절 특성 추출로 데이터를 전처리한다.
• 정확도, 처리 속도 및 효율성 측면에서 실제 데이터 세트(KDDCup99, IoTID20, WUSTL-IIoT)를 활용한 트레이스 기반 설정으로 평가한다.

실험 결과

연구 질문

• RQ1 고속 다차원 IIoT 데이터 스트림에서 실시간 이상 탐지를 어떻게 달성할 수 있는가?
• RQ2 개념 드 drift가 이상 탐지에 어떤 영향을 미치며 모델은 실시간으로 어떻게 적응할 수 있는가?
• RQ3 다중 소스 예측과 드리프트 적응을 결합하면 IIoT 환경의 탐지 정확도와 확장성을 향상시킬 수 있는가?
• RQ4 PCA를 통한 차원 축소와 계절 특성 추출이 정확도를 희생하지 않으면서 탐지 효율을 향상시키는가?

주요 결과

• 트레이스 기반 평가에서 AUC로 측정한 최대 89.71%의 정확도 달성.
• 다차원 스트림에서 확장 가능한 처리로 실시간 탐지 기능을 시연한다.
• RealTimeOAW가 개념 드리프트에 적응하도록 모델 업데이트에 효과적임을 보여준다.
• 특징 간 상관관계를 유지하면서 차원을 축소하고 효율성을 개선하기 위해 PCA를 활용한다.
• 세 가지 실제 데이터 세트(KDDCup99, IoTID20, WUSTL-IIoT)에 대해 탐지 정확도, 처리 속도, 계산 효율성을 검증한다.