DSMS 환경에서 이상 탐지를 위한 SVM과 리샘플링 기법의 분석 (Analysis of an SVM with Resampling Techniques for Anomaly Detection in a DSMS Environment)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 24권 / 9호 / 442 ~ 455페이지
· 저자명 : 김동효, 구해모, 김형주

초록

실시간 스트림 데이터가 연속적으로 들어오는 DSMS(Data Stream Management System) 환경에서 그 데이터들의 이상여부를 판단하는 아키텍쳐를 고안한다. DSMS는 전통적인 데이터베이스관리시스템보다 스트림 데이터를 처리하는데 최적화된 시스템이며, 일부 제품에서는 SQL 대신 CQL(Continuous Query Language)을 사용한다. 따라서 DSMS에서 이상탐지를 수행하기 위해서는 이상탐지 모델을 CQL 로 DSMS에 등록해야 한다. 본 논문도 이러한 DSMS 환경에서의 이상탐지 상황을 상정하고, 이상탐지 모델을 CQL로 구현하려한다. CQL로의 구현을 고려하여 이상탐지를 위한 클래스 예측 알고리즘은 SVM (Support Vector Machine)을 사용한다. 그리고 본 실험에서는 SVM의 검증 성능을 높이기 위한 실험을진행한다. 데이터집합의 클래스가 불균형할 때 발생할 수 있는 학습모델의 검증 성능 저하 문제를 리샘플링기법을 적용시켜 해결한다. 또한, 학습한 SVM모델의 임계값(threshold)을 조정하여 검증 성능을 최적화한다. 최종적으로 리샘플링된 데이터로 학습하고 임계값 조정된 SVM모델을 CQL로 변환하는 작업을 수행한다. 이 과정은 두 개의 자동화된 변환 블록을 거쳐서 수행하도록 구현한다.

영어초록

In the DSMS (Data Stream Management System) environment, which receives real-time stream data continuously, we devised an architecture to judge whether the data is abnormal or not. DSMS is optimized for processing stream data rather than traditional DBMS, and some products use CQL (Continuous Query Language) instead of SQL. Therefore, an anomaly-detection model must be registered as a CQL in order to perform anomaly detection in the DSMS. This paper assumes an anomaly-detection situation in such a DSMS environment and implements the anomaly-detection model in CQL. Considering the implementation in CQL, we used an SVM (Support Vector Machine) as a class-prediction algorithm for anomaly detection. We performed experiments to improve the validation performance of the SVM. We solved the problem that validation performance of a learned model declines when the dataset is imbalanced, by applying resampling techniques. In addition, we adjusted the threshold of the learned SVM model to optimize the validation performance.
Finally, we converted the threshold-tuned SVM model learned by resampled dataset to CQL. This process was implemented by means of two automated transformation blocks.

참고자료

· 없음