KR20230000128A

KR20230000128A - 이동통신 장비 이상 검출 시스템 및 방법

Info

Publication number: KR20230000128A
Application number: KR1020210082137A
Authority: KR
Inventors: 이택현
Original assignee: 주식회사 엘지유플러스
Priority date: 2021-06-24
Filing date: 2021-06-24
Publication date: 2023-01-02

Abstract

이동통신 장비 이상 검출 시스템 및 방법이 개시된다. 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템은, 이동통신 장비에 대한 정보를 이상 입력 값으로 수신하여 제1 데이터 셋(data set)을 구축하는 데이터 전처리 모듈; 상기 제1 데이터 셋에 대한 제1 유형의 기계 학습하여 학습 결과 값으로 생성하고 상기 학습 결과 값과 이동통신 장비의 장애 이력 값을 결합하여 이동통신 장비의 비정상 여부를 나타내는 이상 결과 값으로 생성하는 이상 검출 모듈; 및 상기 이상 결과 값에 대응되는 라벨링 데이터(Labeled Data)에 대한 상기 제1 유형과 다른 제2 유형의 기계 학습으로 이동통신 장비의 이상과 관련된 주요 인자를 추출하고 상기 이상 결과 값의 정확도를 분석하는 결과 분석 모듈;을 포함한다.

Description

이동통신 장비 이상 검출 시스템 및 방법 {Mobile Communication Equipment Anomaly Detection System and Method}

이하의 개시는 이동통신 장비의 이상을 검출하고 학습할 수 있는 이동통신 장비 이상 검출 시스템 및 방법에 관한 것이다.

코로나 19로 인하여 이동통신 서비스를 활용하는 언택트 기술이 발전하고 있다. 다수의 사람들이 스마트폰을 활용하여 영화를 감상하거나 모바일 게임으로 여가 생활을 보내고 있으며, 가정에서 외출을 하지 않고 음식과 생필품을 주문하는 등 생활 패턴의 변화가 발생하고 있다. 또한, 브로드밴드 통신을 활용하기 어려운 지역에 5G 서비스 제공을 검토하는 등 다양한 분야에서 이동통신 서비스의 활용 비중이 높아질 것으로 예상된다.

따라서, 고객의 단말과 직접 연결되는 모바일 접속망을 이루는 기지국 등 이동통신 장비에 장애 또는 이상이 발생하면 이동통신 서비스 품질 저하에 따른 고객 불편이 더 심화될 수 있다.

현재, 이동통신 장비에 대해서 알람이 발생한 이동통신 장비의 이상 유무에 대한 정확성이 담보되지 않거나, 사후 장애로 인지할 수밖에 없는 등, 이동통신 장비의 이상을 용이하고 정확히 확인하거나 사전 확인을 통한 장애 예방 등을 할 수 없어 이동통신 서비스 품질을 보장하기 어려운 한계가 있다.

이에 이동통신 장비의 이상을 정확하게 분석하고 분석 결과에 기반한 추가적인 학습이 가능하며 이상의 사전 탐지가 가능하여 이동통신 서비스 품질을 보장할 수 있는 이동통신 장비 이상 검출 시스템 및 방법을 제공하고자 한다.

본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템은, 이동통신 장비에 대한 정보를 이상 입력 값으로 수신하여 제1 데이터 셋(data set)을 구축하는 데이터 전처리 모듈; 상기 제1 데이터 셋에 대한 제1 유형의 기계 학습하여 학습 결과 값으로 생성하고 상기 학습 결과 값과 이동통신 장비의 장애 이력 값을 결합하여 이동통신 장비의 비정상 여부를 나타내는 이상 결과 값으로 생성하는 이상 검출 모듈; 및 상기 이상 결과 값에 대응되는 라벨링 데이터(Labeled Data)에 대한 상기 제1 유형과 다른 제2 유형의 기계 학습으로 이동통신 장비의 이상과 관련된 주요 인자를 추출하고 상기 이상 결과 값의 정확도를 분석하는 결과 분석 모듈;을 포함한다.

상기 이상 결과 값은, 다변량의 상기 이상 입력 값에 대해 단변량으로 생성될 수 있다.

상기 이상 검출 모듈은, 상기 제1 데이터 셋에 대해 상기 제1 유형의 기계 학습을 수행하여 이상 스코어(anomaly score)로 생성하는 이상 스코어 생성부; 적어도 둘 이상의 서로 다른 이상 탐지 방식으로 상기 이상 스코어를 분석하여 각각의 탐지 방식에 대한 탐지 결과로 출력하는 이상 탐지부; 및 상기 탐지 결과들을 결합하여 상기 학습 결과 값으로 생성하고 상기 학습 결과 값과 상기 장애 이력 값을 결합하여 상기 이상 결과 값으로 생성하는 결과 값 생성부;를 포함할 수 있다.

상기 이상 스코어 생성부는, 상기 이동통신 장비의 알람 정보 및 성능 정보를 포함하는 상기 이상 입력 값에 대해 상기 이상 스코어를 단변량으로 생성할 수 있다.

상기 이상 탐지부는, 상기 이상 스코어에 대한 정규분포에서 임의의 표준편차 범위에 속하는지에 근거하여 상기 이상 스코어에 대한 제1 탐지 결과 값을 생성하는 제1 이상 탐지부; 및 상기 이상 스코어에 대한 시계열 분석에서 신뢰 구간에 속하는지에 근거하여 상기 이상 스코어에 대한 제2 탐지 결과 값을 생성하는 제2 이상 탐지부;를 포함할 수 있다.

상기 제1 이상 탐지부는, 상기 이상 스코어에 대해 3-시그마 규칙(Three-Sigma Rule) 알고리즘을 적용하여 상기 제1 탐지 결과 값을 생성하고, 상기 제2 이상 탐지부는, 상기 이상 스코어에 대해 프로펫(Prophet) 알고리즘을 적용하여 상기 제2 탐지 결과 값을 생성할 수 있다.

상기 제1 이상 탐지부 및 상기 제2 이상 탐지부 중 적어도 하나는, 상기 표준편차 범위 또는 상기 신뢰 구간을 이동통신 장비에 요구되는 이상 검출 수준에 상응하여 설정될 수 있다.

상기 결과 값 생성부는, 상기 각각의 탐지 방식에 대한 탐지 결과를 논리곱 연산하여 상기 학습 결과 값으로 생성할 수 있다.

상기 결과 분석 모듈은, 상기 라벨링 데이터를 대한 오버샘플링(oversampling)하는 오버샘플링부; 상기 오버샘플링된 라벨링 데이터에 대한 상기 제2 유형의 기계 학습을 수행하여 주요 인자를 선택하는 주요 인자 선택부; 및 상기 주요 인자에 대한 상기 이상 결과 값의 정확도를 산출하는 정확도 산출부;를 포함할 수 있다.

상기 결과 분석 모듈은, 상기 주요 인자를 상기 데이터 전처리 모듈로 피드백하고, 상기 데이터 전처리 모듈은, 상기 주요 인자에 근거하여 상기 제1 데이터 셋을 재구축할 수 있다.

상기 제1 유형의 기계 학습은 비지도 학습(Unsupervised Learning)이고, 상기 제2 유형의 기계 학습은 지도 학습(Supervised Learning)일 수 있다.

상기 제1 유형의 기계 학습은 RRCF(Robust Random Cut Forest) 알고리즘을 적용한 기계 학습이고, 상기 제2 유형의 기계 학습은 LightGBM 알고리즘을 적용한 기계 학습일 수 있다.

상기 이상 결과 값을 시각화하여 제공하는 대시보드를 구비하는 인터페이스 모듈을 더 포함할 수 있다.

상기 이상 결과 값에 근거하여 이동통신 장비의 이상에 대한 제어를 수행하는 제어 모듈을 더 포함할 수 있다.

본 발명의 실시예에 따른 이동통신 이상 검출 시스템은, 이동통신 장비에 대한 알람 및 성능 지표를 수신하여 제1 데이터 셋(data set)을 구축하는 데이터 전처리 모듈; 상기 제1 데이터 셋에 대한 비지도 학습을 통해 생성된 단변량의 이상 스코어(anomaly score) 및 상기 이상 스코어에 대한 이종의 이상 탐지 결과를 논리곱하여 생성된 학습 결과 값을 생성하고, 상기 학습 결과 값과 이동통신 장비의 장애 이력 값을 결합하여 이동통신 장비의 비정상 여부를 나타내는 이상 결과 값으로 생성하는 이상 검출 모듈; 및 상기 이상 결과 값에 대응되는 라벨링 데이터(labeled data)에 대한 지도 학습을 수행하여 이동통신 장비의 이상과 관련된 주요 인자를 추출하고 상기 이상 결과 값의 정확도를 분석하는 결과 분석 모듈;을 포함하고, 상기 데이터 전처리 모듈은, 상기 결과 분석 모듈로부터 피드백되는 상기 주요 인자에 근거하여 상기 제1 데이터 셋을 재구축한다.

본 발명의 실시예에 따른 이동통신 이상 검출 방법은, 이동통신 장비에 대한 정보를 이상 입력 값으로 수신하고, 상기 이상 입력 값에 대한 제1 데이터 셋(data set)을 구축하는 데이터 전처리 단계; 상기 제1 데이터 셋에 대한 제1 유형의 기계 학습을 수행하여 이상 스코어(anomaly score)를 생성하고, 상기 이상 스코어에 근거하여 이동통신 장비의 비정상 여부를 이상 결과 값으로 생성하는 이상 검출 단계; 및 상기 이상 결과 값에 대응되는 라벨링 데이터(labeled data)에 대한 상기 제1 유형과 상이한 제2 유형의 기계 학습을 통해 이상과 관련된 주요 인자를 추출하고 상기 이상 결과 값의 정확도를 분석하는 결과 분석 단계;를 포함한다.

상기 데이터 전처리 단계는, 다변량의 상기 이상 입력 값에 대한 상기 제1 데이터 셋을 구축하고, 상기 이상 검출 단계는, 상기 이상 스코어를 단변량으로 생성할 수 있다.

상기 이상 검출 단계는, 상기 이상 스코어에 대한 정규분포에서 임의의 표준편차 범위에 속하는지에 근거하여 상기 이상 스코어에 대한 제1 탐지 결과 값을 생성하는 단계; 상기 이상 스코어에 대한 시계열 분석에서 신뢰 구간에 속하는지에 근거하여 상기 이상 스코어에 대한 제2 탐지 결과 값을 생성하는 단계; 상기 제1 탐지 결과 값 및 상기 제2 탐지 결과 값을 논리곱한 결과에 근거하여 학습 결과 값을 생성하는 단계; 및 상기 학습 결과 값 및 이동통신 장비의 장애 이력 값을 결합하여 상기 이상 결과 값을 생성하는 단계;를 포함할 수 있다.

상기 결과 분석 단계는, 상기 라벨링 데이터를 오버샘플링(oversampling)하는 단계; 및 상기 오버샘플링 결과에 대한 상기 제2 유형의 기계 학습으로 상기 주요 인자를 추출하는 단계;를 포함할 수 있다.

본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템 및 방법에 의하면, 이동통신 장비의 이상을 검출함에 있어, 알람 및 성능지표의 다변량 데이터로부터 단변량의 이상 스코어를 생성함으로써, 이상 유무에 대한 식별의 용이성 및 정확도를 향상시킬 수 있다.

본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템 및 방법에 의하면, 머신러닝에 기반한 이동통신 장비 이상 검출 모델을 구축하여 이동통신 장비의 이상을 사전에 검출함으로써, 이동통신 서비스 품질을 보장할 수 있다.

본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템 및 방법에 의하면, 비지도 학습 모델 및 지도 학습 모델을 함께 채택하고 유기적으로 동작하게 함으로써 이동통신 장비의 이상 유무 분석에 대한 정확도를 향상시킬 수 있고, 제한된 리소스 하에서도 최적의 결과를 도출할 수 있다.

본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템 및 방법에 의하면, 이동통신 장비의 이상을 검출함에 있어, 이종의 이상 탐지 결과를 접목시킴으로써, 다양한 환경에 대해서도 이상 검출의 정확도를 향상시킬 수 있다.

도 1은 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템을 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 이동통신 장비 이상 검출 방법을 나타내는 도면이다.
도 3은 본 발명의 실시예에 따른 데이터 전처리 모듈을 나타내는 도면이다.
도 4 및 도 5는 각각 본 발명의 실시예에 따른 이상 검출 모듈 및 그 동작 결과를 나타내는 도면이다.
도 6 및 도 7은 각각 본 발명의 실시예에 따른 결과 분석 모듈 및 그 동작 결과를 나타내는 도면이다.
도 8은 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템을 나타내는 도면이다.

이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.

본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.

상측, 하측, 일측, 타측 등과 같은 방향성 용어는 개시된 도면들의 배향과 관련하여 사용된다. 본 발명의 실시예의 구성 요소는 다양한 배향으로 위치 설정될 수 있으므로, 방향성 용어는 예시를 목적으로 사용되는 것이지 이를 제한하는 것은 아니다.

제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.

도 1은 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템을 나타내는 도면이고, 도 2는 본 발명의 실시예에 따른 이동통신 장비 이상 검출 방법을 나타내는 도면이다.

도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100)은 본 발명의 실시예에 따른 이동통신 장비 이상 검출 방법(200)으로 동작할 수 있다. 또한, 본 발명의 실시예에 따른 이동통신 장비 이상 검출 방법(200)은 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100)에서 실행될 수 있다. 그러나, 이에 한정되는 것은 아니다. 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100)은 본 발명의 실시예에 따른 이동통신 장비 이상 검출 방법(200)과 다른 방법으로 동작할 수 있다. 또한, 본 발명의 실시예에 따른 이동통신 장비 이상 검출 방법(200)은 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100)과 다른 시스템에서 실행될 수 있다. 다만, 이하에서는 설명의 편의를 위해, 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100)이 본 발명의 실시예에 따른 이동통신 장비 이상 검출 방법(200)으로 동작하고, 본 발명의 실시예에 따른 이동통신 장비 이상 검출 방법(200)이 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100)에서 실행되는 예에 한하여 기술한다.

본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100)은 데이터 전처리 모듈(120), 이상 검출 모듈(140) 및 결과 분석 모듈(160)을 포함하여, 이동통신 장비(MBS)의 장애(이상)을 검출하고 더 정확한 검출 결과를 생성하기 위해 학습한다. 본 발명의 실시예에 따른 이동통신 장비 이상 검출 방법(200)은 데이터 전처리 단계(S220), 이상 검출 단계(S240) 및 결과 분석 단계(S260)를 포함하여, 이동통신 장비(MBS)의 장애(이상)을 검출하고 더 정확한 검출 결과를 생성하기 위해 학습한다.

본 발명의 실시예에 따른 이동통신 장비(MBS)는 이동통신 네트워크의 무선 접속망을 이루는 기지국일 수 있다. 이동통신 네트워크는 중앙에서 전체 이동통신 서비스를 관리하는 코어망(Core Network) 및 가입자의 접점에서 서비스를 중계하는 무선 접속망(Radio Access Network)으로 구분될 수 있다. 무선 접속망은 지역 환경에 따라 장애 발생 빈도가 높으므로 고객 체감 품질 관리와 직접적인 연관이 있을 수 있다.

도 3은 본 발명의 실시예에 따른 데이터 전처리 모듈을 나타내는 도면이다.

도 1 내지 도 3을 참조하면, 본 발명의 실시예에 따른 데이터 전처리 모듈(120)은 이동통신 장비(MBS)에 대한 정보를 이상 입력 값(VIN)으로 수신하여 제1 데이터 셋(data set, DSET1)을 구축한다(S220). 이상 입력 값(VIN)은 이동통신 장비(MBS)의 장애와 관련된 이종의 다변량 데이터(VA, VB)일 수 있다. 예를 들어, 이상 입력 값(VIN)은 이동통신 장비(MBS)의 알람 정보(VA) 및 성능 정보(VB)일 수 있다.

이동통신 장비(MBS)는 턴-오프(turn-off)되거나 배터리 잔량이나 신호 세기 등의 성능이 기준 값 이하가 되는 때에 알람이 발생할 수 있는데, 알람 정보(VA)는 알람의 발생 여부를 나타내는 정보일 수 있다. 성능 정보(VB)는 이동통신 장비(MBS)의 접속성공률, 체감전송률, 최대전송률, 이동성, 전송지연, 최대 연결수, 에너지 효율 및 주파수 효율 등 다양한 성능 지표를 포함할 수 있다. 알람 정보(VA)는 인접한 다른 이동통신 장비의 장애로 인해서도 발생할 수 있고, 알람 정보(VA) 및 성능 정보(VB)의 직접적 연관성이 결여되어, 이상 입력 값(VIN)만으로 이동통신 장비(MBS)의 이상을 정확히 검출하기 곤란하다.

데이터 전처리 모듈(120)은 다변량의 이상 입력 값(VIN)을 제1 데이터 셋(DSET1)으로 구축함에 있어 이상 입력 값(VIN)에 대한 보정을 수행하는 데이터 보정부(122)를 포함할 수 있다. 데이터 보정부(122)는 예를 들어, 보간(interpolation) 방법을 이용하여 이상 입력 값(VIN)에 대한 보정을 수행할 수 있다. 예를 들어, 장비 ID가 “id1101”인 이동통신 장비(MBS)에 대한 시간별 이상 입력 값(VIN) 중 임의의 시간대(예를 들어, 03시)에 대한 이상 입력 값(VIN)이 부재하는 경우, 해당 시간의 전후 시간(예를 들어, 02시 및 04시)의 이상 입력 값(VIN)을 보간한 결과를 해당 시간에 대한 이상 입력 값(VIN)으로 하여 제1 데이터 셋(DSET1)을 구축할 수 있다.

본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100) 및 이동통신 장비 이상 검출 방법(200)에서 제1 데이터 셋(DSET1)은 일련의 기계 학습(machine learning)를 통해 재구축될 수 있다. 예를 들어, 제1 데이터 셋(DSET1)은 결과 분석 모듈(160)로부터 추출되어 피드백된 주요 인자(FTUR)에 근거하여 재구축될 수 있다. 이를 위해, 데이터 전처리 모듈(120)은 주요 인자(FTUR)를 반영하여 제1 데이터 셋(DSET1)을 재구축하는 데이터 셋 재구축부(124)를 더 포함할 수 있다. 예를 들어, 데이터 셋 재구축부(124)는 주요 인자(FTUR)에 포함되지 아니하는 성능 지표인 최대 연결수와 관련된 칼럼을 제1 데이터 셋(DSET1)에서 삭제할 수 있다.

제1 데이터 셋(DSET1)은 이상 검출 모듈(140)에 전달된다.

도 4 및 도 5는 각각 본 발명의 실시예에 따른 이상 검출 모듈 및 그 동작 결과를 나타내는 도면이다.

도 1, 도 2, 도 4 및 도 5를 참조하면, 본 발명의 실시예에 따른 이상 검출 모듈(140)은 제1 데이터 셋(DSET1)에 대한 제1 유형의 기계 학습을 수행하여 이동통신 장비의 비정상 여부를 나타내는 이상 결과 값(VRST)을 생성한다(S240).

이를 위해 본 발명의 실시예에 따른 이상 검출 모듈(140)은 이상 스코어 생성부(142), 이상 탐지부(144) 및 결과 값 생성부(146)를 포함할 수 있다.

이상 스코어 생성부(142)는 제1 데이터 셋(DSET1)에 대해 제1 유형의 기계 학습을 수행하여 이상 스코어(anomaly score, ASCR)를 생성할 수 있다. 이때, 제1 유형의 기계 학습은 비지도 학습(Unsupervised Learning)일 수 있다. 예를 들어, 클러스터링(Clustering) 알고리즘 중 AWS 사에서 개발한 RRCF(Robust Random Cut Forest) 알고리즘을 적용하여 제1 유형의 기계 학습을 수행할 수 있다. 다만, 이에 한정되는 것은 아니고, 다양한 비지도 학습 알고리즘이 적용될 수 있다.

이상 스코어(ASCR)는 이동통신 장비(MBS)가 정상적인 동작 벗어나는 예상하지 못한 패턴의 수준을 지표화한 것으로, 예를 들어, 알람 정보(VA) 및 성능 정보(VB)를 포함하는 제1 데이터 셋(DSET1)에 대한 기계 학습을 수행한 결과, 임의의 점수로 생성될 수 있다. RRCF 알고리즘을 적용하는 경우, 제1 데이터 셋(DSET1)의 데이터를 샘플링하여 다수의 트리(tree)를 구성하고, 트리의 노드(node)의 차수에 따라 이상 스코어(ASCR)를 설정할 수 있다. 예를 들어, 노드의 차수가 낮을수록 낮은 점수의 이상 스코어(ASCR)가 생성될 수 있다.

이때, 이상 스코어(ASCR)는 다변량의 이상 입력 값(VIN), 예를 들어, 알람 정보(VA) 및 성능 정보(VB)에 대해 단변량으로 생성됨으로써 이동통신 장비(MBS)의 장애 검출이 용이할 수 있다. 즉, 이동통신 장비(MBS)에 대한 알람이 생성되는 경우 수많은 성능 지표를 수동적으로 검토하여 장비의 장애 여부를 판단할 필요 없이, 이상 스코어(ASCR)가 하나의 이동통신 장비(MBS)의 이상에 대해 하나의 지표화된 값으로 제공됨으로써, 해당 장비의 이상 발생 가능성에 대해 직관적 파악이 가능할 수 있다. 또한, 이상 스코어(ASCR)가 일정 값(예를 들어, 80점) 이상인 경우 특별 관리 장비로 처리하는 등 장애 발생을 사전에 방지할 수 있다.

도 5의 이상 스코어(ASCR)를 나타내는 그래프는 장비 ID “id1101”인 이동통신 장비(MBS)에 대한 학습 기간(예를 들어, 2개월) 동안의 이상 스코어(ASCR)의 변화를 나타낸 것이고, 도 5의 제2 데이터 셋(DSET2) 상의 이상 스코어(ASCR)는 기준 시간(예를 들어, 1시간 동안의 이상 스코어(ASCR)를 나타낸 것이다. 참고로, 도 5의 이상 스코어(ASCR)를 나타내는 그래프의 x축은 시간을, y축은 스코어를 나타낸다.

이상 탐지부(144)는 이상 스코어(ASCR)에 대한 이종의 이상 탐지 결과를 생성하기 위해 제1 이상 탐지부(144-1) 및 제2 이상 탐지부(144-2)를 포함할 수 있다.

제1 이상 탐지부(144-1)는 이상 스코어(ASCR)에 대한 정규분포에서 임의의 표준편차 범위에 속하는지에 근거하여 이상 스코어(ASCR)에 대한 제1 탐지 결과 값(ANM1)을 생성할 수 있다. 제1 이상 탐지부(144-1)는 이상 스코어(ASCR)에 대한 시계열 분석에서 신뢰 구간에 속하는지에 근거하여 이상 스코어(ASCR)에 대한 제2 탐지 결과 값(ANM1)을 생성할 수 있다.

예를 들어, 제1 이상 탐지부(144-1)는 3-시그마 규칙(Three-Sigma Rule)을 적용하여 제1 탐지 결과 값(ANM1)을 생성하고, 제2 이상 탐지부(144-2)는 프로펫(Prophet) 알고리즘을 적용하여 제2 탐지 결과 값(ANM1)을 생성할 수 있다. 제1 이상 탐지부(144-1)는 이상 스코어(ASCR)가 정규분포 상 ±3 시그마 구간에 위치하는 경우 제1 탐지 결과 값(ANM1)을 “비정상”으로 생성하고, 제2 이상 탐지부(144-2)는 이상 스코어(ASCR)가 신뢰 구간 이외에 속하는 경우 제2 탐지 결과 값(ANM1)을 “비정상”으로 생성할 수 있다.

이상에서는 이상 탐지부(144)가 2개의 서로 다른 이상 탐지 방식을 적용하는 것으로 기술하였으나 이에 한정되는 것은 아니다. 이상 탐지부(144)는 3가지 이상의 서로 다른 이상 탐지 알고리즘을 적용할 수도 있다.

결과 값 생성부(146)는 탐지 결과 값들(ANM1, ANM2)을 결합하여 학습 결과 값(VLEN)으로 생성하고, 학습 결과 값(VLEN)과 장애 이력 값(VDFH)을 결합하여 이상 결과 값(VRST)으로 생성한다. 이를 위해, 결과 값 생성부(146)는 학습 결과 값 생성부(146-1) 및 이상 결과 값 생성부(146-2)를 포함할 수 있다.

학습 결과 값 생성부(146-1)는 각각의 탐지 방식에 대한 탐지 결과 값들(ANM1, ANM2)을 논리곱 연산하여 학습 결과 값(VLEN)으로 생성할 수 있다. 예를 들어, 제1 탐지 결과 값(ANM1) 및 제2 탐지 결과 값(ANM1)이 모두 “비정상”인 경우에 한하여 학습 결과 값(VLEN)을 “비정상”으로 생성하고, 제1 탐지 결과 값(ANM1) 및 제2 탐지 결과 값(ANM1) 중 적어도 하나가 “정상”인 경우는 학습 결과 값(VLEN)을 “정상”으로 생성할 수 있다. 학습 결과 값 생성부(146-1)는 이렇게 생성된 학습 결과 값(VLEN)을 출력함에 있어 학습 결과 값(VLEN) 자체만을 출력할 수도 있으나, 도 5의 제2 데이터 셋(DSET2)과 같이, 학습 결과 값(VLEN)을 포함한 데이터 셋 형태로 출력할 수도 있다.

이렇듯, 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100) 및 이동통신 장비 이상 검출 방법(200)은 단변량의 이상 스코어(ASCR)에 대해 이종의 이상 탐지 방식을 적용하여 다양한 환경에 대해서도 이상 검출의 정확도를 향상시킬 수 있다. 즉, 표준편차 범위에 속하는지에 여부에 근거한 이상 탐지는 경험적 통계로 그 정확도가 높고 이상 발생에 대한 설득력있는 근거로 사용될 수 있으나 동적 변동성을 반영하기 어렵고, 시계열 분석 상의 신뢰 구간에 속하는지 여부에 근거한 이상 탐지는 동적 변동성을 반영할 수 있는 반면 오판의 가능성이 존재하는데, 이러한 이종의 탐지 방식을 함께 적용함에 따라 정확하면서도 동적 변동성을 반영할 수 있는 학습 결과 값(VLEN)을 생성할 수 있다.

이때, 제1 이상 탐지부(144-1)의 표준편차 범위들 달리 설정하거나 제2 이상 탐지부(144-2)의 신뢰 구간을 달리 설정하는 등, 이동통신 장비(MBS)에 대해 요구되는 이상 검출 수준에 상응하여 그 “비정상” 분류의 기준을 조율할 수 있다. 예를 들어, 이동통신 장비(MBS)에 요구되는 관리의 수준이 높거나 관리의 중요도가 높은 경우 표준편차 범위 또는 신뢰 구간을 넓게 하고, 그렇지 아니한 경우 표준편차 범위 또는 신뢰 구간을 좁게 할 수 있다.

계속해서 도 1, 도 2, 도 4 및 도 5를 참조하면, 이상 결과 값 생성부(146-2)는 학습 결과 값(VLEN)과 장애 이력 값(VDFH)을 결합하여 이상 결과 값(VRST)으로 생성한다. 장애 이력 값(VDFH)은 이동통신 장비(MBS)가 기존에 장애가 발생하였는지 여부를 나타내는 값으로, 도 5에 도시되는 바와 같이, “정상” 또는 “비정상”을 나타내는 값을 갖는다. 장애 이력 값(VDFH)은 이동통신 장비 이상 검출 시스템(100) 자체에 포함되는 데이터베이스 등으로부터 이상 결과 값 생성부(146-2)에 전달될 수 있다. 또는 이동통신 장비 이상 검출 시스템(100)과 케이블이나 네트워크를 통해 연결된 외부의 별도의 데이터베이스나 시스템으로부터 제공될 수도 있다.

이상 결과 값 생성부(146-2)은 학습 결과 값(VLEN)과 장애 이력 값(VDFH)을 논리곱 연산하여 이상 결과 값(VRST)으로 생성할 수 있다. 예를 들어, 학습 결과 값(VLEN)과 장애 이력 값(VDFH)이 모두 “비정상”인 경우에 한하여 이상 결과 값(VRST)을 “비정상”으로 생성하고 학습 결과 값(VLEN)과 장애 이력 값(VDFH) 중 적어도 하나가 “정상”인 경우는 이상 결과 값(VRST)을 “정상”으로 생성할 수 있다.

이상 결과 값(VRST) 또한 이상 스코어(ASCR)와 마찬가지로 다변량의 이상 입력 값(VIN)에 대해 단변량으로 생성된다. 이상 결과 값 생성부(146-2)는 이렇게 생성된 이상 결과 값(VRST)을 출력함에 있어 이상 결과 값(VRST) 자체만을 출력할 수도 있으나, 도 5의 제3 데이터 셋(DSET3)과 같이, 이상 결과 값(VRST)을 포함한 데이터 셋 형태로 출력할 수도 있다.

실제, 총 209,602개의 데이터에 대해 상기 모델을 적용한 결과, 3-시그마 규칙의 적용으로 5,173개의 이상이 탐지되고, ProPhet 알고리즘의 적용으로 4,937개의 이상이 탐지되었으며, 결과적으로 4,072개의 학습 결과 값(VLEN)이 “비정상”으로 검출되었다. 이를 이동통신 장비(MBS)의 장애 이력 값(VDFH)과 비교한 결과 97%가 일치하였다. 또한, 학습 결과 값(VLEN)이 “비정상”으로 검출된 장비 중 24시간 이내 실제 장애가 발생한 사전 징후는 약 32% 가량 탐지할 수 있었다.

도 6 및 도 7은 각각 본 발명의 실시예에 따른 결과 분석 모듈 및 그 동작 결과를 나타내는 도면이다.

도 1, 도 2, 도 6 및 도 7을 참조하면, 본 발명의 실시예에 따른 결과 분석 모듈(160)은 이상 결과 값(VRST)에 대응되는 라벨링 데이터(Labeled Data, LDTA)에 대한 제2 유형의 기계 학습으로 이동통신 장비(MBS)의 이상과 관련된 주요 인자(FTUR)를 추출하고 주요 인자(FTUR)에 대한 이상 결과 값(VRST)의 정확도를 분석한다(S260).

이를 위해, 결과 분석 모듈(160)은 오버샘플링부(Oversampling Unit, 162), 주요 인자 선택부(164) 및 정확도 산출부(166)를 포함할 수 있다.

오버샘플링부(162)는 제공되는 제3 데이터 셋(DSET3)에서 라벨링 데이터(LDTA)를 추출하여 오버샘플링을 수행한다. 라벨링 데이터(LDTA)는 제3 데이터 셋(DSET3) 중 “비정상”의 이상 결과 값(VRST)에 대한 데이터를 말한다. 라벨링 데이터(LDTA)는 비정상 데이터로 지칭될 수 있다.

제2 유형의 기계 학습에 사용되는 라벨링 데이터(LDTA)의 비중은 이상 결과 값(VRST)이 “정상”인 데이터(이하, 정상 데이터)에 비해 상당히 적다. 예를 들어, 정상 데이터의 비중은 99.7%이고 라벨링 데이터(LDTA)의 비중은 0.3%에 불과할 수 있다. 이 경우, 데이터 불균형 문제가 발생하게 되고, 결과적으로 재현율(recall)이 낮아질 수 있다. 이러한 데이터 불균형을 해결하기 위해, 오버샘플링부(162)는 라벨링 데이터(LDTA)에 대해 다양한 오버샘플링 기법을 적용하여 그 개수를 증가시킬 수 있다. 예를 들어, 오버샘플링부(162)는 SMTOE(Synthetic Minority Over-Sampling Technique) 알고리즘을 수행하여, 주요 인자 선택부(164) 등에서의 계산 시간을 줄이면서도 소수의 장애(비정상) 데이터인 라벨링 데이터(LDTA)의 부족 문제를 보완할 수 있다.

오버샘플링부(162)는 상기의 동작을 수행하여, 예를 들어 도 7에 도시되는 바와 같이 정상 데이터 및 비정상 데이터를 1:1의 대칭 데이터로 형성할 수 있다.

주요 인자 선택부(164)는 오버샘플링된 라벨링 데이터(ODTA) 제2 유형의 기계 학습을 수행하여 주요 인자(FTUR)를 선택할 수 있다. 제2 유형의 기계 학습은 이상 검출 모듈(140)의 제1 유형의 기계 학습과 상이한 기계 학습이다. 예를 들어, 제1 유형의 기계 학습은 비지도 학습(Unsupervised Learning)이고 제2 유형의 지도 학습(Supervised Learning)일 수 있다.

예를 들어, 제2 유형의 기계 학습은 학습 모델의 정확도에 기여하는 주요 인자를 선별하는 임베디드(Embedded) 방식의 알고리즘 중 LightGBM 알고리즘을 적용한 기계 학습일 수 있다. 주요 인자 선택부(164)는 LightGBM 알고리즘을 적용하여 다수의 트리를 생성하고 정답을 분할하는데 기여하는 정도를 측정함으로써 주요 인자(FTUR)를 선택할 수 있다. 다만, 이에 한정되는 것은 아니고, 주요 인자 선택부(164)는 다양한 방식의 주요 인자 선택 알고리즘을 적용할 수도 있다.

본 발명의 실시예에 따른 이상 입력 값(VIN)은 여러 이동통신 장비(MBS)에 대한 다양한 정보로 제공됨에 따라 이상 검출 모듈(140) 등이 과도하게 학습되는 Over-Fitting 현상이 발생하고 그 복잡도가 증가하여 성능이 저하되는 문제가 발생할 수 있다. 또는, 신규 장비와 연동되어야 하는 등 새로운 유형의 이상 입력 값(VIN)이 추가될 수도 있다. 주요 인자 선택부(164)가 지속적으로 주요 인자(FTUR)를 선택하고 관리함으로써, 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100) 및 이동통신 장비 이상 검출 방법(200)은 이상 검출 모듈(140) 등에서의 기계 학습의 복잡도를 줄여 성능을 향상시키면서, 새로운 유형의 정보에 대해서도 학습이 가능하다.

주요 인자 선택부(164)는 선택된 주요 인자(FTUR)를 데이터 전처리 모듈(120)로 피드백한다. 전술한 바와 같이, 데이터 전처리 모듈(120)은 피드백된 주요 인자(FTUR)에 근거하여 제1 데이터 셋(DSET1)을 재구축할 수 있다. 다만, 이에 한정되는 것은 아니다. 주요 인자(FTUR)는 제3 데이터 셋(DSET3)에도 반영되어 결과 분석 모듈(160)의 학습에 활용될 수 있다.

이렇듯, 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100) 및 이동통신 장비 이상 검출 방법(200)은 도 4의 제1 유형의 기계 학습을 통한 학습 결과 값(VLEN)과 실제 이동통신 장비(MBS)에서의 장애 이력 값(VDFH)을 모두 반영한 결과를 제2 기계 학습의 라벨링 데이터(LDTA)로 이용함으로써, 즉 AI 기반 모델링 결과와 실제 데이터를 함께 사용함으로써, 이상 검출의 정확도를 더 향상시킬 수 있다.

참고로, 본 발명의 실시예에 따른 결과 분석 모듈(160)은 오버샘플링된 라벨링 데이터(LDTA)를 정상 데이터 및 비정상 데이터를 포함하는 전체 데이터의 70% 비중으로 사용하여 기계 학습에 활용하고, 오버샘플링 이전의 원본 데이터의 30%를 검증 데이터로 사용하여 모델 학습의 정확도를 향상시킬 수 있다. 다만, 구체적인 비중의 수치는 달리 설정될 수 있다.

또한, 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100) 및 이동통신 장비 이상 검출 방법(200)은 비지도 학습의 이상 검출 모듈(140) 및 지도 학습의 결과 분석 모듈(160)의 하이브리드형 이상 탐지 프레임워크를 구축함으로써, 지도 학습을 통해 장애에 영향을 미치는 주요 인자(FTUR)를 검출하고 이를 비지도 학습에 반영하여 그에 따른 학습을 수행하여, 성능을 지속적으로 향상시킬 수 있다.

실제, 총 107개의 알람 정보(VA) 및 성능 정보(VB)에서 32개의 주요 인자(FTUR)를 선별하고, 선별된 주요 인자(FTUR)를 다시 반영한 결과, 이상 결과 값(VRST)의 정확도(VACC)가 동일한 상황에서 학습 속도가 기존 3.8초에서 3.1초로 약 19% 정도 개선되었다. 32개의 주요 인자(FTUR)에는 알람 정보(VA)가 12개, 성능 정보(VB)가 24개 포함되었다.

계속해서 도 1, 도 2, 도 6 및 도 7을 참조하면, 정확도 산출부(166)는 이상 결과 값(VRST, 또는 이상 검출 모듈(140))의 정확도(VACC)를 산출할 수 있다. 예를 들어, 정확도 산출부(166)는 F1-Socre에 근거하여 이상 결과 값(VRST)의 정확도(VACC)를 산출할 수 있다. 상기와 같이 LightGBM 알고리즘을 적용하여 주요 인자(FTUR)를 선택한 경우의 F1-Socre는 0.92로, 다른 알고리즘을 적용한 경우와 비교하였을 때 높은 성능을 갖는 것이 확인될 수 있다. 이때, 이상 결과 값(VRST) 또는 이상 검출 모듈(140)의 정확도(VACC)는 주요 인자(FTUR)가 반영되어 산출될 수 있다.

도 8은 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100)을 나타내는 도면이다.

도 8을 참조하면, 본 발명의 실시예에 따른 이동통신 장비 이상 검출 시스템(100)은 이상 결과 값(VRST)을 시각화하여 제공하는 대시보드를 구비하는 인터페이스 모듈(170) 및/또는 이상 결과 값(VRST)에 근거하여 이동통신 장비(MBS)의 장애에 대한 제어를 수행하는 제어 신호(XCON)를 생성하는 제어 모듈(180)을 더 포함할 수 있다. 이때, 제어 모듈(180)은 자동 모드로 동작하거나 엔지니어가 인터페이스 모듈(170)을 통해 제어 모듈(180)을 동작시킬 수도 있다.

이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다.

예를 들어, 이상에서는 라벨링 데이터(LDTA)가 이상 검출 모듈(140)로부터 결과 분석 모듈(160)로 전달되는 것으로 설명되었으나 결과 분석 모듈(160)에서 라벨링 데이터(LDTA)를 생성할 수도 있다. 또는, 필요시 이상 검출 모듈(140)은 장애 이력 값(VDFH)이 반영되지 않은 학습 결과 값(VLEN)을 이상 결과 값(VRST)으로 출력할 수도 있다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

100: 이동통신 장비 이상 검출 시스템
120: 데이터 전처리 모듈
140: 이상 검출 모듈
160: 결과 분석 모듈
VIN: 이상 입력 값
VRST: 이상 결과 값
DSET: 데이터 셋
FTUR: 주요 인자

Claims

이동통신 장비에 대한 정보를 이상 입력 값으로 수신하여 제1 데이터 셋(data set)을 구축하는 데이터 전처리 모듈;
상기 제1 데이터 셋에 대한 제1 유형의 기계 학습하여 학습 결과 값으로 생성하고 상기 학습 결과 값과 이동통신 장비의 장애 이력 값을 결합하여 이동통신 장비의 비정상 여부를 나타내는 이상 결과 값으로 생성하는 이상 검출 모듈; 및
상기 이상 결과 값에 대응되는 라벨링 데이터(Labeled Data)에 대한 상기 제1 유형과 다른 제2 유형의 기계 학습으로 이동통신 장비의 이상과 관련된 주요 인자를 추출하고 상기 이상 결과 값의 정확도를 분석하는 결과 분석 모듈;을 포함하는 이동통신 장비 이상 검출 시스템.
제1항에 있어서,
상기 이상 결과 값은,
다변량의 상기 이상 입력 값에 대해 단변량으로 생성되는 이동통신 장비 이상 검출 시스템.
제1항에 있어서,
상기 이상 검출 모듈은,
상기 제1 데이터 셋에 대해 상기 제1 유형의 기계 학습을 수행하여 이상 스코어(anomaly score)로 생성하는 이상 스코어 생성부;
적어도 둘 이상의 서로 다른 이상 탐지 방식으로 상기 이상 스코어를 분석하여 각각의 탐지 방식에 대한 탐지 결과로 출력하는 이상 탐지부; 및
상기 탐지 결과들을 결합하여 상기 학습 결과 값으로 생성하고 상기 학습 결과 값과 상기 장애 이력 값을 결합하여 상기 이상 결과 값으로 생성하는 결과 값 생성부;를 포함하는 이동통신 장비 이상 검출 시스템.
제3항에 있어서,
상기 이상 스코어 생성부는,
상기 이동통신 장비의 알람 정보 및 성능 정보를 포함하는 상기 이상 입력 값에 대해 상기 이상 스코어를 단변량으로 생성하는 이동통신 장비 이상 검출 시스템.
제3항에 있어서,
상기 이상 탐지부는,
상기 이상 스코어에 대한 정규분포에서 임의의 표준편차 범위에 속하는지에 근거하여 상기 이상 스코어에 대한 제1 탐지 결과 값을 생성하는 제1 이상 탐지부; 및
상기 이상 스코어에 대한 시계열 분석에서 신뢰 구간에 속하는지에 근거하여 상기 이상 스코어에 대한 제2 탐지 결과 값을 생성하는 제2 이상 탐지부;를 포함하는 이동통신 장비 이상 검출 시스템.
제5항에 있어서,
상기 제1 이상 탐지부는,
상기 이상 스코어에 대해 3-시그마 규칙(Three-Sigma Rule)을 적용하여 상기 제1 탐지 결과 값을 생성하고,
상기 제2 이상 탐지부는,
상기 이상 스코어에 대해 프로펫(Prophet) 알고리즘을 적용하여 상기 제2 탐지 결과 값을 생성하는 이동통신 장비 이상 검출 시스템.
제5항에 있어서,
상기 제1 이상 탐지부 및 상기 제2 이상 탐지부 중 적어도 하나는,
상기 표준편차 범위 또는 상기 신뢰 구간을 이동통신 장비에 요구되는 이상 검출 수준에 상응하여 설정되는 이동통신 장비 이상 검출 시스템.
제3항에 있어서,
상기 결과 값 생성부는,
상기 각각의 탐지 방식에 대한 탐지 결과를 논리곱 연산하여 상기 학습 결과 값으로 생성하는 이동통신 장비 이상 검출 시스템.
제1항에 있어서,
상기 결과 분석 모듈은,
상기 라벨링 데이터을 오버샘플링(oversampling)하는 오버샘플링부;
상기 오버샘플링된 라벨링 데이터에 대한 상기 제2 유형의 기계 학습을 수행하여 주요 인자를 선택하는 주요 인자 선택부; 및
상기 주요 인자에 대한 상기 이상 결과 값의 정확도를 산출하는 정확도 산출부;를 포함하는 이동통신 장비 이상 검출 시스템.
제9항에 있어서,
상기 오버샘플링부는,
상기 라벨링 데이터에 대해 SMTOE(Synthetic Minority Over-Sampling Technique) 알고리즘을 수행하는 이동통신 장비 이상 검출 시스템.
제9항에 있어서,
상기 결과 분석 모듈은,
상기 주요 인자를 상기 데이터 전처리 모듈로 피드백하고,
상기 데이터 전처리 모듈은,
상기 주요 인자에 근거하여 상기 제1 데이터 셋을 재구축하는 이동통신 장비 이상 검출 시스템.
제1항에 있어서,
상기 제1 유형의 기계 학습은 비지도 학습(Unsupervised Learning)이고,
상기 제2 유형의 기계 학습은 지도 학습(Supervised Learning)인 이동통신 장비 이상 검출 시스템.
제12항에 있어서,
상기 제1 유형의 기계 학습은 RRCF(Robust Random Cut Forest) 알고리즘을 적용한 기계 학습이고,
상기 제2 유형의 기계 학습은 LightGBM 알고리즘을 적용한 기계 학습인 이동통신 장비 이상 검출 시스템.
제1항에 있어서,
상기 이상 결과 값을 시각화하여 제공하는 대시보드를 구비하는 인터페이스 모듈; 또는
상기 이상 결과 값에 근거하여 이동통신 장비의 이상에 대한 제어를 수행하는 제어 모듈;을 더 포함하는 이동통신 장비 이상 검출 시스템.
이동통신 장비에 대한 알람 및 성능 지표를 수신하여 제1 데이터 셋(data set)을 구축하는 데이터 전처리 모듈;
상기 제1 데이터 셋에 대한 비지도 학습을 통해 생성된 단변량의 이상 스코어(anomaly score) 및 상기 이상 스코어에 대한 이종의 이상 탐지 결과를 논리곱하여 생성된 학습 결과 값을 생성하고, 상기 학습 결과 값과 이동통신 장비의 장애 이력 값을 결합하여 이동통신 장비의 비정상 여부를 나타내는 이상 결과 값으로 생성하는 이상 검출 모듈; 및
상기 이상 결과 값에 대응되는 라벨링 데이터(labeled data)에 대한 지도 학습을 수행하여 이동통신 장비의 이상과 관련된 주요 인자를 추출하고 상기 이상 결과 값의 정확도를 분석하는 결과 분석 모듈;을 포함하고,
상기 데이터 전처리 모듈은,
상기 결과 분석 모듈로부터 피드백되는 상기 주요 인자에 근거하여 상기 제1 데이터 셋을 재구축하는 이동통신 장비 이상 검출 시스템.
이동통신 장비에 대한 정보를 이상 입력 값으로 수신하고, 상기 이상 입력 값에 대한 제1 데이터 셋(data set)을 구축하는 데이터 전처리 단계;
상기 제1 데이터 셋에 대한 제1 유형의 기계 학습을 수행하여 이상 스코어(anomaly score)를 생성하고, 상기 이상 스코어에 근거하여 이동통신 장비의 비정상 여부를 이상 결과 값으로 생성하는 이상 검출 단계; 및
상기 이상 결과 값에 대응되는 라벨링 데이터(labeled data)에 대한 상기 제1 유형과 상이한 제2 유형의 기계 학습을 통해 이상과 관련된 주요 인자를 추출하고 상기 이상 결과 값의 정확도를 분석하는 결과 분석 단계;를 포함하는 이동통신 장비 이상 검출 방법.
제16항에 있어서,
상기 데이터 전처리 단계는,
다변량의 상기 이상 입력 값에 대한 상기 제1 데이터 셋을 구축하고,
상기 이상 검출 단계는,
상기 이상 스코어를 단변량으로 생성하는 이동통신 장비 이상 검출 방법.
제16항에 있어서,
상기 이상 검출 단계는,
상기 이상 스코어에 대한 정규분포에서 임의의 표준편차 범위에 속하는지에 근거하여 상기 이상 스코어에 대한 제1 탐지 결과 값을 생성하는 단계;
상기 이상 스코어에 대한 시계열 분석에서 신뢰 구간에 속하는지에 근거하여 상기 이상 스코어에 대한 제2 탐지 결과 값을 생성하는 단계;
상기 제1 탐지 결과 값 및 상기 제2 탐지 결과 값을 논리곱한 결과에 근거하여 학습 결과 값을 생성하는 단계; 및
상기 학습 결과 값 및 이동통신 장비의 장애 이력 값을 결합하여 상기 이상 결과 값을 생성하는 단계;를 포함하는 이동통신 장비 이상 검출 방법.
제16항에 있어서,
상기 결과 분석 단계는,
상기 라벨링 데이터를 오버샘플링(oversampling)하는 단계; 및
상기 오버샘플링 결과에 대한 상기 제2 유형의 기계 학습으로 상기 주요 인자를 추출하는 단계;를 포함하는 이동통신 장비 이상 검출 방법.
제16항에 있어서,
상기 제1 유형의 기계 학습은 비지도 학습(Unsupervised Learning)이고,
상기 제2 유형의 기계 학습은 지도 학습(Supervised Learning)인 이동통신 장비 이상 검출 방법.