A Bayesian Approach for the Network Reconstruction of Interdependent Critical Infrastructure Systems from Cascading Failures

기술 요약: 상호의존적 핵심 인프라 시스템의 네트워크 재구성을 위한 베이지안 접근 방식

문제 정의
복잡한 상호의존적 네트워크, 특히 상호의존적 핵심 인프라(ICI) 시스템(예: 결합된 용수, 전력 및 가스 네트워크)의 거동을 분석하려면 네트워크 토폴로지와 상호의존성에 대한 완전한 지식이 필요하다. 그러나 이러한 데이터는 보안 문제나 분산된 운영으로 인해 확보하기 어려운 경우가 많다. 일부 상호의존성은 장애 발생 후에야 드러나기도 하는데, 기존 방법론들은 모델 기반의 가정이나 합성 데이터 생성에 의존하는 경면이 있다. 본 연구는 관측된 연쇄 장애 데이터를 사용하여 미지의 ICI 네트워크 토폴로지를 재구성하는 역문제(inverse problem)를 다룬다. 이 과제의 핵심은 데이터가 불완전하고 불확실한 상황에서, 인프라 시스템 특유의 물리적 및 토폴로지적 제약을 고려하면서 동적인 장애 시퀀스로부터 네트워크 구조를 추론하는 것이다.

방법론
저자들은 일련의 연쇄 장애 관측치($C$)가 주어졌을 때 이산적인 네트워크 토폴로지($A$)의 사후 분포를 추론하기 위해 확장 가능한 비모수적 베이지안 접근 방식을 제안한다. 방법론의 핵심은 다음과 같다:

1. 베이지안 정식화: 문제를 $P(A|C) \propto P(C|A)P(A)$를 추정하는 것으로 프레임워크화한다.

   • 우도 ($P(C|A)$): 인프라 섹터 간의 장애 전파를 시뮬레이션하기 위해 Susceptible-Infected (SI) 역학 모델을 사용하여 모델링한다. 우도는 후보 인접 행렬이 주어졌을 때 특정 장애 시퀀스가 관찰될 확률을 계산한다.
   • 사전 확률 ($P(A)$): 계층적 확률 블록 모델(Hierarchical Stochastic Block Model, HSBM)을 사용하여 모델링한다. 일반적인 무작위 또는 척도 없는(scale-free) 그래프와 달리, HSBM은 ICI의 특징인 블록 구조(서로 다른 인프라 섹터)와 계층적 수준(공급, 송전 및 수요 시설)을 포착한다.

2. 메트로폴리스-헤이스팅스(Metropolis-Hastings, M-H)를 통한 샘플링: 사후 분포가 폐쇄형 해(closed-form solution)를 갖지 않으므로, 저자들은 가능한 네트워크 토폴로지를 샘플링하기 위해 메트로폴리스-헤이스팅스 알고리즘을 채택한다.

   • 인프라 의존적 제안(Infrastructure-Dependent Proposal, IP): ICI의 물리적 제약 조건을 준수하는 토폴로지만 생성되도록 설계된 새로운 제안 분포를 고안하였다. 여기에는 공급 노드에서 수요 노드로의 연결성 보장, 인프라 네트워크 내 사이클 방지, 상호의존적 링크에 대한 방향성 흐름 강제(예: 수요에서 공급으로의 흐름)를 포함한 10가지 특정 제약 조건이 포함된다. 이는 무작위 워크(random-walk) 제안에 비해 샘플링 공간을 크게 축소시킨다.
   • 수렴성: 마르코프 체인의 수렴성은 이론적으로 증명되었으며 수치적으로도 입증되었다.

3. 계산 최적화: 대규모 네트워크에서 발생하는 토폴로지의 지수적 증가 문제를 해결하기 위해 세 가지 최적화 기법을 도입한다:

   • 우도 계산: 모든 노드 쌍을 반복하는 대신 실패한 이웃의 에지 리스트를 순회함으로써 복잡도를 $O(|V|^2)$에서 $O(|V| + |E|)$로 줄인다.
   • 그래프 검증: ICI 네트워크의 삼분 그래프(tripartite) 구조와 정리 1(Theorem 1)을 활용하여, 전체 경로 탐색을 수행하는 대신 수정된 노드의 입/출 차수만을 확인함으로써 선형 시간 내에 토폴로지 제약 조건을 검증한다.
   • Tie-No-Tie (TNT) 샘플러: 무작위 노드 쌍 선택을 대신하여 희소 그래프(sparse graph)에서 에지를 제거하는 것을 우선시하는 샘플러를 도입함으로써 제안의 수용률(acceptance rate)을 높인다.

주요 기여
본 논문은 두 가지 주요 방법론적 기여를 한다:

1. 인프라 의존적 제안 (IP): MCMC 샘플링 과정에 토폴로지 및 물리적 제약을 통합하였다. 이 접근 방식은 ICI 네트워크의 블록 구조를 활용하여 사전 확률을 계산하고 후보 토폴로지 공간을 획기적으로 축소함으로써, 샘플링 정확도와 혼합 시간(mixing time)을 모두 개선한다.
2. 계산 최적화: 표준 MCMC 방식으로는 계산이 불가능한 대규모 네트워크의 재구성을 가능하게 하는 세 가지 특정 기법(에지 리스트 우도 계산, 선형 시간 그래프 검증, TNT 샘플러)을 설계하였다.

결과
제안된 접근 방식은 용수, 전력, 가스 시스템을 나타내는 합성 상호의존적 핵심 인프라 네트워크(SICIN)를 통해 검증되었다.

• 정확도: IP 기반 방법은 기존 베이스라인들을 유의미하게 능가했다. 40개의 연쇄 장애 시나리오 실험에서, IP 기반 방법은 최대 0.964의 F1-스코어를 달성하였는데, 이는 비(non)-IP 베이지안 접근 방식의 0.710 및 변분 그래프 오토인코더(VGAE) 베이스라인의 0.712와 비교된다.
• 데이터 효율성: 베이지안 접근 방식은 방대한 양의 정보를 필요로 하는 그래프 임베딩 방법들에 비해 제한된 데이터에서도 우수한 성능을 보였다.
• 강건성: 민감도 분석 결과, IP 기반 방법은 비(non)-IP 방법들에 비해 초기 장애 노드 비율 및 데이터의 노이즈 수준 변화에 덜 민감한 것으로 나타났다. 적절한 초기 장애 비율(0.2–0.4)에서 최적의 재구성 정확도를 보였다.
• 확장성: 제안된 방법은 $120 \times 120$ 크기의 대규모 무작위 ICI 네트워크에도 성공적으로 적용되어 0.664의 중간 수준 F1-스코어를 달성함으로써 전이 가능성을 입증했다.
• 최적화 영향: 테스트된 구성 중 IP, 에지 리스트 최적화, 그리고 TNT 샘플링의 조합(방법 M-1)이 재구성 정확도와 계산 시간 사이에서 가장 좋은 절충안을 제공했다.

의의 및 주장
저자들은 본 연구가 복잡한 상호의존적 인프라 시스템의 데이터 및 불확실성 문제를 해결하기 위해 개발된 최초의 시도라고 주장한다. 본 연구의 의의는 완전한 데이터가 없는 상황에서 장애 발생 시 불확실한 네트워크 상호의존성을 밝혀낼 수 있다는 점에 있다.

본 논문은 실제 ICI 네트워크의 토폴로지를 정확하게 재구성함으로써, 정책 입안자와 실무자들이 위험 완화 및 경제적 이득에 관한 정보에 기반한 의사결정을 내릴 수 있는 명확한 근거를 얻을 수 있다고 단언한다. 제안된 접근 방식은 데이터가 보안이나 운영상의 분산으로 인해 제한적인 시나리오를 위한 실용적인 도구로서, 순수하게 가정에 기반한 모델링에 대한 데이터 중심의 대안을 제공한다. 저자들은 현재 연구가 SI 모델을 사용하고 있으나, 향후 연구에서는 더 발전된 장애 시뮬레이션 모델(예: SIR) 및 시변(time-varying) 네트워크 구조를 탐구할 수 있음을 언급하며 미래 적용 가능성에 대해 겸허한 태도를 유지한다.