AeroTSBoost: Temporal-Statistical Boosting for Real-World UAV Telemetry Anomaly Mining

기술 요약: AeroTSBoost

문제 정의
본 논문은 무인 항공기 (UAV) 상태 추정 로그에서 이상치를 탐지하는 과제를 다룹니다. 이러한 로그는 이질적인 데이터 소스 (관성, 기압, 자기, 시각, GPS 신호의 융합), 희소한 이상치 라벨링, 그리고 결측치를 동반하는 가변적 센서 가용성으로 특징지어지는 복잡한 데이터 마이닝 문제를 제시합니다. 저자들은 최근 다변량 시계열 이상치 탐지기가 재구성, 예측, 어텐션 메커니즘을 통해 발전해 왔지만, 운영 중인 UAV 원격 측정 데이터의 구체적인 실용성들—불규칙한 샘플링, 이상치의 희소성 (이 경우 AUROC 는 오해의 소지가 있음), 그리고 비지도 재구성 손실이 반드시 희소하고 라벨링된 사건 탐지를 최적화하지는 않는다는 사실—을 종종 간과한다고 주장합니다.

방법론: AeroTSBoost
제안된 솔루션인 AeroTSBoost는 원시 비행 로그를 강력한 이상치 탐지 시스템으로 변환하도록 설계된 지도식 시계열 - 통계 부스팅 프레임워크입니다. 파이프라인은 세 가지 주요 단계로 구성됩니다:

1. 데이터 정렬 및 윈도우화: 원시 PX4 로그는 공통 10Hz 그리드에 정렬됩니다. 결측치는 양방향 보간 및 0 채우기를 통해 결정론적으로 복구됩니다. 데이터는 학습 분할 통계만을 사용하여 표준화됩니다. 로그는 고정된 길이 ($L=96$, 스트라이드 8, 호라이즌 12) 의 윈도우로 슬라이스됩니다. 윈도우는 주석된 이상치 구간과 겹치거나 즉시 선행하는 경우 양 (+) 으로 라벨링됩니다.
2. 시계열 - 통계 기술자 마이닝: 확률적 신경 특징 추출 대신, AeroTSBoost 는 각 다변량 윈도우를 결정론적 특징 벡터로 변환합니다. $d$개의 원격 측정 채널 (UAV-SEAD 데이터셋의 경우 87 개 채널) 각각에 대해, 방법은 다음을 포함하는 18 차원 기술자 벡터를 계산합니다:
   • 모멘트 및 극값: 평균, 표준 편차, 최소값, 최대값, 범위.
   • 분위수: 10, 25, 50, 75, 90 백분위수.
   • 엔드포인트 동역학: 시작 값, 종료 값, 엔드포인트 드리프트 ($w_L - w_1$).
   • 미분: 1 차 차분의 평균, 표준 편차, 최대값.
   • 자기상관: 1 시차 자기상관.
     이는 분포 변화, 분위수 구조, 드리프트, 국소 변동성, 그리고 단거리 시계열 의존성을 포착하는 $18d$차원 특징 벡터 (UAV-SEAD 의 경우 1,566 개 특징) 를 생성합니다.
3. 부스팅 탐지기: 특징 벡터는 클래스 균형이 잡힌 LightGBM이진 분류기에 입력됩니다. 모델은 채널 및 기술자 그룹 간의 비선형 상호작용을 학습하도록 특정 하이퍼파라미터 (트리 1,600 개, 학습률 0.025, 균형 가중치) 로 훈련됩니다. 출력은 보정된 확률이 아닌 순위 점수입니다.

주요 기여

• 정의: 저자들은 UAV 이상치 마이닝을 무작위 분할이 아닌 누출 인식 프로토콜 (시간 순차, 정제된 시간 순차, 로그 제외) 하에서 평가되는 다변량 윈도우 분류 문제로 제시합니다.
• 프레임워크: 결정론적 기술자를 사용하여 고차원 로그에서 분포, 분위수, 드리프트, 미분, 자기상관 증거를 마이닝하는 AeroTSBoost 의 도입.
• 종합 평가: 고전적 탐지기 (PCA, Isolation Forest, LOF), 지도식 테이블 기반 베이스라인 (RandomForest, Linear-SGD), 그리고 최근의 심층/구조화 베이스라인 (GCAD, xLSTMAD, CATCH, LSTM-AE) 에 대한 광범위한 실증 비교.
• 엄격한 보고: 5 시드 결과, 정밀도 - 재현율 분석, 실패 군집 분류, 그리고 별도의 고정익 UAV 데이터셋 (ALFA) 에 대한 외부 검증을 제공.

실험 결과
평가는 UAV-SEAD데이터셋 (1,389 개 로그, 218,537 개 윈도우) 과 ALFA데이터셋 (고정익 고장) 에서 수행되었습니다.

• UAV-SEAD 성능:
  • 시간 순차 프로토콜: AeroTSBoost 는 0.7516 ± 0.0043의 최고 AUPRC 를 달성하여 가장 강력한 비-AeroTSBoost 베이스라인 (RandomForest, 0.6937) 보다 5.79 절대 포인트를 상회했습니다. 또한 최고의 이벤트 F1(0.5342) 을 달성했습니다.
  • 엄격한 프로토콜: 정제된 시간 순차프로토콜 (분할 경계에서 겹치는 윈도우 제거) 하에서 AeroTSBoost 는 0.6066 ± 0.0193의 AUPRC 로 주도권을 유지했으며, 심층 베이스라인 (AUPRC 가 0.11~0.14 사이로 하락) 과 지도식 테이블 기반 베이스라인을 크게 능가했습니다.
  • 로그 제외: 훈련 중 테스트 로그를 보지 못한 가장 엄격한 테스트에서 AeroTSBoost 는 0.6388 ± 0.0315의 AUPRC 를 달성하여 다시 한번 모든 베이스라인을 능가했습니다.
• ALFA 외부 검증: ALFA 고정익 데이터셋에서 AeroTSBoost 는 0.9259 ± 0.0076의 시퀀스 제외 AUPRC 를 달성하여 RandomForest(0.8835) 와 모멘트 전용 변형 (0.8700) 을 능가했습니다.
• 절대 실험: 동적 기술자 (드리프트, 미분) 를 제거하면 성능이 가장 크게 저하되어 (AUPRC 가 0.7516 에서 0.7322 로 하락) 시계열 동역학의 중요성이 확인되었습니다. 그러나 "모멘트 전용" 변형은 여전히 매우 경쟁력이 있어 저차 통계가 강력한 베이스라인을 제공함을 시사합니다.

의의 및 주장
본 논문은 결정론적 시계열 - 통계적 표현이 운영 사이버 - 물리 원격 측정의 희소 이상치 마이닝에서 여전히 매우 경쟁력 있다고 주장합니다. 저자들은 이 특정 도메인에서는 로그를 컴팩트하고 해석 가능한 통계적 기술자로 변환하고 부스팅 트리 탐지기를 사용하는 것이 복잡한 신경 재구성 또는 예측 모델에 비해 우수한 안정성, 재현성, 그리고 순위 성능을 제공한다고 논증합니다.

결과들은 UAV 원격 측정에서 희소 라벨링된 사건 탐지 목표와 일반적인 자기지도식 이상치 목표 (재구성/예측) 간의 "불일치"가 상당함을 시사합니다. 라벨이 사용 가능한 경우, 잘 설계된 시계열 기술자에 대한 지도식 부스팅은 낮은 훈련 분산으로 희소 경계를 직접 활용할 수 있습니다. 본 논문은 심층 모델이 본질적으로 약한 것은 아니지만, UAV 상태 추정 고장의 특정 구조 (다중 채널 변화, 드리프트, 변동성 변화로 나타남) 는 명시적인 시계열 - 통계적 증거에 의해 효과적으로 포착된다고 결론지었습니다.

저자들은 현재 라벨링된 구간에 대한 의존성 (실제 배포에서는 지연될 수 있음), 오프라인 로그 마이닝에 초점을 맞춘 점 (온라인 사용을 위해 인과적 보간이 필요함), 그리고 다양한 UAV 플랫폼에 대한 추가 검증 필요성 등 한계를 겸손하게 지적합니다. 향후 작업은 프레임워크를 온라인 배포 및 이상 유형 진단으로 확장하는 것을 제안합니다.