Real-time Anomaly Detection Using RRCF+CAD: A Case Study of Sensor Data

Abstract

In this thesis, we investigate anomaly detection, which builds the stability of the system by separating data different from normal data. For a systematic and sustainable system, the task of continuously monitoring and classifying abnormal data plays an important role, and various methodologies using machine learning/deep learning as well as statistical methods are being used. In this paper, after briefly introducing the methodology used in previous studies, we propose the RRCF+CAD model, a real-time anomaly detection method that combines the Robust Random Cut Forest Model and Conformal Prediction. This method enables real-time updating of the model, and based on this, a statistical test method is executed by finding an anomaly score of the data.

본 논문에서는 정상 데이터와는 다른 데이터를 분리해내어 시스템의 안정을 구축하는 이상치 탐지에 대해 알아본다. 체계적이고 지속가능한 시스템을 위해서 이상 데이터를 지속적으로 감시하고 분류하는 작업은 중요한 역할을 하며, 통계적 방법 뿐만 아니라 머신러닝/딥러닝을 활용한 다양한 방법론이 사용되고 있다. 본 논문에서는 선행 연구에서 사용된 방법론을 간략히 소개한 뒤, Robust Random Cut Forest Model과 Conformal Prediction을 결합한 실시간 이상탐지 방법인 RRCF+CAD 모델을 제안한다. 이 방법은 모델의 실시간 업데이트가 가능하며 이를 기반으로 데이터의 이상 score를 찾아 통계적 검정 방법을 실행한다.