earticle

영어

Embedded systems continuously generate massive time-series data through various sensors and controllers. However, when system anomalies occur, manual inspection is still required to identify abnormal segments, making the process inefficient. To address this issue, this study proposes a method that utilizes an LLM-based routing mechanism to pre-classify time-series patterns and train individual USAD(UnSupervised Anomaly Detection) models for each group. This routing mechanism mitigates the performance degradation caused by data heterogeneity and enables each USAD to specialize in homogeneous patterns. Experimental results using public time-series datasets (UCR, NAB, KPI) demonstrate that the proposed method improves the accuracy and stability of anomaly detection compared to a single USAD model.

한국어

임베디드 시스템은 다양한 센서와 제어기를 통해 방대한 시계열 데이터를 지속적으로 생성한다. 그러나 시스템에 이상이 발생할 경우, 이상 구간을 확인하기 위해 사람이 직접 데이터를 검토해야 하는 비효율적인 과정 이 여전히 필요하다. 이를 해결하기 위해 본 연구는 대규모 언어 모델(LLM) 기반의 라우팅 메커니즘을 활용하여, 이상 탐지 이전 단계에서 시계열 패턴을 사전 분류하고 각 그룹별로 USAD(UnSupervised Anomaly Detection) 모델을 학습하는 방법을 제안한다. 이러한 라우팅 메커니즘은 데이터 분포의 이질성으로 인한 성능 저하를 완화하 고, 각 USAD가 동질적인 패턴에 특화되도록 한다. 실험 결과, 공개 시계열 데이터셋(UCR, NAB, KPI)을 통해 본 방법을 검증하였으며, 단일 USAD 모델 대비 이상 탐지의 정확도와 안정성이 향상됨을 확인하였다.