시계열 이상 탐지Time Series Anomaly Detection
시간 순서가 있는 관측에서 시각마다 계절 성분 · 예측으로 기대값을 먼저 만들고, 관측과의 잔차 · 창 · 변화점으로 이상 시각과 구간을 찾아 지연과 구간 단위로 평가하는 기술이다.
1요약
- 시계열 이상 탐지는 이상 탐지 가운데, 시각마다 계절 성분 · 예측값으로 기대값을 먼저 만들고 관측과의 잔차를 점수로 매기는 기술로, Cleveland 외(1990)의 STL 분해와 Killick 외(2012)의 PELT 변화점 탐지가 대표 도구이며 그 위에서 설비 전력 · 서버 지표 · 센서 감시가 돈다.
- 시간 순서를 버리고 값만 보면 하루 주기 폭이 정상 범위를 넓혀 이상이 묻힌다 — 합성 건물 전력 사례에서 원값 3σ 는 이상 14점 중 1점을 잡았고, 시간대 기대값 잔차에 8시간 창을 더하자 오경보 0 으로 8점을 잡았다.
- 「경보가 늦다 · 저절로 멈췄다」는 창 길이와 사건 길이의 관계로 가른다 — 경보가 창 길이의 절반에서 끊기면 수준 이동이 새 정상으로 흡수된 것이라 변화점으로 따로 다루고, 사건이 끝난 뒤 창 길이만큼 경보가 남으면 창이 지난 값을 끌고 온 것이다.
2등장 배경
하루 · 한 주 주기가 있는 값에 고정 상한 · 하한을 걸면 한계가 주기 폭만큼 넓어진다. 새벽에 낮 수준의 전력이 흘러도 하루 전체 범위 안이라 경보가 없고, 시각마다 독립된 점으로 보면 몇 시간 이어진 작은 상승과 그대로 머무는 수준 이동을 가르지 못한다.
Page(1954)의 누적합(CUSUM)이 «차이를 시간 순서로 쌓는» 첫 도구였다(통계적 공정 관리). Cleveland 외(1990)는 loess 로 계절 · 추세 · 나머지를 나누는 STL 을 냈는데, 계절 성분이 시간에 따라 바뀌어도 되고 강건 옵션을 켜면 튀는 값이 추세 · 계절 추정에 번지지 않고 나머지에만 남는다(FPP3 3.6). 변화점 탐색은 Scott · Knott(1974)의 이분 분할(O(n log n) · 근사)이 오래 쓰였고, Killick · Fearnhead · Eckley(2012)의 PELT 가 가지치기로 정확한 해를 유지하면서 변화점 수가 자료와 함께 늘 때 선형 비용을 보였다(Killick 2012 1절 · 3.1절).
평가도 따로 발전했다. Xu 외(2018)는 웹 지표 평가에서 이상 구간 안 한 점만 맞혀도 구간 전체를 맞힌 것으로 세는 점 보정을 쓰고 첫 경보 지연을 함께 쟀다(Xu 2018 4.2절). Tatbul 외(2018)가 구간 단위 정밀도 · 재현율을 정의했고, Kim 외(2022)는 점 보정 아래에서 무작위 점수가 최신 방법보다 높은 F1 을 받는다고 보였다(Kim 2022 3.2절). 상위 이상 탐지가 정한 점 · 문맥 · 집단 이상을 시간 축에서 다루는 일은 시계열 이상 탐지가 맡고, 데이터 분포가 서서히 옮겨 가는 문제는 드리프트 쪽에서 다룬다.
3쉽게 이해하기 — 빵집 사장 하윤의 시간대 장부
빵집 사장 하윤은 계산대 기록으로 시간마다 팔린 빵 수를 본다. 아침 8시에는 평소 40개, 오후 3시에는 10개가 팔린다는 시간대 장부가 있고, 하윤은 지금 숫자를 장부 · 어제 같은 시각 · 최근 8시간 합 세 가지와 견주어 기준선을 넘을 때만 매장에 나가 본다. 근처 학교가 개학하자 모든 시간대 판매가 20개씩 늘어 그대로 머문다 — 처음 며칠은 이상이지만 일주일 뒤에는 새 평소다. 하윤은 주말마다 「문제를 몇 시간 늦게 알았나」를 되돌아본다.
그림 1 · 하윤은 장부 · 어제 · 최근 8시간으로 평소를 세 번 견주고, 개학처럼 그대로 머무는 변화는 따로 가려 장부를 고친다.
그림 2 · 장부가 «최근 며칠의 가운데 값»이면, 바뀐 날이 장부의 절반을 넘는 순간 개학 뒤 판매가 평소가 된다 — 지난 24시간 중앙값도 12시간째에 같은 일을 한다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 계산대 판매 기록 | 시계열 입력 | 1시간 간격 관측 — 순서와 간격이 정보다 |
| 시간대 장부 | 계절 성분 | 시간대별 평소 값을 빼서 하루 주기를 지운다 |
| 어제 같은 시각 | 예측값(계절 단순 예측) | 24시간 전 값을 기대값으로 쓴다 |
| 최근 8시간 합 | 슬라이딩 창 | 지난 W 점의 잔차를 모아 작은 상승을 키운다 |
| 기준선 | 임계값 | 잔차 점수 |z| > 4 에서 경보 |
| 개학 | 변화점(수준 이동) | 그대로 머무는 바뀜의 시각을 찾아 기준을 다시 잡는다 |
| 몇 시간 늦었나 | 탐지 지연 · 구간 평가 | 첫 경보 − 사건 시작 · 구간을 얼마나 덮었나 |
⚠ 비유가 맞지 않는 곳: 하윤은 개학 소식을 미리 알지만 모델은 숫자만 보므로 변화점인지 이상인지를 시간이 지나서야 가른다. 판매 수는 정수이고 하루 단위 장부이지만, 실제 센서 값은 연속 값에 자기상관 잡음이 섞인다.
4구조 — 기대값 · 잔차 점수 · 창 · 변화점 · 사건 평가
시계열 이상 탐지는 «이 시각에 나왔어야 할 값»을 먼저 만들고, 그 값과의 차이만 이상 탐지기에 넘긴다. 기대값을 만드는 법(분해 · 예측)과 차이를 모으는 법(점 · 창), 그리고 지속되는 바뀜을 따로 떼는 변화점 탐지가 시계열 이상 탐지만의 구성 요소다.
그림 3 · 기대값 모형이 하루 주기를 지우고, 잔차를 점 · 창으로 판정하며, 그대로 머무는 바뀜은 변화점 탐지가 떼어 기준을 다시 잡는다.
| 요소 | 역할 | 사례 값(그림 4 ~ 6) | 근거 |
|---|---|---|---|
| 시계열 입력 | 시각 순서의 관측 | 1시간 간격 kW · 학습 336점 · 평가 168점 · 변화점 구간 168점 | 가정 값 |
| 기대값 모형 | 하루 주기와 수준을 기대값으로 | 시간대 중앙값(02시 −26.5 · 14시 +25.5 kW) + 지난 24시간 중앙값 | FPP3 3.6 |
| 잔차 점수 | 관측 − 기대를 강건 σ 로 나눔 | σ = MAD × 1.4826 = 3.25 kW | NumPy median |
| 창 집계 | 지난 W 점 잔차를 모음 | W = 8 · ±3σ 로 자른 평균 · σ 1.71 kW | 가정 값 |
| 임계값 판정 | 점수 → 경보 | 점 · 창 모두 |z| > 4 | 설명용 설정 |
| 변화점 탐지 | 지속되는 바뀜의 시각 | PELT · β = 2 ln n = 10.25 | Killick 2012 2절 |
| 사건 평가 | 구간 · 지연으로 잼 | 점 F1 · 구간 재현율(α = 0) · 첫 경보 지연 | Tatbul 2018 4.1절 |
5동작 — 건물 냉방 전력 4주 감시
합성 데이터를 NumPy 2.4.3(Python 3.14.0)의 난수 생성기 default_rng(11) 로 만들어 직접 실행한 사례다. 건물 냉방 전력은 설명용 가정 값으로, 02시 35 kW · 14시 85 kW 의 하루 주기에 자기상관 잡음(AR(1) · φ = 0.5 · 표준편차 3 kW)을 더했다.
- 4주 672점을 만든다 — 1 ~ 14일차 336점은 학습, 15 ~ 21일차 168점은 평가(심은 이상 3건 · 14점), 22 ~ 28일차는 변화점 구간이다. 학습 원값의 평균 ± 3σ 한계는 5.0 ~ 115.5 kW 다.
- 탐지기 셋을 맞춘다 — 분해 잔차는 시간대 중앙값 계절 성분과 지난 24시간 중앙값 수준을 빼고 σ 3.25 kW 로 나누며, 예측 잔차는 24시간 전 값을 빼고 σ 4.35 kW, 창은 분해 잔차를 ±3σ 로 자른 지난 8시간 평균을 σ 1.71 kW 로 나눈다. 셋 다 |z| > 4 에서 경보다.
- 16일차 14시 117.5 kW(기대 85.4 kW · 점 이상) — 분해 잔차 z = 9.9 로 즉시 경보이고, 원값 3σ 는 한계 115.5 kW 를 겨우 넘었다(z = 3.11).
- 18일차 02 ~ 04시 88.7 ~ 91.2 kW(기대 36.7 kW · 문맥 이상) — 분해 잔차 z = 16.4 ~ 17.1 로 3점 모두 경보, 원값 3σ 는 0점이다. 예측 잔차도 3점을 잡지만 다음 날 같은 시각 3점과 점 이상 다음 날 1점에 z = −6.7 ~ −13.6 의 오경보 4점을 낸다.
- 20일차 08 ~ 17시 +10 kW(집단 이상) — 분해 잔차 점 판정은 최대 z = 3.63 으로 0/10 이다. 8시간 창은 13시에 첫 경보를 내 4/10 을 잡는다(지연 5시간).
- 평가 168점에서 분해 잔차 + 창은 정밀도 1.000 · 재현율 0.571 · F1 0.727, 구간 재현율 0.800 이다. 점 보정을 걸면 예측 잔차 F1 이 0.435 → 0.875 로 분해 잔차(0.444)를 앞지르고, 균등 분포 무작위 점수도 1,000회 평균 최고 F1 이 0.182 → 0.607 로 오른다.
- 23일차 00시에 수준이 +15 kW 오른 채 머문다 — 분해 잔차는 1 ~ 11시간에 경보 6점을 내고 12시간부터 멈추며(창 24시간의 절반), 예측 잔차는 23시간째까지 z = 1.7 ~ 5.1 에 머물다 24시간째부터 1.4 아래로 떨어진다. 같은 잔차 위 CUSUM(k = 0.5 · h = 5)은 1시간 뒤 신호를 낸다.
- 22 ~ 28일차 계절 성분을 뺀 168점에 PELT(비용 = 구간 제곱합 ÷ σ² · β = 2 ln 168 = 10.25)를 돌리면 23일차 00시 한 곳을 찾고 앞뒤 평균은 60.32 → 74.67 kW 다. 잔차의 지연 1 자기상관 0.495 를 무시하고 σ² = 3.25² 를 쓰면 변화점이 6개로 늘고, 장기 분산 σ²(1 + φ)/(1 − φ)(2.96배)를 쓰면 1개다.
그림 4 · 하루 주기를 뺀 기대값 띠 안에서 점 · 문맥 이상은 즉시 띠를 벗어나고, 띠 안에 머무는 +10 kW 집단 이상은 8시간 창만 5시간 늦게 잡는다.
그림 5 · 예측 잔차는 집단 이상의 한 점만 맞혔는데 점 보정이 10점으로 바꿔 F1 이 두 배가 되고, 무작위 점수도 0.607 이 된다.
그림 6 · 지난 24시간 중앙값 기준은 수준 이동을 12시간 뒤 새 정상으로 받아들이고, 24시간 전 값 기준은 24시간 뒤에 받아들인다 — 이동 자체는 CUSUM · PELT 가 따로 잡는다.
🔑 창 길이가 «이상»과 «새 정상»의 경계를 정한다 — 지난 24시간 중앙값 기준은 수준 이동을 12시간 뒤 정상으로 받아들이므로, 그대로 머무는 바뀜은 경보가 아니라 변화점으로 따로 보고해야 한다.
🔑 점 보정은 구간 안 한 점을 구간 전체로 바꾸므로 무작위 점수도 F1 0.607 을 받는다 — 탐지기를 견줄 때는 점 F1 · 구간 비율 · 첫 경보 지연을 함께 적는다.
6비교 — 기대값 · 잔차를 만드는 방식
| 기준 | 분해 잔차(STL · 시간대 중앙값) | 예측 잔차(계절 단순 · ARIMA · LSTM) | 슬라이딩 창(잔차 평균 · 합) | 변화점 탐지(PELT · CUSUM) |
|---|---|---|---|---|
| 기대값 | 계절 성분 + 추세 · 수준(FPP3 3.6) | 지난 값으로 낸 예측값(FPP3 5.2) | 앞 단계 잔차를 지난 W 점 모음 | 구간마다 평균 · 분포가 일정하다는 가정 |
| 사례에서 잡은 이상 | 점 1/1 · 문맥 3/3 · 지연 0 | 점 · 문맥 4/4 · 집단 1/10 | 집단 4/10 · 지연 5시간 | 수준 이동 위치를 정확히(23일차 00시) |
| 사례의 약점 | 집단 0/10 · 이동을 12시간 뒤 흡수 | 다음 날 같은 시각 오경보 4점 | 큰 사건 뒤 W − 1 점 번짐(자르기로 막음) | 자기상관 무시 시 변화점 6개 |
| 실시간 여부 | 계절 성분은 학습 구간 · 수준은 지난 창 | 실시간 · 한 걸음 앞 예측 | 실시간 · W 만큼 늦음 | PELT 는 구간 전체(사후) · CUSUM 은 실시간 |
| 주요 설정 | 주기 길이 · 창 길이 · 강건 여부 | 계절 주기 m · 모형 차수 | W · 자르기 한계 | β = p log n(Killick 2012 2절) · k · h |
분석하루 · 주 주기가 뚜렷하면 분해 잔차를 기본으로 두고, 몇 시간 이어지는 작은 상승이 문제면 같은 잔차에 슬라이딩 창을 더하며, 정비 · 설정 변경 뒤의 지속 바뀜은 변화점 탐지로 떼어 기준을 다시 잡는다. 근거는 표의 「사례에서 잡은 이상」 · 「사례의 약점」 행 — 분해 잔차 + 창은 오경보 0 으로 F1 0.727 이었고, 예측 잔차는 이상 값을 다음 날 기대값으로 끌고 와 오경보 4점을 냈다.
여러 센서를 함께 보는 판정은 다변량 통계(T² · PCA), 신경망으로 창을 재구성하는 방식은 오토인코더 이상 탐지가 맡는다 — 시계열 이상 탐지는 어느 방식이든 앞에 붙는 «시간 축 전처리와 평가»를 맡는다.
7실무 진단 — 시계열 경보 문제의 단계 가르기
분석평가 방법 → 기대값 모형 → 창 → 변화점 순으로 본다. 점 보정으로 잰 성능은 무작위 점수와 견주기 전에는 판단 근거가 되지 않으므로(Kim 2022 3.2절) 평가를 먼저 고정하고, 그다음 경보 시각의 규칙성(24시간 간격 · 사건 직후 · 반나절 뒤 끊김)으로 단계를 고른다.
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 보고서 F1 은 0.9 인데 현장에서 경보가 늦음 | 점 보정 평가 | 평가 | 점 F1 · 구간 재현율 · 첫 경보 지연 · 무작위 점수의 점 보정 F1 | 무작위 점수 점 보정 F1 을 넘지 못하면 개선 아님(Kim 2022 4.1절 · 사례 0.607) |
| 2 | 이상 다음 날 같은 시각에 반대 방향 경보 | 예측 기준이 이상 값을 품음 | 기대값 모형 | 경보 시각 쌍의 간격 | 24시간 간격 쌍이면 이상 구간을 기대값에서 빼거나 강건 분해로(FPP3 3.6) |
| 3 | 큰 사건이 끝난 뒤 몇 시간 경보가 남음 | 창 번짐 | 창 집계 | 사건 끝부터 경보 끝까지 시간 · W | W − 1 시간 이내면 잔차를 자른 뒤 모음(사례 ±3σ) |
| 4 | 수준이 바뀌었는데 반나절 뒤 경보가 저절로 멈춤 | 창이 새 값을 흡수 | 기대값 수준 | 변화점 탐지 결과 · 앞뒤 평균 | 경보가 창 길이 절반에서 끊기면 변화점 사건으로 따로 보고(사례 12시간) |
| 5 | 변화점이 하루에 여러 개 | 자기상관 잡음을 독립으로 봄 | 변화점 탐지 | 잔차의 지연 1 자기상관 φ̂ | φ̂ 가 0 에서 멀면 장기 분산으로 σ² 를 키움(사례 φ̂ 0.495 · 6개 → 1개 · Killick 2012 2절 벌점) |
경보 시각을 사건 시작 · 끝 · 24시간 뒤와 나란히 놓는 표 하나가 가장 빠른 확인 자료다. 원인 단계마다 경보 시각의 규칙이 다르게 남기 때문이다.
8시험 대비
시험에서는 계절 분해 · 예측 잔차 · 슬라이딩 창 · 변화점 탐지의 구성을 쓰는 정의 · 특징형, 그리고 점 단위 · 점 보정 · 구간 단위 평가를 견주는 비교형이 나올 수 있다. 상위 이상 탐지와 다른 점(시간 순서 · 기대값 · 지연)을 첫 문단에 못 박고, 평가 지표를 수치로 견주면 정의 수준을 넘는다.
- 개요 — 정의(기대값 → 잔차 → 판정) · 일반 이상 탐지와의 차이(시간 순서 · 계절 · 지연) · 드리프트와의 경계 한 줄
- 처리 구성 — 그림 3 구성도(기대값 모형 · 잔차 점수 · 창 집계 · 임계값 · 변화점 · 평가)
- 기법 비교 — 분해 잔차 · 예측 잔차 · 슬라이딩 창 · 변화점 비교표 · PELT 벌점 β = p log n
- 적용 사례 — 그림 4 시간축(점 · 문맥 · 집단 이상의 잡힘과 지연 5시간)
- 평가 방법 — 그림 5 점 단위 · 점 보정 · 구간 단위 F1(0.435 → 0.875 · 무작위 0.607) · PA%K
- 운영 쟁점 — 그림 6 수준 이동 흡수(12시간 · 24시간) · 자기상관과 변화점 과다 · 기준 갱신
꼭 쓸 키워드
계절 성분STL예측 잔차계절 단순 예측슬라이딩 창변화점 탐지PELTCUSUM점 보정구간 단위 재현율탐지 지연
다른 답안과 차이를 내는 한 가지는 그림 5 처럼 같은 경보를 점 단위 · 점 보정으로 따로 세어 무작위 점수와 견주는 것이다 — 「F1 이 높다」 한 줄이 평가 방법의 함정까지 보이는 근거로 바뀐다.
9오해와 사실
- 오해점 보정 F1 이 높으면 좋은 탐지기다.사실사례에서 균등 분포 무작위 점수도 점 보정 F1 0.607 을 받았고, 한 점만 맞힌 예측 잔차가 0.875 로 분해 잔차(0.444)를 앞질렀다 — 점 보정은 구간 안 한 점을 구간 전체로 센다(Xu 2018 4.2절 · Kim 2022 3.2절).
- 오해수준 이동 경보가 저절로 멈추면 문제가 풀린 것이다.사실사례의 분해 잔차 경보는 12시간째에 멈췄지만 PELT 앞뒤 평균은 60.32 → 74.67 kW 로 바뀐 채다 — 지난 창이 새 값을 정상으로 받아들였을 뿐이다.
- 오해어제 같은 시각과 견주면 계절성 문제는 끝난다.사실계절 단순 예측은 이상 값까지 다음 날 기대값으로 쓰므로(FPP3 5.2) 사례에서 다음 날 같은 시각 오경보 4점을 냈다.
10핵심 정리
| 구분 | 맡는 일 | 대표 식 · 설정 | 사례 값 | 잘 잡는 것 | 흔한 실패 |
|---|---|---|---|---|---|
| 분해 잔차 | 계절 · 수준을 뺀 차이 | 관측 − (계절 + 수준) ÷ 강건 σ | σ 3.25 kW · 점 z 9.9 | 점 · 문맥 이상 | 이동을 창 절반 뒤 흡수 |
| 예측 잔차 | 예측값과의 차이 | 관측 − 24시간 전 값 | σ 4.35 kW · 오경보 4 | 실시간 감시 | 다음 날 같은 시각 오경보 |
| 슬라이딩 창 | 지난 W 점 모음 | ±3σ 자른 평균 · W 8 | 집단 4/10 · 지연 5시간 | 작은 집단 이상 | 사건 뒤 번짐 |
| 변화점 탐지 | 지속 바뀜의 시각 | PELT β = p log n · CUSUM k · h | 23일차 00시 · CUSUM 1시간 | 정비 · 설정 변경 | 자기상관 무시로 과다 |
| 점 단위 평가 | 시각마다 맞음 · 틀림 | 정밀도 · 재현율 · F1 | F1 0.727 | 경보 품질 | 긴 구간의 무게가 큼 |
| 점 보정 | 한 점이면 구간 전체 | Xu 2018 4.2절 · PA%K | 무작위 0.607 | 운영자의 «한 번 알림» 관점 | 성능을 부풀림 |
| 구간 · 지연 평가 | 구간 덮음 · 첫 경보 시각 | 존재 · 겹침 항 α · 첫 경보 − 시작 | 구간 재현율 0.800 · 5시간 | 사건 단위 비교 | α · 위치 가중을 안 밝힘 |
11참고 문헌
- 먼저 볼 문헌
- ★ Forecasting: Principles and Practice (Third Edition) 3.6 STL decomposition · 5.2 Some simple forecasting methods — 계절 · 추세 · 나머지 분해와 계절 단순 예측을 따라 해 볼 때
- ★ Optimal detection of changepoints with a linear computational cost (Journal of the American Statistical Association 107(500) 1590-1598) — PELT 의 가지치기 조건과 벌점 β 고르는 법을 볼 때
- ★ Precision and Recall for Time Series (NeurIPS 2018) — 구간 단위 재현율의 존재 · 겹침 · 위치 · 카디널리티 항을 볼 때
- ★ Towards a Rigorous Evaluation of Time-series Anomaly Detection (AAAI 2022) — 점 보정 평가가 성능을 부풀리는 이유와 PA%K 를 볼 때
- 본문 근거
- Unsupervised Anomaly Detection via Variational Auto-Encoder for Seasonal KPIs in Web Applications (WWW 2018) — H. Xu 외 · 2018-04 ·
arxiv.org/abs/1802.03903· 확인 2026-11-09 - STL: A Seasonal-Trend Decomposition Procedure Based on Loess (Journal of Official Statistics 6(1) 3-73) — R. B. Cleveland · W. S. Cleveland · J. E. McRae · I. Terpenning · 1990-03 ·
rdrr.io/r/stats/stl.html· 확인 2026-11-09 - Continuous Inspection Schemes (Biometrika 41(1-2) 100-115) — E. S. Page · 1954-06 ·
doi.org/10.1093/biomet/41.1-2.100· 확인 2026-11-09 - NumPy 2.4 Reference numpy.median — NumPy Developers · 2026-11 ·
numpy.org/doc/2.4/reference/generated/numpy.median.html· 확인 2026-11-09 - NumPy 2.4 Reference Random Generator — NumPy Developers · 2026-11 ·
numpy.org/doc/stable/reference/random/generator.html· 확인 2026-11-09