Core Concepts
사이버 보안 공격으로 인한 개념 drift를 식별하고 완화하기 위해 특징 drift 설명(FDE) 모듈을 제안한다. FDE는 자동 인코더를 활용하여 회귀 딥러닝 모델의 활성화 함수를 재구성하고 잠재 표현을 찾아 드리프트 특징을 식별한다.
Abstract
이 논문은 사이버 보안 공격으로 인한 개념 drift 문제를 다룬다. 스마트 빌딩의 HVAC 시스템은 센서 데이터와 기계 학습 모델에 의존하므로, 센서 데이터가 변조되면 HVAC 시스템 성능이 저하된다. 이러한 개념 drift를 완화하기 위해서는 drift의 원인을 식별하는 것이 중요하다.
제안하는 Feature Drift Explanation(FDE) 모듈은 다음과 같은 과정으로 drift 특징을 식별한다:
회귀 딥러닝 모델의 첫 번째 합성곱 층 활성화 값을 수집한다.
자동 인코더를 사용하여 이 활성화 값의 잠재 표현을 찾는다.
드리프트 데이터의 각 특징을 정상 데이터의 대표값으로 대체하고, 이 변경된 데이터의 잠재 표현과 정상 데이터의 잠재 표현 간 Minkowski 거리를 계산한다.
평균 거리가 가장 작은 특징이 드리프트 특징으로 식별된다.
실험 결과, FDE는 85.77%의 정확도로 드리프트 특징을 식별할 수 있었다. 또한 FDE는 드리프트 적응 과정에서 미세 조정이 필요한 모델 가중치를 식별할 수 있다.
Stats
온도 평균: 23.38°C, 표준편차: 0.74°C
습도 평균: 29.1%, 표준편차: 13.25%
압력 평균: 1006hPa, 표준편차: 12.12hPa
CO2 농도 평균: 430.02ppm, 표준편차: 65.4ppm
PIR 평균: 0.31, 표준편차: 1.46