이상(Anomaly)패턴이란?

기대하는 Behavior와 다르게 나타나는 패턴

Outlier / Exception / Surprise / 부정거래 레코드 / 이상행동 동영상 / 네트워크 침입 로그 등

이상패턴 감지

인공지능 기술을 적용하여 특정 영역에서의 이상패턴을 자동으로 감지

인공지능 기술을 적용하여 특정 영역에서의 이상패턴으로 보이는 패턴을 알려주는 기술

기존 상용 이상패턴 감지 솔루션의 Pain Points

1. 규칙 기반 방식만 적용한 솔루션

- 해당분야 전문가들이 이상패턴 규칙을 도출해야 하기 때문에 시간과 비용이 많이 소요

- 조금 변형된 이상패턴에도 대응하기 힘듬

2. 신경망 기반 방식만 적용한 솔루션

- 데이터 레코드의 벡터화 필요

- 솔루션 적용 후 업그레이드를 위해서는 다시 전체 학습이 필요함 (전체 데이터 필요)

- 이상패턴 판단의 원인 설명 어려움

Philo-AD

딥러닝 기반 신경망 방식과 규칙기반 방식을 효과적으로 결합

신경망 방식의 실시간성, 일반화 능력과 규칙기반 방식의 즉시 적용성, 해석 능력을 동시에 갖춤

특허 출원 : 이상패턴 감지 시스템 및 방법(10-2016-0181252)

2018.03 : 조달청 지정 벤처창업 혁신조달상품 선정

Philo-AD의 적용분야

딥러닝 기반 신경망 모델을 사용하여 여러 종류의 데이터스트림을 실시간 모니터링하면서 이상패턴 발생시 알려줍니다.

또한 발생한 이상패턴에 대해 규칙기반 방식으로 패턴을 학습하고 이를 즉시 반영하여 이상 패턴을 감지합니다.


금융분야

신용카드 불법 사용,

계좌 입출금 모니터링이 필요한 금융권

보안분야

네트워크 침입방지,

문서보안

제조분야

스마트팩토리에서의 고장예지관리

Philo-AD의 특장점

1. 다양한 환경에서의 활용성

특정 시스템에 특화한 솔루션이 아니기 때문에 다양한 분야에 맞춤 적용이 가능함

2. 실제 적용 가능한 현실적 솔루션

현재 활발히 연구되고 있는 강화학습에 의한 적응신경망 모델 적용전에 필요한 실용적 솔루션

3. 정확도 향상

이상 패턴 저장을 통하여 점진적으로 정확도가 향상

4. 문제 영역 전문가 불필요

컨설팅에 의한 규칙 생성 불필요 ,이에 따른 개발 비용, 시간 절감

5. 데이터 수집 편리성

정상적인 패턴의 데이터만 있는 경우에도 솔루션 적용 가능, 데이터 수집 시 각각의 레이블링 작업 필요 없음

Philo-AD의 구성

1. 데이터 수치화

비수치 데이터필드를 수치 벡터로 변환

2. 시계열 데이터 모델링 (Time-series Modeling)

주어진 문제 도메인과 학습 데이터 양에 적합, 시계열 특성을 반영한 심층 신경망 모델 적용

3. Hierarchical Behavioral Knowledge Space (HBKS)

관리자에 의해 파악된 이상 패턴을 저장하여 실시간으로 적용, 관리자가 파악한 원인도 함께 저장하여 향후 비슷한 현상 발생시 원인 설명 가능해짐


Philo–AD Dashboard

사용자가 생성한 데이터들의 분포를 시각적으로 표현

1. 모니터링 및 그래프화

- 학습 진행상황 모니터링 및 테스트 결과 모니터링

- 이상패턴 분석 그래프 제공

2. Auto Learn

데이터셋을 자동 수집하여 스스로 학습을 진행

3. 이상패턴 원인 설명

이상 패턴 검출 결과 및 원인에 대한 설명