KR20210050412A

KR20210050412A - Method for determinating optimal anomaly detection model for processing input data

Info

Publication number: KR20210050412A
Application number: KR1020200022451A
Authority: KR
Inventors: 김기현
Original assignee: 주식회사 마키나락스
Priority date: 2019-10-28
Filing date: 2020-02-24
Publication date: 2021-05-07
Anticipated expiration: 2040-02-24
Also published as: KR20210074269A; KR102267458B1

Abstract

본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 모델을 관리하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은, 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성하는 동작; 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하는 동작; 및 결정된 상기 하나 이상의 어노말리 감지 서브모델을 이용하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 동작을 포함할 수 있다.A computer program stored in a computer-readable storage medium according to an embodiment of the present disclosure is disclosed. When the computer program is executed on one or more processors of a computing device, the following operations for managing a model are performed, and the operations are network pretrained using a plurality of subsets of training data included in a training data set. Generating an anomaly detection model including a plurality of anomaly detection submodels including a function; Determining one or more anomaly detection submodels for calculating input data from among the generated plurality of anomaly detection submodels; And determining whether an anomaly exists in the input data by using the determined one or more anomaly detection submodels.

Description

How to determine the optimal anomaly detection model for processing input data {METHOD FOR DETERMINATING OPTIMAL ANOMALY DETECTION MODEL FOR PROCESSING INPUT DATA}

본 개시는 인공지능 기술 분야에 관한 것으로서, 보다 구체적으로 인공지능 기술을 활용한 어노말리 디텍션에 관한 것이다.The present disclosure relates to the field of artificial intelligence technology, and more specifically, to an anomaly detection using artificial intelligence technology.

일시적으로 또는 데이터 베이스에 저장되어 영구적으로 사용할 수 있는 센서 데이터가 축적됨에 따라, 수 많은 산업 장비의 모니터링 데이터의 자동화 처리에 대한 연구가 진행되고 있다. 데이터의 상태 판단 방법을 구현하기 위해 인공 신경망 네트워크(artificial neural network)를 이용한 인공지능(artificial intelligence) 기술에 대한 연구가 진행되고 있다. As sensor data that can be temporarily or permanently used by being stored in a database is accumulated, studies on the automated processing of monitoring data of numerous industrial equipment are being conducted. Research on artificial intelligence technology using an artificial neural network is being conducted to implement a method of determining the state of data.

인공 신경망 네트워크를 활용한 딥러닝(deep learning) 모델은 복잡한 비선형 또는 동적 패턴을 효과적으로 학습할 수 있는 방법을 제공하지만, 처리하고자 하는 데이터가 변화하는 경우, 모델의 업데이트에 대한 기술적 과제가 존재하였다. Deep learning models using artificial neural networks provide a method to effectively learn complex nonlinear or dynamic patterns, but when the data to be processed changes, there is a technical challenge for updating the model.

대한민국특허 공개 문헌 KR1020180055708은 인공 지능을 활용한 이미지 처리 방법을 개시한다.Korean Patent Publication No. KR1020180055708 discloses an image processing method utilizing artificial intelligence.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 인공지능을 활용한 데이터의 처리 방법을 제공하기 위한 것이다.The present disclosure is conceived in response to the above-described background technology, and is to provide a data processing method using artificial intelligence.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 하나 이상의 프로세서에서 실행되는 경우 모델을 관리하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은, 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성하는 동작; 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하는 동작; 및 결정된 상기 하나 이상의 어노말리 감지 서브모델을 이용하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 동작을 포함할 수 있다. A computer program stored in a computer-readable storage medium is disclosed according to an embodiment of the present disclosure for realizing the above-described problem. When the computer program is executed on one or more processors of a computing device, the following operations for managing a model are performed, and the operations are network pretrained using a plurality of subsets of training data included in a training data set. Generating an anomaly detection model including a plurality of anomaly detection submodels including a function; Determining one or more anomaly detection submodels for calculating input data from among the generated plurality of anomaly detection submodels; And determining whether an anomaly exists in the input data by using the determined one or more anomaly detection submodels.

대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하는 동작은, 복수의 어노말리 감지 서브모델에 대한 다른 입력 데이터의 처리 경향성, 입력 데이터의 컨텍스트 정보, 또는 입력 데이터의 클러스터 정보 중 적어도 하나에 기초하여 상기 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하는 동작을 포함할 수 있다. In an alternative embodiment, the operation of determining one or more anomaly detection submodels for calculating input data among the generated plurality of anomaly detection submodels includes processing other input data for the plurality of anomaly detection submodels. It may include an operation of determining one or more anomaly detection submodels for calculating the input data based on at least one of a trend, context information of the input data, or cluster information of the input data.

대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하는 동작은, 상기 입력 데이터와 사전결정된 관계를 가지는 다른 입력 데이터를 연산한 어노말리 감지 서브모델을 상기 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정하는 동작을 포함할 수 있다. In an alternative embodiment, the operation of determining one or more anomaly detection submodels for calculating input data among the generated plurality of anomaly detection submodels includes calculating other input data having a predetermined relationship with the input data. It may include an operation of determining an anomaly detection submodel as an anomaly detection submodel for calculating the input data.

대안적인 실시예에서, 상기 다른 입력 데이터는, 상기 입력 데이터의 생성 전에 생성된 입력 데이터를 포함하며, 상기 입력 데이터와 사전결정된 시간 간격 이내에 생성된 데이터를 포함할 수 있다.In an alternative embodiment, the other input data includes input data generated before generation of the input data, and may include data generated within a predetermined time interval with the input data.

대안적인 실시예에서, 상기 입력 데이터와 사전결정된 관계를 가지는 다른 입력 데이터를 연산한 어노말리 감지 서브모델을 상기 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정하는 동작은, 상기 입력 데이터와 사전결정된 관계를 가지는 다른 입력 데이터를 정상 데이터로 판단한 어노말리 감지 서브모델을 상기 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정하는 동작을 포함할 수 있다.In an alternative embodiment, the operation of determining an anomaly detection sub-model obtained by calculating other input data having a predetermined relationship with the input data as an anomaly detection sub-model for calculating the input data includes: It may include an operation of determining an anomaly detection submodel in which other input data having the determined relationship is determined as normal data as an anomaly detection submodel for calculating the input data.

대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하는 동작은, 상기 입력 데이터의 컨텍스트 정보에 기초하여, 상기 컨텍스트 정보와 매칭되는 어노말리 감지 서브모델을 상기 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델로 결정하는 동작을 포함 할 수 있다.In an alternative embodiment, the operation of determining one or more anomaly detection submodels for calculating input data among the generated plurality of anomaly detection submodels is based on the context information of the input data, and the context information and The operation of determining the matched anomaly detection submodel as one or more anomaly detection submodels for calculating the input data may be included.

대안적인 실시예에서, 상기 컨텍스트 정보는, 입력 데이터를 정상 패턴과 연관시키는 정보를 포함하며, 상기 입력 데이터를 제조 레시피 또는 제조 장비 중 적어도 하나와 연관시키는 컨텍스트 인디케이터, 상기 입력 데이터의 제조 레시피 특성 또는 제조 장비 특성 중 적어도 하나와 연관시키는 컨텍스트 특성 인디케이터, 또는 상기 입력 데이터의 결측 특성에 대한 정보를 포함하는 결측 특성 인디케이터 중 적어도 하나를 포함 할 수 있다.In an alternative embodiment, the context information includes information for associating input data with a normal pattern, a context indicator for associating the input data with at least one of a manufacturing recipe or manufacturing equipment, a manufacturing recipe characteristic of the input data, or It may include at least one of a context characteristic indicator associated with at least one of the manufacturing equipment characteristics, or a missing characteristic indicator including information on the missing characteristic of the input data.

대안적인 실시예에서, 상기 컨텍스트 정보는, 상기 입력 데이터 또는 상기 학습 데이터 중 적어도 하나에 매칭되며, 상기 어노말리 감지 서브모델은 상기 학습 데이터 서브세트에 매칭된 컨텍스트 정보와 매칭될 수 있다.In an alternative embodiment, the context information may be matched with at least one of the input data or the training data, and the anomaly detection sub-model may be matched with context information matched with the training data subset.

대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하는 동작은, 하나 이상의 다른 입력 데이터를 유사도에 기초하여 클러스터링 하는 동작; 및 상기 입력 데이터가 속하는 클러스터에 포함된 다른 입력 데이터를 연산한 어노말리 감지 서브모델을 상기 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정하는 동작을 포함할 수 있다.In an alternative embodiment, the determining of at least one anomaly detection submodel for calculating input data among the generated plurality of anomaly detection submodels includes: clustering at least one other input data based on similarity; And determining an anomaly detection submodel obtained by calculating other input data included in the cluster to which the input data belongs as an anomaly detection submodel for calculating the input data.

대안적인 실시예에서, 상기 복수의 어노말리 감지 서브모델을 클러스터링 하는 동작; 및 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성하는 동작을 더 포함할 수 있다.In an alternative embodiment, clustering the plurality of anomaly sensing sub-models; And generating an integrated anomaly detection submodel by integrating one or more anomaly detection submodels included in one cluster.

대안적인 실시예에서, 상기 복수의 어노말리 감지 서브모델을 클러스터링 하는 동작은, 어노말리 감지 서브모델 각각에 매칭된 컨텍스트 정보, 또는 어노말리 감지 서브모델 각각의 입력 데이터 처리 특성 중 적어도 하나에 기초하여 복수의 어노말리 감지 서브모델에 포함된 하나 이상의 어노말리 감지 서브모델을 클러스터링 하는 동작을 포함 할 수 있다.In an alternative embodiment, the clustering of the plurality of anomaly detection submodels is based on at least one of context information matched to each of the anomaly detection submodels, or input data processing characteristics of each of the anomaly detection submodels. The operation of clustering one or more anomaly detection submodels included in the plurality of anomaly detection submodels may be included.

대안적인 실시예에서, 상기 복수의 어노말리 감지 서브모델을 클러스터링 하는 동작은, 상기 어노말리 감지 서브모델 각각의 입력 데이터에 대한 판단 결과에 기초하여 상기 어노말리 감지 서브모델을 클러스터링 하는 동작을 포함할 수 있다.In an alternative embodiment, the clustering of the plurality of anomaly detection submodels includes an operation of clustering the anomaly detection submodels based on a determination result of input data of each of the anomaly detection submodels. I can.

대안적인 실시예에서, 상기 어노말리 감지 서브모델 각각의 입력 데이터에 대한 판단 결과에 기초하여 상기 어노말리 감지 서브모델을 클러스터링 하는 동작은, 입력 데이터를 정상 데이터로 판단한 어노말리 감지 서브모델과 다른 입력 데이터를 정상 데이터로 판단한 다른 어노말리 감지 서브모델을, 상기 입력 데이터와 상기 다른 입력 데이터가 연관된 경우, 하나의 클러스터로 클러스터링 하는 동작을 포함할 수 있다.In an alternative embodiment, the operation of clustering the anomaly detection submodels based on the determination result of the input data of each of the anomaly detection submodels is an input different from the anomaly detection submodel that determines the input data as normal data. The operation of clustering another anomaly detection sub-model in which data is determined as normal data is clustered into one cluster when the input data and the other input data are associated.

대안적인 실시예에서, 상기 어노말리 감지 서브모델 각각의 입력 데이터에 대한 판단 결과에 기초하여 상기 어노말리 감지 서브모델을 클러스터링 하는 동작은, 상기 입력 데이터를 정상 데이터로 판단하는 하나 이상의 어노말리 감지 서브모델을 하나의 클러스터로 분류하는 동작을 포함할 수 있다.In an alternative embodiment, the clustering of the anomaly detection sub-models based on a determination result of the input data of each of the anomaly detection sub-models includes at least one anomaly detection sub-model determining the input data as normal data. It may include an operation of classifying the model into one cluster.

대안적인 실시예에서, 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성하는 동작은, 상기 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 앙상블함으로써 통합된 어노말리 감지 서브모델을 생성하는 동작을 포함할 수 있다.In an alternative embodiment, the operation of integrating one or more anomaly sensing sub-models included in one cluster to generate an integrated anomaly sensing sub-model includes at least one anomaly sensing sub-model included in the one cluster. The ensemble may include generating an integrated anomaly sensing sub-model.

대안적인 실시예에서, 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성하는 동작은, 상기 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델 중 적어도 일부를 제거하여 통합된 어노말리 감지 서브모델을 생성하는 동작을 포함할 수 있다.In an alternative embodiment, the operation of integrating one or more anomaly sensing sub-models included in one cluster to generate an integrated anomaly sensing sub-model may include: The operation of generating an integrated anomaly detection sub-model by removing at least a portion may be included.

대안적인 실시예에서, 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성하는 동작은, 상기 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델에 대한 성능 테스트에 기초하여 통합된 어노말리 감지 서브모델을 생성하는 동작을 포함할 수 있다.In an alternative embodiment, the operation of integrating one or more anomaly sensing sub-models included in one cluster to generate an integrated anomaly sensing sub-model includes: It may include an operation of generating an integrated anomaly detection sub-model based on the performance test for.

대안적인 실시예에서, 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성하는 동작은, 상기 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 재학습 시킴으로써 통합된 어노말리 감지 서브모델을 생성하는 동작을 포함할 수 있다.In an alternative embodiment, the operation of integrating one or more anomaly sensing submodels included in one cluster to generate an integrated anomaly sensing submodel includes: It may include an operation of generating an integrated anomaly detection sub-model by retraining.

본 개시의 다른 일 실시예에 따라 하나 이상의 프로세서에서 수행되는 네트워크 함수를 이용한 데이터의 어노말리 감지 방법이 개시된다 상기 방법은 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성하는 단계; 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하는 단계; 및 결정된 상기 하나 이상의 어노말리 감지 서브모델을 이용하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 단계를 포함할 수 있다.Another embodiment of the present disclosure discloses a method for detecting anomaly of data using a network function performed by one or more processors. The method includes a network pre-trained using a plurality of subsets of training data included in a training data set. Generating an anomaly detection model including a plurality of anomaly detection submodels including a function; Determining at least one anomaly detection submodel for calculating input data from among the generated plurality of anomaly detection submodels; And determining whether an anomaly exists in the input data by using the determined one or more anomaly detection submodels.

본 개시의 또 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하고, 상기 프로세서는, 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성하고; 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하고; 그리고 결정된 상기 하나 이상의 어노말리 감지 서브모델을 이용하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있다.According to yet another embodiment of the present disclosure, a computing device is disclosed. The computing device may include one or more processors; And a memory for storing instructions executable in the processor, wherein the processor comprises a plurality of anomaly sensing submodels including network functions pre-trained using a plurality of subsets of training data included in the training data set. Generating an anomaly detection model including; Determining at least one anomaly detection submodel for calculating input data from among the generated plurality of anomaly detection submodels; In addition, it may be determined whether an anomaly exists in the input data by using the determined one or more anomaly detection submodels.

본 개시는 인공지능을 활용한 데이터의 처리 방법을 제공할 수 있다. The present disclosure can provide a data processing method using artificial intelligence.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예에 따라 데이터의 어노말리를 감지하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 어노말리 감지 모델을 생성하는 과정을 나타낸 개략도이다.
도 4는 본 개시의 일 실시예에 따라 어노말리 감지 모델을 이용한 데이터의 어노말리 감지 과정을 나타낸 개략도이다.
도 5는 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법의 예시적인 순서도를 도시한다.
도 6은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법을 구현하기 위한 로직을 도시한다.
도 7은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.Various aspects are now described with reference to the drawings, wherein like reference numbers are used collectively to refer to like elements. In the examples that follow, for illustrative purposes, a number of specific details are presented to provide a comprehensive understanding of one or more aspects. However, it will be apparent that such aspect(s) may be practiced without these specific details.
1 is a block diagram of a computing device for detecting anomalies of data according to an embodiment of the present disclosure.
2 is a schematic diagram illustrating a network function according to an embodiment of the present disclosure.
3 is a schematic diagram illustrating a process of generating an anomaly detection model according to an embodiment of the present disclosure.
4 is a schematic diagram illustrating an anomaly detection process of data using an anomaly detection model according to an embodiment of the present disclosure.
5 is an exemplary flowchart of a method of detecting anomaly of data according to an embodiment of the present disclosure.
6 illustrates logic for implementing a method of detecting anomaly of data according to an embodiment of the present disclosure.
7 shows a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.Various embodiments are now described with reference to the drawings. In this specification, various descriptions are presented to provide an understanding of the present disclosure. However, it is clear that these embodiments may be implemented without this specific description.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.As used herein, the terms "component", "module", "system" and the like refer to a computer-related entity, hardware, firmware, software, a combination of software and hardware, or execution of software. For example, a component may be, but is not limited to, a process executed on a processor, a processor, an object, a thread of execution, a program, and/or a computer. For example, both an application running on a computing device and a computing device may be components. One or more components may reside within a processor and/or thread of execution. A component can be localized within a single computer. A component can be distributed between two or more computers. In addition, these components can execute from a variety of computer readable media having various data structures stored therein. Components can be, for example, via a signal with one or more data packets (e.g., data from one component interacting with another component in a local system, a distributed system and/or a signal through another system and a network such as the Internet. Depending on the data being transmitted), it may communicate via local and/or remote processes.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다. In addition, the term “or” is intended to mean an inclusive “or” rather than an exclusive “or”. That is, unless specified otherwise or is not clear from the context, "X employs A or B" is intended to mean one of the natural inclusive substitutions. That is, X uses A; X uses B; Or when X uses both A and B, "X uses A or B" can be applied to either of these cases. In addition, the term “and/or” as used herein should be understood to refer to and include all possible combinations of one or more of the listed related items.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다. In addition, the terms "comprises" and/or "comprising" should be understood to mean that the corresponding features and/or components are present. However, it is to be understood that the terms "comprising" and/or "comprising" do not exclude the presence or addition of one or more other features, elements, and/or groups thereof. Further, unless otherwise specified or when the context is not clear as indicating a singular form, the singular in the specification and claims should be interpreted as meaning "one or more" in general.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.Those of skill in the art would further describe the various illustrative logical blocks, configurations, modules, circuits, means, logics, and algorithm steps described in connection with the embodiments disclosed herein, including electronic hardware, computer software, or a combination of both. It should be recognized that it can be implemented as To clearly illustrate the interchangeability of hardware and software, various illustrative components, blocks, configurations, means, logics, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented in hardware or as software depends on the specific application and design limitations imposed on the overall system. Skilled technicians can implement the described functionality in various ways for each particular application. However, such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.

본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환가능하게 사용될 수 있다. In the present disclosure, a network function, an artificial neural network, and a neural network may be used interchangeably.

도 1은 본 개시의 일 실시예에 따른 데이터의 어노말리를 판단하는 방법을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다. 도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다. 1 is a diagram illustrating a block diagram of a computing device that performs a method of determining an anomaly of data according to an embodiment of the present disclosure. The configuration of the computing device 100 illustrated in FIG. 1 is only an example simplified. In an embodiment of the present disclosure, the computing device 100 may include other components for performing a computing environment of the computing device 100, and only some of the disclosed components may configure the computing device 100.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.The computing device 100 may include a processor 110, a memory 130, and a network unit 150.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장 치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 어노말리 감지 방법을 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중 치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이 터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.The processor 110 may be composed of one or more cores, a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU) of a computing device. unit) may include a processor for data analysis and deep learning. The processor 110 may read a computer program stored in the memory 130 to perform an anomaly detection method according to an exemplary embodiment of the present disclosure. According to an embodiment of the present disclosure, the processor 110 may perform an operation for learning a neural network. The processor 110 is a neural network such as processing input data for learning in deep learning (DN), extracting features from the input data, calculating errors, and updating the weights of the neural network using backpropagation. You can perform calculations for learning. At least one of a CPU, a GPGPU, and a TPU of the processor 110 may process learning of a network function. For example, the CPU and GPGPU can work together to learn network functions and classify data using network functions. In addition, in an embodiment of the present disclosure, learning of a network function and data classification using a network function may be processed by using processors of a plurality of computing devices together. In addition, the computer program executed in the computing device according to an embodiment of the present disclosure may be a CPU, a GPGPU, or a TPU executable program.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 네트워크 함수를 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 네트워크 함수를 분산하여 처리할 수도 있다. 컴퓨팅 장치(100)의 네트워크 함수 분산 처리에 관한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 특허 출원 US15/161080(출원일 2016.05.20) 및 US15/217475(출원일 2016.07.22)에서 구체적으로 논의된다. In an embodiment of the present disclosure, the computing device 100 may distribute and process network functions using at least one of a CPU, a GPGPU, and a TPU. In addition, in an embodiment of the present disclosure, the computing device 100 may distribute and process network functions together with other computing devices. A description of specific details regarding the distributed processing of network functions of the computing device 100 can be found in US patent applications US15/161080 (filing date 2016.05.20) and US15/217475 (filing date 2016.07.22), which are incorporated by reference in their entirety in this application. It is discussed in detail.

본 개시의 일 실시예에서 네트워크 함수를 이용하여 처리되는 데이터는 산업현장에서 획득되는 모든 종류의 데이터를 포함할 수 있다. 예를 들어, 제품의 생산 공정에서 제품의 생산을 위한 디바이스의 동작 파라미터, 디바이스의 동작에 의하여 획득된 센서 데이터 등을 포함할 수 있다. 예를 들어, 특정 공정에서 장비의 온도 설정, 레이저를 사용하는 공정의 경우 레이저의 파장 등이 본 개시에서 처리되는 데이터의 종류에 포함될 수 있다. 예를 들어, 처리되는 데이터는 MES(management execution system)으로부터의 로트(lot) 장비 히스토리 데이터, 장비 인터페이스 데이터 소스로부터의 데이터, 프로세싱 툴(tool) 레시피들, 프로세싱 툴 테스트 데이터, 프로브 테스트 데이터, 전기 테스트 데이터, 결합 측정 데이터, 진단 데이터, 원격 진단 데이터, 후처리 데이터 등을 포함할 수 있으며 본 개시는 이에 제한되지 않는다. 보다 구체적인 예시로, 반도체 팹(fab)에서 획득되는 로트 별로 12만여개의 항목을 포함하는 진행중(work-in-progress) 정보, 로(raw) 프로세싱 툴 데이터, 장비 인터페이스 정보, 공정 계측 정보(process metrology information)(예를 들어, 로트 별로 1000여개의 항목을 포함함), 수율 관련 엔지니어가 접근할 수 있는 결함 정보, 동작 테스트 정보, 소트 정보(datalog 및 bitmap를 포함함) 등을 포함할 수 있으나, 본 개시는 이에 제한되지 않는다. 전술한 데이터의 종류에 관한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 수집된 데이터를 전처리할 수 있다. 컴퓨팅 장치(100)는 수집된 데이터 중 결손 값을 보충할 수 있다. 컴퓨팅 장치(100)는 예를 들어, 결손 값을 중간값 또는 평균값으로 보충하거나, 결손 값이 다수 존재하는 열을 삭제할 수도 있다. 또한, 예를 들어, 컴퓨팅 장치(100)는 행렬 완성(matrix completion) 컴퓨팅 장치(100)에 의한 데이터 전처리에 관리자의 전문 분야 기술(subject matter expertise)이 활용될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 수집된 데이터에서 경계, 한계를 완전히 벗어난 값들(예를 들어, 센서 등의 오동작으로 추정되는 값 등)을 제거할 수 있다. 또한 컴퓨팅 장치(100)는 데이터가 특성을 유지하면서 스케일을 유사하게 가지도록 하기 위하여 데이터의 값을 조정할 수도 있다. 컴퓨팅 장치(100)는 예를 들어, 데이터의 열 단위 표준화를 적용할 수도 있다. 컴퓨팅 장치(100)는 데이터에서 어노말리 감지와 무관한 열을 제거하여 프로세싱을 간략하게 할 수도 있다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 어노말리 감지 모델의 생성을 위한 네트워크 함수의 학습과 어노말리 감지의 용이성을 위하여 적절한 입력 데이터 전처리 방법을 수행할 수 있다. 입력 데이터의 종류, 예시, 전처리, 변환 등에 관한 구체적인 예시에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 특허 출원 US10/194920(2002.07.12 출원)에서 구체적으로 논의된다. In an embodiment of the present disclosure, data processed using a network function may include all types of data acquired at an industrial site. For example, it may include an operation parameter of a device for production of a product in a product production process, sensor data obtained by an operation of the device, and the like. For example, a temperature setting of an equipment in a specific process, a wavelength of a laser, etc. in the case of a process using a laser may be included in the type of data processed in the present disclosure. For example, the data to be processed may include lot equipment history data from a management execution system (MES), data from equipment interface data sources, processing tool recipes, processing tool test data, probe test data, and electrical data. Test data, combined measurement data, diagnostic data, remote diagnostic data, post-processing data, and the like may be included, and the present disclosure is not limited thereto. As a more specific example, work-in-progress information including 120,000 items per lot acquired from a semiconductor fab, raw processing tool data, equipment interface information, and process metrology information. information) (for example, including 1000 items per lot), defect information accessible to yield-related engineers, operation test information, sort information (including datalog and bitmap), etc. The present disclosure is not limited thereto. The description of the types of data described above is only an example, and the present disclosure is not limited thereto. In an embodiment of the present disclosure, the computing device 100 may pre-process the collected data. The computing device 100 may compensate for the missing value among the collected data. The computing device 100 may, for example, supplement the missing value with a median value or an average value, or may delete a column in which a number of missing values exist. In addition, for example, the computing device 100 may utilize subject matter expertise of an administrator to pre-process data by the computing device 100 for matrix completion. For example, the computing device 100 may remove boundaries and values completely out of limits (eg, values estimated by malfunction of a sensor, etc.) from the collected data. In addition, the computing device 100 may adjust a value of data so that the data has a similar scale while maintaining characteristics. The computing device 100 may apply, for example, standardization of data in units of columns. The computing device 100 may simplify processing by removing heat irrelevant to the anomaly detection from the data. In an embodiment of the present disclosure, the computing device 100 may perform an appropriate input data preprocessing method for learning of a network function for generating an anomaly detection model and for ease of an anomaly detection. Descriptions of specific examples regarding types, examples, preprocessing, conversion, etc. of input data are discussed in detail in US patent application US10/194920 (filed on July 12, 2002), which is incorporated by reference in its entirety in this application.

또한, 본 개시의 일 실시예에서 처리되는 데이터는 이미지 데이터를 포함할 수 있으며, 컴퓨팅 장치(100)의 저장 매체에 저장된 데이터, 컴퓨팅 장치(100)의 카메라 (미도시)에 의하여 촬영된 이미지 및/또는 네트워크부(150)에 의하여 이미지 데이터 베이스 등 다른 컴퓨팅 장치로부터 전송된 이미지 일 수 있다. 또한 본 개시의 일 실시예에서 네트워크 함수를 이용하여 처리되는 이미지는 컴퓨터 판독가능 저장 매체(예를 들어, 플래시 메모리 등을 포함할 수 있으나 본 개시는 이에 제한되지 않음)에 저장된 이미지일 수 있다. 컴퓨팅 장치(100)는 입출력 인터페이스(미도시)를 통해 컴퓨터 판독가능 저장 매체에 저장된 이미지 파일을 입력 받을 수 있다.In addition, data processed in an embodiment of the present disclosure may include image data, data stored in a storage medium of the computing device 100, an image captured by a camera (not shown) of the computing device 100, and / Or may be an image transmitted from another computing device such as an image database by the network unit 150. In addition, in an embodiment of the present disclosure, an image processed using a network function may be an image stored in a computer-readable storage medium (eg, a flash memory may be included, but the present disclosure is not limited thereto). The computing device 100 may receive an image file stored in a computer-readable storage medium through an input/output interface (not shown).

프로세서(110)는 네트워크 함수를 포함하는 어노말리 감지 모델을 생성할 수 있다. 프로세서(110)는 학습 데이터 세트를 이용하여 네트워크 함수를 학습시킴으로써 데이터의 어노말리를 감지하기 위한 어노말리 감지 모델을 생성할 수 있다. 학습 데이터 세트는 복수의 학습 데이터 서브세트를 포함할 수 있다. 복수의 학습 데이터 서브세트는 사전결정된 기준에 의하여 그룹화된 서로 상이한 학습 데이터를 포함할 수 있다. 본 개시의 일 실시예에서, 복수의 학습 데이터 서브 세트를 그룹화하기 위한 사전결정된 기준은 학습 데이터의 생성 시간 구간, 학습 데이터의 도메인 중 적어도 하나를 포함할 수 있다. 학습 데이터의 도메인은 일군의 학습 데이터를 다른 군과 구분하기 위한 기준이 되는 정보를 포함할 수 있다. 예를 들어, 본 개시의 학습 데이터는 반도체 생산 공정에서 획득된 센서 데이터, 생산 장비의 동작 파라미터 등 일 수 있다. 이 경우, 반도체 생산 공정에서 생산 장비의 설정(예를 들어, 특정 공정에서 조사되는 레이저의 파장의 변경 등)이 변경되는 경우(즉, 레시피의 변경이 있는 경우), 설정 변경 이후에 획득되는 센서 데이터는 설정 변경 이전에 획득되는 센서 데이터와 서로 다른 학습 데이터 서브 세트에 포함될 수 있다. 일반적인 생산 공정에서, 시간의 경과에 따른 제조 방법의 변경 등에 의하여 정상 데이터의 종류는 복수일 수 있다. 본 개시의 일 실시예에서, 학습 데이터 서브세트 각각은 제조 방법의 변경 등에 따른 기준으로 그룹화된 학습 데이터를 포함할 수 있다. The processor 110 may generate an anomaly sensing model including a network function. The processor 110 may generate an anomaly detection model for detecting anomaly of data by learning a network function using the training data set. The training data set may include a plurality of subsets of training data. The plurality of subsets of training data may include different training data grouped by a predetermined criterion. In an embodiment of the present disclosure, the predetermined criterion for grouping a plurality of subsets of training data may include at least one of a generation time interval of training data and a domain of training data. The domain of the training data may include information that serves as a criterion for distinguishing a group of training data from another group. For example, the learning data of the present disclosure may be sensor data obtained in a semiconductor production process, operation parameters of production equipment, and the like. In this case, when the setting of production equipment (e.g., a change in the wavelength of a laser irradiated in a specific process, etc.) is changed in the semiconductor production process (i.e., there is a change in the recipe), the sensor acquired after the setting change The data may be included in a subset of training data different from the sensor data acquired before the setting change. In a general production process, there may be a plurality of types of normal data due to a change in a manufacturing method over time or the like. In an embodiment of the present disclosure, each subset of training data may include training data grouped based on a change in a manufacturing method or the like.

본 개시의 일 실시예에서, 반도체 생산 공정의 경우, 레시피 별로 상이한 정상 데이터가 획득될 수 있다. 즉, 서로 다른 레시피에 의하여 생산되는 생산 공정에서 획득된 데이터는 서로 상이하지만 모두 정상 데이터일 수 있다. 본 개시의 일 실시예에서, 복수의 학습 데이터 서브세트는 서로 상이한 종류의 학습 데이터를 포함할 수 있다. 복수의 학습 데이터 서브세트는 사전결정된 기준(예를 들어, 생성 시간구간, 도메인, 공정에서의 레시피 등)에 의하여 그룹화될 수 있다. 또한, 복수의 학습 데이터 서브세트는 생성된 어노말리 감지 서브모델을 이용하여 그룹화 될 수 있다. 예를 들어, 사전학습된 어노말리 감지 서브모델이 입력 데이터를 처리한 결과 입력 데이터가 새로운 패턴을 포함하는 경우, 새로운 패턴을 포함하는 입력 데이터는 상이한 학습 데이터 서브세트를 구성할 수 있다. 복수의 학습 데이터 서브세트는 어노말리 감지 서브모델에 의하여 그룹화 될 수 있다. 본 개시의 일 실시예에서 각각의 학습 데이터 서브세트는 어노말리 감지 서브모델에 의하여 그룹화된 것일 수 있다. 예를 들어, 공정에서 레시피의 변경이 있었으나, 레시피의 변경 후에 생성되는 입력 데이터들(즉, 레시피 변경 후에 생성된 공정에서 획득된 센서 데이터)이 기존의 어노말리 감지 서브모델에 의하여 새로운 패턴으로 판단되지 않는 경우(즉, 임계치 이상의 새로움(novelty)을 가지지 않는 경우), 레시피 변경 전, 후에 생성되는 입력 데이터는 하나의 학습 데이터 서브세트로 그룹화 될 수도 있다. 또한, 예를 들어, 공정에서 레시피의 변경 이후에 생성되는 입력 데이터들이 어노말리 감지 서브모델에 의하여 새로운 패턴으로 판단되는 경우, 레시피 변경 전에 생성된 입력 데이터와 레시피 변경 후에 생성된 입력 데이터는 별개의 학습 데이터 서브세트로 그룹화될 수도 있다. 즉, 새로운 패턴을 가지는 입력 데이터는 어노말리를 포함한 데이터일 수도 있으나, 새로운 패턴을 가지는 입력 데이터가 다수 존재하는 경우, 새로운 정상 데이터일 수도 있다. 새로운 패턴을 가지는 입력 데이터가 하나 이상 존재하는 경우 새로운 패턴을 가지는 입력 데이터는 어노말리를 포함한 데이터 또는 새로운 정상 데이터일 수 있다. 따라서, 프로세서(110)는 새로운 패턴을 가지는 입력 데이터가 새로운 정상 데이터인 경우 이를 별도의 학습 데이터 서브세트로 분류할 수 있다. 전술한 학습 데이터의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. In an embodiment of the present disclosure, in the case of a semiconductor production process, different normal data may be obtained for each recipe. That is, although data obtained in a production process produced by different recipes are different from each other, all may be normal data. In an embodiment of the present disclosure, the plurality of subsets of training data may include different types of training data. The plurality of subsets of training data may be grouped by predetermined criteria (eg, creation time interval, domain, recipe in process, etc.). Also, a plurality of subsets of training data may be grouped using the generated anomaly detection submodel. For example, when the input data includes a new pattern as a result of processing the input data by the pre-trained anomaly detection sub-model, the input data including the new pattern may constitute a different subset of training data. A plurality of subsets of training data may be grouped by an anomaly sensing sub-model. In an embodiment of the present disclosure, each subset of training data may be grouped by an anomaly sensing submodel. For example, although there was a change in the recipe in the process, input data generated after the recipe change (ie, sensor data obtained in the process created after the recipe change) is determined as a new pattern by the existing anomaly detection submodel. If not (ie, does not have novelty above the threshold value), input data generated before and after a recipe change may be grouped into one subset of training data. In addition, for example, when input data generated after a recipe change in a process is determined as a new pattern by the anomaly detection submodel, the input data generated before the recipe change and the input data generated after the recipe change are separate. It can also be grouped into subsets of training data. That is, the input data having the new pattern may be data including anomalies, but when there are a large number of input data having the new pattern, it may be new normal data. When one or more input data having a new pattern exists, the input data having a new pattern may be data including anomalies or new normal data. Accordingly, if the input data having a new pattern is new normal data, the processor 110 may classify it as a separate subset of training data. The description of the above-described learning data is only an example and the present disclosure is not limited thereto.

프로세서(110)는 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성할 수 있다. 본 개시의 일 실시예에서, 학습 데이터 서브세트는 정상 데이터로 구성될 수 있으며, 본 개시의 일 실시예의 학습은 반교사 학습(semi supervised learning)일 수 있다. 본 개시의 일 실시예에서, 어노말리 감지 모델은 복수의 어노말리 감지 서브모델을 포함할 수 있으며, 복수의 어노말리 감지 서브모델 각각은 학습 데이터 서브세트를 이용하여 학습된 서브 모델일 수 있다. 각각의 어노말리 감지 서브모델은 하나 이상의 네트워크 함수를 포함할 수 있다. 본 개시의 일 실시예의 어노말리 감지 모델은 각각의 학습 데이터 서브세트를 이용하여 학습된 어노말리 감지 서브모델을 포함함으로써, 여러 종류의 데이터의 어노말리를 감지할 수 있다. The processor 110 may generate an anomaly detection model including a plurality of anomaly detection submodels including a pre-trained network function by using a plurality of training data subsets included in the training data set. In an embodiment of the present disclosure, a subset of training data may be composed of normal data, and learning in an embodiment of the present disclosure may be semi supervised learning. In an embodiment of the present disclosure, the anomaly detection model may include a plurality of anomaly detection submodels, and each of the anomaly detection submodels may be a submodel trained using a subset of training data. Each anomaly sensing submodel may include one or more network functions. The anomaly detection model according to an embodiment of the present disclosure may detect anomalies of various types of data by including an anomaly detection submodel learned using each subset of training data.

복수의 어노말리 감지 서브모델은, 제 1 시간 구간 동안 생성된 학습 데이터로 구성된 제 1 학습 데이터 서브세트로 사전학습된 제 1 네트워크 함수를 포함하는 제 1 어노말리 감지 서브모델 및 제 1 시간 구간과 상이한 제 2 시간 구간 동안 생성된 학습 데이터로 구성된 제 2 학습 데이터 서브세트로 사전학습된 제 2 네트워크 함수를 포함하는 제 2 어노말리 감지 서브모델을 포함할 수 있다. 예를 들어, 본 개시의 학습 데이터 서브세트는 학습 데이터의 생성 시간 구간에 따라서 그룹화될 수 있다. 예를 들어, 반도체 공정에서 6개월 마다 레시피의 변경이 있는 경우, 6개월 동안 생성된 학습 데이터가 하나의 학습 데이터 서브 세트를 구성할 수 있다. 전술한 반도체 공정에 관한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 프로세서(110)는 각각의 학습 데이터 서브세트를 이용하여 각각의 어노말리 감지 서브모델의 네트워크 함수를 학습시켜 어노말리 감지 서브모델을 생성할 수 있다. 프로세서(110)는 제 1 학습 데이터 서브세트로 학습된 제 1 네트워크 함수를 포함하는 제 1 어노말리 감지 서브모델을 생성한 후, 레시피의 변경이 있는 경우, 제 2 학습 데이터 서브세트로 학습된 제 2 네트워크 함수를 포함하는 제 2 어노말리 감지 서브모델을 생성할 수 있다. 제 1 학습 데이터 서브세트와 제 2 데이터 서브세트는 서로 다른 레시피에 의하여 생산되는 생산 공정에서 획득된 데이터를 포함할 수 있다. 여기서 제 2 네트워크 함수의 초기 가중치는 사전학습된 제 1 네트워크 함수의 가중치를 적어도 일부 공유할 수 있다. 여기서 제 1 시간 구간은 제 2 시간구간보다 앞선 시간 구간일 수 있다. 따라서, 제 1 어노말리 감지 서브모델은 제 2 어노말리 감지 서브모델보다 이전에 생성된 모델일 수 있다. 프로세서(110)는 제 1 어노말리 감지 서브모델을 생성한 후, 레시피 변경에 기초하여 제 2 어노말리 감지 서브모델을 생성하고자 하는 경우, 제 1 어노말리 감지 서브모델의 일부를 제 2 어노말리 감지 서브모델의 일부에 활용하여, 제 1 어노말리 감지 서브모델에서 획득된 지식의 일부를 재사용하여 모델을 업데이트 할 수 있다. The plurality of anomaly detection sub-models include a first anomaly detection sub-model including a first network function pre-trained with a first subset of training data consisting of training data generated during a first time period, and a first time period. It may include a second anomaly detection submodel including a second network function pre-trained with a second training data subset consisting of training data generated during different second time intervals. For example, a subset of training data of the present disclosure may be grouped according to a generation time interval of training data. For example, when a recipe is changed every 6 months in a semiconductor process, learning data generated for 6 months may constitute one learning data subset. The description of the above-described semiconductor process is only an example, and the present disclosure is not limited thereto. The processor 110 may generate an anomaly detection submodel by learning a network function of each anomaly detection submodel using each subset of the training data. The processor 110 generates a first anomaly detection submodel including a first network function trained with the first subset of training data, and then, when there is a change in the recipe, the second subset of training data is trained with the second subset of training data. 2 A second anomaly detection submodel including network functions may be generated. The first subset of training data and the second subset of data may include data obtained in a production process produced by different recipes. Here, the initial weight of the second network function may share at least a part of the weight of the first network function that has been pre-trained. Here, the first time section may be a time section preceding the second time section. Accordingly, the first anomaly detection submodel may be a model generated before the second anomaly detection submodel. When the processor 110 generates the first anomaly detection submodel and then attempts to generate the second anomaly detection submodel based on a recipe change, the processor 110 detects a part of the first anomaly detection submodel as the second anomaly. By utilizing a part of the sub-model, the model may be updated by reusing a part of knowledge acquired from the first anomaly sensing sub-model.

본 개시의 일 실시예에서, 다음 서브 모델을 생성할 때, 이전 모델의 일부를 재사용 함으로써, 이전 모델에서 학습된 지식이 망각되지 않고 다음 모델로 이어지도록 하여, 다음 모델의 성능을 높일 수 있고 전체적인 학습 시간을 감소시킬 수 있다. 프로세서(110)는 각각의 학습 데이터 서브세트를 이용하여 각각의 어노말리 감지 서브모델을 생성한 후 어노말리 감지 서브모델들을 저장하여 어노말리 감지 모델을 생성할 수 있다. In one embodiment of the present disclosure, when generating the next sub-model, by reusing a part of the previous model, the knowledge learned in the previous model is not forgotten, but leads to the next model, thereby improving the performance of the next model It can reduce the learning time. The processor 110 may generate each anomaly detection submodel by using each subset of the training data, and then store the anomaly detection submodels to generate the anomaly detection model.

제 2 네트워크 함수의 레이어 중 사전결정된 수의 레이어는 사전학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치를 초기 가중치로 할 수 있다. Among the layers of the second network function, a predetermined number of layers may use a weight of a corresponding layer of the first network function that has been pre-learned as an initial weight.

제 2 네트워크 함수의 차원 감소 네트워크의 레이어 중 입력 레이어에 근접한 레이어로부터 사전결정된 수의 레이어는 사전 학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치를 초기 가중치로 할 수 있다. 제 2 네트워크 함수의 입력 레이어로부터 사전결정된 수의 레이어는 최신 네트워크 함수의 가중치를 초기 가중치로 하여 학습될 수 있다. 프로세서(110)는 새로이 학습되는 제 2 네트워크 함수의 입력 레이어에 근접한 일부 레이어의 초기 가중치를 이미 학습된 제 1 네트워크 함수의 가중치로 하여 제 2 네트워크 함수를 학습시킬 수 있다. 이러한 가중치 공유를 통해 제 2 네트워크 함수의 학습에 필요한 연산량을 감소시킬 수 있다. 즉, 제 2 네트워크 함수의 입력 레이어에 근접한 사전결정된 수의 레이어의 초기 가중치를 랜덤이 아닌 사전학습된 네트워크 함수의 가중치로 함으로써, 입력 데이터의 피처 추출(차원 감소)에서, 사전학습된 네트워크 함수의 지식을 활용할 수 있으며, 제 2 네트워크 함수는 피처에 의한 입력 데이터의 복원(차원 복원)에 대하여만 학습하면 학습이 완료될 수 있으므로 전체 학습에 필요한 시간 및 연산량을 감소시킬 수 있다.A predetermined number of layers from a layer adjacent to the input layer among the layers of the dimensionality reduction network of the second network function may have a weight of a corresponding layer of the first network function that has been learned in advance as an initial weight. A predetermined number of layers from the input layer of the second network function may be learned using the weight of the latest network function as an initial weight. The processor 110 may learn the second network function by using initial weights of some layers adjacent to the input layer of the newly learned second network function as the weight of the already learned first network function. Through this weight sharing, it is possible to reduce the amount of computation required for learning the second network function. That is, by making the initial weight of the predetermined number of layers close to the input layer of the second network function as the weight of the pre-trained network function rather than random, in feature extraction (dimension reduction) of the input data, the pre-trained network function is Knowledge can be utilized, and since learning can be completed only by learning about restoration (dimensional restoration) of input data by features, the second network function can reduce the amount of time and computation required for the entire learning.

제 2 네트워크 함수의 차원 감소 네트워크의 레이어 중 출력 레이어에 근접한 레이어로부터 사전결정된 수의 레이어는 사전 학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치를 초기 가중치로 할 수 있다. 제 2 네트워크 함수의 출력 레이어로부터 사전결정된 수의 레이어는 최신 네트워크 함수의 가중치를 초기 가중치로 하여 학습될 수 있다. 프로세서(110)는 새로이 학습되는 제 2 네트워크 함수의 출력 레이어에 근접한 일부 레이어의 초기 가중치를 이미 학습된 제 1 네트워크 함수의 가중치로 하여 제 2 네트워크 함수를 학습시킬 수 있다. 이러한 가중치 공유를 통해 제 2 네트워크 함수의 학습에 필요한 연산량을 감소시킬 수 있다. 즉, 제 2 네트워크 함수의 출력 레이어에 근접한 사전결정된 수의 레이어의 초기 가중치를 랜덤이 아닌 사전학습된 네트워크 함수의 가중치로 함으로써, 입력 데이터의 차원 복원에서, 사전학습된 네트워크 함수의 지식을 활용할 수 있으며, 제 2 네트워크 함수는 피처에 의한 입력 데이터의 차원 감소에 대하여만 학습하면 학습이 완료될 수 있으므로 전체 학습에 필요한 시간 및 연산량을 감소시킬 수 있다.A predetermined number of layers from a layer adjacent to the output layer among the layers of the dimensionality reduction network of the second network function may have a weight of a corresponding layer of the first network function that has been learned in advance as an initial weight. A predetermined number of layers from the output layer of the second network function may be learned by using the weight of the latest network function as an initial weight. The processor 110 may train the second network function by using initial weights of some layers adjacent to the output layer of the newly learned second network function as a weight of the first network function that has already been learned. Through this weight sharing, it is possible to reduce the amount of computation required for learning the second network function. That is, by making the initial weight of the predetermined number of layers close to the output layer of the second network function as the weight of the pre-trained network function rather than random, it is possible to utilize the knowledge of the pre-trained network function in dimensional restoration of the input data. In addition, since the second network function can complete learning only by learning about the dimension reduction of the input data by the feature, it is possible to reduce the amount of time and computation required for the entire learning.

제 2 네트워크 함수의 사전결정된 수의 레이어는 사전학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치로 학습 에포크 마다 초기화 될 수 있다. The predetermined number of layers of the second network function may be initialized for each learning epoch with a weight of a corresponding layer of the first network function that has been pre-trained.

제 2 네트워크 함수의 차원 복원 레이어 중 출력 레이어로부터 사전결정된 수의 레이어는 사전학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치로 학습 에포크(epoch) 마다 초기화될 수 있다. 프로세서(110)는 제 2 네트워크 함수의 학습 중 출력 레이어로부터 가까운 사전결정된 수의 레이어의 가중치를 사전학습된 네트워크 함수의 대응되는 레이어의 가중치로 매 학습 에포크 마다 초기화 시킬 수 있다. 이 경우, 하나의 학습 에포크에서는 제 2 네트워크 함수의 차원 복원 레이어의 가중치가 변경될 수 있어, 차원 감소 레이어의 학습에 영향을 줄 수 있다. 이러한 동작을 통해, 프로세서(110)는 제 2 네트워크 함수의 차원 복원 네트워크의 가중치를 고정시키고, 차원 감소 네트워크(피처 추출 네트워크)만을 학습시킴으로써 제 2 네트워크 함수의 학습을 위한 시간 및 연산량을 감소시키고, 이전 학습에서의 지식을 활용할 수 있다. Among the dimensional reconstruction layers of the second network function, a predetermined number of layers from the output layer may be initialized for each learning epoch with a weight of a corresponding layer of the first network function that has been pre-trained. During learning of the second network function, the processor 110 may initialize a weight of a predetermined number of layers close to the output layer as a weight of a corresponding layer of the pre-trained network function for each training epoch. In this case, in one learning epoch, the weight of the dimensional restoration layer of the second network function may be changed, so that learning of the dimensionality reduction layer may be affected. Through this operation, the processor 110 fixes the weight of the dimensional restoration network of the second network function and reduces the time and amount of computation for learning the second network function by learning only the dimensional reduction network (feature extraction network), You can use your knowledge from previous lessons.

제 2 네트워크 함수의 차원 감소 레이어 중 입력 레이어로부터 사전결정된 수의 레이어는 사전학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치로 학습 에포크(epoch) 마다 초기화될 수 있다. 프로세서(110)는 제 2 네트워크 함수의 학습 중 입력 레이어로부터 가까운 사전결정된 수의 레이어의 가중치를 사전학습된 네트워크 함수의 대응되는 레이어의 가중치로 매 학습 에포크 마다 초기화 시킬 수 있다. 이 경우, 하나의 학습 에포크에서는 제 2 네트워크 함수의 차원 감소 레이어의 가중치가 변경될 수 있어, 차원 복원 레이어의 학습에 영향을 줄 수 있다. 이러한 동작을 통해, 프로세서(110)는 제 2 네트워크 함수의 차원 감소 네트워크의 가중치를 고정시키고, 차원 복원 네트워크만을 학습시킴으로써 제 2 네트워크 함수의 학습을 위한 시간 및 연산량을 감소시키고, 이전 학습에서의 지식을 활용할 수 있다. Among the dimensionality reduction layers of the second network function, a predetermined number of layers from the input layer may be initialized for each learning epoch with a weight of a corresponding layer of the first network function that is pre-trained. During learning of the second network function, the processor 110 may initialize a weight of a predetermined number of layers close to an input layer as a weight of a corresponding layer of the pre-trained network function for each training epoch. In this case, in one learning epoch, the weight of the dimensionality reduction layer of the second network function may be changed, thereby affecting the learning of the dimensional reconstruction layer. Through this operation, the processor 110 fixes the weight of the dimensionality reduction network of the second network function and learns only the dimensional restoration network, thereby reducing the time and amount of computation for learning the second network function, and Can be used.

제 2 네트워크 함수의 사전결정된 수의 레이어는 사전학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치로 고정될 수 있다. The predetermined number of layers of the second network function may be fixed to a weight of a corresponding layer of the first network function that has been pre-learned.

제 2 네트워크 함수의 차원 복원 레이어 중 출력 레이어로부터 사전결정된 수의 레이어는 사전학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치로 고정될 수 있다. 제 2 네트워크 함수의 차원 감소 레이어 중 입력 레이어로부터 사전결정된 수의 레이어는 사전학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치로 고정될 수 있다. 이러한 가중치 고정을 통해, 프로세서(110)는 제 2 네트워크 함수의 일부 레이어만을 학습시킴으로써, 제 2 네트워크 함수의 학습을 위한 시간 및 연산량을 감소시키고 이전학습에서의 지식을 활용할 수 있다. Among the dimensional reconstruction layers of the second network function, a predetermined number of layers from the output layer may be fixed as a weight of a corresponding layer of the first network function that has been pre-learned. Among the dimensionality reduction layers of the second network function, a predetermined number of layers from the input layer may be fixed as a weight of a corresponding layer of the first network function that has been pre-learned. By fixing the weights, the processor 110 learns only some layers of the second network function, thereby reducing time and an amount of computation for learning the second network function, and utilizing knowledge from previous learning.

제 2 어노말리 감지 서브모델은 제 1 어노말리 감지 서브모델을 학습시킨 학습 데이터 서브세트와는 상이한 학습 데이터 서브세트(즉, 제 1 네트워크 함수를 학습시킨 학습 데이터와 상이한 레시피의 공정에서 생성된 학습 데이터)로 학습될 수 있다. 또한, 제 2 어노말리 감지 서브모델은 제 1 어노말리 감지 서브모델을 학습시킨 학습 데이터 서브세트 및 제 2 어노말리 감지 서브모델에 대응되는 학습 데이터 서브세트(즉, 제 1 어노말리 감지 서브모델을 학습시킨 학습 데이터와 상이한 레시피의 공정에서 생성된 학습 데이터) 모두로 학습될 수도 있다. 제 2 어노말리 감지 서브모델이 이전 어노말리 감지 서브모델을 학습시킨 학습 데이터 서브모델을 포함하는 학습 데이터로 학습됨으로 인하여, 제 2 어노말리 감지 서브모델은 제 1 어노말리 감지 서브모델에서 학습한 지식을 승계할 수 있다. 이 경우, 제 2 어노말리 감지 서브모델을 학습시키기 위한 학습 데이터에서, 제 2 학습 데이터 서브세트와 제 1 학습 데이터 서브세트(즉, 이전 서브모델을 학습시킨 학습 데이터 서브세트)의 샘플링 비율은 상이할 수 있다. 제 1 어노말리 감지 서브모델을 생성하기 위한 제 1 시간 구간 동안 생성된 학습 데이터로 구성된 제 1 학습 데이터 서브세트는 제 1 학습 데이터 서브세트에 포함된 학습 데이터 중 일부만이 학습에 사용되도록 제 2 어노말리 감지 서브모델을 생성하기 위한 제 2 학습 데이터 서브세트의 샘플링 비율보다 낮은 샘플링 비율로 샘플링될 수 있다. 제 1 학습 데이터 서브세트는 제 2 어노말리 감지 서브모델의 학습에 사용될 수 있으나, 이 경우 제 2 학습 데이터 서브세트보다 낮은 샘플링 비율로 샘플링 될 수 있다. 즉, 이전 어노말리 감지 서브모델의 학습에 사용된 학습 데이터 서브세트는 다음 어노말리 감지 서브모델의 학습에 사용될 수 있으나, 이경우, 다음 어노말리 감지 서브모델의 학습을 위한 학습 데이터 서브세트와는 상이한 비율로 샘플링되어 학습에 사용될 수 있다. 어노말리 감지 서브모델의 학습을 위해서 현재 학습 데이터 서브세트 뿐만 아니라 과거의 학습 데이터 서브세트가 사용될 수 있으므로, 어노말리 감지 서브모델은 과거의 데이터(예를 들어, 공정 또는 레시피 등의 변경 이전)에 대한 처리 성능을 확보할 수 있어, 모델 업데이트에 대한 망각의 문제로부터 자유로울 수 있다. 제 2 어노말리 감지 서브모델의 학습에서 제 1 학습 데이터 서브세트의 중요도는 제 2 학습 데이터 서브세트의 중요도보다 상이할 수 있으므로, 제 2 어노말리 감지 서브모델은 최신의 학습 데이터인 제 2 학습 데이터 서브세트에 제 1 학습 데이터 서브세트보다 높은 비중을 두어 학습될 수 있다. 예를 들어, 각각의 학습 데이터 서브세트가 10만개의 데이터를 포함하는 경우, 제 2 어노말리 감지 서브모델은 제 2 학습 데이터 서브세트의 데이터 모두(즉, 10만개의 학습 데이터)와 제 1 학습 데이터 서브세트의 데이터 일부(예를 들어, 1만개의 학습 데이터)를 통해 학습될 수 있다. 전술한 학습 데이터의 수와 샘플링 비율의 차이는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 전술한 바와 같이, 어노말리 감지 서브모델을 생성하기 위해, 과거의 어노말리 감지 서브모델의 생성에 사용된 학습 데이터의 서브세트를 사용하되, 현재의 학습 데이터와 과거의 학습 데이터의 샘플링 비율을 달리 함으로써, 어노말리 감지 서브모델은 현재의 학습 데이터에 보다 큰 비중을 두어 학습되어 과거의 데이터로 학습된 어노말리 감지 서브 모델과 상이한 데이터(예를 들어, 공정, 레시피의 변경 이후의 데이터, 도메인이 상이한 데이터 등)에 대한 처리 성능을 높일 수 있으면서도 과거의 어노말리 감지 서브 모델에서 학습된 지식의 망각을 최소화할 수 있다. The second anomaly detection submodel is a training data subset different from the training data subset from which the first anomaly detection submodel is trained (i.e., training generated in a process of a different recipe from the training data from which the first network function is trained). Data). In addition, the second anomaly detection submodel includes a training data subset obtained by training the first anomaly detection submodel and a training data subset corresponding to the second anomaly detection submodel (ie, the first anomaly detection submodel). It may be learned with both the learned training data and the training data generated in the process of a different recipe). Since the second anomaly detection submodel is trained with training data including the training data submodel from which the previous anomaly detection submodel is trained, the second anomaly detection submodel is the knowledge learned from the first anomaly detection submodel. Can succeed. In this case, in the training data for training the second anomaly detection submodel, the sampling rates of the second training data subset and the first training data subset (that is, the training data subset from which the previous submodel is trained) are different. can do. The first training data subset consisting of training data generated during the first time interval for generating the first anomaly detection submodel is used for training so that only some of the training data included in the first training data subset is used for training. It may be sampled at a lower sampling rate than the sampling rate of the second subset of training data for generating the Marley detection submodel. The first training data subset may be used for training the second anomaly detection submodel, but in this case, it may be sampled at a lower sampling rate than the second training data subset. That is, the subset of training data used for training the previous anomaly detection submodel can be used for training the next anomaly detection submodel, but in this case, it is different from the training data subset for training the next anomaly detection submodel. It can be sampled at a rate and used for learning. For the training of the anomaly detection submodel, not only the current training data subset but also the past training data subset can be used. Therefore, the anomaly detection submodel can be applied to past data (e.g., before a process or recipe change). It is possible to secure the processing performance for the model, so that it can be free from the problem of forgetting about the model update. Since the importance of the first training data subset may be different from the importance of the second training data subset in the training of the second anomaly detection submodel, the second anomaly detection submodel is the latest training data, which is the second training data. The subset may be trained with a higher weight than the first subset of training data. For example, if each subset of training data includes 100,000 pieces of data, the second anomaly detection sub-model includes all of the data in the second subset of training data (i.e., 100,000 pieces of training data) and the first training. It can be learned through some of the data in the data subset (for example, 10,000 pieces of training data). The difference between the number of training data and the sampling rate described above is only an example, and the present disclosure is not limited thereto. As described above, in order to generate the anomaly detection submodel, a subset of the training data used in the generation of the anomaly detection submodel is used, but the sampling rate of the current training data and the past training data is different. By doing so, the anomaly detection sub-model is trained with a greater weight on the current training data, and data different from the anomaly detection sub-model learned from past data (e.g., data after process, recipe change, domain It is possible to improve processing performance for different data, etc.), while minimizing the forgetting of knowledge learned in the past anomaly detection sub-models.

본 개시에서 사전학습된 네트워크 함수는, 어노말리를 포함하지 않는 노말 데이터(즉, 정상 데이터) 만을 학습 데이터로 하여 학습될 수 있다. 본 개시에서 사전학습된 네트워크 함수는 학습 데이터의 차원을 감소시키고 복원하도록 학습될 수 있다. 본 개시의 네트워크 함수는 입력 데이터의 차원 감소 및 차원 복원이 가능한 오토 인코더를 포함할 수 있다. 또한, 본 개시의 네트워크 함수는 입력 데이터를 출력으로 생성하도록 동작 가능한 임의의 네트워크 함수를 포함할 수 있다. 예를 들어, 본 개시의 네트워크 함수는 입력 데이터의 복원이 가능한 오토 인코더, 입력 데이터와 유사한 출력을 생성하는 GAN(generative adversarial network), U-네트워크(U network), 컨벌루셔널 네트워크와 디컨벌루셔널 네트워크의 조합으로 구성된 네트워크 함수 등을 포함할 수 있다. 즉, 본 개시의 네트워크 함수는 입력 데이터에 가까운 출력 데이터를 출력하도록 학습되며, 노말 데이터 만으로 학습되므로, 입력 데이터가 어노말리를 포함하지 않는 노말 데이터인 경우, 출력 데이터는 입력 데이터와 유사할 수 있다. 본 개시의 네트워크 함수에 어노말리 데이터가 입력되는 경우, 본 개시의 네트워크 함수는 어노말리 패턴의 복원에 대한 학습을 수행하지 않았으므로, 출력 데이터는 노말 데이터를 입력으로 받았을 때의 출력보다 입력 데이터와 유사하지 않을 가능성이 있다. 즉, 본 개시의 사전학습된 네트워크 함수는 입력 데이터에서 학습되지 않은 어노말리 패턴에 대한 새로움(novelty)을 감지할 수 있으며, 이러한 새로움은 입력 데이터에 대한 출력 데이터의 재구성 오차(reconstruction error)로 나타날 수 있다. 재구성 오차가 사전결정된 임계치를 초과하는 경우, 프로세서(110)는 입력 데이터가 학습되지 않은 패턴(즉, 어노말 패턴)을 포함하는 것으로 판단하여 입력 데이터가 어노말리를 포함함을 감지할 수 있다. In the present disclosure, the pre-learned network function may be learned using only normal data (ie, normal data) not including anomalies as training data. In the present disclosure, the pre-learned network function can be learned to reduce and restore the dimension of the training data. The network function of the present disclosure may include an auto encoder capable of dimensional reduction and dimensional restoration of input data. Further, the network function of the present disclosure may include any network function operable to generate input data as an output. For example, the network function of the present disclosure includes an auto encoder capable of reconstructing input data, a generative adversarial network (GAN) that generates an output similar to the input data, a U-network, a convolutional network and a deconvolutional network. A network function composed of a combination of networks may be included. That is, the network function of the present disclosure is trained to output output data close to the input data, and is learned only with normal data, so if the input data is normal data that does not include an anomaly, the output data may be similar to the input data. . When anomaly data is input to the network function of the present disclosure, the network function of the present disclosure does not learn about the restoration of the anomaly pattern, so that the output data is the input data and the input data rather than the output when the normal data is received as input. There is a possibility that they are not similar. That is, the pre-learned network function of the present disclosure can detect the novelty of an unlearned anomaly pattern in the input data, and this novelty appears as a reconstruction error of the output data for the input data. I can. When the reconstruction error exceeds a predetermined threshold, the processor 110 may detect that the input data includes an anomaly by determining that the input data includes an unlearned pattern (ie, an anomaly pattern).

프로세서(110)는 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산할 수 있다. 프로세서(110)는 생성된 복수의 어노말리 감지 서브모델 중 가장 최신의 어노말리 감지 서브모델을 이용하여 입력 데이터를 연산할 수 있다. 프로세서(110)는 복수의 어노말리 감지 서브모델 중 가장 최신의 어노말리 감지 서브모델을 이용하여 입력 데이터를 연산할 수 있고, 가장 최신의 어노말리 감지 서브모델부터 점차적으로 과거에 생성된 어노말리 감지 서브모델을 이용하여 입력 데이터를 연산할 수도 있다. 입력 데이터는 생산 공정에서 획득되는 제품의 이미지 데이터, 생산 공정의 장치들을 동작하게 하기 위한 동작 파라미터, 생산 공정에서 획득되는 센서 데이터를 포함할 수 있으나 본 개시는 이에 제한되지 않는다. 본 게시의 입력 데이터는 생산 공정에서 생산 장비가 프로세서(110)는 어노말리 감지 서브모델을 이용하여 입력 데이터를 입력 데이터와 상이한 데이터로 변형하였다가 복원하는 연산을 수행할 수 있다. 프로세서(110)는 어노말리 감지 서브모델을 이용하여 입력 데이터의 차원을 감소시키고, 차원을 복원하여 입력 데이터와 유사한 출력을 생성하도록 연산할 수 있다. 프로세서(110)는 어노말리 감지 서브모델을 이용하여 입력 데이터에서 피처를 추출하고, 이에 기초하여 입력 데이터를 복원할 수 있다. 전술한 바와 같이, 본 개시의 어노말리 감지 서브모델에 포함된 네트워크 함수는 입력 데이터의 복원이 가능한 네트워크 함수를 포함할 수 있으므로, 프로세서(110)는 어노말리 감지 서브모델을 이용하여 입력 데이터를 연산하여 입력 데이터를 복원할 수 있다. 본 개시의 다른 일 실시예에서 어노말리 감지 서브모델은 복수의 네트워크 함수를 포함할 수도 있으며, 이 경우, 프로세서(110)는 복수의 네트워크 함수에 입력 데이터를 입력하여 연산을 수행할 수도 있다. The processor 110 may calculate input data by using at least one of the generated plurality of anomaly detection submodels. The processor 110 may calculate input data by using the most recent anomaly detection submodel among a plurality of generated anomaly detection submodels. The processor 110 may calculate input data using the latest anomaly detection submodel among a plurality of anomaly detection submodels, and gradually detect anomaly generated in the past from the latest anomaly detection submodel. Input data can also be calculated using sub-models. The input data may include image data of a product obtained in the production process, operation parameters for operating devices in the production process, and sensor data obtained in the production process, but the present disclosure is not limited thereto. In the input data of this publication, in the production process, the production equipment processor 110 may perform an operation of transforming and restoring the input data into data different from the input data using an anomaly detection submodel. The processor 110 may perform calculations to generate an output similar to the input data by reducing the dimension of the input data and restoring the dimension using the anomaly sensing sub-model. The processor 110 may extract a feature from the input data using the anomaly detection sub-model and restore the input data based on the extract. As described above, since the network function included in the anomaly detection submodel of the present disclosure may include a network function capable of restoring input data, the processor 110 calculates the input data using the anomaly detection submodel. Thus, the input data can be restored. In another embodiment of the present disclosure, the anomaly detection sub-model may include a plurality of network functions, and in this case, the processor 110 may perform an operation by inputting input data to a plurality of network functions.

프로세서(110)는 복수의 어노말리 감지 서브모델 중 적어도 하나의 입력 데이터에 대한 출력 데이터 및 입력 데이터에 기초하여 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있다. 전술한 바와 같이 본 개시의 일 실시예에서 어노말리 감지 서브모델은 정상 데이터를 학습 데이터로 하여 정상 데이터의 패턴을 학습하고, 입력 데이터와 유사한 출력 데이터를 출력하도록 학습될 수 있다. 따라서, 본 개시의 일 실시예에서 프로세서(110)는 어노말리 감지 서브모델의 출력 데이터와 입력 데이터의 비교를 통해 출력 데이터의 재구성 오차를 연산할 수 있다. 프로세서(110)는 재구성 오차에 기초하여 입력 데이터에 사전학습된 어노말리 감지 서브모델에 의하여 학습되지 않은 새로운 패턴이 포함되었음을 감지할 수 있다. 프로세서(110)는 이러한 새로움의 정도(즉, 재구성 오차의 크기)가 사전결정된 임계값 이상인 경우, 입력 데이터에 학습되지 않은 새로운 패턴이 포함된 것으로 판단할 수 있다. 어노말리 감지 서브모델은 정상 데이터를 학습 데이터로 하여 학습되었으므로, 학습되지 않은 새로운 패턴은 어노말리일 수 있다. 프로세서(110)는 입력 데이터에 학습되지 않은 새로운 패턴이 포함된 경우, 입력 데이터가 어노말리를 포함한 어노말리 데이터인 것으로 판단할 수 있다. 본 개시의 다른 일 실시예에서 어노말리 감지 서브모델은 복수의 네트워크 함수를 포함할 수 있으며, 프로세서(110)는 복수의 네트워크 함수의 출력 데이터들과 입력 데이터를 비교하여 출력 데이터의 재구성 오차를 연산함으로써 입력 데이터에 새로운 패턴이 존재하는지 여부를 판단할 수 있다. 이경우 프로세서(110)는 각각의 어노말리 감지 서브모델에 포함된 복수의 네트워크 함수를 앙상블(ensemble)하여 입력 데이터의 새로운 패턴의 존재 여부를 판단할 수도 있다. 예를 들어, 프로세서(110)는 각각의 어노말리 감지 서브모델에 포함된 복수의 네트워크 함수의 출력과 입력 데이터를 비교하고 재구성 오차를 연산하여, 복수의 재구성 오차를 도출할 수 있고, 복수의 재구성 오차를 조합하여 입력 데이터에 새로운 패턴이 존재하는지 여부를 판단할 수도 있다.The processor 110 may determine whether an anomaly exists in the input data based on output data and input data for at least one of the plurality of anomaly detection submodels. As described above, in an embodiment of the present disclosure, the anomaly detection sub-model may be trained to learn a pattern of normal data using normal data as training data, and to output output data similar to input data. Accordingly, in an embodiment of the present disclosure, the processor 110 may calculate a reconstruction error of the output data by comparing the output data of the anomaly sensing submodel with the input data. The processor 110 may detect that a new pattern that has not been learned by the pre-learned anomaly detection sub-model is included in the input data based on the reconstruction error. When the degree of novelty (ie, the size of the reconstruction error) is equal to or greater than a predetermined threshold, the processor 110 may determine that the input data contains a new pattern that has not been learned. Since the anomaly detection submodel is trained using normal data as training data, a new pattern that is not trained may be anomaly. When the input data includes a new pattern that has not been learned, the processor 110 may determine that the input data is anomaly data including anomaly. In another embodiment of the present disclosure, the anomaly detection submodel may include a plurality of network functions, and the processor 110 calculates a reconstruction error of the output data by comparing output data of the plurality of network functions with input data. By doing so, it can be determined whether a new pattern exists in the input data. In this case, the processor 110 may ensemble a plurality of network functions included in each anomaly sensing submodel to determine whether a new pattern of input data exists. For example, the processor 110 may derive a plurality of reconstruction errors by comparing the output and input data of a plurality of network functions included in each anomaly detection submodel and calculating a reconstruction error, and It is also possible to determine whether a new pattern exists in the input data by combining the errors.

프로세서(110)는 어노말리 감지 서브모델을 이용하여 입력 데이터에 새로운 패턴이 포함된 것으로 판단한 경우, 어노말리 감지 서브모델 보다 이전에 생성된 어노말리 감지 서브모델을 이용하여 입력 데이터에 새로운 패턴이 포함되었는지 여부를 판단할 수 있다. 프로세서(110)는 제 2 어노말리 감지 서브모델을 이용하여 입력 데이터에 새로운 패턴이 존재하는지 여부를 판단할 수 있다. 프로세서(110)는 제 2 어노말리 감지 서브모델을 이용하여, 출력 데이터와 입력 데이터의 재구성 오차에 기초하여 입력 데이터에 제 2 어노말리 감지 서브모델에서 학습되지 않은 새로운 패턴(예를 들어, 어노말리 또는 또 다른 정상 패턴)이 존재하는지 여부를 판단할 수 있다. 프로세서(110)가 제 2 어노말리 감지 서브모델을 이용하여 입력 데이터에 새로운 패턴이 존재하는 것으로 판단한 경우, 프로세서(110)는 추가적으로, 제 1 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있다. 즉, 프로세서(110)는 최신의 어노말리 감지 서브모델을 이용하여 입력 데이터에 새로운 패턴이 존재하는 것으로 판단된 경우, 이전의 어노말리 감지 서브모델을 이용하여 입력 데이터에 새로운 패턴이 존재하는지 여부를 판단할 수 있다. 예를 들어, 반도체 공정에서 레시피의 변경 등이 있는 경우, 최신의 학습 데이터로 학습된 어노말리 감지 서브모델을 이용한 판단에서는 입력 데이터에 새로운 패턴이 존재하는 것으로 판단될 수 있으나, 해당 입력 데이터는 과거의 어노말리 감지 서브 모델을 이용한 판단에서는 새로운 패턴이 존재하지 않는 것으로 판단될 수 있다. 입력 데이터는 최신의 어노말리 감지 서브모델에서는 어노말리로 판단될 수 있으나, 예를 들어, 공정에서 레시피의 변경이 있는 경우, 입력 데이터가 이전 레시피에 의하여 생산되는 공정에서 획득된 센서 데이터인 경우, 해당 입력 데이터는 이전 레시피에서는 정상일 수 있다. 이 경우, 프로세서(110)는 해당 입력 데이터를 정상 데이터로 판단할 수 있다. 프로세서(110)는 어노말리 감지 모델에 포함된 복수의 어노말리 감지 서브모델 모두가 입력 데이터에 어노말리가 존재하는 것으로 판단한 경우, 입력 데이터아 어노말리가 존재하는 것으로 판단할 수 있다. 따라서, 본 개시의 일 실시예에서 프로세서(110)는 복수의 학습 데이터 서브세트를 이용하여 학습된 복수의 어노말리 감지 서브모델을 이용하여 입력 데이터의 어노말리를 감지함으로써, 다양한 레시피에 대응하는 입력 데이터의 어노말리 존재 여부를 판단할 수 있다. 예를 들어, 6개월 마다 공정의 변화가 있는 제조 공정의 경우, 본 개시의 일 실시예의 복수의 어노말리 감지 서브 모델은 제조 공정의 변화에 각각 대응되는 학습 데이터로 학습된 서브 모델일 수 있다. 이 경우, 어노말리 감지 모델은 각각의 제조 공정에 대응되는 어노말리 감지 서브모델을 이용하여 입력 데이터의 어노말리 존재 여부를 판단할 수 있다. 입력 데이터가 최신의 학습 데이터로 생성된 어노말리 감지 서브모델에 의하여 어노말리가 존재하는 것으로 판단된 경우라도, 과거의 어노말리 감지 서브모델에서 어노말리가 존재하지 않는 것으로 판단되는 경우, 해당 입력 데이터는 최신의 공정이 아닌 이전 공정에 의하여 생성된 정상 센서 데이터로 판단될 수 있다. 프로세서(110)는 어노말리 감지 모델에 포함된 복수의 어노말리 감지 서브모델 모두가 입력 데이터에 어노말리가 존재하는 것으로 판단한 경우, 입력 데이터에 어노말리가 존재하는 것으로 판단할 수 있다. 본 개시의 일 실시예에서, 이러한 어노말리 판단 방법을 통해 생산 제품이 현재 공정 또는 이전 공정의 정상 제품인지 여부를 판단할 수 있다. 따라서, 공정의 변경에 대응하여 어노말리 판단 성능이 유지될 수 있다. When the processor 110 determines that a new pattern is included in the input data using the anomaly detection submodel, the new pattern is included in the input data by using the anomaly detection submodel generated before the anomaly detection submodel. It can be determined whether or not. The processor 110 may determine whether a new pattern exists in the input data using the second anomaly detection submodel. The processor 110 uses the second anomaly detection submodel, and based on the reconstruction error of the output data and the input data, the processor 110 uses a new pattern that is not learned in the second anomaly detection submodel (for example, an anomaly Alternatively, it may be determined whether or not another normal pattern) exists. When the processor 110 determines that a new pattern exists in the input data using the second anomaly detection submodel, the processor 110 additionally uses the first anomaly detection submodel to add an anomaly to the input data. It can be determined whether it exists or not. That is, when it is determined that a new pattern exists in the input data using the latest anomaly detection submodel, the processor 110 determines whether a new pattern exists in the input data using the previous anomaly detection submodel. I can judge. For example, when there is a change in a recipe in a semiconductor process, it may be determined that a new pattern exists in the input data in the determination using the anomaly detection submodel learned with the latest learning data, but the corresponding input data is in the past. In the determination using the anomaly detection sub-model of, it may be determined that a new pattern does not exist. The input data may be determined to be anomaly in the latest anomaly detection submodel, but for example, when there is a change in a recipe in a process, or when the input data is sensor data obtained in a process produced by a previous recipe, The input data may be normal in the previous recipe. In this case, the processor 110 may determine the corresponding input data as normal data. When the processor 110 determines that all of the plurality of anomaly detection submodels included in the anomaly detection model has anomaly in the input data, the processor 110 may determine that the anomaly as the input data exists. Accordingly, in an embodiment of the present disclosure, the processor 110 detects an anomaly of the input data using a plurality of anomaly detection submodels learned using a plurality of subsets of training data, and thus inputs corresponding to various recipes. It is possible to determine whether the data is anomaly. For example, in the case of a manufacturing process in which a process changes every 6 months, a plurality of anomaly detection sub-models according to an exemplary embodiment of the present disclosure may be a sub-model trained with training data corresponding to changes in the manufacturing process. In this case, the anomaly detection model may determine whether an anomaly exists in the input data by using an anomaly detection submodel corresponding to each manufacturing process. Even when the input data is determined to exist as anomaly by the anomaly detection sub-model generated from the latest training data, if it is determined that an anomaly does not exist in the past anomaly detection sub-model, the corresponding input data May be determined as normal sensor data generated by a previous process rather than the latest process. When the processor 110 determines that all of the plurality of anomaly detection submodels included in the anomaly detection model has anomaly in the input data, the processor 110 may determine that the anomaly is present in the input data. In an embodiment of the present disclosure, it may be determined whether the product is a normal product of a current process or a previous process through the anomaly determination method. Accordingly, the anomaly determination performance can be maintained in response to a process change.

본 개시의 일 실시예에 따른 어노말리 판단 방법은 복수의 학습 데이터 서브세트를 이용하여 각각 학습된 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 이용하여 데이터에 어노말리가 존재하는지 여부를 판단함으로써, 이전 모델에서 학습된 정보의 망각을 최소화할 수 있고, 산업 현장에서 공정의 변경에 대응하여 여러 공정에 대응하여 생성된 입력 데이터의 어노말리의 존재 여부를 판단할 수 있다. 사전결정된 기준으로 그룹화된 학습 데이터를 통해 서브 모델을 학습시켜 학습된 서브 모델을 저장하여 모델을 구성함으로써, 모델이 이전 학습된 지식을 망각하지 않도록 하기 위하여 축적된 모든 학습 데이터를 통하여 학습시키는 경우보다 컴퓨팅 리소스(예를 들어, 저장 공간의 문제, 연산량의 문제, 과적합 등 학습 난이도의 문제 등)의 소모량을 줄일 수 있다.An anomaly determination method according to an embodiment of the present disclosure determines whether an anomaly exists in data by using an anomaly detection model including an anomaly detection submodel each learned using a plurality of training data subsets. By doing so, it is possible to minimize forgetting of information learned in the previous model, and it is possible to determine whether or not the anomaly of the input data generated in response to various processes in response to a process change in an industrial site exists. By learning the sub-models through the training data grouped by a predetermined criterion and storing the learned sub-models, the model is constructed, so that the model does not forget the previously learned knowledge, rather than learning through all accumulated training data. It is possible to reduce the consumption of computing resources (for example, a problem of a storage space, a problem of an amount of computation, a problem of learning difficulty such as overfitting, etc.).

본 개시의 일 실시예에 따르면, 프로세서(110)는 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성할 수 있다. 자세히 설명하면, 학습 데이터 세트는 복수의 학습 데이터 서브세트를 포함할 수 있다. 복수의 학습 데이터 서브세트는 사전결정된 기준에 의하여 그룹화된 서로 상이한 학습 데이터를 포함할 수 있다. 복수의 학습 데이터 서브세트를 그룹화하기 위한 사전결정된 기준은 학습 데이터의 생성 시간 구간, 학습 데이터의 도메인 중 적어도 하나를 포함할 수 있다. 예를 들어, 학습 데이터 세트는, 반도체 생상 공정에서 획득된 센서 데이터, 생상 장비의 동작 파라미터 등에 관한 복수의 학습 데이터로 구성될 수 있다. 이 경우, 반도체 생상 공정에서 생산 장비의 설정(예를 들어, 특정 공정에서 조사되는 레이저의 파장의 변경 등)이 변경되는 경우(즉, 레시피의 변경이 있는 경우), 설정 변경 이후에 획득되는 센서 데이터는 설정 변경 이전에 획득되는 센서 데이터와 서로 다른 학습 데이터 서브 세트에 포함될 수 있다. 전술한 학습 데이터 서브세트를 그룹화하기 위한 사전결정된 기준에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.According to an embodiment of the present disclosure, the processor 110 detects an anomaly including a plurality of anomaly detection submodels including a network function pre-trained using a plurality of training data subsets included in the training data set. You can create a model. In detail, the training data set may include a plurality of subsets of training data. The plurality of subsets of training data may include different training data grouped by a predetermined criterion. The predetermined criterion for grouping the plurality of subsets of training data may include at least one of a generation time interval of training data and a domain of training data. For example, the learning data set may be composed of a plurality of learning data regarding sensor data obtained in a semiconductor production process, operation parameters of production equipment, and the like. In this case, when the setting of production equipment (e.g., a change in the wavelength of a laser irradiated in a specific process, etc.) is changed in the semiconductor production process (i.e., there is a change in the recipe), the sensor acquired after the setting change The data may be included in a subset of training data different from the sensor data acquired before the setting change. The detailed description of the predetermined criteria for grouping the above-described subset of training data is merely an example, and the present disclosure is not limited thereto.

즉, 프로세서(110)는 학습 데이터 세트에 포함된 복수의 학습 데이터들을 사전결정된 기준으로 그룹화하여 복수의 학습 데이터 서브 세트를 형성할 수 있으며, 복수의 학습 데이터 서브세트를 이용하여 하나 이상의 네트워크 함수를 포함하는 각각의 어노말리 감지 서브모델을 학습시킴으로써, 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성할 수 있다. 본 개시의 일 실시예의 학습은 반교사 학습(semi supervised learning)일 수 있다. That is, the processor 110 may group a plurality of training data included in the training data set according to a predetermined criterion to form a plurality of training data subsets, and perform one or more network functions using the plurality of training data subsets. By learning each included anomaly detection submodel, an anomaly detection model including a plurality of anomaly detection submodels may be generated. Learning according to an embodiment of the present disclosure may be semi supervised learning.

예를 들어, 반도체 공정에서 6개월 마다 레시피가 변경됨에 따라, 프로세서(110)는 제 1 시간 구간 동안 생성된 학습 데이터들을 제 1 학습 데이터 서브세트로 그룹화하고, 그리고 제 2 시간 구간 기간 동안 획득한 센서 데이터에 대응하는 학습 데이터들을 제 2 학습 데이터 서브세트로 그룹화할 수 있다. 프로세서(110)는 제 1 시간 구간 동안 생성된 학습 데이터로 그룹화된 제 1 학습 데이터 서브세트를 통해 제 1 네트워크 함수를 포함하는 제 1 어노말리 감지 서브모델을 학습시키고, 그리고 제 2 시간 구간 동안 생성된 학습 데이터로 그룹화된 제 2 학습 데이터 서브세트를 통해 제 2 네트워크 함수를 포함하는 제 2 어노말리 감지 서브 모델을 학습시켜 제 1 어노말리 감지 서브모델 및 제 2 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성할 수 있다. 이 경우, 어노말리 감지 모델은 제 1 어노말리 감지 서브모델 및 제 2 어노말리 감지 서브모델을 포함하므로, 제 1 시간 구간 및 제 2 시간 구간에 대응하는 데이터 모두에 대한 어노말리 여부를 감지할 수 있다. 전술한 시간 구간 및 학습 데이터 서브세트의 그룹화에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.For example, as the recipe is changed every 6 months in the semiconductor process, the processor 110 groups the training data generated during the first time period into a first training data subset, and acquires the training data during the second time period. Training data corresponding to the sensor data may be grouped into a second subset of training data. The processor 110 trains a first anomaly detection sub-model including a first network function through a first subset of training data grouped with training data generated during a first time period, and generates during a second time period. An anomaly including a first anomaly detection submodel and a second anomaly detection submodel by training a second anomaly detection submodel including a second network function through the second training data subset grouped into the obtained training data. Marley detection models can be created. In this case, since the anomaly detection model includes the first anomaly detection submodel and the second anomaly detection submodel, it is possible to detect whether the data corresponding to the first time interval and the second time interval are anomaly. have. The detailed description of the above-described grouping of the time interval and the training data subset is only an example, and the present disclosure is not limited thereto.

따라서, 프로세서(110)에 의해 생성된 어노말리 감지 모델은, 각각의 학습 데이터 서브세트를 이용하여 학습된 어노말리 감지 서브모델을 포함함으로써, 여러 종류의 데이터의 어노말리를 감지할 수 있다. Accordingly, the anomaly detection model generated by the processor 110 includes an anomaly detection submodel learned using each subset of the training data, thereby detecting anomalies of various types of data.

본 개시의 일 실시예에 따르면, 프로세서(110)는 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정할 수 있다. 구체적으로, 프로세서(110)는 복수의 어노말리 감지 서브모델에 대한 다른 입력 데이터의 처리 경향성, 입력 데이터의 컨텍스트 정보, 또는 입력 데이터의 클러스터 정보 중 적어도 하나에 기초하여 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정할 수 있다.According to an embodiment of the present disclosure, the processor 110 may determine one or more anomaly detection submodels for calculating input data from among a plurality of generated anomaly detection submodels. Specifically, the processor 110 is one or more for calculating input data based on at least one of processing tendency of other input data for a plurality of anomaly detection submodels, context information of input data, or cluster information of input data An anomaly sensing sub-model can be determined.

복수의 어노말리 감지 서브모델에 대한 다른 입력 데이터의 처리 경향성은 입력 데이터와 연관된 다른 입력 데이터가 어느 어노말리 감지 서브 모델에 의하여 정상으로 판단되었는지와 관련한 정보를 포함할 수 있다. 프로세서(110)는 입력 데이터와 사전결정된 관계를 가지는 다른 입력 데이터를 연산한 어노말리 감지 서브모델을 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정할 수 있다. 다른 입력 데이터는, 입력 데이터의 생성 전에 생성된 입력 데이터를 포함하며, 입력 데이터와 사전결정된 시간 간격 이내에 생성된 데이터를 포함할 수 있다. 프로세서(110)는 입력 데이터와 사전결정된 관계를 가지는 다른 입력 데이터를 정상 데이터로 판단한 어노말리 감지 서브모델을 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정할 수 있다. The processing tendency of other input data for the plurality of anomaly detection sub-models may include information related to which anomaly detection sub-model determines which other input data related to the input data is normal. The processor 110 may determine an anomaly detection submodel obtained by calculating other input data having a predetermined relationship with the input data as an anomaly detection submodel for calculating the input data. Other input data includes input data generated before generation of the input data, and may include input data and data generated within a predetermined time interval. The processor 110 may determine an anomaly detection submodel in which other input data having a predetermined relationship with the input data is determined as normal data as an anomaly detection submodel for calculating the input data.

예를 들어, 입력 데이터는 일정 시간 간격 마다 생성되는 데이터일 수 있다. 입력 데이터 이전 일정 수 이내의 입력 데이터들이 특정한 어노말리 감지 서브모델에 의하여 정상 데이터로 판단된 경우, 입력 데이터는 이전 데이터와 유사할 확률이 높다. 따라서, 이전 데이터가 처리된 어노말리 감지 서브모델에 의하여 정상 데이터로 판단될 확률이 높으므로, 프로세서(110)는 이전 데이터를 정상으로 판단한 어노말리 감지 서브모델을 입력 데이터를 판단하기 위하여 선택할 수 있다. 전술한 입력 데이터에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. For example, the input data may be data generated every predetermined time interval. When input data within a certain number of previous input data are determined to be normal data by a specific anomaly detection sub-model, the input data is likely to be similar to the previous data. Therefore, since the probability that the previous data is determined to be normal data by the processed anomaly sensing submodel is high, the processor 110 may select the anomaly sensing submodel in which the previous data is determined to be normal in order to determine the input data. . The detailed description of the above-described input data is merely an example, and the present disclosure is not limited thereto.

즉, 프로세서(110)는 다른 입력 데이터의 처리 경향성에 기초하여 복수의 어노말리 감지 서브모델 중 입력 데이터를 처리하기 위한 최적의 어노말리 감지 서브모델을 결정할 수 있다. That is, the processor 110 may determine an optimal anomaly detection submodel for processing input data from among a plurality of anomaly detection submodels based on a processing tendency of other input data.

또한, 프로세서(110)는 입력 데이터의 컨텍스트 정보에 기초하여, 컨텍스트 정보와 매칭되는 어노말리 감지 서브모델을 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델로 결정할 수 있다. 컨텍스트 정보는, 입력 데이터를 정상 패턴과 연관시키는 정보를 포함하며, 입력 데이터를 제조 레시피 또는 제조 장비 중 적어도 하나와 연관시키는 컨텍스트 인디케이터, 입력 데이터의 제조 레시피 특성 또는 제조 장비 특성 중 적어도 하나와 연관시키는 컨텍스트 특성 인디케이터, 또는 입력 데이터의 결측 특성에 대한 정보를 포함하는 결측 특성 인디케이터 중 적어도 하나를 포함할 수 있다. Also, the processor 110 may determine an anomaly detection submodel matched with the context information as one or more anomaly detection submodels for calculating input data, based on context information of the input data. The context information includes information relating input data to a normal pattern, and a context indicator that associates input data with at least one of a manufacturing recipe or manufacturing equipment, and associates the input data with at least one of a manufacturing recipe characteristic or a manufacturing equipment characteristic. It may include at least one of a context characteristic indicator or a missing characteristic indicator including information on the missing characteristic of the input data.

컨텍스트 정보는, 입력 데이터 또는 학습 데이터 중 적어도 하나에 매칭되며, 어노말리 감지 서브모델은 학습 데이터 서브세트에 매칭된 컨텍스트 정보와 매칭될 수 있다. 컨텍스트 정보에 대한 설명은 전체가 참조로서 본 명세서에 통합되는 한국 특허 출원 10-2019-0050477(2019.04.30 출원)에서 구체적으로 논의된다. The context information may be matched with at least one of input data or training data, and the anomaly detection sub-model may be matched with context information matched with the training data subset. Description of context information is discussed in detail in Korean Patent Application 10-2019-0050477 (filed on April 30, 2019), which is incorporated herein by reference in its entirety.

예를 들어, 제 1 입력 데이터의 제 1 컨텍스트 정보가 특정 제조 장비에서의 정상 동작 파라미터 범위를 나타내는 제 1 컨텍스트 특성 인디케이터를 포함하는 경우, 프로세서(110)는 제 1 입력 데이터의 제 1 컨텍스트 정보에 포함된 제 1 컨텍스트 특성 인디케이터에 기초하여 제 1 컨텍스트 정보가 매칭되는 제 1 어노말리 감지 서브모델을 식별할 수 있다. 또한, 프로세서(110)는 식별된 제 1 어노말리 감지 서브모델을 제 1 입력 데이터의 처리를 위한 어노말리 감지 서브모델로 결정할 수 있다. 전술한 컨텍스트 정보에 포함된 정보들에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.For example, when the first context information of the first input data includes a first context characteristic indicator indicating a range of a normal operation parameter in a specific manufacturing equipment, the processor 110 A first anomaly detection submodel to which the first context information is matched may be identified based on the included first context characteristic indicator. Also, the processor 110 may determine the identified first anomaly detection submodel as an anomaly detection submodel for processing the first input data. Detailed description of the information included in the above-described context information is only an example, and the present disclosure is not limited thereto.

즉, 프로세서(110)는 입력 데이터의 컨텍스트 정보에 기초하여 복수의 어노말리 감지 서브모델 중 입력 데이터를 처리하기 위한 최적의 어노말리 감지 서브모델을 결정할 수 있다. That is, the processor 110 may determine an optimal anomaly detection submodel for processing input data from among a plurality of anomaly detection submodels based on context information of the input data.

또한, 프로세서(110)는 입력 데이터의 클러스터 정보에 기초하여 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정할 수 있다. 구체적으로, 프로세서(110)는 입력 데이터가 속하는 클러스터에 포함된 다른 입력 데이터를 연산한 어노말리 감지 서브모델을 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정할 수 있다. Also, the processor 110 may determine one or more anomaly sensing submodels for calculating input data based on cluster information of the input data. Specifically, the processor 110 may determine an anomaly detection submodel obtained by calculating other input data included in a cluster to which the input data belongs as an anomaly detection submodel for calculating the input data.

자세히 설명하면, 프로세서(110)는 하나 이상의 입력 데이터를 유사도에 기초하여 클러스터링할 수 있다. 예를 들어, 제 1 입력 데이터가 로봇 팔의 제 1 관절의 각도 센서 데이터에 대한 정보를 포함하며, 제 2 입력 데이터가 로봇 팔의 제 1 관절의 각도 센서 데이터에 대한 정보를 포함하는 경우, 프로세서(110)는 각각의 입력 데이터 간의 유사도가 높은 것으로 판단하여 제 1 입력 데이터 및 제 2 입력 데이터를 동일한 클러스터에 포함시킬 수 있다. 다른 예를 들어, 제 3 입력 데이터가 로봇 팔의 관절의 각도 센서 데이터에 대한 정보를 포함하며, 제 4 입력 데이터가 온도 센서 데이터에 대한 정보를 포함하는 경우, 프로세서(110)는 각각의 입력 데이터 간의 유사도가 낮은 것으로 판단하여 제 3 입력 데이터 및 제 4 입력 데이터를 상이한 클러스터에 각각 포함시킬 수 있다. 전술한 각 입력 데이터에 포함된 정보 및 각 입력 데이터의 클러스터링에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. In detail, the processor 110 may cluster one or more input data based on similarity. For example, when the first input data includes information on angle sensor data of the first joint of the robot arm, and the second input data includes information on angle sensor data of the first joint of the robot arm, the processor 110 may determine that the similarity between the respective input data is high, and may include the first input data and the second input data in the same cluster. For another example, when the third input data includes information on angle sensor data of a joint of the robot arm, and the fourth input data includes information on temperature sensor data, the processor 110 The third input data and the fourth input data may be included in different clusters by determining that the similarity between the two is low. The information included in each of the above-described input data and a detailed description of the clustering of each input data are only examples, and the present disclosure is not limited thereto.

즉, 본 개시의 일 실시예의 하나 이상의 입력 데이터 각각은 프로세서(110)에 의해 클러스터링될 수 있다. That is, each of the one or more input data according to an embodiment of the present disclosure may be clustered by the processor 110.

프로세서(110)는 입력 데이터의 클러스터 정보에 기초하여 해당 입력 데이터의 처리를 위한 어노말리 감지 서브모델을 결정할 수 있다. 구체적인 예를 들어, 제 1 입력 데이터 및 제 2 입력 데이터가 프로세서(110)에 의해 제 1 클러스터로 사전 분류되고, 그리고 이전 시점에 제 1 입력 데이터에 대한 처리가 제 1 어노말리 감지 서브모델을 통해 수행된 경우, 프로세서(110)는 동일한 클러스터에서 다른 입력 데이터인 제 1 입력 데이터의 연산을 수행한 제 1 어노말리 감지 서브모델을 제 2 입력 데이터의 연산를 위한 어노말리 감지 서브모델로 결정할 수 있다. 전술한 각 입력 데이터 및 클러스터에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. The processor 110 may determine an anomaly detection submodel for processing the input data based on cluster information of the input data. For a specific example, first input data and second input data are pre-classified into a first cluster by the processor 110, and processing of the first input data at a previous time is performed through the first anomaly detection submodel. When performed, the processor 110 may determine the first anomaly detection submodel in which the calculation of the first input data, which is different input data in the same cluster, as an anomaly detection submodel for the calculation of the second input data. The detailed description of each of the input data and clusters described above is merely an example, and the present disclosure is not limited thereto.

즉, 프로세서(110)는 입력 데이터의 클러스터 정보에 기초하여 복수의 어노말리 감지 서브모델 중 입력 데이터를 처리하기 위한 최적의 어노말리 감지 서브모델을 결정할 수 있다. That is, the processor 110 may determine an optimal anomaly detection submodel for processing input data from among a plurality of anomaly detection submodels based on cluster information of the input data.

전술한 바와 같이, 프로세서(110)는 입력 데이터의 처리 경향성, 입력 데이터의 컨텍스트 정보, 또는 입력 데이터의 클러스터 정보 중 적어도 하나에 기초하여 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정할 수 있다. As described above, the processor 110 may determine one or more anomaly detection submodels for calculating input data based on at least one of processing tendency of input data, context information of input data, or cluster information of input data. have.

다시 말해, 프로세서(110)는 다양한 입력 데이터 각각에 대한 처리에 적합한 어노말리 감지 서브모델을 예측하여 불필요한 추론을 최소화시킬 수 있다. 이에 따라, 어노말리 감지 서브모델의 처리 성능이 향상될 수 있다. In other words, the processor 110 may minimize unnecessary inference by predicting an anomaly sensing sub-model suitable for processing each of various input data. Accordingly, the processing performance of the anomaly sensing submodel may be improved.

본 개시의 일 실시예에 따르면, 프로세서(110)는 하나 이상의 어노말리 감지 서브 모델을 통합하여 통합된 어노말리 감지 서브모델을 생성할 수 있다. 구체적으로, 프로세서(110)는 복수의 어노말리 감지 서브모델를 클러스터링하고, 클러스터링 결과 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성할 수 있다.According to an embodiment of the present disclosure, the processor 110 may generate an integrated anomaly detection submodel by integrating one or more anomaly detection submodels. Specifically, the processor 110 may cluster a plurality of anomaly sensing submodels, and as a result of clustering, may generate an integrated anomaly sensing submodel by integrating one or more anomaly sensing submodels included in one cluster.

자세히 설명하면, 프로세서(110)는 어노말리 감지 서브모델 각각에 매칭된 컨텍스트 정보, 또는 어노말리 감지 서브 모델 각각의 입력 데이터 처리 특성 중 적어도 하나에 기초하여 복수의 어노말리 감지 서브모델에 포함된 하나 이상의 어노말리 감지 서브모델을 클러스터링할 수 있다.In detail, the processor 110 includes one included in the plurality of anomaly detection submodels based on at least one of context information matched to each of the anomaly detection submodels or input data processing characteristics of each of the anomaly detection submodels. The above anomaly sensing sub-models can be clustered.

프로세서(110)는 어노말리 감지 서브모델 각각에 매칭된 컨텍스트 정보를 식별하고, 식별된 각 컨텍스트 정보의 비교에 기초하여 어노말리 감지 서브모델을 클러스터링할 수 있다. 예를 들어, 제 1 어노말리 감지 서브모델에 제 1 컨텍스트 정보가 매칭되고, 제 2 어노말리 감지 서브모델에 제 1 컨텍스트 정보가 매칭된 경우, 프로세서(110)는 각 어노말리 감지 서브모델에 동일한 제 1 컨텍스트 정보가 매칭된 것으로 식별하여 제 1 어노말리 감지 서브모델 및 제 2 어노말리 감지 서브모델을 동일한 클러스터에 포함시킬 수 있다. 다른 예를 들어, 제 2 어노말리 감지 서브모델에 제 1 컨텍스트 정보가 매칭되고, 제 3 어노말리 감지 서브모델에 제 2 컨텍스트 정보가 매칭된 경우, 프로세서(110)는 각 어노말리 감지 서브모델에 상이한 컨텍스트 정보가 매칭된 것으로 식별하여 제 2 어노말리 감지 서브모델 및 제 3 어노말리 감지 서브모델을 상이한 클러스터에 포함시킬 수 있다. 전술한 어노말리 서브 모델 각각에 매칭된 컨텍스트 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. The processor 110 may identify context information matched to each of the anomaly detection submodels, and cluster the anomaly detection submodels based on a comparison of the identified context information. For example, when the first context information is matched with the first anomaly detection submodel and the first context information is matched with the second anomaly detection submodel, the processor 110 By identifying that the first context information is matched, the first anomaly detection submodel and the second anomaly detection submodel may be included in the same cluster. For another example, when the first context information is matched with the second anomaly detection submodel, and the second context information is matched with the third anomaly detection submodel, the processor 110 Different context information may be identified as being matched so that the second anomaly detection submodel and the third anomaly detection submodel may be included in different clusters. The detailed description of context information matched to each of the above-described anomaly sub-models is only an example, and the present disclosure is not limited thereto.

또한, 프로세서(110)는 어노말리 감지 서브모델 각각의 입력 데이터 처리 특성에 기초하여 어노말리 감지 서브 모델을 클러스터링할 수 있다. 구체적으로, 프로세서(110)는 입력 데이터의 대한 처리 경향이 유사한 어노말리 감지 서브모델을 동일한 클러스터에 클러스터링할 수 있다. In addition, the processor 110 may cluster the anomaly detection sub-models based on input data processing characteristics of each of the anomaly detection sub-models. Specifically, the processor 110 may cluster an anomaly sensing sub-model having a similar processing tendency for input data in the same cluster.

또한, 프로세서(110)는 어노말리 감지 서브모델 각각의 입력 데이터에 대한 판단결과에 기초하여 어노말리 감지 서브모델을 클러스터링할 수 있다. 구체적으로, 프로세서(110)는 입력 데이터를 정상 데이터로 판단한 어노말리 감지 서브모델과 다른 입력 데이터를 정상 데이터로 판단한 다른 어노말리 감지 서브모델을, 입력 데이터와 다른 입력 데이터가 연관된 경우, 하나의 클러스터로 클러스터링할 수 있다.In addition, the processor 110 may cluster the anomaly detection submodels based on a determination result of input data of each of the anomaly detection submodels. Specifically, the processor 110 uses an anomaly detection sub-model in which the input data is determined as normal data, and another anomaly detection sub-model in which the input data is determined as normal data, and when input data and other input data are associated, one cluster Can be clustered with

보다 자세히 설명하면, 프로세서(110)는 입력 데이터를 정상 데이터로 판단하는 하나 이상의 어노말리 감지 서브모델을 하나의 클러스터로 분류할 수 있다. 프로세서(110)는 입력 데이터에 대한 어노말리 감지를 위하여 입력 데이터가 어떠한 어노말리 감지 서브모델에서 정상으로 판단되는지 파악할 수 있다. 예를 들어, 프로세서(110)는 입력 데이터를 각각의 어노말리 감지 서브모델로 처리하고, 입력 데이터를 정상 데이터로 판단하는 복수 개의 어노말리 감지 서브모델을 식별할 수 있다. 이러한 복수개의 어노말리 감지 서브모델들은 서로 동일한 클러스터로 클러스터링될 수 있다. 또한, 프로세서(110)는 복수의 입력 데이터에 대하여 각각의 입력 데이터를 정상 데이터로 판단하는 복수의 어노말리 감지 서브모델들을 식별할 수 있다. 프로세서(110)는 입력 데이터에 대한 판단 결과가 유사한 복수의 어노말리 감지 서브모델을 통합된 어노말리 감지 서브모델로 생성할 수 있다. In more detail, the processor 110 may classify one or more anomaly sensing submodels that determine input data as normal data into one cluster. The processor 110 may determine in which anomaly detection submodel the input data is determined to be normal in order to detect an anomaly with respect to the input data. For example, the processor 110 may process input data into each anomaly detection submodel and identify a plurality of anomaly detection submodels that determine the input data as normal data. Such a plurality of anomaly sensing sub-models may be clustered into the same cluster. In addition, the processor 110 may identify a plurality of anomaly sensing submodels that determine each input data as normal data with respect to the plurality of input data. The processor 110 may generate a plurality of anomaly detection submodels having similar determination results for input data as an integrated anomaly detection submodel.

또한, 프로세서(110)는 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성할 수 있다. 구체적으로, 프로세서(110)는 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 앙상블함으로써 통합된 어노말리 감지 서브모델을 생성할 수 있다. 모델 간의 앙상블은 예를 들어, 하나 이상의 어노말리 감지 서브모델 각각을 구성하는 네트워크 함수 각각의 가중치의 평균값에 기초하여 통합된 어노말리 감지 서브모델의 학습 가중치를 설정하는 것일 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. In addition, the processor 110 may generate an integrated anomaly detection submodel by integrating one or more anomaly detection submodels included in one cluster. Specifically, the processor 110 may generate an integrated anomaly detection submodel by ensemble one or more anomaly detection submodels included in one cluster. The inter-model ensemble may be, for example, setting a learning weight of the integrated anomaly detection submodel based on an average value of the weights of each of the network functions constituting each of the one or more anomaly detection submodels. The foregoing description is for illustrative purposes only, and the present disclosure is not limited thereto.

프로세서(110)는 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델의 연결 가중치를 통합함으로써 통합된 어노말리 감지 서브모델을 생성할 수 있다. 예를 들어, 프로세서(110)는 복수의 어노말리 감지 서브모델의 가중치들을 다른 신경망의 지식을 망각하지 않고 유지할 수 있도록 통합함으로써 통합된 어노말리 감지 서브모델을 생성할 수 있다. The processor 110 may generate an integrated anomaly detection submodel by integrating connection weights of one or more anomaly detection submodels included in one cluster. For example, the processor 110 may generate an integrated anomaly sensing submodel by integrating weights of a plurality of anomaly sensing submodels so as to maintain knowledge of other neural networks without forgetting.

또한, 프로세서(110)는 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델 중 적어도 일부를 제거하여 통합된 어노말리 감지 서브모델을 생성할 수 있다. 구체적으로, 프로세서(110)는 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델 각각의 입력 데이터 처리 시간에 기초하여 입력 데이터 처리의 최근 처리 경향(즉, 최근 입력 데이터의 처리를 위해 선택된 확률)이 비교적 낮은 어노말리 감지 서브모델을 제거하여 통합된 어노말리 감지 서브모델을 생성할 수 있다. 즉, 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델 중 적어도 일부를 제거하여 생성된 통합된 어노말리 감지 서브모델은 최근 입력 데이터의 처리 경향이 반영된 것일 수 있다. Also, the processor 110 may generate an integrated anomaly detection submodel by removing at least a part of one or more anomaly detection submodels included in one cluster. Specifically, the processor 110 is based on the processing time of the input data of each of one or more anomaly detection submodels included in one cluster, the latest processing trend (that is, the probability selected for processing the latest input data) By removing this relatively low anomaly sensing submodel, we can create an integrated anomaly sensing submodel. That is, the integrated anomaly detection submodel generated by removing at least some of the one or more anomaly detection submodels included in one cluster may reflect a recent processing trend of input data.

또한, 프로세서(110)는 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델에 대한 성능 테스트에 기초하여 통합된 어노말리 감지 서브모델을 생성할 수도 있다.구체적으로, 테스트 데이터 세트를 통해 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브 모델 각각의 성능 테스트를 수행하고, 성능 테스트 결과 사전 결정된 출력 정확도를 초과하는 어노말리 감지 서브모델들만을 선별하여 통합된 어노말리 감지 서브모델을 생성할 수도 있다.In addition, the processor 110 may generate an integrated anomaly detection submodel based on a performance test for one or more anomaly detection submodels included in one cluster. Specifically, through a test data set, the processor 110 may generate an integrated anomaly detection submodel. It is also possible to generate an integrated anomaly detection submodel by performing a performance test of each of one or more anomaly detection submodels included in the cluster, and selecting only the anomaly detection submodels exceeding a predetermined output accuracy as a result of the performance test. .

또한, 프로세서(110)는 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 재학습 시킴으로써 통합된 어노말리 감지 서브모델을 생성할 수도 있다. 구체적으로, 프로세서(110)는 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브 모델 각각의 네트워크 함수들의 앙상블을 통해 통합된 네트워크 함수를 생성하고, 추가적인 학습 데이터 세트를 통해 통합된 네트워크 함수에 대한 재학습을 수행함으로써, 통합된 어노말리 감지 서브모델을 생성할 수도 있다. In addition, the processor 110 may generate an integrated anomaly detection submodel by retraining one or more anomaly detection submodels included in one cluster. Specifically, the processor 110 generates an integrated network function through an ensemble of network functions of each of one or more anomaly detection sub-models included in one cluster, and rewrites the integrated network function through an additional training data set. By performing learning, it is also possible to generate an integrated anomaly detection submodel.

즉, 프로세서(110)는 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성함으로써, 모델의 연산량을 절감시키고, 모델의 성능을 높일 수 있다.That is, the processor 110 generates an integrated anomaly detection submodel by integrating one or more anomaly detection submodels included in one cluster, thereby reducing the computational amount of the model and increasing the performance of the model.

도 2 는 본 개시의 일 실시예에 따라 네트워크 함수(200)를 나타낸 개략도이다. 2 is a schematic diagram illustrating a network function 200 according to an embodiment of the present disclosure.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의"링크"에 의해 상호 연결될 수 있다.Throughout this specification, a computational model, a neural network, a network function, and a neural network may be used with the same meaning. A neural network may consist of a set of interconnected computational units, which may generally be referred to as “nodes”. These “nodes” may also be referred to as “neurons”. The neural network includes at least one or more nodes. Nodes (or neurons) constituting neural networks may be interconnected by one or more "links".

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다. In a neural network, one or more nodes connected through a link may relatively form a relationship between an input node and an output node. The concepts of an input node and an output node are relative, and any node in an output node relationship with respect to one node may have an input node relationship in a relationship with another node, and vice versa. As described above, the relationship between the input node and the output node can be created around a link. One or more output nodes may be connected to one input node through a link, and vice versa.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.In the relationship between the input node and the output node connected through one link, the value of the output node may be determined based on data input to the input node. Here, a node interconnecting the input node and the output node may have a weight. The weight may be variable, and in order for the neural network to perform a desired function, it may be changed by a user or an algorithm. For example, when one or more input nodes are interconnected to one output node by respective links, the output node includes values input to input nodes connected to the output node and a link corresponding to each input node. The output node value may be determined based on the weight.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.As described above, in a neural network, one or more nodes are interconnected through one or more links to form an input node and an output node relationship in the neural network. The characteristics of the neural network may be determined according to the number of nodes and links in the neural network, the association relationship between the nodes and the links, and a weight value assigned to each of the links. For example, when there are the same number of nodes and links, and two neural networks having different weight values between the links exist, the two neural networks may be recognized as being different from each other.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.A neural network may be configured including one or more nodes. Some of the nodes constituting the neural network may configure one layer based on the distances from the initial input node. For example, a set of nodes with a distance n from the initial input node, n layers can be configured. The distance from the first input node may be defined by the minimum number of links that must be passed from the first input node to the corresponding node. However, the definition of such a layer is arbitrary for explanation, and the order of the layer in the neural network may be defined in a different manner than that described above. For example, the layer of nodes may be defined by the distance from the last output node.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.The first input node may mean one or more nodes to which data is directly input without going through a link in a relationship with other nodes among nodes in the neural network. Alternatively, in a neural network network, in a relationship between nodes based on a link, it may mean nodes that do not have other input nodes connected by a link. Similarly, the final output node may mean one or more nodes that do not have an output node in a relationship with other nodes among nodes in the neural network. In addition, the hidden node may refer to nodes constituting a neural network other than the first input node and the last output node. In the neural network according to an embodiment of the present disclosure, the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as the input layer proceeds to the hidden layer. I can. In addition, the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of an input layer is less than the number of nodes of an output layer, and the number of nodes decreases as the number of nodes progresses from the input layer to the hidden layer. have. In addition, the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of an input layer is greater than the number of nodes of an output layer, and the number of nodes increases as the number of nodes progresses from the input layer to the hidden layer. I can. A neural network according to another embodiment of the present disclosure may be a neural network in the form of a combination of the aforementioned neural networks.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrentneural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. A deep neural network (DNN) may mean a neural network including a plurality of hidden layers in addition to an input layer and an output layer. Deep neural networks can be used to identify potential structures in data. In other words, it is possible to grasp the potential structure of photos, texts, videos, voices, and music (e.g., what objects are in photos, what are the content and emotions of the text, what are the contents and emotions of the voice, etc.) . Deep neural networks include convolutional neural networks (CNNs), recurrentneural networks (RNNs), auto encoders, Generative Adversarial Networks (GANs), and restricted boltzmann machines (RBMs). machine), deep belief network (DBN), Q network, U network, and Siam network. The description of the above-described deep neural network is only an example, and the present disclosure is not limited thereto.

본 개시의 일 실시예에서 네트워크 함수(200)는 오토인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.In an embodiment of the present disclosure, the network function 200 may include an autoencoder. The auto encoder may be a kind of artificial neural network for outputting output data similar to input data. The auto encoder may include at least one hidden layer, and an odd number of hidden layers may be disposed between the input/output layers. The number of nodes of each layer may be reduced from the number of nodes of the input layer to an intermediate layer called a bottleneck layer (encoding), and then reduced and expanded symmetrically from the bottleneck layer to an output layer (symmetric with the input layer). In this case, in the example of FIG. 2, although the dimensionality reduction layer and the dimensional restoration layer are illustrated as being symmetrical, the present disclosure is not limited thereto, and nodes of the dimensionality reduction layer and the dimensional restoration layer may or may not be symmetrical. Auto encoders can perform nonlinear dimensionality reduction. The number of input layers and output layers may correspond to the number of sensors remaining after pre-processing of input data. In the auto-encoder structure, the number of nodes of the hidden layer included in the encoder may have a structure that decreases as it moves away from the input layer. If the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and the decoder) is too small, a sufficient amount of information may not be delivered, so more than a certain number (e.g., more than half of the input layer, etc.) ) May be maintained.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.The neural network may be learned in at least one of supervised learning, unsupervised learning, and semi supervised learning. Learning of neural networks is to minimize output errors. In learning of a neural network, iteratively inputs training data to the neural network, calculates the output of the neural network for the training data and the error of the target, and transfers the error of the neural network from the output layer of the neural network to the input layer in a direction to reduce the error. This is a process of updating the weight of each node of the neural network by backpropagation in the direction. In the case of teacher learning, learning data in which the correct answer is labeled in each learning data is used (ie, labeled learning data), and in the case of non-satellite learning, the correct answer may not be labeled in each learning data. That is, for example, in the case of teacher learning related to data classification, the learning data may be data in which a category is labeled with each learning data. Labeled training data is input to a neural network, and an error may be calculated by comparing an output (category) of the neural network with a label of the training data. As another example, in the case of comparative history learning regarding data classification, an error may be calculated by comparing training data as input with a neural network output. The calculated error is backpropagated in the neural network in the reverse direction (ie, from the output layer to the input layer), and the connection weight of each node of each layer of the neural network may be updated according to the backpropagation. The amount of change in the connection weight of each node to be updated may be determined according to a learning rate. The computation of the neural network for the input data and the backpropagation of the error can constitute a learning cycle (epoch). The learning rate may be applied differently according to the number of repetitions of the learning cycle of the neural network. For example, a high learning rate is used in the early stages of training of a neural network, so that the neural network quickly secures a certain level of performance to increase efficiency, and a low learning rate can be used in the later stages of training to increase accuracy.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regulaization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.In learning of a neural network, in general, training data may be a subset of actual data (that is, data to be processed using a trained neural network), and thus, errors in training data decrease but errors in actual data There may be increasing learning cycles. Overfitting is a phenomenon in which errors in actual data increase due to over-learning on learning data. For example, a neural network learning a cat by showing a yellow cat may not recognize that it is a cat when it sees a cat other than yellow, which may be a kind of overfitting. Overfitting can cause an increase in errors in machine learning algorithms. Various optimization methods can be used to prevent such overfitting. In order to prevent overfitting, methods such as increasing training data, regulation, or dropout in which some nodes of the network are omitted during the training process may be applied.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.A computer-readable medium storing a data structure according to an embodiment of the present disclosure is disclosed.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.Data structure can refer to the organization, management, and storage of data that enables efficient access and modification of data. The data structure may refer to an organization of data for solving a specific problem (eg, data search, data storage, data modification in the shortest time). Data structures may be defined as physical or logical relationships between data elements, designed to support specific data processing functions. The logical relationship between data elements may include a connection relationship between data elements that a user thinks. The physical relationship between the data elements may include an actual relationship between the data elements physically stored in a computer-readable storage medium (eg, hard disk). The data structure may specifically include a set of data, a relationship between data, and a function or instruction applicable to the data. Through an effectively designed data structure, the computing device can perform calculations while using the resources of the computing device to a minimum. Specifically, computing devices can increase the efficiency of computation, reading, insertion, deletion, comparison, exchange, and search through an effectively designed data structure.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.The data structure can be classified into a linear data structure and a non-linear data structure according to the shape of the data structure. The linear data structure may be a structure in which only one data is connected after one data. The linear data structure may include a list, a stack, a queue, and a deck. The list may mean a series of data sets in which order exists internally. The list may include a linked list. The linked list may be a data structure in which data is linked in a way that each data has a pointer and is linked in a single line. In the linked list, the pointer may include connection information with the next or previous data. The linked list can be expressed as a single linked list, a double linked list, or a circular linked list. The stack can be a data listing structure that allows limited access to data. The stack may be a linear data structure that can process (eg, insert or delete) data only at one end of the data structure. Data stored in the stack may be a data structure (LIFO-Last in First Out) that comes out sooner as it enters the stack. A queue is a data arrangement structure that allows limited access to data, and unlike a stack, a queue may be a data structure (FIFO-First in First Out) that comes out later as data stored later. A deck can be a data structure that can process data at both ends of the data structure.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.The nonlinear data structure may be a structure in which a plurality of data is connected behind one data. The nonlinear data structure may include a graph data structure. The graph data structure may be defined as a vertex and an edge, and the edge may include a line connecting two different vertices. The graph data structure may include a tree data structure. The tree data structure may be a data structure in which a path connecting two different vertices among a plurality of vertices included in the tree is one. That is, it may be a data structure that does not form a loop in the graph data structure.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.Throughout this specification, a computational model, a neural network, a network function, and a neural network may be used with the same meaning. (Hereinafter, it will be unified and described as a neural network.) The data structure may include a neural network. In addition, the data structure including the neural network may be stored in a computer-readable medium. The data structure including the neural network may also include data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, an active function associated with each node or layer of the neural network, and a loss function for learning the neural network. have. The data structure including the neural network may include any of the components disclosed above. In other words, the data structure including the neural network is the data input to the neural network, the weight of the neural network, the hyper parameter of the neural network, the data obtained from the neural network, the active function associated with each node or layer of the neural network, the loss function for training the neural network, etc. It may be configured to include any combination of. In addition to the above-described configurations, the data structure including the neural network may include any other information that determines the characteristics of the neural network. In addition, the data structure may include all types of data used or generated in the process of calculating a neural network, and is not limited to the above-described matters. Computer-readable media may include computer-readable recording media and/or computer-readable transmission media. A neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons. The neural network includes at least one or more nodes.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include data input to the neural network. A data structure including data input to the neural network may be stored in a computer-readable medium. The data input to the neural network may include training data input during the neural network training process and/or input data input to the neural network on which the training has been completed. Data input to the neural network may include data that has undergone pre-processing and/or data to be pre-processed. Pre-processing may include a data processing process for inputting data into a neural network. Accordingly, the data structure may include data to be pre-processed and data generated by pre-processing. The above-described data structure is only an example, and the present disclosure is not limited thereto.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include weights of the neural network. (In the present specification, weights and parameters may have the same meaning.) And the data structure including the weights of the neural network may be stored in a computer-readable medium. The neural network may include a plurality of weights. The weight may be variable and may be changed by a user or an algorithm in order for the neural network to perform a desired function. For example, when one or more input nodes are interconnected to one output node by respective links, the output node includes values input to input nodes connected to the output node and a link corresponding to each input node. The output node value may be determined based on the parameter. The above-described data structure is only an example, and the present disclosure is not limited thereto.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.As an example and not a limitation, the weight may include a weight variable in a neural network training process and/or a weight on which neural network training has been completed. The variable weight in the neural network learning process may include a weight at a time point at which the learning cycle starts and/or a weight variable during the learning cycle. The weight at which the neural network training is completed may include the weight at which the learning cycle is completed. Accordingly, the data structure including the weight of the neural network may include a data structure including a weight variable during the neural network training process and/or a weight on which the neural network training has been completed. Therefore, it is assumed that the above-described weight and/or a combination of each weight are included in the data structure including the weight of the neural network. The above-described data structure is only an example, and the present disclosure is not limited thereto.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure including the weights of the neural network may be serialized and then stored in a computer-readable storage medium (eg, memory, hard disk). Serialization may be a process of storing data structures on the same or different computing devices and converting them into a form that can be reconstructed and used later. The computing device serializes the data structure to transmit and receive data through a network. The data structure including the weights of the serialized neural network can be reconstructed in the same or different computing devices through deserialization. The data structure including the weights of the neural network is not limited to serialization. Furthermore, the data structure including the weight of the neural network is a data structure to increase the efficiency of operation while using the resources of the computing device to a minimum (e.g., B-Tree, Trie, m-way search tree, AVL tree, in nonlinear data structure, Red-Black Tree). The foregoing is only an example, and the present disclosure is not limited thereto.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.The data structure may include a hyper-parameter of a neural network. In addition, the data structure including the hyper parameter of the neural network may be stored in a computer-readable medium. The hyper parameter may be a variable that is variable by a user. Hyper parameters include, for example, learning rate, cost function, number of iterations of learning cycles, weight initialization (e.g., setting the range of weight values to be weighted to be initialized), Hidden Unit It may include the number (eg, the number of hidden layers, the number of nodes of the hidden layer). The above-described data structure is only an example, and the present disclosure is not limited thereto.

도 3 은 본 개시의 일 실시예에 따라 어노말리 감지 모델을 생성하는 과정을 나타낸 개략도이다. 3 is a schematic diagram illustrating a process of generating an anomaly detection model according to an embodiment of the present disclosure.

학습 데이터(321, 331, 341, 351)은 복수의 서브세트를 포함할 수 있다. 복수의 학습 데이터 서브세트는 사전 결정된 기준에 의하여 그룹화될 수 있다. 사전결정된 기준은 학습 데이터 서브세트에 포함된 학습 데이터를 다른 학습 데이터 서브세트에 포함된 학습 데이터와 구분할 수 있는 임의의 기준을 포함할 수 있다. 예를 들어, 사전결정된 기준은 학습 데이터의 생성 시간 구간, 학습 데이터의 도메인 중 적어도 하나를 포함할 수 있다. 본 개시의 다른 일 실시예에서, 학습 데이터의 생성 시간 구간으로 학습 데이터를 그룹화 하는 경우, 복수의 정상 패턴이 하나의 학습 데이터 서브세트에 포함될 수 있다. 예를 들어, 6개월 동안 생성된 학습 데이터를 하나의 서브세트로 구성하는 경우, 하나의 서브 세트에 2 이상의 레시피에 의하여 생성된 학습 데이터(즉, 복수의 정상 패턴)가 포함될 수 있다. 이 경우, 하나의 어노말리 감지 서브모델은 복수의 정상 패턴을 학습할 수도 있으며, 복수의 정상 패턴에 대한 어노말리 감지(예를 들어, 새로움(novelty) 감지)에 사용될 수도 있다. 또한, 본 개시의 또 다른 일 실시예에서 하나의 레시피에 의하여 생성된 학습 데이터 및 입력 데이터는 복수의 정상 패턴을 가질 수도 있다. 이 경우, 하나의 레시피에 의하여 생성된 학습 데이터는 하나의 레시피를 기준으로 하여 복수의 정상 패턴을 포함하는 하나의 학습 데이터 서브세트로 구성될 수도 있고, 각각의 정상 패턴별로 학습 데이터 서브세트를 구성할 수도 있다. 하나의 레시피에 의하여 생성된 학습 데이터 및 입력 데이터는 하나의 정상 패턴을 가지거나 복수의 정상 패턴을 가질 수 있다. 또한, 예를 들어, 사전학습된 어노말리 감지 서브모델에 의하여 새로운 패턴을 포함하는지 여부를 기준으로 학습 데이터의 서브세트가 그룹화 될 수도 있다. 예를 들어, 학습 데이터의 생성 시간 구간은 일정한 크기를 가지는 시간 구간일 수도 있고, 서로 상이한 크기를 가지는 시간 구간일 수도 있다. 예를 들어, 생산 공정에서 레시피의 변경이 6개월 주기로 발생하는 경우, 학습 데이터의 서브세트를 구분하는 학습 데이터의 생성 시간 구간은 6개월일 수 있다. 또한, 예를 들어, 시간 구간의 크기는 학습 데이터의 서브 세트에 포함된 학습 데이터의 수가 서로 유사하도록 설정될 수도 있다. 예를 들어, 생산 공정의 가동률이 50% 인 경우에 획득되는 학습 데이터의 수는 생산 공정의 가동률이 100% 인 경우에 획득되는 학습 데이터의 수의 절반일 수 있다. 이 경우, 생산 공정의 가동률이 100%인 공정에서 3개월동안 학습 데이터를 수집하여 하나의 학습 데이터 서브세트를 구성한 경우, 생산 공정의 가동률이 50%인 공정에서 6개월동안 학습 데이터를 수집하여 하나의 학습 데이터 서브세트를 구성할 수도 있다. 학습 데이터 서브세트를 구분하기 위한 생성 시간 구간은 관리자가 설정할 수도 있다. 또한, 어노말리 감지 서브모델의 학습에 이전 어노말리 감지 서브모델의 학습에 사용된 학습 데이터가 재사용되는 본 발명의 다른 일 실시예에서, 어노말리 감지 서브모델이 최신의 학습 데이터에 보다 알맞게(fitting) 학습되도록 하기 위하여, 학습 데이터 서브세트를 구분하기 위한 시간 구간의 크기는 최신의 학습 데이터 서브세트일수록 길어질 수 있다(즉, 최신의 학습 데이터의 수가 학습을 위한 학습 데이터 세트에 많이 포함되도록 할 수 있음). 예를 들어, 이전 서브모델을 학습시킨 학습 데이터 서브세트가 3개월동안 축적된 센서 데이터 인 경우, 현재 서브모델을 학습시키기 위한 학습 데이터 서브세트는 6개월동안 축적된 센서 데이터 일 수도 있다. 학습 데이터 서브세트를 분류하기 위한 생성 시간 구간의 크기는 일정할 수도 있고 상이할 수도 있고, 시간 구간의 크기가 상이하게 설정되는 경우라도 공정의 레시피가 변경되는 경우에는 레시피 변경 전 후에 축적되는 학습 데이터는 서로 상이한 학습 데이터 서브세트에 포함될 수도 있다. The training data 321, 331, 341, 351 may include a plurality of subsets. The plurality of subsets of training data may be grouped according to a predetermined criterion. The predetermined criterion may include any criterion capable of distinguishing training data included in the training data subset from training data included in other training data subsets. For example, the predetermined criterion may include at least one of a generation time interval of training data and a domain of training data. In another embodiment of the present disclosure, when training data is grouped by a generation time interval of training data, a plurality of normal patterns may be included in one subset of training data. For example, when the training data generated for 6 months is configured as one subset, training data (ie, a plurality of normal patterns) generated by two or more recipes may be included in one subset. In this case, one anomaly detection submodel may learn a plurality of normal patterns, and may be used for anomaly detection (eg, novelty detection) for a plurality of normal patterns. In addition, in another embodiment of the present disclosure, training data and input data generated by one recipe may have a plurality of normal patterns. In this case, the training data generated by one recipe may be composed of one subset of training data including a plurality of normal patterns based on one recipe, or a subset of training data for each normal pattern. You may. The training data and input data generated by one recipe may have one normal pattern or may have a plurality of normal patterns. Also, for example, a subset of the training data may be grouped based on whether a new pattern is included by the pre-learned anomaly detection sub-model. For example, the generation time interval of the training data may be a time interval having a constant size or may be a time interval having a different size from each other. For example, when a recipe change occurs every 6 months in a production process, a generation time interval of training data for classifying a subset of the training data may be 6 months. Also, for example, the size of the time interval may be set such that the number of training data included in the subset of training data is similar to each other. For example, the number of training data acquired when the production process operation rate is 50% may be half of the number of training data acquired when the production process operation rate is 100%. In this case, if one training data subset is formed by collecting learning data for 3 months in a process with a 100% utilization rate of the production process, one learning data is collected for 6 months in a process with a 50% utilization rate of the production process. It is also possible to construct a subset of the training data of. The generation time interval for classifying the training data subset may be set by the administrator. In addition, in another embodiment of the present invention in which the learning data used for learning of the previous anomaly detection submodel is reused for the learning of the anomaly detection submodel, the anomaly detection submodel is more suitable for the latest learning data. ) In order to be trained, the size of the time interval for separating the training data subset may become longer as the latest training data subset (that is, the number of the latest training data may be included in the training data set for training). has exist). For example, if the subset of training data from which the previous submodel is trained is sensor data accumulated for 3 months, the subset of training data for training the current submodel may be sensor data that is accumulated for 6 months. The size of the generation time interval for classifying the training data subset may be constant or different, and even when the size of the time interval is set differently, if the recipe of the process is changed, the learning data accumulated before and after the recipe change May be included in different subsets of training data.

도 3의 예시에서 학습 데이터 서브세트 1(351)은 가장 오래전에 생성된 학습 데이터 일 수 있다. 학습 데이터 서브세트 n(321)은 가장 최신에 생성된 학습 데이터 일 수 있다. 일 실시예에서 학습 데이터 서브세트는 공정의 레시피 변경에 대응하여 그룹화될 수 있다. In the example of FIG. 3, the training data subset 1 351 may be training data generated the oldest. The training data subset n 321 may be the latest generated training data. In an embodiment, a subset of training data may be grouped in response to a recipe change of a process.

컴퓨팅 장치(100)는 학습 데이터 서브세트 1(351)을 이용하여 어노말리 감지 서브모델 1(350)을 학습시킬 수 있다. 학습이 완료된 어노말리 감지 서브모델 1(350)은 어노말리 감지 모델(300)에 포함될 수 있다. 컴퓨팅 장치(100)는 다음 학습 데이터 서브세트를 이용하여 다음 어노말리 감지 서브모델을 학습시킬 수 있고, 이경우, 다음 어노말리 감지 서브모델에는 학습된 이전 어노말리 감지 서브모델의 적어도 일부가 전이(transfer)될 수 있다. 전술한 바와 같이, 예를 들어, 다음 어노말리 감지 서브모델은 학습이 된 이전 어노말리 감지 서브모델의 가중치 일부를 공유할 수 있다. 이러한 방식을 통해 본 개시의 일 실시예의 어노말리 감지 모델(300)은 계속 학습(continual learning)될 수 있다. The computing device 100 may train the anomaly detection sub-model 1 350 by using the training data subset 1 351. The learning-completed anomaly detection submodel 1 350 may be included in the anomaly detection model 300. The computing device 100 may train the next anomaly detection submodel by using the next subset of training data. In this case, at least a part of the learned previous anomaly detection submodel is transferred to the next anomaly detection submodel. ) Can be. As described above, for example, the next anomaly detection submodel may share a part of the weight of the trained previous anomaly detection submodel. Through this method, the anomaly detection model 300 according to an embodiment of the present disclosure may be continuously learned.

컴퓨팅 장치(100)는 학습 데이터 서브세트 n-2(341)를 이용하여 어노말리 감지 서브모델 n-2(340)를 학습시킬 수 있다. 이 경우 컴퓨팅 장치(100)는 어노말리 감지 서브모델 n-3(미도시, 어노말리 감지 서브모델 n-2(340)의 이전 어노말리 감지 서브모델)의 일부가 전이(343)될 수 있다. 학습이 완료된 어노말리 감지 서브모델 n-2(340)는 어노말리 감지 모델(300)에 포함될 수 있다. 컴퓨팅 장치(100)는 학습이 완료된 어노말리 감지 서브모델 n-2(340)를 다른 어노말리 감지 서브모델과 구분하여 저장할 수 있다. The computing device 100 may train the anomaly detection submodel n-2 340 using the training data subset n-2 341. In this case, a part of the anomaly detection submodel n-3 (not shown, a previous anomaly detection submodel of the anomaly detection submodel n-2 340) may be transferred 343 in the computing device 100. The anomaly detection sub-model n-2 340 in which the learning has been completed may be included in the anomaly detection model 300. The computing device 100 may separate and store the learned anomaly detection submodel n-2 340 from other anomaly detection submodels.

컴퓨팅 장치(100)는 학습 데이터 서브세트 n-1(331)을 이용하여 어노말리 감지 서브모델 n-1(330)을 학습시킬 수 있다. 학습 데이터 서브세트 n-1(331)은 학습 데이터 서브세트 n-2(341)가 생성된 시간 구간 보다 이후의 시간 구간에 생성된 학습 데이터를 포함할 수 있다. 어노말리 감지 서브모델 n-1(330)은 어노말리 감지 서브모델 n-2(340)보다 이후에 생성되는 서브모델일 수 있다. 컴퓨팅 장치(100)는 어노말리 감지 서브모델 n-2(340)의 학습된 상태 일부를 어노말리 감지 서브모델 n-1(330)의 학습에 이용할 수 있다. 컴퓨팅 장치(100)는 어노말리 감지 서브모델 n-1(330)의 초기 가중치의 적어도 일부를 학습된 어노말리 감지 서브모델 n-2(340)의 가중치로 설정할 수 있다. 학습이 완료된 어노말리 감지 서브모델 n-1(330)은 어노말리 감지 모델(300)에 포함될 수 있다. 컴퓨팅 장치(100)는 학습이 완료된 어노말리 감지 서브모델 n-1(330)을 다른 어노말리 감지 서브모델과 구분하여 저장할 수 있다. The computing device 100 may train the anomaly detection submodel n-1 330 using the training data subset n-1 331. The training data subset n-1 331 may include training data generated in a time period later than the time period in which the training data subset n-2 341 is generated. The anomaly detection submodel n-1 330 may be a submodel generated after the anomaly detection submodel n-2 340. The computing device 100 may use a part of the learned state of the anomaly detection submodel n-2 340 to learn the anomaly detection submodel n-1 330. The computing device 100 may set at least a part of the initial weight of the anomaly detection submodel n-1 330 as the weight of the learned anomaly detection submodel n-2 340. The anomaly detection sub-model n-1 330 in which the training has been completed may be included in the anomaly detection model 300. The computing device 100 may separate and store the learned anomaly detection submodel n-1 330 from other anomaly detection submodels.

컴퓨팅 장치(100)는 학습 데이터 서브세트 n(321)을 이용하여 어노말리 감지 서브모델 n(320)을 학습시킬 수 있다. 학습 데이터 서브세트 n(321)은 학습 데이터 서브세트 n-1(331)가 생성된 시간 구간 보다 이후의 시간 구간에 생성된 학습 데이터를 포함할 수 있다. 어노말리 감지 서브모델 n(320)은 어노말리 감지 서브모델 n-1(330)보다 이후에 생성되는 서브모델일 수 있다. 컴퓨팅 장치(100)는 어노말리 감지 서브모델 n-1(330)의 학습된 상태 일부를 어노말리 감지 서브모델 n(320)의 학습에 이용할 수 있다. 컴퓨팅 장치(100)는 어노말리 감지 서브모델 n(320)의 초기 가중치의 적어도 일부를 학습된 어노말리 감지 서브모델 n-1(330)의 가중치로 설정할 수 있다. 학습이 완료된 어노말리 감지 서브모델 n(320)은 어노말리 감지 모델(300)에 포함될 수 있다. 컴퓨팅 장치(100)는 학습이 완료된 어노말리 감지 서브모델 n(320)을 다른 어노말리 감지 서브모델과 구분하여 저장할 수 있다.The computing device 100 may train the anomaly detection sub-model n 320 using the training data subset n 321. The training data subset n 321 may include training data generated in a time period later than the time period in which the training data subset n-1 331 is generated. The anomaly detection submodel n (320) may be a submodel generated after the anomaly detection submodel n-1 (330). The computing device 100 may use a part of the learned state of the anomaly detection submodel n-1 330 to learn the anomaly detection submodel n320. The computing device 100 may set at least a part of the initial weight of the anomaly detection submodel n (320) as the weight of the learned anomaly detection submodel n-1 (330). The anomaly detection sub-model n 320 on which the training has been completed may be included in the anomaly detection model 300. The computing device 100 may separate and store the learned anomaly detection submodel n (320) from other anomaly detection submodels.

컴퓨팅 장치(100)는 복수의 학습 데이터 서브세트 각각을 이용하여 각각의 어노말리 감지 서브모델을 학습시켜 어노말리 감지 모델(300)을 생성함으로써, 어노말리 감지 모델(300)이 상이한 종류의 입력 데이터를 처리하도록 할 수 있다. 또한, 컴퓨팅 장치(100)는 각각의 어노말리 감지 서브모델의 학습 시, 학습이 완료된 이전 어노말리 감지 서브모델을 활용함으로써, 학습이 완료된 서브 모델의 지식이 서브모델의 업데이트에 의하여 망각되지 않도록 할 수 있다. 공정이 변화하는 경우, 이에 대응하여 획득되는 입력 데이터는 변화할 수 있다. 그러나, 공정 변화 전 후의 입력 데이터는 많은 부분을 공유할 수도 있다. 따라서, 공정 변화 등 입력 데이터의 변화에 따라 어노말리 감지 서브모델을 각각 생성함으로써, 입력 데이터 변화에 무관하게 입력 데이터의 처리가 가능하며, 어노말리 감지 서브모델 간에 학습된 지식이 다음 서브 모델로 전달되록 하여 망각에 의한 성능 하락의 문제를 해결할 수 있다. The computing device 100 generates an anomaly detection model 300 by learning each anomaly detection sub-model using each of a plurality of subsets of training data, so that the anomaly detection model 300 is input data of different types. Can be done. In addition, when learning each anomaly detection submodel, the computing device 100 utilizes the previously learned anomaly detection submodel so that the knowledge of the learning completed submodel is not forgotten by the update of the submodel. I can. When a process changes, input data obtained in response thereto may change. However, the input data before and after the process change may share a large part. Therefore, by generating each anomaly detection sub-model according to the change of input data such as process change, it is possible to process the input data regardless of the change of the input data, and the knowledge learned between the anomaly detection sub-models is transferred to the next sub-model By doing so, the problem of performance degradation due to forgetting can be solved.

도 4는 본 개시의 일 실시예에 따라 어노말리 감지 모델을 이용한 데이터의 어노말리 감지 과정을 나타낸 개략도이다.4 is a schematic diagram illustrating an anomaly detection process of data using an anomaly detection model according to an embodiment of the present disclosure.

컴퓨팅 장치(100)는 어노말리 감지 모델(300)을 이용하여 입력 데이터(310)에 어노말리가 존재하는지 여부를 판단할 수 있다. 어노말리 감지 모델(300)은 복수의 어노말리 감지 서브모델들(320, 330, 340, 350)을 포함할 수 있다. 전술한 바와 같이 어노말리 감지 서브모델들(320, 330, 340, 350)은 그룹화된 학습 데이터 각각에 대응하여 학습되었으며, 이전 서브 모델에서 학습된 지식을 공유할 수 있다. The computing device 100 may determine whether an anomaly exists in the input data 310 using the anomaly detection model 300. The anomaly detection model 300 may include a plurality of anomaly detection submodels 320, 330, 340, and 350. As described above, the anomaly sensing sub-models 320, 330, 340, and 350 are trained corresponding to each of the grouped training data, and can share knowledge learned in the previous sub-model.

컴퓨팅 장치(100)는 공정에서 생성될 수 있는 입력 데이터(310)를 공정이 계속되는 중에 처리할 수 있다. 컴퓨팅 장치(100)는 입력 데이터(310)에 어노말리가 존재하는지 여부를 어노말리 감지 모델(300)에 포함된 복수의 어노말리 감지 서브모델들(320, 330, 340, 350)중 적어도 일부를 이용하여 판단할 수 있다. 컴퓨팅 장치(100)는 입력 데이터(310)에 어노말리가 존재하는지 여부를 먼저 최신의 어노말리 감지 서브모델인 어노말리 감지 서브모델 n(320)을 이용하여 판단할 수 있다. 컴퓨팅 장치(100)가 어노말리 감지 서브모델 n(320)을 이용한 판단 결과, 입력 데이터(310)에 새로운 패턴이 존재하지 않는 것으로 판단된 경우, 컴퓨팅 장치(100)는 입력 데이터(310)가 정상 데이터라고 판단(325)할 수 있다. 컴퓨팅 장치(100)가 어노말리 감지 서브모델 n(320)을 이용한 판단 결과, 입력 데이터(310)에 새로운 패턴이 존재(327)하는 것으로 판단된 경우, 이러한 새로운 패턴은 어노말리 일 수도 있고, 어노말리 감지 서브모델 n(320)이 학습하지 않은 과거 공정의 정상 패턴일 수도 있다. 또한, 이러한 새로운 패턴은 이전 어노말리 감지 서브모델에서 학습된 지식의 전달이 부족한 부분일 수도 있다. 따라서, 이 경우, 컴퓨팅 장치(100)는 어노말리 감지 서브모델 n(320)을 이용한 입력 데이터의 새로운 패턴의 포함 여부에 대한 판단 결과, 입력 데이터에 새로운 패턴이 포함된 것으로 판단된 경우, 어노말리 감지 서브모델 n-1(330)을 이용하여 입력 데이터에 새로운 패턴이 포함되었는지 여부를 판단할 수 있다. The computing device 100 may process the input data 310 that may be generated in the process while the process continues. The computing device 100 determines whether or not an anomaly exists in the input data 310 by selecting at least some of the plurality of anomaly detection submodels 320, 330, 340, and 350 included in the anomaly detection model 300. Can be used to judge. The computing device 100 may first determine whether an anomaly exists in the input data 310 using an anomaly detection submodel n (320), which is the latest anomaly detection submodel. When the computing device 100 determines that a new pattern does not exist in the input data 310 as a result of the determination using the anomaly detection submodel n 320, the input data 310 is normal. It can be determined that it is data (325). When the computing device 100 determines that a new pattern exists (327) in the input data 310 as a result of determination using the anomaly detection submodel n (320), this new pattern may be an anomaly or an anodic pattern. Mali detection sub-model n (320) may be a normal pattern of a past process that has not been learned. In addition, this new pattern may be a part of insufficient transfer of knowledge learned in the previous anomaly detection sub-model. Therefore, in this case, the computing device 100 determines whether the new pattern is included in the input data using the anomaly detection submodel n (320), and when it is determined that the new pattern is included in the input data, the anomaly It may be determined whether a new pattern is included in the input data by using the sensing submodel n-1 330.

컴퓨팅 장치(100)가 어노말리 감지 서브모델 n-1(330)을 이용한 입력 데이터(310)에 새로운 패턴이 포함되는지 여부에 대한 판단 결과 입력 데이터(310)에 새로운 패턴(즉, 학습 데이터 서브세트 n-1(331)에 포함되지 않은 패턴)이 포함되지 않은 것으로 판단되는 경우, 컴퓨팅 장치(100)는 입력 데이터(310)를 정상 데이터로 판단(335)할 수 있다. 즉, 입력 데이터(310)는 어노말리 감지 서브모델 n(320)에서는 새로운 패턴으로 포함한 것으로 판단되었으나, 어노말리 감지 서브모델 n-1(330)에서는 기 학습된 패턴만을 포함한 것으로 판단될 수 있다. 이러한 경우 입력 데이터(310)는 이전 레시피에 의한 생산 공정에서 획득된 입력 데이터 일 수 있다. 즉, 이 경우의 입력 데이터(310)는 과거 공정의 정상 제품에 관한 이미지, 과거 공정의 정상 동작 파라미터에 관한 데이터, 과거 공정의 센서 데이터일 수 있으며, 최신의 어노말리 감지 서브모델에서는 새로운 패턴을 포함하는 것으로 판단되었으므로 과거 공정은 최신 공정과는 상이할 수 있다. As a result of the computing device 100 determining whether a new pattern is included in the input data 310 using the anomaly detection submodel n-1 330, a new pattern (that is, a subset of training data) is added to the input data 310. When it is determined that the pattern not included in n-1 (331) is not included, the computing device 100 may determine (335) the input data 310 as normal data. That is, the input data 310 may be determined to be included as a new pattern in the anomaly detection submodel n (320), but may be determined to include only the previously learned pattern in the anomaly detection submodel n-1 (330). In this case, the input data 310 may be input data obtained in a production process according to a previous recipe. That is, the input data 310 in this case may be an image of a normal product of a past process, data about a normal operation parameter of a past process, and sensor data of a past process. Since it was determined to be included, the past process may be different from the latest process.

컴퓨팅 장치(100)가 어노말리 감지 서브모델 n-1(330)을 이용한 입력 데이터(310)에 새로운 패턴이 포함되었는지 여부를 판단한 결과 입력 데이터(310)에 새로운 패턴이 포함된 것으로 판단(337)되는 경우, 컴퓨팅 장치(100)는 어노말리 감지 서브모델 n-2(340)를 이용하여 입력 데이터(310)에 새로운 패턴이 포함되는지 여부를 판단할 수 있다. As a result of the computing device 100 determining whether a new pattern is included in the input data 310 using the anomaly detection submodel n-1 330, it is determined that the new pattern is included in the input data 310 (337). If so, the computing device 100 may determine whether a new pattern is included in the input data 310 using the anomaly detection submodel n-2 340.

컴퓨팅 장치(100)가 어노말리 감지 서브모델 n-2(340)을 이용한 입력 데이터(310)의 새로운 패턴의 포함 여부에 대한 판단 결과 입력 데이터(310)에 새로운 패턴(즉, 학습 데이터 서브세트 n-2(341)에 포함되지 않은 패턴)이 포함되지 않은 것으로 판단된 경우, 컴퓨팅 장치(100)는 입력 데이터(310)를 정상 데이터로 판단(345)할 수 있다. 즉, 입력 데이터(310)는 어노말리 감지 서브모델 n(320) 및 어노말리 감지 서브모델 n-1(330)에서는 새로운 패턴으로 포함한 것으로 판단되었으나, 어노말리 감지 서브모델 n-2(340)에서는 기 학습된 패턴만을 포함한 것으로 판단될 수 있다. 이러한 경우 입력 데이터(310)는 과거 레시피에 의한 생산 공정에서 획득된 입력 데이터 일 수 있다. 즉, 이 경우의 입력 데이터(310)는 과거 공정에서 획득되는 센서 데이터일 수 있으며, 최신의 어노말리 감지 서브모델에서는 새로운 패턴을 포함하는 것으로 판단되었으므로 과거 공정은 최신 공정과는 상이할 수 있다. The computing device 100 determines whether the input data 310 using the anomaly detection submodel n-2 340 includes a new pattern, and a new pattern (ie, training data subset n) is added to the input data 310. If it is determined that the pattern not included in -2 (341) is not included, the computing device 100 may determine (345) the input data 310 as normal data. That is, the input data 310 was determined to be included as a new pattern in the anomaly detection submodel n (320) and the anomaly detection submodel n-1 (330), but in the anomaly detection submodel n-2 (340) It can be determined that only the previously learned pattern is included. In this case, the input data 310 may be input data obtained in a production process based on a past recipe. That is, the input data 310 in this case may be sensor data acquired in a past process, and since it is determined that the latest anomaly detection submodel includes a new pattern, the past process may be different from the latest process.

컴퓨팅 장치(100)가 어노말리 감지 서브모델 n-2(340)을 이용한 입력 데이터(310)에 새로운 패턴이 포함되었는지 여부를 판단한 결과 입력 데이터(310)에 새로운 패턴이 포함된 것으로 판단(347)되는 경우, 컴퓨팅 장치(100)는 어노말리 감지 서브모델 n-2(340)의 이전 어노말리 감지 서브모델(미도시)을 이용하여 입력 데이터(310)에 새로운 패턴이 포함되는지 여부를 판단할 수 있다. 이러한 방식으로 컴퓨팅 장치(100)는 입력 데이터에 새로운 패턴이 포함된 것으로 판단되는 경우, 이전 어노말리 감지 서브모델을 이용하여 입력 데이터에 새로운 패턴이 포함되었는지 여부를 판단할 수 있으며, 입력 데이터가 정상으로 판단되는 경우 이전 어노말리 감지 서브모델의 호출을 중단하고 입력 데이터를 정상으로 판단할 수 있다. 본 개시의 다른 일 실시예에서, 입력 데이터가 정상으로 판단되는 경우에도 이전 어노말리 감지 서브모델의 호출을 수행할 수 있으며, 입력 데이터가 복수의 어노말리 감지 서브모델에서 정상으로 판단되는 경우에 기초하여 복수의 어노말리 감지 서브모델을 통합할 수도 있다. 또한 컴퓨팅 장치(100)는 모든 어노말리 감지 서브모델을 이용한 판단에서 입력 데이터가 새로운 패턴으로 포함한 것으로 판단되는 경우, 입력 데이터(310)가 어노말리를 포함한 것으로 판단할 수 있다. The computing device 100 determines whether a new pattern is included in the input data 310 using the anomaly detection submodel n-2 340, and as a result, it is determined that the new pattern is included in the input data 310 (347). If so, the computing device 100 may determine whether a new pattern is included in the input data 310 using the previous anomaly detection submodel (not shown) of the anomaly detection submodel n-2 340. have. In this way, when it is determined that the new pattern is included in the input data, the computing device 100 can determine whether the new pattern is included in the input data using the previous anomaly detection submodel, and the input data is normal. If it is determined to be, it is possible to stop calling the previous anomaly detection submodel and determine the input data as normal. In another embodiment of the present disclosure, even when the input data is determined to be normal, the previous anomaly detection submodel may be called, based on a case where the input data is determined to be normal in a plurality of anomaly detection submodels. Thus, it is also possible to integrate a plurality of anomaly detection sub-models. In addition, when it is determined that the input data is included as a new pattern in the determination using all the anomaly detection submodels, the computing device 100 may determine that the input data 310 includes anomalies.

본 개시의 일 실시예에서 전술한 바와 같은 서브 모델의 축척 및 어노말리의 판단 방식을 이용하여 컴퓨팅 장치(100)는 과거 모든 학습 데이터를 유지할 필요 없이, 이전 서브모델에 대한 접근 만으로 계속 학습의 효과를 누릴 수 있다. 즉, 모델의 업데이트시 이전의 모든 학습 데이터를 통해 재학습 시킬 필요 없이, 모델 업데이트시 기존 모델을 유지하고, 기존 모델의 일부를 상속받은 새로운 모델을 새로운 학습 데이터로 학습시킴으로써, 입력 데이터 변화에 따른 모델 업데이트를 수행할 수 있다. 또한, 모델 업데이트시 업데이트 전, 후 모델을 모두 보유함으로써, 모든 학습 데이터를 유지할 필요 없이 모든 모델을 통해 입력 데이터를 처리할 수 있으므로, 입력 데이터 변화에 다른 성능 하락 문제를 해결할 수 있다. In an embodiment of the present disclosure, the computing device 100 does not need to maintain all the past training data by using the method of determining the scale of the sub-model and the anomaly as described above, and the effect of continuous learning only by accessing the previous sub-model. You can enjoy. In other words, when the model is updated, it is not necessary to retrain through all the previous training data, and when the model is updated, the existing model is maintained and a new model inherited from a part of the existing model is trained as new training data. Model updates can be performed. In addition, by retaining both the models before and after the update when the model is updated, the input data can be processed through all models without the need to maintain all the training data, thereby solving other problems of performance degradation due to changes in the input data.

도 5는 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법의 예시적인 순서도를 도시한다.5 is an exemplary flowchart of a method for detecting anomaly of data according to an embodiment of the present disclosure.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성할 수 있다(410).According to an embodiment of the present disclosure, the computing device 100 includes a plurality of anomaly detection submodels including a network function pre-trained using a plurality of training data subsets included in the training data set. A sensing model may be generated (410).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정할 수 있다(420).According to an embodiment of the present disclosure, the computing device 100 may determine one or more anomaly detection submodels for calculating input data from among a plurality of generated anomaly detection submodels (420).

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 결정된 하나 이상의 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있다(430).According to an embodiment of the present disclosure, the computing device 100 may determine whether an anomaly exists in input data by using one or more determined anomaly detection submodels (430 ).

전술한 도 5의 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다. The order of the steps illustrated in FIG. 5 may be changed as necessary, and at least one or more steps may be omitted or added. That is, the above-described steps are only examples of the present disclosure, and the scope of the rights of the present disclosure is not limited thereto.

도 6은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법을 구현하기 위한 로직을 도시한다.6 illustrates logic for implementing a method of detecting anomaly of data according to an embodiment of the present disclosure.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 다음과 같은 로직에 의해 구현될 수 있다. According to an embodiment of the present disclosure, the computing device 100 may be implemented by the following logic.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성하기 위한 로직(510), 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하기 위한 로직(520) 및 결정된 하나 이상의 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 로직(530)을 포함할 수 있다. According to an embodiment of the present disclosure, the computing device 100 includes a plurality of anomaly detection submodels including a network function pre-trained using a plurality of training data subsets included in the training data set. A logic 510 for generating a sensing model, a logic 520 for determining one or more anomaly sensing submodels for calculating input data among a plurality of generated anomaly sensing submodels, and the determined one or more anomaly sensing submodels A logic 530 for determining whether an anomaly exists in the input data using the model may be included.

대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하기 위한 로직은, 복수의 어노말리 감지 서브모델에 대한 다른 입력 데이터의 처리 경향성, 입력 데이터의 컨텍스트 정보, 또는 입력 데이터의 클러스터 정보 중 적어도 하나에 기초하여 상기 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하기 위한 로직을 포함할 수 있다. In an alternative embodiment, the logic for determining one or more anomaly detection submodels for calculating input data among the generated plurality of anomaly detection submodels is A logic for determining one or more anomaly sensing submodels for calculating the input data based on at least one of processing tendency, context information of input data, or cluster information of input data.

대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하기 위한 로직은, 상기 입력 데이터와 사전결정된 관계를 가지는 다른 입력 데이터를 연산한 어노말리 감지 서브모델을 상기 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정하기 위한 로직을 포함할 수 있다. In an alternative embodiment, the logic for determining one or more anomaly detection submodels for calculating input data among the generated plurality of anomaly detection submodels includes other input data having a predetermined relationship with the input data. A logic for determining the calculated anomaly detection submodel as an anomaly detection submodel for calculating the input data may be included.

대안적인 실시예에서, 상기 입력 데이터와 사전결정된 관계를 가지는 다른 입력 데이터를 연산한 어노말리 감지 서브모델을 상기 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정하기 위한 로직은, 상기 입력 데이터와 사전결정된 관계를 가지는 다른 입력 데이터를 정상 데이터로 판단한 어노말리 감지 서브모델을 상기 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정하기 위한 로직을 포함할 수 있다.In an alternative embodiment, the logic for determining an anomaly detection submodel obtained by calculating other input data having a predetermined relationship with the input data as an anomaly detection submodel for calculating the input data comprises: the input data and A logic for determining an anomaly sensing sub-model in which other input data having a predetermined relationship is determined as normal data is an anomaly sensing sub-model for calculating the input data.

대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하기 위한 로직은, 상기 입력 데이터의 컨텍스트 정보에 기초하여, 상기 컨텍스트 정보와 매칭되는 어노말리 감지 서브모델을 상기 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델로 결정하기 위한 로직을 포함 할 수 있다.In an alternative embodiment, the logic for determining one or more anomaly detection submodels for calculating input data among the generated plurality of anomaly detection submodels, based on the context information of the input data, the context information It may include logic for determining an anomaly detection submodel matching with as one or more anomaly detection submodels for calculating the input data.

대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 입력 데이터를 연산하기 위한 하나 이상의 어노말리 감지 서브모델을 결정하기 위한 로직은, 하나 이상의 다른 입력 데이터를 유사도에 기초하여 클러스터링 하기 위한 로직; 및 상기 입력 데이터가 속하는 클러스터에 포함된 다른 입력 데이터를 연산한 어노말리 감지 서브모델을 상기 입력 데이터를 연산하기 위한 어노말리 감지 서브모델로 결정하기 위한 로직을 포함할 수 있다.In an alternative embodiment, the logic for determining at least one anomaly detection submodel for calculating input data among the generated plurality of anomaly detection submodels is for clustering at least one other input data based on similarity. Logic; And logic for determining an anomaly detection submodel obtained by calculating other input data included in the cluster to which the input data belongs as an anomaly detection submodel for calculating the input data.

대안적인 실시예에서, 상기 복수의 어노말리 감지 서브모델을 클러스터링 하기 위한 로직; 및 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성하기 위한 로직을 더 포함할 수 있다.In an alternative embodiment, logic for clustering the plurality of anomaly sensing submodels; And logic for generating an integrated anomaly detection submodel by integrating one or more anomaly detection submodels included in one cluster.

대안적인 실시예에서, 상기 복수의 어노말리 감지 서브모델을 클러스터링 하기 위한 로직은, 어노말리 감지 서브모델 각각에 매칭된 컨텍스트 정보, 또는 어노말리 감지 서브모델 각각의 입력 데이터 처리 특성 중 적어도 하나에 기초하여 복수의 어노말리 감지 서브모델에 포함된 하나 이상의 어노말리 감지 서브모델을 클러스터링 하기 위한 로직을 포함 할 수 있다.In an alternative embodiment, the logic for clustering the plurality of anomaly detection submodels is based on at least one of context information matched to each of the anomaly detection submodels, or input data processing characteristics of each of the anomaly detection submodels. Thus, a logic for clustering one or more anomaly detection submodels included in the plurality of anomaly detection submodels may be included.

대안적인 실시예에서, 상기 복수의 어노말리 감지 서브모델을 클러스터링 하기 위한 로직은, 상기 어노말리 감지 서브모델 각각의 입력 데이터에 대한 판단 결과에 기초하여 상기 어노말리 감지 서브모델을 클러스터링 하기 위한 로직을 포함할 수 있다.In an alternative embodiment, the logic for clustering the plurality of anomaly detection submodels includes logic for clustering the anomaly detection submodels based on a determination result of input data of each of the anomaly detection submodels. Can include.

대안적인 실시예에서, 상기 어노말리 감지 서브모델 각각의 입력 데이터에 대한 판단 결과에 기초하여 상기 어노말리 감지 서브모델을 클러스터링 하기 위한 로직은, 입력 데이터를 정상 데이터로 판단한 어노말리 감지 서브모델과 다른 입력 데이터를 정상 데이터로 판단한 다른 어노말리 감지 서브모델을, 상기 입력 데이터와 상기 다른 입력 데이터가 연관된 경우, 하나의 클러스터로 클러스터링 하기 위한 로직을 포함할 수 있다.In an alternative embodiment, the logic for clustering the anomaly detection submodel based on the determination result of the input data of each of the anomaly detection submodels is different from the anomaly detection submodel that determines the input data as normal data. A logic for clustering another anomaly detection sub-model that determines the input data as normal data into one cluster when the input data and the other input data are associated may be included.

대안적인 실시예에서, 상기 어노말리 감지 서브모델 각각의 입력 데이터에 대한 판단 결과에 기초하여 상기 어노말리 감지 서브모델을 클러스터링 하기 위한 로직은, 상기 입력 데이터를 정상 데이터로 판단하는 하나 이상의 어노말리 감지 서브모델을 하나의 클러스터로 분류하기 위한 로직을 포함할 수 있다.In an alternative embodiment, the logic for clustering the anomaly detection sub-models based on a determination result of the input data of each of the anomaly detection sub-models includes at least one anomaly detection for determining the input data as normal data. It may include logic for classifying submodels into one cluster.

대안적인 실시예에서, 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성하기 위한 로직은, 상기 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 앙상블함으로써 통합된 어노말리 감지 서브모델을 생성하기 위한 로직을 포함할 수 있다.In an alternative embodiment, the logic for generating an integrated anomaly detection submodel by integrating one or more anomaly detection submodels included in one cluster includes at least one anomaly detection submodel included in the one cluster. It is possible to include logic for generating an integrated anomaly sensing submodel by ensemble.

대안적인 실시예에서, 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성하기 위한 로직은, 상기 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델 중 적어도 일부를 제거하여 통합된 어노말리 감지 서브모델을 생성하기 위한 로직을 포함할 수 있다.In an alternative embodiment, the logic for generating an integrated anomaly detection submodel by integrating one or more anomaly detection submodels included in one cluster includes at least one anomaly detection submodel included in the one cluster. It may include logic for generating an integrated anomaly sensing submodel by removing at least some of them.

대안적인 실시예에서, 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성하기 위한 로직은, 상기 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델에 대한 성능 테스트에 기초하여 통합된 어노말리 감지 서브모델을 생성하기 위한 로직을 포함할 수 있다.In an alternative embodiment, the logic for generating an integrated anomaly detection submodel by integrating one or more anomaly detection submodels included in one cluster includes at least one anomaly detection submodel included in the one cluster. It may include logic for generating an integrated anomaly sensing submodel based on the performance test for.

대안적인 실시예에서, 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 통합하여 통합된 어노말리 감지 서브모델을 생성하기 위한 로직은, 상기 하나의 클러스터에 포함된 하나 이상의 어노말리 감지 서브모델을 재학습 시킴으로써 통합된 어노말리 감지 서브모델을 생성하기 위한 로직을 포함할 수 있다.In an alternative embodiment, the logic for generating an integrated anomaly detection submodel by integrating one or more anomaly detection submodels included in one cluster includes at least one anomaly detection submodel included in the one cluster. It can include logic to generate an integrated anomaly sensing sub-model by retraining.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치()를 구현하기 위한 로직은 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 모듈에 의하여 구현될 수도 있다.According to an embodiment of the present disclosure, the logic for implementing the computing device () may be implemented by means, circuits, or modules for implementing the computing device.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.Those of skill in the art would further describe the various illustrative logical blocks, configurations, modules, circuits, means, logics, and algorithm steps described in connection with the embodiments disclosed herein, including electronic hardware, computer software, or a combination of both. It should be recognized that it can be implemented as To clearly illustrate the interchangeability of hardware and software, various illustrative components, blocks, configurations, means, logics, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented in hardware or as software depends on the specific application and design limitations imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.

도 7은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.7 shows a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것을 잘 알 것이다.While the present disclosure has generally been described above with respect to computer-executable instructions that can be executed on one or more computers, those skilled in the art will appreciate that the present disclosure may be implemented in combination with other program modules and/or as a combination of hardware and software. will be.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.Generally, program modules include routines, procedures, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types. In addition, to those skilled in the art, the method of the present disclosure is not limited to single-processor or multiprocessor computer systems, minicomputers, mainframe computers, as well as personal computers, handheld computing devices, microprocessor-based or programmable household appliances, etc. (each of which is It will be appreciated that other computer system configurations may be implemented, including one that may operate in connection with one or more associated devices.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.The described embodiments of the present disclosure may also be practiced in a distributed computing environment where certain tasks are performed by remote processing devices that are connected through a communication network. In a distributed computing environment, program modules may be located in both local and remote memory storage devices.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 이러한 컴퓨터 판독가능 저장 매체는 휘발성 및 비휘발성 매체, 이동식 및 비-이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.Computers typically include a variety of computer-readable media. Any medium accessible by the computer may be a computer-readable medium, and the computer-readable medium may include a computer-readable storage medium and a computer-readable transmission medium. Such computer-readable storage media include volatile and nonvolatile media, removable and non-removable media. Computer-readable storage media includes volatile and nonvolatile media, removable and non-removable media implemented in any method or technology for storing information such as computer readable instructions, data structures, program modules or other data. Computer-readable storage media include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage, magnetic cassette, magnetic tape, magnetic disk storage, or other magnetic storage. Devices, or any other medium that can be accessed by a computer and used to store desired information.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하는 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.Computer-readable transmission media typically implement computer-readable instructions, data structures, program modules or other data in a modulated data signal such as a carrier wave or other transport mechanism. Includes information delivery media. The term modulated data signal refers to a signal in which one or more of the characteristics of the signal is set or changed so as to encode information in the signal. By way of example and not limitation, computer-readable transmission media include wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above-described media are also intended to be included within the scope of computer-readable transmission media.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.An exemplary environment 1100 is shown that implements various aspects of the present disclosure, including a computer 1102, which includes a processing device 1104, a system memory 1106, and a system bus 1108. do. System bus 1108 couples system components, including but not limited to, system memory 1106 to processing device 1104. The processing unit 1104 may be any of a variety of commercially available processors. Dual processors and other multiprocessor architectures may also be used as processing unit 1104.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.The system bus 1108 may be any of several types of bus structures that may be additionally interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures. System memory 1106 includes read-only memory (ROM) 1110 and random access memory (RAM) 1112. The basic input/output system (BIOS) is stored in non-volatile memory 1110 such as ROM, EPROM, EEPROM, etc. This BIOS is a basic input/output system that helps transfer information between components within the computer 1102, such as during startup. Includes routines. RAM 1112 may also include high speed RAM such as static RAM for caching data.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)

이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음

, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.Computer 1102 also includes an internal hard disk drive (HDD) 1114 (e.g., EIDE, SATA)

This internal hard disk drive 1114 can also be configured for external use within a suitable chassis (not shown).

, A magnetic floppy disk drive (FDD) 1116 (e.g., for reading from or writing to a removable diskette 1118), and an optical disk drive 1120 (e.g., a CD-ROM disk ( 1122) or for reading from or writing to other high-capacity optical media such as DVDs). The hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are each connected to the system bus 1108 by a hard disk drive interface 1124, a magnetic disk drive interface 1126, and an optical drive interface 1128. ) Can be connected. The interface 1124 for implementing an external drive includes at least one or both of Universal Serial Bus (USB) and IEEE 1394 interface technologies.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.These drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like. In the case of computer 1102, drives and media correspond to storing any data in a suitable digital format. Although the description of the computer-readable medium above refers to a removable optical medium such as a HDD, a removable magnetic disk, and a CD or DVD, those skilled in the art may use a zip drive, a magnetic cassette, a flash memory card, a cartridge, etc. It will be appreciated that other types of computer-readable media, such as the ones, may also be used in the exemplary operating environment and that any such media may contain computer-executable instructions for performing the methods of the present disclosure.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.A number of program modules, including the operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136, may be stored in the drive and RAM 1112. All or part of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented on several commercially available operating systems or combinations of operating systems.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.A user may input commands and information into the computer 1102 through one or more wired/wireless input devices, for example, a pointing device such as a keyboard 1138 and a mouse 1140. Other input devices (not shown) may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, and the like. These and other input devices are often connected to the processing unit 1104 through the input device interface 1142, which is connected to the system bus 1108, but the parallel port, IEEE 1394 serial port, game port, USB port, IR interface, It can be connected by other interfaces such as etc.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.A monitor 1144 or other type of display device is also connected to the system bus 1108 through an interface such as a video adapter 1146. In addition to the monitor 1144, the computer generally includes other peripheral output devices (not shown) such as speakers, printers, and the like.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148, via wired and/or wireless communication. The remote computer(s) 1148 may be a workstation, server computer, router, personal computer, portable computer, microprocessor-based entertainment device, peer device, or other common network node, and is generally referred to as computer 1102. Although including many or all of the described components, only memory storage device 1150 is shown for simplicity. The logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or to a larger network, eg, a wide area network (WAN) 1154. Such LAN and WAN networking environments are common in offices and companies, and facilitate enterprise-wide computer networks such as intranets, all of which can be connected to worldwide computer networks, for example the Internet.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.When used in a LAN networking environment, the computer 1102 is connected to the local network 1152 via a wired and/or wireless communication network interface or adapter 1156. Adapter 1156 may facilitate wired or wireless communication to LAN 1152, which also includes a wireless access point installed therein to communicate with wireless adapter 1156. When used in a WAN networking environment, the computer 1102 may include a modem 1158, connected to a communication server on the WAN 1154, or other Have means. The modem 1158, which may be an internal or external and a wired or wireless device, is connected to the system bus 1108 through a serial port interface 1142. In a networked environment, program modules described for the computer 1102 or portions thereof may be stored in the remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing communication links between computers may be used.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.Computer 1102 is associated with any wireless device or entity deployed and operated in wireless communication, e.g., a printer, scanner, desktop and/or portable computer, portable data assistant (PDA), communication satellite, wireless detectable tag. It operates to communicate with any device or place, and a phone. This includes at least Wi-Fi and Bluetooth wireless technologies. Accordingly, the communication may be a predefined structure as in a conventional network or may simply be ad hoc communication between at least two devices.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.Wi-Fi (Wireless Fidelity) allows you to connect to the Internet or the like without wires. Wi-Fi is a wireless technology such as a cell phone that allows such devices, for example computers, to transmit and receive data indoors and outdoors, that is, anywhere within the coverage area of a base station. Wi-Fi networks use a wireless technology called IEEE 802.11 (a, b, g, etc.) to provide a secure, reliable and high-speed wireless connection. Wi-Fi can be used to connect computers to each other, to the Internet, and to a wired network (using IEEE 802.3 or Ethernet). Wi-Fi networks can operate in unlicensed 2.4 and 5 GHz radio bands, for example at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual bands). have.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.A person of ordinary skill in the art of the present disclosure includes various exemplary logical blocks, modules, processors, means, circuits and algorithm steps described in connection with the embodiments disclosed herein, electronic hardware, (convenience). For the sake of clarity, it will be appreciated that it may be implemented by various forms of program or design code or a combination of both (referred to herein as "software"). To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends on the particular application and design constraints imposed on the overall system. A person of ordinary skill in the art of the present disclosure may implement the described functions in various ways for each specific application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다. The various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques. The term “article of manufacture” includes a computer program, carrier, or media accessible from any computer-readable device. For example, computer-readable media include magnetic storage devices (e.g., hard disks, floppy disks, magnetic strips, etc.), optical disks (e.g., CD, DVD, etc.), smart cards, and flash memory. Devices (eg, EEPROM, card, stick, key drive, etc.). In addition, the various storage media presented herein include one or more devices and/or other machine-readable media for storing information. The term “machine-readable medium” includes, but is not limited to, wireless channels and various other media capable of storing, holding, and/or transmitting instruction(s) and/or data.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.It is to be understood that the specific order or hierarchy of steps in the presented processes is an example of exemplary approaches. Based on the design priorities, it is to be understood that within the scope of the present disclosure a specific order or hierarchy of steps in processes may be rearranged. The appended method claims provide elements of the various steps in a sample order, but are not meant to be limited to the specific order or hierarchy presented.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다. A description of the presented embodiments is provided to enable any person skilled in the art to make or use the present disclosure. Various modifications to these embodiments will be apparent to those of ordinary skill in the art, and general principles defined herein may be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present disclosure is not to be limited to the embodiments presented herein, but is to be construed in the widest scope consistent with the principles and novel features presented herein.

Claims

A computer program stored in a computer-readable storage medium, wherein the computer program performs the following operations for managing a model when executed on one or more processors of a computing device, the operations comprising:
Generating an anomaly detection model including a plurality of anomaly detection submodels including a pre-trained network function using a plurality of training data subsets included in the training data set;
Determining one or more anomaly detection submodels for calculating input data from among the generated plurality of anomaly detection submodels; And
Determining whether an anomaly exists in the input data using the determined one or more anomaly detection submodels;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 1,
The operation of determining one or more anomaly detection submodels for calculating input data among the generated plurality of anomaly detection submodels,
Determining one or more anomaly detection submodels for calculating the input data based on at least one of processing trends of other input data for a plurality of anomaly detection submodels, context information of input data, or cluster information of input data Action;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 2,
The operation of determining one or more anomaly detection submodels for calculating input data among the generated plurality of anomaly detection submodels,
Determining an anomaly detection submodel obtained by calculating other input data having a predetermined relationship with the input data as an anomaly detection submodel for calculating the input data;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 3,
The other input data,
Includes input data generated prior to generation of the input data, and includes data generated within a predetermined time interval with the input data,
A computer program stored on a computer readable storage medium.

The method of claim 3,
The operation of determining an anomaly detection submodel obtained by calculating other input data having a predetermined relationship with the input data as an anomaly detection submodel for calculating the input data,
Determining an anomaly detection submodel in which other input data having a predetermined relationship with the input data is determined as normal data as an anomaly detection submodel for calculating the input data;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 2,
The operation of determining one or more anomaly detection submodels for calculating input data among the generated plurality of anomaly detection submodels,
Determining an anomaly detection submodel matched with the context information as one or more anomaly detection submodels for calculating the input data, based on context information of the input data;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 6,
The context information,
Contains information relating the input data to the normal pattern,
A context indicator that associates the input data with at least one of a manufacturing recipe or manufacturing equipment, a context characteristic indicator that associates with at least one of a manufacturing recipe characteristic or manufacturing equipment characteristic of the input data, or information on a missing characteristic of the input data. Including at least one of the missing property indicators,
A computer program stored on a computer readable storage medium.

The method of claim 6,
The context information,
Matched to at least one of the input data or training data, and the anomaly detection sub-model is matched with context information matched to the training data subset,
A computer program stored on a computer readable storage medium.

The method of claim 2,
The operation of determining one or more anomaly detection submodels for calculating input data among the generated plurality of anomaly detection submodels,
Clustering one or more different input data based on similarity; And
Determining an anomaly detection submodel obtained by calculating other input data included in the cluster to which the input data belongs as an anomaly detection submodel for calculating the input data;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 1,
Clustering the plurality of anomaly sensing submodels; And
Generating an integrated anomaly detection submodel by integrating one or more anomaly detection submodels included in one cluster;
It further includes,
A computer program stored on a computer readable storage medium.

The method of claim 10,
The operation of clustering the plurality of anomaly detection submodels,
Clustering one or more anomaly detection submodels included in a plurality of anomaly detection submodels based on at least one of context information matched to each of the anomaly detection submodels or input data processing characteristics of each of the anomaly detection submodels action;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 10,
The operation of clustering the plurality of anomaly detection submodels,
Clustering the anomaly detection submodels based on a determination result of the input data of each of the anomaly detection submodels;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 12,
The operation of clustering the anomaly detection submodels based on the determination result of the input data of each of the anomaly detection submodels,
Clustering an anomaly detection submodel in which input data is determined as normal data and another anomaly detection sub-model in which other input data is determined as normal data into one cluster when the input data is associated with the other input data;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 12,
The operation of clustering the anomaly detection submodels based on the determination result of the input data of each of the anomaly detection submodels,
Classifying one or more anomaly detection submodels that determine the input data as normal data into one cluster;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 10,
The operation of integrating one or more anomaly detection submodels included in one cluster to generate an integrated anomaly detection submodel,
Generating an integrated anomaly detection submodel by ensemble one or more anomaly detection submodels included in the one cluster;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 10,
The operation of integrating one or more anomaly detection submodels included in one cluster to generate an integrated anomaly detection submodel,
Generating an integrated anomaly detection submodel by removing at least some of the one or more anomaly detection submodels included in the one cluster;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 10,
The operation of integrating one or more anomaly detection submodels included in one cluster to generate an integrated anomaly detection submodel,
Generating an integrated anomaly detection submodel based on a performance test of one or more anomaly detection submodels included in the one cluster;
Containing,
A computer program stored on a computer readable storage medium.

The method of claim 10,
The operation of integrating one or more anomaly detection submodels included in one cluster to generate an integrated anomaly detection submodel,
Generating an integrated anomaly detection submodel by retraining one or more anomaly detection submodels included in the one cluster;
Containing,
A computer program stored on a computer readable storage medium.

As a method of detecting anomaly of data using a network function performed by one or more processors,
Generating an anomaly detection model including a plurality of anomaly detection submodels including a pre-trained network function using a plurality of training data subsets included in the training data set;
Determining at least one anomaly detection submodel for calculating input data from among the generated plurality of anomaly detection submodels; And
Determining whether an anomaly exists in the input data using the determined one or more anomaly detection submodels;
Containing,
Anomaly detection method.

As a computing device,
One or more processors; And
A memory storing instructions executable in the processor;
Including,
The processor,
Generating an anomaly detection model including a plurality of anomaly detection submodels including a pre-trained network function by using a plurality of training data subsets included in the training data set;
Determining at least one anomaly detection submodel for calculating input data from among the generated plurality of anomaly detection submodels; And
Determining whether an anomaly exists in the input data using the determined one or more anomaly detection submodels;
Computing device.