실시간 항공 데이터, 이상 징후를 어떻게 탐지할까?

실시간 항공 데이터(Real-time Aircraft Data)의 잡음(Noise)과 불규칙성(Irregularity)으로 인해 이상 징후 탐지(Anomaly Detection)의 어려움이 존재함

Redis, PostgreSQL, Django, WebSocket을 활용한 3단계 파이프라인 아키텍처(3-Stage Pipeline Architecture)를 구축하여 실시간 데이터 처리 및 분석 수행

결정적 규칙(Deterministic Checks), 궤적 특징 추출(Trajectory Feature Extraction), 앙상블 이상 징후 스코어링(Ensemble Anomaly Scoring)을 통해 정확도와 설명 가능성을 확보

설명 가능한 알림(Explainable Alerts)을 제공하여 오탐(False Positives)을 줄이고, 시스템 개선에 활용

데이터 격리 아키텍처(Data Isolation Architecture) 설계

본 시스템은 실시간 상태(Live State), 과거 기록(Historical State), 이상 징후 분석(Anomaly Analysis)을 분리하여 설계되었다. Redis는 최신 항공기 상태를 저장하여 빠른 접근을 지원하고, PostgreSQL은 궤적 분석을 위한 기록을 보관한다. 이러한 데이터 격리(Data Isolation)를 통해 각 데이터의 특성에 맞는 최적의 성능을 확보하고, 시스템의 복잡성을 줄였다. 특히, 데이터 미저장 정책(Zero-Retention Policy)을 통해 보안성을 강화했다.

3단계 이상 징후 탐지 파이프라인(3-Stage Anomaly Detection Pipeline)

이상 징후 탐지를 위해 결정적 규칙(Deterministic Checks), 궤적 특징 추출(Trajectory Feature Extraction), 앙상블 이상 징후 스코어링(Ensemble Anomaly Scoring)의 3단계 파이프라인을 구축했다. 결정적 규칙(Deterministic Checks)은 즉각적인 판단이 필요한 경우에 사용되며, 궤적 특징 추출(Trajectory Feature Extraction)은 비정상적인 움직임을 포착하기 위해 고안되었다. 마지막으로, 앙상블 모델(Ensemble Model)을 통해 다양한 이상 징후를 탐지한다.

특징 엔지니어링(Feature Engineering)의 중요성

이상 징후 탐지 모델의 성능은 특징 표현(Feature Representation)에 크게 의존한다. 본 시스템은 고도 변화, 속도 변화, 방향 변화, 공간적 패턴(Spatial Patterns) 등 다양한 특징을 추출하여 모델의 정확도를 높였다. 특히, 불규칙한 텔레메트리 간격(Telemetry Intervals)으로 인한 문제를 해결하기 위해, 시간 간격을 고려한 특징을 사용했다. 이는 AI 환각(Hallucination)을 방지하는 데 기여한다.

설명 가능한 알림(Explainable Alerts) 시스템

단순한 이상 징후 점수(Anomaly Score) 대신, 시스템은 알림 이유(Reasons)를 함께 제공한다. 이는 비상 코드(Emergency Code), 급격한 하강(Abrupt Descent), 방향 변화(Heading Change), 궤적 특징(Trajectory Features) 등 구체적인 정보를 포함한다. 이러한 설명 가능성(Explainability)은 오탐을 줄이고, 사용자가 시스템을 신뢰하도록 돕는다. 또한, 피드백 루프(Feedback Loop)를 통해 시스템을 지속적으로 개선할 수 있다.