Topology-based Lightweight Anomaly Detection via Functional Patch Decomposition in Industrial Control Systems

산업제어시스템의 이상 탐지는 시스템 구조의 복잡성과 실시간 대응 요구의 증대로 인해 정밀성과 효율성을 동시에 갖춘 탐지 기법이 요구된다. 최근 시계열 기반 이상 탐지 연구는 Transformer나 GNN 기반의 고성능 모델에 주로 집중되어 왔으나, 높은 계산 비용과 자원 소모로 인해 실시간 산업 환경에 적용하는 데 한계가 있다. 본 연구에서는 이러한 문제를 해결하기 위해, 기반시설 내 장비 간 물리적·논리적 관계인 토폴로지를 반영한 기능 패치 분해와 경량 표현 학습 기반의 딥러닝 프레임워크를 제안한다. 기능 단위로 분해된 데이터는 경량 학습에 적합하며, 제안한 모델은 분포 변화에 대한 강건성을 확보하는 동시에 문맥 정보를 효과적으로 학습한다. 또한 기능 수준과 시스템 수준의 이상 점수를 정교하게 통합함으로써 이상 탐지 성능을 향상시킨다. SWaT 및 WADI 테스트베드에 대한 실험 결과, 제안한 방법은 높은 탐지 성능과 우수한 계산 효율성을 동시에 달성함을 확인하였다.