KR20200010984A

KR20200010984A - Anomaly detection

Info

Publication number: KR20200010984A
Application number: KR1020180173338A
Authority: KR
Inventors: 윤성호; 임용섭; 심상우
Original assignee: 주식회사 마키나락스
Priority date: 2018-07-11
Filing date: 2018-12-31
Publication date: 2020-01-31

Abstract

Disclosed is a computer program stored in a computer-readable storage medium to provide a data processing method using artificial intelligence. The computer program performs the following method for anomaly detection of data using a network function if executed by one or more processors. The method comprises: a step of generating an anomaly detection model including a plurality of anomaly detection submodels including a network function pre-learned by using a plurality of learning data subsets included in a learning data set; a step of using at least one among the generated plurality of anomaly detection submodels to calculate input data; and a step of determining whether an anomaly exists in input data of at least one among the generated plurality of anomaly detection submodels based on output data for the input data and the input data.

Description

어노말리 디텍션{ANOMALY DETECTION}Anomaly Detection {ANOMALY DETECTION}

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 particularly, to 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. With the accumulation of sensor data that can be stored temporarily or permanently in a database, research is being conducted on the automated processing of monitoring data for many industrial equipment. In order to implement a method for judging the state of data, research on artificial intelligence (artificial intelligence) technology using an artificial neural network has been conducted.

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 기술적 과제가 존재하였다. Deep learning models using artificial neural networks provide a method for effectively learning complex nonlinear or dynamic patterns, but there have been technical challenges in updating models when data to be processed changes.

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

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 인공지능을 활용한 데이터의 처리 방법을 제공하기 위한 것이다. The present disclosure is devised in response to the above-described background, and is to provide a method of processing data 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 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 데이터의 어노말리 감지를 위한 이하의 방법을 수행하도록 하며, 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 적어도 하나를 이용하여 입력 데이터를 연산하는 단계; 및 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나의 입력 데이터에 대한 출력 데이터 및 상기 입력 데이터에 기초하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 단계를 포함할 수 있다. According to one embodiment of the present disclosure for realizing the above-described problem, a computer program stored in a computer readable storage medium is disclosed. The computer program performs the following method for anomaly detection of data using a network function when executed in one or more processors, the method using a plurality of learning data subsets included in a learning data set in advance. Generating an anomaly detection model comprising a plurality of anomaly detection submodels including the learned network functions; Calculating input data using at least one of the plurality of anomaly sensing submodels; And determining whether anomaly exists in the input data based on the output data for the at least one input data among the generated plurality of anomaly detection submodels and the input data.

대안적인 실시예에서, 상기 복수의 학습 데이터 서브세트 각각은, 사전 결정된 기준에 의하여 그룹화된 서로 상이한 학습 데이터를 포함하며, 상기 사전 결정된 기준은, 상기 학습 데이터의 생성 시간 구간, 및 상기 학습 데이터의 도메인 중 적어도 하나를 포함할 수 있다. In an alternative embodiment, each of the plurality of subsets of learning data includes different learning data grouped by predetermined criteria, the predetermined criteria being a generation time interval of the training data, and It may include at least one of the domains.

대안적인 실시예에서, 상기 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. In an alternative embodiment, the plurality of anomaly sensing submodels includes a first anomaly sensing sub-model comprising a first network function pre-learned with a first subset of learning data consisting of learning data generated during a first time interval. And a second anomaly sensing submodel comprising a model and a second network function pre-learned with a second subset of training data consisting of training data generated during a second time interval different from the first time interval.

대안적인 실시예에서, 상기 제 2 네트워크 함수의 초기 가중치는 상기 사전학습된 제 1 네트워크 함수의 가중치를 적어도 일부 공유할 수 있다. In an alternative embodiment, the initial weights of the second network function may share at least some of the weights of the pre-learned first network function.

대안적인 실시예에서, 상기 제 1 시간 구간은 상기 제 2 시간 구간 보다 앞선 시간 구간 이며, 상기 제 1 어노말리 감지 서브모델은 상기 제 2 어노말리 감지 서브모델보다 이전에 생성될 수 있다. In an alternative embodiment, the first time interval is a time interval earlier than the second time interval, and the first anomaly sensing submodel may be generated before the second anomaly sensing submodel.

대안적인 실시예에서, 상기 네트워크 함수는, 차원 감소 네트워크 및 차원 복원 네트워크를 포함하는 네트워크 함수일 수 있다. In an alternative embodiment, the network function may be a network function including a dimensional reduction network and a dimensional recovery network.

대안적인 실시예에서, 상기 사전학습된 네트워크 함수는, 어노말리를 포함하지 않는 노말 데이터만을 학습 데이터로 하여 학습되며, 상기 학습 데이터의 차원을 감소시키고 복원하도록 학습될 수 있다. In an alternative embodiment, the pre-learned network function is trained with only normal data that does not include anomalies as training data, and can be learned to reduce and reconstruct the dimension of the training data.

대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산하는 단계는, 상기 어노말리 감지 서브모델에 포함된 네트워크에 의하여 상기 입력 데이터의 차원을 감소 시켜 차원 감소 데이터를 생성한 후 상기 차원 감소 데이터의 차원을 복원한 출력 데이터를 생성하는 단계를 포함할 수 있다. In an alternative embodiment, the operation of calculating input data using at least one of the generated plurality of anomaly sensing submodels may include reducing the dimension of the input data by a network included in the anomaly sensing submodel. The method may include generating output data reconstructing the dimension of the dimension reduction data after generating the dimension reduction data.

대안적인 실시예에서, 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 단계는, 상기 출력 데이터 및 상기 입력 데이터의 비교에 기초하여 계산된 재구성 오차(reconstruction error)에 기초하여, 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 단계를 포함할 수 있다. In an alternative embodiment, determining whether anomaly exists in the input data is based on a reconstruction error calculated based on a comparison of the output data and the input data. The method may include determining whether an anomaly exists.

대안적인 실시예에서, 상기 어노말리 감지 모델에 포함된 상기 복수의 어노말리 감지 서브모델 모두가 상기 입력 데이터에 어노말리가 존재하는 것으로 판단한 경우, 상기 입력 데이터에 어노말리가 존재하는 것으로 판단하는 단계를 더 포함할 수 있다. In an alternative embodiment, if all of the plurality of anomaly sensing submodels included in the anomaly sensing model determine that anomaly exists in the input data, determining that anomaly exists in the input data. It may further include.

대안적인 실시예에서, 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 단계는, 상기 제 2 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 단계; 및 상기 제 2 어노말리 감지 서브모델이 상기 입력 데이터에 어노말리가 존재하는 것으로 판단하는 경우, 상기 제 1 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 단계를 포함할 수 있다. In an alternative embodiment, determining whether anomaly is present in the input data comprises: determining whether anomaly exists in the input data using the second anomaly sensing submodel; And when the second anomaly sensing submodel determines that anomaly exists in the input data, determining whether anomaly exists in the input data by using the first anomaly sensing submodel. can do.

대안적인 실시예에서, 상기 제 2 네트워크 함수의 차원 감소 네트워크의 레이어 중 입력 레이어에 근접한 레이어로부터 사전결정된 수의 레이어는 사전학습된 상기 제 1 네트워크 함수의 대응되는 레이어의 가중치를 초기 가중치로 할 수 있다. In an alternative embodiment, a predetermined number of layers from the layers of the dimensionality reduction network of the second network function that are close to the input layer may use initial weights as weights of corresponding layers of the first learned network function. have.

대안적인 실시예에서, 상기 제 2 네트워크 함수의 차원 복원 네트워크의 레이어 중 출력 레이어에 근접한 레이어로부터 사전결정된 수의 레이어는 사전학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치로 학습 에포크 마다 초기화될 수 있다.In an alternative embodiment, a predetermined number of layers from the layers of the dimensional reconstruction network of the second network function close to the output layer may be initialized per learning epoch with the weight of the corresponding layer of the pre-learned first network function. have.

대안적인 실시예에서, 상기 제 1 어노말리 감지 서브모델을 생성하기 위한 상기 제 1 시간 구간 동안 생성된 학습 데이터로 구성된 제 1 학습 데이터 서브세트는, 상기 제 1 학습 데이터 서브세트에 포함된 학습 데이터 중 일부만이 학습에 사용되도록 상기 제 2 어노말리 감지 서브모델을 생성하기 위한 상기 제 2 학습 데이터 서브세트의 샘플링 비율보다 낮은 샘플링 비율로 샘플링될 수 있다. In an alternative embodiment, the first training data subset consisting of the training data generated during the first time interval for generating the first anomaly sensing submodel is learning data included in the first training data subset. Only some of the samples may be sampled at a sampling rate lower than the sampling rate of the second training data subset for generating the second anomaly sensing submodel.

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 적어도 하나를 이용하여 입력 데이터를 연산하는 단계; 및 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나의 입력 데이터에 대한 출력 데이터 및 상기 입력 데이터에 기초하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 단계를 포함할 수 있다. In accordance with another embodiment of the present disclosure, a method for anomaly detection of data using a network function performed in one or more processors is disclosed. The method comprises: generating an anomaly sensing model comprising a plurality of anomaly sensing submodels comprising a pre-learned network function using a plurality of learning data subsets included in the training data set; Calculating input data using at least one of the plurality of anomaly sensing submodels; And determining whether anomaly exists in the input data based on the output data for the at least one input data among the generated plurality of anomaly detection submodels and the input data.

본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 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 적어도 하나를 이용하여 입력 데이터를 연산하고; 그리고 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나의 입력 데이터에 대한 출력 데이터 및 상기 입력 데이터에 기초하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있다. A computing device is disclosed in accordance with another embodiment of the present disclosure. The computing device includes one or more processors; And a memory storing instructions executable in the processor; Wherein the processor is further configured to: generate an anomaly sensing model comprising a plurality of anomaly sensing submodels including pre-learned network functions using a plurality of learning data subsets included in a training data set; Calculate input data using at least one of the generated plurality of anomaly sensing submodels; The controller may determine whether anomaly exists in the input data based on the output data of the at least one input data of the generated plurality of anomaly detection submodels and the input data.

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

도 1 은 본 개시의 일 실시예에 따라 데이터의 어노말리를 감지하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2 는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3 은 본 개시의 일 실시예에 따라 어노말리 감지 모델을 생성하는 과정을 나타낸 개략도이다.
도 4 은 본 개시의 일 실시예에 따라 어노말리 감지 모델을 이용한 데이터의 어노말리 감지 과정을 나타낸 개략도이다.
도 5 은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법의 순서도이다.
도 6 은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 7 은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 8 은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 9 은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 10는 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.1 is a block diagram of a computing device for sensing anomaly 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 sensing 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 a flowchart of a method for anomaly detection of data according to an embodiment of the present disclosure.
6 is a block diagram illustrating a means for implementing a method for anomaly detection of data according to an embodiment of the present disclosure.
7 is a block diagram illustrating a module for implementing a method for anomaly detection of data according to an embodiment of the present disclosure.
8 is a block diagram illustrating logic for implementing a method for anomaly detection of data according to an embodiment of the present disclosure.
9 is a block diagram illustrating a circuit for implementing a method for anomaly detection of data according to an embodiment of the present disclosure.
10 shows a brief general schematic diagram of an example 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 the present specification, various descriptions are presented to provide an understanding of the present disclosure. It may be evident, however, that such embodiments may be practiced without these specific details.

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 computer-related entities, hardware, firmware, software, a combination of software and hardware, or the execution of software. For example, a component may be, but is not limited to being, a process running 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 the computing device can be a component. One or more components can reside within a processor and / or thread of execution. One component can be localized within one computer. One component may be distributed between two or more computers. In addition, these components can execute from various computer readable media having various data structures stored thereon. The components may be connected via a network such as the Internet and other systems via, for example, signals with one or more data packets (e.g., data and / or signals from one component interacting with other components in a local system, distributed system, etc.). Data may be communicated via local and / or remote processes.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의 미하는 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 implicit "or" rather than an exclusive "or". That is, unless specified otherwise or unambiguously in context, "X uses A or B" is intended to mean one of the natural implicit substitutions. That is, X uses A; X uses B; Or where X uses both A and B, "X uses A or B" may apply in either of these cases. In addition, the term "and / or" as used herein is to 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. It is to be understood, however, that the terms "comprises" and / or "comprising" do not exclude the presence or addition of one or more other features, components, and / or groups thereof. Also, unless otherwise specified or in the context of indicating a singular form, the singular in the specification and claims should generally be construed as meaning "one or more."

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 skilled in the art will further appreciate that the various illustrative logical blocks, configurations, modules, circuits, means, logics, and algorithm steps described in connection with the embodiments disclosed herein may be electronic hardware, computer software, or a combination of both. It should be appreciated that it can be implemented with 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 particular application and design constraints imposed on the overall system. Skilled artisans can implement the described functionality in a variety of ways for each particular application. However, such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.

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

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

도 1은 본 개시의 일 실시예에 따른 데이터의 어노말리를 판단하는 방법을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다. 도 1 에 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 block diagram of a computing device for performing a method of determining anomaly of data according to an embodiment of the present disclosure. The configuration of the computing device 100 shown in FIG. 1 is merely an example for simplicity. In one embodiment of the present disclosure, the computing device 100 may include other configurations for performing the computing environment of the computing device 100, and only some of the disclosed configurations 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 include one or more cores, and may include a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU) of a computing device. and 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 sensing method according to an 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 may process neural networks, such as processing input data for learning in deep learning (DN), extracting features from the input data, calculating errors, and weighting neural networks using backpropagation. Can perform calculations for learning. At least one of the CPU, GPGPU, and TPU of the processor 110 may handle the learning of the 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, a processor of a plurality of computing devices may be used together to process learning of a network function and data classification using the network function. 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 along with other computing devices. Details of the network function distributed processing of the computing device 100 are described in US patent applications US 15/161080 (filed May 20, 2016) and US 15/217475 (filed 05.22.2016), which are hereby incorporated by reference in their entirety. Specifically discussed.

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 one embodiment of the present disclosure, the data processed using the network function may include all kinds of data obtained at the industrial site. For example, the device may include operating parameters of the device for producing the product in the production process of the product, sensor data obtained by the operation of the device, and the like. For example, the temperature setting of the equipment in a specific process, the wavelength of the laser in the case of using a laser, etc. may be included in the type of data processed in the present disclosure. For example, the data that is processed may include lot equipment history data from a management execution system (MES), data from an equipment interface data source, processing tool recipes, processing tool test data, probe test data, electrical Test data, combined measurement data, diagnostic data, remote diagnostic data, post-processing data, and the like, but the present disclosure is not so limited. More specifically, work-in-progress information including about 120,000 items per lot acquired in a semiconductor fab, raw processing tool data, equipment interface information, process metrology information information) (e.g., contains more than 1000 items per lot), defect information accessible to yield engineers, operational test information, sorting information (including datalogs and bitmaps), The present disclosure is not limited thereto. The description regarding the type of data described above is merely an example and the present disclosure is not limited thereto. In one embodiment of the present disclosure, the computing device 100 may preprocess the collected data. The computing device 100 may make up for missing values in the collected data. The computing device 100 may, for example, supplement the missing value with an intermediate value or an average value, or delete a column in which a plurality of missing values exist. In addition, for example, the computing device 100 may utilize subject matter expertise of the manager in data preprocessing by the matrix completion computing device 100. For example, the computing device 100 may remove values that are completely outside the boundaries and limits (eg, values estimated as malfunctions such as sensors) from the collected data. The computing device 100 may also adjust the value of the data so that the data has a similar scale while maintaining the characteristics. The computing device 100 may apply, for example, column-based normalization of data. The computing device 100 may also simplify processing by removing heat that is not related to anomaly detection in the data. In an embodiment of the present disclosure, the computing device 100 may perform an appropriate input data preprocessing method for learning network functions and generating anomaly detection for generating an anomaly sensing model. Descriptions of specific examples regarding types, examples, preprocessing, transformations, etc. of input data are specifically discussed in US patent application US10 / 194920 (filed Jul. 12, 2002), which is incorporated herein by reference in its entirety.

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 제한 되지 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, the data processed in one embodiment of the present disclosure may include image data, data stored in a storage medium of the computing device 100, an image photographed by a camera (not shown) of the computing device 100 and / or Alternatively, the image may be an image transmitted from another computing device such as an image database by the network unit 150. In addition, in one 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 or the like, 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. 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. The processor 110 may generate an anomaly sensing model that includes a network function. The processor 110 may generate an anomaly sensing model for sensing anomaly of data by learning a network function using the learning data set. The training data set can include a plurality of training data subsets. The plurality of learning data subsets may comprise different learning data grouped by predetermined criteria. In an embodiment of the present disclosure, the predetermined criterion for grouping the plurality of learning data subsets may include at least one of a generation time interval of the learning data and a domain of the learning data. The domain of the training data may include information that is a reference for distinguishing a group of training data from other groups. For example, the training data of the present disclosure may be sensor data obtained in a semiconductor production process, operating parameters of production equipment, and the like. In this case, when the setting of the production equipment (for example, the change of the wavelength of the laser irradiated in a specific process, etc.) is changed in the semiconductor production process (that is, when there is a change in the recipe), the sensor obtained after the change of the setting The data may be included in a subset of training data that is different from the sensor data obtained before the configuration change. In a typical production process, there may be a plurality of types of normal data due to a change in a manufacturing method over time. In one embodiment of the present disclosure, each of the training data subsets may include training data grouped by criteria, such as changes in manufacturing methods. 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, the data obtained in the production process produced by different recipes may be different from each other, but all may be normal data. In one embodiment of the present disclosure, the plurality of learning data subsets may include different types of learning data. The plurality of subsets of training data can be grouped by predetermined criteria (eg, generation time period, domain, recipe in process, etc.). In addition, the plurality of training data subsets may be grouped using the generated anomaly sensing submodel. For example, when the pre-learned anomaly sensing submodel processes the input data and as a result the input data includes a new pattern, the input data comprising the new pattern may constitute a different subset of learning data. The plurality of training data subsets can be grouped by an anomaly sensing submodel. In one embodiment of the present disclosure, each subset of training data may be grouped by an anomaly sensing submodel. For example, there is a recipe change in the process, but the input data generated after the recipe change (that is, the sensor data acquired in the process generated after the recipe change) is determined as a new pattern by the existing anomaly detection submodel. If not (i.e., having no novelty above the threshold), the input data generated before and after the recipe change may be grouped into one subset of training data. Also, for example, when the input data generated after the change of the recipe in the process is determined to be a new pattern by the anomaly detection submodel, the input data generated before the change of the recipe and the input data generated after the change of the recipe are separate. It may be grouped into a subset of training data. That is, the input data having a new pattern may be data including an anomaly, but may be new normal data when a large number of input data having a new pattern exists. When one or more input data having a new pattern exists The input data having a new pattern may be data including anomaly or new normal data. Accordingly, the processor 110 may classify the input data having the new pattern as the new normal data into a separate learning data subset. 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 sensing model that includes a plurality of anomaly sensing submodels that include pre-learned network functions using a plurality of learning data subsets included in the training data set. In one embodiment of the present disclosure, the subset of learning data may consist of normal data, and the learning of one embodiment of the present disclosure may be semi supervised learning. In one embodiment of the present disclosure, the anomaly sensing model may include a plurality of anomaly sensing submodels, and each of the plurality of anomaly sensing submodels may be a submodel trained using a training data subset. Each anomaly sensing submodel may include one or more network functions. The anomaly sensing model of an embodiment of the present disclosure includes an anomaly sensing submodel trained using each learning data subset, thereby detecting anomaly of various kinds of data.

복수의 어노말리 감지 서브모델은, 제 1 시간 구간 동안 생성된 학습 데이터로 구성된 제 1 학습데이터 서브세트로 학습된 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 생성 한 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. 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. The plurality of anomaly sensing submodels differ from the first anomaly sensing submodel and the first time interval comprising a first network function trained with a first subset of learning data consisting of training data generated during the first time interval. And a second anomaly sensing submodel comprising a second network function pre-learned with a second subset of learning data composed of learning data generated during the second time interval. For example, the subset of training data of the present disclosure can be grouped according to the generation time interval of the training data. For example, if there is a recipe change every six months in the semiconductor process, the training data generated for six months may constitute one subset of training data. The description of the above-described semiconductor process is only an example and the present disclosure is not limited thereto. The processor 110 may train a network function of each anomaly sensing submodel using each learning data subset to generate an anomaly sensing submodel. The processor 110 generates a first anomaly-sensing submodel that includes the first network function trained with the first training data subset, and then, if there is a change in the recipe, the first trained training subset with the second training data subset. A second anomaly sensing submodel that includes two network functions may be generated. The first training data subset and the second data subset 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 portion of the weight of the pre-learned first network function. In this case, the first time interval may be a time interval earlier than the second time interval. Accordingly, the first anomaly sensing submodel may be a model generated before the second anomaly sensing submodel. After generating the first anomaly detection submodel, the processor 110 detects a part of the first anomaly detection submodel based on a recipe change, and then detects a part of the first anomaly detection submodel. The model may be updated by reusing part of the knowledge acquired in the first anomaly sensing submodel by utilizing the part of the submodel. In one embodiment of the present disclosure, when creating the next sub-model, by reusing part of the previous model, the knowledge learned in the previous model is passed on to the next model without forgetting, thereby improving the performance of the next model and overall Can reduce the learning time. The processor 110 may generate each anomaly sensing submodel using each learning data subset and then store the anomaly sensing submodels to generate an anomaly sensing model.

제 2 네트워크 함수의 레이어 중 사전결정된 수의 레이어는 사전학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치를 초기 가중치로 할 수 있다. The predetermined number of layers of the second network function may use the weight of the corresponding layer of the first learned network function 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.Dimension Reduction of the Second Network Function A predetermined number of layers from the layers closest to the input layer among the layers of the network may use initial weights as weights of corresponding layers of the first learned network function. A predetermined number of layers from the input layer of the second network function can be learned using the weight of the latest network function as the initial weight. The processor 110 may train the second network function by using the initial weights of some layers proximate to the input layer of the newly learned second network function as the weights of the already learned first network functions. Such weight sharing can reduce the amount of computation required to learn the second network function. That is, by extracting the initial weight of a predetermined number of layers proximate to the input layer of the second network function as the weight of the non-random pre-learned network function, in the feature extraction (dimension reduction) of the input data, Knowledge can be utilized, and since the learning can be completed by learning only the restoration (dimension restoration) of the input data by the feature, 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.Dimension Reduction of the Second Network Function A predetermined number of layers from the layers closest to the output layer among the layers of the network may use initial weights as weights of corresponding layers of the first learned network function. A predetermined number of layers from the output layers of the second network function can be learned using the weight of the latest network function as the initial weight. The processor 110 may train the second network function by using the initial weights of some layers proximate to the output layer of the newly learned second network function as the weights of the already learned first network functions. Such weight sharing can reduce the amount of computation required to learn the second network function. That is, by using the initial weight of a predetermined number of layers proximate to the output layer of the second network function as the weight of the pre-learned network function rather than random, the knowledge of the pre-learned network function can be utilized in the dimensional reconstruction of the input data. In addition, since the learning can be completed by learning only the dimensional reduction of the input data by the feature, the second network function can 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 per learning epoch with the weight of the corresponding layer of the first learned network function.

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. A predetermined number of layers from the output layer among the dimensional reconstruction layers of the second network function may be initialized for each learning epoch with the weight of the corresponding layer of the first learned network function. The processor 110 may initialize the weight of the predetermined number of layers close to the output layer during the learning of the second network function with the weight of the corresponding layer of the pre-learned network function for each learning epoch. In this case, the weight of the dimensional reconstruction layer of the second network function may be changed in one learning epoch, thereby affecting the learning of the dimensional reduction layer. Through this operation, the processor 110 fixes the weight of the dimensional reconstruction network of the second network function, reduces the time and computation amount for the learning of the second network function by learning only the dimensional reduction network (feature extraction network), Leverage 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. A predetermined number of layers from the input layer among the dimensionality reduction layers of the second network function may be initialized per learning epoch with the weight of the corresponding layer of the first learned network function. The processor 110 may initialize the weight of the predetermined number of layers close to the input layer during the learning of the second network function with the weight of the corresponding layer of the pre-learned network function for each learning epoch. In this case, in one learning epoch, the weight of the dimensional reduction layer of the second network function may be changed, and thus may affect the learning of the dimensional reconstruction layer. By fixing the weights of the dimensional reduction networks of A, learning only the dimensional reconstruction networks, it is possible to reduce the amount of time and computation for learning the second network function, and to utilize the knowledge from previous learning.

제 2 네트워크 함수의 사전결정된 수의 레이어는 사전학습된 제 1 네트워크 함수의 대응되는 레이어의 가중치로 고정 될 수 있다. The predetermined number of layers of the second network function may be fixed with the weights of the corresponding layers of the first learned network function.

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. A predetermined number of layers from the output layer among the dimensional reconstruction layers of the second network function may be fixed with weights of corresponding layers of the first learned network function. A predetermined number of layers from the input layer among the dimensionality reduction layers of the second network function may be fixed with weights of corresponding layers of the first learned network function. Through this weight fixing, the processor 110 can learn only some layers of the second network function, thereby reducing the amount of time and computation for learning the second network function and utilizing the 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 학습 시킨 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 학습 시킨 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 학습 시키기 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 sensing submodel is a training data subset that is different from the training data subset that trained the first anomaly sensing submodel (ie, training generated in a process of recipe different from the training data for training the first network function). Data). Also, the second anomaly sensing submodel may include a training data subset for training the first anomaly sensing submodel and a training data subset corresponding to the second anomaly sensing submodel (that is, the first anomaly sensing submodel). Learning data generated in a process of different recipes). Since the second anomaly sensing submodel is trained with the training data including the training data submodel for which the previous anomaly sensing submodel is trained, the second anomaly sensing submodel is the knowledge learned in the first anomaly sensing submodel. Can succeed. In this case, in the training data for training the second anomaly sensing submodel, the sampling rate of the second training data subset and the first training data subset (that is, the training data subset for which the previous submodel was trained) is different. can do. The first training data subset consisting of the training data generated during the first time interval for generating the first anomaly sensing submodel is such that only a portion of the training data included in the first training data subset is used for training. The sample rate may be sampled at a sampling rate lower than the sampling rate of the second training data subset for generating the Mali sense submodel. The first training data subset may be used to train the second anomaly sensing submodel, but in this case may be sampled at a lower sampling rate than the second training data subset. That is, the training data subset used for training the previous anomaly sensing submodel can be used for training the next anomaly sensing submodel, but in this case, it is different from the training data subset for training the next anomaly sensing submodel. Can be sampled at a rate and used for learning. Since the previous learning data subset as well as the current training data subset can be used to train the anomaly sensing submodel, the anomaly sensing submodel can be used for past data (eg, before a change in a process or recipe, etc.). It can secure processing performance, and can be free from the problem of forgetting about model update. Since the importance of the first training data subset in training of the second anomaly sensing submodel may be different than the importance of the second training data subset, the second anomaly sensing submodel is the second training data that is the latest training data. The subset may be trained with a higher weight than the first training data subset. For example, if each subset of training data includes 100,000 data, then the second anomaly sensing submodel may include all of the data of the second training data subset (ie, 100,000 training data) and the first training. Can be learned through a portion of data (eg, 10,000 training data) of the data subset. The difference between the number of the above-described learning data and the sampling rate is only an example, and the present disclosure is not limited thereto. As described above, to generate the anomaly sensing submodel, a subset of the training data used to generate the past anomaly sensing submodel is used, but at different sampling rates of the current training data and the past training data. Thus, the anomaly detection submodel has a greater weight on the current training data so that the data that is different from the anomaly detection submodel trained with the historical data (eg, data after a process, recipe change, and domain) It is possible to increase processing performance for different data, etc., while minimizing forgetting of knowledge learned from past anomaly-sensing submodels.

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. The network function pre-learned in the present disclosure may be learned using only normal data (that is, normal data) that does not include anomaly as learning data. The network functions pre-learned in this disclosure can be learned to reduce and reconstruct the dimension of the training data. The network function of the present disclosure may include an auto encoder capable of dimensional reduction and dimensional reconstruction of input data. In addition, the network functions of the present disclosure may include any network function operable to generate input data as output. For example, the network functions of the present disclosure may include an autoencoder capable of restoring input data, a general adversarial network (GAN) that generates output similar to the input data, a U-network, a convolutional network and a deconvolutional. And a network function composed of a combination of networks. That is, since 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, when the input data is normal data that does not include an anomaly, the output data may be similar to the input data. . When the anomaly data is input to the network function of the present disclosure, the network function of the present disclosure has not performed learning about the restoration of the anomaly pattern, so that the output data is different from the output data when the normal data is received as an input. It may not be similar. That is, the pre-learned network function of the present disclosure can detect novelty about anomaly patterns that have not been learned from the input data, which is represented by a reconstruction error of the output data with respect to the input data. Can be. When the reconstruction error exceeds a predetermined threshold, the processor 110 may determine that the input data includes an unlearned pattern (ie, a normal pattern) to detect that the input data includes an anomaly.

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 the input data using at least one of the generated anomaly detection submodels. The processor 110 may calculate the input data by using the most recent anomaly sensing submodel among the generated anomaly sensing 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 most recent anomaly detection submodel. Input data can also be calculated using a submodel. The input data may include image data of a product obtained in a production process, operating parameters for operating devices of the production process, and sensor data obtained in the production process, but the present disclosure is not limited thereto. In the input data of the present disclosure, in the production process, the production equipment may perform an operation in which the processor 110 transforms the input data into data different from the input data and restores the data using an anomaly sensing submodel. The processor 110 may calculate to reduce the dimension of the input data using the anomaly sensing submodel and to restore the dimension to produce an output similar to the input data. The processor 110 may extract a feature from the input data using the anomaly sensing submodel and restore the input data based on the feature. As described above, since the network function included in the anomaly sensing submodel of the present disclosure may include a network function capable of restoring the input data, the processor 110 may calculate the input data using the anomaly sensing submodel. Can restore the input data. In another embodiment of the present disclosure, the anomaly sensing submodel may include a plurality of network functions. In this case, the processor 110 may input an input data to the plurality of network functions to perform an operation.

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 anomaly exists in the input data based on the output data and the input data for the at least one input data among the plurality of anomaly sensing submodels. As described above, in one embodiment of the present disclosure, the anomaly sensing submodel may be trained to learn a pattern of normal data using normal data as learning data, and output output data similar to the input data. Therefore, in one embodiment of the present disclosure, the processor 110 may calculate a reconstruction error of the output data by comparing the output data and the input data of the anomaly sensing submodel. The processor 110 may detect that the input data includes a new pattern that has not been learned by the anomaly detection submodel pre-learned based on the reconstruction error. When the degree of this newness (ie, the magnitude of the reconstruction error) is greater than or equal to a predetermined threshold value, the processor 110 may determine that the input data includes a new pattern that has not been learned. Since the anomaly detection submodel was trained using the normal data as the training data, the new pattern that was 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 sensing submodel may include a plurality of network functions, and the processor 110 compares output data and input data of the plurality of network functions to calculate a reconstruction error of the output data. Thus, it is possible to determine 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 detection 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 outputs and input data of a plurality of network functions included in each anomaly sensing submodel and calculating reconstruction errors, and calculating a plurality of reconstruction errors. The error may be combined to determine whether a new pattern exists in the input data.

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 the new data is included in the input data using the anomaly sensing submodel, the processor 110 includes the new pattern in the input data using the anomaly sensing submodel generated before the anomaly sensing submodel. It can be determined whether or not. The processor 110 may determine whether a new pattern exists in the input data by using the second anomaly sensing submodel. The processor 110 uses the second anomaly detection submodel to generate a new pattern (eg, anomaly) that is not learned in the second anomaly detection submodel based on the reconstruction error of the output data and the input data. Or another normal pattern). When the processor 110 determines that a new pattern exists in the input data using the second anomaly sensing submodel, the processor 110 additionally uses the first anomaly sensing submodel to add anomaly to the input data. It can be determined whether it exists. That is, when it is determined that a new pattern exists in the input data using the latest anomaly sensing submodel, the processor 110 determines whether a new pattern exists in the input data using the previous anomaly sensing submodel. You can judge. For example, in the case of a recipe change in a semiconductor process, in the determination using anomaly-sensing submodel trained with the latest training data, it may be determined that a new pattern exists in the input data. In the determination using the anomaly detection submodel of, it may be determined that no new pattern exists. The input data may be determined as anomaly in the latest anomaly detection submodel, but, for example, when there is a change of a recipe in a process, 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 input data as normal data. When all of the plurality of anomaly sensing submodels included in the anomaly sensing model determine that anomaly exists in the input data, the processor 110 may determine that the anomaly exists as the input data. Accordingly, in one embodiment of the present disclosure, the processor 110 detects anomalies of input data using a plurality of anomaly detection submodels trained using a plurality of subsets of learning data, thereby inputting corresponding to various recipes. It is possible to determine whether the data is anomaly. For example, in a manufacturing process having a process change every six months, the plurality of anomaly sensing submodels according to an embodiment of the present disclosure may be a submodel trained with learning data corresponding to changes in the manufacturing process, respectively. In this case, the anomaly detection model may determine whether anomaly exists in the input data using an anomaly detection submodel corresponding to each manufacturing process. Even when it is determined that anomaly exists by the anomaly detection submodel generated with the latest training data, the input data is determined that anomaly does not exist in the past anomaly detection submodel. May be determined as normal sensor data generated by a previous process rather than the latest process. When all of the plurality of anomaly sensing submodels included in the anomaly sensing model determine that anomaly exists in the input data, the processor 110 may determine that anomaly exists in the input data. In one embodiment of the present disclosure, through such an anomaly determination method, it is possible to determine whether the produced product is a normal product of the current process or the previous process. Therefore, the anomaly determination performance can be maintained in response to the change of the process.

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 학습 시키는 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 anomaly exists in data using an anomaly detection model including an anomaly detection submodel trained using a plurality of subsets of training data. As a result, oblivion of the information learned in the previous model can be minimized, and the presence or absence of anomaly of the input data generated corresponding to various processes can be determined in response to a process change in an industrial site. By training the submodel through the training data grouped by predetermined criteria and storing the trained submodel to construct the model, rather than training through all the accumulated training data so that the model does not forget the previously learned knowledge. It is possible to reduce the consumption of computing resources (for example, storage space problems, computational problems, learning difficulties such as overfitting, etc.).

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 one 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, computational models, neural networks, network functions, neural networks may be used in the same sense. A neural network may consist of a set of interconnected computational units, which may generally be referred to as "nodes." Such "nodes" may be referred to as "neurons". The neural network comprises at least one node. Nodes (or neurons) that make up 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. Within a neural network, one or more nodes connected via a link may form a relationship of input node and output node relatively. The concept of an input node and an output node is relative; any node in an output node relationship for one node may be in an input node relationship in relation to another node, and vice versa. As mentioned above, the input node to output node relationship can be created around the link. More than one output node can be connected to a single input node via 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 an input node and output node relationship connected via one link, the output node may be determined based on data input to the input node. Here, the node interconnecting the input node and the output node may have a weight. The weight may be variable, and may be varied by the user or algorithm in order for the neural network to perform the desired function. For example, if one or more input nodes are interconnected by each link to one output node, the output node is set to the values input to the input nodes associated with the output node and to the link corresponding to the respective input nodes. 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, a neural network is formed by interconnecting one or more nodes through one or more links to form an input node and an output node relationship within 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 relationship between the nodes and the links, and the value of weights assigned to each of the links. For example, if there are the same number of nodes and links, and there are two neural networks with different weight values between the links, the two neural networks may be recognized as 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.The neural network may comprise one or more nodes. Some of the nodes that make up the neural network may construct one layer based on distances from the original input node, for example, a set of nodes with a distance n from the original input node, You can configure n layers. The distance from the original input node may be defined by the minimum number of links that must pass to reach the node from the original input 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 manner different from that described above. For example, a layer of nodes may be defined by distance from the final 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 initial input node may refer to one or more nodes into which data is directly input without going through a link in relation to other nodes among the nodes in the neural network. Alternatively, in a neural network network, in a relationship between nodes based on a link, it may mean nodes having no other input nodes connected by a link. Similarly, a final output node may refer to one or more nodes that do not have an output node in relationship with other nodes of the neural network. Also, the hidden node may refer to nodes constituting a neural network other than the first input node and the last output node. The neural network according to an embodiment of the present disclosure may have the same number of nodes in the input layer as the number of nodes in the output layer, and the number of nodes decreases and then increases again as the number of nodes goes from the input layer to the hidden layer. Can be. In addition, the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer is smaller than the number of nodes in the output layer, and the number of nodes decreases as the node progresses from the input layer to the hidden layer. have. In addition, the neural network according to another embodiment of the present disclosure may have a larger number of nodes in the input layer than the number of nodes in the output layer, and the number of nodes increases as the number of nodes increases from the input layer to the hidden layer. Can be. The neural network according to another embodiment of the present disclosure may be a neural network in a combined form of the neural networks described above.

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 refer to 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 latent structures of data. In other words, you can identify the potential structures of photos, texts, videos, voices, and music (e.g., what objects are in the photos, what the content and emotions of the text are, and what the content and emotions of the voice are). . Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, Generic Adversarial Networks (GAN), restricted boltzmann (RBM) machine), deep belief network (DBN), Q network, U network, Siamese network and the like. The description of the deep neural network described above is merely 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 2 의 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 one 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 the 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 and output layers. The number of nodes in each layer may be reduced from the number of nodes in the input layer to an intermediate layer called a bottleneck layer (encoding) and then expanded symmetrically from the bottleneck layer to the output layer (symmetrical with the input layer). In this case, in the example of FIG. 2, the dimensional reduction layer and the dimensional reconstruction layer are shown to be symmetrical, but the present disclosure is not limited thereto, and nodes of the dimensional reduction layer and the dimensional reconstruction layer may or may not be symmetrical. The auto encoder can perform nonlinear dimensional reduction. The number of input layers and output layers may correspond to the number of sensors remaining after the preprocessing of the 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 away from the input layer. The number of nodes in the bottleneck layer (the one with the fewest nodes between the encoder and decoder) is too small if not enough information can be conveyed, so that more than a certain number (for example, 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 최소화 하기 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. Training of neural networks is intended to minimize errors in the output. In the neural network learning, the neural network errors are inputted from the output layer of the neural network in order to repeatedly input the training data into the neural network, calculate the error of the neural network output and target for the training data, and reduce the errors. The process of updating the weight of each node of the neural network by backpropagation in the direction. In the case of teacher learning, the learning data using the correct answer is labeled in each learning data (ie, the labeled learning data), and in the case of the comparative learning, the correct answer may not be labeled in each learning data. That is, for example, the learning data in the case of teacher learning regarding data classification may be data in which a category is labeled in each learning data. The labeled training data is input to the neural network, and an error can be calculated by comparing the label of the training data with the output (category) of the neural network. As another example, in the case of non-comparative learning on data classification, an error may be calculated by comparing learning data as an input with a neural network output. The calculated error is propagated backward in the neural network (ie, the direction of 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 reverse propagation. The connection weight of each node to be updated may be changed according to a learning rate. The computation of the neural network for the input data and the backpropagation of the errors can constitute a learning cycle. The learning rate may be applied differently according to the number of repetitions of the learning cycle of the neural network. For example, in the early stages of neural network learning, high learning rates can be used to allow the neural network to quickly achieve a certain level of performance, increasing efficiency, and lower learning rates for later learning.

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 the learning of neural networks, in general, the training data may be a subset of the actual data (i.e., the data to be processed using the trained neural network), thus reducing the error for the training data but not the error for the actual data. There may be an increasing learning cycle. Overfitting is a phenomenon in which an error about the actual data is increased by excessively learning the training data. For example, a neural network that learns a cat by showing a yellow cat may not recognize that the cat is a cat other than a yellow cat. Overfitting can act as a cause of increased errors in machine learning algorithms. Various optimization methods can be used to prevent such overfitting. In order to prevent overfitting, a method of increasing learning data, regulating, or dropping out of a node of a network in the course of learning may be applied.

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 sensing 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. Training data 321, 331, 341, 351 may include a plurality of subsets. The plurality of subsets of training data can be grouped by predetermined criteria. The predetermined criterion may include any criterion that can distinguish the training data included in the training data subset from the training data included in the other training data subset. For example, the predetermined criterion may include at least one of a generation time interval of the training data and a domain of the training data. In another embodiment of the present disclosure, when grouping the training data into generation time intervals of the training data, a plurality of normal patterns may be included in one training data subset. For example, when the training data generated for six months is configured into one subset, the training data generated by two or more recipes (ie, a plurality of normal patterns) 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 the plurality of normal patterns. Further, in another embodiment of the present disclosure, the training data and the 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 training data subset including a plurality of normal patterns on the basis of one recipe, and constitute a training data subset for each normal pattern. You may. The training data and the input data generated by one recipe may have one normal pattern or a plurality of normal patterns. Further, for example, a subset of the training data may be grouped based on whether or not the new pattern is included by the pre-learned anomaly sensing submodel. For example, the generation time section of the training data may be a time section having a constant size or may be a time section having different sizes. For example, when a change of a recipe occurs in a six month period in a production process, a generation time interval of learning data that divides a subset of the learning data may be six months. Also, for example, the size of the time interval may be set such that the number of learning data included in the subset of learning data is similar to each other. For example, the number of learning data obtained when the utilization rate of the production process is 50% may be half of the number of learning data obtained when the utilization rate of the production process is 100%. In this case, if the training data is collected for 3 months in a process where the production process is 100% operational and a subset of training data is configured, the training data is collected for 6 months in a process where the production process is 50% operational. A subset of training data may be constructed. The generation time interval for classifying the learning data subset may be set by the administrator. Further, in another embodiment of the present invention in which the training data used for training the previous anomaly sensing submodel is reused for the training of the anomaly sensing submodel, the anomaly sensing submodel fits more recently with the latest training data. In order to be trained, the size of the time interval for classifying the training data subset may be 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 training data subset for which the previous submodel is trained is sensor data accumulated for 3 months, the training data subset for training the current submodel may be sensor data accumulated for 6 months. The size of the generation time interval for classifying the training data subset may be constant or different, and the training data accumulated before and after the recipe change when the recipe of the process is changed even when the size of the time interval is set differently. May be included in different training data subsets.

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, training data subset 1 351 may be training data generated the longest. The training data subset n 321 may be the most recently generated training data. In one embodiment, a subset of the training data may be grouped in response to a recipe change of the 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 sensing submodel 1 350 using the training data subset 1 351. Anomaly-sensing submodel 1 350 of which learning is completed may be included in anomaly-sensing model 300. The computing device 100 may train the next anomaly sensing submodel using the next training data subset, in which case at least a portion of the trained previous anomaly sensing submodel is transferred to the next anomaly sensing submodel. Can be As described above, for example, the next anomaly sensing submodel may share a portion of the weight of the previous anomaly sensing submodel trained. In this manner, the anomaly sensing model 300 of one embodiment of the present disclosure may be continuous learning.

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 sensing submodel n-2 340 using the training data subset n-2 341. In this case, the computing device 100 may transition 343 a portion of the anomaly sensing submodel n-3 (the previous anomaly sensing submodel of the anomaly sensing submodel n-2 340). The anomaly sensing submodel n-2 340 in which the learning is completed may be included in the anomaly sensing model 300. The computing device 100 may store the anomaly sensing submodel n-2 340 on which the learning is completed, separately from other anomaly sensing 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 sensing 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 interval after the time interval in which the training data subset n-2 341 is generated. The anomaly sensing submodel n-1 330 may be a submodel generated after the anomaly sensing submodel n-2 340. The computing device 100 may use a part of the learned state of the anomaly sensing submodel n-2 340 for learning the anomaly sensing submodel n-1 330. The computing device 100 may set at least a portion of the initial weight of the anomaly sensing submodel n-1 330 as the weight of the learned anomaly sensing submodel n-2 340. The anomaly sensing submodel n-1 330 in which learning is completed may be included in the anomaly sensing model 300. The computing device 100 may store the anomaly detection submodel n-1 330 on which the learning is completed, separately 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 sensing submodel n 320 using the training data subset n 321. The training data subset n 321 may include training data generated in a time interval subsequent to the time interval in which the training data subset n-1 331 is generated. The anomaly sensing submodel n 320 may be a submodel generated after the anomaly sensing submodel n-1 330. The computing device 100 may use a part of the learned state of the anomaly sensing submodel n-1 330 to learn the anomaly sensing submodel n 320. The computing device 100 may set at least a portion of the initial weight of the anomaly sensing submodel n 320 as the weight of the learned anomaly sensing submodel n-1 330. The anomaly detection submodel n 320 having completed the learning may be included in the anomaly detection model 300. The computing device 100 may store the anomaly sensing submodel n 320 in which learning is completed separately from other anomaly sensing 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 trains each anomaly sensing submodel using each of the plurality of training data subsets to generate an anomaly sensing model 300, whereby the anomaly sensing model 300 is a different type of input data. Can be processed. In addition, the computing device 100 may utilize the previous anomaly detection submodel in which the learning is completed, so that the knowledge of the completed submodel is not forgotten by the update of the submodel when learning each anomaly sensing submodel. Can be. When the process changes, the input data obtained correspondingly may change. However, input data before and after process changes may share much. Therefore, by generating the anomaly sensing submodel according to the change of the input data such as the process change, the input data can be processed regardless of the input data change, and the knowledge learned between the anomaly sensing submodels is transferred to the next submodel. This can solve the problem of performance loss caused by forgetting.

도 4 은 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 서브모델(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 anomaly exists in the input data 310 using the anomaly sensing model 300. The anomaly sensing model 300 may include a plurality of anomaly sensing submodels 320, 330, 340, and 350. As described above, the anomaly sensing submodels 320, 330, 340, and 350 are trained corresponding to the grouped learning data, and may share the knowledge learned in the previous submodel.

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 서브모델(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 input data 310 that may be generated in a process while the process continues. The computing device 100 uses at least some of the plurality of anomaly sensing submodels 320, 330, 340, and 350 included in the anomaly sensing model 300 to determine whether anomaly exists in the input data 310. Can be judged. The computing device 100 may first determine whether anomaly exists in the input data 310 using the 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 sensing submodel n 320, the computing device 100 determines that the input data 310 is normal. It may be determined that the data (325). When the computing device 100 determines that a new pattern exists 327 in the input data 310 as a result of the determination using the anomaly sensing submodel n 320, the new pattern may be anomaly or anomaly. The Mali sense submodel n 320 may be a normal pattern of past processes that have not been trained. This new pattern may also be a lack of the transfer of knowledge learned from previous anomaly sensing submodels. Therefore, in this case, the computing device 100 determines that the new data is included in the input data using the anomaly detection submodel n 320, and when it is determined that the new data is included in the input data, the anomaly The sensing submodel n-1 330 may determine whether a new pattern is included in the input data.

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 determining whether the computing device 100 includes the new pattern in the input data 310 using the anomaly sensing submodel n-1 330, the new pattern in the input data 310 (ie, the training data subset). If it is determined that the pattern that is not included in the 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 sensing submodel n 320, but may be determined to include only a previously learned pattern in the anomaly sensing submodel n-1 330. In this case, the input data 310 may be input data obtained in the production process by the previous recipe. In other words, the input data 310 in this case may be an image of a normal product of a past process, data of a normal operating parameter of a past process, sensor data of a past process, and the new anomaly detection submodel may include a new pattern. As it has been determined to include, past processes may differ from the latest processes.

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. When the computing device 100 determines whether the new data is included in the input data 310 using the anomaly sensing submodel n-1 330, the computing device 100 determines that the new data is included in the input data 310 (337). The computing device 100 may determine whether the new data is included in the input data 310 by using the anomaly sensing 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. As a result of determining whether the computing device 100 includes the new pattern of the input data 310 using the anomaly sensing submodel n-2 340, the new pattern (ie, the training data subset n) is included in 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 sensing submodel n 320 and the anomaly sensing submodel n-1 330, but in the anomaly sensing submodel n-2 340. It may be determined to include only the previously learned pattern. In this case, the input data 310 may be input data obtained in a production process by past recipes. That is, in this case, the input data 310 may be sensor data obtained in a past process, and since the latest anomaly sensing submodel is determined to include 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. 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. When the computing device 100 determines whether the new data is included in the input data 310 using the anomaly sensing submodel n-2 340, the computing device 100 determines that the new data is included in the input data 310 (347). The computing device 100 may determine whether the new data is included in the input data 310 by using the previous anomaly sensing submodel (not shown) of the anomaly sensing submodel n-2 340. have. In this manner, when it is determined that the new data is included in the input data, the computing device 100 may determine whether the new data is included in the input data by using the previous anomaly detection submodel, and the input data is normal. If it is determined that the call to the previous anomaly detection submodel can be stopped and the input data can be determined to be normal. In addition, the computing device 100 may determine that the input data 310 includes the anomaly when it is determined that the input data is included in the new pattern in the determination using all the anomaly sensing submodels.

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 one embodiment of the present disclosure, using the scale of the sub-model and the anomaly determination method as described above, the computing device 100 does not have to maintain all the past training data, and the effect of continuing learning only by accessing the previous submodel. You can enjoy In other words, by updating the model, the existing model is maintained and the new model inheriting a part of the existing model is trained with the new training data, without having to relearn through all previous training data. You can perform a model update. In addition, by having both models before and after updating, the model can process input data through all models without maintaining all training data, thereby solving other performance degradation problems with input data changes.

도 5 은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법의 순서도이다. 5 is a flowchart of a method for anomaly detection of data according to an embodiment of the present disclosure.

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). 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.The computing device 100 may generate an anomaly detection model that includes a plurality of anomaly detection submodels including pre-learned network functions using a plurality of learning data subsets included in the training data set (410). ). The plurality of learning data subsets may comprise different learning data grouped by predetermined criteria. In an embodiment of the present disclosure, the predetermined criterion for grouping the plurality of learning data subsets may include at least one of a generation time interval of the learning data and a domain of the learning data.

컴퓨팅 장치(100)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 동작하는 생산 공정의 센서 데이터, 생산 장비의 동작 파라미터 등을 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. 컴퓨팅 장치(100)는 제 1 어노말리 감지 서브모델을 생성 한 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. 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. 컴퓨팅 장치(100)는 각각의 학습 데이터 서브세트를 이용하여 각각의 어노말리 감지 서브모델을 생성한 후 어노말리 감지 서브모델들을 저장하여 어노말리 감지 모델을 생성할 수 있다. The computing device 100 generates a first anomaly sensing submodel that includes the first network function trained with the first training data subset, and then, if there is a change in the recipe, trained with the second training data subset. A second anomaly sensing submodel that includes a second network function may be generated. The first training data subset and the second data subset may include sensor data of a production process operating by different recipes, operating parameters of production equipment, and the like. Here, the initial weight of the second network function may share at least a portion of the weight of the pre-learned first network function. In this case, the first time interval may be a time interval earlier than the second time interval. Accordingly, the first anomaly sensing submodel may be a model generated before the second anomaly sensing submodel. After the computing device 100 generates the first anomaly sensing submodel, and wants to generate the second anomaly sensing submodel based on the recipe change, the computing device 100 converts a part of the first anomaly sensing submodel to a second anomaly. By utilizing a part of the sensing submodel, the model may be updated by reusing a part of the knowledge acquired in the first anomaly sensing submodel. In one embodiment of the present disclosure, when creating the next sub-model, by reusing part of the previous model, the knowledge learned in the previous model is passed on to the next model without forgetting, thereby improving the performance of the next model and overall Can reduce the learning time. The computing device 100 may generate each anomaly sensing submodel using each learning data subset, and then store the anomaly sensing submodels to generate an anomaly sensing model.

복수의 어노말리 감지 서브모델은, 제 1 시간 구간 동안 생성된 학습 데이터로 구성된 제 1 학습데이터 서브세트로 학습된 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. 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. The plurality of anomaly sensing submodels differ from the first anomaly sensing submodel and the first time interval comprising a first network function trained with a first subset of learning data consisting of training data generated during the first time interval. And a second anomaly sensing submodel comprising a second network function pre-learned with a second subset of learning data composed of learning data generated during the second time interval. For example, the subset of training data of the present disclosure can be grouped according to the generation time interval of the training data. In the case of a recipe change every six months in the semiconductor process, the training data generated for six months may constitute one subset of the training data. The description of the above-described semiconductor process is only an example and the present disclosure is not limited thereto.

또한, 본 개시의 다른 일 실시예에서, 복수의 어노말리 감지 서브모델은, 복수의 학습 데이터 서브세트로 학습될 수도 있다. 예를 들어, 어노말리 감지 서브모델은 제 1 시간 구간 동안 생성된 학습 데이터로 구성된 제 1 학습 데이터 서브세트 및 제 2 시간 구간 동안 생성된 학습 데이터로 구성된 제 2 학습 데이터 서브세트로 사전학습될 수도 있다. 즉, 하나의 어노말리 감지 서브모델은 복수의 노말 패턴에 대해서 학습될 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 학습 데이터 서브세트로 하나의 어노말리 감지 서브모델을 학습시킬 수 있다. 또한, 본 개시의 다른 일 실시예에서 제 1 시간 구간 동안 생성된 학습 데이터는 복수의 레시피에 의하여 생성된 학습 데이터를 포함할 수 있다. 이 경우, 컴퓨팅 장치(100)는 하나의 어노말리 감지 서브모델에 복수의 노말 패턴을 학습시킬 수 있다. 이러한 경우, 컴퓨팅 장치(100)는 어노말리 감지 서브모델 하나로 복수의 레시피에 의해 생성된 입력 데이터의 어노말리 포함 여부를 감지할 수 있다. 즉 본 개시의 다른 일 실시예에서, 어노말리 감지 서브모델 하나에 대응되는 정상 패턴은 복수 개 존재할 수 있으며(전술한 바와 같이, 하나의 어노말리 감지 서브모델은 복수의 정상 패턴을 학습할 수 있음), 컴퓨팅 장치(100)는 하나의 어노말리 감지 서브모델을 이용하여 복수의 정상 패턴을 처리할 수도 있다. 복수의 노말 패턴으로 어노말리 감지 서브모델을 학습시키는 경우, 학습 데이터의 수가 부족한 경우에도 학습이 가능하며, 하나의 노말 패턴에 대한 학습된 지식이 다른 노말 패턴의 학습에 사용될 수 있는 효과가 있다. Further, in another embodiment of the present disclosure, the plurality of anomaly sensing submodels may be trained with a plurality of learning data subsets. For example, the anomaly sensing submodel may be pre-learned with a first learning data subset consisting of training data generated during the first time interval and a second learning data subset consisting of learning data generated during the second time interval. have. That is, one normal sense submodel may be learned for a plurality of normal patterns. For example, the computing device 100 may train one anomaly sensing submodel with a plurality of subsets of training data. In addition, in another embodiment of the present disclosure, the training data generated during the first time interval may include training data generated by a plurality of recipes. In this case, the computing device 100 may train a plurality of normal patterns in one anomaly sensing submodel. In this case, the computing device 100 may detect whether or not anomaly is included in the input data generated by the plurality of recipes with one anomaly detection submodel. That is, in another embodiment of the present disclosure, there may be a plurality of normal patterns corresponding to one anomaly sensing submodel (as described above, one anomaly sensing submodel may learn a plurality of normal patterns). The computing device 100 may process a plurality of normal patterns using one anomaly sensing submodel. In the case of training an anomaly detection submodel with a plurality of normal patterns, learning can be performed even if the number of training data is insufficient, and the learned knowledge of one normal pattern can be used for learning another normal pattern.

컴퓨팅 장치(100)는 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산할 수 있다(430). 컴퓨팅 장치(100)는 생성된 복수의 어노말리 감지 서브모델 중 가장 최신의 어노말리 감지 서브모델을 이용하여 입력 데이터를 연산할 수 있다. 컴퓨팅 장치(100)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 장비의 동작 파라미터, 생산 과정에서 획득되는 센서 데이터 등을 포함할 수 있으나 본 개시는 이에 제한되지 않는다. 컴퓨팅 장치(100)는 어노말리 감지 서브모델을 이용하여 입력 데이터를 입력 데이터와 상이한 데이터로 변형하였다가 복원하는 연산을 수행할 수 있다. 컴퓨팅 장치(100)는 어노말리 감지 서브모델을 이용하여 입력 데이터의 차원을 감소시키고, 차원을 복원하여 입력 데이터와 유사한 출력을 생성하도록 연산할 수 있다. 컴퓨팅 장치(100)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, 컴퓨팅 장치(100)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, 컴퓨팅 장치(100)는 복수의 네트워크 함수에 입력 데이터를 입력하여 연산을 수행할 수도 있다. The computing device 100 may calculate input data by using at least one of the plurality of anomaly sensing submodels (430). The computing device 100 may calculate the input data using the latest anomaly detection submodel among the generated anomaly detection submodels. The computing device 100 may calculate input data using the most recent anomaly sensing submodel among the plurality of anomaly sensing submodels, and gradually generates anomalies gradually generated in the past from the most recent anomaly sensing submodel. Sensing submodels can also be used to compute input data. The input data may include image data of a product obtained in a production process, operating parameters of a production equipment, sensor data obtained in a production process, and the like, but the present disclosure is not limited thereto. The computing device 100 may perform an operation of transforming the input data into data different from the input data and restoring the data using the anomaly sensing submodel. The computing device 100 may calculate to reduce the dimension of the input data using the anomaly sensing submodel and to restore the dimension to produce an output similar to the input data. The computing device 100 may extract a feature from the input data using the anomaly sensing submodel and restore the input data based on the feature. As described above, since the network function included in the anomaly sensing submodel of the present disclosure may include a network function capable of restoring the input data, the computing device 100 may use the anomaly sensing submodel to store the input data. The operation can restore the input data. In another embodiment of the present disclosure, the anomaly sensing submodel may include a plurality of network functions, and in this case, the computing device 100 may input the input data to the plurality of network functions to perform an operation.

컴퓨팅 장치(100)는 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나의 입력 데이터에 대한 출력 데이터 및 입력 데이터에 기초하여 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있다(450). 컴퓨팅 장치(100)는 출력 데이터 및 입력 데이터 비교에 기초하여 계산된 재구성 오차에 기초하여 입력 데이터에 어노말리가 존재하는지 여부를 판단할 수 있다. 컴퓨팅 장치(100)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. The computing device 100 may determine whether anomaly exists in the input data based on the output data and the input data for the at least one input data of the generated plurality of anomaly sensing submodels (450). The computing device 100 may determine whether anomaly exists in the input data based on the reconstruction error calculated based on the comparison of the output data and the input data. When all of the plurality of anomaly sensing submodels included in the anomaly sensing model determine that anomaly exists in the input data, the computing device 100 may determine that anomaly exists in the input data.

도 6 은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법을 구현하기 위한 수단을 도시한 블록 구성도이다. 6 is a block diagram illustrating a means for implementing a method for anomaly detection of data according to an embodiment of the present disclosure.

본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법은 다음과 같은 수단에 의해 구현될 수 있다. According to one embodiment of the present disclosure, a method for anomaly detection of data may be implemented by the following means.

본 개시의 일 실시에에 따라 데이터의 어노말리 감지 방법은 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성하기 위한 수단(510); 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산하기 위한 수단(530); 및 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나의 입력 데이터에 대한 출력 데이터 및 상기 입력 데이터에 기초하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 수단(550)에 의하여 구현될 수 있다. According to one embodiment of the present disclosure, a method for anomaly detection of data includes anomaly including a plurality of anomaly detection submodels including a network function pre-learned using a plurality of learning data subsets included in a learning data set. Means (510) for generating a sense model; Means (530) for calculating input data using at least one of the generated plurality of anomaly sensing submodels; And means (550) for determining whether anomaly exists in the input data based on the input data and the output data for at least one input data of the generated plurality of anomaly sensing submodels. Can be.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산하기 위한 수단(530)은, 상기 어노말리 감지 서브모델에 포함된 네트워크에 의하여 상기 입력 데이터의 차원을 감소시켜 차원 감소 데이터를 생성한 후 상기 차원 감소 데이터의 차원을 복원한 출력 데이터를 생성하기 위한 수단을 포함할 수 있다. In an alternative embodiment of the anomaly sensing method of data, the means 530 for calculating input data using at least one of the generated plurality of anomaly sensing submodels is included in the anomaly sensing submodel. Means for generating dimension reduction data by reducing the dimension of the input data by a network and then generating output data reconstructing the dimension of the dimension reduction data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 수단(550)은 상기 출력 데이터 및 상기 입력 데이터의 비교에 기초하여 계산된 재구성 오차(reconstruction error)에 기초하여, 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 수단을 포함할 수 있다. In an alternative embodiment of the anomaly detection method of data, the means 550 for determining whether anomaly exists in input data is a reconstruction error calculated based on a comparison of the output data and the input data. Means for determining whether anomaly exists in the input data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 상기 방법은 추가적으로 포함되는 상기 어노말리 감지 모델에 포함된 상기 복수의 어노말리 감지 서브모델 모두가 상기 입력 데이터에 어노말리가 존재하는 것으로 판단한 경우, 상기 입력 데이터에 어노말리가 존재하는 것으로 판단하기 위한 수단에 의하여 구현될 수도 있다. In an alternative embodiment of a method for anomaly detection of data, the method further includes determining that anomaly exists in the input data when all of the plurality of anomaly detection submodels included in the anomaly detection model are additionally included. It may be implemented by means for determining that anomaly exists in the input data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 수단(550)은 상기 제 2 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 수단; 및 상기 제 2 어노말리 감지 서브모델이 상기 입력 데이터에 어노말리가 존재하는 것으로 판단하는 경우, 상기 제 1 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 수단을 포함할 수도 있다. In an alternative embodiment of the anomaly sensing method of data, the means 550 for determining whether anomaly exists in the input data uses the second anomaly sensing submodel to determine whether anomaly exists in the input data. Means for determining whether or not; And means for determining whether anomaly exists in the input data using the first anomaly sensing submodel when the second anomaly sensing submodel determines that anomaly exists in the input data. It may also include.

도 7 은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다. 7 is a block diagram illustrating a module for implementing a method for anomaly detection of data according to an embodiment of the present disclosure.

본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법은 다음과 같은 모듈에 의해 구현될 수 있다. According to an embodiment of the present disclosure, the anomaly detection method of data may be implemented by the following module.

본 개시의 일 실시에에 따라 데이터의 어노말리 감지 방법은 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성하기 위한 모듈(610); 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산하기 위한 모듈(630); 및 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나의 입력 데이터에 대한 출력 데이터 및 상기 입력 데이터에 기초하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 모듈(650)에 의하여 구현될 수 있다. According to one embodiment of the present disclosure, a method for anomaly detection of data includes anomaly including a plurality of anomaly detection submodels including a network function pre-learned using a plurality of learning data subsets included in a learning data set. A module 610 for generating a sense model; A module 630 for calculating input data using at least one of the plurality of anomaly sensing submodels; And an output data for at least one input data of the generated plurality of anomaly detection submodels and a module 650 for determining whether anomaly exists in the input data based on the input data. Can be.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산하기 위한 모듈(630)은, 상기 어노말리 감지 서브모델에 포함된 네트워크에 의하여 상기 입력 데이터의 차원을 감소시켜 차원 감소 데이터를 생성한 후 상기 차원 감소 데이터의 차원을 복원한 출력 데이터를 생성하기 위한 모듈을 포함할 수 있다. In an alternative embodiment of the anomaly sensing method of data, the module 630 for computing input data using at least one of the generated plurality of anomaly sensing submodels is included in the anomaly sensing submodel. And generating a dimension reduction data by reducing the dimension of the input data by a network, and then generating the output data reconstructing the dimension of the dimension reduction data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 모듈(650)은 상기 출력 데이터 및 상기 입력 데이터의 비교에 기초하여 계산된 재구성 오차(reconstruction error)에 기초하여, 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 모듈을 포함할 수 있다. In an alternative embodiment of the anomaly detection method of data, the module 650 for determining whether anomaly exists in the input data is a reconstruction error calculated based on the comparison of the output data and the input data. And a module for determining whether anomaly exists in the input data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 상기 방법은 추가적으로 포함되는 상기 어노말리 감지 모델에 포함된 상기 복수의 어노말리 감지 서브모델 모두가 상기 입력 데이터에 어노말리가 존재하는 것으로 판단한 경우, 상기 입력 데이터에 어노말리가 존재하는 것으로 판단하기 위한 모듈에 의하여 구현될 수도 있다. In an alternative embodiment of a method for anomaly detection of data, the method further includes determining that anomaly exists in the input data when all of the plurality of anomaly detection submodels included in the anomaly detection model are additionally included. It may be implemented by a module for determining that anomaly exists in the input data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 모듈(650)은 상기 제 2 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 모듈; 및 상기 제 2 어노말리 감지 서브모델이 상기 입력 데이터에 어노말리가 존재하는 것으로 판단하는 경우, 상기 제 1 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 모듈을 포함할 수도 있다. In an alternative embodiment of the method for anomaly detection of data, the module 650 for determining whether anomaly exists in the input data may use the second anomaly detection submodel to determine whether anomaly exists in the input data. A module for determining whether or not; And a module for determining whether anomaly exists in the input data using the first anomaly sensing submodel when the second anomaly sensing submodel determines that anomaly exists in the input data. It may also include.

도 8 은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법을 구현하기 위한 로직을 도시한 블록 구성도이다. 8 is a block diagram illustrating logic for implementing a method for anomaly detection of data according to an embodiment of the present disclosure.

본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법은 다음과 같은 로직에 의해 구현될 수 있다. According to an embodiment of the present disclosure, the anomaly detection method of data may be implemented by the following logic.

본 개시의 일 실시에에 따라 데이터의 어노말리 감지 방법은 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성하기 위한 로직(710); 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산하기 위한 로직(730); 및 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나의 입력 데이터에 대한 출력 데이터 및 상기 입력 데이터에 기초하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 로직(750)에 의하여 구현될 수 있다. According to one embodiment of the present disclosure, a method for anomaly detection of data includes anomaly including a plurality of anomaly detection submodels including a network function pre-learned using a plurality of learning data subsets included in a learning data set. Logic 710 for generating a sense model; Logic 730 for calculating input data using at least one of the plurality of anomaly sensing submodels; And logic 750 for determining whether anomaly exists in the input data based on the output data for the at least one input data of the generated plurality of anomaly sensing submodels and the input data. Can be.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산하기 위한 로직(730)은, 상기 어노말리 감지 서브모델에 포함된 네트워크에 의하여 상기 입력 데이터의 차원을 감소시켜 차원 감소 데이터를 생성한 후 상기 차원 감소 데이터의 차원을 복원한 출력 데이터를 생성하기 위한 로직을 포함할 수 있다. In an alternative embodiment of the anomaly sensing method of data, logic 730 for computing input data using at least one of the generated plurality of anomaly sensing submodels is included in the anomaly sensing submodel. Logic for generating the dimension reduction data by reducing the dimension of the input data by a network and then generating logic for generating the output data reconstructing the dimension of the dimension reduction data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 로직(750)은 상기 출력 데이터 및 상기 입력 데이터의 비교에 기초하여 계산된 재구성 오차(reconstruction error)에 기초하여, 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 로직을 포함할 수 있다. In an alternative embodiment of the method for anomaly detection of data, logic 750 for determining whether anomaly exists in input data is calculated based on a comparison of the output data and the input data. Logic for determining whether anomaly exists in the input data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 상기 방법은 추가적으로 포함되는 상기 어노말리 감지 모델에 포함된 상기 복수의 어노말리 감지 서브모델 모두가 상기 입력 데이터에 어노말리가 존재하는 것으로 판단한 경우, 상기 입력 데이터에 어노말리가 존재하는 것으로 판단하기 위한 로직에 의하여 구현될 수도 있다. In an alternative embodiment of a method for anomaly detection of data, the method further includes determining that anomaly exists in the input data when all of the plurality of anomaly detection submodels included in the anomaly detection model are additionally included. It may be implemented by logic for determining that anomaly exists in the input data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 로직(750)은 상기 제 2 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 로직; 및 상기 제 2 어노말리 감지 서브모델이 상기 입력 데이터에 어노말리가 존재하는 것으로 판단하는 경우, 상기 제 1 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 로직을 포함할 수도 있다. In an alternative embodiment of the method for anomaly detection of data, logic 750 to determine whether anomaly exists in the input data may use the second anomaly detection submodel to determine whether anomaly exists in the input data. Logic to determine whether or not; And when the second anomaly detection submodel determines that anomaly exists in the input data, use the first anomaly detection submodel to determine whether or not anomaly exists in the input data. It may also include.

도 9 은 본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법을 구현하기 위한 회로를 도시한 블록 구성도이다. 9 is a block diagram illustrating a circuit for implementing a method for anomaly detection of data according to an embodiment of the present disclosure.

본 개시의 일 실시예에 따라 데이터의 어노말리 감지 방법은 다음과 같은 회로에 의해 구현될 수 있다. According to an embodiment of the present disclosure, the anomaly detection method of data may be implemented by the following circuit.

본 개시의 일 실시에에 따라 데이터의 어노말리 감지 방법은 학습 데이터 세트에 포함된 복수의 학습 데이터 서브세트를 이용하여 사전학습된 네트워크 함수를 포함하는 복수의 어노말리 감지 서브모델을 포함하는 어노말리 감지 모델을 생성하기 위한 회로(810); 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산하기 위한 회로(830); 및 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나의 입력 데이터에 대한 출력 데이터 및 상기 입력 데이터에 기초하여 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 회로(850)에 의하여 구현될 수 있다. According to one embodiment of the present disclosure, a method for anomaly detection of data includes anomaly including a plurality of anomaly detection submodels including a network function pre-learned using a plurality of learning data subsets included in a learning data set. Circuitry 810 for generating a sense model; Circuitry 830 for calculating input data using at least one of the plurality of anomaly sensing submodels; And a circuit 850 for determining whether anomaly exists in the input data based on the input data and the output data for at least one input data of the generated plurality of anomaly sensing submodels. Can be.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 상기 생성된 복수의 어노말리 감지 서브모델 중 적어도 하나를 이용하여 입력 데이터를 연산하기 위한 회로(830)는, 상기 어노말리 감지 서브모델에 포함된 네트워크에 의하여 상기 입력 데이터의 차원을 감소시켜 차원 감소 데이터를 생성한 후 상기 차원 감소 데이터의 차원을 복원한 출력 데이터를 생성하기 위한 회로를 포함할 수 있다. In an alternative embodiment of the anomaly sensing method of data, circuitry 830 for computing input data using at least one of the generated plurality of anomaly sensing submodels is included in the anomaly sensing submodel. And reducing the dimension of the input data by the network to generate the dimension reduction data and then generating circuitry for generating the output data reconstructing the dimension of the dimension reduction data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 회로(850)는 상기 출력 데이터 및 상기 입력 데이터의 비교에 기초하여 계산된 재구성 오차(reconstruction error)에 기초하여, 상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 회로를 포함할 수 있다. In an alternative embodiment of the anomaly detection method of data, the circuit 850 for determining whether anomaly exists in input data is a reconstruction error calculated based on a comparison of the output data and the input data. And a circuit for determining whether anomaly exists in the input data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 상기 방법은 추가적으로 상기 어노말리 감지 모델에 포함된 상기 복수의 어노말리 감지 서브모델 모두가 상기 입력 데이터에 어노말리가 존재하는 것으로 판단한 경우, 상기 입력 데이터에 어노말리가 존재하는 것으로 판단하기 위한 회로에 의하여 구현될 수도 있다. In an alternative embodiment of a method for anomaly detection of data, the method further includes the input, when all of the plurality of anomaly sensing submodels included in the anomaly sensing model determine that anomaly exists in the input data. It may be implemented by circuitry for determining that anomalies exist in the data.

데이터의 어노말리 감지 방법의 대안적인 실시예에서, 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 회로(850)는 상기 제 2 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 회로; 및 상기 제 2 어노말리 감지 서브모델이 상기 입력 데이터에 어노말리가 존재하는 것으로 판단하는 경우, 상기 제 1 어노말리 감지 서브모델을 이용하여 입력 데이터에 어노말리가 존재하는지 여부를 판단하기 위한 회로를 포함할 수도 있다. In an alternative embodiment of the method for anomaly detection of data, the circuit 850 for determining whether anomaly exists in the input data uses the second anomaly detection submodel to determine whether anomaly exists in the input data. A circuit for determining whether or not; And a circuit for determining whether anomaly exists in the input data by using the first anomaly sensing submodel when the second anomaly sensing submodel determines that anomaly exists in the input data. It may also include.

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 skilled in the art will further appreciate that the various illustrative logical blocks, configurations, modules, circuits, means, logics, and algorithm steps described in connection with the embodiments disclosed herein may be electronic hardware, computer software, or a combination of both. It should be appreciated that it can be implemented with 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 particular application and design constraints 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 10는 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.10 shows a brief general schematic diagram of an example 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 조합으로서 구현될 수 있다는 것을 잘 알 것이다.Although the present disclosure has been described above generally with respect to computer executable instructions that may 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, 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, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types. In addition, those skilled in the art will appreciate that the methods of the present disclosure may include uniprocessor or multiprocessor computer systems, minicomputers, mainframe computers, as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, and the like (each of which And other computer system configurations, including 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 can also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications 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, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 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, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 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 that can be accessed by a computer can be a computer readable medium, which can be volatile and nonvolatile media, transitory and non-transitory media, removable and non-transitory media. Removable media. By way of example, and not limitation, computer readable media may comprise computer readable storage media and computer readable transmission media. Computer-readable storage media are volatile and nonvolatile media, temporary and non-transitory media, removable and non-removable implemented in any method or technology for storing information such as computer readable instructions, data structures, program modules or other data. Media. Computer storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROMs, digital video disks or other optical disk storage devices, magnetic cassettes, magnetic tapes, magnetic disk storage devices 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 구현하고 모든 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 embody computer readable instructions, data structures, program modules or other data in a modulated data signal, such as a carrier wave or other transport mechanism, and the like. Includes all information delivery media. The term modulated data signal means a signal that has one or more of its characteristics set or changed to encode information in the signal. By way of example, and not limitation, computer readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, or other wireless media. Combinations of any of the above should also 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 example environment 1100 is illustrated that implements various aspects of the present disclosure, including a computer 1102, which includes a processing unit 1104, a system memory 1106, and a system bus 1108. do. System bus 1108 connects system components, including but not limited to system memory 1106, to processing unit 1104. Processing unit 1104 may be any of a variety of commercial processors. Dual processor and other multiprocessor architectures may also be used as the 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)(2110) 및 랜덤 액세스 메모리(RAM)(2112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(2110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(2112)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 further 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) 2110 and random access memory (RAM) 2112. The basic input / output system (BIOS) is stored in nonvolatile memory 2110, such as ROM, EPROM, EEPROM, etc., and the BIOS provides a basic aid for transferring information between components in the computer 1102, such as during startup. Contains routines. RAM 2112 may also include high speed RAM, such as static RAM for caching data.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(2114)(예를 들어, EIDE, SATA)이 내장형 하드 디스크 드라이브(2114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음), 자기 플로피 디스크 드라이브(FDD)(2116)(예를 들어, 이동식 디스켓(2118)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(2114), 자기 디스크 드라이브(2116) 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 둘 다를 포함한다.Computer 1102 also includes an internal hard disk drive (HDD) 2114 (eg, EIDE, SATA). The internal hard disk drive 2114 may also be configured for external use within a suitable chassis (not shown). ), Magnetic floppy disk drive (FDD) 2116 (eg, for reading from or writing to removable diskette 2118), and optical disk drive 1120 (eg, CD-ROM disk) 1122 or for reading from or writing to other high capacity optical media such as DVD). The hard disk drive 2114, the magnetic disk drive 2116, and the optical disk drive 1120 are connected to the system bus 1108 by the hard disk drive interface 1124, the magnetic disk drive interface 1126, and the optical drive interface 1128, respectively. ) Can be connected. Interface 1124 for external drive implementation 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 nonvolatile 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 computer readable media above refers to HDDs, removable magnetic disks, and removable optical media such as CDs or DVDs, those skilled in the art will appreciate zip drives, magnetic cassettes, flash memory cards, cartridges, and the like. Other types of media readable by the computer, etc. may also be used in the exemplary operating environment and it will be appreciated that any such media may include computer executable instructions for performing the methods of the present disclosure.

운영 체제(2130), 하나 이상의 애플리케이션 프로그램(2132), 기타 프로그램 모듈(2134) 및 프로그램 데이터(2136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(2112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(2112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용 가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.Multiple program modules may be stored in the drive and RAM 2112, including operating system 2130, one or more application programs 2132, other program modules 2134, and program data 2136. All or a portion of the operating system, applications, modules and / or data may also be cached in RAM 2112. It will be appreciated that the present disclosure may be implemented in various commercially available operating systems or combinations of operating systems.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(2138) 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 enter commands and information into the computer 1102 through one or more wired / wireless input devices, such as a keyboard 2138 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 an input device interface 1142 that is connected to the system bus 1108, but the parallel port, IEEE 1394 serial port, game port, USB port, IR interface, Etc. can be connected by other interfaces.

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 via 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, 컴퓨팅 디바이스 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 communications. Remote computer (s) 1148 can be a workstation, computing device computer, router, personal computer, portable computer, microprocessor-based entertainment device, peer device, or other conventional network node, and typically is associated with computer 1102. Although many or all of the components described above are included, for simplicity, only memory storage 1150 is shown. The logical connections shown include wired / wireless connections to a local area network (LAN) 1152 and / or a larger network, such as a telecommunications network (WAN) 1154. Such LAN and WAN networking environments are commonplace in offices and businesses, facilitating enterprise-wide computer networks such as intranets, all of which can be connected to worldwide computer networks, such as 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 컴퓨팅 디바이스에 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 for communicating with wireless adapter 1156. When used in a WAN networking environment, the computer 1102 may include a modem 1158, connect to a communication computing device on the WAN 1154, or establish communications over the WAN 1154, such as over the Internet. Other means. The modem 1158, which may be an internal or external and wired or wireless device, is connected to the system bus 1108 via the serial port interface 1142. In a networked environment, program modules or portions thereof described with respect to computer 1102 may be stored in remote memory / storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing a communications link between the computers can 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 disposed and operating in wireless communication, such as a printer, scanner, desktop and / or portable computer, portable data assistant, communications satellite, wireless detectable tag. Communicate with any equipment or location and telephone. This includes at least Wi-Fi and Bluetooth wireless technology. Thus, the communication can be a predefined structure as in a conventional network or simply an 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 신뢰성 있으며 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.Wireless Fidelity (Wi-Fi) allows you to connect to the Internet without wires. Wi-Fi is a wireless technology such as a cell phone that allows a device, for example, a computer, to transmit and receive data indoors and outdoors, ie 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 secure, reliable, high-speed wireless connections. Wi-Fi may 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 wireless bands, for example, at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band). have.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.Those skilled in the art will appreciate that information and signals may be represented using any of a variety of different technologies and techniques. For example, data, instructions, instructions, information, signals, bits, symbols, and chips that may be referenced in the above description may include voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields. Or particles, or any combination thereof.

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.One of ordinary skill in the art of the disclosure will appreciate that the various illustrative logical blocks, modules, processors, means, circuits and algorithm steps described in connection with the embodiments disclosed herein may be implemented in electronic hardware, It will be appreciated that for purposes of the present invention, various forms of program or design code, or combinations thereof, may be implemented. 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. One skilled in the art of the present disclosure may implement the described functionality in various ways for each particular 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. The various embodiments presented herein may be embodied in 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 may include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash memory. Devices, such as, but not limited to, EEPROM, cards, sticks, key drives, and the like. In addition, various storage media presented herein include one or more devices and / or other machine-readable media for storing information.

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 processes presented is an example of exemplary approaches. Based upon design priorities, it is understood that the specific order or hierarchy of steps in the processes may be rearranged within the scope of the present disclosure. The accompanying method claims present 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.The 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 skilled in the art, and the generic principles defined herein may be applied to other embodiments without departing from the scope of the present disclosure. Thus, the present disclosure should not be limited to the embodiments set forth herein but should be construed in the broadest scope consistent with the principles and novel features set forth herein.

Claims

컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 네트워크 함수를 이용한 데이터의 어노말리 감지를 위한 이하의 방법을 수행하도록 하며, 상기 방법은,
어노말리 감지 모델을 생성하는 단계;
입력 데이터를 연산하는 단계; 및
상기 입력 데이터에 어노말리가 존재하는지 여부를 판단하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.A computer program stored in a computer readable storage medium, wherein the computer program executes the following method for anomaly detection of data using a network function when executed in one or more processors.
Generating an anomaly sensing model;
Calculating input data; And
Determining whether anomaly exists in the input data;
Containing,
Computer program stored on a computer readable storage medium.