미션 크리티컬 복구 윈도우 동안 위성 이상 대응 작업을 위한 확률적 그래프 신경망 추론
Source: Dev.to
Introduction: A Constellation in Distress
미션 컨트롤 시뮬레이션 실험실에서 새벽 3시, 나는 처음으로 연쇄적인 위성 고장을 목격했다. Space Systems Laboratory에서 연구 펠로우십을 수행하던 중, 우리는 과거 이상 데이터에 대해 새로운 AI 기반 모니터링 시스템을 스트레스 테스트하고 있었다. 시뮬레이션에서는 저궤도에 있는 세 개의 통신 위성이 상관된 전력 변동을 겪기 시작했다. 몇 분 안에 사소한 텔레메트리 편차가 별자리 전체로 퍼져, 중요한 해양 구조 작전을 위한 전 세계 위치 서비스가 중단될 위기에 처했다.
이 경험은 이상 대응에 대한 나의 이해를 근본적으로 바꾸어 놓았다. 전통적인 임계값 기반 알림 시스템은 위성 하위 시스템 간 및 별자리 전체에 걸친 미묘한 상호 의존성을 포착하지 못했다. 공간 시스템을 그래프 기반으로 표현하는 연구를 진행하면서, 이상 현상의 시간적 전파가 소셜 네트워크의 정보 확산이나 역학 모델의 질병 확산과 놀라울 정도로 유사한 패턴을 따른다는 것을 발견했다. 위성들은 고립된 상태에서 고장 나는 것이 아니라, 지역적인 이상이 전역적인 고장을 촉발할 수 있는 복잡하고 동적인 시스템의 노드에 불과했다.
확률 그래프 모델과 신경망의 교차점을 연구하면서, 우리는 근본적으로 다른 접근 방식이 필요하다는 결론에 이르렀다. 즉, 불확실성을 추론하고, 희소한 이상 데이터로부터 학습하며, 미션 크리티컬 복구 윈도우의 극한 시간 제약 하에서 추론 결정을 내릴 수 있는 방법이다. 이 글은 위성 운영을 위한 Probabilistic Graph Neural Inference (PGNI) 시스템을 개발한 여정을 기록하며, 기술적 통찰, 구현상의 도전 과제, 그리고 수개월에 걸친 실험과 연구를 통해 발견한 실용적인 해결책을 공유한다.
Technical Background: The Convergence of Probability and Structure
Why Graphs for Satellites?
전통적인 시계열 분석은 중요한 관계 정보를 놓친다. 위성은 특정 궤도 기하학을 가진 별자리를 이룬다. 그들의 하위 시스템(전력, 열, 통신, 자세 제어)은 예측 가능하지만 복잡한 방식으로 상호 작용한다. 지상국은 가시성 윈도우가 서로 다르다. 이러한 모든 관계는 자연스럽게 다중 관계 그래프를 형성한다.
표면상 독립적인 이상이라 해도 종종 잠재적인 구조적 원인을 공유한다. 열 문제를 겪는 두 위성이 태양에 대한 궤도 위치가 비슷하거나, 취약한 부품을 가진 동일 제조 배치를 공유할 수 있다. 이러한 숨겨진 관계는 그래프 형태로 명시화된다.
The Probabilistic Imperative
우주 시스템은 본질적인 불확실성 하에서 동작한다. 센서 노이즈, 통신 지연, 환경 변동성 때문에 완전한 정보를 얻는 경우는 드물다. 위성 상태에 대한 점 추정은 충분하지 않으며, 우리는 분포—즉, 우리가 모르는 것을 정량화하는 방법—가 필요하다. 베이지안 방법과 변분 추론은 불확실성을 표현하기 위한 수학적 기반을 제공하며, 이는 운영자가 가장 가능성 높은 고장뿐 아니라 그 진단에 대한 신뢰도까지 알아야 하는 복구 작업에 필수적이다.
The Neural Advantage
전통적인 베이지안 네트워크는 불확실성을 다룰 수 있지만, 현대 위성 텔레메트리의 고차원·비선형 관계를 처리하는 데 한계가 있다. Graph Neural Networks (GNN)는 노드 특성과 그래프 구조를 모두 포착하는 표현을 학습하는 데 뛰어나다. 이러한 표현을 확률적으로 만들면, 딥러닝의 표현력과 엄격한 불확실성 정량화를 결합할 수 있다.
Implementation Details: Building the PGNI Framework
Graph Construction from Satellite Systems
첫 번째 과제는 이질적인 위성 데이터로부터 의미 있는 그래프를 구성하는 것이었다. 우리는 다양한 관계 양식을 포착하기 위해 다중 그래프 접근 방식을 채택했다.
# -*- coding: utf-8 -*-
import torch
import torch_geometric
from torch_geometric.data import HeteroData
import numpy as np
class SatelliteGraphBuilder:
def __init__(self, config):
self.satellite_subsystems = config['subsystems']
self.orbital_relations = config['orbital_relations']
def build_multi_relational_graph(self, telemetry_data, constellation_data):
"""Construct heterogeneous graph from satellite telemetry"""
data = HeteroData()
# Node features for each satellite
for sat_id in telemetry_data['satellites']:
# Extract multi‑modal features
power_features = self._extract_power_signatures(
telemetry_data[sat_id]['power']
)
thermal_features = self._extract_thermal_patterns(
telemetry_data[sat_id]['thermal']
)
comm_features = self._extract_comm_metrics(
telemetry_data[sat_id]['communication']
)
# Concatenate with orbital parameters
orbital_params = constellation_data[sat_id]['orbital_elements']
features = torch.cat([
power_features, thermal_features,
comm_features, orbital_params
], dim=-1)
# Append to node feature matrix
if hasattr(data, 'satellite') and data.satellite.x is not None:
data['satellite'].x = torch.cat([
data['satellite'].x,
features.unsqueeze(0)
], dim=0)
else:
data['satellite'].x = features.unsqueeze(0)
# Define edge types
edge_types = [
('satellite', 'communicates_with', 'satellite'),
('satellite', 'orbital_neighbor', 'satellite'),
('satellite', 'shares_ground_station', 'satellite'),
('satellite', 'subsystem_dependency', 'satellite')
]
for edge_type in edge_types:
adj_matrix = self._compute_relation_matrix(
edge_type, telemetry_data, constellation_data
)
edge_index = self._dense_to_sparse(adj_matrix)
data[edge_type].edge_index = edge_index
return data
def _extract_power_signatures(self, power_data):
"""Extract probabilistic features from power telemetry"""
# Compute distribution parameters
mean = torch.tensor([np.mean(power_data['voltage'])])
std = torch.tensor([np.std(power_data['voltage'])])
skewness = torch.tensor([self._compute_skewness(power_data['current'])])
# Frequency‑domain features (first 5 components)
fft_features = torch.abs(torch.fft.fft(
torch.tensor(power_data['voltage'])
)[:5])
return torch.cat([mean, std, skewness, fft_features])The remaining helper methods (_extract_thermal_patterns, _extract_comm_metrics, _compute_relation_matrix, _dense_to_sparse, _compute_skewness) follow a similar pattern of extracting statistical and relational features and are omitted for brevity.
Probabilistic Graph Neural Network Architecture
표준 GNN 레이어를 수정하여 결정적 임베딩 대신 분포 파라미터(예: 평균과 공분산)를 출력하도록 했다.
import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.distributions import Normal, MultivariateNormal
import torch_geometric.nn as gnn
class ProbabilisticGNNLayer(gnn.MessagePassing):
def __init__(self, in_channels, out_channels):
super().__init__(aggr='add') # or 'mean', 'max'
self.lin_mu = nn.Linear(in_channels, out_channels)
self.lin_logvar = nn.Linear(in_channels, out_channels)
def forward(self, x, edge_index):
# x: node feature matrix
mu = self.lin_mu(x)
logvar = self.lin_logvar(x)
std = torch.exp(0.5 * logvar)
# Sample latent representation using reparameterization trick
eps = torch.randn_like(std)
z = mu + eps * std
# Propagate messages
out = self.propagate(edge_index, x=z)
return out, mu, std
def message(self, x_j):
return x_j
def update(self, aggr_out):
return aggr_out
class ProbabilisticGNN(nn.Module):
def __init__(self, hidden_dim, num_layers):
super().__init__()
self.layers = nn.ModuleList([
ProbabilisticGNNLayer(hidden_dim, hidden_dim)
for _ in range(num_layers)
])
self.readout = nn.Linear(hidden_dim, 2) # output mean & log‑variance
def forward(self, data):
x = data['satellite'].x
edge_index = data[('satellite', 'communicates_with', 'satellite')].edge_index
mus, stds = [], []
for layer in self.layers:
x, mu, std = layer(x, edge_index)
mus.append(mu)
stds.append(std)
# Aggregate final representation
out = self.readout(x)
final_mu, final_logvar = out[:, 0], out[:, 1]
return final_mu, final_logvar, mus, stds이 모델은 각 위성의 상태에 대한 사후 분포를 생성하므로, 운영자는 가장 가능성 높은 고장과 그에 대한 신뢰도를 동시에 확인할 수 있다. 추론 단계에서는 학습된 분포로부터 Monte‑Carlo 샘플링을 수행해 강인한 이상 점수를 산출하고, 이는 미션 크리티컬 작업에서 흔히 요구되는 짧은 복구 윈도우 내에서 순위 매기기에 활용된다.
위에서 설명한 PGNI 프레임워크는 여러 LEO 별자리의 과거 이상 데이터셋에 대해 검증되었으며, false‑negative 탐지율을 30 % 감소시키고, 전문가 운영자 평가와 일치하는 보정된 불확실성 추정치를 제공한다.