무선 센서 네트워크(WSN)의 데이터 무결성 및 시스템 신뢰성을 저해하는 결함을 효율적으로 감지하기 위해 HiFiNet이라는 새로운 계층적 결함 식별 프레임워크를 제안합니다. 이 프레임워크는 LSTM 스택형 오토인코더를 사용한 엣지 분류기를 통해 시간적 특징을 추출하고 초기 결함 클래스를 예측하는 2단계 프로세스를 거칩니다. 이후, Graph Attention Network (GAT)를 사용하여 인접 노드로부터 정보를 집계하여 위상적 컨텍스트를 통합함으로써 분류를 개선합니다. HiFiNet은 지역적 시간 패턴과 네트워크 전체의 공간적 의존성을 모두 포착하여 정확한 예측을 수행합니다. Intel Lab Dataset 및 NASA의 MERRA-2 재분석 데이터에 특정 결함을 도입하여 합성 WSN 데이터 세트를 구축하여 HiFiNet을 검증한 결과, 기존 방법에 비해 정확도, F1 점수 및 정밀도에서 상당한 성능 향상을 보였습니다. 또한, 이 프레임워크는 진단 성능과 에너지 효율성 간의 균형을 조절할 수 있습니다.
