현대 네트워크 인프라가 복잡해짐에 따라 고도화된 기술과 대응책이 필요해지고 있다. 그러나 기존 장애 분석은 주로 특정 임곗값 반응 등을 통해 이상 상황을 예측하며, 이러한 접근 방식은 네트워크 구조적 정보를 충분히 활용하지 못한다. 이를 위해 시계열 데이터의 지식 그래프 변환을 적용하여 네트워크 관계 정보를 학습하는 방법을 제안한다. 모델의 일반화 성능을 향상하기 위해 부정 샘플링을 적용하였으며, 하여 각 노드의 특성을 업데이트하고, 관계를 학습하여 성능을 개선하였다. 이를 통해 데이터 빈도수가 높게 나타나는 '정상' 상태의 편향증상을 완화하였고, 모델을 더 다양한 시나리오에 노출하여 성능을 향상했다. 이 방법을 통해, 유사 네트워크 장애 구별 능력을 크게 향상하였으며, 즉각적 원인 외의 고려 요인들을 다루어 개선하였다.