論文の概要: Fast Wireless Sensor Anomaly Detection based on Data Stream in Edge
Computing Enabled Smart Greenhouse
- arxiv url: http://arxiv.org/abs/2107.13353v1
- Date: Wed, 28 Jul 2021 13:32:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 14:05:55.373212
- Title: Fast Wireless Sensor Anomaly Detection based on Data Stream in Edge
Computing Enabled Smart Greenhouse
- Title（参考訳）: エッジコンピューティングにおけるデータストリームに基づく高速無線センサ異常検出によるスマート温室効果
- Authors: Yihong Yang, Sheng Ding, Yuwen Liu, Shunmei Meng, Xiaoxiao Chi, Rui
Ma, Chao Yan
- Abstract要約: エッジコンピューティングを有効にするスマート温室は、IoT技術の代表的なアプリケーションである。
従来の異常検出アルゴリズムは、無線センサによって生成されたデータストリームの特性を適切に考慮していない。
- 参考スコア（独自算出の注目度）: 5.716360276016705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Edge computing enabled smart greenhouse is a representative application of
Internet of Things technology, which can monitor the environmental information
in real time and employ the information to contribute to intelligent
decision-making. In the process, anomaly detection for wireless sensor data
plays an important role. However, traditional anomaly detection algorithms
originally designed for anomaly detection in static data have not properly
considered the inherent characteristics of data stream produced by wireless
sensor such as infiniteness, correlations and concept drift, which may pose a
considerable challenge on anomaly detection based on data stream, and lead to
low detection accuracy and efficiency. First, data stream usually generates
quickly which means that it is infinite and enormous, so any traditional
off-line anomaly detection algorithm that attempts to store the whole dataset
or to scan the dataset multiple times for anomaly detection will run out of
memory space. Second, there exist correlations among different data streams,
which traditional algorithms hardly consider. Third, the underlying data
generation process or data distribution may change over time. Thus, traditional
anomaly detection algorithms with no model update will lose their effects.
Considering these issues, a novel method (called DLSHiForest) on basis of
Locality-Sensitive Hashing and time window technique in this paper is proposed
to solve these problems while achieving accurate and efficient detection.
Comprehensive experiments are executed using real-world agricultural greenhouse
dataset to demonstrate the feasibility of our approach. Experimental results
show that our proposal is practicable in addressing challenges of traditional
anomaly detection while ensuring accuracy and efficiency.
- Abstract（参考訳）: エッジコンピューティングを有効にしたスマート温室は、IoT技術の代表的なアプリケーションであり、環境情報をリアルタイムで監視し、インテリジェントな意思決定に寄与するためにその情報を利用することができる。
この過程では,無線センサデータの異常検出が重要な役割を果たす。
しかし、従来の異常検出アルゴリズムは、もともと静的データにおける異常検出のために設計されたもので、無限性、相関、コンセプトドリフトといった無線センサが生成するデータストリームの特性を適切に考慮していないため、データストリームに基づく異常検出には大きな課題があり、検出精度と効率が低下する可能性がある。
まず、データストリームは通常、無限で巨大なものを生成するため、データセット全体を保存したり、異常検出のためにデータセットを複数回スキャンしようとする従来のオフライン異常検出アルゴリズムは、メモリ空間がなくなる。
第二に、従来のアルゴリズムでは考慮しない異なるデータストリームの間に相関がある。
第三に、基礎となるデータ生成プロセスやデータ分散は時間とともに変化する可能性がある。
したがって、モデル更新のない従来の異常検出アルゴリズムは効果を失う。
これらの問題を考慮し, 局所感性ハッシュと時間ウィンドウに基づく新しい手法(DLSHiForest)を提案し, 高精度かつ効率的な検出を実現した。
総合的な実験は,実世界の農業用温室データセットを用いて実施し,その実現可能性を示す。
実験の結果,提案手法は従来の異常検出の課題に対処し,精度と効率を確保できることがわかった。
関連論文リスト
- DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。
DBSCANと学習ベースの異常検出を組み合わせる。
大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
論文 参考訳（メタデータ） (2024-05-13T13:47:15Z) - Anomaly Detection in Power Grids via Context-Agnostic Learning [4.865842426618145]
グリッド上のセンサの固定セットから得られる時系列測定値を考えると、ネットワークトポロジや測定データの異常を識別できるだろうか?
近年のデータ駆動型ML技術は、現在のデータと過去のデータを組み合わせて異常検出を行っている。
本稿では,正規位相と負荷/世代変化の影響を考慮した,文脈認識型異常検出アルゴリズムGridCALを提案する。
論文 参考訳（メタデータ） (2024-04-11T16:37:01Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Smart Meter Data Anomaly Detection using Variational Recurrent
Autoencoders with Attention [0.0]
本稿では,アテンション機構を備えた変分リカレントオートエンコーダに基づく教師なし異常検出手法を提案する。
スマートメーターの「汚れ」データを用いて、学習中の貢献度を減少させるために、欠落した値とグローバルな異常を事前に検出する。
論文 参考訳（メタデータ） (2022-06-08T19:39:51Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。
我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。
そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
論文 参考訳（メタデータ） (2021-07-27T06:48:20Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Zero-bias Deep Learning Enabled Quick and Reliable Abnormality Detection
in IoT [18.474662677341012]
本稿では,ゼロバイアスDNNとQuickest Event Detectionアルゴリズムを統合する。
異常と時間依存異常の両方を迅速かつ確実に検出するための総合的な枠組みを提供する。
実世界の航空通信システムからの膨大な信号記録とシミュレーションデータの両方を用いて,本フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2021-04-08T03:31:50Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。