論文の概要: Exploring Scalable, Distributed Real-Time Anomaly Detection for Bridge
Health Monitoring
- arxiv url: http://arxiv.org/abs/2203.02380v1
- Date: Fri, 4 Mar 2022 15:37:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-07 16:19:47.972192
- Title: Exploring Scalable, Distributed Real-Time Anomaly Detection for Bridge
Health Monitoring
- Title(参考訳): ブリッジヘルスモニタリングのためのスケーラブルで分散リアルタイムな異常検出の探索
- Authors: Amirhossein Moallemi, Alessio Burrello, Davide Brunelli, Luca Benini
- Abstract要約: 現代のリアルタイム構造健康モニタリングシステムは、かなりの量の情報を生成することができる。
現在のクラウドベースのソリューションは、数千の建物から生データを収集する必要がある場合、スケールできない。
本稿では、SHMシステムのための効率よくスケーラブルな異常検出パイプラインのフルスタック展開について述べる。
- 参考スコア(独自算出の注目度): 15.920402427606959
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Modern real-time Structural Health Monitoring systems can generate a
considerable amount of information that must be processed and evaluated for
detecting early anomalies and generating prompt warnings and alarms about the
civil infrastructure conditions. The current cloud-based solutions cannot scale
if the raw data has to be collected from thousands of buildings. This paper
presents a full-stack deployment of an efficient and scalable anomaly detection
pipeline for SHM systems which does not require sending raw data to the cloud
but relies on edge computation. First, we benchmark three algorithmic
approaches of anomaly detection, i.e., Principal Component Analysis (PCA),
Fully-Connected AutoEncoder (FC-AE), and Convolutional AutoEncoder (C-AE).
Then, we deploy them on an edge-sensor, the STM32L4, with limited computing
capabilities. Our approach decreases network traffic by
$\approx8\cdot10^5\times$ , from 780KB/hour to less than 10 Bytes/hour for a
single installation and minimize network and cloud resource utilization,
enabling the scaling of the monitoring infrastructure. A real-life case study,
a highway bridge in Italy, demonstrates that combining near-sensor computation
of anomaly detection algorithms, smart pre-processing, and low-power wide-area
network protocols (LPWAN) we can greatly reduce data communication and cloud
computing costs, while anomaly detection accuracy is not adversely affected.
- Abstract(参考訳): 現代のリアルタイム構造健康モニタリングシステムは、初期の異常を検出し、土木インフラの状況について即座に警告や警報を発生させるために処理され、評価されなければならない大量の情報を生成することができる。
現在のクラウドベースのソリューションは、数千の建物から生のデータを集める必要がある場合、スケールできない。
本稿では,生データをクラウドに送信する必要がなく,エッジ計算に依存するSHMシステムのための,効率的でスケーラブルな異常検出パイプラインのフルスタック展開を提案する。
まず,主成分分析(PCA),完全連結オートエンコーダ(FC-AE),畳み込みオートエンコーダ(C-AE)の3つのアルゴリズムによる異常検出手法をベンチマークする。
次に、エッジセンサーであるSTM32L4に、限られた計算能力でデプロイする。
このアプローチは、ネットワークトラフィックを1回のインストールで780kb/hから10バイト/h未満に削減し、ネットワークとクラウドリソースの利用を最小限に抑え、監視インフラストラクチャのスケーリングを可能にする。
イタリアの高速道路橋での実際のケーススタディでは、異常検出アルゴリズムの近接センサー計算、スマート前処理、および低消費電力広域ネットワークプロトコル(lpwan)の組み合わせにより、データ通信とクラウドコンピューティングのコストを大幅に削減できるが、異常検出精度は悪影響を与えない。
関連論文リスト
- RIDE: Real-time Intrusion Detection via Explainable Machine Learning
Implemented in a Memristor Hardware Architecture [24.824596231020585]
本稿では、パケットの任意の長さのシーケンスをよりコンパクトな結合機能埋め込みに統合するために、リカレントオートエンコーダを利用するパケットレベルのネットワーク侵入検出ソリューションを提案する。
提案手法は,パケットレベルで高い検出精度で,極めて効率的かつリアルタイムな解が得られることを示す。
論文 参考訳(メタデータ) (2023-11-27T17:30:19Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳(メタデータ) (2023-09-22T06:19:11Z) - ARCADE: Adversarially Regularized Convolutional Autoencoder for Network
Anomaly Detection [0.0]
ARCADEと呼ばれる、教師なしの異常に基づくディープラーニング検出システム。
リソース制約のある環境でのオンライン検出に適した畳み込みオートエンコーダ(AE)を提案する。
論文 参考訳(メタデータ) (2022-05-03T11:47:36Z) - 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) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳(メタデータ) (2021-02-12T09:33:00Z) - Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural
Network [0.0]
エッジノードは、Internet-of-Thingsエンドポイント上の複数のサイバー攻撃を検出するために不可欠である。
DLM技術を用いてエッジノードに対するDoS攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発した。
論文 参考訳(メタデータ) (2021-02-03T04:24:34Z) - 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) - Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian
Detection [99.94079901071163]
本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。
我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。
我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
論文 参考訳(メタデータ) (2020-04-03T17:36:26Z) - 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。