論文の概要: Online Anomaly Detection Based On Reservoir Sampling and LOF for IoT devices

• arxiv url: http://arxiv.org/abs/2206.14265v1
• Date: Tue, 28 Jun 2022 19:44:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-30 20:24:01.209882
• Title: Online Anomaly Detection Based On Reservoir Sampling and LOF for IoT devices
• Title（参考訳）: 貯留層サンプリングとIoTデバイスのLOFに基づくオンライン異常検出
• Authors: Tomasz Szydlo
• Abstract要約: マイクロコントローラ(MCU)の場合、これは単一のメガバイトのプログラムと数百キロバイトのワーキングメモリである。 このようなアルゴリズムをデバイス上で直接トレーニングすることは可能であり、実際のデバイスでこのソリューションを利用する大きな可能性を秘めている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing number of IoT devices and their use to monitor the operation of machines and equipment increases interest in anomaly detection algorithms running on devices. However, the difficulty is the limitations of the available computational and memory resources on the devices. In the case of microcontrollers (MCUs), these are single megabytes of program and several hundred kilobytes of working memory. Consequently, algorithms must be appropriately matched to the capabilities of the devices. In the paper, we analyse the processing pipeline for anomaly detection and implementation of the Local Outliner Factor (LOF) algorithm on a MCU. We also show that it is possible to train such an algorithm directly on the device, which gives great potential to use the solution in real devices.
• Abstract（参考訳）: マシンや機器の動作を監視するIoTデバイスの増加と使用により、デバイス上で動作する異常検出アルゴリズムへの関心が高まっている。 しかし、困難はデバイス上の利用可能な計算資源とメモリ資源の制限である。 マイクロコントローラ(mcus)の場合、これらは1メガバイトのプログラムと数百キロバイトの動作メモリである。 したがって、アルゴリズムはデバイスの能力と適切に一致しなければならない。 本稿では,MCU上の局所アウトライン因子(LOF)アルゴリズムの異常検出と実装のための処理パイプラインの解析を行う。 また,このようなアルゴリズムをデバイス上で直接トレーニングすることは可能であり,実際のデバイスでソリューションを使用する可能性も高い。

関連論文リスト

• SATAY: A Streaming Architecture Toolflow for Accelerating YOLO Models on FPGA Devices [48.47320494918925]
  この作業は、超低レイテンシアプリケーションのために、最先端のオブジェクト検出モデルをFPGAデバイスにデプロイする際の課題に対処する。 YOLOアクセラレータにはストリーミングアーキテクチャ設計を採用しており、チップ上で完全なモデルを深くパイプライン化して実装しています。 データフロー方式でYOLOモデルの動作をサポートする新しいハードウェアコンポーネントを導入し、オンチップメモリリソースの制限に対処するために、オフチップメモリバッファリングを導入する。
  論文  参考訳（メタデータ） (2023-09-04T13:15:01Z)
• Cardiac Arrhythmia Detection using Artificial Neural Network [0.0]
  本研究の目的は,携帯型心臓異常モニタリング装置の開発である。 本稿では,Levenberg-Marquardt ANNアルゴリズムの汎用低消費電力ウェアラブルデバイスへの適用性について検討する。
  論文  参考訳（メタデータ） (2023-04-17T11:20:11Z)
• Efficient Attack Detection in IoT Devices using Feature Engineering-Less Machine Learning [0.0]
  本研究では,ディープラーニングパイプラインの機能工学をバイパスし,生パケットデータを入力として利用することにより,障壁を克服する方法を提案する。 我々は,IoTデバイス上でマルウェア検出を行う機能エンジニアリングレス機械学習(ML)プロセスを導入する。 提案するモデルである"Feature Engineering-less-ML (FEL-ML)"は、"Engineered"機能に関する余分な計算を不要とする軽量な検出アルゴリズムである。
  論文  参考訳（メタデータ） (2023-01-09T17:26:37Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• Collaborative Learning over Wireless Networks: An Introductory Overview [84.09366153693361]
  主に、ワイヤレスデバイス間の協調トレーニングに焦点を合わせます。 過去数十年間、多くの分散最適化アルゴリズムが開発されてきた。 データ局所性 – すなわち、各参加デバイスで利用可能なデータがローカルのままである間、共同モデルを協調的にトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-12-07T20:15:39Z)
• Detecting Attacks on IoT Devices using Featureless 1D-CNN [0.0]
  フィーチャーレス機械学習は、ネットワークトラフィックの低コストで低メモリの時系列解析を可能にする。 課題の専門家への多大な投資を排除し、機能エンジニアリングに要する時間を削減することで利益を得る。
  論文  参考訳（メタデータ） (2021-09-09T01:22:36Z)
• Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
  本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。 本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:11:15Z)
• Fast Federated Learning in the Presence of Arbitrary Device Unavailability [26.368873771739715]
  Federated Learning (FL)は異種デバイスをコーディネートして、ユーザのプライバシを維持しながら共有モデルを協調的にトレーニングする。 ひとつの課題は、デバイスが中央サーバ以外のトレーニングプロセスから外れることだ。 我々はこの問題を解決するためにIm Federated A patientaging (MIFA)を提案する。
  論文  参考訳（メタデータ） (2021-06-08T07:46:31Z)
• An Efficient One-Class SVM for Anomaly Detection in the Internet of Things [25.78558553080511]
  安全なモノのインターネット(IoT)デバイスは、重要なインフラストラクチャとインターネット全体に重大な脅威をもたらします。 これらのデバイスから異常な行動を検出することは 依然として重要です ワンクラスサポートベクターマシン(OCSVM)は、ノベルティ検出のための最先端のアプローチの1つです。
  論文  参考訳（メタデータ） (2021-04-22T15:59:56Z)
• 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)
• Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
  無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。 本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
  論文  参考訳（メタデータ） (2021-02-09T15:48:35Z)

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。