論文の概要: Detecting Anomalies within Smart Buildings using Do-It-Yourself Internet
of Things
- arxiv url: http://arxiv.org/abs/2210.01840v1
- Date: Tue, 4 Oct 2022 18:16:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 13:08:18.830260
- Title: Detecting Anomalies within Smart Buildings using Do-It-Yourself Internet
of Things
- Title(参考訳): 自己のモノのインターネットを用いたスマートビル内の異常検出
- Authors: Yasar Majib, Mahmoud Barhamgi, Behzad Momahed Heravi, Sharadha
Kariyawasam, Charith Perera
- Abstract要約: 本稿では,異常を発生した直後に検出する様々なメカニズムについて論じる。
複数の自作(DIY)IoTデバイスから、さまざまなセンサーを使ってデータを構築、収集しました。
また,環境条件に基づくサブデータセット抽出の長所と短所についても検討した。
- 参考スコア(独自算出の注目度): 1.233704313688752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting anomalies at the time of happening is vital in environments like
buildings and homes to identify potential cyber-attacks. This paper discussed
the various mechanisms to detect anomalies as soon as they occur. We shed light
on crucial considerations when building machine learning models. We constructed
and gathered data from multiple self-build (DIY) IoT devices with different
in-situ sensors and found effective ways to find the point, contextual and
combine anomalies. We also discussed several challenges and potential solutions
when dealing with sensing devices that produce data at different sampling rates
and how we need to pre-process them in machine learning models. This paper also
looks at the pros and cons of extracting sub-datasets based on environmental
conditions.
- Abstract(参考訳): 発生時の異常を検出することは、ビルや住宅などの環境において、サイバー攻撃の可能性を特定するために不可欠である。
本稿では,異常を発生した直後に検出する様々なメカニズムについて論じる。
マシンラーニングモデルを構築する上で,重要な考慮事項に光を当てています。
我々は、複数の自作(DIY)IoTデバイスからさまざまなセンサーを使ってデータを構築、収集し、ポイント、コンテキスト、および異常の組合せを見つける効果的な方法を発見した。
我々はまた、異なるサンプリングレートでデータを生成するセンサーデバイスを扱う際のいくつかの課題と潜在的な解決策、そして機械学習モデルでそれらを前処理する方法についても論じた。
本稿では,環境条件に基づくサブデータセット抽出の長所と短所についても考察する。
関連論文リスト
- SudokuSens: Enhancing Deep Learning Robustness for IoT Sensing
Applications using a Generative Approach [8.647778968634595]
本稿では、機械学習ベースのIoT(Internet-of-Things)アプリケーションにおいて、トレーニングデータの自動生成のための生成フレームワークであるSudokuSensを紹介する。
このフレームワークは、結果のディープラーニングモデルの堅牢性を改善し、データ収集が高価であるIoTアプリケーションを対象としている。
論文 参考訳(メタデータ) (2024-02-03T22:08:11Z) - Ensemble Learning based Anomaly Detection for IoT Cybersecurity via
Bayesian Hyperparameters Sensitivity Analysis [2.3226893628361682]
IoT(Internet of Things)は、世界中の何十億ものインテリジェントデバイスを統合し、他の接続デバイスと通信する機能を備えている。
IoTによって収集されたデータには、異常検出のための膨大な情報が含まれている。
本稿では,異常検出によるIoTサイバーセキュリティ向上のためのアンサンブル機械学習手法について検討する。
論文 参考訳(メタデータ) (2023-07-20T05:23:49Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳(メタデータ) (2023-04-21T02:20:24Z) - Exploring the Use of Data-Driven Approaches for Anomaly Detection in the
Internet of Things (IoT) Environment [4.724825031148412]
IoT(Internet of Things)は、物理コンピューティングデバイス、センサー、ソフトウェア、その他のテクノロジを接続するシステムである。
データは、人間のインタラクションを必要とせずに、ネットワーク上の他のデバイスと収集、転送、交換することができる。
近年,IoT環境における異常検出の研究が普及し,その必要性が高まっている。
論文 参考訳(メタデータ) (2022-12-31T06:28:58Z) - MetaGraspNet: A Large-Scale Benchmark Dataset for Vision-driven Robotic
Grasping via Physics-based Metaverse Synthesis [78.26022688167133]
本稿では,物理に基づくメタバース合成による視覚駆動型ロボットグルーピングのための大規模ベンチマークデータセットを提案する。
提案するデータセットには,10万の画像と25種類のオブジェクトが含まれている。
また,オブジェクト検出とセグメンテーション性能を評価するためのデータセットとともに,新しいレイアウト重み付け性能指標を提案する。
論文 参考訳(メタデータ) (2021-12-29T17:23:24Z) - Finding Facial Forgery Artifacts with Parts-Based Detectors [73.08584805913813]
顔の個々の部分に焦点を絞った一連の偽造検知システムを設計する。
これらの検出器を用いて、FaceForensics++、Celeb-DF、Facebook Deepfake Detection Challengeデータセットの詳細な実験分析を行う。
論文 参考訳(メタデータ) (2021-09-21T16:18:45Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - Occupancy Detection in Room Using Sensor Data [0.0]
本稿では,複数の変数を用いてセンサデータを用いて占有率を検出するソリューションを提案する。
Decision Tree, Random Forest, Gradient Boosting Machine, Logistic Regression, Naive Bayes, Kernelized SVM, K-Nearest Neighborsの7つの有名なアルゴリズムがテストされ、比較されている。
論文 参考訳(メタデータ) (2021-01-10T19:53:57Z) - Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
ビデオにおける異常検出は、コンピュータビジョンの問題である。
本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
論文 参考訳(メタデータ) (2020-11-15T10:21:28Z) - Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。
データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。
本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
論文 参考訳(メタデータ) (2020-10-27T09:56:16Z) - 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)
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。