論文の概要: A Novel Self-Supervised Learning-Based Anomaly Node Detection Method
Based on an Autoencoder in Wireless Sensor Networks
- arxiv url: http://arxiv.org/abs/2212.13904v1
- Date: Mon, 26 Dec 2022 01:54:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 14:33:17.653265
- Title: A Novel Self-Supervised Learning-Based Anomaly Node Detection Method
Based on an Autoencoder in Wireless Sensor Networks
- Title（参考訳）: 無線センサネットワークにおけるオートエンコーダに基づく自己教師付き学習ベース異常ノード検出手法
- Authors: Miao Ye, Qinghao Zhang, Xingsi Xue, Yong Wang, Qiuxiang Jiang and
Hongbing Qiu
- Abstract要約: 本稿では,オートエンコーダに基づく自己教師付き学習に基づく異常ノード検出手法を設計する。
本手法は,時間的WSNデータフロー特徴抽出,空間的位置特徴抽出,モーダルWSN相関特徴抽出を統合する。
実験の結果、設計法はベースラインを上回り、F1スコアは90.6%に達した。
- 参考スコア（独自算出の注目度）: 4.249028315152528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the issue that existing wireless sensor network (WSN)-based anomaly
detection methods only consider and analyze temporal features, in this paper, a
self-supervised learning-based anomaly node detection method based on an
autoencoder is designed. This method integrates temporal WSN data flow feature
extraction, spatial position feature extraction and intermodal WSN correlation
feature extraction into the design of the autoencoder to make full use of the
spatial and temporal information of the WSN for anomaly detection. First, a
fully connected network is used to extract the temporal features of nodes by
considering a single mode from a local spatial perspective. Second, a graph
neural network (GNN) is used to introduce the WSN topology from a global
spatial perspective for anomaly detection and extract the spatial and temporal
features of the data flows of nodes and their neighbors by considering a single
mode. Then, the adaptive fusion method involving weighted summation is used to
extract the relevant features between different models. In addition, this paper
introduces a gated recurrent unit (GRU) to solve the long-term dependence
problem of the time dimension. Eventually, the reconstructed output of the
decoder and the hidden layer representation of the autoencoder are fed into a
fully connected network to calculate the anomaly probability of the current
system. Since the spatial feature extraction operation is advanced, the
designed method can be applied to the task of large-scale network anomaly
detection by adding a clustering operation. Experiments show that the designed
method outperforms the baselines, and the F1 score reaches 90.6%, which is 5.2%
higher than those of the existing anomaly detection methods based on
unsupervised reconstruction and prediction. Code and model are available at
https://github.com/GuetYe/anomaly_detection/GLSL
- Abstract（参考訳）: 本稿では,既存の無線センサネットワーク(WSN)に基づく異常検出手法が時間的特徴のみを考慮し,解析することから,オートエンコーダに基づく自己教師付き学習に基づく異常ノード検出手法を設計する。
この方法は、時間的wsnデータフロー特徴抽出、空間的位置特徴抽出、およびモード間wsn相関特徴抽出をオートエンコーダの設計に統合し、異常検出にwsnの空間的及び時間的情報をフル活用する。
まず、完全接続ネットワークを用いて、局所的な空間的視点から単一のモードを考慮し、ノードの時間的特徴を抽出する。
第2に、グラフニューラルネットワーク(GNN)を用いて、グローバルな空間的視点からWSNトポロジを導入して異常検出を行い、単一モードを考慮してノードとその隣人のデータフローの空間的・時間的特徴を抽出する。
次に、重み付き和を含む適応融合法を用いて、異なるモデル間の関連特徴を抽出する。
さらに,時間次元の長期依存問題を解決するために,ゲートリカレントユニット(GRU)を導入する。
最終的に、デコーダの再構成された出力とオートエンコーダの隠された層表現が完全に接続されたネットワークに供給され、現在のシステムの異常確率を算出する。
空間的特徴抽出操作が進んでいるため,クラスタリング操作を追加することにより,大規模ネットワーク異常検出タスクに設計手法を適用することができる。
実験により、設計した手法はベースラインを上回り、f1スコアは90.6%に達し、教師なしの再構成と予測に基づいて既存の異常検出手法よりも5.2%高い値を示した。
コードとモデルはhttps://github.com/guetye/anomaly_detection/glslで入手できる。
関連論文リスト
- Feature Selection for Network Intrusion Detection [3.7414804164475983]
本稿では,ネットワーク侵入を検出する際に,非情報的特徴の排除を容易にする情報理論を提案する。
提案手法は,ニューラルネットワークを用いた関数近似に基づいて,再帰層を組み込んだアプローチのバージョンを実現する。
論文 参考訳（メタデータ） (2024-11-18T14:25:55Z) - CNTS: Cooperative Network for Time Series [7.356583983200323]
本稿では,協調ネットワーク時系列法(Cooperative Network Time Series approach)と呼ばれる,教師なし異常検出のための新しい手法を提案する。
CNTSの中心的な側面は多目的最適化の問題であり、協調的な解法戦略によって解決される。
実世界の3つのデータセットの実験は、CNTSの最先端性能を示し、検出器と再構成器の協調的有効性を確認する。
論文 参考訳（メタデータ） (2023-02-20T06:55:10Z) - CAINNFlow: Convolutional block Attention modules and Invertible Neural
Networks Flow for anomaly detection and localization tasks [28.835943674247346]
本研究では, CBAMを組み込んだ複雑な関数モデルの設計を行い, 空間構造情報の保持と抽出を効果的に行うことができる。
CAINNFlowは,CNNとTransformerのバックボーンネットワークを特徴抽出器として,高度な精度と推論効率を実現する。
論文 参考訳（メタデータ） (2022-06-04T13:45:08Z) - Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。
ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
論文 参考訳（メタデータ） (2022-05-09T05:06:58Z) - Representation Learning for Content-Sensitive Anomaly Detection in
Industrial Networks [0.0]
本論文では、生のネットワークトラフィックの時空間的側面を教師なしかつプロトコルに依存しない方法で学習する枠組みを提案する。
学習された表現は、その後の異常検出の結果に与える影響を測定するために使用される。
論文 参考訳（メタデータ） (2022-04-20T09:22:41Z) - A Novel Anomaly Detection Method for Multimodal WSN Data Flow via a
Dynamic Graph Neural Network [4.383559317152992]
無線センサネットワーク(WSN)データストリームの時間的特徴と空間的特徴を分析し,システム異常を識別するために,異常検出が広く用いられている。
3つのグラフニューラルネットワーク(GNN)を用いて、WSNデータフローの時間的特徴を別々に抽出する。
各センサノードから抽出した時間的特徴とモーダル相関特徴を1つのベクトル表現に融合する。
WSNノードの現在の時系列データを予測し、融合特徴に応じて異常状態を識別する。
論文 参考訳（メタデータ） (2022-02-19T12:32:05Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - 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) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - 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。