論文の概要: LightESD: Fully-Automated and Lightweight Anomaly Detection Framework for Edge Computing

• arxiv url: http://arxiv.org/abs/2305.12266v1
• Date: Sat, 20 May 2023 18:48:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 23:18:59.241760
• Title: LightESD: Fully-Automated and Lightweight Anomaly Detection Framework for Edge Computing
• Title（参考訳）: LightESD:エッジコンピューティングのための完全自動化および軽量異常検出フレームワーク
• Authors: Ronit Das, Tie Luo
• Abstract要約: 異常検出は、サイバーセキュリティから製造業、金融など、幅広い領域で広く使われている。 ディープラーニングに基づく異常検出は、複雑なデータパターンを認識し、アウトリーチを正確に識別する能力に優れており、最近多くの注目を集めている。 我々は,LightESDと呼ばれる完全自動,軽量,統計的学習に基づく異常検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.096615629099617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection is widely used in a broad range of domains from cybersecurity to manufacturing, finance, and so on. Deep learning based anomaly detection has recently drawn much attention because of its superior capability of recognizing complex data patterns and identifying outliers accurately. However, deep learning models are typically iteratively optimized in a central server with input data gathered from edge devices, and such data transfer between edge devices and the central server impose substantial overhead on the network and incur additional latency and energy consumption. To overcome this problem, we propose a fully-automated, lightweight, statistical learning based anomaly detection framework called LightESD. It is an on-device learning method without the need for data transfer between edge and server, and is extremely lightweight that most low-end edge devices can easily afford with negligible delay, CPU/memory utilization, and power consumption. Yet, it achieves highly competitive detection accuracy. Another salient feature is that it can auto-adapt to probably any dataset without manually setting or configuring model parameters or hyperparameters, which is a drawback of most existing methods. We focus on time series data due to its pervasiveness in edge applications such as IoT. Our evaluation demonstrates that LightESD outperforms other SOTA methods on detection accuracy, efficiency, and resource consumption. Additionally, its fully automated feature gives it another competitive advantage in terms of practical usability and generalizability.
• Abstract（参考訳）: 異常検出は、サイバーセキュリティから製造業、金融など、幅広い領域で広く使われている。 ディープラーニングに基づく異常検出は、複雑なデータパターンを正しく認識し、異常値を正確に識別する能力が優れているため、最近多くの注目を集めている。 しかし、ディープラーニングモデルは通常、エッジデバイスから収集された入力データを中央サーバに繰り返し最適化し、エッジデバイスと中央サーバ間のデータ転送はネットワークにかなりのオーバーヘッドを課し、追加のレイテンシとエネルギー消費を発生させる。 そこで本研究では,LightESDと呼ばれる,完全自動,軽量,統計的学習に基づく異常検出フレームワークを提案する。 エッジとサーバ間のデータ転送を必要とせず、デバイス上での学習方法であり、ほとんどのローエンドエッジデバイスが、無視できる遅延、CPU/メモリ利用、電力消費で容易に手に入るように非常に軽量である。 しかし、高い競合検出精度を実現する。 もうひとつの優れた特徴は、モデルパラメータやハイパーパラメータを手動で設定したり設定したりすることなく、おそらく任意のデータセットに自動適応できることです。 IoTのようなエッジアプリケーションに広く普及しているため、時系列データに重点を置いています。 評価の結果,LightESDは他のSOTA法よりも精度,効率,資源消費に優れていた。 さらに、完全に自動化された機能によって、実用的なユーザビリティと汎用性という点で、別の競争上の優位性が得られます。

関連論文リスト

• Efficient Multi-Object Tracking on Edge Devices via Reconstruction-Based Channel Pruning [0.2302001830524133]
  現代のMOTシステムで使用されるような複雑なネットワークの圧縮に適したニューラルネットワークプルーニング手法を提案する。 我々は、高い精度を維持しつつ、最大70%のモデルサイズ削減を実現し、さらにJetson Orin Nanoの性能を向上させる。
  論文  参考訳（メタデータ） (2024-10-11T12:37:42Z)
• Energy-Efficient Edge Learning via Joint Data Deepening-and-Prefetching [9.468399367975984]
  我々は、JD2P(Joint Data Deepening-and-Prefetching)と呼ばれる新しいオフロードアーキテクチャを提案する。 JD2Pは2つの主要な技術からなる機能ごとのオフロードである。 MNISTデータセットを用いてJD2Pの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-19T08:12:47Z)
• 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)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• 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)
• Cost-effective Machine Learning Inference Offload for Edge Computing [0.3149883354098941]
  本稿では,インストール・ベース・オンプレミス(edge)計算資源を活用した新しいオフロード機構を提案する。 提案するメカニズムにより、エッジデバイスは、リモートクラウドを使用する代わりに、重い計算集約的なワークロードをエッジノードにオフロードすることができる。
  論文  参考訳（メタデータ） (2020-12-07T21:11:02Z)
• 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)
• pAElla: Edge-AI based Real-Time Malware Detection in Data Centers [19.967347450443803]
  我々は、高解像度電力消費におけるAI駆動エッジコンピューティングを含むDC/SCのセキュリティを高めるための新しいアプローチについて報告する。 pAEllaと呼ばれるこの方法は、リアルタイムマルウェア検出(MD)をターゲットにしており、DC/SC用のアウトオブバンドIoTベースの監視システムで動作し、電力測定のパワースペクトル密度を含む。 F1スコアは1に近づき、False AlarmとMalware Missは0%に近づいた。
  論文  参考訳（メタデータ） (2020-04-07T19:48:57Z)
• 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。