論文の概要: An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process

• arxiv url: http://arxiv.org/abs/2511.00481v1
• Date: Sat, 01 Nov 2025 10:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.798781
• Title: An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process
• Title（参考訳）: マルコフプロセスを用いた無線センサネットワークの効率的な異常検出フレームワーク
• Authors: Rahul Mishra, Sudhanshu Kumar Jha, Omar Faruq Osama, Bishnu Bhusal, Sneha Sudhakaran, Naresh Kshetri,
• Abstract要約: 1次マルコフ連鎖モデルに基づく軽量かつ解釈可能な異常検出フレームワークが提案されている。 提案したフレームワークは、Intel Berkeley Research Labデータセットを使用して検証された。
• 参考スコア（独自算出の注目度）: 2.5777932046298786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wireless Sensor Networks forms the backbone of modern cyber physical systems used in various applications such as environmental monitoring, healthcare monitoring, industrial automation, and smart infrastructure. Ensuring the reliability of data collected through these networks is essential as these data may contain anomalies due to many reasons such as sensor faults, environmental disturbances, or malicious intrusions. In this paper a lightweight and interpretable anomaly detection framework based on a first order Markov chain model has been proposed. The method discretizes continuous sensor readings into finite states and models the temporal dynamics of sensor transitions through a transition probability matrix. Anomalies are detected when observed transitions occur with probabilities below a computed threshold, allowing for real time detection without labeled data or intensive computation. The proposed framework was validated using the Intel Berkeley Research Lab dataset, as a case study on indoor environmental monitoring demonstrates its capability to identify thermal spikes, voltage related faults, and irregular temperature fluctuations with high precision. Comparative analysis with Z score, Hidden Markov Model, and Auto encoder based methods shows that the proposed Markov based framework achieves a balanced trade-off between accuracy, F1 score is 0.86, interoperability, and computational efficiency. The systems scalability and low resource footprint highlight its suitability for large-scale and real time anomaly detection in WSN deployments.
• Abstract（参考訳）: Wireless Sensor Networksは、環境モニタリング、医療監視、産業自動化、スマートインフラストラクチャなど、様々なアプリケーションで使用されている現代のサイバー物理システムのバックボーンを形成する。 これらのネットワークを通じて収集されたデータの信頼性を確保することは、センサ障害、環境障害、悪意のある侵入など、多くの理由により異常を含む可能性があるため、不可欠である。 本稿では,マルコフ連鎖モデルに基づく軽量かつ解釈可能な異常検出フレームワークを提案する。 この方法は、連続センサ読み取りを有限状態に識別し、遷移確率行列を介してセンサ遷移の時間ダイナミクスをモデル化する。 観測された遷移が計算しきい値以下の確率で発生すると異常が検出され、ラベル付きデータや集中的な計算なしにリアルタイムに検出できる。 提案したフレームワークは、Intel Berkeley Research Labデータセットを用いて検証され、室内環境モニタリングのケーススタディでは、熱スパイク、電圧関連障害、高精度な不規則な温度変動を識別する能力を示している。 Zスコア、Hidden Markovモデル、Auto Encoderベースの手法との比較分析により、提案したMarkovベースのフレームワークは、精度、F1スコアは0.86、相互運用性、計算効率のバランスの取れたトレードオフを達成することが示された。 システムのスケーラビリティとリソースフットプリントの低さは、WSNデプロイメントにおける大規模かつリアルタイムな異常検出に適していることを強調している。

関連論文リスト

• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• Online Reliable Anomaly Detection via Neuromorphic Sensing and Communications [58.796149594878585]
  本稿ではニューロモルフィック無線センサネットワークに基づく低消費電力オンライン異常検出フレームワークを提案する。 検討したシステムでは、中央受信ノードが各時間フレームでニューロモルフィックセンサノード(ニューロSN)のサブセットを積極的にクエリする。 ニューロモルフィックセンサーは事象駆動であり、モニターされたシステムの関連する変化に対応してスパイクを発生させる。
  論文  参考訳（メタデータ） (2025-10-16T13:56:54Z)
• AI-Powered Machine Learning Approaches for Fault Diagnosis in Industrial Pumps [0.0]
  本研究では,実世界のセンサデータを用いた産業用ポンプシステムにおける早期故障検出の実践的アプローチを提案する。 フレームワークはスケーラブルで、解釈可能で、リアルタイムな産業展開に適している。
  論文  参考訳（メタデータ） (2025-08-21T13:33:09Z)
• Wavelet Scattering Transform and Fourier Representation for Offline Detection of Malicious Clients in Federated Learning [42.558423984270135]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散クライアント間で機械学習モデルのトレーニングを可能にする。 異常なクライアントや破損したクライアントの存在は、モデルパフォーマンスを著しく低下させる可能性がある。 我々は、トレーニング前に悪意のあるクライアントにラベル付けする検出アルゴリズムWAFFLEを提案する。 蒸留された公開データセットに基づいてトレーニングされた軽量検出器は、最小限の通信と計算オーバーヘッドでラベル付けを実行する。
  論文  参考訳（メタデータ） (2025-06-11T12:48:00Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• A task of anomaly detection for a smart satellite Internet of things system [0.9427635404752934]
  本稿では,教師なし深層学習異常検出システムを提案する。 生成する対向ネットワークと自己認識機構に基づいて,環境センサ変数間の複雑な線形および非線形の依存関係を自動的に学習する。 リアルタイム性能の高い実センサデータの異常点を監視でき、インテリジェント衛星インターネット・オブ・モノのシステム上で動作することができる。
  論文  参考訳（メタデータ） (2024-03-21T14:26:29Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• 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)
• Cloud-Edge Collaborative Data Anomaly Detection in Industrial Sensor Networks [14.787562130002557]
  本稿では,産業用センサネットワークにおけるクラウド・エッジ協調データ異常検出手法を提案する。 それは、個々のエッジにデプロイされたセンサーデータ検出モデルと、クラウドにデプロイされたセンサーデータ分析モデルで構成される。
  論文  参考訳（メタデータ） (2022-04-21T08:03:22Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)

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。