Resumen

Al abordar el problema de la deteccin de anomalas en los datos de sensores, los algoritmos tradicionales suelen centrarse nicamente en la continuidad de los datos de una sola fuente e ignoran la correlacin espaciotemporal entre los datos de mltiples fuentes, lo que reduce en cierta medida la precisin de la deteccin. Adems, debido al rpido crecimiento de los datos de sensores, las plataformas centralizadas de computacin en la nube no pueden satisfacer las necesidades de deteccin en tiempo real de datos anmalos a gran escala. Para resolver este problema, se propone un mtodo de deteccin en tiempo real de datos anmalos de sensores IoT basado en edge computing. En primer lugar, los datos de los sensores se representan como series temporales; adems, se utiliza el algoritmo K-nearest neighbor (KNN) para detectar valores atpicos y grupos aislados del flujo de datos en las series temporales. En segundo lugar, se propone un algoritmo DBSCAN (Density Based Spatial Clustering of Applications with Noise) mejorado que tiene en cuenta la correlacin espaciotemporal entre datos de mltiples fuentes. Puede ajustarse en funcin de las caractersticas de la muestra en la ventana y supera el problema de la convergencia lenta utilizando parmetros globales y muestras grandes, y luego aprovecha al mximo la correlacin de datos para completar la deteccin de anomalas. Adems, este artculo propone un modelo de deteccin de anomalas distribuido para datos de sensores basado en la computacin de borde. Realiza el procesamiento de datos en recursos informticos cercanos a la fuente de datos en la medida de lo posible, lo que mejora la eficiencia global del procesamiento de datos. Finalmente, los resultados de la simulacin muestran que el mtodo propuesto tiene una mayor eficiencia computacional y precisin de deteccin que los mtodos tradicionales y tiene cierta viabilidad.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Detección de anomalías; Datos de sensores; Correlación espaciotemporal; Computación de bordes; K-nearest neighbor; DBSCAN
• Keywords:Anomaly detection; Sensor data; Spatiotemporal correlation; Edge computing; K-nearest neighbor; DBSCAN