Resumen

Internet de las cosas (IoT) está emergiendo, y el 5G permite un transporte de datos mucho mayor desde fuentes móviles e inalámbricas. Los datos a transmitir son demasiados en comparación con la capacidad del enlace. Etiquetar los datos y transmitir solo la parte útil de los datos recopilados o sus características es una solución prometedora para este desafío. Los datos anómalos son valiosos debido a la necesidad de entrenar modelos y detectar anomalías al compararlos con datos normales ya desbordados. La etiqueta puede realizarse en las fuentes de datos o en los bordes para equilibrar la carga y la computación entre las fuentes, los bordes y los centros. Sin embargo, el método de etiquetado no supervisado sigue siendo un desafío que impide implementar las soluciones anteriores. Dos problemas principales en el etiquetado no supervisado son la multiseasonalidad dinámica a largo plazo y la heterocedasticidad. Este artículo propone un método basado en datos para manejar los problemas de modelado y heter

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Internet de las cosas; 5G; Transporte de datos; Etiquetado de datos; Datos anormales; Etiquetado no supervisado.
• Keywords:Internet of things; 5g; Data transport; Labelling data; Abnormal data; Unsupervised labelling.