Resumen

Los algoritmos de detección de anomalías (ADA, por sus siglas en inglés) han sido ampliamente utilizados como servicios en muchas plataformas de monitoreo de mantenimiento. Sin embargo, existen numerosos algoritmos que podrían aplicarse a estos datos de flujo que cambian rápidamente. Además, en los datos de flujo de IoT debido a su naturaleza dinámica, ocurre el fenómeno de cambio de concepción. Por lo tanto, es una tarea desafiante elegir un servicio de detección de anomalías adecuado en tiempo real. Para una detección precisa de datos anómalos en línea, este documento desarrolló un método de selección de servicio para seleccionar y configurar ADS en tiempo de ejecución. Inicialmente, se aplica un extractor de características de series temporales (Tsfresh) y un método de selección de características basado en algoritmos genéticos para extraer rápidamente características dominantes que actúan como representación de los patrones de los datos de flujo. Además, se recopilan datos de flujo y varios algoritmos eficientes como nuestros datos histó

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Algoritmos de detección de anomalías; Plataformas de supervisión de mantenimiento; Datos de flujo IoT; Deriva de concepción; Método de selección de servicios; Extractor de características de series temporales
• Keywords:Anomaly detection algorithms; Maintenance monitoring platforms; IoT stream data; Conception drift; Service selection method; Time-series feature extractor