Fault diagnosis in mobile computing using TwinSVM

Diagnóstico de fallas en computación móvil usando TwinSVM

Los sistemas informáticos móviles (SCM) se enfrentan al reto del bajo ancho de banda de comunicación y la escasa energía debido a la naturaleza móvil de la red. Estas características pueden provocar a veces un comportamiento indeseable del sistema que acabe afectando a su eficiencia. La tolerancia a fallos en MCS aumentará la eficiencia del sistema incluso en presencia de fallos. El objetivo principal de este trabajo es el desarrollo del Marco de Monitorización y la Detección y Clasificación de Fallos. Para la Monitorización de Nodos y para la detección y clasificación de fallos en el sistema se ha propuesto una técnica basada en la comparación de vecindades. El marco propuesto utiliza el algoritmo TWSVM (Twin Support Vector Machine) para construir un clasificador para la clasificación de fallos en la red móvil. El sistema propuesto se ha comparado con las técnicas existentes y se ha evaluado para calcular la precisión de la detección, la latencia, el consumo de energía, la tasa de entrega de paquetes, la tasa de falsa clasificación y la tasa de falsos positivos. El marco propuesto obtiene mejores resultados en todos los parámetros seleccionados.

1. INTRODUCCIÓN

La adopción de sistemas informáticos móviles en diversos campos ha madurado enormemente.  La razón principal es el alto nivel de rendimiento de dichos sistemas en entornos móviles. Los sistemas informáticos móviles son un conjunto de procesos que se comunican entre sí utilizando redes inalámbricas. En estas redes, todos los nodos se denominan Mobile Hosts (MH) y se comunican entre sí mediante Mobile Support Stations (MSS). Los fallos pueden desencadenarse por el mal funcionamiento de alguno de los nodos del sistema o por la transmisión de información falsa por parte de los nodos vecinos a todos los nodos de la red [1].

La gestión de fallos en la informática móvil requiere tres pasos principales: detección de fallos, localización de nodos defectuosos y recuperación de nodos [2].  Los enfoques de aprendizaje automático ayudan a automatizar y perfeccionar el sistema. Con la introducción de clasificadores de fallos eficientes como "TwinSVM", se ha mejorado la clasificación de fallos, lo que ha permitido aumentar la precisión de la detección y reducir las falsas alarmas.

Uno de los métodos más populares es el enfoque basado en la comparación, propuesto por [3][4], en el que todos los nodos que participan en la prueba determinan si los nodos vecinos tienen fallos o no. Los enfoques existentes se dividen en centralizados, distribuidos o híbridos, en los que la detección de fallos es responsabilidad del nodo central, de un conjunto de nodos o de una combinación de ambos, respectivamente [5].