一种用于边缘辅助物联网中无监督异常检测的高效框架

《ACM Transactions on Sensor Networks》：An Efficient Framework for Unsupervised Anomaly Detection over Edge-Assisted Internet of Things

智能城市中基于边缘辅助IoT的异常检测框架研究。提出融合卷积自编码器与对抗训练的无监督深度学习模型，支持周期性数据采集和边缘端持续异常检测，采用自适应策略降低资源消耗，实验验证可有效挖掘多源传感数据的潜在关联特征，提升公共交通设施异常检测效率。

　　

摘要

在智能城市的公共交通和设施维护中，异常状态的检测起着关键作用。由于广泛部署了传感设备，人们可以收集并利用多维度传感数据来检测和分析潜在的异常情况，并及时作出反应。目前的努力主要集中在离线方法上，但这无法适应智能城市的需求，因为智能城市期望的是高效且实时的解决方案。本文提出了一种基于边缘辅助的物联网（IoTs）的新型异常检测框架。该框架允许定期从传感器收集数据，并在边缘节点进行持续异常检测。设计了一种新型的高效无监督深度学习模型，通过结合卷积自编码器和对抗训练来平衡异常检测过程中的资源消耗与准确性。同时，该框架还采用了一种自适应策略来降低整体资源消耗。根据理论分析和多个真实世界数据集的评估，所提出的框架能够发现多维度传感数据之间的潜在关联特征，并有效检测智能城市中公共交通和设施的异常情况。