面向漏点检测的自适应XGBoost重训练方法：边缘原型构建与网络仿真评估

《Future Internet》：Adaptive Leak Detection for Water-Distribution Networks Under Realistic Label Availability: Distribution-Shift Analysis, an Edge-IoT Prototype, and Network-Level Evaluation

　　

摘要

我们针对模拟的 BattLeDIM 基准测试，评估了滚动窗口 XGBoost 重训练（自适应 XGBoost，AXGB）在漏点检测中的应用，并构建了一个边缘原型与网络仿真环境。AXGB-S 以每小时一次的有监督重训练方式处理 6 小时标签窗口，F1 值达到 0.993，但其 99.1% 的重训练会重复上一个标签；仅使用上一标签延续策略即可达到 0.999。当引入一天的标签延迟时，AXGB-S（0.928）、延续策略（0.934）以及自适应随机森林（0.931）只能在标签到达后才能检测到漏点。使静态 XGBoost（F1 = 0.448）失效的分布偏移，与未标注的背景泄漏量增加同时出现，这是一个重要但并非唯一的解释；与此同时，带表计的需求量有所下降。一个无需标签、由报警触发的自适应流入量模型（AXGB-U），在 1.2 小时后检测到 2018 年两个留出漏点中的一个（每周误报 0.36 次），并在 0.8 小时与 12.8 小时后分别检测到 2019 年四个大幅度突发漏点中的两个。基于 Arduino–Raspberry Pi 的原型验证了该边缘架构的一次可行部署。在 OMNeT++/INET 仿真中，注入的丢包几乎以一比一的比例到达检测器；亚秒级延迟没有影响。在闭环信道模型中，AXGB-U 在丢包比例最高达 50% 的所有运行中均能检测到首次测试漏点，但每周误报升至 3 次，且有 4 次运行是在 27–28 小时后才检测到该漏点。无上限的 1 Hz 报警突发开销是 5 分钟周期（30 分钟封顶：1.35 倍）的 53 倍。