一种基于神经网络的边缘设备片上学习异常检测器
机器学习
2020-02-04 v5 机器学习
摘要
半监督异常检测是通过学习正常数据分布来识别异常的方法。基于反向传播神经网络（即 BP-NN）的方法近年来因其良好的泛化能力而受到关注。在典型情况下，基于 BP-NN 的模型在服务器机器上利用从边缘设备收集的输入数据迭代优化。然而，（1）迭代优化往往需要大量工作来跟踪正常数据分布的变化（即概念漂移），且（2）边缘与服务器间的数据传输带来额外延迟和能耗。为解决这些问题，我们提出 ONLAD 及其 IP 核，称为 ONLAD Core。ONLAD 经过高度优化，可在不到一毫秒内执行快速顺序学习以跟踪概念漂移。ONLAD Core 以低功耗实现边缘设备的片上学习，从而实现无需边缘与服务器间数据传输的独立执行。实验表明，ONLAD 在模拟概念漂移的环境中具有优良的异常检测能力。对 ONLAD Core 的评估确认其训练延迟比其他软件实现快 1.95 倍~6.58 倍。此外，在 PYNQ-Z1 板（小型 FPGA/CPU SoC 平台）上实现的 ONLAD Core 的运行功耗比它们低 5.0 倍~25.4 倍。
引用
@article{arxiv.1907.10147,
title = {A Neural Network-Based On-device Learning Anomaly Detector for Edge Devices},
author = {Mineto Tsukada and Masaaki Kondo and Hiroki Matsutani},
journal= {arXiv preprint arXiv:1907.10147},
year = {2020}
}