分层边缘计算下面向物联网的自适应异常检测：一种上下文赌博机方法
机器学习
2021-08-21 v1 人工智能
分布式、并行与集群计算
网络与互联网体系结构
摘要
深度神经网络（DNN）的进展显著增强了物联网应用中异常数据的实时检测。然而，复杂性-准确性-延迟困境依然存在：复杂的DNN模型提供更高准确性，但典型物联网设备几乎无法承受计算负载，而将负载卸载至云端的补救办法会带来长延迟。在本文中，我们通过提出一种基于分层边缘计算（HEC）的自适应异常检测方案来解决此挑战。具体而言，我们首先构建多个复杂性递增的异常检测DNN模型，并将每个模型关联到相应的HEC层。然后，我们设计一种自适应模型选择方案，将其表述为上下文赌博机（contextual-bandit）问题，并使用强化学习策略网络求解。我们还引入并行策略训练方法，利用分布式模型加速训练过程。我们使用真实物联网设备搭建HEC测试床，并在单变量与多变量物联网数据集上实现并评估我们的上下文赌博机方法。与基线及当前最优方案相比，我们的自适应方法在单变量数据集上取得了最佳的准确性-延迟权衡，并在多变量数据集上以仅略长于最佳（但缺乏灵活性）方案的延迟实现了最佳准确性与F1分数。
引用
@article{arxiv.2108.03872,
title = {Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach},
author = {Mao V. Ngo and Tie Luo and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:2108.03872},
year = {2021}
}
备注
Accepted in ACM Transactions on Internet of Things (TIOT) in August 2021. arXiv admin note: text overlap with arXiv:2001.03314, arXiv:2004.06896