基于自编码器的智能农业生态系统异常检测
密码学与安全
2021-11-02 v1
摘要
物联网（IoT）设备在所有应用领域中的引入都在快速增长。智能农业支持设备互联，并借助互联网、云或边缘计算基础设施提供灌溉与施肥的远程控制、农场环境的实时监测，并为更可持续的实践提供解决方案。这可能涉及仅在检测到土壤湿度较低时才使用灌溉系统，或在植物达到充足土壤湿度含量时停止。这些对效率和易用性的改进伴随着安全和隐私风险的增加。大规模协同网络攻击会破坏农业依赖型国家的经济。对系统中的传感器而言，攻击可能表现为异常行为。在此背景下，异常可能由硬件故障、网络连接问题（若存在），或天气、人为事故或其他不可预见环境突变引起。为使此类系统更安全，必须检测此类数据差异并触发适当的缓解机制。本文中，我们提出一种使用无监督自编码器机器学习模型的智能农业异常检测模型。我们选择使用自编码器是因为它对数据进行编码和解码，并尝试忽略离群值。当遇到异常数据时，结果将呈现高重构损失值，表明该数据与其余数据不同。我们的模型在设计的温室测试平台收集的数据上训练和测试。所提出的基于自编码器的异常检测准确率达 98.98%，训练耗时 262 秒，检测时间为 0.0585 秒。
引用
@article{arxiv.2111.00099,
title = {Autoencoder-based Anomaly Detection in Smart Farming Ecosystem},
author = {Mary Adkisson and Jeffrey C Kimmel and Maanak Gupta and Mahmoud Abdelsalam},
journal= {arXiv preprint arXiv:2111.00099},
year = {2021}
}