工业物联网中时序数据的深度异常检测：一种通信高效的设备端联邦学习方法
机器学习
2020-07-28 v1 分布式、并行与集群计算
机器学习
摘要
由于工业物联网 (IIoT) 中边缘设备故障（即异常）严重影响工业产品的生产，准确且及时地检测异常正变得愈发重要。此外，边缘设备收集的数据可能包含用户隐私数据，这在近年来用户隐私引发公众关注的背景下对当前的检测方法提出了挑战。为此，本文提出了一种基于通信高效的设备端联邦学习 (FL) 的深度异常检测框架，用于感知 IIoT 中的时序数据。具体而言，我们首先引入 FL 框架，使分散的边缘设备能够协作训练异常检测模型，从而提升其泛化能力。其次，我们提出一种基于注意力机制的卷积神经网络-长短期记忆网络 (AMCNN-LSTM) 模型来准确检测异常。AMCNN-LSTM 模型使用基于注意力机制的 CNN 单元来捕获重要的细粒度特征，从而防止记忆丢失和梯度弥散问题。此外，该模型保留了 LSTM 单元在预测时序数据方面的优势。第三，为使所提框架适应工业异常检测的时效性，我们提出了一种基于 Top-k 选择的梯度压缩机制以提高通信效率。在四个真实世界数据集上的大量实验研究表明，所提框架能够准确及时地检测异常，并且与使用梯度压缩方案的联邦学习框架相比，通信开销减少了 50%。
引用
@article{arxiv.2007.09712,
title = {Deep Anomaly Detection for Time-series Data in Industrial IoT: A Communication-Efficient On-device Federated Learning Approach},
author = {Yi Liu and Sahil Garg and Jiangtian Nie and Yang Zhang and Zehui Xiong and Jiawen Kang and M. Shamim Hossain},
journal= {arXiv preprint arXiv:2007.09712},
year = {2020}
}
备注
IEEE Internet of Things Journal