面向边缘 IoT 系统的联邦隔离森林异常检测
机器学习
2025-09-05 v2 分布式、并行与集群计算
摘要
最近涌现出基于 Python TestBed for Federated Learning Algorithms 和 MicroPython TestBed for Federated Learning Algorithms 的联邦学习框架，以解决用户隐私 concerns 和嵌入式系统效率问题。更近期地，开发了一种基于 Isolation Forest 的高效联邦异常检测算法 FLiForest，提供一种低资源、无监督的方法，非常适合边缘部署和持续学习。在本文中，我们提出了一种基于 Isolation Forest 的温度异常检测方法，采用上述联邦学习框架，旨在运行 MicroPython 的小型边缘设备和 IoT 系统。该系统经过实验评估，在区分正常与异常读数方面实现了超过 96% 的准确率，在检测所有测试配置下的异常检测中实现了 78% 以上的精度，同时在模型训练期间保持内存使用低于 160 KB。这些结果凸显了其在资源受限环境和边缘系统中的适用性，同时坚持了数据隐私和协作学习的联邦学习原则。
引用
@article{arxiv.2506.05138,
title = {Federated Isolation Forest for Efficient Anomaly Detection on Edge IoT Systems},
author = {Pavle Vasiljevic and Milica Matic and Miroslav Popovic},
journal= {arXiv preprint arXiv:2506.05138},
year = {2025}
}
备注
6 pages, 4 algorithms, 5 figures, 2 tables