基于 K-Means 的 TinyML 异常检测与通过 Distributed Internet of Learning（DIoL）实现分布式模型复用
机器学习
2026-03-31 v1
摘要
本文提出一种轻量级 K-Means 异常检测模型及分布式模型共享工作流程，旨在资源受限的单片机（MCU）上实现。使用 mini-fridge appliance 的实际功率测量，系统在设备上执行特征提取、聚类和阈值估计，以识别异常的 appliance 行为。为避免在每个设备上重新训练模型，我们引入 Distributed Internet of Learning（DIoL），使在一个 MCU 上训练的模型可作为可移植的文本表示在其他设备上直接复用。两个设备的原型演示了 'Train Once, Share Everywhere'（TOSE）方法的可行性，基于实际 appliance 案例，其中 Device A 训练模型，Device B 在无需重新训练的情况下进行推理。实验结果显示，独立模式与 DIoL 模式下的异常检测行为一致，解析开销可忽略不计，推理运行时间相同。该框架实现了跨嵌入式设备 fleet 的可扩展、低成本 TinyML 部署。
关键词
引用
@article{arxiv.2603.27393,
title = {K-Means Based TinyML Anomaly Detection and Distributed Model Reuse via the Distributed Internet of Learning (DIoL)},
author = {Abdulrahman Albaiz and Fathi Amsaad},
journal= {arXiv preprint arXiv:2603.27393},
year = {2026}
}
备注
SaTC 2026 Conference