LightESD：面向边缘计算的全自动轻量级异常检测框架
机器学习
2023-05-23 v1 密码学与安全
摘要
异常检测广泛应用于从网络安全到制造、金融等诸多领域。基于深度学习的异常检测因其在识别复杂数据模式和准确发现离群点方面的优越能力而近期备受关注。然而，深度学习模型通常在中心服务器上利用从边缘设备收集的输入数据迭代优化，这种边缘设备与中心服务器间的数据传输给网络带来巨大开销，并导致额外延迟与能耗。为克服该问题，我们提出一种名为 LightESD 的基于统计学习的全自动、轻量级异常检测框架。它是一种设备端学习方法，无需边缘与服务器间数据传输，且极其轻量，大多数低端边缘设备均可轻松承载，延迟、CPU/内存占用与功耗均可忽略。同时，它取得了极具竞争力的检测精度。另一显著特征是可自动适应几乎任意数据集，无需手动设定或配置模型参数或超参数，而这是多数现有方法的缺陷。鉴于时间序列数据在物联网等边缘应用中的普遍性，我们聚焦于时间序列数据。我们的评估表明，LightESD 在检测精度、效率与资源消耗上均优于其他 SOTA 方法。此外，其全自动特性在实用性与泛化性方面赋予其另一竞争优势。
引用
@article{arxiv.2305.12266,
title = {LightESD: Fully-Automated and Lightweight Anomaly Detection Framework for Edge Computing},
author = {Ronit Das and Tie Luo},
journal= {arXiv preprint arXiv:2305.12266},
year = {2023}
}
备注
IEEE EDGE 2023, Chicago, USA, July 2023