PWPAE：一种面向物联网数据流中概念漂移适应的集成框架
机器学习
2022-02-07 v1 人工智能
密码学与安全
摘要
随着物联网（IoT）设备和系统数量的激增，物联网数据分析技术已被开发用于检测恶意网络攻击并保障物联网系统安全；然而，物联网数据分析中经常出现概念漂移问题，因为物联网数据通常是随时间变化的动态数据流，导致模型退化与攻击检测失败。这是因为传统数据分析模型是静态模型，无法适应数据分布变化。在本文中，我们通过物联网数据流分析提出了一种性能加权概率平均集成（PWPAE）框架，用于漂移自适应的物联网异常检测。在两个公开数据集上的实验表明了我们所提出的 PWPAE 方法相较于最先进方法的有效性。
引用
@article{arxiv.2109.05013,
title = {PWPAE: An Ensemble Framework for Concept Drift Adaptation in IoT Data Streams},
author = {Li Yang and Dimitrios Michael Manias and Abdallah Shami},
journal= {arXiv preprint arXiv:2109.05013},
year = {2022}
}
备注
Accepted and to appear in IEEE GlobeCom 2021; Code is available at Github link: https://github.com/Western-OC2-Lab/PWPAE-Concept-Drift-Detection-and-Adaptation