嵌入式异常检测的实时机器学习
机器学习
2025-12-23 v1
摘要
资源受限的物联网环境和嵌入式设备的不断扩张，加大了对边缘异常检测的实时检测压力。本综述旨在为特定针对嵌入式设备的异常检测提供机器学习方法概述，严格限制延迟、内存和功耗。轻量级算法如隔离森林、单类 SVM、循环神经网络和统计技术被本综述根据嵌入式实现的现实情况进行比较。我们的综述揭示了检测准确性与计算效率之间的显著权衡，以及硬件约束如何根本性地重新定义算法选择。综述最后附上一套针对不同设备配置和 TinyML 新趋势的实用建议，帮助弥合检测能力与嵌入式现实之间的差距。该论文为部署受带宽限制且可能具有安全性要求的边缘环境中的异常检测提供了战略性路线图。
引用
@article{arxiv.2512.19383,
title = {Real-Time Machine Learning for Embedded Anomaly Detection},
author = {Abdelmadjid Benmachiche and Khadija Rais and Hamda Slimi},
journal= {arXiv preprint arXiv:2512.19383},
year = {2025}
}