Towards Reliable IoT: Fog-Based AI Sensor Validation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Trust, reliability, and validation of data collected in distributed edge sensor systems is an increasingly relevant issue. Though the obvious solution of deploying redundant identical systems can provide validation, real-world modification constraints can sometimes make this difficult, or even prevent this. However, many distributed sensors exist for other purposes, that may be available to be used. Introducing validation with existing sensors may impose too high a requirement for bandwidth to use cloud-based validation, while edge-based validation may require too much computing power. A fog-based validation layer using sensory substitution is presented. With the rise of cyber-physical attacks on cloud, fog, and edge computing systems, validation is important, and lack of correct validation has been seen in some high impact cases where incorrect sensor data can be thought of as as true. A playback cyber-attack is discussed, and an algorithm for increasing reliability of IoT systems in the case of typical sensor errors or more serious incidents like cyber-physical attacks is presented. Given the need for dependable autonomy and reliability in IoT systems, this paper presents a method of sensor validation to increase robustness, resilience and dependability of sensed data by detecting false positives and negatives, and corroboration of true positives and negatives, using sensory substitution. Perhaps sometimes sensor data is trusted without ongoing validation. Using the example of cameras and artificial intelligence-based human presence detection, as well as using ambient distributed magnetometers and luminosity sensors, examples of a fog-based corroboration and validation methodology for human detection is presented. Results show the technique is an effective vector for sensor validation using available sensors, and scenarios where sensory substitution corrects false positives and false negatives from an artificial intelligence visual model are shown.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle