Anomalous energy detection for resource-constrained embedded systems using tracing data analysis
Notice bibliographique
Résumé
Since the multi-sensor embedded systems are spread all over the urban and suburban areas, there should be a real-time performance analysis framework to monitor the energy consumption of sensors and services. To this end, applying artificial intelligence to model the behavior can play a key role in improving operational efficiency and over-consumption detection. Most of the energy over-consumption detection approaches make use of external devices such as smart plugs or designed for smart buildings rather than computing devices. Through this paper, a new architecture is proposed in which we extract real-time execution traces after identifying the suspicious running applications using the dynamic binary instrumentation technique. The output of this step is fed to a data analytic framework to detect any behavioral anomalies such as over-threshold energy consumption. Finally, depending on the decision made by the anomaly detection step, some sensors might be switched to the standby mode in order to meet the essential expectations for other sensors or services. Since we have a resource-constrained embedded system and a real-time decision-making constraint on sensor control, the amount of computation that could be done in real-time varies a lot. Accordingly, the desired performance may dictate how, when, and where the processing operations might occur (on the embedded system or on a remote server). This work is mainly focused on anomaly detection operations using tracing data analysis. The experimental results show that the over-consumption detection model achieves a high level of accuracy metrics for classifying abnormal consumption behavior.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».