An Accurate and Energy-Efficient Anomaly Detection in Edge-Cloud Networks
Notice bibliographique
Résumé
With the wide-adoption of edge-cloud networks in various domains, anomaly detection is a regularly performed task to guarantee the health of the Internet of Things (IoT) applications. Traditionally, sensory data are gathered at the network edge and completely routed to the cloud, where computational-heavy algorithms are mostly adopted to determine the locations of certain anomaly. Considering the occurrence infrequency of anomalies, this strategy may route relatively large-volume of sensory data, which reflects a healthy situation indeed, to the cloud. To reduce these anomaly-irrelevant sensory data transmitted in the network, this paper proposes an accurate and energy-efficient anomaly detection mechanism in three-Tier IoT-Edge-Cloud (3T-IEC) networks. Specifically, after gathering sensory data provided by IoT nodes in certain edge network, the edge node applies the Marching Squares algorithm to generate isopleths, where an isopleth may capture the boundary of anomaly. A filtering mechanism is conducted at the edge tier, such that anomaly-relevant sensory data are routed to the cloud. Thereafter, the boundary of anomaly is obtained, and the locations of candidate boundary nodes are derived by adopting the Kriging spatial interpolation algorithm at the cloud tier. These locations are traversed by mobile sensing nodes at edge networks, and their sensory data are gathered to refine the boundary. Extensive experiments are conducted, where an air quality hazardous gas dataset acquired from Towards Data Science is applied. Evaluation results show that our technique outperforms the state-of-the-art ones in boundary accuracy and energy-efficiency.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».