On Augmented Intelligence and Performance Anomaly Detection in Unlabeled OpenWiFi Data
Notice bibliographique
Résumé
Performance degradation of OpenWiFi traffic is a significant problem while provisioning service to a dense area consisting of thousands of clients operating at the same time. Among various vulnerabilities of poor performance in Wireless Local Area Networks (WLANs), deviation of a traffic pattern from normal indicates probable presence of anomaly or outlier. Adoption of machine learning algorithms including unsupervised and supervised models, the complexity of detection of a anomalous traffic along with respective root cause is untangled with augmented machine learning to involve domain knowledge input. In this paper, to cope with unlabeled data in an OpenWiFi setting, the following systematic work flow is proposed to augment machine learning-based anomaly detection. First, a combination of two unsupervised clustering algorithms is used to segregate the anomalies from normal distribution of traffic. The anomalous instances are confirmed via domain knowledge input. Next, supervised models are trained to detect anomalies in a different domain (Wireless Sensor Networks) with labeled data. Following upon feature extraction to obtain the same number of dimensions in the OpenWiFi data as the labeled dataset, trained supervised classifiers are used to detect anomalies in the OpenWiFi system. Furthermore, the impact of oversampling methods have also been investigated. Through numerical results we show the impact of the proposed supervised models in terms of decision-making metrics and the shift in performances from the standpoint of imbalanced distribution of rare-class classification problem.
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 | 0,001 |
| 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 ».