Graph-Neural-Network-Based Intermittent Fault Diagnosis for Reliability of Symbiotic Internet of Things
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
Rapid iterations and updates in both software and hardware, along with significant advancements in communication technology, have given rise to the concepts of symbiotic Internet of Things (IoT) and ubiquitous interconnectivity, providing strong evidence for the flourishing development of the Internet of Things. However, the limited resources and computing capabilities, along with the heterogeneity of deployment environments, make symbiotic IoT devices more susceptible to security threats and operational issues. Intermittent failures are especially prevalent in the symbiotic IoT, leading to more significant risks for devices. In this paper, we present an IFDGAT-LSTM (Intermittent Fault Diagnosis Based on Long Short-Term Memory and Graph Attention Network) framework for diagnosing intermittent failures in wireless sensing devices within the symbiotic IoT. The framework is based on a graph neural network and takes into account not only the time series characteristics of symbiotic IoT devices but also their deployment topology. By incorporating both aspects, we achieve more accurate diagnostics of intermittent failures in the symbiotic IoT, thus enhancing its reliability. Firstly, we propose the concept of a quasi-dynamic graph based on the variations in the topology within the symbiotic IoT. Subsequently, we introduce an intermittent failure diagnosis framework that combines a graph neural network to identify intermittent failure nodes within the quasi-dynamic graph. Finally, we performed experiments on the WADI symbiotic IoT dataset to evaluate the performance of our model in diagnosing intermittent failure nodes. We used the precision, recall, and F1 score metrics for assessment. The experimental outcomes show that our proposed model, IFDGAT-LSTM, achieves an Precision of 99.58% in diagnosing intermittent failure nodes. This highlights the strong performance and efficacy of the IFDGAT-LSTM model.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découle