HoloTiny-AD: A Trustworthy Anomaly Detection in Resource-Constrained IoT Devices Using Holographic TinyML and Deep Metaheuristics
Notice bibliographique
Résumé
Mobile Edge Computing (MEC) security and performance may be threatened by network traffic anomalies such as illegal data transfers or access. Traditional detection methods, such as machine learning, statistical models, and signature-based methods, are ineffective for real-time monitoring in resource-constrained devices. TinyML deploys lightweight models on resource-limited devices for rapid, localized, low-power threat detection without cloud access, improving MEC real-time security. This paper introduces HoloTiny-AD, a real-time anomaly detection technique in MEC using the Holographic Counterpart (HC) architecture, TinyML, and Deep Particle Swarm Optimization (DPSO). The proposed approach effectively monitors and detects anomalies while using minimum computing resources, making it suitable for MEC. HC uses TinyML models trained with lightweight classifiers to mimic device state transitions and analyze anomalies to identify potential risks. DPSO optimizes parameters and task scheduling to increase detection accuracy and predict overload or busy state device failures. The proposed methodology is evaluated on two benchmark datasets: CIC-BCCC-NRC-ACI-IOT-2023 and CIC-IDS2017. Results show that HoloTiny-AD is a robust, scalable solution for securing edge devices against evolving network threats under resource constraints.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».