李怡/周长兵：边缘-云协作网络中精确且能量经济的异常检测【IEEE IOTJ, 2023】

2023-10-17     发布：[信息工程学院]    点击：265次

随着边缘智能在各个领域的广泛应用，异常检测成为确保物联网（IoT）应用程序健康运行的一项重要任务，旨在识别异常和罕见的情况。通常情况下，传感器节点在网络边缘收集传感数据，并完全传输到具有大容量存储和高计算性能的云中心，以开发重量级计算密集型算法来识别异常并确定其位置。然而，考虑到异常事件的低发生频率，基于云的异常检测可能导致相对较长的检测延迟。此外，这种策略可能会传输大量与异常无关的健康数据，从而增加了物联网网络中的通信成本。现有研究工作开始关注到这个问题，并将云层的计算任务卸载到网络边缘上，实现在边缘节点上进行传感数据收集和异常事件检测。然而，由于边缘节点通常是由电池供电的设备，它们资源匮乏且和容量有限。因此，在边缘-云协同网络中实现一种精确且能量经济的异常检测策略是迫切需要的。

针对上述科学问题，我校信息工程学院博士研究生李怡在周长兵教授和赵登老师的指导下，在三层物联网-边缘-云(3T-IEC)框架中提出一种精确且能量经济的异常检测机制。该工作的主要贡献如下：

1、在边缘层生成异常边界：使用Marching Squares算法在边缘网络中生成等高线，以表示与异常相关的事件边界。根据预设的异常阈值，这些等高线可以帮助确定异常边界的位置。

2、边缘层的传感数据过滤机制：设计一种过滤机制，尽可能多地过滤掉与异常无关的数据，只有与异常相关的传感数据才会被路由到云端进行深入分析，以减少传输的数据量和通信成本。

3、边缘-云联合细化异常边界：在云层里用克里金插值算法估计候选边界节点的位置，由边缘层的移动传感节点对其进行感知验证，并与相邻边缘网络中的边缘节点进行联合检查，进一步细化异常事件的初始边界。

4、使用在Towards Data Science的公开空气质量有毒气体数据集进行了大量实验，评估结果表明所提出的方法在异常检测的准确性和能耗方面优于目前最先进的技术。

图1 三层物联网-边缘-云(3T-IEC)异常检测框架

图2 边缘网络候选边界节点验证策略

本研究受到国家自然科学基金（42050103）资助。发表在国际权威期刊《IEEE Internet of Things Journal》：Yi Li, Zhangbing Zhou, Xiao Xue, Deng Zhao, Patrick C. K. Hung. Accurate Anomaly Detection With Energy Efficiency in IoT-Edge-Cloud Collaborative Networks[J]. IEEE Internet Things J. 10(19): 16959-16974 (2023).（中科院Q1区，影响因子10.6）

全文链接：https://ieeexplore.ieee.org/document/10120907