Details

Целью работы является обнаружение аномалий в работе систем интернета вещей на основе данных, генерируемых устройствами. Объектом исследования являются системы интернета вещей (IoT-системы) и многомерные временные ряды данных, формируемые датчиками устройств. Задачи, решаемые в ходе исследования: 1. Исследовать методы обнаружения аномалий в IoT-системах, выделить их достоинства и недостатки. 2. Разработать метод обнаружения аномалий в IoT-системах, устраняющий недостатки известных методов. 3. Разработать архитектуру нейронной сети, лежащей в основе метода обнаружения аномалий. 4. Провести экспериментальную оценку предложенного метода. В ходе работы были исследованы методы обнаружения аномалий: от классических до современных. В результате работы был предложен метод регуляризации графа, основанный на использовании экспертной матрицы смежности, позволяющий снижать влияние шумовых связей и повышать интерпретируемость модели. Экспериментальные результаты показали, что использование гибридного подхода улучшает структуру выученного графа и повышает точность предсказаний модели. Для достижения данных результатов был модифицирован программный модуль, реализующий гибридную архитектуру для обнаружения аномалий в IoT-системах, для добавления механизм регуляризации графа на основе экспертной матрицы смежности.

The purpose of the study is to detect anomalies in IoT-systems processes based on a data generated by connected devices. The object of the study is Internet of Things (IoT systems) and multivariate time series data produced by device sensors. Tasks addressed in the study: 1. Investigate methods for anomaly detection in IoT systems, to identify their advantages and disadvantages. 2. Develop a method of anomaly detection in IoT-systems, eliminating the shortcomings of existing methods. 3. develop the neural network architecture underlying the anomaly detection method. 4. Conduct an experimental evaluation of the proposed approach. During the work, methods for anomaly detection ranging from classical to modern approaches were studied. The work resulted in the proposal of a graph regularization method based on an expert adjacency matrix, which reduces the influence of noisy connections and improves model interpretability. Experimental results showed that the use of the hybrid approach improves the structure of the learned graph and increases the prediction accuracy of the model. To achieve these results, the software module implementing a hybrid anomaly detection architecture for IoT systems was modified to incorporate a graph regularization mechanism based on an expert adjacency matrix.