یادگیری ژرف فشرده سازی شده در لبه اینترنت اشیاء برای تشخیص آنومالی در داده های جریان دار

در این مقاله چارچوبی نوین برای تشخیص ناهنجاری در محیط های اینترنت اشیاء صنعتی ارائه شده است که تلفیقی از یادگیری ژرف فشرده شده و محاسبات نرم را در سطح لبه به کار می گیرد. در این رویکرد، ابتدا یک مدل خودرمزگذار در فضای ابری با استفاده از مجموعه داده ی Edge-IoTSet آموزش داده شده و سپس از طریق روش هرس وزنی فشرده سازی شده است تا امکان استقرار در دستگاه های با منابع محدود مانند ۴ Raspberry Pi فراهم شود. مدل فشرده شده پس از استقرار در لبه داده های حسگر جریان دار را به صورت برخط تحلیل می کند و خطای بازسازی را برای هر پنجره زمانی محاسبه می کند. به منظور افزایش تفسیرپذیری و کاهش نرخ هشدار کاذب خروجی مدل به یک سیستم فازی دو ورودی شامل «خطای بازسازی» و «پایداری» ناهنجاری ارسال می شود تا شدت ناهنجاری را در سه سطح Low، Medium، High تعیین کند. نتایج تجربی نشان می دهد که مدل پیشنهادی با وجود کاهش ۶۰% در اندازه مدل و ۵۸% در تاخیر استنتاج، دقتی معادل ۹۶.۸٪ حفظ نموده و نرخ مثبت کاذب را از ۴.۵٪ به ۲.۶٪ کاهش داده است. این ترکیب از یادگیری ژرف و منطق فازی تعادلی موثر میان دقت، کارایی محاسباتی و پایداری تصمیم فراهم می کند و رویکردی کارآمد برای پیاده سازی سامانه های نظارتی در محیط های صنعتی هوشمند به شمار می رود.

کلیدواژه ها:

یادگیری ژرف ، اینترنت اشیاء ، محاسبات نرم ، محاسبات لبه ای ، تشخیص ناهنجاری ، داده های جریان دار