ارائه یک چارچوب یادگیری بدون نظارت مبتنی بر اتوانکدر چندنمایی جهت تشخیص ناهنجاری ها در شبکه های اینترنت اشیاء

گسترش سریع سامانه های اینترنت اشیاء (IoT) منجر به تولید داده های ناهمگون از منابع و نماهای مختلف شده است که تشخیص ناهنجاری و به ویژه تضادهای رفتاری و عملکردی را به یک چالش اساسی تبدیل می کند. در بسیاری از سناریوهای واقعی تضاد نه به صورت انحراف در یک منبع داده منفرد بلکه در قالب ناسازگاری میان چند نمای مکمل از رفتار دستگاه ها و شبکه بروز می یابد. با این حال بخش عمده ای از روش های موجود بر تحلیل تکنمایی یا مدل های نظارت شده متکی بوده و توانایی محدودی در شناسایی تضادهای نوظهور و چند منبعی دارند. در این مقاله یک معماری اتوانکدر چند نمایی بدون نظارت برای تشخیص تضاد در شبکه های IoT ارائه می شود. در چارچوب پیشنهادی هر نمای داده به طور مستقل توسط یک رمزگذار اختصاصی پردازش شده و بازنمایی های حاصل در یک فضای نهفته مشترک ادغام می شوند. این فضای نهفته الگوهای نرمال همبستگی میان نماهای مختلف را یاد می گیرد. سپس با بازسازی هر نما از طریق رمزگشاهای متناظر خطاهای بازسازی به عنوان شاخصی از میزان سازگاری میان نماها مورد تحلیل قرار می گیرند. افزایش معنادار یا ناهماهنگ خطای بازسازی در یک یا چند نما به عنوان نشانه ای از وقوع تضاد شناسایی می شود. ارزیابی تجربی بر روی مجموعه داده های مرجع IoT شامل TON-IoT و Bot-IoT نشان می دهد که مدل پیشنهادی با دقت ۹۸.۶، امتیاز F۱ برابر با ۹۸.۶ و مقدار AUC-ROC معادل ۰.۹۹۵ عملکرد رقابتی و پایداری را در شرایط داده های متعادل و نامتعادل ارائه می دهد. نتایج بیانگر آن است که معماری پیشنهادی بدون اتکا به قوانین دستی یا داده های برچسب خورده گسترده چارچوبی مقیاس پذیر و مقاوم برای تشخیص تضادهای چند منبعی و ناهنجاری های نوظهور در محیط های پویای IoT فراهم می سازد.

کلیدواژه ها:

تشخیص ، تضاد ، اینترنت اشیاء ، اتو انکدر چندنمایی ، یادگیری بدون نظارت ، تشخیص ناهنجاری ، خطای بازسازی