چشم تیزبین لبه چارچوب فیلترینگ آماری سبک و هوشمند برای شناسایی ناهنجاری در سامانه های صنعتی مبتنی بر معماری لبه ابر

در سامانه های پایش صنعتی مدرن مبتنی بر معماری لبه ابر انتقال حجم بالای داده های سنسوری به زیرساخت های ابری علاوه بر افزایش هزینه های ارتباطی و مصرف انرژی موجب ایجاد تاخیر در تشخیص رفتارهای غیرعادی و افزایش بار پردازشی بر سامانه های تحلیلی مرکزی می شود. در این پژوهش یک چارچوب تصمیم گیری سلسله مراتبی و هزینه محور برای تشخیص ناهنجاری ارائه شده است که با توزیع هوشمند وظایف میان لایه لبه و ابر امکان انجام فیلترینگ اولیه داده ها در نزدیکی منبع تولید را فراهم می سازد. در این چارچوب لایه ابر با در نظر گرفتن هزینه های عملیاتی ناشی از خطاهای مثبت و منفی کاذب و همچنین هزینه ارجاع داده ها، آستانه های تصمیم گیری بهینه را به صورت ناحیه محور استخراج کرده و به لایه لبه منتقل می کند. گره های لبه نیز با بهره گیری از یک امتیاز ترکیبی مبتنی بر احتمال، خرابی، میزان انحراف آماری از رفتار نرمال و خطای بازسازی داده ها، نمونه های مشکوک را شناسایی و تنها در صورت نیاز برای تحلیل عمیق تر به ابر ارسال می نمایند. همچنین یک سازوکار بازخورد تطبیقی سبک در لایه لبه طراحی شده است که با تنظیم تدریجی آستانه ها نرخ بازیابی خطا و میزان ارجاع داده ها را به مقادیر هدف نزدیک می سازد و پایداری عملکرد سیستم را در شرایط عملیاتی متغیر تضمین می کند. ارزیابی تجربی بر روی داده های واقعی پایش تجهیزات صنعتی نشان می دهد که رویکرد پیشنهادی قادر است با حفظ نرخ بالای بازیابی خطا، حجم داده های ارسالی به ابر و بار پردازشی سامانه های مرکزی را به طور قابل توجهی کاهش دهد. این نتایج بیانگر آن است که چارچوب ارائه شده می تواند به عنوان یک راهکار عملی و مقیاس پذیر برای طراحی سامانه های پایش هوشمند در محیط های صنعتی واقعی مورد استفاده قرار گیرد.

کلیدواژه ها:

محاسبات لبه ، تشخیص ناهنجاری ، مدل سازی منطقه محور ، فیلترینگ هیبریدی ، معماری ابر لبه ، دروازه بانی تطبیقی