Key points are not available for this paper at this time.
Mit der Entwicklung der Kommunikation wurde das Internet der Dinge (IoT) umfassend in der industriellen Fertigung, intelligenten Verkehrssystemen und im Gesundheitswesen eingesetzt. Die Zeitserienmerkmale des IoT erhöhen die Datendichte und die Datenmenge, wobei die Anomalieerkennung wichtig ist, um die Sicherheit von Hardware und Software zu gewährleisten. Bei den allgemeinen Anomalieerkennungsmethoden kann die Anomalie jedoch gut rekonstruiert werden, mit kleinen Unterschieden, die schwer zu erkennen sind. Die Messung der Modellkomplexität und des Merkmalsraums des Datensatzes ist ein langwieriger und ineffizienter Prozess. In diesem Papier schlagen wir einen Ansatz mit einem speichererweiterten Autoencoder zur Erkennung von Anomalien in IoT-Daten vor, der unüberwacht, end-to-end und nicht leicht übergeneralisiert ist. Zunächst wird ein Speichermodul eingeführt, um die Generalisierungsfähigkeit des Modells zu unterdrücken, und ein speichererweiterter Zeitserien-Autoencoder (TSMAE) wird entworfen. Jedes Speicherelement wird entsprechend der Ähnlichkeit mit der latenten Darstellung kodiert und rekombiniert. Dann wird die neue Darstellung dekodiert, um die rekonstruierten Proben zu generieren, auf deren Grundlage der Anomaliewert gewonnen werden kann. Zweitens tendiert der Adressvektor dazu, spärlich zu sein, indem Strafen und Korrekturfunktionen zum Verlust hinzugefügt werden. Die Speichermodule werden ermutigt, typische normale Muster zu extrahieren, wodurch die Generalisierungsfähigkeit des Modells gehemmt wird. Langzeit-Kurzzeit-Speicher (LSTM) wird für das Dekodieren und Kodieren von Zeitseriendaten eingeführt, um die kontextuellen Merkmale der Zeitseriendaten zu erlangen. Schließlich wird die Gültigkeit des TSMAE durch Experimente mit den ECG- und Wafer-Datensätzen überprüft. Die Rationalität der Hyperparametereinstellungen wird durch die Visualisierung des Adressvektors des Speichermoduls diskutiert.
Gao et al. (Tue,) haben diese Frage untersucht.