Detección de eventos anormales habilitada por aprendizaje profundo sin sesgos en IoT

La detección de eventos anormales con la menor latencia es una función indispensable para sistemas críticos de seguridad, como los sistemas de defensa cibernética. Sin embargo, a medida que los sistemas se vuelven cada vez más complicados, los métodos convencionales de detección secuencial de eventos se vuelven menos efectivos, especialmente cuando necesitamos definir métricas indicadoras a partir de datos complicados manualmente. Aunque se han utilizado redes neuronales profundas (DNNs) para manejar datos heterogéneos, la asegurabilidad teórica y la explicabilidad siguen siendo insuficientes. Este artículo proporciona un marco holístico para la detección más rápida y secuencial de anomalías y eventos anormales dependientes del tiempo. Exploramos las características del espacio latente de redes neuronales sin sesgos considerando los límites de clasificación y las anomalías. Luego, ofrecemos un nuevo método para convertir clasificadores DNN sin sesgos en detectores de anomalías binarios con rendimiento asegurado. Finalmente, proporcionamos un esquema de detección secuencial más rápida (QD) que proporciona la menor demora teóricamente asegurada en la detección de eventos anormales bajo restricciones de falsos positivos utilizando el detector de anomalías convertido. Verificamos la efectividad del marco utilizando registros de señales masivas reales en sistemas de comunicación aeronáutica y simulación. Los códigos y datos están disponibles en https://github.com/pcwhy/AbnormalityDetectionInZbDNN.