SwinIoT: Ein hierarchisches, transformatorbasiertes Framework zur Erkennung von Verhaltensanomalien in IoT-gesteuerten Smart Cities

Internet der Dinge (IoT)-Geräte werden immer wichtiger, da sie in verschiedenen Anwendungen nützlich sind, zum Beispiel bei der Verkehrsüberwachung, der öffentlichen Sicherheit und dem Umweltmanagement. Die Weite und Vielfalt der IoT-Daten sowie die Anforderung an die Echtzeit-Entscheidungsfindung stellen jedoch eine große Herausforderung für Anomalieerkennungs-Frameworks dar. In dieser Arbeit schlagen wir SwinIoT vor, ein neues Framework mit hierarchischen und fensterbasierten Aufmerksamkeitsmechanismen des Swin Transformers, das besonders gut für die Erkennung von Verhaltensanomalien in IoT-Umgebungen geeignet ist. SwinIoT würde wichtige Probleme wie Klassenungleichgewicht, verrauschte Daten und heterogene Geräte durch die Einführung von benutzerdefinierten Aufmerksamkeitsmodellen lösen, die Echtzeit-Optimierungen einbetten. Das vorgeschlagene Framework wurde an neun Datensätzen wie ARAS, CASAS, WESAD und UCF Crime im Vergleich zu den oben genannten modernen Algorithmen wie aktiv lernbasiertem Anomalieerkennung, Deep Support Vector Data Description (DSVDD), Deep Support Vector Data Description Contractive Autoencoder (DSVDD-CAE) und Federated Principal Component Analysis (FedPCA) getestet. Es hat sich erwiesen, dass es besser ist als die oben genannten Algorithmen, indem es eine Genauigkeit von bis zu 96%, 97% mittlere durchschnittliche Präzision (mAP) und ausgezeichnete Fläche unter der Receiver Operating Characteristic-Kurve (AUC-ROC) sowie Precision-Recall (PR)-Metriken erreicht, insbesondere in Szenarien mit niedrigem Ressourcenverbrauch und unausgewogenen Daten. Die Ergebnisse deuten auf das Potenzial von SwinIoT für skalierbare und genaue Anomalieerkennung hin, um die Entwicklung sichererer, intelligenterer Städte zu fördern und Zuverlässigkeit und Sicherheit in kritischen Systemen zu gewährleisten.