物联网边缘计算引力场耦合无参密度异常检测模型

摘要

物联网边缘计算（ECIoT）具有复杂的环境,其复杂性主要表现为设备异构特性与资源有限性、网络架构复杂且动态演化、多源异构感知设备、实时性要求高、安全与隐私风险较大、管理维护持续性较难、系统动态特性与资源调度难度大和仿真与测试复杂且难度大等,异常检测ECIoT系统安全尤为重要。针对ECIoT的主要复杂性原因,本文提出一种基于引力场建模并耦合无参密度的数据异常检测模型。先对ECIoT数据异常检测进行综述,并对ECIoT系统及其数据异常检测问题进行形式化定义,引出引力、引力场和引力势等。然后对ECIoT系统异常检测框架进行设计,设计一种融合多反馈机制的引力场耦合无参密度异常检测框架；基于ECIoT输入数据特性,设计一种基于滑动时间窗口的统计、时序动态和频域等特征的提取与归一化融合方法；建立了引力场模型并构建多重反馈下的引力场耦合无参密度异常检测模型,设计模型的算法步骤和伪代码。最后,利用N-BaIoT、KDD Cup99和UNSW-NB15等种公开数据集和这些数据集数据设计合成数据的规则和方法合成具有ECIoT特性的合成数据集,进行本模型多指标验证实验和与k-均值算法、孤独森林算法、LOF算法、轻量级深度学习算法和联邦学习算法的多指标对比验证与分析实验。通过实验证明,在公开数据集上模型引力场畸变度指标为0.31、引力势梯度标准差指标为0.14,异常发生时两指标分别为0.59、0.30,异常识别准确率超0.90,这表明模型的稳定性和敏感性较好；异常捕获率在合成数据集上达0.94；在对比实验时,经过5～100次迭代实验,模型的F1-Score提升21.8%到30.6%,AUC-ROC从0.77～0.82提升至0.98,单点检测延迟降低88%,异常检测响应延迟收敛至0 s,在迭代100次时模型运行时间远低于参比算法,模型的综合性能显著优于k-均值、孤立森林、轻量级深度学习和联邦学习等参比算法；同时对本文模型进行消融实验,在4个数据集上逐一移除本文模型的各核心组件并重复实验10～100次,以确保统计的稳定性；消融实验结果表明,反馈机制、异常评分等关键组件移除后F1-Score值最大降幅为12%,Friedman检验和Nemenyi事后验证表明完整模型显著优于消融变体。该模型通过引力场耦合与多重反馈机制、数据特征归一化融合的无参密度耦合,为复杂ECIoT提供了高精度、低时延的异常检测解决方案。

关键词

异常检测 / 无参密度 / 引力场耦合 / 边缘计算 / 物联网