在工业应用中,作为异常检测的基础设施,物联网(Internet of Things,IoT)需要连续地收集感知数据以对工业环境进行实时监控。物联网设备通常在计算能力、存储空间、电池能量等方面都是受限的。通常情况下,工业应用的环境都处于健康的状态...在工业应用中,作为异常检测的基础设施,物联网(Internet of Things,IoT)需要连续地收集感知数据以对工业环境进行实时监控。物联网设备通常在计算能力、存储空间、电池能量等方面都是受限的。通常情况下,工业应用的环境都处于健康的状态,异常偶尔才会发生。正常情况下,感知数据的精确值可能是没必要的,感知数据所属的区间足以支持异常检测。只有当检测到异常发生后,感知数据的精确值才有必要上传到云服务器,用于确定事件边界等异常的详细信息。针对该问题,提出了一个节能的感知数据聚集机制来支持异常检测。通过利用压缩感知算法压缩感知数据的类别数据,并在云服务器利用数据预测模型预测未来时隙的感知数据。只有当预测值的类别不同于边缘端物联网设备上传的类别数据时,物联网设备的感知数据才有必要上传到云服务器以实现云边数据的同步。为了评估该算法的有效性,做了大量的模拟仿真实验。评估结果显示,所提方法在网络流量和能耗方面相比最新的技术性能更好。展开更多
文摘在工业应用中,作为异常检测的基础设施,物联网(Internet of Things,IoT)需要连续地收集感知数据以对工业环境进行实时监控。物联网设备通常在计算能力、存储空间、电池能量等方面都是受限的。通常情况下,工业应用的环境都处于健康的状态,异常偶尔才会发生。正常情况下,感知数据的精确值可能是没必要的,感知数据所属的区间足以支持异常检测。只有当检测到异常发生后,感知数据的精确值才有必要上传到云服务器,用于确定事件边界等异常的详细信息。针对该问题,提出了一个节能的感知数据聚集机制来支持异常检测。通过利用压缩感知算法压缩感知数据的类别数据,并在云服务器利用数据预测模型预测未来时隙的感知数据。只有当预测值的类别不同于边缘端物联网设备上传的类别数据时,物联网设备的感知数据才有必要上传到云服务器以实现云边数据的同步。为了评估该算法的有效性,做了大量的模拟仿真实验。评估结果显示,所提方法在网络流量和能耗方面相比最新的技术性能更好。
