[論文レビュー] Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing

Mao V. Ngo, Hakima Chaouchi+2 more|arXiv (Cornell University)|Jan 10, 2020

Anomaly Detection Techniques and Applications参考文献 13被引用数 8

ひとこと要約

本稿では、階層的エッジコンピューティング（HEC）におけるIoTデータ向けに、入力データの文脈に応じて、軽量なIoTデバイス用、中程度のエッジサーバー用、複雑なクラウド用の3つのDNNモデルを動的に選択する、適応的異常検出フレームワークを提案する。文脈的バンディット問題として定式化されたこの手法は、検出遅延を84%削減しながら、クラウドに近い精度を維持し、実世界の評価において、パフォーマンスと遅延の最良のトレードオフを達成した。

ABSTRACT

Advances in deep neural networks (DNN) greatly bolster real-time detection of anomalous IoT data. However, IoT devices can barely afford complex DNN models due to limited computational power and energy supply. While one can offload anomaly detection tasks to the cloud, it incurs long delay and requires large bandwidth when thousands of IoT devices stream data to the cloud concurrently. In this paper, we propose an adaptive anomaly detection approach for hierarchical edge computing (HEC) systems to solve this problem. Specifically, we first construct three anomaly detection DNN models of increasing complexity, and associate them with the three layers of HEC from bottom to top, i.e., IoT devices, edge servers, and cloud. Then, we design an adaptive scheme to select one of the models based on the contextual information extracted from input data, to perform anomaly detection. The selection is formulated as a contextual bandit problem and is characterized by a single-step Markov decision process, with an objective of achieving high detection accuracy and low detection delay simultaneously. We evaluate our proposed approach using a real IoT dataset, and demonstrate that it reduces detection delay by 84% while maintaining almost the same accuracy as compared to offloading detection tasks to the cloud. In addition, our evaluation also shows that it outperforms other baseline schemes.

研究の動機と目的

• データの複雑さに関係なく単一の汎用モデルを用いる既存のIoT異常検出手法の限界を解消すること。
• エッジ-IoTシステムにおいて、検出遅延やリソース効率を犠牲にして精度に過剰に注力する不均衡を是正すること。
• 入力データの特徴に基づくローカル意思決定を可能にすることで、IoTデバイスとクラウド間の不要なデータ送信を削減すること。
• リアルタイムIoTアプリケーションにおける、検出精度と低遅延応答の最適なトレードオフを達成すること。

提案手法

• IoT、エッジ、クラウドの各レイヤーの計算能力に応じて、段階的に複雑さが増す3つのDNNモデル（AE-IoT、AE-Edge、AE-Cloud）を自動符号化器アーキテクチャに基づいて構築し、パラメータ数とFLOPsを増加させた。
• モデル選択プロセスは、単一ステップのマルコフ決定過程（MDP）内での文脈的バンディット問題として定式化され、方策ネットワークがリアルタイムの入力文脈に基づいて最適なモデルを選択する。
• 調整可能なハイパーパrameter α を持つコスト関数により、精度と遅延のバランスを調整し、強化学習による訓練でトレードオフ最適化を可能にする。
• 入力データ（例：再構築誤差のlogPD）から抽出された文脈特徴が、方策ネットワークの入力として用いられ、モデル選択をガイドする。
• F1スコアと検出遅延を組み合わせた報酬関数を用い、トレーニング中に総報酬を最大化するように方策ネットワークを訓練する。
• すべてのデータをクラウドにオフロードするのを避け、各入力に対して最も軽量な実行可能なモデルを選択することで、帯域幅と遅延を削減する。

実験結果

リサーチクエスチョン

• RQ1 入力データの文脈に基づく動的モデル選択戦略は、IoT異常検出における精度-遅延トレードオフを改善できるか？
• RQ2 階層的エッジレイヤー間での適応的モデル選択は、固定オフロードや逐次処理と比較して、検出遅延と精度の点でどのように異なるか？
• RQ3 文脈的バンディットによる訓練を経た方策ネットワークは、エッジ-IoTシステムにおける不要なデータ送信と計算オーバーヘッドをどれほど削減できるか？
• RQ4 多層構造のHECアーキテクチャを用いる場合、モデルの複雑さと検出パフォーマンスの最適なバランスは何か？

主な発見

• 提案された適応的スキームは、完全なクラウドオフロードと比較して平均検出遅延を84%削減（16.28ms 対 100.00ms）し、98.90%の精度を維持した。
• F1スコアは0.833を達成し、AE-IoT（0.465）、AE-Edge（0.741）、Successive-4（0.714）を上回り、AE-Cloud（0.870）と比べてわずか0.037の差にとどまった。
• α = 0.0025 の場合、総報酬が49.52に達し、精度と遅延の両面で優れた全体的パフォーマンスを示した。
• α ≤ 0.0015 の場合、クラウドのみの検出と比較して遅延を40–60%削減しながら、99.18%のクラウドに近い精度を達成した。
• 本スキームは、データの難易度にかかわらず、すべてのベースラインをF1スコアと遅延の両面で上回り、多様なデータハードネスレベルにおいても強固であることが示された。
• 方策ネットワークは、単純な異常はエッジデバイスに、複雑な異常はクラウドにルーティングする能力を効果的に学習し、余分な通信と計算を最小限に抑えた。