[論文レビュー] Fixing Data Anomalies with Prediction Based Algorithm in Wireless Sensor Networks

Abhishek Kr. Singh, Bollibisai Giridhar+1 more|arXiv (Cornell University)|Nov 14, 2011

Energy Efficient Wireless Sensor Networks参考文献 4被引用数 5

ひとこと要約

本稿では、無線センサーネットワーク（WSNs）におけるデータ異常を、個々のノードの履歴データのみを用いて検出・是正するARIMAベースの予測アルゴリズムを提案する。スィンクで各センサの時系列データにARIMA(p,d,q)モデルをフィッティングし、95%信頼区間内での予測値を用いて異常な値を置き換える。5ステップ先までの予測において最大3.62%の誤差を達成し、ノード間の空間的・時間的相関に依存せずにデータの正確性を向上させた。

ABSTRACT

Data inconsistencies are present in the data collected over a large wireless sensor network (WSN), usually deployed for any kind of monitoring applications. Before passing this data to some WSN applications for decision making, it is necessary to ensure that the data received are clean and accurate. In this paper, we have used a statistical tool to examine the past data to fit in a highly sophisticated prediction model i.e., ARIMA for a given sensor node and with this, the model corrects the data using forecast value if any data anomaly exists there. Another scheme is also proposed for detecting data anomaly at sink among the aggregated data in the data are received from a particular sensor node. The effectiveness of our methods are validated by data collected over a real WSN application consisting of Crossbow IRIS Motes \cite{Crossbow:2009}.

研究の動機と目的

• 故障したセンサ、伝送損失、またはサンプリングエラーによって引き起こされるWSNにおけるデータ異常を是正すること。
• 空間的・時間的相関に依存しない、軽量でノード固有の異常データ検出および是正手法を開発すること。
• Crossbow IRIS Motesから得た実データを用いて、ARIMAモデリングがWSNにおけるリアルタイム異常是正に有効であるかを検証すること。
• 一時的なセンサ障害時における履歴データを用いたデータ再構築を可能にする耐障害メカニズムを提供すること。
• 計算コストを最小限に抑えることで、スィンクで適用可能な汎用的な異常検出および是正フレームワークを構築すること。

提案手法

• 各ノードの時系列データにARIMA(p,d,q)モデルをスィンクでフィッティングし、時間的自己相関とトレンドを捉える。
• ARIMAモデルが将来のデータポイントの予測値を生成し、実測値が95%予測区間外にある場合に異常を検出する。
• 外れ値の値は、ARIMAモデルからの対応する予測値に置き換えることで異常を是正する。
• 異常検出のための上限および下限を定義するために95%信頼区間を用い、信頼水準を調整することでより狭い区間も可能である。
• 実運用データを用いて、長期間にわたってCrossbow IRIS Motesから収集したWSNデータを用いてモデルを訓練および検証した。
• フレームワークはノードごとに完全に分散化されており、相互ノード間の相関や文脈的情報を一切使用しない。

実験結果

リサーチクエスチョン

• RQ1 個々のセンサーノードの履歴データのみを用いて、ARIMAモデリングが効果的に異常を検出し是正できるか。
• RQ2 実際のWSN環境での実装において、ARIMAベースの予測の正確性は、異常センサ値の是正においてどの程度達成できるか。
• RQ3 予測の先行期間が延びるにつれて予測誤差はどのように変化するか。また、信頼性の高い是正を行うために最適な予測ウィンドウは何か。
• RQ4 この手法は、データ整合性を保ちながら、異常検出における誤検出（I型エラー）をどの程度低減できるか。
• RQ5 一時的なセンサ障害時において、欠損または破損したデータを再構築することで、このアプローチが耐障害メカニズムとして機能できるか。

主な発見

• ARIMAモデルは、最初の5ステップ先までの異常是正において最大3.62%のパcent誤差を達成し、データ回復の高精度を示した。
• 予測誤差は予測先行期間が長くなるにつれて増加し、10ステップを超えると顕著に増加した。これは、5〜10ステップの範囲内で予測が異常是正に最も信頼できると示唆している。
• アルゴリズム2で用いられた95%信頼区間は、異常データポイントを効果的に特定した。I型エラー率は5%であり、設定された有意水準に一致した。
• 空間的・時間的相関を一切使用せず、異常データを是正できた。これにより、本手法の独立性とスケーラビリティが裏付けられた。
• Crossbow IRIS Motesから得た実世界データにおいて、本フレームワークは高い頑健性を示し、実際のWSN環境への適用可能性を検証した。
• 本研究は、計算リソースが制限されるスィンクにおいても、ARIMAが異常検出および是正のための軽量かつ強力な統計的ツールであることを確認した。