[论文解读] Real-Time Adaptive Anomaly Detection in Industrial IoT Environments

Mahsa Raeiszadeh, Amin Ebrahimzadeh+3 more|arXiv (Cornell University)|Jan 6, 2026

Data Stream Mining Techniques被引用 0

一句话总结

论文提出 SAPDAD，一种用于多维工业物联网流的实时、漂移自适应异常检测方法，利用多源预测、基于 PCA 的降维和 Real-Time Optimized Adaptive Windowing 来处理概念漂移。

ABSTRACT

To ensure reliability and service availability, next-generation networks are expected to rely on automated anomaly detection systems powered by advanced machine learning methods with the capability of handling multi-dimensional data. Such multi-dimensional, heterogeneous data occurs mostly in today's industrial Internet of Things (IIoT), where real-time detection of anomalies is critical to prevent impending failures and resolve them in a timely manner. However, existing anomaly detection methods often fall short of effectively coping with the complexity and dynamism of multi-dimensional data streams in IIoT. In this paper, we propose an adaptive method for detecting anomalies in IIoT streaming data utilizing a multi-source prediction model and concept drift adaptation. The proposed anomaly detection algorithm merges a prediction model into a novel drift adaptation method resulting in accurate and efficient anomaly detection that exhibits improved scalability. Our trace-driven evaluations indicate that the proposed method outperforms the state-of-the-art anomaly detection methods by achieving up to an 89.71% accuracy (in terms of Area under the Curve (AUC)) while meeting the given efficiency and scalability requirements.

研究动机与目标

• 在动态、高维的 IIoT 环境中实现可靠的、实时的异常检测。
• 开发一种能够在保持可扩展性和高效性的同时处理概念漂移的架构。
• 将多源预测与漂移自适应结合，以提高流数据的检测准确性。
• 降低维度、利用特征相关性以提升性能和可扩展性。

提出的方法

• 使用多源预测模块与 LSTM 进行未来序列的时间序列预测。
• 引入 Genetic Algorithm（遗传算法）来优化预测模型参数。
• 引入 Real-Time Optimized Adaptive Windowing（RealTimeOAW）用于漂移检测和模型更新。
• 应用 PCA 基于降维，以利用特征间相关性并减少计算量。
• 对数据进行预处理：清洗、归一化、相关性分析，以及基于 TSA 的季节性特征提取，然后再输入预测器。
• 在跟踪驱动的真实数据集（KDDCup99、IoTID20、WUSTL-IIoT）上评估，覆盖准确性、处理速率和效率。

实验结果

研究问题

• RQ1 在高速度、多维度的 IIoT 数据流中如何实现实时异常检测？
• RQ2 概念漂移如何影响异常检测，模型如何实现实时自适应？
• RQ3 多源预测结合漂移自适应是否能提高 IIoT 环境中的检测准确性和可扩展性？
• RQ4 通过 PCA 的降维结合季节性特征提取是否在不牺牲准确性的前提下提升检测效率？

主要发现

• 在追踪驱动评估中，准确率最高可达到 89.71%，以 AUC 为评估指标。
• 展示了在多维流上具备实时检测能力且可扩展处理。
• 证明 RealTimeOAW 在模型更新以适应概念漂移方面的有效性。
• 利用 PCA 降维以提高效率，同时保持特征之间的相关性。
• 在三个真实世界数据集（KDDCup99、IoTID20、WUSTL-IIoT）上验证检测准确性、处理速率和计算效率。