[论文解读] Wireless Sensor Networks anomaly detection using Machine Learning: A Survey

Ahshanul Haque, Md Naseef-Ur-Rahman Chowdhury+4 more|arXiv (Cornell University)|Mar 15, 2023

Anomaly Detection Techniques and Applications被引用 7

一句话总结

本综述回顾了用于无线传感器网络（WSNs）异常检测的机器学习技术，涵盖监督学习、无监督学习和半监督学习方法。评估了性能指标，对比了不同方法，并指出了在物联网、医疗保健和环境监测等应用中，将机器学习应用于噪声大且不可靠的WSN数据时面临的开放性挑战。

ABSTRACT

Wireless Sensor Networks (WSNs) have become increasingly valuable in various civil/military applications like industrial process control, civil engineering applications such as buildings structural strength monitoring, environmental monitoring, border intrusion, IoT (Internet of Things), and healthcare. However, the sensed data generated by WSNs is often noisy and unreliable, making it a challenge to detect and diagnose anomalies. Machine learning (ML) techniques have been widely used to address this problem by detecting and identifying unusual patterns in the sensed data. This survey paper provides an overview of the state of the art applications of ML techniques for data anomaly detection in WSN domains. We first introduce the characteristics of WSNs and the challenges of anomaly detection in WSNs. Then, we review various ML techniques such as supervised, unsupervised, and semi-supervised learning that have been applied to WSN data anomaly detection. We also compare different ML-based approaches and their performance evaluation metrics. Finally, we discuss open research challenges and future directions for applying ML techniques in WSNs sensed data anomaly detection.

研究动机与目标

• 提供对应用于无线传感器网络（WSNs）异常检测的机器学习技术的全面综述。
• 分析WSNs的特性及其由于数据噪声大且不可靠而给异常检测带来的独特挑战。
• 比较监督学习、无监督学习和半监督学习方法在检测WSN数据异常方面的性能。
• 评估并总结用于基准测试WSN中基于机器学习的异常检测系统的各项关键性能指标。
• 识别当前研究中的开放性挑战，并提出改进WSN中基于机器学习的异常检测的未来研究方向。

提出的方法

• 对2010年至2023年期间关于机器学习在WSN异常检测中应用的同行评审文献进行系统性综述。
• 根据数据标注需求，将异常检测方法分类为监督学习、无监督学习和半监督学习范式。
• 在WSN数据模式和噪声背景下，分析支持向量机（SVM）、随机森林、自编码器和长短期记忆（LSTM）网络等机器学习算法。
• 在不同WSN应用领域中，评估精确率、召回率、F1-score、AUC-ROC和检测率等性能指标。
• 整合来自环境监测、结构健康监测和工业控制系统等多种WSN应用的发现。
• 识别当前研究中的空白，例如缺乏实时适应能力以及在异构传感器部署中的泛化能力。

实验结果

研究问题

• RQ1 无线传感器网络中用于异常检测的主要机器学习技术有哪些？
• RQ2 在准确性和对WSN数据的适应性方面，监督学习、无监督学习和半监督学习方法如何比较？
• RQ3 在基于机器学习的WSN异常检测研究中，最常使用的性能评估指标是什么？
• RQ4 在资源受限的WSN环境中，部署机器学习模型实现实时异常检测的关键挑战是什么？
• RQ5 为提高基于机器学习的WSN异常检测的鲁棒性和可扩展性，未来需要哪些研究方向？

主要发现

• 当有标注异常数据时，监督学习方法可实现高检测准确率，但其在真实WSN部署中受限于数据稀缺。
• 由于标注大量传感器数据成本高昂且不切实际，无监督和半监督方法在WSN中更具实用性。
• 自编码器和基于LSTM的模型在检测时间序列传感器数据中的复杂非线性异常方面表现出色。
• F1-score和AUC-ROC等性能指标被广泛使用，并在不同WSN应用中有效比较模型的有效性。
• 由于WSN硬件的计算和能效限制，实时部署方面存在显著空白，限制了深度学习模型的应用。
• 未来工作应聚焦于轻量化、自适应且可解释的机器学习模型，使其能在低功耗、动态的WSN环境中高效运行。