Θεωρητική μελέτη τεχνικών ανάλυσης χρονοσειρών για τον εντοπισμό ανωμαλιών σε εφαρμογές στο διαδίκτυο των πραγμάτων

Abstract

Με τη ραγδαία επέκταση του Διαδικτύου των Πραγμάτων (IoT) και την αυξανόμενη ενσωμάτωσή του σε διάφορους τομείς, η διασφάλιση της ασφάλειας και της αξιοπιστίας των συστημάτων IoT καθίσταται υψίστης σημασίας. Το παρόν έγγραφο παρέχει μια εκτενή διερεύνηση της ανίχνευσης ανωμαλιών στο πλαίσιο του IoT, εστιάζοντας σε διάφορες μεθοδολογίες και τεχνικές για την αποτελεσματική ανίχνευση. Το έγγραφο ξεκινά με μια εισαγωγή στο IoT και τη σημασία του, ακολουθούμενη από μια εμπεριστατωμένη συζήτηση σχετικά με τη σημασία της ανίχνευσης ανωμαλιών σε περιβάλλοντα IoT. Παρουσιάζονται διάφορες τεχνικές ανίχνευσης ανωμαλιών ειδικά για το IoT. Επιπλέον, το έγγραφο εμβαθύνει στην ταξινόμηση και την κατηγοριοποίηση των ανωμαλιών, εντοπίζοντας τις περιοχές όπου εμφανίζονται συνήθως ανωμαλίες στα δίκτυα IoT. Στην επιδίωξη της αντιμετώπισης των ανωμαλιών, το έγγραφο διερευνά διάφορες προσεγγίσεις και μεθοδολογίες για τη μελέτη των ανωμαλιών. Επιπλέον, διερευνά διάφορες τεχνικές ανίχνευσης. Στη συνέχεια, το έγγραφο εστιάζει στην ανάλυση των τεχνικών ανίχνευσης ανωμαλιών, συμπεριλαμβανομένης της στατιστικής ανάλυσης, των μεθόδων μηχανικής μάθησης, της φασματικής ανάλυσης, της ανίχνευσης ανωμαλιών συμπεριφοράς, της αναγνώρισης προτύπων, της ανάλυσης παραμέτρων, της ανάλυσης συμπεριφοράς και της ανάλυσης δικτύου. Περαιτέρω ενότητες εμβαθύνουν στις βασικές αρχές των βαθιών νευρωνικών δικτύων (DNN). Διερευνάται επίσης η εφαρμογή των DNN στην ανίχνευση ανωμαλιών, υπογραμμίζοντας τα δυνητικά οφέλη τους στην ανίχνευση σύνθετων και λεπτών ανωμαλιών. Μετά τη συζήτηση σχετικά με τα DNN, παρουσιάζονται τα αναδρομικά νευρωνικά δίκτυα (RNN) και η υπολογιστική δεξαμενής (Reservoir Computing), παρουσιάζοντας τη σημασία και τις δυνατότητές τους στην ανίχνευση ανωμαλιών IoT.