Outlier detection in data streams with application to wireless sensor networks
Détection d'anomalies dans les flux de données pour une application dans les réseaux de capteurs
Résumé
Wireless Sensor Networks have known a growing interest since the raise of Internet of Things with major economic stakes, especially in the application cases of building and assets managements. These networks are composed of a large number of low-cost sensor nodes which are constrained in memory, computational capabilities and power sources. Those limited resources reduce the reliability of the measurements made by sensors, a critical property in most applications.Also, many works have been performed in order to ensure measurements quality by detecting defaults in sensors as well as interesting states within the Wireless Sensor Network. Particularly, the field of outlier detection has greatly contributed to the detection of these two types of events.Following an analysis of the state of the art of outlier detection methods in Wireless Sensor Networks and the data streams they generate, our research work aims at proposing a generic solution through WOLF, a framework for unsupervised outlier detection in data streams. We formulate several definitions of anomalies based on the state of the art and we propose SuMeLI, an approach to detect those different outliers in an integrated way. By noting the high cost of parameterizing methods within a generic solution, we formalize two new methods for outlier detection in an AI hybrid context. These methods are data-based and exploit results from approximation theory and orthogonal polynomials. Both methods, named DyCF and DyCG, leverage the properties of the Christoffel Function at different levels, achieving efficiency similar to the state of the art with reduced tuning for DyCF and free of tuning for DyCG.
Les réseaux de capteurs sans fils ont connu un intérêt grandissant depuis le développement de l'Internet des Objets avec des enjeux économiques majeurs, notamment dans les contextes spécifiques de la gestion des bâtiments et la maintenance des équipements. Ces réseaux sont composés d'une quantité souvent importante de nœuds appelés capteurs qui sont peu coûteux mais qui ont d'importantes contraintes en ressources mémoire, calculatoire et énergétique. Ces ressources limitées réduisent la fiabilité des mesures réalisées par les capteurs, propriété pourtant critique dans la majorité des cas d'applications.Aussi, de nombreux travaux ont vu le jour pour assurer la qualité des mesures en détectant les défauts au niveau des capteurs, mais détectant également des états particuliers au sein des réseaux de capteurs. En particulier, le domaine de la détection d'anomalies a grandement contribué à la détection de ces deux types d'évènements.A la suite d'une étude de l'état de l'art des méthodes de détection d'anomalie dans les réseaux de capteurs et les flux de données qu’ils génèrent, nos travaux de recherche visent à proposer une solution générique à travers un cadre opérationnel, appelé WOLF, pour la détection d'anomalie non supervisée dans des flux de données. Nous formulons ainsi plusieurs définitions des anomalies s'appuyant sur l'état de l'art et nous proposons SuMeLI, une approche pour détecter ces différentes anomalies de manière intégrée. En faisant le constat du coût élevé du paramétrage des méthodes au sein d'une solution générique, nous formalisons deux nouvelles méthodes de détection d’anomalie dans un contexte d’IA hybride. Celles-ci exploitent les données en s’appuyant sur des résultats de la théorie de l’approximation et des polynômes orthogonaux. Les deux méthodes, nommées DyCF et DyCG, exploitent les propriétés de la fonction de Christoffel à différents niveaux, obtenant ainsi une efficacité similaire aux meilleures méthodes de l’état de l'art avec un paramétrage réduit pour DyCF et sans paramétrage pour DyCG.
| Origine | Version validée par le jury (STAR) |
|---|