WAFL-Autoencoder: Una Soluzione Efficiente per il Rilevamento di Anomalie nell'IoT

La rilevazione delle anomalie è una parte fondamentale dell'Internet delle Cose (IoT). Aiuta a identificare punti dati insoliti che possono suggerire problemi come guasti meccanici, picchi di energia o minacce alla sicurezza. I dispositivi IoT, comprese telecamere e sensori, generano una quantità enorme di dati necessari per una rilevazione efficace delle anomalie. Tuttavia, inviare tutti questi dati al cloud può essere costoso. La maggior parte dei dati è normale, il che può sprecare spazio di archiviazione e larghezza di banda. Quindi, elaborare i dati ai margini, o più vicino a dove vengono generati, è una soluzione più efficiente.

Questo documento discute un sistema in cui più dispositivi IoT in un'unica posizione lavorano insieme per identificare anomalie. Questi dispositivi condividono informazioni direttamente tra di loro invece di inviare tutto a un server cloud. Questo metodo riduce sia i costi che gli upload di dati non necessari.

#Il Metodo Proposto: WAFL-Autoencoder

In questo approccio, presentiamo un metodo chiamato WAFL-Autoencoder, che sta per Wireless Ad Hoc Federated Learning Autoencoder. Questo sistema permette ai dispositivi di collaborare nell'addestramento di modelli che possono rilevare anomalie. L'addestramento avviene senza la necessità di un server centrale, facendo invece affidamento sulle comunicazioni tra dispositivi vicini.

Un aspetto importante di questo sistema è la rilevazione di diversi tipi di anomalie. Ci sono due categorie chiave da comprendere:

• Anomalia Locale: Questo è un evento insolito per un dispositivo ma non per gli altri. Ad esempio, un dispositivo che vede principalmente immagini del numero '0' potrebbe considerare il numero '2' come un'anomalia locale. È raro per quel dispositivo ma comune per altri.

• Anomalia Globale: Questo tipo di anomalia è raro per tutti i dispositivi coinvolti. Un chiaro esempio è un'immagine che differisce significativamente da qualsiasi cosa che tutti i dispositivi abbiano visto. Rilevare Anomalie Globali è più impegnativo perché richiede di sapere cosa è tipico tra tutti i dispositivi senza condividere direttamente i dati.

#Sfide con Dati e Comunicazione

Quando i dispositivi sono vicini, possono comunicare direttamente utilizzando metodi wireless come Bluetooth o Wi-Fi. Questa collaborazione consente loro di condividere le loro scoperte anziché fare affidamento su un server centrale. Tuttavia, ci sono sfide nel garantire che la comunicazione sia efficace e che i modelli che vengono addestrati siano accurati.

Un problema comune nella gestione dei dati in questi scenari è noto come Non-IID, il che significa che i campioni di dati non sono distribuiti in modo identico. Questo può portare a diversi dispositivi che hanno comprensioni varie su cosa costituisce dati normali. A causa di ciò, le soglie per rilevare anomalie possono anche differire da dispositivo a dispositivo.

Per affrontare questo, proponiamo un modo per dispositivi di condividere le soglie che calcolano per le anomalie. Combinando queste soglie, i dispositivi possono migliorare la loro accuratezza nell'identificare anomalie globali.

#Addestramento del WAFL-Autoencoder

Addestrare il WAFL-Autoencoder comporta diversi passaggi. Ogni dispositivo inizia con il proprio dataset locale. Il modello è progettato per apprendere come appare il normale addestrandosi su questi dataset.

Una volta che il modello è addestrato, può ricostruire i dati che ha visto. Per i dati normali, il modello fa un buon lavoro di ricostruzione. Tuttavia, quando si trova di fronte a anomalie globali, il modello fatica a produrre una buona ricostruzione. Questa differenza può essere utilizzata per identificare quando si verifica qualcosa di insolito.

I dispositivi calcolano anche un punteggio basato su quanto bene il modello ricostruisce i dati. Se il punteggio supera una certa soglia, i dati possono essere contrassegnati come anomali.

#Valutazione del WAFL-Autoencoder

Per valutare l'efficacia del WAFL-Autoencoder, sono stati condotti vari test. I test hanno utilizzato un dataset popolare chiamato MNIST, che contiene immagini di numeri scritti a mano. In questi test, i dispositivi sono stati impostati per simulare condizioni normali e anomale.

I dispositivi inizialmente faticavano a ricostruire immagini che non facevano parte del loro set di addestramento principale. Tuttavia, man mano che condividevano informazioni e apprendevano l'uno dall'altro, la loro capacità di riconoscere dati sia normali che anomali è migliorata notevolmente.

La valutazione comprendeva due scenari: uno in cui venivano utilizzati solo dati normali per l'addestramento e un altro in cui veniva inclusa una piccola quantità (circa 1%) di dati anomali. In entrambi i casi, i modelli mostrano risultati favorevoli. Hanno riconosciuto efficacemente immagini normali mentre rilevavano anche anomalie.

Le prestazioni sono state misurate osservando i tassi con cui i dispositivi hanno identificato correttamente immagini legittime e contrassegnato quelle anomale. I risultati hanno dimostrato che man mano che i dispositivi interagivano di più, diventavano più bravi a distinguere le anomalie.

#Risultati e Approfondimenti

Attraverso i test, abbiamo osservato che il WAFL-Autoencoder ha avuto due principali fasi di miglioramento. La prima fase ha coinvolto la stabilizzazione del modello stesso, che ha richiesto circa 1000 iterazioni di addestramento. La seconda fase è stata la stabilizzazione delle soglie che determinavano se un'immagine fosse contrassegnata come anomalia.

Un riassunto dei risultati ha mostrato che i dispositivi sono continuamente riusciti a identificare le loro immagini di addestramento principali, riuscendo anche a rilevare vari tipi di anomalie globali in modo accurato. Questo indica che l'apprendimento collaborativo tramite comunicazione tra dispositivi può migliorare la capacità dei dispositivi IoT di identificare eventi insoliti.

#Direzioni Futura

Sebbene questo approccio mostri promesse, c'è ancora margine di miglioramento. I lavori futuri potrebbero estendersi oltre i dataset attuali e includere dati più complessi e del mondo reale, come quelli provenienti da contatori elettrici o sensori di movimento. L'obiettivo sarebbe quello di affinare il sistema WAFL-Autoencoder per funzionare bene in varie condizioni e tipi di dati.

Incorporando dati più realistici nell'addestramento e nella valutazione, possiamo assicurarci che il sistema sia robusto e applicabile a una serie di applicazioni IoT. Questo non solo migliorerebbe la rilevazione delle anomalie, ma potrebbe anche aumentare l'efficienza complessiva del sistema tra diversi dispositivi.

#Conclusione

Il WAFL-Autoencoder presenta un nuovo approccio per la rilevazione delle anomalie negli ambienti IoT. Consentendo ai dispositivi di comunicare direttamente, questo metodo riduce il carico sulle risorse cloud e migliora le possibilità di catturare eventi insoliti.

Attraverso l'addestramento collaborativo, i dispositivi possono apprendere l'uno dall'altro e migliorare nel riconoscere sia Anomalie Locali che globali. Questa ricerca apre nuove strade per migliorare le applicazioni IoT, assicurando che possano operare in modo più efficace in scenari in tempo reale.

I risultati finora puntano a un futuro luminoso per i sistemi di rilevazione delle anomalie distribuiti. L'esplorazione e il perfezionamento continui porteranno a progressi che possono beneficiare significativamente le industrie che dipendono dalla tecnologia IoT.