Community-basierte Modelle für Anomalieerkennung in IoT-Temperatursensoren

Die rasche Verbreitung von IoT-Geräten hat zu riesigen Sensornetzwerken geführt, die Umwelt- und Stadtphänomene in Echtzeit überwachen. Ein neues Forschungsprojekt nutzt das Konzept der „Communities of Interest“ (CoIs), um heterogene Sensornetze zu organisieren und Anomalien in Temperaturdaten effizient zu erkennen.

Im Mittelpunkt steht ein innovatives Framework, das Sensoren in Communities gruppiert, indem es eine kombinierte Ähnlichkeitsmatrix verwendet. Diese Matrix berücksichtigt zeitliche Korrelationen über Spearman-Koeffizienten, räumliche Nähe mittels einer Gaußschen Abstandsdämpfung und Höhenähnlichkeiten. Für jede Community werden repräsentative Stationen anhand des besten Silhouettenwerts ausgewählt.

Zur Anomalieerkennung werden drei Autoencoder-Architekturen – BiLSTM, LSTM und MLP – eingesetzt. Durch Bayesianische Hyperparameteroptimierung und eine expandierende Fenster-Cross-Validation werden die Modelle auf normalen Temperaturverläufen trainiert. Anomalien werden anschließend anhand der Rekonstruktionsfehler identifiziert. Die Ergebnisse zeigen, dass die Community-basierte Modellteilung die Rechenlast reduziert und gleichzeitig die Generalisierbarkeit über verschiedene Sensornetze hinweg verbessert.