Isolation Forest triumphiert bei IoT‑Anomalieerkennung – schneller, ressourcenschonender

Eine neue Untersuchung, veröffentlicht auf arXiv, zeigt, dass das unüberwachte Verfahren Isolation Forest bei der Erkennung von Anomalien in Smart‑IoT‑Geräten deutlich besser abschneidet als die klassische One‑Class‑Support‑Vector‑Machine.

Die Forscher nutzten den TON_IoT‑Thermostat‑Datensatz, um die beiden Modelle anhand von Genauigkeit, Präzision, Recall und F1‑Score zu vergleichen.

Isolation Forest erzielte höhere Werte in allen vier Metriken und zeigte gleichzeitig einen deutlich geringeren Rechenaufwand.

Insbesondere die Inferenzzeit, die Modellgröße und der Spitzenverbrauch an RAM waren bei IF wesentlich niedriger, was die Eignung für ressourcenbeschränkte Edge‑Devices unterstreicht.

Die Ergebnisse bestätigen die Robustheit von Isolation Forest in hochdimensionalen, unausgeglichenen IoT‑Umgebungen und heben seine praktische Einsatzfähigkeit für Echtzeit‑Anomalieerkennung hervor.