Anomaly prediction for the internet of things / Nesnelerin interneti için anomali tahminlemesi

Abstract

Anomali tahminlemesi, anomalilerin geçmişte meydana gelmesine bağlı olarak gelecekte meydana gelecek anomalilerin tahmin edilmesi problemini ifade eder. Bu tez çalışmasında, akıllı şehirlerin IoT verilerinde meydana gelen anomalileri tahmin etmek için ``Çok Çözünürlüklü Seviyeler Arası İyileştirme (MR-ILR)'' adlı yeni bir mimari geliştirdik. Anomali tahminlemesi problemine yönelik mevcut yaklaşımların aksine, mimarimiz IoT zaman serisi verilerini birden çok zaman çözünürlüğünde işleyerek tahminler yapar ve bu tahminleri iyileştirmek için ardışık çözünürlüklerdeki tahminleri birleştirir. Mimarimiz üç modülden oluşmaktadır: Birincisi, ``Seviyeler Arası VEYA'' modülü, IoT verilerindeki geçmiş anomalileri temsil eden vektörün mantıksal VEYA'sını alır ve giderek daha kaba çözünürlüklerde bir anomalinin oluşumunu temsil eder. İkincisi, bir Çok Katmanlı Algılayıcı (MLP), herhangi bir belirli çözünürlükte anomalinin oluşumunu tahmin eder. Üçüncüsü, ardışık çözünürlüklerdeki anomali tahminleri, daha doğru anomali tahminleri üretmek için ``İyileştirici'' modüllerinde birleştirilir. Mimarimiz, farklı zamansal çözünürlüklerde anomali tahminleri üretme esnekliğini sağlamaktadır. Mimarimizin performansını değerlendirmek için MR-ILR mimarimizin performansı MLP ve Uzun Kısa Süreli Bellek (LSTM) kıyaslama modelleriyle karşılaştırılmaktadır. Sonuçlar, mimarimizin F1 puanına göre bu iki kıyaslama modelinden önemli ölçüde daha iyi performans sergilediğini göstermektedir. Bu tez çalışmasında tasarladığımız mimari, IoT verilerindeki zorlu bir problem olan anomali tahminlemesinin çözümünde önemli bir ilerlemeyi temsil etmektedir ve çok daha geniş alanlardaki anomali tahminlemesinin hedeflendiği problemlerde uygulanma potansiyeline sahiptir. Anomaly prediction refers to the problem of predicting the anomalies that will occur in the future based on the occurrence of the anomalies in the past. In this thesis, we develop a novel architecture called ``Multi-Resolution Inter-Level Refinement (MR-ILR)'' to predict the anomalies occurring in IoT data of smart cities. In contrast with the existing approaches to the anomaly prediction problem, our architecture performs prediction by processing IoT time-series data at multiple time resolutions and combines the predictions at successive resolutions to improve the predictions. Our architecture is comprised of three modules: First, the Inter-Level OR module takes the logical OR of the vector that represents the past anomalies in IoT data and represents the occurrence of an anomaly at increasingly coarse resolutions. Second, a Multi-Layer Perceptron (MLP) predicts the occurrence of anomalies at any given resolution. Third, the anomaly predictions at successive resolutions are combined in Refiner modules to produce more accurate anomaly predictions. Our architecture provides the flexibility to produce anomaly predictions at distinct temporal resolutions. In order to evaluate the performance of our architecture, we compare the performance of our MR-ILR architecture against MLP and Long Short-Term Memory (LSTM) benchmark models. The results show that our architecture significantly outperforms both of these benchmark models with respect to the F1-score. The architecture we design in this thesis represents an important advance in solving the challenging problem of anomaly prediction in IoT data and has the potential to be applied to a much wider range of problems that target anomaly prediction.