چکیده فارسی :

شبکه های حسگر بی سیم (WSN) مهمترین پلات فرم برای جمع آوری اطلاعات محیطی و نظارت بر پدیده ها هستند. آنومالی های ناشی از خطاهای سخت افزاری و نرم افزاری، رخدادهای غیرمعمول و حملات دشمنان بر جامعیت داده های جمع آوری شده توسط چنین شبکه هایی تاثیرگذار هستند. بنابراین پروسه ی تشخیص آنومالی یک گام ضروری در ساخت سیستم های شبکه ی حسگر است تا کیفیت داده برای انجام تصمیم گیری صحیح تضمین شود. در این مقاله یک مدل جدید تشخیص آنومالی آنلاین به شیوه ی توزیع شده ارائه می شود که عدم تطبیق مشاهدات حسگرها را در فضای مولفه های اصلی اندازه گیری می کند. این مدل جدید، پروسه ی تشخیص را در شبکه با حداقل سازی انرژی مصرفی توزیع می کند، در حالی که کارایی تشخیص بالا را ضمانت می کند. کارایی تشخیص و بهره وری مدل جدید از طریق انجام آزمایش هایی بر روی مجموعه داده ی واقعی از پروژه ی سیستم Sensorscope اثبات می شود. نتایج آزمایش نشان می دهد که این مدل نرخ دقت تشخیص بالایی دارد و در قیاس با مدل های موجود، نرخ false positive های آن اندک است.

کلمات کلیدی: شبکه های حسگر بی سیم، تشخیص آنومالی، پردازش توزیع شده، آنالیز مولفه های اصلی، دسته بند مولفه های اصلی

چکیده انگلیسی :

Wireless sensor networks (WSNs) are important platforms for collecting environmental data and monitoring phenomena. Anomalies caused by hardware and software errors, unusual events, and malicious attacks affect the integrity of data gathered by such networks. Therefore, anomaly detection process is a necessary step in building sensor network systems to assure data quality for right decision making. This paper presents a new distributed online anomaly detection model that measures the dissimilarity of sensor observations in principal component space. The new model distributes the detection process over the network to minimize energy consumption while ensuring high detection effectiveness. The detection effectiveness and efficiency of the new model are proved through experiments on real world dataset from Sensor scope system project. Experimental results reveal that the model achieved high detection rate with relatively few false positive rates compared to an existing model.