Clasificación de anomalías en dispositivos del borde de IIoT
DOI:
https://doi.org/10.17533/udea.redin.20250368Palabras clave:
Detección de anomalías, clasificación de anomalías, redes neuronales, nternet Industrial de las CosasResumen
Una detección temprana de anomalías en Internet Industrial de las Cosas (IIoT) reduce los costos de mantenimiento, minimiza el tiempo de inactividad de la máquina y aumenta la seguridad de la planta. Un clasificador multiclase que detecta eventos, fallas o ataques libera al operador humano de la responsabilidad de identificar la causa de la anomalía, evitando desperdicio de tiempo que podría comprometer el rendimiento y la seguridad del proceso. Con estas cuestiones en mente, este artículo tiene como objetivo determinar si es posible diferenciar entre una falla de temperatura en un dispositivo IIoT, un ataque de negación de servicio a un broker MQTT y un evento causado por una aplicación que se ejecuta en el dispositivo de borde IIoT. Los datos utilizados para realizar la clasificación provienen de una Raspberry Pi 3, concretamente, datos de su CPU (temperatura, carga, memoria libre, paquetes Wi-Fi enviados y recibidos). Se entrenaron algoritmos del tipo k vecinos más cercanos (KNN), bosque aleatorio (RF), máquina de soporte vectorial (SVM) y un perceptrón multicapa (MLP). Teniendo en cuenta métricas como tasa de falsos positivos, tasa de falsos negativos, precisión, F1-score y el tiempo de ejecución, llegamos a la conclusión de que SVM y MLP fueron los mejores métodos para el caso de estudio, debido a la precisión (78,6 y 76,1, respectivamente) y el bajo tiempo de ejecución (17,3 ms y 0,35 ms).
Descargas
Citas
S. Alexandra and M. Vitaliy, “Approaches for data
collection and process standardization in smart
manufacturing: systematic literature review,” Journal
of Industrial Information Integration, p. 100578, 2024.
A. Angelopoulos, E. T. Michailidis, N. Nomikos,
P. Trakadas, A. Hatziefremidis, S. Voliotis, and
T. Zahariadis, “Tackling faults in the industry 4.0 era—a
survey of machine-learning solutions and key aspects,”
Sensors, vol. 20, no. 1, p. 109, 2019.
C. Ni and S. C. Li, “Machine learning enabled industrial
iot security: Challenges, trends and solutions,” Journal of
Industrial Information Integration, p. 100549, 2024.
E. Luján, A. Otero, S. Valenzuela, E. Mocskos, L. A.
Steffenel, and S. Nesmachnow, “An integrated platform for
smart energy management: the cc-sem project,” Revista
Facultad de Ingeniería Universidad de Antioquia, no. 97,
pp. 41–55, 2020.
M. Chen, S. Mao, and Y. Liu, “Big data: A survey,” Mobile
networks and applications, vol. 19, no. 2, pp. 171–209, 2014.
A. Karkouch, H. Mousannif, H. Al Moatassime, and
T. Noel, “Data quality in internet of things: A
state-of-the-art survey,” Journal of Network and Computer
Applications, vol. 73, pp. 57–81, 2016.
N. Ghosh, K. Maity, R. Paul, and S. Maity, “Outlier
detection in sensor data using machine learning techniques
for iot framework and wireless sensor networks: A brief
study,” in 2019 International Conference on Applied
Machine Learning (ICAML). IEEE, 2019, pp. 187–190.
N. Mohamudally and M. Peermamode-Mohaboob,
“Building an anomaly detection engine (ade) for iot
smart applications,” Procedia computer science, vol. 134,
pp. 10–17, 2018.
S. Afroz, S. A. Islam, S. N. Rafa, and M. Islam, “A two layer
machine learning system for intrusion detection based on
random forest and support vector machine,” in 2020 IEEE
International Women in Engineering (WIE) Conference
on Electrical and Computer Engineering (WIECON-ECE).
IEEE, 2020, pp. 300–303.
N. Moustafa, N. Koroniotis, M. Keshk, A. Y. Zomaya, and
Z. Tari, “Explainable intrusion detection for cyber defences
in the internet of things: Opportunities and solutions,”
IEEE Communications Surveys & Tutorials, 2023.
Y. Wang, M. Perry, D. Whitlock, and J. W. Sutherland,
“Detecting anomalies in time series data from a
manufacturing system using recurrent neural networks,”
Journal of Manufacturing Systems, 2020.
G. Tertytchny, N. Nicolaou, and M. K. Michael,
“Classifying network abnormalities into faults and attacks
in iot-based cyber physical systems using machine learning,”
Microprocessors and Microsystems, vol. 77, p. 103121,
M. Rodríguez, D. P. Tobón, and D. Múnera, “Anomaly
classification in industrial internet of things: A review,”
Intelligent Systems with Applications, p. 200232, 2023.
Z.-X. Guo and P.-L. Shui, “Anomaly based sea-surface small
target detection using k-nearest neighbor classification,”
IEEE Transactions on Aerospace and Electronic Systems,
vol. 56, no. 6, pp. 4947–4964, 2020.
S. Rani, K. Tripathi, Y. Arora, and A. Kumar, “Analysis
of anomaly detection of malware using knn,” in 2022
nd International Conference on Innovative Practices in
Technology and Management (ICIPTM), vol. 2. IEEE,
, pp. 774–779.
A. Abid, A. Kachouri, A. B. F. Guiloufi, A. Mahfoudhi,
N. Nasri, and M. Abid, “Centralized knn anomaly
detector for wsn,” in 2015 IEEE 12th International
Multi-Conference on Systems, Signals & Devices (SSD15).
IEEE, 2015, pp. 1–4.
P. Naraei, A. Abhari, and A. Sadeghian, “Application of
multilayer perceptron neural networks and support vector
machines in classification of healthcare data,” in 2016
Future Technologies Conference (FTC). IEEE, 2016, pp.
–852.
S. Shakya and S. Sigdel, “An approach to develop a hybrid
algorithm based on support vector machine and naive bayes
for anomaly detection,” in 2017 International Conference
on Computing, Communication and Automation (ICCCA).
IEEE, 2017, pp. 323–327.
Scikit-Learn, “sklearn.svm.SVC,” https://scikit-learn.org/
stable/modules/generated/sklearn.svm.SVC.html, 2022,
[Online; accessed 10-August-2022].
T.-H. Lin and J.-R. Jiang, “Anomaly detection with
autoencoder and random forest,” in 2020 International
Computer Symposium (ICS). IEEE, 2020, pp. 96–99.
K. Bhuva, K. Srivastava et al., “Comparative study of the
machine learning techniques for predicting the employee
attrition,” IJRAR-International Journal of Research and
Analytical Reviews (IJRAR), vol. 5, no. 3, pp. 568–577,
R. Porteiro, L. Hernández-Callejo, and S. Nesmachnow,
“Electricity demand forecasting in industrial and residential
facilities using ensemble machine learning,” Revista
Facultad de Ingeniería Universidad de Antioquia, no. 102,
pp. 9–25, 2022.
Y.-C. Lai, K.-Z. Zhou, S.-R. Lin, and N.-W. Lo,
“F1ow-based anomaly detection using multilayer
perceptron in software defined networks,” in 2019
nd International Convention on Information
and Communication Technology, Electronics and
Microelectronics (MIPRO). IEEE, 2019, pp. 1154–1158.
H. Zhang, S. Shen, and Y. Shen, “Power system transient
stability evaluation based on multilayer perceptron neural
network,” in 2021 China Automation Congress (CAC).
IEEE, 2021, pp. 3313–3316.
T. Huuhtanen and A. Jung, “Anomaly location detection
with electrical impedance tomography using multilayer
perceptrons,” in 2020 IEEE 30th International Workshop
on Machine Learning for Signal Processing (MLSP).
IEEE, 2020, pp. 1–6.
L. Van Efferen and A. M. Ali-Eldin, “A multi-layer
perceptron approach for flow-based anomaly detection,” in
international symposium on networks, computers and
communications (ISNCC). IEEE, 2017, pp. 1–6.
S. Ranjeeth, V. A. K. Kandimalla et al., “Predicting
diabetes using outlier detection and multilayer perceptron
with optimal stochastic gradient descent,” in 2020
IEEE India Council International Subsections Conference
(INDISCON). IEEE, 2020, pp. 51–56.
X.-J. Shen, Y. Dong, J.-P. Gou, Y.-Z. Zhan, and J. Fan,
“Least squares kernel ensemble regression in reproducing
kernel hilbert space,” Neurocomputing, vol. 311, pp.
–244, 2018.
B. B. Hazarika, D. Gupta, and P. Borah, “An
intuitionistic fuzzy kernel ridge regression classifier for
binary classification,” Applied Soft Computing, vol. 112, p.
, 2021.
S. Akila and U. S. Reddy, “Credit card fraud detection
using non-overlapped risk based bagging ensemble (nrbe),”
in 2017 IEEE international conference on computational
intelligence and computing research (ICCIC). IEEE, 2017,
pp. 1–4.
Y. Zahid, M. A. Tahir, and M. N. Durrani, “Ensemble
learning using bagging and inception-v3 for anomaly
detection in surveillance videos,” in 2020 IEEE
International Conference on Image Processing (ICIP).
IEEE, 2020, pp. 588–592.
X. Berger, “RPi-Monitor,” https://xavierberger.github.
io/RPi-Monitor-docs/index.html, 2018, [Online; accessed
-August-2022].
Y. Lu, S. Chai, Y. Suo, F. Yao, and C. Zhang, “Intrusion
detection for industrial internet of things based on deep
learning,” Neurocomputing, vol. 564, p. 126886, 2024.
Scikit-Learn, “sklearn-linear model Ridge,” https:
//scikit-learn.org/stable/modules/generated/sklearn.
linear_model.Ridge.html, 2022, [Online; accessed
-August-2022].
——, “Sklearn.ensemble.BaggingClassifier,” https:
//scikit-learn.org/stable/modules/generated/sklearn.
ensemble.BaggingClassifier.html, 2022, [Online; accessed
-August-2022].
RStudioCloud, “RStudio Cloud,” https://rstudio.cloud/,
, [Online; accessed 10-July-2022].
G. Prashanth, V. Prashanth, P. Jayashree, and
N. Srinivasan, “Using random forests for network-based
anomaly detection at active routers,” in 2008 International
Conference on Signal Processing, Communications and
Networking. IEEE, 2008, pp. 93–96
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista Facultad de Ingeniería Universidad de Antioquia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter