23、KMANB算法在物联网传感器数据异常检测中的应用与优化

KMANB算法在物联网传感器数据异常检测中的应用与优化

1. KMANB算法概述

KMANB算法结合了K - Means聚类和Naive Bayes分类器，用于物联网（IoT）传感器数据的异常检测。在评估算法性能时，主要关注准确率（Accuracy）、精确率（Precision）和召回率（Recall），简称APR。

在一些实验中，发现了一些有趣的APR结果。例如，车库门部分的得分均为1，这可能是由于数据集中数据的离散性质，使得每个算法能够较好地预测每个结果。

KMANB算法的准确性可能得益于K - Means算法的预分类步骤。K - Means算法在数据集中生成新的聚类，Naive Bayes分类器理论上会学习这些聚类并进行训练。训练完成后，测试步骤会利用从已聚类的类别中学到的知识进行预测。同时，无监督机器学习（UML）理论上可以为监督机器学习（SML）提供更多的数据点，有助于提高算法性能。

2. 训练和测试时间

KMANB算法的速度（训练和测试时间）并不像最初预期的那样具有竞争力。以下是不同物联网设备上KMANB与传统SML算法（RF、NB和KNN）的训练和测试时间对比：
| IoT设备 | RF总时间(s) | NB总时间(s) | KNN总时间(s) | KMANB总时间(s) |
| — | — | — | — | — |
| 冰箱 | 0.233 | 0.115 | 2.703 | 3.42 |
| 车库门 | 0.062 | 0.012 | 1.594 | 3.86 |
| GPS跟踪器 | 0.932 | 0.016 | 0.08 | 6.17 |
| Modb