11、基于联邦学习的物联网多任务异常检测

基于联邦学习的物联网多任务异常检测

1. 引言

物联网（IoT）环境中的异常检测本质是利用时间序列异常检测技术，分析系统监控收集的各系统性能指标的时间序列数据。然而，物联网时间序列数据具有高度异质性，且异常的定义和类型多样，这给监控和性能建模带来了挑战。为解决这些问题，我们提出了基于联邦学习的多任务异常检测方法（MTAD - FL）。

1.1 主要贡献

• 针对物联网系统中时间序列数据的高度异质性，提出基于多任务联邦学习（MFL）的分布式学习框架，通过物联网环境中的大量数据构建不同环境下的异常检测模型。
• 为识别物联网系统下的复杂异常模式和特征，构建基于挤压激活（SE）和外部注意力（EA）的双网络特征提取器（SE - EA - EDN），以高效提取异常数据特征。
• 为应对物联网环境中异常的多样性，设计了基于局部 - 全局特征的并行知识迁移框架（LGF - PKT），实现局部和全局特征权重更新的并行化。

2. 相关工作

2.1 经典方法

方法	原理	举例	局限性
基于统计的异常检测算法	从历史数据分布确定当前数据的合理波动范围，不符合统计模型的数据为异常值	K - sigma 算法、ARIMA 移动平均自回归数据预测模型	依赖统计