تشخیص ناهنجاری های داده های اینترنت اشیا از طریق مدل های هوش مصنوعی (یادگیری خودنظارتی)

امروزه با توجه به سرعت گسترش اینترنت اشیا و افزایش حجم داده های تولید شده از طریق حسگرهای محیطی، نیاز به روش های هوشمند برای پایش و تشخیص ناهنجاری های داده سامانه های مبتنی بر این چارچوب فناورانه بیشتر شده است. محیط اینترنت اشیا طیف وسیعی از چالش ها را دارد که تاثیر گسترده ای بر عملکرد آنها دارد و می توان به دو دسته (۱) چالش های عمومی مانند ارتباطات، ناهمگونی، مجازی سازی و امنیت و (۲) چالش های منحصر به فرد مانند شبکه حسگر بیسیم، شناسایی فرکانس رادیویی و در نهایت کیفیت خدمات که به عنوان یک عامل مشترک بین چالش های عمومی و ویژه در نظر گرفته می شود تقسیم بندی کرد. در سال های اخیر الگوهای یادگیری ماشین به عنوان روشی جدید برای استخراج روابط معنادار از داده های بدون برچسب مورد استفاده قرار گرفته اما داده های محیطی به دلیل داشتن نویز، عدم تعادل و فقدان برچسب استفاده از الگوریتم های یادگیری ماشین را با چالش روبرو کرده است. یادگیری خودنظارتی به عنوان یکی از روش های یادگیری ماشین با تعریف وظایف پیش متنی، به مدل امکان می دهد که نمایش های نهفته و تعمیم پذیر از داده های حسگر را بدون نیاز به برچسب انسانی آموزش ببیند. از این رو در این مقاله به بررسی مطالعات اخیر در حوزه یادگیری خودنظارتی برای تشخیص ناهنجاری در داده های اینترنت اشیا پرداخته شده و هدف اصلی مرور روش های تشخیص ناهنجاری های داده های اینترنت اشیا از طریق یادگیری خودنظارتی روش های مبتنی بر یادگیری تضادی می باشد.

Keywords:

اینترنت اشیا , هوش مصنوعی , یادگیری ماشین , یادگیری خودنظارتی