یک چارچوب مبتنی بر IOHMM برای بررسی انحراف در اثربخشی سیستمهای مبتنی بر اینترنت اشیا

دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) (http://creativecommons. org/licenses/by/4. 0/) توزیع شده است.

داده های مرتبط

خلاصه

سیستم های مبتنی بر اینترنت اشیا، هنگام تعامل با محیط فیزیکی از طریق محرک ها، سیستم های پیچیده ای هستند که مدل سازی آنها دشوار است. تکنیک های تأیید رسمی که در زمان طراحی انجام می شوند، اغلب در این زمینه بی اثر هستند، این سیستم ها باید از نظر اثربخشی در زمان اجرا، به عنوان میزانی که آن ها مطابق انتظار رفتار می کنند، از نظر کمی ارزیابی شوند. این ارزیابی با رویارویی با مدلی از اثراتی که آنها باید به طور مشروع در زمینه های مختلف نسبت به آنچه در میدان مشاهده می شود ایجاد کنند، به دست می آید. با این حال، این ارزیابی کمی در مورد انحرافات در اثربخشی آموزنده نیست، به طراحان کمک نمی کند تا علل احتمالی آنها را بررسی کنند، و زمان مورد نیاز برای حل آنها را افزایش می دهد. برای پرداختن به این مشکل، و با فرض اینکه مدل های رفتار مشروع را می توان با استفاده از مدل های مارکوف پنهان ورودی-خروجی (IOHMMs) توصیف کرد، یک ساختار کلی مبتنی بر خوشه بندی نظارت نشده و الگوریتم یادگیری پارامترهای IOHMM ایجاد شده است. این الگوریتم ابتدا برای یادگیری یک مدل رفتار مشروع استفاده می شود. سپس، مدلی از رفتار مشاهده شده از مشاهدات جمع آوری شده در میدان آموخته می شود. الگوریتم دوم یک نمودار عدم تشابه ایجاد می کند که تفاوت های ساختاری و پارامتری واضحی را بین هر دو مدل ایجاد می کند، بنابراین به طراحان راهنمایی می کند تا به آنها کمک کند تا علل احتمالی رانش در اثربخشی را بررسی کنند. این رویکرد بر روی مجموعه داده های دنیای واقعی جمع آوری شده در یک خانه هوشمند تأیید شده است.

کلیدواژه: فعال سازی، اینترنت اشیا، هوش محیطی، سیستم های فیزیکی-سایبری، اثربخشی، رانش، مدل های مارکوف پنهان ورودی-خروجی

1. معرفی

سیستم های مبتنی بر اینترنت اشیاء (سیستم های مبتنی بر IoT) مانند سیستم های زندگی با کمک محیط (AAL) [1] و سیستم های سایبر-فیزیکی هوشمند (CPS) [2] ، با تعامل با محیط فیزیکی از طریق محرک ها ، با چالش های بسیاری روبرو هستند، مربوط به قابلیت اطمینان ، ایمنی و مقاومت. تحقق این چالش ها دشوار است زیرا محیط فیزیکی پیچیده و مدل سازی آن دشوار است [3]. بنابراین طراحان در توانایی خود در پیش بینی تأثیر تعامل خود در زمان طراحی و تأیید رسماً انطباق آنها با خصوصیات منطقی ، اعم از عملکردی و زمانی ، محدود هستند. بنابراین لازم است که به طور کمی اثربخشی این سیستم ها در زمان اجرا ارزیابی شود [4] ، یعنی میزان رفتار این سیستم ها همانطور که انتظار می رود. این ارزیابی با مقابله با الگویی از تأثیرات که انتظار می رود در زمینه های خاصی برای موارد مشاهده شده در این زمینه تولید شود انجام می شود [5]. این مدل از رفتار مشروع به طور کلی از تجربه کارشناسان ، اسنادی که توصیف استانداردها و ایمنی ، ترجیحات کاربران و غیره است ، ساخته شده است که توسط قوانین اگر برای تفسیر آنها تدوین شده است [6].

ارزیابی اثربخشی کمی ، به عنوان کیفیت (به عنوان مثال ، کیفیت خدمات (QoS) [7،8] ، کیفیت تجربه (QOE) [9]) ، معیارهای ارزیابی عملکرد و قابلیت اطمینان (به عنوان مثال ، زمان به فصیح (TTF) ،باقی مانده از عمر مفید (RUL) ، و غیره) می تواند برای برجسته کردن هرگونه وخامت یک سیستم مبتنی بر IoT و تجزیه و تحلیل منجر به اقدامات اصلاحی مورد استفاده قرار گیرد. با این حال ، این ارزیابی ها راهنمایی هایی را برای طراحان ارائه نمی دهد که به آنها کمک می کند تا تحقیقات خود را هدایت کنند و دلایل احتمالی رانش را در اثربخشی شناسایی کنند و زمان لازم برای حل آنها را افزایش دهند. به طور خاص ، رانش در اثربخشی ، از الگوی دیدگاه رفتار مشروع ، می تواند سه برابر باشد: (1) سیستم همانطور که انتظار می رود رفتار نمی کند (2) ، مدل ناقص است ، رفتار مشاهده شده ، گرچه مشروع است ، اما پیش بینی نشده است. و (3) ، یک پارامترهای اولیه در پارامترها وجود دارد ، یعنی رفتار مشاهده شده ، گرچه مشروعیت دارد ، اما کمی خارج از انتظارات (همچنین به عنوان رانش مفهومی شناخته می شود). این که آیا این امر به دلیل رفتارهای غیر عادی یا قانونی پیش بینی نشده و یا به پارامترهایی است که به مرور زمان در حال حرکت است ، باید به طراحان ابزارهایی برای پشتیبانی از آنها در بررسی رانش در اثربخشی با ارتباط با وقایع مختلف و متخصصان سیستم مشاوره ارائه شود تا احتمالاً علل اصلی مربوط به آنها و همچنین آنها را تعیین کنند. داده های مربوطه ، در نتیجه زمان لازم برای حل آنها را کاهش می دهد.

در این مقاله ، ما سیستم های مبتنی بر IoT را در نظر می گیریم که مدل رفتار مشروعیت را می توان با مدلهای مخفی مخفی ورودی (IOHMM) توصیف کرد [10]. این چارچوب به طور گسترده ای برای مدل سازی رفتاری [11،12] استفاده می شود و مزایای بی شماری را در اینجا به همراه می آورد [13] ؛(1) این یک مدل گرافیکی قابل توضیح است [14] بخشی از خانواده دینامیکی Bayesian (DBN).(2) وابستگی های مشروط بین اثرات و محرک های آنها را رسمی می کند (یعنی ورودی متنی ، وقایع).(3) تحمل انتظارات را شامل می شود. براساس این فرض ، سهم این مقاله دو برابر است:

با این فرض که مشاهدات به صورت تصادفی با شرایط سیستم مبتنی بر IoT ارتباط دارند (به عنوان مثال ، بین حالت ها و مشاهدات وجود دارد. انتقال دولت) و پارامترهای λ (پارامترهای توزیع) از مشاهدات مداوم. این الگوریتم پیشنهاد شده است که با خوشه بندی فضایی مبتنی بر چگالی سلسله مراتبی برنامه های کاربردی با نویز (HDBSCAN*) [16] الگوریتم خوشه بندی و یک پسوند افزایشی اخیر که توسط خوشه بندی انعطاف پذیر ، افزایشی ، مقیاس پذیر ، سلسله مراتبی برای داده های ANBITRARARY نشان داده شده است ، اجرا شود. فاصله (FishDBC) [17].

الگوریتم یادگیری با مشاهدات مربوط به تأثیراتی که انتظار می رود توسط یک سیستم مبتنی بر IoT تولید شود ، تغذیه می شود و منجر به یادگیری یک مدل از رفتار قانونی می شود. این مدل می تواند بیشتر برای ارزیابی کمی از اثربخشی سیستم در زمان اجرا همانطور که در [5] انجام می شود ، استفاده شود.

این مدل با مشاهدات تأثیرات تولید شده توسط سیستم در حال کار در محیط آن افزایش می یابد و منجر به یادگیری یک مدل از رفتار مشاهده شده می شود. سپس ، بر اساس این مدل ها ، یک الگوریتم برای ساختن یک نمودار ناسازگاری کارگردانی ارائه شده است که تفاوت های بین هر دو مدل را برجسته می کند ، از این طریق به طراحان کمک می کند تا تحقیقات خود را هدایت کرده و دلایل احتمالی رانش را در اثربخشی شناسایی کنند.

مراحل اجرای رویکرد پیشنهادی.

2. آثار مرتبط

مشکلات مورد توجه در این مقاله با زمینه های تشخیص گسل مبتنی بر مدل و همچنین تشخیص گسل و شناسایی و نظارت بر سلامت سیستم ، فقط برای نامگذاری چند مورد ارتباط دارد.

در [18] ، نویسندگان IOHMM را برای تشخیص عدم موفقیت ، پیش آگهی و نظارت بر سلامت یک ژنراتور دیزل اعمال می کنند. این مدل برای طبقه بندی مشاهدات به منظور تعیین وضعیت تخریب سیستم استفاده می شود. این مدل شامل سه حالت است ، یکی اول اینکه رفتار مشروعیت را توصیف می کند ، دومی که وجود یک تخریب و یک سوم را توصیف می کند که یک تخریب شدید را توصیف می کند. این رویکرد معمولاً در ادبیات مورد استفاده قرار می گیرد [19،20] که در آن مدل های مارکوویان رفتارهای مشروع و غیر عادی را رسمی می کنند ، که اغلب در حالت های انتزاعی قرار می گیرند که معانی آنها ناشی از تجزیه و تحلیل انجام شده است. شناسایی و شناسایی گسل ها سپس مشابه یک مشکل طبقه بندی است (یعنی تخمین وضعیت فعلی ، چه قانونی یا غیر عادی).

یکی از مزایای این رویکردها این است که HMM ها (و IOHMM) مدل های قابل توضیح هستند [14]. با این حال ، در حالی که این رویکردها زمانی مرتبط هستند که فضای دولت سیستم های در نظر گرفته شده محدود باشد ، آنها (در بهترین حالت) برای سیستم های پیچیده ای که مجموعه ای از حالت های غیر عادی (و مشروع) قابل استفاده نیست ، قابل استفاده نیست [21].

به منظور تشخیص رفتارهای در حال ظهور ناشناخته ، چه مشروع و چه غیر عادی ، برخی از نویسندگان مدل هایی را با فضاهای حالت متغیر بر اساس طرح های یادگیری آنلاین بدون نظارت پیش بینی می کنند. به عنوان مثال ، در [22] ، نویسندگان یک رویکرد یادگیری مدل آنلاین افزایشی را توسعه دادند که الگوریتم خوشه بندی توس را گسترش می دهد [23]. در حالی که مدل با ورود داده های جدید به طور مداوم رشد می کند ، همچنین توانایی فراموش کردن مشاهدات منسوخ را دارد. در [24] ، نویسندگان بر اساس برآورد چگالی ، رویکرد خوشه بندی داده های تجزیه و تحلیل داده (TEDA) [25] را بررسی کردند. علاوه بر این رویکردها ، برخی از نویسندگان برای ارزیابی وضعیت سلامتی سیستم های مکانیکی از HMM های سازگار استفاده می کنند. در [26] ، روشی در کنترل فرآیند آماری (SPC) با یک HMM تطبیقی برای تشخیص حالت های ناشناخته و تشخیص یک فرآیند چرخش ترکیب شده است. ساختار مدل برای نشان دادن فرآیندهای تخریب در حضور گسلهای ناشناخته تغییر یافته است. در [27] ، از HMM تطبیقی برای یادگیری آنلاین تغییرات پویا در سلامت دستگاه ها استفاده می شود. حالت های جدید بهداشتی با افزودن حالتهای پنهان جدید در HMM به صورت آنلاین توصیف می شود. تخریب سلامت به صورت آنلاین توسط یک شاخص سلامت (HI) اندازه گیری می شود که شباهت بین دو توزیع چگالی را اندازه گیری می کند که به ترتیب حالات بهداشت تاریخی و فعلی را توصیف می کنند.

در حالی که رویکردهای فوق الذکر اجازه می دهد تا مدل هایی را با رفتارهای مشروع یا غیر عادی پیش بینی نشده افزایش دهند ، آنها راهنمایی هایی را برای طراحان ارائه نمی دهند تا به آنها در بررسی دلایل احتمالی رفتارهای غیر عادی کمک کنند. به عنوان مثال ، در [22] ، رفتارهای غیر عادی باعث هشدار می شوند ، یادگیری افزایشی برای کاهش میزان زنگ هشدار توجیه می شود. در [24] ، طراحان ارزیابی کمی ارائه می دهند ، نه در مورد علائم و دلایل رفتارهای غیر عادی آموزنده نیست.

رویکردهای جالب به عنوان بخشی از QoE اجرا شده است. به عنوان مثال ، در [28] ، نویسندگان از رویکرد ارزیابی کیفیت ذهنی (PSQA) استفاده می کنند تا به طور خودکار QOE را در زمینه پخش ویدیو ارزیابی کنند. رویکرد PSQA (همچنین به عنوان ارزیابی کیفیت کمی شناخته می شود ، QQA) شامل یادگیری ، با انجام مجموعه ای از تست های ذهنی ، نحوه واکنش انسان به کیفیت است. ابزار یادگیری مورد استفاده یک کلاس خاص از شبکه عصبی (شبکه عصبی تصادفی ، RNN) است. ارزیابی QOE سپس بر اساس عملکرد تخمین Q تعریف شده در مرحله یادگیری و ویژگی های خاص در جریان های ویدئویی (به عنوان مثال ، میزان از دست دادن فریم یا پهنای باند مؤثر اتصال) است. در [29] ، یک رویکرد ارزیابی سلامت آنلاین سیستماتیک بر اساس الگوریتم نقشه خود سازماندهی سلسله مراتبی (GHSOM) در حال رشد ، نوعی از نقشه خود سازماندهی (SOM) ، نوعی از شبکه عصبی مصنوعی (ANN) ، ارائه شده است. با تکنیک های خودآموزی تطبیقی. این روش شناسایی حالتهای جدید شرایط کار ، مانند سرعت چرخش جدید یا دستور العمل پردازش و تشخیص میزان تخریب جدید در داده های نظارت بر ورود را امکان پذیر می کند و آنها را در مدل های یادگیری قبلی قرار می دهد.

RNN ها می توانند طیف گسترده ای از سیستم های دینامیکی را مدل کنند [30]. با این حال ، آنها تعداد زیادی از پارامترها را دارند که آنها را به سختی قابل تفسیر و قابل توضیح می دانند [31] و غیر عملی برای ارائه راهنمایی به طراحان برای کمک به آنها در تحقیق در مورد رانش. در [29] ، اگرچه SOM بازنمایی کم بعدی و گسسته شده از فضای مشاهده را ایجاد می کند ، نویسندگان به صراحت توصیف نمی کنند که مهندسان و اپراتورها از هرگونه تغییر قابل توجهی در مدل آگاه هستند.

خاص برای IoT ، در [32] ، یک بررسی ادبیات سیستماتیک در مورد روشهای آماری آماری و یادگیری ماشین برای تشخیص ناهنجاری ، تجزیه و تحلیل و پیش بینی در محیط های هوشمند ، شبکه های حمل و نقل ، سیستم های مراقبت های بهداشتی ، اشیاء هوشمند و سیستم های صنعتی انجام شده است. در این مطالعه ، شکافی در تجسم ناهنجاری ها برای تجزیه و تحلیل یافت شد. نویسندگان تشخیص می دهند که به منظور تجزیه و تحلیل ناهنجاری ها ، روش ها و رویکردهای جدید مورد نیاز است. رویکرد ارائه شده در این سند با هدف پر کردن این شکاف انجام شده است. این مبتنی بر چارچوب مدل سازی IOHMM است که باعث می شود مدل های رفتاری قابل توضیح تعریف شود. مانند برخی از رویکردهای فوق الذکر ، ما مدل هایی با فضاهای حالت متغیر را بر اساس طرح های یادگیری آنلاین بدون نظارت برای یادگیری رفتار یک سیستم از مشاهدات پیش بینی می کنیم. با این حال ، بر خلاف این رویکردها ، ما یک الگوریتم را پیشنهاد می کنیم که ، فراتر از معیارها ، تفاوت های بین مدل رفتار مشروعیت و کسی را که از مشاهدات آموخته شده است روشن می کند و راهنمایی هایی را به طراحان ارائه می دهد تا به آنها در بررسی رفتارهای غیر عادی کمک کند.

3. زمینه در مدل مارکوف مخفی ورودی-خروجی

در این مقاله ، ما سیستم های مبتنی بر IoT را در نظر می گیریم که مدل رفتار مشروعیت را می توان با چارچوب مدل سازی IOHMM توصیف کرد [10]. IOHOMS یک جفت فرآیند ورودی ورودی تصادفی (U ، Y) به عنوان نتیجه یک فرآیند Markovian تصادفی اساسی X که مشاهده نمی شود (مخفی گفته می شود) مدل می کند. از دیدگاه تولیدی ، دنباله ای از مشاهدات مداوم ورودی-خروجی (u → (k) ، y → (k)) k = 1 k ، k ∈ N خبرهای فارکس...