Improving IoT Analytics through Selective Edge Execution
Trinity College Dublin（都柏林大学三一学院）；University College London（伦敦大学学院）；IBM T. J. Watson Research Center（IBM T. J.沃森研究中心）
大量新兴的物联网应用依赖于机器学习例程来分析数据。在用户设备处执行这样的任务改进了响应时间并且节约了网络资源。然而，由于功率和计算限制，设备通常不能支持这样的资源密集型例程，并且不能准确地执行分析。在这项工作中，我们建议通过利用边缘基础设施来提高分析性能。我们设计了一种算法，使物联网设备能够在本地执行它们的例程;然后将它们外包给云服务器，只有当它们预测它们将获得显着的性能改进时。它使用一个近似的对偶次梯度法，对系统参数的统计特性做最小的假设。我们的分析表明，我们提出的算法可以智能地利用云，适应服务需求。
2020-03-07 cs.LG cs.NI
Internet of Things (IoT) Based Video Analytics: a use case of Smart Doorbell
物联网（IoT）的愿景现在已经成为现实。物联网设备越来越便宜，越来越小。它们在计算上和能源效率上变得越来越高。基于物联网的视频分析的全球市场近年来出现了显着增长，预计将成为一个不断增长的细分市场。对于任何基于物联网的视频分析应用程序，需要的关键点很少，例如成本效益，广泛使用，灵活的设计，准确的场景检测，框架的可重用性。基于视频的智能门铃系统是视频分析的一个这样的应用领域，其中许多商业产品在消费者市场中可用。然而，这样的现有产品是昂贵的、单一的和专有的。此外，在准确性和可移植性之间将存在权衡。为了解决可预见的问题，我提出了一个分布式视频分析框架，并以智能门铃系统为例。拟议的框架使用AWS云服务作为基础平台，并满足价格可承受性限制，该系统在负担得起的Raspberry Pi上实现。智能门铃将能够最准确地识别已知/未知的人。智能门铃系统还具有额外的检测功能，例如有害武器检测，值得注意的车辆检测，动物/宠物检测。专门为此实现开发了iOS应用程序，该应用程序可以实时接收来自智能门铃的通知。最后，本文还提到了视频分析的经典方法，它们在此用例中实现的可行性，并在检测帧中对象所需的准确性和时间方面进行了比较分析。结果得出结论，AWS基于云的方法值得用于此智能门铃用例。
2021-09-13 cs.CV cs.LG
IoT Data Analytics in Dynamic Environments: From An Automated Machine Learning Perspective
University of Western Ontario（西安大略大学）
随着近年来传感器和智能设备的广泛普及，物联网（IoT）系统的数据生成速度急剧增加。在物联网系统中，必须频繁处理、转换和分析大量数据，以实现各种物联网服务和功能。机器学习（ML）方法已经显示出其用于物联网数据分析的能力。然而，将ML模型应用于物联网数据分析任务仍然面临许多困难和挑战，特别是有效的模型选择，设计/调整和更新，这对经验丰富的数据科学家带来了巨大的需求。此外，物联网数据的动态特性可能会引入概念漂移问题，导致模型性能下降。为了减少人类的努力，自动化机器学习（AutoML）已经成为一个热门领域，旨在自动选择，构建，调整和更新机器学习模型，以实现指定任务的最佳性能。在本文中，我们对AutoML领域的模型选择、调整和更新过程中的现有方法进行了回顾，以确定和总结将ML算法应用于物联网数据分析的每一步的最佳解决方案。为了证明我们的研究结果并帮助工业用户和研究人员更好地实施AutoML方法，在这项工作中进行了将AutoML应用于物联网异常检测问题的案例研究。最后，我们讨论和分类的挑战和研究方向，这一领域。
2022-09-16 cs.CR cs.LG cs.NI
Data-Driven Prediction of Route-Level Energy Use for Mixed-Vehicle Transit Fleets
University of Houston（休斯顿大学）；Vanderbilt University（范德比尔特大学）；Chattanooga Area Regional Transportation Authority（查塔努加地区交通局）
由于对环境影响、运营成本和能源安全的担忧日益增加，公共交通机构正在寻求通过使用电动汽车（EV）来减少燃料使用。然而，由于电动汽车的前期成本很高，大多数机构只能负担内燃机和电动汽车的混合车队。充分利用这些混合车队对各机构提出了挑战，因为优化运输路线的车辆分配、安排充电等需要准确预测电力和燃料的使用。基于传感器的技术、数据分析和机器学习的最新进展可以弥补这种情况;然而，据我们所知，目前还没有一个框架可以将所有相关数据整合到公共交通的路线级预测模型中。在本文中，我们提出了一种新的框架，用于混合车辆运输车队的路线级能源使用的数据驱动预测，我们使用从田纳西州查塔努加市公共交通管理局CARTA的公交车队收集的数据进行评估。我们提出了一个数据收集和存储框架，我们用它来捕获系统级数据，包括交通和天气状况，以及高频车辆级数据，包括位置跟踪，燃料或电力使用等。我们提出了特定于域的方法和算法，用于集成和清理来自各种来源的数据，包括街道和高程地图。最后，我们在我们的集成数据集上训练和评估机器学习模型，包括深度神经网络、决策树和线性回归。我们的研究结果表明，神经网络提供了准确的估计，而其他模型可以帮助我们发现能源使用与道路和天气条件等因素之间的关系。
2020-07-19 cs.LG eess.SP
Optimizing Electric Bus Charging Scheduling with Uncertainties Using Hierarchical Deep Reinforcement Learning
School of Engineering, University of Guelph（圭尔夫大学工程学院）；EthicalAI（伦理AI）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
针对电动公交车充电在能耗、行程与电价不确定性下的多时间尺度调度难题，提出分层DRL算法DAC-MAPPO-E，通过注意力与MAPPO增强可扩展性、计算效率和收敛性能。
2025-05-15 cs.LG
Data Analytics and Machine Learning Methods, Techniques and Tool for Model-Driven Engineering of Smart IoT Services
Technical University of Munich（慕尼黑工业大学）
本博士论文提出了一种新的方法来加强物联网（IoT）和智能网络物理系统（CPS）的智能服务的发展。所提出的方法提供了抽象和自动化的软件工程过程，以及数据分析（DA）和机器学习（ML）的做法。这是以集成和无缝的方式实现的。我们通过扩展一个名为ThingML的开源建模工具来实现和验证所提出的方法。ThingML是一种特定于领域的语言和建模工具，可为IoT/CPS领域生成代码生成。ThingML和任何其他IoT/CPS建模工具都不支持建模级别的DA/ML。因此，作为博士论文的主要贡献，我们将有关DA/ML方法和技术的必要语法和语义添加到ThingML的建模语言中。此外，我们支持多个ML库和框架的API，用于自动生成Python和Java中目标软件的源代码。我们的方法支持独立于平台的模型以及特定于平台的模型。此外，我们通过在后台（专家模式）提供自动化ML（AutoML），并通过在设计时进行模型检查约束和提示，来帮助执行半自动化DA/ML任务。最后，我们考虑了来自网络安全、智能能源系统和能源交易市场领域的三个用例场景。
2021-02-12 cs.LG cs.SE
Energy efficient distributed analytics at the edge of the network for IoT environments
National Research Council（国家研究委员会）
由于个人移动和IoT设备的普及，许多“智能环境”（例如，智能城市和智能工厂）将成为大量数据的生成器。目前，这些数据的分析通常是通过集中的基于云的服务来实现的。然而，根据许多研究，从数据所有权以及无线网络容量的角度来看，这种方法可能存在重大问题。在本文中，我们利用雾计算范式将计算移动到产生数据的地方。我们利用了一个著名的分布式机器学习框架（假设迁移学习），并对经过物联网设备的移动节点以及网络基础设施边缘的雾网关进行数据分析。我们分析了分布式学习框架的不同配置的性能，（i）在学习任务中获得的准确性和（ii）在所涉及的节点之间发送数据所花费的能量。具体而言，我们考虑了用于我们考虑的不同类型的节点之间的通信的参考无线技术，例如LTE，Nb-IoT，802.15.4，802.11等。我们的结果表明，通过移动节点收集数据并使用短程通信技术（例如802.15.4和802.11）执行分布式分析，允许大幅降低系统的能量消耗，直至$94\%$，但损失了相对于相对湿度的准确度。最高可达$2\%$的集中式云解决方案。
2021-09-23 cs.DC cs.LG cs.NI
Revolutionizing Disease Diagnosis: A Microservices-Based Architecture for Privacy-Preserving and Efficient IoT Data Analytics Using Federated Learning
University of Manouba（马努巴大学）；Prince Sultan University（苏丹王子大学）
针对传统中心化疾病诊断系统的隐私问题，提出基于微服务的物联网数据分析架构，结合联邦学习与迁移学习，经5800余张胸部X光图像验证，肺炎检测性能优于前沿技术。
2023-08-27 cs.AI cs.LG
Detecting Irregular Patterns in IoT Streaming Data for Fall Detection
Queen’s University（女王大学）；IBM Canada（IBM加拿大）
在实时的流数据中检测模式一直是一个有趣且具有挑战性的数据分析问题。随着各种传感器设备的激增，实时分析来自物联网（IoT）的数据以学习规则和不规则模式已经成为重要的机器学习问题，以实现用于自动通知和决策支持的预测分析。在这项工作中，我们解决了从可穿戴传感器的物联网数据流中学习不规则人类活动模式的问题。我们提出了一个基于加速度计数据的深度神经网络模型，用于检测跌倒，使用Vavoulas等人发布的名为“WARNACT”的在线身体活动监测数据集，准确率达到98.75%。初始模型使用IBM Watson studio开发，然后通过IBM Streams支持的流分析服务转移并部署在IBM Cloud上，用于监测实时物联网数据。我们还提出了实时跌倒检测框架的系统架构，我们打算与mbientlabs可穿戴健康监测传感器一起使用，用于在养老院或康复诊所进行实时的患者监测。
2018-11-16 cs.AI cs.DC cs.LG
What are Attackers after on IoT Devices? An approach based on a multi-phased multi-faceted IoT honeypot ecosystem and data clustering
University of South Florida（南佛罗里达大学）；National Institute of Standards and Technology（美国国家标准与技术研究院）
物联网（IoT）设备数量的不断增长，使得人们必须意识到他们在网络安全方面面临的现实威胁。虽然蜜罐历来被用作诱饵设备，以帮助研究人员/组织更好地了解网络上的威胁动态及其影响，但由于设备及其物理连接的多样性，物联网设备为此提出了独特的挑战。在这项工作中，通过观察现实世界中的攻击者在低交互蜜罐生态系统中的行为，我们（1）提出了一种新的方法来创建多阶段，多方面的蜜罐生态系统，逐渐增加蜜罐与对手的交互的复杂性，（2）设计和开发了一个低交互蜜罐相机，使研究人员能够更深入地了解攻击者的目标，以及（3）设计了一种创新的数据分析方法来识别对手的目标。我们的蜜罐已经活跃了三年多了。我们能够在每个阶段收集越来越复杂的攻击数据。此外，我们的数据分析指出，蜜罐中捕获的绝大多数攻击活动具有显著的相似性，并且可以进行聚类和分组，以更好地了解物联网攻击的目标，模式和趋势。
2021-12-21 cs.CR cs.LG
LIMITS: Lightweight Machine Learning for IoT Systems with Resource Limitations
Communication Networks Institute（通信网络研究所）；Department of Computer Science, AI Group TU Dortmund University（多特蒙德大学计算机科学系人工智能组）
在小型设备上利用大数据知识将为构建真正的认知物联网（IoT）系统铺平道路。尽管机器学习已经为基于物联网的数据分析带来了巨大的进步，但在经过训练的机器学习模型的部署阶段仍然存在巨大的方法差距。对于给定的资源受限平台，例如微控制器单元（MCU），模型选择和参数化通常基于逻辑或分析模型来执行。然而，这些方法只能提供所需系统资源的粗略估计，因为它们不考虑硬件、编译器特定优化和代码依赖性的相互作用。在本文中，我们提出了一种新的开源框架LIGHTECH机器学习for IoT Systems（LIMITS），它采用了一种平台在环方法，明确考虑了目标IoT平台的实际编译工具链。LIMITS专注于高级任务，如实验自动化、特定于平台的代码生成和最佳点确定。经过验证的低级别模型实现的坚实基础是由耦合的成熟的数据分析框架怀卡托知识分析环境（WEKA）提供的。我们在两个案例研究中应用并验证了LIMITS，重点是蜂窝数据率预测和基于无线电的车辆分类，在这些案例研究中，我们比较了不同的学习模型和现实世界的物联网平台，内存限制从16 kB到4 MB，并展示了其促进机器学习物联网系统发展的潜力。
2020-01-28 cs.LG cs.NI
System Design for a Data-driven and Explainable Customer Sentiment Monitor
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Siemens Healthcare GmbH（西门子医疗有限公司）；University of Applied Sciences Amberg-Weiden（安贝格-魏登应用技术大学）；infoteam Software AG（infoteam软件股份公司）；Siemens Shanghai Medical Equipment Ltd.（西门子上海医疗设备有限公司）
客户服务最重要的目标是让客户满意。然而，服务资源总是有限的，必须优先考虑。因此，重要的是要确定哪些客户可能变得不满意，并可能导致升级。今天，这种客户优先级排序通常是手动完成的。用于机器健康监测的物联网数据（特别是日志数据）的数据科学，以及用于客户关系管理（CRM）的企业数据分析，主要是独立研究和应用的。在本文中，我们提出了一个数据驱动的决策支持系统的框架，该系统将物联网和企业数据相结合，对客户情绪进行建模。这样的决策支持系统可以帮助优先考虑客户和服务资源，以有效地解决问题，甚至避免问题。该框架应用于一个真实世界的案例研究与一个主要的医疗设备制造商。这包括一个完全自动化和可解释的机器学习管道，旨在满足领域专家和最终用户定义的要求。整个框架目前正在部署，从TB级的物联网和企业数据中学习和评估预测模型，以积极监控数千台高端医疗设备的客户情绪。此外，我们还为研究界提供了一个匿名的工业基准数据集。
2021-01-11 cs.AI cs.LG
Farm-LightSeek: An Edge-centric Multimodal Agricultural IoT Data Analytics Framework with Lightweight LLMs
School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院）；School of Engineering, Swinburne University of Technology（斯威本科技大学工程学院）；School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院）；School of Computing, Engineering and Mathematical Sciences, La Trobe University（拉筹伯大学计算、工程与数学科学学院）
针对智能农业面临的挑战，提出Farm-LightSeek框架，将大语言模型与边缘计算集成。通过传感器收集多源数据，在边缘节点进行跨模态推理等。创新包括闭环架构等，实验表明该框架在关键任务中性能可靠，推动了智能实时农业及两者深度集成。
2026-07-28 cs.CV cs.LG
IoT Data Analytics Using Deep Learning
Hunan University（湖南大学）
深度学习是一种流行的机器学习方法，在所有传统的机器学习领域都取得了很大的进展。物联网（IoT）和智慧城市部署正在生成大量需要分析的时间序列传感器数据。将深度学习应用于这些领域一直是一个重要的研究课题。长短期记忆（LSTM）网络已被证明非常适合处理和预测时间序列中具有长间隔和延迟的重要事件。LTSM网络具有维持长期记忆的能力。在LTSM网络中，堆叠的LSTM隐藏层还可以学习高级时间特征，而不需要其他技术所需的任何微调和预处理。本文构造了一种长短期记忆（LSTM）递归神经网络结构，利用正态时间序列训练集建立预测模型。然后利用预测模型的预测误差构造高斯朴素贝叶斯模型来检测原始样本是否异常。这种方法简称为LSTM-Gauss-NBayes。我们使用了三个真实世界的数据集，每个数据集都涉及长期时间依赖或短期时间依赖，甚至非常弱的时间依赖。实验结果表明，LSTM-Gauss-NBayes模型是一种有效的、鲁棒的模型。
2021-04-13 cs.LG cs.NI
Streaming IoT Data and the Quantum Edge: A Classic/Quantum Machine Learning Use Case
Vienna University of Technology（维也纳工业大学）
本研究针对后摩尔时代数据密集型紧急分析需求，探索用边缘计算将量子机器学习集成到分布式计算体系，梳理挑战与方案，并给出物联网场景的初步分析结果。
2024-02-23 cs.DC cs.ET cs.LG
DeepFeatIoT: Unifying Deep Learned, Randomized, and LLM Features for Enhanced IoT Time Series Sensor Data Classification in Smart Industries
School of Information Technology, Deakin University（信息科技学院，德肯大学）
针对物联网时间序列传感器数据因元数据丢失、数据源异质等问题难以解读的挑战，提出DeepFeatIoT模型，融合深度学习特征、随机卷积核特征及LLM特征，在多真实数据集上优于基准模型，提升分类效果并支持智能系统发展。
2025-08-13 cs.AI cs.LG
An IoT Endpoint System-on-Chip for Secure and Energy-Efficient Near-Sensor Analytics
ETH Zurich（苏黎世联邦理工学院）；Graz University of Technology（格拉茨技术大学）；University of Bologna（博洛尼亚大学）；Know-Center（知识中心）
近传感器数据分析是物联网端点的一个很有前途的方向，因为它最大限度地减少了通信消耗的能量并降低了网络负载-但它也带来了安全问题，因为有价值的数据在分析管道的各个阶段通过网络存储或发送。使用加密来保护片上分析引擎边界处的敏感数据是解决数据安全问题的一种方法。为了在紧凑的功率包络中应对分析和加密的组合工作负载，我们提出了Fulmine，这是一种基于紧密耦合的多核集群的片上系统，该集群增加了用于计算密集型数据处理和加密功能的专用块，支持常规计算任务的软件可编程性。Fulmine SoC采用65 nm工艺制造，在0.8V时平均功耗低于20 mW，加密效率高达70 pJ/B，卷积效率高达50 pJ/px，软件效率高达25 MIPS/mW。作为我们的平台在现实生活中灵活应用的有力论据，我们展示了三个安全分析用例的实验结果：安全自主空中监视，使用最先进的深度CNN，每等效RISC op消耗3.16 pJ;基于CNN的本地人脸检测，安全远程识别，5.74 pJ/op;以及癫痫发作检测，使用来自EEG的加密数据汇集，12.7 pJ/op。
2017-04-23 cs.AR cs.CR cs.LG
An Automated Data Engineering Pipeline for Anomaly Detection of IoT Sensor Data
University of Western Ontario（西安大略大学）
片上系统（SoC）技术、物联网（IoT）、云计算、人工智能等领域的快速发展，为改善和解决当前问题带来了更多可能。通过数据分析和使用机器学习/深度学习，可以学习底层模式，并根据从物联网传感器生成的海量数据中学到的知识做出决策。当与云计算相结合时，整个管道可以自动化，并且无需人工控制和操作。本文研究并提出了一种用于物联网传感器数据异常检测的自动化数据工程管道的实现。该过程涉及使用物联网传感器、树莓派、亚马逊网络服务（AWS）和多种机器学习技术，旨在为灵巧家庭安全系统识别异常情况。
2021-09-28 cs.CR cs.LG
Multi-Component Optimization and Efficient Deployment of Neural-Networks on Resource-Constrained IoT Hardware
University of South Carolina（南卡罗来纳大学）；Dublin City University（都柏林城市大学）；University of Sydney（悉尼大学）；Newcastle University（纽卡斯尔大学）
大多数物联网设备，如智能手表，智能插头，HVAC控制器等，由具有受限规格（低存储器、时钟速度和处理器）的硬件驱动，这不足以容纳和执行大型高质量模型。在这种资源受限的设备上，制造商仍然能够通过遵循对物联网设备/产品进行编程以收集和传输数据（图像、音频、传感器读数等）的传统方法来提供有吸引力的功能（以促进销售）。他们基于云的ML分析平台。几十年来，这种在线方法一直面临着数据流受损、延迟导致的非实时分析、带宽限制、昂贵的订阅、用户最近提出的隐私问题和GDPR指南等问题。在本文中，为了在资源受限的物联网设备上实现超快速和准确的基于AI的离线分析，我们提出了一个端到端的多组件模型优化序列和开源的实现。研究人员和开发人员可以使用我们的优化序列在多个方面优化高内存，计算要求的模型，以产生小尺寸，低延迟，低功耗的模型，可以舒适地适应和执行资源受限的硬件。实验结果表明，我们的优化组件可以产生的模型是：（i）12.06倍压缩;（ii）0.13%至0.27%更准确;（iii）在0.06 ms处的数量级更快的单元推理。我们的优化序列是通用的，并且可以应用于针对异常检测、预测性维护、机器人技术、话音识别、和机器视觉
2022-04-20 cs.DC cs.LG
AI Chiller: An Open IoT Cloud Based Machine Learning Framework for the Energy Saving of Building HVAC System via Big Data Analytics on the Fusion of BMS and Environmental Data
Siemens Ltd. Hong Kong（西门子有限公司香港分公司）；Siemens Advanta Solutions（西门子 Advanta 解决方案）
建筑节能减排是应对气候变化的关键措施之一。暖通空调系统是建筑环境能耗的主要组成部分，其中制冷机组又是建筑能耗的最大来源。冷水机组系统功耗优化在机械工程和建筑服务领域得到了广泛的研究。许多作品采用领域知识中的物理模型。随着大数据和人工智能技术的发展，将机器学习引入优化问题成为一种流行。虽然许多研究工作和项目转向这一方向的节能，应用到优化问题仍然是一个具有挑战性的任务。这项工作的目标是概述这样的问题的框架，如何节能应该是基准，如果整体或单独建模应使用，如何进行优化，为什么在初始部署的数据模式增强是必须的，为什么逐渐增加的变化策略必须使用。给出了历史数据的分析结果和现场数据的实验结果。
2020-10-09 cs.LG cs.OH math.OC
A Path to Holistic Privacy in Stream Processing Systems
Technical University of Darmstadt（达姆施塔特工业大学）
本文系统审视了流处理系统与物联网交叉领域的隐私问题，识别了实现全面隐私保护的关键挑战并提出相应解决方案。
2023-05-19 cs.CR cs.LG
BreathRNNet: Breathing Based Authentication on Resource-Constrained IoT Devices using RNNs
Data61
递归神经网络（RNN）在音频和语音处理应用中表现出了很好的效果，因为它们在建模序列数据方面具有很强的能力。在许多应用中，RNN往往优于基于GMM/UBM和i向量的传统模型。物联网设备的日益普及为基于声学的认证、语音命令和灵巧家庭的边缘分析等应用实现基于RNN的推理提供了强有力的理由。尽管如此，在资源受限的物联网设备上进行基于RNN的推理的可行性和性能在很大程度上仍未得到探索。在本文中，我们研究了将RNN用于基于呼吸声学的端到端认证系统的可行性。我们评估了RNN模型在三种类型设备上的性能;智能手机，智能手表和Raspberry Pi，并表明与CNN模型不同，RNN模型可以轻松地移植到资源受限的设备上，而不会显著降低准确性。
2017-09-22 cs.CR cs.LG cs.NE
Big IoT and social networking data for smart cities: Algorithmic improvements on Big Data Analysis in the context of RADICAL city applications
National Technical University of Athens（雅典国立技术大学）；Harokopio University of Athens（哈罗科皮奥大学）；University of Cantabria（坎塔布里亚大学）
在本文中，我们提出了一个基于SOA（面向服务架构）的平台，可以检索和分析来自社交网络（SN）站点和物联网（IoT）设备的大数据集，这些数据集由智能城市应用程序和社交感知数据聚合服务收集。参与城市化、增强现实和声音映射领域的大量城市应用正在参与城市中应用，从而产生了数百万用户生成的事件集和在线SN报告，并输入到RADICAL平台。此外，我们研究了数据分析（如情感分析）在保存到SQL数据库中的物联网和SN数据组合中的应用，进一步研究了算法和配置，以最大限度地减少数据集处理和结果检索的延迟。
2016-07-02 cs.CY cs.LG cs.SI
Design of a dynamic and self adapting system, supported with artificial intelligence, machine learning and real time intelligence for predictive cyber risk analytics in extreme environments, cyber risk in the colonisation of Mars
University of Oxford（牛津大学）；Cisco Research Centre（思科研究中心）；Cardiff University（卡迪夫大学）；University of Warwick（华威大学）
多个政府机构和私人组织已经承诺殖民火星。这种殖民化需要复杂的系统和基础设施，在网络攻击的情况下，修复或更换这些系统和基础设施的成本可能非常高。本文调查了深度学习算法、物联网网络安全和风险模型，并建立了数学公式，以确定开发动态和自适应的系统的最佳方法，用于在人工智能和机器学习以及边缘计算中的实时的智能的支持下进行预测性网络风险分析。本文提出了一种新的数学方法，用于集成认知引擎设计、边缘计算、人工智能和机器学习的概念，以自动化异常检测。该引擎通过应用嵌入在物联网网络边缘的人工智能和机器学习来推动一个步骤的变化，为预测性网络风险分析提供安全和功能性的实时的智能。这将增强风险分析能力，并有助于全面系统地了解部署边缘计算节点以及将人工智能和机器学习技术迁移到互联网外围和本地物联网网络时出现的机会和威胁。
2021-02-11 cs.AI cs.CR cs.CY
