تشخیص ناهنجاری توزیع شده بهبود یافته برمبنای خودرمزنگار در اینترنت اشیا

بهره گیری از تکنولوژی اینترنت اشیاء در نظارت بر سامانه‌های شهری هوشمند مانند سامانه‌های حمل و نقل شهری و شبکه‌های انتقال آب، برق و گاز و با هدف تشخیص وقایع و رفتارهای نامتعارف و ناهنجار مانند انواع خرابی‌ها و سوء استفاده‌ها امروزه بسیار مورد توجه قرار گرفته است. در این راستا استفاده از الگوریتم‌های تشخیص ناهنجاری توزیع شده نیمه نظارتی با استفاده از شبکه‌های عصبی خودرمزنگار موضوع تحقیقات گذشته بوده است. در این رویکرد، ظرفیت پردازشی مورد نیاز جهت آموزش خود رمزنگار، عدم دسترسی به داده‌های آموزشی کامل و ترافیک بالای پیام‌های ارسالی در شبکه چالش‌های اصلی محسوب ‌می‌شوند. دو چالش اول در کارهای گذشته مورد مطالعه و بررسی قرار گرفته و راهکاری برای چالش سوم با بهره گیری از الگوریتم‌های فشرده سازی و کدگذاری کارا در این مقاله ارایه گردیده است. با پیاده سازی یک بستر ارتباطی مبتنی بر پروتکل mqtt و ابزار واسط mosquitto کارایی دو الگوریتم فشرده سازی بدون خسارت به نام های هافمن و کدگذاری حسابی در فشرده سازی داده‌های سنسوری برچسب گذاری شده در لبه شبکه مورد مطالعه قرار گرفت. نتایج آزمایشات بر روی دیتاست ecg5000 نشان داد که استفاده از الگوریتم هافمن ‌می‌تواند تا دو برابر ترافیک داده‌های سنسوری برچسب گذاری شده توسط خودرمزنگارها که از لبه شبکه به ابر ارسال ‌می‌شوند را کاهش دهد. همچنین مشاهده شد که به طور متوسط در دوره‌های ارسال متوالی، روش کدگذاری حسابی فشرده سازی داده‌های سنسوری را با نرخ بالاتری نسبت به هافمن انجام ‌می‌دهد.