Виявлення аномалій у даних датчиків інтернету речей за допомогою методів неконтрольованого навчання

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Гордоном Андрієм Андрійовичом. Тема “Виявлення аномалій у даних датчиків інтернету речей за допомогою методів неконтрольованого навчання”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процес виявлення аномалій в даних датчиків інтернет речей. Предметом досліджень є методи та алгоритми неконтрольованого навчання для виявлення аномалій в даних датчиків інтернет речей. Досягнення мети відбувається за рахунок вивчення шаблонів нормальних даних за допомогою методів неконтрольованого машинного навчання, оскільки більшість наборів даних містять нормальні дані, в загальному задача виявлення аномалій зводиться до аналізу даних без аномалій, та застосування принципу включення-виключення. Розглянуто методи кластеризації, а саме K-Means, DBSCAN і Mean-Shift та глибокі нейронні мережі автокодувальники. У результаті виконання кваліфікаційної роботи проведено аналіз обраних методів з двома наборами даних, досліджено проблеми виявлення загроз в мережі пристроїв IoT та виявлення виходу з ладу датчиків та пристроїв IoT за допомогою виявлення аномалій в даних. Підібрано оптимальні гіперпараметри для роботи системи, проведено порівняння результатів роботи обраних методів. Загальний обсяг роботи: 50 сторінок, 36 рисунки, 26 посилання. Master’s degree work of the student of the group CSAI-21 Hordon Andrii Andrii. The topic is "Unsupervised anomaly detection in IoT sensors data". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of the study is the process of detecting anomalies in the sensor data of the Internet of Things. The subject of research is the methods and algorithms of unsupervised learning for detecting anomalies in the sensor data of the Internet of Things. The master's thesis is devoted to the comprehensive study of the detection of anomalies in data using unsupervised learning.