Phát hiện lỗi trong mạng cảm biến không dây với mạng nơ ron học sâu
210 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE7.2023.27-36Từ khóa:
Phát hiện lỗi; Mạng cảm biến không dây; Học máy; Mạng hồi quy; LSTM.Tóm tắt
Bài báo này giải quyết thách thức về việc phát hiện lỗi trong Mạng Cảm Biến Không Dây (WSNs), thường được sử dụng trong các lĩnh vực như giám sát môi trường và y tế. WSNs, dễ phát sinh nhiều loại lỗi do được triển khai trong môi trường khó dự đoán trước, đòi hỏi các giải pháp phát hiện lỗi hiệu quả. Các phương pháp học máy truyền thống thể hiện những hạn chế như không phù hợp với dữ liệu theo dòng thời gian và việc phát hiện một loại lỗi duy nhất. Chúng tôi đề xuất sử dụng mạng nơ-ron sâu, cụ thể là Mạng Nơ-ron Hồi quy (RNNs), để phát hiện lỗi trong WSNs, tập trung vào dữ liệu nhiệt độ và độ ẩm. Bài báo nhấn mạnh tầm quan trọng của việc lựa chọn mô hình cẩn thận, điều chỉnh, và đánh giá kỹ lưỡng để nâng cao độ chính xác và tính bền vững của việc phát hiện lỗi trong các ứng dụng WSN thực tế.
Tài liệu tham khảo
[1]. P. I. Priya, S. Muthurajkumar, and S. S. Daisy, “Data Fault Detection in Wireless Sensor Networks Using Machine Learning Techniques,” Wirel. Pers. Commun., vol. 122, no. 3, pp. 2441–2462, (2022), doi: 10.1007/s11277-021-09001-1. DOI: https://doi.org/10.1007/s11277-021-09001-1
[2]. S. A. Yadav and T. Poongodi, “A Review of ML Based Fault Detection Algorithms in WSNs,” in 2021 2nd International Conference on Intelligent Engineering and Management (ICIEM), pp. 615–618, (2021), doi: 10.1109/ICIEM51511.2021.9445384. DOI: https://doi.org/10.1109/ICIEM51511.2021.9445384
[3]. S. Zroug, I. Remadna, L. Kahloul, S. Benharzallah, and S. L. Terrissa, “Leveraging the Power of Machine Learning for Performance Evaluation Prediction in Wireless Sensor Networks,” in 2021 International Conference on Information Technology (ICIT), pp. 864–869, (2021), doi: 10.1109/ICIT52682.2021.9491722. DOI: https://doi.org/10.1109/ICIT52682.2021.9491722
[4]. L. Chen, G. Li, and G. Huang, “A hypergrid based adaptive learning method for detecting data faults in wireless sensor networks,” Inf. Sci. (Ny)., vol. 553, pp. 49–65, (2021), doi: https://doi.org/10.1016/j.ins.2020.12.011. DOI: https://doi.org/10.1016/j.ins.2020.12.011
[5]. T. Amarasimha and V. S. Rao, “Efficient Energy Conservation and Faulty Node Detection on Machine Learning-Based Wireless Sensor Networks,” Int. J. Grid High Perform. Comput., vol. 13, no. 2, pp. 1–20, (2021). DOI: https://doi.org/10.4018/IJGHPC.2021040101
[6]. Sudha, Y. Singh, H. Sehrawat, and V. Jaglan, “Approach of Machine Learning Algorithms to Deal with Challenges in Wireless Sensor Network,” in Soft Computing: Theories and Applications, pp. 375–395, (2022). DOI: https://doi.org/10.1007/978-981-16-1740-9_31
[7]. G. D. O’Mahony, P. J. Harris, and C. C. Murphy, “Detecting interference in wireless sensor network received samples: A machine learning approach,” in 2020 IEEE 6th World Forum on Internet of Things (WF-IoT), pp. 1–6, (2020). DOI: https://doi.org/10.1109/WF-IoT48130.2020.9221332
[8]. D. Li, Y. Wang, J. Wang, C. Wang, and Y. Duan, “Recent advances in sensor fault diagnosis: A review,” Sensors Actuators A Phys., vol. 309, p. 111990, (2020). DOI: https://doi.org/10.1016/j.sna.2020.111990
[9]. S. Suthaharan, M. Alzahrani, S. Rajasegarar, C. Leckie, and M. Palaniswami, “Labelled data collection for anomaly detection in wireless sensor networks,” in 2010 sixth international conference on intelligent sensors, sensor networks and information processing, pp. 269–274, (2010). DOI: https://doi.org/10.1109/ISSNIP.2010.5706782
