ΑΝΑΓΝΩΡΙΣΗ ΜΗ ΦΥΣΙΟΛΟΓΙΚΩΝ ΠΡΟΤΥΠΩΝ ΚΑΙ ΤΙΜΩΝ ΣΕ IoT ΣΥΣΤΗΜΑΤΑ ΓΙΑ ΑΝΙΧΝΕΥΣΗ ΒΛΑΒΩΝ

Abstract

Το Διαδίκτυο των Πραγμάτων (Internet of Things - IoT) έχει αναδειχθεί ως ένα μετασχηματιστικό τεχνολογικό παράδειγμα, το οποίο συνδέει πολυάριθμες συσκευές και επιτρέπει την ανταλλαγή τεράστιων ποσοτήτων δεδομένων. Με την αυξανόμενη ανάπτυξη συστημάτων IoT σε διάφορους τομείς, η ανάγκη για αξιόπιστους μηχανισμούς ανίχνευσης σφαλμάτων καθίσταται υψίστης σημασίας. Η παρούσα διατριβή επικεντρώνεται στην ανάπτυξη τεχνικών για την αναγνώριση μη φυσιολογικών προτύπων και τιμών σε συστήματα IoT και πιο συγκεκριμένα σε βιομηχανικά συστήματα IoT, ώστε να διευκολύνεται η αποτελεσματική ανίχνευση σφαλμάτων. Ο πρωταρχικός στόχος αυτής της εργασίας είναι να σχεδιάσει και να εφαρμόσει ένα ολοκληρωμένο πλαίσιο (framework) που μπορεί να εντοπίσει αποκλίσεις από την αναμενόμενη συμπεριφορά σε συστήματα IoT. Το προτεινόμενο πλαίσιο ενσωματώνει αλγορίθμους μηχανικής μάθησης, στατιστική ανάλυση και τεχνικές ανίχνευσης ανωμαλιών για την ακριβή διάκριση μεταξύ φυσιολογικών και μη φυσιολογικών μοτίβων ή τιμών. Το πλαίσιο στοχεύει στη βελτίωση της ακρίβειας και της αποτελεσματικότητας στην ανίχνευση σφαλμάτων, ελαχιστοποιώντας έτσι τον χρόνο διακοπής λειτουργίας του συστήματος και ενισχύοντας τη συνολική λειτουργική αξιοπιστία. Για την επίτευξη αυτού του στόχου, πραγματοποιείται εκτενής ανάλυση διαφόρων αρχιτεκτονικών συστημάτων IoT, πρωτοκόλλων και μορφών δεδομένων για τον εντοπισμό πιθανών πηγών σφαλμάτων και των αντίστοιχων προτύπων τους. Διερευνάται ένα ευρύ φάσμα αλγορίθμων μηχανικής μάθησης, συμπεριλαμβανομένων τεχνικών με επίβλεψη, χωρίς επίβλεψη και με ημιεπίβλεψη, προκειμένου να προσδιοριστεί η καταλληλότητά τους για την αναγνώριση μη φυσιολογικών μοτίβων και τιμών σε ροές δεδομένων IoT. Επιπλέον, χρησιμοποιούνται μέθοδοι στατιστικής ανάλυσης για την καταγραφή των χρονικών εξαρτήσεων και των αλληλοσυσχετίσεων εντός των δεδομένων IoT. Το προτεινόμενο πλαίσιο αξιολογείται με τη χρήση ενός πραγματικού συνόλου δεδομένων IoT που προέρχεται από ένα βιομηχανικό περιβάλλον, συγκεκριμένα από ένα εργοστάσιο κατασκευής πλαστικών. Χρησιμοποιούνται μετρικές επιδόσεων για την αξιολόγηση της αποτελεσματικότητας του πλαισίου όσον αφορά την ακριβή ανίχνευση μη φυσιολογικών προτύπων και τιμών, με παράλληλη ελαχιστοποίηση των ψευδώς θετικών και ψευδώς αρνητικών αποτελεσμάτων. Το πλαίσιο που προκύπτει προέρχεται από μια διαδικασία μαλακής/σκληρής ψηφοφορίας. Τέλος, σχεδιάζεται μια απλή αρχιτεκτονική IoT, η οποία αποτελείται από βασικά στοιχεία του ΙοΤ και μπορεί να ενσωματώσει το πλαίσιο και να αυτοματοποιήσει τη διαδικασία ανίχνευσης ανωμαλιών. Εν κατακλείδι, η παρούσα διατριβή παρουσιάζει ένα ολοκληρωμένο πλαίσιο για την αναγνώριση μη φυσιολογικών προτύπων και τιμών σε συστήματα IoT, διευκολύνοντας την αποτελεσματική ανίχνευση σφαλμάτων και επίσης προτείνει μια απλή αρχιτεκτονική IoT στην οποία μπορεί να ενσωματωθεί το πλαίσιο. Τα προτεινόμενα αποτελέσματα συμβάλλουν στην προώθηση της αξιοπιστίας του ΙοΤ, επιτρέποντας την έγκαιρη παρέμβαση και τις ενέργειες συντήρησης για την ελαχιστοποίηση των διαταραχών του συστήματος, τη βελτίωση της λειτουργικής απόδοσης και την ενίσχυση της εμπειρίας των χρηστών στο ολοένα και πιο διασυνδεδεμένο τοπίο του ΙοΤ.