% 69.5% Support Vector Machine(SVM) [7] ALSOK [8] [1], [2][3] RFID [4] [5] [6], 2.2 Anomaly Detection[10] Anomaly Detect

Size: px

Start display at page:

Download "% 69.5% Support Vector Machine(SVM) [7] ALSOK [8] [1], [2][3] RFID [4] [5] [6], 2.2 Anomaly Detection[10] Anomaly Detect"

みりあとこたに
5 years ago
Views:

1 1,a) 1,b) 1,c) WSNs SVM A Bayesian Network based Method for Reducing Noise-data for Anomaly Detection in Flexible Wireless Sensor Networks Takanobu Otsuka 1,a) Tatsunosuke Tsuboi 1,b) Takayuki Ito 1,c) Abstract: A lot of researches for anomaly detection by the Wireless Sensor Networks (WSNs) have been conducted so far. The existing WSNs required specialized knowledge and skills for installing sensors in environments such as houses, buildings, etc. Thus, we have developed a flexible WSN based on little sensor devises that can be easily installed. Only things users need to do is place them at where they want sense, and provide some information to the server via a web page. Then, These little sensor devises automatically create wireless networks, start communicate with the central server for logging continues data, and show anomalies by using a basic Bayesian Network based inference. The problem is that there are a lot of noise data that prevent correct inferences. Thus, in this paper, we propose a method for reducing noise data based on location sampling of real human movements. Our experimental results show our method is effective for raising the correctness of inference for detecting anomaly data. Keywords: Wireless Sensor Network, Anomaly Detection, Noise Reduce, Bayesian Network 1 Nagoya Institute of Technology, Gokiso, Showa-ku, , Japan a) otsuka.takanobu@nitech.ac.jp b) tsuboi.tatsunosuke@nitech.ac.jp c) ito.takayuki@nitech.ac.jp 1. c 2013 Information Processing Society of Japan 1

2 % 69.5% Support Vector Machine(SVM) [7] ALSOK [8] [1], [2][3] RFID [4] [5] [6], 2.2 Anomaly Detection[10] Anomaly Detection [11] MRI [12] [13] c 2013 Information Processing Society of Japan 2

情報処理学会研究報告ユーザの観点から重要なことからセンサ間の条件付き依存関係を考慮したベイジアンネットワークによるセンサの異常値を検出する研究 [14] ワイヤレスセンサネットワークを使って位置検出を行うシステムにおいて敵によって引き起こされる位置情報の異常を検出するため統計モデルを使う研究 [15] 気象データを収集する分散型ワイヤレス

3 情報処理学会研究報告ユーザの観点から重要なことからセンサ間の条件付き依存関係を考慮したベイジアンネットワークによるセンサの異常値を検出する研究 [14] ワイヤレスセンサネットワークを使って位置検出を行うシステムにおいて敵によって引き起こされる位置情報の異常を検出するため統計モデルを使う研究 [15] 気象データを収集する分散型ワイヤレスセンサネットワーク内の異なるノードから集めたデータを融合しスペクトル理論を使った異常検出を行う研究 [16] などがある以上の研究の特徴として異常状態と正常状態の定義がしやすいことが挙げられる一方我々は独居高図 1 センサユニット筐体外観図内部図 Fig. 1 Housing and internal components 齢者における異常は通常の生活パターンの中での異常を検スは文脈異常または条件付き異常と呼ばれる各デー知することを目標としているそのため通常の生活の中タインスタンスはコンテキスト属性と行動属性を持ちコにおける境界が決定しづらい状況の中で異常と正常の境ンテキスト属性により各インスタンスの状況を行動属性で界を設定する必要がある本研究は単純な人感センサの各インスタンスの文脈とは関係のない特性を定義する 3 データによる異常検知を行うため教師あり学習を行うこつ目は関連するデータインスタンスのコレクションがデーとが出来る SVM を用いることとした更にノイズデータセット全体に対して異常である場合そのデータインスタをベイジアンネットワークを用いた手法により除去するタンスのコレクションは集団異常と呼ばれることで異常検知精度が向上することを確認した 3. ワイヤレスセンサネットワークによる異常検知 3.1 設置が容易なセンサネットワークの開発我々は独自にワイヤレスセンサネットワークシステムの本研究では介護ドメインと研究室ドメインにおいて共通する日常とは違う時間帯での活動という文脈異常の検出を目的としているまた実証実験では研究室内において行っているが共通する異常を対象としている点では研究室ドメインでの異常検出手法は介護や見守りドメインにおいても同様に適用可能であると考えている設計開発を行ったセンサユニットは電池駆動無線通高齢者見守り支援においての異常とは日常の活動して信が可能で人感センサを搭載し置くだけで設置が完了すいる時間帯という文脈からデータを解析し日常とは違うる受信ユニットにはマイクロプロセッサを内蔵してお異なる行動という文脈異常を検出することを目的としていりセンサ ID と検知時刻を統合してサーバーへ送信するるまた機械学習により設置宅毎に通常の生活パターン以上によりセンサユニットに関しては置くだけで設置がを学習させることによって個々の生活パターンに応じた異完了するワイヤレスセンサネットワークシステムを開発常検知を行うことが可能となるした受信ユニットはセンサユニットから送信される情報と実際にワイヤレスセンサネットワークシステムから取得されたセンサデータの例を表 1 に示す ZigBee モジュールが個々に持つ 64bit アドレスをサーバへ送信するサーバは受信したデータを web ページを通して表示しユーザがセンシング状況を閲覧することを可能としているまた実際にセンサユニットを設置する際には回路基板をデバイス ID 表 1 取得センサデータ例電圧検知時刻 :49: :49: :49: 筐体に格納して設置を行う使用する筐体も事前実験での :49: 知見 [9] からアクリル製 75mm 角の黒い立方体を用いて設 :49: 置が容易な構造としている筐体の外観と内部の写真を図 :49: に示す :49: :49: SVM による異常検知手法 Anomaly Detection[10] の研究分野では一般に異常の定 SVM に用いる素性は開発したワイヤレスセンサネット義はその異常の性質から 3 つのカテゴリに分類されているワークシステムにより収集したデータによって生成する 1 つ目は個々のデータインスタンスがデータの残りの部分表 1 に示したデータにより 3 つの素性を生成する 1 つ目に対して異常とみなすことができる場合そのインスタンはセンサデータの検知時刻の時間 2 つ目はセンサデースは点異常と呼ばれる 2 つ目はデータインスタンスが特タの検知時刻の分そして 3 つ目はセンサデータの検知定の文脈に対して異常がある場合そのデータインスタン時刻の秒である 2013 Information Processing Society of Japan 3

4 SVM SVM 3.3 SVM SVM [18], SMOTE [17] Fig. 2 Laboratory layout diagram of sensor units 4.2 a,b, c A,B, C 4 A,B,C A A A B A C B C B C 3. a b ab 1 c 2013 Information Processing Society of Japan 4

5 π 1 = P (a), π 2 = P (b), π 3 = P (c), (3) π 4 = P ( ) π 1 + π 2 + π 3 + π 4 = 1 (4) (3) (4) 3 3 Fig. 3 Flow model in Laboratory 2 2 Table 2 Transition probability AA AB AC A BA BB BC B CA CB CC C A B C p aa p ab p ac p aδ P = p ba p bb p bc p bδ p ca p cb p cc p (1) cδ p δa p δb p δc (2) P = (2) Table 3 Stationary stochastic π π π π Table 4 Probabilities of cause node P(δa) P(aa) P(ab) P(ac) P(bb) P(bc) P(cc) P(noise) A A bδ,cδ,δb δ 4 3 bδ cδ c 2013 Information Processing Society of Japan 5

6 Table 5 5 Confidence factors of caused nodes aa ab ac aδ ba bb bc bδ ca cb cc cδ δa δb δc P(NOISE X) P(δA X) P(AA X) P(AB X) P(AC X) P(BB X) P(BC X) P(CC X) SMOTE SVM SMOTE [17] F 5 F (Precision) (6) (Recall) (7) (8) F F = (5) = (6) = F = 2 P recision Recall P recision + Recall (7) (8) SMOTE SMOTE 5-fold-cross-validation[21] F 6 F RBF RBF c 2013 Information Processing Society of Japan 6

7 6 Table 6 Evaluation of each kernel function before noise reduction F RBF Table 7 Evaluation of each kernel function after noise reduction F RBF SVM SMOTE 6. RBF RBF 2 3 [1] [2] (E) vol.125-e, no.6, pp , June 2005 [3] Vol.102,2003 [4],,, RFID,. IIS,,2009. [5],,,, No,75-760, [6],,,, Vol.122, [7]., [8] ALSOK., price.html [9] Takanobu Otsuka, Tatsunosuke Tsuboi, Takayuki Ito, Prototyping and evaluation of a wireless sensor network that aims easy installation,the 26TH INTERNATIONAL CONFERENCE ON INDUS- TRIAL,ENGINEERING & OTHER APPLICATIONS OF APPLIED INTELLIGENT SYSTEMS, [10] Varun Chandola, Arindam Banerjee, and Vipin Kumar, Anomaly Detection: A Survey, Technical Report,Department of Computer Science and Engineering University of Minnesota, TR ,2007. [11] Kumar, V Parallel and distributed computing for cybersecurity. Distributed Systems Online, IEEE 6, [12] Spence, C., Parra, L., and Sajda, P Detection, synthesis and compression in mammo- graphic image analysis with a hierarchical image probability model. In Proceedings of the IEEE Workshop on Mathematical Methods in Biomedical Image Analysis. IEEE Computer Society, Washington, DC, USA, 3. [13] Fujimaki, R., Yairi, T., and Machida, K An approach to spacecraft anomaly detection problem using kernel feature space. In Proceeding of the eleventh ACM SIGKDD international conference on Knowledge discovery in data mining. ACM Press, New York, NY, USA, [14] Janakiram, D., Reddy, V., and Kumar, A Outlier detection in wireless sensor networks using bayesian belief networks. In First International Conference on Communication SystemSoftware and Middleware. 16. [15] Du. W Fang, L., and Peng, N Lad: localization anomaly detection for wireless sensor networks. J. Parallel Distrib. Comput. 66, 7, [16] Chatzigiannakis, V., Papavassiliou, S., Grammatikou, M., and Maglaris, B Hierarchical anomaly detection in distributed large-scale sensor networks. In ISCC c 2013 Information Processing Society of Japan 7

8 06: Proceedings of the 11th IEEE Symposium on Computers and Communications. IEEE Computer Society, Washington, DC, USA, [17] Nitesh V. Chawla, Kevin W. Bowyer, Lawrence O. Hall,W. Philip Kegelmeyer, SMOTE: Synthetic Minority Over-sampling Technique,Journal of Articial Intelligence Research [18] Rehan Akbani, Stephen Kwek, and Nathalie Japkowicz, Applying Support Vector Machines to Imbalanced Datasets, Lecture Notes in Computer Science Volume 3201, 2004, pp (2002) [19],, JAWS [20] Vladimir N. Vapnik A Training Algorithm for Optimal Margin Classifiers 5th COLT, pp (1992) [21] A Practical Guide to Support Vector Classfication cjlin/papers/guide/guide.pdf c 2013 Information Processing Society of Japan 8

IPSJ SIG Technical Report Vol.2013-ICS-172 No /11/12 1,a), 1,b) Anomaly Detection 1. 1 Nagoya Institute of Technology 1 Presently with Nagoya In

IPSJ SIG Technical Report Vol.2013-ICS-172 No /11/12 1,a), 1,b) Anomaly Detection 1. 1 Nagoya Institute of Technology 1 Presently with Nagoya In 1,a), 1,b) Anomaly Detection 1. 1 Nagoya Institute of Technology 1 Presently with Nagoya Institute of Technology a) otsuka.takanobu@nitech.ac.jp b) ito.takayuki@nitech.ac.jp Anomaly Detection 2 3 4 5 6