دانشگاه رازی

چکیده اینترنت اشیای متحرک (IoMT) جریان‌های داده‌ای پیوسته، پرسرعت و ناهمگن را از موجودیت‌های حسگر متحرک مانند وسایل نقلیه متصل، پهپادها و زیرساخت‌های هوشمند حمل‌ونقل تولید می‌کند. شناسایی ناهنجاری‌ها در این محیط‌های پویا به دلیل رانش مفهومی (Concept Drift)، توزیع‌های داده‌ای با چگالی‌های متفاوت، نویز حسگرها و الزامات سخت‌گیرانه پردازش بلادرنگ همچنان چالش‌برانگیز است. رویکردهای موجود خوشه‌بندی جریان داده اغلب از محدودیت در سازگاری، مدیریت ناکافی الگوهای رفتاری در حال تحول، نرخ بالای مثبت کاذب و ارزیابی ناکافی در بسترهای اختصاصی IoMT رنج می‌برند. این پایان‌نامه یک چارچوب نوین، تطبیقی و ترکیبی برای خوشه‌بندی جریان داده به‌منظور تشخیص ناهنجاری در محیط‌های IoMT ارائه می‌کند. نخستین دستاورد این پژوهش، چارچوبی با عنوان MUDEDS (خوشه‌بندی جریان داده با چگالی‌های چندگانه) است که تشکیل ریزخوشه‌های برخط را با پالایش دوره‌ای مبتنی بر چگالی در حالت برون‌خط ادغام می‌کند تا پردازش کارآمد جریان‌های داده‌ای چندچگالی و در حال تحول را امکان‌پذیر سازد. همچنین، یک محیط شبیه‌سازی واقع‌گرایانه IoMT شامل جریان‌های حسگر GPS و IMU، ناهنجاری‌های ناشی از تحرک و تلفیق داده‌های حسگر مبتنی بر فیلتر کالمن توسعه یافته است تا عملکرد چارچوب در شرایط کنترل‌شده ارزیابی شود. بر پایه MUDEDS، چارچوب پیشرفته‌تری با نام OB-MUDEDS ارائه شده است که از مکانیزم بافر نقاط پرت و چرخه حیات چهارسطحی ریزخوشه‌ها مبتنی بر انرژی بهره می‌برد. این سازوکار امکان تایید ناهنجاری‌ها از طریق مشاهده زمانی را فراهم کرده و در نتیجه نرخ تشخیص‌های مثبت کاذب را کاهش می‌دهد، در حالی که تاخیر تشخیص در محدوده قابل قبول حفظ می‌شود. ارزیابی‌های تجربی جامع با مقایسه چارچوب‌های پیشنهادی و الگوریتم‌های پیشرفته خوشه‌بندی جریان داده، از جمله CEDAS، BOCEDS و MuDi-Stream، انجام شده است. نتایج نشان می‌دهد که چارچوب‌های پیشنهادی کیفیت خوشه‌بندی بالاتر، عملکرد بهتر در تشخیص ناهنجاری، سازگاری بیشتر با توزیع‌های داده‌ای در حال تغییر و نیازمندی‌های کمتر از نظر محاسباتی و حافظه را ارائه می‌دهند. افزون بر این، پژوهش حاضر ارزیابی انتقادی از پیش‌پردازش مبتنی بر تلفیق کالمن و تاثیر آن بر اثربخشی خوشه‌بندی ارائه می‌کند. یافته‌ها اثربخشی خوشه‌بندی ترکیبی چندچگالی و مدیریت چرخه حیات مبتنی بر بافر نقاط پرت را برای تشخیص بلادرنگ ناهنجاری در محیط‌های IoMT تایید کرده و راهکاری مقیاس‌پذیر و کارآمد از نظر منابع برای سامانه‌های هوشمند حمل‌ونقل و جابه‌جایی ارائه می‌دهد.