提出了 ONLAD 与其 IP 核 ONLAD Core，并且将其优化到能够在一毫秒以内快速序列学习以跟随概念漂移，在边缘设备上进行低功耗的设备学习，从而实现了不需要边缘和服务器之间执行数据传输的独立执行。实验结果表明，ONLAD 具有优秀的异常检测能力，并且 ONLAD Core 的评估证实其训练延迟比其他软件实现快 1.95x 到 6.58x，PYNQ-Z1 板上实现的运行时功耗比它们低 5.0x 到 25.4x。

Jul, 2019

使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常，并在 KDD Cup 99 数据集上实施了一个模型，实验结果展示了异常检测模型的出色性能，达到了超过 98% 的准确率。

Feb, 2024

通过利用边缘计算方法，使用自主算法来优化存储具有更大预测误差的训练样本，解决电力电子变换器可靠性的问题，并在自动感知条件监测系统中进行了实证研究，结果显示与在线训练等等效模型相比，预测准确性和训练速度都有显著改善。

Dec, 2023

提出了一种基于层级边缘计算系统的自适应异常检测方法，使用三个不同复杂度的 DNN 模型分别对物联网设备、边缘服务器和云进行检测，并设计了一种基于上下文信息提取的自适应方案，以同时实现高检测准确性和低检测延迟。实验结果表明与数据离线到云端处理相比，能将检测延迟降低 84%，同时保持准确性。

Jan, 2020

基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

Mar, 2024

本文提出了一种基于联邦学习的通信高效设备协作深度异常检测框架，使用注意力机制的 CNN-LSTM 模型对工业物联网的时间序列数据进行准确探测，并使用基于 Top-k 选择的梯度压缩机制来提高通信效率。该框架可通过实验研究发现，准确及时检测异常并比未使用梯度压缩方案的联邦学习框架减少 50％通信开销。

Jul, 2020

该研究提出了一种轻量级、无监督的方法，通过对大型计算系统的操作数据进行测量，实时检测异常行为并能够在较短的时间内做出适当反应。

Jan, 2024

捕捉来自监控视频的异常事件提高了市民的安全和福祉。本文应用基于边缘计算的人工智能（EdgeAI）满足安全需求的低延迟要求。我们使用弱监督视频异常检测技术（RTFM）将端到端犯罪现场异常检测系统应用于监控摄像头，并借助边缘计算技术。该系统直接在多个 Jetson 边缘设备上进行测试，结合 NVIDIA 的软件开发工具包 TensorRT 以提高系统性能。该方法在可用数据集（如 UCF-Crime 和 UIT VNAnomaly）上与其他最先进算法相比取得了竞争力。该系统在使用仅 3.11GB RAM 的 Jetson 边缘设备上实现了每秒 47.56 帧的推理速度。我们还发现，该 AI 系统在能耗方面比早期版本的 Jetson 设备性能提高了 15%，而能耗降低了 50%。

Jul, 2023

本研究提出使用编码器 - 解码器深度学习模型，结合实时质量传输观测信息进行软故障演化模拟，用于网络攻击等异常检测。该模型在无需标记异常情况和分析整个数据集缺陷的前提下，实时有效地检测网络异常波动。

Jun, 2023

我们提出了一个端到端的异常检测模型开发流程，通过消耗用户反馈并进行持续的用户中心模型性能评估和优化，以解决网络中恶意和非恶意事件引发异常的模式确定困难和标记数据缺失的问题。我们通过引入和基准测试一种名为 Lachesis 的新型预测模型，在现实世界的网络问题上展示了该框架的效力。实验结果表明，与文献中提出的其他模型相比，我们提出的两个版本的 Lachesis 具有鲁棒性和有效性。我们的研究强调了通过用户反馈和迭代式开发在数据驱动产品的整个生命周期中提高性能的潜力。

Feb, 2024