对边缘网络设备的轻量级,稀缺的基于自编码器的分类器进行比较研究:对前和深度神经网络的效率分析
1Engineering Education Research Center, Konkuk University, Seoul 05029, Republic of Korea.
Sensors (Basel, Switzerland)
|October 29, 2025
概括
一个新的轻量级框架有效地检测边缘计算中的网络异常. 它使用新的边缘性能效率得分 (EPES) 平衡精度和效率,帮助对资源有限的设备进行模型选择.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 边缘计算 边缘计算
背景情况:
- 异常流量检测对于边缘计算安全至关重要.
- 边缘设备的资源限制需要有效的检测方法.
研究的目的:
- 为边缘计算中异常流量检测提出一个轻量级分类框架.
- 引入一个复合度量 (EPES) 来评估准确性和效率之间的权衡.
主要方法:
- 使用Sparse自动编码器 (SAE) 进行特征提取和压缩.
- 推送 (SAE-FF) 和深度神经网络 (SAE-DNN) 分类器的比较.
- 五倍交叉验证用于一般化和设备级性能分析.
主要成果:
- SAE-DNN实现了高精度 (99.33%),而SAE-FF提供了更低的复杂性 (约40个FLOP).
- SAE-FF 适用于资源有限的设备 (如树派4).
- 使用Edge TPU加速的SAE-DNN在Coral Dev Board上实现了实时推断.
结论:
- 边缘性能效率评分 (EPES) 为系统意识评估提供了一个实际的基准.
- 用于边缘异常检测的模型选择需要平衡精度和计算效率.
- 拟议的框架和EPES指导在边缘环境中高效,特定于设备的异常流量分类.
