Anomaly Detection in Sensor Data in an IoT Environment

Abstract

For safe operation of an IoT system, it is crucial to detect anomaly in sensor data, which may be caused by various reasons such as device failure, noise, and security attack. In this work, we present an anomaly detection technique reflecting the distinct characteristics of abnormal behaviors in the IoT environment. It consists of two steps. First, we detect the anomaly in each individual sensor data adopting the ARIMA model. To reduce false alarms, we trace the min-max range of normal data in addition. The second step is to detect the anomaly in the combination of sensor data by using a supervised learning technique. Since abnormal combination of sensor data is rarely collected during IoT operation, we devise a novel method to generate artificial outliers specialized in IoT. With the sensor data collected from our laboratory, the proposed technique is evaluated and comparison with the related work shows its viability.

IoT 시스템의 안전한 운영을 위해서는 기기의 고장, 노이즈, 보안 공격 등 다양한 원인 에 의해 발생할 수 있는 센서 데이터의 이상 징후를 감지하는 것이 중요하다. 본 연구에서는 IoT 환경이 가진 비정상 상황의 고유한 특성을 반영한 이상 탐지 기법을 제시한다. 제안하는 이상 탐지 기법은 두 단계로 구성된다. 먼저 ARIMA 모델을 적용하여 개별 센서 데이터에서의 이상 징후를 탐지한다. 이 때, 오경보를 줄이기 위해 데이터의 최소-최대 범위를 추가적으로 추적한다. 두 번째 단계는 지도 학습 기법을 사용하여 센서 데이터 조합의 이상을 감지하는 방법이다. 실제 센서 데이터의 비정상적인 조합이 IoT 시스템의 운영 중에 수집되는 경우는 드물기 때문에 IoT에 특화된 인공적인 이상 값을 생성하는 새로운 방법을 고안하였다. 또한, 연구실에서 수집한 센서 데이터를 통해 제안한 기법을 평가하고 관련 연구와 비교하여 가능성을 확인하였다.