Détection d'anomalies dans les flux de données pour une application dans les réseaux de capteurs
Auteur / Autrice : | Kévin Ducharlet |
Direction : | Louise Travé-Massuyès, Marie-Véronique Le Lann |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique et Automatique |
Date : | Soutenance le 28/09/2023 |
Etablissement(s) : | Toulouse, INSA |
Ecole(s) doctorale(s) : | École doctorale Systèmes |
Partenaire(s) de recherche : | Laboratoire : LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes - Laboratoire d'analyse et d'architecture des systèmes / LAAS |
Jury : | Président / Présidente : Vincent Cocquempot |
Rapporteurs / Rapporteuses : Christophe Bérenguer, Anne Sabourin |
Mots clés
Résumé
Les réseaux de capteurs sans fils ont connu un intérêt grandissant depuis le développement de l'Internet des Objets avec des enjeux économiques majeurs, notamment dans les contextes spécifiques de la gestion des bâtiments et la maintenance des équipements. Ces réseaux sont composés d'une quantité souvent importante de nœuds appelés capteurs qui sont peu coûteux mais qui ont d'importantes contraintes en ressources mémoire, calculatoire et énergétique. Ces ressources limitées réduisent la fiabilité des mesures réalisées par les capteurs, propriété pourtant critique dans la majorité des cas d'applications.Aussi, de nombreux travaux ont vu le jour pour assurer la qualité des mesures en détectant les défauts au niveau des capteurs, mais détectant également des états particuliers au sein des réseaux de capteurs. En particulier, le domaine de la détection d'anomalies a grandement contribué à la détection de ces deux types d'évènements.A la suite d'une étude de l'état de l'art des méthodes de détection d'anomalie dans les réseaux de capteurs et les flux de données qu’ils génèrent, nos travaux de recherche visent à proposer une solution générique à travers un cadre opérationnel, appelé WOLF, pour la détection d'anomalie non supervisée dans des flux de données. Nous formulons ainsi plusieurs définitions des anomalies s'appuyant sur l'état de l'art et nous proposons SuMeLI, une approche pour détecter ces différentes anomalies de manière intégrée. En faisant le constat du coût élevé du paramétrage des méthodes au sein d'une solution générique, nous formalisons deux nouvelles méthodes de détection d’anomalie dans un contexte d’IA hybride. Celles-ci exploitent les données en s’appuyant sur des résultats de la théorie de l’approximation et des polynômes orthogonaux. Les deux méthodes, nommées DyCF et DyCG, exploitent les propriétés de la fonction de Christoffel à différents niveaux, obtenant ainsi une efficacité similaire aux meilleures méthodes de l’état de l'art avec un paramétrage réduit pour DyCF et sans paramétrage pour DyCG.