Anomaly Detection, Analysis and Prediction Techniques in IoT Environment: A Systematic Literature Review

Abstract

Anomaly detection has attracted considerable attention from the research community in the past few years due to the advancement of sensor monitoring technologies, low-cost solutions, and high impact in diverse application domains. Sensors generate a huge amount of data while monitoring the physical spaces and objects. These huge collected data streams can be analyzed to identify unhealthy behaviors. It may reduce functional risks, avoid unseen problems, and prevent downtime of the systems. Many research methodologies have been designed and developed to determine such anomalous behaviors in security and risk analysis domains. In this paper, we present the results of a systematic literature review about anomaly detection techniques except for these dominant research areas. We focus on the studies published from 2000 to 2018 in the application areas of intelligent inhabitant environments, transportation systems, health care systems, smart objects, and industrial systems. We have identified a number of research gaps related to the data collection, the analysis of imbalanced large datasets, limitations of statistical methods to process the huge sensory data, and few research articles in abnormal behavior prediction in real scenarios. Based on our analysis, researchers and practitioners can acquaint themselves with the existing approaches, use them to solve real problems, and/or further contribute to developing novel techniques for anomaly detection, prediction, and analysis.INDEX TERMS Statistical learning, machine learning, intelligent environments, smart objects, intelligent transportation systems, industrial systems.

A machine learning approach for imputation and anomaly detection in IoT environment

“…A Gaussian dissimilarity measure Aljawarneh and Vangipuram (2018) is proposed to perform similarity computation for anomaly detection in IoT environment. Elrawy, Awad, and Hamed (2018) Fahim and Sillitti (2019) presents a comprehensive survey of various attacks in IoT‐based smart environments, recent IoT paradigm, various IDS architectures for IoT systems and several recent security challenges in IoT‐based smart environments. Nguyen et al (2019) proposed a new collaborative and intelligent NIDS architecture for anomaly detection in SDN‐based cloud IoT networks which obtained better detection accuracy results for DDoS attacks.…”

Detección De Patrones De Comportamiento Humano en Ambientes Inteligentes: Un Mapeo Sistemático De Fuentes Secundarias

“…La identificación del tipo de ambiente inteligente es crucial, porque además de establecer el espacio físico de desarrollo de los comportamientos humanos, también determina en gran medida la aplicabilidad y la relevancia de la detección (Fahim 2019). Mientras que el desarrollo de sistemas de reconocimiento de actividades en casas, oficinas, o aulas inteligentes conllevan la generación de asistencia automática en la vida diaria de personas con menor o mayor grado de necesidad o vulnerabilidad (Vallabh 2018), otros trabajos están orientados a la organización de poblaciones humanas más complejas como las ciudades inteligentes, aeropuertos, estaciones de transporte urbano, etc.…”

“…(Zhang 2016). El grado de complejidad del ambiente inteligente es muy importante, porque la automatización del reconocimiento de los comportamientos es un reto más grande en los ambientes complejos, que han sido recientemente abordados (Fahim 2019, Rodríguez 2014).…”

“…Una vez que se realiza el sensado del ambiente, el siguiente aspecto a considerar es la forma en que se organizan o procesan los datos, imágenes, videos, o cualquier otro tipo de registro. En este punto se distingue como primer punto la representación o abstracción de los registros, clasificando ésta en representaciones deterministas o no deterministas, como en Aprendizaje no Supervisado (donde no hay a priori una estructura en ellos (Fahim 2019), representaciones basadas en conocimiento y razonamiento, que asumen la existencia a priori de reglas lógicas que permiten inferir formalmente la presencia de actividades o comportamientos (Zhang 2016), o representaciones que toman en cuenta la incertidumbre inherente al reconocimiento de comportamiento, usando la Probabilidad como medida cuantitativa de esta incertidumbre (Zhu 2017). El siguiente aspecto, íntimamente relacionado con la representación del ambiente, es la técnica.…”

“…En el nivel complejo se encuentra el reconocimiento de patrones o tendencias en la realización de actividades, así como la detección de interacciones entre varias personas (Rohit 2017). La detección de un patrón de actividades o interacciones conlleva la comprensión de intencionalidad (como una persona que patea a otra para golpearla), la identificación de conjuntos de personas interactuando para realizar algo en grupo (como el control de multitudes), o la regularidad estadística de actividades a lo largo del tiempo (Fahim 2019…”