Sensors fingerprints using Machine Learning: a case study on dam monitoring systems

Assumpcao, Paulo; Oliveira, Carlos Gomes de; Melo, Wilson S.; Carmo, Luiz Fernando Rust da Costa

doi:10.1109/i2mtc48687.2022.9806620

Cited by 2 publications

(4 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A. Estudo de caso associado ao experimento Em nossa proposta, foi utilizado como estudo de caso um sistema de monitoramento de taludes desenvolvido em um projeto de P&D em parceria com uma empresa geradora de energia [2]. O sistema consiste na distribuic ¸ão de um número elevado de sensores ao longo dos taludes e também nas barragens da usina hidroelétrica.…”

Section: Avaliac ¸ãO Usando Experimento Computacionalunclassified

“…Para o presente experimento, foi utilizado um dispositivo de coleta simplificado, consistindo de quatro transdutores piezoelétricos acoplados em um tanque de água [2]. Um gerador de func ¸ões simula a emissão dos sinais de ultrassom captados pelos transdutores.…”

Section: Avaliac ¸ãO Usando Experimento Computacionalunclassified

“…Isso permite diferenciar uma perda de dados não intencional de uma tentativa deliberada de fraude. Como cenário de estudo, consideramos o sistema de monitoramento da barragens e taludes descrito no trabalho de Assumpc ¸ão et al [2]. Tratase de um sistema baseado em sensores de ultrassom, que coleta dados de forma segura e os armazena em nuvem, integrando Big Data e blockchains permissionados por meio da técnica off-chain.…”

Section: Introduc ¸ãOunclassified

See 2 more Smart Citations

Auditoria de aplicações de Big Data usando Hashes de Similaridade e Blockchains

Oliveira

Assumpção

Ortíz

et al. 2022

Anais Estendidos Do XII Simpósio Brasileiro De Engenharia De Sistemas Computacionais (SBESC Estendido 2022)

View full text Add to dashboard Cite

Com a expansão das aplicações de BigData, garantir a segurança e confiabilidade dos dados armazenados tornou-se uma tarefa desafiadora. Tal desafio é especialmente preocupante quando se considera o monitoramento de infraestruturas críticas, em especial aquelas que contemplam ativos físicos monitorados por sensores e dispositivos IoT de coleta de dados. Uma alternativa consiste no uso de blockchains como mecanismo de auditoria de aplicações Big Data a partir da técnica off-chain, onde os pacotes de dados brutos são armazenados em um sistema de banco de dados convencional e apenas um resumo criptográfico dos dados é escrito no blockchain. Embora bastante aplicada na literatura recente sobre o tema, essa estratégia não permite a auditoria de dados em cenários de perda parcial de informações, onde pacotes de dados correspondentes a subconjuntos do pacote original precisam ser verificados. Este artigo propõe uma estratégia de auditoria de dados em aplicações Big Data que emprega hashes de similaridade para estender as funcionalidades do modelo off-chain. Usado em conjunto com resumos criptográficos e smart contracts, tais hashes permitem auditar pacotes de dados distintos em situações de possível perda parcial, possibilitando diferenciar uma situação não intencional de uma tentativa deliberada de fraude. Em nossos experimentos, avaliamos os algoritmos Minhash e Simhash, apontando resultados computacionais que indicam que o Minhash é bastante promissor para esse tipo de aplicação, e pode contribuir significativamente para a robustez de processos de auditoria em aplicações Big Data.

show abstract

Section: Avaliac ¸ãO Usando Experimento Computacionalunclassified

Section: Introduc ¸ãOunclassified

See 1 more Smart Citation

Auditoria de aplicações de Big Data usando Hashes de Similaridade e Blockchains

Oliveira

Assumpção

Ortíz

et al. 2022

Anais Estendidos Do XII Simpósio Brasileiro De Engenharia De Sistemas Computacionais (SBESC Estendido 2022)

View full text Add to dashboard Cite

show abstract

“…Hybrid machine learning techniques were successfully applied in other fields related to instrumentation and measurement; e.g. in [8], [9]. Many machine learning approaches presented in literature use publicly available datasets to perform ablation studies [10] and performance benchmarking of different architectures.…”

Section: Introductionmentioning

confidence: 99%

Detecting Anomalous Multivariate Time-Series via Hybrid Machine Learning

Terbuch

O’Leary

Khalili‐Motlagh‐Kasmaei

et al. 2023

IEEE Trans. Instrum. Meas.

View full text Add to dashboard Cite

This paper investigates the use of hybrid machine learning (HML) for the detection of anomalous multivariate time-series (MVTS). Focusing on a specific industrial use case from geotechnical engineering, where 100's of MVTS need to be analyzed and classified, has permitted extensive testing of the proposed methods with real measurement data. The novel hybrid anomaly detector combines two means for detection, creating redundancy and reducing the risk of missing defective elements in a safety relevant application. The two parts are: (1) anomaly detection based on approximately fifty physics-motivated key performance indicators (KPI) and ( 2) an unsupervised variational autoencoder with long short-term memory layers. The KPI capture expert knowledge on properties of the data that infer the quality of produced elements; these are used as a type of autolabeling. The goal of the extension using machine learning (ML) is to detect anomalies that the experts may not have foreseen. In contrast to anomaly detection in streaming data, where the goal is to locate an anomaly, each MVTS is complete in itself at the time of evaluation and is categorized as anomalous or non-anomalous.The paper compares the performance of different variationalautoencoder architectures (e.g., LSTM-VAE and BiLSTM-VAE). The results of using a genetic algorithm to optimize the hyperparameters of the different architectures are also presented. It is shown that modeling the industrial process as an assemblage of sub-processes yields a better discriminating power and permits the identification of inter-dependencies between the sub-processes. Interestingly, different autoencoder architectures may be optimal for different sub-processes; here two different architectures are combined to achieve superior performance. Extensive results are presented based on a very large set of real-time measurement data.

show abstract

Sensors fingerprints using Machine Learning: a case study on dam monitoring systems

Cited by 2 publications

References 19 publications

Auditoria de aplicações de Big Data usando Hashes de Similaridade e Blockchains

Auditoria de aplicações de Big Data usando Hashes de Similaridade e Blockchains

Detecting Anomalous Multivariate Time-Series via Hybrid Machine Learning

Contact Info

Product

Resources

About