Detecção do Comportamento da Névoa em Sistemas IoT

Abstract

Um sistema IoT baseado em névoa contém milhares de dispositivos heterogêneos com suas próprias limitações. Este artigo propõe um sistema que utiliza aprendizado de máquina para agrupar os comportamentos desses dispositivos e identificar anomalias no desempenho dos diferentes nós de névoa. O sistema foi avaliado para diferentes comportamentos simulados, com os algoritmos MeanShift, BIRCH e K-Means. Também foram validados os agrupamentos gerados pelos índices de Silhouette, Davies-Bouldin e Calinski Harabasz, a fim de obter o modelo de dados mais acurado. O sistema identificou os comportamentos simulados com pelo menos 99% de acurácia, usando o algoritmo K-Means e o índice de Calinski-Harabasz.