O avanço da computação móvel em dispositivos de sensores permitiu o crescimento das Redes de Sensores Sem Fio (RSSF), as quais são usadas em diversas áreas, tais como: saúde, militar, ambiental, automação entre outros. Considerando a importância dos dados que trafegam nessas redes é de extrema...

O avanço da computação móvel em dispositivos de sensores permitiu o crescimento das Redes de Sensores Sem Fio (RSSF), as quais são usadas em diversas áreas, tais como: saúde, militar, ambiental, automação entre outros. Considerando a importância dos dados que trafegam nessas redes é de extrema necessidade prezar pela qualidade da leitura dessas informações, haja visto que falsas informações ou leituras incorretas podem comprometer na tomada de decisões ou no mau funcionamento de algum equipamento. Diversos problemas podem gerar tais leituras, principalmente motivados pela restrição de recursos de um sensor ou por ataques a rede. Esses dados que se distanciam do padrão de informações, são chamados de anomalias. Para que esse problema possa ser identificado, faz-se necessária a utilização de alguma técnica para detectar anomalias. Diante disso, o presente trabalho apresenta um novo estudo de detecção de anomalias baseado em floresta de caminhos ótimos em não supervisionado (Optimum Path Forest - OPF), o qual foi aplicado em duas base de dados reais e comparado a outras duas técnicas: máquina de suporte de vetores de uma classe e distribuição gaussiana multivariada. Os resultados obtidos mostraram que o OPF foi superior as demais técnicas.

Palavras-chave: redes de sensores sem fio, detecção de anomalias, agrupamento, floresta de caminhos ótimos.

Wireless Sensor Networks (WSNs) have grown due to the development of mobile computing in sensor devices. WSNs are applied in the health, military, environmental and automation fields, among others. Due to the importance of the data in these networks, extreme precautions need to be taken in terms of...

Wireless Sensor Networks (WSNs) have grown due to the development of mobile computing in sensor devices. WSNs are applied in the health, military, environmental and automation fields, among others. Due to the importance of the data in these networks, extreme precautions need to be taken in terms of the readability of this information, since incorrect readings or false interpretations can affect decision-making or even the malfunction of equipment. The main causes of low quality readability are due to a lack of resources for the sensors and attacks on the network. Such data that fall below the standard quality of data are called anomalies. Therefore techniques are required to detect and identify these anomalies. This work here presents a new way to detect anomalies based on an optimum path forest (OPF), and was applied to two real databases. The results were compared with a one-class support vector machine (SVM) and a multivariate Gaussian distribution. The results showed that the OPF was superior.

Keywords:
wireless sensor networks, anomaly detection, clustering, optimum path forest