A New Approach for Low-Latency, High-Accuracy Anomaly Detection at the Edge: Benchmarking Quantized Autoencoders, LSTMs, and Lightweight Transformers on RT-IoT2022 Time-Series Traffic

تقارن هذه الدراسة نماذج التعلم العميق المُحسّنة للحافة للكشف عن الحالات الشاذة في الوقت الفعلي ضمن بيئات إنترنت الأشياء ذات الموارد المحدودة، وذلك باستخدام مجموعة بيانات RT-IoT2022 التي تتضمن أربعة بروتوكولات سليمة وتسعة أنواع من الهجمات الإلكترونية. تم نشر ثلاثة نماذج معمارية - مُشفّر تلقائي كمي (QAE)، وشبكة LSTM مُدمجة، ونموذج Transformer خفيف الوزن - على جهاز Raspberry Pi 4، وتم تقييمها بناءً على مقياس F1، وزمن الاستجابة، وحجم النموذج، واستهلاك الطاقة لكل استدلال. حقق نموذج QAE أداءً مثاليًا بمقياس F1 بلغ 98.7%، وحجم ذاكرة 142 كيلوبايت، وزمن استجابة 1.8 مللي ثانية، واستهلاك طاقة 4.2 مللي جول، متفوقًا بذلك على البدائل في ظل قيود الحافة الصارمة. في حين أظهر نموذج LSTM استدعاءً أفضل للهجمات النادرة، واستطاع نموذج Transformer رصد التبعيات بعيدة المدى بتكلفة حسابية أعلى، إلا أن نموذج QAE قدّم أفضل توازن شامل من حيث الأمان القابل للتطبيق. يُعيد هذا العمل صياغة مفهوم اختيار النموذج ليرتكز على التصميم المشترك المُراعي للأجهزة بدلاً من التعقيد المعماري، مُبرهناً على أن الأساليب المُضغوطة بذكاء والقائمة على إعادة البناء تتفوق على النماذج الأثقل من حيث الكفاءة والفعالية. تُوفر النتائج إطاراً قابلاً للتكرار للكشف عن الاختراقات مع الحفاظ على الخصوصية وزمن الاستجابة المنخفض في الرعاية الصحية الذكية وإنترنت الأشياء الصناعية، داعياً إلى تحول نموذجي نحو الحد الأدنى من الكفاءة بدلاً من السعة القصوى في تصميم الذكاء الاصطناعي على الحافة.