Diseño y evaluación de modelos de aprendizaje automático no supervisado para la detección de anomalías en un sistema Spark

Bagheri-Gisour Marandyn, Farid and Larriva Novo, Xavier Andrés and Villagrá González, Víctor Abraham (2021). Diseño y evaluación de modelos de aprendizaje automático no supervisado para la detección de anomalías en un sistema Spark. In: "VI Jornadas Nacionales (JNIC2021 LIVE)", 5/5/2021.

Description

Title: Diseño y evaluación de modelos de aprendizaje automático no supervisado para la detección de anomalías en un sistema Spark
Author/s:
  • Bagheri-Gisour Marandyn, Farid
  • Larriva Novo, Xavier Andrés
  • Villagrá González, Víctor Abraham
Item Type: Presentation at Congress or Conference (Article)
Event Title: VI Jornadas Nacionales (JNIC2021 LIVE)
Event Dates: 5/5/2021
Title of Book: Actas de las VI Jornadas Nacionales (JNIC2021 LIVE)
Date: 2021
ISSN: 978-84-9044-463-4
Subjects:
Faculty: E.T.S.I. Telecomunicación (UPM)
Department: Otro
Creative Commons Licenses: None

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (755kB) | Preview

Abstract

En el presente artículo se muestran los resultados obtenidos al diseñar y evaluar un modelo de aprendizaje automático no supervisado como es el K-Means para la detección de anomalías en tiempo real sobre múltiples sensoresdentro de un sistema Spark utilizando un threshold para delimitar esas posibles anomalías. Los resultados obtenidos del modelo (aún en fase de desarrollo y mejora) demuestran la capacidad de poder detectar tres tipos de eventos: eventos no anómalos, eventos anómalos por características y eventos anómalos por aspectos temporales. Este comportamiento presenta características estimulantes para poder aplicar este tipo de algoritmos en un entorno real donde los datos no tienen ningún tipo de etiquetado. Todo ello, sumado a la capacidad que ofrece Spark para realizar el procesado de grandes volúmenes de datos en tiempo real, da como resultado un sistema prometedor capaz de clasificar eventos procedentes de diversos sensores de manera inmediata

More information

Item ID: 69003
DC Identifier: https://oa.upm.es/69003/
OAI Identifier: oai:oa.upm.es:69003
Official URL: http://hdl.handle.net/10578/28597
Deposited by: Xavier Larriva Novo
Deposited on: 03 Nov 2021 15:01
Last Modified: 03 Nov 2021 15:05
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM