TransEdge: um framework leve baseado em transformer para detecção de anomalias em dispositivos de borda

O rápido crescimento da Internet das Coisas (IoT) e a crescente interconectividade dos sistemas industriais estão impulsionando uma necessidade crítica de que a detecção de anomalias seja realizada localmente em dispositivos de borda. No entanto, existe uma lacuna significativa entre o poder computacional exigido por modelos avançados de aprendizado profundo e os recursos limitados do hardware de borda, frequentemente forçando um compromisso entre a capacidade de detecção e a viabilidade no dispositivo. Para preencher essa lacuna, introduzimos primeiramente o EM-AT e suas variantes (EM-AT-bin), que aprimoram o Anomaly Transformer (AT) integrando o algoritmo Expectation–Maximization (EM) para permitir a determinação automática e orientada por dados do limiar. O modelo EM-AT, com um estimador do critério de informação bayesiano (BIC), alcança o melhor desempenho de detecção em quatro conjuntos de dados públicos (ou seja, SWaT, WADI, HDFS e OpenStack), com escores F₁ de 96,32%, 92,47%, 98,90% e 99,61%, respectivamente. Com base no EM-AT e suas variantes, apresentamos o Q-EM-AT (Quantized-EM-AT) e suas variantes (Q-EM-AT-bin), versões otimizadas para dispositivos de borda e quantizadas que utilizam a quantização de precisão mista para reduzir substancialmente a sobrecarga computacional e de memória, preservando a precisão da detecção. Finalmente, propomos o TransEdge, um framework leve para detecção de anomalias em borda que adota o Q-EM-AT como seu detector central para equilibrar desempenho de detecção e consumo de recursos computacionais. Experimentos abrangentes mostram que o TransEdge reduz significativamente o consumo de recursos enquanto mantém desempenho competitivo na detecção, alcançando escores F₁ de 96,18% no SWaT, 92,36% no WADI, 98,65% no HDFS e 99,43% no OpenStack.