Diagnóstico de fallas en computación móvil usando TwinSVM
Introducción: este artículo es el resultado de la investigación “Diagnóstico de fallas en la computación móvil usando TwinSVM” desarrollada en la Universidad Técnica I.K Gujral Punjab en Punjab, India en 2021.
Problema: dado que los recursos en los sistemas informáticos móviles son limitados y un sistema tiene un ancho de banda, energía y movilidad de nodos limitados, el comportamiento deseado de la red puede cambiar si hay fallas.
Objetivo: para lograr la tolerancia a fallas, de modo que un sistema móvil pueda operar incluso en presencia de fallas, se implementó un enfoque de dos temporizadores en el marco de detección, que luego se mejoró y perfeccionó con el uso del clasificador TwinSVM. Este clasificador ayuda a identificar nodos atípicos, lo que hace que el enfoque sea más tolerante a fallas.
Metodología: el marco de monitoreo clasifica el nodo detectado como normal, defectuoso o parcialmente de-fectuoso, iniciando un temporizador de verificación de latidos y otro temporizador de verificación de relevancia en caso de que el nodo no responda al primer temporizador, que se prueba más usando TwinSVM, que mejora su eficiencia mediante la detección de valores atípicos.
Resultados: el marco propuesto funciona mejor en términos de precisión de detección, consumo de energía, latencia y relación de caída de paquetes, todos los cuales han sido mejorados.
Conclusión: el diagnóstico de fallas que utiliza el clasificador de aprendizaje automático TwinSVM funciona mejor en términos de falsas alarmas y tasas de falsos positivos y es adecuado para proporcionar tolerancia a fallas en sistemas informáticos móviles.
Originalidad: a través de esta investigación, se ha desarrollado una versión única de detección de fallas en computación móvil utilizando un enfoque basado en clasificadores.
Limitaciones: la falta de otras técnicas de detección de fallas cae dentro de la clasificación de fallas.
Cómo citar
Licencia
Derechos de autor 2022 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
R. R. Swain and P. M. Khilar, “Composite Fault Diagnosis in Wireless Sensor Networks Using Neural Networks,” Wirel. Pers. Commun., vol. 95, no. 3, pp. 2507–2548, 2017. doi: https://doi.org/10.1007/s11277-016-3931-3
E. Moridi, M. Haghparast, M. Hosseinzadeh, and S. J. Jassbi, “Fault management frameworks in wireless sensor networks: A survey,” Comput. Commun., vol. 155, pp. 205–226, 2020. doi: https://doi.org/10.1016/j.comcom.2020.03.011.
S. Chessa and P. Santi, “Comparison-based system-level fault diagnosis in ad hoc networks,” Proc. 20th IEEE Symp. Reliab. Distrib. Syst., pp. 257–266, 2001. doi: https://doi.org/10.1109/RELDIS.2001.970776
M. Elhadef, A. Boukerche, and H. Elkadiki, “A distributed fault identification protocol for wireless and mobile ad hoc networks,” J. Parallel Distrib. Comput., vol. 68, no. 3, pp. 321–335, 2008. doi: https://doi.org/10.1016/j.jpdc.2007.05.016
T. Muhammed and R. A. Shaikh, “An analysis of fault detection strategies in wireless sensor networks,” J. Netw. Comput. Appl., vol. 78, pp. 267–287, 2017. doi: https://doi.org/10.1016/j.jnca.2016.10.019
S. Zidi, T. Moulahi, and B. Alaya, “Fault detection in wireless sensor networks through SVM classifier,” IEEE Sens. J., vol. 18, no. 1, pp. 340–347, 2018. doi: https://doi.org/10.1109/JSEN.2017.2771226
M. Panda and P. M. Khilar, “Distributed Byzantine fault detection technique in wireless sensor networks based on hypothesis testing,” Comput. Electr. Eng., vol. 48, pp. 270–285, 2015. doi: https://doi.org/10.1016/j.compeleceng.2015.06.024
U. Saeed, S. U. Jan, Y. D. Lee, and I. Koo, “Fault diagnosis based on extremely randomized trees in wireless sensor networks,” Reliab. Eng. Syst. Saf., vol. 205, no. October 2020, pp. 107284, 2021. doi: https://doi.org/10.1016/j.ress.2020.107284
R. R. Swain, P. M. Khilar, and S. K. Bhoi, “Heterogeneous fault diagnosis for wireless sensor networks,” Ad Hoc Networks, vol. 69, pp. 15–37, 2018. doi: https://doi.org/10.1016/j.adhoc.2017.10.012
R. R. Swain, T. Dash, and P. M. Khilar, “A complete diagnosis of faulty sensor modules in a wireless sensor network,” Ad Hoc Networks, vol. 93, pp. 101924, 2019. doi: https://doi.org/10.1016/j.adhoc.2019.101924
S. K. Ghalem, B. Kechar, A. Bounceur, and R. Euler, “A probabilistic multivariate copula-based technique for faulty node diagnosis in wireless sensor networks,” J. Netw. Comput. Appl., vol. 127, pp. 9–25, 2019. doi: https://doi.org/10.1016/j.jnca.2018.11.009
S. U. Jan, Y. D. Lee, and I. S. Koo, “A distributed sensor-fault detection and diagnosis framework using machine learning,” Inf. Sci. (Ny)., vol. 547, pp. 777–796, 2021. doi: https://doi.org/10.1016/j.ins.2020.08.068
C. Peng, Y. Zhou, and Q. Hui, “Distributed fault diagnosis of networked dynamical systems with time-varying topology,” J. Franklin Inst., vol. 356, no. 11, pp. 5754–5780, 2019. doi: https://doi.org/10.1016/j.jfranklin.2019.05.027
S. Shao, S. Guo, and X. Qiu, “Distributed fault detection based on credibility and cooperation for wsns in smart grids,” Sensors (Switzerland), vol. 17, no. 5, pp. 983, 2017. doi: https://doi.org/10.3390/s17050983
Z. Noshad et al., “Fault detection in wireless sensor networks through the random forest classifier,” Sensors (Switzerland), vol. 19, no. 7, pp. 1–21, 2019. doi: https://doi.org /10.3390/s19071568
N. Wang, J. Wang, and X. Chen, “A trust-based formal model for fault detection in wireless sensor networks,” Sensors (Switzerland), vol. 19, no. 8, pp. 1–20, 2019. doi: https://doi.org/10.3390/s19081916
W. Hongying, D. M. Blough, and L. Alkalaj, “Analysis and experimental evaluation of comparison-based system-level diagnosis for multiprocessor systems,” Dig. Pap. - Int. Symp. Fault-Tolerant Comput., pp. 55–64, 1994. doi: https://doi.org /10.1109/FTCS.1994.315657
I. G. A. Poornima and B. Paramasivan, “Anomaly detection in wireless sensor network using machine learning algorithm,” Comput. Commun., vol. 151, no. August 2019, pp. 331–337, 2020. doi: https://doi.org/10.3390/s21144946
Jayadeva, R. Khemchandani, and S. Chandra, “Twin support vector machines for pattern classification,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 29, no. 5, pp. 905–910, 2007. doi: https://doi.org/10.1007/978-981-13-1132-1_42
H. Huang, X. Wei, and Y. Zhou, “Twin support vector machines: A survey,” Neurocomputing, vol. 300, pp. 34–43, 2018. doi: https://doi.org/10.1016/j.neucom.2018.01.093
K. J. Kim, “Financial time series forecasting using support vector machines,” Neurocomputing, vol. 55, no. 1–2, pp. 307–319, 2003. doi: https://doi.org/10.1016/S0925-2312(03)00372-2
