1. SISN
  2. Всі випуски
  3. Випуск 17, 2025
  4. Виявлення аномалій у реальному часі в розподілених IoT-системах:комплексний огляд та порівняльний аналіз

Виявлення аномалій у реальному часі в розподілених IoT-системах:комплексний огляд та порівняльний аналіз

SISN.
2025;
Випуск 17
: cc. 160 - 169
https://doi.org/10.23939/sisn2025.17.160
Автори:
  1. Павло Пустельник
  2. Євгенія Левус
1
Національний університет «Львівська політехніка» кафедра програмного забезпечення, Львів, Україна
2
Національний університет «Львівська політехніка»

Стрімке поширення технології Інтернету речей (IoT) призвело до безпрецедентного росту обсягів неоднорідних даних з розподілених пристроїв. Цей величезний потік даних робить все більш важливим впровадження надійних і ефективних методів виявлення аномалій в режимі реального часу, які можуть попередити про проблеми у розподілених системах. Виявлення аномалій даних є критично важливим у сучасному світі, оскільки воно дозволяє на ранній стадії виявляти відхилення, які можуть свідчити про збої в роботі системи, порушення безпеки або операційну неефективність. Вчасне виявлення цих відхилень може скоротити час простою, оптимізувати продуктивність і захистити критично важливі активи.
Стаття містить огляд і порівняльний аналіз сучасних методів виявлення аномалій у розподілених системах, заснованих на технології Інтернету речей. У ній розглядається широкий спектр методів, таких як традиційні статистичні підходи, дистанційні методи, моделі машинного навчання, алгоритми глибинного навчання і методи пояснювального штучного інтелекту. Кожна категорія оцінюється з точки зору точності виявлення, обчислювальної ефективності та інтерпретованості. Реальні приклади – від прогнозування технічного обслуговування в промисловому IoT та управління енергією в розумних мережах до виявлення порушень у фінансових мережах – демонструють широке практичне застосування цих методів.
В огляді також визначено поточні виклики і перспективні напрямки майбутніх досліджень, зокрема федеративне навчання і підходи, засновані на активному навчанні, які пропонують потенційні рішення для підвищення адаптивності і зменшення залежності від великих маркованих наборів даних. Висновки, зроблені в цьому огляді, створюють основу для майбутніх досліджень, спрямованих на розроблення гібридних моделей виявлення аномалій, які інтегрують передові методи для подальшого підвищення адаптивності та безпеки систем в динамічних середовищах Інтернету речей.

IoT
виявлення аномалій
опрацювання в реальному масштабі часу
машинне навчання
глибоке навчання
пояснювальний ШІ
розподілені системи
  1. Abououf, M., Singh, S., Rabeb Mizouni, & Hadi Otrok. (2023). Explainable AI for Event and Anomaly Detection and Classification in Healthcare Monitoring Systems. IEEE Internet of Things Journal, 1–1. https://doi.org/10.1109/jiot.2023.3296809
  2. Abudurexiti, Y., Han, G., Zhang, F., & Liu, L. (2025). An explainable unsupervised anomaly detection framework for Industrial Internet of Things. Computers & Security, 148, 104130. https://doi.org/10.1016/j.cose.2024.104130
  3. Alrashdi, I., Alqazzaz, A., Aloufi, E., Alharthi, R., Zohdy, M., & Ming, H. (2019). AD-IoT: Anomaly Detection of IoT Cyberattacks in Smart City Using Machine Learning. IEEE Xplore. https://doi.org/10.1109/CCWC. 2019.8666450
  4. Aminu, M., Akinsanya, A., Oyedokun, O., Dickson, A., & Dako. (2024). Enhancing cyber threat detection through real‐time threat intel Technology and Research, 13, 11–27. https://doi.org/10.7753/IJCATR1308.1002
  5. Anusha, R. S., Dadavali, S. P., Akash, D., Vinay, M. G., Tapkire, M., & Manjunath, N. (2024). Efficient learning  ‐driven anomaly detection and classification for IoT‐based monitori 20(11), 3749–3758. https://doi.org/10.52783/jes.8237
  6. Balega, M., Farag, W., Wu, X.-W., Ezekiel, S., & Good, Z. (2024). Enhancing IoT security: Optimizing anomaly detection through machine learning. Electronics, 13(11), 2148. https://doi.org/10.3390/electronics13112148
  7. Cauteruccio, F., Cinelli, L., Corradini, E., Terracina, G., Ursino, D., Virgili, L., Savaglio, C., Liotta, A., & Fortino,G. (2021). A framework for anomaly detection and classification in Multiple IoT scenarios. Future Generation Computer Systems, 114, 322–335. https://doi.org/10.1016/j.future.2020.08.010
  8. Chandola, V., Banerjee, A., & Kumar, V. (F). Anomaly detection: A survey. ACM Computing Surveys, 41(3), 1– 58.    https://doi.org/10.1145/1541880.1541882
  9. Cook, A. A., Mısırlı, G., & Fan, Z. (2020). Anomaly detection for IoT time-series data: A survey. IEEE Internet of Things Journal, 7(7), 6481–6494. https://doi.org/10.1109/JIOT.2019.2958185
  10. DeMedeiros, K., Hendawi, A., & Alvarez, M. (2023). A Survey of AI-Based Anomaly Detection in IoT and Sensor Networks. Sensors, 23(3), 1352. https://doi.org/10.3390/s23031352
  11. Dickson, S. M. (2024). Detection of anomalies in Internet of Things (IoT) devices and sensors. Radinka Journal of Science and Systematic Literature Review, 2(3), 475–481. https://doi.org/10.56778/rjslr.v2i3.347
  12. Diro, A., Chilamkurti, N., Nguyen, V.-D., & Heyne, W. (2021). A Comprehensive Study of Anomaly Detection Schemes in IoT Networks Using Machine Learning Algorithms. Sensors, 21(24), 8320. https://doi.org/10.3390/ s21248320
  13. Gad, I. M. (2025). TOCA-IoT: Threshold optimization and causal analysis for IoT network anomaly detection based on explainable random forest. Algorithms, 18, 117. https://doi.org/10.3390/a18020117
  14. Giannoni, F., Mancini, M., & Marinelli, F. (2018). Anomaly Detection Models for IoT Time Series Data. ArXiv (Cornell University). https://doi.org/10.48550/arxiv.1812.00890
  15. Gummadi, A. N., Napier, J. C., & Abdallah, M. (2023). XAI-IoT: An explainable AI framework for enhancing anomaly detection in IoT systems. IEEE Access. https://doi.org/10.1109/ACCESS.2023.0322000
  16. Gupta, P., & Tripathy, P. (2024). Unsupervised learning for real-time data anomaly detection: A comprehensive approach. SSRG International Journal of Computer Science and Engineering, 11(10), 1-11. https://doi.org/10.14445/23488387/IJCSE-V11I10P101
  17. Hu, X., Xu, Q., &  Guo, Y. (2020). Trajectory anomaly  detection  based on  the mean distance deviation. Communications in Computer and Information Science, 140–147. https://doi.org/10.1007/978-3-030-63820-7_16
  18. Idhalama, O., & Oredo, J. (2024). Exploring the next generation Internet of Things (IoT) requirements and applications: A comprehensive overview. Information Development. https://doi.org/10.1177/02666669241267852
  19. Iturbe, J., & Rifà-Pous, H. (2023). Anomaly-based cyberattacks detection for smart homes: A systematic literature review. Internet of Things, 22, 100792. https://doi.org/10.1016/j.iot.2023.10079
  20. Jaiswal, A., & Koupaei, A. N. (2024). Deep comparison analysis: Statistical methods and deep learning for network anomaly detection. International Journal of Computer Science and Information Security, 22. https://doi.org/10. 5281/zenodo.14051106
  21. Jot, J., & Sharma, L. (2023). Study of anomaly detection in IoT sensors. International Journal for Research in Applied Science and Engineering Technology, 11, 767–774. https://doi.org/10.22214/ijraset.2023.55226
  22. Kalutharage, C. S., Liu, X., Chrysoulas, C., Pitropakis, N., & Papadopoulos, P. (2023). Explainable AI-Based DDOS Attack Identification Method for IoT Networks. Computers, 12(2), 32. https://doi.org/10. 3390/computers12020032
  23. Kaya, M. O., Ozdem, M., & Das, R. (2025). A novel approach for graph-based real-time anomaly detection from dynamic network data listened by Wireshark: A novel approach for graph-based real-time anomaly detection. EAI Endorsed Transactions on I ndustrial Networks and Intelligent Systems, 12. https://doi.org/10.4108/ eetinis.v12i2.7616
  24. Krzyszton, E., Rojek, I., & Mikołajewski, D. (2024). A comparative analysis of anomaly detection methods in IoT networks: An experimental study. Applied Sciences, 14, 11545. https://doi.org/10.3390/app142411545
  25. Lee, C.-Y., & Maceren, E. D. (2025). Physics-informed anomaly and fault detection for wind energy systems using deep CNN and adaptive elite PSO-XGBoost. IET Generation, Transmission & Distribution, 19(1). https://doi.org/10.1049/gtd2.13289
  26. Liao, N., & Li, X. (2022). Traffic Anomaly Detection Model Using K-Means and Active Learning Method. International Journal of Fuzzy Systems, 24(5), 2264–2282. https://doi.org/10.1007/s40815-022-01269-0
  27. Martins, I., Resende, J. S., Sousa, P. R., Silva, S., Antunes, L., & Gama, J. (2022). Host-based IDS: A review and open issues of an anomaly detection system in IoT. Future Generation Computer Systems, 133, 95–113. https://doi.org/10.1016/j.future.2022.03.001
  28. Mutambik, I. (2024). Enhancing IoT security using GA-HDLAD: A hybrid deep learning approach for anomaly detection. Applied Sciences, 14(21), 9848-9848. https://doi.org/10.3390/app14219848
  29. Nguyen, M.-D., La, V.-H., Mallouli, W., Cavalli, A. R., & Oca, E. M. de. (2023). Toward Anomaly Detection Using Explainable AI. CyberSecurity in a DevOps Environment, 293–324. https://doi.org/10.1007/978-3-031-42212-6_10
  30. Nguyen, T. D., Marchal, S., Miettinen, M., F ereidooni, H., Asokan, N., & Sadeghi, A.-R. (2019). DÏoT: A Federated Self-learning Anomaly Detection System for IoT. 2019 IEEE 39th  International Conference on Distributed Computing Systems (ICDCS). https://doi.org/10.1109/icdcs.2019.00080
  31. Nixon, C., Sedky, M., Champion, J., & Hassan, M. (2024). SALAD: A split active learning based unsupervised network data stream anomaly detection method using autoencoders. Expert Systems with Applications, 248, 123439.    https://doi.org/10.1016/j.eswa.2024.123439
  32. Nizam, H., Zafar, S., Lv, Z., Wang, F., & Hu, X. (2022). Real-Time Deep Anomaly Detection Framework for Multivariate Time-Series Data in Industrial IoT. IEEE Sensors Journal, 1–1. https://doi.org/10.1109/ jsen.2022.3211874
  33. Odoh, K. (2022). Real-time Anomaly Detection for Multivariate Data Streams. ArXiv (Cornell University). https://doi.org/10.48550/arxiv.2209.12398
  34. Ukil, A., Bandyoapdhyay, S., Puri, C., & Pal, A. (2016). IoT Healthcare Analytics: The Importance of Anomaly Detection. 2016 I EEE 30th International Conference on Advanced Information Networking and Applications (AINA).    https://doi.org/10.1109/aina.2016.158
  35. Sahu, N. K., & Mukherjee, I. (2020). Machine Learning based anomaly detection for IoT Network: (Anomaly detection in IoT Network). IEEE Xplore. https://doi.org/10.1109/ICOEI48184.2020.9142921
  36. Sakong, W., Kwon, J., Min, K., Wang, S., & Kim, W. (2024). Anomaly Transformer Ensemble Model for Cloud Data Anomaly Detection. IEEE Transactions on Cloud Computing, 12(4), 1305–1313. https://doi.org/10. 1109/TCC.2024.3466174
  37. Sedjelmaci, H., Senouci, S., & Al-Bahri, M. (2016). A lightweight anomaly detection technique for low-resource IoT devices: A game-theoretic methodology. HAL (Le Centre Pour La Communication Scientifique Directe). https://doi.org/10.1109/icc.2016.7510811
  38. Stradiotti, L., Perini, L., & Davis, J. (2024). Combining active learning and learning to reject for anomaly detection. In Frontiers in Artificial Intelligence and Applications. https://doi.org/10.3233/FAIA240749
  39. Škvára, V., Smidl, V., & Pevný, T. (2024). Anomaly detection in multifactor data. Neural Computing and Applications, 36(34), 21561–21580. https://doi.org/10.1007/s00521-024-10291-2
  40. Tyagi, H., & Kumar, R. (2021). Attack and Anomaly Detection in IoT Networks Using Supervised Machine Learning Approaches. Revue d’Intelligence Artificielle, 35(1), 11–21. https://doi.org/10.18280/ria.350102
  41. Vajda, D. L., Do, T. V., Bérczes, T., & Farkas, K. (2024). Machine learning-based real-time anomaly detection using data pre-processing in the telemetry of server farms. Scientific Reports, 14(1). https://doi.org/10. 1038/s41598-024-72982-z
  42. Wang, C., & Zhu, H. (2024). Enhancing data for hard anomaly detection. In Universal Behavior Computing for Security and Safety, 2, 45–56. https://doi.org/10.1007/978-981-97-9014-2_2
  43. Yang, K., Ren, J., Zhu, Y., & Zhang, W. (2018). Active Learning for Wireless IoT Intrusion Detection. IEEE Wireless Communications, 25(6), 19–25. https://doi.org/10.1109/mwc.2017.1800079
  44. Zeng, F., Wang, M., Pan, Y., Lv, S., Huiyu, M., Han, H., & Yuan, X. (2025). Distributed data privacy protection via collaborative anomaly detection. Electronics, 14(2), 295. https://doi.org/10.3390/electronics14020295
  45. Zakariah, M., & Almazyad, A. S. (2023). Anomaly detection for IoT systems using active learning. Applied Sciences, 13(21), 12029. https://doi.org/10.3390/app132112029