Anomaly detection in IoT data streams

Abstract

Kiinnostus IoT-järjestelmiin on selkeästi kasvussa ja sen myötä on entistä tärkeämpää tunnistaa, että IoT-datavirrat sisältävät poikkeavuuksia. Näitä voivat aiheuttaa järjestelmien tai tietoliikenteen toimimattomuus tai kyberhyökkäykset. Poikkeavuudet voivat johtaa vääriin johtopäätelmiin, jos niitä ei löydetä ja käsitellä ajoissa. Poikkeavuuksien löytämiseen IoT-datavirroista on erilaisia menettelytapoja ja menettelytavan valinta on riippuvainen erilaisista seikoista, kuten IoT-arkkitehtuurista ja poikkeavuuden tyypistä. Tämän pro gradun aiheena on luoda skaalautuva menettelytapa poikkeavuuksien havaitsemiseksi lennosta IoT-datavirroista. Suunnittelutieteen artifaktana esitellään prosessikaavio ja tarkistuslista, joiden avulla löydetään parhaiten sopiva menettelytapa IoT-datavirtojen poikkeavuuksien havaitsemiseksi.

Since the interest to IoT systems is constantly increasing, it is vital to recognize that the IoT data streams contain anomalies. Anomalies can be caused by system failure, network issues or malicious attacks and can lead to misinterpreted results if they are not found and handled properly. There are different ways to find the abnormal values from IoT data streams. The approach varies based on different aspects such as the IoT architecture and type of the anomaly. This Master's thesis presents a scalable procedure to detect anomalies from IoT data streams on the fly. As an artifact of design science it was created a procedure diagram and checklist to find the appropriate solution for each project of detecting anomalies from IoT data streams.