| Popis: |
Um sistema IoT baseado em névoa contém milhares de dispositivos heterogêneos com suas próprias limitações. Este artigo propõe um sistema que utiliza aprendizado de máquina para agrupar os comportamentos desses dispositivos e identificar anomalias no desempenho dos diferentes nós de névoa. O sistema foi avaliado para diferentes comportamentos simulados, com os algoritmos MeanShift, BIRCH e K-Means. Também foram validados os agrupamentos gerados pelos índices de Silhouette, Davies-Bouldin e Calinski Harabasz, a fim de obter o modelo de dados mais acurado. O sistema identificou os comportamentos simulados com pelo menos 99% de acurácia, usando o algoritmo K-Means e o índice de Calinski-Harabasz. |
