Detekcja anomalii w zużyciu prądu z wykorzystaniem chmury AWS

Abstract

Celem pracy było zbudowanie i porównanie modeli do detekcji anomalii oraz przygotowanie elastycznej architektury do wdrożenia produkcyjnego. Użyte są szeregi czasowe które przedstawiają zużycie prądu elektrycznego. Pierwszym zbudowanym modelem jest sieć do predykcji.Wyznaczono okienko o określonej długości i na podstawie jego prefiksu prognozowano sufiks. Na podstawie rzeczywistej obserwacji zbudowano przedział i sprawdzono czy sufiks się w nim znajduje - jeśli nie, to wykryto anomalię. Drugim przetestowanym modelem jest sieć typu autoenkoder. Sieci zbudowane na tej architekturze uczą się kodować wejście do kodu i kod do wyjścia, które w tym przypadku jest identyczne jak wejście. Modele te okazały się znacznie lepsze niż predykcyjne. Kolejna część pracy opisuje architekturę chmury zbudowanej na platformie AWS. Całość składa się z wielu zarządzanych serwisów jak na przykład Kinesis który jest centralnym elementem infrastruktury pozwalającym na przetwarzanie danych w czasie rzeczywistym.