Tipo di tesi | Tesi di laurea magistrale | ||||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Autore | D'ORTONA, ANTONIO | ||||||||||||||||||||||||||||||
URN | etd-09262020-175725 | ||||||||||||||||||||||||||||||
Titolo | Identificazione di anomalie nelle rilevazioni di sensori low-cost di qualità dell'aria | ||||||||||||||||||||||||||||||
Titolo in inglese | Anomaly detection in low-cost air quality sensor data | ||||||||||||||||||||||||||||||
Struttura | Dipartimento di Ingegneria | ||||||||||||||||||||||||||||||
Corso di studi | Ingegneria Informatica (D.M.270/04) | ||||||||||||||||||||||||||||||
Commissione |
|
||||||||||||||||||||||||||||||
Parole chiave |
|
||||||||||||||||||||||||||||||
Data inizio appello | 2020-10-22 | ||||||||||||||||||||||||||||||
Disponibilità | Accesso limitato: si può decidere quali file della tesi rendere accessibili. Disponibilità mixed (scegli questa opzione se vuoi rendere inaccessibili tutti i file della tesi o parte di essi) | ||||||||||||||||||||||||||||||
Data di rilascio | 2060-10-22 | ||||||||||||||||||||||||||||||
Riassunto analitico
In questa tesi si propone l'implementazione e l'applicazione di cinque algoritmi per scopi di Anomaly Detection. L'obiettivo è rilevare le anomalie da sequenze di dati provenienti da una rete di sensori. Tutti gli algoritmi proposti vengono applicati ai dati provenienti dai sensori disponibili. Grafici e tabelle vengono utilizzati per mostrare i risultati, ovvero il numero di anomalie rilevate e il tempo per analizzare i dati. Le anomalie in comune e le note che descrivono lo stato di un sensore vengono utilizzate per valutare i risultati. Gli algoritmi sviluppati sono quindi stati inseriti un un framework, utile all'analisi dei dati storici e in tempo reale; il framework fornisce inoltre delle funnzionalità per l'inserimento dei dati anomali nel database. |
|||||||||||||||||||||||||||||||
Abstract
In this thesis, we propose the deployment and the application of five algorithms for anomaly detection. The aim is detecting anomalies from data sequences coming from a sensor network. All the algorithms proposed are applied to data coming from the available sensors. Graphical representations and tables are used to show the results, which are the number of anomalies found and the time to analyze the data. Anomalies in common and the notes which describe the status of a sensor are used to investigate the validity of the results. The developed methodologies are inserted into a framework that has functions to analyze historical and real-time data. The framework also provides features to insert the anomalies in the database. |
|||||||||||||||||||||||||||||||
File |
|