| dc.contributor | Berkenbrock, Gian Ricardo | |
| dc.contributor | Universidade Federal de Santa Catarina. | |
| dc.creator | Machado, Tuane Sampaio | |
| dc.date | 2022-12-20T17:10:12Z | |
| dc.date | 2022-12-20T17:10:12Z | |
| dc.date | 2022-12-12 | |
| dc.date.accessioned | 2023-09-02T05:46:01Z | |
| dc.date.available | 2023-09-02T05:46:01Z | |
| dc.identifier | https://repositorio.ufsc.br/handle/123456789/243191 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8579376 | |
| dc.description | TCC (graduação) - Universidade Federal de Santa Catarina, Campus Joinville, Engenharia Mecatrônica. | |
| dc.description | O crescimento exponencial de dados disponíveis desencadeou diferentes formas de melhorar o desempenho de sistemas e negócios.
No campo de desenvolvimento e aplicação de veículos autônomos, monitorar dados significou a capacidade de utilizá-los para detectar falhas e/ou ataques que acompanhe a velocidade com que os dados são gerados.
Isso possibilita que correções no sistema e decisões para bloquear ataques sejam feitos com maior rapidez e, por consequência, minimizam os prejuízos causados por esses eventos e aumentam a segurança dos veículos.
Dados que representam falhas ou ataques são reconhecidos como anômalos, já que diferem do padrão dos
dados observados comumente.
Assim, um detector de anomalias em tempo real deve ser um sistema capaz de ler um fluxo de dados de entrada e, baseado em aprendizado de máquina, analisar os dados na medida em que são produzidos para detectar se existem anomalias, ou não, conforme o treinamento aplicado ao detector.
Sobre essas considerações, é desenvolvido um modelo de rede neural de aprendizado profundo, com arquitetura capaz de conferir memória de longo prazo ao modelo, para tarefa de detecção de anomalias. O escopo da detecção, cobre a classificação dos dados enquanto o carro está em movimento, devido a limitações no treinamento da máquina quando o atributo velocidade é zero.
A base para o treinamento do modelo é feita utilizando conjunto de dados não anômalos e, para validação, são adicionadas anomalias artificialmente ao conjunto de dados.
Usando acurácia como métrica de desempenho, os resultados da detecção de anomalias quando a predição é realizada com dados não anômalos é bastante satisfatório.
Porém, quando a predição é realizada sobre os quadros de dados em que foram inseridas anomalias, o valor da acurácia, em percentual, é reduzido. | |
| dc.description | The exponential increase of disponible data has resulted in many ways to improve systems and business performance. In the area of development and application of autonomous vehicle, monitoring data results in the capacity to use it to detect fault or attacks that accompany the speed that with which these data are generated. This make it possible system corrections and decisions to block attacks to be made more quickly and consequently minimize the damage caused by these events and increase the safety of these vehicles. Data representing faults or attacks many times are recognized as anomalous as it diverges from the normal data pattern. Thus, a real-time anomaly detector must be a system to be able to reading an input data stream and, based on machine learning, analyzing the data at the same time as it is produced to detection whether or not there are anomalies accordingly to training that will be applied to the detector.
Based on these considerations, a deep learning neural network is developed, with architecture capable of providing long-term memory to the model, to solve the anomaly detection task.
The scope of detection involves classifying anomalies in the data while the vehicle is in motion, due to limitations on the machine training when the speed attribute is zero.
The basis for model training is done using non-anomalous data sets and, for validation, anomalies are artificially added to the data set.
Using accuracy as performance metric, the results of anomaly detection when predict is performed with non-anomaly data is very satisfactory.
However, when the prediction is performed on the data frames in which anomalies were inserted, the value of accuracy, in percent, is reduced. | |
| dc.format | 67 f. | |
| dc.format | application/pdf | |
| dc.language | pt_BR | |
| dc.publisher | Joinville, SC. | |
| dc.rights | Open Access. | |
| dc.subject | Anomalias em veículos autônomos | |
| dc.subject | Estrutura Streaming de Dados | |
| dc.subject | Sistemas Inteligentes | |
| dc.subject | Limpeza de dados | |
| dc.title | Modelo Baseado em Aprendizado de Máquina para Detecção de Anomalias em Veículos Autônomos | |
| dc.type | TCCgrad | |
