Outlier or anomaly detection is the technique of finding patterns in a dataset that are inconsistent or considerably different from the rest of the data. The detection of anomalies often provides critical information in various application domains. Although there exist multiple techniques to solve this task, choosing the appropriate model proves to be tricky. Several aspects need to be considered to make the right decision. Whether the data contains sensitive information, is distributed, multi-dimensional, etc. plays an important role in the model choice. The problem we address throughout this thesis is the secure anomaly detection on distributed data. We will deal with data containing sensitive information which can not be shared, thus we will need a technique to preserve privacy in the anomaly detection process. This data will not have a single source of information, but rather will be spread among multiple nodes with attached edge devices. First, we present existing approaches for anomaly detection and privacy preservation tasks. Then, we introduce the necessary background for our model, focusing on isolation forests and cryptographic techniques. Afterwards, we present our model called SECURE-SERVERLESS: SECURE anomaly detection on SERVERLESS edge computing and discuss the improvements which were made to the original algorithm. We analyze the model’s behavior on various datasets experimenting with different parameter values and propose improvements to overcome several challenging scenarios. We show that we can get optimal results with the proposed model on several datasets. Nevertheless, in some cases we need to adjust the model to function better. We show that it might be beneficial to use synthetic data (e.g. when we have numerous nodes which have access only to a small chunk of data) or multiple split attributes (e.g. when data can not be split optimally with only horizontal and vertical lines). We also show a connection between parameter values and suggest being careful when choosing them as it is crucial for optimal performance. And last but not least, we propose an architecture which heavily uses the notions of serverless and edge computing.     «

Outlier or anomaly detection is the technique of finding patterns in a dataset that are inconsistent or considerably different from the rest of the data. The detection of anomalies often provides critical information in various application domains. Although there exist multiple techniques to solve this task, choosing the appropriate model proves to be tricky. Several aspects need to be considered to make the right decision. Whether the data contains sensitive information, is distributed, multi-d...     »

Bei der Erkennung von Ausreißern oder Anomalien geht es darum, Muster in einem Datensatz zu finden, die inkonsistent sind oder sich erheblich vom Rest der Daten unterscheiden. Die Erkennung von Anomalien liefert oft wichtige Informationen in verschiedenen Anwendungsbereichen. Obwohl es mehrere Techniken zur Lösung dieser Aufgabe gibt, erweist sich die Auswahl des geeigneten Modells als schwierig. Um die richtige Entscheidung zu treffen, müssen mehrere Aspekte berücksichtigt werden. Ob die Daten sensible Informationen enthalten, ob sie verteilt oder mehrdimensional sind, spielt bei der Wahl des Modells eine wichtige Rolle. Das Problem, mit dem wir uns in dieser Arbeit beschäftigen, ist die sichere Erkennung von Anomalien bei verteilten Daten. Wir werden uns mit Daten befassen, die sensible Informationen enthalten, die nicht Wir werden uns mit Daten befassen, die sensible Informationen enthalten, die nicht weitergegeben werden dürfen, und benötigen daher eine Technik zur Wahrung der Privatsphäre im Anomalieerkennungsprozess. Diese Daten werden nicht aus einer einzigen Informationsquelle stammen, sondern auf mehrere Knoten mit angeschlossenen Edge-Geräten verteilt sein. Zunächst stellen wir bestehende Ansätze für die Erkennung von Anomalien und die Wahrung der Privatsphäre vor. Dann stellen wir den notwendigen Hintergrund für unser Modell vor und konzentrieren uns dabei auf Isolation Wälder und kryptographische Techniken. Anschließend stellen wir unser Modell namens SECURE-SERVERLESS vor: SECURE anomaly detection on SERVERLESS edge computing und diskutieren die Verbesserungen, die am ursprünglichen Algorithmus vorgenommen wurden. Wir analysieren das Verhalten des Modells auf verschiedenen Datensätzen, experimentieren mit verschiedenen Parameterwerten und schlagen Verbesserungen vor, um verschiedene herausfordernde Szenarien zu bewältigen. Wir zeigen, dass wir mit dem vorgeschlagenen Modell für verschiedene Datensätze optimale Ergebnisse erzielen können. Dennoch müssen wir in einigen Fällen das Modell anpassen, um besser zu funktionieren. Wir zeigen, dass es von Vorteil sein kann, synthetische Daten zu verwenden (z. B. wenn wir zahlreiche Knoten haben, die nur auf einen kleinen Teil der Daten zugreifen können) oder mehrere geteilte Attribute (z. B. wenn Daten nicht optimal mit nur horizontalen und vertikalen Linien aufgeteilt werden können). Wir zeigen auch einen Zusammenhang zwischen den Parameterwerten auf und empfehlen, diese sorgfältig zu wählen, da sie für eine optimale Leistung entscheidend sind. Zu guter Letzt schlagen wir eine Architektur vor, die sich stark an den Begriffen Serverless und Edge Computing orientiert.     «

Bei der Erkennung von Ausreißern oder Anomalien geht es darum, Muster in einem Datensatz zu finden, die inkonsistent sind oder sich erheblich vom Rest der Daten unterscheiden. Die Erkennung von Anomalien liefert oft wichtige Informationen in verschiedenen Anwendungsbereichen. Obwohl es mehrere Techniken zur Lösung dieser Aufgabe gibt, erweist sich die Auswahl des geeigneten Modells als schwierig. Um die richtige Entscheidung zu treffen, müssen mehrere Aspekte berücksichtigt werden. Ob die Daten...     »