用于智能家居物联网监控中智能决策的量子增强神经融合框架
《Franklin Open》:Quantum-Enhanced Neuro-Fusion Framework for Intelligent Decision-Making in Smart Home IoT Surveillance
【字体:
大
中
小
】
时间:2026年03月02日
来源:Franklin Open CS1.4
编辑推荐:
尤金·普林斯·M|Rathi Devi T|Anu Disney D|Kannan K|Ramesh K|Sujatha Therese P
印度泰米尔纳德邦纳格尔科伊尔S.T.印度教学院物理系
摘要:
智能家居监控系统越来越多地依赖于异构的物联网(IoT)数据流,
尤金·普林斯·M|Rathi Devi T|Anu Disney D|Kannan K|Ramesh K|Sujatha Therese P
印度泰米尔纳德邦纳格尔科伊尔S.T.印度教学院物理系
摘要:
智能家居监控系统越来越多地依赖于异构的物联网(IoT)数据流,这要求在噪声感知条件下实现高效的数据融合、可扩展性和鲁棒性。本文提出了一种基于量子技术的深度神经融合架构(QDNFA),用于边缘-云IoT环境中的异常检测。该框架整合了模块化编码器、时间对齐机制以及量子启发式的优化算法,以支持多模态数据处理,同时保持实时性能。通过在CASAS智能家居数据集上的实验评估,验证了该算法在传感器中心异常检测、跨设备可扩展性以及边缘-云推理效率方面的能力。虽然该架构设计用于支持音频和视频模态,但本研究主要关注低维传感器数据,而针对音视频监控数据集的大规模基准测试被确定为未来的研究方向。实验结果表明,与基线方法相比,该算法在传感器驱动的智能家居场景中具有更高的检测准确性和更低的延迟。
1. 引言
21世纪初,数字时代的影响彻底改变了人类社会的工作方式和生活方式。这一新时代的出现得益于物联网(IoT)的发展[1],这一发展源于信息技术和互联网的进步。在家庭中,智能锁、智能恒温器和语音助手提高了便利性和效率。然而,仍然存在安全漏洞,智能黑客更容易发起攻击[2]。边缘计算(EC)、人工智能(AI)和物联网(IoT)的集成带来了技术和数据处理方面的重大变革,从而彻底改变了数据收集、处理和使用方式[3]。
智能家居IoT生态系统的增长:诸如摄像头、运动传感器、智能门锁和生物识别传感器等IoT设备被集成到智能家居中,从而提升了安全性、便利性和能源效率。由于物联网的快速发展,生活空间被转变为互联系统,实现了实时监控、自动化和智能控制[4]。这种发展迫切需要收集和分析大数据,可能需要复杂的机器学习(ML)算法。然而,攻击者也可能利用这些设备进行未经授权的访问、破坏服务或侵犯隐私[5]。因此,需要强大的监控系统来保护智能家居,因为物联网既有效又存在安全隐患[6]。
物联网网络中包含来自各种设备的多样化数据流,这使得管理变得复杂。为了有效决策和实际分析,必须对生物特征数据、传感器测量值和视频流进行优化整合[7]。传统方法难以有效处理高维和异构数据,可能导致异常检测的延迟、效率低下或准确性损失[7]。因此,强大的、高效的框架能够促进实时操作[8]。随着基于边缘的计算(edge-based computing)的兴起,强大且有效的模型的重要性日益凸显[8]。在不断扩展的物联网、人工智能和网络安全领域,对创新安全解决方案的需求持续增长[9]。
人工智能和量子技术在安全领域的进步:物联网的应用使得系统能够检测风险、识别模式并适应动态变化,这得益于人工智能(AI)的推动[10]。深度学习(DL)技术能够有效处理大量结构化和非结构化数据,包括网络日志和视频流[11]。这些算法在智能家居监控、异常检测、面部识别和活动跟踪方面非常有效[11]。在高度动态的物联网环境中,威胁不断演变,当前先进的AI算法在跨模态泛化和收敛性能方面存在不足[12]。量子计算的最新发展为改进AI模型提供了新的机会。量子算法基于优化策略,不会陷入局部最小值,收敛速度更快,更适用于处理高维数据[13]。通过将量子启发式协议应用于深度学习系统,可以在不增加计算负担的情况下实现高精度和高效的检测[14]。这些混合解决方案特别适用于使用物联网的智能家居,其中可扩展性、可靠性和能源效率尤为重要[15]。
当前解决方案的主要弱点:智能家居认知IoT监控系统在确保针对物理和网络攻击的安全、实时性和适应性保护方面存在局限性。这些系统产生大量异构信息,如视频流、运动信号、生物特征数据和音频流,需要将其顺利融合以生成有意义的信息。尽管传统的深度学习方法很流行,但存在三个明显的问题:首先,多模态传感器融合效果不佳,常常导致威胁检测延迟或不完整;其次,传统模型的计算和能源效率过高,不适合在边缘设备上部署,而快速部署和轻量级解决方案至关重要;第三,它们难以很好地适应攻击方式的变化以及噪声环境,从而影响长期可靠性[6]。这些因素削弱了智能家居IoT系统的安全潜力。关键的研究课题是开发一种基于AI的监控系统,该系统具备强大的多模态融合能力、实时适应能力以及高效的训练效果,同时保护隐私、能源效率并有效抵御攻击者[6]。
实验方法:为了解决这些问题,本文提出了基于量子技术的智能家居监控深度神经融合算法(QDNFA-SHS)。该算法依赖多分支深度神经网络同时学习视频、运动和生物特征数据等异构输入流。视频输入通过空间知识进行处理,传感器输入通过循环层处理时间相关行为。例如,认知融合层将这些模态整合起来,以支持全面的威胁响应和异常检测。量子启发式优化技术用于控制参数变化,防止陷入局部最小值,并加快收敛速度。此外,该架构面向边缘-云部署,旨在节省能源、保护隐私并实现实时决策,同时使用最少的资源[7]。在基准化的IoT监控数据集上的实验比较证实了QDNFA-SHS的有效性,其检测准确性更高、延迟更低、对传感器噪声和攻击的鲁棒性更强、推理速度更快[7]。本文的贡献包括:
- 提出了一种新的基于量子技术的神经融合框架QDNFA,它结合了多模态IoT数据和深度学习模型,旨在提高实时智能家居监控中的异常检测准确性;
- 设计了一个多层认知层,利用量子比特编码和特征转换进行对象识别,作为边缘-云协作过程的一部分,以适应快速变化的智能家居环境;
- 通过边缘-云协作实现了能源效率、低延迟、数据安全处理以及更高的性能,在可预见的带宽限制下有效抵御遮挡或攻击事件[7]。
本文的结构如下:第2节概述了物联网安全、AI监控和量子启发式技术的现有研究;第3节介绍了提出的QDNFA-SHS方法及其模型构建和优化过程;第4节描述了实验设置和数据集;第5节比较了评估指标并展示了结果;第6节总结了研究的贡献、局限性及未来工作方向。
2. 相关工作
物联网技术在智能家居中的应用提高了自动化和安全性水平,但也使系统面临严重的安全风险。传统的监控模型已不再适用于动态威胁、设备资源匮乏和数据来源多样化的问题。研究人员利用传感器融合、深度学习和人工智能来增强实时决策和异常检测能力。边缘计算和量子启发式优化也提供了灵活性和效率[8]。回顾过去的研究有助于发现差距、规划进展,并将提出的量子增强深度神经融合算法(QDNFA-SHS)置于整个智能家居安全系统的框架中。
智能家居安全与AI/机器学习:人工智能和机器学习在提升智能家居安全方面处于领先地位,有助于检测异常、防止入侵并以适应性方式应对威胁。深度学习模型(如CNN和RNN)在处理视频、传感器和生物特征信息方面表现出色,而混合方法在抵御新威胁方面更为可靠[9]。Batool等人[16]提出利用物联网和机器学习提供高能力的智能家居安全保障,针对物联网环境中未经授权访问和设备滥用的问题。他们的方法显示出比传统安全措施更高的检测准确性和响应时间,但存在可扩展性问题,且基于非多样化数据集,限制了其泛化能力[16]。Far等人[17]提出了一种基于深度强化学习和区块链的物联网安全系统,用于保护智慧城市中的信息系统。Far等人还讨论了大规模去中心化物联网网络中日益增加的网络攻击问题,强调了可靠性和灵活性的重要性。他们的模型结合了DRA和区块链来实现灵活决策和去中心化安全,但计算负担过重,难以在资源有限的物联网设备上实施[17]。Goriparthi[18]提出利用强化学习提高物联网设备的自主性,因为传统的基于规则的物联网设备难以适应高需求环境。他们的研究表明,智能设备的自主性和灵活性得到了增强,但应用范围有限,因为模型仅在受控环境中进行了测试[18]。Yedalla[19]提出利用人工智能提高物联网的安全性,以应对新兴的网络威胁。由于物联网网络过于复杂,传统的入侵检测系统无效,因此他们利用基于AI的入侵检测系统更有效地识别和预防网络攻击[19]。尽管这种方法在防御大多数网络攻击方面有效,但未涉及多模态数据融合,因此在处理实际应用中的异构传感器输入时效果不佳[19]。Sultana等人[20]开发了一个名为SmSeLib的智能安全库系统,结合了机器学习和人工智能来保护资源,旨在应对数据隐私和数字图书馆服务被非法访问的问题[20]。
总之,物联网、人工智能和网络安全领域的创新不断推动安全技术的发展[20]。解决方案仍然特定于图书馆使用场景,无法以通用形式用于部署智能家居或智慧城市。Taiwo等人[21]提出了一种基于深度学习的智能智能家居安全与控制系统。该系统的灵感来源于传统家庭自动化系统的低效率,这些系统无法检测威胁或实时事件。作者利用深度学习方法(特别是卷积神经网络CNN)将家庭控制和安全功能集成在一起,从而提高了自动化水平、威胁感知能力和安全性。然而,该系统对资源需求较高,其在资源有限的物联网(IoT)环境中的适用性仍存疑。
物联网监控多模态传感器融合:智能家居IoT涉及来自摄像头、运动传感器和生物识别传感器的异构数据流的产生。多模态传感器融合能够更有效地识别异常并减少误报。深度学习技术,尤其是CNN和RNN,已被成功应用于实现有效的监控。Saghir等人[22]提出了一种基于深度学习的物联网多模态数据融合方法,旨在解决在动态IoT环境中整合异构传感器以提供准确分析的复杂性问题。实验结果表明,多模态识别准确性和系统性能得到了提升。然而,由于传感器异构性和同步问题,异构IoT网络之间的可扩展性仍然受限。
Reis[23]建议将物联网和人工智能应用于安全、绿色的可持续交通领域,以提升效率和安全性。研究反驳了跨模式交通系统中环境和安全威胁增加的问题。多模态深度学习融合方法被用来整合来自IoT传感器的信息,以管理安全的交通流动。结果证实了在效率和系统安全性方面的显著改进。不过,这种策略并不专门针对家庭IoT环境,因此其应用范围有限。
在物联网背景下,Yoon和Kim[24]提出了一种多尺度时间融合网络,用于实时多模态情感识别。尽管实时环境发生变化,但该方法有效解决了确保准确识别的风险。时间深度学习框架和多尺度建模被用来整合多模态数据,在实时情感识别方面取得了高精度。尽管如此,由于模型具有领域特定性,其应用范围仅限于更广泛的IoT安全和监控应用。
Rathnayaka[25]为无人机(UAS)的里程计开发了一种基于深度学习的多模态自适应传感器融合平台。该研究解决了由于传感器读数噪声和环境变化导致的UAS里程计误差问题。基于深度学习的混合时间建模被用来融合多模态传感器,以提高运动估计的准确性。然而,该模型仅适用于UAS,对其他IoT安全或智能家居环境的适用性较低。
Farooq[26]开发了用于智能家居和医院的非接触式人体活动识别和生命体征监测技术。这一技术的灵感来源于对非侵入式监控技术的需求,以改善患者护理和家庭安全。多模态传感数据通过深度学习模型进行处理,以实现活动识别和健康监测。在活动识别和生命体征监测方面表现出优异的准确性。不过,该方法依赖于专用硬件,限制了其在各种智能家居环境中的可扩展性。
Chi等人[27]提出了一种隐私敏感的双通道智能家居安全监控系统,称为IoTBystander。他们解决了传统监控技术在提供充分监控的同时侵犯隐私的问题。该系统集成了双通道IoT,可以观察和检测异常情况,无需人工监控。实验表明,这种系统在智能住宅中是有效的非侵入式安全监控工具。尽管减少了入侵风险,但由于收集的传感器数据具有隐私敏感性,隐私问题仍然存在。
Zhang等人[28]尝试构建一种多通道智能家居传感器网络,以解决数据合并和集成问题。研究受到异构IoT设备有效融合问题的启发,他们使用多通道传感器建模和数据融合概念来保证数据分析的一致性。结果显示,在智能家居设计中数据集成和系统性能得到了提升。然而,大规模融合仍然具有挑战性,限制了该系统在密集型IoT应用中的适应性。
边缘计算和资源感知安全模型:边缘计算可用于在边缘处理数据,无需大量带宽,从而消除隐私风险。资源感知的安全模型还能确保资源的最佳利用和统一的检测能力。上述研究表明,基于边缘的监控系统可以提高响应速度和可扩展性。
Tripathi等人[29]评估了可扩展IoT系统的边缘计算和雾计算优化技术,以克服传统集中式IoT设置的扩展性和性能瓶颈。他们引入了优化算法,以最大化分布式系统的工作负载并提高效率。研究结果表明,这些算法改善了IoT系统的扩展性和响应能力。然而,这些优势是以延迟为代价的,因此不适合对延迟敏感的IoT应用(如实时监控)。
Al-Quayed等人[30]提出了一种基于上下文的预测方法,适用于智慧城市中的安全和轻量级认知决策。研究的动机是在资源受限的环境中需要经济高效且高效的预测方案。作者采用认知机器学习技术实现上下文相关的预测和安全决策。该模型在不同配置的IoT环境中实现了轻量级、高效性和安全性。然而,由于模型泛化能力不足,其在处理多样化数据模式的实际应用中效果有限。
Hafeez[31]通过深度多模态传感器融合实现了一种强大的生命体征监测系统。该研究解决了单模态监测在注意力检测方面的不可靠性问题。该方法结合了EEG和生理信号等多模态输入,以提高识别性能。测试表明系统具有强大的注意力和抗噪能力。不过,该系统需要专用传感器,因此在日常智能家居或IoT应用中的实用性较低。
Jeong等人[32]提出了一种智能互补多模态融合技术,用于异常监控和安全系统。他们受到单模态监控无法处理复杂异常情况的限制,开发了一种基于深度学习的多模态融合系统来融合互补传感器数据。该技术提高了系统的鲁棒性和异常检测准确性。但由于训练复杂性高,其在实时或资源有限的IoT场景中的适用性有限。
Phelan等人[33]提出了EPCNet,这是一种利用基于事件和基于帧的摄像头融合实现有效监控的系统。该研究克服了传统视觉系统的不足,后者无法适应监控的动态性。他们的方法通过传感器融合结合了两种摄像头的优势,提高了监控效率并减少了冗余。然而,系统性能受到数据集覆盖范围的限制,无法在多样化的真实世界IoT系统中进行评估。
Andreou等人[34]开发了基于量子启发的可持续AI优化技术,应用于云边计算。这项工作旨在满足IoT环境中对能效高效大规模自动化的需求。他们的研究利用量子启发式机器学习优化技术实现了工作负载自动化和有效云边系统的管理。实验提高了IoT系统的可扩展性、灵活性和可持续性。然而,该解决方案仍处于早期采用阶段,实际应用中存在集成和不确定性问题。
2.1. 研究空白
尽管在将机器学习和人工智能应用于智能家居IoT安全方面取得了显著进展,但仍存在一些未解决的问题。大多数研究集中在单一模态(如视频或传感器流)上,对能够实时处理异构输入的端到端多模态融合架构的研究较少。强化学习和基于区块链的技术虽然提高了自主性和安全性,但引入了计算开销,使其不适合资源有限的智能家居设备。深度学习算法虽然准确度高,但存在可扩展性、能源效率低和易受对抗性攻击的问题。此外,量子启发式优化是一个相对较新的领域,其在多模态IoT安全中的应用尚未得到充分探索。总体而言,这些方法的脆弱性意味着需要更复杂的系统来整合多模态传感器融合、轻量级边缘部署和量子增强优化,以实现安全、自适应和强大的智能家居监控。
3. QDNFA-SHS 方法论
为了解决当前智能家居IoT安全系统中的不足,本研究提出了量子增强型深度神经融合算法(QDNFA-SHS)。该方法将多模态传感器数据、边缘处理和量子启发式优化结合在一个综合框架中。与过去不可扩展和灵活的深度模型不同,QDNFA-SHS使用卷积层处理图像,循环网络处理时间序列传感器流,并采用自适应融合来评估融合威胁的结果。量子启发式优化能够更快地收敛模型并避免局部最小值陷阱,边缘部署可以实时决策,同时降低延迟和隐私风险。图1展示了QDNFA-SHS的架构设计、数据流和处理层,以及多分支网络组合、融合机制和优化组件的细节。下面将描述这些组件如何实现智能家居中的高效、安全和可扩展监控。
3.1. 智能家居IoT层
量子增强型深度神经融合算法(QDNFA)的基础是智能家居IoT层,该层提供用于上下文感知监控的异构数据流。智能家居包含多种传感模式,每种模式针对人类活动和环境状态的特定方面。这些包括智能摄像头(C)提供的视觉信号、运动检测器(M)提供的占用和运动检测、声音传感器(A)提供的事件检测以及环境传感器(E)提供的环境参数(如温度、湿度或气体水平)。系统可以表示为多模态数据采集函数,如公式1所示:
(1)Xt={xCt,xMt,xAt,xEt},t=1,2,…,T
其中xst表示在离散时间步长t从模态s∈{C,M,A,E}捕获的特定传感器数据。每个xst的维度和格式可能不同,例如:xCt∈RH×W×3(来自智能摄像头的RGB视频帧),xMt∈{0,1}(来自被动红外(PIR)运动传感器的二进制激活值),xAt∈RL(长度为L的音频波形段),xEt∈Rk(环境测量值向量,如温度、CO2、湿度)。
多模态融合的挑战在于这些数据流的采样率、维度和噪声特征不同。为了实现一致的分析,需要通过时间同步对原始输入进行对齐,如公式2所示:
(2)x?st=A(xst;τs)
其中A(·)表示同步操作符,用于将模态s与全局时间戳对齐,校正传感器延迟τs。
3.2. 边缘智能层
边缘智能层负责在智能家居中实现实时、保护隐私的监控。虽然智能家居IoT层生成大量异构数据(Xt),但将原始数据流式传输到云端会导致延迟、带宽浪费和隐私泄露。为了解决这些问题,边缘设备(如网关或智能摄像头中的嵌入式处理器)执行两项关键任务:数据预处理和量子特征编码。图2展示了边缘智能层的层次结构图。
3.2.1. 预处理
预处理确保原始传感器输入被转换为计算效率高、噪声清除且标准化的表示。对于每种模态s∈{C,M,A,E},预处理流程可以表示为zst=P(xst),其中P(?)表示特定于模态的转换。表1总结了应用于每种模态的预处理策略,确保在量子编码之前数据的一致性、噪声减少和效率。表1. 智能家居监控中多模态物联网数据的预处理步骤
| 模态 | 原始输入 | 预处理技术 | 数学表示 | 目的 |
| --- | --- | --- | --- | --- |
| 智能摄像头(视频) | 原始RGB帧 xCt∈RH×W×3 | 空间降采样、背景减除、帧差分 | zCt=D(xCt)?B(xCt?1),其中D(·)=降采样,B(·)=背景模型 | 降低分辨率以提高效率,并突出运动区域以检测异常 |
| 运动传感器 | 二进制或模拟运动读数 xMt | 通过移动平均滤波器进行时间平滑 |zMt=1k∑i=0k?1xMt?i | 去除噪声和误触发,保留一致的运动模式 |
| 音频传感器 | 连续音频流 xAt | 短时傅里叶变换(STFT)、MFCC特征提取 | zAt=MFCC(STFT(xAt)) | 提取对异常事件(如玻璃破碎、警报)敏感的频域特征 |
| 环境传感器 | 温度、湿度、气体或光线读数 xEt | 标准化、异常值检测/去除 | zEt=xEt?μσ,其中μ和σ分别为均值和标准差 | 标准化传感器间的范围,去除虚假异常 |
3.2.2 量子特征编码
与其发送原始数据或预处理数据,不如将特征嵌入到受量子启发的表示空间中,以实现空间上的紧凑性和改进的异常检测能力。预处理后的特征向量 zst∈Rd 通过量子比特(qubit)编码转换为量子特征空间,如方程3所示。(3)?(zst)=?i=1d(cos(θi)|0〉+sin(θi)|1〉,其中 θi=f(zs,it) 是特征依赖的旋转角度,zs,it 是特征向量的第i个元素,∣0〉,∣1〉 表示量子比特的计算基态。这种嵌入将经典的物联网数据放入高维希尔伯特空间,使得常规事件和异常事件在后续分类中更加明显区分。然后,边缘设备聚合所有编码的特征,如方程4所示。(4)Φt={?(zCt),?(zMt),?(zAt),?(zEt)}
3.2.3 边缘到云传输
仅发送已编码和压缩的特征 Φt,而不是原始的高带宽传感器流。这样可以实现以下目标:
- 降低带宽消耗:因为 ∣Φt∣?∣Xt∣。
- 降低延迟:具有近乎实时的决策潜力。
- 更好的隐私性:原始的个别数据(例如音频或视频帧)永远不会进入云端。
因此,边缘智能层不仅促进了能源效率和可扩展性,还实现了低延迟的安全关键决策。
3.3 云智能层
云智能层是量子增强型深度神经融合算法(QDNFA)的计算核心。在云从各种物联网模态检索编码特征集进行大规模处理之前,预处理和量子特征编码在边缘完成。它执行两个主要功能:量子启发式优化和深度神经融合,以及行为模式分析。图3展示了用于特征学习和降维的量子启发式优化器的集成,随后是深度神经融合和行为分析模块。来自多模态物联网传感器的编码特征被计算出来以识别异常,从而实现自动警报、安全响应和认知智能家居监控的实时决策。
下载:下载高分辨率图像(399KB)
下载:下载全尺寸图像
图3. 云智能层框架
3.3.1 量子启发式优化器
编码的特征集 Φt={?(zCt),?(zMt),?(zAt),?(zEt)} 通常具有冗余性和高维特性,这不利于实时处理。为了实现这种紧凑性,通过量子启发式优化过程进行特征选择和降维。优化问题定义如方程5所示。(5)minWL(W)=∥Φt?WW?Φt∥2+λΩ(W),其中W是变换矩阵,Ω(W)是由量子启发式概率分布指导的正则化项,λ在重建保真度和稀疏性之间取得平衡。每个特征都以叠加态的概率形式表示,如方程6所示。(6)∣ψ〉=∑i=1dαi∣fi〉,其中∑i∣αi∣2=1,fi是候选特征,αi是自适应幅度。这种方法能够更快地收敛,并有效提取用于异常检测的信息特征。
尽管所提出的方法使用了量子术语(例如叠加态和量子比特编码),但我们的实现完全在经典硬件上运行,使用混合软件栈(TensorFlow/PyTorch用于深度学习模块,Qiskit用于量子启发式例程)。边缘模块应用预处理并将每个标准化特征值映射到一个旋转角度,形成量子比特编码表示(方程3)。这种编码通过经典模拟执行,得到的经典统计量(例如概率或期望值)作为数值张量输出,作为深度融合网络的输入。在量子启发式优化器中,“叠加态”表示特征选择的概率编码(方程6):每个候选特征都与定义选择可能性的幅度相关联,“坍缩”对应于在迭代优化过程中根据这些幅度进行二进制选择。
伪代码1 量子启发式特征优化(QIFO)
输入:Φt={?(zCt),?(zMt),?(zAt),?(zEt)}
P = 种群大小
T = 最大迭代次数
输出:优化后的特征子集 F*
1: 初始化量子比特状态种群 Ψ={ψ1,ψ2,…,ψP},其中 ψi=[αi,βi],且|αi|∧2+|βi|∧2=1
2: 对每个候选 ψi∈Ψ 执行
3: 崩缩(ψi)→特征子集 fi∈{0,1}∧d
4: 评估适应度:应用方程5
5: 结束循环
6: 对于迭代次数 i = 1 到 T 执行
7: 选择损失最小的最佳候选 fbest
8: 对每个候选 ψi∈Ψ 执行
9: 使用量子旋转更新幅度:αi(new)=αicos(θ)?βisin(θ),βi(new)=αisin(θ)+βicos(θ)
10: 标准化:|αi|∧2+|βi|∧2=1
11: 崩缩(ψi)→fi
12: 重新评估适应度 L(W)
13: 结束循环
14: 结束循环
15: 返回 F* = 对应于 fbest 的特征子集
伪代码1 描述了云智能层中使用的量子启发式特征优化(QIFO)程序的操作原理。候选解决方案的种群首先表示为量子比特的状态,每个量子比特表示选择或消除特征的概率。这些量子比特映射到二进制特征子集,性能通过给定的损失函数来衡量,权衡重建准确性和特征稀疏性。在迭代优化中,识别出表现最佳的候选者,并应用量子旋转规则更新所有量子比特上的概率幅度,从而模拟叠加态和概率搜索。在此迭代中提供了保持多样性的引导搜索,以找到最优子集。在收敛时,选择具有最高适应度值的最优子集特征,为未来的深度神经融合和异常检测提供简洁且具有区分性的多模态物联网数据表示。
3.3.2 深度神经融合模型
最佳模态通过深度神经融合模型结合在一起。该模型结合数据流以利用跨模态相关性。融合按照方程7进行。(7)ht=σ(∑s∈{C,M,A,E}Ws?(zst)+b,其中Ws是特定于模态的权重,b是偏置项,σ(·)表示非线性激活函数。融合后的向量 ht 提供了家庭环境的全面表示。
3.3.3 行为模式分析
融合后的表示也通过行为进行分析,以区分正常的家庭活动和可能的危险。在监督设置中,分类模型估计异常的可能性,如方程8所示。(8)P(y∣ht)=Softmax(Whht+bh),y∈{Normal,Anomaly}。对于无监督环境,使用基于重建的方法计算异常分数,即 A(ht)=∥ht?h^t∥,其中 h^t 是来自自动编码器的重建特征。较高的偏差分数对应于需要关注的异常事件。这一层通过特征压缩确保效率,同时不丢失信息。通过多模态信息流的密集融合实现准确性。通过持续监控行为异常来实现安全性,以便早期发现威胁。
3.4 控制和可视化层
QDNFA方案的最后一个阶段是控制和可视化层,它确保了可操作的结果和用户参与,考虑了来自云智能层的计算结果。该层响应两个互补组件:实时控制机制用于立即销毁威胁,以及用于持续监控和决策支持的可视化界面。
3.4.1 控制机制
控制单元将异常检测结果实时转换为系统输出。当通过异常分数 A(ht) 或分类结果 P(y∣ht) 识别出预期威胁时,会触发自动动作。情况可以定义为方程9。(9)ut=fctrl(ht),其中 ut 表示控制信号,fctrl(·) 将融合的特征表示映射到特定动作。例如:
- 实时通知:向房主或安全人员发送通知。
- 执行器活动:关闭门、激活警报或启动应急照明。
- 自动决策:根据严重程度限制人类代理的反应系统。
这种设计还使得在检测到异常和响应之间具有较低的延迟,并增强了智能家居环境对新兴威胁的可靠性。
3.4.2 可视化界面
可视化也使得监控变得容易,最终用户可以监控。决策过程的输出被整合并生成有用的可视化内容,从而允许实时流式显示视频和传感器信息,以显示情境意识。查看活动仪表板,指示家中的习惯性行为以及自动检测到的差异。主动用户界面用于探索警报、排除误报或调整系统参数。正式地,可视化可以表示为映射函数:(10)Vt=fviz(ht,ut),其中 Vt 表示通过组合融合特征 (ht) 和控制响应 (ut) 生成的视觉输出集。这确保了决策过程的透明度、可解释性和以用户为中心。
4. 数据集说明和实验设置
本研究的主要数据集是CASAS智能家居数据集,该数据集在华盛顿州立大学获取。这个数据集[35]提供了使用物联网的智能家居概念的真实背景。该数据集被用来提供丰富的多模态数据流进行分析,因为它包括运动传感器、门传感器、温度传感器和真实住宅环境的活动标签。为了成功集成并检测异常,建议的QDNFA需要异构数据源,并且由于其时间和上下文线索的多样性而高效。与仅基于网络的数据集相比,CASAS能够有效识别常规的人类活动和环境互动。通过CASAS,对智能家居的监控和安全性进行了更详细的分析。这个常用数据集被用于识别活动和检测异常。它在基准测试中是可靠且适用的。
4.1 实验设置
QDNFA在CASAS智能家居数据集[35]上进行了测试,该数据集提供了异构的物联网传感器流,如运动传感器、温度传感器和活动日志。选择该数据集是因为它能够记录智能家居中的多模态互动,可用于进行异常检测和监控效果的严肃评估。数据被分为70%的训练集、15%的验证集和15%的测试集,并且整个实验重复了五次,以获得一致且稳健的数据。边缘智能模块部署在NVIDIA Jetson Xavier NX板上(8 GB RAM,ARM Cortex-A57处理器,384核Volta GPU),云实现则在Intel Xeon Gold 6230服务器上(128 GB RAM和NVIDIA Tesla V100 GPU,32 GB)。为了减少延迟,通过Wi-Fi 6网状网络(平均速度为600 Mbps)提供了边缘-云协调。实验设置使用了Ubuntu 22.04/20.04、TensorFlow 2.12、PyTorch 2.1、Scikit-learn、Qiskit和OpenCV,并通过使用Docker实现了模块化。为了评估检测质量和计算成本,将其与三个广泛使用的基线进行了比较:IoTBystander [27]、DL-MDF [22] 和 QIO-AI [34],从五个主要指标进行评估:准确性、精确度、F1分数、推理速度和能耗。实验设置的总结见表2。
表2. 实验设置
| 组件 | 规格 |
| --- | --- |
| 数据集 | CASAS智能家居数据集(多模态物联网传感器流) |
| 边缘设备 | NVIDIA Jetson Xavier NX,8 GB RAM,ARM Cortex-A57 CPU,384核Volta GPU |
| 云服务器 | Intel Xeon Gold 6230,128 GB RAM,NVIDIA Tesla V100 GPU(32 GB) |
| 网络 | Wi-Fi 6网状路由器,平均带宽600 Mbps |
| 软件 | Ubuntu 22.04/20.04,TensorFlow,PyTorch,Scikit-learn,Qiskit,OpenCV |
| 基线 | IoTBystander [27],DL-MDF [22],QIO-AI [34] |
5. 评估指标和讨论
准确性是一个直接的性能指标,用于计算智能家居安全系统中正确分类事件(每天或可疑事件)的比例。准确性突出了模型通过减少错误分类的数量来准确分类威胁的鲁棒性。QDNFA的准确性可以使用方程11计算。(11)Accuracy=TruePositives+TrueNegativesTruePositives+TrueNegatives+FalsePositives+FalseNegatives,其中True Positives=正确识别的异常/威胁,True Negatives=正确识别的正常活动,False Positives=被误分类为威胁的正常事件,False Negatives=遗漏的异常或威胁。
图4展示了IoTBystander [27]、DL-MDF [22]、QIO-AI [34] 和所提出的QDNFA在不同异常强度下的相对精确度。在x轴表示从弱异常到强异常的范围下,所有算法的准确性都表现出一致下降的趋势。IoTBystander和DL-MDF在面对高强度攻击时的性能下降最为明显。QIO-AI表现稍好,但在面对激进异常时仍然表现不佳。另一方面,QDNFA在三种情况下的精确度都高于基线。这种图形性能证明了QDNFA在实时跟踪方面的能力,特别是保护智能家居免受强烈攻击。
下载:下载高分辨率图像(556KB)
下载:下载全尺寸图像
图4. 准确性分析
精确度是正确检测到的异常(True Positives, TP)与创建的总警报(TP + False Positives, FP)的比例。随着系统产生的误报数量减少,警报的可靠性提高,其准确性也随之提升。在家庭监控系统中,准确性尤为重要,因为误报率不应过高,否则用户可能会对系统产生不信任,并希望与系统进行交互。这可以通过方程式12来计算。(12)Precision = (TruePositives + FalsePositives) / (TruePositives + FalsePositives)图5展示了四种模型IoTBystander、DL-MDF、QIO-AI和提出的QDNFA在不同攻击类型(DoS、欺骗、未经授权的访问)下的相对准确性及其相应的平均准确性。每个堆叠的水平条代表按攻击类型划分的累积精确度性能。结果表明,QDNFA在所有攻击类型下都表现出更高的精确度,尤其是在欺骗和未经授权的访问情况下,误报率较高。IoTBystander和DL-MDF在遭受DoS攻击时在精确度方面表现良好,但在遭受欺骗和未经授权的访问攻击时表现显著较差。QIO-AI在平衡方面表现相对较好,但不如QDNFA,后者的平均精确度最高。这些视觉信息突显了QDNFA在各种威胁场景下的强大异常检测潜力,它在最小化误报和建立实时智能家居监控系统的信任方面表现出色。下载:下载高分辨率图片(363KB)下载:下载全尺寸图片图5. 精确度比较分析F1分数是精确度和召回率的调和平均值,如方程式13所示。(13)F1 = 2 × (Precision × Recall) / (Precision + Recall)与准确性本身不同,F1分数可以确保系统在检测异常和最小化误报方面都有效——F1分数越高,智能家居监控模型的效果越好。图6显示了QDNFA、QIO-AI、DL-MDF和IoTBystander在弱、中等和强异常情况下的F1分数表现以及平均F1分数。QDNFA在所有异常水平上都表现出一致的较高F1分数,尤其是在异常程度较高的情况下。QIO-AI也表现出中等的结果,而DL-MDF和IoTBystander在遭受欺骗和未经授权的访问攻击时性能显著下降。QDNFA在平衡方面表现相对较好,但不如QDNFA,后者的平均精确度最高。这种视觉信息突显了QDNFA在各种威胁场景下的强大异常检测潜力,它在最小化误报和建立实时智能家居监控系统的信任方面表现出色。下载:下载高分辨率图片(426KB)下载:下载全尺寸图片图6. 不同异常强度下不同物联网监控模型的F1分数比较推理速度是指模型处理输入数据并生成输出所需的时间,无论是以异常通知还是控制命令的形式。它通常以毫秒(ms)或每秒帧数(FPS)来衡量,在处理视频相关活动时尤为关键。更快的推理速度可以带来及时的响应和检测,这在混乱的物联网生态系统中非常重要,因为缓慢的响应可能会危及家庭安全。在基准测试中,不同模型的推理速度在相同的计算条件下进行比较。基于量子启发式优化和边缘-云协作的QDNFA,其计算和推理延迟低于基线方法。这是通过方程式14实现的。(14)Tinf = Tcomp + Tcomm,其中Tcomp = 计算时间,Tcomm = 通信时间,C = 任务所需的CPU周期数,f = 执行任务的设备的CPU频率,D = 要传输的数据量(比特),B = 网络带宽(比特/秒),L = 网络延迟。图7显示了IoTBystander、DL-MDF、QIO-AI和提出的QDNFA的推理时间比较。Y轴表示推理时间(毫秒),X轴表示四种方法的名称。图表显示IoTBystander的延迟最高,为145毫秒,其次是DL-MDF的132毫秒。QIO-AI的推理时间减少到118毫秒,效率中等。相比之下,本研究中提出的QDNFA的延迟最低,仅为92毫秒,比传统方法提高了26-37%。该图形反映了QDNFA在促进实时智能家居监控方面的优势,因为它能够加速决策。下载:下载高分辨率图片(349KB)下载:下载全尺寸图片图7. 推理时间比较分析能耗量化了监控系统每次推理所使用的总功率平均值(以瓦特或焦耳计)。强大的模型应在云和边缘保持低计算量,同时不牺牲性能。QDNFA利用量子启发式优化和云-边缘协作,减少了冗余特征传输,支持本地化预处理,并降低了整体性能要求,与其他方法相比。这可以通过方程式15计算。(15)Etotal = Pcpu · Cf + Ptx · (DB + L),其中Pcpu = 计算期间的CPU功耗,Ptx = 数据传输期间的网络接口功耗。图8显示了DL-MDF、IoTBystander、QIO-AI和QDNFA在5个、10个、20个和30个物联网设备上的能耗(W)。所有方法的能耗都随着设备数量的增加而增加;然而,QDNFA在所有规模上的能耗最低,从5个设备的4.6瓦到30个设备的7.0瓦不等。相比之下,IoTBystander和DL-MDF的能耗增长迅速,在30个设备时接近10瓦。这展示了QDNFA通过边缘-云协作和量子启发式优化实现的卓越可扩展性和生态效率。下载:下载高分辨率图片(547KB)下载:下载全尺寸图片图8. 不同设备规模下物联网监控模型的能耗分析接收者操作特征曲线下的面积(AUC-ROC)衡量了监控模型在多个阈值之间区分正常事件和异常事件的能力。与F1分数不同,后者仅提供阈值上的一个快照,AUC-ROC分数在整个选择范围内评估分类性能,因此对物联网环境的变化不太敏感。较高的AUC值(接近1)表示更强的区分能力和更低的误分类率。它可以从方程式16得出。(16)AUC = ∫0^1 TPR(FPR) d(FPR),其中TPR = 真阳性率(召回率),FPR = 假阳性率 = FP / (FP + TN)。图9展示了IoTBystander、DL-MDF、QIO-AI和QDNFA在弱、中等和强异常类别下的AUC比较结果。QDNFA在所有异常水平上的AUC都更优,证明了其在检测异常方面的更高鲁棒性和可靠性。QIO-AI的表现处于中等水平,而DL-MDF和IoTBystander在强异常情况下表现严重下降。下载:下载高分辨率图片(383KB)下载:下载全尺寸图片图9. 不同异常强度下物联网监控模型的AUC-ROC分析选定的基线IoTBystander、DL-MDF和QIO-AI代表了互补的智能家居异常检测方法类别,包括基于规则的系统、基于深度学习的多模态融合和量子启发式优化方法。所有基线方法都使用相同的数据分割、预处理流程和评估指标进行实现,以确保公平比较。每个基线的超参数根据原始作者的建议使用验证集进行了调整,所有模型都在相同的实验条件下进行了训练。为了提高可重复性,所有方法的关键超参数和训练设置总结在表3中。表3. 基线实现和超参数配置方法模型类型优化器学习率批量大小迭代次数平均运行次数IoTBystander基于规则/统计————5DL-MDF深度神经网络(多模态融合)Adam1e-3321005QIO-AI量子启发式优化 + MLAdam5e-4321005QDNFA(提出的)深度神经融合 + QIFOAdam5e-4321005表4提供了消融研究,表明量子启发式优化主要提高了对弱异常的敏感性,同时几乎没有额外的计算开销,而强异常检测主要受架构驱动。表4. 消融研究变体(仅优化器不同)AUC(弱)AUC(中等)AUC(强)F1(平均)推理时间(毫秒)30个设备时的能耗(瓦特)QDNFA + QIFO(提出的)0.860.910.960.89927.0QDNFA + GA0.810.880.950.85977.6QDNFA + PSO0.820.890.950.86957.4QDNFA + DE0.830.900.960.87947.3QDNFA(固定特征)0.760.840.930.80906.85.1. 硬件便携性和低成本物联网部署我们的实验中的边缘组件部署在NVIDIA Jetson Xavier NX上,云组件运行在Xeon/V100服务器上;因此,报告的延迟/能耗数字反映了这种硬件配置。重要的是,QDNFA不依赖于特定硬件:该框架将计算分为(i)轻量级边缘操作(预处理、紧凑的特征编码和选择性传输)和(ii)云密集型优化和融合。对于计算/内存有限的低成本物联网网关,可以通过(a)降低输入分辨率和采样率,(b)量化和剪枝边缘子网络,(c)知识蒸馏到更小的边缘模型,以及(d)自适应模态使用(传感器优先推理和事件触发的视频升级)来部署QDNFA。这些选项在保持实时决策能力的同时,以可行性为代价牺牲了峰值精度。5.2. 讨论QDNFA方法在广泛的物联网应用中展示了令人印象深刻的能效和推理延迟改进。为了避免无关数据的传输和计算开销,QDNFA通过量子启发式网络功能分配优化,优化了边缘和云节点之间的计算功能传输。与静态分配或启发式方法相比,通过策略性选择卸载防止了不必要的能耗。这种有效的调度有助于系统更公平地分配日益增长的能源需求。这种有效的调度还维持了异构设备上的工作负载分配。因此,QDNFA的推理延迟持续降低。对于实时监控或智能家居自动化等对延迟敏感的应用来说,这种实现至关重要。从结果来看,由于计算设备密度的增加,能耗呈指数级增长,这一点通过竞争方法得到了证明。相比之下,QDNFA的能耗几乎呈线性增长,表明了其可扩展性和可持续性。效率受到这些输入不准确性的极大影响,因此QDNFA利用了准确的设备分析和预测的工作负载。通过将这种量子启发式优化与真正的量子硬件集成,复杂性和开销会增加。但是,量子启发式优化提供了稳健的性能。在强调可持续性的同时不影响系统效率的情况下,该架构为未来的可持续物联网系统奠定了坚实的基础。5.3. 验证的有效性威胁本研究的主要有效性威胁来自于实验评估的范围有限,主要在CASAS智能家居数据集上进行。虽然CASAS提供了真实的住宅传感器数据并支持可复制的基准测试,但它主要由低维传感器流组成,不包括连续的音频或视频输入,限制了所提出架构的全模态能力的验证。因此,报告的性能反映了以传感器为中心的异常检测,可能无法直接推广到音视频监控场景。此外,在单一数据集上的评估引入了与特定传感器布局、采样模式和居住者行为相关的潜在偏差,引发了关于跨多样化智能家居环境泛化的担忧。最后,边缘部署实验是在单一硬件平台上进行的,可能无法完全代表低功耗物联网设备的计算限制。通过跨数据集评估、多模态基准测试和实际部署来解决这些限制是未来工作的重要方向。6. 结论对于延迟优化的网络功能部署,所提出的QDNFA方法在大型物联网应用中提供了一个节能且可扩展的解决方案。QDNFA通过量子启发式优化和智能边缘-云任务分配,在异构设备上实现了最小的能耗和低推理延迟。实验证据还表明,该技术在能耗和固定延迟方面优于基线分配技术,具有近乎线性的可扩展性。研究结果表明,QDNFA可以用于维护实时应用,包括智能监控和家庭自动化,而不会降低性能或可持续性。该设计还提供了可扩展的解决方案,能够灵活支持异构物联网场景,因此是未来智能系统的最佳解决方案。预测性工作负载管理结合任务卸载可以确保系统的最大效率和可靠性,证明了量子启发式算法在网络功能实际应用中的有效性。限制和未来工作:QDNFA是一种有效的方法,但它基于对设备的严格特征描述和工作负载的准确估计;如果出现错误,优化的有效性可能会受到影响。通过使用真实的量子设备,可以进一步改进它。未来的研究将考虑自适应学习方法来有效管理动态工作负载,探索混合量子-经典系统,并将框架应用于多层物联网系统,以实现更高水平的可扩展性和能源性能平衡。CRediT作者贡献声明Eugine Prince M:软件、方法论、概念化。Rathi Devi T:撰写——原始草稿、方法论、资金获取。Anu Disney D:可视化、调查。Kannan K:监督。Ramesh K:验证、软件。Sujatha Therese P:撰写——审阅与编辑、资源。