Detector híbrido de anomalias para agricultura inteligente

Abstract

Resumo: As mudancas climaticas, a crise da agua e o crescimento populacional acrescentam novos desafios para a producao de alimentos. O aumento das taxas de producao e a preservacao de recursos naturais dependem da modernizacao dos metodos agricolas. A agricultura inteligente fornece recursos capazes de melhorar a atividade agricola por meio do controle eficiente de atuadores, otimizando o consumo de recursos e o gerenciamento da producao, otimizando seus resultados. Para que estas tecnologias se tornem populares, elas devem ter um alto nivel de confiabilidade e seguranca, o que nao e observado nos sistemas desenvolvidos ate o momento. Para melhorar a confiabilidade na Agricultura Inteligente, este documento propoe o CEIFA, um detector de anomalias hibrido de baixo custo capaz de identificar falhas, erros e ataques que afetam estes sistemas. Diferentemente dos detectores ja desenvolvidos, que tem seu escopo limitado a deteccao de intrusoes, o sistema proposto tem como alvo anomalias decorrentes de falhas e erros que acometem os dispositivos de coletas de dados e os ataques dentro do escopo do ciberagroterrorismo, podendo detectar outros ataques que causem alteracoes nos dados. O CEIFA utiliza uma arquitetura hibrida, combinando operacao na borda e na nuvem. Sua arquitetura modular permite que o sistema seja ajustado as necessidades e contextos do sistema agricola, que pode utilizar dispositivos com recursos computacionais limitados, servidores locais ou na nuvem. A deteccao e feita analisando os dados enviados pelos sensores do sistema agricola. A identificacao de anomalias e feita por meio de analise estatistica, correlacao de dados e aprendizagem de maquina. A analise estatistica incorpora avaliacao de tendencias e dispersao de dados, em um modelo matematico capaz de identificar falhas e erros de forma eficiente e com baixo custo computacional. Para maximizar a precisao e possibilitar a deteccao de intrusoes, foram incluidas a correlacao de dados e aprendizagem de maquina. A construcao do sistema utilizou como base uma rede composta por cinco transdutores, equipados com sensores que coletaram dados climaticos e ambientais. Os transdutores foram instalados em ambiente agricola em campo aberto, expostos aos eventos climaticos e ambientais, bem como acao de animais e humanos. Os sensores foram alvos de falhas e erros que permitiram mapear os padroes de dados. Ao final da coleta de dados, nao havia dispositivos integros em quantidade suficiente para serem utilizados nas fases seguintes. Para validar o sistema, foi utilizado um prototipo, composto por 19 sensores virtuais, um dispositivo de borda e um servidor na nuvem. Os resultados mostram que o detector utiliza pouca memoria, apresenta baixos niveis de processamento e ocupa pouco espaco em disco. Na borda os dados demoraram 355ms para serem processados, utilizando 111MB de memoria (considerando todas as operacoes de leitura e escrita) e 262KB de espaco em disco. Na nuvem, os mesmos dados sao processados em 4ms, consumindo 120MB de memoria e ocupando 2MB de espaco em disco. Quanto a acuracia, o detector superou 95% de acertos na deteccao de anomalias. A borda identificou 80% das anomalias alvo e a nuvem 93%. O CEIFA e, portanto, um detector de anomalias eficiente e de baixo custo, capaz de economizar recursos com alta eficiencia e latencia reduzida.

Abstract: Climate change, the water crisis, and population growth include new challenges for food production. Increasing production rates while preserving natural resources requires the modernization of farming methods. Smart agriculture allows creating resources capable of improving agricultural activity. It permits the efficient control of actuators, optimizing resource consumption and production management, maximizing profit, and minimizing costs. For these technologies to become popular, they must have a high level of reliability and security, something lacking in the systems developed so far. This paper proposes CEIFA, a low-cost hybrid anomaly detector capable of identifying faults, errors, and attacks that affect these systems aiming to improve reliability in Smart Farming. Unlike existing anomaly detectors, which set out to detect intrusions, the CEIFA seeks to identify random failures, occurrences of saturation, degradation, damage, noise, and false data injection. It uses a hybrid architecture, combining operations at the edge and on the cloud. Its modular architecture permits adjusting the system to the needs and context of the farming system, which can use devices with limited computing resources, local servers, or the cloud. CEIFA performs detection by analyzing the data sent by the farming system’s sensors. It integrates data analysis, trend analysis, and data scattering with machine learning to identify anomalies. The modeling of the data generated by agricultural systems allowed creating a model capable of recognizing some anomalies. By joining the mathematical model, machine learning, and data analysis, it was possible to maximize the precision of the detector. The system design uses a network comprising five transducers with sensors for climatic and environmental parameters. The transducers were installed in an open field agricultural environment and exposed to climatic and weather events, animal and human action. The sensors were subject to fails, faults and errors that allowed mapping the behavior of the actual data. After data collection, there were insufficient operational devices to continue using the system. Validation used a prototype comprising 19 virtual sensors, an edge device, and a virtual server in the cloud. The results show lower memory, processing, and disk space consumption. The edge processes data in 355ms (CPU time), using 400KB of memory, 262KB of disk space. In the cloud, processing usage 4ms of CPU time, 6MB of memory, and 2MB of disk space. With these capabilities, the edge can identify 80% of the target anomalies and the cloud 93%, which gives the detector efficiency of over 95% in anomaly detection. CEIFA is an efficient, low-cost anomaly detector capable of saving resources with high efficiency and reduced latency.