💻 computer science

ST-HAE: Spatio-Temporal Anomaly Detection inHeterogeneous IoT Networks Under Realistic Class Imbalance

यह शोध पत्र ST-HAE को प्रस्तुत करता है, जो एक अनसुपरवाइज्ड स्पैटियो-टेम्पोरल हाइब्रिड ऑटोएनकोडर है जो केवल बेनाइन (benign) ट्रैफ़िक पर प्रशिक्षण देकर और मौजूदा विधियों की तुलना में फाल्स अलार्म दर और वेरिएंस को महत्वपूर्ण रूप से कम करने के लिए द्विदिशीय टेम्पोरल एनकोडिंग का उपयोग करके, वास्तविक क्लास इम्बैलेंस के तहत विषम IoT नेटवर्क में उच्च-परिशुद्धता विसंगति का पता लगाता है।

मूल लेखक: Vamsi Krishna Reddy, Nageswara Rao kuda

प्रकाशित 2026-06-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vamsi Krishna Reddy, Nageswara Rao kuda

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "ST-HAE: वास्तविक क्लास इम्बैलेंस के तहत हेट्रोजेनियस IoT नेटवर्क में स्पैटियो-टेम्पोरल विसंगति का पता लगाना" का सरल भाषा और रचनात्मक उपमाओं का उपयोग करके दिया गया विवरण है।

बड़ी समस्या: "सुई को घास के ढेर में ढूँढने" वाली गलती

कल्पना कीजिए कि आप एक विशाल स्टेडियम में सुरक्षा गार्ड हैं। हर दिन, 1,000,000 प्रशंसक गेट से गुजरते हैं, और उनमें से केवल एक व्यक्ति हथियार छिपाकर अंदर घुसने की कोशिश कर रहा है।

अधिकांश सुरक्षा अनुसंधान (और कई कंप्यूटर प्रोग्राम) गार्डों को प्रशिक्षित करने के लिए उन्हें 50 हथियार वाले प्रशंसकों और 50 बिना हथियार वाले प्रशंसकों को दिखाने की कोशिश करते हैं। यह एक प्रशिक्षण अभ्यास की तरह है जहाँ भीड़ का 50% हिस्सा बुरे लोग हैं। जब गार्ड इस परीक्षण को पास कर लेता है, तो वह एक हीरो की तरह दिखता है।

लेकिन वास्तविक दुनिया में, अनुपात 100,000 अच्छे लोगों के मुकाबले 1 बुरे व्यक्ति का होता है। यदि आप उस गार्ड का उपयोग करते हैं जिसे "50/50" परीक्षण पर प्रशिक्षित किया गया है, तो वह भ्रमित हो जाएगा। वे हर प्रशंसक पर "रुको!" चिल्लाना शुरू कर सकते हैं क्योंकि वे इतने आदी हो गए हैं कि भीड़ का आधा हिस्सा खतरनाक है। इसे अलर्ट फटीग (Alert Fatigue) कहा जाता है। गार्ड थक जाता है, ध्यान देना बंद कर देता है, और वास्तविक खतरे को मिस कर देता है।

यह पेपर तर्क देता है कि अधिकांश वर्तमान सुरक्षा प्रणालियाँ इन नकली, संतुलित परिदृश्यों पर प्रशिक्षित होती हैं और वास्तविक, अस्त-व्यस्त दुनिया का सामना करने में विफल रहती हैं जहाँ हमले सामान्य ट्रैफिक की तुलना में अविश्वसनीय रूप से दुर्लभ होते हैं।

समाधान: ST-HAE (द "साइलेंट ऑब्जर्वर")

लेखकों ने ST-HAE नामक एक नई प्रणाली बनाई है। यह सीखने की कोशिश करने के बजाय कि "बदमाश" कैसा दिखता है (जो असंभव है क्योंकि बदमाश हर दिन अपने कपड़े बदलते रहते हैं), यह प्रणाली सीखती है कि "अच्छा व्यक्ति" कैसा दिखता है।

ST-HAE को एक अति-सतर्क लाइब्रेरियन (पुस्तकालयाध्यक्ष) के रूप में सोचें जिसने एक शांत पुस्तकालय की सटीक आवाज़ को याद कर लिया है।

प्रशिक्षण: लाइब्रेरियन हफ्तों तक पुस्तकालय में बैठता है, केवल लोगों के फुसफुसाने, पन्ने पलटने और धीरे चलने की आवाज़ सुनता है। वे कभी भी चीख या लड़ाई नहीं सुनते। वे "सामान्य" (Normal) का एक आदर्श मानसिक मॉडल बनाते हैं।
डिटेक्शन (पता लगाना): जब कोई अंदर आता है और चिल्लाना या फर्नीचर तोड़ना शुरू कर देता है, तो लाइब्रेरियन को यह जानने की ज़रूरत नहीं होती कि वह कौन है या वह क्या कर रहा है। वे बस जानते हैं, "यह आवाज़ पुस्तकालय के अनुकूल नहीं है।" यह एक विसंगति (Anomaly) है।

चूंकि लाइब्रेरियन ने केवल पुस्तकालय का अध्ययन किया है, इसलिए वे किसी भी प्रकार के व्यवधान को पहचान सकते हैं, यहाँ तक कि एक नए प्रकार के शोर को भी जिसे उन्होंने पहले कभी नहीं सुना (एक "ज़ीरो-डे" हमला)।

यह कैसे काम करता है: दो-चरणीय नृत्य

प्रणाली डेटा को समझने के लिए एक विशेष मस्तिष्क संरचना का उपयोग करती है:

स्पेशियल एनकोडर (1D-CNN): कल्पना करें कि आप किसी व्यक्ति के चेहरे की एक तस्वीर देख रहे हैं। यह हिस्सा सभी विशेषताओं को एक साथ देखता है (आंखें, नाक, मुंह) यह देखने के लिए कि क्या वे सही ढंग से फिट बैठते हैं। नेटवर्क में, यह एक ही समय के क्षण को देखता है कि क्या डेटा पैकेट आपस में मेल खाते हैं।
टेम्पोरल एनकोडर (Bidirectional LSTM): यह "समय-यात्रा" करने वाला हिस्सा है। यह केवल एक स्नैपशॉट नहीं देखता; यह पूरी फिल्म देखता है। यह समझता है कि एक सामान्य बातचीत में, एक प्रश्न के बाद आमतौर पर एक उत्तर आता है। यदि सिस्टम देखता है कि एक प्रश्न से पहले उत्तर आ गया है, या बिना उत्तर के प्रश्न आ गया है, तो वह जानता है कि कुछ गलत है।
- "बायडायरेक्शनल" क्यों? यह कहानी को आगे और पीछे दोनों तरफ से देखता है। यह एक किताब पढ़ने और शुरुआत को समझने के लिए अंत को चेक करने जैसा है। यह सिस्टम को स्थिर रहने में मदद करता है और अजीब ट्रैफिक पैटर्न से भ्रमित होने से रोकता है।

परिणाम: यह पेपर क्यों महत्वपूर्ण है

लेखकों ने अपने "लाइब्रेरियन" का परीक्षण दो बहुत अलग, वास्तविक दुनिया के परिदृश्यों पर किया:

1. कंज्यूमर IoT टेस्ट (CIC-IoT 2023)

परिदृश्य: स्मार्ट होम डिवाइसेस (कैमरा, थर्मोस्टेट आदि) का एक विशाल नेटवर्क।
इम्बैलेंस (असंतुलन): डेटा के प्रत्येक 1 सामान्य पैकेट के लिए, 278.5 अटैक पैकेट थे। (क्या यह उल्टा लगता है? इस विशिष्ट परीक्षण में, हमलावर ट्रैफिक अत्यधिक था, जो एक बड़े DDoS फ्लड का अनुकरण कर रहा था)।
परिणाम: सिस्टम अविश्वसनीय रूप से सटीक था। 10,000 सामान्य उपकरणों में से, इसने केवल एक के लिए गलत अलार्म उठाया। यह शोर से अभिभूत नहीं हुआ।

2. मल्टी-आर्किटेक्चर टेस्ट (IoTMal-2026)

परिदृश्य: मालवेयर चला रहे विभिन्न प्रकार के कंप्यूटर चिप्स (ARM, MIPS, x86) का मिश्रण। यह एक गार्ड को चार अलग-अलग देशों की वर्दी पहने लोगों पर परीक्षण करने जैसा है।
इम्बैलेंस: प्रत्येक 1 सामान्य पैकेट के लिए, 9.6 अटैक पैकेट थे।
परिणाम: सिस्टम ने लगभग सभी खराब ट्रैफिक (95.77% सटीकता) को पकड़ लिया और सबसे महत्वपूर्ण बात यह है कि वह अलग-अलग "वर्दी" (चिप प्रकार) से भ्रमित नहीं हुआ। यह बिना दोबारा प्रशिक्षित हुए सभी पर समान रूप से काम कर सका।

"फॉल्स अलार्म" की जीत

सबसे महत्वपूर्ण निष्कर्ष फॉल्स अलार्म (गलत अलार्म) के बारे में है।

पुराने सिस्टम (जैसे "आइसोलेशन फॉरेस्ट") एक ऐसे गार्ड की तरह थे जो हर एक वास्तविक खतरे के लिए 10 बार "रुको!" चिल्लाते हैं।
ST-HAE ने पुराने सिस्टमों की तुलना में हर 10 बार के मुकाबले केवल 2 से 4 बार "रुको!" चिल्लाया।

इसका मतलब है कि मानव ऑपरेटर थकेंगे नहीं और अलार्म को अनदेखा नहीं करेंगे। वे सिस्टम पर भरोसा कर सकते हैं।

"ब्लैक बॉक्स" का लाभ

अधिकांश सुरक्षा प्रणालियाँ "सुपरवाइज्ड" होती हैं, जिसका अर्थ है कि उन्हें हर नए वायरस के उदाहरण दिखाने के लिए एक शिक्षक की आवश्यकता होती है। यदि कल कोई नया वायरस आता है, तो सिस्टम तब तक अंधा रहता है जब तक कि शिक्षक उसे अपडेट न कर दे।

ST-HAE अनसुपरवाइज्ड (Unsupervised) है। इसे शिक्षक की आवश्यकता नहीं है। इसे केवल यह जानने की आवश्यकता है कि "सामान्य" क्या है। यदि कोई बिल्कुल नया, पहले कभी न देखा गया वायरस आता है, तो भी सिस्टम उसे पहचान लेगा क्योंकि वह "सामान्य" पैटर्न में फिट नहीं बैठता है।

एक वाक्य में सारांश

लेखकों ने एक हल्का, स्मार्ट सुरक्षा सिस्टम बनाया है जो सीखता है कि इंटरनेट ट्रैफिक "सामान्य" कैसा दिखता है और शोर को अनदेखा करता है, जिससे यह डेटा के समुद्र में दुर्लभ, खतरनाक हमलों को पहचानने में सक्षम होता है, बिना भ्रमित हुए या गलत अलार्म दिए, भले ही डेटा विभिन्न प्रकार के उपकरणों से आ रहा हो।

तकनीकी सारांश: विषम IoT नेटवर्क में स्पैटियो-टेम्पोरल विसंगति का पता लगाने के लिए ST-HAE

1. समस्या विवरण

वर्तमान घुसपैठ पहचान प्रणाली (IDS) अनुसंधान मुख्य रूप से कृत्रिम रूप से संतुलित डेटासेट पर किया जाता है, जहाँ हमले और सामान्य ट्रैफ़िक को 50:50 के अनुपात में विभाजित किया जाता है। यह कार्यप्रणाली उस गंभीर प्रिसिजन लॉस (शुद्धता हानि) को छिपा देती है जो वास्तविक उत्पादन वातावरण (production environments) में होती है, जहाँ सामान्य-से-हमला पैकेट अनुपात अक्सर 100:1 से अधिक होता है। इसके अलावा, सुपरवाइज्ड क्लासिफायर ज़ीरो-डे हमलों या नए मालवेयर परिवारों के अनुकूल होने में विफल रहते हैं, और वे कई CPU आर्किटेक्चर (ARM, MIPS, MIPSEL, x86) वाले आधुनिक IoT नेटवर्क की विषमता (heterogeneity) के साथ संघर्ष करते हैं। मौजूदा अनसुपरवाइज्ड विधियों में अक्सर यथार्थवादी क्लास इम्बैलेंस के तहत कठोर सांख्यिकीय सत्यापन की कमी होती है और वे नेटवर्क ट्रैफ़िक की अनुक्रमिक, स्पैटियो-टेम्पोरल प्रकृति को पकड़ने में विफल रहती हैं।

2. कार्यप्रणाली: ST-HAE

लेखक ST-HAE (स्पैटियो-टेम्पोरल हाइब्रिड ऑटोएन्कोडर) प्रस्तावित करते हैं, जो एक अनसुपरवाइज्ड, लेबल-मुक्त घुसपैठ पहचान प्रणाली है जिसे अत्यधिक क्लास इम्बैलेंस के तहत काम करने के लिए डिज़ाइन किया गया है।

2.1 मुख्य आर्किटेक्चर

ST-HAE एक हल्का (lightweight) एनकोडर-डिकोडर मॉडल है जिसे विशेष रूप से सामान्य ट्रैफ़िक (benign traffic) पर प्रशिक्षित किया गया है। इसे प्रशिक्षण के दौरान हमले के लेबल की आवश्यकता नहीं होती है, जिससे ज़ीरो-डे विसंगतियों का पता लगाना संभव हो जाता है। आर्किटेक्चर में शामिल हैं:

स्पेशियल एनकोडर (1D-CNN): 32 फिल्टर्स (कर्नेल आकार 3) वाला एक कनवल्शनल लेयर और MaxPooling, जो नेटवर्क फ्लो रिकॉर्ड के भीतर इंटर-फीचर सहसंबंधों को कैप्चर करता है।
टेम्पोरल एनकोडर (Bidirectional LSTM): एक BiLSTM लेयर जिसमें प्रति दिशा 64 यूनिट्स हैं जो CNN आउटपुट को प्रोसेस करती है। यह वैध ट्रैफ़िक में निहित रिक्वेस्ट-रिस्पॉन्स सिमेट्री और अनुक्रमिक निर्भरता को कैप्चर करता है।
कंप्रेशन बॉटलनैक (Compression Bottleneck): आउटपुट को दो फुली कनेक्टेड लेयर्स के माध्यम से 16-डायमेंशनल लेटेंट कोड में संकुचित किया जाता है, जो सामान्य ट्रैफ़िक मैनिफोल्ड का एक संक्षिप्त प्रतिनिधित्व सुनिश्चित करता है।
असिमेट्रिक डिकोडर (Asymmetric Decoder): एक तीन-स्तरीय फुली कनेक्टेड डिकोडर मूल इनपुट वेक्टर को पुनर्गठित (reconstruct) करता है। डिकोडर को एनकोडर की तुलना में जानबूझकर उथला (shallower) रखा गया है ताकि पैरामीटर्स को कम किया जा सके (कुल 60,151 ट्रेन करने योग्य पैरामीटर्स), जो इसे एज गेटवे पर तैनाती के लिए उपयुक्त बनाता है।

2.2 प्रशिक्षण और पहचान तर्क

उद्देश्य: मॉडल सामान्य प्रशिक्षण विभाजन (benign training partition) पर मीन स्क्वेर्ड एरर (MSE) रिकंस्ट्रक्शन लॉस को कम करता है।
विसंगति स्कोरिंग (Anomaly Scoring): विसंगतियों का पता रिकंस्ट्रक्शन एरर ($RE $) के आधार पर लगाया जाता है। यदि$ RE(x) > \tau$ है, तो एक सैंपल को विसंगति के रूप में चिह्नित किया जाता है।
थ्रेशोल्ड कैलिब्रेशन: थ्रेशोल्ड $\tau$ को बेंगिन वैलिडेशन सेट से सांख्यिकीय रूप से प्राप्त किया जाता है: $\tau = \mu_{RE}^{(b)} + k \cdot \sigma_{RE}^{(b)}$ । मल्टीप्लायर $k$ को फॉल्स नेगेटिव (छूटे हुए घुसपैठ) बनाम फॉल्स पॉजिटिव (अलर्ट थकान) की एसिमेट्रिक लागतों को संतुलित करने के लिए निर्णय सिद्धांत (decision theory) के माध्यम से निर्धारित किया जाता है।
गॉसियनिटी (Gaussianity): यह विधि मानती है कि बेंगिन रिकंस्ट्रक्शन एरर गॉसियन वितरण का पालन करते हैं, जिसे एंडरसन-डार्लिंग टेस्ट के माध्यम से सत्यापित किया गया है।

2.3 मूल्यांकन प्रोटोकॉल

यह अध्ययन एक कठोर इम्बैलेंस्ड इवैल्यूएशन प्रोटोकॉल पेश करता है:

कोई सब-सैंपलिंग नहीं: पूरे अटैक पूल को बिना किसी सब-सैंपलिंग के परीक्षण के लिए सुरक्षित रखा गया है।
यथार्थवादी अनुपात: परीक्षण CIC-IoT 2023 (278.5:1) और IoTMal-2026 (9.6:1) के इम्बैलेंस रेश्यो पर किया जाता है।
सांख्यिकीय सत्यापन: स्थिरता और पुनरुत्पादकता (reproducibility) सुनिश्चित करने के लिए सभी परिणाम पांच स्वतंत्र रैंडम सीड्स के औसत ± मानक विचलन के रूप में रिपोर्ट किए गए हैं।

3. प्रमुख योगदान

पेपर सात प्राथमिक योगदानों को रेखांकित करता है:

इम्बैलेंस्ड इवैल्यूएशन प्रोटोकॉल: पूर्ण अटैक पूल्स और पांच-सीड वैलिडेशन का उपयोग करके एक पारदर्शी परीक्षण ढांचा (अनुपात 278.5× और 9.6×), जो वास्तविक तैनाती की स्थितियों को दर्शाता है।
ST-HAE मॉडल: एक 1D-CNN-BiLSTM ऑटोएन्कोडर जो केवल बेंगिन ट्रैफ़िक पर प्रशिक्षित है, जो एज डिवाइसेस के लिए उपयुक्त हल्के फुटप्रिंट के साथ ज़ीरो-डे डिटेक्शन में सक्षम है।
डिसाइज-थ्योरेटिक थ्रेशोल्डिंग: एक एसिमेट्रिक कॉस्ट मैट्रिक्स के आधार पर विसंगति संवेदनशीलता मल्टीप्लायर $k$ का औपचारिक व्युत्पत्ति।
टेम्पोरल एनकोडिंग एब्लेशन: व्यवस्थित तुलना जो दिखाती है कि बाइडायरेक्शनल एनकोडिंग, यूनिडायरेक्शनल एनकोडिंग की तुलना में, विशेष रूप से विषम वातावरण में, स्थिरता और सटीकता में काफी सुधार करती है।
क्रॉस-आर्किटेक्चर जनरलाइजेशन: मॉडल बिना किसी आर्किटेक्चर-विशिष्ट फाइन-ट्यूनिंग के ARM, MIPS, MIPSEL और x86 ट्रैफ़िक के लिए सामान्यीकृत होता है।
एक्सट्रीम इम्बैलेंस परफॉरमेंस: CIC-IoT 2023 डेटासेट पर 278.5:1 के इम्बैलेंस अनुपात के बावजूद 0.9999 की लगभग पूर्ण प्रिसिजन प्राप्त करना।
कठोर सांख्यिकीय सत्यापन: पूर्व साहित्य में सामान्य सिंगल-रन बेंचमार्क के विपरीत, पांच सीड्स के साथ मानक विचलन के साथ व्यापक रिपोर्टिंग।

4. प्रयोगात्मक परिणाम

मॉडल का मूल्यांकन दो डेटासेट पर किया गया: CIC-IoT 2023 (कंज्यूमर IoT) और IoTMal-2026 (मल्टी-आर्किटेक्चर मालवेयर)।

4.1 CIC-IoT 2023 पर प्रदर्शन (278.5× इम्बैलेंस)

प्रिसिजन (Precision): 0.9999 ± 0.0000
एक्यूरेसी (Accuracy): 97.88% ± 0.04%
रिकॉल (Recall): 97.89% ± 0.04%
फॉल्स अलार्म रेट (FAR): 2.73% ± 0.56%
महत्व: 10,000 में से 1 से भी कम बेंगिन पैकेट ने फॉल्स अलर्ट ट्रिगर किया, जो सीधे तौर पर ऑपरेटर अलर्ट थकान की समस्या को संबोधित करता है।

4.2 IoTMal-2026 पर प्रदर्शन (9.6× इम्बैलेंस)

एक्यूरेसी (Accuracy): 95.77% ± 0.05%
प्रिसिजन (Precision): 99.51% ± 0.04%
AUC: 0.9790 ± 0.0008
जनरलाइजेशन: बिना रिट्रेनिंग के चार अलग-अलग CPU आर्किटेक्चर (ARM, MIPS, MIPSEL, x86) में मालवेयर का सफलतापूर्वक पता लगाया।

4.3 बेसलाइन के साथ तुलना

अनसुपरवाइज्ड बेसलाइन्स के विरुद्ध: ST-HAE ने Isolation Forest और One-Class SVM की तुलना में CIC-IoT 2023 पर लगभग 2-गुना और IoTMal-2026 पर 4-गुना फॉल्स अलार्म रेट कम किया।
सुपरवाइज्ड बेसलाइन्स के विरुद्ध: जबकि सुपरवाइज्ड मॉडल्स (जैसे XGBoost) संतुलित स्प्लिट्स पर थोड़ी अधिक एक्यूरेसी दिखाते हैं, उनमें ज़ीरो-डे डिटेक्शन क्षमता की कमी होती है। ST-Hए इम्बैलेंस्ड सेटिंग्स में रिकॉल पर सुपरवाइज्ड मॉडल्स से बेहतर रहा और हमले के लेबल तक पहुंच के बिना उच्च प्रिसिजन बनाए रखा।
स्थिरता: यूनिडायरेक्शनल LSTM की तुलना में बाइडायरेक्शनल LSTM का उपयोग करने से विषम IoTMal-2026 डेटासेट पर सीड-टू-सीड एक्यूरेसी वेरिएंस में 16.8× की कमी आई, जो बेहतर डिप्लॉयमेंट स्थिरता का संकेत देता है।

4.4 इन्फरेंस स्पीड

NVIDIA Tesla T4 GPU पर, प्रति-सैंपल इन्फरेंस लेटेंसी 0.043 ms थी, जो एज गेटवे डिप्लॉयमेंट (अनुमानित >5,000 सैंपल्स/सेकंड ARM Cortex-A हार्डवेयर पर) के लिए व्यवहार्यता का सुझाव देती है।

5. महत्व और दावे

पेपर का तर्क है कि मूल्यांकन ही डिज़ाइन है। ST-HAE का प्राथमिक महत्व केवल इसके आर्किटेक्चर में नहीं है, बल्कि इस प्रदर्शन में है कि यथार्थवादी, अत्यधिक क्लास इम्बैलेंस स्थितियों के तहत उच्च-प्रिसिजन विसंगति का पता लगाना संभव है जहाँ पारंपरिक मेट्रिक्स विफल हो जाते हैं।

ऑपरेशनल बेसलाइन: परिणाम अनसुपरवाइज्ड डिटेक्शन के लिए एक नया ऑपरेशनल बेसलाइन स्थापित करते हैं, जो यह सिद्ध करते हैं कि जब हमला ट्रैफ़िक देखे गए पैकेटों का 99.64% होता है, तब भी प्रिसिजन को 1.0 के करीब बनाए रखा जा सकता है।
मीन एक्यूरेसी के ऊपर स्थिरता: लेखक यूनिडायरेशनल एनकोडिंग द्वारा प्राप्त 16.8× वेरिएंस में कमी को औसत एक्यूरी में मामूली लाभ की तुलना में अधिक महत्वपूर्ण बताते हैं, क्योंकि यह विभिन्न रैंडम इनिशियलाइजेशन के बीच सुसंगत प्रदर्शन सुनिश्चित करता है।
ज़ीरो-डे क्षमता: हमला हस्ताक्षरों (attack signatures) के बजाय नॉर्मैलिटी मॉडलिंग पर भरोसा करके, सिस्टम स्वाभाविक रूप से उस ज़ीरो-डे डिटेक्शन गैप को संबोधित करता है जो सुपरवाइज्ड दृष्टिकोणों को प्रभावित करता है।

लेखक निष्कर्ष निकालते हैं कि जबकि सुपरवाइज्ड मॉडल संतुलित बेंचमार्क पर उच्च कच्ची एक्यूरेसी प्राप्त कर सकते हैं, वे उत्पादन वातावरण के लिए भ्रामक हैं। ST-HAE एक मजबूत, अनसुपरवाइज्ड विकल्प प्रदान करता है जो निम्न फॉल्स अलार्म रेट और विषम IoT आर्किटेक्चर में जनरलाइजेशन को प्राथमिकता देता है।