A Comparative study of anomaly detection techniques for smart city wireless sensor networks

Abstract

In many countries around the world, smart cities are becoming a reality. These cities contribute to improving citizens' quality of life by providing services that are normally based on data extracted from wireless sensor networks (WSN) and other elements of the Internet of Things. Additionally, public administration uses these smart city data to increase its efficiency, to reduce costs and to provide additional services. However, the information received at smart city data centers is not always accurate, because WSNs are sometimes prone to error and are exposed to physical and computer attacks. In this article, we use real data from the smart city of Barcelona to simulate WSNs and implement typical attacks. Then, we compare frequently used anomaly detection techniques to disclose these attacks. We evaluate the algorithms under different requirements on the available network status information. As a result of this study, we conclude that one-class Support Vector Machines is the most appropriate technique. We achieve a true positive rate at least 56% higher than the rates achieved with the other compared techniques in a scenario with a maximum false positive rate of 5% and a 26% higher in a scenario with a false positive rate of 15%.

En muchos países de todo el mundo, las ciudades inteligentes se están convirtiendo en una realidad. Estas ciudades contribuyen a mejorar la calidad de vida de los ciudadanos mediante la prestación de servicios que normalmente se basan en los datos extraídos de las redes inalámbricas de sensores (WSN) y otros elementos del Internet de los objetos. Adicionalmente, la administración pública utiliza estos datos inteligentes de la ciudad para aumentar su eficiencia, reducir costes y proporcionar servicios adicionales. Sin embargo, la información recibida en los centros de datos inteligentes de la ciudad no siempre es exacta, porque a veces los WSN son propensos al error y están expuestos a ataques físicos e informáticos. En este artículo, se utilizan los datos reales de la ciudad inteligente de Barcelona para simular redes inalámbricas de sensores y ejecutar ataques típicos. A continuación, se comparan con frecuencia utilizamos técnicas de detección de anomalías para revelar estos ataques. Evaluamos los algoritmos bajo diferentes requisitos sobre la información de estado de la red disponible. Como resultado de este estudio, se concluye que el apoyo de una sola clase de máquinas de vectores es la técnica más apropiada. Logramos una verdadera tasa positiva al menos 56% más alta que las tasas logradas con las otras técnicas de comparación en un escenario con una tasa de falsos positivos máximo del 5% y un 26% más alto en un escenario con una tasa de falsos positivos del 15%.

En molts països de tot el món, les ciutats intel·ligents s'estan convertint en una realitat. Aquestes ciutats contribueixen a millorar la qualitat de vida dels ciutadans mitjançant la prestació de serveis que normalment es basen en les dades extretes de les xarxes sense fils de sensors (WSN) i altres elements de l'Internet dels objectes. Addicionalment, l'administració pública utilitza aquestes dades intel·ligents de la ciutat per augmentar la seva eficiència, reduir costos i proporcionar serveis addicionals. No obstant això, la informació rebuda en els centres de dades intel·ligents de la ciutat no sempre és exacta, perquè de vegades els WSN són propensos a l'error i estan exposats a atacs físics i informàtics. En aquest article, s'utilitzen les dades reals de la ciutat intel·ligent de Barcelona per simular xarxes sense fils de sensors i executar atacs típics. A continuació, es comparen amb freqüència utilitzem tècniques de detecció d'anomalies per revelar aquests atacs. Avaluem els algoritmes sota diferents requisits sobre la informació d'estat de la xarxa disponible. Com a resultat d'aquest estudi, es conclou que el suport d'una sola classe de màquines de vectors és la tècnica més apropiada. Vam aconseguir una veritable taxa positiva almenys el 56% més alta que les taxes aconseguides amb les altres tècniques de comparació en un escenari amb una taxa de falsos positius màxim del 5% i un 26% més alt en un escenari amb una taxa de falsos positius del 15%.