Técnica basada en aislamiento para mejorar la detección de valores atípicos en Redes de Sensores Inalámbricos de monitoreo ambiental

• Autor: Garcia Garcia, Julio Cesar
• Formato: tesis doctoral
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/25360
• Enlace del recurso: https://hdl.handle.net/20.500.12672/25360
• Nivel de acceso: acceso abierto
• Materia: Redes de sensores; Ingeniería de sistemas; Computación; Monitorización ambiental; https://purl.org/pe-repo/ocde/ford#2.07.04; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#1.02.01

Este trabajo presenta el desarrollo de una nueva técnica de detección de valores atípicos para redes de sensores inalámbricos (WSN) de monitoreo ambiental, denominada PVH-ADiForest (Percentage Variation and Histogram-based Adaptive Distributed Isolation Forest). La técnica propuesta aborda las limitaciones de los enfoques existentes mediante una adaptación distribuida del algoritmo Isolation Forest, incorporando el uso innovador de variaciones porcentuales, histogramas y ventanas deslizantes, además de un proceso online de tres fases que mejora significativamente el proceso de detección. La investigación se desarrolló siguiendo la metodología de Investigación en Ciencias del Diseño (DSRM), que permitió el diseño, implementación y validación exhaustiva de la técnica propuesta. PVH-ADiForest opera en una arquitectura jerárquica de tres niveles: nodos sensores que realizan la detección local, nodos de cabecera (cluster heads) que identifican la fuente de las anomalías y una estación base que recibe las notificaciones, alertas y alarmas para la toma de decisiones. Los resultados experimentales, basados en simulaciones con datos reales y sintéticos, demostraron que la técnica alcanza tasas de efectividad (ACC) superiores al 95% y tasas de falsos positivos (FPR) menores al 5%. La técnica mostró un rendimiento particularmente destacado en datos univariados y bivariados, superando a soluciones comparables como Isolation Forest original y AHIForest. Además, el análisis de complejidad confirmó que la técnica mantiene una complejidad computacional lineal y un uso eficiente de memoria, características cruciales para su implementación en entornos WSN con recursos limitados.