ANDREA SCIUTO 

APPLICABILITÀ DI TECNICHE DI MULTI-SENSOR DATA FUSION ALL’INTRUSION DETECTION:

STUDIO ED ANALISI SIMULATIVA

Relatori: Chia.mo Prof. Alfio Lombardo Ing. Mario Barbera

TesiAndreaSciuto.pptx

……o Sistema di sorveglianza intelligente?o Sistema di sorveglianza intelligente?

Data FusionData Fusion“…combine data from multiple sensors, and related information from associated databases, to achieve improved accuracy and more specific inferences that could be achieved by the use of a single sensor alone” (D.L. Hall, J. Llinas)

• Sorveglianza di ambienti

• Monitoraggio della salute della persona

• Applicazioni militari

• Navigazione di robot

Alcuni esempi…Alcuni esempi…

Architettura di un processo di Data FusionArchitettura di un processo di Data Fusion

• Fusione a basso livelloFusione a basso livello – Le misure provenienti dai sensori vengono fuse utilizzando le classiche tecniche di stima ed elaborazione dei dati

• Signal-Level Fusion.• Pixel-Level Fusion.

• Fusione a livello misto Fusione a livello misto – Le caratteristiche descrittive estratte dai sensori e rappresentanti fenomeni fisici simili e non, sono combinate in vettori di caratteristiche, che possono essere elaborati usando metodi di Pattern recognition

• Fusione ad alto livello Fusione ad alto livello – I simboli estratti dalle precedenti decisioni ed elaborazioni sensoriali vengono fusi al più alto livello di astrazione. Le informazioni in gioco spesso provengono da regioni dell’ambiente molto diverse

DatiDati

VariabiliVariabili

Dati/VariabiliDati/Variabili

Dati/Dati/VariabiliVariabili

VariabilVariabilii

VariabiliVariabili

Fusione a livello Fusione a livello mistomisto

Fusione ad alto Fusione ad alto livellolivello

Fusione a basso Fusione a basso livellolivello

Tecniche di Fusione ad alto livelloTecniche di Fusione ad alto livello

VariabilVariabilii

VariabiliVariabiliFusione ad alto Fusione ad alto livellolivello

• Inferenza classica e Bayesiana

• Logica Fuzzy

• Reti Neurali Artificiali (ANN)

• Voting Fusion

• Teoria dell’evidenza di Dempster-Shafer

Teoria dell’evidenza di Dempster-ShaferTeoria dell’evidenza di Dempster-Shafer

• Supporto e Plausibilità definiscono l’ “Intervallo di credibilità” che quantifica il grado informativo di un evento

• Si definisce Power Set un insieme di ipotesi non necessariamente esaustivi e mutuamente esclusivi attraverso le quali viene manifestata la conoscenza• Si definisce Mass of evidence una funzione per mezzo della quale è possibile operare all’interno del Power Set

• Date due mass of evidence relative ad informazioni sensoriali differenti è possibile ricavare la massa fusa utilizando la regola di combinazione di Dempster:

Caso di studio: Applicazione di Caso di studio: Applicazione di Intrusion DetectionIntrusion Detection

E’ stato realizzato un software per simulare E’ stato realizzato un software per simulare eventi dannosi e falsi allarmi…eventi dannosi e falsi allarmi…

Scenario 1: Intruso Rumoroso in MovimentoScenario 1: Intruso Rumoroso in Movimento

Caso A: Nessun Caso A: Nessun rumore di misurarumore di misura

Soglia

Scenario 1: Intruso Rumoroso in MovimentoScenario 1: Intruso Rumoroso in Movimento

Caso B: rumore di Caso B: rumore di misura Gaussiano a misura Gaussiano a media nulla e media nulla e deviazione standard deviazione standard variabilevariabile

Scenario 2: Rumore Ambientale e Corrente Scenario 2: Rumore Ambientale e Corrente d’aria caldad’aria calda

Caso A: Nessun Caso A: Nessun rumore di misurarumore di misura

Intruso Rumoroso in Movimento

Rumore Ambientale e Corrente d’aria calda

Scenario 2: Rumore Ambientale e Corrente Scenario 2: Rumore Ambientale e Corrente d’aria caldad’aria calda

Caso B: rumore di Caso B: rumore di misura Gaussiano a misura Gaussiano a media nulla e media nulla e deviazione standard deviazione standard variabilevariabile

Scenario 3: Distribuzioni sparse di caloreScenario 3: Distribuzioni sparse di calore

Caso A: Nessun Caso A: Nessun rumore di misurarumore di misura

Intruso Rumoroso in Movimento

Distribuzioni sparse di calore

Scenario 3: Distribuzioni sparse di caloreScenario 3: Distribuzioni sparse di calore

Caso B: rumore di Caso B: rumore di misura Gaussiano a misura Gaussiano a media nulla e media nulla e deviazione standard deviazione standard variabilevariabile

Scenario 4: Condizione di test in assenza di bersagliScenario 4: Condizione di test in assenza di bersagli

Caso A: Nessun Caso A: Nessun rumore di misurarumore di misura

Intruso Rumoroso in Movimento

Condizione di test in assenza di bersagli

Scenario 4: Condizione di test in assenza di bersagliScenario 4: Condizione di test in assenza di bersagli

Caso B: rumore di Caso B: rumore di misura Gaussiano a misura Gaussiano a media nulla e media nulla e deviazione standard deviazione standard variabilevariabile

ConclusioniConclusioni• Le simulazioni realizzate ed i risultati raggiunti consentono di affermare che la metodologia di fusione adottata si presta ottimamente allo sviluppo di applicazioni pratiche di sorveglianza

• Integrazione del motore di fusione in un sistema di video sorveglianza basato su IP camere

Sviluppi futuri…Sviluppi futuri…

• Sviluppo del software in piattaforma .Net

• L’utilizzo di questa metodologia di fusione permette di ridurre notevolmente il numero di falsi allarmi