Big Data Platform for Smart Grids Power Consumption Anomaly Detection
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14610%2F19%3A00110103" target="_blank" >RIV/00216224:14610/19:00110103 - isvavai.cz</a>
Výsledek na webu
<a href="https://ieeexplore.ieee.org/document/8859779" target="_blank" >https://ieeexplore.ieee.org/document/8859779</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.15439/2019F210" target="_blank" >10.15439/2019F210</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Big Data Platform for Smart Grids Power Consumption Anomaly Detection
Popis výsledku v původním jazyce
Big data processing in the Smart Grid context has many large-scale applications that require real-time data analysis (e.g., intrusion and data injection attacks detection, electric device health monitoring). In this paper, we present a big data platform for anomaly detection of power consumption data. The platform is based on an ingestion layer with data densification options, Apache Flink as part of the speed layer and HDFS/KairosDB as data storage layers. We showcase the application of the platform to a scenario of power consumption anomaly detection, benchmarking different alternative frameworks used at the speed layer level (Flink, Storm, Spark).
Název v anglickém jazyce
Big Data Platform for Smart Grids Power Consumption Anomaly Detection
Popis výsledku anglicky
Big data processing in the Smart Grid context has many large-scale applications that require real-time data analysis (e.g., intrusion and data injection attacks detection, electric device health monitoring). In this paper, we present a big data platform for anomaly detection of power consumption data. The platform is based on an ingestion layer with data densification options, Apache Flink as part of the speed layer and HDFS/KairosDB as data storage layers. We showcase the application of the platform to a scenario of power consumption anomaly detection, benchmarking different alternative frameworks used at the speed layer level (Flink, Storm, Spark).
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 2019 Federated Conference on Computer Science and Information Systems
ISBN
9781538680056
ISSN
—
e-ISSN
2300-5963
Počet stran výsledku
10
Strana od-do
771-780
Název nakladatele
IEEE
Místo vydání
New York
Místo konání akce
Leipzig, GERMANY
Datum konání akce
1. 1. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000591782800108