Análisis del compromiso entre rendimiento y consumo energético en la detección de anomalías

Abstract

[Resumen]La detección de anomalías se enfrenta actualmente al reto de trabajar con conjuntos de datos cada vez más grandes y complejos. Aunque los métodos actuales permiten procesar ese mayor volumen de información, su aplicación puede implicar tiempos de ejecución y consumos energéticos elevados. Como consecuencia, la calidad predictiva ya no puede valorarse de forma aislada, también es necesario considerar los recursos empleados para alcanzar esos resultados. En este contexto, el presente trabajo estudia el equilibrio entre ambos aspectos tomando como principal caso de estudio LSHAD, un método basado en Locality Sensitive Hashing que aproxima las relaciones de vecindad y evita realizar comparaciones exhaustivas entre las observaciones. Para llevar a cabo el estudio, se emplearon once conjuntos de datos con diferentes características y niveles de dimensionalidad. En primer lugar, se analizan las variantes Detector y Reachability de LSHAD, de las cuales se selecciona Detector por presentar mejor equilibrio global entre capacidad predictiva y coste computacional. Posteriormente, se compara esta variante con los siguientes algoritmos: Passive Aggressive, Isolation Forest, SVM-R, Autoencoder y ADMNC. A partir de los resultados de esta comparación, se diseñan y evalúan distintas estrategias para optimizar LSHAD. La evaluación considera el área bajo la curva ROC (AUC), el tiempo de ejecución, el consumo energético y las emisiones de CO2 medidos mediante CodeCarbon, además de un índice que relaciona la calidad predictiva con la energía consumida. Los resultados muestran que no existe un único método que proporcione el mejor comportamiento en todos los escenarios, ya que su comportamiento varía según las características de los datos y la configuración utilizada. LSHAD obtiene resultados predictivos competitivos en varios conjuntos, aunque no supera de forma general a los métodos de referencia. Entre las optimizaciones propuestas, el ajuste automático de w mantiene un equilibrio favorable entre calidad predictiva y consumo de recursos en buena parte de los casos analizados. Por otro lado, la selección adaptativa con presupuesto temporal reduce los recursos destinados a la búsqueda de configuraciones, con resultados especialmente favorables en los conjuntos de mayor tamaño. A partir de los patrones observados, se ofrece una guía práctica para facilitar la elección inicial de una estrategia en función de las propiedades de los datos. Sus indicaciones deben interpretarse como criterios orientativos, pues sintetizan las tendencias identificadas durante la experimentación. En conjunto, el trabajo evidencia que la eficiencia de un sistema de detección de anomalías no depende únicamente del algoritmo seleccionado, sino también de comprender las características de los datos y la influencia de su configuración ya que decisiones de ajuste aparentemente sencillas pueden generar mejoras significativas sin comprometer la capacidad predictiva.[Abstract] Anomaly detection currently faces the challenge of dealing with increasingly large and complex datasets. Although current methods are capable of processing this growing volumen of information, their application may involve high execution times and energy consumption. Consequently, predictive quality can no longer be assessed in isolation; the resources required to achieve such results must also be considered. In this context, this work studies the tradeoff between these two aspects, using LSHAD as the main case study. LSHAD is a method based on Locality-Sensitive Hashing that approximates neighbourhood relationships while avoiding exhaustive comparisons between observations. To carry out the study, eleven datasets with different characteristics and levels of dimensionality were used. First, the Detector and Reachability variants of LSHAD are analysed, with Detector being selected because it provides a better overall balance between predictive performance and computational cost. This variant is then compared with the following algorithms: PA-I, Isolation Forest, SVM-R, Autoencoder, and ADMNC. Based on the results of this comparison, several strategies are designed and evaluated to optimise LSHAD. The evaluation considers the area under the ROC curve (AUC), execution time, energy consumption, and CO2 emissions measured using CodeCarbon, as well as an index that relates predictive quality to the energy consumed. The results show that there is no single method that provides the best performance in every scenario, as its behaviour varies depending on the characteristics of the data and the configuration used. LSHAD achieves competitive predictive results on several datasets, although it does not generally outperform the reference methods. Among the proposed optimisations, the automatic tuning of w maintains a favourable balance between predictive quality and resource consumption in a large proportion of the cases analysed. In addition, adaptive selection with a time budget reduces the resources devoted to searching for configurations, with particularly favourable results on the largest datasets. Based on the observed patterns, a practical guide is provided to facilitate the initial selection of a strategy according to the properties of the data. Its recommendations should be regarded as general guidelines, as they summarise the trends identified during the experimental evaluation. Overall, this work shows that the efficiency of an anomaly detection system depends not only on the algorithm selected, but also on understanding the characteristics of the data and the influence of its configuration, since seemingly simple tuning decisions can lead to significant improvements without compromising predictive performance.