با توجه به اینکه بیش از ۷۰ درصد سطح زمین را آب پوشانده است، جمعآوری اطلاعات از منابع زیرآبی مانند دریاها و اقیانوسها اهمیت زیادی دارد. این وظیفه توسط اینترنت اشیا زیرآب انجام می شود که به مدیریت و پیکربندی محیطهای زیرآبی کمک میکند. محیط زیرآب، به دلیل ویژگیهای خاص خود، نیازمند تأمین انرژی از طریق باتری است که به دلیل عدم امکان تجدید انرژی و محدودیت ظرفیت باتری، عملکرد اینترنت اشیا زیرآب با اتمام انرژی مختل میشود. همچنین، استفاده از امواج صوتی برای انتقال اطلاعات در زیرآب، به دلیل برد بالا ی آنها، نیازمند انرژی بیشتری است. این مسائل باعث شده که مصرف انرژی به یکی از چالشهای اصلی اینترنت اشیازیرآب و شبکههای حسگر بیسیم زیرآب تبدیل شود. شبکههای حسگر بیسیم زیرآب نیز به عنوان زیرمجموعه اصلی اینترنت اشیا زیرآب مطرح هستند. شبکه های حسگر بی سیم زیر آب با محدودیت های رسانه ارتباط صوتی زیربنایی، مصرف انرژی بالا، کمبود منابع سخت افزاری برای اجرای وظایف محاسباتی فشرده مشخص می شوند. این ویژگی ها این نوع شبکه ها را در برابر حملات مختلف، مانند حملات سیل آسا سلام، کرم چاله، پارازیت، جعل و انکار سرویس ( DoS (آسیب پذیر می کند. در یک حمله سیلابی سلام، گره دشمن در یک شبکه IOUT بستههای HELLO متعددی را به گرههای قانونی ارسال میکند تا باتری آنها تمام شود. در این حالت، گره حریف با ارسال سیگنال با شدت بالا، گره قانونی را متقاعد می کند. بنابراین، گره قانونی، گره دشمن را به عنوان گره همسایه فرض می کند و داده ها را انتقال می دهد. در واقع باعث قطع برق و کاهش طول عمر شبکه می شود.سیستمهای تشخیص نفوذ مبتنی بر ناهنجاری به عنوان یکی از روشهای مهم در حوزه امنیت شبکهها استفاده میشوند. این سیستمها بر اساس تحلیل رفتارهای ناهنجار و غیرعادی در شبکههاو سیستمها عمل میکنند تا به تشخیص و جلوگیری از حملات کمک کنند. این تحلیل شامل شناسایی الگوهای غیرمعمول و ناهنجار است که ممکن است نشانه وقوع حمله باشند. روشهای مختلفی برای تشخیص ناهنجاری در دادهها وجود دارد که به طور کلی به دو دسته روشهای مبتنی بر الگو و روشهای مبتنی بر آمار تقسیم میشوند.روشهای مبتنی بر آمار در تشخیص ناهنجاری از مدلهای آماری برای شناسایی نقاط دادهای که از الگوی کلی دادهها انحراف دارند، استفاده میکنند. این روشها بر این فرض استوار هستند که نقاط داده عادی از یک توزیع آماری شناخته شده پیروی میکنند، در حالی که نقاط داده ناهنجار از یک توزیع منحرف شده استفاده می کند. روشهای آماری برای تشخیص ناهنجاری و تشخیص حمله مزایای متعددی دارند، از آن جمله می توان به سادگی و کارایی، انعطافپذیری، قابلیت تفسیر ، توانایی تشخیص انواع مختلف ناهنجاری، قابلیت شناسایی حملات ناشناخته، قابلیت شناسایی حملات پیچیده، قابلیت سازگاری با تغییرات در الگوهای ترافیک را نام برد. جمع تجمعی( CUSUM ( به عنوان یک روش آماری قدرتمند برای تشخیص ناهنجاری در دادهها شناخته میشود. این روش از یک آماره برای ردیابی انحرافات تجمعی از یک میانگین مرجع استفاده میکند.
