基于在線(xiàn)學(xué)習(xí)的異常行為檢測(cè).pdf

1、隨著社會(huì)信息化程度地不斷發(fā)展，工業(yè)自動(dòng)化和智能化水平不斷提高，數(shù)據(jù)流作為一類(lèi)重要的數(shù)據(jù)來(lái)源，受到越來(lái)越多的關(guān)注。與傳統(tǒng)靜態(tài)數(shù)據(jù)不同，數(shù)據(jù)流具有動(dòng)態(tài)變化、無(wú)限增長(zhǎng)、到達(dá)速率不確定和高維度等特點(diǎn)。在數(shù)據(jù)流中隱藏著一些異常模式，例如機(jī)器故障、違規(guī)操作和惡意攻擊行為等，給財(cái)產(chǎn)、網(wǎng)絡(luò)和社會(huì)安全帶來(lái)極大的威脅。因此基于在線(xiàn)學(xué)習(xí)的異常行為檢測(cè)一直都是網(wǎng)絡(luò)安全、信用欺詐和金融分析領(lǐng)域關(guān)注的重點(diǎn)，極具理論意義和使用價(jià)值。本文主要研究了在數(shù)據(jù)流上，通過(guò)頻繁

2、模式發(fā)現(xiàn)異常點(diǎn)的問(wèn)題，其主要內(nèi)容包括基于頻繁模式的異常檢測(cè)方法和基于在線(xiàn)學(xué)習(xí)的異常檢測(cè)模型兩部分。
　　在基于頻繁模式的異常檢測(cè)方面，提出了新的異常度量因子——相對(duì)閉頻繁模式異常因子(Relative Closed Frequent Pattern Outlier Factor，簡(jiǎn)稱(chēng)RCFPOF)和相對(duì)抵觸因子(Relative Contradict-ness Factor，簡(jiǎn)稱(chēng)RCF)，并給出了基于閉頻繁模式集的異常檢測(cè)模型。該

3、模型通過(guò)計(jì)算頻繁模式中項(xiàng)的頻率來(lái)評(píng)估該項(xiàng)的重要程度；并通過(guò)引入RCFPOF和RCF將數(shù)據(jù)的原始特征映射到低維特征空間；同時(shí)采用閉頻繁模式極大地減少了頻繁模式的數(shù)量，避免了短頻繁模式帶來(lái)的重復(fù)計(jì)算問(wèn)題。在多個(gè)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該模型的準(zhǔn)確率要高于普通模型。
　　在基于在線(xiàn)學(xué)習(xí)的異常檢測(cè)方面，提出了在數(shù)據(jù)流下挖掘頻繁模式（FP-Miner）和基于頻繁模式發(fā)現(xiàn)異常點(diǎn)的方法（FPOOD）。該模型將數(shù)據(jù)流建模為一個(gè)隨時(shí)間延續(xù)而無(wú)限

4、增長(zhǎng)的動(dòng)態(tài)數(shù)據(jù)集合，基于滑動(dòng)窗口估計(jì)當(dāng)前事務(wù)可能產(chǎn)生的頻繁候選集；在頻繁候選集的數(shù)量達(dá)到臨界值時(shí)通過(guò)有效的剪枝策略移除不頻繁項(xiàng)，避免空間消耗；同時(shí)引入時(shí)間衰減函數(shù)，有效地處理概念漂移問(wèn)題。與處理靜態(tài)數(shù)據(jù)不同的是，我們?cè)试S在一定的錯(cuò)誤范圍內(nèi)得到該數(shù)據(jù)流的頻繁模式集。本文采用三組不同數(shù)據(jù)集對(duì)提出的方法進(jìn)行實(shí)際測(cè)試，實(shí)驗(yàn)結(jié)果表明該方法具有良好的實(shí)用性和有效性。
　　綜上所述，本文研究了基于閉頻繁模式的異常檢測(cè)算法，并結(jié)合在線(xiàn)學(xué)習(xí)領(lǐng)域，提