基于深度学习的异常检测模型研究

发布时间：2021-04-25 08:13

　　异常检测的基本目标是区分出偏离整体数据特征的稀少数据,在现实中具有重要的研究意义和应用价值。随着大数据技术的蓬勃发展,数据的维数和数量都有了质的提升,传统的异常检测模型已经不能适应当下的异常检测需求,基于深度学习的异常检测模型逐渐成为研究热点。混合模型和生成模型是深度异常检测的主要模型。混合模型结合特征降维算法和传统异常检测算法,使得检测效率有所提升。生成模型通过学习生成训练数据进行表征学习,应用于高维数据空间中的异常检测。针对现有深度异常检测模型的优缺点,提出两个改进深度异常检测模型。论文主要工作如下:（1）.对深度异常检测相关工作的讨论和分析介绍了深度学习的发展现状,对深度学习在异常检测领域的相关技术进行了归纳总结。深入研究基于重构误差的异常检测技术和基于混合模型的异常检测技术,并分析了优势与不足。（2）.基于多粒度扫描和自编码器的异常检测模型首先提出随机超平面的隔离机制以改进孤立森林算法,提高对复杂数据模式中局部异常数据的检测能力。其次提出多粒度扫描机制进行特征选择,利用自编码器进行特征提取,构造出两个混合模型。最后在KDD99和P53Mutant数据集的实验评估中,混合模型提升... 

【文章来源】：河北大学河北省

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 异常检测概述
        1.1.1 研究背景和意义
        1.1.2 异常数据类型
        1.1.3 相关工作
        1.1.4 异常检测的难点
    1.2 深度学习概述
    1.3 研究内容
    1.4 本文结构
第二章 相关技术
    2.1 基于重构误差的深度异常检测技术
        2.1.1 自编码器
        2.1.2 变分自编码器
        2.1.3 生成对抗网络
        2.1.4 其他技术
        2.1.5 优势和不足
    2.2 基于混合模型的异常检测技术
        2.2.1 混合模型相关工作
        2.2.2 优势和不足
    2.3 相关技术对比分析
    2.4 本章小结
第三章 基于多粒度扫描和自编码器的异常检测模型
    3.1 隔离机制的问题与优化
        3.1.1 轴平行问题
        3.1.2 多维度随机超平面优化算法
    3.2 基于多粒度扫描的混合模型
        3.2.1 多粒度扫描机制
        3.2.2 基于多粒度扫描-孤立森林的混合模型
    3.3 基于自编码器特征提取的混合模型
        3.3.1 收缩自编码器
        3.3.2 基于自动编码器特征提取-孤立森林的混合模型
    3.4 实验结果与分析
        3.4.1 隔离机制实验对比
        3.4.2 模型性能实验对比
        3.4.3 异常检测实验结果与分析
    3.5 本章小结
第四章 基于优化对抗自编码器的异常检测模型
    4.1 对抗自编码器的不足
    4.2 基于“编码-解码-编码”对抗自编码器的异常检测模型
        4.2.1 模型架构
        4.2.2 优化策略
    4.3 实验结果与分析
        4.3.1 实验数据集
        4.3.2 实验环境
        4.3.3 与生成模型的对比与分析
        4.3.4 与混合模型的对比与分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读学位期间取得的研究成果


【参考文献】：
期刊论文
[1]基于密度偏倚抽样的局部距离异常检测方法[J]. 付培国,胡晓惠.  软件学报. 2017(10)
[2]染色体异常检测技术在产前诊断应用中的研究进展[J]. 谢文美,周凤娟,王强,赵小荣.  临床检验杂志. 2015(02)
[3]基于分布协作式代理的网络入侵检测技术的研究与实现[J]. 张勇,张德运,李胜磊.  计算机学报. 2001(07)



本文编号：3159041