基于密度的数据流异常检测算法研究

发布时间：2022-02-25 05:54

　　异常检测作为数据挖掘的重要研究热点之一,一直受到学术界的广泛关注。随着万物物联及硬件技术的飞速发展,数据正以更快的速度产生,异常检测所面临的数据形态已不只是数据量已知的静态数据集,还包括具有海量,实时和多变等特性的动态数据。本文针对现有数据流异常检测算法中存在的异常刻画不够准确和检测率低等问题开展研究,提出了两种有效的数据流异常检测算法。本文主要的研究内容如下:（1）针对传统角度异常因子模型构造复杂且对异常刻画不够准确等问题,提出了一种基于局部向量点积密度的数据流异常检测算法。首先,采用滑动窗口模型对流入的数据进行加窗处理,并计算当前窗口中各数据点的点积均值和局部向量点积密度;然后,运用局部向量点积密度对各数据点进行异常程度的度量,并基于最大斜率模型找出异常划分点;最后,根据异常划分点确定当前窗口中的候选异常点,并对当前候选异常点进行验证,将满足验证要求的候选异常点判定为真实异常点。与经典数据流异常检测算法相比,所提算法不仅能更好的适应数据流特性而且具有更高的检测率。（2）针对高维数据流中数据点稀疏性刻画困难以及异常检测率低等问题,提出了一种基于超立方体密度的数据流异常检测算法。该算法... 

【文章来源】：桂林电子科技大学广西壮族自治区

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    §1.1 本课题的研究背景与意义
    §1.2 数据流异常检测的国内外研究现状
        §1.2.1 静态异常检测算法研究现状
        §1.2.2 数据流异常检测算法研究现状
        §1.2.3 高维数据流异常检测算法研究现状
    §1.3 数据流异常检测关键问题
    §1.4 本文的主要创新点
    §1.5 本文主要工作和结构安排
第二章 数据流异常检测算法概述
    §2.1 基于滑动窗口的数据流处理技术
    §2.2 相关数据流异常检测算法
        §2.2.1 改进型增量LOF数据流异常检测算法
        §2.2.2 一种加权聚类的无监督混合数据流异常检测算法
        §2.2.3 基于角度的数据流异常检测算法
        §2.2.4 基于增强型角度异常因子的高维数据流异常检测算法
    §2.3 本文实验运行环境及数据集
        §2.3.1 实验运行环境
        §2.3.2 实验数据集
    §2.4 本章小结
第三章 基于局部向量点积密度的数据流异常检测算法
    §3.1 角度异常因子ABOF的优缺点分析
    §3.2 LDVP相关定义及验证
        §3.2.1 r邻域
        §3.2.2 点积均值
        §3.2.3 局部向量点积密度
        §3.2.4 局部向量点积密度的验证分析
    §3.3 基于局部向量点积密度的数据流异常检测算法实现
        §3.3.1 异常判决准则
        §3.3.2 异常检测阶段
        §3.3.3 参数ε和 λ的确定
    §3.4 实验结果分析
        §3.4.1 仿真数据集实验结果分析
        §3.4.2 UCI测试数据集实验结果分析
    §3.5 本章小结
第四章 基于超立方体密度的数据流异常检测算法
    §4.1 本算法研究的出发点
    §4.2 相关定义和计算
        §4.2.1 L邻域
        §4.2.2 超立方体密度和最小密度
        §4.2.3 超立方体直接密度可达
        §4.2.4 超立方体密度可达
        §4.2.5 超立方体密度相连
        §4.2.6 异常点和异常簇
        §4.2.7 重叠以及重叠累加值
    §4.3 基于超立方体密度的数据流异常检测算法实现
        §4.3.1 数据流处理阶段
        §4.3.2 异常检测阶段
        §4.3.3 候选异常点验证阶段
    §4.4 参数L和 MinDens的预估计
    §4.5 实验结果分析
        §4.5.1 仿真数据集验证实验结果分析
        §4.5.2 异常检测率和误判率实验结果分析
        §4.5.3 综合性能实验分析
    §4.6 本章小结
第五章 总结与展望
    §5.1 本文工作总结
    §5.2 展望
参考文献
致谢
作者在攻读硕士期间的主要研究成果



本文编号：3643822