基于在線學(xué)習(xí)的異常行為檢測.pdf

1、隨著社會信息化程度地不斷發(fā)展，工業(yè)自動化和智能化水平不斷提高，數(shù)據(jù)流作為一類重要的數(shù)據(jù)來源，受到越來越多的關(guān)注。與傳統(tǒng)靜態(tài)數(shù)據(jù)不同，數(shù)據(jù)流具有動態(tài)變化、無限增長、到達(dá)速率不確定和高維度等特點。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，給財產(chǎn)、網(wǎng)絡(luò)和社會安全帶來極大的威脅。因此基于在線學(xué)習(xí)的異常行為檢測一直都是網(wǎng)絡(luò)安全、信用欺詐和金融分析領(lǐng)域關(guān)注的重點，極具理論意義和使用價值。本文主要研究了在數(shù)據(jù)流上，通過頻繁

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

3、模型通過計算頻繁模式中項的頻率來評估該項的重要程度；并通過引入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的重復(fù)計算問題。在多個真實數(shù)據(jù)集上的實驗結(jié)果表明，該模型的準(zhǔn)確率要高于普通模型。
　　在基于在線學(xué)習(xí)的異常檢測方面，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)異常點的方法（FPOOD）。該模型將數(shù)據(jù)流建模為一個隨時間延續(xù)而無限

4、增長的動態(tài)數(shù)據(jù)集合，基于滑動窗口估計當(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)到臨界值時通過有效的剪枝策略移除不頻繁項，避免空間消耗；同時引入時間衰減函數(shù)，有效地處理概念漂移問題。與處理靜態(tài)數(shù)據(jù)不同的是，我們允許在一定的錯誤范圍內(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)集對提出的方法進(jìn)行實際測試，實驗結(jié)果表明該方法具有良好的實用性和有效性。
　　綜上所述，本文研究了基于閉頻繁模式的異常檢測算法，并結(jié)合在線學(xué)習(xí)領(lǐng)域，提