面向复杂演化数据流的在线深度异常检测自适应模型池化方法

来自数据流的在线异常检测对许多应用的安全性和保障性至关重要，但由于来自物联网设备和基于云的基础设施的数据流复杂且不断演化，其面临严峻挑战。遗憾的是，现有方法难以应对这些挑战；在线异常检测方法背负着处理复杂性的负担，而离线深度异常检测方法则受困于演化的数据分布。本文提出一种在线深度异常检测框架 ARCUS，其可由任何基于自编码器的深度异常检测方法实例化。它采用带有两种新技术的自适应模型池化方法来处理复杂且演化的数据流：概念驱动推理和漂移感知模型池更新；前者以最适合该复杂性的模型组合检测异常，后者动态适配模型池以拟合演化的数据流。在十个兼具高维和概念漂移的数据集上的综合实验中，ARCUS 将最先进的基于自编码器的方法的流式变体以及最先进的流式异常检测方法的异常检测准确率分别提升了高达 22% 和 37%。