基于HMM度量似然分析的异常检测
机器学习
2020-09-22 v2 机器学习
摘要
本文描述了一种新方法——HMM度量似然分析（GLA），利用隐马尔可夫模型与聚类检测离散时间序列中的异常。该方法的核心在于子序列的比较。为此，首先使用Baum-Welch算法将它们分配给各自的隐马尔可夫模型。接着，这些模型由其定义的概率分布的近似表示来描述。最后，借助某种聚类技术或其他离群点检测工具分析该表示，从而检测出异常。显然，HMM可被其他适当模型替代，例如某些动态贝叶斯网络。我们的学习算法是无监督的，因此不需要大量数据的标注。通过将该方法应用于合成与真实世界syslog数据，展示了其实用性。
引用
@article{arxiv.1906.06134,
title = {Anomaly Detection with HMM Gauge Likelihood Analysis},
author = {Boris Lorbeer and Tanja Deutsch and Peter Ruppel and Axel Küpper},
journal= {arXiv preprint arXiv:1906.06134},
year = {2020}
}
备注
published in proceedings: 2019 IEEE Fifth International Conference on Big Data Computing Service and Applications (BigDataService)