Isconna：基于频率与模式的流式异常检测
机器学习
2021-12-02 v2 人工智能
摘要
边流是动态网络的一种常见表示形式。它可随时间演化，新的节点或边类型被持续加入。现有的异常检测方法依赖于边出现次数或比较历史记录中的模式片段。在本工作中，我们提出Isconna，其同时关注边记录的频率与模式。突发检测组件针对单个时间戳之间的异常，而模式检测组件突出跨时间戳段的异常。这两个组件共同产生三个中间分数，并被聚合成最终的异常分数。Isconna不主动探索或维护模式片段；而是度量边记录的连续出现与缺失。Isconna是一种在线算法，不保留边记录的原始信息；仅在几个count-min sketches (CMS)中维护统计值。Isconna的空间复杂度由两个用户指定参数即CMS的大小决定。最坏情况下，Isconna的时间复杂度可达，但在实践中可被均摊。实验表明，在六个多达2000万条边记录的真实数据集上，Isconna优于五种基于频率及/或模式的SOTA基线。
引用
@article{arxiv.2104.01632,
title = {Isconna: Streaming Anomaly Detection with Frequency and Patterns},
author = {Rui Liu and Siddharth Bhatia and Bryan Hooi},
journal= {arXiv preprint arXiv:2104.01632},
year = {2021}
}