异构张量流的多维度矿掘与异常检测

由时间戳和多个属性（如通信日志的时间、IP 地址、数据包长度）构成的事件张量流分析与异常检测是数据挖掘中的重要任务。虽然现有的张量分解和异常检测方法提供了有用见解，但存在两个局限性。(i)它们无法处理由类别属性（如 IP 地址）和连续属性（如数据包长度）混合构成的异构张量流。通常需要将连续属性离散化或将类别属性视为连续变量，这会扭曲数据 underlying statistical properties。此外，对连续属性分布族不正确的假设常会降低模型性能。(ii)它们对时间戳进行离散化，无法追踪流的时序动态（如趋势、异常事件），因此在检测称为“组异常”（如 DoS 攻击）的群体级异常方面效果不佳。为解决这些挑战，我们提出了 HeteroComp 方法，通过持续对异构张量流进行“组件”（components）求和，将其概括为表示每个属性中潜在组及其时序动态的“组件”，并实现组异常检测。该方法采用高斯过程先验来建模连续属性和时序动态的未知分布，直接从数据中估计概率密度。提取的组件虽简却有效，使组异常检测准确。大量实验表明，HeteroComp 在组异常检测准确率上优于最新算法，且其计算时间与数据流长度无关。