论实时流数据异常检测技术的运行时与效能权衡
机器学习
2017-10-16 v1 信息检索
机器学习
信号处理
摘要
数据量和速度的持续增长，加上终端用户注意力持续时间的缩短，凸显了对实时分析的迫切需求。在此方面，异常检测作为一项应用以及验证数据保真度的手段发挥着关键作用。尽管异常检测这一主题已在天文学、统计学、制造学、计量经济学、市场营销等众多学科中研究了超过100年，但现有的大多数技术无法直接应用于实时数据流。此外，缺乏在生产数据集上对性能（包括实时性和准确性）的刻画，使得模型选择极具挑战性。为此，我们针对实时流数据，对异常检测技术进行了深入分析。鉴于对实时性和准确性的要求，本文所呈现的分析可作为选择“最佳”异常检测技术的指南。据我们所知，这是首次使用涵盖广泛应用领域的生产数据集，对在极其多样化的领域中提出的异常检测技术进行性能刻画。
引用
@article{arxiv.1710.04735,
title = {On the Runtime-Efficacy Trade-off of Anomaly Detection Techniques for Real-Time Streaming Data},
author = {Dhruv Choudhary and Arun Kejariwal and Francois Orsini},
journal= {arXiv preprint arXiv:1710.04735},
year = {2017}
}
备注
12 pages