SDOoop：流数据分析中周期性模式与异相异常的捕捉
机器学习
2024-09-06 v1
摘要
流数据分析在物联网、网络安全、机器人技术、机电一体化或信息物理系统等应用中的需求日益增长。尽管其相关性显著，但它仍是一个充满开放挑战的新兴领域。SDO 是一种近期提出的异常检测方法，旨在满足速度、可解释性和直观参数化的要求。在本工作中，我们提出了 SDOoop，它扩展了 SDO 流式版本的功能，以保留数据结构的时间信息。SDOoop 能够发现传统算法无法检测到的上下文异常，同时支持对数据几何、聚类和时间模式的检查。我们使用 SDOoop 对关键基础设施中的真实网络通信进行建模，并提取揭示其动态规律的模式。此外，我们使用来自入侵检测和自然科学领域的数据对 SDOoop 进行了评估，获得了与最先进方法相当或更优的性能。我们的结果表明，基于模型的新方法在分析和解释流数据方面具有巨大潜力。由于 SDOoop 以恒定的每样本空间和时间复杂度运行，它非常适合大数据，能够即时处理大量信息。SDOoop 契合下一代机器学习，后者除了准确性和速度外，还期望提供高度可解释且信息丰富的模型。
引用
@article{arxiv.2409.02973,
title = {SDOoop: Capturing Periodical Patterns and Out-of-phase Anomalies in Streaming Data Analysis},
author = {Alexander Hartl and Félix Iglesias Vázquez and Tanja Zseby},
journal= {arXiv preprint arXiv:2409.02973},
year = {2024}
}