时间异常检测：校准惊奇度
密码学与安全
2019-08-13 v2 机器学习
摘要
我们提出了一种用于用户数据库访问数据——或更一般地，任何类型的主体-客体共现数据——时间异常检测的混合方法。我们考虑了一种在测试时也需要快速计算的高维设定。我们的方法基于单一平稳模型来识别异常，而不是需要完整的时序模型，后者在此设定下是不可行的。我们从训练数据中学习一个低秩平稳模型，然后拟合一个回归模型来预测未来正常访问模式的期望似然得分。预测的似然得分与观测得分之间的差异被用于评估测试时的“惊奇度”。该方法能够校准异常得分，使得时变的正常行为模式不被视为异常。我们提供了算法的详细描述，包括收敛性分析，并报告了令人鼓舞的实证结果。我们测试的数据集之一 TDA 对公共领域是全新的。它由来自一个实际系统的两个月的数据库访问记录组成。我们的代码可在 https://github.com/eyalgut/TLR_anomaly_detection.git 公开获取。TDA 数据集可在 https://www.kaggle.com/eyalgut/binary-traffic-matrices 获取。
引用
@article{arxiv.1705.10085,
title = {Temporal anomaly detection: calibrating the surprise},
author = {Eyal Gutflaish and Aryeh Kontorovich and Sivan Sabato and Ofer Biller and Oded Sofer},
journal= {arXiv preprint arXiv:1705.10085},
year = {2019}
}
备注
AAAI-19