在线事件流分析：用于异常检测的下个活动预测
机器学习
2022-03-21 v1 数据库
摘要
过程挖掘中的异常检测聚焦于识别过程执行中的异常个案或事件。所得诊断用于提供防范欺诈行为的措施，并推导改进过程合规性与安全性的建议。多数现有技术聚焦于离线环境下检测异常个案。然而，为及时识别潜在异常并采取即时对策，有必要在在线、实时地检测事件级异常。本文中，我们提出利用下个活动预测方法解决在线事件异常检测问题。更具体地，我们研究使用 ML 模型（如 RF 与 XGBoost）与深度模型（如 LSTM）预测下个活动的概率，并将预测为不大可能的事件视为异常。我们在在线设定下将这些预测式异常检测方法与四种经典无监督异常检测途径（如孤立森林与 LOF）比较。我们的评估显示，使用 ML 模型的方法倾向于优于使用深度模型的方法，而两种方法在检测异常事件上均优于经典无监督途径。
引用
@article{arxiv.2203.09619,
title = {The Analysis of Online Event Streams: Predicting the Next Activity for Anomaly Detection},
author = {Suhwan Lee and Xixi Lu and Hajo A. Reijers},
journal= {arXiv preprint arXiv:2203.09619},
year = {2022}
}
备注
16 pages, 8 figures, Proceedings of the 16th International Conference on Research Challenges in Information Science (RCIS 2022)