参数空间下的流式大数据在线异常检测算法研究

发布时间：2021-12-19 02:09

　　近年来,社交网络、基于位置的在线服务、移动支付、交通监控以及各种手机应用中产生了海量的高速实时数据流,从这些高速数据流中快速高效地检测出复杂异常状况已被许多领域认为是至关重要的。在很多复杂应用环境下,由于不同需求,不同参数设定的异常状况往往需要同时被实时监控,这对快速的检测查询响应带来了较大挑战。因此,本文针对移动社交网络中用户异常签到,以及参数空间下的流式多异常检测问题,做出了如下工作:针对移动社交网络中用户异常签到位置检测问题,提出了一类基于用户移动行为特征的异常签到在线检测方法。首先,在基于距离的异常模型基础上,提出了基于历史位置（H-Outlier）和基于好友圈（F-Outlier）两种异常签到模型;然后,针对H-Outlier,提出了一种优化的检测算法H-Opt,利用所提的签到状态模型与优化的邻居搜索机制降低检测时间;针对F-Outlier,提出了一种基于触发的优化检测算法F-Opt,将连续的在线异常检测转化成了基于触发的异常检测方式。最后,在真实的移动社交网络用户签到数据集上,验证了所提算法的有效性。实验结果显示,F-Opt显著降低了H-Opt的异常检测错误率;同时,相比于... 

【文章来源】：烟台大学山东省

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究意义
    1.2 研究思路与创新点
    1.3 研究内容与组织结构
2 异常检测算法综述
    2.1 在静态数据中基于距离的异常检测
    2.2 在数据流中基于距离的异常检测
    2.3 多查询的异常检测
3 移动社交网络异常签到在线检测算法
    3.1 引言
    3.2 问题定义
    3.3 基于历史位置的异常签到检测算法
        3.3.1 优化策略
        3.3.2 H-Outlier在线检测算法
        3.3.3 基于好友圈的异常签到检测算法
    3.4 实验与结果
        3.4.1 实验数据与测试方法
        3.4.2 有效性评估
        3.4.3 效率评估
    3.5 小结
4 参数空间下的流式大数据在线异常检测框架
    4.1 引言
    4.2 问题定义
    4.3 异常检测框架
        4.3.1 在参数空间R×K中的异常检测
        4.3.2 在参数空间R×K×W中的异常检测
        4.3.3 在参数空间R×K×S中的异常检测
        4.3.4 针对异常检测的PSOD框架
    4.4 实验数据与实验方法
        4.4.1 不同参数空间的性能
        4.4.2 不同参数规模的性能
    4.5 小结
5 实际应用分析讨论
    5.1 引言
    5.2 信用卡欺诈检测
    5.3 出租车欺诈检测
    5.4 异常签到检测
6 总结与展望
参考文献
致谢
攻读硕士期间发表的论文
附录一 表目录
附录二 图目录


【参考文献】：
期刊论文
[1]《大数据产业发展规划（2016—2020年）》发布[J]. 阮健.  工程建设标准化. 2017(03)
[2]在线社交网络中异常帐号检测方法研究[J]. 张玉清,吕少卿,范丹.  计算机学报. 2015(10)
[3]基于群体特征的社交僵尸网络检测方法[J]. 倪平,张玉清,闻观行,刘奇旭,范丹.  中国科学院大学学报. 2014(05)
[4]基于轨迹点局部异常度的异常点检测算法[J]. 刘良旭,乐嘉锦,乔少杰,宋加涛.  计算机学报. 2011(10)
[5]基于R-Tree的高效异常轨迹检测算法[J]. 刘良旭,乔少杰,刘宾,乐嘉锦,唐常杰.  软件学报. 2009(09)



本文编号：3543577