基于稀疏贝叶斯回归的异常检测

doi:10.3969/j.issn.1006-2475.2015.01.011

计算机与现代化

基于稀疏贝叶斯回归的异常检测

(南京航空航天大学计算机科学与技术学院，江苏南京210016)

收稿日期:2014-11-13 出版日期:2015-01-19 发布日期:2015-01-21
作者简介:苏乐群（1990-），男，安徽宿松人，南京航空航天大学计算机科学与技术学院硕士研究生，研究方向：模式识别；冯爱民（1971-），女，江苏南京人，副教授，硕士生导师，博士，研究方向：模式识别，机器学习，系统结构。
基金资助:
国家自然科学基金资助项目（61170152）

Anomaly Detection Based on Sparse Bayesian Regression

(College of Computer Science and Technology, Nanjing University Aeronautics and Astronautics, Nanjing 210016， China)

Received:2014-11-13 Online:2015-01-19 Published:2015-01-21

摘要/Abstract

摘要： 异常检测问题中的数据可以看作是正常信息和异常信息的高度混合，在使得正常信息损失最小的情况下，异常点集合就是前K个包含最多异常信息的样本。启发于这种思想，提出一种基于稀疏贝叶斯回归的异常检测模型，该方法通过在传统的核函数基础上融入Bayesian推理框架，对数据进行回归估计，利用残差法找出偏离程度较大的样本为异常样本。实验结果表明，该方法具有良好的稀疏性和检测精度。

关键词: 稀疏贝叶斯回归, 残差法, 异常检测, 回归估计, 稀疏性

Abstract: The data can be regarded as outliers highly intermixed with normal data in the field of anomaly detection. With minimal loss of normal information in the model, outliers are viewed as the top K samples holding maximal abnormal information in a dataset. Inspired by this idea, an anomaly detection model based on sparse bayesian regression which taken the Bayesian inferring framework into traditional kernel function was proposed to find the sample serious deviated from the model though the result of regress estimation. Experiment results show that this algorithm is of good sparsity and detection accuracy.

Key words: sparse Bayesian regression, residual method, anomaly detection, regress estimation, sparsity

中图分类号:

TP18

苏乐群，冯爱民. 基于稀疏贝叶斯回归的异常检测[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2015.01.011.

苏乐群，冯爱民. Anomaly Detection Based on Sparse Bayesian Regression[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2015.01.011.

参考文献

［1］陈斌,陈松灿,潘志松,等. 异常检测综述［J］. 山东大学学报(工学版), 2009,39(6):13-23.
［2］齐红威,张军平,王钰. 主曲线异常检测及其在股票市场中的应用［J］. 计算机研究与发展, 2005,42(8):1306-1311.
［3］Vapnik V. Statistical Learning Theory［M］. New York:Wiley, 1998．
［4］Scholkopf B, Williamson R C, Smola A J, et al. Support vector method for novelty detection［C］//Proceedings of the 1999 Conference on Advances in Neural Information Processing Systems. 1999,12:582-588.
［5］Smola A J, Scholkopf R A. Tutorial on Support Vector Regression［R］. NeuroCOLT TR NCTR, Royal Holloway College University of London, UK, 1998.
［6］孙德山,吴今培,肖建华. 基于SVR的异常数据检测［J］. 计算机工程与应用, 2003,39(26):40-41.
［7］Bishop M, Tipping Michael E. Variational relevance vector machines［C］// Proceedings of the 16th Conference on Uncertainty in Artificial Intelligence. 2000:46-53.
［8］Platt J C. Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized likelihood Method［M］. MIT Press, 1999.
［9］Li Yi, Colin Campbell, Michael Tipping. Bayesian automatic relevance determination algorithms for classifying gene expression data［J］. Bioinformatics, 2002,18(10):1332-1339.
［10］王雷,张瑞青,盛伟,等. 基于支持向量机的回归预测和异常数据检测［J］. 中国电机工程学报, 2009(8):92-96.
［11］曾绍华,魏延,唐远炎. 剔除支持向量回归中异常数据算法［J］. 重庆大学学报, 2012,35(12):120-132.
［12］ShaweTaylor J, Cristianini N. Kernel Methods for Pattern Analysis［M］. Cambridge University Press, 2004.
［13］Mukherjee S, Osuna E, Girosi F. Nonlinear prediction of chaotic time series using support vector machines［C］// Neural Networks for Signal Processing. 1997:511-520.
［14］Bishop. Neural Networks for Pattern Recognition［M］. Oxford University Press, 1995.
［15］Tax D, Duin R P. Support Vector Domain Description［M］. Pattern Recognition Letters, 1999,20(1113):1191-1199.
［16］童丽,周海银. 异常数据剔除的一种改进计算方法［J］. 中国空间科学技术, 2001,21(4):11-16.
［17］董永贵,孙照焱,贾惠波. 时间序列中异常值检测的负向选择算法［J］. 机械工程学报, 2004,40(10):30-34.
［18］全亮亮,吴卫东. 基于支持向量机和贝叶斯分类的异常检测模型［J］. 计算机应用, 2012,32(6):1632-1635.
［11］Soro S, Heinzelman W B. Prolonging the lifetime of wireless sensor networks via unequal clustering［C］// Proceedings of the 19th IEEE International Symposium on Parallel and Distributed Processing. 2005:236-244.
［12］Ye Mao, Li Chengfa, Chen Guihai, et al. EECS: An energy efficient clustering scheme in wireless sensor networks［C］// Proceedings of the 24th IEEE International Conference on Performance Computing and Communications. 2005:535-540.
［13］Voigt T, Ritter H, Schiller J, et al. Solaraware clustering in wireless sensor networks［C］// Proceedings of the 9th IEEE International Symposium on Computers and Communications. 2004:238-243.
［14］蒋畅江,石为人,唐贤伦,等. 能量均衡的无线传感器网络非均匀分簇路由协议［J］. 软件学报, 2012,23(5):1222-1232.

[1]	曾伟平, 陈俊洪, Muhammad ASIM, 刘文印, 杨振国. 基于多阶段分形组合的点云补全算法[J]. 计算机与现代化, 2023, 0(12): 24-29.
[2]	农皓程, 任德均, 任秋霖, 刘澎笠, 黄德成. 基于改进ConvNeXt的软塑包装表面异常检测算法[J]. 计算机与现代化, 2023, 0(08): 12-17.
[3]	杨骏, 王劲林, 倪宏, 盛益强, . 工控网络异常检测中基于灵敏度的动态迁移算法[J]. 计算机与现代化, 2023, 0(05): 46-51.
[4]	白开峰, 赵宏斌, 张芸, 李妍, 崔静安, 刘千金, 杨华, 倪娜. 电网异常业务数据检测方法综述[J]. 计算机与现代化, 2023, 0(03): 79-83.
[5]	王诗愉, 肖利东, 严心淳, 应文豪. 基于模拟退火的扩展孤立森林异常检测算法[J]. 计算机与现代化, 2023, 0(01): 88-94.
[6]	宋晓丽, 张勇波, 张培颖. 基于半监督学习的学生消费数据异常检测[J]. 计算机与现代化, 2022, 0(12): 13-17.
[7]	郝怡然, 盛益强, 王劲林, . 基于t-SNE降维预处理的网络流量异常检测[J]. 计算机与现代化, 2021, 0(02): 109-116.
[8]	顾国庆, 李晓辉. 基于箱线图异常检测的指数加权平滑预测模型[J]. 计算机与现代化, 2021, 0(01): 28-33.
[9]	杨永娇，肖建毅，赵创业，周开东. 基于Isolation Forest和Random Forest相结合的智能电网时间序列数据异常检测算法[J]. 计算机与现代化, 2020, 0(03): 99-.
[10]	杨永娇,唐亮亮. 一种基于深度Encoder-Decoder神经网络的智能#br# 电网数据服务器流量异常检测算法[J]. 计算机与现代化, 2019, 0(10): 66-.
[11]	杨永娇，邱宇，占力超. 基于宽度学习的智能电网数据服务器流量异常检测算法[J]. 计算机与现代化, 2019, 0(09): 77-.
[12]	杨秀萍. 融合用户评分和属性相似度的协同过滤推荐算法[J]. 计算机与现代化, 2017, 0(7): 16-19.
[13]	蒋宗礼，杜倩. 基于聚类和项目相似性的Slope One算法优化[J]. 计算机与现代化, 2016, 0(8): 22-26.
[14]	梁向阳,张博伦. 协同过滤推荐技术归类分析与探讨[J]. 计算机与现代化, 2016, 0(12): 67-72.
[15]	马超1,2，程力1，孔玲玲3. 云环境下SDN的流量异常检测性能分析[J]. 计算机与现代化, 2015, 0(10): 92-97+102.

基于稀疏贝叶斯回归的异常检测

Anomaly Detection Based on Sparse Bayesian Regression

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价