基于k-近邻域中心偏移的鲁棒性异常检测算法

被引：14

作者：

赵建龙 ^{[1
]}

曲桦 ^{[1
,2
]}

赵季红 ^{[2
,3
]}

机构：

[1] 西安交通大学软件学院

[2] 西安交通大学电子与信息工程学院

[3] 西安邮电大学通信与信息工程学院

来源：

北京邮电大学学报 | 2017年 / 40卷 / 04期

关键词：

异常检测; k最近邻; 局部异常因子; 中心偏移异常因子;

D O I：

10.13190/j.jbupt.2017.04.009

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

针对大多数基于距离和密度的异常检测算法敏感于近邻参数k的问题,提出了一种鲁棒性异常检测标准——k-近邻域中心偏移异常因子(COOF).数据结点的k-近邻域中心位置会随着近邻参数k的变化而发生迁移,鉴于异常结点要比正常结点对k-近邻域中心位置偏移量的影响更大,通过累加因递增k而产生的偏移量来表征数据结点的异常程度,并在COOF基础上实现了鲁棒性的异常检测算法.通过综合数据和真实数据的实验仿真可知,COOF不仅对近邻参数k具有鲁棒性,而且相比基于距离的k最近邻算法、基于局部距离的异常因子和基于密度的局部异常因子具有更稳定且更准确的异常检测性能.

引用

页码：54 / 59

页数：6

共 5 条

[1] 基于单分类支持向量机和主动学习的网络异常检测研究
刘敬
谷利泽
钮心忻
杨义先
[J]. 通信学报 , 2015, (11) : 136 - 146
[2] 一种基于SDN的在线流量异常检测方法
左青云
陈鸣
王秀磊
刘波
[J]. 西安电子科技大学学报, 2015, 42 (01) : 155 - 160
[3] A precise ranking method for outlier detection[J] . Jihyun Ha,Seulgi Seok,Jong-Seok Lee.Information Sciences . 2015
[4] Efficient algorithms for mining outliers from large data sets
Ramaswamy, S
Rastogi, R
Shim, K
[J]. SIGMOD RECORD, 2000, 29 (02) : 427 - 438
[5] LOF[J] . Markus M. Breunig,Hans-Peter Kriegel,Raymond T. Ng,J?rg Sander.ACM SIGMOD Record . 2000 (2)

← 1 →