申请/专利权人：哈尔滨工业大学

申请日：2023-12-27

公开（公告）日：2024-04-02

公开（公告）号：CN117806865A

主分类号：G06F11/07

分类号：G06F11/07;G06F18/2413;G06F18/2415

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种基于K近邻高斯混合模型的在线异常检测算法，属于在线异常检测技术领域。解决了现有技术中传统的流式数据在线异常检测算法存在的依赖训练数据以及不易区分异常数据和分布偏移的问题；本发明在高斯混合模型的基础上采用了K近邻的方法进行优化，将数据点的更新范围限制在局部，设计了动态维护高斯成分的机制，根据新增数据的K近邻和高斯成分的生命周期，动态的新增和删除高斯成分，有效的支持了异常点的检测和分布偏移的自适应，异常检测通过搜索查找到多个高斯成分构成最优决策集对上下文观测数据完成异常评价。本发明有效降低了异常点对全局的影响，消除了对全量样本数据的依赖，可以应用于流式数据在线异常检测。

主权项：1.一种基于K近邻高斯混合模型的在线异常检测算法，其特征在于，包括以下步骤：S1.对多源数据进行数据处理，得到数据序列传输至上下文调度控制模块；具体的：上下文调度控制模块包括检测调度模块、上下文单元和上下文稳定性分析模块；S2.采用上下文调度控制模块进行动态上下文调度控制，通过数据组装将数据序列即流式数据转换为上下文观测数据，并通过检测路由分配给对应的K近邻高斯混合模型；具体的：在线自适应的选择与调整上下文单元的上下文窗口大小，使其匹配K近邻高斯混合模型的数据维度，将受时间上下文影响的数据序列转换成符合上下文单元要求的无时间上下文数据流即上下文观测数据；S3.对上下文观测数据进行K近邻高斯分布搜索，基于高斯分布特性确定高斯分布有效覆盖边界作为异常检测阈值，得到K近邻高斯成分集合；S4.对K近邻高斯成分集合进行增量更新，并对所有的高斯成分进行状态维护，计算出高斯成分的异常指数；S5.根据状态维护后的高斯成分进行异常检测决策集搜索，结合异常指数得到上下文观测数据的异常评分值，判断出异常数据；S6.根据状态维护后的高斯成分自动更新异常检测阈值，得到异常标签即异常检测结果反馈到上下文稳定性分析模块；S7.检测调度模块根据上下文单元的稳定性指数对上下文单元进行激活和失效操作，处于激活状态的上下文单元输出最终的异常检测结果。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种基于K近邻高斯混合模型的在线异常检测算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD