基于分层概率图的动态网络在线异常检测方法

针对当前动态网络异常检测方法只能检测点异常、边异常和子图异常等局部异常事件的缺点,提出了基于分层概率图的在线异常检测方法。首先以窗口为单位将动态网络表征为树状图,然后运用概率分布的方法量化动态网络中连接关系的不确定性,最后结合统计假设检验的方法确定网络窗口是否发生异常。将该方法运用于AS级Internet的动态网络。实验结果表明,分层概率图模型不仅能够准确表征动态网络拓扑结构的演变,而且可以有效检测动态网络中的异常事件。

一种智能电能表自动化检定流水线表位在线异常检测方法

自动化检定流水线为智能电能表的正常运行提供保障,然而流水线在长期运行中会发生性能退化甚至故障,尤其是表位机械环节的形变与锈蚀,会导致误差试验结果出现偏差。目前的人工定期检测方法无法及时响应流水线运维间隔中出现的异常工况,因此,实现自动化检定流水线表位异常的在线检测,具有重要意义。文章提出了一种智能电能表自动化检定流水线表位在线异常检测方法,通过对表位检定数据分布进行特征提取,将表位异常状态转换为数据分布的异常;并借助局部异常因子算法量化分布的异常程度,标记产生异常分布的表位;应用文章提出的方法对山东省电力公司计量中心智能电能表检定数据进行了分析,对比人工检查结果,验证了方法的有效性。

基于C-LSTM的传感器数据流半监督在线异常检测算法

在传感器网络中,有监督的异常数据检测算法的检测准确率以及鲁棒性受限于有标注数据集的构建,无监督异常数据检测算法往往导致较高的误报率(FPR)。为解决上述问题,针对到达服务器端的传感器数据流提出了一种基于卷积神经网络(CNN)和长短时记忆网络(LSTM)的半监督在线异常检测算法。本算法利用K-means判别检测误差,并在检测中利用新数据重新训练机器学习模型,从而提高模型在长时间范围内的异常检测准确度。为了评估本算法的性能,使用因特尔伯克利实验室数据集IBRL(Intel Berkeley Research Lab)完成仿真实验,并与同类算法进行对比。实验结果表明,与同类算法相比,本算法对各个数据集都具有较高的召回率和F1-Score;应用K-means聚类的半监督模型,其异常检测结果更稳定。

电液伺服阀状态在线特征提取和异常检测方法

基于电液伺服阀的动态工作特性,提出一种新的特征提取方法.将一类支持向量机用于电液伺服阀的在线异常检测,通过交叉有效性估计学习方法优化一类向量机参数,并与神经网络的诊断结果进行对比.实验结果表明,所提出的特征提取方法能够有效地提取电液伺服阀的动态特征信息,同时利用一类支持向量机优良的泛化能力能够有效地对电液伺服阀的异常状态进行识别.

一种基于SDN的在线流量异常检测方法

基于软件定义网络的集中管控平面,提出了一种在线流量异常检测方法.首先在控制器上在线获取OpenFlow交换机的流表信息,并构造整个网络的流量矩阵与样本熵矩阵进行组合,然后采用主成分分析方法检测异常流量.实验结果表明,相比于传统网络中利用主成分分析方法分别单独处理离线的流量矩阵或样本熵矩阵的方法,在线流量异常检测方法实现和处理方式简单、有效,异常流量能够得到快速隔离,是基于软件定义网络的一种轻量级在线流量异常检测方法.

断路器数据在线异常点检测算法研究

针对常规断路器异常数据检测存在的准确度低、时间复杂度高等问题,引入数据流挖掘技术,提出了一种在滑动时间窗口上的基于局部异常因子的异常点检测算法。该算法分为四个步骤:首先,将时间轴划分为一个个连续的时间窗口;其次,当前时间窗口满了以后,对当前时间窗口内的数据运用滑动平均过滤的方法进行筛选,以此减少检测数据的规模,降低算法的时间复杂度;然后,计算当前时间窗口内可能存在异常的每个数据点的局部异常因子(local outlier factor,LOF),在计算的过程中对部分计算结果进行了优化存储,以此减少重复计算;最后,对当前时间窗口内的局部异常因子值排序,输出LOF>1的数据点。实验表明,该算法较好地提高了断路器异常点在线检测效率。

基于过采样投影近似基追踪的无人机异常检测

针对无人机飞行模式切换导致飞行数据在线异常检测准确率低的问题,提出基于过采样投影近似基追踪(OSPABP)的在线异常检测框架。首先利用滑窗和Z-score变换消除飞行数据流量纲,并抽取相关的飞行数据子集;然后过采样当前时刻子集的输入数据,放大异常数据对数据子空间的影响,并通过在线估计和追踪匹配过采样后数据子空间的投影近似基方向变化,从而判断子集实时输入数据的异常程度。同时该方法还可抑制飞行模式切换对异常检测效果的影响。采用Flight Gear模拟飞行数据和明尼苏达大学真实无人机飞行数据的实验结果表明,所提出方法对飞行模式切换敏感度低,可明显降低异常检测的误检率,并有效提高检测准确率。此外,算法的计算和存储复杂度均可满足机载处理要求。