基于粒子群优化算法的属性异常检测

计算机工程与科学

基于粒子群优化算法的属性异常检测

俞家宗，刘波

（暨南大学信息科学技术学院，广东广州 510632）

收稿日期:2015-10-14 修回日期:2016-03-17 出版日期:2017-06-25 发布日期:2017-06-25
基金资助:
国家自然科学基金（U1431227）；广东省科技计划（2013B010401017）；广州市科技计划（201604010037）

Attribute outlier detection based on particle

swarm optimization

YU Jia-zong，LIU Bo

(College of Information Science and Technology,Jinan University,Guangzhou 510632,China)

Received:2015-10-14 Revised:2016-03-17 Online:2017-06-25 Published:2017-06-25

摘要/Abstract

摘要：

提出一种新的基于粒子群优化算法的属性异常检测算法。该算法利用粒子群优化算法简单、寻优速度快的优点检测属性异常，在粒子群寻找最优值的过程中发现可能是属性异常的数据，并采用O-measure适应度评估属性异常，算法的时间复杂度是多项式级的。与全搜索检测算法相比，大幅减少了搜索范围；同时，与完全随机算法相比，采用启发式搜索规则，提高了查全率及查准率。实验结果表明，粒子群检测算法不仅执行效率高，而且保持了较高的查全率与查准率。

关键词: 粒子优化群算法, 属性异常, 异常检测

Abstract:

We put forward a new attribute outlier detection algorithm based on particle swarm optimization, which applies its simplicity and rapid convergence to detect abnormal attributes. In the process of looking for the optimal value, abnormal attribute candidates are discovered, and they are assessed by the O-Measure fitness. The algorithm’s time complexity is polynomial. Compared with the full search algorithm, the proposed method can greatly reduce search scope; in comparison with the completely random algorithm, it uses heuristic search rules, thus the recall and precision are improved. Experimental results show that the particle swarm algorithm not only has high execution efficiency, but also maintains higher recall and precision rate.

Key words: particle swarm optimization, attribute outlier, outlier detection

俞家宗，刘波. 基于粒子群优化算法的属性异常检测[J]. 计算机工程与科学.

YU Jia-zong，LIU Bo.

Attribute outlier detection based on particle

swarm optimization

[J]. Computer Engineering & Science.

[1]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[2]	阳予晋, 王堃, 陈志刚, 徐悦, 李斌. 基于胶囊网络的异常多分类模型[J]. 计算机工程与科学, 2024, 46(03): 427-439.
[3]	张耐, 张晨亮, 柳永翔, 陈聪, 黄艳婷. 基于模型混合的智能交易行为异常检测[J]. 计算机工程与科学, 2023, 45(09): 1639-1647.
[4]	尹春勇, 冯梦雪. 基于注意力机制的半监督日志异常检测方法[J]. 计算机工程与科学, 2023, 45(08): 1405-1415.
[5]	杨斌, 王敬宇, 刘世超, 邵明山, 肖伟, 陈起, 何晓斌, 刘卫国, 薛巍, . Beacon+：面向E级超级计算机的轻量级端到端I/O性能监控与分析诊断系统[J]. 计算机工程与科学, 2022, 44(09): 1521-1531.
[6]	何平, 李刚, 李慧斌, . 基于深度学习的视频异常检测方法综述[J]. 计算机工程与科学, 2022, 44(09): 1620-1629.
[7]	郭思雨, 王磊. 基于编译时插桩的浮点异常检测方法[J]. 计算机工程与科学, 2022, 44(06): 979-985.
[8]	王思齐, 胡婧韬, 余广, 祝恩, 蔡志平. 智能视频异常事件检测方法综述[J]. 计算机工程与科学, 2020, 42(08): 1393-1405.
[9]	夏火松, 孙泽林. 基于自编码器和集成学习的半监督异常检测算法[J]. 计算机工程与科学, 2020, 42(08): 1440-1447.
[10]	仇开1,2，姜瑛1,2. 加权LOF结合上下文判断的云环境中服务运行数据异常检测方法[J]. 计算机工程与科学, 2020, 42(06): 951-958.
[11]	尤诚诚, 冯旭鹏, 刘利军, 黄青松, . 基于主题模型的胸部X光片诊断报告异常检测方法[J]. 计算机工程与科学, 2020, 42(04): 741-748.
[12]	杨杰，张东月，周丽华，黄皓，丁海燕. 基于网格耦合的数据流异常检测[J]. 计算机工程与科学, 2020, 42(01): 25-35.
[13]	王腾1，焦学伟2，高阳2. 一种基于Attention-GRU和iForest的周期性时间序列异常检测算法[J]. 计算机工程与科学, 2019, 41(12): 2217-2222.
[14]	张曼,於志文,郭斌,任思源,岳超刚. 一种基于快递大数据的异常检测系统[J]. 计算机工程与科学, 2019, 41(02): 224-232.
[15]	王鹏飞1，杨余旺1，柯亚琪2. 密度峰值快速聚类算法优化研究[J]. 计算机工程与科学, 2018, 40(08): 1503-1510.