一种基于快递大数据的异常检测系统

计算机工程与科学

一种基于快递大数据的异常检测系统

张曼,於志文,郭斌,任思源,岳超刚

(西北工业大学计算机学院,陕西西安 710072)

收稿日期:2018-08-06 修回日期:2018-10-22 出版日期:2019-02-25 发布日期:2019-02-25
基金资助:
国家杰出青年科学基金（61725205）；国家重点研究计划（2017YFB1002000）；国家自然科学基金（61332005,61772428）

An anomaly detection system

based on express big data

ZHANG Man,YU Zhiwen,GUO Bin,REN Siyuan,YUE Chaogang

(School of Computer Science,Northwestern Polytechnical University,Xi’an 710072,China)

Received:2018-08-06 Revised:2018-10-22 Online:2019-02-25 Published:2019-02-25

摘要/Abstract

摘要：

随着信息时代的到来，快递行业迅速发展起来，推动着流通方式的转型和消费升级。人们在享受快递业发展带来巨大便捷的同时，也伴随着难以控制的流动性风险，给公共安全带来严峻的挑战。例如，偷窃的赃物通过快递方式进行销赃，利用快递方式运输毒品、爆炸物等危险物品。基于以上考虑，通过分析真实的历史快递记录，着力于研究利用快递方式进行销赃这一类犯罪行为，进而以识别该类嫌疑人为研究目标，从统计、时间和地理3方面特征进行了详细的分析。另外，提出了一种TwoStep异常检测方法用于嫌疑人的识别。该方法分为2步，第1步是过滤正常用户，第2步是识别嫌疑人。实验结果表明，通过该方法能够准确地识别出嫌疑对象，相比较传统方法，该方法能够有效地解决正负类数据不平衡问题，降低误检率，因此具有较高的实用价值。

关键词: 快递销赃, 异常检测, 公共安全, 犯罪行为, 嫌疑人

Abstract:

With the advent of the information age, the express delivery industry has developed rapidly, which has promoted the transformation of circulation methods and the consumption upgrading. While enjoying the tremendous convenience of the development of the express delivery industry, people are also facing uncontrollable liquidity risks, and serious challenges are posed to public safety. For example, stolen goods are sold by express delivery, and dangerous goods such as drugs and explosives are transported by express delivery. Given the abovementioned considerations, we focus on the crimes of using express delivery to deal with stolen goods based on the analysis of actual historical records of express delivery, and then take the identification of such criminal suspects as the research target to conduct detailed analysis from the aspects of statistics, time, and geography. In addition, we also present a twostep anomaly detection method for suspect identification. The first step is to filter normal users, and the second step is to identify suspects. Experimental results show that in comparison with traditional methods, this method can accurately identify suspects, effectively solve the problem of positive and negative data imbalance, and significantly reduce false detection rate. Therefore, it has high practical value.

Key words: disposal of stolen goods by express delivery, anomaly detection, public safety, criminal behavior, suspect

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.

ZHANG Man,YU Zhiwen,GUO Bin,REN Siyuan,YUE Chaogang.

An anomaly detection system

based on express big data

[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]	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.
[15]	蔡武越1,王珂2，郝玉洁2，段晓冉2. 一种Hadoop集群下的行为异常检测方法[J]. 计算机工程与科学, 2017, 39(12): 2185-2191.