.png){kind=icon}
返回
Adaptive micro-cluster flow-based anomaly detection in evolving data streams
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08834-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实时演化数据流中的异常检测仍具挑战性，因其存在持续概念漂移和瞬时噪声。这些因素常导致簇分裂并增加误报率。本文提出了一种自适应微簇流式异常检测（MF2AD）框架，用于演化数据流。MF2AD构建了多粒度自适应滑动窗口机制，以在不同时间尺度上维持鲁棒基线统计量。MF2AD通过引入池状态到样本级异常评分和在线决策中，扩展了现有流式方法中成熟的试探性微簇组织。层次化异常评分通过双池演化（HDPES）算法结合局部微簇信息与全局统计量，而基于四分位数的动态阈值计算（DTCQ）动态校准基于评分和权重的决策边界。在两个合成和八个真实数据集上与13种基线方法的广泛对比实验表明，MF2AD实现了最高的平均F1分数和ROC-AUC，且平均PR-AUC排名第三。额外的概念漂移、运行时间、内存和并行可扩展性实验展示了其有竞争力的恢复性能和独立流实时多核处理的可行性，为分布式部署提供了基础。
Keyword:
Anomaly detection
Data stream
Micro-cluster evolution
Concept drift
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
引用论文
Unsupervised Anomaly Detection for IoT-Based Multivariate Time Series: Existing Solutions, Performance Analysis and Future Directions基于IoT的多变量时间序列的无监督异常检测: 现有解决方案、性能分析和未来方向.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏A Review of Local Outlier Factor Algorithms for Outlier Detection in Big Data Streams用于大数据流离群点检测的局部离群因子算法综述OAAI
OAAI分享收藏
Distinguishing Process Faults from Model Drift Through Variable Contribution Analysis: A Novel Perspective on Anomaly Diagnosis通过变量贡献分析区分过程故障与模型漂移：异常诊断的一种新视角ProcessesOAAI
ProcessesIF2.8
OAAI分享收藏A Graph-Augmented Isolation Forest Using Node2Vec and GraphSAGE for Mobile User Behavior Anomaly Detection基于node2vec和graphsage的图增强孤立森林用于移动用户行为异常检测
PREAI
分享收藏分享收藏A systematic review on detection and adaptation of concept drift in streaming data using machine learning techniques使用机器学习技术检测和适应流数据中的概念漂移的系统综述
PREAI
分享收藏
查看更多内容