عنوان مقاله :
ارائۀ يك يادگيرندۀ برخط رانش آگاه براي تشخيص ناهنجاري در داده هاي جرياني
عنوان به زبان ديگر :
A Drift-Aware Online Learner for Anomaly Detection from Streaming Data
پديد آورندگان :
آموزگار، مريم دانشگاه علم و صنعت - دانشكده مهندسي كامپيوتر - گروه مهندسي نرم افزار، تهران، ايران , مينايي بيدگلي، بهروز دانشگاه علم و صنعت - دانشكده مهندسي كامپيوتر - گروه مهندسي نرم افزار، تهران، ايران , فنايي، هادي دانشگاه هالمستاد - مركز تحقيقات سيستمهاي هوشمند كاربردي، هالمستاد، سوئد , رزقي، منصور دانشگاه تربيت مدرس - دانشكده علوم رياضي - گروه علوم كامپيوتر، تهران، ايران
كليدواژه :
تشخيص ناهنجاري , تطبيق پذيري آگاهانه و كوركورانه , تجزيۀ تانسور , رانش مفهوم
چكيده فارسي :
داده‌هاي جرياني در بستر پويا و در حال تغيير، تكامل مي‌يابند؛ بنابراين، رانش مفهوم يا تغيير توزيع اساسي داده‌ها با گذشت زمان، يكي از مهم‌ترين چالش‌هاي اين نوع از داده‌ها است. علاوه بر اين، رانش مفهوم بر عملكرد فرآيند تشخيص ناهنجاري نيز تأثير مي‌گذارد. تشخيص ناهنجاري در چنين داده‌هايي در حوزه‌هاي متعددي ازجمله تشخيص نفوذ در شبكه‌هاي كامپيوتري يا مديريت ترافيك شبكۀ راهها كاربرد دارد. در سال‌هاي اخير، رويكردهايي مبتني بر تجزيۀ تانسور ارائه شده‌اند كه به‌صورت برخط زيرفضا را رديابي مي‌كنند و يادگيرنده را با يك استراتژي ناآگاهانه و به‌طور ضمني در همۀ گام‌هاي زماني، در مقابل تغييرات تطبيق مي‌دهند. اين مقاله، يك رويكرد برخط را پيشنهاد مي‌كند كه رانش مفهوم را به‌طور صريح تشخيص مي‌دهد و اعلام مي‌كند. بدين ترتيب يادگيرنده نيز با يك استراتژي آگاهانه و تنها در گام‌هاي زماني لازم با تغييرات و رانش، تطبيق پيدا مي‌كند. ارزيابي راهكار پيشنهادي با استفاده از مجموعه‌داده‌هاي واقعي انجام شد و تحليل نتايج به‌دست‌آمده، عملكرد روش پيشنهادي را از جنبه‌هاي يادگيري و تشخيص تأييد مي‌كند.
چكيده لاتين :
Streaming data has been evolved in a dynamically changing and evolving
environment. Therefore, concept drift or changing the underlying distribution of
data over time is considered as an important challenge in processing this type of
data. Moreover, concept drift affects the performance of anomaly detection process.
The problem of anomaly detection in streaming data is applied to many important
applications, for instance, intrusion detection in computer networks or traffic
management in the road networks. In recent years, some tensor decomposition
based approaches have been presented that track the main pattern or subspace of
data in an online manner and adapt the learner with probabilistic changes
continuously in all time-intervals by using an implicit strategy. We propose an
online approach that detects the concept drift in an explicit manner. Moreover, the
learner has been adapted with drift and changes only in their occurrences using
informed strategy. Evaluation of the proposed method is performed with real
datasets. Analysis of the obtained results confirms the promising performance of
the proposed method in terms of learning and detection.
عنوان نشريه :
هوش محاسباتي در مهندسي برق
