تشخیص آنومالی مبتنی بر مدل مارکوف دینامیک

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تشخیص آنومالی مبتنی بر مدل مارکوف دینامیک

عنوان لاتین

Anomaly detection based on a dynamic Markov model

تشخیص آنومالی در دنباله داده، در کاربرد های متفاوت و تغییرات وسیع، هم چنان مهم و مهم تر می شود که می توان از جمله کاربردهای متفاوت آن ها به تشخیص تقلب در کارت های اعتباری، مراقبت های بهداشتی در زمینه پزشکی و تشخیص نفوذ در امنیت سایبری اشاره نمود. در رهیافت های تشخیص آنومالی موجود، تکنیک های مدل مارکوف به صورت گسترده ای برای تشخیص ساده ی آن ها به کار رفته و مورد توافق قرار گرفته و از پارامترهای اندکی استفاده می کند. به هرحال، ویژگی حافظه کوتاه یک مدل مارکوف ، باعث می شود که اثر متقابل داده ها نادیده گرفته شود. و ویژگی حافظه بلند مدت در یک مدل مارکوف مرتبه بالاتر می تواند ارتباطی بین داده های قبلی و داده های تست کنونی ایجاد کند و به همین ترتیب قابلیت اطمینان این را مدل را کاهش می دهد. در کنار این موارد، هر دو این مدل را نمی توان به صورت موفقیت آمیزی برای تغییر دنباله با یک گرایش خاص توصیف نمود. در این مقاله، ما یک رهیافت تشخیص آنومالی را مبتنی بر یک مدل مارکوف دینامیک ارائه می دهیم. این مقاله به بخش بندی دنباله داده ها با استفاده از یک پنجره اسلایدینگ می پردازد که در پنجره اسلایدینگ ما حالات داده را مطابق با ارزش داده و ایجاد مدل مارکوف مرتبه بالاتر، توصیف می کنیم که در نتیجه مرتبه متناسبی به این مارکوف اختصاص داده می شود و به همین تتریب تعادل و طول ویژگی حافظه ثابت نگاه داشته شده و روند دنباله را حفظ می کند. علاوه براین، یک استراتژی جایگزینی آنومالی پیشنهاد شده است که از تاثیر آنومالی های شناسایی شده روی مدل های ساختمانی جلوگیری نموده و تشخیص آنومالی را به صورت پیوسته نگاه دارد. نتایج آزمایشی از پایگاه داده های شبیه سازی شده و پایگاه داده های واقعی استفاده می کند که رهیافت پیشنهادی را اثبات کرده و تطابق پذیری و پایداری تشخیص آنومالی در دنباله داده را بهبود می بخشد.

Anomaly detection in sequence data is becoming more and more important in a wide vari- ety of application domains such as credit card fraud detection, health care in medical field, and intrusion detection in cyber security. In the existing anomaly detection approaches, Markov chain techniques are widely accepted for their simple realization and few param- eters. However, the short memory property of a classical Markov model ignores the inter- action among data, and the long memory property of a higher order Markov model clouds the relationship between the previous data and current test data, and reduces the reliabil- ity of the model. Besides, both of these models cannot successfully describe the sequences changing with a tendency. In this paper, we propose an anomaly detection approach based on a dynamic Markov model. This approach segments sequence data by a sliding window. In the sliding window, we define the states of data according to the value of the data and establish a higher order Markov model with a proper order consequently, to balance the length of the memory property and keep up with the trend of sequences. In addition, an anomaly substitution strategy is proposed to prevent the detected anomalies from impact- ing the building of the models and keep anomaly detection continuously. The experimental results using simulated datasets and real-world datasets have demonstrated that the pro- posed approach improves the adaptability and stability of anomaly detection in sequence data.