高维网络流量数据中变点的检测和定位
本文提出了一种新颖的分布式统计检测算法,可用于高容量的网络流量中的变化点检测和鉴定,尤其适用于检测和识别分布式拒绝服务攻击,所提算法 DTopRank 可通过聚合获取的部分信息,实现分布式网络异常检测,并采用中心决策站点上的非参数等级检验方法,综合记录过滤和双重定向时间序列方法以解决海量数据问题,并可应用于合成数据和互联网服务提供商的某一流量跟踪数据。
Sep, 2009
本研究在一个在线概率学习框架中,首次将网络变化点检测问题形式化,并引入了一种可靠的方法。该方法结合了广义分层随机图模型和贝叶斯假设检验,可以定量确定变化点何时、如何精确地发生。在使用已知类型和大小变化点的合成数据进行分析时,证明该方法比以前使用的几种替代方法更准确。应用于两个高分辨率的演化社交网络场景,该方法识别了一系列的变化点,并与这些网络已知的外部 “冲击” 相一致。
Mar, 2014
本文利用生成潜在位置模型将变点检测问题定义为假设检验问题,关注时间序列的随机块模型这一特殊情形,并分析了基于不同局部统计方法的两类扫描统计量的极限分布和功率特性,并在合成数据和 Enron 电子邮件语料库上理论和性能比较,证明了两种统计量在一个简单境况下是可接受的,而其中一种统计量在第二种境况下是不可接受的。
Jun, 2013
构建了一种在线估计的网络异常映射方法,该方法基于 exponentially-weighted 的最小二乘准则和物流矩阵的核范数,可在实时动态环境下追踪网络流量异常,进而提高网络质量和保障网络安全。
Aug, 2012
本研究介绍了一种有效率高的算法,用于在动态网络的快照模型下,检测变化点,并将此算法应用到合成和真实世界网络上,速度比现有技术提高 9 倍,并且效果也得到了提升。
May, 2017
本文提出了 AnomRank 算法,通过两个符合该算法的指标追踪每个节点的得分发现动态图中的突变重要性,实现了动态图的异常检测,其速度快、可扩展性强、理论上的这个方法是可行的,成功检测了两种常见的异常类型:边上的突变重量和图的突然结构变化。
Nov, 2020
提出了一种基于图表示相似性的扫描统计学方法,适用于任何具有信息相似性度量的数据集,并提供了准确的分析逼近,用于检测和估计单个变化点和变化时间间隔,通过模拟发现该方法在数据维度中等到较高时比现有方法更具有优势,案例应用包括经典小说作者的确定和网络时间上变化的检测。
Sep, 2012
本文提出了一种基于非参数发散度估计的新型统计变点检测算法,该方法使用相对 Pearson 发散度作为发散度度量,并通过直接密度比估计方法精确而高效地估计,实验结果证明该方法在人类活动感知、语音和 Twitter 消息等人工和真实数据集上是有用的。
Mar, 2012
本文提出了一种基于 persistent diagram、lower-star filtration 和 Betti 函数的方法,可以高效地从时变图数据中提取形状信息,并在模拟研究和实际数据应用中表现出优越的性能,尤其是对于变点检测和加密货币网络异常价格预测。
May, 2023
使用拓扑数据分析方法,基于时变相关网络和持续同调代数,检测金融数据中的关键转折点。通过对 2007-2008 年美国金融危机前股票组合的研究,发现了关键转折点的早期信号。
Jan, 2017