一种轻量级和无监督的方法,用于使用运营数据测量进行近实时行为分析
本文提出了一种基于逆累积分布的在线异常检测算法,用于现有实时基础设施中低延迟检测,适用于不可预测的数据模式,并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。
Jan, 2023
该研究论文介绍了一个建筑运营中的异常检测系统,包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法,利用动态阈值实现对异常数据的实时检测,并通过真实数据的实证研究验证其有效性,这对于建筑运营中的决策科学和视觉分析有重要意义。
May, 2024
提出了一种名为 Feature Monitoring 的灵活系统,它能够检测高维度输入数据的数据漂移,并能够观察机器学习算法的行为,该系统的轻量、高效和解释性特征排序可以帮助排查问题和减少添加自定义信号的需求。
Jul, 2022
研究开发了两种新的统计技术,用于自动检测云基础架构数据中的异常,采用季节性分解和鲁棒统计度量,有效实现在季节性高峰存在的情况下的异常检测。从容量规划,用户行为和监督学习三个方面证明了所提出技术的有效性。
Apr, 2017
基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统,在考虑了本地子序列中包含的不同特征信息的基础上,自动学习环境传感器变量之间的复杂线性和非线性依赖关系,利用重构误差和判别误差的异常得分计算方法,可以高实时性地监测实际传感器数据的异常点,适用于智能卫星物联网系统。大多数情况下,异常检测优于基准方法,具有很好的可解释性,可用于监测环境传感器,预防工业事故和网络攻击。
Mar, 2024
本文研究了实时流数据下的异常检测技术,旨在提供一个有关性能与准确性表现的选择指南。该研究总结了一系列各领域应用的生产数据集,并阐述了现有技术在实时数据流上无法直接应用的问题。
Oct, 2017
本文提出了一种新的基于数据驱动的系统范围异常检测框架,其基于符号动力学的概念构建了一种时空特征提取方案,用于发现和表示 CPS 子系统之间因果相互作用,结果表明,该框架可以用于捕获多种正常模式并检测若干的从低级子系统到高级子系统的故障传播路径。
Dec, 2015
使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常,并在 KDD Cup 99 数据集上实施了一个模型,实验结果展示了异常检测模型的出色性能,达到了超过 98% 的准确率。
Feb, 2024
该研究提出了一种序列监测方案,通过考虑测量模型质量的时间依赖性,减少不必要的警报并解决多重测试问题,从而在检测模型质量相关变化方面优于基准方法。此研究为在动态环境中区分小幅波动和有意义的模型性能退化提供了实用解决方案,确保机器学习模型的可靠性。
Sep, 2023
提出了一种全自动、轻量级、基于统计学习的异常检测框架,该方法适用于边缘设备上学习,不需要边缘设备和服务器之间的数据传输,可以自动适应任何数据集,并在检测准确率、效率和资源消耗方面优于其他最先进的方法。
May, 2023