一种基于Grubbs和孤立森林的多维序列异常检测方法.docx
版权申诉
123 浏览量
2022-07-06
17:12:57
上传
评论
收藏 355KB DOCX 举报
【摘 要】传统的异常检测是针对单维指标进行异常判别，及时发现故障或隐患。随着
计算机技术的发展，异常检测的方式也发生改变，逐渐发展为面向实时性更强、信息更
加丰富的大数据场景的多维序列异常检测。同时，太多的维度以及数据量会导致检测速
度变慢，累积更多的错判和漏判，很难发现相关联的异常指标数据，不利于整体分析问
题。基于此，提出了一种基于 Grubbs 和孤立森林的多维序列异常检测算法，对采集到
的多维数据使用优化的孤立森林算法进行异常检测，最后得出相关异常值发生的时间点
以及相关联的异常数据。实验结果表明，该方法可获得较高的准确率和计算效率。
【关键词】多维序列；异常检测；孤立森林；Grubbs
0 引言
异常检测
[1-3]
也称为离群检测，用于发现数据流中的异常类型并确定其发生
的详细信息。但是随着移动通信的发展，整个通信业务急剧膨胀，为了适配
多种终端、不同接入方式，运行场景日趋复杂，各类监控指标繁多且数据量
巨大，海量多维序列数据给运维人员带来更高的挑战。
面对大数据场景，传统的单指标检测结果可能会出现片面性问题，且效率较
低。文献[4]综述了多维时间序列异常检测算法，并指出了要注意尽量降低
算法的复杂度以及开展实时监测的研究；文献[5-7]针对智能运维、安全驾
驶和交易消费等领域，分别提出了基于 VRNN、自动编码器和模糊孤立森林等
算法，研究了多维序列异常检测算法及应用，并取得良好的效果。上述研究
方法中部分算法复杂度较高，面对多样化的海量数据，算法模型的泛化能力
和计算开销有一定局限。因此，本文提出了一种多维时间序列的异常检测算
法，采用优化的孤立森林（iForest, isolation Forest）算法，实现了较
剩余10页未读，继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3591
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
