导读:本文包含了自适应异常检测论文开题报告文献综述及选题提纲参考文献，主要关键词:异常事件检测,ConvLSTM网络,自编码器,自适应
自适应异常检测论文文献综述
蔡德秀,杨大为[1]（2019）在《基于自编码器框架的自适应视频异常检测方法》一文中研究指出为解决视频序列中的异常事件检测问题,提出一种基于自编码器框架的自适应异常检测方法。方法对视频序列进行预处理,将原始数据转化为模型可接受的输入;利用ConvLSTM网络模型构建编码器与解码器,用来学习视频序列的空间特征表示,最小化学习输入视频与输出视频之间的重构误差。由重构误差进行归一化得到规律分数,将其与自适应设置阈值相结合,进行异常事件检测,当规律分数低于自适应设置阈值时检测出视频中的异常。实验结果表明,该方法能够从视频序列中学习规律,自适应地检测视频中的异常事件。(本文来源于《微处理机》期刊2019年05期）
席亮,王勇,张凤斌[2]（2019）在《基于自适应人工鱼群FCM的异常检测算法》一文中研究指出异常检测算法在诸多领域都发挥着重要的作用.基于模糊C-均值(fuzzy C-means, FCM)的异常检测是其代表方法之一.FCM对初始值的选取很敏感,而且容易陷入局部极值.基于此的异常检测算法检测效果也不甚理想.因此,引入具有较强全局搜索能力的人工鱼群算法,对其加入自适应机制,自适应调整Visual取值范围,从而提高AFSA局部和全局寻优能力,减少算法迭代的次数.然后将其应用于FCM中,利用自适应人工鱼群算法得到的最优解进行FCM聚类分析,从而解决以上FCM存在的种种问题.最后,设计基于自适应人工鱼群FCM的异常检测算法,充分利用自适应人工鱼群的优势来提高异常检测算法的检测性能.实验表明:该算法在提高对数据的检测效率的基础上,检测性能也表现出了很好的水平,为解决异常检测模型中的检测率和虚警率相关问题提供了一种有效解决方案.(本文来源于《计算机研究与发展》期刊2019年05期）
朱小彧[3]（2019）在《基于异常检测的SDN网络自适应流量控制技术研究与实现》一文中研究指出随着网络技术不断发展,大数据、云计算等技术概念的提出与应用,数据中心的网络负载量大,网络结构也越来越复杂。软件定义网络架构的出现为人们解决此问题提供了一个可行的方案。它为传统的网络提供了一种全新的思考方式,核心思想是将控制层与转发层分离,这种新颖的架构为网络管理带来了极大的便利性和灵活性,同时带来新的机遇和挑战。SDN让网络运作简化的思想是当今庞杂的网络平台所要共同认可的,大大减少网络系统的复杂度和交换转发的负担,使各个接口相兼容统一极大地方便了用户和管理者。本文研究了 SDN架构的特点以及相关技术框架,搭建了由OpenDayLight和OpenStack集成的分布式实验环境。通过检测网络中出现的异常情况再向控制器反馈的方式,利用SDN架构可以灵活下发、修改策略的特点,实现了动态控制网络流量的的相关技术。本文在研究了常用的静态负载均衡算法以及学术界根据SDN架构特点提出的一些动态负载均衡方案的基础上,提出了一种基于服务器异常反馈的负载均衡方案,该方案在有效保证网络服务质量的同时,相比以前提出的动态负载均衡又大大减少了控制器的网络负担。最后,本文设计并实现了一种在SDN网络架构中,将具有机器学习功能的入侵检测程序作为安全设备放在网络中的安全防护方式。在Sprak平台上使用mllib实现了一种改进的k-means算法。使用了将训练模块与检测模块分离的部署方式,减少了启用检测程序所占用的系统资源,最后由根据异常检测程序汇报的异常流量信息修改流表,将异常流量截断掉,从而利用SDN网络的优势实现了动态的安全策略修改。(本文来源于《北京邮电大学》期刊2019-03-01）
王勇[4]（2019）在《基于自适应人工鱼群FCM的异常检测研究》一文中研究指出异常检测在电信、保险、银行、灾害气象预报、医疗领域等多个领域得到了广泛应用,特别在计算机图形图像、网络安全等研究领域,基于数据挖掘、机器学习等智能技术的异常检测研究尤为活跃。基于机器学习的异常检测方法需要收集大量样本,尤其是异常样本。然后,基于这些异常样本,通过某种智能学习方法或模型进行规则集的训练,最后使用训练后的规则集进行异常分析与检测,是本领域的一个研究热点。基于聚类分析的异常检测方法是一种典型的无监督学习技术,可以直接训练未标识数据集上的数据,建立异常检测模型,检测异常数据不需专家手动建立规则库,这对提高异常检测系统的效率具有重要的现实意义。然而,现有的模糊C-均值聚类方法(fuzzy C-means,FCM)存在缺点,其在异常检测中的应用并不令人满意。基于上述研究背景,本文提出了一种基于FCM为基础的网络异常检测研究方法,为了提高异常检测系统的检测率以及降低误报率。FCM对初始值的选取很敏感,而且容易陷入局部极值。基于此的异常检测算法检测效果也不甚理想。因此,引入具有较强全局搜索能力的人工鱼群算法,对其加入自适应机制,自适应调整视野值的大小,从而提高了人工鱼群算法的局部和全局优化能力,减少算法迭代的次数。然后将其应用于FCM中,利用自适应人工鱼群算法得到的最优解进行FCM聚类分析,从而解决以上FCM存在的种种问题。最后,设计基于自适应人工鱼群FCM的异常检测算法,充分利用自适应人工鱼群的优势来提高异常检测算法的检测性能。实验表明,该算法在提高对数据的检测效率的基础上,检测性能也表现出了很好的水平,它为解决异常检测模型中与检测率和误报率相关的问题提供了有效的解决方案。通过自适应人工鱼群全局与局部的搜索能力,减少了FCM算法对初始值的依赖。减少了系统在检测过程中的计算量以达到提高系统实时性的目的。这对于异常检测的实际应用,意义重大。(本文来源于《哈尔滨理工大学》期刊2019-03-01）
韩昭蓉,许光銮,黄廷磊,任文娟[5]（2018）在《基于自适应阈值的船舶轨迹异常点检测算法》一文中研究指出定位技术的快速发展催生了轨迹大数据,轨迹数据中总是存在着明显偏离轨迹的异常点。检测出轨迹中的异常点对提高数据质量和后续知识发现精度至关重要。目前轨迹异常点检测算法主要为恒定速度阈值法,没有考虑目标在不同时刻运动状态的变化,仅能检测出速度超出指定阈值的一部分异常点,甚至出现检测错误的情况,算法鲁棒性较差。针对现有问题,本文提出一种基于自适应阈值的轨迹异常点检测算法(Trajectory Outlier Detection Algorithm based on adaptive Threshold,TODAT)。TODAT算法充分考虑了目标在一段时间内的运动信息和观测噪声的影响,采用局部阈值窗和均值滤波窗来计算阈值和速度,同时又引入了经济航速阈值和连续异常点放回机制。基于真实船舶数据的实验结果表明,本文算法可根据轨迹数据得到自适应的阈值,有效检测出全部异常点,大幅度提高轨迹数据的质量。(本文来源于《计算机与现代化》期刊2018年09期）
林洁,吴布托,陈伟[6]（2018）在《基于深层玻尔兹曼机的风电场异常风速值自适应检测预处理方法》一文中研究指出为提高现有风电场数据采集系统的准确性和可利用性,提出了深层玻尔兹曼机(DBM)、经验模态分解(EMD)和隐马尔科夫(HMM)组合算法处理运行数据含有少量异常风速值的自适应检测方法。针对风速序列的随机多变性,采用DBM预测方法挖掘异常风速值的潜在特征,得到反映风速值异常情况的残差序列;进一步提高检测精度和降低系统误差的干扰,采用EMD方法捕获残差序列中粗大误差的特征;借助HMM算法的双重随机过程自适应地并剔除检测异常风速点,避免了传统阈值检测方法难以准确识别异常值的问题;最后,为了得到完整的风速序列,对检测出的异常点运用加权双向ARMA算法修正数据。RBF预测结果验证表明,经预处理后风速质量得到了提高,所提方法与传统小波异常值检测方法相比具有更精确的辨识能力,进一步提高了短期风速的预测精度。(本文来源于《电工技术学报》期刊2018年S1期）
谢森义,黄朝兵[7]（2018）在《基于自适应稀疏组合学习的异常事件检测》一文中研究指出为了克服稀疏组合学习在检测过程中不能自适应更新的不足,提出自适应稀疏组合学习策略,充分利用当前检测视频的正常特征,再训练稀疏组合来更新当前组合。采用公共数据集AVENUE检测该算法的性能。与其他相关算法进行实验比较,表明该算法具有较高的正确率和较快的检测速度。(本文来源于《现代计算机(专业版)》期刊2018年14期）
刘晗[8]（2018）在《基于盲源分离的电力变压器振声自适应提取与异常状态检测方法》一文中研究指出电力变压器作为输变电过程中的重要环节,其可靠运行对保障电网安全至关重要。变压器振动发出的声信号包含了丰富的运行状况信息,通过对其幅值和频谱的检测,可有效掌握变压器的运行状况。为充分挖掘变压器振声的应用价值,丰富变压器异常状态检测手段,提出一种基于盲源分离的变压器振声自适应提取与异常状态检测方法。该方法具有安装简便、可移植性强、信号整体性佳等优点,在电气设备状态检测与故障诊断领域前景广阔。本文旨在发展基于电力变压器振声自适应提取的异常状态检测技术,首先基于有限元软件建立多物理场耦合模型,揭示变压器振声发生机理,其次提出变压器振声自适应提取方法以排除周围干扰噪声,最终得到基于变压器振声的异常状态检测方法,具体内容如下:基于有限元分析软件构建了电磁-结构-声多物理场耦合的变压器仿真模型,揭示了变压器绕组和铁芯的振声发生机理。针对绕组松动、绕组变形2种典型异常状态,分析了变压器振声幅值、频谱的变化情况。所做工作为变压器振声自适应提取和异常状态检测提供了理论基础和技术支持。针对振声信号在采集过程中易受干扰的问题,提出一种基于盲源分离的变压器振声自适应提取方法,并改进了基于势函数的稀疏分量分析算法,增加了势函数局部极值排序环节。仿真模拟了噪声源数目增加、振声幅值增大以及振声频率组成变化共3种特殊情况下的变压器振声提取,采用相关系数和二次残差对分离效果进行了评价,并分析了 220kV变电站现场实验结果。结果表明,该算法可以应对复杂声场环境下的变压器振声提取。由于目前尚缺乏变压器正常工作时的标准振声信号,提出一种对已有振声信号加窗分割自我比对的异常状态检测方法。基于汉宁窗函数,并结合短时平均幅度、短时过零率和最大频谱共3个特征参数组成特征向量,通过对振声信号分帧,绘制相邻2帧特征向量欧氏距离以及各帧特征向量与平均特征向量偏差值曲线,实现了变压器异常状态的检测。分别分析了仿真信号、实验信号以及自适应提取后的分离信号,验证了该检测算法的有效性。(本文来源于《山东大学》期刊2018-05-10）
蒋华,张红福,罗一迪,王鑫[9]（2019）在《基于KL距离的自适应阈值网络流量异常检测》一文中研究指出针对现有网络流量异常检测方法检测精度低且对网络环境动态变化适应性差的问题,根据网络流量在相邻时间周期内的强相关性特性,提出一种自适应阈值的网络流量异常检测方法。利用滑动窗口控制KL距离值数量,建立指数加权移动平均模型获取下一时刻的KL距离预测值,并采用滑动窗口划分的KL距离子序列与预测值确定自适应阈值范围,通过判断观测值是否在自适应阈值范围内实现网络流量异常检测。实验结果表明,该方法能有效检测网络流量异常,具有较高的检测精度。(本文来源于《计算机工程》期刊2019年04期）
张涵翠[10]（2018）在《云平台中面向虚拟机的自适应异常检测关键技术研究》一文中研究指出云平台以其资源的开放共享性、网络的便捷访问性以及按需分配的廉价性等特性,已快速融入到人们的生产、生活中。同时,因主机虚拟化、服务虚拟化、存储虚拟化等虚拟化技术的不断发展和分布式计算技术的日益完善,云平台的规模和功能结构变得越来越复杂。虚拟机作为云平台服务的基本载体,根据用户的特定需求进行其资源的分配部署,服务类型呈现出多样性、异构性等特点,服务时间也因复杂多变的需求而表现出高度的动态性和瞬时性。在高速、开放的网络环境下,云平台发生故障乃至服务失效甚至宕机的事件已成为常态。因此,为了保障云平台中用户的服务需求,对云平台展开面向虚拟机的可信性研究成为一种趋势,异常检测技术则是保证云平台服务可信性的一种有效途径。本文基于用户对云平台服务可信性的需求,展开面向虚拟机的自适应异常检测关键技术研究,系统地分析了云平台中面向虚拟机的异常检测技术存在的问题,提出了面向虚拟机多源监测对象的异常检测框架,并在此基础上,针对云平台中对虚拟机存在的应用服务复杂多样及资源弹性可扩展的动态自适应性检测需求,对云平台中虚拟机监测网络拓扑构建策略及异常检测算法优化等方面进行了研究,具体工作及创新点如下:(1)利用点对点对等网络技术及近邻优化策略,研究自适应的监测网络拓扑构建机制。合理的监测网络拓扑结构及采集传输机制是有效保证云平台中面向虚拟机的异常检测系统检测性能的前提。本文首先分析了现有监测网络拓扑构建技术存在的问题,引入点对点自组织网络构建思想,建立对等监测网络,并通过局部近邻优化监测域划分,从而提高监测网络在动态变化的云平台中的自适应性和可扩展性。(2)针对虚拟机多源监测数据多样性、高维性以及异构性等特点,研究基于子空间划分的无监督特征选择算法,提出基于子空间划分的局部加权SOM特征选择算法,利用子空间划分的思想,选择与多样数据信息表达具有重要关联性的特征子集。为了有效验证特征子集结果的有效性,本文采用特征选择方法来替代常用的特征提取方法,并通过嵌入型的特征选择模型,将特征选择过程与SOM学习方法统一起来,优化SOM目标函数,在SOM聚类学习的同时通过基于子空间划分的局部加权值来改变样本属性到SOM神经元节点的连接权重,使得通过子空间划分得到的特征子集能更好的进行SOM聚类模型的构建,实现多类型数据的自组织特征选择过程。(3)针对虚拟机多源监测数据存在的不确定性、不完整性等问题,提出基于场景事件感知的SOM异常检测算法,引入场景事件相关性的概念,将虚拟机的多源监测数据根据事件发生的场景相似性进行划分,采用增量的SOM聚类学习方法进行检测模型训练。因为对于每一个虚拟机实例,用户的每一个请求都有一个特定的事件场景,比如发生时间、发生时长、事件内容、事件发生前后的状态变化情况等等,在同一相似的场景事件中,采集到的监测数据信息可近似视作是完整的。(4)针对监测数据中存在的数据形式多样性的问题,本文提出多类信息表达的核SOM方法。首先,本文从监测数据可能存在的线性不可分问题出发,引入核函数,提出基于核函数的SOM方法来解决高维非线性可分的数据样本。接着,提出多类信息表达的多核SOM方法,通过采用多个不同权重的核函数来对数据进行不同维度空间的表达,从而实现从不同的空间维度对多种数据信息的表达,避免因对不同类型数据信息表达不完整而导致的模型自适应性差的问题,提高了异常检测算法在面对云平台中多样异构的多源监测数据时的自适应能力。对云平台中面向虚拟机运行状态的异常检测研究目前仍存在许多关键问题,本文针对其中虚拟机服务多样性的问题展开研究,提出的面向虚拟机多源监测对象的异常检测框架,为本文自适应虚拟机异常检测技术研究提供基础思路;基于近邻的局部自适应监测网络拓扑划分机制,能有效应对大规模、动态复杂环境下虚拟机服务数据监测采集面临的监测效率和开销问题;基于子空间划分的加权SOM特征选择算法能在保证SOM聚类结果的前提下选择最优的特征子集;基于场景感知的SOM异常检测算法采用增量SOM聚类学习方法对多源的监测数据进行场景事件相关性的聚类划分,提高数据的利用率。此外,提出的多核SOM检测算法通过多维核空间的投影方式,有效提高了模型对多样数据信息的表达能力,提高了模型在云平台中面向虚拟机复杂应用的检测稳定性和可扩展性。因此,本文提出的检测框架、拓扑构建机制、策略以及相关检测算法对提高云平台服务的可信性有较好的理论和实际应用价值。(本文来源于《重庆大学》期刊2018-03-01）
自适应异常检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
异常检测算法在诸多领域都发挥着重要的作用.基于模糊C-均值(fuzzy C-means, FCM)的异常检测是其代表方法之一.FCM对初始值的选取很敏感,而且容易陷入局部极值.基于此的异常检测算法检测效果也不甚理想.因此,引入具有较强全局搜索能力的人工鱼群算法,对其加入自适应机制,自适应调整Visual取值范围,从而提高AFSA局部和全局寻优能力,减少算法迭代的次数.然后将其应用于FCM中,利用自适应人工鱼群算法得到的最优解进行FCM聚类分析,从而解决以上FCM存在的种种问题.最后,设计基于自适应人工鱼群FCM的异常检测算法,充分利用自适应人工鱼群的优势来提高异常检测算法的检测性能.实验表明:该算法在提高对数据的检测效率的基础上,检测性能也表现出了很好的水平,为解决异常检测模型中的检测率和虚警率相关问题提供了一种有效解决方案.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自适应异常检测论文参考文献
[1].蔡德秀,杨大为.基于自编码器框架的自适应视频异常检测方法[J].微处理机.2019
[2].席亮,王勇,张凤斌.基于自适应人工鱼群FCM的异常检测算法[J].计算机研究与发展.2019
[3].朱小彧.基于异常检测的SDN网络自适应流量控制技术研究与实现[D].北京邮电大学.2019
[4].王勇.基于自适应人工鱼群FCM的异常检测研究[D].哈尔滨理工大学.2019
[5].韩昭蓉,许光銮,黄廷磊,任文娟.基于自适应阈值的船舶轨迹异常点检测算法[J].计算机与现代化.2018
[6].林洁,吴布托,陈伟.基于深层玻尔兹曼机的风电场异常风速值自适应检测预处理方法[J].电工技术学报.2018
[7].谢森义,黄朝兵.基于自适应稀疏组合学习的异常事件检测[J].现代计算机(专业版).2018
[8].刘晗.基于盲源分离的电力变压器振声自适应提取与异常状态检测方法[D].山东大学.2018
[9].蒋华,张红福,罗一迪,王鑫.基于KL距离的自适应阈值网络流量异常检测[J].计算机工程.2019
[10].张涵翠.云平台中面向虚拟机的自适应异常检测关键技术研究[D].重庆大学.2018
标签：异常事件检测; ConvLSTM网络; 自编码器; 自适应;