ارائه یک یادگیرنده برخط رانش آگاه برای تشخیص ناهنجاری در داده های جریانی

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 192

This Paper With 15 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_ISEE-13-4_001

تاریخ نمایه سازی: 25 دی 1401

Abstract:

داده های جریانی در بستر پویا و در حال تغییر، تکامل می یابند؛ بنابراین، رانش مفهوم یا تغییر توزیع اساسی داده ها با گذشت زمان، یکی از مهم ترین چالش های این نوع از داده ها است. علاوه بر این، رانش مفهوم بر عملکرد فرآیند تشخیص ناهنجاری نیز تاثیر می گذارد. تشخیص ناهنجاری در چنین داده هایی در حوزه های متعددی ازجمله تشخیص نفوذ در شبکه های کامپیوتری  یا مدیریت ترافیک شبکه راهها کاربرد دارد. در سال های اخیر، رویکردهایی مبتنی بر تجزیه تانسور ارائه شده اند که به صورت برخط زیرفضا را ردیابی می کنند و یادگیرنده را با یک استراتژی ناآگاهانه و به طور ضمنی در همه گام های زمانی، در مقابل تغییرات تطبیق می دهند. این مقاله، یک رویکرد برخط را پیشنهاد می کند که رانش مفهوم را به طور صریح تشخیص می دهد و اعلام می کند. بدین ترتیب یادگیرنده نیز با یک استراتژی آگاهانه و تنها در گام های زمانی لازم با تغییرات و رانش، تطبیق پیدا می کند. ارزیابی راهکار پیشنهادی با استفاده از مجموعه داده های واقعی انجام شد و تحلیل نتایج به دست آمده، عملکرد روش پیشنهادی را از جنبه های یادگیری و تشخیص تایید می کند.

Keywords:

تشخیص ناهنجاری , تطبیق پذیری آگاهانه و کورکورانه , تجزیه تانسور , رانش مفهوم

Authors

مریم آموزگار

دانشجوی دکترا گروه مهندسی نرم افزار، دانشکده مهندسی کامپیوتر- دانشگاه علم و صنعت- تهران- ایران

بهروز مینایی بیدگلی

دانشیار گروه مهندسی نرم افزار، دانشکده مهندسی کامپیوتر- دانشگاه علم و صنعت- تهران- ایران

هادی فنایی

استادیار مرکز تحقیقات سیستمهای هوشمند کاربردی - دانشگاه هالمستاد- هالمستاد- سوئد

منصور رزقی

دانشیار گروه علوم کامپیوتر، دانشکده علوم ریاضی - دانشگاه تربیت مدرس- تهران- ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • [۱] F. Khojasteh, M. Kahani, and B. Behkamal, “Concept drift ...
  • K. S. Yaghoubi M, Sebti A, “Identifying Concept Drift in ...
  • H. H. Kordi Ardestan F, Siyadati S, “An improved concept-based ...
  • J. Sun, D. Tao, and C. Faloutsos, “Beyond streams and ...
  • H. F. Tork, M. Oliveira, J. Gama, S. Malinowski, and ...
  • H. Fanaee-T and J. Gama, “Event detection from traffic tensors: ...
  • J. Lu, A. Liu, F. Dong, F. Gu, J. Gama, ...
  • J. Gama, I. Žliobaitė, A. Bifet, M. Pechenizkiy, and A. ...
  • R. N. Gemaque, A. F. J. Costa, R. Giusti, and ...
  • S. Saurav et al., “Online anomaly detection with concept drift ...
  • D. Zambon, C. Alippi, and L. Livi, “Concept Drift and ...
  • B. Hooi, K. Shin, S. Liu, and C. Faloutsos, “SMF: ...
  • H. Kasai, W. Kellerer, and M. Kleinsteuber, “Network Volume Anomaly ...
  • M. Mardani and G. B. Giannakis, “Estimating Traffic and Anomaly ...
  • M. Mardani, G. Mateos, and G. B. Giannakis, “Dynamic anomalography: ...
  • R. Pasricha, E. Gujral, and E. E. Papalexakis, “Identifying and ...
  • Y. Y. Lo, W. Liao, C. S. Chang, and Y. ...
  • G. I. Webb, R. Hyde, H. Cao, H. L. Nguyen, ...
  • M. Sayed-Mouchaweh, Learning from Data Streams in Dynamic Environments. Cham: ...
  • T. G. Kolda and B. W. Bader, “Tensor Decompositions and ...
  • M. Amoozegar, B. Minaei-Bidgoli, M. Rezghi, and H. Fanaee-T, “Extra-adaptive ...
  • J. P. van Brakel, “Smoothed z-score algorithm,” ۲۰۱۶. [Online]. Available: ...
  • H. Kasai, “Fast online low-rank tensor subspace tracking by CP ...
  • A. Sobral, S. Javed, S. K. Jung, T. Bouwmans, and ...
  • M. Mardani, G. Mateos, and G. B. Giannakis, “Subspace learning ...
  • X. Ding, L. He, and L. Carin, “Bayesian robust principal ...
  • J. Y. Wei, J. F. Zhao, Y. Y. Zhao, and ...
  • L. Li, W. Huang, I. Y. H. Gu, and Q. ...
  • C. Lin, Q. Zhu, S. Guo, Z. Jin, Y. R. ...
  • “Enron Email Dataset.” [Online]. Available: https://www.cs.cmu.edu/~./enron/ ...
  • “Trade (v۴.۰) — Correlates of War.” [Online]. Available: https://correlatesofwar.org/data-sets/bilateral-trade ...
  • J. Liao, J. Tang, W. Zeng, and X. Zhao, “Efficient ...
  • A. Vandervalk, D. Snyder, and J. Hajek, “US DOT Roadway ...
  • نمایش کامل مراجع