異常檢測的基本目標是區(qū)分出偏離整體數(shù)據(jù)特征的稀少數(shù)據(jù),在現(xiàn)實中具有重要的研究意義和應(yīng)用價值。隨著大數(shù)據(jù)技術(shù)的蓬勃發(fā)展,數(shù)據(jù)的維數(shù)和數(shù)量都有了質(zhì)的提升,傳統(tǒng)的異常檢測模型已經(jīng)不能適應(yīng)當下的異常檢測需求,基于深度學(xué)習的異常檢測模型逐漸成為研究熱點�；旌夏Ｐ秃蜕赡Ｐ褪巧疃犬惓z測的主要模型。混合模型結(jié)合特征降維算法和傳統(tǒng)異常檢測算法,使得檢測效率有所提升。生成模型通過學(xué)習生成訓(xùn)練數(shù)據(jù)進行表征學(xué)習,應(yīng)用于高維數(shù)據(jù)空間中的異常檢測。針對現(xiàn)有深度異常檢測模型的優(yōu)缺點,提出兩個改進深度異常檢測模型。論文主要工作如下:（1）.對深度異常檢測相關(guān)工作的討論和分析介紹了深度學(xué)習的發(fā)展現(xiàn)狀,對深度學(xué)習在異常檢測領(lǐng)域的相關(guān)技術(shù)進行了歸納總結(jié)。深入研究基于重構(gòu)誤差的異常檢測技術(shù)和基于混合模型的異常檢測技術(shù),并分析了優(yōu)勢與不足。（2）.基于多粒度掃描和自編碼器的異常檢測模型首先提出隨機超平面的隔離機制以改進孤立森林算法,提高對復(fù)雜數(shù)據(jù)模式中局部異常數(shù)據(jù)的檢測能力。其次提出多粒度掃描機制進行特征選擇,利用自編碼器進行特征提取,構(gòu)造出兩個混合模型。最后在KDD99和P53Mutant數(shù)據(jù)集的實驗評估中,混合模型提升... 

【文章來源】：河北大學(xué)河北省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 異常檢測概述
        1.1.1 研究背景和意義
        1.1.2 異常數(shù)據(jù)類型
        1.1.3 相關(guān)工作
        1.1.4 異常檢測的難點
    1.2 深度學(xué)習概述
    1.3 研究內(nèi)容
    1.4 本文結(jié)構(gòu)
第二章 相關(guān)技術(shù)
    2.1 基于重構(gòu)誤差的深度異常檢測技術(shù)
        2.1.1 自編碼器
        2.1.2 變分自編碼器
        2.1.3 生成對抗網(wǎng)絡(luò)
        2.1.4 其他技術(shù)
        2.1.5 優(yōu)勢和不足
    2.2 基于混合模型的異常檢測技術(shù)
        2.2.1 混合模型相關(guān)工作
        2.2.2 優(yōu)勢和不足
    2.3 相關(guān)技術(shù)對比分析
    2.4 本章小結(jié)
第三章 基于多粒度掃描和自編碼器的異常檢測模型
    3.1 隔離機制的問題與優(yōu)化
        3.1.1 軸平行問題
        3.1.2 多維度隨機超平面優(yōu)化算法
    3.2 基于多粒度掃描的混合模型
        3.2.1 多粒度掃描機制
        3.2.2 基于多粒度掃描-孤立森林的混合模型
    3.3 基于自編碼器特征提取的混合模型
        3.3.1 收縮自編碼器
        3.3.2 基于自動編碼器特征提取-孤立森林的混合模型
    3.4 實驗結(jié)果與分析
        3.4.1 隔離機制實驗對比
        3.4.2 模型性能實驗對比
        3.4.3 異常檢測實驗結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于優(yōu)化對抗自編碼器的異常檢測模型
    4.1 對抗自編碼器的不足
    4.2 基于“編碼-解碼-編碼”對抗自編碼器的異常檢測模型
        4.2.1 模型架構(gòu)
        4.2.2 優(yōu)化策略
    4.3 實驗結(jié)果與分析
        4.3.1 實驗數(shù)據(jù)集
        4.3.2 實驗環(huán)境
        4.3.3 與生成模型的對比與分析
        4.3.4 與混合模型的對比與分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
攻讀學(xué)位期間取得的研究成果


【參考文獻】：
期刊論文
[1]基于密度偏倚抽樣的局部距離異常檢測方法[J]. 付培國,胡曉惠.  軟件學(xué)報. 2017(10)
[2]染色體異常檢測技術(shù)在產(chǎn)前診斷應(yīng)用中的研究進展[J]. 謝文美,周鳳娟,王強,趙小榮.  臨床檢驗雜志. 2015(02)
[3]基于分布協(xié)作式代理的網(wǎng)絡(luò)入侵檢測技術(shù)的研究與實現(xiàn)[J]. 張勇,張德運,李勝磊.  計算機學(xué)報. 2001(07)



本文編號：3159041