文献

J-GLOBAL ID：202102280115323965   整理番号：21A0088457

時系列ストリーミングデータのMarkov過程に基づく異常検出【JST・京大機械翻訳】

A Markov Process-Based Anomaly Detection of Time Series Streaming Data

著者 (4件)： Chen Jinyi (Key Laboratory of Universal Wireless Communication, Ministry of Education, Beijing University of Posts and Telecommunications, Beijing, China) ,  Wang Xiaoxiang (Key Laboratory of Universal Wireless Communication, Ministry of Education, Beijing University of Posts and Telecommunications, Beijing, China) ,  Li Qi (Key Laboratory of Universal Wireless Communication, Ministry of Education, Beijing University of Posts and Telecommunications, Beijing, China) ,  Han Wanjiang (Key Laboratory of Universal Wireless Communication, Ministry of Education, Beijing University of Posts and Telecommunications, Beijing, China)
資料名： Lecture Notes in Electrical Engineering  (Lecture Notes in Electrical Engineering)
巻： 677  ページ： 827-834  発行年： 2020年 
JST資料番号： W5070A  ISSN： 1876-1100  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 高度に動的時系列ストリーミングデータをモニターするとき,従来の異常検出法は,例えば,動的ストリーミングデータと低い検出精度への適応性において,多くの欠点を持った。ストリーミングデータから異常データを区別するために,Markovプロセスベース異常検出法を提案した。第1に,生データの次元は,冗長性ダウンをもたらす局所性保存投影アルゴリズムを通して減少した。次に,ElbowベースのK-Meansクラスタリングアルゴリズムを提案して,モードの合理的数を決定し,次元縮小データを,アルゴリズムを通して正常および異常モードに分割した。最後に,Markovプロセスベースの異常検出モデルを確立し,異常モードにおけるデータを検出し,概念ドリフトの影響を避け,そして,将来の未知モードにおけるデータを含む緩いモードを,モデルインテグリティを強化するためにモデルに導入した。シミュレーション結果は,提案方法が他の対比方法と比較して準最適性能を達成できることを証明した。Copyright The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *Markov過程 ,  アルゴリズム ,  シミュレーション ,  冗長性 ,  ドリフト ,  適応性 ,  局所性 ,  次元縮小 ,  インテグリティ
準シソーラス用語： 異常検出 ,  検出精度 ,  クラスタリングアルゴリズム ,  *ストリーミングデータ ,  生データ , 【Automatic Indexing@JST】

著者キーワード (3件)： 時系列ストリーミングデータ ,  異常検出 ,  Markov過程

分類 (4件)： データ保護  (JD01020V) ,  システム・制御理論一般  (IA02010H) ,  図形・画像処理一般  (JE04010I) ,  数値計算  (JE02000J)

タイトルに関連する用語 (4件)： 時系列 ,  ストリーミングデータ ,  Markov過程 ,  異常検出