基于密度的异常数据检测算法GSWCLOF

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (19): 7-11.

基于密度的异常数据检测算法GSWCLOF

李少波1，2，孟伟1，璩晶磊1

1.中国科学院成都计算机应用研究所，成都 610041
2.贵州大学机械工程学院，贵阳 550025

出版日期:2016-10-01 发布日期:2016-11-18

GSWCLOF：density-based outlier detection algorithm on data stream

LI Shaobo1，2, MENG Wei1, QU Jinglei1

1.Chengdu Institute of Computer Application, Chinese Academy of Sciences, Chengdu 610041, China
2.School of Mechanical Engineering, Guizhou University, Guiyang 550025, China

Online:2016-10-01 Published:2016-11-18

摘要/Abstract

摘要： 为改善有关数据流的异常数据检测方法中存在的检测准确度低和执行效率低等问题，根据数据挖掘技术理论，提出了一种新的基于密度的异常数据检测算法GSWCLOF。该算法引入滑动时间窗口和网格的理念，在滑动时间窗口内利用网格将数据细分，同时利用信息熵对所有网格内的数据进行剪枝和筛选，从而剔除绝大部分正常的数据，最后再利用离群因子对剩下的数据进行最终判断。实验结果表明，该算法有效地提高了检测准确度和执行效率。

关键词: 数据流检测, 滑动窗口, 网格, 信息熵, 离群因子

Abstract: To improve the inaccuracy and execution efficiency of outlier detection on data stream, a novel density-based outlier detection algorithm named GSWCLOF is proposed. By introducing the concepts of sliding time window and grid, the algorithm cuts a data stream into subsections of data; then after a pruning and filtering process by information entropy, the outliers in left data can be easily identified by local outlier factors. The experimental results finally show the advantages of this new algorithm in accuracy rating and execution efficiency.

Key words: data stream outlier detection, sliding window, grid, information entropy, local outlier factor

李少波1，2，孟伟1，璩晶磊1. 基于密度的异常数据检测算法GSWCLOF[J]. 计算机工程与应用, 2016, 52(19): 7-11.

LI Shaobo1，2, MENG Wei1, QU Jinglei1. GSWCLOF：density-based outlier detection algorithm on data stream[J]. Computer Engineering and Applications, 2016, 52(19): 7-11.

[1]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[2]	江魁，丘远东，郑浩城. 基于信息熵与LSTM的ICMPv6 DDoS攻击检测方法[J]. 计算机工程与应用, 2021, 57(21): 148-154.
[3]	夏丹，周睿. 视差图像配准技术研究综述[J]. 计算机工程与应用, 2021, 57(2): 18-27.
[4]	宋世杰，陈开颜，张阳. 信息熵角度下的深度学习旁路安全评估框架[J]. 计算机工程与应用, 2021, 57(17): 138-146.
[5]	张念蓬，吴旭，朱强. 基于熵的过采样框架[J]. 计算机工程与应用, 2021, 57(13): 96-101.
[6]	李雨鑫，李悦悦. 面向JIT采购的多目标车辆调度[J]. 计算机工程与应用, 2021, 57(12): 263-272.
[7]	陈建促，王越，朱小飞，李章宇，林志航. 融合多特征图的野生动物视频目标检测方法[J]. 计算机工程与应用, 2020, 56(7): 221-227.
[8]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[9]	白凤波，常林，王世凡，李彬，王颖洁，周红，刘耀. 裁判文书关键词提取的改进方法研究[J]. 计算机工程与应用, 2020, 56(23): 153-160.
[10]	徐家臻，李婷，杨巍. 多尺度局部特征选择的行人重识别算法[J]. 计算机工程与应用, 2020, 56(2): 141-145.
[11]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[12]	赵云成，王琳，盛步云，赵飞宇. 综合曲率约束的在线网格模型分割方法研究[J]. 计算机工程与应用, 2020, 56(16): 176-182.
[13]	杨瑶，付克昌，蒋涛，张国良，刘甲甲，孟易. 启发式RRT算法的AGV路径规划[J]. 计算机工程与应用, 2020, 56(12): 125-133.
[14]	陈胜发，贾瑞玉. 基于残差和密度网格的簇心自确认聚类算法[J]. 计算机工程与应用, 2020, 56(12): 149-155.
[15]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.