《异常检测——从经典算法到深度学习》0 绪论

《异常检测——从经典算法到深度学习》

• 0 概论
• 1 基于隔离森林的异常检测算法
• 2 基于LOF的异常检测算法
• 3 基于One-Class SVM的异常检测算法
• 4 基于高斯概率密度异常检测算法
• 5 Opprentice——异常检测经典算法最终篇
• 6 基于重构概率的 VAE 异常检测
• 7 基于条件VAE异常检测
• 8 Donut: 基于 VAE 的 Web 应用周期性 KPI 无监督异常检测
• 9 异常检测资料汇总（持续更新&抛砖引玉）
• 10 Bagel: 基于条件 VAE 的鲁棒无监督KPI异常检测
• 11 ADS: 针对大量出现的KPI流快速部署异常检测模型
• 12 Buzz: 对复杂 KPI 基于VAE对抗训练的非监督异常检测
• 13 MAD: 基于GANs的时间序列数据多元异常检测
• 14 对于流数据基于 RRCF 的异常检测
• 15 通过无监督和主动学习进行实用的白盒异常检测
• 16 基于VAE和LOF的无监督KPI异常检测算法
• 17 基于 VAE-LSTM 混合模型的时间异常检测
• 18 USAD：多元时间序列的无监督异常检测
• 19 OmniAnomaly：基于随机循环网络的多元时间序列鲁棒异常检测
• 20 HotSpot：多维特征 Additive KPI 的异常定位
• 21 Anomaly Transformer: 基于关联差异的时间序列异常检测
• 22 Kontrast: 通过自监督对比学习识别软件变更中的错误
• 23 TimesNet: 用于常规时间序列分析的时间二维变化模型
• 24 TSB-UAD：用于单变量时间序列异常检测的端到端基准套件
• 25 DIF：基于深度隔离林的异常检测算法
• 26 Time-LLM：基于大语言模型的时间序列预测
• 27 Dejavu: Actionable and Interpretable Fault Localization for Recurring Failures in Online Service Systems
• 28 UNRAVEL ANOMALIES：基于周期与趋势分解的时间序列异常检测端到端方法

相关：

• VAE 模型基本原理简单介绍
• GAN 数学原理简单介绍以及代码实践
• 单指标时间序列异常检测——基于重构概率的变分自编码（VAE）代码实现（详细解释）

有时候异常检测是一件很无聊的事情，但更多的时候是一件很好玩的事情。

当然这其实是一种很不负责的说法，因为更加需要强调的是异常检测的意义，诸如一些对人们日常生活、工业生产等的多方面意义，但我实在不想再强调异常检测的重要性了，因为无论你读哪篇异常检测论文都重复过了。

所以这里只把这个任务当成好玩的事情来完成，如果也觉得好玩的话可以考虑 阅读、评论、关注。

您的 点赞 收藏 评论 与 关注 对我有很大的督促与促进作用，感谢！

0 绪论

此篇主要包括以下部分：

• 异常检测的定义
• 异常检测的应用场景
• 异常检测问题的特点
• 异常检测算法的分类
• 异常检测算法的发展状况

0.1 异常检测的定义

异常： 异常是远离其他观测数据而被疑为不同机制产生的观测数据[1]。

在数据挖掘和统计中，异常也被称为异常、不一致、偏差或异常值[2]。

如图所示：$N_1$ 和 $N_2$ 是由大多数观测值组成的区域,因此视为正常数据实例地区,而区域 $O_3$ 和数据点 $O_1$ 和 $O_2$ 是少数几个远离大量数据点的数据点，因此被认为是异常。出现的原因有几个，如恶意行为、系统故障、故意欺诈。这些异常揭示了关于数据的令人兴奋的洞见，并且经常传递关于数据的有价值的信息。因此，异常检测被认为是各种决策系统中必不可少的步骤[3]。

异常检测： 在数据挖掘中，异常检测（Anomaly Detection）即对不匹配预期模式或数据集中其他项目的项目、事件或观测值的识别。 —— 百度百科

异常检测方法概述： 目前的异常检测，一般均从已知的正常数据类数据中进行学习，建立正常行为的模型以进行异常检测，从而构建一个假设模型 $h(x)$ 和一个阈值 $\rho$ ，当 $h(x)\ge \rho$ 时判 $x$ 为正常，否则为异常，而阈值 $\rho$ 的设定则根据训练集上所允许的经验误差 $\alpha$ 进行设定，使得 $P(h(x)\ge \rho )\ge 1-\alpha$ 其中$P(x)$ 为分布函数[4]。

0.2 异常检测的应用场景

随着计算机广泛应用于各个场景，异常事件也层出不穷。因此异常检测技术用于各种领域，如入侵检测、欺诈检测、故障检测、系统健康监测、传感器网络事件检测和生态系统干扰检测等。

当然，对于做数据挖掘或者算法方面的人来说，数据预处理经常需要用到异常检测。因为去除异常数据的数据集往往会在统计上显著提升准确性。

还有最近很热的智能运维(AIOps)，异常检测是整个智能运维的核心工作。

0.3 异常检测问题的特点

1. 异常样本少
2. 异常类型多
3. 异常的未知性

0.4 异常检测算法的分类

根据异常检测方法数学模型分类：

• 基于统计学的方法
• 基于邻近性的方法
• 基于聚类的方法

根据训练集是否包含标注：

• 无监督异常检测
• 有监督异常检测

0.5 异常检测算法的发展状况

总体而言发展趋势如下：

• 经典算法 —— 神经网络（尤其是深度学习）
• 监督学习 —— 非监督学习
• 特定领域 —— 宏观领域

如果是数据预处理，一般不会有太复杂的异常检测；但对于以异常检测为核心的项目来说（比如智能运维），传统算法已经完全不能满足需求。现在看到的绝大多数相关论文都是基于神经网络的相关算法。

当然，不能因为这趋势就放弃学习经典算法，因为目前来说，以一盖全的算法是不存在的，再完美的神经网络也不能应用于所有异常检测场景，并且在一些特定的场景中经典算法的效果却往往更加好。

参考文献

[1] Douglas M Hawkins. Identification of outliers, volume 11. Springer, 1980.
[2] Charu C Aggarwal. An introduction to outlier analysis. In Outlier analysis, pages 1–40. Springer, 2013.
[3] Chalapathy, Raghavendra，Chawla, Sanjay. Deep Learning for Anomaly Detection: A Survey, 2019.
[4] 陈斌, 陈松灿, 潘志松,等. 异常检测综述[J]. 山东大学学报(工学版), 2009(06):17-27.

Smileyan
发布日期：2020.5.20
最后修改：2020.11.18

感谢您的 点赞、 收藏、评论 与 关注