چارچوب توزيع شده براي تشخيص ناهنجاري در گراف هاي پويا

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

تشخيص ناهنجاري در يال هاي گراف هاي پويا به دليل افزايش بي سابقه ي حجم و پيچيدگي داده ها در كاربردهايي همچون كشف تقلب، پايش شبكه هاي اجتماعي و امنيت سايبري، به يكي از چالش هاي محوري در علم داده و يادگيري ماشين تبديل شده است. نياز به پردازش بلادرنگ و محدوديت هاي حافظه اي، همراه با فقدان برچسب هاي دقيق در بسياري از مجموعه هاي واقعي، امكان استفاده ي مستقيم از الگوريتم هاي سنگين و نظارت شده را با مشكل مواجه مي سازد. در اين پژوهش، چارچوبي سبك وزن، توزيع پذير و ماژولار براي حل اين مسئله ارائه شده استكه شامل سه بخش اصلي است: ( 1) توزيع و پنجره بندي داده ها به منظور كاهش مصرف حافظه و تسهيل پردازش موازي، ( 2) امتيازدهي و ( 3) ماژول آستانه گذاري خودكار با مجموعه اي از روش هاي آماري و يك روش ،AnoEdge-G ناهنجاري با استفاده از الگوريتم ابتكاري مبتني بر ضريبي از مقادير بيشينه در هر پنجره ي زماني. استفاده از پنجره بندي ايستا، علاوه بر آنكه پردازش ها را به صورت معناداري كاهش مي دهد، امكان تعميم اين ساختار به داده هاي آينده و حفظ كارايي در جريان هاي بلادرنگ را نيز فراهم مي كند. تمامي مراحل اين چارچوب به صورت قطعي و بازتوليدپذير طراحي شده و قابليت اجراي موازي كامل را دارا است. آزمايش هاي اوليه بر تأثير موازي سازي بر زمان اجرا و افت دقت نشان داد كه با تقسيم بندي مناسب داده ها مي توان سرعت پردازش را به طور چشمگيري افزايش داد و تنها كاهش اندكي در دقت مشاهده كرد؛ اين امر چارچوب را براي كاربردهاي بلادرنگ و مقياس پذير مناسب مي سازد. در مرحله ي تعيين آستانه، روش ابتكاري ما عملكردي حداقل به اندازه ي روش هاي مطرح موجود ارائه داد و با وجود سادگي پياده سازي، از نظر دقت در شناسايي ناهنجاري ها قابل مقايسه با بهترين روش ها عمل كرد. در يكي از مجموعه هاي داده هاي آزمايشي، دقت تشخيص ناهنجاري به حدود 99 درصد رسيد كه نشان دهنده ي بهبود قابل توجه چارچوب پيشنهادي است. اين نتايج نشان مي دهد رويكرد ما مي تواند گامي مؤثر در جهت عملي سازي تشخيص ناهنجاري در گراف هاي پويا با منابع محدود و نياز به پردازش زمان واقعي باشد.

235339

نرم‌افزار

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان