公开(公告)号：CN104794192B

公开(公告)日：2018-06-08

申请号：CN201510185479.5

申请日：2015-04-17

Applicant: 南京大学

Inventor： 吴骏 ,  陈飞宇 ,  彭岳 ,  吴和生 ,  李宁 ,  谢俊元

IPC: G06F17/30

Abstract: 一种基于指数平滑、滑动窗口分布统计和集成学习模型的多级异常检测方法,包括如下步骤：统计检测阶段：a)根据应用场景确定关键特征集合；b)对于离散特征，用滑动窗口分布直方图建模，对于连续特征用指数平滑建模；c)周期性输入各个关键特征的观测值；d)结束。集成学习训练阶段：a)利用已经标记的正常和异常样例，组成训练数据集合；b)训练随机森林分类模型；和集成学习分类阶段；本发明为包含时序特性和复杂行为模式的异常检测问题提供了一个通用框架，适合在线常驻检测，集成学习阶段使用随机森林模型具有可并行化、泛化能力强的特点，该方法可运用于如电信行业业务违规检测、金融行业信用卡欺诈检测、网络攻击检测等多个场景。

公开(公告)号：CN104794192A

公开(公告)日：2015-07-22

申请号：CN201510185479.5

申请日：2015-04-17

Applicant: 南京大学

Inventor： 吴骏 ,  陈飞宇 ,  彭岳 ,  吴和生 ,  李宁 ,  谢俊元

IPC: G06F17/30

Abstract: 一种基于指数平滑、滑动窗口分布统计和集成学习模型的多级异常检测方法,包括如下步骤：统计检测阶段：a)根据应用场景确定关键特征集合；b)对于离散特征，用滑动窗口分布直方图建模，对于连续特征用指数平滑建模；c)周期性输入各个关键特征的观测值；d)结束。集成学习训练阶段：a)利用已经标记的正常和异常样例，组成训练数据集合；b)训练随机森林分类模型；和集成学习分类阶段；本发明为包含时序特性和复杂行为模式的异常检测问题提供了一个通用框架，适合在线常驻检测，集成学习阶段使用随机森林模型具有可并行化、泛化能力强的特点，该方法可运用于如电信行业业务违规检测、金融行业信用卡欺诈检测、网络攻击检测等多个场景。