- окт 09, 2020
Бадасян Т.С.
Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Бадасян Тигран Смбатович – магистрант, Факультет прикладной математики и физики, Национальный политехнический университет Армении, г. Ереван, Республика Армения
Аннотация: поддержание безопасности цифровых систем с огромным объемом данных является одной из основных задач ИТ-специалистов в настоящее время. Обнаружение аномалий в системах является одним из решений для преодоления этой проблемы. Обнаружение аномалий означает обнаружение данных, которые не являются нормальными или отклоняются от нормального поведения в системе. Обнаружение аномалий имеет различные приложения в биоинформатике, обработке изображений, кибербезопасности, безопасности для баз данных и т.д.
В данной статье рассмотрена задача обнаружения двух видов аномалий (всплески или пики (spikes) и точки изменения (change points)) в среде ML.NET на данных временных рядов с информацией о ценах товара.
Ключевые слова: аномалия, временные ряды, среда ML.NET, всплески, точки изменения.
THE ANOMALY DETECTION PROBLEM WITH ML.NET FRAMEWORK
Badasyan T.S.
Badasyan Tigran Smbatovich - Graduate Student, FACULTY OF APPLIED MATHEMATICS AND PHYSICS, NATIONAL POLYTECHNIC UNIVERSITY OF ARMENIA, YEREVAN, REPUBLIC OF ARMENIA
Abstract: maintaining the security of digital systems with a huge amount of data is one of the main tasks of IT professionals at present. Detecting anomalies in systems is one of the solutions to overcome this problem. Anomaly detection means detecting data that is not normal or deviates from system normal behavior. Anomaly detection has various applications in bioinformatics, image processing, cybersecurity, database security, etc.
This article discusses the problem of detecting two types of anomalies (spikes and change points) in the ML.NET framework based on time series data with information on product prices.
Keywords: anomaly, time series, ML.NET framework, spikes, change points.
Список литературы / References
- Chandola V., Banerjee A., Kumar V. "Anomaly detection: a survey". ACM Computing Surveys. Vol. 41. № 3, Pp. 1–58, 2009.
- Chandola V., Banerjee A., Kumar V. "Anomaly detection for discrete sequences: a survey", IEEE Trans. Knowl. Data Eng. Vol. 24. № 5. Pp. 823-839, 2012.
- Aggarwal C.C., Sathe S. Outlier ensembles. An introduction, Springer, 2017.
- Xu X., Liu H., Yao M. "Recent progress of anomaly detection". Hindawi. Complexity, 2019.
- Cesar De la Torre, Introducing ML.NET: Cross-platform, Proven and Open Source Machine Learning Framework. May, 2018. [Электронный ресурс]. Режим доступа: https://devblogs.microsoft.com/dotnet/introducing-ml-net-cross-platform-proven-and-open-source-machine-learning-framework/ (дата обращения: 31.03.2020).
- Cesar De la Torre, Announcing ML.NET 1.4 general availability (Machine Learning for .NET). November, 2019. [Электронный ресурс]. Режим доступа: https://devblogs.microsoft.com/dotnet/announcing-ml-net-1-4-global-availability-machine-learning-for-net/ (дата обращения: 31.03.2020).
- Machine learning tasks in ML.NET. December, 2019. [Электронный ресурс]. Режим доступа:https://docs.microsoft.com/en-us/dotnet/machine-learning/resources/tasks#anomaly-detection/ (дата обращения: 31.03.2020).
Ссылка для цитирования данной статьи
Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства. | ||
Бадасян Т.С. ЗАДАЧА ОБНАРУЖЕНИЯ АНОМАЛИЙ В СРЕДЕ ML.NET // Наука, техника и образование № 3(67), 2020. - С.{см. журнал}. |