基于用户行为模式特征的时间序列异常检测

时间序列的异常点是用户产生的不符合预期行为模式的数据。研究异常点的起因和可能引起的后果，可以辅助用户提供有效的决策支持。例如针对电子商务个性化推荐的托攻击会产生大量异常的评价数据，研究这些异常数据的起因，判断可能的风险，可以为用户的个性化推荐提供更准确合理的服务。由于技术的发展，当前时间序列数据之间关系的复杂化以及异常种类的增多导致已有的异常检测算法很难有效地发现异常。因此，如何从这些异常数据中提取特征，准确地对异常进行检测是当前时间序列研究中的一个重要方向。本书从用户行为模式的角度，分析正常数据和异常数据的特征，并结合信号处理、模式识别的方法，分别对推荐系统中项目的评分时间序列和流量工程中的流量时间序列进行异常检测。主要工作是：基于用户正常行为模式的时间序列异常检测和预测，以及基于用户异常行为模式的时间序列异常检测。

1 绪论
1.1 时间序列中的异常
1.2 流量工程中流量时间序列异常检测的研究现状
1.2.1 基于模型的异常检测
1.2.2 基于预测的异常检测
1.3 推荐系统中项目的评分时间序列异常检测的研究现状
1.4 本书的主要研究内容和结构
1.4.1 本书的主要研究内容
1.4.2 本书的主要结构
2 基于机器学习的时间序列异常检测
2.1 基于静态结构的时间序列异常检测
2.1.1 基于统计的时间序列异常检测
2.1.2 基于距离的时间序列异常检测
2.1.3 基于聚类的时间序列异常检测
2.1.4 基于分类的时间序列异常检测
2.2 基于动态结构的时间序列异常检测
2.2.1 增量学习
2.2.2 集成学习
3 基于正常行为模式的时间序列异常检测
3.1 引言
3.2 在时间序列中使用SVD模型
3.3 基于用户正常行为模式的异常检测
3.3.1 问题的定义和解决方案的分析
3.3.2 流量时间序列的异常检测架构（BasisEvolution，BE）
3.3.3 数据清理（对无标记数据的联合异常检测）
3.3.4 基函数生成
3.3.5 基函数更新
3.3.6 异常检测和对异常点的聚类
3.4 基于合成数据的实验及分析
3.4.1 流量数据的合成
3.4.2 异常检测的评价准则
3.4.3 实验结果和分析
3.4.4 时间效率分析
3.5 基于实际数据的实验及分析
本章小结
4 基于趋势预测模型的时间序列异常检测
4.1 引言
4.2 相关理论研究
4.2.1 BP神经网络模型
4.2.2 Hodrick Prescott趋势提取模型
4.3 基于趋势预测模型的流量时间序列异常检测
4.3.1 问题的定义和解决方案分析
4.3.2 趋势提取
4.3.3 周期趋势评估
4.3.4 相关趋势预测
4.3.5 扰动预测
4.3.6 所有预测评估值的整合
4.3.7 基于预测的流量时间序列异常检测
4.4 小时间尺度下流量时间序列的相似性分析
4.5 基于真实数据集的实验评估和分析
4.5.1 参数估计
4.5.2 预测结果的准确度分析
4.5.3 时间效率分析
4.5.4 合成数据中基于预测的异常流量检测
4.5.5 真实数据中基于预测的异常流量检测
本章小结
5 基于异常行为模式的时间序列异常检测
5.1 引言
5.2 时间序列统计分布的不对称性研究
5.3 基于异常行为模式的异常评分时间序列检测
5.3.1 问题的定义和解决方案的分析
5.3.2 异常评分检测的基本定义
5.3.3 基于项目概貌的托攻击异常评分分析
5.3.4 基于项目概貌的托攻击异常评分特征提取
5.3.5 基于时间区间动态分割以及假设检验的异常检测框架（SDF）
5.3.6 异常检测算法的稳定性分析以及评价准则
5.3.7 基于项目概貌的托攻击分类
5.4 基于真实数据集的实验评估和分析
5.4.1 SDF中相关参数的确定
5.4.2 SDF的检测结果分析
5.4.3 SDF和X-bar算法有效性比较
5.4.4 SDF和其他检测算法的鲁棒性比较
5.4.5 SDF和其他检测算法的时间复杂度比较
5.4.6 稳定性准则的鲁棒性检查
本章小结
6 总结和研究展望
6.1 总结
6.2 研究展望
参考文献
后记