解 峰 蔡江辉 杨海峰 荀亚玲

（太原科技大学计算机科学与技术学院 太原 030024）

1 引言

异常数据检测是数据挖掘的一个热门研究方向，其目标是寻找与多数对象明显不同的样本点。在数据的分布图中，这些样本点与其他数据点距离较远，所以也被称为离群点［1］（outlier）。异常数据的检测方法按照类型分为基于模型的方法［2］、基于聚类［3］的方法、基于邻近［4］的方法。基于模型的方法需要建立一个异常点不能完美拟合的数据模型，通过考虑对象异常的可能概率，运用概率分布模型［5］，计算样本分布的均值标准差，如果对象不能很好地同该模型拟合，则认为该对象为异常点。基于模型的异常检测方法对数据作统计学假定，只有当假定满足实际约束时，才能检测到异常数据。简单模型（如高斯模型）对参数进行拟合仅需要线性时间，但当模型复杂（如混合模型［6］）时，需要多次迭代来拟合最佳参数。基于聚类的异常检测方法，假定正常数据属于相对密集的簇，而异常数据属于稀疏的簇或不属于任何簇，在这种假定下，通过考察对象与聚类算法产生的簇之间的关系来识别异常数据，当识别到不属于任何簇类的对象，或者属于偏远的且样本量较少的簇时，则大概率为异常点或异常簇。基于聚类的方法是一种无监督的检测方法，它不依赖于数据的标签，直接将对象与簇进行比较来检测异常点，但是对于大型数据集，聚类方法开销较大，不适用于异常检测。……