王俊，赖会霞，2*，万玥，张仕，3**

（1.福建师范大学计算机与网络空间安全学院，福建 福州 350117；2.福建省网络安全与密码技术重点实验室，福建 福州 350117；3.福建师范大学数字福建环境监测物联网实验室，福建 福州 350117）

0 引言

异常检测通常用于识别偏离正常行为的数据、事件和观察结果，其在许多领域都有重要应用，如欺诈攻击［1-2］、网络安全［3-4］、医疗数据分析［5-6］等。各类传感器在工业、医疗等领域的广泛应用带来了更高维度的数据，但是，高维数据的“维度灾难”问题给现有异常检测方法带来新的挑战，主要表现为现有异常检测方法在面对高维数据时存在不同程度的检测精度下降问题。所谓的“维度灾难”是指随着数据维度的提升，从样本点到质心的最大和最小欧氏距离的差值与其最小欧氏距离的比值趋于0，即随着特征空间维度的增加，数据之间距离的相对差距几乎消失［7］，这也就导致基于距离的异常评估变得更困难。

目前，已有学者提出多种无监督异常检测方法，其中基于距离的异常检测算法（如KNN［8］）和基于密度的异常检测算法（如LOF［9］、DBScan［10］）依赖于数据节点之间的距离来求异常值，由于距离会随着维度升高而变得难以区分，从而导致这类算法在高维情况下失效。此外，多数基于距离和密度的异常检测算法需考虑局部范围内的近邻数据，因此，它们的异常检测精度还受近邻点数量的影响。为了减少节点间的距离计算，研究人员提出基于树结构的异常检测算法（如IFOREST［11］），但是该类算法同样无法适用于高维数据的情况。……