面向数据流的异常挖掘算法研究

异常挖掘在许多领域中具有很高的实用价值，可用来避免或减少不必要的损失。已有异常挖掘方法面对时态数据流，在可扩展性、时效性、准确性和自适应性等方面难以满足实际应用的要求，为此，本项目进行以下几方面的研究：(1)提出流数据表示模型和度量时态数据相似性的有效方法；(2)针对数据流具有时态特性和随时间变化的趋势的特点，提出高效、高精度的数据流聚类算法，并利用多时间粒度下聚类结果的差异研究进化问题；(3)研究聚类偏离整体程度的方法，提出基于聚类模型的高效数据流异常挖掘算法；(4)在聚类模型的基础上研究分类规则挖掘算法和基于规则的异常挖掘算法；(5)研究参数的自动设置策略以提高聚类算法和异常挖掘算法的自适应能力；(6)提出的方法在入侵检测和欺诈检测等领域中的应用。研究面向数据流的快速有效的异常挖掘算法，具有重要的学术价值和广阔的应用前景，将丰富异常挖掘的研究内容，同时也将推动异常挖掘在相关领域中的应用