基于神经拟态模型的并发数据流无监督在线异常检测技术

Anomaly detection on data streams is widely used in many fields, such as intelligent traffic monitoring, network intrusion detection, financial risk analysis and so on. Unsupervised real-time online anomaly detection on large-scale concurrent data streams is an important and challenging research topic. Facing the rapid, large-scale, continuous and dynamic concurrent data streams, the existing research cannot effectively solve the key problems of the anomaly detection, including accuracy and real-time. This project introduces the new idea of brain-inspired computing to the domain of anomaly detection and proposes a framework for unsupervised online anomaly detection on concurrent data streams based on new neuromorphic models. The framework adopts the confabulation model to mimics the human brain information processing and decision-making mechanism, capture correlations between features at the symbolic level, detect abnormal through unsupervised learning from unlabeled data and its recall algorithm. In the framework, we focus on and propose an automatic construction method of confabulation network and a knowledge base evolution method using incremental learning. Furthermore, the MapUpdate, a new parallel programming model for data streams, is utilized to implement large-scale parallel acceleration. The overall proposed framework and techniques can achieve fast and accurate anomaly detection on concurrent data streams. The result of this project not only has significant practical value, but also can further demonstrate great potential of neuromorphic models and promote the development and application of brain-inspired computing.

数据流异常检测技术在智能交通监控、网络入侵检测、金融风险分析等众多领域具有广泛应用，针对大规模并发数据流的无监督实时在线异常检测是当前一个重要研究热点，面对快速、大规模、持续到达、动态变化的并发数据流，现有研究还无法有效解决异常检测的准确性和实时性等关键科学问题。本项目将类脑计算思想引入异常检测领域，提出一套基于新型神经拟态计算模型的并发数据流无监督在线异常检测框架。该框架采用交谈网络模型模拟人脑信息处理和决策机制，捕捉特征间的符号层相关性，通过对无标记数据的无监督学习和召回算法实现异常检测。在该框架中重点研究并提出交谈网络自动构建方法和知识库增量学习进化方法，并利用MapUpdate流式并行计算模型实现大规模并行加速。上述框架和方法能实现快速准确的并发数据流在线异常检测，具有显著应用价值，同时可进一步展示神经拟态模型的潜力，促进类脑智能计算的发展和应用。

本项目研究神经拟态计算模型和异常检测技术。利用类脑计算思想和新型神经拟态计算模型，提出一套模拟人脑信息处理和决策机制的异常检测框架方法,采用神经拟态交谈网络模型捕捉特征间的符号层相关性，通过网络构建、进化学习和召回算法实现异常检测。作为“第三代神经网络”的脉冲神经网络是类脑计算和神经拟态计算的基础理论模型，能有效模拟大脑神经元脉冲计算机制、时间编码机制及神经元之间信息传递的动力学特性，以异步事件驱动方式进行工作，易于在硬件上实现分布式并行计算与存储，具备高仿生和低功耗特性，在人工智能领域具有广阔应用前景。本项目对脉冲神经网络模式识别的两个核心环节——脉冲编码和突触学习——进行了研究。提出一种基于改进HMAX模型及相位编码机制的脉冲神经编码方法，以解决HMAX模型中没有考虑生物视觉皮层细胞方向敏感性和信息传递稀疏性等问题，实现更有效的特征提取。提出一种基于精确突触调整的突触学习规则，以解决精确脉冲驱动学习规则中权值最优解难以保证及收敛速度难以控制等问题。提出一种基于生物视觉分层模型与精确突触调整的神经拟态计算模型，可实现准确性较高、收敛速度较快、鲁棒性较好的视觉模式识别。项目组共发表学术论文12篇，提交国家发明专利申请3项。项目研究成果在视觉模式识别和异常检测领域具有显著应用价值，进一步展示了神经拟态计算模型的潜力，有利于促进类脑智能计算的发展和应用。