Akan verilerde anomali tespiti için hibrit tekniklere dayalı bir yöntem tasarımı ve gerçekleştirimi
Küçük Resim Yok
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Anomali değer, verinin geri kalanından belirgin bir şekilde farklı olan veya verilerin büyük bir bölümüyle tutarsız olan ve çelişen verilerdir. Anomali veriler model kurma hatasına, yanlış parametre tahminlerine veya yanlış analiz sonuçlarına sebep olabilirler. Bu yüzden, doğru hesap yapma ve model kurma açısından anomali değerlerin tespit edilmesi oldukça önemlidir. Anomali değer tespiti, verilerde beklenen normal davranışa uymayan desen bulma problemi olarak tanımlanır. Anomali değer tespiti, finans alanında kredi kartı dolandırıcılığı, siber güvenlik alanında yetkisiz giriş ve işlem tespiti gibi çok çeşitli uygulama alanlarında araştırılan bir konu başlığıdır. Bu tezde, akan verilerde anomali değer tespiti için iki yeni hibrit yöntem önerilmiştir. İlk yöntem, anomali tespit etmede kullanılan Yarım Uzay Ağaçları(Half Space Trees) ile olasılık değeri hesaplamak için kullanılan Gauss Kümülatif Dağılımı'nı kullanarak geliştirilmiş olan Gauss Uzay Ağaçları'dır. Diğer yöntem ise, otomatik kodlayıcılar için geliştirilmiş olan bir sarmalayıcıdır. Bu teknikte olasılık hesaplamak için kullanılan Gauss Kümülatif Dağılımı ve kavram kaymasını saptayan Uyarlanabilir Pencere, Olasılık Ağırlandırılmış Otomatik Kodlayıcı ile birleştirilmiş ve bunun sonucunda da Gauss Ağırlıklı Uyarlanabilir Pencere Otomatik Kodlayıcı sarmalayıcısı geliştirilmiştir.
An anomaly value is data that differs markedly from the rest of the data or is inconsistent or conflicting with most of the data. Anomaly data can cause model building errors, incorrect parameter estimates, or incorrect analysis results. Therefore, it is very important to determine the anomaly values in terms of correct calculation and model building. Anomaly value detection is defined as the problem of finding patterns in the data that do not conform to the expected normal behavior. Anomaly value detection is a topic researched in various application areas such as credit card fraud in finance, intrusion and transaction detection in cyber security. In this thesis, two new hybrid methods are suggested for anomaly value detection in streaming data. The first method is Gaussian Space Trees , which was developed Half Space Trees used to detect anomalies and developed using Gaussian Cumulative Distribution used to calculate probability value. The other method is a wrapper developed for autoencoders. In this technique, the Adaptive Window, which detects concept shift and the Gaussian Cumulative Distribution to calculate probability, is combined with the Probability Weighted Autoencoder, as a result, the Gaussian Adaptive Window Autoencoder wrapper is developed.
An anomaly value is data that differs markedly from the rest of the data or is inconsistent or conflicting with most of the data. Anomaly data can cause model building errors, incorrect parameter estimates, or incorrect analysis results. Therefore, it is very important to determine the anomaly values in terms of correct calculation and model building. Anomaly value detection is defined as the problem of finding patterns in the data that do not conform to the expected normal behavior. Anomaly value detection is a topic researched in various application areas such as credit card fraud in finance, intrusion and transaction detection in cyber security. In this thesis, two new hybrid methods are suggested for anomaly value detection in streaming data. The first method is Gaussian Space Trees , which was developed Half Space Trees used to detect anomalies and developed using Gaussian Cumulative Distribution used to calculate probability value. The other method is a wrapper developed for autoencoders. In this technique, the Adaptive Window, which detects concept shift and the Gaussian Cumulative Distribution to calculate probability, is combined with the Probability Weighted Autoencoder, as a result, the Gaussian Adaptive Window Autoencoder wrapper is developed.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
