面向时序数据异常检测的可视分析综述  

Visual Analysis for Anomaly Detection in Time-Series:A Survey

作　　者：韩东明 郭方舟 潘嘉铖 郑文庭[1] 陈为[1] Han Dongming;Guo Fangzhou;Pan Jiacheng;Zheng Wenting;Chen Wei(State Key Laboratory of CAD ＆ CG（Zhejiang University）,Hangzhou 310058)

机构地区：[1]CADWCG国家重点实验室(浙江大学),杭州310058

出　　处：《计算机研究与发展》2018年第9期1843-1852,共10页Journal of Computer Research and Development

基　　金：国家重点研发计划项目(018YFB0904503);国家“九七三”重点基础研究发展计划基金项目(2015CB352503);国家自然科学基金优秀青年科学基金项目(61422211);国家自然科学基金项目(61772456,61761136020)

摘　　要：时序数据中的异常检测指的是在时序上去检测分析数据中异常的特征、趋势或模式.自动化的异常检测方法常会忽略细微的、模糊的、不确定的异常.可视分析通过对数据的可视表达和可视界面,集成用户和数据挖掘的能力.首先总结异常检测的挑战;然后从异常类型(属性、拓扑和混合)和异常检测方法(直接投影法、聚类方法和机器学习方法)2个角度对面向时序数据异常检测的可视分析工作进行分类和总结;最后阐述了未来的研究方向.Anomaly detection for time-series denotes the detection and analysis of abnormal andunusual patterns, trends and features. Automatic methods sometimes fail to detect anomalies that are subtle , fuzzy or uncertain, while visual analysis can overcome this challenge by integrating the capability of human users and data mining approaches through visual representations of the data and visual interface. In this paper, we ident ify the challenges of anomaly detection, and describe the existing works of visual analysis along two categories： types of anomalies （attributes , topologies and hybrids） , and anomaly detection means （direct projection, clustering and machine learning）. We highlight future research directions.

关 键 词：异常检测 可视分析 可视化 时序数据 数据挖掘 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]