دانشکده مهندسی کامپیوتر- دفاعیه دکترا
مریم آموزگار

حذف تصاویر و رنگ‌ها  | تاریخ ارسال: 1400/4/30 | 

خانم مریم آموزگار دانشجوی دکترای آقای دکتر بهروز مینایی روز شنبه مورخ  ۱۴۰۰/۰۵/۰۲ از رساله دکتری خود با عنوان "تشخیص ناهنجاری در گراف‌های پویا با استفاده از الگوریتم‌های تجزیه تانسوردفاع خواهند نمود.

 

ارائه ­دهنده:
مریم آموزگار
  استاد راهنما:
دکتر
بهروز مینایی

  هیات داوران:

دکتر حمید بیگی؛ دکتر صادق علی اکبری؛ دکتر محمدرضا کنگاوری و دکتر حسین رحمانی

زمان :  ۰۲ مرداد ماه ۱۴۰۰

  ساعت ۹ صبح

 محل برگزاری: :     http://meeting.iust.ac.ir/
اتاق دفاعیه‌های دکتر مینایی



چکیده پایان نامه :

تشخیص ناهنجاری در گراف‌های پویا کاربردهای متفاوتی از جمله تجزیه و تحلیل ترافیک در شبکه‌های حمل و نقل و تشخیص نفوذ در شبکه‌های رایانه‌ای دارد. دسته مهمی از راهکارهای تشخیص ناهنجاری در شبکه‌های پویا، بر پایه ردیابی زیرفضای برخط استوار و تجزیه تانسور بنا نهاده شده‌اند. البته روش‌های موجود از عدم استواری کافی در مقابل تغییرات ناگهانی زیرفضا رنج می‌برند. به منظور حل این مشکل، این رساله یک ردیاب زیرفضا و ناهنجاری برخط استوار مبتنی بر تجزیه تانسور ارائه کرده است که در برابر تغییرات ناگهانی زیر فضا استوار است. تخمین دقیق‌تر زیرفضای اصلی و متعاقب آن بخش خلوت، باعث تشخیص ناهنجاری با دقت بیشتری شده است. عملکرد راهکار پیشنهادی با مجموعه‌داده‌های با سطح مختلف تنکی ارزیابی شده است. خطای پیش‌بینی کمتر و مقادیر F-Measure بیشتر به دست آمده، برتری روش پیشنهادی را بر راهکارهای موجود از دو جنبه توان یادگیری و تشخیص ناهنجاری نشان می‌دهد.
از منظری دیگر، تغییر ناگهانی زیرفضا به معنی تغییر رفتار طبیعی و معادل نوعی از رانش مفهوم است که باید از ناهنجاری تفکیک شود. این تمایز منجر به کاهش هشدار نادرست و در نتیجه بهبود کارایی تشخیص ناهنجاری می‌شود.    علاوه بر این، در راهکار اول بهروزرسانی پیوسته یادگیرنده و تطبیق آن با تغییرات احتمالی در همه گام‌های زمانی انجام می‌شود که بسیار پرهزینه است. بر این اساس راهکار پیشنهادی دوم یک الگوریتم ردیابی زیرفضای استوار است که قابلیت تشخیص صریح رانش مفهوم و تفکیک آن از ناهنجاری را به طور همزمان و برخط دارد و علاوه بر آن تطبیق زیرفضا تنها در زمان وقوع رانش مفهوم انجام می‌شود. ارزیابی روش پیشنهادی با مجموعه داده‌های واقعی انجام شد که مقادیر بیشتر برای سنجه F-measure و کمتر برای سنجه کشف مثبت کاذب، کارایی بهتر واحد تشخیص ناهنجاری را تایید می‌کنند. همچنین خطای پیش‌بینی کمتر، توان بالاتر یادگیرنده را در همگرایی و تطبیق با تغییرات نشان می‌دهد.

کلمات کلیدی: تشخیص ناهنجاری، گراف‌های پویا، روش‌های تجزیه تانسور، الگوریتم‌های برخط استوار، تطبیقی، رانش مفهوم، تطبیق آگاهانه

 
Abstract

Anomaly detection in dynamic graph has many applications, for instance, traffic analysis in transportation networks and intrusion detection in computer networks. One group of popular methods for anomaly detection from dynamic networks are tensor decomposition based robust online subspace trackers. However, these methods suffer from problem of insensitivity to drastic changes in the evolving subspace. In order to solve this problem, we propose a new robust online subspace and anomaly tracker based on tensor decomposition which is more adaptive and robust against sudden drastic changes in the subspace. More accurate estimation of low rank and sparse components by this tracker leads to more accurate anomaly detection. We evaluate the accuracy of our method with real-world dynamic network data sets with varying sparsity levels. Lower prediction error and higher F-Measure confirm that our method outperforms the state-of-the-art in terms of learning ability and anomaly detection.
On the other hand, a sudden change in the subspace means a change in the natural behavior and is equivalent to a type of concept drift and must be distinguished from the anomaly. This discrimination reduces the false alarms and improves the performance of anomaly detection. In addition, the first solution continuously updates the learner to adapt with changes at all time-steps, which is very costly. Accordingly, the second proposed method is a robust subspace tracking algorithm that explicitly detects concept drift and distinguishes it from anomaly simultaneously and online. Moreover, adaptation process is performed only when the concept drift occurs. Evaluation with real datasets demonstrates the promising performance of the proposed method for anomaly detection with higher F-measure and lower false-positive discovery, as well as convergence and adaptivity of the learning model by providing a lower prediction error.
 
Keyword: Anomaly detection, Dynamic graphs, Tensor decomposition methods, Robust online algorithms, concept drift, Informed and blind adaptive method 

محل برگزاری: به صورت مجازی 
دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

 

نشانی مطلب در وبگاه دانشکده مهندسی کامپیوتر:
http://idea.iust.ac.ir/find-14.11063.64337.fa.html
برگشت به اصل مطلب