Détection Des Anomalies Dans Les Flux Des De

Abstract

Les développements récents des systèmes industriels fournissent une grande quantité des données chronologiques provenant des capteurs, journaux, paramètres du système et mesures physiques, etc. les données sont extrêmement précieuses pour fournir des informations sur les systèmes complexes et pourraient être utilisé pour détecter des anomalies à étapes préliminaires. Cependant, les caractéristiques particulières de ces données chronologiques, telles que les dimensions élevées et les dépendances complexes entre les variables, ainsi que leur volume massif, posent des grands défis aux algorithmes de détection d’anomalies existants. Dans ce mémoire, nous proposons des modèles de régression linéaire, comme une approche évolutive pour la détection des anomalies dont les résultats peuvent être facilement interpréter. Plus précisément, le modèle linéaire LASSO est un modèle qui exploite la dépendance entre variables en appliquant une régularisation l1 pour apprendre la causalité. Notre objectif est de calculer efficacement un score robuste de corrélation entre anomalies pour chaque variable via un modèle linéaire qui peut fournir des informations sur les raisons possibles d’anomalies. Nous évaluons l’efficacité de nos algorithmes proposés à la fois sur l’ensemble des données applicatifs. Les résultats montrent que l’algorithme LASSO atteint performances nettement meilleures que les autres algorithmes et est évolutif pour les applications à grande échelle.