5、空间属性数据异常检测与高维空间异常排序算法

空间属性数据异常检测与高维空间异常排序算法

1. 空间属性数据异常检测方法

空间数据异常检测在众多领域有着重要应用。下面介绍几种常见的检测方法及相关概念。

1.1 基于聚类的空间数据异常检测适配方法

使用基于聚类的通用异常检测方法处理空间数据时，一种直接的做法是先利用值属性对数据进行划分，再将划分后的数据分别输入仅使用空间属性的异常检测方法。由于针对网络入侵的技术大多采用能在属性空间生成连续凸簇的聚类算法，因此仅对空间属性数据使用这些算法可生成空间连续的簇，这是一个理想的特性。

不过，这种划分方法在区域异常检测方面可能比离群点检测带来更严重的问题，因为区域异常通常包含多个对象。例如，跨越基于值属性划分边界的异常可能会在基于划分的适配方法中被漏检。使用模糊聚类方法划分数据或许是一个值得探索的方向，能更有原则地利用基于聚类的异常检测方法。

1.2 不同聚类方法在空间数据异常检测中的应用

不同的聚类方法操作方式各异。基于密度的聚类算法（如DBSCAN及其变体OPTICS）采用自下而上的方式，通过聚合数据对象形成簇；而像K - Means这样的流行算法则采用更全局的策略，根据数据点与各种簇模型的接近程度将其分配到簇中。

基于密度的聚类算法，特别是DBSCAN和OPTICS，已被证明在检测空间数据模式方面很有用。许多区域异常检测方法在确定候选异常时缺乏复杂的方法，大多数空间扫描统计采用完全不考虑数据的方法来确定候选区域（如基本空间扫描统计将任何圆形区域都视为候选区域，无论其内部数据的稀疏或密集程度），而用于查找同质区域的LHA方法仅适用于网格数据。

因此，可以考虑借鉴基于密度的聚类算