Resumen

La detección de anomalías en datos de alta dimensionalidad y desequilibrados es común. La detección efectiva de anomalías es esencial para la alerta temprana de problemas o desastres y para mantener la fiabilidad del sistema. Un problema de investigación significativo relacionado con el análisis de datos del sensor es la detección de anomalías. La detección de anomalías es esencialmente una clasificación binaria de secuencia desequilibrada. Los datos de este tipo contienen características de gran escala, cálculos de alta complejidad, distribución desequilibrada de datos y relación de secuencia entre los datos. Este artículo utiliza redes neuronales de memoria a largo plazo (LSTMs) combinadas con datos de secuencia histórica; además, integra el algoritmo de técnica de sobremuestreo de minorías sintéticas (SMOTE) y vecinos más cercanos (kNN), y diseña y construye un modelo de red de detección de anomalías basado en kNN-SMOTE-LSTM de acuerdo con la característica de los datos de ser desequilibrados. Este modelo puede

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Detección de anomalías; Datos desequilibrados; Análisis de datos de sensores; Redes de memoria a largo plazo y corto plazo; Algoritmo SMOTE; Vecinos más cercanos de K
• Keywords:Anomaly detection; Unbalanced data; Sensor data analysis; Long short-term memory networks; SMOTE algorithm; K-nearest neighbors