امروز دوشنبه ، ۱۴۰۱/۰۴/۱۳
بدان
FAENZYXWVUTSRQPONMLKJIHGFEDCBA

تشخیص ناهنجاری

تشخیص ناهنجاری به چه معناست؟ تشخیص ناهنجاری شناسایی نقاط داده، موارد، مشاهدات یا رویدادهایی است که با الگوی مورد انتظار یک گروه معین مطابقت ندارند. این ناهنجاری‌ها به ندرت اتفاق می‌افتند، اما ممکن است به معنای تهدید بزرگ و مهمی مانند نفوذ سایبری یا کلاهبرداری باشند. تشخیص ناهنجاری به شدت در تجزیه و تحلیل رفتاری و سایر اشکال تجزیه و تحلیل به منظور کمک به یادگیری در مورد تشخیص، شناسایی و پیش بینی وقوع این ناهنجاری ها استفاده می شود. تشخیص ناهنجاری به عنوان تشخیص پرت نیز شناخته می شود.Bedan تشخیص ناهنجاری را توضیح می دهد تشخیص ناهنجاری عمدتاً یک فرآیند داده کاوی است و برای تعیین انواع ناهنجاری های رخ داده در یک مجموعه داده و تعیین جزئیات در مورد وقوع آنها استفاده می شود. در حوزه هایی مانند تشخیص تقلب، تشخیص نفوذ، تشخیص خطا، نظارت بر سلامت سیستم و سیستم های تشخیص رویداد در شبکه های حسگر قابل استفاده است. در زمینه تشخیص تقلب و نفوذ، ناهنجاری ها یا موارد جالب لزوما موارد نادر نیستند، بلکه آن انفجارهای غیرمنتظره از فعالیت ها هستند. این نوع ناهنجاری‌ها با تعریف ناهنجاری‌ها یا موارد پرت به‌عنوان رویدادهای نادر مطابقت ندارند، بنابراین بسیاری از روش‌های تشخیص ناهنجاری در این موارد کار نمی‌کنند، مگر اینکه به طور مناسب جمع‌بندی یا آموزش داده شده باشند. بنابراین، در این موارد، یک الگوریتم تحلیل خوشه ای ممکن است برای تشخیص الگوهای ریزخوشه ای ایجاد شده توسط این نقاط داده مناسب تر باشد. تکنیک های تشخیص ناهنجاری عبارتند از: ماشین های بردار پشتیبانی یک کلاس تعیین رکوردهایی که از قوانین انجمن آموخته شده منحرف می شوند تکنیک های مبتنی بر فاصله شبکه های عصبی شبیه ساز تشخیص ناهنجاری مبتنی بر تحلیل خوشه ای تکنیک های خاص برای تشخیص ناهنجاری در برنامه های امنیتی عبارتند از: روش های پروفایل سازی روش های آماری سیستم های مبتنی بر قانون رویکردهای مبتنی بر مدل روش های مبتنی بر فاصله

Anomaly Detection

What Does Anomaly Detection Mean? Anomaly detection is the identification of data points, items, observations or events that do not conform to the expected pattern of a given group. These anomalies occur very infrequently but may signify a large and significant threat such as cyber intrusions or fraud. Anomaly detection is heavily used in behavioral analysis and other forms of analysis in order to aid in learning about the detection, identification and prediction of the occurrence of these anomalies. Anomaly detection is also known as outlier detection. Techopedia Explains Anomaly Detection Anomaly detection is mainly a data-mining process and is used to determine the types of anomalies occurring in a given data set and to determine details about their occurrences. It is applicable in domains such as fraud detection, intrusion detection, fault detection, system health monitoring and event detection systems in sensor networks. In the context of fraud and intrusion detection, the anomalies or interesting items are not necessarily the rare items but those unexpected bursts of activities. These types of anomalies do not conform to the definition of anomalies or outliers as rare occurrences, so many anomaly detection methods do not work in these instances unless they have been appropriately aggregated or trained. So, in these cases, a cluster analysis algorithm may be more suitable for detecting the microcluster patterns created by these data points. Techniques for anomaly detection include: One-class support vector machines Determination of records that deviate from learned association rules Distance-based techniques Replicator neural networks Cluster analysis-based anomaly detection Specific techniques for anomaly detection in security applications include: Profiling methods Statistical methods Rule-based systems Model-based approaches Distance based methods