基于记忆增强的对抗自编码器异常检测算法

蔚 焘，成卫青

(南京邮电大学计算机学院、软件学院、网络空间安全学院，江苏 南京 210023)

异常检测（Anomaly detection）［1］，又称离群点检测（Outlier detecion），是检测不匹配预期模式或与大多数数据实例显著不同的数据点，这些被检测出的数据点被称为异常点。随着人工智能的快速发展，异常检测在计算机视觉［2］、数据挖掘［3］、自然语言处理等实际应用领域发挥着越来越重要的作用。例如，从监控视频中检测出不符合常规模式的行为［4－5］，金融企业根据信用卡交易记录识别出欺诈行为［6］，网络安全领域中的攻击检测［7］，这些领域的数据在维度和规模上都在迅速增长，因此需要更高效和准确的方法检测数据中的异常。由于异常的罕见性，数据集中正常数据往往占据绝大多数，这就导致获取足够异常数据的高成本和困难性，所以在实际应用中采用监督学习通常不切实际。

近些年来，国内外针对异常检测问题的研究主要集中于半监督［8］方式与无监督方式。通常来说，异常检测所采用的技术大致可以分为基于统计的方法、基于距离的方法、基于密度的方法和深度学习方法。由于深度学习在处理高维数据、时序数据和空间数据等复杂数据的优异表现，深度学习开始应用于解决现实世界中各种具有挑战性的异常检测问题，并且相较于其他方法其性能有了大幅提高。其中最具代表性的深度异常检测方法就是自编码器，自编码器不仅能够对数据进行降维，还能将降维数据重新构造为原始输入。……