1.结合密度感知和检测难度的主动异常检测方法，其特征在于，所述方法包括：S1、基于数据流初始阶段积累的数据S，构建异常检测模型；S2、基于数据样本的动态变化和检测难度，计算数据样本的查询概率得分；在每一批次的数据样本中，选择查询概率得分最高的预设百分比的数据样本，进行专家判定；S3、当前批次数据样本到达后，对所述异常检测模型进行更新，所述更新包括密度矩阵更新、权重矩阵更新，所述权重矩阵更新，至少部分地基于专家判定的返回标记样本；S4、所述异常检测模型更新后，至少部分地基于更新后的密度矩阵、权重矩阵，利用异常检测模型计算数据样本的异常得分；并返回S2，进入下一批次数据样本的检测；所述S4中，数据样本x i 的异常得分为：其中，K为树数量，T k 表示第k棵树， 表示 在树T k 中所处的叶子节点序号， 表示树T k 的第 个叶子节点在异常分数计算中的权重， 表示树T k 的第 个叶子节点的样本数目，Z为缩放参数；所述S2中，所述动态变化以动态变化得分表示，具体方式为：基于各棵树的叶子节点样本数目构建的叶子节点密度矩阵，将叶子节点的数据密度进行平滑处理；计算第b批数据与第b-1批数据在第k棵树的第j个叶子节点发生的数据密度变化 ；将数据样本x i 在K棵树中各叶子节点发生的数据密度变化的均值，作为数据样本x i 的动态变化得分，K为树数量。
2.根据权利要求1所述的方法，其特征在于，所述S1中，异常检测模型采用二分随机树构建二分森林模型，具体方式为：S101、初始化根节点root(None, None, None,|S|)，将S指定至节点node，当前层数设置为1；S102、遍历当前层每一个节点，采用随机不放回方式选取一个特征f，基于特征f的取值中值mean(f)，将节点绑定样本集V划分为两个子集 ，从而生成两个子节点node1、node2；S103、将当前层数递增1，判断是否到达预设高度，如果到达，则构建结束，否则返回S102。
3.根据权利要求2所述的方法，其特征在于，每棵树中节点属性设置为四元组：特征、取值上限、取值下限、样本数目。
4.根据权利要求2所述的方法，其特征在于，所述两个子集设置为： ， ；其中， 表示样本x在特征f的取值。
5.根据权利要求1所述的方法，其特征在于，所述S2中，所述检测难度，以检测难度得分表示，具体方式为：求取数据样本x i 在树T k 上的路径样本节点数据下降速率：其中， 表示树T k 的第 个叶子节点的样本数目， 表示从x i 到根节点路径上节点样本数目的均值，T k 表示第k棵树；将数据样本x i 在K棵树中的路径样本节点数据下降速率的均值，作为数据样本x i 的检测难度得分；K为树数量。
6.根据权利要求1所述的方法，其特征在于，所述S3中，密度矩阵更新通过更新每个数据样本 对应的 实现：即令 = +1；其中， 表示树T k 的第 个叶子节点的样本数目；密度矩阵为 ；权重矩阵更新，通过专家判定的返回标记样本实现，具体为：基于专家判定的返回标记样本，计算新的 ，其中 、 分别表示树T k 的第j个叶子节点上专家返回的异常样本数目和正常样本数目，n为随机二分树叶子节点数目；更新权重： ，得到新的权重矩阵 ，其中 表示树T k 的第j个叶子节点的样本数目。
7.结合密度感知和检测难度的主动异常检测系统，其特征在于，所述系统用以执行如权利要求1所述的结合密度感知和检测难度的主动异常检测方法，所述系统包括：异常检测模型模块，基于数据流初始阶段积累的数据S，构建并存储异常检测模型，以及基于更新模块更新后的异常检测模型计算数据样本的异常得分；查询概率计算模块，基于数据样本的动态变化和检测难度，计算数据样本的查询概率得分；在每一批次的数据样本中，选择查询概率得分最高的预设百分比的数据样本，发送专家判定模块；专家判定模块，用于基于查询概率计算模块发送的数据样本，进行专家判定，并将判定结果发送至模型更新模块；模型更新模块，当前批次数据样本到达后，对所述异常检测模型进行更新，所述更新包括密度矩阵更新、权重矩阵更新，所述权重矩阵更新，至少部分地基于专家判定的返回标记样本。
8.根据权利要求7所述的系统，其特征在于，所述异常检测模型采用二分随机树构建二分森林模型，具体方式为：S101、初始化根节点root(None, None, None,|S|)，将S指定至节点root，当前层数设置为1；S102、遍历当前层每一个节点，采用随机不放回方式选取一个特征f，基于特征f的取值中值mean(f)，将节点绑定样本集V划分为两个子集 ，从而生成两个子节点node1、node2；S103、将当前层数递增1，判断是否到达预设高度，如果到达，则构建结束，否则返回S102。
转果果小程序
转果果公众号