Computation of persistent homology on streaming data using topological data summaries
Computation of persistent homology on streaming data using topological data summaries
复制标题
使用拓扑数据摘要计算流数据上的持久同源性
DOI：
10.1111/coin.12597
复制
发表时间：
2023
影响因子：
2.8
通讯作者：
Wilsey, Philip A.
中科院分区：
文献类型：
--
作者：
Moitra, Anindya;Malott, Nicholas O.;Wilsey, Philip A.
持久同源性是一个计算密集型的，但非常强大的拓扑数据分析工具。将该工具应用于潜在无限序列的数据对象是一项具有挑战性的任务。出于这个原因，持久同源性和数据流挖掘一直是数据科学的两个重要但不相交的领域。第一个计算模型是最近引入的，用于弥合这两个领域之间的差距，可用于检测数据流中的稳定或逐渐变化，例如物种进化过程中的某些基因组修饰。然而，该模型不适用于遇到极短持续时间的突然变化的应用。本文提出了另一种模型，用于计算流数据上的持久同源性，解决了以前的工作的缺点。该模型在网络异常检测的重要真实的应用上得到了验证。结果表明，除了检测计算机网络中的异常或攻击的发生，所提出的模型是能够直观地识别几种类型的流量。此外，该模型可以准确地检测网络流量中极短和较长持续时间的突然变化。这些功能是以前的模型或传统的数据挖掘技术无法实现的。
Persistent homology is a computationally intensive and yet extremely powerful tool for Topological Data Analysis. Applying the tool on potentially infinite sequence of data objects is a challenging task. For this reason, persistent homology and data stream mining have long been two important but disjoint areas of data science. The first computational model, that was recently introduced to bridge the gap between the two areas, is useful for detecting steady or gradual changes in data streams, such as certain genomic modifications during the evolution of species. However, that model is not suitable for applications that encounter abrupt changes of extremely short duration. This paper presents another model for computing persistent homology on streaming data that addresses the shortcoming of the previous work. The model is validated on the important real‐world application of network anomaly detection. It is shown that in addition to detecting the occurrence of anomalies or attacks in computer networks, the proposed model is able to visually identify several types of traffic. Moreover, the model can accurately detect abrupt changes of extremely short as well as longer duration in the network traffic. These capabilities are not achievable by the previous model or by traditional data mining techniques.
登录
查看更多内容
使用拓扑特征的数据聚类
DOI：
--
发表时间：
2014
期刊：
Brazilian Conference on Intelligent Systems
影响因子：
--
作者：
Cássio M. M. Pereira;R. Mello
通讯作者：
R. Mello
影响因子：
0.8
作者：
Michael Kerber;Hannah Schreiber
通讯作者：
Hannah Schreiber
2020年国际数据挖掘研讨会研讨会（ICDMW）
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
Haobing Huang;Chenbo Ge;Yawei Dai;Yanhu Wu;Jinfu Zhu
通讯作者：
Jinfu Zhu
流数据的持久同源性
DOI：
10.1109/icdmw51313.2020.00090
发表时间：
2020
期刊：
8th Workshop on Data Mining in Biomedical Informatics and Healthcare
影响因子：
--
作者：
Moitra, Anindya;Malott, Nicholas O.;Wilsey, Philip A.
通讯作者：
Wilsey, Philip A.
MOA 流聚类算法接口
DOI：
--
发表时间：
2015
期刊：
影响因子：
--
作者：
Michael Hahsler;M. Bolaños;J. Forrest
通讯作者：
J. Forrest