[发明专利]一种基于CFSFDP聚类的并行自适应异常检测方法

权利要求书

1.一种基于CFSFDP聚类的并行自适应异常检测方法，其特征是，该方法由以下步骤实现：

步骤一、输入网络数据点，并在所述输入的网络数据点中分别标注原有中心点C_cl，属于聚类但在原有中心点半径d外的点E_cl以及离散点D；删除原有中心点半径d内除了中心点C_cl外的所有点；C为中心点标识，cl为聚类标识，E为边缘点标识；

步骤二、实时输入新的网络数据点，并行计算新加入的数据点与步骤一中的网络数据点的距离；具体过程为：

计算新加入的数据点i到原有中心点C_cl的距离DT(i,C_cl)，所述距离DT(i,C_cl)的降序序列为DS_C；新加入的数据点i到属于聚类但在原有中心点半径d外的点E_cl的距离DT(i,E_cl)，所述距离DT(i,E_cl)的降序序列为DS_E；新加入点i到离散点D的距离DT(i,D)，离散点的降序序列为DS_D，其中DS为降序序列标识；

步骤三、判断新加入的数据点i是否在原有中心点半径d内，如果是，则原有中心点半径d内数据点的密度值加1；如果否，执行步骤四；

步骤四、检索降序序列DS_E和离散点的降序序列DS_D，生成所述新加入的数据点i的半径内数据点密度值ρ和新加入的数据点i到原有中心点距离DT(i,C_cl)，根据所述密度值ρ和新加入的数据点i到原有中心点C_cl的距离DT(i,C_cl)生成新加入的数据点i选择因子序列DS_r；

生成新加入的数据点i选择因子γ_i的计算公式为：

式中，ρ_i为i点的密度值，DT_min为到原有中心点距离DT(i,C_cl)中的最小距离，DT_max为到原有中心点距离DT(i,C_cl)中的最大距离，θ是选择系数，默认值为1；

步骤五、判断新加入的数据点i是否为新的中心点，如果否，则执行步骤六，如果是，执行步骤七；

所述判断新加入的数据点i是否为新的中心点时，根据步骤四中选择因子γ_i的阶跃度来判定，当阶跃度为1时，即为新的中心点，阶跃度的计算方式为：

ST_C＝Sgn(γ_i-γ_i-1-κ_C)

式中，Sgn为单位阶跃函数，κ_C为中心点阶跃因子，γ_i-1是选择因子序列DSr中γ_i的前一个因子；

步骤六、判定新加入的数据点i是否为离散点，如果是离散点，加入离散点序列，标注为D；如果不是离散点，则判定新加入的数据点i属于哪个聚类，检索DS_C序列的末尾，即距离该DS_C序列的末尾最近的聚类为新加入的数据点i属于的聚类，找到新加入的数据点i的中心点及聚类信息；

所述新加入的数据点i如果是离散点，离散点的选择因子值存在一个阶跃，即它的值小于其他聚类点的值，当阶跃度为1时，即为离散点，阶跃度的计算方式为：

ST_D＝Sgn(γ_i-γ_i-1-κ_D)

其中Sgn为单位阶跃函数，κ_D为离散点阶跃因子；

步骤七、扩大新的中心点的半径至边界，搜索新的中心点的半径外距离所述新的中心点最近点j，扩大中心点半径至最近点j，标注扩大后半径内所有点为cl，标注最近点j半径内所有的点为N_j，其中N为最近点标识；执行步骤八；

步骤八、判断是否存在属于最近点j半径内的点但不属于新的中心点扩大半径后半径内的点，如果存在，则继续扩大半径；如果不存在，停止扩大，保留密度ρ的值，删除新的中心点扩大半径后内的所有点。

2.根据权利要求1所述的一种基于CFSFDP聚类的并行自适应异常检测方法，其特征在于：所述聚类信息为聚类标识，中心点标识以及边缘点标识。