В е с т н и к алматинского университета

Вестник Алматинского университета энергетики и связи № 3 (58) 2022
 
22 
считается надежной и высококонкурентной по сравнению с широко используемыми алгоритмами 
обнаружения аномалий, особенно в больших измерениях. Гибкость платформы DRAMA обеспечивает 
значительную оптимизацию при наличии некоторых примеров аномалий, что делает ее идеальной для 
онлайн-обнаружения аномалий, активного обучения сильно несбалансированных наборов данных. Кроме 
того, DRAMA естественным образом обеспечивает кластеризацию выбросов для последующего анализа. 
На рисунке 5 представлена схема структуры обработки в DRAMA. Уменьшение размерности (слева) 
выполняется для точек данных n
d
и уменьшает количество объектов от n
f
до n
z
в скрытом пространстве. 
Затем кластеризация разбивает данные (здесь на два кластера). Для каждого кластера извлекается один 
прототип. Затем прототипы (основные компоненты) декодируются обратно в исходное пространство 
(вверху справа). Сравнение прототипов и тестовых данных ранжирует точки данных по их максимальному 
расстоянию до ближайшего прототипа.
 
Рисунок 5 – Схема структуры обработки в DRAMA [21] 
 
3. Методы кластеризации 
Классическим методом обнаружения аномалий является кластеризация, которая обеспечивает 
упрощенный способ описания загроможденного фона. Однако традиционные методы кластеризации 
должны заранее знать количество кластеров и пытаться классифицировать все пиксели фона за один раз. 
Кроме того, по сравнению с крупными фоновыми кластерами, небольшие кластеры трудно различить из-за 
их небольшой численности.
Облачные вычисления становятся все более популярными и широко используемыми в качестве новой 
модели информационных технологий. Для обеспечения надежной и эффективной работы облачной среды 
поставщикам облачных услуг важно своевременно обнаруживать системные аномалии и устранять их. В 
работе [19] авторами представлен метод обнаружения аномалий в среде MapReduce. Этот метод основан на 
одноранговом сходстве и использует кластеризацию на основе плотности по показателям уровня 
операционной системы для выполнения анализа в реальном времени. Одноранговое сходство, а также 
предлагаемый метод обнаружения аномалий оценены с помощью экспериментов. По сравнению с другими 
методами, данный метод является простым, чувствительным и эффективным. И он может быть развернут 
как в онлайн, так и в оффлайн среде. 
В работе [20] предложен метод обнаружения аномалий, основанный на адаптивном извлечении фона. 
Применен неконтролируемый метод кластеризации для определения центров кластеров только по сходству 
спектральной сигнатуры. Чтобы уменьшить влияние численности, авторами предложено извлекать 
фоновые кластеры итеративно. На каждой итерации группируются только более крупные кластеры и 
извлекаются из набора данных. На следующей итерации оставшиеся пиксели снова группируются. При 
этом центры более мелких кластеров будут появляться явно без помех со стороны более крупных 

---