摘" 要： 通過離群點(diǎn)檢測(cè)可以及時(shí)發(fā)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)中的異常，從而為風(fēng)險(xiǎn)預(yù)警和控制提供重要線索。為此，設(shè)計(jì)一種基于局部信息熵的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)離群點(diǎn)檢測(cè)系統(tǒng)。在高維數(shù)據(jù)采集模塊中，利用Wireshark工具采集計(jì)算機(jī)網(wǎng)絡(luò)原始高維數(shù)據(jù)包；并在高維數(shù)據(jù)存儲(chǔ)模塊中建立MySQL數(shù)據(jù)庫(kù)、Zooleeper數(shù)據(jù)庫(kù)與Redis數(shù)據(jù)庫(kù)，用于存儲(chǔ)采集的高維數(shù)據(jù)包。在高維數(shù)據(jù)離群點(diǎn)檢測(cè)模塊中，通過微聚類劃分算法劃分存儲(chǔ)的高維數(shù)據(jù)包，得到數(shù)個(gè)微聚類；然后計(jì)算各微聚類的局部信息熵，確定各微聚類內(nèi)是否存在離群點(diǎn)；再依據(jù)偏離度挖掘微聚類內(nèi)的離群點(diǎn)；最后，利用高維數(shù)據(jù)可視化模塊呈現(xiàn)離群點(diǎn)檢測(cè)結(jié)果。實(shí)驗(yàn)證明：所設(shè)計(jì)系統(tǒng)不僅可以有效采集計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)并劃分計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)，還能夠有效檢測(cè)高維數(shù)據(jù)離群點(diǎn)，且離群點(diǎn)檢測(cè)效率較快。

關(guān)鍵詞： 計(jì)算機(jī)網(wǎng)絡(luò)； 高維數(shù)據(jù)； 離群點(diǎn)檢測(cè)； 局部信息熵； Wireshark工具； 微聚類劃分

中圖分類號(hào)： TN919.1?34； TP391" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " 文章編號(hào)： 1004?373X（2024）10?0091?05

A computer network high?dimensional data outlier detection system based on

local information entropy

Abstract：" The anomalies in computer networks can be detected in a timely manner by means of outlier detection， so as to provide important clues for risk warning and control. On this basis， a computer network high?dimensional data outlier detection system based on local information entropy is designed. In the high?dimensional data collection module， Wireshark tool is used to collect raw high?dimensional data packets from computer networks. The high?dimensional data storage module is established by means of MySQL database， Zooleeper database， and Redis database to store the collected high?dimensional data packets. In the high?dimensional data outlier detection module， the stored high?dimensional data packets are divided by means of micro clustering partitioning algorithm to obtain several micro clusters. The local information entropy of each micro cluster is calculated to determine whether there are outliers within each micro cluster， and outliers within micro clustering are mined based on the degree of deviation. The high?dimensional data visualization module is used to present outlier detection results. The experimental results show that the system can not only effectively collect high?dimensional data from computer networks and partition them， but also effectively detect outliers in high?dimensional data， and the efficiency of outlier detection is fast.

Keywords： computer network; high dimensional data; outlier detection; local information entropy; Wireshark tool; microclustering division

0" 引" 言

計(jì)算機(jī)網(wǎng)絡(luò)中，網(wǎng)絡(luò)流量、用戶行為、社交網(wǎng)絡(luò)等數(shù)據(jù)呈現(xiàn)出高維度的特性[1]，這些數(shù)據(jù)中可能隱藏著重要的信息和模式。離群點(diǎn)是數(shù)據(jù)集中與其他數(shù)據(jù)點(diǎn)顯著不同的觀測(cè)值[2?4]，也可能是異常事件、惡意行為或重要機(jī)會(huì)的指示器，因此，準(zhǔn)確、高效地檢測(cè)離群點(diǎn)對(duì)于網(wǎng)絡(luò)安全、數(shù)據(jù)分析和決策支持等方面具有重要意義。例如，在網(wǎng)絡(luò)安全領(lǐng)域，檢測(cè)異常流量可以識(shí)別網(wǎng)絡(luò)攻擊和病毒傳播；在用戶行為分析中，檢測(cè)異常行為有助于理解用戶需求和市場(chǎng)趨勢(shì)；在社交網(wǎng)絡(luò)中，檢測(cè)離群點(diǎn)可以發(fā)現(xiàn)關(guān)鍵人物和群體，為社交媒體分析和輿情監(jiān)控提供支持。

目前，有很多學(xué)者對(duì)計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)離群點(diǎn)檢測(cè)問題進(jìn)行了大量研究。葉晟等人結(jié)合了網(wǎng)格劃分和LLE方法，旨在有效地識(shí)別高維數(shù)據(jù)中的離群點(diǎn)[5]。通過將數(shù)據(jù)劃分為網(wǎng)格，系統(tǒng)能夠快速處理大規(guī)模數(shù)據(jù)集，并利用LLE方法對(duì)每個(gè)網(wǎng)格進(jìn)行局部特征提取和降維。離群點(diǎn)檢測(cè)基于降維后的數(shù)據(jù)，能夠自適應(yīng)地識(shí)別離群點(diǎn)，并具有較好的魯棒性和準(zhǔn)確性，但該系統(tǒng)對(duì)于高度非線性分布的數(shù)據(jù)難以捕捉其復(fù)雜結(jié)構(gòu)，從而影響離群點(diǎn)檢測(cè)的準(zhǔn)確性。傅麗芳等人利用CART算法構(gòu)建決策樹模型，對(duì)網(wǎng)絡(luò)大數(shù)據(jù)集進(jìn)行分類和回歸分析，同時(shí)檢測(cè)其中的離群點(diǎn)[6]。系統(tǒng)采用滑動(dòng)窗口技術(shù)處理動(dòng)態(tài)數(shù)據(jù)集，能夠?qū)崟r(shí)地檢測(cè)離群點(diǎn)并更新檢測(cè)結(jié)果。但該系統(tǒng)中CART算法在處理大規(guī)模數(shù)據(jù)時(shí)，會(huì)遇到內(nèi)存限制和計(jì)算效率問題。

局部信息熵能夠更好地適應(yīng)高維數(shù)據(jù)的特性，提取出更多有用的信息，它還能夠更好地反映數(shù)據(jù)的內(nèi)在特征和分布情況，從而提高離群點(diǎn)檢測(cè)的準(zhǔn)確性。基于上述分析，本文設(shè)計(jì)一種基于局部信息熵的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)離群點(diǎn)檢測(cè)系統(tǒng)，以準(zhǔn)確、高效地檢測(cè)離群點(diǎn)，這對(duì)于網(wǎng)絡(luò)安全、數(shù)據(jù)分析和決策支持等方面的研究具有重要意義。

1" 計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)離群點(diǎn)檢測(cè)系統(tǒng)

為及時(shí)發(fā)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)中的異常數(shù)據(jù)，設(shè)計(jì)計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)離群點(diǎn)檢測(cè)系統(tǒng)。該系統(tǒng)內(nèi)共包含4個(gè)模塊，分別是采集模塊、存儲(chǔ)模塊、離群點(diǎn)檢測(cè)模塊以及可視化模塊。計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)離群點(diǎn)檢測(cè)系統(tǒng)的結(jié)構(gòu)如圖1所示。

該系統(tǒng)的離群點(diǎn)檢測(cè)步驟如下。

1） 高維數(shù)據(jù)采集模塊在計(jì)算機(jī)網(wǎng)絡(luò)的出口路由器位置，通過Wireshark工具采集計(jì)算機(jī)網(wǎng)絡(luò)的原始高維數(shù)據(jù)包。

2） 高維數(shù)據(jù)存儲(chǔ)模塊采用MySQL數(shù)據(jù)庫(kù)、Zooleeper數(shù)據(jù)庫(kù)與Redis數(shù)據(jù)庫(kù)，存儲(chǔ)采集的計(jì)算機(jī)網(wǎng)絡(luò)原始高維數(shù)據(jù)包。

3） 高維數(shù)據(jù)離群點(diǎn)檢測(cè)模塊通過微聚類劃分算法劃分計(jì)算機(jī)網(wǎng)絡(luò)原始高維數(shù)據(jù)包，得到數(shù)個(gè)微聚類。通過計(jì)算各微聚類的局部信息熵，確定各微聚類內(nèi)是否存在離群點(diǎn)。通過基于距離的方法，在存在離群點(diǎn)的微聚類內(nèi)挖掘?qū)?yīng)的離群點(diǎn)。

4） 利用高維數(shù)據(jù)可視化模塊，呈現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)離群點(diǎn)檢測(cè)結(jié)果。

1.1" 高維數(shù)據(jù)存儲(chǔ)模塊

高維數(shù)據(jù)存儲(chǔ)模塊中包含三種類型的數(shù)據(jù)庫(kù)，存儲(chǔ)高維數(shù)據(jù)采集模塊采集的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)包。其中：MySQL數(shù)據(jù)庫(kù)具備持久化的高維數(shù)據(jù)存儲(chǔ)功能[7]，用于存儲(chǔ)計(jì)算機(jī)網(wǎng)絡(luò)高維配置信息、服務(wù)器的高維日志記錄；Zooleeper數(shù)據(jù)庫(kù)屬于臨時(shí)數(shù)據(jù)庫(kù)，用于存儲(chǔ)臨時(shí)的計(jì)算機(jī)網(wǎng)絡(luò)高維配置信息[8]；Redis數(shù)據(jù)庫(kù)用于存儲(chǔ)計(jì)算機(jī)網(wǎng)絡(luò)已完成的會(huì)話流標(biāo)識(shí)，以及未完成會(huì)話流內(nèi)高維數(shù)據(jù)包的負(fù)載。

MySQL數(shù)據(jù)庫(kù)內(nèi)存儲(chǔ)的計(jì)算機(jī)網(wǎng)絡(luò)配置信息格式如表1所示。

計(jì)算機(jī)網(wǎng)絡(luò)配置信息tb_configure內(nèi)包含三個(gè)關(guān)鍵字段，分別是計(jì)算機(jī)網(wǎng)絡(luò)設(shè)備Device、BPF過濾表達(dá)式Filter、檢測(cè)服務(wù)器的地址Server。

MySQL數(shù)據(jù)庫(kù)內(nèi)存儲(chǔ)的計(jì)算機(jī)網(wǎng)絡(luò)服務(wù)器高維日志記錄格式如表2所示。

計(jì)算機(jī)網(wǎng)絡(luò)服務(wù)器高維日志記錄tb_session內(nèi)具有兩種關(guān)鍵字段，分別是五元組與預(yù)測(cè)標(biāo)簽predicate。其中，五元組分別是計(jì)算機(jī)網(wǎng)絡(luò)協(xié)議Protocol、源IP地址src_ip、源端口號(hào)src_port、目的IP地址dest_ip、目的端口號(hào)dest_port。

Zookeeper屬于內(nèi)存型數(shù)據(jù)庫(kù)，以文件系統(tǒng)的方式存儲(chǔ)計(jì)算機(jī)網(wǎng)絡(luò)的臨時(shí)高維配置信息[9]。而Redis數(shù)據(jù)庫(kù)可存儲(chǔ)多種類型的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)包，通過單線程的方式處理高維數(shù)據(jù)包，通過多線程的方式接收高維數(shù)據(jù)包調(diào)用請(qǐng)求，同時(shí)不同請(qǐng)求間不會(huì)出現(xiàn)干擾問題[10]。因此，本文利用Redis數(shù)據(jù)庫(kù)存儲(chǔ)已完成與未完成的會(huì)話流done_session、doing_session：：{id}，已完成與未完成的會(huì)話流的存儲(chǔ)格式如表3所示。

1.2" 基于局部信息熵的高維數(shù)據(jù)離群點(diǎn)檢測(cè)算法

高維數(shù)據(jù)離群點(diǎn)檢測(cè)模塊利用微聚類劃分算法，劃分高維數(shù)據(jù)存儲(chǔ)模塊內(nèi)存儲(chǔ)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)包，得到[k]個(gè)計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)微聚類。具體步驟如下：

1） 輸入高維數(shù)據(jù)存儲(chǔ)模塊內(nèi)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)集[X=X1，X2，…，Xn]。

2） 初始化[X]內(nèi)全部的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象，得到相應(yīng)的簇[C1，C2，…，Ci，Cj，…，Cn]，并將其作為微聚類。

3） 計(jì)算微聚類間的最小距離，公式如下：

式中：第[i]個(gè)簇[Ci]內(nèi)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象為[Xp]；第[j]個(gè)簇[Cj]內(nèi)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象為[Xq]。

在計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)的微聚類內(nèi)，利用式（1）選擇2個(gè)距離最小的簇[Ci]與[Cj]，組合成一個(gè)新的聚類[Ch]。[Ch]內(nèi)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象屬于原始計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象的并集，即[Ch=Ci?Cj]，同時(shí)返回微聚類數(shù)量[k]。

4） 按照[Ch]內(nèi)計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象的均值，將各計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象分配至與其最接近的簇[KCk]內(nèi)，并更新簇均值，再次確定聚類中心。

5） 反復(fù)操作上述步驟，到簇均值無(wú)改變?yōu)橹埂?/p>

6） 輸出計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)集內(nèi)微聚類數(shù)量[k]，以及微聚類結(jié)果[KC=KC1，KC2，…，KCk]。

利用局部信息熵[H]描繪各微聚類[KCi]內(nèi)計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象的分布狀態(tài)，即通過[H]分析[KCi]內(nèi)是否存在離群點(diǎn)。

令[KCi]內(nèi)計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)對(duì)象是[Xp]與[Xq]，則[Xp]的局部信息熵為：

在剔除偏離度最大的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象后，微聚類的局部信息熵為[HXp]，則局部信息熵閾值公式如下：

[ε=HXp-HXp]" " " " " （3）

當(dāng)[ε]無(wú)限接近0，說明該微聚類內(nèi)不存在離群點(diǎn)，并剔除該微聚類；否則，代表該微聚類內(nèi)存在離群點(diǎn)，并加入離群點(diǎn)數(shù)據(jù)集內(nèi)。

依據(jù)偏離度降序排列離群點(diǎn)數(shù)據(jù)集內(nèi)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象，便可得到前[τ]個(gè)離群點(diǎn)，即計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)離群點(diǎn)檢測(cè)結(jié)果。離群點(diǎn)數(shù)據(jù)集內(nèi)計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象[Xp]與[Xq]的空間加權(quán)距離為：

式中[ω]為權(quán)重。

微聚類中計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象的偏離度為：

式中：[m]為離群點(diǎn)數(shù)據(jù)集內(nèi)計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)對(duì)象數(shù)量。[g]值越大，對(duì)應(yīng)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)偏離程度越大，屬于離群點(diǎn)的概率越高。

2" 實(shí)驗(yàn)分析

以某計(jì)算機(jī)網(wǎng)絡(luò)環(huán)境為實(shí)驗(yàn)對(duì)象，該計(jì)算機(jī)網(wǎng)絡(luò)環(huán)境內(nèi)包含1個(gè)主服務(wù)器、1個(gè)中心設(shè)備、1個(gè)交換模塊、4個(gè)共享模塊以及8個(gè)主機(jī)。

該計(jì)算機(jī)網(wǎng)絡(luò)環(huán)境在2個(gè)月內(nèi)，共產(chǎn)生100萬(wàn)條計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)，計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)集的維度在10～100維之間。

利用本文系統(tǒng)采集計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)，數(shù)據(jù)的分布情況如圖2所示。

分析圖2可知，本文系統(tǒng)可有效采集計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)，從數(shù)據(jù)的分布情況可以看到，采集的高維數(shù)據(jù)均勻分布在數(shù)據(jù)空間內(nèi)。

利用本文系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行微聚類劃分，計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)劃分結(jié)果如圖3所示，其中共包含7種類型。

分析圖3可知：本文系統(tǒng)可對(duì)計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)進(jìn)行有效微聚類劃分，共得到7個(gè)簇，與實(shí)際計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)類型相同；同時(shí)，本文系統(tǒng)劃分后的每個(gè)簇間并無(wú)混淆情況，邊界清晰，說明本文系統(tǒng)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)微聚類劃分效果較優(yōu)。

利用本文系統(tǒng)計(jì)算各微聚類的局部信息熵閾值，分析各微聚類內(nèi)是否存在離群點(diǎn)，計(jì)算結(jié)果如表4所示。

分析表4可知：本文系統(tǒng)可有效計(jì)算各微聚類的局部信息熵，得到局部信息熵閾值，其中，簇1、簇3、簇5、簇6、簇7的局部信息熵閾值均與0較為接近，說明這5個(gè)簇內(nèi)不存在離群點(diǎn)；簇2與簇4的局部信息熵閾值明顯高于0，說明這兩個(gè)簇內(nèi)存在離群點(diǎn)。

利用本文系統(tǒng)對(duì)簇2與簇4內(nèi)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)進(jìn)行離群點(diǎn)檢測(cè)，離群點(diǎn)檢測(cè)結(jié)果如圖4所示。

分析圖4可知，雖然計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)內(nèi)，正常數(shù)據(jù)點(diǎn)與離群點(diǎn)高度混合在一起，但本文系統(tǒng)依舊能夠有效檢測(cè)出離群點(diǎn)，說明本文系統(tǒng)具備計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)離群點(diǎn)檢測(cè)的能力。

一般而言，傳輸速率越快，則離群點(diǎn)檢測(cè)效率越快，當(dāng)傳輸速率超過30 Gb/s時(shí)，說明系統(tǒng)的高維數(shù)據(jù)離群點(diǎn)檢測(cè)效率較快。本文系統(tǒng)的高維數(shù)據(jù)傳輸速率分析結(jié)果如圖5所示。

分析圖5可知，本文系統(tǒng)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)傳輸速率在65 Gb/s左右，明顯高于30 Gb/s，說明本文系統(tǒng)的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)傳輸速率較快，進(jìn)而高維數(shù)據(jù)離群點(diǎn)檢測(cè)效率較高。

3" 結(jié)" 語(yǔ)

本文提出一種基于局部信息熵的計(jì)算機(jī)網(wǎng)絡(luò)高維數(shù)據(jù)離群點(diǎn)檢測(cè)系統(tǒng)，該系統(tǒng)利用局部信息熵完成離群點(diǎn)檢測(cè)。通過實(shí)驗(yàn)驗(yàn)證，本文系統(tǒng)能夠準(zhǔn)確地識(shí)別出高維數(shù)據(jù)中的離群點(diǎn)，具有良好的魯棒性和自適應(yīng)性，是一種有效的離群點(diǎn)檢測(cè)方法。該系統(tǒng)可以應(yīng)用于網(wǎng)絡(luò)安全、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等領(lǐng)域，為企業(yè)和組織提供有力的支持。

參考文獻(xiàn)

[1] 劉琨，張曉涵，曹汝坤，等.IPv6遠(yuǎn)程監(jiān)控網(wǎng)絡(luò)下無(wú)狀態(tài)通信數(shù)據(jù)的多尺度離群點(diǎn)挖掘算法[J].電信科學(xué)，2023，39（8）：118?126.

[2] 郭一陽(yáng)，于炯，杜旭升，等.基于隨機(jī)投影與集成學(xué)習(xí)的離群點(diǎn)檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用研究，2022，39（9）：2608?2614.

[3] 何美玲，李佩雅.面向高維大數(shù)據(jù)的局部離群點(diǎn)并行檢測(cè)算法[J].計(jì)算機(jī)仿真，2022，39（2）：304?308.

[4] 高志宇，宋學(xué)坤，肖俊生，等.基于神經(jīng)網(wǎng)絡(luò)的大規(guī)模數(shù)據(jù)集離群點(diǎn)檢測(cè)算法[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2022，44（4）：420?425.

[5] 葉晟，吳曉朝.基于網(wǎng)格劃分和LLE的高維數(shù)據(jù)離群點(diǎn)自適應(yīng)檢測(cè)方法[J].湖南科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，38（1）：85?91.

[6] 傅麗芳，陳卓，敖長(zhǎng)林.基于分類和回歸樹決策樹的網(wǎng)絡(luò)大數(shù)據(jù)集離群點(diǎn)動(dòng)態(tài)檢測(cè)算法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2023，53（9）：2620?2625.

[7] 張玉婷，馮山.一種基于鄰域近似精度的離群點(diǎn)檢測(cè)方法[J].數(shù)據(jù)采集與處理，2022，37（5）：1018?1025.

[8] 張忠平，張玉停，劉偉雄，等.基于質(zhì)心投影波動(dòng)的離群點(diǎn)檢測(cè)算法[J].計(jì)算機(jī)集成制造系統(tǒng)，2022，28（12）：3867?3876.

[9] 楊志勇，江峰，于旭，等.采用離群點(diǎn)檢測(cè)技術(shù)的混合型數(shù)據(jù)聚類初始化方法[J].智能系統(tǒng)學(xué)報(bào)，2023，18（1）：56?65.

[10] 金利娜，于炯，杜旭升，等.基于生成對(duì)抗網(wǎng)絡(luò)和變分自編碼器的離群點(diǎn)檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用研究，2022，39（3）：774?779.

[11] 趙向兵，張?zhí)靹?基于相關(guān)子空間的高維離群數(shù)據(jù)檢測(cè)算法[J].計(jì)算技術(shù)與自動(dòng)化，2022（1）：82?86.

[12] 安云哲，吳東翰，夏秀峰，等.面向流數(shù)據(jù)的多離群點(diǎn)檢測(cè)算法研究[J].河南科技學(xué)院學(xué)報(bào)（自然科學(xué)版），2023，51（1）：48?57.

[13] 蔣斌，黃恩銘.基于分形理論的異質(zhì)網(wǎng)絡(luò)中局部離群點(diǎn)檢測(cè)[J].計(jì)算機(jī)仿真，2023，40（1）：544?547.