Anomaliedetektion in Streaming-Daten: Eine Vergleichs- und Evaluierungsstudie

Die Erkennung von Anomalien in Streaming-Daten steht vor Herausforderungen, die traditionelle statische Methoden aufgrund von Rechenkosten und Nichtstationarität ungeeignet machen. Wir testen und bewerten acht moderne Algorithmen im Hinblick auf bedeutende Herausforderungen im Zusammenhang mit Streaming-Daten. Die Ergebnisse zeigen Erkenntnisse zu Genauigkeit, Speicherabhängigkeit, Parametrisierung und Nutzung von Vorwissen und offenbaren somit den hohen Einfluss bestimmter Datenmerkmale auf die Etablierung eines am besten geeigneten Algorithmus – nämlich: Lokalität (d.h. ob Ausreißerrelativität zu lokalen Kontexten besteht), Relativität (d.h. ob vergangene Daten Ausreißer definieren) und Konzeptdrift (ob sie erwartet wird, sowie ihre Intensität und Häufigkeit). In den meisten Anwendungsfällen können solche Faktoren im Voraus durch den Einsatz historischer Daten und Fachwissen abgeleitet werden. Vorausgesetzt, dass die untersuchten Methoden hinsichtlich der Zeiteffizienz tragfähig sind, offenbart diese Arbeit wichtige Erkenntnisse zur optimalen Gestaltung der Anomaliedetektion in Streaming-Daten in der Praxis.