Key points are not available for this paper at this time.
A detecção de outliers em tempo real em fluxos de dados tem atraído muita atenção recentemente, pois muitas aplicações precisam ser capazes de detectar comportamentos anormais assim que ocorrem. A chegada e a saída de dados em fluxo em dispositivos de borda impõem novos desafios para processar os dados rapidamente em tempo real devido a limitações de memória e CPU desses dispositivos. Os métodos existentes são lentos e não são eficientes em termos de memória, pois se concentram principalmente na detecção rápida de inliers e prestam menos atenção em acelerar as buscas por vizinhos para candidatos a outliers. Neste estudo, propomos um novo algoritmo, CPOD, para melhorar a eficiência das detecções de outliers enquanto reduz os requisitos de memória. O CPOD utiliza uma estrutura de dados única chamada "ponto central" com indexação de múltiplas distâncias para identificar rapidamente inliers e reduzir os espaços de busca por vizinhos para candidatos a outliers. Mostramos que, com seis conjuntos de dados do mundo real e um conjunto de dados sintético, o CPOD é, em média, 10, 19 e 73 vezes mais rápido que MMCOD, NETS e MCOD, respectivamente, enquanto consome baixa memória.
Tran et al. (Qui,) estudaram essa questão.