Fatoração de Tensor Rápida para Detecção Precisa de Anomalias na Internet

Detectar tráfego anômalo é uma tarefa crítica para a gestão avançada da Internet. Muitos algoritmos de detecção de anomalias foram propostos recentemente. No entanto, limitados pelo seu modelo de dados de tráfego baseado em matrizes, os algoritmos existentes muitas vezes sofrem de baixa precisão na detecção de anomalias. Para utilizar plenamente a informação multidimensional oculta nos dados de tráfego, este artigo toma a iniciativa de investigar o potencial e as metodologias de realizar a fatoração de tensores para uma detecção de anomalias na Internet mais precisa. Mais especificamente, modelamos os dados de tráfego como um tensor de três vias e formulamos o problema de detecção de anomalias como um problema robusto de recuperação de tensor com as restrições sobre a classificação do tensor e a cardinalidade do conjunto de anomalias. No entanto, essas restrições tornam o problema extremamente difícil de resolver. Em vez de recorrer ao relaxamento convexo à custa de baixa performance de detecção, propomos o TensorDet para resolver o problema de forma direta e eficiente. Para melhorar a precisão da detecção de anomalias e a velocidade da fatoração de tensores, o TensorDet explora a estrutura de fatoração com duas técnicas inovadoras, truncamento sequencial de tensor e detecção de anomalias em duas fases. Realizamos experimentos extensivos utilizando dados de tráfego da Internet, Abilene e GÈANT. Comparado com algoritmos de estado da arte para recuperação de tensor e detecção de anomalias baseado em matrizes, o TensorDet consegue alcançar uma taxa de falsos positivos significativamente mais baixa e uma taxa de verdadeiros positivos mais alta. Particularmente, beneficiando-se do nosso algoritmo bem projetado para reduzir o custo computacional da fatoração de tensores, o processo de fatoração de tensor no TensorDet é 5 (Abilene) e 13 (GÈANT) vezes mais rápido do que a solução tradicional de decomposição de Tucker.