{"id":53278,"date":"2019-11-28T00:00:00","date_gmt":"2019-11-27T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/9-podhodov-dlya-vyyavleniya-anomalij"},"modified":"2020-02-18T14:01:10","modified_gmt":"2020-02-18T11:01:10","slug":"9-podhodov-dlya-vyyavleniya-anomalij","status":"publish","type":"post","link":"https:\/\/prohoster.info\/fr\/blog\/news\/9-podhodov-dlya-vyyavleniya-anomalij","title":{"rendered":"9 approches pour la d\u00e9tection d'anomalies","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Dans l'article pr\u00e9c\u00e9dent<\/a><\/noindex> Nous avons parl\u00e9 de la pr\u00e9vision des s\u00e9ries temporelles. Une suite logique serait un article sur la d\u00e9tection des anomalies. <\/p>\n

Application<\/h3>\n

\nLa d\u00e9tection des anomalies est utilis\u00e9e dans des domaines tels que : <\/p>\n

1) La pr\u00e9vision des pannes d'\u00e9quipement<\/h3>\n

\nAinsi, en 2010, les centrifugeuses iraniennes ont \u00e9t\u00e9 attaqu\u00e9es par le virus Stuxnet, qui a mis l'\u00e9quipement en mode de fonctionnement non optimal et a rendu une partie de l'\u00e9quipement inutilisable en raison d'une usure acc\u00e9l\u00e9r\u00e9e. <\/p>\n

Si des algorithmes de d\u00e9tection des anomalies avaient \u00e9t\u00e9 utilis\u00e9s sur l'\u00e9quipement, des situations de panne auraient pu \u00eatre \u00e9vit\u00e9es. <\/p>\n

\"9
\n<\/a><\/noindex>
\nLa d\u00e9tection des anomalies dans le fonctionnement des \u00e9quipements est utilis\u00e9e non seulement dans l'industrie nucl\u00e9aire, mais aussi dans la m\u00e9tallurgie et le fonctionnement des turbines a\u00e9ronautiques. Et dans d'autres domaines, o\u00f9 l'utilisation d'un diagnostic pr\u00e9dictif est moins co\u00fbteuse que les pertes potentielles dues \u00e0 une panne impr\u00e9vue.<\/p>\n

2) La pr\u00e9vision des activit\u00e9s frauduleuses<\/h3>\n

\nSi de l'argent est retir\u00e9 de votre carte utilis\u00e9e \u00e0 Podolsk en Albanie, il est possible que les transactions doivent \u00eatre v\u00e9rifi\u00e9es de mani\u00e8re suppl\u00e9mentaire.<\/p>\n

3) La d\u00e9tection de mod\u00e8les de consommation anormaux<\/h3>\n

\nSi une partie des clients pr\u00e9sente un comportement anormal, il se peut qu'il y ait un probl\u00e8me dont vous n'\u00eates pas conscient.<\/p>\n

4) La d\u00e9tection d'une demande et d'une charge anormales<\/h3>\n

\nSi les ventes dans un magasin de produits de grande consommation ont chut\u00e9 en dessous de la limite de l'intervalle de confiance de la pr\u00e9vision, il est important de trouver la cause de cette situation.<\/p>\n

Les approches de d\u00e9tection des anomalies<\/h2>\n

<\/p>\n

1) M\u00e9thode des vecteurs de support \u00e0 une classe - One-Class SVM<\/h3>\n

\nConvient lorsque les donn\u00e9es de l'ensemble d'apprentissage suivent une distribution normale, tandis que le test contient des anomalies.<\/p>\n

La m\u00e9thode des vecteurs de support \u00e0 une classe construit une surface non lin\u00e9aire autour de l'origine. Il est possible de d\u00e9finir une limite de coupure pour d\u00e9terminer quelles donn\u00e9es consid\u00e9rer comme anormales.<\/p>\n

D'apr\u00e8s l'exp\u00e9rience de notre \u00e9quipe DATA4, One-Class SVM est l'algorithme le plus utilis\u00e9 pour r\u00e9soudre le probl\u00e8me de d\u00e9tection des anomalies. <\/p>\n

\"9
\n<\/p>\n

2) M\u00e9thode de l'isolement - Isolate Forest<\/h3>\n

\nAvec la m\u00e9thode \u00ab al\u00e9atoire \u00bb de construction des arbres, les valeurs aberrantes se retrouveront dans des feuilles \u00e0 des stades pr\u00e9coces (\u00e0 faible profondeur de l'arbre), c'est-\u00e0-dire que les valeurs aberrantes sont plus faciles \u00e0 \u00ab isoler \u00bb. La mise en \u00e9vidence des valeurs anormales se produit lors des premi\u00e8res it\u00e9rations du fonctionnement de l'algorithme.<\/p>\n

\"9
\n<\/p>\n

3) Enveloppe elliptique et m\u00e9thodes statistiques<\/h3>\n

\nUtilis\u00e9e lorsque les donn\u00e9es sont normalement distribu\u00e9es. Plus la mesure est proche de la queue du m\u00e9lange de distributions, plus la valeur est consid\u00e9r\u00e9e comme anormale.<\/p>\n

Cette classe inclut \u00e9galement d'autres m\u00e9thodes statistiques.<\/p>\n

\"9
\n
\n\"9
\nImage provenant du site dyakonov.org<\/i><\/p>\n

4) M\u00e9thodes m\u00e9triques<\/h3>\n

\nLes m\u00e9thodes comprennent des algorithmes tels que les k-voisins, le k-\u00e8me voisin, ABOD (d\u00e9tection des outliers bas\u00e9e sur les angles) ou LOF (facteur d'outlier local).<\/p>\n

Elles sont adapt\u00e9es lorsque la distance entre les valeurs des caract\u00e9ristiques est \u00e9quivalente ou normalis\u00e9e (pour ne pas mesurer un python en perroquets). <\/p>\n

L'algorithme k-voisins suppose que les valeurs normales sont situ\u00e9es dans une certaine r\u00e9gion de l'espace multidimensionnel, et que la distance aux anomalies sera sup\u00e9rieure \u00e0 celle de l'hyperplan s\u00e9parateur. <\/p>\n

\"9
\n<\/p>\n

5) M\u00e9thodes de clustering<\/h3>\n

\nL'essence des m\u00e9thodes de clustering est que si une valeur est \u00e9loign\u00e9e des centres des clusters au-del\u00e0 d'une certaine mesure, elle peut \u00eatre consid\u00e9r\u00e9e comme anormale. <\/p>\n

Il est crucial d'utiliser un algorithme qui clusterise correctement les donn\u00e9es, ce qui d\u00e9pend de la t\u00e2che sp\u00e9cifique. <\/p>\n

\"9
\n<\/p>\n

6) M\u00e9thode des composants principaux<\/h3>\n

\nAdapt\u00e9e lorsqu'on identifie des directions de variation maximale de la variance.<\/p>\n

7) Algorithmes bas\u00e9s sur la pr\u00e9vision des s\u00e9ries temporelles<\/h3>\n

\nL'id\u00e9e est que si une valeur s'\u00e9carte de l'intervalle de confiance de la pr\u00e9vision, elle est consid\u00e9r\u00e9e comme anormale. Pour la pr\u00e9vision des s\u00e9ries temporelles, on utilise des algorithmes tels que le lissage triple, S(ARIMA), le boosting, etc.<\/p>\n

Les algorithmes de pr\u00e9vision des s\u00e9ries temporelles ont \u00e9t\u00e9 abord\u00e9s dans l'article pr\u00e9c\u00e9dent.<\/p>\n

\"9
\n<\/p>\n

8) Apprentissage supervis\u00e9 (r\u00e9gression, classification)<\/h3>\n

\nSi les donn\u00e9es le permettent, nous utilisons des algorithmes allant de la r\u00e9gression lin\u00e9aire aux r\u00e9seaux r\u00e9currents. Nous mesurerons la diff\u00e9rence entre la pr\u00e9vision et la valeur r\u00e9elle, et tirerons des conclusions sur l'anomalie des donn\u00e9es. Il est important que l'algorithme ait une capacit\u00e9 g\u00e9n\u00e9ralisante suffisante et que l'\u00e9chantillon d'apprentissage ne contienne pas de valeurs anormales.<\/p>\n

9) Tests sur mod\u00e8les<\/h3>\n

\nAbordons la t\u00e2che de d\u00e9tection d'anomalies comme un probl\u00e8me de recommandation. D\u00e9composons notre matrice de caract\u00e9ristiques \u00e0 l'aide de SVD ou de machines \u00e0 factorielles, et consid\u00e9rons comme anormales les valeurs dans la nouvelle matrice qui diff\u00e8rent de mani\u00e8re significative des originales. <\/p>\n

\"9
\n
\nImage provenant du site dyakonov.org<\/i><\/p>\n

Conclusion<\/h3>\n

\nDans cet article, nous avons examin\u00e9 les principales approches de la d\u00e9tection d'anomalies. <\/p>\n

La d\u00e9tection d'anomalies peut en grande partie \u00eatre consid\u00e9r\u00e9e comme un art. Il n'existe pas d'algorithme ou d'approche parfaite permettant de r\u00e9soudre toutes les t\u00e2ches. Un ensemble de m\u00e9thodes est g\u00e9n\u00e9ralement utilis\u00e9 pour traiter un cas sp\u00e9cifique. La d\u00e9tection d'anomalies s'effectue \u00e0 l'aide de la m\u00e9thode des vecteurs de support \u00e0 une seule classe, de for\u00eats isolantes, de m\u00e9thodes m\u00e9triques et de clustering, ainsi que de l'utilisation de l'analyse en composantes principales et de pr\u00e9visions de s\u00e9ries temporelles.<\/p>\n

Si vous connaissez d'autres m\u00e9thodes, veuillez les mentionner dans les commentaires de l'article.
\n
Source : habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

\u0412 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u043c\u044b \u0433\u043e\u0432\u043e\u0440\u0438\u043b\u0438 \u043e \u043f\u0440\u043e\u0433\u043d\u043e\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0438 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0440\u044f\u0434\u043e\u0432. \u041b\u043e\u0433\u0438\u0447\u043d\u044b\u043c \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0435\u043d\u0438\u0435\u043c \u0431\u0443\u0434\u0435\u0442 \u0441\u0442\u0430\u0442\u044c\u044f \u043e \u0432\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u0438 \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0439. \u041f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0412\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u0435 \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0439 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0432 \u0442\u0430\u043a\u0438\u0445 \u043e\u0431\u043b\u0430\u0441\u0442\u044f\u0445 \u043a\u0430\u043a: 1) \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u0435 \u043f\u043e\u043b\u043e\u043c\u043e\u043a \u043e\u0431\u043e\u0440\u0443\u0434\u043e\u0432\u0430\u043d\u0438\u044f \u0422\u0430\u043a, \u0432 2010 \u0433\u043e\u0434\u0443 \u0418\u0440\u0430\u043d\u0441\u043a\u0438\u0435 \u0446\u0435\u043d\u0442\u0440\u0438\u0444\u0443\u0433\u0438 \u0431\u044b\u043b\u0438 \u0430\u0442\u0430\u043a\u043e\u0432\u0430\u043d\u044b \u0432\u0438\u0440\u0443\u0441\u043e\u043c Stuxnet, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0437\u0430\u0434\u0430\u043b \u043d\u0435\u043e\u043f\u0442\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0439 \u0440\u0435\u0436\u0438\u043c \u0440\u0430\u0431\u043e\u0442\u044b \u043e\u0431\u043e\u0440\u0443\u0434\u043e\u0432\u0430\u043d\u0438\u044f \u0438 \u0432\u044b\u0432\u0435\u043b \u0438\u0437 \u0441\u0442\u0440\u043e\u044f \u0447\u0430\u0441\u0442\u044c \u043e\u0431\u043e\u0440\u0443\u0434\u043e\u0432\u0430\u043d\u0438\u044f \u0437\u0430 \u0441\u0447\u0435\u0442 \u0443\u0441\u043a\u043e\u0440\u0435\u043d\u043d\u043e\u0433\u043e \u0438\u0437\u043d\u043e\u0441\u0430. \u0415\u0441\u043b\u0438 […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-53278","post","type-post","status-publish","format-standard","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd479 approches pour d\u00e9tecter des anomalies | ProHoster","description":"Dans l'article pr\u00e9c\u00e9dent, nous avons parl\u00e9 de la pr\u00e9vision des s\u00e9ries temporelles. Une suite logique serait un article sur la d\u00e9tection d'anomalies.","canonical_url":"https:\/\/prohoster.info\/fr\/blog\/news\/9-podhodov-dlya-vyyavleniya-anomalij","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"fr_FR","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd479 \u043f\u043e\u0434\u0445\u043e\u0434\u043e\u0432 \u0434\u043b\u044f \u0432\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u044f \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0439 | ProHoster","og:description":"\u0412 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u043c\u044b \u0433\u043e\u0432\u043e\u0440\u0438\u043b\u0438 \u043e \u043f\u0440\u043e\u0433\u043d\u043e\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0438 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0440\u044f\u0434\u043e\u0432. \u041b\u043e\u0433\u0438\u0447\u043d\u044b\u043c \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0435\u043d\u0438\u0435\u043c \u0431\u0443\u0434\u0435\u0442 \u0441\u0442\u0430\u0442\u044c\u044f \u043e \u0432\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u0438 \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0439.","og:url":"https:\/\/prohoster.info\/fr\/blog\/news\/9-podhodov-dlya-vyyavleniya-anomalij","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-11-27T21:00:00+00:00","article:modified_time":"2020-02-18T11:01:10+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"53278","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-24 06:46:20","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 20:28:47","updated":"2026-01-24 06:46:20","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/53278","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/comments?post=53278"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/53278\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media?parent=53278"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/categories?post=53278"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/tags?post=53278"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}