Rilevamento di anomalie in tempo reale su flussi di dati massicci

Il rilevamento delle anomalie in tempo reale di flussi di dati massicci è uno dei temi di ricerca più importanti al giorno d'oggi, dato che la maggior parte dei dati mondiali viene generata in processi temporali continui. Questo approccio affronta diversi problemi in molti settori come la sanità, l'istruzione, la finanza, la pubblica amministrazione, ecc. In questo lavoro, proponiamo un miglioramento di questo approccio implementato nei modelli di previsione HW e TDHW. L'algoritmo genetico (GA) viene applicato per ottimizzare periodicamente i parametri di smoothing di HW e TDHW, oltre ai due parametri delle finestre scorrevoli che migliorano la misura di deviazione MASE di Hyndman e il valore del parametro di soglia che definisce l'intervallo di confidenza di assenza di anomalia. Proponiamo inoltre una nuova funzione di ottimizzazione basata sui set di dati di addestramento in ingresso con gli intervalli di anomalia annotati per individuare le anomalie giuste e ridurre il numero di quelle false.