Anomaly Detection in Streaming Data through Closed Itemset and Rule-Based Approaches

Abstract

Anomaly detection is crucial for maintaining data integrity across various domains, particularly in environments characterized by dynamic data flows. A novel approach to anomaly detection utilizes the extraction of closed itemsets and association rules. By leveraging a streaming-based algorithm, the proposed method efficiently identifies anomalies in real time, enhancing the detection of irregular itemsets in transactional datasets. The effectiveness of this approach is evaluated through benchmark datasets, demonstrating its capability to achieve high accuracy. Additionally, the integration of closed itemsets significantly reduces computational overhead while improving detection accuracy, making this approach suitable for applications with resource constraints. ***

La détection des anomalies est cruciale pour maintenir l’intégrité des données dans divers domaines, en particulier dans les environnements caractérisés par des flux de données dynamiques. Une nouvelle approche de la détection des anomalies utilise l’extraction d’ensembles d’items fermés et de règles d’association. En s’appuyant sur un algorithme basé sur le streaming, la méthode proposée identifie efficacement les anomalies en temps réel, améliorant ainsi la détection des ensembles d’items irréguliers dans les ensembles de données transactionnelles. L’efficacité de cette approche est évaluée à travers des ensembles de données de référence, démontrant sa capacité à atteindre une haute précision. De plus, l’intégration des ensembles d’items fermés réduit considérablement la surcharge computationnelle tout en améliorant la précision de détection, rendant cette approche adaptée aux applications avec des contraintes de ressources.