贾诗音,李 敏,王 淼

随着物联网、边缘计算的快速发展，工业、网络、金融等领域产生海量多维数据，异常检测成为保障系统稳定运行的关键，但传统算法存在计算复杂度高、资源消耗大等问题，难以适配边缘设备等资源受限场景。本文对基于轻量化机器学习算法的多维数据异常检测方法进行分类分析，包括传统轻量化、轻量化深度学习及混合轻量化三类方法并对比总结；通过设计实验，结合典型数据集对比各类算法性能；结合多领域案例验证方法实用性。研究表明，轻量化算法能在平衡检测精度与资源消耗的同时，满足实时检测需求，为资源受限场景的多维数据异常检测提供有效解决方案。

轻量化机器学习；多维数据；异常检测；边缘计算；模型压缩

[1] 彭朝琴,熊思成,李奇聪,等.基于注意力机制的融合预测改进自编码的 EMA 多维数据异常检测方法[J].北京航空航天大学学报,1-15. [2] 霍纬纲,吴艺凝.基于三重生成对抗的多维时间序列异常检测[J].计算机工程与设计,2025,46(05):1304-1310. [3] 蒋融融,顾国民,刘洋,等.基于工业系统多维传感数据的异常检测与诊断[J].浙江工业大学学报,2024,52(06):621-632+665. [4] 李少波,王岩,杨磊,等.面向多维数据与随机噪声的无人机飞行数据异常检测方法[J].中国惯性技术学报,2024,32(07):733-742. [5] 李泽宇,乔钢柱,张苗苗.基于对偶对抗学习的多维时间序列异常检测[J].中北大学学报(自然科学版),2024,45(02):205-212. [6] 宋世军,樊敏.基于谱聚类的多维数据集异常数据检测方法[J].吉林大学学报(工学版),2023,53(10):2917-2922.

点击下载PDF