日本电子通信大学的Hiroyuki Kasai和德国慕尼黑工业大学的Wolfgang Kellerer Martin Kleinsteuber在最近的一份报告中解释说:“在像互联网服务提供商和企业网络这样的大规模网络中，诊断异常事件(称为“异常”)对网络运营商和终端用户来说都是至关重要和具有挑战性的。”在他们的最新工作中，他们设计了一种计算效率高且有效的算法，通过利用最先进的机器学习算法，特别是大规模高阶张量跟踪技术，来识别网络级别的异常。
Kasai, Kellerer和Kleinsteuber将他们的系统描述为数据流从原点到终点，沿着在不同环节交叉的路线。测量每个流量的流量是难以置信的数据密集型，因此研究人员关注直接可观察但粗糙的链接矩阵，然后他们需要确定如何估计不可观察的流量矩阵网络从链接矩阵。
研究人员还通过开发在线操作的算法，避免了大量档案数据的存储问题。他们用带有噪声的正常流动的潜在结构来描述他们的系统，然后他们可以利用稀疏建模将异常流动估计为离群稀疏流动。
正如研究人员在他们的报告中指出的，网络异常可能是由蓄意的恶意操作，或者网络设备的错误配置和故障引起的，所有这些都是识别的重要因素。他们补充说:“大量的数值评估表明，与最先进的算法相比，提出的算法实现了更快的模型逼近迭代收敛速度，以及更好的体积异常检测性能。”
了下:M2M(机对机)
