УДК 004
DOI: 10.36871/ek.up.p.r.2026.04.10.024

Авторы

Хава Сеитхамзатовна Халиева,
Рамзан Хасанович Махаев,
Грозненский государственный нефтяной технический университет имени академика М.Д. Миллионщикова, Грозный, Россия

Аннотация

В статье исследуются теоретические и прикладные аспекты создания информационных технологий интеллектуального обнаружения аномалий в больших массивах данных, функционирующих в условиях неопределённости и зашумлённости информации, что представляет собой актуальную проблему современного анализа данных, поскольку аномалии – редкие, но часто критически важные события, такие как мошеннические транзакции, сбои оборудования, вторжения в информационные системы, редкие заболевания или экономические кризисы, – требуют своевременного выявления, однако их обнаружение существенно затрудняется наличием шумов, пропусков, нестационарностью распределений и высокой размерностью данных. На основе синтеза положений теории обнаружения аномалий, машинного обучения, статистического анализа и технологий обработки больших данных рассматриваются основные типы аномалий (точечные, контекстуальные, коллективные), источники неопределённости и шумов в больших данных, а также классификация методов обнаружения аномалий (статистические, методы на основе расстояния и плотности, методы на основе кластеризации, методы на основе деревьев решений, методы на основе нейронных сетей, методы на основе теории информации).

Ключевые слова

обнаружение аномалий, большие данные, неопределённость, шумы

Список литературы

  1. Аюпов Р.Х., Бикташев Р.Р. Методы обнаружения аномалий в экономических данных: сравнительный анализ // Искусственный интеллект и принятие решений. – 2022. – № 1. – С. 23–41.
  2. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии в экономике. – М.: Издательство МГТУ им. Н.Э. Баумана, 2023. – 408 с.
  3. Воронцов К.В. Математические методы обучения по прецедентам. – М.: МЦНМО, 2020. – 432 с.
  4. Дюк В.А. Интеллектуальный анализ данных: от данных к знаниям. – СПб.: БХВ-Петербург, 2021. – 528 с.
  5. Лесин В.В., Лисовец Ю.П. Основы методов машинного обучения. – СПб.: Издательство СПбГУ, 2020. – 312 с.
  6. Медведева С.Н., Медведев А.Н. Глубокое обучение: архитектуры, модели, приложения. – М.: ИНФРА-М, 2021. – 288 с.
  7. Сенаторов В.А., Шумилов А.С. Анализ больших данных: методы и инструменты. – М.: ДМК Пресс, 2020. – 312 с.
  8. Флах П. Машинное обучение: наука и искусство построения алгоритмов. – М.: ДМК Пресс, 2019. – 400 с.
  9. Чубукова И.А. Data Mining: учебное пособие. – М.: Интернет-университет информационных технологий, 2021. – 476 с.
  10. Шитов В.Н., Колосов Д.А. Применение методов машинного обучения для прогнозирования экономических временных рядов // Информационные технологии и вычислительные системы. – 2023. – № 2. – С. 56–71.