如今信息技术的快速发展,数据呈现爆炸式的增长。然而由于仪器故障、自然环境、人为操作失误等各种因素,数据在收集过程中可能会出现一定的偏差或异常。检测并排除数据中的异常数据是数据挖掘的主要任务之一。由于能够检测数据中的异常数据及噪声,异常检测在现实中得到广泛应用,如欺诈检测、异常行为检测、医疗分析等。目前已提出许多异常检测算法,根据给定假设的不同,它们大致可分为:基于统计的异常检测算法、基于邻域的异常检测算法、基于聚类的异常检测算法、基于子空间的异常检测算法、基于分类的异常检测算法、基于孤立的异常检测算法。随着各个领域数据集规模不断的增加,基于邻域的异常检测算法的时间开销大大增加,使得该类算法存在效率较低的问题。针对此问题,常用的解决方法之一是使用高效的近邻搜索方法来检测异常数据,以保证一定程度上提高时间效率。哈希编码方法在近邻搜索中备受青睐,其原因在于它不仅具有较高的搜索效率和较低的存储空间需求,而且还能在数据编码过程中保留数据的原始近邻关系。因此,本文提出基于哈希编码的异常检测算法研究,研究工作包括如下:(1)本文提出了一种适用于数据规模大的异常检测算法—基于位置敏感哈希和随机游走的异常检测算法(LSH-RWOD),该算法通过位置敏感哈希实现对数据的高效处理,随后利用数据之间距离获取其相似性,并将其转化为随机游走的转移概率。在此基础上,使用随机游走技术计算数据之间的游走概率,其中正常数据之间的转移概率越来越高,而异常点的概率越来越低,进而根据此性质最终辨别异常数据。实验结果表明,提出的方法能有效检测出数据中的异常,总体上优于其他异常检测算法。(2)异常数据的特征往往是由部分特征子空间决定的,但许多异常检测算法却需要考虑所有的特征空间,而随着数据维数的增大,数据特征存在大量的冗余信息,易遮盖异常数据,导致异常检测算法效果降低。为此针对此问题,提出基于哈希森林的异常检测算法(HFOD),该算法在特征子空间中采用哈希编码方法对数据进行近邻划分,以此构造哈希树,且采用集成方法构造哈希森林。在此基础上,根据待测数据在哈希森林中平均叶子节点密度大小来区分异常,即待测数据的平均叶子密度愈小,则表明该数据为异常数据的可能性愈大。该方法无需考虑所有数据特征空间,同时提高泛化能力。考虑到该算法的性能,本文将该算法与其他异常检测算法做了实验对比。实验表明,本文提出的异常检测算法能有效的检测出数据中的异常。