Procedimientos para la identificación de datos anómalos en bases

PROCEDIMIENTO PARA LA IDENTIFICACIÓN DE DATOS
ANOMALOS EN BASES DE DATOS
H. Kuna, A. Rambo,
S. Caballero, G. Pautsch,
M. Rey, C. Cuba
Depto. de Informática,
Facultad de Ciencias
Exactas Quím. y Naturales
Universidad Nacional de
Misiones
hdkuna@unam.edu.ar
R. García-Martínez
Departamento Desarrollo
Productivo y Tecnológico.
Universidad Nacional de
Lanús
rgarcia@unla.edu.ar
Resumen
La información se ha transformado en uno de los
recursos más importantes que las organizaciones necesitan
proteger. En este contexto, la auditoría de sistemas tiene un
rol central en prevenir los riesgos relacionados con la
tecnología de la información. El desarrollo e
implementación de técnicas y herramientas que asistan al
auditor (CAATs) durante este proceso es aún incipiente. La
minería de datos se aplica de manera asistemática y poco
desarrollada en los procesos de auditoría de sistemas. El
presente trabajo intenta mostrar un procedimiento que
utiliza técnicas de clustering (clasificación y agrupamiento
de datos por características similares) donde se procede a la
detección de campos considerados outliers, pudiendo
representar datos anómalos en la base de datos. Esto podría
ser muy útil en las tareas de auditoría de sistemas.
Abstract
Information has become one of the most important assets
companies need to protect. From this fact, the audit of
systems has a central role in preventing risks related to
information technology. Development and implementation of
the computer-assisted audit technique (CAATs) is still
incipient. Data mining applies in an embryonic and
asystematic way to tasks related to systems audit. This paper
tries to show a procedure that uses clustering techniques
(classification and grouping of data with similar
characteristics) which comes to detecting outliers fields
considered and may represent corrupted data in the
database. This could be very useful in systems auditing tasks.
1. Introducción
El manejo de grandes volúmenes de datos es una
constante en todas las organizaciones, lo que exige la
F. Villatoro
Departamento de
Lenguajes y Ciencias de la
Computación, Universidad
de Málaga.
capacitación de los recursos humanos existentes para
manipular, procesar y obtener el máximo beneficio de
los mismos.
La MD (minería de datos), conocida como el proceso
de extracción inteligente de información no evidente
pero presente en las bases de datos,
ha sido
ampliamente utilizada en diferentes casos como por
ejemplo en la medicina [10].
Algunas técnicas de MD se encuentran orientadas a
detección de outliers [15]. Un outlier es aquel dato
[7], que por sus características diferenciadoras en
comparación a los demás datos contenidos en la base
de datos es sospechoso de haber sido introducidos por
otros mecanismos.
La auditoría de sistemas es el conjunto de actividades
tendientes a generar recomendaciones que permitan
optimizar el correcto funcionamiento de los sistemas
existentes en las organizaciones. Las acciones pueden
ser de carácter preventivo o correctivo [9]. El propósito
del tipo preventivo es identificar actividades de vital
importancia como por ejemplo la seguridad. Las
normas ISO 27001/2 (y la anterior ISO 17799), hacen
mención al ordenamiento de las actividades. La
planificación de las mismas es un tema abordados en la
norma ISO 9000-2000 y en los estándares de la
Information Systems Audit and Control Foundation
COBIT [4]. En el caso de las auditorías correctivas
tienden a detectar y en algunas ocasiones corregir los
problemas ya acontecidos, entre los cuales se encuentra
la posibilidad de realizar estudios de datos anómalos.
Los datos anómalos pueden crear distorsión en los
resultados obtenidos al realizar cualquier tipo de
análisis sobre los mismos. Sin embargo son menos
frecuentes los estudios sobre la calidad de los datos,
considerando a los outliers como posibles datos
anómalos, teniendo en cuenta como criterios de calidad
la detección de datos anómalos, sucios o con ruido.
Buscar anomalías realizando consultas o análisis
secuenciales sobre los datos, requiere un planteo
específico, el cual amerita conocerlas previamente.
Para tareas de auditoría es relevante tener mecanismos
que permitan automatizar estas prácticas, entre las
cuales la aplicación de la MD resulta interesante,
debido a su capacidad para detectar patrones y
relaciones entre los datos que no son evidentes.
Para realizar la aplicación de técnicas de MD existen
propuestas que definen una serie de actividades
tendientes a ordenar el proceso por ejemplo la empresa
SAS propone la utilización de la metodología SEMMA
[13] (Sample, Explore, Modify, Model, Assess).
En el año 1999, Las empresas, NCR (Dinamarca), AG
(Alemania), SPSS (Inglaterra) y OHRA (Holanda),
desarrollaron una metodología de libre distribución
CRISP-DM (Cross-Industry Standard Process for
Data Mining) [5].
La metodología P3TQ [12] (Product, Place, Price,
Time, Quantity), tiene dos modelos, el Modelo de MD
y el Modelo de Negocio.
Existen trabajos que definen una taxonomía de las
anomalías detectadas en la búsqueda de outliers [3],
donde se mencionan estudios realizados en diferentes
contextos como detección de fraude tanto en tarjetas de
crédito [1] [14] como en teléfonos celulares [6], entre
otros. Se observa que es posible utilizar las técnicas de
MD relacionadas a los outliers entre las cuales se
encuentra la técnica de clustering. Esta técnica se basa
en un método de aprendizaje no supervisado en el cual
los datos se agrupan de acuerdo a características
similares. Es una de las principales técnicas para
descubrir conocimiento oculto, siendo muy utilizado en
el descubrimiento de patrones en bases de datos (BD)
sin ningún conocimiento previo, y en la detección de
los valores extremos.
Cuanto mayor es la distancia entre un objeto de una
base de datos y el resto de la muestra, mayor es la
posibilidad de considerar al objeto como un valor
atípico. Los principales métodos para medir la
distancia son la distancia euclídea, la de Manhattan y
de Mahalanobis.
Las técnicas de agrupación se pueden clasificar de la
siguiente manera:
1. Agrupamiento jerárquico, que produce
una
descomposición jerárquica del conjunto de datos,
creando un gráfico conocido como dendograma que
representa la forma de agrupación.
2. Métodos basados en particiones, en los que se
realizan divisiones sucesivas del conjunto de datos.
Los objetos se organizan en k grupos, de modo que
la desviación de cada objeto debe reducirse al
mínimo en relación con el centro de la agrupación.
3. Métodos basados en la densidad, donde cada cluster
se relaciona con una medida basada en este
parámetro. Aquí los objetos situados en regiones
con baja concentración son considerados anómalos.
Existen otros procedimientos como los basados en
métodos difusos, en redes neuronales, en algoritmos
evolutivos, en entropía, etc.
El presente trabajo plantea utilizar técnicas de MD,
entre ellas específicamente las de clustering, para
identificar valores atípicos y mejorar de esa manera la
calidad de los datos. Para ello se procede a analizar
aquellas técnicas que mejor apliquen, buscando
determinar las ventajas y desventajas que presentan,
siendo el objetivo final el desarrollo de procedimientos
que permitan detectar outliers. Considerando que estos
pueden representar datos anómalos útiles, para el
auditor ya que además de detectar las tuplas indican los
campos dentro de las mismas considerados outliers.
Siendo este un importante aporte dado que hasta el
presente trabajo solamente es posible detectar las
tuplas que contienen valores atípicos.
En la sección 2 Materiales y métodos se describen el
origen de los datos utilizados en cada prueba. Además
se indican los programas utilizados con una breve
descripción de la finalidad de los mismos dentro del
presente estudio. Se realiza la descripción de los
procedimientos y algoritmos empleados subdivididos
para su mejor interpretación en dos apartados 2.1
indicando el método estadístico y 2.2 donde se explica
el procedimiento propuesto el cual utiliza clustering.
En la sección 3 Resultados y discusión se presentan los
pasos utilizados para realizar cada una de las etapas
que involucran los procedimientos descriptos
anteriormente junto con gráficos y tablas explicativas.
En la sección 4 Conclusiones se identifican los
principales logros del presente estudio.
En la sección 5 Referencias se puede observar el
compendio bibliográfico utilizado de referencia.
2. Materiales y Métodos
La performance de la técnica propuesta se mide usando
lotes generados aleatoriamente y una base de datos que
contiene datos reales sobre cáncer de mama.
La base de datos de Cáncer de mama se obtuvo de
Wisconsin Diagnostic Breast Cancer [16] y por otra
parte se generó una base de datos con números
aleatorios que responden a una distribución normal, el
objetivo del lote de datos generados es determinar los
mejores valores de los parámetros utilizados en el
procedimiento propuesto. Esta última BD fue creada
utilizando la aplicación Mathlab [17] utilizando la
fórmula que se muestra en (1)
m = random(' Normal' , a, b, c, d )
Calculo de la media aritmética simple(2)
Donde xi es cada uno de los elementos de la muestra y
n es el tamaño de la muestra.
Formula de distribución normal utilizada en el
Mathlab. (1)
Donde
─ Normal: es el nombre de la distribución.
─ a: es la mediana, rango para generar números a
partir del 1 a x<200
─ b: es la dispersión
─ c: es la cantidad de registros a generar
─ d: la cantidad de columnas.
Con estos datos se aplicaron los procedimientos
iniciales que involucraban el análisis estadístico de los
registros
(con
el
objetivo
de
determinar
estadísticamente los valores outliers) y la aplicación
del procedimiento propuesto que utiliza clustering.
Este procedimiento sirvió para determinar los valores
outliers y contrastarlos con los obtenidos a través del
análisis estadístico de los datos.
El procedimiento que utiliza clustering aplicado sobre
la base de datos creada con el Mathlab, se ejecutó en
sucesivas pruebas de manera tal que se pudo
determinar los valores óptimos de los parámetros
(LOF, MinPtsMin y MinPtsMax) necesarios para
ejecutar el algoritmo.
Luego se aplicó el procedimiento que utiliza clustering
sobre la BD de cáncer de mama para determinar los
valores outliers.
Finalmente se evaluaron los resultados obtenidos. Para
implementar el procedimiento que utiliza la técnica de
clustering se utilizó el Rapid Miner [20], en esta
instancia se programó una interface de trabajo en Java
para lo cual se utilizó el NetBeans 6.9.1 [18] con la
finalidad de automatizar los procesos de prueba
utilizando el Rapid Miner.
Para almacenar los resultados de las diferentes pruebas
y realizar las comparaciones se utilizó una hoja de
cálculos Calc de Libre Office [19].
2.1. Método estadístico
Se procedió a realizar el estudio de los datos aplicando
métodos estadísticos como el cálculo de la media
aritmética simple, ver formula (2) y el desvío estándar
muestral para determinar los valores extremos o
atípicos, ver formula (3).
−


 xi − x 
∑

i =1 
n −1
n
s=
2
Calculo del desvío estándar muestral (3)
Donde x es la media de muestra o promedio (número1;
número2;…) y n es el tamaño de la muestra.
Sobre cada conjunto de los campos de datos se
realizaron los siguientes pasos:
─ Se calcula el valor medio del conjunto de datos
(columnas, o campos de los registros)
─ Se calcula el desvío estándar de este conjunto de
datos
─ Se determinan los rangos de valores máximos y
mínimos aceptables sumando y restando el doble
del valor del desvío estándar al valor de la media
calculada según lo establecido en el área de
estadística. [11].
En este paso se identifican los valores atípicos,
que son aquellos que están fuera del rango
establecido en el punto anterior.
Cabe destacar que la finalidad del método
estadístico es determinar los outliers para luego
compararlos con los obtenidos a través del
procedimiento que aplica clustering y de esta manera
determinar la eficiencia del mismo
2.2. Procedimiento propuesto aplicando
clustering (LOF)
Luego de determinado cuales eran los registros que
potencialmente tenían ruido, aplicando el análisis
estadístico; se procedió a aplicar el procedimiento
propuesto que incluye el algoritmo de clusterización
LOF (Local Outlier Factor) [8], el cual pertenece al
conjunto de técnicas basadas en densidad para la
detección de outliers. Esta técnica hace uso de la
estimación de densidad de los objetos, para ello, los
objetos localizados en regiones de baja densidad, y que
son relativamente distantes de sus vecinos se
consideran anómalos.
El Local outlier factor (LOF) de una instancia x se
encuentra definida por
n
m=
∑x
i =1
n
i
LOFMinPts ( x ) =
lrd MinPts ( y )
MinPts ( x )
∑ ( ) lrd
y∈N MinPts x
N MinPts ( x )
Calculo de LOF(4)
Donde lrd representa la densidad de alcanzabilidad
local (lrd) de una instancia. Dada una instancia x, su lrd
se define como la inversa de la distancia de
alcanzabilidad promedio basada en la vecindad más
cercana MinPts de la instancia x. Cuando la densidad
de los vecinos de una instancia x es alta o cuando su
densidad es baja entonces su LOF será grande y puede
ser considerado un outlier [2].
En esta etapa se utiliza la aplicación realizada en Java
trabajando en forma conjunta con el Rapid Miner para
aplicar técnicas de MD específicamente LOF.
El algoritmo LOF es un algoritmo basado en la
densidad que determina un factor local de outlier, este
facto puede tomar valores entre 0 e ∞ donde 1 indica
que se trata de un valor normal, este valor es
incorporado a cada tupla. Este algoritmo utilizado
independientemente no permitía determinar qué
campo es un outlier, solo lograba identificar la tupla
completa que poseía entre sus campos posibles datos
inconsistentes o con ruido. El objetivo de este
procedimiento es detectar aquellos campos dentro de
cada tupla que son outliers.
El procedimiento hace lo siguiente:
─ se aplica LOF a una BD
─ se separan dos bases de datos de acuerdo al valor
de LOF, de acuerdo a la experimentación cuando
LOF > n (siendo n un valor a determinar
experimentalmente), se crean de esta manera dos
bases de datos una “limpia” (con valores de LOF
< n) y otra con tuplas donde se considera que
alguno de sus valores es atípico (con valores de
LOF > n).
─ sobre la base de datos limpia se determinan los
metadatos, se toman los valores máximos y
mínimos y la media de cada columna
─ se desarrolla un script que realiza las siguientes
funciones: recorre todas las columnas y compara
los valores máximos y mínimos “normales” con
los de cada campo sobre la base de datos que
contienen valores atípicos, si el valor del campo
es mayor o menor que los valores “normales”
marca ese campo como posible outlier.
─ se aplica el script sobre la base de datos “sucia”
o sea donde el valor de LOF de la tupla
representa un posible outlier, el resultado es que
se obtienen los campos que posiblemente sean
valores extremos.
Este procedimiento se puede observar en la figura 1.
Cabe destacar que el valor óptimo para la variable n,
donde se busca LOF > n para valores “limpios” y LOF
< n para valores atípicos, es el valor “n = 1.5”. Se
arribaron a este parámetro y al de MinPtsMin = 10 y
MinPtsMax = 20 luego de sucesivas pruebas realizadas
sobre la base de datos con datos generados
aleatoriamente esta comparativa de rendimiento que
justifica la elección se observa en la tabla 2, 3 y 4.
3. Resultados y Discusión
Para la experimentación se crearon tres BD (bases de
datos) que tienen la distribución normal utilizando el
Mathlab, un conjunto de datos de 200, otra de 400 y
una última de 2000 registros.
Se realizaron pruebas para cada una de las BD
primeramente utilizando el análisis estadístico, para
determinar los outliers y luego se aplicó el
procedimiento propuesto donde se utilizó la
herramienta de MD en el Rapid Miner para lo cual se
testearon diferentes valores de las variables MinPtsMin
y MinPtsMax y Limites de LOF (valor de n) tomando
como criterios de validación y efectividad los casos
que mayor acierto o descubrimientos de outliers
presentaba y menores casos de falsos positivos. Los 2
primeros parámetros son utilizados para definir el
vecindario que el algoritmo formará alrededor de cada
tupla a la hora de su análisis particular. El MinPtsMin
es el límite de la cantidad mínima de tuplas con las
cuales se debe realizar el cálculo del valor de LOF,
mientras que MinPtsMax marca el límite máximo de
tuplas que se utilizarán para la misma tarea.
Por esto es que se dice que definen el vecindario de
tuplas contra las que cada una se va a comparar para
determinar su valor de outlier.
Los valores de las variables utilizadas en cada prueba
fueron:
─
─
─
─
Limite LOF: 1.3, 1.5, 1.7, 1.9 y 2.
MinPtsMin: 1, 5, 10, 20 y 50.
MinPtsMax: 2, 10, 15, 20, 40 y 100
Conjunto de datos: 200, 400 y 2000 registros.
Los mejores resultados como se observa en la tabla 1,
se obtuvieron con valores siguientes:
Límite de LOF igual a 1.5, MinPtsMin igual a 10 y
MinPtsMax igual a 20.
La tabla 1 presenta los resultados obtenidos con los
diferentes grupos de datos (200, 400 y 2000 registros).
Estos valores se tomaron como parámetros para
realizar las pruebas con el procedimiento diseñado que
incluye aplicar clustering sobre la base de datos de
cáncer de mama.
De esta manera se puede observar como los valores
óptimos para los parámetros se encuentran con n = 1,5
MinPtsMin = 10 y MinPtsMax = 20.
Tabla 1. Valores Obtenidos en las pruebas
realizadas aplicando el procedimiento propuesto
sobre la BD generada, con valores de Limite de
LOF igual 1.5 (extracto del conjunto de pruebas
realizadas).
Figura. 1. Procedimiento de clustering utilizando
LOF aplicado sobre la BD
Para obtener estos valores óptimos se ejecutaron
sucesivas pruebas determinando la efectividad obtenida
según el criterio mencionado anteriormente. Los datos
para los diferentes valores MinPtsMin, MinPtsMax y
límite de LOF para 200 registros se observa en la tabla
2.
Los datos para los diferentes valores MinPtsMin,
MinPtsMax y límite de LOF para 400 registros se
observa en la tabla 3.
Los datos para los diferentes valores MinPtsMin,
MinPtsMax y límite de LOF para 2000 registros se
observa en la tabla 4.
La efectividad se calculó teniendo en cuenta el valor de
aciertos (valor porcentual de outliers detectados sobre
el total existente) menos el valor yerro (valor
porcentual de los falsos positivos sobre el total
existente). Tomando como mejor efectividad los
valores más altos positivos y como una mala
efectividad los valores más bajos negativos.
Luego de obtener estos resultados se tomaron los
valores óptimos LOF, MinPtsMin y MinPtsMax para
proceder a realizar las pruebas sobre la BD de cáncer
de mama.
En el estudio realizado en “A New Local DistanceBased Outlier Detection Approach for Scattered RealWorld Data” [1] se utiliza la base de datos de cáncer
de mama de Wisconsin Diagnostic Breast Cancer [16]
para detectar tuplas outliers. En esta base de datos
aparecen clasificados tipos de cáncer de mamas con
diferentes características que responden a casos de
cáncer maligno y benigno. En este estudio se separaron
los datos correspondientes a cáncer maligno
identificando un set o conjunto de datos de 212
valores. Tomando como referencia este estudio, el cual
considera el conjunto de datos que indican cáncer
benigno como datos normales y el conjunto de datos
que representan casos de cáncer malignos como los
datos anormales o atípicos. De esta manera los casos de
cáncer maligno estarían destinados a formar parte del
conjunto que representaría los outliers en la base de
datos que estaría compuesta únicamente por conjuntos
de datos que identifican características de cáncer
benigno.
Tabla 2. Valores Obtenidos en las pruebas
realizadas aplicando el procedimiento propuesto
sobre la BD generada, con 200 registros variando
los valores de MinPtsMin, MinPtsMax y LOF
(extracto del conjunto de pruebas realizadas).
Para optimizar el funcionamiento del procedimiento se
seleccionaron solamente 10 tuplas con el atributo “tipo
de cáncer”= “maligno”, para obtener estos registros se
aplicó
con la herramienta Rapid Miner un
procedimiento de clusterización con K- Means. Esta
técnica de clustering selecciona grupos representativos
entre los datos. Sus diferentes variantes se basan
fundamentalmente en la forma de medir distancias
entre los datos.
El Rapid Miner utiliza el método de centroides donde
la distancia entre dos clusters se define como la
distancia entre los centroides (medias de los cluster).
Luego de aplicar esta técnica se detecta el cluster más
lejano y se selecciona un conjunto de 10 registros que
se identifican como candidatos para conformar el
conjunto de outliers a ser introducidos en la BD de
cáncer que posee únicamente los casos de cáncer
benigno.
De este conjunto compuesto por 19 registros se los
ordena de mayor a menor y se toman los diez primeros,
los cuales se introducen dentro del conjunto de
registros que pose únicamente los casos de cáncer
benigno.
Tabla 3. Valores obtenidos en las pruebas
realizadas aplicando el procedimiento propuesto
sobre la BD generada, con 400 registros variando
los valores de MinPtsMin, MinPtsMax y LOF
(extracto del conjunto de pruebas realizadas).
De esta manera se determinan las diez tuplas a ser
utilizadas como outliers por ser parte más
representativa del conjunto de datos que componen a
los registros que contienen las características del cáncer
maligno.
Se aplica el procedimiento que utiliza clustering
aplicando LOF con estos valores incorporados a la
base de datos con cáncer benigno y se obtienen los
resultados de la tabla 5.
Es posible observar que con alta efectividad se
identifican y aíslan los registros que poseen outliers.
Tomando como criterios de efectividad mayor cantidad
de outliers identificados y menor cantidad de falsos
positivos.
4. Conclusiones
Se comprueba con el procedimiento empleado que es
posible detectar con efectividad los registros que
contienen outliers y en particular fue posible detectar
los campos de esos registros que son considerados
outliers con una efectividad del 100% en el caso de la
base de datos real utilizada para la experimentación.
Tabla 4. Valores Obtenidos en las pruebas
realizadas aplicando el procedimiento propuesto
sobre la BD generada, con 2000 registros
variando los valores de MinPtsMin, MinPtsMax y
LOF (extracto del conjunto de pruebas
realizadas).
Valor MinPtsMax:
20
Outliers reales de la BD
19
Out. detectados por el procedimiento
Falsos Positivos
Efectividad
14
0
73,6842105
Se logró determinar los valores de los parámetros
utilizados en el algoritmo propuesto que mayor
efectividad tienen. Hasta el presente todas las
investigaciones sobre el tema permitían identificar
tuplas con sospecha de contener outliers, en cambio el
procedimiento
propuesto
permite
identificar
específicamente que campo es el que tiene outliers,
siendo esto de mucha utilidad en la tarea del auditor.
5. Líneas Futuras
En futuros trabajos se probarán otros métodos de
clustering con el objetivo de evaluar su rendimiento
para compararlos con los métodos estudiados. Además
de aplicar los procesos desarrollados en este trabajo en
bases de datos del mundo real. Por otra parte se
pretende trabajar sobre los algoritmos empleados de
manera tal que se pueda mejorar el rendimiento del
proceso.
El presente trabajo forma parte de un proyecto de
investigación que involucra el desarrollo de una tesis
de doctorado, una tesis de maestría y dos tesis de
grado. Además de contar la tesis de doctorado con el
auspicio del capítulo ISACA
en Buenos Aires
(ADACSI, Asociación de Auditoría y Control de
Sistemas de Información), una futura línea de trabajo
se relaciona con el desarrollo de una herramienta que
permita automatizar las actividades de auditoria de
base de datos para que sea de utilidad directa en la
industria.
6. Referencias
Tabla 5. Tabla de resultados obtenidos sobre la
base de datos de cáncer
BD - Cancer
Valor límite de LOF:
1,5
Valor MinPtsMin:
10
Valor MinPtsMax:
20
Outliers reales de la BD
10
10
Out. detectados por el procedimiento
0
Falsos Positivos
100
Efectividad
Valor límite de LOF:
1,5
Valor MinPtsMin:
10
[1]. Bolton, R. And Hand, D.: Unsupervised profiling
methods for fraud detection. In Proceedings of the
Conference on Credit Scoring and Credit Control
VII. (1999)
[2]. Breunig, M; Kriegel, H, Raimond T.; Sander, J.:
LOF: Identifying Density-based Local Outliers.
ACM SIGMOD. (2000)
[3]. Chandola V., Banerjee A., and Kumar V.:
Anomaly Detection: A Survey. University of
Minnesota. Pg 15-58. ACM Computing Surveys,
Vol. 41, No. 3, Article 15. (2009)
[4]. COBIT. 2008. Control Objectives for Information
and related Technology. http://www.isaca.
org/cobit/. Vigencia 16/04/08.
[5]. CRISP-DM.
2008.
http://www.crisp-dm.org/.
Vigencia 15/09/08.
[6]. Fawcett, T. and Provost, F.: Activity monitoring:
noticing interesting changes in behavior. In
Proceedings of the 5th ACM SIGKDD
International Press, 53–62. Conference on
Knowledge Discovery and Data Mining. ACM
(1999)
[7]. Hawkings, D.: Identification of Outliers. Chapman
and Hall. London. (1980)
[8]. Hu T. and Sungs S. Y.: Detecting pattern-based
outliers. Pattern Recognition Letters, vol. 24, no.
16, pp. 3059-3068. (2003)
[9]. ISO/IEC 27001. Primera Edición 15/10/2005.
Estándar Internacional. (2005)
[10]. Ke Z., Marcus H. and Huindong J.: A New Local
Distance-Based Outlier Detection Approach for
Scattered Real-World Data. RSISE, Australian
National University, National ICT Australia
(NICTA), Canberra Lab, ACT, Australia (2009)
[11]. Peña D.: Análisis de Datos Multivariantes, Pg 84.
McGraw-Hill. Interamericana de España. S.A.U.
(2003).
[12]. Pyle, D.: Business Modeling and Business
intelligence. Morgan Kaufmann Publishers (2003)
[13]. SEMMA.
2008.
http://www.sas.com/technologies/analytics/datamin
ing/miner/semma.html. Vigencia 15/09/08.
[14]. Teng, H., Chen, K., and Lu, S.: Adaptive real-time
anomaly detection using inductively generated
sequential patterns. In Proceedings of the IEEE
Computer Society Symposium on Research in
Security and Privacy. IEEE Computer Society
Press, 278–284. (1990)
[15]. Torr P.H.S. and Murray D. W.: Outlier Detection
and Motion Segmentation. Sensor Fusion VI
Volume: 2059, Pages: 432-44. Robotics Research
Gorup, Department of Engineering Science,
University of Oxford Parks Road, Oxford OX1
3PJ, UK. (1993)
[16]. WDBC el conjunto de datos es de UCI ML
Repository: http://archive.ics.uci.edu/ml. última
visita 20/05/2011.
5.1 Software Utilizado
[17]. Mathlab. Entorno de cálculos programable.
Software
con
licencia
académica.
http://www.mathworks.com/ (18-06-2011)
[18]. NetBeans. Entorno para desarrollo de aplicaciones.
Open Source http://netbeans.org/ (18-06-2011)
[19]. Open Office. Calc. Programa de Hoja de Cálculo.
Open
Source.
http://www.libreoffice.org/features/calc/
(18-062011).
[20]. RapidMiner. Sistema Open Source para minería de
datos.
http://rapidi.com/content/view/26/84/lang,en/ (18-06-2011)