伴隨著信息時(shí)代的到來和互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，全球數(shù)據(jù)量的規(guī)模迎來了爆炸式的增長(zhǎng)，預(yù)示著進(jìn)入大數(shù)據(jù)時(shí)代。然而，在海量、高維數(shù)據(jù)飛速膨脹的同時(shí)，知識(shí)汲取手段的缺乏和落伍成為大數(shù)據(jù)面臨的重要問題。數(shù)據(jù)挖掘是專門針對(duì)海量數(shù)據(jù)提出的一種知識(shí)發(fā)現(xiàn)技術(shù)，它可以被看作是信息技術(shù)的自然進(jìn)化產(chǎn)物，實(shí)現(xiàn)了相關(guān)學(xué)科同應(yīng)用領(lǐng)域的融合，能較好地適應(yīng)大數(shù)據(jù)的發(fā)展。離群數(shù)據(jù)挖掘作為數(shù)據(jù)挖掘領(lǐng)域的一個(gè)主要研究?jī)?nèi)容，其目的是從海量原始數(shù)據(jù)集中，識(shí)別與大多數(shù)對(duì)象具有明顯差異的個(gè)別對(duì)象，在信用卡欺詐、網(wǎng)絡(luò)魯棒性分析、入侵檢測(cè)等領(lǐng)域得到了廣泛的應(yīng)用�，F(xiàn)有的大多數(shù)離群挖掘方法主要從全局的角度識(shí)別離群數(shù)據(jù)，難以適應(yīng)高維的數(shù)據(jù)集。因此，海量、高維離群數(shù)據(jù)挖掘方法的研究具有主要的意義和價(jià)值。
　　近年來，筆者一直從事離群數(shù)據(jù)挖掘及其應(yīng)用的相關(guān)研究，在結(jié)合大數(shù)據(jù)熱點(diǎn)和先進(jìn)的并行計(jì)算平臺(tái)Hadoop的基礎(chǔ)上，開展了一系列的研究工作，本書是近年來相關(guān)成果的總結(jié)。全書分為6章，除緒論主要介紹大數(shù)據(jù)、并行計(jì)算以及數(shù)據(jù)挖掘技術(shù)的基本理論之外，其余章節(jié)編排如下。
　　第2章為基于距離的離群數(shù)據(jù)挖掘。本章針對(duì)基于距離度量的離群數(shù)據(jù)挖掘方法展開研究，提出了基于距離支持度的離群數(shù)據(jù)挖掘、基于分階段模糊聚類的離群數(shù)據(jù)挖掘、基于信息熵的離群數(shù)據(jù)挖掘共3個(gè)算法，解決了離群數(shù)據(jù)挖掘效率及準(zhǔn)確性較低的問題，并為后續(xù)章節(jié)天體光譜數(shù)據(jù)的離群挖掘奠定了技術(shù)基礎(chǔ)，也為未知天體的識(shí)別提供了新方法。
　　第3章為基于加權(quán)k近鄰的離群數(shù)據(jù)挖掘方法及并行化。本章針對(duì)基于近鄰的離群數(shù)據(jù)挖掘方法進(jìn)行深入研究，利用Z-order空間填充曲線，將高維空間數(shù)據(jù)映射到低維空間，并在低維空間上實(shí)現(xiàn)加權(quán)k近鄰的查詢。本章還提出加權(quán)k近鄰的離群數(shù)據(jù)挖掘算法，并在Hadoop并行計(jì)算平臺(tái)上，設(shè)計(jì)實(shí)現(xiàn)了相應(yīng)的并行算法。
　　第4章為基于屬性約減的子空間離群數(shù)據(jù)挖掘方法及并行化。本章是面向子空間的離群數(shù)據(jù)挖掘方法的研究，利用屬性約減和稀疏子空間的思想，提出了一種局部離群數(shù)據(jù)挖掘方法。該方法首先通過分析高維數(shù)據(jù)屬性之間的相關(guān)性，剪枝一些與離群檢測(cè)不相關(guān)的屬性和對(duì)象，達(dá)到縮小原始數(shù)據(jù)集的目的；然后采用稀疏子空間檢測(cè)局部離群數(shù)據(jù)，并將粒子群優(yōu)化方法用于稀疏子空間的搜索過程。在串行算法的基礎(chǔ)上，本章還設(shè)計(jì)開發(fā)了基于MapReduce的并行算法，在適應(yīng)高維數(shù)據(jù)特征的同時(shí)，解決了海量離群數(shù)據(jù)挖掘問題。
　　第5章為多源離群數(shù)據(jù)并行挖掘方法與性能優(yōu)化。前面的章節(jié)都是基于單個(gè)數(shù)據(jù)源實(shí)施的離群數(shù)據(jù)挖掘，但隨著數(shù)據(jù)獲取和數(shù)據(jù)來源日益豐富，從多源數(shù)據(jù)集中檢測(cè)離群，能發(fā)現(xiàn)更有價(jià)值的關(guān)聯(lián)性知識(shí)。本章在給出三種不同類型的多源離群及其形式化描述之后，提出了多數(shù)據(jù)源中檢測(cè)離群的基準(zhǔn)算法和改進(jìn)算法，并利用MapReduce的強(qiáng)大計(jì)算能力，提出了基于kNN-join的多源離群并行挖掘算法。本章還針對(duì)并行kNN-join操作中出現(xiàn)的數(shù)據(jù)傾斜現(xiàn)象，提出了一種新的數(shù)據(jù)劃分方法——kNN-DP，有效地緩解了并行環(huán)境中負(fù)載不平衡問題。
　　第6章為海量高維離群數(shù)據(jù)挖掘應(yīng)用。本章重點(diǎn)介紹離群數(shù)據(jù)挖掘技術(shù)在天體光譜、智能制造中的應(yīng)用。在詳細(xì)介紹需求分析的基礎(chǔ)上，設(shè)計(jì)并實(shí)現(xiàn)了天體光譜離群數(shù)據(jù)挖掘系統(tǒng)以及冷軋輥加工工序異常檢測(cè)系統(tǒng)，給出了這些系統(tǒng)的功能模塊、體系結(jié)構(gòu)，以及系統(tǒng)運(yùn)行的相關(guān)界面。最后對(duì)運(yùn)行結(jié)果進(jìn)行了詳細(xì)的分析，并對(duì)獲取的離群數(shù)據(jù)做出合理解釋說明。
　　本書的寫作得到了太原科技大學(xué)人工智能實(shí)驗(yàn)室、計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院各位老師的大力支持，特別是張繼福教授、蔡江輝教授、楊海峰教授為本書提出了許多寶貴的建議，在此一并致以誠(chéng)摯的感謝。