摘要 | 第3-4页 |
Abstract | 第4-5页 |
第1章 绪论 | 第10-15页 |
1.1 研究背景及意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-13页 |
1.3 研究内容和目标 | 第13-14页 |
1.4 论文结构 | 第14-15页 |
第2章 相关技术介绍 | 第15-33页 |
2.1 实时流计算框架介绍 | 第15-21页 |
2.1.1 Spark分布式计算框架 | 第15-19页 |
2.1.2 Spark Streaming实时流计算框架 | 第19-21页 |
2.2 在线欺诈检测综述 | 第21-31页 |
2.2.1 在线欺诈检测介绍 | 第21-22页 |
2.2.2 基于采样技术的方法 | 第22-25页 |
2.2.3 代价敏感学习方法 | 第25-28页 |
2.2.4 集成学习方法 | 第28-29页 |
2.2.5 在线欺诈检测评价指标 | 第29-31页 |
2.3 本章小结 | 第31-33页 |
第3章 数据集自平衡增量构建算法 | 第33-43页 |
3.1 研究意义 | 第33页 |
3.2 不平衡数据集的内在特性 | 第33-36页 |
3.2.1 类内不平衡与类间不平衡 | 第33-34页 |
3.2.2 不相交小类(Small Disjoints) | 第34-35页 |
3.2.3 样本重叠(Overlapping) | 第35-36页 |
3.3 基于聚类的数据集自平衡增量构建算法 | 第36-42页 |
3.3.1 算法过程 | 第36-39页 |
3.3.2 算法分析 | 第39页 |
3.3.3 基于Spark的实现 | 第39-42页 |
3.4 本章小结 | 第42-43页 |
第4章 分布式资损敏感Lasso算法 | 第43-50页 |
4.1 研究意义 | 第43页 |
4.2 资损代价矩阵 | 第43-44页 |
4.3 资损敏感Lasso算法 | 第44-45页 |
4.4 分布式资损敏感Lasso算法的求解思路 | 第45-47页 |
4.5 分布式资损敏感Lasso算法分析 | 第47-48页 |
4.6 基于Spark的实现 | 第48-49页 |
4.7 本章小结 | 第49-50页 |
第5章 实验与评测 | 第50-57页 |
5.1 实验环境 | 第50-51页 |
5.2 实验设计 | 第51-52页 |
5.3 测评结果 | 第52-56页 |
5.4 本章小结 | 第56-57页 |
第6章 总结与展望 | 第57-59页 |
6.1 总结 | 第57-58页 |
6.2 进一步工作 | 第58-59页 |
参考文献 | 第59-62页 |
致谢 | 第62-63页 |