演化异常子图检测方法及装置制造方法及图纸

本发明专利技术实施例提供一种演化异常子图检测方法及装置，其中，该方法包括：获取动态网络的非参数扫描统计模型；将所述非参数扫描统计模型的NP‑Hard问题，重构为多个等价的子问题；根据预设的策略，确定所述多个子问题中每个子问题的最优解，以完成所述动态网络中演化异常子图的检测，其中，所述演化异常子图为在时间上具有演化关系的异常子图。本发明专利技术实施例提供的演化异常子图检测方法及装置，能够实现基于非参数扫描统计模型的演化异常子图检测，且具有较高的检测准确性。

Evolutionary outlier subgraph detection method and device

The embodiment of the invention provides a method and apparatus for evolution of abnormal sub graph, the detection, the method comprises: a non parametric statistical model to obtain the dynamic scanning network; NP Hard the nonparametric statistical model for scanning, reconstruction of multiple equivalent sub problems; according to the preset strategy, each sub optimal the problem of determining the subproblems in solution, to complete the dynamic evolution of network anomaly detection sub graph, in which the evolution of the abnormal sub graph is abnormal is the evolutionary relationship in time on the map. The invention provides an evolutionary heterogeneous subgraph detection method and a device, which can realize the evolution heterogeneous subgraph detection based on the nonparametric scanning statistical model, and has higher detection accuracy.

【技术实现步骤摘要】
演化异常子图检测方法及装置
本专利技术实施例涉及动态网络
，尤其涉及一种演化异常子图检测方法及装置。
技术介绍
动态网络结构形象的展示了网络中对象之间的关系及事件的演化状态，如社交网络中用户之间的关系，电网连接在地理上的分布地区，全球金融系统连接世界各地的银行等。动态网络较静态网络主要的不同之处在于，动态网络的结构和节点属性是一直变化的。异常子图检测是动态网络中的一个关键的问题。近年来，异常子图检测已被广泛应用到各个重要的领域，例如事件检测，交通拥堵检测，雾霾检测，水污染检测等。现有技术中主要于参数的方法假设网络结构中的节点(包含异常和非异常的节点)，并且将异常检测形式化为假设检验问题，该方法的一个常用的建模方式是将顶点之间连接频率建模为一个计数过程，并将扫描统计与隐马尔科夫模型结合到一起来实现异常子图的检测。但是该方法具有其局限性，即不适用于包含非传统数据资源的演化异常子图检测。
技术实现思路
本专利技术实施例提供一种演化异常子图检测方法及装置，用以实现基于非参数扫描统计模型的演化异常子图检测。本专利技术实施例第一方面提供一种演化异常子图检测方法，该方法包括：获取动态网络的非参数本文档来自技高网...

【技术保护点】
一种演化异常子图检测方法，其特征在于，包括：获取动态网络的非参数扫描统计模型；将所述非参数扫描统计模型的NP‑Hard问题，重构为多个等价的子问题；根据预设的策略，确定所述多个子问题中每个子问题的最优解，以完成所述动态网络中演化异常子图的检测，其中，所述演化异常子图为在时间上具有演化关系的异常子图。

【技术特征摘要】
1.一种演化异常子图检测方法，其特征在于，包括：获取动态网络的非参数扫描统计模型；将所述非参数扫描统计模型的NP-Hard问题，重构为多个等价的子问题；根据预设的策略，确定所述多个子问题中每个子问题的最优解，以完成所述动态网络中演化异常子图的检测，其中，所述演化异常子图为在时间上具有演化关系的异常子图。2.根据权利要求1所述的方法，其特征在于，所述非参数扫描统计模型的表达式为：且所述表达式满足条件：θ(Ω)≤A，N(Ω)≤K其中，θ(Ω)为相邻时刻演化异常子图的变化次数，A为预设的所述变化次数的上限值，K为演化异常子图中节点基数的上限值，N(Ω)为所述演化异常子图中实际的节点数，Nα(Ω)为在置信水平α的前提下所述演化异常子图中异常节点的个数。3.根据权利要求2所述的方法，其特征在于，所述将所述非参数扫描统计模型的NP-Hard问题，重构为多个等价的子问题，包括：将所述非参数扫描统计模型形式化为对应的演化异常子图检测模型；根据所述演化异常子图检测模型，将所述非参数扫描统计模型的NP-Hard问题，重构为多个等价的子问题。4.根据权利要求3所述的方法，其特征在于，所述将所述非参数扫描统计模型形式化为对应的演化异常子图检测模型，包括：将所述非参数扫描统计模型形式化为表达形式为：的演化异常子图检测模型，且所述演化异常子图检测模型满足条件：θ(Ω)≤A，N(Ω)≤K其中，U(V#，αmax)为V#中假定值小于置信水平最大值αmax的α的集合。V#为所述演化异常子图中所有节点的集合。5.根据权利要求1-4中任一项所述的方法，其特征在于，所述根据预设的策略，确定所述多个子问题中每个子问题的最优解，包括：对每个子问题进行拉格朗日松弛、树形先验近似以及动态规...

【专利技术属性】
技术研发人员：李建欣，邵明来，武南南，张日崇，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11