基于属性网络表征学习的网络服务异常检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于属性网络表征学习的网络服务异常检测方法及装置，包括：获取初始网络服务数据，并基于其构建异质信息网络，获取节点属性集合；基于节点属性集合构建属性向量集，并根据属性向量集和异质信息网路构建属性信息网络；基于属性信息网络构建目标函数，并基于对其求解得到的网络表征学习要学习的节点对应向量构建属性信息网络中节点和与其对应的向量表征的映射关系；基于训练集数据训练得到异常检测模型，并根据异常检测模型计算测试集数据中每笔网络服务数据的异常概率。本发明专利技术增强了属性信息网络中节点的关联性，提高了异常检测模型的泛化能力，对检测异常、拦截异常和保护用户和企业的资金安全有更好的保障。

Anomaly detection method and device of network service based on attribute network representation learning

【技术实现步骤摘要】
基于属性网络表征学习的网络服务异常检测方法及装置
本专利技术涉及网络服务异常检测
，尤其涉及一种网络服务中属性网络表征学习异常检测方法及装置。
技术介绍
目前随着网络服务业务的逐渐扩大，随之而生的欺诈手段也层出不穷，为了保障网络服务中金融机构和正常用户的业务安全，需要建立切实有效的网络服务异常检测系统。在网络服务中异常的信息中通常存在潜在的关联，基于知识图谱的异常检测主要是将“单点”的信息转换成“平面”的相互关联的网络结构，有效地分析复杂关系中存在的特定的潜在风险。近年来，网络表征学习在网络结构上挖掘数据之间的关联时表现出强有力的作用，解决了网络结构上大数据计算的困难，被广泛应用在市场营销、社区发现、异常检测等领域。然而，目前大多数涉及知识图谱的异常检测系统往往关注于网络拓扑结构的深度挖掘，这无法适应网络服务数据的弱关联性，并忽视了现实系统中被观察和记录的节点属性信息，例如网络服务数据中不仅有各种人际关系，还包含丰富的个人信息以及个人属性。此外，网络服务正常的数据往往是相互独立或与其他数据具有较低的关联性，单纯地挖掘网络拓扑结构上本文档来自技高网...

【技术保护点】
1.一种基于属性网络表征学习的网络服务异常检测方法，包括：/n根据原始网络服务数据获取初始网络服务数据，基于所述初始网络服务数据构建异质信息网络，并基于所述异质信息网络中的所有节点在所述原始网络服务数据中获取节点属性集合；/n基于所述节点属性集合构建属性向量集，根据所述属性向量集和所述异质信息网路构建属性信息网络；/n基于所述属性信息网络，以最大后验问题寻找最优向量表征形式构建目标函数，并根据预设算法对所述目标函数进行求解得到网络表征学习要学习的节点对应向量，并基于网络表征学习要学习的节点对应向量构建所述属性信息网络中节点和与其对应的向量表征的映射关系；/n所述属性信息网络中节点和与其对应的向...

【技术特征摘要】
1.一种基于属性网络表征学习的网络服务异常检测方法，包括：
根据原始网络服务数据获取初始网络服务数据，基于所述初始网络服务数据构建异质信息网络，并基于所述异质信息网络中的所有节点在所述原始网络服务数据中获取节点属性集合；
基于所述节点属性集合构建属性向量集，根据所述属性向量集和所述异质信息网路构建属性信息网络；
基于所述属性信息网络，以最大后验问题寻找最优向量表征形式构建目标函数，并根据预设算法对所述目标函数进行求解得到网络表征学习要学习的节点对应向量，并基于网络表征学习要学习的节点对应向量构建所述属性信息网络中节点和与其对应的向量表征的映射关系；
所述属性信息网络中节点和与其对应的向量表征的映射关系计算所述属性信息网络中每个网络服务单号类型节点的特征数据，并基于所述属性信息网络中所有网络服务单号类型节点及其对应的特征数据中的训练集数据训练得到异常检测模型，根据所述异常检测模型计算所述属性信息网络中所有网络服务单号类型节点及其对应的特征数据中的测试集数据中每笔网络服务数据的异常概率。


2.根据权利要求1所示的方法，其特征在于，根据原始网络服务数据获取初始网络服务数据，基于所述初始网络服务数据构建异质信息网络，并基于所述异质信息网络中的所有节点在所述原始网络服务数据中获取节点属性集合包括：
在所述原始网络服务数据中划分出训练集数据和测试集数据，所述训练集数据和所述测试集数据构成初始网络服务数据；
对所述初始网络服务数据进行离散化处理，并对离散后的所述初始网络服务数据进行关系抽取，将关系抽取到的所有关联关系合并得到关系集合；
基于所述关系集合构建异质信息网络；
基于所述异质信息网络中的所有节点依次在所述原始网络服务数据中采集对应的节点属性，并针对所有节点及其对应的节点属性建立属性集合。


3.根据权利要求2所示的方法，其特征在于，在所述原始网络服务数据中划分出训练集数据和测试集数据包括：
设置训练集时间窗口和测试集时间窗口；
基于所述训练集时间窗口在所述原始网络服务数据中划分出训练集数据；
基于所述测试集时间窗口在所述原始网络服务数据中划分出测试集数据；
其中，所述训练集时间窗口和所述测试集时间窗口为连续时间窗口，且所述训练集时间窗口时间上先于所述测试集时间窗口。


4.根据权利要求1所示的方法，其特征在于，基于所述节点属性集合构建属性向量集，根据所述属性向量集和所述异质信息网路构建属性信息网络步骤包括：
对所述节点属性集合中的所有节点属性进行向量化，得到属性向量集；
根据所述属性向量集和所述异质信息网路构建属性信息网络。


5.根据权利要求1所示的方法，其特征在于，基于所述属性信息网络，以最大后验问题寻找最优向量表征形式构建目标函数，并根据预设算法对所述目标函数进行求解得到网络表征学习要学习的节点对应向量，并基于网络表征学习要学习的节点对应向量构建所述属性信息网络中节点和与其对应的向量表征的映射关系步骤包括：
基于预设采样方法对所述属性信息网络进行采样获取适于表征学习的完整采样数据；
基于所述属性信息网络以最大后验问题寻找最优向量表征形式获取目标函数；
基于所述采样数据，针对所述属性信息网络的网络结构设计结构得分函数，并针对所述属性信息网络的属性设计属性得分函数；
基于所述结构得分函数和属性得分函数对所述目标函数进行求解，得到网络表征学习要学习的节点对应向量；
基于所述网络表征学习要学...

【专利技术属性】
技术研发人员：王成，朱航宇，胡瑞鑫，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31