基于社区结构的动态图异常检测方法技术

本发明专利技术公开了基于社区结构的动态图异常检测方法，包括如下步骤：S1：首先定义动态图异常边检测的具体定义；S2：CmaGraph由C

【技术实现步骤摘要】
基于社区结构的动态图异常检测方法


[0001]本专利技术属于动态图异常检测
，具体涉及基于社区结构的动态图异常检测方法。

技术介绍

[0002]动态图异常检测是图领域的一个重要研究方向。动态图的异常包括：顶点异常、边异常和子图异常。动态图的许多应用都会使用边来表示复杂的拓扑结构和时序特征。因此，异常边检测是动态图异常检测技术中关键的一部分。动态图中的异常边检测有着广泛的应用，如入侵检测系统、社交网络欺诈检测等。通过挖掘动态图中的异常，可以避免一些安全事故，避免或减少经济损失。
[0003]图嵌入模型是一种可以将图上的顶点，边或子图映射到新的向量空间的模型。在新的向量空间中，嵌入可以根据不同的方法表达出不同的属性，并且嵌入的学习是无需人工干预的。在大型复杂的图中，图嵌入模型相比传统的启发式方法的性能更佳。由于图嵌入模型性能优秀，有许多的研究基于图嵌入方法提取图的特征，利用提取到的特征进行异常检测。本专利技术也是基于图嵌入技术，利用社区结构提取动态图的特征，在提取到的特征上进行异常检测。
[0004]NetWalk是经典并且常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于社区结构的动态图异常检测方法，其特征在于：包括如下步骤：S1：首先定义动态图异常边检测的具体定义：动态图是一个图序列，G
t
代表是在时间戳t下的一张图，G
t
＝(V
t
，E
t
)；随着图的更新，更新的边集用E
t
表示，E
t
中的所有顶点用集合V
t
表示；n＝|V
t
|，m
t
＝|E
t
|；在时间戳t处，A
t
表示G
t
的邻接矩阵；给定G
t
，动态图异常边检测的目标是找到E
t
中的异常边；S2：CmaGraph由C
‑
Block、M
‑
Block和A
‑
Block构成，C
‑
Block检测动态图的进化社区，M
‑
Block重建社区内与社区间顶点的距离，使得同一社区内的顶点嵌入之间的欧式距离上互相靠近，位于不同社区的顶点嵌入之间的欧式距离互相远离；S3：顶点嵌入最终输入到A
‑
Block进行异常检测。2.根据权利要求1所述的一种基于社区结构的动态图异常检测方法，其特征在于：所述C
‑
Block的目标是检测进化社区，进化社区指的是动态图上随着时间推移发生变化的社区；使用邻接矩阵作为自编码器的输入来获取初始的顶点嵌入，并将k
‑
means应用在顶点嵌入上以进行社区检测；自编码器使用稀疏进化自编码器，即SeAutoencoder，得到稳定的顶点嵌入，从而使k
‑
means得到稳定的社区标签；形式上，在时间戳t处，可以得到G
t
的邻接矩阵A
t
，并设置社区的数量k，它是一个超参数；用l
s
层的全连接网络SeAutoencoder构造顶点嵌入，SeAutoencoder的前向传播公式为：其中l＝1，
…
，l
s
‑
1，1，和分别为SeAutoencoder的第l层权值矩阵和偏置向量，σ为sigmoid函数；设将k
‑
means应用到H
t
，因此可以得到一个包含每个顶点的社区标签向量c
t
，这里，H
t
∈R
n
×
d
，d是顶点嵌入的维数，C
t
∈R
n
；SeAutoencoder的重构损失函数为：其中F是frobenius范数，引入稀疏约束，SeAutoencoder神经元的稀疏惩罚项由Kullback
‑
Leibler散度定义：其中ρ为稀疏参数，为第l层中第j个神经元的平均激活，在H
t
和H
t
‑1之间引入时序损失J
t
，当t＝1时，J
T
＝0；
使用l
s
层的SeAutoencoder，损失函数为：其中β和λ分别控制稀疏约束和时序损失的权重。3.根...

【专利技术属性】
技术研发人员：方凯彬，李俊杰，包先雨，蔡伊娜，林伟钦，王歆，
申请(专利权)人：深圳大学深圳海关信息中心，
类型：发明
国别省市：