基于双曲空间的网络异常点检测方法技术

本发明专利技术提供了一种基于双曲空间的网络异常点检测方法，通过一个双曲图神经网络来学习属性网络的节点表示；训练生成对抗网络用于检测输入网络嵌入中的异常节点，主要包括：构建属性网络；估计输入所述属性网络的双曲几何曲率参数；通过双曲图神经网络将输入的属性网络映射成双曲空间中的低维向量表示作为该双曲图神经网络的输出；使用反向传播方法使整个神经网络得到训练，最终使用判别器模块实现异常点识别功能。本发明专利技术使用双曲图神经网络将图神经网络的节点特征聚合扩展到双曲空间中，有效地融合了节点特征和层次结构，获得了图的高级节点表示，在双曲空间中利用丰富的层次信息进行异常检测任务。显著提高了检测准确率，缩短了异常检测时间。了异常检测时间。了异常检测时间。

【技术实现步骤摘要】
基于双曲空间的网络异常点检测方法


[0001]本专利技术属于网络分析领域，具体涉及一种网络异常检测方法。

技术介绍

[0002]属性网络是节点或边具有一个或多个属性和标签的网络结构。例如，在社交网络中，用户可能有不同的年龄、兴趣、居住地、工作背景、教育背景等，边关系具有不同的时间、类型、频率等。
[0003]在深度学习取得新进展之前，传统的非深度学习技术已经被广泛应用于许多真实网络来识别异常个体[1]，这些方法的一个关键思想是将图异常检测转化为传统的异常检测问题，因为结构信息丰富的网络数据不能用传统的检测技术直接处理，所以许多工作都设法利用节点相关的统计特征，如入、出度来检测异常节点[1]。
[0004]为了从网络结构中获取更有价值的信息用于异常检测，网络表示技术得到了广泛的应用。这些技术将网络的结构编码到一个嵌入的向量空间中，并通过进一步的分析来识别异常节点。到目前为止，许多网络表示方法，如深Deepwalk、Node2Vec和LINE，已经显示了它们在生成节点表示方面的有效性，并被用于异常检测任务中[3]。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双曲空间的网络异常点检测方法，其特征在于，通过一个双曲图神经网络来学习属性网络的节点表示；训练生成对抗网络用于检测输入网络嵌入中的异常节点，所述的生成对抗网络中，生成器G用于生成潜在的异常节点表示，判别器D用于分离潜在的异常数据与正常数据；具体步骤如下：步骤1，构建属性网络所述属性网络为静态无权无向图，所述属性网络中的节点带有向量形式的属性特征，该属性网络定义如下：G
s
＝(V
s
，E
s
，H
s
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中，V
s
为节点集合，E
s
为边的集合，H
s
为节点属性的集合，H(v)表示节点v的属性向量；步骤2，估计输入所述属性网络的双曲几何曲率参数δ所述的双曲几何曲率参数δ的定义是取四个点x，y，u，v∈Vs，若：式(2)中，为x，y两点之间最短路径的距离，则：定义三个中间变量，分别记为S1、S2和S3：定义三个中间变量，分别记为S1、S2和S3：定义三个中间变量，分别记为S1、S2和S3：对S1，S2，S3进行排序，取其中最大两个值之差绝对值的1/2为局部双曲几何曲率参数，对整个属性网络进行1000～10000次抽样，取局部双曲几何曲率参数中的最大值即为所述的双曲几何曲率参数δ；步骤3，基于步骤2所估计的双曲几何曲率参数δ，通过双曲图神经网络(HGNN)将输入的属性网络映射成双曲空间中的低维向量表示作为该双曲图神经网络的输出，包括：3
‑
1)将存在于欧氏空间中的该属性网络的节点属性向量通过指数映射转换到双曲空间中；3
‑
2)将步骤3
‑
1)得到的双曲空间属性向量通过双曲线性变换提取其中的特征；3
‑
3)对步骤3
‑
2)得到的双曲空间属性向量的特征与输入的属性网络的拓扑结构进行双曲邻域聚合运算；3
‑
4)将步骤3
‑
3)聚合运算得到的结果作为属性网络的双曲空间属性向量，按照步骤3
‑
2)和3
‑
3)重复进行一次双曲邻域聚合运算，最终的聚合运算即为双曲空间中网络低维表示；步骤4、将所述的双曲图神经网络作为自编码器的编码器部分对该自编码器进行训练，以更新所述的双曲图神经网络的参数；步骤5、基于步骤2所估计的双曲几何曲率参数δ，通过步骤4训练好的双曲图神经网络(HGNN)将输入的属性网络映射成双曲空间中的低维向量表示，作为该训练后的双曲图神经网络的输出；步骤6、利用步骤5得到的双曲空间中的网络低维表示训练一个生成对抗网络；
步骤7，将步骤5所得到的双曲空间中的低维向量表示输入到步骤6训练好的生成对抗网络的判别器D中，根据判别器D的输出来计算所有节点的异常得分，并据此检测网络异常节点。2.根据权利要求1所述的基于双曲空间的网络异常点检测方法，其特征在于，步骤3
‑
1)中，将存在于欧氏空间中的属性网络的节点属性向量映射为双曲空间中的所述属性网络的节点属性向量过程是：首先，在原始的节点属性向量的第一维度增加一维O元素，使之满足切线空间中的下述条件的约束：然后，将输入的节点属性向量通过指数映射转换到双曲空间中：并定义输入的节点属性向量h
k，E
存在于在双曲空间的原点的切线空间中，切线空间记为3.根据权利要求2所述的基于双曲空间的网络异常点检测方法，其特征在于，步骤3
‑
2)的具体过程是：首先，将双曲空间中的节点属性向量通过log变换映射到所对应的双曲空间切线空间中，公式为：然后，于切线空间中完成神经网络线性层映射最后，通过指数映射将转换后的特征映射回双曲空间中；上述过程表达为：式(5)中，双曲空间中，矩阵的大小为(m+1)

【专利技术属性】
技术研发人员：王文俊，马志涛，邵明来，孙越恒，武南南，
申请(专利权)人：天津大学，
类型：发明
国别省市：