基于高效动态时间特征嵌入方法的动态图中异常检测方法技术

本发明专利技术涉及图像异常检测技术领域，公开了基于高效动态时间特征嵌入方法的动态图中异常检测方法，包括以下步骤：S1、通过DyTEF提取动态图的结构特征，并将节点映射成高维空间向量；S2、提取块内图的时序特征，并把之前块内图的时序信息迁移到当前块中；S3、得到每条边的异常分数，以找出异常边数据。本发明专利技术通过在动态图的时序特征提取上，采用了带有记忆向量多头注意力机制来分块地提取特征，而块内每张图的特征提取都是并行地，这大大提高了算法的并行度，提高了算法效；此外，通过记忆力向量的学习与传递，还能提高算法的保存时序特征的能力，让模型提取时序特征更加的完整，从而提高了异常检测的性能，实现全面地异常检测。实现全面地异常检测。实现全面地异常检测。

【技术实现步骤摘要】
基于高效动态时间特征嵌入方法的动态图中异常检测方法


[0001]本专利技术涉及图像异常检测
，具体是基于高效动态时间特征嵌入方法的动态图中异常检测方法。

技术介绍

[0002]动态图是一种具有时序特征的图数据结构，动态图异常检测是异常检测中最具有挑战的任务之一，它的目标是在动态图数据中找到异常的对象、点和边；这其中异常点和异常边检测的应用尤为广泛，例如在交通网络中检测事故的发生、在计算机网络中检测网络异常或网络攻击等；近年来，图表示学习正不断地发展，并已经在图相关领域取得出色的成果，图表示学习可以将图数据中的顶点或边映射成高维空间中的向量，而这些向量包含了图数据的部分特征，例如结构特征、时序特征等。
[0003]现有的技术大多通过结合图表示学习的方法来进行动态图异常检测；这类方法主要有NetWalk、AddGraph、StrGNN和TADDY；其中AddGraph是这类方法的主要代表；AddGraph采用图表示学习的方法对动态图进行结构和时序特征的提取，并采用负采样的方法进行模型训练；具体地来说，AddGraph采用图卷积神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高效动态时间特征嵌入方法的动态图中异常检测方法，其特征在于，包括以下步骤：S1、DyTEF用图卷积神经网络提取动态图的结构特征，并将动态图中的节点映射成高维空间向量；S2、把动态图按时间窗口进行分块，对于每一个块，均采用多头注意力机制来并行地提取块内每个图的时序特征，并更新其向量表达；再添加一个记忆力向量，以保存不同块内图的时序信息，该记忆力向量会逐个参与到每个块内的多头注意力计算中，并把之前块内图的时序信息迁移到当前块中，并在当前块计算完后，同时保留当前块内图的时序信息，然后传递给下一个块；S3、将图中每条边向量表达放入基于交叉熵损失函数的分类器中，得到每条边的异常分数，以此找出动态图中的异常边数据。2.根据权利要求1所述的基于高效动态时间特征嵌入方法的动态图中异常检测方法，其特征在于，所述S1步骤中的动态图定义为其中代表为在时间戳t时的图；对于每张图有其中和分别代表图的点集和边集；定义代表节点v
i
和v
j
之间的一条边，且权重为w；定义和分别代表动态图G总的点集和边集，则有n＝|V|；定义A
t
∈R
n
×
n
代表每张图的邻接矩阵。3.根据权利要求1所述的基于高效动态时间特征嵌入方法的动态图中异常检测方法，其特征在于，所述S1步骤中的DyTEF由三个关键模块组成，三个关键模块分别为结构和上下文特征提取模块、动态时序特征提取模块以及异常检测模块；所述DyTFE的工作原理为：将结构特征和时间特征提取到结构和上下文特征提取模块以及动态时序特征提取模块的节点表示中，然后在异常检测模块中利用该表示检测异常边缘；在结构和上下文特征提取模块中，使用图卷积神经网络来提取图的结构特征，并在节点之间聚合内容特征；在动态时序特征提取模块中，提出动态图的多头注意力机制，并将其扩展为分块循环的结构，并以此提取动态图的两个主要时间特征——长期和短期时序特征。4.根据权利要求3所述的基于高效动态时间特征嵌入方法的动态图中异常检测方法，其特征在于，所述结构和上下文特征提取模块的工作原理为：对图序列中的每张图进行一次多层图卷积操作，以此提取每张图的结构特征，并获得每张图的顶点向量；顶点向量的具体描述为：其中L代表图卷积神经网络的层数，代表图每个顶点的向量表达，d
h
为向量的维度；图卷积神经网络的具体计算...

【专利技术属性】
技术研发人员：包先雨，高祖康，李俊杰，程立勋，郑文丽，
申请(专利权)人：深圳大学，
类型：发明
国别省市：