System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及网络安全,特别涉及一种基于边紧密结构嵌入的动态网络拓扑变化检测方法及系统。
技术介绍
1、近几年,随着社交网络、通信网络等网络的应用和发展,图(网络)结构引起人们的研究热潮。然而,现有的研究大多数集中在静态图中,而现实世界的图数据是随时间不断演化的,称之为动态图(网络),以自治系统(autonomous system)拓扑网络为例,节点自身会随着时间不断变化,节点之间的连接情况也会随着时间不断变化。在动态网络的各种分析问题中,变化检测是一项关键任务,旨在识别对象(节点)、关系(边)或者子图的“行为”明显的偏离网络中基本大部分。
2、为了检测动态网络中的异常边,近年来提出了各种类型的方法,例如利用浅层学习机制来检测变化。然而,这些方法在检测大型复杂动态图中的异常边时性能有限。基于深度学习模型方法建立两个阶段的模型,在第一阶段通过图表示学习或者特征方程压缩技术来生成节点或者边的低维向量表示,在第二阶段使用传统的异常检测模型例如streamingk-means或自编码器模型来识别异常。尽管上述方法在性能上有所提高,但也存在一些局限性,具体的,现有方法大多使用两个单独的模块学习结构特征和时序特征,导致在捕获动态网络的时空信息缺失。例如,addgraph和strgnn使用图卷积网络捕获结构信息,使用门控循环单元捕获时序信息;其次,现有方法在进行子结构抽取时没有考虑节点重要性,导致训练效果较差。例如,strgnn方法提取待检测边的h-hop邻居作为其子结构,该方法在处理不均衡的节点度分布时会给子结构引入噪声数据,并
技术实现思路
1、为此,本专利技术提供一种基于边紧密结构嵌入的动态网络拓扑变化检测方法及系统,解决现有动态网络变化检测中存在相关邻居对节点采样的干扰和时空信息耦合效果较差的问题。
2、按照本专利技术所提供的设计方案,一方面,提供一种基于边紧密结构嵌入的动态网络拓扑变化检测方法,包含:
3、将动态网络建模为由系列离散快照组成的图流,其中,每个快照由对应时间片处的节点集和边集构成;
4、对每个时间片处的快照数据进行采样并抽取目标边紧密子结构,其中,边紧密子结构为以目标边两端节点为起始点的一跳或多跳邻居节点构成的集合;
5、利用预训练的编码器模型对目标边紧密子结构内节点的结构和时序进行编码并提取目标边的时空邻域特征;
6、将目标边的时空邻域特征输入至预训练的异常判别器中,基于目标边的时空邻域特征并利用异常判别器对目标边进行异常检测,以识别动态网络变化中异常边。
7、作为本专利技术基于边紧密结构嵌入的动态网络拓扑变化检测方法,进一步地,将动态网络建模为由系列离散快照组成的图流,包含:
8、将动态网络划分为t个快照,利用t个快照组成的图流表示为其中,表示时间片t处的快照,且为时间片t处的节点集,εt为时间片t处的边集。
9、作为本专利技术基于边紧密结构嵌入的动态网络拓扑变化检测方法,进一步地,对每个时间片处的快照数据进行采样并抽取目标边紧密子结构,包含:
10、首先,利用基于随机游走的邻居采样策略获取从目标节点出发的随机游走序列及其采样概率;
11、然后,基于采样概率和随机游走序列构建用于量化每个节点对目标边重要性的采样矩阵,利用采样矩阵选择目标边紧密子结构中的节点,其中,采样矩阵中行表示目标节点和每个节点之间的重要性概率向量。
12、作为本专利技术基于边紧密结构嵌入的动态网络拓扑变化检测方法,进一步地,利用采样矩阵选择目标边紧密子结构中的节点,包含:
13、通过目标边两端节点的重要性概率向量相加,将相加结果向量作为目标边的重要性概率向量;对目标边的重要性概率向量进行排序,依据排序结果选取top-k个节点来组建目标边的紧密子结构中的节点集。
14、作为本专利技术基于边紧密结构嵌入的动态网络拓扑变化检测方法,进一步地,利用采样矩阵选择目标边紧密子结构中的节点,还包含:
15、在预设时间窗口中通过多个时间片来捕捉动态网络变化,对于每个时间片处的快照,通过采样矩阵获取对应目标边的重要性概率向量,并基于重要性概率向量筛选top-k个节点作为目标边紧密子结构中的节点集;将多个时间片下的节点集进行拼接,得到目标边最终的紧密子结构节点集。
16、作为本专利技术基于边紧密结构嵌入的动态网络拓扑变化检测方法,进一步地,利用预训练的编码器模型对目标边紧密子结构内节点的结构和时序进行编码并提取目标边的时空邻域特征,包含:
17、采用带有多头注意力机制的编码器模型以多个时间窗口的节点编码为输入,利用编码器模型来捕获目标边紧密子结构内节点集的结构特征和时序特征,以获取目标边的时空邻域特征嵌入向量。
18、作为本专利技术基于边紧密结构嵌入的动态网络拓扑变化检测方法,进一步地,利用编码器模型来捕获目标边紧密子结构内节点集的结构特征和时序特征,包含:
19、通过编码器模型将目标边紧密子结构内节点集中各节点编码聚合并更新生成节点嵌入向量,基于目标边紧密子结构内节点集中节点数对节点嵌入向量进行平均池化操作,以将其转化为目标边时空邻域特征嵌入向量。
20、作为本专利技术基于边紧密结构嵌入的动态网络拓扑变化检测方法,进一步地,基于目标边的时空邻域特征并利用异常判别器对目标边进行异常检测,包含:
21、采用sigmoid激活的全连接神经网络层计算边的异常分数,基于异常分数来判定目标边是否为异常边。
22、作为本专利技术基于边紧密结构嵌入的动态网络拓扑变化检测方法,进一步地,异常判别器的训练过程包含:
23、基于训练样本中的积极边数据并利用负采样策略生成训练样本中的消极边数据,并基于带有伪标签的二元交叉熵损失函数构建训练过程中的目标损失函数;
24、基于目标损失函数并利用积极边数据和消极边数据训练异常判别器。
25、进一步地,本专利技术还提供一种基于边紧密结构嵌入的动态网络拓扑变化检测系统,包含:网络建模模块、节点采样模块、特征提取模块和异常判别模块,其中,
26、网络建模模块,用于将动态网络建模为由系列离散快照组成的图流,其中,每个快照由对应时间片处的节点集和边集构成;
27、节点采样模块,用于对每个时间片处的快照数据进行采样并抽取目标边紧密子结构,其中,边紧密子结构为以目标边两端节点为起始点的一跳或多跳邻居节点构成的集合;
28、特征提取模块,用于利用预训练的编码器模型对目标边紧密子结构内节点的结构和时序进行编码并提取目标边的时空邻域特征;
29、异常判别模块,用于将目标边的时空邻域特征输入至预训练的异常判别器中,基于目标边的时空邻域特征本文档来自技高网...
【技术保护点】
1.一种基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,包含:
2.根据权利要求1所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,将动态网络建模为由系列离散快照组成的图流,包含:
3.根据权利要求1所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,对每个时间片处的快照数据进行采样并抽取目标边紧密子结构,包含:
4.根据权利要求3所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,利用采样矩阵选择目标边紧密子结构中的节点,包含:
5.根据权利要求3或4所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,利用采样矩阵选择目标边紧密子结构中的节点,还包含:
6.根据权利要求1所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,利用预训练的编码器模型对目标边紧密子结构内节点的结构和时序进行编码并提取目标边的时空邻域特征,包含:
7.根据权利要求6所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,利用编码器模型来捕获目标边紧密子结
8.根据权利要求1所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,基于目标边的时空邻域特征并利用异常判别器对目标边进行异常检测,包含:
9.根据权利要求1或8所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,异常判别器的训练过程包含:
10.一种基于边紧密结构嵌入的动态网络拓扑变化检测系统,其特征在于,包含:网络建模模块、节点采样模块、特征提取模块和异常判别模块,其中,
...【技术特征摘要】
1.一种基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,包含:
2.根据权利要求1所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,将动态网络建模为由系列离散快照组成的图流,包含:
3.根据权利要求1所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,对每个时间片处的快照数据进行采样并抽取目标边紧密子结构,包含:
4.根据权利要求3所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,利用采样矩阵选择目标边紧密子结构中的节点,包含:
5.根据权利要求3或4所述的基于边紧密结构嵌入的动态网络拓扑变化检测方法,其特征在于,利用采样矩阵选择目标边紧密子结构中的节点,还包含:
6.根据权利要求1所述的基于边紧密结构嵌入的动态网络拓...
【专利技术属性】
技术研发人员:王黎明,刘楝,范加兴,刘琰,张诚瀚,李浩杰,
申请(专利权)人:中国人民解放军战略支援部队信息工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。