【技术实现步骤摘要】
本说明书实施例涉及图深度学习，特别涉及一种图网络模型训练方法、基于图网络模型的异常检测方法。
技术介绍
1、随着互联网和数字技术的不断发展，数字服务网络在政府、商业和其他领域中得到广泛应用。由于网络复杂性和网络规模，数字服务网络容易受到异常事件的影响，如网络攻击、系统故障等，这些异常事件可能会导致数字服务网络或服务终端。为了确保数字服务网络的稳定性和安全性，需要对数字服务网络进行异常检测。近年来，图神经网络在建模和表征网络结构数据时表现出强有力的作用，因此被用于分析和检测复杂服务网络中存在的异常。因此，亟需一种对服务网络进行异常检测的图网络模型以及检测方法。
技术实现思路
1、有鉴于此，本说明书实施例提供了一种图网络模型训练方法、基于图网络模型的异常检测方法。本说明书一个或者多个实施例同时涉及一种图网络模型训练装置、基于图网络模型的异常检测装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
2、根据本说明书实施例的第一方面，提供了一种图网络模型训练方法，包括：
3、将初始服务网络图输入至初始图网络模型，获得所述初始图网络模型输出的初始节点向量表征；
4、根据所述初始节点向量表征计算所述初始服务网络图在语义维度的节点分布表征和在结构维度的节点拓扑表征；
5、基于所述节点分布表征和所述节点拓扑表征，将所述初始服务网络图中的初始邻接矩阵更新为目标邻接矩阵；
6、将包含所述目标邻接矩阵的
7、基于所述目标节点向量表征对所述初始图网络模型进行迭代训练，直至获得满足训练停止条件的目标图网络模型。
8、根据本说明书实施例的第二方面，提供了一种基于图网络模型的异常检测方法，包括：
9、将待检测服务网络图输入至目标图网络模型，其中，所述目标图网络模型通过上述图网络模型训练方法训练获得；
10、获得所述目标图网络模型输出的节点向量表征，并基于所述节点向量表征对所述待检测服务网络图进行异常检测，获得所述待检测服务网络图的检测结果。
11、根据本说明书实施例的第三方面，提供了一种图网络模型训练装置，包括：
12、输入模块，被配置为将初始服务网络图输入至初始图网络模型，获得所述初始图网络模型输出的初始节点向量表征；
13、计算模块，被配置为根据所述初始节点向量表征计算所述初始服务网络图在语义维度的节点分布表征和在结构维度的节点拓扑表征；
14、更新模块，被配置为基于所述节点分布表征和所述节点拓扑表征，将所述初始服务网络图中的初始邻接矩阵更新为目标邻接矩阵；
15、获得模块，被配置为将包含所述目标邻接矩阵的目标服务网络图输入至所述初始图网络模型，获得所述初始图网络模型输出的目标节点向量表征；
16、训练模块，被配置为基于所述目标节点向量表征对所述初始图网络模型进行迭代训练，直至获得满足训练停止条件的目标图网络模型。
17、根据本说明书实施例的第四方面，提供了一种基于图网络模型的异常检测装置，包括：
18、输入模块，被配置为将待检测服务网络图输入至目标图网络模型，其中，所述目标图网络模型通过上述图网络模型训练方法训练获得；
19、检测模块，被配置为获得所述目标图网络模型输出的节点向量表征，并基于所述节点向量表征对所述待检测服务网络图进行异常检测，获得所述待检测服务网络图的检测结果。
20、根据本说明书实施例的第五方面，提供了一种计算设备，包括：
21、存储器和处理器；
22、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述图网络模型训练方法、基于图网络模型的异常检测方法的步骤。
23、根据本说明书实施例的第六方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述图网络模型训练方法、基于图网络模型的异常检测方法的步骤。
24、根据本说明书实施例的第七方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述图网络模型训练方法、基于图网络模型的异常检测方法的步骤。
25、本说明书一个实施例提供了一种图网络模型训练方法，包括将初始服务网络图输入至初始图网络模型，获得所述初始图网络模型输出的初始节点向量表征；根据所述初始节点向量表征计算所述初始服务网络图在语义维度的节点分布表征和在结构维度的节点拓扑表征；基于所述节点分布表征和所述节点拓扑表征，将所述初始服务网络图中的初始邻接矩阵更新为目标邻接矩阵；将包含所述目标邻接矩阵的目标服务网络图输入至所述初始图网络模型，获得所述初始图网络模型输出的目标节点向量表征；基于所述目标节点向量表征对所述初始图网络模型进行迭代训练，直至获得满足训练停止条件的目标图网络模型。
26、本说明书一个实施例实现了通过将初始服务网络图输入至初始图网络模型，获得初始图网络模型输出的初始节点向量表征，并基于初始节点向量表征计算初始服务网络图在语义维度的节点分布表征和在结构维度的节点拓扑表征，从多维度对异常感知的节点进行编码，学习包含节点异常信息的表征。利用节点分布表征和节点拓扑表征对初始服务网络图的初始邻接矩阵进行更新，实现对初始服务网络图的图结构优化，根据更新后的目标邻接矩阵重新输入至初始图网络模型进行学习训练，避免了因图结构存在不平衡的问题导致后续模型无法正常对初始服务网络图进行异常检测。实现了既能通过优化图结构来获得一个更为平衡的服务网络图建模中的结构表示，也能有效缓解不平衡问题对异常检测的影响。
本文档来自技高网...【技术保护点】
1.一种图网络模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，根据所述初始节点向量表征计算所述初始服务网络图在语义维度的节点分布表征和在结构维度的节点拓扑表征，包括：
3.根据权利要求1所述的方法，其特征在于，基于所述节点分布表征和所述节点拓扑表征，将所述初始服务网络图中的初始邻接矩阵更新为目标邻接矩阵，包括：
4.根据权利要求3所述的方法，其特征在于，基于所述节点分布表征和所述节点拓扑表征构建所述初始服务网络图对应的同类节点相似图和异类节点相似图，包括：
5.根据权利要求4所述的方法，其特征在于，所述同类初始节点集合中任意两个同类初始节点之间的节点连接，包括：
6.根据权利要求4所述的方法，其特征在于，所述异类初始节点集合中任意两个异类初始节点之间的节点连接，包括：
7.根据权利要求3所述的方法，其特征在于，根据所述同类节点相似图中的同类邻接矩阵和所述异类节点相似图中的异类邻接矩阵，对所述初始服务网络图中的初始邻接矩阵进行更新，获得目标邻接矩阵，包括：
8.根据权利要
9.一种基于图网络模型的异常检测方法，其特征在于，包括：
10.一种图网络模型训练装置，其特征在于，包括：
11.一种基于图网络模型的异常检测装置，其特征在于，包括：
12.一种计算设备，其特征在于，包括：
13.一种计算机可读存储介质，其特征在于，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至9任意一项所述方法的步骤。
...【技术特征摘要】
1.一种图网络模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，根据所述初始节点向量表征计算所述初始服务网络图在语义维度的节点分布表征和在结构维度的节点拓扑表征，包括：
3.根据权利要求1所述的方法，其特征在于，基于所述节点分布表征和所述节点拓扑表征，将所述初始服务网络图中的初始邻接矩阵更新为目标邻接矩阵，包括：
4.根据权利要求3所述的方法，其特征在于，基于所述节点分布表征和所述节点拓扑表征构建所述初始服务网络图对应的同类节点相似图和异类节点相似图，包括：
5.根据权利要求4所述的方法，其特征在于，所述同类初始节点集合中任意两个同类初始节点之间的节点连接，包括：
6.根据权利要求4所述的方法，其特征在于，所述异类初始节点集合中任意两个异类初始节点之间的节点连接，包括：
【专利技术属性】
技术研发人员：郑小林，祝小览，朱梦莹，阳梦园，陈超超，
申请(专利权)人：浙江大学，
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。