【技术实现步骤摘要】
本申请涉及子图异常检测，特别是涉及一种基于fhgs的动态网络子图异常检测方法、装置和设备。
技术介绍
1、图数据异常检测普遍应用于社交网络、交通网络、金融交易等现实生活中的各个方面，子图异常问题往往与现实生活中的异常群体行为相关联。例如，在金融网络中，异常子图通常意味着群体欺诈行为的出现；在通信网络中，异常子图大多代表攻击者们对正常网络的联合攻击；在社交网络中，异常子图可能表示虚假错误信息的大范围散发与传播。对异常子图进行及时检测有利于尽早发现异常行为，防止恶意活动进一步扩大。传统的子图异常检测方法主要针对静态网络或动态网络中的快照图，忽略了动态数据的时效性，无法对子图异常进行实时或接近实时地检测。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够实时检测子图异常的基于fhgs的动态网络子图异常检测方法、装置和设备。
2、一种基于fhgs的动态网络子图异常检测方法，所述方法包括：
3、采用时间滑动窗口划分动态网络生成子图，并对子图进行异常标签标注，得到待检测子图。
4、将fhgs结构中每一层的图数据存储子矩阵作为稠密子矩阵存储待检测子图，并计算稠密子矩阵的密度，得到子矩阵密度。
5、迭代压缩稠密子矩阵，并计算稠密子矩阵压缩后的密度，以及利用贪婪算法获取稠密子矩阵迭代压缩后的密度最大值。
6、根据fhgs结构的层级数比对每一层的密度最大值确定子图的异常检测结果。
7、在其中一个实施例中，还包括：采用
8、在其中一个实施例中，还包括：将fhgs结构中每一层的图数据存储子矩阵作为稠密子矩阵存储待检测子图，并计算稠密子矩阵的密度，得到子矩阵密度：
9、；
10、其中，为fhgs结构当前存储结构层对应的存储层矩阵，为图数据存储子矩阵的行索引集合，为图数据存储子矩阵的列索引集合，为图数据存储子矩阵中源节点的指纹集合，为图数据存储子矩阵中目标节点的指纹集合，为fhgs结构当前存储结构层对应的存储层矩阵中第行列的矩阵元素的边权重，为子矩阵密度。
11、在其中一个实施例中，还包括：迭代压缩稠密子矩阵，并计算稠密子矩阵压缩后的密度，将稠密子矩阵中行和或列和最小值对应的行或列从稠密子矩阵中删除，以及利用贪婪算法获取稠密子矩阵每次迭代压缩后的密度最大值，若稠密子矩阵的行索引集合和列索引集合均为空，则终止迭代。
12、一种基于fhgs的动态网络子图异常检测方法，所述方法包括：
13、采用时间滑动窗口划分动态网络生成子图，并对子图进行异常标签标注，得到待检测子图。
14、通过fhgs结构中每一层图数据存储子矩阵存储所述待检测子图，并选取图数据存储子矩阵中边权重最大值对应的元素作为稠密子矩阵，计算稠密子矩阵的密度，得到子矩阵密度。
15、利用启发式算法根据子矩阵密度对稠密子矩阵进行全局迭代扩展，并计算稠密子矩阵扩展后的密度，得到待检测密度。
16、根据待检测密度的最大值获取子图的异常检测结果。
17、在其中一个实施例中，还包括：利用启发式算法根据子矩阵密度对稠密子矩阵进行全局迭代扩展，在每次迭代后将边权重最大值对应的元素从图数据存储子矩阵中删除，并计算稠密子矩阵扩展后的密度，得到待检测密度。
18、在其中一个实施例中，根据topk算法中预设的k值确定稠密子矩阵经全局迭代扩展次数。
19、一种基于fhgs的动态网络子图异常检测装置，所述装置包括：
20、待检测子图获取模块，用于采用时间滑动窗口划分动态网络生成子图，并对子图进行异常标签标注，得到待检测子图。
21、子矩阵密度获取模块，用于将fhgs结构中每一层的图数据存储子矩阵作为稠密子矩阵存储待检测子图，并计算稠密子矩阵的密度，得到子矩阵密度；
22、子矩阵压缩模块，用于迭代压缩所述稠密子矩阵，并计算稠密子矩阵压缩后的密度，以及利用贪婪算法获取稠密子矩阵迭代压缩后的密度最大值。
23、异常检测结果获取模块，用于根据fhgs结构的层级数比对每一层的密度最大值确定子图的异常检测结果。
24、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
25、采用时间滑动窗口划分动态网络生成子图，并对子图进行异常标签标注，得到待检测子图。
26、将fhgs结构中每一层的图数据存储子矩阵作为稠密子矩阵存储待检测子图，并计算稠密子矩阵的密度，得到子矩阵密度。
27、根据子矩阵密度迭代压缩稠密子矩阵，并计算稠密子矩阵压缩后的密度，以及利用贪婪算法获取稠密子矩阵迭代压缩后的密度最大值。
28、根据fhgs结构的层级数比对每一层的密度最大值确定子图的异常检测结果。
29、上述基于fhgs的动态网络子图异常检测方法、装置和设备，采用时间滑动窗口将动态网络划分为多个时间片段，并在每个时间片段内生成对应的子图，以捕捉动态网络中动态图数据随时间的演化情况，保障后续子图异常检测的精度和准确性。然后对生成的子图进行异常标签标注，为了在后续的异常检测中提供有监督的训练数据，进而通过计算子矩阵的密度，可以了解子图的紧密程度和复杂度，密度较高的子矩阵包含更多的异常边。另外，利用稠密子矩阵存储子图，对其迭代压缩，减少存储空间，以提高后续计算的效率。进一步地，遍历每一层压缩过程，取子矩阵密度最大值对应的fhgs层级中的子图，并比对各层子矩阵密度最大值的大小，取其中最小值作为子图异常检测结果。通过在不同层级上筛选出找到不同程度的子图异常结果，这样全面多层次的检测策略，可以提高子图异常检测的准确性和精度，并且满足实时检测的需求。
本文档来自技高网...【技术保护点】
1.一种基于FHGS的动态网络子图异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，采用时间滑动窗口划分动态网络生成子图，并对所述子图进行异常标签标注，得到待检测子图，包括：
3.根据权利要求2所述的方法，其特征在于，将FHGS结构中每一层的图数据存储子矩阵作为稠密子矩阵存储所述待检测子图，并计算所述稠密子矩阵的密度，得到子矩阵密度，包括：
4.根据所述权利要求3所述的方法，其特征在于，迭代压缩所述稠密子矩阵，并计算所述稠密子矩阵压缩后的密度，以及利用贪婪算法获取所述稠密子矩阵迭代压缩后的密度最大值，包括：
5.一种基于FHGS的动态网络子图异常检测装置，其特征在于，所述装置包括：
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
【技术特征摘要】
1.一种基于fhgs的动态网络子图异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，采用时间滑动窗口划分动态网络生成子图，并对所述子图进行异常标签标注，得到待检测子图，包括：
3.根据权利要求2所述的方法，其特征在于，将fhgs结构中每一层的图数据存储子矩阵作为稠密子矩阵存储所述待检测子图，并计算所述稠密子矩阵的密度，得到子矩阵密度，包括：
4....
【专利技术属性】
技术研发人员：张千桢，陆敏，朱先强，丁兆云，李杨桦，
申请(专利权)人：中国人民解放军国防科技大学，
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。