【技术实现步骤摘要】
本专利技术属于社交网络，更为具体地讲，涉及一种基于分布式协同的网络异常行为检测方法。
技术介绍
1、在数字互联网时代，网络不仅仅是一个技术工具，更是人们生活中不可或缺的组成部分，尤其是社交网络，它已成为个人和职业交流、信息传播和社区建设的核心。然而，在数字化扩张伴随社交网络用户数量剧增的同时，异常行为也变得多发，其中包括但不限于错误信息传播和未经授权的数据访问。社交网络中用户异常行为的数量大、多样性和隐蔽性让社交网络中异常行为检测变得复杂，给平台完整性和用户安全带来了巨大挑战。不同平台可能吸引不同类型的用户群体，并且支持不同形式的交互，仅仅依赖单一平台的数据分析可能无法全面捕捉到跨平台或在多个平台协同进行的恶意行为，如水军或虚假信息传播等。
2、跨社交网络的异常行为检测方法能够提供更宽广的视角，揭示在单个平台上可能难以察觉的模式，从而增强异常检测的准确性和及时性。但在进行异常行为检测时，跨平台收集和分析用户数据会引发隐私问题。例如，欧盟的通用数据保护条例对个人数据的处理设定了严格的限制，要求数据的收集和使用必须符合法律规定，...
【技术保护点】
1.一种基于分布式协同的网络异常行为检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的网络异常行为检测方法，其特征在于，所述步骤S1中动态图异常行为检测模型包括图神经网络，读取函数模块，长短时记忆网络和异常行为评估模块，其中：
3.根据权利要求2所述的网络异常行为检测方法，其特征在于，所述步骤S4和所述步骤S6中动态图异常行为检测模型采用如下方法进行训练：
4.根据权利要求3所述的网络异常行为检测方法，其特征在于，所述步骤S4.3中采用邻居聚合路径进行子图整合，具体步骤包括：
5.根据权利要求3所述的网络异常...
【技术特征摘要】
1.一种基于分布式协同的网络异常行为检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的网络异常行为检测方法，其特征在于，所述步骤s1中动态图异常行为检测模型包括图神经网络，读取函数模块，长短时记忆网络和异常行为评估模块，其中：
3.根据权利要求2所述的网络异常行为检测方法，其特征在于，所述步骤s4和所述步骤s6中动态图异常行为检测模型采用如下方法进行训练：
4.根据权利要求3所述的网络异常行为检测方法，其特征在于，所述步骤s4.3中采用邻居聚合路径进行子图整合，具体步骤包括：
5.根据权利要求3所述的网络异常行为检测方法，其特征在于，所述步骤s4.6中损失函数loss的计算方法为：
【专利技术属性】
技术研发人员：邢玲，高建平，吴红海，马华红，张晓辉，张琦，李诗雨，陆晓莹，黄元浩，李冰，邓凯凯，
申请(专利权)人：河南科技大学，
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。