[發明專利]基于加權動態網絡表示學習的異常群體檢測方法

有效

• 申請號: 201911155412.1
• 申請日: 2019-11-22
• 公開（公告）號: CN111126437B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 馮昊;劉琰;周資喬;鐘鳳喆;王博
• 申請（專利權）人: 中國人民解放軍戰略支援部隊信息工程大學
• 主分類號: G06F18/23
• 分類號: G06F18/23;G06F18/214;G06N3/0455;G06N3/08
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 張立強

本發明屬于動態網絡異常檢測技術領域，公開一種基于加權動態網絡表示學習的異常群體檢測方法，包括：步驟1：基于深度自編碼神經網絡構建加權動態網絡表示學習模型；步驟2：基于構建的加權動態網絡表示學習模型進行異常鏈接識別，得到異常鏈接集；步驟3：基于所述異常鏈接集構建全連接神經網絡模型，通過所述全連接神經網絡模型進行異常群體檢測。本發明將異常鏈接與全連接神經網絡異常檢測模型相結合，基于異常鏈接擴展了本發明的適用范圍，并在安然郵件數據集和AS級Internet數據集上進行了實驗驗證，實驗結果顯示本發明具有較好的異常群體檢測效果。

技術領域

本發明屬于動態網絡異常檢測技術領域，尤其涉及一種基于加權動態網絡表示學習的異常群體檢測方法。

背景技術

隨著網絡技術的飛速發展和計算機、移動智能終端的廣泛普及，網絡極大地改變著人們的工作和生活，同時網絡規模也變得越來越龐大、結構越來越復雜。這就使得對動態網絡進行異常檢測變得越來越困難，基于現有的圖結構特征統計方法難以全面地捕捉圖中的結構特征，如何在變化的網絡中有效識別異常群體是當前的一個研究熱點。

網絡表示學習其基本思想是通過一系列的轉換將網絡中的節點變成多維向量表示，在轉換過程中要求盡可能多地保留原始網絡中的結構信息，進而更方便地利用現有方法實現鏈接預測、節點多標簽分類、社團劃分等任務。在當前已知的動態網絡表示學習方法中，在面對加權網絡時，基于隨機游走的方法在選擇下一跳節點時，依據出度節點的權重來增大或縮小節點的選擇概率。該方法可以有效地縮小表示學習后高權重邊對應節點間的距離，然而在異常鏈接檢測任務中，需要使用歷史網絡中的節點的表示來判斷下一時間片網絡中的節點間鏈接是否正常，此類方法學習到的是節點間的結構信息，并沒有學習到邊的權重信息。因此如果待檢測節點間存在鏈接但其權重明顯較往常偏大或偏小，此類方法并不能成功地識別鏈接的權重異常。于此同時，動態網絡中異常事件持續時間或長或短，往往難以被單個時間片網絡所捕捉，論文(Miz?V,Ricaud?B,Benzi?K,et?al.Anomalydetection?in?the?dynamics?of?web?and?social?networks?using?associative?memory[C]//The?World?Wide?Web?Conference.ACM,2019:1290-1299.)中提出了基于全連接神經網絡的異常檢測模型，可以有效地檢測異常事件的持續時間及參與的節點集。然而在該論文中將節點異常定義為節點在一定時間內通信量突然增加，未考慮節點間通信結構的改變。據此，本發明構建了一個加權動態網絡表示學習模型，并在此模型的基礎上，對整個網絡進行異常鏈接檢測，最后構建基于異常鏈接的全連接神經網絡，檢測并確定異常節點集。

發明內容

本發明針對現有的網絡表示學習方法在面向加權動態網絡時還不能很好地學習邊與權重的對應關系，在進行異常鏈接檢測時無法有效地識別權重異常的問題，提出一種基于加權動態網絡表示學習的異常群體檢測方法。

為了實現上述目的，本發明采用以下技術方案：

一種基于加權動態網絡表示學習的異常群體檢測方法，包括：

步驟1：基于深度自編碼神經網絡構建加權動態網絡表示學習模型；

步驟2：基于構建的加權動態網絡表示學習模型進行異常鏈接識別，得到異常鏈接集；

步驟3：基于所述異常鏈接集構建全連接神經網絡模型，通過所述全連接神經網絡模型進行異常群體檢測。

進一步地，所述步驟1包括：