[發明專利]基于復雜網絡的異常模式挖掘和增量式異常檢測方法

在審

• 申請號: 202011442440.4
• 申請日: 2020-12-08
• 公開（公告）號: CN112527784A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 李子煜;劉雪莉;王文俊;吳斌
• 申請（專利權）人: 天津大學
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/2458;G06F16/26;G06Q40/02
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程小艷

1.基于復雜網絡的異常模式挖掘和增量式異常檢測方法，其特征在于，主要是應用于發現異常洗錢行為和非法集資行為，找出其運行的規律并進行可解釋性分析；

在挖掘異常賬戶時，可按照下面描述的步驟進行：

第一步：首先我們獲得銀行的交易數據；

第二步：對數據進行預處理；

第三步:根據五元組構建轉賬交易網絡；

第四步:使用頻繁模式挖掘算法挖掘正常轉賬模式；

第五步：加入自定義異常模式定義挖掘異常轉賬模式；

第六步：加入自定義人工經驗豐富異常模式庫；

第七步：針對網絡中不斷變化的情況，使用增量式模式檢測。

2.根據權利要求1所述的基于復雜網絡的異常模式挖掘和增量式異常檢測方法，其特征在于，根據交易關系，包含以下步驟：

a.首先對銀行內數據進行清洗選擇，交易關系的抽取，以及交易流水與客戶賬戶信息的對接，最后對涉及個人隱私的私密數據要進行篩除脫密處理；

b.將某個帶有標簽的網絡看作是一個五元組，G＝{V,E,ΣV,ΣE,L}，其中，V表示網絡中節點的集合；表示網絡中邊的集合；ΣV和ΣE分別表示的是節點和邊的標簽的集合；L是標簽函數，V∪E→L，它的作用是完成標簽向節點和邊的映射，因此有：V→ΣV，E→ΣE；

c.下一步我們引入數據挖掘中的支持度來計算模式的出現頻率，采用基于圖像的最小支持度MNI作為評價指標，是基于單節點的支持度量，將MNI作為本算法的支持度來進行計算，來建模數據的分布；

給定一個網絡集合GD＝(V,E)，從GD中挖掘出的模式集合PD＝(V_P,E_P)，PD＝{P_i|i＝1,2,…,n}，如果模式P在G出現m次{f₁,f₂,...f_m}，MNI定義為：

σ_MNI(P，G)＝min v∈V_P|{f_i(v)：i＝1，2，...，m}|

為了后續便于說明，直接將模式P_i的支持度記為SUP_Pi；

d.進行頻繁模式挖掘過程，進行擴展時遵循最右路徑擴展原則，每次擴展要更新模式的支持度SUP_Pi，計算方法使用GRAMI的CSP框架，此時計算的結果會大于真實值，使用當前的支持度SUP_Pi和給定的頻繁模式的支持度閾值supp_σ1作比較：

若SUP_Pisupp_σ1，則判定新模式不是頻繁模式，并對更新的該節點vi+1和邊進行剪枝；

若SUP_Pi≥supp_σ1，那么將使用一系列啟發式算法進行計算，每次計算都會在CSP模式下計算當前的支持度，然后再次和閾值進行比較；

如果使用最后一個啟發式算法也不能排除是不是頻繁模式，那么就要完整計算此模式的具體支持度；

e.基于提出的頻繁模式挖掘算法GRAMI，利用該算法改進后的高效率來進行異常模式的挖掘和分析，提出異常模式挖掘算法AbGRAMI，由正常、頻繁，逐漸演變的過程中可能引入了一條新的邊或者是一個新的節點，使之變為異常情況；

f.基于已經挖掘出的異常模式集合APD，將根據異常模式的基礎上再加入一些人工經驗因素，豐富異常模式庫，生成異常模式集合APD+再次進行檢測；

g.使用AbGRAM的批處理算法一次計算APD，然后根據ΔG增量計算變化ΔAP。