[發(fā)明專利]基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210651604.7
• 申請(qǐng)日: 2022-06-10
• 公開(kāi)（公告）號(hào): CN114970736A
• 公開(kāi)（公告）日: 2022-08-30
• 發(fā)明（設(shè)計(jì)）人: 尹美娟;段順然;劉粉林;焦隆隆;于嵐嵐
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 鄭州大通專利商標(biāo)代理有限公司 41111
• 代理人: 周艷巧

1.一種基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法，其特征在于，包含如下內(nèi)容：

獲取屬性網(wǎng)絡(luò)中節(jié)點(diǎn)屬性矩陣和結(jié)構(gòu)矩陣，并將屬性矩陣和結(jié)構(gòu)矩陣作為圖卷積神經(jīng)網(wǎng)絡(luò)輸入，利用圖卷積神經(jīng)網(wǎng)絡(luò)獲取屬性網(wǎng)絡(luò)中節(jié)點(diǎn)結(jié)構(gòu)信息和屬性信息的聯(lián)合嵌入向量；

利用聯(lián)合嵌入向量分別對(duì)圖卷積神經(jīng)網(wǎng)絡(luò)輸入的節(jié)點(diǎn)屬性矩陣和結(jié)構(gòu)矩陣進(jìn)行重構(gòu)，并獲取節(jié)點(diǎn)重構(gòu)誤差；

針對(duì)聯(lián)合嵌入向量和節(jié)點(diǎn)重構(gòu)誤差，利用概率分布模型來(lái)檢測(cè)屬性網(wǎng)絡(luò)中的節(jié)點(diǎn)異常。

2.根據(jù)權(quán)利要求1所述的基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法，其特征在于，將屬性網(wǎng)絡(luò)表示為G＝＜V，E，X＞，其中，V表示屬性網(wǎng)絡(luò)G的節(jié)點(diǎn)集合，E表示屬性網(wǎng)絡(luò)連邊集合，X表示屬性網(wǎng)絡(luò)節(jié)點(diǎn)屬性矩陣，A表示屬性網(wǎng)絡(luò)結(jié)構(gòu)矩陣。

3.根據(jù)權(quán)利要求1或2所述的基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法，其特征在于，獲取聯(lián)合嵌入向量時(shí)，利用由k個(gè)神經(jīng)網(wǎng)絡(luò)層堆疊構(gòu)成的圖卷積神經(jīng)網(wǎng)絡(luò)并通過(guò)迭代計(jì)算來(lái)獲取包含鄰居信息的節(jié)點(diǎn)嵌入向量。

4.根據(jù)權(quán)利要求3所述的基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法，其特征在于，采用三個(gè)神經(jīng)網(wǎng)絡(luò)層堆疊的圖卷積神經(jīng)網(wǎng)絡(luò)，迭代計(jì)算過(guò)程表示如下：

其中，h₀為屬性矩陣X特征維度，h₁為隱藏層特征維度；H⁽ⁱ⁾為經(jīng)過(guò)第i層計(jì)算后的節(jié)點(diǎn)特征矩陣，且i∈{1，2，3}，Z為最終獲取的節(jié)點(diǎn)嵌入向量，h₃為節(jié)點(diǎn)嵌入向量維度，且H⁽³⁾中的特征向量包含節(jié)點(diǎn)三階鄰居信息。

5.根據(jù)權(quán)利要求1所述的基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法，其特征在于，獲取節(jié)點(diǎn)重構(gòu)誤差中，選擇激活函數(shù)tanh(·)或sigmoid(·)作為結(jié)構(gòu)矩陣的預(yù)測(cè)函數(shù)，并借助三個(gè)神經(jīng)網(wǎng)絡(luò)層堆疊的圖卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行屬性矩陣的預(yù)測(cè)；依據(jù)結(jié)構(gòu)矩陣和屬性矩陣及兩者的預(yù)測(cè)結(jié)果來(lái)獲取關(guān)于結(jié)構(gòu)信息和屬性信息的重構(gòu)誤差。

6.根據(jù)權(quán)利要求1或5所述的基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法，其特征在于，采用節(jié)點(diǎn)向量之間的相似度來(lái)衡量節(jié)點(diǎn)結(jié)構(gòu)矩陣和屬性矩陣與兩者對(duì)應(yīng)的預(yù)測(cè)結(jié)果之間的重構(gòu)誤差。

7.根據(jù)權(quán)利要求1所述的基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法，其特征在于，采用高斯混合模型作為用于檢測(cè)屬性網(wǎng)絡(luò)中節(jié)點(diǎn)異常的概率分布模型，通過(guò)對(duì)高斯混合模型進(jìn)行求解來(lái)完成屬性網(wǎng)絡(luò)中屬性信息和結(jié)構(gòu)信息的密度估計(jì)；依據(jù)密度估計(jì)結(jié)果中的概率分布來(lái)獲取異常節(jié)點(diǎn)。

8.根據(jù)權(quán)利要求7所述的基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法，其特征在于，對(duì)高斯混合模型進(jìn)行求解中，以節(jié)點(diǎn)聯(lián)合嵌入向量作為輸入，以節(jié)點(diǎn)屬于高斯混合模型各子分布的概率作為輸出，利用多層感知機(jī)進(jìn)行模型求解。

9.根據(jù)權(quán)利要求8所述的基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法，其特征在于，節(jié)點(diǎn)屬性信息的密度估計(jì)過(guò)程表示為：節(jié)點(diǎn)結(jié)構(gòu)信息的密度估計(jì)過(guò)程表示為：其中，z_x、z_a分別表示屬性網(wǎng)絡(luò)節(jié)點(diǎn)屬性信息和結(jié)構(gòu)信息表示向量，z_xr、z_ar分別表示屬性信息和結(jié)構(gòu)信息的重構(gòu)誤差，MLP()表示多層感知機(jī)求解。

10.根據(jù)權(quán)利要求I所述的基于密度估計(jì)的網(wǎng)絡(luò)節(jié)點(diǎn)深度異常檢測(cè)方法，其特征在于，通過(guò)構(gòu)建深度異常檢測(cè)模型框架，利用該深度異常檢測(cè)模型框架來(lái)獲取聯(lián)合嵌入向量及節(jié)點(diǎn)重構(gòu)誤差并進(jìn)行網(wǎng)絡(luò)節(jié)點(diǎn)異常檢測(cè)；其中，深度異常檢測(cè)模型框架包含：用于獲取聯(lián)合嵌入向量的圖卷積神經(jīng)網(wǎng)絡(luò)，用于檢測(cè)節(jié)點(diǎn)異常的概率分布模型，及用于獲取節(jié)點(diǎn)重構(gòu)誤差的信息重構(gòu)網(wǎng)絡(luò)；模型框架的目標(biāo)損失函數(shù)表示為：其中，N表示樣本個(gè)數(shù)，θ_e，θ_d，θ_m分別表示圖卷積神經(jīng)網(wǎng)絡(luò)、概率分布模型及信息重構(gòu)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)；R_A/x表示結(jié)構(gòu)信息重構(gòu)誤差R_A或?qū)傩孕畔⒅貥?gòu)誤差R_x，且其取值為R_X或R_A；λ₁，λ₂為預(yù)設(shè)超參數(shù)，E(z_i)表示樣本值z(mì)_i的能量，其中，K表示高斯混合模型中高斯分量的個(gè)數(shù)、d是指節(jié)點(diǎn)表示向量的維度、表示第k個(gè)高斯分量的協(xié)方差矩陣中主對(duì)角線上的第j個(gè)元素。