[發(fā)明專利]一種基于橋接自動(dòng)編碼器的圖異常節(jié)點(diǎn)檢測方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210805143.4
• 申請(qǐng)日: 2022-07-08
• 公開（公告）號(hào): CN115310587A
• 公開（公告）日: 2022-11-08
• 發(fā)明（設(shè)計(jì)）人: 孫玉霞;貝元琛
• 申請(qǐng)（專利權(quán)）人: 暨南大學(xué)
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08
• 代理公司: 廣州藍(lán)晟專利代理事務(wù)所(普通合伙) 44452
• 代理人: 欒洋洋;陳梓赫

本發(fā)明公開的屬于數(shù)據(jù)挖掘異常檢測技術(shù)領(lǐng)域，具體為一種基于橋接自動(dòng)編碼器的圖異常節(jié)點(diǎn)檢測方法，包括具體步驟如下：步驟一，對(duì)輸入圖屬性和拓?fù)湫畔⑦M(jìn)行聯(lián)合建模和異常模式挖掘：采用橋接的屬性自動(dòng)編碼器和結(jié)構(gòu)自動(dòng)編碼器對(duì)輸入圖的屬性信息和拓?fù)湫畔⑦M(jìn)行聯(lián)合建模，輸出重構(gòu)屬性矩陣和重構(gòu)鄰接矩陣，從屬性重構(gòu)誤差L_attr和結(jié)構(gòu)重構(gòu)誤差L_struct挖掘異常模式；步驟二，對(duì)節(jié)點(diǎn)編碼表示進(jìn)行圖表示向量對(duì)比：構(gòu)建圖表示向量對(duì)比組件對(duì)比整圖表示與各節(jié)點(diǎn)表示之間的向量距離并將其作為評(píng)判異常性質(zhì)的一個(gè)因素，本發(fā)明通過橋接結(jié)構(gòu)聯(lián)合建模其關(guān)系，有效緩解了模型因?yàn)檩斎胄畔⒋嬖诘臎_突導(dǎo)致的表現(xiàn)退化的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)挖掘異常檢測技術(shù)領(lǐng)域，具體為一種基于橋接自動(dòng)編碼器的圖異常節(jié)點(diǎn)檢測方法。

背景技術(shù)

圖異常節(jié)點(diǎn)檢測具有各種重要的現(xiàn)實(shí)應(yīng)用，如計(jì)算機(jī)網(wǎng)絡(luò)的入侵檢測、社交網(wǎng)絡(luò)的惡意用戶檢測和金融交易網(wǎng)絡(luò)的欺詐檢測等。在這些網(wǎng)絡(luò)系統(tǒng)中，少量的異常節(jié)點(diǎn)(如網(wǎng)絡(luò)攻擊者、金融欺詐者等)，就會(huì)對(duì)整個(gè)網(wǎng)絡(luò)造成巨大的損失和嚴(yán)重的后果。近年來，互聯(lián)網(wǎng)和信息技術(shù)及其附屬產(chǎn)業(yè)高速發(fā)展，互聯(lián)網(wǎng)的服務(wù)與交易等業(yè)務(wù)越來越普及，用戶群體越來越龐大，在此大數(shù)據(jù)和大規(guī)模網(wǎng)絡(luò)規(guī)模的背景下，異常節(jié)點(diǎn)的出現(xiàn)對(duì)整個(gè)網(wǎng)絡(luò)系統(tǒng)的影響越來越大、網(wǎng)絡(luò)環(huán)境的安全和穩(wěn)定越來越重要。因此，運(yùn)用有效的圖異常節(jié)點(diǎn)檢測技術(shù)，從大量節(jié)點(diǎn)及其交互信息中有效的挖掘異常節(jié)點(diǎn)及其模式，為網(wǎng)絡(luò)環(huán)境安全的保駕護(hù)航具有重要意義，使得圖異常節(jié)點(diǎn)檢測成為當(dāng)前的一個(gè)熱點(diǎn)研究方向。

現(xiàn)有的圖異常節(jié)點(diǎn)檢測技術(shù)中，沒有考慮到節(jié)點(diǎn)屬性信息和拓?fù)湫畔⒅g復(fù)雜的相關(guān)性和沖突，這樣會(huì)導(dǎo)致模型的性能退化，同時(shí)當(dāng)前技術(shù)大多數(shù)都只從單一角度考慮異常模式，這樣會(huì)導(dǎo)致模型次優(yōu)解的問題，使得當(dāng)前的方法具有一定的局限性。

因此，發(fā)明一種基于橋接自動(dòng)編碼器的圖異常節(jié)點(diǎn)檢測方法。

發(fā)明內(nèi)容

鑒于上述和/或現(xiàn)有一種基于橋接自動(dòng)編碼器的圖異常節(jié)點(diǎn)檢測方法中存在的問題，提出了本發(fā)明。

因此，本發(fā)明的目的是提供一種基于橋接自動(dòng)編碼器的圖異常節(jié)點(diǎn)檢測方法，通過橋接的雙自動(dòng)編碼器對(duì)輸入圖的節(jié)點(diǎn)屬性和拓?fù)浣Y(jié)構(gòu)進(jìn)行聯(lián)合建模和異常模式挖掘，隨后基于節(jié)點(diǎn)編碼進(jìn)行表示向量對(duì)比以進(jìn)一步協(xié)助異常模式的挖掘，最后從屬性重構(gòu)、結(jié)構(gòu)重構(gòu)和表示對(duì)比多角度聯(lián)合全面的進(jìn)行異常節(jié)點(diǎn)的評(píng)估，為每個(gè)節(jié)點(diǎn)生成一個(gè)異常分?jǐn)?shù)作為其異常程度的量化，從而獲得更加有效的異常節(jié)點(diǎn)檢測效果，為現(xiàn)實(shí)中的圖結(jié)構(gòu)數(shù)據(jù)系統(tǒng)安全保駕護(hù)航，能夠解決上述提出現(xiàn)有的問題。

為解決上述技術(shù)問題，根據(jù)本發(fā)明的一個(gè)方面，本發(fā)明提供了如下技術(shù)方案：

一種基于橋接自動(dòng)編碼器的圖異常節(jié)點(diǎn)檢測方法，其包括具體步驟如下：

步驟一，對(duì)輸入圖屬性和拓?fù)湫畔⑦M(jìn)行聯(lián)合建模和異常模式挖掘：采用橋接的屬性自動(dòng)編碼器和結(jié)構(gòu)自動(dòng)編碼器對(duì)輸入圖的屬性信息和拓?fù)湫畔⑦M(jìn)行聯(lián)合建模，輸出重構(gòu)屬性矩陣和重構(gòu)鄰接矩陣，從屬性重構(gòu)誤差L_attr和結(jié)構(gòu)重構(gòu)誤差L_struct挖掘異常模式；

步驟二，對(duì)節(jié)點(diǎn)編碼表示進(jìn)行圖表示向量對(duì)比：構(gòu)建圖表示向量對(duì)比組件對(duì)比整圖表示與各節(jié)點(diǎn)表示之間的向量距離并將其作為評(píng)判異常性質(zhì)的一個(gè)因素；

步驟三，從多角度聯(lián)合進(jìn)行異常節(jié)點(diǎn)評(píng)估：從屬性重構(gòu)、結(jié)構(gòu)重構(gòu)和表示向量對(duì)比的多角度計(jì)算各節(jié)點(diǎn)的異常分?jǐn)?shù)；

步驟四，整體模型訓(xùn)練：在訓(xùn)練目標(biāo)函數(shù)上聯(lián)合學(xué)習(xí)異常檢測的重構(gòu)損失和表示對(duì)比損失并以此來訓(xùn)練模型。

作為本發(fā)明所述的一種基于橋接自動(dòng)編碼器的圖異常節(jié)點(diǎn)檢測方法的一種優(yōu)選方案，其中：所述對(duì)輸入圖屬性和拓?fù)湫畔⑦M(jìn)行聯(lián)合建模和異常模式挖掘的具體流程如下：