一种基于动态超图神经网络的异常检测方法

本发明涉及深度学习与图神经网络异常边检测，尤其是一种基于动态超图神经网络的异常检测方法。

背景技术：

1、用动态超图分析社交网络、网络安全等诸多现实问题时，动态超边的异常检测是一个关键任务，这代表超图在不同时刻的边关系发生了改变，且改变是否符合实际有待确认，其中，原始数据内存在的确切异常边关系及不符合数据平台规定的违规活动等都会被视为异常情况。动态超图中存在的复杂超边关系，使得动态超边中的异常检测任务比其它动态图形更为复杂，主要存在两个问题：其一，由于动态超图原始数据在表征学习过程中会丢失一些原始属性信息，尤其是在社交网络中，对于一些不可访问的隐私信息，很难从原始数据集中构建出每个用户节点完整的特性，为了弥补这些数据缺失带来的影响，就需要一个较好的动态超图构建方法；其二，受到动态超图中存在复杂多边关系特点的影响，多类边关系在同一时刻会发生不同的改变，比如在一个时序快照中，动态超图内具体的某一类边关系网络会有新节点参与，同时也会有节点退出网络，这些变动需要根据之前的时序快照中节点与节点、节点与边、边与边之间的关系来判断是否属于正常行为，且由于数据异常情况本身属于小概率事件，要正确捕获异常边并不容易。

2、因此，上述问题亟待解决。

技术实现思路

1、有鉴于此，本发明实施例提供一种基于动态超图神经网络的异常检测方法，以提高动态超图超边异常检测模型的准确性。

2、本发明实施例的一方面提供了一种基于动态超图神经网络的异常检测方法，包括：

3、获取预设的节点在多个时刻下的超图，对每一时刻下的超图，根据超图中单个节点最大的度对超图进行分解采样，得到节点结构嵌入；

4、获取所述预设的节点每一时刻的节点特征，作为源节点嵌入，并将每一时刻的节点距离信息同步编码到对应时刻的源节点嵌入中，得到节点距离编码；

5、将所述节点结构嵌入、所述源节点嵌入以及所述节点距离编码输入长短期记忆网络，并经过池化模块，得到边嵌入；

6、根据预设的概率阈值替换所述边嵌入中的节点，得到负超边嵌入；

7、根据所述边嵌入、所述负超边嵌入以及预设的损失函数确定每一时刻下的超图中的异常超边。

8、可选地，每一时刻下的超图的构建过程，包括：

9、根据该时刻下预设的节点对应的节点嵌入、超边数量以及相邻超边集构建该时刻下的超图。

10、可选地，所述根据该时刻下预设的节点对应的节点嵌入、超边数量以及相邻超边集构建该时刻下的超图，包括：

11、利用正弦编码器和余弦编码器将节点嵌入降维到设定维度；

12、根据每一预设的节点与邻居节点构成超边；

13、根据相邻超边集对每一预设的节点分配相邻的超边，并构建该时刻下的超图。

14、可选地，所述对每一时刻下的超图，根据超图中单个节点最大的度对超图进行分解采样，得到节点结构嵌入，包括：

15、根据超图中单个节点最大的度对超图进行分解，得到多个分解子图；

16、将每一分解子图进行线性特征转换，以统一每一分解子图对应的关系矩阵的维度，并得到包含分解子图中各级节点与超边关系矩阵信息的第一输出矩阵；

17、将每一时刻下的超图输入至超图卷积神经网络，得到第二输出矩阵；

18、聚合所述第一输出矩阵与所述第二输出矩阵，得到每一时刻下的超图对应的节点结构嵌入。

19、可选地，在所述将所述节点结构嵌入、所述源节点嵌入以及所述节点距离编码输入长短记忆网络之前，所述还包括：

20、融合所述节点结构嵌入、所述源节点嵌入以及所述节点距离编码。

21、可选地，所述经过池化模块，得到边嵌入，包括：

22、经过池化模块将长短期记忆网络的输出转换为超边特征矩阵，所述超编特征矩阵作为边嵌入。

23、可选地，所述根据预设的概率阈值替换所述边嵌入中的节点，得到负超边嵌入，包括：

24、以预设的采样概率对所述边嵌入中的节点进行采样；

25、将采样概率低于所述概率阈值的节点替换为除自身外的任意节点，删除对应的超边，并随机连接另一条超边，新连接的超边的权重与被删除的超边的权重一致；

26、返回所述以预设的采样概率对所述边嵌入中的节点进行采样的步骤，直至重复次数达到设定要求，得到负超边嵌入。

27、本发明实施例的另一方面还提供了一种基于动态超图神经网络的异常检测装置，包括：

28、第一检测单元，用于获取预设的节点在多个时刻下的超图，对每一时刻下的超图，根据超图中单个节点最大的度对超图进行分解采样，得到节点结构嵌入；

29、第二检测单元，用于获取所述预设的节点每一时刻的节点特征，作为源节点嵌入，并将每一时刻的节点距离信息同步编码到对应时刻的源节点嵌入中，得到节点距离编码；

30、第三检测单元，用于将所述节点结构嵌入、所述源节点嵌入以及所述节点距离编码输入长短期记忆网络，并经过池化模块，得到边嵌入；

31、第四检测单元，用于根据预设的概率阈值替换所述边嵌入中的节点，得到负超边嵌入；

32、第五检测单元，用于根据所述边嵌入、所述负超边嵌入以及预设的损失函数确定每一时刻下的超图中的异常超边。

33、本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；

34、所述存储器用于存储程序；

35、所述处理器执行所述程序实现上述的方法。

36、本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现上述的方法。

37、本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的方法。

38、本发明将预设的节点在多个时刻下的超图进行分解采样，创造性地提出超图节点级分解过程来研究同一时刻的不同子图结构特征，并从多个角度计算单个节点特征，最终扩散到全局来更新每一时刻超图全局节点嵌入，进而利用多个时刻下的超图的节点特征生成边嵌入，提高动态超图超边异常检测模型的准确性。

技术特征：

1.一种基于动态超图神经网络的异常检测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于动态超图神经网络的异常检测方法，其特征在于，每一时刻下的超图的构建过程，包括：

3.根据权利要求2所述的一种基于动态超图神经网络的异常检测方法，其特征在于，所述根据该时刻下预设的节点对应的节点嵌入、超边数量以及相邻超边集构建该时刻下的超图，包括：

4.根据权利要求1所述的一种基于动态超图神经网络的异常检测方法，其特征在于，所述对每一时刻下的超图，根据超图中单个节点最大的度对超图进行分解采样，得到节点结构嵌入，包括：

5.根据权利要求1所述的一种基于动态超图神经网络的异常检测方法，其特征在于，在所述将所述节点结构嵌入、所述源节点嵌入以及所述节点距离编码输入长短记忆网络之前，所述还包括：

6.根据权利要求1所述的一种基于动态超图神经网络的异常检测方法，其特征在于，所述经过池化模块，得到边嵌入，包括：

7.根据权利要求1所述的一种基于动态超图神经网络的异常检测方法，其特征在于，所述根据预设的概率阈值替换所述边嵌入中的节点，得到负超边嵌入，包括：

8.一种基于动态超图神经网络的异常检测装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括处理器以及存储器；

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。

技术总结
本发明公开了一种基于动态超图神经网络的异常检测方法，包括：获取预设的节点在多个时刻下的超图，根据每一时刻下的超图中单个节点最大的度对超图进行分解采样，得到节点结构嵌入；获取节点每一时刻的节点特征，作为源节点嵌入，并将每一时刻的节点距离信息同步编码到对应时刻的源节点嵌入中，得到节点距离编码；将节点结构嵌入、源节点嵌入以及节点距离编码输入长短期记忆网络，并经过池化模块，得到边嵌入；根据预设的概率阈值替换边嵌入中的节点，得到负超边嵌入；根据边嵌入、负超边嵌入以及预设的损失函数确定每一时刻下的超图中的异常超边。本发明可以提高超边异常检测模型的准确性，可广泛应用于深度学习与图神经网络异常边检测领域。

技术研发人员：李明,杨圣鹏,梁吉业,李朝,吴信东
受保护的技术使用者：浙江师范大学
技术研发日：
技术公布日：2024/1/13