基于图神经网络的动态网络异常检测算法

• 全文链接
• 请求原文

关键词：

图神经网络;  图深度学习;  动态网络异常检测; 

期刊名称：

软件学报

基金项目：

面向大规模时态图数据的社区搜索关键技术研究
面向课程的大规模在线教育资源组织与持续优化的理论与方法
集群环境下基于内存的高性能数据管理与分析
基于高通量测序数据的多层次生物网络分析理论与关键技术
海量不确定半结构化数据的管理与分析技术研究
基于超云平台的社会化移动网络大数据管理与分析关键技术研究

i s s n：

1000-9825

年卷期：

2020 年 03 期

页   码：

748-762

摘   要：

动态变化的图数据在现实应用中广泛存在,有效地对动态网络异常数据进行挖掘,具有重要的科学价值和实践意义.大多数传统的动态网络异常检测算法主要关注于网络结构的异常,而忽视了节点和边的属性以及网络变化的作用.提出一种基于图神经网络的异常检测算法,将图结构、属性以及动态变化的信息引入模型中,来学习进行异常检测的表示向量.具体地,改进图上无监督的图神经网络框架DGI,提出一种面向动态网络无监督表示学习算法Dynamic-DGI.该方法能够同时提取网络本身的异常特性以及网络变化的异常特性,用于表示向量的学习.实验结果表明,使用该算法学得的网络表示向量进行异常检测,得到的结果优于最新的子图异常检测算法SpotLight,并且显著优于传统的网络表示学习算法.除了能够提升异常检测的准确度,该算法也能够挖掘网络中存在的有实际意义的异常.