[发明专利]基于社区结构的动态图异常检测方法

权利要求书

1.基于社区结构的动态图异常检测方法，其特征在于：包括如下步骤：

S1：首先定义动态图异常边检测的具体定义：

动态图是一个图序列，G^t代表是在时间戳t下的一张图，G^t＝(V^t，E^t)；随着图的更新，更新的边集用E^t表示，E^t中的所有顶点用集合V^t表示；n＝|V^t|，m^t＝|E^t|；在时间戳t处，A^t表示G^t的邻接矩阵；给定G^t，动态图异常边检测的目标是找到E^t中的异常边；

S2：CmaGraph由C-Block、M-Block和A-Block构成，C-Block检测动态图的进化社区，M-Block重建社区内与社区间顶点的距离，使得同一社区内的顶点嵌入之间的欧式距离上互相靠近，位于不同社区的顶点嵌入之间的欧式距离互相远离；

S3：顶点嵌入最终输入到A-Block进行异常检测。

2.根据权利要求1所述的一种基于社区结构的动态图异常检测方法，其特征在于：所述C-Block的目标是检测进化社区，进化社区指的是动态图上随着时间推移发生变化的社区；

使用邻接矩阵作为自编码器的输入来获取初始的顶点嵌入，并将k-means应用在顶点嵌入上以进行社区检测；

自编码器使用稀疏进化自编码器，即SeAutoencoder，得到稳定的顶点嵌入，从而使k-means得到稳定的社区标签；

形式上，在时间戳t处，可以得到G^t的邻接矩阵A^t，并设置社区的数量k，它是一个超参数；

用l_s层的全连接网络SeAutoencoder构造顶点嵌入，SeAutoencoder的前向传播公式为：

其中l＝1，…，l_s-1，和分别为SeAutoencoder的第l层权值矩阵和偏置向量，σ为sigmoid函数；

设将k-means应用到H^t，因此可以得到一个包含每个顶点的社区标签向量c^t，这里，H^t∈R^n×d，d是顶点嵌入的维数，C^t∈Rⁿ；SeAutoencoder的重构损失函数为：

其中F是frobenius范数，引入稀疏约束，SeAutoencoder神经元的稀疏惩罚项由Kullback-Leibler散度定义：

其中ρ为稀疏参数，为第l层中第j个神经元的平均激活，在H^t和H^t-1之间引入时序损失J^t，

当t＝1时，J_T＝0；

使用l_s层的SeAutoencoder，损失函数为：

其中β和λ分别控制稀疏约束和时序损失的权重。