[发明专利]一种基于大规模图神经网络的异常检测方法及系统

权利要求书

1.一种基于大规模图神经网络的异常检测方法，其特征在于，所述方法包括：

将目标场景中的对象之间的关系转换为第一图结构；其中，所述对象对应所述第一图结构的节点，所述对象之间的关系对应所述第一图结构的边；

基于所述第一图结构获取特征矩阵；所述特征矩阵包括所述第一图结构中的节点特征，所述节点特征是所述节点的属性信息；

获取信息传递过程中所述特征矩阵的特征传播向量和误差向量；所述特征传播向量表征所述特征矩阵中节点之间已传递的信息量；所述误差向量表征所述特征矩阵中节点之间未传递的信息量；

根据所述特征传播向量和误差向量获取所述特征矩阵的最终节点特征向量；

根据所述最终节点特征向量计算节点的识别结果以进行异常检测。

2.根据权利要求1所述的基于大规模图神经网络的异常检测方法，其特征在于，所述方法还包括：

将所述特征矩阵分解为d个特征向量；其中，d表示所述节点特征的维度；

分别获取每一个特征向量的特征传播向量和误差向量；

基于每一个特征向量的特征传播向量和误差向量获取所述特征矩阵的最终节点特征向量。

3.根据权利要求2所述的基于大规模图神经网络的异常检测方法，其特征在于，获取每一个特征向量的特征传播向量包括：

获取特征向量中每个节点的预测值和误差值；

判断每个所述节点的所述误差值是否满足预设条件|r₁(s)|ε；

若是，则将所述误差值的α倍作为更新后的预测值，剩余的1-α倍分给每一个入邻居节点以转化为所述入邻居节点的误差值，其中，r₁(s)为所述误差值，ε为误差阈值，α为传递参数，且满足0≤α≤1；

若否，则获取所述特征向量的特征传播向量。

4.根据权利要求2所述的基于大规模图神经网络的异常检测方法，其特征在于，d个所述特征向量独立进行信息传递。

5.根据权利要求2所述的基于大规模图神经网络的异常检测方法，其特征在于，根据所述最终节点特征向量计算节点的识别结果包括：

将所述最终节点特征向量作为多层感知器的输入；

将所述多层感知器的参数迭代更新若干次后，计算出所述节点的识别结果；其中：所述多层感知器为一个具有多层的前馈神经网络，所述前馈神经网络包含：输入层、隐层和输出层。

6.根据权利要求2所述的基于大规模图神经网络的异常检测方法，其特征在于，所述方法还包括：

当所述第一图结构变化为第二图结构时，在所述的第二图结构中定位受影响的变化节点；

计算所述变化节点的增量并叠加在所述特征向量的特征传播向量和误差向量上以获得变化后的特征传播向量和误差向量。

7.根据权利要求6所述的基于大规模图神经网络的异常检测方法，其特征在于，所述第一图结构变化为第二图结构包括：插入有向边，删除有向边以及更新节点特征。

8.根据权利要求6所述的基于大规模图神经网络的异常检测方法，其特征在于，所述方法还包括：根据变化后的特征传播向量和误差向量获取第二图结构中的特征传播向量并组成所述第二图结构下的特征传播矩阵；

基于所述特征传播矩阵获取特征传播向量和误差向量。