[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

说明书

本发明公开了一种基于大规模图神经网络的异常检测方法，包括：将目标场景中的对象之间的关系转换为第一图结构；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；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。本发明所述的方法可以实现在大规模图上的异常检测，在有效时间内得到图上所有节点的识别结果。

技术领域

本发明是关于计算机技术领域，特别是关于一种基于大规模图神经网络的异常检测方法及系统。

背景技术

异常是指与其他明显不同的一个。在不同的应用领域中，通常认为是与标准、正常或者预期有着明显差异的异常对象。在真实场景中，异常可能表现为垃圾邮件的发送者，社交网络中的欺诈者或虚假用户，计算机网络中的网络入侵者或恶意软件，以及工业系统中的损坏设备或故障块。尽管这些异常对象在现实世界中可能很少出现，但通常会产生真实和不利的影响，例如，社交媒体中的虚假新闻会造成恐慌和混乱，并可能向大众传播误导性信念，在线评论系统中的不可信评论会影响客户的购物选择，网络入侵可能会泄露个人隐私数据信息，异常数据还可能会造成巨大的经济损。

异常检测是数据挖掘过程，旨在识别偏离数据集中大多数的异常模式。为检测异常，传统技术通常将现实世界的对象表示为特征向量，例如使用词袋表示社交媒体中的新闻，使用颜色直方图表示网页中的图像，然后在向量空间中检测异常数据点。尽管这些技术已经显示出在表格数据格式下定位异常数据点的能力，但他们并未考虑对象之间的复杂关系，从而检测的准确率不高。真实场景中，各对象之间具有丰富的关系，可以为异常检测提供有价值的补充信息，以社交网络为例，虚假用户可以使用来自正常用户的有效信息来创建账户，也可以通过模仿良性用户的属性来伪装自己。在这种情况下，虚假用户和良性用户将具有几乎相同的特征，而传统的异常检测技术可能无法仅使用特征信息来识别它们。然而，虚假用户总是与大量良性用户建立关系，从而增加他们的声誉和影响力，以从中获得好处，而良性用户很少表现出这样的活动。因此，由虚假用户形成的这些密集且不合常识的连接表现出他们相对于良性用户的偏差，更全面的检测技术应该将这些结构信息纳入考虑范畴来查明异常的偏差模式。

图是计算机科学中被频繁使用的一种数据结构，可以轻松地对事物及其关系进行建模，其中节点表示真实对象，边表示他们的关系。随着图数据在Web时代变得无处不在，图结构信息在识别欺诈性用户或活动等异常数据方面发挥着至关重要的作用。图神经网络作为挖掘图结构数据的流行方法，可自然地应用于异常检测任务，且可端到端地学习而无需依赖于手工制作的特征过程或领域专家构建的统计模型。然而，由于以往基于图神经网络的方法需要在图结构中交互进行消息传递和权重学习，难以扩展到较大规模的数据中，进而影响算法的实际应用效果。另一方面，基于图神经网络的方法通常基于静态图设计，针对频繁变化的动态图，只能将其离散化为多个静态图快照组成的序列后进行处理，但离散化后的数据将损失大量的动态信息，影响异常检测的准确性。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种基于大规模图神经网络的异常检测方法及系统，可以实现在大规模图上的异常检测，在有效时间内得到图上所有节点的识别结果，同时满足计算结果的精确度要求从而能准确定位异常节点，降低时间复杂度，满足实时检测的要求。

为实现上述目的，本发明提供了一种基于大规模图神经网络的异常检测方法，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；