一种识别动态网络结构异常的方法及装置制造方法及图纸

本申请公开了一种识别动态网络结构异常的方法及装置。根据预设时间切分间隔将动态关系网络切分为多个时间网络；多个时间网络分别对应不同的切分时刻；对任一时间网络，获得该时间网络的度分布数据；根据该时间网络的度分布数据拟合线性函数；根据线性函数得到该时间网络的图特征结果；利用多个时间网络中每个时间网络的图特征结果，识别动态关系网络的结构是否异常。在本申请中，由于依据时间网络的度分布数据进行了线性拟合，并依据线性拟合得到的函数得到图特征结果，实现了对该拟合出的线性函数的量化。以量化表示的图特征结果来识别动态关系网络，能够更加准确、高效地识别出网络结构的异常。有利于及时基于网络中的异常加以警示，防范风险。

【技术实现步骤摘要】
一种识别动态网络结构异常的方法及装置
本申请涉及大数据
，特别是涉及一种识别动态网络结构异常的方法及装置。
技术介绍
关系网络中通常包括多个节点，具有关系的节点中间通过边连接。目前已有针对静态的关系网络具有多种异常分析方法，例如通过度、中心性进行异常网络结构的识别。但是针对网络结构随时间发生变化的动态关系网络，尚不具备高效、准确异常识别方案。例如，相同间隔时间内，同等的节点增量和边的增量既可能使网络结构无明显变化，也可能使网络内部结构发生较大变化。单纯从数量统计节点和边的变化很难识别动态网络结构的异常变化。
技术实现思路
基于上述问题，本申请提供了一种识别动态网络结构异常的方法及装置，以高效、准确地识别动态网络结构的异常。本申请实施例公开了如下技术方案：第一方面，本申请提供一种识别动态网络结构异常的方法，包括：根据预设时间切分间隔将动态关系网络切分为多个时间网络；所述多个时间网络分别对应不同的切分时刻；对于任一时间网络，获得该时间网络的度分布数据；根据该时间网络的度分布数据拟合线性函数；根据所述线性函数得到该时间网络的图特征结果；利用所述多个时间网络中每个时间网络的图特征结果，识别所述动态关系网络的结构是否异常。可选地，所述根据该时间网络的度分布数据拟合线性函数，具体包括：对该时间网络的度分布数据进行对数转换，得到转换后的数据；利用线性回归算法模型和所述转换后的数据进行拟合，得到所述线性函数。可选地，根据所述线性函数得到该时间网络的图特征结果，具体包括：基于所述线性函数进行残差平方和计算，得到该时间网络的图特征结果。可选地，利用所述多个时间网络中每个时间网络的图特征结果，识别所述动态关系网络的结构是否异常，具体包括：利用所述多个时间网络中每个时间网络的图特征结果，获得所有相邻两个切分时刻之间图特征结果的变化结果；根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值识别所述动态关系网络的结构是否异常。可选地，根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值识别所述动态关系网络的结构是否异常，具体包括：当某相邻两个切分时刻之间图特征结果的变化结果超出所述第一预设参考值时，判断该相邻两个切分时刻之间所述动态关系网络的结构发生异常。可选地，以上识别动态网络结构异常的方法还包括：对于任一时间网络，获得该时间网络的全局聚类系数；利用所述多个时间网络中每个时间网络的全局聚类系数，获得所有相邻两个切分时刻之间全局聚类系数的变化结果；所述根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值识别所述动态关系网络的结构是否异常，具体包括：根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值，以及每相邻两个切分时刻之间全局聚类系数的变化结果和第二预设参考值，识别所述动态关系网络的结构是否异常。可选地，根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值，以及每相邻两个切分时刻之间全局聚类系数的变化结果和第二预设参考值，识别所述动态关系网络的结构是否异常，具体包括：当某相邻两个切分时刻之间图特征结果的变化结果超出所述第一预设参考值时，将该相邻两个切分时刻和该相邻两个切分时刻分别对应的时间网络共同作为一个元素列入第一异常结果集；当某相邻两个切分时刻之间全局聚类系数的变化结果超出所述第二预设参考值时，将该相邻两个切分时刻和该相邻两个切分时刻分别对应的时间网络共同作为一个元素列入第二异常结果集；对所述第一异常结果集和所述第二异常结果集取并集，根据所述并集识别所述动态关系网络的结构是否异常。可选地，以上识别动态网络结构异常的方法还包括：对所述动态关系网络的结构异常情况进行展示。第二方面，本申请提供一种识别动态网络结构异常的装置，包括：切分模块，用于根据预设时间切分间隔将动态关系网络切分为多个时间网络；所述多个时间网络分别对应不同的切分时刻；度分布计算模块，用于对于任一时间网络，获得该时间网络的度分布数据；函数拟合模块，用于根据该时间网络的度分布数据拟合线性函数；图特征获取模块，用于根据所述线性函数得到该时间网络的图特征结果；网络异常识别模块，用于利用所述多个时间网络中每个时间网络的图特征结果，识别所述动态关系网络的结构是否异常。可选地，所述函数拟合模块包括：数据转换单元，用于对该时间网络的度分布数据进行对数转换，得到转换后的数据；第一拟合单元，用于利用线性回归算法模型和所述转换后的数据进行拟合，得到所述线性函数。可选地，所述图特征获取模块，具体包括：第一计算单元，用于基于所述线性函数进行残差平方和计算，得到该时间网络的图特征结果。可选地，所述网络异常识别模块，具体包括：变化结果获取单元，用于利用所述多个时间网络中每个时间网络的图特征结果，获得所有相邻两个切分时刻之间图特征结果的变化结果；第一识别单元，用于根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值识别所述动态关系网络的结构是否异常。可选地，所述第一识别单元，具体用于当某相邻两个切分时刻之间图特征结果的变化结果超出所述第一预设参考值时，判断该相邻两个切分时刻之间所述动态关系网络的结构发生异常。可选地，以上识别动态网络结构异常的装置还包括：聚类系数计算模块，用于对于任一时间网络，获得该时间网络的全局聚类系数；变化结果计算模块，用于利用所述多个时间网络中每个时间网络的全局聚类系数，获得所有相邻两个切分时刻之间全局聚类系数的变化结果；所述第一识别单元，具体用于根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值，以及每相邻两个切分时刻之间全局聚类系数的变化结果和第二预设参考值，识别所述动态关系网络的结构是否异常。可选地，所述第一识别单元，具体包括：第一异常结果集获取子单元，用于当某相邻两个切分时刻之间图特征结果的变化结果超出所述第一预设参考值时，将该相邻两个切分时刻和该相邻两个切分时刻分别对应的时间网络共同作为一个元素列入第一异常结果集；第二异常结果集获取子单元，用于当某相邻两个切分时刻之间全局聚类系数的变化结果超出所述第二预设参考值时，将该相邻两个切分时刻和该相邻两个切分时刻分别对应的时间网络共同作为一个元素列入第二异常结果集；异常识别子单元，用于对所述第一异常结果集和所述第二异常结果集取并集，根据所述并集识别所述动态关系网络的结构是否异常。可选地，以上识别动态网络结构异常的装置还包括：展示模块，用于对所述动态关系网络的结构异常情况进行展示。相较于现有技术，本申请具有以下有益效果：本申请提供的技术方案中，根据预设时间切分间隔将动态关系网络切分为多个时间网络；多个时间网络分别对应不同的切分时刻；对于任一时间网本文档来自技高网...

【技术保护点】
1.一种识别动态网络结构异常的方法，其特征在于，包括：/n根据预设时间切分间隔将动态关系网络切分为多个时间网络；所述多个时间网络分别对应不同的切分时刻；/n对于任一时间网络，获得该时间网络的度分布数据；/n根据该时间网络的度分布数据拟合线性函数；/n根据所述线性函数得到该时间网络的图特征结果；/n利用所述多个时间网络中每个时间网络的图特征结果，识别所述动态关系网络的结构是否异常。/n

【技术特征摘要】
1.一种识别动态网络结构异常的方法，其特征在于，包括：
根据预设时间切分间隔将动态关系网络切分为多个时间网络；所述多个时间网络分别对应不同的切分时刻；
对于任一时间网络，获得该时间网络的度分布数据；
根据该时间网络的度分布数据拟合线性函数；
根据所述线性函数得到该时间网络的图特征结果；
利用所述多个时间网络中每个时间网络的图特征结果，识别所述动态关系网络的结构是否异常。


2.根据权利要求1所述的方法，其特征在于，所述根据该时间网络的度分布数据拟合线性函数，具体包括：
对该时间网络的度分布数据进行对数转换，得到转换后的数据；
利用线性回归算法模型和所述转换后的数据进行拟合，得到所述线性函数。


3.根据权利要求1所述的方法，其特征在于，所述根据所述线性函数得到该时间网络的图特征结果，具体包括：
基于所述线性函数进行残差平方和计算，得到该时间网络的图特征结果。


4.根据权利要求1-3任一项所述的方法，其特征在于，所述利用所述多个时间网络中每个时间网络的图特征结果，识别所述动态关系网络的结构是否异常，具体包括：
利用所述多个时间网络中每个时间网络的图特征结果，获得所有相邻两个切分时刻之间图特征结果的变化结果；
根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值识别所述动态关系网络的结构是否异常。


5.根据权利要求4所述的方法，其特征在于，所述根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值识别所述动态关系网络的结构是否异常，具体包括：
当某相邻两个切分时刻之间图特征结果的变化结果超出所述第一预设参考值时，判断该相邻两个切分时刻之间所述动态关系网络的结构发生异常。


6.根据权利要求4所述的方法，其特征在于，还包括：
对于任一时间网络，获得该时间网络的全局聚类系数；
利用所述多个时间网络中每个时间网络的全局聚类系数，获得所有相邻两个切分时刻之间全局聚类系数的变化结果；
所述根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值识别所述动态关系网络的结构是否异常，具体包括：
根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值，以及每相邻两个切分时刻之间全局聚类系数的变化结果和第二预设参考值，识别所述动态关系网络的结构是否异常。


7.根据权利要求6所述的方法，其特征在于，所述根据每相邻两个切分时刻之间图特征结果的变化结果和第一预设参考值，以及每相邻两个切分时刻之间全局聚类系数的变化结果和第二预设参考值，识别所述动态关系网络的结构是否异常，具体包括：
当某相邻两个切分时刻之间图特征结果的变化结果超出所述第一预设参考值时，将该相邻两个切分时刻和该相邻两个切分时刻分别对应的时间网络共同作为一个元素列入第一异常结果集；
当某相邻两个切分时刻之间全局聚类系数的变化结果超出所述第二预设参考值时，将该相邻两个切分时刻和该相邻两个切分时刻分别对应的时间网络共同作为一个元素列入第二异常结果集；
对所述第一异常结果集和所述第二异常结果集取并集，根据所述并集识别所述动态关系网络的结构是否异常。


8.根据权利要求1-3和5-7中任一项所述的方法，其特征在于，还包括...

【专利技术属性】
技术研发人员：艾青，谭树国，张扬，王征，梁华欣，
申请(专利权)人：致诚阿福技术发展北京有限公司，北京宜信致诚信用管理有限公司，
类型：发明
国别省市：北京;11