基于角色发现的动态信息网络异常演化节点检测方法技术

本发明专利技术是关于一种基于角色发现的动态信息网络异常演化节点检测方法。包括：获取动态信息网络多个历史时刻的网络子快照，对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵通过非负矩阵分解对特征矩阵V

【技术实现步骤摘要】
基于角色发现的动态信息网络异常演化节点检测方法


[0001]本公开实施例涉及信息网络领域
，尤其涉及一种基于角色发现的动态信息网络异常演化节点检测方法。

技术介绍

[0002]动态信息网络是当前复杂网络研究领域中极具挑战的新方向，根据研究的侧重点不同可以分为动态网络的结构演化分析和内容演化分析两部分。
[0003]由于网络结构本身比较复杂，难以表示和量化，动态网络时序、多变的演化过程更增加了分析的难度，目前动态网络研究还处于起步阶段。已有的动态网络的结构演化分析的相关研究可以分为动态网络结构预测、动态网络的演化分析以及异常发现等。
[0004]相关技术中，多采用社团发现、社团演化等相关技术来对动态网络的结构演化进行分析，基于角色发现的动态信息网络结构演化研究较少。
[0005]因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
[0006]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0007]本公开的目的在于提供一种基于角色发现的动态信息网络异常演化节点检测方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
[0008]本公开中，提供一种基于角色发现的动态信息网络异常演化节点检测方法，包括：
[0009]获取动态信息网络多个历史时刻的网络子快照，对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵其中，t表示不同的历史时刻，t＝1、2、3
……
n；
[0010]通过非负矩阵分解对特征矩阵V
t
进行降维分解得到非负矩阵G
t
∈R
N
×
r
和其中，r通过最小描述长度准则确定，r＜min(N,f
t
)且为整数，通过公式计算获得目标非负矩阵G
t
，其中，表示矩阵F范数的平方，G
t
则为t时刻网络子快照的角色矩阵；
[0011]建立角色演化矩阵E，角色演化矩阵E为表示t
‑
1时刻到t时刻角色的演化概率的矩阵；
[0012]采用多个历史时刻的角色矩阵作为训练数据学习角色演化矩阵E获得角色演化矩阵模型E
(i)
；
[0013]通过角色演化矩阵模型E
(i)
预测t+1时刻的角色矩阵通过t+1时刻实际角色矩阵G
t+1
和计算t+1时刻演化异常分数矩阵
[0014]设置预设异常分数区间，判断演化异常分数矩阵F(i)中各节点的异常分数是否在预设异常分数区间中，当不在时判断该节点为异常演化节点。
[0015]本公开中，历史时刻的网络子快照个数至少为10个。
[0016]本公开中，对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵的步骤，包括：
[0017]针对各网络子快照的每个节点提取基本特征；
[0018]基于基本特征，采用聚集函数递归地对邻居节点的基本特征进行聚集计算得到递归特征；
[0019]各网络子快照的每个节点的基本特征和递归特征形成各网络子快照的特征矩阵
[0020]本公开中，基于基本特征，采用聚集函数递归地对每个节点邻居节点的基本特征进行聚集计算得到递归特征的步骤，包括：
[0021]以各节点为中心，由各节点的一阶邻居开始，按照逐层扩散的方式向外围蔓延获得新特征；
[0022]将蔓延得到的最新特征与已有特征进行对比，当已有特征与最新特征的差值小于预设阈值时，则抛弃最新特征终止递归，获得递归特征。
[0023]本公开中，聚集函数为求和函数或求平均值函数。
[0024]本公开中，基本特征包括节点的度、节点的加权度、节点自网络包含的边界、节点参与三角形的个数。
[0025]本公开中，当通过公式计算获得目标非负矩阵G
t
，且目标非负矩阵G
t
大于一个时，通过计算选取τ值最小时对应的非负矩阵G
t
。
[0026]本公开中，设置预设异常分数区间的步骤，包括：
[0027]计算所述演化异常分数矩阵F(i)中各节点的异常分数；
[0028]对每个节点的异常分数进行降序排序；
[0029]根据上述每个节点的异常分数绘制所述异常分数的频率分布直方图；
[0030]对所述频率分布直方图设置置信度区间，超出所述所述置信度区间的区间即为预设异常分数区间。
[0031]本公开中，所述置信度区间为所述频率分布直方图中，以中轴线为中心分别向中轴线两侧延伸预设距离后获得的。
[0032]本公开的实施例提供的技术方案可以包括以下有益效果：
[0033]本公开的实施例中，上述基于角色发现的动态信息网络异常演化节点检测方法，为一种直观的检测异常演化模式的方法，通过节点的演化矩阵来预测t+1时刻网络的角色分布，计算预测值和真实值之间的差异，差异值即为节点的异常分数，异常分数反映了该节点的演化过程相对于网络演化过程的偏离程度，以发现节点结构行为的异常演化模式，能有效挖掘网络中常见的演化模式，并识别异常演化模式。
[0034]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0035]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]图1示出本专利技术示例性实施例中基于角色发现的动态信息网络异常演化节点检测方法流程图；
[0037]图2示出本专利技术示例性实施例中递归特征获取方法示意图；
[0038]图3示出本专利技术示例性实施例中基本特征示意图。
具体实施方式
[0039]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本专利技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
[0040]此外，附图仅为本专利技术实施例的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
[0041]本示例实施方式中首先提供了一种基于角色发现的动态信息网络异常演化节点检测方法。参考图1中所示，该基于角色发现的动态信息网络异常演化节点检测方法可以包括：
[0042]步骤S101：获取动态信息网络多个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于角色发现的动态信息网络异常演化节点检测方法，其特征在于，包括：获取动态信息网络多个历史时刻的网络子快照，对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵其中，t表示不同的历史时刻，t＝1、2、3
……
n，N为网络节点个数，f
t
为t时刻网络快照计算得到的特征数量；通过非负矩阵分解对特征矩阵V
t
进行降维分解得到非负矩阵G
t
∈R
N
×
r
和其中，r通过最小描述长度准则确定，r＜min(N,f
t
)且为整数，通过公式计算获得目标非负矩阵G
t
，其中，表示矩阵F范数的平方，G
t
则为t时刻网络子快照的角色矩阵；建立角色演化矩阵E，角色演化矩阵E为表示t
‑
1时刻到t时刻角色的演化概率的矩阵；采用多个历史时刻的角色矩阵作为训练数据学习角色演化矩阵E获得角色演化矩阵模型E
(i)
；通过角色演化矩阵模型E
(i)
预测t+1时刻的角色矩阵通过t+1时刻实际角色矩阵G
t+1
和计算t+1时刻演化异常分数矩阵设置预设异常分数区间，判断演化异常分数矩阵F(i)中各节点的异常分数是否在预设异常分数区间中，当不在时判断该节点为异常演化节点。2.根据权利要求1基于角色发现的动态信息网络异常演化节点检测方法，其特征在于，历史时刻的网络子快照个数至少为10个。3.根据权利要求1基于角色发现的动态信息网络异常演化节点检测方法，其特征在于，对各网络子快照的每个节点进行特征提取获得各网络子快照的特征矩阵的步骤，包括：针对各网络子快照的每个节点提取基...

【专利技术属性】
技术研发人员：冯冰清，郭永康，郭栋，郭小红，张雷，李强，韩星，周轩，
申请(专利权)人：中国西安卫星测控中心，
类型：发明
国别省市：