【技术实现步骤摘要】
本文属于互联网，具体涉及一种互联网行为异常检测方法、装置、设备及存储介质。
技术介绍
1、当前，网络业务日益复杂，接入的人员设备多样，其安全环境面临挑战。随着网络的使用越来越广泛，网络事件的处理出现了一些需要解决的问题，网络事件就是网络中出现的异常情况或者故障，这些事件可能导致无法正常连接到网络或无法顺畅地进行网络访问、视频流媒体播放等各种在线活动，给用户带来负面影响。在网络中，这些事件可能会发生在各个环节，包括终端设备、路由器、无线中继器等，需要使用一些故障定位方法进行排查和解决。
2、异常检测是用于识别和定位与预期行为规律不符的数据点。这些数据点通常被称为异常值、离群值或奇异点。异常可以是由错误、噪声、欺诈、网络攻击、设备故障或其他未知因素引起的。异常检测在许多领域都有重要应用，包括金融风险管理、网络安全、制造业质量控制、医学诊断等。它可以帮助发现潜在的问题、减少损失和风险，并提高系统性能和效率。
3、如何提高在互联网中异常检测的准确性成为目前亟需解决的技术问题。
技术实现思路
1、针对现有技术的上述问题，本文的目的在于，提供一种互联网行为异常检测方法、装置、设备及存储介质，可以提高在互联网中行为异常检测的准确性。
2、为了解决上述技术问题，本文的具体技术方案如下：
3、一方面，本文提供一种互联网行为异常检测方法，所述方法包括；
4、获取监控对象的基于时序的多组网络数据，其中每组网络数据包括至少一部分的带标签的网络数据
5、将所述基于时序的多组网络数据进行数据处理，得到多个网络数据图；
6、将每个网络数据图输入到预设少镜头异常检测模型中，得到每个网络数据图中的节点属性，所述节点属性包括正常节点和异常节点；
7、根据每个网络数据图中的节点属性输入到预设动态图注意异常检测模型中，得到基于时序的节点的变化关系；
8、将基于时序的节点的变化关系输入到预设邻域重建的图异常检测中，获得所述监控对象在监控时间段的异常结果。
9、进一步地，所述将所述基于时序的多组网络数据进行数据处理，得到多个网络数据图，包括：
10、将所述基于时序的多组网络数据依次通过数据清洗、数据转换、特征提取、数据归一化、数据降维、数据分割处理步骤，得到多个网络数据图。
11、进一步地，所述预设少镜头异常检测模型包括异常检测模块；
12、所述异常检测模块包括图编码器、表征自适应网络、异常检测器和少镜头异常检测器；
13、所述图编码器是通过多层图卷积神经网络获取网络数据图的节点表示；
14、所述表征自适应网络用于通过两层前馈网络对所述网络数据图的节点表示进行异常自适应调整，得到异常感知表征；
15、所述异常检测器用于通过多层感知器对所述异常感知表征进行处理，得到网络数据图中所有节点的异常分数；
16、所述少镜头异常检测器用于将网络数据图中所有节点的异常分数输入到训练完成的节点属性检测模型中得到网络数据图中的节点属性。
17、进一步地，所述预设少镜头异常检测模型还包括元迁移学习模块，所述元迁移学习模块执行如下方法：
18、确定表征自适应网络的验证损失和少镜头异常检测器的训练损失，分别为其中ltrain和lval分别表示训练损失和验证损失，θ*(φ)表示最优的θ依赖于φ；
19、通过一步随机梯度方法交替更新所述验证损失和所述训练损失中的每个参数，直到收敛，确定所述验证损失和所述训练损失中参数的最优解。
20、进一步地，所述预设动态图注意异常检测模型，包括连续图表示模块、动态边缘构建模块、工况感知重构模块和异常评分设计模块；
21、所述连续图表示模块用于通过时序编码器对多个网络数据图的节点属性进行编码处理得到新的节点属性和边缘属性，再通过图神经网络对新的节点属性和边缘属性进行处理得到所有节点的最终时间图表示；
22、所述动态边缘构建模块用于在所述连续图表示模块工作之前对网络数据图通过一维卷积神经网络进行平滑处理，同时对每个边进行评价函数处理；
23、所述工况感知重构模块用于对控制变量时间序列通过门控循环单元进行动态调整，并结合线性层重建节点属性；
24、所述异常评分设计模块用于对聚合图中节点进行拓扑归一化重构残缺处理，并利用拓扑归一化重构残缺处理结果进行异常评分计算。
25、进一步地，所述预设动态图注意异常检测模型，包括图自动编码器、编码器、解码器，总体重构损失和节点异常检测器；
26、所述图自动编码器用于通过图神经网络对网络数据图进行降维处理，以得到图的结构和节点属性；
27、所述编码器用于进一步通过图神经网络迭代地聚合来自邻居的表示，并将它们与自己的表示结合起来以更新表示；
28、所述解码器用于对节点和邻域进行重构；
29、所述总体重构损失通过如下公式表示：其中，为重构节点自身属性损失、公式为节点度损失、公式为邻居表示分布损失，λx，λd和λn是控制不同类型重建损失权重的超参数；
30、中的lu作为分数来表征每个节点u的异常程度。
31、进一步地，所述解码器包括：自重建、节点度重构、邻居表征分布重构；
32、所述自重建用于通过多层感知器对编码器的输出结果进行重建；
33、所述节点度重构用于通过另一多层感知器对所述自重建的输出结果进行重构；
34、所述邻居表征分布重构用于在给定邻域表示集的基础上，估计邻居表示的均值和协方差矩阵，并将节点表示映射到多元高斯分布，得到邻域属性集。
35、另一方面，本文还提供一种互联网行为异常检测装置，所述装置包括；
36、获取模块，用于获取监控对象的基于时序的多组网络数据，其中每组网络数据包括至少一部分的带标签的网络数据；
37、数据处理模块用于，将所述基于时序的多组网络数据进行数据处理，得到多个网络数据图；
38、少镜头异常检测模块，用于将每个网络数据图输入到预设少镜头异常检测模型中，得到每个网络数据图中的节点属性，所述节点属性包括正常节点和异常节点；
39、动态图注意异常检测模块用于根据每个网络数据图中的节点属性输入到预设动态图注意异常检测模型中，得到基于时序的节点的变化关系；
40、邻域重建的图异常检测模块，用于将基于时序的节点的变化关系输入到预设邻域重建的图异常检测模型中，获得所述监控对象在监控时间段的异常结果。
41、另一方面，本文还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述的方法。
42、最后，本文还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的方法。<本文档来自技高网...
【技术保护点】
1.一种互联网行为异常检测方法，其特征在于，所述方法包括；
2.根据权利要求1所述的方法，其特征在于，所述将所述基于时序的多组网络数据进行数据处理，得到多个网络数据图，包括：
3.根据权利要求1所述的方法，其特征在于，所述预设少镜头异常检测模型包括异常检测模块；
4.根据权利要求3所述的方法，其特征在于，所述预设少镜头异常检测模型还包括元迁移学习模块，所述元迁移学习模块执行如下方法：
5.根据权利要求1所述的方法，其特征在于，所述预设动态图注意异常检测模型，包括连续图表示模块、动态边缘构建模块、工况感知重构模块和异常评分设计模块；
6.根据权利要求1所述的方法，其特征在于，所述预设动态图注意异常检测模型，包括图自动编码器、编码器、解码器，总体重构损失和节点异常检测器；
7.根据权利要求6所述的方法，其特征在于，所述解码器包括：自重建、节点度重构、邻居表征分布重构；
8.一种互联网行为异常检测装置，其特征在于，所述装置包括；
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种互联网行为异常检测方法，其特征在于，所述方法包括；
2.根据权利要求1所述的方法，其特征在于，所述将所述基于时序的多组网络数据进行数据处理，得到多个网络数据图，包括：
3.根据权利要求1所述的方法，其特征在于，所述预设少镜头异常检测模型包括异常检测模块；
4.根据权利要求3所述的方法，其特征在于，所述预设少镜头异常检测模型还包括元迁移学习模块，所述元迁移学习模块执行如下方法：
5.根据权利要求1所述的方法，其特征在于，所述预设动态图注意异常检测模型，包括连续图表示模块、动态边缘构建模块、工况感知重构模块和异常评分设计模块；
6.根据权利要求1所述的方法，其...
【专利技术属性】
技术研发人员：李刚，江波涛，彭浩，冯文刚，李雄，杨恩好，
申请(专利权)人：中科紫东信息技术北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。