【技术实现步骤摘要】
本专利技术属于图异常检测领域，具体涉及一种基于动态节点筛选的多视图多尺度图异常检测方法及系统。
技术介绍
1、近年来，随着社交网络、生物网络、交通网络和金融交易网络等领域不断生成复杂、相互依赖和相互连接的数据，图或网络形式的数据表示和分析受到了广泛关注；其中，图异常检测任务，即识别图中与大多数模式显著不同的模式（如节点、边、子图），在金融交易网络的欺诈检测和社交网络的异常用户检测等方面尤为重要；属性网络（或称属性图）在这一背景下显得尤为关键；它不仅表现了实体之间的关系，还为每个节点编码了丰富的特征集，有效地处理了信息系统中的数据异构性问题；属性网络的分析还有助于揭示个体属性间的相关性，从而从复杂系统中提取有价值的信息和知识。
2、图异常检测技术的发展可以分为浅层方法和深层方法两大类；早期的浅层方法，如自我网络分析、残差分析或cur分解等，虽然概念简单，但在处理复杂图形数据时可能无法学习非线性表示，导致异常检测性能不理想；深度学习时代，图自编码器（gae）等深度模型方法学习非线性隐藏表示，并根据重建误差估计异常评分，相比浅层方法有显著改进，然而，这些方法通常无法很好地捕获用于异常检测的上下文信息，如节点周围的子图，限制了它们的性能；对比学习机制被应用于图异常检测领域，显示出良好的性能；通过构造成对的实例（如子图和目标节点）并采用对比学习方法来学习表示，进一步根据对实例的预测计算异常分数；但目前的方法只考虑了单一的信息尺度；鉴于图数据的复杂性，异常通常隐藏在不同的尺度（如节点和子图级别），需要更细粒度的异常检测系统来应对
技术实现思路
1、为解决现有技术中存在的不足，本专利技术提供一种基于动态节点筛选的多视图多尺度图异常检测方法，引入动态节点筛选机制，通过采样轻量级对比实例对，捕获更丰富信息。
2、本专利技术采用如下的技术方案。
3、一种基于动态节点筛选的多视图多尺度图异常检测方法，包括以下步骤：
4、步骤1：获取所有节点的原始数据，构成原始数据集，并对原始数据集进行预处理来构成原始视图和第二视图；
5、步骤2：采用rwr算法分别对原始视图和第二视图进行子图采样，构建不同尺度的实例对；
6、步骤3：基于构建的不同尺度的实例对来构建对比网络模型，并对对比网络模型进行初始化；
7、步骤:4：基于步骤2采样的子图进行特征学习，构建子图节点的特征矩阵和自连接矩阵，并将节点的特征矩阵和邻接矩阵输入到步骤3构建的对比网络模型中训练进行动态节点筛选，将得到的动态节点的特征矩阵和邻接矩阵输入到对比网络模型中训练，计算每个节点最终的异常得分。
8、本专利技术还包括以下优选方案：
9、步骤1中，原始数据包括节点、节点属性以及节点之间的链接关系；节点的属性包括节点的特征向量；节点之间的链接关系以邻接矩阵的形式呈现。
10、步骤1中，对原始数据集进行预处理来构成原始视图和第二视图包括：
11、对步骤1构成的原始数据集进行结构异常注入和属性异常注入，通过边缘扰动和属性扰动来构成原始视图；
12、通过边缘扰动的图增强技术，对构成的原始视图进行边缘扰动来构成第二视图。
13、步骤2中，所述子图是原始视图或第二视图中选取的一部分节点及节点对应的边构成的图。
14、步骤2中，构建不同尺度的实例对包括构建子图-节点实例对、节点-节点实例对以及子图-子图实例对。
15、构建子图-节点实例包括按如下公式构建子图-节点对比的损失函数：
16、，
17、其中，表示节点序数、表示节点总数、表示子图和目标节点的一致性评分、表示子图-节点施例对标签、正对的情况下，等于1，负对的情况下，等于0。
18、构建节点-节点实例对包括按如下公式构建节点-节点对比的损失函数：
19、其中，表示节点序数、表示节点总数、表示子图中其他向量聚合而成的嵌入和目标节点的一致性评分、表示表示节点-节点施例对标签，正实例对时，等于1，负实例对时，等于0。
20、构建子图-子图实例对包括按如下公式构建子图-子图施例对的损失函数：
21、 ，
22、其中，表示节点序数、表示节点总数、、分别表示节点在原始视图和第二视图中的子图嵌入，、分别表示节点在原始视图和第二视图中的子图嵌入。
23、步骤3中，对比网络模型的构建包括：
24、初始化对比网路模型的参数，包括初始化采样子图时随机游走的重启概率，gcn层的权重参数，双线性评分函数的权重参数，学习率批次大小；
25、采用二元交叉熵函数构建对比网络模型的损失函数。
26、步骤4中，将节点的特征矩阵和邻接矩阵数据输入到对比网络模型中训练进行动态节点筛选，将得到的动态节点的特征矩阵和邻接矩阵数据输入到对比网络模型中训练，计算每个节点最终的异常得分包括：
27、步骤4.1：使用所有节点对模型进行训练，并估计每一个节点的异常程度，设计动态策略，将所有节点中异常分数分布中的最低值对应的节点作为高置信度的节点增加到正态池中；
28、步骤4.2：将得到的动态节点的特征矩阵和邻接矩阵数据输入到对比网络模型中训练；
29、步骤4.3：采用多轮正负抽样策略，计算每个节点的最终异常评分。
30、步骤4.1中，每一个节点的异常程度按如下公式进行估计：
31、 ，
32、其中，表示节点的异常程度指标，表示负对的一致性评分，表示正对的一致性评分，表示正实例对，n表示负实例对。
33、步骤4.1中，动态策略的设计公式如下所示：
34、 ，
35、其中，表示动态策略第k步的速度，表示节点总数，表示选择阶段的训练次数，k表示训练次数。
36、在步骤4.3中，采用多轮正负抽样策略，计算每个节点的最终异常评分包括按如下公式计算节点的最终异常评分：
37、 ，
38、，
39、 ，
40、其中，表示多轮正负采样的轮数，表示节点的最终异常得分，m表示第m次正负采样，表示r轮正负采样的异常得分均值，表示r轮正负采样的异常得分标准差。
41、同时，本专利技术还实现了一种基于动态节点筛选的多视图多尺度图异常检测系统，包括数据获取模块、实例对构建模块、对比网络模型构建模块以及图异常得分计算模型训练模块；
42、数据获取模块，获取所有节点的原始数据，构成原始数据集，并对原始数据集进行预处理来构成原始视图和第二视图；
43、实例对构建模块，构建对比网络模型，采用rwr算法进行子图采样，构建不同尺度的实例对，并对对比网络模型进行初始化；
44、对比网络模型构建模块，基于构建的不同尺度的实例对来构建对比网络模型，并对对比网络模型进本文档来自技高网...
【技术保护点】
1.一种基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
3.根据权利要求1或2所述的一种基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
4.根据权利要求1所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
5.根据权利要求1所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
6.根据权利要求5所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
7.根据权利要求5所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
8.根据权利要求4所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
9.根据权利要求1所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
10.根据权利要求1所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
11.根据权利
12.根据权利要求10所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
13.根据权利要求10所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
14.一种利用权利要求1-13任一项权利要求所述方法的基于动态节点筛选的多视图多尺度图异常检测系统，包括数据获取模块、实例对构建模块、对比网络模型构建模块以及图异常得分计算模型训练模块，其特征在于：
15.一种终端，包括处理器及存储介质；其特征在于：
16.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-13任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
3.根据权利要求1或2所述的一种基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
4.根据权利要求1所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
5.根据权利要求1所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
6.根据权利要求5所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
7.根据权利要求5所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
8.根据权利要求4所述的基于动态节点筛选的多视图多尺度图异常检测方法，其特征在于：
9.根据权利要求1所述的基于动态节点筛选的多视图多尺度...
【专利技术属性】
技术研发人员：钱旭盛，周雨奇，周玉，缪猛，吴明，张昕，康雨萌，许高俊，何玮，宋鹏飞，
申请(专利权)人：国网江苏省电力有限公司营销服务中心，
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。