基于图模块度聚类的异常检测算法.pdfVIP

第４０卷第６期计算机应用研究Ｖｏｌ４０Ｎｏ６

２０２３年６月ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓＪｕｎ．２０２３

基于图模块度聚类的异常检测算法

１，２１，２１，２１，２

富坤，刘赢华，郝玉涵，孙明磊

（１．河北工业大学人工智能与数据科学学院，天津３００４０１；２．河北省大数据计算重点实验室，天津３００４０１）

摘要：社会网络的数据规模在不断扩大，现存的异常检测算法对复杂社会网络进行检测的效果不理想，提出

了一种基于图模块度聚类的异常检测算法（ａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｇｒａｐｈｍｏｄｕｌａｒｉｔｙｃｌｕｓｔｅｒｉｎｇ，ＧＭＣ＿

ＡＤ），该算法适用于解决受网络规模以及复杂度的限制导致检测效率不高的问题。ＧＭＣ＿ＡＤ算法在分析网络拓

扑结构的基础上，通过引入异常节点加权机制和模块度聚类算法进行异常检测。ＧＭＣ＿ＡＤ算法主要在三个方面

进行改进：ａ）设计网络中节点演化的量化策略，以此识别具有异常演化行为的节点来得到异常节点集合；ｂ）通过

模块度聚类的方法降低网络规模；ｃ）在计算网络波动值的过程中使用加权机制合理考虑异常节点的影响，再通

过网络波动值变化来检测异常。基于真实社会网络ＶＡＳＴ、ＥＵ＿Ｅｍａｉｌ和ＥＮＲＯＮ进行对比实验，ＧＭＣ＿ＡＤ算法

准确地检测出异常发生的时段，实验结果显示在事件检测敏感性上提高了５０％～８２％，在异常检测运行效率上

提高了３０％～７０％。实验结果表明，ＧＭＣ＿ＡＤ算法不仅提高了异常检测算法的准确率和敏感性，还提高了异常

检测算法的效率。

关键词：节点演化；模块度聚类；社会网络；动态网络；异常检测

中图分类号：ＴＰ１８１文献标志码：Ａ文章编号：１００１３６９５（２０２３）０６０１９１７２１０７

ｄｏｉ：１０．１９７３４／ｊ．ｉｓｓｎ．１００１３６９５．２０２２．１０．０５１３

Ａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｇｒａｐｈｍｏｄｕｌａｒｉｔｙｃｌｕｓｔｅｒｉｎｇ

１，２１，２１，２１，２

ＦｕＫｕｎ，ＬｉｕＹｉｎｇｈｕａ，ＨａｏＹｕｈａｎ，ＳｕｎＭｉｎｇｌｅｉ

（１．ＣｏｌｌｅｇｅｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ＆ＤａｔａＳｃｉｅｎｃｅ，ＨｅｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ３００４０１，Ｃｈｉｎａ；２．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＢｉｇＤａｔａ

Ｃｏｍｐｕｔｉｎｇ，Ｔｉａｎｊｉｎ３００４０１，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ａｓｔｈｅｇｒｏｗｔｈｏｆｓｏｃｉａｌｎｅｔｗｏｒｋｓｃａｌｅ，ｓｏｄｏｃｈａｌｌｅｎｇｅｓｔｏｔｈｅｅｘｉｓｔｉｎｇａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓ．Ｔｈｅｒｅｆｏｒｅ，

ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｇｒａｐｈｍｏｄｕｌａｒｉｔｙｃｌｕｓｔｅｒｉｎｇ（ＧＭＣ＿ＡＤ），ｗｈｉｃｈｃｏｕｌｄｂｅａｐｐｌｉｅｄｔｏ

ｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｌｏｗｄｅｔｅｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙｃａｕｓｅｄｂｙｎｅｔｗｏｒｋｓｉｚｅａｎｄｃｏｍｐｌｅｘｉｔｙ．Ｂａｓｅｄｏｎａｎａｌｙｚｉｎｇｔｈｅｎｅｔｗｏｒｋｔｏｐｏｌｏｇｙ

ｓｔｒｕｃｔｕｒｅ，ｔｈｅＧＭＣ＿ＡＤｍｅｔｈｏｄｉｍｐｒｏｖｅｄｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｅｖｅｎｔｓｄｅｔｅｃｔｉｏｎｂｙｗｅｉｇｈｔｉｎｇｍｅｃｈａｎｉｓｍｏｎａｂｎｏｒｍａｌｎｏｄｅｓａｎｄ

ｍｏｄｕｌａｒｉｔｙｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ．ＴｈｅＧＭＣ