基于关联分析的属性网络异常检测方法研究.pdfVIP

基于关联分析的属性网络异常检测方法研究

摘要

属性网络（AttributedNetworks）是一种广泛存在于社交网络、工业信息网

络、生物信息网络等实际场景中的一种数据结构。属性网络中节点不仅具有自

身属性，节点之间还具有复杂的关联关系。传统属性网络异常检测方法从属性

异常、结构异常和综合异常三个简单的角度分析异常，难以应对现实场景中复

杂多样的异常模式。因此，属性网络异常检测问题不仅需要考虑节点属性信息，

还需要分析节点间复杂的关联性。

本文以关联分析为出发点，从节点属性与结构关联信息融合挖掘、不同视

角的属性网络异常模式挖掘、属性网络在非结构化数据异常检测应用三个角度

出发研究属性网络异常检测及其拓展，主要包括：（1）从关联信息融合挖掘角

度出发，设计一种网络节点属性和网络结构关联信息融合表示学习方法用于异

常检测；（2）从节点自身的属性信息和结构信息的关联差异性出发，设计节点

自身信息关联差异的属性网络异常检测方法；（3）从节点与其邻域内信息的关

联差异性出发，设计上下文信息关联差异分析属性网络异常检测方法。在此基

础上，将以上三种属性网络异常检测思想用于非结构化数据中，设计属性网络

关联建模的非结构化数据表示学习方法并用于异常检测。本文工作具体如下。

（1）属性网络中节点属性和网络结构关联信息挖掘方法研究。从属性网

络节点属性信息和网络结构信息之间的一致性和互补性角度出发，设计一种能

同时捕捉节点属性和网络结构的关联融合表示学习模型（JointAdversarial

learningAttributedNetworkEmbeddingframework,JAANE）。通过分析在特征空

间中节点属性和网络结构信息之间的关系，捕捉两种视图的一致性信息和互补

性信息来捕捉节点特征，并在特征空间中实现异常检测。

（2）属性网络中节点属性与结构关联差异的异常模式挖掘。从属性网络

节点自身信息的角度出发，探索异常节点与正常节点在属性信息与网络结构信

息关联性方面的差异，提出节点自身信息关联差异的属性网络异常检测模型

（AttributedNetworkAnomalyDetectionviaCanonicalCorrelationAnalysis,CaCo）。

通过设计一种联合学习机制，精确地测量潜在空间中节点属性信息和结构信息

之间的相关性。在此基础上，通过测量目标节点两个视图之间的相关性大小来

检测异常。

-I-

（3）属性网络中节点上下文信息关联差异的异常模式挖掘。从节点局部

和全局上下文信息关联性角度出发，探索属性网络异常检测中节点与其邻居信

息之间的信息表达差异性问题。提出一种上下文信息关联差异分析异常检测模

型（ContextCorrelationDiscrepancyforGraphAnomalyDetection,CoCo）。通过

引入层次注意力机制，精确分析对目标节点与其邻居信息的相关性。然后，通

过引入重构误差和关联分析设计异常分数，放大正常和异常节点表达的差异性。

（4）属性网络异常检测思想在非结构化数据异常检测中的拓展。从属性

网络关联差异分析的角度出发，研究了非结构化数据中样本之间的关联信息的

显式建模方法。提出一种属性网络关联建模的非结构化数据异常检测算法

（Data-Correlation-AwareUnsupervisedDeep-LearningModel,DCA-UDLM）。通

过将非结构化数据之间的关系显式建模为属性网络，并融入样本自身信息来丰

富样本在低维特征空间的表示。设计一种基于高斯混合模型的方法挖掘样本的

分布状态，从分布上区分正常和异常。

综上所述，本文从关联分析的视角深入研究了属性网络异常检测的三个关

键领域，并将这些方法应用于非结构化数据的异常检测任务中，进一步扩展了

属性网络异常检测的应用范围。大量的异常检测实验表明，所提出的方法在异

常检测性能上均有1%以上的提升，并且可检测不同类型的异常行为，验证了

所提出的四个方法设计的有效性。

关键词属性网络；异常检测；关联分析；表示学习；图神经网络

-II-

ResearchonAttributedNetworkAnomaly