CN115080964B - 基于图深度学习的数据流转异常检测方法及*** - Google Patents
基于图深度学习的数据流转异常检测方法及*** Download PDFInfo
- Publication number
- CN115080964B CN115080964B CN202210979819.1A CN202210979819A CN115080964B CN 115080964 B CN115080964 B CN 115080964B CN 202210979819 A CN202210979819 A CN 202210979819A CN 115080964 B CN115080964 B CN 115080964B
- Authority
- CN
- China
- Prior art keywords
- graph
- time sequence
- node
- nodes
- encoder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/554—Detecting local intrusion or implementing counter-measures involving event detection and direct action
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Security & Cryptography (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于图深度学习的数据流转异常检测方法及***,包括如下步骤:S1.将分别在各个节点上的描述节点本身的时序特征作为输入数据;每个时序特征输入都将经过多层时序编码器,每层结构都由自动相关、序列分解、前向转播和序列分解组成,最终得到各个节点的时序特征编码;S2.将各个节点的时序特征编码与分布式***的图形结构做关联,形成原始图,进行后续的图计算,边为分布式***中数据流转的路径;S3.从拟合好的神经网络中得到节点的嵌入编码,输入到孤立森林当中,就可以检测节点间的离群节点,从而完成图形中节点的异常检测,可以对各种分布式***中的节点进行全面的异常检测,有效提高识别的准确率。
Description
技术领域
本发明涉及数据安全治理、图表示学习及异常检测领域。尤其涉及一种数据治理场景下基于图深度学习的数据流转异常检测方法及***。
背景技术
异常检测是数据安全领域的一个重要分支,其定义是从正常的时间序列中识别不正常的事件或行为的过程。企业使用异常检测技术可以对网络数据、用户敏感访问和操作进行实时监测,当发现异常时,及时采取措施最终保障信息安全、减少企业损失。
数据安全治理场景下,海量数据在由服务器及终端组成的庞大且复杂的分布式***中的各类节点上流转,而其中的异常检测问题尤为重要。在实际部署中,彻底了解此类***异常检测的需求和挑战对于***的安全来说更是不得不面对的问题。虽然有许多不同的研究领域和应用领域处理这个问题,但很少有人试图深入研究此类***。大多数异常检测技术都是专门为某些应用领域开发的,而其他技术则更为通用。在本发明中提出了基于图的算法在识别复杂分布式***中不同类型的异常方面的方法,主要重点是深入研究图深度学习在跨复杂分布式***的应用,能够有效提高识别的准确率。
发明内容
针对现有技术存在的问题,本发明的目的在于实现了一种针对图结构的深度学习异常检测方法,旨在帮助解决分布式***中数据安全治理场景下数据流转的异常检测问题,提高识别准确率。
为实现上述目的,本发明提供一种基于图深度学习的数据流转异常检测方法,所述方法包括如下步骤:
S1.将分别在各个节点上的描述节点本身的时序特征作为输入数据;每个时序特征输入都将经过多层时序编码器,每层结构都由自动相关、序列分解、前向转播和序列分解组成,最终得到各个节点的时序特征编码;
S2.将各个节点的时序特征编码与分布式***的图形结构做关联,形成原始图,进行后续的图计算,边为分布式***中数据流转的路径;先将图分别做两次图增强,再分别通过参数共享的图深度网络编码器,得到两个节点的嵌入编码;通过计算两个节点的嵌入编码的损失,拟合整体的神经网络;
S3.从拟合好的神经网络中得到节点的嵌入编码,输入到孤立森林当中,就可以检测节点间的离群节点,从而完成图形中节点的异常检测。
进一步,步骤S1中,各个节点的时序特征编码为多维时序特征编码,所述多维时序特征编码包含节点本身的时序特征、季节性编码和趋势周期性编码三个组成部分,每个组成部分都可以视作一维时序特征编码;时序特征包括节点每个时刻的上下行流量,数据的敏感等级和数据的类型。
进一步,所述时序编码器由N层结构堆叠而成,考虑一个节点及一个特征下的一个时序信号,经过一层结构,通过自注意力机制可知,查询query、键key、值value都是该时序信号本身,通过自动相关模块得到编码,再加上时序信号本身,再通过序列分解得到下一层编码;编码通过前向转播再加上本身,再通过序列分解最终得到一个时序信号的三个编码,分别为时序本身、季节性编码和趋势周期性编码;对每个节点的每个特征的每个时序信号都做同样上述的操作就能够得到每个节点下的时序特征编码。
进一步,实现步骤S1的算法如下:
关于模型输入,编码器部分的输入是步长为的时间序列,时序解码器的输入包含季节性部分和趋势周期部分,每个初始化由两部分组成:编码器输入为的后半部分,长度为,以提供最新信息,占位符为长度为的标量;公式化如下:
关于时延聚合,评估周期之间的子序列通过基于周期的依赖连接,时延聚合块可以基于选择的时延来滚动序列;该操作可以对齐处于估计周期相同相位位置的类似子序列,最后使用归一化指数函数()归一化置信度对子序列进行聚合;
关于图数据增强,使用边删除和节点特征掩码两种增强,并生成输入图和的两个视图;在边删除的情况下,根据生成的大小为的掩码删除边,掩码的元素从伯努利分布进行采样;当涉及到节点特征掩码时,生成同样从伯努利分布中采样的大小为的掩码;
进一步,孤立森林算法如下:
随机抽取特征、随机选取分割值来建立决策树,从而将每一个样本分到一个独立的子节点上,得到个不相同的数;从超空间的角度看,就是不断地用随机选取的超平面切分样本点,直到所有的样本点都被这些超平面“孤立”起来,即与其他样本点分隔开;根据停止分割样本点的条件停止计算,将此时被 “孤立”的点判定为异常值。
另一方面,本发明提供一种基于图深度学习的数据流转异常检测***,所述***用于实现根据本发明的基于图深度学习的数据流转异常检测方法。
进一步,所述***包括时序编码器和图深度网络编码器,其中时序编码器用于实现每个节点下的时序特征编码;图深度网络编码器用于实现节点表示编码。
本发明的数据治理场景下基于图深度学习的数据流转异常检测方法及***,可以通过对原始节点的时序信号数据进行时序编码处理,将时序编码输入到图深度学习模型进行训练,得到准确的图节点的嵌入编码,基于深度学习的模型可以更好地学习及表征图中的每一个节点,同时结合后续孤立森林的异常检测算法,可以对各种分布式***中的节点进行全面的异常检测,有效提高识别的准确率。
本发明重点改进:
1. 现有技术中,对于图的异常检测方法,无法做到对图中节点的时序信号进行检测。而本发明通过时序编码器得到多维时序编码,而时序编码器作为整体深度网络的一部分。
2. 现有技术中,对于图的异常检测方法,均为有监督或半监督算法,对算法的应用方来说,需要对数据进行异常标注。而本发明为无监督算法,通过对深度网络和树模型的结合,规避了对数据的严苛要求,无需对数据进行异常标注。
3. 现有技术中,对于图的异常检测方法,能够利用的数据信息的维度不足,只能从时序信息、图结构信息、数值信息中利用一种。而本发明通过对整体算法的设计,兼顾三种数据信息,大大提升了算法的表达能力,相比现有技术,准确率也大幅提升。
附图说明
图1示出了根据本发明实施例一种基于图深度学习的数据流转异常检测方法及***的架构示意图;
图2示出了根据本发明实施例一种基于图深度学习的数据流转异常检测方法及***中自相关和时延聚合算法示意图。
具体实施方式
下面将结合附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合图1、图2对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
根据本发明的一种数据治理场景下基于图深度学习的数据流转异常检测方法及***,所述方法包括如下步骤:
首先,数据的输入是分别在各个节点上的描述节点本身的带有时序信息的特征。每个时序特征输入都将经过多层时序编码器,每层结构都由自动相关、序列分解、前向转播、序列分解组成,最终得到编码输出,包含本身的时序特征,季节性编码,趋势周期性编码三个组成部分,每个组成部分都可以视作一维时序特征编码。
本实施例中,采用一种分布式架构场景,数据在每个节点上流转传递,每个节点对应物理世界的服务器节点,终端节点等等。数据在各个节点所产生的属性或节点本身的属性就是节点的特征,有一般的特征,比如该节点的宽带信息、CPU、内存,也有带有时序的特征,比如该节点每个时刻的上下行流量,数据的敏感等级,数据的类型等。为了考虑一般情况,一般特征我们视为一种数值不随时间变化而变化的时序特征,这样我们归纳后,只考虑时序特征,方便了算法的设计。每个节点及每个时刻下的时序特征都将视作图数据节点信息的一个样本;而每个节点及每个特征下的时序信号将视作时序编码器(Autoformerencoder)的一个最小处理单元。
时序编码器Autoformerencoder有N层结构堆叠而成,每层结构又由自动相关、序列分解、前向转播、序列分解组成。考虑一个节点及一个特征下的一个时序信号,经过一层结构,通过自注意力机制可知,查询query、键key、值value都是该时序信号本身,通过自动相关模块得到编码,再加上时序信号本身,再通过序列分解得到下一层编码。类似的,编码通过前向转播再加上本身,再通过序列分解最终得到一个时序信号的三个编码,时序本身、季节性编码和趋势周期性编码。
对每个节点的每个特征的每个时序信号都做同样上述的操作就回得到每个节点下的时序特征编码,以下简称“节点特征”。
为了处理复杂的时间模式,打破计算效率和信息利用的瓶颈,本发明将分解作为内置块引入深度模型,并将Autoformer作为分解架构。此外,本发明还将自相关机制用来发现基于周期的依赖关系,并聚合来自底层周期的相似子序列。
关于分解架构,包括内部串联分解块、自相关机制以及相应的编码器和解码器。序列分解块为了学***稳趋势。具体而言,本发明采用移动平均线来消除周期性波动,突出长期趋势。对于长度,输入系列,为实数域, 为序列的维度,其过程为:
关于模型输入,编码器部分的输入是步长为的时间序列,Autoformer解码器的输入包含季节性部分和趋势周期部分,每个初始化由两部分组成:编码器输入为的后半部分,长度为,以提供最新信息,占位符为长度为的标量。公式化如下:
其中是删除的趋势部分。,表示第层编码器的输出和为嵌入后的。,表示在第层第个序列分解块之后的季节性部分。本发明的上述算法是迭代算法,趋势周期编码和季节性编码是算法最终的结果,趋势周期部分和季节性部分是迭代过程中的中间结果。
图1完整的展示了本发明涉及的算法流程,原始图中每个圆形代表节点,每一个小方格代表每一维时序特征编码,链接圆形的直线为图的边。而时序特征编码由时序特征经过多层时序编码器计算得出,通过自动相关模块得到编码,再加上时序信号本身,再通过序列分解得到下一层编码;编码通过前向转播再加上本身,再通过序列分解最终得到一个时序信号的三个时序特征编码,分别为时序本身、季节性编码和趋势周期性编码。将原始图分别做两次图增强,再分别通过参数共享的图深度网络编码器,得到两个节点的嵌入编码;通过计算两个节点的嵌入编码的损失,拟合整体的神经网络。后使用孤立森林的异常检测算法,对各节点进行异常检测,将所有图节点的嵌入编码输入到孤立森林中,得到节点异常的概率后,从而判断图节点中的异常节点。
关于自相关机制,如图2所示左侧部分,本发明使用具有串联连接的自相关机制,以扩展信息利用率。自相关通过计算序列的自相关来发现基于周期的依赖关系,并通过时延聚合来聚合相似的子序列。
图2左侧展示了自动相关模块的内部结构,时序信号分别以查询queryQ、键keyK、值valueV三个路径进入线性层,其中Q,K的线性层计算结果通过傅里叶变换经过共轭相乘再进行逆傅里叶变换的方式加速自相关系数的计算,在通过取前k项的结果与V做时延聚合后拼接进入线性层得到自动相关模块的结果。图二右侧展示了时延聚合示意图,时延聚合可以基于选择的时延来滚动序列,使用归一化指数函数(Softmax)归一化置信度对子序列进行聚合。
本发明使用自相关作为估计周期长度的非常规置信度。然后,本发明选择最可能的段周期,由上述估计周期的依赖关系得出,可通过相应的自相关进行加权计算。为了加速自相关的计算,在实际操作中如图2所示的左侧部分,对时延进行傅里叶变换后共轭相乘,再通过把相乘结果进行逆傅里叶变换的方式,得到最终的自相关。之后继续进行时延聚合的计算。
关于时延聚合,评估周期之间的子序列通过基于周期的依赖连接,因此,如图2所示右侧部分,时延聚合块可以基于选择的时延来滚动序列。该操作可以对齐处于估计周期相同相位位置的类似子序列,这与自注意力系列中的点积聚合不同。最后,本发明使用softmax归一化置信度对子序列进行聚合。
将各个节点的多维时序特征编码与分布式***的图形结构做关联,原始图就此形成,可以进行后续的图计算,每个节点的输入为多维时序特征编码,边为分布式***中数据流转的路径。先将图分别做两次数据增强,再分别通过共享权重的图深度网络编码器,得到两个节点的嵌入编码。通过计算两个节点的嵌入编码的损失,可以拟合整体的神经网络。
将各个节点的节点的输入与分布式***的图形结构做关联构成原始图,每个节点的输入为多维时序特征编码,边为分布式***中数据流转的路径。包含节点的输入编码信息的图数据视为图神经网络的输入数据。之后,图数据分别做两次图增强,图增强有两种方式,一种是节点掩码,也就是将部分节点的输入置0,另一种是边删除,也就是将一部分的边信息扔掉。等到两个增强后的图数据后,再分别通过同一权重的图深度网络编码器,得到两个节点的嵌入编码。
图深度网络编码器同样有N层结构堆叠而成,其中包括一个图注意力网络(图注意力层)和一个elu激活层。由于两个数据增强后的图数据一定不同,那么尽管通过同一个图深度网络编码器,得到的两个节点的嵌入编码也一定不同。再通过计算两个节点的嵌入编码的损失,期望两个参数不同却同源的嵌入编码尽可能相似,以此为依据就可以拟合整个神经网络的参数。神经网络训练好后,将原始的没经过图增强的图数据经过此神经网络,得到的节点的嵌入编码,才是最终的节点的嵌入编码。
关于图数据增强,本发明选择了两种增强——边删除、节点掩码,并生成输入图和的两个增强图。在边删除的情况下,本发明根据生成的大小为(图中的边数)的掩码删除边,掩码的元素从伯努利分布进行采样。当涉及到节点特征掩码时,本发明采用类似的方案,并生成同样从伯努利分布中采样的大小为的掩码。请注意,本发明在整个图的比例上做多维时序特征的节点掩码,即为每个节点上的同一位置的部分特征做节点掩码操作,本发明使用相同的参数来生成两个增强。
原始图中编号为的节点嵌入编码为,包含了编号为的节点的CPU、内存信息和以编号为的节点为中心的周围邻居节点的CPU、内存信息的综合信息。作为节点向量,将作为孤立森林的输入特征向量,而每个节点将是孤立森林的样本。
从拟合好的神经网络中得到节点表示编码,输入到孤立森林当中,就可以检测节点间的离群节点,从而完成图形中节点的异常检测。也就对应完成了物理世界服务器或终端节点某一时刻下的异常检测。
然后,本发明可以看那些点用了较少的超平面就可以孤立出来——特别容易孤立出来的点。一般距离密度较高的地方比较远,所处位置的样本点密度较小,因而也更容易被孤立。因此,把非常容易被“孤立”的那些点判定为异常值。
为了避免算法无限制的训练下去、直到真的把所有点都孤立起来,对孤立森林设置一个停止分割样本点的条件。即树有一个高度限制,树的高度限制就是停止分割样本点的条件,高度限制的数值范围是一个正整数,是个经验值,比如5。需要切分很多次才能被孤立的样本点,所处的位置密度必然很高,这个点是异常点的概率很低。
影响孤立森林效果的几个主要参数:树的个数、先验异常比例contamination、每个树的训练样本数量。训练一个树的时候,孤立森林会从样本中随机抽取一定数量的样本——抽样的数量不宜过大,一般最大256个。
本次发明,在孤立森林的使用上选择默认参数,即树的个数为1000、先验异常比例contamination为0.1、每个树的训练样本数量为256。最终得到每个节点的异常的概率,大于0.5就认为是异常节点,异常节点的节点特征即为。
算法伪代码如下:
其中,嵌入编码Z即算法中的X - input data。
另一方面,本发明提供一种基于图深度学习的数据流转异常检测***,所述***用于实现根据本发明的基于图深度学习的数据流转异常检测方法。
所述***包括时序编码器和图深度网络编码器,其中时序编码器用于实现每个节点下的时序特征编码;图深度网络编码器用于实现节点的嵌入编码。
本发明提供的数据治理场景下基于图深度学习的数据流转异常检测算法,合理有效,可以通过对原始节点的时序信号数据进行时序编码处理,将时序编码输入到图深度学习模型进行训练,得到准确的图节点的嵌入编码,基于深度学习的模型可以更好地学习及表征图中的每一个节点,同时结合后续孤立森林的异常检测算法,可以对各种分布式***中的节点进行全面的异常检测,识别的准确率高。
在本说明书的描述中,参考术语“实施例”、“示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外,本领域的技术人员可以在不产生矛盾的情况下,将本说明书中描述的不同实施例或示例以及其中的特征进行结合或组合。
上述内容虽然已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型等更新操作。
Claims (9)
1.基于图深度学习的数据流转异常检测方法,其特征在于,所述方法包括如下步骤:
S1.将分别在各个节点上的描述节点本身的时序特征作为输入数据;每个时序特征输入都将经过多层时序编码器,每层结构都由自动相关、序列分解、前向转播和序列分解组成,最终得到各个节点的时序特征编码;
S2.将各个节点的时序特征编码与分布式***的图形结构做关联,形成原始图,进行后续的图计算,边为分布式***中数据流转的路径;先将图分别做两次图增强,再分别通过参数共享的图深度网络编码器,得到两个节点的嵌入编码;通过计算两个节点的嵌入编码的损失,拟合整体的神经网络;
S3.从拟合好的神经网络中得到节点的嵌入编码,输入到孤立森林当中,就可以检测节点间的离群节点,从而完成图形中节点的异常检测;
步骤S1中,各个节点的时序特征编码为多维时序特征编码,所述多维时序特征编码包含节点本身的时序特征、季节性编码和趋势周期性编码三个组成部分,每个组成部分都可以视作一维时序特征编码;时序特征包括节点每个时刻的上下行流量,数据的敏感等级和数据的类型。
2.根据权利要求1所述的基于图深度学习的数据流转异常检测方法,其特征在于,所述时序编码器由N层结构堆叠而成,考虑一个节点及一个特征下的一个时序信号,经过一层结构,通过自注意力机制可知,查询query、键key和值value都是该时序信号本身,通过自动相关模块得到编码,再加上时序信号本身,再通过序列分解得到下一层编码;编码通过前向转播再加上本身,再通过序列分解最终得到一个时序信号的三个编码,分别为时序特征本身、季节性编码和趋势周期性编码;对每个节点的每个特征的每个时序信号都做同样上述的操作就能够得到每个节点下的时序特征编码。
3.根据权利要求2所述的基于图深度学习的数据流转异常检测方法,其特征在于,实现步骤S1的算法如下:
关于模型输入,编码器部分的输入是步长为的时间序列,时序解码器的输入包含季节性部分和趋势周期部分,每个初始化由两部分组成:编码器输入为的后半部分,长度为,以提供最新信息,占位符为长度为的标量;公式化如下:
4.根据权利要求3所述的基于图深度学习的数据流转异常检测方法,其特征在于,使用具有串联连接的自相关机制,以扩展信息利用率;自相关通过计算序列的自相关来发现基于周期的依赖关系,并通过时延聚合来聚合相似的子序列;对于一个实际的离散时间过程,由以下方程式得出自相关:
关于图数据增强,使用边删除和节点特征掩码两种增强,并生成输入图和的两个视图;在边删除的情况下,根据生成的大小为的掩码删除边,掩码的元素从伯努利分布进行采样;当涉及到节点特征掩码时,生成同样从伯努利分布中采样的大小为的掩码;
8.基于图深度学习的数据流转异常检测***,其特征在于,所述***用于实现根据权利要求1-7任一项所述的基于图深度学习的数据流转异常检测方法。
9.根据权利要求8所述的基于图深度学习的数据流转异常检测***,其特征在于,所述***包括时序编码器和图深度网络编码器,其中时序编码器用于实现每个节点下的时序特征编码;图深度网络编码器用于实现节点表示编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979819.1A CN115080964B (zh) | 2022-08-16 | 2022-08-16 | 基于图深度学习的数据流转异常检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979819.1A CN115080964B (zh) | 2022-08-16 | 2022-08-16 | 基于图深度学习的数据流转异常检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115080964A CN115080964A (zh) | 2022-09-20 |
CN115080964B true CN115080964B (zh) | 2022-11-15 |
Family
ID=83244268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210979819.1A Active CN115080964B (zh) | 2022-08-16 | 2022-08-16 | 基于图深度学习的数据流转异常检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115080964B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116126961B (zh) * | 2023-04-04 | 2023-07-04 | 河北中废通网络技术有限公司 | 再生循环物联信息***的防篡改无人值守过磅数据*** |
CN116128168A (zh) * | 2023-04-17 | 2023-05-16 | 南京信息工程大学 | 基于因果扩充卷积和Autoformer的气象预测法 |
CN117312350B (zh) * | 2023-11-28 | 2024-02-27 | 本溪钢铁(集团)信息自动化有限责任公司 | 钢铁行业碳排放数据管理方法及装置 |
CN117574308B (zh) * | 2024-01-17 | 2024-03-26 | 江西金格信安云技术有限公司 | 基于人工智能的计量芯片异常检测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308235A (zh) * | 2020-10-27 | 2021-02-02 | 北京理工大学 | 一种时间序列数据流异常检测方法 |
CN114817773A (zh) * | 2022-05-11 | 2022-07-29 | 中国科学院计算机网络信息中心 | 一种基于多级分解和融合的时序预测***及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10373056B1 (en) * | 2018-01-25 | 2019-08-06 | SparkCognition, Inc. | Unsupervised model building for clustering and anomaly detection |
CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
CN111739078B (zh) * | 2020-06-15 | 2022-11-18 | 大连理工大学 | 一种基于上下文注意力机制的单目无监督深度估计方法 |
CN114065862B (zh) * | 2021-11-18 | 2024-02-13 | 南京航空航天大学 | 一种多维时序数据异常检测方法和*** |
CN114638342A (zh) * | 2022-03-22 | 2022-06-17 | 哈尔滨理工大学 | 基于深度无监督自动编码器的图异常检测方法 |
-
2022
- 2022-08-16 CN CN202210979819.1A patent/CN115080964B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308235A (zh) * | 2020-10-27 | 2021-02-02 | 北京理工大学 | 一种时间序列数据流异常检测方法 |
CN114817773A (zh) * | 2022-05-11 | 2022-07-29 | 中国科学院计算机网络信息中心 | 一种基于多级分解和融合的时序预测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115080964A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115080964B (zh) | 基于图深度学习的数据流转异常检测方法及*** | |
Wang et al. | Unsupervised metric fusion over multiview data by graph random walk-based cross-view diffusion | |
Tang et al. | Tri-clustered tensor completion for social-aware image tag refinement | |
Ou et al. | Asymmetric transitivity preserving graph embedding | |
Huang et al. | Feature space singularity for out-of-distribution detection | |
Mancini et al. | Learning graph embeddings for open world compositional zero-shot learning | |
Yang et al. | Skeletonnet: A hybrid network with a skeleton-embedding process for multi-view image representation learning | |
Bai et al. | Entropic dynamic time warping kernels for co-evolving financial time series analysis | |
Xie et al. | Accurate recovery of missing network measurement data with localized tensor completion | |
Wang et al. | Constrained low-rank representation for robust subspace clustering | |
Varna et al. | Modeling and analysis of correlated binary fingerprints for content identification | |
Shang et al. | Fuzzy double trace norm minimization for recommendation systems | |
Shi et al. | Gigamae: Generalizable graph masked autoencoder via collaborative latent space reconstruction | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
Chen et al. | Deformable convolutional matrix factorization for document context-aware recommendation in social networks | |
Xie et al. | Unsupervised abnormal detection using VAE with memory | |
Ye et al. | Learning deep graph representations via convolutional neural networks | |
Liang et al. | Crossnet: Cross-scene background subtraction network via 3d optical flow | |
Farhangi et al. | Informative visual words construction to improve bag of words image representation | |
CN116467466A (zh) | 基于知识图谱的编码推荐方法、装置、设备及介质 | |
CN115240120B (zh) | 一种基于对抗网络的行为识别方法及电子设备 | |
Ruijuan et al. | User abnormal behavior analysis based on neural network clustering | |
Wang et al. | Supervised prototypical variational autoencoder for shilling attack detection in recommender systems | |
CN113065321B (zh) | 基于lstm模型和超图的用户行为预测方法及*** | |
Song et al. | Unsupervised learning facial parameter regressor for action unit intensity estimation via differentiable renderer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |