CN117591755B - 动态异构网络潜在异常关系预测方法及装置 - Google Patents
动态异构网络潜在异常关系预测方法及装置 Download PDFInfo
- Publication number
- CN117591755B CN117591755B CN202410074560.5A CN202410074560A CN117591755B CN 117591755 B CN117591755 B CN 117591755B CN 202410074560 A CN202410074560 A CN 202410074560A CN 117591755 B CN117591755 B CN 117591755B
- Authority
- CN
- China
- Prior art keywords
- node
- neighbor
- edge
- edge type
- nodes
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 104
- 230000003993 interaction Effects 0.000 claims abstract description 78
- 239000013598 vector Substances 0.000 claims description 73
- 238000004220 aggregation Methods 0.000 claims description 58
- 230000002776 aggregation Effects 0.000 claims description 35
- 230000004931 aggregating effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005295 random walk Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供动态异构网络潜在异常关系预测方法及装置。本实施例在预测节点之间的潜在异常关系时,借助于各节点的邻居交互行为(通过各节点的邻居交互集合表征)和邻域结构信息(通过各节点的邻接矩阵、各节点与其它节点的共同邻居矩阵表征)来捕捉不同节点的节点表示的动态变化(比如由节点与邻居节点的交互行为引起等),基于各不同节点的节点表示的动态变化预测节点之间的潜在异常关系,实现了邻居增强的动态异构网络潜在异常关系预测,提高潜在异常关系预测的准确性。
Description
技术领域
本申请涉及数据检测领域,尤其涉及动态异构网络潜在异常关系预测方法及装置。
背景技术
潜在异常关系预测,旨在推测隐匿在复杂链路中的异常。潜在异常关系预测可以应用于社交网络、金融等应用场景,用于预测上述应用场景下可能存在的潜在风险。例如,在金融场景下,可以利用潜在异常关系预测来预测可能存在的欺诈行为等。预测潜在的异常关系,对于预防未知的风险是必不可少的。
目前,常用的潜在异常关系预测方式是基于不同节点的节点表示(是指能够表征该节点的特征向量)来实现的。其忽略了节点与邻居节点的交互行为引起的节点表示的动态变化,导致潜在异常关系的预测不准确。
发明内容
本申请实施例提供动态异构网络潜在异常关系预测方法及装置,以通过捕捉不同节点的动态节点表示实现动态异构网络潜在异常关系预测,提高潜在异常关系预测的准确性。
根据本申请实施例的第一方面,提供一种动态异构网络潜在异常关系预测方法,所述方法包括:
针对已获得的动态异构网络集合中任一网络快照内的任一边类型,依据该边类型对应的邻接矩阵确定该边类型对应的共同邻居矩阵,并确定该边类型对应的边上的节点的邻居交互集合;任一边类型对应的共同邻居矩阵表征该边类型对应的边上的不同节点是否存在共同邻居节点;任一节点的邻居交互集合表征该节点的各邻居节点之间的交互关系;
针对网络快照f内边类型b对应的边上的节点u,依据边类型b对应的邻接矩阵和基于节点u的邻居交互集合确定节点u在网络快照f内边类型b下的邻居节点表示,以及依据边类型b对应的共同邻居矩阵确定节点u在网络快照f内边类型b下的共同邻居节点表示;网络快照f表示任一网络快照,边类型b表示网络快照f上任一边类型,节点u表示边类型b对应的边上的任一节点;所述邻居节点表示用于表征节点u的邻居节点的特征向量;所述共同邻居节点表示用于表征节点u与其它节点的共同邻居节点c的特征向量;
对网络快照f中节点u在不同边类型下的邻居节点表示和共同邻居节点表示进行聚合,得到节点u在网络快照f下的聚合结果;基于节点u在不同网络快照下的聚合结果,确定节点u的目标节点表示;依据各节点的目标节点表示,预测潜在异常关系。
根据本申请实施例的第二方面,提供一种动态异构网络潜在异常关系预测装置,所述装置包括:
确定模块,用于针对已获得的动态异构网络集合中任一网络快照内的任一边类型,依据该边类型对应的邻接矩阵确定该边类型对应的共同邻居矩阵,并确定该边类型对应的边上的节点的邻居交互集合;任一边类型对应的共同邻居矩阵表征该边类型对应的边上的不同节点是否存在共同邻居节点;任一节点的邻居交互集合表征该节点的各邻居节点之间的交互关系;
节点表示模块,用于针对网络快照f内边类型b对应的边上的节点u,依据边类型b对应的邻接矩阵和基于节点u的邻居交互集合确定节点u在网络快照f内边类型b下的邻居节点表示,以及依据边类型b对应的共同邻居矩阵确定节点u在网络快照f内边类型b下的共同邻居节点表示;网络快照f表示任一网络快照,边类型b表示网络快照f上任一边类型,节点u表示边类型b对应的边上的任一节点;所述邻居节点表示用于表征节点u的邻居节点的特征向量;所述共同邻居节点表示用于表征节点u与其它节点的共同邻居节点c的特征向量;以及,对网络快照f中节点u在不同边类型下的第一邻居节点表示和第一共同邻居节点表示进行聚合,得到节点u在网络快照f下的聚合结果;基于节点u在不同网络快照下的聚合结果,确定节点u的目标节点表示;
预测模块,用于依据各节点的目标节点表示,预测潜在异常关系。
根据本申请实施例的第三方面,提供一种电子设备,电子设备包括:处理器和存储器;
其中,所述存储器,用于存储机器可执行指令;
所述处理器,用于读取并执行所述存储器存储的机器可执行指令,以实现如上所述的方法。
根据本申请实施例的第三方面,提供一种计算机程序产品,所述计算机程序产品内存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
本申请实施例提供的技术方案可以包括以下有益效果:
本实施例在预测节点之间的潜在异常关系时,借助于各节点的邻居交互行为(通过各节点的邻居交互集合表征)和邻域结构信息(通过各节点的邻接矩阵、各节点与其它节点的共同邻居矩阵表征)来捕捉不同节点的节点表示的动态变化(比如由节点与邻居节点的交互行为引起等),基于各不同节点的节点表示的动态变化预测节点之间的潜在异常关系,实现了邻居增强的动态异构网络潜在异常关系预测,提高潜在异常关系预测的准确性。
附图说明
图1为本申请实施例提供的方法流程图;
图2为本申请实施例提供的步骤102中邻居节点表示的确定流程图;
图3为本申请实施例提供的共同邻居节点表示确定流程图;
图4为本申请实施例提供的步骤103中的聚合流程图;
图5为本申请实施例提供的装置结构图;
图6为本申请实施例提供的电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本实施例提供的方法关注了节点的动态节点表示。具体地,本实施例关注节点的共同邻居和邻居交互(表征了节点的动态节点表示),捕捉不同节点的节点表示的动态变化,基于各不同节点的节点表示的动态变化有效预测节点之间的潜在异常关系。下面对本申请实施例提供的方法进行描述:
参见图1,图1为本申请实施例提供的方法流程图。该方法应用于电子设备,这里电子设备比如为终端、服务器等,本申请实施例并不具体限定。
在本实施例中,会先获得动态异构网络集合。这里,动态异构网络集合由当前应用场景中在不同时间点下采集的网络快照组成。这里,不同时间点下采集的网络快照就相当于异构图。这里的当前应用场景比如物联网防攻击场景、金融网络等,本实施例并不具体限定。
在本实施例中,任一时间点下采集的网络快照可包括多个节点,比如应用于物联网防攻击场景,网络快照中的多个节点可分别为攻击者、被攻击者、攻击类型等。
在本实施例中,任一时间点下采集的网络快照可包括至少一个边。可选地,作为一个实施例,任一时间点下采集的网络快照中的不同边具有的边类型可相同也可不同,任一一时间点下采集的网络快照可包括至少一种边类型。比如,应用于物联网防攻击场景,对于任一网络快照,其中作为节点的攻击设备与作为节点的被攻击设备之间的边的边类型为攻击,作为节点的攻击类型与作为节点的攻击设备之间的边的边类型为利用等,本实施例并不具体限定。
在本实施例中,为动态异构网络集合中任一网络快照内的边类型构建对应的邻接矩阵,以及构建每一节点的特征向量(也即初始特征向量)。这里,任一边类型(比如边类型r)对应的邻接矩阵表征该网络快照内各节点之间的边是否为该边类型r。比如,在邻接矩阵中,若其中两个节点对应的邻接信息为第一值比如1,则表示该两个节点存在一条边,且该边的边类型为上述边类型r,反之,若邻接信息为第二值比如0,则表示该两个节点不存在一条边,或者存在一条边但该边的边类型不为上述边类型r。
之后,执行如图1所示的流程:
如图1所示,该流程可包括以下步骤:
步骤101,针对已获得的动态异构网络集合中任一网络快照内的任一边类型,依据该边类型对应的邻接矩阵确定该边类型对应的共同邻居矩阵,并确定该边类型对应的边上的节点的邻居交互集合。
示例性地,在本实施例中,任一边类型对应的共同邻居矩阵表征该边类型对应的边上的不同节点是否存在共同邻居节点。
可选地,下式举例示出共同邻居矩阵的确定方式:;
其中,t表示采集网络快照的时间,r表示一个边类型,表示在时间t下采集的网络快照(记为网络快照t)上边类型r对应的共同邻居矩阵,/>表示在时间t下采集的网络快照t上边类型r对应的邻接矩阵,/>表示对/>的每一行进行相加得到一个1*/>的矩阵,M为/>中的行数量。
需要说明的是,本申请实施例在确定任一边类型对应的共同邻居矩阵时,并没有忽略低度数的节点(也即邻居节点比较少比如少于设定阈值的节点),并且按照上述确定共同邻居矩阵的方式,由于从整体上考虑到了所有边类型,这相当于在预测动态异构网络潜在异常关系时为较低度数的节点(也即邻居节点比较少的节点)赋予比较大的权重。
另外,在本实施例中,任一节点的邻居交互集合表征该节点的各邻居之间的交互关系。作为一个实施例,上述确定该边类型对应的边上的节点的邻居交互集合比如为:针对该边类型对应的边上的任一节点,确定该节点的邻居节点对;任一邻居节点对由该节点的两个邻居节点组成;依据每一邻居节点对中两个邻居节点已被构建的特征向量确定该节点的邻居交互集合。
可选地,以节点o为例,则依据每一邻居节点对中两个邻居节点已被构建的特征向量确定该节点o的邻居交互集合可通过下式表示:;
其中,t表示采集网络快照的时间,r表示一个边类型;o表示边类型r对应的边上的节点;分别为节点o的邻居节点,/>组成节点o的邻居节点对;/>表示在时间t下采集的网络快照t上边类型r对应的边上的节点o基于邻居节点对(/>)确定的邻居交互集合,k表示邻居交互;/>表示节点p被构建的特征向量;/>表示节点q被构建的特征向量;表示节点o的邻居节点集合;⊙表示相乘,k表示邻居交互。需要说明的是,在上式中,中的k并非是/>的指数(或者k次方),其只是表示邻居交互。同样,/>中的k并非是/>的指数(或者k次方),其也只是表示邻居交互。
步骤102,针对网络快照f内边类型b对应的边上的节点u,依据边类型b对应的邻接矩阵和基于节点u的邻居交互集合确定节点u在网络快照f内边类型b下的邻居节点表示,以及依据边类型b对应的共同邻居矩阵确定节点u在网络快照f内边类型b下的共同邻居节点表示。
这里,网络快照f表示动态异构网络集合中任一网络快照,边类型b表示网络快照f上任一边类型,节点u表示边类型b对应的边上的任一节点,本实施例只是为便于描述而进行的举例,并非用于限定。
在本实施例中,邻居节点表示用于表征节点u的邻居节点的特征向量。作为一个实施例,节点u在网络快照f内边类型b下的邻居节点表示可依据第一参考节点表示和第二参考节点表示确定。可选地,第一参考节点表示依据节点u的特征向量和基于边类型b对应的邻接矩阵确定的邻居节点g的特征向量确定。邻居节点g是基于边类型b对应的邻接矩阵确定的任一节点,节点g处于边类型b对应的边上。第二参考节点表示依据节点u的特征向量和基于节点u的邻居交互集合确定的邻居节点k的特征向量确定。邻居节点k是基于节点u的邻居交互集合确定的任一节点,节点k处于边类型b对应的边上。图2举例示出了其中一种实现方式。
在本实施例中,节点u在网络快照f内边类型b下的共同邻居节点表示,用于表征节点u与其它节点的共同邻居节点c的特征向量。
作为一个实施例,节点u在网络快照f内边类型b下的共同邻居节点表示,依据节点u的特征向量和基于边类型b对应的共同邻居矩阵确定的邻居节点c的特征向量确定。邻居节点c是基于边类型b对应的共同邻居矩阵确定的任一节点,节点c处于边类型b对应的边上。下文图3会举例描述,这里暂不限定。
步骤103,对网络快照f中节点u在不同边类型下的邻居节点表示和共同邻居节点表示进行聚合,得到节点u在网络快照f下的聚合结果;基于节点u在不同网络快照下的聚合结果,确定节点u的目标节点表示;依据各节点的目标节点表示,预测潜在异常关系。
在本实施例中,对网络快照f中节点u在不同边类型下的邻居节点表示和共同邻居节点表示可进行加权聚合,下文会举例描述,这里暂不赘述。
可以看出,本实施例中,在最终得到的节点u的目标节点表示中,其考虑了节点u下的邻接矩阵、节点u与其它节点的共同邻居矩阵、节点u的邻居交互集合,在此前提下,借助于各节点的目标节点表示预测潜在异常关系,就相当于在预测潜在异常时并非单一考虑节点的邻接矩阵,这相比仅依赖于节点单一的邻接矩阵来预测节点之间的潜在异常关系,显然有效提高潜在异常关系预测的准确性。
至此,完成图1所示流程。
通过图1所示流程可以看出,本实施例在预测节点之间的潜在异常关系时,借助于各节点的邻居交互行为(通过各节点的邻居交互集合表征)和邻域结构信息(通过各节点的邻接矩阵、各节点与其它节点的共同邻居矩阵表征)来捕捉不同节点的节点表示的动态变化(比如由节点与邻居节点的交互行为引起等),基于各不同节点的节点表示的动态变化预测节点之间的潜在异常关系,实现了邻居增强的动态异构网络潜在异常关系预测,提高潜在异常关系预测的准确性。
下面对本申请实施例提供的图2进行描述:
参见图2,图2为本申请实施例提供的步骤102中邻居节点表示的确定流程图。如同2所示,该流程可包括以下步骤:
步骤201,依据节点u的特征向量、基于边类型b对应的邻接矩阵确定的邻居节点g的特征向量、以及基于边类型b对应的邻接矩阵确定的其它邻居节点的特征向量,确定节点u和节点g组成的节点对(u,g)的权重系数。
在本实施例中,节点g是基于边类型b对应的邻接矩阵确定的任一节点,节点g处于边类型b对应的边上。
可选地,在本实施例中,假若当前已训练出上述当前应用场景下的注意力模型,则本步骤201可由该注意力模型中的节点自注意力层实现。最终节点自注意力层输出的节点对(u,a1)的权重系数为:
;
其中,表示节点u和节点g组成的节点对(u,g)的权重系数,/>是激活函数,/>表示连接操作。/>是节点/>的特征向量,/>是节点g的特征向量,j表示基于边类型b对应的邻接矩阵确定的除节点g之外且处于边类型b对应的边上的任一节点,/>表示基于边类型b对应的邻接矩阵确定的处于边类型b对应的边上的所有节点的集合。/>、/>为节点注意力层参数,比如,/>是边类型b的节点注意力向量表示;/>是边类型b的特征转换矩阵。
当然,假若当前还未训练出上述当前应用场景下的注意力模型,则本步骤201中确定的如上式表示的权重系数中的节点注意力层参数、/>等即为待训练的节点注意力层参数(相当于是未知量)。
步骤202,依据节点u分别和各第一候选邻居节点组成的节点对的权重系数,确定节点u在网络快照f内边类型b下对应的第一参考节点表示。
在本实施例中,各第一候选邻居节点为基于边类型b对应的邻接矩阵确定的处于边类型b对应的边上的各节点。也即,本实施例在得到任一个第一候选邻居节点,节点u即和该得到的第一候选邻居节点组成节点对,并按照上述步骤201确定出该节点对的权重系数。最终,执行到本步骤202时,会得到节点u分别和各第一候选邻居节点组成的各节点对的权重系数。
在得到节点u分别和各第一候选邻居节点组成的各节点对的权重系数后,如步骤202描述,本实施例可依据节点u分别和各第一候选邻居节点组成的各节点对的权重系数,确定节点u在网络快照f内边类型b下对应的第一参考节点表示。作为一个实施例,下式举例描述出了如何计算节点u在网络快照f内边类型b下对应的第一参考节点表示:
;
其中,表示节点u在网络快照f内边类型b下对应的第一参考节点表示,/>表示第一候选邻居节点集合,/>1为第一候选邻居节点集合中任一个第一候选邻居节点,表示任一个第一候选邻居节点(以节点d1为例)的特征向量,/>表示节点u与节点d1组成的节点对(u,d1)的权重系数。/>如上表述。
步骤203,依据节点u的特征向量、基于节点u的邻居交互集合确定的邻居节点k的特征向量、以及基于节点u的邻居交互集合确定的其它邻居节点的特征向量,确定节点u和节点k组成的节点对(u,k)的权重系数。
在本实施例中,节点k是基于节点u的邻居交互集合确定的任一节点,节点k处于边类型b对应的边上。
本步骤203中,节点u和节点k组成的节点对(u,k)的权重系数具体可参见如上描述。比如,在本实施例中,假若当前已训练出上述当前应用场景下的注意力模型,则本步骤203可由该注意力模型中的节点自注意力层实现。最终节点自注意力层输出的节点对(u,k)的权重系数为:
;
其中,表示节点对(u,k)的权重系数;/>是节点k的特征向量, j表示基于节点u的邻居交互集合确定的除节点k之外且处于边类型b对应的边上的任一节点,/>表示基于节点u的邻居交互集合确定的处于边类型b对应的边上的所有节点的集合,剩余参数如上描述,不再赘述。当然,假若当前还未训练出上述当前应用场景下的注意力模型,则本步骤203中确定的如上式表示的权重系数中的节点注意力层参数即为待训练的节点注意力层参数(相当于是未知量)。
步骤204,依据节点u分别和第二候选邻居节点组成的各节点对的权重系数,确定节点u在网络快照f内边类型b对应的第二参考节点表示。
本实施例中,各第二候选邻居节点为基于节点u的邻居交互集合确定的处于边类型b对应的边上的节点。
本步骤204中,确定节点u在网络快照f内边类型b对应的第二参考节点表示可参见上述步骤202,比如,按照下式计算节点u在网络快照f内边类型b下对应的第二参考节点表示:;
其中,表示节点u在网络快照f内边类型b下对应的第二参考节点表示,/>表示第二候选邻居节点集合,/>2为第二候选邻居节点集合中任一个第二候选邻居节点,表示任一个第二候选邻居节点(以节点d2为例)的特征向量,/>表示节点u与节点d2组成的节点对(u,d2)的权重系数。/>如上表述。
步骤205,依据节点u在网络快照f内边类型b对应的第一参考节点表示和第二参考节点表示,确定节点u在网络快照f内边类型b下的邻居节点表示。
如上描述,本实施例中,基于节点u的邻居交互集合仅包含邻居关系,而节点u的邻接矩阵仅保留节点u的一阶邻域信息(以该节点为中心的只有一跳的邻居信息),基于此,本实施例中,在得到上述第一参考节点表示(基于邻接矩阵的节点表示)和第二参考节点表示(基于邻居交互集合的节点表示)后,会对第一参考节点表示和第二参考节点表示进行设定运算比如均值运算等,将第一参考节点表示更新为该运算结果,而此时更新后的第一参考节点表示记为上述的第一邻居节点表示。
以上述设定运算为均值运算为例,则节点u在网络快照f内边类型b下的邻居节点表示可通过下式表示:;
其中,Mean表示平均值运算,表示第一邻居节点表示。
至此,完成图2所示流程。
通过图2所示流程,可以实现如何针对网络快照f内边类型b对应的边上的节点u,确定节点u在边类型b下的邻居节点表示。
下面通过图3举例描述如何确定节点u在边类型b下的共同邻居节点表示:
参见图3,图3为本申请实施例提供的共同邻居节点表示确定流程图。如图3所示,该流程可包括:
步骤301,依据节点u的特征向量、基于边类型b对应的共同邻居矩阵确定的邻居节点c的特征向量、以及基于边类型b对应的共同邻居矩阵确定的其它邻居节点的特征向量,确定节点u和节点c组成的节点对(u,c)的权重系数。
可选地,本步骤301中,节点c是基于边类型b对应的共同邻居矩阵确定的任一节点,节点c处于边类型b对应的边上。
本步骤301中确定节点u和节点c组成的节点对(u,c)的权重系数可参见上述步骤201和步骤203。比如,在本实施例中,假若当前已训练出上述当前应用场景下的注意力模型,则本步骤301可由该注意力模型中的节点自注意力层实现。最终节点自注意力层输出的节点对(u,c)的权重系数为:
;
其中,表示节点对(u,c)的权重系数;/>是节点c的特征向量, j表示基于边类型b对应的共同邻居矩阵确定的除节点c之外且处于边类型b对应的边上的任一节点,表示基于边类型b对应的共同邻居矩阵确定的处于边类型b对应的边上的所有节点的集合,剩余参数如上描述,不再赘述。当然,假若当前还未训练出上述当前应用场景下的注意力模型,则本步骤301中确定的如上式表示的权重系数中的节点注意力层参数即为待训练的节点注意力层参数(相当于是未知量)。
步骤302,依据节点u分别和各第三候选邻居节点组成的各节点对的权重系数,确定节点u在网络快照f内边类型b下的共同邻居节点表示。
这里,各第三候选邻居节点为基于边类型b对应的共同邻居矩阵确定的处于边类型b对应的边上的各节点。
本步骤302中,确定节点u在网络快照f内边类型b对应的共同邻居节点表示可参见上述步骤202或步骤204。比如,按照下式计算节点u在网络快照f内边类型b下的共同邻居节点表示:;
其中,表示节点u在网络快照f内边类型b下的共同邻居节点表示,/>表示第三候选邻居节点集合,/>3为第三候选邻居节点集合中任一个第三候选邻居节点,/>表示任一个第三候选邻居节点(以节点d3为例)的特征向量,/>表示节点u与节点d3组成的节点对(u,d3)的权重系数。/>如上表述。
至此,完成图3所示流程。
通过图3所示流程,实现了如何确定节点u在网络快照f内边类型b下的共同邻居节点表示。
下面对上述步骤103中的聚合进行描述:
参见图4,图4为本申请实施例提供的步骤103中的聚合流程图。如图4所示,该流程可包括以下步骤:
步骤401,对网络快照f中节点u在不同边类型下的邻居节点表示进行聚合,得到节点u在网络快照f下的第一子聚合结果。
在本实施例中,网络快照f中不同边类型对应的边的重要性不同,本实施例需要先确定网络快照f中不同边类型对应的边(包含有节点u)的重要性(也即权重系数),之后再根据不同边的权重系数对网络快照f中节点u在不同边类型下的邻居节点表示进行聚合,聚合结果(也即上述节点u在网络快照f下的第一子聚合结果)实质是节点u在网络快照f下的邻居节点表示。
基于此,作为一个实施例,本步骤401中,对网络快照f中节点u在不同边类型下的邻居节点表示进行聚合,得到节点u在网络快照f下的第一子聚合结果在具体实现时,可包括:依据节点u在每一边类型下的邻居节点表示,确定节点u在该边类型下的权重系数;依据节点u在不同边类型下的权重系数和邻居节点表示,确定节点u在网络快照f下的第一子聚合结果。
作为一个实施例,假若当前已训练出上述当前应用场景下的注意力模型,则本步骤401可由该注意力模型中的边自注意力层实现。最终边自注意力层输出的节点u在任一边类型下的权重系数为:;
其中,i表示任一边类型,表示节点u在任一边类型i下的权重系数,/>是激活函数;/>表示节点u在任一边类型i下的邻居节点表示,L表示边类型集合,/>、/>、q分别是边自注意力层参数,比如/>、/>分别为权重矩阵和偏置向量,/>为边级注意力参数化向量。
作为一个实施例,上述依据节点u在不同边类型下的权重系数和第一邻居节点表示,确定节点u在网络快照f下的第一子聚合结果可通过下式表示:
;
其中,表示节点u在网络快照f下的第一子聚合结果,i表示任一边类型,/>表示节点u在任一边类型i下的权重系数,/>表示节点u在任一边类型i下的邻居节点表示,L表示边类型集合。
当然,假若当前还未训练出上述当前应用场景下的注意力模型,则本步骤401中确定的如上式表示的权重系数中的边注意力层参数、/>、q即为待训练的节点注意力层参数(相当于是未知量)。
步骤402,对节点u在不同边类型下的共同邻居节点表示进行聚合,得到节点u在网络快照f下的第二子聚合结果。
本步骤402类似上述步骤401,比如可包括:依据节点u在每一边类型下的共同邻居节点表示,确定节点u在该边类型下的权重系数;依据节点u在不同边类型下的权重系数和共同邻居节点表示,确定节点u在网络快照f下的第二子聚合结果。
作为一个实施例,假若当前已训练出上述当前应用场景下的注意力模型,则本步骤402可由该注意力模型中的边自注意力层实现。
比如,最终边自注意力层通过依据节点u在每一边类型下的共同邻居节点表示,输出的节点u在该边类型下的权重系数可为;
其中,i表示任一边类型,表示节点u在任一边类型i下的权重系数,/>是激活函数;/>表示节点u在任一边类型i下的共同邻居节点表示,L表示边类型集合,/>、/>、q分别是边自注意力层参数,比如/>、/>分别为权重矩阵和偏置向量,/>为边级注意力参数化向量。
作为一个实施例,上述依据节点u在不同边类型下的权重系数和共同邻居节点表示,确定节点u在网络快照f下的第二子聚合结果可通过下式表示:
;
其中,表示节点u在网络快照f下的第二子聚合结果,i表示任一边类型,/>表示节点u在任一边类型i下的权重系数,/>表示节点u在任一边类型i下的共同邻居节点表示,L表示边类型集合。
当然,假若当前还未训练出上述当前应用场景下的注意力模型,则本步骤402中确定的如上式表示的权重系数中的边注意力层参数、/>、q即为待训练的节点注意力层参数(相当于是未知量)。
步骤403,对节点u在网络快照f下的第一子聚合结果和第二聚合结果进行加权融合,得到节点u在网络快照f下的聚合结果。
可选地,下式举例示出步骤403:=add(/>、/>);
其中,表示节点u在网络快照f下的聚合结果,add表示加权聚合。/>
至此,完成图4所示流程。
通过图4所示流程实现了如何对网络快照f中节点u在不同边类型下的邻居节点表示和共同邻居节点表示进行聚合,得到节点u在网络快照f下的聚合结果。
另外,需要说明的是,在本实施例中,假若当前已训练出上述当前应用场景下的注意力模型,则上述步骤103中,基于节点u在不同网络快照下的聚合结果,确定节点u的目标节点表示,也可由该注意力模型中的卷积时序注意力层实现。
具体地,节点u的目标节点表示可通过下式表示:
其中,表示节点u的目标节点表示;/>表示归一化指数函数,/>表示卷积操作;/>、/>、/>均为卷积时序注意力层参数;/>表示节点u在不同网络快照中的聚合结果组成的矩阵,比如,节点u在任一网络快照中的聚合结果为一个5维向量,假若有10个网络快照,则/>表示10*5的矩阵,/>每一行为节点u在任一网络快照中的聚合结果;/>表示转置;/>表示掩模矩阵,/>,i和j表示网络快照的采集时间点的序号,/>表示/>的向量维度。
当然,假若当前还未训练出上述当前应用场景下的注意力模型,则上述的卷积时序注意力层参数即为待训练的卷积时序注意力层参数(相当于是未知量)。
作为一个实施例,假若当前已训练出上述当前应用场景下的注意力模型,在得到各节点的当前目标节点表示后,则可依据各节点的当前目标节点表示,预测潜在异常关系,比如,基于任两个节点的当前目标结点表示,预测该两个节点的相似度;依据任两个节点的相似度并采用设定的逻辑回归算法预测该两个节点之间的关系是否为潜在异常关系。
这里,基于任两个节点的当前目标结点表示,预测该两个节点的相似度可通过对该两个节点的目标结点表示进行Hadamard内积运算,得到的结果被用于表征该两个节点的相似度。
这里,上述逻辑回归算法是基于统计模型实现,其用于预测一个事件比如任两个节点之间的关系为潜在异常关系的概率。基于此,本实施例中,依据任两个节点的相似度并采用设定的逻辑回归算法预测该两个节点之间的关系是否为潜在异常关系可为:将任两个节点的相似度输入设定的逻辑回归算法,得到输出结果,输出结果指示了该两个节点之间的关系是否为潜在异常关系的概率;当概率大于或等于设定概率值,则确定该两个节点之间的关系为潜在异常关系,反之,当概率小于设定概率值,则确定该两个节点之间不存在潜在异常关系。最终实现了邻居增强的动态异构网络潜在异常关系预测。
作为另一个实施例,假若当前还未训练出上述当前应用场景下的注意力模型,如上描述的节点u的目标节点表示,可以发现任一节点的目标节点表示包含了待训练的注意力模型参数比如上述节点注意力层参数、边自注意力层参数、卷积时序注意力层参数。
基于此,可选地,本实施例可在依据各节点的目标节点表示,预测潜在异常关系之前,先执行以下步骤:
获得训练节点的目标节点表示,训练节点的目标节点表示为已确定的各节点的目标节点表示的子集;利用训练节点的当前目标节点表示训练注意力模型;检查训练出的注意力模型是否满足模型迭代停止要求,如果否,通过调整训练节点的目标节点表示中的注意力模型参数调整训练节点的当前目标节点表示,返回利用训练节点的当前目标节点表示训练注意力模型的步骤;如果是,将当前训练出的注意力模型作为目标注意力模型(也即训练好的注意力模型,便于之后对当前应用场景下节点之间关系预测时使用)。
作为一个实施例,训练节点是按照常规的随机游走方式从各节点中选择的,本实施例不具体限定。
另外,在本实施例中,检查训练出的注意力模型是否满足模型迭代停止要求可为:检查损失值是否满足设定要求(比如小于或等于设定最小损失值,或者损失值维持不变,或者损失值从递减趋势变为递增趋势等),如果是,则确定训练出的注意力模型满足模型迭代停止要求,否则,确定训练出的注意力模型不满足模型迭代停止要求。
作为一个实施例,本实施例可通过设定损失函数来计算损失值,比如损失函数为交叉熵函数等,本申请实施例并不具体限定。
可选地,本实施例还需随即采样负训练样本,这里,负训练样本可包括没有连接关系的节点对。
假若从节点u开始按照随机游走方式选择训练节点,则以损失函数为交叉熵函数为例示出的损失值计算可为:
其中,表示损失值;/>表示在最后一个时间点比如/>下采集的网络快照中按照随机游走方式确定的节点u 的邻居节点的集合,/>表示/>中任一邻居节点,如上描述,为激活函数,/>表示节点u在最后一个时间点/>下采集的网络快照中的聚合结果;/>表示节点/>在最后一个时间点/>下采集的网络快照中的聚合结果;为负训练样本中节点对的数量,/>是防止过度拟合的目标函数的惩罚项。/>是用于平衡惩罚函数的超参数。本实施例之所以利用最后一个时间点/>下采集的网络快照,其目的是确保节点u在最后一个时间点下采集的网络快照中的聚合结果,与在最后一个时间点下采集的网络快照中按照固定长度随机游动选择节点u的邻居节点的聚合结果更加相似。
作为一个实施例,当发现训练出的注意力模型满足模型迭代停止要求,此时基于注意力模型训练过程中调整训练节点的目标节点表示的描述,这里至少一个节点的当前目标节点表示有可能不是最初确定出的目标节点表示,而是注意力模型训练过程中调整的目标节点表示。在此前提下,本实施例依据各节点的最新的当前目标节点表示,预测潜在异常关系,这能够增强网络动态演化特征的能力。
至于如何依据各节点的当前目标节点表示,预测潜在异常关系,具体可参见上文描述,这里不再赘述。
以上对本申请实施例提供的方法进行了描述,下面对本申请实施例提供的装置进行描述:
参见图5,图5为本申请实施例提供的装置结构图。该装置可包括:
确定模块,用于针对已获得的动态异构网络集合中任一网络快照内的任一边类型,依据该边类型对应的邻接矩阵确定该边类型对应的共同邻居矩阵,并确定该边类型对应的边上的节点的邻居交互集合;任一边类型对应的共同邻居矩阵表征该边类型对应的边上的不同节点是否存在共同邻居节点;任一节点的邻居交互集合表征该节点的各邻居节点之间的交互关系;
节点表示模块,用于针对网络快照f内边类型b对应的边上的节点u,依据边类型b对应的邻接矩阵和基于节点u的邻居交互集合确定节点u在网络快照f内边类型b下的邻居节点表示,以及依据边类型b对应的共同邻居矩阵确定节点u在网络快照f内边类型b下的共同邻居节点表示;网络快照f表示任一网络快照,边类型b表示网络快照f上任一边类型,节点u表示边类型b对应的边上的任一节点;所述邻居节点表示用于表征节点u的邻居节点的特征向量;所述共同邻居节点表示用于表征节点u与其它节点的共同邻居节点c的特征向量;以及,对网络快照f中节点u在不同边类型下的第一邻居节点表示和第一共同邻居节点表示进行聚合,得到节点u在网络快照f下的聚合结果;基于节点u在不同网络快照下的聚合结果,确定节点u的目标节点表示;
预测模块,用于依据各节点的目标节点表示,预测潜在异常关系。
作为一个实施例,所述依据该边类型对应的邻接矩阵,确定该边类型对应的共同邻居矩阵包括:
按照下式确定该边类型对应的共同邻居矩阵:
其中,t表示采集网络快照的时间,r表示一个边类型,表示在时间t下采集的网络快照t上边类型r对应的共同邻居矩阵,/>表示在时间t下采集的网络快照t上边类型r对应的邻接矩阵。
作为一个实施例,所述确定该边类型对应的边上的节点的邻居交互集合包括:
针对该边类型对应的边上的任一节点,确定该节点的邻居节点对;任一邻居节点对由该节点的两个邻居节点组成;
依据每一邻居节点对中两个邻居节点已被构建的特征向量确定该节点的邻居交互集合。
作为一个实施例,所述依据每一邻居节点对中两个邻居节点已被构建的特征向量确定该节点的邻居交互集合包括:
按照下式计算节点的邻居交互集合:
其中,t表示采集网络快照的时间,r表示一个边类型;o表示边类型r对应的边上的节点;分别为节点o的邻居节点,/>组成节点o的邻居节点对;/>表示在时间t下采集的网络快照t上边类型r对应的边上的节点o在邻居节点对(/>)确定的邻居交互集合;表示节点p被构建的特征向量;/>表示节点q被构建的特征向量;/>表示节点o的邻居节点集合;⊙表示相乘,k表示邻居交互。
作为一个实施例,
所述依据边类型b对应的邻接矩阵和基于节点u的邻居交互集合确定节点u在网络快照f内边类型b下的邻居节点表示包括:
依据节点u的特征向量、基于边类型b对应的邻接矩阵确定的邻居节点g的特征向量、以及基于边类型b对应的邻接矩阵确定的其它邻居节点的特征向量,确定节点u和节点g组成的节点对(u,g)的权重系数;所述节点g是基于边类型b对应的邻接矩阵确定的任一节点,节点g处于边类型b对应的边上;
依据节点u分别和各第一候选邻居节点组成的节点对的权重系数,确定节点u在网络快照f内边类型b对应的第一参考节点表示;第一候选邻居节点为基于边类型b对应的邻接矩阵确定的处于边类型b对应的边上的节点;
依据节点u的特征向量、基于节点u的邻居交互集合确定的邻居节点k的特征向量、以及基于节点u的邻居交互集合确定的其它邻居节点的特征向量,确定节点u和节点k组成的节点对(u,k)的权重系数;所述节点k是基于节点u的邻居交互集合确定的任一节点,节点k处于边类型b对应的边上;
依据节点u分别和各第二候选邻居节点组成的各节点对的权重系数,确定节点u在网络快照f内边类型b对应的第二参考节点表示;第二候选邻居节点为基于节点u的邻居交互集合确定的处于边类型b对应的边上的节点;
依据节点u在网络快照f内边类型b对应的第一参考节点表示和第二参考节点表示,确定节点u在网络快照f内边类型b下的邻居节点表示。
作为一个实施例,
所述依据边类型b对应的共同邻居矩阵确定节点u在网络快照f内边类型b下的共同邻居节点表示包括:
依据节点u的特征向量、基于边类型b对应的共同邻居矩阵确定的邻居节点c的特征向量、以及基于边类型b对应的共同邻居矩阵确定的其它邻居节点的特征向量,确定节点u和节点c组成的节点对(u,c)的权重系数;所述节点c是基于边类型b对应的共同邻居矩阵确定的任一节点,节点c处于边类型b对应的边上;
依据节点u分别和各第三候选邻居节点组成的各节点对的权重系数,确定节点u在网络快照f内边类型b下的共同邻居节点表示;第三候选邻居节点为基于边类型b对应的共同邻居矩阵确定的处于边类型b对应的边上的节点。
作为一个实施例,
所述对网络快照f中节点u在不同边类型下的邻居节点表示和共同邻居节点表示进行聚合,得到节点u在网络快照f下的聚合结果包括:
对网络快照f中节点u在不同边类型下的邻居节点表示进行聚合,得到节点u在网络快照f下的第一子聚合结果;
对节点u在不同边类型下的共同邻居节点表示进行聚合,得到节点u在网络快照f下的第二子聚合结果;
对节点u在网络快照f下的第一子聚合结果和第二聚合结果进行加权融合,得到节点u在网络快照f下的聚合结果。
作为一个实施例,
所述对网络快照f中节点u在不同边类型下的邻居节点表示进行聚合,得到节点u在网络快照f下的第一子聚合结果包括:依据网络快照f中节点u在每一边类型下的邻居节点表示,确定节点u在该边类型下的权重系数;依据节点u在不同边类型下的权重系数和邻居节点表示,确定节点u在网络快照f下的第一子聚合结果;
所述对节点u在不同边类型下的共同邻居节点表示进行聚合,得到节点u在网络快照f下的第二子聚合结果包括:依据网络快照f中节点u在每一边类型下的共同邻居节点表示,确定节点u在该边类型下的权重系数;依据节点u在不同边类型下的权重系数和共同邻居节点表示,确定节点u在网络快照f下的第二子聚合结果。
作为一个实施例,
所述节点u的目标节点表示,包含了待训练的注意力模型参数;
在依据各节点的目标节点表示,预测潜在异常关系之前,该方法进一步包括:获得训练节点的目标节点表示,训练节点的目标节点表示为已确定的各节点的目标节点表示的子集;利用训练节点的当前目标节点表示训练注意力模型;检查训练出的注意力模型是否满足模型迭代停止要求,如果否,通过调整训练节点的目标节点表示中的注意力模型参数调整训练节点的当前目标节点表示,返回利用训练节点的当前目标节点表示训练注意力模型的步骤;如果是,将当前训练出的注意力模型作为目标注意力模型;
所述依据各节点的目标节点表示,预测潜在异常关系包括:依据各节点的当前目标节点表示,预测潜在异常关系;
或者,所述节点u的目标节点表示,包含了已训练出的注意力模型参数;所述依据各节点的目标节点表示,预测潜在异常关系包括:依据各节点的当前目标节点表示,预测潜在异常关系。
作为一个实施例,所述依据各节点的当前目标节点表示,预测潜在异常关系包括:基于任两个节点的当前目标节点表示,预测该两个节点的相似度;依据任两个节点的相似度并采用设定的逻辑回归算法预测该两个节点之间的关系是否为潜在异常关系。
至此,完成图5所示装置的描述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
对应地,本申请实施例还提供了图5所示装置的硬件结构图,具体如图3所示,该电子设备可以为上述实施方法的设备。如图6所示,该硬件结构包括:处理器和存储器。
其中,所述存储器,用于存储机器可执行指令;
所述处理器,用于读取并执行所述存储器存储的机器可执行指令,以实现如上所示的所对应的动态异构网络潜在异常关系预测的方法实施例。
作为一个实施例,存储器可以是任何电子、磁性、光学或其它物理存储装置,可以包含或存储信息,如可执行指令、数据,等等。例如,存储器可以是:易失存储器、非易失性存储器或者类似的存储介质。具体地,存储器可以是RAM(Radom Access Memory,随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、DVD等),或者类似的存储介质,或者它们的组合。
基于同样的发明构思,本实施例还提供了计算机可读存储介质。该计算机可读存储介质,用于存储计算机程序;该计算机程序被处理器执行时实现如上所述的方法实施例。
基于同样的发明构思,本实施例还提供了计算机程序产品,所述计算机程序产品内存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法实施例。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (13)
1.一种动态异构网络潜在异常关系预测方法,其特征在于,所述方法包括:
采集当前应用场景在不同时间点下的网络快照;在当前应用场景为物联网防攻击场景下,任一时间点下采集的网络快照包括多个节点和至少一个边;其中,网络快照中的节点包括攻击者、被攻击者、攻击类型中的至少一个,其中,作为节点的攻击者与作为节点的被攻击者之间若存在一条边时,该边的边类型为攻击,作为节点的攻击类型与作为节点的攻击者之间若存在一条边时该边的边类型为利用;
基于当前应用场景中在不同时间点下的网络快照获得动态异构网络集合,针对所述动态异构网络集合中任一网络快照内的任一边类型,依据该边类型对应的邻接矩阵确定该边类型对应的共同邻居矩阵,并确定该边类型对应的边上的节点的邻居交互集合;任一网络快照内任一边类型对应的邻接矩阵表征该网络快照内各节点之间是否存在该类型的边,任一边类型对应的共同邻居矩阵表征该边类型对应的边上的不同节点是否存在共同邻居节点;任一节点的邻居交互集合表征该节点的各邻居节点之间的交互关系,任一节点的两个邻居节点之间的交互关系用于表征该两个邻居节点之间存在一条直连的边;
针对网络快照f内边类型b对应的边上的节点u,依据边类型b对应的邻接矩阵和基于节点u的邻居交互集合确定节点u在网络快照f内边类型b下的邻居节点表示,以及依据边类型b对应的共同邻居矩阵确定节点u在网络快照f内边类型b下的共同邻居节点表示;网络快照f表示任一网络快照,边类型b表示网络快照f上任一边类型,节点u表示边类型b对应的边上的任一节点;所述邻居节点表示用于表征节点u的邻居节点的特征向量;所述共同邻居节点表示用于表征节点u与其它节点的共同邻居节点c的特征向量;
对网络快照f中节点u在不同边类型下的邻居节点表示和共同邻居节点表示进行聚合,得到节点u在网络快照f下的聚合结果;基于节点u在不同网络快照下的聚合结果,确定节点u的目标节点表示;依据各节点的目标节点表示,预测潜在异常关系,其中,被预测出的潜在异常关系被用于预防所述当前应用场景下的未知风险。
2.根据权利要求1所述的方法,其特征在于,所述依据该边类型对应的邻接矩阵,确定该边类型对应的共同邻居矩阵包括:
按照下式确定该边类型对应的共同邻居矩阵:
其中,t表示采集网络快照的时间,r表示一个边类型,表示在时间t下采集的网络快照t上边类型r对应的共同邻居矩阵,/>表示在时间t下采集的网络快照t上边类型r对应的邻接矩阵。
3.根据权利要求1所述的方法,其特征在于,所述确定该边类型对应的边上的节点的邻居交互集合包括:
针对该边类型对应的边上的任一节点,确定该节点的邻居节点对;任一邻居节点对由该节点的两个邻居节点组成;
依据每一邻居节点对中两个邻居节点已被构建的特征向量确定该节点的邻居交互集合。
4.根据权利要求3所述的方法,其特征在于,所述依据每一邻居节点对中两个邻居节点已被构建的特征向量确定该节点的邻居交互集合包括:
按照下式计算节点的邻居交互集合:
其中,t表示采集网络快照的时间,r表示一个边类型;o表示边类型r对应的边上的节点;分别为节点o的邻居节点,/>组成节点o的邻居节点对;/>表示在时间t下采集的网络快照t上边类型r对应的边上的节点o在邻居节点对(/>)确定的邻居交互集合;/>表示节点p被构建的特征向量;/>表示节点q被构建的特征向量;/>表示节点o的邻居节点集合;⊙表示相乘,k表示邻居交互。
5.根据权利要求1所述的方法,其特征在于,所述依据边类型b对应的邻接矩阵和基于节点u的邻居交互集合确定节点u在网络快照f内边类型b下的邻居节点表示包括:
依据节点u的特征向量、基于边类型b对应的邻接矩阵确定的邻居节点g的特征向量、以及基于边类型b对应的邻接矩阵确定的其它邻居节点的特征向量,确定节点u和节点g组成的节点对(u,g)的权重系数;所述节点g是基于边类型b对应的邻接矩阵确定的任一节点,节点g处于边类型b对应的边上;
依据节点u分别和各第一候选邻居节点组成的节点对的权重系数,确定节点u在网络快照f内边类型b对应的第一参考节点表示;第一候选邻居节点为基于边类型b对应的邻接矩阵确定的处于边类型b对应的边上的节点;
依据节点u的特征向量、基于节点u的邻居交互集合确定的邻居节点k的特征向量、以及基于节点u的邻居交互集合确定的其它邻居节点的特征向量,确定节点u和节点k组成的节点对(u,k)的权重系数;所述节点k是基于节点u的邻居交互集合确定的任一节点,节点k处于边类型b对应的边上;
依据节点u分别和各第二候选邻居节点组成的各节点对的权重系数,确定节点u在网络快照f内边类型b对应的第二参考节点表示;第二候选邻居节点为基于节点u的邻居交互集合确定的处于边类型b对应的边上的节点;
依据节点u在网络快照f内边类型b对应的第一参考节点表示和第二参考节点表示,确定节点u在网络快照f内边类型b下的邻居节点表示。
6.根据权利要求1所述的方法,其特征在于,所述依据边类型b对应的共同邻居矩阵确定节点u在网络快照f内边类型b下的共同邻居节点表示包括:
依据节点u的特征向量、基于边类型b对应的共同邻居矩阵确定的邻居节点c的特征向量、以及基于边类型b对应的共同邻居矩阵确定的其它邻居节点的特征向量,确定节点u和节点c组成的节点对(u,c)的权重系数;所述节点c是基于边类型b对应的共同邻居矩阵确定的任一节点,节点c处于边类型b对应的边上;
依据节点u分别和各第三候选邻居节点组成的各节点对的权重系数,确定节点u在网络快照f内边类型b下的共同邻居节点表示;第三候选邻居节点为基于边类型b对应的共同邻居矩阵确定的处于边类型b对应的边上的节点。
7.根据权利要求1所述的方法,其特征在于,所述对网络快照f中节点u在不同边类型下的邻居节点表示和共同邻居节点表示进行聚合,得到节点u在网络快照f下的聚合结果包括:
对网络快照f中节点u在不同边类型下的邻居节点表示进行聚合,得到节点u在网络快照f下的第一子聚合结果;
对节点u在不同边类型下的共同邻居节点表示进行聚合,得到节点u在网络快照f下的第二子聚合结果;
对节点u在网络快照f下的第一子聚合结果和第二聚合结果进行加权融合,得到节点u在网络快照f下的聚合结果。
8.根据权利要求7所述的方法,其特征在于,所述对网络快照f中节点u在不同边类型下的邻居节点表示进行聚合,得到节点u在网络快照f下的第一子聚合结果包括:依据网络快照f中节点u在每一边类型下的邻居节点表示,确定节点u在该边类型下的权重系数;依据节点u在不同边类型下的权重系数和邻居节点表示,确定节点u在网络快照f下的第一子聚合结果;
所述对节点u在不同边类型下的共同邻居节点表示进行聚合,得到节点u在网络快照f下的第二子聚合结果包括:依据网络快照f中节点u在每一边类型下的共同邻居节点表示,确定节点u在该边类型下的权重系数;依据节点u在不同边类型下的权重系数和共同邻居节点表示,确定节点u在网络快照f下的第二子聚合结果。
9.根据权利要求1所述的方法,其特征在于,所述节点u的目标节点表示,包含了待训练的注意力模型参数;
在依据各节点的目标节点表示,预测潜在异常关系之前,该方法进一步包括:获得训练节点的目标节点表示,训练节点的目标节点表示为已确定的各节点的目标节点表示的子集;利用训练节点的当前目标节点表示训练注意力模型;检查训练出的注意力模型是否满足模型迭代停止要求,如果否,通过调整训练节点的目标节点表示中的注意力模型参数调整训练节点的当前目标节点表示,返回利用训练节点的当前目标节点表示训练注意力模型的步骤;如果是,将当前训练出的注意力模型作为目标注意力模型;
所述依据各节点的目标节点表示,预测潜在异常关系包括:依据各节点的当前目标节点表示,预测潜在异常关系;
或者,所述节点u的目标节点表示,包含了已训练出的注意力模型参数;所述依据各节点的目标节点表示,预测潜在异常关系包括:依据各节点的当前目标节点表示,预测潜在异常关系。
10.根据权利要求9所述的方法,其特征在于,所述依据各节点的当前目标节点表示,预测潜在异常关系包括:基于任两个节点的当前目标节点表示,预测该两个节点的相似度;依据任两个节点的相似度并采用设定的逻辑回归算法预测该两个节点之间的关系是否为潜在异常关系。
11.一种动态异构网络潜在异常关系预测装置,其特征在于,所述装置包括:
确定模块,用于采集当前应用场景在不同时间点下的网络快照;在当前应用场景为物联网防攻击场景下,任一时间点下采集的网络快照包括多个节点和至少一个边;其中,网络快照中的节点包括攻击者、被攻击者、攻击类型中的至少一个,其中,作为节点的攻击者与作为节点的被攻击者之间若存在一条边时,该边的边类型为攻击,作为节点的攻击类型与作为节点的攻击者之间若存在一条边时该边的边类型为利用;
基于当前应用场景中在不同时间点下的网络快照获得动态异构网络集合,针对所述动态异构网络集合中任一网络快照内的任一边类型,依据该边类型对应的邻接矩阵确定该边类型对应的共同邻居矩阵,并确定该边类型对应的边上的节点的邻居交互集合;任一网络快照内任一边类型对应的邻接矩阵表征该网络快照内各节点之间是否存在该类型的边,任一边类型对应的共同邻居矩阵表征该边类型对应的边上的不同节点是否存在共同邻居节点;任一节点的邻居交互集合表征该节点的各邻居节点之间的交互关系;任一节点的两个邻居节点之间的交互关系用于表征该两个邻居节点之间存在一条直连的边;
节点表示模块,用于针对网络快照f内边类型b对应的边上的节点u,依据边类型b对应的邻接矩阵和基于节点u的邻居交互集合确定节点u在网络快照f内边类型b下的邻居节点表示,以及依据边类型b对应的共同邻居矩阵确定节点u在网络快照f内边类型b下的共同邻居节点表示;网络快照f表示任一网络快照,边类型b表示网络快照f上任一边类型,节点u表示边类型b对应的边上的任一节点;所述邻居节点表示用于表征节点u的邻居节点的特征向量;所述共同邻居节点表示用于表征节点u与其它节点的共同邻居节点c的特征向量;以及,对网络快照f中节点u在不同边类型下的第一邻居节点表示和第一共同邻居节点表示进行聚合,得到节点u在网络快照f下的聚合结果;基于节点u在不同网络快照下的聚合结果,确定节点u的目标节点表示;
预测模块,用于依据各节点的目标节点表示,预测潜在异常关系,其中,被预测出的潜在异常关系被用于预防所述当前应用场景下的未知风险。
12.一种电子设备,其特征在于,电子设备包括:处理器和存储器;
其中,所述存储器,用于存储机器可执行指令;
所述处理器,用于读取并执行所述存储器存储的机器可执行指令,以实现如权利要求1至10任一项所述的方法中的步骤。
13.一种计算机程序产品,其特征在于,所述计算机程序产品内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1~ 10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410074560.5A CN117591755B (zh) | 2024-01-18 | 2024-01-18 | 动态异构网络潜在异常关系预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410074560.5A CN117591755B (zh) | 2024-01-18 | 2024-01-18 | 动态异构网络潜在异常关系预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117591755A CN117591755A (zh) | 2024-02-23 |
CN117591755B true CN117591755B (zh) | 2024-06-14 |
Family
ID=89922344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410074560.5A Active CN117591755B (zh) | 2024-01-18 | 2024-01-18 | 动态异构网络潜在异常关系预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117591755B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111309983A (zh) * | 2020-03-10 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 基于异构图进行业务处理的方法及装置 |
CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496174B (zh) * | 2021-06-18 | 2023-09-26 | 中山大学 | 优化网络表示学习的方法、模型训练方法和*** |
CN115859793A (zh) * | 2022-11-21 | 2023-03-28 | 河北工业大学 | 基于注意力的异构信息网络用户异常行为检测方法及*** |
CN116484192A (zh) * | 2023-04-28 | 2023-07-25 | 北京交通大学 | 一种无监督异配异质图的异常节点检测方法 |
-
2024
- 2024-01-18 CN CN202410074560.5A patent/CN117591755B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111309983A (zh) * | 2020-03-10 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 基于异构图进行业务处理的方法及装置 |
CN111400560A (zh) * | 2020-03-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN117591755A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021018228A1 (en) | Detection of adverserial attacks on graphs and graph subsets | |
US20200218888A1 (en) | Target Re-Identification | |
WO2020098606A1 (zh) | 节点分类方法、模型训练方法、装置、设备及存储介质 | |
CN108881250B (zh) | 电力通信网络安全态势预测方法、装置、设备及存储介质 | |
US10866998B2 (en) | System and method for identifying contacts of a target user in a social network | |
Hassine et al. | ARMA based popularity prediction for caching in content delivery networks | |
EP4053757A1 (en) | Degradation suppression program, degradation suppression method, and information processing device | |
CN111383250A (zh) | 基于改进混合高斯模型的运动目标检测方法及装置 | |
CN110619082A (zh) | 一种基于重复搜索机制的项目推荐方法 | |
CN114841296A (zh) | 设备聚类方法、终端设备以及存储介质 | |
CN111224984A (zh) | 一种基于数据挖掘算法的Snort改进方法 | |
Karmous et al. | Iot real-time attacks classification framework using machine learning | |
CN117591755B (zh) | 动态异构网络潜在异常关系预测方法及装置 | |
CN112801231A (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
CN115189949B (zh) | 一种基于全局信息的网络安全控制关键节点识别方法 | |
CN115238134A (zh) | 用于生成图数据结构的图向量表示的方法及装置 | |
Zhang et al. | Improving Sybil detection via graph pruning and regularization techniques | |
CN116823699A (zh) | 一种图像的质量评价方法及装置 | |
Setitra et al. | Combination of Hybrid Feature Selection and LSTM-AE Neural Network for Enhancing DDOS Detection in SDN | |
US20240144097A1 (en) | Universal Post-Training Backdoor Detection and Mitigation for Classifiers | |
CN116305262B (zh) | 基于负调查的社交网络拓扑隐私保护方法 | |
CN117828514B (zh) | 一种基于图结构学习的用户网络行为数据异常检测方法 | |
CN110232641B (zh) | 基于电力信息***网络调控机制的隐私保护方法 | |
CN116708029B (zh) | 一种区块链异常节点的检测方法、***、设备和存储介质 | |
CN116186421B (zh) | 消除流行度偏差的推荐方法、***、设备及存储介质 |
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 |