基于FHGS的动态网络局部边异常检测方法及装置

本申请涉及边异常检测，特别是涉及一种基于fhgs的动态网络局部边异常检测方法及装置。

背景技术：

1、边异常问题普遍存在于现实网络当中。例如，在金融网络中，不法分子会对其他正常用户实施敲诈，导致该交易出现异常；在通信网络中，黑客或攻击者会对正常用户发起恶意访问和攻击，导致通信出现异常。在这些情况下，边异常的出现意味着恶意行为的发生，可能给用户造成不可估量的损失。快速响应潜在安全威胁的需求推动了实时或接近实时检测异常技术的发展。通过在异常发生时立即检测异常，有助于及时采取措施防止或减轻此类威胁的影响，并尽可能降低损失，能够越快地检测和响应异常，就越能尽快开始恢复。为了尽量减少恶意活动的影响并尽快开始恢复，需要实时或接近实时地检测异常，即一旦接收到传入的边缘，就确定它是否异常。现有的边异常检测方法要么无法实现实时异常检测，要么只适用于特定场景，无法满足对动态网络中的边异常进行实时快速响应的需要。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高边异常检测精度和效率的基于fhgs的动态网络局部边异常检测方法及装置。

2、一种基于fhgs的动态网络局部边异常检测方法，所述方法包括：

3、通过fhgs结构中的图数据存储子矩阵存储动态网络中的边信息，得到边存储位置。

4、在图数据存储子矩阵中构建单元稠密子矩阵，将单元稠密子矩阵添加边存储位置后进行密度计算，得到子矩阵密度，若子矩阵密度大于上一时刻密度，则将边信息中的索引信息添加至当前时刻的单元稠密子矩阵，得到扩展稠密子矩阵。

5、将扩展稠密子矩阵进行迭代压缩，得到检测稠密子矩阵，采用似然估计法计算边存储位置与检测稠密子矩阵的异常似然值，根据异常似然值获取边异常检测结果。

6、在其中一个实施例中，边信息包括源节点的指纹、源节点的地址索引、目标节点的指纹、目标节点的地址索引及边权重。还包括：通过fhgs结构接收动态网络中边信息e＝(s，d，w，t)，采用哈希函数将边信息根据动态图数据阶数存储至fhgs结构对应层级的图数据存储子矩阵，得到当前层级图数据存储子矩阵中边存储位置

7、在其中一个实施例中，还包括：在图数据存储子矩阵中选取矩阵阶数为1的图数据存储元素构建单元稠密子矩阵(scur,tcur)，将单元稠密子矩阵添加所述边存储位置后进行密度计算，得到子矩阵密度，若子矩阵密度大于上一时刻单元稠密子矩阵对应的密度，则将边信息中的索引信息添加至当前时刻的单元稠密子矩阵，得到扩展稠密子矩阵。

8、在其中一个实施例中，还包括：将扩展稠密子矩阵中行和或列和最小值对应的行或列删除，并计算删除行和或列和最小值对应的行或列后的扩展稠密子矩阵的待压缩密度，若待压缩密度大于扩展稠密子矩阵的密度，则从扩展稠密子矩阵中删除行和或列和最小值对应的行或列，得到检测稠密子矩阵。采用似然估计法计算边存储位置与检测稠密子矩阵的异常似然值：

9、

10、其中，x为fhgs结构当前存储结构层对应的存储层矩阵，sx为图数据存储子矩阵的行索引集合，tx为图数据存储子矩阵的列索引集合，u为边的源节点，v为边的目标节点，h(u)为边的第u行地址，h(v)为边的第v列地址，x[s][t]_w为fhgs结构当前存储结构层对应的存储层矩阵x中第s行t列的矩阵元素的边权重，l为异常似然值。根据迭代压缩次数获取fhgs结构中每一层的异常似然值，获取异常似然值的最小值组成异常检测结果。

11、一种基于fhgs的动态网络局部边异常检测装置，所述装置包括：

12、边存储位置获取模块，用于通过fhgs结构中的图数据存储子矩阵存储动态网络中的边信息，得到边存储位置。

13、扩展稠密子矩阵获取模块，用于在图数据存储子矩阵中构建单元稠密子矩阵，将单元稠密子矩阵添加边存储位置后进行密度计算，得到子矩阵密度，若子矩阵密度大于上一时刻密度，则将边信息中的索引信息添加至当前时刻的单元稠密子矩阵，得到扩展稠密子矩阵。

14、异常检测结果获取模块，用于将扩展稠密子矩阵进行迭代压缩，得到检测稠密子矩阵，采用似然估计法计算边存储位置与检测稠密子矩阵的异常似然值，根据异常似然值获取边异常检测结果。

15、在其中一个实施例中，扩展稠密子矩阵获取模块，还用于在图数据存储子矩阵中选取矩阵阶数为1的图数据存储元素构建单元稠密子矩阵(scur,tcur)，将单元稠密子矩阵添加所述边存储位置后进行密度计算，得到子矩阵密度，若子矩阵密度大于上一时刻单元稠密子矩阵对应的密度，则将边信息中的索引信息添加至当前时刻的单元稠密子矩阵，得到扩展稠密子矩阵。

16、上述基于fhgs的动态网络局部边异常检测方法及装置，利用fhgs结构存储动态网络中的边信息，通过在每一层fhgs结构中图数据存储子矩阵中构建单元稠密子矩阵，为了加快检测速度，在局部范围内，对单元稠密子矩阵扩展后进行压缩，使得检测稠密子矩阵的密度足够稠密，然后利用似然值估计待检测边相对于检测稠密子矩阵的似然值，降低迭代扩展次数，减少时间开销，可以提高动态网络边异常检测精度和效率。

技术特征：

1.一种基于fhgs的动态网络局部边异常检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述边信息包括源节点的指纹、所述源节点的地址索引、目标节点的指纹、所述目标节点的地址索引及边权重；

3.根据权利要求2所述的方法，其特征在于，在所述图数据存储子矩阵中构建单元稠密子矩阵，将所述单元稠密子矩阵添加所述边存储位置后进行密度计算，得到子矩阵密度，若所述子矩阵密度大于上一时刻密度，则将所述边信息中的索引信息添加至当前时刻的所述单元稠密子矩阵，得到扩展稠密子矩阵，包括：

4.根据权利要求3所述的方法，其特征在于，将所述扩展稠密子矩阵进行迭代压缩，得到检测稠密子矩阵，采用似然估计法计算所述边存储位置与检测稠密子矩阵的异常似然值，根据所述异常似然值获取边异常检测结果，包括：

5.一种基于fhgs的动态网络局部边异常检测装置，其特征在于，所述装置包括：

6.根据权利要求5所述的装置，其特征在于，所述扩展稠密子矩阵获取模块，还用于在所述图数据存储子矩阵中选取矩阵阶数为1的图数据存储元素构建单元稠密子矩阵(scur,tcur)，将所述单元稠密子矩阵添加所述边存储位置后进行密度计算，得到子矩阵密度，若所述子矩阵密度大于上一时刻所述单元稠密子矩阵对应的密度，则将所述边信息中的索引信息添加至当前时刻的所述单元稠密子矩阵，得到扩展稠密子矩阵。

技术总结
本申请涉及一种基于FHGS的动态网络局部边异常检测方法及装置。所述方法包括：通过FHGS结构中的图数据存储子矩阵存储动态网络中的边信息，得到边存储位置。在图数据存储子矩阵中构建单元稠密子矩阵，将单元稠密子矩阵添加边存储位置后进行密度计算，得到子矩阵密度，若子矩阵密度大于上一时刻密度，则将边信息中的索引信息添加至当前时刻的单元稠密子矩阵，得到扩展稠密子矩阵。将扩展稠密子矩阵进行迭代压缩，得到检测稠密子矩阵，采用似然估计法计算边存储位置与检测稠密子矩阵的异常似然值，根据异常似然值获取边异常检测结果。采用本方法能够提高动态网络边异常检测精度。

技术研发人员：朱先强,张千桢,陆敏,罗来龙,黄雪芹,臧越超
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：
技术公布日：2024/6/11