[发明专利]演化异常子图检测方法及装置

权利要求书

1.一种演化异常子图检测方法，其特征在于，包括：

获取动态网络的非参数扫描统计模型；

将所述非参数扫描统计模型的NP-Hard问题，重构为多个等价的子问题；

根据预设的策略，确定所述多个子问题中每个子问题的最优解，以完成所述动态网络中演化异常子图的检测，其中，所述演化异常子图为在时间上具有演化关系的异常子图。

2.根据权利要求1所述的方法，其特征在于，所述非参数扫描统计模型的表达式为：

且所述表达式满足条件：

θ(Ω)≤A，N(Ω)≤K

其中，θ(Ω)为相邻时刻演化异常子图的变化次数，A为预设的所述变化次数的上限值，K为演化异常子图中节点基数的上限值，N(Ω)为所述演化异常子图中实际的节点数，N_α(Ω)为在置信水平α的前提下所述演化异常子图中异常节点的个数。

3.根据权利要求2所述的方法，其特征在于，所述将所述非参数扫描统计模型的NP-Hard问题，重构为多个等价的子问题，包括：

将所述非参数扫描统计模型形式化为对应的演化异常子图检测模型；

根据所述演化异常子图检测模型，将所述非参数扫描统计模型的NP-Hard问题，重构为多个等价的子问题。

4.根据权利要求3所述的方法，其特征在于，所述将所述非参数扫描统计模型形式化为对应的演化异常子图检测模型，包括：

将所述非参数扫描统计模型形式化为表达形式为：

的演化异常子图检测模型，且所述演化异常子图检测模型满足条件：

θ(Ω)≤A，N(Ω)≤K

其中，U(V^#，α_max)为V^#中假定值小于置信水平最大值α_max的α的集合。V^#为所述演化异常子图中所有节点的集合。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述根据预设的策略，确定所述多个子问题中每个子问题的最优解，包括：

对每个子问题进行拉格朗日松弛、树形先验近似以及动态规划处理，从而根据所述处理的结果，确定每个子问题的最优解。

6.一种演化异常子图检测装置，其特征在于，包括：

获取模块，获取动态网络的非参数扫描统计模型；

重构模块，将所述非参数扫描统计模型的NP-Hard问题，重构为多个等价的子问题；

检测模块，根据预设的策略，确定所述多个子问题中每个子问题的最优解，以完成所述动态网络中演化异常子图的检测，其中，所述演化异常子图为在时间上具有演化关系的异常子图。

7.根据权利要求6所述的装置，其特征在于，所述非参数扫描统计模型的表达式为：

且表达式满足条件：

θ(Ω)≤A，N(Ω)≤K

其中，θ(Ω)为相邻时刻演化异常子图的变化次数，A为预设的所述变化次数的上限值，K为演化异常子图中节点基数的上限值，N(Ω)为所述演化异常子图中实际的节点数，N_α(Ω)为在置信水平α的前提下所述演化异常子图中异常节点的个数。

8.根据权利要求7所述的装置，其特征在于，所述重构模块，包括：

形式化子模块，将所述非参数扫描统计模型形式化为对应的演化异常子图检测模型；

重构子模块，根据所述演化异常子图检测模型，将所述非参数扫描统计模型的NP-Hard问题，重构为多个等价的子问题。

9.根据权利要求8所述的装置，其特征在于，所述形式化子模块，将所述非参数扫描统计模型形式化为表达形式为：

的演化异常子图检测模型，且所述演化异常子图检测模型满足条件：

θ(Ω)≤A，N(Ω)≤K

其中，U(V^#，α_max)为V^#中假定值小于置信水平最大值α_max的α的集合。V^#为所述演化异常子图中所有节点的集合。

10.根据权利要求6-9中任一项所述的装置，其特征在于，所述检测模块，对每个子问题进行拉格朗日松弛、树形先验近似以及动态规划处理，从而根据所述处理的结果，确定每个子问题的最优解。