[发明专利]演化异常子图检测方法及装置

说明书

技术领域

本发明实施例涉及动态网络技术领域，尤其涉及一种演化异常子图检测方法及装置。

背景技术

动态网络结构形象的展示了网络中对象之间的关系及事件的演化状态，如社交网络中用户之间的关系，电网连接在地理上的分布地区，全球金融系统连接世界各地的银行等。动态网络较静态网络主要的不同之处在于，动态网络的结构和节点属性是一直变化的。

异常子图检测是动态网络中的一个关键的问题。近年来，异常子图检测已被广泛应用到各个重要的领域，例如事件检测，交通拥堵检测，雾霾检测，水污染检测等。现有技术中主要于参数的方法假设网络结构中的节点(包含异常和非异常的节点)，并且将异常检测形式化为假设检验问题，该方法的一个常用的建模方式是将顶点之间连接频率建模为一个计数过程，并将扫描统计与隐马尔科夫模型结合到一起来实现异常子图的检测。但是该方法具有其局限性，即不适用于包含非传统数据资源的演化异常子图检测。

发明内容

本发明实施例提供一种演化异常子图检测方法及装置，用以实现基于非参数扫描统计模型的演化异常子图检测。

本发明实施例第一方面提供一种演化异常子图检测方法，该方法包括：

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。

本发明实施例第二方面提供一种演化异常子图检测装置，该装置包括：

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。

本发明实施例，通过将获取到的非参数扫描统计模型的NP-Hard问题，重构为多个等价的便于解决的子问题，再根据预设的策略分别求取每个子问题的最优解，从而实现基于非参数扫描统计模型的演化异常子图检测。本发明实施例在非参数扫描统计模型的基础上对动态网络的演化异常子图进行检测，具有较高的准确性，另外，由于本发明实施例中是将非参数扫描统计模型的NP-Hard问题重构为多个等价的便于解决的子问题，再根据预设的策略分别求取每个子问题的最优解，从而大大缩短了检测时间，提高了检测效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的演化异常子图检测方法的流程示意图；

图2为本发明一实施例提供的步骤102的执行方法流程图；

图3为本发明一实施例提供的演化异常子图检测装置的结构示意图；

图4为本发明一实施例提供的重构模块12的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

本发明的说明书和权利要求书的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤的过程或结构的装置不必限于清楚地列出的那些结构或步骤而是可包括没有清楚地列出的或对于这些过程或装置固有的其它步骤或结构。

图1为本发明一实施例提供的演化异常子图检测方法的流程示意图，该方法能够由一演化异常子图检测装置来执行，该装置可以是独立的硬件实体，也可以是安装在独立硬件实体中的可执行程序。如图1所示，该方法包括如下步骤：

步骤101、获取动态网络对应的非参数扫描统计模型。