[发明专利]基于属性网络表征学习的网络服务异常检测方法及装置

权利要求书

1.一种基于属性网络表征学习的网络服务异常检测方法，包括：

根据原始网络服务数据获取初始网络服务数据，基于所述初始网络服务数据构建异质信息网络，并基于所述异质信息网络中的所有节点在所述原始网络服务数据中获取节点属性集合；

基于所述节点属性集合构建属性向量集，根据所述属性向量集和所述异质信息网络构建属性信息网络；

基于所述属性信息网络，以最大后验问题寻找最优向量表征形式构建目标函数，并根据预设算法对所述目标函数进行求解得到网络表征学习要学习的节点对应向量，并基于网络表征学习要学习的节点对应向量构建所述属性信息网络中节点和与其对应的向量表征的映射关系；

所述属性信息网络中节点和与其对应的向量表征的映射关系计算所述属性信息网络中每个网络服务单号类型节点的特征数据，并基于所述属性信息网络中所有网络服务单号类型节点及其对应的特征数据中的训练集数据训练得到异常检测模型，根据所述异常检测模型计算所述属性信息网络中所有网络服务单号类型节点及其对应的特征数据中的测试集数据中每笔网络服务数据的异常概率。

2.根据权利要求1所述的方法，其特征在于，根据原始网络服务数据获取初始网络服务数据，基于所述初始网络服务数据构建异质信息网络，并基于所述异质信息网络中的所有节点在所述原始网络服务数据中获取节点属性集合包括：

在所述原始网络服务数据中划分出训练集数据和测试集数据，所述训练集数据和所述测试集数据构成初始网络服务数据；

对所述初始网络服务数据进行离散化处理，并对离散后的所述初始网络服务数据进行关系抽取，将关系抽取到的所有关联关系合并得到关系集合；

基于所述关系集合构建异质信息网络；

基于所述异质信息网络中的所有节点依次在所述原始网络服务数据中采集对应的节点属性，并针对所有节点及其对应的节点属性建立属性集合。

3.根据权利要求2所述的方法，其特征在于，在所述原始网络服务数据中划分出训练集数据和测试集数据包括：

设置训练集时间窗口和测试集时间窗口；

基于所述训练集时间窗口在所述原始网络服务数据中划分出训练集数据；

基于所述测试集时间窗口在所述原始网络服务数据中划分出测试集数据；

其中，所述训练集时间窗口和所述测试集时间窗口为连续时间窗口，且所述训练集时间窗口时间上先于所述测试集时间窗口。

4.根据权利要求1所述的方法，其特征在于，基于所述节点属性集合构建属性向量集，根据所述属性向量集和所述异质信息网络构建属性信息网络步骤包括：

对所述节点属性集合中的所有节点属性进行向量化，得到属性向量集；

根据所述属性向量集和所述异质信息网络构建属性信息网络。

5.根据权利要求1所述的方法，其特征在于，基于所述属性信息网络，以最大后验问题寻找最优向量表征形式构建目标函数，并根据预设算法对所述目标函数进行求解得到网络表征学习要学习的节点对应向量，并基于网络表征学习要学习的节点对应向量构建所述属性信息网络中节点和与其对应的向量表征的映射关系步骤包括：

基于预设采样方法对所述属性信息网络进行采样获取适于表征学习的完整采样数据；

基于所述属性信息网络以最大后验问题寻找最优向量表征形式获取目标函数；

基于所述采样数据，针对所述属性信息网络的网络结构设计结构得分函数，并针对所述属性信息网络的属性设计属性得分函数；

基于所述结构得分函数和属性得分函数对所述目标函数进行求解，得到网络表征学习要学习的节点对应向量；

基于所述网络表征学习要学习的节点对应向量设置所述属性信息网络中节点和对应向量的映射关系。

6.根据权利要求5所述的方法，其特征在于，基于预设采样方法对所述属性信息网络进行采样获取适于表征学习的完整采样数据步骤包括：

通过随机游走采样对所述属性信息网络进行采样，得到正常采样数据；

通过负采样对所述正常采样数据进行采样，得到负采样数据；

基于所述正常采样数据和所述负采样数据获取适于表征学习的完整采样数据。