[发明专利]一种基于网络结构学习的边缘云异常检测方法

权利要求书

1.一种基于网络结构学习的边缘云异常检测方法，其特征在于，包括以下内容：

(1)云计算中心数据采集：

(101)云计算中心根据边缘云计算节点的通信连接信息构造网络拓扑结构；

(102)云计算中心统计边缘云计算节点特征生成节点特征数据；

(2)网络结构学习

对由边缘云构造的网络结构，进行网络结构学习；

(3)边缘云异常检测与预警

负责对边缘云进行预测和预警，网络结构学习终止时，将在所有轮次中表现最好的基准网络结构，作为最终的网络结构数据，使用网络嵌入模型对最终网络结构进行训练，得到最终分类结果，将分类是异常的节点报告云计算系统进行预警；

对由边缘云构造的网络结构，进行网络结构学习，采用迭代式训练方法，每一轮迭代中使用以下步骤对网络结构进行学习：

步骤1，对未在当前基准网络结构中的边选取子集，作为待评测边；

步骤2，对所有待评测边使用损失函数进行评价；

步骤3，将评价得分最高的若干条边添加到当前网络结构作为更新，将更新后的网络结构作为下一轮的基准网络结构；

步骤4，对更新后的网络结构进行网络嵌入模型训练，计算更新后网络结构效果表现是否收敛：如果未收敛，则进入下一轮学习，重复步骤1-4；如果收敛，终止训练。

2.根据权利要求1所述的基于网络结构学习的边缘云异常检测方法，其特征在于，步骤1中选取子集的策略包括2种：(1)随机选取，对不在当前基准网络结构中的边进行随机的子集选取；(2)相似度计算选取，使用网络嵌入模型进行训练后得到节点的嵌入表示，使用相似度计算方法计算节点两两之间的相似度，选取部分得分高者作为子集。

3.根据权利要求2所述的基于网络结构学习的边缘云异常检测方法，其特征在于，所述相似度计算方法为余弦相似度计算方法。

4.根据权利要求1所述的基于网络结构学习的边缘云异常检测方法，其特征在于，所述步骤2中所述损失函数为：

其中e是一条边，v是网络结构中的一个节点，V_est是划分的评价集，是边e加入基准网络结构A重新标准化后的计算矩阵，X是特征矩阵，W是训练参数，c是节点类别标记，c_true是正确标记，max是求最大函数。

5.根据权利要求4所述的基于网络结构学习的边缘云异常检测方法，其特征在于，所述损失函数中训练参数W的计算使用的网络嵌入模型是一个两层的简化的图卷积神经网络SGC模型，公式为：

其中Z是模型训练的结果，也就是训练结束后的嵌入，Softmax是机器学习领域的一种激励函数，是标准化后的网络结构矩阵，X是特征矩阵，W在每一轮计算一次，在每一轮边评价中保持不变。

6.根据权利要求1或5所述的基于网络结构学习的边缘云异常检测方法，其特征在于，所述网络嵌入模型使用的是一个两层图卷积神经网络GCN模型，其模型表示为：

其中Z是模型训练的结果，也就是训练结束后的嵌入，Softmax和Relu都是机器学习领域的激励函数，是标准化后的网络结构矩阵，X是特征矩阵，W₁和W₂都是训练参数，并基于训练结果得到节点n的类别L_n的公式是：

L_n＝argmax_iZ_ni，

其中L_n是节点n的输出类别，argmax是对函数求参数的函数，Z_ni是Z中第n个节点在类别i的值。

7.根据权利要求1所述的基于网络结构学习的边缘云异常检测方法，其特征在于，所述边缘云计算节点特征包括边缘云计算机器的ip地址，GPS信息，系统信息，硬件信息，请求的接口，系统调用，实时的网络流量，以及身份信息。