[发明专利]一种跨越多个属性网络进行异常对齐的方法

说明书

本发明公开一种跨越多个属性网络进行异常对齐的方法，包含以下步骤：最大异常子图的检测:对于每个网络Gi，查找其当前最异常的子图，并与该网络之前得到的对齐的异常子图合并，得到其最大异常子图；最大异常子图的对齐:对多个网络的最大异常子图进行对齐，得到对齐的异常子图集合；对齐的异常子图中包含最多的对齐节点以及最少的非对齐节点；常值的更新；跨越多个属性网络的异常对齐算法的定义；通过初始化结果集S为空集，迭代次数i＝0，并预先定义异常阈值α和对齐阈值σ，输入多个网络的边集/属性集数据，通过多轮迭代，不断扩张对齐异常子图集合S，直至S收敛，得到使得目标函数L最大的结果集。

技术领域

本发明属于计算机、复杂网络与数据挖掘的交叉领域，是一种跨越多个属性网络进行异常对齐的方法。将某个事件定义为节点相互连通的属性网络，对多个相关的属性网络进行最大异常子图检测及对齐，得到这些网络中最相关且最异常的部分，以挖掘这些事件之间异常的共性。

背景技术

异常检测已经被广泛应用到各种场景和领域，例如健康预警网络中的疾病爆发检测，道路网络中的交通拥堵检测以及社交网络中的舆论事件检测。而目前异常检测遇到的主要挑战是在多个属性网络中进行相关异常的挖掘。

大多数现有方法通过将多个属性网络集成为一个多属性网络，并在其上检测异常子图来解决此问题。但是，并非所有多个属性网络都能使用一个网络来表示(如社交网络和地理网络)。并且，在单个多属性网络上同时优化多个属性子图的异常性和他们之间的相关性无疑是困难的。对此，我们将这个问题分解为了两个子问题并分别优化：1，找到每个属性网络最为异常的子图。2，对齐来自多个属性网络的最大异常子图，保留其对齐部分作为相关异常。

因此，我们提出了一种跨越多个属性网络进行异常对齐的方法,并且该方法还能利用无属性网络的结构信息来挖掘其异常信息。

发明内容

为克服现有技术的不足，本发明提出一种跨越多个属性网络进行异常对齐的方法。

本发明主要目的是挖掘多个网络之间存在的相关异常，并利用相关异常来指导相应策略的制定，并且挖掘潜在的异常信息。例如在多个不同时间段的计算机攻击网络中，通过本方法，能够挖掘出在不同时间有着相似攻击行为的IP。根据真实记录可以得到他们所属的固定网段及攻击方式。因此被攻击的网站只需拦截该网段的IP就能大概率避免被攻击的风险。此外，还能够通过异常间的相关性推测未来会发起攻击的IP。

对于给定的多个属性网络G＝(G_i),i∈{1,…,N}，其中Gi＝(Vi,Ei,Pi)表示第i个网络，Vi,Ei,Pi分别表示Gi的节点集，边集和异常属性集。N是网络的数量。节点的异常属性值在0到1之间，越小表示节点越异常，1表示该节点为正常节点。因此，对于缺乏属性的网络我们将该网络所有节点的异常属性的值全部记为1。

本发明的技术方案是一种跨越多个属性网络进行异常对齐的方法，具体包含以下步骤：

1)最大异常子图的检测:对于每个网络Gi，查找其当前最异常的子图，并与该网络之前得到的对齐的异常子图(初始化为空)合并，得到其最大异常子图。最大异常子图是连通的节点集合，其中包含最多异常节点，最少正常节点。其中判断节点是否异常的异常阈值被记为α(一般为0.15)，异常属性值小于等于它的节点被标记为异常节点。我们使用如下函数来计算异常子图的异常得分(函数定义见具体实施方案)。

2)最大异常子图的对齐:对多个网络的最大异常子图进行对齐，得到对齐的异常子图集合。对齐的异常子图中包含最多的对齐节点以及最少的非对齐节点。其中判断节点之间是否具有对齐关系的对齐阈值记为σ，对齐概率大于它的节点为对齐节点。我们使用如下函数来统计对齐异常子图的对齐得分(函数定义见具体实施方案)。

我们的方法需要同时优化异常和对齐两方面内容，因此设定如下的目标函数：