[发明专利]一种针对多个属性网络的快速异常检测方法

权利要求书

1.一种针对多个属性网络的快速异常检测方法，所述方法是基于分布在多个本地私有属性网络上的数据集建立异常检测模型，其特征在于，所述异常检测模型包括由多个私有属性网络和一个公共属性网络构成的属性网络，在所述每个私有属性网络中将采用近似最优异常查询的方法将检测到的特定形状异常子图与公共属性网络中的异常子图对齐，包括如下步骤：

S1、根据需求构建多层属性网络并按照如下公式计算网络节点v的异常属性值p(v)；若不是根据时间统计的，则将v本身的属性值作为观测值c_v，该网络其他节点的属性值作为对比值c_i，

其中：N为网络中所有节点的个数；属性网络G^*＝{G_i},i∈{0,1,...,N}，G_i＝(V_i,E_i,P_i)表示第i个网络，V_i,E_i,P_i分别表示G_i的节点集，边集和异常属性集；G₀是公共网络，其余网络是私有网络；I是一个逻辑函数；

S2、输入一个公共网络和多个私有网络的边集和异常属性集，预定待测网络的参数，包括：异常阈值α和对齐阈值σ；初始化结果集Uⁱ为空集，迭代次数i＝0；

S3、上述多个私有网络G_i下载公共网络至本地并分别和公共网络进行预对齐获得对齐概率矩阵集合H_ij；

S4、获取上一次迭代结果，检测私有网络近似最优异常子图S_j^*；其中：检测私有网络近似最优异常子图步骤如下：

4.1)初始化上下限结果集为空集，迭代次数i＝0，输入私有属性网络的边集、异常特征集和查询图的边集；

4.2)计算节点的异常优先级；其中：

g()是优先级函数；输入属性图G，将图中节点按照异常特征值的大小进行排序，优先级越高的节点越异常；该函数将图G中的节点排序为后输出；

4.3)选择前m个节点做为上限结构；

4.4)分解查询图Q为星型结构，对于上限节点集中的每个点,检测与星型结构同构的子图得到MaxQ函数将上限结构的节点集及其邻居在属性图G中匹配与查询图Q近似的部分，并转化为下限结构将查询图Q分解为星型子结构，其中每个节点都会作为星型结构的中心节点或叶子结点，当查询图为无属性图时，仅需保留叶子数不同的星型结构即可；Star(v)函数表示返回节点v在属性图G上包含一阶邻居的子图是最大化异常得分函数的星型子图，并与查询图分解的星型结构同构；利用贪心算法的思想，将得到的一一拼接，得到与查询图最相似的部分，拼接结果作为下限

4.5)将上一次迭代得到的异常子图上限与下限合并，得到暂时最优结构S；

4.6)更新上限结果集步骤中，上限节点集的更新需要加入未计算过的节点，v_(j)是保留集中优先级最高的节点，而v_(k)是优先级最低的节点；更新后上限节点集数量是m个；

4.7)当上限与下限异常得分接近时，返回近似异常查询结果否则，迭代次数i＝i+1,直至满足停止条件；最终结果就是使得属性图中的某个子图目标函数F最大的同时与查询图结构相似的异常检测结果；

S5、与公共网络对齐得到结果集Uj*，并将结果集Uj*上传至云端；

S6、在云端合并各私有网络上传的结果，并与公共网络对齐，获得所有对齐后的异常子图U^*,汇总为结果集合Uⁱ⁺¹；

S7、将多个私有属性网络G_i中的属于最优异常子图S_j^*的节点视作正常节点；

S8、当Uⁱ＝Uⁱ⁺¹时，返回对齐的异常子图集合S^*和U*；否则,迭代次数i＝i+1,重复S4到S7；直至满足S8的停止条件

其中:F_α用来评价私有网络异常子图的异常程度异常得分函数，Q_σ用来评价网络之间异常子图对齐的对齐得分。