[发明专利]用于维护动态网络安全性的关系圈频繁变化个体挖掘方法

说明书

本发明公开了一种用于维护动态网络安全性的关系圈频繁变化个体挖掘方法，所述方法包括：利用动态网络数据集构建动态图，对动态图G计算节点共现矩阵C；根据节点共现矩阵C构建PPMI矩阵P；利用LightSAGE模型获取节点嵌入表示，利用节点的嵌入向量挖掘动态网络中关系圈频繁变化个体。本发明可以在动态网络中挖掘出关系圈频繁变化个体，维护了网络的安全性，增加了网络的实用性，提高了用户的体验度。

技术领域

本发明涉及信息技术领域，尤其涉及一种用于维护动态网络安全性的关系圈频繁变化个体挖掘方法。

背景技术

现实世界中的网络，例如：社交网络和无线传感器网络，都是高度动态的。这些网络可以被建模为图。在每个时间戳，都会有一张图快照来捕捉动态网络的状态。例如，在一个社交网络中，每天的用户互动被捕捉并建模为一张图快照。在过去的几年里，动态网络挖掘问题引起研究者的广泛关注。在网络中，个体与个体之间存在着直接连接的关系与间接连接的关系。个体的关系圈既包括直接关系个体，同时包括与该个体关联相对紧密的间接关系个体。关系圈的频繁变化意味着该个体发生了异常行为。

在社交网络中，营销账号会从不法分子处购买大量盗取的账号进行刷赞、买粉丝操作进行引流，营销账号的关系圈会在引流期间发生剧烈的变化，通过挖掘出关系圈剧烈变化的个体来找到违规操作的账号，对其进行相应处理，维护社交网络生态。

因此，挖掘动态网络中关系圈频繁变化个体具有重要意义。

发明内容

本发明提供了一种用于维护动态网络安全性的关系圈频繁变化个体挖掘方法，本发明可以在动态网络中挖掘出关系圈频繁变化个体，维护了网络的安全性，增加了网络的实用性，提高了用户的体验度，详见下文描述：

一种用于维护动态网络安全性的关系圈频繁变化个体挖掘方法，所述方法包括：

利用动态网络数据集构建动态图，对动态图G计算节点共现矩阵C；根据节点共现矩阵C构建PPMI矩阵P；

利用LightSAGE模型获取节点嵌入表示，利用节点的嵌入向量挖掘动态网络中关系圈频繁变化个体。

其中，所述动态图G＝(G₁,G₂,…,G_||G||)，其中G_t＝(V_t,E_t)是动态图G在时间t的一张快照，V_t和E_t为快照G_t中顶点和边的集合，||G||是动态图G中快照G_t的数量，称为动态图G的长度。

其中，所述利用LightSAGE模型获取节点嵌入表示为：

(1)将PPMI矩阵的行向量作为对应节点的初始属性向量；

(2)每个节点v∈V将其紧邻的节点的表征聚合为单一的向量

(3)在聚合相邻节点的特征向量后，将节点的当前表征与聚合的相邻向量连接起来，连接的向量被送入全连接层；

(4)深度为K的最终表征输出表示为为节点v在K次迭代后的嵌入表示。

所述方法还包括:设计了GCN aggregato，包括：邻域聚合和特征转换,在节点嵌入过

程中对属性特征进行聚合，获取节点的嵌入表示；

其中，W为权重矩阵，MEAN为平均操作，为节点v的邻居，为节点v的邻居的嵌入表示。

所述用节点的嵌入向量挖掘动态网络中关系圈频繁变化个体具体为：

采用S分数表示动态网络中个体关系圈的频繁变化程度，计算公式为：