[发明专利]一种基于动态超图神经网络的异常检测方法

权利要求书

1.一种基于动态超图神经网络的异常检测方法，其特征在于，包括：

获取预设的节点在多个时刻下的超图，对每一时刻下的超图，根据超图中单个节点最大的度对超图进行分解采样，得到节点结构嵌入；

获取所述预设的节点每一时刻的节点特征，作为源节点嵌入，并将每一时刻的节点距离信息同步编码到对应时刻的源节点嵌入中，得到节点距离编码；

将所述节点结构嵌入、所述源节点嵌入以及所述节点距离编码输入长短期记忆网络，并经过池化模块，得到边嵌入；

根据预设的概率阈值替换所述边嵌入中的节点，得到负超边嵌入；

根据所述边嵌入、所述负超边嵌入以及预设的损失函数确定每一时刻下的超图中的异常超边。

2.根据权利要求1所述的一种基于动态超图神经网络的异常检测方法，其特征在于，每一时刻下的超图的构建过程，包括：

根据该时刻下预设的节点对应的节点嵌入、超边数量以及相邻超边集构建该时刻下的超图。

3.根据权利要求2所述的一种基于动态超图神经网络的异常检测方法，其特征在于，所述根据该时刻下预设的节点对应的节点嵌入、超边数量以及相邻超边集构建该时刻下的超图，包括：

利用正弦编码器和余弦编码器将节点嵌入降维到设定维度；

根据每一预设的节点与邻居节点构成超边；

根据相邻超边集对每一预设的节点分配相邻的超边，并构建该时刻下的超图。

4.根据权利要求1所述的一种基于动态超图神经网络的异常检测方法，其特征在于，所述对每一时刻下的超图，根据超图中单个节点最大的度对超图进行分解采样，得到节点结构嵌入，包括：

根据超图中单个节点最大的度对超图进行分解，得到多个分解子图；

将每一分解子图进行线性特征转换，以统一每一分解子图对应的关系矩阵的维度，并得到包含分解子图中各级节点与超边关系矩阵信息的第一输出矩阵；

将每一时刻下的超图输入至超图卷积神经网络，得到第二输出矩阵；

聚合所述第一输出矩阵与所述第二输出矩阵，得到每一时刻下的超图对应的节点结构嵌入。

5.根据权利要求1所述的一种基于动态超图神经网络的异常检测方法，其特征在于，在所述将所述节点结构嵌入、所述源节点嵌入以及所述节点距离编码输入长短记忆网络之前，所述还包括：

融合所述节点结构嵌入、所述源节点嵌入以及所述节点距离编码。

6.根据权利要求1所述的一种基于动态超图神经网络的异常检测方法，其特征在于，所述经过池化模块，得到边嵌入，包括：

经过池化模块将长短期记忆网络的输出转换为超边特征矩阵，所述超编特征矩阵作为边嵌入。

7.根据权利要求1所述的一种基于动态超图神经网络的异常检测方法，其特征在于，所述根据预设的概率阈值替换所述边嵌入中的节点，得到负超边嵌入，包括：

以预设的采样概率对所述边嵌入中的节点进行采样；

将采样概率低于所述概率阈值的节点替换为除自身外的任意节点，删除对应的超边，并随机连接另一条超边，新连接的超边的权重与被删除的超边的权重一致；

返回所述以预设的采样概率对所述边嵌入中的节点进行采样的步骤，直至重复次数达到设定要求，得到负超边嵌入。

8.一种基于动态超图神经网络的异常检测装置，其特征在于，包括：

第一检测单元，用于获取预设的节点在多个时刻下的超图，对每一时刻下的超图，根据超图中单个节点最大的度对超图进行分解采样，得到节点结构嵌入；

第二检测单元，用于获取所述预设的节点每一时刻的节点特征，作为源节点嵌入，并将每一时刻的节点距离信息同步编码到对应时刻的源节点嵌入中，得到节点距离编码；

第三检测单元，用于将所述节点结构嵌入、所述源节点嵌入以及所述节点距离编码输入长短期记忆网络，并经过池化模块，得到边嵌入；

第四检测单元，用于根据预设的概率阈值替换所述边嵌入中的节点，得到负超边嵌入；

第五检测单元，用于根据所述边嵌入、所述负超边嵌入以及预设的损失函数确定每一时刻下的超图中的异常超边。