[发明专利]一种复杂网络社团异常检测方法

摘要

一种复杂网络社团异常检测方法，提出了一种基于隐马尔科夫模型的复杂网络社团异常检测方法。实证研究显示，大部分的现实网络不仅具有无标度和小世界特性，还具有社团特性。快速检测网络在演变过程中出现的异常变化，对复杂网络应用在众多领域中具有非常现实的意义。本发明基于网络中绝大部分的通信都在社团内发生的思想，以社团为单位，构建隐马尔科夫模型，提出了一种大型复杂网络社团异常检测方法，首先，应用复杂网络社团探测算法，将网络划分为不同的社团；然后以社团为单位，构建隐马尔科夫模型并训练相关参数；最后使用训练好的模型计算被监测序列的熵，定位异常社团。

主权项

一种复杂网络社团异常检测方法，其特征是：一、社团：在同一社团内部，节点之间连接相对紧密，而在社团之间的节点之间的连接相对稀疏，以网络中模块度最小为原则划分将网络划分为不同社团，其中Nc表示网络中社团的数目，M表示网络中连接的总数，mc表示社团c内节点之间的连接数，dc表示社团c内所有节点度数之和；二、社团通信模型的构建方法(1)基本定义：观测值为社团c中发生通信量的节点序列，表示为其中表示在t时刻社团c与其他社团通信的节点，特别地，如果通信的两个节点都在社团c中，则只考虑发送数据的节点。观测值空间为：V＝{1,2,...,N}；状态值为与t时刻与社团c连接的社团，表示为y＝y1,y2,...yT，状态值空间为S＝{1,2,...,M}；社团通信模型的参数模型表示为：θ＝{π,A,B}，其中，π为初始模型的初始状态概率，A为状态转移概率，B为观测概率；(2)基于前向后向算法的社团通信模型的参数估计技术社团c的社团通信模型参数估计任务是由采集到的观测值序列估计出对应的隐半马尔可夫模型的参数。本发明采用著名的前向后向算法解决社团通信模型的参数估计问题，具体如下所述。1)定义前向后向变量：αt(j)＝P[St＝j,o1:t|θ]βt(j)＝P[ot+1:T|St＝j,θ]2)前向后向算法的初始化：α1(j)＝πj，βT(j)＝1。3)迭代推导过程：αt(j)=Σi∈S/{j}αt-1(i)aijbj(ot),]]>βt(j)=Σi∈S/{j}ajibi(ot+1:)βt+1(i);]]>4)计算中间变量： ξt(i,j)＝P[St＝i,St+1＝j,o1:T|λ]＝αt(i)aijbj(ot+1)βt+1(j)γt(j)=P[St=j,o1:T|λ]=Σjξt(i,j)]]>5)参数更新公式π^j=γ1(j)]]>a^ij=Σt=1T-1ξt(i,j)Σt=1T-1γt(j)]]>b^j(vk)=Σt=1Tγt(j)I(ot=vk)Σtγt(j)]]>其中，当ot＝vk时，I(ot＝vk)＝1，否则I(ot＝vk)＝0；(3)网络社团异常检测方法计算观测序列的熵：P[o1:T|λ]=Σjαt(j)]]>计算正常状态下的观测序列的熵的标准方差为σ0，均值为μ0，异常检测时，首先计算监测序列的熵的均值为μ，再以|μ‑μ0|为异常检测量，如果|μ‑μ0|≥3σ0，则为异常状态。