CN115296984A - 异常网络节点的检测方法及装置、设备、存储介质 - Google Patents
异常网络节点的检测方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN115296984A CN115296984A CN202210946861.3A CN202210946861A CN115296984A CN 115296984 A CN115296984 A CN 115296984A CN 202210946861 A CN202210946861 A CN 202210946861A CN 115296984 A CN115296984 A CN 115296984A
- Authority
- CN
- China
- Prior art keywords
- network node
- sample
- target
- detection model
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 105
- 230000003190 augmentative effect Effects 0.000 claims description 34
- 230000003416 augmentation Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 9
- 230000002547 anomalous effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 20
- 238000004590 computer program Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000005295 random walk Methods 0.000 description 6
- 238000013531 bayesian neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请的实施例揭示了一种异常网络节点的检测方法及装置、设备、存储介质。本申请通过获取待检测的各个时刻的拓扑帧,拓扑帧包括网络节点的结构特征;根据各个时刻的拓扑帧生成针对时间维度上的时间序列属性图;将时间序列属性图输入训练好的异常检测模型中,以通过训练好的异常检测模型根据网络节点的结构特征和所对应的时序,确定网络节点是否为异常网络节点。本申请在异常网络节点的检测过程中,以网络节点的结构特征为基础,引入了网络节点在时间维度上的时序特征,从而能更准确地确定出异常网络节点。
Description
技术领域
本申请涉及通信领域,具体涉及一种异常网络节点的检测方法及装置、设备、存储介质。
背景技术
针对动态属性图中异常网络节点的挖掘问题,目前的做法是基于随机游走算法,生成动态属性图中网络节点对应的节点嵌入表达,这种嵌入表达是随着动态属性图变化而变化,然后利用聚类算法或者生成式方法,例如自编码器来计算动态属性图中网络节点的异常分值。
上述方法仅仅依靠动态属性图的结构特征,因此,无法准确地确定出异常网络节点。
发明内容
为解决上述技术问题,本申请的实施例分别提供了一种异常网络节点的检测方法及装置、设备、计算机可读存储介质,以准确地确定出异常网络节点。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种异常网络节点的检测方法,包括:获取待检测的各个时刻的拓扑帧,所述拓扑帧包括网络节点的结构特征;根据所述各个时刻的拓扑帧生成针对时间维度上的时间序列属性图;将所述时间序列属性图输入训练好的异常检测模型中,以通过所述训练好的异常检测模型根据所述网络节点的结构特征和所对应的时序,确定所述网络节点是否为所述异常网络节点。
根据本申请实施例的一个方面,提供了一种异常网络节点的检测装置,包括:获取模块,被配置为获取待检测的各个时刻的拓扑帧,所述拓扑帧包括网络节点和所述网络节点的结构特征;生成模块,被配置为根据所述各个时刻的拓扑帧生成针对时间维度上的时间序列属性图;检测模块,被配置为将所述时间序列属性图输入训练好的异常检测模型中,以通过所述训练好的异常检测模型根据所述网络节点的结构异常值和时序异常值,确定所述网络节点是否为所述异常网络节点。
在另一实施例中,所述异常网络节点的检测装置还包括:样本获取模块,被配置为获取待训练的各个时刻的拓扑帧中网络节点的正样本和负样本;训练模块,被配置为根据所述正样本和负样本对异常检测模型进行训练,得到所述训练好的异常检测模型。
在另一实施例中,所述异常网络节点的检测装置还包括:遍历模块,被配置为将所述待训练的各个时刻的拓扑帧分别作为目标拓扑帧,遍历所述目标拓扑帧中的各个网络节点,并将遍历到的网络节点作为目标网络节点;确定模块,被配置为根据所述目标网络节点的位置信息确定出所述目标网络节点的第一样本和第二样本,并将所述第一样本和第二样本作为所述目标网络节点的正样本,以及根据所述目标网络节点的位置信息确定出所述目标网络节点的第三样本和第四样本,并将所述第三样本和第四样本作为所述目标网络节点的负样本,以确定出所述目标拓扑帧中每个网络节点的正样本和负样本。
在另一实施例中,所述确定模块包括:正样本单元,被配置为根据所述目标网络节点的位置信息,将与所述目标网络节点相连的第一节点确定为所述目标网络节点的第一样本,以及将网络节点增广图中与所述位置信息相匹配的第一增广网络节点,作为所述目标网络节点的第二样本;其中,所述网络节点增广图是对所述目标拓扑帧进行样本增广处理所得到的;负样本单元,被配置为根据所述目标网络节点的位置信息,将与所述目标网络节点不相连的第二节点确定为所述目标网络节点的第三样本,以及将所述网络节点增广图中与所述位置信息不相匹配的第二增广网络节点,作为所述目标网络节点的第四样本。
在另一实施例中,所述异常网络节点的检测装置还包括:预测值获取模块,被配置为获取所述目标拓扑帧中相邻两个网络节点的边连接的预测值;阈值检测模块,被配置为检测所述预测值是否大于预设阈值;强负样本模块,被配置为若检测到所述预测值大于所述预设阈值,则构建所述相邻两个网络节点的伪网络节点,并将所述伪网络节点作为所述相邻两个网络节点的强负样本,以得到所述目标拓扑帧中每个网络节点的强负样本。
在另一实施例中,所述强负样本模块包括:特征值获取单元,被配置为分别获取所述相邻两个节点各自的特征值;结果值单元,被配置为根据所述相邻两个节点各自的特征值计算得到结果值;伪网络节点单元,被配置为单元,被配置为根据所述结果值,构建得到所述相邻两个网络节点的伪网络节点。
在另一实施例中,所述训练模块包括:损失值单元,被配置为单元根据所述正样本和负样本得到所述异常检测模型的第一损失值,第二损失值和第三损失值;调整单元,被配置为单元基于所述第一损失值,第二损失值和第三损失值对所述异常检测模型进行调整,得到所述训练好的异常检测模型。
根据本申请实施例的一个方面,提供了一种电子设备,包括:控制器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述控制器执行时,以执行上述的异常网络节点的检测方法。
根据本申请实施例的一个方面,还提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行上述的异常网络节点的检测方法。
根据本申请实施例的一个方面,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述的异常网络节点的检测方法。
在本申请的实施例所提供的技术方案中,通过获取待检测的各个时刻的拓扑帧,拓扑帧包括网络节点的结构特征;根据各个时刻的拓扑帧生成针对时间维度上的时间序列属性图;将时间序列属性图输入训练好的异常检测模型中,以通过训练好的异常检测模型根据网络节点的结构特征和所对应的时序,确定网络节点是否为异常网络节点。本申请在异常网络节点的检测过程中,以网络节点的结构特征为基础,针对网络节点进行了时间维度上的变化检测,得到时序特征,将网络节点的结构和属性特征与时序特征结合,以进行异常网络节点的监测,引入了网络节点在时间维度上的时序特征,从而能更准确地确定出异常网络节点。
应理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本申请一示例性实施例示出的一种异常网络节点的检测方法的流程图;
图2是基于图1所示实施例示出的另一种异常网络节点的检测方法的流程图;
图3是基于图2所示实施例提出的另一异常网络节点的检测方法的流程图;
图4是基于图3所示实施例提出的另一异常网络节点的检测方法的流程图;
图5是本申请一示例性实施例示出的样本增广的过程示意图;
图6是基于图3所示实施例提出的另一异常网络节点的检测方法的流程图;
图7基于图6所示实施例提出的另一异常网络节点的检测方法的流程图;
图8是Mix-up增广负样本的过程示意图;
图9是基于图2至图4、图6、图7中任一所示实施例提出的另一异常网络节点的检测方法的流程图;
图10是图9所示实施例示出的异常网络节点的检测方法的应用场景示意图;
图11是随机游走构造正负样本的过程的示意图;
图12是本申请一示例性实施例示出的异常网络节点的检测装置的结构示意图;
图13本申请的一示例性实施例示出的电子设备的计算机系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
首先请参阅图1,图1是本申请一示例性实施例示出的一种异常网络节点的检测方法的流程图。如图1所示,该方法至少包括S110至S130,详细介绍如下:
S110:获取待检测的各个时刻的拓扑帧,拓扑帧包括网络节点的结构特征。
拓扑帧是一种拓扑结构,即结构化数据,其中,包括多个网络节点,以及各个网络节点对应的结构特征。其中,网络节点可以对应相应的实体,例如内网账户,IP地址等。拓扑帧中还可包括网络节点对应的实体的属性特征向量,例如职级画像,在/离职状态和IP访问频率等。
S120:根据各个时刻的拓扑帧生成针对时间维度上的时间序列属性图。
根据网络节点对应的实体间在时间维度上的交互情况构建得到时间序列属性图,时间序列属性图不仅包括网络节点的结构特征和属性特征,还包括时间维度上的时序特征。
S130:将时间序列属性图输入训练好的异常检测模型中,以通过训练好的异常检测模型根据网络节点的结构特征和所对应的时序,确定网络节点是否为异常网络节点。
时间序列属性图输入训练好的异常检测模型后,训练好的异常检测模型会根据时间序列属性图中网络节点的结构特征,计算得到能够表征网络节点在结构特征和属性特征上的异常程度的第一风险值;并且,训练好的异常检测模型会根据时间序列属性图中所对应的时序特征,计算得到能够表征网络节点在时间序列上的异常程度的第二风险值。训练好的异常检测模型可分别单独根据第一风险值或第二风险值确定出异常网络节点,也可根据第一风险值和第二风险值确定出异常网络节点。
本实施例通过获取待检测的各个时刻的拓扑帧,拓扑帧包括网络节点的结构特征;根据各个时刻的拓扑帧生成针对时间维度上的时间序列属性图;将时间序列属性图输入训练好的异常检测模型中,以通过训练好的异常检测模型根据网络节点的结构特征和所对应的时序,确定网络节点是否为异常网络节点。本申请在异常网络节点的检测过程中,以网络节点的结构特征为基础,针对网络节点进行了时间维度上的变化检测,得到时序特征,将网络节点的结构和属性特征与时序特征结合,以进行异常网络节点的监测,引入了网络节点在时间维度上的时序特征,从而能更准确地确定出异常网络节点。
请参阅图2,图2是基于图1所示实施例示出的另一种异常网络节点的检测方法的流程图。该方法在如图1所示S130中还包括S210至S220,详细介绍如下:
S210:获取待训练的各个时刻的拓扑帧中网络节点的正样本和负样本。
本实施例中对异常检测模型的训练并不仅仅采用了正样本,同时还采用了负样本。
S220:根据正样本和负样本对异常检测模型进行训练,得到训练好的异常检测模型。
本实施例中的异常检测模型包括单层的图卷积网络、LSTM(Long Short-TermMemory,长短期记忆网络)、可训练对称矩阵,并根据相关函数计算得到相应的损失值,从而对异常检测模型进行调整,得到训练好的异常检测模型。
本实施例通过同时引入正样本和负样本对异常检测模型进行训练,相较于仅采用正样本对模型进行训练,由于考虑了负样本对检测值的影响,使得训练好的异常检测模型更加准确,能更加准确地输出的异常网络节点。
请参阅图3,图3是基于图2所示实施例提出的另一异常网络节点的检测方法的流程图。该方法在图2所示S210之前还包括S310至S320,下面进行详细介绍:
S310:将待训练的各个时刻的拓扑帧分别作为目标拓扑帧,遍历目标拓扑帧中的各个网络节点,并将遍历到的网络节点作为目标网络节点。
通过遍历每个时刻的拓扑帧,并将遍历到的网络节点作为目标网络节点,以获得目标拓扑帧中每个网络节点的正样本和负样本。
S320:根据目标网络节点的位置信息确定出目标网络节点的第一样本和第二样本,并将第一样本和第二样本作为目标网络节点的正样本,以及根据目标网络节点的位置信息确定出目标网络节点的第三样本和第四样本,并将第三样本和第四样本作为目标网络节点的负样本,以确定出目标拓扑帧中每个网络节点的正样本和负样本。
本实施例中的第一样本和第二样本都是网络节点的正样本,具体地,第一样本可以是普通的正样本,例如,确定出某一时刻的拓扑帧中与目标网络节点直接相连的其他网络节点,并将该其他网络节点作为该目标网络节点的正样本。第二样本可以是增广后的正样本。
同理,第三样本和第四样本都是网络节点的负样本,第三样本可以是普通的负样本,例如,确定出某一时刻的拓扑帧中与目标网络节点不相连接,或者不直接相连的其他网络节点,并将该其他网络节点作为该目标网络节点的负样本。第四样本可以是增广后的负样本,具体地,第四样本还可以是强负样本,即构建得到的伪网络节点。
本实施例进一步说明了如何确定出目标拓扑帧中每个网络节点的正样本和负样本。即通过目标网络节点位置关系,确定出该目标网络节点的正样本和负样本,使得训练样本更加准确,以使得后续异常检测模型能更加精准的检测出异常网络节点。
图4是基于图3所示实施例提出的另一异常网络节点的检测方法的流程图。该方法在如图3所示的S320中还包括S410和S420,下面进行详细介绍:
S410:根据目标网络节点的位置信息,将与目标网络节点相连的第一节点确定为目标网络节点的第一样本,以及将网络节点增广图中与位置信息相匹配的第一增广网络节点,作为目标网络节点的第二样本;其中,网络节点增广图是对目标拓扑帧进行样本增广处理所得到的。
网络节点增广图是将对应时刻的拓扑帧进行样本增广后的拓扑帧,其中,包括该时刻各个网络节点增广后的节点样本。
示例性地,采用随机游走的样本构造方法,在某一时刻的拓扑帧中,目标网络节点与网络节点A直接相连,则网络节点A为本实施例中的第一节点,网络节点A作为了该目标网络节点的第一样本,即该目标网络节点和第一节点互为正样本。
另外,若网络节点增广图中网络节点B的位置与该目标网络节点的位置相同,则说明网络节点B是与该目标网络节点的位置信息相匹配,网络节点B是第一增广网络节点,即作为该目标网络节点的第二样本。本实施例将训练好的贝叶斯神经完了过作为连接预测器,预测每一时刻的拓扑帧中任意两个网络节点的边连接的预测值。贝叶斯神经网络的输出为一个高斯分布,取高斯随机数采样作为预测值,即邻接矩阵对应位置的权重,得到增广的带权重连接的图,即本实施例中网络节点增广图。其中,相同位置的网络节点互为正样本,不同位置的网络节点互为负样本。
如图5所示,图5是本申请一示例性实施例示出的样本增广的过程示意图。其中,目标拓扑帧中有a,b和c网络节点,将目标拓扑帧进行增广处理后,得到包含a’,b’和c’网络节点的网络节点增广图。如图5所示,a’和a的位置相同,所以a’和a互为正样本,b’和a的位置不相同,两者互为负样本。
S420:根据目标网络节点的位置信息,将与目标网络节点不相连的第二节点确定为目标网络节点的第三样本,以及将网络节点增广图中与位置信息不相匹配的第二增广网络节点,作为目标网络节点的第四样本。
示例性地,在某一时刻的拓扑帧中,目标网络节点与网络节点C不相连,或者不直接相连,则网络节点C为本实施例中的第二节点,即网络节点C作为了该目标网络节点的第三样本,即该目标网络节点和第二节点互为负样本。
另外,若网络节点增广图中网络节点D的位置与该目标网络节点的位置不相同,则说明网络节点D是与该目标网络节点的位置信息不匹配,网络节点D是第二增广网络节点,即作为该目标网络节点的第四样本。
本实施例进一步说明了如何根据目标网络节点的位置信息确定出各个样本,通过将同一时刻拓扑帧中与目标网络节点直接相连的网络节点,作为该目标网络节点的第一样本;将与该目标网络节点不相连,或不直接相连的网络节点作为第三样本。同时,将该时刻拓扑帧对应的增广图中与目标网络节点位置相同的第一增广网络节点,作为该目标网络节点的第二样本;将与该目标网络节点位置不相同的第二增广网络节点,作为该目标网络节点的第四样本。本实施例准确地确定出目标网络节点的正样本中的第一样本和第二样本,以及负样本中的第三样本和第四样本,其中,第二样本和第四样本都是增广得到的样本,即增加了样本的数量,由于增广的样本是根据目标拓扑帧增广得到的增广图和目标网络节点的位置信息精确匹配得到的,使得增广样本的准确度较高,以使正负样本的准确度较高,能提高后续异常检测模型的准确度。
图6是基于图3所示实施例提出的另一异常网络节点的检测方法的流程图。
其中,负样本包括强负样本;该方法在如图3所示的S320中还包括S610至S630,下面进行详细介绍:
S610:获取目标拓扑帧中相邻两个网络节点的边连接的预测值。
示例性地,将第一时刻的拓扑帧作为目标拓扑帧,获取该目标拓扑帧中每两个网络节点相连接的概率,即该两个网络节点的边连接的预测值。S620:检测预测值是否大于预设阈值。
预设阈值是预先设置的数值,其用于判断每两个网络节点的边连接的预测值的大小,进而根据判断结果确定是否构建该两个网络节点的伪网络节点。
S630:若检测到预测值大于预设阈值,则构建相邻两个网络节点的伪网络节点,并将伪网络节点作为相邻两个网络节点的强负样本,以得到目标拓扑帧中每个网络节点的强负样本。
强负样本又称难分负样本或困难负样本,即异常检测模型对此类样本难以做出正确的判断,训练时常会给异常检测模型带来较大损失。相较于简单样本,困难样本更有价值,往往是模型表征学习效果的关键,因此本实施例通过构建合适的强负样本,以使实现更好的表征学习效果。
示例性地,若预测值为0.8,预设阈值为0.5,即预测值大于预设阈值,则进行Mix-up,从而构建伪网络节点以及特征增广,Mix-up的权重为均匀随机权重,增广得到的伪网络节点设置为孤立点,并将其作为该两个网络节点的强负样本。
本实施例通过引入强负样本,以增加负样本对异常检测模型的积极影响,因为强负样本针对异常检测模型的高训练价值,使得异常检测模型的表征学习效果更好,从而使得异常检测模型检测出异常网络节点的准确性更高。
图7基于图6所示实施例提出的另一异常网络节点的检测方法的流程图。
该方法在如图6所示的S630中还包括S710至S730,下面进行详细介绍:
S710:分别获取相邻两个节点各自的特征值。
示例性地,从目标拓扑帧中获取第一节点的特征值,和第二节点的特征值。
S720:根据相邻两个节点各自的特征值计算得到结果值。
如图8所示,图8是Mix-up增广负样本的过程示意图。其中,node1表示第一网络节点,node2表示第二网络节点;node1和node2是相邻的两个网络节点。示例性地,采用Mix-up增广样本,Mix-up是一种样本增广方法,通过将两个网络节点的特征值进行加权运算,得到第三网络节点的特征值,第三网络节点是虚拟的网络节点,是后续通过如下公式计算得到其特征之后,构建得到的网络节点:
xMIX-UP=ax1+(1-a)x2
其中,a为预设的权重值,x1为第一网络节点的特征值,x2为第二网络节点的特征值,即x1和x2为本实施例中相邻两个网络节点的特征值;xMIX-UP为第三网络节点的特征值,即本实施例中的结果值。
S730:根据结果值,构建得到相邻两个网络节点的伪网络节点。
根据上述计算得到的xMIX-UP,构建伪网络节点,并将其作为该相邻两个网络节点的强负样本。
本实施例进一步说明了如何构建相邻两个网络节点的伪网络节点,根据相邻两个网络节点的特征值,计算得到结果值,从而构建得到伪网络节点,并将其作为构建该相邻两个网络节点的强负样本,用于后续对异常检测网络模型的训练,提升异常检测网络模型的学习效果,以使训练好的异常检测网络模型更加准确地确定出异常网络节点。
图9是基于图2至图4、图6、图7中任一所示实施例提出的另一异常网络节点的检测方法的流程图。该方法在S220中还包括S910至S920,下面进行详细介绍:
S910:根据正样本和负样本得到异常检测模型的第一损失值,第二损失值和第三损失值。
本实施例主要利用三种类型的损失值对异常检测网络模型进行训练,异常检测模型包括单层的图卷积网络,LSTM和可训练对称矩阵。
示例性地,根据正负样本和对比学习损失函数计算得到第一损失值,取LSTM输出的节点嵌入来进行计算;对比学习损失函数采用InfoNCE损失,对每个网络节点而言,原图随机游走采样后,子图除目标网络节点的节点嵌入做均值池化,这样目标网络节点和同一采样子图的嵌入互为正样本,其和不同采样子图的嵌入互为负样本,各个时刻对应的每个网络节点对应的第一对比学习损失值为L1,t;预测增广得到的包含伪网络节点的网络节点增广图,将其作为为负样本图。其中,增广后相同位置的网络节点互为正样本,即本申请中第一增广网络节点;不同位置的网络节点互为负样本,即本申请中的第二增广网络节点。各个时刻对应的每个网络节点对应的第二对比学习损失值为L2,t;总的对比学习损失,即第一损失值为Lcon=∑t(αL1,t+βL2,t),α和β为预设常数。
根据正负样本和异常风险损失值函数计算得到第二损失值,具体地,取最后时刻的LSTM输出的节点嵌入,按照上述随机游走的样本构造方法构造正负样本,对子图去心后的节点特征做均值池化,输入可训练对称矩阵,计算每一个网络节点的输出值,σ为Sigmoid激活函数,训练的损失函数为Jensen-Shannon散度:
S920:基于第一损失值,第二损失值和第三损失值对异常检测模型进行调整,得到训练好的异常检测模型。
基于上述的第一损失值,第二损失值和第三损失值得到总的训练损失值为L=μ1Lcom+μ2LANO+μ3Lreg,其中,μ1,μ2,μ3为预设常数;利用总的训练损失值对异常检测模型进行调整,得到训练好的异常检测模型。
请参阅图10,图10是图9所示实施例示出的异常网络节点的检测方法的应用场景示意图。
首先,随机游走构造正负样本,如图11所示,图11是随机游走构造正负样本的过程的示意图。其中,采取各个时刻的拓扑帧中的目标网络节点的局部子图,同一局部子图的目标网络节点和其他网络节点互为正样本,不同局部子图中的其他网络节点与其互为负样本。然后,利用参数随机化网络增广得到相应正样本所对应的随机化更强的负样本,使得该强负样本表征学习更加鲁棒性。具体地,利用贝叶斯神经网络增广得到强负样本。其中,贝叶斯神经网络实际上将权重参数随机化,即认为权重的先验分布为服从均值μ,方差为δ的高斯分布,最终贝叶斯神经网络输出的也是一个由均值和方差描述的高斯分布,所以贝叶斯神经网络的输出具有随机性,可以通过随机采样来对图数据进行随机化负样本增广。对各个时刻的拓扑帧进行负样本的增广,从而得到各个时刻拓扑帧中所有网络节点对应的正/负样本,然后将正/负样本输入图卷积神经网络,图卷积神经网络聚合拓扑帧中的网络节点结构特征和网络节点属性特征,然后将节点嵌入输入循环神经网络(LSTM),得到节点嵌入;根据所有时刻的节点嵌入得到对比学习损失值(即本实施例中的第一损失值)和时序平稳性损失值(即本实施例中的第三损失值),根据最后时刻的节点嵌入和可训练对称矩阵,得到异常风险损失值(即本实施例中的第二损失值),最后根据对比学习损失值,时序平稳性损失值和异常风险损失值,得到总的训练损失值,利用总的训练损失值对异常检测模型进行调整,得到训练好的异常检测模型。
本实施例进一步说明根据第一损失值,第二损失值和第三损失值,对异常检测模型进行调整,得到训练好的异常检测模型。三个不同类型的损失值,对异常检测模型进行了类型角度的调整,使得训练好的异常检测模型能更加准确的检测出异常网络节点。
本实施例基于随机化预测的负样本增广和多层次对比学习的模型训练方法,从多个特征维度计算得到损失值,使得异常检测过程中网络节点表征学习更加鲁棒,异常网络节点的特征的分离度更高,使得异常网络节点的检测更加准确。本实施例训练过程中,也无需标注数据,是一种自监督且端到端的训练方法,使得整个训练过程更加方便有效。
在另一示例性实施例中,进一步说明了训练好的异常检测模型如何根据网络节点的结构特征和所对应的时序,确定网络节点是否为异常网络节点。
示例性地,时间序列属性图输入训练好的异常检测模型后,训练好的异常检测模型计算出各个网络节点的结构和属性异常值:取当前时刻LSTM输出的原图节点嵌入,对任一网络节点vi,取其随机游走构造正负样本后的一跳邻居子图(即本申请中的局部子图),取一跳邻居子图所有节点的均值池化嵌入vi,local和当前时刻整图所有节点的全局均值池化嵌入vi,local,风险分值F计算如下,其中COSINE为余弦相似度:F越大,此节点在结构和特征上的异常程度越高。
本实施例进一步说明了异常检测模型不仅可以根据网络节点的结构特征,确定网络节点是否为异常网络节点,还能根据时间序列属性图所对应的时序特征,确定网络节点是否为异常网络节点,从而更加准确地检测出异常网络节点。
本申请的另一方面还提供了一种异常网络节点的检测装置,如图12所示,图12是本申请一示例性实施例示出的异常网络节点的检测装置的结构示意图。其中,异常网络节点的检测装置包括:
获取模块1210,被配置为获取待检测的各个时刻的拓扑帧,拓扑帧包括网络节点和网络节点的结构特征。
生成模块1230,被配置为根据各个时刻的拓扑帧生成针对时间维度上的时间序列属性图。
检测模块1250,被配置为将时间序列属性图输入训练好的异常检测模型中,以通过训练好的异常检测模型根据网络节点的结构异常值和时序异常值,确定网络节点是否为异常网络节点。
在另一示例性实施例中,异常网络节点的检测装置还包括:
样本获取模块,被配置为获取待训练的各个时刻的拓扑帧中网络节点的正样本和负样本。
训练模块,被配置为根据正样本和负样本对异常检测模型进行训练,得到训练好的异常检测模型。
在另一示例性实施例中,异常网络节点的检测装置还包括:
遍历模块,被配置为将待训练的各个时刻的拓扑帧分别作为目标拓扑帧,遍历目标拓扑帧中的各个网络节点,并将遍历到的网络节点作为目标网络节点。
确定模块,被配置为根据目标网络节点的位置信息确定出目标网络节点的第一样本和第二样本,并将第一样本和第二样本作为目标网络节点的正样本,以及根据目标网络节点的位置信息确定出目标网络节点的第三样本和第四样本,并将第三样本和第四样本作为目标网络节点的负样本,以确定出目标拓扑帧中每个网络节点的正样本和负样本。
在另一示例性实施例中,确定模块包括:
正样本单元,被配置为根据目标网络节点的位置信息,将与目标网络节点相连的第一节点确定为目标网络节点的第一样本,以及将网络节点增广图中与位置信息相匹配的第一增广网络节点,作为目标网络节点的第二样本;其中,网络节点增广图是对目标拓扑帧进行样本增广处理所得到的。
负样本单元,被配置为根据目标网络节点的位置信息,将与目标网络节点不相连的第二节点确定为目标网络节点的第三样本,以及将网络节点增广图中与位置信息不相匹配的第二增广网络节点,作为目标网络节点的第四样本。
在另一示例性实施例中,异常网络节点的检测装置还包括:
预测值获取模块,被配置为获取目标拓扑帧中相邻两个网络节点的边连接的预测值。
阈值检测模块,被配置为检测预测值是否大于预设阈值。
强负样本模块,被配置为若检测到预测值大于预设阈值,则构建相邻两个网络节点的伪网络节点,并将伪网络节点作为相邻两个网络节点的强负样本,以得到目标拓扑帧中每个网络节点的强负样本。
在另一示例性实施例中,强负样本模块包括:
特征值获取单元,被配置为分别获取相邻两个节点各自的特征值;
结果值单元,被配置为根据相邻两个节点各自的特征值计算得到结果值。
伪网络节点单元,被配置为单元,被配置为根据结果值,构建得到相邻两个网络节点的伪网络节点。
在另一示例性实施例中,训练模块包括:
损失值单元,被配置为单元根据正样本和负样本得到异常检测模型的第一损失值,第二损失值和第三损失值。
调整单元,被配置为单元基于第一损失值,第二损失值和第三损失值对异常检测模型进行调整,得到训练好的异常检测模型。
需要说明的是,上述实施例所提供的异常网络节点的检测装置与前述实施例所提供的异常网络节点的检测方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,这里不再赘述。
本申请的另一方面还提供了一种电子设备,包括:控制器;存储器,用于存储一个或多个程序,当一个或多个程序被控制器执行时,以执行上述的异常网络节点的检测方法。
请参阅图13,图13是本申请的一示例性实施例示出的电子设备的计算机系统的结构示意图,其示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图13示出的电子设备的计算机系统1300仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图13所示,计算机系统1300包括中央处理单元(Central Processing Unit,CPU)1301,其可以根据存储在只读存储器(Read-Only Memory,ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(Random Access Memory,RAM)1303中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在RAM 1303中,还存储有系统操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(Input/Output,I/O)接口1305也连接至总线1304。
以下部件连接至I/O接口1305:包括键盘、鼠标等的输入部分1306;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1307;包括硬盘等的存储部分1308;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1310上,以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分1309从网络上被下载和安装,和/或从可拆卸介质1311被安装。在该计算机程序被中央处理单元(CPU)1301执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不相同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前的异常网络节点的检测方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的异常网络节点的检测方法。
根据本申请实施例的一个方面,还提供了一种计算机系统,包括中央处理单元(Central Processing Unit,CPU),其可以根据存储在只读存储器(Read-Only Memory,ROM)中的程序或者从存储部分加载到随机访问存储器(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在RAM中,还存储有系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(Input/Output,I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (10)
1.一种异常网络节点的检测方法,其特征在于,包括:
获取待检测的各个时刻的拓扑帧,所述拓扑帧包括网络节点的结构特征;
根据所述各个时刻的拓扑帧生成针对时间维度上的时间序列属性图;
将所述时间序列属性图输入训练好的异常检测模型中,以通过所述训练好的异常检测模型根据所述网络节点的结构特征和所对应的时序,确定所述网络节点是否为所述异常网络节点。
2.根据权利要求1所述的方法,其特征在于,在所述将所述时间序列属性图输入训练好的异常检测模型中,以通过所述训练好的异常检测模型根据所述网络节点的结构特征和所对应的时序,确定所述网络节点是否为所述异常网络节点之前,所述方法还包括:
获取待训练的各个时刻的拓扑帧中网络节点的正样本和负样本;
根据所述正样本和负样本对异常检测模型进行训练,得到所述训练好的异常检测模型。
3.根据权利要求2所述的方法,其特征在于,在所述获取待训练的各个时刻的拓扑帧中网络节点的正样本和负样本之前,所述方法还包括:
将所述待训练的各个时刻的拓扑帧分别作为目标拓扑帧,遍历所述目标拓扑帧中的各个网络节点,并将遍历到的网络节点作为目标网络节点;
根据所述目标网络节点的位置信息确定出所述目标网络节点的第一样本和第二样本,并将所述第一样本和第二样本作为所述目标网络节点的正样本,以及根据所述目标网络节点的位置信息确定出所述目标网络节点的第三样本和第四样本,并将所述第三样本和第四样本作为所述目标网络节点的负样本,以确定出所述目标拓扑帧中每个网络节点的正样本和负样本。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标网络节点的位置信息确定出所述目标网络节点的第一样本和第二样本,包括:
根据所述目标网络节点的位置信息,将与所述目标网络节点相连的第一节点确定为所述目标网络节点的第一样本,以及将网络节点增广图中与所述位置信息相匹配的第一增广网络节点,作为所述目标网络节点的第二样本;其中,所述网络节点增广图是对所述目标拓扑帧进行样本增广处理所得到的;
所述根据所述目标网络节点的位置信息确定出所述目标网络节点的第三样本和第四样本,包括:
根据所述目标网络节点的位置信息,将与所述目标网络节点不相连的第二节点确定为所述目标网络节点的第三样本,以及将所述网络节点增广图中与所述位置信息不相匹配的第二增广网络节点,作为所述目标网络节点的第四样本。
5.根据权利要求3所述的方法,其特征在于,所述负样本包括强负样本;在所述将所述第三样本和第四样本作为所述目标网络节点的负样本之后,所述方法还包括:
获取所述目标拓扑帧中相邻两个网络节点的边连接的预测值;
检测所述预测值是否大于预设阈值;
若检测到所述预测值大于所述预设阈值,则构建所述相邻两个网络节点的伪网络节点,并将所述伪网络节点作为所述相邻两个网络节点的强负样本,以得到所述目标拓扑帧中每个网络节点的强负样本。
6.根据权利要求5所述的方法,其特征在于,所述构建所述相邻两个网络节点的伪网络节点,包括:
分别获取所述相邻两个节点各自的特征值;
根据所述相邻两个节点各自的特征值计算得到结果值;
根据所述结果值,构建得到所述相邻两个网络节点的伪网络节点。
7.根据权利要求2至6中任一项所述的方法,其特征在于,所述根据所述正样本和负样本对异常检测模型进行训练,得到所述训练好的异常检测模型,包括:
根据所述正样本和负样本得到所述异常检测模型的第一损失值,第二损失值和第三损失值;
基于所述第一损失值,第二损失值和第三损失值对所述异常检测模型进行调整,得到所述训练好的异常检测模型。
8.一种异常网络节点的检测装置,其特征在于,包括:
获取模块,被配置为获取待检测的各个时刻的拓扑帧,所述拓扑帧包括网络节点和所述网络节点的结构特征;
生成模块,被配置为根据所述各个时刻的拓扑帧生成针对时间维度上的时间序列属性图;
检测模块,被配置为将所述时间序列属性图输入训练好的异常检测模型中,以通过所述训练好的异常检测模型根据所述网络节点的结构异常值和时序异常值,确定所述网络节点是否为所述异常网络节点。
9.一种电子设备,其特征在于,包括:
控制器;
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述控制器执行时,使得所述控制器实现如权利要求1至7中任一项所述的异常网络节点的检测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1至7中任一项所述的异常网络节点的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946861.3A CN115296984B (zh) | 2022-08-08 | 2022-08-08 | 异常网络节点的检测方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946861.3A CN115296984B (zh) | 2022-08-08 | 2022-08-08 | 异常网络节点的检测方法及装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115296984A true CN115296984A (zh) | 2022-11-04 |
CN115296984B CN115296984B (zh) | 2023-12-19 |
Family
ID=83828194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210946861.3A Active CN115296984B (zh) | 2022-08-08 | 2022-08-08 | 异常网络节点的检测方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115296984B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664292A (zh) * | 2023-04-13 | 2023-08-29 | 连连银通电子支付有限公司 | 一种交易异常预测模型的训练方法和交易异常预测方法 |
CN117156442A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市中科鼎创科技股份有限公司 | 基于5g网络的云数据安全保护方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951499A (zh) * | 2019-04-25 | 2019-06-28 | 北京计算机技术及应用研究所 | 一种基于网络结构特征的异常检测方法 |
CN112866185A (zh) * | 2019-11-28 | 2021-05-28 | 海信集团有限公司 | 网络流量监控设备和异常流量检测方法 |
CN113825165A (zh) * | 2020-06-18 | 2021-12-21 | 中国移动通信集团浙江有限公司 | 基于时间图网络的5g切片网络拥塞预警方法及装置 |
CN113992718A (zh) * | 2021-10-28 | 2022-01-28 | 安徽农业大学 | 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统 |
WO2022057321A1 (zh) * | 2020-09-17 | 2022-03-24 | 华为技术有限公司 | 异常链路检测方法、装置及存储介质 |
WO2022116322A1 (zh) * | 2020-12-02 | 2022-06-09 | 罗普特科技集团股份有限公司 | 异常检测模型生成方法和装置、异常事件检测方法和装置 |
-
2022
- 2022-08-08 CN CN202210946861.3A patent/CN115296984B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951499A (zh) * | 2019-04-25 | 2019-06-28 | 北京计算机技术及应用研究所 | 一种基于网络结构特征的异常检测方法 |
CN112866185A (zh) * | 2019-11-28 | 2021-05-28 | 海信集团有限公司 | 网络流量监控设备和异常流量检测方法 |
CN113825165A (zh) * | 2020-06-18 | 2021-12-21 | 中国移动通信集团浙江有限公司 | 基于时间图网络的5g切片网络拥塞预警方法及装置 |
WO2022057321A1 (zh) * | 2020-09-17 | 2022-03-24 | 华为技术有限公司 | 异常链路检测方法、装置及存储介质 |
WO2022116322A1 (zh) * | 2020-12-02 | 2022-06-09 | 罗普特科技集团股份有限公司 | 异常检测模型生成方法和装置、异常事件检测方法和装置 |
CN113992718A (zh) * | 2021-10-28 | 2022-01-28 | 安徽农业大学 | 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664292A (zh) * | 2023-04-13 | 2023-08-29 | 连连银通电子支付有限公司 | 一种交易异常预测模型的训练方法和交易异常预测方法 |
CN116664292B (zh) * | 2023-04-13 | 2024-05-28 | 连连银通电子支付有限公司 | 一种交易异常预测模型的训练方法和交易异常预测方法 |
CN117156442A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市中科鼎创科技股份有限公司 | 基于5g网络的云数据安全保护方法及系统 |
CN117156442B (zh) * | 2023-10-31 | 2024-03-12 | 深圳市中科鼎创科技股份有限公司 | 基于5g网络的云数据安全保护方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115296984B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109922032B (zh) | 用于确定登录账户的风险的方法、装置、设备及存储介质 | |
CN110659723B (zh) | 基于人工智能的数据处理方法、装置、介质及电子设备 | |
CN110276377A (zh) | 一种基于贝叶斯优化的对抗样本生成方法 | |
US10067746B1 (en) | Approximate random number generator by empirical cumulative distribution function | |
KR20180130925A (ko) | 머신 러닝을 위한 학습 이미지를 자동 생성하는 인공 지능 장치 및 그의 제어 방법 | |
CN115296984B (zh) | 异常网络节点的检测方法及装置、设备、存储介质 | |
CN110969200B (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
CN111914908B (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
CN112733995A (zh) | 训练神经网络的方法、行为检测方法及行为检测装置 | |
US20200334557A1 (en) | Chained influence scores for improving synthetic data generation | |
CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN109685805B (zh) | 一种图像分割方法及装置 | |
CN113689270A (zh) | 黑产设备的确定方法、电子设备、存储介质及程序产品 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN115797735A (zh) | 目标检测方法、装置、设备和存储介质 | |
CN110414845B (zh) | 针对目标交易的风险评估方法及装置 | |
CN111091194B (zh) | 一种基于cavwnb_kl算法的操作系统识别方法 | |
CN112712181A (zh) | 模型构建优化方法、装置、设备和可读存储介质 | |
EP3940626A1 (en) | Information processing method and information processing system | |
CN109785376B (zh) | 深度估计装置的训练方法、深度估计设备及存储介质 | |
JP2020139914A (ja) | 物質構造分析装置、方法及びプログラム | |
CN111815442B (zh) | 一种链接预测的方法、装置和电子设备 | |
CN117454375A (zh) | 一种恶意加密流量识别模型训练方法、装置和电子设备 | |
CN115329146A (zh) | 时序网络中的链路预测方法、电子设备及存储介质 | |
CN113901514A (zh) | 数据攻击的防御方法及其模型的训练方法、系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |