欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202511081664X
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于不对称自动编码器的异常子图检测方法,其特征在于,包括以下步骤:步骤1、构建背景图与异常图数据集;

步骤1.1、构建背景图数据集;

步骤1.2、构建异常图数据集;

步骤2、构建异常图检测网络;

步骤2.1、搭建不对称自动编码器网络模型;

步骤2.2、训练不对称自动编码器网络模型;

步骤3、结合阈值判决方法进行异常图检测;

根据不对称自动编码器网络模型训练阶段的最终损失决定判决阈值区间上限和下限,在阈值区间判断为背景图,超过阈值区间则为异常图;

步骤4、性能评价;

使用多个指标进行性能评价;

步骤2.1中,搭建的不对称自动编码器网络模型中:编码器由两层神经网络构成,解码器由四层神经网络组成;编码器的每层神经网络分别由卷积层、批量归一化层、激活函数层和最大池化层组成;解码器的每层神经网络分别由卷积层、批量归一化层、激活函数层和上采样层组成;其中:卷积层用来进行数据结构特征学习,同时进行数据降维;

批量归一化层用来对数据进行归一化操作;

激活函数层用来通过引入非线性,增强网络学习能力,防止过拟合;

最大池化层用来在保留主要特征的同时进一步对数据降维提取;

上采样层用来对数据进行插值升维,逐步恢复到输入数据维度大小。

2.根据权利要求1所述的基于不对称自动编码器的异常子图检测方法,其特征在于,所述步骤1.1中:利用CL随机图模型构建背景图数据集,包括以下步骤:利用CL随机图模型生成大小为的背景图,其中,为顶点数;

把大小为的背景图邻接矩阵转换为的张量进行存储,构成CL背景图数据集,其中,为网络通道。

3.根据权利要求2所述的基于不对称自动编码器的异常子图检测方法,其特征在于,所述步骤1.2中,利用ER模型构建异常图数据集,包括以下步骤:首先,在CL背景图上随机选择个顶点,设定顶点间边连接概率因子,利用ER模型构建ER子图;

然后,把ER子图嵌入CL背景图构成异常图;

最后,将大小为的异常图邻接矩阵转换成大小为的张量进行存储,构成CL异常图数据集,其中,为网络通道,为顶点数。

4.根据权利要求1所述的基于不对称自动编码器的异常子图检测方法,其特征在于,步骤1.1中,利用R-MAT随机图模型构建背景图数据集,包括以下步骤:首先,利用R-MAT随机图模型生成大小为的背景图,其中,为顶点数;

其次,定义边连接到图的递归子矩阵的概率,概率矩阵,其中,、、、均为常数,四者的和为1;

然后,生成一个空的邻接矩阵,将邻接矩阵划分为四个大小相等的子矩阵,对于要添加的每个边,根据概率矩阵,随机选择一个子矩阵;在选定的子矩阵中重复添加边的操作,直到达到所需的图大小或添加了所有边,完成R-MAT背景图的生成;

最后,把大小为的背景图邻接矩阵转换为的张量进行存储,构成R-MAT背景图数据集,其中,为网络通道。

5.根据权利要求4所述的基于不对称自动编码器的异常子图检测方法,其特征在于,步骤1.2中,利用R-MAT随机图模型构建异常图数据集。

6.根据权利要求1所述的基于不对称自动编码器的异常子图检测方法,其特征在于,步骤2.2具体包括以下步骤:设背景图邻接矩阵张量为,编码器负责将输入的张量进行降维编码,在不对称自动编码器网络模型中的大小转换为,为每次网络迭代的批次大小,为网络通道,为顶点数;编码过程表示为:;

其中, 为编码器,为经过降维编码后输出的张量、大小为,为降维编码后的网络通道,为降维编码后的顶点数;

解码器负责将编码器编码输出的张量进行升维解码:;

其中, 为解码器,为重构的背景图邻接矩阵张量、大小为;

使用与的最小均方差作为重构误差优化不对称自动编码器网络模型:;

其中,表示最小均方误差,表示不对称自动编码器网络模型训练的损失;

对不对称自动编码器网络模型进行训练,计算损失,直至平稳收敛,以使解码器能够最大限度还原输入数据。

7.根据权利要求1所述的基于不对称自动编码器的异常子图检测方法,其特征在于,步骤4中使用的多个指标包括:准确率、分数、虚警率和漏报率。

8.根据权利要求7所述的基于不对称自动编码器的异常子图检测方法,其特征在于,步骤4中,准确率、分数、虚警率和漏报率的表达式分别为:;

;

;

;

其中,为真阴性,为真阳性,为假阳性,为假阴性。