[发明专利]一种基于子模优化的并行异常子图检测方法与系统

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于子模优化的并行异常子图检测方法与系统。

背景技术

目前，随着互联网技术的高速发展，人类进入了信息爆炸时代，但在人们享受到巨大方便的同时，也不得不面对信息安全问题的严峻考验。因此，在处理拥有海量、多维度数据的数据集合时，异常检测成为至关重要的过程。

异常检测(anomalydetection)或者异常值检测(outlierdetection)被定义为在数据集中检测识别不符合被广泛验证的数据模式的记录、实体或事件的过程。一般来说，异常检测可以应用到很多类实际问题的解决过程中，例如银行诈骗检测、结构评估、药物作用分析，以及文本纠错处理等等。而在这些应用场景中，异常项可以被灵活地定义为异常数据值、噪声数据、异常误差或者异常期望等不同形式。

现有技术中，通常采用串行的方法实现异常检测，但是随着数据的飞速增长，现有的方法已不再适用。因此，对于拥有海量数据的数据集合，如何实现快速准确的异常检测，是本领域技术人员亟需解决的问题。

发明内容

本发明提供一种基于子模优化的并行异常子图检测方法与系统，以实现快速准确的求解异常子图。

第一方面，本发明提供一种基于子模优化的并行异常子图检测方法，包括：

对需要异常子图检测的图建立非参数化的异常子图检测模型；

将所述异常子图检测模型转换为具有子模性质的异常子图检测模型；

对所述具有子模性质的异常子图检测模型进行并行迭代，确定所述图中的异常子图。

第二方面，本发明提供一种基于子模优化的并行异常子图检测系统，包括：

模型建立模块，用于对需要异常子图检测的图建立非参数化的异常子图检测模型；

转换模块，用于将所述异常子图检测模型转换为具有子模性质的异常子图检测模型；

处理模块，用于对所述具有子模性质的异常子图检测模型进行并行迭代，确定所述图中的异常子图。

本发明一种基于子模优化的并行异常子图检测方法与系统，通过对需要异常子图检测的图建立非参数化的异常子图检测模型，并将所述异常子图检测模型转换为具有子模性质的异常子图检测模型，最终对所述具有子模性质的异常子图检测模型进行并行迭代，确定所述图中的异常子图，由于采用了具有子模性质的异常子图检测模型，而且采用并行迭代方式，因此针对包含大量节点的需要检测的图来说，可以快速准确的得到其中的异常子图。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于子模优化的并行异常子图检测方法一实施例的流程示意图；

图2为本发明基于子模优化的并行异常子图检测系统一实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明基于子模优化的并行异常子图检测方法一实施例的流程示意图。如图1所示，本实施例的基于子模优化的并行异常子图检测方法，包括：

步骤101、对需要异常子图检测的图建立非参数化的异常子图检测模型；

步骤102、将所述异常子图检测模型转换为具有子模性质的异常子图检测模型；

步骤103、对所述具有子模性质的异常子图检测模型进行并行迭代，确定所述图中的异常子图。

具体来说，对于异常子图检测问题来说，首先需要建立异常子图检测模型，而实际应用中，异常子图检测问题可以用于多种应用中，根据是否对数据进行前提的分布假设，其方法可以分为参数化模型方法和非参数化模型方法。由于在现实中，对数据进行参数的估计很难，并且不恰当的参数会直接影响到问题求解的准确度，因此在本发明中采取非参数化的异常子图检测模型进行求解。