[发明专利]一种用于社会网络节点异常演化行为检测与评估方法

权利要求书

1.一种用于社会网络节点异常演化行为检测与评估方法，其特征在于，包含以下步骤：

步骤1：基于边缘生成和删除指标，评估一种新的演化机制，并通过关联预测算法来适应演化机制；摘要基于不同的链路预测算法，并基于演化行为向量，通过对不同时期内演化行为向量之间的差异进行量化，从而对其进行了检测；

步骤2：将目标节点的异常行为视为一个给定社交网络的邻接矩阵的扰动；摘要根据生成和迁移过程中目标的节点的异常行为的性能，通过对相邻矩阵的扰动和特征向量特征值的观察变化，对目标节点的异常行为的影响进行评估；最后根据一阶矩阵摄动得到微扰指数来量化目标的影响。

2.根据权利要求1所述的一种用于社会网络节点异常演化行为检测与评估方法，其特征在于，步骤1的具体实现包含以下子步骤：

步骤1.1：在一定时期内，一个目的节点的演化行为可分为边缘生成过程涉及到边缘的生成和边缘去除过程包括去除；一个节点演化行为的演化机制体现在其边缘产生和清除过程；因此，我们应用的链路预测算法在微观层面适应在其边缘产生和清除过程的性能的基础上去适应节点演化行为的演化机制；定义可能的边E_P(i，t)＝{(i，j)|j∈V_t∩i！＝j},现有的边缘集合E_C(i，t)＝{(i，j)|(i，j)∈E_t},和不存在边缘集合

我们提出了边的生成指数egi_(i，t)(lp)来评估该边缘生成过程中所反映的演化机制在多大程度上可以被lp所适应；我们将E_G(i，t)的边的概率值率与E_N(i，t)中的边的边值进行比较；如果，对于N比较，E_G(i，t)的边的边值是n₁乘以n₂，同样的分数的次数是n₂，那么egi_(i，t)(lp)定义如下：

egi(i,t)(lp)=1,EN(i,t)=φn1+0.5×n2N,EN(i,t)≠φ∩EG(i,t)≠φ0,EN(i,t)≠φ∩EG(i,t)=φ---(1)]]>

当所有比较边缘的概率被随机分配时，egi_(i，t)(lp)大约是0.5；因此，egi_(i，t)(lp)超过0.5的程度表明一个链接预测算法的性能比纯粹的机会好多少；在Neb_(i，t)的边缘生成过程中，演化机制所反映的程度是lp来适应的；

我们比较了E_C(i，t)的边缘的可能性分数和E_R(i，t)中的边的边值；如果，对于N次比较，E_C(i，t)的边有更高的分数的次数为n₁，同样的分数的次数为n₂，eri_(i，t)(lp)定义如下；

eri(i,t)(lp)=1,ER(i,t)=φn1+0.5×n2N,ER(i,t)≠φ∩EC(i,t)≠φ0,ER(i,t)≠φ∩EC(i,t)=φ---(2)]]>

eri_(i,t)(lp)超过0.5的程度表明，在边的去除过程中，演化机制所反映的程度是由lp来适应的；当在特殊的时期(t-1,t)，egi_(i,t)(lp)和eri_(i，t)(lp)没被用在特殊节点i时.

当egi_(i，t)(lp)和eri_(i，t)(lp)两值都小于0.5时，这表明lp不能适应演化机制Neb_(i，t)；在这种情况下，它们仍然在对Neb_(i，t)的描述中很有用，用于随后对AEBN的检测；例如,当egi值在S时期的x总是很大,比如egi>0.5，且如果eri_(i，t)(lp))相对较小，比如egi_(i，t)(lp)＜0.5,这实际上表明了体现在Neb_(i，t)边缘生成过程演化机制偏离过去的状态；

步骤1.2：基于不同的链接预测算法，我们适应了一种基于网络的演化机制；假想一个链路预测算法集ψ＝(lp₁，lp₂，...，lp_k，...，lp_M-1，lp_M),构建NEB向量Nv_(i，t)＝(egi_(i，t)(lp₁)，...，egi_(i，t)(lp_k)；Nv_(i，t)有M个正元素用于边缘生成过程，M个负元素用于边缘去除过程；正面和负面元素的设置是为了方便地区分边缘生成过程和边缘删除过程的描述；

在不同周期内的目标节点NEB是由对应的NEB向量描述的；为了量化给定周期(t-1，t)和S周期内的NEB向量的不同，我们引入了余弦相似来提出定义Ad(Nv_(i，t)，Nv_(i，t-S+h))；

Ad(Nv(i,t),Nv(i,t-S+h))=0,|Nv(i,t)|=0∩|Nv(i,t-S+h)|=01-Nv(i,t)×Nv(i,t-S+h)|Nv(i,t)||Nv(i,t-S+h)|,|Nv(i,t)||Nv(i,t-S+h)|!=01,others]]>

Vd(i,t)=Σh=0S-1Ad(Nv(i,t),Nv(i,t-S+h))S]]>

Ad(Nv_(i，t)，Nv_(i，t-S+h))表示向量Nv_(i，t)和Nv_(i，t-s+h)和Vd_(i，t)之间的向量距离是Nv_(i，t)和S期的NEB向量的平均向量距离；通过比较Vd_(i，t)每个目的节点的阈值TVA，我们最终确定Aebn(t-1,t)请注意，该NEB矢量提供定量的方法来拟合其演化机制描述NEB，是不依赖于任何特定的差分计算。

3.根据权利要求1所述的一种用于社会网络节点异常演化行为检测与评估方法，其特征在于，步骤2的具体实现包含以下子步骤：

步骤2.1:将g_t＝(V_t，E_t)表示为V_t×V_t得邻接矩阵Z＝(z_ij)，其中z_ij＝1；如果节点i和节点j是连接的且z_ij＝0，否则λ_k和x_k并分别表示特征值和相应的正交和规范化特征向量Z；由于Z是实对称矩阵，当有特征值K时，Z可以定义为：

我们确定目标AEBN集生成边和删除边分别构成Aebn_obj中E_Gonj和E_Robj；考虑到Aebn_obj作为对于Z的干扰，Aebn_obj的干扰可以表达为一V_t×V_t的矩阵ΔZ＝(Δz_ij)；Δz_ij可以定义如下所示：

Δzij=1,(i,j)∈ERobj-1,(i,j)∈EGobj0,(i,j)∉ERobj∩(i,j)∉EGobj---(9)]]>

对于生成的边缘(i，j)∈E_Gobj,(i，j)∈E_t,，其中我们假定它们被去除作为扰动，并设置Δz_ij＝-1服从于Δz_mn+Z_mn＝0；对于去除边缘(i，j)∈E_Robj,其中我们假定它们的生成作为干扰，并设置ΔZ_ij＝1服从于z_ij+Δz_ij＝1；此外，Z+ΔZ表示我们在g_t的基础上移除在E_Gobj的边缘和生成在E_Robj的边缘Aebn_obj的干扰过程；Z+ΔZ可以看作是扰乱社交网络结构的邻接矩阵；

步骤2.2:我们还通过一阶逼近构造干扰矩阵Z⁺，允许特征值改变，但固定特征向量；我们首先分析没有重复特征值的非退化情况；在扰动之后，假设特征值λ_k被校正为λ_k+Δλ_k，同时其特征向量x_k被校正为x_k+Δx_k，来获得以下等式：(Z+ΔZ)(x_k+Δx_k)＝(λ_k+Δλ_k)(x_k+Δx_k)；

当我们忽略二阶条件和时，Δλ_k通过一阶扰动得到如下：通过使用干扰特征值同时保持特征向量不变得情况下，干扰矩阵Z⁺的表达式可能如下所示：

矩阵Z⁺可以认为是线性近似于Z+ΔZ；邻接矩阵的特征向量可以充分反映社交网络结构；如果Aebn_obj的干扰不会确切地改变社交网络结构，则Z的特征向量应该几乎等同于Z+ΔZ，并且根据等式(10)，(11)和(12)Z⁺应该非常接近于Z+ΔZ；Z⁺与Z+ΔZ之间的差异可以看作是Aebn_obj对于给定的g_t的社交网络结构的影响；当邻接矩阵包含退化特征值时，上述矩阵分析可以以如同于结构一致性相同的方式进行改进；

为了定量测量Z⁺与Z+ΔZ之间的差异，我们提出了扰动指标(Pi)；元素值0和1在Z+ΔZ中分别表示干扰社交网络中的现有边缘和不存在的边缘；由于Z+ΔZ的近似，在Z⁺的元素值也应该遵循趋势，由此在Z+ΔZ中对应于1的元素的值大于在Z+ΔZ中对应于0的的元素值；根据Z⁺的元素值，我们将Z+ΔZ中对应于1的元素的值与在Z+ΔZ对应于0的元素的值进行比较；如果对于N比较，对应于1的元素具有较小的值n1的倍数和同样n2的倍数的值。