基于深度学习的图异常检测技术综述

陈波冯 李靖东 卢兴见 沙朝锋 王晓玲 张 吉

1(华东师范大学计算机科学与技术学院 上海 200062)

2(复旦大学计算机科学技术学院 上海 200433)

3(之江实验室 杭州 310000)

图作为一种通用的数据结构，被广泛用于表示复杂的结构化数据.相对于其他数据结构，它能更好地存储和表达实体及其联系.现实世界中，图在社交网络分析、Web网络分析、交通路网优化、知识图谱构建等领域均有广泛的应用.针对这些语义丰富、样式多样、规模庞大的图数据，如何快速、准确地检测其中的异常引起了学术界和产业界的广泛关注.图异常检测是指在一个大图或海量图数据库中寻找包含“陌生”或者“不寻常”模式的结构(包括节点、边或者子图)，具有广泛的应用场景，例如英特网中的恶意攻击、社交网络中的突发事件检测、电子商务中的水军发现等.相较于传统的异常检测方法，基于图的异常检测由于图具有强大的表达能力，不仅可以将复杂的数据加以直观的呈现，同时也能将数据中隐含的相关性融入到异常检测过程中.

面向图的异常检测工作最早发表于2003年[1]，现有工作大致可分为基于静态图和基于动态图2类.在基于静态图的异常检测工作中，一类方法利用ego网络[2]或者基于团体[3]研究问题；一类方法基于图的结构信息进行异常检测[4-6]，也有一些工作基于子空间选择，试图在节点特征的子空间中发现异常[7-9].还有一些工作通过概率、统计方法获取图的统计信息进行异常检测[10-13].尽管这些工作在异常检测上取得了不错的进展，但这些方法如利用ego网络的方法，由于处理图数据，必须考虑节点之间的交互，在图较为稀疏时难以实现较好的效果；……