• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

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

陈波冯, 李靖东, 卢兴见, 沙朝锋, 王晓玲, 张吉. 基于深度学习的图异常检测技术综述[J]. 计算机研究与发展, 2021, 58(7): 1436-1455. DOI: 10.7544/issn1000-1239.2021.20200685
引用本文: 陈波冯, 李靖东, 卢兴见, 沙朝锋, 王晓玲, 张吉. 基于深度学习的图异常检测技术综述[J]. 计算机研究与发展, 2021, 58(7): 1436-1455. DOI: 10.7544/issn1000-1239.2021.20200685
shu
Chen Bofeng, Li Jingdong, Lu Xingjian, Sha Chaofeng, Wang Xiaoling, Zhang Ji. Survey of Deep Learning Based Graph Anomaly Detection Methods[J]. Journal of Computer Research and Development, 2021, 58(7): 1436-1455. DOI: 10.7544/issn1000-1239.2021.20200685
Citation: Chen Bofeng, Li Jingdong, Lu Xingjian, Sha Chaofeng, Wang Xiaoling, Zhang Ji. Survey of Deep Learning Based Graph Anomaly Detection Methods[J]. Journal of Computer Research and Development, 2021, 58(7): 1436-1455. DOI: 10.7544/issn1000-1239.2021.20200685
shu
陈波冯, 李靖东, 卢兴见, 沙朝锋, 王晓玲, 张吉. 基于深度学习的图异常检测技术综述[J]. 计算机研究与发展, 2021, 58(7): 1436-1455. CSTR: 32373.14.issn1000-1239.2021.20200685
引用本文: 陈波冯, 李靖东, 卢兴见, 沙朝锋, 王晓玲, 张吉. 基于深度学习的图异常检测技术综述[J]. 计算机研究与发展, 2021, 58(7): 1436-1455. CSTR: 32373.14.issn1000-1239.2021.20200685
shu
Chen Bofeng, Li Jingdong, Lu Xingjian, Sha Chaofeng, Wang Xiaoling, Zhang Ji. Survey of Deep Learning Based Graph Anomaly Detection Methods[J]. Journal of Computer Research and Development, 2021, 58(7): 1436-1455. CSTR: 32373.14.issn1000-1239.2021.20200685
Citation: Chen Bofeng, Li Jingdong, Lu Xingjian, Sha Chaofeng, Wang Xiaoling, Zhang Ji. Survey of Deep Learning Based Graph Anomaly Detection Methods[J]. Journal of Computer Research and Development, 2021, 58(7): 1436-1455. CSTR: 32373.14.issn1000-1239.2021.20200685
shu

基于深度学习的图异常检测技术综述

  • 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) (51194501030@stu.ecnu.edu.cn)

基金项目: 国家自然科学基金项目(61972155)；浙江省自然科学基金重点项目(LZ21F030001);之江实验室PI研究项目(111007-PI2001);之江实验室开放课题资助项目(2019KB0AB04)
详细信息

  • 中图分类号: TP391

Survey of Deep Learning Based Graph Anomaly Detection Methods

  • 1(School of Computer Science and Technology, East China Normal University, Shanghai 200062)

  • 2(School of Computer Science, Fudan University, Shanghai 200433)

  • 3(Zhejiang Lab, Hangzhou 310000)

Funds: This work was supported by the National Natural Science Foundation of China (61972155), the Zhejiang Provincial Natural Science Foundation of China (LZ21F030001), the PI Research Project of Zhejiang Lab (111007-PI2001), and Zhejiang Lab (2019KB0AB04).

摘要

    摘要
  • 摘要: 图异常检测旨在大图或海量图数据库中寻找“陌生”或“不寻常”模式，具有广泛的应用场景.深度学习可以从数据中学习隐含的规律，在提取数据中潜在复杂模式方面表现出优越的性能.近年来随着基于深度神经网络的图表示学习取得显著进展，如何利用深度学习方法进行图异常检测引起了学术界和产业界的广泛关注.尽管最近一系列研究从图的角度对异常检测技术进行了调研，但是缺少对深度学习技术下的图异常检测技术的关注.首先给出了静态图和动态图上各类常见的异常定义，然后调研了基于深度神经网络的图表示学习方法，接着从静态图和动态图的角度出发，梳理了基于深度学习的图异常检测的研究现状，并总结了图异常检测的应用场景和相关数据集，最后讨论了图异常检测技术目前面临的挑战和未来的研究方向.
    Abstract: Graph anomaly detection aims to find “strange” or “unusual” patterns in large graph or massive graph databases, and it has a wide range of application scenarios. Deep learning can learn the hidden rules from the data, and it has excellent performance in extracting potential complex patterns from data. With the great development of graph representation learning in recent years, how to detect graph anomaly using deep learning methods has attracted extensive attention in the area of academia and industry. Although a series of recent studies have investigated anomaly detection methods from the perspective of graphs, there is a lack of attention to graph anomaly detection methods under the background of deep learning. In this paper, we first give the definitions of various kinds of anomalies in static graph and dynamic graph and investigate the deep neural network based graph representation learning method and its various applications in graph anomaly detection. Then we present the current situation of research on graph anomaly detection based on deep learning from the perspective of static graph and dynamic graph, and summarize the application scenarios and related data sets of graph anomaly detection. At last, we discuss the current challenges and future research directions of graph anomaly detection.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(51)

  • 期刊类型引用(17)

    1. 袁子淇，孙庆赟，周号益，朱祖坤，李建欣. MNDetector：基于多层网络的异常访问检测方法. 计算机研究与发展. 2025(03): 765-778 . 本站查看
    2. 陈佳乐，陈旭，景永俊，王叔洋. 图神经网络在异常检测中的应用综述. 计算机工程与应用. 2024(13): 51-65 . 百度学术
    3. 林馥，李明康，罗学雄，张书豪，张越，王梓桐. 基于异常感知的变分图自编码器的图级异常检测算法. 计算机研究与发展. 2024(08): 1968-1981 . 本站查看
    4. 孔翎超，刘国柱. 离群点检测算法综述. 计算机科学. 2024(08): 20-33 . 百度学术
    5. 王泽鹏 ，马超 ，张壮壮 ，吴黎兵 ，石小川 . 动态决策驱动的工控网络数据要素威胁检测方法. 计算机研究与发展. 2024(10): 2404-2416 . 本站查看
    6. 叶苗，程锦，黄源，蒋秋香，王勇. 面向WSN异常节点检测的融合重构机制与对比学习方法. 通信学报. 2024(09): 153-169 . 百度学术
    7. 王芳. 基于深度学习的网络传输数据异常识别方法. 现代电子技术. 2023(06): 62-66 . 百度学术
    8. 江铃燚，郑艺峰，陈澈，李国和，张文杰. 有监督深度学习的优化方法研究综述. 中国图象图形学报. 2023(04): 963-983 . 百度学术
    9. 富坤，刘赢华，郝玉涵，孙明磊. 基于图模块度聚类的异常检测算法. 计算机应用研究. 2023(06): 1721-1727 . 百度学术
    10. 曹成顺. 基于深度神经网络的输电线路异常自动辨识方法. 信息与电脑(理论版). 2023(15): 165-167 . 百度学术
    11. 冯健，赵宇鹏，刘天. 融合双重自监督信号的图异常检测. 科学技术与工程. 2023(35): 15142-15147 . 百度学术
    12. 王炳泉. 基于SVM的网络流量异常检测算法. 信息与电脑(理论版). 2023(22): 245-247 . 百度学术
    13. 唐立，郝鹏，任沛阁，张祖耀，何翔，张学军. 基于改进孤立森林算法的无人机异常行为检测. 航空学报. 2022(08): 584-593 . 百度学术
    14. 陈益芳，宣羿，樊立波，孙智卿，屠永伟，张亦涵，蔡乾晨. 基于机器学习的电网威胁检测算法模型和大数据平台设计. 电力大数据. 2022(04): 34-41 . 百度学术
    15. 刘华玲，刘雅欣，许珺怡，陈尚辉，乔梁. 图异常检测在金融反欺诈中的应用研究进展. 计算机工程与应用. 2022(22): 41-53 . 百度学术
    16. 李净. 国际视野下治理虚假新闻的技术手段及相关模型. 中国传媒科技. 2021(08): 17-21 . 百度学术
    17. 雷瑜，郑丹，曾繁如，樊志伟，宁黎，邓立. 四川耕地“非粮化”监测中的智能监测方法. 资源与人居环境. 2021(12): 47-51 . 百度学术

    其他类型引用(34)

    • 资源附件(0)
计量
  • 文章访问数:  2876
  • HTML全文浏览量:  25
  • PDF下载量:  1913
  • 被引次数: 51
出版历程
  • 发布日期:  2021-06-30

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(51)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计