GeneralDyG – 南洋理工推出的通用動態圖異常檢測方法

GeneralDyG是什么

GeneralDyG 是南洋理工大學的研究團隊研發的一種通用動態圖異常檢測技術，專注于解決社交網絡、電商及網絡安全等領域內的動態圖數據異常檢測難題。該方法結合時間 ego-graph 采樣、圖神經網絡特征提取和時間感知 Transformer 模塊，有效應對數據分布多樣性、動態特征捕捉的困難及高計算成本等挑戰。實驗結果表明，GeneralDyG 在多個真實數據集上的表現顯著優于現有的多種主流檢測方法，展現出卓越的普適性和檢測能力。

GeneralDyG的主要功能

• 適應多樣的數據分布：通過提取節點、邊及其拓撲結構的關鍵信息，GeneralDyG 能夠靈活應對不同數據集的復雜特征。
• 捕捉動態特征：該技術結合全局時間動態與局部結構變化，深入建模動態圖中的多尺度動態模式。
• 高效的計算框架：構建了一種輕量化框架，能夠高效捕獲關鍵動態特征，顯著提升計算效率。
• 時間 ego-graph 采樣：通過構建緊湊的子圖結構，有效應對大規模動態圖數據帶來的計算壓力。
• 融合結構與時間特征：利用時間感知 Transformer 模塊整合時間序列與結構特征，確保異常檢測的準確性。

GeneralDyG的技術原理

• 時間 ego-graph 采樣模塊：該模塊通過構建緊湊的子圖結構來有效應對大規模動態圖數據帶來的計算壓力。基于中心，采用 k-hop 算法提取周圍的交互歷史，形成時間 ego-graph。此算法考慮了間的時間順序與拓撲關系，確保采樣過程兼顧時間動態與結構特性，并引入特殊標記以區分不同層次的交互信息，幫助 Transformer 模塊更好地學習時間序列中的層級動態。
• 圖神經網絡提取模塊：基于時間 ego-graph，設計了一種新型的圖神經網絡（TensGNN）以提取豐富的結構信息。TensGNN 通過交替應用節點層與邊層來實現特征信息的傳播與更新，從而在節點特征與邊特征之間建立強關聯。節點層利用鄰接矩陣與特定拉普拉斯矩陣進行卷積運算，同時結合邊的特征來更新節點表示。邊層則基于邊的鄰接關系與節點的狀態更新邊的特征。
• 時間感知 Transformer 模塊：該模塊整合時間序列和結構特征，在自注意力機制中，模型基于 Query 和 Key 編碼圖的拓撲結構信息，將 Value 保留為原始特征，從而確保異常檢測的準確性。通過這一模塊，模型能夠有效捕獲動態圖中全局時間依賴性和局部動態變化，實現對復雜異常模式的精準建模。

GeneralDyG的項目地址

• Github倉庫：https://github.com/YXNTU/GeneralDyG
• arXiv技術論文：https://arxiv.org/pdf/2412.16447

GeneralDyG的應用場景

• 社交網絡：GeneralDyG 可用于檢測社交網絡中的異常行為，例如垃圾信息傳播與虛假賬戶識別。通過分析用戶間的互動關系及其隨時間的演變，能夠有效識別偏離正常社交模式的異常行為。
• 電子商務：在電商環境中，GeneralDyG 可用于識別欺詐易。通過分析用戶的交易行為及商品之間的關聯，能夠發現異常交易模式，幫助電商平臺提升交易安全性及可靠性。
• 網絡安全：在網絡安全領域，GeneralDyG 可用于檢測網絡入侵和異常流量。通過分析網絡中的數據包傳輸與節點間的連接關系，能夠及時識別潛在的安全威脅，增強網絡系統的安全性。
• 金融系統：在金融領域，GeneralDyG 可用于檢測金融欺詐和異常交易行為。通過分析金融交易網絡中的資金流動及賬戶關系，能夠識別出異常的金融活動，幫助金融機構有效防范風險。