计算机工程

作者：王俊, 赖会霞, 万玥, 张仕

单位：1. 福建师范大学计算机与网络空间安全学院, 福建 福州 3501172. 福建省网络安全与密码技术重点实验室, 福建 福州 3501173. 福建师范大学数字福建环境监测物联网实验室, 福建 福州 350117

关键词：异常检测,基于角度的异常评估,图神经网络,高维数据,<i>k</i>近邻

基金：国家自然科学基金(61772004); 福建省自然科学基金(2020J01161); 福建省科技厅对外合作项目(2023I0013)

在高维数据空间中，数据大都处于高维空间边缘且分布十分稀疏，由此引起的“维度灾难”问题导致现有异常检测方法无法保证异常检测精度。为解决该问题，提出一种基于角度的图神经网络高维数据异常检测方法A-GNN。首先通过数据空间的均匀采样和初始训练数据的扰动来扩充用于训练的数据；然后利用k近邻关系构造训练数据的k近邻关系图，并以k近邻元素距离加权角度的方差作为近邻关系图节点的初始异常因子；最后通过训练图神经网络模型，实现节点间的信息交互，使得相邻节点能够互相学习，从而进行有效的异常评估。在6个自然数据集上将A-GNN方法与9种典型异常检测方法进行实验对比，结果表明：A-GNN在5个数据集中取得了最高的AUC值，其能够大幅提升各种维度数据的异常检测精度，在一些“真高维数据”上异常检测的AUC值提升达40%以上；在不同k值下与3种基于k近邻的异常检测方法相比，A-GNN利用图神经网络节点间的信息交互能有效避免k值对检测结果的影响，方法具有更强的鲁棒性。

来源：2024年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第3期