روشی برای تشخصیص ناهنجاری در شبکه های پویا با استفاده از شبکه عمیق خود رمزگذار اتوانکدر Autoencoder

شبکه های گسترده و پویا در بسیاری از کاربردهای عملی مانند رسانه های اجتماعی، امنیت و سلامت عمومی کاربرد دارند. بی قاعدگی در شبکه های پویا به طور جدی امنیت شبکه را به مخاطره می اندازد. بنابراین، شناسایی ناهنجاری های ساختاری مربوط به رئوس و لبه هایی که دارای انحراف قابل توجهی نسبت به سایر شبکه ها هستند، بسیار حائز اهمیت است. درسال های اخیر، تعبیه شبکه ابزاری قدرتمند در یادگیری نمایش ابعاد پایین رئوس در شبکه هایی که می توانند ساختار شبکه را حفظ کنند، به اثبات رسیده است. با این حال، اغلب روش های موجود تعبیه شبکه برای شبکه های ایستا طراحی شده اند و ممکن است برای محیطی پویا که در آن شبکه باید به طور مداوم به روز شود، مناسب نباشد. در این مقاله، یک روش جدید، برای تشخصیص ناهنجاری در شبکه های پویا از طریق نمایش برداری با تعبیه گروه کدگذاری می شود که به طور مشترک فاصله جفت نمایش راس هرگام از شبکه های پویا را به حداقل می رساند و همچنین، برای کدگذاری از شبکه عمیق خود رمزگذار اتوانکدر استفاده می شود. نمایش برداری را می توان در فضای ثابت با استفاده از نمونه برداری مخزن محاسبه کرد. بر مبنای نمایش های راسی با ابعاد پایین، از یک روش خوشه بندی برای تشخیص ناهنجاری های شبکه استفاده شده است. در مقایسه با سایر روش ها، روش پیشنهادی مزایای متعددی دارد؟ ۱) تعبیه شبکه می تواند به صورت پویا به روزرسانی شود ۲) گره ها و لبه های شبکه را می توان به طور موثر با استفاده از فضای ثابت حافظه رمزگذاری کرد، ۳) انعطاف پذیر بودن در انواع مختلف شبکه ها و ۴) ناهنجاری های شبکه را می توان در زمان واقعی تشخیص داد. ازمایش های گسترده بر روی چهار مجموعه داده واقعی، اثربخشی روش جدید را نشان می دهد و در مقایسه با سایر روش ها ، روش پیشنهادی AUC را تا ۳۰% بهبود می بخشد.

کلیدواژه ها:

تشخیص ناهنجاری ، تعبیه شبکه دینامیکی ، شبکه عمیق خود رمزگذار ، تعبیه دسته