GeneralDyG

GeneralDyG – 南洋理工推出的通用动态图异常检测方法

GeneralDyG是什么

GeneralDyG 是南洋理工大学的研究团队研发的一种通用动态图异常检测技术，专注于解决社交网络、电商及网络安全等领域内的动态图数据异常检测难题。该方法结合时间 ego-graph 采样、图神经网络特征提取和时间感知 Transformer 模块，有效应对数据分布多样性、动态特征捕捉的困难及高计算成本等挑战。实验结果表明，GeneralDyG 在多个真实数据集上的表现显著优于现有的多种主流检测方法，展现出卓越的普适性和检测能力。

GeneralDyG的主要功能

• 适应多样的数据分布：通过提取节点、边及其拓扑结构的关键信息，GeneralDyG 能够灵活应对不同数据集的复杂特征。
• 捕捉动态特征：该技术结合全局时间动态与局部结构变化，深入建模动态图中的多尺度动态模式。
• 高效的计算框架：构建了一种轻量化框架，能够高效捕获关键动态特征，显著提升计算效率。
• 时间 ego-graph 采样：通过构建紧凑的子图结构，有效应对大规模动态图数据带来的计算压力。
• 融合结构与时间特征：利用时间感知 Transformer 模块整合时间序列与结构特征，确保异常检测的准确性。

GeneralDyG的技术原理

• 时间 ego-graph 采样模块：该模块通过构建紧凑的子图结构来有效应对大规模动态图数据带来的计算压力。基于中心，采用 k-hop 算法提取周围的交互历史，形成时间 ego-graph。此算法考虑了间的时间顺序与拓扑关系，确保采样过程兼顾时间动态与结构特性，并引入特殊标记以区分不同层次的交互信息，帮助 Transformer 模块更好地学习时间序列中的层级动态。
• 图神经网络提取模块：基于时间 ego-graph，设计了一种新型的图神经网络（TensGNN）以提取丰富的结构信息。TensGNN 通过交替应用节点层与边层来实现特征信息的传播与更新，从而在节点特征与边特征之间建立强关联。节点层利用邻接矩阵与特定拉普拉斯矩阵进行卷积运算，同时结合边的特征来更新节点表示。边层则基于边的邻接关系与节点的状态更新边的特征。
• 时间感知 Transformer 模块：该模块整合时间序列和结构特征，在自注意力机制中，模型基于 Query 和 Key 编码图的拓扑结构信息，将 Value 保留为原始特征，从而确保异常检测的准确性。通过这一模块，模型能够有效捕获动态图中全局时间依赖性和局部动态变化，实现对复杂异常模式的精准建模。

GeneralDyG的项目地址

• Github仓库：https://github.com/YXNTU/GeneralDyG
• arXiv技术论文：https://arxiv.org/pdf/2412.16447

GeneralDyG的应用场景

• 社交网络：GeneralDyG 可用于检测社交网络中的异常行为，例如垃圾信息传播与虚假账户识别。通过分析用户间的互动关系及其随时间的演变，能够有效识别偏离正常社交模式的异常行为。
• 电子商务：在电商环境中，GeneralDyG 可用于识别欺诈易。通过分析用户的交易行为及商品之间的关联，能够发现异常交易模式，帮助电商平台提升交易安全性及可靠性。
• 网络安全：在网络安全领域，GeneralDyG 可用于检测网络入侵和异常流量。通过分析网络中的数据包传输与节点间的连接关系，能够及时识别潜在的安全威胁，增强网络系统的安全性。
• 金融系统：在金融领域，GeneralDyG 可用于检测金融欺诈和异常交易行为。通过分析金融交易网络中的资金流动及账户关系，能够识别出异常的金融活动，帮助金融机构有效防范风险。