边缘流式图的异常识别模型 ARES
机器学习
2025-12-01 v1
摘要
许多现实场景可表示为时间图，其中数据通过边缘随时间变化而动态变化。此背景下的异常检测旨在识别图结构中异常的时序连接。实时检测边缘异常对于缓解潜在风险至为关键。与传统异常检测不同，此任务面临概念漂移、大数据量以及实时响应需求等挑战。为此，我们提出了用于边缘流的无监督异常检测框架 ARES。ARES 将图神经网络（GNN）用于特征提取，结合半空间树（Half-Space Trees，HST）进行异常评分。GNN 通过在潜在空间中嵌入节点和边缘属性来捕捉流中的尖峰和突发异常行为，而 HST 通过划分潜在空间来高效隔离异常。ARES 以无监督方式运行，无需先验数据标注。为进一步验证其检测能力，我们额外引入一种简单而有效的监督式阈值机制。该方法利用异常评分之间的统计离散性，通过最小标注数据集确定最优阈值，确保跨域适应性。我们通过多个真实世界网络攻击场景进行了广泛评估，比较了与现有方法的性能，并分析了其空间与时间复杂度。
引用
@article{arxiv.2511.22078,
title = {ARES: Anomaly Recognition Model For Edge Streams},
author = {Simone Mungari and Albert Bifet and Giuseppe Manco and Bernhard Pfahringer},
journal= {arXiv preprint arXiv:2511.22078},
year = {2025}
}
备注
Accepted at KDD 2026