PhoGAD: 基于持续同调优化的图异常行为检测
机器学习
2024-01-22 v1 社会与信息网络
摘要
大量有毒的网络行为，从网络攻击到匿名流量和垃圾信息，严重破坏了网络的平稳运行。由于网络行为固有的发送者-接收者性质，基于图的框架通常被用于检测异常行为。然而，在现实场景中，正常与异常行为之间的边界往往是模糊的。图的局部异质性干扰了检测，而现有的基于节点或边的方法会在表示结果中引入不需要的噪声，从而影响检测的有效性。为了解决这些问题，我们提出了 PhoGAD，一个基于图的异常检测框架。PhoGAD 利用持续同调优化来澄清行为边界。在此基础上，设计了相邻边的权重以减轻局部异质性的影响。随后，为了解决噪声问题，我们进行了形式化分析，并提出了一种基于解耦表示的显式嵌入方法，最终实现了异常行为检测。在入侵、流量和垃圾信息数据集上的实验验证了 PhoGAD 在检测效能上已超越 state-of-the-art (SOTA) 框架。值得注意的是，即使在异常比例降低的情况下，PhoGAD 仍表现出稳健的检测能力，凸显了其在现实场景中的适用性。对持续同调的分析证明了其在捕捉由正常边特征形成的拓扑结构方面的有效性。此外，消融实验验证了 PhoGAD 中集成的创新机制的有效性。
引用
@article{arxiv.2401.10547,
title = {PhoGAD: Graph-based Anomaly Behavior Detection with Persistent Homology Optimization},
author = {Ziqi Yuan and Haoyi Zhou and Tianyu Chen and Jianxin Li},
journal= {arXiv preprint arXiv:2401.10547},
year = {2024}
}
备注
Accepted by WSDM 2024