用于动态网络异常检测的季节性随机块模型
社会与信息网络
2017-12-15 v1
摘要
社会技术过程与地理空间过程展现出随时间变化的结构,使得洞察发现颇具挑战。为检测这些过程中的异常时刻,必须建立“正常”的定义。本文针对此类系统(建模为动态网络)提出一种新的统计模型以应对该挑战。它假设顶点归属于 k 类之一,且在特定时刻形成边的几率取决于关联节点的类型与当前时间。时间依赖性由独特的季节性过程驱动,许多系统均表现出此类过程(例如每日地理空间或网络流量中可预测的峰值)。本文将该模型定义为生成过程,并给出在未知时从数据恢复“正常”季节性过程的推断流程。给出了将在 Enron 邮件与纽约市出租车行程上完成的异常检测实验概要。
引用
@article{arxiv.1712.05359,
title = {Seasonal Stochastic Blockmodeling for Anomaly Detection in Dynamic Networks},
author = {Jace Robinson and Derek Doran},
journal= {arXiv preprint arXiv:1712.05359},
year = {2017}
}
备注
Working manuscript, to be update before aimed conference submission in Spring 2018