本發(fā)明屬于計(jì)算機(jī)軟件的技術(shù)領(lǐng)域，涉及一種網(wǎng)絡(luò)檢測(cè)方法。

背景技術(shù)：

Barabási和Albert的無(wú)標(biāo)度網(wǎng)絡(luò)模型和Watts和Strogatz的小世界網(wǎng)絡(luò)模型揭示了網(wǎng)絡(luò)結(jié)構(gòu)的本質(zhì)規(guī)律，在過去的近20年里，推動(dòng)了復(fù)雜網(wǎng)絡(luò)研究的迅速發(fā)展。進(jìn)一步的研究發(fā)現(xiàn)，多數(shù)現(xiàn)實(shí)網(wǎng)絡(luò)是不均勻的，由許多子網(wǎng)絡(luò)組成。子網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)之間的連接比較緊密，而子網(wǎng)之間節(jié)點(diǎn)的連接比較稀疏，這一現(xiàn)象在人工網(wǎng)絡(luò)和自然網(wǎng)絡(luò)中都比較常見，稱之為網(wǎng)絡(luò)中的社團(tuán)結(jié)構(gòu)(community structure)。社團(tuán)結(jié)構(gòu)成為了繼小世界和無(wú)標(biāo)度特性之后復(fù)雜網(wǎng)絡(luò)中最普遍和最重要的拓?fù)浣Y(jié)構(gòu)屬性之一。隨著復(fù)雜網(wǎng)絡(luò)理論的不斷成熟，研究者對(duì)很多復(fù)雜的互連系統(tǒng)，包括社會(huì)網(wǎng)絡(luò)、Internet和World Wide Web(WWW)等各種網(wǎng)絡(luò)，都從復(fù)雜網(wǎng)絡(luò)的視角去研究其統(tǒng)計(jì)特征和實(shí)際應(yīng)用?，F(xiàn)代社會(huì)處在一個(gè)大數(shù)據(jù)、大流量的時(shí)代，高度依賴于這些網(wǎng)絡(luò)系統(tǒng)的正常高效運(yùn)行。如何快速地檢測(cè)這些網(wǎng)絡(luò)在演變的過程中是否出現(xiàn)異常，引起了研究者們的廣泛關(guān)注，目前的方法主要是從網(wǎng)絡(luò)整體出發(fā)，通過比較鄰近時(shí)隙的網(wǎng)絡(luò)變化量，設(shè)置相關(guān)閾值，判定網(wǎng)絡(luò)是否異常，這些方法的不足主要在于網(wǎng)絡(luò)太大，不能實(shí)時(shí)判斷，閾值設(shè)置難度大，檢測(cè)出異常后，定位異常范圍也非常困難。為此，本發(fā)明基于網(wǎng)絡(luò)具有社團(tuán)結(jié)構(gòu)的特性和絕大部分的通信都在社團(tuán)內(nèi)發(fā)生的思想，以社團(tuán)為單位，構(gòu)建隱馬爾科夫模型，提出了一種大型復(fù)雜網(wǎng)絡(luò)社團(tuán)異常檢測(cè)方法，首先，應(yīng)用復(fù)雜網(wǎng)絡(luò)社團(tuán)探測(cè)算法，將網(wǎng)絡(luò)劃分為不同的社團(tuán)；然后以社團(tuán)為單位，構(gòu)建隱馬爾科夫模型并訓(xùn)練相關(guān)參數(shù)；最后使用訓(xùn)練好的模型計(jì)算被監(jiān)測(cè)序列的熵，定位異常社團(tuán)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明基于網(wǎng)絡(luò)具有社團(tuán)結(jié)構(gòu)的特性和絕大部分的通信都在社團(tuán)內(nèi)發(fā)生的思想，以社團(tuán)為單位，構(gòu)建隱馬爾科夫模型，提出了一種大型復(fù)雜網(wǎng)絡(luò)社團(tuán)異常檢測(cè)方法。下面分別從社團(tuán)和隱馬爾科夫模型等方面來(lái)說(shuō)明本發(fā)明提出的技術(shù)方法。

一、社團(tuán)：在同一社團(tuán)內(nèi)部，節(jié)點(diǎn)之間連接相對(duì)緊密，而在社團(tuán)之間的節(jié)點(diǎn)之間的連接相對(duì)稀疏，以網(wǎng)絡(luò)中模塊度最小為原則劃分將網(wǎng)絡(luò)劃分為不同社團(tuán)，其中Nc表示網(wǎng)絡(luò)中社團(tuán)的數(shù)目，M表示網(wǎng)絡(luò)中連接的總數(shù)，m_c表示社團(tuán)c內(nèi)節(jié)點(diǎn)之間的連接數(shù)，d_c表示社團(tuán)c內(nèi)所有節(jié)點(diǎn)度數(shù)之和。

二、社團(tuán)通信模型的構(gòu)建方法

(1)基本定義：

觀測(cè)值為社團(tuán)c中發(fā)生通信量的節(jié)點(diǎn)序列，表示為其中表示在t時(shí)刻社團(tuán)c與其他社團(tuán)通信的節(jié)點(diǎn)，特別地，如果通信的兩個(gè)節(jié)點(diǎn)都在社團(tuán)c中，則只考慮發(fā)送數(shù)據(jù)的節(jié)點(diǎn)。觀測(cè)值空間為：V＝{1,2,...,N}。

狀態(tài)值為與t時(shí)刻與社團(tuán)c連接的社團(tuán)，表示為y＝y(tǒng)₁,y₂,...y_T，狀態(tài)值空間為S＝{1,2,...,M}。

社團(tuán)通信模型的參數(shù)模型表示為：θ＝{π,A,B}，其中，π為初始模型的初始狀態(tài)概率，A為狀態(tài)轉(zhuǎn)移概率，B為觀測(cè)概率。

(2)基于前向后向算法的社團(tuán)通信模型的參數(shù)估計(jì)技術(shù)

社團(tuán)c的社團(tuán)通信模型參數(shù)估計(jì)任務(wù)是由采集到的觀測(cè)值序列估計(jì)出對(duì)應(yīng)的隱半馬爾可夫模型的參數(shù)。本發(fā)明采用著名的前向后向算法解決社團(tuán)通信模型的參數(shù)估計(jì)問題，具體如下所述。

1)定義前向后向變量：

α_t(j)＝P[S_t＝j(luò),o_1:t|θ]

β_t(j)＝P[o_t+1:T|S_t＝j(luò),θ]

2)前向后向算法的初始化：

α₁(j)＝π_j，

β_T(j)＝1。

3)迭代推導(dǎo)過程：

4)計(jì)算中間變量：

ξ_t(i,j)＝P[S_t＝i,S_t+1＝j(luò),o₁:_T|λ]＝α_t(i)a_ijb_j(o_t+1)β_t+1(j)

5)參數(shù)更新公式

其中，當(dāng)o_t＝v_k時(shí)，I(o_t＝v_k)＝1，否則I(o_t＝v_k)＝0。

(3)網(wǎng)絡(luò)社團(tuán)異常檢測(cè)方法

計(jì)算觀測(cè)序列的熵：

計(jì)算正常狀態(tài)下的觀測(cè)序列的熵的標(biāo)準(zhǔn)方差為σ₀，均值為μ₀，

異常檢測(cè)時(shí)，首先計(jì)算監(jiān)測(cè)序列的熵的均值為μ，再以|μ-μ₀|為異常檢測(cè)量，如果|μ-μ₀|≥3σ₀，則為異常狀態(tài)。

附圖說(shuō)明

圖1為基于隱馬爾可夫模型的社團(tuán)網(wǎng)絡(luò)異常檢測(cè)模型示意圖。

具體的實(shí)施方式

流程如圖1所示，步驟如下：

步驟1：訓(xùn)練數(shù)據(jù)預(yù)處理，生成社團(tuán)通信序列序列的訓(xùn)練數(shù)據(jù)集；

步驟2：采用前向后向算法估計(jì)模型的參數(shù)；

步驟3：采集實(shí)時(shí)網(wǎng)絡(luò)通信序列；

步驟4：使用訓(xùn)練好的模型計(jì)算被監(jiān)測(cè)序列的熵；

步驟5：計(jì)算異常檢測(cè)量|μ-μ₀|；

步驟6：判斷|μ-μ₀|≥3σ₀是否成立，如果成立，則表示異常，否則未發(fā)現(xiàn)異常。