主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
李忠,靳小龙,庄传志,孙智.面向图的异常检测研究综述.软件学报,2021,32(1):0
面向图的异常检测研究综述
Overview of Graph Based Anomaly Detection
投稿时间:2019-07-01  修订日期:2020-04-11
DOI:10.13328/j.cnki.jos.006100
中文关键词:  图异常检测  图数据挖掘  数据挖掘
英文关键词:graph anomaly detection  graph data mining  data mining
基金项目:国家重点研发计划项目课题(2016QY02D0404);国家自然科学基金项目(U1911401,61772501,U1836206,91646120)
作者单位E-mail
李忠 中国科学院网络数据科学与技术重点实验室, 中国科学院计算技术研究所, 北京 100190
中国科学院大学计算机与控制学院, 北京 100049 
 
靳小龙 中国科学院网络数据科学与技术重点实验室, 中国科学院计算技术研究所, 北京 100190
中国科学院大学计算机与控制学院, 北京 100049 
jinxiaolong@ict.ac.cn 
庄传志 中国科学院网络数据科学与技术重点实验室, 中国科学院计算技术研究所, 北京 100190
中国科学院大学计算机与控制学院, 北京 100049 
 
孙智 中国科学院网络数据科学与技术重点实验室, 中国科学院计算技术研究所, 北京 100190
中国科学院大学计算机与控制学院, 北京 100049 
 
摘要点击次数: 473
全文下载次数: 315
中文摘要:
      近年来,随着web2.0的普及,使用图挖掘技术进行异常检测受到人们越来越多的关注.图异常检测在欺诈检测、入侵检测、虚假投票、僵尸粉丝分析等领域发挥着重要作用.本文在广泛调研国内外大量文献以及最新科研成果的基础上,按照数据表示形式将面向图的异常检测划分成静态图上的异常检测与动态图上的异常检测两大类,进一步按照异常类型将静态图上的异常分为孤立个体异常和群组异常检测两种类别,动态图上的异常分为孤立个体异常、群体异常以及事件异常三种类型.对每一类异常检测方法当前的研究进展加以介绍,对每种异常检测算法的基本思想、优缺点进行分析、对比,总结面向图的异常检测的关键技术、常用框架、应用领域、常用数据集以及性能评估方法,并对未来可能的发展趋势进行展望.
英文摘要:
      In recent years, with the popularization of web 2.0, people pay more and more attentions to the graph anomaly detection. The graph anomaly detection plays an increasingly vital role in the field of fraud detection, intrusion detection, false voting and zombie fan analysis.In this paper, we present a survey on existing approaches to address this problem and review the recent developed techniques to detect graph anomalies. This paper divides the graph-oriented anomaly detection into two types, the anomaly detection on static graph and the anomaly detection on dynamic graph.Existing work on static graph anomaly detection have identified two types of anomalies:one is "individual anomaly" which refers to the abnormal behaviors of individual entity,the other is "group anomaly" that occurs due to unusual patterns of groups. The anomaly on dynamic graph can be divided into three types: isolated individual anomaly, group anomaly and event anomaly. This paper introduces the current research progress of each kind of anomaly detection methods, and summarizes the key technologies, common frameworks, application fields, common data sets and performance evaluation methods of graph-oriented anomaly detection. Finally, future research directions on graph anomaly detection are discussed.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利