11461

بررسي انواع روش‌هاي ناهنجارشناسي در داده‌هاي گراف

1400

دكتر حسين رحماني

در سال‌هاي اخير، داده‌هاي گرافي موردتوجه زيادي قرار گرفته‌اند؛ زيرا از آنها به‌منظور بازنمايي انواع ديگري از داده‌ها از جمله داده‌هاي شبكه اجتماعي، بانكي، امنيتي، امور مالي، پزشكي و متني نيز استفاده مي‌شود. ازاين‌رو تشخيص ناهنجاري در اين داده‌ها به دليل پيامدهاي ناگوار آن‌ها موردتوجه فزاينده‌اي قرار گرفته است و قدرت خود را در جلوگيري از رويدادهاي مخربي مانند كلاهبرداري مالي، نفوذ در شبكه و هرزنامه‌هاي اجتماعي نشان داده است. به‌طوركلي، ناهنجار‌ي، الگوهايي در داده‌ها هستند كه با مفهوم تعريف شده از رفتار عادي مطابقت ندارند. چنين ناهنجار‌هايي در داده‌هاي گرافي ممكن است به چند صورت ديده شوند 1- ناهنجاري در گره، 2- ناهنجاري در يال، 3- ناهنجاري در زيرگراف، 4- ناهنجاري در گراف. ناهنجاري مربوط به گره ممكن است به دليل غيرعادي بودن ساختار يا ويژگي‌ها يا هر دو باشد. از سوي ديگر ناهنجار‌هاي مربوط به يال برخلاف تشخيص ناهنجاري‌هاي گره كه گره‌هاي منفرد را هدف قرار مي‌دهد، هدف تشخيص يال ناهنجار شناسايي پيوندهاي غيرعادي است. اين پيوندها اغلب روابط غيرمنتظره يا غيرمعمول بين اشيا واقعي، مانند تعاملات غيرعادي بين كلاهبرداران و كاربران خوش‌خيم، يا تعاملات مشكوك بين گره‌هاي مهاجم و ماشين‌هاي كاربر خوش‌خيم در شبكه‌هاي كامپيوتري هستند. چالش اصلي در اين زمينه شناسايي اين ناهنجاري‌ها و طبقه‌بندي آن‌ها است. در سال‌هاي اخير روش‌هاي محاسباتي بسياري براي پيش‌بيني ناهنجاري در گراف ايجاد شده است. اين روش‌ها مي‌توانند ناهنجاري‌ها را در گراف تشخيص دهند. اين روش‌هاي محاسباتي به‌طوركلي به دودسته مبتني بر تجزيه‌وتحليل آماري و مبتني بر يادگيري ماشين است. در اين سمينار به بررسي تعدادي از اين روش‌ها مي‌پردازيم.

11/23/2022 12:00:00 AM

77014

1401/09/17

survey of anomaly detection approaches in graph data

تشخيص‌ ناهنجاري , يادگيري ماشين , داده‌هاي گراف

Anomaly detection , Machine learning , Graph data