تشخيص ناهنجاري در شبكه‌هاي پويا با استفاده از شبكه‌هاي عصبي گرافي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

در سال‌هاي اخير، با توجه به رشد چشم‌گير در حوزه ارتباطات و تحليل داده‌هاي شبكه‌اي، استفاده از گراف‌ها براي نمايش و تحليل اين داده‌ها بسيار اهميت يافته است. گراف‌ها مي‌توانند اطلاعات ساختاري و رابطه‌اي در داده‌هاي شبكه‌اي را به وضوح نمايش دهند. در عين حال، حجم داده‌هاي شبكه‌اي به سرعت در حال افزايش است و همچنان تغيير مي‌كند. به علاوه، تشخيص ناهنجاري‌ها در اين داده‌ها اهميت بسزايي دارد؛ زيرا مي‌تواند در جلوگيري از كلاهبرداري، انتشار اطلاعات تقلبي و سازمان‌دهي حملات در شبكه‌ها مؤثر باشد. تاكنون، روش‌هاي مختلفي براي تشخيص ناهنجاري در گراف‌ها ارائه شده‌اند، اما بيشتر از آن‌ها تمركز خود را بر روي تشخيص ناهنجاري در يال‌ها داشته و به تشخيص ناهنجاري در گره‌ها كمتر پرداخته‌اند. اين موضوع مي‌تواند باعث ايجاد اشكالات در تخمين تغييرات گره‌ها در طول زمان شود. در اين پايان‌نامه، هدف اصلي تشخيص ناهنجاري در گره‌ها در گراف‌هاي پويا است. از شبكه‌هاي عصبي گرافي به منظور بررسي ساختار و زمان گره‌ها براي تشخيص ناهنجاري در شبكه‌هاي پويا استفاده مي‌شود. نتايج به دست آمده از اين روش نشان مي‌دهند كه اين مدل توانايي تشخيص ناهنجاري‌ها در دنياي واقعي را دارد و تغييرات توپولوژيكي در گراف‌ها را با دقت بررسي مي‌كند. اين پژوهش از مجموعه داده‌هاي Darpa، EU-CORE وEU-CORE-L براي ارزيابي عملكرد مدل استفاده كرده است و به دليل استفاده از آزادسازي حافظه و موازي‌سازي، قابل اعمال براي گراف‌هاي بزرگ است. دقت تشخيص ناهنجاري براي مجموعه داده Darpa حدود 62 درصد است كه نسبت به روش‌هاي پيشين عملكرد بهتري داشته است.

224333

هوش مصنوعي

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان